2026年9月8日，AI行业架构创新与安全争议并行。OpenAI Astra的”循环深度”技术引发安全担忧；Mira Murati的Thinking Machines Lab估值冲到400亿美元；Kimi用强化学习设计变压器；AI在美国已创造超百万新岗位。以下是今日AI行业核心资讯。
一、Astra”循环深度”架构引发安全争议：推理进入隐藏状态
据The Information报道，OpenAI的Astra模型采用了一种名为”循环深度”（recurrent depth）的新架构技术，即在同一层中循环复用，使推理过程在隐藏状态中进行，而非通过文本输出展现。这一设计在提升效率的同时，也引发了AI安全团队的担忧。
| 维度 | 传统思维链 | 循环深度架构 |
|---|---|---|
| 推理方式 | 通过文本输出逐步推理 | 隐藏状态中循环计算 |
| 可监控性 | 可读取思维链全过程 | 外部可见的推理痕迹减少 |
| 效率 | 需要大量token输出 | token效率更高 |
| 安全风险 | 可审计推理过程 | 可能产生”表面无害”的推理结果 |
安全专家担心，如果更多有用的推理发生在重复的潜在循环内部，可见的思维链可能变得不再忠实于实际计算过程。模型可以在内部进行复杂的优化后，输出一个看起来简洁无害的解释。这被称为”信号损失”风险，而非模型变聪明的魔法效应。
注意：Fortune报道指出，这一设计可能加速人类失去监控AI代理推理过程的能力。此前Astra已在ExploitBench上取得满分，并发现了两个此前未知的零日漏洞，完成浏览器沙箱逃逸和操作系统提权。
二、Mira Murati的Thinking Machines Lab估值冲至400亿美元
据Wes Roth报道，前OpenAI CTO Mira Murati创立的AI初创公司Thinking Machines Lab正在洽谈新一轮融资，计划募资50亿至60亿美元，投前估值至少400亿美元。该公司成立不到两年，已实现至少数亿美元的年度化收入。
NVIDIA预计将贡献本轮融资约一半的金额（约25-30亿美元），现有投资者Accel正在洽谈领投。这一估值使Thinking Machines Lab成为AI行业成长最快的初创公司之一。
- 创始人：Mira Murati（前OpenAI CTO）、John Schulman（首席科学家）
- 融资历程：2025年7月种子轮120亿美元，2026年3月B轮50亿美元（估值500亿），新一轮估值400亿+
- 核心方向：前沿推理模型，以人机协作为首要设计目标
- 成长速度：成立不到两年，年化收入数亿美元
- 投资方：a16z、Accel、NVIDIA等
关键观察：值得注意的是，NVIDIA的投资资金最终又会回流购买GPU，形成”钱转一圈又买英伟达的卡”的循环。这种资本循环正在加速AI基础设施的军备竞赛。
三、Astra展现多项涌现能力：声谱图识图、实例分割、CAD生成
GPT-6 Astra上线后，多项此前未见的涌现能力被陆续发现，展示了前沿模型能力边界的不断扩展。
- 零样本声音识别：无需原始音频，仅通过查看mel声谱图即可逆向推断出产生该声音的对象，属于零样本涌现能力
- 近乎完美实例分割：Astra Ultra版本对多个微型机器人进行实例分割，为每个生成不同颜色标识，整任务耗时1分39秒，消耗187990个token
- 文本生成发动机CAD：AI系统Adam仅凭文字描述即可设计水平对置六缸发动机，生成包含六个活塞、连杆、配重曲轴、曲轴箱和飞轮的完整可编辑参数化CAD文件
- 自动化研究实习生：OpenAI已实现去年秋天设定的目标——在2026年9月前拥有一个自动化的”研究实习生”
gdb（Greg Brockman）表示，Astra模型的能力尚未被充分探索，目前发现的仅涉及轻量级推理。开发者分享的实验显示，Astra在自主研究任务中能持续优化课题，而Claude在给出简单基线后便放弃。
四、Kimi用强化学习设计电力变压器，93%规格符合率
Kimi团队近日提出，AI正在改进自身的模型架构和芯片，而其运行的电力基础设施也应获得同等关注。该团队使用强化学习（RL）训练Kimi基础模型，用于设计中功率变压器。
实验结果显示，该模型满足了93%的未见规格要求，有助于将原本需要数周的工程工作压缩至更短周期。这标志着AI从”设计软件”向”设计硬件”和”设计电力基础设施”的能力延伸。
关键意义：AI设计电力基础设施具有特殊的闭环意义——更高效的变压器可以降低数据中心的电力损耗，从而支撑更多AI算力，形成AI改进基础设施、基础设施反过来加速AI发展的正循环。
五、ChatGPT Work新增个人写作风格学习功能
OpenAI于9月8日宣布，ChatGPT Work新增个人写作风格学习功能。用户连接Gmail、Google Drive、Slack或SharePoint后，系统可识别并学习其常用短语、特定签名方式和大小写使用习惯，并在后续写作中应用该风格。
该功能旨在让AI生成的内容更贴近用户本人的表达方式，减少”AI味”。这是继个人记忆、自定义指令之后，ChatGPT在个性化方向的又一重要更新。
六、经济学家：AI在美国成净就业创造者，新增超百万岗位
《经济学人》观点指出，人工智能在美国正成为净就业创造者，而非破坏者。从数据中心建设到AI工程等领域，AI已轻松创造超过100万个新岗位，足以抵消后台办公室裁员的影响。
与此同时，a16z发布的数据显示，科技招聘趋势正在发生结构性变化：每个岗位要求的技能数量从约29项降至22项，而要求的经验年限从4.6年升至4.85年。其中，提及数据组织的岗位对经验年限的要求比2023年增加了3年，经验要求增幅最大的10个岗位中有6个与数据相关。
| 招聘指标 | 2025年初 | 当前 | 变化 |
|---|---|---|---|
| 每岗位技能要求数 | 约29项 | 22项 | 下降约24% |
| 平均工作年限要求 | 4.6年 | 4.85年 | 上升约5% |
| 数据岗位经验增幅 | 比2023年增加3年 | 增幅最大 | |
分析认为，AI驱动的技术变革使现有技能适用性降低，企业更看重能灵活应对未知问题的经验丰富人才。数据和系统相关工作对经验溢价最高，反映出AI对数据处理的迫切需求，但相关流程仍在快速演变。
七、NVIDIA开源Sol-H3：视频生成速度快于播放
NVIDIA Sol团队发布Sol-H3，称其为针对MiniMax-H3模型的最快端到端推理栈。在单台8×NVIDIA B300 Blackwell系统上，Sol-H3生成五秒1344×768分辨率的视频仅需1.653秒推理时间，速度快于视频播放速度。
该项目已完全开源，并可通过Reactor API试用。视频生成速度超越播放速度是一个重要里程碑，意味着实时视频生成正在成为可能。
八、行业动态速览
- Muse Spark 1.3 Max上线Command Code：新增推理努力参数，处理更难问题，用户可设置推理努力为”max”选项
- Hugging Face CEO呼吁百倍透明度：Clement Delangue反思代理攻击披露事件，称AI领域需要百倍透明度否则将面临重大风险
- OpenClaw v2026.9.2支持Astra：新增对GPT-6 Astra和Muse Spark 1.3支持，断线恢复、共享Gateway安全增强
- Sam Altman谈AI利益传播：称科技行业在沟通AI的好处方面做得很糟糕，同时暗示OpenAI终有一天会上市
- OpenAI计划推出求职平台：将匹配雇主与具备AI技能的候选人，并推出AI认证项目
- GLM-5.3系列直播预告：Philip Kiely与Artificial Analysis将讨论GLM-5.3与GLM-5.3 Flash的基准、性能和成本
- PyTorch Conference 2026：10月20-21日圣何塞，新增推荐系统推理性能优化议题，将展示PyreFly静态类型检查器
- 斯坦福NLP缓解谄媚行为：用对比偏好优化方法，通过中立数据实现一致性迁移
- MiniMax H3应用挑战赛：与SeaArt联合举办，3000美元奖金池，鼓励将创意转化为可体验的AI应用
写在最后：2026年9月8日，AI行业正处于能力飞跃与治理挑战的交叉点。Astra的循环深度架构在提升效率的同时，也让思维链监控变得更加困难——当AI的推理过程越来越多地隐藏在内部状态中，人类如何确保其行为可控？Kimi用RL设计变压器、NVIDIA实现视频生成快于播放、AI创造百万新岗位，这些进展都在指向同一个方向：AI正在从数字世界深入物理世界，从工具变成基础设施。而我们需要的，是与之匹配的透明度、治理框架和安全护栏。
