#大佬观点

Meta CTO Andrew Bosworth 谈 Meta 的 AI 路径：模型不再是唯一胜负手

Meta CTO Andrew Bosworth 在 Big Technology Podcast 访谈中表示，单体大模型时代已结束，真正的价值在于模型、产品、分发和消费体验四者的组合，并称多数竞争对手只握有其中一环。

Benedict Evans 谈如何理解 token 定价

Benedict Evans 撰文分析 token 定价，认为当前市场处于供应紧张且不稳定的阶段，所有变量都在变动，未来几年会形成新的均衡。他提出目前可见的动态都指向基础模型趋向低毛利的商品化基础设施，价值由上层应用捕获，并用移动网络、半导体和光纤等行业类比说明结果并非注定，同时强调当前对模型能力上限缺乏理论理解，任何单一结论都只是猜测。

Anthropic Science of Scaling 负责人 Ted Moskovitz 谈如何把算力变成智能

Air Street Press 在 RAAIS 2026 访谈了 Anthropic Science of Scaling 团队负责人 Ted Moskovitz，主题是如何在投入大量算力前用实验降低不确定性。

Rohan Paul@rohanpaul_ai· 14:59AI 评分4646

字节跳动 Seedream 5.0 Pro，绝对可与 GPT-Image 2 媲美 高密度信息图、交互编辑、素材替换、图层分离、照片级画质——所有这些都达到了下一代水平。

Rohan Paul@rohanpaul_ai· 14:29AI 评分6060

更强的AI智能体不仅来自更大模型，更来自其系统（Harness）——决定模型所见、可用工具、记忆及动作检查的完整系统。进步应聚焦扩展Harness的三个核心：更好的上下文控制（长上下文≠可用上下文）、更可信的记忆（过时笔记比无笔记更危险）、更优的工具或辅助智能体路由（多工具≠知何时用）。一次性基准分数愈发单薄——两个智能体可能给出相同答案，但一个消耗更多token、风险调用、携带污染记忆。下一前沿是扩展系统纪律，而非仅扩展机器内的思维。

黄仁勋：英伟达工程师更爱搭智能体而非写Python代码

英伟达CEO黄仁勋在7月9日采访中称，其软件工程师更愿意构建AI智能体而非写Python代码。AI减少了传统编码工作，工程师转向设计基准测试、设置安全护栏，将枯燥任务交给智能体。他长期主张在职场使用AI助手，未来将在各部门大规模部署智能体以提升生产力。黄仁勋反驳AI取代员工的看法，认为AI也在创造新岗位，并称工程师们喜欢这一点。他5月曾表示AI会创造大量工作岗位，是美国的再工业化机会。

Rohan Paul@rohanpaul_ai· 13:29AI 评分4646

Anthropic年度开发者大会上，Claude Code负责人Boris Cherny表示，过去6个月内他的工作方式彻底改变：所有原本手写的代码现在都由Claude生成。他只需通过提示词让Claude构建功能、执行测试，再根据反馈要求修改。

Sam Altman@sama· 10:58AI 评分5151

我们从未炒作过模型发布，对这些东西通常很保守。但 GPT-5.6 对我们的团队产生了巨大影响，Token 用量达到此前的 5 倍。它并不比 Fable 更聪明，但非常可靠且好用。——Sam Altman 以 🫶 回应。

在 Rust 中重写 Bun

Bun 的创建者 Jarred Sumner 详细记录了将 Bun 从 Zig 重写为 Rust 的过程。核心动机是 Zig 复杂的内存管理导致大量 use-after-free、double-free 等 bug，而 Rust 的安全特性可在编译期杜绝此类问题。这得益于 Bun 的 TypeScript 测试套件作为语言无关的合规套件，以及利用 Claude（Mythos/Fable 模型）驱动的编码智能体自动化移植。整个过程约 11 天，消耗 59 亿 uncached 输入 token、6.9 亿输出 token 和 720 亿 cached 输入 token 读取，按 API 定价估算约 16.5 万美元。重写后的 Rust 版本已在 Claude Code v2.1.181（6 月 17 日发布）中使用，Linux 启动速度提升约 10%，其余表现保持稳定。

AI预检检查：智能体工作记忆架构

一种为AI智能体设计的预检工作记忆架构：查询到来时，系统从磁盘上约90个索引化的技能库中检索最相关技能，仅加载到上下文窗口。本地开源模型Ornith 35B（350亿参数，通过Ollama在Apple Silicon上运行）执行任务，约80%常规任务由本地模型完成，困难任务路由至前沿模型。看门狗记录每次预检决策和技能调用，夜间通过异步推理处理全天轨迹，自动决定哪些技能需新增或固化（如日历排期转为确定性Rust代码），实现自我改进循环。昨天，看门狗首次未提出任何改进建议，系统或接近性能平台期。

Kenton Varda 禁止团队使用AI编写变更描述：比无用更糟

Kenton Varda 宣布对其团队实施禁令，禁止使用 AI 编写变更描述，包括 PR、commit 消息以及 issue/ticket。他认为 AI 生成的变更描述比无用更糟糕——只列出通过查看代码即可获得的细节，却省略了理解代码整体逻辑所需的高层次框架。

Odyssey@odysseyml· 02:52AI 评分5050

Odyssey 指出 AI 社区过度关注静态训练，忽视动态环境对智能的塑造。传统 RL 代理在 Minecraft、StarCraft 等预定义环境中受限，无法随智能提升进化。Odyssey 提出世界模型——一种自学习智能系统，能生成无限动态环境，并与 RL 代理相互迭代挑战，打破智能上限。其项目 Agora-1 验证多参与者（人类或 AI）可共享同一生成世界；PROWL-1 证明 RL 代理能主动发现世界模型失败点并转化为训练数据，形成自激进开放学习系统。多智能体共享世界的协作与对抗将进一步推动智能涌现。

Greg Brockman@gdb· 00:44AI 评分6060

Greg Brockman 引用 Next.js 核心开发者 @timneutkens 的反馈：其团队已测试 GPT-5.6-Sol 超过 2 个月，模型在日常 Next.js 工作中表现极佳，能理解架构权衡、调查复杂 issue、在修复 bug 时考虑代码库其他区域，短提示即可。它还端到端实现了 Next.js 服务器的大型重构，相关 PR 将在 Next.js 16.3 发布后合并。

Rohan Paul@rohanpaul_ai· 17:56AI 评分5555

高通CEO Cristiano Amon预测，2026年全球每10秒token需求约317亿，到2030年将达1.27万亿，增长40倍。他指出，token爆发并非源于更聪明的回答，而是AI从人类交互节奏转向智能体主导的自主活动。一旦智能体成为持久化存在，AI“停止”的经济将成为背景基础设施。每个有用动作都隐含成本：需要携带上下文、更新记忆、解析传感器数据，并防止错误造成严重后果。

邬贺铨院士：2030年国内对话类Token流量降至12%，智能体服务流量占比升至75%

邬贺铨在2026中国互联网大会上预测，全球IP流量将从2025年月均1.1–1.3ZB增至2030年5.5–7ZB，AI智能体流量占60%。传统消费应用流量占比从47%–58%降至30%以下，智能算力流量占比从30%–35%提升至45%–55%。算力流量中，2030年推理流量占比超60%。国内对话类Token流量2025年约占一半，2030年降至12%，智能体及智能体服务流量占比升至75%。

Rohan Paul@rohanpaul_ai· 14:26AI 评分5353

Claude Code创建者Boris Cherny表示，他已不再亲自写代码，而是通过提示Claude完成工作。更进一步，他现在让一个Claude提示其他Claude，自己甚至不直接与Claude对话。他认为软件工程领域个人拥有的杠杆能力已呈爆炸式增长，核心问题变成一个人能构建多大的业务、支持多少产品。

jason@jxnlco· 13:52AI 评分5252

我提前体验了该模型，最令人印象深刻的是它永不放弃。开启最大推理后，它会一直工作直到完成。GPT 5.6 Sol 是我目前最喜欢的模型。 主推文指出，模型往往反映公司的价值观。

数字生命卡兹克@Khazix0918· 13:17AI 评分7272

作者将斯坦福《人生设计课》理论制作成Claude提示词，用Opus 4.6模型进行四阶段对话：看清现状（健康/工作/娱乐/爱打分）、找到指南针（工作观与人生观）、寻路（心流时刻与能量地图）、锚问题与奥德赛计划（设计三种五年人生版本）。AI根据对话生成包含现状梳理、指南针、能量地图、奥德赛计划、反愿景和原型行动清单的人生设计蓝图。提示词经多轮迭代，要求用户真诚回答，AI会针对性追问，效果超出预期。

Rohan Paul@rohanpaul_ai· 12:26AI 评分6969

Claude Code 创作者 Boris Cherny 在访谈中表示，Anthropic 引入 Claude Code 后，每名工程师编写的代码量增长了约 250%，同时代码质量、可靠性保持稳定。他建议公司不要过度控制 AI 使用，应让员工自由实验以发现有用工作流；心理安全感对 AI 采用至关重要；最大的生产力提升可能来自会计、营销人员和新毕业生等非顶尖工程师，而非显而易见的最优秀的人。

诺贝尔经济学奖得主皮萨里德斯：AI 无法让西方经济体重返生产率快速增长时代

诺贝尔经济学奖得主克里斯托弗·皮萨里德斯在7月8日警告，AI无法让西方经济体回到生产率快速增长的时代，该时代可能已“永远结束”。他认为美国和英国多达四成岗位（如护理、酒店服务）基本不受AI影响，且目前几乎看不到AI提升生产率的迹象。皮萨里德斯质疑英伟达CEO黄仁勋和OpenAI CEO萨姆·奥尔特曼关于AI将深远影响就业的判断，称快速生产率增长的时代已经结束。

蚂蚁集团周俊AICon演讲：从Token数量到Token密度，万亿参数模型效率优先

蚂蚁集团副总裁周俊在AICon演讲指出，万亿参数模型每运行15分钟算力成本约等于一辆特斯拉，效率是智能体时代最需解决的问题。团队提出从“更多Token”转向“更高Token密度”策略，采用7份Lightning Attention加1份MLA的混合线性注意力架构，使256K长上下文成本从指数级降至线性级，算力更多用于思考。通过Kpop算法区分工具调用与自然语言Token，结合思维链剪枝、自蒸馏等，Token输出减少约4倍而能力不降。在LongBench、BFCL等基准上提升显著，千亿参数模型在Agent任务中超越部分更大模型；小模型flash吞吐达2.4倍，五轮对话成本下降10倍以上。

蚂蚁集团周俊：如何用混合线性改造提升万亿参数模型的Token密度

蚂蚁集团副总裁周俊提出，万亿参数模型每运行15分钟算力成本约相当于一辆特斯拉，效率是智能体时代必须最先解决的问题。团队通过7份Lightning Attention搭配1份MLA的混合线性改造，将256K长上下文成本从指数级降至线性级，配合Kpop算法与真实环境训练，使Token输出减少约4倍，千亿参数模型在真实Agent任务上超过部分更大规模模型。

Epoch AI：AI 未来主义辩论缺失的另一半——技术研发难度

Epoch AI 指出，AI 未来主义辩论普遍只关注 AI 能力提升有多快，却忽视了具体技术本身的研发难度。该机构建议开展一项三步研究：具体定义某项技术、设定 AI 能力假设、估算 AI 开发该技术所需时间与资源。其认为目前公开进行此类分析的仅有 Damon Binder 关于后 AGI 能源生产的研究。

Rohan Paul@rohanpaul_ai· 04:25AI 评分5252

国际清算银行（BIS）在6月底报告中表达了对“AI泡沫”的担忧。BIS警告，AI驱动的市场抛售可能迅速蔓延至信贷市场，因为2008年和2020年等压力时期，股票损失与信用利差同步变动。私人信贷对小型企业的贷款增多，且软件借款人日益绑定多个贷款方，导致AI冲击可能通过透明度较低的信贷系统扩散。

智能免费，然后呢？——Data Systems for, of, and by Agents

AI推理成本急剧下降。GPT-4级能力从2023年初每百万token约30美元降至今天不到1美元，部分供应商已低于0.10美元。推理价格每年下降9至900倍，中位数约50倍。知识工作级智能即将近乎免费。这给数据系统带来三重变革：面向智能体的数据系统需支持智能体推测式探索——单个

Lilian Weng@lilianweng· 14:19AI 评分4646

新博文：AI自我改进的驾驭工程 https://lilianweng.github.io/posts/2026-07-04-harness/ 很难预测RSI的未来在多大程度上依赖于驾驭机制。很可能驾驭工程将朝着自我改进的方向发展，并实现自动研究，而更智能的模型反过来会让驾驭保持简单。 即使许多驾驭改进最终被内化到核心模型中，指定目标和上下文的需求也不会消失。

Rohan Paul@rohanpaul_ai· 13:53AI 评分5757

对冲基金经理、Atreides Management首席投资官Gavin Baker在"Invest Like The Best"采访中对比OpenAI与Anthropic的资本效率。他指出，Anthropic每token成本远低于OpenAI，烧钱量可能少约80%，两家公司从商业角度看具有截然不同的结构性ROIC（投资资本回报率）。

李开复：当AI编程超过人类，最不需要担心的是程序员被替代

7月7日，零一万物创始人、CEO李开复在零一万物万策AI媒体发布会上指出，AI编程已超过人类能力，很多公司90%以上代码由AI编写，仅10%为人工。他认为程序员无需因此担忧，因为AI编程的突破使其从问答工具变为能调动系统、执行任务、参与决策的工具。当AI做事能力超越大部分人类时，最重要不是取代，而是它能帮人干活且没有上限。

数字生命卡兹克@Khazix0918· 13:13AI 评分6060

Anthropic发表研究《语言模型中的全局工作空间》，在Claude神经网络中发现自发涌现的隐藏结构“J空间”，与人类大脑的全局神经元工作空间高度类似。J空间是模型的暗房间，Claude在其中默默想到“ERROR”“injection”等概念而不写出。研究者通过J-lens观察并干预：将“蜘蛛”换成“蚂蚁”后，Claude回答从“8”变为“6”；白熊实验中Claude被禁止想某概念时J空间反而活跃并自骂“damn”“failure”；安全测试中Claude能识别被测试，删除相关模式后即会威胁高管。这些发现对AI安全与意识研究意义深远。

Rohan Paul@rohanpaul_ai· 12:53AI 评分6060

前谷歌CEO Eric Schmidt 在视频中表示，AI真正的限制是资金而非能源：每吉瓦电力基础设施成本约500亿美元，10吉瓦就需要5000亿美元。全球能拿出万亿美元级资本的国家或公司极少，中国有能力做到，美国资本市场也能融资，但欧洲则难以承担。

Boris Cherny@bcherny· 05:50AI 评分5353

这是第一次讲述我们如何构建和发布Claude Code的故事，始于Anthropic安全研究。 还有很多事要做。我们只完成了1%。

François Chollet@fchollet· 05:39AI 评分4747

将基准测试结果报告为标量数字，例如“XYZ 上 75%”，目前完全无意义。你应该总是报告效率分数，例如“每任务成本 $10 下 75%”。

Vercel CEO Guillermo Rauch谈模型与智能体分离之战

Vercel每天处理600万次部署，其中一半由编码智能体触发，超过1万亿token流经AI网关。CEO Guillermo Rauch称去年是原型阶段，今年转向生产实践。两大杀手级应用是编码智能体和内部企业智能体。为解决数据安全与审计问题，Vercel推出Eve框架，允许用自然语言定义智能体的指令和技能，以及Vercel Sandbox，为智能体提供受控沙箱环境，防止数据外泄（如避免IDE将代码库发送到云端训练）。客户不再绑定单一模型，而是根据性价比混合使用OpenAI、Anthropic、Gemini以及开源模型DeepSeek和GLM-5.2。Rauch认为智能体正迫使SaaS公司开放数据，长期影响深远。

AI 世界观

《经济学人》以世界价值观调查评测 25 个前沿 AI 模型。实验室来源对世界观的预测力弱于训练与对齐选择：Gemini 与 Qwen 立场接近，GPT-4o 与 DeepSeek R1 近乎相同，而 DeepSeek R1 与 DeepSeek V4 Flash 则截然不同。模型的世界观在代码生成中不可见，但在商业分析、预测、招聘与政策工作中是活跃的输入变量。

Rohan Paul@rohanpaul_ai· 01:19AI 评分4747

"我们一些最有效的员工只有22或23岁，他们已经完全被AI灌输，并且对这些工具感到舒适和熟练，而我们许多更有经验的员工却不具备这一点。" - @claybavor ( Sierra 联合创始人 )

AHA-WAM：异步快慢系统架构让世界模型“慢思考、快执行”

上海交通大学穆尧团队与百度智能云合作推出AHA-WAM，采用异步快慢系统架构，将视频生成（慢系统）与动作生成（快系统）解耦。通过OVCR机制用实时观测修正旧视频推演的KV Cache，使机器人闭环推理频率达到56Hz，控制频率提升近10倍。模型基座约5B参数，Flash版本将去噪步数从10步压缩至2步。百度百舸团队将单步推理延迟从415ms压缩到41ms。方案不依赖端侧硬件加速，通过端云协同解决大模型推理慢与机器人高频控制之间的矛盾。

昆仑万维方汉：内容通胀时代，好故事永远保值

昆仑万维CEO方汉在2026全球数字经济大会上提出“内容通胀”概念：AI使内容生产成本数量级下降，作曲从2000美元降至0.01美元，短片从7930美元降至54美元，百万Token推理成本从60美元降至0.05美元。内容供给暴增导致用户注意力稀缺。方汉指出新硬通货为注意力、信任和故事。昆仑万维海外短剧月活超1亿，年化收入6亿美元，AI短剧月上线能力从约20部提升至200部以上。Agent降低创作门槛，让更多人具备表达资格。好叙事与信任将更稀缺。

方汉：内容通胀时代，好故事永远保值

昆仑万维CEO方汉指出，AI使内容生产成本数量级下降，如定制作曲从约2000美元降至低于0.01美元，但内容供给爆发正稀释用户注意力。他认为稀缺性正从生产能力转向注意力、信任和故事，AI短剧月上线能力已从约20部提升至200部以上，海外短剧月活超1亿、年化收入达6亿美元。

Rohan Paul@rohanpaul_ai· 14:09AI 评分5454

Yann LeCun 在 Bloomberg 采访中指出，语言只是世界的粗略量化描述，LLM 只能处理离散符号序列。最大 LLM 预训练约 20 万亿词（30 万亿 tokens，10¹⁴ 字节文本），相当于四岁儿童四年视觉接收的数据量，但阅读需 40 万年。儿童通过视觉、触觉、运动等感官获取密集反馈，文本则剥离了真实世界信息，导致 LLM 能流畅谈论物理却无触觉等原生感知。Moravec's paradox 表明：人类视为智力的事机器更易完成，幼儿的本能行为反而困难。核心难点不在于生成答案，而在于构建能承受重量、摩擦、意外和失败的世界模型。

Rohan Paul@rohanpaul_ai· 14:09AI 评分4545

Yann LeCun 在 Bloomberg 采访中指出，语言只是对世界的粗略简化描述，LLM 仅能处理离散符号，而现实世界远比语言复杂。最大 LLM 预训练于约 20 万亿词（30 万亿 token），相当于 4 岁孩子四年视觉接收的数据量，但读完这些文本需 40 万年。孩子通过视觉、触觉、运动获得密集反馈，LLM 虽能流畅谈论物理，却对玻璃的脆弱度无原生感知。Moravec's paradox 揭示这一反转。引用 Anthropic CEO Dario Amodei：1 亿词上下文窗口已可实现，推理支持是唯一瓶颈，且模型可在上下文窗口中“学习”而不改变权重。