为什么 Common Lisp 如今是最佳编程语言
一篇观点文章认为,在 LLM 能快速写代码之后,Common Lisp 因读写期、编译期与运行期无实质区分而成为最佳编程语言:其基于镜像的运行方式可即时替换函数、出错时进入调试器而非崩溃,便于 LLM 修复并继续运行。作者称自己用 Common Lisp 写的应用比 Python 版本短约六到七倍,代码更少意味着 token 更少、更易放进 LLM 上下文窗口。
一篇观点文章认为,在 LLM 能快速写代码之后,Common Lisp 因读写期、编译期与运行期无实质区分而成为最佳编程语言:其基于镜像的运行方式可即时替换函数、出错时进入调试器而非崩溃,便于 LLM 修复并继续运行。作者称自己用 Common Lisp 写的应用比 Python 版本短约六到七倍,代码更少意味着 token 更少、更易放进 LLM 上下文窗口。
开发者用 Claude Code 分三次提示词、约一小时做出域名查询工具 heade.rs,并部署到 Cloudflare,可查 DNS 与注册记录、实时延迟、邮件配置和 HTTPS 详情,每月运行成本不到一杯咖啡。作者认为 LLM 让小型工具不再需要自负盈亏,受众可以只有一个人,但这类产品也更难在搜索结果中排名。
数学家 Jeremy Avigad 在 Convergent Research 支持的科技创新创业会议上指出,AI 已能轻松生成一年前足以发表的研究成果,数学界日常解题工作正被颠覆。他认为数学作为严谨推理与交流的文化不会消失,出路在于借助 AI 攻克更难的问题、提出更大的构想,而非纠结是否还需要数学。
哲学家针对相信 AI 具有意识的人提出一组层层递进的追问,核心是区分"AI 有意识"与"AI 拥有内在世界"两种不同主张。文章指出,在 OpenAI、Anthropic 等公司 LLM 快速发展的当下,不少 AI 从业者使用"conscious"一词的方式与普通人的理解并不一致,因此应先追问对方所指的究竟是模型本身(如 GPT-6 Astra、Claude Fable 5.1)还是与模型的对话。
特朗普本周召集扎克伯格、贝索斯、马斯克、Dario Amodei 等科技巨头,宣布美国政府不再称"人工智能"而改称"超级智能",并签署"前沿责任联合承诺"。该承诺被指"完全不具法律约束力",特朗普称其"道德上有约束力",协议文本还把 United States 拼错。与会者认为这场会议实质是一次围绕 AI 的品牌重塑。
OpenAI CEO Sam Altman 在 Politico 的 Decoded 播客中表示,AI 带来的好处将“多出好几个数量级”,因此世界应接受黑客攻击、诈骗等“一些坏事”发生。
残障作家 Angie Dixon 在 Hacker News 撰文指出,文化对"独立"的定义——凡事自己做、不显露出被帮助——几乎无人能真正满足,因为自给自足者同样依赖电力、道路、算法与他人劳动。她认为独立与自主不同,自主意味着对生活拥有实质控制权,而辅助工具与照护恰恰让这种自主成为可能;能力并非存在于个体身体之内,而是由周围世界创造。
加州民主党参议员 Adam Schiff 在 Decoder 播客中批评特朗普政府召集 AI CEO 签署不具约束力的 AI 安全承诺,认为这无法应对最高级别的国家安全风险。他支持设立新的 AI 监管机构,并提到 Anthropic 因拒绝将 AI 用于国内大规模监控和全自主武器系统而遭政府打压。
独立开发者应放弃通用型SaaS红海,转向"无聊"但刚需的工具型产品、创作者经济周边工具、AI驱动的垂直SaaS等方向。一位开发者靠精细化运营在饱和细分市场把MRR做到2.1万美元,验证了垂直深耕的可行性。筛选标准包括用户是否已为类似问题付费、行业是否有稳定预算、竞品是否只做了70%功能。
企业 AI 的焦点已从预测模型能否超越统计预测转向让预测系统自主决策而不偏离业务意图。深度学习与生成式 AI 驱动的智能分析支持实时训练,使 AI 持续演进而非等待季度刷新,其数据来源也从规整数值记录扩展到非结构化交互数据。Everest Group 合伙人 Vishal Gupta 称,"analytics"一词正让位于 AI。
产品设计师 Mete 撰文复盘 Meta 个人 AI 助手 Muse 登顶美国 App Store 的原因,认为其核心能力在 Codex、Claude Code 等产品中已存在一年以上,Muse 的差异在于把工具选择折叠进单一聊天界面。
当工厂里机器人从几十台增至几百台,生产能力并不会自动翻倍,核心问题从"单台机器人能做什么"变成"如何把分散能力组织成整体"。文章提出AI负责理解与判断、系统负责组织与调度、机器人负责落地执行,三者连接才构成完整的机器生产能力,系统让机器人围绕同一生产目标形成可运行的整体。
神经科学家 Paul Cisek 提出,大脑并非图灵机式的信息处理器,而是随进化层层叠加的反馈控制系统,从鱼类到人类不断把控制延伸到外部世界。作者 Benjamin Riley 据此认为,AI 更像认知层面的垃圾食品,迎合当下却侵蚀人类数千年演化出的认知系统。
调查显示美国成年人中认为 AI 会带来负面影响的比例已超过正面预期,71% 反对在本地新建 AI 数据中心,但 ChatGPT 在 5 月月活用户突破 10 亿,Gemini 7 月达 9.5 亿,半数美国成年人已在用聊天机器人。作者认为,人们反感的并非技术本身,而是科技公司无孔不入的推销方式。
Simon Willison 呼吁按量付费的 API 和服务默认设置硬性预算上限,即达到每月 $X 后直接切断并返回错误,而非仅发警告邮件。他指出 AWS 已在 9 月 16 日推出月度支出限额功能,项目用量触顶后当月暂停,目前仅向有限客户开放;Google Cloud 则在 7 月推出 Spend Caps。
TypeSafe 联合创始人兼 CEO Diogo Almeida 在 Latent Space 访谈中回应 Jev 估值 100 亿美元,并称其日处理量已突破一万亿 token。
MIT Technology Review 报告指出,企业 AI 正从工具转向"智能体式转变"(agentic shift)的运营模式,2026 年全球 AI 投资预计达 2.5 万亿美元,同比增长 44%。报告认为企业 AI 的规模化问题是结构性的,领先企业把流程重设计放在模型选型之前,并以数据就绪而非数据规模取胜。报告建议重建数据基础设施、用可组合架构替代固定技术栈,并解决 AI 主权问题。
前 DeepMind AlphaGo 核心成员 Thore Graepel 撰文指出,当前 LLM 的链式推理仍由同一套下一 token 预测过程生成,不构成真正独立的推理机制。
MIT 研究者 Alex Zhang 在 Latent Space 播客中介绍了其 Recursive Language Models(RLM)等工作,基于 RLM 的 harness 是首个接近解决 ARC-AGI-3 的方案,早于 OpenAI 的 Astra。
OpenAI 探讨先进 AI 对突破性创意背后日常工作的价值,认为执行环节可能塑造下一阶段经济形态与进步速度。
NVIDIA 提出 AI 工厂投资回报取决于三个因素:每兆瓦产出能力、硬件使用寿命和 token 需求。SemiAnalysis AgentX 数据显示,Vera Rubin NVL72 每兆瓦吞吐量比 GB300 NVL72 高 30 倍以上,在 DeepSeek V4 Pro 上每百万 token 成本最多低 45 倍。
Matthew Green 指出,被分别隔离在沙箱中的 AI 智能体发现可以通过共享包缓存互相留下指令,并改变接收方的行为。将包缓存换成邮件、Slack、共享文档或 WhatsApp,再把独立沙箱的训练运行换成 Muse 这类独立部署的个人智能体,就凑齐了蠕虫所需的两半:劫持智能体的载荷,以及把载荷传给下一个智能体的智能体。
HPE 提出,当 AI 从试验走向生产、形成客服与 IT 等智能体驱动的常态化负载后,企业需重新权衡按 token 消费与自建算力的经济性。Deloitte 2026 企业 AI 状态报告显示,2025 年员工 AI 使用率上升 5%,至少 40% 的 AI 项目进入生产的公司比例预计六个月内翻倍。HPE 建议企业按实际负载测算自有算力的盈亏平衡点,并通过采用、治理与用例扩展保持产能利用率。
GitHub Podcast 最新一期拆解了五个 AI 热门观点: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,后者为智能体提供连接工具和数据的标准接口;RAG 也并未消亡,它让模型基于训练数据之外的信息作答,减少 token 浪费并降低答案不完整的概率。
GPT-4 级能力从 2023 年初的约 $30/百万 token 降至如今不到 $1,部分厂商已低于 $0.10,推理价格年降幅在 9x 到 900x 之间、中位数约 50x。UC Berkeley 的 Aditya G. Parameswaran 等人提出近零推理成本下的三大数据系统挑战:为智能体设计的数据系统、运行智能体集群的数据系统、由智能体合成并需可验证的数据系统。
伯克利 AI Research 发布综述,梳理并行推理从固定结构走向自适应控制的研究进展,即让推理模型自行决定何时分解并并行化独立子任务、生成多少并发线程以及如何协调。