Anthropic 把 Chat 和 Cowork 并成了一个入口。以后不用判断手上的活该丢给哪个框，问一句可以，丢一份几十页的东西让它自己啃也行。攒下的对话、Skill 和连接器都还在。它能调用文档、表格、演示、视觉这几套东西，也能在后台接着跑，不用你把屏幕亮着。据说未来几周先给 Pro 和 Max 推。
同一周，OpenAI 总裁 Greg Brockman 在一档访谈里说，我们已经进入 AGI 时代。理由跟跑分没关系：GPT-6 Astra 能自己连着干满 24 小时。过去十年大家拿准确率当标尺，现在的标尺换成了能不间断工作多久。
24 小时这个数字单看没什么，脚本也能连跑一天。让它变重的是 Brockman 讲的另一件事。
他那个人站是个没什么流量的静态博客，放着几篇文章。他让 Codex 去查漏洞，15 分钟回来报了 13 条：SPF 记录没配好，别人能伪造他的邮箱发信；站点还在跑 HTTP，没强制跳 HTTPS；诸如此类。每一条单拎出来都不算事。他追问了一句：你能修吗。接下来 45 分钟，模型自己打开云服务的控制面板，一路点过去，配好响应头，把站点迁了个托管方式，还起了 DMARC 流程------那个流程要等 48 小时，它顺手挂了个自动任务，两天后回来收尾。
全程他没写一行代码，说了两句话。
顺带说下 GPT-6 这个编号的来历。Brockman 讲，他们一直希望下一个模型配得上这个号，可模型总是一点一点变好，每次都觉得该叫 5.7、5.8，永远等不到那个时刻。到 Astra 才第一次出现近乎不连续的跳变------他自己也承认能力是锯齿状的，写作头一回读着不那么油腻了，可还算不上好。
同一场访谈里还有个数字我记下来了：OSWorld 2.0 的延迟模拟中，Astra 拿到 72.6%，每项任务约 40 分钟；上一代 GPT-5.6 Sol 是 65.7%，每项约 75 分钟。比的不是答得对不对，是用一台电脑把事办完要多久。Brockman 还顺口提了一句，他们真放出一万个 Agent 去解纳维-斯托克斯，最后拿下的那一组就是这个量级。scaling 的对象从参数换成了并发。
所以 24 小时衡量的不是能运行多久，而是没人在旁边盯着的时候，它能不能把一个要等待、要跨系统操作的多步骤事情办到底。前者是脚本，后者是代理。中间那层，行业现在叫 Harness------模型外围决定怎么拆任务、什么时候问人、什么时候接着干的框架。
入口统一还有个不太显眼的代价：你不清楚它是怎么把活干完的。以前分开几个工具，至少能猜到这份东西走的是哪条链路；现在全在一个框里，出问题时你手里能抓的只有结果。要交付给别人的人得自己留一份能追溯的记录，把关键步骤的产物单独存下来，别全押在对话历史上。
Claude 那条合并新闻讲的是同一件事。过去 Anthropic 把能力摊成几个房间，用户得先判断这活属于哪个房间。真实工作不按产品的分界线切：一份东西可能要查资料、跑数据、写正文、配图、改三遍，最后还得能拿去演示。让人先做分类，等于把机器的内部实现细节丢给用户。现在这层判断被收走了。
少点几下鼠标对我没那么重要，变的是流程里人的位置：一端是提需求的质量，另一端是验收的严谨，中间那段"怎么做"不再需要你。
Brockman 有句话讲得挺直：不该由人一点点从 AI 身上把能力挖出来，应该是 AI 主动告诉你能用哪种新方式帮你。他还报了个数字，ChatGPT 周活大约 11 亿，另有大约 15 亿人用过之后不再来了，是现有周活的 1.4 倍。他把这个归因为产品形态的毛病。要我说，更准确的说法是大多数人还在拿上一代的心智用这一代的工具。
中间那段被掏空之后，你拿什么证明自己不可替代？我给自己的答案是验收。Anthropic 那边 Claude 写掉了公司八成的合并代码，代价是测试规模涨十倍、CI 任务量半年涨二十五倍，内部那套测试选择服务被压垮了三次。产量暴涨之后，堵点一定挪到验证上。独立开发者没有 CI 团队，没有运维，唯一的防线是自己有没有一套能自动收拾烂摊子的机制。我现在的做法是，AI 每交一版改动，先跑固定的回归集，再去看 diff。慢，但问题留在了我看得见的地方。
验证最终落到同一个东西上：机器。跑测试要机器，跑评测要机器，跑一遍完整回归也要机器。你可以去蹭各种免费额度，也可以咬牙买张卡------后者我试过一次，装完驱动搭完环境，一个下午没了，然后它开始吃灰。
这也是我后来把这块交给别人的原因。我现在用算力租赁，账号开下来的时候 不用我去跟 flash-attention 的编译错误较劲。用多少算多少，没有最低消费，POC 阶段跑两三个通宵的实验，账单也就那么回事。深夜训练炸显存的时候还有真人能回句话，这一条比参数表上任何一个数字都实在。