跳到正文

全部动态

今日 28 条
9月21日周一
  2. NVIDIA Blog45

    AI 安全是工程问题：如何在智能体栈的每一层解决它

    AI 安全应被作为工程问题治理：组织需在智能体栈各层设置可执行的安全边界、明确责任人，并用测试和受保护记录证明防护有效。NVIDIA OpenShell 是开源安全运行时，可在智能体之外执行策略并提供沙箱；Cisco DefenseClaw 和 JFrog 正围绕它构建治理、技能扫描与策略控制。部署前后应持续测试越权取凭证、外传敏感数据和篡改权限等风险，并将失败转化为可重复验证的修复测试。

  4. MIT Technology Review · AI77

    MIT Technology Review调查美国边境“虚拟墙”并提出四项改进建议

    MIT Technology Review调查发现，美国边境“虚拟墙”监控塔附近有人员未被探测或及时发现并死亡，现有数据不足以完整评估系统效果。调查分析了近600座监控塔，估计已有超过1,050人死于其附近，而政府称目前运行约800座。文章建议美国海关与边境保护局审计相关死亡、改进死亡数据追踪、记录监控技术促成的抓捕，并调查可能属于监控失效的死亡案件。

    推荐理由：文章以对近600座边境监控塔及相关死亡记录的调查为基础，梳理数据追踪、设备审计和死亡复盘中的缺口，并提出四项改进方向。

  5. MIT Technology Review · AI73

    MIT Technology Review 如何制作美国边境“虚拟墙”附近死亡的全面地图

    MIT Technology Review历时15个月调查美国—墨西哥边境监控塔附近的死亡事件，制作了首份全面地图和分析，研究覆盖近4,000起案件。团队整合政府记录和非营利组织数据，核对监控塔位置、类型、安装时间及与遗体的距离，并用地形分析估计视线是否受阻。报道指出，数据无法判断监控塔是否在线，也无法确认边境执法部门是否看到了具体人员。

  9. Simon Willison44

    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。

9月19日周六
9月18日周五
  2. Google Research65

    Google Research 探索用生成式 UI 让教师创建互动学习内容

    Google Research 分享一项研究实验，利用为教育优化的生成式 UI，让教师按课程目标动态创建定制的互动学习模拟。研究团队同时发布了30多个英文 STEM 学习互动内容，覆盖物理、化学、生物和数学，并由教师审核。对12名美国教师的初步研究中，互动内容质量平均评分为8分（满分10分），Google 还将通过试点项目继续收集学校反馈。

    推荐理由：文章将生成式 UI、分级挑战和分层指导纳入教师主导的流程，并结合教师审核与试点数据，呈现定制化 STEM 练习的实现路径。

9月17日周四
  2. GitHub Blog · AI & ML82

    GitHub Copilot 使用 Copilot 将运行时迁移至 Rust

    GitHub Copilot 团队使用 GitHub Copilot app 和 Copilot CLI，将 Copilot agent runtime 从 TypeScript 重写为超过 800,000 行生产 Rust，主要代码由 AI agents 编写，历经 128 个 pull requests，并在数月内由一名开发者主导完成。

    推荐理由：文章以 GitHub Copilot runtime 的 Rust 重写为案例，梳理渐进式迁移、跨语言互操作和人机协作中的具体做法。

9月16日周三
  1. NVIDIA Blog67

    NVIDIA Vera Rubin NVL72 首次亮相 MLPerf Inference v6.1，吞吐量最高达 GB300 NVL72 的 3.7x

    NVIDIA Vera Rubin NVL72 在 MLPerf Inference v6.1 中首次提交预览结果，在 Qwen3-VL 上的吞吐量最高达到 GB300 NVL72 的 3.7x，在 DeepSeek-R1 上最高达到 2.5x。

    推荐理由：文章将 Vera Rubin NVL72 的模型吞吐、GB300 NVL72 的跨机架扩展效率与软件优化增益放在同一组 MLPerf 结果中，便于比较推理基础设施的长期经济性。

  2. NVIDIA Blog61

    Emerald AI、Google 与 NVIDIA 发起 AI Energy Management Alliance

    Emerald AI、Google 与 NVIDIA 宣布成立 AI Energy Management Alliance（AEMA），推动能够根据电网状况动态调整用电的数据中心。联盟将围绕响应速度、持续时间、可预测性和应急行为制定技术要求、性能指标与数据共享规范，并探索更快的 AI 基础设施并网路径。

    推荐理由：联盟把 AI 数据中心的电力灵活性转化为可衡量的接入要求，为开发者与电网运营方协作提供共同框架。

  3. Mistral AI61

    Mistral 与 Mozilla 合作，为 Firefox Smart Window 提供 AI 模型

    Mistral 宣布与 Mozilla 合作，为 Firefox Smart Window 提供模型支持，帮助用户处理复杂搜索、找回浏览内容并根据浏览器标签整理信息。该功能目前面向法国和北美用户，英国和德国预计 later this year 推出；对话默认不保存在 Mozilla 服务器，Mistral 同意 zero data retention。

    推荐理由：文章交代了 Firefox Smart Window 的模型来源、覆盖地区与隐私安排，也呈现了浏览器 AI 在开放分发和用户控制上的合作思路。

  6. Google Research58

    Retrieve-for-Train 用离线强化学习加速复杂 AI 搜索

    Google Research 在 ICML 2026 论文中提出 Retrieve-for-Train，用离线强化学习生成与集合属性对齐的查询分解监督，再训练 53.9M-parameter 扩散检索器，在单次非自回归过程中生成完整目标集合。该方法在时延上相较自回归方法实现 12 to 20 speedup，并在大上下文批处理中将近 50 秒的自回归扇出延迟降至亚秒级到数秒。

  8. NVIDIA Blog66

    NVIDIA 如何用 DSX 提升 AI 工厂每兆瓦产出

    NVIDIA介绍 DSX AI 工厂平台，通过动态功耗分配、工作负载调度和电网响应，在固定电力预算下提高 token 吞吐。Lambda 在 HGX B200 五机架、19 节点集群上实现了 24% 的集群 token 吞吐提升和 23% 的每瓦性能提升。

    推荐理由：文章将 DSX 的功耗调度、需求响应和 800V DC 架构放在同一套 AI 工厂框架中，并给出 Lambda 的吞吐与性能功耗数据。

9月12日周六
  1. GitHub Blog · AI & ML74

    GitHub 如何用 GitHub Copilot 将活动运营代码化

    GitHub 日本和韩国市场的营销负责人使用 GitHub Copilot，将活动策划、报名筛选和会后跟进串成由 GitHub Issue 触发的自动化流程。GitHub Actions 负责创建落地页、生成 UTM 链接、处理名单和更新项目看板，GitHub Copilot skills 则以 SKILL.md 描述灵活的会后步骤。

    推荐理由：文章给出一套从 Issue 表单、标签和 Actions 到 SKILL.md 的营销自动化实践，展示如何在保留人工审批的同时减少跨工具重复操作。

9月11日周五
  1. Google Research60

    Google Research 提出 ToolGrad：用文本“梯度”高效生成工具调用数据集

    Google Research 在 ACL 2026 介绍 ToolGrad，通过先生成经验证的工具调用链，再标注对应用户查询，迭代构建更复杂的工具调用数据。基于 ToolBench 的 16k+ APIs，ToolGrad 以更低成本和更高通过率生成数据；使用 ToolGrad-500 微调的 Gemma-3-12B 在 BFCL 上取得 83.1 分。

    推荐理由：文章清楚拆解了从工具链生成、执行筛选到查询更新的流程，并用 BFCL 结果展示该方案的训练效果与成本取舍。

  2. GitHub Blog · AI & ML71

    GitHub Copilot 初学者指南：使用 diff、terminal 和 browser

    GitHub Copilot app 将 diff、terminal 和 browser 作为内置面板，让用户在同一处审查 Agent 的代码变更、运行项目命令并预览网站效果。用户可以通过 Pick & Polish 工具选择界面元素并让 Agent 调整，确认功能可用后直接接受变更并创建 pull request。

    推荐理由：文章把审查代码变更、运行命令和浏览器预览串成一套流程，帮助读者在接受 Agent 生成的代码前完成验证。

9月10日周四
  2. Hugging Face Blog75

    Hugging Face Jobs 上用 LoRA 实现无需 NCCL 的 Async GRPO

    Hugging Face 展示了在 Hugging Face Jobs 上运行 Async GRPO 的方案，用 LoRA adapter、Storage Bucket 和代理连接分离的训练 Job 与 vLLM Job，无需 NCCL 传输完整模型权重。

    推荐理由：文章把跨机器训练与推理的实现拆成可复用组件，并用指标定位瓶颈，给出从 3 h 27 min 降至 53 min 的调优路径。

  3. Hugging Face Blog81

    Hugging Face 用 Gradio Workflow 重建 AUTOMATIC1111 的大部分功能

    Hugging Face 构建了 Workflow1111，用单一 Gradio Workflow 画布重建 AUTOMATIC1111 的大部分功能。该工作流包含 73 个节点和 11 条媒体处理管线，覆盖文生图、图生图、检测、放大、背景移除和图生视频等任务。画布输出可自动成为 REST endpoint 和 MCP 工具，用户还能复制 Space 后替换模型、删除节点或重新连接流程。

    推荐理由：文章通过一个可复制和改造的案例，展示 Gradio Workflow 如何把多模型、多模态流程连接为可在浏览器和 MCP 中调用的工作流。

9月9日周三
  2. Mistral AI69

    Mistral AI 如何用 AI 智能体现代化复杂遗留代码

    Mistral AI 协助一家欧洲能源运营商将40,000行 Fortran 77 迁移到 C++，目标系统是没有测试套件和集中式文档的物理密集型储层模拟器。团队先建立数值对齐测试框架并整理代码文档，再按模块组织规划、实现、测试和审查流程，由人工审核 PR；首个 sprint 覆盖了300,000行代码中的40,000行。

    推荐理由：文章把复杂遗留代码迁移拆成文档整理、数值对齐和分模块协作三步，呈现了 AI 智能体在人工审核下落地的具体路径。

9月8日周二
  1. Google DeepMind78

    Google DeepMind 推出 AlphaGenome Atlas，预测人类基因组 9 billion 个单核苷酸变异影响

    Google DeepMind 推出 AlphaGenome Atlas，预计算人类基因组约 9 billion 个单核苷酸变异的分子影响预测。平台提供由 AlphaGenome 和 AlphaMissense 预测整合而成的 AVI score，并通过网站、AlphaGenome API 和 Google Antigravity 中的 skill 提供访问。

    推荐理由：文章把 AlphaGenome Atlas 的数据、AVI 评分和真实研究案例串联起来，呈现其如何帮助研究者筛选非编码变异并追踪分子影响。

  3. Mistral AI76

    Mistral 完成 €3B Series D 融资，推进主权开放权重 AI

    Mistral 宣布完成 €3B Series D 融资，投后估值超过 €21B，Samsung Electronics 领投，Scaleup Europe Fund 和 PSG Equity 联合领投。公司将扩大前沿研究、训练算力和基础设施，推动商业增长与国际化布局，并继续发展由开放权重模型、基础设施、算力和产品组成的全栈方案。

    推荐理由：这轮融资把 Mistral 的开放权重路线与训练算力、基础设施和商业扩张放在同一项资本动作中观察，呈现其主权 AI 定位的推进方式。