真正在做 AI 的人今天说了什么。一页读完，约 5 分钟。
今天的主线是稀缺：稀缺的不是点子，而是算力、token，以及那批能把算力和 token 变成结果的少数研究员的注意力。No Priors 的一期节目认为，万亿美元这批公司是一次性的突变，不是可以复制的模式；与此同时，企业内部也在从「人人都来试试 AI」转向决定谁配拿到 token 预算。另一边，一位种子轮投资人则说，AI 里没有谁有护城河，除了那些把这个故事卖出去的风投机构。
万亿美元那一批是间断平衡，不是新常态
三家公司在五年里从几乎零做到万亿美元，现在投资人正按同样的速度给几十家后来者定价。反驳的声音是：市场规模也许确实在那儿，但速度几乎肯定不在，大家把这两件事混为一谈了。在实验室内部，算力稀缺悄悄变成了人的幂律分布，几十个研究员贡献了大部分成果，招聘也慢下来，因为贵的不是研究员本身，而是配给他的那份算力。给实验室 RSI 热潮降温的一句话是：聪明且清醒的科学家已经连续五年，每隔十八个月就相信递归自我改进还有十八个月到来。关于什么时候该卖：把这场对话直接排进日历，别等情绪上头再谈，因为「你这辈子最高产的那几年，现在正押在牌桌上」。
AI 里没人有护城河，除了风投
一份把整个技术栈逐层点名的清单：模型、IDE、harness、应用生成器、套壳产品、推理、语音、数据标注、基础设施、neocloud、生成式内容，每一层都点出三家公司，然后每一层都被判定没有护城河。落点是：唯一还立得住的生意，是给这一切掏钱的风投机构本身。另外还有一个押注：未来十年最值钱的差异化资产会是品牌营销，不是发布会视频，而是每周持续回答「这家公司到底代表什么」。如果 agent 成为大多数产品的主要使用者，想在剩下的人类受众里被记住只会更难，那些一直没能坐上 CMO 位子的营销人，会开始拿到联合创始人的席位。
Garry Tan 开源了他那个装着 70 个 skill 的「Personal AGI」agent 仓库，MIT 协议
他在 Startup School 演讲里用的那套配置现在免费公开了：一个私有 GitHub 仓库，预置 70 个已经验证过的 skill，外加一个 Karpathy 风格知识 wiki 的雏形。它跑在你已有的 Claude Code 或 Codex 订阅上，不用额外花钱，命令行和桌面端都能用，初始化只要往 harness 里粘一张图。全部采用 MIT 协议。
在创意工作上，coding model 正在赢过 diffusion model
最近那些程序化生成艺术、视频剪辑和 3D 游戏 demo，让人更倾向于相信在很大一片创意领域里，LLM coding model 会比 diffusion model 做得更好。原因是结构性的，不是审美层面的：代码更好改，更容易往某个具体方向推，也能干净地导出到现有工具里，而一张生成出来的像素图这三点都做不到。文中还附了一个 Claude Code 里 /design 命令的实时演示。
Trajectory 谈 continual learning：GRPO 不够用，于是转向 on-policy
一次梳理，讲 Trajectory 怎么处理 continual learning 里剩下的那些数据问题，包括为什么光靠 GRPO 走不通、什么原因逼着他们转去做 on-policy 训练，以及转过去之后还得挨个修好被 on-policy 弄坏的东西。看点在于，这是这个领域里的早期领跑者之一，罕见地把取舍而不是结果讲得很具体。
扫代码找漏洞不叫安全，把它打穿才叫
静态漏洞扫描是及格线，但远远不够；真正的检验是渗透测试，主动去打穿你已经上线的东西。另外还提到一支团队，增长率是 AI 原生的水平，但整个 pitch 里一次都没提 AI，而如果他们不是把 AI 吃得这么透，同样的业务大概得靠十倍的人手才撑得起来。
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。