搜索
5 月 15 日，杭州西湖云栖小镇。经过前两天雨水的洗礼，春末夏初的空气里透着清新，风也温柔。但小镇里的各大机器人，可顾不上「感受」这份惬意…… 一台四足机器人小心翼翼踩过碎石路，踉跄两步稳住身体，继续执行变电站智能巡检任务；几米外，另一台四足机器人穿过倒塌的废墟，一头钻进模拟浓烟中，展开搜救工作。
针对这一问题，上海人工智能实验室、复旦大学、上海交通大学团队提出了Thoth：一个面向生物实验protocol生成的科学推理模型。一句话概括：Thoth不是让模型“写得像protocol”，而是让模型按照实验逻辑，生成可解析、可评估、可执行的protocol。
OpenAI 推出了一个让很多人「既兴奋又不安」的新功能——ChatGPT 个人理财工具。简单说，你现在可以把自己的银行账户、投资账户直接连到 ChatGPT 里了。这个功能目前仅面向美国地区的 ChatGPT Pro 用户（月费 200 美元）开放预览。
传统视频制作N个产品来回横跳的工作流模式，这次可能真的要Game Over了？因为嘛——现在你只用跟Codex说一句话，它就能把剪辑、PS、视频生成等一箩筐子的活儿全包了！！
浙大联合微软亚洲研究院最新提出的World-R1，不改架构、不要3D数据，纯靠强化学习就让视频生成模型学会了“理解”三维世界。World-R1 的出发点很简单：预训练的视频模型里面已经有 3D 知识了，只是“沉睡”着。用强化学习把它叫醒就行。
最近一两年，AI 行业有一个很微妙的变化：大家不再满足于问 “模型会不会回答”，也不再只关心 “Agent 能不能调用工具”。越来越多的讨论开始回到一个更终极的问题：AI 到底能不能完全自动化接管工作区，理解个性化需求，像一个真实的人类劳动力一样，把一件事情从头到尾做完？
上次给大家写了《Codex教程》之后，评论区里陆陆续续冒出来好多问题。问的最多的，是土区订阅 ChatGPT Plus 的事。既然是已经存在的定价差异，还有那么多人不知道，那就写，写清楚，手把手教到会为止。
每次想让AI读个外部网站的信息，看到这句话头都要炸了。不过，GitHub有个开源项目OpenCLI把这事儿解决了：网站变命令行。Reddit讨论、B站热门、Arxiv论文，以前开浏览器一个个翻的东西，现在终端一行命令直接出结构化数据。
最近，吴恩达发了篇长文，对着「AI 就业末日论」就是一顿疯狂输出。他指出，这种过度夸大的失业恐慌不仅是不负责任的，且极具破坏性。在这场焦虑蔓延的背后，隐藏着 AI 初创公司拉高估值与传统企业掩盖决策失误的双重利益诉求。
为了解决这一问题，来自中山大学和美团的研究团队提出了 X2SAM，一个统一的图像与视频分割多模态大模型框架。它希望让模型不仅能「看懂」图像和视频，还能进一步「指出」目标在每个像素上的准确位置。