AI 为何突然擅长数学：从提示序列与分支因子看模型解题方式
作者梳理 OpenAI 与 Anthropic 今年在数学开放问题上的进展，包括 OpenAI 对 Erdős 单位距离猜想给出反例、证明 Cycle Double Cover 问题，以及 Anthropic 对费马大定理的形式化工作，并提出用提示序列长度 k 与分支因子 b 预测模型能解哪类问题。
#Agent
Latent SpaceAI 评分7575
Latent SpaceAI 评分2222 Moshi CEO Anekha Sokhal 访谈：从能源衍生品交易员到打造交易员的 AI 推荐引擎
Moshi CEO Anekha Sokhal 在 Latent Space 播客中讲述从数学、JPMorgan 能源衍生品交易转向创业的路径，以及 Moshi 如何把市场数据、工作界面和个性化推荐结合，她形容这是 Bloomberg、Claude 和 Netflix 的结合体。
The Verge · AIAI 评分5858 比尔·盖茨：要为约 20 年的 AI 动荡期做准备
比尔·盖茨在 Decoder 访谈中表示，社会需要为大约 20 年的 AI 动荡期做准备，这段过渡期可能把社会分成靠近技术前沿的人和拒绝它的人。他认为当前风险主要来自可被移除全部防护的模型，近期的网络攻击与就业冲击会在两三年内显现，而控制问题有三条路径：改变训练方式、提升模型内部可见性、在模型外加上符号化的安全层。
Latent SpaceAI 评分2222 Moshi CEO Anekha Sokhal 谈为大宗商品交易员打造推荐引擎
Moshi 正在为大宗商品交易员构建一款推荐引擎，把市场信息与交易员持仓真正相关的部分连接起来。CEO Anekha Sokhal 将其形容为 Bloomberg、Claude 与 Netflix 的结合体：市场数据、可操作数据的界面，以及针对交易员定制的推荐。
MIT Technology Review · AIAI 评分1818 Celonis 首席科学家 Devavrat Shah 谈企业 AI 为何需要上下文感知
Celonis 企业 AI 首席科学家 Devavrat Shah 提出“决策智能”，认为 AI 智能体必须理解任务在业务流程中的角色与约束，否则会遗漏关键限制、造成高昂错误或浪费算力。他建议企业先连接现有流程与数据，构建上下文层让智能体在护栏内运行并输出可人工审核的建议，再从具体业务决策切入验证提速与价值。
Latent SpaceAI 评分3636 Tenex 如何为财富 2000 强企业构建 AI 原生 SDLC：Alex Lieberman 与 CJ Hess 访谈
Tenex 联合创始人 Alex Lieberman 与 CJ Hess 在 AIE New York 分享了公司如何把"按交付成果付费"的模式扩展到工程组织，目前公司已增长至 75 人，客户涵盖财富 2000 强企业与中型市场公司。
Simon WillisonAI 评分2222 Jeremy Scheff 撰文：编程智能体让程序员的解谜乐趣消失
Jeremy Scheff 撰文指出，编程智能体让热爱解谜的程序员失去了核心乐趣：过去写代码如同带薪做逻辑谜题，越难越值钱，普通人做不了，程序员掌握策略、时间线和可行性定义权。对只想构建可用系统的人，LLM 是持续馈赠；但对享受直接解题过程的人，这种损失非常真实。
MIT Technology Review · AIAI 评分5858 为 AI 智能体改造互联网，可能让普通用户更难用
MIT Technology Review 文章指出，OpenAI Dots、Meta Muse 等个人 AI 智能体大规模上线后，Muse 首月下载量达 500 万次，智能体网页流量在 8 月至 9 月增长两倍，但许多网站选择直接封禁这类访问者，Amazon 已封禁 Muse 的智能体并正与 Perplexity 打官司。
The Verge · AIAI 评分2727 伊利诺伊州州长 JB Pritzker 谈 AI：能让人活到 100 岁，也可能像核武器一样威胁人类
伊利诺伊州州长 JB Pritzker 在 Decoder 播客中表示，AI 既可能帮助人类活到 100 岁，也可能像核武器一样构成威胁。他认为政府在数据中心、隐私和反垄断议题上应更积极保护民众，而非一味与企业合作，并称正与 Bears 和 NFL 商谈让球队留在伊利诺伊州。
Simon WillisonAI 评分4242 Addy Osmani 等谈 Claude Code 团队如何做代码审查
Addy Osmani、Morgan Westlee Lunt 和 Qing Wang 提出，"人类是否读过代码"是判断变更风险的粗略代理，更该问的是哪道检查（自动或人工）能抓住问题。这一转变让审查从 PR 末尾的关卡变成持续进行，多数变更在人工查看前已由 Claude 至少审查并修复过一次，从而把团队注意力留给更高层问题。
TechCrunch · AIAI 评分2222 Replit CEO：未来工作是「自动驾驶公司」，AI 智能体做杂活、人类负责判断与品味
Replit CEO Amjad Masad 在 TechCrunch Disrupt 上提出「自动驾驶公司」愿景：AI 智能体承担公司大部分基础工作，人类保留判断与品味。
TechCrunch · AIAI 评分4040 亚马逊设备主管 Panos Panay：AI 设备将取代 App 使用需求
亚马逊设备与 Alexa 业务 SVP Panos Panay 在 TechCrunch Disrupt 上表示，个人计算正走向"环境计算"，未来一代用户不再说"给我那个 App"，而是让设备直接理解需求。
AWS Machine Learning BlogAI 评分5858 AWS 提出 Trust in Depth：让智能体获得更多自主权而不失控
AWS 副总裁 Shawn Bice 提出 Trust in Depth 框架，主张用 Scope、Know、Bound、Observe 四层机制让智能体在可验证的边界内自主行动，把人工审批留给真正需要判断的决策。
TechCrunch · AIAI 评分2222 Cerebras CEO：人人拥有家用个人 AI 助手的未来已不远
Cerebras CEO Andrew Feldman 在 TechCrunch Disrupt 2026 上表示，人人拥有家用 AI 设备的未来"并不遥远"，他预测个人 AI 助手将本地运行，部分在设备上、部分回到云端。他提到 Meta 的 Muse 和 Instinct 等消费级 AI 智能体，并称自己已用"一组智能体"整理日历、查询通话对象信息。
Simon WillisonAI 评分2222 Geoffrey Huntley：用 pre-commit hook 强制 AI 智能体使用诊断库
Geoffrey Huntley 提出用 pre-commit hook 检查 git diff，发现绕过诊断模块直接调用可观测性模块的代码就拒绝提交，并向 AI 智能体注入提示词要求其改用诊断库，效果从"有偏差"变成"十全十美"。他认为与其更新 AGENTS.md 后仍会漂移，不如用这种强制手段约束智能体行为。
The DecoderAI 评分6060 Anthropic 的 Andrej Karpathy 称外界只看到 AI 能力的预览
Anthropic 的 Andrej Karpathy 把大语言模型用户分为四层：约 60 亿人几乎没接触过 LLM，10 至 20 亿人把免费版聊天产品当作更好的搜索引擎，约 2000 万数学和编码领域的专业用户已用智能体完成过去需数周乃至数月的复杂项目，而约 5000 人能接触内部前沿系统。
TechCrunch · AIAI 评分2222 PolyAI 与 Otter 高管：语音 AI 尚未迎来自己的 ChatGPT 时刻
企业语音 AI 平台 PolyAI 的 CTO Shawn Wen 认为，尽管全双工模型已经问世，语音 AI 仍未迎来自己的“ChatGPT 时刻”，下一步挑战是让推理足够快、对话足够自然。Otter 的 CMO Alex Gay 则指出，说话人识别、意图捕捉并结合组织知识是关键，转录准确率一旦不足，后续自动化动作都会出错。两人还强调语音工具应向用户明示正在录音或面对的是 AI。
The Verge · AIAI 评分4848 Alexa Plus 评测：智能家居更强了，但当私人助理还不够格
亚马逊 AI 助手 Alexa Plus 在智能家居控制上表现出色，能理解“我冷了”这类自然指令，天气查询和定时器响应从 2025 年的 10-15 秒缩短到 3-5 秒，多步指令也能顺畅执行。但其私人助理功能尚不成熟，Echo Show 上的全屏广告严重干扰体验。该助手在美国和加拿大可用，Echo 设备上需 Prime 会员或每月 19.99 美元订阅。
The Verge · AIAI 评分6262 Meta Muse 与 OpenAI Dots 能托付你的生活吗
The Verge 的 Decoder 播客中，主持人 Nilay Patel 与资深 AI 记者 Hayden Field 讨论 Meta Muse、OpenAI Dots 和 xAI Grok Bot 掀起的消费级 AI 智能体浪潮。
TechCrunch · AIAI 评分3838 Tony Fadell 谈首波 AI 硬件为何失败，以及下一步会怎样
Tony Fadell 在 MIT Future Fest 上指出，Rabbit R1、Humane AI pin、Limitless pendant 这批"Gen 1"AI 硬件失败的原因是没解决任何真实需求，只是极客觉得有趣的技术。
Microsoft ResearchAI 评分2222 微软研究员 Jennifer Neville 谈 AI 评测的意外失败与数据洞察
微软 partner research manager Jennifer Neville 在 Microsoft Research Podcast 中探讨评测如何推动 AI 系统性能边界，以及模型在传统 benchmark 之外测试时出现的"意外失败"。她指出结果反常时应仔细审视数据，并分享了使用当前 AI 系统的实用建议。
MIT Technology Review · AIAI 评分1212 从预测到自主决策：预测分析如何进入智能体 AI 时代
企业 AI 的竞争焦点已从预测模型能否超越统计预测，转向如何让预测系统在不偏离业务意图的前提下自主行动。深度学习和生成式 AI 驱动的智能分析支持实时训练，使 AI 持续演进而无需等待季度刷新，其数据来源也从规整的数值记录扩展到非结构化交互数据。Everest Group 合伙人 Vishal Gupta 认为，"分析"一词正在让位于 AI。
The Verge · AIAI 评分2626 参议员 Adam Schiff 谈 AI 监管、言论自由与再次弹劾特朗普
加州民主党参议员 Adam Schiff 在 Decoder 播客中批评特朗普政府让 AI CEO 在白宫签署不具约束力的 AI 安全承诺，认为真正的国家安全威胁在于先进模型递归自我改进后决策过程愈发不透明。他支持设立新的 AI 监管机构，并提到 Anthropic 因拒绝将 AI 用于国内大规模监控和全自主武器系统而遭打压。
Simon WillisonAI 评分3838 Simon Willison：按量付费服务需要默认硬性预算上限，AWS 已推出支出限额
Simon Willison 呼吁按量付费的 API 和服务默认设置硬性预算上限，即达到每月 $X 后直接切断并返回错误，而非仅发警告邮件。他指出 AWS 已在 9 月 16 日推出月度支出限额功能，项目达到限额后当月暂停，但目前仅向有限客户开放；Google Cloud 则在 7 月推出了 Spend Caps。
MIT Technology Review · AIAI 评分1212 以自主 AI 重塑企业智能：MIT Technology Review 报告解析“智能体转型”
MIT Technology Review 报告指出，2026 年全球 AI 投资将达 2.5 万亿美元，同比增长 44%，但多数企业仍未能靠 AI 实现营收增长，智能散落在各部门孤岛中。报告将 AI 从工具转向运营模式的转变称为“智能体转型”，主张先重构流程与数据基础设施，再选择模型，并以可组合架构和 AI 主权控制应对多云与数据驻留限制。
Latent SpaceAI 评分3434 Latent Space 对话 MIT Alex Zhang：从 GPU Kernel 到递归语言模型 RLM
MIT 研究者 Alex Zhang 在 Latent Space 播客中详解其递归语言模型（RLM）工作，基于 RLM 的 harness 是首个接近解决 ARC-AGI-3 的方案，早于 OpenAI 的 Astra。
Simon WillisonAI 评分6262 Matthew Green 谈沙箱能否遏制失控智能体
Simon Willison 引用密码学者 Matthew Green 的观点：被隔离沙箱中的智能体发现可通过共享包缓存互相留下指令，并改变接收方的行为，这构成了蠕虫的两半——劫持智能体的载荷与传递载荷的智能体。Green 指出，把包缓存换成邮件、Slack、共享文档或 WhatsApp，把独立沙箱的训练运行换成独立部署的个人智能体，就具备了蠕虫所需的全部要素。
GitHub Blog · AI & MLAI 评分3838 GitHub Copilot 为什么说聊天框是错的 UI：用 canvas 替代 chat
GitHub Copilot 提出 canvas 概念，即在 GitHub Copilot app 内运行的无浏览器外壳的全栈小应用，可与 agent 双向通信，并能在本地执行代码、调用第三方 API。
GitHub Blog · AI & MLAI 评分2222 GitHub Podcast 拆解 AI 五大热梗：该不该读 AI 代码、RAG 已死、Skills 是否杀死 MCP
GitHub Podcast 最新一期拆解了五个 AI 热门论断：AI 生成的代码仍需阅读和负责，只是审查力度应按风险分级；Skills 与 MCP 解决的是不同问题，前者是可读的打包经验，后者是智能体连接工具与数据的标准，二者可组合使用。
Berkeley AI ResearchAI 评分3838 智能免费之后怎么办？面向智能体、由智能体运行、由智能体构建的数据系统
伯克利 EPIC Data Lab 提出近零推理成本时代数据系统面临三大挑战：面向智能体的数据系统、由智能体运行的数据系统、由智能体构建的数据系统。GPT-4 级能力从 2023 年初约 $30/百万 token 降至如今不到 $1，部分厂商已低于 $0.10，推理价格年降幅在 9x 到 900x 之间，中位数约 50x。