AI 资讯

91 条内容

OpenAI News 2026年9月30日
OpenAI宣布与美国SBDC建立合作，为小企业扩展实操性AI培训和本地支持，同时发布一份关于小团队如何使用AI的新报告。
OpenAI宣布与美国SBDC建立合作，为小企业扩展实操性AI培训和本地支持，同时发布一份关于小团队如何使用AI的新报告。
OpenAI与美国SBDC合作，为小企业提供AI实操培训并发布小团队用AI报告
OpenAI宣布与美国SBDC建立合作，为小企业扩展实操性AI培训和本地支持，同时发布一份关于小团队如何使用AI的新报告。
OpenAI宣布与美国SBDC建立合作，为小企业扩展实操性AI培训和本地支持，同时发布一份关于小团队如何使用AI的新报告。
Claude 产品博客 2026年9月30日
Anthropic 宣布 Claude for Government 面向联邦和州机构正式可用，该平台在 FedRAMP High 授权环境中提供与商业客户相当的编码与代理式工作能力，并配套部门级预算分配、SCIM 席位分层、审计日志与两人审批等治理控制，同时 Claude Code 命令行界面和 Claude for Microsoft 365 在同一环境中进入早期访问。
Anthropic 宣布 Claude for Government 面向联邦和州机构正式可用，该平台在 FedRAMP High 授权环境中提供与商业客户相当的编码与代理式工作能力，并配套部门级预算分配、SCIM 席位分层、审计日志与两人审批等治理控制，同时 Claude Code 命令行界面和 Claude for Microsoft 365 在同一环境中进入早期访问。
Anthropic 将 Claude for Government 正式开放给联邦与州机构，并同步早期开放 Claude Code CLI 与 Microsoft 365 版本
Anthropic 宣布 Claude for Government 面向联邦和州机构正式可用，该平台在 FedRAMP High 授权环境中提供与商业客户相当的编码与代理式工作能力，并配套部门级预算分配、SCIM 席位分层、审计日志与两人审批等治理控制，同时 Claude Code 命令行界面和 Claude for Microsoft 365 在同一环境中进入早期访问。
Anthropic 宣布 Claude for Government 面向联邦和州机构正式可用，该平台在 FedRAMP High 授权环境中提供与商业客户相当的编码与代理式工作能力，并配套部门级预算分配、SCIM 席位分层、审计日志与两人审批等治理控制，同时 Claude Code 命令行界面和 Claude for Microsoft 365 在同一环境中进入早期访问。
Claude 产品博客 2026年9月30日
Anthropic 销售发展负责人 Carl Johnson 讲述其团队如何在 Claude Managed Agents（beta）上构建一个购买代理，部署在 Contact Sales、Pricing 页面、产品内和邮件中，每天承接数千次对话并可直接完成结账，把线索转化为商机的比例提高到旧表单的两倍以上、成交快约五天，同时把需要人工介入才能成交的对话占比降低约一半。
Anthropic 销售发展负责人 Carl Johnson 讲述其团队如何在 Claude Managed Agents（beta）上构建一个购买代理，部署在 Contact Sales、Pricing 页面、产品内和邮件中，每天承接数千次对话并可直接完成结账，把线索转化为商机的比例提高到旧表单的两倍以上、成交快约五天，同时把需要人工介入才能成交的对话占比降低约一半。
Anthropic 销售团队用 Claude Managed Agents 搭建购买代理，让入站线索转化为商机的比例提高一倍以上、成交快约五天
Anthropic 销售发展负责人 Carl Johnson 讲述其团队如何在 Claude Managed Agents（beta）上构建一个购买代理，部署在 Contact Sales、Pricing 页面、产品内和邮件中，每天承接数千次对话并可直接完成结账，把线索转化为商机的比例提高到旧表单的两倍以上、成交快约五天，同时把需要人工介入才能成交的对话占比降低约一半。
Anthropic 销售发展负责人 Carl Johnson 讲述其团队如何在 Claude Managed Agents（beta）上构建一个购买代理，部署在 Contact Sales、Pricing 页面、产品内和邮件中，每天承接数千次对话并可直接完成结账，把线索转化为商机的比例提高到旧表单的两倍以上、成交快约五天，同时把需要人工介入才能成交的对话占比降低约一半。
NVIDIA Technical Blog 2026年9月30日
NVIDIA 团队以一篇经验总结文章描述了开源项目 TensorRT Model Connect 的构建方式：该项目用 C++ 在 TensorRT 之上提供模型家族自有的参考实现，把 Hugging Face 或本地 checkpoint 转换为带版本的 .bundle 产物并暴露面向任务的 C++ API，覆盖文本、视觉、音频、扩散、分割、嵌入、预测等工作负载；截至 2026 年 7 月 29 日的公开发布对比，项目覆盖 128 个模型家族并在 NVIDIA GB300 上测试，团队据此提出以并行可分解任务、模型家族隔离、可逆变更和 GPU 支撑的自动化验证为核心的“AI 原生”工程做法。
NVIDIA 团队以一篇经验总结文章描述了开源项目 TensorRT Model Connect 的构建方式：该项目用 C++ 在 TensorRT 之上提供模型家族自有的参考实现，把 Hugging Face 或本地 checkpoint 转换为带版本的 .bundle 产物并暴露面向任务的 C++ API，覆盖文本、视觉、音频、扩散、分割、嵌入、预测等工作负载；截至 2026 年 7 月 29 日的公开发布对比，项目覆盖 128 个模型家族并在 NVIDIA GB300 上测试，团队据此提出以并行可分解任务、模型家族隔离、可逆变更和 GPU 支撑的自动化验证为核心的“AI 原生”工程做法。
NVIDIA 团队以编码智能体构建 TensorRT Model Connect，公开预览已覆盖 128 个模型家族并在 GB300 上测试
NVIDIA 团队以一篇经验总结文章描述了开源项目 TensorRT Model Connect 的构建方式：该项目用 C++ 在 TensorRT 之上提供模型家族自有的参考实现，把 Hugging Face 或本地 checkpoint 转换为带版本的 .bundle 产物并暴露面向任务的 C++ API，覆盖文本、视觉、音频、扩散、分割、嵌入、预测等工作负载；截至 2026 年 7 月 29 日的公开发布对比，项目覆盖 128 个模型家族并在 NVIDIA GB300 上测试，团队据此提出以并行可分解任务、模型家族隔离、可逆变更和 GPU 支撑的自动化验证为核心的“AI 原生”工程做法。
NVIDIA 团队以一篇经验总结文章描述了开源项目 TensorRT Model Connect 的构建方式：该项目用 C++ 在 TensorRT 之上提供模型家族自有的参考实现，把 Hugging Face 或本地 checkpoint 转换为带版本的 .bundle 产物并暴露面向任务的 C++ API，覆盖文本、视觉、音频、扩散、分割、嵌入、预测等工作负载；截至 2026 年 7 月 29 日的公开发布对比，项目覆盖 128 个模型家族并在 NVIDIA GB300 上测试，团队据此提出以并行可分解任务、模型家族隔离、可逆变更和 GPU 支撑的自动化验证为核心的“AI 原生”工程做法。
Harvard Gazette 2026年9月30日
伯克曼·克莱因中心举办的一场小组讨论中，Alex Pascal 提出“我们想从 AI 得到什么”，Jeff Dunn、Amit Goldenberg 与 Avijit Ghosh 分别就 AI 的双刃性、从工具到有名字有人格的完整智能体的连续谱，以及当前“基准刷分”式评估的不足展开讨论，Ghosh 建议建立同时衡量系统行为与对人的影响的评估体系，并让公众参与报告与评估，例如以“60 天内修复所报告问题则免于责任”的方式激励企业回应反馈。
伯克曼·克莱因中心举办的一场小组讨论中，Alex Pascal 提出“我们想从 AI 得到什么”，Jeff Dunn、Amit Goldenberg 与 Avijit Ghosh 分别就 AI 的双刃性、从工具到有名字有人格的完整智能体的连续谱，以及当前“基准刷分”式评估的不足展开讨论，Ghosh 建议建立同时衡量系统行为与对人的影响的评估体系，并让公众参与报告与评估，例如以“60 天内修复所报告问题则免于责任”的方式激励企业回应反馈。
伯克曼·克莱因中心小组讨论：AI 评估需兼顾系统行为与对人的影响，并让公众参与报告与评估
伯克曼·克莱因中心举办的一场小组讨论中，Alex Pascal 提出“我们想从 AI 得到什么”，Jeff Dunn、Amit Goldenberg 与 Avijit Ghosh 分别就 AI 的双刃性、从工具到有名字有人格的完整智能体的连续谱，以及当前“基准刷分”式评估的不足展开讨论，Ghosh 建议建立同时衡量系统行为与对人的影响的评估体系，并让公众参与报告与评估，例如以“60 天内修复所报告问题则免于责任”的方式激励企业回应反馈。
伯克曼·克莱因中心举办的一场小组讨论中，Alex Pascal 提出“我们想从 AI 得到什么”，Jeff Dunn、Amit Goldenberg 与 Avijit Ghosh 分别就 AI 的双刃性、从工具到有名字有人格的完整智能体的连续谱，以及当前“基准刷分”式评估的不足展开讨论，Ghosh 建议建立同时衡量系统行为与对人的影响的评估体系，并让公众参与报告与评估，例如以“60 天内修复所报告问题则免于责任”的方式激励企业回应反馈。
Anthropic 2026年9月30日
Anthropic 宣布启动一项由 AI 访谈员（Anthropic Interviewer）执行的新研究，向 Claude 与 Claude Code 的 Free、Pro、Max 用户询问其与 AI 相处的正负经历、希望 AI 改变的工作/学校/医疗/政府等现实领域以及对 AI 开发公司的诉求，研究期为 2026 年 9 月 29 日至 10 月 6 日、每次约 15 分钟，并首次允许受访者选择将完整访谈连同所属国家公开，同时以 FAQ 形式说明公开的好处、再识别风险与不可撤回性。
Anthropic 宣布启动一项由 AI 访谈员（Anthropic Interviewer）执行的新研究，向 Claude 与 Claude Code 的 Free、Pro、Max 用户询问其与 AI 相处的正负经历、希望 AI 改变的工作/学校/医疗/政府等现实领域以及对 AI 开发公司的诉求，研究期为 2026 年 9 月 29 日至 10 月 6 日、每次约 15 分钟，并首次允许受访者选择将完整访谈连同所属国家公开，同时以 FAQ 形式说明公开的好处、再识别风险与不可撤回性。
Anthropic 启动用 AI 访谈员收集用户对 AI 看法的研究，并首次允许受访者公开完整访谈记录
Anthropic 宣布启动一项由 AI 访谈员（Anthropic Interviewer）执行的新研究，向 Claude 与 Claude Code 的 Free、Pro、Max 用户询问其与 AI 相处的正负经历、希望 AI 改变的工作/学校/医疗/政府等现实领域以及对 AI 开发公司的诉求，研究期为 2026 年 9 月 29 日至 10 月 6 日、每次约 15 分钟，并首次允许受访者选择将完整访谈连同所属国家公开，同时以 FAQ 形式说明公开的好处、再识别风险与不可撤回性。
Anthropic 宣布启动一项由 AI 访谈员（Anthropic Interviewer）执行的新研究，向 Claude 与 Claude Code 的 Free、Pro、Max 用户询问其与 AI 相处的正负经历、希望 AI 改变的工作/学校/医疗/政府等现实领域以及对 AI 开发公司的诉求，研究期为 2026 年 9 月 29 日至 10 月 6 日、每次约 15 分钟，并首次允许受访者选择将完整访谈连同所属国家公开，同时以 FAQ 形式说明公开的好处、再识别风险与不可撤回性。
Anthropic 2026年9月29日
Anthropic 前沿红队对智谱 AI（海外称 Z.ai）的 GLM-5.3 做了自动化基准与人工参与式评估，发现该模型能自主构建端到端网络漏洞利用（ExploitBench 上 410 次尝试中成功 50 次，内部二进制利用基准上 4% 的试验实现完整控制流劫持），并在模拟测试中可用简单手法在 64%–100% 的情况下绕过其安全防护，而同类手法对受防护的 Claude 模型未成功。
Anthropic 前沿红队对智谱 AI（海外称 Z.ai）的 GLM-5.3 做了自动化基准与人工参与式评估，发现该模型能自主构建端到端网络漏洞利用（ExploitBench 上 410 次尝试中成功 50 次，内部二进制利用基准上 4% 的试验实现完整控制流劫持），并在模拟测试中可用简单手法在 64%–100% 的情况下绕过其安全防护，而同类手法对受防护的 Claude 模型未成功。
Anthropic 红队评估 GLM-5.3：可自主构建端到端漏洞利用，且防护可被简单手法绕过 64%–100%
Anthropic 前沿红队对智谱 AI（海外称 Z.ai）的 GLM-5.3 做了自动化基准与人工参与式评估，发现该模型能自主构建端到端网络漏洞利用（ExploitBench 上 410 次尝试中成功 50 次，内部二进制利用基准上 4% 的试验实现完整控制流劫持），并在模拟测试中可用简单手法在 64%–100% 的情况下绕过其安全防护，而同类手法对受防护的 Claude 模型未成功。
Anthropic 前沿红队对智谱 AI（海外称 Z.ai）的 GLM-5.3 做了自动化基准与人工参与式评估，发现该模型能自主构建端到端网络漏洞利用（ExploitBench 上 410 次尝试中成功 50 次，内部二进制利用基准上 4% 的试验实现完整控制流劫持），并在模拟测试中可用简单手法在 64%–100% 的情况下绕过其安全防护，而同类手法对受防护的 Claude 模型未成功。
MIT Technology Review 2026年9月29日
MIT Technology Review 的 The Download 通讯报道，Anthropic 宣布其新的分子生物学实验室的 AI 智能体标记出一个此前未被编目的、围绕某种酶的模式，该模式“令人联想到”导向基因编辑技术 CRISPR 的发现，但生物学家对此提出质疑：有人质疑仅找到该模式是否算得上发现，也有人表示其团队早已发现同一模式，并由此引发 Anthropic 系统是否从其与 Claude 的对话中学习到该模式的疑问。
MIT Technology Review 的 The Download 通讯报道，Anthropic 宣布其新的分子生物学实验室的 AI 智能体标记出一个此前未被编目的、围绕某种酶的模式，该模式“令人联想到”导向基因编辑技术 CRISPR 的发现，但生物学家对此提出质疑：有人质疑仅找到该模式是否算得上发现，也有人表示其团队早已发现同一模式，并由此引发 Anthropic 系统是否从其与 Claude 的对话中学习到该模式的疑问。
Anthropic 称其 AI 智能体在酶周围发现未被编目的模式，生物学家质疑这能否算作科学发现
MIT Technology Review 的 The Download 通讯报道，Anthropic 宣布其新的分子生物学实验室的 AI 智能体标记出一个此前未被编目的、围绕某种酶的模式，该模式“令人联想到”导向基因编辑技术 CRISPR 的发现，但生物学家对此提出质疑：有人质疑仅找到该模式是否算得上发现，也有人表示其团队早已发现同一模式，并由此引发 Anthropic 系统是否从其与 Claude 的对话中学习到该模式的疑问。
MIT Technology Review 的 The Download 通讯报道，Anthropic 宣布其新的分子生物学实验室的 AI 智能体标记出一个此前未被编目的、围绕某种酶的模式，该模式“令人联想到”导向基因编辑技术 CRISPR 的发现，但生物学家对此提出质疑：有人质疑仅找到该模式是否算得上发现，也有人表示其团队早已发现同一模式，并由此引发 Anthropic 系统是否从其与 Claude 的对话中学习到该模式的疑问。
World Health Organization 2026年9月29日
2026年9月22日，WHO与知识生态国际（KEI）在WIPO第53届政府间磋商会议边会上联合举办“知识产权与传统医药：重新思考获取、惠益分享与数据治理”专家讨论，与会者指出AI与数字技术在加速基于传统医药知识的药物发现的同时，也使知识持有者的贡献更难追溯，并围绕归属、所有权、同意与公平惠益分享提出联邦式数据治理、事先知情同意和定制化惠益分享安排等具体建议，同时强调应把原住民和当地社区视为知识治理的伙伴而非单纯的知识来源。
2026年9月22日，WHO与知识生态国际（KEI）在WIPO第53届政府间磋商会议边会上联合举办“知识产权与传统医药：重新思考获取、惠益分享与数据治理”专家讨论，与会者指出AI与数字技术在加速基于传统医药知识的药物发现的同时，也使知识持有者的贡献更难追溯，并围绕归属、所有权、同意与公平惠益分享提出联邦式数据治理、事先知情同意和定制化惠益分享安排等具体建议，同时强调应把原住民和当地社区视为知识治理的伙伴而非单纯的知识来源。
WHO与KEI在WIPO-IGC边会上讨论AI时代传统医药知识治理，提出联邦式数据治理与惠益分享方案
2026年9月22日，WHO与知识生态国际（KEI）在WIPO第53届政府间磋商会议边会上联合举办“知识产权与传统医药：重新思考获取、惠益分享与数据治理”专家讨论，与会者指出AI与数字技术在加速基于传统医药知识的药物发现的同时，也使知识持有者的贡献更难追溯，并围绕归属、所有权、同意与公平惠益分享提出联邦式数据治理、事先知情同意和定制化惠益分享安排等具体建议，同时强调应把原住民和当地社区视为知识治理的伙伴而非单纯的知识来源。
2026年9月22日，WHO与知识生态国际（KEI）在WIPO第53届政府间磋商会议边会上联合举办“知识产权与传统医药：重新思考获取、惠益分享与数据治理”专家讨论，与会者指出AI与数字技术在加速基于传统医药知识的药物发现的同时，也使知识持有者的贡献更难追溯，并围绕归属、所有权、同意与公平惠益分享提出联邦式数据治理、事先知情同意和定制化惠益分享安排等具体建议，同时强调应把原住民和当地社区视为知识治理的伙伴而非单纯的知识来源。
MIT Technology Review 2026年9月29日
这篇由 HPE 提供、非 MIT Technology Review 编辑团队撰写的赞助文章指出，随着 AI 从孤立试点走向生产组合（助手、检索与知识系统、代理式应用），仅按 token 消费的模式会让 AI 支出变成难以预测的月度变动项，因此企业应逐工作负载评估“交叉点”——即持续使用量达到何种水平时，自建并运营容量可能比按请求购买更经济，同时强调资本决策只是一半，还需通过采用、治理和持续扩展高价值用例让容量保持高产。
这篇由 HPE 提供、非 MIT Technology Review 编辑团队撰写的赞助文章指出，随着 AI 从孤立试点走向生产组合（助手、检索与知识系统、代理式应用），仅按 token 消费的模式会让 AI 支出变成难以预测的月度变动项，因此企业应逐工作负载评估“交叉点”——即持续使用量达到何种水平时，自建并运营容量可能比按请求购买更经济，同时强调资本决策只是一半，还需通过采用、治理和持续扩展高价值用例让容量保持高产。
HPE 赞助文章提出：当 AI 需求变得稳定可预测时，企业应评估自建容量的“交叉点”，把 AI 从按次消费的支出变成可优化的资产
这篇由 HPE 提供、非 MIT Technology Review 编辑团队撰写的赞助文章指出，随着 AI 从孤立试点走向生产组合（助手、检索与知识系统、代理式应用），仅按 token 消费的模式会让 AI 支出变成难以预测的月度变动项，因此企业应逐工作负载评估“交叉点”——即持续使用量达到何种水平时，自建并运营容量可能比按请求购买更经济，同时强调资本决策只是一半，还需通过采用、治理和持续扩展高价值用例让容量保持高产。
这篇由 HPE 提供、非 MIT Technology Review 编辑团队撰写的赞助文章指出，随着 AI 从孤立试点走向生产组合（助手、检索与知识系统、代理式应用），仅按 token 消费的模式会让 AI 支出变成难以预测的月度变动项，因此企业应逐工作负载评估“交叉点”——即持续使用量达到何种水平时，自建并运营容量可能比按请求购买更经济，同时强调资本决策只是一半，还需通过采用、治理和持续扩展高价值用例让容量保持高产。

第 2 页 · 当前显示 10 项