为什么 AlphaFold 没有解决蛋白质折叠问题——对话 Google DeepMind 的 Pushmeet Kohli 与 Biohub 的 Sal Candido
Google DeepMind 的 Pushmeet Kohli 与 Biohub 的 Sal Candido 在 Latent Space 的一场对谈中指出，AlphaFold 的突破只是开始，蛋白质结构预测远未解决，静态结构预测无法覆盖蛋白质动态与无序性。
#大佬观点
Latent SpaceAI 评分2828 TechCrunch · AIAI 评分2828 我们总忍不住把 AI 当人对待，但这样对吗？
MIT CSAIL 的 Unitree 人形机器人售价约 5 万美元，参观者会本能地握手问好；研究显示约 70% 的人对 AI 保持礼貌。MIT 的 Sherry Turkle 与 Pat Pataranutaporn 指出，拟人化倾向虽属人性，但可能让人更信任聊天机器人，甚至引发 Character.AI 相关诉讼等极端风险。
TechCrunch · AIAI 评分3838 a16z 合伙人 Olivia Moore 谈消费级 AI 现状：ChatGPT 仍遥遥领先，社交、约会、金融等六大品类仍空白
a16z 合伙人 Olivia Moore 发布消费级 AI 应用 Top 100 报告，ChatGPT 仍是最大玩家，Suno、ElevenLabs 等小厂展现出持续生命力。
Simon WillisonAI 评分2222 Matthew Green：AI 冲击下公钥加密或面临信任危机
密码学家 Matthew Green 认为，人类对现有公钥加密算法"功能性失去信心"的概率约为 15%，而世界处于 Minicrypt（公钥加密不可能存在的假想世界）的概率为 1%。他指出，AI 产出意外发现的速度与人类更换标准的速度相差数个数量级，只有提前做好准备才能从这类冲击中恢复。
The Verge · AIAI 评分3636 特朗普试图把 AI 改名为「Super Intelligence」，OpenAI、Meta 等巨头纷纷附和
特朗普签署行政令，禁止在可能之处使用「AI」一词，要求改称「Super Intelligence」，并将继续使用「Artificial Intelligence」的人称为「THE ENEMY」。美国 CAISI 已更名为 CAISSI，司法部新闻稿也改用新词；Musk 承诺将 SpaceXAI 改名 SpaceXSI，Altman 表示赞赏但 OpenAI 不会改名。
MIT Technology Review · AIAI 评分3636 我们高估了 AI 说"不"的能力
MIT Technology Review 文章指出，AI 的拒绝机制已成为 AI 安全的核心支柱，但因其基于概率，可靠性有限，且拒绝边界由企业秘密划定。文章援引 OpenAI 前安全研究员 Steven Adler 和哈佛研究者 Ryan McBain 的说法，早期模型几乎有问必答，如今模型虽经大量拒绝训练，仍可能被绕过，部分用户已尝试用先进 AI 研发生物病原体和自主无人机蜂群。
Simon WillisonAI 评分1212 Carson Gross：即便 AI 工具兴起，编程仍将是可行的职业
Carson Gross 认为，编程本质上是用计算机解决问题、并在解决问题时控制复杂度这两件事。他难以想象未来掌握这两项能力会变得比今天更没价值，因此即便 AI 工具出现，编程仍会是一个可行的职业。
Latent SpaceAI 评分3838 Periodic Labs 的 Liam Fedus 与 Ekin Dogus Cubuk 谈"合成超级智能"：从半导体到超导体
Periodic Labs 联合创始人 Liam Fedus 与 Ekin Dogus Cubuk 在 Latent Space 播客中提出"合成超级智能"（synthesis superintelligence）路线：以物理实验为环境的强化学习、AI 材料表征、DFT 与高通量实验室，让模型学习做科学的全过程而非只看已发表结果。
MIT Technology Review · AIAI 评分2020 AVEVA 如何为自主工业 AI 构建更安全的落地路径
AVEVA 首席技术专家 Arti Garg 提出，工业 AI 正从预测分析转向基础模型、物理 AI 与智能体 AI，但因其直接作用于物理系统，责任部署成为关键。AVEVA 的责任 AI 框架强调安全、效率与人类监督，主张 AI 应增强而非取代关键决策中的人，并由护栏界定自动化与人工负责的边界。Garg 还参与 IEEE 工作组，制定覆盖电力、能源、水资源与碳的 AI 环境影响测量标准方法。
Simon WillisonAI 评分1212 Ben Affleck 谈机器学习与视觉特效：从卷积神经网络到 Transformer
Ben Affleck 表示自己从胶片转向数字电影时期开始对计算机产生兴趣，能写"相当糟糕的 Python 脚本"。他指出视觉特效工作流多年来已包含机器学习，早期用卷积神经网络对张量做边缘检测和特征提取，以便抠出绿幕画面并替换背景，而卷积神经网络是 Transformer 的前身。
Microsoft ResearchAI 评分2222 Microsoft 研究员 Jennifer Neville 谈 AI 评测的意外失败与数据洞察
Microsoft 合伙人研究经理 Jennifer Neville 在 Microsoft Research Podcast 中讨论评测如何推动 AI 系统突破传统 benchmark 的性能边界，以及模型在超出现有基准测试时出现的"意外失败"。她强调结果偏离预期时应仔细审视数据，并分享了使用当前 AI 系统的实用建议。
GitHub Blog · AI & MLAI 评分3636 GitHub Copilot 为什么说聊天框是错的 UI：用 canvas 替代 chat
GitHub 认为 chat 并非与 LLM 交互的最佳界面，在 GitHub Copilot 应用中提出 canvas：一种运行在应用内、无浏览器外壳的全栈小应用，可与 Copilot 智能体双向通信，并能调用第三方 API 或在本地执行代码。
GitHub Blog · AI & MLAI 评分2222 GitHub Podcast 拆解五大 AI 热梗：该不该读 AI 代码、RAG 是否已死、Skills 是否取代 MCP
GitHub Podcast 最新一期拆解了五个 AI 开发热梗：AI 生成的代码仍需阅读和负责，但审查力度应按风险分级；Skills 与 MCP 解决不同问题，前者是打包的团队经验，后者是智能体连接工具与数据的标准，二者可组合使用。RAG 并未消亡，它通过检索外部知识减少 token 消耗并让回答更有依据，可与 Agent、Skills、MCP 共存于同一工作流。
Berkeley AI ResearchAI 评分3232 智能免费之后怎么办？面向智能体、由智能体构建的数据系统
UC Berkeley 的 Aditya G. Parameswaran 等人提出，随着推理成本从 2023 年初 GPT-4 级约 $30/百万 token 降至如今不到 $1、部分厂商低于 $0.10，数据系统需应对三大新挑战：为智能体设计（Data Systems For Agents）、由智能体运行（Of Agents）、由智能体合成（By Agents）。