Anthropic Claude 团队 Boris Cherny
Boris Cherny 说，Claude Slides 已经成为他制作幻灯片的方式。他举的具体变化是，不用再像过去那样搜索 iPhone 边框 SVG 来拼页面。代码方面，Claude Code Review 会检查他的每一个 PR。他称它几乎能在合入前发现所有 bug，并把它视为团队提高速度和质量的重要工具。这是他对自身工作流的评价，原帖没有给出独立测试数据。
Vercel CEO Guillermo Rauch
Guillermo Rauch 分享了 TypeScript 通过 scriptc 编译后的性能说法。他称这种方式比 tsgo 快 2–4 倍。原帖没有展开测试环境或具体工作负载，因此这个倍数仍是其分享的结果。另一条更新中，他把 Roadster 演示重建成了可玩的模拟。他强调模拟保留了不少现实演示的细节，并给出体验链接。
FPV Ventures 合伙人 Nikunj Kothari
Nikunj Kothari 回顾了一次从判断走到投资的过程。他在 7 个月前写下对一个领域的预测，随后接触了大约 50 家相关创业公司。现在，他找到了团队有机会领投 A 轮的一家公司，但这条原文没有写出公司名。他借此鼓励人们主动尝试，机会可能在行动中出现。另一条带调侃意味的帖子提到，创始人有时会回避“收入究竟如何计算”的追问，关注点落在收入口径本身。
Y Combinator CEO Garry Tan
Garry Tan 给想试 GBrain 却不知道如何开始的人推荐了一个托管入口。他认为这是更容易上手的方式，原帖附有链接。启动新项目时，他还提到把 Capy 与 AsideAI 配合使用。按他的描述，agent 能写出第一版，同时帮助把 DevOps 配置起来。他看重的是把初版开发与运行环境准备放进同一轮工作。
Replit CEO Amjad Masad
Amjad Masad 表示，Replit 可以部署到客户自己的云中，让数据留在客户环境。他将这种部署方式面向政府、金融和医疗等高要求场景。原帖强调数据归属客户，没有展开具体技术架构。另一条更新中，他把数学界面对变化的反应比作从否认到接受的情绪阶段。他认为这种转变正在被压缩到很短的时间内，并判断当下正接近接受阶段。
Every CEO Dan Shipper
Dan Shipper 分享了一次团队展示：Lee Knowlton 把他的一篇 Codex 文章做成了视觉小说。这是把已有文字转换为另一种体验形式的具体例子。他同时提出，生成内容现在已经便宜，而且质量很高。在他看来，下一次大的能力提升需要发生在编辑与监督上。这个判断把关注点放在生成后的修改和检查。
OpenAI Codex 与 ChatGPT 团队 Thibault Sottiaux
Thibault Sottiaux 分享了由实际产品团队出镜的 ChatGPT Space 内容，并邀请用户提出下一步想看的东西。他形容其中偶尔有些笨拙，但也正因为是真实团队而显得亲切。同一组更新中，他说前一天刚加入 slides 支持。当前开放范围为 Pro、Business 和 Enterprise。团队会在这个范围内收集反馈，再继续学习和调整。
Anthropic Claude 官方账号
Claude 官方账号分享了一个医学教学工具案例：一位心脏科进修医生构建了 3D 工具，帮助受训者学习阅读冠状动脉造影。原帖没有提供临床验证结果。另一条演示中，Haiku 5.5 先写了 20 首俳句，再用 JavaScript 绘制每一帧。
SPC 普通合伙人 Aditya Agarwal
Aditya Agarwal 预告，下周 Sriram Krishnan 将到 SPC 参加炉边谈话与问答。他介绍的经历包括参与 Azure 建设、扩大 Meta 移动广告业务，以及带领 a16z 国际扩张。随后，Sriram 进入白宫并参与美国 AI Action Plan 的编写。这场活动将这些技术、商业与政策经历放在同一位嘉宾身上。Agarwal 另附了报名入口，原帖未写明具体日期、时间或街道地址。
Box CEO Aaron Levie
Aaron Levie 认为，AI 已接近比人更擅长训练模型的实用门槛，递归自我改进正在显露形状。他给出的条件包括模型能力提升、长时间运行 agent 的执行框架和基础设施进步，以及不断增长的数据。多个 agent 还能并行尝试远多于个人所能覆盖的任务、测试与方法。他认为这些条件组合后会相互促进，加快模型进展。即使不直接提高进展速度，也可能快速抬升前沿能力的上限。他提醒，不把这种潜在变化纳入判断可能是错误；这仍是他对未来的判断。
No Priors — The Changing Physics of Cybersecurity and Drug Development with OpenAI President Greg Brockman
**核心要点：Greg Brockman 认为，软件生成越便宜，验证、数据和安全越可能成为真正的瓶颈。** OpenAI 联合创始人兼总裁 Greg Brockman 有数学背景。他把 AI 科研、药物开发和持续运行的 agent 放在一起讨论，关注的是能力进步后，整条工作流程还卡在哪里。 第一，科研突破需要能被人理解。Brockman 称 AI 已帮助解决近 400 个重要开放数学问题，但尚未提出整套全新理论。他看重证明中的新洞察，而非把无人理解的答案交给人。让另一个 AI 指出证据或漏洞，是他讨论的人类监督方式之一。 第二，数学能力不会自动消除生物学的数据缺口。他认为药物发现值得优先投入，但必须逐步检查数据、湿实验、模拟和监管文件等环节。AI 可以帮助撰写申报材料；缺失的实验数据仍需获得。他明确表示，神经网络还没有达到可以替代临床试验的阶段，长期结果也不能仅靠快速模拟确认。 第三，持续工作的形态改变使用方式。他描述 Dots 会整合邮箱、Slack、日历和项目背景，在夜间整理未完成承诺、提醒会议冲突。消费与企业助手的差别，部分来自可承担的计算成本，企业还多了管理员、安全团队和功能上线控制。动态界面可以按需生成，但权限与功能缺失仍须让用户理解。 第四，安全投入可能超过软件投入。他说：“安全支出实际上应该远远超过软件支出。”他的理由是生成软件变便宜后，可靠性更稀缺。他介绍 OpenAI 曾让约 25 名生产工程师暂停原项目，用当时最强模型查找并修复基础设施问题，直到该模型难以再发现新问题；下一代模型出现后还需重做。形式化验证与从一开始生成安全代码，是他期待的方向。 Brockman 把当下称为防守方可利用的窗口，呼吁趁前沿能力尚未完全扩散时补安全欠账。他的最终要求是保留人的判断、价值与控制权，让更强的机器服务于人想实现的结果。