Benedict Evans 在 Lenny's Podcast 上阐述了他的核心判断：AI 目前处于"1997 年互联网"阶段——足够大、足够真实，但距离价值主体的形成仍有巨大不确定性。他认为 AI 的价值最终会向分发层聚集，而非模型层；软件构建成本趋近于零后，分发能力（distribution）将成为终极护城河。此外，他提出了一个重要的框架区分：评估 AI 对工作的影响，正确的问题不是"AI 能做你工作的百分之几"，而是"这是一个任务还是一个岗位"。播客还涉及 AI 公司中咨询和专业服务的异常增长。

Reuters Breakingviews 的 Karen Kwok 披露了 Anthropic "年化营收"（run-rate revenue）的具体计算方式：将最近 28 天的按量付费收入乘以 13，再加上月订阅收入乘以 12。这意味着 Anthropic 在消费类收入上用的不是标准的"乘以 12"年化，而是"乘以 13"——比通常的年化方法多计了约 8%。

Sean Goedecke（GitHub Copilot 团队）系统对比了 LLM 应用的两种架构范式：Pipeline（代码控制流程，LLM 只做单步推理）和 Agent（LLM 自主管理控制流）。核心论点是 Agent 更智能、更灵活、更适合未来——因为 Agent 把上下文收集的难题委托给模型本身，而 Pipeline 必须在调用前就组装好所有相关上下文，这本身是一个"未解决的技术问题"。文章指出 RAG 并没有解决上下文收集问题，实际上行业已经回退到让 Agent 做纯文本搜索。同时强调已知有多个 AI 项目从 Pipeline 迁移到 Agent，但没有反向案例。

Simon Willison 转述了开发者 David Wilson 的自省：AI 编程工具是一个"热核 ADHD 放大器"——一个"写个快速脚本"的需求，一小时后变成了一个有测试、有文档、看起来精心设计的完整项目，但原始问题可能根本没解决。Wilson 列举了 16+ 个用 AI 启动的项目，最终认为这种零摩擦的廉价奖励感只能是一种负担。Hacker News 上的反驳来自 ADHD 群体——他们认为 Agent 首次帮助他们完成了从未完成的副项目。

Gary Marcus 引用教皇 Leo XIV 的推文"真正的理解来自体验，而非文本近似"，批评 Hinton 在最新访谈中混淆了 LLM 输出的模仿与真正的意识——LLM 记忆了整个互联网，人类则通过与世界的交互构建心智模型，两者产生相似输出不代表底层机制相同。

MiniMax 分享其 AI Native 组织实践：从取消 token 使用限制到全员 Agent 化，探索 AI 原生公司的组织形态演进路径。

复旦系创业团队推出机器人原生世界动作模型，采用首创的时空一体架构。该团队半年内斩获 5 轮融资，显示具身智能赛道资本密度持续上升。

OpenClaw 上线 macOS 桌面操控工具 Peekaboo，提供像素级截图和 UI 元素识别能力，让 Agent 从纯文本交互进化到可视化桌面操控。

开源项目 OpenHuman 登上 GitHub Trending 榜首，起源是开发者为父亲制作的桌面 Agent，折射出个人化 Agent 的潜在大众市场需求。

Google AI Overviews 再次引发用户不满，更多人发现了 &udm=14 参数可以绕过 AI 结果回到传统搜索，反映出 AI 搜索体验与用户预期之间的持续摩擦。