Anthropic 发布的内部研究显示，自 2025 年初以来技术部门初级岗位占比从 21% 降至 14%，初级新员工占比从 27% 降至 9%，开放初级岗位降至 6%。公司将原因归于 AI 智能体能力提升，到 2026 年 8 月智能体记录的工作时长已是人类员工的 6 倍，研究部门达 19:1。研究同时承认 Anthropic 是高度依赖 AI 的特例，结果难以直接套用到整体经济。
推荐理由：Anthropic 内部研究给出初级岗位占比与 AI 智能体工时对比，可观察 AI 替代入门岗位的具体幅度。
研究者提出 Taste-Bench，用智能体运行轨迹中的决策分叉点考察其长期决策质量，共 502 道二选一题。测试的 14 个模型中最好的 GPT-5.6 Sol 平均准确率 59.7%，GPT-5.5 为 59.5%，其余明显更低；当关键线索只在后续步骤才出现时，平均准确率降至 21%。
Latent Space 正在试播新节目 High Taste Testers，把旧金山的午餐闲聊搬上节目，首期从 Dev Day 聊到最新模型与助手，并汇总了 10/15/2026-10/16/2026 的 AI 新闻。
Nieman Lab 报道称，Meta 将于 10 月 30 日生效的新商业条款允许其抓取与使用其平台的企业“关联”网站内容，用于开发、改进、研究和训练 AI 产品，可能覆盖新闻出版商。
Google DeepMind 发布技术演示，展示生物学家如何用智能体开发平台 Google Antigravity 在单次会话中完成抗菌肽候选的发现、结构评估与优先级排序，把原本分散在多个数据库的检索压缩到一处。
NVIDIA 在都柏林 AI in Science Summit 上加入欧盟委员会的 AI in Science Enablers Initiative，为欧洲科研社区提供加速工具、算力与培训支持。
Latent Space 播客访谈 Leash Bio 的 Ian Quigley，讨论该公司如何用 DNA 编码库（DEL）收集蛋白质与小分子的高通量相互作用数据，并整理出干净可复现的数据用于大规模建模。
研究者用基于 AI 的蛋白设计工具，保留两类蛋白酶催化核心并替换蛋白其余部分，设计出可被调整以在特定位点切割目标蛋白的酶。他们用这些酶切割与神经疾病相关的蛋白，以演示其效果。原文指出，肽键本身半衰期可达数百年，而生物体通过蛋白酶催化其断裂。
Latent Space 播客访谈中，Dyna Robotics 联合创始人兼首席科学家 Jason Ma 介绍了上月发布的 Dyna-2 世界动作模型，该模型在超过一百万小时人类视频上预训练，可先预测未来视频再输出机器人动作。
AI 实验室正通过 SimpleClosure、Sunset 等公司收购倒闭创业公司的代码和工作区数据，用于模型训练。
微软研究院提出研究系统 StudentSim，用公开去标识化学习记录为每个学生训练个性化 AI 学生模拟器，在真实学习者测试前评估和改进 AI 辅导系统。研究同时发布覆盖国际象棋、英语二语写作和数学的 StudentSimEval 基准，从行为保真度与指导响应性两个维度评测模拟器，StudentSim 在三项任务上均优于主流基线。该系统仅为研究用途，未部署于课堂，也不用于替代教师。
微软研究院开源 Agent Lightning v1.0，这是一个约 3500 行代码的轻量智能体强化学习框架，提出 Harnessed Agentic RL 范式，让部署时使用的 agent harness 直接参与训练，无需在训练框架内重写智能体。
推荐理由：微软研究院开源约 3500 行的智能体强化学习框架，用真实 harness 训练，并给出 SWE-bench 提升数据。
MIT Technology Review 基于 300 名数据与 AI 高管调研发现，企业平均仅约 34% 的智能体 AI 项目进入生产环境，遗留数据系统、安全隐私顾虑和知识与上下文缺失是主要失败点。
企业 AI 的竞争焦点已从预测模型能否超越统计预测，转向如何让预测系统依据自身结论自主行动而不偏离业务意图。深度学习与生成式 AI 驱动的智能分析支持实时训练，数据范围也扩展到非结构化交互来源，推动企业从被动回顾转向务实前瞻。Everest Group 合伙人 Vishal Gupta 认为，"分析"一词正让位于 AI。
微软研究院实习生 Rohan Kannan 构建了一套机器学习管线，利用 L1 拉格朗日点的太阳风观测和 AE、Dst 指数预报，结合纬度与地质电导率，为美国本土 66,935 座变电站生成提前 30 至 60 分钟的风险估计。
微软研究院推出 Quine，一个面向生物学的研究系统，由跨基因组、蛋白质、化学、RNA 与细胞状态、生物成像的多模态世界模型和连接科学工具、文献与实验的交互框架组成。
推荐理由：微软研究院公开 Quine 的多模态生物世界模型与工具编排框架，并给出胰腺癌细胞状态预测的湿实验验证结果。
伯克利 AI 研究团队提出 ABBEL 框架，将 LLM 的交互摘要建模为自然语言"信念状态"并对其内容进行监督评分。在协作编程基准 CollabBench 上，基于重建的信念评分把与全上下文模型的性能差距缩小约 50%，训练步数从 100 步降至 50 步，峰值上下文 token 数也明显低于全上下文设置。
UC Berkeley 团队提出，推理成本已从 GPT-4 级约 $30/百万 token 降至不足 $1，部分厂商低于 $0.10，正进入"智能近乎免费"时代。文章据此提出三类数据系统挑战：为智能体重设计（多智能体重复子查询占 80-90%，可复用结果或返回近似答案）、支撑智能体群体长期任务的状态管理与共识、以及让智能体自行合成可信数据系统。
Berkeley AI Research 提出 GRASP，一种面向学习型世界模型的梯度规划器，通过将轨迹提升到虚拟状态实现跨时间并行优化、在状态迭代中注入随机性以促进探索，并重塑梯度让动作获得清晰信号。该方法针对长时程规划中梯度爆炸/消失、非贪心结构导致局部极小值以及高维视觉模型梯度脆弱等问题，使基于梯度的长时程规划更稳健。
伯克利AI研究团队提出一种直接以互信息评估和优化成像系统的框架，仅用带噪测量和噪声模型即可量化测量对物体的区分能力。该信息指标在彩色摄影、射电天文、无透镜成像和显微成像四个领域预测了解码器性能，优化后设计可匹配SOTA端到端方法，且内存和算力需求更低、无需任务专用解码器。