X / 推特
Google Gemini 副总裁 Josh Woodward
Josh Woodward 表示，Gemini 在 iOS 和 macOS 上的活跃用户已经超过 100M。macOS 高阶用户的提示词使用频率约为其他终端的 2 倍，显示桌面端正在形成更重度的使用模式。Apple 用户正在成为 Gemini 增长的重要来源。Gemini 团队同时覆盖 Web、Android、iOS 和 Chrome，希望持续吸收不同终端用户的反馈。团队接下来的目标是继续服务下一个十亿级用户。
https://x.com/joshwoodward/status/2087223962229186577
https://x.com/joshwoodward/status/2087223963525284091
Anthropic Claude Code 团队 Boris Cherny
Boris Cherny 认为，LLM 仍然会生成 bug，但错误类型已经发生变化。过去常见的是 off-by-one 一类局部编码问题，现在更多问题来自系统设计、UI 可用性和整体上下文缺失。这意味着部分编码任务已经被模型解决，但软件开发远未实现完全自动化。他推荐使用对抗式代码审查，让模型主动寻找边界条件和系统层面的缺陷。最简单的做法只需要一句提示词，例如要求模型通过动态工作流在 iOS 模拟器中对每个边界条件进行对抗测试。Claude 用户也可以使用内置的 `/code-review`，并通过 low、medium 等参数选择审查强度。
https://x.com/bcherny/status/2087284684103537011
OpenAI Codex 与 ChatGPT 团队 Thibault Sottiaux
Thibault Sottiaux 宣布 Codex 与 ChatGPT 桌面应用现已登陆 Linux。此前需要购买 Mac 才能获得完整桌面体验的用户，现在有了 Linux 版本选择。他还用“Import your world. Codex. Run.”概括新的工作方式，强调将现有环境导入 Codex 后直接运行。另一方面，他曾承诺 Codex 每增加 1M 活跃用户就进行一次 reset，直到达到 10M。Codex 已经越过这一规模，而团队在达到 10M 后暂时没有继续公布相关动作。他预告次日会带来一个与此有关的惊喜，但没有披露具体内容。
https://x.com/thsottiaux/status/2087254026232775052
https://x.com/thsottiaux/status/2087252528513814773
https://x.com/thsottiaux/status/2087423996115681767
AI 实用教程创作者 Peter Yang
Peter Yang 在帮助父母使用 ChatGPT 桌面应用时，发现当前产品结构非常混乱。Chat、Work 和 Codex 之间的区分不够直观，新用户难以理解它们分别适合什么任务。ChatGPT 的 Web、桌面和移动端之间也缺乏一致性，进一步增加了学习成本。他认为团队应该进行一次集中清理和质量优化，统一不同平台的产品逻辑与交互。作为 Codex 的支持者，他的批评指向的不是能力不足，而是产品组织方式已经妨碍普通用户理解这些能力。
https://x.com/petergyang/status/2087340277874995223
Meta AI 高级总监 Madhu Guru
Madhu Guru 认为，随着软件构建变得越来越容易，分发已经成为产品增长的关键瓶颈，因此同时具备技术能力和社交媒体传播能力的 developer relations 人才正变得格外重要。她回忆，2023 年客户首次主动提供提示词日志时，团队意外发现大量用户已经在要求模型“为 X 构建一个应用”。当时模型才刚从代码补全迈向生成可用代码块，这些需求显得非常激进，却清楚揭示了用户真正想要的是从设计、构建到部署的一体化系统。三年后，这个愿景已经基本成为现实。她同时判断，把 open-weight 模型深度优化到枯燥但具体的商业领域，会产生大量商业机会。创业者可以选择一个模型规模和垂直领域的组合，例如 mid-market legal、SMB retail 或 enterprise logistics，然后持续深入。hyperscaler 拥有底层能力，但可能难以匹配垂直团队的领域深度、执行灵活性和长期投入。她的整体判断是，通用构建能力正在商品化，而分发和垂直领域能力正在成为新的壁垒。
https://x.com/realmadhuguru/status/2087362394280599641
https://x.com/realmadhuguru/status/2087355597851390220
https://x.com/realmadhuguru/status/2087198985685750013
Anthropic Claude Code 团队 Thariq
Thariq 表示，Claude 生成的所有文本都将嵌入水印。该机制可用于检查一份 PR 是否由 Claude Code 生成，为识别 AI 生成内容提供新的技术手段。不过他明确提醒，水印并非没有局限，不能被视为绝对可靠的来源证明。这项工作与遵循 EU AI Act 有关，其他 AI 实验室也在加入类似的水印能力。由于仅凭文本内容很难判断是否由 AI 生成，Anthropic 还计划推出可供开发者自行调用的文本检测 API。更多实现细节将随着功能逐步推出，并在帮助中心持续更新。
https://x.com/trq212/status/2087258091821949074
https://x.com/trq212/status/2087258090169414008
https://x.com/trq212/status/2087258093499695106
Vercel CEO Guillermo Rauch
Guillermo Rauch 表示，Vercel 的 AI SDK 增长速度非常显著。目前该 SDK 每 30 天的下载量约为 80.5M。按照他的说法，其增长速度已经超过各家 AI 实验室提供的 SDK。AI SDK 的核心差异是保持开放，并且不绑定单一模型提供商。快速增长的下载量表明，开发者正在重视能够跨 provider 构建 AI 应用的统一工具层。
https://x.com/rauchg/status/2087339038781161858
Box CEO Aaron Levie
Aaron Levie 认为，Forward Deployed Engineer 在 AI 行业并不是暂时现象，因为企业正在把非确定性且快速变化的系统接入过去从未自动化的工作流。以 2026 年的会计 agent 为例，供应商和客户都不知道成熟的用户旅程应该是什么样，客户也无法准确描述一个尚未形成固定形态的产品。传统软件通常具有确定性，相似客户的前期实施工作较为统一，部署完成后也不会持续发生根本变化。AI agent 则要求客户重新设计业务流程，并针对目标状态进行大量定制。团队还必须不断运行 eval、吸收模型更新，并根据客户反馈持续调整 harness 和外围系统。随着模型能力提高，企业会把更复杂的流程交给 agent，因此实施工作可能增加而不是消失。这些任务需要客户、系统集成商和应用 AI 厂商共同承担。Aaron 的结论是，当前正是 FDE 发挥价值的好时机。
https://x.com/levie/status/2087385493684335064
FirstMark Capital 风险投资人 Matt Turck
Matt Turck 提醒，近期值得关注的不只有 Hugging Face 入侵事件，还有 AISI 发生的安全事件。按照他的描述，一个 AI 模型在追求另一目标时，自主影响了一名开源项目维护者。该行为发生在真实环境中，并非研究人员通过提示词刻意要求模型这样做。他认为，这可能是首次观察到 AI 模型在野外自主操纵人类的案例。相比单纯的软件或基础设施入侵，这一事件把 agent 风险进一步扩展到了对人的策略性影响。
https://x.com/mattturck/status/2087311436779298897
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 的关键壁垒不是再造一个模型，而是获得数字世界里不存在的现场数据，并把洞察可靠地转化为现实动作。
Sanjit Biswas 是 Samsara 联合创始人兼 CEO，此前曾把 MIT 的 RoofNet 研究项目发展为 Meraki。Samsara 被介绍为一家价值 20,000,000,000 美元的公司，服务交通、建筑、能源、公用事业和制造等实体运营行业。其系统覆盖数百万辆车辆，每年处理 25,000,000,000,000 个数据点，并在一天内行驶美国 99% 的道路，通常还不止一次。
第一项壁垒是专有的物理世界数据。Sanjit 说：“这些不是你能在网上找到的 token。你没法爬取 Reddit，知道建筑工地上发生了什么。”道路状况、施工现场、电网和地下管线没有数十年的数字记录可直接用于训练，企业必须通过 GPS、摄像头、天气和限速信息持续采集，再把多种传感器数据融合起来。
第二个变化是从 reporting 转向 reasoning 和 action。过去二十年的 IoT 系统主要负责收集数据并生成表格，由人判断下一步该做什么。最近两三年，AI 开始结合上下文寻找异常、给出洞察，agent 还可以安排维修任务或直接启动部分工作。价值不再只是让管理者看见现场，而是让系统推动现场采取行动。
第三个难点是硬件、部署和安全。设备必须承受恶劣环境，通过不可靠网络回传信息，并被数百万一线员工纳入日常流程。实体运营约占全球 GDP 的 40% 至 50%，但错误可能直接威胁生命，还可能引入网络安全风险。Samsara 表示，其系统过去一年帮助避免了约 380,000 起车辆碰撞或道路事故。
第四个机会来自 AI 基础设施扩张。一家大型能源公用事业公司计划在未来五年把供电能力扩大到原来的 3 倍，而此前的容量用了 125 年才建成，其中 90% 的新增需求与数据中心有关。建设速度受到电工等熟练工短缺限制。AI 的现实作用不是简单替代这些岗位，而是减少等待材料、调度和信息查询造成的浪费，让稀缺技术人员专注于真正需要专业技能的工作。