2026年09月02日AI 版

依据

Dwarf Fortress 共同作者 Tarn Adams 说，字母被人拿走了，他现在只能谈 dwarf behavior（矮人行为），连 dwarf AI 都谈不了，因为「它不存在」。机制上，Dwarf Fortress 的矮人由规则和状态机（state machine，指按条件在既定状态之间切换的写法）驱动，行为可以逐条查、逐条改，不是从数据里学出来的权重。同一页并列的还有 GPT-6 Sol、GPT-6 Luna 这类标题，那里的 AI 指模型与推理，跟 Adams 说的规则系统不是一回事。取舍在于：留着「AI」这两个字母，等于接受它默认指模型，行为出问题只能归因到训练数据或算力；Adams 把它让出去，换来的是每个怪行为都能追到某一条规则。

依据

OpenAI 以 Basis、Clay 和 Exa Labs 三家为案例，分别落在客户入职、账户管理和开发者集成三类流程上，给出的共性做法是让 AI 代理（AI agent，即能自主执行多步任务的模型程序）嵌入核心业务流程，而不是当孤立工具用。机制在这里：代理要跑通，前提是流程本身能被拆成稳定步骤、数据能被代理读取，所以顺序是先理流程、再理数据、最后才轮到选工具。代价由谁付也很清楚——需要流程重构与变革管理能力的团队才付得起，材料自己写明，流程标准化程度低或数据基础薄弱的企业效果可能受限。因此这不是工具选型问题，而是投入顺序问题：先补流程的组织拿到的是复利，跳过这步的组织等于把代理装进没整理过的流程，最可能先卡在数据适配那一步。

依据

OpenAI 案例里的说法是：ATV Big Air Tour 用 ChatGPT Work 做营销素材，原本3天的活压到3小时，商品照片在15分钟内转成库存网站页面。机制在于生成式AI（按指令产出文案、图像等新内容的模型）接手批量、重复的文案与设计任务，人从执行位挪到提示词（给模型的输入指令）与审核位，所以省下的是执行工时而不是判断工时。案例自己也把代价写在明处：输出质量取决于提示词质量，输入不精准就可能偏离品牌调性甚至出事实错误，需要人工校正；复杂创意和战略决策仍要专业判断；小团队还要额外承担工具成本和学习曲线。换句话说，3天到3小时换来的是吞吐，不是免审；对照数字只有这两组加一个15分钟，其余效率来源未被拆开。

依据

IBM 与 Confluent 的联合作者（Nicholas Fuller、Sean Falconer、Ayhan Sebin 等）在 9月2日 的文章里说：IBM Granite 时序基础模型（time series foundation model，TSFM，先用大量信号训一次、能泛化到没见过的序列）已在 Confluent Cloud 上 Early Access，从 Flink 调用，跑在数据本来就在流动的位置，Confluent Platform 随后补上本地与混合部署。机制在于过去是每条序列一个定制模型、每条要数月专家工时，于是团队只给「钱在的那几百条」建模，其余拿额外库存、额外余量、额外容差兜底，等窗口关了才动手——这笔边际就是没人能预测的决策成本，每个周期付一次。Flink 按序列键管状态并容错，模型要的历史不用另建数据存储，也不用每次调用打一次数据库。作者给的对照数字是：这些模型背后 44M+ 下载，生产力提升 5 到 10 倍，每一点精度值数百万。

依据

Google DeepMind 高级产品经理 Rohan Doshi 与研究总监 Mario Lučić 在 2026年9月1日的发布里说，新功能把模型的原生视频工具接进推理：静态处理按固定帧率（frames per second，即每秒取帧数，默认 1 FPS）整段吞视频，智能体视频理解则让模型自己搜索、扫描、回看目标片段，覆盖画面、音频和转写文本。官方给的对照数字是 token 消耗最多降 88%、分析成本最多降 66%、准确率最多升 7%，长视频（10 分钟教程到 90 分钟讲座、数小时录像）收益最大。取舍就在这里：88% 和 66% 都是「最高」值，也就是最好个案，而静态处理虽然贵，每段视频要喂多少帧是事先可算的；换成动态扫描后，扫描次数由模型临场决定，成本与耗时从固定值变成浮动值，实时交互那一步就没有可对外承诺的上限。启用方式是把 API 配置设为 agentic，在 Google AI Studio 或 Gemini Enterprise Agent Platform 生效。

依据

AllenAI 的 Kyle Wiggers 称，BenchMIRT 在题目（prompt）级审计大型语言模型（LLM）基准，并公开技术报告、数据和代码。它借用心理测量学里的 Item Response Theory（IRT，项目反应理论）——用答题模式估计能力——再扩展成 multidimensional IRT（MIRT，多维项目反应理论），把同一批题上的多种能力拆开。它在 100 个 LLM、16 个基准、超过 34K 道题上训练，未被告知基准标签，却独立恢复出 safety（安全）和 general reasoning（通用推理）两个主导维度，换一次分析仍出现。机制上，BBQ 原测社会偏见、常被归入安全，但这里更贴近 general reasoning；WMDP 测生物、化学、网络安全等危险双重用途知识，也更强关联 general reasoning，且 general reasoning 越强 WMDP 分数越低，因为拒绝或答不出危险知识才算期望回答；HarmBench 的标准与情境题更贴 safety，版权题更贴 general reasoning。把这类题平均成一个分数，会让选型方误把推理难度当成安全表现。