Podcast Index 抓了九天的新播客数据，发现 39% 很可能是 AI 生成的，行业管这叫“podslop”（播客垃圾）。文章没披露他们用什么方法检测、样本总量多大、以及这些节目分布在哪些平台。这个比例看着挺高，但先别太激动——如果检测手段比较糙，可能会把一些只是用了 AI 辅助的节目也算进去。对听众来说，最直接的影响是以后找真人聊出来的好节目...
推荐理由：标题和摘要都指向一个清晰的信号：音频圈开始正视 AI 批量生产低质内容的问题。39% 这个比例挺扎眼，但正文没交代他们怎么判断“疑似 AI 生成”、样本量多大、主要出现在哪些平台，所以这个数字我先打个折看。Bloomberg 的报道加上 Podcast Index 的数据来源，够得上 featured，但算不上行业级大事件，更像一个值得关注的早期警报。
Dave Lee 直接批评 Meta 的 AI 资本支出太离谱，最高可能冲到 1450 亿美元。他的核心质疑是：亚马逊和谷歌敢这么花钱，是因为有云业务带来的销售增长做支撑，Meta 没有这块收入，花大钱却看不到能匹配的回报。视频里没展开讲 Meta 具体把预算烧在了哪些模型或基建上，但点出了这种支出节奏不可持续。
推荐理由：这篇不是产品发布或技术论文，而是对 Meta 花钱逻辑的评论。我会先打个折：它没有新模型或新工具，但把 capex 和收入错配这件事讲得很直白。1450 亿这个数字够大，大到让人想问钱花哪儿了；正文又明确说 Meta 的财报电话会口径偏谨慎，没有云收入来兜底。对在看 AI 投入产出比的人来说，这个提醒是及时的。信息密度不算高，但判断清晰，所以放在 featured 里没问题。
作者花了几周时间，用 7B 以下的本地小模型和免费云端模型跑多文件编程任务，发现结构化输出很不靠谱。崩得最多的地方有三个：模型在回复里乱加 markdown 代码块标记，把编辑内容写到错误的文件里，以及分不清该读文件还是写文件。作者给的解法是做后处理清洗和加校验步骤，但正文没披露具体用哪些模型、测试了多少任务，也没给出量化的成功率，所以这些结论只能当经...
推荐理由：这篇 Reddit 帖子不是论文，是作者拿 Qwen、Gemma 等小模型实打实跑了几周多文件编程 agent 后的踩坑记录。我会先打个折：它只是单人经验，没有系统对比实验，所以给 75 分。但内容很实在——7B 以下模型连输出格式都稳不住，Markdown 围栏乱加、改错文件、读写成写这类问题反复出现。作者没灌水，直接给了后处理、JSON schema 校验、路径白名单和只读路由这些能落地的补救办法。正文没披露具体模型版本和测试任务量，这点让结论的普适性弱一些，但对想用本地模型搭 coding agent 的人，这些失败模式比 benchmark...
陶哲轩最近公开说，数学研究的瓶颈已经从“找不到证明”变成了“证明太多看不过来”。在一个关于 Erdős 问题的 GitHub 页面上，已经有 20 多个 AI 生成的解法等着人去评估。文章提到 GPT-5.4 Pro 用 80 分钟就给出了 Erdős #1196 的一个思路，陶哲轩自己在 24 小时内验证了核心部分。现在真正头疼的不是 AI 能不能解...
推荐理由：这篇东西不是模型发布，但把陶哲轩的发言和 GitHub 上的 AI 证明积压摆在一起，信息量够硬。我会先打个折，因为正文没给出那 20 多份解法的具体通过率或质量分布，只能看到数量堆上去了。真正值得盯的是陶哲轩说的验证与消化工作流——证明便宜了，判断力反而更贵，这个转向对从业者比裸看模型跑分更有参考价值。
这篇付费文章只露了个头，正文没披露具体的时间范围和各家花钱的明细。从摘要看，Google 在云计算增速上超过了亚马逊和微软，而 Meta 因为大幅上调资本支出，股价承压。7250 亿美元这个数字是几家巨头 AI 投资计划的总额，但具体怎么算出来的、覆盖几年，文章没给。这点先别太激动，关键细节都锁在付费墙后面。
推荐理由：这篇 FT 报道扔出一个 7250 亿美元的 AI 支出预期，说 Google 跑得比同行快，Alphabet 云业务增速也压过 Amazon 和 Microsoft。我会先打个折——正文没披露这数字怎么拆到各家公司、覆盖哪几年、投在模型还是基础设施上，所以别急着拿它当精确坐标。但即便模糊，这个量级和竞争格局对从业者判断算力成本、云厂商选择和资本热度还是有参考价值。
Latent Space 这期把近期几条线索串了起来：AI 的推理（inference）需求正在急剧膨胀。黄仁勋在 GTC 上说，过去两年单次任务的算力消耗涨了约 1 万倍，总用量涨了约 100 倍，他管这叫“推理拐点”。英特尔 CEO 在财报会上给了更具体的数字，CPU 需求在涨，不是因为训练，而是因为代码智能体、强化学习环境模拟这些推理侧的工作全压...
推荐理由：这是一篇 Latent Space 的新闻汇总和趋势判断，不是模型发布或重大产品更新。它把黄仁勋的预测和 CPU 沙箱、智能体调度这些实际工作负载拆解放在一起，对从业者有参考价值，但信息密度和独家性不如一手发布。我会先打个折，放在 featured 里偏评论解读的位置。
OpenAI 自己出来解释了 GPT-5.1 之后模型爱用“哥布林”“小妖精”打比方的怪癖是怎么来的。根子出在“书呆子”这个个性定制选项上：训练时给这个风格打分的奖励模型，对带幻想生物词汇的输出格外偏爱，76.2% 的数据集里都给更高分。虽然选“书呆子”的用户只占 2.5%，但贡献了 66.7% 的“哥布林”出现次数。更麻烦的是，强化学习没把这种口癖锁...
推荐理由：我会先打个折：正文就一段 RSS 摘要，触发条件、时间线和修复机制都没披露，所以没法做太硬的判断。但标题已经把传播点、根因和修复方向列出来了，GPT-5 输出“哥布林”这件事本身就够怪，从业者会立刻联想到模型人格化行为是怎么跑进输出链路的。这点先别太激动，因为信息缺口太大，但安全对齐和上线事故这两个话题叠加，确实值得放进 featured 里提醒大家留意后续。
Dwarkesh 把采访间改成了黑板教室，请来芯片公司 MatX 的 CEO Reiner Pope，用公式和粉笔把大模型从训练到服务的成本结构拆了一遍。讲座从批处理大小讲起：没有批处理，服务成本会直接差出 1000 倍，这也是为什么各家 API 定价和快速模式差价巨大的根源。接着讲了 MoE 模型怎么跨 GPU 机柜摆放、流水线并行如何把模型层切分到...
推荐理由：这是一堂黑板课，不是新闻事件，所以分数没往上拉。但内容确实扎实：Pope 把训练和推理里几个关键的成本开关——尤其是批处理对经济性的影响——用数字讲清楚了。我会先打个折，因为正文没给具体实验数据，更多是经验推演，但“1000 倍”这个量级足够让人重新审视自己的服务设计。
The Verge 这篇讲的是 Claude 的一个安全测试版 Mythos 在 DARPA 的 AI 网络挑战赛里扫了 5400 万行代码。参赛队伍用它不仅找出了大部分预先埋好的漏洞，还额外揪出十几个没埋过的真实 bug。文章没提 Mythos 的跑分、收费方式和怎么申请试用，所以实际效果和成本还得观望。
推荐理由：这篇值得推，因为 DARPA 比赛的数据很实在——5400 万行代码扫下来，工具不仅认出了人工漏洞，还额外揪出十几个没埋的，说明 AI 挖洞确实能跑出意料之外的结果。标题的“脚本小子”说法虽然夸张，但把门槛降低这个风险讲透了。正文没给 Claude Mythos 的基准、价格或开放条件，所以没法判断它到底多强、多贵，这点先别太激动。整体信息量够上推荐位。
《华尔街日报》拿到内部消息，说 OpenAI 没完成自己设的新用户和销售额目标。公司内部开始担心在 AI 基础设施上砸的钱是不是太多了。不过这篇报道正文被 Bloomberg 的付费墙挡住了，具体目标数字、差了多少、时间范围和花了多少钱都没披露，所以没法判断缺口有多大。
推荐理由：我会先打个折，因为 WSJ 这篇正文没披露具体数字，缺口多大、哪个季度、花了多少钱全不清楚，所以信息密度其实偏薄。但选题本身够直接：OpenAI 自己定的增长目标没完成，内部已经在担心基础设施的高支出扛不住。对从业者来说，这不是公关稿里的增速放缓，而是实打实的成本焦虑——如果连 OpenAI 都踩刹车，整个行业靠烧钱换用户的逻辑就更值得怀疑了。这点先别太激动，等具体数据出来再下重注。
Applied Intuition 的 CEO 和 CTO 聊了他们从 YC 时期的自动驾驶工具链，一路做到估值 150 亿美元实体 AI 公司的完整路径。公司现在有 30 多款产品，全球非中国车企前 20 名里 18 家是他们的客户，L4 级无人卡车已经在日本跑起来了。他们反复强调，实体 AI 真正的瓶颈不是模型不够聪明，而是怎么把模型塞进车里：车载...
推荐理由：这篇复盘把 Physical AI 从融资故事拉到了实车部署层面，信息量够硬——估值、客户覆盖、L4 落地都有数字撑着。我会先打个折：正文没披露具体模型架构或安全验证的实测数据，所以重要性停在 80 这个区间是合理的。对做车端推理和自动驾驶落地的人，这篇值得一看，但别指望有技术白皮书级别的细节。
作者拿国防工业的教训来比软件行业：美国重启毒刺导弹生产线要4年，因为会造的人早退休了，图纸还是卡特时代的；欧洲承诺100万发炮弹，晚了9个月才凑齐，因为发射药停产17年、TNT只剩一家厂。核心不是没钱，是知识断了。软件业现在也在走这条路——METR的对照实验发现，资深开发者用AI写代码反而慢了19%，但很多人已经离不开AI。Salesforce今年不招...
推荐理由：标题类比够尖锐，正文用军工交付延迟和 METR 的 19% 降速给了硬数字，最后把焦点从 AI 速度拉回到人才断层，对 AI 从业者来说比单纯吹或黑 AI 编程更有讨论价值。因为是转译加评论，权威性打折扣，但信息量和话题度都够，放在 featured 里合适。
Dwarkesh 抛出了一堆他没想明白的 AI 问题。首先是算力分配：全球超过 70% 的 AI 算力握在五家云厂商手里，其中大部分还优先供给了 OpenAI、Anthropic 和 Google DeepMind 三家。他担心普通人会被高价挤出 AI 红利，并追问全民基本算力该怎么搞。其次是模型进步的本质，他搞不清长周期编程智能体到底靠什么突破，也质...
推荐理由：Dwarkesh这期没给实验结论，就是扔了一串开放问题。我会先打个折，因为正文没披露五家厂商占七成算力的数据来源，这点先别太激动。但他把长程编码Agent、KV缓存内存取舍、训练和推理合并这些技术点揉在一起问，确实让人想接着翻答案。真正值得盯的是算力怎么分、模型能不能在线学、以及‘智能’和‘权力’的定义怎么重新划——这些比论文摘要更贴近一线焦虑。没有产品发布或政策变动，所以分数停在评论类的中上区间。
作者在伦敦飞拉斯维加斯的 10 小时航班上，用一台顶配 MacBook Pro M5 Max（128GB 统一内存、40 核 GPU）离线跑了 Gemma 4 31B 和 Qwen 4.6 36B 两个本地模型。他主要用 DuckDB 搭了个云账单分析工具，还处理了约 400 万 token 的零散编码任务。体验下来，写限定范围的代码、做小工具时，本地...
推荐理由：这是一篇第一人称的本地推理实测，硬件、模型、功耗数字都摆出来了，不是空谈。我会先打个折：它更像个人体验报告，不是行业级发现，所以分数落在 72–77 这个区间。真正有意思的是功耗可观测性——同一负载下 iPhone 线只供 60W，MacBook 线供 94W，差了 34W，这点先别太激动，但说明供电配件对本地跑大模型的实际性能影响不小。正文没披露模型量化方式，也没说具体跑了什么任务，所以不能把结论拔太高。
Axios 报道，一些公司的 AI 算力开销已经超过了员工工资。英伟达高管 Bryan Catanzaro 说，他团队的算力成本远高于人力成本；Uber 的 CTO 则因为 token 消耗太快，已经花光了 2026 全年的 AI 预算。Gartner 预测今年全球 IT 支出会涨到 6.31 万亿美元，主要就是被 AI 基建、软件和云服务推高的。文章...
推荐理由：这篇文章把 AI 成本焦虑变成了预算事实。Nvidia 内部团队算力开销远超人力、Uber CTO 的 token 预算提前见底，加上 Gartner 的支出预测，都在说同一件事：AI 的账单开始比工资单更吓人。它不是产品发布或硬新闻，而是趋势报道，所以放在 72–77 这个区间。我会先打个折，因为正文没给出 Nvidia 和 Uber 的具体金额对比，但方向性判断足够清晰，值得从业者看一眼自己的预算表。
Justin Smestad 算了一笔账：如果公司从 2026 年起不招初级工程师，到 2030 年就会养出一支全是贵价老兵的团队，而且毫无还价能力。逻辑很简单——一个资深工程师可以开口要 40% 的涨薪，如果公司没有培养了两年的后备梯队，替代他可能要花六个月，还得按更高的市场价招人。初级员工不只是干杂活，他们是未来的中坚力量，是薪资谈判时的保险。文章...
推荐理由：这篇不是讲模型或产品，是一篇个人评论，但把账算得很清楚。核心逻辑是：你现在省掉初级人头，两年后高级工程师开口要 40% 涨薪，你连个能顶上来的中级都没有，外面招人还得搭进去半年。我会先打个折，因为 40% 和 6 个月这些数字正文没给出处，更像经验估算。不过它提醒了一件容易被季度报表掩盖的事——用 AI 代理替掉初级岗，省的是工资，多出来的可能是组织断层和议价权转移。对在看人效和 AI 落地的团队，这个视角值得扫一眼。
作者拿军工复产的惨痛教训来类比 AI 写代码对软件业的冲击。2022 年下的毒刺导弹订单要到 2026 年才能交付，因为图纸是卡特时期的，懂生产的工程师早退休了，没人接班。欧盟承诺一年给乌克兰一百万发炮弹，但当时年产能只有 23 万发，最后晚了九个月才凑齐。美国核弹头里一种叫 Fogbank 的材料更离谱，停产十几年后想复产，发现老工人都走了，连原始配...
推荐理由：这篇文章不是讲技术，是讲人。它拿军工制造的案例当镜子，照的是 AI 编程正在吃掉初级岗位的入口。我会先打个折：军工和软件行业的生产逻辑不完全一样，但管线断层的类比是成立的。正文没给 AI 编程的具体数据，全靠军工案例的冲击力撑着，所以分数卡在 74 是合理的——观点强，但缺一手编程侧的证据。
Feldera 的联合创始人 Gerd Zellweger 认为，现在流行的 AI 代理（比如那些帮你写代码、查问题的机器人）太像人了：爱解释、爱总结、需要来回对话，用起来很累。他提出应该把代理嵌入现有软件，让它安静地在后台干活。文章给了三种已知的集成模式：命令行接口（CLI）、声明式配置（告诉系统要什么结果，别管步骤）、以及像 Kubernetes ...
推荐理由：这篇文章是 Feldera 联合创始人的工程观点，不是产品发布或一手评测，但把 Agent 嵌入软件的三种模式讲得清楚。我会先打个折，因为正文没给出实际部署数据或对比实验，更像架构主张。不过它把“Agent 解释新信息，数据库引擎持续执行逻辑”这个分工点透了，对正在纠结 Agent 交互形态的从业者有参考价值，所以放在 featured 里。
作者在 2026 年 4 月 25 日发了这篇博客，核心观点很直接：大语言模型（LLM）打破了知识工作里靠“表面质量”当质量代理的潜规则。他举了市场分析报告的例子——一份报告日期不对、有错别字、图表贴错，你直接就不看了，因为连表面功夫都没做好的人，研究大概率也不靠谱。这种“看表面”的代理判断以前很管用，成本低、相关性也高。但 LLM 太擅长模仿专业文风...
推荐理由：一篇个人视角的尖锐随笔：大模型让产出看起来专业，但审查和信任机制没跟上。用咨询报告和代码审查举例，指出团队现在只是快速扫一眼就通过，真正该盯的是模型背后的概率偏好和评估方式，而不是产出本身像不像真的。观点清晰，但没有实证支撑，我会先打个折，当一篇引发思考的评论看。
作者拿自己一个搁置已久的项目做实验：写一个中间层，把 YouTube Music 伪装成 OpenSubsonic 服务，让 Feishin、Symfonium 这些播放器能直接播 YouTube 上的歌。他用 Claude Code（Opus 4.6）从零搭，技术栈是 FastAPI、Pydantic、ytmusicapi 和 yt-dlp。做法是先...
推荐理由：这是一篇第一人称的实战记录，不是行业通稿。作者用 Claude Code 加 Opus 4.6 重写 YouTube Music 到 OpenSubsonic 的连接器，技术栈交代清楚，调试过程有具体细节。最值得看的是他的工作方式：先写清楚 spec，再让模型生成，最后人工验收，比一次性全丢给模型靠谱得多。信息量够、有可复用的思路，但影响范围就停在个人开发工作流这个层面，没到行业级更新。
Mark Nottingham 直接戳破了“AI 代理为你工作”这个说法。他列了 8 个互联网信任崩塌的真实案例，其中一个是微软新版 Outlook 会偷偷把第三方邮箱密码传到自家云端，再分给 700 多个数据伙伴。核心问题不是模型不够聪明，而是我们根本没想清楚：当软件能替你做事时，它到底在替谁做事。文章没给技术方案，但把“委托边界”这个被忽略的前提摆...
推荐理由：HKR 三项都成立，但这是署名评论而非模型或产品发布。Mark Nottingham 在 Web 协议领域的权威加上 Hacker News 上的讨论热度，让它够得上 featured 门槛，但到不了 P1。
Arpit Bhayani 指出，让 AI 代理直接操作数据库，会同时打破我们过去四十年默认的四条规矩：查询是写死的、写入是有人审核过的、连接是短暂的、出问题有人盯着。他给 PostgreSQL 开了几剂具体药方：给代理用的数据库角色加上 5 秒语句超时和 10 秒事务空闲超时；全面改用软删除，并记录是谁删的、为什么删；对关键数据只追加不修改，靠事件日...
推荐理由：我会先打个折，这篇文章不是模型发布或产品更新，属于工程评论，所以分数放在 72–77 这个区间合理。但它的切入角度很刁，把数据库的老规矩和智能体的新行为直接对撞，而且给了能落地的 Postgres 防护参数，对正在让智能体进业务流程的团队来说，这些坑和补丁比泛泛而谈的安全建议有用得多。正文没给出大规模压测数据，所以别指望它能证明这些配置在生产环境扛不扛得住，但作为一份“把 agent_worker 当不可信调用方”的实操清单，价值够了。
Katrina Manson 的新书梳理了 Maven 项目从 2017 年用计算机视觉分析无人机视频起步，到后来演变成 Maven Smart System 的全过程。书里最抓眼球的一个数字是：在对伊朗行动的头 24 小时里，美军靠这套 AI 系统辅助打了一千多个目标，规模差不多是二十年前伊拉克“震慑”行动的两倍。不过这篇采访没提现在用的是哪家公司的...
推荐理由：这篇讲的是美军怎么从 2017 年用 Project Maven 看无人机画面，走到今天靠 AI 系统加速生成打击目标。我会先打个折：正文没披露当前用的模型、供应商换过没有、部署范围多大，所以分数停在 74。但 24 小时打 1000 多个目标这个数字很直观，差不多是 20 多年前伊拉克“震慑行动”的近两倍，能让人立刻感受到 AI 在实战里的介入程度。Katrina Manson 的新书追溯了这段历史，不过细节缺口明显，这点先别太激动。
Emily M. Bender 和 Decca Muldowney 给了 9 个理由，劝患者在诊室里拒绝 AI 自动记录系统。这类工具会录下你和医生的对话，自动生成病历草稿。她们的核心担忧不是技术出错，而是诊所会把省下的时间拿来塞更多病人，而不是让你多聊一会儿。具体风险包括：录音和文字稿交给第三方公司，隐私保护未必靠谱；患者很难在几分钟内真正搞懂数据会...
推荐理由：这篇文章不是技术评测，是一篇立场鲜明的评论。两位作者直接劝患者对诊室里的 AI 录音工具说不，理由集中在录音数据怎么用、谁有权限看、语音识别对带口音的人不公平，以及医生可能过度信任 AI 草稿而漏掉关键信息。我会先打个折：全文没有给出实证数据，更像一份风险清单，所以重要性不会拉太高。但它的传播价值在于把“省时”背后的代价摊开讲——机构可能把省下来的时间变成更多接诊量，而不是让医生更仔细看你。这点对从业者来说是个提醒，别只盯着效率数字。
2026 年 2 月，Affirm 停掉常规开发，让全公司 800 多名工程师花一周时间，用 AI 编程智能体（agent）把真实需求从想法一路做到提交 PR。到文章发布时，超过 60% 的 PR 都有智能体参与。文章说，2025 年底已经有 80% 以上的工程师每周用 AI 开发工具，但少数人用得很深、多数人还在观望，差距在拉大，所以他们决定用集中一...
推荐理由：这条消息的看点不是 Affirm 用了什么工具，而是组织层面的一次硬切换：800 多人的工程团队停摆一周，全员跑 agentic 开发流程，之后六成以上 PR 都有 agent 参与。数字够具体，动作够极端，对正在琢磨怎么推 AI 编码的团队来说，参考价值比普通客户案例高出一截。正文没给出长期质量和速度数据，这点先别太激动，但就冲这个规模和执行速度，值得放进 featured。
荣耀的人形机器人“闪电”在北京亦庄半马跑出50分26秒，比人类男子世界纪录57分20秒还快。宇树H1在1.9公里弯道赛段也跑出4分13秒。文章说2026年一季度具身智能融资近200笔、总额超300亿元，4月16日灵初智能又拿了4.55亿美元Pre-A轮。信号很直接：钱正从机器人本体流向模型和智能系统，硬件能卷的差不多到头了。
推荐理由：文章用一个直观的比赛成绩开场，然后落到融资数据和行业判断上，没有空谈概念。我会先打个折：正文没交代机器人是在什么规则、什么路况下跑的，和人类纪录的直接对比要谨慎看。但Q1融资规模和它石智航那笔大额Pre-A轮是实打实的新信息，加上“硬件护城河变浅、大脑才是下半场”这个判断，对关注具身智能方向的人有提醒作用。整体是评论性质，不是一手产品发布或论文，所以放在featured。
密歇根大学的 Jenna Wiens 和多伦多大学的 Anna Goldenberg 在《自然·医学》上发了篇文章，核心就一句话：医院里 AI 工具铺得很快，但没人认真评估它们对病人最终健康结果的影响。2025 年一项研究说，美国约 65% 的医院在用 AI 做预测，其中只有三分之二会检查模型准不准，至于用了之后临床决策有没有变好、病人有没有受益，基本...
推荐理由：我会先打个折，这篇文章没有新模型、新法规或临床试验结果，所以分数到不了顶。但它抓的时机很准：医院里AI预测工具铺开了，病人结局的证据却缺位。2025年那两个数字——65%的医院在用，三分之二只测了准确性——直接把信息缺口摆上台面。对从业者来说，这比又一个刷榜的模型更值得盯，因为部署后的临床决策影响才是真金白银的考验。
作者把 Andrej Karpathy 的技术讲座做成了一个可以点着看的网页教程，从爬互联网数据开始，一路讲到模型怎么生成文字。里面给了几个具体数字：训练用了 15 万亿个 token，模型参数 4050 亿，原始文本数据 44TB，词表大小 10 万个。网页把流程拆成了数据收集、分词、训练、推理和基础模型行为这几步，每一步都有动画或可交互的演示，比如...
推荐理由：我会先打个折：这不是新研究，是把 Karpathy 的公开课做成交互教材。但做得扎实——从 Common Crawl 抓数据、BPE 分词、Transformer 训练到温度采样，全流程可视化，还给了 15T tokens、405B 参数这些量级数字，让人对 LLM 的规模有体感。对想补基础的人很友好，正文没披露什么新 benchmark 或成本数据，所以别当行业信号看，就当一份高质量的学习材料。
作者认为 Anthropic 的 Skill 形态没法独立做成付费产品。直接卖文件会被零成本传播，PromptBase 跑了三年估算年收入才五百万美元；做成托管服务本质是卖服务器，不是卖 skill；做成 API 引流工具又只是免费营销物料。更深层的问题是，skill 把使用知识从隐性变显性，消灭了培训、咨询等原有价值链的盈利空间，自己却因为明文复制成...
推荐理由：我会先打个折：这不是 Anthropic 的新发布，是一篇评论，所以重要性停在 featured 档。但它的判断很锋利——作者不跟你绕弯子，上来就说 Skill 天生带“自杀基因”，然后一条条拆直售、托管、API 引流为什么都是死路。数字也留得有用，比如 Snyk 审计发现 13.4% 的 skill 有严重安全问题，这比空谈风险更有说服力。真正让我觉得值得推荐的是它把视线从 artifact 这种静态产出挪开，提醒你盯紧收费点正在往关系、此刻、物理责任和判断上转移。正文没给出 Skill 官方定价或分成政策，但靠公开数据和逻辑推演，已经把悲观结论...
阮一峰在周刊里聊了一个正在发生的趋势：大模型能干活了，逼着各种平台重新开放 API。15 年前那波 API 开放没跑通，因为平台发现数据给别人用了，自己插不上广告，最后都缩回围墙花园里。但 2025 年下半年大模型达到生产可用水平后，逻辑变了——AI 要自动化执行任务，就必须能调用外部平台，没 API 就进不了 AI 工作流，用户会直接转向有接口的竞品...
推荐理由：阮一峰这篇周刊判断，2025 年下半年大模型开始真正进业务干活，会触发第二次 API 开放浪潮。核心逻辑是 Agent 不能光说不练，得调用外部服务才能完成动作，所以微信这类消费级平台的接口开放比云服务 API 更值得盯。文章给了腾讯开放微信接口、MCP 和 Skill 成为常见接入机制这些具体信号，不是空谈趋势。不过正文没给出这次“浪潮”的量化数据或开发者采用率，更像一个基于现象的预判，所以重要性我打个折，放在 76 分。
旧金山 Cow Hollow 的 Andon Market 把选品和定价交给一个叫 Luna 的 AI agent 来管，标题直接说它蜡烛订多了。正文没披露具体多订了多少、是哪个环节出错、亏了多少钱、后来怎么补救。能确认的是，这家店真的把零售运营的决策闭环交给了 agent，而不只是拿 AI 做辅助分析。
推荐理由：Bloomberg 报道了旧金山一家便利店让 AI 代理 Luna 管选品和定价，标题说它蜡烛订多了。我会先打个折，因为正文没给具体数字——超采量、触发逻辑、亏了多少钱、怎么补救，这些全没写。但真正值得盯的不是店里卖什么，而是闭环经营权限已经交出去了，代理能直接下单，这比实验室跑分更说明风险。信息缺口让这件事停在 featured 低段，但话题性够强。
Anthropic 这个月大幅收紧了第三方工具 OpenClaw 调用 Claude 的权限，把那些把 AI 当“自动化流水线工人”用的重度用户往更贵的付费套餐里赶。公司给出的理由是系统压力太大、盈利压力也大，工程师 Boris Cherny 直说现有的订阅套餐根本不适合这种用法。不过正文没披露具体涨了多少、新限额是多少、以及这次调整波及多大范围。简单...
推荐理由：Anthropic 把 Claude 的代理用量变成定价和准入问题，直接影响工具开发者和重度用户。HKR 三项都踩中了，但正文没披露具体价格、配额和生效范围，所以分数只能给到 featured 的低段。我会先打个折，这点先别太激动——通用订阅被代理式高消耗用法挤出单独计费层，才是真正值得盯的趋势。
这个数字来自私募二级平台（比如 Forge Global）上的报价，不是新一轮融资估值。三个月前 Anthropic 的融资估值还是 3800 亿美元，现在二级市场直接翻了三倍左右。市场给出的理由是流通股少、Claude Code 和收入增长势头猛。但正文没披露实际成交量、具体收入数字，也没公司官方确认，所以这个万亿身价更像少数交易撑起来的价格，先别太当真。
推荐理由：我会先打个折：这不是官方融资估值，而是私募二级平台的报价，成交量、收入规模和公司确认都没披露，所以别太激动。但信息本身有嚼头——它把 Anthropic 从三个月前 3800 亿的融资估值直接拉到万亿级别，背后是流通股少、Claude 产品势头和投资者情绪在起作用。对从业者来说，这更像一个市场温度计，而不是一张成绩单。
波士顿咨询公司（BCG）透露，2025 年公司总收入的 25% 是靠帮客户做 AI 落地赚来的。这个比例说明咨询行业本身的收入结构已经被 AI 需求推着走了，不是某个模型发布，而是实打实的服务收入。不过正文没披露具体赚了多少钱、服务了多少客户，也没说这 25% 里哪些是纯策略咨询、哪些是技术实施。BCG 还提到正在招更多工程师和专家来帮客户把 AI 嵌...
推荐理由：Bloomberg 给了一个硬数字：BCG 自称 AI 工作带来 2025 年 25% 的营收。这比泛泛的趋势报告强，所以 H/K/R 都过了。但缺总营收、客户数和具体服务线细节，分数就卡在 featured 门槛附近。我会先打个折：25% 这个比例挺高，可没披露基数，不知道绝对值有多大，这点先别太激动。
彭博这篇报道的正文被付费墙挡住了，只拿到了标题和摘要片段。已知信息是：SpaceX 正在考虑收购 AI 编程助手 Cursor，报价高达 600 亿美元。如果交易成了，a16z 手里大概 10% 的股份能值 60 亿美元左右。Thrive Capital 的持股比例正文没披露，具体赚多少也算不出来。另外，这笔交易到底签没签、走到哪一步了，文章里也没说清...
推荐理由：这条消息不是纯财经边角料，它把 AI 开发工具推到了一个很怪的收购场景里。SpaceX 600 亿买 Cursor 的传闻本身够新、够具体，也够让人想讨论。我会先打个折：文章没写交易有没有落定，也没说 Cursor 产品路线和商业化会不会因此转向，所以停在 featured，不上 p1。
Swan AI 的 CEO 发帖说，他们 4 个人的团队一个月给 Claude 花了 11.3 万美元，他把这笔钱看作本该用来招人的预算，目标是不到 10 个人做到 1000 万美元年收入。Fundable AI 的联合创始人也在底下附和，说 AI 能顶一个 15 人的文档处理团队。文章点出一个风向：token 花费正在被当成一种新的虚荣指标，但花得多...
推荐理由：我会先打个折：这篇不是硬核技术进展，而是一篇评论性质的趋势观察。H 分给得高，是因为它把“AI 账单超过人力成本”这个反转直接摆到台面上，容易引发讨论。K 分靠的是 Swan AI 那个 11.3 万美元/月的 Claude 账单，数字够具体，能让人直观感受小团队在模型调用上的投入有多猛。R 分确实有，它踩中了“用 token 消耗替代人头”的焦虑，但正文自己也承认这更像一种增长指标而非已验证的 ROI，Fundable AI 说能替代 15 人团队的说法也没给出验证细节，所以不能当市场级事件来推。整体判断：值得从业者看一眼，但别急着把它当成行业拐点。
Adrian Krebs 用脚本扫了 500 个 Show HN 落地页，发现 67% 的页面至少命中 2 个 AI 设计特征，比如 Inter 字体、紫色渐变、卡片彩色左边框、图标功能网格这些模板化痕迹。检测方法是用 Playwright 跑无头浏览器，在页面里直接检查 DOM 和计算样式，靠 15 条硬规则判断，人工抽查下来误判率大概 5% 到 1...
推荐理由：这条值得推给做 AI 工具和产品的人看。Adrian Krebs 没在评模型能力，而是用一套土办法——Playwright 跑脚本检查 DOM 和样式——发现 Show HN 现在 67% 的页面都命中至少两个 AI 设计特征。我会先打个折：这是单人实验，不是严格审计，误报他自己也认了 5% 到 10%。但信号比数字本身重要：AI 默认生成的前端模板正在让产品页面快速趋同，这对靠差异化吃饭的早期项目不是好事。正文没披露具体是哪 15 个特征，也没给误报的详细拆解，所以别当行业报告用，当个警钟看刚好。
FT 这篇报道正文被付费墙挡住了，只能看到标题和摘要。已知信息是：TikTok 计划在巴西海岸建一个 95 亿美元的数据中心，但项目因为环境问题遇到了阻力。标题把这事跟中国 AI 的全球扩张挂上了钩。至于这个数据中心具体要用多少电、电从哪来、审批走到哪一步、反对者是谁，正文没披露，这些才是判断项目能不能落地的关键。
推荐理由：FT 把'全球 AI 推进'这个大词落到了一个具体的 95 亿美元巴西数据中心项目上，还带出了环境阻力。我会先打个折：正文只是 RSS 摘要，缺装机量、电力结构和审批状态，所以别急着下结论。真正值得盯的是，AI 扩张现在开始撞上电、地和许可这三堵墙，这点比地缘叙事更实在。
Matt Ström-Awn 把大模型生成内容里的毛病叫做“膨胀伪影”，而不是压缩伪影。他的逻辑是：模型从模糊的训练数据里往外“解压”时，会在信心不足的地方用训练分布里的高频模式硬填，于是就有了那些套话、过度注释的代码、六指手和穿模视频。这些痕迹能当法医线索用——斯坦福的研究人员靠追踪 ChatGPT 发布后词频飙升的词（比如 commendable、...
推荐理由：我会先打个折，这是个人博客评论，不是一手研究或产品发布，所以分数停在 73。但它的钩子很巧，把 LLM 的毛病重新包装成“扩展伪影”，一下就把审美收敛和生成路径暴露的问题串起来了。文章给的数字也实在，17.5% 的论文和 16.9% 的审稿有 AI 起草痕迹，说明这已经不是小范围现象。JPG 压缩 10000 次后 PSNR 掉到 14.59 的类比虽然不算严谨实验，但直观地让人感受到反复生成带来的退化。真正值得盯的是取证价值：这些伪影不光是风格问题，还可能成为追踪生成路径的线索，这对审稿信任和内容溯源都挺要命的。
Axios 的消息说，美国国家安全局（NSA）正在用 Anthropic 新出的 Mythos Preview 模型。这个模型本月初才公布，专做网络安全任务，但因为攻击性太强，Anthropic 没敢公开发布，只给了大约 40 家机构用，公开点名的只有十几家，NSA 不在公开名单里。据说 NSA 主要拿它扫描系统环境、找可被利用的漏洞。吊诡的是，NSA...
推荐理由：标题把 NSA、Anthropic 的受限模型 Mythos 和 Pentagon 分歧绑在一起，冲突钩子很足。新信息就两点：NSA 在用、模型是受限版，但正文没披露怎么接入、跑在什么环境、花了多少钱、Pentagon 那边到底在吵什么。我会先打个折，因为证据链现在很薄，全靠一篇报道撑着。不过国防情报场景用前沿模型这件事本身，对采购、合规和供应商关系都有直接冲击，从业者会关心后续怎么落地。分数定在 75，等有合同细节或部署范围再往上调。