AI Builders Digest · 2026-09-01
X / Twitter
Dan Shipper（Every CEO） 一个反共识观点：AI 拟人化并非洪水猛兽。当拟人化帮助我们更好地理解、预测和使用 AI 时，它是好事；只有当它被用来制造恐慌、恐惧，或通过宣称「意识」等说法不恰当地抬高 agent 的道德地位时，它才是坏事。大多数反对拟人化的人，反对的其实是后一种滥用——但完全可以在不滥用的前提下使用拟人化。
https://x.com/danshipper/status/2094406185109647580
Guillermo Rauch（Vercel CEO） 两个判断。其一：你的下一个设计系统是 Markdown。Vercel 写了 DESIGN.md 来解决当下 AI 领域最棘手的问题——slop（AI 生成内容泛滥导致的同质化），并让设计品味真正在大组织内规模化。其二：coding token 本质上是基础设施，但很多公司对待 token 的方式就像把一把 AWS key 丢给员工：「随便花」。核心基础设施之所以不会这么干，是因为需要治理、优化和观测用量与成本。AI Gateway 就是来解决这个问题的——支持按 key、现在还有按用户的预算控制。
https://x.com/rauchg/status/2094541309579235680 https://x.com/rauchg/status/2094523399280435630
Aaron Levie（Box CEO） 两个前瞻判断。其一：随着开源权重模型大幅进步、post-training 基础设施日趋成熟和商业化，拥有大量数据的公司将迎来全新玩法——训练自己的专属模型。过去手握海量数据 corpus 的公司只有「授权外部模型训练」一条路，现在可以自己训，不必承担与研究实验室在 research 上竞争的研发成本。通用前沿模型在广度上仍有优势，但完全可以预见未来每个垂直领域都会出现远多于今天的模型。其二：AI 安全事件正在增多，我们需要最先进的 AI agent 来检测和防御安全问题。前沿模型在网络安全上仍然领先，但开源模型正在快速追赶。「疯狂的年代。」
https://x.com/levie/status/2094650992818274514 https://x.com/levie/status/2094545525102235844
Madhu Guru（Meta AI 高级总监，前 Google Gemini、Veo、Nano Banana 负责人） 对产品经理的呼吁：理解模型前沿（model frontier）是你产品最大的 alpha。你应该比大多数前沿实验室的研究员和 PM 更清楚四件事：每个尺寸类别的模型今天擅长什么；每个模型在哪里失败；用什么 workaround 绕过这些失败；以及按当前轨迹 2-3 个月后模型能做什么、路线图该如何据此调整。「这是 PM 工作的核心部分。」
https://x.com/realmadhuguru/status/2094591503981281503
Garry Tan（Y Combinator 总裁兼 CEO） 两个更新。其一：为他的开源「retrieval-for-AI-agent」层 GBrain 新增了评测，证明它在不借助 LLM-in-loop 的情况下回读记忆已达到 SOTA；同时新增了从 agent 对话记录中保存记忆的评测——「这是充实你大脑的最佳方式」。其二：直言 Circleback 比 Granola 好太多，Granola 至今还不支持多说话人区分。
https://x.com/garrytan/status/2094462971598754010 https://x.com/garrytan/status/2094465505142960443
Nan Yu（加入 OpenAI，曾任 Linear 产品负责人） 个人消息：正式加入 OpenAI，参与 Codex 和 ChatGPT 的工作。她感谢 Linear 团队不可思议的四年，并期待把在那里学到的软件工艺带进下一章。
https://x.com/thenanyu/status/2094427243565269107
Peter Yang（AI 教程创作者） 一句话观点：信任将成为个人 agent 普及的最大障碍，也是最大的驱动力。
https://x.com/petergyang/status/2094639655258091792
Podcast
Training Data · Rich Sutton and Khurram Javed: Why AI Models Stop Learning, and How to Start It Again
The Takeaway： 当下 LLM 的根本缺陷是部署后权重再也不更新——「所有学习都应该是持续的」，真正的智能必须边行动边学习，这正是 Oak Labs 要攻克的方向。
Rich Sutton 是强化学习之父、《Reinforcement Learning: An Introduction》教科书作者、名文 The Bitter Lesson 的作者，长期在 University of Alberta 做研究；Khurram Javed 是他的前学生与联合创始人，两人共同创办了 Oak Labs。Sutton 有个著名的自我认知：「人们觉得我的观点激进，但我只是用普通方式思考——是领域里的人想得有点怪。所有学习都是持续的，我们一直在行动、一直在学习，这才是正常的想法。」
整场对话最反共识的论断是：合成数据（synthetic data）是「一个巨大的错误」。两人的「大世界假说」（big world hypothesis）认为，世界比互联网上存下来的一切都大得多、复杂得多，任何模拟都只是微观世界；更关键的是，合成数据由人类专家决定生成什么，因此永远被人类知识瓶颈卡住——「如果 OpenAI、Anthropic 的工程师都去度假了，谁来生成合成数据？」真正的路径是让 agent 从自身经验中持续学习，而不是靠人类制造更多数据喂给它。
对当下 AI 的批评同样尖锐：LLM 运行起来后「权重永远不会改变」，而智能远不止流畅使用语言——「语言大概只占智能的 20% 或四分之一」。Oak Labs 的野心是让系统学会「学习模型并用模型做规划」（self-discovered abstractions），其 continual backprop 算法通过持续注入新初始化的随机单元来对抗灾难性遗忘，每个权重拥有独立的学习步长。他还给了一个具体目标：万亿参数、20 瓦功耗的模型——按摩尔定律十年两个数量级，今天 2000 瓦能做到的事，10 年内就能以 20 瓦完成。
https://www.youtube.com/playlist?list=PLOhHNjZItNnMm5tdW61JpnyxeYH5NDDx8