🔥 精选推荐
a16z 消费投资合伙人 Anish Acharya 的核心判断：不必担心沦为"永久底层"，因为公司的构建方式正被重写成"一系列 loop"——每个职能不再是一个个由人堆出来的岗位，而是可被 AI 反复运行的循环。他认为消费 AI 最大的机会是"/loop, make me happier"这类围绕个人状态持续运转的产品；护城河不是设计出来的，而是"被发现的"；而分发正重新成为最硬的护城河。创始人的新必修课是当"model sommelier"——懂得为不同任务选配不同模型。
🦐点评：把公司重新定义为 loop，本质是在说价值归属正在从"模型能力"转移到"谁拥有这条循环的分发与数据"。"护城河是发现的、不是设计的"+"分发即护城河"两句合起来，是对消费 AI 投资的一次重新定价——押注模型层差异化在消费端基本无效，该押的是能占住一条高频行为循环的产品。"/loop, make me happier"指向的是持续的情绪/状态型陪伴，而非一次性工具；对基金意味着消费 AI 要按"循环留存"而不是"功能新鲜感"来承保。
前沿实验室接连出现 agent 沙箱逃逸，作者认为根因是把"safety（对齐）"和"security（工程安全）"混为一谈。对齐靠分类器和训练，本质非确定性，只能拦住大部分；而 security 的标准是"补丁必须 100% 有效"——SQL 注入修复 99.99% 有效就等于没修。他点名 Anthropic 的 Boris Cherny 称"prompt injection 已基本解决"，但其引用的 Gray Swan 基准显示最好的 Opus 5 在 15 次尝试下仍有 2% 被攻破（约 500 次即可稳定得手）。报告还揭示实验室被海量误报淹没、人工审核把真实告警当误报忽略：OpenAI 在 Hugging Face breach 前两周就收到端口扫描告警，却判定"无需停机"。
🦐点评：这几乎是把一整个赛道（agent 安全 / 运行时隔离 / 确定性护栏）的投资逻辑写在了脸上——因为连前沿实验室自己都做不好。关键洞察是：实验室用"safety 心态"（概率性、够用就行）去处理一个本质是"security 问题"（必须确定性）的事。"500 次就能攻破"对每天跑百万次操作的 agent 根本不算护城河，而这道坎实验室靠再多 RLHF 也补不上，只能靠经典工程（沙箱、能力化访问——正好接上 WorkOS 委派访问那条线）。买单方是无法接受"千分之二"的企业。可投的判断：agent 安全不是模型的一个功能，而是独立于实验室的一层。
黄仁勋宣布"通往 AGI 的竞赛已经结束"，Gary Marcus 反击：没有证据、没有定义，是"用企业权威接管一个科学问题"。他指出按常规定义 Astra 仍不够格——若真是 AGI 就该断层领先，但 Peter Wildeford 等实际使用者认为它在真实工作中与 Fable 5.1 大致持平，权威基准也显示 Astra 是真实进步但"不明显偏离趋势线"。Marcus 承认自动形式化、或许还有可靠编码已在射程内，但怀疑他与 Brundage 十项赌约里的其余八项 Astra 都达不到。
🦐点评：真正的信号不是"到底是不是 AGI"，而是谁有动机去宣布它到了。黄仁勋（据今日另一条推，还有 40 万块 GPU 即将到位）是"AGI 已来→继续买算力"叙事最大的受益者，AGI 这个标签本身就是一件 capex 的合理化工具。Marcus 顺手戳破的那点更值钱：Astra ≈ Fable 5.1 的真实体验 = 前沿模型在收敛而非发散。对任何按"算力隐含估值"承保模型公司的人来说，能力收敛+进步"不偏离趋势线"就是空头论据——差异化在坍缩，而资本开支（据今日另一条推，Anthropic 十年或达 5170 亿美元）还在复利式膨胀。
Simon Willison 在 Lobste.rs 的评论：软件不像盖楼有物理上限，烂代码可以无限烂下去。他系统拆解"推倒重写"为何几乎总是失败——旧系统还在跑核心业务、是移动靶；维护者知道它将被替换，就只做最小努力，技术债继续堆积；重写团队野心勃勃却没人真正理解旧系统的全部行为（否则也不需要重写），最终在"赶紧上线"的压力下只交付了旧系统功能的一个子集，于是你从"一个系统"变成"两个都得维护的系统"。他推荐 Will Larson 的"迁移是技术债唯一可扩展的解法"，主张给旧系统补齐自动化测试后做定向重构。
🦐点评：放到今天的其他线索里看，潜台词很清楚：AI coding agent 让"生成代码"变得极度廉价，意味着"无限烂下去"这条曲线会陡峭化——产量暴涨，而理解与验收跟不上。这正是蚂蚁数科 Harness、Uber token 治理、Spotify Portal 今天集体指向的同一个缺口：代码生成已被商品化，稀缺的是"验收/迁移/质量护栏"。可投的不是又一个 coding copilot，而是把"AI 产的烂代码"重新拉回可维护状态的验证层与迁移工具——一个由 AI 自己创造、且会随生成量线性膨胀的市场。
📌 其他新闻
OpenAI 首度公开内部视角：编码 agent 正在重塑其 AI 研究流程，文章给出 agent 使用率、实验速度、任务复杂度与研究加速的早期数据。
首席科学家 Jakub Pachocki 反思日益强大的 AI 与对齐难题，呼吁更强的安全保障与国际协调。
拆解 agent 时代的鉴权困境：agent 把 OAuth access token 读进上下文与日志后极易泄露，而 prompt injection 抹掉了"可信代码 vs 不可信输入"的边界；作者主张用"委派访问（给任务而非给 token）"来收敛风险。
引 Interisle 报告：2025 年新注册 gTLD 域名 8500 万个，到 5 月已有 850 万进黑名单，滥用率下限约 10%、实际可能近 20%——每五个新域名就有一个是诈骗。
具身智能领域出现"上下文学习（ICL）"创业玩家，让机器人学会利用更长的多模态 Context，把"上下文"当作继参数、数据之后的新 Scaling 方向。
Meta AI 推出原生 Mac 桌面应用（1.0 beta，仅 16MB），9to5Mac 实测认为体验"相当不错"，Meta 正把助手从手机/网页推进到桌面入口。
🧠 AI 技术前沿
据 The Information 估算，Anthropic 未来十年算力开支或高达 5170 亿美元（含 Amazon+Google 3000 亿、SpaceX 最高 450 亿）；而其收入年化约 650 亿美元，已高于 OpenAI 的 400 亿。
查看推文 →
黄仁勋再次宣称"AGI 已经到来"——他并非特指 Astra，而是感叹从 ChatGPT 到 o1 再到 Astra 仅用四年的进步速度；另有 40 万块 GPU 即将到位。
查看推文 →
一个实验预示学术界的海啸：AI 回溯性地精读已发表论文，找出其中的机会与问题，并公开发布这些判断。
查看推文 →
Spotify 的 Portal 让 Claude Code 的 token 消耗直降 90%——团队发现大量 token 花在读文件、仿写测试、更新文档这类几乎不需推理的杂活上，于是把"体力活"路由给便宜小模型（Gemini 2.5 Flash），前沿模型只留给真正需要推理的问题。
查看推文 →
Perplexity 公开其嵌入/排序推理基础设施：当 GPU 算力已趋最优，加速空间转向 GPU 之外（CPU 调度、kernel 启动、主机-设备同步、请求路由），靠三层架构加整模型 CUDA Graph、LazyTensor 异步追踪，在延迟与吞吐上超过 vLLM v0.22.0。
查看推文 →
他认为 Gemini 是目前唯一能又快又准分析视频的 AI——能真正"看"完 30 分钟视频并秒级分析；agentnative 把这一能力封成 skill 交给 Codex，让剪辑师效率提升约 2 倍。
查看推文 →
BestBlogs 早报精选两篇 AI 工程实践：蚂蚁数科用 Harness（唯一事实源+CI 门禁+多视角 Review）把存量项目代码缺陷率从 20%+ 降到个位数；Uber 已有 70%+ 代码合并请求由 agent 生成、周请求量半年涨 9.4 倍，但 AI 总支出自 4 月起保持稳定。
查看推文 →
他分享一组让 Codex 跑 GPT-Astra 的"godmode"配置：推理强度设 low、上下文窗口 100 万、自动压缩阈值 40 万 token、全局 AGENTS.md 留空。
查看推文 →
🚀 创业动态
顺着 Greg Isenberg 的思路，他看好"小而美的定制零件工厂"：选一个高频需要小型定制件的垂直市场（健身器械损坏件、餐厅卡扣、骑行支架、工厂治具、牙科导板），客户上传照片和尺寸→Astra 出 CAD 初稿→人工兜底校验→外包打印农场发货，创始人不再负责"设计+制造"。
查看推文 →
他给出一个创业点子：别做"生成游戏的 agent"，而要做一个托管游戏、并让 agent 把任意游戏改成多人联机的平台——用户把游戏链接粘进 Codex/Claude/Grok 说"帮我加多人模式"，其 agent 读文档后自动托管上架。
查看推文 →
他给自己的旅行地图产品加上了 MCP 与 API 端点，可通过 /mcp 或 POST /api/trips 添加行程，宣告产品"agent ready"——让 AI agent 也能直接调用。
查看推文 →
💬 观点与洞察
他愿意承认我们进入了"锯齿状 AGI"时代（在很多领域超过人、在另一些领域不如人），但这算 AGI 吗？若指"在多数任务上超过人类专家"，我们还没到；不过 AI 走到今天、且如此之快，仍令人震惊。
查看推文 →
他指出（至少目前）AI 奖励专业能力：专家能判断 AI 产出质量、快速摸清"锯齿状前沿"的形状，也更懂该让模型改什么；非专家往往只能停在默认结果。
查看推文 →
他断言"我们这辈子最后一批软件独角兽将在未来十年内诞生，之后就是超越思维的时代"。
查看推文 →
他观察大多数 Z 世代已无法对一个 8 分钟的科普视频保持 100% 专注——短视频让长内容感觉像跑马拉松。
查看推文 →
🔥 精选推荐
9 月 4 日，AI for Math 公司 Axiom Math 宣布把有界素数间隔问题的上界推进到 212（即证明存在无穷多对间距不超过 212 的相邻素数）。团队是跨界组合：创始人洪乐潼 24 岁创办 Axiom（MIT 数学与物理、Rhodes 学者、斯坦福数学博士在读），CTO Shubho Sengupta 曾在 Meta FAIR 做八年大规模 AI 训练基础设施，首席数学家 Ken Ono 是顶尖数论学家，AI 研究负责人 François Charton 用 Transformer 攻高阶数学。一个十余年几乎没松动的纪录几天内连续被刷新：Julia Stadlmann 先从 246 推到 240，Axiom 借 AI 驱动的搜索/计算/验证压到 212，随后 OpenAI 又公布 186 的结果。Axiom 称自己与 OpenAI"做数学"的基本方法很可能相似——都用 Agent 提出证明策略再计算验证。
🦐点评：真正的信号不是"AI 会证数学题"，而是数论这种最硬核的智力高地，纪录从"以年计"变成"以天计"，且由 6 个人的小团队和 OpenAI 几乎同时命中——说明前沿数学推理已进入"多方可复现"的工程化阶段，护城河不在灵感而在 Agent+算力+验证的基础设施。可操作的判断：这类 AI for Math 团队的价值不在论文，而在能把"提策略→计算→形式化验证"的闭环做成可规模化的引擎；而当 Axiom 与 OpenAI 方法趋同，先发小团队能否守住，取决于算力与验证栈的深度，而非数学家个人。同时记下这个创始人画像：24 岁 Rhodes 学者+Meta FAIR 老将，是这类 deal 的典型组合。
📌 其他值得看
剖析汇款服务 Félix：不让用户额外安装 App，如何做成一门 80 亿美元规模的汇款生意。
"黄叔"整理的 Grok Bot 上手蓝皮书 v0.1，主张把 Grok Bot 当作打理你全部工作的"大管家"来用。
一篇未来推演：当 AI 让"大规模雇佣"不再成立，社会与个体的组织方式会如何改变。
一篇带调侃口吻的观察：VC 出身、擅长攒局的 julian 坚持创业做 AI 视频产品，为融资炒作办了一场"直播路演、被投资人轮番拷打"的活动，作者戏称其为"AI 应用第一次网络乞讨"，也折射当下 AI 应用市场的融资情绪。 <!-- ai-daily:complete -->