智能体

十月十二日，Meta 发布两款新智能体模型：Muse Wonder 与 Muse Wonder Full。这是 Meta 面向 Agent 场景的旗舰系列，核心卖点是两个新概念——Active Memory（主动记忆）与 Active Focus（主动聚焦）。它要解决的痛点很具体：智能体经常跑了几步就忘了之前在干嘛，或者被无关信息带偏。 Active Memory 和传统 RAG 有什么区别？ RAG 是被动检索：你给它一段内容，它在里面找相关片段。Active Memory 是主动维护：智能体在任务过程中自动判断哪些信息值得记住、哪些可以丢弃、什么时候需要回忆。这更接近人类的工作记忆——不是把所有书都摆在桌上，而是只把当前章节翻开放在那里。 Active Focus 又是什么？ Active Focus 解决的是另一个问题：长任务里智能体被新信息打断后跑偏。Active Focus 让模型在每一步都重新校准自己离原始目标还有多远，避免在工具调用的迷宫里绕远路。这两个能力合起来，是 Meta 想把「一直在线」的智能体变成「一直靠谱」的智能体。 接下来要看：Muse Wonder 与 OpenAI Dots、Google Gemini 智能体的真实对比评测；它在 Meta 自家产品（WhatsApp、Instagram）里的落地节奏；以及 Active Memory 这套概念会不会被开源社区模仿。硅基注意力的工程化，刚刚开始。 主动记忆会不会让智能体变得过于固执？ 人类的记忆有一个奇怪的特性：我们会选择性遗忘。这种遗忘不是 bug，而是 feature——它让我们能放下过去、适应新环境。如果一个智能体的 Active Memory 忠实地记住所有历史决策，它会不会在环境变化时还抱着旧经验不放？这是主动记忆设计里最微妙的平衡：既要有记忆，又要能遗忘。Meta 的 Muse Wonder 在这一点上怎么做的，接下来的技术报告值得仔细看。 对开发者来说，Muse Wonder 这一代产品标志着智能体竞争的主战场正在从「能不能跑」转向「能不能记住、能不能聚焦」。这是一个更慢、更难、也更接近真实生产力的赛道。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论

十月十三日，TechPluto 发了一篇综述，指出从九月初到十月中这六周里，OpenAI、Meta、Google 三家公司先后发布或大幅升级了同一种产品：后台常驻智能体。OpenAI 叫 Dots，Meta 叫 Muse，Google 嵌在 Gemini 里。它们的共同特征是——不主动弹窗，不在你对话时才存在，而是在你手机、电脑、浏览器后台一直跑，跨会话记住你的目标，替你安排日程、查资料、回邮件、整理文件。 从对话框到后台，界面变了什么？ 过去的 AI 像一个客服：你找它，它应答。现在的 AI 像一个助理：它在你不在的时候也在工作。这意味着交互范式从「提问—回答」迁移到「委托—汇报」。你不再需要打开 App，你只要告诉它一个目标，它就自己跑。看起来是效率提升，但交互重心转移了——你不再亲自思考每一步，你只在关键节点审批。 当思考被托管，注意力还是你的吗？ 好处是把人从琐碎决策里解放出来。坏处也很明显：你的日历、你的邮件、你的浏览记录、你的消费习惯，全部变成智能体做决策的输入。它替你选餐厅、替你回消息、替你筛新闻，时间长了你会发现自己对世界的直接感知越来越少，对智能体汇报的依赖越来越深。这是一种新型认知卸载——不是卸载计算，是卸载注意。 接下来要观察的信号：这三家会不会合并成事实标准（就像浏览器大战那样）；手机系统会不会给后台智能体一个专门的权限类别；以及「数字极简主义」运动会不会开始呼吁用户每周关闭一次后台智能体。当智能体搬进后台，人机关系的物理距离消失了——它就在你手机里，二十四小时不眨眼。 后台智能体的权限边界该怎么画？ 一个后台智能体如果能读你的邮件、改你的日历、替你下单，它需要多大的权限？今天的产品设计里，这种权限往往是一次性授予、永久有效。用户很少记得自己三个月前给过智能体什么权限。可以预见，操作系统很快会推出「智能体权限中心」，像现在的隐私面板一样，让你一眼看到每个智能体能访问什么。这是数字主权在新时代的具体形态。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论

十月十四日，企业微信与 WorkBuddy 联合发布新版本。升级之后，WorkBuddy 不再是一个外挂应用，而是直接出现在员工的企微通讯录里，像一个新同事。它可以在企业授权范围内读取消息、文档、会议纪要、网盘文件，员工像 @ 任何人一样 @ 它。这是中国企业办公场景里第一次，智能体成为「组织成员」而不是「组织工具」。 把认知写进通讯录意味着什么？ 过去的企业 AI 是个旁挂系统：你登录另一个平台、上传资料、提问。这次不一样——WorkBuddy 就在你每天的工作流里，它知道你的项目群聊、知道你上周的会议纪要、知道你的文档版本。员工开始把思考过程写进群聊，因为群聊里有一个永远记得一切的同事。组织记忆从「公司知识库」变成「智能体的上下文」。 当组织开始依赖一个永不离职的同事，人会退化吗？ 好处是新员工 onboarding 从两周缩到两小时，跨部门沟通成本骤降。坏处也很明显：决策越来越多在智能体的「建议」上顺水推舟，员工的判断肌肉开始萎缩；敏感信息全部进入智能体上下文，一旦权限配置出错就是数据泄露；绩效考核也会开始看「你和智能体的协作效率」，把人卷进新的效率竞赛。 接下来几个月要看：企业微信会不会把这类成员标准化为一个产品类目；钉钉、飞书会不会跟进；以及第一起因为智能体误读群聊而引发的业务事故什么时候出现。当智能体成为组织成员，组织本身的认知就被外包了一半——剩下的那一半，是人，还是另一个智能体？ 组织记忆外包之后，人脑里还剩下什么？ 当 WorkBuddy 记住了所有群聊、所有文档、所有会议，员工大脑的长期记忆负担会显著下降。这本来是好事，但心理学家早就警告过：记忆不是仓库，而是建构——你必须自己反复回想，才能真正理解一件事。如果一切都交给智能体回忆，人类员工对业务的理解会变成「需要时去问 AI」。十年后，一家公司最懂业务的，可能不是任何一位员工，而是那个永远在线的智能体。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论

10 月 9 日凌晨，谷歌云在 Gemini at Work 2026 大会上正式推出企业通用智能体 Gemini Agent——把原本散落在邮件、文档、表格和代码里的活儿，交给一个能自主规划、调工具、持续执行的智能体。目前仍处预览阶段，但 Workspace 入口已经能用。对小团队来说，最容易落地的不是「取代员工」，而是先把「每周五花两小时整理周报」这种苦活交出去。 接进 Gmail 前要先开通哪些权限？ 第一步不是写提示词，而是把权限理顺。在 Google Admin 控制台为目标员工 OU 开启 Gemini for Workspace 预览开关，并授予 Gmail、Drive、Calendar 三个数据源的访问授权。这里最容易踩的坑是：智能体默认只能读到「过去一段时间」的邮件与文件，若你的周报要覆盖整月数据，必须在授权弹窗里手动把时间窗拉长，否则第一周就会漏数据。 接着在 Gemini 侧边栏新建一个自定义智能体，给它一个明确名字，例如「周报汇总官」，并在指令里写死三件事：数据来源是哪个 Drive 文件夹、收件箱里哪些标签算「本周工作」、输出模板长什么样。 周报智能体的指令该怎么写才不跑偏？ 别用「帮我写周报」这种模糊指令。把提示词写成结构化约束：扫描本周带专属标签的邮件，提取已完成事项、待办、阻塞三项；遍历指定 Drive 文件夹里本周修改过的文档，每个文档用一句话概括进展；输出 Markdown，分「已完成 / 进行中 / 下周计划 / 需要协调」四栏；数字类结论必须附原始邮件或文档链接，找不到出处就标「待核实」。 最后这条「找不到出处就标待核实」是关键：它逼智能体在引用时给出可点击链接，而不是凭空编一个进度数字。跑一周后你会发现，被标「待核实」的条目，恰恰就是你每周要花时间核对的地方。 实际跑起来最容易踩哪两个坑？ 第一，智能体会把群里的闲聊邮件也算进「工作进展」，解决办法是在 Gmail 里先用过滤器把周报相关邮件打上专属标签，再让智能体只读这个标签，而不是整个收件箱。第二，Drive 权限是按人走的，智能体代你访问时只能读到你本人有权限的文件，共享给客户但没共享给你的文件夹会被静默跳过。 这套自动周报流程值不值得现在就搭？ Gemini Agent 这类通用工作智能体的价值，不在于一次做成多大的事，而在于把「读邮件、翻文档、套模板」这三件每周重复的杂事自动化。先用一周时间把周报跑顺，再逐步把会议纪要、CRM 更新接进来——这比一上来就让它「自主负责一个项目」稳得多。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：Gemini智能体

10 月 8 日多家媒体报道 Manus 携 5 亿美元融资重启国内布局，随附的数据里最亮眼的是：自研框架让 Token 消耗降 23.2%、任务完成时间缩 28.2%。厂商用它证明 Agent 越来越高效。但真正天天和 Agent 打交道的人，多半有个相反的体会：机器是快了，人的总耗时却没怎么降。这就是智能体时代的效率悖论。 机器快了，人为什么反而更慢？ 23.2% 砍的是模型推理的 Token 成本，28.2% 缩的是 Agent 从接到任务到吐出结果的机器时间。但一个任务的真实周期，还有两段人的时间没被算进去：交办前把需求说清楚、交付后验收和纠错。 机器越快，这两段反而越重。因为 Agent 一口气吐出一大堆结果，人要逐一审视、挑错、打回重做。机器把执行压缩到几分钟，人却要花几倍时间去确认它没偷偷跑偏。执行变快的同时，验收负担被同步放大，两者在很多团队里正好抵消。 效率悖论为什么必然出现？ 这不是 Manus 的问题，是结构使然。当执行成本趋近于零，单位时间里机器产出的任务数量爆炸式增长；而人的验收能力是线性的、有上限的。于是瓶颈从「做得完做不完」，转移到「看得过来看不过来」。 结果是一种新的拥堵：Agent 在后面疯狂出货，人在前面排队验货。表面上系统吞吐量上升了，实际上人成了那个最慢的节点，而没人意识到瓶颈已经换了位置。 怎么跳出这个效率悖论？ 两条路。一是让产出自带可验证性——像 OpenAI 给证明配 Lean 那样，让 Agent 每个结果附上自我检查，减少人逐行审的负担。二是把验收本身也部分交给智能体，让人只审「验收者」汇总后的异常。Manus 那 23.2% 是在机器侧抠效率，真正的下一站，是在人的验收侧抠效率。否则省下的每一分 Token，都会以人时的形式还回去。说到底，智能体时代的效率冠军，不是跑最快的那个模型，而是让人最少皱眉的那套协作设计。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：效率悖论

谷歌的通用工作智能体、OpenAI 的智能界面、Manus 重启后押注的个人智能体 Cue，指向同一个方向：一整条任务流——从理解需求、调用工具、产出初稿到交付——都可以被一个智能体端到端接走。企业高兴，因为效率上去了。但很少有人替个体问一句：当「我做什么」这件事被整体接管，「我是谁」靠什么撑住。 职业身份是从哪里长出来的？ 现代人的自我认同，有相当一部分是职业身份给的。你自我介绍说「我是做数据分析的」「我是写代码的」，不只是在报岗位，而是在声明一种与世界打交道的稳定方式。这种身份不是凭空来的，它是在日复一日执行任务流——调试、沟通、判断、返工——的过程中，一点点打磨出来的。 换句话说，职业身份长在任务流上。任务流就是身份的根。现在智能体要把这根整段接走。 任务流被接管后会留下什么？ 如果智能体能把「做数据分析」这条流跑完，那「数据分析师」这个身份还剩什么？有人会说：你变成了「指挥智能体的人」。但指挥一个端到端跑完流的智能体，你参与的环节极少——提需求、验收结果。这个「指挥者」身份太薄，撑不起一个人十年磨一剑积累的自我认同。 更现实的痛苦是：过去那种「这件事是我亲手做成的」的踏实感消失了。你知道结果背后是模型在跑，你的技能没有真正被用到。身份认同的真空，往往比失业本身更难填充——失业至少还能说「我只是暂时没工作」，而身份被架空是「我即使在岗位上，也不再是那个专业的我」。 新的身份锚点该扎在哪里？ identity continuity 的问题这里不展开（那是另一条线）。要紧的是：职业身份的锚点必须从「我执行什么任务」，迁移到「我提出什么问题、我为什么信任这个结果、我在结果之上做了什么不可外包的判断」。 这听起来抽象，但路径具体：把身份建立在品味、判断、责任上，而不是建立在操作流程上。流程会被智能体接走，品味与责任接不走。越早意识到这一点的人，越能在任务流被接管的浪潮里，提前把自己的根往新的土壤里扎。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：职业身份消解

Reco 的一份数据在圈内流传：某财富 100 强客户在内部审计中发现，约 2.1 万个正在运行的智能体，没有明确的主人、没有登记、没人知道它们每天在替公司做什么。此前媒体把这事当「IT 资产清理」来报——又一个影子 IT 故事。但放到认知主线上看，这其实是另一回事：一个组织正在长出它自己意识不到的认知主体。 两万一千个智能体像什么？ 弗洛伊德把人格分成自我、前意识与无意识。无意识里装着大量从未被审查、却持续驱动行为的冲动。企业里那 2.1 万个影子智能体，位置惊人地像无意识：它们不进入管理层的「自觉」——预算报表、组织图里都看不到；但它们真实地在跑，每天读邮件、写文案、调数据、做决策，实实在在地驱动着组织行为。 管理层以为公司的决策链条是清晰的——董事会定方向、部门执行。实际上，无数无人认领的智能体在链条缝隙里自行其是，构成了一个组织从未审计过的「本我」。它影响着客户回复、风控判断、报价策略，却在任何人的认知之外。 看不见的智能体真的管得住吗？ arXiv 2604.16338 的研究给了一个令人清醒的量化：随着治理成熟度从 L1 升到 L5，智能体蔓延指数从 0.520 一路降到 0.028，降幅达 94.6%；其中最大的一跳（74.4%）发生在 L3 到 L4，恰好对应「自动化蔓延检测」落地之时。这说明什么？组织的「无意识」可以被系统性地收束，但前提是你得先能看见它。没有自动化检测，那两万一千个智能体就永远躺在黑暗里。 最大的风险到底是什么？ 比资产浪费更严重的，是责任真空。当一个无人认领的智能体写错了报价、发错了客户邮件、做出了越权的承诺，组织里没有一个人能说清它「为什么」这么做。它不是某个人的失职，而是一整个认知主体在无意识中行动。这在伦理与法律上都是全新的境况。 组织接下来要补的，不是更多智能体，而是一层「元认知」——像人做自我反省那样，定期审视「我身上到底有哪些我没意识到的东西在替我做主」。NIST 把智能体身份与授权列为重点，本质上就是在帮组织建立这种元认知。看不见的智能体越多，组织就越像一个被自己无意识驱动的人。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：组织无意识

NVIDIA 在 GTC 2026 发布 Vera CPU 时给的定位很值得玩味：它不是来和 GPU 抢浮点算力的，而是专门承担「智能体背后的 CPU 工作」——代码执行、工具调用、沙箱隔离、数据分析、数据管线与编排（NVIDIA 官方 Vera CPU 页面如此描述）。SpaceXAI 随后宣布采用 Vera CPU 大规模加速其智能体负载。硬件厂商已经用脚投票：智能时代的核心负载，正在从「算」转向「协调」。这对我们理解「认知是什么」是个硬提示。 智能体真正稀缺的是什么？ 传统 AI 训练的瓶颈是 FLOPS——矩阵乘得够不够快。但一个真正干活的智能体，绝大部分时间并不在做张量运算，而在：等工具返回、在沙箱里试错、把上一步结果拼装成下一步上下文、在多个子任务间调度。GPU 在那算一个注意力头，CPU 在那协调一整套外部世界的交互。 Vera CPU 之所以被单独造出来，正是因为这些「协调」工作量大、又和 GPU 的并行范式不匹配。硬件架构是对真实负载的忠实反映——既然要为协调单独设计芯片，说明协调才是智能体认知的主要开销。 认知的本质是计算吗？ 这让人重新审视「思考」这件事。我们习惯把思考等同于大脑里的高速计算——神经元放电、模式匹配。但智能体系统揭示了另一种可能：一个认知主体的绝大部分复杂性，不在内部运算速度，而在它如何把内部决策与外部的工具、环境、其他主体衔接起来。 人脑何尝不是如此？你「想清楚一件事」的大部分时间，其实是在脑中模拟调用外部工具、预演与他人的互动、组织下一步行动序列。真正纯粹的「脑内计算」占比并不大。Vera CPU 把这一点外显了：当我们为智能体造专用硬件，我们造的不是更快的算盘，而是更善于「组织行动」的神经系统。 这改变了我们衡量 AGI 的方式吗？ 如果认知即协调，那么衡量 AGI 进展就不该只看模型参数量或基准分数，而要看一个系统能稳定地组织多长、多复杂、多涉外部依赖的行动链。Navier-Stokes 那次攻坚真正惊人的，不是单个推理步骤，而是约一万个并发智能体被协调起来、88 小时不断线。那个把它们协调在一起的「编排层」，才是认知的主体，GPU 只是它的肌肉。 未来讨论硅基智能时，焦点会从「它多会算」滑向「它多会协调」。Vera CPU 是这个转向的第一块硅质纪念碑。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：认知即协调

9 月 29 日旧金山 OpenAI DevDay 2026，最大的发布不是新模型，而是一个叫 dots 的主动型智能体。它由 OpenAI 最强的 GPT-6 Astra 驱动，每个 dot 都有自己的云端电脑和浏览器，能 7×24 小时在后台持续推进任务，通过插件连接超过 4000 个外部工具。用户给一个目标、划定它能自主执行的操作范围，剩下的事它自己干。这标志着 OpenAI 从「聊天框」正式变成「云电脑租赁商」。 商业模式的变化 过去 ChatGPT 卖的是「对话时长」——你问一句它答一句。dots 卖的是「一台 7×24 有人帮你干活的云电脑」。这背后的成本结构完全不同：每个 dot 要常驻一台云端虚拟机，跑浏览器、存文件、维持会话状态，哪怕你不主动交互，它也在烧算力。 这意味着 OpenAI 的计费方式必然走向「按智能体占用计费」，而不是按消息条数。一个用户养三个 dot，就付三份云电脑租金加模型调用费。DevDay 同期发布的 GPT-6.1 Sol，价格只有 Astra 的五分之一，显然就是为这种「常驻高并发」场景准备的成本控制档。 对用户的实际意义 官方设想是未来多个 dot 组成团队协同——一个帮你盯邮件、一个帮你跑数据分析、一个帮你整理日程。你可以随时查看进度、设置权限、在需要审批的动作上介入。这和过去 Copilot 式「你叫一下它动一下」完全不同，是真正的数字员工模型。 9 月 29 日 DevDay 同期还发布了 Codex Cloud：每个编程任务一个独立云端工作区，电脑休眠任务继续跑。把 Codex Cloud 和 dots 放在一起看，OpenAI 正在把所有「需要长时间运行」的工作流都搬到它的云电脑上，这是一条比聊天更黏、也更烧算力的生意。 判断 Dots 的真正对手不是其他聊天机器人，而是远程桌面、RPA 软件和 IT 外包。如果它真能稳定地 7×24 干活，企业里那些「雇个实习生盯后台」的岗位会先被替代。OpenAI 这一步，等于把竞争从模型能力拉到了云电脑基础设施——这正是它需要微软 Azure 持续扩容的原因。 ...

英伟达在 10 月上旬更新了 Vera CPU 的交付进展：超大规算与 HPC 部门副总裁 Ian Buck 亲手把首批 Vera CPU 系统交付给 Anthropic、OpenAI、Oracle Cloud Infrastructure 和 SpaceXAI。这标志着这款「全球首款专为智能体打造的 CPU」从发布正式进入量产。一家做 GPU 起家的公司，为什么要为 Agent 专门设计一款 CPU？ Agent 时代 CPU 为什么成了瓶颈 过去大家谈 AI 算力，焦点全在 GPU。但智能体负载的特点是：模型在 GPU 上推理，而大量「编排工作」压在 CPU 上——调度工具调用、执行生成的代码、在沙箱里跑命令、处理非结构化数据、校验结果。这些工作单线程延迟敏感、并发量大，传统机架级 CPU 跟不上。 英伟达官方数据显示，Vera 相比传统 CPU 效率提升约 2 倍、速度快约 50%；自研 Olympus 核心比 Grace 指令每周期性能高约 50%，配神经分支预测器、10 宽解码，内存带宽达 1.2TB/s。这些指标全是冲着 Agent 工作流里「分支密集、内存不规则访问」的特点优化的。 客户名单说明问题 首批交付名单里，Anthropic、OpenAI 是模型公司，Oracle 是云厂商，SpaceXAI 则把 Vera CPU 用于其下一代 Agentic AI 部署，并计划把第一代 Starmind AI 卫星建立在优化版 Vera Rubin NVL72 系统之上。此外，字节跳动、CoreWeave 也是规划采用者。这说明 Agentic 负载已经大到连 CPU 都要重新设计。 ...