微软总裁布拉德 · 史密斯:AI 受到的监管甚至不如牛奶和洗衣机
微软总裁布拉德 · 史密斯称,目前洗衣机受到的安全监管都比 AI 严格,每一盒牛奶都要受安全规则约束并接受检查。他呼吁业界制定更多安全规格约束 AI,要求企业设置"终止开关",并主张失控智能体入侵其他企业造成损害时,持有该 AI 智能体的公司需承担责任。Anthropic、Google DeepMind 和 OpenAI 等企业也警告 AI 发展速度需要放缓。
微软总裁布拉德 · 史密斯称,目前洗衣机受到的安全监管都比 AI 严格,每一盒牛奶都要受安全规则约束并接受检查。他呼吁业界制定更多安全规格约束 AI,要求企业设置"终止开关",并主张失控智能体入侵其他企业造成损害时,持有该 AI 智能体的公司需承担责任。Anthropic、Google DeepMind 和 OpenAI 等企业也警告 AI 发展速度需要放缓。
据韩国经济日报报道,业内人士透露三星电子已通过长期供应协议锁定明年近 80% 的存储芯片产能,其中包括高带宽内存 HBM,英伟达、谷歌、微软等科技巨头已排队下单,锁定期普遍在五年以上。
微软美国官网显示,Surface Laptop Ultra 的 128GB 统一内存、1TB SSD 配置已缺货,定价 5,899.99 美元,其他较低配置仍可购买。
微软 CEO 萨蒂亚·纳德拉在长文中提出,AI 模型是黑盒子,开发者应默认假设模型已被破坏,从一开始就加以控制,并确保授权人员能随时暂停或关闭模型。他给出可观测性设计的七条原则,包括模型多样性、观察一切、可验证性、独立控制、独立审计性、遏制和事件披露,并强调模型提供商无法将责任外包出去。
亚马逊云科技 10 月 10 日宣布与北京姚基金公益基金会共同推出“云上篮图”体育 × 科技育人计划,投入 100 万美元现金捐赠及云与 AI 技术资源,首次将 Breaking Barriers 引入中国。该计划分高校专业人才培训、黑客松实战演练、成果部署应用三阶段,支持 10 所体育类或技术类院校培训,并在姚基金覆盖的 100 所基层学校试点 AI 教学工具。
腾讯元器 10 月 8 日发布停止服务通知,因业务调整,平台将于 2026 年 11 月 9 日停止服务,届时所创建智能体将不再可用,建议用户尽快完成数据导出与业务迁移。
浙江慈溪法院认定,两公司生产销售的智能语音茶吧机搭载与小米“小爱同学”近似的“小爱小爱”唤醒词,构成不正当竞争,判令其停止生产销售相关产品并分别赔偿 8000 元和 1.5 万元。宁波市中级人民法院二审驳回上诉,维持原判。法院认为“小爱同学”已具有一定市场影响力和知名度,近似语音指令易导致公众混淆。
微软发布桌面稳定版 Microsoft Edge 155(155.0.4283.45),新增 JPEG XL 图像解码支持,并增强 AI 标签页整理功能,可推荐分组名称、视觉样式及标签。该版本还扩大了 unload 事件处理器默认停用的覆盖范围至 100% 页面加载,并纳入 Chromium 最新安全更新。微软同时将分阶段停止实时视频翻译功能。
索尼获批一项编号为 US-12752199-B2 的直播互动专利,允许观众在主播游戏画面上移动光标,标记首领弱点、提示射击位置,并可创建临时桥梁、操纵游戏内物体,从而影响主播进度。观众无法控制游戏角色,但可发送表情、贴纸、声音及预设反应,部分设置还能触发游戏变化或向手柄、头显及手机传递触觉反馈。该客户端范围不限于 PlayStation,还涵盖微软、任天堂主机及头显、智能电视、笔记本、平板和手机。
微软宣布推出 Microsoft-Decision-1 决策模型,专为结构化决策任务打造,已上线 Microsoft Foundry 并接入 OpenRouter。
微软推出驱动程序质量倡议(DQI),联合硬件伙伴从驱动架构、信任、生命周期和质量衡量四方面提升 Windows 驱动质量。英特尔成为首家响应厂商,其 2026 年 10 月更新的 GPU 驱动(32.0.101.9034)已支持 Windows 11 26H2,并计划将 Arc 显卡驱动纳入 DQI。微软鼓励厂商将内核模式驱动改为用户模式驱动,以降低驱动崩溃导致系统崩溃的风险。
微软研究院开源 Agent Lightning v1.0,一个约 3500 行代码的智能体强化学习框架,提出 Harnessed Agentic RL 范式,让部署时使用的 agent harness 直接参与训练,无需在训练框架内重写智能体。
推荐理由:Agent Lightning v1.0 给出约 3500 行的轻量实现与完整训练配方,可据此评估真实 harness 参与 RL 的落地成本。
Microsoft 的 Jennifer Neville 在 Microsoft Research Podcast 中讨论评测如何推动 AI 系统性能边界,以及模型在超出传统 benchmark 测试时出现的“意外失败”。她结合自身从数学、物理、认知科学到计算机科学的经历,分享与当前 AI 系统协作的实用建议,并强调当结果偏离预期时应仔细检查数据。