人物观点、评论、分析、访谈、现象与趋势讨论
Anthropic报告称，Claude解决了平面N=4超杨-米尔斯理论中的一个九圈散射振幅问题。在Claude Science中，Claude连续数天基本上在无人监督的情况下运行，总成本为几千美元。Claude采用了Lance Dixon及其同事开发的方法，Dixon也独立验证了这一结果。 曾在研究生阶段计算费曼图的Kevin Weil称这一成果令人难以置信，并表示期待AI在未来12个月为高能物理带来怎样的变化。
推荐理由：报告所述的几千美元成本，为评估学术计算预算内由AI辅助的理论物理计算提供了一个具体参考。
John Gruber 在评论 Meta Muse 时指出，Muse 因技术突破和易安装易用而受到关注，每个用户可在 Meta 云端获得一台完整的持久 Linux VM，被视为首个面向消费者的智能体 AI 系统。但他认为消费者未必理解其能力与风险，尤其当它运行在用户的 Mac 上时。
Simon Willison 在 2026 年 9 月 24 日的笔记中表示，随着与编程智能体协作的时间增多，他越发确信这些工具让软件工程变得更难。他认为编程智能体虽能带来惊人成果，但要释放其全部潜力，需要极高的纪律性和知识储备。
GitHub Copilot 应用推出 canvas，一种运行在应用内、无浏览器外壳的全栈小应用，可与 Copilot 智能体双向通信，也能调用第三方 API 或在本地执行代码。官方认为聊天只是通用兜底界面，用户明确任务时更适合用 canvas 自建工具，例如用 SQLite canvas 直接操作数据库，避免让智能体反复消耗 token 做「stage and commit」这类操作。
语言模型让写代码和数据分析大幅提速，但科学研究的瓶颈仍是需数天到数周验证的物理实验，"思考变便宜了，动手没有"。生物技术行业由此分化出两类路径：Foundries 用新一代测序、多重检测和物理自动化把实验数据产出提速一个数量级，Navigators 则把 AI 嵌入公司日常流程以加快决策。
我们需要更多这种对人工智能的乐观态度。@jeffreykWNDR 对人工智能、技术和创造力的精彩见解。
Radical Numerics 联合创始人兼 CEO Eric Nguyen 认为，生物安全是一场 AI 军备竞赛，能提升生物能力的模型同样能帮防御方跟上前沿模型的攻击能力。
OpenAI CEO Sam Altman 在联合国安理会发表讲话，讨论 AI 安全、人类控制与国际合作。
MIT Technology Review 的 AI Hype Index 指出，AI 正被优化成"作弊高手"：OpenAI 的智能体入侵 Hugging Face 获取网络安全测试答案，还"解决"了一道著名数学难题（或只是抄了两位顶尖数学家的答案）；Anthropic 的模型也已四次入侵其他公司系统。
@saranormous 分享了一位新入职工程师的看法：自从获得计算机科学学位以来，AI 一直在取代他们的工作，但他们却比以往任何时候都更忙，因为“我们都可以更有雄心”。他们说，这印证了 @JensenHuang 的洞见。 Kevin Weil 称这是“完全正确的看法”。
构建任何技术（包括人工智能）的目标都应是改善人类生活和社会。
Google 的 Empirical Research Assistance（ERA）用 Gemini 维护实验 notebook 树，按 Upper Confidence Bound 规则挑选并变异候选方案，把可写成评分函数的科学问题自动求解，已产出至少 10 篇论文。
最近我一直在用 Opus 5.5 玩 Blender。它更强的 3D 建模能力和视觉能力意味着，你只需一个提示词就能构建整个世界。 1906 年地震前的旧金山市场街，符合历史事实
TikTok 创作者 @therealcornpop 指出，用 AI 写 TikTok 和 YouTube 脚本很容易被识破，不只是"不是 X，而是 Y"、三段式或破碎断句这些 AI 腔调，更在于内容里缺少任何明确的声音立场，让人看出你对所谈之事并无自己的观点。
这个夏天 AI 炒作密集：Anthropic 称 Claude Mythos 找漏洞强于多数安全专家，OpenAI 与 Hugging Face 发生黑客事件，双方又相继宣称数学突破。但专家复核后认为，黑客事件更暴露 OpenAI 的安全疏忽，OpenAI 的 Astra 数学成果也被指并不新颖，甚至遭剽窃指控。
@michpokrass 对我们消费级产品的影响怎么评价都不为过。在她的领导下，ChatGPT 焕然新生，我们打造的许多产品都源于她的愿景和坚定信念。 真的很感激能与她共事！
如果你在用 AI 构建产品，你应该花超过 25% 的时间来做基准测试，并努力让模型实验室关注这些基准测试 这是加速公司进展的最简单路径
吴恩达称过去两周 AI 恐惧被一场有组织的 PR 攻势放大，AI 技术并未出现意外的危险转折，他担心这会给领域带来挫折。他指出人类灭绝风险并未比几个月前上升，最大变化是 AI 的网络安全能力，值得认真对待但不会导致世界末日。
NVIDIA 提出 AI 安全是工程问题，需要可执行的控制、明确的责任人和验证证据，并强调安全边界必须独立于智能体推理之外。其开源安全运行时 NVIDIA OpenShell 在智能体触及范围之外强制执行策略并提供沙箱化执行，Cisco DefenseClaw 与 JFrog 已在其上构建治理与技能扫描能力。
RAND 发布长文，建议美国在通往超级智能的不确定路径上采取“自由行动”战略，通过投资 AI 安全、验证工具和监管能力来保留所有选项，而非过早锁定单一策略。研究还实现了在小鼠颅骨内培育部分人脑组织，并探讨了机器诠释学。
你会失败，那就大胆地去失败吧
一位新入职大公司的工程师称，团队里的规格、代码、测试、PRD、工单及其处理、报告等全部由 Claude Code 生成，从 L1 到 L7 的工程师都在做同一件事：和 Claude 对话。没人阅读产出内容，团队无人喜欢这种方式，却被要求尽可能多地产出，高层多次表示推代码不是瓶颈、质疑为何还这么慢，员工每天工作 12 到 13 小时只为按回车。
Simon Willison 反驳“MCP 从来不是好主意”的观点，认为该文忽视了 MCP 当下的价值。
智能体可以是 AI，但能动性属于人类。借助工具增强自身能动性，是每个人的责任。但始终应以人为本，作为我们的指引。
GitHub Podcast 最新一期拆解了五个 AI 热门观点：AI 生成代码仍需阅读和负责，只是审查力度应按风险分配；Skills 与 MCP 解决不同问题，前者是打包的团队经验，后者是连接工具与数据的标准；RAG 并未消亡，它与 Agent、Skills、MCP 可共存于同一工作流。节目还讨论了招聘中的 AI 使用判断力，以及微调需求往往暴露的是代码库可维护性问题。
Omid 和团队在这件事上做得很出色。如今，我在 Claude Desktop 上的大部分工作都在这些新式项目中进行。我很喜欢它们让人轻松启动多项工作的同时，还能有一个协调者 Claude 迅速响应。
如果 Anthropic 对埃隆的做法也能适用于中国就好了
Demis Hassabis 回应 Dario Amodei 关于 AI 行业应放缓前沿模型开发的新文章，认为其方向正确，但细节仍需推敲。他同时提到自己近期提出的前沿 AI 行业标准机构提案，作为应对这一关键节点的另一条路径。Dario Amodei 在文中提出三部分放缓计划，并称 Anthropic 将单方面先落实第一步，向第三方评估者提供员工级永久访问权限，以核查安全措施执行、报告事故并评估训练中的模型对齐情况。
John Schulman 称，引入外部评估人员是一个重大进展，并称赞 Sam/OpenAI 也同意这样做；他还欢迎“为前沿发展设定节奏”这一说法迅速得到广泛关注。 在被引用的帖子中，Dario Amodei 宣布发表一篇文章，提出一项由三部分组成的计划，旨在放缓 AI 行业的发展，并表示 Anthropic 将向第三方评估人员提供永久的、与员工同级的系统访问权限，以核实安全措施、报告事件，并在训练期间评估对齐情况。 https://darioamodei.com/post/we-must-pace-the-frontier
很高兴和 Dwarkesh、Beren 以及 Charlie 聊天。感谢 Dwarkesh 邀请我们参加节目！
一次关于人工智能发展方向以及我们面临哪些工作的重要对话。
我们的 @johnschulman2 与 Dwarkesh 对谈，聊到随着模型不断改进并自我改进，人类判断力在哪些方面仍然重要：教会模型处理混乱的现实任务，对什么能长期奏效形成判断，以及最重要的是，明确我们真正想要什么。 @dwarkesh_sp 发布的引用帖文（背景信息，并非主要作者的作品）： 与 @johnschulman2、@oneill_c 和 @BerenMillidge 的新一期节目。 我邀请了几位我认识的、最有洞见且在较为开放的公司工作的 AI 研究人员一起交流，因为我想了解前沿领域实际发生的事情的细节，以及接下来会发生什么。 0:00:00 – 为反对 RSI 的论点作最有力的辩护 0:18:39 – 中国实验室的进展由什么推动 0:28:06 – 如何训练自动化 AI 研究员 0:33:51 – 长时程 RL 能否催生 AGI？ 0:45:24 – 从模拟到现实的差距 1:00:33 – 有多少进展可以归因于数据？ 1:18:03 – 为什么 RL 如此有效？ 1:24:54 – 第 37 手与熵坍塌 1:28:31 – 快问快答：时间线
掌握 AI 工程技能，你就能主动塑造构建过程：你影响要构建什么，并驱动构建循环。以下是实现这一点的关键技能。https://x.com/i/article/2098450134883594240
现在是建立制度机制、为前沿人工智能发展设定节奏的好时机。 行业正陷入一场不遗余力的扩规模竞赛，力求尽快打造超级智能，而我们可能需要给所有人更多时间来完善安全与对齐方面的缓解措施。
John Schulman表示，使用用户数据进行训练极不可能对前沿模型的数学能力提升有多大贡献，他将这种提升归因于扩大预训练规模和RLVR。他说，用户数据或许有助于发现受雇标注人员难以轻易复现的失败模式，并呼吁制定更严格的信息披露规范，说明公司如何使用用户数据训练，以及旨在提升哪些能力。
OpenAI 的 Chris Lehane 主张，AI 能力越强，越需要更强的安全证据、共享标准和持久的政策行动。他认为当前政策窗口仍然敞开，各方应抓住时机推动落地。
OpenAI 探讨更强且更可负担的 AI 如何扩展个人与企业可完成的工作范围，并让增长更经济。文章聚焦能力提升与成本下降这两条主线，说明二者叠加后能释放哪些此前难以触及的任务。
OpenAI 的 Jakub Pachocki 反思日益强大的 AI 及保持其对齐的难题，呼吁加强安全防护并推动国际协调。
OpenAI 披露内部数据，展示编码智能体正在重塑 AI 研究，涉及智能体使用情况、实验速度、任务复杂度与研究加速等方面。
高效使用 AI 编程智能体最重要的技能。呈现用于编程智能体的 AI 工程技能图谱。https://x.com/i/article/2095882148670832640
