668阶Hadamard矩阵求解：Claude与人类研究者合作突破
Anthropic研究人员与Claude合作，找到了668阶Hadamard矩阵，这是该问题最小未知情形的突破。解以谜题形式发布，编码了所有不超过2000阶且此前未知的Hadamard矩阵。Hadamard猜想——即所有合法阶数都存在对应矩阵——是否已被完全解决尚不明确，可能源于搜索策略改进或全新构造方法。 
Epoch
Epoch AI 是一家研究机构，研究塑造 AI 发展的关键趋势和问题，如算力增长、数据集规模等。
评论
点赞
收藏AI能独立完成的最大软件项目有多大？
Epoch AI发布MirrorCode基准测试，要求AI在不看源码的情况下完整重实现整个程序。Claude Opus 4.7用14小时、花费251美元重写了约1.6万行Go语言的gotree生物信息学工具，但整体解出率仅56%。一年前的领先模型得分约30%，且只能处理日历工具等简单程序。数据污染是潜在问题，但记忆筛查显示结果并非主要由背诵驱动。 
Claude Mythos发布后，全球高危软件漏洞披露量激增3.5倍
Anthropic发布Claude Mythos预览版后，2026年6月高危漏洞披露量激增3.5倍。 这主要得益于Anthropic的Glasswing项目和OpenAI的Daybreak产品利用前沿AI模型提前发现并修复了上万处严重漏洞。
MirrorCode：AI能独立完成的软件项目有多大？
Epoch AI与METR联合发布MirrorCode基准测试，评估AI在无需源码情况下重新实现整个大型程序的能力。测试涵盖Unix工具、生物信息学等25个项目，目前最佳模型得分56%。 Claude Opus 4.7在14小时内重写了约1.6万行Go代码的生物信息工具，成本仅251美元，而人类工程师需数周。研究指出模型可能存在数据污染，但结果仍显示AI在长周期编程任务上进步迅速。 
最大 AI 数据中心纪录：每 7 个月算力翻倍
Epoch AI 数据显示，自 2024 年 8 月 SpaceX AI 的 Colossus 1 上线以来，全球算力最强的单一 AI 数据中心纪录每 7 个月翻一番。Anthropic、微软和 Meta 的设施曾轮流占据榜首。 文章指出，这种增长反映了超大规模厂商在单点算力上的投入极限。虽然未来两年增速可能放缓，但这一趋势揭示了 AI 训练基础设施的快速扩张节奏。 
AI热潮使计算基础设施占美国GDP份额翻倍
AI基础设施繁荣推动美国计算基础设施占GDP比重翻倍，从2015-2022年平均的0.7%升至2026年一季度的1.5%。 数据中心建设、计算硬件和网络设备投资成为美国私人投资增长的主要驱动力。 
网络安全漏洞趋势交互式探索器
Epoch AI 发布了一个交互式漏洞趋势探索器，可视化 2020 年以来的 CVE 数据。 文章详细说明了基于 CVSS 的严重程度分级及 CNA 报告机制。 重点分析了 Anthropic Claude Mythos 发布后漏洞报告量的激增，指出 AI 辅助发现漏洞可能是主要原因。 
内存成本占 AI 芯片组件总成本近三分之二
Epoch AI 数据显示，2024 年一季度至 2025 年四季度，英伟达、AMD 等厂商 AI 芯片中 HBM 内存成本占比从 52% 升至 63%。与此同时，逻辑芯片和先进封装的成本占比相对下降。 这一变化主要受 HBM 供应紧张及价格飙升驱动。微软和 Meta 已上调 2026 年资本支出预算以应对组件价格上涨，显示存储成本在 AI 硬件投入中的主导地位正在增强。
前沿实验室尚未使用大部分 AI 算力
Epoch AI 估算显示，截至 2025 年底，OpenAI、Anthropic 等顶级前沿实验室仅使用了全球约一半的 AI 算力。尽管目前大部分算力被云服务商和其他应用消耗，但随着头部厂商营收激增和激进扩张，这一比例预计将在未来几年迅速改变。 文章指出，Anthropic 和 OpenAI 的算力增长速度远超行业平均水平，且正通过巨额资本支出抢占市场。若这种趋势持续，顶级实验室将吸收剩余算力空间，导致整体 AI 基础设施投资增速放缓，进而可能制约模型能力的进一步扩展。
机器人产能能多快扩张？
Epoch AI 分析了人形机器人等五种形态在面临巨大需求冲击时的产能扩张速度。通过参考二战飞机、无人机等历史案例，指出成熟品类翻倍周期约10-16个月。 主要瓶颈在于建厂时间（中国需6-9个月）和高精度减速器供应。若需求爆发，2030年人形机器人年产量可能达1000万至3000万台。
交付周期拉长将导致 AI 算力扩展放缓
Epoch AI 分析认为，随着 AI 算力需求呈指数级增长，从购买 GPU 到建设数据中心甚至晶圆厂，各环节的交付周期显著拉长。 每增加 10 倍算力规模，项目启动到部署的时间大约延长一年。 这种“滞后效应”导致投资者难以快速验证回报，从而倾向于分阶段小规模投资而非一次性巨额投入。这意味着未来几年 AI 算力的扩张速度将不得不放缓，进而可能拖慢大模型能力的提升进程。
英伟达 B200 生产成本约 6400 美元，内存占一半
Epoch AI 估算英伟达 B200 GPU 的生产成本约为 6400 美元，其中 HBM 内存和先进封装占成本的三分之二。 文章基于物料清单模型，结合台积电产能和晶圆成本数据，详细拆解了逻辑芯片、内存及良率损耗的成本构成。
算法能力提升的速度有多快？算力依赖型突破才是关键
芝加哥大学 XLab 团队研究指出，历史上最大的算法突破大多依赖大规模算力才能显现效果，小模型测试往往无效甚至有害。 这意味着纯软件层面的智能爆炸可能受限于算力瓶颈，难以快速实现。 相比之下，层归一化等“算力无关”改进虽能带来稳定提升，但幅度远小于依赖算力的创新。研究认为，前沿实验室因拥有充足算力，在发现和验证这些关键算法上具有显著优势，硬件与算法实为互补关系。 
Epoch 确认 GPT-5.4 Pro 解开前沿数学开放难题
Epoch AI 确认 GPT-5.4 Pro 解决了 FrontierMath 中的超图拉姆齐问题。多位数学家验证了解法正确性，并计划发表。 其他前沿模型如 Opus 4.6 和 Gemini 3.1 Pro 也成功解出该题，展示了当前大模型在复杂数学推理上的突破。
强化学习环境行业深度调查：成本、挑战与未来趋势
Epoch AI 访谈了18位行业人士，深入解析强化学习环境这一前沿AI训练的关键瓶颈。文章揭示了从数学代码到企业工作流的扩展，以及奖励黑客攻击等核心挑战。 数据显示该市场规模巨大且增长迅速，独家合同高达七位数。对于关注大模型训练底层逻辑、数据工程及AI基础设施的技术读者而言，这是一篇提供大量一手信息和行业洞察的高质量报道。
AI 离取代我的工作还有多远？一项基于真实工作流的实测与预测
Epoch 研究员通过三个实际工作场景测试当前 AI 能力：复刻复杂经济模型网页界面、撰写深度分析文章、以及将稿件发布到网站。结果显示，虽然代码生成进步明显，但在需要审美判断、风格把控和复杂交互操作的“模糊任务”上，AI 仍远未达到替代人类专家的水平。作者据此预测，AI 完全接管其工作可能需要到 2028 年底甚至更久。
关于美国 AI 电力危机，大多数人可能都错了
Epoch AI 认为美国 AI 电力瓶颈被高估。尽管电网建设缓慢，但天然气涡轮机产能充足，且 AI 公司愿意支付溢价。 太阳能微电网和需求响应机制也能提供大量额外电力，足以支撑未来几年的算力扩张需求。 
AI 公司能盈利吗？基于 GPT-5 生命周期的深度财务拆解
Epoch AI 深入分析了 OpenAI 在 GPT-5 生命周期内的财务数据。研究发现，虽然推理业务本身有约 30% 的毛利，但扣除研发、人力和营销成本后，OpenAI 实际上处于盈亏平衡甚至亏损状态。 文章指出，由于前沿模型迭代极快，GPT-5 的生命周期太短，其产生的利润无法覆盖高达 50 亿美元的研发投入。这揭示了 AI 行业“快速折旧的基础设施”这一核心经济矛盾，即模型尚未回本就被新一代产品取代。 
FrontierMath：面向 AI 测试的未解数学难题集
Epoch AI 发布了 FrontierMath 基准测试，包含 15 道专业数学家都未解决的数学难题。 这些题目涉及数论、组合数学等领域，旨在测试 AI 推动人类数学知识进步的能力。目前仅有一题被 AI 解决，且提供了程序验证器供购买使用。