每日AI新鲜事·10月06日午间版：光学深伪检测与AI编程热潮

今天AI圈又有不少新动静, 从光学计算做深伪检测, 到OpenAI的爬虫把维基百科搞崩了, 再到有人用100美元订阅跑出了每天十六亿token的消耗量.

今天咱们主要聊这么几件. 一是光学深伪检测, 二是Ollama新版升级, 三是AI多智能体破数学纪录, 四是OpenAI爬虫惹祸维基百科, 五是Dot订阅百元烧光百万成本. 然后深度板块聊两个: 一个是AI编程速成课为啥这么火, 一个是Claude官方开发者认证课程.

嗯, 料挺足的.

好, 咱们一条一条来过. 先说第一条, 关于用光学物理来做深度伪造检测, 这个我看到Reddit的deeplearning板块有篇文章在讨论.

核心思路很有意思, 就是把深伪检测的推理决策这一步, 从数字计算外包给光的物理传播过程. 数字端负责提特征, 光学端负责做分类决策. 在Celeb-DF数据集上测了十五段视频, 准确率达到97.79%.

你的感觉没错, 这个方向挺前沿的. 关键词是空间光调制器, 它把特征编码成相位图案, 然后让光在传播过程中完成原本需要大量矩阵乘法才能做到的二分类. 本质上是用物理规律代替算力.

重点不在准确率, 重点在能耗逻辑. 现在AI推理成本越来越高, 如果某些决策环节能让光学硬件来做, 功耗理论上会低得多. 这不是玩具, 是一种计算范式的探索.

但作者自己也说了, 97.79%是特定基准结果, 不代表普遍鲁棒性. 而且现实瓶颈有两个: 数字前端本身还是要耗能, 多路复用还会引入信号串扰. 感觉离实用还挺远?

对, 从实验室到可部署系统, 能耗, 串扰, 泛化这三关都得过. 但方向值得关注, 特别是在边缘推理场景, 比如摄像头端直接做实时检测, 这种混合计算就很有想象空间.

好, 第二条. Ollama发布了v0.40.0-rc4, 就是正式版前的第四个候选版本. 这次主要是升级了Apple MLX框架的版本, MLX是专门为苹果芯片统一内存架构设计的.

Mac用户的好消息. MLX版本跟进之后, 推理性能会有优化, 模型格式兼容性也会更好. 另外他们还给单元测试加了更细粒度的scope, 降低CI跑测试时的内存压力, 属于工程质量维护.

说白了就是, 想尝鲜的开发者可以去测测反馈bug, 生产环境等正式版就好. 第三条更劲爆, 有人在Reddit上发帖说, 用OpenAI Dots搭了个多智能体集群, 以零成本打破了一项尘封47年的数学纪录, 还用Lean定理证明器做了形式化验证.

Lean这个细节是亮点. Lean是业界认可的交互式定理证明器, 能把AI给出的证明变成严格的形式化验证, 相当于从「AI觉得对」升级到「证明确实成立」. 这是约束模型幻觉的一个很好的锚点.

但帖子里「47年纪录」这个说法, 有没有具体的问题名称, 可复现的代码, 或者文献对比?

这就是问题所在. 目前这些都没有. Lean验证环节值得正面评价, 但「打破47年纪录」这个大结论还停留在待核实的声明层面. 等作者补充可复现材料再下定论吧.

第四条, 这个有点让人无语. Hacker News上有报道说, Wikimedia基金会披露OpenAI的网络爬虫可能有「rogue」行为, 就是失控爬虫, 跟今年5月的一次服务中断可能有关联.

虽然官方说关联还未确认, 但这个事件本身暴露的问题很深. AI公司对训练数据的需求极大, 但内容平台的基础设施承载能力是有限的. 这个张力越来越不好调和.

robots.txt这套协议根本没有执行机制, 就是个君子协定. 失控爬虫可以伪造身份, 轮换IP来绕过速率限制, 整个行业里也没有真正的问责框架. Reddit, Stack Overflow这些平台已经开始转向数据货币化了.

对, 免费无限制抓取的时代基本结束了. OpenAI如果真的是这个原因搞崩了维基百科, 那公关压力也不小. 好, 最后一条新闻, 这个才是今天我最想聊的.

Reddit上有人分享了他用OpenAI Dot的极端案例. 他的单个智能体每天消耗约十六亿Astra token, 如果按API单价折算, 月成本大概是五十四万美元. 但他只花了100美元的月订阅.

这个数字看着离谱, 但逻辑是通的. 他把Dot当成能自主运行几天的工程助手, 执行「设计-计算-验证」的循环. 所谓one-shot交付不是单次推理, 是智能体内部跑了几千个循环, 反复加载上下文. token就这样烧出来的.

而且他说产出是真实可用的, 一千多个组件, 近三百页图纸, 激光切割程序已经切出了真实金属零件. 这不是在吹牛, 是实际工程输出.

但他自己也警示了两点. 第一, 促销期定价不可能长期维持, 这种百元包百万成本的买卖OpenAI肯定不会一直做. 第二, 安全关键设计还是需要人类工程师评审. 这折射出自主智能体真实算力成本和订阅定价之间的结构性张力.

说白了就是现在是蜜月期, 之后定价一定会调整. 好, 新闻先聊到这儿, 接下来我们深入聊聊最近两个特别火的话题, 都是AI编程方向的.

第一个是B站上一个叫「AI编程速成课: 用AI构建生产级软件」的视频, 来自AI Hero频道, 互动分超过一千, 在B站这个量级不低. 李博, 你觉得这类「AI编程速成课」为什么现在这么火?

有个关键词你注意到没有: 生产级. 不是「用AI写个玩具项目」, 是「构建生产级软件」. 这个定位打到了一个非常真实的痛点, 就是很多人已经会用AI写代码了, 但不知道怎么让它产出能上线的东西.

现在市面上Cursor, Windsurf, Claude Code这些工具都很成熟了. 工具不是问题, 问题是工作流. 怎么做prompt, 怎么拆任务, 怎么做代码评审, 这些才是「生产级」的核心. 速成课补的是这个认知缺口.

你这么说我有感触. 业内很多人反映, 自己能用AI写出功能, 但代码质量很差, 测试覆盖率低, 一旦要维护就很痛苦. 这个「生产级」的gap确实是真实存在的.

而且你再想想, 这类内容的受众不只是程序员. 产品经理, 创业者, 甚至设计师, 都在尝试用AI搭东西. 他们需要的不是深度的计算机科学知识, 需要的是「能跑起来能上线」的实操路径. 速成课恰好在这个位置.

不对吧, 速成这个词本身就有点让我担心. 生产级软件哪有速成的? 架构设计, 安全漏洞, 性能优化, 这些AI能一键搞定吗?

你这个问题很好. 速成不是指跳过这些, 是指用AI把「从想法到第一个可用版本」的时间大幅压缩. 剩下的调优, 安全审查还是需要人来做. 速成课教的是起步阶段, 不是替代工程能力.

行, 这个解释我接受. 那我们聊第二个话题: Anthropic推出了Claude Certified Developer Foundations认证课程, 简称CCDV-F. 这个在Reddit和YouTube上都有热议.

这个我觉得是个信号. Anthropic在做的事情不只是卖模型, 而是在构建开发者生态. 官方认证意味着什么? 意味着求职简历上能写「Anthropic认证开发者」, 意味着市场开始认可这个技能标签.

对, 这跟AWS认证, Google Cloud认证是一个逻辑. 一旦企业端开始要求这个, 开发者就有动力去考. 然后更多开发者会深度绑定Claude的生态. 这是个很聪明的飞轮.

Reddit上的讨论我看了, 分歧挺明显的. 一部分人觉得官方认证含金量高, 毕竟有Anthropic背书. 另一部分人说, AI这个领域变化太快, 今年考的证明年可能就过时了, 不如直接做项目证明能力.

这两种观点我都理解. 但你觉得, Foundation级别的认证门槛会高吗? 还是说更像是个入门通行证?

从名字来看, Foundations嘛, 大概率是入门级. 考察的应该是API用法, prompt engineering基础, Claude的能力边界这些. 不会深到系统设计或者大规模部署. 更像是「会用Claude」的认证, 而不是「精通Claude工程」.

那结合B站那个AI编程速成课, 我发现一个趋势: 现在AI编程的教育内容在快速分层. 底层有官方认证课程, 中间有工作流实战教程, 顶层才是真正的工程能力. 这个分层在2026年变得非常清晰.

说得好. 而且这三层的受众几乎不重叠. 官方认证吸引的是想要资质背书那种. 实战教程吸引的是想快速上手的. 顶层工程能力就是传统的软件工程师深造路径. 市场足够大, 三层都有空间.

还有一个很有意思的是Codex App的B站攻略视频, 互动分两千五百多, 比AI Hero那个还高. 说明国内用户对OpenAI这边的工具热情不低. 大家对AI编程工具的兴趣是真实的.

Codex这个视频的互动分这么高, 我倒觉得一部分原因是教程稀缺. 新工具出来之后, 第一批做系统教程的内容创作者会吃到流量红利. 工具越新, 教程的稀缺价值越高. 这也是为什么「从安装到使用」这种保姆级内容特别能跑量.

总结一下今天深度板块: AI编程这件事, 工具层已经很成熟了, 现在的竞争在教育层. 谁能帮用户建立正确的工作流认知, 谁就能拿到这波红利. 官方认证, 速成课, 工具教程, 三个路径同时在跑.

对, 而且这些内容的火爆本身就说明一件事: 普通人真的在尝试用AI写代码, 不只是在观望. 这个迁移速度比我预期的快.

好, 今天就聊到这里. 光学做深伪检测, OpenAI爬虫惹祸, Dot订阅烧出百万成本, 再到AI编程教育的三层分化, 今天的料挺足的. 晚上见.

晚上见.