图片来源： Cursor AI Anysphere 成立于 2022 年，由四位20多岁的 MIT 数学与计算机科学专业学生共同创办。今年1月，公司曾以 25亿美元估值 完成1.05亿美元融资，当时投资 方亦包括 Thrive 和 Andreessen Horowitz。 此次估值大幅提升，主要得益于其年度经常性收入（ARR）的快速增长：截至4月，ARR 已达到 2亿美元 ，使其成为软件行业增长最快的公司之一。 不过，如此激进的估值提升也再度引发部分投资者对 AI 公司估值可持续性的担忧，尤其是在近期二级市场波动背景下。 此前 OpenAI 的估值在3月飙升至 2600 亿美元 ，软银还承诺将牵头对其进行 400 亿美元 投资。 与此同时，两家由 OpenAI 前高管创立的初创公司也在筹备大额融资：Ilya Sutskever 创办的 Safe Superintelligence（SSI）已获得 300 亿美元估值。 Mira Murati 创立的 Thinking Machines Lab 正计划以 100 亿美元估值 融资 20 亿美元 。 两家公司目前尚未推出正式产品。 Cursor 因其 AI 编程工 ...

将投中网设为"星标⭐"，第一时间收获最新推送 或许今年是真正的AI应用元年。 作者丨 张雪 来源丨 投中网 OpenAI 悟了，开始贯彻"突出应用导向"。 据知情人士透露， OpenAI 正在洽谈以约 30 亿美元（约 218.6 亿人民币）收购人工智能辅助编码工具 Windsurf （前身为 Codeium ）。 成立四年， Windsurf 已筹集超过 2 亿美元的风险投资。其投资者包括 Greenoaks Capital Partners 、 Kleiner Perkins 、 AIX Ventures 等。去年，在 General Catalyst 牵头的一轮融资中，该公司估值达到 12.5 亿美元。 短短一年，估值再次翻番，美国的并购还是愿意给高溢价，投资人都能体面地退出。如果交易达成，这将是 OpenAI 迄今为 止规模最大的一笔收购，也是 OpenAI 完成 400 亿美元融资后的首个并购动作。 "应用导向"应该是 AI 界的共识了，或许今年是真正的 AI 应用元年。 一年内， ARR 增长 500% 与大多数的 AI 创业故事不同， Windsurf 的创始团队没有太多的明星光环，甚至是在创业 ...

Google 首席科学家Jeff Dean 今年4月于在苏黎世联邦理工学院发表关于人工智能重要趋势的演讲，本次演讲回顾 了奠定现代AI基础的一系列关键技术里程碑，包括神经网络与反向传播、早期大规模训练、硬件加速、开源生 态、架构革命、训练范式、模型效率、推理优化等。算力、数据量、模型规模扩展以及算法和模型架构创新对AI 能力提升的关键作用。 以下是本次演讲 实录 经数字开物团队编译整理 01 AI 正以前所未有的规模和算法进步改变计算范式 Jeff Dean: 今天我将和大家探讨 AI 的重要趋势。我们会回顾：这个领域是如何发展到今天这个模型能力水平的？在当前的技 术水平下，我们能做些什么？以及，我们该如何塑造 AI 的未来发展方向？ 这项工作是与 Google 内外的众多同仁共同完成的，所以并非全是我个人的成果，其中许多是合作研究。有些工作 甚至并非由我主导，但我认为它们都非常重要，值得在此与大家分享和探讨。 我们先来看一些观察发现，其中大部分对在座各位而言可能显而易见。首先，我认为最重要的一点是，机器学习 彻底改变了我们对计算机能力的认知和期待。回想十年前，当时的计算机视觉技术尚处初级阶段，计算机几乎谈 ...

Supabase公司发展 - 2020年成立的新西兰开源数据库公司Supabase精准踩中2025年最大趋势Vibe Coding风口 [3] - 2025年4月完成由Accel领投的2亿美元D轮融资 投后估值达20亿美元 较7个月前8000万美元融资时PitchBook估算的9亿美元估值增长122% [3] - 累计融资总额达3.98亿美元 投资方包括Coatue Y Combinator Craft Ventures等知名机构 [3] 商业模式与技术优势 - 提供Firebase的开源替代方案 以每月最高600美元价格托管应用 企业用户费用更高 [3] - 整合Postgres SQL数据库与企业级开源工具 提供认证 API自动生成 文件存储及AI应用所需的向量工具包 [4] - 简化SQL数据库设置流程 成为氛围编码工具如Lovable的热门后端选择 [4] - 打出"周末构建 扩展至百万级"营销口号 基于Postgres支撑数千至数百万用户规模 [4] 开发者生态与市场定位 - 开发者社区突破170万人 每日新增数千人 GitHub星标数超8.1万 [4] - Y Combinator校友企业 现已成为YC初创公司首选工具 并向独立开发者及企业开发者渗透 [4] - 被Felicis管理合伙人评价为"AI应用默认后端选择" 但尚未撼动Oracle在财富1000强企业的地位 [4] 行业趋势判断 - 下一代十亿级用户应用将由AI开发驱动管理 Supabase已成为该类应用首选数据库之一 [5]

Agent定义与核心特征 - Agent是基于环境反馈使用工具的程序 采用Anthropic的定义[2] - 核心三要素包括状态(Context)、行动(Tool Use)、激励信号(RL反馈机制)[32][33] - 与RL强关联 需理解强化学习才能设计优质Agent产品[31] Agent技术演进 - 2023年4月AutoGPT为代表的早期Agent更像玩具 实际应用价值有限[4] - 当前Agent已能在工作生活场景中真正解决问题 实现价值跃迁[5] - 进步源于：1)底层模型能力提升(如RL结合、长思维) 2)工程产品突破(Context构建)[6][7] Context工程创新 - Context是大模型执行任务所需信息总和 不同产品Context构成不同[8] - 相比传统RAG Agent能自动化提炼Context 减少人工干预[10][11] - 优质Context需包含用户历史行为路径 如APP打开瞬间即提供海量意图线索[48][49] Tool Use技术方案 - Function Call/MCP/A2A属于代码驱动派 Computer Use/Browser Use属于视觉模拟派[13] - MCP核心价值在于统一Tool Use标准 降低工具调用门槛[12] - Browser Use存在纯视觉方案(如已倒闭的Adept)和API包装方案 后者更成熟稳定[15] 产品设计方法论 - Chat是最佳交互入口 保障用户自由度优于追求准确度[41] - 需解决双重信任问题：开发者信任模型能力 用户信任执行过程[52][54] - 垂直领域Agent将长期主导 通用Agent面临收敛困难[25][46] 行业竞争格局 - 当前Agent可分为：1)Coding Agent(交付代码) 2)调研Agent(交付报告) 3)表格Agent(定量分析)[61][64] - Sheet0实现100%准确率 核心在于模块化工具复用与AI Coding验证[57][67] - AI Coding与Agent存在协同效应 但直接编码执行任务成本过高[29][30] 发展关键变量 - 模型能力突破与Context工程进步是两大核心驱动因素[69][70] - 需构建完整评估体系(激励信号) 确保系统可收敛[35][71] - 产品需平衡通用性与准确性 不同场景选择不同技术路径[59][60]

整理 | 核子可乐、褚杏娟 近期， Claude Code 迎来一次品牌危机。据报道，部分是 Anthropic 向一位试图对 Claude Code 进行逆向工程的开发者发出了下架通知，而 Claude Code 的使用许可比 Codex CLI 更为严格。 据悉，OpenAI 的 Codex CLI 源代码遵循 Apache 2.0 许可证，允许分发和商业使用。Claude Code 遵循 Anthropic 的商业许可证，限制未经公司明确许 可的修改。 据报道，Anthropic 还对 Claude Code 的源代码进行了"混淆"。Claude Code 的源代码不易获取。当一位开发人员对其进行了去混淆处理并在 GitHub 上 发布源代码时，Anthropic 提交了一份 DMCA （数字千年版权法案）投诉，要求删除该代码。 为此，开发者们认为这种做法还不如 OpenAI 发布 Codex CLI 时的开放态度。"真的觉得 Anthropic 的态度非常令人厌烦。"有网友评价。 其他几位开发人员同样分享了自己在单条提示词中取得出色编码成果的难忘经历。EverArt 创始人 Pietro Schira ...

AI编程工具Trae的功能更新 - Trae发布四大重磅功能包括MCP、自定义规则、智能体和上下文理解 其能力已与Cursor、Windsurf看齐甚至体验更胜一筹 [3] - 智能体创建支持基于提示词和MCP工具自定义智能体 通过@即可使用 无需每次输入复杂指令 [6] - 智能工具(MCP)支持内置常用功能 只需点击即可使用 同时支持自定义配置如Figma MCP [6][12] - 新增联网搜索和文档集上下文理解能力 使AI能够搜索不懂的编码框架和文档 [6] - 支持配置个人规则和项目规则 无需反复强调基础编码要求 [6][10] Vibe Coding方法论 - Vibe Coding指通过自然语言描述需求让AI完成所有编码工作 问题修复仅通过提示词完成 属于非专业开发者的AI辅助编程方式 [7] - 核心原则包括聚焦单一功能 首次提示词决定成败 采用分步迭代优化等 [40] - 开发流程包含配置IDE环境 梳理需求 生成PRD提示词 测试结果 修复问题和部署上线等步骤 [9] - 需求梳理需使用结构化模板如"我想开发一个【应用类型】主要用于【核心目的】"并详细描述功能需求 [19][21] Trae实操指南 - 环境配置需下载Trae IDE 新建英文项目文件夹 并设置规则文档和MCP服务 [8][10] - MCP配置支持通过API Key添加服务如Figma AI Bridge 实现设计稿参考功能 [12][14] - 生成阶段需结合功能需求和设计开发要求 选择Builder模式或自定义智能体进行代码生成 [24][26] - 测试阶段需系统性验证功能完整性 交互元素和响应式设计等 发现问题后采用单点修复策略 [28][29] - 部署可选择yourware快速服务或Netlify等自定义方案 建议业务数据抽离为JSON文件便于维护 [36][37] 优化建议 - 问题修复时需精确指明修改内容 如使用文件锚点定位 并提供完整报错信息 [31][33] - 每次对话只解决一个问题 发现模型跑偏立即使用"回到发起前"功能回滚 [29][40] - 敏感信息处理建议采用运行时输入而非硬编码 复杂项目建议使用Claude 3.5等大模型 [40] - 持续收集3-5个目标用户反馈 记录卡壳点进行迭代优化 [40]

AI 编程很热，甚至已经是公认的找到了 PMF 的 AI 落地场景之一。 国内有 Trae、MarsCode、通义灵码、文心快码、AIGCode…… 海外更多，Cursor、Lovable、Devin、Windsurf 、Replit，以及目前使用人数最多的 Github Copilot。 传统 IDE 大厂，JetBrains 也在他们的各类工具中集成了 AI 助手以及编程 Agent——Junie。 但到底 AI 编程今天的落地情况如何，能够很好融入\取代原有的工作流了吗，营收上能打正吗？还是说，需要等待模型进一步的能力提升和成本降低？ 在 IDE 领域做了 25 年的核心玩家，如今又全面上线 Coding Agent 的 JetBrains ，来聊这个话题，再合适不过了。 我们邀请了 JetBrains 的两位技术专家，针对 AI 编程在当下的现状及未来可能性进行了深度分享。 Al Coding, 今天还是一门好生意吗? 孙 涛 letKr 分享嘉宾介绍： 孙涛：JetBrains AI 行业解决方案专家 赵宸毅：JetBrains 中国业务拓展总监 下周四(4月24日）晚 8 点，线上，欢迎来聊。 I ...

AI编程行业现状 - AI编程已成为公认的找到PMF的AI落地场景之一[1] - 国内外涌现大量AI编程工具 国内包括Trae、MarsCode、通义灵码等 海外有Cursor、Devin、Github Copilot等[2] - 传统IDE大厂JetBrains已全面集成AI助手Junie 并计划探讨AI编程的落地现状[3] 行业核心问题探讨 - 当前AI编程面临的核心问题包括技术融入工作流程度、商业变现能力、模型能力与成本平衡[3] - JetBrains作为25年IDE领域专家 将分享对AI Coding形态的见解[8] - 活动将重点解析中小企业开发者如何选择适合的AI编程工具[8] 行业活动信息 - JetBrains技术专家孙涛(行业解决方案专家)和赵宸毅(中国业务拓展总监)将进行深度分享[4][5] - 交流话题涵盖AI Coding的技术难题、成本挑战、工具选型策略[11] - 目标听众为研发负责人、技术总监、平台工程团队负责人等决策层[11] 行业关联动态 - 其他AI领域进展包括OpenAI发布o3/o4-mini模型 黄仁勋探讨具身智能 以及GPT-4.5训练方法论[13]

文章核心观点 - 2025年第一季度中美AI领域火热，AGI路线图上智能提升是唯一主线，要围绕智能投资和思考，模型公司壁垒在于成为Cloud或OS，未来模型和产品边界将模糊；最大非共识是pre - training空间大，Coding是实现AGI的最好环境，Agentic AI是未来关键，AGI时代组织和文化竞争力仅次于算力 [3] 重新重视Pre - training - pre - training空间大，还会涌现新能力，下一代SOTA模型能显著超过当前模型，只有pre - training能决定模型内在上限，post training和RL不涌现新能力 [5][6] - OpenAI看似不重视pre - training可能是战略选择和组织问题，战略上O系列刷分快、ChatGPT成长快占用精力，组织上pre - training核心团队动荡 [7] - RL能产生合成数据加入pre - training环节，可解决数据瓶颈问题，但training和RL inference融合难，涉及训练框架的Infra问题 [9] - 期待pre - training涌现新能力，如提升模型tool use能力，Manus是Anthropic tool use能力的“ChatGPT时刻” [9][10] - 对两年内实现AGI有信心，Coding是实现AGI最好的环境，是模型的“手”，现实世界多数任务可用Coding表达，Agent可通过操作电脑和手机任务接近AGI [11][12] - Anthropic在Coding上有领先优势，Cursor是热门编程IDE工具，多数开发者选Sonnet，Coding是$1T级机会，模型公司在AI for Science领域突破可达到$1T或$10T [14][15][16] - Coding应作为技术引擎，产品表达形式待定义，期待Cursor在交互表达上有新突破 [17] ChatGPT只是攀登AGI的第一站 - OpenAI和Anthropic在实现AGI路线上发生分化，OpenAI核心bet是O系列和ChatGPT，重视C端市场和自下而上组织文化；Anthropic专注pre - training、Coding和Agentic，重视B端市场和自上而下组织文化 [18] - 路线分化原因可能是Anthropic团队出身pre - training有信心，OpenAI O系列亮眼获更多资源，且pre - training团队变动大 [19] - O系列刷benchmark快，但不确定能否打开智能天花板，其提升的Coding多为竞赛型，Anthropic做实战型Coding更多 [20] - 硅谷对不同路线分歧大，本质是智能和流量哪个重要，更应相信AGI原教旨主义，智能提升是首要目标 [21][22] - 谁能做出显著领先的base model谁可能是赢家，长期来看Anthropic可能比OpenAI更有价值，OpenAI对pre - training重视不够 [23][24] - 国内公司有必要训练自己的闭源模型，智能处于早期阶段，认知差异可能源于想象力局限 [26] - AGI探索主线是智能提升，ChatGPT是第一站，后续还有Coding、Agent、AI for Science等，AI for Science是珠穆朗玛峰，多模态、Online Learning等大概率在主线上 [30][31] - 智能涌现带来Magic moment和流量迁移，当前AGI模型公司和产品无绝对壁垒，应围绕智能主线推动智能提升，应用承接智能红利 [32][33] - DeepSeek放弃Chat Bot流量是因组织文化和智能本质考量，AI Robotics排在AI for Science后面是因数据采集低效、算法架构未达成一致，AI for Science有自动化实验室和垂直领域基础模型等趋势 [33][34][35] Agent & Online Learning - AGI应用爆发少是因Agent产品供给受限，依赖模型能力，模型和云厂商未做好Infra准备，Agent有文本、Coding、通用日常任务等类型 [48] - Agent落地关键能力是Long Context reasoning、Tool use、Instruction following，对应不同Infra能力，Context很重要，存在支付宝级机会 [49][51] - Long Context对Agent完成多步骤任务很重要，但目前未找到有效突破方式，存在数据、成本、架构等难点，long - term memory可能取代Long Context [51][52][53] - 两年内实现AGI确定性高，路径是现有路径，AGI定义是在电脑或数字环境下满足3个90% [54] - 新的范式级路线可能是Online Learning，让模型自主在线探索学习，但存在无清晰reward和目标定义等挑战，可能通过模型微调等实现 [54][55] - 可通过坐标轴评价路线差异，重视数据，未来pre - training叙事和Agentic对算力刺激大，看好算力需求 [58] - 英伟达想成为云厂商，贾扬清的公司被卖符合其战略 [58] 大模型的壁垒到底在哪？ - 应做研究驱动的应用，AI市场有泡沫，Agent泡沫刚开始，AI产品定价偏低 [60][61] - 通用Agent能否出现取决于pre - training和RL及关键能力，Reward Model泛化性微弱 [62][64] - 模型公司壁垒可能是成为Cloud或OS，OpenAI商业模式可能较好，Anthropic专注模型pre - training [65] - 投资人应投研究推动的应用，应用公司构建壁垒需考虑用户数据使用和独立环境构建，长期做大需具备调整模型和做Research的能力 [66] - 用户数据对提升模型能力作用微弱，模型和产品边界将模糊，应用公司和模型公司会相互渗透 [67][68] - Agent可能影响SaaS公司价值，模型训练是人类面向未来的大基建投入，价值链利润将向后迁移 [69][70][71] - AI市场可能出现黑天鹅，如全新架构、新的Agent产品形态等 [72] 全球AI公司的竞争格局 - OpenAI核心bet是O系列和ChatGPT，Anthropic专注pre - training、Coding和Agent，OpenAI领先优势加强，流量集中度提升，与Anthropic拿走市场revenue的80% [73][74] - Anthropic和xAI背后有Amazon和Musk支持，DeepSeek和xAI Grok跟随OpenAI路线，Google多模态强但其他bet不清晰 [75] - GPT - 4.5可能较强，GPT - 5可能是hybird model，预期今年夏天推出，有GPT - 3.5到GPT - 4量级的提升 [76][79][80] - OpenAI支持Anthropic的MCP协议，两家有竞争但路径分化，OpenAI与微软可能因利益冲突产生裂痕，分家对微软有影响 [81][82][83] - OpenAI整体较安全，但存在base model不够领先的风险，xAI Grok写作能力突出，与Twitter合并为了流量 [84][85][86] - AGI是普通本科毕业生操作电脑水平，ASI是爱因斯坦水平，实现ASI需突破，Mira的新公司团队强，可能做打败ChatGPT的产品 [87][88][89] - Manus和Perplexity执行力强，Manus更吃模型能力，ChatGPT的Deep Research后续会集成更多产品，有两个发展方向 [90][91][92] - Devin解决的问题易被模型公司覆盖，Cursor可能是阶段性产品，期待DeepSeek出现范式级创新 [93] - ilya和Noam对AGI推动贡献最大，其次是Dario和Alec等，Sam对业界贡献大但部分行为可能是烟雾弹 [94][95] 如何构建AGI portfolio - 构建AGI portfolio会投25%给Anthropic，25%给Bytedance，10%给OpenAI，10%给Mira的公司，5%给ilya的公司，5%给Cursor，5%给Manus，15%待定，若DeepSeek融资也会投25% [96] - 字节被低估，营收和利润好，可内生投入AGI，Anthropic团队、Roadmap和战略重点更受看好，Mira公司成功概率高 [97][99] - 未来3 - 5年投资最大的bet是AGI带来科学的文艺复兴，会出现多家市值超$10T的公司和下一个Google、Windows等 [101] 组织文化竞争仅次于算力 - 组织和文化竞争力是仅次于算力的核心竞争力，做AGI要有赌性，人才密度比数量重要 [103] - 判断AGI - native组织要看是否AGI first、Research first等，团队成员要年轻聪明、有想象力和执行力 [103][104] - 大概率OpenAI和Anthropic最早实现AGI，中国字节和DeepSeek等也可能实现，开源可突破地缘封锁 [105] - 中美差距快速缩小，中国人才强，字节Infra能力强，有望在AGI领域有突破 [105][106] - 硅谷多0 - 1创新，中国多1 - 100创新，未来中国创新模式可能变化，需资本充裕和冒险精神 [109] - 应把产品和技术做到极致，跨越地缘问题，激进全球化，期待更多中国跨国公司出现 [110][112]