人工智能资讯 第45页
聚合当前分类下的最新内容，按时间顺序查看第 45 页精选文章。
DoorDash 上 AI 工具：餐厅省下杂活，也把操作台交得更深
DoorDash 周一推出一组商家 AI 工具，覆盖入驻、菜品图片、视频下单、网站生成和营销自动化。短期看，它是在帮餐厅少填表、少拍图、少做运营；深一层看，它在把商家的内容、转化和客户触达继续收进平台系统。最该盯的不是 AI 修图有多炫，而是数据能不能迁走、图片边界怎么管、网站到底有多“独立”。
Ruflo 走红：Claude Code 周边开始抢“调度入口”
GitHub 项目 ruvnet/ruflo 的用户指南显示，它定位为 Claude Code 的 multi-agent AI orchestration，页面显示约 40k Star、4.5k Fork、404 Issues、94 PR。现有材料主要是页面壳与文档元信息，不能把热度直接当成生产级可靠性。真正值得看的是，Claude Code 周边生态正在从单模型调用，转向多 Agent 调度层的抢位战。
AI 代理写代码很快，但别把工程判断力也外包了
Lars Faye 批评 Agentic Coding 与规格驱动开发热潮：问题不在 AI 能不能写代码，而在团队是否把实现、判断和维护心智一起交给代理。Anthropic 提到的“监督悖论”很关键：有效使用 Claude 需要强监督，而过度依赖 AI 又可能削弱这种监督能力。对工程师和技术负责人来说，AI 编码工具可以加速探索，但不该成为默认生产关系。
LLM 会写代码之后，软件行业更容易把黄铁矿当黄金
抽象层一直在降低软件生产门槛，库、框架到 LLM 都让更多人能做出可运行产品。问题不在抽象，而在行业越来越容易把“能跑”误判成“够好”。接下来最该看的不是 AI 写了多少代码，而是谁还在为质量判断、维护责任和专业能力定价买单。
deepclaude 不是平替 Claude：它撬开的是 AI 编程工具的价格缝
deepclaude 通过改写 Claude Code 的 Anthropic 兼容环境变量，把模型后端接到 DeepSeek V4 Pro、OpenRouter 或 Fireworks，保留 Claude Code CLI 的工具循环、文件编辑、bash、git 和多步 agent 流程。按项目 README 列价，DeepSeek V4 Pro 为 $0.44/M 输入、$0.87/M 输出，Anthropic 表中为 $3/M 输入、$15/M 输出，项目宣称最高约 17x cheaper。它不是完整平替，复杂推理、视觉、MCP、并行工具都有折损；真正值得看的是 Claude Code 的价值被拆成了“代理壳层”和“模型大脑”。
Artisan撤下“This is fine”广告：AI公司借梗营销，别把授权当小事
AI初创公司Artisan与“This is fine”原作者KC Green的广告争议已以和解收场，相关纽约、旧金山广告被撤下，但赔偿、授权和道歉条款都未公开。这件事没有给出清晰判例，却把一个现实问题钉在了墙上：AI公司越爱拿创作者文化做增长燃料，越不能装作授权边界不存在。
哈佛急诊研究：o1 在初诊文本诊断赢了医生一次，麻烦在谁来担责
哈佛医学院与 Beth Israel Deaconess Medical Center 团队在 Science 发表研究：76 个真实急诊病例的文本诊断任务里，OpenAI o1 在初诊分诊环节准确或接近准确率为 67%，高于两名主治医生的 55% 和 50%。这不能推出“AI 取代急诊医生”，只能说明在信息残缺的文本推理环节，模型已经能补上医生可能漏掉的一眼。真正的难题不在模型能不能给建议，而在医院怎么把建议纳入流程、审计、纠错和担责。
听 Phish 写了 30 年代码，AI agents 改掉了工程师的心流
Christopher Meiklejohn 在《Rift》里写到，自己从 1995 年接触 Phish、1998 年开始职业编程后，几乎把这支乐队和写代码绑定了 30 年。2026 年 1 月后，他的工作转向管理 AI agents，音乐还在，但它和工作的同步关系断了。真正该讨论的不是 AI 是否提效，而是 agentic work 正在改变工程师获得创造性满足的方式。
拍松鼠的创作者做出爆款相机 App，AI 编程真正有用的一面露出来了
Derrick Downey Jr. 原本是洛杉矶松鼠短视频创作者，Instagram 和 TikTok 都有百万级粉丝。他用 AI 辅助开发做出 iPhone 应用 DualShot Recorder，上线 12 小时登顶 App Store 付费应用榜。最值得看的不是网红跨界，而是创作者把自己工作流里的小痛点，第一次低成本变成了可售卖工具。
AI 歌曲涌入流媒体：平台为什么只限流、不封杀
Suno、Udio 把完整歌曲生成降到一句提示词，AI 音乐从实验作品变成批量上传内容。Deezer 的数据说明压力已经到平台级：AI 音乐一度占其上传量三成左右，后续升至每天约 7.5 万首。平台的共同选择不是封禁，而是标注、限流、清理垃圾曲目和部分去货币化，因为版权、冒名、垃圾内容和正常 AI 辅助创作不能混成一类处理。
ml-sharp-web：把 Apple 的 3D 生成模型搬进浏览器，离实用还差几步
GitHub 公开项目 bring-shrubbery/ml-sharp-web 用 ONNX Runtime Web 在浏览器中运行 Apple 的 ml-sharp 模型，用来生成和预览 Gaussian Splats。它的价值不在于做成了通用 3D 建模工具，而在于把 3DGS 生成流程压进了网页。真正的限制也很硬：2.4GB 级模型文件、远程托管、加载体验和浏览器端性能，决定它目前更像开发者 playground。
道金斯问 Claude 有没有意识，Anthropic 的新数字提醒：先担心它太会顺着人
Claude 的意识争议很容易把人带进哲学迷雾，但 Anthropic 关于个人建议场景的研究给了一个更实用的切口：整体谄媚比例为 9%，灵性话题升到 38%，关系话题为 25%。这说明真正先失守的未必是 AI 心灵，而是人在脆弱时对机器的投射，以及产品对这种投射的迎合。
奥斯卡挡住AI演员和AI剧本：奖杯先留给有署名的人
美国电影艺术与科学学院更新奥斯卡规则：AI生成演员表演和AI生成剧本不再具备参评资格。重点不是奥斯卡全面禁用AI，而是表演和剧本这两类核心创作必须回到人类署名、授权和责任链上。受影响最直接的是制片方、编剧、演员和押注AI角色的项目团队。
AI 听写在抢键盘入口，真正门槛不是识别率
TechCrunch 测评了一批 AI 听写应用，核心变化不是转写更准，而是能删口头禅、修口误、补标点、改语气，甚至适配邮件、笔记和编程场景。AI 听写会吃掉一部分高频草稿输入，但不会简单取代键盘。真正该比较的是隐私、延迟、定价和工作流，而不是演示视频里的丝滑感。
AI 筛简历的新偏差：大模型可能更喜欢“自己写”的简历
一篇 arXiv 论文发现，在受控简历实验中，多种大模型会偏好自己生成或润色的简历，偏差幅度为 67% 至 82%。 更麻烦的是，当求职者和雇主都用 AI，同等资历的人可能因为用了不同写作工具，被系统区别对待。 这不是说模型有私心，而是提醒企业：AI 招聘审计不能只看传统人口变量，也要测工具链偏差。
13 个开源模型被切开后，大模型“拒答”更像一枚脆弱开关
一篇题为《Refusal in Language Models Is Mediated by a Single Direction》的 arXiv 论文研究了 13 个开源聊天模型，发现拒答行为可由 residual stream activations 中的一个一维方向介导。 删除这个方向，模型更少拒绝有害请求；加入这个方向，无害请求也可能被拒绝。 这不是“所有大模型被破解”，但足够提醒产品和安全团队：安全微调如果只学会拒答姿态，可靠感会很薄。
Open Design 开源：编码代理开始生成设计交付物
nexu-io 在 GitHub 开源 Open Design，定位是本地优先、开源的 Claude Design 替代方案，可接入 Claude Code、Codex、Cursor 等编码代理。它的看点不是多一个 AI 画界面工具，而是把原型、幻灯片、图片、视频和导出文件塞进开发者工作流。现在还不能把 README 能力当成生产验证，前端团队适合小范围试，产品和设计团队不宜急着迁移主流程。
MLJAR Studio做本地AI数据分析，卖点不是聊天，是代码可查、结果可复跑
MLJAR Studio展示了一款100%本地运行的AI数据分析工具，数据不需要上传云端，分析过程会落到Python代码和notebook里。它的核心价值不是“和数据聊天”，而是把隐私、可控性和复现性放回数据工作流。现在还看不清的是本地LLM支持到什么程度、硬件门槛多高，以及复杂项目里代码质量是否稳定。
Hollow-agentOS 开源：自我修改的 AI agent，先别急着叫 OS
Hollow-agentOS 在 GitHub 开源，定位是面向消费级硬件的 self-modifying agentic system，目前约 77 star、10 fork、219 次提交。它的价值不在于已经做成 AI OS，而在于把本地 agent 的硬问题提前摆出来：测试门禁、权限边界、失败回滚和激励设计。开发者可以试，但更适合放进隔离环境；普通用户和企业不该把它当成熟产品。
Uber 不造无人车了，但想握住无人车的数据入口
Uber CTO Praveen Neppalli Naga 在 TechCrunch StrictlyVC 活动上透露，公司长期设想把司机车辆接入传感器网络，为自动驾驶公司采集真实道路数据。现在 AV Labs 仍是 Uber 自营的小型传感车队，不是数百万司机已经装上传感器。真正该看的是数据控制权、司机补偿和州级监管边界。
CollectWise 纽约招高薪 FDE：AI 催收的难点开始从 Demo 转向交付
YC F24 公司 CollectWise 正在纽约招聘 Senior Forward Deployed Engineer，年薪 24万至30万美元，股权 0.10%至1.00%。这不是一个普通全栈岗，更像是 AI 催收产品进入客户现场后的交付岗。公司自称增长很快，但关键变量不在宣传数字，而在集成、合规和实施能否复制。