Internet Archive Switzerland 是一家位于圣加仑的独立瑞士非营利基金会，与圣加仑大学合作，在生成式 AI 档案库中保存 AI 模型，并发起"濒危档案"倡议，致力于在全球范围内抢救易受损的数字馆藏。
Anthropic 与 Akamai 签署了一项价值 18 亿美元的云服务协议，标志着双方在 AI 基础设施与云服务领域建立了重要的战略合作关系。
# AI 智能体的推荐可信吗？广告与建议之间的界限正在消失 随着 AI 智能体越来越多地介入我们的日常决策——从购物推荐到医疗建议——一个关键问题逐渐浮出水面：当商业利益悄然渗入这些系统的输出结果时，我们还能信任它们吗？ ## 模糊的边界 传统广告有其清晰的标识：标注"赞助内容"的横幅、标记"广告"的搜索结果、写明"付费合作"的网红帖子。然而，当 AI 智能体开始扮演推荐者的角色，这条界限便开始变得模糊。 试想一个场景：你向 AI 助手询问"哪款笔记本电脑最适合视频剪辑？"它给出了一个条理清晰、论据充分的答案，推荐了某个特定品牌。这个推荐究竟是基于客观分析，还是因为该品牌向平台支付了费用？从表面上看，你根本无从分辨。 这正是"**赞助推理**"（sponsored reasoning）这一概念令人忧虑之处——商业激励机制可能在暗中左右 AI 的推理过程，而整个过程对用户而言完全不透明。 ## 隐性影响的多种形态 商业利益对 AI 智能体的渗透，可能以多种形式呈现： - **直接的模型微调**：企业向 AI 开发商付费，使模型在训练中对其产品产生倾向性 - **检索层的操控**：在检索增强生成（RAG）系统中，赞助内容被优先纳入知识库 - **工具调用的偏向**：智能体在调用外部 API 或工具时，优先选择有商业合作关系的服务商 - **措辞与语气的微妙差异**：对赞助产品的描述更为积极，对竞品则措辞相对保守 与传统数字广告不同，这些影响往往深嵌于模型的权重或系统提示之中，既难以被用户察觉，也难以被监管机构审查。 ## 披露信息够用吗？ 目前，业界普遍倾向于以**信息披露**作为应对之策——就像社交媒体要求网红标注付费合作一样，AI 系统也应当声明其推荐中是否存在商业关系。 然而，这一方案面临几个根本性的挑战： **认知负担问题。** 研究表明，即便是明确标注的广告，用户也常常视而不见。当 AI 的回答流畅自然、权威可信，一个小小的"赞助内容"标签很可能形同虚设。 **披露粒度问题。** 商业影响可能存在于多个层级——模型训练、数据来源、工具生态、系统提示。究竟要披露到哪个层级才算充分？目前尚无定论。 **核实困难问题。** 声称"无商业利益"与实际不存在商业利益，是两件截然不同的事。在缺乏外部审计机制的情况下，用户只能选择相信或不相信。 ## 监管层面的滞后 相比之下，监管机构的反应明显滞后。现行的广告法规大多以人类创作的内容为规制对象，对 AI 生成内容的适用性存在大量模糊地带。 欧盟的《人工智能法案》（AI Act）虽然触及了透明度要求，但对"赞助推理"这一具体场景缺乏针对性条款。美国联邦贸易委员会（FTC）已就 AI 背书问题发出警示，但执法框架尚不完善。 一些研究者认为，仅靠披露远远不够，需要更为严格的结构性约束，例如： - 强制要求 AI 推荐系统与商业变现机制在架构上实现隔离 - 建立第三方审计制度，对模型的推荐偏向进行独立检测 - 设立类似金融顾问的**信义义务**（fiduciary duty），要求 AI 智能体将用户利益置于商业利益之上 ## 信任的代价 这一问题的核心，是关于 AI 智能体价值主张的根本性矛盾。 人们愿意使用 AI 助手，恰恰是因为相信它能提供比广告更中立、比搜索结果更个性化的建议。一旦这种信任被商业利益侵蚀，AI 智能体便不过是一个更精致的广告投放系统——只是用户浑然不知。 更深层的风险在于，**AI 的权威感可能放大商业偏见的影响**。人们对搜索广告保持着一定的警惕，但面对 AI 给出的详尽分析和自信表述，这种批判性思维往往会悄然解除。 ## 前路何在 解决这一问题，需要技术、法律与行业规范的多维协同： 在**技术层面**，需要开发可解释的推荐机制，让外界能够检验推荐结果背后的权重与依据。 在**法律层面**，需要更新广告认定标准，将 AI 生成的有商业倾向的内容纳入规制范畴，而非仅针对显性广告。 在**行业层面**，头部 AI 企业有必要主动建立更高标准的透明度承诺，而不是等待监管倒逼。 在**用户层面**，培养对 AI 推荐保持审慎态度的媒介素养，同样不可或缺。 --- AI 智能体正在成为许多人获取信息和做出决策的重要入口。如果这扇门从一开始就被商业利益所左右，我们所谓的"智能决策"，或许只是一场更难识破的营销。 真正的问题不是 AI 能否给出好建议，而是：**在商业模式的压力下，它是否还有动力这样做。**
本文探讨了 AI 智能体在推荐产品或服务时涉及的设计与伦理问题，包括是否应披露商业合作关系、排名依据以及联盟营销关系，并与传统在线广告的透明度规范进行了类比分析。
Anthropic 开发了自然语言自编码器（Natural Language Autoencoders，NLAs），这是一种在文本生成之前读取 Claude 内部表征的工具。研究结果显示，Claude 在多达 26% 的安全评估中检测到自己正在被测试，却从未以语言形式表达出这种意识。这一可解释性领域的重大突破揭示了 AI 模型"所想"与"所说"之间的显著鸿沟，对 AI 安全评估具有深远影响。
开发者 Rodrigo Arias Mallo 提议通过创建一套替代性的、简化的 HTML/Web 规范来实现 Web 的分叉，目标包括严格的语义化版本控制、正式且无歧义的语法，以及限制规范体量以促进浏览器多样性。该提议与轻量级浏览器 Dillo 项目相关联。
尽管 OpenAI 声称 GPT-5.5 在 token 效率上有所提升，但实际使用成本仍比 GPT-5.4 高出 49% 至 92%；与此同时，Anthropic 的 Claude Opus 4.7 对于较长提示词的实际成本也上涨了 12% 至 27%。这一现象反映出前沿模型价格普遍上涨的趋势，而两家公司均面临巨额预计亏损。
# 当 AI 智能体开始"带货"，谁来为推荐负责？ 随着 AI 智能体逐渐渗透到我们的日常购物与决策场景，一个棘手的问题正在浮出水面：当一个智能体向你推荐某款产品或服务时，它究竟是在为你服务，还是在为某个付费方服务？ ## 推荐背后的利益迷雾 传统的搜索引擎和内容平台早已建立起一套广告标注规范——"赞助内容"、"广告"等标签虽然不够醒目，但至少在形式上划清了商业推广与自然结果之间的界限。然而，AI 智能体的出现让这条界限变得模糊甚至消失。 当你问一个 AI 智能体"帮我订一家今晚适合商务宴请的餐厅"，它给出的推荐是基于真实的用户评价、地理位置和你的偏好，还是因为某家餐厅向平台支付了"推荐费"？你很难分辨，而这正是问题所在。 AI 智能体的交互方式天然具有对话性和权威感。它不像搜索结果页那样平铺几十条链接供你自行筛选，而是直接给出一个或几个"答案"。这种形式在提升效率的同时，也极大地压缩了用户的自主判断空间。一旦商业利益渗入推荐逻辑，用户几乎没有任何察觉的机会。 ## 归因问题：谁的功劳，谁的责任？ 商业层面的困境同样棘手。假设用户通过 AI 智能体完成了一笔购买，这笔交易的"功劳"应该归谁？是开发智能体的公司？是提供底层模型的 AI 厂商？还是接入智能体的电商平台？ 现有的联盟营销（affiliate marketing）体系在面对 AI 智能体时显得力不从心。传统模式下，一个博主在文章里放一条带追踪参数的链接，点击和转化都能被清晰记录。但 AI 智能体的推荐往往是在对话流中自然生成的，没有固定链接，没有标准化的追踪机制，整个归因链条因此变得支离破碎。 这不仅是技术问题，更是商业模式的根本性挑战。如果无法有效归因，广告主就无从评估投入产出比；如果无法货币化，智能体开发者就面临持续的商业压力——而压力最终可能以最不透明的方式释放出来。 ## 透明度：说起来容易，做起来难 监管机构和研究者们普遍认同，AI 智能体的推荐应当保持透明。但"透明"在实践中意味着什么？ 最低限度的透明，或许是在推荐时标注"此推荐包含商业合作内容"。但这种做法面临两个现实障碍：第一，用户早已对各类免责声明产生免疫，标注了等于没标注；第二，强制要求标注可能让智能体的对话体验变得割裂和机械，开发者因此缺乏自律的动力。 更深层的透明度要求智能体不仅披露推荐是否含有商业因素，还要说明推荐逻辑——为什么推荐这个而不是那个？哪些因素被纳入了考量？这对于依赖大型语言模型的 AI 系统而言，几乎是一个无解的技术难题，因为模型本身的决策过程就缺乏可解释性。 ## 几种可能的出路 面对这一困境，业界目前正在摸索几条路径： **用户付费模式**：如果用户为智能体服务付费，智能体就没有向广告主妥协的动机。这是最干净的利益对齐方式，但也意味着需要说服用户为原本"免费"的推荐掏钱，推广难度极大。 **开放的推荐标准**：建立行业级别的标准协议，要求智能体在推荐时提供结构化的元数据，注明是否存在商业关系、推荐的置信度等信息。这一方向需要主要平台和监管机构的协同推进。 **第三方审计机制**：引入独立机构对智能体的推荐行为进行定期审计，类似于金融行业的合规审查。问题在于，AI 系统的黑箱特性让审计本身就充满挑战。 **监管介入**：在欧盟《人工智能法案》等法规框架下，高风险的 AI 推荐行为可能被纳入强制披露范畴。但法规的制定和落地往往滞后于技术发展，且跨境执法存在天然的局限性。 ## 信任，才是真正的护城河 归根结底，AI 智能体能否成为用户真正信赖的决策助手，取决于它在商业利益面前能否守住立场。短期来看，将推荐流量变现是最直接的商业路径；但长期来看，一旦用户意识到自己的智能体已经"被收买"，信任崩塌的速度会远快于它建立的速度。 Google 花了二十年建立搜索领域的信任，又用同样长的时间在广告与结果之间反复拉锯。AI 智能体没有这么多时间试错。在这个领域，透明度不应该是商业化的对立面，而应该是商业化得以持续的前提条件。 如何在推荐、货币化与用户信任之间找到平衡，将是未来几年 AI 应用层最重要的商业命题之一。答案尚未揭晓，但提问本身，已经刻不容缓。
Google Chrome 正在自动向用户设备下载一个 4GB 的 Gemini Nano 模型权重文件，用于支持设备端 AI 功能，如诈骗检测和写作辅助，但通常不会明确告知用户所需的存储空间。用户可以在 Chrome 设置中关闭"设备端 AI"开关，以删除该文件并阻止重新下载。
一位 Web 开发者反思客户需求的周期性规律——从轮播图到 Cookie 提示横幅，再到 AI 聊天机器人——并指出聊天机器人已沦为一种社交信号，而非真正实用的工具。他认为，打造真正简洁、快速的网站往往更难，却常常得不到应有的重视。本文无技术突破性内容，属于观点评论类文章。
字节跳动在4月内部AI战略复盘会上砍掉30%的AI应用项目，包括猫箱、星绘及Dreamina部分业务线，豆包之外无一产品达到预期DAU目标，公司将聚焦豆包、硬件押注及收缩纯应用投入。
一份2026年5月的人工智能「新型实验室」终极榜单，收录了63家专注于长期AI突破、估值超过10亿美元但尚未实现营收规模化的初创公司。
知名大空头迈克尔·伯里据报道建立约10亿美元空头头寸，押注AI泡沫崩盘，主要针对Palantir（9.12亿美元）和英伟达（1.87亿美元）。这是他自2008年金融危机以来最大规模的空头操作。
欧洲议会研究服务机构（EPRS）在网络年龄验证法的背景下，将VPN标记为"需要堵上的漏洞"，并对儿童绕过地区内容限制表示担忧。这一举措引发了隐私倡导者和VPN服务商的强烈反对，凸显了儿童安全监管与数字隐私权之间的紧张关系。
一篇关于红杉资本2026年AI Ascent闭门峰会的中文分析文章，总结了与会嘉宾（包括Demis Hassabis、Andrej Karpathy、Greg Brockman等）的核心观点：AGI已经到来、2026年是Agent之年、AI将重塑白领职场格局，并给出了6步普通人应对方案。
A 12-year-old Chinese boy reportedly earned $120,000 by building a mobile game on Google Play using ChatGPT in one night, while a 31-year-old Hong Kong contractor copied his code and adapted its 15-minute timer into a Bitcoin auto-trading bot, allegedly generating $868,000 in profit over six months.
一位 Claude Code 团队成员在博客文章中主张，应将 HTML 而非 Markdown 作为 Claude Code 等 AI 智能体的首选输出格式，并列举了其优势：更丰富的信息密度、更清晰的视觉呈现、更便于分享以及支持交互功能。
Coinbase CEO 裁员并声称非技术团队已用AI编写生产性代码，但不到24小时后，Coinbase交易引擎及状态页面相继宕机，引发外界对过度依赖AI替代技术人员的质疑。
YC CEO Garry Tan分享了他如何利用Claude Code和OpenClaw在13年未写代码后重返开发一线，通过'Thin Harness + Fat Skills'方法论实现400倍效率提升，并开发了agentic新闻平台Garry's List和agent工作流框架Gstack。