科研数据集一年暴增 3.9 倍：当知识生产的基础设施开始“为 Agent 而不是为论文排版”
从 Hugging Face 的 Project ProtoStar、MIT 的物理世界模型到麦格劳希尔接入 MCP，知识生产机构正在把核心交付物从“给人读的论文与电子书”，重构成“给模型和 Agent 调用的数据基础设施”。
人与 AI
在人与 AI 的协作中，重新理解能力、创造和人的位置。
→
OpenAI Math：722 篇论文之后
从几个重点数学问题，到一次发布七百多篇研究手稿。人类需要多久才能把这些成果吃透？假如下个月又多一百倍呢？
怎么看待 OpenAI 发布的 AI 水印技术？
从 textGrain 的机制、误报率和写作情景出发，理解 AI 文本水印的检测结果，以及我们如何评价 AI 参与的作品。
以史观今：AI 对教育的冲击，和历史上的哪些变革最相似？
从文字、印刷、计算器、学校制度与慕课的历史参照出发，讨论 AI 如何改变学习与教育，以及历史经验的边界。
ICLR 投稿超过六万，比我想象中更快
从 ICLR 摘要阶段六万多篇投稿的规模出发，追问 AI 参与科研后的增长，以及与之相匹配的新游戏规则。
爆火的 Jev，我们拿 1711 道高考题测试了它
一个不生成文本、只负责判断的模型，在 1,711 道高考客观题上答对了 90.8%；读完 17 篇作文后，它又显示出成为第二判断来源的可能。
ChatGPT 带我读 MIT AI 教育报告（四）
AI 持续变化，一所大学需要怎样的制度，才能不断观察、实验、测量并修正自己的判断？
ChatGPT 带我读 MIT AI 教育报告（三）
当信息和帮助都可以随时从 AI 获得，人为什么还要来到大学，与其他人共同生活和学习？
ChatGPT 带我读 MIT AI 教育报告（二）
当好作业不再能证明学生学会了，课程与评价需要怎样改变？
ChatGPT 带我读 MIT AI 教育报告（一）
当 AI 能完成作业与解题，学生亲自学习还有什么价值？
用了 GPT 6 Astra 10 天，我的感受
用了 GPT 6 Astra 十天后，关于额度消耗、能力边界和未来 Token 计量的个人感受。
OpenAI 又攻克数学难题！研究背后可能是另一种 Scaling Law？
一次数学研究背后的大量并行探索，如何改变我们对 AI 完成复杂任务的期待。
为 Agent 写 CLI 后，我开始在“输出”里做设计
CLI 向系统交付行动，也向 Agent 交付下一步所需的上下文。
PPT Master 从 1.0.0 到 5.0.0：怎么设计 Agent 协助下的内容生成方式
PPT Master 提供了一个真实样本：Agentic 内容生产如何继承经验、选择能力、保存决定，并在人、Agent 与工具之间分配决定权。
在 grill-me 的基础上，GPT 多问了一个数字
GPT 多问的 0 到 100 分把握度，让一次答对背后的认知状态显现出来。
当我用这样的 Skill，重新打开英语
我曾以为自己认识 check、charge 和 over，直到老师让我越过中文释义，看见词义背后的核心意象。我把这种理解单词的方法萃取成了一个 Skill，也由此重新理解了怎样和 AI 学习。
做一个思想实验：当 AI 不再有做不到的事，我们还该学什么？
如果 AI 能完成所有认知任务，人为什么还要学习？从教育的社会选择出发，再回到当下：当作业不再足以证明能力，学校如何通过答辩式证明和长期评价为学生背书。
