Latent Space

Zach Lloyd 认为，软件工厂不是“团队大量使用编程智能体”的别称，而是一套以代码定义、在云端运行、能记录与评测每次工作，并据此持续改进的软件生产系统。

Legora 要做的不只是让 AI 帮律师回答问题，而是在无法查看客户机密数据的条件下，把检索、审阅、起草、协作与人工核查连接成可用的法律工作系统。

Arca 把 AI 智能体（Agent）放进财富管理公司的日常流程：让智能体持续分析、跟进和提醒，让人类顾问负责客户关系，以及资金移动、交易和对外沟通等关键决策。

Supabase 想成为 AI 智能体（Agent）创建应用时默认选择的后端：让数据库易于在本地理解和生成、能够低成本地批量创建，并在应用成功后平滑扩展。

本集以 Anthropic 的模型发布流程为线索，讨论如何把模型能力与工具执行、访问授权和在线防护分开设计，让更强的 AI 智能体（Agent）进入生产环境时仍可控、可撤回。

Leash Bio 把预先测量的分子筛选结果做成科学智能体的交互环境：智能体在有限实验预算内寻找更好的蛋白结合分子，而评测者能用已知的完整测量结果，检查它找到了什么、又错过了什么。

Modal 的生意，是把云供应商按年出售的固定 GPU 容量，转化为开发者能随时启动、扩缩和停止的计算服务；这既是系统工程问题，也是资金与风险管理问题。

前能源衍生品交易员 Anekha Sokhal 正在用 Moshi 把市场数据、交易员的私有资料与推荐系统连接起来；但真正决定产品能否进入交易工作流的，不只是模型能力，还有可信度、界面设计和客户购买意愿。

Tenex 认为，企业迈向 AI 原生的关键不是多买一个模型，而是把工程决策、业务流程、数据权限和成果衡量都改造成智能体能够参与的系统。

SF Compute 想把 GPU 集群变成可交易、可交付、可编程的算力：先解决「买到之后真的能用」的问题，再让远期市场和融资建立在可信的供给之上。

Leash Bio 试图把大规模、可复现的小分子结合实验变成 AI 可反复探索的「实验世界」，但 Ian Quigley 强调：数据量再大，也不能替代对实验伪信号和跨化学空间泛化的检验。

Dyna Robotics 希望把“预测世界如何变化”与“控制机器人如何行动”放进同一个模型，再通过合适的硬件、少量任务数据和分层智能体系统，让机器人从短时演示走向真实场所中的长时工作。

AlphaFold 让蛋白质结构预测取得重大突破，但要理解蛋白质在真实生物环境中的运动、功能与药物作用，仍须重新设计数据、模型和验证方式。

Periodic Labs 想让 AI 不只提出材料假设，还能借助模拟、实验室设备与连续反馈，学会把材料真正造出来。

从 GPU 内核、递归语言模型到智能体集群，Alex 主张：学术研究的优势不是复制大公司的资源路线，而是敢于重新设计模型、工具与问题本身。

OpenAI 的电脑操作智能体（Agent）正从“看截图、点按钮”走向会调试、会选工具、能测试自己所写软件的系统；同期推出的 Decisions API，则展示了如何在不训练新模型的情况下，快速做出面向低延迟分类的产品原型。

Anthropic 的 Thariq Shihipar 深入探讨了 Claude Code 的最新进展，包括其可定制的 Mod 架构、Artifacts 驱动的交互界面，以及多智能体协作模式，并强调了在快速发展的 AI 领域中，提示工程、安全性和对前沿模型发展步调的审慎思考至关重要。

OpenRouter 押注的不是哪家模型会赢，而是开发者始终需要在不同模型、推理服务商和价格之间选择；加入 Stripe 后，这层分发基础设施还要面对日益复杂的「token 欺诈」。

Runway 嘉宾 Anastasis 主张把视频生成模型继续扩展为能预测物理与动作的世界模型，而实时反馈将决定它能否成为真正可用的创作工具。

能设计新 DNA 的模型，也可能成为识别危险序列的工具；Eric Nguyen 认为，生物安全的关键是让长期落后的防御能力跟上生物设计能力。