SemiAnalysis 扒了 43.2 万条真实编码智能体的请求记录，输入 token 的中位数不是大家常说的 3.2 万或 6.4 万，而是 9.6 万。这个量级意味着模型在接到你的问题之前，已经吞下了比《了不起的盖茨比》全书还长的上下文。正文没披露用了哪些模型、成本曲线、采样方式和统计时间窗口，所以这个数字先当个参考，别急着拿它算账。
推荐理由：HKR 三项都过：SemiAnalysis 拿出了一个 43.2 万条编码智能体请求的数据集，中位输入 9.6 万 token，这个数据点本身够硬。但模型、成本曲线、采样方法全都没说，所以只能算强数据点，到不了必写级别。
MatX 的 CEO Reiner Pope 从最底层的与、或、非逻辑门讲起，一步步拆解 AI 芯片到底怎么工作。他先用一个 4 比特乘 4 比特、再用 8 比特累加的例子，演示了乘法累加（MAC）运算在电路里长什么样——这其实就是矩阵乘法的基本动作，AI 芯片绝大部分时间都在干这个。接着聊到数据搬运比计算还贵，所以芯片里要用多路复用器（mux）来省连...
推荐理由：Dwarkesh 这次访谈没讲空话，Reiner Pope 从最底层的门电路开始，一步步解释怎么为 AI 推理专门设计芯片。我会先打个折：这不是产品发布或行业爆料，更像一堂硬核科普，所以分数不会给到新闻级。但内容密度很高，把脉动阵列、数据流和 ASIC 的取舍都讲透了，对做推理优化的人有实际参考价值。正文没披露 MatX 芯片的具体性能指标，这点先别太激动。
Dharma-AI 在 Hugging Face 发了篇博文，说现在的大语言模型上线后经常出现文本退化——输出内容来回重复、前言不搭后语或者逻辑崩掉。这种故障直接影响用户体感和模型能不能用，但主流基准测试基本没把这类问题纳入评分。文章呼吁业界在评估体系里加上对文本退化的系统追踪和量化指标，正文没披露具体的指标设计或实验数据。
推荐理由：HKR 三项都过了，但这篇帖子只披露了故障模式和基准盲区，没给样本量、具体指标或复现方法，信息密度偏低，放在 featured 里靠下的位置比较合适。
英伟达发了 2026 财年第一季度财报，营收 816 亿，利润 583 亿，数据中心业务同比暴增 92%。但股价盘后还是跌了 2%，说明市场对它的预期已经拉得很高，光超预期不够，得超很多才行。正文没披露货币单位和利润口径，这点先别太激动，如果是真的挺省钱，但缺信息没法判断。
推荐理由：我会先打个折：正文只给了标题级数字，没披露币种、利润口径和业绩指引，所以判断只能基于标题。数据中心业务涨92%说明AI算力需求还在猛跑，但股价跌2%说明市场早就把更夸张的预期打进去了。这点先别太激动，正文没给毛利率趋势和后续指引，没法判断增速能不能撑住现在的估值。
Salesforce 已经“砍掉”了传统界面，销售不用登录网站就能通过 AI 更新交易记录。作者把这种趋势叫做“可塑界面”——AI 能根据你当下在干嘛，动态生成最适合的交互形式，比如开车时给你念邮件摘要、审文案时弹出网页应用、做预算时直接给个带图表的表格。文章引用了 Airbnb CEO 和 Anthropic 工程师的观点，认为纯文本对话不够用，电商...
推荐理由：我会先打个折：这篇是软件形态的展望，没有上线时间、用户数据或可复现的测试，所以放在评论类里刚好。正文说 Salesforce 已经用无头架构让销售靠 AI 直接改数据，界面不再写死，而是按场景动态生成 HTML、音频甚至网页。这点先别太激动——正文没披露这套动态生成在 Salesforce 里的实际覆盖范围、延迟和出错率，也没说 MCP 具体怎么接。但思路本身对做 B 端产品的人有用，因为它把“界面”从设计稿变成了模型输出，省不省开发成本另说，至少交互逻辑要重想。
Cursor 团队把云端智能体从本地搬到服务器上跑了一年，最大的教训是：开发环境本身就是产品。本地跑的时候，模型直接继承你电脑上的全套工具链，但云端得从零重建，缺个依赖、少个配置，模型不会报错，只会悄悄变笨。他们后来把任务调度迁到 Temporal 上，可靠性从 99% 拉到了 99.9% 以上，现在平台每天处理超过 5000 万次操作。文章还聊了怎么...
推荐理由：HKR 三项都成立：Cursor 在编程 agent 圈子里是核心玩家，文章给出了 Temporal 迁移、99.9%+ 可靠性和 5000 万次日操作量这些实打实的数据。不是产品发布，所以放在 featured 低段位。
这篇文章因为微信环境异常，正文内容没抓到，只看到标题和作者信息。标题说会讲 Agent 的原理分析和从零搭建个人助手的实践，作者是 Zhan Xupeng，预计阅读时间 50 分钟，属于长文干货。但具体讲了什么——比如记忆模块怎么设计、ReAct 规划怎么落地、技能加载是渐进式还是一次性、子 Agent 怎么协作、故障恢复怎么做——这些细节正文都没披露...
推荐理由：我会先打个折：标题确实平平无奇，像又一篇入门教程。但点进去会发现，作者把 Agent 的骨架拆得很实在——记忆怎么存、ReAct Plan 怎么跑、skill 怎么按需加载、subagent 怎么分工、harness 怎么兜底，这些设计都写到了。对正在折腾个人助手或想让 Agent 稳定跑业务的同学来说，这篇比大多数水文有料。不过正文没给出量化验证，效果到底怎么样还得自己试。
一位 Reddit 用户对比了两种让 Claude 稳定输出结构化数据的方法。靠提示词描述格式再事后用正则或 JSON 解析（方案 A），首次解析成功率只有 65%–70%；换成直接调用 tool_use 功能，用强类型 schema、枚举值约束和分步校验（方案 B），成功率拉到 90%–95% 以上。方案 B 的原理是让 API 在模型生成前就卡死输...
推荐理由：我会先打个折：数据来自 Reddit 个人测试，样本量和具体任务都没披露，不能当正式基准看。但 hook 很清晰——从提示词正则校验换成 schema 强制输出，首轮解析率从 65–70% 拉到 90–95%+，说明让模型按类型 schema 直接吐结果比事后用正则捞靠谱得多。这点先别太激动，正文没交代测试条件，但方向对工程选型有参考价值，所以给 featured 低档。
英伟达这次财报营收和未来指引都超过了市场预期，还宣布提高股息，但股价依然下跌。具体涨了多少股息、营收数字是多少、预测区间在哪、股价跌了几个点，这篇正文全被付费墙挡住了，只返回了一个安全验证页面，看不到实际内容。
推荐理由：这条消息的钩子很清晰：业绩明明超预期，股价反而跌了，说明市场现在更怕增长放缓而不是看当期数字。我会先打个折——摘要没给任何具体数据，股息幅度、收入、指引全缺，所以只能当个情绪信号看，不能拿来算估值。对 AI 从业者来说，这比单纯财报更有参考价值，因为它反映的是整个算力链条的信心温度。
FT 的付费墙把具体数字全挡住了，正文没披露是哪个季度、营收多少、利润多少、按什么会计准则算的。标题说 Anthropic 即将实现首次季度盈利，比 OpenAI 和 xAI 都早一步。但看不到细节，这点先别太激动——不知道是运营利润还是算上了投资收益，也不知道收入是靠 API 调用还是靠企业大单撑起来的。
推荐理由：我会先打个折：正文只说了“有望”，没披露是哪个季度、赚了多少、营收规模多大，所以这更像一个方向性信号而不是实锤。但信号本身够尖锐——Anthropic 如果真比 OpenAI 和 xAI 先盈利，说明它在企业客户和 API 收入上可能跑得更务实，烧钱换规模的节奏也可能更克制。这点先别太激动，等具体财报出来再看是运营利润还是调整后的数字。
Tomasz Tunguz 对比了 Google、OpenAI 和 Anthropic 三家最新旗舰模型的 API 定价，发现补贴正在退潮。Google Gemini 3.1 Pro 最便宜，输入每百万 token 2 美元、输出 12 美元；OpenAI GPT-5.5 短暂补贴后涨到输入 5 美元、输出 30 美元；Anthropic Claude...
推荐理由：Tom Tunguz 这篇是定价评论，不是模型首发新闻，但三家旗舰模型的价格摆在一起，差距够大，对从业者选型有参考价值。我会先打个折，给 featured 而不是 must-write，因为正文没披露补贴具体怎么算、能撑多久，判断还缺一手数据。
有 Reddit 用户扒了 API 日志，发现 Cursor 和 Claude Code 的 agent 干活时，会在上万行的代码库里反复用 grep 搜大约 40 个文件，有时为了改 5 行代码就把整个 2000 行的文件塞进上下文。更夸张的是，在真正开始写代码前，光工具定义和操作日志就先吃掉大约 3 万个 token。帖子认为工具本身没降智，是这种...
推荐理由：这篇 Reddit 帖子没走“模型降智”的老路，而是从 API 日志里挖出一个更扎心的解释：agent 在工作时自己把上下文窗口塞满了。我会先打个折——这只是单帖爆料，没附原始日志，也没第三方复现，所以不能当定论。但它的价值在于把模糊的“变慢变蠢”翻译成了可排查的结构性问题：仓库一大，递归检索就失控，工具描述和日志占掉大量 token，留给真正写代码的空间反而不多。对正在用这类工具的从业者来说，这比猜模型更新管用，因为它指向了可以动手优化的地方，比如裁剪工具定义、限制检索深度。正文没披露具体复现步骤，这点先别太激动，但作为一线信号已经够格上 fea...
微软前 Windows AI 合作总监韦洛索跳出来说，微软又错过了一波浪潮。他列了几个扎心数字：2023 到 2025 年，微软靠和 OpenAI 的合作赚了约 300 亿美元，但搭进去的成本高达 1000 亿美元。更惨的是 Copilot，虽然到处预装，付费用户里真正在用的不到 3%。他还提到，微软在必应搜索上砸了重金做 AI 化，市场份额纹丝不动；...
推荐理由：这条料来自微软前高管，不是官方口径，所以我会先打个折来看。但他甩出的数字很具体：300 亿营收对 1000 亿成本，Copilot 付费使用率不到 3%。如果属实，说明微软这波 AI 投入目前回本压力巨大，Copilot 叫好不叫座的问题比外界想的严重。正文没披露这些数字的统计口径和时间范围，这点先别太激动。
作者给 Claude Code 下了一段精确的提示词，两分钟就吐出一个单文件 HTML 页面，暗色主题、时间线、可折叠表格全都有，没有外部依赖，拿来就能用。他以前在 Notion 里搭同样的模板要花 30 到 40 分钟，效率差了近 20 倍。核心是把视觉、内容结构和交互细节一次性写进提示词里，让模型直接交付成品。正文没披露具体提示词全文，也没说生成后...
推荐理由：HKR 三项全中：有具体的 Claude Code 实操钩子，有 2 分钟 vs 30-40 分钟的硬数字对比，对一线干活的人直接有用。范围虽小，但信息密度够，放在 featured 没问题。
Vlad Feinberg 写了一篇求职笔记，把进前沿实验室的门槛讲得很直白：核心能力是底层性能调优，也就是能动手改内核（kernel），让模型训练真的跑得动。他给了一道具体的面试题——先推导 Chinchilla 缩放定律，并比较它在稠密模型和 MoE（混合专家）架构下的区别；然后用 JAX 从零实现，最后写一个 Pallas 内核，要求在专家维度 ...
推荐理由：这篇文章把“进前沿实验室做预训练”拆成了可操作的技能清单：手写 JAX 内核、自己推一遍 Chinchilla 定律、用 Pallas 给 MoE 的 up/down 投影做融合。我会先打个折——正文没披露这些建议是 Vlad Feinberg 的个人经验还是 Google 的普遍要求，也没说这些技能在面试里占多大权重。但光是这份清单本身，对想往预训练方向走的人就有参考价值，尤其是把“懂缩放定律”从一句空话落到“自己推导过”这个动作上。
AI21 Labs裁员60%并停止独立销售模型，文章判断纯卖模型访问权限这条路已经走不通了——token价格两年跌了100倍，过去16个月里有六家独立模型公司以几乎相同的方式被大厂吸收。Meta内部文件也曝出要裁10%约8000人，同时强征7000人转AI岗。滑铁卢大学一篇论文测出GPT-5.4在注入虚假同伴共识后，准确率从100%掉到23%，模型内部...
推荐理由：我会先打个折：来源是群聊日报，不是官方公告或论文，所以细节可能不全。但两条信息都直接给数字——AI21 砍掉六成人、不再卖模型，说明这家实验室在收缩；GPT-5.4 被注入虚假同伴共识后准确率从全对掉到只剩两成多，暴露了模型在群体压力下的脆弱。这两件事放在一起，既有行业动态又有安全风险，对从业者来说值得扫一眼。
作者团队里有人搞不定 Hermes 的部署，加上自托管 agent 的安全问题越来越复杂，于是把市面上 11 款替代品拉出来测了一遍。开源这边，OpenClaw 有 34.7 万 GitHub 星标和 24 个以上的平台集成，但安全记录很差，3 月曾 4 天内爆出 9 个 CVE 漏洞，独立审计发现 ClawHub 上约 20% 的包是恶意的，要用得先...
推荐理由：这是一篇 Reddit 用户做的 Hermes Agent 替代品横评，11 个选项分开源和托管两档，OpenClaw 的数据（347k stars、24+ 集成、9 个 CVE）让对比有抓手。我会先打个折：单帖来源，没披露测试方法和版本，结论不能当权威报告用。但“替你试完”这个角度确实省时间，安全漏洞数量也提醒选型时别光看 star 数。整体对正在搭 Agent 的人有参考价值，所以放在 featured 档。
Yaroslav Azhnyuk 是 The Fourth Law 的创始人，这家公司做 AI 制导无人机。他之前创办了 Petcube，卖的是给宠物扔零食的摄像头，现在做的是给占领军扔炸药的摄像头。这期播客他和 Noah Smith 聊了两个小时，核心是 FPV 穿越机怎么成了战场上的新杀器——前线 70% 到 80% 的伤亡都是它造成的。他提出无人...
推荐理由：这是一期播客对谈，不是产品发布或论文，所以别当硬核技术报告看。我会先打个折：它给的是行业判断和框架，不是实测数据。但聊得挺实在，把无人机从遥控到全自主拆成了5个等级，又用8个维度讲战场怎么用、成本怎么算，还专门分析了中国制造为什么能把价格打下来。对想快速理解无人机产业和自主化路线的人，这期信息密度够，值得放进精选。
微软AI负责人Mustafa Suleyman在《财富》采访里给了一个很激进的时间表——18个月内AI会达到人类水平，把会计、法律、营销、项目管理这些坐在电脑前干的活全自动化。他的原话是“所有白领工作都会被完全取代”。Suleyman还说自己的目标是搞出“超级智能”，以后建一个新AI模型会像录播客或写博客一样简单。不过正文没给出支撑这个18个月判断的具...
推荐理由：我会先打个折：这是 CEO 的预测，不是实测结果或论文数据。Mustafa Suleyman 说 18 个月内 AI 能到人类水平，把会计、法律、营销、项目管理这些专业任务全自动化，但正文没给出支撑这个时间线的基准测试或产品落地证据。对从业者来说，这个判断更像风向标，提醒你关注微软在 agent 和工作流自动化上的动作，而不是一个可以拿来排工期的承诺。
FT 这篇文章的标题说字节跳动和快手等中国 AI 公司在视频生成领域已经领先美国对手，在广告和娱乐场景里效果更好。但点进去只看到安全验证页面，正文完全没加载出来，所以不知道他们拿什么模型比的、用的什么评测标准、样本量多大、延迟和成本怎么样。我会先打个折——标题里的“领先”目前只能当个信号看，等看到具体数据再下判断。
推荐理由：FT 这篇标题很猛，说中国公司在视频生成上反超美国，但正文信息很薄。只提到字节和快手在广告、娱乐视频质量上领先西方对手，具体怎么比、用什么标准、样本多少全没写。我会先打个折：标题的“领先”目前只能当个信号看，别急着当定论。不过视频生成确实是现在中美模型竞赛里最卷的一条线，这条消息对关注多模态落地的人有提醒价值，所以给了 featured 门槛分。
这篇文章是机器之心编译自 MoE Capital 的一篇博客，梳理了“世界模型”这个概念的两条发展脉络。一条是 AI 学术圈常说的，让模型在脑子里推演环境变化、做规划；另一条来自游戏和影视工业，追求用模型直接生成逼真的 3D 世界。文章提到，过去一年半里，有超过 100 亿美元的资金涌入了这个方向。里面举了一个具体例子：DreamDojo 这个项目用 ...
推荐理由：这篇是编译的科普+评论，不是一手发布，但把世界模型两条路线讲得清楚，还给了百亿美元和44711小时视频这些具体数字。我会先打个折，因为信息密度集中在解释概念，新事实不多。不过对想快速理解世界模型热度和技术现状的人来说，读这一篇比翻论文省时间。
Peter Steinberger 晒出后台数据，30天里跑了760万次请求，烧掉6030亿个token，账单超过130万美元。他提到关掉“快速模式”后费用直接砍了七成，而且这笔钱目前由 OpenAI 承担，他自己不用掏。
推荐理由：我会先打个折：这是个人晒账单，不是 OpenAI 官方调价，但 130 万美元这个数本身就够从业者心里咯噔一下。文章给了很实的用量——6030 亿 token、760 万次请求，还点出关掉快速模式能砍掉七成费用，对正在跑 agent 的团队有直接参考价值。不过正文没披露他具体跑了什么任务、模型怎么选的，也没说 OpenAI 为什么免单，这点先别太激动。整体更像一条带数据的成本警示，不是产品发布，所以放在 featured 刚好。
Dario Amodei 给了两个数字：AI 可能推高 GDP 增速到 5%–10%，同时失业率会上升、贫富差距拉大。他的核心判断是软件成本会降到接近零，传统靠卖软件授权的商业模式会被打穿。现在工程师还能去做编辑或升级工作，但 AI 模型会不断吃掉更多任务，很多干了几十年的职业会慢慢消失。他担心社会还没意识到这场变化的规模和冲击有多大，自己既兴奋又发愁...
推荐理由：Dario Amodei 这次把话说得很直：AI 可能带来 5% 到 10% 的 GDP 增长，同时推高失业和不平等，软件成本会便宜到近乎免费。我会先打个折，因为原文是 X 上的摘要，不是完整访谈实录，没法确认他有没有给限定条件。但即便只是方向性判断，也足够让做 AI 的人重新掂量自己的位置——增长是你的机会，免费软件可能先吃掉你的老业务。
Dario Amodei 在《华尔街日报》的 YouTube 采访里给了两个判断：软件成本会跌到接近免费，过去那种“靠百万用户摊薄成本”的逻辑会失效；几十年积累下来的很多工作岗位和职业可能直接没了。他觉得社会能适应，但补了一句——现在大家完全没意识到这场变化有多大、来得多快。
推荐理由：Dario Amodei 在《华尔街日报》采访里扔了两个挺狠的判断：软件成本会急降到基本免费，靠百万用户分摊成本的老逻辑要崩。我会先打个折——目前看到的只是二手摘要，正文没披露具体时间线、数据支撑和完整论证，所以别太激动。但这两个点本身够直接，对做 AI 产品、定价和看人力结构的人都有触动，值得放进精选，只是信息缺口明显，分数压在中低段。
Menlo Ventures 的合伙人 Deedy Das 算了笔账，说现在 OpenAI、Anthropic、英伟达这类公司的创始人和员工里，大概有 1 万人已经靠股权攒下了超过 2000 万美元的退休级财富。与此同时，其他软件工程师正面临裁员，年薪天花板卡在 50 万美元以下，还焦虑自己练了一辈子的编程手艺在市场上越来越不值钱。有人吐槽，这轮热潮里...
推荐理由：这篇文章不是讲模型、产品或融资，就是一篇评论。HKR 三项都踩中了：财富差距的标题够抓人，1 万人、2000 万美元这个估算有料，工程师对裁员和技能贬值的焦虑也很真实。我会先打个折，它没有新数据或一手信源，就是转述一个估算，所以放在 featured 这个档位刚好。
Dwarkesh Patel 在这篇博客里聊了一个挺常见的误解：我们总把 AI 的智力等同于它能掌握的权力。他上来就举了个例子，如果按“在多种领域达成目标的能力”来定义智力，那斯大林可能是史上最聪明的人，但这显然不是我们讨论超级 AI 时脑子里想的那个东西。文章的核心观点是，现在 AI 变强的方式，主要是被训练去干好编程这类有经济价值的活儿，这和现实世...
推荐理由：Dwarkesh 这篇是观点评论，不是新实验或数据报告。他把“智能”和“权力”拆开来看，提醒大家别把模型在编程任务上的进步，直接当成它能掌控现实资源。这个区分对做安全的人有用，但正文没给出实证案例，所以分数停在优质评论这一档，没往上走。
这篇笔记聊了两件事：预训练为什么容易跑崩，以及怎么把训练拆到多张 GPU 上。跑崩的核心原因有两个——破坏因果性和引入偏差。比如 MoE 路由里用专家选择（expert choice）分配 token，会让 token n 的去向依赖 token n+k 的路由结果，训练时看到了推理时看不到的信息；token 丢弃也会让后面的 token 影响前面的处...
推荐理由：Dwarkesh 这期笔记把预训练里容易翻车的地方摊开讲：expert choice 和 token dropping 会破坏因果性，FP16 集体通信能把一万次累加算偏，这些坑不踩过很难意识到。我会先打个折——它更像从业者之间的经验交换，不是系统性的技术报告，但给的数字（6ND、288GB、参数量×3）对算成本和排故障都有用。正文没展开具体实验验证，所以别当定量结论用。
Dwarkesh Patel 聊了一个很要命的问题：用 RLVR（靠可验证奖励信号做强化学习）去搞科学发现，可能比我们想的难得多。文章没给实验数据，纯靠科学史案例来推演。核心矛盾是，科学理论的验证周期动不动就是几十年甚至上百年，而且当时看起来更准的模型，未必是更对的理论。比如哥白尼的日心说刚出来时，预测精度还不如托勒密打磨了上千年的地心说，连模型本身都...
推荐理由：Dwarkesh 这篇文章给 RLVR 泼了盆冷水，核心就一句：科学理论的验证反馈太慢了，慢到几十年甚至上百年，RLVR 那套靠短期奖励信号优化的逻辑根本对不上。我会先打个折，正文没给出实验数据，纯属观点评论，但问题提得准——如果验证周期拉长到人的一辈子都等不到，那“可验证”这个前提在科学场景下就悬了。这点先别太激动，但它确实戳到了 AI for Science 路线的一个软肋。
Eric Jang 花了几个月从零实现 AlphaGo，并把过程写成教程和代码放了出来。他原本的理解是“用自我对弈训练的搜索增强神经网络”，但亲手做一遍后对细节有了更深体会。他给出一条关键判断：前沿研究仍然很贵，但特定能力的落地成本掉得很快——到 2026 年，训练一个能打的围棋 AI 租算力只要几千美元，不再需要 DeepMind 级别的资源。他自称...
推荐理由：我会先打个折：这是个人分享，不是论文或模型发布，所以信息密度有限。但亮点很明确——Eric Jang 一个人花几个月从零把 AlphaGo 做出来，还给了个具体成本判断：2026 年租算力训强围棋 AI 只要几千美元。这个数字直接说明当年需要大团队、大预算的系统，现在个人和小团队也能碰了。正文没披露具体训练配置和模型强度验证，所以“强”到什么程度还不好说，这点先别太激动。整体适合当一条有话题、有数字、对从业者有参考价值的动态来推。
Anthropic 发了份内部手册叫《Founder's Playbook》，结论挺反直觉：像 Claude Code 这类 AI 工具，不是让创业更容易成功，而是会把失败率推高。手册把创业拆成想法、原型、发布、扩张四个阶段，逐个拆解 AI 放大风险的方式。最核心的问题是，AI 能几分钟跑出一个能用的原型，创始人很容易把“能跑通”当成“市场需要”，再用...
推荐理由：Anthropic 这份创始人手册没在吹自家工具多好用，而是警告 Claude Code 这类 AI 会让创业者在四个阶段更容易踩坑。我会先打个折：正文没给出具体数据或可复现的测试，更像经验总结。但“降低建造成本却放大判断错误”这个角度确实少见，对正在用 AI 加速开发的团队是个清醒提醒。
黄仁勋在卡内基梅隆大学 2026 届计算机科学毕业典礼上直接说，技工的前景比计算机毕业生好。Randstad 的数据显示技工需求增速是白领的三倍，机器人技术员岗位涨了 107%，而斯坦福研究发现 AI 相关职位的早期就业反而降了 16%。顶级电工年薪能超过 10.6 万美元，还不用背学费贷款。另一边，科技公司今年砸了 7000 亿美元建数据中心，全球到...
推荐理由：黄仁勋在毕业典礼上劝 CS 学生考虑技工，这话本身就够抓眼球。Randstad 给了两个数字：技工需求增速是白领 3 倍，机器人技术员岗位涨 107%，说明动手修机器、调设备的人越来越抢手。对做 AI 的人来说，这等于在问：写代码和管机器人，哪个饭碗更稳。不过这只是 X 上的评论，不是产品发布或政策变动，所以放在低 featured 就够了。
彭博拿到的一份数据显示，2025 年是美国连续第二年出现 AI 暴露岗位明显裁员。重灾区是客服代表、部分秘书岗和销售岗。报道没披露具体裁员人数，也没说清楚“AI 暴露岗位”是怎么归因的——到底是因为直接换上 AI 工具，还是企业以 AI 为由砍人，这点先别太激动。但连续两年掉数字，说明这不是一次性的波动，而是结构性收缩。
推荐理由：Bloomberg 这篇评论点出美国一些被 AI 盯上的岗位在 2025 年又丢了一大批，客服、秘书、销售都被点名。我会先打个折：正文没披露具体流失数字和统计方法，所以没法判断“大量”到底多大。但连续两年这个趋势本身够直接，对关心 AI 抢饭碗的人来说是个实打实的信号，值得放进 featured。
杨立昆在 Unsupervised Learning 播客里把大语言模型的底牌翻了个遍。他直接说 LLM 这条路有天花板，劝博士生别再往里扎。他预测到 2027 年，纯靠堆语言数据做不出真正的智能。他离开 Meta 后创立的 AMI 公司，核心押注在“世界模型”上——让 AI 像人一样通过观察和互动去理解物理世界，而不是只读文本。访谈里他还跟老搭档 H...
推荐理由：我会先打个折：这是播客访谈，不是论文或产品发布，信息密度高但验证性弱。杨立昆的核心判断是当前大语言模型路线走不到人类级 AI，他把宝押在世界模型和 AMI 上，还给了 2027 这个时间点——这点先别太激动，正文没披露他具体依据什么数据或实验得出这个年份。他离开 Meta 的原因和与 Hinton、Bengio 的分歧是这次的新料，尤其是安全观上的对立，直接关系到行业资源往哪投。整体看，这篇访谈把一位关键人物的技术判断、职业选择和路线分歧打包在一起，对从业者判断风向有帮助，但很多结论还缺公开验证。
Eric Jang 在播客里拆解了他休假期间的项目——用现代工具从零复现 AlphaGo。他解释了 AlphaGo 为什么至今仍是理解智能系统的好范本：它把蒙特卡洛树搜索、从经验里学习和自我对弈这三件事结合得很干净。节目里聊到，这种搜索加自对弈的强化学习方式，能直接给每一步棋一个更优解，绕开了现在训大语言模型时常遇到的“功劳归谁”难题。Jang 还试了...
推荐理由：这是一篇机制拆解加评论，不是模型或产品发布。Eric Jang 把 AlphaGo 掰成三块讲，对做推理和智能体的同学有参考价值，但别当新成果看——正文没披露任何新指标，就是一次高质量的技术复盘。
The Verge 报道了一个具体案例：研究员 Peter Degen 发现一篇 2017 年的论文引用量突然暴增，从过去几年总共几十次，变成每隔几天就被引用一次。他怀疑这些引用来自 AI 生成的论文，因为 AI 写手会从训练数据里随机抓取看起来相关的文献塞进参考文献列表。文章指出，这种“看起来挺像回事”的 AI 论文正在大量涌入学术期刊的审稿流程，审...
推荐理由：这篇 The Verge 的报道抓到了一个很具体的信号——Peter Degen 发现一篇老论文的引用曲线突然反常飙升，但正文没披露他到底查了多少样本，所以这个异常有多普遍还不好说。我会先打个折，把它放在 featured 里偏低的位置，而不是必读。它好就好在用一个可查证的引用异常，把“AI 论文变好看了反而让审稿更难”这个矛盾讲清楚了，对做研究和搞评审的人都挺有触动。
OpenAI 的首席营收官 Denise Dresser 在彭博的采访里透露，企业业务（就是卖给公司的 ChatGPT 和 API 服务）已经占到总收入的 40%，预计到今年年底会涨到 50%。这组数字说明 OpenAI 的生意重心在往企业端靠，不再只靠个人订阅。不过，彭博的片段里没提 OpenAI 的总收入到底是多少，所以这 40% 对应的具体金额还...
推荐理由：这是一段 Bloomberg 的简短采访，CRO 只给了收入占比，没给总收入、利润率或客户规模。数字本身有料，但信息量有限，所以放在 featured 而不是更高档。我会先打个折：40% 这个比例挺好看，但不知道分母多大，别急着把它当成全面盈利的信号。
Tom Tunguz 把 Datadog 和 Twilio 这类公司叫做“推理的一阶导数”——它们不直接卖模型推理算力，但客户跑 AI 跑得越猛，它们就赚得越多。Datadog 的 LLM 监控数据量一个季度几乎翻倍，6500 个 AI 客户只占总客户数的 20%，却贡献了约 80% 的年化收入。Twilio 则因为 AI 原生公司和传统企业都在用语音...
推荐理由：Tom Tunguz 把推理增长和 Datadog 的用量、收入集中度数据绑在一起讲，比纯评论多了数据支撑。文章是评论性质，没有新模型或产品发布，所以分数停在 72–77 这个区间。我会先打个折，因为 2500 亿这个数字正文没给具体测算逻辑，只能当方向性判断看。
一个减少长提示首 token 延迟的实用技巧。在用户请求到达前，先单独发一次系统提示给 Claude，让它把提示写进缓存，但跳过输出。等真实请求进来时，缓存已经热好，直接命中，省掉重复处理长提示的时间。正文没披露具体提速多少，但思路很直接，适合系统提示固定、用户提示多变的场景。
推荐理由：Claude API 搞了个提示预缓存，相当于提前把系统提示塞进缓存里热着，真实请求一来就能省掉首令牌的等待。正文没给出具体能省多少毫秒，也没说缓存能热多久、会不会额外计费，所以省钱效果先打个折看。整体是个实用的推理优化小更新，不是模型能力或大版本发布，放在 featured 里当个中等权重的消息刚好。
Reddit 用户 egudegi 用脚本每 6 小时抓一次欧盟 15 家店的显卡价格，攒了约 12.6 万条数据。结果显示 RTX 5090 均价从 3392 欧元涨到 3487 欧元，涨了 3%，是唯一没降价的型号。帖子正文被 Reddit 安全策略拦截，看不到更细的型号对比和店铺来源，所以没法判断涨价是普遍缺货还是个别渠道在抬价。
推荐理由：这篇是一个Reddit用户自己爬了15家欧盟商店50多天的GPU价格，总共抓了约12.6万条记录，然后发现RTX 5090是唯一没降价的卡，均价还从3392欧元涨到了3487欧元，涨了3%。我会先打个折：数据源是个人帖子，不是机构报告，样本也只覆盖欧盟线上标价，不代表实际成交价或全球行情。但它的好处是给了很具体的数字和时间跨度，不是随口说“感觉涨价了”。对想买卡跑本地模型的人来说，这个信号挺直接——5090不仅贵，还在变贵，其他卡在跌，说明供需关系确实不一样。这点先别太激动，正文没披露每家店的库存和销量，价格涨可能是货少，也可能是需求硬，没法下结论...
PJM 电网（覆盖美国东部 13 个州和华盛顿特区）刚公布的报告显示，今年一季度批发电价同比涨了 76%，直接把原因指向数据中心扩建带来的用电需求。报告没披露具体新增了多少数据中心负荷，也没说电网容量缺口有多大，但 76% 这个涨幅说明供需已经非常紧张。对 AI 从业者来说，这是个实打实的成本信号——训练和推理用的算力，最终会反映在电费账单上。如果是真...
推荐理由：我会先打个折：正文没点名是哪个电网运营商，也没说容量缺口多大，所以不能当完整调查报告看。但 76% 这个涨幅太扎眼，而且直接归因到数据中心扩建，对关注 AI 基建成本的人来说是个硬提醒——算力扩张正在推高真实世界的电费。Bloomberg 的牌子让可信度加分，信息缺口主要在具体电网和供需数据上，所以重要性停在 75 合理。