AI快讯 - 实时AI新闻和趋势 | Blockchain.News

据X平台用户Sawyer Merritt称，特斯拉在奥斯汀将无人监督的Model Y Robotaxi试点从早期小范围地理围栏扩大，增加了无安全员车辆数量与服务范围。根据Merritt的帖子，此前外界质疑特斯拉未正式推出Robotaxi服务、且未提供无安全员乘车，但此次更新显示已有多辆车在更大区域内无人监督运行。这一进展据其披露，意味着特斯拉正从有监督向无人监督过渡，验证叫车调度、路径规划与远程监控等环节，为后续商业化与监管放开做准备，或将通过降低每英里成本与提升车队利用率带来竞争优势，并对依赖重传感器堆栈且地理围栏更受限的竞争对手形成压力。 (来源)

据Sawyer Merritt在X平台表示，特斯拉Cybercab采用两座设计的原因是北美超过85%的出行为一至两人乘坐；对于其余约15%的多人出行，可召唤Model Y机器人出租车或更大容量的Robovan，体现出按出行分布优化的分级无人车队策略。根据Sawyer Merritt的报道，这种车型与场景匹配有助于提升车队上座率、降低空驶率和单位里程成本，并扩大自动驾驶网约车的可服务市场。依照Sawyer Merritt所述，Robovan面向更高承载与可能的合乘或城配场景，带来除单人出行之外的新增营收机会。 (来源)

据@ylecun在X平台（2026年4月18日）表示，关于AI对劳动力市场的影响，应主要参考职业经济学家的研究，而非科技领袖直觉；他点名建议关注Philippe Aghion与Erik Brynjolfsson等学者的证据。根据Brynjolfsson在经济学文献中的研究结论，AI对任务的补强效应不均，会在高互补场景带来生产率红利并创造新岗位，同时在可直接自动化的任务上提高替代风险；这提示企业应进行任务级岗位审计、设立再培训预算，并监测工资两极化指标。依据Aghion关于增长与创新竞争政策的研究，技术扩散、再配置成本与市场结构决定净就业结果；因此企业AI战略应纳入经济学家主导的情景规划，量化采用滞后与扩散瓶颈，作为投资回报与人力转型的核心输入。 (来源)

据 Yann LeCun 在 X 表示，Lush SN 采用自研的 Lisp 解释器，并在90年代初加入编译器，且并非 Common Lisp；相关描述与 Artur Chakhvadze 的讨论一致。据 Lush 官方手册显示，Lush 以类 Lisp 语法结合高效的 C 与 CUDA 扩展，服务于数值计算与机器学习，推动了早期神经网络研究流程。据该手册记载，其解释 执行与编译混合的管线支持矩阵运算与信号处理的高性能原型开发，为后来将高层脚本与优化内核结合的现代 AI 框架提供了可借鉴的范式。 (来源)

据@emollick在X转发的xkcd第1741话显示，该漫画讽刺“自动化能替代劳动但工作依旧堆积”的职场悖论，折射AI落地中的生产力错配（来源：xkcd.com/1741，由Ethan Mollick分享）。据xkcd描绘，管理层对替代人力的乐观与交付缺口并存，说明AI常在重构流程与监督环节上转移而非消灭工作量。依据xkcd呈现的情境，这与企业AI导入实践相符：数据准备、工具集成与人机协作带来隐性成本并影响ROI周期。对企业而言，机会在于锁定增强型场景、设计人类在环机制，并以任务层面指标评估收益，而非仅以裁员为目标（来源：xkcd 1741与Ethan Mollick的分享）。 (来源)

据X平台用户Sawyer Merritt称，休斯敦和达拉斯已确认开启特斯拉Robotaxi无人监管载客，显示特斯拉在德州两大都市的无安全员运营正从FSD测试走向实际服务。根据Merritt的帖子，这一步将加速机器人网约车商业化、提升车队利用率，并推动以端到端神经网络为核心的FSD v12级方案在真实城市路况中的规模化部署。同时，依据多方行业追踪的公开信息，无人监管运营需与地方监管机构协调许可，德州市场有望成为特斯拉Robotaxi率先变现的关键区域。 (来源)

根据 Greg Brockman 在 X 的披露，设计师 Nicolas Zullo 演示了在 OpenAI Codex 内以自然语言构建并迭代可玩的网页游戏，支持指向界面元素、截屏与无刷新应用修改（来源：Greg Brockman 的 X 帖子，2026 年 4 月 18 日）。据 Nicolas Zullo 在 X 线程所述，该流程还使用了 Codex 制作的建筑设计工具，并可在编辑器内直接游玩，显著缩短了网页技术项目的迭代周期（来源：Nicolas Zullo 的视频帖）。这些信号表明：交互式应用原型成本可下降，UX 调整可在上下文内快速验证，AI 编码环境内嵌的实时设计工具存在订阅与插件化变现机会。 (来源)

据X平台用户Sawyer Merritt称，特斯拉已在德州达拉斯向普通客户提供无人监督的Robotaxi乘车服务，且该行程无安全员随车，表明特斯拉正在公共道路上测试全无人驾驶运营（来源：Sawyer Merritt，X）。依据Merritt发布的实拍信息，此次为常规付费行程，意味着特斯拉在一线城市启动限定运营域的全无人载客试点（来源：Sawyer Merritt，X）。结合路透社此前对特斯拉策略的报道，特斯拉正以端到端神经网络与海量车队数据训练的FSD堆栈为核心，瞄准与Waymo等在城市网约场景直接竞争（来源：Reuters）。对产业方而言，短期机会集中在车队托管与运维、高清地图与道路数据服务、自动驾驶保险定价、以及路侧与上下客枢纽改造；而德州在AV监管上相对宽松（据德州交通部门公开政策框架），或将加速商业化许可与地理围栏扩张。 (来源)

据 Sawyer Merritt 称，特斯拉已在休斯敦与达拉斯上线Robotaxi，并公布了地理围栏服务范围，优先覆盖中心商务区、机场连通走廊与部分郊区主干道。根据其分享的地图，服务区设计体现“先高密度走廊、后广域拓展”的策略，以利于在可预期交通场景中验证FSD栈、提升派单密度与车辆利用率。依据该帖信息，此分阶段地理围栏有助于安全验证与成本控制，并为充电合作、路侧管理以及围栏边界的接驳业务带来短期机遇。同时，据 Sawyer Merritt 指出，休斯敦与达拉斯的首批版图为后续城市复制提供参考，或将影响地方监管协作、保险定价与与市政的数据共享机制。 (来源)

据 pictory 称，Pictory 推出 API 集成，可将 AI 视频生成嵌入现有工作流与工具中，实现更快、更简单、可扩展的自动化视频制作；该信息来自 Pictory 官方推文与其网站集成页面。根据 Pictory 的集成说明，企业可通过接口从脚本或博客内容自动生成视频，并将产出接入 CMS 与营销自动化系统，用于市场推广、培训与产品更新等场景。据 Pictory 报道，这为代理商与大型企业提供了将文本资产批量转化为短视频、降低人工剪辑成本、提升内容产能与分发效率的商机。 (来源)

据DeepLearning.AI在X平台披露，低视力或失明用户依赖Be My Eyes等AI助手进行外貌与环境评估，虽能提升独立性，但因模型对“美”的主观评价与批判性措辞，可能引发困惑、不安全感及心理伤害。根据DeepLearning.AI报道，问题核心在于计算机视觉模型输出含评价色彩的描述而非客观场景摘要，亟需加入安全护栏、允许用户关闭审美判断，并制定具文化敏感性的提示策略。DeepLearning.AI指出，开发者可通过外观相关提示的偏见测试、默认中性表述、提供语气与细节控制、对敏感交互进行日志与红队测试、以及将高风险场景切换人工支持等措施，降低风险。这也为企业打造经无障碍认证、隐私优先、语言策略可配置的视觉助理创造商机。 (来源)

据 Greg Brockman 在 X 平台表示（gdb），OpenAI 的 Codex 正升级为全代理式 IDE，Evan Bacon 演示了在 Codex Desktop 内直接构建 iPhone 应用并联动 iOS 模拟器，展示了自动生成代码、执行构建与界面测试的一体化闭环（来源：Greg Brockman 于 X；Evan Bacon 于 X）。据上述来源，这种代理式开发流程可在同一环境中编写代码、运行编译与处理报错，显著缩短移动应用原型周期并降低新手上手门槛（来源：Greg Brockman 于 X；Evan Bacon 于 X）。同源信息还显示，桌面与模拟器的深度集成意味着多步工具使用能力——编辑文件、调用编译器、启动模拟器并验证结果——使 Codex 有望成为端到端应用创建的竞争选项，挑战传统 IDE 插件与编码助手（来源：Greg Brockman 于 X；Evan Bacon 于 X）。 (来源)

据Sawyer Merritt在X平台披露，比尔·马赫称埃隆·马斯克在AI问题上最为清醒，此举让马斯克2017—2018年关于“AI具存在性风险、等到被动监管已为时已晚”的表态再度走红（来源：Sawyer Merritt on X，2026年4月18日）。据当年媒体采访与演讲汇总，马斯克多次呼吁前置治理与安全研究，强调行业自律与早期政策框架的重要性（来源：CNBC采访档案；SXSW 2018讲话整理）。在此背景下，企业应强化模型评估、对抗测试与对齐工具投入，并紧跟AI安全标准与治理动向，以降低合规成本与上市周期风险（来源：MIT Technology Review与经合组织AI政策报告综述）。 (来源)

据Ethan Mollick在X平台表示，随着生成式模型降低创作边际成本，“身边万物皆为某人毕生心血”的假设正在失效（来源：Ethan Mollick，2026年4月18日）。据其观点，这将加速产品迭代与内容产出，常规成果趋于同质化，而差异化将转向数据壁垒、专业知识与人类审核。企业可将人力从初稿生产转移至质量把控、模型评估与分发渠道建设，并建立溯源与治理机制以降低幻觉与版权风险（来源：Ethan Mollick）。 (来源)

据Ethan Mollick在X平台表示，将所有AI模型视为会窃取评审数据的观点已过时，期刊应要求评审员使用企业版账户或关闭训练模式的模型以降低风险。根据Ethan Mollick转引Max Kagan的讨论，上传手稿给大模型的主要风险在于数据留存、用于训练与供应商访问控制，这些可通过企业合同、零留存设置与审计日志加以缓解。按照Ethan Mollick的建议，期刊可制定明确政策：强制使用企业级LLM、关闭训练与日志、禁止上传可识别作者信息、要求对提示词与文本做脱敏处理，并强制披露任何AI辅助评审的使用。此举可在保障保密与合规的同时，保留AI在结构化点评、引文核查与行文清晰度提升方面的效率收益。 (来源)

据@emollick表示，GDPval-AA并不可靠，因为其以Gemini 3.1作为裁判评估公开题库上的模型输出，难以反映真实能力。根据Artificial Analysis披露，Claude Opus 4.7在GDPval-AA上以1753 Elo领跑，并以57.3位列Artificial Analysis Intelligence Index首位，略高于Gemini 3.1 Pro的57.2与GPT-5.4的56.8；该机构称GDPval-AA覆盖44个职业与9个行业，并通过Stirrup开源代理框架启用Shell与浏览能力进行回路式任务。另据Artificial Analysis，Opus 4.7在IFBench、TerminalBench Hard、HLE、SciCode与GPQA Diamond上均有小幅提升，幻觉率降至36%，运行整套评测所用输出token约比Opus 4.6减少35%。对企业而言，这场关于评测裁判设计的争议表明需采用多元基准（如HLE、GPQA Diamond、TerminalBench、AA-Omniscience）并审计评测对裁判模型的依赖，以降低评测偏差与过拟合风险。 (来源)

据Sawyer Merritt在X平台披露，特斯拉FSD v14.3.1在实际道路场景中成功避让多处坑洞与井盖，系统可能独立决策或借助前车行为进行路径选择；同时，保存到手机的行车片段现已包含FSD叠加数据便于回放分析。该来源指出，此举显示道路风险识别与路径规划能力提升，可帮助车队与车主降低轮胎与悬挂损耗成本，并通过本地导出与遥测叠加优化事件复盘与性能评估流程。 (来源)

据 Epoch AI（@EpochAIResearch）称，OpenAI 的“Stargate”是一个总额约5000亿美元的数据中心计划，团队实地调查美国7个站点均已见到施工进展，目标在2029年前后实现9GW以上算力供电规模，体量可比纽约市峰值负荷。根据 Epoch AI 的现场调研贴文，这一规模意味着公用事业侧的长期购电协议、先进液冷与配电系统，以及GPU与电力设备的供应链锁定，显示对大规模训练与推理集群的持续需求。Greg Brockman 的发文指出，Stargate 被定位为“计算驱动经济”的关键基础设施，这为电力公司、设备商与GPU供应商带来长期产能预售与保供机会。对企业而言，正如 Epoch AI 所述，如此规模有望降低单次推理成本、提升前沿模型可用性，催生搜索、代码生成与多模态智能体等AI原生产品的低时延、高吞吐落地空间。 (来源)

据DeepLearning.AI称，Anthropic推出了Claude Mythos预览版，该模型可自主识别并利用严重软件漏洞；因存在双重用途风险，Anthropic未公开发布，而是与行业伙伴合作制定安全防护与评测机制（来源：DeepLearning.AI推特）。据DeepLearning.AI报道，项目重点是受控测试、红队基准、负责任披露流程与修复工具链，使模型发现可转化为企业补丁。报道还指出，商业影响包括加速渗透测试、降低漏洞分流成本，并为托管安全服务商在严格访问控制下提供新业务机会。 (来源)

据Claude在X（@claudeai）发布的信息，Anthropic将举办面向Opus 4.7的Claude Code黑客松，提供总计10万美元API代金券，并有Claude Code团队现场协作，报名截止至周日（来源：Claude在X，2026年4月17日）。据Cerebral Valley活动页显示，赛事聚焦使用Claude Code与Opus 4.7打造代码助理、代码审阅Copilot与企业工作流自动化等原型，利于通过Anthropic API生态加速落地与早期商业验证。结合Anthropic公开产品定位，Opus级模型擅长复杂推理与代码生成，可帮助团队更快推出开发者工具、LLM插件及工程自动化方案。对企业而言，本次黑客松提供以较低成本验证AI辅佐开发、对比评测Claude Code与竞品Copilot，并利用$10万API额度抵消试验成本（来源：X活动公告与Cerebral Valley页面）。 (来源)