本期的主旋律很集中：AI 圈又回到两个基本问题。第一，模型该不该开放，开放以后到底是削弱商业化，还是放大算力、品牌、生态和应用分发。Yann LeCun、Bindu Reddy、Emad、Aaron Levie 从不同角度把同一条线索讲得很清楚：真正的竞争不只是模型权重本身，而是扩散速度、部署成本、生态密度和政策叙事。
第二，agent 正在从演示走向工作入口。ChatGPT Work 这组信号值得单独看：Greg Brockman 强调云端运行让 agent 不再被本地电脑绑住，Thibault 的连续帖子把它描述成一种语音委派和信息整理工作流，Peter Yang 的例子则说明低门槛应用生成已经进入家庭和教育场景。
还有一条暗线是评测从行业 benchmark 转向个人任务和真实边界。Zack Korman、Guillermo Rauch、Zara Zhang 都在讲同一个判断：模型强弱不能只看总榜，要看它在你的任务、你的安全边界、你的工作流里是否真的可用。
开放权重不再只是技术路线之争，而是商业模式、政策攻防和算力需求的共同战场。
LeCun 反问把开源称为倾销是否站得住脚，并列举 Linux、Apache、MySQL、HTTP、OpenSSL、PyTorch、Llama 等基础设施，强调开放软件一直是技术生态的根。
Emad 认为 Stable Diffusion 的开放权重是加速主义事件，反而带来了巨大 capex 需求。开放不是反商业，可能会放大基础设施投入。
他进一步判断 K3 等开源模型会利好 compute 和 RAM：更多人能做 inference，就意味着更大的高性能算力需求。
Bindu 预测 OpenAI 和 Anthropic 会推动限制 open source AI，并把这解释为大型闭源实验室试图守住垄断收益的政策动作。
Bindu 认为开源 AI 公司可以赚大钱：开源模型带来品牌扩散、第三方托管、API 收入、订阅回流和使用数据，DeepSeek 与 MiniMax 是她引用的估值样本。
Levie 认为模型 gate keeping 很难大规模奏效。中国模型已接近前沿，正确应对不是封锁生态，而是在安全前提下保持进步、推动技术扩散和建设基础设施。
Levie 把 AI 生态的价值拆到模型定制、企业应用、垂直领域实验室和新基础设施等层次，判断价值不会只被少数前沿实验室拿走。
从 cyber 到个人 eval set，模型比较正在从排行榜转向真实任务边界。
Bindu 给出按场景选模型的清单：design、chat、agentic、PDF、image、video、voice、music 各有不同最优解，核心判断是自动路由比单模型崇拜更实用。
Zack 用自己的 cyber task 测 Qwen-3.8-preview，结论很负面：Grok 4.5、GPT-5.6、GLM-5.2、Opus-4.8 加一个提示能做出来，Qwen 则在任务里打转。
Zack 认为 cybersecurity 正被 AI 政策争论当作棋子：从“模型太危险”到“中国开放权重 sleeper agents”，很多说法来自非安全领域人士，服务的是议程而非安全本身。
Rauch 基于内部 stealth evals 称 Kimi K3 在 cybersecurity 上达到 top-tier，Sol 也有明显跃迁，但 Fable 拒答严重。结论是前沿开放权重的防御性 cyber 能力已经到来。
Zara 建议每个人建立自己的 personal eval set，用日常工作和生活中的真实任务去摸模型能力边界，而不是只依赖行业 benchmark。
Chollet 用一句回复点出他期待的新范式：symbolic learning。它和当天关于训练、推理成本下降的判断一起，指向“当前堆栈不是终局”。
Agent 的产品形态正在从本地工具变成云端工作流入口，语音委派、移动端和自动整理是高频信号。
Greg 强调 ChatGPT Work 的关键特性是云端运行：手机可用、合上电脑也能继续，让 agent 从“必须开着笔记本”转向持续在线的工作入口。
Thibault 说自己的工作基本变成了委派给 ChatGPT Work，尤其离不开 dictation，让它接手大量事务。
他展示了一段语音委派：让 ChatGPT Work 从大量 Twitter DM 中筛选早测申请、整理链接、文本、使用场景分类和成熟度评分，最后生成 spreadsheet。
他把 ChatGPT Work 的用途概括为建站托管、邮件管理、文档山总结、创建 docs、sheet 和 slides，并强调已在移动端和网页版可用。
Peter Yang 和 8 岁孩子用 ChatGPT Site 做乘法表学习应用，包含动物角色、音乐和限时 boss 关，说明 AI 应用生成正在进入家庭教育场景。
围绕 AI 的长期变量仍是成本曲线、科学能力、人才分布和模型层是否商品化。
Chollet 认为当前 AI 争论都假设 frontier training 会永远昂贵，但未来 AI 不会建立在今天这套原始 stack 上，训练和推理都会变得极其便宜。
Emad 用美国核动力航母 130 亿美元造价作参照，判断美国为 AGI dominance 和国防投入花掉更多钱并不意外。
Greg 说自己感到数学进展到了分水岭，科学和医疗突破似乎已经很近，能真正改善人的生活。
Matt Turck 用一句话讽刺“模型层正在商品化”的反复叙事：2024、2025、2026 都这么说，但模型层仍没有真正商品化。
Swyx 提醒外界低估了欧洲 AI 工程人才密度，并把即将到来的活动视作一个全球 AI 人才竞技场。