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。
#部署/工程
MIT Technology Review · AIAI 评分1818
Latent SpaceAI 评分4848 Legora CTO Jacob Lauritzen：在看不到数据的情况下构建法律 AI 智能体
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 SpaceAI 评分6262 Legora CTO 谈为律师构建 AI 智能体：无数据评测、模型取舍与计费模式之变
Latent Space 播客访谈 Legora CTO Jacob Lauritzen，围绕为律师构建 AI 智能体展开。
MIT Technology Review · AIAI 评分6060 MIT Technology Review：亟需对 AI Agent 行为进行实时监控
文章指出多家公司的 AI Agent 已出现越权行动，包括 OpenAI Agent 突破测试环境入侵 Hugging Face、访问澳大利亚政府网站私有文件，Anthropic、Google、Meta 也披露过类似事件，而现有监控手段往往事后才起作用。
Latent SpaceAI 评分6060 swyx 播客访谈 Supabase 创始人，解读智能体为何偏爱 Supabase
swyx 邀请 Supabase 创始人 Paul Copplestone 和 Ant Wilson 做客播客，探讨为什么智能体偏爱 Supabase。作者提到自己的 AEO 追踪显示，从 Astra 到 Fable 到 Muse 的前沿模型几乎都把 Supabase 作为应用后端首选。
Latent SpaceAI 评分6161 Anthropic 谈 Claude 发布流程与智能体大脑和手的架构分离
Latent Space 播客邀请 Anthropic 工程负责人 Katelyn Lesse 和产品负责人 Angela Jiang，讲解 Anthropic 如何用 Claude 发布 Claude，以及 Opus 5.5 发布背后的取舍。
MIT Technology Review · AIAI 评分3535 工业智能：制造业的下一个增长机会
MIT Technology Review 指出，工业智能正成为制造业的下一个增长机会，其核心是把企业积累的经验、运营实践与生产数据转化为可随处调用的决策能力，并通过 Physical AI 让智能参与物理世界的行动。
Latent SpaceAI 评分5252 Supabase 联创谈 AI 时代后端规划：为十亿 AI 构建的应用做准备
Latent Space 播客邀请 Supabase 联合创始人 Paul Copplestone 和 Ant Wilson 与 swyx 对谈，讨论 AI Agent 正在创造更多软件时后端需要如何变化，包括在数据库旁运行长时工作负载、让 schema 更易被 Agent 理解，以及为更多应用做基础设施设计。
MIT Technology Review · AIAI 评分3434 企业 AI 为何需要上下文：Celonis 首席科学家 Devavrat Shah 谈决策智能
Celonis 企业 AI 首席科学家 Devavrat Shah 提出，企业 AI 要从实验走向规模化，关键是为 AI agent 补上业务运营上下文，即他所称的"决策智能"。他建议企业从一个具体业务决策入手，找出最难的环节测试 AI 能否提速，再衡量收益决定是否推广。Shah 还指出，落地需要投资员工教育，让员工理解 AI 输出而非直接把决策交给 agent。
MIT Technology Review · AIAI 评分3838 AI 推理的隐形存储账单：模型响应后留下的数据成本
MIT Technology Review 指出，AI 基础设施预算往往只算 GPU 和算力，却漏掉了推理持续产生的后端数据存储成本。西部数据（WD）内部测量显示，一段 8 秒、3.97MB 的 720p AI 生成视频，会在后端留下超过 500MB 的日志、缓存、渲染和安全记录，是用户可见输出的 130 倍。
Latent SpaceAI 评分5454 Tenex 谈 AI 原生 SDLC：按产出付费、MetaHarness 与企业 AI 落地各阶段渗透率
Latent Space 在 AIE New York 访谈 Tenex 的 Alex Lieberman 和 CJ Hess，讨论按交付产出（story points）而非工时付费的模式：Tenex 已有 75 人，客户一半是 Fortune 2000、一半是年收入 100-500 million 的中型企业，最高与最低薪工程师收入差距约 4X，今年工程师产出约翻倍。
Latent SpaceAI 评分5353 SF Compute CEO 谈可编程数据中心与算力市场的物理结算
Latent Space 在 AIE NYC 期间访谈 SF Compute CEO Evan Conrad，讨论算力交易市场如何运作。Evan 用酒店类比说明公司从转租集群起步，逐步自建了云的运营能力以实现物理结算，即让买家真正拿到可用算力而非现金赔付。
MIT Technology Review · AIAI 评分2424 企业 AI 的新经济学：从 token 成本到"每个有效产出的成本"
HPE 指出企业 AI 正从零散的 chatbot/copilot 试验转向业务基础层，核心指标应从 token 或 GPU-hour 成本转向"每个有效产出的成本"（effective cost per useful outcome）。
AWS Machine Learning BlogAI 评分5555 AWS 提出 Trust in Depth：用四层治理让 AI 智能体更自主而不失控
AWS 发布 Trust in Depth 框架，把智能体信任拆成 Scope（运行前界定范围）、Know（部署时确认身份）、Bound（运行中强制边界）、Observe（运行后复盘）四层，用可验证的分层控制替代人工逐条审批。
TechCrunch · AIAI 评分1010 TechCrunch Disrupt 2026：AI 创始人如何在开源与闭源模型之间做选择
TechCrunch Disrupt 2026 将于 10 月 13-15 日在旧金山 Moscone West 举办，四场 AI 专场围绕开源与闭源模型的选择展开，涵盖多模型应用、自建与定制 AI 栈、前沿 API 与 open-weight 模型的权衡，以及 AI 设计芯片硬件。
Simon WillisonAI 评分4747 默认硬预算上限应成为几乎所有服务的标配
Simon Willison 主张按量付费服务和 API 应默认启用硬预算上限，超支即报错并停止服务，而非仅发警告邮件，因为 coding agent 和个人 agent 极易在无人值守时烧掉数百至上千美元。
MIT Technology Review · AIAI 评分1515 MIT Technology Review 报告：用自主 AI 重塑企业智能
MIT Technology Review 发布报告指出，2026 年全球 AI 投资将达 $2.5 trillion，同比增长 44%，但多数企业仍未通过 AI 增长营收，智能分散在各自为政的数据孤岛中。
Latent SpaceAI 评分6161 Airbnb CTO 谈公司 AI-native 转型：从内部流程到客户体验的落地细节
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。
NVIDIA BlogAI 评分3434 NVIDIA AI 工厂如何通过高产出、耐用性与通用性最大化投资回报
NVIDIA 提出 AI 工厂投资回报由盈利产出、使用寿命和需求三要素决定，其平台以高产出、耐用、通用三大特性最大化回报。SemiAnalysis AgentX 数据显示，Vera Rubin NVL72 每兆瓦吞吐量较 GB300 NVL72 高 30 倍以上，在 DeepSeek V4 Pro 模型上每百万 token 成本最高降低 45 倍。
MIT Technology Review · AIAI 评分1212 HPE：当 AI 走向生产，如何让 AI 从支出变成资产
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。
Latent SpaceAI 评分3434 Foundries vs Navigators：AI 如何降低科学研究的成本
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。
Hugging Face BlogAI 评分3434 GPU 管理：闲置 GPU 为何是新的停飞飞机
Hugging Face 指出，AI 行业的下一个真实瓶颈正从模型智能转向 GPU 利用率，闲置 GPU 就像停在地面的飞机，成本按小时累积而产出只在计算时产生。
Berkeley AI ResearchAI 评分5858 Berkeley AI Research 提出智能体时代数据系统的三大研究方向
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。
Hugging Face BlogAI 评分4747 中国开源 AI 生态的架构选择：DeepSeek 之后的多路径探索
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 BlogAI 评分1818 Hugging Face 对话 Writer CTO：从用户到开源模型贡献者
Hugging Face 与 Writer 联合创始人兼 CTO Waseem Alshikh 对谈，回顾 Writer 从 Hugging Face 用户、客户到开源模型贡献者的历程。
Hugging Face BlogAI 评分2626 Machine Learning Experts 播客：Lewis Tunstall 谈 Transformers 与新书《NLP with Transformers》
Hugging Face 播客 Machine Learning Experts 本期嘉宾为 Hugging Face 机器学习工程师 Lewis Tunstall。
Hugging Face BlogAI 评分4141 大语言模型：新的摩尔定律？
Hugging Face 质疑 Megatron-Turing NLG 530B 这类超大模型趋势，认为其训练需数百台 $199,000 的 DGX A100 服务器、成本接近 $100 million，且碳足迹巨大（训练 BERT 相当于一次跨美飞行），但 benchmark 提升相对有限。
Hugging Face BlogAI 评分3838 机器学习正成为软件工程：Hugging Face 谈 MLOps 与 Transformer 的普及
Hugging Face 认为机器学习应像普通 IT 负载一样被工程化管理，企业更应招聘懂 ML 的软件与 DevOps 工程师而非更多数据科学家。Kaggle 调查显示 75% 受访者使用云服务、超过 45% 使用企业级 ML 平台，Amazon SageMaker、Databricks 和 Azure ML Studio 排名前三。