OpenAI 致信德州州长：数据中心的电和水，我们自己掏钱
OpenAI 8 月 10 日公开了一封致德州州长 Greg Abbott 的信，就其在德州扩建的 AI 基础设施做出承诺：配套基础设施成本自行承担、支持德州新增发电能力、尽量减少用水。背景是 Abbott 近期给数据中心立了规矩：电网接入自己出钱、尽可能重复用水、不得推高居民电价、不拿纳税人补贴；Meta 同日也做了类似承诺（另见当地媒体报道）。在我看来，这封信真正说明问题的是收信人：对 Stargate 这类项目，眼下真正卡脖子的约束是州一级的电和水，大厂开始直接跟州长算资源账，而联邦层面的 AI 立法还排不上这个优先级。
智库 IFP 回应「调速」公开信：23 条建议，带预算数字
华盛顿智库 Institute for Progress 8 月 6 日发布报告《美国应如何为日益自动化的 AI 研发做准备》，直接回应 7 月底那封 1300 多人联署的 Pacing the Frontier 公开信（我当时拆解过这封信，当时最大的疑问是「调速能力」到底由什么机制构成）。报告给出 7 类共 23 条建议，类目配比本身就是立场：「延续美国 AI 优势」7 条、「验证技术」6 条，竞争和核查并排放在最前面。具体条目落到了钱和机构上：给商务部下属的 AI 标准与创新中心（CAISI，由原美国 AI 安全研究所改组而来）每年至少 8400 万美元预算；与业界共建验证联盟，试点核查算力实际用途的技术；立法要求 DNA 合成服务商筛查订单。公开信当时留下的空白，这份报告补了一版工程答案：先有可核查的算力监测，才谈得上调速。
Stanford HAI：管「心理健康 AI」，先说清管的是什么
Stanford HAI 的研究者根据 6 月一场政策研讨会发文，梳理心理健康 AI 监管的三个难点。最实在的一点是定义：通用聊天机器人、扮演咨询师的陪伴 bot、健康类 App、临床辅助工具是四类不同的东西，一刀切禁掉「AI 心理咨询」，结果可能是把用户推向完全不受监管的通用聊天机器人。评测也跟不上：风险最高的对话（如自伤危机）在数据里罕见且难以模拟，规模化研究安全性所需的真实交互数据握在厂商手里，又缺少与外部研究者或监管方共享的机制。厂商内部也不是想看就能看：按大平台通行的隐私实践，员工不能直接查看用户对话，内部能分析的多是聚合层面的特征。现有指标反映的是开发者的优先级而非治疗效果。文中统计，美国州一级已提出 140 多个相关法案，联邦立法还停留在未成年人保护。作者的判断是：标明 AI 身份、危机应对协议、数据保护这些有共识的事可以先做，但「为停留时长优化的商业模式」与用户健康的冲突，靠披露义务解决不了。
SIGIR 论文：RAG 被投毒时，模型的注意力会「坍缩」到毒文档上
RAG（检索增强生成，模型作答前先从文档库检索材料）的投毒攻击，是往文档库里塞精心构造的恶意文档来操纵模型输出。这篇被 SIGIR 2026 接收的论文发现，从输出端很难抓到这种攻击：被投毒的回答在困惑度（模型对一段文本的「意外程度」）上甚至比正常回答更低，看起来更流畅。但模型内部有信号：生成被操纵的答案时，注意力会异常集中到那几篇恶意文档上，对其余文档的关注急剧收窄。作者把这个现象叫「文档级注意力坍塌」，并据此做了检测器 D-SCAN。这个思路把检测从「看答案对不对」移到「看模型内部状态」，连没能改变最终答案的失败攻击也能发现——对想监控投毒尝试的生产系统，这比事后核对答案有用。
论文：假新闻视频进入「纯合成」时代，旧检测信号失效
以往的假新闻视频研究主要围绕低成本造假（cheap fakes）展开：挪用既有素材，配一段误导性文案，检测器抓的就是画面与文案对不上的痕迹。这篇被 ACM Multimedia 2026 接收的论文指出，文生视频模型让画面可以按文案从零合成，图像和文字天然严丝合缝，「图文不一致」这个最常用的检测信号直接落空。作者构建了据称是首个纯合成假新闻视频数据集 PS-FNVD，把任务改成三分类（真实/低成本造假/纯合成），检测框架结合两类信号：一是内容本身站不站得住的语义推理，二是生成模型留在画面里的物理痕迹，即光影和表面纹理异常、帧与帧之间不连贯、人体或面部变形、违反物理规律的运动这类视觉破绽，由一个多模态模型按这些维度检查抽样帧。准确率比次优基线高约 12 个百分点。对内容审核，这是个实际的转折：素材溯源（这段画面最早出现在哪）对纯合成视频无从查起，检测重心只能移向生成痕迹本身。
Needle 2：14MB 的端侧 agent 模型，跑在 200 美元以下的硬件上
Cactus Compute 发布 Needle 2，一个 4500 万参数、压缩后仅 14MB 的开放模型，整个会话只占 28MB 内存。这里的「agent 模型」是窄义的：不做开放聊天，专门把用户指令映射成带类型参数的设备函数调用（工具调用、设备控制、结构化提取），目标硬件是树莓派、廉价手机、ESP32 微控制器一类，官方数字是树莓派 5 上每秒解码 500 个以上 token。按官方评测，它在 Mobile Actions 基准上拿 63.7%，低于体积大 5 倍的 LFM2.5 230M（69.1%），但体积小 5 到 70 倍；智能戒指厂商 Pebble 已在产品里用它做离线的语音转操作。端侧 agent 的现实形态大概如此：与其把大模型塞进手机，不如为「听懂指令、调对函数」这一件事训练一个足够小的专用模型。
Dan Luu 实测：coding agent 该用什么语言，token 效率说了不算
流行说法是动态语言（Python、Ruby）更省 token、对 coding agent 更友好。Dan Luu 用两个不小的任务做了实测（按规范从零实现 zstd 解码器；修改 pandoc 并用保留测试集验证），横跨 Rust、Go、C++、Haskell、Python、Ruby、Clojure 等十来种语言，同时测正确率和成本。结果是小任务上动态语言的优势放到大任务上就消失了：中等推理强度下动态语言略占优，推理强度拉满后互有胜负、静态语言追平，而成绩与语言流行度之间弱到中等的相关性，反而超过与类型系统的关联。他的结论务实：给 agent 选语言，选主流的就行，别按 token 计数的推演去换语言。
pyca/cryptography 加入后量子算法，Python 生态一条 pip install 之遥
这条不是本周的新闻：Trail of Bits 在 5 月初发布的 pyca/cryptography 48 版里就实现了 NIST 标准的后量子算法 ML-KEM（密钥封装）和 ML-DSA（数字签名），团队 6 月 30 日撰文介绍，本周经 Bruce Schneier 转发才被更多人注意到。pyca/cryptography 是 PyPI 下载量第 11 的包，月下载 12 亿次，Python 生态的加密、签名、TLS 功能大量最终落在它身上，这次更新意味着它上面的整条依赖链都可以开始迁移。代价也直白：ML-DSA-65 一个签名 3309 字节，Ed25519 只要 64 字节，协议和存储格式要为大约 50 倍的签名体积腾地方。迁移的时间压力来自「先截存、后解密」：加密流量可以现在被录下来，等将来量子计算机成熟再解，所以换算法要赶在那之前；白宫已要求高价值、高影响的联邦系统在 2030 年底前完成密钥建立算法的迁移、2031 年底前完成数字签名的迁移。
今日一句话：AI 治理的语言正在从原则换成条款——「调速」落成 23 条带预算数字的建议，「负责任基建」落成一封承诺自己付电费水费的信。