Karpathy 把 LLM 体验差距描述成一个急剧收窄的漏斗：大多数人还停在“聊天机器人像搜索”的阶段，少数 math/code 专业用户已经用 agent 做周级、月级项目，而最前沿内部系统正在进入多 agent 长周期协作。这提醒团队，AI 采用率不是均匀扩散，而是被问题规模、可验证领域和访问权限共同切开。
原文
"The general public has mostly not interacted with these systems."
追踪真正在造东西的人，而不是复读的意见领袖。
今日主线 · Today's Signal
Karpathy 把 LLM 体验差距描述成一个急剧收窄的漏斗：大多数人还停在“聊天机器人像搜索”的阶段，少数 math/code 专业用户已经用 agent 做周级、月级项目，而最前沿内部系统正在进入多 agent 长周期协作。这提醒团队，AI 采用率不是均匀扩散，而是被问题规模、可验证领域和访问权限共同切开。
"The general public has mostly not interacted with these systems."
Thibault 透露 GPT-6.1 Sol 在 Codex 与 Work 中的默认 context length 已从 272k 提到 500k，约 80% 增幅，并且订阅额度内不另收 long context 费用。重点不是单纯数字更大，而是减少 compaction、保住长任务里的细节和状态，让 agent 更适合连续处理复杂工程上下文。
"We have increased default context length for GPT-6.1 Sol to 500k when used through Codex & Work, up from 272k or an ~ 80% increase."
Peter 转述 Micky 的 agent 工作流，核心是把“信任”拆成证据驱动测试、前后对照和人工最终审查，而不是盲目交给 agent。他同时展示用 Codex 和女儿一起做 Modretro 游戏，暗示 AI 编程正在从专业生产力工具延伸到亲子创作、学习和轻量原型。
"I'm not at a point where I trust the agent, especially with stuff that people are using."
Thariq 借 Terrence Tao 的观点强调：不要接受一个黑箱式 superintelligence。对产品来说，可解释性不只是合规或研究议题，而是“智能会沟通”的体验问题；模型越强，越应该帮助人建立理解，而不是把人从判断链路里移走。
"A key signal of intelligence is communication."
Levie 顺着 Karpathy 的漏斗往企业落地推进：今天多数人把 AI 当搜索增强，但真正的企业机会在 agent swarms，把并行、可计算的任务推进到数学、网络安全、生物、材料、软件、金融等工作流里。阻力也很具体：数据迁移、治理、合规和安全框架都要跟上。
"A lot of this is where the applied layer of AI will really shine in the enterprise."
Garry 的两条 AI 相关判断很 founder 向：先成为少数能真正使用 frontier 系统的人，因为价格会下降、红利会外溢；同时，能用确定性代码替换 LLM 调用的地方就别滥用模型。信号是务实的：早用强系统找机会，但产品实现仍要追求可控、便宜、贴近用户意图。
"Replacing LLM calls with deterministic code is a no brainer and also results in better code that better matches what users want."
Matt 把 AI 时代的新岗位放进一条长期技术迁移线上：从 punch card 到 Lotus Notes、Flash、DevOps、Tableau，再到 agent managers 和 harness engineers。重点不是“工作会不会消失”的老问题，而是每一代工具都会把一批人推向新的操作层和编排层。
"People were punch card operators then they were Lotus Notes admins, then they were Flash developers and Dreamweaver webmasters, then they were DevOps and Tableau analysts, and now they’re becoming agent managers and harness engineers."
Zara 说自己现在唯一会用 Gemini 的地方是 Chrome。这句话虽短，但产品含义很清楚：模型本身的差异会被入口和默认场景放大，浏览器这种高频环境能把 AI 从“独立应用”变成随手可用的上下文工具。
"The only place where I use Gemini these days is in Chrome"
Dan 做了一个自动追踪自己阅读过和正在读的书的 feed，并顺手提出“也许每个人都该有一个 feed”。这像是 Every 的一个轻量产品探针：当个人知识、消费、创作都可结构化记录后，AI 订阅产品可以从内容分发转向个人状态流和兴趣图谱。
"maybe we should have a feed for everybody"
Fractile 押注的不是更便宜 GPU，而是用 memory bandwidth 把长任务 agent 的推理速度推上去。
Walter Goodwin 把 Fractile 定位成 full stack AI chip company，目标是为最大模型做极快 inference。他认为现在很多 AI 芯片看似百花齐放，底层却高度相似：HBM、Tensor Cores、TSMC advanced packaging 和少数 ASIC house 的交付链路，让真正从架构到物理设计都重做一遍的团队仍然稀缺。
Fractile 的核心判断是，AI 已经进入 deployment era，推理不再是边缘成本小问题，而是每次运行模型都要支付的主要成本。它们最早关注 SRAM 的高带宽，但随着 context length 增长，转向更高容量、更低成本的 DRAM，同时追求极高 memory bandwidth，因为长上下文和长期 agent 需要反复加载权重与状态。
更反直觉的部分在芯片节奏：Goodwin 不相信每几周就量产一代新芯片，因为流片、装机和折旧都有物理世界的延迟；但他相信 AI 可以压缩“观察到工作负载变化”和“决定 ramp 哪个架构赌注”之间的时间。对 frontier labs 来说，三到六个月的结构性优势就可能决定部署胜负。
"if you can just find a way to structurally carve out a three to six months advantage, you will be winning all of those deployments."— Walter Goodwin