今天 feed 里最响亮的信号来自 Meta AI 高级总监 Madhu Guru：他总结了一个正在成型的「标准剧本」——先用最强 frontier 模型做原型，成本与延迟先不管，验证用户体验；六到八周后开源权重模型追上来，再把生产负载迁过去，能小则小。他观察到大多数团队卡在第一步：只做原型、从不优化。这几乎是「智能变便宜」时代构建者的操作手册：先用最好的模型学用户要什么，再为成本而优化。
成本叙事在四处呼应。Peter Yang 听说 GPT-5.6 Luna High 便宜得多且几乎不限量；Vercel CEO Guillermo Rauch 展示一行代码在 AI SDK 里省下 90% 的 DeepSeek v4 Flash Gateway tokens，还宣布 Factory AI 用 Vercel 的 Fluid compute 撑起每月数十亿请求；Swyx 在 Midjourney 聚会上感叹，「足够好的」智能终于便宜到无需计量，知识图谱这类互补资产因此升值。当模型本身不再稀缺，差异化的来源转向工作流、数据与分发——Matt Turck 甚至观察到，不少 SaaS 创始人对 Airtable 的「低价」收购暗自羡慕：至少他们退出了。
另一条线是采纳侧的异质性。Box CEO Aaron Levie 说，问 10 个 IT 领导他们的 coding agent 策略，能得到至少 5 种答案——有的统一到 ChatGPT 或 Claude，有的自建编排层让员工任选模型，开源与垂直模型也在涌入企业。Zara Zhang 则提醒：技术扩散本质是社交过程，人们为情感与社会认同买单，而不是为效率；最好的 AI 培训是把 agent 拉进团队群聊，让大家看着它干活。Sam Altman 的立场呼应了这种乐观：「宁可做乐观主义者并努力工作」。而 Chai Discovery 在播客里给出的答案是：药物设计也是另一个规模化问题。
两位联合创始人上 Training Data，讲的核心一句话是：「把药物发现变成药物设计」。传统药企是在数十亿分子里大海捞针——筛选、试错、靠运气，所以他们管这叫 discovery；Chai 想让你直接指定「我想要一个这样的分子」，由模型把它生成出来——像工程师用 CAD 设计产品，而不是在仓库里翻零件。他们称之为「分子的计算机辅助设计套件」。
这是一家不折不扣的「苦涩教训」公司：相信 scaling data、scaling models、scaling compute，一切从零构建，而不是在 ESM 等模型上微调。创始人 Josh 是 OpenAI 早期成员，做过 GPT-1、GPT-2 与 scaling laws——「如果模型能学会说英语德语，为什么不能学会说 DNA 和蛋白质」；团队里还有首个蛋白扩散模型的作者、14 岁就进诺贝尔奖得主 David Baker 实验室的天才。成果是硬数字：抗体设计的结合率从行业 SOTA 的 0.1% 一路提到 CHI2 的约 15%，不再需要大规模文库筛选。训练数据来自 1970 年以来的蛋白晶体数据库与万亿 token 的序列库，模型越好→结构越准→数据越多，形成复利。
商业上他们刻意不自己开发药物，而是给礼来、诺华、辉瑞等大药企做模型平台——「模型越好，越赢得继续投资模型的权利」。目标是把分子发现周期从 9 个月压到 9 周甚至 9 天，让难成药靶点变得可及。创始人说：一年前你无法 zero-shot 一个分子，现在可以了；AI 在生物领域的速度，「绝对疯狂」。
收听原片 ↗给构建者的标准剧本：先用最好的 frontier 模型做原型，成本不管，验证用户体验；6-8 周后开源权重模型追上来，把生产负载迁过去，能用小模型就用小模型。顺序不能反——不要从最便宜的模型开始。他周末和一批创始人聊完发现：早期产品验证最好的模型，几乎从来不是生产最好的模型；而大多数团队卡在第一步，只做原型不优化。 原推 →
企业 AI 实施策略的多样性远超想象：问 10 个 IT 领导 coding agent 策略，能得到至少 5 种答案；终端生产力 agent 有人统一用 ChatGPT 或 Claude，有人给员工多个选择，很多人自建编排层。开源模型被越来越好奇，垂直模型与 agent 也在涌入。数据访问上，有的让 agent 扮演用户，有的给 agent 独立身份；有的严设护栏，有的把责任交给用户。这种异质性意味着多年的格局变动，「任何预测终局的人都可能出错」。 原推 →
大多数人不因「效率更高」而采纳新技术，而是因为：某个和你相似的人用了它并变好了，你也想成为那样的人；或者感觉周围人都用了，不用就被落下。这是情感决策，不是理性决策。所以传播的话术不该是「让你 10 倍高效」，而该是「你看，和你差不多的人用了之后生活变好了」。她补充：最好的 AI 培训不是课程，是把 agent 拉进团队群聊让大家看着它干活；高效会议的标志是没有遗留待办——因为行动都在会议中由 agent 实时完成了。 原推 →
宣布投资 TryRivo——「自驾驶金融」：agent 连接你现有的支票账户，学习现金流，把闲置资金扫入国债收益，在账单到期前取回，让每一块钱在花出去之前都在生息。难点在于「不对称成本下的预测」：钱早回来一天损失一点收益，晚回来一天账单跳票、信任崩塌。创始人 Ambrish 做过 Cruise L4 自动驾驶并成功推出 robotaxi——自动驾驶花了二十年才跑通，因为最后 1% 的边角案例最难；自驾驶金钱是同样的问题，只是失败模式更友好。 原推 →
「Vercel 是后端的 Vercel」：Factory AI 用 Vercel 的 Fluid compute 支撑 API 服务，每月数十亿请求。同时展示 AI SDK 里一行代码即可在 AI Gateway 上省下 90% 以上的 DeepSeek v4 Flash token 成本——模型路由与缓存正在变成默认基础设施，而不是需要自己造的东西。 原推 →
现在的 vibe code SaaS 往往只是通往更贵服务业务的「自助漏斗」——很难靠 SaaS 本身赚钱，而服务又像回到「用时间换钱」的咨询。他听说 GPT-5.6 Luna High 便宜得多且基本不限量，而自己 Sol 快用完了；还调侃：现在从 X 的打赏分成赚钱，比做 micro SaaS 还容易。 原推 →
「我宁愿做个乐观主义者并努力工作，也不愿当个整天发帖说『这行不通』的悲观主义者。难得多，最可能的路径是失败——但如果没人尝试，社会就失败了。再多的『永远不会成功』的文章也推动不了社会前进。」 原推 →
在 Midjourney 聚会上有个顿悟：本体论与知识图谱如今终于流行，而不是三年前，原因之一是「足够好」的智能终于便宜到无需计量。知识图谱最难的部分（构建、对齐）现在很便宜，智能被商品化，互补资产的价值反而上升——所以 Frank Coyle 和 Emile Ifrem 这类演讲才如此火爆。 原推 →