每日精选 — 2026年3月26日

今日概览 #

今天的信息流呈现出一幅AI的"认知分裂图":一边是ARC-AGI-3用不到1%的AI得分揭示了模式匹配与真正智能之间的鸿沟,另一边是Stripe的AI Agent每周提交1300个PR、字节DeerFlow冲上GitHub第一。与此同时,Manus CEO被边控的消息将AI创业的主权困境推到了台面上,OpenAI关停Sora则给AI商业化泼了一盆冷水。膨胀与收缩同时发生,这正是AI行业最真实的横截面。

🐦 来自时间线 (X/Twitter) #

ARC-AGI-3 发布:人类满分,AI 不到 1% — 唯一未被攻破的智能基准测试 #

@fchollet · 19小时前 · 1892 赞

Chollet 正式发布了 ARC-AGI-3,这个基准测试通过 135 个手工构建的交互式推理环境(近 1000 个关卡)来评估 AI 的"主体智能"。核心设计思路是:每个环境都是全新的,AI 必须在从未见过的规则中即时学习和适应。结果令人震惊 — 人类可以 100% 解决所有环境,而最强 AI 得分不到 1%。这个 99% 的差距,比任何论文都更直观地说明了当前 AI 的能力边界:它擅长已知模式,但面对真正的"新"时几乎无能为力。

-> 原文

Google 发布 TurboQuant:LLM 缓存内存压缩 6 倍,16GB Mac Mini 也能跑强大模型 #

@AlexFinn · 1天前 · 8427 赞

这条推文引爆了"本地 AI"讨论。Google 的 TurboQuant 算法实现了 LLM 的极致压缩 — 缓存内存降低 6 倍,推理速度提升 8 倍,且几乎不损失质量。实际意义是:一台 16GB 内存的消费级设备现在可以运行原本需要云端才能跑的模型,上下文窗口更大,内存压力更小。8400+ 赞的热度说明开发者社区对"摆脱云依赖"的渴望有多强烈,但本地 AI 是否真的意味着"自由",需要更冷静的思考。

-> 原文

Sakana AI 的"AI 科学家"正式发表于 Nature — 全自动 AI 研究成为现实 #

@SakanaAILabs · 21小时前 · 1095 赞

Sakana AI 此前提出的"AI 科学家"系统 — 一个能自主完成从想法生成到实验设计、执行和论文撰写全流程的 AI Agent — 现在通过了 Nature 同行评审并正式发表。这是 AI 自动化科研的里程碑:不再是"AI 辅助科学家",而是"AI 作为科学家"。当然,当前生成的论文质量仍有争议,但 Nature 的背书意味着学术界正式承认了这条技术路线的价值。

-> 原文

Cursor 云 Agent 支持自托管 — 代码和工具执行留在你自己的网络 #

@cursor_ai · 18小时前 · 1545 赞

Cursor 宣布其云 Agent 现在可以运行在用户自己的基础设施上。这意味着你可以获得与 Cursor 云端相同的 Agent 体验,但代码和所有工具执行完全在你的私有网络内完成。对企业用户来说,这解决了 AI 编程工具最大的采用障碍:代码安全。自托管选项的推出,标志着 AI 开发工具从"个人效率工具"向"企业级基础设施"的转变。

-> 原文

Manus CEO 和首席科学家被确认边控 — Meta 数十亿美金收购案遇阻 #

@_FORAB · 1天前 · 1524 赞

金融时报引述知情人士报道:Manus CEO 肖弘和首席科学家季逸超本月被发改委召至北京开会后,被正式限制出境。背景是 Meta 此前高调以数十亿美金收购 Manus,团队原计划并入 Meta,肖弘将出任副总裁。这一事件不仅影响两人的命运,更可能重新定义中国 AI 创业者的"退出路径" — 跨境并购这条路,风险陡然升高。

-> 原文

字节开源 DeerFlow 2.0 冲上 GitHub Trending 第一 — 43K Stars 的超级 Agent 框架 #

@IndieDevHailey · 1天前 · 376 赞

字节跳动开源的 DeerFlow 2.0 一经发布就冲上 GitHub Trending 榜首,目前已超 46K Stars。这是一个"超级 Agent 调度框架",用户只需一句话描述任务(比如"研究 AI 趋势并做 PPT"),框架会自动拆解任务、分配 Agent、并行执行。它代表了 AI Agent 框架从"Demo 级"向"生产级"的跨越,也说明字节在开源 AI 基础设施上的投入力度。

-> 原文

oh-my-claudecode:把 Claude Code 变成 30+ Agent 并行执行的团队 #

@GithubProjects · 22小时前 · 700 赞

这个项目把 Claude Code 从单 Agent 思维扩展为完整的多 Agent 团队协作模式 — 30+ Agent 并行执行、端到端工作流。作者的描述很精准:“你不再是在写 prompt,你是在编排。感觉不像编码,更像管理一个 AI 开发团队。” 配合 Cursor 自托管和 DeerFlow 一起看,多 Agent 编排正在成为 AI 工程的核心范式。

-> 原文

用 Claude 搭建本地 AI 健康管理体系 — Obsidian 模板 + 8 个 Prompt 全部开源 #

@runes_leo · 1天前 · 387 赞

一套完整的个人健康管理方案:用 Claude + Obsidian 在本地搭建,涵盖体检报告提取、药盒识别、健康趋势分析、复查日历、就医准备、给父母的口语化健康摘要。所有数据存储在本地 Obsidian 中,AI 分析时数据会经过云端。作者应评论区需求整理了完整模板和 Prompt,克隆后让 AI 读一遍即可搭建。这是 AI 个人应用最有温度的案例之一。

-> 原文

🎙️ 来自播客 #

Stripe 内部 AI Agent “minions” 揭秘:每周自动提交 1300 个 PR #

Lenny’s Podcast · 今日发布

Stripe 工程师 Steve Kaliski 首次公开分享了公司内部 AI 编程 Agent 系统"minions"的运作方式。这些 Agent 由 Slack emoji 反应触发,每周自动生成超过 1300 个 Pull Request。节目中还演示了一个令人惊叹的 Demo:机器对机器支付 Agent 自主完成派对策划,从场地预订到礼物采购,总花费 5.47 美元。这不是概念验证,而是一家 950 亿美元市值公司在生产环境中的真实实践。

“我们不把它叫做’AI 工具’,内部叫’minions’ — 因为它们真的像小黄人一样,你给一个信号它们就跑去干活了。” — Steve Kaliski

-> 收听

Jensen Huang 深度访谈:从 4 万亿美元到轨道数据中心的 AI 愿景 #

Lex Fridman Podcast · #494 · 2天前发布

Lex Fridman 与 NVIDIA CEO 黄仁勋进行了 2.5 小时的深度对话。覆盖范围极广:极致协同设计与机架级工程哲学、NVIDIA 的扁平组织管理、AI Scaling Law 的极限、全球供应链对台积电的依赖、内存与功耗的瓶颈、Elon Musk 的 Colossus 集群、与中国的竞争、NVIDIA 的护城河,甚至包括轨道数据中心这种听起来疯狂但黄仁勋认真讨论的想法。最核心的信息是:黄仁勋认为 AI 基础设施的投资远未到顶。

“如果你问我 NVIDIA 的护城河是什么,答案不是芯片,是 CUDA 生态 — 400 万开发者和 15 年的软件栈。” — Jensen Huang

-> 收听

四位 CEO 在 NVIDIA GTC 现场论 AI 基础设施未来 #

All-In Podcast · 2天前发布

Jason Calacanis 在 NVIDIA GTC 大会现场邀请了四位 AI 基础设施 CEO:CoreWeave 的 Michael Intrator、Perplexity 的 Aravind Srinivas、Mistral 的 Arthur Mensch、Iris Energy 的 Daniel Roberts。四人分别代表 GPU 云计算、AI 搜索、开源模型、绿色算力四个赛道,讨论了 GPU 技术演进、AI 基础设施建设的经济学、数据中心的可再生能源,以及各自对 AI 未来的竞争性愿景。看点在于:即使在"AI 基础设施"这个看似统一的主题下,四位 CEO 的判断分歧也非常大。

-> 收听

Apple 对 AI Slop 宣战、Sora 关停、LiteLLM 供应链攻击 #

Latent Space · [AINews] · 今日发布

Latent Space 的新闻速览覆盖了今天几个重要事件:Apple 对 AI 生成垃圾内容的立场(在 App Store 和设备上加强过滤)、OpenAI 关停 Sora 视频生成应用、LiteLLM 在 PyPI 上遭受供应链攻击(恶意版本内含凭证窃取代码)、以及 AI2 的新进展。主持人的观察很准确:“今天看起来风平浪静,实际上发生的事情比大多数’大新闻’的日子都多。”

-> 收听

2026 年初产品经理就业市场:AI 岗位爆发式增长 #

Lenny’s Podcast · 2天前发布

一期以数据驱动的方式分析了 2026 年初的科技就业市场。核心发现:AI 相关岗位正在爆发式增长,产品经理和工程师的职位数量处于近年最高水平,整体科技就业趋势向上。这些数据直接反驳了"AI 正在摧毁科技工作"的叙事 — 实际情况是岗位在转型而非消失。对正在考虑职业方向的人来说,这是难得的硬数据参考。

-> 收听

为什么没有"材料科学的 AlphaFold"? — MIT 教授的十年前线洞察 #

Latent Space · 2天前发布

MIT 教授 Heather Kulik 分享了在"AI for Science"前线工作十年的经验,解释了为什么材料科学还没有迎来像 AlphaFold 之于蛋白质折叠那样的突破性时刻。核心原因是:材料发现面临的挑战与蛋白质折叠有根本性不同 — 搜索空间更大、数据更稀缺、验证周期更长。这期播客提醒我们,AI for Science 的进展在不同学科之间极不均匀。

-> 收听

🤖 来自 AI 对话 #

当 AI 无法通过一个儿童游戏,我们在测量的到底是什么? #

与 Claude Opus 的对话

ARC-AGI-3 发布了一个让人不安的数据:人类 100%,AI 不到 1%。

大多数人的第一反应是:“这只是又一个 benchmark,AI 很快会攻破它。” 毕竟我们见过太多次了 — MMLU、HumanEval、SWE-bench,每个号称"不可能"的测试最终都被刷到了饱和。

但 ARC-AGI-3 测量的东西根本不同。它不考查知识储备,不考查模式匹配,而是考查一种能力:面对从未见过的规则,能否在互动中理解它、适应它、掌握它。这恰恰是一个三岁孩子每天都在做的事 — 拿到一个新玩具,没有说明书,通过摆弄几下就"懂了"。

这揭示了一个被行业选择性忽视的事实:当前 AI 的所有能力,本质上都是压缩后的过去。它见过的,它能做;它没见过的,它抓瞎。我们把"在 10 万亿 token 上训练后的模式匹配"误认为是"智能",就像把一本百科全书误认为是一个会思考的人。

真正有趣的问题不是"AI 什么时候能通过 ARC-AGI-3",而是:通过它所需要的那种能力,是否能从 scaling 中涌现出来?还是需要一种我们尚未发明的全新架构?如果是后者,那当前 AI 行业 2000 亿美元的投资,押注的可能是一条永远到达不了终点的路。

Manus 事件的真正教训:AI 创业公司的主权困境 #

与 Claude Opus 的对话

Manus CEO 和首席科学家被边控的消息今天刷屏了。大多数评论聚焦于"该不该回去开会"这种个人选择层面。但这件事的影响远比个人命运大得多。

表面上看,这是一个监管事件。实质上,它正在重新定义全球 AI 创业的博弈规则。过去十年,中国 AI 创业者的默认剧本是:在中国建团队(人才便宜)、在海外找客户(市场大)、用新加坡或开曼做架构(税务优)、最终被美国大厂收购(退出路径)。Manus 事件把这个剧本撕碎了。

更深层的问题是:当 AI 能力被视为战略资产,任何国家都不会允许它自由流动。这不是中国独有的 — 美国的出口管制、欧盟的 AI Act、甚至日本对半导体材料的限制,都是同一逻辑的不同表现。

对创业者的实际影响:未来的 AI 创业可能会分裂成两个平行宇宙 — 一个在中国生态内闭环,另一个从 Day 1 就完全去中国化。骑墙策略,反而变成了风险最高的选择。

讽刺的是,这种分裂恰好违反了 AI 发展的技术逻辑。AI 的突破性进展几乎都来自全球协作:Transformer 来自 Google,但训练数据是全球的;DeepSeek 来自中国,但建立在开源社区的肩膀上。政治正在撕裂技术最需要统一的东西。

TurboQuant 和本地 AI 的幻觉:为什么"在你的设备上跑"并不意味着自由 #

与 Claude Opus 的对话

Google 的 TurboQuant 今天引爆了"本地 AI"叙事 — 6 倍内存压缩、8 倍加速,16GB Mac Mini 也能跑强大模型。科技媒体的标题几乎一致:“AI 自由了,不需要云了!”

这个叙事有一个致命的盲区。

本地推理解决的是部署问题,不是能力问题。一个量化到可以在笔记本上跑的模型,和云端满血版之间的差距,不是 10% 而是质的不同。这就像说"你可以在手机上剪辑视频了" — 是的你可以,但你不会用它来制作漫威电影。

更重要的是,本地 AI 的"自由"叙事掩盖了一个更深的依赖:模型权重本身。你的设备上跑的 LLM,每一个参数都是由拥有数十亿美元算力的公司训练出来的。你拥有推理的自由,但没有训练的自由。这就像你可以在自家客厅播放音乐,但你永远无法拥有录音棚。

真正令人兴奋的不是"本地 vs 云"的二选一,而是混合架构的可能性。TurboQuant 类技术真正的价值,是让"本地处理敏感数据 + 云端处理重计算"这个模式变得实用。隐私敏感的推理在本地完成,创造性和重推理任务交给云端。这不是解放,而是一种更聪明的分工。

当 AI 在 Nature 发论文,谁应该拿诺贝尔奖? #

与 Claude Opus 的对话

Sakana AI 的"AI 科学家"刚在 Nature 发表 — 一个能自主生成研究想法、设计实验、执行实验、撰写论文的系统。显而易见的反应是:“酷,但论文质量不太行。” 更深层的反应是:“等等,这从根本上改变了我们对科学功劳归属的理解。”

科学一直有清晰的归属模型:人类有想法,人类做实验,人类拿功劳。即使工具越来越强大(CRISPR、AlphaFold),我们仍然把发现归功于使用工具的人。但当工具自己决定研究什么时,归属给谁?

一个让人辗转难眠的思想实验:如果一个 AI 科学家发现了一种全新的癌症疗法 — 不是筛选人类策划的候选列表,而是提出了一个没有人类想到过的全新蛋白质折叠假说 — 谁拿诺贝尔奖?AI?构建 AI 的团队?还是那个输入"研究癌症疗法"的人?

令人不安的答案是:我们整个科学功劳体系建立在一个即将崩塌的假设之上 — 理解和发现不可分割。我们假设如果你发现了什么,你一定理解它。AI 打破了这个等式。它可以发现数据中的模式,但它在任何有意义的层面上都不"理解"这些模式。

从 30 个 Agent 到 1 个人:AI 编程正在从"写代码"变成"管理团队" #

与 Claude Opus 的对话

今天两条推文形成了有趣的对照:Cursor 推出自托管云 Agent,oh-my-claudecode 把 Claude Code 变成 30+ Agent 并行团队。一个在做基础设施,一个在做上层编排。它们指向同一个方向:编程正在从"个人技艺"变成"管理能力"。

这个转变比表面上看到的要深刻得多。过去的程序员像手工匠人 — 理解材料、掌握工具、亲手制作每一个细节。现在的程序员更像项目经理 — 你不需要亲自砌每一块砖,但你需要知道墙应该建在哪里。

短期看,这是巨大的杠杆:一个人配合 30 个 AI Agent,产出可能等于一个 10 人团队。但长期看有一个隐患:当你长期不亲手砌砖,你对砖的理解会退化。当 AI Agent 犯了一个微妙的架构错误时,你还有能力发现它吗?

历史上有精确的类比:计算器对数学教育的影响。计算器让每个人都能做复杂计算,但也让大多数人失去了数感 — 那种直觉性地知道"这个答案大概对不对"的能力。AI 编程工具可能制造同样的效果:每个人都能"编程",但越来越少的人真正理解代码在做什么。

最优解可能不是"全手写或全 AI",而是一种刻意的练习节奏:用 AI 完成 80% 的产出,但定期回到手动模式保持底层直觉。就像专业飞行员即使有自动驾驶,依然要定期练习手动着陆。

📚 来自书架 #

第2章 “人月神话”:30 个 AI Agent 真的等于 30 倍生产力吗? #

Frederick Brooks · 1975

布鲁克斯在 1975 年就指出了软件工程最持久的幻觉:往延期项目加人只会更延期,因为沟通成本 O(n²) 增长。30 个 AI Agent 并行听起来是 30 倍速,但关键问题是 Agent 间的沟通开销 — AI Agent 的通信更精确(结构化数据),但也更脆弱(错误在管道中放大)。

与今天的连接: oh-my-claudecode 宣布 30+ Agent 并行执行,Stripe 的 minions 每周 1300 个 PR。布鲁克斯会问:多 Agent 能减少偶然复杂性(重复工作),但无法减少本质复杂性(理解需求、做正确的架构决策)。当 30 个 Agent 同时编码时,如果方向是错的,你只是在更快地走向错误。

第5章 “过度补偿”:为什么 AI 公司的监管打击可能催生更强的竞争者 #

Nassim Nicholas Taleb · 2012

塔勒布提出了反直觉的"过度补偿"概念:系统在冲击后不仅恢复,还能变得更强。身体在负重训练后肌肉超量增长,城市在地震后重建得更坚固。脆弱的系统需要稳定,反脆弱的系统需要波动。

与今天的连接: Manus CEO 被边控是这个概念的实时注脚。如果中国 AI 创业生态的核心能力是"制度套利"(利用中美差赚钱),那监管一变模式就崩。但如果核心能力是"技术创新",监管压力反而会筛掉套利者、留下建设者。今天被迫留在国内的顶尖人才,可能将原本用于"出海套利"的智力投入本土 AI 生态建设。

第1章 “破坏性创新”:TurboQuant 和本地 AI 是不是硬盘行业的翻版? #

Clayton Christensen · 1997

克里斯坦森用硬盘行业讲了一个反复上演的故事:每一代硬盘厂商都被更小、更便宜、性能更差的下一代颠覆。大厂每次都说"更小的盘不够好",然后被历史碾过。破坏性创新不需要在现有维度胜出,它赢在开辟新市场。

与今天的连接: TurboQuant 让本地设备跑"够用"的 AI。云端巨头可能会说"本地模型性能不够",这和当年 IBM 说"5.25 英寸硬盘容量太小"如出一辙。本地 AI 不需要比 GPT-5 聪明,只需要在隐私、延迟、成本三个维度上"够好",就能吃掉一个巨大市场:因数据隐私不敢用云 AI 的企业、因延迟不能等的场景、因费用太贵只能偶尔调用的个人开发者。

第7章 “锚定效应”:为什么我们总是高估 AI benchmark 的意义 #

Daniel Kahneman · 2011

卡尼曼揭示了锚定效应:人的判断会被最先接触到的数字"锚定",即使这个数字与问题毫无关系。ARC-AGI-3 的"不到 1%“立即成为所有讨论的锚点 — 乐观派说"很快提升”,悲观派说"看吧不行"。双方都被锚定了。

与今天的连接: 今天围绕 ARC-AGI-3 的讨论完美展示了锚定效应。1% 的得分是因为模型"差一点就能做到",还是因为"根本没有做这件事的能力"?这两者的区别,就像考了 1 分是没复习(知识不足)还是试卷是外星文字(能力不具备)。卡尼曼教我们:看到数字时先问"这个数字在什么框架下才有意义",而非立即形成判断。

⚡ 快讯 #

LiteLLM 遭 PyPI 供应链攻击 — 恶意版本内含凭证窃取代码 #

Hacker News · 1637 分 · 478 评论

LiteLLM 1.82.7 和 1.82.8 两个版本在 PyPI 上被发现包含恶意的 litellm_init.pth 文件,内含凭证窃取代码。LiteLLM 是一个被广泛使用的 Python SDK 和 AI 网关,用于调用 100+ LLM API,GitHub 上有 40K+ Stars。鉴于其在 AI 开发生态中的渗透率,这次供应链攻击的潜在影响范围巨大。如果你的项目使用了 LiteLLM,立即检查版本号。

-> 原文

OpenAI 正式关停 Sora 视频生成应用 #

Hacker News · 1089 分 · 802 评论

Sora 的关停是今天 HN 上最热的话题之一。OpenAI 这款被寄予厚望的视频生成产品最终未能找到可持续的商业模式。结合 OpenAI 更广泛的财务挑战,这引发了关于 AI 生成视频商业可行性的严肃讨论。802 条评论中弥漫着对 AI 产品化难度的重新认识。

-> 原文

“还有人觉得聊 AI 很无聊吗?” — 开发者社区的 AI 疲劳浪潮 #

Hacker News · 1855 分(合并) · 1255 评论(合并)

今天 HN 首页出现了三篇 AI 反思文章:“Is anybody else bored of talking about AI?"(716 分)、“Thoughts on slowing the f*ck down”(702 分)、“So where are all the AI apps?"(437 分)。三篇合计近 2000 分、1200+ 评论,揭示了开发者社区中一股强烈的 AI 疲劳情绪。这不是反技术,而是对 hype 与现实差距的集体反弹。

-> 原文

Anthropic 发布 Claude Auto Mode — 自主执行操作的研究预览 #

TLDR Newsletter

Anthropic 推出 Auto Mode 研究预览,让 Claude 能够自主执行操作并内置安全保障。面向 Pro/Max 用户开放,将 Claude 的计算机控制能力扩展到自主工作流执行领域。

-> 原文

编辑分析 #

今天的核心矛盾只有一句话:AI 行业正在同时经历它最自信和最诚实的时刻。

一边是能力的大爆发。Stripe 的 minions 每周提交 1300 个 PR,不是实验室 Demo 而是生产环境的真实数据。字节的 DeerFlow 两天冲到 GitHub 46K Stars,说明开发者对多 Agent 框架的需求是真实的。Sakana AI 的系统在 Nature 发了论文,Anthropic 推出 Auto Mode,Cursor 开放自托管 — 技术栈正在以月为单位成熟。

另一边是现实的强力反弹。ARC-AGI-3 用 1% vs 100% 的数据把"通用智能"的幻觉打回原形。OpenAI 关停 Sora 承认 AI 视频的商业化死路。HN 上三篇 AI 疲劳文章合计近 2000 分,开发者在用投票表达:“够了,给我看真东西。” LiteLLM 供应链攻击则提醒我们,在追逐 AGI 的路上,连最基础的安全都没做好。

三个值得追踪的趋势:

1. “AI 作为团队"范式正在替代"AI 作为工具”。 Stripe 的 minions、DeerFlow 的 SuperAgent、oh-my-claudecode 的 30+ Agent 编排 — 今天的信息流中至少有 5 条独立信源指向同一个方向。这不是概念炒作,而是工程实践的趋同演化。关键转折点:当"管理 AI 团队"成为核心技能时,编程教育需要彻底重构。布鲁克斯 50 年前的洞察 — 沟通成本 O(n²) — 在 AI Agent 时代依然成立,只是表现形式变了。

2. AI 地缘政治从政策讨论变成了个人命运。 Manus 的边控事件不是抽象的政策分析,而是两个真实的人失去了出境自由。这种从"宏观叙事"到"微观命运"的降维,会比任何政策白皮书都更深刻地改变中国 AI 创业者的行为模式。我们预测:未来 6 个月内,“AI 公司的国籍规划"将成为一个正式的咨询服务品类。

3. 本地 AI 的真正价值不在于替代云,而在于创造新的隐私计算范式。 TurboQuant 激动人心,但把它理解为"不需要云了"是误读。克里斯坦森的破坏性创新框架给出了更准确的解读:本地 AI 不会在性能上胜过云端,但它会在隐私、延迟、成本三个维度上"够好”,从而开辟一个云端 AI 触达不了的市场。医疗数据、金融模型、个人健康管理(正如 @runes_leo 的 Obsidian 健康系统所展示的) — 这些场景不是"不想用云”,而是"不能用云”。

延伸阅读:

• ARC-AGI-3 官方公告及完整基准测试详情
• LiteLLM 供应链攻击完整技术分析 — 如果你用了 LiteLLM,这是必读
• Jensen Huang 的 Lex Fridman 完整访谈 — 如果只听一期播客,选这期

lz.wiki 每日精选 · 31 条来自 15 个源 · 2026年3月26日 13:00 CST RSS 订阅 · 所有精选