第 97 期
今日趋势
今天的AI相关内容主要围绕两大主线展开，一是AI技术的落地应用与商业化推进，二是行业深层矛盾的暴露与竞争逻辑的梳理。技术落地层面，既有DeepSeek开源推理栈实现高营收高毛利的产业实践，也有ChatGPT广告拓展至多国、OpenAI接入Google Cloud等商业布局，还有多语言微调模型、AI生物数据挖掘等技术突破，展现了AI从技术研发到产业渗透的全链条进展。行业层面，中美对开放AI模型的监管管控形成了监管趋严的共性，而大模型的重资产属性（如Anthropic巨额亏损与算力投入）、Personal Agent竞争核心是用户全方位Context获取等问题，则暴露了行业发展的分歧与待解的核心矛盾，也引发了对AI发展规律的深度反思。此外，关于AI阅读工具框架、AI原生软件开发流程等细分领域的探索，进一步丰富了AI产业的多元发展图景，为行业提供了更多实践参考与思路方向。
AI 技术博客
- Latest open artifacts (#25): DeepSeek V4.1 Flash 1017, American-made models, and new regulatory controls in the US & China — Florian Brand 本文围绕开放权重AI的地缘政治监管展开，提及中美近期均在推进对开放模型的管控，中国商务部提案要求前沿AI模型需经政府预审批方可国际共享，美国DHS限制DeepSeek参与联邦采购。DeepSeek开源内部推理栈DeepInfer，其销售token时毛利率可达约90%。该内容能帮助了解当前AI监管与开源技术的最新动态，具有参考价值。
- [AINews] DeepSeek DeepInfer: Open Source SOTA Inference running 155T toks/day/cluster making $22m/day at ~80% margin for a 81 day payback — latent.space 本文介绍DeepSeek开源生产级推理栈DeepInfer，该栈基于vLLM定制，具备高缓存能力等优化，集群日处理可达155T token，对应日营收约100万美元，毛利率超80%，回收期约81天。这一开源进展为推理领域提供了新的技术方案，值得关注其对行业的影响。
- Beyond the KV cache: Training and serving i14’s Laplace 3B linear attention model on AWS Trainium2 with native PyTorch — Kevin Shabahang 本文介绍i14开发的Laplace 3B线性注意力模型，采用Gated Linear Attention设计，在AWS Trainium2上通过原生PyTorch实现，训练速度约12万token/秒，推理时每秒可输出11544 token，单序列内存固定为29.5MB。该模型解决了Transformer注意力内存随上下文增长的问题，为长上下文模型提供了新方案，具有技术参考意义。
- Claude Mods: Flipping the Harness Inside Out — Dan McAteer 本文介绍Claude Mods，它是Claude Code的插件，由TypeScript/JavaScript函数组成，可自定义CLI和桌面端的界面与行为，属于代理harness的中间件，让人类能可编程调整Claude的交互逻辑。它是早期的注意力接口，能帮助开发者定制AI工程工作流，具有实践参考价值。
- FairStress: A deeper evaluation of fairness in LLM decision-making — huggingface.co
- How we built ChatGPT’s novel ad stack for user trust and relevance — openai.com 本文介绍ChatGPT的新型广告栈，针对多轮对话中动态变化的用户意图，采用状态会话设计，将广告服务与ChatGPT回答生成分离，避免广告影响回答。该广告栈上线不到200天年营收达10亿美元，已有超10万广告主，为对话式AI广告提供了新范式，值得学习。
- From KTIR to SpyreCode: An MLIR Dataflow Backend for IBM Spyre — Swagath Venkataramani, Bardia Mahjour, Prasanth Chatarasi, Alberto Mannari, Viji Srinivasan, and the IBM Spyre Team 本文介绍IBM Spyre加速器的MLIR数据流后端，基于KTIR中间表示，通过新的数据流调度器生成DataflowIR，最终转化为可执行的SpyreCode。该内容阐述了Torch-spyre后端的工作机制，为AI硬件加速的编译器设计提供了参考，具有技术价值。
- Fine-tuning GPT-OSS-20B for multilingual reasoning on Amazon SageMaker HyperPod — Mijanur Palash 本文介绍对GPT-OSS-20B的多语言推理微调，该模型原本仅用英语推理，微调后针对英法德意西语优化，基于多语言数据集，对比了SFT和GRPO的作用，SFT为主，GRPO优化。该研究为开放模型的多语言适配提供了方法，具有实践意义。
- 30 Months on the Exponential (in Charts) — Ethan Mollick 本文介绍作者的新书《Co-Existence》，该书回顾AI 30个月的进展，用AI制作图表，对比之前的《Co-Intelligence》，提及当前AI模型竞争格局，已有180多个模型优于GPT-4发布版，19个可在现代手机运行。该书能帮助了解AI近期的发展变化，具有参考价值。
- AI for the Fortune 2000: How Tenex Builds an AI-Native SDLC — Alex Lieberman & CJ Hess — latent.space 本文介绍Tenex的AI原生软件开发流程，采用按产出付费的激励机制，使用MetaHarness管理项目，团队75人，客户包括财富2000强企业。该内容展示了AI驱动的软件开发组织的实践，为相关企业提供了参考，值得关注。
- OpenAI models are coming to Google Cloud — openai.com 本文宣布OpenAI的前沿模型和Codex将接入Google Cloud的Model Garden，为企业提供原生访问，结合Google Cloud的治理和基础设施，支持复杂代理工作流，通用可用性将在几周内上线。该合作拓展了OpenAI模型的应用场景，对企业AI部署有帮助，值得关注。
- ChatGPT Ads expands to 26 new countries as over 100,000 advertisers have used the platform — openai.com 本文宣布ChatGPT广告扩展至26个新国家，覆盖共89个国家，已有超10万广告主使用，广告仅在免费和Go计划展示，不影响ChatGPT回答。该扩展让更多商家能触达ChatGPT用户，为对话式广告提供了更多机会，具有商业参考价值。
- Using thousands of AI agents to uncover new leads in biological data — openai.com 本文介绍OpenAI等机构用数千AI代理分析数百万脑细胞数据，32分钟完成原本需数月的工作，发现基因与疾病的关联，如Tsc1和Tsc2在小脑的差异。该研究展示了AI在生物数据挖掘中的潜力，为疾病研究提供了新方向，具有科学价值。
- Introducing TorchTPU — The TorchTPU Team† 本文介绍Google和Meta合作开发的TorchTPU，是PyTorch在Google TPU上的原生后端，支持PyTorch的eager执行模式和分布式特性，无需JAX依赖，简化了PyTorch workload在TPU上的运行。该项目为PyTorch用户使用TPU提供了便利，具有技术意义。
即刻简报
- 发布了: 推荐一篇论文：https://arxiv.org/pdf/2606.04308 论文中针对阅读提出了一个非常有意思的取景框架。 我们一直有「六经注我」 vs 「我注六经」的分类，可… — 即刻·李继刚 该条目推荐一篇arXiv论文，提出阅读的取景框架，将传统“六经注我/我注六经”的阅读分类，结合AI带来的“AI替我读/陪我读”维度形成四象限，还划分出跑鞋型、哑铃型、滑雪板型三类AI阅读工具，该框架可用于分析当下AI阅读工具与场景，为相关研究提供系统思路，值得阅读。
- 发布了: 目前很多人都没意识到的一点是，这波Personal Agent或者说Personal AI的竞争关键永远都是如何持续最大化地获取用户全方位Context，至于生态、执行、履约… — 即刻·莫唯书Mark 该内容指出，当前Personal Agent或Personal AI领域的竞争核心，是持续最大化地获取用户全方位Context，生态、执行、履约等环节的重要性次之，且这类竞争并非只有大厂才能参与，打破了对AI竞争格局的固有认知。
- 发布了: Anthropic的招股书像一记响亮的耳光，抽在了AI圈脸上 随着Anthropic的上市招股书曝光，上半年营收163亿美元的数据看着像个不可战胜的神话，但当你翻到下… — 即刻·莫唯书Mark 该条目围绕Anthropic招股书展开，提到其上半年营收163亿美元但净亏损达807亿美元，运营亏损87亿美元，半年算力投入近90亿，未来算力承诺高达7500亿，打破“规模效应摊薄利润”的旧梦，指出大模型重资产属性让亏损随用户需求指数增长，行业面临洗牌，仅敬畏规律的现实主义者能存活。
- 转发了: 这些都不需要和其他agent竞争，还不算巅峰对决 //@周末一起逛书店: 抢票确实是最能体现 agent 综合能力的场景之一——多步骤、实时决策、容错率高。不过… — 即刻·kyth 该转发内容提到，抢票场景能体现Agent的综合能力，多步骤、实时决策、容错率要求高，而真正的Personal Agent王者，是能管理生活琐碎或帮用户抢到特定热门演出门票的工具。
- 发布了: 我觉得能随心所欲帮助用户抢到陈奕迅巡演最后三场的门票的，就是personal agent的王者。 — 即刻·kyth 该条目核心观点为，能随心所欲帮助用户抢到陈奕迅巡演最后三场门票的，就是Personal Agent的王者。
- 发布了: 现在的科技圈，每天都在上演极其割裂的魔幻现实主义。 一边是硬件厂商疯狂发PPT，今天出个AI眼镜，明天发个AI别针，后天宣称自家手机变成了“AI原生设备… — 即刻·莫唯书Mark 该条目指出当前科技圈存在割裂的魔幻现实，硬件厂商炒作AI概念，软件大厂过度调教大模型，均为虚火；下一代计算平台需解决AI硬件的能耗比问题，软件要打破聊天框魔咒，高频日常需求无需对话，仅专业场景需长对话，打破聊天框的产品才是未来。
- 发布了: 大模型的“重资产诅咒”在于，它极度依赖资本的持续输血。 一旦华尔街的耐心耗尽，或者下一次技术迭代没有跨代突破，这些动辄千亿美金的算力承诺就会变… — 即刻·莫唯书Mark 该条目提出大模型的“重资产诅咒”，即极度依赖资本持续输血，一旦资本耗尽或无跨代技术突破，千亿级算力承诺将成债务危机；类比当年修铁路的企业，AI巨头是“修铁路”的，未来十年赚大钱的是铁路上的服务者，大模型神话将破灭，AI黄金时代才开启。
- 发布了: 自打通过正规渠道用上了某无限续杯的 Tier 1 模型（别问我，不会说的），我就像韩立捡到了小绿瓶，可劲儿种草药、养金虫。 虽然模型编程能力并不算全球… — 即刻·范冰_XDash 该条目分享使用某无限续杯的Tier1模型的体验，称其像韩立捡到小绿瓶，虽模型编程能力非顶尖，但“力大砖飞”，用它写完代码后，可让模型自行对抗性审计三遍，以此提升代码质量。