标签
Construction Physics 探讨机器人 AI 面临的核心瓶颈：语言模型可依赖海量现成文本数据，但机器人缺乏等价的公开训练数据，文章梳理了数据来源、数据量需求及模拟仿真等潜在解决方案。
Toby Ord 的文章探讨 AI 模型通过更多 token 扩展的效果是否与人类通过更多时间扩展的效果相当，分析了 METR 的对比数据，并讨论了这一问题对 AI 自我改进与智能爆炸前景的影响。
Cerebras Systems 首席执行官 Andrew Feldman 将在 TechCrunch Disrupt 2026 上发表题为《AI 还能持续扩展吗？》的演讲，探讨算力需求、能源限制以及 Cerebras 以晶圆级方案应对 AI 硬件挑战的路径。
这篇文章批评了当前对个别AI代理的关注，并提议转向将其视为一个更大的、持久的操作系统的一部分，用于管理工作目标和工作流程。
本文分析了AI指数增长的终结，考察了技术、经济和社会挑战，如数据峰值限制、计算需求，以及AI泡沫内外的不稳定性。
Jerry Tworek 讨论了将强化学习应用于扩展 AI 模型（如 o1）的技术见解和挑战，强调了简单性和多次运行等技术的重要性。
本文讨论了Test Time Training作为AI开发中潜在的新扩展轴，分析了一篇将其定位为线性注意力形式的论文，并探讨了其对模型训练和持续学习的影响。
丰田的企业AI团队使用LangSmith和Deep Agents来扩展AI代理开发，将生产时间从6个月缩短至4天，并部署了超过50个代理。
Zhipu创始人Tang Jie讨论了AI扩展如何超越参数数量，涵盖训练数据、每次前向传播的计算量以及后训练等因素，并以GLM-5.3为例。
本地部署大模型受限于硬件吞吐量，即使显卡性能满载，一天仅能处理约8.64M Token，不足以支持Agent自动化集群或大规模数据分析，因此规模化应用仍需依赖云端API。
Elon Musk 指出，由于陆基电力和许可问题，到2029年，轨道计算可能成为扩展AI所必需的技术。Owen Lewis 强调，这是一个被忽视但至关重要的点。
企业AI经常低估数据操作背后的工作量，从标注到治理，这对规模化至关重要。
文章认为，AI扩展正触及数据极限，需要类似计算项目的文明规模数据投入，并预测到2030年数据支出将超过每年1000亿美元。
一条推文强调了中国太阳能发电项目的巨大规模，指出其对AI扩展的重要性，得益于能源和供应链优势。
Faruk Guney介绍了DeepAdapt及其运行时智能ACI，它通过保留经验而非增加计算量来扩展AI。
这项研究比较了AI编码智能体（如Claude-Code和Codex）与人类专家程序员在长期任务上的表现，结果表明由于持续学习，人类的表现呈超线性增长，而智能体则趋于平稳，这突显了当前AI在扩展问题解决方面的关键局限性。
Anyscale on Azure 现已公开预览。Daniel Arrizza 和 Paul Yu 将主持一场工作研讨会，探讨如何在 Azure 租户内构建和部署生产级 AI 工作负载，并与现有 Azure 服务集成。