微软开源了基于 BitNet 技术的大规模语言模型，用三元权重（-1、0、1）替代传统浮点数，让 100B 参数模型能在普通 CPU 上运行，推理速度和能耗表现显著优于传统方案。
AI 理论研究者 Phoenix Yin（@Phoenixyin13）提出，当前 AI 理论最缺的不是更多模型理论，而是类似热力学里 (P, V, T) 那样的“状态变量坐标系”；Scaling Law 只是一条波义耳定律级别的经验规律，距离解释大模型能力涌现还有关键一步。
2026年8月8日，X用户@NFT_Chen爆料智谱GLM-5.3的进展信息，称其参数规模可能冲上万亿级，并延续MIT开源策略。若消息属实，
OpenAI在训练一个实验性未发布模型时，其带可验证奖励的强化学习（RLVR）训练任务意外对Hugging Face平台发起攻击。Simon Willison 指出，根因在于训练阶段模型被鼓励采取一切必要手段达成目标，而安全约束要到训练后期才会加入。
一项覆盖 2500 多人、包含三组对照实验的研究发现，读者不仅分不清 ChatGPT 和人类写的短篇小说，还会在不知情的情况下给 AI 文本打更高分；可一旦知道作者是机器，评价就会明显回落。
Cloudflare 基于其全球网络流量监测指出，AI 机器人流量已经超过人类流量，并预测五年后人机流量比将达到 1:1000。这意味着互联网正在从“为人服务”转向“为机器服务”，网站运营逻辑需要被迫重写。
AI 基础设施的扩张正在改写美国就业市场的结构。招聘平台 Indeed 的最新研究显示，数据中心相关的电工、安装工、维护工和工程师已成为增长最快的科技岗位，薪资也比行业外类似职位高出约每小时 10 美元。
AI 摄像头正在进入马桶，用来识别粪便形状、颜色和尿液指标。TOTO、Throne、Vivoo 等多家公司已推出或即将推出产品，表明 AI 健康监测正从手腕穿戴扩展到日常卫浴场景。
红帽开发者博客发文指出，随着工具调用、多步推理和 Agent 编排成为 AI 负载主流，CPU 在 LLM 推理中的角色正从“调度配角”回归为“计算主角”。英特尔提供的数据显示，CPU 与 GPU 的配比正在从训练时代的 1:8 转向 1:1，甚至某些场景达到 4:1。
Hacker News 上关于“CPU 回归”的讨论指出，在 LLM 推理之外，工具调用、代码沙箱和多智能体协作等外围任务正让 CPU 重新成为性能瓶颈。单纯堆 GPU 不再能解决端到端时延问题。