真正在做 AI 的人今天说了什么。一页读完，约 3 分钟。
今天讨论最热的一条线是关于速度：Aaron Levie 认为，就算超级智能真的来了，卡住它的仍然是各种审批手续、组织变革管理，以及那些三周才回你一封邮件的客户；Dan Shipper 则直接对准大多数自动化预测底下的那个假设开火。产品方面，Anthropic 上线了 Claude Marketplace，企业可以用已经承诺的预算去买第三方 agent；Vercel 盘点了过去半年的降价成绩单。
未来十年的瓶颈是 AI 的落地扩散，而不是模型能力
模型有多能干，和它在 GDP 里存在感有多低，这两者之间的落差说到底是被企业运转的物理定律卡住了：数据要准备，流程要重做，新的工作流到底长什么样还得先吵出一个共识。过了这一关，你又会撞上真实世界本身的速度：等客户回复一份方案，等一张许可证批下来，等一条要走好几年的药物管线。Levie 还预计，coding agent 的应用面会比所有人预想的宽得多，会一路铺到网络安全防御、生命科学研究、老旧系统升级，以及那些以前根本掏不起钱做软件的公司。他的结论有点反直觉：代码变便宜，反而把工程杠杆抬得太高，最后我们需要的工程师不是更少，而是更多。
用任务拆解来谈自动化，这个模型里少了一项
一份关于 AI 与就业、设计得相当不错的报告，底下有两个假设在悄悄承担全部推理重量：一是工作可以拆解成任务，二是自动化总会减少人的劳动，最好的情况也不过是持平。Shipper 说，按他的亲身经验，第二条根本不成立，自动化往往会给人造出成倍的活儿，任何诚实的经济分析都必须把「工作被创造出来」这一项建进模型里。至于第一条，任务清单是个有用的视角，但不是全貌，因为这个模型说不清新任务究竟是从哪儿冒出来的。他借用 Wittgenstein 和 Heidegger，把一份职业理解成一种看世界、在意世界的方式：编辑会注意到护士注意不到的东西，而当工具发生变化，同样的那份在意就会长出全新的任务。
OpenClaw 云端会话终于跑得快了，还带远程终端和 WebVNC
OpenClaw 的云端会话速度总算到了能用的水平，同时上线的还有远程终端、WebVNC，以及用于 computer use 的 CUA。两个月前那波 dashboard 和 mini-app 的推进，到现在已经把团队围着 OpenClaw 自建的大部分工具替换掉了，所有东西最后都收敛成侧边栏的一个入口、一个 dashboard，或者团队服务器上的一个插件。
今早 ChatGPT Work 和 Codex 的 banked reset 没能生效
今天早上有一段时间出了 bug，在 ChatGPT Work 和 Codex 里使用 banked reset 的用户没能完整拿到额度重置。所有受影响的人都会额外补发一次重置，并收到一封致歉邮件，不需要自己提工单。
试一个新模型，就问它你的盲点在哪
Yang 检验一个模型推理能力的常用招数，是粘进去一段 prompt，要求对方毫不留情地指出是哪些盲点在拖住你，然后看回答够不够锋利。Astra 给出的答案格外不客气，而这正是这个测试想要的效果。
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。