AI 日报 · 2026年8月10日

Jerry Tworek和Rohan Anil来自AI顶尖实验室核心岗位——前者领导OpenAI推理研究（o1背后的工作），后者共领Gemini预训练并发明Shampoo优化器。当这两人说「Transformer已经承载我们尽可能远了」，这句话的分量与一般人说AI到达极限完全不同。他们的论点与AI先驱Jürgen Schmidhuber的访谈形成共鸣：真正的AGI仍受制于物理硬件，当前模型扩展路线存在系统性天花板。

对AI Coding工具的含义是双重的。短期：Transformer架构的Coding Agent仍是主流，MiniMax Code 2.0基于Pi Agent的重构正是在现有范式内解决长程任务稳定性的工程问题。长期：如果Core Automation的押注成立，下一代Coding Agent的架构基础将发生根本性变化，那些深度依赖当前Transformer范式构建的Coding平台将面临迁移风险。Factory创始人说的「黑暗工厂：软件自己构建自己」，可能要等到超越Transformer的新范式落地才能真正实现。

Midjourney收购月活430万的占星应用Co-Star，表面是多元化布局，实质是产品形态战略转型——从单纯图像生成工具向「AI驱动的兴趣社区」演进。占星应用的核心用户资产是强情感连接+高频日常互动，与图像生成的「单次创作」体验完全不同。Co-Star创始人Banu Guler出任首席设计官，说明这次收购不只是用户量并购，而是将社交/个性化/情感连接的设计基因注入Midjourney产品体系。

图像生成的天然问题是复购频率——用户创作一张图后，下次回来的理由是什么？Co-Star解决的恰恰是高频回访：占星用户每天查看运势，是天然的日活驱动。Midjourney正在为自己的长期留存问题提前布局。「AI工具」的天花板在于用户完成任务后流失，而「AI社区」的护城河在于持续的情感连接和用户创作的网络效应。

「苦涩教训」（Bitter Lesson）是AI研究界的经典命题：几乎所有手工设计特征和专家知识最终都被足够规模的数据+算力+通用学习算法击败。Chai Discovery把这个教训应用到药物设计：不依赖生物学专家知识手工构建分子设计规则，而是用规模化数据+计算直接让模型学习。这与AlphaFold颠覆蛋白质结构预测的逻辑完全一致。

这个信号的影响远超医药行业，与「Core Automation：自动化AGI实验室」的逻辑形成共振——当「AI研究本身」也开始被AI自动化，当药物设计、蛋白质预测、代码生成都遵循同一个规律（规模化击穿专业壁垒），那些依靠「专业知识稀缺性」维持竞争优势的行业将面临系统性重构。规模化定律的覆盖面正在以超出预期的速度扩展。

3万个Agent覆盖9万员工，这个数字组合在中国企业AI化历史上是第一次出现在可查证的正式报道中。平均每3名员工共享约1个Agent，这与传统企业软件部署的「按项目/按系统」逻辑完全不同——是真正意义上的「Agent为工作单元」的组织形态。更重要的是，LongCat 2.0是在5万张国产算力卡上完成全流程训练的，这意味着整套体系在算力依赖上实现了国产自主闭环。

这个模式与Netic创始人在No Priors播客分享的「自主企业」框架形成呼应：真正的企业AI化不是给员工一个AI助手，而是让AI Agent成为服务交付的基本单元。美团CatPaw的「3万Agent覆盖9万员工」正是这个方向的实践印证。