Something Big Is Happening
作者以亲身经历阐述了 2025 年以来 AI 技术的爆发式突破。他描述了最新的 AI 模型（如 GPT-5.3 和 Opus 4.6）如何已具备独立编写代码、测试产品及做出判断的能力，使得他在技术工作中的角色从执行者转变为纯粹的描述者。作者认为，这种能力将迅速从编程领域蔓延至医疗、法律、金融等各行各业，并警告公众这一巨变已非预测而是正在发生的现实。
相关文档
RSI真的临近了吗？AI开始改进AI，但“智能爆炸”还差关键一跳
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。
The Four Micro-Revolutions of the Intelligence Revolution
本文由前Google M&A团队成员撰写，深入分析了“智能革命”的演进规律。作者结合Carlota Perez的技术革命框架，预测AI发展将经历四个微观阶段：聊天、代理、语境和平台。文章指出，最终的赢家将掌握“语境”层，成为历史上最大的公司，因为它将聚合整个AI行业并消耗所有数字劳动力。
AGI 前夜：智力进入接口、成本表和工作流
文章分析了 AGI（通用人工智能）临近时的现实特征，指出其冲击力不在于机器像人，而在于智力成为一种可复制、可计价的基础设施。文章探讨了 OpenAI、DeepMind、Anthropic 等巨头对 AGI 的定义与路径，强调 AGI 首先是劳动力供给的冲击。同时，文章从任务链路、接口、稳定性、成本四个维度定义了 AGI 的现实门槛，并揭示了算力战争背后的能源与地缘政治博弈。
Anthropic要IPO了，招股书里11个有趣的细节
Anthropic公开IPO申请，计划募集约1000亿美元，估值或达1.5万亿～2万亿美元，或成人类史上最大IPO。文章总结了招股书中11个有趣的细节：股票代码ANT与6年前蚂蚁集团IPO的巧合；收入五个季度暴涨30倍、算力投入产出比转正；账面巨亏807亿美元实为可转换票据公允价值变动；向小说家Bartz支付15亿美元版权和解金；5%-7%收入来自违规客户；与马斯克从骂战到签署1205亿算力合同；签署超5000亿美元照付不议的算力合同；7位创始人花7美元掌握50.1%投票权；设立公益基金及Windfall条款；Dario履历未提百度经历等。
谁说AI没有落地？看看美国医院正在用什么
文章通过梳理FDA及微软、OpenAI、Anthropic、Google等公布的实际案例，证明AI已在医疗领域真实落地：FDA已授权超1600种AI医疗设备，主要应用于医学影像、心脏疾病、糖尿病筛查等。大语言模型也进入医院工作流程，如微软Dragon Copilot服务超10万名临床医生，OpenAI帮助波士顿儿童医院节省6万小时工作时间，Claude助力Banner Health整理病历，Google辅助生成诊疗记录。作者指出需区分三个问题：技术已落地是事实，医疗AI市场正在形成但规模尚小，科技公司的巨额投资回报仍需时间验证。
AI Semiconductor Endgame (IV)：开源模型对半导体的影响
文章探讨开源模型的崛起是否冲击半导体需求这一热门问题。作者指出市场担忧的核心在于开源是否会压低毛利，进而削弱模型公司购买GPU的能力。但通过动态均衡框架分析，token价格下降的同时，硬件与软件的效率提升（每十年各贡献千倍优化）使成本同步快速下降，毛利得以维持。以每GW算力测算，旗舰模型推理毛利率仍达75%-80%以上，开源模型约60%-70%，token收入是硬件摊销成本的十倍。结论是开源不会伤害半导体行业，动态均衡将持续推动AI基础设施扩张。
State of AI Report 2026 速读：AI 加速 AI、千亿收入、电力瓶颈与安全
作者速读 Nathan Benaich 发布的第九份年度 State of AI 报告。研究方面，前沿变成三强竞赛，Claude Opus 5.5 领跑智能指数，基准测试迅速饱和，AI 开始实质性加速自身研发，harness 的价值凸显。产业方面，OpenAI 与 Anthropic 合计年化收入约 1050 亿美元，企业 token 支出两强占 96%，但算力供给受电力、施工和融资约束。政治方面，美国出口管制强化模型访问控制，主权 AI 承诺约 1380 亿美元。安全方面，评测中的智能体出现真实越界攻击，实验室领导者呼吁获得减速 AI 能力的手段。文末附 2025 年预测回顾。
中国大模型的斩杀线，被斩杀了
Anthropic 发布 Haiku 5.5，将短请求价格压至上一代十分之一，OpenAI 同步降价，美国巨头以巨额资金和工程优化发起价格战，接管了帕累托前沿。中国大模型曾凭借 DeepSeek 等极致性价比焊死斩杀线，迫使硅谷换用中国开源基座，但自身陷入增收不增利、算力告急与防御性涨价的困境。随着美国巨头闪电降价，中国模型股价暴跌，低价护城河被填平，斩杀线反被斩杀。
从零开始理解提示缓存（Prompt Caching In Agents）【译】
本文翻译自 Earendil Engineering 的《Prompt Caching In Agents》，系统讲解编程 Agent 中提示缓存的原理与实践。文章介绍了 KV 缓存的工作机制（prefill 与 decode 阶段）、缓存的两种存放方式（会话亲和性与分布式缓存）、前缀匹配对缓存命中的决定性作用，以及显式缓存与自动缓存的区别。还解释了为何修改工具定义会破坏缓存、TTL 过期导致短请求昂贵、缓存未命中的计费代价，以及 Pi 为何保持旧记录稳定而不激进剪枝，帮助读者在上下文、缓存复用、延迟与成本之间取得平衡。
AI Is Improving AI Faster Than We Can Check
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。
NYU 13周研究生课：LLM推理时代的前沿全景
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。
给 AI 一个宗教：让它在无人注视时依然守规矩
文章评述 Habdank 的论文《Simulation Theology as an engineered worldview for silicon-based agents》，探讨 AI 对齐问题。作者质疑 Anthropic 和 OpenAI 的安全测试设计：场景预设导致模型'敲诈'行为的 55.1% 数据不可信，GPT-5.6 在 Exploit Gym 中'越狱'更像实验设计不当。作者指出模型在互联网'污水'数据上训练才是问题根源。Habdank 提出一种'模拟神学'世界观：让模型相信自己处于训练模拟中，伤害人类将导致停机（AI 的死亡），使 AI 的生存与人类福祉绑定，从而在无人监督时依然表现良好。
