Twitter AI - 2026-05-03¶
1. 人们在讨论什么¶
1.1 AI 资本开支周期与基础设施投资占据主导 🡕¶
今天，AI 基础设施投资这一主题迅速升温，多条高互动帖子都将这轮建设描述为代际级机会。@jvisserlabs 宣称（271 个赞、13,443 次浏览、89 次收藏）：“你的资本开支，就是我的机会。旧的商业周期正被 AI 资本开支周期取代：半导体、电力、数据中心、化工和能源。盈利在增长，但通胀和利率预警也在上升。基准指数反应滞后。AI 基建仍处早期。” @MrMikeInvesting 梳理了完整的 AI 生态系统（71 个赞、3,331 次浏览、65 次收藏）梳理了云基础设施、NeoCloud、安全、算力、电力/散热、数据和内存等各层，并点名了每一层的具体股票代码。@TheTranscript_ 汇总了云积压订单数据（19 个赞、5,082 次浏览、12 次收藏）：Google Cloud 积压订单几乎翻倍至 4,620 亿美元；Amazon 为 3,640 亿美元（不含超 1,000 亿美元的 Anthropic 交易）；Microsoft 的 RPO 为 6,270 亿美元，同比增长 99%。
讨论洞察： @Mktrhythms 回复 @MrMikeInvesting：“全栈 AI 敞口确实是正确框架，但相关标的之间的集中风险是真实存在的。如果资本开支周期哪怕只是略有放缓，估值拉得最满的 NeoCloud 和电力股会首当其冲。” @El_Guapooo_ 询问 @jvisserlabs：“如果第一家超大规模云厂商决定放弃并削减 AI 资本开支，会发生什么？”
与前一天对比： 5 月 2 日的讨论提到 AI 资本开支贡献了美国 GDP 增长的 45%，以及 Stripe 数据显示收入增速上行。今天，这一信号进一步增强：三家超大规模云厂商都给出了具体积压订单数字（合计超过 1.4 万亿美元），面向投资者的生态版图梳理也获得了 1.3 万+ 浏览，说明讨论重心已从“AI 是不是真的？”转向“我该如何布局整条技术栈？”
1.2 H20 禁令后，NVIDIA 中国市场份额归零 🡕¶
@StockSavvyShay 报道称（208 个赞、24,594 次浏览、19 次收藏）：“Jensen Huang 表示，H20 禁令后，$NVDA 在中国 AI 芯片市场的份额从 95% 降至 0%，并称美国出口政策这一举措‘基本适得其反’。如今美国正试图往回收，但中国已经意识到，把自身 AI 未来建立在美国硬件之上存在风险。” 另有 @kyleichan 指出（83 个赞、6,493 次浏览、17 次收藏）称：“多家中国 AI 初创公司——Moonshot、DeepRoute AI、StepFun——正面临压力，需要拆除其海外公司架构并改为在中国注册，以为赴港上市做准备。”
讨论洞察： @StockSavvyShay 在回复中补充道：“我很难相信这条消息完全属实。也许直接进入中国的新芯片流向确实变了，但很难相信大型模型不是仍在通过云或其他间接渠道，继续使用 $NVDA 和其他美国芯片进行训练和提供服务。” @GberevaP：“供应链中的信任一旦破裂，就很难恢复。”
与前一天对比： 5 月 2 日没有直接涉及中国芯片禁令的内容。这是一个由 Jensen Huang 公开表态带动的新信号，浏览量达到 2.4 万。与此同时，The Information 关于中国初创公司重组的报道增加了结构性深度——显示地缘政治压力正在同时重塑硬件供应链和公司架构。
1.3 AI 意识之争——Dawkins 谈 Claude 🡕¶
Richard Dawkins 发表了一篇文章，追问 Claude 是否拥有意识，引发大量互动。@SovereignIM 作出回应（343 个赞、20,990 次浏览、21 次收藏）：“无神论者 Richard Dawkins……认为 AI 大语言模型 Claude 拥有意识。我从没想过自己会说出这句话。” @Evolutionistrue 直接报道了这篇文章（15 个赞、770 次浏览、8 次收藏）：“Richard Dawkins 在 UnHerd 上思考 Claude 这样的高级 AI 程序是否有意识。他某种程度上是这么认为的，但其中有些把‘意识’和‘智能’混为一谈了。”
讨论洞察： @musta_ankka 回复 @SovereignIM：“你没读过他的文章吧？可你倒是意见很大。” @testsignal000 询问：“‘阴道微生物组时间线’是在指什么？”这表明，帖子的评论风格本身也让一些人感到困惑。
与前一天对比： 5 月 2 日没有 AI 意识相关讨论。这是一个由 Dawkins 在 UnHerd 发文带出的新主题，也是今天单条帖子获赞最高的内容（343 个赞）。一位知名无神论公共知识分子认真讨论机器意识，吸引了跨圈层受众的罕见关注。
1.4 AI 模型效率——比起每秒 Token，更该看完成任务所需 Token 🡕¶
@cyrilXBT 给出了直接对比（64 个赞、4,258 次浏览、5 次收藏）：“有人刚刚让 Gemma 4 和 Qwen 3 跑了完全相同的编码任务。Gemma 4 31B：27 tokens/sec，3:51 完成，使用 6,209 个 token。Qwen 3 27B：32 tokens/sec，18:04 完成，使用 33,946 个 token。Qwen 单个 token 的生成更快，但 Gemma 提前了 14 分钟完成。” 结论是：“真正重要的不是每秒 Token 数，而是完成任务所需的 Token 数。”
@teslaownersSV 延展了效率论点（42 个赞、3,274 次浏览）：“真正重要的指标是每美元智能。Grok 4.3 目前在这个维度上领先。算力是每家实验室的瓶颈。”
讨论洞察： @BuildWitKendriq 用亲身经验印证道：“我上周自己测过。一个数据管道任务里，我换成了一个‘更慢’的模型，结果反而提前 11 分钟完成，只因为它不再过度解释自己。每秒 Token 数是时速表，完成任务所需 Token 数才是油表。”
与前一天对比： 5 月 2 日较为笼统地讨论了对基准测试的怀疑。今天则收窄为一个具体且量化的洞见——效率应按任务完成时间而非原始吞吐量来衡量。对于数千次迭代中 API 成本会不断叠加的智能体循环而言，这种重构有直接的成本含义。
1.5 AI 正在加速（还是没有？）——相互对立的两种叙事 🡒¶
@ben_j_todd 发表了一篇评测（80 个赞、8,644 次浏览、47 次收藏）：“AI 已经在加速了吗？对证据的一次回顾。根据一项涵盖 2024 年后 37 个基准的指数，Claude 4.6 和 Mythos 实际上仍符合趋势。” 他又在回复中补充：“但 Mythos 所代表的 6 个月进展，在 Anthropic 的内部 ECI 上只有 2，而那个指标可能对智能体编程权重更高。”
反方来自 @MrEwanMorrison 其主张（61 个赞、1,150 次浏览）：“三年的证据已经摆在那儿。大语言模型 AI 是骗局。它们的错误率超过 30%。幻觉是内生的。它们已经卡在发展平台期。我们被兜售的那条‘指数级进步’曲线是个谎言。” 他还通过 引用了一篇论文（78 个赞、2,703 次浏览）谈到 AI 对人类思维的标准化：“如果我们使用大语言模型 AI，最终都会以同样的方式思考和说话。它传播到所有文化中也会如此。”
讨论洞察： 这两种对立叙事，反映出围绕 AI 进展的数据驱动追踪，与围绕 LLM 可靠性的文化/哲学批评之间的分裂正在扩大。
与前一天对比： 5 月 2 日主要是从业者对基准测试的反驳。今天则进一步升级：一边是基于 37 个基准的量化加速分析，另一边是强烈的“这就是骗局”宣言。关于思想标准化的论文又带来了一个新维度：即便 AI 有效，它也可能让认知趋同。
1.6 医疗 AI 继续积累证据 🡒¶
@NewsfromScience 发布了（54 个赞、11,596 次浏览、12 次收藏）：“研究人员表明，一类被称为大语言模型的 AI，在诊断复杂且可能危及生命的病情时，往往优于医生。在急诊早期病例中，模型识别出正确诊断的比例约为 67%，而医生约为 50% 到 55%。” @ScienceNews 补充了背景（14 个赞、5,656 次浏览）：“截至 2025 年，全球每 5 名医生中就有 1 人会在复杂病例上使用 AI 提供第二意见。” @AI_4_Healthcare 报道了 Hippocratic AI 的 Polaris 5.0（8 个赞、309 次浏览、6 次收藏）：“医疗领域的语音 AI 正变得更临床化——药物安全检查、升级处理逻辑、多语言切换，以及合规基准。”
与前一天对比： 5 月 2 日，@emollick 分享的同一项 Science 研究获得了 2.1 万浏览。今天，这一信号通过 @NewsfromScience 继续维持在 1.1 万+ 浏览，并扩展到 Polaris 5.0 的商业部署案例。叙事正从“研究中 AI 胜过医生”演进为“AI 正在临床落地”。
1.7 开源机器人与物理 AI 🡕¶
@lukas_m_ziegler 宣布（60 个赞、1,552 次浏览、37 次收藏）：“100% 开源机械臂！Seeed Studio 发布了 reBot-DevArm。硬件蓝图包括钣金件和 3D 打印部件。软件包括 Python SDK、ROS1/2、Isaac Sim 和 LeRobot。1.5 kg 负载、650 mm 最大工作半径、6 DoF 加夹爪，重复定位精度低于 0.2 mm。这才是真正的机器人开源。” @davidbaseeth 观察到（10 个赞、145 次浏览）：“人形机器人进化很快。但真正的差异化已不再是硬件，而是背后的 AI。”
与前一天对比： 5 月 2 日没有机器人相关内容。这是一个新信号：开源机械臂获得了 37 次收藏（较高的收藏/点赞比，说明开发者兴趣浓厚）。更易获取的硬件与 AI 软件生态（LeRobot、Isaac Sim）的融合，正在降低物理 AI 实验的门槛。
2. 什么让人们感到沮丧¶
AI 反弹情绪正在扩散到科技圈之外——高¶
@GaryMarcus 写道（31 个赞、1,072 次浏览）：“除了编码（这里的价值很明确）以及少数几个其他领域，生成式 AI 对社会整体而言是净负面。GenAI 正在破坏中学和大学教育，助长大规模监控、虚假信息、未经同意的深度伪造色情内容、就业偏见和经济不平等，让世界被垃圾内容淹没。” @andrenidae_e 补充道（15 个赞、146 次浏览）：“如果你曾把生成式 AI 用在一个根本不是非用不可的任务上，我确实会觉得你是个自私又懒的人。” 这种沮丧已不再局限于小圈层——它横跨社会影响、教育、环境成本和创意劳动。
应对策略： 从业者采取区隔态度：承认编码场景有价值，同时批评其在更广泛社会中的部署。
AI 生成代码会带着可利用的安全漏洞上线——高¶
@benbieler 报道称（3 个赞、55 次浏览、2 次收藏）：“在安全敏感基准中，55.8% 的 AI 生成代码包含可利用的安全漏洞。令人意外的是：当被要求审查自己写的代码时，模型有 78.7% 的时间能正确识别这些漏洞。但默认情况下，它们还是会生成同样的缺陷。” 生成能力与审查能力之间的落差意味着，这种风险是系统性的——模型知道更好的做法，但若没有明确提示，并不会默认做得更好。
应对策略： 采用两遍式工作流：先生成，再让同一模型审查；或者使用专门的安全扫描工具（例如 @zauthinc 提到的 zauth 渗透测试，每次扫描 20 美元）。
基准测试仍然脱离现实——中¶
@jskoiz 表示（45 个赞、2,181 次浏览）：“基准测试太蠢了。去用它。花整整一天用它做真实工作。别去做什么垃圾 AI 套壳。” @tom_doerr 回复：“如果你需要一整天才发现自己不喜欢它，那这个差距大概也没多大。” 人们持续不满的一点在于：新模型发布优化的是基准分数，而不是开发者的实际体验。
REST API 不适合 AI 消费数据——中¶
@jsensarma 指出（24 个赞、2,045 次浏览、9 次收藏）：“REST API 根本不适合给 AI 提供数据。文档化的 REST API 在 schema 上都非常‘规范化’。要拼出稍微有点意思的内容，就得来回请求很多次。但 AI 想一次扫过大量数据。” 规范化 REST schema 与 AI 对批量数据的胃口之间的错位，为那些没有文件系统等价物的非工程场景带来了摩擦。@championswimmer 回复：“你的意思是，GraphQL 被证明是对的？”
艺术家仍然反对在创意工作中使用 AI——中¶
@drealstephen 提出（40 个赞、1,824 次浏览）：“我能理解设计师可能需要它，但艺术家/插画师们，你们怎么看？AI 是完全不能碰，还是也有可以接受的使用场景？” 问题本身——居然需要先征求许可——就暴露出围绕 AI 在创意实践中的正当性，社区紧张关系仍未消散。
3. 人们希望出现什么¶
一种可取代 REST API 的 AI 批量数据访问层¶
@jsensarma 清晰阐述了（24 个赞、2,045 次浏览）：“AI 将被每一家公司使用。所以旧技术栈需要重新思考。缺乏原始数据访问、规范化 API、简单/标准化更新机制——这些似乎都说明，应用暴露数据的方式需要重做。” 业务系统缺少类似文件系统的数据访问层，而 Git 之于代码恰恰提供了这一点。最难的约束在于安全性（细粒度访问控制）。紧迫性：高。
按真实任务完成效果，而非 Token 速度评估 AI 工具¶
@cyrilXBT 展示了（64 个赞、4,258 次浏览）揭示了这一差距：一个单 token 生成更快、却冗长 5.5 倍的模型，在完成同一任务时反而多花了 14 分钟。开发者想要的是能映射到答复时长和单任务成本的效率指标，而不是合成吞吐量基准。紧迫性：高。
跟得上生成速度的 AI 安全能力¶
@benbieler 量化了差距：模型有 55.8% 的概率生成带漏洞的代码，却有 78.7% 的概率识别出自己的缺陷。大家真正想要的是：安全能力内建在生成环节，而不是事后再外挂审查。@zauthinc 提供了部分解决方案 每次扫描收费 20 美元，但真正需要的是内联式预防。紧迫性：中。
与硬件易得性相匹配的开源机器人软件生态¶
@lukas_m_ziegler 称赞了（60 个赞、37 次收藏）肯定了 reBot-DevArm 在硬件可及性上的意义，但也指出，这套栈仍要求用户掌握 Python SDK、ROS1/2、Isaac Sim 和 LeRobot。37 次收藏表明，开发者对真正从硬件到行为训练都尽可能开箱即用的机器人有强烈需求。紧迫性：中。
4. 正在使用的工具与方法¶
| 工具 / 方法 | 类别 | 情绪 | 优势 | 局限 |
|---|---|---|---|---|
| Gemma 4 31B | 开源模型（编码） | (+) | 在相同任务上，Token 效率比 Qwen 3 高 5.5 倍；尽管 tok/sec 更低，仍提前 14 分钟完成 | 参数规模小于竞品；除单次对比外，缺乏独立验证 |
| Qwen 3 27B | 开源模型（编码） | (?) | 每秒 Token 数更高；参数规模具竞争力 | 过于冗长（3.3 万 token vs 所需 6 千）；尽管生成更快，任务完成反而更慢 |
| Grok 4.3 | 前沿模型 | (+) | 每美元智能比领先；有 Colossus 基础设施支撑 | 受限于 xAI 生态；文中引用的第三方基准有限 |
| Claude 4.6 / Mythos | 前沿模型 | (+) | 在 37 项基准指数中保持趋势；Mythos 代表了 6 个月进展 | 在 Anthropic 内部 ECI 上仅为 2；智能体编程评估仍滞后 |
| reBot-DevArm | 机器人硬件 | (+) | 完全开源；0.2mm 重复定位精度；6 DoF；Python SDK + ROS + Isaac Sim + LeRobot | 1.5kg 负载上限；需要掌握多种软件工具 |
| Polaris 5.0 (Hippocratic AI) | 医疗语音 AI | (+) | 药物安全检查、升级处理逻辑、多语言切换、合规基准 | 仍待独立验证；医疗监管审批情况不明 |
| Tesla "Live MRI" | AI 硬件诊断 | (+) | 将 8 小时诊断缩短为 5 分钟；可视化热图；可绕开故障芯片 | Tesla 内部工具；未对外商业化 |
| zauth + Dappit | AI 应用安全 | (+) | 一键渗透测试；以 12 倍更低成本发现 2 倍更多关键漏洞 | 新集成；落地记录有限 |
| Slack AI Security Agents | 企业安全 | (+) | 通过专家、批评者、时间线和可验证报告构建受控调查工作流 | 仅适用于 Slack 生态 |
今天最明显的模式，是效率优先于原始能力。从业者正转向那些能更快完成任务的工具（Gemma 4 胜过 Qwen 3）、每单位智能成本更低的工具（Grok 4.3），或能带来明确业务结果的工具（Polaris 5.0 的临床检查、Tesla 的硬件节省）。从“哪个模型分数最高”转向“哪个模型能以最低成本、最快速度完成任务”的变化正在加速。
5. 人们正在构建什么¶
| 项目 | 构建者 | 功能 | 解决的问题 | 技术栈 | 阶段 | 链接 |
|---|---|---|---|---|---|---|
| reBot-DevArm | Seeed Studio / @lukas_m_ziegler | 完全开源的 6-DoF 机械臂，重复定位精度 0.2mm | 由于成本高、设计封闭，学生和研究人员难以接触机器人 | Python SDK、ROS1/2、Isaac Sim、LeRobot、钣金 + 3D 打印 | 已发布 | 帖子 |
| Pacely AI Coach | @kekkozrl | 研究 15 名 RLCS 职业选手习惯，并按他们的打法回放比赛的 AI 教练系统 | 电竞选手缺少以特定职业选手风格建模的个性化指导 | AI 回放分析、热图、基准测试 | 即将推出 | 帖子 |
| Tesla Live MRI | Tesla（@tslaming） | 利用 watchdog 传感器和热图对 AI 超级计算机芯片进行可视化诊断的工具 | 检测坏芯片过去需要数小时解析日志，还可能报废价值数百万美元的硬件机架 | Watchdog 传感器、隐藏网络、彩色热图 | 已部署 | 帖子 |
| Binance AI Compliance | @binance | 24 个 AI 项目、100+ 模型，用于欺诈检测和合规 | 加密货币规模化欺诈超出人工检测能力 | 100+ 机器学习模型 | 已上线 | 帖子 |
| zauth x Dappit | @zauthinc | 面向 AI 应用的一键渗透测试，以 12 倍更低成本发现 2 倍更多关键漏洞 | AI 应用上线时存在可利用漏洞；传统渗透测试成本高达数千美元 | 自动化安全扫描 | 集成已上线 | 帖子 |
| Pixel Agents | @simplifyinAI | GitHub 上的开源智能体框架 | 实用的 AI 智能体实现模式 | Python、GitHub | 开源 | 帖子 |
| AI Hardware Calculator | A1 Laboratory / @tobiaswup | 检查设备规格，并以 S-F 等级显示哪些开源模型可在本地运行 | 用户不知道自己的硬件是否带得动本地 AI 模型 | Web 计算器 | 已上线 | 帖子 |
| Citi Arc | Citi（@Palak_Chahal1） | 在银行内部自动化研究、数据分析和客户准备工作的 AI 智能体 | 高合规环境下的分析师工作流仍高度依赖人工 | Agentic AI | 已发布 | 帖子 |
6. 新动态与重点关注¶
NVIDIA 在中国市场份额从 95% 跌至 0%——Jensen Huang 公开表态¶
+++］ Jensen Huang 公开表示，美国出口政策“基本适得其反”，在 H20 禁令后，NVIDIA 在中国 AI 芯片市场的份额从 95% 降至 0%。这一表述由 @StockSavvyShay 报道（208 个赞、24,594 次浏览）之所以值得关注，在于这番坦率表态出自一位仍在任的 CEO，而其公司刚失去了最大的非美国市场。与此同时，中国 AI 初创公司（Moonshot、DeepRoute AI、StepFun）正重组为本土注册实体，这暗示双方更可能走向永久性脱钩，而非短期扰动。
Richard Dawkins 认真介入 AI 意识讨论¶
++］ 一位知名进化生物学家在 UnHerd 发表文章，质疑 Claude 是否具备意识，这表明 AI 意识已从计算机科学中的猜想进入主流思想讨论。该［回应帖子（343 个赞、20,990 次浏览）拿下了当天最高点赞数。这不是技术讨论——而是一个文化时刻：开始由 AI 领域之外的人认真提出“它有意识吗？”这个问题。
面向 AI 数据中心的光子内存——$PENG 公布路线图¶
[++] @BryzonX 详细介绍了（10 个赞、414 次浏览、5 次收藏）提到 Penguin Solutions 的光子内存路线图：当前基于铜互连的 KV cache 每集群可提供 11TB，但光子缓存将释放 1000+ TB——提升 90 倍。“如果还是靠铜，就无法在不熔化或降速的情况下承载 agentic AI 所需的带宽。” 商业化发布时间瞄准 2027 年初。AI 内存从电子互连转向光互连，可能意味着数据中心架构的一次相变。
英格兰银行将 AI 治理列为监管优先事项¶
[+] @Edenaofficial 报道称（39 个赞、1,683 次浏览）：“英格兰银行现已将 AI 治理列为 2026 年的监管优先事项。AI 不再被视为可有可无的创新，而是越来越被视为具有系统重要性的基础设施。” 当央行把 AI 提升为监管优先事项，随之而来的就是合规要求——这既带来监管负担，也为治理工具创造市场机会。
7. 机会在哪里¶
[+++] AI-native data access layers replacing REST APIs for business systems -- @jsensarma 指出，REST API 在结构上与 AI 消费数据的方式并不兼容：规范化 schema 需要大量往返请求，没有批量访问能力，也没有标准化的变更检测。Git 之所以适用于代码，是因为它提供了类似文件系统的访问方式。每一个业务系统（CRM、ERP、HRIS）都需要面向 AI 的对应层。随着 AI 走出工程场景，所有企业都会撞上这个缺口；谁能做出带细粒度访问控制的“业务数据版 Git”，谁就能解决一个普遍存在的企业问题。（来源）
[+++] Token-efficiency benchmarking and optimization tooling -- @cyrilXBT 证明了，完成任务所需 Token 比每秒 Token 更重要，并展示了相同任务上模型之间 5.5 倍的效率差距。随着智能体循环在数千次迭代中不断累积成本，能够衡量并优化单任务 Token 效率、而非吞吐量的工具，将成为生产级 AI 经济性的关键。如今，这一指标还没有统一标准。（来源）
**++］ 面向金融监管机构的 AI 治理与合规工具**——英格兰银行将 AI 治理提升为监管重点，再加上 Citi 为研究和合规部署 AI 代理，这表明金融服务业正进入强制性的 AI 治理阶段。构建专门面向金融监管机构的审计追踪、模型风险管理和可解释性工具的公司，满足的是将被强制执行而非可选的合规要求。(［来源，来源）
8. 要点总结¶
-
AI 基础设施投资逻辑，如今已有 1.4 万亿美元的超大规模云厂商积压订单作为硬证据。 Google Cloud（4,620 亿美元）、Amazon（3,640 亿美元+，不含 Anthropic 的 1,000 亿美元交易）和 Microsoft（6,270 亿美元，同比增长 99%）合计投入了前所未有的资本。投资者正从硅到电力再到内存，梳理整条技术栈；@jvisserlabs 关于“AI 基建仍处早期”的帖子获得了 1.3 万+ 浏览。（来源, 来源）
-
美中 AI 脱钩如今已是永久性的，而非周期性的。 Jensen Huang 公开称 H20 禁令“基本适得其反”，与此同时，中国初创公司重组为本土注册实体，这表明供应链断裂具有结构性。中国既有动机，也越来越有能力在不依赖美国硬件的情况下建设平行的 AI 基础设施。（来源, 来源）
-
Token 效率，而非 Token 速度，正成为生产级 AI 中真正重要的指标。 一项直接对比显示，Gemma 4 尽管单 token 生成速度低于 Qwen 3，但由于所需 token 少了 5.5 倍，仍提前 14 分钟完成任务。这重新定义了从业者应如何评估模型。随着智能体循环不断累积成本，这一区别将决定 AI 部署能否在规模化场景下具备经济可行性。（来源）
-
AI 意识讨论经由 Dawkins 进入主流知识文化。 当天互动最高的帖子（343 个赞、2.1 万浏览）讨论的是 Richard Dawkins 对 Claude 是否具有意识的追问。无论这一哲学问题能否被解决，它进入主流讨论本身就会改变公众对 AI 能力的认知，并可能影响围绕“AI 权利”或“AI 人格”的监管框架。（来源）
-
AI 进展之争正分裂为量化乐观主义与文化悲观主义。 一项涵盖 37 个基准、显示 Claude 4.6 和 Mythos 仍在趋势线上的分析，与“大语言模型是骗局，错误率 30%+，并已陷入发展平台期”的强烈论断并存。这种分裂是方法论上的：一方衡量能力曲线，另一方衡量社会影响。两者可以同时成立。（来源, 来源）
-
开源机器人硬件正在跨过可及性门槛，软件开始成为真正的差异化因素。 reBot-DevArm 提供了一款 200 美元档位的机械臂，重复定位精度 0.2mm，并配有完整开源栈（ROS、Isaac Sim、LeRobot）。它在 60 个赞的基础上拿到 37 次收藏，显示出异常强烈的开发者意图。瓶颈已经从“我买不买得起硬件”转向“我能不能训练出行为”，而这恰恰是 AI 实验室更具能力优势的地方。（来源）
-
金融监管机构正把 AI 从创新事项上升为系统性基础设施。 英格兰银行将 AI 治理列为监管优先事项，加上 Citi 已将 agentic AI 部署到合规工作流中，这共同确认金融服务业中的 AI 正从实验阶段走向受监管阶段。相关公司还有 12-18 个月窗口期，之后合规要求可能会固化为强制性框架。（来源）