AI日报 | 2026年6月5日

57.5%。

这是 Cloudflare Radar 过去一周统计出来的数字，全球所有 HTML 网页请求中，机器人流量占比首次超过了真人。爬虫、AI 抓取、自动化脚本，这些「看不见的访客」已经比你我这样的活人多了。

你想想看，互联网本来是给人看的，现在「看」互联网的主力变成了机器。这个拐点来得比很多人预想的要快。

🔥 重点新闻

OpenAI 最近发了一篇文章，提到了一个很多人一直在等但也一直在回避的信号，递归自我改进（RSI）。

他们的原话是，「我们也看到了当今系统中递归自我改进的早期迹象，AI 开发本身正被 AI 加速。」

坦率的讲，这不是什么新概念，AI 圈子讨论 RSI 已经好几年了。但 OpenAI 作为行业领头羊公开承认「早期迹象已出现」，这个分量不一样。他们还提到，这会加剧开发者和国家之间的竞争压力，带来现有机构无法应对的治理挑战。

我自己的感受是，这句话读完有一种「潘多拉的盒子已经开了一条缝」的感觉。不是恐慌，而是一种冷静的确认，某些东西确实在加速了。

来源，OpenAI 官方动态

ChatGPT 的记忆能力又升级了。这次推出的新系统叫 Dreaming，目标很明确，让你的 AI 助手更好地记住你的偏好，跨对话保持上下文的新鲜感。

很多朋友可能不知道，之前的 ChatGPT 记忆其实挺粗糙的，经常记不住关键偏好，或者记住了但跨对话就丢了。Dreaming 试图解决的就是这个「跨会话遗忘」的问题。

对普通用户来说，以后你不用每次开新对话都重新解释一遍自己的需求了。对开发者来说，个性化 AI 助手的门槛又降了一截。

来源，OpenAI 官网动态

OpenRouter 平台最新数据显示，DeepSeek 已经连续四周在 token 份额排行榜上位居第一。

这件事值得关注的不是排名本身，而是背后的信号。OpenRouter 是一个聚合了几乎所有主流模型的平台，用户用脚投票的结果很说明问题。DeepSeek 能在这个竞争激烈的榜单上连续四周霸榜，说明它的性价比和实际使用体验确实在开发者群体中获得了认可。

国产大模型在国际平台上持续领先，这在两年前是很难想象的。

来源，OpenRouter 官方推特

全球最大芯片制造商台积电最近说了一句大实话，通过美国本土生产满足客户需求可能需要「非常长的时间」。

AI 需求的爆发式增长让芯片产能成了瓶颈。你训练一个大模型需要成千上万张 GPU，推理服务又要持续消耗算力，这个需求增长曲线太陡了。台积电作为全球先进制程的绝对垄断者都说「只能支持这么多」，你可以想象产能紧张到了什么程度。

这也是为什么最近这么多公司在搞自研芯片，Google 的 TPU、亚马逊的 Trainium、微软的 Maia，都是在试图摆脱对台积电的单一依赖。

来源，The Verge

Bloomberg 报道，微软 AI 部门负责人公开表示 Anthropic 的模型成本过高，公司正在内部研发更廉价的替代模型。

这话听着有点意思。微软是 OpenAI 最大的投资方，同时也是 Anthropic 的重要客户之一。现在公开说「太贵了，我要自己做」，这里面的博弈很微妙。

一方面说明企业客户对 AI 推理成本的敏感度在持续上升，另一方面也说明大厂们都不想在模型层面被单一供应商卡脖子。自研模型不一定要比 Claude 更强，够用且便宜就够了。

来源，Bloomberg

Google AI 团队推出了 Magenta RealTime 2（MRT2），一个开放权重的实时音乐生成模型。

这个模型的亮点在于「实时」两个字。你可以用 MIDI 键盘弹奏，用文字提示控制风格，甚至用手势来指挥。而且它直接在 MacBook 上原生运行，延迟很低。

想想就觉得兴奋，一个本地运行的 AI 音乐生成器，你可以像弹钢琴一样和它即兴互动。这不再是「输入文字等音乐出来」的单向过程，而是一种真正的实时协作。

来源，Google AI for Developers

Anthropic 把他们用于 AI 驱动漏洞发现的框架代码开源了，托管在 GitHub 上。

这个框架用 AI 技术来自动发现软件中的安全缺陷。对于安全领域来说，这是一个很实际的工具，用 AI 来找漏洞比传统静态分析工具更灵活，能发现更复杂的逻辑缺陷。

Anthropic 一直在安全和对齐研究上投入很重，这次开源漏洞发现框架，某种程度上也是在用行动说话，「我们不光在做 AI 安全研究，也在用 AI 提升软件安全。」

来源，GitHub / Anthropic

Neolab 推出了 Nex-N2-Pro，基于 Qwen3.5-397B-A17B 架构，总参数 397B 的 MoE 推理模型。支持 262K 上下文窗口和多模态能力，官方宣称性能达到了 GPT-5.5 和 Claude Opus 4.7 的水平。

MoE（专家混合）架构现在几乎成了大模型的标配。397B 总参数但只激活 17B，这种「大而省」的设计思路已经被验证是有效的。基于 Qwen3.5 底座也说明国产基座模型的生态在快速成熟。

不过「达到 GPT-5.5 水平」这种说法，还是得看实际的第三方评测。自卖自夸的 benchmark 参考价值有限。

来源，SiliconFlowAI

Nemotron 3.5 Content Safety，NVIDIA 基于 Gemma 3 4B 的多模态安全评估模型，支持企业用自然语言定义专属安全规则。128K 上下文，可定制策略，这在企业级 AI 部署中是刚需。来源，Hugging Face Blog
Google 被动心率监测系统 PHRM，用手机前置摄像头在日常使用中（人脸解锁后几秒内）估算心率，MAPE 低于 10%。不需要额外硬件，纯软件方案，健康监测又近了一步。来源，Google Research Blog
NVIDIA Nemotron 3 Ultra，专为长时间运行的 AI 智能体设计，能在多轮对话中保持上下文、调用工具、处理复杂工作流。智能体基础设施在快速完善。来源，NVIDIA Technical Blog