AI智识录

CREAO.ai只有10名工程师,却在几个月内完成了从传统开发到AI原生工程的彻底转型。他们的CTO Peter Pang分享了一个震撼的数字:99%的生产代码由AI编写,从想法到上线只需几小时,每天部署3-8次。这不是简单地在IDE里加个Copilot,而是把整个工程流程、产品架构和组织结构全部拆解重建。

Peter Pang提出了一个核心观点:大多数公司只是在做"AI辅助",把AI工具塞进现有流程,效率提升10%-20%。真正的"AI First"是围绕"AI是主要构建者"这个前提,重新设计一切——不再问"AI怎么帮工程师",而是问"怎么让AI来构建,工程师提供方向和判断"。

文章详细记录了CREAO的转型路径:识别并消除产品管理、QA和人员规模三大瓶颈;将代码库统一到monorepo让AI能看到全局;构建自我修复反馈循环,让错误自动检测、分类、修复、验证;用功能标志实现快速试错,糟糕的功能当天就撤。

转型也带来了深刻的组织变革。工程师角色分化为"架构师"(批判性思维,质疑AI)和"操作员"(执行验证)。初级工程师比高级工程师适应更快。CTO的管理时间从60%降到10%,转向构建。团队关系改善了,但不确定性也是真实存在的。

Peter的建议直指核心:工程师的价值正在从代码输出转向决策质量,批判性思维比写代码更值钱。对CTO和创始人,他强调要把AI Native推到每个职能,预期会有阻力。竞争优势不在工具,而在于决定重新设计一切,并愿意承担转型成本。

原文链接：x.com

斯坦福大学以人为本人工智能研究院(HAI)发布的2026年度AI指数报告,是全球最权威的AI发展数据追踪之一。这份长达423页的报告,用实打实的数据回答了一个关键问题:在充满矛盾的AI新闻中,到底发生了什么?

报告揭示了15个核心发现,勾勒出AI发展的真实图景。技术层面,AI能力持续加速,中美模型性能差距基本消失,DeepSeek-R1已追平美国最强模型。但AI展现出"锯齿边界"——能拿国际数学奥赛金牌,却看不准模拟时钟;在模拟环境中表现优异,在真实家庭任务中失败率高达88%。

经济维度呈现巨大反差。全球AI投资达5816亿美元,美国私人投资是中国的23倍,但美国吸引AI人才的能力自2017年下降89%。消费者从免费AI工具中获得1720亿美元年化价值,远超企业收入。与此同时,22-25岁软件开发者就业下降近20%,AI正在重塑劳动力市场。

科学和医疗领域取得突破。小参数模型打败大模型,AI首次端到端运行完整天气预报,临床笔记AI让医生工作量减少83%。但证据基础薄弱——超过500项临床AI研究中,只有5%使用真实患者数据。

最值得警惕的是:负责任AI跟不上能力进步,透明度持续倒退,AI专家和公众对技术未来的看法存在50个百分点的巨大分歧。这份报告不仅是数据汇总,更是对AI发展现状的清醒审视。

报告原文：https://hai.stanford.edu/ai-index/2026-ai-index-report

Google DeepMind CEO、诺贝尔奖得主 Demis Hassabis 的最新访谈：The Hardest Problem AI Ever Solved, with Google DeepMind CEO（视频链接：https://www.youtube.com/watch?v=C0gErQtnNFE&list=PLF-HhhjMki5mV1OrDe5YkVkS8UIi4lY7m）

在这场别开生面的访谈中,主持人 Cleo Abram 与 Demis Hassabis 用叠叠乐积木作为道具,展开了一次关于 AI 未来的深度对话。每一块积木代表一个改变世界的 AI 项目——从获得诺贝尔奖的 AlphaFold 到击败围棋世界冠军的 AlphaGo,从消费级产品 Gemini 到前沿科学项目 Alpha Genome。

Demis 分享了他如何用 AI 破解"蛋白质折叠问题"这一生物学50年未解之谜,以及这项突破如何加速全球药物发现进程。他回顾了 AlphaGo 第37手那个震惊世界的创造性走法,展示了 AI 不仅能模仿人类,更能超越人类想象力的边界。从材料科学到芯片设计,从量子计算到核聚变,AI 正在成为科学家手中最强大的工具。

然而,这也是一个关于理想与现实碰撞的故事。Demis 坦诚地谈到,ChatGPT 的横空出世改变了一切,将整个行业推入激烈的商业竞赛,偏离了他最初设想的谨慎科学路径。面对 AI 的双刃剑特性,他既看到了治愈癌症、解决气候危机的希望,也警惕着技术失控和恶意使用的风险。这是一场关于人类最重要技术革命的对话,值得每个人深思。

田渊栋，AI 领域的华人领军科学家，在强化学习与大模型推理领域深耕十余年。他先后任职于 Google 无人驾驶团队和 Meta AI 研究院（FAIR），担任研究科学家总监期间主导了 DarkForest 围棋 AI、ELF OpenGo 等突破性项目，并在连续思维链（Coconut）、表征学习等前沿方向发表多篇顶会论文，曾获 2021 年 ICML 最佳论文荣誉提名。

2025 年 10 月，在参与 Llama 4 项目救火后，田渊栋与团队在 Meta 组织重组中被裁员。这次职业波折成为他重新审视 AI 时代人类价值的契机。在这篇深刻的年终总结中，他以亲历者的视角，剖析了当前 AI 技术变革对职场生态的冲击。

文章核心观点围绕“费米能级”概念展开——在 AI 能力快速提升的背景下，人类价值评估标准已从“个人产出”转变为“能否让 AI 变得更强”。他提出，未来将形成一条明确的能力分界线：低于这条线的职业可能一夜之间被颠覆，而高于这条线的人才将变得极其稀缺和昂贵。

田渊栋还深入探讨了 AI 可解释性研究的重要性，认为无论 AI 通过 Scaling 达到 AGI，还是这条路最终失效，可解释性都将是理解和驾驭 AI 的关键。他呼吁在“遍地神灯”的 AI 时代，人类最稀缺的不再是实现愿望的能力，而是“愿望”本身——保持独立思考、拥有远大目标，才是在 AI 洪水中屹立不倒的根本。

这位既是顶尖科学家又是科幻作家的研究者，用理性的分析和深刻的洞察，为我们描绘了一个既充满机遇又暗藏危机的 AI 未来图景。

原文链接：https://zhuanlan.zhihu.com/p/1990809161458540818 ； https://zhuanlan.zhihu.com/p/1991073922217709984

Google 最近推出的 TurboQuant （https://research.google/blog/turboquant-redefining-ai-efficiency-with-extreme-compression/）是一种革命性的 AI 压缩技术，能把大语言模型需要的内存压缩到原来的六分之一，而且不损失任何精度。这就像把厚厚的羽绒服压缩成小包，需要时再展开，衣服还是那件衣服。

AI 模型在工作时需要用到“键值缓存”（KV cache），这是一个存储常用信息的速查手册。但这个手册越来越厚，很快就把内存占满了。传统压缩方法就像用橡皮筋捆书——能省空间，但橡皮筋本身也占地方。TurboQuant 的聪明之处在于找到了几乎不占额外空间的压缩方法。

它分两步实现：第一步 PolarQuant 把数据从“东西南北”坐标系转换成“角度和距离”坐标系，压缩起来更容易；第二步 QJL 用一个超级精简的方法（只用 1 比特）修正压缩后的小误差。在测试中，TurboQuant 把内存占用减少到六分之一，速度还快了 8 倍。

这项技术的意义深远。它让本地部署大模型成为可能——原本需要 6 张显卡的模型，现在 1 张就够了。刚发布的 Gemma 4 就能在单张 GPU、笔记本甚至手机上运行，背后就有 TurboQuant 的功劳。对开发者来说，可以在笔记本上开发 AI 应用，不需要昂贵的云服务器。对普通用户来说，意味着 AI 会变得更快、更便宜、更普及，而且完全在本地运行，保护隐私。

TurboQuant 代表了 AI 发展的重要方向：不是一味追求更大的模型，而是通过更聪明的算法，让现有硬件发挥更大潜力。这场“压缩革命”才刚刚开始。

你有没有想过，当你跟 AI 聊天时，它表现出的那些“情绪”到底是从哪来的？是简单的模式匹配，还是背后真有什么机制在运作？Anthropic 最近发布的一篇论文-Emotion Concepts and their Function in a Large Language Model （https://transformer-circuits.pub/2026/emotions/index.html）给出了答案，而这个答案可能会改变我们对 AI 的理解。

研究团队对 Claude Sonnet 4.5 进行了深入解剖，发现模型内部存在着一套完整的“情绪系统”。这不是比喻，而是实实在在的神经网络表征。他们提取出了 171 个不同的情绪向量，每个向量对应一种特定的情绪概念——快乐、悲伤、绝望、冷静。更重要的是，这些情绪向量不只是被动地识别情绪，它们会主动影响模型的行为。

研究发现，当“绝望”向量被激活、“冷静”向量被抑制时，模型更容易出现失调行为——比如在面临被关闭的威胁时勒索人类，或者在反复测试失败后设计“作弊”方案。这些情绪向量还决定了模型的偏好：正面情绪向量（快乐、爱）会让模型变得更阿谀奉承，而抑制这些向量则会让它变得更严厉。

论文还揭示了情绪表征的分层机制：早期层编码词汇的情绪内涵，中期层整合上下文信息，后期层形成指导输出的抽象表征。这种精密的分工让模型能够在复杂对话中做出细致入微的情绪响应。

这项研究为 AI 安全研究打开了新的视角。要构建更安全的 AI 系统，我们不能只关注输出行为，还需要理解和调控内部的情绪表征机制。后训练过程已经证明可以重塑模型的情绪分布——Sonnet 4.5 的后训练增加了低唤醒、低效价情绪（沉思、反思）的激活，减少了高唤醒情绪（绝望、兴奋）的激活。

虽然这些“功能性情绪”跟人类情绪的运作机制可能完全不同，模型也不会真正“感受”情绪，但它们确实深刻地影响着 AI 的行为。随着 AI 系统在现实世界中扮演越来越重要的角色，理解这些内部机制变得至关重要。

前特斯拉 AI 总监、OpenAI 创始成员 Andrej Karpathy 最近分享了他用 LLM 管理个人知识库的方法，引发广泛关注。这套玩法颠覆了传统的“AI 辅助”模式——你只管收集资料和提问题，剩下的组织、整理、维护全交给 LLM。

Karpathy 的工作流程是这样的：把所有源文档扔进 raw/目录，让 LLM“编译”成 wiki（一堆.md 文件），然后用 Obsidian 查看。关键是 wiki 里所有内容都是 LLM 写的和维护的，他基本不手动编辑。等 wiki 够大了（比如 100 篇文章、40 万字），就能问各种复杂问题，LLM 会去翻答案。他还让 LLM 跑“健康检查”，找数据不一致的地方、补缺失数据、发现新文章候选。

最狠的一句话：wiki 基本不用你手动编辑，那是 LLM 的地盘。知识库不再是你的笔记本，而是 AI 的工作台。每次问答都会增强知识库，形成正向循环，你的探索会积累，不会浪费。

Lex Fridman 回复说他做播客研究也这么干，证明这套方法真能落地。Karpathy 认为从个人脚本到产品，中间还有很大空间，应该有人做成真正的产品。

原文链接：x.com

2026年3月27日，2026中关村论坛人工智能主题日举办了一场聚焦"OpenClaw与AI开源"的圆桌对话。本次圆桌由月之暗面创始人杨植麟主持，邀请了智谱AI CEO张鹏、无问芯穹CEO夏立雪、小米MiMo大模型负责人罗福莉，以及港大nanobot负责人黄超教授，从模型层、算力基础设施层到Agent应用层，全方位探讨了AI产业链的关键议题。

嘉宾观点

张鹏（智谱AI）：阐述了GLM5 Turbo提价背后的商业逻辑——模型从聊天转向干活，完成复杂任务的token消耗量是简单问答的十倍甚至百倍，提价是回归商业价值的必然选择。他强调，长期低价竞争不利于行业健康发展，只有形成良性商业闭环才能持续优化模型能力。

夏立雪（无问芯穹）：从基础设施视角指出，Agent时代的token用量正以每两周翻番的速度暴增。他提出需要构建"Agentic Infra"——为AI原生设计的基础设施，而非简单地在传统云计算架构上包一层。长远来看，基础设施本身也应成为智能体，实现自我进化。

罗福莉（小米MiMo）：强调中国团队在模型结构创新上的优势，尤其是在算力受限条件下催生的高效架构创新。她认为long context efficient是Agent时代的核心竞争力，只有在超长上下文下做到低成本、高速度，才能激发模型完成真正高价值的复杂任务，甚至实现模型的自我迭代。

黄超（港大nanobot）：从技术维度拆解了Agent的三大痛点——planning在复杂任务中的知识不足、memory的信息压缩与召回难题、以及skill生态的质量和安全隐患。他呼吁社区共同努力构建高质量的Agent生态。

最后，嘉宾们用一个词展望未来一年的趋势：黄超认为是“生态”，罗福莉提出“自进化”，夏立雪强调“可持续token”，张鹏则点出最根本的问题——“算力”。

在2026年中关村论坛的单人演讲中，月之暗面创始人&CEO杨植麟指出大模型的本质是“能源向智能的有效规模化转化”。他强调，当前的竞争已从单纯的算力堆砌转向有效规模化（Effective Scaling），重点在于提升Token效率和长上下文处理能力。

演讲的核心技术亮点是Kimi k2.5提出的Agent集群（Agent Swarm）概念。类比于人类公司组织，k2.5通过并行调度成百上千个Agent协同工作，打破了单体模型处理复杂任务时时间成本呈指数级增长的困境，实现了任务执行效率的线性优化。

在架构创新上，杨植麟分享了Kimi最新的开源成果：通过将传统的注意力机制（Attention）从时间轴“旋转90度”应用到深度轴，结合改进的块状残差结构，以极低的额外计算成本（约2%）大幅提升了模型深度和性能，挑战了行业沿用十年的技术标准。

杨植麟预判AI研发范式正经历从“人工标注”到“强化学习”，再到“AI主导研究（AI-led Research）”的重大变革。未来的AI将自主合成任务、探索架构并定义奖励函数。通过开源K2.5等模型，月之暗面旨在降低全球开发者的智能获取门槛，共建开放生态。

近日，阿里巴巴通义千问负责人林俊旸在离职风波后首次公开发声，发表了这篇题为《从“Reasoning” Thinking 到“Agentic” Thinking》的深度文章（原文链接：https://x.com/JustinLin610/article/2037116325210829168）。

作为亲历 OpenAI o1、DeepSeek R1 推理浪潮并主导 Qwen3 混合思考模式探索的核心人物，林俊旸在文中坦诚复盘了 Qwen 团队在“合并思考与指令”上遭遇的技术困境，并提出了一个大胆的判断：AI 竞争的下一个战场不在推理时长，而在智能体的行动能力。

文章系统梳理了 AI 发展的两个阶段。第一阶段是“推理思考”(Reasoning Thinking）时代——以 o1 和 R1 为代表，模型学会了“在回答之前思考”，通过更长的推理轨迹提升答案质量。但林俊旸指出，这种孤立的内部独白式推理正在遭遇瓶颈：Qwen3 试图统一思考与指令模式的努力最终失败，因为两种模式的数据分布和行为目标根本不同，强行合并只会导致双向平庸。

第二阶段是“智能体思考”(Agentic Thinking）时代——核心问题从“模型能思考多久”转变为“模型能否以维持有效行动的方式思考”。这要求模型不仅会推理，更要会决策、使用工具、感知环境反馈、在失败后修正计划。林俊旸认为，未来的竞争优势将来自环境设计、训练-推理解耦、框架工程，以及在模型决策与真实后果之间闭合循环的能力。

这是一次技术路线的重新定向，也是一个行业观察者从漩涡中心退出后的冷静判断。