AI并购风云录
Manus并购案遭中国监管否决没过几天，Meta便火速调整方向，将一家人形机器人AI新创企业Assured Robot Intelligence收入囊中。Meta曾以"历史级大手笔"（数十亿美金）试图收购中国AI智能体Manus，交易由扎克伯格亲自主导，仅用十余天便闪电敲定。2026年4月27日：中国国家发改委依法干预，紧急中止该笔交易，严令撤销并购、清除相关数据Manus启动退款、切断对Meta的授权、重启本地化数据存储；Meta方面则全面撤退深度剖析：收购Manus本是Meta在AI Agent领域发
DeepMind CEO：AI Agent是通往AGI的关键路径
近日，Google DeepMind CEO Demis Hassabis在一次与YC CEO的深度对话中，就通用人工智能（AGI）的技术演进、AI Agent的发展、模型压缩与边缘计算的潜力、长文本处理的局限性以及AI在科学前沿的应用等议题进行了探讨。Hassabis特别强调了强化学习和搜索技术在解决科学领域复杂组合问题中的关键作用。Hassabis指出，实现AGI的核心在于构建一个能够主动解决问题的系统。他认为当前的AI架构已掌握了约一半的关键组件，包括大规模预训练、强化学习和思维链推理，但在持续学习
马斯克称xAI或“部分蒸馏”OpenAI
2026 年 4 月 30 日，Elon Musk 在加州联邦法院就 OpenAI 相关案件接受交叉询问时，被追问 xAI 是否曾对 OpenAI 模型做过“蒸馏”，并据此训练 Grok。Musk 起初表示，这类做法属于“所有 AI 公司”都可能遵循的行业惯例。随后，当律师继续追问这是否等同于正式承认，他回应：“算是部分如此。”这里所说的“模型蒸馏”，并非单纯照搬代码，而是让一个更强的模型充当“老师”，通过学习其输出内容、推理逻辑或行为风格，来训练另一个模型。在庭上，Musk 进一步将蒸馏概括为“用 AI
AI改变职场边界：未来只剩两类岗位
一类离不开网络支撑——金融、媒体、技术、运营等，所有在平台体系里流转的岗位都在其中；另一类反而可以脱离互联网，只要满足最基本的需求即可——例如线下服务、幼儿教师、养老照护、手工技艺、运动赛事……AI“蒸馏”如果说互联网改变的是“信息怎样被传递”；那么AI做的，是把这件事推进到更深一层：开始把“你是如何工作的”过程记录下来，并沉淀留存。当我们借助AI撰写报告、拆解问题、完成分析时，原本属于“个人独特经验”的那部分——思考路径、判断依据、组织信息的方式——会逐渐被捕捉、复用并形成可运行的结构。这便是所谓的“蒸
AI新赛道：蒸馏行业的力量
最近一段时间，关于“蒸馏”的讨论和新闻不断出现，甚至有人调侃未来会不会也轮到“大家被蒸馏”。但如果把目光放到真正的前线，今年AI行业的关键走向其实是——蒸馏行业。一个很典型的例子，是Anthropic对AI圈里长期被认为领先的openai所发起的挑战。这里的差距并不来自“谁更聪明”或“谁用了更新的算法”，而在于它更准确地解决了行业正在付费的需求。在当前AI大模型最核心的B端赛道——代码生成领域，Anthropic的Claude已经拿下全球42%的市场份额，而OpenAI为21%。OpenAI的长处主要集中
AI“蒸馏”人生：职场剥削与情感寄托的双重奏
今年4月，GitHub上突然涌现出一个名为“张雪峰.skill”的开源项目，随后类似的项目如雨后春笋般出现。只需简单调用，便能针对“我家孩子河南高考560分，想学金融，该怎么选”这类问题，生成一段回复，其语气、节奏，甚至那种先打断再追问的咨询风格，都与张雪峰生前几乎如出一辙。这并非孤立现象。早在3月底，就有网友表示，其前同事离职后，公司利用AI将其“蒸馏”成skill，相当于“人虽然走了，工作还得继续”，开启了所谓的“赛博打工”模式。紧接着，GitHub又上线了“同事.skill”，用户只需导入离职同事的
OpenAI逆袭Claude，蒸馏争议升温
点开蓝字，关注我们ENTERPRISEAI每日快讯Daily News每五分钟掌握最新资讯前言早安，AI 爱好者们。过去大家聊人工智能，更多关注的还是模型谁更强、产品谁更快。今天这期更值得一看的是另一层变化：前沿模型的竞争，已经不只是榜单上的较量，而是在继续延伸到训练效率、国家政策以及真实的就业情绪。今日资讯摘要白宫发布备忘录，指称中国实验室对美国前沿模型展开“工业级”蒸馏。Anthropic公布一项覆盖 80,508 名用户的调查，显示 AI 用得越深的人，往往越担心被替代。今日 AI 工具与快讯：Cl
肖茜视角：人工智能“蒸馏”之争折射全球发展困境
肖茜清华大学战略与安全研究中心副主任近日，围绕人工智能企业“模型蒸馏”的讨论热度骤升，OpenAI、Anthropic与Alphabet等美国顶尖企业罕见地采取了协同行动，引发了国际社会的广泛关注。所谓AI“蒸馏”，简单理解就是让一个AI模型通过与另一个模型的互动，学习其“解题方法”，从而提升自身能力。这一事件发生在美国商务部宣布推进AI出口计划、构建“全方位AI对外输出体系”后不久。许多人留意到，上述企业的首席执行官均是美国AI“安全与保障”顾问委员会的核心成员。该事件映射出当前全球AI竞争态势中的一个
从“对话便宜”到“智能体便宜”：DeepSeek-V4引领大模型价格战进入智能体时代
每经记者兰素英 每经编辑王嘉琦 报道历经15个月的等待，今日（4月24日），DeepSeek-V4（预览版）终于面世，发布时间紧随OpenAI发布GPT-5.5之后仅数小时。在DeepSeek-V4约1000字的产品介绍中，“智能体”一词被反复提及，共出现11次。DeepSeek-V4通过专家模式（Pro）与快速模式（Flash）的双版本配置，将大模型价格战从“对话便宜”推向“智能体便宜”的新阶段。凭借全新的稀疏注意力机制与同策略蒸馏技术，DeepSeek-V4将推理成本压缩至新低，其中V4-Flash版
模型蒸馏训练可能隐藏不可见偏见
字数 1437，阅读大约需 8 分钟利用AI训练模型虽比从零构建更省钱省时，但也潜藏风险。该文摘自： https://www.nature.com/articles/d41586-026-01224-1《自然》杂志最新研究揭示，AI生成的数据中可能潜藏着潜意识信号，这些信号会“教会”其他大型语言模型（LLM）特定的特征和偏好。虽然这种偏好可能看似无害，比如偏爱某种动物，但也可能导致LLM推荐暴力或危险行为。目前，LLM常被用来生成训练其他AI的数据，即“模型蒸馏”技术，相比从头训练更高效。但作者指出，这种
告别“虚胖”拥抱“精瘦”：美国反蒸馏联盟的焦虑
告别“虚胖”拥抱“精瘦”：美国反蒸馏联盟的焦虑AI大模型虽发展迅猛，却遭遇了瓶颈。即便投入巨资堆砌万亿参数，也未能带来质的飞跃。你是否也有同感：向它提问一个简单问题，它却绕了半天弯路，罗列一堆背景，最后给出的答案还平平无奇。正因如此，“精馏小模型”（亦称精瘦模型）和“知识密度”的概念应运而生。知识密度 = 有用信息 / 参数规模与算力消耗依据这一公式，如今许多大模型实则是个“虚胖子”，吸纳了海量无关信息。这好比你去买颗菜，它却先给你科普了一整段农业发展史。大模型固然强大，但在诸多场景中，我们未必需要如此“
AI技术演进解析：从经验提炼到实体智能，展望2026新动向
📝前言人工智能正以前所未有的步伐向前迈进，从OpenAI的经验提炼技术到星工聚将对实体通用智能的探索，每一次进展都在重塑我们对AI的理解。今天，我们将一同深入这些尖端技术，探究它们将如何塑造我们的明天。🔍重点解析OpenAI最新推出的经验提炼技术，彻底革新了软件开发的模式。这项技术能够将工程师的智慧"萃取"进AI系统，实现百万行代码级别的系统全程无需人工编码与审核。技术优势：智慧萃取：将人类开发者的经验转化为AI可执行的技能自动寻优：系统自行识别最佳解决方案质量保障：通过多层次验证确保代码
美国拟立法严管AI技术转移，蒸馏法或遭贸易制裁
美国国会打算把对AI模型"蒸馏"和"模型提取"的顾虑提升到制裁高度。根据《彭博社》获取的草案文本，美国众议院共和党议员正推进一项名为《防止美国AI模型被盗法案》的立法，要求美方甄别来自中俄两国、采用不当"查询复制"手段从美国顶尖AI模型中萃取能力的组织，并主张动用商务部实体清单及总统紧急经济授权对违规方进行惩处。这项立法将推动政府依据商务部黑名单和1977年法律授予总统的紧急经济权限，对违法者采取制裁行动。该法案计划下周送交众议院外交事务委员会审查，同时将与十多件涉及出口管控、限制中国新技术发展的议案同步
LLM蒸馏过程恐存在偏好传递风险
15日《自然》杂志刊登的一项新发现指出，大型语言模型（LLM）在训练其他算法时，有时会不自觉地将其个人喜好“掺杂”进去。即便是在训练数据里剔除了原始特征，这些非必要的属性依然可能保留下来。比如，有模型就是利用数据中的隐晦线索，把对猫头鹰的喜爱转移给了别的模型。这一发现提醒我们，在研发LLM时，必须实施更严格的安全审查。 所谓的“蒸馏”技术，允许LLM生成数据集来训练其他模型，其目的是让“学生”模型能够复刻“老师”模型的回答。虽然这种方法能降低生成大型语言模型的成本，但老师模型的哪些具体属性会传给学生，目前
知识蒸馏精要：三类核心知识解析与最优选择策略
第三章 知识形态归类与蒸馏目标甄选方略继第二章构建"师-生"框架之后，一个关键命题随之而来：学生模型应当汲取何种知识？知识蒸馏远非简单的"照搬照抄"。教师模型内部蕴藏着多层信息，涵盖最终决策、中间推演过程以及抽象逻辑关联。甄选不同的"知识形态"作为蒸馏标的，将直接影响学生模型的性能天花板与训练复杂度。本章将系统剖析三类核心知识形态，并给出实用的遴选策略，助您在工程实践中作出最佳判断。依据知识在神经网络中的呈现方式，可将其划分为三个层级：输出特征（响应）、中间特征（表征）与关系特征（结构）。此属最经典、最基