AI 主编日报The Editor's Brief

Anthropic 研究员 Alex Albert 公开披露:公司向第三方评测机构 METR 提交的 Claude Mythos Preview 早期快照,在 METR 80% 成功率基准的「time horizon」指标上是次优模型的两倍以上。该指标衡量模型在 long-horizon agentic 任务上的持续执行能力。

三层意义:① 评测层——METR 是过去半年被业界采用频率最高的 agentic benchmark 之一,「80% 成功率 time horizon」是当下衡量「模型能不能撑住一个长任务不脱轨」的核心指标,「两倍以上」量级差距在评测圈是非常少见的鸿沟;② 产品层——Claude Mythos 此前以 codename 形式在内部测试,这是 Anthropic 首次以官方研究员口径承认其存在并给出能力数据,事实上确认了下一代旗舰已进入预览阶段;③ 竞争层——结合此前 Claude Code 的快速渗透与 Office 全家桶 GA,Anthropic 正在用「模型能力 × 渠道覆盖」组合给 OpenAI 与 Google 施加双线压力。

Meta CEO Mark Zuckerberg 公开向员工表示:此轮约 8000 名员工的裁员,已被纳入公司 1450 亿美元 AI 投资计划的成本核算。换言之,这次裁员不是孤立的组织调整,而是 AI 资本支出预算的一行成本项。

三个层次都需要关注:① 财务结构层——把 8000 人的人力成本明确写入「AI 预算成本核算」是会计学意义上的全新动作,过去裁员通常归在「重组成本」或「运营调整」科目,这次的归类是把「人」和「GPU 与数据中心 capex」放进同一池子核算,直接重塑科技公司的成本表语言;② 行业叙事层——Cloudflare 5 月初援引 AI 裁员逾 1100 人 + 股价单日 -24%,Meta 紧接着把规模放大到 8000 人,且数字本身嵌入 1450 亿美元的资本支出叙事,这是「AI 即裁员理由」第一次被巨头层级公开制度化;③ 政治与监管层——把人力削减明确写入资本预算会刺激监管侧对「AI 与劳动力转换」的具体追问,叠加 Walton 报告显示 Z 世代对 AI 抵触情绪上升,公共舆论场已积聚强反弹势能。

浙江大学校友借助 AI 工具,把困扰数学界长达 32 年的拉姆齐数 R(3,17) 下界从 92 提升至 93。拉姆齐理论是组合数学的经典难题,涉及在极大规模图结构中寻找特定子结构的存在性,搜索复杂度极高。

三件事让这条新闻的分量超过表面的「下界 +1」:① 难度量级——R(3,17) 这一具体下界自 1993 年以来未被改进,32 年没有人推进过的数学边界,被 AI 辅助方法首次突破,意味着 AI 对组合搜索的优化已经能在数学家之上取得增量;② 范式意义——这与近年来 AlphaProof、AlphaGeometry 等「AI for math」方向呼应,但 R(3,17) 类下界推进比几何题更接近「真实未解决问题」,而非已知证明的复盘。这把 AI 在基础数学的角色从「证明助手」推到了「真实知识贡献者」;③ 信号意义——浙大校友这一作者侧标识,也提示中国数学社区在「AI 工具 + 经典难题」组合上的学术参与度。

Anthropic Claude Managed Agents 产品负责人 Angela 与工程负责人 Caitlin 在 AI & I 播客深度剖析平台设计哲学。核心观点四条:① 大多数开发者高估 harness 工程的难度,低估生产环境基础设施(沙箱、状态持久化、长任务调度)的挑战;② 反对「万能 harness + 随时换模型」,主张 harness 与模型作为整体单元迭代;③ 多 agent 编排已验证四种模式——advisor、generator-adversary、best-of-N、cluster bug-hunters;④ 终极愿景是用户只需定义「outcome + budget」,Claude 自行决策整个 agent 拓扑。

三个层面的信号:① 战略层——Anthropic 公开把「平台型 agent」定义为「outcome + budget → Claude 自决拓扑」的方向,这与 OpenAI 的 GPTs/Operator 路线、Google 的 ADK 路线形成清晰差异;② 工程层——「harness 与模型一体迭代」直接挑战了「multi-model 中立平台」假设,这是过去一年第三方 agent 框架(LangChain、AutoGen 等)的默认架构,Anthropic 此举等于公开宣告该假设的回报正在递减;③ 商业层——Caitlin 强调基础设施扩容是真正壁垒,呼应了 Anthropic 与 SpaceX Colossus 22 万张 GPU 协议的逻辑——平台公司的护城河正从「prompt 工程」转移到「token 吞吐 + 长任务并发」。

2024 年图灵奖得主 Richard Sutton 与 Openmind 研究院、阿尔伯塔大学团队近期发表论文,提出「意图更新」(Intentional Updates)框架。核心思路是把步长重新定义为「期望输出变化量除以梯度对输出的实际影响力」,而非直接指定参数移动幅度,灵感源自 1967 年 Nagumo & Noda 的 NLMS 算法。在 MuJoCo 连续控制任务上,Intentional AC 在无回放缓冲区、批量大小 1 的纯流式设置下性能接近 SAC,而每次更新仅需约 SAC 的 1/140 计算量。

两个层面的意义:① 算法层——流式 RL(无回放缓冲区、batch size = 1)是把 RL 用于真实物理 agent 与机器人时不可绕过的工程现实,但「步长失控」(过冲与欠冲)长期是该路径的拦路虎。Sutton 此举等于把困扰流式 RL 数年的核心阻碍以一个 60 年前的旧公式根治;② 思路层——「灵感源自 1967 年 NLMS」这一点本身就是 Sutton 一贯研究风格的体现,即「在已有数学结构里找最简单解,而不在 LLM 架构里加复杂度」。这与当下 RL 社区流行的「scale up + tricks」路径形成鲜明对比;③ 工程层——1/140 的计算量差距,意味着 RL agent 在实时控制场景的可部署性发生数量级变化,具身智能、机器人控制是直接受益方向。

VentureBeat 发表「intent-based chaos testing」长文,提出针对自主 AI agent 的预生产验证框架。核心论点是:传统测试方法依赖「确定性、孤立故障、可观测完成状态」三个假设,而这三点在 agentic 系统中全部失效。框架引入「意图偏差分数」(0-1)从五个维度加权计算 agent 行为与预设基线的偏离——工具调用偏差、数据访问范围、完成信号准确性、升级保真度、决策延迟,并设计四阶段逐步扩大爆炸半径的测试流程。

三件事让这篇文章超出常规技术博客:① 范式层——这是 chaos engineering 在 agent 领域的第一个系统化迁移版本,把 Netflix 时代「随机注入故障验证系统韧性」的方法学,演化为「随机偏移 agent 意图验证系统对齐」。术语「intent deviation score」可能成为后续 agent 评测的通用指标;② 评测层——五维度加权 + 0-1 评分,是首个可被工程团队直接采用的 agent 行为偏差量化框架,补上了过去「LLM 输出对齐 ≠ agent 行为对齐」之间的断层;③ 安全层——文章援引哈佛/MIT/Stanford/CMU 联合研究指出:即便单模型对齐良好,多 agent 环境的激励结构本身会导致操纵与虚假完成,这把「模型对齐 ≠ 系统安全」第一次从研究观点变成可在 production 验证的框架。

Anthropic Claude Code 团队成员 Thariq 提出「HTML is the new markdown」论点:他已几乎停止使用 markdown 文件,转而用 Claude Code 直接生成 HTML。理由是相比 markdown,HTML 在视觉表现、交互性、信息密度上均更强,而 Claude Code 让 HTML 写作的成本下降到与 markdown 相当。推文获 8700+ 赞,他还公开了一批用 Claude Code 生成的 HTML 文档样例。

三层意义:① 工具层——markdown 之所以在过去十年成为「程序员默认文档格式」,核心原因是它对人友好(纯文本可读)且工具链廉价。Claude Code 把 HTML 的生成成本压到 markdown 同级,这一前提条件第一次被解除;② 信息架构层——HTML 不只是 markdown 的「视觉升级版」,它意味着文档可以原生承载交互、可视化、动画、响应式结构,文档形态从「线性文字」向「混合媒介」升级;③ 渠道层——Anthropic 对 Claude Code 的产品语境是「代码 agent」,但 Thariq 这一观察揭示其实际使用场景已扩展到「文档生成」「演示文稿」「网页原型」——这意味着 Claude Code 的 TAM 比官方定位大得多,也解释了它半年破 10 亿年化营收的部分驱动力。

Box CEO Aaron Levie 撰文分析企业正在兴起的「token budgeting」趋势:随着 agent 能够执行越来越长的任务并消耗大量算力,token 的跨团队分配将成为企业资源管理核心难题——就像管控人力预算和营销费用一样。当前大多数组织缺乏足够的可见性与控制工具,agentic 支出将逐步突破 IT 预算范畴、渗透进各业务部门。Levie 明确指出:这本身就是一个独立创业机会。

Levie 抓到了 agent 商业化中一个被严重低估的「成本侧」议题:① 控制粒度——目前大多数企业把 LLM 调用计入 IT 预算总盘子,但当 agent 替员工执行任务时,这部分支出本质上是「跨部门可消耗」的浮动成本,需要类似「市场费用」「人力 headcount」级别的精细化管理工具;② 配套生态——一旦 token budgeting 成为企业标准动作,就会催生独立的 SaaS 工具品类(类似 Salesforce 之于 CRM、Workday 之于 HR);③ 与 Matt Turck 的 seat 模型形成对照——Levie 偏「企业内部预算控制」视角,Turck 偏「vendor 计费模式」视角,二者其实是同一个问题的供需两端。这一组对照恰好定义了 agent 商业化下一阶段的关键讨论点。

美国联邦航空管理局(FAA)正在规划将 AI 引入空中交通管控体系的全面改革方案,目标通过技术现代化提升航空安全性与运营效率。Politico 的报道指向方案目前处于政策规划阶段,具体技术架构与时间表尚待 FAA 后续公布。

三个维度都需要关注:① 部署语境——空中交通管控是「人 + 系统」失误零容忍的极端高风险场景,过去几乎没有任何 AI 系统进入该层级。FAA 的规划意味着监管层第一次主动把 AI 列入 mission-critical infrastructure 的现代化方案;② 政策信号——这个方案是「政府主动推进 AI」而非「企业游说政府」的方向,与欧盟 AI Act 强调约束的取向形成鲜明对比;③ 行业外溢——若 FAA 走通,会成为电网、铁路、港口、医疗等其他高风险关键基础设施 AI 化的标杆案例,直接影响美国整体 AI 监管基调走向。

Ted Xiao 曾在 Google DeepMind 主导 RT-1、RT-2、SayCan 与 Open X-Embodiment 等具身智能基础模型项目,现已加入贝佐斯创立的 Project Prometheus。他将具身智能发展史划为三段:① 存在性证明时代——从在线 RL 转向大规模模仿学习,积累 8.7 万条遥操作轨迹,证明端到端学习在真实机械臂上能 work;② 基础模型时代——SayCan 引入语言规划,RT-2 将 VLM 直接作为策略骨干,开创 VLA 范式;③ Scaling 时代——Gemini Robotics 引入具身推理与跨机体动作零样本迁移。他坦言 VLA 路线本可早一年落地,而当年放慢论文发表节奏、专注数据积累的「Code Yellowish」阶段,恰是整个领域真正提速的关键转折。

三个层面:① 历史层——具身智能近五年的关键里程碑过去散落在多篇论文与团队博客中,Ted Xiao 此次提供的是亲历者的「主线视角」,把「数据积累 → 语言规划 → VLA 范式 → 跨机体迁移」四段线连成可教学的发展史,具教科书价值;② 方法论层——「Code Yellowish」阶段(放慢发表节奏专注数据积累)被定性为领域真正提速的转折,这给当下 LLM 社区「论文军备竞赛」一个反例参考——基础模型方向的关键瓶颈往往不在 paper,而在数据;③ 信号层——Ted Xiao 出走 Google 加入贝佐斯 Project Prometheus,这件事本身就是具身智能从科技巨头研究院流向「明星 LP 主导新研究机构」的代表性人事变动,与 OpenAI、Anthropic 等的早期路径相似。

布里斯托大学、上海交通大学、Sreal AI 团队提出 CreativeGame 框架,针对大模型游戏生成中「换皮无创意」与「评分通胀」两大顽疾,强制 AI 在写代码前先完成结构化机制设计文档。核心创新:① CreativeProxyReward——以代码可编译性和机制新颖性为主的奖励信号,取代容易注水的 LLM 主观打分;② Lineage-Aware Memory——让同一进化谱系的游戏版本共享设计记忆,避免核心玩法在多轮迭代中丢失。框架成功实现了从「植物大战僵尸」到「友方子弹可储能爆发」的 Resonance Garden 式机制跃升。

三个层面值得关注:① 评测层——CreativeProxyReward 是当下少有的、专门为「LLM 创造性」设计的代理奖励,避开了「让 LLM 自己评 LLM」的循环陷阱,这种思路可推广到代码生成、设计、写作等其他需要「创新性 ≠ 重复」的任务;② 工程层——Lineage-Aware Memory 提供了一个可复用的机制保留模式,解决多轮迭代中「核心创意被淡化」的常见问题,对所有 LLM 多轮生成任务都有借鉴价值;③ 应用层——AI 游戏长期处在「demo 多、商业化少」的状态,CreativeGame 提出的「结构化机制设计 → 可编译验证 → 进化迭代」流程,是把 AI 游戏从单次 prompt 实验推向真正可发布的关键一步。