读懂每个字,却做出错误选择:AI决策模型的“知行不一”困境

资讯 腾讯网 作者:腾讯网 全文 5379 字 · 约 14 分钟读完 分类决策模型政策监管

有一个场景你可能觉得很熟悉。一个客服系统接到用户请求,要求更改订单地址。AI模型读取了所有相关信息:用户身份确认无误,订单状态显示可修改,地址格式也合规。每一个事实判断都做对了。可它最终选择的动作却是去调用一个完全不相关的工具,或者干脆什么都不做,错失了唯一正确的那一步。这不是读题读错了,而是读懂了却选错了...

所属频道 政策与风险前沿研究

有一个场景你可能觉得很熟悉。

一个客服系统接到用户请求,要求更改订单地址。AI模型读取了所有相关信息:用户身份确认无误,订单状态显示可修改,地址格式也合规。每一个事实判断都做对了。可它最终选择的动作却是去调用一个完全不相关的工具,或者干脆什么都不做,错失了唯一正确的那一步。

这不是读题读错了,而是读懂了却选错了。

卡内基梅隆大学的研究团队盯上了这个诡异的现象。他们给这类问题起了个专业名字,叫System One模型。

**System One模型**:一种只做"选择题"的AI决策系统,给定一个状态和一组候选动作,它直接输出每个选项的概率分布,不写任何推理过程,也不生成文字解释。

这类模型的卖点很简单:快、便宜。论文里测的十几个System One模型,回答一个完整状态只需要27到225毫秒,而普通大语言模型做同样的事要300到900毫秒,一个专门的推理模型甚至要2.3秒。对于需要频繁做决策的AI代理系统来说,这个速度差距是真金白银的成本。

但问题也出在这里。

当一个会写推理过程的大模型选错了动作,你至少能看看它的思路链,猜猜哪里出了问题。可System One模型不输出任何文字,它选错了,你面前只有一个孤零零的错误答案,没有任何线索告诉你这是读错了信息,还是信息读对了但判断错了。

这篇论文想解决的,正是这个"黑箱里的错误到底是什么性质"的问题。

那道分岔路口:

想清楚这件事的难点在于,表面上看起来一样的"错误动作",背后可能是两种完全不同的失败。

第一种是

第二种是

如果你只看最终的动作对不对,这两种错误完全无法区分。打个比方,这就像你去医院看病,医生说"治疗没效果",但你根本不知道这是因为医生看错了化验单,还是化验单看对了但开错了药方。不把这两件事分开,你永远不知道该去换个检验科,还是换个主治医生。

研究团队的解法是,在每一个决策状态上,除了问"接下来该做什么",还单独、独立地追问一串事实性小问题,比如"上一步动作成功了吗""现在手里拿的是什么""这个动作是否被允许"。这些小问题的答案完全由环境本身决定,有标准答案,不依赖模型怎么想。

这样一来,每个状态就有了两组独立的判分:决策对不对,事实读得对不对。把这两组判分交叉起来,正好得到四种结果组合。

**事实对、决策对**:模型读懂了,也做对了,理想情况。

**事实对、决策错**:模型把所有相关事实都读对了,动作却选错了,这正是研究团队重点追查的情形。

**事实错、决策对**:模型某个事实判断错了,但歪打正着选对了动作,说明它可能用了某种捷径而非真正依赖那个事实。

**事实错、决策错**:读错了,也选错了,最直观的那种失败。

论文配的那张图特别能说明问题。一个

搭建这套检验体系,研究团队用了六万五千多条记录,其中将近两万条带有配对

当准确率越高,犯的错误反而越"诡异"

这里出现了论文里最反直觉的一个发现。

一般人会猜,越厉害的模型犯的错误应该越少属于"读懂了却选错了"这种类型,因为厉害的模型理应在决策环节也更强。但数据显示的恰恰相反。

对于六个准确率最高的系统,73%到85%的决策错误,都发生在它们把所有相关事实都答对的状态上。而且这个比例随着系统整体准确率的提高而上升。

换句话说,一个模型越厉害,它犯的错误里,"

用

这说明一件挺扎心的事。花更多钱买更强的推理能力,确实能减少总体错误,但不会改变错误的性质。推理模型解决的是"读不懂"的问题,但"读懂了不知道怎么用"这个毛病,它也没有根治。

这些错误不是噪音,它们扎堆出现

研究团队接着检验了一个关键假设:这些"facts right, action wrong"的错误是不是随机分布的,还是说它们集中出现在某些特定的状态上。

如果错误是随机噪音,应该均匀地撒在所有状态上。结果完全不是这样。

十四个表现合格的快速系统,在同一批141个状态上,全部都犯了"事实对但动作错"的错误,而按照纯随机的统计模型,这种重合的概率几乎为零。换句话说,这141个状态像是某种"

这个发现很重要,因为它说明这类错误不是模型个体的偶然失误,而是和特定状态的某种结构性属性绑定在一起的。这也意味着,如果你想用一个评测集来检测AI决策系统的弱点,专门挑这种"容易摔跤"的状态去测,比随机抽样测试要敏锐得多。

就连

当事实足够推出答案,模型依然组合不起来

研究团队接下来做了一个很巧妙的控制实验,想搞清楚"事实对、动作错"这种情况里,到底是探针问的事实不够用,还是模型读对了事实却不会拼起来用。

他们专门构造了一批人工状态,设计了一个决策清单,相当于一套"如果A成立就做X,否则如果B成立就做Y"的规则链条,外加一些无关的干扰事实。关键是,这批状态的探针问题被设计成"充分的",也就是说,只要把四条规则相关事实答对,唯一正确的动作就能被唯一确定下来,不存在模棱两可的空间。

这就排除了"探针没问到关键信息"这个可能性,如果模型在这种状态下依然读对事实却选错动作,那只能说明它不会把读到的事实组合成正确的决策。

结果相当震撼。JEV和另一个系统

这里出现了20个百分点的落差。20个百分点意味着什么?意味着每5次决策里,就有一次是模型明明能分别答对四个事实,却在同时读轨迹和做决策的时候翻车。这不是信息不够,是信息没能被正确地"攒"到一起去支撑那个决策。

研究团队又做了个验证,把正确的事实答案直接拼接到原始轨迹后面再问一次决策,JEV的准确率立刻跳回97.4%,几乎补满了那20个点的差距。但如果拼接的是等量的无关干扰信息,准确率反而降到75.1%,比不拼接还差。这说明缺口确实是"缺少一份整理好的事实清单",而不是单纯怕看到更长的文本。

这个现象让我想起一个生活中的类比。你去考试,每道小题单独做,全都能做对。但考卷把这些小题的条件分散写在题干的不同段落里,你需要自己先把散落各处的条件在脑子里拼成一张完整的图,再去套用那条"如果……就……"的规则。如果你平时做题从来不练这种"先汇总再判断"的能力,哪怕每个单独条件你都懂,考试时还是会因为漏看了某一句话而选错选项。模型在这里暴露的,正是这种"信息汇总"能力的短板,而不是基础的阅读理解能力。

但不是所有模型的毛病都一样。研究进一步追查发现,有的模型错误集中在"抓错了重点",比如

用模型自己的答案去修正决策,效果立竿见影

既然问题出在"模型读对了事实但没把这些事实用进决策",一个自然的想法冒出来了:那就让模型自己先把事实答案写出来,再把这份答案喂回去帮它做决策。

研究团队真这么干了,把模型自己对那些

更进一步,既然规则是明确写出来的"如果……就……",研究团队干脆绕开模型本身,直接用代码把模型给出的事实答案套进规则逻辑里去推导动作。这一步把准确率又往上拉了一截,JEV到了99.6%,一个叫

这个结果其实是个很重要的工程启示。如果一个决策任务的规则是显式可写出来的,那最稳妥的做法根本不是指望AI一次性把"读信息"和"做决策"都做对,而是把这两件事拆开:让AI专门去回答一堆窄范围的事实问题,然后用普通代码把这些答案组装成最终决策。这就像一个餐厅的流程设计,与其让一个服务员同时记住顾客点了什么、算清楚总价、还要心算找零,不如让他只负责把顾客说的菜名记下来,算账这件事交给收银机去做。如果硬要服务员一心多用全凭脑子算,出错率一定比"记录加计算器"这套分工高。

但这套"自问自答再组装"的办法,放到真实世界的状态里,效果却打了不小的折扣。

真实世界里,缺的往往不是事实,是下一步该干嘛

研究团队把同样的思路拿到2783个真实的配对测试状态上去验证,结果出乎意料地平淡。给模型补充基准测试自带的那批

原因其实不难理解。之前那批人工状态里,探针问题是专门设计成"足以唯一确定动作"的,但基准测试里的真实探针,原本是为了衡量"模型有没有读懂状态"而设计的,并不保证它们涵盖了决策所需要的全部信息。给模型补充这些事实,相当于给它补了一些它本来就读对的东西,却没补上它真正缺的那块拼图。

那真正缺的是什么?研究团队转向

结果揭晓了一个挺扎心的事实。对JEV来说,给它补充"接下来该完成哪个子目标"这一条信息,直接拉高16.3个百分点的准确率,把事实和子目标一起给它,能冲到21.3个百分点,把总体准确率推到92.9%。而单纯补充各种细碎事实,顶多贡献5个百分点。

更有意思的是,JEV自己回答"下一步子目标是什么"这个问题时,只有66.8%的正确率,明显比它的决策准确率还低。研究人员进一步拆解JEV犯的错误,发现其中41%的情况,是模型把所有事实都答对了,唯独子目标答错了;还有37%的情况,是模型分开问的时候,事实和子目标都答对了,但真要做决策时却没照着自己认同的那个子目标去走。

这相当于一个人清楚知道自己该去买菜做饭,把需要的食材清单也背得滚瓜烂熟,可是真到了超市门口,却鬼使神差地走进了旁边的理发店。不是信息不够用,是那一刻脑子里没把"我现在该干这件事"这个念头真正立起来并付诸行动。对于JEV这样的模型,真实世界里剩下的错误,本质上是规划层面的毛病,而不是阅读理解或信息整合的毛病。

但别的强系统又不一样了。

一个耐人寻味的细节是,给模型塞更多信息有时反而帮倒忙。在某些状态下,如果一个所需物体已经被看到、另一个还没被看到,研究人员给

读懂了历史记录吗?去掉记忆会怎样

论文还做了一系列边界测试,想弄清楚这些模型到底依不依赖执行历史这类上下文信息。

他们把执行历史整个删掉,只留下目标和当前观察,结果发现在

这说明这些模型确实在用历史信息,而且用得挺依赖。换句话说,前面那堆"事实对动作错"的错误,不能简单归咎于"模型压根没看历史",历史确实被看了,被用了,只是用得不够到位。

研究团队还测试了一个更细腻的场景:当策略规则发生变动时,模型会不会真的跟着调整动作。在客服场景里,如果某个用户记录字段被修改导致策略要求换一种工具调用方式,JEV、Clef、Gemma这几个系统即便把修改后的那个事实百分之百答对,真正跟着改变调用方式的比例也只有22%到57%。这就是整篇论文里最直白的一个"知行不一"的例子:事实被正确接收了,行为却没有跟着更新。这就像你明明被告知今天公司临时改了下班时间,你也点头确认记住了,结果到点还是习惯性地按老规矩走人。信息进了脑子,却没有真正接管那个决定行动的开关。

信心能不能当信号灯用

既然这些模型会输出一个概率分布,那这个概率本身的置信度,能不能用来判断"这次该不该相信模型的答案"?

研究团队测了校准误差,结果发现差异巨大。有一个叫

这意味着置信度这个信号的可用性,因模型而异,差别极大。对于像JEV这样置信度校准得还不错的模型,研究团队设计了一个"

写在后面

读完这篇论文,最让我意外的不是"AI会读懂信息却做错决定"这件事本身,这多少能预料到,真正让我愣住的是那个关于准确率和错误类型的反比关系。

一个系统越准,它犯的错误里"明明都对却还是错了"的比例反而越高。这意味着,如果你只盯着总体准确率这一个数字去评判一个AI决策系统是否可靠,你可能完全看不见它正在系统性地犯着同一种诡异的毛病,只是这种毛病被越来越高的整体分数给盖住了。一个考了95分的学生和一个考了70分的学生,错的那几道题可能根本不是同一种性质的错误,前者或许每次都是"会做却算错了",后者可能还有不少"压根没看懂题"。分数相近或分数更高,不代表问题的结构相似或更少。

另一个让我反复琢磨的地方,是那141个让所有十四个系统都栽跟头的"

论文里还有个细节我觉得值得单独说一下。GPT-6.1在客服场景里,面对用户已经确认、该去调用工具写入数据的情况,它有16.7%的概率选择"回复用户"而不是真的去执行那个工具调用,这个谨慎程度远高于其他系统的2.8%到7%。研究者把这解读为"过度谨慎导致的误判",因为基准答案都来自成功执行的轨迹。但我忍不住想反过来问一句:这种谨慎,真的是错误吗,还是说在真实世界里,这种"再确认一下"的倾向,恰恰是更负责任的行为模式,只是现在的评测标准没法给它加分?

如果一个AI在该大胆的时候谨慎了,到底该算它聪明还是算它笨,这个问题恐怕比这篇论文给出的任何一个百分点都更值得继续想下去。

Q&A

Q1:System One模型是什么?

A:System One模型是一类只做选择题式决策的AI系统,给定当前状态和一组候选动作,它直接输出每个选项的概率分布,不生成任何文字推理过程,优点是速度快、成本低,但出错时没有思路链可供排查原因。

Q2:为什么AI模型会出现"事实读对了但动作选错"的情况?

A:研究发现这主要是因为模型把分散在轨迹中的多条相关信息正确读取之后,未能把这些信息正确组合起来支撑最终的决策判断,也可能是被无关但为真的干扰信息带偏,或者在开放式任务中没能明确下一步该完成的子目标。

Q3:怎样能减少这种"读懂却做错"的决策错误?

A:研究发现让模型先独立回答一系列窄范围的事实问题,再把这些答案重新输入决策环节,或者用代码直接根据这些事实答案组装出最终动作,能大幅提升准确率,在规则明确的任务里甚至能达到接近满分的效果。

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. 白宫超级智能工作组建议放宽问责,鼓励AI企业上报安全事件

    IT之家 11 月 14 日消息,据彭博社报道,当地时间 13 日,美国政府新设的“超级智能工作组”在白宫开会,建议联邦机构放宽网络安全事件的问责政策,鼓励 AI 企业主动报告重大安全事件。一名不愿具名的政府官员透露,工作组认为,过去处理网络安全事件时采用的监管处罚标准可能不再适用,甚至会让企业不敢分享重要的安全信息.

    来源 腾讯网
  2. 白宫“超级智能工作组”呼吁放宽问责政策,鼓励 AI 企业报告网络安全事件

    IT之家 11 月 14 日消息,据彭博社报道,当地时间 13 日,美国政府新设的“超级智能工作组”在白宫开会,建议联邦机构放宽网络安全事件的问责政策,鼓励 AI 企业主动报告重大安全事件。 一名不愿具名的政府官员透露,工作组认为,过去处理网络安全事件时采用的监管处罚标准可能不再适用,甚至会让企业不敢分享重要的安全信息

    来源 AI 行业观察
  3. 对华AI芯片限制若升级:野村测算全球存储供给2028年起承压

    老黄事件发生之后,美国针对我们的三项仍待通过的法案也是备受关注,它们分别针对 AI 芯片出口、芯片流向,以及半导体制造设备。第一项是 AI OVERWATCH Act,重点是收紧向中国等“关注国家”出口先进 AI 芯片的许可,并赋予国会审视、阻止相关交易的机会。第二项是 Chip Security Act,重点是推动对

    来源 腾讯网
  4. AI工作组建议:企业善意披露漏洞可获12个月责任豁免

    特朗普政府AI工作组于2026年11月13日发布建议,呼吁联邦机构对善意披露AI驱动网络安全事件的企业给予至少12个月责任豁免,同时推动2015年网络安全信息共享法重授权。该建议目前不具强制力,各联邦机构可自行决定是否采纳,核心逻辑是以监管宽容换取企业主动披露漏洞的意愿。

    来源 AI 科技快讯
  5. AI基建股4.2万亿美元蒸发:卖铲盛宴要散场?

    6月以来,卡特彼勒跌44%、Oklo暴跌49%。分析师直指根源:投资者将传统工业股当成长股炒作,估值严重虚高。此次抛售的另一重要背景,是美国中期选举后数据中心监管政策走向的不明朗。基本面仍具韧性——卡特彼勒积压订单达780亿美元,多家企业营收增长已锁定至2027年。

    来源 华尔街见闻
  6. 周鸿祎:“黄仁勋下台”背后,美对华芯片政策的分歧才是关键

    “黄仁勋下台”背后:对华芯片政策的分歧才是关键周鸿祎还将视角转向黄仁勋辞职对中国AI的影响。他公开批评对华芯片管制是失败的,还警告中国在AI领域已经非常接近美国。周鸿祎还梳理了事件时间线:11月4日美国国会相关委员会要求黄仁勋说明英伟达先进芯片的出口和流向问题;11月8日黄仁勋个人风波进一步发酵;11月12日英伟达宣布

    来源 TechWeb
  7. 黄仁勋辞职:周鸿祎谈创始人价值与美对华芯片分歧

    【TechWeb】11月14日消息,英伟达创始人黄仁勋突然辞职后,360创始人周鸿祎接连发布多条视频表达观点。他认为,英伟达失去的不只是一位CEO,更是一位能提前十年判断技术方向的创始人,若处理不当恐重蹈苹果当年赶走乔布斯的覆辙;与此同时,黄仁勋的离开也折射出美国对华芯片政策背后的深层博弈,但中国AI的发展不会因外部封

    来源 AI 行业观察
  8. 斑马AI学发布2027版本

    36氪获悉,近日,斑马AI学发布2027版本,面向小学高年级阶段的斑马英语S8、斑马思维S7、斑马大阅读S7正式发布,这是斑马针对旗下AI学产品体系的一次系统性升级,意味着其产品已从兴趣启蒙全面进化至小学高阶的学习阶段。斑马自主研发的斑马儿童科教大模型,面向儿童学习场景打造,并已完成国家网信办生成式人工智能服务备案。基

    来源 AI 行业观察
  9. Vertiv三季报收入增61%:AI设备商高利润靠技术还是靠缺货?

    AI基础设施建设仍在狂奔,设备商享受着罕见的订单和利润增长,但高利润也在吸引新的竞争者。美国中期选举后的政策变化、电力与融资约束,正让资本开支的持续性受到考验。 2000年通信设备行业的历史提醒我们:技术革命可以成功,设备供应商的超额利润却可能消失。当缺货不再,谁还能守住今天的高价格与高估值?

    来源 华尔街见闻
  10. 燃气轮机订单排到2031年,AI公司开始拆航发供电

    (本文作者为 硅碳变量,钛媒体经授权发布)文|硅碳变量,作者|沈浪据英国《金融时报》11月8日报道,Anthropic在9月下旬与位于德克萨斯州圣安东尼奥的设备供应商OnePWR Solutions完成一笔交易,以34亿美元(约合人民币227亿元)锁定1.7吉瓦重型发电机供货,用于数据中心的电力供给。更早之前,AI基础

    来源 腾讯网
  11. 金大华推OATs套件:给家居物品装上会撒娇的AI宠物

    IT之家 11 月 15 日消息,忘记给家里的植物浇水了?这一次,你看到的可能不是逐渐变黄的叶子,而是一只显示在小屏幕上的植物形状宠物。它看起来垂头丧气、一脸委屈,仿佛在提醒你赶紧拿起浇水壶。而当你把水浇进土壤后,屏幕上的小宠物又会立刻变得兴奋起来。这正是 OATs(Object Agent Twins,物体智能体双生

    来源 腾讯网
  12. AI最近有点忙:陪大爷下棋,还得哄奶奶开心

    乌镇的书场散场,说书先生一句“且听下回分解”,下了台。下一段要等半小时,在北京工作的小何难得和陪爸爸旅游,俩人意犹未尽,桌案上摆着一副象棋,老何拿起棋子,小何不懂棋,但她有豆包。视频通话一开,镜头对准棋盘,豆包开始指挥:“车六平四”“马二进三”。小何听不懂,豆包换了个说法:“你左手边那个炮,过河,放...

    来源 腾讯网
  13. 黄仁勋谋划回归英伟达:16万签名与国会质询同时压来

    【TechWeb】11月16日消息,据英国《金融时报》最新消息,四天前刚辞去英伟达CEO职务的黄仁勋,正在硅谷盟友的簇拥下谋划一场“快速回归”。 而在华盛顿,一场以“国家安全”为名的政策围猎,早已在他下台之前便已布好棋局。 本周,美国AI圈即将上演两件大事:黄仁勋的国会闭门质询、Anthropic的万亿IPO。 “黄仁

    来源 AI 行业观察
  14. 黄仁勋谋划回归英伟达:国会质询与Anthropic IPO本周登场

    英伟达董事会夹在两股方向相反的力量之间,独立调查仍在进行,而这场角力的走向,将直接定义这家市值数万亿美元芯片巨头的未来权力结构。另外,Anthropic代表的一种更隐蔽、更系统性的产业政策游说对此次黄仁勋下台事件的影响也被媒体曝光。另外,美国参议员Chris Coons在针对黄仁勋的指控出炉后迅速公开发难,而他今年七月

    来源 TechWeb
  15. 黄仁勋谋划回归英伟达:16万人联署,国会质询与万亿IPO同周登场

    英伟达董事会夹在两股方向相反的力量之间,独立调查仍在进行,而这场角力的走向,将直接定义这家市值数万亿美元芯片巨头的未来权力结构。另外,Anthropic代表的一种更隐蔽、更系统性的产业政策游说对此次黄仁勋下台事件的影响也被媒体曝光。另外,美国参议员Chris Coons在针对黄仁勋的指控出炉后迅速公开发难,而他今年七月

    来源 TechWeb
  16. 腾讯总办号召AI时代再创业:不拥抱就是被颠覆

    今日,“腾讯文化”公众号发文《总办号召 AI 时代再创业,“心态归零”》,再度谈及28岁生日这天,腾讯总办对AI时代的机会、挑战与选择的看法。文章指出,面对技术变革的巨浪,没有人是旁观者。所有人都要做出选择。如果不想被颠覆,真正重要的事只有一件:一起动起来。“现在进行的智能革命如果不投入拥抱,就是被颠覆。这是一个生死存

    来源 TechWeb
  17. 腾讯总办喊话AI再创业:不投入拥抱就是被颠覆

    今日,“腾讯文化”公众号发文《总办号召 AI 时代再创业,“心态归零”》,再度谈及28岁生日这天,腾讯总办对AI时代的机会、挑战与选择的看法。文章指出,面对技术变革的巨浪,没有人是旁观者。所有人都要做出选择。如果不想被颠覆,真正重要的事只有一件:一起动起来。“现在进行的智能革命如果不投入拥抱,就是被颠覆。这是一个生死存

    来源 TechWeb
  18. CataX AI种轮融资4000万:Agent原生推进新药临床开发

    近日,上海凯思达生物医药科技有限公司 宣布完成4000万元人民币种子轮融资,由启明创投孵化并独家投资。CataX AI创立于上海,是一家智能体原生的创新药研发公司。CataX AI聚焦临床开发端,以智能体为技术底座,并由此构建“Clinical-of-One”这一全新的组织范式,计划通过许可引进或共同开发,推动临床前及

    来源 TechWeb
  19. CataX AI获4000万种子轮融资,用Agent推进新药临床开发

    近日,上海凯思达生物医药科技有限公司 宣布完成4000万元人民币种子轮融资,由启明创投孵化并独家投资。CataX AI创立于上海,是一家智能体原生的创新药研发公司。CataX AI聚焦临床开发端,以智能体为技术底座,并由此构建“Clinical-of-One”这一全新的组织范式,计划通过许可引进或共同开发,推动临床前及

    来源 TechWeb
  20. CataX AI完成4000万元种子轮融资,启明创投孵化并独家投资

    【TechWeb】11月16日消息,近日,上海凯思达生物医药科技有限公司(下称CataX AI)宣布完成4000万元人民币种子轮融资,由启明创投孵化并独家投资。 CataX AI创立于上海,是一家智能体(Agent)原生的创新药研发公司。CataX AI聚焦临床开发端,以智能体为技术底座,并由此构建“Clinical-

    来源 AI 行业观察
  21. Anthropic花34亿美元买发电机:AI算力争夺战打到电力端

    据英国《金融时报》11月8日报道,Anthropic在9月下旬与位于德克萨斯州圣安东尼奥的设备供应商OnePWR Solutions完成一笔交易,以34亿美元(约合人民币227亿元)锁定1.7吉瓦重型发电机供货,用于数据中心的电力供给。 更早之前,AI基础设施公司Crusoe于4月向密苏里州ProEnergy订购13台

    来源 AI 行业观察
  22. Deedy Das 榜单:30家百亿美元AI独角兽,中国公司进前十

    11月15日,硅谷老牌风投机构Menlo Ventures合伙人Deedy Das(@deedydas)在社交平台晒出一张全球AI公司估值与营收排行榜。 Menlo Ventures成立于1976年,是硅谷历史最悠久的风险投资机构之一,曾投资Uber、Chime等知名科技公司。近年来,这家机构将AI作为重点投资方向,投

    来源 AI 行业观察
  23. 黄仁勋或重返英伟达任CEO,硅谷盟友向董事会施压

    据英国《金融时报》报道,黄仁勋正考虑重返英伟达担任 CEO,硅谷多位盟友组建“作战室”游说董事会,马斯克等高管公开支持联名信。但华盛顿政策制定者可能反对,复职行动面临阻力。#黄仁勋# #英伟达#

    来源 IT之家
向下滚动自动加载更多