搜索
人工智能搜索引擎初创公司 You.com 正积极进军企业级软件领域。据知情人士透露，该公司正与媒体巨头 Cox 企业集团洽谈融资事宜，此轮融资使成立五年的 You.com 估值达到 14 亿美元
夸克，最近有点火。
大模型公司挖墙脚哪家强，Anthropic才是最大赢家？不仅顶尖AI人才的留存率达到80%，而且工程师从OpenAI跳槽到Anthropic的可能性是从Anthropic转投OpenAI的8倍。
本研究由广州趣丸科技团队完成，团队长期致力于 AI 驱动的虚拟人生成与交互技术，相关成果已应用于游戏、影视及社交场景
OpenAI 发论文的频率是越来越低了，如果你看到了一份来自 OpenAI 的新 PDF 文件，那多半也是新模型的系统卡或相关增补文件或基准测试，很少有新的研究论文。
新一期的“蒂尔奖学金”名单公布，彼得·蒂尔，可能是硅谷最具传奇色彩的投资人之一。 他曾是支持特朗普的硅谷少数派，也曾作为早期合伙人与马斯克在PayPal一起打天下。他对科技趋势有着惊人的敏锐感
今天凌晨1点，OpenAI开始技术直播对ChatGPT进行了重大更新，包括向macOS用户推出ChatGPT会议记录模式，可以转录任何会议、头脑风暴或语音笔记，并快速提取要点然后转化为新的内容。
Manus疯狂更新，视频生成也来了！
最近618开始了，又到了一年一度换设备的日子。
数据公司收购热潮在周一持续升温，云数据平台Snowflake 宣布收购Postgres 数据库合作伙伴Crunchy Data。知情人士透露此次交易估值约为 2.5 亿美元。
年初的时候我做了一个AI编程工具的导航网站，打算流量上来后就可以接谷歌广告赚美金：
刚刚，OpenAI 正式对外推出了 AI 编码神器 Codex，其目前向 ChatGPT Plus 用户开放。据悉，Codex 在限定时段内提供宽松的使用额度，但在需求高峰期间，可能会对 Plus 用户设置速率限制，以确保其能广泛可用。
数学家出手反击AI！对AlphaEvolve在“集合和差问题”上的成果进一步改进。
Agent 能力边界正在快速演进，未来随着更强的规划和推理能力的不断提升，Agent 们将参与到社会经济运作中。在这一趋势下，将可能诞生类似 Visa 或 Stripe 级别的商业基础设施的机会。
智能体技术日益发展，但现有的许多通用智能体仍然高度依赖于人工预定义好的工具库和工作流，这极大限制了其创造力、可扩展性与泛化能力。
你有没有想过，为什么ChatGPT能够如此流畅地回答你的问题
无监督的熵最小化（EM）方法仅需一条未标注数据和约10步优化，就能显著提升大模型在推理任务上的表现，甚至超越依赖大量数据和复杂奖励机制的强化学习（RL）。EM通过优化模型的预测分布，增强其对正确答案的置信度，为大模型后训练提供了一种更高效简洁的新思路。
过去两年，以 AI pin 为代表的第一代 AI 硬件产品陆续诞生时，喊出的口号是「杀死智能手机」、「比安卓好用很多倍」。赚足了全世界科创圈的目光。
本文作者叶小钗是一位「AI + 管理」领域的创业者，在成为创业者之前，他曾在腾讯、百度等大厂任职开发工作，也曾是B站的技术专家
AI数学家来了！清华团队出品—— 他们推出AI Mathematician（AIM）框架，推理模型也能求解前沿理论研究，并且证明完成度很高。
最近一个很火的话题是“AI寒门”，最初由北京大学教育学院副教授林小英提出，指的是父母由于认知局限，不善用甚至排斥AI，导致孩子错失AI浪潮下优化教育资源的机会。
文章分析了AI时代最易被淘汰的八类员工特征：复制粘贴型、工具型思维者、任务等待者、勤奋表演者、中层传声筒、流程崇拜者、技术逃避者和情绪劳动拖累者。
差不多一个半月前，是我第一次使用 Fellou，也是我第一次使用这类 Agent 形式的浏览器。
早上醒来，就看到 Codex 正式向 Plus 用户开放的消息，我立刻体验了一下。这次最大的变化，是 Codex 能在任务执行期间联网。它可以自动安装依赖，不用再手动设置 linting 和测试，也能跑需要访问暂存服务器的脚本，流程顺畅了不少。
一款周活过 4 亿的产品，如何做营销？需要做营销吗？
AI 时代，品味（taste）很重要。
如果你正在开发Agent产品，一定听过或用过Mixture-of-Agents（MoA）架构。这个让多个AI模型协作解决复杂问题的框架，理论上能够集众家之长，实际使用中却让人又爱又恨：
当前最强多模态Agent连验证码都解不了？
罗兰·T·拉斯特和黄明蕙两位学者在《情感经济：人工智能、颠覆性变革与人类未来》一书中分析了人工智能技术的快速发展对人类社会产生的全方位颠覆性变革，提出这种变革将会催生“情感经济”时代的到来——在未来，人工智能负责思考，而人类情感和同理心的重要性将被提升到前所未有的高度。
强化学习（RL）到底是语言模型能力进化的「发动机」，还是只是更努力地背题、换个方式答题？这个问题，学界争论已久：RL 真能让模型学会新的推理技能吗，还是只是提高了已有知识的调用效率？
