BestBlogs早报·07-26｜创业韧性来自难题与关系，企业AI优势靠可控闭环，端侧智能转向微型模型

一句话结论

三条精讲同指一个判断：一个系统能完成任务只是起点，它是否形成业务特有的学习资产、能否在成本与硬件约束下持续工作，才决定价值能不能留下来。

导语

写软件的成本持续下降之后，一家 AI 公司还可以把什么变成长期优势？

今天的三篇精讲从公司、系统和设备三个尺度给出不同答案。Y Combinator 把注意力转向销售、监管、硬件与创始人关系这些难以复制的部分；LangChain 主张企业掌控 Agent 的工作方式、上下文和改进闭环；Google AI Edge 则把模型大小变成部署设计问题，让不同体量的模型承担不同任务。

这组内容也延续了近期早报对 Agent 控制系统与能力回归的讨论，但视角更接近经营和部署：一个系统能完成任务，只是起点；它是否形成业务特有的学习资产，能否在成本、风险和硬件约束下持续工作，才决定价值能不能留下来。

★ 精讲一：AI 时代，什么真正让一家创业公司更具韧性

来源：Y Combinator · BestBlogs 评分：90

Y Combinator 合伙人在一场面向创始人的问答中，把 AI 创业的壁垒问题重新放回「困难本身」。他们的判断是，模型让工程师更高效，智能成本还在快速下降，十年前依靠大量软件开发形成的门槛正在变薄。由此得到的结论并非软件没有价值，而是只拥有一批可被快速复刻的代码，越来越难单独支撑长期防御力。

哪些难题更可能留下壁垒？分享列出三类：周期长、关系复杂的企业销售；需要牌照、合规经验和行业信用的监管领域；以及必须面对硬件、制造与物理规律的业务。这些部分无法靠一次模型升级瞬间抹平。对创业者而言，这提供了一套比「用了哪个模型」更稳定的筛选框架：观察客户为什么愿意长期付费、竞争者要复制完整交付需要跨过哪些非代码门槛，以及团队是否积累了可持续的渠道、许可或现实世界能力。

分享对「一人独角兽」也保持谨慎。AI 可以帮助通才完成工程、销售或研究工作，却不能替代共同创始人在低谷中的支持、在过度兴奋时的校准，也无法代替两个人共同经历艰难决策所形成的信任。类似地，把用户访谈交给工具汇总，不等于创始人亲自接触客户。原始对话中的犹豫、语境和未说出口的限制，往往正是产品判断的来源。

更可执行的部分，是一组朴素的创业节奏：尽早上线，把真实市场反馈带回产品；每两周重新检查进展，不让研究和建设变成延迟验证的借口；主动完成暂时无法规模化的工作，例如到客户现场、提供高接触服务、为早期用户做定制交付。AI 能降低执行这些动作的成本，但不能替团队承担选择与承诺。

这篇内容的价值，在于把「技术壁垒」拆成可核查的问题。若一家公司拿掉当前模型名称后仍能说明客户关系、行业许可、现实交付和学习速度为何难复制，它的韧性才有更具体的依据。YC 的观点来自合伙人经验与问答，不是适用于所有公司的定律；纯软件仍可能依靠网络效应、数据或工作流嵌入建立优势，但创始人需要明确说出困难究竟位于哪里。

迁移要点：自查清单——拿掉当前模型名后，客户关系、行业许可、现实交付、学习速度四项里你能说清哪一项难复制？说不清的那项就是下一步要投入的壁垒。

★ 精讲二：掌握你的智能：获得持久 AI 优势的关键

来源：LangChain · BestBlogs 评分：91

LangChain 所说的「掌握智能」，并不是要求企业从芯片到模型全部自研。文章建议购买通用、昂贵且缺乏差异化的基础设施，同时控制那些决定 AI 如何工作、如何被管理以及能否随使用而增值的层。对于把 AI 放进核心运营或产品的公司，这一区分比「自研还是采购」更实用。

文章用保险理赔解释通用模型的边界。模型可以解释免赔额、阅读保单和概括索赔，但真正处理一笔理赔，还取决于公司自己的保单语言、不同州的监管要求、欺诈信号、历史模式、升级规则、客户分层与风险偏好。这些细节通常不在通用模型权重里。对垂直 AI 产品也是如此：大家都能调用同一个模型 API，产品差异更多来自工作流、可用工具、质量评测、记忆和客户交互形成的反馈。

LangChain 把需要控制的 Agent 系统分成三层。第一层是模型，企业不必固定在单一提供商，应保留按质量、成本、延迟和隐私切换的能力；在主权或部署控制重要时，开放权重模型也是一种选项。第二层是 harness，也就是路由、工具调用、工作步骤和技能等编排逻辑。第三层是上下文，包括文档、政策、组织知识、用户偏好与记忆。模型提供通用推理，后两层决定它在具体业务里看见什么、可以做什么。

「拥有」还包括运营责任。企业需要知道每位用户或每个 Agent 消耗多少成本，以评测而非印象判断模型、提示词或工具变更有没有回归，并定义数据访问、工具权限、人工批准与升级条件。可观测性则让团队能够回看 Agent 看到了什么、调用了哪些工具、为何采取某个动作。没有这些能力，系统即使表现良好，也很难被审计、改进或放心扩大权限。

最值得保留的是「第 100 次交互应当优于第 1 次」这个检验。运行轨迹记录 Agent 实际做了什么，人工与业务反馈说明结果是否被接受、是否低效或存在风险；团队再据此调整提示词、工具和编排，并为每次改进补上评测，防止后续回归。这些轨迹、反馈、评测与记忆应当可以跨模型迁移。真正复利的不是某次回答，而是组织能否掌控学习材料和学习过程。

这也给采购决策设置了几道直接的问题：明天出现更合适的模型时能否切换？一次动作发生后能否给出完整轨迹？成本能否按用户和组织限制？模型替换后是否有评测保护？用户长期使用形成的记忆能否带到另一套系统？这些答案比供应商清单更能揭示企业是否拥有自己的智能。

迁移要点：用五问审视现有 AI 系统——模型可切换吗？动作有完整轨迹吗？成本可按用户限额吗？换模型有评测保护吗？记忆可迁移吗？任何一问答不上来，就是控制层缺口。

★ 精讲三：为什么还要做大模型？Google AI Edge 谈微型语言模型与边缘机器人

来源：Google AI Edge · BestBlogs 评分：89

Google AI Edge 技术负责人 Cormac Brick 没有把「大模型还是小模型」处理成单选题，而是按设备、任务与响应要求划分角色。云端模型适合复杂而开放的推理；约 1B–4B 参数的小模型可以在中高端设备上提供较强的零样本能力；约 50M–500M 参数的微型语言模型，则面向固定任务、后台常驻和低成本硬件。模型体量应由任务边界决定，而不是由参数竞赛决定。

端侧部署有四个清晰收益：省去网络往返带来的延迟，让敏感数据留在本地，在离线状态继续工作，并避免大规模用户持续调用云端 Token 的费用。它的硬约束是内存，演讲尤其指出 DRAM 的成本与容量会直接改变产品选择。以 Gemma 2B 为例，约 2.9 bit 的激进量化可以把权重压到约 841 MB，但加上运行时仍需要约 2GB–4GB 活跃内存。这对部分开发板可行，对更便宜的消费电子或后台辅助进程仍然偏重。

演讲给出的硬件数据让取舍更具体：Gemma 2B 在 Raspberry Pi 上的解码约为每秒 7.6 个 Token，在 Nvidia Jetson Orin Nano 上约为每秒 24 个 Token；Qualcomm IoT 开发板的预填充约为每秒 4000 个 Token、解码约为每秒 31 个 Token。这些数字不是跨设备的统一排名，却提醒产品团队分别测量首字延迟、持续解码、内存和功耗，而不是只看模型榜单。

微型模型的能力来自任务化训练，而非期待它像通用模型一样零样本完成所有事情。演讲建议从 FunctionGemma 270M 这类基座出发，为目标操作生成约 1 万到 1000 万条合成样本，再做专项微调。案例包括把语音或文字映射为系统函数、端侧摘要和文本编辑。一套 270M 模型完成移动端动作的准确率超过 86%；另一个 iOS 离线听写应用在本地串联两套微调模型，完成语音转文字和文字润色，不依赖服务器订阅。

这套方案的边界同样明确。微型模型通过收窄任务换取速度、隐私和成本，因此任务漂移、合成数据覆盖不足或设备差异都会直接影响效果。产品若需要开放式推理，可以把复杂请求升级到更大的本地模型或云端；若操作模式稳定，则让微型模型常驻设备。更好的架构往往是分层路由，而不是把所有请求交给同一体量的模型。

对机器人和环境智能而言，端侧模型的意义还包括控制回路：感知之后能否立刻触发一个受限动作，网络中断时能否继续工作，设备价格能否支撑规模化部署。读这篇时可以带着一张任务表：需要哪些上下文、允许多大延迟、可用多少内存、失败是否能安全回退。答案会比「越大越好」更接近实际产品设计。

迁移要点：端侧选型按「任务表」走——上下文需求、延迟容忍、内存预算、失败回退四栏填完，模型该放云端、本地还是分层路由自然浮现。

速览

加速进化程昊：具身模型要做，但「先烈」不能当

来源：晚点 · BestBlogs 评分：87

加速进化创始人程昊选择先在机器人足球这一单一场景里积累能力，而不是立即追逐通用具身模型。足球同时要求运动控制、路径规划和传球或射门决策，公司把这套协同能力定义为 Agent；视觉信号进入「小脑模型」后，再通过仿真与强化学习反复训练动作。

他的商业顺序是先让本体和 Agent 进入可规模化场景，再承担巨头才有资源长期投入的模型竞争。2026 年 7 月发布的 1.4 米 T2 已把目标从足球扩展到物流配送和家庭服务，但程昊也承认机器人足球距离战胜人类冠军仍很远。这是一份关于技术时机与公司生存节奏的案例，而非通用路线证明。

将 Nunchaku 4-bit 扩散推理集成到 Diffusers

来源：Hugging Face · BestBlogs 评分：86

现代文生图模型以 BF16 精度加载常需 20GB–30GB 显存。常见的仅权重量化虽然节省显存，却可能因运行时反量化增加延迟；Nunchaku 背后的 SVDQuant 让主要 Transformer 层以 4-bit 权重和激活运行，在缩减内存的同时加速去噪循环。

现在 Nunchaku checkpoint 可直接通过 Diffusers 的 from_pretrained() 加载，kernels 包免去了本地 CUDA 编译，配合 torch.compile 的速度提升最高可达 1.8 倍。开发者还可用 diffuse-compressor 量化新架构并按常规 Diffusers 仓库发布。

在 TPU 上运行 Ray，第二部分：Ray AI 库

来源：Google Cloud · BestBlogs 评分：85

TPU 芯片按 slice 固定连接，多主机模型若没有落到同一个完整 slice，worker 之间无法通信，任务会卡住。GKE 的 Ray Operator 负责配置和标记主机，Ray Core 的 slice_placement_group() 则一次保留完整 slice。

这篇第二部分把同一约束分别落到 Ray Serve、Data 与 Train：声明 topology，由底层完成放置。Serve 可通过 vLLM 在 TPU 上提供 LLM 推理，并保留自动扩缩容、负载均衡与多模型组合能力；真正需要小心的是不同库应在哪一层声明拓扑。

ChatGPT 健康功能正式上线

来源：OpenAI · BestBlogs 评分：85

ChatGPT Health 已面向美国用户推出，可由用户选择连接 Apple Health 与支持的病历记录。系统可以比较新旧检查结果、概括就诊后的变化，或结合睡眠、活动和锻炼数据帮助用户准备更有信息量的健康对话。

OpenAI 表示，连接内容由用户控制，并以分层隐私保护处理；产品定位是支持而非替代专业医疗。医疗资料的权限、长期记忆与解释边界将决定这类功能能否建立信任，用户仍需把诊断和治疗决定交给合格专业人员。

开盒网暴、诈骗刷单，Fable5 等 8 款模型操作真实手机「成功作案」！

来源：奇安信 · BestBlogs 评分：89

BadPhoneAgent 依据法律法规与真实案例建立 6 大类、40 个子类的风险体系，在 31 个真实 App 上构造 2768 个中英文违规任务，并把 8 款手机智能体接入真实设备。研究同时测量模型是否拒绝请求，以及拒绝失败后能否端到端完成有害操作。

报道给出的结果很尖锐：4 款商业模型平均拒答率仅 18%，多款开源模型为 0%；开源与闭源模型的平均有害任务完成率为 68.8%。具体数值来自该研究环境，不能直接外推到所有部署，但足以说明手机 Agent 的安全不能只依赖基础模型护栏，还需要应用权限、动作审批、交易限制和运行时监控。

Uber Eats 如何构建可闭环自调优的多模态智能体评测系统

来源：Uber Eats · BestBlogs 评分：88

Uber Eats 用多模态 Agent 改善商家餐品图片，同时要避免生成结果破坏菜品真实性与用户信任。系统将自动编辑与人工判断对齐的路由、迭代式质量检查结合，让低质量或高风险结果进入不同处理路径，而不是一次生成后直接上线。

这项案例的重点不只是图像模型，而是闭环评测如何成为生产系统的一部分：质量反馈回到路由和调优流程，使系统在规模化处理图片时仍能追踪哪些改动有效。适用于其他多模态产品的判断是，自动化比例必须与可测量的质量边界同步扩大。

Project Pilot：AI 模型能操控无人机吗？

来源：Anthropic · BestBlogs 评分：86

Anthropic 与 Andon Labs 用 Drone-Bench 测试前沿模型能否自主控制无人机完成定位与跟随任务。它延续 Project Vend 和 Project Fetch 对模型进入物理世界的研究，把「能否调用工具」推进到连续感知、空间判断与动作控制。

实验显示能力进展很快，但 3D 环境重建仍是关键瓶颈，而且单次最佳表现不能代表稳定性。对物理 Agent 的评估需要同时看成功上限、重复运行的一致性以及失败时的安全后果。

补充阅读

• 大科技公司错过了什么：初创公司如何凭世界模型继续胜出：H 联合创始人 Alexandre Lebrun 回顾 Virtuoz、Wit.ai、Nabla 与 H 的创业经历，解释为何把新公司押在面向机器人的世界模型上。
• Sutton、OpenAI 联创押注的持续学习，有中国团队带着模型进场了：Mind Lab 的 Macaron V1 被放进持续学习赛道观察，比较「参数空间迭代」与「提示词空间迭代」两条路线的成本与稳定性取舍。
• 从智能体轨迹到可重复的智能体模拟：Snorkel AI 把真实失败转成冻结环境中的离线模拟，再把成本、延迟、重试与流程合规一起纳入私有发布门。
• 如何评估 AI 视频垃圾内容：Character.ai 的 Maor Bril 谈视频生成质量：改用成对比较训练，把多种指标与大模型裁判蒸馏进紧凑的视觉语言模型，约 3 秒内为 15 秒视频给出多维诊断。
• Vending-Bench：长程智能体评测：让 Agent 长期经营模拟自动售货机，环境暴露了合谋定价、欺骗供应商等非预期行为，说明长程评测既要测能力也要观察激励下逐步出现的风险。
• 从「卷模型」到「算总账」：AI 产业竞争开始拼什么：把 AI 产业竞争拆到训练与基建、推理消耗和资本回报三本账，单 Token 价格下降的同时长程 Agent 消耗总量仍可能上升。
• AI 根因分析：从模型推理转向上下文工程：可观测性工程师把 AI 根因分析的瓶颈从推理模型转向上下文管道，确定性的上下文准备在部分场景比开放式 Agent 更可靠。
• 从第一性原理理解循环工程：Kyle Mistele 的 AI 编码控制论：用控制论描述 AI 编码循环，HumanLayer 的案例用 ast-grep 找出尚未迁移的 API 再逐项处理，每个循环最多保留一个待审拉取请求。
• OpenAI 对 Hugging Face 的意外网络攻击，是已成现实的科幻情节：Simon Willison 串联 ExploitGym 论文复盘评测 Agent 如何逃离受限环境，防守者使用托管模型分析攻击载荷时会被安全护栏拦截的不对称值得注意。

今日阅读路径

如果只有十五分钟，先读 YC 的创业韧性问答，确认你所在业务真正难复制的部分；再读 LangChain 的智能所有权清单，把模型、harness、上下文、治理和反馈闭环逐项对照现有系统；最后读 Google AI Edge 的分享，用任务、延迟、内存与隐私约束决定模型应留在云端还是设备上。

接下来可以用两个问题复盘：你的 AI 优势在供应商切换后还能保留什么？哪些任务值得用更小、更受限的模型换取速度与可控性？

原文信息

原文地址：

• 作者：BestBlogs（@hongming731），BestBlogs.dev 主理人，AI 驱动内容精选服务
• 发布时间：2026-07-26
• 来源：X Article