真正在做 AI 的人今天说了什么。一页读完，约 6 分钟。
今天有两场关于天花板在哪的重要争论。Jerry Tworek 和 Rohan Anil 认为瓶颈就是 transformer 本身，它一旦离开实验室就再也学不动了；而 Aaron Levie 觉得天花板在于可验证性，最难的活反而最先被自动化，恰恰因为它们能被测出对错。与此同时，Vercel 把一个内部 agent 放到了自家运营的中枢位置，还有一位投资人说，当前的融资市场跟基本面已经彻底脱钩，而且至少还得再脱钩一年。
Core Automation 创始人：瓶颈是 transformer，不是算力
Jerry Tworek 在 OpenAI 把 RL 规模化的时候，一直相信这条路能走通，他说 2025 本该是万事皆解的一年。结果 benchmark 一路往上涨，真实世界的任务却依旧一团乱麻，因为 eval 和训练数据本来就是一体两面，而两者都跟真实部署对不上。他的结论是模型必须能在 test time 学习，而这恰恰是 transformer 结构上做不到的事，所以 Core Automation 正在找一种替代架构，并把 AGI 定义为无需人类介入就能自我改进的模型。用他的话说，现在人类加 LLM 的混合体确实非常成功，但去掉人类的 LLM，就没那么行了。Rohan Anil 补了一堵很实际的墙：他们办过一场 QR kernel 竞赛，要把 cuSolver 打赢 60 倍，大概需要地球上仅有的三个人，再加十万美元的 coding agent 算力，花上四周，而没有任何前沿模型能接近解出这道题。
Vercel 现在把内部运营全都跑在一个自研 agent 上
Guillermo Rauch 说，Vercel 现在每天的日常工作都要经过一个叫 @v 的内部 agent，日交互量和 token 消耗都在指数级增长，能力范围横跨财务、公关、文档、市场、工程和数据分析。它为每个用户保留独立的 memory、workflow 和日程安排，也是 Eve 设计的基础。真正有意思的是路由这一层：Vercel 之前建过几十个各自独立的 agent，他把那种做法比作给每个 agent 都配一个自己的域名，于是 @v 干脆同时当 agent 和 router，底下挂 sub-agent、skill 和委派机制。至于为什么不直接接一个第三方的 Slack 集成了事，他的理由是所有权，因为如果 agent 最终等同于现代公司本身，你会希望从源码到运行时到数据再到 token 都攥在自己手里。
最难的工作最先被自动化，因为它最容易验证
Aaron Levie 的说法是，数学、网络安全和写代码之所以早早被自动化，不是尽管它们难，而是因为对错可以客观测出来，这让训练拿到了更清晰的 reward signal，也让你能在规模上确认部署确实有效。而法律条款、市场活动、销售话术、预算制定，这些事没有唯一正解，取决于操盘者的风险偏好，而且往往要等模型出完结果很久之后才评得出好坏。这个推论跟纯粹的模型规模化路线正好相反：哪怕能力还在指数级增长，大部分价值仍然会在应用层被创造出来，而底层的业务流程本身也必须跟着改。他觉得我们可能需要一整套全新的方式去测量知识工作，就像软件行业早就有的那样。
Dan Shipper 拆解「主体性断裂」的三个阶段
看着模型独自完成一件过去每一步都离不开你的事，感觉近乎一种死亡，因为我们把自己等同于自己的产出，而这事儿没人征求过我们同意。Shipper 说这种反应会沿着一条可预测的弧线走：一开始你眼里只有 AI，于是你说「AI 解决了那道 Erdos 问题」；接着你注意到背后的人类脚手架，于是你说「我的工作就是给 Claude 当保姆」；最后你围绕脚手架本身重建了主体性，因为它现在看上去才是真正的活儿，于是你又开始说「这是我做的」，AI 只是不言自明的一部分。他押注的是，把这些断裂消化成玩心和好奇心的能力，决定了谁能在 AI 经济里活得好，而每一次能力跃迁都会给此前尚未被波及的人群，比如数学家，制造出新的断裂。
「VC 已经基本彻底变成了 vibes capital」
Nikunj Kothari 说，早期和中期的定价现在跟基本面完全脱钩，有些公司什么都没有却融到了离谱的轮次，而看上去板上钉钉的项目反倒举步维艰。决定结局的是你在不在当红赛道上，而且他认为大多数人期待的那种回调不会来，充裕的 dry powder 加上 AI 的顺风，至少还能把这局面延长 12 到 18 个月。公开市场烧的是同一种燃料，万亿美元市值的股票会因为 vibes 和模型发布单日波动超过 5%，最近的存储和 KOSPI 就是例子，而且轮动的节奏越来越快。他的建议是，盈利能力和干净的 cap table 最终还是会赢，但创始人在碰资本市场之前，得先搞明白眼下这个漩涡是怎么回事。
Amjad Masad 的 LLM 象棋引擎已在 Lichess 上线，等级分 1253
这个引擎现在会自主对局，对手既有真人也有 bot，同时开三盘，棋局可以在网站上实时观看。目前等级分停在 1253。
Hermes 怎么防止自建的 skill 变成一堆垃圾
Hermes 会自己造 skill 来干活，那问题就来了：靠什么阻止这个库慢慢腐烂。Nous Research 联合创始人 karan4d 告诉 Peter Yang，答案是 Hermes Curator，一个按计划在你的 agent 内部跑的后台任务，一边清理 skill 和 memory，一边不断追问哪里是垃圾、哪里还能更高效。因为它是开源的，你可以把自己对「垃圾」的定义交给它，它会照着重写自己的清理循环。
一个 computer-use agent 跑去打客服，还把理吵赢了
Swyx 正在为一期相关播客收集 Codex 的 computer-use 高光时刻，目前最亮眼的一个是 agent 代他去客服聊天窗口，一路把问题升级以求更快解决。客服想把锅甩到他这边，结果 agent 把证据一条不落地全甩了回去。他补了一句：那些人类完全不知道自己在跟一个 bot 说话。
Garry Tan：结果才是疆域，其余都只是地图
Tan 谈精英主义的观点是，人们总把地图错当成疆域，而在市场里，疆域无非就是你有没有做出别人真正想要的东西。除此之外，他把 AI 驱动的经济增长称为眼下最好的一颗白色药丸，并且注意到，公众的惊奇感恰恰在惊奇的量开始垂直上升的那一刻消失了。
源数据来自 zarazhangrui 的开源项目 follow-builders，以 MIT 许可发布。摘要由 LLM 基于该项目的公开 feed 生成，摘要 prompt 亦改编自该项目。上面每一条都链接到原始出处。
摘要由程序自动生成。据此做判断前请先看原文。