AI最新动态｜2026-08-03
本期汇总了12 位 AI 建造者的 26 条动态、1 期播客，提炼值得关注的产品进展、工程实践与行业变化。
本期速览
- Vercel CEO Guillermo Rauch 宣布其内部运营已全面由自研 agent @v 驱动，并称“AI 代理运行整个公司”的趋势可以从此推演。
- Core Automation 创始人 Jerry Tworek 在播客中提出“架构是当前瓶颈”的论点，认为 Transformer 已到需要被重新审视的阶段。
- Dan Shipper 提出“代理性断裂”三阶段模型，解释人类在 AI 接管任务后的心理适应过程。
- Amjad Masad 的 LLM 国际象棋引擎已在 LiChess 上自主对战真人，当前 Elo 1253。
- Aaron Levie 指出一个反直觉趋势：数学、代码等“最难”的工作反而最先被自动化，因为其结果可验证。
X 上的关键观点
代理架构与组织形态
Guillermo Rauch 详细阐述了 Vercel 内部代理的演进逻辑：团队曾构建数十个独立代理，但用户体验糟糕——“就像每个代理都有自己的域名”。最终他们收敛到单一代理 @v，它同时充当“代理和路由器”，拥有子代理、技能，并能通过网络将任务委托给其他代理。Rauch 用互联网路由的演化做类比：从混乱的独立节点走向统一的入口，必要时再通过“子域名”方式暴露特定代理。他强调，自建代理与使用第三方 Slack 集成的本质区别在于控制权：“那不是你的代理，是他们的代理。”
自动化顺序的悖论
Aaron Levie 提出了一个值得注意的观察：部分“最难”的工作反而会最先被自动化，关键在于可验证性。数学、网络安全和代码虽然难度极高，但结果可以被客观测试，这带来双重好处——训练时奖励信号更清晰，运行时可以规模化验证正确性。相比之下，法律条款、营销策略、销售话术等领域没有唯一正确答案，依赖操作者的判断和风险偏好，且正确与否往往要很久之后才能知晓。他的结论是：即使模型能力持续指数级增长，应用层仍有大量工作要做，流程本身也需要随时间调整。
代理性断裂
Dan Shipper 描述了人类面对 AI 能力替代时的心理过程，他称之为“代理性断裂”，并归纳为三个阶段：最初只看到 AI 完成任务，人类支撑工作不可见（如“AI 解决了某数学问题”的说法）；随后开始看到人类在两端搭建的脚手架，产生“AI 在提示我”或“我的工作就是 babysit Claude”的感觉；最终在足够长时间后重建新的代理感。他还提出了一个哲学推论：如果“应当”蕴含“能够”，而技术重塑人类能力边界，那么 AI 也必然同时改变我们的道德直觉。
数学领域的杰文斯悖论
Thariq 观察到数学领域正在出现杰文斯悖论：AI 让数学活动更活跃、更易理解，数学家得以在更高抽象层次与公众交流，因此对数学思考者和专家的需求反而上升。他同时指出这与国际象棋的历史有诸多相似之处。
投资市场的“氛围资本”
Nikunj Kothari 从投资人视角描述了当前市场的分裂状态：早期和中期 VC 已完全变成“氛围资本”，与基本面脱节；同时万亿市值公司的股价也能因模型发布等事件出现超过 5% 的日波动。他认为这种状态至少还会持续 12 到 18 个月。
其他值得注意的帖子
- Karpathy 分享了 Simon Willison 的“自行车上的鹈鹕”测试，并上传了可在浏览器中运行的源码。
- Swyx 记录了 Codex 处理客服对话的案例：机器人不仅完成了升级请求，还附上了完整证据反驳客服的推诿。
- Peter Steinberger 报告了一种新型垃圾信息，但未提供细节。
- Garry Tan 评论称“惊奇感消失的时刻，恰恰是惊奇度走向抛物线的时刻”。
播客精华
Core Automation：架构是瓶颈
在 Training Data 播客中，Core Automation 联合创始人 Jerry Tworek 和 Rohan Anil 讨论了前沿研究现状。Tworek 的核心论点如下：
Transformer 在过去六年被大规模扩展，但本质上只重复了两种操作：MoE 和注意力。当前瓶颈不在数据或算力，而在架构本身。他回顾了自己在 OpenAI 的经历：当 RL 规模化终于到来时，模型在基准测试上持续进步，却并未解决真实世界任务。原因在于训练分布与真实世界分布存在根本差异。
他提出，未来需要能在测试时学习的模型——在用户数据上、在真实分布上学习。现有两种测试时学习方式都有缺陷：上下文学习数据效率高、无灾难性遗忘，但容量有限（他提到使用 Codex 约 20 分钟后就需要压缩上下文）；而持续微调则面临灾难性遗忘和数据效率低的问题。因此需要一种能在架构层面表达“学习如何学习”的算法，支持更长时间跨度的适应。
Tworek 还区分了两种学习模式：足球训练类似强化学习，通过大量试错调整；而学习数学则是深度思考直到概念连通。两者都是经验学习，但机制不同，RL 并非经验学习的终点。
值得继续关注
- Vercel 的 @v 代理模式是否会成为企业代理部署的主流范式，其“单一入口 + 子代理委托”架构值得跟踪。
- Core Automation 对 Transformer 替代方案的探索——如果架构确为瓶颈，新架构的进展将直接影响前沿模型能力上限。
- Amjad Masad 的 LLM 国际象棋引擎在 LiChess 上的 Elo 走势，可作为 LLM 在规则明确环境中能力的持续观测指标。
- Dan Shipper 的“代理性断裂”框架是否会被更广泛引用，成为讨论人机协作心理影响的常用语汇。
原始来源
X / Twitter
- Andrej Karpathy（@karpathy）
- Swyx（@swyx）
- Peter Yang（@petergyang）
- Thariq（@trq212）
- Amjad Masad（@amasad）
- Guillermo Rauch（@rauchg）
- Aaron Levie（@levie）
- Ryo Lu（@ryolu_）
- Garry Tan（@garrytan）
- Nikunj Kothari（@nikunj）
- Peter Steinberger（@steipete）
- Dan Shipper（@danshipper）
播客
本文由自动化流程根据公开信息生成中文摘要，观点与事实请以原始来源为准。