那些迅速采用生成式 AI 的公司,如今正因基于 token 的定价和大量试验把成本推高到每位员工每月数千美元,而开始限制使用并重新审视预算。评论者将 FOMO、高管群体思维和过度炒作的预期——往往与替代初级员工的希望相关——视为超支的关键驱动因素;与此同时,真实的生产力提升依然不均衡,也很难与利润表直接挂钩。许多人认为 AI 在编码等专门任务上确有但有限的价值,不过他们也指出,错配的激励、糟糕的评估方式,以及更广泛的环境和伦理担忧,正把这项技术推向远超其已被证明用途的范围。
DeepMind 的 AlphaFold 蛋白质折叠突破背后的主要研究者之一将离开 Google 加入 Anthropic,这引发了人们对 Google 内部问题以及 IPO 前 AI 实验室吸引力不断增强的猜测。评论者们讨论 Google 是否在模型质量和产品执行方面落后,对比其广告驱动的优先事项与 Anthropic 和 OpenAI 对前沿能力的专注,并质疑在日益拥挤、快速演进的 AI 领域中,个别明星人才与 AGI 叙事究竟有多重要。
美国的法院记录在技术上属于公开信息,但通常被 PACER 付费墙锁住,因此有人呼吁基于基本法律透明原则将访问改为免费。评论者权衡了开放访问的好处——支持公众监督、新闻报道、研究以及对判例法的理解——与隐私、数据抓取以及法院 IT 系统维护成本应由谁承担的担忧。诸如更高免费额度、更好的删改,或将成本转移给资金充足的法律信息服务等替代方案,被提出作为潜在折中。
一位 AI 工程师声称借助用 Claude 大语言模型构建的自定义工具,破译了古代米诺斯文字 Linear A 的部分内容,并提出它编码的是一种与圣经希伯来语相关的已灭绝闪米特语。评论者一方面指出这类突破的潜在重大意义,另一方面也提醒人们历史上业余破译尝试屡屡失败,强调目前尚未公开手稿或数据,而且顶尖大学的专家也尚未正式验证这项工作。讨论随后扩展到:在语料极小、底层语言未知的情况下,AI 到底能在多大程度上真正帮助破解未释读文字,以及什么样的严格验证才算充分。
挪威在小学阶段大范围禁止生成式 AI、同时允许高年级谨慎使用的做法,已成为教育系统应如何回应新技术的一个试验案例。许多人认为,这一限制合理,因为新兴研究表明,AI 使用可能提升短期作业表现,但会损害更深层的学习、批判性思维和动机,尤其是在被用作偷懒捷径时。另一些人则看到了严格受控、类似导师的应用的潜力,并担心全面禁令以及更广泛的课堂数字化回退会扩大不平等,让学生无法为 AI 无处不在的未来做好准备。