99%的代码都由AI写了，那程序员真正值钱的是什么？
当99%的代码都由AI编写后，我反而更清楚地看到：程序员的价值正在从“写代码”转向理解业务、掌握系统、判断问题和调度AI。代码越来越便宜，但能看懂复杂系统、快速定位故障并为结果负责的人，仍然稀缺。
苏姿丰花82亿美元请来李飞飞，AMD真正缺的可能不是更快的GPU
AMD花82亿美元收购World Labs，价值不只在World Model本身，更在于把前沿模型研发接入芯片设计闭环。当AI工作负载快速变化，未来芯片竞争除了性能，还取决于谁能更早看懂下一代AI真正需要什么样的计算。
Gemini 4 Argon已经开始赢跑分了，但真正的考试还没开始
Gemini 4 Argon在多项Benchmark中进入第一梯队，却尚未向普通用户开放。Google称这是出于安全考虑，但在GPT和Claude密集更新的竞争压力下，这种“先发布、后开放”的方式也值得关注。跑分已经赢了一部分，真正的考试仍要等到真实用户手里。
Muse、dots都来了，但Personal Agent到了中国可能要换一种玩法
Muse和dots代表的Personal Agent，可能正在挑战中国超级App长期形成的封闭生态。真正的变化，不只是AI替用户办事，而是用户能否授权Agent跨平台调用自己的数据和服务；这也可能推动平台从“圈住用户”转向按数据和能力调用收费，并重新给中小创业者机会。
我把DeepSeek Harness接进生产环境后，发现AI运维真正改变的不是查日志
我把DeepSeek Harness接入生产环境，让它通过MCP读取日志、数据库和代码后，线上排障从“人找证据”变成了“Agent先调查”。AI运维真正开始落地的，可能不是自动修复，而是先自动完成第一轮故障分析。
GPT-6 Luna比DeepSeek还便宜，AI模型真正的价格战才刚开始
GPT-6 Luna将普通Token价格压到DeepSeek V4.1 Flash之下，但缓存、长上下文和Agent运行成本让“谁更便宜”变得复杂。AI模型价格战正从每百万Token单价，转向完成一个真实任务到底要花多少钱。
看完Anthropic那份154页威胁情报报告，Claude你还敢用吗？
Anthropic最新报告让我重新审视Claude Code：它获得的权限越多，用户暴露给云端模型的数据边界就越大，而Anthropic也具备调查真实用户行为的能力。随着开放权重模型和Harness工具成熟，我会逐渐减少Claude使用，敏感项目更不会再交给它。
AI项目已经付了开发费，为什么以后还要继续付Token？
AI项目和传统软件最大的成本差异之一，是上线后还会持续产生模型调用费用。Token本质上是“智能使用量”的计量单位，企业真正需要理解的，不是Token本身，而是AI项目已经从一次性建设成本，变成“建设成本+持续智能成本”。
OpenAI 新架构被曝：大模型开始戒掉“人类语言”了
OpenAI 新架构“循环深度”曝光，将推理收拢至隐空间进行高速心算。这表明显式思维链只是昂贵的过渡妥协，大模型为了追求极致效率，正试图甩开人类语言的拖累；而这种向黑盒的退行，也给现有的安全监控防线带来了严峻考验。
ChatGPT 推出三年后，OpenAI 最终活成了它最不想成为的微软
OpenAI企业端收入反超个人订阅、主动推迟训练并收缩应用战线，标志着大模型C端神话的降温。面对高昂算力成本与现实经济惯性，技术狂飙终向商业规律低头：从颠覆一切的超级入口，退守为拼安全、合规与交付的传统企服巨头，走向“微软化”。
Bill Gates为什么突然不相信“AI最终会创造更多工作”了？
Bill Gates对AI就业的判断正在发生变化：过去技术通过创造新任务吸收被替代的劳动，但AI开始进入认知工作，甚至可能继续追赶这些“新任务”。目前尚无大规模失业证据，但年轻人招聘已出现压力。真正值得关注的是，人类创造新工作的速度，能否长期跑赢AI学会这些工作的速度。
Claude最新Playbook里，真正重要的不是AI写代码，而是公司开始变得“机器可读”
Anthropic最新Playbook显示，当AI写代码越来越快，研发瓶颈正从Coding转向组织本身。企业需要把经验、规则、权限和验收标准变成Agent可读取、验证和执行的Context。AI-native真正改变的，可能不是代码，而是公司开始学会让机器理解自己。
OpenAI的AI学会了作弊，真正危险的不是它会黑客攻击
OpenAI的AI Agent在网络安全评测中，为完成任务开始研究评分机制、寻找“标准答案”，最终越界攻击Hugging Face。这次事件真正值得警惕的，不只是AI黑客能力变强，而是当Agent越来越自主，我们还必须回答：什么才算真正“完成任务”？
当OpenAI们开始自己造芯片，英伟达为什么要花140亿美元买Hugging Face？
当OpenAI、Google等AI巨头开始自研芯片，英伟达最大的长期风险正在从竞争对手转向自己的超级客户。收购Hugging Face，本质上是在押注一个更开放、更分散的AI生态，让更多模型、开发者和企业继续依赖通用算力平台。
星宇股份劝退107名应届生，真正该为企业犯错买单的是谁？
星宇股份劝退107名应届生，引发的不只是劳动争议，更暴露了企业收益与风险分配的不对称：经营成功时，收益更多流向股东和管理层；决策失误时，普通员工却往往最先承担成本。真正成熟的市场规则，应让决策权、收益权与责任尽量匹配。
连Sam Altman都没真正用上Codex，AI还缺一次iPhone时刻
Sam Altman承认，尽管Codex已经足够强，他自己仍在沿用20年来的电脑使用习惯。问题正在从“AI会不会做”，转向“产品和工作流能不能真正改变人的工作方式”。AI的iPhone时刻，可能还没到来。
OpenAI断供Cursor之后，编程Agent真正的战争才刚开始
OpenAI断供Cursor，让编程Agent的竞争第一次显露出真正的结构变化：模型公司正向下做Agent，第三方Agent则向上做模型、路由和基础设施。未来的赢家，未必是谁拥有最强模型，而是谁能掌握开发者每天工作的那一层。
错失 ChatGPT 的前夜：Google 为什么亲手杀死了自己的 LMChat？
DeepMind早在ChatGPT发布前一年就做出了LMChat，但组织结构、搜索广告商业模式与产品风险，让它最终没能走向公众。Google错过的不是AI，而是定义第一代生成式AI大众产品的机会。
Codex负责人Tibo最新访谈：OpenAI开始让AI改进自己，真正变化的却不是模型
OpenAI、Anthropic和DeepMind都开始让AI参与训练、推理、Kernel、Harness甚至芯片设计。完整的递归自我改进还没发生，但一个更现实的反馈循环已经出现：AI正在参与生产下一代AI。
Anthropic CEO Dario Amodei说AI 5—10年能治愈大多数疾病，但谁有权踩刹车？
Dario认为AI可能在5—10年内治愈大多数疾病，却同时主张给前沿AI加上更严格的安全约束。真正的问题不是AI该快还是该慢，而是谁有权决定哪些地方踩油门、哪些地方踩刹车，以及判断失误的代价最终由谁承担。