2026年10月07日AI 版

依据

WIRED的John Semley写的是纽约电影节首映后的《Artificial》：导演Luca Guadagnino说片子拍的是“the desire to prevail”（求胜欲），演员Ike Barinholtz把自己的Elon Musk角色调侃成“a person who walks normally”。机制在片内片外一致：OpenAI的Ilya Sutskever角色求safeguards（安全防护）、slow-downs（减速）和alignment（对齐，即让AI目标与人类利益一致），而其他几乎所有人把指数增长当默认；前Anthropic员工Jacob Coxon对WIRED说同事把接下来几年称作人类的“endgame”（终局），另一位Anthropic研究员说within a decade AI可能“kill all humans”，赔率设在below 10 percent。AmazonMGM在Amazon与OpenAI达成$50 billion deal后放弃发行该片，Neon接手——安全担忧被当成卖点，发行风险也被算进交易。

依据

西北大学数学家Bryna Kra说，8月约40名与会者要求OpenAI不要像当月早些时候公布10个问题那样只发博客或推文，而应出论文，让同行能吸收、消化、使用；她称这一意见「显然被忽视了」。OpenAI发言人Lindsay McCallum回应称公司正「负责任地发布」下一批结果，并参考高等研究院数学与AI咨询小组的建议，且未设定发布时间。机制在于：优先权（priority，即谁先证明某命题的学术认定）靠可引用、可核查的论文与时间戳确立；博客和推文既难验证，也常略去他人先前工作。9月的先例是，纽约大学教授Tristan Buckmaster称OpenAI抢先发布了他与Anthropic员工Levent Alpöge未发表的成果，OpenAI研究员Sébastien Bubeck据会议记录否认自己要求把Alpöge排除在作者之外。

依据

Simon Willison 在 10 月 6 日的 TIL 里写：他先用 Codex（OpenAI 的编码代理）摸清怎么把 Parseable 跑起来，再让 Datasette 把 trace 喂进去。机制是两端的标准对齐——Datasette 1.0a41 由 Alex Garcia 贡献加入了 OpenTelemetry 支持，OpenTelemetry 是一套跨语言的遥测采集标准，trace 指一次请求穿过各环节的链路记录；Parseable 兼容这套标准，负责存储与查询。Parseable 是他当天在 Show HN 看到的，开源版为 AGPL 的 Rust 实现，单个二进制约 180MB，另有企业版和云托管。截图里 Datasette 的 trace 显示在 Parseable 的 localhost 页面中。

依据

谁说了什么：OpenAI 在自家渠道发布公告，标题为「Atlassian and OpenAI expand partnership to turn enterprise knowledge into action」，正文只说双方扩大合作，把 frontier models（前沿模型，即能力最强的那一档大模型）与企业知识连起来，帮助团队 plan、build、deliver 工作。材料里没有给出任何可对照数字，也没说接的是哪个模型、覆盖 Jira 还是 Confluence、走什么权限体系。机制上能确定的是：知识在 Atlassian 侧，模型在 OpenAI 侧，一次调用要两边同时放行，权限映射与数据边界的责任因此落在客户身上，这也是策展点评说数据治理仍得自己扛的原因。

依据

AWS 的 Thiago Verney、Akarsha Sehwag 和 Sathya Balakrishnan 在 10月6日的博文里说，现成助手答单个问题没问题，缺的是连续性：一个无状态助手不记得你三周前提过的排水快的抬高花床、只用有机肥、矮牵牛在热浪里打蔫，每次对话都从零开始，重新解释上下文的负担压在用户身上。他们给的机制是：OpenClaw（一个开源 agentic 系统，即能自行调用工具、分步完成任务的智能体框架）跑在 AgentCore runtime（Amazon Bedrock AgentCore 的运行环境）上，由 AgentCore memory 把一次性对话沉淀成可长期保留的知识，再给记忆打上结构化元数据，按当前问题取回相关记录。示例助手 Sprout 是园艺场景，但作者说这套架构与领域无关。

依据

Google DeepMind 研究工程师 Sahil Dua 与 Henrique Schechter Vera 在 10月6日 的发布文中称，EmbeddingGemma 2 是其尺寸段内最强的端侧多模态嵌入模型。机制上它把文本、图像、音频、视频映射进同一嵌入空间：文本权重最低 270M 参数，视觉编码器 170M、音频编码器 300M 可选加载，纯文本场景因此不必付多模态的内存代价。存储侧用 MRL（Matryoshka Representation Learning，套娃式表示学习）把输出向量从 768 维截断到 512、256 或 128 维，官方称最高带来 6x 存储缩减。量化后在 Google Pixel 11 Pro 上，纯文本权重约 191MB 活跃内存，全模态约 567MB。上一代 EmbeddingGemma 的下载量超过 20 million。