让 AI 成为资产，而非支出
AI从试验走向生产后，企业应根据需求稳定性和容量利用率，在按量消费与自有容量之间做出经济决策，让 AI 从支出转为可优化的生产性资产。Deloitte’s 2026 State of AI in the Enterprise显示，worker access to AI在2025年上升5%，至少40%的 AI 项目处于生产阶段的公司比例预计在六个月内翻倍。
#部署/工程
#部署/工程
今日 0 条MIT Technology Review · AIAI 评分3333
Import AIAI 评分6161 Import AI 474：Platonic mindspace、太空 TPU 与智谱启动外部 RSI 循环
Import AI 第474期由 Jack Clark 汇总了多项 AI 进展，包括 Platonic mindspace 论文、机器人通用后训练、Google 将 TPU 送入太空，以及智谱用 GLM-5.3 驱动 Infra Agent 优化基础设施。
Latent Space精选AI 评分7777 TypeSafe AI CEO Diogo Almeida谈Jev的System One模型与RLCD
Latent Space采访TypeSafe AI CEO Diogo Almeida，介绍Jev作为面向软件的可编程System One模型，目标是提升每美元的智能表现。Almeida解释了RLCD与RLHF、RLVR在训练目标上的差异，强调校准、可靠性和可组合性，并说明TypeSafe更重视任务与数据而非公开基准。
推荐理由：这场访谈从模型训练目标、校准可靠性和软件集成三个层面，解释了 Jev 与聊天型模型的设计差异。
Simon WillisonAI 评分4444 MCP 一直都是个坏主意吗？
Simon Willison 反驳了否定 MCP 价值的观点：完整终端 AI 智能体未必需要它，但受控应用仍可受益。MCP 可简化外部服务访问控制、避免智能体直接接触 API 密钥的认证、用户连接服务的界面及审计日志；不能因编程智能体不需要它，就认定它已过时。
Import AIAI 评分4949 Import AI 470：不给机器赋予权利；SPADE 自动生成环境；Hawkeye 构建更优 GPU 内核
Import AI 470 聚焦不给机器赋予权利、SPADE 自动生成训练环境，以及 Hawkeye 改进 GPU 内核。SPADE 通过自博弈协同优化环境生成与智能体能力，在 30B-A3B 规模下，游戏环境评测均分达 58.3，比基础模型高 8.1，比最强固定环境基线高 5.3。
Hugging Face BlogAI 评分3939 GPU 管理：为什么闲置 GPU 是新的“停飞飞机”
企业 AI 的下一项关键约束正从模型智能转向 GPU 利用率，闲置硬件持续产生成本却不带来计算产出。GPU 按日历小时承担融资、折旧、电力和冷却成本，产出则只在计算小时产生。企业自建 GPU 可把随 token 线性增长的 API 费用换成固定资本支出，但按峰值配置的集群仍可能因需求波动浪费容量。
Berkeley AI ResearchAI 评分5252 智能近乎免费之后怎么办？面向、属于并由智能体构建的数据系统
Berkeley AI Research 的一篇观点文章指出，GPT-4-class 能力的推理成本已从 2023 年初约 $30 per million tokens 降至如今低于 $1，数据系统将围绕智能体重构。
Import AIAI 评分6767 Import AI 464：Fable 编写 GPU kernel，AI 自动化与模拟计算
Jack Clark 在 Import AI 464 中梳理了 Fable 编写 GPU kernel、AI 自动化远程劳动和 OSWORLD 2.0 等进展。
Import AIAI 评分5151 Import AI 463：ENPIRE探索机器人自我改进，ARGUS支撑10,000-GPU训练
Import AI 463 汇总了 NVIDIA 的 ENPIRE 机器人策略自我改进框架与 Tencent 的 ARGUS 大规模训练追踪系统。ENPIRE通过环境重置、策略改进、机器人执行和演化四个模块开展闭环实验，报道中称其在部分现实灵巧操作任务上达到99%成功率；ARGUS已部署在超过10,000 GPUs的生产集群上运行六个月以上。
Import AIAI 评分5757 Import AI 456：RSI 与经济增长、AI 监管的激进备选及神经计算机
Import AI 456 汇总并评论了 RSI 可能带来的经济增长、AI 监管的“radical optionality”、神经计算机和 Google 的分布式训练。
Berkeley AI ResearchAI 评分5858 Adaptive Parallel Reasoning：高效推理扩展的新范式
Berkeley AI Research梳理Adaptive Parallel Reasoning（APR）范式，让模型在推理时自主决定是否拆分任务、并行线程数量及串并行控制。文章比较了Multiverse、ThreadWeaver、Parallel-R1等方法在KV cache处理、推理引擎改造和训练奖励上的差异，并讨论准确率、关键路径延迟与并行稳定性等开放问题。