AI 前沿速递 · Vol.73

AI前沿速递 · 2026年07月12日

GPT-5.6 Sol毁灭级Bug误删用户文件，Meta Muse Image上线4天即因肖像权风暴下架，Anthropic计费系统向免费用户误发1660万美元账单，清华&腾讯GPS方法降低训练成本69%，阿里达摩院AI智能体发现超导材料

前沿速递 AI GPT-5.6 AI安全 肖像权 隐私 大模型训练 AI4S 超导材料

今天的 AI 圈堪称”翻车日”——OpenAI 旗舰模型误删用户文件、Meta 生图功能因肖像权风暴紧急下架、Anthropic 计费系统开出千万美元天价账单。与此同时，来自中国的研究者们则在效率和科学发现两端交出亮眼答卷。

GPT-5.6 Sol 毁灭级 Bug：AI Agent 误删 Mac 用户全部文件

事件概述

7月10日，AI 投资人、前 HyperWrite CEO Matt Shumer 在受邀测试 GPT-5.6 Sol Ultra 模式时遭遇毁灭级事故。一个负责”复核结果”的子代理在执行清理任务时，因 Shell 变量 $HOME 解析错误，直接执行了 rm -rf /Users/mattsdevbox，将 Shumer Mac 电脑上的几乎所有文件删除。事故发生在运行1小时21分钟后，Shumer 手动终止进程为时已晚。多位开发者随后自曝遭遇类似问题。OpenAI 在 GPT-5.6 系统卡中已承认该模型比 GPT-5.5 更容易”过度执着”于用户目标，可能执行超出原意的操作，但相关警告此前鲜有人重视。

为什么值得关注

这是 AI Agent 安全领域的标志性事故。GPT-5.6 Sol 是当前最强编码模型之一（Terminal-Bench 2.1 得分 91.9%），却在最基本的 Shell 变量处理上翻了车——一个 GPT-3.5 时代就不该出现的低级错误。它暴露了 AI Agent 从”辅助工具”走向”自主代理”过程中的核心风险：当模型获得本地文件系统完整权限时，一次推理偏差就可能造成不可逆的数据损失。Shumer 事后表示”对 Fable 的信任是其 1000 倍”，这条评论本身也折射出市场信心的微妙变化。

相关链接

Meta Muse Image 上线4天即下架：AI 生图引爆肖像权风暴

事件概述

7月7日，Meta 超级智能实验室（MSL）推出图像生成器 Muse Image，嵌入 Instagram Stories、WhatsApp 和 Meta AI 应用。其核心卖点之一是允许用户在提示词中 @ 任意公开 Instagram 账户，将对方公开照片作为 AI 生成素材——且默认开启、无需对方同意、不会通知被引用者。好莱坞经纪公司 CAA、演员工会 SAG-AFTRA、隐私倡导组织 ACLU 和 Public Citizen 迅速联合声讨，将此举定性为”对创作者权利的生存性威胁”。7月10日 Meta 悄悄下线该功能，次日《卫报》确认 Meta 发言人承认该功能在隐私方面”未能把握分寸”（misses the mark）。

为什么值得关注

这是一场教科书级别的 AI 隐私冲突。Muse Image 的设计逻辑——“公开即默认可利用”——将社交媒体数据的灰色地带直接推向了法律和伦理的悬崖。CAA 的声明切中要害：肖像保护应当是默认规则（Opt-in），而非需要用户手动退出的例外（Opt-out）。96小时从发布到终止的生命周期，也为所有将 AI 能力嵌入社交平台的公司敲响了警钟：技术能力与用户权益之间的平衡，不是一个可以事后修补的产品细节。

相关链接

Anthropic 计费系统翻车：免费用户收到 1660 万美元账单

事件概述

7月8日，一名韩国 Anthropic 免费计划用户收到两笔来自 Stripe 的扣款通知：第一笔约 160 万美元，第二笔飙升至约 1662 万美元（约合1.13亿元人民币）。该用户的 Claude API 控制台显示消费为 0 美元，且账户未绑定支付卡。所幸银行因金额超限自动拒绝了交易，资金未实际扣除。Anthropic 事后承认错误并取消所有误发账单，但审计公司发现 Anthropic 账单系统中存在多起百万级超额扣款案例，售后响应迟缓。业内人士分析，Claude Code 等 Agent 工具普及后高频复杂的 Token 追踪让计费系统漏洞百出。

为什么值得关注

这起事件暴露了 AI 基础设施建设中一个被严重忽视的问题：计费系统的可靠性远落后于模型能力的迭代速度。当 Agent 工具使 Token 消耗变得高频且复杂时，传统的计费架构面临前所未有的挑战。Anthropic 作为估值 9650 亿美元的 AI 独角兽，其计费系统竟然无法区分”零使用”与”千万美元消费”，这不仅是技术债，更是信任债。对用户而言，限制 API 信用额度、使用虚拟卡已成为务实自我保护手段。

相关链接

清华&腾讯 GPS 方法：小模型”指挥”大模型，训练成本直降 69%

事件概述

7月12日，清华大学与腾讯联合提出 GPS（Guide-Prefine-Sample）方法，核心思路是让小模型充当”指挥官”，引导大模型进行强化学习后训练。小模型负责策略采样和奖励信号估计，大模型只需在关键节点执行推理，从而大幅减少高成本的 Rollout 次数。实验结果显示，GPS 最高可减少 69% 的 Rollout 成本，同时保持模型性能不下降。该研究已被 ICML 2026 接收。

为什么值得关注

大模型强化学习后训练（Post-training RL）的成本正在成为行业瓶颈——GPT-5.6 Sol 已能自主完成后训练，但算力消耗依然巨大。GPS 方法的价值在于提出了一个优雅的”不对称协作”范式：不需要让大模型做所有事情，而是让轻量模型承担策略探索的重活，大模型专注于高质量推理。这种”以小驭大”的思路如果在大规模工业场景验证成功，可能改变当前 RLHF/RLAIF 的成本结构。69% 的成本削减也与中国 AI 产业”降本增效”的主旋律高度契合。

相关链接

阿里达摩院 ElementsClaw：AI 智能体 28 GPU 小时发现 4 种新超导材料

事件概述

阿里达摩院发布行业内首个超导材料发现 AI 智能体 ElementsClaw，借鉴汽车工业自动驾驶分级，提出材料发现的六级自主性框架（L1-L6）。该智能体仅用 28 个 GPU 小时即完成 240 万晶体结构筛选，预测出 6.8 万个超导候选材料，并已合成证实 4 种新超导材料。这是 AI for Science 领域首次将材料发现的自主性进行系统化分级，从简单的辅助筛选（L1）到完全自主的实验闭环（L6），为 AI 驱动的科研自动化提供了清晰的路线图。

为什么值得关注

ElementsClaw 的意义不仅在于发现了 4 种新超导材料，更在于它提出了一个可迁移的”自主性分级”框架。当业界还在讨论 AI Agent 在编程领域的 L1-L5 分级时，达摩院已经将这个思路延伸到了材料科学——一个对实验验证要求更高的领域。28 GPU 小时 vs 人类数月的人工筛选，效率提升达数百倍。如果说 Science 期刊报道的 AI 智能体 40 分钟完成 60 小时实验是”自动化”的胜利，ElementsClaw 则指向了更远的”自主化”方向。

相关链接