2026.01.07.08 过去4小时全球AI发生了什么？
以下是过去一段时间全球AI领域的重点新闻回顾：
Peter H. Diamandis与Elon Musk对话：AGI、能源、机器人与人类未来
Peter H. Diamandis博士发布了他与埃隆·马斯克（Elon Musk）以及David Blundin的对话内容，讨论了AGI（通用人工智能）的时间线、能源、机器人技术以及人类未来走向富足的可能性。对话还涵盖了AI对劳动力和就业的影响、全民高收入的经济新范式、奇点理论、AI在医疗和外科手术中的应用、AI伦理、太空探索以及芯片短缺危机等多个前瞻性议题。该对话已在YouTube上发布。
Google DeepMind与Boston Dynamics合作，推进AI机器人技术
Google DeepMind宣布与Boston Dynamics建立合作关系，旨在将Gemini Robotics的尖端AI模型与Boston Dynamics世界级的机器人硬件相结合，以加速AI在物理世界中的应用，这被视为AGI发展中的关键一步。同时，DeepMind的机器人团队正在迅速壮大，Aaron Saunders（波士顿动力前CTO）已加入担任硬件工程副总裁，显示了Google在机器人领域的雄心。
Boston Dynamics推出新款Atlas人形机器人，进军工业生产
Boston Dynamics在2026年CES上展示了其新款Atlas全电动人形机器人在现代汽车工厂内的应用，标志着其正式进入企业生产领域。这款Atlas机器人专为工业用途设计，能自主执行物料搬运、机器上料、拣选分拣、零件排序和订单履行等任务，载重高达50公斤。其软件系统基于最新AI算法，支持一天内完成应用定制，具备56个自由度，能在-20°C至40°C的宽泛温度范围及防水环境中工作，并能通过Orbit™软件与企业系统无缝对接，实现无人机群管理和安全交互。
知名AI专家吴恩达（Andrew Ng）提出了一个新的“图灵-AGI测试”来评估通用人工智能的成就。他认为，当前的AGI定义常被过度炒作，公众对AGI的理解与实际技术能力存在差距。新测试将要求AI系统在多日的工作任务中表现出与熟练人类相同的水平，通过实际工作能力而非简单的对话来衡量智能，旨在抵制不切实际的炒作，为AI领域带来更健康的投资和发展路径。
谷歌发布了一篇名为《Nested Learning: The Illusion of Deep Learning Architecture》的论文，深入探讨了深度学习架构的新视角。论文通过对比人脑的多时间尺度更新和统一复用结构，指出当前大型语言模型在预训练后出现的“顺行性遗忘症”问题，可能源于对深度学习理解的“错觉”。该研究提出Nested Learning框架，在持续学习任务上（如类增量学习、新语言学习和长上下文理解）展现了优异性能，并强调未来的深度学习应关注计算和学习的层级与频率深度。
Replit CEO Amjad Masad论编程普及化与AI Agents
Replit的CEO Amjad Masad发表了一篇宣言，探讨了编程普及化对社会带来的深远影响，认为随着AI代理（AI Agents）的进步，未来技术权力将去中心化，财富获取更便捷，软件开发更本地化，教育将转型，机构将更民主。他还指出，专业开发者可能尚未完全意识到AI代理的强大能力，并分享了用户在Replit上通过“Vibe Coding”快速开发应用，以及轻松集成如ElevenLabs等AI工具的案例，强调AI正在让编程变得更加触手可及和高效。
Hugging Face CEO Clement Delangue转发了多项AI生态系统内的动态。Upstage AI发布了其Solar Open 100B模型的最新技术报告；NVIDIA Robotics与Hugging Face合作，将开源NVIDIA Isaac机器人技术引入物理AI领域；NVIDIA的开放机器人数据集，特别是GR00T，在2025年下载量突破900万次；此外，Jensen Huang在CES 2026上展示了Reachy Mini机器人，并指出其与DGX Spark和Brev结合可构建完美的本地家庭AI机器人设置。另外，有提及hf-mem工具可用于估计Hugging Face模型的推理VRAM需求。
Stability AI的Emad Mostaque呼吁所有构建通用人工智能（AGI）的AI公司，应具备清晰、最新的关于AI对齐方法论的公开文档，认为这应成为行业标准。他强调了透明度和标准化在AGI发展中的重要性。
Anish Acharya：2026年AI应用将从“怎么做”转向“做什么”
a16z合伙人Anish Acharya在《Notes on AI Apps in 2026》中指出，AI应用生态正在成熟，2026年的关键转变是工具将从执行转向探索，重点从“怎么建”变为“建什么”。他认为，AI将使代码成本趋近于零，企业每个部门都应成为软件团队，而AI应用层不会被模型公司吞噬。文章还提到，普通人正在发现AI的“隐藏关卡”，通过Wabi等工具生成小应用，或利用ChatGPT和Grok的图像功能。他鼓励大公司CEO拥抱“软件优先”思维，并对AI的潜力保持更大野心，认为我们正处于一个去中心化、软件驱动的AI黄金时代。
Sarah Guo在一篇新文章中指出，AI的采纳主要是一个协调问题。她认为，个体适应AI的速度快于组织，这种差距解释了AI采纳“缓慢”的大部分困惑。企业因协调成本、现有工作流冲突以及规模化下的工作不透明性而减慢变革步伐，导致许多AI试点项目停滞不前。文章强调，仅仅削减成本是对AI潜力的低估，AI能够创造“超级员工”，关键在于组织是否有足够的雄心去支持这些新角色的存在。
Mervenoyann提到正在构建mamba-ssm模型，这通常指Mamba状态空间模型（State Space Model），是一种新兴的序列建模架构，被视为Transformer模型的潜在替代方案，以其在长序列处理效率上的优势受到关注。