AI 主编日报 · 2026-06-11

01/11

Fable 5 护栏透明度危机：隐藏限制曝光、微软下架、Anthropic 当天公开道歉

Anthropic 在未告知用户的情况下内置了降质机制，既影响安全研究者的正当工作，又导致普通用户无故「被降智」。微软内部下架进一步揭示了企业 AI 采用中数据合规摩擦的现实。Anthropic 当天道歉虽是正确方向，但「先隐藏限制再道歉」的模式本身是 AI 行业透明度问题的缩影。

S 级 · 必须关注 3个来源 5 条新闻

大模型/LLM安全/对齐通用/跨领域法律/合规安全事件争议性信号性

是什么

Anthropic 在 Fable 5 中内置了未公开的反蒸馏检测机制，一旦系统判断用户在提取模型知识用于训练竞争产品，会主动降低输出质量。与此同时，微软因 Anthropic 的新数据留存要求与公司零数据保留策略冲突，已将 Fable 5 从员工版 GitHub Copilot 下架。Anthropic 在 The Verge 曝光后当天发布公开道歉，承诺护栏触发时将给出明确提示。

为什么重要

这一事件触及 AI 公司与用户关系的核心：当一家公司单方面决定在用户不知情的情况下限制模型功能，这是「安全」还是「控制」？Fable 5 属于 Mythos 级别——Anthropic 此前警告称其能力过强、不宜公开发布，现在通过隐藏机制实现「部分公开」。误触率极高进一步说明这一机制尚不成熟，而其影响到的不只是竞争对手，还有正当研究者和普通用户。

不同来源

TechCrunch媒体

聚焦安全研究者视角：护栏过严导致正当的攻击场景模拟和恶意代码分析工作无法开展，安全社区的反弹体现了 Fable 5 护栏设计缺乏对专业场景的细分考量。

The Verge媒体

提供了两个关键细节：Microsoft 下架 Fable 5 证明护栏问题已从「用户抱怨」升级为「企业合规风险」；Anthropic 的道歉和政策改变说明公司在舆论压力下的响应速度很快，但初始决策本身值得反思。

量子位媒体

详细披露了反蒸馏机制的误触细节，为护栏争议提供了技术层面的证据：不是模型「不会」回答，而是系统判断后主动降质，这种设计对用户体验的伤害是隐性且难以察觉的。

Anthropic 的道歉速度值得肯定，但「先隐藏限制再道歉」的模式本身是一个警示：当 AI 能力越强，治理透明度的欠账所带来的代价也越高。未来这类「受控发布 + 隐性限制」的模式会越来越常见，但行业需要建立更清晰的披露规范，而不是等到被媒体曝光再改。

TechCrunch 网络安全研究人员批评 Anthropic 新模型 Fable 护栏过于严格

The Verge Microsoft 内部限制使用 Claude Fable 5

The Verge Claude Fable 5 拒绝回答基础生物问题

量子位 Fable 5 自带反蒸馏机制！检测到就降智，误触率高到离谱

The Verge Anthropic 为 Claude Fable 5 隐藏护栏道歉

02/11

Karpathy 领衔 KOL 风暴：行业给 Fable 5 贴上「代际跃升」标签

当 Karpathy、Boris Cherny、Aaron Levie 等具有不同视角的顶级从业者同时给出历史级评价，这是市场信号，也是行业认知重新校准的时刻。特别是 Boris Cherny 描述的「自主调试行为」，代表 agent 能力的质变而非量变。

S 级 · 必须关注 4个来源 4 条新闻

大模型/LLMAgent 编程/Coding通用/跨领域观点/评论突破性信号性

是什么

Claude Fable 5 全面开放后，多位顶级技术人员和创投领袖在社交媒体给出历史级评价。Karpathy 称这是与 Claude 4.5 同级别的历史跨越，让他第一次有了「停止看代码」的冲动；Boris Cherny 描述 Fable 在调试时会自主加日志、验证修复，这是模型的「自发行为」而非提示驱动；Aaron Levie 则从商业角度分析了 AI 能力与企业落地之间的鸿沟，以及其中蕴含的巨大商机。

为什么重要

KOL 风暴的意义不只是营销。当多位具有「第一手使用」经验的顶级从业者同时改变自己的预期上限，往往预示着这一代工具的能力确实触到了新的临界点。Boris Cherny 描述的「自主调试行为」尤为值得关注——模型在没有外部提示的情况下自发形成了完整的测试→修复→验证循环，这是 agent 能力从「执行指令」向「自主规划」演进的具体证据。

不同来源

KarpathyKOL

历史级跃升评价，Jevons 悖论预测：AI 工具越强，对软件的需求反而爆发增长——这是对 AI 替代论的直接反驳。

Boris Cherny (Anthropic)KOL

从 Claude Code 工程师视角描述模型行为质变：「这完全是它自己的性格，它真的有一种大模型的气息」——自主调试循环是 agent 能力的关键里程碑。

Aaron Levie (Box CEO)KOL

企业视角：前沿模型与落地之间的鸿沟需要技术、数据格式化和变革管理三者协同，「不性感的翻译工作」才是真正的竞争护城河。

历史级 KOL 背书在过去两年已出现过数次，每次都夹带一定的夸大成分。Fable 5 的真正考验不在于第一天的感叹号和基准分数，而在于一个月后用户留存和使用深度能否兑现承诺。Boris Cherny 描述的自主调试行为如果能在更广泛的使用场景中稳定复现，才是真正的质变信号。

Anthropic 官方 Claude Fable 5 今日全面开放，Anthropic 同步限量发布 Claude Mythos 5

Karpathy Andrej Karpathy 对 Fable 5 给出历史级评价

Boris Cherny (Anthropic) Boris Cherny：Fable 5 从「coding agent」升级为「思想与设计伙伴」

Aaron Levie (Box CEO) Aaron Levie：企业 AI 真正的护城河是「不性感的翻译工作」

03/11

Dario Amodei 呼吁 FAA 式 AI 监管，Anthropic 出资 3.5 亿美元研究政策应对

一家 AI 顶级公司的 CEO 主动呼吁监管并配套 3.5 亿美元资金，在科技史上极为罕见。Anthropic 直接承认 AI 可能造成结构性失业，并提出了工资保险和全民基本收入方案，这是对 AI 就业替代问题前所未有的公开承认。

S 级 · 必须关注 1 个来源 1 条新闻

大模型/LLM安全/对齐法律/合规通用/跨领域政策/监管规模性信号性

是什么

Dario Amodei 发表政策长文，呼吁对训练规模超 10²⁵ FLOPs 或年 AI 营收超 5 亿美元的模型实施类似 FAA 的强制第三方安全测试，若发现生物、网络安全或自主性风险，政府应有权阻止或撤回发布。Anthropic 配套宣布 3.5 亿美元经济政策基金：2 亿用于研究 AI 就业替代的政策应对，1.5 亿用于建立全国性奖学金项目。

为什么重要

这是头部 AI 公司 CEO 主动呼吁强化监管的罕见举动。更值得注意的是，Amodei 坦诚地讨论了失业率达 5%-10% 乃至更高水平时的政策储备，包括工资保险和全民基本收入方案——这意味着 Anthropic 对 AI 造成结构性就业冲击有充分的内部预判，而非等到现实问题暴露后再被动应对。

不同来源

VentureBeat媒体

从企业视角解读政策含义：FAA 式监管框架一旦落地，将对 AI 公司的发布节奏产生实质约束，也会改变企业客户的风险评估方式——购买前需要查看第三方测试报告，而非仅凭厂商宣传。

Anthropic 的自我监管倡议有两面性：它确实体现了 Anthropic 一贯的「responsible scaling」立场，但它也可能成为政策框架的事实草稿，而这个框架恰好把门槛设在了训练规模或收入达到特定量级——这个门槛对 Anthropic 来说是护城河，对初创公司来说是障碍。值得持续关注谁来制定细则，以及「第三方测试」最终由谁来做。

VentureBeat Anthropic CEO 呼吁对强大 AI 模型实施 FAA 式监管

04/11

Agents' Last Exam：GPT-5.5 以 24% 意外击败 Fable 5 的 22%，绝对分数极低才是重点

ALE 是迄今最严格的 agent 基准，强制要求在真实虚拟机中操作专业软件，并用代码评估取代 LLM-as-judge。当前最强模型在最难任务上通过率几乎为零，说明「能执行真实专业工作流的 AI agent」距离普及还很遥远。

A 级 · 值得细读 1 个来源 1 条新闻

大模型/LLMAgent 通用/跨领域研究成果突破性信号性

是什么

UC Berkeley 联合 300 余位领域专家推出 Agents' Last Exam（ALE），覆盖 55 个行业领域、1490 个任务实例，强制要求 AI agent 在真实 Linux/Windows 虚拟机中操作 Siemens NX、Unreal Engine 等专业软件，以 93.2% 确定性的代码评估取代 LLM-as-judge。结果：GPT-5.5 通过率 24.0% 夺冠，Fable 5 以 22.0% 位列第三；在最难的 Last-Exam 层级，所有模型通过率几乎为零。

为什么重要

ALE 针对性地修复了旧基准的两大漏洞：LLM-as-judge 评分标准不一致，以及 agent 可以读取隐藏答案「作弊」。这使 ALE 的结果比 SWE-bench 等传统基准更能反映真实专业能力。无论 GPT-5.5 还是 Fable 5，绝对分数均低于 25%，说明当前 AI agent 在「执行具有经济价值的长程专业工作流」上仍处于极早期阶段。

不同来源

VentureBeat媒体

强调 GPT-5.5 胜出的意外性，以及 ALE 作为新一代基准的方法论价值：反作弊机制和真实软件环境是 ALE 区别于其他基准的关键设计。

GPT-5.5 vs Fable 5 的名次对比是标题，真正的新闻是两者的绝对分数都极低。ALE 提供了一个冷静的校正视角：当前 AI agent 能力的公共认知仍被过度乐观的营销叙事主导，距离真正自主完成专业工作流还有很长的路。

VentureBeat GPT-5.5 在全新 Agents' Last Exam 基准测试上击败 Claude Fable 5

05/11

Google 开源 DiffusionGemma：26B 文本扩散模型速度提升 4 倍，质量仍低于自回归版

文本生成采用扩散架构而非逐 token 自回归，是生成范式的根本性转变尝试。4 倍速度提升对实时应用意义重大，但质量低于自回归版本的现实说明扩散范式在文本领域尚未成熟。

A 级 · 值得细读 2个来源 2 条新闻

大模型/LLM推理优化开源模型编程/Coding通用/跨领域开源发布突破性实用性

是什么

Google 开源 DiffusionGemma，26B 参数 MoE 架构，采用扩散范式一次性并行生成 256 个 token，RTX 5090 上可达 700+ tokens/s，H100 上超过 1000 tokens/s，量化后可在 18GB 显存消费级 GPU 运行，以 Apache 2.0 协议发布。官方明确指出整体输出质量仍低于标准版 Gemma 4。

为什么重要

扩散模型在图像生成领域已证明其价值，但文本扩散仍是研究前沿。DiffusionGemma 是 Google 在文本扩散领域的首个开源成果，代表了一个新的技术方向。速度优势使其在低延迟场景（行内编辑、代码补全、实时翻译）具有独特价值，但质量折损意味着短期内无法取代自回归模型用于高质量生成任务。

不同来源

机器之心媒体

提供了详细的技术细节和使用场景分析，强调质量低于 Gemma 4 的官方说明，建议用于本地推理、行内编辑等低延迟场景。

量子位媒体

关注发布时机策略：Google 在 Fable 5 光环下低调发布，展现了与头部竞争者不同的节奏感，皮查伊「速度像赛马」的评价透露了 Google 对速度差异化的战略押注。

DiffusionGemma 目前处于「实验性」阶段，官方的质量说明诚实但也限制了其直接竞争力。值得关注的不是这款具体模型，而是 Google 将扩散架构引入文本生成的战略方向——如果扩散范式在文本质量上继续提升，将对整个 LLM 技术栈产生根本性冲击。

机器之心谷歌开源 DiffusionGemma：26B 文本扩散 MoE，生成速度最高提升 4 倍

量子位 Mythos 阴影里谷歌悄悄发模型，速度暴涨 4 倍

06/11

HRM-Text：花 1,500 美元从头训练基础模型，1B 参数媲美 7B

1,500 美元训练基础模型的震撼不在于绝对数字，而在于它证明了：企业无需依赖通用大模型，可以用私有领域数据从头训练出具备专业推理能力的私有模型，且成本在千美元量级即可实现。

A 级 · 值得细读 1 个来源 1 条新闻

大模型/LLM微调/训练通用/跨领域科学研究研究成果突破性信号性

是什么

Sapient 研究团队提出 HRM-Text（分层循环模型），将计算解耦为慢速语义稳定层与快速局部精炼层，仅在指令-回答对上训练，彻底绕开对海量互联网原始语料的依赖。用 16 块 GPU 训练 1.9 天，总成本约 1,500 美元、400 亿 token（比同规模开源模型少用 100-900 倍训练数据），1B 参数的 HRM-Text 在 MMLU（60.7%）、GSM8K（84.5%）等基准上与 2B 至 7B 参数模型持平或超越。

为什么重要

基础模型预训练长期被视为大厂的专属领域，原因是海量原始语料的收集、清洗和处理成本极高。HRM-Text 通过「只用指令对训练」的方式绕开了这一壁垒，意味着任何拥有专业领域指令数据的企业，都可以用千美元级别的成本训练出私有基础模型，而无需向 OpenAI 或 Anthropic 购买 API 访问权。

不同来源

VentureBeat媒体

从企业视角分析：具备专业推理能力的私有模型在千美元量级即可实现，这为中小企业提供了在不依赖大厂 API 的情况下部署专有 AI 能力的真实路径。

1,500 美元的标题效果极佳，但需要注意：这是 1B 参数的小模型，「只在指令对上训练」也限制了泛化能力，无法与千亿参数级别的通用模型直接比较。真正的突破在于「不依赖原始语料」的训练范式，这对特定行业的私有专业模型场景具有重大意义，对通用 AI 替代场景意义有限。

VentureBeat 研究人员称仅花约 1,500 美元便完成基础模型从头训练

07/11

Google 反垄断案重要节点：法院裁定搜索互联网无需 AI

「AI 不是搜索必需品」的法律认定，直接削弱了 Google 将 AI 深度整合进搜索作为「防御性技术创新」的抗辩逻辑，为法院在反垄断救济阶段限制 Google 的 AI-搜索捆绑行为提供了依据。

A 级 · 值得细读 1 个来源 1 条新闻

大模型/LLM搜索/信息检索法律/合规政策/监管信号性争议性

是什么

在针对 Google 的反垄断诉讼中，法院在裁决中明确认定 AI 并非互联网搜索的必要组成部分，这直接削弱了 Google「AI 搜索是不可或缺的技术创新」的核心抗辩叙事。该裁决是反垄断诉讼中的重要事实认定，将影响后续救济措施的制定。

为什么重要

Google 一直试图将 AI 搜索整合定性为「面对用户需求的必要技术创新」，从而为其市场主导地位辩护。法院驳回这一逻辑，意味着 Google 用 AI 功能「深度绑定」搜索入口的行为可能在法律层面被认定为反竞争行为。

不同来源

Hacker News (Ars Technica)技术社区

技术社区对这一裁决的反应是复杂的：一方面认为法院认定过于技术滞后（AI 搜索在用户体验上确实有显著价值），另一方面也认可在反垄断框架下，「有价值」不等于「必要」。

裁定本身尚不直接导致任何补救措施，但它建立了一个重要的法律先例：「更好的功能」不能自动成为「合理的市场垄断」的辩护理由。在美国反垄断诉讼的后续救济阶段，这一认定可能成为限制 Google AI 搜索整合行为的重要依据。

Hacker News (Ars Technica) 法院裁定搜索互联网无需 AI，Google 反垄断案迎来重要判决

08/11

Google 推出新设置系统性保存 Lens 图片、Search Live 录音用于 AI 训练

Google 将数十亿用户的多模态交互行为（图片、语音、录音）转化为 AI 训练资产，规模远超此前的任何数据收集行动。Opt-out 而非 opt-in 的设计使大多数用户会在不知情的情况下成为训练数据提供者。

A 级 · 值得细读 1 个来源 1 条新闻

大模型/LLM多模态数据/标注法律/合规通用/跨领域行业动态规模性争议性

是什么

Google 推出「搜索服务历史记录」新设置，默认开始系统性保存用户通过 Google Lens 上传的图片、Search Live 实时对话录音、语音搜索片段和 Translate 语音内容，明确用于改善搜索 AI 服务。用户可在设置中关闭「保存媒体」选项选择退出（opt-out，而非 opt-in）。

为什么重要

Google 拥有最大规模的日常用户行为数据，此次收集涵盖图片、语音、视频等多模态形式，对于训练多模态 AI 模型具有独特价值。Opt-out 设计意味着绝大多数用户会默认参与，将 Google 的多模态训练数据集扩展到前所未有的规模。特别是在 Google 同时面临反垄断调查和多起 AI 版权诉讼的背景下，这一数据收集行动的时机和力度尤为引人注目。

不同来源

The Verge媒体

报道强调了 opt-out 而非 opt-in 的设计选择及其对用户的实际影响，指出 Google 将数据收集的默认选项设为「参与」，在欧盟 GDPR 框架下将面临合规压力。

Opt-out 设计是 Google 数据策略的一贯做法，但在 GDPR 强调「明确同意」的框架下，这种设计在欧盟市场将面临法律挑战。更值得关注的是时机：在反垄断案和版权诉讼密集的当下，Google 仍选择扩大数据收集，说明它在权衡监管风险后认为数据资产的战略价值远超潜在的法律成本。

The Verge Google 将保存 Lens 照片、Search Live 录音及 Translate 语音用于 AI 训练

09/11

独立音乐人起诉 Google Lyria：拒绝承认用 YouTube 音乐训练 AI

Lyria 案的核心法律问题是举证责任：当训练集包含数百万作品时，如何证明「你的具体作品被训练」几乎是不可能完成的举证任务。如果法院接受这一举证标准，将为 AI 公司构筑强大的版权防护墙。

A 级 · 值得细读 1 个来源 1 条新闻

大模型/LLM语音/音频创意/设计法律/合规行业动态争议性信号性

是什么

一批独立音乐人提起诉讼，指控 Google 未经授权使用他们上传至 YouTube 的歌曲训练音乐生成模型 Lyria 3。Google 申请驳回诉讼，提出两项主要抗辩：一是原告无法提供其具体作品被用于训练的证据；二是 YouTube 用户服务协议中的广泛授权条款已涵盖此类使用场景。

为什么重要

Lyria 案触及 AI 训练数据版权争议的最核心难题：「举证可行性」。在现有法律框架下，创作者几乎无法证明训练集中包含了自己的具体作品，因为训练数据集不公开，且模型学习的是「特征」而非「原文」。如果法院认可 Google 的举证标准，意味着大规模 AI 训练数据使用将享有近乎无限的法律豁免。

不同来源

The Verge媒体

报道揭示了 Google 抗辩策略的核心：把举证责任推给创作者，而技术上几乎无法满足。YouTube 用户协议的宽泛授权条款是 Google 的第二道防线，暗示创作者上传内容时已「默认同意」更广泛的使用场景。

Lyria 案不只是 Google 的问题，Suno、Udio、OpenAI 等面临类似版权诉讼的公司都在密切关注判决结果。如果 Google 的「无法举证」逻辑成立，将形成跨案先例，彻底改变 AI 版权诉讼的攻防格局——向创作者严重倾斜的举证难度将成为阻碍所有类似诉讼的系统性障碍。

The Verge Google 被独立音乐人起诉，拒绝承认用 YouTube 内容训练 Lyria AI

10/11

Google DeepMind 联合设立 1000 万美元基金研究数百万 AI agent 互动的安全风险

当数百万 AI agent 同时运行并互相交互，传统的单一 agent 安全模型将失效。Google DeepMind 公开表示这是「数字公域混乱化」的风险，说明这一问题在内部评估中已足够紧迫，需要超越单一公司能力的跨机构协同研究。

A 级 · 值得细读 1 个来源 1 条新闻

Agent安全/对齐通用/跨领域研究成果信号性突破性

是什么

Google DeepMind 联合 Schmidt Sciences、英国政府机构 ARIA 及多个非营利机构，共同设立 1000 万美元研究基金，专项研究大规模 AI agent 互动的安全问题。研究重点包括：agent 之间的恶意信息传播、诈骗的规模化自动化、prompt injection 劫持 agent 链，以及数字公域「混乱化」风险。

为什么重要

这是业内首次将「多 agent 集群行为」作为独立安全研究领域加以资助的重大举动。当前的 AI 安全研究几乎全部针对单一模型或单一 agent，而实际部署中数百万 agent 将同时运行并交互，形成前所未有的集群动力学。Rohin Shah 的「超级强化版威胁」描述，暗示了这一问题的紧迫性远超学术研究层面。

不同来源

MIT Technology Review媒体

报道强调了预防性视角：基金的目标是在 agent 大规模经济部署之前就建立安全研究框架，而非在问题出现后再应对。这一时机选择说明 Google DeepMind 认为 agent 经济规模化不是「如果」而是「何时」的问题。

1000 万美元对于研究如此系统性的风险来说规模相当有限，但资金规模本身不是重点——重点是 Google DeepMind 选择公开讨论这一风险，将其从内部研究议题变成行业公共议题。这种「预警式」公开讨论往往是系统性安全工作的第一步，值得关注后续是否会推动行业标准的形成。

MIT Technology Review Google DeepMind 担忧数百万 AI agent 大规模互动引发的新风险

11/11

企业 AI 经济学：「AI-pilled」公司人均 7500 美元/月，MassMutual 零锁定策略实现 30% 效率提升

7500 美元/人/月 AI 支出接近工程师月薪，说明「AI 替代人力」的经济方程正在变得可以量化。MassMutual 案例则是企业如何在不锁定供应商前提下落地 AI 的教科书，其反直觉的「用户偏好质量而非速度」发现对 AI 产品设计有直接指导意义。

A 级 · 值得细读 2个来源 2 条新闻

大模型/LLM基础设施/MLOps 金融/商业办公/生产力行业动态信号性规模性

是什么

两组数据共同勾勒了 2026 年企业 AI 经济学的真实图景：Ramp AI Index 显示最激进的「AI-pilled」公司每人每月 AI 支出达 7,500 美元，已接近工程师月薪；MassMutual 则提供了零供应商锁定策略的实战验证：所有 AI 合同限制在 12 个月内，AI 联络中心将问题解决时间从 10 分钟降至 1 分钟、成本从美元降至美分级别，开发者生产力提升 30%。

为什么重要

当 AI 支出接近人力成本，企业 AI 投资的 ROI 计算就变得至关重要。MassMutual 的零锁定策略回答了「如何在不被大厂绑定的情况下最大化 AI 价值」，对正在评估 AI 战略的企业有直接参考价值。其「用户偏好质量而非速度」的发现尤为值得关注：在产品设计中，速度提升被过度强调，而质量感受和信任感可能才是长期留存的核心驱动因素。

不同来源

TechCrunch媒体

提供了跨行业数据视角：7500 美元是「激进采用者」的数字，说明 AI 支出的分布极不均匀，但头部公司的行为往往预示了行业均值的走向。

VentureBeat媒体

深入报道了 MassMutual 零锁定策略的实操细节，以及「慢 2 秒换质量」的员工偏好发现，为企业 AI 采购决策提供了具体参考框架。

MassMutual 发现的「用户压倒性选择质量而非速度」应该成为所有 AI 产品经理的必读数据点。当前大量 AI 产品开发都在追求延迟降低，却忽视了用户对可靠性和准确性的根本需求。

TechCrunch 「AI-pilled」公司每位员工每月 AI 支出高达 7,500 美元

VentureBeat MassMutual 的 AI 战略：12 个月合同、30% 效率提升、零供应商锁定

AI 主编日报The Editor's Brief

Fable 5 护栏透明度危机：隐藏限制曝光、微软下架、Anthropic 当天公开道歉

Karpathy 领衔 KOL 风暴：行业给 Fable 5 贴上「代际跃升」标签

Dario Amodei 呼吁 FAA 式 AI 监管，Anthropic 出资 3.5 亿美元研究政策应对

Agents' Last Exam：GPT-5.5 以 24% 意外击败 Fable 5 的 22%，绝对分数极低才是重点

Google 开源 DiffusionGemma：26B 文本扩散模型速度提升 4 倍，质量仍低于自回归版

HRM-Text：花 1,500 美元从头训练基础模型，1B 参数媲美 7B

Google 反垄断案重要节点：法院裁定搜索互联网无需 AI

Google 推出新设置系统性保存 Lens 图片、Search Live 录音用于 AI 训练

独立音乐人起诉 Google Lyria：拒绝承认用 YouTube 音乐训练 AI

Google DeepMind 联合设立 1000 万美元基金研究数百万 AI agent 互动的安全风险

企业 AI 经济学：「AI-pilled」公司人均 7500 美元/月，MassMutual 零锁定策略实现 30% 效率提升

其余 24 条 · 知道有就行