Nvidia把“物理AI”带进日本工业体系
黄仁勋日本行带来了全国AI工厂、机器人合作和芯片供应链协议,日本正把主权AI与制造自动化绑定推进,AI竞争因此进一步下沉到工厂和机器人。[3265]
AI 日报
今天的报道呈现出一个清晰主题:AI竞争正在从聊天与生成,迅速转向工业落地、专业任务和基础设施控制权。与此同时,新的基准测试和安全研究再次提醒行业,能力进步不等于可靠可用,尤其在医疗、文本检测和企业决策场景中更是如此。
Overview
从 15 条资讯中筛选出 10 条
今天的报道呈现出一个清晰主题:AI竞争正在从聊天与生成,迅速转向工业落地、专业任务和基础设施控制权。与此同时,新的基准测试和安全研究再次提醒行业,能力进步不等于可靠可用,尤其在医疗、文本检测和企业决策场景中更是如此。
黄仁勋日本行带来了全国AI工厂、机器人合作和芯片供应链协议,日本正把主权AI与制造自动化绑定推进,AI竞争因此进一步下沉到工厂和机器人。[3265]
DeepMind 的 GenCeption 证明,预训练视频生成器可以转做深度估计、分割和3D姿态等经典视觉任务,并在少量合成数据下取得强结果。[3266]
RadLE 2.0 显示,多模型会在高置信度下给出错误X光诊断,说明医疗场景需要的是不确定性感知和拒答能力,而不只是更高准确率。[3264]
Current AI 正在用 Suno Sutra 和开源聊天机器人构建公共替代方案,聚焦多语言、离线可用和欠服务地区的可访问性。[3268]
Kimi K3 在前端代码榜单夺冠,但在高难数学上落后;AI 文本检测器也能抓住普通生成文本,却常被风格模仿绕过。[3270, 3271]
企业内部的AI叙事可能正在扭曲战略判断,而苹果对 OpenAI 的诉讼则把AI竞争进一步推向硬件、人才和知识产权战场。[3272, 3274]
AI 正在同时向两个方向加速:一端是更深地进入工厂、机器人、编程和办公流程;另一端则是对模型可靠性、置信度和可验证性的更严格审视。日本工业AI布局、开源基础设施、模型基准竞争和医疗安全警报,共同构成了今天的主线。
Nvidia 在日本推动全国级 AI 工厂、机器人合作和芯片供应链协议,把“物理AI”推向制造业与工业系统核心。日本的 Noetra 主权AI计划、Cosmos 机器人联盟,以及丰田对仿真和车辆软件的扩展,都显示 AI 竞争正从云端延伸到现实世界机器与工厂车间。[3265]
Google DeepMind 的 GenCeption 说明,视频生成模型可能不只是内容生成器,也可能是通用视觉模型的训练底座。研究用较少的合成数据,在深度估计、分割、表面法线和 3D 姿态任务上取得强表现,强化了“世界模型”路线的吸引力。[3266] 同时,阿里巴巴的 Qwen 3.8 试图以开源权重、多模态和更强生产力任务能力挑战封闭模型格局,并对月之暗面的 Kimi K3 构成直接压力。[3269]
Kimi K3 在前端代码基准上领先,但在 FrontierMath 最难层级明显落后,说明单点优势并不等于全局领先。[3270] 另一方面,RadLE 2.0 证明医疗 AI 的核心不只是准确率,而是是否知道何时不该回答;多个模型在高置信度下给出错误 X 光诊断,凸显校准与拒答能力的重要性。[3264]
Epoch AI 的研究显示,主流 AI 文本检测器在普通生成文本上表现良好,但一旦模型模仿特定作者文风,尤其是科学写作,就会明显失准。[3271] 这与另一篇关于企业 AI 迷思的评论形成呼应:AI 热情可能被身份焦虑、销售压力和内部政治放大,导致组织在并不理解技术价值时就做出过度承诺。[3272]
Current AI 正在推进开放、离线、公共 AI 基础设施,其中包括可在无网络环境下运行 22 种印度语言的 Suno Sutra 设备,试图为商业封闭平台提供替代路径。[3268] 与此同时,Claude Code 似乎捆绑了 Bun 的 Rust 版本,说明开发者工具链也在围绕启动性能和运行时效率继续演进。[3273]
苹果对 OpenAI 的商业秘密诉讼,可能会拖慢其硬件野心,尤其是传闻中的无屏智能音箱计划,并把 AI 竞争进一步推向硬件与人才争夺层面。[3274]
今天最重要的信号是:AI 的下一阶段不再只是“更大的模型”,而是“更可部署的系统、更可信的输出和更受控的基础设施”。谁能把能力、可靠性、分发和治理同时做好,谁就更可能在下一轮竞争中占优。
Stories
TechCrunch AI

黄仁勋于7月15日至16日访问东京,并带回了横跨全国AI工厂、机器人合作以及与Nvidia下一代AI芯片相关的芯片材料供应协议。此次行程让日本成为Nvidia推进“物理AI”在工厂、机器人和工业系统落地的重要早期伙伴。
这次访问表明,AI竞争正在从聊天机器人和云端推理,扩展到制造业、机器人和工业供应链。对日本来说,这有助于其在劳动力短缺背景下推进主权AI和工厂自动化;对Nvidia而言,则进一步巩固了其平台在硬件、软件和制造生态中的渗透。
报道称,Nvidia 首席执行官黄仁勋于7月15日至16日在东京停留两天,会见了日本工业界和芯片供应链的重要人物,此前他刚访问过台湾和韩国。文章称,他此行带回了覆盖日本整个科技生态的多项合作,包括全国AI工厂、机器人合作,以及为 Nvidia 下一代AI芯片服务的芯片材料供应协议。此行的核心,是把日本打造为“物理AI”的重要中心;黄仁勋将这种AI的下一个阶段描述为围绕工厂车间、机器人和机器展开。报道把这次访问解读为 Nvidia 与日本工业基础的战略对接,而日本工业界也越来越需要先进的AI基础设施。文章还提到一个历史细节:30年前,Sega 的500万美元投资曾帮助 Nvidia 度过危机。一个关键项目是 Noetra,也就是日本的主权AI计划,SoftBank、Sony、NEC、Honda 等约44家国内企业参与其中。
东京计划在五年内投入最高1万亿日元,用于为机器人、汽车和工厂打造本土AI,而 Nvidia 则会通过计划于2028年上线的“Vera Rubin AI 工厂”提供硬件基础。Noetra 的路线图分三步:首先在2026财年推出重视日语能力的推理模型;其次在2028年推出可处理文本、图像、视频和音频的多模态模型;最后在2030年前后推出可驱动机器人运行的“面向现实世界的原生AI”,并分阶段向外部开发者开放。第二个重点是围绕 Nvidia Cosmos 形成的机器人联盟,Fanuc、Yaskawa、Kawasaki Heavy、Fujitsu、Hitachi、NEC、Sony、SoftBank、Kubota 和 AIRoA 都表示计划基于 Nvidia 在5月推出的开源模型体系开展工作。Nvidia 在东京发布了 Cosmos 3 Edge,这是可直接在机器内部、运行于 Jetson Thor 芯片上的版本,一些企业已经在测试共享控制系统。第三条线是丰田,丰田已经在其技术栈的多个环节使用 Nvidia 芯片,并把合作进一步扩展到制造仿真、车辆软件以及道路交通系统;不过丰田的路线仍以高级驾驶辅助为主,而不是完全无人驾驶。整体来看,这篇报道认为,黄仁勋的访问把物理AI推到了日本工业战略的中心,而日本也正试图借此加速制造业和经济自动化。
日本由Noetra牵头的计划得到了约44家本土企业支持,并将在五年内投入最高1万亿日元;该计划将使用Nvidia“Vera Rubin AI工厂”,预计于2028年上线,配置13,750颗Vera CPU和27,500颗Rubin GPU,总功耗达140兆瓦。Nvidia还发布了面向设备端机器人应用的Cosmos 3 Edge,可运行在Jetson Thor芯片上;与此同时,丰田也在将Nvidia扩展到车辆软件、仿真以及高级驾驶辅助系统中。
The Decoder

Google DeepMind 的 GenCeption 将一个预训练的视频生成器改造成经典计算机视觉任务模型,可用于深度估计、分割、表面法线和 3D 姿态估计。该模型基于阿里巴巴开源的 Wan2.1 视频模型,主要使用合成视频训练,却在基准测试中取得了很强的结果。
如果这一结果成立,就说明视频生成器可能已经学到了足够的空间和物理结构,可以支撑更通用的计算机视觉能力,从而减少对单独任务模型的依赖。这可能改变未来视觉系统的训练方式,让它们在多个任务上更统一,也更节省数据。
谷歌 DeepMind 的研究人员认为,GenCeption 说明视频生成器可能已经包含了计算机视觉长期缺失的“世界模型”。他们没有从零开始设计新的视觉架构,而是把阿里巴巴开源的 Wan2.1 视频模型改造成了深度估计、分割、表面法线估计和 3D 姿态估计等任务的基础。该模型通过文本提示来指定要执行的任务,方式有点像聊天机器人接受指令。为了让不同任务共用同一套架构,研究团队把深度图、分割掩码等多种输出都统一表示为标准的三通道 RGB 图像。对于 3D 关键点预测这类不直接输出图像的任务,团队再加入可训练模块来补足。
训练数据主要来自合成数据,总共只用了 7,500 个生成视频,这些视频由 800 个数字人模型和 200 段动作捕捉序列组合而成,并在 Blender 中用不同背景和相机角度渲染。真实视频只用于语言引导分割任务。根据文章摘要,GenCeption 在多个基准上与甚至超过了专门模型,包括在深度估计上接近 DepthAnything 3,在表面法线上超过 NormalCrafter 和 Lotus-2,在 3D 姿态识别上优于 Genmo 和 TRAM,并且在复杂的语言引导分割上与 Meta 的 SAM 3 加 Gemini 3.5 Flash 组合表现相当。作者据此认为,视频生成预训练可能成为计算机视觉通用基础模型的一条可行路径。
GenCeption 通过单次前向传播直接生成预测,而不是采用视频生成里常见的多步扩散过程,因此更适合视觉任务。研究者只用 7,500 个合成视频和少量真实视频来做训练,并把多种输出统一表示为三通道 RGB 图像,从而让同一套架构覆盖多个任务。
The Decoder

RadLE 2.0 是修订版“Radiology's Last Exam”,它测试放射科 AI 系统能否正确诊断 X 光片、按 0 到 4 的置信度量表表达把握程度,并在不确定时选择放弃回答。该基准在 16 个模型的 200 个病例上测试后发现,多个系统会在高置信度下给出错误结论,说明仅看准确率不足以支撑医疗使用。
这之所以重要,是因为在医疗场景里,一个非常自信但错误的答案,比坦诚表示无法判断更危险。这个结果推动行业转向能感知不确定性、并且知道何时该拒答的 AI 系统,这类系统更适合高风险临床流程。
这篇文章介绍了 RadLE 2.0,也就是由印度 Ashoka University 的 CRASH Lab 开发的修订版放射学基准测试。它不仅要求 AI 对 X 光片做出诊断,还要说明自己有多确定,并判断是否应该把病例交给人类专家。不同于只奖励准确率的普通基准,RadLE 2.0 明确允许模型回答“我不知道”,并且会惩罚高置信度的错误答案。该测试在 16 个模型上运行了 200 个病例,并与放射科医生小组进行了对比。人类专家的得分为 988.7 分(满分 2000 分),而最佳 AI 模型得分为 758 分。结果显示,一些模型即使答错也会表现得非常自信,这在医疗场景中尤其危险。
文章指出,Anthropic 的 Claude Fable 5 在可靠和安全回答方面表现最好,Google 的 Gemini 3 Pro 拿到了最高的原始准确率。Meta 的 Muse Spark 1.1 在判断何时该交给人类方面表现最佳,文章还提到 Meta 最近通过让该模型更多地拒答,而不是胡乱作答,把它的幻觉率几乎减半。研究团队还发现,一些模型,尤其是开源权重模型和专门面向医疗训练的模型,如果更常保持沉默而不是猜测,排名其实会更高。文章进一步指出,越来越多患者正在把 X 光或 MRI 扫描上传给聊天机器人并相信其回答,而此前一项研究显示,常见医疗聊天机器人经常给出不可靠的答案。报道也批评一些高管和投资者夸大了 AI 的医疗能力,因为“已经比 99% 医生更会诊断”这类说法往往基于轶事或模拟,而不是严格临床证据。RadLE 2.0 之后会持续扩展,研究团队还计划发布包含成本分析和错误分类法的完整论文。
这个基准不仅看答对与否,还看置信度是否校准:高置信度且正确得分最高,高置信度但错误会被扣分,而“我不知道”只得零分但不会受罚。Claude Fable 5 在安全回答指标上领先,Gemini 3 Pro 的原始准确率最高,而 Meta 的 Muse Spark 1.1 在判断何时转交给人类方面表现最好。
TechCrunch AI

TechCrunch 报道称,非营利组织 Current AI 正在快速建设开放的公共 AI 基础设施,其中包括 Suno Sutra,这是一款口袋大小的离线设备,可在无需联网的情况下运行 22 种印度语言的 AI。该组织最近还发布了一个开源聊天机器人,并向四个组织的项目发放了 320 万美元资助。
这项 प्रयास之所以重要,是因为它试图为 OpenAI、Google 和 Anthropic 等公司控制的私有 AI 系统提供一个公共替代方案。如果成功,它可能扩大欠服务地区的 AI 可用性,尤其是在多语言和离线场景中,而这些正是商业模型常常覆盖不足的地方。
TechCrunch 表示,Current AI 试图解决一个简单但影响深远的问题:如今的 AI 系统掌握在私营公司手中,而许多社区又因为语言、网络连接和数据所有权等障碍被排除在外。该组织最显眼的项目之一是 Suno Sutra,这是一款与印度政府 AI 语言部门 Bhashini 合作打造的口袋大小离线设备,并在 India AI Summit 上亮相。这个设备可以在没有互联网连接的情况下运行 22 种印度语言的 AI,而且已经开源,方便开发者社区在其基础上继续开发。Current AI 首席执行官 Ayah Bdeir 表示,他们希望打造一种类似早期万维网的公共 AI 层,做到任何人都能免费使用。Bdeir 于 1 月加入该组织,此前她负责 Mozilla 的 AI 战略,还曾创办 littleBits。
她认为,英语主导的大模型正在让世界上大量语言和文化被边缘化。她还批评大科技公司的多语言布局更多是为了扩张市场,而不是出于社区授权和语境尊重,尤其在原住民语言场景中,早期传教士圣经翻译甚至会先于社区规则成为训练数据。报道还提到,Current AI 已向肯尼亚、黎巴嫩和巴西亚马逊地区的项目发放了 320 万美元资助,覆盖语言数据集、文化数字化、面向原住民社区的离线 AI 工具,以及用于 AI 监督问责的审计工具。TechCrunch 还指出,该非营利组织由 Martin Tisne 于 2025 年 2 月创立,并在政府、基金会和科技公司支持下,定位为公共利益 AI 平台。
Current AI 由 Martin Tisne 于 2025 年 2 月创立,并表示其以公私合作伙伴关系运作,资金来自政府、企业和慈善机构,而不是投资者。报道提到其已承诺资金总额达到 4 亿美元,其中包括法国政府提供的 1 亿美元种子资金,以及 Ford Foundation、MacArthur Foundation、DeepMind 和 Salesforce 的支持。
The Decoder

·#ai
阿里巴巴表示,新的开源权重模型 Qwen 3.8 预计将优于 Qwen 3.7-Max,尤其是在编码以及全栈开发、数据分析和办公流程等复杂生产力任务上。开发者帅白还表示,这是团队首个参数超过 1 万亿的多模态模型,可以处理图片、视频和文档,但目前还没有公布基准测试结果。
如果 Qwen 3.8 的表现符合预期,它可能会成为开发者的重要开源权重选择,在多模态和生产力场景中提供强能力,而不必依赖封闭模型。此次发布也会给月之暗面 Kimi K3 的策略带来压力,因为开源权重更容易让用户和企业自行采用、修改和部署模型。
阿里巴巴的 Qwen 团队正在将 Qwen 3.8 打造成一款重要的新开源权重模型。文章称,这个模型预计会优于 Qwen 3.7-Max,尤其是在编码和复杂生产力任务上。这里提到的任务包括全栈开发、数据分析和办公流程。开发者帅白表示,Qwen 3.8 也是团队首个参数超过 1 万亿的多模态模型。
他还说,该模型可以处理图片、视频和文档。不过在报道发布时,阿里巴巴尚未公布能够支撑这些性能说法的基准测试结果。文章认为,这次发布可能部分是为了打乱月之暗面 Kimi K3 的市场势头,因为 Kimi K3 虽然承诺开放权重,但目前主要仍通过聊天应用和 API 提供访问。文章还提到,月之暗面最近实现了 3 亿美元的年度经常性收入,并据 Bloomberg 报道可能在大约六个月内启动 IPO,这让这场模型竞争带上了更强的商业意味。
文章称,Qwen 3.8 被定位为比 Qwen 3.7-Max 更强,重点面向编码、全栈开发、数据分析和办公流程。不过,由于尚未公布基准数据,这些说法仍未得到验证,而与 Kimi K3 的对比也更像是一种战略性定位,而不只是技术报道。
The Decoder

月之暗面旗下的 Kimi K3 在 Code Arena: Frontend 基准上拿到了第一名,得分 1,679,超过了 Claude Fable 5 和 GPT-5.6 Sol 等模型。与此同时,文中援引 Epoch AI 的数据称,它在 FrontierMath Tier 4 上的准确率只有约 39%,明显落后于一些据称接近 90% 的 OpenAI 和 Anthropic 模型。
这一结果说明 Kimi K3 在前端代码生成方面具有很强竞争力,尤其是在以人类偏好评分为基础的基准上。与此同时,它在高难度数学上的薄弱表现也表明,某一项能力领先并不意味着模型在整体前沿能力上同样占优。
月之暗面的 Kimi K3 因为一组明显分化的基准成绩而受到西方 AI 社区关注。在 Code Arena: Frontend 基准中,Kimi K3 以 1,679 分夺冠,并且以较大优势超过了 Claude Fable 5、GPT-5.6 Sol 以及其他所有被测试的模型。报道指出,这是第一次有中国模型拿下该基准的第一名。这个结果让 Kimi K3 在前端代码生成和面向用户的开发任务上显得非常突出。
但在高难度数学上,情况就完全不同了。文章援引 Epoch AI 的数据称,Kimi K3 在 FrontierMath Tier 4 上的准确率只有约 39%,而这一级别是该基准里最困难的专家级数学任务。相比之下,报道提到一些 OpenAI 和 Anthropic 模型在某些情况下在同一层级上接近 90%。综合来看,这两项基准说明 Kimi K3 可能在特定编码任务上非常强,但在最难的推理型数学问题上仍明显落后于最强的西方模型。
文中提到,Code Arena: Frontend 基准是按人类偏好评分来排序模型的,而 Kimi K3 也是第一个登顶该榜单的中国模型。报道还指出,Kimi K3 是月之暗面的旗舰模型,参数规模为 2.8 万亿,支持 100 万 token 上下文和多模态能力,这也解释了它为何受到编程和智能体工作流场景的关注。
The Decoder

Epoch AI 测试了 Pangram、GPTZero 和 Originality.ai,发现它们在识别普通 AI 生成文本时几乎完美,但当模型模仿特定作者的文风时,准确率明显下降。在这种文风模仿场景下,约有 13% 的生成段落未被发现,其中科学写作的表现最差。
这些结果揭示了 AI 文本检测器在真实场景中的一个重大盲点,尤其影响教育和内容核验等依赖作者身份判断的场合。如果只靠检测分数,模型在模仿文风时就可能绕过审查,因此学校、出版机构和平台可能需要结合来源证明或人工复核等额外手段。
一篇基于 Epoch AI 研究的报道指出,主流 AI 文本检测器在面对普通机器生成文本时表现非常出色。研究团队测试了 Pangram 3.3.2、GPTZero 的 2026-05-11-base 模型以及 Originality.ai Turbo 3.0.2,并将样本分为三类:真实人类写作、普通 AI 生成写作,以及刻意模仿特定作者风格的 AI 写作。人类基准数据集包含来自 99 位作者的 495 段文本,按博客、小说和科学写作平均分布,而且全部写于 ChatGPT 于 2022 年 11 月发布之前,这样可以尽量避免与大模型输出混杂。 在正常条件下,这些检测器对 AI 文本几乎没有漏判,最高漏检率不超过 0.7%,而 Pangram 和 GPTZero 对人类文本也没有出现误报。只有 Originality.ai 的误报更明显,把 495 段人类文本中的 19 段误判为 AI 生成,误报率为 3.8%。 但当模型被要求参考某位作者的真实文本,并按同样风格重新写作时,情况明显恶化。
研究让 Claude Opus 4.8、GPT-5.5 和 Gemini 3.1 Pro 各读取某位作者的 5 段真实文本,再生成新的同风格段落;在 297 段此类样本中,平均有 38 段未被检测出来,约等于 13% 的漏检率。 科学写作是最薄弱的场景:Pangram 漏掉了 25%,GPTZero 漏掉了 24%,Originality.ai 漏掉了 29%。 最糟糕的个别结果出现在特定模型和体裁组合上,例如 Pangram 漏掉了 Gemini 生成的学术段落中的 48%,Originality.ai 则漏掉了 39% 的 GPT-5.5 学术文本。 这说明不同检测方法虽然内部机制不同,但面对“模仿作者文风”的文本时都存在相似盲区。对教育、学术和内容审核等依赖文本来源判断的场景来说,这一局限尤其值得警惕。
Epoch AI 使用了来自 99 位作者的 495 段人类文本,且全部写于 ChatGPT 于 2022 年 11 月发布之前,以降低数据污染风险。在文风模仿的 AI 文本中,Pangram 漏检 10%,GPTZero 漏检 11%,Originality.ai 漏检 18%,而科学类文本比小说类更难识别。
Simon Willison
Simon Willison 转引了一篇 2026 年 7 月 19 日的链接文章,内容是 Nik Suresh 对大型组织中 AI 迷思的批评。文章用来自顾问、高管和工程师的匿名轶事,展示 AI 热情如何压倒理性决策。
这篇文章之所以重要,是因为它暗示 AI 采用可能更多受身份焦虑、恐惧和销售压力驱动,而不是基于经过衡量的商业价值。若属实,这会扭曲企业战略、浪费预算,并把组织推向自己并不完全理解的承诺。
这是一篇 Simon Willison 在 2026 年 7 月 19 日发布的链接文章,他把读者引向了 Nik Suresh 关于大型公司内部 AI 迷思的评论。Willison 认为这篇文章“有趣”但也很尖锐,因为它塞满了来自顾问和工程师的匿名轶事。文中有一个例子说,一位高管承认自己从来没有用过 ChatGPT 或任何 AI 工具,但他刚刚却为一家收入超过 20 亿美元的组织制定了一份完全以 AI 为核心的技术战略。另一个轶事来自一家使用 token 排行榜的公司,一名工程师开玩笑说自己会检出一份 Go 仓库的平行副本,并让 AI 把整个项目重写成 Zig,只是为了保住工作。
文章还解释了为什么那些明显夸大的 AI 说法在供应商和客户的对话中不容易被质疑。作者指出,客户公司的高管自己就会说出“100 倍生产力提升”这类荒唐承诺,因此供应商的高管如果公开泼冷水,反而可能被视为在攻击客户领导层,甚至导致企业合同被取消。文章的核心观点是,AI 热潮会在组织内部形成自我强化的循环,让人们即使面对明显不靠谱的说法也不敢提出诚实的怀疑。Simon Willison 将其定位为一篇链接博文而不是原创报道,但强调了其中生动的例子,以及它对 AI 迷思如何扭曲决策的批评。
其中一个轶事写到,一位从未使用过 ChatGPT 或任何 AI 工具的高管,却为一家收入超过 20 亿美元的组织制定了一份完全围绕 AI 的技术战略。另一个例子是工程师在 Go 仓库的平行副本上工作,并让 AI 将其重写为 Zig,而 token 排行榜又在激励大量使用模型。
Simon Willison
·#bun
Simon Willison 发现,Claude Code v2.1.181 及之后的版本似乎随附了 Bun 的 Rust 端口。他通过检查二进制文件,找到了嵌入的 Bun v1.4.0 字符串,以及 Claude 可执行文件中的 Rust 源码路径引用。
如果这一判断属实,就意味着一个被广泛使用的开发者工具已经在生产环境中运行 Bun 的 Rust 重写版本,这对该端口是一个重要验证。它还表明启动速度有小幅但可测的提升,再次说明运行时性能对 CLI 工具很重要。
这篇文章首先引用了 Bun 维护者 Jarred Sumner 的说法:Claude Code v2.1.181(6 月 17 日发布)以及之后的版本,已经开始使用 Bun 的 Rust 端口。Sumner 还表示,Rust 版本在 Linux 上将启动速度提升了约 10%,而且这项变化几乎没有引起人们注意。随后,Simon Willison 亲自检查了自己的 Claude Code 安装,想验证二进制文件里是否真的包含基于 Rust 的 Bun 运行时证据。 他先运行 `strings ~/.local/bin/claude | grep -m1 'Bun v1'`,结果发现其中嵌入了 `Bun v1.4.0 (macOS arm64)` 字符串。这个版本号当时高于 GitHub 上最新的正式标记版本 Bun v1.3.14,因此说明 Claude Code 可能捆绑的是一个尚未正式发布的预览版。
文章后来的更新补充说,Rust 版本已经以 Bun canary 的形式发布,可以通过 `bun upgrade --canary` 安装。Willison 还用正则去提取二进制中的 Rust 源码路径,结果找到了 563 个文件名,包括 `src/runtime/bake/dev_server/mod.rs`、`src/runtime/bake/production.rs` 和 `src/bundler/bundle_v2.rs`。另外,Ajan Raj 还提供了一个更直接的技巧:通过 `BUN_OPTIONS="--preload=/tmp/bun-version.ts" claude --version`,可以直接输出嵌入运行时的版本号,结果显示为 `1.4.0`。Willison 最后认为,这说明 Bun 的 Rust 版本确实已经在大规模生产环境中运行,覆盖了数以百万计的设备,并借用“Boring is good”来强调这种低调但有效的演进。
Willison 的检查显示,`~/.local/bin/claude` 中嵌入了 `Bun v1.4.0 (macOS arm64)`,而当时 GitHub 上最新的正式标签版本仍是 Bun v1.3.14。他还从二进制文件中提取出 563 个 `.rs` 文件路径,并通过预加载脚本打印 `Bun.version` 进一步验证,结果返回 `1.4.0`。
TechCrunch AI

苹果已经提起商业秘密诉讼,指控 OpenAI 通过一系列不当行为,试图从现任和前任苹果员工那里获取机密信息。TechCrunch 的 Equity 播客讨论了这起案件是否会拖慢 OpenAI 的硬件计划——包括据称的无屏智能音箱——并使其上市目标更复杂。
如果苹果的指控获得法院支持,OpenAI 可能面临法律拖延、证据开示风险,甚至法院限制,这会直接干扰它刚刚起步的硬件业务。此事也反映出大型科技公司正在为 AI 硬件人才和知识产权激烈竞争,行业竞争正从纯软件扩展到硬件。
苹果已经起诉 OpenAI,指控其商业秘密被不当获取,并声称 OpenAI 存在一套针对现任和前任苹果员工的“模式化不当行为”。OpenAI 回应称,自己“并不知晓有任何证据表明这起投诉有依据”。这起案件之所以引人关注,是因为 OpenAI 近期被广泛报道正在推进硬件业务,首款产品可能是一款由 Jony Ive 等前苹果人才参与打造的无屏、可移动智能音箱。TechCrunch 的 Equity 播客中,Kirsten Korosec、Sean O’Kane 和 Anthony Ha 围绕这场诉讼是否会影响 OpenAI 的硬件时间表以及更大的上市计划展开讨论。Sean 认为,即便法院最终没有发布禁令或限制令,诉讼本身也可能让 OpenAI 的研发和发布进度放慢。
节目中还提到,苹果提起诉讼本身可能就是为了给 OpenAI 施压,增加其硬件推进的难度。主持人同时强调,目前这些都还是诉状中的指控,尚未经过完整的证据开示和法庭审理验证。讨论还延伸到这类“始终监听”的设备可能带来的社会规范问题,因为它们不仅会听到用户本人,也可能听到周围其他人。最后,节目把焦点放在一个现实问题上:OpenAI 会选择尽快和解,还是像它在与 Elon Musk 的近期诉讼中那样,承受诉讼成本并坚持打到底。
苹果的诉状据称点名了 OpenAI 硬件负责人 Tang Tan,并指称相关机密信息可能被用于竞争性产品。Sean O’Kane 认为,即使法院没有签发禁令或限制令,这起诉讼也会自然拖慢 OpenAI 的推进,而播客同时强调,这些目前都只是指控,并未被证明。