这里收录所有 AI 日报文章，按日期倒序展示。
AI日报｜Claude Code只完成1%、OpenAI科学推理基准、以及王阳明进了Anthropic
AI日报｜2026-07-07 三条新闻，三个不同的"认知缺口"：一条揭示了编程工具的史诗级起源故事，一条刷新了科学AI的评估范式，一条证明了500年前的心学正在被写进全球最前沿的AI训练流程。表面看是三件不相干的事，深层却指向同一个问题——我们对AI的理解，远比我们以为的更浅。 一、Claude Code"才完成1%"：编程工具的史诗起源，与工程师角色的终极跃迁 原文：https://36kr.com/p/3885510549041417 | 新智元整理 Anthropic官方本周发布了《The Making of Claude Code》，由核心开发者Boris Cherny亲自讲述Claude Code的完整起源史。这段历史中最反直觉的部分，是Claude Code最初并非作为产品被立项，而是脱胎于Anthropic内部的安全对齐（Alignment）项目。 起点不是"做一款编程工具"，而是"教模型不失控地自动化软件工程"。 从2021年Dawn Drain的"让模型编码能力达到我自己水平"、Shauna Kravec团队的"用RL训练模型写函数并测试正确性"，到2022年Ben Mann团队在VS Code里做的四个建议选项——这些研究侧的探索，在2024年之前始终停留在"玩具"阶段：clide太慢、太脆弱、只有研究人员在用。 转折发生在Boris Cherny加入Labs团队后。他没有被安排做产品，而是被要求"为六个月后的模型构建"，他用两天做了一个极简CLI原型 demo，在Slack上只收获了两三个点赞。但Boris停不下来，他把issue复制进clide，"它直接写出了完整的五到十行PR"，那一刻他意识到："我从没见过这种事。感觉像未来。" 这个故事的真正价值，不在于Claude Code多成功，而在于它的起源逻辑：做AI编程工具的出发点，不是"帮工程师写代码"，而是"让AI学会安全地控制软件工程"。 这意味着Claude Code的底层问题，不是"上下文窗口够不够大"，而是"模型在执行危险操作时，是否真的理解了自己在做什么"。 Boris说"我们才完成了1%"，核心指的不是功能列表的完成度，而是"长时自主、持久记忆、复杂上下文管理、开放世界规划"这些能力还远未到来。更深层的问题是：人类工程师的角色正在从"代码建筑师"向"AI管理员"跃迁——你需要的不再是亲手写代码的能力，而是判断AI写的东西对不对的品味。 对行业的影响： Claude Code的起源史，揭示了一个被忽视的真相：当前AI编程工具的能力上限，不是由"模型能做什么"决定的，而是由"模型对自身行为的理解程度"决定的。大多数团队在做AI编程工具时，底层假设是"给模型足够多的上下文，它就能完成工作"——但这个假设回避了真正的问题：当模型开始写危险代码时，它有没有能力停下来问自己"我为什么要这么做"？ 这个问题的答案，将决定AI编程工具最终是"高级自动补全"还是"真正的AI同事"。 二、OpenAI GeneBench-Pro：科学推理基准刷新，"完整闭环"成为新标尺 原文：https://36kr.com/p/3885482953601287 | 超神经HyperAI整理 OpenAI研究团队发布了GeneBench的更新版本GeneBench-Pro，将评测范围从基因组学扩展至分子与定量生物学、药物基因组学、癌症生物学、微生物基因组学、临床转化等10个主要领域、21个子领域，共129个问题。 这不是一个普通的学术评测发布。它的核心命题是：评估AI能否在真实科学分析流程中完成完整的"推理闭环"。 具体来说，每个GeneBench-Pro问题都被封装为一个独立的科学分析任务，智能体只获得最小可行提示和目标估计量——不会告知具体执行流程，需要自主完成：数据理解→质量控制→方法选择→统计建模→诊断修正→最终决策输出。数据文件模拟真实分析师从实验检测或临床系统获得的原始数据，包含故意埋入的错误和异常，考验模型能否识别并处理。 这是一个残酷的评测设计：在任意一个决策节点做出错误选择，都会向后传播，导致最终结果出错。 评测结果（完整129题）： GPT-5.6 Sol（max推理强度）：28.7%通过率 GPT-5.6 Sol Pro（GPT Pro运行）：31.5% GPT-5.5：12.0% Claude Opus 4.8（最强非GPT模型）：16.0% 这个结果的关键解读，不是"GPT又赢了"，而是即便是最顶级的模型，在真实科学场景下也有超过70%的任务无法完成。 GeneBench-Pro的结论是：当前模型已经具备"局部科学能力"（识别数据异常、理解统计信号、执行标准分析步骤），但无法稳定扩展为端到端的科学分析能力——"识别问题"与"采取正确行动"之间存在明显断裂。 对行业的影响： GeneBench-Pro的出现，标志着AI科学能力的评估范式发生了根本转变。过去的科学AI评测，集中在"单点任务"（如蛋白质结构预测、医学影像分类），这些任务已经有明确的评价标准和正确答案。GeneBench-Pro考的是开放的科学推理链条——你没有标准答案，你需要从混乱的真实数据中重建完整的分析路径。 这类基准的出现，意味着AI进入科学研究的方式正在发生变化：从"替代科学家执行特定步骤"，到"能否独立完成端到端科学发现"。这不只是技术问题，也会深刻影响科研分工——如果AI可以在最少人工辅助下完成一个GeneBench-Pro问题（通常需要10-40小时），工业研究的成本结构将发生显著变化。 三、王阳明进了Anthropic：东方心学与AI对齐的意外共鸣 原文：https://36kr.com/p/3885510422016009 | 量子位整理 UT Austin哲学教授Harvey Lederman（研究王阳明十余年）更新了自己的X简介：正式加入Anthropic，担任Alignment Training工作。他的学术方向，是用分析哲学工具重新拆解王阳明的"知行合一"，而他的最新工作，恰好是把这个理论映射到AI对齐训练上。 这个跨界的内核，是王阳明"真知"概念与AI agentic misalignment之间，存在令人震惊的结构对称。 Lederman的核心主张是：王阳明说的"知"，不是一般意义上的"知道外部世界的信息"，而是"内心没有自相矛盾"——真知是认知一致性，不是信息量。一个人"知道"孝顺是对的，但当父母需要时选择推托去做自己的事，王阳明认为这不算"真知"，因为内心存在信念冲突。 ...