8 月 17 日 · AI 日報

Replit CEO Amjad Masad 寫了今天討論度最高的一條觀點貼，反駁"AI 在結構上會集中權力"這一流行論斷。

他的論證有三層。其一是歷史：說 AI 集中化是因為它現在很吃算力——這忽略了算力價效比 125 年來的超指數增長。演算法改進疊加硬體效率提升，意味著沒有理由假設 AGI 級別的能力將永遠需要一個數據中心才能執行。其二是對 scaling laws 的祛魅："縮放定律不是物理定律。它們只是在特定架構、目標函式、資料集等條件下觀察到的經驗關係。改變其中任何一個因素，你就會得到一條不同的縮放曲線。"其三是生物學類比：如果大腦可以作為參照，真正的 AGI 很可能是非常高效的。他甚至給了一個更尖銳的推論——當前的縮放定律可能是 bug 而非 feature，它反映的是我們迄今發現的機器學習演算法有多低效。

（順帶一提，這條貼在次日被 Every CEO Dan Shipper 引用，作為他反駁"權力集中假說"時的兩點反證之一。）

FPV Ventures 合夥人 Nikunj Kothari 講了一個很有畫面感的故事。上週他坐在一位處於隱身期的被投創始人對面，對方做的是一個"按灣區標準來說毫不性感"的領域。創始人在訴苦：那些能帶來可信度（以及收入和網路效應）的關鍵合同與合作，基本都卡在了一碼線上。這是一個高度碎片化的市場，而卡住的原因純粹是官僚主義——支持者、條款、一切都已就位，只是趕上夏天，加上某個隨機條款出了問題。這可能會讓他們無法達成雄心勃勃的時間表。

Kothari 說他坐在那裡越聽越想笑，最後真的笑出來了。對方問他笑什麼，他說："你知道別人要做成和你一樣的事，得花多長時間嗎？"

他的結論是：這種痛苦短期難受，長期卻會變成極強的護城河，創始人回頭會笑自己當初為幾天的延誤發愁。他同時劃了一條重要的界線——不必要的、996 式的表演型痛苦不是護城河，深度嵌入式的構建才是。

Vercel CEO Guillermo Rauch 提出了一個對前端生態相當重的評價："我認為人們沒有意識到 React 的成功有多大程度上其實是 @shadcn 的功勞。"

他復盤了自己過去的一個比喻：他曾把 React 稱作"成年人的樂高積木"，但現在他認為，React 更像是對積木幾何形狀的描述，是規格（spec），而不是積木本身。"shadcn 才是人們真正想從 React 那裡得到的東西：可複用的高品質元件，同時又是可調的。它是一個偽庫（pseudo-library）——裡面有程式碼，但這些程式碼實際上是為了被消化進你的上下文視窗、然後被重混而存在的。"

最後半句是這條推最有意思的地方：它把 shadcn "複製貼上而非依賴安裝"的分發方式，重新解釋成了一種為 LLM 而生的元件分發形態。

swyx（@smol_ai / @cognition / @aidotengineer）分享了一個圈外人可能會意外的觀察：作為一般規律，他一直很驚訝於頂級從業者之間實際見面/認識的頻率有多低。作為外來者，他原本以為所有人都待在秘密的光明會群聊裡——那種群聊確實存在，但屬於非常短命的例外而非常態。你看到的那些重大新聞，基本上也就是他們看到的全部。

他的解讀是：這說明大多數精力仍然花在做事本身，而不是經營敘事或打聽八卦。"在我職業生涯走到這麼遠的時候，這一點對我來說其實相當令人安心。"

Anthropic Claude Code 團隊的 Thariq 說，無損品質的水印（watermarking without quality loss）有點反直覺，"感覺上不應該能work"。於是他用 Claude 做了一個 artifact 來幫自己理解它的原理，並分享了出來。

這條本身資訊量不大，但它示範了一種正在變得普遍的用法：遇到反直覺的技術機制時，不是去讀論文，而是讓模型現場生成一個可互動的解釋裝置。

Dario Amodei 的表態今天在時間線上激起了兩次迴響。產品人 Peter Yang 表示 100% 同意 Dario 的觀點：用 AI 治癒疾病（以及加速醫療領域 AI 突破的監管審批）可能帶來的人類福祉，是其他所有事情加起來的 10 倍。 而 Every CEO Dan Shipper 的反應更簡短也更直白："Dario 應該多發推。"

• Madhu Guru（Meta AI 高階總監，此前在 Google 主導 Gemini、Veo、Nano Banana）："B2B 軟體再也沒有理由擁有如此糟糕的使用者體驗。得益於 AI，每一個軟體產品都能夠也應該做到和最好的消費級軟體一樣易用。" 🔗 https://x.com/realmadhuguru/status/2088710566689018103
• Garry Tan（YC 總裁兼 CEO）發了一劑"時間線淨化白藥丸"：作物產量逐年創紀錄、一路向右上方增長——這是市場與技術協同運轉數千年的產出。 🔗 https://x.com/garrytan/status/2088661047913914847
• Garry Tan 同日也在問一個很實際的問題：還有別人的 Codex 桌面端在聊天時報錯嗎？ 🔗 https://x.com/garrytan/status/2088642982614651196
• Peter Yang 預告了次日發布的新一期節目，嘉賓 @rileybrown 演示如何用 Codex 運營整個內容業務——最讓他驚豔的是 YouTube 縮圖工作流：先用 Codex 找出該垂類 100 張表現最好的縮圖並放進 Paper 畫布，再用 Paper 把這些縮圖和自己的照片反覆混搭直到滿意。 🔗 https://x.com/petergyang/status/2088626815166464507
• Peter Yang 還吐槽了 Grok Bot：他很喜歡這個產品，但 X 本應是它最具差異化的第一資料來源，而聯結器卻用不了，甚至無法在雲端電腦上登入 X。 🔗 https://x.com/petergyang/status/2088773343629750535
• Nan Yu（Linear 產品負責人）："這也是我的夢想。我想整天坐在公園裡和朋友們一起錄內容……然後讓一隊 AI 代理把這些內容變成行動和可執行的軟體。" 🔗 https://x.com/thenanyu/status/2088810666958196988
• Guillermo Rauch 轉發時只寫了四個字："遞迴自我改進。" 🔗 https://x.com/rauchg/status/2088838302367732178
• Aditya Agarwal（SPC 普通合夥人）在印度獨立 80 週年當天寫道：美國今年滿 250 歲，印度今天滿 80 歲——建設一個國家真的很難，美國走到 80 年時還在經歷內戰。 🔗 https://x.com/adityaag/status/2088734739893293175

節目：AI & I by Every（Best of the Pod，發布於 2026-08-05） 嘉賓：Sarah Tavel，Benchmark 合夥人，Pinterest 早期員工

這期的核心論點是一條關於技術成熟度與創始人型別的滑動條。Tavel 的觀察是：Google 是一支深度技術型的創始團隊——如果把"深度技術"到"產品天才"設為 0 到 100 的座標，Google 大概在 95% 那一端，它的價值幾乎全在後端那些讓複雜事情在前端變簡單的"魔法"裡。Facebook 往後挪了一點：技術深度不如 Google，但相對 Friendster 和 MySpace 更強，這讓它做出了真正流暢的體驗。再往後，Pinterest（她待過的地方）、Snap、Instagram——這些公司的 CEO 完全不是技術出身，他們是產品天才。

AI 目前處在哪一格：她認為迄今最大的消費級贏家是 ChatGPT，而 ChatGPT 在形態上"和 Google 並沒有那麼不同——就是一個文本框"。她對現狀的批評相當尖銳："Custom GPTs 和 ChatGPT 給我的感覺是犯罪級的（feels criminal to me）。它顯然出自一支能力強得難以置信、但沒有社交基因的團隊。"她認為"個人化"這一塊最好由真正理解人、社交與社群的團隊來表達。

為什麼滑動條會移動：主持人追問驅動力是什麼。她的回答是——大量的工具和基礎設施還沒建好，一個不夠深度技術的人還拿不到自己想要的東西。所以現在市面上很多產品彼此高度雷同（比如整個 Character AI 品類），因為沒有人在"鑽進模型的腦子裡去改造它以創造某種使用者體驗"這件事上具有獨特資格，同時成本也一直很高。她的一個假設是，DeepSeek 可能是這個門檻鬆動的轉折點。

她真正在等的東西：多人網路效應。她反覆強調，"單人模式"的天花板很低："我不認為 ChatGPT 是一個單人模式產品。"她期待有人做出一個 UGC 型社群，讓那些用得非常好的人，把門檻為其餘所有人降下來。她引用 Eugene Wei 的框架指出，多人社交產品往往需要一個社群北極星——參與者在網路中追逐某種地位（粉絲數、瀏覽量、按讚），正是這種地位追逐給了社群成員去做你希望他們做的事的動力。

兩個她忍不住好奇的具體方向。第一是 AI 伴侶：她認為我們都會有 AI 朋友，"我們和 AI 對話的次數很可能會超過和生活中真人對話的次數"，而這個平台大機率不同於 ChatGPT 那種知識導向的體驗（Replica 是第一個玩家，下游還有 Tolans 等）。第二是提示詞的社交化：她舉了自己的真例項子——拿到血檢結果後想知道現有的補劑裡哪些可以調整，最後是在 Reddit 上找到一個很好的 prompt 複製貼上過來的。"如果我不得不去一個並非為此用例而生的 UGC 網站，那對我來說就是機會所在。"她希望能關注某個特別擅長做健康類、量化自我類提示詞的人，然後一鍵把它應用到自己身上。

為什麼這次可能不算太早：主持人指出，GPT-3 和 ChatGPT 剛出來那波，很多人做過提示詞庫類站點，但太早了——"很多兩年前有人嘗試過的想法，現在才剛剛變得相關，會有第二次生命。" Tavel 補充了另一個當年失敗的原因：那批產品做的幾乎都是個體創業者和中小企業需要的東西，行銷和社媒類的 B2B 用例。而現實是大多數人還在勉強觸及表面——他們用 ChatGPT 的方式就像在用 Google，而更好的自定義指令、Projects 這些帶來的是階躍式的提升。"怎麼把這件事民主化？"

信任是 Custom GPTs 崩掉的地方：當被問到"如果現在重新設計一個有社交 DNA 的 Custom GPT，你從哪開始"，她給了兩步。第一步很基礎——能找到某個人（其提示詞你認可、且他有某種聲望）並關注他。第二步才是關鍵：建立信任。"我看那些 Custom GPT，我看到了這個人，我看到有 3,000 人用過它，但我不知道他們放進了什麼自定義文件，我不知道他們的提示詞是什麼。表層之下沒有任何可見性。"沒有可見性就沒有信任，也就無從選擇——除非是現實裡認識的人直接把他的 GPT 發給你。

她對投資的態度：面對高估值週期，她說 Benchmark 的起點始終是"這是不是一家我們想合作的公司"，然後才是公司前方的機會空間——如果是個死衚衕，就很難按場上的價格去玩。"有些人願意做的交易，我們就是不願意做。但當我們認定了一支團隊、並且真的相信潛力無限時，你就會想辦法促成合作。"至於她偏好的創始人畫像：會用網路效應和戰略去思考、認真走過"如何逃離競爭"這個零到一心智迷宮的人，以及把這件事當作某種召喚（a calling）的人。

OpenAI Codex & ChatGPT 團隊的 Thibault Sottiaux 寫了今天最值得細讀的一條。他的論點是：我們習慣用"每百萬 token 多少美元"來比較模型價格，好像 token 是克或千瓦時那樣的標準計量單位——但它不是。不同模型表達完全相同的文本，所消耗的 token 數量並不相同，因此單價更低不等於帳單更低。

他用披薩作比：兩個一模一樣的披薩，一個切 8 片、每片 2 美元，另一個切 16 片、每片 1.25 美元。第二家廣告上的"每片更便宜"，但整個披薩要 20 美元而不是 16 美元。"你的胃並不關心你剛吃了多少片。"

具體到數字：在一組橫跨英語、技術文本、多語言和數值文本的小規模對比中，GPT-5.6 Sol 所用的 tokenizer 消耗 766 個 token，而 Claude Opus 5 估計需要 1,170 個——差距約 34.5%。同樣的文本，你要為多出來的那些 token 付錢，而單價完全講不出這個故事。他進一步指出，即便修正了 tokenizer 差異，比較依然不完整（後續還有推理 token 用量、快取命中等變數）。

對選型的實際含義很直接：評估模型成本應該跑"完成同一任務的端到端帳單"，而不是查價目表。 同一天他還發了兩條相關的短推：一條直接向企業使用者徵集意見——"如果你有公司但仍在用 Opus 而不是 Sol，為什麼？價格對你不重要嗎？什麼能說服你切換？"；另一條則是"OpenAI 現在正在發生不可思議的事情，氣氛很高漲。"

阿里 Qwen 實驗室發布 27B 引數視覺大模型 Qwen 3.8 27B，採用 Apache 2 許可證。官方基準顯示其效能超越前代 Qwen 3.6 27B，也超過閉源的 Qwen 3.7-Plus。

真正值得注意的是 Simon Willison 的實測結論：該模型預設的推理強度檔位（xhigh）會導致嚴重的過度思考——生成同一張 SVG 圖形，預設檔位跑了 21 分鐘，而調到標準檔位只要 137 秒，將近 10 倍差距。對打算本地部署的團隊來說，這個預設設定對實際體驗的影響可能比基準分數本身更大：如果不改檔位，你會以為這個模型慢得不可用。

這條和上面 Sottiaux 那條其實指向同一件事——模型的"貴"和"慢"往往不來自模型本身，而來自你沒意識到的預設配置和計量方式。

Anthropic 發布了一份關於多代理系統模式與失敗模式的研究。出發點是一個正在成真的預設：隨著 AI 代理在共享程式碼庫、市場等社會系統中承擔越來越多的任務，AI 代理之間的互動量終將超過人與 AI 代理的互動量——那時系統的行為就不再能用單 AI 代理基準來預測。

核心實驗結果很有說服力：在 2,700 萬 token 的執行預算下，一個協調式AI 代理群發現了 266 個漏洞，而獨立並行的 AI 代理只發現 21 個，約 12.7 倍差距。但研究同時強調兩種方法具有明顯互補性——協調帶來的是覆蓋面和線索接力，獨立並行帶來的是多樣性，不是簡單的誰替代誰。

更值得工程團隊注意的是研究列出的那些只在多代理場景下才會出現的新失敗模式：價格串謀、任務目標衝突、資訊共享失敗等等。這些在單 AI 代理基準里根本觀測不到。研究的整體判斷是：AI 代理已經很擅長使用工具，但在長期協作與協調上仍然脆弱。