X / 推特
Anthropic AI 官方账号 Claude
Claude Code 发布重大更新：新增 auto mode，用户无需逐一批准每个文件写入和 bash 命令，也不需要跳过全部权限检查，Claude 会自主判断哪些操作可以自动执行。在每次工具调用前，系统会通过分类器对操作进行安全审查：安全的操作自动推进，有风险的则会被拦截并请求人工确认。该功能目前以 research preview 形式在 Teams 计划上提供，Enterprise 和 API 访问将在接下来几天内逐步开放，启用命令为 `claude --enable-auto-mode`。
https://x.com/claudeai/status/2036503582166393240
https://x.com/claudeai/status/2036503583667933400
https://x.com/claudeai/status/2036503584943034643
Anthropic 研究员 Alex Albert
Albert 强力推荐了物理学家 Matthew Schwartz 撰写的一篇客座文章，描述了 AI 如何帮助科学研究，文章指出 Claude Opus 4.5 在某些任务上展现出了令人惊讶的能力。他还宣布 Claude Code 正式弃用 `--dangerously-skip-permissions` 标志，以 auto mode 取而代之，这是从安全机制角度的一次重要升级。
https://x.com/alexalbert__/status/2036232980059062550
https://x.com/alexalbert__/status/2036510206155432293
Claude Code 工程师 Thariq
Thariq 披露了一个鲜为人知的背景：Anthropic 收购了一家 computer use 公司，四周后就发布了 computer use 功能，速度令人印象深刻。他提到 AI safety 公司的属性在需要保障 AI 安全运行时显得尤为有用。他还宣布将于 3 月 31 日与 Figma 联合举办 livestream，分享如何充分利用 Claude 的最新能力，目前该功能仅在 Teams 计划上提供，正在努力扩大规模。
https://x.com/trq212/status/2036302910498173034
https://x.com/trq212/status/2036513038983995820
https://x.com/trq212/status/2036442894777594248
OpenAI CEO Sam Altman
Altman 发表了一段对 AI 未来影响的宏观展望，认为 AI 将帮助发现新科学、攻克疾病，这是提升人类生活质量最重要的方式之一。他还寻求一个简洁的词来描述"把所有能想到的上下文都扔进模型"这个行为，引发了广泛讨论。他补充了更多关于 OpenAI 最新进展的细节。
https://x.com/sama/status/2036488680769241223
https://x.com/sama/status/2036489823792607273
Replit CEO Amjad Masad
Masad 展示了一个在 Replit 上构建的 TSA 候机等待时间查询 app，这款 app 迅速走红。他还分享了内容创作者 Nick 的故事，讲述了学习写软件如何彻底改变了他的内容创作方式，Masad 认为这是一个真实的、非营销性的亲身经历分享。
https://x.com/amasad/status/2036272008158433564
https://x.com/amasad/status/2036427267296067875
Box CEO Aaron Levie
Levie 指出 computer use 和实时写、运行代码的能力是 agent 承担更多知识工作任务的终极基础设施。他引用了一段关于企业正在迁离遗留系统的描述，强调那些无法 headless 运行的软件将在 agent 时代成为最大瓶颈，未来能够被自动化调用的 API 才是核心竞争力。
https://x.com/levie/status/2036290915950797314
https://x.com/levie/status/2036478998667207012
Vercel CEO Guillermo Rauch
Rauch 宣布 Vercel 内部几乎所有的 SaaS 应用都已被生成式 app 或 agent 界面取代，覆盖支持、销售、市场、PM 等多个部门，全部部署在 Vercel 上。他还宣布 Vercel 现在可以智能地为构建任务选择合适的硬件，配合新的 Rust 编译器（Turbopack 和 Rolldown），构建性能大幅提升。
https://x.com/rauchg/status/2036447879985037495
https://x.com/rauchg/status/2036584870995173678
Andrej Karpathy
Karpathy 警告了一起严重的软件供应链安全事件：litellm 的 PyPI 包被注入了恶意代码，仅执行 `pip install litellm` 就会导致 SSH key、AWS、GCP、Azure 凭证和 Kubernetes 配置被窃取，引发广泛关注，转发超过两万一千次。
https://x.com/karpathy/status/2036487306585268612
Google Labs VP Josh Woodward
Woodward 表示 Google 内部当前是他职业生涯中最令人兴奋的时刻，公司正处于高速发展状态，并公开表示 Gemini 和 Google AI Studio 团队正在大量招聘。
https://x.com/joshwoodward/status/2036513009661780291
Linear 产品负责人 Nan Yu
Yu 分享了一个亲身体验：他已经好几个月没有手写 PRD、没有手动提 issue、也没有手写一行代码，但产出的工作量和质量都在提升。这一描述直观呈现了 AI 辅助工作流在产品管理中的实际落地状态。
https://x.com/thenanyu/status/2033545747686166887
Y Combinator CEO Garry Tan
Tan 分享了自己第一次向 YC 内部代码库（共 184 万行代码）提交 PR 的经历，这个 PR 有 2400 行。他提到 GStack 不仅适合独立开发者做从零开始的项目，经过今晚的实践，他发现这套技能同样可以迁移到大型既有代码库。
https://x.com/garrytan/status/2036330296308802012
https://x.com/garrytan/status/2036330844516917297
OpenClaw 创始人 Peter Steinberger
Steinberger 发布了 CodexBar 0.19.0，新增 Alibaba Coding Plan 支持、订阅历史图表，以及 Cursor Total、Auto、API 的 dashboard 功能，帮助用户更好地掌握 token 使用节奏。他还分享了自己 review PR 的完整流程：先让 Codex 分析找问题、判断问题是否清晰、评估解法是否最优。他还展示了 OpenClaw 作为 WhatsApp Business 的"门卫"场景，建议用独立号码和 WA Business 避免误触。
https://x.com/steipete/status/2036245531522113910
https://x.com/steipete/status/2036252448399171717
https://x.com/steipete/status/2036486352964035013
Swyx
Swyx 分析了 OpenAI 对内部"Side Quest"项目收紧管控的影响，指出 Sora 成了第一个受波及的产品。他还对 Devin 工具给出了高度评价，称它每天能帮自己节省 3 到 8 倍的工作量，尽管"Devin 能发现 Devin 自己的错误"这件事听起来很奇怪，但确实好用。
https://x.com/swyx/status/2036533647659143630
https://x.com/swyx/status/2036565584515899445
Zara Zhang
Zhang 宣布 Frontend-slides 工具新增两项功能：支持将 deck 部署为可分享的 URL，以及导出为 PDF，让 vibe coded 幻灯片可以轻松分享给他人。她还分享了自己过去一年的成长轨迹：去年几乎不懂 GitHub，如今已在 GitHub 上积累了超过 13000 个 star，而她并非技术出身。
https://x.com/zarazhangrui/status/2036552689673445847
https://x.com/zarazhangrui/status/2036590721927618988
FPV Ventures 合伙人 Nikunj Kothari
Kothari 对 417 家公司的 SOC II 子处理方列表进行了爬取分析，发现 SOC II 真正的价值不在于安全合规本身，而在于这些子处理方列表揭示了各公司实际在用什么基础设施，包括 Notion、Ramp、Brex、Harvey、Perplexity 等知名公司的技术栈都在列，对 VC 竞品分析极有价值。
https://x.com/nikunj/status/2036572222081606065
https://x.com/nikunj/status/2036573898289086895
播客
Latent Space — 🔬There Is No AlphaFold for Materials — AI for Materials Discovery with Heather Kulik
MIT 化学工程系教授 Heather Kulik 长期研究 AI 与材料科学的交叉领域，她的核心判断是：材料科学目前没有、也很难出现一个等效于 AlphaFold 的突破，原因在于材料空间的化学键变化极其复杂，远超蛋白质结构预测的复杂度。
Kulik 分享了一项具体的 AI 辅助发现案例：她的团队用 AI 筛选了数万种材料，通过传统实验每次要花数月甚至数年的时间，而 AI 发现了一种此前未知的量子力学现象，该现象使聚合物网络中的塑料韧性提升了约四倍。实验团队看到 AI 给出的设计方案时表示，他们自己绝对不会想到这个方向，最终在实验室中成功制备验证。
关于"是否还需要学化学"这个挑战性问题，Kulik 给出了反直觉的回答：LLM 对化学的掌握基本停留在维基百科水平。她的测试方法是每次大模型更新都让它设计一个含 22 个原子、通过两个氮原子与金属配位的配体，迄今从未获得过原子数正确的答案。她的结论是，LLM 可以帮你快速了解不熟悉的领域，但你必须具备足够的基础知识才能判断它是否在一本正经地出错。
在主动学习（active learning）方面，Kulik 的团队目前在金属有机框架材料的 CO2 直接捕获研究中，同时优化七个目标函数，包括成本、湿度稳定性、CO2 选择性、机械稳定性、热稳定性等。即使是精度不高的机器学习模型，每增加一个优化维度也能带来 100 到 1000 倍的速度提升，这正是主动学习在高维问题中的核心价值。
关于材料科学缺乏"CASP 时刻"的问题，Kulik 指出：材料领域确实有 Materials Project 和 Open Catalyst Project 等数据集，但这些数据来自精度不高的密度泛函理论计算，而非实验真值。与 CASP 数据集由实验结构验证不同，材料领域缺乏高质量的实验基准数据集，这是整个领域亟需解决的基础设施问题。
她还提到了机器学习原子间势（machine learned interatomic potentials）存在的"外表华丽、内部脆弱"问题：某些宣称能替代第一性原理计算的基础势，在实际使用中分子会莫名其妙地解体，而且实际加速比有时只有五倍，远低于承诺的水平。她呼吁行业需要更严格的评估标准来判断这些模型是否真正能替代基于物理的建模方法。
Kulik 开发并开源了一个名为 molSimplify（处理金属有机框架时称 MOFSimplify）的工具，支持过渡金属配合物结构生成和金属有机框架筛选，具有 web 界面，也在 GitHub 上提供，她欢迎有兴趣的工程师尝试并反馈。
https://youtube.com/watch?v=KSCCKCz2x04
Training Data — Biology's Waymo Moment: Ginkgo Bioworks' Jason Kelly
Ginkgo Bioworks 创始人兼 CEO Jason Kelly 做出了一个强烈的判断：过去所有的互联网、社交媒体、移动端技术革命对生物技术和生物制药基本毫无影响，只是改善了一些后台 IT 工作，但 AI 这一次是真正不同的，它将从根本上改变科学的做法，生物制药行业将因此遭受真正的颠覆。
Ginkgo 于 2008 年创立，直到 2014 年才获得第一笔外部融资。在此之前，公司通过政府补贴和服务业务艰难维持，长达六年。转折点来自 Sam Altman 2014 年的一篇博客文章，彼时 Altman 刚接手 YC，提出 Silicon Valley 模式可以适用于核能、生物技术、材料科学等深科技领域。Kelly 写信给 Altman，最终被说服加入 YC，这成为 Ginkgo 真正意义上的起点。
Kelly 将 Ginkgo 的核心使命定义为"让生物学更容易被工程化"，这个使命从未变过，但产品路径走了很多弯路。他们最早的商业模式是作为 B2B 的生物技术服务商，为大型化工和农业公司提供菌株工程服务，逐渐积累了做生物学"代工厂"的能力。
关于 AI 在 Ginkgo 的应用，Kelly 的关键判断是生物领域正在经历类似 Waymo 的时刻，即过去几年底层能力已经到位，软件与自动化的结合将让原本需要大量人工操作的实验室工作实现根本性的加速。他特别强调，机器人硬件已经准备好了，现在的瓶颈是软件的可靠性和规模化。
他指出 Ginkgo 建设了大规模的自动化实验平台，目标是建立一套可以让计算预测和实验验证形成快速迭代闭环的系统，减少人工干预的同时保留人类在处理意外情况时的判断能力。他认为全自动高通量实验室和人工操作各有擅长的场景，目前两者的结合比纯自动化更有效。
Kelly 还谈到了 Ginkgo 在 AI 时代的战略转型：从一家服务公司向数据和 AI 平台公司迁移，核心资产是他们在数百个客户项目中积累的海量生物实验数据，这些数据正是训练生物学 AI 模型的独特原材料。他认为这是未来生物 AI 公司与传统药企竞争的核心筹码。