真正在做 AI 的人今天說了什麼。一頁讀完，約 7 分鐘。
Gemini 4 Argon 今天釋出，OpenAI 則花了一整天消化自家 Dev Day 的後勁：據說 GPT-6.1 Sol 是它歷來需求最高的模型，而 Sam Altman 為新的「dots」給出的最實在的說法是，它們把早晨還給了他。在模型新聞底下，builders 們繞的其實是同一個不怎麼光鮮的問題：把這些東西真正接進公司、接進憑證體系、接進空管系統、接進企業工作流，這活兒誰來幹。
Altman 給 dots 的最佳理由：他不再天一亮就去翻手機
Sam Altman 談 OpenAI 新推出的 dots，給出的具體說法是關於時間安排的，不是關於能力的：他現在信得過自己的 dot 去判斷夜裡升上來的事情哪些真的需要他處理，這讓他把當初因為要管公司而丟掉的清晨深度工作時段拿回來了。有個例子很有代表性：他用 Codex 找一樣東西，花了 20 分鐘沒找到就放棄了，他的 dot 整夜繼續幹，琢磨出那東西是截圖而不是文字，於是去掃圖片，最後找到了。他把一天發 22 個東西形容為押注一場文藝復興，而不是工業革命，因為「我們並不太在意機器做什麼。某種意義上我們從來都不在意」。他所有的 prompt 都跑在 Ultrafast 上，並且說真正改變了他迭代思考節奏的是速度，不是智慧；大約 8 倍的速度會以合理的價格到來，而速度的平民化現在拿到的投入已經和 IQ 的平民化一樣多。
GPT-6.1 Sol 是 OpenAI 歷來需求最高的模型，也被流量壓垮了
GPT-6.1 Sol 是 OpenAI 釋出過的請求量最高的模型，API 和訂閱兩邊都是，需求超出了 ChatGPT 和 Codex 的容量。現在更多容量已經上線，服務速度應該接近前一天的兩倍。另外，你現在可以直接透過 ChatGPT 構建和部署 MCP server，訪問許可權可以限定給特定的人，也可以對所有人開放。
Rauch：token 聚合資料大多是促銷和虛假 ZDR 宣告造出來的噪音
Guillermo Rauch 認為，目前公開的那些全球 AI token 流向圖大多被兩樣東西汙染了：一是那些拿你的資料訓練的廠商發的促銷 token，二是隻是口頭聲稱零資料保留的廠商。他主張 Vercel AI Gateway 的資料集才值得信：規模化的真實付費用量，40 萬以上付費客戶，數千家企業，零加價，而且每週都在拒絕那些 ZDR 說法可疑的公司送上門的「免費 token」。他還明確否掉了「誰家接的廠商多」這種記分板：「大多數廠商都很爛。你要的是最好的廠商。」關於 Connect，他的說法是：把靜態憑證發給每一個 agent，既是 DX 的災難也是責任風險，而這正是它要幹掉的問題。
Levie：最大的空白機會是做 AI 的部署層
Aaron Levie 押的是：改造企業工作流的工作量遠遠超過任何人願意承認的程度，而這個落差本身就是一門生意。他列的清單很長：把遺留系統搬上雲，組織和打通資料訪問，把軟體接到 agent 上，為 agent 重做工作流，想清楚 human in the loop 怎麼做，生成並維護 evals，然後隨著新模型不斷落地持續更新這一整套。他解釋這為什麼不是軟體部署：軟體時代你實施的是一個定義清晰的品類，裝完就可以退出來，而現在用 agent，「你部署的是一個流程裡的工作產出」，這是完全不同的賦能問題。他預計會出現按行業、公司規模和問題型別劃分的新公司，傳統 SI 的適應程度會參差不齊，並且說現在當一個 FDE 正是好時候。
空管還在用紙質航圖，Duffy 說解法是「笨 AI」
Garry Tan 講他和交通部長 Sean Duffy 的那場對話，是今天最具體的一則 AI 落地故事。在指揮中心，管制員盯著六塊螢幕，頭頂上方掛著一張紙質飛行圖，天氣和航路判斷全靠手工：四架飛機擠向同一條跑道，而如果提前兩小時看到並調一下速度，每一架都能幹淨落地。他舉的排程例子很直白，一個機場 15 分鐘視窗內能接 15 架飛機，航空公司排進來 32 架，他現在把資料交給航司，請他們錯開。用的工具是 Air Space Intelligence 的 SMART，他說這家公司在競標中贏過了最大的那幾家，而它預測一次原定 2.5 小時的地面停飛其實只需要 45 分鐘。對於批評他把空管交給 AI 的人，Duffy 的回答是：「這是笨 AI，不是聰明 AI」，每一個決定仍然由管制員來做。Tan 的觀點是，這些都不需要什麼突破，只需要用軟體的意願。
Gemini 4 很強，但 Google 在 harness 和個人 agent 上仍然落後
Peter Yang 對 Gemini 4 的判斷是：模型本身交付了，剩下的差距全在圍著它的那一圈東西上，Google 得在自家的程式設計 harness Antigravity 上、以及個人 agent Spark 上變得有競爭力。這個框架很切合當下這一輪：模型只是入場券，真正決定有沒有人換過來的，是你用它的那層介面。
Swyx：Flow 就是硬體工程的 Git 加 GitHub
Swyx 給 Flow 的類比是：它對硬體工程做的事，就是當年 Git 加 GitHub 對軟體做的事，把從汽車到火箭這些複雜、不可逆、高價值流水線上的數千個相關方對齊起來。他判斷一個工具有沒有真正站住的標準是：「用過 Flow 之後，你回不去 spreadsheet_final_FINAL_v23 了。」他宣告自己首先是朋友，其次才是小額投資人。
Thariq 談 AI 做遊戲原型卡在哪：操作、打磨和人
Thariq 很坦白地說了他那個平臺跳躍原型的天花板：畫面和手感還不夠好，沒法真的拿來玩；他想讓角色有一個大跳，試了兩三種操作方案，沒有一種對味。他估計要做出真正像樣的版本，角色設計得過 3 到 4 輪，遊戲裡要有 8 到 10 個角色，最好由 2 到 3 人的小團隊來做，因為動畫和設計上的專業能力會讓它好得多。有意思的地方在於，多生成幾次並沒有解決掉的那部分：品味和手感。
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。