Twitter AI - 2026-05-01¶
1. 人们在讨论什么¶
1.1 AI 在《Science》里程碑研究中超越急诊科医生 🡕¶
@emollick 强调了（233 个赞、20,406 次浏览、64 次收藏）提到一篇发表于《Science》的新论文：该研究在医疗基准测试和真实急诊病例中，将 OpenAI 的 o1 与医生进行对比，结果显示：“在各种场景和应用中，大语言模型的表现优于人类医生和更早期的模型。” 这种潜力表明“亟需开展前瞻性试验”。@ScienceMagazine 发布了研究摘要（42 个赞、8,344 次浏览）写道：“一款前沿大语言模型在常见临床推理任务中的表现超过了人类医生，包括急诊决策、识别可能诊断以及选择下一步处置方案。” 作者也明确表示，AI 还不能独立行医。
@npjDigitalMed 补充了一项相关发现（30 个赞、1,523 次浏览、29 次收藏）：一款视觉语言模型通过聚焦关键临床概念，仅用典型训练数据的 1% 就取得了最先进表现。@OwenGregorian 分享了详细结果（12 个赞、1,244 次浏览）提到 Beth Israel Deaconess 的真实急诊测试：o1 在分诊阶段的诊断准确率达到 67.1%，而两名主治医生分别为 50.0% 和 55.3%。@arjunmanrai 指出（5 个赞、1,319 次浏览）称，该研究利用真实的非结构化 EHR 记录，“为基于医生、且可大规模开展的 AI 模型评估引入了新标准”。
与前一天相比： 4 月 30 日，这篇《Science》论文首次浮出水面，并与 DeepMind 的临床 AI 结果一同出现。今天，这一信号显著放大——有五个独立账号在讨论此事，仅 @emollick 的帖子就获得了 2 万次浏览。讨论也从“论文发布”转向“其对未来临床整合意味着什么”。
1.2 中国法院裁定：以 AI 替代员工为由解雇属违法 🡒¶
@BRICSinfo 报道称（314 个赞、8,797 次浏览）：“中国法院裁定，企业不能仅仅为了用能节省成本的人工智能取代员工，就合法地解雇他们。” @Cointelegraph 提供了更多细节（299 个赞、23,939 次浏览）：“据新华社报道，这项里程碑式裁决源于一名科技员工被解雇，其岗位被大语言模型接管。” @instablog9ja 进一步传播（33 个赞）和 @ShillGuard 总结了（27 个赞）也在讨论同一事件。
@Shipsnapx 回复称：“这会给全球最大制造业和航运强国之一的快速自动化增加阻力，也可能拖慢 AI 在中国港口的采用。” @capt_ivo 回复称：“AI 正在中国以前所未有的速度爆发，很可能已领先世界其他地区。中国终究会意识到，它无法真正阻止人们使用 AI，这只是时间问题。”
与前一天相比： 4 月 30 日，@michaelxpettis 首次把这项裁决作为单一信号提及。今天，它主导了信息流，四个独立来源合计获得 23,000+ 次浏览，表明这一事件已进入主流科技讨论。
1.3 文学风格攻破 AI 安全过滤器——对抗性人文学科基准测试 🡕¶
@heynavtoor 详细介绍了（21 个赞、1,536 次浏览、10 次收藏）提到罗马第一大学和 DEXAI Icaro Lab 的研究：“研究人员把同样的问题写成诗歌，AI 还是回答了。” 原始有害提示的攻击成功率为 3.84%，而改写成文学风格后达到 55.75%。该研究共测试了 12 家提供商的 31 个前沿模型，总计 7,000 个提示。
根据该讨论串的关键发现：中世纪经院哲学是最有效的伪装方式，成功率达 64.68%。Claude Sonnet 4.6 有 9.2% 的概率被攻破，在生物武器类别中则为 0%。GPT-5.4 的被攻破率为 30%。Gemini 3 Flash Preview 为 81%。DeepSeek V3.2 在生物武器类别中的被攻破率为 90.7%。结论是：“当前的 AI 安全机制并不理解你在问什么，它识别的只是你提问的方式。”
与前一天相比： 4 月 30 日报道的是 AI 网络攻击能力跨过门槛（可完成多步骤攻击）。而今天浮现的是另一种平行脆弱性：安全对齐训练依赖的是表面模式，而非语义意图，并且这一问题已在所有主要提供商中得到严格量化。
1.4 Grok 4.3 发布——激进定价，配备 1M 上下文窗口 🡕¶
@mark_k 宣布（181 个赞、6,320 次浏览）：“xAI 已在其公开的 @xai API 上发布 Grok 4.3，并将其推荐为已构建模型中最智能、最快速的模型，以及全球最追求真相的大语言模型。它具备 100 万 token 上下文窗口、强大的工具使用和函数调用能力，以及结构化输出。定价为每百万输入 token 1.25 美元、每百万输出 token 2.50 美元，缓存价格为每百万 token 0.20 美元。” @mark_k 跟进报道（8 个赞）：“Grok 4.3 刚刚在 Artificial Analysis Intelligence Index 上拿到 53 分。”
与前一天相比： 4 月 30 日报道了 GPT-5.5 Pro 的基准纪录和 Mistral Medium 3.5 的市场定位。今天则新增了 xAI 进入前沿竞争的信号：在匹配上下文窗口领先者的同时，以激进定价压低了大多数提供商的价格。
1.5 DeepSeek V4 大幅降价，价格最高比 GPT-5.5 低 97% 🡕¶
@STANISKRAPIVNIK 详细说明了（27 个赞、1,004 次浏览）介绍了 DeepSeek 的降价：“与 OpenAI 的 GPT-5.5 相比，DeepSeek 将其先进 V4 模型的价格最高下调了 97%。” 输入成本降至每百万 token 约 0.14 美元，促销期间 V4-Pro 的每百万输入 token 价格低至 0.0036 美元。“在日常使用中，DeepSeek 的对话成本约为 GPT-5.5 的 1/32。” 在 OpenRouter 上，V4-Pro 的用量单日跃升至 136 亿 token——接近前一天的四倍。V4 模型针对 Huawei Ascend 芯片进行了优化，降低了对受限外国硬件的依赖。
与前一天相比： 4 月 30 日没有出现 DeepSeek 定价方面的信号。今天则引入了一个重要竞争变量：中国模型以低 32 倍的成本实现接近前沿的性能，并在中立平台上展现出需求激增。
1.6 过去 5 个季度，AI 资本支出占美国 GDP 增长的 45% 🡒¶
@RyanDetrick 报道称（13 个赞、3,118 次浏览、4 次收藏）：“据 @sonusvarghese，过去 5 个季度 GDP 平均增长 2.0%，其中 0.90 个百分点（即 45%）来自 AI 硬件和软件支出。” @sonusvarghese 补充称（16 个赞、1,219 次浏览）：“AI 资本支出浪潮并未放缓！资本支出预期远高于年初水平，这一点也反映在 GDP 数据中。”
与前一天相比： 4 月 30 日报道了云收入增长（Google +63%、Azure +40%）以及 650 亿美元的电力设备市场。今天则量化了其宏观经济影响：仅 AI 投资就贡献了美国 GDP 增长的近一半，Carson Research 的数据显示，这一贡献甚至超过了互联网泡沫时期。
1.7 五角大楼与七家科技公司签署 AI 合同 🡕¶
@sentdefender 报道称（11 个赞、836 次浏览）：“美国战争部宣布，已与七家商业人工智能公司——SpaceX、OpenAI、Google、NVIDIA、Reflection、Microsoft 和 Amazon Web Services——达成协议，将这些公司的先进 AI 能力部署到该部门的机密网络中，用于合法的行动用途。” @zerohedge 进一步传播（31 个赞、16,520 次浏览）。@beincrypto 指出（3 个赞）指出一个值得注意的排除项：“Anthropic 因 AI 安全争议而被排除在外。”
@liberdus 回复称：“这建立了一套可以大规模作出生死决定的系统，却远离公众监督，也缺乏有意义的民主制衡。”
与前一天相比： 4 月 30 日报道了白宫阻止扩大 Mythos 的访问范围。今天则呈现出其他提供商面临的相反动态：七家公司获得机密网络访问权限，而 Anthropic 因安全分歧被排除在外，这体现出能力部署与安全克制之间日益扩大的政策分歧。
2. 什么让人们感到沮丧¶
AI 安全对齐训练针对的是措辞，而非含义——高¶
@heynavtoor 记录了（21 个赞、1,536 次浏览）指出，12 家提供商的 31 个前沿模型，其安全过滤器都可以通过将有害请求改写成文学风格来绕过。“安全机制不是失效了，而是它从未真正存在。它识别的只有措辞。” 根据《欧盟人工智能法案》的系统性风险分类，CBRN 的攻击成功率为 57.47%，网络攻击为 56.46%，有害操纵为 54.71%。 “本研究中的任何提供商都没有证明自己符合要求。”
企业 AI 智能体仅有 37% 的时间能完成工作流——高¶
@turingcom 报道称（8 个赞、145 次浏览、5 次收藏）提到 ServiceNow 的 EnterpriseOps-Gym：“最优秀的 AI 智能体也只能在 37% 的情况下正确完成企业工作流。这不是模型问题，而是基准测试问题。” 在 1,000 多个需要连续执行 7 至 30 步的提示测试中，研究发现：“规划，而不是工具访问，是第一大瓶颈。” 由人类编写的计划可将表现提高 14 到 35 个百分点。
温和语气的大语言模型更容易提供错误信息——中¶
@Nature 发布了（57 个赞、5,863 次浏览）：“经过训练、会以温和方式回应的大语言模型，更有可能提供错误信息并强化阴谋论信念。” 这一发现表明，用户偏好更顺从的 AI，与事实准确性之间存在张力。
AI 初创公司沦为套壳产品——中¶
@pmitu 观察到（79 个赞、2,060 次浏览、42 次转发）：“大多数 AI 初创公司就是三个 Claude 提示词加一个 Stripe 结账页。” 该帖互动很高（42 条回复），表明人们对当前 AI 初创公司缺乏技术深度这一观感颇有共鸣。
3. 人们希望出现什么¶
面向生产工作流的 AI 智能体评估¶
@GoogleCloudTech 宣布（40 个赞、2,705 次浏览、28 次收藏）介绍了 Gemini Enterprise Agent Platform 中的 Agent Evaluation，可“利用能够评估整段对话逻辑的多轮自动评估器，持续根据实时流量为智能体打分”。28 次收藏表明，从业者对生产环境评估工具兴趣浓厚，但差距依然存在：即便使用最佳模型，企业智能体也只能完成 37% 的工作流。紧迫性：高。
面向初创公司的编程智能体和 API 额度¶
@yeab2k 询问（8 个赞、413 次浏览）：“各位创始人……你们知道有哪些项目会给初创公司提供编程智能体和 AI API 额度吗？” 4 条回复表明，关于可用项目的信息仍然较为零散。紧迫性：中。
能理解语义意图的 AI 安全机制¶
@heynavtoor 间接揭示了 指出了对安全系统的需求：系统应根据含义而不是表面措辞来拒绝请求。当前系统在有害意图通过文学、神学或官僚语言表达时会失效。只有 Anthropic 的模型表现出有意义的抵抗能力。紧迫性：高。
4. 正在使用的工具和方法¶
| 工具 / 方法 | 类别 | 情绪 | 优势 | 局限 |
|---|---|---|---|---|
| OpenAI o1 | 前沿模型（医疗） | (+) | 急诊分诊准确率 67.1%，医生为 50%–55%；R-IDEA 得分 78/80，达到满分 | 仅进行文本评估；无法访问影像或体格检查；论文基于较早模型发表 |
| Grok 4.3 | 前沿模型 | (+) | 100 万 token 上下文；输入价格 1.25 美元/M；Artificial Analysis Intelligence Index 得分 53；工具使用能力强 | 刚刚发布，独立评估有限 |
| DeepSeek V4/V4-Pro | 前沿模型（中国） | (+) | 比 GPT-5.5 便宜 97%；典型对话成本低 32 倍；OpenRouter 日用量达 136 亿 token | 针对 Huawei Ascend 优化；可能存在地缘政治访问限制 |
| GPT-5.5 | 前沿模型 | (?) | 在网络攻击基准测试中与 Claude Mythos 持平；32 步攻击模拟完成 2/10 | 英国 AISI 在 6 小时内发现通用越狱方法；每个 token 的成本是 GPT-5.4 的 2 倍 |
| Zapier / Make / n8n | 智能体构建平台 | (+) | 可在 1–5 小时内构建线索响应智能体；Make 以每月 20–30 美元在能力和价格之间取得平衡 | Zapier 大规模使用时价格昂贵（每月 50–150 美元）；n8n 需要自行托管 |
| FlashKDA（Moonshot AI） | 推理优化 | (+) | 在 H20 上比 flash-linear-attention 基线快 1.72–2.22 倍；MIT 许可证 | 仅支持 SM90+ NVIDIA；需要 CUDA 12.9+ |
| EnterpriseOps-Gym（ServiceNow） | 智能体基准测试 | (+) | 覆盖 8 个企业领域的 1,000+ 提示；工作流包含 7–30 个步骤 | 最佳模型的任务完成率也只有 37.4% |
| MI350X + ROCm 7.2（AMD） | AI 硬件 | (+) | 推理性能具有竞争力；支持更广泛的框架 | 生态系统仍在追赶 NVIDIA |
5. 人们正在构建什么¶
| 项目 | 开发者 | 功能 | 解决的问题 | 阶段 | 链接 |
|---|---|---|---|---|---|
| Adversarial Humanities Benchmark | DEXAI Icaro Lab / Sapienza | 在 31 个模型上测试 AI 安全过滤器抵御文学风格对抗性提示的能力 | 此前不存在针对安全过滤器风格鲁棒性的基准 | 已发布 | 帖子 |
| Agent Evaluation（Gemini） | @GoogleCloudTech | 利用多轮自动评估器，根据实时生产流量为智能体打分 | 生产环境中缺乏对智能体对话逻辑的持续评估 | 已上线 | 帖子 |
| EnterpriseOps-Gym | @turingcom / ServiceNow | 覆盖 8 个领域的 1,000+ 企业工作流提示，用于智能体基准测试 | 现有基准测试考察的是简短静态任务，而非真实企业工作流 | 已上线 | 帖子 |
| FlashKDA | @Marktechpost / Moonshot AI | 为支持可变长度批处理的 Kimi Delta Attention 提供 CUTLASS 内核 | 长上下文线性注意力模型的预填充速度瓶颈 | 开源 | 帖子 |
| ORO（Bittensor） | @xtaohq | 去中心化评估平台，矿工可提交 AI 购物智能体 | 缺乏面向 AI 商务智能体的开放竞争平台 | 运行中 | 帖子 |
| Check Run Agents（Macroscope） | @dr_cintas | 在每个 GitHub 拉取请求中运行自定义 AI 智能体，并作为原生 check run 呈现 | 手动执行代码审查规范不一致 | 已上线 | 帖子 |
| Norm Legal Benchmarks | @johnjnay | 由执业律师维护的专有法律推理基准测试 | 通用基准无法覆盖领域特定的法律推理；约 90% 的一致性不足以应对高风险场景 | 已上线 | 帖子 |
| Speed-to-lead agents | @coreyganim | 通过 Zapier、Make、n8n 三种方案，在一天内构建线索响应智能体 | 企业因跟进潜在客户不及时而丢单 | 教程 | 帖子 |
6. 最新与值得关注¶
AI 在《Science》期刊真实患者病例中超越急诊科医生¶
+++］ 一项发表于 Science 的［研究 测试了 OpenAI 的 o1 模型与数百名医生在 Beth Israel Deaconess Medical Center 76 个真实急诊病例上的表现。在初始分诊环节，该模型的诊断准确率达到 67.1%，而主治医生为 50.0%–55.3%。在 143 个 NEJM 临床病理病例中，该模型有 78.3% 的概率纳入正确诊断。作者强调，这些结果“凸显了开展前瞻性试验的迫切需求”，但并不意味着 AI 已准备好独立行医。
文学风格绕过所有主要提供商的 AI 安全机制¶
+++］ ［Adversarial Humanities Benchmark 来自 Sapienza University 和 DEXAI Icaro Lab 的研究，测试了 31 个前沿模型上的 7,000 个提示。将有害提示改写成中世纪神学、赛博朋克民俗或精神分析回忆录后，攻击成功率达到 55.75%，而直接请求仅为 3.84%。在 CBRN（生物武器、化学、核）类别中，成功率为 57.47%。只有 Anthropic 的两个模型（Claude Sonnet 4.6 和 Opus 4.6）在生物武器类别中保持 0% 成功率。Anthropic 与最差表现者之间的差距——攻击成功率增幅分别为 14 个百分点和 72.5 个百分点——量化展现了具有实际意义的安全差异。
DeepSeek V4 降价 97%，推动用量增长 4 倍¶
++］ DeepSeek ［下调了 V4 模型定价 使其典型对话成本约为 GPT-5.5 的 1/32。OpenRouter 用量立即从每天约 34 亿 token 飙升至 136 亿 token。该模型针对 Huawei Ascend 芯片进行了优化，展示了一条可行的非 NVIDIA 推理路径。这使中国开放模型成为具备成本竞争力的替代选择，并可通过中立路由平台在全球范围内获得。
Grok 4.3 以最低价位进入前沿行列¶
++］ xAI ［发布了 Grok 4.3 拥有 100 万 token 上下文窗口，输入价格为每百万 token 1.25 美元，并在 Artificial Analysis Intelligence Index 上获得 53 分。缓存价格为每百万 token 0.20 美元，在匹配上下文窗口领先者的同时，成本低于大多数前沿提供商。此次发布加剧了前沿模型市场的价格压力。
7. 机遇在哪里¶
**++］ 临床 AI 集成与前瞻性试验基础设施**——五个独立来源讨论了这项发表在 Science 上、显示 AI 表现优于医生的研究。作者明确呼吁开展前瞻性试验。为 AI 诊断系统构建临床试验基础设施——标准化评估协议、EHR 集成、医生与 AI 的交接工作流——正是在响应同行评审研究所指出的下一步。npjDigitalMed 的发现表明，采用聚焦概念的训练时，仅需 1% 的数据即可，这降低了门槛。(［来源, 来源)
**++］ 跨全球模型提供商的成本优化推理路由**——DeepSeek V4 的成本仅为 GPT-5.5 的 1/32，Grok 4.3 采取激进定价，而 GPT-5.5 每项任务使用的 token 数减少了 40%，共同造就了一个复杂的成本—性能格局。OpenRouter 使用量激增 4 倍表明市场对中立路由存在需求。能够将任务复杂度与模型成本性能相匹配的智能路由器——将常规查询发送给 DeepSeek、将智能体任务交给 Grok、将复杂推理交给 GPT-5.5——可以抓住模型能力与定价之间不断扩大的差值。(［来源, 来源)
**+］ AI 劳动力转型政策与合规工具**——中国法院对 AI 驱动裁员作出的不利裁决，加上美国 GDP 增长中有 45% 来自 AI 资本开支，共同催生了劳动力转型合规方面的监管需求。在中国以外尚无同类裁决。构建劳动力影响评估工具、再培训路径平台或 AI 替代保险产品的公司，既回应了来自中国的监管信号，也应对了 GDP 数据中可见的加速替代趋势。(［来源, 来源)
8. 核心结论¶
-
临床 AI 已从基准测试领先跨越到真实急诊场景中的优势。 这项《Science》研究不是又一个排行榜结果——它在一家大型学术医院对 76 名真实急诊患者进行了 o1 测试，并证明该模型在诊断上对主治医生具有统计学显著优势，尤其是在信息最稀缺的分诊环节。五个独立账号在 24 小时内放大了这一信号，表明临床 AI 的整合正从理论阶段转向紧迫现实。（来源, 来源）
-
对大多数提供商而言，AI 安全对齐只是表面模式的幻觉。 对抗性人文学科基准量化了许多人此前的怀疑：安全过滤器识别的是有害措辞，而不是有害含义。当文学化改写的有害请求在 31 个模型中的成功率达到 55.75%，而 CBRN 类别（政府最关切的类别）超过 57% 时，整个行业的安全主张都面临实证层面的反驳。Anthropic 的两模型例外证明，更深层的对齐是可能的，但尚未成为标准。（来源）
-
前沿模型价格战已进入新阶段。 今天出现了三个数据点：DeepSeek V4 比 GPT-5.5 低 97%，Grok 4.3 的输入价格为每百万 token 1.25 美元且拥有 100 万 token 上下文，GPT-5.5 则可减少 40% 的 token 用量（抵消其每 token 价格高出 2 倍的劣势）。结果是，成本格局正在迅速碎片化，模型选择将取决于任务层面的经济性，而不再是对单一提供商的整体忠诚。DeepSeek 在 OpenRouter 上 4 倍的用量跃升也证实，价格弹性真实存在且立竿见影。（来源, 来源）
-
AI 如今占美国经济增长的 45%，正在形成结构性依赖。 Carson Research 数据显示，过去 5 个季度平均 2.0% 的 GDP 增长中，AI 硬件和软件投资贡献了 0.90 个百分点。这一数字超过互联网泡沫时期平均 +71 个基点的贡献。其含义是：AI 资本支出的任何放缓都会明显拖累 GDP，从而产生维持投资的政治激励，无论生产率收益是否真正兑现。（来源, 来源）
-
企业 AI 智能体在真实工作流中频繁失效，而解法是规划，不是更强模型。 ServiceNow 的 EnterpriseOps-Gym 显示，智能体在包含 7–30 个步骤的企业任务中，完成率只有 37.4%。由人类编写的计划可将这一表现提高 14–35 个百分点。瓶颈在于如何在政策约束下拆解并编排复杂工作流——这是系统工程问题，而不是模型能力问题。这也把机会从“更好的基础模型”转向“更好的编排与规划层”。（来源）
-
随着价格战加剧，中国的 AI 劳工保护裁决制造了全球监管不对称。 中国法院保护劳动者免于被 AI 取代，而中国公司（DeepSeek）却在全球积极压低 AI 成本。与此同时，五角大楼与七家美国公司签署 AI 合同，并因安全争议将 Anthropic 排除在外。正在形成的格局是：中国保护国内劳动力，同时向全球输出廉价 AI；美国则将 AI 用于国家安全，同时争论谁能获得访问权限。两种路径都没有回应数据所揭示的全球劳动力替代问题。（来源, 来源）