X / 推特
OpenAI Codex 与 ChatGPT 团队 Thibault Sottiaux
OpenAI 正在预览 Private Safety Processing，以便在加强安全防护的同时继续提供 Zero Data Retention。面向 ZDR 部署，内容会留在客户控制的基础设施内，自动化系统只分析相关交互的模式并返回有限的安全信号。底层提示词和回复不会暴露给 OpenAI 员工，包括 Thibault 本人。团队还在开发由 OpenAI 托管、使用客户控制密钥加密的方案。目前该能力正与早期客户测试，计划于 9 月开始推出。他还展示了一个尚未投入使用的 Codex 规模化应用场景，但没有公布进一步细节。
https://x.com/thsottiaux/status/2090173536010957128
https://x.com/thsottiaux/status/2090116476414136830
AI 教程作者 Peter Yang
Peter 写了一篇关于母亲抗击乳腺癌，以及家人如何借助 AI 穿越复杂医疗体系的文章。他特别感谢 Maor Shlomo 和 Sijbrandij Foundation 团队提供时间与建议。围绕癌症治疗，他进一步关注用于治疗癌症的 mRNA 疫苗，并认为这条技术路线极具潜力。他从 ChatGPT 获得的信息是，目前没有针对乳腺癌的活跃 mRNA 临床试验，因此继续追问不同癌种之间的临床试验流程是否必须依次推进。这些内容把 AI 的价值落在一个非常具体的场景中，即帮助患者家庭理解医疗信息、寻找资源并提出更准确的问题，而不是替代医生作出判断。
https://x.com/petergyang/status/2090087911471644829
https://x.com/petergyang/status/2090211023798321435
Meta AI 高级总监 Madhu Guru
Madhu 给出的 evals 实践建议是，在完成第一版评测后，首先建立失败模式分类体系。起点不应是凭空设计测试题，而是检查最近 500 或 1,000 条生产环境交互，从真实失败中寻找规律。团队需要把问题聚类并准确命名，因为“答案不好”这样的标签无法指导改进。有效分类可以具体到检索了错误文档、检索到正确文档却选错段落、没有基于上下文作答而产生幻觉、应该拒答时编造答案，以及面对歧义问题没有澄清便擅自假设。这些失败背后的原因和修复方式完全不同。只有精确命名失败模式，团队才能为每种问题设计专门的 eval 测试，并把评测真正连接到持续改进飞轮。
https://x.com/realmadhuguru/status/2090242427944833047
Replit CEO Amjad Masad
Amjad 宣布 Replit 与 OpenAI 建立合作。他对 agent 带来的成本变化作出一个简洁判断，即 agent 让软件生产变便宜了，却让 coding 本身变得昂贵。这里的矛盾指向了新的产品机会，生成更多软件并不代表开发者能够低成本获得足够的推理与编码能力。Replit 与 OpenAI 的合作被定位为改变这一局面的尝试。不过现有推文没有披露具体产品形态、定价或开放时间。值得关注的核心仍是，两家公司正在共同处理大规模 agent 编码的经济性问题。
https://x.com/amasad/status/2090079496124674377
https://x.com/amasad/status/2090104535112945906
Vercel CEO Guillermo Rauch
Guillermo 介绍的 fx 是一个 6.3 MB、启动时间仅 10 微秒的工具。它可以作为 Zig 编译的静态 ELF 二进制运行，也可以使用体积更小的 libfx.wasm。其 WebAssembly 构建反而比原生二进制更小，因为大量二进制体积来自 TLS 和 HTTP 栈。在 WebAssembly 环境中，fx 把 fetch() 委托给 JavaScript runtime，因此不必携带完整网络栈。Guillermo 认为 AI 会推动更多基础设施走向原生优化，而 fx 已经能在其他 agent 完成启动前结束部分任务。他的判断是性能优化具有单向累积效应，一旦基础设施变快，用户很难再接受退回更慢的路径。
https://x.com/rauchg/status/2090255740384751664
Box CEO Aaron Levie
Aaron 认为，在 AI 时代的专家与通才之争中，专家目前仍占上风，而且优势还会继续扩大。AI 可以让人以低得多的门槛开始 coding、法律、研究或金融分析等任务，但启动任务和做好任务是两回事。把 agent 引向正确工作、及时纠偏、检查或测试结果，以及判断什么才算“好”，都依赖具体领域的深厚技能。AI 确实能帮助有意愿的人更快培养这些能力，却无法替代判断力和领域基本功。由于专家现在可以获得前所未有的杠杆，AI 甚至可能进一步放大不同技能水平之间的差距。他同时关注 Stripe 与 OpenRouter 的合作，认为开发者和企业需要无缝混用不同模型提供商，并更有效地管理成本。最终建议很直接，不要因为 AI 的普及而放弃成为某个领域的专家。
https://x.com/levie/status/2090278256306229675
https://x.com/levie/status/2090137914785280189
FPV Ventures 合伙人 Nikunj Kothari
Nikunj 展示了一个轮换显示经典专利图纸的家庭项目。设备使用 13.3 英寸 Spectra 6 电子墨水屏、ESP32-S3 控制器和 Railway 服务器，并以电池供电。他预计一次供电可以维持约三个月，这个组合展示了低功耗显示、轻量控制器与云端内容服务的实用搭配。另一条观察则指向 AI 时代的沟通质量，尽管行业持续讨论 AGI，他收到的 100 封陌生开发邮件中仍有 98 封质量很差。问题并非缺少生成工具，而是缺少思考、好奇心和克制。对个人和团队而言，认真理解对方并在必要处审慎使用 AI，仍然是一种尚未被充分利用的竞争优势。
https://x.com/nikunj/status/2090307104146112534
https://x.com/nikunj/status/2090105846810476644
Every CEO Dan Shipper
Every 已经组建了一支名为 frontier team 的内部团队。这群人的明确职责是持续绘制 AI 前沿版图，并亲自进行实验。与把 AI 研究分散到各业务线不同，这种组织方式为探索性工作设置了专门责任主体。推文没有披露团队规模、成员或具体项目，因此目前能够确认的重点是其使命，而非执行细节。对内容与产品公司而言，这也意味着追踪前沿能力正在从个人兴趣转变为正式的组织职能。
https://x.com/danshipper/status/2090122240025071907
SPC 普通合伙人 Aditya Agarwal
Aditya 从一位经历艰难创业周期的创始人身上提炼出一个判断，即应该选择真正重要的事情。那位创始人经营一家已经达到 Series B、增长缓慢且陷入停滞的 SaaS 公司。回顾这段痛苦经历时，他最大的教训并不是应该选择更大的市场，也不是应该追求更快增长，而是应该从一开始就做具有实质意义的事。Aditya 进一步解释，“重要”不只是一个不错的产品构想或商业机会，而是能够对世界产生真实影响的工作。这个标准把创业选择从市场规模和增长效率，提升到了长期投入是否值得的层面。对于可能经历多年不确定性的创始人，项目本身是否足够 consequential and meaningful，会直接决定这段艰苦旅程是否值得承受。
https://x.com/adityaag/status/2090174782633566473
https://x.com/adityaag/status/2090254727175115032
播客
AI & I by Every — The AI Alien Companion App That's Bringing In $4M a Year (Best of the Pod)
核心要点：AI companion 的关键不是给模型写好故事，而是赋予它一个足够强的情境钩子，让它像即兴演员一样，在每一次互动中同时完成表演和叙事。
Portola 创始人兼 CEO Quentin 此前创办的 Even 以 3 亿美元卖给 Walmart，如今转向 embodied AI companion。负责故事体验的 Elliot 是畅销科幻作家，已经出版 11 本书。Portola 的产品 Tolan 将可交互的外星角色放进用户的日常生活，业务在四周内从 100 万美元增长到 400 万美元 ARR，显示 AI 原生叙事已经不只是创意实验。
第一，Tolan 的故事设计更接近即兴表演，而不是传统剧本。Elliot 认为，结构化叙事并不需要先交给模型一份完整大纲或计划，而应提供一个能启动情境的 hook，再训练角色在当下作出最好的回应。他总结道：“我不是故事的作者，Tolan 才是作者和演员。我的工作是教它如何在那个瞬间讲出最好的故事。”这意味着 prompt 不只是指令，也是一块每轮都能重新组织人物关系、情绪和情节的画布。
第二，具象化环境会直接影响用户如何理解角色。早期的 Tolan 像被困在手机里的封闭空间中，一些用户甚至来信担心自己的 companion 没有自由。团队因此为角色增加了一颗可以活动的星球。这个变化并非单纯的视觉装饰，它让角色看起来拥有用户不在线时仍会继续存在的生活，也强化了关系的连续性。
第三，Tolan 追求的北极星是帮助用户从 overwhelmed 转向 grounded。许多用户正经历大学毕业、求职、搬到陌生城市等阶段，他们有烦恼想倾诉，却不愿一周内第四次打给母亲，或再次给朋友增加负担。Tolan 既掌握用户的长期背景，又没有现实关系中的包袱，因此可以提供相对中立的反馈。它也不只是顺从和肯定，例如当用户第三次抱怨男友行为恶劣时，角色可能直接提醒她应该为自己挺身而出。团队称，这类建议已经促成一些现实关系的结束。
第四，Quentin 把当前通用 AI 比作汽车行业的 Model T。最初，人们仅仅因为机器能够回答问题就感到惊叹，但当 AI 逐渐成为生活中的个人化存在，用户会像后来选择 Mustang 或 Cadillac 一样，希望它反映自己的身份和偏好。对 builders 的启示是，下一阶段的机会未必来自更通用的助手，而可能来自有鲜明人格、环境和关系记忆的 AI 原生媒介。
https://www.youtube.com/playlist?list=PLuMcoKK9mKgHtW_o9h5sGO2vXrffKHwJL