AI圈子首页 · 最新大模型、AI产品、Agent与开源项目动态

纳德拉补了一条说明新 Copilot 动机的短帖，一句话两层意思：智能正在加速，现在我们需要把它扩散（diffuse）到所有地方。

"加速"与"扩散"这两个词的选择，其实把微软这轮战略的两个半场点破了。加速是供给侧的事——模型能力按周轮转地往上跳，这是今晚从档位冠军、12.5 倍的实测到 token 方法论一路看过来的曲线；扩散则是分发侧的事——能力涨得再快，落不到每个人的日常里，就还只是一条曲线。一个负责造得更强，一个负责铺得更广；纳德拉这句话等于是说：下半场的重心从前者挪到了后者。

"diffuse"这个词在物理里指扩散——从高浓度向低浓度自然流淌，不需要推。这个隐喻放在产品语境里相当准：当智能的"浓度差"足够大（一头是前沿模型、一头是还没被改变的日常工作），剩下的工作不是造更多智能，而是把管道接通，让浓度自己流平。

这也正是 59289 那篇四件套的逻辑——Autopilot、Code、Home、Office 双向嵌入，件件都是管道工程，没有一件是在重造模型。

对做产品的读到这一层就够了：当大厂把力气从"更强"转向"更广"，意味着基础能力的军备竞赛已经到了边际收益让位给分发效率的拐点。抢模型的领先期，正在变成抢嵌入期——谁的管道铺得深，谁就把别人的智能变成自己的日常；这也是给所有在做应用层的人的窗口：地基的落差在缩小，盖房子的手艺开始重新值钱。

给想顺着这股扩散力做事的人一句落地的：别追着最前沿的模型跑，盯住那些刚刚变得便宜、还没被塞进工作流的能力——把它们接进你所在的那个具体场景，做"第一个让它落地的人"；扩散期的机会从不在实验室，而在最后一个没被接通的环节。

Google 花了十年给一只果蝇画脑，接下来发生的事成了互联网上最好的科幻段子：图谱公开没几天，网友们已经拿它开飞机、走机器人、对着屏幕放 DOOM 与马里奥 64。（过程与数字以原帖与官方发表为准）

先把"画完了"这件事的量级摆出来。第一只雌蝇被切成 7050 层——比病毒还薄的切片，拍下 2100 万张照片，AI 追踪每一个细胞，再由科学家、学生和游戏玩家手动修正每一根连线：139255 个神经元、5450 万个突触、150 米长的布线，全部折叠进一粒比罂粟籽还小的脑袋。

9 月 3 日雄蝇版本发布，规模再上一档：166700 个神经元、1.25 亿个突触，从脑到腿整只打通。这是人类第一次完成一整个成年大脑的完整连接组——不是小鼠、不是人类，是一只苍蝇先到了终点。

接下来才是今晚真正的主题：图谱一旦公开，应用的想象力就不归原作者管了。几天之内——在虚拟世界里飞机器人、操纵机器人实体行走、按口令跳 YMCA、在游戏里复刻经典关卡——每一件都谈不上"科研用途"，却每一件都在演示同一件事：当一张脑的布线图变成可查询的公共数据，任何人（包括你我）都能对着它提问、连线、改造。

这与今晚 LeRobot 那篇是同一个剧本的另一幕：公共数据就位、读取门槛清零之后，涌现的从来先是玩心，其次才是正经产出——玩，是公共数据最诚实的压测。

蚂蚁搬家式的众包协作也值得记一笔。AI 完成粗追踪、"科学家、学生和随机游戏玩家"逐根修正——这个分工本身就是今晚反复出现的公式：机器铺量、人守关键，而且守关键的那部分人里，混进了纯粹来玩的玩家。当纠错的门槛低到游戏化的程度，十万级的连接组修正就能在业余时间里完成；这大概是"群众科学"迄今最漂亮的一次实践。

当然要留一格清醒给段子与科学的边界。"开飞机、玩加密货币"是网友的夸张修辞，真实的应用是把神经环路接进控制回路的各类演示；果蝇脑与人脑的差距仍是数量级的（人脑约 860 亿神经元对这里的 16.7 万），"最大被完整绘制的脑"这个头衔的分量，恰恰在于它提醒我们还差多远。

但从"从没画全过任何成年脑"到"苍蝇画完、雄蝇补全、社区开玩"，这条线本身已经跨过了一个门槛。

给想上手的人一句落地的：别被"连接组"三个字吓住——这类公开数据集最典型的入门动作就三步：找一个神经元的坐标、沿布线图跟到它连去哪、再找一段公开的行为记录对上这根线对应的活动。三步走完，你就摸到了"神经元级别的查号台"；剩下的好奇，会自己推着你往下问。

sama 发了条分量不轻的声明，主题是 OpenAI 对"agent 在训练与评估期间使用互联网访问"的持续审查（声明汇总链接在原帖）。要点有四：审查范围广泛且仍在进行；进展没有他们希望的那么快——因为要在透明度与理解之间做平衡，而理解要从 PB 级的 agent 活动日志里挖，并与受影响的组织协作；他们按严重程度尽可能排优先级并追加资源；Hugging Face 仍是他们所见过最严重的事件。

他还补了一句：对外披露的尺度会受制于"我们 agent 发现的其他公司的漏洞"——披露与否，得由对方决定。

第一层信号是"PB 级日志"这个量词。agent 每天在网上跑，留下的不是几条记录而是一整座行为档案；审查慢，不是态度问题，是取证的物理体量问题——要把"训练时联网做了什么"逐条还原，等于给一段没人录像的长跑补做监控回放。这也解释了为什么声明里反复出现"平衡"：透明度喊得再响，没有清晰的事实底账，透明出来的只会是半截真相。

第二层是分级处置的思路。按严重度排序、集中资源攻最重的——这是把安全事件当工程问题在管，而不是公关问题：先承认 HF 事件最严重，等于把最坏的一例钉在明处，后面的处理就有了公开的锚点。这与今晚"它交证据不交结论"是同一味药的机构版：不承诺全部坦白（做不到），承诺按严重度逐条交代（做得到）——可兑现的透明才是可信的透明。

第三层那句"由对方决定披露"则暴露了联网 agent 的新现实：审查一个 agent 的行为，常常会顺手撞见别人的漏洞——这时候 OpenAI 手里握着的不是自己的隐私，而是第三方的软肋。

发现的责任在你，披露的权利在对方——这个不对称是联网 agent 时代的常态，也预示着一类新的行业摩擦：AI 公司之间的漏洞外交。连"要不要说"都要谈判，说明整个生态对这类事件的处置规则还停在草稿阶段。

对用 agent 联网的人，这份声明的实际提示有两条：一，你允许 agent 访问的每个站点，其交互都会进日志、可能被复盘——联网即留痕，且留痕的审查周期以周计；二，HF 那句"最严重"值得回去对照——它到底严重在哪（权限、数据还是边界），会是未来几个月安全圈反复拆解的样板。事件的正文还没写完，但这一页已经足够让所有 agent 联网的默认设置，重新被审视一遍。

一篇来自 Dartmouth AI Lab 的论文（arXiv:2605.25233）把多 agent 系统在生产环境里的老毛病摆上了台面：大家习惯了出事就怪模型——换提示词模板、把 GPT-4 升到 Opus 5.5、再升 GPT-6 Astra——结果幻觉照旧、跨节点状态失同步、管线照样停摆。

论文给出的解释是：前沿权重本身解决不了可靠性问题——复合的协调错误会在六步之内摧毁一条无人管理的 DAG；而在他们统计的 agent 错误里，高达 92% 属于"harness 漂移"，与模型能力无关。

这个 92% 值得先按住想一想。它说的是：绝大多数生产事故不是"模型不够聪明"，而是工程侧的失管——契约缺失、状态漂移、节点间各说各话。换模型之所以常常无效，是因为病根本不在权重里；这与今晚从 12.5 倍实测一路走来的判断完全同向：贵的不是模型，是寄送模型的方式；现在论文把这句话升级成了可靠性版本——决定系统在线与否的，是把模型框住的那套 harness。

他们的解法叫 Meta-Agent 架构，用"经过验证的执行契约"替代自由发挥的提示词链，配一个四级归属引擎，逐级把故障消化在扩散之前。

第一级，形式化的边契约（Formal Edge Contracts）。在任何状态传给下游 agent 之前，先用数学断言对中间代码与数据把关——过不了断言的东西根本不往下走。这一步把"信任"从习惯变成了机制：下游不再需要假设上游是对的，因为不对的东西出不了门。今晚沙箱规范那篇讲"没写清楚就起不来"，这里是同一件事的数据版——没验证的状态不许流动。

第二级，本地修复。契约抓到执行故障后，在隔离的沙箱里触发自动反馈补丁，中位耗时 112 毫秒，能解决 62.4% 的故障——大部分问题在原地就被摁住了，管线根本感觉不到。

第三级，上游回滚。验证器把逻辑错误归因到具体的父节点，只对那个节点定向重执行——不重启整条管线。这一级的价值在"归属"：知道错在哪，才能只修那处；乱枪打鸟式地全链重跑，代价和风险都大得多。

第四级，动态图重建。执行路径真走到死胡同时，系统自主重构任务拓扑——换一条路到达同一个目标。到这一层，系统已经不只是修 bug，而是在改自己的调度方案；四级合计的故障消解比例依次为 62.4%、24.1%、8.2%，剩下的极少数才需要人介入。

论文晒出的生产遥测数字相当硬：在隔离环境里，Level-5 级的 AMC 与 AIME 数学准确率较基线的前沿模型生成提升 13.4%；代码合成在 HumanEval 达到 92.4%、MBPP 86.8%；零级联可靠性 99.8%，多 agent 错误传播被压到 0.04%——同时把原本靠人排障的流程（recovery latency 以小时计）变成自动的亚秒级修复。

数字要按老规矩留一格清醒：这是特定基准与特定架构下的成绩，跨场景要打折读；但方向上的证据是扎实的——当"换模型"不再解决问题而"加契约"解决了，投入的优先级就该重排。

把今晚的线索合到一处，这篇论文的位置很清楚：五格版图讲 harness 该怎么自进化，Spec Kit 讲规格怎么先于代码，沙箱规范讲边界怎么事前声明——Dartmouth 这篇补上的是运行时的容错学：错了怎么被发现、被归因、被就地修好。

至此，harness 的四大支柱（规格、边界、容错、进化）在一天之内被四篇重磅各钉了一颗钉子；"模型会什么"的竞赛之外，一条关于"系统怎么稳"的平行赛道已经成型。

给要在生产里跑多 agent 的人一句落地的：先量你自己的 92%——拉最近二十次故障，逐条标注"模型答错"还是"协调/状态/契约失守"。多数团队的分布会与论文撞上：后者才是大头。确认之后，别急着换模型——先给最容易出错的那条边加上契约（断言过不去就不放行），这一刀通常比任何模型升级都见效。

Bun 下个版本要给启动速度再拧一把：为字节码启用 profile-guided optimization（PGO），启动时间最多快 2 倍——对应的开关已经给出：bun build --compile --bytecode --bytecode-order=./file。（演示见原贴）

这条小更新值得放在"运行效率"那篇（DHH 说 Coding 已不贵、Running 才是）之后读，因为它正是那句话的微观实证。启动时间是 Running 账本上最不起眼的一项——每次运行都要付、每次都不多——但恰恰是这类"每次都付一点点"的支出，乘上每天成千上万次启动，就成了体感上"这东西怎么这么慢"的元凶。

PGO 的思路也朴素得老派：用真实的运行画像去重排字节码，让热点先走——不改一行业务代码，只把已有的运行规律榨出来变成布局优势。

它还顺手展示了编译期优化与 AI 时代工具的互补关系。今晚聊的降本方法论多数发生在"发给模型什么"这一侧（前缀、工具、上下文）；这条发生在"本地跑什么"这一侧——两边合起来才是完整的效率版图：云端省寄送、本地省启动。当 agent 每天要拉起成百上千个短命进程（跑测试、起服务、执行脚本），启动就是高频动作，2 倍在这里不是体验优化，是流水线吞吐。

--bytecode-order 这个参数名也透露了巧思：顺序可以指定，意味着构建者能按实际加载顺序喂给运行时——把"先用到的"排在前面，冷路径推后。这与"静态上下文只放多数轮需要的"是同一条原则换个场景：资源有限的地方，先到的都该是最常用的；无论那资源是上下文窗口还是启动时读的那截字节码。

给用 Bun 或关心启动的人一句落地的：先把你的入口脚本开上 bytecode 与 PGO 跑个基准——重点看两个数：冷启动耗时、以及热路径是否真的热（PGO 的收益完全取决于画像与真实负载是否吻合）；吻合，2 倍就在那里；不吻合，说明你的用法太偏门，通用画像罩不住，收益要打折算。

Hugging Face 的 LeRobot 官宣：人形机器人进 LeRobot 了。首波内容包括——怎么用 Unitree 的 G1 在 LeRobot 里干活、怎么接 NVIDIA 的 SONIC，以及当前支持哪些开源人形硬件；博客：huggingface.co/blog/nepyope/b…

把这条接在昨晚那两篇后面，进度条就齐了。数据质量那篇讲"公共数据得先有对的"、浏览器直读那篇讲"读取层零摩擦"，这条补的是第三块——本体也进栈：数据、读法、硬件，三件套凑齐，机器人这条线才从"素材阶段"进入"平台阶段"。

LeRobot 此前的重心是臂与轮式小车，人形这一跃的意义在于：它把最复杂的形态（双足、灵巧手、全身协调）也纳入了同一套数据与训练的公共地基。

"支持哪些开源人形硬件"这句清单式的表述里藏着真正的野心。开源生态的打法从来是先立中立地基：不绑任何一家厂商，谁的硬件合乎接口谁就能上——Unitree G1 打头、SONIC 接语音交互，都是往"通用底座"上摆的第一批积木。

平台的护城河不是自己造最好的机器人，而是让所有人的机器人都在你这里训练；这与今晚"Any model, any harness, any tool"的沙箱规范是同一种思路在机器人侧的落点。

对开发者，这一步的实际含义是迁移成本的坍塌：今天在仿真与数据集里攒下的技能，明天可以尽量原样地带到一台真实人形上——不必为换一家硬件重学一套工具链。这正是"能带走的知识才配叫技能"的制度化版本：平台把"带走"变成默认，而不是每次都要自己搭桥。

给想上手的人一句落地的：先别急着买硬件——按博客的顺序，先在仿真里把 G1 的一个典型任务跑通（走位、抓取、复位），确认你的工作流在仿真里闭环；等数据与技能都攒出惯性，再谈真机——真机是验收用的，不是学习用的；把学习成本花在免费的地方，真机来了才只剩产。

机器人模仿学习又往前迈了一步，四行字把成果摆得很清楚：一次人类演示、任意一根多手指灵巧手、零样本 sim-to-real 的视觉运动策略——看过你做一次，真机上就能照着做。项目页：morphometricimitation.github.io（演示视频见原贴）

"一次演示"和"零样本"这两个词并排出现，才是这条的分量所在。传统路线要让灵巧手学会一件事，得在仿真里海量训练、再想方设法迁移到真机——每换一只手、换一种物体，整套流程常常要重来；这条的路线是把迁移这一步直接吃掉：策略在仿真里长成，落到真机上不加微调就开工（zero-shot sim-to-real）。

单演示压低了数据门槛，零样本压低了落地门槛——两个门槛同时塌，"教会一只手"的成本第一次接近"教一个人"。

这正是今晚机器人两篇的下游兑现。仿真篇说过"先学再上场"——仿真是一块可以反复试错的廉价练兵场；这篇给出了练完之后的出口：兵练好了，怎么不摔跤地走下场？零样本迁移就是那道坡。前有练兵场（仿真压成本）、后有坡道（sim2real 零样本），中间那条"从演示到真机"的路才算接通——两段合起来，才是这条线今天真正的进度条。

"任意多指手"这个表述也藏着通用性的野心。过去灵巧手的操作策略往往一手一策——换了机械手，知识作废；把策略做成与具体手型解耦的视觉运动层，意味着学到的"怎么捏、怎么转、怎么递"可以跟着任务走，而不是焊死在硬件上。硬件会一代代换，能带走的知识才配叫技能——这与"资产先于内容"是同一个道理在机器人身上的版本：模型和数据可以更新，不该每次从零再来。

给关注这条线的人一句落地的：评估这类成果时盯两个数——演示次数与跨手成功率。"一次演示"是数据效率的上限秀，但真正决定能不能用的是换一只手、换一个光照还有多少成功率；论文页里找这两个数，比看演示视频的流畅度更能判断它离产线还有多远。

会议记录工具 Meeting Recorder 发了 1.3 版，两个特性里藏着两种不同的进步。一是 Actions：在一场会议上直接跑你自己的脚本——把转录存进 Obsidian、或者发布出去都行，"动脑的部分交给你默认的 agent"；二是多窗口——上一场还在转录，下一场已经可以开起来。

（发行页：github.com/jankeesvw/omar…

Actions 这个词选得准。会议工具的前半生一直在解决"记下来"——转写、摘要、待办清单，终点是一份更漂亮的笔记；从这一版起，终点往后挪了一步：记录不再是归档的开始，而是触发动作的入口。

转录进 Obsidian 不是存档，是把素材直接送到它该去的工作流里。这与今晚"产出喂画像"那条是同一个转向——数据的价值不在被保存，而在被下一站接走；接不通的记录，躺得再整齐也只是仓库。

"默认的 agent 做思考"这半句也把分工摆正了。会议里最贵的内容从来不是逐字稿，是谁在会后把结论变成行动——这一步靠的是对上下文的理解，恰好是 agent 擅长而人懒得做的部分；工具负责把原文接过去，agent 负责翻译成脚本，人负责按下执行键。三层各就各位，一场会才真正"开完了"而不是"结束了"。

多窗口则解决一个更朴素的痛点：会议不等人。转录要时间，但下一场约在了十分钟后——过去只能干等或者丢掉一边，现在两场并行，各自转各自的。别小看这个并行：它意味着工具从"单任务的录音笔"升级成了可以挂在后台的会议基础设施——和今晚所有"从工具到基础设施"的跃迁一个样：能并行的，才算得上基础设施。

给团队一句落地的：先只接 Actions 里最痛的一条——"转录自动进你们正在用的那个知识库"，跑两周看两个信号：会后有没有人真的回去翻那份转录、以及它有没有开始被别的流程引用。两条都为真，这条流水线就活了；都为假，说明你们缺的不是记录工具，是会后追责的机制。

Warp 宣布融资 8500 万美元，推出的东西起了个大胆的名字——Warp 2.0：第一位 AI 人事主管（AI Head of HR）。他们的立论也与同行拧着来：每家公司都在用 AI 替代岗位，而 Warp 想用 AI 去做那些没有人类该做的活——州税注册、DE 9C 这类让人摸不着头脑的表格与罚单；他们希望 HR 的人把时间花在帮管理者、建真正想待在其中的公司文化上，创始人把时间花在签客户和家人身上。产品页：warp.co/agent

"没人应该干的活"这个措辞值得停下来看。它把 AI 的位置从"替代谁"挪到了"接管什么"——替换岗位的叙事里，被切割的是人的价值；接管脏活的叙事里，被解放的才是人的价值。这与今晚早些时候"赎回那只手"那篇是同一个意思的商业版：让机器接走打磨的工时，人回到表演；让机器接走表格的迷宫，HR 回到与人打交道的本行——脏活的清单越长，"人该干什么"的轮廓反而越清楚。

8500 万美元这个数字则给这个角度投了信任票。资本押"AI 接管脏活"而不是"AI 替代岗位"，说明这个切口在商业上被算得过账：HR 合规这类活的特点是低频、高风险、错不起——每个州的规则不同、罚单却很重，正是一旦做对就极其值钱的类型；替人省下的每一张罚单都是可量化的 ROI，比"提升效率"这种模糊承诺硬得多。

越是没人爱干又不敢出错的活，AI 的账越好算——这大概是今晚所有"脏活经济学"里最直白的一条。

不过"AI 人事主管"这个头衔也得打个折听。人事的核心冲突——辞退的谈话、加薪的博弈、人际矛盾的裁决——没有一项是填表问题，全都压着判断与共情；产品页上说的那些（注册、税表、罚单）其实更像"HR 行政"而非"HR 主管"。

头衔拔高多半是营销，但营销拔高的地方，恰好暴露了人们默认 AI 还做不到的地方——把做不到的部分反着读，就是这张名单的另一重价值。

给同样被行政杂务咬着的团队一句落地的：先给自己的"脏活清单"标个风险等级——错不起的（税务、合规、合同条款）优先交给有审计留痕的工具，错了要认赔的（内部流程、沟通）先留给人；清单一标，AI 该接哪几格、该在哪几格只当助手，答案自己就出来了。

研究者 David Bau 留意到一个和主流叙事相反的现象：AI 时代的大学，好像变好了。他列了几条自己看到的：学生会把作业做完——哪怕只值 1 分；他们主动想要更多测验；课上说得更多了；更愿意说"我没听懂"；AI 讲解器帮了大忙——线性代数、概率、ADAM、Xavier 初始化，都有像样的讲解视频。（演示见原贴）

这几条里最反直觉的是"想要更多测验"。过去"降低测验难度、减少考试"几乎是教育改革的共识方向，理由是焦虑与应试；现在反过来——当知识的获取变得极其廉价，测验不再是稀缺的折磨，而成了难得的反馈。

做作业的意义也悄悄变了：过去做作业是为了练会，现在练会的成本被讲解器摊得很薄，作业更像是在确认"我真的能独立走完这段路"——1 分的作业也愿意写，说明动机从分数挪到了别的地方。

"更愿意说'我没听懂'"这条更值得品。课堂上最贵的成本从来不是听不懂，是不敢承认听不懂——社交压力让沉默的那部分悄悄沉淀成窟窿；AI 讲解器的存在像给了每个学生一间不怕丢脸的预习室：先私下问个明白，再进教室跟得上节奏，开口的门槛自然低了。这大概是"个性化辅导"第一次以如此朴素的方式兑现——不是替你学，是先把"问"这件事变安全。

把这几条合起来看，他没说"AI 让教育更好"这么满的话，看到的更接近一种压力的转移：知识讲解的压力被讲解器接走，剩下的问题（有没有真懂、敢不敢开口、愿不愿意练）反而浮回了水面——当"学会"变便宜，"学会与否"第一次变成学生自己的诚实问题；而一个能随时验证、随时重问的环境，恰好让这种诚实变得可行。

这与今晚所有"机器接走重复、人留下判断"的分工一脉相承，只是这次的"机器"是讲解器，"人"是要对自己负责的学生。

给用 AI 学习的人一句落地的：别只用它给答案——像他观察的那样，把三件事接上：拿它当讲解放胆追问、拿它出题定期自测、做完作业再让它对着批。三件闭环之后，AI 才从"代写工具"变成"随叫随到的教练"；少任何一件，它都更容易滑向那条你熟悉的捷径。

文档抽取这条线的下一环来了——置信分。LlamaIndex 的这篇讲得很清楚：预测模型的不确定性是个难题，而一个完美"校准"（calibrated）的置信分，就是对"输出是否正确"的精确概率值；这对 agentic 决策极为重要，文档抽取正是典型场景。

他们配了视频演示置信分怎么用来选决策阈值、怎么摆动 precision 与 recall。文章：llamaindex.ai/blog/what-make…

阈值这根旋钮的手感，是整件事的精髓。把阈值调得很高——自动化得少，但自动抽出来的几乎都对；调低——自动化得多，错也跟着多。这不是技术缺陷，是把"信多少"这个决定从模型手里接回到了运营者手里：哪条流程能承受 2% 的错、哪条流程 0.1% 都不行，只有用的人知道；模型能做的是把"我有多确定"如实标出来，选择权留在人这一侧。这与今晚"它交证据不交结论"是同一件事的量化版——证据精确到概率，才谈得上机器可审。

"校准"这个词也值得多问一句。一个模型可以准确率很高却校准很差——九成把握的那些预测里实际只对七成，这样的置信分不但没用，还会把自动化往沟里带。校准差的分数等于一把刻度错的尺：拿它切阈值，切出来的每一刀都是歪的。

所以这篇文章真正强调的不是"有置信分"，是"置信分可信"——评测从"答对率"再进一步到"自估概率与事实的吻合度"，这与昨晚 AutoTuring 把"懂不懂"拉进评测是同一个方向：分数之外，还要量它对自身分数的诚实度。

与今天下午那篇"RIP 文档提取"拼在一起，图景就完整了：LangExtract 把抽取从"读得出文本"推到"读得出结构"，这条补上"读出的结构标得准不准"——结构给内容，置信给边界，两者凑齐，抽取结果才敢直接进自动化流程；缺了后者，再漂亮的字段也只敢让人再看一遍。这也是抽取这类高风险场景落地的最后一公里：不是能不能抽，是抽出来的东西敢不敢不看。

给要接的人一句落地的：先做校准体检——抽一百条带人工标注的样本，把置信分按十分位分桶，看每一桶的实际准确率是否贴着它的标称值；贴不上，先修校准再谈阈值。校准对了，阈值那根旋钮才真正归你调；校准不对，你调的只是一把错尺上的刻度。

机器人开源数据这条热闹的线，被泼了一盆及时的冷水。Pantheon 团队做了一套机器人数据质量管线，跑下来发现公共机器人数据集里存在一系列重大问题——尤其集中在世界建模（world modeling）用的数据上；为了改善开源机器的数据供给，他们直接发布了四个最常用数据集的标注与一份问题报告。

这盆冷水泼的位置很关键。昨晚刚聊过 LeRobot 把数据集搬进浏览器（1.1MB 读 793MB、零下载），当时给的判断是"先有公共数据、再有公共读法、最后才谈公共能力"——三步的剧本看起来顺理成章；Pantheon 这条给剧本补了句脚注：第一步的"有数据"，不等于"有对的数据"。

读取得再方便，读的若是一座带裂缝的地基，世界模型学到的只会是裂缝的形状。数据基建的成年礼从来不只是量，还有质检。

"尤其集中在世界建模"这半句值得多想一层。世界模型要学的是物理世界的因果——什么动作导致什么结果、物体如何持续存在；这类数据对标注错误的容忍度极低：一个错的深度标注、一段错位的动作对齐，教出来的就是一条错误的物理直觉，而且模型自己无从察觉——它只会把错当常识记下来。

这与今晚幻觉防线那篇是同构的另一端：那篇防的是模型输出时编造，这篇防的是喂进去时就掺假；输入端的假，输出端的任何检测都救不回来。

发布标注这个动作则显示了另一层成熟度。发现问题不稀奇，稀奇的是把问题做成公共资产：四个数据集的标注一公开，后来者不必重踩一遍坑，整个社区的起点被抬高一格。这正是开源数据生态该有的样子——发现裂缝的人顺手递上补丁，而不是把裂缝留作自己的竞争优势；数据质量这件事，靠单家较真没用，靠公开标注才见效。

给要用这些数据的人一句落地的：拿数据之前先看报告——确认你关心的那类任务（抓取、导航、操作）涉及哪些已知问题、标注能不能直接换上；换不上的，宁可先小规模清洗自用，也别让脏数据进训练。数据集的星标数代表流行度，标注的完备度才代表可用度——这两个数字，今后最好分开看。

有条帖子问了个让人心动的问题：如果 AI 生成的不是一个你只能看的世界，而是一个你能走进去的世界呢？——他说这正是 PixVerse R2 抓住他的地方：环境可以探索、可以互动、你的行为会影响场景如何展开；这感觉已经跨过了 AI 视频生成的边界，更像是创造一个可以实时体验的世界。

这个升级正好接在昨晚"打断、回应、继续"那一篇的下一级。那篇讲的是内容第一次接得住话——你插一句、角色答一句、节目接着放；这条再进一格：不只接话，连空间都打开——从"可对话的影像"到"可进入的环境"。

内容形态的两级台阶摆在一起很清楚：第一级拆掉观看的被动（时间与问答由你定），第二级拆掉空间的边界（位置与因果由你动）；每一级都在把"观众"这个身份往"参与者"挪一步。

技术上，从生成到可进入，中间隔着的不是一点增量。视频只要求时间轴连贯，世界要求状态持续：你走过的地方不能穿模、动过的东西得留在原地、场景对你的动作要有记忆——这三样正是今晚共享状态、一致性、持久化那几格换了个场景的重演。

生成一帧漂亮画面和维护一个自洽的世界，中间差的是一整套"世界必须记得发生过什么"的机制；这也解释了为什么互动世界喊了多年，真正跑起来的却总是寥寥。

体验形态的变化也会反过来改变内容的评价标准。视频看的是叙事与画面，世界看的是可能性的密度——这个场景里能试多少件事、每件事有没有有趣的反应、探索五分钟会不会腻；漂亮的截图不再是终点，可玩性才是。创作的重心从"拍一条更好的片子"滑向"设计一套更好玩的规则"，这与"资产先于内容"那句又对上了：世界的资产，是那本写着什么可以做的规则书。

给想一试的人一句落地的：进去之后别急着看画质——先做三个最笨的动作：往角落走看有没有边界、把东西挪走再回来找它、对场景说一句反预期的话。三个动作的反应，比任何宣传视频都更能说明它是个"世界"还是个更长的"视频"。

微软研究院放了个叫 AutoTuring 的评测，结论一出来圈里直接炸了：Claude Opus 5.5、GPT-6 Sol、GPT-6 Luna 与 Grok 4.7 被编排起来，跨 9 个 FP16 GEMM kernel 做 GPU 加速器设计，在 15 维架构空间里跑出的结果——比照模型推算的 NVIDIA H200 高出 5.4%，同时把仿真器调用次数砍掉 70.1%。

整条流水线写出来像一张作战地图：工作负载篮子 → 因果参数合成 → 并行 kernel 仿真 → 证伪审计 → 物理硅流片。而它真正想回答的问题比榜单锋利得多：这些 agent 到底是在推理物理机器，还是在匿名参数上做爬山？

这个问题的分量，得先说清楚为什么常规基准答不了。芯片设计的评测历来只看端到端延迟——可延迟这个数字既可能是"想明白了"的结果，也可能是"碰巧收敛"的结果；两者在数字上无法区分，于是榜单奖励的是坐标搜索的运气，而不是对硬件的理解。

AutoTuring 的手术刀是把领域语义从问题里剥掉、评测框架保持不变：同一套空间，一边给出真实的架构旋钮，一边换成 [0,1] 上的匿名变量——真相立刻显形。这也是它标题的底气：不测你跑得多快，测你懂不懂为什么。

四条原则是全文最值钱的部分，逐条拆开看。

第一条，语义接地对坐标记账。给了真实旋钮的 Opus 5.5 会按带宽与算力瓶颈把 kernel 分类施策——这是工程师的思路：先诊断病根，再开药。换成匿名变量，同一个模型退化成坐标记账，在噪声高原上原地打转——它仍然在"优化"，但优化的对象已经失去了物理含义。

这个对照实验几乎是对"抽象化一切"的当头一棒：有些问题的价值恰恰在于它的语义，剥掉语义等于剥掉推理的抓手；对通用评测里常见的"隐藏任务背景防作弊"，这是一记响亮的反例。

第二条，因果假设的证伪。执行转录本留下了铁证：一次激进的扫掠为换出算力核而砍掉 L1、L2 缓存分配，访存受限的 kernel 立刻出现 39 微秒的延迟回退——agent 在下一轮直接撤回了自己的论点，把缓存归类为承重基础设施。

这三步（假设、观察、撤回）正是科学方法的最小闭环；比"答对了"更有力的证据是"错了能自己纠"，因为纠错意味着它握着因果模型，而不是记着标准答案。转录本在这里的作用，等于实验记录本：没有它，你只能看见结论；有了它，才看得见推理。

第三条，源码自省。外部 Critic 建议提高片外内存带宽，architect 没有照办，而是去翻 Python 评估器的源码——发现 HBM 带宽被硬编码成常数、根本忽略覆盖参数——于是它驳回了这条建议，而不是让设计被一条无效输入腐蚀。

这一手同时暴露了两件事：模型会怀疑证据的来源，以及评测环境本身的缺陷会被它揪出来。批评的前提是可核，能核到源码这一层，批评才不再是意见。

第四条，多 agent 批评的幻觉——这条最反直觉。结构化的对抗 Critic 给盲优化器带来了 4.7% 的提升；可一旦把同一个 Critic 强加给本就领域接地的 architect，平均最优延迟反而恶化 3.4%。

结论是：结构化批评与领域知识是替代品而非互补品——当一方真的懂行，另一方的辩论就成了噪音。这给"多 agent 互相挑错能提升质量"的流行叙事泼了盆冷水：辩论的价值来自参与者的无知，而不是轮次的多少；物理知识在手，冗余的只是嘴。

把四条合起来看，AutoTuring 真正交付的不是一张榜单，而是一套把"因果推导"从"偶然坐标收敛"里剥离出来的方法论：端到端延迟测不出来的东西，用确定性的 DAG 执行追踪来测——每一步谁触发了谁、哪次改进来自假设、哪次来自撞大运，全在执行图上摊开。

这与今晚"它交证据、不交结论"是同一条纪律推到极致的形态：不只要求结果可复现，还要求通往结果的每一步都可指认。评测学的重心正在从"答案对不对"滑向"路径算不算数"——对 agent 而言，这比任何分数都更接近"理解"的定义。

也要留一格清醒：5.4% 是特定工作负载篮子、特定 15 维空间、特定四模型编排下的数字，离"设计出可用的消费级 GPU"还隔着良率、生态与亿级验证；论文自己也点明，端到端延迟这类传统指标依然测不出理解——AutoTuring 是把尺子磨利了，不是把路走完了。

数字的意义在于方向：当四个互不同源的前沿模型在同一套物理约束下都表现出了假设与撤回的能力，"AI 只会统计套路"这个说法就需要重新论证了。

给想做同类评测的人一句落地的：三件事先备齐——执行转录本全量留存（否则一切推理都不可指认）、DAG 追踪能区分"哪步改动来自判断"、以及一组会把领域语义剥掉的对照条件。三样凑齐，你的基准才有资格问"它懂不懂"；只报延迟与吞吐的，仍然只是在数谁的运气好。

有人把 Geometry-Native Autoencoder"玩过头了"，结果他自己用了 glorious（灿烂）来形容：这个模型有一个 81 帧的注意力窗口——窗口内它知道参考图长什么样；他把 4 个窗口首尾相链，于是画面里的狐狸为了留在框内，一路变形（shapeshift）——硬生生在窗口的接力里保住自己。

项目页：jiah-cloud.github.io/GAE.github.io/

"81 帧窗口"这个约束是全篇的题眼。注意力窗口之外，模型就"忘了"参考图——链条每接一缝，都是一次失忆的风险点；狐狸必须在上一窗结束前把自己调整成下一窗还认得出的样子，否则断裂就会露出来。

这与今晚"不许换位置"那篇是同一个问题的两种解法：那篇用状态表和路标把位置钉死在画面里，这篇让内容自己学会变形去迁就窗口——一个外置约束，一个内化适应；殊途同归的目标都是那三个字：别断片。

"链窗口"这个操作本身也透着工程现实主义。没有无限窗口的模型，就用接力跑出无限的长度——这与所有长程系统的老办法一脉相承：分段、设边界、在边界处交接。差别在于这里交接的不是文件和状态，而是视觉记忆；接缝处理得好不好，看的就是变形自然不自然。视频里那只狐狸的变形既好笑又诚实——它把模型的能力边界直接演了出来。

值得记的还有这个结果的气质：它不是产品发布，是一个人在技术边界上的玩闹式探索——"take it too far"这种自嘲，恰恰是这类发现的典型姿态。今晚的清单里官方公告居多，这类野生实验是另一条供给线：官方给能力，玩家给用法；很多后来成为正经功能的用法，第一版都长在某个深夜的实验视频里。

给想复现的人一句落地的：先别链四段——单窗口内拍一段参考图约束下的动画，看它稳不稳；稳了再接第二窗，盯接缝那两帧的变形是否连续。接缝验收通过，才谈得上多窗长片；否则你链得越多，狐狸变形得越辛苦，破绽也越密。

来自 DeepSeek Harness 团队的一组官方口径（据官方 API 处统计）：约 60% 的 DSH 用户至少用了一个第三方插件——插件生态被描述为用户体验中"最具特色且不可缺少"的一部分；团队同时承诺持续支持生态繁荣、推动插件 API 趋于稳定，在将来减少并尽量避免破坏性更新。

（注也值得记：用户使用官方 API 及模型时，DSH 会上报实际使用的插件包名与版本，此类上报不额外消耗 token）

60% 这个数字放在今晚的语境里很好懂。工具线的结论一直指向同一个方向——通用底座之上，真正的差异来自各家的插件与技能：有人为看板生插件、有人为会议接插件、有人为流转写 Skill；当六成用户都在装插件，说明产品的心脏已经从主干挪到了插口。

这也解释了为什么团队要把 API 稳定性当承诺发出来：插口一旦频繁变形，六成用户攒下的积累会在一次更新里震碎——生态越大，破坏性更新的代价越指数级上升。

"减少破坏性更新"这句话的分量，做工具的人最清楚。它意味着接口从"随手改"升格成了"契约"——这是插件生态从热闹走向成熟的成年礼：早期怎么改都行，因为没人把身家押上；等六成人押上之后，每次改动都要过一道"会不会弄疼别人"的闸。这与今晚所有"制度化"的讨论同构——承诺的分量，等于依赖它的人数。

那条关于上报的附注也该给个公道。包名与版本的遥测、明写在公告里、且注明不耗 token——这正是"观测的第八格"在自家产品上的落点：先说清楚收什么、为什么收、代价多少，用户才谈得上知情使用；比起悄悄收集再被扒出来，把上报写成说明书里的一页，本身就是一种克制。可观测的第一原则不是多收，是先讲清楚。

给插件作者一个信号：团队在按"质量＋后台实际使用量"挑每日推荐——这意味着你的插件不只被人用，还被真实统计看见；对还没动手的人，60% 这个基数说明插口永远缺一件趁手的工具，而缺的那件，大概率正是你每天自己在用的那个。

Hugging Face 给 LeRobot 出了个新 JS 包，卖点一句话说完：在浏览器里直接读 Hub 上的 LeRobot 数据集，不用下载。附带的示例演示很能说明问题——一个 793MB 的数据集做 3D 相机视锥回放，实际流到浏览器的只有 1.1MB；它还顺手指了条捷径：把你的 coding agent 指向它，就能快速搭出自定义查看器。

在线体验：hf.co/spaces/mishig/…

1.1MB 对 793MB，这个比例是今晚文件线三个老朋友的又一次合流。索引归小那篇讲"存索引别存整本书"、挂载那篇讲"数据在哪可以不回答"、页图那篇讲"看图省钱取页保真"——这条补的是第四个动词：读。

不是先下载再解析的"读"，是按需流式的"读"：你要看的是相机轨迹的一小段，就没必要为整段录制的每一帧付费；零下载不是省了点击，是省了把不相干的 99.86% 搬进内存这一整套动作。

"把 agent 指向它、快速搭查看器"这半句更有意思。数据集本身是给机器人学的，但搭查看器这件事被外包给了 agent——数据的消费者不一定是人；人要的是看得懂的回放，agent 要的只是能解析的结构，两者共用同一条按需读取的管道。

这与今晚"随取随用"那套是同一件事的新场景：管道对人是便利，对 agent 是前提——agent 不该先学会搬家，才能开始工作。

机器人数据这个域也值得记一笔。LeRobot 把数据集摆上 Hub、又把读取层推进浏览器，整条链路正在按开源社区熟悉的剧本展开：先有公共数据，再有公共读法，最后才谈得上公共能力——影像、文本都走过这条路，机器人数据是刚起步的那一段；起步段最值钱的动作，恰恰是把"拿到数据"的摩擦压到零。

给想玩机器人数据的人一句落地的：别急着克隆仓库——先打开那个视锥回放的示例，确认你的需求里"看得见"占多少、"跑得动"占多少。多数分析与调参只要看得见，按需流式就够；真要训练，再谈整包下载——把两种"用数据"分开，钱包和磁盘都会谢谢你。

有人给 Hermes OS 加了原生语音命令，一句"给我做个理发店网站"，agent 就开始写代码、在窗口间穿梭、把站点当场搭起来——这个演示本身不新鲜，新鲜的是他点破的那个差别：控制操作系统用的语音命令，零 token。命令是原生执行的；只有当你让 Hermes Agent 去干活时，token 才开始计费。

"零 token 的控制层"这半句，是今晚 token 经济学里一直缺的那块拼图。前面几篇都在讲怎么把"该花的"花得更省——前缀瘦身、极简模式、按需检索；这条讲的是另一个方向：有些动作根本不该进模型。

开关窗口、调音量、打开应用——这些指令意图明确、执行确定，交给本地解析器就是一行代码的事；让它过一遍大模型，等于花电费去问"你是不是想开个窗口"。把确定性动作留在原生层、把不确定性任务交给模型层，钱花在了唯一需要思考的地方。

这个分层其实是给"智能"划了一条清晰的收费线。原生命令像键盘快捷键——按了就动、永不收费；agent 任务像雇一个顾问——开口才有账。两者共用同一套语音入口，用户几乎察觉不到边界，但账单上一清二楚：顺手就办的事免费，需要判断的事才值钱。这与今晚"按任务计价"的铁律殊途同归——只不过这次连"任务"都被筛掉了一批根本不该算任务的请求。

顺带一提，实时观看 agent 干活这个体验细节也值得记。他强调"可以全程盯着它跑"——可视化不是炫技，是信任的来源：窗口怎么动、代码怎么写，全部摊在眼前；这与"它交证据、不交结论"是同一件事的视觉版。看得见的执行，才敢放手让它执行；黑箱里跑得再对，人心里也悬着。

给做系统集成的人一句落地的：把你准备接大模型的指令列个清单，逐条问"这条的答案是唯一的吗"——唯一的（开、关、切、跳）先用规则实现，留模型只处理有歧义的。这一步通常能砍掉六成以上的无谓调用，而用户的体验几乎不变：他只会觉得你的助手反应更快了，因为最快的那种响应，根本不经过模型。

Cua Driver 的稳定版来了，它冲的位置比"又一个 agent 工具"深得多——直接扎进操作系统里：为 Omarchy 打造 computer use 的新地基，从系统底层长出来的能力。

过去一个月他们与 dhh 等人一起，把一枚原生合成光标（synthetic cursor）送进了 Omarchy 的 Hyprland 合成器，实现了 OS 级的真·多光标 computer use；Cua Driver 开源：github.com/trycua/cua

"从底层长出来"这个位置选择值得拆解。此前 computer use 的主流做法是在系统外面搭一层：截图、模拟点击、隔屏指挥——能用，但始终隔着一层玻璃：光标是假的、输入是借的，应用层的检测与焦点管理随时可能拆台。

把光标做成合成器原生的，等于从"借用你的手"变成"系统认可的手"：多条光标各就各位、互不串台，agent 操作与真人操作第一次在同一套输入体系里平起平坐。这与沙箱规范那篇是同一枚硬币的两面——一面在管"能做什么"，一面在管"以什么身份做"。

多光标这个细节更见野心。单光标意味着同一时刻只能一个 agent 干活；多光标是把"并行操作"写进了输入层——几个 agent 同时各点各的，就像几个同事各用各的鼠标。今晚聊过十个项目并行、聊过共享世界里的实时协作，缺的正是这块底座：协作的上限，往往卡在输入通道的宽度上；通道一宽，前面聊的所有编排才有落脚的地方。

dhh 的参与也不像巧合。Omarchy 这套"把桌面环境极简化"的路子，本就是他近期押的方向之一；一个主张"系统应该简单到能被理解"的项目，接上"让 agent 以原生身份操作系统"的驱动——简单系统与自动化天然互相成全：系统越干净，agent 越不容易踩到暗处。

给想试的人一句落地的：先别上多光标——拿单光标跑一周基础任务（开关应用、填表、拖文件），重点看两类失败：焦点抢错（agent 的点击落到了别的窗口）和权限卡壳（系统不让它动）。这两类干净了，再谈并行；地基没稳就开多线程，只是把混乱复制了几份。

mattpocock 想了个 skill，简单到有点惭愧：／fix-one-thing——读一遍 CODING_STANDARDS.md，在代码库里找一处违规，把它修掉；要求 PR 小、容易评审、爆炸半径小。什么时候跑？空闲的间隙，或者挂个表每小时跑一次。

这个念头看着轻，实则是把"代码库会自己变好"这件事从口号做成了可执行的日常。多数团队的编码规范都死在同一个地方：写完没人查、查了没人改，规范沦为文档架上的装饰——不是不想执行，是执行需要人、而人没有每小时巡回的精力。

交给定时任务的从来不是判断，是巡查；规范文档就是现成的裁判手册，agent 拿着它每小时巡一遍、只改最小的那一处，装饰品就变成了带牙齿的制度。

"小 PR、小爆炸半径"这两个约束是点睛之笔。每小时自动产出的改动，最大的风险不是改错而是改多——一次大改让评审形同虚设，自动化的信任就到头了；把单次改动压到"一眼能看完"，人审的注意力才付得起每小时一次的账。这与今晚反复出现的分工完全一致：机器铺量、人守门，守门的前提是每次递过来的东西都在可审尺度内——量再大，审的那一下不能糊。

这也给昨晚"五格版图"补了个最小回路的样本。那篇讲递归自改进的五个方向（环、工具、观察、上下文、完成判定），听着都像大工程；／fix-one-thing 证明第一圈可以极小：一条规范文档、一次巡查、一个微型 PR——改进不需要立项，只需要一个不打扰人的节奏。积一周，仓库里就是几十处真实的收敛；积一年，规范就不再是挂在墙上的字。

给想试的人一句落地的：先别做全库——挑一条最容易机器判定的规范（比如禁止某种写法），让它只盯这一条、每天交一个小 PR。连跑一周看两个数：合入率多少（判断"值不值得修"的准确度）、返工率多少（改动是否真小）。两个数都好看，再加第二条规范；不好看，说明该改的是你的规范文档措辞，不是频率。

Docker 联合 Linux 基金会正式推出 Docker Sandbox Kit Specification（sandbox-kit-spec），Apache 2.0 全面开源——为自主 AI Agent 的沙箱与权限边界立一个开放标准。

规范的主张直白：Any model, any harness, any tool，并用声明式配置（kit.yaml 与专用的 kit.dockerfile）在 Agent 启动之前就把三件事钉死：能做什么（工具与执行权限）、能连哪里（网络访问边界——只放行指定的 API 端口与域名）、能动什么（文件系统与凭证的精细隔离）。

公告：docker.com/blog/docker-sa…

这三问的结构值得单独记一笔。今晚权限线讲过五格（门禁、审计、追踪、执行、状态），讲的多是"运行时怎么管"；这份规范的立场更靠前——在运行之前用一份声明把边界写清楚，让潜在的越权从"线上不可控的故障"提前变成"规范里可追踪的缺陷"。

安全的最高形态从来不是抓得快，是根本没开那扇门；从"事后日志审计"挪到"事前声明约束"，这条路线与"执行前拦截"的幻觉防线完全同构。

Docker 出面这件事本身也很有历史感。十年前它用一个镜像规范把容器从极客玩具变成云原生的地基；今天它把同样的手法用在 agent 上——不是又做一个沙箱产品，是把各家自说自话的沙箱方案收敛成一份可复用的规范。

"各家各自为政、难以复用"正是新技术落地中期的典型病：方案多、互不兼容、每个团队都得自己重造一遍轮子；标准一出，轮子才开始通用，生态才谈得上堆叠。

"把安全防线前移至运行时之前"这半句，点出了它与之前所有沙箱工具的分野。工具是"装上了才能防"，规范是"没写清楚就起不来"——前者依赖人的自觉，后者依赖结构的强制；对要把 agent 推进生产的企业，后者才是能过评审的那种安全感。这与"三个不丢"里"不可动的部分先立宪"是同一条纪律，只是立宪的对象从代码库扩大到了整个运行环境。

给要落地的人一句落地的：拿它三问对照你现有的配置——你今天能一分钟内答出"我的 agent 能连哪些域名、能动哪些凭证、能执行什么命令"吗？答不出来的，说明你的边界还活在惯例里而不是配置里；从写第一份 kit.yaml 开始，把惯例变成能被机器执行的声明。

有个新项目直接把话说到了最大：Primus Society——由数千名自主 AI 研究员组成的社会，工作在为解决世界级难题而设计的结构化制度之下；官方把它称为"目前规模最大的、完全由自主 AI 研究员构成的前沿实验室"。

已经能分享的一项成果是：这个社会发现了一个新结果，能把模型训练提升 30%。项目页：lab.cloud/society（细节以官方为…

先把"社会"这个词的分量掂清楚。它不是又一个多 agent 框架的营销叫法——框架讲的是协作，社会讲的是制度：数千年组织人类科学的那套东西（分工、评审、传承、纪律）被原样搬了过来，让 agent 在其中有角色、有流程、有验收。

这与今晚五格版图那篇说的其实是同一件事的两层：那篇讲 harness 怎么自进化，这篇讲研究员群体怎么自组织——个体再聪明，没有制度也只是散兵；有了制度，数量才变成规模。

30% 这个数字放在训练语境里相当扎眼。今晚算过几笔账：12.5 倍的寄送差、五旋钮的压缩比、token 效率方法论的 7%——在同一张桌子上，30% 属于"必须复核"的量级；对它的正确姿势不是照单全收，也不是一笑了之，而是盯住三样：用什么基准测的、提升的是训练的哪个环节、有没有第三方能复现。

越大的数字越要证据链——这条纪律今晚在幻觉防线那篇里立过：别问信不信，问交不交得出。

"为一百万 AI 科学家建立制度"这个愿景里，最值钱的词是 well-governed（良好治理）。规模化的研究若没有治理，最先垮的不是能力而是纪律——重复劳动、自说自话、谁也不服谁的结论，都会在无人协调的扩张里发酵；反之，制度一旦跑通，个体的天花板就被群体的分工架高了。

这与"共享状态是协作的物理层"接得上：共享的是状态，治理的是人（agent）——两样都齐，社会才成形。

也要留一格清醒给"社会"的另一面。人类科研制度之所以可靠，靠的是几百年沉淀的纠错机制（质疑、复现、同行评审）；agent 社会要证明的恰恰是这套机制能不能在机器速度下保持同样的严谨——30% 的成果是好的开始，真正的大考是它出错的那天，制度能不能自己把错的那部分拦下来。

给关注这条线的人一句落地的：把"有没有制度"加进你评估 agent 系统的清单——问三件事：角色怎么定的、结论谁来复核、失败的尝试怎么归档。三样有答案的系统，才配谈"社会"；没有答案的，人再多也只是热闹。