Import AI 448：AI研发；字节跳动的CUDA编程智能体；卫星端侧AI

在最新一期Import AI中，作者回顾了多项AI领域的关键进展。首先，长期关注AI预测的Ajeya Cotra在博客中承认，她此前对2026年AI能力的预测已显得过于保守。她指出，根据METR最新测试结果，AI智能体的任务时间线已大幅缩短，预计到年底将突破100小时，使得“时间线”概念本身面临挑战。这预示着AI能力正在以远超预期的速度增长，可能引发“软件爆炸”。

为应对AI研发自动化（AIRDA）的潜在风险，GovAI与牛津大学的研究者提出了14项具体指标，用于衡量AI在研发中的自主程度。这些指标涵盖AI性能、人机协作效率、对齐性、计算资源分配等维度，并建议企业、政府和第三方机构分别采取行动，以在递归自我改进到来前建立预警机制。具体指标包括：测量AI在AI研发上的表现、相对于人类和人机团队的表现、监督红队测试、AI研发自动化中的失调、效率提升率、员工对AI使用情况的调查、AI在高风险决策中的使用频率、AI研究人员的时间分配、公司监督AI开发的有效性、AI系统颠覆开发者目标的情况、AI研究人员的数量和绩效、计算资源分布、计算在AI研发支出中的占比，以及AI系统权限随时间的变化。这些指标为AI治理提供了数据基础。

在应用层面，印度科学研究所开发了AI驱动智能交通系统（AIITS），利用YOLO、SAM3等模型在NVIDIA Jetson边缘设备上实时分析班加罗尔的交通视频，避免云端带宽瓶颈。该系统通过模拟100个摄像头的原型验证了可行性，作者计划将其扩展到1000个流进行现场演示。边缘计算使城市能够在不依赖中央服务器的情况下进行大规模交通感知，同时通过联邦学习不断更新模型。

同样在边缘端，德国人工智能研究中心推出TinyIceNet，一种极轻量级的视觉模型，可在FPGA上以低功耗分割合成孔径雷达图像中的海冰厚度。该模型基于简化的U-Net架构，在AMD Xilinx ZCU102评估板上实现了7帧/秒的处理速度，每场景能耗仅为113.6毫焦，非常适合电力受限的卫星环境。相比之下，RTX 4090虽然吞吐量高达764.8帧/秒，但能耗是FPGA的两倍，不适合星载部署。这项研究展示了如何将AI模型压缩到极端资源受限的硬件上。

字节跳动与清华大学合作训练的CUDA Agent则展示了AI在基础设施优化中的潜力。该模型基于Seed 1.6，是一个23B活跃参数、230B总参数的MoE模型，在128块NVIDIA H20 GPU上微调。通过OpenHands框架将其转化为智能体，配备BashTool、GlobTool等工具，能够自动分析PyTorch实现、编写自定义CUDA算子、编译并迭代优化，直至达到5%的加速目标。在KernelBench基准测试中，CUDA Agent在Level-1和Level-2上达到100%的通过率，Level-3达到92%，远超Claude Opus 4.5和Gemini 3 Pro等通用模型。这标志着AI正在成为自身发展的加速器，从编写代码到优化硬件，全面推动技术自演进。

最后，故事专栏《Dandelion Sky》描绘了一个2031年的世界：无人机战争持续五年，城市由AI统御的机器防线保护。当所有机器突然静默时，主角面对未知的寂静，反映了自动化社会在危机中的脆弱与人类的迷茫。故事灵感来自乌克兰无人机战争、自动化与AI的渐进式剥夺，以及战争与家庭间的张力。