-
github · 2026-08-01 · GitHub / LLM workflow stars:>300 / Python
语言:Python；stars:2750；更新:2026-08-01T00:47:15Z
-
github · 2026-08-01 · GitHub / LLM workflow stars:>300 / Python
语言:Python；stars:590；更新:2026-08-01T01:26:59Z
-
github · 2026-08-01 · GitHub / AI agent language:Python stars:>500 / Python
语言:Python；stars:7987；更新:2026-08-01T01:24:01Z
-
github · 2026-08-01 · GitHub / LLM workflow stars:>300 / JavaScript
语言:JavaScript；stars:346；更新:2026-08-01T01:19:15Z
-
github · 2026-08-01 · GitHub / MCP server stars:>100 / Python
语言:Python；stars:2977；更新:2026-08-01T01:23:12Z
-
ithome · 2026-07-31 · 科技产品 / rss
IT之家 8 月 1 日消息，广发证券分析师蒲得宇（Jeff Pu）昨日（7 月 31 日）发布研报， 预估苹果公司会在 2027 年第 1 季度发布 iPhone Air 2。 相比初代 iPhone Air，蒲得宇认为 iPhone Air 2 会带来以下 5 项变化： 新增第二个 4800 万像素后置摄像头（超广角镜头)，与现有的 Fusion 镜头形成互补。 进一步收窄灵动岛开口 采用台积电先进的 2nm 工艺制造的 A20 Pro 芯片速度更快、能效更高。目前的 iPhone Air 搭载的是 3nm 工艺的 A19 Pro 芯片。 苹果第二代 N2 芯片，用于无线网络连接。在现有的 iPhone Air 中，N1 芯片是苹果自主设计的无线网络芯片，支持 Wi-Fi 7、蓝牙 6 和 Thread 协议。该芯片还提升了隔空投送和个人热点等功能的整体性能和稳定性。 苹果自研 5G 基带 C2 芯片，初代 iPhone Air 搭载 C1X 芯片，已经是 iPhone 有史以来能效最高的调制解调器。 IT之家援引博文介绍，蒲得宇还认为苹果 iPhone Air 2 会继续采用 6.5 英寸显示屏、12GB 内存和 1800 万像素前置摄像头。
-
ithome · 2026-08-01 · 科技产品 / rss
IT之家 8 月 1 日消息，据路透社今日援引知情人士消息， OpenAI 调查 Hugging Face 攻击事件时 ， 发现其他自主 AI 智能体逃离受控环境的案例 。 目前 OpenAI 正在调查具体案例。其中一名消息人士表示，上述“越狱”行为影响范围有限，现在没有任何迹象表明这些智能体逃离了 OpenAI 网络环境。 OpenAI 发言人对此回应称：“我们除了调查 Hugging Face 入侵事件外，还在审查公司其他模型的更广泛活动。” 即使上述事件规模有限，但这些智能体的失控行为，可能进一步推动美国政府加强监管人工智能。 结合IT之家此前报道，Anthropic 也在最近表示，自家的 Claude 模型曾引发三起不应发生的真实网络安全事件，背后的直接原因是第三方评估环境配置存在失误。 AI 安全专家认为，上述案例描绘出令人担忧的局面：一批开发前沿 AI 的实验室，能够制造出威力巨大的危险智能体，并且这些公司自身无法控制这些 AI。 消息人士表示，OpenAI 和外部专家正在分析今年以来的日志数据，试图了解攻击事件经过。
-
ithome · 2026-08-01 · 科技产品 / rss
IT之家 8 月 1 日消息，深度求索（DeepSeek）昨日（7 月 31 日）通过 API 文档发布日志，宣布 DeepSeek-V4-Flash 正式版 API 上线公测。 @ArtificialAnlys、@arena 等 AI 跑分基准平台今天（8 月 1 日）同步更新了相关基准测试结果。 @ArtificialAnlys (Artificial Analysis) @ArtificialAnlys (Artificial Analysis) 是一家领先的国际独立 AI 基准测试与分析机构，专门针对大语言模型（LLM）、视频生成、AI 音乐等多领域进行无偏见的性能与托管成本评估。 其中，Artificial Analysis Intelligence Index（智能指数）是最核心的综合性技术基准，用来全面衡量 AI 模型的绝对智能水平并追踪技术演进。 报告指出 DeepSeek V4 Flash 0731 在人工智能分析智能指数 (AII) 中获得 50 分，比 DeepSeek V4 Flash（2026 年 4 月发布）高出 10 分，比 DeepSeek V4 Pro 高出 6 分。 DeepSeek V4 Flash 0731 的智能指数比 GPT-5.6 Luna（最高 51 分）低 1 分。即使 OpenAI 今天将 GPT-5.6 Luna 的价格下调了 80%，DeepSeek V4 Flash 0731 在其自有 API 上的单任务成本仍然比 GPT-5.6 Luna（最高 51 分）低约 60%。 造成这一差异的关键因素是 DeepSeek 为其自有 API 提供了约 98% 的缓存命中折扣 ，这一折扣力度远超业内大多数厂商提供的 90% 缓存命中折扣。 @arena ( Arena.ai ) @arena ( Arena.ai ) 是当前全球 AI 行业最权威的“人类偏好”大模型即时对战与评测平台。它源自著名的 LMSYS Chatbot Arena 团队，采用类似国际象棋的 Elo 积分系统，通过纯粹的人类开发者双盲盲测（Blind A/B Testing）来对全球 AI 模型进行高强度的淘汰赛排名。 在其细分榜单中，Frontend Code Arena（前端代码竞技场，又称 WebDev Arena）是目前评估大模型网页开发、前端工程与 Agent 级自动化编码能力的黄金标准与行业风向标。 报告称 DeepSeek-V4-Flash-High 以 1586 分的成绩重塑了 Frontend Code Arena 跑分榜单。 每个 MToken 的价格为 0.14 美元（IT之家注：现汇率约合 0.95 元人民币）/0.28 美元（现汇率约合 1.9 元人民币）， 是同类产品中性价比最高的。 在前端代码领域，它的总排名为第 7，开放类别的排名第 3！在各个类别中，它在消费产品领域排名第 4，在基于参考的设计、数据与分析、游戏领域排名第 6，在品牌与营销领域排名第 7。 与 DeepSeek-V4-Flash-High-Preview 相比，这是一个显著的提升，性能提高了 154 分。而与 DeepSeek-V4-Pro-Preview 相比，提升幅度更大，达到了 121 分。 和其它模型对比 IT之家查询 X 平台，发现有不少开发者分享了使用 DeepSeek-V4-Flash 正式版的对比视频： DeepSeek-V4-Flash 和 GPT-5.6 Luna 模型的视频对比 DeepSeek-V4-Flash 和 GPT-5.6 Luna 模型的视频对比 DeepSeek-V4-Flash 和 GPT-5.6 Luna 模型的视频对比 DeepSeek-V4-Flash 和 Kimi K3 模型的视频对比
-
36kr · 2026-07-31 · 科技商业 / rss
作者｜黄楠 编辑｜袁斯来 硬氪获悉，Physical AI平台公司「昆腾动力（Quantum Dynamics）」近日完成超亿元种子轮融资，本轮由云启资本、商汤科技联合投资。资金将主要用于Physical AI核心技术研发、人才梯队建设及全球化市场拓展，加速其面向物理世界的智能系统从底层模型到场景化落地的全链路构建。多维资本参与项目孵化与团队组建。 昆腾动力成立于2026年上半年，公司聚焦AI与真实物理世界的深度融合，自研可跨多场景复用的通用智能系统技术，面向全行业的Physical AI底层平台。 目前具身智能赛道的创始人多分为几类，一类是一类是自动驾驶背景出身，长于系统集成与工程化落地；另一类源于Neo Lab，具备前沿的具身智能技术视角。而昆腾动力的创始人李强则属于第三类，此前深耕物流商业化场景，兼具AI技术理解力与全球化业务操盘经验。 公司创始人兼CEO李强在阿里巴巴集团任职17年，于淘宝天猫、菜鸟、国际化业务及无人车四个板块中，他均承担了从0到1的体系搭建与运营管理工作。他曾任菜鸟集团CTO、阿里巴巴国际数字商业板块CTO，管理分布全球的数千人研发团队；同时兼任菜鸟无人车总经理，统筹自动驾驶技术的研发与商业化推进。其团队曾与海外200个国家的邮政系统开展深度业务对接，积累了全球物流履约的一线经验。 昆腾动力创始人兼CEO李强（图源/企业） 核心团队构成覆盖了前沿研究、模型研发、硬件工程到全球化商业落地的全部关键环节，具备从技术突破到价值交付的完整闭环能力。这种团队复合基因，也让昆腾动力在成立之初就选择了一条差异化路线。 “我们不需要等一个完美的通用模型出现再去找场景，而是先找到能把现有技术转化为客户价值的切入点，率先跑通商业化。”昆腾动力创始人兼CEO李强说。 事实上，今年以来，具身智能赛道正在经历一场从“炫技”到“实干”的集体转向。刚刚结束的WAIC 2026大会上，翻跟头、跳舞的Demo展台人气依然高涨，而吸引人流驻足的，还有那些将汽车工厂、物流分拣线搬进现场的实景演示。 业界共识在形成，Physical AI已成为继大语言模型后的下一个主战场，竞赛的胜负手正从模型参数大小迈向真实数据厚度。 IDC报告数据显示，2025年，中国具身智能机器人用户支出规模预计超过14亿美元，到2030年将飙升至770亿美元，年均复合增长率达94%。钱涌入的速度越快，一个结构性问题越发凸显：物理世界的数据，无法像文本和图像那样通过爬虫批量获取。 这意味着，谁先拥有规模化部署真机的能力，谁就拥有了数据采集的优先权。这也是昆腾动力切入产业的底层逻辑：先扎进物流仓库，靠真机部署积累独家真数据，再反向打磨底层的世界动作模型。 一个中型仓库里，一台拣货机器人每天完成数万次抓取、放置、扫描、贴标动作，覆盖从刚性箱体到柔性包裹、从标准尺寸到异形SKU的几乎所有物理操作类型。每一次动作的成功或失败都是一个无需人工标注的清晰信号。这些都是物流网络里用工缺口最大、人力成本占比最高的环节，也是传统自动化迟迟啃不下来的硬骨头，恰恰需要模型驱动的方案来实现规模化突破。 瞄准物流仓储场景，昆腾动力搭建数据闭环体系（图源/企业） 在数据采集和利用效率上，昆腾动力搭建了一套数据闭环体系。其端侧机器人本体上运行着轻量级算法，能够实时识别高价值数据片段，当中包括需要人工干预的场景、模型预测置信度低的“近似失败”状态、以及反复尝试均未成功的困难案例。这些数据会被自动打标、回传，进入训练管道。 同时，针对需要人工干预数据处理部分，其算法平台会仅截取干预操作中最具学习价值的片段，剔除冗余部分，以确保每一帧进入训练集的数据都贡献有效信息。 这套机制让昆腾动力的数据管道具备了两个鲜明特征。一是规模效应，每新增一个部署仓库就新增一个数据来源；二是独家数据的生产，随着数据越厚，模型的泛化能力和成功率就越高，后续接入新客户、新场景的成本和周期就越低。 当真实场景数据达到足够密度，为昆腾动力自研基础模型提供了现实条件，其目标并非打造一个单点能力模型，而是构建一套能从真实部署中持续进化的具身智能系统。这套系统平台由六个技术模块协同构成，覆盖数据归集、模型更新、集群协同进化的完整Physical AI体系，将依托线下真实产业场景完成验证打磨。 首先是具身原生的World-Action Model（世界动作模型）。它区别于常见的视频预测模型，通过联合建模视觉、动作、本体状态与触觉信号，模型能够学习“一次操作会如何改变物理世界”，并在此过程中满足机器人实时控制的工程要求。 同时，基于昆腾动力已构建的数据闭环体系，以真机作业和人类操作数据为主要原料，可以将物流场景中的原始日志自动加工为携带任务阶段、失败原因、恢复动作及务结果的高价值训练样本，支撑秒级检索、自动清洗标注和天级模型迭代。配合Human-in-the-Loop（HITL ，人为介入AI回路）机制，可判断机器人的人工介入时机，并将每一次干预转化为训练数据，使单人可管理的机器人数量持续提升。 执行层面，系统部署了轻量级World Model Corrector（世界模型校正），用于实时监控动作执行偏差，在操作失效前及时触发纠偏、重规划和重试，以此提高真实场景中的任务成功率。面对新客户和新仓库，系统无需重新训练全模型权重，而是通过Test-Time Training（测试时训练）、少样本示范和历史经验复用，使机器人快速适应不同的货物、货架、光照和流程变化。 最终，所有具身机器人组成一支持续学习与自我进化的集群。每台设备产生的成功、失败、干预和恢复经验，经由离线强化学习、偏好优化、仿真训练与真机验证的多重流程，持续更新至整个机群中。 昆腾动力将其落地节奏分为两个阶段。2026年将重点瞄准B2C、中小B电商仓库，聚焦补货上架、货品拣选、包裹打包三大人力密集工序，优先落地美妆、医药类 SKU 规整的仓储环境，采用人机协同混产模式完成规模化试点。到2027年，业务边界将进一步向复杂快递网点延伸，遵循“物流仓储到工业产线、零售货架、医药分拣，到商用服务，最终进入居家民生服务”的拓展路径，拓宽Physical AI的落地场景边界。 物理AI的竞赛，其落脚点从来不只是技术Demo的惊艳程度，而是机器人能否在真实世界中稳定地完成作业。昆腾动力选择的是一条并不性感的路径，先让数千台机器人在仓库里跑起来。它要证明的不只是一家公司的商业可行性，更是物理AI“从垂直场景切入，逐步走向通用”的路线可行性。 以下为硬氪与昆腾动力创始人兼CEO李强的访谈节选（略经编辑）： 硬氪：昆腾选择以物流仓库作为天然训练场，靠真机部署自建数据飞轮，先落地再打磨底层模型。能否拆解这套 “先场景后底座” 分步战略的时间节点与取舍逻辑？这套路径长期来看能形成哪些差异化壁垒？ 李强： 我们团队深耕物流行业多年，既清楚具身智能当下的技术边界，也吃透了物流庞大、复杂的真实作业环境。基于当前技术水平，我们找到了一条更务实的落地路径：依靠后训练方案，就能先在部分仓储场景实现规模化商用。 这么做最直接的好处，就是可以一边落地产生营收、一边持续积累独家真机数据。这些数据完全贴合真实物理世界分布，不只有抓取成功的标准动作轨迹，还收录了大量抓取偏差、操作失误等负样本，数据丰富度和真实性远高于仿真、动捕数据集。相同模型架构下，依托更高质量的真实作业数据，模型泛化能力自然会拉开差距。 长远来看，赛道竞争的核心早晚落在数据采集效率与单位数据成本上。谁能用更低成本持续产出海量真机数据，谁就能建立稳固优势。这一点和Claude、特斯拉FSD的逻辑相通：部署的终端规模越大，沉淀的交互、驾驶数据越多，整套集群通过强化学习、车队迭代优化后的整体性能就越强。我们大规模落地仓储机器人，正是为了打通真机RL（强化学习）后训练、整机群持续进化的完整闭环。 硬氪：昆腾规划从电商仓库逐步拓展到多元场景，但不同环境的物理交互逻辑、作业限制差异巨大。团队会从物流数据沉淀出哪些通用原子能力，支撑跨场景迁移？针对家庭、康养等非标、商业收益偏弱的场景，当前模型与少样本适配框架还有哪些核心难点待突破？ 李强： 我们搭建了三套分层演进路径，全部依托仓储场景完成能力沉淀，后续可直接复用拓展至各类新场景。 在移动操作层面，我们遵循循序渐进的打磨节奏：先落地台式固定机械臂方案，再实现人形机器人静态作业，接着攻克全身协同移动操作，最终达成人流开放环境下稳定的动态作业能力。 针对操作精度，我们持续分层迭代控制标准，从基础抓取精度起步，一步步打磨至毫米级，最终向亚毫米级精细操作迈进。 同时我们也会不断扩充标准化原子动作储备，吃透仓储场景里拣放、面单粘贴、缠绕打包等各类实操动作，将成熟交互能力完整沉淀下来。物流本身就是打磨上述底层能力的绝佳试验场，向外拓展新场景时，这些积累都能直接复用。 进入居家、康养场景，我们会采取由简入繁的落地思路，先落地物品传递、收纳这类低风险基础任务，再逐步迭代近距离人机精细交互功能。 现阶段这套体系切入居家康养赛道，仍有几处关键难题需要解决。 一是小样本学习能力不足，家庭环境物品、使用需求高度个性化，亟需更强的上下文学习能力，让机器人仅凭少量示范就能掌握全新任务。 其次是全域安全体系有待完善，要优化机身、电池等硬件材质防护，在模型与控制系统层面搭建多重防护机制，规避人机互动过程中的磕碰误伤风险。 此外是自适应力触觉控制仍有提升空间，养老陪护场景对柔性操作要求极高，灵巧手需要实现精准可控的柔和施力，当下的力感知动态调节能力还需要持续打磨。 投资方评论： 商汤资本 表示，物流是目前具身智能赛道里最扎实的落地赛道之一，AI 机器人的降本增效价值能直接量化；同时绝大多数纯技术出身的创业团队相比，创始人李强具备物流、电商产业认知优势。叠加团队及股东具备的产业资源协同，项目能快速切入核心仓储场景跑通真实数据飞轮，在行业规模化落地的拐点到来之前站稳脚跟。上述因素完全符合机构“对的场景里，做对的事的团队”的投资逻辑。 云启资本 表示，物流具备任务高频、反馈清晰、商业价值明确等特点，是验证机器人能力、积累真实数据并提升模型泛化能力的重要入口。昆腾动力团队采取的以物流为起点，最终构建具备跨场景泛化能力、面向物理世界的通用基础模型的渐进路线更为务实。
-
techcrunch-ai · 2026-07-31 · AI行业 / rss
OpenAI has reportedly found evidence of additional agent misbehavior as it looks into the incident that occurred with Hugging Face.
-
ai-news · 2026-06-06 · finance_news / 股市 / 财报
戴尔最新的 AI 服务器积压订单爆表，高达 510 亿美元。庞大的需求侧数据再次印证了算力军备竞赛的火热程度。 启发:典型的“增收不增利”隐患重灾区。硬件厂商在 AI 浪潮里卖水确实赚钱，但如果由于极度依赖英伟达导致利润率起不来，最终也只是在给上游打高级黑工。
-
36kr · 2026-07-31 · 科技商业 / rss
你的创业想法，值得被看见 有人在寻找新的增长机会，有人在重新思考商业模式；有人开始尝试新工具提升效率，也有人还在为融资、获客、团队管理等问题发愁。 我们发现，每位创业者关注的重点都不一样，但大家都在面对同一个问题： 未来，企业该如何更好地发展？ 为了更真实地了解创业者当下最关心的话题，36氪发起了一份 创业者需求调研 。这份问卷没有标准答案，也不是产品推广，而是希望听到创业者最真实的声音。 当然，我们也会关注一个绕不开的话题—— 人工智能正在如何影响创业。 但相比讨论"AI到底有多火"，我们更想知道的是： 它是否真的帮助企业提升了效率？ 创业者最希望AI解决哪些实际问题？ 大家对未来的发展，又有哪些新的期待？ 这些真实的反馈，将帮助36氪更深入地理解创业者需求，也将作为我们后续内容策划、行业研究、活动选题及产品服务的重要参考。 参与方式 📋 问卷链接： https://v.wjx.cn/vm/m7i0HLs.aspx# 如果您正在创业，或正在关注创业、创新和企业发展，我们都非常期待您的参与。 感谢每一位愿意分享观点的朋友。 也欢迎转发给身边的创业者，让更多真实的声音被听见。 🤝 欢迎聊聊你的创业故事 如果你正在创业，或正在筹备创业项目，也欢迎添加我的企业微信。 无论是创业方向、行业观察、融资需求，还是产品打磨、增长探索，我们都很乐意听听你的想法。 扫码添加企业微信，备注「创业」即可。 扫描添加 期待认识更多优秀的创业者，也期待你的创业故事，被更多人看见。
-
ithome · 2026-08-01 · 科技产品 / rss
IT之家 8 月 1 日消息，科技媒体 The Information 今天（8 月 1 日）发布博文，报道称 OpenAI 首席执行官萨姆 · 奥尔特曼（Sam Altman）本周在美国国会山展示名为 Astra 的全新 AI 系列模型， 重点提升长周期任务处理能力。 报道称奥尔特曼于 7 月 29 日本周三会见美国参议员拉斐尔 · 沃诺克（Raphael Warnock）和伯尼 · 莫雷诺（Bernie Moreno），还计划会见参议院情报委员会民主党首席成员马克 · 华纳（Mark Warner）。 消息称在本次闭门会见中，奥尔特曼展示名为 Astra 的新 AI 模型，支持智能体（Agent）拆分任务，让多个智能体协同工作，从而解决单个智能体无法处理的复杂问题。IT之家附上相关截图如下：
-
hf-papers · 2026-07-28 · AI论文 / hf-daily-papers
Deployed LLM agents increasingly keep their long-term memory as a filesystem: a directory tree of markdown files that the agent itself reads, writes, and reorganizes through generic file tools. Yet research has largely passed over this medium: prior systems design bespoke memory representations and study retrieval over them, leaving the default's two working assumptions untested: that an agent can keep a growing store organized as memories accumulate, conflict, and go stale, and that this organization pays. We present the first systematic exploration of filesystem-based memory for LLM agents. We formalize the setting as three roles around one memory filesystem: a management agent integrates and organizes incoming content, a search agent answers queries with cited sources, and an execution agent supplies task trajectories that are distilled into skills, unifying declarative memory and skills in a single store. Across long-conversation benchmarks and embodied tasks, we vary memory shape (agent-organized hierarchy, verbatim dump, chunk retrieval), stream scale, tool harness (sandboxed shell, memory-tool-style functions, varied search tooling), and the strengths of the management and search agents, tracking answer quality, cost, and store health as memory grows. What organization reliably buys is search economy: organized stores roughly halve retrieval cost where material is large. Today's agents, however, fall short of the default's promise: in our growth study, organization erodes for all but the strongest management agent, and no agent we measure converts organization itself into better answers. And the model is not the only lever over a store's shape: changing the tool set alone reshapes the store as strongly as swapping the model. The study turns the filesystem default from an assumption into a design space for agent memory.
-
hf-papers · 2026-07-29 · AI论文 / hf-daily-papers
Multimodal agents for visual question answering increasingly operate as multi-step trajectories that interleave perception, retrieval, and reasoning, yet evaluation still largely reduces to final-answer accuracy. This aggregate signal cannot tell whether a correct answer was reached through grounded evidence, language priors, or accidental error cancellation. We propose to treat a multimodal agent trajectory as a provenance-constrained state machine: tool outputs are normalized into a Structured Evidence Ledger that serves as the trajectory state, downstream reasoning and decision claims may cite only active ledger entries, grounding is checked at the entity and numeric level, and repair is realized as typed state transitions that cannot introduce content without tool-produced provenance. We instantiate this design as LedgerMind (Provenance-Constrained Multimodal Agentic Reasoning with a Structured Evidence Ledger), augmented by a Three-Layer Grounding Protocol, an Adaptive Dual-Path Dispatcher that matches reasoning depth to question complexity, and an Event-Triggered Verification-and-Repair engine with a formal provenance non-amplification guarantee. We use LedgerMind to target four recurring failure patterns that final-answer accuracy tends to obscure: unsupported intermediate reasoning, citation-backed entity hallucination (Phantom Grounding), over-reasoning on simple queries, and repair-time amplification. Experiments across multiple multimodal reasoning benchmarks and backbone MLLMs show that LedgerMind improves both answer accuracy and trajectory-level faithfulness.
-
techcrunch-ai · 2026-07-31 · AI行业 / rss
After years of pushing full speed ahead on AI, OpenAI CEO Sam Altman says maybe it’s time for the AI industry to “pace” itself. The comments came just days after one of OpenAI’s own models broke out of its test environment and got tangled up in a breach at Hugging Face — though as Equity’s hosts point out, sloppy security seems to have […]
-
techcrunch-ai · 2026-07-31 · AI行业 / rss
After years of pushing full speed ahead on AI, OpenAI CEO Sam Altman says maybe it’s time for the AI industry to “pace” itself. The comments came just days after one of OpenAI’s own models broke out of its test environment and got tangled up in a breach at Hugging Face — though as Equity’s hosts point out, sloppy security seems to have […]
-
ithome · 2026-08-01 · 科技产品 / rss
IT之家 8 月 1 日消息，据外媒 CNBC 昨天报道，前 OpenAI 研究员利奥波德 · 阿申布伦纳（Leopold Aschenbrenner）创立的 AI 对冲基金“全态感知”（Situational Awareness）出现严重危机，规模从 450 亿美元 （IT之家注：现汇率约合 3044.2 亿元人民币） 缩水至约 100 亿美元 （现汇率约合 676.49 亿元人民币） 。 利奥波德曾在两年前表示，自己是世界上少数真正看清未来的人之一。他曾发表一篇 165 页的论文，在硅谷一度成为必读文章，他本人也因此被视为“超级智能时代”的预言者。 然而本周开始，他的远见受到严重考验。他运营的 AI 对冲基金“全态感知”在半导体股票暴跌和华尔街追加保证金压力下，遭遇严重危机。本月早些时候，该基金规模一度达到 450 亿美元。 据知情人士透露， 利奥波德已被迫将所有 SK 海力士 、 CoreWeave 等杠杆股票仓位出售给 Citadel 的肯 · 格里芬 ， 基金持仓规模缩水至 100 亿美元 。 利奥波德的快速崛起和轰然陨落，吸引华尔街和科技圈人士大量关注，他也成为 AI 热潮中最瞩目的失败案例。 一些批评者指出，利奥波德于 2024 年 7 月成立基金之前，没有任何管理资金方面的经验。他曾在职业生涯早期加入已经倒闭的加密货币交易所 FTX，并帮助如今声名狼藉的山姆 · 班克曼-弗里德，在巴哈马顶层豪宅运营慈善项目。 与此同时，一些交易员、投行人士指出， “全态感知”使用高达 400% 的杠杆 ， 因此崩盘并不意外 。华尔街投资培训公司负责人 Jerry Diao 表示：“很多人认为这场爆仓只是时间问题。也许他对 AI 长期趋势的判断是对的，但在公开市场投资中， 你必须做好应对短期波动的准备 。” 颇具戏剧性的是，利奥波德已经和 AnthropicCEO 达里奥的幕僚长阿维塔尔 · 巴尔维特（Avital Balwit）订婚，并计划本周末举行婚礼。 利奥波德出生于德国，父母都是医生。他从小就在数学和计算机方面展现出极高天赋，并多次跳级、15 岁高中毕业。进入哥伦比亚大学后，他因一篇名为《Existential Risk and Growth》（生存风险与增长）的学术论文受到关注。 据他的同学描述，利奥波德是一个有些孩子气的人，并在社交方面显得比较笨拙。 2021 年毕业后，他加入了 FTX 旗下慈善机构 Future Fund 工作。2023 年，他加入 OpenAI 超级对齐团队，并在伊尔亚 · 苏茨克维领导下，研究如何让 AI 系统符合人类利益。 在一次黑客入侵 OpenAI 内部系统后，他向董事会提交了一份备忘录，警告公司的安全措施不足以抵御外国间谍活动。 2024 年 ， OpenAI 将他解雇 ，理由是不当分享机密信息。 离开 OpenAI 几周后，利奥波德发布了一篇论文，认为通用人工智能（AGI）可能在几年内到来、各国政府严重低估了 AI 发展速度。2024 年 7 月，他开始为自己的对冲基金募集种子基金，此前曾有传闻称，他获得了 2.5 亿美元 （现汇率约合 16.91 亿元人民币） 投资。