吴恩达：AI 工程技能图谱之塑造构建
吴恩达提出 AI 工程技能的核心是"塑造构建"：开发者不再只是实现他人定好的产品规格，而是主动参与产品决策。关键技能包括驱动构建循环、做产品决策、沟通与领导、高主动性所有权。他称 PM、设计师与开发者的角色正在模糊，掌握这些技能可让开发者在没有 PM 的情况下更快推进。
#大佬观点
Andrew NgAI 评分2222
Andrew NgAI 评分3838 吴恩达发布 AI 工程技能图谱：软件工程基础
吴恩达发布 AI Engineering Skills Map，梳理 agentic coding 时代软件工程基础需掌握的五大能力：全栈应用构建、数据管理、系统架构设计、系统安全与可靠性、生产环境扩展与运维。
Google DeepMindAI 评分2020 Google DeepMind 谈 AI 不确定性：从天气预报到机器人
Google DeepMind 研究副总裁 Zoubin Ghahramani 与 Hannah Fry 对谈，探讨为何让 AI 系统学会"自我怀疑"和概率思维，是实现更安全、更可靠现实决策的关键。讨论覆盖不确定性的作用、正确性与置信度的区别、贝叶斯思维在 AI 中的应用，以及不确定性研究与 AGI 的未来方向。
Andrew Ng精选AI 评分6262 Andrew Ng 称 Marin 项目展示开放模型训练，含开放代码、数据与配方
Andrew Ng 转发 Percy Liang 关于 Marin 项目的消息，称该项目是开放模型训练的一次展示，开放了代码、数据、配方甚至实验结果。他提到公开分享 AI 研究曾是常态，并认可 Percy Liang 的开放实验室做法。被引用的内容显示，Marin 535B-A23B 本周开始训练，预训练占 80%、中期训练占 20%，在 18.75T tokens 上使用 11 台 GB200 NVL72 训练约 3 个月（2.7e24 FLOPs），后续将进行后训练；正式训练前还训练了从 1.6B-A61M（48B tokens）到 27.7B-A1.2B（926B tokens）的四级扩展阶梯用于排查问题并预测主训练结果。
推荐理由：Andrew Ng 借 Marin 项目说明开放训练流程的具体做法，可对照当前闭源训练常态理解开源生态的处境。
Andrew NgAI 评分3838 吴恩达发布 AI 工程技能图谱
吴恩达团队基于超 1 万份招聘信息、数十场专家与招聘经理访谈及问卷数据，发布《AI 工程技能图谱》，提炼出四项最重要的 AI 工程技能：构建与部署 AI 应用、软件工程基础、使用编码智能体、塑造构建过程。他强调 AI 工程技能比"AI 工程师"岗位更宽泛，所有开发者都需掌握。
Andrej KarpathyAI 评分5252 Karpathy 实测 Opus 5 用 5500 行代码渲染《魔戒》开篇
Andrej Karpathy 给 Opus 5 输入《魔戒》第一段、1M token 预算（约 10 美元），让它用 three.js 渲染这段故事。Opus 运行约 2 小时，写出 5500 行代码，程序化地渲染出故事，效果有些粗糙但可玩。他认为这类任务把「没人会花时间做」变成「几乎免费，何乐而不为」，并指出 LLM 难以原生感知视频或玩游戏，只能缓慢截图自查，多模态与游戏能力仍明显不足。
Andrew NgAI 评分3636 吴恩达支持英伟达开放模型立场
@JensenHuang 这步走得好。英伟达这封信写得很好，值得一读。正如我们在 OpenAI-Hugging Face 被黑事件中看到的，我们需要开放模型和工具来防御。 别再相信闭源模型更安全的公关说辞了——那不过是监管俘获。
Andrew NgAI 评分3636 吴恩达：保护开源AI至关重要
Adam Thierer 写过关于"无需许可的创新"的里程碑式著作。当我们不必事先向政府申请发明的许可时，我们才能获得最好的想法。保护开源 AI 现在是确保这一点的关键部分。
Berkeley AI ResearchAI 评分3434 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 团队提出，随着推理成本从 2023 年初 GPT-4 级约 $30/百万 token 降至如今不足 $1、部分低于 $0.10，数据系统面临三大新挑战：为智能体服务、管理智能体集群、由智能体合成。在 text-to-SQL 基准上，多智能体尝试中仅 10-20% 子计划不同，80-90% 子查询重复，可通过多查询优化与近似查询处理复用结果。
Andrew NgAI 评分3636 吴恩达分享构建 0 到 1 产品的三大循环
吴恩达提出构建 0 到 1 产品的三大循环：智能体编码循环让 AI 智能体写代码、自测并持续迭代直至无 bug 且符合规格，工程循环每几分钟构建测试新版本；开发者反馈循环以数十分钟到数小时为周期，由人类审查产品并引导智能体改进。
Andrej Karpathy精选AI 评分6262 Karpathy 评 Claude Tag：LLM 交互的第三次 UIUX 重构
Andrej Karpathy 转发 Anthropic 发布 Claude Tag 的消息并评论称，这是与 Claude 交互的新范式，更贴近组织内其他人类活动。
推荐理由：Karpathy 把 Claude Tag 放进 LLM 交互形态的三次演进里，读者可据此理解智能体进入团队工作流的定位。
Andrew Ng精选AI 评分7272 吴恩达评 Anthropic 与美国政府限制前沿模型访问
吴恩达回顾过去两周美国政府和 Anthropic 限制他人使用前沿模型的动作，认为这加速了企业和国家确保 AI 访问不被他人终止的努力。他指出 Anthropic 发布 Claude Fable 5 时限制开发者用它构建竞争性 LLM 技术，还曾暗中削弱被检测为从事 LLM 研究的用户所获输出，引发反弹后才改为透明处理。
推荐理由：吴恩达复盘美国政府与 Anthropic 限制前沿模型访问的两周，指出这会加速各国对开源替代方案的投入。
Andrej Karpathy精选AI 评分8080 Karpathy 评 Claude Fable 5：与 Mythos 同底模，加装安全防护
Andrej Karpathy 称 Claude Fable 5 与 Mythos 是同一底层模型，只是增加了安全防护，在几乎所有基准上以一定幅度达到 SOTA。
推荐理由：Karpathy 以第一手使用体验判断该模型在长程难题上的跃升，并给出生产环境使用的提醒。
Yann LeCunAI 评分2222 LeCun 称 Project Tapestry 是救赎
救赎在于 Project Tapestry https://thealliance.ai/projects/tapestry
Yann LeCunAI 评分2020 LeCun 转发美科学资助危机
厌倦了赢
Yann LeCunAI 评分2222 Yann LeCun 转发 MIT 研究生缩招
厌倦了赢 （引用推文：MIT 宣布“研究生人数将比 2024 年减少 20%——约少 500 名学生”）
Yann LeCunAI 评分3838 Yann LeCun 谈 LLM 局限与新公司 AMI
在 Unsupervised Learning 播客上与 Jacob Effron 的有趣访谈。
Andrej KarpathyAI 评分88 Karpathy 引用：思考可外包，理解不能
这是我最近经常引用的一句话。 @yacineMTB：你可以外包你的思考，但你无法外包你的理解。
Andrej KarpathyAI 评分5050 Karpathy 谈 LLM 新范式与智能体原生经济
Karpathy 在 Sequoia Ascent 2026 炉边对话中提出，LLM 的价值远不止加速编程，并举了三个新范式案例：menugen 这类无需传统代码、输入图像输出图像的应用；用 .md 技能替代 .sh 安装脚本；以及基于非结构化知识的 LLM 知识库。
Andrej KarpathyAI 评分2222 Karpathy：AI 能力认知正出现巨大鸿沟
Karpathy 指出，人们对 AI 能力的理解正出现越来越大的鸿沟。一部分人仍以去年 ChatGPT 免费版或已弃用的 Advanced Voice Mode 的表现来判断 AI，而今年 OpenAI Codex、Claude Code 等前沿智能体模型在编程、数学、研究等技术领域进步惊人，能连续运行 1 小时重构整个代码库或挖掘系统漏洞。
Andrej Karpathy精选AI 评分6262 Karpathy 点评 Farzapedia：用文件系统构建个人 Wiki 知识库
Karpathy 转发并点评 Farzapedia 案例，认为这种用文件系统构建个人 Wiki 的方式优于隐式记忆的个性化方案。Farza 用 LLM 处理 2,500 条日记、Apple Notes 和 iMessage 记录，生成 400 篇带反向链接的文章，供 Claude Code 等智能体从 index.md 逐层检索。
推荐理由：Karpathy 借 Farzapedia 案例对比显式、可迁移的个人知识库与隐式记忆方案，给出可复用的思路。
Andrej KarpathyAI 评分2222 Karpathy：AI 让公众反向监督政府成为可能
Andrej Karpathy 表示看好被 AI 赋能的公众提升政府透明度与问责能力。他认为政府问责的瓶颈从来不是数据获取（各分支已公开海量数据），而是处理数据、结合专业知识提炼洞察的智能，4000 页综合法案对多数人而言只是名义上透明。这一瓶颈可能被 AI 消解，应用场景包括预算支出明细、立法 diff 追踪、投票记录、游说关系图谱、采购合同与竞选资金等，地方政府因覆盖更少可能更有价值。
Andrej KarpathyAI 评分1818 Karpathy：LLM 能论证任何立场，需警惕谄媚
Andrej Karpathy 用 LLM 花 4 小时打磨博客论证，觉得极有说服力；随后让 LLM 论证相反立场，结果 LLM 彻底推翻原论证并说服他反方才是对的。他指出 LLM 被问时会给出观点，但几乎能胜任任何方向的论证，这使其成为形成个人观点的有用工具，前提是必须要求它论证不同方向并警惕谄媚倾向。
Andrej KarpathyAI 评分5757 Karpathy：智能体构建应用的真正难点在 DevOps 而非代码
Andrej Karpathy 回顾约一年前构建 menugen 的经历，认为最难的部分不是代码本身，而是把服务、支付、认证、数据库、安全、域名等一堆服务像拼宜家家具一样组装起来的 DevOps 环节。