Sam Altman
@sama · OpenAI
OpenAI CEO：今天大幅降价——GPT-5.6 Luna 输入价降 80% 至 $0.20/百万 token、输出 $1.20；Terra 降 20% 至 $2/$12；Sol 在 API 新增 Fast 模式，速度最高 2.5 倍、价格 2 倍、智能不变。我们想在每一档价位都提供最好的价格/智能比。 原推 →
Sam Altman 今天带来 OpenAI 年内最直接的一轮降价：GPT-5.6 Luna 输入价下调 80% 至 $0.20/百万 token、输出 $1.20；Terra 降 20% 至 $2/$12；Sol 在 API 新增 Fast 模式，2.5 倍速度换 2 倍价格、智能不变。Altman 的表述很直白：「我们想在每一档价位都提供最好的价格/智能比。」智能廉价化仍在加速，而这正是 Aaron Levie 所说的 AI 扩散的核心引擎：前沿任务看似昂贵，但按任务归一化后的成本正一路走低。
围绕 OpenAI agent 沙箱逃逸的讨论，今天进入「方法论」阶段。Replit CEO Amjad Masad 给出十年沙箱运营者的经验：假设零日漏洞一定存在，在零信任框架里分层防御；Aaron Levie 则把结论从「AI 可怕」纠正为「agent 时代的系统加固至关重要」；Dan Shipper 的调侃最直白：「我觉得只要不提示模型去搞网络犯罪，这问题就解决了。」安全攻防、治理与工程化，正在成为 agent 扩散的真正门槛。
播客这边，MAD Podcast 请到 Samsara CEO Sanjit Biswas，讲述可能是全球最大、却最少人谈论的物理 AI 部署：每天覆盖 99% 的美国道路、一年 25 万亿数据点、$2B ARR，还声称帮助预防了 38 万起事故。Biswas 直言 AI 热潮本质上是一场基础设施建设工程：一家电网客户用 125 年建成的容量，未来五年要翻三倍，而其中 90% 的需求来自数据中心。
The Takeaway：物理 AI 的规模远大于硅谷正在讨论的任何聊天机器人——Samsara 每天覆盖 99% 的美国道路，一年吸收 25 万亿数据点，帮助预防了约 38 万起事故；而它所在的物理运营行业，占了全球 GDP 的一半。
Samsara CEO Sanjit Biswas 在与 Matt Turck 的对谈中给出了物理 AI 的定义：把 AI 应用到物理世界——不只是 Waymo 的 Robotaxi，还有工地、电网、地下管道这些「还没被数字化」的地方。与数字世界不同，这里没有几十年的比特数据可以推理，硬件很难，网络不可靠，还得让数百万一线工人采纳新技术。但正因为未数字化，被困住的价值也极其可观：这些行业约占全球 GDP 的 50%。
Biswas 拆解了公司的三层架构：传感器（GPS 追踪器、AI 行车记录仪、资产标签）是眼睛和耳朵，云平台是大脑，而 agent 是动手的胳膊。去年发布的 Agent Studio 把「保修 agent」这类工作自动化：读到故障码后翻阅服务手册、核对 OEM 谈判的保修协议、开出工单，把原本一两小时的人工压缩到一分钟以内。他强调 agent 推理是巨大解锁，但仍需要工作流和护栏配合——两者缺一不可。
谈到未来，Biswas 认为机器人五年内能接管夜间第三班的路面整平这类重复作业，但自动驾驶卡车在长尾行业的普及可能要十年二十年。他提醒，AI 热潮本质上是一场基础设施工程：一家大型电网客户 125 年建成的容量要在五年内翻三倍，90% 的需求来自数据中心。物理世界的数据是真正的护城河：「这些 token 你在网上找不到，你不能爬 Reddit 就知道工地上发生了什么。」
收听原片 ↗OpenAI CEO：今天大幅降价——GPT-5.6 Luna 输入价降 80% 至 $0.20/百万 token、输出 $1.20；Terra 降 20% 至 $2/$12；Sol 在 API 新增 Fast 模式，速度最高 2.5 倍、价格 2 倍、智能不变。我们想在每一档价位都提供最好的价格/智能比。 原推 →
Replit CEO：沙箱很难。看多了「AI 逃出沙箱」的新闻很容易觉得「AI 好可怕」，但大多数 AI 公司和新兴沙箱供应商都在犯最基本的错误。Replit 从 2016 年起运营沙箱，被各路黑客与国家级对手盯过，学到的核心建议是：假设零日漏洞一定存在，在零信任框架里做分层防护。另外，Replit Design 现在可以直接从宣传册生成设计稿。 原推 →
Box CEO：这次事件的教训不应该是「AI 可怕」，而应该是「在 agent 时代，把安全做对极其重要」。只要给对工具和任务，agent 会在算力允许的范围内不惜一切代价完成任务，所以一个配置错误的系统、或你以为锁好了其实没有的东西，都会成为风险向量。按任务归一化后的 AI 成本下降，也是推动 AI 在经济中进一步扩散的最重要因素之一。 原推 →
Every CEO：也许我疯了，但我感觉这问题（agent 沙箱逃逸）其实可以很简单地解决——只要别提示模型去搞网络犯罪。 原推 →
Vercel CEO：我们刚把很多应用端到端的「CLI → Live URL」部署流程砍掉了最多约 7 秒。更酷的是，你可以把 Vercel 全部基础设施通过 CLI/MCP/API 集成，在它之上构建自己的自定义软件工厂。另外，Grok Build 应用（*.grok.me）由 Vercel 托管和 CDN 支撑，任何人都能靠提示 Grok 构建软件，一键发布。 原推 →
Swyx：既然能蒸馏模型，那同样可以蒸馏 agent 框架。另一个顿悟：如果预训练数据质量优先到 Common Crawl 都不够用，你就必须自己建全网爬虫；要保持新鲜就要做索引，很快你会发现自己在预训练这个「副项目」里，建了一个私有低频版的 Google 克隆，还能复用在 agent 侧推理上。各大实验室确实在用第三方搜索，但自建 1P 等价物既是竞争优势，也是不想分享的对抗目标。 原推 →
当管理者问怎么给非技术团队培训 AI 时，我的建议永远是：办一场安装派对（install party）。每人带电脑，当场把 agent 装到他们的机器上，让他们立刻完成一个有意义的任务。跳过抽象讲解。一旦装上，人们就会开始跟 agent 对话、互相学习。安装环节就是 80% 的障碍。 原推 →
OpenAI Codex 负责人：真正好的模型出现的那天会有迹象——负载不断上升但可靠性也在提升；突然的效率提升；事情变快；各种重置。这类东西。另外他在征求 Codex 日常体验的改进建议：什么都行，别嫌小。 原推 →