Leash Bio 的 Ian Quigley 谈 DEL 数据、Hermes 模型与智能体科学推理平台 Minos
Leash Bio 用 DNA 编码文库（DEL）为每个分子打上数十条条形码，采集可复现的蛋白-小分子相互作用数据。其 Hermes 模型仅用自研数据训练，在公开 benchmark 上与 Boltz 持平。团队把多年数据转化为数万条"lab-in-the-loop"模拟，已发展为智能体科学推理平台 Minos，并发布预印本、博客与开放数据集。
#推理
#推理
今日 1 条Latent SpaceAI 评分4242
钛媒体AI 评分5959 每秒钟烧1块钱，AI短剧成算力时代最大的印钞机
2026年第一季度，全行业上线短剧约12.8万部，其中AI微短剧约12.2万部，占比超95%，AI短剧与视频生成以55%的份额成为国内第一大词元消耗场景，软件开发仅占15%。
Import AIAI 评分3030 Import AI 476：创造力与递归自我改进、不如中国的开源权重模型、AI 走向太空
Import AI 476 期聚焦三项研究：Scale AI 与 Elorian 发布 Humanity's Sixth Sense 基准，含 522 道题、288 张图片和 234 段短视频，人类 pass@1 达 93.1，最佳模型 GPT 6 Astra 仅 53.6，GLM-5.3-flash 为 26.8、Kimi K3 为 25.5。
The DecoderAI 评分3939 Anthropic 的 Andrej Karpathy：AI 真实能力只被极少数人看到，公众仍停留在"更好的 Google 搜索"
Anthropic 的 Andrej Karpathy 将 LLM 用户分为四层：约 60 亿人（全球约 75%）几乎没接触过 LLM，10-20 亿人只把免费版 ChatGPT 类产品当"更好的 Google 搜索"，约 2000 万数学与编程专业用户用前沿模型让 agents 在提示词下完成过去需数周数月的项目，仅约 5000 人能用内部前沿系统。
钛媒体AI 评分2929 智源王鹏伟谈悟界·RoboBrain Orca：当下世界模型都只学到了片面的世界
智源研究院具身模型研究中心负责人王鹏伟在2026年智源大会发布悟界·RoboBrain Orca世界模型，采用Next State Prediction建模范式，预训练未用任何action数据，使用约12.5万小时视频、130m事件级状态转移数据和VQA数据。
钛媒体AI 评分4242 华人"接管"全球AI核心圈，已到了什么程度？
从AI产业"五层蛋糕"逐层清点，华人已在芯片、基础设施、模型、应用四层占据关键位置：全球半导体市值前五的英伟达、台积电、博通、AMD、英特尔掌舵人均为华人，五家市值合计超10万亿美元；台系三厂拿下全球AI服务器近90%的ODM份额，中国光模块企业占全球前十中的七席。但模型层硅谷华人执行密度最高、掌舵者却几乎不是华人，中国大模型公司收入总和仍不及OpenAI与Anthropic两家之和。
The DecoderAI 评分4242 Token 价格下降反而推高算力需求，黄仁勋的 Jevons 悖论最佳剧本正在上演
Ornn、Silicon Data 与 Bloomberg 截至 2026 年 8 月的数据显示，AI token 价格持续下跌，H100 GPU 租赁价格却保持稳定甚至上涨，a16z 称这是 AI 市场的典型 Jevons 悖论。
钛媒体AI 评分2323 北美AI交流手记：15天对话101位一线研究者，模型加速与世界落差
作者在15天内走访硅谷、洛杉矶、西雅图、波士顿和纽约，与101位北美AI一线从业者交流，其中41位来自Google、Meta、Nvidia和OpenAI等大厂，17位来自各Frontier Lab。
Latent SpaceAI 评分3232 AlphaFold 为何没有解决蛋白质折叠问题——Google DeepMind 的 Pushmeet Kohli 与 Biohub 的 Sal Candido 对谈
Google DeepMind 的 Pushmeet Kohli 与 Biohub 的 Sal Candido 在对谈中指出，AlphaFold 的突破只是开始，蛋白质折叠远未解决，静态结构预测无法覆盖蛋白质动态与无序区域。
Interconnects · Nathan LambertAI 评分3131 Nathan Lambert：AI 将迎快速工程进步，但不会走向通用超级智能
Nathan Lambert 认为 AI 的快速进步主要来自基础设施与工程能力的加速，模型将在几年内成为超人的分布式 GPU 工程师，但这不会让模型本质发生剧变。他指出，训练与推理指标高度可验证、可优化，模型智能的有效成本未来几年或近指数级下降，预训练研究（架构与数据选择）有望在 2-3 年内自动化；而 RL 环境质量普遍低劣是另一块可修复的工业级低垂果实。
MIT Technology Review · AIAI 评分5454 我们高估了 AI 说“不”的能力
MIT Technology Review 刊文《We’re putting too much faith in AI’s ability to say no》讨论 AI 拒答机制。
雷峰网AI 评分3333 吴佳俊 IROS 2026 演讲：结构化表征是机器人学会推理的脚手架
斯坦福大学助理教授吴佳俊在 IROS 2026 的 RoBoWoMo 研讨会报告《Building Physical Agents via Structured Representations》中提出，结构化表征是机器人学会推理的脚手架而非答案。
雷峰网AI 评分3030 研究了1933篇 IROS 论文，我们看到了机器人学的六项新变化
IROS 2026 共 1933 篇论文进入正式议程，多标签统计显示 Robot Learning / Embodied AI 约 809 篇、Navigation / Planning 564 篇、Perception / Vision 556 篇、Humanoid / Legged 约 213 篇，VLA 相关约 82 篇。
钛媒体AI 评分3636 数据中心，正在拆掉Token时代的旧围墙
超聚变算力领域副总裁王梁栋在2026 ITValue Summit数字价值年会上指出，AI已进入推理为主的"干活"时代，算力竞争重心从一次性训练峰值能力转向持续推理开销。
钛媒体AI 评分3838 当AI开始制造AI：从AlphaEvolve到递归自我改进的赛博狂飙
Google的AlphaEvolve用Gemini提出候选程序并自行评价改进，找到的一项优化让Gemini关键计算核加速23%，对应整个训练时间缩短约1%。Anthropic承认完整RSI尚未实现且并非必然实现。Klarna实验发现部分AI生成的更快训练代码无法保证可复现结果，工程师因此将可复现性加入筛选条件。
The DecoderAI 评分2222 DeepMind 研究者提出"人工共生智能"，作为奇点理论的替代方案
DeepMind 研究者提出"人工共生智能"（Artificial Symbiotic Intelligence），主张 AI 研究的核心挑战是协调人、智能体及其连接系统组成的复杂网络，而非构建孤立的机器智能。
MIT News · AIAI 评分1818 MIT 教授 Cathy Wu 用强化学习破解交通系统难题
MIT 副教授 Cathy Wu 的研究聚焦用机器学习与强化学习（RL）改进交通等复杂系统。她的团队开发出一种算法挑选适合训练的问题，将训练效率提升最多 30 倍——原本需要 100 个训练模型的场景如今只需 3 个；其生态驾驶研究显示智能控制车速可减少 11% 至 22% 的车辆排放。
MIT Technology Review · AIAI 评分3636 别被 LLM 骗了：大语言模型并不具备真正的推理能力
前 Google DeepMind 研究员指出，LLM 逐 token 预测加上思维链并不构成真正的推理，因为它没有可检验的显式认知状态、知识与推理在权重中纠缠不清，且思维链常在得出答案后事后编造。他以 AlphaGo 第 37 手为例，说明真正的推理来自策略网络直觉与搜索机制的分工，呼吁借鉴该架构为 AI 建立可维护、可修订的认知状态。
Latent SpaceAI 评分3737 Latent Space 对话 MIT Alex Zhang：从 GPU Kernel 到递归语言模型 RLM 与智能体集群
Latent Space 播客本期嘉宾为 MIT 的 Alex Zhang，他因递归语言模型（RLM）受到关注，其 RLM 框架是首个接近解决 ARC-AGI-3 的方案，早于 OpenAI 的 Astra。
雷峰网AI 评分5252 Kimi 和 DeepSeek，为什么出现在同一张模型架构图里？
雷峰网梳理大模型 Attention 架构从分流到重组的变迁：GLM-5.3-Flash 的 45 层架构中，34 层采用 Kimi 路线的 KDA 线性注意力，11 层采用 DeepSeek 路线的 KPool-DSA 稀疏注意力。
Ahead of AI · Sebastian RaschkaAI 评分5656 从词袋到 Jev：Sebastian Raschka 梳理文本分类技术史并实测 Jev
Sebastian Raschka 撰文梳理文本分类从词袋模型、朴素贝叶斯、RNN、CNN 到 BERT、GPT、T5 的演进，并实测了 TypeSafe AI 新发布的分类模型 Jev。
Latent SpaceAI 评分6868 TypeSafe AI 发布 System 1 模型 Jev，Diogo Almeida 谈 RLCD 与面向代码的智能
TypeSafe AI 发布首个大型可编程 System 1 模型 Jev，官方称其以每美元智能（intelligence per dollar，取自 Jevons Paradox）为优化目标，面向代码而非聊天。
Ahead of AI · Sebastian RaschkaAI 评分6565 GPT-6 Astra、循环 Transformer 与隐藏思维链
Sebastian Raschka 结合 GPT-6 Astra 的基准表现与计算机使用能力，详细解释循环 Transformer 复用同一组 Transformer block 的机制，并评估 The Information 关于 Astra 使用循环 Transformer 并隐藏思维链的报道。
MIT News · AIAI 评分2424 MIT 专访：智能体 AI 今天是什么，我们又希望它成为什么？
MIT News 专访 MIT EECS 副教授、CSAIL 成员 Phillip Isola，解析智能体 AI 与 ChatGPT、Claude 等生成式 AI 的区别。
Google DeepMindAI 评分3434 AlphaGo 十年：从围棋到生物学，再到更多领域的影响
Google DeepMind 回顾 AlphaGo 击败围棋世界冠军十周年，称其标志现代 AI 时代的开端。此后其搜索与强化学习方法衍生出 AlphaGo Zero、AlphaZero，并推动 AlphaFold 2 破解蛋白质折叠难题，AlphaFold 数据库已被超 300 万研究人员使用，相关成果于 2024 年获得诺贝尔化学奖。
Ahead of AI · Sebastian RaschkaAI 评分4646 2026 年 1-2 月开权重 LLM 十种架构盘点：从 Trinity Large 到 Kimi K2.5
2026 年 1 月 27 日至 2 月 17 日，开源社区陆续发布十款开权重 LLM，包括 Arcee AI 的 400B Trinity Large、Moonshot AI 的 1 万亿参数 Kimi K2.5、Qwen3-Coder-Next、GLM-5、MiniMax M2.5、Qwen 3.5 和 Cohere Tiny Aya 等。
Ahead of AI · Sebastian RaschkaAI 评分4848 LLM 的 2025：进展、问题与预测
2025 年 LLM 发展由推理模型主导，DeepSeek 在 1 月发布 R1 论文，用强化学习配合可验证奖励（RLVR）与 GRPO 算法训练出推理行为，并以开放权重达到当时最佳专有模型水平。R1 在 DeepSeek V3 之上再训练约花费 29.4 万美元，V3 的 671B 参数模型训练成本估计接近 500 万美元而非 5 亿。此后各家开放权重与专有模型纷纷跟进推出推理版本。
The GradientAI 评分2424 AGI 不是多模态：为什么把模态拼起来无法通向通用智能
The Gradient 刊文《AGI Is Not Multimodal》指出，多模态路线把大量模块化网络堆叠起来看似通用，短期内无法实现具备感知运动推理、运动规划与社交协作能力的人类级 AGI。
The GradientAI 评分2626 LLM 聊天机器人缺了什么：有目的的对话
The Gradient 文章指出，MMLU、HumanEval、MATH 等基准日趋饱和，但以非交互方式衡量的分数未必转化为用户体验。作者主张用"有目的的对话"重构人机交互，即以目标或意图为中心的多轮交流，并认为这对 SWE-bench 式的代码生成同样必要。
The GradientAI 评分2121 LLM 在金融市场的应用：从价格预测到多模态信号
大语言模型的下一 token 预测能力能否迁移到价格与交易序列预测，成为量化交易的新方向。Hudson River Trading 在 2023 年 NeurIPS 上估算，3000 只可交易股票、每日 10 个数据点、每年 252 个交易日可产生 1770 亿市场数据 token，与 GPT-3 的 5000 亿训练 token 量级相近。
The GradientAI 评分3636 Car-GPT：LLM 能否最终让自动驾驶汽车成为现实？
文章探讨 LLM 能否成为自动驾驶的"意外答案"，类比 1928 年青霉素的偶然发现。文中先回顾 2010 年代模块化自动驾驶方案（感知、定位、规划、控制四模块），再到端到端学习，并解释 tokenization、Transformer 与 next-word prediction 等 LLM 基础，最后讨论把图像和 LiDAR 点云等传感器数据接入模型的方法。
The GradientAI 评分2323 The Gradient 长文：神经算法推理如何用神经网络捕捉经典计算
The Gradient 刊文讨论神经算法推理，即用深度神经网络捕捉最短路、排序等经典算法。MIT 论文《What Can Neural Networks Reason About?》提出算法对齐概念，证明架构与算法结构对齐得越好，学习执行算法所需的样本复杂度越低；文中以 GNN 对齐 Bellman-Ford 最短路算法为例说明。