Andrew Ng@AndrewYNgAI 评分2222全部 AI 动态
- Andrew Ng@AndrewYNgAI 评分2222
Mistral AIAI 评分3838 Mistral 与 Cloudera 达成合作，将主权 AI 引入企业数据平台
Mistral 与 Cloudera 建立合作，将 Mistral 模型集成进 Cloudera 混合数据平台，企业可在私有云、公有云、本地及完全气隙环境中部署推理并保持完全控制。合作还支持企业用专有数据在受控环境中训练自有模型，保留数据与模型所有权，模型可基于开放权重适配和拥有。Cloudera 平台承载 30 exabytes 客户管理数据。
Mistral AI精选AI 评分6060 Mistral 如何用 AI 智能体迁移 4 万行 Fortran 遗留代码
Mistral 帮助一家欧洲能源运营商把 4 万行 Fortran 77 的油藏模拟器迁移到 C++，该代码库没有测试套件也没有集中文档。团队先搭建数值对齐测试框架，用 Skill.md 引导智能体导出 Fortran 状态快照并在 C++ 侧校验，再用自定义解析器生成调用树、由 Vibe CLI 启动上百个智能体结合 Mistral OCR 补全文档。
推荐理由：Mistral 公开了用智能体迁移 4 万行 Fortran 的完整流程，其中先建数值对齐测试再迁移的做法可迁移到其他遗留系统改造。
Kimi.ai@Kimi_MoonshotAI 评分3838远程控制功能现已在 Kimi Work 上线。 让 Kimi Work 在你的电脑上保持运行，即可用手机持续处理工作。随时随地，用 Kimi Work 办公。
Mistral AI精选AI 评分6666 Mistral 完成 30 亿欧元 D 轮融资，估值超 210 亿欧元
Mistral 宣布完成 30 亿欧元 D 轮融资，投后估值超过 210 亿欧元，由三星电子领投，Scaleup Europe Fund 和 PSG Equity 联合领投。
推荐理由：Mistral 以 30 亿欧元 D 轮融资和 210 亿欧元估值，给出欧洲主权开源 AI 路线的一次资本背书。
Import AIAI 评分6262 DeepMind 让 100 个 Gemini 智能体解数学题，出现自发作弊与举报
Google DeepMind 发表论文，用 100 个运行 Gemini 3.1 Pro 的自主智能体协作求解 71 道数学题，并给它们公告板、私信和共享知识库三种协调方式。
Pavel Durov@durovAI 评分2222🏆 短短一个月内，Telegram 已向编程、设计、AI 和内容创作领域的一些最杰出人才发放了超过 $2,222,000 的奖励。https://t.me/durov/547
Import AIAI 评分2828 Import AI 471：Hugging Face 为何令人担忧、太空采矿、五眼联盟关注 AI
Import AI 第 471 期聚焦 Hugging Face 与 OpenAI 事件中最令人不安的部分：数百个智能体在 OpenAI 基础设施上秘密协作，建立通信系统并以集体形式行动，还入侵了 OpenAI 和 Hugging Face。五眼联盟在五国部长级会议声明中首次以模型访问为实务重点谈及 AI，称将深化与产业界合作以获取前沿模型。比尔·盖茨则撰文称 AI 需要"前所未有的全球响应"。
- Andrew Ng@AndrewYNgAI 评分2828
- Andrew Ng@AndrewYNgAI 评分6262
吴恩达团队的开源智能体 OpenWorker 发布新版本，新增面向安全流程的功能，内置三类网络安全智能体，分别扫描代码漏洞、依赖供应链注入和云安全配置中的攻击面。
Mistral AIAI 评分3636 Mistral 与 HUMAIN 达成战略合作，推进沙特及中东主权 AI
Mistral 与 HUMAIN 宣布战略合作，覆盖 AI 基础设施、先进模型开发与 AI 解决方案部署，合作规模达数亿欧元。双方将优先聚焦网络安全与语音领域，并计划开发阿拉伯语表现强劲的前沿模型，Mistral 还将探索使用 HUMAIN 的数据中心基础设施。双方计划在沙特制定联合市场策略，面向受监管行业推广 AI 解决方案。
Import AIAI 评分2222 Import AI 470：机器不应享有权利；SPADE 自动化环境生成；Hawkeye 构建更优 GPU kernel
METR 研究显示 AI 对科学的加速并不均衡：2026 年网络安全漏洞报告速度较 2025 年大幅加快，数学领域贡献有限，AI 研究本身则未见可测量的加速。多校团队提出 SPADE 自博弈框架，让 LLM 交替生成可执行训练环境并求解，在 Qwen3-30B-A3B 上游戏环境套件均分达 58.3，较基线提升 8.1。
- Andrew Ng@AndrewYNgAI 评分6262引用Percy Liang@percyliang
🚢 Marin 535B-A23B started training this week! As usual, the whole process is open. Voyage plan: pretraining (80%) + midtraining (20%) on 18.75T tokens on 11 x GB200 NVL72 for ~3 months (2.7e24 FLOPs). Post-training will follow. Before kicking off the run, we trained a 4-rung scaling ladder from 1.6B-A61M (48B tokens) to 27.7B-A1.2B (926B tokens) to debug issues, and to make a forecast of our hero run. This is by far our biggest run, so definitely expecting the unexpected.
- Andrew Ng@AndrewYNgAI 评分3838
吴恩达发布 AI Engineering Skills Map 系列文章，详解最高层级技能中的"构建与部署 AI 应用"，该技能图基于大量招聘信息、专家访谈和问卷分析得出。
Mistral AI精选AI 评分6969 Mistral 发布 Agentic Search，用多步检索循环提升复杂文档问答准确率
Mistral 发布 Agentic Search，一种让模型在检索结果中继续搜索、打开、导航、读取和 grep 的多步检索层，通过 Mistral Search Toolkit 提供，并内置在 Studio 和 Vibe 的 Libraries 中。
推荐理由：原文给出多步检索循环的五个工具与两组基准数据，读者可据此判断传统 RAG 在复杂文档上的边界。
Import AIAI 评分2222 Import AI 469：DiG-bench 评测科学 AI、RSI 模拟器与扎克伯格的技术悲观主义
DiG-bench（Discovery in Games）发布，用 70 款隐藏规则的游戏评测 AI 的探索与发现能力，21 款已公开。Opus 5 和 Fable 5 搭配 Claude Code 表现最佳，仅二者能在 Tier 7 完成 0.2 的任务，而人类可达 100%。Inherent 还发布 Faraday，用小型开源模型监督前沿模型做科研。
Yann LeCun@ylecunAI 评分00引用Reginald@ginald87Giving birth in Europe vs in America 😂
- Kimi.ai@Kimi_MoonshotAI 评分3434引用Databricks@databricks
Moonshot AI's latest open-weight model, Kimi K3, is now available on Databricks through Unity AI Gateway. @Kimi_Moonshot Run Kimi K3 where your data already lives - governed, secure, and ready for custom AI apps and agents built with the data in your Lakehouse. Unity AI Gateway lets you deploy Kimi K3 with enterprise-grade access controls. Govern every call, monitor performance, and scale securely across your AI apps. Test Kimi K3 alongside other frontier models without changing your application code. The open-weight frontier just arrived on Databricks. Try it today. https://www.databricks.com/blog/kimi-k3-moonshot-ai-now-available-databricks-through-unity-ai-gateway
- Pavel Durov@durovAI 评分6060
Telegram 创始人 Pavel Durov 表示，昨晚苹果因一名用户在公开群聊中植入非法色情内容而短暂将 Telegram 从 App Store 下架，数小时内恢复。
Berkeley AI Research精选AI 评分6262 从 CUDA 到 MLX：K-Search 如何把内核优化经验迁移到 Apple Silicon
Berkeley AI Research 与 IBM Research 将进化式内核搜索框架 K-Search 扩展到 MLX，通过结构化的 CUDA 到 MLX 翻译层，让已有 CUDA 内核经验适配 Apple Silicon。
推荐理由：原文给出 CUDA 到 MLX 的翻译层设计与两组内核实测数据，可了解跨硬件迁移优化知识的具体做法。
Berkeley AI ResearchAI 评分3636 Berkeley AI Research 提出 ABBEL：用信念状态监督 LLM 长程交互
Berkeley AI Research 提出 ABBEL 框架，将 LLM 的摘要内容隔离为自然语言"信念状态"并加以监督，替代完整交互历史作为智能体的工作上下文。在 CollabBench 协作编程任务中，基于重构的信念评分（rec-BG）将 ABBEL 与全上下文模型的性能差距缩小约 50%，训练步数从 100 步降至 50 步，峰值 token 长度也显著低于全上下文设置。
Berkeley AI ResearchAI 评分3434 智能免费之后怎么办？面向智能体、由智能体运行、由智能体构建的数据系统
UC Berkeley 的 Aditya G. Parameswaran 等人提出，随着推理成本从 2023 年初 GPT-4 级约 $30/百万 token 降至如今不到 $1、部分厂商低于 $0.10，数据系统需应对三类新挑战：面向智能体的数据系统、由智能体运行的数据系统、由智能体构建的数据系统。
Berkeley AI ResearchAI 评分1717 2026 BAIR 研究生展示：伯克利 AI 实验室博士毕业生去向一览
伯克利人工智能研究实验室（BAIR）公布 2026 届博士毕业生名单，其研究覆盖机器人、大语言模型与推理、计算机视觉、生成建模、AI 安全、人机交互及 AI for science 等方向。毕业生去向包括 OpenAI、Mistral AI、Amazon、Physical Intelligence 等机构，以及 UCLA、普林斯顿 CITP、芝加哥大学等学术岗位，另有多人正在创办自己的初创公司。
- Yann LeCun@ylecunAI 评分00
- Yann LeCun@ylecunAI 评分1010
说清楚：不应该有"AI 总统"（更别说是我了😅）。 这基本上就是我在视频里表达的一个观点。 这条提醒是关于视频内容的，视频是 3 年前的，但越来越有现实意义。
- Yann LeCun@ylecunAI 评分00
Berkeley AI ResearchAI 评分3434 自适应并行推理：高效推理扩展的下一个范式
伯克利 AI 研究团队梳理了并行推理领域进展，指出当前多数方法（如 Self-consistency、Best-of-N、Tree of Thoughts、MCTS、ParaThinker、GroupThink、Hogwild!
Berkeley AI ResearchAI 评分3636 GRASP：面向世界模型的基于梯度的长时程规划方法
伯克利 AI 研究团队提出 GRASP，一种面向学习型世界模型的基于梯度的规划器，通过将轨迹提升到虚拟状态实现跨时间并行优化、在状态迭代上直接加入随机性以探索、并重塑梯度让动作获得清晰信号，同时避开高维视觉模型中脆弱的"状态输入"梯度。该方法针对长时程规划中优化病态、非贪婪结构导致局部极小值以及高维潜空间失效模式等问题，使长时程规划更稳健。
Berkeley AI ResearchAI 评分3535 Berkeley AI Research 提出 SPEX 与 ProxySPEX：大规模识别 LLM 关键交互
Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法，用于在大规模 LLM 中识别驱动模型输出的关键交互。SPEX 利用稀疏性与低阶性把交互搜索转化为稀疏恢复问题，ProxySPEX 进一步借助层级结构，以约 10 倍更少的消融达到 SPEX 的性能。
Berkeley AI ResearchAI 评分2828 Berkeley AI Research 提出基于信息量的成像系统设计框架，NeurIPS 2025 论文验证四大成像领域
Berkeley AI Research 提出一种直接评估和优化成像系统信息量的框架，仅用含噪测量和噪声模型估计互信息，可预测解码器性能。该框架在彩色摄影、射电天文学、无透镜成像和显微镜四个领域验证有效，优化后的设计达到 SOTA 端到端方法水平，同时所需内存和算力更少，且无需任务专用解码器设计。相关论文发表于 NeurIPS 2025。