真正在做 AI 的人今天說了什麼。一頁讀完，約 3 分鐘。
今天討論最熱的一條線是關於速度：Aaron Levie 認為，就算超級智慧真的來了，卡住它的仍然是各種審批手續、組織變革管理，以及那些三週才回你一封郵件的客戶；Dan Shipper 則直接對準大多數自動化預測底下的那個假設開火。產品方面，Anthropic 上線了 Claude Marketplace，企業可以用已經承諾的預算去買第三方 agent；Vercel 盤點了過去半年的降價成績單。
未來十年的瓶頸是 AI 的落地擴散，而不是模型能力
模型有多能幹，和它在 GDP 裡存在感有多低，這兩者之間的落差說到底是被企業運轉的物理定律卡住了：資料要準備，流程要重做，新的工作流到底長什麼樣還得先吵出一個共識。過了這一關，你又會撞上真實世界本身的速度：等客戶回覆一份方案，等一張許可證批下來，等一條要走好幾年的藥物管線。Levie 還預計，coding agent 的應用面會比所有人預想的寬得多，會一路鋪到網路安全防禦、生命科學研究、老舊系統升級，以及那些以前根本掏不起錢做軟體的公司。他的結論有點反直覺：程式碼變便宜，反而把工程槓桿抬得太高，最後我們需要的工程師不是更少，而是更多。
用任務拆解來談自動化，這個模型裡少了一項
一份關於 AI 與就業、設計得相當不錯的報告，底下有兩個假設在悄悄承擔全部推理重量：一是工作可以拆解成任務，二是自動化總會減少人的勞動，最好的情況也不過是持平。Shipper 說，按他的親身經驗，第二條根本不成立，自動化往往會給人造出成倍的活兒，任何誠實的經濟分析都必須把「工作被創造出來」這一項建進模型裡。至於第一條，任務清單是個有用的視角，但不是全貌，因為這個模型說不清新任務究竟是從哪兒冒出來的。他借用 Wittgenstein 和 Heidegger，把一份職業理解成一種看世界、在意世界的方式：編輯會注意到護士注意不到的東西，而當工具發生變化，同樣的那份在意就會長出全新的任務。
OpenClaw 雲端會話終於跑得快了，還帶遠端終端和 WebVNC
OpenClaw 的雲端會話速度總算到了能用的水平，同時上線的還有遠端終端、WebVNC，以及用於 computer use 的 CUA。兩個月前那波 dashboard 和 mini-app 的推進，到現在已經把團隊圍著 OpenClaw 自建的大部分工具替換掉了，所有東西最後都收斂成側邊欄的一個入口、一個 dashboard，或者團隊伺服器上的一個外掛。
今早 ChatGPT Work 和 Codex 的 banked reset 沒能生效
今天早上有一段時間出了 bug，在 ChatGPT Work 和 Codex 裡使用 banked reset 的使用者沒能完整拿到額度重置。所有受影響的人都會額外補發一次重置，並收到一封致歉郵件，不需要自己提工單。
試一個新模型，就問它你的盲點在哪
Yang 檢驗一個模型推理能力的常用招數，是粘進去一段 prompt，要求對方毫不留情地指出是哪些盲點在拖住你，然後看回答夠不夠鋒利。Astra 給出的答案格外不客氣，而這正是這個測試想要的效果。
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。