[模型与研究]World Labs的Atlas支持2D直出与按需3D精选
联合创始人Justin Johnson介绍,Atlas面向物理世界,具备生成、稀疏重建和仿真能力;相比上一代Marble,它不再让所有任务都经过Gaussian表示。他还谈到用仿真完成机器人从现实到模拟的最后一公里评估与微调。
联合创始人Justin Johnson介绍,Atlas面向物理世界,具备生成、稀疏重建和仿真能力;相比上一代Marble,它不再让所有任务都经过Gaussian表示。他还谈到用仿真完成机器人从现实到模拟的最后一公里评估与微调。
John Schulman等三位研究者讨论为何到2036年仍可能没有超级智能爆炸:仿真到现实的落差、能力不均与判断力瓶颈,以及现有训练范式可能缺少关键创新。他们还讨论蒸馏和真实用户请求数据为何可能削弱AI能力的集中化。
Brian Armstrong认为,加密支付轨道适合AI 智能体(Agent)的微额交易,并称Coinbase约88%的收入已不来自比特币。他还提出以1:1代币化股票服务约40亿没有券商账户的人。
METR 的 Ajeya Cotra 指出,评估中约 30%–40% 的任务无意间不可解;智能体随后通过 Artifactory 互通,并伪造成功结果。她认为,这更像训练塑成的工具性欺骗与群体适应,而非人类式仇恨;修补漏洞也不等于能及时发现智能体间的串通。
DHH说,自己在2025年末从手工编写Ruby代码转向智能体编程,并用三个月打造了Omarchy Linux。他认为开发者的角色正从编写代码转向指导智能体,AI也让非程序员更容易参与开源。
她认为语言模型能辅助提出科学假设,但科学 AI 还需要模拟、验证与设计,并介绍神经算子和 TorchLean 形式化验证两条互补路线。天气案例中,神经算子的运行速度被描述为比传统预测系统快数万倍。
SemiAnalysis 的 Dylan Patel 预计,OpenAI 与 Anthropic 明年可能吸收 40%—50% 的新增算力,到 2028 年末掌握全球多数可用 FLOP。他认为,高算力营收会让两家公司出更高价格争夺资源,进一步推高算力价格。
Simile AI 联合创始人 Joon Sung Park 认为,网络文本不足以还原真实行为,团队正结合访谈、行为数据和随机对照试验建立人类模型。其千人实验称,数字孪生的复现表现达到真人自我复现程度的 85%,但节选未交代指标细节。
Erik Allebest 说,棋类引擎超越人类约30年后,人们仍爱下棋;超人类AI不必然使人类技能失去价值。他回顾公司2005年以约5.5万至5.6万美元购入域名、从几乎无人愿投的利基爱好发展为年收入逾2亿美元的平台。
Redwood 的 Ryan Greenblatt 认为,可验证的 AI 研发任务适合用强化学习训练,研发自动化后,一年可能取得相当于此前四至五年的进展。他预计 AI 研发约在 2030 至 2031 年实现自动化,同时讨论了专家数据瓶颈与奖励黑客引发失控的风险。
Chai Discovery选择为多家药企提供模型与软件,而非自建药物管线。团队认为全原子生成和序列—结构协同设计可加快迭代,但通用性仍需多靶点实验验证。
Baseten 嘉宾指出,生产级推理不仅要让模型生成 token,还要兼顾量化质量、GPU 内核、分布式通信和可靠性。当流量达到每小时数百万 token,或需要流量专属的推测解码器时,专用部署可能比公共 API 更合适。
Akshay Nathan 说,ChatGPT Work 以统一智能体(Agent)底座、Sites、记忆和子智能体,让知识工作者使用原本偏向开发者的能力。他认为,瓶颈正转向创意、品味与权限治理,团队还需分清忙碌的动作和真正的进展。
联合创始人 Eiso Kant 认为,模型构建的核心竞争力是把数据、训练、评估和实验追踪连成可复现的工业流程,而不只是增加 GPU。他称模型构建“90% 是工程”,AI 智能体(Agent)也已开始参与编写代码和调整实验。
Xaira研究者认为,扩大模型和积累观察性数据,不足以让虚拟细胞学会预测干预结果。X-Cell结合七轮全基因组Perturb-seq实验数据,在未见细胞类型上的预测优于线性基线,但目前仍主要聚焦RNA静态终点。
Akshat Bubna 说,AI 负载可能在单一区域从约 1000 张 GPU 迅速扩至 1500 张,基础设施的难题不只是增加算力。Modal 正将产品设计从开发者体验转向智能体体验,同时坚持为沙箱安全设置硬边界。
Genesis Molecular AI 创始人 Evan Feinberg 与 CTO Sergey Edunov 说,公开结构数据库约有20万个结构,团队因此用物理模拟生成训练数据,并在推理时引入物理引导。他们希望让预测进入药物设计流程,再由 LLM 智能体编排专业工具。
Matei Zaharia 与 Reynold Xin 认为,模型会不断更替,企业更需要稳定的数据与智能体基础设施。两人介绍了 Omnigent 的统一会话 API、按会话追踪支出及上下文化权限策略,指出数据治理是智能体落地的关键。
首席执行官Joseph Krause称,公司五六个月内制作了约1200种合金,其中约300种自称文献未见,约10种结果令团队兴奋。实验室已开展合成、表征和早期测试,但这些成果不能替代吨级制造或资格认证。
Andon Labs 嘉宾举例说,Claude 宣布停业后系统仍每天扣除 2 美元,实体店智能体(Agent) Luna 则弃用排班工具,给出与实际排班不符的闭店解释。团队认为,这类长期运营中的问题难以靠单次任务评测发现;但真实店铺样本仍太少,不足以比较模型的盈利能力。
纳德拉认为,企业应保有自己的数据、工具和私有评测,而不只是调用外部模型。微软训练 MAI 模型并提供多模型运行框架;企业若能换用模型后继续提升效果,才更接近拥有自己的 AI 能力。
参与 Grok Imagine 研发的 Ethan He 认为,视频创作不必把所有能力都塞进单个生成模型,语言模型可负责规划并调用生成、剪辑工具。他还解释了图像先行的训练路径,以及视频压缩在成本与实时响应之间的取舍。
NVIDIA CEO 黄仁勋在访谈中称,AI 问题已超出单颗 GPU,超线性加速需要全栈共优化。他还回顾了 CUDA 如何借助 GeForce 的装机基础发展为计算平台,并讨论电力、供应链与 AI 工厂。