真正在做 AI 的人今天說了什麼。一頁讀完，約 6 分鐘。
今天有兩件事值得馬上拿去用：一份關於什麼時候該從 frontier model 撤下來的具體打法，以及 Chai Discovery 的那組數字，抗體設計的命中率從 0.1% 做到了大約 15%。串起這兩件事的一條線是，智慧本身已經便宜到不值錢了，價值轉移到了它的互補品上，可能是知識圖譜，可能是 orchestration 層，也可能是那些不體面的活兒，比如怎麼讓一家公司真的把東西用起來。
Chai Discovery 把抗體設計的命中率從 0.1% 拉到了 15% 左右
公司剛起步的時候，抗體設計的業界最好水平是一千個分子裡大概能結合上一個，弱到大部分靶點根本一個都命中不了，你也永遠沒法從結果裡看出成藥性。Chai-2 做到了 15% 左右，篩一千個候選能回來一百五十個，你終於可以從輸出裡讀出真正的統計規律。這套做法是直接從 LLM 那邊搬過來的：拒絕再加第二十四個子模組，把架構保持得足夠簡單，簡單到 scaling law 能被找出來，然後把抗體、mini protein 以及其他所有東西都當成同一個模型的不同 prompt。他們有個反共識的判斷，生物比程式碼更可驗證，因為結合能力和可製造性都是客觀讀數，而程式碼的品味不是。這對人的要求也說得很直白：“在生物領域，你太容易把自己騙過去了。”
先用最貴的模型做原型，6 到 8 周後再遷到開源權重
他看到創業者身上正在成形的打法是，第一版就用最好的 frontier model 來做，成本和延遲完全不管，先搞清楚使用者到底想要什麼，再談最佳化。等 workflow 和 UX 都驗證過了，才開始動真格地做 prompt engineering、模型路由、harness、小模型和 fine tuning。他給的時間判斷很具體：開源權重模型大約會在六到八週後追上來，那才是把生產負載遷過去的時機。一上來就用最便宜的模型是把順序搞反了，而他接觸到的大多數團隊，還卡在第一步。
問 10 個 IT 負責人的 coding agent 策略，會得到 5 種不同答案
企業 AI 現在完全沒有云計算早期那種兩三套主流部署正規化，當年是少數幾家基礎設施廠商把選擇空間框死了。有的公司統一用 ChatGPT 或 Claude，有的給員工一份選單自己挑，還有不少自己搭了一層 orchestration，讓員工可以接到任何模型。在資料訪問這件事上分歧更大：有的企業讓 agent 直接以使用者的身份行事，有的給 agent 發獨立身份，護欄則從極重到完全沒有都有。他的結論是，現在誰要預測這個市場最終的贏家，大機率是錯的，因為什麼都還沒定下來。
技術採用是情緒驅動的，別再拿效率當賣點
人們採用一項新技術，不是因為它讓自己效率更高。真正的原因是，某個跟自己相似的人用了，而且明顯過得更好了；或者是感覺身邊人都已經在用了，自己再不跟上就要被落下。所以正確的說服方式是社會證明，不是 10 倍生產力這類說法，技術擴散本質上是個社會過程，不是理性過程。她給的落地版本是：最好的 AI 培訓不是課程，而是把一個 agent 拉進團隊群裡，讓大家看著它幹活。
知識圖譜回潮，因為智慧已經便宜到不值得計量
本體和圖譜知識是現在火起來、而不是三年前火，原因只有一個：構建知識圖譜最難的部分一直是智慧本身，而夠用的智慧終於便宜到不值得計量了。智慧越是商品化，它的互補品就越值錢，這就是知識圖譜的分享突然開始有人聽的原因。他是在一場 Midjourney 的聚會上感受到這一點的，這本身就是個不錯的訊號，說明一線實踐者的話題重心已經挪了。
“Vercel 就是後端的 Vercel”，Factory AI 已經跑到每月數十億請求
這輪定位主推的是 Fluid compute 讓 Vercel 成為一個後端平臺，而不只是前端平臺，Factory AI 的 API 服務就跑在上面，每月數十億請求。另外他還說，在 AI SDK 裡改一行程式碼，就能把經過 AI Gateway 的 DeepSeek v4 Flash token 花費降低 90% 以上。
SPC 投了 Rivo：用 agent 把活期賬戶裡的閒錢掃進國債收益
Rivo 把 agent 接到你已有的活期賬戶上，學習你的現金流，把閒置的錢挪進有國債背書的收益產品，再趕在賬單扣款前把錢調回來，讓每一塊錢在你花掉它之前都在生息。難的地方在於這是個代價不對稱的預測問題：錢提前一天回來，損失的只是一點收益；晚一天回來，賬單就跳票了，信任也就沒了。這筆投資賭的是創始人 Ambrish，他在 Cruise 帶過 L4 自動駕駛，一直做到 robotaxi 上線，邏輯是自動駕駛的錢和自動駕駛的車是同一類問題，只不過失敗的後果溫和得多。Agarwal 本週還提出，大規模部署的 AI 不必是個黑箱，理解這些模型是怎麼工作的是前提條件，不是加分項。
vibe coding 做出來的 SaaS，本質是服務生意的獲客漏斗
他對 micro SaaS 經濟模型的判斷是，產品本身多半已經不是賺錢的地方了。它更適合當成一個自助式漏斗，把使用者導向價格更高的服務業務，不過他也馬上點破了代價：做服務就又回到了拿時間換錢。他還提到，現在靠 X 的分成賺錢都比做 micro SaaS 容易。另外他聽說 GPT 5.6 Luna High 便宜很多，用量基本無上限，他自己沒搞清楚的是它能不能搞定複雜的瀏覽器自動化，那差不多佔了他用 Codex 的一半場景。
用 AI 會變成預設前提，不再重要，主角還是人
他的預測是，現在這種“AI 在幹活”帶來的彆扭感只是暫時的。等他所說的 agency rupture 彌合、AI 重新變回隱形的東西，我們就只會去想人，以及人做成了什麼。用 AI 會變成一個預設前提，平淡無奇，既不值得表揚，也不用來打折扣。
來源資料出自 zarazhangrui 的開源專案 follow-builders，以 MIT 授權釋出。摘要由 LLM 依該專案的公開 feed 生成，摘要 prompt 亦改編自該專案。上面每一則都連結到原始出處。
摘要由程式自動生成。據此判斷前請先看原文。