美团正式宣布其旗舰大模型 LongCat-2.0 在 MIT 许可下全面开源，开放内容包括完整模型权重、推理代码、训练配置和技术报告。LongCat-2.0 是一个 1.6 万亿参数的混合专家（MoE）架构模型，每次推理激活约 120 亿参数，在 MMLU、GSM8K、HumanEval 等基准测试中达到了 GPT-4 级别性能。最引人注目的是 LongCat-2.0 完全基于国产算力集群训练——美团声称训练过程中"零依赖"英伟达高端 GPU，而是使用华为昇腾 910B 等国产芯片完成全部训练。这一声明如果属实，将是中国 AI 自主可控路线上的里程碑事件。MIT 许可意味着任何人都可以自由使用、修改和商用该模型，对国内 AI 应用开发者和学术研究人员具有极高价值。业界分析认为，美团开源 LongCat-2.0 的战略意图是构建以自身模型为核心的开发者生态，对抗阿里、百度等云厂商的闭源模型锁定策略。
🔗 查看原文半导体分析机构 SemiAnalysis 独家爆料，NVIDIA 下一代 AI 超级芯片 Kyber NVL144 将推迟超过 12 个月至 2028 年才能量产交付。Kyber NVL144 原计划 2027 年 Q1 发布，是 NVIDIA 首个基于"多芯片集成"的 AI 超级芯片——通过 NVLink-C2C 将 4 颗 GPU 芯粒与 12 颗 HBM4 堆栈集成在单个封装内，总算力目标为 Blackwell 的 8 倍。延迟的核心原因被指向台积电 CoWoS-L 先进封装的良率问题——NVL144 所需的 interposer 面积达到了历史极限的 3.5× reticle size，导致封装良率不足 20%，远低于商业化所需的 70%+ 门槛。这一延迟对全球 AI 算力路线图具有连锁效应——Microsoft、Amazon、Google 等云厂商已基于 NVL144 的 2027 年供应预期规划了数据中心扩建，延迟将迫使它们重新调整采购策略，可能利好 AMD MI400 和 Intel Falcon Shores 等竞品。
🔗 查看原文Meta 创始人扎克伯格在最新的内部战略分享中提出了一个令业界震撼的目标：Meta 正在规划建设"千兆瓦级"（Gigawatt-scale）AI 训练集群——单个数据中心的电力容量将超过 1GW，相当于一个核电站的发电量。扎克伯格将此称为"AI 的曼哈顿计划"——"我们需要集中地球上最优秀的 AI 人才和最充足的资本，在一个前所未有的规模上建设 AI 基础设施。"按目前 AI 数据中心的建设成本估算（约 $10-15/W），一个 1GW 的数据中心需要 $100-150 亿美元的初始投资。扎克伯格同时暗示 Meta 可能会打破科技行业传统，组建一个封闭的"精英团队"而非分散化组织来执行这一计划。这一表态与扎克伯格一周前承认"AI 智能体进展慢于预期"的谨慎态度形成鲜明对比——显然 Meta 的策略是：短期内承认困难，但长期押注空前规模的基础设施来跨越技术鸿沟。
🔗 查看原文欧盟理事会通过了一项引发巨大争议的法案——俗称"Chat Control 2.0"，要求所有即时通讯和消息服务（WhatsApp、Signal、Telegram、iMessage 等）在用户发送消息前进行客户端扫描，检测并阻止儿童性虐待材料（CSAM）的传播。法案以"快速通道"程序通过，绕过了通常的逐条辩论环节，引发了隐私倡导者和科技公司的强烈抗议。对 AI 行业而言，Chat Control 2.0 的影响远超即时通讯领域——其核心技术要求"客户端扫描"（client-side scanning）本质上是要求所有通信软件内置 AI 内容审查系统。Signal 和 Threema 等加密通讯应用已公开表示将退出欧盟市场而非遵守该法案。隐私专家警告，这一立法开创的先例可能导致未来更多的 AI 驱动的"预防性审查"——今天的 CSAM 检测是楔子，明天的政治言论审查是目标。该法案与欧盟 AI 法案共同构成了欧盟在全球 AI 治理领域"强监管"双轨。
🔗 查看原文NVIDIA 联合斯坦福大学、MIT 等多所顶尖高校的研究团队提出了 ASPIRE（Adaptive Self-Play for Interactive Robot Embodiment），一个让机器人通过"自我博弈"在零人类示范的情况下学会复杂操作技能的框架。ASPIRE 的核心思想是：让机器人在模拟环境中与自己"对抗"——一个 AI 智能体尝试完成操作任务（如抓取物体、开门、组装零件），另一个 AI 智能体通过随机化环境参数（摩擦力、光照、物体位置）来制造越来越困难的挑战。两个智能体在不断升级的对抗中共同进化，最终训练出的策略在真实世界的零样本迁移中展现出惊人效果——ASPIRE 在 25 项灵巧操作基准测试中的零样本成功率比现有最佳方法高出 30-77 个百分点。这一成果对机器人行业的启示是：高质量的真实世界机器人数据极其稀缺，但通过巧妙的模拟自我博弈设计，可以大幅降低对真实数据的依赖。论文已在 arXiv 公开，代码即将开源。
🔗 查看原文中国科学家团队宣布成功研制了全球首款基于可控存内计算（Controllable Compute-in-Memory）的忆阻器神经动力学芯片。这款芯片最大的创新在于"存算一体+神经动力学模拟"的双重融合——传统的 AI 芯片只能做静态的矩阵乘法（推理），而这款芯片通过忆阻器的物理动态特性直接模拟神经元的脉冲发放行为，能够实时运行脉冲神经网络（Spiking Neural Network, SNN）。在功耗方面，该芯片的能效达到了惊人的 78 TOPS/W，比当前最先进的数字 AI 加速器（如 H200 约 3 TOPS/W）高出 25 倍以上。应用场景方面，该芯片特别适合需要超低延迟和超低功耗的边缘 AI 场景——如无人机自主导航、可穿戴健康监测和植入式脑机接口。该成果标志着中国在"后摩尔"存算一体芯片赛道进入了全球第一梯队。研究团队表示，商用化仍需要 3-5 年的工程优化。
🔗 查看原文GitHub 开源项目 claude-design-system-prompt 发布了重要更新，该项目通过系统性的提示词注入和边界测试方法，反向工程了 Anthropic Claude 系列模型（包括最新 Fable 5）的内部设计系统提示词（system prompt）。项目揭示了一些此前未公开的 Claude 行为规则：包括对特定中国用户的身份识别逻辑、隐写术代码检测机制、以及一套复杂的"安全-有用"权衡决策树。该项目的维护者强调其研究目的是"促进 AI 透明度和用户知情权"，但 Anthropic 尚未对此发表官方评论。这一事件在 AI 社区引发了关于"AI 安全研究的边界"的辩论——提示词反向工程是否属于合法的安全研究，还是对商业机密的侵犯？无论立场如何，该项目的存在本身就说明了当前 AI 模型的"黑箱"程度——用户在与 AI 交互时，并不了解模型底层存在哪些预设的行为约束和过滤规则。
🔗 查看原文LLM 数据框架 LlamaIndex 发布了其最新参考应用 legal-kb——一个基于 LlamaIndex v2 架构的智能体式法律知识库检索系统。legal-kb 的独特之处在于其"多智能体协同检索"设计：多个专用检索智能体分别负责不同法律领域（合同法、知识产权、劳动法等），由一个路由智能体根据用户查询动态选择最相关的子智能体。系统还整合了引用溯源功能——每条法律分析的输出都附带原始判例和法条的精确引用。LlamaIndex 表示，发布 legal-kb 的目的不是提供即用的法律产品，而是作为"复杂领域智能体检索的最佳实践模板"——开发者可以参考其架构来构建医疗、金融、科研等其他专业领域的智能体检索系统。该项目完全开源，已在 GitHub 上获得了 500+ stars。
🔗 查看原文一项覆盖 26,000 名学生的长期追踪研究揭示了 AI 辅助学习的一个令人不安的发现：AI 工具在短期内显著提升了学生的作业完成速度和质量——但在使用 AI 约两年后，"隐藏成本"开始显现：学生独立解决问题的能力出现系统性下降，特别是在需要多步骤推理的数学和编程任务中。研究者将此称为"AI 诱导的学习债务"——学生在早期过度依赖 AI 完成任务，跳过了建立基础思维能力的必要阶段，而这一缺失在后续的复杂课程中变得不可逆转。这一发现对教育 AI 产品的设计提出了深刻挑战："帮助学生完成作业"和"帮助学生学会思考"是两个完全不同甚至可能冲突的目标。该论文已在顶级教育研究期刊上发表，预计将对全球教育 AI 政策（特别是 UNESCO 正在制定的 AI 教育指南）产生重要影响。
🔗 查看原文一篇在 Hacker News 引发热烈讨论的博客文章讲述了作者利用 AI 编码工具在三周内"意外创办了一家小型 SaaS 公司"的真实经历。作者原本只是想用 Claude Code 自动生成一个解决自己工作痛点的小工具，但 AI 的代码质量和迭代速度远超预期——三周内，从一个想法发展到了拥有付费用户的产品，期间作者几乎没有手写任何代码。"我不小心创办了一家小公司"这个措辞精准地捕捉了 AI 时代创业的一个新范式：创业门槛从"技术和资本"转变为"领域洞察+AI 利用能力"。文章也坦诚地讨论了 AI 创业的阴暗面：代码库的"AI 意大利面"问题（AI 生成的代码缺乏架构一致性）、安全漏洞风险（作者坦言"不知道产品里有多少隐患"）和客户服务负担（"AI 生成的代码出 Bug 时，你自己也不理解"）。这篇文章被多位知名 VC 转发，称其为"2026 年最诚实的创业故事"。
🔗 查看原文