文章核心观点 - SciSparc Ltd（Nasdaq: SPRC）宣布将战略重心转向代理式人工智能驱动的技术领域，包括网络安全和金融科技 [1] - 公司计划评估代理式人工智能生态系统中的技术、公司及商业机会，重点关注网络安全和金融科技等应用方向 [2] - 代理式人工智能指能够自主规划和执行任务以实现既定目标的人工智能系统 [3] - 公司将继续评估该领域的机会以推进战略转型 [4] 战略转型背景与时间线 - 公司于2026年7月27日做出瞄准代理式人工智能市场的决定 [2] - 公司于2026年8月26日宣布成立人工智能与网络安全科学顾问委员会 [2] - 公司于2026年10月15日发布相关公告，本次战略转型公告建立在此前公告基础之上 [2] 代理式人工智能定义与公司目标 - 代理式人工智能是设计用于自主规划和执行任务以实现既定目标的人工智能系统 [3] - 公司旨在依托其科学与技术基础，识别这些市场中的机会并评估在该领域建立自身存在的潜在途径 [3] 公司现有业务概况 - 公司通过子公司NeuroThera从事临床阶段药物开发 [5] - 公司专注于创建和增强基于大麻素药物的技术和资产组合 [5] - 公司及子公司NeuroThera目前正在开展基于THC和/或非精神活性CBD的药物开发项目 [5] - SCI-110用于治疗图雷特综合征、阿尔茨海默病及激越症状 [5] - SCI-210用于治疗自闭症谱系障碍和癫痫持续状态 [5] - 公司通过NeuroThera持有一家子公司的控股权，该子公司业务聚焦于在亚马逊平台上销售大麻籽油基产品 [5]

文章核心观点 - MiniMax官方通过短视频配文“Welcome back，Space Bunny”认领匿名模型Space Bunny（太空兔）[1][3] - Space Bunny是MiniMax M3.1 Flash的早期版本，该模型即将正式发布[3] 模型表现与行业格局 - Space Bunny自9月下旬上线后，3天内登顶OpenRouter和OpenCode的Token日调用量榜首[3] - Space Bunny与DeepSeek V4.1 Flash、GLM 5.3 Flash一同占据Token日调用量前三名[3]

文章核心观点 - 文章以Ilya Sutskever的生物视角为线索，梳理进化史上五次底层智能突破与AI技术突破的对应关系，指出生物进化与AI发展路线恰好相反，大模型从最二手的经验出发，正逐步往回补课以获取一手经验 [2][8][38] - 进化始终在奖励两个方向：更高效地发现新的适应方式（对应intelligence/RSI）和更大范围的结盟与合作（对应alignment），这与当前frontier labs提升intelligence和alignment两条主线几乎一一对应 [4][5][6] - 下一代范式探索者（SSI、Core Automation、Oak Lab）普遍认为补齐某种形式的value function是解决终极持续学习的关键组件，Ilya据称正在重点研究inner value model [43][44] - 人类社会几万年的合作史表明，alignment无法在白板上设计出来，只能在真实部署中不断试错和修补，价值观是流动的概念，AI或许不该对齐某个价值观checkpoint，而应对齐一套改进价值观的方法 [66][71][72] 生物智能的五次突破与AI的对应 - 第一次突破Steering（转向）：约6亿年前两侧对称动物出现后，生物需要中央决策系统汇总矛盾信号，催生了最原始的value function即affect（情感状态），将食物、威胁、温度等异质信号投射到同一低维空间进行比较 [11][12][14][15] - 情感状态有两个基础维度：效价（局面好坏）和唤醒度（身体激活水平），组合后得到四类基本状态，对线虫而言可回答留下还是离开、值得花费多少能量两个问题 [16][18] - 情感状态在刺激消失后仍持续很长时间，相当于一种记忆机制，告诉生物环境有害或有益，即使信号暂时消失也要继续执行此前策略 [18][19] - 第二次突破Reinforcing（强化学习）：约5亿年前寒武纪第一批脊椎动物（最早的鱼）出现，需要解决时间上的credit assignment问题，即奖励来得很晚时判断哪个动作起了作用 [20][21] - AI领域解法是Richard Sutton在八十年代提出的时序差分学习（TD learning），将决策拆成Actor（选择行动）和Critic（估计回报）两个系统，学习可以来自预期的变化而非只等最终结果 [22][23] - 神经科学家在大脑中发现几乎一模一样的机制：基底神经节类似Actor，多巴胺类似Critic，多巴胺编码的是reward prediction error，与TD learning中的预测误差几乎完全对应 [24] - 进化催生了好奇心作为第二套reward机制，多巴胺负责exploit，好奇心负责explore，二者维持张力让生物找到最优行动路线 [25][26] - 第三次突破Simulating（模拟）：约2亿年前早期哺乳动物出现，温血高能耗使犯错代价大，新皮质作为生成模型先generate再compare再update，把试错从体外搬进脑内 [27][28] - 老鼠走到迷宫岔路口时大脑会快速依次点亮两条可能路线，错过好选项后会回头张望，大脑重新浮现被放弃的选择，学会后悔，后悔本身是一种学习信号 [30] - 从AI角度看，这就是world model、RL和planning的生物版本，用便宜、安全、可并行的想象替代昂贵的真实交互 [30] - 第四次突破Mentalizing（心智建模）：6600万年前小行星终结恐龙时代后灵长类繁衍，社会脑假说认为推动灵长类变聪明的主要是彼此，新皮质相对大小与群体规模高度相关 [31] - 灵长类需要建立别人脑中的世界模型，黑猩猩会根据其他个体看见过什么来藏匿食物，能区分我知道什么和对方知道什么 [31] - 这带来两个新能力：向别人学习（自己运动系统在内部模拟他人动作）和为未来的自己做计划（黑猩猩会挑工具留到第二天用） [33] - 神经科学家Hal Hershfield发现人想象十年后的自己时大脑活动模式更像在想一个陌生人，为未来做计划本质上是心智建模的附加作用 [33] - 第五次突破Language（语言）：语言把彼此独立的大脑连接成更紧密的学习系统，一个人脑中的world model可被编码成语言在另一个人脑中展开 [34] - 横向上合作规模急剧扩大，神话、宗教、货币、国家、公司制相继诞生；纵向上checkpoint代代相传，个体学到的一切不再随个体死去 [34] - 语言是碳基生物RSI的起点，系统不仅能积累改进还能改进产生改进的方法，智能迭代速度开始指数级加快 [34] - 五次突破贯穿的主线是经验的虚拟化，一个生物越来越能够利用自己没有亲身经历过的经验 [37] 大模型与生物进化的相反路线 - 大模型走的路线几乎相反：先用整个人类文明留下的文字训练出系统，让它一出生就能谈论爱情、代码和量子力学，然后才一层层往回补课 [38] - 对应关系为：预训练对应语言（从别人想象过的动作和世界中学习），SFT对应心智建模（从人类真正示范过的动作中学习），思维链对应模拟（在想象中推演），RL对应强化学习（从自己真正做过的选择中学习） [39][40] - 多模态、工具调用和agentic能力让模型开始感知真实环境并在其中行动，如编程Agent根据报错和测试结果调整解法、教学Agent连续几个月跟踪学生、科学Agent自己提出假设安排实验 [40][41] - David Silver和Richard Sutton把AI下一阶段称作The Era of Experience，AI能力增长将越来越多来自亲身与环境互动、试错、观察结果后产生的经验，反馈越来越少来自人类，越来越多来自真实世界后果 [38] - 现在唯独最前面那一步还没补上，即一个属于AI自己的value function，就像最早学会转向的线虫身上那枚指引行动的内在罗盘 [42] 下一代范式与value function - Ilya在25年底播客中与Dwarkesh讨论新手学开车没有教练也知道自己开得好不好并能自我纠正，答案是人有自己的value function，人类学习主要来自与环境互动和内心感觉，是一种很高效的无监督学习形式 [44] - 持续学习最关键卡点是sample efficiency太差，如果能拥有inner value function，AI学习效率会有质的飞跃 [45] - Ilya强调人类进化出了一些很高级的价值函数如社会地位，基因本身不智能却知道如何连线神经元让人类产生这种高级情感，且这套价值观从远古用到今天依然极其可靠，只有成瘾等少数极端情况例外 [45] - 既然盲目的进化都能成功把高级价值观编码给人类，设计超级智能时应该也存在某种方法能把关爱生命这种高级目标教给AI，理解进化如何编码价值函数或可同时获得让AI更高效从经验中学习和实现alignment两方面启发 [45] - Ilya对value function发挥作用很有信心，强调即使现在还没用未来也一定有用，但也有researcher认为这条路完全走不通，Ilya可能是在释放烟雾弹 [46] - Jerry Tworek更关注目标怎么定，认为当前continual learning核心问题不在架构或算法，而在于怎么定义更好的objective function，好目标要足够难且能持续产生学习信号不依赖大量人工标注数据和静态数据 [46] - 人类优化目标非常简单即生存、繁衍加好奇心等点缀，但经过漫长训练一个简单目标就能长出复杂智能 [47] - Richard Sutton在WAIC上提到value function是下一代范式关键组件，Reward只描述当前收到的好坏信号，value function能评估当前处境未来可能带来的整体后果，Agent不能只追求明确奖励信号也仍需价值函数把眼前收益和长远结果联系起来 [48] - 对于模型解决的每个小问题，value function是三部分之和的期望：事情有没有做成、做成以后留下怎样的局面、为了做成途中付出了多少代价获得了什么额外收益 [49][50] 更高层的alignment：制度演化 - 一些研究进化史的学者认为如果进化存在一个目的，这个目的叫做increasing non-zero-sumness（不断扩大的非零和游戏），无论生物演化还是文化演化非零和程度都在不断提高 [52][53] - 生命史中重大转变经常是原先独立单位形成新的合作整体：分子聚成细胞、细胞吞掉细菌拥有线粒体、单细胞组成多细胞生物、生物个体组成蚁群等社会群体、群体扩展成社会与文明 [54] - 人类社会过去一万年合作范围不断扩大：部落、村落、城邦、国家、全球分工体系，现代人日常生活建立在无数陌生人劳动之上 [54] - 每一次跃迁首先要解决alignment问题，多细胞生物中每个细胞放弃随意分裂自由，一旦某个细胞重新只顾自己无限复制就会癌变，生物进化出细胞自毁、免疫清除等机制 [54] - 人类社会与细胞不同，多细胞生物共享同一套基因，但社会中人有更不同的利益和偏好，没有什么能天然担保大家方向一致，每个人随时可能搭便车甚至背叛 [55] - 人类社会渐渐发展出三层alignment机制，制度通常最容易先发挥作用，通过调整激励让人们更愿意合作并为背叛设定代价 [56][58] - 人类要扩大合作至少需要跨过信息和信任两道门槛，信息门槛解决彼此理解达成一致协调行动，方法包括文字、账本、通信网络；信任门槛解决怎么知道对方会履约违约后怎么办，方法包括宗教、道德、契约、担保、法律、制度 [59][60] - 人类历史基本剧情是技术一直压低第一道坎，制度紧跟着解决第二道，和今天frontier lab情况类似：模型能力先有突破，alignment再逐步补齐 [61] - 经济上航海和生产技术进步让远方市场可知可达，但远洋贸易需巨额资本且陌生人不敢托付，于是股份公司和现代金融制度出现；政治上印刷术和商业扩张让国家和商人出现合作空间，但双方卡在信任问题上，分权做法由此在英国萌芽后来美国发扬光大 [62] - 这个模式抽象出来就是不断强化的循环：技术降低沟通和信任成本、更多人可以合作、规则和治理机制在合作中逐渐完善、产生更多知识与技术、合作网络进一步扩大 [63] - 制度往往比技术突破慢得多，两者之间漫长的时间差就是历史上的动荡期，如印刷术在15世纪中叶打破信息门槛，但社会并没有马上找到容纳不同信仰的办法，欧洲先经历了宗教改革和一个多世纪的宗教战争才慢慢长出宗教宽容和主权国家 [64] - 这些制度几乎没有一个是事先设计好的，股份公司从中世纪意大利合伙契约到一船一结的远航集资再到荷兰东印度公司经历了几百年漫长迭代，三权分立思想也前后折腾了近半个世纪 [65] - 哲学家亚当·弗格森说过制度是人类行动的结果而不是人类设计的产物，各个民族往往是一路摸索才撞上了这些制度 [65] - 这对AI alignment提供参照：如果人类用了这么久才逐渐找到有效合作方式，AI的alignment更加黑盒，大概也没法在白板上设计出来，只能在真实部署里不断试错和修补 [66] - Ilya后来谈到SSI最初想避开市场竞争直接做出超级智能再公开，后来意识到需要渐进式放出一些东西，让社会更早看见AI能做什么会在哪些地方出现misalignment，才有时间准备和调整 [66] 更高层的alignment：道德圈扩大 - 制度有两个难以避免的问题：监督需要成本、规则总有漏洞，社会要维持合作还得让人在没人看着时也愿意顾及他人，道德、宗教和文化承担了这样的作用 [67] - 文明发展过程中道德圈也在不断扩大，人类早期社会道德关怀往往只覆盖部落和亲属，许多部落给自己起的名字意思就是人，言外之意是圈外之人都不太算人 [67] - 随着社会扩大人类逐渐把更多人纳入自己人范围：家庭、部落、城市、国家、全人类，今天很多人进一步把动物、生态系统甚至未来世代纳入道德考虑 [68] - 道德圈半径大致等于非零和游戏的半径，道德圈变大并不单纯因为人突然变善良，更多因为社会结构让不同群体越来越相互依赖 [69] - 什么值得追求、怎样才算好好过完一生这些更广义的价值观同样是社会结构的产物，如几十年前低买高卖还叫投机倒把是写进刑法的罪名，直到1997年修订刑法才被删去，改革开放后同样行为先被默许再被鼓励后来有了体面名字企业家精神 [71] - 价值观看上去像信念其实更像一种适应，是特定环境下让人利益最大化的reward function [71] - 这给AI alignment的启发是价值观是流动的概念，AI或许不该对齐现在主流遵从的东西，而该对齐AI时代更需要的东西，对齐那些如果我们知道得更多格局更大更接近我们希望成为的那种人时会想要的东西 [71] - 设想AGI诞生在1800年，它完美对齐当时主流道德，会帮种植园主优化奴隶排班、认为女人没必要投票、不觉得虐待动物有多大问题，它忠实维护的恰好可能是后来的人努力改变的 [72] - 如果每个时代价值观都只是一个checkpoint，把AI对齐到2026年价值观就可能把今天的很多局限性一起冻结进去，所以要对齐的也许不是价值观的某个checkpoint，而是一套改进价值观的方法，让价值观本身也能实现某种RSI [72] - Anthropic今年更新的新版Claude宪法也从原本的行为原则清单改成了重点解释Claude为什么应该这样做，让Claude理解人类最底层的意图一起向更深处追问 [72] 更高层的alignment：人类自我驯化 - 人类更特别的地方在于基因是自私的但人性是无私的，背后是几十万年的互相筛选 [73][74] - 人类会自然欣赏那些能够理解和帮助他人、不以自我为中心而是让周围人一起变好的人，这样的人不仅自己聪明还能提高整个群体产出，更容易赢得地位信任和繁殖机会 [75] - 心理学家David Buss在37个文化里做过调查，无论男女善良体贴都排在择偶标准最前列 [75] - 那些经常伤害同伴只顾自己的人会被群体惩罚，灵长类学家Richard Wrangham认为这种集体惩罚持续了几十万年，相当于人类对自己做了一次驯化，好斗的个体一代代被淘汰，人变得越来越温和合群 [75] - 一推一拉之间人类进化出来的不只是解决个人问题的智力，还有一整套社会装备：理解他人意图的能力、共情、公平感、内疚、羞耻心，其中最精妙的是内疚和羞耻，群体不可能永远在场于是惩罚直接住进了人的内心 [76] - 人的大脑很大程度上已经演变为了一台追求非零和游戏的机器，人类不仅演化出了欣赏这类人的倾向，也能从自己参与这种活动中获得意义感 [76] - 很多研究发现长期幸福感往往与这些目标相关：利他行为、社会参与、对家人和朋友的投入、参与比个人更大的事业 [76] - 只追逐金钱和地位有点像reward hacking，刷高了一个代理指标但未必能获得持久的意义感和幸福感，哈佛那个著名的长期研究发现最能预测晚年幸福的是人际关系的质量，财富和名望反倒没那么重要 [76] - 当人类长期以来都是因为能够参与和创造非零和合作而获得社会奖励，大脑便也已经演化出了相应的心理机制：帮助别人、投身于一件比自己更大的事情本身就能带来满足和意义，反过来失去了与人的连接只剩地位上的比较就容易焦虑和空虚 [76] - 几十万年的相互筛选就像一场漫长的RLHF，最后评分员的偏好被蒸馏进了每个人自己的奖励函数 [77] - 发现和推动非零和合作同时有三层价值：客观价值（能形成更有生产力的系统）、社会价值（能给个人带来信任和资源）、主观价值（人类已经进化出了从中感受意义的能力） [78] - 客观世界需要它，社会关系奖励它，个人内心也会感受到它，从这个意义上说人类被塑造成了一种注定要追求alignment的生物 [78] 对AI alignment的启示 - 国内体感并不明显，但和海外头部两家Labs的朋友交流，大家现在最关心和最担心的问题基本都是AI安全 [81] - ASI几乎是一个注定要发生的事情，我们也会面临一个越发危险的局面 [81] - 今天主流做法仍然偏规则设计：写spec、写constitution、定义reward，但reward hacking和人类钻空子是同一件事，被约束的对象越聪明就越容易走出预先设定的边界，失控的风险也越大 [81] - 进化没有写过规则，它只是搭了一个让合作胜出的环境，再把在意别人写进本能 [82] - 也许最终还是要找到一种方法：要么搭建合适的环境和筛选机制让与人类对齐成为长期的最优策略，要么找到某种编码方式，像Ilya说的，让AI真心关爱有感知的生命 [83]

文章核心观点 - 创业公司与人才之间存在双向匹配困境，双方都在寻找彼此却难以相遇 [3][4] - 创业早期每一个人的选择都会被放大，一个关键人才可能改变产品进度、团队上限甚至公司方向 [4] - 招人不是公司单方面挑人，真正困难的是两个都在做选择的人如何识别彼此 [5][6] - 好公司需要好人才，好人才也在寻找好公司，核心问题是如何更早遇见彼此 [7] 活动主题与讨论方向 - 活动主题为创业公司为什么总缺人，聚焦AI-native创业公司的人才选择与团队搭建 [8] - 讨论方向一：早期团队最应该招什么样的人，最优秀和最合适是否是一回事 [7] - 讨论方向二：候选人如何判断这是一家值得加入的公司还是一个包装得很好的故事 [7] - 讨论方向三：大厂明星人才为什么到了创业公司不一定好用，什么能力只有创业环境才能检验 [7] - 讨论方向四：从5个人到20人、50人，Founder什么时候应该亲自招人，什么时候必须开始建立组织能力 [7] 活动报名信息 - 时间：10月23日，周五，19:00 [8] - 地点：北京，报名后告知具体地点 [8] - 报名方式：扫海报二维码 [8] - 报名信息用于更好地匹配桌友 [8] 锦秋基金概况 - 锦秋基金成立于2022年，专注早期投资 [9] - 投资方向为推动产业跃迁、拓展人类能力边界的创业公司 [9] 锦秋基金已披露参与投资企业 - 已披露参与投资企业包括宇树科技、Momenta、生数科技、地瓜机器人、东方算芯、微纳核芯、数美万物、光本位科技、星尘智能、乐享科技、深度原理、首形科技、视延科技、OiiOii、澜昆微、流形空间、清闲智能、因克斯、铭芯启睿、青耘科技、造梦次元、atoms.dev、Rezona、Dexmate、硅羽科技、PongBot庞伯特、UniPat、Romangic浪漫极客、Workmagic、Ribbi、灵动佳芯、Pokee AI、AdsGency、Aha AI、独响、SophiaPro、Wanaka、智识科技、猴子说话、诺视科技、沛源电子、Safeheron、NemoVideo、Artarch、SandwichLab、Wanderboat、奇妙拉比、CatnipIsoform、Testsprite、PopPark、Pathfinder巡领科技、InspiredAI、TarsTech、Hydrox、Jovida、ZooNotFound、Infernet、Imaginix、Capso、银河驿站、星辰技术、章鱼动力、灵启万物、大秦数能、未来机器人、FastMoss、JetCommerce、文图跃迁、新控智能、昌进生物、疆海科技、Leonis Capital等 [10] 锦秋基金内容矩阵 - 官方资讯与深度内容分享栏目为AI First Bite [11] - 官方网站：www.jinqiucapital.com [11] - 微信公众号：锦秋集（ID: jqcapital）[11] - 视频播客系列为锦供参考 [12] - 2026 Founder Compass [12] - 视频号、小红书、抖音、B站账号均为锦秋范儿 [12] - 小红书账号包括杨洁、锦秋Signal [12] 推荐阅读内容 - 锦秋被投企业宇树科技IPO：回看六个瞬间，走向新的十年 [17] - 锦秋被投企业Momenta正式在港交所挂牌上市 [17] - 278位Builder和他们改变世界的这半年 [17] - Founders Back Founders [17] - 7月锦秋小饭桌月报：282人看到的7个变化 [17] - Agent时代的招聘与投资入口：Agent Channel [18] - 上线3个月，帮创始人做8件小事 [19] - 锦秋Grow让生长持续发生 [19] - 腾讯给Agent一个邮箱，锦秋想给Agent第一份高管工作 [19] - AI应用CEO实测：DeepSeek V4 Flash正式版性能追平Pro预览版，价格约降2/3 [19] - AI的1万亿美元账单：投资下一代智能系统 [19]

文章核心观点 - Jev是一款只回答选择题的模型，不聊天不写代码不给解释，输入状态加固定选项后返回一串概率 [5] - Jev发布后迅速走红并刷新行业纪录，TypeSafe AI在24天内完成8.7亿美元A轮融资，估值75亿美元，成为今年最贵A轮 [5] - 本轮融资由a16z领投，红杉资本与老股东DCVC等参与 [6] - 顶级VC的钱投给了一个哑巴模型，与今年几乎所有AI都在想怎么把话说得更好听形成反差 [6] - a16z将Jev的发布称为今年见过的最大的一次叙事反叛 [18] - a16z认为真正的解锁点在于让所有软件都能原生地嵌进最新模型的智能，同时把性能和成本压到传统软件能接受的水平 [18] - 定价逻辑浓缩为杰文斯悖论，智能便宜到一定程度就会被到处调用，单价往下走调用量往上走，总收入空间反而被撑大 [19] 公司背景与团队 - TypeSafe AI成立于2024年，总部在旧金山，公司名TypeSafe本身是个程序员的梗，指类型安全 [8] - 公司当前大约有20个人，内部口号是Build Prod, Not God，意思是造生产工具别忙着造神 [8] - 在Jev之前公司几乎没有对外发声过，创始人Diogo Almeida社交账号互动量长期停留在个位数 [8] - 创始人兼CEO Almeida先后在Google Brain和OpenAI任职，是InstructGPT论文核心作者之一，也参与过ChatGPT和GPT-4相关工作，RLHF是其长期研究方向 [8] - 另外两位创始人是Erik Gafni和Sasha Sheng [9] - Almeida于2021年在一次聚会上认识Gafni，两人经常交流模型开发，Gafni很早就理解TypeSafe的设想并成为最先加入的人 [9] - Sheng是Almeida的老朋友，也是一位华人，创业后Almeida找她讨论，她听完后很快决定加入 [10] - Gafni曾在Invitae和Freenome工作，经历过多次创业，熟悉生产环境中的AI系统 [10] - Sheng先后在Meta/FAIR担任研究工程师，参与信息流及AI研究相关工作 [10] - 三人履历里既有模型研究，也有把系统交给实际用户使用的经验 [10] 产品设计初衷与行业痛点 - Jev被设计的初衷并不是为人服务的 [8] - Almeida看到模型聊天能力不断提高，可企业却仍然不放心把工作交给软件自动完成，这两者之间的差距让他看到了机会 [10] - 软件每天处理的判断题很多，比如邮件要不要拦截，投诉要不要转人工，搜索结果值不值得保留 [10] - 以每天100万条请求的系统为例，假设每条请求需要10次判断，一天便有1000万次决策，每次多花一点钱或多等一会儿，累积起来都是企业需要计算的成本 [11] - Jev诞生之前行业通常做法是把问题统统喂给市面上最聪明的模型，让模型生成一段解释，再由程序员写解析逻辑把真正的值从解释里抠出来，这种做法的弊端是又慢又贵 [11] - TypeSafe成立后的两年没有去做更大更全的模型，而是搭了三样东西，一套新的模型架构，一个并行采样器，还有一种称为RLCD的训练方法，全称是面向校准决策的强化学习 [11] - 校准尤为重要，Almeida比喻如果一个模型在95%的时间里表现得像爱因斯坦，而剩下的5%则像憨豆先生，那它在自动化场景里就是不可用的 [11] - 聊天时答错人可以追问也可以纠正，而在无人值守的软件流程里一次错判会沿着调用链一路放大 [11] 融资历程 - 9月TypeSafe走出隐身，同时宣布了4000万美元种子轮，由DCVC领投，估值约2亿美元 [11] - 9月15日第一个System One模型Jev开放早期访问 [11] - 从种子轮官宣到A轮官宣间隔24天，融资金额膨胀了22倍，估值涨了37.5倍 [18] - A轮融资8.7亿美元约58亿人民币，估值75亿美元约502亿人民币 [5] - 在A轮敲定之前，TypeSafe接触过一笔规模超过10亿美元的融资，投资人开出过100亿美元以上的估值，最终没能成交 [19] 产品形态与能力边界 - 产品形态上Jev简单得有点不像AI，只接受三类问题 [14] - Choice，从给定的一份列表里选一个，返回每个选项的概率 [14] - Score，按给定的评分标准打分 [14] - Noul，对一个命题给出0到1的真假概率 [14] - Choice和Score会额外返回置信度，三类问题可以在同一次API调用里并发地对同一份状态求值 [15] - 端到端响应70到500毫秒，定价每百万输入token0.042美元，输出免费 [15] - a16z在投资公告里注解，输出量太小，小到他们干脆不收这笔钱 [15] - 官网给出两个数字，快193.6倍，便宜444.6倍，公司自己主动给这两个数字打了折，它们来自TypeSafe团队自己搭建的工作流评测，处在真实收益区间的高位，可能存在偏差 [15] - Jev的接口相当克制，开发者可以让它在候选项中选择，也可以要求它按标准评分，或者判断某个命题成立的概率 [15] - 几个问题能够在同一次调用中并行处理，程序拿到结果后继续执行 [15] - 遇到需要综合权衡的复杂任务，官方文档建议先拆成更明确的问题，再用代码组合结果 [15] - 例如一封客服邮件可以被分别判断是否紧急以及应由哪个部门处理，企业能在代码里决定低置信度的请求交给人工，高置信度的请求自动分流 [15] - 模型处理其中需要理解语义的部分，后续操作仍由业务系统控制 [15] - 这种用法对企业有吸引力，也划出了Jev的能力边界，它不能替用户写回复，开发者还得定义问题和候选项 [16] - TypeSafe的机会在于能否让企业在完成接入之后，以更低成本反复使用这部分判断能力 [16] 市场表现与客户数据 - Jev上线AI Gateway后12小时便超过了该平台同期的其他模型 [16] - 24小时内接近13%的付费团队使用了它，这是平台内部的全新记录 [16] - 已经有三分之一的财富500强企业使用了Jev [16] - 人才匹配平台Jack&Jill把候选人筛选的工作从Gemini整体换成了Jev，成本直接降了88% [16] - Almeida在最近的访谈中透露，Jev日处理量已经站上1万亿token [16] - 模型上线后不久公司就开始盈利了 [16] - 夜间的流量还在往上走，聊天机器人的流量来自人的好奇白天用夜里睡热度过了就往下掉，而被后台程序调用的模型不遵循这个逻辑，夜里的曲线依旧往上，说明它已经真的进入了生产系统 [16] 竞争格局与市场反应 - TypeSafe一火全球市场开始批量复制 [17] - 24天里OpenAI和微软先后入场，Cloudflare与亚马逊各出一款，Perplexity开源了自己的版本，国内至少有两家创业团队也在其中 [17] - 上海人工智能实验室在9月底放出了多模态决策模型Intern-Decision，卖点是能读懂图像和界面再做判断，自称推理速度是Jev的2到3倍 [17] - 国内更受关注的是StartLux，注册在上海，成立还不到五个月，背后是盛大网络联合创始人陈大年 [17] - 9月30日StartLux开源了StartLux-Decision，一口气给了0.8B到27B五档规格，每档都配了量化文件，同样自称超过了Jev [17] - 国内大厂的反应主要则体现在了工程讨论和试验上 [18] - Datawhale推出了中文Jev课程，其资料库收录了腾讯技术工程对模型和智能体判断任务的分析，阿里云开发者社区也出现了相关介绍 [18] - 行业关心的议题很具体，包括工具调用该怎样分流，以及哪些上下文可以删除 [18] - 有投资人表示决策模型的技术并不难，任何一个大模型公司几天就能做出来了，真正难得的是这个idea [18] - 该投资人对TypeSafe的巨额融资和高估值难以理解，认为美国现在很多投资都挺魔怔 [18]

核心观点 - Anthropic宣布将至少5%的股份投入“公共利益基金”，该举措引发外界热情与质疑并存的反应，关于基金运作方式的许多问题仍未得到解答，公司表示将用这些股份创建一个独立公司来进行捐赠 [1] - 行业人士对该计划的看法分歧明显，部分人士赞赏其慈善承诺，部分人士质疑其动机、控制权及资金流向 [1][12][17] 支持与赞赏观点 - Altimeter Capital CEO Brad Gerstner称赞Anthropic的承诺为“非凡的礼物”，并称其为“慈善承诺”，但同时提醒关注“基金会财富集中”问题 [12] - Brad Gerstner与Elon Musk类似，希望AI财富中有相当一部分以直接分红形式回馈公众 [12] 质疑与批评观点 - Anduril联合创始人Palmer Luckey质疑Anthropic是否有权定义“公共利益”，认为其定义的“公共利益”是帮助其他所有人而非美国公众，并称该计划“散发着USAID 2.0的气息，只是另一种将数十亿美元从自身经济中抽走的方式” [7] - AI分析师Andrew Curran聚焦于Anthropic声明中可能探索“向特定人群直接分配”的表述，认为这听起来像是在规划其自身形式的自主全球UBI（全民基本收入） [8] - Andrew Curran补充称，约一半的Anthropic员工也在向该基金捐赠股份，表明他们预见到一个变革性的未来 [9] - NYU教授Gary Marcus将此次公告定性为公关策略，称Anthropic在“玩游戏”，试图讨好公众的同时仍保持控制权并拒绝披露信息，令人恼火且“散发着绝望的气息” [17] - Moor Insights and Strategy CEO Patrick Moorhead质疑Anthropic对资金流向是否拥有过多控制权，认为如果资金完全用于“公共利益”，不如直接发给公众和公民，让他们直接受益，公众比官僚机构更清楚如何用钱 [20] 行业竞争与对比观点 - Elon Musk作为Anthropic竞争对手SpaceXAI的CEO，在X平台上回应Anthropic声明时表示，建议将股份直接给予公众，并称“这就是我将要做的事情” [4] - Inference CEO Sam Hogan Heutmaker将Anthropic创建慈善机构的计划与OpenAI进行对比，称这将被 known 为“反向OpenAI”——先作为C型公司起步，筹集大量资金，成功后启动“独立”非营利组织，然后开始将价值集中到这个由自己和伙伴控制的新实体中，并称其“很天才” [13]

A nthropic表示，计划将其5%的股份注入一只新的所谓公共利益基金，该基金使其能够开展可用于 "公共利益"的捐赠，其中包括缓解人工智能对就业市场的影响。 这一消息公布之际，这家快速成长的人工智能初创公司正在筹备一场预计将跻身史上规模最大之列的 IPO。与此同时，随着各家公司纷纷着手采用能够取代人类劳动力的AI Agent，Anthropic也在设法回 应外界日益增长的担忧，这些担忧涉及AI安全及其潜在的意外影响——从黑客攻击到大规模失业。 根据声明，新设立的Anthropic Public Benefit Fund可使公司"以新的方式"践行其使命，例如将部分资 金用于应对"劳动力市场影响" 图 片来 源： Anthropic 该公司表示:"经股东批准后，Anthropic将于今日承诺拨出5%的股份;此外，公司估值每较既定基准线 增长50%，董事会可酌情再追加2%。" Z Potentials Z Explorer 我们正在招募一些 想探索未知的年轻人 Z Combinator AI时代中国年轻版YC, 寻找有创造力的00后 步骤2 步骤1 添加小助手 扫码填写问卷 加入公开社群 申请认证群 ● 添加小助 ...

图 片来 源： OpenAI 虽然OpenAI已经忙于AI模型和新型消费级硬件的研发，但CEO Sam Altman及其团队显然还有精力 再做一个项目:人形机器人。 在Sources播客中，Altman解释说，采用人形是合乎逻辑的，因为"这个世界在很大程度上是为人类而 设计的"。门、键盘和各种工具都是围绕某种特定的身体形态设计的，因此，一个需要在相同空间中 活动的机器人，理应具备相似的外形。正如 Altman所说："与这种外形相匹配，似乎是个不错的选 择。" 当被问及OpenAI是否真的会制造这样一款机器人时，他的回答要简洁得多："我们会的。"不过， Altman并不太在意这款机器人长什么样之类的具体细节。他表示，这些问题"远不如真正弄清楚…… 让机器人运转起来的那颗'大脑'重要"。简单来说，如果机器不知道该如何使用，那么给它装上两条手 臂和两条腿也走不了多远。 距离成为一款产品，这件事仍有一段距离。Altman对Fortune表示："我认为我们会在2027年推出一个 很酷的演示……我不认为未来几年内街上就会有机器人走来走去。"OpenAI尚未透露该演示将展示什 么内容、其人形机器人会是什么样子，也没有说明公 ...