摘报

近 14 天（2026-08-10 → 2026-08-24）

先说一句方法学上的警告，它会影响你怎么读下面的一切。 这 23 篇里，08-22 那一批的 17 篇中有 11 篇可追溯到同一家机构——Sequoia 的一场以 "owning your intelligence / sovereign AI" 为题的闭门活动（约 80 位被投公司创始人在场，Sonya Huang 开场）与其 Training Data 播客。所以本批次看起来"多位互不相干的从业者独立收敛到同一判断"的地方，有相当一部分是策展造成的，不是市场自己长出来的。下面每个主题我都会标出它的独立信源到底有几个。

本批次浮现的主题

1. "Not your weights, not your product"——应用层的主权转向（信源集中，需打折）

Sequoia 把一整场活动押在一个命题上：应用层公司应该停止租用前沿 API，转而拥有自己的权重。Sonya Huang 用了一个加密圈的老梗来命名它：

"In the crypto of the days, there was this meme for the DeFi DGems, not your keys, not your crypto. … I hereby present the AI version of this meme, Not Your Weights, Not Your Product."

「在加密货币的时代，曾经有一个梗：你没有密钥，就没有你的加密货币。……我在这里呈现这个梗的 AI 版本：没有你的权重，就没有你的产品。」

Sonya Huang · How Companies Are Building Their Own Intelligence

同场 Fireworks 的 Lin Qiao 给了这个口号一个价签——后训练把推理成本降 5–10 倍，等价于"同样预算撑 5–10 倍流量"，于是你不会"扩张到破产"（Post-Training Is How You Keep Your Taste）。Trajectory 给的是工程路径（用生产流量做 evals、用 router 优化开放权重模型）。

打几折？ 这三家都在这场活动的名单上，而且都在卖这个命题对应的产品（后训练平台、持续学习平台、以及投了它们的基金）。真正独立的第四个信源来自本批次外围：vLLM 的 Simon Mo 在另一档节目里给了一条与价格无关的理由——闭源 API 的内容审核会误伤正当的专业工作流，"审核问题不解决，未来人们会默认走开放权重"（The Engine Powering Open-Source AI）。这条比整场活动都更值得记：如果开源采用的推力里有一部分与成本无关，那么推理降价并不会让这股潮水退回去。

2. 持续学习：静态预训练之后，下一根轴（信源同样集中，但有一个重量级外部背书）

多位讲者在说同一件事：模型在出厂后就不再学习了。分量最重的是 Rich Sutton——写下《苦涩的教训》的人现在说，下一课可能是"大世界假说"：

"The big world is The world is infinitely big. There are infinitely many things to learn. You can have people generating these synthetic data sets, but there would always be more things to learn."

「大世界就是——世界是无限大的。要学的东西无限多。你可以让人去生成这些合成数据集，但永远还有更多东西要学。」

Khurram Javed · Rich Sutton and Khurram Javed: Why AI Models Stop Learning

他们把问题定位得很精确——不是模型不能学，是我们不让它学："when I'm using the model, it stops learning"（「当我使用模型时，它就停止学习了」）。

本主题里最诚实的一句话来自它自己的阵营。 Engram 的 Jack Morris 承认这条路会撞墙：从私有数据造合成数据再训练，最终会把合成数据学完、曲线走平——"a data wall in the synthetic sense"（Scaling Compute on Context）。于是他把整件事重述成 "同样的数据，怎么塞进更多算力"。请注意这个转向的含义：这条路线不再是省推理成本的解药，它是把算力挪到另一个同样没有上限的地方去烧。谁要是把"持续学习"当成降本故事在听，这一句就是纠正。

3. 执行变便宜之后，克制成为瓶颈（这条是真的跨信源）

这是本批次唯一一个横跨四家不同出品方、且没有共同利益的收敛。AppLovin 的技术 VP 葛小川给了最不客气的版本——AI 的赋能可以被坏品味净抵消：

"People are making a lot of bad decisions, bad taste, wasteful ideas that actually offset the empowerment of AI. You build things faster, but you're making a lot of bad-tasted ideas."

「人们做出很多糟糕的决定、糟糕的品位、浪费的想法，实际上抵消了人工智能的赋能。你构建东西更快，但你却做出很多糟糕的构想。」

葛小川 · How AppLovin Built a $100B Ad Machine

对照面是 Stripe：内部编码 agent "Minions" 从年初每周 1,200 个 PR 涨到近期每周 7,000 个、占全公司 PR 约 30%，而他们明说不拿这份效率去优化成本结构，是"build everything"（Stripe's AI Strategy）。两家说的其实是同一件事的两面：执行地板被抬起来了，决策地板没动，所以结果完全取决于你往管子里塞什么。Benchmark 的 Eric Vishria 从投资端给了同一结论的岗位版本——PM/设计/工程的旧分工作废，剩下三样：懂客户问题、有品味、懂"AI 能力的锯齿边缘"。

必读（标出来这几篇）

• Rich Sutton and Khurram Javed: Why AI Models Stop Learning — 写《苦涩的教训》的人给出他认为的下一课；本批次唯一一篇你读完会改变对 scaling 的默认假设的。
• How AppLovin Built a $100B Ad Machine — 全批唯一一个说"AI 可能让你的公司变差"的声音，而且来自一家真在大规模跑 AI 的公司；"把 Axon 的成功归给我们决定不做的事"是罕见的可回溯检验的品味主张。
• Eric Vishria — A Decade of Lessons — 一个此前语料完全没有的硬数字：同一个开源模型、同一批 NVIDIA 硬件，专业推理商与通用云的速度差约 5x，吞吐差还是"多倍"。这是"推理软件层还有没有护城河"这个争论里第一份控住变量的读数。
• The Reality of AI-Powered Cyberattacks — 与上面三条主题都无关，但它是本批次里唯一一篇讲"已经发生了的坏事"的。见下。

可以跳过

• 20VC: The AI Boom Will Create Enormous Roadkill — 内容是种子轮市场机制（估值、二级流动性、精品基金 vs 平台基金），AI 只是背景板。标题许诺的"谁赢谁输"没有兑现成可操作判断。
• Chasing Trillion-Dollar Companies… — 宏观叙事（周期压缩、加州监管导致生态迁移），观点都不新，且与本语料已有的 ai-capital-cycle 主题高度重复。
• 若你时间紧：08-22 那批 Sequoia 短讲里，Trajectory 的三篇（3c4ea6…e0ad / …d2ba / …48b0）内容互相重叠度很高，读一篇即可。

静悄悄的重要

The Reality of AI-Powered Cyberattacks | Truffle Security & Socket — 这一集给了一个我没在别处见过的数字：他们和 Hugging Face 合作清理托管在其上的训练集里泄露的凭证，结果发现约 25 万个仍然有效的密钥，其中不少直接牵连供应链。配上另一条观察——前沿模型在被赋予目标时会走"阻力最小的路径"，而"偷一加仑牛奶比买快"，于是它们优先用泄露凭证而不是打真正的 0day。这两件事合起来说明：AI 攻防的第一战场不是漏洞挖掘能力，是十年来被随手提交进公开语料的密钥。这类新闻周期覆盖极少，但它的半衰期比本批次任何一场活动都长。

How Global Networks Are Reshaping Startup Success — 讲"无国界创始人"：深耕本地市场知识 + 全球野心，用 AI 把开发分布到全球、把战略决策留在硅谷，靠侨民网络做跨境的导师与交易流。它现在读起来像软文，但它描述的是一个正在成型的组织形态，而本语料里 china-vs-west-ai 那条线一直缺"第三种路径"的样本——不是中国也不是美国，而是跨两边的人。半年后回看，这可能是本批次里最被低估的一篇。