标签
据称 Google TPU 首席设计工程师透露，AI 已接管其大部分芯片设计工作，且内部模型比公开版 Gemini 强大得多，引发对 AI 驱动芯片设计趋势的关注。
中国国务院宣布了一项新举措，旨在促进就业并帮助劳动力适应人工智能驱动的变革，同时计划在2026—2030年五年规划期间确定新职业并修订200多项国家职业标准。
这篇长文从五个角度探讨超级智能：它是什么（智能爆炸与对齐问题）、AI 如何重塑就业市场、大模型如何通过预测下一个词运作及其背后的算力与能源成本，以及 AI 在蛋白质折叠、医疗筛查和抗生素发现等领域带来的乐观前景。
作者预言随着AI发展，人们将不再需要各领域专家，AI会自行提出并回答问题，而人类提出的问题要么过于琐碎要么无法被回答。
一位语言学背景的 Reddit 用户参与到关于 AI 与数学的激烈争论中，质疑为何 AI 生成的证明会被斥为"只有答案、没有理解"，并主张评价一篇论文的价值，应看读者能从中获得什么，而非作者尝试失败的过程。
Jeff Bezos claims AI could dramatically boost productivity, enabling three-day workweeks and making single-income households viable again.
Pope Leo XIV 对智能与记忆进行反思，认为人类心灵必须回忆生活经历及其意义，而非仅仅像算法那样汇编数据。
作者 Diomidis Spinellis 撰文认为 AI 将在性能、成本和可用性上全面超越人类认知工作，思考最终会像狩猎、木工一样变成一种休闲爱好，并讨论如何在这一转变中保持适应力。
1984年苏联学者A. V. Brushlinsky的文章，从辩证逻辑和科技哲学角度论证人工智能不可能实现，认为机器的'分离式'结构与人类思维的连续、有机过程有本质区别。
一份报告称，AI系统已解决了数学领域500个最重要未解难题中的约90个，一位顶尖数学家称这是数学史上最重大的时刻。
The Verge 报道称，OpenAI、Anthropic 等研究实验室在数学领域取得了突破性进展，却因仓促发布成果以及与数学界沟通不当而招致反弹。此前由 OpenAI 成立的独立顾问组同样被指运作混乱，研究者担心随着更多模型成果涌入，学术界将受到冲击。
《名利场》（Vanity Fair）"新贵榜单"（New Establishment）栏目重磅回归，带来两期独家专访，受访者为 Sam Altman，内容涵盖 OpenAI 的发展方向、AI 风险、监管问题、高管离职，以及该公司一再推迟的 IPO。
这是一篇观点文章，探讨了一个假设场景：用不受任何偏见影响的 AI 智能体取代最高法院大法官，以追问 AI 是否能做出不受党派和意识形态影响的、更加公正的司法裁决。
Paul Graham 分享了 DeepMind 研究员 Christian Szegedy 的文章，文中指出那些声称 AI 无法猜想、无法理论化、无法解释的怀疑者已经过时，并将当前的势头比作莱特兄弟的飞机。
旧金山初创公司 Artisan 在旧金山、纽约等城市竖起了颇具争议的"停止雇佣人类"广告牌，推销其用于线索挖掘、冷邮件等外呼任务的 AI 销售代理。
# 「超大杯」AI 智能：从 XL 到 XXL 的模型身材焦虑 ## 引言：谁把我的参数越写越大？ 还记得当年用 5 亿参数的模型跑一个情感分析，就已经觉得「哇，好聪明」。如今你要是拿它出来，大家只会礼貌地问一句：**「这是去年的吗？」** 语言模型的进化速度，比你的手机换代速度还快——只不过，别人家的升级是性能翻倍，我们的是**腰围翻倍**。 ## 一、参数军备竞赛：一场没有终点的赛跑 GPT 系列从 1.7B 到千亿级别，不过用了短短几年。各家实验室的对话大概是这样的： - **研究员 A**：「我们的模型有 70 亿参数。」 - **研究员 B**：「我们的有 700 亿。」 - **研究员 C**：「我们的有……你先别听，我们先说显存够不够。」 参数规模已经成了某种科技圈的腰围——**没人想承认自己比别人小**。于是我们看到一个诡异的现象：明明任务只有 300 词的摘要，却要用上一台足以驱动小型城市的 GPU 集群。 ## 二、「越大越聪明」的神话与真相 是的，模型大了确实更聪明，但这里的「聪明」有几个前提： 1. **数据质量得跟上**——用互联网垃圾喂出来的百亿参数模型，可能只是一个博览众「坑」的博学白痴。 2. **推理成本得算清**——调用一次的电费，可能比你自己动手写完那份报告还贵。 3. **并非线性收益**——从 7B 到 70B 提升明显，从 70B 到 700B……嗯，钱包先哭了。 换句话说，**模型大小和智能水平的关系，更像房价和幸福感的关系**：有帮助，但远没有你以为的那么有帮助。 ## 三、当「Extra Large」成为默认选项 行业现在的默认设定是：**能训多大就训多大**。这背后有真金白银的逻辑——推理服务、论文引用、融资估值，都对「参数量」这个数字格外敏感。 但普通用户关心的是什么？是它能不能： - 用你说人话的方式回答问题； - 在 3 秒内给你结果，而不是让你等到泡面凉了； - 跑在你那台笔记本上，而不是云端的某个数据中心。 于是「大模型」和「好用的模型」之间，出现了一条微妙的裂缝。这条裂缝里，藏着蒸馏、量化、剪枝这些把大象塞进冰箱的艺术。 ## 四、小模型的反击：秀肌肉不如秀性价比 当大家都在比谁的模型「更胖」时，一批精瘦选手开始逆袭： - **7B 级别的模型**，经过高质量数据微调后，可以在特定任务上吊打通用巨型模型； - **MoE（混合专家）架构**，让模型外表臃肿、实际只动用一小部分参数干活——**AI 界的「看起来很壮」**； - **端侧部署**让手机、笔记本也能跑起不错的模型，用户终于不用为一句「今天天气怎么样」排队等待 GPU 了。 事实证明，**智能不是体积的函数，而是数据、架构和训练策略的函数**。 ## 五、展望：我们到底在追求什么？ 这场「越做越大」的竞赛，最终指向的应该是**更聪明的智能**，而不是更占地方的参数。好消息是，行业已经开始出现清醒的声音：评估标准正在从「参数量」转向「能力表现」，从「谁训得最大」转向「谁用得最好」。 也许未来的某一天，我们会对一个模型说：**「你不需要长那么高，把问题回答好就行。」** 而这，可能才是真正意义上的——**Extra Large Intelligence**。 --- *写完这篇稿子，我的笔记本风扇已经开始抗议了。模型的身材焦虑，原来会传染。*
AMD首席执行官Lisa Su表示，人工智能“远未达到其能力巅峰”，这预示着AI算力需求和硬件创新将持续增长。
数学家陶哲轩对现代AI发表看法，认为目前的神经网络系统尽管确实解决了实际问题，但感觉更像是巧妙的技巧而非真正的智能。他指出，在那些帮助我们达成目标的工具中，我们仍未找到那种难以捉摸的"智能的思考方式"。
这是一篇简短的观点分享，表达对Yan关于AI与安全观点的认同，认为他的看法很有意思。
一篇随笔，反思人工智能机器能力的不断增强，并借《青蛙与蟾蜍》这一熟悉的框架，探讨能力迅速提升的系统正在如何演进。