我只想说小米 Vision GT 实车太帅了

360 度无死角的帅，夯爆了

近日 2026 红杉AI 大会上，DeepMind 创始人 Demis Hassabis 做了专题访谈和分享。

总结下关键点：

1、早期游戏开发与技术的前瞻性

-【15 年的 AGI 计划】Demis 拥有国际象棋神童、神经科学家和游戏制作人的多元背景，但这其实是他从 15 岁起，就为创办类似 DeepMind 这样的 AGI 公司，所制定的长远计划。
-【游戏是 AI 与复杂计算的绝佳试验场】在 90 年代，最前沿的计算都发生在游戏领域。他开发的《主题公园》等游戏，本质上是背后运行着复杂 AI 模型和经济系统的模拟器。
-【创业启示】追求技术创新时，“领先时代 5 年，比领先 50 年更好”。步子迈得太大可能会因硬件瓶颈而受挫。

2、坚定的 AGI 信念与技术路线

-【在无人相信的时代入局】2009 年创立 DeepMind 时，学界对 AGI 持怀疑甚至鄙视态度。但他们敏锐地察觉到，将当时刚刚兴起的深度学习与强化学习结合，再辅以 GPU 的算力以及神经科学的启发，是通向 AGI 的秘钥。
-【解决智能，再解决一切】DeepMind 的创立愿景分为两步：第一步是构建 AGI 解决智能问题，第二步是利用 AGI 作为终极工具去解决世界上的其他难题。

3、AI 驱动前沿科学与生物医疗突破

-【从 AlphaGo 到 AlphaFold】当算法通过 AlphaGo 证明其通用性后，Demis 立即组建了科学团队。AlphaFold 成功破解了困扰生物学界 50 年的蛋白质折叠难题。
- 【在硅基世界完成 99% 的药物发现】凭借新公司 Isomorphic Labs，未来的目标是让化合物设计和结合测试，几乎完全在计算机中自动完成，仅将真实的湿实验室用于最终验证。这将把平均 10 年的药物研发周期，缩短到几个月甚至几天，让极其精准的个性化医疗成为可能。

4、模拟器将解锁全新科学

-【机器解释学】随着模型变得像人类大脑一样复杂，对 AI 系统本身进行逆向分析和理解，将发展成为一门全新的工程科学。
-【AI 是描述复杂动态系统的完美语言】对于生物学、经济学、天气等充满涌现性和庞杂变量的系统，传统数学公式往往由于表达能力不足而难以精确描述。利用 AI 构建高保真模拟器，可以在纯数字环境中进行千万次的严谨推演与采样。机器学习将成为生物学的数学。

5、智能体时代、信息计算与人类意识

-【信息是宇宙的最底层基石】相比于物质和能量，信息处理可能是理解宇宙运作的最核心维度。在这个视角下，AI 的本质就是极高阶的信息处理，经典的图灵机和神经网络甚至可以逼近并完美模拟量子系统。
-【走向自主智能体时代】AI 正在从纯粹的工具，向具备高度自主规划能力的智能体演进。
- 【人类意识的独特“基质”】 随着 AGI 逼近，机器或许能在行为上表现得极具意识。然而，人类之间之所以能产生深刻的共鸣，并确认彼此的意识，是因为我们运行在相同的生物“基质”上。基于人类本体的生命体验、连续性以及“自我与他者”的认知，是硅基智能在经验层面上，永远难以完全弥合的鸿沟。

6、快问快答

-【哲学观】深受康德和斯宾诺莎启发。开发 AI 并用其探索世界，本质上是在阅读宇宙的语言。
-【AGI 实现时间预测】坚持认为是 2030 年左右。
-【实现AGI时，必读的书】最喜欢的书，是戴维多伊奇的《真实世界的脉络》。
-【最自豪的时刻】 AlphaFold 的诞生。
-【如果玩高风险策略游戏，选谁做队友】冯·诺依曼。

近日 2026 红杉AI 大会上，Andrej Karpathy 做了专题访谈和分享。

总结下关键点：

1、软件 3.0 范式已来

- 软件 1.0 是人类手写明确的代码规则，软件 2.0 是通过整理数据集来训练神经网络，软件 3.0 是将大语言模型视为解释器，你的提示词和上下文就是编程手段。
- 在软件 3.0 时代，很多传统的应用架构和代码将不复存在，以前你需要编写复杂的管道，现在只需要把原始输入，比如一张图片交给模型，模型就能直接输出结果，神经网络将承担大部分的计算工作。
- 未来，神经网络可能会变成计算机的主进程。

2、从 Vibe Coding 到 Agentic Engineering

- 随着模型能力的跃升，人类越来越信任 AI 自动生成的代码块，不再逐行检查，而是跟着直觉和 AI 互动来写代码。这提高了能力的下限，让所有人都能轻松编程。
- 智能体工程是 Vibe Coding 的专业化升级。专业的软件工程师不能因为用了 AI 就引入 Bug 或降低代码质量。
- 智能体工程是一门关于“如何协调多个 AI 智能体，在不牺牲专业质量标准的前提下大幅提升开发速度”的工程学科。它极大地提高了能力的上限，让原本的 10 倍工程师变得更强。

3、可验证性与参差不齐的智力

- AI 在代码和数学等“可验证”领域的进步速度极其惊人，因为实验室可以通过强化学习（RL）环境自动验证对错，从而让模型飞速进化。
- 最先进的模型可以瞬间重构 10万行代码，却可能会在日常逻辑中犯极度低级的错误（比如建议你走路去 50 米外的洗车店洗车）。这是因为现实生活中的很多情境缺乏高质量的强化学习数据。
- Karpathy 提醒人们，LLM 本质上是带有强化学习外挂的“统计模拟电路”。它们没有内在动机、情绪或生命力。把它们当成“鬼魂”而非有感情的“动物”来看待，有助于更理性地使用它们。

4、工程师角色的转变

- AI 智能体拥有极好的记忆力，可以处理底层 API、张量维度、库之间的差异等繁杂细节，人类不再需要死记硬背这些。
- 未来的工程师需要负责系统架构、美学、判断力、品味和监督。你需要向 AI 智能体提供极其详尽的规范文档，并确保整体设计的正确性和代码的最终质量。

5、走向智能体原生的世界

- 目前的互联网（UI、文档、URL）都是为人类阅读设计的。未来的基础设施将转变为“智能体原生”，互联网上的工具将变成 AI 的传感器和执行器，你可以直接用自然语言要求 AI 部署一个应用，而不需要人类去中间复制粘贴文档或配置 DNS。

6、当智能变得廉价时，还有什么值得我们深入学习？

Karpathy 引用了一句话：“你可以外包你的思考，但不能外包你的理解。”

虽然 AI 可以帮你合成数据、编写维基百科、处理海量信息，但人类仍然是整个信息处理系统中的核心节点。

你必须知道你要构建什么、为什么要构建，并深入理解事物，才能成为一个合格的导演去指挥你的 AI 智能体。

近日 2026 红杉AI 大会上，Claude Code 之父 Boris Cherny 做了专题访谈和分享。

总结下关键点：

1、他个人的编程方式

- 【100% 代码由 AI 编写】他每天通常会提交几十个 PR 请求，最高纪录为了测试极限，在一天内合并了 150 个 PR。
- 【手机是主要的生产力工具】大部分编码工作，都是通过手机上的 Claude 应用程序完成。
- 【智能体调度】他会同时开启多个会话，让成百上千个智能体在后台并行工作，结合 /loop 命令和 cron 定时任务，安排 AI 执行重复性工作（如：自动修复 CI，处理不稳定的测试代码，以及每 30 分钟抓取和聚类 X 上的用户反馈）。

2、团队和公司的运作方式

- 【全员写代码的跨学科通才团队】在 CC 团队中，不论角色是项目经理，产品经理，设计师，数据工程师还是财务人员，每个人都在使用 AI 写代码。
- 【彻底告别手动编码】在 Anthropic 内部，所有地方都不再需要手动编写代码，包括所有的 SQL 查询，一切都由模型构建 ，不同员工的 Claude 智能体会通过 Slack 互相交流以解决未知问题。
- 【坚持“吃狗粮”】他们在内部，完全使用准备对外发布的相同模型和工具，来构建自己的产品 。

3、对未来的核心预测

- 【编程问题已被“解决”】对于像 TypeScript 和 React 等分布广泛的常见技术栈，AI 早就已经能够完美处理，甚至可以学习它从未见过的新框架。
- 【软件开发的“印刷机”时刻】他将现在的 AI 编程比作 1400 年代发明的印刷机。未来软件构建将完全全民化，就像如今发短信和读写一样，成为所有人的基本技能。最适合编写会计软件的人，将是精通业务的会计师，而不是软件工程师，因为编程是简单的，难就难在领域知识。
- 【初创公司的黄金时代】他预测未来 10 年，初创公司的数量将增加 10 倍 。AI 让小团队能创造出与大公司同等的价值，并与大企业正面竞争，因为大企业转型迟缓且面临内部阻力。
- 【SaaS 商业模式的改变】“转换成本”将不再成为企业的护城河（因为 AI 可以轻松将代码从一个平台移植到另一个），同时依赖复杂流程的模式也将被削弱（因为 AI 非常擅长理清和优化流程），但网络效应和规模经济等底层逻辑依然重要。
- 【智能体编排的自动化】未来用户不再需要手动决定如何分配任务，或是否使用本地模型，模型会自动决定启动多少个子智能体，构建何种环境来完成任务。

视频领域的 PS 时刻📷

假期快乐，DeepSeek虽迟但到👌

很多人没注意到，这次的炸不同以往，是真的炸。

大家还有 Codex 好玩的表情包吗？我手头有这几个。

惊喜来了，DeepSeek V4 限时折扣，2.5 折持续到 5 月 5 号。

所有人都在告诉他，你见识到外面社会的厉害了吧？

DeepSeek 说不。