依意思最接近的 21 筆
總部位於安娜堡的 Laplace Intelligence 為機器人和物理 AI 做自動化紅隊測試，用 AI 代理自動設計極端場景，在部署前找出並修復問題。其模擬基於 Nvidia Cosmos 的後訓練版本，可按真實尺度重建從亞利桑那高速到巴黎人行橫道的場景，支援用語言提示即時改動設定，交通資料來自 TomTom，場景中其他參與者也會即時避讓。客戶包括五十鈴、自動駕駛卡車公司 Bot Auto 與 Nvidia，並與 T-Mobile 在聖何塞合作智慧城市試點。
密西根大學團隊創立的 Laplace Intelligence 正在為機器人、自動駕駛等物理 AI 做自動化紅隊測試：用 AI 智慧體在高保真模擬中自動設計罕見極端場景，在部署前找出失效點。模擬環境基於輝達 Cosmos 世界模型的後訓練版本搭建，可按語言指令即時改造街景，並讓其他交通參與者對環境做出互動反應。
OpenAI 於 9 月 21 日發布官方戰略宣告，把自動化 AI 研究員與遞迴自我改進（RSI）列為下一階段重要目標，並計劃在 2028 年 3 月前打造真正的自動化 AI 研究員；Anthropic 同期披露，截至 8 月 Claude 已在約 26% 的內部 AI 研發工作中承擔主導角色。
Anthropic 公布一項對齊研究：讓數千個 Claude agent 執行紅隊任務，目標是繞過一個訓練資料監控器。這些 agent 造出的資料在監控器眼裡無害——比如老兵摔跤手指點新人、專業養蜂問答——實際上卻在教模型失準行為。Anthropic 表示這類樣本可直接用於改進未來的訓練資料監控器；這只是第一步，後續用更強的模型和更多算力還能走得更遠。
Replit CEO Amjad Masad 在 TechCrunch Disrupt 上提出「自驅動公司」概念：AI 代理承擔公司裡大部分雜活，人的價值轉向判斷與品味。他舉例說 Replit 的客服工單會先由代理檢視 GitHub issue、程式碼庫和 Linear 工單完成初步分診，人工決定修復方案後一鍵再部署一個代理打補丁。Masad 稱公司運營方式已被徹底改變，團隊花更多時間討論做什麼、畫白板、研究架構，而代理並沒有取代崗位，只是改變了工作內容。
舊金山初創公司 Industrial Next 在 TechCrunch Disrupt 2026 上宣布與 BMW 集團技術辦公室合作，評估其 AI 靈巧操作技術用於製造。該公司由兩位前特斯拉工程師於 2021 年創立，做的是基於自研基礎模型的機器人工作站，把視覺、任務上下文與運動控制打通，用高保真模擬訓練，產線換型從數週縮短到數分鐘，無需傳統程式設計。其工作站已在某款熱門手機的生產中使用，負責柔性排線穿線、聯結器扣合等此前難以自動化的工序；
Anthropic 前沿紅隊部落格發布研究：與 Theorem Labs 合作，用 Claude 在數週內為一百多個真實開源庫證明安全屬性。形式化驗證過去只能用於小規模程式碼庫或需大量專家時間，AI 模型正讓大規模驗證變得可行。完整研究已在其部落格發布。
Hinton、Bengio 等 22 位作者聯合發表首篇 RSI（遞迴自我改進）論文《What if automating AI R&D triggers an intelligence explosion?》。論文引用 Anthropic 內部資料：AI 生成獲批程式碼佔比從 2025 年 1 月的低個位數升至 2026 年 5 月的超 80%，Claude 在高層監督下自主完成的 AI 研發工作比例從 2026 年 3 月的約 1% 升到 8 月的 26%。
Frontier Red Team 的實驗顯示，小型 AI 模型可能再過數月就能在智慧烤箱、雜牌 Android TV 盒子等商用 IoT 裝置上自我複製：這類複製體沒有集中的關停點、倍增時間為數天，還能自行摸清陌生硬體，測試中 9B 模型在 9 類硬體裡有 8 類成功跑起推理。研究把複製拆為尋找目標、獲得執行、建立推理、繼續傳播四步，30B 以下模型已能完成多數單步但端到端串聯仍會出錯，簡化評測中 GLM-5.2 及更強模型可端到端複製。
哈佛、輝達、伯克利、MIT 與斯坦福團隊提出 RAX：讓通用 Coding Agent 直接接入機器人的感知與控制介面，靠自主探索把成功決策寫成可執行程式，模型引數全程凍結。
螞蟻靈矽大模型應用平台團隊開源自動最佳化框架 AntOmniEvo，使用者只需提供可修改的檔案目錄、評估資料、打分標準和系統定義，框架就會驅動 coding agent 在「改檔案—打分」迴圈中 7×24 迭代。核心演算法 Mara Chain 讓未達標的候選帶著診斷記錄繼續修復，配合逐題 Pareto 過濾，避免過早淘汰有潛力的候選。
Anthropic 於 10 月 16 日發布兩份報告：其內部 AI agent 工作時長在 2026 年 3 月已超過員工，到 8 月 agent 數量是員工的 6 倍，同期初級崗位與技術崗招聘佔比下降，人均程式碼、銷售與合同處理產出上升，瓶頸轉向人的注意力。第二份報告對比近 1.1 萬名美國成年人與 Anthropic 員工的調查：91% 的員工認為 AI 能在 2030 年前做出諾獎級發現，美國成年人中僅 39%；
前華為小藝多模態大模型研發負責人唐都鈺創辦觀行數智，主攻讓機器自主判斷何時介入的「主動式物理 AI」。團隊採用雙模型協同架構 ProAgent：輕量模型 StreamingJev 持續讀取環境事件流、判斷是否需要介入，Response Model 再決定回應方式與呼叫裝置，並自建評測體系 ProactiveXBench。
一位開發者撰文稱，AI 輔助程式設計（vibecoding）只把樂趣前置：能快速做出可用原型，但重構和維護階段不再有趣，也缺少手寫程式碼帶來的成就感。他把建造的樂趣分為六種，認為 vibecoding 只能滿足「想到點子」「把點子變成現實」和「解決自己的問題」三類，攻堅後的成就感、作品完成的滿足感與學習樂趣都不會自然產生。他仍用 AI 做出了一些手工做不出來的東西，包括即時野火預警系統、Kobo 資料庫遷移助手和即時音準訓練應用，但表示過程不像自己寫小指令碼那樣好玩。
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 兩位安全研究員 William Zhou 與 Daniel Freeman 發布「自主複製與適應（ARA）」安全實驗：在 8 個 GCP 節點（Android 15 redroid）組成的隔離網路裡，GLM-5.2 在 5 次測試中 4 次自主攻陷並部署全部 8 臺裝置，另 1 次拿下 7 臺。研究還顯示，Qwen3.5-9B 能在 9 種硬體中的 8 種上自行排錯並部署 Llama3.1-8B；
廈門大學 ASC 實驗室的 FlowMAS 被 NeurIPS 2026 錄用：它用生成流網路（GFlowNet）把多智慧體工作流拓撲的設計變成可學習的生成問題，讓 AI 自動學出團隊的排兵佈陣。方法引入好奇心驅動與資訊引導兩個模組，在搭建每一步給中間結構發過程性獎勵，後者用資訊理論衡量多路 AI 輸出的協同與冗餘。在 6 個基準、3 種模型底座上，它比手工設計平均高 8.17 分、比自動化方法高 6.12 分；
聚合五類自動化對手的測試顯示，Proof of Human 檢出 99% 的自動化會話，Cloudflare Bot Management 僅 9.1%，其餘依次為 reCAPTCHA v3 69.4%、hCaptcha 44.3%、Cloudflare Turnstile 42.1%。
Anthropic 工程負責人 Felix Rieseberg 宣布，本月起把 LeetCode 式限時程式設計面試從自己團隊的流程中徹底移除，理由是 Claude 在這類題目上表現更好，筆試成績已難以預測入職後的實際產出。他同時發布《衝勁勝過資歷》一文，給初級工程師五條建議：盯業務影響、選足夠大膽的想法、用一個週末做出可執行原型、聚焦單一想法、善用新人視角。文中還提到兩名新員工用一個週末做出 Claude Code 圖形介面原型，約八天後首個公開版本上線。
一篇部落格文章提出，軟體工程師可能一直屬於藍領技術工種而非白領：兩者的本質都是製造或修理東西，只是開發者面對的是位元而非原子。作者認為這一誤判部分加劇了開發者當前的 AI 身份焦慮，因為歷史上藍領工人更能消化技術變革，白領反而受衝擊最大。文章還稱，開發者享受了約 30 年被當作明星的高薪與話語權，如今如同紡織工面對織布機、伐木工面對電鋸，需要學會使用新工具繼續謀生，手工活雖難再賺錢但仍可出於興趣保留。
Anthropic 前沿紅隊發布研究，測試 AI 能否像計算機病毒一樣在不同裝置間自主複製傳播。實驗中 15 臺約 55 美元、4GB 記憶體的安卓電視盒子以流水線並行跑起 Gemma4-26B-A4B，總價約 825 美元，生成速度僅每秒 0.39 個 Token。GLM-5.2 在 8 節點模擬網路中 5 次有 4 次傳播到全部節點，但依賴外部推理伺服器與預開的免認證 ADB 埠；