MWC26上海期间，智元联合创始人彭志辉指出，AI从数字世界走进物理世界是下一阶段核心命题，具身智能体将在物理世界长期在线完成感知、决策、执行闭环。他强调未来Token最大消耗群体将是物理世界的具身机器人，资本不再只为Demo买单，行业必须在真实场景落地商业价值。他用XYZ曲线划分产业周期：X曲线为开发尝鲜期（以表演为主），Y曲线为部署成长期（大规模落地真实场景），Z曲线为部署普及期（预计5年左右迎来GPT时刻）。

向阳乔木@vista8

39

推文提出，Agent 是一种数字化、随时调用、最终趋近免费的劳动力，但不应把人与 Agent 的价差当作商业模式本身。上下文、注意力、信任和品牌的价值不会因模型变便宜而贬值。AI 时代，人的具体技能不再重要，积极好奇、灵活性和自驱力才是核心素质。

昨日（6月24日）股东大会上，英伟达CEO黄仁勋称AI产业进入新阶段，智能体AI已到来，物理AI将驱动下轮增长。他将数据中心比作“AI工厂”，强调AI基础设施成企业计算核心。财务方面，过去1年营收增长65%，利润增长60%，2026财年自由现金流超960亿美元，计划将50%通过回购和分红返还投资者。黄仁勋举例称，运行英伟达系统生成token具盈利性，GitHub今年pull request数量增长近3倍。

meng shao@shao__meng

65

文章将AI循环分为内层agent loop（模型说“完成”即止）和外层harness loop（外部判定是否真完成，可续接session）。循环放大LLM代码的过度防御、回避不变量等缺陷，每轮叠加局部防御使系统更难理解。有效领域（移植、性能探索）共性是不产生新代码或产出无需长寿。核心隐喻从“机器”转向“有机体”，人不再完全理解代码。深层隐忧是认知依赖：代码由循环产出、review，一旦失去同类系统访问权将无法维持。问题不再是“是否会loop”，而是如何在循环未来中保留判断力与工程规则。

swyx 🔜 @aiDotEngineer@swyx

19

Zach Lloyd: http://x.com/i/article/2069756055639281664

SemiAnalysis@SemiAnalysis_

22

Andrej Karpathy: This is correct, I think a number of people on the tl didn't read past the title and made inferences and comparisons tha...

karminski-牙医@karminski3

55

作者在自研的硅基骑手参考评测（silicon-rider-bench）中累计测试30个模型，发现智谱GLM系列Agent能力持续进化：GLM-5首次实现反思自身行为并主动少接单提准时率；GLM-5.1首创送顺路单，路径效率低于单次配送理论值；GLM-5.2只需看一次地图便记住全部地点与换电站位置，无需调用search_nearby_battery_stations()，大部分tool_call用于推进任务，分数断崖式领先。直至kimi-k2.7-code出现前，无模型超越GLM-5（2月发布），智谱Agent训练领先其他国产模型2-4个月、最大2个代差。故市值破万亿从技术层面并非高估。

Rohan Paul@rohanpaul_ai

42

前高盛高管Raoul Pal在访谈中指出，若产品仅是软件，智能体AI可随时复刻、优化并重新部署。他将智能体AI比作专家网站Fiverr，能自动完成建站、编码、域名注册、品牌策划、营销及邮件列表等全流程。他设想用户只需对AI说“把Steven的网站做得更好”，AI便能在3分钟内完成。这引发了关于AI将吞噬软件、软件创业者未来出路的讨论。

Orange AI@oran_ge

50

AI 行业商业化的核心是“2boss”——付费方不是使用者（程序员、抽卡员），而是他们的老板。以 Claude/Codex 和 Seedance 为例，老板愿为提升效率的工具付费。中国 2B 市场进入“2boss”时刻，老板买单意愿强烈；独立开发者等自费者也扮演自己的老板。

swyx 🔜 @aiDotEngineer@swyx

52

swyx 在 Data+AI Summit 上采访了 Databricks 联合创始人 Matei Zaharia 和 Reynold Xin。访谈亮点包括：Databricks 为何击败 Snowflake；行业正纷纷构建“元 harness”（共享智能体框架）；LTAP 与 Lakebase 重新思考操作型与分析型数据库划分，解决 HTAP 愿景；Omnigent 为编码智能体和自定义智能体提供统一框架；智能体安全需要上下文策略与支出控制；MosaicML 与 DBRX 的后续；在 1750 亿美元大公司中维持研究/创业文化；以及在智能体云竞赛中数据库、操作系统与网络的重要性。核心观点：未来软件只需让数据就绪，智能体置于其上。

Latent.Space: Why the Frontier Ecosystem must be Open - Matei Zaharia and Reynold Xin, Databricks https://www.latent.space/p/databrick...

Rohan Paul@rohanpaul_ai

43

该论文认为当前AI主要建立在网络数学而非知识理论上。人脑以极低功耗做出快速自适应决策，而前沿AI依赖巨大算力。生物智能高效是因为围绕目标、上下文和决策组织意义。论文将心智活动分为物理认知、情绪认知、心智认知和智能，其中智能指在情境仍有效时做出有用决策。提出的“合成智能”将使用结构化语义知识（信息与目的绑定），而非仅依赖语法、统计或神经网络权重。通过不对称信息解析模型展示如何将知识组织成决策图，以捕食者-猎物为例，每个状态仅包含少数可能动作。

Ethan Mollick@emollick

57

ARC Prize: GLM-5.2 from @Zai_org on ARC-AGI (Verified) - ARC-AGI-2: 22.8%, $0.25 - ARC-AGI-1: 77.0%, $0.19 Performance is comparabl...

Yann LeCun 在联合国开源周演讲中主张，开源 AI 是全球数字主权和文化多样性的唯一可行路径。他指出专有 AI 系统被美中少数大公司控制，对民主和人权构成威胁。LeCun 推出 Project Tapestry，一个基于 GitHub 的开源联邦协作项目，各参与方保留数据主权，仅交换参数向量来训练全球模型。已有欧洲、印度、日本、韩国及 IBM、NVIDIA、AMD、Intel 等参与，目标 2027 年初投入生产。

AYi@AYi_AInotes

58

推文认为Prompt Engineering终结，Loop Engineering取而代之。典型场景：@karpathy晚上设好研究循环，自动改脚本、跑测试、保留正确结果、丢弃错误，人睡觉机器跑。四大支柱均来自生产环境：1）硬性退出条件与独立验证，防止模型“自认为完成”；2）上下文当有限预算管理，定期压缩、用子Agent隔离子任务；3）工具少而精、可安全重试、错误信息可读；4）Maker-Checker模式（如Claude Code已用），干活与检查分离。@bcherny总结：不再prompt Claude，而是写loops让它们跑。模型正成为标准件，工程价值转向长期自治系统设计。

Akshay 🚀: http://x.com/i/article/2069072431252434944

Berryxia.AI@berryxia

47

Emil Kowalski 的 /emil-design-eng 技能安装量突破 10 万次，近期陆续开发更多细分设计工程 skills，目标是让 agent 输出更精准可控。他重点投入测试环节，反复验证答案的正确性与一致性，这是打造高质量 agent skills 最难也最关键的一环。

elvis@omarsar0

64

作者从打字提示转向完全用语音与AI智能体交互，发现通过音频能提供更丰富的细节，语音越长越详细，结果越好。这种交互方式还能并行化更多工作，让智能体执行更长时间任务。作者开发了新功能：录制屏幕、截图、追踪鼠标动作、用语音标注解释智能体难以处理的设计和精确功能开发。结论是提示模态越丰富，智能体结果越可靠，虽然消耗更多token成本更高，但可靠性值得。这些模式可存储为可重用技能，效果天差地别。

Berryxia.AI@berryxia

66

OpenAI发布首款自研AI芯片Jalapeño，专为ChatGPT、Codex、API及未来Agent产品的LLM推理设计，由Broadcom生产。从设计到流片仅用9个月，借助AI模型辅助设计。首批样片实测性能功耗比显著优于当前顶级加速器，Broadcom CEO称性能媲美NVIDIA Blackwell与Google TPU，成本减半。若2026年底实现吉瓦级部署，推理成本有望降低约50%。Jalapeño仅针对推理，训练仍依赖NVIDIA。此举标志OpenAI从模型公司向全栈AI基础设施公司转型。

OpenAI: We've designed and built our first AI chip: Jalapeño. Designed from the ground up by OpenAI and brought to production wi...

向阳乔木@vista8

58

字节火山引擎大会上，洪定坤分享了AI开发的三个核心方法论：1. 原型驱动开发——用AI生成可交互原型替代PRD，提前暴露分歧。2. AI Development系统化——AI写Spec→功能实现→Browser Use验证→自动提交上线。3. Harness基建——上下文工程、架构约束、团队知识Memory、技术债梳理，能将可交付性从40~60分提升至80分。

swyx 🔜 @aiDotEngineer@swyx

19

swyx 🔜 @aiDotEngineer: Inspired by @karpathy's words on why you - yes YOU - should work on AI Agents

Ethan Mollick@emollick

64

Arvind Narayanan: The new Claude Tag feature seems extremely useful, but at the same time, a dangerous bargain for enterprises because of ...

gabriel@gabriel1

25

Elon Musk: @yunta_tsai Maybe first attempt at this for Neuralink later this year

AYi@AYi_AInotes

65

网上流传Telegram创始人Durov劝学生别学编程和AI、只学数学物理的说法是断章取义。真实对话中，Durov只建议优先打好数学基础，马斯克补充物理加数学，Durov还明确表示数学基础打好后计算机科学非常值得学。没人提出放弃编程或AI。谣言传播是踩中了AI时代的技能焦虑。实际上，AI能写基础代码后，核心壁垒是数学教的拆解问题逻辑和物理教的建模因果思维。最优路径应是数学物理打底、编程落地、AI加速迭代。

Abdullah AL-Khmais: مؤسس تليجرام، ينصح الطلاب: لا تضيعوا وقتكم في تعلم البرمجة والذكاء الاصطناعي.. أدرسوا الرياضيات و الفيزياء جيدا. و إيلون...

AI文本检测器Pangram的CEO Max Spero表示，其深度学习分类器是一个黑箱，通过捕捉语言模型在组织文档时留下的结构模式来识别AI生成文本。Spero指出，语言模型在语法和逻辑上可能优于普通人，但论点高度同质化：若要求LLM就某个主题生成100个论点，它们会集中在狭窄范围内，而人类论点的空间则非常多样。这种雷同是AI文本的显著特征。

6月24日，美团副总裁陶雪璇在大众点评必吃榜10周年盛典上表示，大众点评对AI评价持明确反对和抵制态度。她指出，AI生成的评价可能话术漂亮但未真实体验过餐厅，且AI在应用环节的模型幻觉问题依然严重，会影响评价的真实性。评价如同社区公告板，不属于商家、用户或平台任何一方。

Berryxia.AI@berryxia

50

Anthropic内部透露，99%工程师运行300+自改进agent swarm。核心是“close the loop”——模型自验证输出，包含计划、动态工作流、自我检查并迭代。效果远超多数300美元agent课程，但token消耗更高。

Elon Musk@elonmusk

23

Cernovich: I switched the Grok as my search engine a few months ago. I only use Google now to correct typos / check spelling, as it...

软银创始人兼首席执行官孙正义在 6 月 24 日的年度股东大会上表示，人工智能仍处于发展初期，任何声称行业出现泡沫的言论都是“对人工智能的侮辱”。他将软银比作“下金蛋的鹅”，抱怨公司市值（约 37 万亿日元）与资产总额（约 74 万亿日元）之间的巨大落差。孙正义同时宣布软银已开始量产机器人，并推动旗下 Arm 从芯片设计者向芯片提供者转型。

eric zakariasson@ericzakariasson

24

Gergely Orosz: Interesting to observe Anthropic going from the moat being the best model to building a tooling ecosystem with right int...

Berryxia.AI@berryxia

21

用户出差在飞机上，通过Bloome Agent直接生成两份客户续费合同，无需打开电脑、无需多言。Agent还主动记忆并询问之前的报价信息，整体体验轻松愉快。用户感叹AI时代让“顶级牛马”也能享受老板般的待遇。

swyx 🔜 @aiDotEngineer@swyx

41

Lou: Made it to SF! The love for GLM-5.2 has been incredible. We are bringing team out for the AI Engineer World's Fair, wher...

Rohan Paul@rohanpaul_ai

55

Andrew Ng分享了AI时代如何组织工程团队以加速：1到10人的团队由高度授权的通才组成，保持高语境。当代码生成速度大幅提升后，组织反而成为瓶颈——功能从想法到原型只需一天，迫使产品、设计、营销、法务等所有环节同步加速。他的解决方案是让少数高语境通才团队独立决策，避免跨部门翻译带来的延迟。源自LangChain YouTube频道。