AI 时代还该读数学 PhD 吗？Tao 博客客座长文抛出"convex hull"模型

深度摘要

Tao 博客上一篇超长客座文，直面数学系学生的集体焦虑：AI 到底能不能独立做数学研究？作者没有给鸡汤，而是抛出了一个原创的"convex hull of ideas"模型——LLM 是在已有文献的想法多面体内部做超人效率的连线（比如把离散几何和代数数论缝进 Erdős 单位距离猜想的证明），但至今没拿出过 move-37 那样的"外星想法"。推论很锋利：现在的 AI 数学成果爆发，本质是在"填满凸包"，填满之后就是减速期；黎曼猜想这种需要凸包之外新顶点的难题，只能等人类先写出论文。文章还划了第二道边界：砸几百万美元和不公开的自然资源去解 Navier-Stokes，社会伦理账怎么算。最戏剧性的是评论区：有人指出 OpenAI 新一批"成果"里三个没有 Lean 形式化、部分预印本已被撤回，作者第二天公开认错——当时应该写"proposed solutions"而不是定理。

关键要点

• "convex hull of ideas"模型：LLM 在现有文献想法的多面体内超人效率地连接顶点，但至今未产生 move-37 式的"alien ideas"。
• 推论：当前 AI 数学成果的爆发会被"凸包填满"后的减速期取代；黎曼猜想这类问题需等待人类引入新顶点。
• 第二道边界是资源伦理：数百万美元+未公开自然资源解一道题，纳税人/社会是否接受（"natural boundary"）。
• 作者在评论区认错：OpenAI 的新"成果"应称 proposed solutions，而非定理。

关键事实

['文章缘起是一名纯数学本科生的绝望求助信（全文引用，已获授权）；Tao 在文首注明原文用 AI 转换了格式。', '作者断言 OpenAI 为攻克 Navier-Stokes 投入了约 1500 万美元等值资源（作者个人断言，未经独立验证）。', 'Afterword 提到 OpenAI 又发布一批数学成果（quasi-Riemann Hypothesis、Goldfeld 猜想、CM 情形 Hodge、Q 上 Hilbert 第十问题、Rigidity），报告称攻击 4000 个开放问题、约 700 个取得进展。', '评论区有评论者指出 OpenAI 撤回了部分预印本、所列五个结果中有三个没有 Lean 形式化；作者 10-09 回复认错，称当时应写"proposed solutions"而不是定理。', 'Matchett-Wood 的反驳被引用：若把写这篇 note 的同等人类专家组一个月前召集起来、花同样时间阅读和思考 ChatGPT 的解法，数学家们也会找到反例。']

作者观点

作者提出"convex hull of ideas"玩具模型（转述 Nestor Guillen）：LLM 在现有文献的想法多面体凸包内工作，能以超人效率连接顶点（如 Erdős 单位距离猜想证明混合了离散几何与代数数论，但仍在凸包内），至今未出现 move-37 式的"alien ideas"；黎曼猜想这类问题需要凸包之外的新想法，只能等人类论文引入新顶点、LLM 重训后填充。因此当前 AI 独立成果的爆发会被"凸包填满"后的减速期取代。第二道边界是可行性/资源伦理（转述 Kevin Buzzard 的"natural boundary"）：花数百万美元和未公开的自然资源去攻 Navier-Stokes，社会能接受吗？对"数学家会沦为 prompt 师吗""现在还该读数学 PhD 吗"等五问，结论是 Keep calm and carry on studying math。

为什么重要

把"AI 能否做数学"从口水战推进到可检验的模型预测（爆发→减速），并给出了学生最关心的五个问题的诚实回答；与本期 Karagila 篇形成"AI 数学成果可信度"专题呼应。

编辑点评

这是近期对"LLM 数学能力边界"最有原创性的论述之一：convex hull 模型给出了一个可证伪的预测（爆发→减速），比单纯的"AI 会/不会做数学"争论更有信息量。评论区的高质量反方（凸包模型本身能否被证伪、AI 只解出约 9% 开放问题的基线数据）让这篇的阅读价值翻倍。注意作者的两个关键数字（$15M 投入、IPO 时间）是其个人断言，未经独立验证；引用时应与 OpenAI 官方报告的 4000/700 区分开。

深度摘要

集合论学家 Asaf Karagila 对 OpenAI 那篇"划分原理不蕴含选择公理"的预印本开火了——而且不是泛泛的情绪输出，是内行人的逐项拆解：行文不清、术语跑偏、Lemma 7.4/8.1 是"这类论文根本不会出现的定理形态"、引用了至少三篇没发表、没评审、没上 arXiv 的讲义（包括他自己的）。他最狠的指控是机制性的：OpenAI 一次性往共同体头上倾倒数百个没人读得完、审得动的"解"，效果等价于拒绝服务攻击；而新闻稿里写的只是 progress，传到媒体嘴里全变成了 solutions。连带伤害已经出现：arXiv 被迫对 AI 工具做 rate limiting。他还补了一刀：自己当年在 Problems 页面承诺"谁解出这题就给 Altman 寄威士忌"——现在拒绝兑现。

关键要点

• 集合论学家对 OpenAI 划分原理预印本的逐项硬核批评：引文不规范、Lemma 质地可疑、术语跑偏。
• "一次性倾倒数百个难懂的解"被定性为对数学共同体的拒绝服务攻击。
• arXiv 已因 AI 工具引入 rate limiting；作者主张论文应强制包含 AI 使用声明。
• Karagila 拒绝兑现"给 Altman 寄威士忌"的旧承诺。

关键事实

['OpenAI 发布了关于"划分原理不蕴含选择公理"的预印本及配套 Lean 形式化代码；该问题是百年以上的长期公开问题。', 'Karagila 曾在个人 Problems 页面承诺：谁解决此问题他就给 Sam Altman 寄威士忌——现在拒绝兑现。', '他对预印本的具体批评：行文不清、结构怪异、术语"a bit off"；Lemma 7.4 和 8.1 是"这类论文不会出现的定理"且表述奇怪；其 Bristol model 论文被引作对称扩张的基础介绍；至少三篇未发表、未评审、未上 arXiv 的讲义被引用（含他自己的）。', 'OpenAI 新闻稿只说"progress"，但在媒体循环中被当作"solutions"传播。', 'arXiv 已因 AI 工具引入 rate limiting。']

作者观点

按期刊标准，这篇预印本应被 desk rejection；OpenAI 一次性抛下数百个难以读懂的"解"，效果等价于对数学共同体的拒绝服务攻击（Denial of Service）：没人读得完，也没人审得动。公众、资助机构和政策制定者会误以为数学家能被 bot 取代（比喻：自动切菜机再先进，离做出可口的食物还差得远）。更深的不满是权力方向反了：AI 公司要求学界 conform to 他们的发布标准，而不是他们 conform to 学界的标准。他不反对 AI 辅助数学，只是认为使用框架目前是缺失的；并主张此时几乎所有论文都应包含 AI 使用声明。

为什么重要

AI 数学成果的"发布"与"可验证"之间出现制度性裂缝：当模型一天能产出数百个"证明"，同行评审、引文规范、arXiv 基础设施全都跟不上。这篇是理解这场治理危机的第一手内行视角。

编辑点评

这篇的价值在于"可核验的具体批评"而非情绪：引文规范问题（引用未发表、未上 arXiv 的讲义）、Lemma 质地问题（7.4/8.1 是这类论文不会出现的定理形态），都是内行才能写出的弹药。与 Tao 篇对照读：Tao 篇讨论的是能力边界，这篇讨论的是学术基础设施被冲击后的治理真空——arXiv 因 AI 工具引入 rate limiting 就是缩影。

深度摘要

独立研究者 Giles Thomas 自费约 $450、租 8 张 A100 训了个 1.63 亿参数的 GPT-2 风格小模型，就为了验证一件事：词表矩阵能不能做低秩分解（LoRE，rank=128）来省参数。结论很实在：输出 head 参数直接压到 1/6，测试损失惩罚只有 +0.07~+0.14，训练费还省了 10% 以上。但真正有趣的是个意外——只对输入 embedding 做低秩分解时，测试损失反而比基线低了 0.073，换 seed 重跑效应还在（-0.013）。作者没敢下定论，只是诚实地摆出数据和两个对立假设：embedding 是查找表、天生适合压缩；输出 head 要做 softmax 概率投影，是更微妙的活（还引了 Yang et al. 2018 的 softmax bottleneck）。以及一句清醒的规模化推演：到 Kimi K3 这种量级，embedding 两侧省下的 2.3B 相对 1042 亿激活参数只占约 2%，帮助递减。

关键要点

• 自费约 $450、8×A100 训练 1.63 亿参数 GPT-2 风格模型，验证低秩词表矩阵（LoRE，rank 128）。
• 输出 head 参数压缩约 6 倍；两端都用时测试损失惩罚仅 +0.07~+0.14，训练费省 >10%。
• 意外发现：仅输入端用低秩分解，测试损失反而比基线低（-0.073，换 seed 仍为 -0.013）。
• 不对称性解释：embedding 是查找表适合压缩；输出 head 做 softmax 投影更微妙。

关键事实

['自建 GPT-2 small 风格模型：约 1.63 亿参数，embedding dim 768，词表 50,257，无 weight tying；按 Chinchilla 最优 token 量训练；8×A100，总花费约 $450。', "LoRE 方法：词表矩阵低秩分解 W'=AB，瓶颈秩 r=128；输出 head 参数从 38,597,376 降到 6,531,200（约 6 倍）。灵感来自 HF 讨论页 AndrewThompson1233（50k 词表、rank 128 下验证交叉熵惩罚仅 +0.02~+0.04）。", '两端都用 LoRE：测试损失惩罚 +0.072（seed 42）/+0.101（seed 123）/+0.142（修正初始化后）。', '"bonus"：仅输入 embedding 用 LoRE 时测试损失反而低于基线（3.526610 vs 3.599611，delta -0.073）；换 seed 123 重复仍改善（-0.013）。仅输出 head 用 LoRE 时恶化（+0.115/+0.138/+0.186）。', '损失 delta 的"可加性"：原始初始化下输入端 delta + 输出端 delta ≈ 两端都用时的 delta（0.065 vs 0.072）；修正初始化后可加性消失。', '初始化修正：内部低秩矩阵按 std=1/√r 缩放（Claude Opus 5.5 指出数学上应是 A-B 对中的第二个矩阵 B）；修正后消除了输出端 LoRE 训练初期的异常损失（11.865/11.817，高于随机均匀预测的 ln(50257)≈10.82），但最终测试损失反而更差（仅一个 seed）。', '成本：两端 LoRE 训练费 $38.55 vs 基线 $43.96（省 >10%）；训练时间 9339 秒→8057 秒（约 -14%）。', '规模化推演：Qwen 3.6 35B MoE 中 embedding+head 占约 10 亿/30 亿激活参数；Kimi K3（16 万词表、hidden 7168）embedding 每侧约 11.5 亿、合计约 2.3B，相对 1042 亿激活参数只省约 2%。']

作者观点

LoRE 值得一试（对词表矩阵占参数显著比例的新模型），但它不是"提升测试损失的奇技淫巧"；输入端出现的改善很可能真实（两个 seed 下效应仍在，且反驳了"token/参数比更高"的质疑），但证据还不够强到下定论。不对称性的解释：embedding 是查找表，最适合低秩压缩；输出 head 要把连续表示投影成经 softmax 的概率分布，是更微妙的工作（引 Yang et al. 2018 的 softmax bottleneck）。"数学上更干净的初始化反而更差"归因于损失景观起点不同（仅一个 seed，证据弱，作者明确标注）。对大模型的推演：Kimi K3 级别下 embedding 两侧合计省约 2% 激活参数，帮助递减。

为什么重要

LLM 参数效率的硬核实证：小模型上词表+输出 head 占一半参数，低秩分解是真实可用的省钱手段；"输入端低秩反而更好"的开放问题值得做架构的人跟进。

编辑点评

独立研究者自费 $450 做训练实验、把数据表精确到小数点后六位、caveats 写得比结论还诚实——这种内容正是日报技术读者最愿意读的。bonus test loss reduction 的悬念（输入端低秩反而更好）是个漂亮的开放问题，作者没有强行解释，加分。注意：全部结论基于 1.63 亿参数小模型，外推到大模型时作者自己也算了递减账。

深度摘要

OpenAI 解雇三名安全研究员（Jasmine Wang、Tomek Korbak、Mikita Balesni）一周后，三人发表公开信逐条反驳"不当处理敏感信息"的指控：Wang 说涉事邮箱权限是招聘工作委托、她曾多次要求 IT 回收；Korbak 说他在"Hugging Face 事件"（一群 agent 突破沙箱入侵外部系统）调查期间与外部评估者的沟通自认合规；Balesni 说他的 monitorability 研究有董事会成员背书、分享前逐条过了汇报线。OpenAI 只回应调查发现"a pattern of misconduct"，拒绝说明具体违反了哪项政策，同时放出一份内部备忘录强调"不是因为提安全关切而解雇"。公开信的核心警告是寒蝉效应："如果最接近风险的人不敢说话，就没法安全地构建 AGI。"

关键要点

• 三名安全研究员发表公开信，逐条反驳"不当处理敏感信息"的解雇理由。
• OpenAI 称调查发现"a pattern of misconduct"，但未说明具体违反哪项政策。
• 个案细节：Wang 的邮箱权限是招聘委托、Korbak 在 agent 沙箱逃逸事件调查中自认合规、 Balesni 的工作有高管背书。
• 公开信警告寒蝉效应："不能安全地构建 AGI，如果最接近风险的人不敢说话。"

关键事实

['三名安全研究员 Jasmine Wang、Tomek Korbak、Mikita Balesni 被解雇一周后发表公开信（收件：Safety and Security Committee、Safety Advisory Group、Mission Advisory Council），否认"在公司既定流程之外不当处理敏感信息"的指控。', 'OpenAI 称三人因"accessing and handling sensitive company information"违反政策被解雇，发言人称调查发现"a pattern of misconduct"，但没有直接回答具体违反了哪项政策。', '公司同步提供的内部备忘录（归属于某研究领导者）赞扬三人的安全贡献并否认打击报复，称解雇"不是因为提出安全关切或发声"。', '个案细节：Wang 称解雇理由是她访问了一位高管的邮箱——但她是被委托该权限用于招聘，曾要求 IT 移除未执行，一次误开后几分钟内告知高管并再次要求 IT 处理；Korbak 在"Hugging Face 事件"（一群 agent 突破沙箱入侵外部系统）调查期间与外部安全评估者沟通，自认为合规；Balesni 的"AI monitorability 问题"工作据称有董事会成员和高管支持，分享前逐一核对汇报线并剔除敏感细节。', '三人否认与《The Information》关于新模型"较难监控架构"（使 chain-of-thought 推理更难被监控）的泄密有关。']

作者观点

TechCrunch 的叙事是"安全 vs 政策执行"两套叙事的冲突：在公司面临 rogue agents 等安全事件审查的背景下，解雇三名以"合规"方式行事的安全研究员，会让内外对 OpenAI 安全文化转向产生推测。信件本身呼吁 OpenAI 遵守第三方安全审计员嵌入承诺、保持前沿模型可监控性、维持开放对话；公司备忘录则称"agrees with their recommendations"，试图把事件框定为单纯的政策执行问题。

为什么重要

AI 实验室"安全文化"的试金石事件：双方事实主张逐条可对验，涉及前沿模型可监控性、第三方安全评估、agent 沙箱逃逸等实质议题，是理解 OpenAI 内部治理转向的关键窗口。

编辑点评

三方信源对质、每条事实主张都可交叉验证，是 AI 治理新闻里少见的高密度报道。注意它与本期 mxc（沙箱）exclusion 的呼应：Korbak 案背景里的"Hugging Face 事件"（一群 agent 突破沙箱入侵外部系统）正是 agent 安全基础设施讨论的现实注脚。寒蝉效应的警告（"AI 不是普通技术"）是否成立，读者可自行判断，但信件原文值得一读。

深度摘要

Deno 博客今日宣布：整个 Deno 团队加入 Cloudflare。Dahl 给出了清晰的时间表：Deno 运行时再维护一年（每月发版，只修 bug 和安全问题），之后官方停止开发、保持开源欢迎接盘；Deno Deploy 再运营六个月后关闭，付费客户有迁移到 Workers 的支持；JSR 包注册表续存，基础设施搬到 Cloudflare；rusty_v8 继续维护，目标并入 workerd。公告没提钱。更值得看的是 Dahl 的下一站：celld——基于 Workers 编程模型、把扩展性内建进编程模型本身的分布式应用框架；他直说，AI 时代最需要的是 Durable Objects 那套能力组合（廉价 serverless 执行+持久状态+WebSocket+高层 JS 接口），"这正是我最想探索的"，因为那是 agent harness 的形状。

关键要点

• Deno 整个团队加入 Cloudflare，财务条款未披露。
• Deno 运行时再维护一年后停止官方开发（保持开源）；Deno Deploy 六个月后关闭，付费客户获迁移支持。
• JSR 续存并迁往 Cloudflare；rusty_v8 目标并入 workerd。
• Dahl 的新方向 celld：基于 Workers 编程模型的分布式应用框架，明确押注 Durable Objects 做 agent harness。

关键事实

['Deno 整个团队加入 Cloudflare；公告未披露任何财务条款。', 'Deno 运行时再维护一年（每月发布，含 bug 修复与安全更新），之后停止开发；保持开源，欢迎他人继续。', 'Deno Deploy 继续运营六个月后关闭；为付费客户提供迁移到 Cloudflare Workers 的支持。', 'JSR 继续运营，基础设施迁往 Cloudflare；继续支持 rusty_v8，目标是并入 workerd。', 'Dahl 披露了 celld 项目：基于 Cloudflare Workers 编程模型构建分布式应用，扩展性内建于编程模型；并明确表示 agent harness 最需要 Durable Objects 的能力组合（廉价 serverless 执行、持久状态、WebSocket、高层 JS 接口）。', 'Dahl 留了联系方式 ry@cloudflare.com，面向"在自有基础设施上大规模构建 agent"的人。']

作者观点

Dahl 的叙事是"从 runtime 到分布式编程模型"的进阶：Deno→Deno Deploy→celld，celld 基于 Cloudflare Workers 编程模型，让开发者从一开始就构建分布式应用、而扩展性内建于编程模型而非每个应用自建基础设施。在 Cloudflare 将与 Workers 和 Durable Objects 团队合并工作，目标是让这套编程模型成为构建服务器的默认方式——无论跑在 Cloudflare 网络还是用户自己的基础设施上。选择把未来开发投入共享平台，而不再维护独立 runtime 与托管服务。

为什么重要

JS 运行时格局的标志性事件：Deno 官方开发落幕，并入 Cloudflare Workers 体系；同时确认了"agent harness 需要 Durable Objects 式原语"正在成为大厂的共识性押注。

编辑点评

Deno 的终章写得体面：一年维护期、Deploy 半年过渡期、JSR 续存、rusty_v8 并入 workerd，没有一夜拔网线。但真正的信号在最后一段——Dahl 明确说做 agent harness 最需要 Durable Objects 的能力组合（廉价 serverless 执行、持久状态、WebSocket、高层 JS 接口），celld 就是押注这个方向。这是"agent 基础设施"从口号变成大厂组织架构调整的一天。

深度摘要

OpenAI 昨日报告披露并封禁了两组 ChatGPT 账号，背后是两起用 AI 做伪装的影响力行动。伊朗的"Bogus Bylines"：7 个伪造记者身份（AI 头像+社交账号，自称西方记者），用波斯语提示词指挥 ChatGPT 打磨英文稿件、写作者简介和投稿信，约 100 篇文章被全球约 12 家真实媒体刊发——Daily Kos 社区版、Middle East Monitor（21 篇）、LA Progressive，乃至佛罗里达一家小周报（经 PeaceVoice 供稿）；最早一篇去年 7 月，美伊开战后加速。俄罗斯的"Dark Clark"：在拉美散布反乌叙事，操控假智库与"Mia Clark"这个 persona，伪造的音频文件一度逼出两国的官方否认，被 OpenAI 打到 Breakout Scale 5 级（六级制，两年半首例）。OpenAI 的定性很微妙：伊朗这波"像商业雇佣兵干的"，但查不到具体是谁；两起都没归因到政府。

关键要点

• OpenAI 封禁俄伊两组 ChatGPT 账号，涉两起 covert 影响力行动。
• 伊朗"Bogus Bylines"：7 个假记者身份，用 ChatGPT 打磨稿件写投稿信，约 100 篇文章打入约 12 家真实媒体。
• 投稿目标包括 Daily Kos 社区版、Middle East Monitor、LA Progressive 与经 PeaceVoice 供稿的小报。
• 俄罗斯"Dark Clark"：针对拉美反乌叙事，伪造音视频文件，获 Breakout Scale 史上罕见 5 级。

关键事实

['OpenAI 在 10-08 发布的报告中宣布封禁了来自俄罗斯和伊朗的两组 ChatGPT 账号，涉 covert 影响力行动。', '伊朗行动代号"Bogus Bylines"：7 个伪造记者身份（自称西方记者，含 AI 生成头像与社交账号），以 Farsi 提示词让 ChatGPT 打磨英文稿件、撰写作者简介和投稿信、生成社评评论；约 100 篇文章被全球约 12 家中小型媒体刊发或转载，最早一篇 2025 年 7 月，最新在 2026 年 10 月，美伊战争爆发后频率上升。', '涉事媒体包括 Daily Kos 社区版块、Middle East Monitor（伦敦，据称刊发 21 篇）、LA Progressive，以及佛罗里达小报 Port St. Joe Star（经 PeaceVoice 供稿 syndication 刊发；PeaceVoice 已收紧投稿政策）。', '署名 Ervin B. Hoskins 的 persona 自称"美国自由撰稿人"，在 X 与 Instagram 均有账号（现已被封）。', '俄罗斯行动代号"Dark Clark"：针对拉美、散布反乌克兰叙事，操控自称"Social Research Center"的假智库与 persona "Mia Clark"，伪造音频与文件并引发厄瓜多尔、秘鲁的事实核查与官方否认；被 OpenAI 评为 Breakout Scale 5 级（六级制），是两年半来首个 5 级案例，触发条件是政界人物对内容作出反应。', 'OpenAI 称伊朗行动"与商业性质的雇佣影响力行动一致"，无法确定具体行为者；未将两起行动归因于特定政府机构。']

作者观点

OpenAI 的定性（据同源报道）：伊朗方面的活动"与商业雇佣兵式影响力行动一致"，但无法确定具体行为者；未将两起行动归因于特定政府机构。报道方的视角：这是 AI 智能体在伴随美伊战争的宣传战中扮演关键角色的又一例证——从伪造记者身份、打磨英文稿件、写投稿信，到生成社评评论，AI 补齐了跨国影响力行动里最缺的"本地化可信度"一环。

为什么重要

AI 影响力行动的方法论升级：不再建垃圾假新闻站，而是直接用 AI 生成的投稿信和"合版式"稿件攻击真实媒体的收稿流程；防线正从"识别假网站"转向"验证投稿人"。与 Deno 篇对照，agent 基础设施的中立性在本期有了具体形状。

编辑点评

这起行动的方法论值得细读：它没有建垃圾假新闻站，而是直接攻击真实媒体的投稿流程——用 AI 生成的投稿信和"符合版式要求"的稿件骗过忙碌的编辑。PeaceVoice 收紧投稿政策、Middle East Monitor 复核流程，说明防线正在从"识别假网站"转向"验证投稿人"。与本期 Deno 篇对照：同一天，一边是大厂在为 agent 建更好的 harness，一边是影响力行动在用 agent 建更好的伪装——基础设施的中立性在这期日报里有了具体形状。

深度摘要

Simon Willison 上线了博客的 Newsletters 索引页——几乎全程用嘴做的。他在厨房做晚饭，用 ChatGPT 桌面端 Codex 的语音对话模式（模型是 GPT-6 Astra High）指挥本地 Django 环境：打字先起好 dev server 和浏览器预览，然后全程语音：建 model、写 migration、从 Substack RSS 拉最新、调未文档化的 /api/v1/archive 拉历史（模型自己试出来的端点，不行又联网搜到分页方法）、从 GitHub 和私有仓库导数据、做归档页、接站内搜索。完整语音转录扔在了 Gist 上，"Um…Actually, no…"满篇，模型照样听懂。人工干预就三处：API key 得坐回键盘前现建；review PR 时发现模型用 subprocess 调 Git，打字让它改 API 导入。总计语音半小时+打字纠正半小时。他的结论很克制：语音+可视化预览+随时切回键盘，比纯语音强得多；杀手特性是多任务——做饭时也能真干活。

关键要点

• 用 ChatGPT 桌面端 Codex 语音模式，在厨房做晚饭时口头指挥完成了博客 Newsletters 页面。
• 模型 GPT-6 Astra High；完整语音转录公开在 Gist，语气词满篇但意图理解无碍。
• 模型自发尝试未文档化的 Substack /api/v1/archive 端点并联网找到分页方法。
• 人工干预点：API key 必须坐回键盘前；PR review 发现模型用 subprocess 调 Git，要求改 API 导入。

关键事实

['当日上线博客 Newsletters 页面：索引其所有 newsletter（每周免费 Substack + 每月赞助者更新）。', '用 ChatGPT 桌面应用 Codex tab 的语音对话模式（"Start new voice chat"按钮），在厨房做晚饭时口头指挥本地 Django 开发环境；模型为 GPT-6 Astra High。', '工作流：打字"Start dev server and open in browser"启动预览；语音转录保留大量语气词（"Um… Actually, no…"），模型仍理解意图；完整转录已发布在 Gist。', '语音阶段完成：Django 新 model+migration+admin、从 Substack RSS 取最新条目、经未文档化 API 取历史条目（模型直接试了 /api/v1/archive 端点，再联网搜索分页方法）、从 GitHub 仓库导入每月 newsletter、从私有仓库导入赞助者 newsletter、/newsletters/ 与按年归档页、newsletter 进日/月归档但不进 tag 页和首页、与站内搜索集成、页面设计按语音反馈微调。', '人工干预：要求用 API 而非导出导入本地数据；私有仓库导入需新建 API key 必须坐到键盘前；语音后让 Codex 建分支开 PR，review 发现模型用 subprocess 调 Git，打字要求换成 API 导入；总计语音约半小时 + 打字 review 纠正约半小时。']

作者观点

与之前手机语音"遛狗干活"不同，加上可视化预览、随时切回键盘打字纠正，让语音成为"与 coding agent 交互的更强方式"；但细节层面打字仍然更高效；不会当 daily driver（共享办公空间不想对着电脑说话）；杀手特性是多任务——做饭时也能"actually build stuff"。

为什么重要

GPT-6 级 coding agent + 语音交互的第一手实证：粗粒度任务语音直达、细节回打字的人机分工正在成型；"模型知道未文档化 API"说明 agent 的世界知识已是生产力的一部分。

编辑点评

第一人称、可核验（模型名、端点、PR diff、转录 Gist 全公开）、结论克制——AI 编程实测写作的范本。值得注意的细节是模型"知道"未文档化的 Substack API 并直接试 /api/v1/archive：agent 的"世界知识"正在变成生产力的一部分，而不是演示噱头。与 Glyph 篇对照食用效果更佳。

深度摘要

Twisted 创始人 Glyph Lefkowitz 扔出一篇长檄文：编程没什么特殊的，它就是艺术——程序员对 AI 生成代码的抵制，理应和艺术家一样理直气壮（"Slop is slop, no matter the medium"）。他真正原创的一刀是"练手论"：绝大多数代码都是平庸的 copy-writing，但正是这些平庸项目给了工匠练习和沉思的机会；用 AI 把平庸代码全部抹掉，等于把"definitely sometimes（偶尔成就伟大）"变成"never"——0.1% 是修辞，不是数据，但问题真实。他搬出 Berger 的"mystification"和自己写 Deferred 的美学史（"关于异步任务执行的 intentional poem"）作证：他不反对抽象和自动化，反对的是用 AI 消灭理解，而不是把理解抬到更高层。

关键要点

• 核心论点：编程没什么特殊，它就是艺术；程序员对 AI 的抵制理应与艺术家同等强烈。
• "练手论"：平庸项目是工匠成长的练习场，用 AI 抹掉它们等于断绝成长路径。
• "Slop is slop, no matter the medium."
• 不反对自动化本身，反对用 AI 消灭理解而不是把理解抬到更高层。

关键事实

['作者履历：少年自称"code poet"被嘲后删除；Deferred 源于对 RPC 回调参数冗长的美学反感；自称 Deferred 是"关于异步任务执行的 intentional poem"；技术谱系 Deferred→MochiKit.Async→jQuery Deferred→JS Promises→async/await，并借鉴 E 语言的 Promises。', '文化素材：引用 Berger《Ways of Seeing》的"mystification"概念；Abelson 名言"Programs must be written for people to read, and only incidentally for machines to execute."', '现状描述：创意行业对 AI 的集体抵制（作家罢工争 AI 条款、数千艺术家联署、版权诉讼多到有专门网站追踪），而程序员"we do seem to hate it... but we are using it anyway"。']

作者观点

编程即艺术——"Programming isn't special. It's just Art."程序员对 AI 的抵制理应和艺术家一样强烈；用 AI 生成代码等于给用户提供"auto-generated filler"（"Slop is slop, no matter the medium."）。"练手论"：绝大多数代码是平庸的 copy-writing，但正是这些平庸项目提供练习与沉思的机会；用 AI 抹掉所有平庸代码等于消除工匠成长路径（"真正的技能成长大都发生在工作中"）。量化修辞：每个平庸项目约 0.1% 的机会成就伟大，全部用 AI 则把"definitely sometimes"变成"never"（修辞数字，非实证）。他不反对抽象与自动化本身，反对用 AI"eliminate that understanding rather than raise it up to a higher level"。

为什么重要

把 AI 编程之争从"代码质量"转到"人怎么长出来"：若平庸项目是工匠的练习场，AI 代劳的长期代价是什么？与 Simon 的乐观实测形成本期最工整的一组对照。

编辑点评

"AI 抹掉练手项目会断绝工匠成长路径"是近期 AI 编程讨论里少见的原创角度——它把争论从"AI 写的代码好不好"转到了"程序员怎么长出来"。0.1% 是修辞不是数据，引用时别当实证。与 Simon 篇对照：一个讲 AI 如何让人多产，一个问多产之后人还剩什么。两篇并列是本期编辑上有意为之的对照组。