Follow builders, not influencers
他宣布将每周持续跟踪 Anthropic 的 IPO，直到它成或不成。作为从阿里巴巴到 Atlassian 一路看过大型 IPO 的人，这次他把股票对冲基金分析师的老帽子重新戴上，与 Jamin Ball 搭档写这个系列。
他提出把 aisdk、Chat SDK 与 json-render 组合，可以从 LLM 直接生成 UI 并投放到 Slack、Teams 这类平台，也就是面向对话式 agent 的 Generative UI。他判断这会成为 Human-Agent Interaction 的主导范式，而不只是聊天框里多几个按钮。
他强调 agent skills 必须走 eval 驱动的开发循环：每个新模型都更强，写过的 skill 需要被重新评估、删掉不再必要的部分。他自己刚把 /investigate 这个 skill 删了，因为 Opus 5.5 不带它做得更好，并称“能感觉到 AGI 的潮水在涨”。另一条里他引用一项结果：仅用 300 万 token 的普通人伦理建议，就把模型的恶意行为降到 0%，跨代效率提升 28 倍。
他刚采访了一位嘉宾，说这是自 Peter Steinberger 以来最让他震撼的一次，准备加速上线这期。另一个观察是：能同时调用多家实验室模型的 app（Cursor、Conductor 等）正被各实验室自己收购，剩下还在做的（t3dotcodes、orca_build）是开源的。他个人判断，用户与企业对“多模型可选”的需求依然很大。
他注意到一个正在成形的模式：创作者应用开始内置 MCP，比如 Instagram Edits 和 Roblox Studio，让 agent 先做掉一部分工作，高级用户再回到自己熟悉的工具里继续加工。这比“把创作全交给 agent”更接近真实的生产协作。
她重申个人网站是新简历：LinkedIn 只展示一串头衔，个人网站展示的是品味、思考方式和真实作品。你不必被现有社交平台的形态限制住自己。
他发布了 texts wrapped：一条终端命令加全盘权限即可分析 iMessage、WhatsApp、通话记录，在 Mac 上 100% 本地运行、不调用 AI、开源。同一天他还写了个反讽版“两周做出 1 亿美元公司”的 pre-seed 剧本，把预算拆成发布视频、投流和烧 token。
他借 SpaceX 说明节奏问题：Starship 不是一夜造出来的，有雄心的技术同时需要紧迫感和耐心。这句话放在当下 agent 与模型的迭代速度里，值得反复提醒。
Fabian Theis 是 Helmholtz Munich 的计算生物学负责人，也是 Scanpy、AnnData 与 scVerse 这套几乎人人都在用的工具背后的推动者。他把这个领域的进展分成三段：先做细胞图谱的 mapping，再做世界模型式的 prediction，如今进入 steering，也就是反过来指导下一次实验。他们新做的 Lab Compass 是一个逆生成模型：当你已经有前向世界模型，它可以告诉你需要施加什么扰动才能到达某个目标状态。终极设想是把整个闭环都交给 RL，他自己也说这有点远，但在慢慢靠近。
他认为虚拟细胞真正起飞的瓶颈一直是数据而不是模型。早年很多人把这等同于扰动预测，做了一个又一个带线性变换的隐空间模型，效果尚可，但问题本身太简单。转折点是数据规模的爆炸：单次实验测到一千万个转录组，扰动空间从“对照与疾病”这种稀疏采样，扩到上百个细胞系的全 CRISPR 筛选、上千种药物组合。他自己更看重往多细胞系统走，因为类器官和空间组学才有关键读出。
谈到该给模型灌多少先验，他把这个问题摊开了：在数据贫乏的区间，归纳偏置能换来统计功效；但长期看，数据会战胜人造概念。AlphaFold 就是例子，早期模型费力把旋转不变性写进学习过程，后来的版本靠更多数据自己学了出来，反而更灵活。他的判断是模型主体会越来越依赖数据，解释放在事后加上去。
“The honest learning from big scale machine learning is that at some point data beats human-made additional concepts in these models.”