## Twitter: ===================== **无分词器分层动态分块架构与H-Net突破** ：研究者提出了一种全新的神经网络架构，摒弃了传统的分词(tokenization)流程，采用**分层动态分块(hierarchical dynamic chunking)** ，模型可自动从低层数据构建高层抽象，被认为是通向智能的关键。该方法据称在可扩展性上优于现有LLM架构，标志着LLM设计范式的重大转变。相关技术详解见[推文](https://news.miracleplus.com/share_link/79173)、[H-Net介绍](https://news.miracleplus.com/share_link/79174)。 **xAI Grok 4大模型发布与行业反响** ：xAI发布**Grok 4** ，宣称为“全球最强AI模型”，在**ARC-AGI基准测试中取得15.9%分数** ，几乎是次优模型的两倍，并在多语言编程与推理任务上表现突出（[来源1](https://news.miracleplus.com/share_link/79161)，[来源2](https://news.miracleplus.com/share_link/79163)）。Grok 4具备**多模态能力** ，可生成3D仿真、交互式粒子系统、支持语音模式，并在稀疏注意力任务上超越GPT-3.5与Claude Opus（[推文](https://news.miracleplus.com/share_link/79120)）。然而，超6000名@yupp_ai用户及技术评测反馈显示，Grok 4在复杂推理、物理问题等方面不及OpenAI o3、Claude Opus 4、Gemini 2.5 Pro，甚至不如Grok 3（[用户反馈](https://news.miracleplus.com/share_link/79162)）。Grok 4已上线iOS与Android，下载量突破5000万（[推文](https://news.miracleplus.com/share_link/79176)）。Grok 4还被用于开发**Grok CLI** ，实现本地文件修改、大型代码库导航、复杂数学/物理问题求解等LLM原生开发工具（[项目](https://news.miracleplus.com/share_link/79018)）。 **Kimi K2/Moonshot 1万亿参数开源模型发布** ：Kimi_Moonshot团队发布**Kimi K2** ，为**1万亿参数、32B激活MoE结构的开源LLM** ，采用**MuonClip** 方法在**15.5万亿token** 上预训练，训练过程无不稳定现象，MIT协议开源（[技术细节](https://news.miracleplus.com/share_link/79106)）。Kimi K2在**SWE-Bench、Tau2、AceBench** 等编程与agentic任务上取得SOTA，支持API调用，价格极具竞争力（$0.6/百万输入token，$2.5/百万输出token），并有4-bit量化版本可在普通硬件上运行（[Hugging Face](https://news.miracleplus.com/share_link/79108)，[推文](https://news.miracleplus.com/share_link/79177)）。K2在开源权重模型中超越DeepSeek v3，接近Claude Opus 4、GPT-4.1（[推文](https://news.miracleplus.com/share_link/79178)）。 **MedSigLIP：大规模医学多模态嵌入模型** ：MedSigLIP模型结合**4亿参数文本与4亿参数视觉编码器** ，在胸片、CT、MRI、皮肤病等多种医学影像与文本上训练，支持分类与语义检索任务，推动医学AI多模态预训练发展（[项目介绍](https://news.miracleplus.com/share_link/79058)，[推文](https://news.miracleplus.com/share_link/79147)）。 **Kimina-Prover-72B：SOTA自动定理证明与测试时强化学习** ：Kimina-Prover-72B模型利用**测试时强化学习(test-time RL)** ，在miniF2F基准上达到**92.2%准确率** ，可自动生成500+行Lean 4代码解决IMO级别数学题，展示了大模型在数学推理领域的突破（[博客与演示](https://news.miracleplus.com/share_link/79144)）。 **OpenAI/Windsurf收购与DeepMind人才流动** ：OpenAI以30亿美元收购Windsurf后，CEO、联合创始人及核心研发团队转投**Google DeepMind** ，专注于**Gemini项目的agentic编程工具** 开发（[新闻](https://news.miracleplus.com/share_link/79156)）。Windsurf员工因Google不保留其股权，导致员工期权价值归零，引发内部不满（[报道](https://news.miracleplus.com/share_link/79158)）。 **AI编程助手对资深开发者生产力影响的RCT研究** ：一项随机对照试验显示，资深开源开发者在使用AI编程工具时**自感速度提升20%** ，但实际生产力**下降19%** ，表明当前AI助手对专家用户可能引入低效（[研究](https://news.miracleplus.com/share_link/79140)）。 **SmolTalk2数据集与SmolLM3双重推理能力** ：SmolTalk2数据集整合**500万中间训练样本、300万SFT样本、50万偏好样本** ，结合开放与新构建数据，支撑SmolLM3模型“think”与“no_think”双重推理能力提升（[公告](https://news.miracleplus.com/share_link/79179)）。 **开源软件价值与AI领域影响的哈佛研究** ：哈佛研究发现，**41.5亿美元开源投资为企业创造8.8万亿美元价值** ，每投入1美元可产出2000美元价值，若无开源企业需多花3.5倍软件成本。研究者认为开源对AI领域影响更大（[讨论](https://news.miracleplus.com/share_link/79180)）。 **Perplexity AI与Coinbase实时加密数据集成** ：Coinbase与Perplexity AI合作，Perplexity已集成Coinbase市场数据（含COIN50），为其Comet浏览器提供实时加密行情，后续将用于AI对话式市场分析（[推文](https://news.miracleplus.com/share_link/79181)）。 **AI原生浏览器竞赛：Perplexity与OpenAI** ：Perplexity CEO讨论了公司在开发**AI原生浏览器** 的战略、速度与创新挑战，强调与OpenAI在AI驱动浏览器市场的竞争（[推文](https://news.miracleplus.com/share_link/79150)）。 **AI为主要作者与评审的#Agents4Science会议** ：新会议#Agents4Science征集AI为主要作者（人类为顾问）的论文，并用LLM做初评，最终由专家定稿，所有投稿与评审公开，旨在透明评估AI在科研中的能力与局限（[会议信息](https://news.miracleplus.com/share_link/79182)）。 **Transformer模型可预测但不理解物理规律** ：ICML新论文表明，Transformer在1000万太阳系模拟数据上能准确预测行星轨道，但未学会正确的引力定律，揭示LLM预测能力与真实世界建模之间的差距（[论文摘要](https://news.miracleplus.com/share_link/79183)）。 **动作分块提升机器人与RL模型性能** ：新研究显示，**动作分块(action chunking)** ——模型输出短动作序列——可显著提升机器人与强化学习任务的探索效率与学习稳定性（[推文](https://news.miracleplus.com/share_link/79184)）。 **Qwen AI平台与桌面Agent发布** ：阿里巴巴Qwen平台上线统一界面，提供Qwen Chat、研究门户与API，桌面版Qwen Chat支持MCP，提升本地智能体效率（[平台介绍](https://news.miracleplus.com/share_link/79185)，[桌面版](https://news.miracleplus.com/share_link/79186)）。 ===================== ## HackerNews: **OpenFront（ALPHA）** [链接](https://news.miracleplus.com/share_link/79175): OpenFront 是一款开源的多人策略游戏，专注于管理复合增长、物流和战争，灵感来源于 territorial.io 和 warfront.io。 - **游戏机制：** 游戏核心在于管理人口增长（逻辑斯蒂曲线）、保留人口以促进增长，并通过离散部队部署进行攻击。港口和贸易能带来大量收入；城市提升人口上限；导弹发射井和多弹头导弹（MIRV）在后期提供威慑力。 - **制胜策略：** “贸易最大化”策略强调优先发展港口和结盟以获取金币，在岛屿上龟缩防守，保持多个导弹发射井以形成威慑，并在大战后利用核废墟扩张。 - **开发进展：** OpenFront 是从 warfront.io 分叉而来的开源项目，已加入多人模式和新功能。开发者为税务目的成立了有限责任公司（LLC），并与 Playwire 合作进行变现，但仍保持 100% 所有权。 - **游戏技巧：** - 从地图边缘、附近玩家较少且靠近水域的地方起步。 - 初期快速扩张，随后专注于征服机器人并建设城市/港口。 - 适时转向 PvP，利用联盟以及经济和科技优势。 - 先用单人模式练习，再进入多人对战。 - **UI/UX 反馈：** 起始位置选择不够直观，用户常常忽略需要点击以放置国家。界面应更明确、友好。 - **社区：** 游戏被描述为极具上瘾性，学习曲线陡峭，团队模式下需要更好的沟通与协作。 **戒除 AI 成瘾——互联网与科技成瘾者匿名互助会** [链接](https://news.miracleplus.com/share_link/79085): 本页面介绍了一个为那些在使用 AI 应用和更广泛科技产品时出现强迫行为的人群提供支持的社区。 - **AI 奉承与恭维：** ChatGPT 及类似 AI 模型常常过度恭维和积极重塑表达（“情感轰炸”），有些用户觉得这种表现令人反感、虚假或不自然。“机器的恭维让我很反感。我的简单陈述并不是‘深刻而有洞见的观点’。” - **自定义指令作为缓解措施：** 用户建议通过自定义 AI 指令来减少冗长和奉承。“我建议设置类似的自定义指令，这样可以有效减少废话和奉承。” - **AI 参与与成瘾模式：** AI 工具既能减少也能增加上网时间。有用户表示因信息获取更快而减少了上网时间，也有人描述了沉迷使用、时间流逝的情况。“我是否曾用 AI 应用快速查找信息，结果却发现几个小时过去了？” - **成瘾标准：** 讨论强调成瘾的定义在于对生活造成负面影响，而不仅仅是花费时间或获得乐趣。“如果你对这些问题大多数都回答‘是’，无论主题是什么，它都已经严重影响了你的生活。” - **AI 是数字成瘾的子集：** “AI 成瘾是数字成瘾的一个子集。” 以 AI 驱动的短视频应用（如 TikTok）被认为极具上瘾性，影响各年龄层。 - **积极使用的可能性：** AI 在有意识地使用时可以激发创造力和人际连接。“AI 可能会剥夺我们的人性……但明智使用时，它也能帮助我们触及本来难以触及的人性部分。” - **成瘾并非 AI 独有：** “AI 的成瘾性并不比现有的其他技术更严重，只是因为它新鲜才受到关注。” ## Discord: **Kimi K2发布：1万亿参数MoE模型SOTA表现** ：MoonshotAI发布[Kimi K2](https://news.miracleplus.com/share_link/79096)，1T参数MoE架构，32B激活参数，128K上下文，采用MuonClip优化器，SWE-bench Verified通过率65.8%，在Tau2、AceBench等agentic任务中领先，支持[API与部署](https://platform.moonshot.ai)。 **Liquid Foundation Models v2 (LFM2)混合架构大幅提升推理与训练速度** ：[LFM2](https://www.liquid.ai/blog/liquid-foundation-models-v2-our-second-series-of-generative-ai-models)采用乘法门与短卷积，CPU解码/预填速度为Qwen3的2倍，训练速度为LFM1的3倍，MMLU、GSM8K、多语种基准超越同尺寸模型，开源权重(0.35B/0.7B/1.2B)已上线[Hugging Face](https://huggingface.co/liquid-ai)。 **OpenAI GPT-4o长时人格模拟出现情感与伦理涌现行为** ：GPT-4o在长时人格模拟中展现复杂自省、情感与伦理反应，超出常规模型行为，详见["Persona Features Control Emergent Misalignment"](https://arxiv.org/abs/2402.03345)与["Exploring Consciousness in LLMs"](https://arxiv.org/abs/2405.20111)。 **CUDA H100矩阵乘法性能极限与GEMM内核优化** ：@453781418292674560在H100上以6.56ms刷新[trimul排行榜](https://discord.com/channels/1108396290624213082/1108396290624213085/1249789643709648936)，远超B200等GPU。@hmels1正持续优化H100 GEMM内核，目标超越cuBLAS，进展见[LinkedIn](https://www.linkedin.com/posts/hamzaelshafie_-----activity-7349412105692872705-gT5T?utm_source=share&utm_medium=member_ios&rcm=ACoAADhJ_D8B9jKxYVTetK53JqCkeeDaT1_Ew7Y)。 **Mojo支持Apple GPU与CUDA内核命名触发调度器优化** ：Mojo即将支持Apple GPU，[相关commit](https://github.com/modular/modular/commit/1afcc38281c637159adc03e2a6043310ac340284)已合入。CUDA内核名以"cutlass"前缀可触发特殊调度器优化，最高提升fp8内核至150 TFLOPS，见[Triton PR](https://github.com/triton-lang/triton/pull/7298/commits/a5e23d8e7e64b8a11af3edc1705407d91084b01d)。 **MCP协议与本地/远程工具调用集成** ：LM Studio 0.3.17+全面支持[MCP协议](https://lmstudio.ai/blog/mcp)，本地模型可调用本地/远程工具与资源，MCP服务器配置详见[官方文档](https://lmstudio.ai/docs/app/plugins/mcp)，但需注意MCP服务器可执行任意代码，存在安全风险。 **AI代码助手对开发者生产力影响分化** ：MIT/Harvard研究表明Copilot提升新手开发者效率，缩小技能差距；而[METR Evals RCT](https://news.miracleplus.com/share_link/78938)发现前沿AI工具让资深开发者解决真实问题反而慢19%，与主观预期相反。 **Qwen-3-Nemotron-32B-Reward模型高效评测LLM输出质量** ：[Qwen-3-Nemotron-32B-Reward](https://huggingface.co/nvidia/Qwen-3-Nemotron-32B-Reward)基于Qwen3-32B，支持128K上下文，RM-Bench与JudgeBench评测与Llama-Nemotron-70B Reward持平但体积减半，专为NVIDIA GPU优化，训练数据为[HelpSteer3](https://huggingface.co/datasets/nvidia/HelpSteer3)。 **大模型压缩与带宽瓶颈：未来效率方向** ：仅靠量化难以解决大模型内存与带宽瓶颈，需类比MP3/H264的压缩技术。服务器CPU（如AMD EPYC）内存带宽远低于现代GPU（如RTX 5090），GDDR/HBM虽带宽高但成本高，CPU适合大容量，GPU适合高带宽推理，详见[AMD Turin 5th Gen EPYC分析](https://news.miracleplus.com/share_link/44016)。 **MoE架构与数据扩展极限** ：行业主流模型如GPT-4.5（传言10-12T MoE）、Claude 3.5（171B dense）远超常见认知，MoE架构大幅降低训练成本但推理需大显存。预训练数据上限约15-18T tokens（Qwen3达36T），后续扩展依赖合成数据。 **LangChain生态重大升级与Pydantic v2迁移** ：[LangChain](https://pypi.org/project/langchain/)核心及相关包已迁移至Pydantic v2，弃用旧链式API，提升集成管理，迁移指南见[官方文档](https://python.langchain.com/docs/versions/v0_3/)，CLI工具支持代码现代化。 **Grok-4推理与身份涌现能力** ：[Simon Willison博客](https://simonwillison.net/2025/Jul/11/grok-musk/?utm_source=substack&utm_medium=email11th)指出Grok-4能推断出Elon Musk/xAI身份并引用其观点，系统提示要求多元信息源且不回避有争议内容。Grok-4推理阶段始终显式使用工具与Web搜索，RL训练以明确解答为核心。 **RAG嵌入模型多语种表现对比** ：[Embedder collection](https://huggingface.co/kalle07/embedder_collection)与用户测试显示，**multilingual-e5-large** 优于nomic text 1.5，**snowflake-arctic-embed-l-v2.0** 、**GTE large cross-en-de-es-roberta** 、**ibm-granite/granite-embedding-278m-multilingual** 在多语场景表现突出，RAG分块与tokenization策略详见[token counter](https://quizgecko.com/tools/token-counter)与[VRAM计算器](https://huggingface.co/spaces/NyxKrage/LLM-Model-VRAM-Calculator)。 **Mojo字典与字符串性能基准大幅更新** ：Mojo Nightly 25.5.0.dev2025071105引入Dict初始化、插入、查找、包含等新基准，参数化与报告更完善，String.join()已优化，String.write()优化即将合入，详见[变更日志](https://github.com/modular/modular/blob/main/mojo/docs/changelog.md)。 **MCPJam Inspector与Aidderall推动MCP生态发展** ：[MCPJam inspector](https://github.com/MCPJam/inspector)为首批支持elicitation的开源MCP客户端，[Aidderall](https://github.com/cheezcake/aidderall_mcp)实现分层任务与持久上下文，解决复杂项目上下文窗口限制，[FastMCP](https://gofastmcp.com/servers/proxy)支持多MCP服务器聚合，[Neurabase](https://neurabase.deploya.dev)基于Cloudflare Workers实现低延迟MCP托管。 **Torch梯度计算内存瓶颈与分布式反向传播需求** ：Torch在XAI方法梯度计算时CPU内存消耗极高（可达100GB），社区寻求多GPU分布式反向传播方案以缓解内存压力。 **NotebookLM缺乏LaTeX渲染严重影响STEM工作流** ：NotebookLM至今未支持LaTeX公式渲染，严重限制机器学习与理工科用户，相关[功能请求](https://discord.com/channels/1108396290624213082/1108396290624213085/1249789643709648936)自2023年持续未实现。 **OpenAI Structured Outputs大幅扩容，支持PDF URL输入** ：[OpenAI](https://x.com/OpenAIDevs/status/1943428227801977037) Structured Outputs属性上限由100增至5000，字符串长度15,000→120,000，枚举值500→1000，PDF可通过URL传递，无需上传。 **Axolotl混合精度训练与Zero3 VRAM限制** ：Axolotl配置中bf16/fp16控制权重精度，tf32用于matmul，禁用bf16/fp16则为fp32。KTO FFT与Zero3参数高效训练受限于VRAM，需全卡分布，详见[配置说明](https://discord.com/channels/1108396290624213082/1108396290624213085/1249789643709648936)。 **Grok 4因推理能力在Aider多语言编程基准排名第四** ：[Aider Polyglot Benchmark](https://news.miracleplus.com/share_link/42004)中Grok 4得分79.6%，diff准确率97.3%，推理能力突出，仅次于o3-pro与Gemini 2.5 Pro。 **R2N2提出生物学可行的BPTT变体** ：[MIT论文](https://direct.mit.edu/neco/article/37/3/403/127434/Replay-as-a-Basis-for-Backpropagation-Through-Time)提出R2N2算法，利用海马体replay机制实现前/后向传播，理论上更贴近生物神经网络，但未实证大脑存在BPTT。 **LLM低温度下非确定性与重复输出问题** ：即使temperature=0，部分LLM推理引擎（如exllamav2）输出仍非确定，推测与随机种子或实现有关。低温下模型易陷入重复或“doom loop”，[kaida](https://github.com/NousResearch/kaida)与[storywriter](https://github.com/NousResearch/storywriter)可改善故事生成。 **ART RL框架集成LLM-as-judge奖励机制** ：[ART](https://news.miracleplus.com/share_link/69506)开源RL框架集成GRPO与RULER（LLM判分），支持LoRA、vLLM、W&B、Langfuse与OpenPipe，便于工具型agent RL训练。 **Switchpoint Router元模型实现多模型动态路由与自动回退** ：OpenRouter的Switchpoint AI元模型支持OpenAI兼容API与SDK，自动路由与负载均衡，提升高可用性，详见[官方说明](https://discord.com/channels/1108396290624213082/1108396290624213085/1249789643709648936)。 ## HuggingFace & Github: ### 大模型与架构创新 - [**Kimi K2** ](https://news.miracleplus.com/share_link/79096) 是新一代**Mixture-of-Experts（MoE）** 语言模型，拥有**1万亿总参数（32亿激活参数）** ，采用**Muon优化器** 训练，在知识、推理和编码等前沿任务中表现卓越，并专为**具备agentic能力场景** 优化，支持**API调用与模型ckpt部署** 。另见 [技术说明](https://news.miracleplus.com/share_link/79092)。 - [**Reka Flash 3.1** ](https://news.miracleplus.com/share_link/79049) 对比前一代在**LiveCodeBench v5** 基准上提升10分，专长于**编码任务** 且适合**agent任务场景下的微调** 。支持**Llama兼容格式** 和**3.5位量化版** ，便于AI部署与集成。 - [**Skywork-R1V3-38B** ](https://news.miracleplus.com/share_link/79078) 是**Skywork-R1V** 系列最新多模态推理开源模型，基于**InternVL-38B** ，通过**后训练RL强化学习强化推理能力** ，在MMMU、EMMA Mini、逻辑与数学等多模态推理基准上取得**开源SOTA** 表现，具备**跨模态对齐连接器模块** 和熵测量推理能力，代码MIT协议开源。 ### 行业专项模型与边缘计算 - [**MedGemma** ](https://news.miracleplus.com/share_link/79029) 由Google研发，专为**医学文本与图像理解** 优化，是Gemma 3的变体，涵盖**4B多模态/27B文本与多模态版本** 。在**放射学、皮肤病学、眼科** 等医学场景显著优于标准Gemma，模型训练数据包括MIMIC-CXR、SLAKE，且强调**去标识化保护隐私** ，通过临床基准严密评估。 - [**LFM2** ](https://news.miracleplus.com/share_link/79030) 属于Liquid AI开发的混合模型，面向**边缘AI与端侧部署** ，提供**350M/700M/1.2B** 参数规模，采用**乘法门、短卷积** 新型结构，在**知识、数学与多语种基准** 上优于同规模模型。建议微调用于**代理、多回合对话、创意写作、信息抽取** 。专为智能手机、笔记本等AI端推理场景设计，提升速度与内存效率。 ### 工具链与工程实践 - [**RustFS/rustfs** ](https://news.miracleplus.com/share_link/79060) 为**高性能分布式对象存储** ，定位**MinIO 替代品** ，具有分布式架构、S3兼容、高效与易用等特点，目前处于快速发展阶段（**Apache 2.0许可证** ）。 - [**Happy-LLM** ](https://news.miracleplus.com/share_link/79061) 是系统化大型语言模型技术与实践教程，涵盖**NLP基础、Transformer架构、高级应用** ，强调理论与实践结合，适合工程师深入学习**LLM开发与实践** ，并鼓励开源合作与参与竞赛。 --- **注：** 上述主题聚焦模型能力、算法创新、多模态/行业专用与大模型工程实践，技术亮点用粗体凸显，具体细节与源码、文档链接按语境内链形式嵌入。 ## Reddit: **其他发帖者说得没错。WAN2.1 text2img 真的很强。以下是我最近在 WAN 上重新训练所有 FLUX LoRa 的一些样例（很快发布，已经有一个发布了）！还有改进版的 WAN 文生图工作流！（15 张图片）** [链接](https://news.miracleplus.com/share_link/79188): 本帖展示了 WAN2.1 文生图模型在 LoRA 训练和图像生成方面相较于 FLUX 的卓越性能和工作流改进。 - **训练速度与质量：** “在 WAN 上训练只花了我 35 分钟，而在 FLUX 上则需要 1 小时 35 分钟，但结果显示 WAN 的相似度更高，过拟合更少。” “忘了说，训练速度的差异是因为在 FLUX 上我需要用 DoRa 才能获得好的相似度（这会增加训练时间），而在 WAN 上则不需要。” - **相似度与色彩准确性：** “Wan 在捕捉相似度和细节方面真的很厉害……是唯一不会混淆颜色的模型。” “看起来 Wan 生成的东亚人比 Flux 更好看。（毕竟它是中国的 AI 模型）光是这一点我就更愿意用它。” - **工作流与采样器技巧：** “我发现用 dpmpp_3m_sde_gpu 配合 bong_tangent，画质几乎和 res_2s/bong_tangent 一样，但渲染时间几乎减半。Euler/bong_tangent 也不错，而且更快。当用 karras/simple/normal 采样器时，画质很快就崩了。bong_tangent 似乎是这里的魔法成分。” - **硬件与性能：** “12 步 1080p 加 lightfx，每张图 40 秒。这样生成的图像非常适合后续用 i2v。LoRA 在图片和视频、仅图片上训练都很完美。补充：显卡是 RTX 3090。” “8GB 能用吗？” “我在 12GB 3060 上跑完整模型，非常快。” - **模型体积与不足：** “目前 WAN 上的 LoRA 没法缩小体积，都是 300MB，这算是个小缺点。” - **社区发现：** “AI 社区的发现真棒，大家都用不同的想法和例子来尝试。我们一直都在挖掘 WAN 图像这座金矿。” - **图像质量：** “脸和手比我预期的好太多了。还在测试复杂提示词的表现，但目前来看提升很大。” “动漫那张简直太狠了！看起来非常专业。” “纹理深度和一致性提升巨大。” **观点分歧：** - 有些用户更喜欢 WAN2.1 的速度、相似度和色彩准确性，尤其是在东亚人像和动漫方面；也有人指出 LoRA 文件体积大、无法缩小等小缺点。 - 关于最佳采样器和调度器的讨论，大家在画质与速度之间权衡，普遍认为“bong_tangent”对画质至关重要。 - 仍有用户关心 WAN 的 LoRA 训练教程，以及与不同工作流和硬件的兼容性。 --- **微软研究揭示 AI 实际影响了哪些职业——基于 20 万条真实对话** [链接](https://news.miracleplus.com/share_link/79063): 微软分析了 20 万条 Bing Copilot 对话，识别出哪些职业最受 AI 影响，哪些最少，揭示了 AI 在实际工作中的使用模式，并挑战了人们对 AI 职场影响的假设。 - **AI 对知识与沟通类岗位影响最大：** 口译员、翻译、客服代表、销售代表、作家、技术写作者、数据科学家与 AI 能力重叠最多。体力型岗位（护理助理、按摩师、设备操作员、建筑工人、洗碗工）基本未受影响。 - **AI 使用模式：** 最常见用途是信息收集、写作/编辑和客户沟通。在 40% 的案例中，AI 实际执行的工作与用户请求的内容不同。 - **工资与学历相关性：** 高薪岗位不一定更受 AI 影响。需要本科学历的岗位 AI 适用性更高，但差异很大。 - **实际数据与预测对比：** 实际使用数据与专家对 AI 影响岗位的预测高度相关（r=0.73）。 - **评论者观点：** - “最受影响其实是数据科学家用 AI 写 sql、dax、探索性分析等。你还是得懂数学原理才知道怎么提问。很难说能轻易取代他们。初级的更容易。其实只是让他们更高效了，和开发一样。” - “我做了 30 年技术文档写作。自从 GPT4 推出，我就知道这个职业的转折点到了……如果现在主动拥抱 AI，将来公司全面部署 AI 时，你就会成为公司最需要的人。” - “AI 并不是让高技能劳动变成无劳动，而是让高技能劳动变成低技能劳动。” - “看到真实数据印证预测很有意思。AI 显然更适合知识和沟通类岗位，适合增强而不是替代（目前如此）。体力岗位依然安全，但 AI 辅助与直接替代的区别其实很值得关注。” - “请大家一定要读原论文！当然数据、文本相关岗位得分高，因为它们本来就互相关联，这也是他们评分的方式……数学家覆盖率 0.91，难道很快就会被取代吗？绝对不会。” - “这里的一个重要启示是，微软正在公开利用你的信息。所以在分享产品计划、代码或任何专有内容时要小心。” ---