在代码大模型（Code LLMs）的预训练中，行业内长期存在一种惯性思维，即把所有编程语言的代码都视为同质化的文本数据，主要关注数据总量的堆叠。然而，现代软件开发本质上是多语言混合的，不同语言的语法特性、语料规模和应用场景差异巨大。
破天荒！这一次，硅谷难得没有在吵着“让AI取代程序员”。
在刚刚结束的“美国 AI 春晚” AWS re:Invent 2025 大会上，AI Agent（智能代理）的重要性被反复提及。
Perplexity 的首席执行官 Aravind Srinivas 曾直言不讳：“世上万物皆是套壳（Everything is a wrapper）。OpenAI 套的是英伟达的算力和 Azure 的云服务；Netflix 套的是 AWS 的基础设施；就连市值高达 3200 亿美元的 Salesforce，归根结底也不过是 Oracle 数据库的一个高级外壳。”你
这两年，写代码这件事变了。GitHub Copilot、Cursor、Devin 一路登场，工程师开始习惯“打一段话，几千行代码自己长出来”。写得出东西，变得前所未有地容易。但很快大家发现，真正拖住上线节奏的，不再是「能不能写出来」，而是「敢不敢放上生产环境」——代码量指数级增长，验证、回归、极端场景覆盖反而被彻底压缩，测试成了 AI 时代新的“硬瓶颈”。
就在今天，OpenAI 与 AWS 官宣建立多年的战略合作伙伴关系。OpenAI 将立即并持续获得 AWS 世界级的基础设施支持，以运行其先进的 AI 工作负载。 AWS 将向 OpenAI 提供配备数十万颗芯片的 Amazon EC2 UltraServers（计算服务器），并具备将计算规模扩展至数千万个 CPU 的能力，以支持其先进的生成式 AI 任务
亚马逊一声咳嗽，半个互联网都地震了。 由于亚马逊AWS服务器宕机，大量互联网服务被迫中断，ChatGPT也被殃及。
对于提升AI能主动发现问题、提出假设、调用工具并执行解决方案，在真实环境里闭环工作，而不只是在对话里“想”的智能体能力（Agency）。在这篇论文之前的传统方法认为，需要遵循传统语言模型的“规模法则”（Scaling Laws）才能实现，即投入更多的数据就能获得更好的性能。
这几天，一篇关于向量嵌入（Vector Embeddings）局限性的论文在 AlphaXiv 上爆火，热度飙升到了近 9000。
AI 也要「考古」式科研？
