阅读

软件测试公司Momentic于9月28日发布测试智能体Mo，开发者不再编写和维护测试脚本，直接让智能体按需求去测应用。

Mo的使用方式类似Claude Code等编码工具：输入网址和测试说明，它会启动一群智能体操作应用，尝试大量边界情况，最后给出复现步骤和录像。它也能读取产品需求文档或Jira工单获取上下文。

联合创始人兼CEO Wei-Wei Wu对SiliconANGLE说，只要代码库里还有脚本，就得有人维护。公司称Notion等客户已在试用，效果如何尚无独立评测。

以色列安全创企Rig Security于9月29日出道，获1200万美元种子轮资金。

它针对的盲区很具体：编码助手和自主智能体很少有自己的账号，操作都记在启动它们的员工或服务账号名下。用CEO Guy Kozliner的话说，智能体如今是企业里最活跃的身份，“却顶着人名行事”，安全团队无法区分是人还是智能体，出事也只能连员工一起封。

产品用机器学习跨身份系统匹配同一身份，公司自称准确率超过96%；端侧传感器可单独拦下智能体的危险操作。公司称财富200强中的金融、保险和医疗客户已在生产环境使用，此说与准确率均为公司自述。本轮由Ten Eleven Ventures与Brightmind Partners共同领投，CrowdStrike作为战略投资方参股。

AbbVie、argenx、Lundbeck、Takeda四家药企与柏林的Apheris、Ginkgo Datapoints成立抗体可开发性联盟，用约一万条抗体序列训练AI，预测候选药物能否顺利量产和成药。

成员各自提供专有序列，通过Apheris的联邦架构在本方环境内训练和微调模型，原始序列不暴露给其他成员；Ginkgo负责补足公开数据并做湿实验表征，首版数据集计划2027年初交付。

联盟刚启动，尚无任何模型性能数据，牛津大学Charlotte Deane与密歇根大学Peter Tessier提供独立科学监督。

美国海军9月24日在弗吉尼亚正式成立机器人与自主系统作战发展中心，专门把空中、水面和水下无人平台整合成统一作战力量。

该中心负责制定无人系统作战条令、训练水兵，并测试这些装备在实战条件下的持续运作能力。海军作战部长达尔·考德尔在成立致辞中说，多年来的机器人系统研发分散在各作战域，下一步是整合，并称“原型不等于战斗力”。

美军指挥官此前已把这类无人系统能力与干扰解放军对台行动的场景联系起来。目前该中心的预算规模和具体编制尚未披露，整合进度有待后续观察。

马斯克预计Cybercab要到2027年年中才能在加州商业运营。

他在接受中国环球电视网采访时说，这款无方向盘的双座车将很快在佛罗里达、内华达等州商业运营，加州则“大概要到明年年中”。该访谈于周六（9月26日）发布。

此前特斯拉曾承诺在2026年底前以3万美元向普通买家出售这款车，YouTuber MKBHD为此立下剃头赌约。目前车辆还面临美国公路交通安全管理局对其自我合规认证的审计质询，这是落地前的硬性关卡。

让模型「变安全」的对齐技术，同一套方法也能用来审查和扭曲信息——对齐方法本身用途中立，它让模型服从某个主体的意志，但不保证这个主体善意。

此前对齐多被默认为安全手段；Sarah Ball与Phil Hackemann把控制手段分为预训练数据过滤、后训练对齐和推理时干预三层，成本递减、改动变易，越往下越容易被单方面滥用。

这不是假设：中国网信办要求模型维护拒答数据集，马斯克曾公开表示要「修正」Grok的输出，后续行为变化被追溯到系统提示词改动。该分析获ICML 2026杰出立场论文奖，作者不建议停止对齐，而是主张透明、可验证对齐与模型多元化。

这是立场论文的论证与公开事例，属作者自报观点，尚无第三方复现其风险量化。

哈佛心理学家Steven Pinker在9月26日Quillette公开信中称，AI灭绝人类的担忧被夸大，他拒绝了博主Scott Alexander的公开辩论邀请，称这类活动是“观赏性运动”。

Pinker承认自己低估了大模型的能力，也没料到AI公司发布产品如此鲁莽。他认为真正值得警惕的是生物恐袭、网络攻击和失控的AI智能体，应对之道是独立监督、追责和人类控制，而非末日叙事。

Alexander此前在其博客估计AI灭绝人类的概率为20%，主张加强安全研究并放慢开发。

冻结权重的国际象棋模型Maia-3在技能设定调高后，计算会单调地向更深层迁移——Elo从700调到2500，所有棋子攻击动作的计算中心都后移，骑士捉双后移最多。

此前普林斯顿教授Tom Griffiths曾预测，技能越高、关键特征应越早算出；这一方向与预测相反。Maia-3是一个以Elo等级分为输入、模仿不同水平人类棋手的8层transformer，作者David Litman在不改动任何权重的情况下完成测量。

作者提示，在一种条件下找到的模型回路，换一种条件未必还在原处。结果出自预印本与作者自建的分析工具。

自动做判断的神经网络训练时有个老技巧：每一步随机暂时关掉一部分单元，行话叫Dropout。2015年一篇论文从数学上讲通，测试时把这个随机留着、同一道题多算几遍，几次答案的分歧就是模型对自己的没把握。

今天模型到处替人拿主意，错了还答得斩钉截铁，它自己有多少没把握成了绕不开的问题。后来的办法多半要多训几套模型，这套不用重新训练、只多算几遍，至今仍是默认起点。厂商宣称模型知道自己不知道什么时，先问是不是这么做的。

如果网络训练时没开这种随机，就别用它来判断把握——没有随机可留，办法用不上。它只在预测数值、手写数字这类小任务上验证过。几次答案散成好几堆时，它给的把握只是粗略近似，别当成精确的出错概率。

《Dropout as a Bayesian Approximation》（2015）｜下次复查 2027-09-20