Replit CEO Amjad Masad
Amjad Masad 认为，即使今天暂停前沿研究，现有 AI 能力也还需要10年才能扩散到整个经济体系。他把加快这一过程的机会指向解决方案合作伙伴，强调技术普及仍有大量落地工作。这是他对扩散周期的判断。
OpenAI Codex 与 ChatGPT 团队 Thibault Sottiaux
Thibault Sottiaux 的第9天更新聚焦 ChatGPT 与 Codex 桌面端的磁盘状态存储优化。他预计这项优化能让相关磁盘占用减少60%。他尤其希望听到重度用户的反馈，确认实际释放的空间。这是待用户反馈验证的预期改善。
Box CEO Aaron Levie
Aaron Levie 分享 Box AI Complex Work 内部评测，称 Gemini 4 Argon 相比3.1 Pro 提升14个百分点，优势涉及数学、逻辑、领域知识与把任务完成到底。分行业结果为金融提升18个百分点、医疗25、科技37、能源16、消费33，均来自 Box 自有评测。金融案例要求把银行贷款与透支利息逐年纳入资金缺口；医疗案例中，两者都识别出危险的钾水平和药物相互作用，但只有 Argon 从最终用药方案中移除了相关药物。科技案例考察按月份和地区计算留存及人均指标，能源案例发现电表记录只到11月，消费案例则通过库存衔接早期产能缺口，并判断扩产与上线时机。他表示 Argon 将进入 Box AI Studio。另一条长文认为 agent 将显著扩大攻击面，也为网络安全公司提供机会，他用“100倍”形容扩张幅度。其设想是用 agent 群检查代码、分析组合风险、响应事故并消化安全积压，覆盖模型实验室、网络、防火墙、身份、终端、软件开发和数据层。这一攻击面倍数是他的判断，不是上述评测的测量结果。
Google 副总裁 Josh Woodward
Josh Woodward 展示了 Gemini Argon 的两个使用例子。一个是设计96mm的定制家具腿，并围绕叠放圆球的数量作设计选择。另一个只用了24个词的 prompt，让合成器把奔跑的马、水和手部动作组合成音乐体验。这两条展示分别涉及具体尺寸的设计任务与简短输入驱动的交互创作；帖子没有提供系统评测结果。
Y Combinator CEO Garry Tan
Garry Tan 认为，让 agent 的执行环境接上真实浏览器和真实凭据，会释放新的能力。他推荐 Aside AI，关注的是 agent 能否进入用户实际使用的环境开展工作。这条帖子没有展开实现方式或权限配置。
Vercel CEO Guillermo Rauch
Guillermo Rauch 祝贺 Gemini 的进展，并把 Google 的 transformer 积累、数据、工程师和算力列为背景。他认为 coding agents 是一个关键应用。Muse Wonder 与 Gemini Argon 接连到来，也强化了他对多模型选择的关注。Vercel 将继续坚持不绑定单一模型，通过 Gateway 和 fx 提供接入。其重点是让开发者能使用不同实验室的进展。
AI Engineer 与 Latent Space 相关项目参与者 Swyx
Swyx 分享“How to Kill Your SaaS”挑战：参加者尝试在一个周末复刻每年费用43,000美元的实际 SaaS。全球黑客松收到72份提交，使用约1000亿 token。评审结合 AI 与人工，奖金为10,000美元。他把重点放在真实软件的复刻能力与评估过程。本条材料没有列出最终获奖者，不能据此补写排名。
Anthropic Engineering：Redesigning source control at Anthropic
Anthropic 为超大 monorepo 和 agent 代码产量重新设计源码管理，推出内部系统 Scion，并与代码审查工具 Antique 一起完成迁移。公司称每天合并量从5月约2,500次增至9月超过30,000次，CI 每天执行2,500万次 checkout。Scion 把历史查询和合并等工作移到服务器，客户端按需取得不可变的 tree 与 blob，节点和区域缓存各自命中率超过99%。据其内部结果，CPU 与内存基础设施需求缩小200倍，checkout 从分钟缩短到秒，CI 释放25% CPU 容量。7人团队在5个月内完成这些系统及迁移，Claude Mythos Preview 对一版摄取 pipeline 的重写使用了少20倍的内存、速度提升4倍。文章强调：“工程师的价值没有降低，但他们的工作正在变化。”工程师仍负责系统约束、取舍和审查意图，阻止 agent 破坏约束或过度设计。Scion 并非适合一般场景的 git 替代品：迁移依赖配套审查、搜索与 CI，公司的内部 token 投入也不代表普通企业可承受的成本。
Training Data — David Silver and Lasse Espeholt of Ineffable Intelligence: A Superlearner for the Age of Experience
**核心要点：Ineffable Intelligence 要探索的是从经验中自行发现知识的 superlearner，而不是把人类文字继续扩展成更大的答案库。** David Silver 与 Lasse Espeholt 创办 Ineffable Intelligence，延续他们在 DeepMind 的强化学习经验，后者参与过 IMPALA 和 SEED RL。两人把目标分成深度与广度：既能发现超出人类已有知识的东西，也能从模拟、数字世界和物理世界的经验中学习。 第一，简单目标可以产生复杂学习。Silver 用围棋说明，一个棋手独自面对19×19棋盘，空间有限；加入对手后，策略互动会持续制造新问题。他们想设计这样的“熔炉”，由物理规则和多 agent 互动产生挑战，而非人工铺设解题路线。Silver 概括：“我们学到的一切，都是自己发现的。” 第二，模拟的价值在于速度与可重复性。大量并行经验能降低真实世界试错的成本；如果模拟能快10到100倍，学习就有更大空间。他们关注能迁移的学习算法，不把模拟中取得成功等同于现实部署已经可靠，也不计划先用 LLM 产品作为中间阶段。 第三，安全不能只看语言解释。两人提出先观察行动但不执行的影子模式，以及让其他智能系统监督行为；这仍是需要研究和证据支持的路线。是否进入物理世界，要由安全验证约束，不能靠一条看似合理的推理链决定。 第四，系统设计服务于经验规模。他们计划在 Google Cloud 使用 Vera Rubin GPU 集群，让模拟、推理和训练尽量留在 GPU，避免依赖海量 CPU；强化学习不断变化的数据也使其扩展规律不同于固定语料训练。约20人的团队强调每位研究者能开展大量实验。Silver 对一年内出现证据、约三年走向真正超级智能的判断属于预测。核心赌注是学习过程能否不断创造新经验，而具体成效仍需实验回答。