@HarryStebbings：我在@MattEvantic的善意介绍下第一次遇见@matanSF。我们去海德公园散步。我穿着我可靠的短裤……

X AI KOLs Following 新闻
ai-trends large-language-models enterprise-ai open-source verification-systems agentic-performance

摘要

这篇文章讨论了人工智能的关键前沿，包括构建验证系统、大型语言模型的路径、最大化智能体性能，以及控制层对企业主权的重要性。

我在@MattEvantic的善意介绍下第一次遇见@matanSF。我们去海德公园散步。我穿着我可靠的短裤，散步过程有点尴尬。尴尬的是，5分钟后，他显然是个天才，而在接下来的55分钟里，我不得不假装还有更多问题要问，然后才热切地说：“我可以投资吗”。感谢上帝他同意了。因此，我得以与他的联合创始人@EnoReyes共度时光。Eno是这种疯狂组合：一位真正才华横溢的技术专家，同时深刻意识到在人工智能领域构建高利润、高效业务所需的一切。最近Eno在伦敦时，我与他坐下来交谈（相关节目见评论），并将我的手写笔记添加如下。特别感谢@rabois @shaunmmaguire @byersblake @Sabina_Smith_ @laurenmhreeder提供的精彩问题建议。 -- 1. 当前人工智能的前沿 人工智能的真正前沿是构建没有基准的验证系统。创建系统化框架来定义“良好”是什么样子，使得人工智能能够可靠地执行复杂、高摩擦的人类任务，这些任务以前难以自动化。 这是否是Instinct @noahrshinn @saranormous的真正魅力所在 2. 大型语言模型将如何获胜的两条路径 前沿模型提供商面临两条路径：通过高容量推理主导基础设施，或向上堆栈进入高利润应用。但模型锁定应用可能与企业的实际需求相冲突：跨多个模型的最佳可能结果。 很想听听你对这一点的具体想法 @AnjneyMidha @mmurph 3. 如何从模型中获得最大收益？ 执行层之外的简单网关路由仅提供基本成本节约。最大化智能体性能需要在工作流本身内部以有状态方式操作，动态理解上下文、执行历史以及下一步需要发生什么。 你对此有何看法 @alexatallah @shensi @ThibaultJaigu @rauchg @koblovinamerica 4. 为什么80%的Neo Labs会死亡，以及赢家与输家的区别 赢家将把自己锚定在持久的企业工作流上，这些工作流不会随着底层前沿模型的改进而消失。 给当今投资neolabs的VC的最大建议 @LiamFedus 5. 为什么控制层如此有价值，以及谁最终是你智能的主宰 持续学习和工作流优化发生在控制层，而不是封闭的模型API内部。真正的企业主权要求拥有你的控制层和学习循环，以便关键智能保持专有，而不是让渡给第三方实验室。 6. 为什么我们不应害怕使用中国开源模型 将开源权重标记为危险的“中国模型”可能会模糊模型来源与实际安全风险之间的区别。开放模型可以反映创作者的偏见，但其风险应从技术角度评估，而非仅根据来源。随着开放权重的改进，它们可能为越来越多的标准企业工作流提供动力。
查看原文
查看缓存全文

缓存时间: 2026/08/31 00:12

我与 @matanSF 初次相识，是经由 @MattEvantic 的热情引荐。

我们在海德公园散步。我穿着那条标志性的短裤，这原本寻常的漫步却显得有些微妙。

这份尴尬源于：五分钟后，我便意识到他是个十足的天才，而随后的五十五分钟里，我只能佯装自己还有更多问题要请教，最终才以近乎恳求的语气问道：“能让我投资吗？”

感谢上天他应允了。也因此，我得以结识他的联合创始人 @EnoReyes。

Eno 堪称一位奇才——他既是一位真正卓越的技术专家，又对如何构建AI领域超高利润率、高效运转的企业有着敏锐的洞察。

最近 Eno 伦敦期间我们深入交谈（节目链接见评论区），我的手写笔记附于下方。

特别感谢 @rabois @shaunmmaguire @byersblake @Sabina_Smith_ @laurenmhreeder 提供的精彩问题建议。

  1. 当前AI的真正前沿

AI的真正前沿在于构建尚无基准参照的验证体系。为“优质表现”建立系统化框架，才能让AI可靠执行那些曾难以自动化、复杂且高摩擦的人类任务。

这是否正是 Instinct 的核心魅力所在？@noahrshinn @saranormous

  1. 大语言模型的两大制胜路径

前沿模型提供商面临两条道路：通过海量推理主导基础设施层，或向上延伸至高利润应用层。但模型绑定型应用可能与企业真实需求相悖——企业追求的是跨多个模型的最优解决方案。

很想听听您对此的见解：@AnjneyMidha @mmurph

  1. 充分发挥模型潜力需要什么？

执行层之外的简单网关路由只能实现基础成本节约。要最大化智能体性能，必须在工作流内部进行有状态操作，动态理解上下文、执行历史以及后续需求。

您如何看待这个问题？@alexatallah @shensi @ThibaultJaigu @rauchg @koblovinamerica

  1. 为何80%的新锐实验室会消亡，以及赢家与输家的关键区别

赢家将扎根于持久的企业工作流——这些流程不会因底层前沿模型的迭代而消失。

给当前投资新锐实验室的VC的最重要建议：@LiamFedus

  1. 为何“工具架”如此重要，谁才是你智能的真正主宰者

持续学习和工作流优化发生在工具架层，而非封闭的模型API内部。真正的企业自主权需要拥有自己的工具架和学习循环，使核心智能保持专有性，而非拱手让给第三方实验室。

  1. 我们为何不必惧怕使用中国开源模型

将开源权重标注为危险的“中国模型”，可能模糊了模型来源与实际安全风险之间的区别。开源模型可能反映创造者偏见，但其风险应基于技术特性而非单纯来源进行评估。随着开源权重的改进，它们或将成为越来越多标准企业工作流的驱动力。

Spotify https://open.spotify.com/episode/1K7yijPmWta84oqajDwRAg?si=00e5af72b0c74b4e… Youtube https://youtu.be/h9VNB9TA2Hk

他可比你有魅力多了，我的朋友

不过你确实神似《心灵捕手》时期的马特·达蒙，所以……

相似文章

@levie: 过去几个月，我们可能正在见证应用AI层在大规模场景下的模样。尽管一些初步的批评认为这只是LLM之上的一层薄薄封装，但事实证明，在企业中驱动自动化工作流远比想象中复杂得多。而任何存在复杂性的地方，随着时间推移，通常都会形成护城河并创造价值。

X AI KOLs Following

对企业中新兴应用AI层的分析，概述了关键组成部分：构建工作流特定功能、智能模型路由、通过FDE进行变更管理以及领域特定的市场策略。文章认为，尽管存在一些批评，这一层将创造可持续的护城河和价值。