Claude Code 总结企业采用 AI 的 5 个阶段：Gated → Assisted → Parallel → Supervised autonomy → AI-native，对应约 0、1、10、100、1000+ 个 Agent。 瓶颈会从审批和注意力，转向输出审查、自动循环信任与规模化护栏。 企业应先增加 Agent，还是先证明自动循环值得信任？

为什么说电影里的商战都不真实？ 英国科技富豪迈克·林奇（Mike Lynch）2011年把公司 Autonomy 以约110亿美元卖给惠普。 惠普接手后认为财务被包装过，计提巨额减值，双方打了十几年官司。 美国刑事案打到2024年6月，林奇和共同被告被判无罪。 英国民事诉讼里，惠普大体胜诉，后来还向遗产追偿。 宣判大约两个月后，林奇包豪华帆船 Bayesian 出海庆祝。 2024年8月19日凌晨，船在西西里附近突遇极端天气，十几分钟内沉没。 船上22人，15人生还（包括他妻子），7人遇难——包括林奇本人、18岁女儿，以及部分律师、商界朋友和厨师。 不是「全家和律师团全灭」，妻子活了下来。 更巧的是：没上船的共同被告、前财务副总裁斯蒂芬·张伯伦，在沉船前两天慢跑时被车撞死。 不是事后车祸，职务也不是财务总监。

北美点对点智驾，终于不再只有特斯拉一家在跑了。 第二家接招的美系纯电主力，是里维安（Rivian）。 官方宣布启动自动驾驶抢先体验计划。 首发拿出来的第一个核心功能，就是点对点智驾。 普通车主能立刻用上吗？ 不能。 官方把内测门槛卡得很严。 目前完全是小范围的邀请制测试。 车辆必须是搭载了 Autonomy+ 系统的第二代 R1 或 R2。 什么时候正式推送？ 官方给出的时间是今年 12 月。 而且首发测试区域，严格限定在加利福尼亚州。 此前在全场景点对点智驾上，北美市场基本是特斯拉一家独跑。 现在，第二家美系纯电主力正式给出了落地时间表。 虽然还只是极少数受邀车主的抢先体验，但攻守格局已经动了。 12 月的加利福尼亚公路，就看这批二代新车的真实表现了。

Binance 安全事件背后：AI 正在加速渗透，但AI信任基础设施仍远远落后 AI Is Everywhere. But Where Is the Trust Infrastructure? Binance 披露的重大安全事件揭示了一个值得整个 AI 行业警惕的问题: AI 的未来，不仅取决于机器能够做什么，更取决于我们能否证明它有权这么做。 根据初步调查，攻击者通过恶意软件感染员工设备，并利用内部 AI 工具进行横向移动，最终获取关键基础设施的访问权限，导致约 63.4 亿美元数字资产受到影响。 虽然不能将此次攻击简单归因于 AI 权限过高，但它暴露了一个正在被低估的风险： AI 正在获得越来越强大的执行能力，而针对 AI 权限、行为验证和工作透明度的基础设施，却远远没有跟上。 从 AI 工具到 AI Agent：能力与风险同步扩张 今天，AI 已经渗透到软件开发、企业运营、金融交易及基础设施管理等各个领域。 它不再只是生成内容或提供建议，而是能够自主调用 API、执行代码、访问内部系统，甚至管理资金与数字资产。 AI 正在从 Information Layer 进入 Execution Layer。这意味着安全问题发生了根本变化。 过去，我们需要担心 AI 是否给出了错误答案；现在，我们更需要担心 AI 是否执行了未经授权的操作。 然而，现有的安全体系主要围绕人类用户和传统软件设计，难以充分应对 AI Agent 自主规划任务、跨系统调用工具所带来的新风险。 一个 AI 拥有访问某个系统的能力，并不意味着它在任何任务中都有权使用这项能力。 Capability is not Authorization. 从 Verifiable Inference 到 Verifiable Work 随着 AI 开始参与真实世界的经济活动，我们需要验证的，不再只是 AI 生成了什么，而是它实际做了什么，以及它是否获得了相应授权。 这正是 Verifiable Work 的核心价值。未来可信的 AI 基础设施，需要能够验证 Agent 的身份、任务权限、执行环境和关键操作，并确保敏感行为在执行前受到独立的安全约束。 透明化也不意味着公开所有数据，而是在保护隐私的前提下，让关键行为能够被验证、审计和追溯。 Don’t just verify what AI says. Verify what AI does. AI 时代需要新的信任基础设施 这也是 0G 所探索的 Verifiable AI 基础设施的重要意义。 通过 Verifiable Compute、可信执行环境、去中心化存储以及 Agentic ID，0G 正在构建 AI 可信计算与身份验证的基础能力。未来，这些能力有望进一步结合任务级权限管理与可验证执行机制，从 Verifiable Inference 延伸至 Verifiable Actions 和 Verifiable Work。 随着 Agentic Economy 的发展，越来越多 AI 将拥有独立身份、自主调用资源，并参与真实的商业交易。 如果我们无法验证 AI 的身份、权限和行为，就难以真正放心地将关键业务和资产交给 AI。 Binance 事件再次提醒我们： 我们已经投入巨大的资源，让 AI 变得更聪明、更高效、更自主。现在，也必须投入相应的资源，让 AI 的行为更加透明、可控、可验证。 Intelligence needs Trust. Autonomy needs Verification.

强烈推荐大家看看 Anthropic 这个就业报告。 Anthropic 的技术博客，含金量真的很高。最近发布的一些文章，我觉得已经可以当论文来看了，基本上都会打印出来仔细阅读。 前天，Anthropic 又发表了一篇非常重要的研究报告，叫《How employment is changing at Anthropic》。 这次 Anthropic 直接拿自己的员工做样本，通过内部招聘数据、员工工作记录、面试评价，以及 17 位员工的访谈，研究 AI 给公司的人员结构、招聘标准和协作方式带来了哪些变化。 我觉得特别有价值。毕竟 Anthropic 已经是全球 AI 使用程度最高的公司之一，他们现在经历的变化，很可能就是接下来的趋势。 分享几个我的收获，尤其是对正在找工作的朋友，我觉得很有参考价值。 1、初级岗位的招聘，确实在明显减少。Anthropic 的数据显示，从 2025 年初到今年，技术部门的初级员工占比，从 21% 下降到了 14%。 而在新招聘的技术员工中，初级岗位的占比下降得更厉害，从 27% 跌到了 9%。 注意，Anthropic 的技术团队仍在扩张，但招聘越来越偏向有经验的人。 原因也相对比较好理解。毕竟 AI 现在已经可以完成很多复杂任务了，所以企业对人的判断力要求反而越来越高。 过去企业招聘初级工程师，通常会让他们先从简单的开发、测试、Bug 修复开始，慢慢积累经验。但现在，这些工作已经可以大量交给 AI 完成了。 类似的变化也出现在一些基础行政岗位上。即使 Anthropic 的员工规模快速增长，这些岗位也没有出现相应的招聘增长。 我自己也有类似的感受。 从年初到现在，我陆续跟不同的实习生（非 985 高校）合作过。说实话，整体体验并不算特别满意。主要问题还是大家缺乏经验，遇到一个稍微复杂点的问题，可能就会卡很久。 如果再缺乏主动性，就需要我不停地安排任务、检查进度，那我还真不如直接把事情交给 AI 完成。 所以从生产效率的角度来看，对于 AI 使用程度很高的公司，初级岗位的需求可能会越来越少。 2、Anthropic 的招聘标准也发生了明显变化，越来越看重一个人的自主性和判断力。 Anthropic 分析了自 2024 年以来数千名录用员工的面试评价，发现技术岗位的评价中，增长最明显的两个维度是 Autonomy 和 Judgment，也就是自主性和判断力。 与此同时，对特定领域专业知识的关注占比反而有所下降。 这个变化很有意思。 之前我也写过几次类似的话题，包括 Notion 首席设计师的一些分享，都提到了主动性的重要性。 因为有了 AI 之后，一个员工实际上已经可以同时管理好几个 Agent，相当于每个人都带着几个下属。 这时候，工作方式就需要改变了。 过去可能是领导分配任务，员工按照要求完成。但现在，一个人完全可以自己提出想法，制定计划，再调动 AI 去实现目标。 在 AI 时代，主动性可能会成为一个人非常重要的竞争力。 3、但到底怎么判断一个人有没有主动性？ 和运营、编程、设计这些专业技能相比，主动性多少有些主观，很难通过一道面试题判断出来。 年前，我给客户推荐过一个候选人，结果面试没通过。我很惊讶。因为之前跟他共事过，基本功不错，人也挺机灵。 客户老大叹了口气说：主要问题是他的主动性不够。我继续追问：你是怎么判断出来主动性不够的？ 对方回答：问之前在某个项目里负责了什么，话里话外能听出来，他的工作范畴仅仅就局限在领导安排的事情上，没见着他的思考，基本上就是安排什么做什么。 主动性不够，来我们团队，很难生存下去。所以也就没推进了。 我挺认同客户的判断。 不管是在大厂还是小厂，主动做事，为目标着急永远是重要的能力。 领导推一步，然后干一步，这种性格很难把事情做好。 并且，我总觉得，主动是一种受益终生的思维方式，主动和同事沟通进展，主动思考问题的解决方案，主动认识一些厉害的人...... 在我看来，主动性至少包括三个方面。 首先，一个人眼里得有问题，能够主动发现哪些事情值得做、哪些地方需要改进。其次，发现问题之后，愿意自己想办法，寻找资源，不停地把事情往前推进。 最后，遇到困难不会轻易停下来，更不会一直等着别人安排，而是会想办法把问题真正解决。 总之就是没有等靠要的思维方式。 4、Anthropic 越来越在乎候选人使用 AI 的能力，尤其是实际经历。 报告里有个很有意思的数据。2024 年，Anthropic 的技术岗位面试评价中，只有大约 5% 会提到候选人使用 AI 工具的经历，非技术岗位大约是 7%。 但到了 2026 年，这两个比例分别增长到了原来的 3 倍和 4 倍。 尤其是非技术岗位，变化非常明显。 这也给我们提了个醒。如果面试的时候，只是和面试官讲自己熟悉 Claude、Codex，恐怕已经没什么说服力了。这些工具谁都会用。 重要的是，我们用 AI 解决过什么具体问题。比如自己设计过一套工作流，或者利用 AI 做过一个小工具。我个人觉得这种真实的作品，比简历上罗列一堆 AI 工具更有说服力。 因为它能直接展示自己使用 AI 解决问题的能力。 5、AI 对应届生确实不太友好。 特别是非 985 或者 211 高校的学生，相比十年前的毕业生，大家就业压力大不少。 过去很多应届生的起点，几乎都是从简单的工作开始，然后在实际项目里慢慢积累经验，几年之后才能逐渐独当一面。 但现在，AI 正在接管其中一大部分基础工作。如果企业越来越倾向于招聘有经验、有判断力、能够独立完成任务的人，那么应届生，应该去哪里获得这些经验？ 这真是个挺棘手的问题。我亲戚家的孩子就是这情况，毕业一年了，现在还在家里待着。 所以，我感觉尤其是还在上学的同学，毕业后想进入互联网行业，真的应该尽早利用 AI，积累一些真实的项目经验。 比如开发一个自己真正想用的小产品，解决身边某个实际问题，或者给一项真实业务设计自动化流程。 很多二流学校的学生，在这时候了，还是在努力考研，以考研为荣。我真心觉得糊涂。 如果只是因为不知道毕业之后该做什么，或者天真的认为多一张文凭就能找到更好的工作，那真的应该重新考虑这事的逻辑。 尤其是那些将来想进入互联网行业，做产品、运营或者开发的同学。 现在 AI 已经把做产品的门槛降得非常低了。真的应该花点时间，去做几个真实的项目。最好能找到用户，收集反馈，再不断改进。 这个过程既能积累经验，也能锻炼前面提到的主动性、判断力，以及使用 AI 解决问题的能力。 等到真正找工作的时候，直接把作品拿出来，讲清楚自己解决了什么问题，以及取得了什么结果。反正如果我是面试官，我会非常愿意和这样的应届生聊聊。

最近用 Opus 5 写代码，我也一直被一个问题困扰： 模型明明更强了，但有时候反而更难一起工作。 刚好看到一篇文章也在聊这个。作者发现 Opus 5 遇到模糊需求时，更容易自己做假设，然后一路往下执行，甚至会悄悄扩大任务范围、重新解释原来的计划。 以前 Opus 4.8 或 Fable 有些时候会停下来问一句：「你这里到底想要 A 还是 B？」 Opus 5 更喜欢自己选一个，然后继续干。 更有意思的是，Anthropic 自己的 Opus 5 Prompting Guide 也专门提醒了这个问题：它可能主动扩大 scope、加入没要求的步骤，所以窄任务需要明确告诉它不要擅自扩展。 文章里给了一个挺有意思的猜测： Benchmark 和 RLVR 更容易奖励「大胆做出假设然后把任务完成」的模型。但真实的软件工程里，很多信息永远写不完整。业务背景、隐含约束、架构取舍，经常没有唯一正确答案。 Agent 更自主当然很好，但如果每次都要盯着它别跑偏，这种 autonomy 的价值就要重新算了。 原文：

很多项目上链之后，真正麻烦的地方并不在第一步。 合约能发。 页面能做。 测试网也能跑。 但一旦你想把它做成一个长期运行的链上应用，问题就开始多了。 安全怎么来？ 验证者怎么来？ 费用怎么控制？ 后面升级谁说了算？ 生态和流动性怎么接？ 这也是 @CNPYNetwork 这条线我觉得值得拆开的原因。 ///////////////////////// 「Canopy @CNPYNetwork 想做的，是让项目更容易拥有自己的链」 过去很多团队不是不想做 appchain。 而是 appchain 的启动成本太高。 你要先处理底层架构、安全冷启动、验证者协调、跨链互操作、后续治理和升级路径。 这些东西加在一起，很多项目还没真正进入业务阶段，就已经被基础设施拖住了。 Canopy 的思路比较直接： 先让项目通过 Nested Chains 快速启动。 早期继承根链安全，减少从零 bootstrap 的压力。 等项目跑起来之后，再通过 Progressive Autonomy 逐步拿回更多控制权。 执行、治理、经济模型、验证者集合，都可以随着项目成熟慢慢独立。 ///////////////////////// 「AI-native 的重点，不只是用 AI 写代码」 现在很多项目都在讲 AI Coding。 但 Canopy 更有意思的地方，是它想把 AI Coding 接到链启动这一步。 开发者可以用 Python、TypeScript、Go 这些更适合 AI 辅助生成的语言去构建。 再配合模板化设计，把一个链上应用从想法、代码、部署压缩到更短路径里。 所以我觉得 Canopy 的重点不是某一个单独赛道。 RWA 可以用。 AI 应用可以用。 游戏、消费级应用、DePIN 也可以用。 它真正想做的，是给不同项目一条更容易启动、后续还能逐步拿回主权的链上轨道。 如果主网推进顺利，Canopy @CNPYNetwork 看的就不是“又一个新链”。 而是 appchain 这件事，能不能真正从少数团队的重工程，变成更多应用可以使用的基础设施。