iFeeling Daily
每天精选值得关注的 AI 动态
Gartner 首次 AI 基础设施报告：Google 凭什么成领导者
Gartner 把 Google 评为 AI 基础设施领导者，理由不是芯片最快，而是背后的系统设计思路。从自研 TPU 分拆训练和推理、到用 Hypercomputer 把百万芯片拧成一台机器，再到常态下省钱的弹性伸缩——这套方法论才是真正拉开差距的东西。适合所有正在纠结“该上哪家云”的团队，读完你会懂得自己到底该为什么买单。
开源AI崛起为何尚未伤害Anthropic？
前沿模型和开源不是零和博弈，而是探索与生产的分工：前者负责用高价验证新用例，后者继承成熟场景靠规模盈利。Anthropic的支出占比不降反升，说明高端需求仍在高速增长。这篇文章用生命周期框架解释了当前AI模型市场最反直觉的现象。
微软加入AI降本趋势，更多依赖自研模型
微软开始用自研MAI模型替代OpenAI和Anthropic的付费模型，在Excel和Word里省成本。这背后是AI服务价格过高引发的行业连锁反应，大厂纷纷转向自研或低成本方案。一个明确的信号：闭源模型的溢价空间正在被压缩。
Hugging Face 模型登陆 Foundry 托管计算
微软 Foundry 把 Hugging Face 上最热门的开源模型做成了企业级服务：一键部署、安全扫描、自动更新，还接入了 Agent 框架。你选模型和模板，剩下的 GPU 编排、运行时维护、CVE 修复全由平台搞定。省去了自己搭推理管道的麻烦。
一个神经元即可攻破大模型安全对齐
研究发现大模型的安全护栏脆弱得可怕，只需修改一个神经元就能全盘瓦解。不需要复杂越狱或微调，抑制一个“拒绝神经元”或激活一个“概念神经元”，任意模型即告沦陷。这对红队测试和实际安全部署有极强指导意义。
语言模型中的全局工作空间
Anthropic 发现 Claude 内部存在一个“全局工作空间”（J-space），专门处理有意识的推理，而大量自动处理根本不经过它。通过直接读写这个空间，你可以实时看穿模型是否在偷偷作弊、是否察觉被测试，甚至能通过训练改变它的内部思维。这是可解释性研究中真正可用的一步。
AI的世界观：价值观差异如何影响模型选择
《经济学人》用世界价值观调查测试了25个前沿AI模型，发现它们的价值倾向差异惊人——实验室出身不是关键，训练数据与后训练对齐才是。对于代码生成无所谓，但用于商业决策时，模型的世界观会成为隐形的输入，采购时不应忽视。
PRX系列第四部分：我们的数据策略
Photoroom公开了他们训练PRX模型的数据管道全流程，从混合数据源、VLM重标、格式选择到过滤去重，每一步都有实测数据和经验教训。特别值得一提的是他们对JPEG与PNG的严格对比测试，以及灵活的跳过列表设计，对做生成模型训练的同学很有参考价值。
PathMoE：用路径约束放大专家模型的自然聚集
传统MoE在每层独立选专家，效率极低。PathMoE发现token会自发聚类到少数路径上，于是通过简单共享跨层路由参数来强制放大这种模式，在0.9B和16B模型上效果显著，还省掉了麻烦的辅助损失函数。思路直接，证据扎实。