返回最新一期 · 查看全部往期 · 前一期(2026-09-18)

每日要闻 ·

报告日期:2026-09-21

ChatGPT 被曝通过广告收集器获取用户跨站浏览数据

ChatGPT 被曝能够通过广告收集器获取用户在其他网站上的活动数据。这意味着用户在与 ChatGPT 交互时,其跨站浏览行为可能已被悄然纳入对话上下文。多位技术社区评论者指出,这类数据流向的透明度严重不足,用户几乎无法知晓自己的浏览行为何时、通过何种渠道被 AI 产品摄取。

值得关注的是,这并非传统意义上的 cookie 追踪,而是将广告生态的数据采集能力与大模型的上下文理解能力直接打通,形成了一种新型的用户画像构建路径。对于依赖 ChatGPT 进行业务处理的企业用户而言,员工在其他业务系统中的浏览痕迹可能无意间流入 AI 对话,构成潜在的数据泄露通道。

审计视角
建议企业审查内部使用的 AI 工具是否涉及跨站数据收集机制,评估数据流向是否符合 GDPR 及《个人信息保护法》的要求。尤其需要关注员工使用 AI 助手时的数据泄露风险,考虑是否需要部署浏览器隔离或 AI 网关策略来阻断广告收集器与 AI 平台之间的数据通道。
Anthropic 与 Accenture 各投 10 亿美元,共建嵌入式 AI 安全审计体系

Anthropic 与 Accenture 宣布一项总额达 20 亿美元的合作计划:双方将在五年内各投入 10 亿美元,由 Accenture 旗下的 Faculty 团队在 Anthropic 实验室内嵌入安全评估人员,构建持续性的安全监督能力。这一合作标志着 AI 安全审计从"事后外部评估"向"嵌入式内部审计"的范式转变。

传统模式下,AI 模型的安全评估通常在发布前由内部团队或第三方进行阶段性测试,发布后则依赖用户反馈和红队演练。Anthropic 此举将外部审计力量直接嵌入研发流程,意味着安全评估从"质检环节"升级为"生产流水线的一部分"。对于整个 AI 行业而言,这可能成为安全治理的标准配置——尤其是在模型能力快速逼近自主行动边界的当下。

审计视角
此举为 IT 审计行业提供了重要参考信号:AI 模型的安全评估正从周期性外部审计转向持续性嵌入式审计。建议关注企业内部 AI 系统是否建立了类似的持续监督机制,而非仅依赖上线前的一次性评估。对于部署大模型的业务场景,审计部门应评估是否需要引入第三方持续监测能力。
黄仁勋抨击 AI 监管叙事:部分行业领袖意在谋求法律豁免

NVIDIA CEO 黄仁勋在接受 CBS News 采访时直言,那些高调呼吁 AI 监管的行业领袖并非真正想要新的立法,而是希望"摆脱现行法律的约束",背后动机值得警惕。黄仁勋明确反对 AI 末日叙事,提醒公众不要被恐慌情绪裹挟——"别被这件黑色皮夹克骗了,我不是末日论者。"

与此同时,NPR 报道指出,美国多个州级 AI 聊天机器人安全法案中包含了可能为科技公司提供法律漏洞的条款语言。政策分析师和部分议员对此表示担忧,认为这些条款实际上削弱了对消费者的保护。一位议员助理透露,部分法案的措辞经过行业游说团体的修改,在"安全"的外衣下嵌入了责任豁免机制。

深层逻辑
黄仁勋的表态与各州法案的漏洞暴露了 AI 监管博弈中的深层矛盾:大型 AI 公司以"安全"为名推动监管框架,实际可能是在寻求监管俘获——用新法规替代现有更严格的法律义务。这种策略将反垄断、消费者保护、数据隐私等既有法律框架架空,代之以行业自定标准的"软约束"。当"要监管"的呼声来自被监管对象本身时,监管的实际效果值得打一个问号。黄仁勋作为算力基础设施的提供者而非模型开发商,其立场相对超脱,这也使得他的批评更具可信度——他不需要通过监管壁垒来阻挡竞争对手。
阿里巴巴发布 Qwen-Image-2.1:7B 开源模型称超越多数闭源模型

阿里巴巴 Qwen 团队发布 Qwen-Image-2.1,一款 70 亿参数的开源权重图像生成模型。该模型支持原生透明度生成和最多十张参考图像输入,官方称其在多项基准测试中超越多数闭源模型。机器之心报道指出,Qwen-Image-2.1 在开源生图领域拿下多项第一,将图像生成质量推向新高度。

值得关注的是,Qwen-Image-2.1 以 7B 的轻量参数规模实现了对闭源模型的竞争力,进一步压缩了开源与闭源之间的差距。原生透明度生成意味着模型可以直接输出带 Alpha 通道的图像,无需后期抠图,这对电商素材、UI 设计等应用场景具有实际价值。该模型已开放权重下载,开发者可在本地部署。

OpenJev 跳过 Token 生成,将 AI Agent 决策速度提升 5 倍

OpenJev 项目通过跳过 Token 生成步骤,将 AI Agent 的决策速度提升至原来的 5 倍。该项目复现了 TypeSafe 的语义判断服务,使用开源 40 亿参数模型在单张 RTX 3090 上运行,直接读取选项的 logits 而非解析生成的 JSON。Forbes 报道称,Vercel、Cloudflare 等公司已快速接入该技术,Pydantic AI 也已添加支持。

这一方法的核心洞察在于:AI Agent 的大量调用并非写作而是选择——选择调用哪个工具、是否重试、命令是否安全运行——而这类分类决策无需完整的 Token 生成流程。TypeSafe 的测试显示,Jev 在工作流评估中匹配 GPT-5.6 和 Sonnet 5 的表现,但延迟仅为传统方式的五分之一。此外,开源社区已推出 Claude Code 插件,利用 Jev 决策模型对 Agent 上下文进行精准裁剪,解决了长对话中关键工具输出被摘要压缩丢失的问题。