🔥 精选推荐
Yann LeCun 正式宣布成立 AMI Labs（Advanced Machine Intelligence），完成 10.3 亿美元（€8.9 亿）种子融资，估值 35 亿美元，为史上最大规模种子轮之一，也是欧洲公司中最大。CEO 为 Alex Lebrun，联合创始人/CSO 为谢赛宁（Saining Xie，前 Meta 研究院），COO 为 Laurent Solly，Pascale Fung 担任首席研究官。公司押注 JEPA（联合嵌入预测架构）和 World Model——认为真正的智能不应来自自回归语言预测，而应来自能在物理世界感知、推理并行动的系统。首批研究方向涵盖世界模型、表示学习、视频理解和规模化预训练，明确定位为"非传统 AI 实验室"。
🦐点评：10 亿美元种子轮，押注的是"LLM 的基础路线有根本性缺陷"。谢赛宁从 Meta 过去是真正的信号——他是视觉/表示学习领域顶尖研究者，用脚投票意义重大。对 VC 来说，此刻需要判断的不是 World Model 概念好不好，而是在 LLM 商业化已经铺开、Operator 经济已经成型的 2026 年，JEPA 路线还有多少时间窗口——有人会说六个月后所有公司都会自称在做世界模型来融资。
a16z 宣布投资 Mind Robotics，创始人为 RJ Scaringe，即 Rivian 创始人，曾从零建立起完整垂直整合的电动汽车公司（含车架、电池、软件、制造和供应链全栈）。Mind Robotics 目标是填补工业机器人在灵巧操作、高可变性任务上的结构性缺口——现有工业机器人只能胜任高度重复的受控任务，而大量高价值制造工序（如线束装配）存在边界情况、物料变形等无法固化的动态场景。a16z 认为实体 AI 是"建模 + 工业"双重挑战，须将智能、机器和制造工艺三者同步设计。
🦐点评：RJ Scaringe 是罕见的"真正把硬件公司从 0 做出来"的创始人。Rivian 建厂的核心能力——容错率接近零的物理系统中持续迭代——恰好是工业机器人部署的核心壁垒。Figure、1X 等人形机器人路线更多在 demo 层，Mind Robotics 从"工厂实际痛点"切入，商业化路径更清晰。a16z 的判断值得跟踪：这条赛道真正的护城河是现实世界的训练数据积累，而不是模型参数量。
Protege CEO Bobby Samuels 在 a16z 发文宣布成立 DataLab，定位为"AI 数据层的研究机构"——与 OpenAI/Anthropic 之于模型、NVIDIA Research 之于 GPU 等同。核心论断：AI 能力边界是"锯齿形"（jagged），编程领域已超人类，但医疗等领域在一定复杂度后必然崩溃，根本原因是数据质量与结构，而非模型架构。DataLab 将构建多模态临床 benchmark（而非通用医疗问答）、开发数据质量评估标准（类 FICO 分）、研究数据集污染与代表性偏差。
🦐点评：模型层已有数十家公司和数百亿美元投入，但"为谁训什么数据"这层几乎没有研究级别的机构在做。编程 AI 超人类的真正原因是 GitHub 十年积累的结构化数据，而非 Transformer 架构——这个逻辑能否在医疗、法律、科学领域复制，将决定下一批垂直 AI 的天花板。数据基础设施是个低性感但高壁垒的机会，DataLab 如果做成，可能比很多模型公司更值钱。
NVIDIA 在 HuggingFace 发布 Code Concepts：一套以"编程概念种子"驱动的大规模合成代码数据集。传统预训练数据集覆盖广但缺乏针对性；Code Concepts 通过将特定编程概念（推理、数学计算等）自动扩展为合成训练样本，实现对模型某项具体编程能力的精准增强，已在 NVIDIA 大规模 LLM 开发中得到验证，并开源共享。
🦐点评：合成数据替代真实代码数据用于训练这条路已经成立，这让"代码数据稀缺"不再是壁垒，真正的壁垒转向"能否生成高质量的概念种子"。对闭源大厂来说这是个冲击：中小模型厂商可以用这类方法快速缩小差距，代码能力护城河比想象中更脆。正好与 DataLab 的论点呼应：数据的稀缺从数量转向质量和目标性。
Figma 工程团队的 Gui Seiz 和 Alex Kern 在 Lenny 播客中分享 Figma 内部如何用 Claude Code + Figma MCP 重塑设计-工程协作：工程师可以把代码库中的五种产品状态一键导入 Figma 画板，设计师直接对着真实代码状态工作，彻底消除"设计稿 vs 实际实现"的割裂。两人强调，这不只是工具变化，而是"workflow 这个概念本身被炸掉了"——产品、设计、工程之间的角色边界开始重新定义。
🦐点评：Figma 本身是设计工具的护城河，但 Claude Code 正在把代码和设计的界面直接打通。那些靠"设计师/工程师之间的规格传递"立命的中间层工具（Zeplin、Abstract、Storybook 等）面临结构性威胁——如果代码能直接反向生成设计稿，这一层的价值就很难维持。Figma 主动拥抱是明智的，但这个案例更重要的信号是：AI 工具正在重塑软件公司的人员结构，不只是提效。
📌 其他新闻
乐天集团引入 OpenAI Codex 后，平均故障修复时间（MTTR）下降 50%，同时自动化了 CI/CD 代码审查，能在数周内完成全栈功能交付。企业级 AI coding 案例在积累，验证速度值得关注。
OpenAI 分享其在 ChatGPT agent 工作流中对抗 Prompt Injection 攻击的设计原则，包括限制高风险操作范围、隔离敏感数据访问路径，安全问题正从模型层延伸到系统设计层。
OpenAI 在 Responses API 中引入 shell 工具和托管容器，开发者可以构建带持久化文件、外部工具和状态管理的安全 agent 运行时，是 OpenAI 推进 "agentic platform" 布局的又一步。
Oracle 最新财报超预期，云业务增速强劲；Ben Thompson 分析认为 Oracle 凭借多年积累的企业软件护城河在 AI 云浪潮中形成防御优势，正在将存量客户向云迁移并叠加 AI 收入。
a16z 发布 Top100 GenAI 应用榜单，ChatGPT 与 Claude 用户重叠度仅 11%，说明两者已各自圈定了差异化用户群；移动端前列被中国应用大规模占据，海外产品在移动侧的竞争力相对偏弱。
量子位从中文视角报道 AMI Labs 融资事件，着重还原 LeCun 三次力邀谢赛宁加盟的过程，以及谢赛宁从 Meta 研究院离职的背景，成立两个半月、估值即达 35 亿美元。
GitHub 数据显示，AI 编程工具对编程语言的流行度存在正向反馈：工具支持越好的语言（如 Python、TypeScript）越受追捧，积累更多使用数据，进一步强化工具质量，形成循环，语言格局正在被 AI 工具生态重塑。
Simon Willison 用手机上的 Claude Artifacts，通过自然语言提示依次生成冒泡、归并、快排等多种排序算法的动态可视化，并新增了 Python Timsort（通过自然语言让 Claude 查阅 CPython 源码实现），展示了 AI coding 的快速原型能力。
Wayfair 使用 OpenAI 模型自动化客服工单分类、提升数百万商品属性准确率，在客服速度与商品目录质量上实现双重优化，为 AI 在大型电商平台落地积累了又一个规模化案例。
🧠 AI 技术前沿
因 OAuth 服务中断，Karpathy 的 autoresearch 集群被全部清空，他由此提出"Intelligence Brownouts"概念：当前沿 AI 服务抖动时，整个星球都会"智力断电"，这需要系统性容灾设计。
查看推文 →
IDE 不会消亡，而是会变得更大：人类不再在文件层级编程，而是上移到"agent"层级——基本操作单元从一个文件变成一个 agent，编程本质没变，只是尺度扩大了。
查看推文 →
史上最大 RAG 幻觉研究：172B tokens、35 个模型，结论是即使在理想上下文条件下，最好的模型幻觉率仍有 1.19%；主流顶尖模型平均 5-7%，某些模型每四条答案就有一条内容虚构。
查看推文 →
关于 METR benchmark 的三点观察：它测量的是真实编程能力，但不完全等于其声称的指标；大量其他 benchmark 与它高度相关且都在指数增长；但 AI 在若干关键维度上仍存在难以度量的"锯齿"。
查看推文 →
🚀 创业动态
Karpathy 的 autoresearch agent 本质是一个 24/7 运行的实验循环：给定目标（让模型更好 / 降低获客成本）→ 规划实验 → 修改代码/配置 → 运行测试 → 保留胜者 → 反复迭代，早上醒来得到最优版本。
查看推文 →
创业新晋炫耀方式已经从"我们在疯狂招人"变成了"我们三个人做到了 1000 万美元以上的 ARR"。
查看推文 →
有人用 Claude Code 构建了一套跨平台广告投放系统，可同时在 Meta、TikTok、Snapchat 批量发起不同格式的广告活动，涵盖创意生成到投放执行的完整链路。
查看推文 →
💬 观点与洞察
在 Slack 里跟 agent 对话是当下最热的 AI 交互形态，但这同样只是过渡阶段，就像聊天网页一样——真正需要的是能管理 agentic 工作、支持新型组织方式的系统，当前的 UX 想象力严重不足。
查看推文 →
随着 AI 实验室持续加速，其产品设计选择的重要性已超过对齐本身：最近大多数 AI 工具都在强化自动化（automation），但对增强人类能力（augmentation）的关注严重不足。
查看推文 →
AI 对就业的实际冲击取决于算力成本：agent 工作消耗算力极大，目前只有高价值任务（如写代码）才划算，大量其他岗位人类仍比 AI agent 便宜得多，这是目前 AI 替代就业最被低估的制约因素。
查看推文 →
🔥 精选推荐
本期明浩老师聊了十个议题，中美各半。美国叙事：NVIDIA 财报超预期，毛利率 75%，云厂商 capex 仍在加速；但软件股同期集体暴跌，Software ETF 相对硬件 ETF 大幅落后——市场实际担忧的不是这些公司当前收入（仍在增长），而是 AI 会系统性替代掉软件本身的价值。OpenAI 完成 1,100 亿美元融资确认，Ramp 数据显示 B2B AI 应用中各公司的收入份额正在发生结构变化，Anthropic 开始"整景儿"。中国叙事：国内大模型密集发布，2 月开源竞技场排名出炉，林俊暘离职事件引发讨论。
🦐点评：软件股暴跌 + 硬件 NVIDIA 无敌，这个分叉是今年最值得投资人深挖的结构性信号——"软件吃掉世界，AI 吃掉软件"这个判断，市场在用股价表达。对 VC 来说，这意味着 SaaS 的估值逻辑需要重新校准：如果 AI 能把软件层商品化，那 moat 究竟留在哪？Ramp 的 2B AI 收入份额数据更值得持续跟踪，比任何融资公告都实。
红杉美国合伙人 Alfred Lin 在 Upfront Summit 2026 的对话记录。核心观点：红杉内部很少讨论管理规模，更关注能否成为投资人的"净流动性提供者"——自 2020 年以来已向投资人分配超 430 亿美元。AI 是他职业生涯中见过最大的技术浪潮：从 0 到 1 的门槛已从"找到 PMF"变成"做到 1000 万 ARR"，而且 AI 公司能在极短时间做到这一点。市值天花板正在被重写：几十年前 3000-4000 亿已是顶点，今天最大公司接近 5 万亿，如果复利继续，未来 5-10 年出现 10 万亿美元公司并不遥远。
🦐点评：Alfred Lin 说红杉"不看管理规模，只看流动性分配"，这个表态对 LP 社区是定心丸，也是对当下 VC 资金过剩争议的间接回应。10 万亿美元公司的判断指向 AI 对现有产业的渗透深度——真正的问题是红杉押注的 AI 公司里，有哪几个具备这个量级的潜力，而不是押注"AI 行业整体"。
AgentMail 完成由 General Catalyst 领投的 600 万美元种子轮，定位为 AI Agent 的专属邮箱服务：无图形界面、纯 API 调用，支持 Agent 自主开户（Onboarding API）、邮件解析、归档、线程管理和双向回复。核心论点：email 是互联网的身份底层——绝大多数 SaaS 服务依赖邮箱注册，Agent 只有拥有自己的邮箱才能自主接入现有互联网工具生态。相比 Gmail 对 API 的频率限制，AgentMail 针对 AI 场景提供更灵活的调用架构。
🦐点评：给 Agent 发邮箱这件事，听起来是小工具，实际上指向"Agent 身份基础设施"这个更大的问题——Agent 的身份（identity）、权限（permission）和合规（compliance）是整个 agentic economy 的底层。OpenClaw 走红之后，这类 Agent 基础设施的投资机会正在涌现，General Catalyst 抢先布局是个信号，但这个领域的壁垒还不清晰：email 协议本身是开放的，护城河是否足够稳固还需要观察。
📌 其他值得看
分析编程 Agent 对 EPD（Engineering/Product/Design）组织结构的影响：当写代码变得极其容易，三个角色的分工逻辑和协作方式都需要重新定义，软件公司的核心产出本质上只有一个——代码。
Gergely Orosz 的文章翻译：不再是假设性问题，而是即将冲击科技行业的大趋势。工程师们已经在用 AI Agent 补完搁置多月的项目，这在改变什么职能最有价值、什么职能可以被替代的根本判断。
AI 法律赛道：Legora 五个月内估值翻三倍至 55.5 亿美元，面对的是 Harvey（传闻估值 110 亿美元）、微软 Copilot 和通用 LLM 的竞争压力，融资速度和估值涨幅显示这个垂直赛道热度持续升温。
AMI Labs 实际募资远超此前传闻的 5 亿欧元目标，由凯辉创新基金、Greycroft、Hiro Capital、HV Capital 和贝索斯探险基金共同领投，速递附注：六个月后每家公司都会自称在做世界模型来融资。
Google DeepMind 发布 Gemini Embedding 2，首个将文本、图片、视频、音频、PDF 文档编码进同一向量空间的原生全模态 embedding 模型，跨模态检索和多模态 RAG 的基础能力正在升级。
菲尔兹奖得主陶哲轩坦承低估了 AI 能力：AI 已经能解决需要持续投入、反复试错的难题，那些搁置多年无人问津的数学猜想正在被 AI 逐一攻克。他认为真正稀缺的，是能提出好问题的人。