文章介绍 Anthropic 最新报告显示 Claude 已能作为“超级博后”全自动完成科研任务。仅凭一段 Prompt，Claude 可自主读文献、串联蛋白质开源模型，24-48 小时内完成 de novo 蛋白质设计；湿实验验证中 15 个靶点成功 14 个，单靶点命中率高达 35.1%，攻克了 TNFα 等地狱级靶点并实现跨物种结合。此外 Claude Opus 5 仅用 19 分钟即逆向解析 NMR 与质谱原始数据，纯度计算结果与人类专业实验室几乎一致。作者认为 AI 正从工具人进化为自主科研决策者，未来科研竞争将转向提出有价值的科学问题。
本文是 Paul Graham《What I Worked On》的中文编译，作者回顾了自己早年写作与编程的经历：从中学接触 IBM 1401 与 Fortran，到拥有 TRS-80 后真正开始编程；大学从哲学转向人工智能，自学 Lisp 并重实现 SHRDLU；研究生时期看清早期符号主义 AI 的局限，转而专注 Lisp 并写作《On Lisp》。毕业后赴佛罗伦萨美术学院学画，经历艺术院校的失望，后在美国靠编程与自由职业维生，在 Interleaf 工作并总结出“低端吞掉高端”等重要经验。文章展现了作者在写作、编程与绘画之间追寻能长久留存之事的探索历程。
本期 INDIGO TALK 对谈字节前工程师郭宇，从 2015 年字节作为神经网络驱动公司的往事讲起，谈到抖音意外胜出的内幕、Vibe Coding 背后的决策负担与工程师倦怠、Agent OS 的未来图景、智能的五个层次与商品化，以及软件为何会像牛奶一样便宜。当软件可以随时生成、用完即丢，个人化软件让分发失去意义，我们真正要交付的是什么？最后讨论当工作不再是必选项时，年轻人该如何选择人生方向。
文章提出'营销工程师'（Marketing Engineer）将成为新的10倍员工。作者回顾了营销行业从广告狂人时代、AdWords数字营销、增长黑客到AI辅助营销的演变，指出实验成本持续坍缩是贯穿历史的主线。借助Claude Code、Codex、MCP和定时Agent等工具，一个兼具营销思维与构建能力的人可以搭建由多个AI Agent组成的系统：阅读销售通话、生成落地页、投放广告、归因分析，实现每天数十个实验。文章给出搭建指南：配置Agent工作区、通过MCP连接工具、编写'大脑'文件夹以提供业务上下文。作者认为创业公司应尽快培养或雇佣营销工程师，这是当下最大的增长杠杆。
文章引用周金涛的康波周期理论，认为2025-2026年正处于第五轮信息技术康波萧条期向第六轮（能源革命与AI驱动）回升期的换挡点。作者提出2026-2030年是最佳定投区间，理由有三：一是回升期反复磨底的震荡环境恰好适合定投压低平均成本；二是纳指100和标普500的成分（英伟达、微软等数字经济巨头）本身就是第六轮康波的核心资产，且指数会自动更新换代；三是播种必须早于繁荣，提前五年建仓者成本结构与后期进场者截然不同。
作者通过对比十二五到十五五四份五年规划，提出阅读五年规划的正确方法：不是搜索关键词找利好，而是纵向对比同一产业在不同规划中的演变。文章以互联网、平台经济、人工智能为例，展示数字经济如何从基础设施与电商工具升级为数字中国战略，政策措辞从鼓励发展转向规范监管时对估值的影响，以及AI产业链的细化拆解。核心观点：五年规划应被当作产业变化时间轴，用来确定未来值得重点研究的产业方向，而非直接指导买哪只股票。
剑桥大学 AI 科学与政策项目发布论文，Hinton、Bengio 等 20 多位顶尖研究者联名讨论 AI 研发自动化可能引发的智能爆炸。数据显示 Anthropic 审核代码中 AI 写的比例已超 80%，AI 可独立完成的研发任务时长每 3 个月翻一番。若研究投入回报率 r 维持 1.2-1.9，约 1.5 年后 AI 进步速度将达现在 10 倍。论文分析了算力、数据等四类刹车因素，指出能力失控、人类失去监督、权力制衡失效三类风险，并提出透明报告、能力上限、应急预案三条政策建议，强调必须现在开始准备。
文章从1829年雅可比致勒让德的信谈起：科学唯一的目的是人类精神的荣誉。作者梳理了数学史上'为了用'与'为了它自己'两种目的观近两百年的交锋，从巴比伦记账泥板、傅里叶的热传导，到哈代的《辩白》、布尔巴基与四色定理。文章指出无论哪种立场，具体的人都常被排除在目的之外——诺特被制度挡在门外，密码学家隐姓埋名，孩子们默默核对证明。布劳威尔、外尔、瑟斯顿等人则不断把'人'收回数学的中心。最后文章回应2025-2026年AI冲击数学界的现实：机器达到IMO金牌线、代理证明费马大定理、千禧年问题的争议，追问在机器时代谁来署名、谁负责，重申'人是目的，构是手段'的核心论断。
文章讲述了 Jamie Beaton 的故事：31 岁已获得哈佛、斯坦福、牛津、清华等 12 个顶级大学学位，同时创立并经营估值超 6 亿美元的教育公司 Crimson Education。作者借此探讨 AI 时代大学教育的价值变迁：知识因 AI 变得越来越便宜，但名校的文凭、筛选机制和圈层认证反而更贵。Jamie 把学校当作基础设施，看重的是教授、同学、研究环境和跨学科训练，而非单纯的知识获取，揭示了教育与认证的分离趋势。
文章系统梳理了人工智能从1950年代至今的发展历程：萌芽探索期（图灵之问与达特茅斯会议）、知识驱动期（符号主义与专家系统）、统计学习期（机器学习与特征工程）、深度学习突破期（AlexNet与神经网络）、大模型时代（Transformer、GPT-3、ChatGPT与多模态）。作者指出AI处理信息的方式从人类编写规则，到机器从数据中学习，再到模型理解目标并自主完成任务。未来AI将从大模型走向智能体（Agent），能够拆解任务、制定计划、调用工具，实现从被动响应到自主行动的转变。
作者以儿子养正自学编程的经历为引，探讨在AI时代如何正确学习编程。文章提出三步路线：先用4-6周掌握Python基础语法（变量、条件、循环、函数、列表、字典），再用2-3个月做一件自己真实需要的东西并在此阶段引入AI辅助，最后学习Git和阅读他人代码。文章引用多伦多大学青少年编程实验和METR开发者实验，指出AI虽能提高短期效率，但独立能力才是根本；有代码底子的人用AI学得更好，AI的位置应在第二步而非第一步。会编程不是生成代码，而是能判断代码对错并修改。
比尔·盖茨在其最新文章中警告，AI 不只是一次技术升级，而是将同时重塑就业、财富分配、教育、医疗与社会关系的一场巨变。他指出 AI 可能成为人类历史上最强大的'平等器'，也可能加剧失业、贫富差距和安全风险。文章分析了三大风险：大量岗位永久消失、AI 赋予犯罪分子和威权政府更强的作恶能力、以及 AI 阻碍儿童成长并取代真实人际关系。盖茨强调，冲击将在十年左右到来，政府、企业与 AI 公司必须立即合作，建立新的治理体系，在最大化 AI 收益的同时最小化其伤害，让 AI 创造的财富惠及所有人。
本文解读 Bain & Company 发布的企业 AI 转型 CEO 指南，指出多数企业的 AI 尝试只是“假装进步”：把试点数量当转型深度、在旧流程上叠加 AI 按钮、用短期 ROI 筛选项目、误把供应商能力当自身能力、战略激进但机制保守。文章认为真正拉开差距的是三样买不来的核心资产：专属数据、编码化工作流和闭环学习机制，并介绍了企业 AI 转型需要做对的七项核心决策。
文章以围棋和魔方为例，探讨人类智能与机器智能的本质差异。人类因算力有限，发明层先法、定式等启发式结构来压缩复杂度，依赖局部秩序感；而 AlphaGo 等机器则直接在状态空间中寻找最短路径。三阶魔方虽有约4.3×10^19种状态，但上帝之数证明任意状态距复原最多20步，如 Superflip 看似对称易解实则最远。人类看到的是局部颜色与秩序，机器看到的是全局坐标与距离，人类的“智慧”或许只是适应自身算力限制的辅助结构。
OpenAI 于 8 月 1 日公布了数学与理论计算机科学方向的十项新进展，涉及几何、密码学、复杂性等长期问题。这些成果来自下一代模型 Astra 的内部版本，配套了 253 页论文、推理叙述和 Lean 形式化证明仓库。文章强调，这不仅是模型能力的展示，更标志着 AI 从生成文本转向生成可验证的研究产物。作者提醒读者不要过度解读为“AI 替代数学家”，而是关注其带来的可验证输出标准，这对未来 AI 工作流和科研模式具有深远影响。
本文介绍了Google Slides中Gemini功能的最新更新，该功能能够根据用户提供的资料生成完整、原生、可编辑的多页演示文稿。文章详细阐述了正确的操作流程：整理资料、让AI追问并审核提纲、使用旧PPT作为风格参考、生成可编辑页面以及人工校对。同时指出了常见的使用陷阱和功能限制，强调该工具旨在压缩从资料到初稿的时间，而非替代最终的人工判断。
文章探讨了人工智能如何重塑智能手机、自动驾驶、医疗、机器人、智慧城市和太空探索等关键领域，并提出了关于隐私、责任、伦理和人类独特性等深刻问题。作者认为AI是反映我们数据、价值观和梦想的镜子，其发展取决于我们自身。
作者参加了2026年Google I/O开发者大会，虽然现场没有特别炫酷的技术，但一位视障工程师展示的VisAware项目让她深受触动。文章回顾了Gemini App用户从4亿增长到9.5亿、token处理量增长至3200万亿等数据，分析了Google将AI融入搜索、YouTube等日常产品的策略，并探讨了Agent治理、Agent Skills等话题。作者认为AI的人味不在于模仿人类，而在于帮助人们自主行动，让科技真正改善生活。
本文系统梳理了物理对机器学习79个开放问题的贡献，按定题、构造块、学习、实验四块逐一分析。作者提出物理介入ML的三条路径：分析方法、模型来源、科研制度，并指出现有综述缺乏按具体问题组织的映射。文中详细评估了每条问题物理能否解决，标注为能、部分或不能，并给出对应的物理方向。最终统计显示，物理在构造块（模型来源）贡献最大，在定题块（语义与目标）几乎无能为力。文章强调物理的价值在于提供分析工具、模型灵感和科研规范，而非万能解药。
本文讲述了作者作为前线部署工程师（FDE）深入服装厂，落地AI报修系统的全过程。与单纯的写代码不同，FDE需要深入一线调研真实业务流程，明确可量化的交付指标。通过贴二维码解决设备识别问题，建立评估集（Evals）优化车间噪音干扰下的语音识别准确率，并在不断试用与反馈中平衡系统自动化与工人操作体验。文章揭示了AI应用落地面临的真实挑战，以及FDE作为客户与技术之间桥梁的核心价值。
文章指出2026年AI行业正从“能力竞赛”转向“生产力竞赛”，模型本身不再是唯一重点。真正的商业价值在于工作流和收入。投资人应关注三个核心信号：一是AI应用能否真正盈利并为企业省钱；二是Agent能否深度接入企业系统并实际执行任务；三是AI能否走出数字世界，通过Physical AI（具身智能、机器人等）改造现实。此外，AI基础设施（卖铲子）及安全权限治理也是极具潜力的长期红利。
现有无标注强化学习（TTRL）多依赖多数票生成伪标签，难以处理医疗建议等复杂开放式任务。为此，文章提出SERPO（自进化判据策略优化）机制。它通过模型自身采样的回答提取质量判据生成奖励，无需任何外部监督或人工标注，并将收益直接写入模型权重。实验表明，SERPO不仅大幅提升了模型在垂直领域的性能，且在OOD测试和长程训练中持续进化，证明了其能将质量标准转化为持久的模型能力。
随着企业将各类信息接入统一的 AI 知识库，传统的基于文件的权限管理已完全失效。文章指出，知识的提炼与综合改变了权限的底层逻辑：权限的粒度应从“文件”转变为提取出的“观点或信息”。同时，AI 必须具备上下文理解能力，既要让有价值的经验突破原始隐私边界实现共享，也要懂得“选择性遗忘”无关或敏感的闲聊，以避免引发寒蝉效应。此外，AI 交互轨迹应被视为新型企业记忆保存，并需着重解决知识归属与隐私权限的分离问题。
本文梳理了英伟达2022至2028年从Hopper到Feynman的架构演进。指出存储曾是过去产品迭代的主线，但随着内存遇墙，互联已成为未来的核心解药与投资主线。文章拆解了GPU、CPU、组合系统与机架四条业务线，澄清了GB200、NVL72、NVL576等极易混淆的概念，详解了scale-up高速域的扩张，并深刻分析了内存容量与带宽如何推动AI算力系统的升级。
本文探讨了企业AI项目落地的FDE（Foundation Deployment Engineer）模式。作者指出，AI项目不应一上来就写Prompt或搭Agent，而应遵循“业务理解-协作搭建-真实数据评估-业务结果验证”的闭环。文章详细拆解了FDE的团队协作阵型（Echo、Delta、FDPM）、绩效考核标准及个人能力成长路径。强调FDE的核心是将工程能力带入模糊的现场需求，用业务指标验证AI价值，并呼吁从业者从熟悉的行业切入，完成最小价值的业务闭环。
作者分享了如何利用Claude构建个人与业务自动化系统，解决传统第二大脑工具需人工频繁维护的痛点。文章详细拆解了从工作流审查、设计标准化技能、搭建可视化文件夹的实操步骤。通过让AI采访并评估日常任务，用户可将视频创作、商务拓展等流程转化为Claude可复用的Skill，从而实现生活与工作的全面自动化。
本文探讨了“循环工程（Loop Engineering）”的概念，即从人工提示Agent转变为构建自动提示Agent的系统。文章追溯了其起源，并将之置于提示、上下文、测试床之上，作为自动化运行的最高层。作者详细拆解了循环系统的五个核心组件：触发器、任务、验证门、状态文件和停止条件。最后，文章介绍了Claude Code中四种循环类型及其应用场景，强调通过客观的评估器和状态持久化来实现夜间无人值守的自动化开发任务。
文章回顾了AI递归自我改进（RSI）的80年历史，将其划分为四次浪潮：随机突变（遭遇生成瓶颈）、数学证明（陷入验证瘫痪）、AutoML（过度拟合基准测试），以及当前大语言模型阶段。作者指出，随着LLM解决了代码生成的瓶颈，AI系统演进的核心挑战已剧烈转移至“验证”阶段。面对开放式任务，如何有效验证AI生成复杂系统的逻辑可靠性，成为了当前AI自我进化的真正天花板。
Google 首席科学家 Jeff Dean 宣布离职，结束 27 年职业生涯。他将与 Sanjay Ghemawat 等人创办 Discovery Loop，致力于自动化科学与工程发现。文章回顾了 Dean 从构建分布式系统、MapReduce、Bigtable 到引领 Google Brain 和 TensorFlow 的历程，阐述了他如何将底层复杂性封装成基础设施，并试图将这种规模思维带入自动化发现领域。
李开飞分享其新书《AI Native》，阐述企业如何真正实现AI转型。他指出许多公司虽投入AI但未见实际收益，强调AI转型必须是CEO的首要任务，需重塑企业核心而非仅作为工具附加。书中探讨了智能化带来的组织变革与领导力挑战。
