Anthropic 首席执行官 Dario Amodei 在一场公开问答中回应了"还要不要学编程"，核心观点是：如果只为工作保障而学编程，方向已经错了，但掌握比较优势的人和具备批判性思维的人反而会更值钱。
吴恩达（Andrew Ng）在 DeepLearning.AI 的「Andrew's Letters」连载完成五封公开信，基于超 1 万条职位发布分析和数十次专家访谈，给出「AI 工程技能地图」，把工程师的下一步价值划成四层。
陶哲轩、邓煜等 25 位菲尔兹奖得主联合发布声明，批评 AI 公司把著名数学问题当作能力榜和公关竞赛，只求批量产出，导致归属与剽窃争议；而几天前纽约大学数学家 Tristan Buckmaster 与 OpenAI 就流体方程证明的先后与归属发生对峙，成为这一批评的现实注脚。
有用户称让 Claude 做翻译时，被以版权理由拒绝，并收到一段“不能翻译”的解释；这条吐槽在 X 上获得约 74.8K 浏览，也把大模型安全策略与训练数据来源之间的矛盾再次摆上台面。
有开发者对比果蝇大脑与主流大模型的结构差异，指出果蝇仅用约 16.7 万个神经元、连接极其复杂的超稀疏网络，就实现了多模态、低功耗和快速反应，而 Claude、GPT 等主流 LLM 依赖预先固定的 Transformer、MoE、Dense 结构再靠数据调权重。这值得关注，因为它把「架构由进化搜索」与「架构…
2024 年诺贝尔物理学奖得主、深度学习奠基人 Geoffrey Hinton 在英国皇家研究院发表约 47 分钟演讲，系统论证大模型的“预测即理解”，并警告数字智能在知识传递效率与生存动机上可能超越人类。这不是产品发布，而是对 AI 能力边界与风险的一次底层框架性表态。
有开发者分享了一套用 Antigravity 搭配本地 ChatCut Desktop MCP 服务器做视频 AI 剪辑的流程，称 Gemini 3.8 Flash 在速度和 token 消耗上优势明显，整体体验比 Codex 操作更快。
9月11日，陶哲轩、邓煜等25位菲尔兹奖得主联署公开信，承认AI已能解出真正的前沿数学难题，但警告“以解题数量衡量能力”的导向正在伤害数学最核心的开放交流与思想传承。争议焦点是近期Navier-Stokes方程事件：OpenAI调动约1万个智能体、88小时完成证明，而数学家刚公布的研究方法随即被AI“蒸馏”。
OpenAI 研究负责人 Mark Chen 公开区分了两件事——没有任何人查看用户数据用于 Navier-Stokes 相关研究，但公司确实会用用户反馈和去标识化数据来整体改进 ChatGPT 和 Codex。这句话之所以引发讨论，是因为它把大模型行业长期模糊的数据使用边界，第一次说得比较直白。
有开发者在 16GB 内存的 2020 款 M1 Mac Mini 上，用本地方式跑起了 DeepSeek V4.1 flash，但首 token 等待 108 秒、之后每生成一个 token 约 23 秒。这说明超大模型在消费级硬件上“能跑”和“能用”之间，仍隔着很远的距离。