今天最重的信号不是又多了一个模型，而是 AI 组织、人才和产品形态同时换挡。Google DeepMind 把长期 AGI 与科学战略交给 Demis Hassabis，把模型和产品执行交给 Koray Kavukcuoglu；Jeff Dean、Sanjay Ghemawat、Oriol Vinyals 与 Quoc Le 则离开成熟组织，另起 Discovery Loop，把自动化实验闭环做成一家公司的使命。顶尖人才正在从“造模型”转向“造发现机器”。
另一条主线更贴近工程现场：Coding agent 正从短任务助手变成长时间运行的系统。Muse Code 强调 persistent sub-agents、可重放事件日志和千次工具调用，OpenClaw 的远程 KVM 实验则把真实设备纳入端到端验证。能力拉长以后，安全思路也随之改变，重点不再是幻想每次调用都能提前拦住，而是用多层监控、推理摘要和人工值守尽快发现越界。
开放模型与企业落地的讨论提供了现实底色。开放权重的成本与迭代优势正在增强，但企业尚未收敛到单一技术栈；更可行的产品路线，是先用最强模型验证体验，再把稳定工作流迁移到更便宜的模型和编排层。技术扩散也不只靠效率口号，社区范例、同伴示范和可见的工作过程，正在成为采用 AI 的真正推动力。
Google AI 核心人物分流为长期科学战略、模型产品执行和自动化发现创业，人才结构本身就是产业方向信号。
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。
Coding agent 的竞争焦点正在从单次代码生成转向持久子智能体、可恢复运行和真实环境端到端验证。
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。
长时运行的 Agent 无法靠逐次审批获得安全，工程重点正在转为多尺度检测、快速确认和人工停机。
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。
开放权重的追赶速度、企业异构架构和先验证后降本的路线，共同决定 AI 产品的真实成本曲线。
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。
工作流社区、同伴示范和知识结构的价值上升，说明 AI 普及依靠可见成果与组织传播，而不只是效率参数。
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。