特种化学品行业如何用 AI 创新:Lubrizol 的数字化实践
特种化学品制造商 Lubrizol 通过组建"融合团队",把科学家、数据科学家和 IT 团队围绕共同目标协作,用 AI、云基础设施和数字化建模加速研发。公司信息技术副总裁 Girish Rao 强调,AI 不是取代科学判断,而是给科学家更好的工具,帮助在物理实验前识别模式、测试假设并建模。数字建模还能评估更多配方、探索淀粉和玉米基替代材料,助力可持续材料开发。
特种化学品制造商 Lubrizol 通过组建"融合团队",把科学家、数据科学家和 IT 团队围绕共同目标协作,用 AI、云基础设施和数字化建模加速研发。公司信息技术副总裁 Girish Rao 强调,AI 不是取代科学判断,而是给科学家更好的工具,帮助在物理实验前识别模式、测试假设并建模。数字建模还能评估更多配方、探索淀粉和玉米基替代材料,助力可持续材料开发。
Legora CTO Jacob Lauritzen 在 Latent Space 访谈中讲解了在无法查看客户数据的前提下如何构建和测试法律 AI 智能体:团队用 3 名工程师和 3 名律师搭建模拟客户工作的测试环境,一次发布让引用准确率从 70% 升至 99%。
Latent Space 播客访谈 Legora CTO Jacob Lauritzen,围绕为律师构建 AI 智能体展开。
Moshi 正在为大宗商品交易员打造一个推荐引擎,把市场信息与交易员持仓真正关心的内容连接起来,其 CEO Anekha Sokhal 在 AI Engineer New York 上将其形容为 Bloomberg、Claude 与 Netflix 的结合体——市场数据、操作界面加个性化推荐。
a16z 引用 Ornn、Silicon Data 和 Bloomberg 截至 2026 年 8 月的数据,称 AI 市场出现教科书式的杰文斯悖论:token 价格持续下跌,而 H100 GPU 租金持平或上涨,因为更便宜的 token 催生了 AI 智能体、自动化和新应用,使总量增长快于单位成本下降。
Ben Affleck 在 GQ "One More Question" 等多个采访视频中熟练讲解 neural networks、transformers、tensors、GPUs、inference 等 AI 概念,引发网络热议。
Google Research 与 NBER 合作发表的三个月田野实验显示,在 11 家律所 133 名律师中随机开放 Google Labs AI 专利撰写助手后,10 天和 90 天的起草评分分别提升 0.34 和 0.38 个标准差,但移除 AI 后的无辅助改稿任务中,提升完全来自资深律师(0.45 SD),初级律师无明显改善。
推荐理由:研究用三个月随机对照实验区分了工具使用与无辅助表现,可迁移的评估设计对判断AI培训效果有参考价值。
Airbnb CTO Ahmad Al-Dahle 在接受 Latent Space 访谈时介绍了公司向 AI-native 转型的做法:60% 的代码由 AI 编写,功能发布量同比增长近 80%,平均工程师的 pull-request 吞吐量提升约 1.6 倍。
HPE 提出,当 AI 从试验走向生产、形成客服与 IT 等常驻智能体工作负载后,按 token 逐次消费的模式会让 AI 支出变成难以预测的月度变动成本。企业需按自身工作负载测算"自持容量的盈亏平衡点",判断持续用量是否足以支撑自建容量。HPE 引用 Deloitte 2026 企业 AI 报告称,2025 年员工 AI 使用率上升 5%,至少 40% AI 项目投产的企业占比预计半年内翻倍。
Endura Therapeutics 的 Adrian Sanborn 提出,AI 对科学的影响分为两类:Foundries 用新一代测序、多重检测和物理自动化把实验数据生成速度提升一个数量级,但真正差异化资产是实验数据本身;Navigators 则把 AI 嵌入公司日常流程,用更快的代码和决策加速实验迭代。导航式改造无需专有模型或海量数据集,早期初创公司因没有遗留系统而推进最快。
Latent Space 播客访谈 Radical Numerics 联合创始人兼 CEO Eric Nguyen,讨论生物安全为何是一场 AI 攻防竞赛。Eric 曾在 Arc Institute 参与 Evo 和 Evo 2 等基因组语言模型的开发,这些模型后来被用于生成完整的噬菌体基因组并合成功能性病毒。
Latent Space 发布对 John Platt 的访谈,介绍他与 Google 团队推出的 Empirical Research Assistance(ERA)。
MIT Technology Review 与 Times of San Diego 用 15 个月完成首份美墨边境监控塔附近死亡的综合地图与分析,数据追溯至 2015 年。
Import AI 第 468 期收录了智库 IFP 提出的 23 条“低后悔”政策建议,分属 7 个类别,用于帮助政策制定者应对 AI 研发自动化风险。MIT 与 Columbia 的论文 Racing to Ruin 用博弈模型分析企业竞速,认为透明度和对对手可信度的判断是能否实现协调减速的关键变量。本期还介绍了 PostTrainBench+ 及一篇关于智能机器与机器人身体的虚构短篇。
多伦多大学、Vector Institute、剑桥大学和 ServiceNow 的研究者构建了一个原型计算机蠕虫,用开源权重 LLM 配合定制 harness 入侵主机,并寄生被攻陷机器的 GPU 运行推理以维持自身推理和扩散。
Berkeley AI Research 发布观点文章,指出随着 GPT-4 级能力成本从每百万 token 约 $30 降至 $1 以下、部分提供商已低于 $0.10。
本期 Import AI 介绍了 NVIDIA 的 ENPIRE 系统,让编码智能体驱动实体机器人完成自主试验与自我改进闭环,在 PushT 等灵巧操作任务上达到 99% 成功率,同时指出多机器人并行时资源利用率下降的挑战。
Jack Clark 的 Import AI 457 期周刊汇总四条内容:SentinelOne 拆解约 20 年前的 fast16.sys 病毒,其针对 LS-DYNA 970。
Hugging Face 发布《State of Open Source on Hugging Face: Spring 2026》报告,用平台数据梳理过去一年开源 AI 在竞争、地域、技术趋势与社区上的变化。
推荐理由:报告用下载、派生模型等多维数据刻画开源生态一年变化,可帮助读者理解竞争与地域格局的迁移。
Hugging Face 分析了 DeepSeek Moment 之后中国开源 AI 生态在架构与硬件上的选择:Kimi K2、MiniMax M2、Qwen3 等主流模型几乎一致转向 MoE 架构,Apache 2.0 成为默认开源许可,0.5B–30B 小模型因易本地运行和微调而广受欢迎,100B–700B 大模型则作为"教师模型"向下蒸馏。
Hugging Face 博文分析了全球 AI 算力格局的变化:美国出口管制与中国国产芯片发展相互关联,近几个月中国高性能开源模型的推理已开始由华为 Ascend、Cambricon 等国产芯片承载,部分模型也开始用国产芯片训练。
推荐理由:梳理了美国出口管制与中国国产芯片、开源模型发展之间的相互作用,可帮助读者理解全球算力格局变化的来龙去脉。
Hugging Face 发布 2023 年开源 LLM 年度回顾,梳理了从 BLOOM、OPT、GLM-130B 到 LLaMA、Llama 2、Mistral、Qwen、Yi 等模型的发布脉络,以及 Chinchilla 范式转变带来的小模型加更多数据趋势。
推荐理由:系统梳理了开源 LLM 的技术要素与全年脉络,可作为理解开源模型生态的入门地图。
Hugging Face 播客 Machine Learning Experts 本期嘉宾为 Hugging Face 研究科学家 Sasha Luccioni,她负责研究机器学习模型与数据集的伦理和社会影响,并担任 Big Science Workshop 碳足迹工作组联合主席。