林伽一 · AI 科技日报｜Midjourney 医疗硬件、GPT-5.6 发布、AI 安全研究进展

026 年 6 月 20 日 AI 领域重要技术动态，包括硬件创新、大模型进展、开发者工具、安全研究等方向。适合 AI 技术从业者、研究人员和开发者阅读参考。

关键词：Midjourney、GPT-5.6、OpenAI、AI 安全、Transformer

1. 硬件创新方向

1.1 Midjourney 全身超声波扫描仪

Midjourney 本周公布了一款全身扫描仪 Midjourney Scanner，引发行业广泛关注。

技术参数：

扫描时间：60 秒（传统 MRI 需 60-90 分钟）
成像方式：水 + 超声波传感器环
精度等级：亚毫米级 3D 身体地图
技术合作：Butterfly Network（超声波芯片制造商）

技术路线分析： Midjourney 作为图像生成公司，跨界医疗硬件属于技术迁移策略。但官方明确表示扫描仪不使用任何 AI，核心成像技术来自合作伙伴。这反映了 AI 公司硬件化的两种路径：

自研 AI 硬件（如 Rabbit r1）
合作非 AI 硬件（如 Midjourney Scanner）

商业规划：

50,000 台扫描仪舰队
2027 年旧金山首家水疗中心
硬件销售 + 服务订阅双重收入

1.2 AWS Trainium 芯片外销

AWS 正在谈判向其他公司出售 Trainium AI 芯片，可能直接挑战 Nvidia 市场地位。

技术背景：

Trainium 是 AWS 自研 AI 训练芯片
当前数据中心算力已售罄
外销可能导致现有客户等待期延长

竞争格局：

Nvidia：GPU 市场主导者
AWS Trainium：云厂商自研芯片
Google TPU：已对外租赁计算能力

2. 大模型技术进展

2.1 OpenAI GPT-5.6

OpenAI 计划下周发布 GPT-5.6 模型，可能包括 Mini 和 Pro 变体。

核心升级：

特性	GPT-5.6	前代
上下文窗口	150 万 token	20 万 token
长程编码	改进	基础
Codex 响应	更快	标准
定价策略	低于 Anthropic	市场均价

技术意义： 150 万 token 上下文窗口（约 100 万汉字）意味着模型可处理：

整本小说
大型代码库
长视频转录
多文档综合分析

2.2 人才流动：Noam Shazeer 加入 OpenAI

人物履历：

2000 年：加入 Google
2017 年：合著《Attention Is All You Need》（Transformer 架构奠基论文）
2023 年：创立 Character.AI
2024 年：Google 花 27 亿美元从 Character.AI 赢回
2026 年：加入 OpenAI

技术影响： Shazeer 是 Google Gemini 的副总裁和联合负责人，他的加入将强化 OpenAI 在以下领域的优势：

长上下文处理
多模态模型
模型架构优化

3. 开发者工具更新

3.1 Claude Code Artifacts

功能说明：将工作会话转化为实时、可共享的视觉页面。

适用场景：

PR walkthrough
系统解释
代码审查
技术文档

技术特性：

自动刷新
版本历史
隐私控制
会话上下文整合

3.2 Perplexity Brain

技术架构：在任务、项目、决策、文件和来源之间构建持久性上下文图。

核心能力：

记忆链接到原始来源
持续更新和组织知识
提高答案正确性
降低任务成本

3.3 其他工具

工具	更新内容	技术价值
Google Workspace Studio	会议准备自动化	生产力提升
Mistral AI Vibe	CODE 和 APPS 功能	编码能力扩展
Adobe Firefly Studio	创意代理全家桶	创意工作流
Databricks	LTAP 和 CustomerLake	数据分析

4. AI 安全研究

4.1 Google AI 控制路线图

安全架构：

复制代码

┌─────────────────────────────────┐
│     系统级安全层（保障层）        │
│  沙箱 │ 端点安全 │ 提示注入抵抗   │
├─────────────────────────────────┤
│     AI 对齐（主要防御）           │
│  模型训练 │ RLHF │ 价值观对齐    │
└─────────────────────────────────┘

设计理念：即使对齐不完美，系统级保障仍能提供保护。内部代理被视为"可能未对齐"。

4.2 MosaicLeaks 隐私风险研究

问题定义：结合私人文档与网络检索的研究代理经常泄露敏感信息。

测试数据：

基线泄露率：34%
PA-DR 泄露率：9.9%
任务成功率：保持不变

技术方案： PA-DR 使用奖励进行安全查询构建，不依赖用户提示。

5. 学术研究进展

5.1 强化学习与有益模型

研究内容：在真实场景中针对有益特性的强化学习可在数十个基准测试中产生广泛改进。

关键发现：

收益泛化到训练领域之外
在对抗压力下持续
角色可深度嵌入模型
RL 是嵌入有益角色的潜在路径

5.2 ZPPO 重放缓冲区方法

技术方案：将难题存储在重放缓冲区中，使模型可反复训练。

优化目标：

加强挑战性示例学习
提高 rollout 准确性
减少遗忘效应

6. 行业观察

6.1 人才流动格局

梯队	公司	人才流向
第一梯队	OpenAI、Anthropic	净流入
第二梯队	Google、Meta、Microsoft	净流出
第三梯队	初创公司	短暂停留后流出

6.2 商业模式变革

从订阅制向使用量计费转型：

成本透明化
资源优化
分层服务
可持续性提升

7. 总结与建议

7.1 技术趋势

硬件创新多元化：从计算芯片扩展到医疗、消费设备
大模型能力扩展：上下文窗口、长程任务处理
安全研究系统化：从单点对齐到多层次保障

7.2 关注建议

技术从业者建议关注：

Midjourney Scanner 技术细节披露
GPT-5.6 实际性能表现
PA-DR 等安全方案开源进展
人才流动对技术方向的影响