摘报

近 14 天（2026-07-13 → 2026-07-27）

本批次浮现的主题

1. 从「token maxing」到「token rationalization」——竞争的问题被改写了

这一批里最强的集体信号：多位一线者不约而同地把竞争从「谁烧得起最多 token / 谁调得动最强模型」改写成「谁最会分配 token」。Anthropic 的 Katelyn Lesse & Angela Jiang 直接给了这组词——她们描述一个新的「协调层（coordination layer）」，把 token 当成有角色的资源来编排：

"maybe this token is advising versus this token is executing, you want to start composing these kind of orchestrated strategies that go together."

「也许这个 token 是在『建议』，那个 token 在『执行』——你会想开始把这些编排成一套套协同的策略。」

Katelyn Lesse / Angela Jiang · Anthropic's Katelyn Lesse & Angela Jiang: Building an Ecosystem, not a Walled Garden

同一逻辑在别处以不同形态出现：Glean 的 Arvind Jain 说「90%+ 的企业用例现在开源模型就能吃下」，据此把「挑更便宜的模型、控住 token 成本」做成核心卖点；Factory 的 Matan Grinberg 把护城河押在「模型无关的 harness」而非某一个模型；Modal 的 Akshat Bubna 用 block-based speculative decoding 谈 2–4× 的推理效率；Engram 的 Dan Biderman 更激进——用「cartridges」把知识压缩约 1000×，把「智能」重新定义为「用最少 token / 能量解决长程问题的能力」。五个人、五个层，指向同一件事：稀缺性正从「智能」滑向「每美元的智能」。这条线与 推理经济学 本轮的刷新完全同频。

2. Agent 成为分发层：谁控住「choke point」和专有数据，谁收租

DoorDash 的 Andy Fang / Stanley Tang 把「agentic commerce」讲得最具体——自然语言下单带来 +50% 新餐厅、+40% 杂货篮，且他们意识到消费侧的入口正在变：

"there's more agent traffic on the web than human traffic, you know? And so it's like, how do we have a DoorDash type experience that plays into that trend?"

「网上的代理流量已经比人类流量还多了，你懂吧？所以问题就变成——我们怎么做出一个顺着这个趋势的 DoorDash 式体验？」

Stanley Tang · Building an Autonomous Delivery Experience with DoorDash Co-Founders Andy Fang and Stanley Tang

Accel 增长团队从投资人视角讲的是同一件事的另一面：AI agent 正在变成企业软件的「决策 choke point」，谁被 agent 选中谁就拿到分发——他们把这叫「agentic influence」，类比一代人前的 SEO。两边合起来的判断是：模型能力会趋同，但入口（谁被 agent 调用）和专有数据（DoorDash 的「最后 100 英尺」10B 次配送）会是新的租金来源。这条线正好接上 agentic-commerce 与 ai-native-products。

3. 数据墙的两种绕法：把「真实世界」变成 token 工厂

Ari Morcos 们担心的「数据墙」，这一批给出两条正面绕法。Lila Sciences 的 Andy Beam & Rafa Gómez-Bombarelli 最大胆——把实验本身当成数据源：

"we view science as an infinite token generator; by using nature and experimental feedback as a verifier, we can treat scientific discovery as a massive reinforcement learning problem."

「我们把科学看成一个无限 token 生成器：用自然和实验反馈当 verifier，就能把科学发现当成一个巨大的强化学习问题来做。」

Andy Beam / Rafa Gómez-Bombarelli · The Lab of the Future Should Feel Like a Data Center — Lila Sciences

Engram 走的是另一条：既然新数据难得，就把已有的专有数据榨得更干——用 cartridges 把企业语料内化成参数级「直觉」，绕开 RAG 反复读长上下文的「context rot」。一个往外扩（造新数据），一个往里挖（压旧数据），但都在赌「更多上下文 ≠ 更多智能」。这条线是新冒头的 ai-for-scientific-discovery（本轮刚够 ripe，待下轮综述）与 continual-learning 的交点。

必读（标出来这几篇）

• Anthropic's Katelyn Lesse & Angela Jiang: Building an Ecosystem, not a Walled Garden — 「token rationalization / 协调层 / token 有角色」这套词的原产地。想理解主题 1 只读这一篇就够。
• The Lab of the Future — Lila Sciences — 本批最大的赌注：把湿实验室当数据中心、把实验当无限 RL verifier。对错都值得读。
• DoorDash: Building an Autonomous Delivery Experience — agentic commerce 少数带硬数字（+50%/+40%/10B 配送）且带机器人（Dot）落地的一手样本。
• The AI Memory Problem — Dan Biderman, Engram — 对「长上下文能解决记忆」的正面反驳，cartridges 是一条与 RAG 分岔的架构路线。

可以跳过

• Netflix CPTO — Elizabeth Stone 与 The Philosopher CEO — Kareem Amin (Clay)：都是扎实的「角色边界模糊但 craft 仍稀缺 / 创始人心性」类访谈，但相对本批的技术—经济主线是支线。除非你正好在带产品团队或想读创始人心法，可略。

静悄悄的重要

• Jeremy Giffon — The Billion Dollar PDF — 被上面几篇「产品/基础设施」话题盖过，但它给的是一记元层反转：「公司是资本的下游产物——资本像海绵，找不到出口就自己造供给」，以及「软件正从卖『字符串副本』（零边际成本、高毛利）转向卖『compute』（薄利、规模定义）」。前者直接顶撞「需求真实、只是预算重配」的主流安慰；后者把 SaaS 估值范式的地基抽掉。半年后回看资本周期，这两句可能比任何一张 capex 图都更解释问题。已并入 ai-capital-cycle 本轮刷新的「分歧」节。