技术突破

Goodfire研究员Nick Cammarata以一篇超长博客抛出关于神经网络本质的乐观论断，在AI圈引发激烈讨论：有人视之为突破，有人呼吁谨慎。

Anthropic 的 Claude 在半小时内查明 NIST 标准曲线背后神秘种子的来源——它们出自 C 语言的 lrand48 随机数生成器，这一发现大幅削弱了“NSA 故意植入后门”的长期猜测。

斯坦福博士生 Samuel King 用生成式 AI 模型提出微型病毒的基因蓝图，MIT Tech Review 就此展开圆桌讨论。这还不是 AI 生成的生命，但下一步可能就是。

一位在英伟达机器人平台负责产品营销七年的从业者转做 VC 后判断，机器人产业的基础构件——执行器、机械手、软件与安全标准——仍在被重造，距离通用基础模型驱动的爆发期还有距离。

在英伟达机器人平台负责产品营销七年的 Amulya Vishwanath 认为，机器人行业仍处于“乐高时代”——执行器、机械手、软件与安全标准等基础模块尚在重建，这与“通用基础模型即将引爆机器人”的乐观叙事形成对照。

有观点认为神经网络比预想中更易读懂，约九成神经元承担明确功能，若成立将直接利好AI安全研究；但学界对其结论仍存分歧。

Google 联合创始人 Sergey Brin 表示，Google 的 AI 模型正在接近递归自我改进的能力，即模型可以参与改进下一代模型。这一表态把 AI 自我加速的话题从理论讨论推向工程现实。

Google DeepMind 将 Google Antigravity 用于科学场景，尝试加速新型抗菌肽的发现。这标志着 AI 智能体从写代码、跑流程，进一步走向真实的科学假设生成与实验设计。

在 TheoPhysEval 基准上，GPT-6-Astra 以每道约 2.4 美元的成本解出 50 道未发表理论物理计算题中的 49 道，水平接近顶尖专家；但研究者指出，它仍缺乏提出好问题的"品味"。

芯片设计初创公司Ricursive Intelligence试图用AI自动完成芯片设计并让模型从每一轮迭代中学习，从而加速设计流程、缓解算力供给瓶颈。

MIT 研究者向 WIRED 表示，AI 可能很快成为解决经济学、高能物理等领域理论问题的默认方式。这标志着 AI 从辅助工具向科研基础设施的转变。

Ars Technica 报道，研究者用 AI 设计工具造出能切断其他蛋白质的蛋白质，目标键在自然条件下可稳定数百年。这标志着 AI 蛋白质设计从“造结构”走向“造功能”。