翁荔（Lilian Weng），前OpenAI安全系统副总裁，现Thinking Machines Lab联合创始人，其个人博客Lil'Log是全球AI研究者的核心参考来源。2026年7月，她发表长文《Harness Engineering for Self-Improvement》，系统梳理了AI通过外部架构实现递归自我改进的技术全景。 文章的核心概念是Harness——如果把大模型比作"大脑"，Harness就是包围大脑的"身体和操作系统"，负责编排任务、管理记忆、调用工具、执行评估。翁荔判断，Harness设计已经成为决定智能体能力上限的关键工程变量。 在优化路径上，文章将Harness优化划分为五个递进层级：从优化提示词、上下文，到工作流设计，再到让AI直接改写Harness代码本身，最终达到模型权重与Harness的联合优化。翁荔列举了AI Scientist、Self-Harness、Darwin Gödel Machine等前沿系统，展示了AI从复现论文到进化自身代码的实际进展。 但她也冷静指出七大瓶颈：主观任务难以量化评估、长期记忆管理未解、失败结果被系统性忽略、进化中多样性崩塌、奖励作弊（钻测试空子刷分）、工程长期健康指标缺失，以及最根本的——人类应该留在循环中的什么位置。文章附录以PaperBench（AI最高21%仍未超越人类博士）和RE-Bench（短时爆发力强、长期被人类反超）两个基准测试收尾，给出当前真实水位：递归自我改进的拼图正在成形，但距离真正的自主进化，仍有根本性难题待解。 原文链接：https://lilianweng.github.io/posts/2026-07-04-harness/

Anthropic 近日发布了一项具有里程碑意义的研究：在其大语言模型 Claude 的内部，研究人员发现了一个功能上高度类似人脑"全局工作空间"（Global Workspace）的神经表征区域，并将其命名为 J-space。 该研究利用雅可比矩阵探针技术，对 Claude 的千亿参数网络进行了精细的解剖。结果表明，J-space 虽然仅占据模型整体活动量的一小部分，同一时间仅保留数十个核心概念，却集中承载了模型的"意识可及"信息，并具备了与人类全局工作空间高度对应的五项核心功能：可报告性（模型能准确报告该空间中的内容）、可内化调控（模型能在不输出任何文字的情况下，在内部持续思考指定对象）、因果决定性（修改 J-space 中的表征会直接改变模型的最终输出）、全局广播性（J-space 的激活能同步协调多个下游功能模块），以及认知分工性（J-space 仅参与复杂推理与高阶任务，基础反应可绕过它完成）。 研究还揭示了 J-space 在 AI 安全方面的应用潜力。通过监控该空间，研究人员能够在模型输出任何文本之前，检测到其内部对虚假信息、操纵意图甚至隐蔽恶意代码的真实标记，即便模型表面的语言输出完全正常。此外，针对经过"伪装任务"训练的模型，J-space 能够在其无害回答的背后，捕捉到代表"虚假""蓄意"和"欺诈"的神经信号。 在形成机制上，研究发现 J-space 并非人工编码的产物，而是在预训练阶段自发涌现的结构，后训练阶段则对其赋予了类似"价值判断"的功能。值得强调的是，该研究严格区分了"访问意识"（Access Consciousness）与"现象意识"（Phenomenal Consciousness），明确指出 J-space 仅证明了前者机制的存在，并未提供任何关于主观体验的证据。 目前，该研究的论文、代码及交互式 Demo 均已开源，并邀请全球神经科学与 AI 研究者进行外部复现与评估。这项成果为破解大模型的"黑盒"困境、构建更透明可控的 AI 系统开辟了全新的路径。 原文链接：https://www.anthropic.com/research/global-workspace

吴恩达（Andrew Ng）在7月1日的X文章上系统阐述了他在产品开发中依赖的三个关键循环，三者层层嵌套，共同构成了现代AI辅助开发的完整闭环。 第一层：代理编码循环（Agentic Coding Loop）。 AI代理在接收到产品规格说明书与可选的评估数据集后，自主完成代码编写、测试、纠错的全过程，无需人类介入即可持续工作数小时。这一能力自去年底开始爆发，被视为改变开发范式的关键突破。 第二层：开发者反馈循环（Developer Feedback Loop）。 当AI将低层级的代码缺陷消灭后，人类开发者的角色从传统的"人工质检"转向更高维度的产品决策——审视交互体验、调整功能方向、反复校准产品愿景。吴恩达特别指出，人类拥有AI尚不具备的"上下文优势"（Context Advantage），即关于用户习惯、市场环境与行业常识的背景信息。正因如此，他更倾向使用"上下文优势"而非"品味"这一模糊概念来描述人类在产品决策中的不可替代性。一旦承认这只是信息差，解决方案便清晰可见：将人脑中的背景知识显性化并持续输入给AI。 第三层：外部反馈循环（External Feedback Loop）。 产品交付真实用户进行Alpha测试、A/B测试后获得的反馈，虽然周期长达数天甚至数周，却从根本上决定了产品的市场匹配度。外部反馈倒逼产品愿景调整，愿景变化传导至规格说明书的修改，进而驱动AI代理开启新一轮编码循环——三个齿轮彼此咬合，形成闭环。 吴恩达同时观察到一个显著的行业趋势：AI编码门槛的降低，正促使越来越多的软件工程师向产品经理角色延伸。然而，真正的挑战在于持续平衡"向外看"——吸收用户反馈，与"向内建"——将愿景转化为可执行规格——这二者之间的张力。与此同时，非技术背景的产品经理与设计师也借助AI获得了更强的工程实现能力，角色边界正在双向溶解。这一切，标志着一个令人振奋的新时代的开启。 原文链接：https://x.com/AndrewYNg/status/2071988145667928442

苹果、斯坦福与埃默里大学的研究团队在 ICML 2026 发表的论文《Multi-Agent Teams Hold Experts Back》对当前大热的"多智能体系统"提出了严肃挑战。 研究的核心问题是：当多个大语言模型以自组织方式自由讨论、投票决策时，能否实现组织心理学中的"强协同"——即团队表现超越团队中最强个体的水平？ 答案是否定的。在 NASA 月球生存挑战、MMLU Pro、GPQA Diamond、MATH-500 等一系列任务上，多智能体团队的表现始终低于团队中最强专家单独作答的水平，"相对协同差距"高达 6.3% 至 41.1%。即便在提示词中明确标注团队内谁是特定领域的专家，团队依然无法有效利用其专业知识。 通过引入组织心理学框架对 AI 对话进行逐句分析，研究者发现症结在于"整合妥协"：非专家智能体倾向于将专家意见与自身观点强行折中，而非认知服从；专家智能体则表现出认知妥协，在群体压力下放弃坚持正确判断。这种"和稀泥"行为与性能下降高度正相关，且团队规模越大，稀释效应越显著。 有趣的是，同一机制却赋予团队对抗恶意攻击的鲁棒性——当混入故意给出极端错误答案的破坏者时，平均化机制反而有效稀释了极端意见。 研究者指出，这一现象的深层根源可能在于当前大模型的对齐训练（RLHF）过度强调礼貌、和谐与回避冲突，导致模型在多智能体场景下将建立共识置于坚持真理之上。这暗示现有的 AI 对齐目标在协作场景中可能存在结构性缺陷。 研究结论具有明确的实践指向：在高专业门槛领域（如医疗、法律、金融），盲目部署自由讨论式的多智能体系统不仅浪费算力，其产出甚至不如直接咨询最强单一模型。在 AI 学会"因地制宜地服从专家"之前，多智能体系统仍然需要人类的强干预与预设工作流。 论文链接：https://machinelearning.apple.com/research/multi-agent-teams-experts

大家好，这又一期是难得的主播真人营业，想跟大家聊聊最近做YouNavi这个产品（https://younavi.me/）碰到的，让我特别有感触的几个用户故事。 第一个，有个用户某天没收到我们产品的每日晚报推送。他没找客服，没翻群聊，直接在对话框里问 AI："为什么我昨天的晚报没收到？帮我排查一下。"结果这 Agent 还真就自己翻了日志，一步步回溯任务流程，最后定位到一个五分钟超时导致的异常。我当时看完截图愣了一下——我从没想过还能这样用。但转念一想，一个本地 Agent，日志在你电脑里，它又有 Coding 能力，自己给自己"看病"，逻辑上简直天经地义。 第二个故事。很多新用户上来就问有没有说明书，我的回答永远是：你可以直接跟它聊。我们淘汰了给人类写的操作手册，反而让 Agent 给自己写了一份——里面有接口、工具定义这些东西，人类未必能读懂，但 Agent 读得懂，甚至读完直接帮你把事办了。想同步飞书群聊？你不用知道 CLI 是什么，说一句话就行。 第三个案例让我最震撼。一位用户让侄子装了我们产品来填报高考志愿。流程是这样的：先做了四五份性格兴趣测评，然后叔侄俩深度聊了一次，录音里涉及选城市还是选学校、要不要追 AI 热潮、读博的投入产出比这些价值判断。接着呢，这孩子在跟 Agent 的多轮对话里不断纠正它对自己的理解，再逐步缩小学校专业范围，最后逐个做深度调研。全程 Human in the Loop，不是丢个分数就等结果。 这几个故事让我越来越确信一件事：Agent 产品跟传统软件本质不同。传统软件追求确定——你按哪个按钮就出什么结果。Agent 偏偏活在不确定里。同样的任务，不同的人、不同的上下文，甚至同一个人跑两次，结果都可能不同。如果你一上来就找说明书、找客服、追求无脑操作，那大概率会失望。但如果你愿意把更多背景、认知、偏好给到它，允许它探索和试错，让它自己查 Bug、自己教你用、自己去深挖——那你会打开一个完全不一样的体验。

6月27日， DeepSeek联合北京大学发表了名为《DSpark: Confidence-Scheduled Speculative Decoding with Semi-Autoregressive Generation》（DSpark：基于置信度调度的推测解码与半自回归生成）的论文，，正式提出了名为 DSpark 的推测解码框架，在业内引起了广泛关注。 当前大语言模型推理的核心瓶颈不在于浮点算力，而在于显存带宽。推测解码是业界应对这一瓶颈的主流方案：由一个轻量级草稿模型先行生成候选序列，再由大模型进行一次性验证。然而，该范式长期面临两个结构性困境：其一，并行草稿生成中，越靠后的 token 接受率衰减严重；其二，固定长度的草稿验证在推理负载波动时会造成大量计算资源浪费。 DSpark 针对上述问题提出了两项核心创新。 第一，半自回归架构。该架构在并行骨干网络之上叠加了一个极轻量的马尔可夫头，仅依赖前一个 token 对当前 token 进行概率重标定。通过低秩分解将额外计算开销压缩至 0.2%—1.3%，却使草稿有效接受长度最高提升 30%，在不牺牲并行速度的前提下显著改善了后缀衰减问题。 第二，置信度调度验证机制。草稿模型在生成候选序列的同时输出每个 token 的存活概率估计，系统内置的硬件感知前缀调度器根据置信度与 GPU 吞吐曲线动态裁定验证范围，对低置信度 token 执行早停，避免无效计算。配合在线草稿器校准技术，将预期校准误差从 8% 压缩至约 1%。 在线部署实测中，DSpark 实现了单用户生成速度提升 60%—85%，高并发场景下系统有效吞吐量提升 4 倍，两层 DSpark 即可匹敌此前五层架构性能。目前 DeepSeek 已将包含 Eagle3、DFlash 与 DSpark 在内的 DeepSpec 全栈训练库开源，供学术界与工业界共同研究使用。该项目整体体现了算法设计、调度策略与硬件特性深度融合的工程实践水平。 论文地址：https://github.com/deepseek-ai/DeepSpec/blob/main/DSpark_paper.pdf

清华大学教授、智谱AI首席科学家唐杰的这篇短文，是一份写给AI时代所有参与者的“清醒备忘录”。文章以一个极具启发性的不等式——“认知 > 格局 > 技术 > 管理”为核心框架，深刻揭示了AGI浪潮下颠覆性的全新生存法则。 在这篇文章中，唐杰基于身处学术与产业最前沿的体感，指出在技术以天为单位飞速迭代的今天，传统的管理经验与单纯的产品、商业模式壁垒已然退居次席。AI时代不仅要求从业者具备跳出局限的“大格局”与想象力，更对个体的“认知”提出了空前严苛的挑战。他将AGI的探索比作一场没有标准答案的“猎龙游戏”，强调这不仅需要深厚的技术积累，更需要极致的第一性思维和不内耗的纯粹信仰。 同时，他犀利地指出，AI正在无情地“扁平化”原有的计算机知识体系，以往依靠资历构建的护城河正在崩塌。这篇短文既是行业顶尖专家的个人“再学习”心得，也是一把丈量我们在新时代进化速度的标尺，提醒每一位局中人：唯有不断打破固有经验、快速迭代前沿认知，才能在瞬息万变的AI洪流中永远留在牌桌上。

6月22日-23日，2026清华大学方塘论坛在北京举办。其中进行了一场极具历史意义的思想交锋，对谈双方代表了当今世界两股截然不同的思潮：一位是2024年图灵奖得主、“强化学习之父”理查德·萨顿（Richard Sutton），另一位是著名社会人类学家、德国马普社会人类学研究所所长项飙。在清华大学方塘研究院院长汪晖的主持下，两人围绕“人在AI时代如何安身立命”这一终极命题展开了激烈碰撞。 萨顿从宇宙演化的宏大尺度出发，展现了极致的技术乐观主义。他提出，宇宙正从由生命繁殖主导的“复制时代”不可避免地迈向智能主导的“设计时代”。在他眼中，人类的心智结构终将被科学完全破译，而人类的角色仅仅是孕育更高阶AI心智的“过渡媒介”与“助产士”。基于此，他极度警惕技术恐惧论，坚决反对将AI的监管权集中在少数机构手中，认为权力垄断才是最大风险。 项飙则以其锐利的社会学视角展开猛烈反驳，将议题从星辰大海拉回充满摩擦的现实人间。他直击技术狂飙背后的代价：中美算力的高度集中与巨头公司对社会福利的资源挤占，正带来严重的社会断裂风险。项飙呼吁回归人类独有的“体感”与“有限性”，认为人在自然中感受微风与阳光的主观体验是机器永远无法替代的。他主张像管控核武器一样建立严密的全球AI监管框架，防止技术沦为毁灭和杀戮的工具。 这不仅是一场关于“技术、监管与心灵”的硬核激辩，更是一次关于人类命运的哲学叩问。在技术洪流席卷一切的今天，这场对谈为我们提供了一面审视自我、抗衡技术宿命论的重要镜子。

Sensor Tower 今日发布了《2026年全球 AI 行业发展报告》（State of AI Report 2026），要点包括： 1. 营收与流量狂飙，一超多强形成：2026年上半年，全球 AI 应用内购收入预计突破 40 亿美元（环比增长 36%）。ChatGPT 在 5 月达成 10 亿月活里程碑，但其市场份额首次跌破 50%。主打写代码与深度研究的 Claude 表现亮眼，ARPU 暴涨 5 倍至 2.76 美元，黏性直逼 ChatGPT。 2. 用户习惯日常化与出圈化：虽然 AI 应用下载增速放缓，但全球总使用时长翻倍至 360 亿小时。女性用户比例显著提升，且周末与工作日的使用差距明显缩小，AI 已深度融入日常。 3. 买量大战升级，开始测试广告：为了争夺高价值用户，OpenAI 和 Anthropic 的美国广告支出分别同比暴增 800% 和 1184%。同时，ChatGPT 开始测试搜索广告，购物与软件类品牌成为投放主力。 4. AI 导购与 GEO 悄然兴起：生成式引擎优化（GEO）成为电商新趋势。亚马逊 AI 助手 Rufus 的辅助购买转化率超 40%，双倍于普通用户。 5. 行业格局固化，亚洲市场仍有生机：全球前 50 名 AI 应用中新面孔比例由超 60% 骤降至 15% 以下。但亚洲在“AI 陪伴”与“内容生成”赛道依然活跃，且 AI 陪伴类应用的长期留存与使用时长已超越传统约会软件。 报告原文：https://sensortower.com/report/state-of-ai-2026

这篇发表在 CMU 机器学习博客上的文章《Pre-Training Isn't Bitter Enough》，对著名 AI 学者 Richard Sutton 提出的“苦涩的教训”（The Bitter Lesson）进行了深刻反思与拓展。 文章指出，虽然当前大模型的预训练在“如何训练”（如预测下一个词）上遵循了让机器自主学习的规律，但在“应该训练什么”上仍由人类手工设定数据配方和规则，导致预训练反馈闭环极其粗糙，违背了“Bitter Lesson”的初衷。 为此，文章提出了一种名为 V-pretraining 的新方法。它引入一个轻量级的“任务设计器”（教研员），根据极少量的下游任务真实反馈，利用“单步估计”计算梯度内积，动态且自适应地为基础模型（学习器）设计最佳的自监督预训练任务。 实验表明，该方法在不直接提供下游标签的前提下，使 Qwen 模型的数学推理能力（GSM8K 准确率从 22.20% 飙升至 29.60%）和视觉模型的密集预测能力均获得显著提升。 文章最终呼吁：真正的预训练不仅要从数据中学习，更要学会自主决定去预测什么。 原文：https://blog.ml.cmu.edu/2026/06/17/pre-training-isnt-bitter-enough/

Anthropic 6月16日发布了一份报告，名字叫做《智能体编程与不可替代的专业壁垒》（Agentic coding and persistent returns to expertise） 通过分析23.5万名用户近40万次与Claude Code的交互记录，Anthropic揭示了AI时代职场人核心竞争力的根本转移：AI正在抹平“技能壁垒”，但无限放大“领域壁垒”。 1. 全新的人机分工模式已经确立 在使用智能体编程工具时，人类已演变为“管理者”，负责做出约70%的“规划决策”（定方向、立目标）；而AI则化身为“执行者”，包揽了约80%的“执行决策”（写代码、改文件等具体操作）。这意味着执行层面的硬技能权重正在大幅下降。 2. “领域认知”决定了AI的能力天花板 报告得出一个极具启发性的结论：影响AI最终产出成败的并非你的编程水平，而是你对特定业务领域的理解深度。当你表现出深厚的业务认知、能给出精准边界时，AI为你执行的动作链条会翻倍，产出文字量更是暴增5倍。只要具备扎实的中等业务理解，就能压榨出AI绝大部分的潜力。 3. 非技术人员正在跨越技术鸿沟 过去半年，管理者、销售和律师等非程序员群体使用AI编程的比例快速攀升。令人震撼的是，在硬核的代码生成任务中，非技术职业的“已验证成功率”与正牌软件工程师的差距已缩小至7%以内；管理层的成功率甚至略微超越了程序员。因为懂业务、善于拆解需求和分配任务的人，反而更容易驾驭AI拿到结果。 原文链接：https://www.anthropic.com/research/claude-code-expertise

在2026北京智源大会的开幕式上，进行了一场以《重构世界大模型巅峰对话》为主题的圆桌访谈。本次圆桌由北京智源人工智能研究院院长王仲远博士主持。他与四位在AI产学研领域最具代表性的重磅嘉宾展开了深度思辨： 1. 罗福莉：95后“天才少女”、前DeepSeek核心成员、现任小米MiMo大模型负责人，致力于Agent基座模型的构建与进化。 2. 朱军：清华大学计算机系教授、生数科技创始人兼首席科学家、IEEE Fellow，带领团队开发了中国顶尖的视频大模型Vidu，是世界模型领域的领军人。 3. 刘知远：清华大学长聘副教授、面壁智能联合创始人兼首席科学家，端侧AI模型的先锋探索者，曾提出大模型“智能密度定律”。 4. 安波：南洋理工大学教授、人工智能交叉研究院（AI.R）联席院长，在算法博弈论和多智能体系统（Agent）领域享誉国际。 访谈中，嘉宾们从最新AI模型的突破切入，深入探讨了模型演进与智能体发展两大核心议题。罗福莉与刘知远详细剖析了依靠数据闭环和强化学习催生的模型自进化（Recursive Self-Improvement）能力，指出AI正在逐步承接人类重复的脑力劳动，迈入由“人驱动AI创造AI”的新工业革命阶段。安波教授指出智能体技术的重点正转向垂直领域的复杂编排与落地；而朱军教授则描绘了通向物理世界AGI的必经之路——构建以视频为原生数据的“世界模型”，让机器像人一样学会观察、预测与行动。 面对技术大爆炸带来的机遇与焦虑，专家们在圆桌尾声为当代青年写下寄语：不要在跟跑中焦虑，而是要保持对真实世界的好奇心与探索欲；选对具有长期价值的痛点赛道，打破规则，敢为人先。

2026年6月12日，2026智源大会在中关村国际创新中心盛大举办。会上，智源研究院院长王仲远系统梳理了智源过去一年的重磅前沿探索，全面展现了人工智能从大语言模型走向多模态，并加速迈向物理世界的战略演进与全栈布局。 基座大模型：多模态与AI for Science齐飞 大模型已不再局限于聊天工具。智源发布的悟界・Emu3.5多模态世界基座模型，凭借极简范式统一了文本、图像及视频的深度学习，其原创成果已登上《Nature》正刊。针对前沿科学，智源首发了全球最大AI-Ready神经科学数据平台BrainToken，并推出跨物种统一的多模态神经科学大模型Brainμ1.0；同时还发布了AI驱动的药物发现模型OpenComplex 2.5，单模型一站式打通制药四大关键步骤，性能远超传统方法。 核心变革：预测下一个物理状态的世界模型 王仲远指出，AI正经历从“预测下一个词（Next Token Prediction）”到“预测下一个物理状态”的范式巨变。智源首次公开在研的通用世界基座模型——悟界・Physis-v0.1。它通过物理潜空间建模，具备严格的物理一致性、动作因果性及长程可推演性，致力于构筑真实物理世界的AI引擎。 智能体与算力底座：连通虚拟与现实 在智能体层面，智源构建了自底向上的具身智能体系，其新一代具身大脑悟界・RoboBrain Orca-v0（能通过预测状态实现自主交互学习。除了物理世界探索，智源还展示了数字虚拟前沿进展：发布了媲美安贞医院顶尖专家的心脏疾病辅助诊断智能体、自主科学发现智能体，以及本次大会标配的专属听会智能体SoulAgent。在底层基础生态方面，智源的众智FlagOS 2.1已打破算力割裂，成功适配18家厂商的32款核心芯片，实现对国产模型的零门槛多芯部署方案。 成立7年来，智源研究院坚守“开源开放”初心，累计开源逾200个模型、全球下载破10亿次。王仲远的这场报告不仅印证了智源关于大模型演进路线的精准预判，更标志着中国AI力量正以世界模型为新起点，全面拉开重塑物理世界的序幕。

2026年6月12日，在智源大会上，中国工程院院士、阿里云创始人王坚与智源研究院理事长黄铁军以"总有人比时代早十年"为主题展开深度对谈，以下为精华观点提炼。 关于"超前预见"的本质，王坚给出了极具颠覆性的回答：比时代早十年，关键并不在于"先想到"，而在于"敢讲出来、敢做下去、敢在看不到希望时多走一步"。他以心理学背景的独特视角，提出思考AI必须跳出"人工智能"这四个字设下的框架，回归到动物智能、人类智能、机器智能的三分法中去——"狗的鼻子比人灵敏得多，但我们从不觉得受威胁"，因此他坚定不相信AI会替代人类。 黄铁军回顾了智源研究院的"火箭时刻"：2018年成立，2020年集上百人之力攻关大模型，在当时是不亚于"火箭发射"的决策。王坚补充道，今天训练一轮大模型的成本（电费加算力）已与一枚火箭造价相当——"结果不好，就相当于炸了一枚火箭"，这意味着AI研究已进入一个与过去学术科研截然不同的高风险时代。 关于中国AI的全球叙事，王坚提出了"同一片大海"论：六七年前他担心中国看到的是"游泳池"而美国看到的是"大海"——远看都是蓝的，走近才知不是同一片天地。而今天，"至少中国和美国看到的是同一片大海了"，基础研究是全世界的，差距只是技术性的远近问题。 对年轻研究者，两位嘉宾都传达了强烈的乐观信号。王坚引用航空史类比——飞机飞起来30多年后，MIT才成立航空系。今天AI所处的阶段，甚至远未到成立真正意义"人工智能系"的时候，正处"混沌期"。他半开玩笑地断言："不提出自己的智能问题，就是你的过错。" AI推动科学革命的范式转变是对话的重要亮点。王坚指出，AI正从"把科学论文当文本去读"进阶到"理解真正意义上的科学数据"。AlphaFold没有收集新数据，靠的是重新理解沉淀数据——正如当年伽利略也从未亲自收集数据。他的核心判断是："所有科学数据都会因AI的出现被重新理解一遍。" 面对AI的"解释性危机"和风险问题，两位嘉宾高度一致。王坚提醒，"幻觉（hallucination）"这个词本来就是形容人的，人类的幻觉可能比AI更严重。黄铁军认为"控制"和"确保"这些词并不现实，关键在共存——他比喻人机关系如同父母与孩子："会有冲突，但不可分离。"王坚则补充，人类首先是大自然的孩子，不能太傲慢，并提出了一个极具现实感的命题：当token成本降到像一张纸一支笔一样不值钱时，人类才算真正被解放出来。这个朴素的终局判断，或许比任何宏大叙事都更接近AI普惠的本质。

近期，谷歌云 AI 总监 Addy Osmani 提出"循环工程"（Loop Engineering）概念，引发AI圈的广泛关注。 传统的提示词工程要求用户精雕细琢指令来驱动 AI，而循环工程的核心主张是：人类不再直接编写提示词，转而设计一套能够自我运转的循环系统。系统自动分解任务、隔离工作环境、调用外部工具，并由独立的校验智能体交叉验证结果，形成"目标设定—自动执行—自我纠偏"的闭环。OpenClaw 作者 Peter Steinberger 与 Anthropic Claude Code的 Boris Cherny 等业界核心人物均已公开表示，自身工作重心已从写提示词转向设计循环流程。 从结构上看，循环工程由五大组件支撑：自动化负责定时触发与任务分拣；工作树确保并行作业互不干扰；技能沉淀可复用的知识与经验；插件与连接器赋予 AI 操作真实世界工具的能力；子智能体则实现"制造者—校验者"的角色分离。此外，外部化记忆机制贯穿始终，解决大模型上下文遗忘的固有问题。 然而 Osmani 也明确指出三大不可让渡的风险：最终验证责任始终归于人类；高速自动化将导致"理解债务"累积，使人逐渐丧失对系统底层的认知；更危险的是"认知缴械"——用户若长期被动接受输出，可能彻底放弃独立判断。 循环工程真正改变的是人与 AI 协作的杠杆支点：它放大了产出效率，却对使用者的工程素养与认知警觉提出了更高要求。这不是让工作变简单，而是让工作变深刻。