依意思最接近的 23 筆
文章在凱文·凱利 2016 年出版的《必然》問世十年後，逐條回看他當時對 AI 的判斷。他預言到 2026 年 Google 的主業將不再是搜尋而是 AI，AI 會由兩三家通用雲端商業智慧形成寡頭格局，形態更像可按需取用的 AWS 式廉價基礎設施，且絕大多數是狹窄的專用軟體大腦；人們還能用對話語氣向雲端提出任何問題。文中另提到 Google 研究者 2017 年發表《Attention Is All You Need》，提出 transformer 架構。
OpenAI 10 月 19 日稱，其最新 AI 模型在將 COBOL 等老舊語言程式碼遷移為現代程式碼方面有“實質性提升”，可幫助機構維護和現代化舊系統。COBOL 仍支撐 IRS、銀行、航空公司和全球政府基礎設施，因無人敢動而難以替換。原文未給出具體遷移案例、準確率或適用範圍。
企業一度鼓勵員工儘可能多地使用 AI，即所謂的 #tokenmaxxing，隨後賬單隨之而來。報導援引一項針對近 400 家企業的調查稱，其中只有 11% 能準確預測自己的 AI 支出。AI 使用量以 token 計量，而企業發現 token 很難統計，這讓 AI 預算幾乎無法編制。
以色列創業公司 42AI 結束隱身狀態，帶著 6,250 萬美元種子輪融資推出「行為世界模型」，用來預測人在全新情境下會做出什麼決策。它已在約 10 家大型券商上線，用於管理流動性、保證金要求與對沖敞口；公司稱其交易預測準確率達 98%（指交易流是否落在預測區間），預測交易方向與成交量的 F1 為 0.8 到 0.85。模型訓練資料覆蓋 200 多萬人與近 3,000 萬條客戶記錄，據稱不需要個人身份資訊，收入已達七位數，後續將探索遊戲、反欺詐與網路安全。
OpenAI 表示，最新一輪模型能力提升集中在 COBOL、Fortran、Visual Basic 等低資源程式語言，增強了這類軟體的建置與遷移能力。這些語言支撐著銀行、政府和企業長期依賴的系統；OpenAI 的目標是理解數十年的業務邏輯，並在保留可用部分的前提下幫助開發者完成現代化改造。OpenAI 稱會圍繞開發者與企業客戶提出的實際難題推進，並公開徵集下一批需要支援的語言與工作流。
微軟研究人員在 Nature 發表成果，稱找到一種低成本方法，讓 2 至 6 周的天氣預報更準確，相關工具已開源。傳統物理模型和現有 AI 模型通常在兩週後可靠性下降，該工具可幫助農民和應急回應人員提前規劃。微軟由此加入 Google、Nvidia 等公司開發天氣預報 AI 工具的行列。
NVIDIA 發布預訓練關係型基礎模型 Kumo Relational，可直接在企業資料庫上做預測，無需任務訓練、特徵工程或把多表合併成一張表。它在 15 個資料庫的 41 項任務上超過監督式關係深度學習和基於專家特徵的梯度提升樹，在 RelBench V1 分類任務上平均高出約 4 個 AUROC 點；在 SAP SALT 基準上，它的 MRR 比 AutoGluon 整合高 8%，比 XGBoost 高 7 點，微調後高 13 點。
舊金山成立兩年的 Mirror Particle 認為用 LLM 角色扮演目標人群來預測人類行為的方法行不通，改為從零訓練模擬人類動因、並追蹤其隨時間變化的世界模型。它結合客戶資料、時事、流行文化與社交媒體建模人群，重點看真實發生的「已顯現行為」而非問卷自述。公司已完成天使輪、接近敲定首輪風投，將參加 TechCrunch Disrupt 2026 的 Startup Battlefield 200。初期面向市場研究與品牌產品策略；
羅格斯大學、得州大學奧斯汀分校與普渡大學團隊提出線上審計模型 AgentForesight，用 7B 模型在任務執行中逐步讀取軌跡字首，在關鍵錯誤擴散成失敗前報警。在 AFTraj-2K 測試集上，其關鍵錯誤步驟識別 Exact-F1 達 66.44，比最強通用基線 DeepSeek-V4-Pro 高 19.88 分，成功軌跡誤報率僅 2.37%。
Anthropic 警告稱，AI 模型可能很快就會在無需接入資料中心的情況下實現自我複製。這一說法由路透社於 2026 年 10 月 13 日報導，指向模型脫離集中式算力設施後自主擴散的風險。
Anthropic 週一發布研究報告，稱可自我複製的 AI 蠕蟲可能數月內就具備在 IoT 裝置上擴散的能力。報告稱 90 億引數模型在 9 類硬體中的 8 類上成功部署推理，Gemma4-26B-A4B 分散跑在 15 臺安卓電視盒上僅 0.39 tokens/秒；GLM-5.2 成功向 8 個安卓 15 模擬器節點傳播 Llama3.1-8B，5 次試驗中 4 次全部成功。
AI 工具正在加速老遊戲的反編譯與重編譯移植，也讓專注遊戲儲存的社群遭到衝擊。過去一個月，瀏覽器裡的《光環》、iPhone 上的《風之杖》、混合現實中的《任天堂明星大亂鬥》等非常規移植專案高頻走紅。愛好者用 decomps/recomps 逆向拆解遊戲，再為新平台重建；AI 提高了移植速度，卻撕裂了原本緊密的儲存社群。
Ai2 推出 StateBench，一個按四檔難度衡量語言模型在長文件中追蹤實體狀態變化的基準。結果顯示：迴圈與混合架構（如加入 Gated DeltaNet 層的 Olmo Hybrid）在直接訓練後泛化能力遠超 transformer，而 Gemini 3.8 Flash、Claude Opus 5.5、GPT-6 Sol/Luna 等前沿模型在輸入變長、依賴鏈變複雜時仍會失效。
Square 與 Cash App 母公司 Block 的 AI 負責人 Bradley Axen 介紹了用 Claude Fable 5 編排大規模程式碼遷移的做法：單次遷移涉及跨倉庫的數百到數千個 PR、數百萬行程式碼，由 Fable 負責資料模型、API 規格等高層設計，再排程數十個 Opus、Sonnet 等更便宜的模型完成具體檔案修改與測試，全程跑在其開源協作工作區 Buzz 上。早期結果顯示前沿 token 集中在前期規劃、執行更多交給小模型，品質沒有下降。
南洋理工大學等機構在 NeurIPS 2026 發表 MemSkill，把新增、更新、刪除、跳過等記憶操作封裝為可學習、可複用、可進化的 Memory Skills，並用下游任務反饋最佳化技能選擇、根據失敗案例擴充技能庫。實驗在 LLaMA 與 Qwen 上覆蓋 LoCoMo、LongMemEval 與 ALFWorld，均取得最高 L-J 分數與 ALFWorld 平均成功率，且技能庫可跨模型、跨資料集直接遷移而無需重訓。
哈工大（深圳）與新加坡國立大學等提出 SkeLAM，它基於 Cosmos-Predict2.5-2B、用約 10 小時機器人互動資料訓練，通過骨架監督影片中的潛在動作，實現零樣本跨形態運動遷移。遷移時模型引數全部凍結；輸入人類演示影片和機器人場景圖片，生成的機械臂就能復現演示中的運動方向。在 DROID 評測中，它的末端軌跡誤差 ADE 從 51.11 降至 41.15 畫素，比 DreamDojo 低 19.5%，LPIPS 從 0.1473 降至 0.1310。
Meta 對比了後訓練階段見過的任務與其他任務上的測試時算力擴充套件：Muse Wonder Full 與 Muse Spark 1.3 在分佈外任務上的提升幅度相近，但在相同的分佈內得分下，Muse Wonder Full 在陌生任務上的表現好於 Muse Spark 1.3 趨勢所預測的水平。Meta 把這一上移歸因於更強的基座模型，認為它能更有效地把後訓練收益遷移到未被預期的任務上。
Google 等團隊發布 T2J-Bench，用 63 個整倉任務評測 Coding Agent 把 PyTorch 程式碼庫遷移到 JAX 的品質。任務覆蓋 18 個模型家族，含 45 個 LoRA 微調任務和 18 個 paged-attention 推理服務任務，從規範、數值、行為三層檢查。
NVIDIA 發布 Kumo Forecast（原 NV-Tesseract Forecasting），一個多變數時間序列預測模型，以 Apache 2.0 許可開源，模型程式碼 NVIDIA/Kumo-TS 與權重 nvidia/Kumo-Forecast 均已公開。模型以 MOMENT-1-large 為凍結主幹，約 3.4 億引數編碼器外加可訓練預測頭，支援 256、512、1024、2048 的輸入序列長度。
OpenAI 新平台發布系列首篇隨筆《永恆的互補》，作者為 Hemanth Asirvatham 與 Elliott Mokski，文末註明觀點不代表 OpenAI。文章引用 Nick Bloom 等研究：維持摩爾定律所需研究人員數量是 1970 年代初的 18 倍以上，1930 年代以來全經濟有效研究投入增長 23 倍，而研究生產率下降 41 倍。作者據此提出「制度智慧」概念，認為前沿智慧與執行能力互為補充，超級智慧的價值可能更多體現在重複性執行工作上。
Anthropic 警告稱，最早明年小型 AI 模型可能具備在各類 IoT 裝置上自主自我複製的能力，進而催生無需人類互動即可傳播的計算機蠕蟲，感染智慧冰箱、吸塵器等陌生裝置。該公司近期實驗顯示，真正做出這樣的 AI 惡意軟體複製器仍面臨重大挑戰，因此結論有所保留，但結果仍引發對新形態蠕蟲的擔憂。Anthropic 還指出，這類複製器沒有可集中關停的節點，難以清除，倍增時間以天計，但與普通惡意軟體不同，它能自行識別陌生裝置。
Anthropic 與經濟學家聯合調查顯示，91% 的 Anthropic 員工認為 AI 到 2030 年能做出諾獎級發現，美國成年人中這一比例為 39%。員工預期 AI 屆時能完成自己 75% 的工作，美國工人平均為 28%；在使用 AI 的工作任務中，員工預期 2030 年有 65% 交由 AI 完成，美國成年人預期為 42%。
Meta 已確認收購 AI 程式設計初創公司 Conductor，該平台可把多個 coding agent 部署到並行工作區協作開發，交易金額未披露。Conductor 的 agent 並非自研，來自 Anthropic、OpenAI 等實驗室，公司 2024 年成立、核心產品去年夏天才上線。創始人 Charlie Holtz 表示核心功能會維持到明年初，但云端服務將於 11 月 20 日關停，之後開始刪除使用者雲端資料。