henry 发自 凹非寺 量子位 | 公众号 QbitAI 压缩即智能，又有新进展！ | Method | Trained on: | Neural | Acc. | Dataset split | | --- | --- | --- | --- | --- | | Random guessing | Nothing | × | 0% | All | | Brute force rule search (Kamradt, 2024) | Nothing | × | 40% | Private Eval | | U-Net baseline | Target puzzle | V | 0.75% | Public Eval | | CompressARC (ours) | Target puzzle | V | 20% | Public Eval | | HRM ablation (ARC Prize Team, 2025) | Test puzzles | V | 31% | Public Eval | | HRM (Wang et al., 2025) | Train+test puzzles | V | ...

今天的Agent会成为未来AI应用的主力，而Agent Infra会成为下一个AI时代的操作系统。 无论模型能力如何提升，无论应用形态如何演进，未来趋势都指向同一个目标：在AI时代，通过新的Runtime体系，实现模型能力、工具能力 与执行能力的高度融合。 编辑部 整理自 MEET2026 量子位 | 公众号 QbitAI 随着AI从回答问题迈向自主执行和创造，行业开始进入真正的Agentic AI落地元年。这不仅改变了应用形态，也正在重塑整个AI技术栈的底层 逻辑。 与此同时，智能体体系结构的复杂度呈指数级增长，从任务规划、工具调用到长期记忆，每一环节都对底层框架提出了更高要求。对此， PPIO联合创始人兼CEO姚欣 表示： 能看到无论是PC时代，还是移动时代、云时代，操作系统才是最核心的中间层。 这意味着，未来的AI应用将从回答问题的工具转向能够直接完成任务的助手，而要承载这类能力，行业迫切需要一种新的基础设施——Agent 时代的操作系统。 在本次 量子位MEET2026智能未来大会 上，姚欣围绕智能体演进、Agent Infra等关键词分享了自己对 AI底层基础设施架构重塑的判断 ： 为了完整体现姚欣 ...

就像生物进化一样， AI"配方"的设计本质上就是一个不断试错的过程，而进化的速度，取决于"复制"一个新想法所需的时间。 在本次 量子位MEET2026智能未来大会 上，他也将开源视为AI进化的核心加速器—— 若没有开源，行业的进化速度恐怕要慢上一千倍；正是因为有了开源，技术才能像生物适应新环境一样，经历"长期停滞+瞬间爆发"的非线性 跃迁。 编辑部 整理自 MEET2026 量子位 | 公众号 QbitAI 从生物进化的漫长历程到AI技术的疯狂迭代，两者遵循着惊人相似的底层逻辑。 在探寻下一代AI架构的关键时刻，著名的"Kaldi之父"、小米集团首席语音科学家、IEEE Fellow Daniel Povey 提出： 至于如何在未来的竞争中生存，在他看来，大公司最明智的策略是"两条腿走路"—— 一边利用Transformer赋能当下的产品，一边保留资源探索未知，赌中下一个颠覆世界的机会。 为了完整体现Daniel Povey的思考，在不改变原意的基础上，量子位对演讲内容进行了翻译和编辑整理，希望能给你带来更多启发。 MEET2026智能未来大会是由量子位主办的行业峰会，近30位产业代表与会讨论。线下参会观众近 ...

Core Insights - The article discusses Google's journey from its inception to its current challenges in the AI space, highlighting mistakes made and opportunities missed, particularly in relation to OpenAI's rise [1][2][5][26]. Group 1: Google's History and Development - Google was founded by Sergey Brin and Larry Page, initially focusing on a project called BackRub, which evolved into the Google search engine [10][16][19]. - The name "Google" reflects their ambition to organize vast amounts of information, derived from a mathematical term representing a large number [21]. - Google fostered a strong academic environment, attracting top talent and focusing on foundational research, which laid the groundwork for its future innovations in AI [22][25]. Group 2: AI Strategy and Mistakes - After the release of the Transformer model, Google underestimated the potential of AI and failed to allocate sufficient resources, allowing OpenAI to capitalize on the opportunity [26][29]. - Despite setbacks, Google's long-term investments in AI research and development, including the creation of specialized TPU chips, have helped maintain its technological edge [30][29]. Group 3: Future Directions and Recommendations - Sergey Brin emphasizes the importance of leveraging AI in various aspects of life and encourages students to pursue computer science, as coding skills remain crucial for developing better AI [32][35]. - He suggests that quantum computing and materials science are undervalued future technologies that could have significant impacts, particularly in conjunction with AI [37]. - Brin advises against prematurely commercializing ideas without adequate preparation, using the example of Google Glass to illustrate the importance of refining concepts before market introduction [42][45].

AI热潮还在汹涌，但如果你还不知道如何参与……那为什么不来 量子位 呢？ 我们是一家以 追踪AI新进展 为核心的内容平台，经过8年积累，目前拥有顶流影响力，广泛且备受认可的产业资源，以及时代风口的最佳观 测和学习生态位。 目前，我们有 三大方向 岗位招聘，希望你是 （或者能成为） 这三个方向的内容专家： 岗位均为全职，工作地点：北京中关村。 岗位面向： 加入我们，你可以获得： 以下是岗位详情： 编辑部 发自 凹非寺 量子位 | 公众号 QbitAI 参与核心采访，对话产业专家、技术大牛、撰写AI云落地案例。 任职要求： AI财经商业方向 所有岗位不同能力层级职位均在开放，欢迎结合个人履历和经验申请。 AI产业方向 岗位职责： AI产业方向 ：关注基建层创新，包含芯片、AI Infra、云计算； AI财经方向 ：关注AI领域创投和财报，跟踪产业链资本动向； AI产品方向 ：关注AI在应用和硬件终端方向的进展。 社招：覆盖编辑、主笔、主编各个层级，按能力匹配岗位； 校招：应届毕业生，接受实习且可转正。 站在AI浪潮之巅 ：第一时间接触和了解AI领域最新技术和产品，构建完整的AI认知体系。 玩转AI新工具 ：将各种 ...

Minion Agent 团队 投稿 量子位 | 公众号 QbitAI 引言 Claude最近推出了一个令人兴奋的特性—— Skills系统 。它让AI Agent能够动态加载专业能力，按需"学习"处理PDF、Excel、PPT等专业 文档的技能。 作为一个开源爱好者，我立刻意识到这个设计的价值，并在Minion框架中实现了完整的开源版本。本文将介绍Skills的设计理念，以及我的开 源实现细节。 Skills解决了什么问题？ 在开发AI Agent的过程中，有一个核心矛盾： Context Window的有限性vs能力需求的无限性 传统做法是把所有工具、所有指令都塞进system prompt： System Prompt = 基础指令 + 所有工具描述 + 所有专业知识 = 50K+ tokens = 高延迟 + 高成本 + 低效率 更糟的是，大多数时候用户只需要其中一小部分能力。当用户问"帮我处理这个PDF"时，系统却加载了处理Excel、数据库、代码等所有能力 的上下文。 Skills的核心理念 Minion的开源实现 看到Claude Code的Skills设计后，我决定在Minion框架中实现一个 ...

编辑部 整理自 MEET2026 量子位 | 公众号 QbitAI 从通用大模型到可执行智能体，AI正沿着过程自动化历经技术的拐点。 正值Agent迅速迭代时期， 昆仑万维董事长兼CEO方汉 从产业出发，提出了一个全新的视角： Agent并不是通用人工智能的雏形，而是一种可验证过程的自动化系统。它不擅长创造新范式，却极其擅长把已经被人类验证过的流程 规模化复制。 在他的判断中，从ChatGPT到DeepSeek，标志着大模型完成了从"背答案"到"背过程"的关键跃迁：前者打开了通用对话与生成能力的入口， 后者则通过更高效、更长推理的方式，把大模型推向以过程泛化为核心的新阶段。 也正因此，Agent最先落地的并非千行百业，而是流程稳定、结果可验证的AI Office。所以长期来看，将是基础模型逐步收敛，而围绕具体流 程构建的 专业Agent 成为组织运行的基本单元。 在他看来，最终Agent重塑的不是某个岗位，而是整个组织——人类将从重复执行者，转变为过程的架构者，这也将成为Agent时代人类表达 自我的新范式。 为了完整呈现方汉的思考，在不改变原意的基础上，量子位对演讲内容进行了整理编辑，希望能提供新的视角与洞 ...

最近一段时间，无论是在硅谷还是国内， 太空数据中心 都是热议的焦点之一。 而马斯克，更是凭一己之力扛起宣传大旗，—连几条推文无不与此相关。 先是确认SpaceX未来将在太空部署数据中心： 一水 发自 凹非寺 量子位 | 公众号 QbitAI 太空，成为了AI基建新的必争之地。 后又在谷歌宣布太空数据中心计划时留下"Interesting"这样的评论，明确肯定了谷歌的眼光。 同时在接受公开采访时表示： 地球只接收到太阳能量的20亿分之一，如果想要产生相比地球来说多几个数量级的能量，你必须进入太空。 未来4~5年内，在太空部署和运行大规模AI系统的成本可能比在地球上运行同类系统更具成本效益。 …… 显而易见，敢想敢拼的马斯克，正在将太空数据中心作为AI基建的下一块试验田。 不止是他。 包括亚马逊贝佐斯、谷歌前CEO施密特等也在纷纷谈论和布局。 所以这太空数据中心究竟为何物？又为何吸引一众硅谷大佬的目光？ 来听他们是怎么说、怎么做的—— 马斯克带头，硅谷刮起了"太空数据中心风" 关于硅谷最近刮起的"太空数据中心风"，The Information是这样吐槽的： 每隔一段时间，科技界的知名人物就会开始如此积极地炒作同 ...

闻乐 发自 凹非寺 量子位 | 公众号 QbitAI 中国学者又一篇数学四大刊成果出炉，还是 苏州大学 的首篇四大刊成果。 论文《Khintchine dichotomy for self-similar measures》已被Journal of the American Mathematical Society （《美国数学杂志》） 录用。 该项成果的作者是 苏州大学副教授张涵 ，合作者有 Timothée Bénard （法国国家科学研究中心 (CNRS)，巴黎北索邦大学 (LAGA) 的研 究员） 和 何伟鲲 （中国科学院数学与系统科学研究院副研究员） 。 《数学年刊》《数学学报》《数学新进展》和《美国数学杂志》并称为数学四大刊，是国际数学界公认的数学顶级期刊，每年中国研究机构中 选论文经常不超过10篇。 这次的突破是把描述有理数如何近似表达实数的 辛钦定理 推广到了 所有自相似测度 上。 接下来咱就看看是怎么个拓展法。 比如用22/7逼近π，误差不到0.0015；用355/113逼近π，误差更是能缩小到千万分之三。 而数论领域的辛钦定理，就从数学层面量化了这种逼近的可能性和效率。它给出了一个明确的判 ...

鱼羊 发自 凹非寺 量子位 | 公众号 QbitAI 何恺明团队新作，持续聚焦Flow模型。 论文提出名为 双向归一化流 （BiFlow） 的新框架，通过解耦前向过程——将数据映射为噪声，和逆向过程——把噪声再转回来生成图片， 成功打破了传统归一化流生成模型效率低下的问题。 值得一提的是，论文的三位一作分别是来自清华姚班和MIT的本科生。 BiFlow：逆向过程不必是前向过程的精确逆运算 归一化流方法 （NFs） 已经成为生成建模的一种原则性框架。 标准的归一化流包含前向过程和逆向过程： 与MeanFlow对流匹配的优化不同，这次主要旨在解决归一化流在生成模型中的局限。 前向过程将数据映射为噪声，逆向过程则通过对前向过程求逆来生成样本。 传统的NF模型有一个硬性规定，逆向过程必须是前向过程的精确逆运算——要像钥匙和锁一样完全匹配。这就导致了两个问题： BiFlow的核心创新就在于， 打破了"逆向过程必须是前向过程的精确逆运算"这一规则 。 设计思路是这样的： BiFLow解耦了前向过程和逆向过程的设计。 模型设计受限：因为要保证 "可逆"，不能使用很多强大的通用架构 （比如视觉Transformer） ，得特 ...