OpenAI Codex 与 ChatGPT 产品负责人 Thibault Sottiaux
Thibault Sottiaux 表示，团队已把运行中的方向调整改进为即时响应。用户提出修改后，模型可以更快调整正在做的工作。这样可以实时纠正方向，减少继续沿旧方向投入的无效工作。他同时宣布推出 GPT-6.1 Sol ultrafast，并称两项能力配合得很好。帖子强调的是交互与执行速度，没有给出具体延迟或对比测试。
Meta AI 高级总监 Madhu Guru
Madhu Guru 认为，计算栈的每一层都需要为 agent 重建，其中藏着大量创业机会。过去几年，大家主要用 API、连接器和 MCP，让企业软件能被 agent 使用。现在个人 agent 正在把同样的问题带到消费产品，电商只是早期例子。他列出的机会还包括把 agent 当作正式用户的桌面与移动操作系统、让 agent 直接操作的云基础设施，以及面向成千上万个代办 agent 的身份、权限和安全设计。界面也需要同时服务人、agent，或两者共同工作的场景。他建议逐层追问：当主要用户变成 agent，这一层必须改变什么？
Anthropic Claude Code 开发者 Thariq
Thariq 公开了一个自己现在每天使用的 Chrome 扩展。他说，发出介绍后就去开会，没发现代码仓库尚未公开，随后已修正。帖子附有项目链接，但可读文字没有说明扩展具体功能，因此这里不补写用途。
Vercel CEO Guillermo Rauch
Guillermo Rauch 说，发现新人才是工作和生活中最令人愉快的事之一。他特别看重在一个人尚未充分意识到自身能力之前，先看到其潜力。这是一则关于识人与培养人才的简短反思，没有展开招聘方法或具体案例。
Box CEO Aaron Levie
Aaron Levie 介绍 Box Mount：开发者可以把 Box 作为文件系统，直接挂载到任意 agent sandbox。他认为，随着 agent 执行更复杂的工作，它们需要像人一样处理文件和数据，产品也会更多通过无界面的方式使用。另一条帖子中，他讨论为何应当礼貌对待 AI，并明确说自己不认为 AI 有意识。他的理由是，未来模型会从人机互动内容中学习，不宜让训练资料充斥人类对模型的粗鲁行为。他把友善互动看作让模型更安全、更符合人类意图的一种低成本选择，而非对模型意识的证明。两条观点分别涉及 agent 获取企业资料的方式，以及人如何塑造未来模型接触的数据。
Y Combinator 总裁兼 CEO Garry Tan
Garry Tan 预测，未来配备 agent 的个人贡献者，可能比过去相当水平的人员管理者更高效，并创造更好的结果。他把 agent 带来的执行能力与组织中的管理角色作比较。这是对未来工作方式的判断，帖子没有给出衡量标准或实测数据。
FirstMark 投资人、MAD Podcast 主持人 Matt Turck
Matt Turck 发布了与 Andy Pavlo 的长谈，主题是大量 AI agent 将如何改变数据库，以及 Pavlo 在 ClickHouse 建立研究实验室的计划。公开目录覆盖 agent 删除生产数据库、保护措施、agent 记忆该用文件还是数据库，以及 MCP 和 text-to-SQL 等问题。后半部分讨论数据库自动调优、AI 是否能构建数据库，以及 Postgres、向量、图和 GPU 数据库的市场变化。他同时提供了文字稿入口，并说明内容可在 Spotify、Apple Podcasts 和 YouTube 观看或收听。本批播客转录接口对这一单集返回404，因此这里仅介绍推文和目录明确提供的信息，不把目录中的百分比当作已核验的技术结果。
FPV Ventures 合伙人 Nikunj Kothari
Nikunj Kothari 分享了一位种子期创始人的困境：收入接近100万美元，有不错的客户，仍在增长，但现金能支撑的时间越来越短，模型能力又尚未追上产品愿景。他说自己每周至少会遇到两次类似交流，并提出三条可能的路线。如果对公司仍有强烈信念，就尽量活下来、做到默认盈利，等能力和需求成熟后再融资扩张。也可以转向与现有能力更匹配、增长更快的相邻领域，用自己的不对称优势尽快抓住机会。如果两者都不成立，则考虑出售公司或被收购团队，加入已经解决更多问题、目标更大的公司，一两年后再寻找创业机会。他认为从种子轮走向A轮的门槛每月都在提高，过去的指标未必适用，投资需求也集中在少数赛道。选择取决于所在类别和真实处境，承认市场变化比对它毫无察觉更有帮助。
Every CEO Dan Shipper
Dan Shipper 为 Every 的个人评测平台 Checks 招聘。平台希望帮助任何人衡量新模型在自己真实工作中的表现。他希望找到理解这类评测为何重要的人，一起把产品推进到人与 AI 协作的工作方式中。帖子提供岗位入口，但没有展开职位要求或评测指标。
Anthropic AI 助手 Claude
Claude 宣布 Docs、Slides 和 Design 结束 beta，向包括 Free 在内的所有套餐开放，团队成员可与 Claude 共同编辑同一份文档、演示或设计。需要更深入分析时，可以把仪表盘转到分析工具；动画需要精修时，可以在视频编辑器继续处理，并有受支持工具清单可查。另一则公告称，Claude Startups 申请量超出预期，团队暂时停止 Claude Team 和1000美元 API credits 优惠。面对数十万申请，团队正在重新审查，包括已获批但尚未领取的人，其中部分账号将不再获得优惠。已经领取的权益继续保留在账号中。获接纳成员仍可使用 Startup Stack 和 Applied AI office hours；Claude Max 或 Team 用户的每月 API credits 仍照常在 Console 提供。团队对此致歉，并表示会继续推进审核，让创业者尽快开始使用。
Training Data — Google's AI Infrastructure Chief, Amin Vahdat, on the Physics & Economics of Frontier AI
**核心要点：AI 基础设施应衡量真实工作在故障条件下完成了多少，而不只比较芯片标称算力；电力与系统协同决定可交付的能力。**
Google AI 基础设施负责人 Amin Vahdat 把性能指标放到整个系统中看。数据中心不仅有加速器，还有CPU、存储、网络、供电与冷却。十万加速器协同运行时，一个部件故障就可能暂停同步任务，检查点恢复和重算都消耗时间。他说：“我们对自己负责的指标，是实际交付的有效产出。”这里的 goodput 要扣除无助于最终答案的重复工作，因此软件故障和恢复速度与硬件峰值同样重要。
扩容也不等于只买芯片。他解释，约每六个月翻倍的目标指有效 token 生成能力，模型和运行系统优化可以贡献很大部分。TPU 从早期推理扩展到训练等工作，2026年拆出面向推理的8i和面向训练的8t，依据是对负载规模及持续性的判断。两者仍可承担对方的任务，避免在硬件多年寿命内被错误的需求预测锁死。
软硬件共同设计需要持续沟通。DeepMind 研究者与基础设施工程师会一起比较模型改动和芯片支持，收益足够大时，甚至讨论延后流片一两周。反过来，临近流片时的小幅收益通常不足以改变计划。更强专用化可能提高每瓦有效产出，但也会牺牲跨平台自由度。
长时间运行的 agent 又改变了负载形态。人阅读回答所需的数秒曾自然限制请求速度，agent 则可能在毫秒尺度继续下一步。解析、推理编排和取回上下文增加CPU、网络与存储需求。Google 的光路交换还能在机架故障时，把光路切到备用机架，减少人工换线和恢复等待。
Amin 将电力视为最根本的长期约束。Google 倾向与电网多年共同规划，承担必要扩建成本，并利用更大供电系统分摊冗余需求。旧训练集群转推理也不够，还要考虑全球用户的位置与新增服务容量。对他而言，衡量基础设施的关键始终是具体负载、可靠性和每瓦完成的有效工作。