Michael Guo (@Michaelzsguo)

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?