群发资讯网

大数据再大，也有覆盖不到的地方。人工智能再强，也有回答不了的问题，2026年10月，人工智能的发展已经到了一个很特别的阶段，一边是机器能够完成复杂的数学推理、编写程序，甚至参与科学研究；另一边，研究人员却发现，某些人工智能连看懂普通指针时钟都不稳定。2026年10月，人工智能的发展已经到了一个很特别的阶段。一边是机器能够完成复杂的数学推理、编写程序，甚至参与科学研究；另一边，研究人员却发现，某些人工智能连看懂普通指针时钟都不稳定。更值得思考的是，当这些系统越来越多地参与医疗、教育和公共事务时，人们究竟该相信它到什么程度？9月25日，美国斯坦福大学公布了一项关于人工智能测评的研究进展。研究人员发现，一些被广泛采用的测试方法，未必真正测出了它们声称要测量的能力。这个发现很有现实意义，因为模型的测试成绩不仅影响企业投资，还可能被政府用于制定技术政策。机器得了高分，不等于进入现实生活后就一定可靠。这种反差，在斯坦福大学2026年《人工智能指数报告》中表现得更加明显。报告指出，先进模型已经能够在国际数学奥林匹克竞赛相关任务中达到金牌水平，但在一项读取传统指针时钟的测试中，表现最好的模型正确率也只有50.1%。有些问题对普通成年人并不困难，对机器却可能成为难题。技术能力并不是沿着一条直线均匀增长的。为什么会出现这种情况？关键在于，人工智能掌握知识的方式，与人类亲身认识世界的过程并不相同。它能够分析大量文字、图片和数字，寻找其中的联系，却不一定了解这些信息产生时的具体环境。比如同一句话，在不同场合可能代表提醒、玩笑或者讽刺。脱离说话人的表情、经历和当时的处境，理解就容易出现偏差。还有一个容易被忽视的问题：机器究竟从哪里获得知识？国际电信联盟2025年11月17日发布的统计显示，当年全球约60亿人使用互联网，仍有22亿人没有上网。网络确实连接了大量人口，但并没有覆盖所有人的生活。那些没有被记录的经历、没有数字化的地方知识，以及尚未公开的研究成果，都不可能因为计算机运算速度快，就自动进入数据库。这里还涉及信息的分布问题，经济条件较好的地区，往往有更完善的网络、更丰富的电子资料，也更容易留下数字记录。偏远乡村的一些农业经验、地方手艺和传统知识，可能只能通过师徒传授、口耳相传保存下来。它们未必缺乏价值，只是没有经过数字化整理，倘若人工智能长期依赖容易获取的资料，某些群体的经验就可能被低估。不过，资料不完整只是问题的一部分。更加麻烦的是，机器有时不能准确判断自己知道什么、不知道什么。2026年斯坦福人工智能指数报告对26个先进模型进行相关测评后发现，在特定测试条件下，不同模型产生错误内容的比例存在明显差异。这些结果不能直接代表日常使用的总体错误率，却说明模型即使表现先进，也仍会把不可靠的信息组织成看似合理的答案。这种风险放在日常生活里，很容易理解。比如有人询问一份保险合同能否赔付，人工智能可能详细解释合同条款，但如果不知道投保时间、免责条件以及真实事故经过，就不能轻易得出确定结论。再比如有人询问某种药物是否适合自己，仅凭年龄和几个症状，也不足以判断身体情况。问题不是答案写得够不够长，而是决定结论的关键事实是否齐全。到了10月，相关争论还在继续，美国纽约市议会举行的人工智能安全听证会上，来自多家科技企业的前员工讨论了技术快速发展带来的风险。有关讨论涉及企业透明度、外部审查以及内部人员反映问题的保护机制。争论的重点已经不只是机器能够完成多少工作，而是谁能够检查它的行为、发现问题后又由谁负责。把这些事情联系起来，就会发现人工智能竞争正在发生变化。过去，人们喜欢比较谁的模型参数更多、计算能力更强、回答速度更快。现在，准确率、可信度、数据来源和安全管理同样重要。2026年7月，联合国全球人工智能治理对话在日内瓦举行，也反映出各方希望把技术发展与公共利益、包容性和安全要求放在一起讨论，而不是只关注技术本身的突破。对中国而言，这同样是一个值得认真考虑的发展方向。人工智能的实际价值，不应只体现在能够回答多少道题，还应体现在能否真正解决生产生活中的难题。工业设备出现异常，需要结合现场检测寻找原因；农村地区推广智能农业，需要考虑当地土壤、气候和种植习惯；基层公共服务使用智能系统，也必须照顾不熟悉智能手机的老年群体。这些场景有一个共同特点：解决问题不能只靠网上已有的内容，还需要不断收集真实情况，让技术与实际工作相结合。

清华姚班出身的天才学霸，17个月就把自己创办的AI公司卖了套现16亿。2025年，AI圈炸了锅：这家叫VoyageAI的公司，刚成立一年多，就被数据库巨头MongoDB以2.2亿美元全资收购。消息一出，所有人都在问同一个问题：这老板到底什么来头？（主要信源：澎湃新闻——清华姚班天才的AI公司，卖了）斯坦福教授马腾宇，手握清华姚班、普林斯顿博士、斯坦福教职的顶配履历，站在AI创业最热风口，他却在巅峰期果断套现离场。这份极致清醒，碾压了无数硬撑赛道、盲目赌未来的创业者。马腾宇的天赋，年少便已凸显。长春出身的他，高二越级征战国际数学奥赛，与高三顶尖选手同台角逐，仅一分惜败错失金牌。即便留有遗憾，这份实力也足以碾压同龄人，顺利考入2008级清华姚班。姚班由姚期智院士创办，每年全国仅录取四十余人，同辈皆是陈丹琦、余佳俊等行业顶尖大牛，含金量稳居国内顶尖梯队。即便是天才，也有明显短板。早年的马腾宇数学天赋拉满，编程基础却十分薄弱。身处天才扎堆的环境，他从不碍于情面逞强，主动向奥赛金牌同学请教，硬啃专业教材补齐编程短板。依托姚期智院士的核心课程，他筑牢扎实的计算机理论根基，练就了持续突破的科研能力。真正的天才从不是天生全能，而是懂得补齐短板、持续自我迭代。普林斯顿读博，是他学术生涯的重要转折。他师从两届哥德尔奖得主Arora，这位阅遍全球神童的顶级导师，直言马腾宇天赋远超年轻时的自己。读博期间，他斩获西蒙斯奖、IBM奖学金、多项顶会最佳论文。2018年，他拿下全球仅三席的ACM博士论文荣誉奖提名，深耕非凸优化领域，厘清神经网络训练核心逻辑，攻破学界多年未解的理论难题。博士毕业后，他成为全球名校争抢的稀缺人才，多所海外顶尖高校纷纷抛出橄榄枝。最终他入职斯坦福任教，2021年斩获有着诺奖风向标之称的斯隆研究奖，成为姚班第二位获此殊荣的学者。过硬的科研实力，让他获得李飞飞等AI泰斗认可，后续创业时，一众行业大佬主动出任公司学术顾问，足以印证他的业界认可度。2023年，马腾宇走出象牙塔创业，创办VoyageAI，深耕嵌入模型赛道。嵌入模型是AI问答、智能检索的底层核心，直接决定大模型的语义理解精度。当时行业扎堆内卷大模型参数、烧钱堆算力，无人重视这一底层中间赛道，马腾宇精准捕捉行业空白，带队深耕技术迭代。在我看来，他的产业判断力远超绝大多数同行。团队自研的voyage-3-large模型，在上百个数据集、八大专业领域测评中，性能全面领先同期OpenAI模型，上下文长度大幅优于竞品，多次登顶行业权威榜单，在工业实操、技术检索等硬核场景中稳居第一。硬核技术让VoyageAI迅速出圈，资本扎堆追捧，全网都笃定他会对标OpenAI，开启行业颠覆之战。没人预料到，2025年2月，这家成立仅17个月的明星企业，被MongoDB以2.2亿美金全资收购。消息传开全网哗然，不少人吐槽他短视逐利，浪费顶级天赋，不敢与行业巨头正面抗衡。但在我看来，这场巅峰离场，是马腾宇最顶级的商业智慧。2025年AI行业彻底洗牌，资本褪去泡沫，不再为参数噱头、烧钱故事买单，只认可落地价值和实际收益。嵌入模型虽是AI刚需，却属于中间件，夹在基础大模型与数据库之间，独立发展空间极其受限。初创公司想要独立突围，必然长期直面微软、谷歌、OpenAI等巨头碾压，算力、人力、运营成本居高不下，烧钱速度远超学术研究。更致命的是，大厂可随时免费开放同类功能，瞬间抹平初创公司的技术优势。马腾宇精准预判赛道瓶颈，拒绝沉溺资本光环，没有死磕到弹尽粮绝。这场收购是双向最优解。最关键的是，他始终保留斯坦福教授身份，深耕核心学术圈层，手握财富、声望、技术三重底牌，进退自如，没有把人生绑定在单一赛道上。真正的长期主义，不是盲目和巨头硬碰硬，不是赌上全部身家内卷内耗。马腾宇的核心底牌，从来不是一家创业公司，而是顶尖的理论功底、持续产出成果的科研能力，以及精准的行业周期判断力。卖掉公司不是落幕，只是换一种发展方式，风口更迭之际，他永远拥有随时入局的底气。姚期智院士曾评价，马腾宇的AI理论研究实力顶尖，年少受聘斯坦福教授，在中外学界都极为罕见。这份认可，精准概括了他的核心优势：既能深耕学术登顶前沿，又能看透商业本质，不被赛道捆绑、不被情怀裹挟。当下AI行业从不缺会写代码、训模型的技术从业者，稀缺的是读懂产业周期、懂得顺势而为的清醒者。马腾宇用经历证明，小公司仅凭单一技术，根本无法对抗巨头完整生态，及时收手不是认输，是精准避险。依托大厂生态落地技术、赋能产业，远比单打独斗更有价值。

斯坦福：10分钟真机数据，42%到97%斯坦福这篇（Real-TimeEXPO-FT）把π0.5的推理延迟当成强化学习里的建模问题处理：VLA在后台异步采多条候选动作块，一个轻量编辑策略拿最新一帧改一遍，再由critic挑一条执行。四个真机动态任务，每个评测30次，在线机器人数据卡在10分钟，从12.5/30做到29/30；仿真Kinetix上它带4步延迟还比零延迟的RLPD高15个点。完整的内容都排在图里了。人工智能机器人具身智能VLA

美国估计要大失所望了，根据斯坦福大学最新研究，中美顶尖大模型差距已经收窄至2.7%，而且双方头部模型已多次互换领先位置。看到中国大模型这种表现，估计美国人始终想不通，过去两年他们一直想方设法禁止向中国出口最顶尖的AI芯片，试图以此来构造他们在AIi领域的护城河人工智能竞争正在出现一个新的变化。曾经被认为决定胜负的芯片差距，并没有像一些人预想的那样，直接转化为大模型领域的绝对领先。就在美国不断强化人工智能芯片出口限制的同时，中国的大模型发展速度却没有停下来，反而在部分领域迅速追赶。斯坦福大学发布的《2026人工智能（AI）IndexReport》显示，截至2026年3月，中美顶尖人工智能模型之间的性能差距已经缩小到2.7%。报告指出，自2025年初以来，美国和中国的大模型已经多次在性能排行榜上交替领先，2025年2月，中国DeepSeek-R1曾短暂达到美国顶尖模型水平，而到了2026年3月，美国领先模型的优势只剩下个位数。过去很多人认为，人工智能（AI）发展的核心就是算力，而算力的核心就是高端芯片。这个判断并没有错，但它只看到了其中一部分。人工智能大模型并不是简单的“芯片越强，结果就一定越强”。模型训练涉及算法设计、数据处理、工程优化、应用场景以及整个基础设施体系。一辆汽车跑得快，不只是因为发动机马力大，还要看变速箱、轮胎、车身设计和驾驶技术。人工智能的发展逻辑也类似，芯片只是发动机之一。美国过去几年在高端人工智能（AI）芯片领域拥有明显优势，这也是美国采取出口限制措施的重要原因之一。从2022年开始，美国不断调整先进计算芯片出口政策，对中国获取部分高性能人工智能（AI）芯片进行限制，希望减缓中国在人工智能领域的发展速度。按照传统科技竞争模式，这种限制确实会制造困难。但问题在于，人工智能产业的发展速度非常快，中国企业开始寻找新的路径。一个明显变化，就是大模型研发开始从“堆硬件”转向“提高效率”。以DeepSeek等中国企业推出的大模型为例，其受到关注的原因之一，就是在有限资源条件下，通过算法优化和工程改进降低训练成本，提高模型效率。这并不代表芯片不重要。先进芯片依然是人工智能发展的关键资源，美国企业在芯片设计、制造生态和商业资本方面仍然保持优势。但现实证明，限制硬件供应并不能完全阻止技术创新。人工智能竞争正在从单点技术竞争，转变为综合体系竞争。其中，人才是非常重要的一环。人工智能（AI）行业不同于传统制造业，它高度依赖研发人员的创造力。一个优秀算法团队，可以通过模型结构优化、训练方式调整，让有限算力发挥更大作用。过去，美国凭借高校和科技企业优势，吸引了大量全球人工智能人才，其中包括大量华人工程师。与此同时，中国近年来也持续扩大人工智能人才培养规模。高校科研、互联网企业、制造企业不断投入，让更多算法工程师能够参与大模型研发。更重要的是，中国拥有庞大的应用市场。人工智能不是只看实验室里的测试分数，最终还要进入现实产业。制造工厂里的质量检测，物流系统中的路线优化，企业办公中的智能助手，金融领域的数据分析，这些场景都需要大量实际应用反馈。中国拥有完整的制造业体系和丰富的产业应用环境，这为人工智能技术快速落地提供了条件。除了人才和应用场景，还有一个经常被忽视的因素，那就是能源。大模型训练和运行需要大量电力支持，随着人工智能进入规模化阶段，数据中心建设已经不仅是技术问题，也涉及能源供应和基础设施能力。中国拥有全球规模较大的电力供应体系，近年来新能源装机规模持续增长，为建设大型算力中心提供了基础条件。这也是为什么人工智能竞争已经不再只是实验室里的较量，而是一场产业体系的比拼。当然，目前不能简单认为中国已经超过美国。从斯坦福报告来看，美国依然保持多个方面优势，包括私人人工智能（AI）投资规模、顶尖模型数量以及部分基础技术能力。2025年，美国私人人工智能（AI）投资规模远高于中国，美国科技企业在基础模型研发方面仍然具有强大实力。换句话说，美国的问题不是失去优势，而是优势正在缩小。过去，美国企业依靠更强的资本投入和更先进的芯片体系，在人工智能领域建立领先位置。但随着中国企业通过算法优化、产业应用和工程能力不断追赶，双方之间的差距正在快速减少。未来人工智能竞争，很可能不会出现简单的一方全面压倒另一方。美国可能继续保持基础研究和资本优势，中国可能继续发挥产业规模和应用优势。