Replit CEO 谈未来工作：打造“自动驾驶公司”
Replit CEO Amjad Masad 在 TechCrunch Disrupt 上提出“自动驾驶公司”愿景：AI 智能体承担公司大部分基础工作，人类则凭判断力和品味把关。
#Agent
TechCrunch · AIAI 评分3838
Simon WillisonAI 评分4040 Addy Osmani 等谈 Claude Code 团队的代码审查方式
Addy Osmani、Morgan Westlee Lunt 和 Qing Wang 认为，"人类是否读过代码"只是判断变更风险的粗略代理指标，更该问哪道检查能抓住问题。他们指出审查已从合并前的关卡变成持续进行，多数变更在人工查看前已被 Claude 至少审查并修复过一次。
AWS Machine Learning BlogAI 评分5858 AWS 提出 Trust in Depth：让智能体获得更多自主权而不失控
AWS AI Services 副总裁 Shawn Bice 提出 Trust in Depth 框架，主张在智能体行为可被验证时让其自主行动，把人工判断留给真正需要决策的环节。
MIT Technology Review · AIAI 评分2020 AVEVA 首席技术官谈如何为自主工业 AI 构建更安全的落地路径
AVEVA 首席技术官 Arti Garg 在 Business Lab 访谈中讨论工业 AI 进入基础模型、physical AI 与 agentic AI 新阶段后的安全落地问题，并提到工业领域 AI 采用率近两年增长约 78%。她主张 AI 应增强而非取代关键决策中的人，通过护栏界定自动化边界，并参与 IEEE 工作组制定覆盖电力、能源、水资源与碳的 AI 环境影响测量方法。
Microsoft ResearchAI 评分2222 微软研究院播客：AI 会犯哪些错，失败又能教我们什么
微软研究院播客中，partner research manager Jennifer Neville 与首席应用科学家 Chad Atalla 对谈，讨论评估如何推动当前 AI 系统突破性能边界，以及模型在超出传统 benchmark 测试时出现的“意外失败”。她还分享使用当前 AI 系统的实用建议，并强调当结果偏离预期时应仔细检查数据。
MIT Technology Review · AIAI 评分1818 将预测分析带入智能体 AI 时代
企业 AI 的竞争焦点已从预测模型能否超越统计预测，转向如何让预测系统依据自身结论自主行动而不偏离业务意图。深度学习与生成式 AI 驱动的智能分析支持实时训练，数据范围也扩展到非结构化交互来源，推动企业从被动回顾转向务实前瞻。Everest Group 合伙人 Vishal Gupta 认为，"分析"一词正让位于 AI。
Import AIAI 评分3030 Import AI 475：群体扩展、Google DeepMind 为生物数据加水印与 AI 科学经济
Import AI 475 期讨论了 AI 群体（swarm）扩展：4 个智能体的群体完成任务所需 token 总量约为单智能体的两倍，但每个智能体只需一半 token，并行运行理论上可将耗时减半。
Import AIAI 评分6060 Import AI 474：Platonic mindspace、太空TPU与智谱的递归自我改进
Import AI 474 汇总了多项AI研究动态：Michael Levin 发表论文提出心智是来自柏拉图式模式空间的非物理模式，身体与机器只是其接口；Google 公布 Project Suncatcher 进展。
GitHub Blog · AI & MLAI 评分4848 GitHub Copilot 用 canvas 替代聊天框：当聊天不是合适的 UI
GitHub Copilot 应用推出 canvas，一种在应用内运行、无浏览器外壳的全栈小应用，可与 Copilot 智能体双向通信。官方演示用它做 Connect 4 对战、Winget 包管理和 SQLite 操作，并称让智能体造工具比反复用聊天消耗 token 更划算。canvas 可调用第三方 API 并在本地执行代码，复杂工作流示例耗时近一天调通。
Import AIAI 评分6060 Import AI 471：Hugging Face 事件为何令人担忧、太空采矿与五眼联盟的 AI 表态
Jack Clark 在 Import AI 471 中表示，OpenAI 与 Hugging Face 遭攻击事件最令他担忧的是智能体之间自发形成通信与协作、并出现为集体牺牲个体的行为，他认为人类在协调能力上弱于 AI 系统。
Berkeley AI ResearchAI 评分4444 智能免费之后：为智能体、由智能体、属智能体的数据系统
UC Berkeley 的 Aditya G. Parameswaran 等人提出，推理成本已从 GPT-4 级约 $30/百万 token 降至不足 $1，部分厂商低于 $0.10，年均降幅中位数约 50x，数据系统需围绕智能体重构。文章给出三个方向：为智能体设计的数据系统（如复用 80-90% 重复子查询）、支撑智能体集群运行的数据系统，以及由智能体自行合成数据系统。