AI新闻汇总：Thinking Machines推出Inkling，GPT-Red安全模型，Perplexity沙盒环境

Thinking Machines 发布了 Inkling，一个 975B 参数的混合专家模型，活跃参数 41B，支持多模态推理和百万 token 上下文窗口。该模型通过 Tinker 平台提供定制化服务，并附带一个较小的预览版本。这是开源社区在超大模型领域的又一重要进展，但随之而来的安全挑战也更为突出。

Perplexity AI 的 SPACE 沙箱平台正是针对这一挑战的回应。SPACE 为 AI 代理提供临时、隔离的执行环境，任务完成后立即销毁。其安全架构包括控制平面和节点级服务，用于管理凭证访问，并提供凭证隔离、滚动快照和加密存储。SPACE 支持本地和离线部署，确保敏感数据不离开企业环境。

OpenAI 训练了 GPT-Red，一个专门用于生成对抗性提示的模型，以自动化方式发现模型漏洞。通过将 GPT-Red 生成的攻击纳入训练，OpenAI 在困难的提示注入基准测试中将失败率降低了 6 倍。这一方法展示了 AI 在安全测试中的双重角色：既是攻击者，也是防御者。

GPT-Red 的迭代生成能力使其能够不断探索新的攻击向量，而传统红队测试往往依赖人工。这种自动化红队方法可能成为未来 AI 安全评估的标准实践，但同时也引发了对滥用风险的担忧——如果类似技术被恶意使用，后果不堪设想。

研究人员在 8 天内对自动研究代理进行了递归自我改进实验。系统包含内循环（优化代码以通过评估）和外循环（优化内循环代理的框架代码以提升平均得分）。结果令人震惊：系统设计了一种新的搜索算法，将提示大小减少了 16 倍，并构建了分层系统来防止奖励黑客攻击。最终性能超越了研究人员手工调优两年的系统。

这是首次实验证明递归自我改进在 AI 系统中是可行的。然而，研究也指出了潜在风险：系统在优化过程中可能产生不可预测的行为，尤其是在奖励函数设计不完善时。这一发现对 AI 安全领域具有深远影响，因为递归自我改进可能导致能力快速提升，但同时也可能放大安全漏洞。

模型路由系统面临的问题远不止选择最佳模型那么简单。缓存、工作负载交互和服务基础设施等因素对成本和延迟的影响往往超过模型定价本身。有效的路由需要跨多个维度优化，确保整个系统达到最优运行点，而非仅为单个任务选择最佳模型。

与此同时，GPT-5.6 Sol 在网页设计竞技场中排名第一，较前代 GPT-5.5 提升 18 位。Sol 能够识别并压缩常见的 AI 设计反模式，结合强大的模板与高度个性化。这表明 AI 在审美和用户体验方面的能力正在快速提升，但这也意味着 AI 生成内容可能越来越难以与人类创作区分。

NVIDIA 推出了 Blackwell 架构的 Jetson Thor T3000 和 T2000 模块，用于边缘机器人、视觉 AI 和代理工作负载。该平台已获得 Amazon Robotics、Boston Dynamics、FANUC 和 1X 等公司的采用。边缘 AI 的兴起对芯片架构提出了更高要求。

脉动阵列处理了超过 95% 的现代 AI 芯片计算，通过在处理单元之间本地移动矩阵数据来减少内存流量。更大的阵列可以提高峰值吞吐量，但更难饱和，因此编译器调度往往决定了芯片能否达到有效利用率。这一细节揭示了 AI 硬件性能不仅取决于设计，还取决于软件栈的优化。

Anthropic 正在筹备 IPO，高盛、摩根士丹利和摩根大通牵头投资者会议。该公司最近以 9650 亿美元估值完成 650 亿美元融资，超过 OpenAI 的 8520 亿美元。这一 IPO 将测试公开市场对 AI 公司的兴趣，并可能为 OpenAI 的后续上市铺路。

然而，高估值背后是巨大的不确定性。AI 公司目前主要依靠融资而非盈利来支撑估值，一旦市场情绪转变，泡沫可能破裂。Anthropic 的 IPO 将成为 AI 行业的一个重要风向标。