Michael Guo (@Michaelzsguo)

好莱坞著名影星本·阿弗莱克（Ben Affleck）讲起 AI 来，居然头头是道，各种专业名词随手拈来。 在 GQ 这段访谈里，他从卷积神经网络、Transformer、张量，一路聊到反向传播、注意力层、感知机、推理，以及随机性计算和确定性计算的区别。中间还穿插着 Python、GPU、边缘检测、特征提取、训练数据标注。主持人听到一半忍不住打趣：谢谢你这样跟我讲，仿佛我真的听得懂。 他是怎么走到这一步的？ 按他自己的讲述，他从小就喜欢电脑。后来电影制作从胶片转向数字，他开始更深入地接触技术。在创办 Artists Equity 之前，他还经营过一家小型视觉特效公司，经常接触 GPU 和机器学习。 他学 AI，是从电影里的画面怎么处理开始的。一帧图像可以表示成张量，里面包含帧编号、每个像素的 RGB 数值等信息。通过卷积神经网络识别边缘、提取特征，就能判断窗台在哪里，帮助绿幕抠像、替换背景。他也会自己写 Python 脚本，不过按他自己的评价，编程水平挺烂的。 后来，特效团队告诉他，Google 和 OpenAI 正在用 Transformer 做一些很有意思的视频技术。他就直接联系这些公司，问能不能去看看。 第一次看到生成视频的效果，他受到的冲击很大，马上给马特·达蒙打电话，觉得他们的职业可能要完了。一度甚至想着，趁现在赶紧把还能拍的电影拍完。 但他没有停留在这个震撼里。接下来，他又和工程团队坐下来，研究训练数据、标注方式，以及这些系统到底能控制到什么程度。 他发现，生成出来的画面虽然逼真，但控制性和一致性仍然存在问题。你要求移动摄像机，模型有时会直接在画面里生成一台摄像机。对普通观众来说，一段惊艳的视频可能已经足够；但对电影制作来说，镜头、场景和连续性都得能够按照创作者的意图精确调整。 研究数据的过程中，他觉得技术团队忽略了一件事：电影拍摄本身就能产生大量有组织的原始数据。与网上抓取的压缩视频相比，专业拍摄流程里还有很多可以主动采集、组织和利用的信息。 于是，他拿出资金，另外成立了一家公司，花了好几个月构建自己的数据集。按他的描述，团队使用大量摄像机、激光雷达和定位设备，结合 Unreal 引擎与虚拟摄影棚，采集用于 AI 图像生成的数据。他随后招募了工程师、推理专家、数据架构师和视觉特效人员，把这件事继续做下去。 他特别在意训练数据的来源。拿同行的作品训练模型，再告诉对方模型的部分能力来自他们的创作，他觉得不舒服。他希望通过自己制作数据，减少对这类素材的依赖，也让电影人对使用这些工具更安心。 这家公司就是 InnerPositive，现在已经被 Netflix 收购。能看出来的是，他已经真正参与到数据、技术团队和产品用途的讨论里，而不只是为公司挂个名字。 他对当今最热门的话题 AI 安全也有自己的看法。他不认同 AI 必然变成“天网”、接管世界的说法，但很警惕把不可预测的系统放进涉及人生死的决策中，比如武器目标选择、自动安保。 他的理解是，我们过去习惯了像计算器一样工作的电脑，期待它每次都给出确定的结果。生成式 AI 的工作方式不同，输出具有随机性，不能因为它经常表现得很好，就把关键控制权交给它。 至于创作者对 AI 的恐惧，他觉得完全可以理解。一个人被告知自己的饭碗即将被取代，当然会担心。科技公司一边宣称要消灭大量工作，一边又期待大家热情拥抱自己的产品，这本身就很难说得通。 他还提出了一个判断未来预测的方法：先看看这个人过去的预测，究竟兑现了多少。宣布人类即将完蛋，很容易获得关注；真正把工具做得可控、让使用者放心，需要更具体的工作。 他还把 AI 安全落到了公司的责任上：如果你的产品伤害了别人，公司就得承担法律责任。在他看来，这是约束这场技术竞赛的重要力量。企业有动力不断提升能力、抢市场、赚更多钱，也必须为产品造成的后果负责。

在 Lenny’s Podcast 的这期访谈里，Tibo Sottiaux 被问到给职场新人的建议时，提到了他们团队里的一个年轻工程师Ahmed Ibrahim。 Ahmed 一年前加入 OpenAI 时还是应届毕业生。按 Tibo 的描述，他现在已经负责应用业务的算力集群，也参与搭建了大量 Codex 的运行框架，很快就承担起了相当重的责任。 Tibo 对他的评价很具体：待人友善，善于合作，主动解决真正重要的问题，不把自己放在第一位。他还像海绵一样吸收知识，什么都愿意学，并且用最新技术帮助自己学习。Tibo 说，那种学习速度是他以前没见过的。 听下来，这些素质，有没有 AI 都是成功的关键。AI 带来的变化，是让一个有好奇心、愿意学习的年轻人，拥有了更快成长的条件。而他能不能赢得信任、承担更大的责任，仍然离不开做事和待人的方式。

Be like Ben Affleck: >>Share a bank account with Matt Damon before either of them makes it, helping each other get through the early years.Interview >>At 25, win an Oscar for writing Good Will Hunting together. >>At 28, already a Hollywood star, co-found LivePlanet with Matt and two other partners. >>Create Project Greenlight, giving first-time filmmakers an opportunity and showing audiences what making a movie actually takes. >>Earn Emmy nominations for each of its first three seasons. >>Move behind the camera. Direct Gone Baby Gone and The Town. >>At 40, win your second Oscar as a producer of Argo, a film you also directed and starred in. >>Build Pearl Street with Matt, co-producing films including Jason Bourne and Manchester by the Sea. >>Reunite to write The Last Duel with Nicole Holofcener, then act in it together under Ridley Scott. >>At 50, co-found Artists Equity with Matt and RedBird Capital. >>Become CEO. Matt becomes Chief Content Officer. >>Build a studio that expands profit participation to the crews behind the camera. >>Make data-informed distribution decisions part of the business from day one. >>Launch the studio with AIR. Direct it, play Nike founder Phil Knight, and cast Matt as the executive pursuing Michael Jordan. >>Produce, direct and star in Dunkin’s first Super Bowl commercial, too. >>Meanwhile, quietly found an AI filmmaking company, InterPositive, in 2022. >>Bring engineers, researchers and filmmakers onto a controlled soundstage to shoot proprietary training data. >>Build models around visual logic, editorial consistency and the production problems you know firsthand: missing shots, background replacements and incorrect lighting. >>Design the tools so filmmakers retain control over creative decisions. >>In 2026, sell InterPositive to Netflix in a deal reported at $587 million, and join Netflix as a senior advisor. From sharing a bank account to sharing an Oscar to building studios together. Matt has been his friend, writing partner, co-star and business partner across decades. That makes Ben’s command of AI much easier to understand. He has spent his career learning how movies get written, financed, shot and finished. Then he built a technology company around the problems he already understood.

两个星期前，我的 Jev 股票交易员，把我交给它的 10 万美元做到了将近 21 万美元，基本翻倍，大幅跑赢同期 S&P 约 60% 的涨幅。 今天又用 AWS 的本地模型 Strands Decider 2B，也就是亚马逊一个类似 Jev 的模型，重跑了同一段股票交易。结果只赚了 4 万美元，涨幅 39%。 表现比 Jev 差不少，但速度比 Jev 还快。当然，本地跑也不用花钱买 token。 Strands Decider 是一个开源的 2B 参数决策模型，基于 Qwen3.5-2B，专门用于结构化判断，而不是生成长文本。它接收： - 一段状态描述 - 明确的问题 - 可选答案或评分标准 然后返回概率、分类或分数，例如“买入/跳过”“持有/卖出”。它支持本地运行，使用 /v1/systemone API，在 Mac MPS 上单次判断约 0.35 秒。

Lauren Tan @poteto 是 Cursor 的工程师，之前在 Meta 做 React Compiler，也在 Netflix 做过 tech lead 和工程经理。 她加入 Cursor 只有五个月。第一个月还在熟悉代码库，上个月已经合入了 1000 个 PR。这个月才过去 12 天，她又合入了接近 800 个。 这不是 AI slop code，而是你每天都在使用的 Cursor 的代码。 很多人，包括 Claude Code 的 Boris，都提过自己借助 coding agent 达到了类似的效率。但真正愿意把工作方法完整分享出来的人并不多。Lauren 在这个一小时的视频里，几乎是手把手讲了她怎么走到这一步。 她认为，用 AI coding 最大的问题不是生成代码，而是验证代码。 如果 agent 不能自己运行产品、操作界面、读取 CPU trace 和 heap snapshot、打开模拟器并复现问题，那么最后还是要由你来检查结果。你就是整个流程的 verifier，也是无法并行工作的瓶颈。 Lauren 的做法，是先给 agent 建立完整的验证能力：让它能通过 Chrome DevTools 或模拟器实际操作产品，再用 feature map 告诉它每个功能在哪里、怎么进入。这样即使同事只丢来一张截图，或者一句很模糊的 bug 描述，agent 也能找到对应功能，复现问题并验证修复。 每当她发现 agent 在猜测、漏读代码或走错方向，就把这个失败模式写成一条 skill。然后像测试代码一样测试这些 skill：让多个 sub-agent 分别执行任务，由 coordinator 制定 rubric，再让另一个模型交叉检查评分，反复迭代到结果足够稳定。 现在，她甚至允许 agent 自动合并 PR。有一天早上醒来，已经有 20 个 PR 自动进入 main；她直接在 main 上检查，结果都没有问题。 这套方法不是简单的提示词技巧，更像做工程管理：先设计好环境、流程和验收机制，再让团队并行工作。只不过这支团队，现在由几十个 coding agent 组成。

bilibili这集北航 90 后副教授何静讲的人工智能第一课，确实够直白。“3 岁小孩都能听懂”，还真不是夸张。 B 站上有何静这样的Up主持续分享，难怪口碑越来越好。甚至有人开始说超越了油管。不管怎么样，国内想学 AI 的人也有福了，不用翻墙去油管。

国内和国外学校在王虹获奖后给出的评价可谓是截然不同。 北大教授/同学对王虹的评价： 不是竞赛生，不是最亮眼的，班上小透明，但是及其自律，勤奋，肯下苦功，靠长期坚持实现逆袭。 MIT博导评价王虹: 具有慢而深的研究特质，不被传统束缚，能创新方法找到前人未发现的突破口 巴黎理工学院老师评价王虹：直觉罕见，远超同年级所有学生，快速攻克超纲难题 是及其罕见的天赋，韧性，思维深度拉满的学生。 北大的教授，评价王虹仍然是从她没有竞赛背景出发，没有天赋，强调她是靠勤奋实现“逆袭” 美国和法国的导师都盛赞王虹的天赋异禀，思维深度，直觉，和韧性。

Moonshot AI, the company behind Kimi, has four core founders. Their backgrounds are unusually strong: - Founder and CEO Yang Zhilin studied computer science at Tsinghua before earning his PhD from Carnegie Mellon. He was the first author of Transformer-XL and XLNet, and previously worked at FAIR and Google Brain. - Co-founder and CTO Zhang Yutao earned his PhD in computer science from Tsinghua. His earlier work covered knowledge graphs and AMiner, and he previously co-founded Recurrent AI with Yang. - Co-founder Wu Yuxin studied at Tsinghua and CMU before joining FAIR. He worked with Kaiming He on Group Normalization and also created Detectron2. - Co-founder Zhou Xinyu studied computer science at Tsinghua and later joined Megvii, where he worked on turning research algorithms into production systems and co-authored ShuffleNet. They all share one root: Tsinghua University. Tsinghua is widely regarded as one of China’s top universities. In the latest U.S. News Best Global Universities ranking, it reached No. 6 worldwide. Its influence on China’s AI industry extends well beyond Moonshot. the company behind the GLM models, also grew out of Tsinghua. Its co-founder and chief scientist, Tang Jie, was once Yang Zhilin’s teacher. There is also a more personal connection. Yang and Zhou formed a rock band together at Tsinghua. Moonshot AI’s Chinese name, 月之暗面, comes from Pink Floyd’s album The Dark Side of the Moon, one of Yang’s favorites. Kimi may look like a young AI company. Behind it is a much older network of classmates, teachers, research labs, and friendships.

当 AI 和世界还没有今天这么喧闹的时候，一个名叫 Andrej Karpathy 的年轻人，戴着那时还很时髦的 Google Glass，骑着自行车，从他上学的斯坦福，去他实习的 Google，一边骑，一边录了一段 vlog。 视频拍于 2013 年。那时他还是斯坦福博士生，在 Google 实习，做的项目是 deep learning：搭神经网络，让它理解图片和视频。拍摄工具是 Google Glass。他还自己给它写了应用，出门就戴着。他最喜欢的游戏是玩魔方，其实是他休息的方式。 斯坦福 计算机系的走廊，是 Larry Page 和 Sergey Brin 当年读博时走过的同一条。第一台 Google 服务器，也曾在这栋楼的地下室运行过。 Palo Alto 的路，到今天还是他当年记录的那个样子，破得很稳定。加州人有钱，但就是不用来修路。该咋地咋地。 到了 Google，园区还是那种这家公司刚刚长出来的感觉：餐厅、共享自行车、来参观的游客，还有一头恐龙雕塑。那时的 Google 还在三驾马车（Eric Schmidt带着两个founder）年代，除了 Google Glass，还在做 Google 气球和自动驾驶。 那个年代好像已经很远了。 当年连 Andrej 都要辛苦搭起来的神经网络，现在应该已经很容易了吧。 如果你对那个年代的斯坦福、Google 和 Palo Alto 好奇，这条视频是一个稀有的窗口。

谷歌这个视频创意满满。 让美国国父们用 Google 的 Office 全家桶，包括 Docs、Calendar、Email、Chat 和视频会议，协作完成《独立宣言》。 堪称杰作。

两年多前，Google 联合创始人 Sergey Brin 也曾站在 AGI House，承认 Google 在大模型上落后了，并说要追赶回来。 后来的结果大家都看到了：Gemini 一路追上来，半年前 Gemini 3 发布时，Google 至少在很多维度重新回到了第一梯队。 但六个月后，局面又变了。 这一次，仍然战斗在一线的 Sergey 再次回到 AGI House，做了一场新的 Q&A：他怎么看 AGI 和超级智能，怎么看 Transformer、世界模型和 AI for Science，Google 为什么现在重仓 coding agent，他和 Demis、Corey 在 Gemini 上到底怎么分工，以及他是否还相信 Google 能再追上来。 下面划重点： Google 重新把 coding 放到最高优先级之一。 Sergey 承认，他们可能更早就该深度关注 coding。现在 Google 已经非常专注于这个方向。 他对 Gemini 仍然有信心，但也承认竞争对手在 coding 上进步很快。 他提到，某些模型在长时间、深度 coding 任务上表现很好；而 Gemini Flash 的优势在于速度，适合交互式快速迭代。 他认为 AGI 的关键不只是“会回答问题”，而是能自我改进。 他个人更倾向于把 AGI 理解为一种能够改进自己的 AI，而不是单纯“什么人类任务都能做”。 世界模型很重要，尤其是如果 AI 要进入物理世界。 如果 AI 要做人类能做的事，就必须理解世界、预测行动后果，并和现实世界互动，这会延伸到机器人、多模态和视频模型。 Transformer 可能还没到头。 他认为 Transformer 已经从文本扩展到图像、视频等场景，而且不断演化。类似 Transformer 的架构，有可能继续走向 AGI。 他在 Google 内部的角色更像“推动者”而不是正式负责人。 Corey、Demis 等人负责组织和交付，Sergey 则不断追问团队有没有漏掉重要方向、有没有低估某些优先级。 他对“AI 会取代人类意义”没那么悲观。 他用国际象棋和围棋举例：机器超过人类后，人类并没有停止下棋，反而借助 AI 变得更强。 整体听下来，你能看到 Google 内部现在的真实焦虑和重心：AGI、自我改进、coding agent、世界模型，以及用 AI 来构建下一代 AI。 （中文字幕视频）

Alisa Liu 拿到了OpenAI AI 的offer，很大程度上当然是因为她本身背景非常强，但也离不开她为面试准备时用到的这些资源。 在她博客的最后，她列出了自己用来准备面试的资源。 这不是一份随机的“学 AI”清单。它其实很好地对应了 AI research / MTS 岗位的面试考察范围： LeetCode 75 / NeetCode Blind 75：通用编码能力 Stanford CS336：从零构建语言模型 Self-Attention & Transformers：attention 机制 The Illustrated GPT-2：对 decoder-only LM 的可视化直觉 Backpropagation：梯度机制 Policy Gradient for LMs：把 RL 概念映射到语言模型 GRPO guide：现代 RL 训练直觉 How to Scale Your Model：系统与扩展判断力 AI 面试考察的似乎不只是 research taste，还会考你能不能在压力下实现、推导、解释、debug，并对系统做出判断。

@dotey FDE在AI时代流行，是因为企业不再只需要会写代码的人，而是需要能把客户问题、产品判断和软件实现连在一起的人。 AI降低了写代码的门槛，但也放大了真实场景、业务理解、系统集成和落地判断的重要性。 所以FDE本质上站在三个交叉点：懂客户，懂产品，也能亲手把方案做出来。

OpenAI 推出了能够让Agent长时间连续运行的 /goal。不少人已经成功实践。 Peter Steinberger 的一项 Goal 已经运行了 11 小时 31 分钟。@ynkzlk 也分享了一次真实案例：他的 Codex /goal 连续运行 6 小时 44 分钟，中间 laptop 关闭、暂停 5 个多小时，回来后 Codex 自动恢复执行，最终完成任务。他的博客详细介绍了他是怎么做到的。 第一，/goal 帮他做了什么？ 他把一个 TypeScript monorepo 里的语音访谈系统交给 Codex，让它验证并修复多个端到端场景。整个任务跑了 6 小时 44 分钟，真正模型计算时间大约 41 分钟，累计输入约 680 万 tokens，cache hit rate 约 94%，最后状态是 TASK_COMPLETE。四个目标场景全部通过验证。 第二，/goal 能成功运行的关键是什么？ 不是“让 agent 自己想办法”，而是 upfront contract 写得足够清楚。作者的结构化的prompt 大约 600 字，包含明确目标、先读哪些文件、工作规则、完成标准、以及不能走的歪路。尤其重要的是 done_when，也就是任务什么时候算完成。没有这个，agent 要么过早宣布完成，要么一直绕圈。 第三，什么任务不适合用 /goal？ 不适合探索型任务，不适合成功标准不清楚的任务，不适合安全敏感路径，不适合依赖外部系统但你还没确认可行性的任务，也不适合十分钟就能交互完成的小任务。作者的判断很实用：如果一个任务本来就不需要跨越两个以上 session，那大概率不需要 /goal。 我觉得这才是 agentic engineering 的关键变化：人不再只是边看边改的 supervisor，而更像 architect。你先写清楚目标、边界、完成条件和失败模式，然后让 agent 长时间执行。Codex的/goal其实也是在考验我们能不能把一个模糊问题，变成一个 agent 可以独立执行、验证、收尾的工程 contract的能力。

another important question for software engineering: Do you still use sprint agile development process? what do you still use sprints for if execution (coding) is no longer the bottleneck? If meaningful progress now happens in hours or days with agents, what problem is the two-week sprint actually solving for your team today?