阅读

最新民调显示，绝大多数美国人希望AI发展“慢下来”。

昆尼皮亚克大学于9月30日发布的调查结果指出，77%的美国受访者主张在AI安全性得到验证前，应放缓甚至完全停止其开发进程。仅有5%的人希望加快步伐。

公众对AI公司的自我承诺持怀疑态度。数据显示，86%的人支持建立独立的安全标准，即使这会阻碍技术进步；同时，74%的人表示对AI公司领导层几乎没有或完全没有信任。研究者Chetan Jaiswal认为，这表明公众渴望不依赖企业口头保证的保障机制。

微软和Meta正在大幅削减对Anthropic旗下Claude模型的内部使用量，这一趋势由科技媒体The Decoder援引The Information报道。

在微软方面，其云部门此前预计年度Claude支出超过10亿美元。据报告，高管Scott Guthrie和Jay Parikh已指示员工转而使用GitHub Copilot等内部工具及OpenAI模型。该部门的月度人均预算已从10万美元骤降至约1万美元，整体支出削减幅度超过三分之一。

Meta的情况类似，其Claude Code的用户数从约6万人下降至3万人。这既受裁员影响，也源于Meta推广自家Muse Code和MetaCode等工具。在此前28天内，Meta仅在Claude Code上的支出就超过1.05亿美元。

此举反映出大型科技公司正试图降低对单一外部模型供应商的依赖，转而强化自有AI基础设施。对于Anthropic而言，核心客户群的收缩可能对其企业级收入增长构成挑战。

Reflection AI于10月5日发布其首个开源权重模型Beam，定位为西方企业的“主力”选择。

该模型采用稀疏混合专家架构，总参数5010亿，激活参数230亿。CEO Misha Laskin表示，Beam在编码和智能体任务上表现强劲，推理所需算力比同类开源模型少3至4倍。

官方基准测试显示，Beam性能与中国Z.ai的GLM-5.2相当，并接近阿里巴巴的Qwen 3.8-Max。这一发布旨在满足那些出于安全或合规原因无法使用中国模型的客户需求。

目前模型仍在进行最终的红队测试和评估，权重和技术报告将于本月晚些时候发布。

亚马逊AWS于10月5日聘请Pedram Rezaei担任杰出工程师，加入其“代理式AI与新兴技术”团队。

Rezaei此前在微软工作二十余年，最近担任Copilot首席技术官直至今年6月，并参与过超级智能团队的基础模型训练。他将重点支持AWS的两款核心AI代理产品：Quick（AI助手）和Kiro（AI编程工具）。据内部邮件披露，这两款产品的用户增长迅速，Kiro用户数在二季度翻倍，Quick的月度AI用户增长四倍。

此举显示亚马逊正从竞争对手处吸纳关键AI人才，以加速将AI投资转化为广泛使用的产品。

CoreWeave于10月5日发布Model Distillation、RL Rollouts和可编程训练API，旨在打通推理与后训练环节。

传统流程中，模型上线即停止改进。新工具允许直接捕获生产流量中的失败案例作为训练数据，无需手动清洗或搭建基础设施。

官方引用客户Method的案例：使用GPT-4o输出训练Llama 3.1 8B模型处理银行IVR系统，经新数据迭代后，在对比评估中胜过原生产版本57.5%。另一客户Willow通过混合监督学习与强化学习提升了文本风格控制能力。

需注意，这些功能多为预览或新发布状态，具体性能依赖用户自身的数据质量与任务定义，且上述案例均为厂商单方陈述。

CoreWeave高管Harsh Banwait称，使用Nvidia Vera CPU后，其Sandboxes产品的启动时间缩短了约3倍。

Sandboxes是为AI智能体提供隔离执行环境的工具，用于强化学习和推理阶段的任务运行。Banwait指出，这一改进解决了智能体在执行任务前等待环境初始化的瓶颈。

该数据来自CoreWeave内部测试，尚未公布详细基准或经独立机构验证。

Ghost宣布结束隐身状态，完成由Andreessen Horowitz领投的1100万美元种子轮融资。

其首款产品Core是一款专为运行AI智能体设计的个人电脑，售价3499美元。该设备内置Nvidia RTX Pro 4000 SFF Blackwell GPU，预装Qwen和Gemma等模型，旨在让用户在本地处理数据并执行任务，无需依赖云端服务。

公司称所有代码、逻辑和模型权重均存储在设备上，用户拥有完全控制权。首批订单于周一开放预订，预计10月最后一周发货。

Instinct于10月5日宣布将其AI智能体引入群聊场景，即使朋友没有Instinct账号也能共同使用。

该功能允许用户将智能体加入聊天，协助规划旅行、组织拼车或协调活动。公司创始人Noah Shinn在X上说明，个人智能体与群聊智能体是隔离的，后者无法访问前者数据。任何信息共享或行动执行前，系统都会请求用户许可。

此举旨在与Meta的Muse等竞品争夺消费者AI市场。目前功能仅向早期访问用户开放，全量上线时间待定。

让大量手机一起训练同一个模型，原始数据留在各自设备里，只上传学到的改动——这类做法叫联邦学习。2019年一篇长综述把这套做法还没解决的问题列成清单：设备不可靠、各家数据不同、流量受限、隐私难证明，而且互相纠缠。

如今输入法、医疗、金融的AI方案都爱用一句话推销：数据不出设备，隐私就解决了。后来的研究至今仍在逐个攻克这篇综述列出的条目，没有哪个方法能全部解决。听到那句推销，就拿清单追问：各家数据不同怎么办？怎么证明真的没偷看？

如果要比较具体方法的优劣或性能数字，就别用它来判断——它没做任何实验，只是盘点问题。如果场景是没有中心服务器、设备互相直连的学习，它列的问题也对不上。

《Advances and Open Problems in Federated Learning》（2019）｜下次复查 2027-09-20