YOHO AI

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。

  • Tesla AI5芯片完成流片：5倍算力、美国双厂代工，剑指Optimus

    马斯克4月15日在X上丢了一句话：AI5已经tape-out了。这条推文在科技圈炸出的水花，比大多数人意识到的要大得多。

    tape-out（流片）在芯片行业里是个分水岭——设计图纸彻底定稿，交给代工厂开始生产，之后不能再改。特斯拉把AI5的设计同时发给了两家工厂：台积电亚利桑那州厂，和三星得克萨斯州泰勒市厂。全部在美国本土生产，这本身就是个信号。

    AI5单芯片算力大约是AI4的8倍，内存容量是9倍，带宽是5倍。双AI5配置的性能对标英伟达Blackwell，但成本不到后者的10%，功耗只有1/3。

    为什么现在需要AI5？

    马斯克自己的说法是：现有AI4已经足够让FSD达到比人类高得多的安全水平。那AI5给谁用？

    答案是Optimus。人形机器人要在真实世界里自主行动，需要处理非结构化环境感知、物体操控、平衡控制、语音交互一堆任务，而且不能靠云端连命——断网就得自己扛。AI5就是为这个场景设计的，足够强的端侧推理能力，功耗还要压得住。

    另一个用途是训练集群。FSD v15的模型参数规模会比现有版本大10倍，Optimus的模型也在同步膨胀，AI5会装进服务器主板（每板5-12颗），成为特斯拉自研训练基础设施的核心。

    量产时间线与更大的棋局

    工程样片预计2026年晚些时候出来，先给Optimus早期测试用。大规模量产瞄准2027年，行业预测2027年中到下半年能落到消费级产品里。

    但特斯拉的节奏比这更快——AI6已经在路上，确定由三星独家代工，预计2026年12月完成流片，2027年量产，单颗算力约是AI5的2倍。Dojo 3超算芯片也在同步研发。特斯拉已经把芯片研发周期压缩到约9个月，比英伟达和AMD的约1年更新节奏要快。

    顺带一提，特斯拉正在得州奥斯汀建自己的芯片制造厂「Terafab」，以后的AI5及后续芯片会逐渐转到自家园子里生产。2026年特斯拉为非汽车项目（Terafab、Cybercab、Optimus）拨了约200亿美元资本支出。

  • 英伟达不再是唯一选择，AI芯片的牌桌正在重新洗牌

    英伟达不再是唯一选择，AI芯片的牌桌正在重新洗牌

    过去几年里，只要你聊到AI算力，所有人的第一反应都是英伟达。这家公司确实走到了一个前无古人的位置——数据中心AI芯片市场占有率一度超过90%，业绩增速让华尔街分析师不停地改预测模型。

    英伟达的巅峰与隐忧

    2026财年英伟达全年营收2159亿美元，同比增长65%。数字很漂亮，但细心的人已经注意到，几个大客户正在悄悄调整采购策略。

  • AI智能体火了：从「聊两句」到「真的帮你干活」

    AI智能体火了：从「聊两句」到「真的帮你干活」

    如果你最近试过让AI帮你订外卖、整理文献、生成科研报告，你可能已经注意到一个变化：AI不再只是坐着和你聊天，它开始动手了。这个变化背后有一个关键词——智能体（Agent）。2026年，这个概念从实验室走到了普通用户的手机屏幕上。

    AI智能体应用场景
    AI智能体正在融入科研、电商、金融等真实工作场景（图源：新华网）

    智能体到底是什么？

    国家网信办等部门2026年5月印发的文件里给了个官方定义：智能体是具备自主感知、记忆、决策、交互与执行能力的智能系统。说人话就是——以前的AI是你问它答，现在的智能体是你告诉它一个目标，它会自己拆解任务、调用工具、执行步骤，最后把结果交给你。

    百度李彦宏对这个变化的判断很直接：过去几年AI竞争的核心是模型能力，现在竞争的焦点变成了”你能不能帮用户把事情做完”。这个判断背后有一个新的度量指标——日活智能体数（DAA），对应移动互联网时代的日活用户数（DAU）。

    衡量一个AI平台和生态是否繁荣，更应该看DAA——有多少智能体在给用户干活并交付结果。这才是AI从聊天工具向数字员工转变的真正标志。

    科研场景：从翻文献到一键出报告

    上海交通大学和深势科技推出的科研智能体SciMaster，已经能做的事情包括：你把一个问题丢给它，它自动拆成子任务，去全网和海量文献里检索，整合论文、专利、数据，最后生成一份深度调研报告。在药物研发和新材料设计领域，这类工具正在改变工作流。

    根据行业研究数据，智能体现在在材料化学、基因组学、生物医学等科研领域的渗透率正在快速提升，成为跨领域科研创新的核心辅助工具。

    电商场景：一句话下单，还会”劝退”你

    2026年5月，淘宝闪购和千问智能体完成深度打通，覆盖全国300多个城市和3000多个区县。你可以直接对智能体说”帮我点两杯奶茶，少糖，加珍珠”，它会自动识别意图、匹配商品、完成下单。

    有个有趣的细节：智能体在帮你选品时还会做出”劝退”动作。有记者测试时试图让智能体买”量子水杯”，结果被千问科普了一大通，直接劝退。这种机制其实是在用AI帮用户做理性决策，而不仅仅是被动执行指令。

    金融与教育：效率提升是实打实的

    券商研究员以前做行业研究，翻研报、读财报、搜新闻，2到3天才能出一份初稿。现在把研究主题交给智能体，它自动检索、精读财报、提炼观点，2到3小时就能输出结构化分析草稿。教育领域也是类似，文献综述这类耗时费力的活，现在智能体可以在一两天内完成过去需要几周的文献梳理工作。

    当然，智能体还不是完美的。幻觉问题、执行出错、决策跑偏，这些都是行业和用户正在共同面对的问题。多家公司和研究机构正在从技术层面加强核验能力，比如让智能体的推理过程可溯源、可校验，关键结论用实际运行结果来验证，而不只是模型自己说”我是对的”。

    政策层面也在跟上。2026年5月出台的《智能体规范应用与创新发展实施意见》，给这个正在快速爆发的行业划定了安全底线。智能体这个东西，本质上是AI从”会说话”到”能干活”的跨越，这个过程才刚刚开始。

  • ChatGPT语音模式被曝用旧模型，付费用户骂了半年才知道





    ChatGPT语音模式被曝用旧模型，付费用户骂了半年才知道

    ChatGPT语音模式被曝用旧模型，付费用户骂了半年才知道

    Andrej Karpathy前几天在推特上扔了个炸弹：ChatGPT的语音模式，跑的是GPT-4o时代的模型，知识截止日期停在2024年4月。也就是说，过去一年AI领域发生的大部分事情，你的语音助手是一概不知的。

    Simon Willison把这个发现整理成了博客文章，然后整个开发者社区就炸了。你每月付200美元买ChatGPT Pro，期待的是最前沿的模型能力——结果你的语音助手连2024年4月之后的世界都不知道。这不是”略有差距”，是13个月的技术代差。

    Karpathy的观察很直接：”ChatGPT语音使用的模型知识截止日期为2024年4月，这基本上是在过去一年AI领域发生的一切之前。”如果你付钱买的是”最新AI能力”，语音模式却给你一个2024年的模型，这个gap很难用”技术限制”完全解释。

    为什么OpenAI不直接用最新模型跑语音

    OpenAI还没有正式回应这个争议，但技术上的约束是真实的。实时语音需要很低的延迟——你说话，AI要几乎同时回应，不能有长时间的”思考”过程。当前的前沿模型（GPT-5.5级别）在做低延迟实时推理的时候，成本和技术难度都比上一代模型高得多。

    这个解释有一定道理，但问题是：OpenAI有没有把这件事清楚地告诉付费用户？如果你每月付200美元买Pro订阅，你大概会默认所有模态（文字、图片、语音、代码）都使用同等水平的模型。如果语音模式用的是上一代模型，这个信息不对称持续了半年多，那就是产品透明度的问题，而不只是技术限制了。

    竞争对手没睡觉

    这个争议最大的影响可能不是OpenAI的技术路线，而是竞争对手的行动。谷歌的Gemini Live语音模式，用的是Gemini 3.5 Flash——这是谷歌当前最新一代的模型。也就是说，如果你用Gemini Advanced的语音模式，你拿到的是和文字界面同等水平的模型能力。

    这个对比对用户来说是很直观的：同样说一句话，Gemini Live能理解2025年的事件，ChatGPT Voice不知道。OpenAI在模型能力上领先了三年，但在产品透明度上给了竞争对手一个可乘之机。

    这不是第一次了

    回顾一下OpenAI过去一年的产品发布节奏，类似的情况其实出现过好几次。2025年底推出的”高级语音模式”（Advanced Voice Mode）本来被期待能缩小这个差距，但开发者的反馈是：并没有。模型能力确实比GPT-4o时代强了一些，但和文字界面的GPT-5.5比，差距仍然是显著的。

    更深层的问题是：当AI公司的产品有文字、语音、图片、代码等多个模态的时候，用户有没有权利期待”同等水平的模型能力”？还是说，每个模态都是独立的产品，用户需要分别判断值不值得付钱？这个问题没有标准答案，但OpenAI作为行业领头羊，在透明度上确实可以做得更好。

    普通用户该怎么看这件事

    如果你在用ChatGPT的语音模式，而且发现它经常”不知道最近发生的事情”——现在你知道原因了。不是你用得不对，是它确实不知道。如果你在乎这个，可以试试Gemini Live，或者干脆回到文字界面。

    对行业来说，这个事件提醒了一件被忽略的事：AI竞赛不只是”谁的模型分数更高”，也是”谁把产品透明度做得更好”。用户愿意为AI付钱，但他们需要知道自己在为什么付钱。


  • KPMG把Claude塞进27.6万员工的电脑里，四大会计师事务所的AI赌注





    KPMG把Claude塞进27.6万员工的电脑里，四大会计师事务所的AI赌注

    KPMG把Claude塞进27.6万员工的电脑里，四大会计师事务所的AI赌注

    2026年5月19日，毕马威（KPMG）和Anthropic quietly宣布了一件事——把Claude部署给全球138个国家、27.6万名员工。这不是”大家可以试试AI”的那种试点，而是直接把Anthropic的前沿模型嵌进了毕马威给客户交付工作的核心平台里。

    有意思的地方在于，这次部署不是简单地给员工开个AI访问权限。Claude Cowork和Claude托管代理是直接集成到毕马威的”数字网关”（Digital Gateway）里的——这个网关是毕马威专业人士用来对接客户、跑专有工具、管AI工作流的核心系统。换句话说，27.6万人不是在和一个聊天界面说话，而是在他们每天用的平台上直接构建AI代理工作流。

    毕马威全球董事长Bill Thomas说这套东西围绕”安全、信任和治理”，不是只追求速度。考虑到Anthropic是那家因为自主武器问题起诉过美国国防部、还发布了第一个公开AI安全框架的公司，这个说法在2026年听起来不算空话。

    从数周到数分钟：代理部署速度的革命

    毕马威和Anthropic说，以前要花好几周工程周期才能配置好、适配税务法变更的代理，现在在数字网关里1小时内就能生成。这个速度提升不是因为Claude变快了，而是因为集成方式是”原生”的——代理工作流直接在毕马威自己的客户交付平台里跑，不需要额外搭建基础设施。

    初期覆盖的是税务和私募股权客户，之后会扩展到所有咨询服务。2026年9月之前，整套系统会在微软Azure上完成全量落地。网络安全是重点部署领域之一——毕马威和Anthropic的团队会用Claude来识别和修复重要客户系统的漏洞，这是Project Glasswing工作在毕马威分销渠道里的具体落地。

    为什么是Claude，不是GPT

    四大会计师事务所选Claude不是偶然。2026年初，德勤宣布把Claude部署给全球约47万名员工，那是当时最大的单一Claude企业部署。2026年5月14日，普华永道（PwC）跟着宣布全球联盟，把Claude Code和Cowork推给全球专业服务员工，光美国就有3万人正在接受认证。

    毕马威现在是第三家，但它的玩法有点不一样。德勤和普华永道更多是”让员工用Claude提升效率”，毕马威则是把Claude做成了给客户交付服务的”基础设施”——Claude不只是工具，而是变成了毕马威服务的一部分。这对Anthropic来说意味着什么？意味着27.6万名专业人士每人接触几十个客户，Claude的实际触达面可能是几百万企业用户。

    四大的AI竞赛，安永还撑得住吗

    德勤（47万）、普华永道（数十万）、毕马威（27.6万）——这三家到2026年9月都会把Claude标准化。剩下那家安永（EY）还没发布同等级别的公开公告。但压力是看得见的：当你的竞争对手都在用Claude给客户交付服务的时候，你很难跟客户解释”我们还在评估”。行业里有人猜，安永可能在2026年第三季度会有动作。

    这个局面的受益者显然是Anthropic。三大家合计约110万名专业人士，他们服务的对象是财富500强、全球2000强和大多数主要政府。当三大四大都把Claude作为标准AI模型的时候，他们实际上是在给每一个客户组织做”隐性推荐”——Claude是安全的、有治理的、企业级的choice。这个分销渠道，任何直接营销都复制不出来。

    一个不怎么被提起的数字

    毕马威在这个联盟里还有一个特殊身份：Anthropic把毕马威列为私募股权领域的”首选咨询方”。这意味着，如果一家被私募股权公司控股的企业想要部署Claude，Anthropic会推荐毕马威来干这个活。这不是小事——私募股权公司控制着全球大量的企业资产，这笔渠道的价值，可能比27.6万个Claude授权本身的收入还要大。


  • 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。