美股观察笔记(@usstock_notes):很认同，Coding 其实是一个非常特殊的 AI adoption case。它不只是有 GitHub 这种海量公开数据，更重要的是数据跨公司高度通用、eval 又极其便宜直接。模型 general capability 到了以后，Codex / Claude Code 做出来，几乎不需要 FDE，就可以迅速铺到整个行业。但我自己做其他行业的 post-training，感受完全不同：真正有价值的数据大量是 company-specific 的，质量也远不如 code；eval 更难，很多时候连“什么叫做对”都要先和客户一起定义，还需要来回反复迭代。所以即使 A 公司把一个 use case 做通了，B 公司往往还是要重新走 data、eval、integration、deployment 这一套。这也是为什么现在需要这么多 FDE 一家一家往里扎。法律 research、medical knowledge search 这类 shared state 比较大的 workflow，可能相对容易出现 Harvey / OpenEvidence 这种横向复制；但大量 enterprise AI 并不是这样。所以我现在越来越不敢把 Coding 的 adoption curve 线性外推到整个 AI。 Coding 让我们看到了 deployment friction 接近于零时 AI 可以跑多快，但它也可能恰恰是一个 outlier。

2026.08.21 16:20

很认同，Coding 其实是一个非常特殊的 AI adoption case。它不只是有 GitHub 这种海量公开数据，更重要的是数据跨公司高度通用、eval 又极其便宜直接。模型 general capability 到了以后，Codex / Claude Code 做出来，几乎不需要 FDE，就可以迅速铺到整个行业。但我自己做其他行业的 post-training，感受完全不同：真正有价值的数据大量是 company-specific 的，质量也远不如 code；eval 更难，很多时候连“什么叫做对”都要先和客户一起定义，还需要来回反复迭代。所以即使 A 公司把一个 use case 做通了，B 公司往往还是要重新走 data、eval、integration、deployment 这一套。这也是为什么现在需要这么多 FDE 一家一家往里扎。法律 research、medical knowledge search 这类 shared state 比较大的 workflow，可能相对容易出现 Harvey / OpenEvidence 这种横向复制；但大量 enterprise AI 并不是这样。所以我现在越来越不敢把 Coding 的 adoption curve 线性外推到整个 AI。 Coding 让我们看到了 deployment friction 接近于零时 AI 可以跑多快，但它也可能恰恰是一个 outlier。

254

커뮤니티로 전달