🔥 今日高光
- 先验证产品，再优化模型：Madhu Guru 建议 prototype 阶段先用最强 frontier model，等 UX 成立后再切换 open-weight / smaller models。
- 企业 AI 远未收敛：Aaron Levie 观察到 coding agent、模型选择、身份与权限策略都高度分化，过早预测赢家很可能会错。
- 智能变便宜，知识结构变贵：Swyx 认为“够用的智能”已低廉到近乎无限供给，ontology 与 knowledge graph 因而重新升温。
- AI adoption 是社会过程：Zara Zhang 提醒，效率叙事往往不如同伴示范、身份认同与“怕掉队”有效。
- 药物设计也是 scaling problem：Chai Discovery 用 data、model、compute 与实验验证，把 drug discovery 推向可迭代的工程流程。
今日抓取：16 位 X Builders、35 条 tweets、1 期 podcast。以下只保留有明确观点、产品信息或工程价值的内容。
X / TWITTER
Madhu Guru，Meta AI 高级总监
早期产品验证不该从“最便宜的模型”开始。Madhu Guru 给出的次序很明确：先用最强 frontier model 做 prototype，暂时忽略 cost 与 latency，把用户真正想要的 workflow 和 UX 跑通；之后再通过 prompt engineering、model routing、harness、smaller models 与 fine-tuning 把生产成本压下来。她进一步给出一个现实窗口：open-weight models 往往会在 6 至 8 周后追近，此时再迁移 production workload 更合理。
Aaron Levie，Box CEO
Aaron Levie 的企业一线观察是：AI 的部署形态比 cloud 早期复杂得多。十位 IT 负责人可能给出至少五套 coding agent 策略；员工 productivity agent 有的统一用 ChatGPT 或 Claude，有的允许多工具并存，还有不少企业自己搭建 orchestration layer。模型侧也同时出现 proprietary、OSS 与 vertical models，数据访问则分为“agent 继承用户身份”和“独立 agent identity”，guardrails 与责任边界同样没有统一答案。
他的结论不是“某种架构会赢”，而是现在根本还没到定局。如此早期就呈现高度异构，意味着未来几年 landscape 仍会持续重排，过早断言最终市场格局大概率会错。
🔗 原文
Swyx，AI Engineer / Latent Space 联合主持人
Swyx 解释了 ontology 与 knowledge graph 为什么在沉寂多年后重新升温：过去最难、最贵的部分是提取与维护结构化知识；如今“good enough” intelligence 已便宜到近乎无限供给，构建 KG 的智能成本骤降。基础能力一旦 commoditized，它的 complements 就会变得更有价值，可靠的语义结构、实体关系和领域 ontology 正是其中之一。
🔗 原文
Zara Zhang，Builder
Zara Zhang 认为技术扩散首先是 social process，而不只是理性效率计算。多数人不会因为“效率提高 10 倍”就采用新技术，他们更容易被相似人群的成功示范、身份认同和“别人都在用，我不能掉队”的情绪驱动，因此 AI 产品的 adoption messaging 应从抽象 ROI 转向可代入的具体榜样。
她对企业 AI 培训也给出更直接的替代方案：与其先上课程，不如把 agent 拉进团队群聊，让所有人看着它真实工作。会议也应从“讨论后留下 todo list”变成实时 work session，让 agent 或人当场执行，尽量把“说”和“做”的间隔压到零。
🔗 技术扩散是社会过程
🔗 让 agent 在群聊里示范
🔗 会议中直接完成行动项
Josh Woodward，Google Labs 与 Gemini App VP
Google 正向 Ultra 和 Pro 用户推出统一交互的 Notebook。Josh Woodward 强调它“built for thinking, not toggling”：不靠不断增加 mode 切换，而是把能力收进单一 prompt bar，由系统理解并执行用户意图；后续将逐步开放给所有用户。这个设计信号很清晰，AI 产品正在从显式功能菜单转向 intent-driven interface。
🔗 原文
Guillermo Rauch，Vercel CEO
Guillermo Rauch 分享了两个 Infra 信号：FactoryAI 的 API 服务运行在 Vercel Fluid compute 上，月请求量达到数十亿；同时，Vercel AI SDK 一行配置即可让 DeepSeek v4 Flash 经 AI Gateway 使用时减少 90% 以上 token。前者说明 serverless backend 已能承接大规模 AI API workload，后者则凸显 provider-specific optimization 正被封装进统一 SDK 与 gateway 层。
🔗 FactoryAI / Fluid compute
🔗 AI SDK 节省 DeepSeek token
Aditya Agarwal，South Park Commons General Partner
Aditya Agarwal 介绍了 Rivo 的“self-driving finance”：agent 接入用户现有 checking account，学习 cash flow，把闲置资金自动转入 Treasury-backed yield，并在账单到期前转回。真正困难的不是简单自动化，而是 asymmetric cost prediction：早一天转回只损失一点收益，晚一天却可能导致账单退票并摧毁信任。团队把 autonomous systems 的 edge-case 思维迁移到了个人资金调度。
🔗 原文
Peter Yang，AI 产品作者与教程创作者
Peter Yang 对 vibe-coded SaaS 的商业模式提出一个务实判断：轻量 SaaS 未必需要独立承担全部利润目标，它也可以成为高价服务业务的 self-serve funnel。矛盾在于，服务最终又容易回到 consulting 和“time for money”；因此真正值得设计的是产品如何完成获客、诊断与标准化交付，而不是只把一个 demo 包装成订阅。
🔗 原文
Sam Altman，OpenAI CEO
Sam Altman 给 Builder 的选择题很简单：宁可保持乐观并付诸艰苦行动，也不要只写“为什么它永远不会成功”。尝试的最可能结果仍是失败，但如果没有人承担失败概率，社会也不会向前。这不是技术预测，而是一条偏行动主义的创业原则。
🔗 原文
PODCASTS
Training Data：Chai Discovery’s Bitter Lesson: Drug Design Is Another Scaling Problem
核心结论：药物研发的关键转变，不是让 AI 取代实验室，而是用 scaling laws 与验证闭环，把“从海量候选中碰运气”改造成可持续迭代的 drug design。
Chai Discovery 联合创始人 Josh Meier 与 Matt McPartlon 正在把 foundation model 的方法迁移到 biology。传统 drug discovery 经常要筛选数百万乃至数十亿个 molecules 才找到少数有效候选；他们想让研究者先描述目标分子的理想状态，再由模型生成满足结构、结合位置和功能约束的候选。实验室仍不可缺少，因为 lab verification 就像 AI 的 eval：只有能可靠判断结果是否更好，研发才能 hill climb。
Chai 的反直觉之处在于，他们不认为 AI 必然减少实验。模型提高候选成功率后，每次实验的 ROI 反而上升，实验需求可能增加，就像软件工程师因开发工具变强而没有消失。Josh 也把不同生物对象抽象成同一类输入：“These are all just sequences of amino acids.” 重点不是为 antibody、mini protein 等对象堆叠越来越多专用模块，而是找到可统一扩展的表示与训练方式。
团队自称是“bitter lesson built company”，相信持续扩大 data、models 与 compute，但前提是先识别 scaling laws，否则只是浪费资源。第一代 CHAI-1 有约 23 个独立 submodules，复杂度让每次迭代都难以理解和扩展，因此下一步反而是做减法：保留真正决定性能的机制，让模型、数据与实验反馈形成更简单、更快的循环。biology 的独特风险是“很容易骗过自己”，所以 rigorous evaluation 与可复现实验不是配套工作，而是整个 scaling strategy 的地基。
🔗 观看原节目
Generated through the Follow Builders skill.