AI Builders Digest · 2026-09-20

X / Twitter

Box CEO Aaron Levie 抛出一个结构性判断：个人 agent 是"为 agent 而建"这件事的终极形态。他认为这类产品的核心形态是端到端交付任务，agent 必须能调用你的工具、走你的 MCP 或 CLI、顺畅浏览你的网站、完成交易，缺一环就交不了货。由此他推论，产品要争夺的注意力已经从用户转移到了 agent 身上——谁能被 agent 最好地调用（点外卖、做电商交易、订机票、接入本地经济、读写用户数据），谁就会被用得最多。他把这件事的体量定级为"自 App Store 以来消费科技最大的一次机会和洗牌"。 https://x.com/levie/status/2101427997597446636

fpv ventures 合伙人 Nikunj Kothari 回应了那个他被问得最多的问题——“你是 VC，为什么还天天写代码”。他说自己每天花约 2 小时编程、做 side project、试新 repo，因为这一轮技术变化太快，不动手就根本不知道下一步会发生什么。他给出三条投资 AI 必须亲手验证的能力：读懂模型能力边界（他至今认为读技术论文里还有大量 alpha）、看清模型需要什么工具才能完成更长的长程任务（infra）、理解让模型搭建自主公司的 harness 能力（app 层）。他的建议很直接：想学就先开始，每天挤时间折腾，坚持 10 天你也会同样上瘾。 https://x.com/nikunj/status/2101340098356990058

SPC 普通合伙人、Bevel Health 联合创始人 Aditya Agarwal 给了一个相当重的风险提示：看完 Gemini、OpenAI、Anthropic 这一轮密集的 agent 能力发布，他现在 100% 认定已经有多家大型公司被国家级行为体渗透过，而公司自己还不知道。 https://x.com/adityaag/status/2101426570850451914

Vercel CEO Guillermo Rauch 把注意力放在了这轮 AI 浪潮最容易被忽略的副作用上：他认为最酷的一点是所有人都重新变得热衷"创造"了。抛开短期噪音，让人们想去做东西、去发布，而不只是消费，对世界是极大的好事。 https://x.com/rauchg/status/2101397206595231765

OpenAI Codex & ChatGPT 团队的 Thibault Sottiaux 只发了一句话，但信息量不小：2026 年是 Linux 桌面之年。 https://x.com/thsottiaux/status/2101431497437950458

Peter Yang 展示了自己那套极简的个人推荐系统：一个 markdown 文件加上一个他写的 /tastemaker skill，用来给看过的电影、剧集、书打分。之后它每周会自动查找新片和新书，以及他还没看的存货，给出相关性出乎意料的推荐。他顺手问了一句：要不要把这个开源？ https://x.com/petergyang/status/2101503916743749878

前 Linear 产品负责人、即将加入 OpenAI 产品团队的 Nan Yu 提出了一个实际的吐槽：他试图用 Muse 和 Instinct 打电话，两边都声称自己做不到，他怀疑这个功能是不是还在灰度中。 https://x.com/thenanyu/status/2101383106372805103

Podcast

The Takeaway：凡是能被模拟、能被验证的领域，AI 最终都会攻克；数学和编程会是下一个，然后是生物学，但生物学的瓶颈是数据和时间，不是算法。

Richard Socher 是 AI 领域被引用最多的研究者之一，早年在 NLP 里几乎是被主流拒稿的那批"异端"（他描述过一个只有三四十人的 NIPS 深度学习 workshop，后来那批人几乎全都成了名人），后来在 Salesforce 做首席科学家，训出了最早的蛋白质语言模型之一。现在他带着 6.7 亿美元融资创办了 Recursive，目标是把 AI 研究本身自动化，也就是让 AI 造更好的 AI。他的新书《The Eureka Machine》在 9 月 22 日上市。

他的论证起点就不太寻常。首先要接受一个反直觉的前提：科学进步其实在放缓。抗生素把细菌感染从死刑变成了小毛病，但癌症和病毒没有同等程度地被解决，物理学也没能再出现相对论级别的突破。他的解释是知识从"一具身体"变成了"一座迷宫"——3.4 万种期刊，每个领域再裂成上千个子领域，没人能再当达芬奇。而 AI 恰好是用来重新缝合这些碎片的东西，就像微积分之于物理学。

他对 AI 什么时候能超人的判断非常清晰：看这个领域能不能被模拟或验证。“凡是你能模拟的东西，AI 都会解决。“围棋和象棋能做到，是因为 AI 可以和自己下无数盘；接下来是数学和编程，因为两者的结果都能被机器验证。他甚至预判数学会像当年的 AI 领域一样被整体改写，那些靠手工做特征工程的能力会大幅贬值，这话对很多数学家未必是好消息。再往后才是物理、化学、生物——不是因为算法不行，而是现实世界的实验没法加速。

最反常识的一段是关于幻觉。他明确说 hallucination 在某些场景下是 feature 而不是 bug：蛋白质设计里，你恰恰希望模型能"合理地跑出分布”，生成自然界从未出现过的序列。他的原话是：“how well can you hallucinate?"——AI 已经能记忆，真正有价值的是它能在多大程度上提出新颖而尚可成立的猜想。他甚至引用了一批科学家靠疾病或精神状态的半幻觉状态推动领域前进的例子。

关于生物学，他给出了一个判断标准的转换：从"读"生物学转向"写"生物学。他自己的团队 2018 年训的 ProGen 现在长成的公司 Profluent，已经用 AI 造出比 CRISPR-Cas9 更精准的蛋白质，并签下数十亿美元级别的合作。更实际的变化在药物开发节奏上：过去一个分子药物熬八年才进三期临床，现在公司在 6 到 18 个月内就能有多个候选进入二期，上市时可能带着 8 个以上的管线，且因为预测模型更好、失败率更低。他也罕见地算了一笔就业账：AI 对岗位的冲击取决于需求弹性。插画师是受害方，因为世界不需要那么多插画，价格掉了 1000 倍需求也没涨 1000 倍；但编程不一样，Jevons 悖论在这里成立，价格下降反而带来更多程序员的需求，他甚至预测每个人手机里会有几十个只为自己定制的 app。

关于 Recursive 这家公司，他给的信息是：8 位联创从完全不同的路径（进化算法、特征工程自动化、架构统一）抵达同一个判断——自动化的下一层是"想法的自动生成、实现与验证”。他们已经展示过在窄领域里超越人类数月甚至数年的成果，包括造出新的 CUDA kernel。他把大部分融资（4.1 亿美元）压到了一个和亚马逊的算力协议上，并说这大概会是他未来最小的一笔算力交易。对"Neolab 大多数不是真公司"这个说法，他也认了：很多 neo lab 只有一个想法，不是一个产品。

他对 AI 长期空间的定义可能是整期最值得截图的一段：智能至少有三个基本组件——预测、行动、目标；而视觉、语言、物理等十个智能空间里，人类的感知只是电磁频谱上极窄的一段。“我们离任何一个智能空间的真实上界都还远得离谱。“所以他不同意的不是泡沫会不会破，而是"这个领域还能走多远"这件事被严重低估了。

https://www.youtube.com/@DataDrivenNYC/videos

Generated through the Follow Builders skill: https://github.com/zarazhangrui/follow-builders