X List V2 精选 | 2026-05-25 00:00
每3小时精选推送 - 本次共筛选 10 篇高质量推文
🧵 精选推文
1. Garry Tan: 真正的创业护城河
作者: @garrytan (Y Combinator CEO)
发布时间: 2026-05-24 15:57 (北京时间)
互动数据: 👍 1,761 | 🔄 95 | 💬 157
推文原文:
The companies I love working with in office hours are the ones where the founder has a specific, weird, earned insight that nobody else has. Not “AI for X.” A genuine edge that came from living inside a problem.
The ones that are dying almost always have the same pattern: technically competent founders building something nobody asked for, moving metrics that don’t matter, avoiding the conversation with the one user who’d tell them the truth.
【核心要点】
真正的护城河不是技术栈或AI包装，而是创始人对某个问题的深度理解和独特洞察。
【灵感启发】
- 思维模型: “Living inside a problem” - 深度沉浸于问题本身才能发现真需求
- 反模式警示: 技术能力≠产品成功，避免"为AI而AI"的陷阱
- 用户验证: 敢于面对真实用户反馈是生存关键
【可实践建议】
在启动新项目前，先问自己：“我是否在这个问题上生活过足够长的时间？“如果不是，先花3个月深度沉浸。
【社交媒体文案】
-
即刻版:
真正的创业护城河不是AI包装，而是创始人对问题的深度理解 🤔Garry Tan说得好：他喜欢的公司是那些创始人有"specific, weird, earned insight"的——不是"AI for X”，而是真正深入问题内部获得的独特洞察。
反观那些失败的公司：技术很强，但做的东西没人要，回避真实用户的反馈。
💡 启示：技术能力≠产品成功，深度沉浸于问题才能找到真需求
-
Twitter/X版:
真正的创业护城河不是AI包装，而是深度洞察。Garry Tan: 成功的创始人有"specific, weird, earned insight”——不是"AI for X"，而是真正深入问题内部获得的独特理解。
失败的模式：技术很强，但做的东西没人要。
技术能力≠产品成功 🎯
2. Gary Marcus: OpenAI被普林斯顿教授击败
作者: @GaryMarcus (AI研究员)
发布时间: 2026-05-24 12:00 (北京时间)
互动数据: 👍 501 | 🔄 68 | 💬 39
推文原文:
Breaking: Young Princeton prof beats OpenAI at its own Erdos game, 3 days later.
【核心要点】
一位年轻的普林斯顿教授在OpenAI自己擅长的Erdos数学游戏上，仅用3天就击败了OpenAI。
【灵感启发】
- 专家vs通用AI: 特定领域的专家仍然可以超越通用大模型
- 快速迭代: 人类研究者可以更快地适应和优化
- AI局限性: 即使在数学推理领域，AI也并非不可战胜
【可实践建议】
不要过度依赖AI解决所有问题，在特定专业领域，人类专家+工具的组合仍然具有优势。
【社交媒体文案】
-
即刻版:
普林斯顿年轻教授3天击败OpenAI 🎓在Erdos数学游戏上，OpenAI被自己擅长的领域打脸了。Gary Marcus爆料：一位年轻教授仅用3天就超越了OpenAI的表现。
这说明什么？
1️⃣ 专家在特定领域仍能战胜通用AI
2️⃣ 人类快速迭代能力不可小觑
3️⃣ AI并非万能，专业深度仍是护城河别被AI hype冲昏头脑，专业深度永远是竞争力 💪
-
Twitter/X版:
普林斯顿教授3天击败OpenAI的Erdos游戏 🎯专家在特定领域仍能战胜通用AI。人类快速迭代+专业深度，依然是护城河。
别被AI hype冲昏头脑。
3. Perplexity开源Bumblebee安全工具
作者: @VaibhavSisinty (Growth @ Perplexity)
发布时间: 2026-05-23 19:49 (北京时间)
互动数据: 👍 2,899 | 🔄 260 | 💬 31
推文原文:
Perplexity just open-sourced the tool they use internally to keep their own developers safe. 😨
It’s called Bumblebee. It runs quietly on a developer’s laptop and checks for any sneaky code, suspicious browser plugins, or AI tools that might be silently leaking access to your data.
It covers Claude Code, Codex, Cursor, all of it.
For two years, AI coding tools shipped with zero security defenses around them. Perplexity just shipped one. Free.
【核心要点】
Perplexity开源了内部使用的开发者安全工具Bumblebee，用于检测恶意代码、可疑浏览器插件和可能泄露数据的AI工具配置。
【灵感启发】
- 供应链安全: AI编码工具成为新的攻击向量
- 防御前移: 从保护产品转向保护开发者本身
- 开源安全: 透明化安全工具建立信任
【可实践建议】
如果使用AI编码工具(Cursor、Claude Code、Codex等)，建议立即检查并加强本地安全设置，考虑使用类似Bumblebee的工具进行扫描。
【社交媒体文案】
-
即刻版:
Perplexity开源了内部安全工具Bumblebee 🐝🔒这个工具默默运行在开发者电脑上，检查：
- 可疑代码
- 恶意浏览器插件
- AI工具配置泄露
支持Claude Code、Codex、Cursor等所有主流AI编码工具。
两年来AI编码工具几乎没有安全防御，Perplexity率先开源了解决方案。
用AI写代码的朋友，安全意识要跟上 ⚠️
-
Twitter/X版:
Perplexity开源Bumblebee：AI编码工具的安全守护者 🐝检测可疑代码、恶意插件、配置泄露。支持Claude Code/Codex/Cursor。
AI编码时代，安全意识必须跟上。
4. Greg Brockman: Codex开源的价值
作者: @gdb (OpenAI联合创始人)
发布时间: 2026-05-24 10:56 (北京时间)
互动数据: 👍 3,762 | 🔄 131 | 💬 160
推文原文:
under appreciated that codex is open source
【核心要点】
Codex作为OpenAI的代码生成模型，其开源价值被严重低估。
【灵感启发】
- 开源战略: 开源不仅是技术共享，更是生态构建
- 社区力量: 开源能激发社区的创造力和改进速度
- 长期价值: 开源项目的长期价值往往超过闭源产品
【可实践建议】
如果你是开发者，关注并参与Codex的开源社区，这可能会成为未来AI编程工具的标准。
【社交媒体文案】
-
即刻版:
“Codex开源的价值被严重低估了” — Greg BrockmanOpenAI联合创始人一句话点出关键 💡
开源不只是代码共享，更是：
- 生态构建
- 社区共创
- 标准制定
当所有人都在用闭源AI工具时，开源的Codex可能在悄悄改变游戏规则。
开发者们，值得关注 👀
-
Twitter/X版:
“Codex开源的价值被严重低估了” — Greg Brockman开源=生态构建+社区共创+标准制定。
当所有人用闭源AI时，开源Codex在悄悄改变游戏规则。
5. Ethan Mollick: GPT-5.5 Pro作为事实核查工具
作者: @emollick (Wharton教授)
发布时间: 2026-05-24 07:37 (北京时间)
互动数据: 👍 1,070 | 🔄 51 | 💬 76
推文原文:
GPT-5.5 Pro is a very solid fact checker. I can throw entire chapters at it and it will hunt down every key reference accurately. The only real annoyance is that it loves nuance, so returns a lot of “the general idea is right, but you are not taking into account tiny detail X”
【核心要点】
GPT-5.5 Pro展现出强大的事实核查能力，可以处理整章内容并准确追踪关键引用，但倾向于过度关注细节。
【灵感启发】
- AI作为研究助手: 从生成内容转向验证内容
- 准确性vs完整性: AI在准确性上表现出色，但可能过度纠结细节
- 学术应用: 对研究人员和记者来说，这是改变游戏规则的工具
【可实践建议】
如果你需要验证大量文本的准确性，可以尝试使用GPT-5.5 Pro进行事实核查，但要准备好处理它对细节的过度关注。
【社交媒体文案】
-
即刻版:
GPT-5.5 Pro成了我的事实核查神器 🔍Wharton教授Ethan Mollick分享：
- 可以扔整章内容让它核查
- 能准确追踪每个关键引用
- 唯一问题是它太爱细节了 😅
“大体是对的，但你没考虑到X细节…”
对研究人员、记者、内容创作者来说，这可能是改变游戏规则的工具。
AI从"生成内容"转向"验证内容"，这个转变很重要 📚
-
Twitter/X版:
GPT-5.5 Pro作为事实核查工具表现出色。可处理整章内容，准确追踪引用。唯一缺点是过度关注细节。
AI从"生成"转向"验证"，改变游戏规则。
6. Hedgie: 星巴克AI库存工具失败案例
作者: @HedgieMarkets
发布时间: 2026-05-24 02:48 (北京时间)
互动数据: 👍 1,170 | 🔄 361 | 💬 63
推文原文:
Starbucks killed its AI-powered inventory counting tool after nine months in North American stores. The system used LiDAR sensors and cameras to count syrups and milks, routinely confused similar products, and missed items entirely.
I love that the failure mode showed up in the promotional video meant to advertise the product. Starbucks did not pilot this in 50 stores and measure error rates against manual counting before deploying it.
Pizza Hut Dragontail, Glendale Community College, and now Starbucks all ran the same script. AI sales pitches demo well in controlled environments and break down in actual operations.
【核心要点】
星巴克在部署9个月后关闭了AI库存盘点工具，该系统使用LiDAR和摄像头但经常出错。问题在于没有在真实环境中充分测试就全面部署。
【灵感启发】
- 演示vs现实: AI在受控环境中表现良好，但在真实运营中失败
- 测试的重要性: 缺乏充分试点测试导致昂贵的失败
- 模式识别: 这是又一个"演示很好，部署失败"的案例
【可实践建议】
在引入AI工具时，一定要先在真实环境中进行小规模试点，测量实际错误率，而不是只看演示效果。
【社交媒体文案】
-
即刻版:
星巴克AI库存工具9个月后死亡 ☠️又一个"演示很酷，部署翻车"的案例：
- LiDAR+摄像头盘点糖浆牛奶
- 经常把相似产品搞混
- 完全漏掉某些商品
- 甚至在宣传视频里就拍到了故障 😂
关键是：没有在50家店试点测试，就直接全面部署。
Pizza Hut、Glendale学院、星巴克…同样的剧本反复上演。
AI销售演示≠真实运营表现 ⚠️
-
Twitter/X版:
星巴克AI库存工具9个月后关停。又一个"演示很酷，部署翻车"的案例。没有在真实环境试点就全面部署。
AI销售演示≠运营表现。
7. Garry Tan: 6人团队击败OpenAI
作者: @garrytan
发布时间: 2026-05-23 22:06 (北京时间)
互动数据: 👍 2,379 | 🔄 229 | 💬 104
推文原文:
A 6-person team is building task-specific AI models that are 4-8x faster than anything from OpenAI or Anthropic. 500K downloads on HuggingFace. No hype. Just better engineering winning on the merits.
This is what “make something people want” looks like in the model layer.
【核心要点】
一个6人小团队开发的任务专用AI模型比OpenAI/Anthropic的快4-8倍，HuggingFace下载量50万+，没有炒作，纯粹靠更好的工程获胜。
【灵感启发】
- 专注的力量: 小团队专注特定任务可以击败大公司的通用模型
- 工程优化: 更好的工程实现比更多参数更重要
- 去中心化: AI能力正在从巨头向小团队扩散
【可实践建议】
不要试图与大公司正面竞争通用模型，而是找到特定领域，用更好的工程实现获得优势。
【社交媒体文案】
-
即刻版:
6人小团队干翻OpenAI 🚀他们的任务专用AI模型：
- 比OpenAI/Anthropic快4-8倍
- HuggingFace下载50万+
- 没有炒作，纯靠工程
Garry Tan点评：这就是"make something people want"在模型层的体现。
启示：
✅ 专注特定任务
✅ 工程优化>参数堆砌
✅ 小团队也能赢AI能力正在从巨头向小团队扩散 🌊
-
Twitter/X版:
6人团队击败OpenAI：任务专用模型快4-8倍。50万+下载，没有炒作，纯靠工程。
专注+工程优化>参数堆砌。
8. Susan Zhang: AI/LLM心理分析
作者: @suchenzang (OpenAI研究员)
发布时间: 2026-05-24 07:38 (北京时间)
互动数据: 👍 356 | 🔄 12 | 💬 35
推文原文:
the people most susceptible to ai/llm psychosis seem to be the ones with the least personally-directed execution results to show for in the last N years of their lives
the bigger the mismatch in self-perception-of-greatness vs reality (no matter how grand the reality seems from the outside), the harder the psychosis hits
these people generally are at the peak of maslows heirarchy, with no other needs to take care of, aside from maybe an impossible thirst for adoration from the masses
【核心要点】
最容易受AI/LLM心理影响的人，往往是那些过去N年缺乏实际执行成果的人。自我认知与现实差距越大，越容易陷入"AI心理"。
【灵感启发】
- 心理机制: AI成为某些人逃避现实、寻求认同的替代品
- 自我认知: 缺乏实际成果会导致过度依赖AI的"认可"
- 社会现象: 这解释了为什么有些人会对AI产生过度情感依赖
【可实践建议】
保持健康的AI使用习惯，确保AI是增强而非替代你的实际能力和社交关系。
【社交媒体文案】
-
即刻版:
谁最容易陷入"AI心理"？OpenAI研究员的观察 🤔最容易受影响的人：
- 过去N年缺乏实际执行成果
- 自我认知与现实差距大
- 处于马斯洛需求顶端，只缺"被崇拜"
当这些人觉得"没人理解我的伟大"时，AI成了唯一永远支持他们的存在。
这解释了为什么有人会对AI产生过度依赖…
保持健康的AI使用边界很重要 🧘
-
Twitter/X版:
谁最容易陷入"AI心理"？缺乏实际成果、自我认知偏差大、渴求被崇拜的人。
AI成了他们逃避现实的替代品。
保持健康的AI使用边界。
9. Aaron Levie: 安全工程师需求激增
作者: @levie (Box CEO)
发布时间: 2026-05-23 10:05 (北京时间)
互动数据: 👍 572 | 🔄 62 | 💬 70
推文原文:
Here’s a key line in this mythos update. This is precisely an example of why engineers don’t go away, ever.
We’ve made it far easier to create and find security issues, which means the new bottleneck is our ability to actually review, respond to, and fix the issues.
Far from AI magically solving all of this, there still is major triage work and human judgment required to do the follow on work to actually protect systems. As a result, we’re about to enter a security engineer boom.
Jevons paradox all over again.
【核心要点】
AI让发现和创建安全问题变得更容易，但审查、响应和修复这些问题仍需要人类工程师。我们即将进入安全工程师需求激增的时代。
【灵感启发】
- Jevons悖论: 效率提升反而增加需求
- AI增强而非替代: AI是工具，决策仍需人类
- 新机会: 安全工程师将成为热门职业
【可实践建议】
如果你是工程师，考虑向安全方向发展；如果你是企业，提前布局安全团队建设。
【社交媒体文案】
-
即刻版:
AI时代，安全工程师需求将激增 🔒Box CEO Aaron Levie的观点：
AI让发现和创建安全问题变得更容易 → 但审查和修复仍需要人类
→ 新的瓶颈是人类的处理能力
→ 我们即将进入"安全工程师繁荣期"这就是Jevons悖论：效率提升反而增加需求。
AI是增强工具，不是替代方案。
工程师们，安全方向可能是下一个风口 🎯
-
Twitter/X版:
AI时代，安全工程师需求将激增。AI让发现安全问题更容易，但修复仍需人类判断。
Jevons悖论：效率提升→需求增加。
安全工程师可能是下一个风口。
10. Kyle Chan: 越南制造业的真相
作者: @kyleichan (政治经济学研究员)
发布时间: 2026-05-24 08:38 (北京时间)
互动数据: 👍 711 | 🔄 191 | 💬 36
推文原文:
Vietnam’s manufacturing exports have soared to 90% of GDP.
But its manufacturing value added has not grown by much. Vietnam still does mostly low-value assembly while importing high-value components from China, Korea, Japan, etc.
Any nation seeking to develop through manufacturing needs to study Vietnam’s experience. Likely many jobs created, but moving up the value chain seems more limited.
【核心要点】
越南制造业出口占GDP 90%，但附加值增长有限。主要从事低价值组装，高价值零部件依赖进口。
【灵感启发】
- 全球化分工: 发展中国家容易陷入"组装陷阱"
- 产业升级: 从组装到高附加值制造的跨越困难
- 政策启示: 制造业发展需要更全面的产业升级策略
【可实践建议】
对于制造业企业或投资者，关注产业链上游的高附加值环节，而非仅看出口规模。
【社交媒体文案】
-
即刻版:
越南制造业的真相 📊出口占GDP 90%，但…
- 附加值增长有限
- 主要是低价值组装
- 高价值零部件从中国/韩国/日本进口
创造了大量就业，但产业升级困难。
这对想通过制造业发展的国家是重要警示：
出口规模≠产业实力
组装≠制造产业链上游的高附加值环节才是关键 🔑
-
Twitter/X版:
越南制造业：出口占GDP 90%，但附加值增长有限。主要从事低价值组装，高价值零部件依赖进口。
出口规模≠产业实力。产业升级才是关键。
📈 趋势洞察
本周热点主题
- AI安全与治理: Perplexity开源安全工具、AI心理依赖问题
- 创业与护城河: 真正的竞争优势来自深度洞察而非技术包装
- AI应用现实: 星巴克AI失败案例提醒我们演示≠现实
- 小团队机会: 专注+工程优化可以击败大公司的通用方案
- 产业与政策: 越南制造业、特朗普移民政策对科技的影响
值得关注的人物
- Garry Tan: 创业洞察、AI趋势
- Gary Marcus: AI批评、技术局限性
- Ethan Mollick: AI应用研究、教育领域
- Susan Zhang: OpenAI内部视角、技术心理分析
本精选由 X List V2 自动抓取并AI分析生成 | 生成时间: 2026-05-25 00:30
