纽约暂停全州大型数据中心建设一年

纽约州成为美国首个暂停建设所有大型新数据中心的州。据路透社报道，民主党籍州长Kathy Hochul于周二宣布实施为期一年的暂停令。该措施覆盖纽约全州，出台背景是美国多地要求限制数据中心建设的呼声不断增加，相关担忧包括数据中心可能带来的污染、能源成本上涨以及水资源供应减少。

纽约州官员向路透社说明，这项禁令适用于用电量达到或超过50兆瓦的数据中心。暂停令不会在纽约州确定负责任开发数据中心所需的“统一标准”之前解除。

联邦层面，Bernie Sanders与Alexandria Ocasio-Cortez已经提出立法，寻求在全美范围内实施数据中心建设禁令的可能性。共和党支持这项立法的可能性较低；Donald Trump曾表示，此类暂停措施会威胁美国在人工智能竞赛中的领先地位。

Apple已对OpenAI提起诉讼，并寻求严厉处罚。事件源于Apple发现一个被其称为“罕见”的系统漏洞：一名离职后加入OpenAI的员工，在劳动关系终止后数周内仍能访问Apple服务器上的机密信息。Apple于周五提交诉状，要求法院颁布多项禁令，阻止OpenAI使用据称由Apple前员工窃取的机密信息。

Apple在诉状中指控，OpenAI与多名前Apple员工合谋，通过一个整体计划“走非法捷径”，以推出一系列由人工智能驱动、市场吸引力可与Apple iPhone相比的设备。

Apple称，公司是在调查两名工程师之间的内部消息时发现该漏洞的。其中一人是当时仍在Apple任职的Yu-Ting “Alyssa” Peng；另一人是Chang Liu。Apple称，Liu曾在公司工作八年，参与过Apple部分最敏感的产品开发项目。此次诉讼要求限制OpenAI使用涉案机密信息。

据Emarketer分析，OpenAI广告业务的发展速度可能比公司自己的五年收入预测低90%。OpenAI预计其广告收入今年达到25亿美元，并在2030年增至1000亿美元。公司于今年2月启动广告试验；两个月后，OpenAI因宣传上述收入预测而受到关注。

Emarketer的数据采用的是美国独立聊天机器人广告市场口径，涵盖ChatGPT、Microsoft Copilot应用、Google AI Mode，以及Amazon Alexa for Shopping（原名Rufus）。其测算显示，这些产品今年合计产生的广告收入将不足10亿美元，到2030年也只有54.1亿美元。这两个数字对应的是所列产品构成的市场总量，并非单独针对OpenAI的收入预测。

Emarketer认为，OpenAI的预测同时建立在多项假设上：公司需要大规模从传统搜索广告销售方手中取得搜索广告预算，在一个已经完全成熟的聊天机器人广告市场中占据主导地位，并同时超过历史上的所有广告形式。Emarketer据此判断，OpenAI广告业务可能无法达到公司提出的五年目标。

Codex CLI 合并 #26210 后，为 MultiAgentV2 的 spawn_agent、send_message 和 followup_task 加密消息载荷，只保存 InterAgentCommunication.encrypted_content，并将可读 content 留空。问题报告认为，这使本地历史、追踪及父代理审计界面无法显示分派给子代理的具体任务。

报告称该变化影响启用 MultiAgentV2 的 0.137.0 后版本，与订阅、模型、平台及终端无关。截至 2026 年 7 月 16 日，上游 main 仍仅暴露加密 message。一个分支实现已提供 encrypted、encrypted_with_audit 和 plaintext 三种策略，为每次通信设置合计 8 KiB 上限，并恢复可读审计记录及 list_agents 的最近任务信息。

OpenAI规定，自 9 月 1 日起，Trusted Access for Cyber（TAC）的个人成员必须通过 Advanced Account Security 启用硬件支持的通行密钥，才能继续访问前沿网络安全模型；同时将收紧高风险实体和司法管辖区的访问限制。该措施针对钓鱼和社会工程攻击带来的账户风险。

Yubico介绍，启用安全密钥后，系统会停用较弱的备用验证方式，凭据不能复制或同步。现有账户持有人可按优惠价格购买定制双只装 YubiKeys，包括可通过手机或平板 NFC 验证的 YubiKey C NFC，以及可长期插在笔记本 USB-C 接口中的 YubiKey C Nano；相关设置入口位于 ChatGPT 的 Advanced Account Security 页面。

一项对前沿模型实际价格的测算发现，不同厂商会把相同内容切分成不同数量的 token，因此每百万 token 标价不能直接横向比较。测试使用 16 组英文、代码、JSON、中文及符号文本，并通过各厂商计数接口和付费请求核对；Anthropic 新分词器处理典型代理请求时，比旧版约多生成 32% token。

Sonnet 5、Opus 4.8 和 Fable 5 使用新分词器，相同文件的 token 数为 GPT 的 1.36 至 1.73 倍，其中 TypeScript 为 1.73 倍。Opus 4.8 标价每百万输入、输出 token 分别为 5 美元和 25 美元，折算约相当于 7.50 美元和 37.50 美元。Sonnet 5 的 2/10 美元首发价于 2026 年 8 月 31 日结束，9 月 1 日恢复至 3/15 美元。

一名开发者构建了双层强化学习系统：外层由 Tinker 训练 Qwen3.6-35B-A3B 代理，代理负责生成验证器、环境、评分规则和 prime-rl 配置；内层再以 GRPO 训练小模型，并把隐藏评测成绩回传为外层奖励。训练共进行 54 步，奖励由约 0 升至约 0.63，并迁移到未参与训练的任务族。

每个外层批次会启动约 40 个真实训练任务，最多并行使用 16 个 Runpod GPU pod；全程约执行 1750 个任务，其中 A40 占 64%、RTX 4090 占 32%。奖励权重由验证效率、任务质量和训练速度按 0.35、0.60、0.05 组成。代理选用较强 1.7B 模型的比例从 42% 升至 95%，项目总成本约 1300 美元，代理权重、代码、任务族及失败复盘均已开源。

Claude Code面向部分付费方案开展限时活动，将每周用量上限提高50%。活动原定于5月13日开始，现已延长至2026年8月19日，适用于Pro、Max、Team方案及Enterprise旧版按席位计费用户；Free方案和Enterprise按用量计费席位不在范围内。

增额会自动应用，无需调整账户设置，用户可在CLI中运行/usage查看。活动覆盖Claude Code的CLI、IDE扩展、桌面端和网页端，但不改变5小时用量上限，也不影响Claude网页端、桌面端、移动端及Claude Cowork。活动于8月19日太平洋时间晚11时59分结束，此后周上限恢复标准水平，方案和账单不变。

文章作者观察到，人们正把从日常选择到复杂研究、推理和回答问题的过程交给AI。作者以Ken Liu于2012年发表的短篇小说《The Perfect Match》为参照：故事中的通用助手Tilly替用户决定早餐、音乐和约会对象，主角逐渐不再自行判断个人偏好。

作者还转述朋友在旧金山创业活动中的见闻：一名男子用胸前麦克风记录全部谈话，每天交由工作流汇总分析，并称Claude的批判性思考能力强于自己。文章比较搜索引擎与Google Deep Research、OpenAI Deep Research，认为后者还能代做拆解问题、评估来源和综合答案等中间步骤；作者随后以旅行讨论为例，记录自己与妹妹先自行推测葡萄牙对殖民历史态度、再向AI求证的过程。

一名开发者展示了用SQL实现神经网络的项目，公开的nn.py共有488行、约18.8 KB。代码通过xarray_sql、xarray和NumPy组织数据与计算，模型输入为28×28图像，网络宽度依次为784、196、32和10，隐藏层使用tanh，输出层使用softmax。

示例从Fashion-MNIST训练集读取图像，并设置700个样本、70%训练比例、0.5学习率和60个训练步骤；无法联网读取数据时，代码会生成带噪声的合成分类数据继续运行。实现还可跳过数值为零的像素行，以减少首层连接计算；代码注释记录，在约50%像素为零的Fashion-MNIST数据上，每步耗时由2.56秒降至1.45秒，约加速1.8倍。

文章提出Guardian Angels概念：让高度个性化的数字孪生LLM模拟单一用户的性格、价值观和偏好，用于提升知识工作效率，并协助处理个人信息与网络安全风险。其定位不是常见的助手聊天机器人，而是尽量贴近委托人的目标，由用户决定什么值得做，再调度多个代理执行任务。

方案包括通过动态评估开展在线学习、实时更新模型，使用面向偏好的预训练大模型提高样本效率，并通过主动学习向用户征求纠正和偏好数据；交互形态则强调本地、CLI优先和持续记录。文章设想此类模型可筛查消息中的合成媒体宣传、鱼叉式网络钓鱼等攻击，同时明确它不能解决更广泛的AI对齐问题。作者认为项目可由开源社区推进，但考虑部署安全及高级持续性威胁，也可能更适合作为创业公司，先服务CEO、研究人员等高强度用户。

Rich Sutton将“单步陷阱”定义为一种常见误区：认为AI智能体只需学习一步预测，长期预测可在需要时通过反复迭代生成。这种思路常用于构建描述世界及其演化方式的模型，并把单步转移模型类比为物理规律或现实模拟器。

Sutton指出，只有每次单步预测都完全准确时，迭代才能保证长期预测准确；实践中误差会不断累积，导致长期结果偏离。在随机环境或随机策略下，未来由多条可能路径构成，计算还需为每条路径赋予概率，复杂度随预测长度呈指数增长。他认为应使用options和GVFs构建具有时间抽象能力的世界模型。