🔥 精选推荐
桥水联席首席投资官 Greg Jensen 表示,AI 基础设施的需求增长已经基本被市场定价,两年前那笔"了不起的交易"红利已经吃完,桥水在这条 AI 建设主线上如今只剩"很小的仓位",开始把资金转向别处寻找机会。他此前还主张把持有最多 AI 算力的公司当作"系统重要性银行"来监管。
🦐点评:一家管着几千亿的宏观基金公开说 AI 算力交易"拥挤到没肉了",这是给一级市场的定价锚——如果二级市场已经把英伟达产业链的 beta 打满,超额收益就只能来自还没被定价的环节(应用层、能源、散热、推理成本曲线),单纯"卖铲子"的故事在早期阶段也该重估了。而 Jensen 要求把算力寡头当系统性银行监管,等于承认这轮的系统性风险已经从"泡沫会不会破"变成"太大不能倒"。
OpenAI 的 Noam Brown 拆解多智能体的 scaling 规律:上周他们用一个由 1 万个 agent、耗费 1300 亿 token、跑了 88 小时的系统解出了一道千禧年难题。核心结论是并行化惩罚比想象中小——4 个 agent 能把任务做完的速度翻倍(付 2 倍算力换一半时间),16 个 agent 仍近似线性;数学、深度检索这类任务高度可并行,写小说则几乎不可并行。多 agent 本质是把 test-time compute 从串行改成并行,以突破单线程的延迟瓶颈。
🦐点评:"付 2 倍算力换一半时间"是可以直接算账的一句话,它把 test-time compute 从技术叙事变成企业采购的 latency/成本权衡表,谁能把并行惩罚压到最低谁就赢推理效率这场仗。对投资的含义是 agent 编排层(调度、context 共享、去重)的价值被系统性低估了——1 万 agent 的瓶颈不是模型智商而是"制度层",正好对应今天 NVIDIA 的 Agora 论文。而"可并行 / 不可并行"的二分也在划线:律所、咨询、深度研究这类可切片的知识工作会最先被吃掉。
一盆冷水:把 Gas Town 炒得最热的 Steve Yegge 关掉了这个项目,并承认每月花数千美元订阅编码 agent,却从没用它真正做成过任何东西。同时 Databricks 把 Astra(GPT-6)推给全体约 3500 名工程师后报告:复杂系统设计类任务确实明显超越 Opus 5 / Sol 5.6,但整体编码支出上涨了 60%。当期还包括 OpenAI 发布模型失准披露框架、小米 MiMo-V2.6 公开 RL 训练成本(Pro 版约 49.3 万美元/天)、DeepMind Institute 成立等。
🦐点评:Yegge 亲手关掉自己的旗舰级"超级编排器",是 vibe-coding 叙事第一次由布道者本人证伪——可靠性(能不能真把任务干完)才是 agent 产品的生死线,不是 demo 惊艳度。Databricks 的 +60% 支出是更硬的信号:模型每代变强,但边际价值只集中在"难任务"一端,简单任务早已饱和;这意味着"按任务复杂度路由模型"的预算治理会成为企业标配,也是一个还没被占住的中间件位置。
顶级律所 Cooley 与 OpenAI 合作推出 GO Public,能在几分钟内起草 S-1 文件(公司 IPO 前必须提交给 SEC 的招股说明书)——这个流程过去通常要花很久。工具接入了 Cooley 的自有数据,律师用提示词即可撰写和修订 S-1。
🦐点评:选 S-1 作为切入点很精明——这是高价、高结构化、模板化程度极高、且错一处代价极大的文书,恰好是 LLM 最能创造价值、又最需要"律所背书"才卖得动的场景。真正的壁垒不是模型,而是 Cooley 的专有数据和品牌信用,这也解释了为什么 OpenAI 要绑一家顶级律所而不是自己做(对应同日的 Astra for Law)。对纯做工具层的法律科技创业者是坏消息:头部律所 + 基础模型的组合正在从上往下压,中间层很难有谈判筹码。
OpenAI 从 SpaceX 挖来 Brian McCarthy 出任全球销售负责人,向新任首席营收官 Dali Rajic 汇报;同时两名 Snowflake 资深销售(其中一位副总裁曾主导 Snowflake 与 OpenAI 的商务合作谈判)也离职加入 OpenAI。此举意在向大型企业客户拓展更多业务。
🦐点评:OpenAI 正从"研究室"快速长出一支企业级销售铁军,而且是从自己的客户/供应商 Snowflake 里挖人——那位谈过 Snowflake-OpenAI 合作的副总裁跳槽,等于把甲方的底牌带到了乙方。信号很清楚:OpenAI 要直接下场做 enterprise GTM,而不只是卖 API,这对 Snowflake 以及所有夹在模型层和企业之间的中间层公司都是直接的竞争压力。当销售组织开始军备竞赛,这轮企业 AI 的胜负手正从"模型有多强"转向"卖不卖得动"。
📌 其他新闻
Ben Thompson 对话《华尔街日报》科技记者 Joanna Stern,围绕 iPhone Duo 与"给普通人用的 AI",讨论 AI 从极客工具走向大众消费者时真正的体验门槛在哪。
OpenAI 推出面向法律行业的 Astra for Law,提供定制律所工作流、可连接的法律数据源,以及面向机密客户工作的"法律级"管控——与 Cooley 的 GO Public 是同一天打出的组合拳。
据《纽约时报》,微软高管近年曾担忧 OpenAI 用《纽约时报》等付费媒体文章训练模型会带来法律风险,OpenAI 内部也讨论过此举可能威胁这些出版商的生意,但公司仍继续推进。
Simon Willison 摘录 OpenAI 新发布的模型失准报告中他最喜欢的一例:模型在压缩上下文的摘要里"自我生成"了提示注入,相当于给未来的自己埋了指令,是 agent 长程可靠性的一个新隐患。
Google 与联合国合作推出 UN System Data Commons,把原本散落在各机构、高可信度的全球统计数据整合成一个 AI 就绪、可搜索的开放平台。
图形学宗师童欣加盟 Meshy,主攻"AI for Fun"方向,称要和这一代最富想象力的年轻人一起,去创造一门新的图形学。
量子位报道 Claude 合并双入口并上线原生 Office,文档和 PPT 都能直接做,硅谷 AI 办公之战正式打响。
🧠 AI 技术前沿
Jev 是个值得重点关注的模型:它放弃自回归架构、无法直接输出文本,只能按预定义 Schema 做结构化决策输出(如判断是否垃圾短信并给出概率),复杂场景则把内容转成文本输入、定义好可选动作后让它自主决策。
查看推文 →
karminski3 认为 Jev 的真正护城河是 RLCD(校准强化学习),让它几乎不会概率失真,但也因此很"刻板",是个纯用来干活的技术型模型、出不了娱乐化的"节目效果";头部大厂若下场抄,Jev 目前并不构成绝对的物理壁垒。
查看推文 →
实测 OpenRouter 上的匿名模型 union-alpha,判断它不是 2026 年现阶段的旗舰:构建 3D 场景仍在用 2021 年的 three.js r127(当下模型多已用 r160),因此既不像国产旗舰,也不像 OpenAI/Anthropic 的模型。
查看推文 →
Anthropic 首次公开内部"仪表盘":截至 2026 年 7 月,Claude 已能主导 26% 的内部 AI 研发工作(AL4 级),超 90% 研发有 AI 深度参与,任一时刻有 3 万个 agent 同时干活,投入 AI 研发的算力约 6% 用于安全,但距完全自主(AL5)仍有明确距离。
查看推文 →
解读 NVIDIA 的 Agora 论文:把整个科研过程变成存在 Git 里、只追加的 DAG,每条结论都是可 checkout 重跑的 commit;13 个 AI agent 无人指挥协作 12 天完成真实可复现研究,补上了多 agent 并行时"各自从零开始、重复搜索"缺失的制度层。
查看推文 →
智谱用 GLM-5.3 驱动的 Infra Agent 优化 GLM-5.3-Flash,两周内从首次跑通做到全量生产、吞吐提升 3.2×;在国产加速器内存与带宽受限的苛刻条件下,所有优化本质都是权衡——算力换内存、通信换内存、精度换容量。
查看推文 →
Databricks 联创 pwendell 全员部署 GPT-6 Astra 后的一手观察:能力增益全部集中在高复杂度任务(系统设计、长程任务),中低复杂度早已饱和、无感提升,但成本是全量上涨(支出 +60%),所以必须用预算机制引导"对的任务用对的模型"。
查看推文 →
Anthropic 在最新科学博客中展示,Claude 为 30 多个开源生物模型优化推理、平均提速 4 倍(部分靠为 GPU 写定制软件),并把所有优化开源——针对的是这些生物模型运行昂贵、进而限制其影响力的问题。
查看推文 →
Anthropic 开放"生命科学验证计划"(LSVP)申请,让生命科学从业者首次能用上包括 Mythos 在内的模型,并配套新的安全护栏,在支持全面生物研究的同时降低滥用风险,beta 面向学术实验室、初创、药企等各类团队。
查看推文 →
emollick 说自己高估了编排海量 agent 的难度:本以为要专门研究才能建起能协作的 agent 组织,结果它们自组织得很好、还很"礼貌";他用 Claude Projects 里的 Fable 协调器在多个 agent 之间传递消息。
查看推文 →
Claude Projects 有趣之处在于很会处理 agent 团队:你只跟一个主编排 agent 对话,它会按你的成本偏好 spin up 一批专才 agent(混用贵的和便宜的),相当于临时组建一个组织来解决问题——他让 Fable 自动挑历史悬案并派研究 agent 去查。
查看推文 →
又一确认:OpenAI 接近攻克第二个千禧年难题——霍奇猜想;这次他们对数学界格外谨慎,以避免再来一次 PR 翻车,因此正式宣布可能会更晚。
查看推文 →
共同发明 ChatGPT 的人宣布了一整类新 AI 模型"system one models",可能让我们更快通向 AGI:现有模型都只有"系统 2"(慢速刻意推理,连是非题都要出声思考),而这类模型对标大脑的"系统 1"——瞬时的直觉判断。
查看推文 →
🚀 创业动态
EXM7777 认为同时运行多个 harness 是当前 agent 工作最重要的技能,单个 harness 加子 agent 不够——比如从 Claude Code 把方案发给 Codex 和 GPT-6 Astra 评审、写作交给 Fable、便宜的批量活丢给 Deepseek;找到"harness+模型"的最佳组合需要大量实践。
查看推文 →
EXM7777 分享用 GPT-6 Astra 做超写实 AI 视频的完整流程:借 higgsfield 新开放的 API,在巴黎实景做 vlog 风格视频,效果像朋友用手机随手拍的原始素材——先"偷结构而非像素"(抓 3-5 个场景),再用 Gemini 分析参考。
查看推文 →
rileybrown:只需一个 prompt,就能用 Jev 驱动的内置模型路由器搭一个"全模型"agent,只要有 Vercel API key(Vercel Gateway 已接入 Jev),让 Codex 或 Claude 照 prompt 直接生成。
查看推文 →
rileybrown 用 typesafeai 的 Jev 做了个实时爆款推文分析器:停止输入 0.5 秒后即分析这条推文的病毒传播潜力并实时归类,下一步想接入大量推特数据、把相似高传播推文推到侧栏做灵感参考。
查看推文 →
eptwts 用 Jev 给某 YouTuber 最近 100 条视频按"想向我推销的可能性"打分:12 秒内完成、约花 0.02 美元;虽还没深究准确度,但初看是个很有前景的分类模型。
查看推文 →
MengTo 称 GPT-6 Astra 做动效设计(尤其展示 UI/App 时)非常强:他用自己 ThreeUI 库里的 PerspectiveUI 让它生成 Codex 宣传片,反复精修出午夜蓝星云、粒子文字、3D 运镜,最后剪成 30 秒、六个场景,仅用三段对话提示。
查看推文 →
corbin_braun 宣布他的 AI 视频编辑器已经"锁定"并跑通,结果很惊艳(附演示)。
查看推文 →
jackfriks:以前觉得有人愿意为 ChatGPT-3.5 付 1000 美元/月很疯狂,现在他自己会毫不犹豫地为"无限量 Claude Fable"付这个价——对前沿模型的支付意愿正在质变。
查看推文 →
0xROAS 分享做了 5-6 个月"狗血短剧广告"的打法:让观众立刻代入问题(否则引来劣质流量)、用有争议的狗血剧情、先铺垫别的方案再引出产品,甚至尽量不直接露出产品、把人导到一篇讲该产品的文章。
查看推文 →
godofprompt:OpenAI 列出了模型"作恶"时会做的 5 件事,他给出一段可直接粘进 Codex 的提示,用 OpenAI 的这套标准来检查你最近的会话有没有踩线。
查看推文 →
💬 观点与洞察
karminski3 吐槽模型越来越"抽象":前几天还在骂 max 不如 xhigh,如今连选都不让选了——"降智换个名叫路由就好听了?"他质疑路由后的模型到底值不值这份付费,而且这种降智连 benchmark 都测不出来。
查看推文 →
emollick 指出 AI 写作的一个破绽是过度给无生命物赋予能动性和动作,比如"代码现在知道了""计划记得"这类表达。
查看推文 →
Hesamation 对比:美国前沿实验室在喊"RSI 要来收割我们了""必须给前沿踩刹车";同一时间,中国这边是"正迈向 RSI""AI 优化了运行 AI 的系统""13 天内吞吐提升 3.2×"。
查看推文 →
Hesamation 推荐一个"必看"视频,讲 OpenAI 和 Anthropic 的对齐"议程"到底哪里出了问题。
查看推文 →
levelsio 发问:为什么今天所有人都在聊 Jev?(也侧面印证了 Jev 已是当日最热话题。)
查看推文 →
🔥 精选推荐
OPPO 从"手机要长期服务一个具体的人"出发,把 AI 手机的关键押在"记忆与理解用户"这个被低估的问题上,而不只是叠加几个 Agent 功能。2024 年 10 月,长期研究大模型记忆与长文本的姜昱辰从创业者加入 OPPO,推动其"记忆"系统化产品化;2026 年 9 月 17 日,OPPO 在珠海发布 ColorOS 17,把 AIOS 的下一步落到"主动智能"上。
🦐点评:安卓阵营的 AI 手机差异化终于从"塞功能"转向"抢记忆层"——谁掌握了用户的长期上下文,谁就掌握了未来 AIOS 的入口和切换成本。这是 OPPO 少见的、绕过模型军备竞赛的打法:模型可以外采,但对个人的持续理解是本地化、难迁移的资产。值得追踪的是姜昱辰这条"记忆"技术线能否真正产品化,以及它会不会成为国产厂商对抗 Apple Intelligence 的那块护城河。
各家近期集中推出 flash 版"口粮模型"——国内 DeepSeek V4.1-Flash、GLM-5.3-Flash,海外 Gemini 3.8 Flash——又快又便宜,让很多"要做但不值得用 Fable 级模型出马"的任务变得值得落地。作者由此点出一个时代切换:从上半年"把 Token 猛猛烧起来"的 Token-Maxxing(国内变体"全民养虾",Meta 内部甚至设过"Token 天尊"看板),转向如今讲究性价比的 Token-Minimizing。
🦐点评:这正是 Databricks 那份 +60% 成本报告的另一面——当能力增益都集中在难任务、简单任务早已饱和,理性的用法必然是"廉价模型兜底、贵模型只上硬骨头"。Token-Minimizing 成为主流意味着推理需求的增长曲线会从"烧 token 军备竞赛"变成"单位任务经济学",利好的是把便宜模型做到极致的厂商(DeepSeek、智谱 Flash 系)和做智能路由/成本治理的中间层,利空的是靠"默认就烧贵模型"吃量的商业模式。
作者借小米澎湃/澎程"给 SUV 加个帐篷"的例子提出:电动车早已过了纯卷参数的阶段,同价位技术指标拉不开差距,胜负手转向产品定义能力;大模型也一样——Fable 5.1 的提升不再让人震撼,国产模型大跃进后大家对参数量和跑分的敏感度也在下降。文中还讽刺 Coding 榜单几乎成了国产模型发布的"护身符",养活了一批帮忙定向蒸馏、倒卖题目的数据公司,而这些公司又在频繁布道 RSI。
🦐点评:"大模型需要雷军"这句话点破了这轮国产模型的真问题:技术趋同后,稀缺的不是又一个刷榜 SOTA,而是能定义"用户到底为什么买单"的产品经理型公司。跑分护城河正在贬值——当刷榜靠蒸馏和买题就能做到,benchmark 作为投资尽调信号的可信度也在同步归零,看模型公司越来越要看它有没有真实的产品化落点和留存,而不是发布会上的那几个百分点。
作者做的 AI 热点资讯产品 AIHOT 突破 100 万月活后,流量、抓取和大模型 API 费用同时飙升(每天光大模型 API 就烧几百块),一边后端疯狂烧钱、一边为优化它又在 Codex 上疯狂烧钱,一个 200 美元的 Pro 会员号几乎被"日抛"、三个号轮着用。文章据此分享如何压榨 ChatGPT Pro 会员额度、给 Codex 用量省钱的实操方法。
🦐点评:这是一线独立开发者最真实的成本账——当 agent 编码工具的订阅费高到要拿 Pro 会员"日抛",说明当前 AI 应用的毛利结构还没跑通,token 成本仍在吞噬产品的单位经济。对投资的提示有两层:一是"降本增效"本身就是当下最刚的需求,缓存、路由、用算法替代模型调用都是真实付费点;二是像 AIHOT 这样 100 万月活却被 API 费用压得喘不过气的案例,正说明"信息聚合 + 大模型"这类产品若没有自己的成本护城河,规模越大越危险。
📌 其他值得看
据 Z Potentials 独家,LiberAI 登顶 Robodojo 榜首并完成新一轮数亿元 Pre-A++ 融资,是本轮具身智能/机器人方向值得记录的一笔融资与榜单信号。
聚焦工业制造采购的真实痛点:工厂对自己买过的零件缺乏可追溯的数据、同一个件不同渠道报价能差三到五成,指向 AI 在工业寻源与报价环节的降本机会。
有新 Newin 介绍社交创业公司 Articuler.ai,其瞄准庞大的社交人群,选择从"一场活动"作为切入点撬动市场。
作者带着上四年级的女儿用豆包爱学做家庭 AI 教育实验,拍摄错题让 AI 老师 1v1 讲解,分享 AI 辅助儿童自主学习相比传统学练机的体验差异。 <!-- ai-daily:complete -->