https://t.me/AI_News_CN
📈主流AI服务状态页通知 | 🆕汇集全网ChatGPT/AI新闻 #AI #ChatGPT
🔙备用群 https://t.me/gpt345
✨BEST AI中转 https://api.oaibest.com 2.8折起 支持OpenAI, Claude code, Gemini,Grok, Deepseek, Midjourney, 文件上传分析
Buy ads: https://telega.io/c/AI_News_CN
📈主流AI服务状态页通知 | 🆕汇集全网ChatGPT/AI新闻 #AI #ChatGPT
🔙备用群 https://t.me/gpt345
✨BEST AI中转 https://api.oaibest.com 2.8折起 支持OpenAI, Claude code, Gemini,Grok, Deepseek, Midjourney, 文件上传分析
Buy ads: https://telega.io/c/AI_News_CN
Anomaly ZeroCode 在推理服务上的突破：有望成为 OpenAI 和 Anthropic 之外的最佳提供商
OpenCode 的开发者 dax 宣布在推理服务上取得重大突破，目标成为仅次于 OpenAI 和 Anthropic 的顶级服务商。
内容详情 · 原文链接
via AI情报局 | 全球 AI 动态简报 - Telegram Channel
OpenCode 的开发者 dax 宣布在推理服务上取得重大突破，目标成为仅次于 OpenAI 和 Anthropic 的顶级服务商。
内容详情 · 原文链接
via AI情报局 | 全球 AI 动态简报 - Telegram Channel
Anthropic与字节扎堆AI制药，下一个Coding风口卡在了数据这道坎上
AI制药赛道近期明显升温，两家原本不在这个圈子里的巨头先后下场。Anthropic一边自建湿实验室，用来测试自家模型指挥生物实验的能力，一边牵手诺和诺德、百时美施贵宝，并把Coefficient Bio收入囊中；字节跳动分拆出来的新生实验室也完成了首轮融资。被寄予厚望的AI，当下主要作用在把新药早期研发的轮子转得更快——压缩候选分子的搜索空间和实验迭代时间，但真正烧钱又耗时的临床试验环节却难同步缩短，早期命中率提上来，并不等于临床成功率就跟着涨。
三类玩家走的其实是截然不同的路。专注AI制药的公司盯着药物研发里的单个具体问题，让模型服务于明确的任务；大模型公司则追求通用能力，用单一基础模型再配上垂直工具链，搭起一个科学工作台，目标是缩短每一次研发循环的耗时，格外看重能跨靶点、跨任务流转的数据基础设施；传统药厂手里攥着海量数据，却往往缺一套统一的数据底座。大模型公司把更多研发预算砸进模型训练，靠自建实验室和外援合作去补最珍贵的关键数据，尤其是那些失败的实验数据——它们和成功样本一样，都是喂养模型的硬通货。
商业化路径同样分野清晰。AI制药公司多采用AI-CRO加软件工具再加自研管线的组合拳，其中自研管线最容易把价值落袋为安；大模型公司眼下更侧重临床前研究和研发基础设施，也有部分在悄悄推进自己的管线。说到底，自研管线仍是AI制药公司估值的核心锚点，整个市场都在等英矽智能候选药的III期结果，用真金白银的临床数据来验证这条路线的成色——毕竟无论故事讲得多漂亮，临床数据才是最终的定价标准。
via AI新闻资讯 (author: AI Base)
AI制药赛道近期明显升温，两家原本不在这个圈子里的巨头先后下场。Anthropic一边自建湿实验室，用来测试自家模型指挥生物实验的能力，一边牵手诺和诺德、百时美施贵宝，并把Coefficient Bio收入囊中；字节跳动分拆出来的新生实验室也完成了首轮融资。被寄予厚望的AI，当下主要作用在把新药早期研发的轮子转得更快——压缩候选分子的搜索空间和实验迭代时间，但真正烧钱又耗时的临床试验环节却难同步缩短，早期命中率提上来，并不等于临床成功率就跟着涨。
三类玩家走的其实是截然不同的路。专注AI制药的公司盯着药物研发里的单个具体问题，让模型服务于明确的任务；大模型公司则追求通用能力，用单一基础模型再配上垂直工具链，搭起一个科学工作台，目标是缩短每一次研发循环的耗时，格外看重能跨靶点、跨任务流转的数据基础设施；传统药厂手里攥着海量数据，却往往缺一套统一的数据底座。大模型公司把更多研发预算砸进模型训练，靠自建实验室和外援合作去补最珍贵的关键数据，尤其是那些失败的实验数据——它们和成功样本一样，都是喂养模型的硬通货。
商业化路径同样分野清晰。AI制药公司多采用AI-CRO加软件工具再加自研管线的组合拳，其中自研管线最容易把价值落袋为安；大模型公司眼下更侧重临床前研究和研发基础设施，也有部分在悄悄推进自己的管线。说到底，自研管线仍是AI制药公司估值的核心锚点，整个市场都在等英矽智能候选药的III期结果，用真金白银的临床数据来验证这条路线的成色——毕竟无论故事讲得多漂亮，临床数据才是最终的定价标准。
via AI新闻资讯 (author: AI Base)
微软花 12 万美元让 AI 重写 Copilot 运行时：43 万行 TS 变 80 万行 Rust，快 15.9 倍
微软用 AI 代理将 GitHub Copilot 运行时从 TypeScript 全量移植至 Rust，整个过程只花了约 12 万美元的 token 成本加一名工程师三周时间。
这个运行时比多数用户想象得更要命：它支撑着 GitHub Copilot CLI、Copilot App、SDK 和 Copilot 云 Agent，还会出现在 VS Code、Visual Studio、Excel、Outlook、PowerPoint 以及一堆微软云服务中。原本它用 TypeScript 配 Node.js，好处是开发快，但规模化之后，启动速度和服务器密度都成了瓶颈。
性能实测：每秒 7.55 次提升到 120 次，内存降九成
微软杰出工程师 Stephen Toub 把整个过程写成了长文。数据显示，AI agents 把 43 万行 TypeScript 变成了 80 万行生产级 Rust，跨越 135 个 release、14.5 周，平均每天开 1.3 个移植用 PR。成本大头是 token——约 12 万美元，外加开发者三周人工。Toub 表示，这活儿要是纯手工，得花几年、砸几百万美元。
性能收益相当实在：在一个基准测试中，原 TypeScript 实现每秒处理 7.55 个单轮会话生命周期，Rust 进程内跑到了 120 个，特定负载下实现 15.9 倍加速。内存占用差距更夸张——10 客户端的一批 agents，TypeScript 吃掉 1383MB，Rust 只要 126MB，因为 Rust 版本全程在进程内完成，无需像 TypeScript 那样为补全额外拉起后台子进程。
“AI 疯狂吐代码”的画面几乎是反的
有意思的是，这次移植也在给“AI 编程”祛魅。Toub 观察到，agents 花在收集信息上的时间远超写代码本身。“大众印象里 AI 疯狂吐代码的画面几乎是反的；在这个规模上，工作看起来更像迭代式调查——检查当前状态、形成假设、做一处针对性修改，然后循环。”
最棘手的文件是 session.ts，3 万多行 TypeScript，触及运行时的方方面面。移植它花了 25 小时，光读文档就占 56 分钟、做了 122 次工具调用来澄清需求，随后 spawn 了 15 个子会话，每个都有自己的 worktree 和 agent 并开始互相通信；一个内置编排技能会找到所有活跃会话，给任务重叠的发消息请求协作。
不过这次移植也暴露了用 AI 写 Rust 的坑：整个过程中出现了几十个回归——原本正常的东西改完不工作了。Toub 总结道：“如果编译通过就代表正确，那这句话只配当笑话听。”编译器并不知道函数顺序对不对、任务代价是否可接受。上周蒙特利尔 RustConf 上，顾问 Lisa Crossman 也警告别把编译器当“神谕”：“Rust 阻止 agent 写内存不安全的代码，但不阻止它写错误却正确的程序。”
作为对照，Bun 作者 Jarred Sumner 最近几乎全用 Claude agents 把 Anthropic 的 JS 运行时从 53.5 万行 Zig 搬到 Rust，花了 16.5 万美元 token，在 Linux x64 glibc 上已通过 99.8% 的 Bun 既有测试——但 Zig 创始人 Andrew Kelley 至今称其代码为“没人审的垃圾”。连同这次 Copilot 运行时移植，“AI 大规模重写”正在成为一类可验证的工程现实：便宜、够快，但验收标准必须靠人去盯住“编译通过”之外的语义正确性。
via AI新闻资讯 (author: AI Base)
微软用 AI 代理将 GitHub Copilot 运行时从 TypeScript 全量移植至 Rust，整个过程只花了约 12 万美元的 token 成本加一名工程师三周时间。
这个运行时比多数用户想象得更要命：它支撑着 GitHub Copilot CLI、Copilot App、SDK 和 Copilot 云 Agent，还会出现在 VS Code、Visual Studio、Excel、Outlook、PowerPoint 以及一堆微软云服务中。原本它用 TypeScript 配 Node.js，好处是开发快，但规模化之后，启动速度和服务器密度都成了瓶颈。
性能实测：每秒 7.55 次提升到 120 次，内存降九成
微软杰出工程师 Stephen Toub 把整个过程写成了长文。数据显示，AI agents 把 43 万行 TypeScript 变成了 80 万行生产级 Rust，跨越 135 个 release、14.5 周，平均每天开 1.3 个移植用 PR。成本大头是 token——约 12 万美元，外加开发者三周人工。Toub 表示，这活儿要是纯手工，得花几年、砸几百万美元。
性能收益相当实在：在一个基准测试中，原 TypeScript 实现每秒处理 7.55 个单轮会话生命周期，Rust 进程内跑到了 120 个，特定负载下实现 15.9 倍加速。内存占用差距更夸张——10 客户端的一批 agents，TypeScript 吃掉 1383MB，Rust 只要 126MB，因为 Rust 版本全程在进程内完成，无需像 TypeScript 那样为补全额外拉起后台子进程。
“AI 疯狂吐代码”的画面几乎是反的
有意思的是，这次移植也在给“AI 编程”祛魅。Toub 观察到，agents 花在收集信息上的时间远超写代码本身。“大众印象里 AI 疯狂吐代码的画面几乎是反的；在这个规模上，工作看起来更像迭代式调查——检查当前状态、形成假设、做一处针对性修改，然后循环。”
最棘手的文件是 session.ts，3 万多行 TypeScript，触及运行时的方方面面。移植它花了 25 小时，光读文档就占 56 分钟、做了 122 次工具调用来澄清需求，随后 spawn 了 15 个子会话，每个都有自己的 worktree 和 agent 并开始互相通信；一个内置编排技能会找到所有活跃会话，给任务重叠的发消息请求协作。
不过这次移植也暴露了用 AI 写 Rust 的坑：整个过程中出现了几十个回归——原本正常的东西改完不工作了。Toub 总结道：“如果编译通过就代表正确，那这句话只配当笑话听。”编译器并不知道函数顺序对不对、任务代价是否可接受。上周蒙特利尔 RustConf 上，顾问 Lisa Crossman 也警告别把编译器当“神谕”：“Rust 阻止 agent 写内存不安全的代码，但不阻止它写错误却正确的程序。”
作为对照，Bun 作者 Jarred Sumner 最近几乎全用 Claude agents 把 Anthropic 的 JS 运行时从 53.5 万行 Zig 搬到 Rust，花了 16.5 万美元 token，在 Linux x64 glibc 上已通过 99.8% 的 Bun 既有测试——但 Zig 创始人 Andrew Kelley 至今称其代码为“没人审的垃圾”。连同这次 Copilot 运行时移植，“AI 大规模重写”正在成为一类可验证的工程现实：便宜、够快，但验收标准必须靠人去盯住“编译通过”之外的语义正确性。
via AI新闻资讯 (author: AI Base)
