近期,微软Copilot个人版用户条款重新引发网友关注,再次提醒人们AI助手实际上只是娱乐工具。
尽管最近一次更新发生在2025年底,但Copilot个人版的用户条款文档最近重新吸引了网民的注意。其中包含这样一段重要声明:"Copilot仅供娱乐使用。它可能会出错,也可能无法按预期工作。请勿依赖Copilot获取重要建议。使用Copilot需自承风险。"
对于经常关注科技新闻的读者来说,微软警告Copilot会出错且不应依赖这一点并不令人震惊。该公司长期以来一直承认其助手的局限性。例如,在伦敦AI巡演期间,每一次Copilot功能演示都伴随着警告,称该工具不能完全信任,需要人工验证。
这同样适用于任何其他AI助手:它们可能有用,但输出结果仍需检查,特别是在医疗建议或投资计划等重要事项上。
正如Hacker News上一位评论者指出的,"Anthropic也采取了类似做法。如果你从欧洲IP地址访问他们的服务条款(Max/Pro计划条款),他们会用这样的条款替换其中一节:仅限非商业使用。您同意不将我们的服务用于任何商业或业务目的,我们(和我们的供应商)对您的任何利润损失、业务损失、业务中断或商业机会损失不承担任何责任。"(我们从美国和欧洲IP地址验证了这一点。)
该评论者补充道:"有趣的是,一个名为'专业版'的计划却不能专业使用。"
至于Copilot的使用条款,虽然可能不是新条款,但这次关注具有重要意义,原因有二。首先,它提醒用户阅读那些经常被点击跳过的条款文本;其次,它强调了Copilot等聊天机器人既不是伴侣,也不是可靠的建议来源。
相反,它们是容易出错的工具,可能这一刻很有帮助,下一刻就自信满满地犯错。虽然科技行业的一些人可能会将AI助手营销为在每台笔记本电脑中安装天才,但微软自己的警告要平实得多:"它可能会出错,也可能无法按预期工作。"
Copilot个人版可能仅供娱乐使用。而Microsoft 365 Copilot同样可能不准确,只是乐趣更少。
Q&A
Q1:微软Copilot的使用条款中有什么重要警告?
A:微软在Copilot个人版用户条款中明确声明:"Copilot仅供娱乐使用。它可能会出错,也可能无法按预期工作。请勿依赖Copilot获取重要建议。使用Copilot需自承风险。"这表明微软承认其AI助手存在局限性,不适用于重要事务处理。
Q2:其他AI公司对服务条款有类似限制吗?
A:是的,Anthropic公司也有类似做法。当从欧洲IP地址访问其Max/Pro计划服务条款时,会显示"仅限非商业使用"的限制条款,明确表示不能将服务用于商业或业务目的,并且不对任何商业损失承担责任。
Q3:为什么这些AI助手需要如此谨慎的免责声明?
A:因为AI助手是容易出错的工具,可能这一刻很有帮助,下一刻就自信满满地犯错。它们的输出结果仍需人工检查,特别是在医疗建议、投资计划等重要事项上。这些免责声明提醒用户AI助手既不是可靠伴侣,也不是可信赖的建议来源。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。