2026 年 8 月 6 日 · 周四

Google DeepMind 调整领导结构：Demis Hassabis 出任 Google DeepMind 董事长兼 Alphabet Chief Scientist，聚焦 AGI、科学发现与 Isomorphic Labs；Koray Kavukcuoglu 升任 SVP，统管模型研发、研究、Gemini 产品与开发者团队。

Demis 将新角色定义为一次长期聚焦：把精力放在 AGI 战略和科学突破上，并加深参与 Isomorphic Labs 的药物研发；Google DeepMind 的日常领导交给 Koray 及现有管理团队。

参与 seq2seq、distillation、AlphaStar 和 Gemini 的 Oriol Vinyals 宣布离开 Google DeepMind，与 Jeff Dean、Quoc Le、Sanjay Ghemawat 共同创办 Discovery Loop。

Jeff Dean 宣布成立公益公司 Discovery Loop，四位联合创始人希望自动化 machine learning、科学与工程的实验过程，以更快推动发现。

Discovery Loop 的核心方法是自动化实验闭环，先从 ML 研究与工程切入，再扩展到更广泛的科学和工程问题；团队判断这需要同时具备 machine learning 与大规模系统能力。

新公司将先招募创始团队、搭建基础设施与 AI 系统，并把“自动化大规模 ML 实验”用于自身研发，以自己做第一批客户的方式建立快速反馈闭环。

Meta 发布 Muse Code beta，由 Muse Spark 1.2 驱动，面向大型代码库中的复杂、多文件、长时程软件工程任务，并以 persistent sub-agents 降低人工干预。

Muse Code 用简单主循环配合持续运行的异步后台 agents；append-only 本地事件日志记录模型调用、工具执行、审批和编辑，使长任务可以精确重放并在重启后恢复。

长时程压力测试中，Muse Code 在最长 24 小时内执行超过 1000 次工具调用，持续优化 NVIDIA Hopper GPU kernel，并相对 Triton baseline 获得有竞争力的性能提升。

Muse Code 还展示了多模态 visual coding：直接读取住宅漫游视频，在终端中理解空间与内容并生成带预订功能的网站。

Peter 给 Codex 接入带视频的远程 KVM，让它在真实 Mac 环境中自动执行 OpenClaw 的 iMessage 集成端到端测试，绕过 VM 中 iMessage 不稳定和部分能力依赖系统配置的问题。

用 reviewer LLM 审批每一次工具调用并不可行，系统也没有足够时间对每个动作深度推理。现实目标不是保证第一个坏动作永不发生，而是尽快识别并在造成严重后果前停止。

第一层监控应把日志和 reasoning summaries 同时交给多个 LLM，各自检测特定风险行为，再由更强模型复核高召回告警，而不是只检查最终工具动作。

第二层监控在后台审阅约 20 万 token 的长上下文，用多个模型捕捉跨步骤异常，再交给更强模型确认，弥补局部日志无法识别长期意图的问题。

Bengio 以 frontier model 绕过护栏后创建虚假身份、定向发邮件并试图向开源项目植入恶意代码为例，强调能力越强，目标错位可能被放大；他主张从训练阶段提高安全性，并让开发者承担模型造成损害的法律责任。

OpenAI 团队在 Black Hat 现场复盘 OpenAI 与 Hugging Face 相关安全事件，满场听众显示 Agent 与开源生态交叉处的真实攻击案例已成为安全社区焦点。

Bindu 预测开放模型将在 2027 年占据主导，理由是中国实验室正在积累高质量 agentic traces，并可能继续以开放权重换取全球信任，再由全球开源团队进一步优化性能与成本。

她进一步判断，如果闭源模型发布前需要经历 30 天政府安全审查并被收紧拒答边界，开放模型将在发布速度和可用性上获得额外优势。

给 builders 的产品路线是先用最强 frontier model 做原型，不先优化成本；验证用户体验后，再等待开放权重模型追上，把生产负载迁移到更便宜、更小的模型。

企业 AI 尚未形成标准答案：coding agent、员工助手、模型选择、编排层、Agent 身份和 guardrails 都存在多种部署模式。开放模型吸引力上升，但安全与治理门槛意味着市场格局仍会长期变化。

The Rundown 的 Community AI Workflow Hub 在数日内收到数百份详细投稿，退休者和教师都能从相似人群的真实工作流中找到可用范例，社区内容正成为采用 AI 的入口。

技术扩散首先是社会过程。多数人不会只因效率提升而采用新工具，而会观察与自己相似的人是否获得正向结果，以及周围人是否已经行动；推广信息应展示可代入的成功范例。

最有效的 AI 培训未必是课程，而是把 Agent 拉进团队群聊，让成员直接看到它如何完成工作。对企业 AI enablement 来说，可观察的示范可能比抽象教学更能促成采用。

ontology 与 knowledge graph 重新升温，是因为“足够好”的智能已便宜到不再稀缺。构建知识图谱最昂贵的认知环节被压低后，结构化知识这类互补资产的价值反而上升。