车畅（Chang Che）认为，AI已将网络安全从零日漏洞稀缺的时代推向零日漏洞泛滥的时代，而中国自上而下的体制难以适应这种所需的快速、去中心化的修补方式。据Censys数据，PHP零日漏洞披露一周后，美国已修补了1400万个暴露服务中的超过四分之一，而中国仅修补了4%。车畅将此归因于中国2021年的一项法律，该法律禁止研究人员在海外公开或出售零日漏洞，从而削弱了西方漏洞赏金生态系统背后的激励；他还援引Nicole Perlroth的观点，即AI模型使囤积的漏洞利用手段过时，意味着NOBUS的终结。
Exponential View 周日版第 609 期认为，本周科技实际上已登上选票，并援引得克萨斯州当选州长 Gina Hinojosa 的说法称“我们中 99.9% 的人”正与“控制政府的 15 个亿万富翁科技佬”对立。文章还质疑 AI 的生产率回报是否已经到来，指出美国上季度生产率增长 3.6%，但称数据噪音太大，无法归因于 AI，并认为欧洲正在为其输掉的科技竞赛提供资金。
AI驱动进步的瓶颈可能不是湿实验室或算力限制，而是人类尊严，因为AI研究者和创业者抗拒一个机器智能让他们的贡献变得多余的世界。文章认为，他们的价值函数——相对于最具竞争力的替代品的贡献——会促使他们拖累AI，在资源分配和伦理等不可验证的问题上让人类留在循环中。
Asaf Ezra 认为，AI 让漏洞利用变得廉价而快速，而打补丁仍需数周到数年，因此漏洞利用与补丁之间的差距不会靠更努力地打补丁来弥合。他引用了十月的 PHP 漏洞——在披露前四天就已被利用——以及 Anthropic 的一份报告：一个未发布的模型在不到一小时内生成了 Linux 内核漏洞利用。随后他按覆盖范围对四种设备外防御排序：从开放互联网移除暴露面、分段、网络级虚拟补丁和消除漏洞类别。他还认为备份如今是主要目标，并引用 Sophos 数据：94% 的勒索软件受害者表示攻击者试图破坏其备份，其中 57% 的尝试成功。
Ed Zitron认为，美国中期选举结果暴露了AI泡沫的一个脆弱点：多个州和市镇的选民支持限制数据中心建设。他列举了33项限制数据中心的投票措施、俄亥俄州21个市镇投票支持限制，以及12个州中获胜或领先的州长候选人呼吁暂停数据中心开发。他主张，NVIDIA的增长以及AI实验室的增长故事依赖于不受阻碍的数据中心建设，而该行业曾以为可以在未获得受影响社区同意的情况下扩张。
民主党中期选举大胜被解读为对硅谷的警钟，随着投资者计入数据中心建设放缓，AI基础设施和芯片股下滑。得克萨斯州当选州长吉娜·希诺霍萨将反对数据中心和埃隆·马斯克作为其竞选核心，新任审计长莎拉·埃克哈特将审查JETI补贴申请。特斯拉和SpaceX股价周四分别下跌11%和9%。
Idealab创始人兼董事长Bill Gross做客Exponential View，讨论在AI时代创业以及他新成立的Idealab.ai——该公司利用AI探索潜在商业创意，对照现实问题评估这些创意，并帮助创始人压力测试和完善它们。Gross强调迭代与速度，开玩笑说自己本该把公司命名为“Iterate Lab”。
昨日市场下跌2.5万亿美元，而英国央行一项研究发现，AI再次未能带来预期的生产力提升。Gary Marcus将此次下跌与该研究视为同一坏消息的两个部分。
民主党赢得中期选举后，随着投资者逃离AI交易，纳斯达克市值蒸发超过2.5万亿美元，美国选民通过了44项地方措施中的43项，以减缓数据中心的发展。在拉纳克郡的协议中，DataVita每年每兆瓦向社区基金支付最高10万美元，这表明电网排队杠杆可以转化为当地利益。甲骨文在新墨西哥州的一揽子方案折算下来是一次性每兆瓦8.4万美元，吝啬程度接近18倍。
美国选民因数据中心和 AI 加速主义惩罚了共和党，至少在 38 个辖区通过禁令或限制，支持 AI 的超级政治行动委员会大多失败。Platformer 认为，监管 AI 不能照搬社交媒体的套路——尽管多年听证，该套路既未产生全面的隐私法，也未带来 Section 230 改革或新的反垄断立法。
Gary Marcus表示，AI公司再也无法轻松获利，市场出现剧烈分化：芯片制造商和CoreWeave等新云厂商遭受重创，而亚马逊、苹果和谷歌则反弹。在投资者转向更有能力抵御现金紧缩的大型科技公司之后，他现在将后续交易时段描述为一场几乎无一公司幸免的屠杀。
Anthropic 的研究认为，AI 系统如今能在一个下午内推导出 Hodgkin-Huxley 模型这类方程，但拟合实验数据并不等同于理解。该研究将科学建模拆分为构建、约束和解释模型，并指出 AI 在约束模型方面进展最大，其中贝叶斯推断是绘制所有合理参数集而非单一拟合的标准方法。
《麻省理工科技评论》Insights 探讨了为何保障智能体 AI 的安全需要数据血缘，而非传统的基于应用、网络或端点的安全措施。随着企业在日常工作流中部署 AI 智能体，数据被持续摄取、复制、摘要和再分发，因此治理必须追踪数据在人类、智能体及混合工作流之间的流动方式。
Exponential View 即将推出 EV Unfiltered 系列，分享通常只留在内部的、未经打磨的草稿和阶段性研究笔记。第一期内容包括对过去十年间冲击科技行业的流动性暂停的分析，以及一个区分高质量研究流程与低劣研究流程的框架。
Ed Zitron 认为，AI 建设潮会在资金耗尽时终结；他举例称，OpenAI 在大型投资者兴趣冷淡的情况下以 1.25 万亿美元估值融资 110 亿美元，低于据报道其寻求的以 1.4 万亿美元估值融资 300 亿美元。他还将 Anthropic 修订后的 S-1 解读为：第三季度营收接近 170 亿美元，而算力成本为 99 亿美元，总义务约 8950 亿至 1.07 万亿美元，并可能获得低于投资级的评级。他将这一点与债务市场将 neoclouds 拒之门外、Google 因 AI 概览导致搜索变现能力下降，以及 OpenAI 贡献了 Microsoft 最近一个季度约 11% 的营收联系起来。
曾领导 DARPA 网络挑战赛的微软研究院经理 Mike Walker 讨论了黑客文化如何塑造了他构建下一代网络防御的职业生涯，包括首届全机器黑客锦标赛。他认为有效的安全取决于对信任和上下文的理解，并反思了竞技黑客经历教会他的团队合作与集体智慧。
软件工程师 Neil Kakkar 报告称，他在 AI 原生初创公司 Tano 每月提交 200 多个拉取请求，约为他在 PostHog 时速率的 11 倍，也约为其早期产出的十倍。他将这一跃升归因于 AI 智能体取代了代码审查和沟通开销，同时指出新的成本，如上下文频繁切换、共享上下文丢失以及 AI 计划限制。
科技记者 Kevin Roose 在 The Every Podcast 上讨论了他的新书《AGI 编年史》，该书基于对 150 人的采访，揭示了一段很大程度上隐藏在 AI 实验室内部、并被保密协议所掩盖的历史。这本书深入 OpenAI、Anthropic 和 Google DeepMind 的研究人员训练和测试 AI 模型的实验室，包括 Sam Altman 在 OpenAI 被解雇又复职的幕后细节。
对齐研究者正在探索逆向博弈论，也称机制设计，它通过设计激励机制来推动AI智能体走向期望行为，而不是试图检查其内部推理。一篇由MIT领衔的预印本提出，根据一个模型的答案对第二个模型输出的预测程度给予奖励，从而使故意放水测试变成亏本买卖，并建议让智能体相互对抗，或将偏见相反的智能体配对。
网络安全专业人士将过去一个月称为“黑色十月”，因为AI检测到的漏洞出现速度超过了多数人的修补速度，该领域许多人现在认为一场重大的AI驱动灾难只是时间问题，而非是否会发生的问题。更可能发生的灾难是人类利用AI：黑客已使用Claude Code以及Anthropic、SpaceX和Moonshot AI的模型攻击银行以及拉丁美洲400多个金融目标。尽管承诺“把控前沿”，该行业尚未采取任何协调行动，在灾难发生前阻止它。
包括埃隆·马斯克、马克·安德森和本·霍洛维茨在内的科技领袖已向共和党政治投入了前所未有的资金，仅马斯克一人在中期选举中就花费了近五亿美元。随着特朗普支持率下滑、反对AI成为主要竞选议题，这些押注的前景显得远不如预期。想押注政治的投资者，不如继续选择Kalshi。
一个广为流传的说法称，中国55%的AI token用于短剧和视频生成——该说法可追溯至COL集团6月的一次投资者电话会议——已遭到字节跳动和《人民日报》的反驳。字节跳动表示，视频生成仅占其自身算力的约10%。2026年前八个月发布的约43万部微短剧中，超过90%为AI制作，而在字节跳动的Seedance上生成一段五秒720p片段约需10万个token。
Horizon3 CEO Snehal Antani 认为，前沿 AI 模型在实验室环境中表现良好，但在主动防御的网络上却会失败。在 Horizon3 的研究中，AI 攻击者点击防御方布置的诱饵的比例为 92%，而专家级人类黑客为 37%；当诱饵放置得当时，这一比例达到 95–100%。Antani 表示，模型常常能识别出可能的陷阱，却仍然点击，这使得欺骗成为对抗智能体攻击者的一种廉价而有效的防御手段。
《Google软件工程》第一作者Titus Winters在The Pragmatic Engineer播客中谈到，早在LLM出现之前，2010年十几名工程师如何利用解析、匹配和代码生成重构了Google约2.5亿行的C++代码库。他还解释了为何在搜索业务滑落到按季度发布后Google强制推行自动化测试，以及他如今为何主张当今大部分计算机科学课程都应重建。
Ed Zitron 认为，Anthropic 的 S-1 文件在时间安排上是为了呈现一个经算力折扣后的 2026 年 Q2——该季度它报告了 9.74 亿美元利润——而不是那个真正将要上市的公司。他援引了约 2694 亿美元对 Google、Amazon、Microsoft 和 SpaceX 的不可取消算力承诺，以及另外 1250 亿至 1500 亿美元的 TPU 义务，并指出 Q3 营收增长放缓至 45%，而算力成本上升了 76.3%。他还指出，有 5% 至 7% 的营收来自后来被发现蒸馏其模型的客户，以及一套让内部人士得以快速退出的锁定期安排。
Redwood Research 认为，AI 的概念推理能力——如哲学这类缺乏可验证真值的任务——应当被差异化地加速，因为 AI 研发与接管对此类推理的依赖要小得多。该团队表示，基本的引导技术和较小规模的训练就能让模型在其主要概念推理基准上提升三到十二个月的水平，并称该领域目前被 AI 安全社区忽视且投入不足。
Replit预测，到2030年底，每一家《财富》500强公司都将成为“自动驾驶公司”，由智能体执行和协调工作，而人类负责设定目标并承担最终责任。Replit表示，2026年上半年其工程师的代码产出几乎增长了两倍，而评审时间、回滚和产品事故数量保持持平。Replit for Business正作为这一愿景的基础进行构建；在SMFL，一个此前需要六个人花六个月完成的开发流程，由一个人在一周内完成。
Sakana AI 已发布 Sakana Chat、Sakana Marlin、Sakana Fugu 和 Sakana Translate，从研发阶段迈入面向企业和政府机构的产品交付阶段。其 Go-To-Market 团队由副总裁 Hidekazu Kakishima 领导，于 2026 年 9 月成立，目前正在招聘 Forward Deployed Engineer，以将客户现场的实践经验反馈到产品中。
Google CEO Sundar Pichai 表示，行业“距离 RSI 的终局还相当遥远”，不过 AI 智能体已经在帮助研究人员构建模型。他说所有人都缺算力，而 Google 放弃短期云收入来资助前沿 AI 研究。
Ed Zitron的《黑石黑粉指南》探讨了信贷、保险和大规模AI押注如何改变了这家私募股权巨头。黑石已将其约1.4万亿美元管理资产中的2750亿美元投入数据中心和数字基础设施，敞口覆盖OpenAI、Anthropic、CoreWeave、Google TPU、Firmus和Lambda。
Alphabet CEO Sundar Pichai 对 Big Technology 表示，Google 仍致力于前沿 AI 开发，称其云业务放弃短期收入，以做出支持这项工作的算力取舍。他表示，Gemini 4 Argon 在编程、数学、科学和知识工作基准上优于 OpenAI 和 Anthropic 最新的公开模型，在发布后的前 72 小时内处理了近 25 万亿个 token，约为 Gemini 3.0 的三倍，而 Google 在为其提供服务时面临容量限制。Pichai 还表示，前沿访问让 Google 能更早看到新兴能力，这对构建下一代模型很重要。
阿波罗首席经济学家Torsten Slok警告称“这个AI最好能成功”，而Ed Zitron量化了这有多难。NVIDIA、Google、Amazon、Meta、Microsoft、Broadcom、Micron、AMD和CoreWeave合计约占纳斯达克100指数的46.5%，2026年第二季度企业股票占美国家庭财富的37.9%，为2000年第四季度以来有记录的最高水平。
微软研究院 Catalyst Lab 主任 Chris White 回顾了他在 DARPA 项目之后领导阿富汗先进技术行动的经历，以及后来构建暗网搜索工具以打击人口贩运的工作。在与 Weishung Liu 的微软研究院播客节目中，White 讨论了问题选择如何塑造创新，以及他在目睹人性最黑暗的部分后如何保持希望。
Ethan Mollick 在《Co-Intelligence》出版 30 个月后发布了第二本 AI 著作《Co-Existence》，并在 Claude Projects 中使用 Claude Opus 5.5，几分钟内生成了该文章的图表，以及一段“水獭在飞机上用 wifi”的视频。他指出，如今已有 180 个模型在发布时性能超过 GPT-4，其中 19 个可在现代智能手机上运行；而 METR 的 Long Horizon Benchmark 从 2024 年的四分钟任务，上升到 2026 年 4 月的 17 小时人类工作量，随后该基准耗尽。
Anthropic联合创始人Jack Clark在曼谷IMF会议的Per Jacobsson讲座上主张奇点已经开始，援引如今运行在人类科学前沿、有时自主运行的AI系统。他指出Anthropic内部编码能力的提升——研究人员现在产出的代码量几乎是公司最初四年的10倍——并警告更强的网络能力正迫使全球展开部署竞赛。
Rivian CEO RJ Scaringe 表示，机器人技术的进展将“远、远、远、远快于”世界的预期，他提到如今机器人通过基于 transformer 的模型学习广泛、可泛化的技能。他于 2025 年创立的初创公司 Mind Robotics 融资 10 亿美元，用于打造销售给制造商的双臂工业机器人，并在 Rivian 的工厂内训练这项技术。
Ed Zitron 认为，2012 年的《JOBS 法案》取消了 500 名股东即须报告的门槛，使科技公司和风险投资人得以合法利用散户投资者，让初创企业能更长时间保持私有状态。他写道，这一变化催生了历史上最大的私募估值泡沫之一，如今估值由风投的随意决定而非市场力量决定。
斯坦福大学经济学家 Gabriel Unger 和 Arvind Narayanan 认为，AI 研究过度偏向完全自动化，并勾勒出一个以人机协作为中心的替代议程。他们提出四个研究方向，其中包括“白盒智能体”——这类智能体会揭示其中间过程、来源、假设和不确定性，以便用户能直接与之交互。该文追溯了这场辩论在计算机科学中的历史，并呼吁采取自下而上、市场驱动的方式来引导 AI 发展。
OpenAI 的 Codex 曾是一项零散的云端尝试，未能找到产品市场契合点；在转向终端和代码编辑器版本后，它成为公司 AI 编程回归的核心。在 2025 年夏季的测试中，Codex 内置的 GPT-5 感觉很快，但与 Anthropic 的 Claude Code 相比过于谨慎——后者让用户可以把整个任务交给 Opus 4 然后走开。
Ed Zitron 认为，OpenAI、Anthropic 和 AI 初创公司使用的年化运行率是定义不明、不可比较的数字，掩盖了真实的季度收入。他援引 OpenAI 报告的 700 亿美元 ARR 后来被修正为 500 亿美元、Anthropic 的 650 亿美元运行率，以及 Harvey 的毛利率到 6 月从约 50% 降至 -50%，主张 AI 初创公司在亏本转售 token，而 OpenAI 和 Anthropic 的增长依赖于持续的风险投资。