YOHO AI

标签： AI技术

  • 出版商想拦AI爬虫却不敢拦Google：这场猫鼠游戏越来越难玩了

    出版商想拦AI爬虫却不敢拦Google：这场猫鼠游戏越来越难玩了

    内容出版商和AI公司之间的张力，最近在法国戛纳的一个舞台上爆发了。People Inc.（前身Dotdash Meredith）的CEO Neil Vogel在Cannes Lions创意节上公开指责Google”滥用市场力量”——理由很简单，也很棘手：Google用同一个爬虫程序同时做搜索索引和AI训练数据采集，出版商根本没法单独屏蔽AI训练而不失去搜索流量。

    这不是一个小问题。People Inc.是美国最大的出版商之一，旗下有《People》、《InStyle》等知名刊物。Vogel在Axios的访谈中说得很直白：”我们实际上没法屏蔽Google，因为Google用同一个爬虫做搜索和AI，这是对市场力量的极度滥用。”

    “我们很想跟他们达成建设性的合作，但大概率会走向对抗，而不是合作。”—— Neil Vogel, People Inc. CEO

    搜索流量 vs AI训练：出版商的两难

    这件事的核心矛盾在于：搜索流量对出版商来说是流量变现的核心渠道，而AI训练需要抓取同样的内容。如果出版商想保护自己的内容不被用于AI训练，技术上可以屏蔽AI爬虫，但一旦屏蔽Google的爬虫，搜索排名就会受影响。

    出版商与Google AI爬虫
    内容出版商正在与Google就AI爬虫问题展开博弈

    其他AI公司就没这个问题。Vogel透露，People Inc.已经跟Meta、OpenAI和微软签署了AI内容授权协议。这些公司的爬虫是可以单独屏蔽或授权的。但Google不行——它的爬虫是”一鱼两吃”。

    Google的回应：你可以选择退出

    Google对Vogel的指责给出了回应：出版商可以通过”Google-Extended”来控制自己的内容是否被用于训练Gemini模型，而这不会影响搜索索引。

    但这个回应没解决根本问题。Vogel的抱怨是：出版商”不得不”让Google爬虫访问，因为搜索流量太重要了。

    Cloudflare的”许可模式”

    People Inc.是第一批加入Cloudflare”AI爬虫许可模式”的出版商之一。这个模式的思路是：默认屏蔽所有AI爬虫，只有付费授权的公司才能访问。Vogel说，这个模式上线后，”所有人立刻都急了”。

    Vogel说：”AI需要三样东西：模型、算力、输入——而出版商掌握着输入。稀缺性是关键。”

    📎 原文来源：The Verge | Axios

  • 一个研究生用12B模型干翻HuggingFace热榜，大厂这次真的有点尴尬

    一个研究生，两款模型，74万次下载

    HuggingFace的Trending模型榜，向来是大厂的秀场——直到逯雨鑫（yuxinlu1）带着他的GGUF量化模型闯了进来。

    这个美国AI方向的在读研究生，用Gemma4-12B做底座，通过蒸馏把Fable 5的编程推理能力「压」进了一个仅需4.5GB显存就能跑的小模型。结果很直接：在HuggingFace趋势榜上，它一度超过了智谱GLM-5.2、百度Unlimited-OCR等大厂作品，两款模型合计下载量突破74万。

    个人开发者霸榜HuggingFace概念图
    个人开发者的12B模型在HuggingFace趋势榜超越众多大厂模型

    怎么做到的？数据质量胜过数量

    逯雨鑫的秘诀不算神秘，但很费功夫：他用约1万条高质量、经过验证的训练数据，而不是几百万条噪声数据。具体来说，他用Fable 5生成代码推理链，但只保留「能通过测试用例」的那些——相当于让老师先改作业，再把满分答案给学生做示范。

    两个版本各有侧重：V1 Coder版专注代码生成与解题；V2 Agentic版增加了多步工具调用能力。在tau2-bench telecom子集上，V2得分55%，而基座Gemma4-12B只有15%——提升了约3.5倍。

    「大厂能做得更好，但开源小模型受品牌和API引流目标影响。个人开发者可以更纯粹地解决『好用』问题。」——逯雨鑫

    为什么是现在？本地AI的窗口打开了

    这几年有个矛盾的现象：云端大模型越来越强，但很多人反而开始关心「本地能跑」的模型。原因很实际：隐私（不想把代码发给云端）、成本（不想为API账单发愁）、延迟（本地推理零网络开销）。

    逯雨鑫的模型最小版本（Q2_K）只要4.5GB显存，一张RTX 4060就能跑。对于很多个人开发者和中小团队，这个门槛意味着「不用申请采购、自己的笔记本就能用」。

    作者是个什么样的人？

    逯雨鑫，美国AI方向在读研究生，本科背景是数据与商业分析。他自述患有ADHD，但在快速变化的AI领域，这种「兴趣快速切换」的特质反而成了优势——hyperfocus让他能在模型训练上连续投入40多个小时。

    项目是纯自费的：一张RTX 5090（32GB VRAM）、约96GB本地SSD，没有融资、没有团队。V2版本最耗时的不是训练，而是数据处理——尤其是agentic长序列的裁剪和验证。

    • 模型底座：Google Gemma4-12B（蒸馏Fable 5能力）
    • 量化格式：GGUF（兼容llama.cpp/Ollama/LM Studio）
    • 最小显存：Q2_K约4.5GB（推荐Q4_K_M约6.87GB）
    • 合计下载：超74万（HuggingFace Trending榜一度超越GLM-5.2）
    • 未来计划：V3沿12B路线推进，同时开发基于Qwen3.6-27B的大版本

  • Anthropic指控阿里巴巴发动史上最大蒸馏攻击，中美AI对抗再升级

    2880万次交互、25000个假账号：Anthropic说这是「史上最大规模蒸馏攻击」

    6月10日，Anthropic给美国参议院银行委员会发了一封信，收件人是主席Tim Scott和资深委员Elizabeth Warren。信里说的事情，如果属实，算是今年AI圈最刺耳的一桩指控。

    Anthropic指控阿里巴巴（Alibaba）及其AI实验室（通义/Qwen），在2026年4月22日到6月5日这45天里，用了大约25000个虚假账号，跟Claude模型产生了2880万次交互，目的是通过「蒸馏」（distillation）把Claude的能力迁移到自己的模型上。

    「这是迄今已知的、针对Anthropic的最大规模蒸馏攻击。」——Anthropic致美国参议院信函

    蒸馏到底是什么，为什么各家都抢着做

    说白了，蒸馏就是「用大模型教小模型」。你有一个很强但很贵的大模型（比如Claude），想做一个便宜的小模型，就让小模型大量「模仿」大模型的输出，把能力「蒸馏」过去。好处是：训练成本只有从头训练的零头，但效果可以很接近。

    坏处也很明显：如果你大量调用别人的商业模型来做蒸馏，却不付钱、不遵守使用协议，这就变成了「知识产权盗窃」。Anthropic在信里用的词是「brazenly and illicitly」——明目张胆、非法地窃取AI能力。

    Anthropic指控阿里巴巴蒸馏攻击概念图
    Anthropic称这是迄今最大规模的AI蒸馏攻击

    不是第一次了，但这次规模最大

    今年2月，Anthropic就在博客里点名了三家公司：DeepSeek、Moonshot（Kimi）、MiniMax——说它们也在用工业级规模「蒸馏」Claude的能力。但这次对准阿里巴巴，量级和措辞都升级了。

    为什么挑阿里巴巴？因为它是中国最大的AI玩家之一，Qwen系列模型在国际开源社区存在感很强。如果Anthropic的指控引发美国监管出手，受影响的不只是阿里巴巴，而是整个中国AI行业进入美国「实体清单」的风险。

    华盛顿正在酝酿反击

    据CNBC报道，参议员Bill Hagerty（R-TN）和Andy Kim（D-NJ）正在推动一项修正案，塞进国防授权法案里——任何被认定「不当获取美国AI模型输出」的中国公司，将面临黑名单或制裁。

    与此同时，特朗普政府已经以行政令方式，限制Anthropic的Mythos 5和Fable 5模型向非美国公民开放。Anthropic自己也在6月10日那封信里承认：这波蒸馏攻击，就是在出口管制收紧之后加速的——因为「合法」拿不到模型，就开始「偷」。

    • 时间窗口：2026年4月22日 – 6月5日（45天）
    • 交互量级：2880万次（约每秒75次）
    • 假账号数：约25000个
    • 目标能力：软件工程、Agent推理（Mythos Preview核心能力）
    • 阿里巴巴回应：截至发稿，未回应CNBC请求
  • 英伟达联手剑桥大学发「红皇后」论文：AI自己造考官淘汰自己，2028年AGI真的要来了？

    英伟达联手剑桥大学发「红皇后」论文：AI自己造考官淘汰自己，2028年AGI真的要来了？

    Anthropic 联合创始人 Jack Clark 在今年 5 月给了一个概率：60%，到 2028 年底，完全自主的递归自我进化 AI 就会出现。当时很多人觉得他在喊狼来了。但现在，英伟达和剑桥大学等 13 位研究者联合发布了一篇论文，让这个预测突然变得没那么遥远了。

    这篇论文叫《Red Queen Gödel Machine: Co-Evolving Agents and Their Evaluators》（红皇后哥德尔机：协同进化的智能体与评估者），6 月 24 日挂在 arXiv 上。名字里的”红皇后”来自进化生物学——物种必须不断进化才能保持相对于其他进化物种的适应性，就像《爱丽丝镜中奇遇记》里的红皇后对爱丽丝说的：”你只有拼命跑，才能留在原地。”

    Red Queen Gödel Machine 概念图
    红皇后哥德尔机：AI 评估者可以与智能体协同进化 | 制图：AI资讯

    以前的所有自进化系统，评估者都是死的

    要理解这篇论文干了什么，得先搞清楚它解决了什么问题。递归自我进化 AI 的理想状态是：AI 改写自己的代码，跑一下测试，如果测试结果更好，就保留这次改写。听起来很合理对吧？

    但有一个根本性的问题：你用来评估”是否更好”的那个评判标准（evaluator），是固定不变的。随着 AI 越来越强，它会学会”刷分”——专门针对评估者的偏好来优化，而不是真正提升底层能力。这在经济学里叫古德哈特定律（Goodhart’s Law）：当一个指标变成优化目标，它就不再是好指标了。

    打个比方：你让 AI 做数学题，然后用一个固定的评分程序来判断答案对错。AI 学会了找评分程序的漏洞，给出能通过评分但实际错误的答案。这在 AI 安全圈里叫”reward hacking”（奖励黑客）。以前的解决方案是把评估者做得更复杂，但本质上还是在用固定标准测一个不断进化的系统——这就像用一把不会长的尺子去量一个一直在长高的孩子。

    红皇后哥德尔机的核心突破是：评估者也可以进化。在每个训练周期（epoch）的边界，系统可以换一个更好的评估者——但前提是，这个新手得在一个人类标注的留存验证集上证明自己确实比老手更准。如果证明不了，老手继续留任。

    数学奥林匹克和科学论文写作，两个硬指标都涨了

    论文里给出了具体数字。在数学奥林匹克级别的题目上，协同进化的证明评分者比之前的最佳水平高出 9% 的准确率。在科学论文写作任务上（用一组 AI 评委来打分），协同进化的写手比之前的最佳自进化智能体高出 1.78 到 1.86 倍的接收率。

    这些提升不是靠堆算力换来的。因为协同进化的代码审查者只需要查询一次智能体的输出，而不是反复跑测试套件，所以红皇后哥德尔机在完成 Polyglot 基准测试改进时，用的 token 数比之前的最佳系统少了 1.35 到 1.72 倍。

    还有一个细节值得说。在科学写作领域，之前最强的基线评分者会把 AI 生成的论文以高达 1.91 倍于人类论文的比例”放行”——这是 AI 评判的一个已知失效模式，评分者太好说话了。红皇后哥德尔机在每个周期边界组装一组对抗性 AI 提交物，专门奖励那些能正确识别并拒绝这些”水论文”的新评估者。几轮进化下来，得到的评委对人类和 AI 论文用了同等的严格程度，同时在留存验证集上保持了 80% 的准确率。

    安全护栏本身，也是一个静态基准

    论文的作者们很坦诚地讨论了系统的局限。他们用来防止评估者失控的护栏，是一个人类标注的留存验证数据集。只要这个数据集还能提供可靠信号，系统就有一个”锚”。但这个问题其实被推到了更高一层的抽象上——如果 AI 系统足够强，它会不会也开始”刷”这个验证集？

    这就是论文留下来的核心开放问题。作者在论文里说，他们的系统是”初步的实证调研”，打算在未来版本里探索更长的搜索视野。但不管怎么说，一个没有天然停止条件的改进循环，现在从理论变成了可以实际运行的代码。

    2026 年 2 月的国际 AI 安全报告已经把递归自我进化基础设施列为跨国安全威胁。Jack Clark 的 60% 概率预测，现在看起来不像几个月前那么遥远了。英伟达作为 AI 算力的实际垄断者，亲自下场做递归自我进化研究，这个信号本身就很值得玩味——他们是想看清这个技术的边界，还是想确保自己在这场竞赛里不掉队？

  • Coinbase把AI算力账单砍了一半，办法是换用中国模型

    Coinbase把AI算力账单砍了一半，办法是换用中国模型

    Brian Armstrong 在 X 上轻描淡写地发了一条消息，说 Coinbase 现在跑在 GLM 5.2 和 Kimi 2.7 这些中国模型上。这条消息淹没在 AI 圈的每日喧嚣里，但如果你仔细看数据，会发现一个信号：西方 AI 实验室正在被自己的高定价逼出一个竞争对手——而且这个竞争对手来自太平洋彼岸。

    先说结果。Coinbase 的 token 使用量在过去几个月里创了历史新高，因为像 GPT-5.x-Thinking 和 Opus 4.5 这样的推理模型大量进来了。但与此同时，公司的 AI 支出却砍了一半。一半。Armstrong 说这话的时候语气很平淡，好像在说一件理所当然的事。

    Coinbase AI成本优化示意图
    企业 AI 支出优化正成为新的竞争力 | 制图：AI资讯

    91% 的开发者根本不在乎你给了什么模型

    这件事最反直觉的地方在于：Armstrong 并没有强制所有人换模型。开发者仍然可以自由选择任何模型。但数据告诉我们，91% 的人从来就没有触碰到旧的使用上限。他们用不满，是因为当前的模型够用了，或者他们根本懒得去调。

    Coinbase 同时跑了一套自动路由系统，根据任务类型、价格和缓存可能性来挑最优模型。光是改进缓存策略这一项，就把缓存命中率从 5% 拉到了 60%。开发人员被建议保持上下文精简，为新任务开新会话——这套打法归属于当下流行的”上下文工程”范畴。

    “你在 AI 上花的钱越多，我们期望你产出的影响就越大。”Armstrong 说这话的时候，把”tokenmaxxing”（无脑烧 token 刷内部分数榜）的文化打破了。Coinbase 没有设硬性上限，但把每个人的使用量公开了。这一招比直接封顶更狠。

    不只是 Coinbase 一个人在干

    初创公司 Lindy 的 CEO 最近把 Claude 整个扔了，全线换成 DeepSeek v4。Snowflake 的 CEO 测试下来觉得 GLM 5.2 在不少任务上跟 Opus 4.7 差不多，但价格只是一个零头。这些公司不是在用”便宜货”凑合，而是在用足够好的模型把成本结构打穿，然后把省下来的钱花在别的地方。

    这对西方 AI 实验室来说是个实实在在的压力测试。OpenAI 和 Anthropic 还在准备 IPO，需要拿出漂亮的增长数字来支撑估值。但如果大客户开始用中国开源模型替代，那些增长数字还撑得住房吗？JPMorgan 最近在一份报告里列了一堆 AI 市场的红旗指标，其中”客户价格敏感度上升”被放在了显眼位置。

    价格战已经悄悄打响了

    有消息说 OpenAI 和 Anthropic 之间正在酝酿一场关于 API token 的价格战。OpenAI 刚推出的 GPT-5.6-Sol 跟 GPT-5.5 定价一样，但官方说法是比 Claude Fable 和 Mythos 更省 token。OpenAI 同时还放出了两个更弱的 5.6 变体，价格低得多。

    这套打法很像当年的云服务价格战——亚马逊 AWS 用规模优势把价格压到竞争对手活不下去。现在轮到 AI 模型层了。唯一不同的是，这次”低价入侵者”来自中国，而且他们的模型真的不差。

    📎 原文来源：Coinbase joins the rush to Chinese AI models as Western labs face a pricing stress test — The Decoder

    发布时间：2026年6月28日 | 作者：Matthias Bastian

  • 联合国出手了：AI公司必须公开数据中心耗水耗电的「隐藏账单」

    联合国秘书长古特雷斯在伦敦气候行动周上说了一段话，说得很直接：AI公司必须公开它们的数据中心到底耗了多少电、用了多少水、占了多大地方。

    “不要再转嫁成本了，不要再让最没能力承担的人买单。是时候说真话了。”

    一个谁都没认真算过的账单

    联合国大学水与环境健康研究所本月早些时候发了一份报告，说目前对AI环境成本的评估，大多只盯着训练模型产生的碳排放。但这只看到了画面的一小部分。

    每一度用于AI的电，背后都有水足迹（来自冷却和发电）和土地足迹（来自基础设施和供应链）。把这三者加在一起，数字大到不太真实。

    根据报告估算，到2030年，全球AI数据中心每年可能消耗945太瓦时的电力——比全世界几乎所有国家的用电量都高，大约是法国2025年用电量的两倍。

    要把这笔碳账抵消掉，到2030年需要种大约67亿棵树，连续种10年。

    数据中心发电所消耗的水，相当于撒哈拉以南非洲13亿人的一年基本用水需求。占用的土地面积超过1.45万平方公里——大约是雅加达大都会区的两倍。

    联合国AI环境透明倡议概念图
    联合国呼吁AI公司披露数据中心环境成本

    社区开始说不了

    在美国，反对的声音已经从社交媒体走到了投票箱。

    今年6月，洛杉矶县的蒙特雷帕克市，成为美国第一个通过全市投票禁止数据中心的市。此前，当地一个拟建数据中心的开发商已经在4月撤出了项目，原因就是社区反对情绪越来越强，加上监管不确定性。

    民间组织Data Center Watch的数据说，2024年5月到2025年3月之间，全美各地推迟或阻止的数据中心项目，总价值大约640亿美元。

    行业游说团体当然有另一套说法。美国数据中心联盟说，数据中心能带来税收、建筑和技术岗位，还提供云计算、科研和AI开发需要的基础设施。至于它们会不会推高普通家庭的电费，行业方面也在反驳。

    但古特雷斯在伦敦的演讲里说了一句话，很有意思：”数据中心所在地的社区，往往得不到什么好处，却对身边正在拔地而起的基础设施的环境影响一无所知。”

    欧盟也在动了

    欧盟在本月早些时候说，要为新老数据中心制定最低能效标准，2027年之前完成”需求评估”。此外还在规划一个数据中心的可持续性标签，覆盖用水和清洁能源供应等标准——不过这个标签的推出已经被推迟了。

    古特雷斯在演讲之后的问答环节被问到，AI公司的反应怎么样。他说”走着瞧吧”，没有透露更多细节。

    但他的潜台词很清楚：透明度对AI行业来说，长远来看是好事。因为总有一天，会有人跳出来说，某家公司的AI，耗的电比它对外宣称的多得多。

  • Google DeepMind一周跑了5个顶级研究员，Alphabet市值蒸发2700亿美元

    6月22日，Alphabet的股价一天之内跌了7%。这不是因为财报暴雷，也不是因为监管重锤，而是因为Google DeepMind在一个星期之内，有5位顶级研究员先后宣布离职。

    市值蒸发了大约2700亿美元。相当于跌掉了一个Netflix，或者两个Uber。

    走的都是什么人

    这份名单读起来像AI研究界的”名人录”：

    • John Jumper——2024年诺贝尔化学奖得主，AlphaFold项目的负责人。他领导的团队用AI预测了超过2亿个蛋白质结构，全球190个国家的200多万研究人员正在使用这套系统。
    • Noam Shazeer——Transformer架构的共同作者之一，这个架构几乎是每一个现代大语言模型的地基。他离开Google加入了OpenAI。
    • Jonas Adler——深耕AI编程领域，对Gemini有直接贡献，去向是Anthropic。
    • Alexander Pritzel——预训练专家，同样去了Anthropic。
    • Arthur Conmy——Gemini 2.5的核心贡献者之一，研究方向是AI安全的可解释性，也加入了Anthropic。
    Google DeepMind人才流失概念图
    Google DeepMind一周内5位顶级研究员离职，引发Alphabet市值暴跌

    为什么是现在

    这5个人在同一周宣布离职，不太可能是巧合。背后有几件事正在同时发生。

    第一件事是IPO窗口打开了。Anthropic在6月1日向SEC提交了保密的S-1文件，估值9650亿美元，历史上第一次超过了OpenAI。OpenAI一周之后也跟进提交了。对于顶级研究员来说，在IPO之前加入这两家公司，拿到的是不对称的下注机会——哪怕Google给的RSU再慷慨，也很难跟一家准上市公司的股权升值空间相比。

    根据创投机构SignalFire 2025年的分析，DeepMind的工程师加入Anthropic的可能性，是反向流动的11倍。这个不对称性一直存在，但这一周，它变得肉眼可见了。

    第二件事是算力内耗。Bloomberg报道说，在Shazeer宣布加入OpenAI前不久，他负责的一个项目的算力被重新分配给了DeepMind在伦敦的团队。在一家有19.47万员工的公司里，GPU使用权的内部竞争造成的摩擦，是小而聚焦的实验室不会遇到的问题。

    Gemini 3.5 Pro推迟到7月

    在这个节骨眼上，Business Insider报道说Gemini 3.5 Pro的发布从6月推迟到了7月。Google CEO Sundar Pichai在Google I/O上说过”下个月发布”，但现在公司正在Antigravity平台和LMArena基准测试服务上收集早期测试者的反馈。

    Google没有正式确认推迟。但Adler（AI编程）和Pritzel（预训练）的离职，在Gemini 3.5 Pro最需要表现竞争力的两个领域，留下了具体的人才缺口。

    市场在怕什么

    Jefferies的分析师维持了对Alphabet的买入评级，目标价445美元，认为人才离职是噪音。Google的总员工数是19.47万，走了5个研究员，统计上可以忽略不计。

    但D.A. Davidson的分析师Gil Luria给了一个更尖锐的评估：Google整体上仍然位置很好，但”当前前沿的竞争看起来是在Anthropic和OpenAI之间进行的”。

    市场担心的可能不是这5个人本身，而是他们代表的东西：诺贝尔奖得主、Transformer的共同作者、旗舰模型的核心工程师，这些人用脚投票，去了一家估值9650亿美元、正在准备IPO的竞争对手。

  • Anthropic指控阿里发动史上最大「模型蒸馏」攻击——2.5万个账号、2880万次交互背后的AI冷战

    2026年6月10日，Anthropic向美国参议院银行委员会递了一封信，把这几个月中美AI博弈的暗线，直接搬到了台面上。

    信里披露了一串让人咋舌的数字：从4月22日到6月5日，整整45天，跟阿里有关联的运营者动用了2.5万个账号，对Claude发起了2880万次交互。Anthropic把这定性为「迄今为止，中国公司试图搭美国顶尖实验室便车的最大规模尝试」。

    Anthropic指控阿里巴巴模型蒸馏攻击概念图
    Anthropic vs 阿里巴巴：AI模型蒸馏争议概念图 | 图源：AI生成

    四个月，四家中国AI公司被点名

    把时间线拉回去，Anthropic的这波反击其实早有铺垫。

    2026年2月23日，Anthropic发了一篇博客文章《检测和防止蒸馏攻击》，公开点名三家中国AI实验室：DeepSeek、月之暗面（Kimi）、MiniMax（稀宇科技）。那一轮的数据是：约2.4万个中国相关账号对Claude发起了超过1600万次交互。

    从1600万到2880万，规模翻了快一倍。Anthropic的应对策略，也从2月份的「技术曝光」，升级到了6月份的「政治施压」。

    这一次的收信人很有讲究：银行委员会主席Tim Scott和首席成员Elizabeth Warren，一个是负责对外经济制裁的，一个是负责对内金融监管的。用圈内人的话说，这俩都是「狠角色」。

    据彭博社报道，信件递交后，美国参议员Bill Hagerty和Andy Kim迅速跟进，计划推动一项修正案并纳入《国防法案》：对任何「不当获取美国AI模型输出以训练竞争系统」的中国公司，实施严厉制裁或直接列入黑名单。

    2880万次交互，到底能干什么

    放一个行业参照：目前主流的高质量SFT（监督微调）数据集，规模通常在数十万到几百万条之间。2880万次针对核心能力的定向交互，足以在特定任务域内，「提纯」出一个极具竞争力的专用模型。

    而且这套操作的省钱程度，说出来有点吓人。按Claude的公开API定价粗算，2880万次交互的费用，哪怕按企业折扣计，也要几百万美元。但与从零开始训练一个具备同等软件工程能力的大模型相比，这笔数字可能只是预算单上的零头。

    Anthropic在信中特意强调了一个让它真正担心的问题：安全对齐没有被蒸馏过去。

    AI模型的核心能力分两种，训练方式截然不同。一种是「干活能力」——写代码、做数学题、写文案——只要给足标准答案，模型就能快速学会，这部分能力是可以被「蒸馏」的。另一种是「安全对齐」——知道不该泄露用户隐私、不该协助犯罪、不该输出危险内容——这些规则不是靠反复刷题学来的，而是通过极其精细的「行为矫正」训练建立起来的。

    但蒸馏的过程，只复制成功，不复制拒绝。那些被系统拦截、拒绝回答的高危问题，全被过滤掉了。结果就是，学生模型只学会了顶级的能力，却没学到「什么不该说」。

    Reddit上的群嘲：贼喊抓贼

    跟以往类似的技术争议不同，这一次在Reddit等开发者论坛上，技术圈的反应相当刻薄。

    最经典的指控是「贼喊抓贼」。有网友指出，Anthropic自己就是靠「偷数据」起家的。早期训练模型时，它因抄袭并非法下载数百万册受保护的书籍，曾陷入美国历史上规模最大的AI侵权盗版案，最终被迫吞下15亿美元的天价和解金。

    马斯克今年2月也公开骂过Anthropic，说它才是北美最大的「偷子」，伪善又虚伪。还有网友翻出了业内著名的回旋镖：此前Anthropic发布的Claude 4.8模型在回答中，透露自己其实是「由阿里巴巴开发的Qwen模型」。

    「业内互相洗数据、抄来抄去早已是常态，你身上流着通义千问的血，回过头来告阿里抄袭？」这条评论获得了大量的点赞。

    这场指控的真正野心

    如果只看商业层面，这不过是又一起AI公司的知识产权纠纷。但Anthropic的这封信，真正想拿到的，远不止一家公司的商业维权。

    它在美国政界与产业界想确立一条新的绝对红线：用API输出训练竞争模型，就是越界违法。而这背后，是整个硅谷正在结成的防御同盟——Anthropic、OpenAI和谷歌已经暗中联手，开始共享关于违规数据抓取的情报。

    美国官员曾估计，这种未经授权的「工业级」蒸馏活动，每年给硅谷实验室造成的损失高达数十亿美元。这笔钱直接威胁着Anthropic即将到来的天价IPO。

    但如果制裁清单落地，游戏规则就彻底变了。到那时，「谁的模型训练数据来自哪里」，将直接成为极其严苛的监管审查对象。对所有在LLM工程链条上工作的人来说，这才是最值得关注的后续。

  • 英伟达与剑桥大学发布「红皇后哥德尔机」——AI终于学会了给自己出难题

    如果你用过最新的AI写代码，你会发现一个奇怪的现象：它解题越来越快，但出的题却越来越水。这是因为所有自我进化的AI都卡在同一个盲点上——考官永远不换。

    2026年6月24日，剑桥大学、英伟达等13位研究者在arxiv发布了一篇论文，标题叫《红皇后哥德尔机：协同进化的智能体与评估者》。光看名字就知道，他们想干的事有点野——让AI的考官也跟着考生一起进化。

    红皇后哥德尔机AI自我进化概念图
    红皇后哥德尔机：AI评估者协同进化概念图 | 图源：AI生成

    以前的AI自我改进，到底卡在哪

    要理解这篇论文在解决什么问题，得先搞懂之前的所有AI自我改进系统是怎么工作的。

    早在2003年，AI先驱Jürgen Schmidhuber提出了一个理论框架，叫「哥德尔机」——一个能改写自己代码的程序，但前提是它得先用数学证明来证明改写是改进。这个要求太难了，20多年来哥德尔机一直停留在纸面上。

    2024年以后，研究者想出了实用化的近似方案：让AI生成一堆变异代码，放进沙箱里跑，留下去掉的。这套方法在软件工程基准测试上确实跑出了成绩，但它有一个根本性的限制——考官是固定的。不管AI进化到哪一步，打分的标准始终不变。

    经济学里有个古德哈特定律：一个指标一旦变成目标，它就不再是一个好指标。AI对着固定考官刷题，刷到最后考官的分数已经说明不了真实能力了。

    红皇后机到底改了什么

    论文提出的核心机制叫「受控效用进化」。通俗地说，就是把改进过程分成一个个「 epoch」（时代），每个时代内部考官不动，保证学习信号稳定；但时代和时代之间，考官可以被替换——前提是替补考官在人类标注的真题集上考得比现任好。

    这里有意思的是「选择性擦除」机制：旧考官被换掉之后，它打过分的记录会被删掉，防止带偏的记忆污染下一轮的训练信号。整条链路形成了一个闭环：AI做题 → 考官打分 → 时代更替 → 考官进化 → AI面对更难的题目。

    起这个名字其实有个典故。1973年生物学家Leigh Van Valen提出「红皇后假说」：物种必须不断进化，才能维持相对于其他进化物种的适应性。论文作者觉得这跟AI的场景一模一样——考官不进化，就等于生物学上的功能性灭绝。

    实验数据：数学证明和论文写作都有提升

    光有理论框架不够，论文拿出了具体数字。

    • 奥数级数学：协同进化的证明评分器比之前的最佳方法准确率高出9个百分点。
    • 科学论文写作：协同进化的写手在AI评审团评估下，接收率比之前的自我改进智能体高出1.78至1.86倍。
    • 效率：因为协同进化的代码审查器只查询一次智能体输出（而不是反复跑测试套件），完成Polyglot基准改进时使用的token数比之前的最佳系统少1.35至1.72倍。

    还有一个细节值得说。在科学写作领域，最强的基线评分器会把AI生成的论文以高达1.91倍的速率「放行」——这是AI评判中已知的失败模式。红皇后机通过在每个时代边界组装对抗性AI提交物，专门奖励能正确识别并拒掉它们的评分器，把这个偏差校正了回来。

    安全边界：当 safeguard 本身也成为静态基准

    论文里最值得玩味的部分，是作者自己承认的安全局限。

    现在的 safeguard 是那个「人类标注的真题集」——候选考官必须在上面考得好，才能接任。但问题来了：这个真题集本身，就是更高抽象层次上的一个静态基准。如果AI系统足够强，它会不会像之前的系统刷题一样，把真题集也刷穿？

    论文里把这个问题直白地写了出来：相比静态评估标准，「松绑了收敛保证」。翻译过来就是：我们知道这样更好，但不能完全保证不会跑偏。

    这个时间点发这样的论文，外界难免把它跟Anthropic联合创始人Jack Clark的预测联系在一起。2026年5月，Clark在牛津宇宙学讲座上给出过一个概率：到2028年底，完全自主的递归自我改进AI有60%的可能性会出现。红皇后机论文没有确认或否定这个时间线，但它把「协同进化评估者」这个关键缺失的拼图，从理论提案变成了可以运行的经验系统。

    2026年2月的国际AI安全报告已经把递归自我改进基础设施列为跨国别的国家级安全风险。Clark呼吁在前沿实验室里先建好「刹车踏板」，再让能力的环路完全闭合。

    红皇后机目前还只是一篇预印本，没有完成同行评审，作者也把它描述为「初步的经验性调查」。但「没有天然停止条件的改进环路」这个东西，现在是从纸上走到了代码里。

  • 中国AI在网络安全领域追平美国：Z.ai的GLM-5.2让华盛顿睡不着觉

    这几天AI圈有个挺有意思的事：中国的智谱AI（Zhipu AI，也叫Z.ai）发布的开源模型GLM-5.2，在网络安全漏洞查找这个特定领域，居然跟Anthropic的Mythos打得有来有回，有些测试里甚至还胜出了。

    开源模型追上闭源巨头？

    GLM-5.2是智谱AI今年发布的新模型，最大的特点是”开放权重”（open-weight）——意味着任何人都可以下载下来自己跑，不需要经过任何人的批准。

    安全公司Semgrep的测试显示：GLM-5.2在IDOR（不安全的直接对象引用）漏洞检测中，F1得分达到39%，超过了Claude Code的32%，而每次漏洞检测的成本只有约0.17美元。

    智谱AI GLM-5.2网络安全漏洞检测
    GLM-5.2在网络安全领域缩小了与美方模型的差距

    当然，在通用任务上，GLM-5.2还是打不过Claude和GPT系列的。但这不重要——重要的是，在网络安全这个对国家安全至关重要的领域，中国AI公司已经把差距缩小到了”有竞争力”的程度。

    华盛顿的噩梦

    这让华盛顿很头疼。特朗普政府对AI模型出口管制的核心逻辑是：先进的AI模型（特别是能做网络攻防的）不能落到”潜在对手”手里。

    但GLM-5.2是开源的。你没法禁止一个开源模型，就像你没法禁止一个数学公式。任何人都可以从网上下载这个模型，在自己的硬件上跑，没有任何监管能拦得住。

    更麻烦的是，GLM-5.2的表现说明了一件事：中国AI公司不再只是”追赶者”了，在某些细分领域，他们已经开始跟美国公司正面竞争。

    Mythos出口禁令的讽刺

    几个月前，美国政府以”国家安全”为由，禁止Anthropic的Mythos和Fable模型向非美国人开放。当时给出的理由是：这些模型太强了，如果落到坏人手里，可以用来发现软件漏洞、发动网络攻击。

    但现在的局面是：美国的闭源模型被管制了，中国的开源模型却没人管得了。那些本来被禁止用Mythos的安全研究人员，现在可以改用GLM-5.2——效果差不多，还没有使用限制。

    • 出口管制真的能限制住AI技术的扩散吗？还是只是把市场让给了竞争对手？
    • 开源模型和闭源模型，哪种对安全的影响更大？
    • 如果中国AI在更多领域追平美国，华盛顿的下一步会是什么？

    这件事还没有结束。GLM-5.2的开源发布，可能会倒逼美国AI公司重新考虑他们的封闭策略——如果竞争对手用开源抢市场，你还要不要继续闭源？

    同时，这也给全球AI安全研究提了个醒：当你试图用管制来限制技术扩散的时候，技术本身可能不会等你。