分类: AI资讯

聚焦前沿人工智能动态,速览行业热点、技术突破、产业风向与实用 AI 干货,紧跟科技潮流,第一时间掌握 AI 最新趋势。

  • OpenAI挖来前F1职业车手当CMO,光找人就花了半年

    OpenAI最近任命Colin Fleming为首席营销官(CMO),这事儿本身不稀奇,稀奇的是:光是找一个合适的CMO,他们就花了整整半年时间。

    Colin Fleming LinkedIn
    Colin Fleming 的 LinkedIn 页面,他自称早期曾效力红牛车队

    一个CMO岗位,为什么找了半年?

    纽约时报挖出来的八卦显示,OpenAI之前盯上的CMO候选人,名头一个比一个响:优步总裁Jill Hazelbaker、苹果前设计总监Jony Ive的公关负责人Sarah O’Brien、Square前公关高管Aaron Zamost……每一个拎出来,都够独当一面。

    结果最后被选中的,是Colin Fleming——一个早期效力过红牛F1车队、后来在Salesforce干了13年、最近在ServiceNow当CMO的人。

    “在我职业生涯早期,我曾效力于红牛车队,参加过F1级别的职业比赛。那种速度、精准度和压力,塑造了我今天的领导方式:果断、负责,并且在高风险的情况下也能游刃有余地大规模运作。”

    他的核心竞争力:把复杂技术翻译成人话

    Colin最早在eSoles(一家为专业运动提供鞋垫定制服务的公司)做了4年营销主管,那算是他从赛车手转型到营销的第一站。

    真正让他出圈的,是在Salesforce的那13年。当时大多数企业还在用本地服务器和买断式软件,”CRM”这种词对很多人来说就像天书。Colin和团队做的事情,恰恰是把这些复杂技术翻译成市场能听懂的语言——不再只讲产品功能,而是讲”未来工作方式””企业数字化””云时代”这些更大众化的叙事。

    Salesforce后来能从一家卖CRM的软件公司,变成云计算时代的行业代表,这一步很关键。而Colin也在这个过程中,从产品营销总监一路升到全球营销执行副总裁。


    为什么是现在?OpenAI的营销到底缺什么?

    严格来说,OpenAI的CMO岗位历史短得有点离谱。因为在2024年之前,OpenAI更像一家研究实验室,品牌、传播、市场这些职能长期是弱化的。

    最早负责这块的,是2021年从苹果跳到OpenAI的Hannah Wong,但她当时的头衔是首任CCO(首席传播官),管的也是媒体、公关、政策沟通,严格说那是”传播”,而非传统意义上的”市场营销”。

    OpenAI历史上正式挂过CMO头衔的,实际上只有一个人:2024年才上任的Kate Rouch(她之前在Meta干了十余年,也是Coinbase的首任CMO)。今年4月,Kate Rouch发声明称因需要治疗癌症而卸任。过渡期内,大股东Thrive Capital的营销合伙人Kelly Sims临时顶班。

    OpenAI对营销的组织建设,慢了半拍。当一家公司估值逼近万亿美元、IPO进入倒计时,营销和公关两条线却同时无主,这事怎么看都有点奇怪。

    Colin接的是一个”高风险挑战”

    为什么其他候选人都不接,偏偏Colin接了?他在LinkedIn上形容离开ServiceNow的决定时用了一个词:”gut-wrenching”(令人心碎)。但紧接着他又补了一句:”如果不去,我会后悔一辈子。”

    这话听起来很像车手的思维方式:明知道风险巨大,但只要那是时代拐点、是足够刺激的挑战,他还是会踩下油门。

    他接手之后的核心任务也很明确:ChatGPT已经家喻户晓,下一步是怎么从Anthropic手里抢企业端市场。Colin最擅长的,恰恰是把新技术翻译成市场愿意理解的语言——这个能力,放在当下的OpenAI,就是最缺的那块拼图。


    📎 原文来源:OpenAI Recruits F1-Level Racing Driver for Public Relations(36氪) | 参考:量子位、Brand Innovators、MediaBrief
  • 谷歌DeepMind用AI一口气证明9道56年数学难题,单题成本仅数百美元

    谷歌DeepMind最近搞了个大动作——AlphaProof Nexus,一个由Gemini驱动的形式化证明框架,一口气解决了9道悬而未决的埃尔德什(Erdős)数学开放问题,其中最老的已经被卡了56年。与此同时,它还顺手证明了在线整数序列百科(OEIS)里44个未解猜想。

    Google DeepMind AlphaProof Nexus
    AlphaProof Nexus 由 Gemini 驱动,结合 Lean 形式化验证

    不是”AI猜答案”,而是”机器可验证的证明”

    这次和以前那些”AI做数学题”的新闻不太一样。AlphaProof Nexus 的核心是把大语言模型(LLM)和 Lean 形式化验证工具绑在一起——LLM负责生成证明思路,Lean 负责严格校验每一步逻辑是否真的成立。

    这样做的好处是:证明不是”看起来对”,而是”机器严格验证过对”。传统数学界对AI生成证明最大的质疑就是”你咋知道它没在胡说”,Lean 验证正好堵住了这个漏洞。

    关键突破:单次推理成本仅数百美元,论文与代码已在 GitHub 开源(arXiv:2605.22763,CC BY-NC-ND 4.0 协议)。

    哪些问题被解决了?

    这次解决的9道 Erdős 问题横跨组合数学和图论,其中两个最引人注目的问题已经被卡了56年。完整列表在论文附录里,这里说几个有意思的:

    • Erdős #12:关于整数序列中等差数列密度的猜想,困扰学界超过半个世纪
    • Erdős #125:30年无人给出完整证明的图论问题
    • Erdős #846:34年悬而未决的组合数学问题
    • 其余6道问题同样来自 Erdős 遗留的353道开放问题清单,这次共解决了9道
    • 额外证明了 OEIS 百科中44个序列猜想,覆盖组合学、优化、图论、代数几何、量子光学等领域

    和 OpenAI 的那次突破有什么区别?

    就在前不久,OpenAI 宣布他们的 AI 推翻了一个有80年历史的 Erdős 猜想。两边都在做”AI+数学证明”,但路径不太一样:

    OpenAI 那次更多依赖强化学习驱动的推理,而 DeepMind 这次走的是”LLM生成 + Lean 形式化验证”的路线,两种路径各有优劣。形式化验证的好处是证明可以被机器完整检查,数学界更容易接受。

    目前 AlphaProof Nexus 还不能解决那些需要全新数学构造的问题——它强在”验证了,不是”从无到有发明了新数学”。这个界限,也是整个领域下一步要攻克的。

    这个方向意味着什么?

    以前数学家要验证一篇论文的证明是否正确,往往要花数周甚至数月。如果 AI 能快速生成”机器可验证”的证明草稿,数学研究的速度会被整个提起来。

    当然,现在说”AI 取代数学家”还早得很。目前系统能处理的是”已经被明确表述出来的数学问题”,那些需要人类直觉去”发现正确的问题”的部分,AI 还差得很远。但作为一个”超级研究助手”,它已经很能打了。


    📎 原文来源:AlphaProof Nexus 论文(arXiv:2605.22763) | 参考:agentupdate.ai、IT之家、知乎相关讨论
  • 中国正在把顶尖AI人才留在国内,中美模型差距已缩至3%以内

    中国对AI人才的管控,正在从暗示变成明规则。据多方报道,中国顶尖AI研究人员、创业公司创始人和私营企业高管现在出境需要政府批准,部分地区和机构的人士甚至被直接限制离境。

    这件事的背景是中美AI竞赛已经进入肉搏阶段,而中国的追赶速度比很多人预期的快得多。

    斯坦福大学最新AI指数显示:中美顶级AI模型性能差距从2023年的约31%,缩小到2026年3月仅剩2.7%。

    Manus事件是个转折点

    催化剂之一是Meta拟以20亿美元收购中国AI创业公司 Manus 的交易。中国监管机构随即介入调查,怀疑这笔交易是否违反了外商投资相关规定,两名联合创始人目前被禁止离境。

    据《金融时报》报道,Manus 联合创始人正在琢磨怎么把这个交易拆掉——包括从外部投资者筹集约10亿美元,从Meta手里把公司买回来,以满足监管方的诉求。

    中国上海外滩
    上海外滩 | 来源:TechCrunch

    不止是限制出境

    出境管制只是一部分。今年4月彭博社报道称,中国还计划对流向顶尖AI企业的美国资本设置审查门槛——月之暗面(Moonshot AI)、阶跃星辰(StepFun)、字节跳动等公司在接受美国资金前,必须先拿到政府批文。

    2025年中国还对14种稀土材料实施了两轮出口管制,这些都是高科技军工制造的关键原料;政府资助的数据中心也被禁止使用外国AI芯片。


    美国在哪些地方还有优势?

    客观地说,美国在模型整体质量和髙价值专利方面仍然领先。但中国在论文发表量、引用量和专利总量上已经追平甚至反超。这场竞赛已经不是”美国遥遥领先”的剧本了。

    把人才留住,把资本管住,把供应链握在自己手里——这是中国过去两年在AI领域在做的事情。效果如何,接下来12个月会见分晓。

  • 这家公司用AI帮肿瘤医生省时间,2200万美元融资到手

    癌症患者的病历可以厚得像一本字典。影像报告、病理分析、病程记录,有时候加起来几千页,医生要在每次就诊前把这些全部读完,时间根本不够用。

    Triomics 做的就是这件事——用AI帮肿瘤科医生把病历”消化”成可以直接用的摘要,直接嵌进医生已经在用的工作台里,不用切换系统。

    Triomics 过去一年企业客户基数增长了4倍,年度经常性收入(ARR)增长了10倍。

    从临床试验匹配到全程AI助手

    公司2021年成立,最初的产品是帮患者匹配最合适的临床试验。2024年中期完成1500万美元A轮融资之后,大语言模型的能力突飞猛进,Triomics 也顺势把平台功能扩展到了更完整的临床场景。

    现在 Triomics 能自动生成可验证的患者摘要,还能代替人工完成向政府登记处提交肿瘤报告的法定义务——这件事每家癌症中心都必须做,但极其耗时。

    Triomics联合创始人Sarim Khan和Hrituraj Singh
    Triomics 联合创始人 Sarim Khan(左)和 Hrituraj Singh(右)| 来源:TechCrunch

    为什么要专门做肿瘤学AI?

    通用AI助手也能做摘要,但纪念斯隆-凯特琳癌症中心、耶鲁癌症中心这些顶尖机构选的是 Triomics,原因很简单:它的模型是专门针对肿瘤学数据训练的,不是拿通用模型凑合用用。

    这个赛道上 Triomics 最直接的对手是 Abridge 和微软的 Nuance——它们靠AI记录医患对话来生成病历,路线不太一样,但目标用户高度重叠。


    这一轮2200万美元B轮融资由 Battery Ventures 领投,老股东 Nexus Venture Partners、Lightspeed、Y Combinator 跟投。在AI医疗这个烧钱又难做的赛道里,能做到年收入10倍增长,算是拿到了一张不多见的入场券。

  • Robinhood 上线 AI Agent 炒股功能:可自主交易股票,亏损自负

    Robinhood 让 AI Agent 帮你炒股,赚了算你的,亏了也算你的

    AI Agent 能做越来越多的事——写代码、订机票、帮你回邮件。现在,Robinhood 想让它再多做一件:帮你买卖股票。

    这家在线券商本周宣布,用户可以为 AI Agent 开设独立账户,存入一笔资金,然后让 Agent 在市场上自主交易。听起来很酷,但公司自己也赶紧补了一句:这事风险很大,亏完了别怪我们。

    Robinhood AI Agent 交易示意图
    Robinhood 的 AI 交易代理功能演示 | 图片来源:The Verge

    AI 炒股,到底靠不靠谱?

    现在让 AI Agent 替你炒股,胆子真的要很大。Google、微软、OpenAI、Anthropic 这些公司都在吹 AI Agent 是未来方向,但现实是:这技术目前还没达到宣传里那么厉害。

    写代码确实还行,但让 Agent 替你在网上买东西或者填表格,经常出错,效率也不高。拿真金白银去试,风险不是一般的大。

    “代理交易涉及重大风险,包括可能损失全部投资。AI驱动的策略在某些市场条件下可能表现不佳,交易速度快,且可能难以实时监控或停止。”——Robinhood 官方风险提示

    你能做什么,不能做什么

    目前这个功能还在 Beta 阶段,首先支持股票交易。Robinhood 的计划是后续扩展到期权、加密货币、事件合约和期货。

    用户每次收到 Agent 完成交易的推送通知,可以在 App 内查看实时活动流,随时可以暂停 AI 交易。连接的方式是通过模型上下文协议(MCP)——这是个连接 AI 系统和应用的开放标准,Anthropic 推出来的那个。

    除了炒股,Robinhood 还给了 Agent 另一项能力:连接虚拟信用卡。Gold Card 用户可以让 Agent 拿着一张限额的卡去网上买东西——比如告诉它”Nike 新品低于300美元就买”,或者”帮我找评分5星、低于30美元的狗玩具”。每笔消费你可以选择手动批准,Agent 也会在交易前给你预览。


    让 AI 替你做投资决策,这个概念本身不新鲜。但真正把 Agent 和实际券商账户打通,Robinhood 可能是头一个吃螃蟹的大平台。至于你敢不敢把账户交给它,那就是另一个问题了。

  • ElevenLabs 音乐生成模型 Music v2 发布:支持中途切换风格,训练数据全部正版授权

    AI音乐生成迎来新突破:中途换风格不再是梦

    做音乐最怕的事情之一,就是写了一半突然想换风格。以前用AI生成音乐,一旦按下了生成键,整首曲子的风格就定死了,想改只能从头再来。最近 ElevenLabs 发布的 Music v2 模型,直接把这个问题给解决了。

    这家公司大家可能更熟悉它的语音合成产品——就是那个可以把文字转成非常自然的人声的工具。其实他们去年8月就推出了第一代音乐生成模型,现在过去快10个月,v2版本正式上线。

    ElevenLabs AI音乐生成模型
    ElevenLabs 的 AI 音乐生成界面 | 图片来源:TechCrunch

    中途换风格,这次真的做到了

    Music v2 最亮眼的功能,就是支持在音轨生成过程中实时切换音乐风格。官方演示里,一首曲子可以从歌剧无缝过渡到重金属,然后再切到说唱段落,听起来竟然不违和。

    更实用的是,现在创作者可以按段落独立生成——先写前奏,再写主歌,最后写副歌,每段都可以单独调整,不用担心一动全毁。这对于需要精细控制输出质量的音乐人来说,是个实实在在的改进。

    “用户可以选中歌曲的某个部分,只重新生成那一段,其余部分完全不受影响。”——ElevenLabs 官方说明

    版权问题,这次学乖了

    AI音乐生成这个赛道,版权纠纷一直是个大坑。Suno 和 Udio 这两家竞争对手,目前都还背着主要唱片公司的诉讼,原因是被指控用未经授权的版权音乐训练模型。

    ElevenLabs 这次学聪明了——明确宣称所有训练数据都获得了授权,生成的音乐可以直接商用。对于想要把AI音乐用在商业项目里的内容创作者来说,这个保障很重要,省去了未来可能面临法律风险的隐忧。

    竞争对手也在加速

    这个赛道现在相当热闹。过去几个月,Google、Stability AI、Suno 都相继发布了新版本的音乐生成模型,支持更长的音轨和更复杂的编曲。Google 在 I/O 大会上还专门给 Flow Music 工具加了一堆新功能,包括自动生成音乐视频。

    ElevenLabs 的差异化策略是:把音乐生成工具直接嵌入到营销和品牌工作流里。新模型已经上线到他们面向营销团队的 ElevenCreative 工具,以及今年4月刚推出的独立音乐生成 App。API 接口也快要开放了,到时候第三方开发者可以把这个能力集成进自己的产品。


    AI音乐生成到底能不能被主流接受,目前还是个问号。音质、版权、艺术家的抵制,每一道坎都不好跨。但至少从技术层面看,工具正在快速成熟,ElevenLabs 这次的 v2 版本,确实是朝着”可用”的方向又迈了一步。

  • IBM搞了个企业IT基准测试,结果把前沿AI模型全 underneath 50%分数线

    大语言模型在各种排行榜上吊打人类已经不是新闻了。编码、数学、逻辑推理,GPT和Claude们基本想考多少考多少。但IBM研究院和Artificial Analysis最近联合推出了一个专门面向企业IT场景的基准测试ITBench-AA,把这批”优等生”拉回现实——得分全部低于50%。

    这个测试的核心区别在于:它不考”答题”,而是考”做事”。

    ITBench-AA评估的是AI Agent在企业IT环境中自主行动的能力——不是回答问题,而是真正去排查故障、管理配置、处理工单。

    为什么通用基准测不出来?

    通用的AI基准测试有个通病:题目是干净的,输入是结构化的,正确答案是明确的。但真实的企业IT环境完全不是这样。

    想象一下:某个生产环境报警了,日志分散在三台服务器和一个云服务上,错误信息是模糊的,相关文档散落在内部Wiki的废弃页面里。一个合格的IT工程师会知道先查什么、忽略什么、什么时候需要升级工单。而当前的前瞻模型,即使逻辑推理能力很强,在这种”脏”环境里的表现就掉下来了。

    ITBench-AA试图模拟的就是这种复杂度。它要求AI Agent不仅能”理解”问题,还要能规划多步行动、在过程中根据新信息调整策略、并且在不确定时知道停止而非瞎猜。

    50%意味着什么?

    低于50%的意思不是说这些模型”不能用”,而是说它们还没达到”可以无人监督地自主处理企业IT任务”的水平。这个门槛其实挺高的——企业环境里一个错误的自动化操作可能导致服务中断甚至数据丢失,所以准确率要求天然就高。

    但这个结果的另一层含义是:AI Agent要真正进入企业核心运维流程,还有相当距离。现在的Agent更适合做”辅助”角色——给IT工程师提供建议、帮忙查文档、生成脚本草稿——而不是直接接管。


    这个基准测试会改变什么?

    ITBench-AA的出现至少会带来两个变化。第一,它给AI公司和中国企业提供了一个清晰的改进方向——不再是模糊的”提升推理能力”,而是具体的”在多步IT运维场景中减少错误率”。

    第二,它会推动更多行业建立自己的”Agent能力基准”。IT运维只是第一个,类似的基准测试很可能出现在法律、医疗、金融合规等领域。这些领域的共同点是:任务复杂、容错率低、需要多步推理。

    对从事AI Agent开发的团队来说,这个基准测试是个很有价值的参考。它告诉你:别只盯着MMLU和HumanEval了,去看看你的Agent在”脏”环境里到底行不行。

  • Anthropic和OpenAI悄悄赚钱了,企业API计费正在取代固定订阅

    最近有件事挺值得玩味的。Anthropic据说马上要迎来第一个盈利季度了——不是”接近盈利”,是真的赚钱。Simon Willison分析了一组数据之后发现,这事背后藏着整个AI行业商业模式的拐点。

    先说一个让人有点意外的事实。你现在每个月花200美元订阅Claude Max或者OpenAI Pro,如果你是个重度编码代理用户,你实际用掉的token按API市价来算,价值超过2100美元。也就是说,你花200块享受了2100块的服务,差价整整10倍多。

    Anthropic的Claude Code重度用户30天内产生的token用量约值1199.79美元,OpenAI Codex约值980.37美元。但他们每月只付200美元订阅费。

    为什么实验室愿意让你”薅羊毛”?

    答案其实很聪明。补贴个人重度用户是为了培养使用习惯,让这些开发者把Claude Code和Codex深度嵌入日常工作流。等你离不开了,真正的利润来自企业端。

    2026年4月,Anthropic做了一个关键的决定:把企业计划从”固定费率包月”改成”每席位20美元基础费 + 实际API用量另计”。这个变化意义非常大——它意味着企业客户已经在用足够多的token,以至于固定费率反而对Anthropic不划算了。

    有意思的是,企业并没有因为要按量付费而退缩。相反,越来越多的公司在扩大使用规模。这其实是最扎实的”产品市场匹配”信号——不是投资人说的那种PMF,而是客户愿意为真金白银的实际用量买单。

    从补贴个人到收割企业

    回顾过去两年,Anthropic和OpenAI的商业化路径其实挺清晰的。最开始是个人订阅为主,每月20美元、100美元那种,目的是快速拉用户、收集反馈、训练模型对齐能力。

    现在这个阶段基本完成了。编码代理(Coding Agent)的出现是个分水岭——它让AI从”聊天工具”变成了”每天跑几小时的后台工人”。token消耗量因此飙升了两个数量级,而企业愿意为这个付费,因为代理跑一小时省下的人工成本远超API费用。

    所以你看,Anthropic即将盈利这件事,不是因为个人订阅收入爆发,而是因为企业API收入终于跑通了。按量计费的企业模式一旦跑顺,营收增长就是线性的——用得越多,收得越多,不需要再去拉新用户。


    这件事对整个行业的示范效应会很显著。其他大模型厂商恐怕也会跟进,把企业客户从固定费率计划往API按量计费上迁移。对个人用户来说,这意味着200美元”无限畅吃”的好日子可能不长了——等实验室觉得用户习惯已经培养好了,订阅计划和实际API成本之间的差价大概率会收窄。

    至于现在,如果你是个开发者,每个月在Claude Code或Codex上烧200美元,那你其实正在享受AI商业化过渡期最后的红利。好好用,别浪费。

  • Cohere收购Aleph Alpha估值200亿美元,要在美中之间做主权AI第三极

    4月24日,总部位于加拿大多伦多的Cohere宣布收购德国AI公司Aleph Alpha,合并后估值约200亿美元,两家公司称之为”跨大西洋AI强国”。这起并购背后的战略逻辑非常清晰:随着美中AI紧张关系加剧,欧盟和加拿大的组织机构正在积极寻找美国科技巨头之外的替代方案,而一家同时在两国数据主权框架下运营的AI公司,恰好能满足这个需求。

    Cohere的CEO Aidan Gomez将领导合并后的实体,总部设在多伦多,欧洲总部设在柏林。施瓦茨集团(Aleph Alpha的主要支持者之一,旗下拥有Lidl和Kaufland)将作为交易的一部分,向Cohere即将进行的E轮融资投资6亿美元。Aleph Alpha深耕德国公共部门关系——德国数字事务部、巴登-符腾堡州政府、德意志银行、SAP和博世都是现有客户。

    当数据主权从政治口号变成采购决策,一家能在加拿大和欧盟框架下同时提供大模型的公司,溢价能力会比单纯的技术基准分数更具说服力。

    200亿美元估值背后的赌注

    我的判断是:这200亿美元的合并估值,建立在”主权AI比同等美国托管能力享有溢价”的前提之上,这是一个乐观的假设。目前这个前提在国防、医疗保健和公共部门合同中确实成立,但在商业企业中(成本效率和能力基准占主导),客户是否愿意为主权溢价买单,还是个未知数。

    这起交易的结构倒是很合理。Cohere带来全球大语言模型开发能力,现有客户包括加拿大皇家银行、BCE、富士通、LG CNS,还有2.4亿美元的加拿大政府资金支持。Aleph Alpha则带来欧洲公共部门的深度关系网。合并后的实体在地理和政治覆盖上,确实能提供一种微软、谷歌、亚马逊目前无法声称的叙事:我们的训练数据、推理基础设施和公司治理,同时符合加拿大和欧盟的监管框架。

    地缘政治的底层逻辑

    这起并购其实是政府结盟的私营部门体现。2026年初,加拿大和德国在慕尼黑安全会议上启动了主权技术联盟,Cohere-Aleph Alpha就是那个联盟在AI领域的具体落地。对于不想把敏感数据路由到美国基础设施的欧盟组织来说,这家合并后的公司提供了一个技术上可行、政治上正确的选择。

    • 国防和公共部门:主权溢价的逻辑最成立,这部分市场Cohere-Aleph Alpha有明显优势
    • 商业企业:成本和能力基准仍是采购决策的核心,这部分市场竞争激烈
    • 数据本地化要求严格的行业(金融、医疗):合并后的跨大西洋架构有差异化价值

  • 加拿大裁定OpenAI违反隐私法,训练数据收集首遭国家级认定违规

    五月底,加拿大隐私专员办公室联合魁北克、不列颠哥伦比亚和艾伯塔三省的对应机构,正式发布调查结果:OpenAI在开发ChatGPT的过程中,违反了加拿大隐私法。这是全球范围内第一个国家级别的隐私监管机构,正式认定AI模型训练数据收集构成隐私违规。

    调查持续了三年。起因是加拿大公民社会组织CAIDP在2023年向监管机构投诉,认为OpenAI从公开互联网大规模抓取个人信息用于训练,缺乏合法依据。调查最终认定了三项违规:第一,从公共网络过度收集个人信息,且没有做比例评估;第二,对被抓取数据的个人缺乏有效同意机制和透明度;第三,对敏感数据的保护不足,包括健康状况信息,以及从社交媒体、博客、新闻网站收集的儿童数据。

    加拿大成为第一个正式裁定AI训练数据收集违反隐私法的国家,而且几乎可以确定不会是最后一个。

    OpenAI承诺补救,但省级监管机构不买账

    联邦专员认为这起投诉已经”有条件地”解决,OpenAI方面承诺采取额外补救措施。但魁北克、不列颠哥伦比亚和艾伯塔三省的隐私专员并不认同这个解决方案,正在继续推进各自的执法程序。这种联邦与省级监管态度分裂的局面,让OpenAI在加拿大的合规前景变得复杂。

    OpenAI的标准回应一直是:公共网络数据用于模型训练是合理的,这是业界通行做法。但这个论点在拥有 comprehensive 隐私框架的司法管辖区,越来越站不住脚。英国的ICO、德国的数据保护机构(DPA)、法国CNIL都在进行类似调查。

    对企业用户意味着什么

    如果你在加拿大的组织里部署ChatGPT,这条裁定创造了实质性的合规风险。根据OpenAI的训练数据收集机制,通过ChatGPT处理的数据有可能被用于模型改进(除非企业用户明确退出),而加拿大隐私监管机构现在已经正式认定这种模式本身存在问题。

    • 受加拿大隐私法(PIPEDA)约束的组织,需要在部署前进行法律审查
    • 省级监管机构(特别是魁北克)的执法态度比联邦层面更严格
    • 训练数据同意框架是这根刺的核心,OpenAI需要提出比”公共数据例外”更有说服力的论辩