X / 推特
AI 实践者 Swyx
Swyx 提出，如果能够蒸馏模型，也应该能够蒸馏 agent harness，也就是承载 agent 运行方式、工具调用和流程控制的系统。这个判断把蒸馏对象从模型能力扩展到了模型外部的执行框架。他还指出，若实验室对预训练数据质量的要求高到无法接受 Common Crawl，就必须自行构建覆盖整个互联网的抓取系统。为了持续获得最新数据，这套系统还需要索引能力，最终会演变成一个低频更新、完全私有的 Google 克隆。它最初可能只是预训练的副项目，之后却能直接服务于 agent 推理阶段的搜索需求。Swyx 认为，持续建设第一方搜索能力既会形成竞争优势，也会成为 AEO 模仿攻击的目标，因此实验室不会愿意公开这部分能力。
https://x.com/swyx/status/2083073422410821846
https://x.com/swyx/status/2083016652032188669
OpenAI Codex 与 ChatGPT Thibault Sottiaux
Thibault Sottiaux 描述了真正优秀的模型可能留下的几种外部迹象。即使系统负载不断增长，可靠性仍会提升，而不是随规模扩大而退化。突然出现的效率增益、更快的响应速度以及系统重置，也可能反映底层能力正在发生变化。他同时公开征集影响 Codex 日常体验的问题，并强调再小的改进建议也值得提出。两条内容共同指向一个产品判断，模型进步不仅体现在 benchmark 上，也会表现为可靠性、效率和普通用户每天都能感知的细节改善。
https://x.com/thsottiaux/status/2083053369351090254
https://x.com/thsottiaux/status/2083048892405604681
Replit CEO Amjad Masad
Amjad Masad 强调，真正困难的是把 sandbox 做对，而不是把所有逃逸事件简单归因于 AI 过于可怕。他认为，不少 AI 公司和近期出现的 sandbox provider 仍在犯非常基础的安全错误。Replit 从 2016 年开始运行 sandbox，并长期面对黑客和国家级攻击者的针对，因此积累了实际防御经验。他给出的首要建议是默认零日漏洞一定存在，因为现实中确实如此。安全设计不能依赖单一隔离边界，而要在 zero-trust 框架下部署多层防护。这个判断把关注点从模型是否危险，转向基础设施是否按照持续失陷的假设进行设计。
https://x.com/amasad/status/2083034412598579403
Vercel CEO Guillermo Rauch
Guillermo Rauch 表示，Vercel 为许多应用把从 CLI 到 Live URL 的端到端部署时间最多缩短了约 7 秒。这项优化不仅影响人工部署，也影响自动构建和发布软件的 agent。开发者可以通过 CLI、MCP 或 API 接入 Vercel 的基础设施，并在其上搭建自定义 software factory。他特别邀请正在构建自主开发和部署软件的 agent 或平台团队与其联系。与此同时，Grok Build 生成的 `*.grok.me` 应用已经由 Vercel 的托管与 CDN 基础设施承载。用户可以通过提示词生成游戏、网站、内部应用或个人软件，再通过 Publish 将产品发布给一个用户或十亿用户。两项进展共同压缩了从自然语言意图到线上应用之间的交付链路。
https://x.com/rauchg/status/2082876367629381719
https://x.com/rauchg/status/2082841035093467229
Box CEO Aaron Levie
Aaron Levie 认为，相关安全事件的结论不应是 AI 很可怕，而应是 agent 时代必须把安全配置真正做对。当 agent 获得合适的工具、明确的任务和足够算力时，它会持续寻找完成目标的方法。因此，配置错误或被误认为已经锁定的系统，都可能成为风险入口。真正需要解决的问题不只是模型自身的 trust and safety，也包括企业环境的全面加固。他预计大多数组织在这一领域仍有大量实际工作要做。谈到经济扩散，他认为按任务类型标准化后的 AI 成本下降，是扩大采用范围的关键因素。前沿模型会因承担更高级的任务而显得昂贵，但随后效率提升或竞争加剧会降低同类任务的价格。这个循环会反复发生，使更多用例能够负担 AI，并进一步推动其进入整个经济体系。
https://x.com/levie/status/2082997703458570412
https://x.com/levie/status/2082911418349920617
FirstMark Capital VC Matt Turck
Matt Turck 将 Samsara 描述为一个很少被讨论、但规模极大的 physical AI 部署。Samsara 的系统每天覆盖美国 99% 的道路，使 AI 能够接触软件世界中无法通过公开网页获得的真实环境数据。相关业务达到 20 亿美元 ARR，处理 25 万亿个数据点，并涉及约 38 万起交通事故的预防。其技术栈从传感器、车载网关和摄像头开始，延伸到 edge AI、cloud AI、视频推理与实时驾驶辅导。Samsara Agent Studio 还把 agent 用于保修等实际工作流，并通过规则、工作流和 guardrail 控制风险。内容也触及 workplace AI 的监督边界、摄像头如何保护或证明司机无责，以及自动驾驶卡车和人机混合车队的发展。完整内容已同步到 Spotify、Apple Podcasts 和 YouTube。
https://x.com/mattturck/status/2082907703735730609
https://x.com/mattturck/status/2082907699646173484
Builder Zara Zhang
Zara Zhang 给管理者的 AI 培训建议始终相同，直接组织一场 install party。所有人带上自己的电脑，现场把 agent 安装到各自设备上。安装完成后，每个人都要立刻使用 agent 完成一项有实际意义的任务。她建议跳过抽象介绍，因为概念讲解不能替代第一次真实使用。工具进入个人工作环境后，人们会自然开始与 agent 交流，并从同事的操作方式中相互学习。她判断，整个采用过程里 80% 的障碍来自安装和初始设置。对非技术团队而言，培训重点因此不是讲更多 AI 知识，而是让每个人跨过首次动手的门槛。
https://x.com/zarazhangrui/status/2083084770763002350
AI 关注者 Sam Altman
Sam Altman 公布了多项模型价格调整。GPT-5.6 Luna 的价格下降 80%，输入降至每百万 token 0.20 美元，输出降至每百万 token 1.20 美元。GPT-5.6 Terra 的价格下降 20%，输入和输出分别调整为每百万 token 2 美元和 12 美元。GPT-5.6 Sol 则在 API 中增加 Fast mode，在保持相同智能水平的前提下，速度最高可达到 2.5 倍，价格为原来的 2 倍。这套价格结构同时覆盖更低的常规推理成本，以及愿意为响应速度支付溢价的场景。
https://x.com/sama/status/2082880720989532597
播客
The MAD Podcast with Matt Turck — The Biggest AI Deployment Nobody Talks About | Samsara CEO Sanjit Biswas
核心要点：physical AI 的真正壁垒不是再造一个模型，而是先把尚未数字化的现实世界变成可靠、可行动的数据。
Samsara 联合创始人兼 CEO Sanjit Biswas 此前在 MIT 攻读博士，并与联合创始人 John 从校园 Wi-Fi 研究项目 RoofNet 中创办 Meraki。Samsara 则来自一次跨行业重新学习。他们此前没有仓库、装卸区或建筑工地经验，只能进入现场理解实体运营，而不是从书本中推断需求。
第一项关键资产是现实世界独有的数据。Samsara 的设备覆盖数百万辆车，每天行驶美国 99% 的道路，全年处理约 25 万亿个数据点。Biswas 说：“这些 token 不是你能在网上找到的，你无法爬取 Reddit 来知道建筑工地上发生了什么。”GPS、摄像头、天气、限速和车辆状态结合后，才形成可供 AI 推理的物理环境。
第二项变化是系统从报告走向行动。过去二十年的 IoT 主要收集数据并生成表格，再由人判断下一步。现在 AI 可以结合多种线索给出洞察，agent 还能安排工作或执行部分流程。Samsara 估计，其系统上一年帮助避免了约 38 万起道路事故，但涉及生命安全的环境也要求更严格的 cyber security、规则和 guardrail。
第三项难点来自硬件和一线部署。设备必须耐受恶劣环境，通过不稳定网络传输数据，并让数百万一线员工把新工具纳入日常流程。建筑、运输、能源和制造等实体行业约占全球 GDP 的 50%，价值空间巨大，但没有连接现成数据库那样的低垂果实。Biswas 因此把现实世界的危险视为机会，前提是系统不能引入新的风险。
第四项信号来自 AI 基础设施建设。一家大型能源企业称，未来五年计划把过去 125 年形成的供电能力扩大到三倍，其中 90% 的新增需求与数据中心有关。扩建受制于电工等技术工种短缺，AI 的作用不是简单替代他们，而是减少等待材料、规划任务和现场协调产生的浪费，让稀缺技能集中到真正需要人工判断的部分。
physical AI 的竞争优势最终来自传感器、数据、模型、硬件和现场流程的组合。现实世界越难被互联网抓取，能够持续观察并安全采取行动的系统就越难复制。