🔥 精选推荐
Latent Space 把 "AEO（Answer Engine Optimization）" 从概念做成了可公开查询的基础设施：跑 6 种提示变体 × 7 个前沿模型（开搜索）× 161 个品类，量化每个模型在 "coding agent、AI 播客、托管数据库、天使投资人" 等类目里究竟会推荐谁。核心发现是模型有明显的 "自家偏好"——Opus/Fable 偏爱 Claude Code、Sol/Astra 偏爱 Codex、Grok 偏爱 Cursor；161 个品类里只有 28 个存在 "全模型公认第一"，其余大量是可争夺的 "AEO 战场"。他们还发现同一实验室换代（Opus→Fable、Sol→Astra）会让推荐结果发生 "非常有后果的翻转"。
🦐点评：值得记的不是 "谁被推荐"，而是 "推荐权" 正从 Google 的十条蓝链迁移到七个各有偏见的模型手里，而且换一次模型版本、渠道就重排一次。这意味着 AEO 会长成一个像早期 SEO 的可经营品类，但结构更集中、更不稳定：品牌要同时讨好七个 "有立场" 的裁判，每次 pretrain 都可能推翻上一版排名。可投的是给这个战场做 "监测+优化" 的军火商（AmplifyingAI 这类）；同时留一个反向问题——当模型系统性偏爱自家生态产品时，AEO 迟早会变成平台自我导流的新反垄断议题。
Stripe 选择自建而非采购内部 AI Agent "Kai"，如今每周超过 1 万名员工使用。关键不是模型，而是它把 "上下文、治理、技能平台" 直接做进了 Agent：projects 被当作治理机制（而非文件夹），数据层被重构成 Agent 能安全大规模查询的形态，而当初为人类开发者建的基础设施恰好就是 Agent 需要的。任何员工都能把一个工作流打包成 "skill"，平台上已积累约 2000 个；工程负责人也坦承 Agent 曾几次差点搞垮生产系统，倒逼出 "Agent 身份、限流、异常 Agent" 这套治理。
🦐点评：自建 vs 采购的分水岭不在模型能力，而在谁拥有 "上下文+治理+技能" 这三层——这和今天红杉 Sonya Huang "应用层反攻模型" 那篇互为印证。Stripe 的信号是：企业 AI 的护城河正从 "用哪个模型" 下沉到 "把公司知识与权限编排成 Agent 可安全调用的基建"，且这套基建复用的是原有开发者平台。对基金，这既利好卖 "Agent 治理/身份/可观测" 的中间层（2000 个 skill + "异常 Agent" 治理就是需求证明），也给出一条筛选线：只卖模型或套壳、不碰客户上下文与治理层的 to-B AI 公司，很容易被客户自建替代。
Lenny 团队的 Claire Vo 讲述她为何把整套 OpenClaw 自建 Agent 栈全部迁到 Grok Bot：她技术能力很强（自建 Tailscale、SSH 连 Mac Mini、甚至做了个 "管理其它 bot 的救援 bot"），但 OpenClaw 最终维护成本过高，而 Grok Bot 用更简单的产品提供了同样能力且 "稳定在线"。她的两条方法论：把每个 bot 当 "新员工" 来设计（起名、定岗、限权，Grok Bot 甚至能从名字推断职责），以及 "多账号支持" 对同时运营多摊生意的人是杀手级功能（一个 Agent 打通 6 个 Gmail + 多个 Slack/Linear）。
🦐点评：一个能自己搭 Tailscale 的极客都因 "维护不动" 而弃用开源 Agent 栈，这基本给这波 OpenClaw 叙事下了判词：Agent 平台的真正护城河是 UX 和 "永远在线" 的可靠性，不是能力清单。这与前几天 "OpenClaw 之父加入 OpenAI" 那条线呼应——开源 Agent 赢在能力天花板，却输在托管与运维。可操作的判断是：押注面向普通用户/多业务主的 "托管型 Agent"（简单、可靠、多账号），胜率高于押注又一个更强的开源框架；"多账号打通" 这类看似不起眼的功能，恰恰是切中创业者付费意愿的锚点。
Cory Doctorow 引一篇实证论文指出：美国企业已系统性地从 "争夺客户" 转向 "扣押人质"——用锁定（lock-in）代替竞争。论文的关键数据是：高客户留存与更高毛利率强相关，锁定越深的公司越能攫取整个行业的利润，且锁定越强、新进入者越少（没人愿意进一个 "客户根本换不动" 的市场），连带该行业的岗位和工资都更低。案例很具体：Sirius XM 公开承认利润部分来自 "用户找不到取消入口"；在线保险 eHealth 让老人录入一长串用药和医生却不给导出，逼其不敢更换；US Silica 则靠 "嵌入客户供应链" 锁死 B 端客户。
🦐点评：这篇给 "护城河" 祛魅——VC 口中的 "高留存/高转换成本"，从社会视角看就是 "人质经济"，而它给出的实证恰恰是 VC 该反向利用的承保清单。最值钱的一句是 "锁定越强、新进入者越少、利润越集中"：判断一门生意的持久性，要看客户的 "退出成本" 而非 "产品好坏"（Sirius 的利润来自取消难，不是内容好）。但反面同样是信号——退出成本正被两股力量侵蚀：一是 Click-to-Cancel 这类监管，二是 AI Agent 能自动帮用户导出数据、比价、迁移。押注 "锁定型" 现金牛的同时，得同步评估 "反锁定" 工具（一键搬家、Agent 代理迁移）会不会成为下一个拆墙的赛道。
📌 其他新闻
引 Linux 内核官方 Git 仓库维护者 Konstantin Ryabitsev：如今给爬虫渲染 commit 页面消耗的 CPU，已超过 git clone 等所有正当访问之和——5 个节点上随时有 14 个核在 "专为爬虫渲染网页"，滥用型爬虫的 "背景辐射" 已到失控地步。
安全研究者 lcamtuf 拿 "递归" 做实验：让 Nano Banana 2 反复对同一张图做局部编辑，几步后误差累积成纯粹混乱——这正是 AI 图像/视频编辑工具 "试几次就崩" 的根因，也是 agent loop、模型崩溃与自我改进这些宏大叙事共享的底层机制。
团队 Mostik 用 "手机端 4B Qwen-3.5 + 云端 753B GLM-5.2" 的组合刷爆 ARC-AGI 3：大模型全程不吐一个字、只由小模型写出最终答案，核心是他们发现模型间通信极其低效、于是 "架了座桥"，让 4B 补上与 753B 约 50% 的差距、自身准确率提升 25%，难题子集上提升达 2 倍。
国产云端 AI 芯片厂商燧原科技（688801.SH）科创板发行落定：发行价 142.18 元/股，募资 61.19 亿元，网上有效申购 703 万户、中签率仅 0.0246%。公司已自研迭代四代架构、五款云端 AI 芯片，采用自主可控 DSA 架构，2025 年末研发人员占比 76.73%。
资深猎头复盘国内 AI 三轮人才迁徙：先是百度文心团队被疯抢（百度堪称科技圈 "黄埔军校"），再是 "六小虎" 人才遭瓜分，如今争夺焦点从预训练转向推理/Agent 等后训练人才；Qwen Code 负责人惠彬原、混元预训练负责人姚星丞、字节 Seed 核心顾全全等预训练老将近一年陆续离职创业或转投更纯粹的研究团队。
网友爆料 OpenAI 正在内测 GPT-6 Sol，单次测试速度是 Astra 的 6 倍；同日 OpenAI 公开内部数据——按 8 小时工作日折算，每位研究员日常已有 3 个多 "Agent 工作日" 并行、中位数每天消耗超 600 美元推理资源，并称已实现 "自动化研究实习生"。
🧠 AI 技术前沿
@latentspacepod 团队做了一个可公开查询的 Frontier AEO Tracker，系统测量 7 个前沿模型在 161 个品类里会推荐哪些产品。AEO（Answer Engine Optimization）是 SEO 的 AI 时代版本——当用户越来越多通过带搜索的模型发现产品，"成为模型的推荐答案" 本身成了可经营、可度量的渠道。
查看推文 →
基于 @nateherk 同一套提示词、同一批真实业务上下文，15 个真实工作场景对测 GPT-6 Astra 与 Claude Fable 5.1，最终 Astra 10:5 胜出；但分项各有胜负——知识交付/文案上 Fable 第一版更完整、更有结构，Astra 更短更好讲、耗时和成本更低。
查看推文 →
OpenAI 公开内部数据：随 Codex 快速发展，研究员日常 Coding Agents 用量的中位数已达每天 600 美元、P90 达 7000 美元；研究六阶段（Decide→Design→Build→Run→Analyze→Communicate）用量全线上涨，但 "研究方向与决策" 两个关键节点涨得最少，仍需人类输入。
查看推文 →
在 DeepSeek 传出想为内蒙古枢纽采购 16 万块华为昇腾三天后，马来西亚也在考虑用昇腾 910C 建一个 4.94 亿美元的 AI 项目；与此同时美国警告各国不要使用华为芯片（特别点名 910C）。
查看推文 →
他提出一个拐点判断：文本/3D 大模型与视频生成模型正从 "无上下游关系" 变成 "显式符号与几何模拟→隐式统计生成" 的分工——GPT-6、Kimi-K3 这类空间理解强的模型负责提供语义与几何骨架，Seedance-2.5 这类视频模型退到下游、负责渲染流体/毛发/布料等模拟代价极高的细节，类比磁带到数字音乐的过渡。
查看推文 →
🚀 创业动态
他认为 "众包利基数据集" 是 AI 时代最被低估的自举生意（类比 LevelsFYI/Glassdoor/Zillow 但做任意利基）：用户自己添加数据、越用越有价值，而 AI agent 现在需要干净可信的数据来做决策、并愿意反复付费查询。
查看推文 →
他在建一个 "可雇佣的 AI 视频剪辑师" 名录，理由是不少年营收 8-9 位数的品牌来找他要 "顶尖 AI 剪辑师"——AI 视频制作正在形成一个真实的人力雇佣市场。
查看推文 →
现在可以直接通过 ChatGPT 或 Claude 把任意视频发布到 Instagram 和 TikTok：过去需要自带公开链接、还受文件大小限制，他给自己的 post bridge 加了一个 MCP agent 工具，先生成上传链接、再由平台回拉媒体来发帖，方案更简单。
查看推文 →
他展示用 V6 + GPT Astra + Seedance 2.5 的组合，能以极低成本做出 100% AI 生成的视频——AI 口播、AI 播客广告、迷你 VSL、TED 演讲等，V6 已上线并随新模型发布持续更新。
查看推文 →
💬 观点与洞察
全球最大的主播之一正在 Higgsfield 上运行一条由 GPT-6 Astra 生成的无限内容直播流；他由此看到一个未来：媒体将变成一条 100% 按个人多巴胺画像优化的无限内容流。
查看推文 →
他泼冷水：以为 "Astra 能在 30 分钟内抓取并筛选 210 万条视频" 的人，恰恰暴露了那些 "AGI 已来、它一夜写出 GTA6" 的帖子把人带入的一种妄想。
查看推文 →
他指出现在越来越难追踪你的工作和对话到底在哪：本地电脑？云端？哪台电脑？手机？通过 Dispatch 或 Remote 连接的那台？还是你在 Tag 里对话的那个？是否在某个 project 里？当前的 UX 几乎帮不上忙。
查看推文 →
他观察：Astra 在视觉讨喜的 3D 作品（Blender 等）上极强，这在 "社交媒体注意力之战" 里给了它相对 Fable 的观感优势——其他类型的输出更难判断好坏，但视觉效果一眼就能传达。
查看推文 →
🔥 精选推荐
红杉合伙人 Sonya Huang 抛出一个正在成型的判断：AI 应用层开始 "反攻" 模型层，企业开始争夺 "智能" 的所有权。两个催化剂——开放权重模型（Kimi K3、GLM 5.2）逼近前沿，独立后训练栈（Mercor、Fireworks 等）成熟到让每家公司都能用上 "实验室级" 技术栈，"选开源" 从 "牺牲性能" 变成了关乎生存的战略。她给出自建的四条动因（成本/COGS、速度、专有数据、掌控命运）与一张 "从 0 到 1" 路线图：先有 evals（Harvey 用 7 人团队做出覆盖 24 个法律领域、7.5 万条评分准则的 Legal Agent Benchmark），再做 Harness 与上下文工程，最后按需后训练。她的比喻是：前沿实验室继续造 "大脑"，最好的产品公司则在养自己的 "小天才"。
🦐点评：读者是红杉，这几乎是自家 thesis 的公开版，值得当作 portfolio 承保框架来读。最锋利的一句是 Nadella 的 "向实验室买智能等于付两次钱——先付钱、再交出让智能真正有用的专有知识"：它把 "要不要自建模型" 从技术选择改写成了 "要不要把数据护城河拱手让人"。但反面也要盯——它同时利好卖后训练栈的军火商（Mercor、Fireworks、Harvey 的方法论正在被标准化），意味着 "自建智能" 本身也在被商品化，真正的差异化又会回落到 "谁有独家的 eval 与领域数据"。可操作：给被投企业一把尺子——哪些功能的推理是 "核心 COGS 且吃专有反馈" 的，就该自建，否则继续租。
清洁机器人公司 Hivebotics 完成 600 万美元 A 轮，Vertex Ventures 东南亚及印度领投，房地产集团远雄旗下 Fareast、卫浴厂商 Rigel 跟投，资金用于把马桶清洁机器人 Abluo 从试点推向量产。基本逻辑是 Vertex 点出的一句话——厕所清洁是少数 "需求刚性、供给持续收紧" 的劳动力市场（清洁工老龄化、最低工资上涨）。Abluo 过去 12 个月累计运行近 1 万小时、覆盖亚欧中东北美 20 多个场所（医院、机场、商场），用高压蒸汽+定向喷射+真空+吹干的无接触方式清洁，把 "约 30 分钟人工清洁" 压缩为 "5 分钟人工验收"。两位 NUS 创始人当年疫情时亲自去刷厕所研究流程，最难的其实是软件——底盘每次停位都有偏差，机械臂得实时重规划路径（借 PickNik 的 MoveIt Pro）。
🦐点评：这是个教科书式的 "脏活赛道" 投资样本：不追性感的通用人形，而是卡住一个刚需且缺人的窄场景（厕所），用 "解放重复体力、保留人工验收" 的诚实叙事替代 "机器人 5 分钟全自动" 的浮夸——省下的是人站着干活的时间，验收环节仍在。真正值钱的判断有两点：一是护城河不在硬件而在 "带评分的清洁记录"（医院/机场的卫生合规是可追溯性刚需，签到表证明不了杀菌）；二是团队把凯驰前高管挖来当 CSO，说明这类生意的胜负手在 "怎么把一台机器卖进医院" 的渠道而非炫技。对基金：600 万美元、近万小时真实运行、明确买单方——这是具身智能里少见的 "可承保" 形态，可作为服务机器人退出路径的参照系。
晚点专访 96 年的字节系创业者梁琛奇——他做过抖音朋友页、带队做出字节文字互动产品 "猫箱"（他强调猫箱核心是 "内容和故事" 而非同类的 "角色与人设"），去年离职创办 "动念引线"，IDG、红杉、美团龙珠投资，两轮累计融资数千万美元、估值约数亿美元。他反主流地押注 AI 娱乐/消费而非生产力，核心假设有三：其一，"能诞生新平台的新内容格式，消费过程本身也要烧 token"（否则消费仍会回流老平台，就像短剧用 AI 制作但消费仍在红果）；其二，开放娱乐产品上 "先应用、后模型" 的胜率高于 "先模型、后应用"，把希望寄托在 "等模型再涨一截产品自然涌现" 是偷懒且危险的；其三，coding 变强后可用 UGC 方式做产品——1~2 人一组快速造 Demo、不行就下、行就扩，公司正同时开发测试近 10 个产品。他承认包括自己在内，还没人拿出 C 端 AI 娱乐的 "版本答案"。
🦐点评：这是一份难得坦诚的 "C 端 AI 娱乐" 创始人画像，对看消费 AI 的基金有直接尽调价值。最值得记的是他那条反共识——"消费过程也要烧 token 才可能长出新平台"：它把 "什么内容格式能承载新平台" 这个模糊问题变成了可证伪的判据（若 AI 只是更便宜地生产、消费还在老平台，就不成立）。他对 "等模型升级、产品自然涌现" 的警惕，本质是在赌 "应用侧产品力" 而非 "模型侧能力溢出"，与今天红杉、Stripe 两篇 "应用层反攻" 形成同向共振。风险也写在脸上：数千万美元、数亿估值，却自认还没 "版本答案"、同时押近 10 个 Demo——这既是消费 AI 的迷人处，也是它的估值陷阱，值得把 "找到对的内容格式" 作为下一轮的关键里程碑来跟踪。
一篇辛辣的 BAT 办公 Agent 战局盘点：作者认为字节身位最好，因为它 "不赛马了"——飞书、Trae、Coze 一律划给 "豆包工作" 当基建，一周多就把客户端与豆包 App、飞书打通，坐拥几亿存量用户可转化。阿里的问题是组织：千问办公做得不错（页面简洁、Qwen 3.8 Max/定制 Flash 有模型红利），但被 Qoder、千问 App 电脑版分流，"一开三"，"到底谁是唯一的月亮" 无解。腾讯 WorkBuddy 则是 "内部卡位逻辑"——完成保饭碗目标即可，因微信和游戏基本盘够稳而缺乏继续卷的动力。作者点破共识已从 "入口是 ChatBot" 转向 "入口是 Agent、切入场景是办公"，且断言 B 端与 C 端是一场仗而非两场。但他也指出字节最大软肋是 Seed 模型只有二流水平。
🦐点评：抛开段子，这篇给出的是一张 "组织决定胜负" 的地图，比任何 DAU 榜都更有预测力。关键洞察是：办公 Agent 这一仗的胜负手不在模型、不在功能，而在 "老板能否一刀砍掉内部赛马、把入口收敛成一个"——字节的组织效率（一周打通）正是靠 "不赛马" 换来的，阿里的 "一开三" 和腾讯的 "保饭碗" 都是组织病的外化。对投资人有两层含义：一是评估大厂 Agent 时，"组织能否收敛" 是比模型分数更硬的领先指标；二是字节 "Seed 只有二流" 这个短板若坐实，会给独立模型公司和 "可切换多模型" 的第三方 Agent（如 WorkBuddy 的模型可切换）留出缝隙——大厂用组织和流量碾压的同时，模型能力的短板反而是创业公司的机会窗口。
📌 其他值得看
卡兹克记录周末 GPT-6 Astra 上线后社媒的集体癫狂：用户让 Astra 直接接管 Blender、甚至 Houdini 这类极专业的 3D 软件做拼装、表情、动画，产出 "离谱" 成片——他由此感到一道 "时代断层" 正在拉开。
OpenAI 首席科学家 Jakub Pachocki 官网长文《An Alien Mind》全文中译：他回忆 2023 年 RLSlow 项目验证推理模型可规模化训练的那一夜，两人只是在消化 "有生之年将亲眼见到比人更聪明的机器" 这一事实，并反思强大而 "异类" 的心智给对齐与人类价值带来的追问。 <!-- ai-daily:complete -->