AI Builders Digest · 2026-10-16
今天整理了 X / Twitter 上多位 builder 的动态，以及 1 期播客。只收录有实质内容、且带原始链接的条目。
X / Twitter
Box CEO Aaron Levie 给出一个大胆判断：从「和 agent 来回聊天」转向「把 agent 放到后台自己干活」，token 消耗量会是今天的 100 倍甚至 1000 倍。他指出知识工作的瓶颈本来就是信息的搬运、处理与审阅，而 AI 已经解锁了这一步；接下来是让单个 agent 啃更难的整块任务、让多个 agent 并行拆解任务，最后可以「丢任意数量的 agent 上去，做完再来找我」。这些 agent 会被人、工作流、触发器和其它 agent 以 swarm 的形式部署，而且大部分是净新增的工作量，不是替代现有岗位，「下一个前沿就只是算力够不够」。他同时认为 Meta 放出 Muse 开源权重模型是美国 OSS 的一大步：企业可以混用前沿闭源模型做编排与高难任务、用低成本后训练模型跑重复性工作流，这会进一步推高整个栈的 token 消耗。
https://x.com/levie/status/2110622982762803449
https://x.com/levie/status/2110787013809222141
https://x.com/levie/status/2110975373219688624
Anthropic Claude 团队 Boris Cherny 表示，过去几年 Claude 在 prompt injection 防御上已有明显进展，但 agent 能做的事越多，这个问题就越必须在整个行业层面被解决。他宣布与 Gray Swan 合作举办专项竞赛，邀请社区一起来找漏洞。
https://x.com/bcherny/status/2110791698611855624
SPC 普通合伙人、Bevel Health 联合创始人 Aditya Agarwal 认为 Goodfire 可能是 SPC 投出的最重要的公司之一，因为它证明可解释性与对齐可以被当成工程问题来做，而不只是哲学讨论。
https://x.com/adityaag/status/2110779602453066224
Every CEO Dan Shipper 用一段讽刺式的成长小说吐槽可解释性研究的循环：这个学期相信「对齐 = 解开 superposition」，下学期发现一个对埃菲尔铁塔亮起的神经元，暑假就拿「我们知道它在想法国」去解释如何对齐超级智能，再下一年才意识到，知道它认得出埃菲尔铁塔，根本不等于知道它在计划什么。核心观点是，识别不等于理解意图。
https://x.com/danshipper/status/2110831666587713810
OpenAI Codex 产品负责人 Nan Yu 给出一个反共识的「品味」定义：品味不等于审美，审美只是最浅显的一种解释，也正因为太常见而显得无趣。他的观点建立在对 Hassan Rahim 相关讨论的回应之上。
https://x.com/thenanyu/status/2110730151222980849
Y Combinator 总裁兼 CEO Garry Tan 注意到开源权重模型正在崛起；同时他对旧金山部分科技从业者高喊口号、却在现实中制造 doom loop、让当地亚裔社区处境更危险的政治表演表示不满，直言请停下来。
https://x.com/garrytan/status/2110838867213668587
https://x.com/garrytan/status/2110752004381524396
Builder Zara Zhang 引用 Ezra Klein 的一句话作为方法论：永远不要低估受众的智商，也永远不要高估他们的前置知识。她还分享了自己做的哈利波特风格、图片会动的报纸《The Toddler Times》。
https://x.com/zarazhangrui/status/2110815456458412179
https://x.com/zarazhangrui/status/2110984552743309530
FirstMark Capital 投资人、《MAD Podcast》主持人 Matt Turck 放出与 TypeSafe CEO Diogo Almeida 关于 Jev 的对话。Jev 上线一个月，他复盘了它到底是什么、修补了 AI 的哪块缺陷，以及为什么跟风者抄走了界面却没抄到最难的部分。
https://x.com/mattturck/status/2110799882952831302
Podcast
🎧 The Takeaway：真正决定这轮 AI 落地速度的不是「每秒智能」，而是「每美元智能」——当一次可靠决策的成本降了几个数量级，builder 才会去做那些以前因为太贵而根本不会开工的产品。
Diogo Almeida 是 TypeSafe 的 CEO 兼联合创始人，也是当年在 OpenAI 把 RLHF 做出来的那批人之一。Jev 发布一个月，三周内拿到 8.7 亿美元 A 轮、75 亿美元估值，也和超过三分之一的财富 500 强产生接触。他把 Jev 定义为 machine-native AI：LLM 最终产出文本，而 Jev 产出概率与决策，可以直接嵌进软件的 if 语句里，成为「智能逻辑门」。这也解释了他为什么把「你们只是个分类器」当成夸奖——Facebook、TikTok、Google 的核心都是分类器，分类器不是过时的机器学习，而是把智能接进软件系统的那层接口。
他对当下主流的后训练路线相当不客气。RLHF 的历史任务本质上是「让模型讨好人类」，副作用是谄媚、过度拒绝、风格趋同，以及最麻烦的一点：它极大拉高了人类对模型能力的预期，让「看起来什么都能自动化」和「实际自动化收益」严重脱节。RLVR 则在可以简单判分的任务上刷爆所有 benchmark，但它优化的是最终答案，改变不了自动化的可靠性。所以他做了 RLCD，专门优化 machine-native intelligence，训练数据全部自研，因为「任务本身的形状」在世界上还不存在，只能自己造。他坚持不用预训练，只用一批开源权重模型做「非常不体面」的魔改，并称预训练是「一个巨大的资源焚化炉」。
「95% 是爱因斯坦，5% 是憨豆先生。如果它不告诉你哪一部分是憨豆先生，你还怎么敢自动化任何东西？」
这也解释了他对 RSI 的怀疑：神经架构搜索时代人们讲过一模一样的自我改进故事，最后整个领域被扔进垃圾桶，Amdahl 定律总会兑现。他认为 benchmark 伤害最深的恰恰是那些没时间自己动手试的人。TypeSafe 内部的口号则是「Build prod, not God」——先把生产环境跑起来，别忙着在数据中心里造神。
https://www.youtube.com/watch?v=9YsM1LPPz-A
Generated through the Follow Builders skill: https://github.com/zarazhangrui/follow-builders