sequoiacapital

来自 sequoiacapital 的公开洞察。

• Cursor Composer 2 的炼成：用全球分布式基建跑通大规模强化学习

  专用模型的价值在于把有限容量全部用于目标分布，并省掉通用能力的负担。对谈中 Composer 因此能以更小的激活规模服务，成本显著低于通用旗舰模型。应用团队可以先评估自家任务是否足够聚焦，再决定是否值得走专用训练，而不是一开始就追求大而全。

• 终端为何成为 AI 编程的工作台：Warp 创始人谈智能体融合与意图瓶颈

  终端以文本输入输出和可记录的时间线组织工作，便于同时调度多个智能体。对习惯在终端里完成构建、部署和运维的读者，这意味着可以把智能体放在主工作流里，而不是只当作编辑器的插件。

• 模型吃掉脚手架：谷歌智能体时代的贯穿线与边界

  Gemini 曾是统一各产品的底座，现在 Anti-Gravity 这套智能体脚手架正在成为新底座，复用到搜索、助手、云等产品。理解谷歌动向时，可重点看编码工具的通用能力如何迁移，而不是只看单个产品更新。

• 预算有限的应用公司如何建成研究实验室：Harvey 的方法

  基准决定后训练和上线是否成立。Harvey 先发布法律任务分类、合同谈判和大规模尽调环境，再谈模型改进。对应用团队而言，可先把核心工作流变成可自动评分的任务集，避免在没有标尺时投入训练。

• 为什么AI模型停止学习，以及如何重新启动

  萨顿把苦涩教训压缩为随计算扩展，不要被人类知识带偏。它解释了为什么阿尔法零去掉人类棋谱仍能成功，也解释了大模型的双面性：吞下互联网带来扩展，但互联网有限，世界更大，过度依赖人类存量知识最终会受限。用途是判断技术路线是否被人力瓶颈卡住。

• 从氛围编程到智能体工程：Karpathy 谈软件 3.0 与人的位置

  十二月前后，智能体在多步骤任务上的连贯性出现跃迁，纠正次数明显减少。理解这个时间点，有助于判断何时该把更大的任务交给系统，何时仍需人工紧盯，而不是沿用对聊天机器人的旧印象。

• 机器人的终局：英伟达 Jim Fan 的大平行路线图

  演讲者回顾大模型六年三级跳，预训练学语言形状，指令微调对齐到有用工作，强化学习做推理并超越模仿，最终走向自动研究。对机器人从业者的用处是提供一张对照表，每一步都可以问自己对应环节在哪里。

• 寻找 Transformer 之后：为持续学习重建架构与实验室

  两人认为行业已跑通大规模预训练和大规模强化学习，继续加参数只能延续注意力加混合专家的老路。下一步要回到架构本身，思考什么样的模型才能在部署中持续学习。这对读者的用途是：判断技术路线时，先看团队是否在回答测试时学习问题，而不只看参数和榜单。

• 用上下文工程支撑长周期智能体：LangChain的一线判断

  智能体多步循环时，每一步都可能拉进任意内容，无法只看代码预判第14步的上下文。追踪记录呈现了真实上下文，是定位问题、理解行为的起点，开发时就要从头使用。

• 什么时候该自建智能体框架：从核心循环到评估飞轮

  智能体不只是模型，还包括上下文和框架。想长期拥有能力，就要能切换模型、保留记忆与业务知识，并掌控框架的编排方式，避免把关键积累放在不可迁移的地方。

• Anthropic 平台访谈：不做围墙，做厚生态

  对内要杠杆与速度，对外要让任何建设者表达产品意图。为此靠近云与业务，提供接口与 skills、MCP 等标准，支撑最后一公里定制。

• Chai Discovery 的苦涩一课：药物设计也是规模问题

  Chai 希望建立从想法到可测试分子的快速通道，减少大海捞针式筛选。实验室依然负责验证，设计范式可能反而增加实验需求。这个框架可用来判断团队工作是在扩大可工程化部分，还是在重复试错。

• RL 环境：让 AI 智能体学会真实工作的训练场

  RL 环境包括世界、应用和任务三部分。世界是项目里的消息文档表格，应用是常用软件的高保真复刻，任务是提示词加验证器。理解这个结构，才能明白训练智能体不只是喂问答，而是复刻完整工作现场。

• 大脑为何远比GPU省电：换一条计算路线

  作者区分了算法效率与物理 substrate 的效率，认为真正的瓶颈在后者。80年前的数字抽象和浮点体系是为不同材料与任务设计的，延续至今更多是因为产品周期短。理解这一点，有助于判断能效改进是渐进优化还是需要换路线。

• 用 AI 设计芯片，再用芯片加速 AI：Recursive Intelligence 的递归赌注

  扩展规律下，有效算力决定智能上限，而通用 GPU 并非为 AI 量身定制。通过模型与硬件联合优化，可以在同样资源下获得更多有效算力。理解这一点，有助于判断定制芯片的价值不只在成本，而在推动下一代模型。

• 后训练：把你的品味留进模型里

  智能被视为数据的派生物，基础模型解决通用任务，企业要解决具体任务。做法是整理高质量生产数据并用合成数据补充，再把数据变成自有权重，最后经 AB 测试验证产品指标。用途是把数据策略排在模型技巧之前，避免只调参数不治理数据。

• 自己设计芯片的 AI：从 AlphaChip 到无设计时代

  部分芯片设计环节已可用神经网络超越人工。这提示读者不必把 AI 只看作应用层工具，它也能改进制造智能的物理基础，但目前限定在布局等特定环节。