真正在做 AI 的人今天說了什麼。一頁讀完，約 5 分鐘。
今天的主線是稀缺：稀缺的不是點子，而是算力、token，以及那批能把算力和 token 變成結果的少數研究員的注意力。No Priors 的一期節目認為，萬億美元這批公司是一次性的突變，不是可以複製的模式；與此同時，企業內部也在從「人人都來試試 AI」轉向決定誰配拿到 token 預算。另一邊，一位種子輪投資人則說，AI 裡沒有誰有護城河，除了那些把這個故事賣出去的風投機構。
萬億美元那一批是間斷平衡，不是新常態
三家公司在五年裡從幾乎零做到萬億美元，現在投資人正按同樣的速度給幾十家後來者定價。反駁的聲音是：市場規模也許確實在那兒，但速度幾乎肯定不在，大家把這兩件事混為一談了。在實驗室內部，算力稀缺悄悄變成了人的冪律分佈，幾十個研究員貢獻了大部分成果，招聘也慢下來，因為貴的不是研究員本身，而是配給他的那份算力。給實驗室 RSI 熱潮降溫的一句話是：聰明且清醒的科學家已經連續五年，每隔十八個月就相信遞迴自我改進還有十八個月到來。關於什麼時候該賣：把這場對話直接排進日曆，別等情緒上頭再談，因為「你這輩子最高產的那幾年，現在正押在牌桌上」。
AI 裡沒人有護城河，除了風投
一份把整個技術棧逐層點名的清單：模型、IDE、harness、應用生成器、套殼產品、推理、語音、資料標註、基礎設施、neocloud、生成式內容，每一層都點出三家公司，然後每一層都被判定沒有護城河。落點是：唯一還立得住的生意，是給這一切掏錢的風投機構本身。另外還有一個押注：未來十年最值錢的差異化資產會是品牌營銷，不是釋出會影片，而是每週持續回答「這家公司到底代表什麼」。如果 agent 成為大多數產品的主要使用者，想在剩下的人類受眾裡被記住只會更難，那些一直沒能坐上 CMO 位子的營銷人，會開始拿到聯合創始人的席位。
Garry Tan 開源了他那個裝著 70 個 skill 的「Personal AGI」agent 倉庫，MIT 協議
他在 Startup School 演講裡用的那套配置現在免費公開了：一個私有 GitHub 倉庫，預置 70 個已經驗證過的 skill，外加一個 Karpathy 風格知識 wiki 的雛形。它跑在你已有的 Claude Code 或 Codex 訂閱上，不用額外花錢，命令列和桌面端都能用，初始化只要往 harness 裡粘一張圖。全部採用 MIT 協議。
在創意工作上，coding model 正在贏過 diffusion model
最近那些程式化生成藝術、影片剪輯和 3D 遊戲 demo，讓人更傾向於相信在很大一片創意領域裡，LLM coding model 會比 diffusion model 做得更好。原因是結構性的，不是審美層面的：程式碼更好改，更容易往某個具體方向推，也能幹淨地匯出到現有工具裡，而一張生成出來的畫素圖這三點都做不到。文中還附了一個 Claude Code 裡 /design 命令的實時演示。
Trajectory 談 continual learning：GRPO 不夠用，於是轉向 on-policy
一次梳理，講 Trajectory 怎麼處理 continual learning 裡剩下的那些資料問題，包括為什麼光靠 GRPO 走不通、什麼原因逼著他們轉去做 on-policy 訓練，以及轉過去之後還得挨個修好被 on-policy 弄壞的東西。看點在於，這是這個領域裡的早期領跑者之一，罕見地把取捨而不是結果講得很具體。
掃程式碼找漏洞不叫安全，把它打穿才叫
靜態漏洞掃描是及格線，但遠遠不夠；真正的檢驗是滲透測試，主動去打穿你已經上線的東西。另外還提到一支團隊，增長率是 AI 原生的水平，但整個 pitch 裡一次都沒提 AI，而如果他們不是把 AI 吃得這麼透，同樣的業務大概得靠十倍的人手才撐得起來。
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。