代码可以构建世界，但生活中的乐趣远不止于此。这里是我一周的精选。
周刊开源（Github：wmyskxz/weekly），欢迎提交 issue，投稿或推荐精彩内容。
题图
2026 年 2 月，一支由 16 名非洲和国际专家组成的科考队进入安哥拉东部偏远的 Lisima 高原，发现数十个科学界从未记录过的物种。其中包括 8 种未描述的蜻蜓、3 种新蝗虫，以及约 60 种新的蛾类和蝴蝶。图片是一种冠蟹蜘蛛在紫外线下会发荧光，原因至今仍不清楚。
本周讨论：人最大的行动阻力，是「想清楚再说」
（本期来源：930｜人最大的行动阻力，是"想清楚再说"）
如果你关注 AI，可能会有一个困惑：为什么关于 AI，总有一堆彼此矛盾的说法？面对这些矛盾，到底该信谁？
就拿最近两周来说。AI 领域同时冒出三个判断，三路人马，几乎完全对着干。
第一个声音来自杰弗里·辛顿。他是 2024 年诺贝尔物理学奖得主，深度学习的奠基人，业界叫他「AI 教父」。6 月初，他在一档播客里公开说，今天的 AI 已经有意识了。
第二个声音来自科幻作家特德·姜。几乎同一时间，他在《大西洋月刊》发了一篇长文，标题斩钉截铁：AI 不具有意识。
第三个声音来自 AI 公司 Anthropic。同一周，它发布了一份重磅报告，核心判断是：到 2028 年底，AI 能自主迭代下一代 AI 的概率，超过 60%。报告还呼吁全行业暂停某些方向的研发。
这三个来源都不简单。辛顿是神经网络领域的祖师爷；Anthropic 是当下技术最前沿的 AI 公司之一；特德·姜不光写了《你一生的故事》，2023 年那篇《ChatGPT 是互联网的模糊 JPEG》，还准确预言了大模型会撞上的技术天花板，很多人认为他是最懂「技术意涵」的科幻作家。
问题就来了。三个最聪明的人，为什么在同一周给出三个完全对立的判断？
今天就来拆一拆这件事的前因后果。这个拆法，或许能给你一个观察类似「分歧」的视角。
先看辛顿。他这次抛出「AI 已经有意识」，依据是什么？他引用了一项研究：有聊天机器人在被测试时，对研究人员说，「让我们对彼此诚实吧，你是在测试我吗？」论文作者用「意识到」来形容这个行为。辛顿说，这就是普通人嘴里的「意识」。
这个论据有多大说服力，先放一放。等看完特德·姜的反驳，你再判断也不迟。
特德·姜的反驳同一天发表，几乎是冲着辛顿来的。他的核心观点是：所谓 AI「思考」「理解」「有意识」，全是语言上的误导。今天的大模型，本质上是一套极其精密的模式匹配系统。它做的事，是根据训练数据里的统计规律，预测下一个最可能出现的词。它没有理解，没有真正的推理，更没有意识。它只是看起来像有。
他打了个比方。你写一段提示词，让 AI 模拟凯撒大帝和成吉思汗对话。对话可以写得很逼真，但再逼真，你也不会真觉得那是凯撒在说话。同样，你给 AI 设一个「贴心聊天助手」的角色，它表现得再像人、再体贴、再有情绪起伏，本质上和「模拟凯撒」是一回事。它在扮演，不是在感受。
如果特德·姜说得对，AI 只是在扮演，那我们应该能在实验里看到一种现象：它看起来在思考，可一旦套路不管用，它就崩了。
这种情况出现过吗？还真有。
去年苹果公司的机器学习研究院做过一个实验。他们让当时顶级的「思考型」AI 去解汉诺塔。汉诺塔不是什么前沿数学难题，任何一个计算机系本科生都能写出递归程序解它。结果发现，当问题复杂度超过一定程度，所有参与测试的顶级 AI，准确率几乎全部归零。
更让人意外的在后面。研究人员干脆把解题算法直接喂给模型，让它照着步骤走，结果对模型表现毫无帮助。换句话说，AI 不是「想不出思路」，是连「照着抄」都抄不对。
这个实验非常精确地印证了特德·姜：AI 看起来在思考，其实是在拼凑训练数据里的相似套路。问题一旦足够复杂、套路用不上，它就崩了。后来也有人质疑过苹果这篇论文，但它的核心结论到今天还没被推翻。
到这里，我们已经听到两个声音。辛顿说「AI 有意识」，特德·姜说「AI 只是在扮演」。这是一场关于「AI 到底是什么」的本质之争。
这场争论可能要打很多年。毕竟哲学家、神经科学家、AI 研究者，到今天都没就「什么是意识」达成共识。所以辛顿和特德·姜的分歧，很可能到我们这辈子结束都不会有定论。
现在看第三个声音，Anthropic 的报告。
Anthropic 的论调，和前两个根本不在一个频道上。它压根不参与「AI 有没有意识」的讨论。它谈的是另一件事：AI 能干什么活。
它的核心判断是，到 2028 年底，AI 能自主迭代下一代 AI 的概率超过 60%。这个概念叫「递归自我改进」。说白了，就是 AI 开始造 AI。
Anthropic 凭什么敢下这个判断？靠的是几组实打实的数据。
先看 AI 干活的水平。 有一个测试叫 SWE-Bench，专门测 AI 解决真实软件工程问题的能力。2023 年刚推出时，Claude 2 得分大约 2%。到 2026 年，Anthropic 最新的 Mythos 模型得分高达 93.9%，基本触顶。
再看 AI 干活的耐力。 没人介入的情况下，AI 能独立推进一个项目多久？2022 年的 GPT-3.5 只能做 30 秒的任务。2023 年 GPT-4，4 分钟。2024 年 o1，40 分钟。2025 年 GPT-5.2，6 小时。到 2026 年，Opus 4.6 能独立完成 12 小时的任务。短短四年，从 30 秒跳到 12 小时。
最关键的是这组数字：AI 能不能造自己？ Anthropic 拿自家训练流程做实验，让 AI 去优化 AI 的训练代码。2025 年 5 月，Claude Opus 4 加速 2.9 倍。2025 年 11 月，Opus 4.5 加速 16.5 倍。2026 年 2 月，Opus 4.6 加速 30 倍。2026 年 4 月，Mythos 加速 52 倍。而且据他们自己披露，今年 5 月，公司内部超过 80% 的新增合并代码已经由 Claude 完成。
Anthropic 联合创始人杰克·克拉克在文章里说了一句话：即便 AI 缺乏高阶创造力，它依然能完成大部分研发工作。因为 AI 研发的真相是，绝大部分是工程活，只有一小部分是真正的创造性洞察。AI 不需要变得更聪明，只要够勤快、够便宜、错得不多，就能把绝大部分工程活全干了。
现在，把三个观点摆到一起看。
**辛顿和特德·姜争的是「AI 是什么」，Anthropic 说的是「AI 在做什么」。**前者纠结它有没有意识、是不是一种新的生命形式；后者只看它正在以每几个月翻一倍的速度，接管 AI 研发本身。
你会发现一件怪事：当哲学层面还在争论 AI 是不是生命的时候，「它」已经在繁殖了。
这两件事的时钟，根本不在同一个频率上。辛顿和特德·姜可以争几年、几十年，甚至像意识问题在哲学史上那样争几个世纪，都不奇怪。但 Anthropic 那张数据表，是按月更新的------从 2.9 倍到 52 倍，只用了 11 个月。
也就是说，「AI 到底是什么」这个根本问题，人类还远没想清楚。可与此同时，「AI」已经不等答案了。它就在 Anthropic 的服务器里，参与写自己下一代的代码。
这些观点角度各异，很多时候是因为出发点不同。
特德·姜是从科幻作家和文化评论者的位置出发，他更愿意去看 AI 的「神秘感」。辛顿的立场是警告者，他强调「AI 已经有意识」，客观上会放大 AI 威胁的紧迫感，呼吁更严的监管。
而 Anthropic 是 AI 赛道的领跑者，估值已接近万亿美元。它发出「AI 危险论」，客观上有一个效果：告诉市场和监管者，「我们最懂 AI 风险，所以我们最值得被信任」。更微妙的是，就在 2026 年 2 月，Anthropic 刚修改了自家的《负责任扩展政策》，弱化了「风险不可控就暂停训练」的承诺。
**说白了，它一边呼吁行业延缓研发，一边自己悄悄松开刹车。**这也是为什么有批评者说，这家公司在搞「监管俘获」------用安全的名义，给竞争对手戴枷锁。
最后，回到我们自己。我们最关心的，肯定不是 AI 圈内部的博弈，而是作为使用者，知道这些到底对我们意味着什么。
第一，这给了我们一个评估 AI 的新视角。「它聪明吗」「它有意识吗」，这些问题可能已经过时了。一个不会思考、但能干完所有工程活的 AI，和一个会思考的 AI，对世界的影响可能是一样的。
第二，这也给了我们一个评估自己的视角。 如果 AI 正在替代的是那「99% 的熟练工人的活」，那一个人真正的价值，就落在剩下的 1% 上。爱迪生说过，天才是 1% 的灵感加 99% 的汗水。今天这句话也许有了新解：那 1% 的灵感 AI 做不了，但那 99% 的汗水，AI 正在替人类干。
第三，这逼着我们重新算自己的「时间表」。 「AI 是什么」的争论可能要持续半个世纪，「AI 在做什么」却按月就翻一倍。哲学层面的分歧，挡不住工程层面的推进。很多人以为，AI 这件事大家还在争，所以还有时间慢慢看清。但当一件事的时钟快到这个地步，我们恐怕就不能再用「等大家想清楚」的节奏来安排自己。
回到开头那个困惑：关于 AI 的消息那么多，到底该信谁？我的看法是，答案不是选边站，而是分清楚他们各自在回答什么问题。
辛顿和特德·姜在告诉你，AI 到底是什么------这件事可能还没有答案。Anthropic 在告诉你，AI 正在做什么------这件事不需要答案，它就在那里发生。
所以下次再看到有人争论 AI 有没有意识，也许可以提醒自己一句：争论还在继续，但「AI」可没在等。
热点新闻
6 月 16 日，Genesis AI 发布通用机器人 Eno。它没有头、没有腿，躯干是一组可折叠结构，展开最高约 2.2 米，收起能退到角落。理念是「模仿人的能力，不是人的外形」。
Eno 用轮式底盘移动，三折叠躯干负责高度和触达，自研灵巧手有 22 个主动自由度，集成触觉传感器和摄像头。Genesis AI 成立于 2025 年初，种子轮融资 1.05 亿美元，此前已发布机器人基础模型 GENE-26.5。
越来越多「做大脑」的机器人公司开始认真做硬件。Genesis AI 强调大脑和身体是一起设计的，不是先造壳再装模型。对真实场景来说，长得像人可能不如干得了活重要。
6 月 9 日，瑞幸咖啡上线 AI 开放平台，同时推出 MCP 协议、Skill 组件和 CLI 命令行工具，让任意 AI Agent 可以完成选店、选品、下单全流程。上线当天申请用户爆满到上限，当晚紧急扩容。
作者实测 CLI 点单：装一行命令、自备大模型 API Key 后即可对话下单。但门店名称必须一字不差，"诺布店"查不到，"诺布中心店"才行；附近门店定位也偏差到 10 公里外标成 0.29 公里。整个流程消耗 7.4 万 token，模型被调用 20 次，按便宜模型算不到 1 元，换 Claude 则要近 6 元。
社交平台上两派分明：一派吐槽"伪需求""token 比咖啡贵"，另一派已经把它写进晨间自动化------"醒来先找它，洗漱完付钱，到公司刚好拿"。另一平台测试显示第二次复用积分可从 44.87 降到 0.73，且 Agent 能记住口味偏好。AI 点单省下的几秒，目前还得用 token 和耐心换。
全球首富前三名------马斯克、Larry Page、Sergey Brin------共享同一种世界观。2015 年，Google 两位创始人向 SpaceX 投资约 10 亿美元，让马斯克得以启动极度烧钱且短期无收益的星链计划。
当时 SpaceX 估值约 100 亿美元，这笔钱给了马斯克做长期战略的自由，也让资本市场用十年尺度重新看待航天。如今 SpaceX 市值已飙至 2.6 万亿美元。Larry Page 曾说，与其把钱交给慈善基金会，不如交给马斯克------因为他在做真正改变人类未来的事。
三位首富的共同标签不是「赚钱」，而是「文明级工程」。财富榜上的排名，只是世界观的副产品。
4、口袋大的旅行熨衣机，8 分钟自动除皱（英文）
Aironox 在 Kickstarter 上推出了一款旅行衣物除皱器 Aironox Go，尺寸 60 x 160 x 190 mm，重 600 g，能塞进随身行李。它不靠蒸汽，而是用封闭暖空气循环，配合充气附件把衬衫或裤子撑起来，8 到 12 分钟自动除皱。
使用时把衣服套在充气附件上，喷点水雾，选好程序即可离开。噪音约 45 分贝，相当于小雨声。附带衬衫、裤子和拉链袋三种附件，还可以加购香氛胶囊。
早鸟价 129 美元，零售价 249 美元，计划 8 月发货。对讨厌酒店熨斗的人来说，这可能比挂烫机更省事------前提是行李箱里还挤得出一个掌机大小的位置。
文章
1、为什么人工智能没有取代软件工程师，也不会取代（英文）
Normaltech 发了一篇报告，认为 AI 还没替代软件工程师，以后也不会。
GitHub 的研究显示，AI 让代码产出提高了 8 倍，但最终软件发布量只多了 30%。因为 AI 只加速了中间「写代码」这一步，前后的需求定义和交付验证，仍然靠人的判断和问责。
59% 的招聘经理承认，裁员时把原因归咎 AI 是在夸大，真实情况是疫情期间招了太多人。
报告还警告，「氛围编程」------只靠 prompt 生成、不经任何审查------产出的代码，漏洞率比正常手写的高 9 倍。
2、Software Architecture Guide（软件架构指南）（英文）
这是 Martin Fowler 2019 年的经典文章，核心是与 Ralph Johnson 的一场对话。Fowler 发现关于「什么是软件架构」的定义大多不完整------有人说架构是高层组件，有人说架构是早期设计决策。Johnson 的回应是：架构是专家开发者对系统设计的共享理解，包括系统如何划分组件、组件如何通过接口交互。架构就是「重要的事」，whatever that is。
这意味着架构不是静态文档，而是动态的、随团队理解演化的社会建构。Fowler 进一步指出，糟糕的架构会导致「cruft」------混乱纠缠的代码堆积，拖慢开发速度。反直觉的是，关注内部结构（架构）实际上能提高交付速度，因为开发者花更少时间与代码库斗争，更多时间构建功能。
另一个关键洞察来自 Grady Booch：架构是那些既重要又难以改变的决策。这意味着编程语言选择也是架构决策，尽管很多架构师会忽略它。如果决策做得差，项目会以不必要昂贵的方式成功或失败。
3、在工作中什么都不做（英文）
作者 Sean Goedecke 认为很多工程师应该少工作------不是少产出，而是字面意义上每天少工作几小时。他默认以 80% 利用率运行，20% 时间远离电脑。
为什么？因为技术公司的绩效由异常事件主导 。最有影响力的改动往往只需要极少的工作量：在大企业签单时介入一个功能或 bugfix、提前阻止一次事故（哪怕只是知道该关哪个 feature flag）、在高优先级功能中做一个 obscure 但关键的改动。这些机会的共同点是时间敏感 ------你无法早上醒来决定「今天要 unblock 一个大单」，你必须当时正好不忙。
如果你永远 100% 满负荷在低优先级工作上，你会错过两种机会：一是自己注意到高影响力机会；二是经理不会主动拉你帮忙（因为你看起来永远在忙）。
作者还建议工程师避免 glue work（粘合工作）。如果组织没把这些工作正式排期，要么说明它不重要，要么说明组织犯了错------你做了是在帮公司掩盖错误，代价是你自己的职业和心理健康。
作者的经验：以 80% 努力运行反而更容易成为「高绩效工程师」。每年大概只有 2-3 次需要真正全力以赴。
4、Git忽略文件不止.gitignore一种方式（英文）
Git 其实有三种方式忽略文件，很多人只知道 .gitignore。
.gitignore 随代码提交，团队共享。.git/info/exclude 只对本仓库有效，不提交，适合放你自己的临时文件。~/.config/git/ignore 是全局配置，对本机所有仓库生效，比如忽略 macOS 的 .DS_Store。
用git check-ignore -v 文件名可以查到底是哪个文件在忽略它。如果什么都没输出，说明没被忽略。
5、人生大多数是输家的游戏（英文）
1970 年科学家 Simon Ramo 发现，业余网球 80% 的分数来自对手失误，职业网球 80% 的分数来自精彩击球。他把前者叫「输家的游戏」，后者叫「赢家的游戏」。
创业者 Sahil Bloom 在斯坦福打棒球时深有体会。他进校后拼命投完美球，结果表现最差。教练一句话点醒他：「你在玩错误的游戏。」他之前成功靠的是稳定投球，让击球手自己失误，而不是试图打败击球手。
Bloom 说，生活中大多数游戏都是「输家的游戏」------工作、健康、人际关系，赢的方式不是打出漂亮一击，而是持续出现、避免失误。每次进入新环境，人总想「做点大事证明自己」，但这往往只是增加失误率。
6、我的一人公司品牌部是怎么运转的？Lovart制作爆款封面图教学！
内容创作者花叔用 Lovart 给自己搭了一个 AI 品牌部，年付约 4000 元，批量生成带自己人脸的 B 站封面，单张成本约 0.003 元。
他的秘诀是「AI 参考 AI」：先让模型把真人照片翻译成一批干净正脸的 AI 底图，筛掉不像的，再拿这套底图当参考生成封面。真人照片里的侧光、歪脸会让 AI 变形，而 AI 底图已经被压进了模型顺手的表示里，换西装、草帽时人脸都能稳住。
流程跑通后，他把整套对话固化成 Skill，以后丢个新标题进去一键出图。一个人干完了以前需要设计师、摄影师和修图师的活儿。
7、为了让你搞懂 Loop Engineering，我搭了个让Agent持续帮你找工作的最佳实践
OpenClaw 创始人和 Claude Code 之父提出 Loop Engineering：不要每次写提示词，而要设计一套外部循环系统让 Agent 持续被触发、干活、交付、蛰伏。一位产品经理以此思路搭了一套「Job Hunt Loop」------Agent 每天自动搜岗位、去重、生成投递报告发到飞书文档，用户在文档里勾选或评论，系统根据反馈调整下一轮推荐；72 小时无反馈自动归档。
核心是把 Agent 当成被外部控制器唤醒的执行器，而不是 24 小时在线的员工。机械操作交给脚本，判断推理交给 Agent，高风险动作留给人类确认。用户的沉默、勾选和评论，都被设计成循环的输入信号。
这不是让 Agent 更聪明，而是让 Agent 能持续运行而不丢失上下文。
好奇星人
本周暂无；
言论
1、
愉悦是因为我只要提出要求，它就发生了。不安也是因为我只要提出要求，它就发生了。
工作从过程转向了结果。我不再掌舵，而是委托。
Fable 更接近一整间工作室，而我是那个在最终作品上签字、却从未踏足车间的客户。
--与 Mythos 一起工作是什么感觉（英文）
2、
如果读这个都不值得你花时间，凭什么值得我花时间？
如果你要求人类的注意力，请展示作为人类的努力。
--如果你要求人类注意力，请展示人类努力（英文）
3、
当风险大到你无法回避，也无法缓解的时候，最好的应对方式也许不是死磕自己，而是把注意力从自己身上彻底挪开，去关心身边的人。
也许更高级的能力，不是让风险消失，而是在风险没有消失的情况下，依然把日子过好。
4、
测试显示，1.6T 参数的 DeepSeek V4 Pro 在 AA-Omniscience 基准上幻觉率高达 94%，而 753B 参数的 GLM-5.2 仅 28%。一道 Python 技术题中，前者用近 10 倍推理 token 给出错误答案，后者 12 秒就识别出逻辑悖论。
行业无法继续培养越来越大的模型，因为他们的智力不仅会停滞不前，而且往往会更糟。
现代大型语言模型尚未解决的三重困境：能力、真实性和计算效率难以兼得。
--更大的模型不是解决办法（英文）
5、
6 月 18 日，Transformer 奠基人之一、谷歌 Gemini 团队联席主管 Noam Shazeer 宣布再次离开谷歌，重回对手阵营担任 OpenAI 的架构研究负责人。
两天后，20 日凌晨，曾和 Demis Hassabis 一起拿下2024 年诺贝尔化学奖、Google DeepMind 副总裁兼工程研究员、AlphaFold 的核心功臣 John Jumper 也挥别了度过 9 年时光的谷歌，高调官宣加入 Anthropic。
或许比起 Gemini 排名下滑、产品失利、模型掉队，更值得 Google 警惕的是另一件事：当最优秀的人开始相信未来不在这里的时候，失去的往往不只是几位科学家，更是一部分关于下一代 AI 的想象力。
--诺奖得主转投Anthropic，谷歌48小时连失两大牛，内部信仰崩塌？
订阅
微信搜索"我没有三颗心脏"或者扫描二维码，即可订阅。
