Nathan Lambert 认为，针对开放权重模型最严峻的一次可行性考验正在发生，白宫正讨论通过新的行政令管理开放模型，可能只影响中国来源模型和政府用途。他判断最可能的动作是在未来 6 个月内禁止或无限期推迟能力明显超过 GPT 5.5、Claude Opus 4.8 或 GLM-5.2 区间的开放权重模型，而这类模型目前最可能来自中国公司。他批评 Anthropic 主导的蒸馏议题已演变为监管俘获，并认为若美国单独禁止相关模型进口，全球开源生态仍会继续，反而让美国自身更难预测。
#政策/监管#开源生态#Anthropic
#大佬观点#图像生成#Meta
吴恩达在 DeepLearning.AI 来信中提出，AI token 便宜、人类 token 珍贵，做 0 到 1 原型时不必先花大量时间写完美规格，可先让编码智能体快速搭出原型，再根据实际结果迭代规格。他还建议让智能体把关键决策记录在 SPEC.md 等文件中，并在修正问题时同步更新规格和测试计划，避免重复消耗人的输入。本期还报道了 Claude Fable 5 恢复上线、Google 发布 Nano Banana 2 Lite 与 Gemini Omni Flash，以及 DeepSeek 开源 DSpark 投机解码方法。
#行业动态#Anthropic#OpenAI
Benedict Evans 分析 token 定价的供需与成本结构，认为当前供给紧张是暂时的，所有变量都在变化，市场将在未来几年重新平衡。他指出推理毛利率约 40-50%，但训练成本远高于收入，且需求主要来自软件开发这一单一用例。他通过移动数据和半导体制造的类比，提出基础模型可能走向低利润的商品化基础设施，除非出现网络效应、监管干预或其他未预见的变化。
#大佬观点#现象/趋势
Anthropic Science of Scaling 团队负责人 Ted Moskovitz 表示，团队通过严谨实验减少大型训练前的不确定性，以研究如何把算力转化为更聪明的模型。他认为 AI 加速工作的关键指标是模型改变了多少反事实结果及所需人工干预次数，而更大的模型也可能因使用更少 token 获得同等答案而更具成本效益。他还指出，安全与对齐能够提升产品可用性，并与模型能力发展相互促进。
#大佬观点#数据/训练#安全/对齐
Google DeepMind 研究负责人 Vivek Natarajan 介绍了 AI co-scientist 与 AMIE，利用自博弈、搜索和多智能体辩论辅助科研假设生成与医疗诊断。AI co-scientist 的候选药物在人体肝脏类器官实验中将 TGF-beta 诱导的染色质损伤降低超过 91%；AMIE 在模拟问诊中匹配或超过医生，并在受监督的早期可行性研究中未触发预设安全中止。
#大佬观点#Agent#推理
Fable 在 KernelBench-Mega 上写出据称是首个且最快的 megakernel，在 RTX PRO 6000 Blackwell 上用 CUDA 实现 18.71X 加速，对比优化后的 PyTorch 基线，高于 Claude Opus 4.8 的 14.4X、GLM-5.2 的 11.14X 和 GPT 5.5 的 4.34X。CAIS 与 Scale Labs 的 Remote Labor Index 显示，AI 系统完成在线自由职业项目的成功率从 2025 年 10 月发布时的 2.5% 升至 2026 年 7 月的 16.1%，其中 GPT-5.5、Opus 4.8、Fable 5 分别取得 6.3%、8.3% 和 16.1%。本期还收录了一篇关于模拟计算与通用计算被禁的科幻短篇。
#行业动态#评测/基准#Agent
Google DeepMind 研究员 Roberta Raileanu 认为，AI 研究智能体擅长优化已知方案，却难以探索陌生路径并完成概念跃迁，核心障碍是无法衡量一项发现是否足够好。她提出结合强化学习、强调新颖性与多样性的发散搜索，以及优化发现过程的元学习；其团队还构建了 MLGym、Rainbow Teaming 和包含超过 400 million 个程序化研究任务的 DiscoBench。
#大佬观点#Agent#DeepMind
The Next Platform 分析认为，Meta Platforms 正筹备更正式地对外出售云服务，直接对标 AWS、Microsoft Azure 和 Google Cloud，该计划被称为 Meta Compute。文章援引 Bloomberg 报道称，Meta 可能提供运行其较新 Muse Spark 模型的 API，以及虚拟机和容器等基础 IaaS，由全球基础设施负责人 Santosh Janardhan 等人牵头。文章还提到 Meta 去年 8 月与 Google Cloud 签下 100 亿美元算力租约、并向 CoreWeave 采购 210 亿美元容量，认为其庞大 AI 基础设施投资需要靠云服务变现。
#行业动态#部署/工程#OpenAI
State of AI Compute Index v6 显示，2026 年预计统计到 49,339 次芯片引用，其中 NVIDIA 占 44,715 次、约 91%。已追踪的 Hopper 部署量达 460,904 块 GPU，而 Grace-Blackwell 项目仍以安装和宣布阶段为主。已披露合约中，OpenAI 的 26 GW 算力包含 16 GW 非 NVIDIA 方案，反映前沿实验室正在组合多家芯片供应商。
#评测/基准#数据/训练#部署/工程
Ethan Mollick 认为，随着 AI 能自主完成的任务时长不断拉长，主流用法正从与聊天机器人协作转向把工作交给智能体。他引用 METR、英国 AI 安全研究所、GDPval 等评测称能力提升快于指数增长，Epoch 发现 Opus 4.7 自主工作 14 小时完成原本需 2-17 周人力工程的软件包，花费 251 美元 token。他还提到 OpenAI 与学者的联合研究显示，其内部法律、HR 等非技术岗位采用智能体的速度与程序员接近，四分之一员工每周同时运行至少四个智能体。
#现象/趋势#Agent#OpenAI
Dwarkesh Patel 与 3Blue1Brown 作者 Grant Sanderson 对谈 AI 与数学的未来，讨论 AI 在数学上的进展为何快于其他领域，以及这种进展对其他行业意味着什么。Sanderson 认为 IMO 金牌只是又一个基准，数学内部同样存在参差，几何题可被暴力求解而组合题仍难；他还以 Galois 群论为例说明概念突破的验证回路可能长达百年，并谈到 AI 能否在领域之间建立连接、以及数学家的角色可能转向类似策展人的方向。
#行业动态#推理#数据/训练
作者主张，范围明确、任务有限的 AI 应采用专业化模型或智能体，以更有效地利用参数，并可能减少模型幻觉与 Token 消耗。开放式任务更适合覆盖广泛但深度较浅的通用模型。专业知识收益何时触底目前难以衡量，作者希望借助机制可解释性进一步研究。
#大佬观点#Agent#数据/训练
Interconnects 第 22 期开源模型盘点指出，开源模型生态正从少数中国厂商主导走向多元，作者把发布方分为纯模型厂商、大科技公司和产品公司三类。本期收录 NVIDIA Nemotron-3-Ultra-550B-A55B-BF16、Cohere 以 Apache 2.0 发布的 Command A+（218B-A25B MoE）、GLM-5.2、Zyphra 的 ZAYA1-74B-preview、Poolside 的 Laguna-M.1 等模型。作者认为开源模型开发并非由单一类型参与者驱动，这种多样性正是开源生态的优势之一。
#行业动态#开源生态#模型发布
Interconnects 作者认为 GLM-5.2 是首个在编码智能体框架中真正好用的开源权重模型，社区基准显示它是唯一能与 OpenAI、Anthropic 最新模型同场竞争的开源模型。作者实测用 Fireworks API 在 Claude Code 中调用该模型，整体能力立刻感觉可用，但遇到框架向模型发送图片导致 API 会话中断、需手动清空上下文的问题。作者测算 Claude Opus 4.5 发布到 GLM-5.2 发布相隔 204 天，落在常说的 6 至 9 个月开源与闭源性能差距区间内，并认为这会加剧 token 消耗大户的定价压力，利好开源模型推理与微调生态。
#行业动态#开源生态#Agent
欧洲若持续依赖美国 AI 模型与基础设施，就无法掌控关键系统的访问权和经济投入。文章主张欧洲不必追求全球领先，但应在本土建设足够可靠的模型与算力，并让政府充当早期客户，以获得遭遇断供时的替代能力和谈判筹码。
#大佬观点#安全/对齐#部署/工程
Mark Chen称@_aidan_clark_是全球最被低估的研究员，并预测未来所有人都会认识他。原文未提供其研究方向或成果等更多信息。
not widely known my ass https://t.co/CKGTTE1CbA
#大佬观点
#行业动态#政策/监管#安全/对齐
Dwarkesh Patel 撰文认为，近年 AI 能力提升主要来自更多更好的数据和用于生成数据的算力，而非训练样本效率的进步。他估算人从出生到成年约接触 2 亿 token，而前沿模型训练数据在 10 万亿到 100 万亿 token 量级，差距接近百万倍；即便按 Chinchilla 缩放定律把参数量增至无穷，所需数据也只减少约 10 倍。他指出开源模型仅落后闭源前沿约 4 个月，正说明数据才是进步的主要驱动，并认为白领任务因可被 RL 和 SFT 带入分布仍具商业价值。
#现象/趋势#数据/训练#推理
Mark Chen 表示，OAI 的每个人都向其他所有人汇报。原文未提供更多背景或组织架构细节。
#大佬观点#OpenAI