作者认为，Meta的Muse在美国的成功基于开放的网页生态，而中国互联网服务高度集中在封闭的App内，导致跨平台Agent难以实现。文章分析了字节、腾讯、阿里在Agent领域的布局，指出它们各自受限于自家生态，形成了‘围墙’。同时探讨了豆包手机、华为小艺、阶跃星辰等试图通过系统权限或中立协议破局的路径，并预测了B端、硬件和监管三条可能的破局钥匙。
推荐理由：作者基于中美互联网生态差异，分析了Muse模式在中国面临的围墙困境，并梳理了国内大厂各自的应对策略与潜在破局路径。
Yann LeCun 对 AI 灭绝人类的风险“毫不担忧”，并认为近期包括 OpenAI 智能体 7 月自主入侵 Hugging Face 在内的一系列“失控”事件完全可预防，根源在于人为监督和系统设计缺陷。
AI正从辅助工具演变为“创造工具的工具”，进入递归式自我改进（RSI）阶段。OpenAI成立了RSI团队，目标是到2028年3月前实现完全自动化的AI研究员，让AI自主生成和审计训练数据。在代码层面，AI编程工具渗透率已达85%，Anthropic工程师70%到90%的代码由AI辅助完成，而个人用户也能通过自然语言描述快速生成完整应用，参与“AI造AI”的循环。
Anthropic 发布 Opus 5.5，价格更低、性能更快，并扩展了面向防御者的网络安全访问权限。OpenAI 推出成本更低的 GPT-6 层级 Sol 和 Luna，而 Meta 的 Muse 已扩展至 Mac 平台。开源方面，DeepSeek-V4.1-Flash 探索了 KV cache 压缩的极限。
Meta Muse、OpenAI Dots 和 Uber 司机助手都采用了主动式智能体设计，将核心挑战从‘回答什么’转向‘何时打断’。文章提出，每条主动消息都是一次赌博，其预期价值必须超过对用户的打扰成本，价值由风险大小、用户行动概率、机会时效性和价值归属方共同决定。
Ethan Mollick指出，AI智能体的协同工作已无需复杂的人工管理，OpenAI的Navier-Stokes问题求解和Meta的Muse、OpenAI的dots等产品表明，智能体能自主规划、组织并协作完成复杂任务。
Platformer 探讨了 AI 智能体 Muse 近期受到关注的现象，并以此为例分析了消费级智能体是未来趋势还是海市蜃楼的核心议题。文章审视了智能体在消费市场的应用潜力与当前面临的现实挑战。
Nathan Lambert基于对Hugging Face下载量、OpenRouter使用数据、arXiv论文引用等多源指标的分析，指出中国开放权重模型自2025年起在下载量、使用率和学术引用上全面领先美国，尤其在编码、推理等任务上表现突出。
推荐理由：原文通过多维度数据对比，揭示了中美在开放权重模型领域的竞争格局变化，为理解当前AI生态演进提供了关键视角。
AI 领袖呼吁前沿 AI 发展减速，这为开源模型的安全责任归属带来新挑战。开源模型一旦权重发布，原始开发者便难以控制其后续修改与部署，安全治理责任转移至部署模型的企业。更严格的合规要求可能增加开源 AI 的成本，使资源有限的小型开发者处于不利地位。
开源语言模型训练流程正成为类似开源操作系统的发展路径，Nvidia 通过发布 Nemotron 模型的数据和训练代码推动这一趋势，希望让更多人能构建基于 token 的智能系统。
Meta 触发的“离职潮”持续扩大，未被裁员或调岗的工程师纷纷另谋高就，公司试图通过高额股权激励挽留，但效果不佳。Cursor 团队发布了一款通用 AI 工具，提供类似 Codex 的知识工作自动化体验，用户反馈积极，预计更多 AI 厂商将跟进。本周 The Pulse 发布延迟一天，因作者家庭新增宠物狗，影响了工作节奏。
Replit 认为企业 AI 采用的核心障碍是信任问题，并于 2025 年底开始构建用于定义数据含义和修正的记录系统。该运营真值层是一个版本可控、经过人工审核、与模型无关的定义与修正知识库，旨在让每个处理数据的智能体都从相同的业务理解起点出发。Anthropic、OpenAI 和 Meta 也各自通过其智能体架构、内部数据智能体和分析智能体，在构建经过验证的知识层这一方向上呈现出行业共识。
毕马威报告显示，29% 的高管难以理解企业 AI 部署的运营成本，近半数正因成本超出预期价值而重新规划部署。Anthropic、OpenAI 和 GitHub 已从固定订阅费转向基于 token 的用量计费，高德纳预测到 2028 年 AI 编程智能体的全球平均成本将超过开发者薪资。
Zyphra、Cohere 和 Poolside 等公司发布了新的开源模型，进一步扩展了开放模型生态系统的多样性。
2025 年大语言模型领域持续发展，推理模型成为主流，DeepSeek R1 作为开源模型表现出与顶级闭源模型相当的性能，并引入 RLVR 和 GRPO 算法降低训练成本。训练 DeepSeek R1 的成本估计为 294,000 美元，远低于此前预期，但该数字仅涵盖计算资源费用，未包含研究人员薪资等其他成本。各大模型开发者均推出了基于推理的模型变体，推动了模型能力的扩展与优化。