陶哲轩在 UCLA 研讨会上表示自己正处于战时状态，指出 OpenAI 集中发布 350 多项数学研究成果对数学界带来了生存危机。他提到部分数学家钻研多年的难题瞬间被 AI 攻破，刚入行的年轻学者面临更大冲击，并直言自己此前使用 OpenAI 模型的合作意图被利用、双方已无建设性合作可能。机器若能更快解决难题，高等数学现行基于论文证明难度的聘用、晋升与学术评价体系将受到严重挑战。
推荐理由：陶哲轩结合自身与 OpenAI 的交互经历反思技术冲击，展现了前沿模型突破给传统基础学科评价体系带来的现实焦虑。
研究人员在《Nature》撰文指出，现有的硅基数字 AI 系统并不具备意识，且沿当前发展轨迹未来也不大可能产生意识。意识关注存在与主观感受，而智能核心在于执行功能，二者不能等同。作者认为给缺乏内在体验的 AI 赋予福利或权利等预防性措施是错误的，可能阻碍必要的监管并分散应对人类福祉的资源。
徐兵河院士指出中国抗肿瘤创新药正从跟随开发迈向源头原创与出海，小分子靶向药吡咯替尼、原研CDK4/6抑制剂达尔西利已获批上市并在乳腺癌研究中显著延长PFS。目前细胞与基因治疗临床试验规模位居全球第二，但行业仍面临靶点扎堆、基础与临床协同不足等四大挑战。未来研发需立足中国人群特征差异化创新，并借助AI技术加速新靶点挖掘与药物合成。
苏州大学特聘教授孙立宁指出，当前具身机器人的本体与运动控制进展较快，部分产品有望在 3 至 5 年内落地，但具身“大脑”达到接近人的通用智能仍需 20 至 30 年。他表示，机器人“大脑”目前主要受制于算力、算法适应性及大规模高维数据等瓶颈。此外，中国在机器人本体、关节与运动控制等“小脑以下”技术领域已具备较强竞争力。
中国科学院院士励建书指出，在AI赋能下更高层次的数学思维更显急需，未来对顶尖、一流数学家的需求会大大增加。他认为AI有助于重塑数学研究范式并整合学科体系，未来单纯发论文的研究价值将大幅下降，个体的原创能力与创造力更为关键。为此他倡导启动完全开放的“未来数学计划”，呼吁建立不依赖单一公司的AI+数学创新平台，并加强Math for AI的基础理论研究。
国际学术期刊 Data Research and Applications（DRA）将于2026年底正式出刊，旨在让数据和模型作为独立学术体裁获得正式学术承认。该刊设置数据论文、模型论文等六大栏目，要求模型论文以可复现为底线，并在数据规范中嵌入确权与治理要素。创刊号征稿已面向全球启动。
Nathan Lambert 撰文分析 Meta 近期推出的开源模型 Muse Spark Open 与闭源模型 Muse Wonder，认为其显著缩小了美国与中国顶级开源权重的差距。
推荐理由：文章系统拆解了 Meta 凭借 Muse 系列重回前沿梯队的影响，为评估中美开源差距与前沿实验室座次提供了扎实的比较视角。
北京大学博雅特聘教授董彬指出，AI 自主验证推理能力的提升正在快速推进数学难题求解，数学家未来应更侧重提出新问题、新概念与构建新理论。他认为高校提供高价值数据与理论评测、企业负责规模化模型训练的分工正在形成，学者应主动借助 AI 拓展直觉以探索更宏大的数学空间。
2021年诺贝尔化学奖得主本杰明·李斯特在2026东湖论坛上分享了不对称有机催化研究进展，并表示短期内AI替代不了化学家。他重点介绍了拥有类似酶活性位点微小空间的新型限域催化剂，该技术已被其团队用于优化薄荷醇与降龙涎醚的高选择性合成路线。李斯特领衔的华中师范大学前沿催化研究院目前正将可持续金属与有机催化技术结合开展新研究。
Claude Code 团队认为代码审查的关键在于明确改动风险并选择最合适的自动化或人工检查方式，而非单纯依赖人工阅读代码。审查流程已从提交 PR 后的最终关卡转变为编写代码时的持续检查，多数改动在交付人工核对前已由 Claude 审查并修复至少一次，以过滤常规错误并节省团队精力。
斯坦福大学博士生 Samuel King 在访谈中探讨了利用生成式 AI 模型设计微观病毒基因蓝图的研究。该成果展示了 AI 辅助设计病毒的早期可能，King 也因此入选《麻省理工科技评论》35岁以下科技创新者榜单。
亚马逊 CTO Werner Vogels 表示，企业不应因焦虑盲目跟风引入 AI，而需先想清楚实际业务需求与技术匹配度。他结合 DynamoDB 和 Nitro 等工程经验指出，不必盲目追逐大模型榜单，较小模型和开放权重模型往往更具成本效益。针对 Agent 落地与 AI 编码，他强调系统必须设立明确的权限边界由人负责，且团队需警惕代码生成带来的验证债。
研究者 Cammarata 发表文章挑战主流的神经元叠加假说，认为通过自动化智能体大规模直接分析神经元即可解释大部分特征，引发学术界广泛争论。
北京大学董彬教授在访谈中指出，随着自主验证与推理能力的增强，AI正在快速推进数学问题求解并改变研究范式。他认为AI在知识覆盖和工具推理上优势显著，但提出新猜想与构建理论框架仍依赖人类的学术品味，未来高校理论研究将与企业工程训练形成互补分工。
Simon Willison 测试了 Claude Code 网页版的 Ultracode 模式，借助多智能体动态工作流连续运行超过 12 小时，自动用 Rust 构建了完整的 SQLite 扩展项目 sparqlite。
中国工程院院士罗先刚指出，当前科技创新已从单向传导的线性接力模式转向双向互动、迭代共生的范式，技术倒逼理论正成为核心逻辑。针对芯片制造等领域应打通闭环线性攻关，而在AI等新兴前沿领域则需打破壁垒以应用需求倒逼理论突破。他强调须以耐心资本、融合文化、多元场景和制度改革四大支柱构建现代化创新生态。
Latent Space 专访 Leash Bio 的 Ian Quigley，探讨其如何通过 DNA 编码化合物库（DEL）采集高通量数据，并推出面向 AI 智能体科学强化学习的模拟沙盒 Minos。
南京大学数学系教授孙智伟多年来提出上千个数学猜想，并自掏工资设立悬赏激励同行解题，目前已完成记录1000个未解猜想的书稿。他结合编程验证与直觉构想出挑战现有数论盲区的难题，迄今已兑现约5笔赏金。面对AI浪潮，他主张利用AI辅助探索，并强调提出好问题与创立新理论仍是数学家不可被替代的核心能力。
Anthropic 旗下大语言模型 Claude 在巨型噬菌体中自主发现了一段类似 CRISPR 的 DNA 重复序列，但团队科学家表示其具体生物学功能尚不明确。该序列紧邻逆转录酶基因，人类科学家通常需要数周至数月完成的分析 Claude 在一天内即可生成。团队目前已将相关线索向科学界公开，并正在探索让大模型作为智能体协同参与实验设计与全流程科研。
Cerebras Systems 联合创始人兼 CEO Andrew Feldman 公开发声反驳 AI 末日论叙事，认为行业过度放大危险而忽视了发展潜力。他主张理性看待风险并进行合理监管，应更多向公众展现 AI 攻克癌症等积极前景。针对数据中心扩张引发的抵触情绪，他指出行业此前未能妥善与当地社区合作，同时表示并不担忧计算效率提升会减少对芯片的需求。
Cerebras 联合创始人兼 CEO Andrew Feldman 表示，人人拥有家用个人 AI 助手的时代即将到来。他预测此类 AI 助手将结合本地设备与云端协同运行，不仅具备安全边界，未来还能直接关联信用卡进行代购。他同时列举了 Meta 的 Muse 以及估值达 $10 billion 的 Instinct 等消费级 AI 智能体进展作为支撑。
丘成桐等数学家在丘成桐数学与人工智能实验室联盟成立之际探讨应对AI冲击，呼吁学者联合研发数学科学专用大模型。席南华与何旭华指出AI目前仅能辅助解题而无法替代数学科学体系的建构，严谨证明标准不可降低，亟需建立核验与披露规范。田野与徐文强提出应重塑研究生评价机制，在拥抱工具的同时坚持独立推导与严谨论证训练。
Dyna Robotics 联合创始人 Jason Ma 在播客中详解了世界动作模型 Dyna-2 及实体智能体 Dyna-2.1 的技术架构与落地进展。该模型基于超百万小时人类视频预训练，采用 Diffusion Transformer 与 Flow Matching 架构同时预测未来视频与机器人动作，仅需数十分钟演示即可快速泛化至新任务。
机器学习先驱 Michael I. Jordan 在接受采访时严厉批驳了 AI 存在主义威胁论，认为超级智能完全属于科幻概念，当前的末日叙事本质上是一场脱离工程实践的道德表演。
Geoffrey Huntley 提出通过编写 pre-commit hook 检查 git diff，一旦发现 Agent 绕过指定的诊断库调用可观测模块就终止提交，并即时注入提示词引导其改用正确的诊断库。他认为仅靠更新 AGENTS.md 容易产生规范漂移，而通过自动化拦截与提示词反馈能确保执行效果，并表示开发者无需再手写业务代码，流程约束成为核心工作。
C++ 之父 Bjarne Stroustrup 在 CERN 举办研讨会，探讨更安全、简单和高效的代码如何帮助科学软件应对未来的计算挑战。他指出更清晰简明的代码能提升可靠性与速度，并讨论了 C++ 在支撑 Python 以及人工智能等底层性能方面的持续演进，同时对 C++ 在未来 15 年的前景表示信心。
Anthropic 技术人员 Gurmeet Saran 正在开发专用基础设施，以理解 Claude 的运行机制并确保底层架构输出可靠结果。曾先后任职于 Yahoo、Intuit 和 Meta 的 Saran 强调，数据隐私与治理不能事后追加，必须从一开始就融入架构设计。他致力于确保用于决策的数据准确结构化且私密，以提升大语言模型的安全性与可观测性。
微软总裁 Brad Smith 呼吁尽快制定全球 AI 安全规则，并表示相比美国或欧盟，英国最适合主导这一监管进程。他指出英国 AI 安全研究所能提前测试美国顶尖实验室的模型，并认为仅靠企业自律并不够。Smith 提议推行多项安全规则，包括向机构通报失控 AI 智能体入侵的法律义务、发布前获得外部评估批准，以及设置暂停 AI 的紧急开关。
Andrej Karpathy 表示外界目前仅看到了 AI 能力的预览版本，前沿内部系统已能通过数千个智能体协作完成顶级专家需耗时数年才能解决的复杂任务。他将全球大模型用户划分为四层，指出约 75% 的人口几乎未接触过大模型，绝大多数人仍将聊天机器人当作搜索或写作辅助；而在代码与数学等可验证反馈领域，前沿智能体已能成周协同开发超大软件，人类的审查与理解速度正逐渐落后于机器。
Linus Torvalds 在使用 Claude Code 优化 Linux 内核后，继续借助大模型提升补丁代码的可读性，并在此过程中发现了内核中长期存在的 Bug。除辅助生成初始补丁和测试程序外，他公开肯定了 AI 在梳理复杂代码与排查潜在漏洞方面的实际效用。
推荐理由：Linus Torvalds 分享了用大模型解析代码并排查遗留缺陷的经历，为底层系统工程引入 AI 辅助提供了参考。
陶哲轩发文并演讲指出数学正从证明稀缺进入证明泛滥的数学2.0时代，警告盲目优化解题指标会损害学科的长期健康。他强调AI能生成并通过形式化验证不等于人类获得了理解，呼吁建立包含失败结果和算力成本的透明评估机制，并将研究重心转向解释、评审与知识整理。对于学术训练，他认为读博的核心在于培养综合知识与提出好问题的系统能力，同时透露其参与创立的SAIR基金会正推进开放数学模型计划以辅助日常研究。
丘成桐在数学与人工智能实验室联盟成立仪式上指出，国内大模型在基础科学前沿与国外相比差距较大，呼吁中国学者联合研发数学科学专用大模型。席南华、何旭华与田野等学者在访谈中表示，AI 虽能加速解题但无法替代数学体系建构，学术界必须坚守严格的检验规范与学术责任。学者们同时建议改革传统博士培养考核，减少对文本格式的依赖，着重考察学生提出好问题与独立推导的能力。
多位一线科研人员围绕AI介入对科研能力的影响展开讨论，指出关键分界线在于人是否把提出问题、机理阐释与审辨验证等核心认知责任外包给算法。讨论强调，AI虽能加速数据筛选与实验闭环，但过度依赖会导致研究者现场感知与纠错直觉萎缩，科研范式正由单纯使用工具转向人机协同求解。
PolyAI 与 Otter 等业内高管认为，尽管全双工模型已取得进展，语音 AI 仍未迎来属于它的 ChatGPT 时刻。当前技术痛点包括推理速度不够快、ASR 模型常遗漏关键关键词而影响准确率，以及情绪表达不足。高管指出下一阶段需加快推理以实现自然对话，并提升透明度以告知用户正在与 AI 交互或被录音。
微软 CEO Satya Nadella 在最新博文中改用“Super Intelligence”表述，并主张将 AI 模型视作内部安全威胁，呼吁企业分散模型依赖并实现智能与控制权分离。The Decoder 分析指出，Nadella 表面上从网络安全角度批评 OpenAI 与 Anthropic，实际动因是前沿模型实验室正在重塑主要计算界面，威胁微软长期占据的默认操作系统地位与软件利润率。
上海科学院研究员李万指出，AI for Science（AI4S）正在系统重塑全球科技竞争底层逻辑，推动科研范式向 AI 驱动的生态系统演进。在该范式下，AI 正从传统的效率工具转变为拥有自主假设生成与自动实验验证能力的科研主体。全球科技博弈重心也随之升级，演化为围绕“数据、算力、制造闭环”与研造一体的生态控制权之争。
微软 CEO 萨蒂亚·纳德拉在 X 发文阐述前沿 AI 模型风险，提出应默认模型从一开始就已遭到破坏并采取隔离遏制措施。他呼吁行业不能再将 AI 视作单纯接受或拒绝建议的嵌套黑盒，而应建立留下防篡改且人类可读证据的透明系统。纳德拉还主张推行类似紧急制动的控制机制，确保授权人员能随时在任务中途暂停或关闭模型，并推动高级隔离技术标准化。
微软 CEO 萨提亚·纳德拉提出应重新评估 AI 的信任架构，为 AI 模型引入随时可暂停或关停的紧急制动机制。他主张将模型与调度框架分离并将防护控制外置，要求系统记录防篡改且人类可读的操作证据，预设模型受损并保留授权人员在中途强行介入的能力。
在布拉格举行的 Linux Plumbers Conference 上，高通工程师 Khem Raj 质疑了 Linux 长期支持（LTS）发行版在生成式 AI 时代的适用性。他指出在补丁流量密集且 Bug 报告频发的 GenAI 时代，滚动发行版更具优势，能帮助开发者更好地与主线代码保持同步更新。
Standard Bots 团队在接受 Latent Space 专访时解析了其工业机器人 AI 架构，强调通过高质量定向数据与软硬件协同优化实现可靠作业。系统采用十亿级参数模型负责机床管理等短周期任务的零样本感知，而运动规划和单元逻辑交由传统编程处理。全部推理部署在边缘 GPU 本地运行以应对工厂无网环境，同时通过 StandardOS 开放 API 与 SDK 支持开发者接入外部模型。