2026 年 7 月 29 日 · 周三

OpenAI 表示，随着前沿模型研发加速到某个阶段，世界可能需要调节 AI 进展速度，并希望与美国政府、其他实验室和开源社区一起开发相应工具和机制。

Anthropic 支持一份由 CEO、联合创始人和高级员工签署的 petition，并把上月关于 recursive self-improvement 的研究作为需要 deliberately pace 前沿 AI 发展的理由。

Bindu 反讽 OpenAI 和 Anthropic 的风险叙事，认为 Kimi K3 已公开 24 小时并未造成他们暗示的灾难，质疑这是营销式恐惧传播。

她进一步把 pacing 放到中美和开源竞争语境中：如果美国闭源模型真的放慢，GLM 5.5 等模型可能迅速追上，开源会在九月前占据上风。

Zack 承认 AI 和 open-weight 模型会被用于严重网络攻击，但认为禁模型并不能解决问题，反而只会让少数闭源公司受益。

Aaron Levie 从企业侧观察 AI 就业影响，认为当前并未出现预言中的大规模负面就业结果，企业反而在招聘能用 AI 解决新问题的人。

Anthropic 发布研究称 Claude Mythos Preview 帮助发现密码算法弱点，包括数字签名方案和对称加密算法中的问题。

在 AES 的弱化版本上，Mythos Preview 一周内找到可将攻击速度提升 200 到 800 倍的方法，但不影响完整 AES。

在面向后量子安全的 HAWK 数字签名方案上，Mythos Preview 用 60 小时发现未知攻击，使该方案的 key strength 减半。

Greg 宣布 OpenAI 开源 Codex Security CLI，把 coding agent 的安全能力包装成开发者可直接使用的命令行工具。

Zack 给出更朴素的安全建议：担心 AI 对网络安全影响的人，应推动雇主给安全团队投入更多资源，这比泛泛恐慌更有用。

Guillermo Rauch 借 Kimi 论文强调 agent 运行时安全边界：container 级隔离不够，实验中 agent 可导致宿主机 kernel panic，Firecracker microVM 更安全。

他还引用最新 benchmarks，称 Grok 4.5 在 cybersecurity AI 的 price-performance 上表现突出，以接近 Kimi 的性能给出更低成本。

OpenAI 称 coding agents 正在帮助科学家把时间从维护、优化和系统重构中释放出来，但研究者仍需定义科学问题、验证结果并承担长期所有权。

Logan 发布 Gemini Managed Agents API 更新：支持 Environment hooks、指定 3.6 Flash、UI 和 API 免费层，并把默认 agent 更新到 3.6 Flash。

Greg 提醒 ChatGPT Work 的能力被低估，向用户征集真正让人意识到 Work 能做什么的 prompt。

Thibault 称 Codex 和 ChatGPT Work 付费用户的使用限制已重置，这条高互动消息说明 Work 与 Codex 已形成活跃重度用户群。

Peter Yang 记录 OpenAI DevEx 的 Codex 案例：骑车时用手机远程让 Codex 修改发布视频，并每 30 分钟检查 Slack 反馈继续导出新版本。

Peter Steinberger 描述 agent 对 agent 的协作场景：一个 agent 报 bug，另一个 agent 当晚修复，认为 robobun setup 很像未来工作流。

Bindu 称 Gemini Flash 3.6 在 research 上表现突出，质量接近 Sol 5.6 且便宜 70%，认为终于找到 Gemini 擅长的明确类别。

她反对用一个 AI 处理所有任务，给出按场景选择模型的清单，并主张自动路由到最适合的模型。

Swyx 认为按 input/output token 计价已不再是关键成本指标，严肃评估应把横轴切换到每个任务的成本。

Aaron Levie 用一句话标记 K3 weights 到来，外部 builder feed 中对 Kimi K3 的讨论与关注列表里的开源竞争叙事互相呼应。

Amjad Masad 把 AI agent 能搜索的算法、程序、证明和设计空间称为 computational universe，认为这一代人会进入新的探索时代。

Fei-Fei Li 发布 World Labs 早期成果，强调 spatial intelligence 不只是感知和生成虚拟、物理世界，还要能与这些世界交互并训练机器人。

R2S2R 的 Real-to-Sim 部分把物理机器人、传感器、环境、物体和交互转换成保留任务相关动态的仿真，不只复制外观，也复制行为。

借助 generative world models，一个真实物理任务可以转成多个可控、可复用世界，让机器人团队更快训练 policy model、提前发现失败并减少硬件实验成本。

R2S2R 的 Sim-to-Real 部分用对齐后的世界训练策略，策略完全在仿真中训练，无真实世界数据，随后迁移到多种机器人平台并长时间自主运行。

她还强调仿真对齐能扩展评测：同样的失败行为和结果可在虚拟与物理世界中复现，从而提升覆盖度、降低迭代成本。

Andrew Ng 宣布 LearnVector，计划用 AI 把学习从 one-to-many 改为 one-to-one，强调可信内容、个性化路径和减少 chatbot 式 cognitive offloading。

OpenAI 开放 Student Collective 申请，面向本科 Campus Leads，提供培训、资金、credits、周边和全球同伴社区。

Greg 转发 OpenAI Campus Lead 招募，强调学生可以与 OpenAI 团队合作，并获得实践训练、资金、credits 和全球社区资源。

Rowan 摘录 Mark Zuckerberg 对 Meta superintelligence lab 的组织原则：50 到 100 人、席位珍贵、扁平结构、少管理层，并由本人直接招募顶尖研究者。

Alex Kruger 分享内部领导例会结构：固定节奏、计时器、会议执法者、scorecard、OKR、people headlines、to-dos、issues 和书面评分。

Madhu Guru 认为好的产品评审不是状态同步，而是用一小时压缩数月学习，前提是房间里的人真正懂领域、有产品判断并敢表达强观点。

Timnit Gebru 批评 Democracy Now 给她认为涉及种族灭绝辩护的人提供平台，矛头指向所谓左翼媒体在全球受害者议题上的选择性叙事。

她继续追问，遭受种族灭绝和 gaslighting 的受害者，是否因为施害叙事被包装成西方左右二分中的 left，就只能沉默承受。

Lex 发布与美国内战历史学家 Gary Gallagher 的长谈，主题覆盖奴隶制、Lincoln、Grant、Lee、Lost Cause、Confederate Flag 和美国政治撕裂的历史脉络。