HPE：如何让 AI 从消耗型支出转变为可优化的资产
summary_zh: HPE 指出，当 AI 需求稳定且业务关键时，纯按 token 计费会变得难以预测，企业应评估是否改用自有容量。当利用率跨过临界点，自有容量的单位成本更低、可预测性更强。
#部署/工程
#部署/工程
今日 0 条MIT Technology Review · AIAI 评分1212
Simon WillisonAI 评分3939 John Gruber 评 Muse：外观可爱，但具有欺骗性
summary_zh: John Gruber 指出 Muse 值得关注，因其每位用户拥有 Meta 云端独立持久 Linux VM，且以易安装易用的可爱 mascot 形式呈现，是首个面向消费者的智能体 AI 系统。
IEEE Spectrum · AIAI 评分2222 成为一名可适应工程师需要什么
summary_zh: AI 浪潮改变了工程师的工作方式，工具迭代加速、招聘门槛提高，PwC 2026 年 6 月报告指出科技、媒体和电信行业技能更替最快，WEF 2025 年《未来就业报告》预计到 2030 年 39% 的核心技能将发生变化。
InterconnectsAI 评分6262 Teaching Everyone to Fish for Tokens：开源模型生态的经济路径分析
Nathan Lambert 讨论开源模型生态与 Linux 类比，指出开放权重模型更接近具体软件版本，而完整开源训练配方更接近操作系统。Nvidia 通过 Nemotron 推动近开源路线以扩大推理需求，但开源训练高度依赖其融资，未来几年需形成正向反馈。另一种可能是开源模型转向效率与专业化长尾，与闭源模型形成分化。
Berkeley AI Research精选AI 评分6060 Intelligence is Free, Now What? Data Systems for, of, and by Agents
Berkeley EAIR 发表观点文章，探讨当推理成本接近零时数据系统面临的三重挑战：Data Systems For Agents（为智能体推测性查询重新设计，如共享扫描与近似答案）、Data Systems Of Agents（为多智能体集群提供结构化记忆与协调子层）、Data Systems By Agents（由智能体从零合成定制数据系统并验证正确性）。
推荐理由：原文从推理成本骤降切入，提出数据系统需为智能体重塑的三重挑战，为理解Agent与数据基础设施的共演化提供了一个可迁移的分析框架。
Lilian Weng精选AI 评分7777 Harness Engineering for Self-Improvement
Lilian Weng 梳理了 harness 工程如何支撑递归自改进（RSI），将 harness 定义为围绕基础模型的运行时系统，负责编排执行、工具调用、上下文管理、状态持久化与结果评估。
推荐理由：原文系统梳理了 harness 工程的设计模式与优化路径，读者可借此理解自改进循环中非模型层的角色与边界。
Import AIAI 评分5959 Import AI 455：AI系统即将开始自主构建自身
Jack Clark在Import AI 455中基于公开基准的聚合趋势，认为AI系统有60%以上概率在2028年底前实现端到端自主研发。他列举了SWE-Bench、CORE-Bench、MLE-Bench等基准的快速进展，以及AI在代码编写、kernel优化、模型微调、对齐研究等核心环节的能力提升，并指出OpenAI、Anthropic、DeepMind及多家创业公司已将自动化AI研发作为目标。