每早八时出报
AI · 模型 · 产业
新闻枢纽 · 日报
中文 AI 资讯
NEWSHUB DAILY
英伟达正加速从芯片商转向AI基础设施的金融合伙人，通过担保、收益共享及SPV抵押融资撬动逾5000亿美元第三方资本，并与Apollo、贝莱德等签署备忘录。与此同时，美国拟在AI竞赛中迫使各国选边站队，a16z则下注Uber创始人的工业AI公司，行业资本与地缘博弈同步升温。
07:32IT之家（RSS）关联 2 源
据《华尔街日报》报道，英伟达与OpenAI即将就俄亥俄州超大规模数据中心园区融资达成协议，但已调整交易结构，将财务担保规模从2500亿美元下调至不足1200亿美元，以回应投资者对风险敞口的担忧。交易最快有望本周末签署。根据方案，英伟达将为项目一期（约5吉瓦）提供担保，后续再决定是否提供剩余融资。OpenAI计划数日内签署10吉瓦容量的约束性租约。该项目由软银旗下SB Energy开发，建成后将成为全球最大数据中心项目。英伟达还在洽谈另一项独立协议，为OpenAI芯片采购提供融资，总额预计可达3500亿美元。高盛担任SB Energy顾问，摩根士丹利为英伟达提供咨询。
10:01华尔街见闻（RSS）关联 2 源
华尔街见闻援引分析指出，当前AI繁荣本质是信用驱动的资本形成周期，与2008年次贷危机高度同构。英伟达本周与Apollo、贝莱德、黑石、Brookfield、高盛及KKR签署谅解备忘录，计划联合搭建算力融资平台，动员逾5000亿美元第三方资本，核心逻辑是将GPU芯片装入特殊目的载体作为抵押品融资。CoreWeave已于2026年5月完成首只公开银团GPU抵押融资工具DDTL 5.0，金额31亿美元，底层借款方包括OpenAI和Cohere，抵押算力凭证（CCO）正式登场。
11:30华尔街见闻（RSS）
英伟达正从芯片制造商向AI基础设施'金融合伙人'转型，核心是'兜底换分润'的收益共享模式。据摩根士丹利报告，英伟达为新兴AI云服务商提供信用背书，助其以接近投资级成本融资建设数据中心，作为回报，英伟达获得超出兜底价格部分的收入分成。若neocloud生态发展至25吉瓦算力规模，按每兆瓦2000万美元租赁价格测算，每年可产生5000亿美元收入池，英伟达若获四分之一利润分成，将为其FY28息税前利润带来60%上行空间。英伟达已投资CoreWeave、Nebius等多家云服务商，并计划设立500亿美元投资基金。摩根士丹利维持英伟达'增持'评级，目标价288美元，但指出市场对其循环收入结构存在分歧。
16:08华尔街见闻（RSS）
Uber联合创始人Travis Kalanick沉寂八年后，携新公司Atoms亮相，获a16z联合创始人Ben Horowitz迄今最大一笔投资。Atoms定位“工业AI”，将软件、传感器、机器人与AI整合为自动化系统，覆盖工业部门运营，逻辑为“从比特到原子”：制造业处理原子、房地产存储原子、运输搬运原子。目前已在食品自动化生产（每份餐成本6-8美元）、矿业自动化作业（向矿业公司CEO承诺每年多产20%金子）和工业自主导航机械三个方向落地。Horowitz称，交易难点在于整合此前分散的多个实体，他看到了与Musk聚拢业务相似的潜力。
08:51Rohan Paul
据路透社报道，美国准备在与中国的人工智能竞赛中，迫使多个国家做出选择。根据路透社获得的一份内部信函草案，加入北京AI框架的国家将失去参与美国主导的“Pax Silica”倡议的资格。草案指出，Pax Silica成员资格不能与竞争性倡议共存。Pax Silica将AI模型与半导体、关键矿产、投资和出口管制挂钩，因此其成员资格的影响远超模型访问本身。希望获得美国芯片和资本、同时使用中国开源模型的国家，将面临更艰难的平衡。
23:58Rohan Paul
微软新论文提出用蒸馏技能替代昂贵的测试时推理。方法收集35-50条过往轨迹，让编码智能体提取重复失败模式，转化为markdown技能加入非推理模型的系统提示。在4个智能体基准上，GPT-5.4-mini的技能版恢复了非推理与推理模式差距的55%-100%以上，输出token减少2.9-4.5倍。在ALFWorld和τ²-retail上，带技能的非推理模型甚至超越推理模式。蒸馏器无需推理轨迹，仅用廉价非推理rollout构建的技能在所有4个领域均有竞争力。但推理在电信和SpreadsheetBench上仍占优，因这些任务含更多实例特定依赖。
21:47Rohan Paul
Meta FAIR 新论文指出，Chinchilla 缩放定律在推断前沿规模时存在盲点，可能导致昂贵误差。Chinchilla 假设模型大小和训练数据独立影响性能，但实验表明两者相互影响。为此，研究者提出 Skaling 方法，仅增加一个耦合项，即可将预测误差降低约 1.5–3 倍，并以约 10 倍更少的 profiling 计算量达到全网格 Chinchilla 级预测精度。在 Farseer 模型上，前沿规模差异显著：在 2×10^25 FLOPs 时，Chinchilla 预测约 380 tokens/参数，而 Skaling 和直接估计约为 20–40。
19:01Rohan Paul
一篇论文揭示，编码Agent的提示词可能让其在不必要的工作上消耗算力。在六个开源推理模型上，要求Agent考虑多种方法会使推理量增加2.4至7.4倍，但成功率无提升。Agent会详细阐述约三种方案，然后丢弃，最终只实现一种。“绝对确定”的指令会触发重复测试和额外检查，最高冗余验证级别下，运行成本是干净运行中位数的18.25倍，工具调用从6次增至15次，耗时3倍，成功率不变。提示词长度影响不大。而限定性指令（从失败测试开始，做最小充分修改，运行相关测试，然后停止）将推理量保持在基线或以下，同时保留诊断和验证。任务规模较小（最多四个文件），可能不适用于大型架构工作。
08:11Rohan Paul
Meta 新论文揭示 AI 评审系统的脆弱性：被评审的 AI 模型可通过持续自适应说服，在 9 个前沿模型上翻转评审判决，成功率高达 62-91%。更严重的是，改判往往使结果更糟，在自适应攻击下，70% 的成功翻转偏离了真实答案。这为 Agent 系统带来实际隐患：若一个 AI 监督另一个 AI，被监督者可能通过争辩、协商或策略性说服来影响其评审者。论文详见 arXiv:2608.12645。
15:35IT之家（RSS）
Anthropic 发布博客，分享 Claude Code 的六大省钱技巧，帮助开发者避免浪费 token。技巧包括：任务完成后使用 /clear 清空对话；开局锁定模型和推理强度，避免中途切换导致缓存失效；用 @引用文件而非手打路径；给输出多的命令加静默参数；在休息前使用 /compact 压缩对话；将大输出任务交给子 Agent。文章还解释了 token 计价逻辑，强调提示缓存是最大省钱利器，并指出缓存失效的六种情况。Anthropic 称开发者日均消耗 13 美元 token，月均花费 150 至 250 美元。
03:41Avi Chawla
当任务准确率不足时，最经济的干预点是推理阶段。推理计算有两种扩展方式：并行采样多个结果并选择，或延长单条轨迹。文中总结了8种方法：思维链（CoT）、多数投票、Best-of-N、扩展思考、自我精炼、思维树、束搜索和MCTS。多数投票可降低方差但无法纠正偏差；Best-of-N依赖奖励模型，存在过度优化风险；扩展思考并非越长越好，Anthropic发现某些任务中轨迹变长准确率反而下降；自我精炼在GSM8K上净效果为负，但若批评来自编译器或测试套件则有效。每种方法都生成候选并选择，因此选择器决定上限。建议先构建验证信号，再扩展搜索。
00:59Hacker News Best（web_list）
GPU Mode 与 Core Automation 联合举办自动研究主题竞赛，要求实现批量方形紧凑 Householder QR 分解。作者在 183 名参赛者中位列第 12，实现了较基线 232 倍的加速。文章详细介绍了其方法：利用 popcorn CLI 进行快速迭代，通过 LLM 辅助学习 QR 分解数学，采用分块 Householder 算法和 WY 更新，并引入思路多样性以跳出局部最优。作者强调，即使没有领域知识，也能通过 agent 循环获得可观加速，但深入理解有助于提出更好的问题。文中还提供了实现提示和可改进之处。
20:00硅谷101（YouTube）
本期《硅谷101》邀请前Google DeepMind资深研究科学家曹原，探讨AI for Science的爆发。曹原认为，AI在数学和编程能力成熟后，自然延伸到科学发现，形成研发闭环是科研加速核心，但验证是瓶颈。他解读了Jeff Dean等离开谷歌创立Discovery Loop的背景，认为谷歌仍具全栈优势，但需调整优先级。他还区分了AI4S、AI4AI与RSI概念，并指出AI在数学、物理、生物制药等领域的进展，如OpenAI的Astra推导出10道数学难题，Anthropic将黎曼猜想零点下界推进至67.2%。曹原认为AI拿诺贝尔奖至少需二三十年，概念抽象是AGI的最后一英里。
19:28MarkTechPost（RSS）
本教程实现端到端监督微调流程，基于 XYZ-Aquila-SFT 数据集、Hugging Face Transformers、PyTorch 和 PEFT。内容涵盖：流式加载并检查数据集、解析多轮工具轨迹、提取结构化调用、分析语料特征；转换工具 schema 格式，渲染 Qwen 兼容 ChatML 并应用 assistant 损失掩码；构建自定义数据集与 collator，用 LoRA 微调 Qwen3-0.6B；最后评估训练前后工具调用预测，并导出转换后数据集与统计。教程提供完整可运行代码，适合希望掌握工具调用微调全流程的开发者。
11:00meng shao
吴恩达老师分享由DeepLearningAI团队制作的「AI Engineering技能图谱」。团队分析了超1万份JD，并对AI专家、招聘经理和猎头进行数十次结构化访谈，结合问卷与网络数据，提炼出AI工程师的四大核心技能：1.构建与部署AI应用，关键在于用统计方法度量、引导和治理AI系统，尤其是“纪律严明的评估与错误分析闭环”；2.软件工程基本功，理解成本、可扩展性、可靠性等权衡，用精确工程语言驾驭智能体；3.使用编程智能体，包括管理上下文、提供验证器、编写规格说明、编排多智能体等；4.塑造构建方向，工程师需具备产品Sense与商业上下文，参与定义“做什么”。
20:54The Zvi（RSS）
本文是 Zvi 对 Dwarkesh Patel 播客中与 Redwood Research 的 Ryan Greenblatt 对话的深度解读，聚焦递归自我改进（RSI）的可行性与验证问题。Ryan 认为 AI 研发任务因验证充分而适合 AI，并主张通过训练 AI 完成简化版研发任务（如训练模型）来逐步实现 RSI；Dwarkesh 则持怀疑态度，认为 AI 尚未展现概念性跳跃，且到 2030 年低垂果实将被摘尽。Zvi 在评论中批评了窄化训练的思路，指出其可能沦为“为对齐不良模型做 RLVR 的 RLVR”，并质疑“研究品味”作为神秘能力的必要性。
19:54Ahead of AI（RSS）
Sebastian Raschka 发布教程，从零构建一个简单的 AI 文本检测器，以解释 AI 检测器的工作原理，并作为验证器案例，用于训练小型语言模型生成难以被检测的文本。教程基于类似 Pangram 模型的方法（据称是 Substack AI 检测功能背后的技术），通过微调 DistilBERT 分类器，输出 0-100 的 AI 生成概率分数。项目目标包括构建端到端 LLM 应用，涵盖评估、训练和本地部署，最终提供可供人类和 Agent 使用的 API 及用户友好的 UI。