行业关键人物在想什么：创始人访谈、研究者论战、投资人判断的观点集合。
Nathan Lambert 撰文认为 Z.ai 于 6 月 13 日向 GLM Coding Plan 用户推出、6 月 16 日以 MIT 许可开源的 GLM-5.2，是首个在编码智能体场景中真正好用的开源权重模型，社区评测显示其在 Arena 智能体榜单上是唯一能与 OpenAI 和 Anthropic 最新模型抗衡的开源模型。
推荐理由：作者以亲测和社区评测为依据，把 GLM-5.2 与 DeepSeek R1 时刻类比，并展开开源与闭源差距及监管风险的独特分析。
Sierra 回顾 2024 年 12 月提出按结果（outcome-based）定价以来的经验：自那时起 S&P 500 上涨约 30%，而 SaaS 指标 WCLD 下跌约 15%。文章引用 Madhavan Ramanujam 的 2x2 框架（自主性与结果归因）定位定价模式，认为按结果定价只有在软件高度自主且结果可清晰归因时才可行，并判断最终能存续的是卖结果而非卖访问权的公司。
推荐理由：Sierra 作者基于自身按结果定价的实践复盘其得失，并用一个 2x2 框架解释为何席位制 SaaS 正承压。
Microsoft AI 发布长文，提出 Humanist Superintelligence（HSI）理念，即面向具体领域、受控服务于人类的超智能，并宣布组建由作者领导的 MAI Superintelligence Team。
推荐理由：Microsoft AI 提出以人类为中心、领域受限的超智能路线，文中给出医疗诊断等具体方向和 containment 难题的判断。
Sayash Kapoor 撰文提出 AGI 不是里程碑，公司宣布实现 AGI 不是可操作事件，对商业、政策或安全都没有直接含义。文章以核武器为反类比，认为 AI 的经济影响依赖以十年计的扩散过程，并批评基于影响、内部机制和基准行为的三类 AGI 定义各有缺陷，建议企业和政策制定者关注安全扩散而非 AGI 宣言。
推荐理由：作者区分能力与权力、以扩散视角解释 AGI 为何不是可操作事件，为评估各方 AGI 宣言提供了一个可用的分析框架。
Arvind Narayanan、Benedikt Ströbl 和 Sayash Kapoor 撰文分析 OpenAI、Anthropic 和 Google Gemini 下一代模型遇阻后的叙事翻转，认为宣布模型扩展已死为时尚早，行业领袖的预测并不可靠。
推荐理由：作者用可核查的证据指出业内叙事反复翻转的成因，并区分能力提升与实际社会影响的薄弱关联。
Arvind Narayanan 等人分析英国 NHS 肝移植匹配算法 TBS，指出其用 5 年生存期封顶计算移植收益，导致年轻患者无论病情多重都难以获得高分，2024 年 The Lancet 研究确认了这一年龄偏差。
推荐理由：原文用英国肝移植算法的年龄偏差案例，指出目标变量错配而非输入特征才是算法公平的关键，可迁移到其他预测决策系统。
Suno 发文回应 RIAA 代表三大唱片公司于 6 月 24 日提起的版权诉讼，称诉讼在事实和法律上均有缺陷，训练数据来自开放互联网上的中高质量音乐。Suno 还表示已设置阻止上传受版权内容、禁止按艺术家名生成等防抄袭机制，且起诉时双方正进行商业谈判。
推荐理由：Suno 官方回应 RIAA 诉讼，阐述其训练数据立场和防抄袭机制，可了解生成式音乐版权争议一方的核心论点。