🔥 精选推荐
Coding agent 在 Opus 4.5 和 Codex 5.2 之后展示了第一个用户愿意为更高智能持续支付大额溢价的市场。Nathan Lambert 认为这将定义开放与闭源 AI 生态的权力格局：闭源实验室（目前只有 Anthropic 和 OpenAI）因为模型、工具链和服务基础设施的深度整合，在高智能任务上始终拥有效率优势；同时 API 业务将不可避免地衰退，实验室会推迟最强模型的 API 开放以保护 token 供应、防止蒸馏并维持高利润率。与此同时，开源模型在 80% 的常规任务上已经"够用"，两条指数曲线的分叉将越来越明显。
🦐点评：Lambert 的核心推论对 VC 有直接操作意义——如果闭源实验室的 API 定价会持续上升并延迟开放，那些重度依赖单一 API 的应用层公司面临的不只是成本风险，还有"被断供"的战略风险。反过来，真正能在开源模型上做出差异化的公司（fine-tuning、routing、行业定制）反而拥有更稳固的成本结构。"我愿意为今天的工具付 2000 美元/月"这句话暗示 coding agent 的定价天花板远未触顶。
NVIDIA Cosmos 3 是首个将世界生成、物理推理和动作生成统一到单一模型的开放全模态模型，基于 Mixture-of-Transformers (MoT) 架构。此前开发者需要分别使用 Cosmos Predict（生成）、Cosmos Transfer（控制）、Cosmos Reason（理解）和 Cosmos Policy（策略）四个独立模型，Cosmos 3 在一次前向传播中完成所有任务。模型已在 Hugging Face 上开放，包含 Super 和 Nano 两个版本，配套 Diffusers 集成、后训练脚本和开放合成数据集。
🦐点评：Cosmos 3 对具身智能投资的影响是结构性的——它把"多模型拼接"的技术门槛大幅降低，意味着机器人创业公司的差异化将从"能不能跑通感知-推理-执行链路"转向"在特定场景里跑得多稳、数据飞轮转得多快"。NVIDIA 开源这个模型的战略意图也很清晰：让整个物理 AI 生态绑定在自己的计算栈上，卖更多 GPU。对于投资人来说，关注点应该从"谁的基础模型更好"转向"谁有不可替代的场景数据和部署能力"。
xAI Grok Imagine 负责人 Ethan He 提出一个反直觉判断：视频模型的智能主要来自 LLM，而非视频训练数据。下一个 Sora 不会是更好的视频模型，而是一个视频 Agent——能够规划、生成、编辑、评判并迭代整个创意任务的系统。这与 AI 编程的演进路径完全平行：从关注单次输出质量和成本，到多轮推理和规划。Grok Imagine 已上线 Agent Mode（Beta），在一个无限画布上自动完成规划→生成→编辑→迭代的全流程。
🦐点评：如果 Ethan He 的判断成立，视频生成赛道的竞争格局会发生根本改变——Runway、Pika 等纯视频模型公司的技术壁垒被 LLM 能力稀释，真正的护城河变成"谁能把 LLM 的推理能力最好地嫁接到视频编辑工作流上"。xAI 3 个月建成 Grok Imagine 的速度说明：有强 LLM 基础的团队进入视频生成的成本极低。对 VC 来说，这意味着独立视频生成公司的窗口期可能比预期更短。
五角大楼的 Defense Autonomous Warfare Group (DAWG) 在 FY27 预算申请中要求 540 亿美元，较前一年增长 240 倍，超过了整个海军陆战队的预算。但文章指出核心矛盾：部署速度远超维护能力。一架 MQ-9 需要 180 人支持运行，自主系统的维护挑战更复杂——软件更新、传感器校准、数据回传和分析都需要新型后勤体系。文章认为真正的瓶颈不在制造无人机，而在建设能让蜂群持续运转的维护和数据基础设施。
🦐点评：540 亿美元/240 倍增长这个数字对防务科技 VC 来说是一个明确的市场信号，但 a16z 这篇文章更深层的洞察在"维护侧"——部署无人蜂群的热闹背后，真正赚钱的生意可能不是造无人机，而是做无人机的"4S 店"：预测性维护、远程诊断、软件 OTA 更新、自动化后勤。这个逻辑和 SaaS 很像——卖硬件是一次性的，卖运维是长期的。
a16z 领投 Endra 的 Series A。Endra 自动化建筑 MEP（机械、电气、管道）工程设计，这是一个全球超过 1500 亿美元的专业服务市场。MEP 工程师的大部分工作是重复性的——放置消防警报、布线、逐层逐室对照建筑规范检查——这些工作可能花费数月且经常被外包。Endra 的平台导入标准建筑模型文件，集成 Revit，在 3D 中重建建筑并自动完成设计工作。
🦐点评：1500 亿美元的 MEP 市场几乎没有被 AI 触及，原因是行业数据高度碎片化且缺乏数字化。Endra 如果能建起"规范数据库+设计案例"的飞轮，后来者很难复制——因为每个城市、每种建筑类型的规范都不一样，这本质上是一个 long-tail 合规知识的积累游戏。a16z 投这个方向暗示他们认为 AI 在"高度受监管的垂直专业服务"中的机会被严重低估。
📌 其他新闻
OpenAI 在密歇根州破土动工一个 1GW 数据中心项目，隶属 Stargate 计划。这是 AI 基础设施军备竞赛的又一个里程碑，反映出前沿 AI 实验室对算力的需求仍在指数级增长。
OpenAI 前沿模型和 Codex 正式在 AWS 上全面可用，企业可以通过已有的 AWS 环境、安全控制和采购流程使用 OpenAI 产品。这是 OpenAI 从纯 API 供应商向企业分发渠道扩展的关键一步。
奥巴马白宫和美国太空军指挥士官长的 Instagram 账号被黑客劫持，方法是直接向 Meta 的 AI 客服机器人发出指令获取账号权限。AI 客服系统的安全漏洞正成为新型攻击面——模型执行用户请求时缺乏对恶意意图的充分过滤。
IBM Research 在 HuggingFace 发文指出，企业 AI 规模化落地的瓶颈不在模型能力，而在 Agent 逻辑层——动态长时间运行的工作流、海量 API 和数据库交互、以及跨系统编排能力。仅靠更强的 LLM 无法解决企业采用率问题。
JetBrains 发布 Mellum2，一个 12B 参数的 MoE 模型（每 token 仅激活 2.5B 参数），针对高吞吐低延迟推理优化。支持路由、RAG、子 Agent 和私有部署，Apache 2.0 开源许可。推理速度超过同尺寸模型 2 倍以上。
亚马逊为商品页面推出 AI 生成播客功能，用对话形式介绍产品特性。这是 AI 内容生成在电商场景的又一次大规模实验，也是 Amazon 将 AI 渗透到消费者购买决策环节的信号。
秋水半导体完成 Pre-A 及 A 轮融资合计近 2 亿元人民币，朝晖资本领投。公司专注 Micro-LED 显示技术，瞄准 AI 眼镜全彩化场景——AR/AI 眼镜的显示模组正成为硬件供应链中的关键瓶颈。
🧠 AI 技术前沿
Anthropic 已向 SEC 秘密提交 S-1 注册声明草案，为 IPO 做准备。在完成 SEC 审查后，Anthropic 将拥有启动首次公开发行的选择权。
查看推文 →
Cursor 宣布提升所有 Teams 用户的使用限额，并推出 Premium 团队席位——5 倍用量仅需 3 倍价格。受 Ultra 计划的成功启发，继续加码高端用户的 token 供给。
查看推文 →
Qwen3.7-Max 实测结果：前端测试能完成 3.6 版本无法通过的项目；后端测试刷新榜首，是 34 个模型中唯一实现 IVF-PQ + ADC 索引方案的模型，将分数从 GPT-5.5-Pro 的 4000 分拉到 6947 分。Agent 能力也达到第一梯队水平。
查看推文 →
MiniMax 发布国内首个集前沿 Coding、1M 超长上下文和原生多模态于一体的开源模型 M3。SWE-Bench Pro 59.0% 超过 GPT-5.5 和 Gemini 3.1 Pro；24 小时内自主完成 145 次 CUDA 算子迭代，硬件利用率从 7.6% 升至 71.3%。
查看推文 →
🚀 创业动态
AI 生成 UGC 视频成本已降至每秒 0.004 美元，预计其他模型也将跟进到这一价格水平。AI 视频内容的边际成本正在趋近于零。
查看推文 →
通过 AI 自动化工具 Postbridge 运营 YouTube 频道已可获得 YouTube 银牌奖牌（10 万订阅）。AI 自动化内容生产的规模化变现路径正在被验证。
查看推文 →
TrustMRR 平台上第 96 笔创业项目收购：一个 1,600 美元 MRR 的语音转文字创业公司以 18,000 美元成交，约 11 倍月收入。微型 SaaS 的二级市场交易持续活跃。
查看推文 →
💬 观点与洞察
关于"企业是否觉得 AI 有用"的争论在当下已经没有意义。与大量企业领导层交流后发现，获取真实价值已是普遍共识，当前挑战是如何从个人使用扩展到企业级规模化。
查看推文 →
行业先给了 Agent 工具，后给记忆，顺序搞反了。HydraDB 融资 650 万美元做 Agent 记忆基础设施，更像是市场终于承认一个事实：无状态 Agent 在生产环境中根本活不下去。
查看推文 →
多 Agent 工作流正在复制人类最大的认知瓶颈——知识困在各自的"脑壳"里无法自动同步。OpenClaw、Codex、Claude Code 各自有用户的局部画像，但彼此不共享上下文。产出可以 competent，同时 context-blind。
查看推文 →
Opus 4.8 相比 4.7 在 benchmark 和诚实度上有提升，但这种进步不会让 GPT-5.5 或 DeepSeek 的用户切换过来。增量升级无法改变用户迁移决策——除非是代际跳跃。
查看推文 →
AI 行业四个钟摆正在反转：GPT wrapper 无价值→应用层才是价值所在；AI 消灭白领→白领因管理 AI Agent 反而更重要；开源追不上→Gemma 和 DeepSeek 满足 80% 需求；只用 Claude Code→Codex 正在变成超级应用。
查看推文 →
让 Codex 在需要人工协助时通过语音通知呼叫自己——比如需要 1Password 授权的 npm 发布。Agent 开始主动"喊人"来解除阻塞，人机协作从"人找 Agent"转向"Agent 找人"。
查看推文 →
🔥 精选推荐
a16z 合伙人 Joe Schmidt IV 提出"黄砖路"框架：拿好模型+现成连接器（Google Drive、Slack、GitHub）+Agent 协调层打包上线，这条路的终点是死——因为 OpenAI 的 Codex 和 Anthropic 的 Cowork 正在做完全一样的事，而且他们有模型、有利润率、有分发。真正的机会在"奥兹城的其他地方"：多步骤、多角色、垂直行业、确定性要求高的场景。Schmidt 总结了四条大厂挖不到的护城河：数据飞轮（行业口传知识）、跨厂商模型管理、成本分级路由、行业治理合规。文章引用了被投公司 11x CEO 的判断："任何真实工作流里，大约一半的步骤是非 Agent 的。"
🦐点评：Schmidt 这篇文章最有杀伤力的一句是反问——"如果大厂真觉得下一版模型能解决垂直场景，为什么要花几十亿去做企业咨询？"OpenAI 和 Anthropic 加大定制化企业部署的投入，恰恰证明通用工具的边界在哪里。对 VC 来说，这是一个清晰的排除法：如果被投公司的护城河可以用"换一个更好的通用模型"来替代，那这不是一笔好投资。
Chamath Palihapitiya 的思想实验：现代股票估值中 60%-80% 的价值来自"终端价值"（第 10 年之后的现金流折现）。如果 AI 作为通用技术让每条护城河都变成临时的，企业被颠覆的年概率升至 20%，预期寿命约 5 年，对应 FCF 估值从 10-12 倍压缩到 3.9 倍。他列举了报纸（2005-2015）、零售（2016-2020）、能源（2019-2021）、出租车牌照四个先例——每次市场都不等行业死透，提前给持续期打折。关键区别：前四次是逐个行业发生，AI 可能是全行业同时。
🦐点评：Chamath 的推演对 VC 的含义比对二级市场更尖锐——风投的全部逻辑建立在"今天亏钱换未来的帝国"之上，如果终端价值不再被定价，VC 作为资产类别的存在基础就动摇了。当然这是极端情况，但即便只有 30% 的概率部分成立，投资人也应该开始重新审视"增长优先、盈利推后"这个默认策略。至少对于当下的 AI 投资，能在 3-5 年内产生真实现金流的公司应该比"10 年后可能成为平台"的公司获得更高优先级。
Caper AI（被 Instacart 以 3.5 亿美元收购）创始人 York Yang 的核心观点：机器人不可能像大模型一样产生爆发式增长，因为它涉及硬件制造、供应链、部署、维护和场景改造。他提出 CPUDKUO 标准——"Customer Pays U but Don't Kick U Out"，强调 deployment 必须产生实际 ROI，而不是"把东西搬到客户那里放一下"。他认为纯软件层去适配所有硬件是后期的事，前期必须把一套硬件+一套模型在真实场景里打磨到足够稳定。Reasoning 能力对规模化落地至关重要，纯模仿学习做不到。
🦐点评：York 的 CPUDKUO 框架是对整个具身智能赛道"demo 驱动融资"现象的一次冷水。当赛道里大多数公司在展示"机器人叠毛巾"的 demo 时，真正的问题是叠完之后怎么办——整个 workflow 的自动化才是商业价值所在。他的判断如果正确，那些走"先做通用模型再找场景"路线的公司会比"先在一个场景做到极致稳定再扩展"的公司烧掉更多钱却更晚产生收入。
📌 其他值得看
晚点用数据拆解了 AI 裁员的真实图景：2022 年底的裁员潮与 AI 无关（美联储加息导致），但过去半年 AI 编程能力成熟后美国科技公司新一轮裁员已影响十多万人。中美前 20 大科技公司的资本开支已普遍超过研发费用——砸进算力基建的钱超过了养研发团队的钱。
Notion CEO Ivan Zhao 提出 Jazz Mode 组织理念：AI 时代公司应该像爵士乐队而非行进乐队。Notion 已有 60 位前创业公司创始人，采用"杠铃模型"招聘（极年轻+极资深），第一轮面试不看简历而是要求"做点东西出来"，设计师正在取代传统 PM。
软银计划在法国投资最高 750 亿欧元（约 870 亿美元）建设 5GW AI 数据中心，第一阶段 450 亿欧元到 2031 年交付 3.1GW，这是软银在欧洲最大的 AI 基础设施投资。
XCENA 设计了一款将计算置于 DRAM 附近的芯片 MX1，通过 CXL 连接 CPU，在数据离开内存前就处理，号称可将 10 台服务器的任务压缩到 1 台。创始团队来自三星和 SK 海力士，量产芯片计划 2026 年底下线，2027 年开始产生营收。