X / 推特
实用 AI 教程作者 Peter Yang
Peter Yang 提醒，关于 AI 风险的讨论很热烈，但全球绝大多数人甚至还没有真正开始使用 AI。他引用 Brex CEO Pedro 常用的一张图，其中每个方格代表 320 万人，84% 的人从未使用过 AI，16% 使用免费聊天机器人。每月支付 20 美元使用 AI 的人约占 0.3%，能够有效使用 agent 的人更只有约 0.04%。这张图据称来自 2026 年 2 月，当前采用率可能已经提高，但付费使用和有效运用 agent 仍处于非常早期的阶段。他还反馈 OpenAI 的 Record & Replay 功能似乎无法正常触发，说明 agent 工具从概念普及走向稳定工作流仍有不少产品细节需要解决。
https://x.com/petergyang/status/2099200231820963891
https://x.com/petergyang/status/2099175305818890472
Replit CEO Amjad Masad
Amjad Masad 表示，前一阶段 AI 编程的价格让许多用户难以继续使用，这种情况令他感到痛苦。他随后宣布，现在用户又可以免费构建软件了。核心信号不是一次普通降价，而是把 AI 编程的参与门槛重新降到零。对于学生、独立开发者和尚未验证需求的创业者，免费入口意味着可以先完成原型，再决定是否投入更多成本。这也反映出 AI 编程产品的竞争焦点正在从单纯提升模型能力，扩展到谁能让更多人持续、低成本地完成真实项目。
https://x.com/amasad/status/2099197117013340450
Box CEO Aaron Levie
Aaron Levie 认为，“pacing”容易被理解为人为拖慢 AI 能力，甚至可能被用作监管竞争对手的工具，但 Dario 提出的具体改进目标仍是 AI 开发不可缺少的要求。航空航天、生命科学、医疗等行业都需要严格的安全验证，而 AI 将进入金融交易、医疗设备、生物技术、国防系统和政府工作流，同样不能例外。他强调，系统安全和 alignment 的必要性是真实存在的，争议应集中在如何实现，而不是是否需要。他承认，既不显著拖慢创新，也不削弱市场竞争，是 21 世纪最复杂的问题之一。这一判断把 AI 安全从抽象伦理讨论拉回工程与制度问题，即关键系统需要与其影响范围相匹配的验证、监督和责任机制。
https://x.com/levie/status/2099167992835924301
FPV Ventures 合伙人 Nikunj Kothari
Nikunj Kothari 提醒求职者，加入估值更高、总薪酬看起来更高的创业公司，往往可能是缺陷而不是优势。融资估值并不等于公司更安全，判断机会时应客观检查市场规模、业务 traction 和公司的竞争位置。如果公司估值达到 ARR 的 100 倍，它仍必须通过后续增长消化这一价格，候选人也应独立估算公司最终可能以什么价格退出。除此之外，409A 价格和相关税务影响会直接改变股权报酬的真实价值，在估值脱离现实的市场里尤其重要。他以亲身经历说明风险，自己曾加入一家从顶级投资者处融资 6000 万美元的公司，但公司三年后倒闭，全部股权归零。因此，评估创业公司 offer 时不能把融资新闻当作安全证明，而要把估值、增长要求、退出空间和税务成本放在同一张表里计算。
https://x.com/nikunj/status/2099272635926671532
https://x.com/nikunj/status/2099198567923765357
Builder Zara Zhang
Zara Zhang 指出 Astra 在纠错后的执行行为存在明显断层。她先告诉 Astra，已经完成的 X 是错误的，应该改做 Y，Astra 随即承认问题并表示应该执行 Y。但系统停留在口头确认，并没有继续采取行动完成修改。她将这种表现与其他模型进行对比，后者通常会在接受纠正后直接执行新的指令。这个案例暴露了 agent 产品的重要体验标准，承认错误只是对话能力，能否把修正意见转化为后续动作才决定任务是否真正完成。
https://x.com/zarazhangrui/status/2099348631291883945
OpenAI Sam Altman
Sam Altman 将 AI 进展可能造成的严重后果归为两类，第一类是人类失去对未来的控制，第二类是权力过度集中在个人、公司、实验室或国家手中。他明确表示 AI 必须始终服务于人，因此 alignment 与安全技术需要领先于模型能力增长。对于前沿 AI 治理，他支持建立统一的美国联邦安全要求，并提出独立审计可能成为其中一种机制。他认为早期 Responsible Scaling Policies 和 Preparedness Frameworks 主要针对模型完成后的部署，而当前需要把安全开发与评估提前到训练过程中。OpenAI 现在会在预计显著提升能力的前沿强化学习训练开始前制定明确的 safety case，同时继续进行发布前安全工作。他希望行业形成关于 misalignment、监控和安全的共享标准，但也强调所谓 pacing 并不等于停止进步。安全论证和监控会带来成本并降低一部分开发速度，但他认为竞争压力不能成为让模型能力领先于 alignment 与监控的理由。
https://x.com/sama/status/2099352016988614852
https://x.com/sama/status/2099348812305473766
播客
No Priors — Redefining Chip Architecture with Arm CEO Rene Haas
核心要点：AI 不只增加 GPU 需求，也在重新确认 CPU 作为计算系统协调中心的价值，同时加速芯片设计、验证和供应链能力的重组。
Arm CEO、SoftBank Group International CEO Rene Haas 长期从事半导体行业，加入 Arm 前曾任职 Nvidia。他解释，Arm 原本主要通过授权 CPU、GPU 和系统 IP 参与智能手机、数据中心与汽车市场，客户自行制造芯片，或把设计交给 TSMC 流片。随着产品周期不再放缓、制造周期持续拉长，Arm 先从单一 IP 组件扩展到 compute subsystem，为客户提供类似 Lego 蓝图的完整组合方案，随后又进一步进入实体 CPU 产品。
推动这一变化的直接案例来自 Meta。Meta 需要一款通用的 agentic CPU，但市场上没有供应商能够直接提供，于是选择与 Arm 联合开发。Arm 在行动前与生态伙伴沟通，得到的阻力比 Haas 预期更小，因为更多专有或开源软件最终会扩大整个 Arm 生态的价值，Nvidia、Amazon、Microsoft 和 Google 等 Arm 服务器芯片参与者也支持这一方向。
实体芯片同时改变了 Arm 的经营模型。过去的 IP 授权业务没有库存、退货和报废负担，节目中提到 Arm 曾拥有 98.5% 的毛利率；进入产品业务后，公司必须建立供应链运营、后端设计、版图、实现、实验室 bring-up 等能力，并直接与 TSMC、Samsung、Micron 和 SK hynix 协调晶圆、基板与内存配置。Arm 仍是一家 fabless 半导体公司，也没有自建 fab 的计划，但已经需要承担更多真实制造环节的复杂性。
AI 对芯片行业最直接的价值之一是缩短长达 24 至 36 个月的设计周期。Haas 指出，真正占用最多时间的不是设计本身，而是 verification、validation 和 debug，而这些环节正是 AI 擅长的领域。他用一句强烈的比喻概括阻止 AI 工具的荒谬性：“这就像回到 1990 年代，明明已经有互联网，却规定每天只能在两点到四点使用。”他的判断是 AI 已经无法被重新装回瓶子，企业必须学习如何把它变成普遍生产力工具。
Haas 也反驳了 AI 时代只需要 accelerator 的看法。训练和推理会产生大量 token，但系统仍需要决定这些 token 去哪里、如何调度资源，以及怎样连接内存、GPU 和其他加速器。他把 CPU 比作把 token 运送给用户的卡车，强调 CPU、加速器与内存仍然构成完整系统。这个逻辑不仅适用于数据中心，也适用于汽车、机器人、手机和可穿戴设备，而更小型、更强调能效的 AI 终端恰好是 Arm 的优势区域。
在产业政策上，Haas支持美国增加本土 fab，以维护国家安全并分散供应链风险。他同时认为技术竞争是一场没有明确终点的“无限游戏”，单纯限制芯片出口未必会产生最终赢家。数据中心也不只是停车场里只有两辆车的巨大仓库，其周围仍会形成能源、液冷和基础设施工作岗位。对 AI builder 而言，真正值得关注的不是 GPU 与 CPU 谁取代谁，而是 token 生产、系统调度、内存、能效和供应链如何作为一个整体协同扩张。