AI Builders Digest · 2026-10-19
今天整理了 8 位 builder 在 X 上的动态，以及 No Priors 与 Reflection AI 联合创始人 Misha Laskin 的一期长谈。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 agent swarm 会变成大事的核心逻辑：经济里有大量工作的产出只受限于人愿意投入的时间，研究、数据处理、发现新东西、跑测试、复核与协调都是瓶颈，所以这些事今天实际做得远远不够。一旦 agent 会用工具、写代码、处理数据、具备领域深度，还能彼此协调，这类问题在极限上就变成算力受限问题，只要设定好目标再往上堆 token 就能推进。他点名网络安全、生命科学、材料科学、交易、QA 测试、数据处理会先被改写，连行业内的竞争格局也会跟着变。
https://x.com/levie/status/2112051081014649303
Vercel CEO Guillermo Rauch 用 AI Gateway 上的 deepseek-v4.1-flash 给一个赛车小游戏补功能：加音效、更好的碰撞检测、更顺的坡道、跟随镜头，全部花掉 30 美分。另一条里他玩了遍国家顶级域名的"经济体量"梗：.sh 是 Shell，.ar 是 Argentina，.co 是哥伦比亚，.io 是 I/O，.md 是 Markdown 也是摩尔多瓦，.rs 是 Rust 也是塞尔维亚，.ai 是 AI 也是 Anguilla。每隔一阵，就有一个毫不知情的国家域名经济垂直起飞。
https://x.com/rauchg/status/2111929486661018081
https://x.com/rauchg/status/2111927570266734770
Latent Space 主理人、AI Engineer 大会发起人 Swyx 抛出"数据工程师 > AI 工程师"：他认为"RAG guy"和真正读过数据密集型系统那类内容的人之间，需求差距是他整个技术生涯里最悬殊的一次，搜索引擎战争之后没见过这么陡的斜率。他顺手开了招聘，SF 优先、可 relocate、可办签证，简历投 [email protected]。筛选标准也很具体：博客和 GitHub 里有没有真东西。
https://x.com/swyx/status/2112073533794971941
OpenAI Codex 与 ChatGPT 负责人 Thibault Sottiaux 处理了一起攻击事件的善后：团队与 OpenCode 合作，让同时是 OpenAI API 客户的受影响用户恢复正常使用，并退还攻击期间被扣掉的额度。他同时提醒，防御方可以申请 Daybreak Blue 的 cyber 宽松权限，别等到真要处理事故才开始准备。
https://x.com/thsottiaux/status/2112034063934742720
AI 教程作者 Peter Yang 主张把 work trial 变成招聘常态，取代面试。他引用 Pompliano 的做法：手上有个具体功能要建，就直接给候选人两周时间去做，对方问了几个问题、摸清上下文，然后真的把它做出来了。“我就不必再怀疑你能不能在这里工作，我们也没花四周才走到那一步，直接上线了一个新功能。”
https://x.com/petergyang/status/2111970651326267529
Anthropic Claude Code 团队成员 Thariq 发现自己现在更愿意 vibe code 游戏的一小块，而不是真的去玩，尤其是 League 这种要动脑的。顺着这个感觉他想到一个 hook：做游戏和角色的乐趣不亚于玩它，那不如把"做"本身当成核心玩法，游戏开源分发，玩家可以 vibe code 自己的角色，平衡性由系统自动调整。机制长什么样他自己也还没想清楚，比如角色会不会像 Salty Bet 那样自己打，或者在战斗里插入 Persona 式的过场选项。
https://x.com/trq212/status/2111945336537420259
https://x.com/trq212/status/2111884199359897953
YC 总裁兼 CEO Garry Tan 给了个带时间表的预测：一年左右，大家都会把 AsideAI 和自己的 agent 一起用。
https://x.com/garrytan/status/2111971992769565177
FPV Ventures 合伙人 Nikunj Kothari 回看自己早前对 reatools 的判断，认为"aging relatively well"：即便 GitHub 本身增长很快，人们还是低估了它，用他的原话说，这东西 bonkers。
https://x.com/nikunj/status/2111986818057118160
Podcasts
No Priors｜Beam: The Great American Open Model with ReflectionAI Co-Founder and CEO Misha Laskin
The Takeaway： 开放模型真正的价值不在模型文件本身，而在它一起带过去的那套推理软件、集群管理、harness 和芯片。谁把模型送出去，谁就把整条基础设施栈送了出去，所以开放权重从来不只是技术路线之争。
Misha Laskin 是 Reflection AI 的联合创始人兼 CEO，物理学博士出身，此前在 Google DeepMind 做研究，和联合创始人 Janus 一起在 Gemini 的强化学习团队干过，Janus 还是 AlphaGo 的核心贡献者之一。公司在一年里从 30 人扩到 300 人，端到端训出首个开放权重模型 Beam，总参数 5000 亿、激活 230 亿：预训练用了 6000 张 GB300，RL 用了 1 万多张 GB300 跑四周，换来同能力档位下 3 到 4 倍的推理效率。
他对"最难的是什么"的回答很扫兴，也很诚实：什么都难。不是某一项卡住你，而是要同时把 30 件事做对，人才、留人、使命与文化、数据、算力，以及让算力真的可用的那层基础设施。“在大实验室里，这些工具你会当成理所当然，因为它们就是能用；自己从零建，才知道每一样都要造。”
更反直觉的是他对这门学科性质的判断：研究工作正在从科学变成工程。可扩展的轴已经很清楚，预训练、合成数据、RL，剩下的多是工程性发现，不再是五年前那种遍地野路子的手感。他甚至提到一种"硬件彩票"效应：一个想法一旦开始奏效，硬件就随之共同优化，之后就算你有更好的新点子，只要不适配现有硬件，也很难翻盘。
商业化的部分他讲得比多数模型公司直白。企业买 token 本质是租房，租的是 harness、模型、推理软件、集群管理、GPU 打包摊销之后的一小块；当年付到一亿美元以上，才会认真考虑"买房"，也就是自己持有 intelligence。但企业走向自有模型的路不会像 AI 原生公司那样一步到位：后者九成以上是深度定制模型，而企业多数会先定制系统，把 harness 围着 KYC、合规这类流程搭起来，等成熟了再谈 fine-tuning。
至于中国开源模型，他的态度出人意料地正面：没有它们，西方大量应用公司根本建不成可持续的生意。但他真正担心的是单极化。他打了个比方，开放模型是"它们所带来那套基础设施的特洛伊木马"：模型是免费的，可你要用起来，就得连软件生态、推理栈、芯片一起买进去，华为已经在做这种整栈输出，锁定的是别国的供应链。他把 AI 和芯片、数据中心类比成铁路：不是每个国家都修得起自己的铁路，修不起的那些，就得通向别人家。