谷歌云计划将 NVIDIA Vera Rubin 基础设施扩展至最多 96 万块 GPU。
比这个数字更值得关注的是，AlphaGo 核心研究者 David Silver 创立的 Ineffable Intelligence，已经率先接入相关算力。
AI 的下一阶段，或许不只是模型越来越大，而是让 Agent 通过强化学习、不断试错，真正具备持续学习的能力。
算力竞赛的背后，可能是一场 AI 学习方式的变革。
来源：blogs.nvidia.com/blog/google…
DeepSeek 把自家的推理框架 DeepInfer 开源了。
相比跑分有多漂亮，我更关心的是：普通开发者能不能在相同硬件和配置下，把这些性能数据复现出来？
看了下仓库，目前主要支持 DeepSeek-V4.1-Flash，提供了性能测试脚本，但完整的在线推理服务还需要自行补齐 KV Cache 管理、负载均衡等组件。
这也说明，开源一套推理引擎和真正部署一套生产级推理服务，中间还有不小的距离。
代码开源是第一步，性能可复现、部署可落地，才是真正体现价值的地方。
GitHub：github.com/deepseek-ai/DeepI…
之前做 AI 视频产品时，我一直有个很深的感受：用大模型生成视频，成本真的太高了。
像 Seedance 这类视频生成模型，不仅贵，生成速度慢，结果还不一定可控。一个视频反复生成几次，成本就上去了。
最近看到一个 AI 自动剪辑的案例，反而让我重新思考了这个问题。
很多视频其实根本不需要逐帧生成。
字幕、口播、转场、特效、图片动画、音频处理、时间轴合成，这些完全可以封装成独立的 Tools，通过 Workflow 串联起来，再交给 Agent 调用。
LLM 只负责理解需求、规划内容和处理不确定的决策，确定性的执行交给传统代码。
这样一来，成本主要集中在少量 LLM 调用、TTS 和必要的素材处理上，而不是昂贵的视频生成模型。
而且工具化还有一个好处：执行过程可控、可复现，失败了可以局部重试，不需要整条视频重新生成。
以前总想着让 AI 生成整个视频，现在反而觉得，应该让 AI 决定怎么制作视频。
Agent 负责决策，Workflow 负责流程，Tool 负责执行。
真正有价值的 AI 产品，不一定是调用大模型最多的，而是最清楚什么时候不需要大模型的。
Cursor 的 Lauren Tan 说，她一个月交付了 1000 个 PR。
我第一反应是：这么多代码，谁来 review？
后来发现，她甚至让 Agent 参与验证和自动合并。早上醒来，20 个 PR 已经进了 main。
这反而让我觉得更值得思考。
以前写代码是瓶颈，后来 review 成了瓶颈。现在连 review 都开始交给 Agent，人的角色又往后退了一步。
但代码能自动合并，不代表我们就真正理解了它。
当 Agent 可以一天提交几十个 PR，甚至自己完成测试和评审，软件工程最重要的能力可能不再是写代码，而是建立一套让我们敢于信任它的验证体系。
毕竟，PR 合并了，不代表责任也能合并掉。
Lauren Tan 原帖：
linkedin.com/posts/laureneli…
补充一篇相关研究：《AI Writes Faster Than Humans Can Review》。
研究分析了 802 名开发者和约 19.6 万个 PR，发现 AI 辅助开发提高了代码产出，但评审工作量也明显增加。
代码生成越来越便宜，验证和信任可能才是接下来的难题。
论文：arxiv.org/abs/2607.01904
DeepSeek V4.1 Flash 更新后，跑分确实很亮眼。
但我越来越觉得，Coding Agent 已经不能只看模型排行榜了。
同一个模型，放进不同的 Agent Harness，工具调用、上下文管理、任务规划、错误恢复都不一样，最终能完成多少工作，可能差得很远。
更现实的是，开发者对一个 Coding Agent 的信任，是在一次次真实任务中积累的。
它能不能理解整个仓库？改完代码会不会破坏其他模块？遇到错误能不能自己发现并修复？执行十几步后还能不能记住最初的目标？
这些问题，不是跑分高几个百分点就能回答的。
所以我觉得 DeepSeek 真正的机会，不只是证明模型比谁更聪明，而是让开发者用更低的成本，完成同样可靠的任务。
未来 Coding Agent 的竞争，可能不是谁的模型最强，而是谁能以更低的成本，稳定交付正确的结果。
苹果又收紧 App Store 审核规则了。
这次重点针对 AI 生成违规内容，以及应用通过审核后再偷偷开放隐藏功能的行为。
上周苹果正式更新了审核指南 1.2 和 2.5.19。
对 AI App 开发者来说，值得注意的是：通过审核不代表以后就没事了，服务端动态配置、模型能力更新，同样需要遵守审核规则。
AI 的能力越来越强，平台对内容安全和开发者责任的要求也越来越高。
官方公告：developer.apple.com/news/?id…
苹果新品要来了！🍎
据彭博社爆料，苹果可能推出首款 OLED 触屏 MacBook Pro。
如果是真的，苹果坚持多年的 Mac 与 iPad 交互边界，终于要被打破了。😂
作为开发者，我更好奇 macOS 会如何适配触控交互。
以后开发 Mac App，是不是还得同时考虑鼠标、键盘和触屏了？
期待苹果带来点不一样的东西！
补充一下消息来源：The Verge 对苹果这次新品活动的报道，触屏 MacBook Pro 目前仍属于爆料，尚未得到苹果官方确认。
theverge.com/tech/1013028/ap…
高盛把 CoreWeave 上调到买入了，理由是市场高估了它的融资成本、低估了它收算力租金的能力。逻辑没毛病，可同一家公司前几天刚被当成 AI 信贷的温度计，债券一晃股价跟着晃。所以它的估值现在被两头拽着，一头是 GPU 能租多贵，一头是钱借得多难，高盛只说了前一头。
刚吐槽完 Token 越来越贵，MiniMax 就发布了 M3.1 Flash。😂
官方宣称推理速度提升近 3 倍，成本降低 70%。
API 价格更是惊人：
输入：¥1 / 百万 Token
输出：¥4 / 百万 Token
缓存读取：¥0.1 / 百万 Token
这价格确实有点卷了！
不过 Token 便宜是一回事，实际 Coding 和 Agent 能力又是另一回事。
希望这次不只是价格打下来，能力也能真正跟上。
有已经体验过的朋友吗？效果怎么样？
研究 AI 变现真的太难了。
失业快一年，做了两个 App，还折腾了自己的 AI Agent、短剧制作。东西做了不少，钱没赚到，光 Token 就花了 1000 多块，还不算 OpenCode、Claude、ChatGPT 的订阅费。
最近又研究 FDE，发现做 FDE 培训的好像比真正做 FDE 的还赚钱。最近甚至还想折腾 AI 硬件 DIY、自动化。
慢慢发现，AI 赋能一个人后，反而容易让人变得浮躁。感觉什么都能做，什么都想尝试，结果折腾了一圈，什么也没真正做成。
AI 让一个人有了过去一个团队的生产力，却没有给他找到客户和真实需求的能力。
以前是能力有限，想做的做不了；现在是能力被 AI 放大了，却不知道什么才值得做。
折腾了一年，AI 没帮我赚到钱，我倒是一直在给 AI 送钱。😂
不知道大家都是怎么靠 AI 赚到第一笔钱的？
今天下载了 iOS 27.1 SDK，发现已经有 iPhone Duo 模拟器了。
第一时间把自己开发的 AI Agent App 跑了起来，本来还想着要花点时间专门适配折叠屏。
结果还没改一行代码，发现效果居然已经挺不错了 😂
竖屏能用，展开后原本的工作区侧边栏和 Agent 对话界面也自然形成了双栏布局。
看来之前为 iPad/macOS 考虑的自适应布局，意外在折叠屏上派上了用场。
有时候架构设计的价值，就是在新设备出现时，发现自己居然不用从头再来。
