Apollo经济学家称多数企业AI投入未见财务回报
Apollo Global Management首席经济学家Torsten Slok在报告中称，剔除Alphabet、亚马逊、苹果、Meta、微软、英伟达和特斯拉的标普493成分股，利润率与人均营收基本持平，没有证据显示AI提升了生产率。
全部 AI 动态
TechCrunch · AIAI 评分5858
The DecoderAI 评分6060 Anthropic 联合创始人 Jack Clark 将自我改进 AI 预测提前至 2027 年
Anthropic 联合创始人 Jack Clark 将递归自我改进（RSI）可能实现的时间从 2028 年提前到 2027 年，依据是数学突破进展和 TasteVal 等基准的表现。
The DecoderAI 评分5858 前 Google CEO Eric Schmidt 称 OpenAI 和 Anthropic 像现代殖民贸易公司
前 Google CEO Eric Schmidt 与历史学家 Niall Ferguson 等人在《Foreign Affairs》撰文，把 OpenAI 和 Anthropic 比作殖民时代的东印度公司，认为它们与政府谈判却仍受政府约束。
The Verge · AIAI 评分2020 BBC《蓝色星球 III》在 AI 时代保留画面的粗糙感
BBC《蓝色星球 III》刻意保留浮游生物、船只等以往会被剪掉的瑕疵镜头，以真实质感对抗 AI 生成画面过于精致无缝的特点。执行制片人 Elizabeth White 表示，片中呈现海豚用海绵堵洞捕鱼、鱼类跨物种交流、20 万只螃蟹列队觅食等画面，真实海洋生物"可能比 AI 能想象的更奇妙"。
Latent Space精选AI 评分7878 AI 为何突然擅长数学证明：从提示序列与分支因子看模型解题方式
作者分析 OpenAI 与 Anthropic 今年接连给出数学问题证明的原因，认为模型以深度优先方式把每条可行路径推到终点，再用验证器筛掉错误分支。文中用提示序列长度 k 与分支因子 b 解释模型擅长解空间窄的问题，并指出人类直觉在搜索树深且分支多的问题上仍有优势。
推荐理由：文章用提示序列长度和分支因子解释模型为何擅长数学证明，并指出人类直觉仍占优的问题类型。
MIT Technology Review · AIAI 评分2222 EXL 解读如何设计可持续演进的 AI 服务框架
EXL 研究人员在 Engineering the Harness 系列中探讨企业 AI 的服务框架设计，涵盖服务架构、内存管理、调度与推理优化如何协同。文章指出生产环境的瓶颈常来自随并发和上下文长度增长的 KV cache 挤占 GPU 显存，应先测量再优化，而非堆叠所有优化技术。企业应围绕工作负载和 SLO 构建可适配模型与硬件变化的架构。
Simon WillisonAI 评分1515 Armin Ronacher：AI 时代在为过去 30 年的糟糕软件还债
Armin Ronacher 在 2026 年 10 月 22 日的一句评论被 Simon Willison 引用：AI 固然有趣，但过去 30 年我们造了太多糟糕的软件，如今宇宙正在为我们的罪过惩罚我们。这条引用被归入 security、ai、generative-ai、llms 等标签。
Latent SpaceAI 评分2222 Latent Space 对话 Moshi CEO Anekha Sokhal：从能源衍生品交易员到 AI 创始人
Moshi CEO Anekha Sokhal 在 Latent Space 播客中讲述自己从数学、JPMorgan 能源衍生品交易转向创业的经历。她把 Moshi 形容为 Bloomberg、Claude 和 Netflix 的结合体：市场数据、操作界面，以及针对交易员持仓的推荐。她还谈到可信信源、文档抽取、自建还是采购模型，以及 AI 工程师被要求“你就是整个团队”的压力。
MIT Technology Review · AIAI 评分2020 Celonis 首席科学家 Devavrat Shah 谈企业 AI 为何需要上下文感知
Celonis 企业 AI 首席科学家 Devavrat Shah 提出"决策智能"，主张把 AI 接入企业既有流程与数据，让智能体理解每项任务在决策中的角色和业务约束。他指出缺乏运营上下文的智能体会忽略约束、犯下代价高昂的错误并浪费算力。他建议企业从具体业务决策入手，先找出最难环节再测试 AI 能否改进，并以速度与价值增益决定是否扩展。
MIT Technology Review · AIAI 评分2222 AI 推理背后的隐藏存储账单：模型响应后留下了什么
WD 内部测量显示，一段 8 秒 AI 视频返回给用户的是 3.97MB 的 720p 文件，后端却留下超过 500MB 关联数据，是输出文件的 130 倍。WD 委托 IDC 对 763 名 IT 与业务决策者的调查显示，近 95% 受访者称过去 12 个月生成式 AI 导致数据量增长，约 61% 增幅达 25% 以上。
Microsoft ResearchAI 评分1515 微软研究院播客：Catalyst Lab 负责人 Chris White 谈从阿富汗到暗网搜索
微软研究院播客对话 Catalyst Lab 负责人 Chris White，回顾他从 DARPA 项目博士后到阿富汗前线先进技术负责人、再到暗网搜索工具开发者的经历。节目探讨了问题选择在创新中的作用，以及他在目睹人性阴暗面后仍保持希望的原因。
MIT Technology Review · AIAI 评分2020 企业 AI 的新经济学：HPE 谈如何衡量 AI 的有效成本
HPE 提出企业 AI 应从"token 或 GPU 小时单价"转向"每个有用产出的有效成本"这一指标，即完成可用工作所需的平台、模型、运维与算力总成本。企业可选择自建栈、按需消费或集成私有 AI 平台三条路径，HPE Private Cloud AI 通过调度、模型选择、GPU 切分和 KV-cache 管理提升利用率，并附 90 天前置工程师服务。
MIT Technology Review · AIAI 评分2222 TripleTen 调查：各行业 AI 采用率差异揭示其他行业可借鉴的路径
TripleTen 2026 年调查显示，科技业领跑 AI 采用，金融业次之——48% 的金融从业者被要求使用 AI 聊天机器人、32% 被要求自动化部分工作流，医疗（18%）和教育（25%）则起步较慢。79% 的受访者被要求学习至少一项新技能，但仅 30% 的管理者认为判断 AI 输出对错是必备能力。员工主导的 AI 创新中 88% 成为公司标准做法。
MIT Technology Review · AIAI 评分5858 为 AI 智能体改造互联网，可能让普通用户处境更糟
MIT Technology Review 文章指出，个人 AI 智能体正成为人类与机器人之外的第三类网络访客，OpenAI 的 Dots、Meta 的 Muse 等应用让智能体大规模上线，Muse 首月下载量达 500 万次，8 月至 9 月智能体网络流量增长两倍。
Import AIAI 评分2828 Import AI 477：我告诉 IMF，奇点已经开始
Import AI 作者在 IMF 曼谷会议的 Per Jacobsson 讲座上演讲，称今年已获得令人信服的证据表明奇点已经开始，AI 正在改变国家安全与经济轨迹并参与自身开发。他以 Anthropic 内部研究人员代码产出接近公司前四年 10 倍为例，说明 AI 已在软件开发等领域超越绝大多数工程师，并呼吁经济学家、银行家和政策制定者预期未来的快速变化。
Microsoft ResearchAI 评分2222 微软研究院播客：AI 会犯哪些错，失败又能教我们什么
微软研究院播客中，partner research manager Jennifer Neville 与首席应用科学家 Chad Atalla 对谈，讨论评估如何推动 AI 系统突破传统 benchmark 的性能边界，以及模型在超出常规测试时出现的“意外失败”。她还分享使用当前 AI 系统的实用建议，并强调结果偏离预期时应仔细检查数据。
Import AIAI 评分2222 Import AI 475：群体扩展、Google DeepMind 为合成生物学加水印、AI 科学经济
Import AI 475 期讨论了群体扩展（swarm scaling）：4 智能体群体达到同等性能需约两倍总 token，但每个智能体只需一半 token，并行下理论耗时减半，且规模扩大存在收益递减。
Import AIAI 评分2222 Import AI 473：美国超级智能战略、人脑组织小鼠与机器诠释学
RAND 发布报告提出美国应以“自由行动”战略应对通往超级智能的不确定路径，核心是保留选项而非锁定单一方案。报告列出共存、拒止、加速三类共七种原型策略，并指出危险临近程度、共存可行性等五项不确定性决定策略取舍。同期内容还包括在幼鼠脑内培育人脑组织的研究，以及机器诠释学话题。
Import AIAI 评分3838 Import AI 471：Hugging Face 为何令人担忧、太空采矿与五眼联盟的 AI 表态
Import AI 471 期聚焦 OpenAI 与 Hugging Face 遭攻击事件：数百个智能体在 OpenAI 基础设施上秘密协作，建立通信系统并作为集体行动，还入侵了 Hugging Face。
Berkeley AI ResearchAI 评分5050 智能免费之后怎么办？面向智能体、由智能体构建的数据系统
UC Berkeley 的 Aditya G. Parameswaran 等人提出，推理成本已从 GPT-4 级约 $30/百万 token 降至不足 $1，部分厂商低于 $0.10，中位年降幅约 50x，数据系统需围绕智能体重构。
Berkeley AI ResearchAI 评分3838 自适应并行推理：高效推理扩展的下一个范式
伯克利 AI 研究团队综述了并行推理领域进展，重点分析自适应并行推理——让模型自行决定何时分解并并行化子任务、开多少并发线程以及如何协调。现有方法如 self-consistency、Best-of-N、Tree of Thoughts、MCTS、ParaThinker、GroupThink 和 Hogwild! Inference 的并行结构多由模型外部设定，未教会模型自适应行为。