⼤家好，Weekly Gradient第 95 期已送达，本期内容深入探讨AI智能体的技术架构演进，涵盖OpenClaw的双源记忆系统、LangChain的智能体运行时与可观测性平台，分析本地优先架构、Agent Teams协作模式及开源工具在智能体部署中的应用实践。
聚焦 AI 行业的商业化路径、市场竞争格局和商业模式创新，包含投资趋势、GTM 策略、SaaS 转型等商业话题。
OpenAI这次真的把性价比卷出新高度了！他们刚发布的GPT-5.4 nano和mini模型，不仅性能更强，价格还便宜得让人惊喜。nano模型在最大推理强度下，居然比之前的GPT-5 mini表现更好，速度还快了两倍，这效率提升太实在了。最震撼的是价格：输入每百万token只要0.20美元，输出每百万token也才1.25美元，比Google的Gemini 3.1 Flash-Lite还要便宜。这意味着什么？用nano模型描述76000张照片，总共花费大约52美元就能搞定，大规模图像处理突然变得这么亲民。他们还做了创意图像生成的对比实验，展示了不同模型和推理级别的实际效果差异，让你直观看到钱花在哪里、效果差在哪里。
探索 AI 原生产品的设计范式与用户体验革新，强调产品哲学、交互模式、Agent 产品设计等。
LangChain这次推出的LangSmith Fleet真是瞄准了企业AI应用的实际痛点！它让团队用自然语言就能轻松构建智能体，还特别强化了权限控制和审批流程——谁可以编辑、谁可以运行、哪些操作需要人工审核，都安排得明明白白。最棒的是，所有操作都能通过现有的可观测性基础设施进行审计，既保证了协作效率，又不会牺牲治理的严谨性。这工具简直就是为那些需要规模化部署AI智能体的团队量身定制的，看来LangChain在帮助企业落地AI应用方面又迈出了扎实的一步。
嘿，有个挺酷的新消息！Anthropic那边刚通过Claude Cowork推出了一个叫“Dispatch”的新功能，目前还在研究预览阶段。简单来说，这个功能让你能在电脑本地运行一个Claude智能体，然后从手机给它发消息，随时保持对话。最棒的是，你离开电脑后，它还能继续处理任务，等你回来接着聊。这完全符合最近讨论的本地优先工作流趋势，感觉AI辅助工作正变得越来越无缝和自主，以后可能真能有个24小时在线的AI伙伴帮你打理事情了。
OpenAI刚刚在推特上宣布GPT-5.4 mini正式上线了！这个新模型现在已经在ChatGPT、Codex和API里都能用到了。最让人兴奋的是，它在编码任务、日常电脑使用、多模态理解这些方面都做了专门优化，还能作为子代理运行。更厉害的是，速度比之前的GPT-5 mini快了两倍，这效率提升太明显了。看得出来OpenAI在持续打磨产品体验，让开发者和普通用户都能更顺畅地使用AI能力。
嘿，这期播客聊得真有意思！宇豪分享了他们团队从 Kuse.ai 到 Junior.so 的创业故事，最让我惊讶的是，他们没拿融资就做到了千万美金 ARR，秘诀居然是调整定价策略——从固定收费转向按量付费，这招在 Agent 时代特别管用，因为任务复杂度差异太大，固定定价容易让成本失控。更酷的是他们对 AI 员工的定义：Junior 不是简单的私人助手，而是有独立 Gmail 和手机号的“数字劳动力”，能像真人员工一样在互联网上自主干活。他们还强调企业级 AI 需要构建组织记忆系统，得理解公司内部的关系、项目历史和数据边界，不能和个人助手混为一谈。不过宇豪也泼了盆冷水：当 AI 能 7x24 小时高频响应时，人类反而成了协作流中的效率瓶颈，这简直是对我们工作方式的颠覆性预警！
Y Combinator最新访谈里，Emergent那对双胞胎创始人聊得真带劲！他们公司增长飞快，但最酷的是，80%的用户压根儿不懂编程——经理、心理学家、企业主都在用他们的平台捣鼓正经应用。这对兄弟从Google和Amazon出来，没走寻常路：别人忙着打磨漂亮界面时，他们吭哧吭哧先啃最硬的骨头，自建Kubernetes、搞多智能体系统，结果在SWE-bench排行榜上直接冲到了前面。他们管这叫‘后来者优势’，每一代新模型出来，都重新想一遍怎么做事。现在平台跑着700万个用户建的应用，其中两成已经是‘智能体化’的——AI自己就能驱动工作流，不用人插手。他们特别强调‘智能体体验’和用户体验一样重要，把复杂东西藏起来给普通人用，但给AI智能体留足发挥空间。听着是不是觉得SaaS要变天了？连马术治疗应用都能被临床心理学家随手搭出来，这波AI平民化浪潮，可能真要把写代码这事儿变成历史了。
涵盖 AI 工程技术实现与场景化开发的全流程，包含 Agent 工程架构、工具实践、上下文工程等核心技术话题。
微信团队这次玩得真够硬核的！他们居然把NVIDIA那个专门为GPU设计的Cagra向量检索算法，直接搬到了视频号推荐系统里。这可不是简单套用，原版算法在生产环境里问题一大堆，内存占用高得吓人。团队自己动手改造，搞了个渐进式子图优化，把内存依赖降下来，还设计了三层存储架构，像LSM-Tree那样分层处理数据，让新来的视频能快速进入系统，又不影响整体检索速度。最厉害的是他们解决了CPU和GPU配合的老大难问题，通过链式广播唤醒机制，把跨线程通信开销砍了一大截，单机吞吐量直接飙升65%。结果呢？建库时间缩短到原来的三十分之一，计算资源省了一半多，推荐效果还更准了。这波操作完美展示了怎么把前沿算法落地到亿级用户的实际业务中，每一步优化都踩在痛点上。
阿里数据团队搞了个挺厉害的东西，叫Logics-Parsing V2，专门解决那些传统OCR搞不定的复杂文档。比如你拍张学术论文或者财务报表的照片，它不仅能认出字，还能理解里面的逻辑结构，直接给你转成带格式的HTML或Markdown，保留了文档的原始意思。更酷的是，它连乐谱、思维导图甚至代码块都能解析，那些复杂的化学分子式和五线谱符号也难不倒它。技术上用了两阶段训练加布局强化学习，通过设计多维度奖励来提升模型对复杂版面的理解能力。虽然功能这么强，但团队把模型参数优化到了4B，在保持高性能的同时还提升了推理速度，在权威评测里拿了SOTA成绩，看来是既精准又实用，离实际应用更近了。
如果你也在头疼AI Agent怎么老是记不住事儿，每次对话都得从头说起，那OpenClaw这套方案可太值得琢磨了。它把‘上下文’和‘记忆’分得清清楚楚——上下文就是个临时工作台，用完就扔；记忆才是真正存进硬盘的知识库，能跨会话随时调取。最妙的是它搞了个‘双源记忆’：一边用JSONL原汁原味记录所有对话细节，另一边用Markdown存放提炼后的精华知识，就像人脑既记得具体经历又能总结出经验。更聪明的是那个Memory Flush机制，眼看对话快超出Token限制了，系统会主动让Agent自己判断‘哪些信息值得永久记住’，自动把关键内容压缩保存，完美解决了信息流失的老大难。检索层面也玩得很溜，直接在轻量级的SQLite上嫁接向量搜索和关键词搜索，按7:3比例混合加权，既抓语义关联又保精确匹配，不用折腾复杂数据库就能大幅提升召回准确率。不过别以为有了记忆系统就能省多少钱，文章也老实交代了——系统提示词、工具定义这些固定开销，加上检索过程本身产生的额外Token，成本依然居高不下。这套从架构设计到代码落地的完整思路，确实给AI记忆难题提供了个扎实的工程范本。
嘿，如果你对构建真正能用的AI助理系统感兴趣，那这篇拆解OpenClaw的文章可别错过。它最酷的地方在于采用了“本地优先”的架构，用一个统一的Gateway网关来管理所有设备连接和消息路由，让系统既能在本地高效运行，又能灵活跨设备协作。文章深入剖析了三大核心模块：那个叫Agentic Loop的推理循环，简直是系统的大脑，通过事件驱动自动处理LLM调用和工具执行，还能智能应对上下文溢出和重试；定时任务系统则通过心跳机制让AI具备了拟人化的主动交互能力，能在后台默默处理长任务或定时提醒；最让人安心的是它的工具系统，设计了足足七层安全策略流水线，结合Docker沙箱，严格锁死了AI对敏感资源的访问权限。整篇文章还特别强调了OpenClaw是用AI-Coding范式构建的，展示了在软件工程自动化方面的前沿实践。读完你会对如何设计一个既智能又安全的AI系统有更扎实的理解。
Facebook在Reels里悄悄上线了一个叫“好友气泡”的功能，专门推送你好友互动过的短视频。这背后可不简单，他们用了两个模型来算你和朋友到底有多“铁”：一个靠问卷调查了解现实关系，另一个直接分析你们在平台上的互动数据。更厉害的是，他们把这种社交信号直接塞进了排序模型里，让算法能边学边优化，既考虑视频本身好不好看，也照顾你和朋友之间的连接。为了让你刷得顺滑，工程师们还搞了不少小动作，比如提前加载视频信息、根据手机性能智能开关动画，生怕卡一下影响体验。这种把社交关系和推荐系统深度绑定的做法，确实让刷视频多了点人情味。
你有没有遇到过这种情况：明明给Agent开发了功能正确的工具，它却总是调不对、用不好？这篇文章就直击了这个痛点。它告诉我们，问题根源在于我们还在用设计给人用的API那套思路，而Agent其实是个特殊的“用户”——它只能通过工具的名字、描述和参数定义来理解世界。所以，工具设计本质上是在给AI设计用户界面，核心目标不是技术多牛，而是怎么降低它的认知负担。文章里干货满满，比如工具定义会挤占模型的“思考内存”，太多工具（超过20个）反而会让模型变笨；给工具起名和写描述时，必须做到“防呆式”的清晰，动词打头、场景明确，因为Agent可不懂潜台词；设计输入参数时要“外紧内松”，对Agent输出严格约束，但代码实现上得宽容处理它的各种小偏差。还特别提到了MCP协议的价值，它就像个万能适配器，让工具一次开发就能对接不同的大模型，解决了N×M的适配噩梦。字节跳动TRAE团队的这些实战经验，算是给想做好MCP工具的朋友们指了条明路。
Meta搞了个叫REA的排序工程师智能体，这玩意儿可太酷了！它不再是那种你问一句它答一句的AI助手，而是能自己管好几个星期ML实验的‘全自动管家’。最厉害的是它有个‘休眠唤醒’机制，训练任务跑几天，它就安心‘睡觉’省资源，任务一完成立马‘起床’接着干。它生成实验想法也特别聪明，一边翻历史数据库看过去啥管用啥不管用，一边还能结合最新的研究，经常能发现人类工程师都想不到的优化点子。整个实验过程它规划得明明白白，先验证单个想法，再把有希望的组合起来，最后在工程师给的预算里使劲优化最好的方案。更省心的是，遇到训练报错或者内存不够这些破事儿，它自己会查操作手册去调试，不用人插手，整个流程一点不耽误。结果呢？直接把生产广告模型的准确率翻了一倍，小团队现在能管的模型数量也蹭蹭往上涨，工程师们终于能从琐碎的执行里抽身，多想想战略大事了。
最近看到一篇对Anthropic开源Skill框架的深度解析，真是让人眼前一亮。它完全颠覆了传统给AI注册一堆API接口的做法，核心思路是“教AI知识”——通过SKILL.md文档向大模型注入技能说明，让AI自己学会在隔离沙箱里编写和执行脚本。文章详细拆解了从声明到执行的7步完整链路，特别提到skill_run工具通过哈希和只读保护确保安全，还有三层信息注入模型能智能地按需加载内容，据说能省下近一半的Token消耗。更实用的是，作者归纳出五种Skill执行模式，从简单的提示词约束到复杂的多Agent编排，几乎覆盖了各种开发场景。如果你正在构建AI Agent系统，这套工程实践绝对值得细读。
这篇文章讲透了Agent架构演进的底层逻辑，原来那些复杂的Agent、Skills、Teams设计，本质上都是在给大模型“补课”——模型自己记不住、学不全，工程师们就想办法用RAG、Workflow这些工程手段给它外挂知识和记忆。文章对比了四种主流模式：Single Agent简单但容易“内存爆炸”；Multi-Agent能分工作战但沟通成本太高；Agent Skills把技能打包成文件按需加载，既稳定又灵活；Agent Teams则像一支探险队，在完全没地图的复杂场景里并行探索、共享情报，靠多样性碰撞出最优解。最值得琢磨的是那个“奥卡姆剃刀”选型原则：别盲目堆Agent数量，实验数据显示，当单智能体成功率超过45%时，加再多协同机制收益也有限，关键得根据任务复杂度、模型基础能力和通信成本科学选择架构。如果你正在纠结该用哪种Agent架构，或者好奇为什么Agent设计不是越复杂越好，这篇文章的递进式选型建议绝对能帮你理清思路。
现在大家都在说AI要有“人味儿”，但到底怎么才算有“人味儿”？这篇文章给出了一个特别实在的答案。它讲的是HeartBench这个评测体系怎么一步步建起来的，把那些听起来很虚的情感、社交能力拆解成可以具体测量的指标。最精彩的部分是复盘从v0.1到v1.0踩过的坑——题目设计不好区分、专家打分不一致、规模大了质量就失控，还有合规问题导致返工，这些真实经历对做AI评测的团队太有用了。文章的核心思路很清晰：先小范围验证可行性，然后人机协作扩大规模，最后用人工盲测来检验AI打分的可靠性，把主观性很强的人文评测变成了可重复的工程流程。如果你正在头疼怎么评估AI的“人性化”程度，或者想了解怎么建立可靠的评测体系，这篇文章里的方法论和实战经验绝对值得一看。
如果你一直想亲手搭建一个真正能干活、有记忆的AI助手，这篇文章简直是为你量身定做的。它手把手教你用完全开源的工具——Nvidia的模型和运行时，加上LangChain的框架，从头构建一个功能完整的智能体。最酷的是，它不只是调用API，而是让你掌控整个流程：用OpenShell给代码执行套上安全锁，防止AI乱来；用Deep Agents框架自动处理繁琐的上下文，让智能体记住之前的对话；还能通过混合后端实现持久化记忆，下次唤醒时它依然认得你。读完你会觉得，原来打造一个安全、可控、能迭代学习的AI伙伴，并没有想象中那么遥远。
MiniMax M2.7这次更新有点意思，它不再只是被动接受训练，而是自己动手迭代自己了。模型通过一套复杂的Agent Harness系统，能主动收集反馈、建立评测集，然后执行分析、规划、修改、评测的闭环，这相当于让AI拥有了自我优化的能力。更厉害的是，它在软件工程领域已经能做到SRE级别的故障排障了，不仅能关联监控指标做因果推理，还能主动连接数据库验证根因，执行非阻塞修复，据说能把故障恢复时间压到三分钟以内。它还原生支持多智能体协作，把角色边界、对抗性推理这些复杂逻辑内化，能自主在复杂状态机里做决策，完成像产品原型开发这样的组织级任务。办公能力也进化了，现在能处理多轮Office文件的高保真编辑，还能像初级分析师一样独立完成金融研报的建模和产出。这波更新感觉是把AI从工具向真正能参与复杂工作流的伙伴又推进了一大步。
嘿，这期AI动态真是干货满满！Anthropic终于出手了，推出了Claude Cowork来跟OpenClaw掰手腕，专门搞远程控制和智能体能力，还特别强调安全沙盒，看来是要补上自家生态的短板。OpenAI那边也没闲着，不卷大模型了，反而发布了GPT-5.4 mini和nano这种小巧精悍的模型，速度提升2倍，上下文窗口有400k，专攻编码效率和子智能体性能，明显是要抢占效率优先的市场。更关键的是，整个智能体基础设施正在升级，不再是简单的聊天界面了，像LangSmith Sandboxes和Open SWE这些工具，都在打造安全的代码执行环境和可组合的工作流，让智能体能更自主、更安全地干活。技术研究上也有新突破，Mamba-3和注意力残差这些架构，正在挑战Transformer的瓶颈，通过混合模型和垂直注意力来提高推理效率，还不牺牲性能。最后，本地AI开发也越来越亲民了，Unsloth Studio和Mistral Small 4这些工具，让开发者能用更少的VRAM、更好的界面在本地训练和运行大模型，真是方便多了。
嘿，有个挺酷的消息！Harrison Chase 在推文里分享了 LangChain 刚发布的一个完全开源的后台编程代理 “Open-SWE”，还直接附上了 GitHub 链接，这下开发者们可以立刻上手体验了。更棒的是，他特别提到 Kishan Dahya 那篇关于编程代理心智模型的文章，在开发过程中起到了关键参考作用，这让我们不仅能拿到代码，还能深入理解背后的设计理念。如果你对 AI 工程或自动化编程感兴趣，这绝对是个值得关注的项目，开源的力量加上清晰的思路，感觉能帮我们省不少事儿呢！
Harrison Chase刚宣布开源编程代理，就立刻来了个技术大揭秘！他用Kishan Dahya的分析框架把LangChain代理的构建方式拆解得明明白白——从核心框架用的deepagents，到沙盒环境整合LangSmith、E2B、Daytona.io，再到网页搜索、deepagents这些工具，还有上下文工程、子代理和中间件这些编排技巧，连怎么通过Slack、Linear、GitHub调用都讲清楚了。这简直是给想自己动手搞AI编程代理的开发者送上的技术宝典，干货满满！
LangChain创始人Harrison Chase刚刚宣布要发布一款完全开源的云端编程代理，这消息挺让人兴奋的！他提到像Stripe、Ramp和Coinbase这些顶尖的工程团队其实已经在内部悄悄开发类似工具了，看来用AI辅助编程正在成为行业标配。Chase认为每家公司都应该能享受到云端代理带来的效率提升，而LangChain这次开源就是要让这个能力变得触手可及。这意味着那些原本只有大厂才能玩转的AI开发工具，现在正在快速走向普及化，对中小团队来说绝对是个好消息。
如果你正想把AI从聊天玩具变成真正的数字员工，这篇OpenClaw大师课简直是手把手教学。它把整个过程拆解成10个可操作的步骤，核心思路特别清晰：先让AI学会看说明书——把官方文档喂给它当知识库，这样它回答问题时就不容易胡编乱造了。接着要解决AI的“健忘症”，通过一个叫memory.md的文件和特定压缩设置，让它的记忆能长期保存并持续进化。最实用的可能是那个模型回退链配置，主用OpenAI，备用Anthropic，就算一个服务挂了也不影响工作。安全方面强调要像带新员工一样，先在本地部署，再逐步开放Gmail、CRM这些敏感工具的权限。最后用“心跳”机制让AI每30分钟自动执行记忆维护等后台任务，真正实现7x24小时无人值守。看完你会发现，把AI变成生产力工具的关键，其实是一套严谨的工程化思维。
最近看到一篇挺有意思的文章，把OpenAI提出的Harness Engineering概念和控制论的历史脉络联系起来了。文章说，从瓦特那个著名的离心调速器，到我们现在用的Kubernetes控制器，再到如今搞AI Agent开发，本质上都是在做同一件事：构建传感器和执行器来闭合反馈回路。现在工程师面临的挑战变了，不再是吭哧吭哧写代码，而是要把那些架构决策、代码规范、质量标准这些“隐性知识”编码进系统环境里。Agent为啥会失败？往往不是模型能力不行，而是我们人类没把脑子里那些“这代码写得好不好”的判断标准变成机器能读懂的规则。所以未来工程师的核心竞争力得转向系统设计、环境构建，还有怎么高效评估AI产出的质量。这感觉就像是从“拧阀门”的工人变成了“掌舵”的船长，挺形象的。
最近OpenClaw的核心框架Pi火了，它直接挑战了Claude Code这类商业工具的设计思路。Pi的作者Mario Zechner觉得，那些工具总在后台偷偷更新系统提示词，搞得开发者工作流动不动就崩，太不稳定了。所以Pi走了个极简路线：系统提示词不到1000个token，只配四个核心工具，什么内置子Agent、复杂规划模式统统不要。Mario认为大模型本来就是台通用计算机，我们应该像写代码一样去写prompt——把状态、控制流都明明白白存到Markdown文件里，这样既能绕过上下文衰减，又能让开发者完全掌控AI的行为。他还吐槽了现在很多Coding Agent的权限系统就是个“安全剧场”，弹窗弹到用户手酸，最后大家还不是直接点“允许”？真要有安全，不如用Docker物理隔离。Pi这套理念挺颠覆的，它不追求Agent替你做所有决策，而是把代码库当成唯一的真相来源，让Agent每次从零探索，开发者则站在指挥中心，清晰看到每一步探索过程。如果你也受够了黑盒化的AI编程工具，Pi这种“做减法”的思路或许能给你带来些新启发。
最近听了LangChain创始人Harrison Chase的深度分享，感觉对AI智能体的理解又进了一步。他提出了一个挺颠覆的观点：决定智能体表现上限的，可能不是模型本身，而是那个管理它如何与环境交互的“外壳程序”。这就像给AI装了个操作系统，负责规划任务、调用工具、管理记忆，这才是实现差异化体验的关键。他还详细拆解了现代智能体的五大组件，从系统提示词到文件系统，每个都挺有启发性。特别有意思的是，他认为代码会成为长程智能体的通用语言——因为LLM在代码上的训练让它处理复杂逻辑时比自然语言更可靠。记忆系统也被分成了三种类型，其中“程序记忆”能让智能体通过修改配置文件来更新行为，实现自我进化。对企业来说，Harrison建议别太纠结于框架选型，真正该积累的是特定领域的指令和工具集，这些才是跨框架通用的核心资产。最后他强调了可观测性的重要性：由于LLM的非确定性，必须通过全链路追踪和持续评估，才能让智能体从Demo走向真正的生产环境。听完感觉对智能体开发的工程实践有了更清晰的图景。
行业前沿与开源生态，整合行业深度洞察与开源技术动态的复合型主题，技术哲学、AGI 讨论、领袖观点。
这期内容真是信息量爆炸！吴恩达提醒我们，在AI浪潮中别只顾着追技术，建立人脉和培养可叠加的技能才是真正的护城河。更让人紧张的是，伊朗无人机居然攻击了AWS数据中心，原来物理基础设施也成了战场前线，AI系统正把战争节奏加速到“机器速度”。不过也有好消息，阿里发布的Qwen3.5模型家族太惊艳了，小尺寸模型性能居然能碾压大模型，看来参数规模不再是决定性能的唯一标准。
前Meta研究员田渊栋这次访谈真是戳中了不少痛点。他提出的‘费米线’概念特别有意思——AI正在不断上移能力边界，那些重复性技能的价值正在归零，未来只有具备独特创造力和深层问题解决能力的人才能生存。他还毫不客气地批评了大厂的组织病变，层层汇报导致信息失真，高层决策脱离实际，团队只能陷入激进的追赶和‘Hack’式开发。更让人深思的是他对当前AI架构的质疑，Transformer架构已经十年没变了，线性注意力根本替代不了全注意力，现有的概率模型也模拟不了人类的‘顿悟’瞬间。他反复强调盲目堆砌算力就是偷懒，真正该做的是‘打开黑箱’，理解智能涌现背后的物理机制。最后那个观点特别触动我：AI可以生成内容，但永远无法模拟人类表达的动因和感动的瞬间，垂直深度和独特品味才是我们最后的护城河。
Andrej Karpathy最近分享了他完全放弃手写代码、进入“AI精神官能症”状态的有趣经历。他现在就像个指挥官，同时指挥多个智能体并行工作，把生产力瓶颈从打字速度变成了Token吞吐量。他还展示了智能体如何接管智能家居，以及“AutoResearch”这种递归自我改进的模型，居然在超参数微调上超越了他二十年的研究经验。Karpathy特别提到AI在可验证领域（比如代码）和非可验证领域（比如幽默感）之间的智能差异，还讨论了开源与闭源模型的平衡。基于“杰文斯悖论”，他预言软件工程会因为成本降低而迎来需求大爆炸，最后还大胆预测教育模式会从“人教人”转向“代理导向”，未来知识可能都得为AI代理编写，让它们以个性化、无限耐心的方式教我们。这简直是把传统教学模式给颠覆了！
a16z两位大佬最近聊了个超有意思的话题：在数字时代，企业该怎么玩转媒体？他们直接开炮说，传统那种小心翼翼、总想控制信息的公关模式早就过时了。现在得用“淹没区域”策略——与其被动防守，不如主动出击，用海量有趣的内容把负面声音冲淡。他们特别强调，创始人亲自上阵比包装完美的企业形象管用多了，真实甚至带点争议的观点反而更吸引人。还提到播客这类长篇内容能防止观点被断章取义，甚至把军事上的OODA循环搬过来，用速度碾压传统媒体的反应周期。最酷的是a16z自己搞的“媒体即服务”，直接给投资公司配专业团队做内容、搞分发，把媒体变成增长引擎。这整套思路简直是把公关从成本中心变成了战略武器。
硅谷传奇人物Marc Andreessen这次分享的观点真的让人耳目一新！他提出顶级创业者有个反直觉的超能力叫“零内省”——那些最成功的创始人很少纠结于自我批判或回顾过去，这种特质让他们在剧烈变化中保持情绪稳定，专注眼前建设。更颠覆的是，他认为21世纪应该回归“创始人管理模式”，在技术颠覆期，训练创始人掌握管理技能比教职业经理人创新要靠谱得多。他还揭秘了a16z如何借鉴好莱坞经纪公司的“方阵”模式，把风投从孤狼式个体行为变成规模化服务平台。最震撼的是对马斯克工作流的解析——每5分钟一个决策、直接与一线工程师沟通，这种极速迭代循环简直是行业降维打击的杀手锏。听完这些，你会重新思考什么才是真正高效的管理。
硅谷现在是不是被大语言模型给“催眠”了？华人AI学者谢赛宁在访谈里提出了一个相当尖锐的观点。他认为LLM本质上只是依赖人类语言抽象的“虚拟智能”，在理解物理世界上存在根本缺陷——语言就像一种“鸦片”，会污染模型对真实世界的感知。他和图灵奖得主Yann LeCun创立的AMI Labs正在走一条完全不同的路：不预测下一个字符，而是预测环境的下一状态，构建能真正理解物理动力学的“世界模型”。更让人深思的是，谢赛宁觉得我们整天讨论AGI可能有点自大了，真正的智能挑战其实是让AI像松鼠一样在物理世界生存。他们的组织模式也挺特别，采取去中心化联盟，想用非互联网的“隐形数据”来打破硅谷的LLM霸权。这访谈确实在提醒我们，AI的未来可能不在文本里，而在我们每天触摸的真实世界里。
谢赛宁这次访谈真是把硅谷的LLM狂热给戳破了！他直指现在大家都沉迷于语言模型，却忘了真正的智能需要理解物理世界——就像机器人要能预测杯子掉下来会碎，光靠文字描述可不够。他坚持了十几年的表征学习，从ResNeXt到DiT，核心就是让AI从混乱数据里提取出有意义的模式，这比单纯玩文字游戏更接近通用智能的本质。最让人共鸣的是他对科研的看法：别总想着在热门赛道上卷排名，真正厉害的是能定义出别人没发现的关键问题。他正在做的世界模型也不是简单的视频生成器，而是要让AI能推理、能规划、能记住过去，还能安全地帮我们做决策。听完这场对话，你会觉得AI的未来远不止聊天机器人那么简单。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。