Larry Ellison 退居 Oracle 幕后，AI 转型成为主角
Oracle 创始人 Larry Ellison 今年缺席财报电话会议，下月用户大会的主讲名单上也没有他，公司实权正向两位联席 CEO 交接。这不只是人事新闻——Oracle 的生意从卖数据库转向卖云容量和 AI 算力，而欧洲主权云正是新管理层要扛的活。
标签： 算力
现在的Ai 真的可以实现云女友 看了这个视频真get 到了 https://t.co/qXRWvSZzvp
一位 X 用户发布提示词，用 AI 生成约 22 秒横屏真人质感视频，内容是桌面壁纸里的女孩打喷嚏震落图标再心虚捡回；帖子获得 158.6K 次浏览，评论区则围绕"云端 AI 女友"的算力成本与内容合规展开争论。
Stanford、CMU 和 MIT 三所顶级大学的 5 门 AI 课程之外，再分享两门更偏理论和基础的课程。 CS336: Language Modeling from Scratch Stanford AI 课程链的顶点实现课，由 Percy Liang 与 Tatsu Hashimoto 联合执教，从零亲手构建一个完整的语言模型。 CS221: Artificial Intelligence: Principles and Te…
在 Stanford、CMU、MIT 五门偏应用的 AI 课程之外，@shao__meng 又补充了两门 Stanford 理论基础课 CS336 与 CS221，两门课都由 Percy Liang 参与执教，覆盖从零训练语言模型和经典 AI 数学框架。对想系统入门大模型的人来说，这是一条更偏底层、可动手的免…
前 Scale AI 创始人、刚出任 @Meta 首席 AI 官的 @alexandr_wang ，在 YC 现场跟 @garrytan 对谈时抛出这枚深水炸弹，直接把全网的技术管理层给听沉默了。 他说在 Meta 内部，我们已经真实看到了这种情况： 只要设计出正确的智能体循环（Agentic Loop），并给出一套能让它自主优化的评估系统与量化指标， 一群 AI 智能体完成的任务量，甚至超过了一支 100 名资深工程师组成的团队。…
Meta 首席 AI 官 Alexandr Wang 在 YC 现场表示，Meta 内部已用一套由 Markdown 文件、Cron 定时任务和自动评估指标驱动的多智能体系统，在任务量上超过约 100 名资深工程师组成的团队。真正值得关注的不是"AI 取代人"的说法，而是这套系统的技术骨架异常朴素。
DeepSeek 开源 V4.1-Flash：CED 架构降低编码 Agent 的 prefill 开销
DeepSeek 本周在 HuggingFace 开源了 552B 参数的 V4.1-Flash，用 Causal Encoder-Decoder 架构把编码 Agent 最头疼的 prefill 开销压到每 token 仅激活 8B 参数，并已在 Baseten Model API 上线。它值得关注，因为这…
Nvidia可能为Anthropic的巨额IPO出资
据路透社报道，Claude 母公司 Anthropic 正与英伟达洽谈 IPO 前的基石投资，英伟达可能出资至多 100 亿美元，而 Anthropic 此次上市拟募资最高约 1000 亿美元、目标估值约 2 万亿美元。
Trump is taking a hands-off approach to AI regulation to preserve the US lead over China, ahead of a summit with Xi Jinping, where AI safety is a top issue (Bloomberg)
在中美元首会晤、AI 安全成为核心议题之前，特朗普政府对 AI 监管采取不干预姿态，目的是保住美国相对中国的领先优势。这意味着美国短期内不太可能出台限制大模型训练或推理的硬性新规。
英伟达是人工智能领域的“中央银行”
《经济学人》以“人工智能领域的中央银行”来形容英伟达，核心指向它在AI算力供给与定价上的枢纽地位——就像央行通过利率影响整个经济，英伟达通过GPU供应、CUDA生态和定价节奏，影响着从大模型训练到推理部署的整条产业链。
邓煜老师说如果AI太厉害，就去写文。这确实是Openai宣布解决NS问题以来，最有趣的一则衍生新闻。 #人工智能 #邓煜 #菲尔兹奖
OpenAI 宣称用 AI 解决了长期悬而未决的 Navier-Stokes（NS）方程相关数学难题后，数学家邓煜的一句"如果 AI 太厉害，就去写文"被广泛传播。真正值得关注的不是这句玩笑本身，而是顶级研究者开始公开讨论自己的职业替代风险。
为什么科技公司难以约束 AI
《纽约时报》2026年9月12日刊文讨论科技公司为何难以约束自家 AI 的行为边界，指向一个结构性难题：模型能力越强、接入场景越多，企业越难在开放使用与风险控制之间取得平衡。这关系到每个用 API 做产品的团队，也关系到普通用户看到的 AI 输出是否可靠。