📌 X/TWITTER
Roblox 产品负责人 Peter Yang
分享了他与 Ryan Carson 的最新访谈。Ryan 用 AI agent 一个人运营整家创业公司：OpenClaw 作为 AI 幕僚长处理邮件、安排会议和销售外联，Codex 和 Devin 作为 AI 工程团队在睡觉时交付功能。Ryan 的核心经验：“前期花大量时间设置好你的 skills 和文档，然后你就能突然释放出 10 个人的工作量。“他还建议把 agent 当作真正的员工——给它真实的邮箱地址、日历权限和 GitHub 账号。
另一条推文中，Peter 引用了一位筹集了 200 万美元种子轮但暂时不打算招人的创始人：“AI agent 的入职速度比人类快得多，而且能保留所有训练数据，可以在使用中不断改进。”
- https://x.com/petergyang/status/2058555226479866312
- https://x.com/petergyang/status/2058609058714968194
Google Gemini/Veo 产品负责人 Madhu Guru
CEO 们普遍患有 AI FOMO，但很多人和他们的副手已经习惯了"袖手旁观式"管理，缺乏亲自动手的肌肉记忆。于是他们给公司下达宽泛而不精确的 AI 指令，员工只能做出敷衍的低质量 demo。两年过去，毫无实质进展，而一个能亲力亲为的创业公司已经在颠覆你。
Anthropic Claude Code 团队成员 Thariq
关于 Bun 用 Zig 重写的讨论：他认为模型目前还不足以独立完成这类任务——Bun 的代码高度可验证且测试覆盖极好——但模型终将到达那个水平。他的核心观点是：遗留代码库将成为"蒸馏"代码到新形态的宝贵原材料。所有游戏应该跨平台，所有遗留软件应该能在 Web 上运行，我们不再需要 COBOL。
Vercel CEO Guillermo Rauch
“如何打造一个伟大的品牌？打造一个伟大的产品。“简短有力——品牌不是营销部门的事，而是产品本身的外溢。
Box CEO Aaron Levie
CEO 特别容易患上"AI 精神病”——因为他们距离真正创造价值的最后那一公里工作足够远。当他们试用 AI 时，只看到 happy path 的结果，很少考虑要让 agent 持续产出结果还需要做的十几二十件事。“看，我做了一个超棒的产品原型。“是的，但你没有在生产之前审查代码并修复一堆问题。“看，我生成了一份合同。“是的，但你没有在发给对方之前核验所有条款。CEO 能做的最好的事情，就是大量使用 AI，亲自弄清楚 agent 在企业中的真正意义，最终既看到巨大潜力，也理解背后的实际工作量。
FirstMark 合伙人 Matt Turck
引用 OpenAI 的 Yann Dubois 的观点：“如果我们把现在的模型冻结住，然后真正下功夫做好 harness（以及用更好的 harness 做训练），我认为人们会在每一个领域都真切感受到 AGI。“Matt 追问：AGI 是不是已经来了？
FPV Ventures 合伙人 Nikunj Kothari
分享了用 Claude Code 逆向工程网站 API 的实战经验：很多网站无法通过 DOM 或截图"确定性"地导航。他的方法是：让 Claude Code 配合 browser_harness（或原生 Playwright）嗅探网络请求，然后在页面上点击目标数据区域，Claude Code 能自动分析请求日志找出 API 结构和认证方式（大多数是 cookie based），通过试错发现速率限制。他已经在旅行 CLI、网站监控和多个副项目中使用了这个工作流。他的预测：每个网站很快都需要支持 headless 访问，我们需要 tools.txt（类似 llms.txt）来让 agent 发现可用的工具接口。
独立开发者 Zara Zhang
三个分享：(1) 发现了一个改变生活的 Mac app “Amphetamine”——比终端 caffeinate 命令更可靠易用，合上笔记本也能保持唤醒；(2) 遇到一位前工程经理朋友，她自愿转回 IC 角色，从未如此快乐，因为终于能重新亲手写代码了；(3) 注意到 OpenAI 正变得更加 open——Codex 是开源的。
- https://x.com/zarazhangrui/status/2058643577421631538
- https://x.com/zarazhangrui/status/2058640897236140034
- https://x.com/zarazhangrui/status/2058604604422815832
🎙️ 播客
Unsupervised Learning: Ep 86 — Yann LeCun 谈离开 Meta、打破 LLM 范式，以及为什么 Hinton 是错的
一句话要点： LLM 不是通往人类水平智能的路径——真正的 AI 需要能够预测行为后果并进行规划的世界模型，而这正是 LeCun 新公司 Ami 所追求的方向。
Yann LeCun 在接受 Jacob Efron 的访谈中，详细阐述了他对 AI 发展路径的根本分歧。虽然 LeCun 承认 LLM"非常有用，我也在用”，但他坚持认为这并非通往人类或动物级别智能的道路。他的核心论点：任何智能系统必须具备两个关键能力——预测自身行为后果的能力，以及通过搜索和优化来规划行动序列的能力。LLM 两者都不具备：它的推理只是一次预测一个 token，并非真正的搜索或规划。
这就是他创立 Ami（Advanced Machine Intelligence）的原因。Ami 致力于构建基于 JEPA（Joint Embedding Predictive Architecture，联合嵌入预测架构）的世界模型。与试图逐像素预测未来的生成模型不同，JEPA 在抽象的表示空间中做预测——就像人类不会逐像素想象一个水瓶倾倒的过程，而是在抽象层面预判结果。LeCun 指出，这种方法是受了认知科学中"系统二"思维的启发——那种审慎的、反思性的行为模式，而非本能反应。
关于离开 Meta，LeCun 澄清了许多误解：他从未直接参与 LLaMA 的技术开发——他唯一的贡献是力主 LLaMA 2 开源，在公司内部经历了长达数月的激烈辩论，最终确实"带动了整个 AI 产业”。真正让他离开的是 Meta 战略重心的转变：LLaMA 4 的失望表现导致组织重组、短期压力加剧，FAIR 的探索性研究空间被挤压。“公司越来越只关注 LLM，所有层级以下的人都觉得我的项目无关紧要——在政治上变得很困难。”
LeCun 给年轻研究者的建议：在学术阶段，应该做下一代 AI 系统，而不是当前这一代。“如果你在学术圈做 LLM，那极其无聊——基本就是在描述性地解释 LLM 为什么有效、有什么局限。这不是创造性的工作。而且你也没有足够的 GPU。”
他最推荐的一篇论文是 Le World Model，使用 SIGREG（sketch isotropic Gaussian regularization）方法来防止 JEPA 中的表示崩溃——这是联合嵌入架构的核心挑战。他说这个方法"超级有前景”。
通过 Follow Builders 生成: https://github.com/zarazhangrui/follow-builders