这期的题目是「AI 的奥本海默时刻」。说的不是一个比喻——政策层的紧急响应、开发者主动争取免责条款、领军人物住所遭袭，这几件事发生在同一周。「我们到底在创造什么」已经从哲学问题变成了日常压力。
这个类比指的是强大技术与研发者责任感之间的那种张力——跟原子弹诞生时是同一种。
「我们到底在创造什么」已经不再是哲学问题，而是日常决策要承受的具体压力。
同一周发生的几件事是连在一起的：政策层对某个高能力模型作出紧急响应；开发者主动争取免责法案；行业领军人物的住所在两天内遭到两次袭击。
技术批评者的愤怒开始演变为现实威胁。
对组织来说，这意味着需要一套比「技术伦理声明」实质得多的利益相关者沟通框架。
年度权威报告里的几组数字：84% 的 AI 专家看好 AI 对医疗的积极影响，公众只有 44%；73% 的专家认为 AI 对工作有正面影响，公众只有 23%。
监管信任度的分布也很极端：美国对政府监管 AI 的信任度全球最低（31%），新加坡最高（81%）。Z 世代是 AI 焦虑增长最快的群体。
企业内部的版本更刺眼：一线员工对 AI 的信任度是 9%，管理层是 61%——相差 52 个百分点。
这就是「自上而下强推 AI」为什么失败的预测因子。Z 世代对公司强推工具的静默反叛，根因就在这 52 个点里。
一个平台披露的数据：agent 发起的请求已占总流量的 70%，一年前只有 10%，预计年底到 90%。
一年七倍，而且还在加速。
对 API 和 Web 服务的架构师，这条的含义很直接：面向 agent 的访问模式优化——并发控制、鉴权、幂等设计——应该从「未来考虑」提到「当前架构优先级」。
配套的东西也已经出现了：有工具专门扫描一个网站的「agent 就绪度」，检查 robots 配置、内容协商、接口、授权、技能与交易支持，给分并给改进建议。「Agent-Friendly」正在变成和移动端适配、SEO 并列的新可访问性维度。
有人给 ML 系统普及之后会出现的新职业做了分类，名字起得很有画面感：
提示词专家；设计 QA 流程去抓模型错误的流程工程师；量化并控制系统性偏差的统计工程师；负责喂养和验证训练数据的模型训练者；替系统失败担责的法律缓冲人；以及事后解读「模型为什么失败」的调查者。
这不是对「AI 取代工作」的反驳，而是对「工作内容如何变形」的清醒描述——当模型行为不可预测，人的角色就从执行者转向驯化者和仲裁者。
企业做 AI 部署的人力配置框架如果不纳入这些角色，会严重低估真实的人力需求，同时高估 AI 的自主可靠性。
三件事凑在同一周：一个模型以一百多轮无人干预的自我修改实现了 30% 的性能提升；一套系统证明 AI 可以完成 2 到 17 周量级的真实编程任务；一个编程系统首次在竞技编程中全面超越人类。
「自我改进」不再是论文里的设定，是能在生产环境里跑的东西。
同期的算力侧读数也很紧：GPU 租用价格 60 天内暴涨 48%。能力和成本在同时抬升。
延伸阅读 · 本刊深潜《Agent 工程进化论：从 Harness 稳定到自主迭代》——百轮无人干预自改这类证据的五阶段全景。
有一条风险很少被算进来：当所有人大规模使用 AI 作为认知辅助，会同时产生两个系统性后果——认知同质化（大家依赖同一批模型，得出相似结论），以及个人认知能力的退化（不经历独立思考过程，技能就萎缩）。
独立认知能力的多样性，对一个社会解决复杂问题的韧性是关键。
这跟这期第二条是连着的：认知鸿沟已经创了新高，如果 AI 进一步压缩独立认知的空间，这道沟会在下一代用户身上以更隐蔽的方式加深。
对做 AI 产品的人，「帮助思考」和「替代思考」之间那条线值得认真对待。
主讲当期备课笔记的分类整理，共 11 个类别、157 条链接。类别、顺序和笔记里的批注保持原样，链接标题取自原文页面。
宏观趋势、战略判断与关键事件。聚焦"为什么重要"而非"发生了什么"
底层技术动态：算力芯片、分布式训练、推理优化、存储网络架构与成本效率
LLM最新进展：新模型发布、架构创新、上下文扩展、后训练优化、开源vs闭源生态
xhigh 努力等级（超越现有 high），Claude Code 新增 /ultrareview 命令；首款内置自动网络安全威胁屏蔽机制，同步向安全研究人员开放 Cyber Verification Program；系统卡披露化学、生物、网络安全风险评估，确认未跨越自动化 AI 研发红线，且模型在自我福祉评估中表现出比前代更积极的内部情绪表征。为什么重要： Opus 4.7 将模型能力与安全策略双线同步推进——幻觉率近乎减半，对企业级数据分析、医疗文档、法律审查等对准确性敏感的场景来说是真实的生产力门槛突破；内置安全屏蔽和 Cyber Verification Program 的结合，也是 Anthropic 给监管者的一份回答，试图在"能力最强"与"最负责任"之间同时占位。跨模态理解与生成：视觉-语言、视频生成、语音交互、认知可控生成、原生多模态架构
AI与物理世界交互：机器人基础模型、自动驾驶、空间智能、动力学感知、Sim2Real迁移
如世界模型，机器视觉模型等
onEmail hook 支持异步任务处理，HN 389 点 178 评论；同步开源 Agentic Inbox 参考应用。为什么重要： 邮件是企业最基础的异步通信协议，Agent 获得原生邮件能力意味着它可以接受人类的邮件指令、发送结果报告、触发异步工作流——这是 Agent 从"在线工具"到"异步工作者"的关键跃升；对构建企业 Agent 的团队，原生邮件集成是打通人机协作"最后一公里"的重要接口。数据燃料：合成数据、数据清洗、长上下文工程、RAG、知识图谱、领域数据集
可控性与透明度：RLHF/RLAIF、语义可控性、幻觉抑制、可解释性、隐私保护、AI对齐
能力衡量标尺：新基准测试、认知属性评估、评测集污染、人类对齐评估、模型排名
C端与B端产品落地：生产力工具、内容创作、搜索重构、企业SaaS、垂直方案、商业模式验证
AI驱动科研突破：药物发现、材料科学、气象预测、数学证明、科学计算融合
界面范式迁移：对话式UI、生成式界面、自适应界面、多模态交互设计
真实场景机器人部署；端侧AI硬件
工程化基础设施：模型标准、API协议、提示词框架、MLOps/LLMOps、开源协同标准
Agent架构与协调机制：规划推理、记忆设计、自主决策、多Agent协作框架
Agent可调用的外部能力与接口：MCP协议、Skills技能库、工具生态
codex:rescue 命令可将完整多步任务委托给 Codex 作为后台子代理运行——两家直接竞争对手的核心工具开始在同一个开发工作流中协同。为什么重要： 这打破了"AI 编程工具是零和竞争"的直觉——平台之间的工具互操作性对开发者是真实价值（最佳工具组合），也预示着未来 AI 工具生态将以"工作流整合"而非"平台锁定"为竞争维度；对企业 AI 工具采购，"开放性和可组合性"的权重需要提升。专业开发者工具：代码生成、重构、调试、代码审查、架构设计辅助
低门槛应用构建：无代码/低代码工具、Text-to-App、可视化编程、非技术人员创作民主化
人才与组织变革：研究团队动向、人才流动、AI原生组织、人机协作模式
教育资源：顶级课程、动手实验、开源教程、认证体系、学习路径
早期信号探测：小众论文突破、跨学科融合、边缘技术交叉、反常数据趋势
可落地的实践指南：技术问题解决、模型调优、Prompt模板、性能优化、实战教程
/rewind 命令跳回之前任意消息节点，并从该点重新下达指令——对话分叉而非线性修正，显著减少错误积累带来的上下文污染。同期 Anthropic 还发布了完整的 1M 超大上下文管理最佳实践（/usage 工具大更新）。为什么重要： 在长上下文编程对话中，错误往往不是最后一步造成的，而是中间某个判断的积累；rewind 能力让开发者像使用 Git branch 一样管理对话——这是 AI 编程工具从"命令行交互"走向"可回溯工作流"的关键使用技巧，大幅降低复杂任务中的失误恢复成本。投融资、并购、市场竞争格局、商业模式创新、企业AI战略
监管动向、法规落地、行业标准、安全事件、权力结构变化