播客·视频

这两条更新放在一起看，信号很明确：AI 助手都在从“帮程序员写代码”往“帮普通人操作软件”的方向挤。OpenAI 这次给 Codex 加了 42% 的电脑操作速度提升，还接入了微软、谷歌、Salesforce 的办公套件，摆明了要进白领的日常工作流。它那个动态界面有点意思，团队明确说不学 Claude 那种手动切换模式，而是让模型自己判断什么时候该接管屏幕。这想法听着聪明，但实际用起来会不会自作主张，是个风险。 Anthropic 这边走的是另一条路，让 Claude 去支持 Blender、Ableton、Adobe 全家桶这类创意工具，同时发了个代码安全审查工具。结合最近社区对代码漏洞的讨论，安全工具更像是给“模型写代码不靠谱”的担忧打个补丁。创意软件的支持目前看还只是“能操作”，至于操作得有多精细、会不会把工程文件搞崩，正文没展开说。两边都在画大饼，但稳定性和出错率这些硬指标，还得等用户大规模用起来才知道。

这期 Latent Space 把近期几条线索串了起来：AI 的推理需求正在急剧膨胀。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在 CPU 上。 这个判断有产业背景支撑。过去两年大家把预算都砸在 GPU 上，CPU 的更新换代被压着没动，现在正好赶上设备老化要换新，加上智能体跑起来确实吃 CPU，供需缺口可能比想的要大。但英特尔 CEO 的话不能全信，他天然有动机把 CPU 需求往大了说。正文没给出第三方独立数据来交叉验证，也没说清楚这波需求里有多少是正常的换机周期，多少是 AI 推理带来的净增量。 还缺几个关键信息：推理负载里 GPU 和 CPU 的比例到底怎么分，不同场景（代码生成、智能体沙箱、强化学习环境）对 CPU 的消耗量级差多少，以及云厂商的实际采购数据。这些没补上之前，只能说方向对，但别急着下结论。

Dwarkesh 这次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不同机柜，以及 Ilya 那句“流水线不聪明”背后的数学原因。 信息量很大，但来源限制也明显：这是单人讲座，不是经过同行评议的论文，很多推算是基于公开 API 价格反推的，正文没披露 MatX 芯片的具体规格和实测数据。Reiner 提到因为强化学习，模型可能比 Chinchilla 最优训练量多训了 100 倍，这个判断目前还缺大规模验证。 还缺什么：没有给出不同规模模型的具体成本对比表，也没讨论这些成本结构在不同云厂商之间的差异。如果你关心的是自家业务该选快模式还是慢模式，这篇能给你一个判断框架，但具体数字得拿自己的场景去套。

这条访谈把实体 AI 的落地难点讲得很透。Applied Intuition 从 YC 时期的自动驾驶工具链，做到现在 30 多款产品，全球非中国车企前 20 名里 18 家是客户，L4 无人卡车已经在日本跑起来了。他们反复强调一个判断：模型智能不是瓶颈，部署才是。车载端要求毫秒级延迟、低功耗、小模型，还得保证安全，这和跑在数据中心的大模型完全是两回事。 他们举了个很直观的例子：现在的车和机器就像安卓和 iOS 出现之前的手机，操作系统碎片化严重，他们想做的就是把平台层统一起来。另外，安全验证的思路也在变，从过去简单的通过/不通过，转向统计意义上的可靠性——看的是“几个 9”和平均无故障时间。 不过正文没给出具体的技术指标，比如延迟到底是多少毫秒、模型压缩到什么规模、功耗控制在什么范围，这些关键数字都缺。另外，他们提到的“世界模型”在雨雪、施工场景下的实际表现也没展开，这部分只能先打个折看。

Dwarkesh 这篇不是分析，是一份“我没想明白”的清单，但问题本身比很多结论都值钱。他先点出一个很现实的不平等：全球超七成 AI 算力攥在五家云厂商手里，其中大部分还优先喂给了 OpenAI、Anthropic 和 Google DeepMind 三家。他担心普通人会被高价挤出 AI 红利，连“全民基本算力”这种分配方案都开始认真琢磨了。 技术层面的困惑更具体。他搞不懂长周期编程智能体到底靠什么突破，是单纯堆更多强化学习环境，还是有什么别的诀窍。他还拿 Llama 3 70B 举例，KV 缓存每存一个 token 要 320KB，而预训练时平均每个 token 只占 0.075 比特，信息密度差了三千五百万倍——这个数字说明模型在“现学现用”时记忆开销大得离谱，但为什么会有这种取舍，他没答案。 最后他追问训练和推理的边界什么时候消失。他的设想很直接：未来可能得让 AI 像实习生一样上岗干一个月活，再把表现报告发回模型公司，靠这种在岗学习才能继续进步。整篇没有实验数据，全是开放问题，但每个问题都卡在行业正在撞的墙上。

Shopify CTO 这次聊得挺实在，核心判断是：AI 写代码已经不是瓶颈，真正的卡点变成了代码审查、CI/CD 和部署别崩。他们内部数据也印证了这点——去年 12 月模型质量有个明显跃升后，内部 AI 工具使用量暴涨，而且命令行工具的增长比 IDE 插件还猛。这说明工程师在用脚投票，更愿意把 AI 嵌进自己的流程里，而不是在编辑器里点点点。 他们搞了三个内部项目来解决新瓶颈：Tangle 做可复现的机器学习实验，Tangent 搞自动调优搜索和主题，SimGym 用真实历史数据模拟客户行为来做 A/B 测试和优化建议。Mikhail 特别提到，客户模拟这玩意儿很贵，得多模态模型、浏览器集群、蒸馏一起上，但 Shopify 手里有真实交易数据，别人很难抄。 不过整篇没给具体用量数字，只说“爆炸式增长”，也没披露 Opus-4.6 无限 token 预算实际花了多少钱、bug 率到底升了多少。这些缺口让判断得打个折——方向对，但省钱省到哪一步还不清楚。

Noetik 的思路很直接：95% 的癌症临床试验失败，他们觉得主要不是药不行，是配对没做好——没搞清楚哪个病人、哪种肿瘤、该用哪种已有的药。他们训练了一个叫 TARIO-2 的自回归 Transformer，能从每个病人都会做的常规 H&E 染色切片里，直接预测出约 19,000 个基因的空间表达图谱。这种空间转录组数据原本是读肿瘤最丰富的方式，但标准治疗里几乎没有病人会做，所以 TARIO-2 相当于用 AI 把昂贵检测“补”出来。 GSK 签了 5000 万美元的技术授权合同，外加未披露金额的长期模型授权。这个合作有意思的地方在于，它不是买断一个候选药，而是买一个软件平台。过去大药企对 AI 工具的兴趣主要在内部研发，这次直接为模型付费，说明药企开始愿意为工具型 AI 掏钱了。 不过正文没给出 TARIO-2 在真实临床场景下的预测准确率，也没说这个基因图谱预测到底能把临床试验成功率从 95% 失败率拉回来多少。模型训练数据规模很大，但从“预测基因表达”到“指导用药匹配”中间还有一大段路，缺的是前瞻性验证和临床决策闭环的证据。

Peter Steinberger 同一天放出的两个演讲，把 OpenClaw 的公众叙事和工程现实撕开了。面向大众的 TED 版本讲的是增长奇迹，面向工程师的 AIE 版本才交了底：安全报告数量是 curl 的 60 倍，社区提交的技能里至少 20% 是恶意的。这个数字说明攻击面膨胀速度已经跑在治理能力前面了，不是小修小补能兜住的。 但正文没披露 OpenClaw 的架构、上线时间和治理模式，连它到底怎么跑起来的都不知道。被称作“史上增长最快的开源项目”，却连基础信息都缺，这点先别太激动。 还缺几个关键信息：恶意技能具体怎么拦截、有没有自动审核管线、社区治理规则是什么。没有这些，60 倍安全报告这个数字更像警报，而不是成绩单。

这条视频把“同事.skill”这波热度拆得很清楚：它本质是Anthropic在2025年底推出的开放提示词标准，不是什么数字永生黑科技。一个Skill文件就是一份结构化的指令包，AI平时只记个摘要，任务匹配时才加载全文，省Token也省事。它能模拟一个人的表达风格和工作流程框架，但视频也直说，它记录不了“为什么这么做”和意外情况下的判断力，那才是人的核心价值。 视频里提到一个关键数据：Anthropic官方生态里使用率最高的Skill全是Excel、Word、PDF这类标准化文档处理工具。这说明Skill真正好用的地方是重复性高、流程固定的活儿，而不是替代复杂决策。另外，视频没给出跨平台兼容性的具体成功率，只说“大概率也能用”，这点得打个折。 关于版权和强制上交的讨论挺实在。视频指出，Skill的法律属性目前没统一标准，而且强制员工上交只会催生“反蒸馏.skill”这种防御工具，把核心参数替换成正确的废话。信息缺口在于：没有披露任何已判决的Skill版权案例，也没给出企业强制收集后实际增效的数据。所以，把它当个提升标准化任务效率的工具就好，别自己吓自己。

GitHub 悄悄上线了一个新选项：开源仓库可以彻底关掉 Pull Request（PR）功能。这是 PR 诞生 21 年来的头一遭，之前只能关 issue。文章把这看作一个信号——AI 写代码的工作流已经变了。Pete Steinberger 等人早就公开说过只想要 Prompt Request，理由很实际：没有合并冲突、维护者改提示词比看代码容易、也不容易混进恶意代码。 OpenAI 和 Cloudflare 等公司也在推新的 agent 协作栈，把调度和沙盒执行拆开，让模型在隔离环境里跑代码。这背后是一个更根本的问题：Git 是为人和人协作设计的，当代码主要由 agent 之间流转时，这套基于分支和合并的流程可能就不合适了。 不过文章主要基于功能更新和行业讨论，没有给出关闭 PR 的实际采用数据，也没说明 GitHub 后续会不会调整 Git 本身的协作模型。这点先别太激动，PR 死没死，还得看有多少项目真的关掉它。

哈萨比斯这次没画饼，反而直说现在的AI发展节奏被商业和地缘政治推得太快，不是他理想的路子。他个人的想法是，把AGI相关技术在实验室里像欧洲核子研究中心那样再打磨十到二十年，每一步都彻底搞懂再往前走。他举了AlphaFold的例子，当初团队本打算按传统方式搭服务器让科学家排队提交任务，但他用手机一算，发现手头算力足够在一年内把已知的2亿种蛋白质结构全部预计算完，于是直接砍掉了整套排队系统，把结果免费开放。目前全球已有超过300万名科学家用过这个工具。 在风险判断上，他分了三层。最紧迫的是未来2-4年内AI被恶意滥用，比如用模型挖系统漏洞搞网络攻击。其次是智能体自主性提升后可能脱离人类目标，这是更难解决的技术难题。至于深度伪造和虚假信息，他承认是问题，但认为跟前面两个比属于次要风险，行业不该把过多资源耗在这上面。 不过整场访谈的信息密度不太均衡。他聊AlphaFold和AlphaZero的思路很具体，但一谈到Isomorphic Labs正在推进的18到19个药物项目，就只说了覆盖心血管、癌症等领域，没披露任何临床阶段、成功率或具体靶点。另外他对post-AGI场景给出了50年内成真的判断，但这个时间跨度太大，更像科幻想象而非可验证的预测。

彼得·斯坦伯格这次回应很直接，核心就一句话：OpenClaw 不会闭源，控制权在他自己手里。他主动引入英伟达、微软、腾讯等多家企业参与共建，其中英伟达直接派驻了全职工程师，用这种多方制衡的方式来对冲加入 OpenAI 可能带来的单一公司影响。这个操作比口头承诺更有说服力。 关于安全争议，他给出了具体数据：累计收到 1142 条安全通告，其中 99 条标为严重，已公开的 469 条里关闭了 60%。但他认为大量高危漏洞是噪音，因为 CVSS 评分不考虑实际使用场景，很多理论上的严重漏洞在现实中几乎无法触发。他还指出有机构故意忽略官方安全指南，用错误方式部署后再发报告指责项目不安全。这个解释有一定道理，但 60% 的关闭率也说明确实还有不少真实问题没处理完。 技术上比较有意思的是“梦境功能”，灵感来自 Anthropic 泄露的源码，让 Agent 在闲置时自动整理记忆、提炼有效信息。另外快速模式把他的并行会话从近 10 个砍到 5-6 个，效率提升明显。不过正文没披露梦境功能的具体上线时间，也没给出快速模式的技术实现细节。

这篇论文的核心思路很直接：别让工程师手动调那层包裹在大模型外面的代码逻辑（harness），而是把这件事变成一个搜索问题，交给 coding agent 自己去翻历史记录、自己改代码。它跟现有文本优化方法最大的区别是不压缩反馈信息，所有候选代码、完整执行日志和评分都摊在文件系统里，让 agent 按需查看。在在线文本分类任务上，Meta-Harness 用 4 次搜索迭代就追平了 OPRO 方法 60 次迭代的精度，5 个分布外数据集平均精度达到 75.9%，比之前最好的 ACE 方法高出 7.7 个百分点。在 TerminalBench-2 的编程任务上，它甚至超过了工程师手动调试出来的 Agent，成为同模型下排名第一的方案。 不过，这个系统的成本不低。在 TerminalBench-2 上跑了约 20 次搜索迭代，总花费大概几百美元，主要是 API 调用费。对于资源有限的小团队来说，这仍然是个门槛。另外，它的效果高度依赖 coding agent 本身的能力，如果提议器不够强，搜索质量会明显下降。还有一个关键限制：它假设存在一个清晰、可量化的评估函数，但在很多实际应用场景里，这种客观指标并不好定义。 论文没披露的是，这套方法在更复杂的多步推理或需要主观评价的任务上表现如何，以及当搜索空间进一步扩大时，文件系统存储的方式会不会成为新的瓶颈。不过它给出的启示很实用：与其花精力设计怎么压缩信息喂给 agent，不如把完整的历史数据都给它，让它自己决定看什么。