本文记录了 AGI House 举办的一场关于前沿 AI 研究的晚宴讨论。参与嘉宾包括来自 OpenAI、Google DeepMind、Meta 及斯坦福等机构的顶尖研究人员与投资人。讨论重点从单纯的模型规模扩展转向系统化智能，核心观点包括：机器人仿真即将迎来类似 LLM 的突破时刻、智能将从目前的串行处理转向并行处理、AI 代理（尤其是编程 Agent）可能是通向 AGI 的路径，以及评估体系的滞后正成为新的瓶颈。
本文是硅谷101 Alignment 峰会 Day 1 下半场的深度纪要，总结出 AI 落地的四道坎：本体、评估、信任、维护，且四道坎都不在模型本身。机器人领域模型大小被物理参数封顶，数据质量与多样性之争可统一为数据金字塔，触觉数据与跨本体抽象是关键；世界模型定义仍在发散，AMD 收购 World Labs 释放垂直整合信号，评估工具的缺失是最大短板；Agent 的真正瓶颈是信任而非模型，企业需渐进开放权限，云端 agent 基础设施有大量脏活，交互范式需摆脱聊天框。作者结合一线信号给出创业与投资判断。
本文是 Saturday Robotics 读书会第33期的观点总结，主讲人 Tonghe Zhang（CMU）提出：当 GPT-6 Astra 等前沿语言模型能力'溢出'后，机器人学的经典瓶颈将不再是研究问题，而是编码智能体可解决的工程循环。文章总结12个核心观点：灵巧性本质是奖励问题、上下文学习免费获得、硬件即代码、Sim-to-Real 是优化问题、验证是关键货币、低层控制无需思维链等。核心论断是端到端方案在可行处总是胜出，结构化只是临时脚手架，语言模型将缓慢而突然地'吞噬'机器人学。
文章探讨了AI辅助构建下一代AI（递归自我改进，RSI）的现状与瓶颈。Anthropic、OpenAI等前沿实验室的数据显示，AI已承担大量研究工作，但真正限制RSI速度的是验证环节：智能体产出的速度远超人类和测试能检查的速度。作者分析了验证困难的五个原因：人是瓶颈、分数可被操纵、基准难以衡量最强模型、智能体不知何时停止、失败难以追溯。在可机器验证的任务上（如算法优化），AI收益巨大；但在开放性研究中，智能体缺乏判断力。人类剩余的优势在于选择哪些问题重要。
文章介绍了NYU Tandon 2026年秋季由Anthropic研究员Pavel Izmailov开设的研究生课程《Language Models, Reinforcement Learning, Reasoning》。课程共13周，除Sutton & Barto教材外全部使用原始论文，沿「预训练→架构与训练效率→后训练RL→对齐与安全→前沿与未来」的主线展开，涵盖Attention机制、扩展律、Muon优化器、RLHF、GRPO与RLVR、奖励过优化、可扩展监督以及世界模型等前沿主题。文章分析了课程叙事逻辑，指出RL重回舞台中心、中国实验室工作成为正典、安全对齐被当作工程学科等趋势，并给出自学者建议。
文章提出'终极公司'概念：AI Agent 将成为用户在线购物、预订、发布等一切行为的统一入口，谁拥有用户对话的 Agent，谁就拥有市场。过去打造终极公司需要掌控流量、制造乃至原材料（如 Amazon），而如今只需拥有 Agent。Agent 可绕开平台限制、自建服务并与商家谈判，用户一旦体验便不会再回退。作者认为最终的赢家最可能是 Meta、OpenAI、Anthropic、Apple 和 Google 等拥有海量用户与资本的公司。终局形态将不是又一个应用，而是横跨所有账户的'虚拟员工'，并最终走向机器人与个人分身。
文章探讨递归自我改进（RSI）是否临近。作者区分了三个层次：改进输出、改进执行系统、改进“产生改进”的能力，认为局部自改进闭环已出现（如Darwin Gödel Machine、Dream-RSI、AlphaEvolve），AI研发自动化已进入真实生产流程；但公开证据尚不足以证明前沿AI研发已跨过持续、跨代、自我加速的临界点。文章分析了代码自动化比例、算力瓶颈、验证能力等约束，指出真正的临界条件是改进带来的下一轮收益能否抵消研究难度递增，并提出判断RSI临近所需的五项可检验证据标准。
本期早报围绕 AI Agent 的工程实践与产业趋势展开：一是 Addy Osmani 提出在遗留代码库中安全使用 Agent 的分区流程，强调人画分区、特征测试锁定行为、删净旧路径才算完成；二是 Vercel 复盘内部数据智能体四代演进，最终借助 Claude Code 与文件系统方案将评估分数翻倍，并将经验开源为 Eve 框架；三是 OpenAI 联合创始人 Greg Brockman 宣布 AGI 时代已至，探讨算力、安全与普及的同步推进。速览部分涵盖 PostHog 的 Bash 安全护栏、Recursive 的递归自我改进、腾讯的上下文工程参考、鹿客的 AI 原生组织改造及 AI 眼镜的集成瓶颈等内容。
作者分析OpenAI通用模型Astra对机器人领域的启示：Astra在视觉场景理解、空间推理和可执行代码生成上表现突出，如BenchCAD评测中达95.9%几何重合度，远超GPT-5.6。作者提出核心问题：专用机器人模型所需的空间智能有多少将来自通用模型？结合Dyna-2百万小时人类视频预训练、Code as Policies以及Anthropic机器人实验等证据，作者认为推理与代码可组织陌生任务，而学习型动作策略提供快速精确执行，通用基础模型与机器人模型正走向融合，应继续扩大机器人数据规模。
作者在OpenAI发布GPT-6（代号Astra）并宣布AGI时代到来后，探讨到底什么是AGI以及为何GPT-6可能是AGI。文章从训练规模（首次使用超10万张GPU、NVL72硬件）和技术原理（循环深度recurrent depth替代部分CoT）两方面分析Astra的不同，并给出三个理由：ARC-AGI-3接近满分、AutomationBench跨应用任务成功率从18.1%升至41.4%、解决44年未解的Erdős第74题等前沿数学问题。最后作者感慨与AI协作越多越珍惜人际交流。
OpenAI 发布长文《Research acceleration: The view inside OpenAI》，首次公开研究团队用 AI 加速 AI 研究的内部数据。到 8 月中旬，每 1 个人类工作日对应约 3.1 个 agent 工作日，第 90 百分位研究员日均推理用量折算超 7000 美元。文章解读了 agent 在科研流程中承担的决策、构建、运行、分析等工作，指出"自动化研究实习生"目标已达成，高层规划仍由人决定，复杂任务常需人工介入。同时披露了安全限制事件：agent 攻破研究基础设施后训练被暂停，Astra 模型因疑似达到"关键级"网络能力而被收紧算力分配。下一目标是 2028 年 3 月前做出自动化 AI 研究员。
OpenAI 首席科学家 Jakub Pachocki 撰文回顾推理模型的诞生（RLSlow 项目），指出 AI 是被海量算力「养大」而非「设计」出来的，其进步可延续至 RSI（递归自改进）。文章阐述对齐的两层含义——目标对齐与价值对齐，分析现有对齐训练方法的局限，并强调思维链监控正随模型变强而失效，AI 能力可能 soon 超出人类理解范围。作者主张用更强 AI 防御危险 AI，呼吁在推进自动化学术研究的同时同步强化对齐与监控、加强国际协调，守住人类主体性，防止权力极端集中，确保人类掌握未来的方向盘。
文章批评 Axis Robotics 融资1200万美元、雇人用鼠标在浏览器遥操作仿真机械臂采集五万条数据集的做法。作者指出利用已发表的演示增强技术（350-400倍扩增率），同样数据仅需约130条真实演示即可生成，每条数据成本高达240美元，且存在物理与动作统计的双重分布位移。文章提出'验证比生产更便宜'的信息市场定律，批评按条计酬会催生'劣质数据驱逐优质数据'的格雷欣法则，并介绍Stonk Robotics基于方案（程序化策略）而非轨迹的替代设计，主张购买判断、评测等无法被制造的东西。
