AI Coding 再快，现实中的人还是得一页页签字、一次次盖章。技术已经踩下油门，但被渠道、支付、财务和制度咬住的慢齿轮，AI 暂时还带不动。 #AI边界# #一人公司# #创业日常# #AI创业# #易论AI# #歸藏# #李继刚#

NVIDIA 再次推高 AI 能力边界。虽然看似小升级，但将显著提升交付速度、降低试错成本与上手难度。Atomic 测试显示其编写 3 个 HTML5 物理演示案例的表现已直逼 GPT-5.5。后续关键在于能否降低长任务中断率并实现上下文复用默认化。

AI 做交易已经很常见了 但真正把人拦住的，从来不是“AI 能不能交易” 而是普通人根本用不起来 很多 AI 交易平台，要么需要你会代码，要么需要你懂一堆量化参数，要么就是一个黑盒机器人 开仓不知道为什么开 亏损不知道为什么亏 行情一变，你只能在旁边干瞪眼 这几天我把 @0x_aix 后台点进去看了一圈 第一感觉是，它不是那种只给你一个买卖信号的 AI 交易机器人 它更像一个 AI 交易工作台 把提示词、策略、风控、选币、智能体这些东西拆开，让你自己组合 所以它比较有意思的地方，不是又讲了一个“AI 帮你赚钱”的故事 而是它把 AI 交易这件事，做得更像普通人能上手、能理解、能调整的工具 第一张图是提示词模板 我觉得这个设计挺关键 我自己最先看的也是这一页 因为很多人不是没有交易想法，而是不知道怎么把交易想法写成代码 比如现货策略、稳健保守型合约策略、通用合约策略，它里面已经有一套基础模板 你不需要一上来从 0 写 Python，也不需要自己搭量化框架 先从模板开始改，把自己的交易习惯和风控偏好加进去，这个门槛就低很多 第二张图是策略制作 这个页面更像把交易策略拆成几块积木 基本信息、技术指标、风险管理、策略蓝图、交易技能、提示词，都可以单独配置 我比较喜欢的是，它不是直接让你上实盘 右侧可以先预览提示词，也可以测试 AI 也就是说，你可以先看 AI 会怎么理解你的策略，再决定要不要继续调整 这一点比很多黑盒交易机器人舒服 因为黑盒最大的问题不是亏钱 是你根本不知道自己为什么亏 第三张图是策略模组 这里就更像给交易策略加零件 K 线反转形态、量价配合确认、MACD 动能与位置、RSI 均值回归、多重共振因子，这些都可以作为策略模块组合进去 以前你要做这种东西，基本要么会代码，要么找人写脚本 现在如果能把这些指标逻辑模块化，对普通交易者确实友好很多 第四张图是交易技能 这个我觉得是 AIX 比较有意思的地方 它不是只盯技术指标 里面有风险管理框架、AI 交易心理、科学仓位计算、多周期共振分析、资金费率策略、DCA 定投策略这些模块 交易真正难的地方，经常不是判断方向 而是仓位、止损、回撤、情绪和纪律 人最容易犯错的地方，反而最适合交给 AI 去做规则化执行 还有就是选币终端 它不是只让你盯一个币，而是做多维度选币 页面里能看到 6 个交易所聚合，扫描了 2000 多个币种，再按动量、流动性、波动、异动这些维度去评分 这对短线和合约用户挺实用 因为很多时候，问题不是你不会交易 而是你根本不知道今天该盯哪些币 我自己看下来，AIX 更像一套 AI 交易辅助台 提示词模板解决不会写策略的问题 策略制作解决不会搭框架的问题 策略模组解决指标组合的问题 交易技能解决风控和执行的问题 选币终端解决不知道盯什么的问题 我目前不会把它当成全自动赚钱机器 更愿意先把它当成交易辅助系统 先拿来整理策略、筛币、做风控，再决定要不要接入实盘 人负责判断方向和风险边界 AI 负责执行纪律、监控市场、减少情绪干扰 这可能才是 AI 交易工具真正有价值的地方 不是替你赌，而是帮你把交易系统跑得更稳一点

《AI Compatible 与 AI Native》 锚点： 很多人以为自己已经进入了 AI 时代，其实只是进入了“AI Compatible”时代。 最近我问了几个程序员岗位的同事： “除了 AI 帮你写代码，你的工作方式还有什么变化吗？” 答案几乎一致： “暂时没有。” 这让我突然意识到一件事。 AI 已经进入了大多数人的工作流程。 但并没有进入大多数人的工作结构。 这是两个完全不同的阶段。 什么是 AI Compatible？ AI Compatible，可以翻译成： 兼容 AI。 它的特点很简单： 工作流程保持不变。 只是把其中某一个环节换成了 AI。 例如程序员： 过去： 需求 ↓ 自己写代码 ↓ 提交 现在： 需求 ↓ AI 写代码 ↓ 提交 流程没有变化。 角色没有变化。 协作没有变化。 AI 只是变成了一个更快的编辑器。 于是： 周报还是自己写。 项目还是自己催。 聊天记录还是自己翻。 需求还是自己整理。 上下文还是自己拼。 唯一变化的是： 代码写得快了一点。 这就是 AI Compatible。 它提升的是效率。 没有改变系统。 什么是 AI Native？ AI Native，不是： AI 用得更多。 而是： 整个工作流程围绕 AI 重新设计。 工作的第一步，不再是： “AI 能帮我做什么？” 而变成： “这件事为什么一定要由人来做？” 于是整个流程开始重新拆解。 例如项目推进： 过去： 人： 翻聊天记录； 找负责人； 理解上下文； 催进度； 整理状态； 思考下一步。 现在： Agent： 自动读取聊天； 自动寻找干系人； 自动补全上下文； 自动发现阻塞； 自动推演下一步； 人只负责： 判断； 决策； 真人沟通； 承担责任。 工作的重心发生了迁移。 AI 不再是工具。 开始成为整个流程的一部分。 两者最大的区别 AI Compatible： 旧流程 ↓ AI 替代一个动作 ↓ 继续旧流程 AI Native： 重新设计流程 ↓ 重新划分人与 AI 的边界 ↓ 形成新的协作方式 很多公司今天喊着： AI First。 Agent。 智能工作流。 但实际上仍然停留在 AI Compatible。 他们只是： 让 AI 写代码。 让 AI 写周报。 让 AI 总结会议。 然后继续按照过去十几年的流程工作。 于是： 一周一个版本。 层层审批。 大量周报。 大量日报。 大量等待。 AI 写的是新时代的代码。 跑的却是旧时代的流程。 真正的变化发生在哪里？ 很多人认为： AI 最重要的是模型越来越聪明。 我反而觉得： 真正的变化在于： 组织开始重新定义“人应该做什么”。 未来的人类工作，不会因为 AI 消失。 但会不断收缩。 收缩到那些 AI 难以承担的部分。 例如： 判断。 责任。 价值取舍。 建立信任。 而那些： 重复。 查找。 同步。 整理。 跟进。 提醒。 越来越会交给 Agent。 AI Native 的标志 真正进入 AI Native 的组织，不会先问： “代码生成率是多少？” 而会问： “从发现问题，到改变现实，需要多久？” 因为 AI Native 的目标，不是写更多代码。 不是生成更多报告。 不是做更多网页。 而是： 缩短反馈周期。 减少组织摩擦。 让状态自动流动。 让上下文自动连接。 让人只做真正属于人的事情。 最后的分水岭 未来几年，组织会逐渐分成两类。 一类： 用 AI 做昨天的工作。 另一类： 用 AI 创造昨天根本不存在的工作方式。 前者，会获得几十个百分点的效率提升。 后者，会重新定义整个工作的形态。 AI Compatible，让昨天跑得更快。 AI Native，让昨天成为历史。

最近值得关注的不只是AI政策本身，而是执行方式正在变细 Nvidia在加强客户尽职调查，削减部分地区的授权客户数量；美国也开始讨论开源模型的监管边界 AI管制正在从简单的出口限制，转向最终使用者审查。往后模型、算力、芯片，都可能进入ultimate end user的监管框架 AI全球化的路径，大概率会变得更碎片、更区域化

《用 CPV 模型预测 AI 技术演进》 过去几年，AI 领域几乎每天都有新概念出现。 Prompt Engineering、RAG、Memory、Agent、MCP、J-space、Tool Use、World Model…… 大多数讨论都围绕一个问题展开： 下一个热点是什么？ 我更关心另一个问题： 为什么热点会依次出现？ 如果一种理论只能解释已经发生的事情，它的价值有限；真正有价值的理论，应该能够预测未来。 CPV（Cognitive Positioning Value）提供的，正是这样一种视角。 它关注的不是某项技术，而是反馈最终作用到了系统的哪一层。 ⸻ AI 的发展，本质上是反馈不断向深层沉淀 CPV 将反馈划分为五个层级： CPV1：行为（Action） CPV2：状态（State） CPV3：模型（Model） CPV4：结构（Structure） CPV5：边界（Boundary） 越往下，反馈改变的对象越深。 AI 技术的发展，几乎就是沿着这五层不断推进。 ⸻ CPV1：改变输出 这一阶段的代表是 Prompt Engineering。 Prompt 改变输入。 模型改变输出。 任务结束，一切恢复原状。 模型没有成长。 它只是完成了一次推理。 后来出现的 Prompt 自动优化、思维链（Chain of Thought）、提示模板，本质上仍然属于这一层。 它们提高了完成任务的能力，却没有改变模型本身。 ⸻ CPV2：改变状态 随后，人们发现一个新的问题： 模型什么都记不住。 于是，Memory 出现了。 长期记忆、用户画像、上下文管理、会话历史…… 反馈终于开始影响模型的运行状态，而不是一轮对话。 模型开始拥有“今天的自己”。 但这里仍然存在明显的局限。 Memory 越来越长。 越来越混乱。 越来越互相矛盾。 于是，新的结构压力出现了。 ⸻ CPV3：改变模型 真正的成长，不应该只是不断累积记忆。 而应该修改世界模型。 例如： 昨天认为用户喜欢苹果。 后来连续半年都选择安卓。 系统不应该同时保存两条冲突的信息，而应该形成新的理解： 用户真正偏好的是开放生态。 这里发生变化的已经不是 Memory，而是模型本身。 未来的 AI 一定会越来越重视： 记忆巩固（Memory Consolidation） 经验抽象（Experience Abstraction） 世界模型更新（World Model Revision） 它们共同指向同一个方向： 反馈开始改变模型，而不是继续堆积数据。 ⸻ CPV4：改变结构 随着模型越来越复杂，另一个瓶颈出现了。 一个网络承担所有能力，越来越低效。 于是开始出现： Planner。 Executor。 Memory。 Vision。 Reflection。 Safety。 它们逐渐成为不同的功能模块。 MoE、Tool Use、Agent、MCP、多智能体协作，都可以看作这一趋势的不同表现。 未来 AI 更像一个组织。 而不是一个越来越大的 Transformer。 反馈开始重组系统结构。 ⸻ CPV5：改变边界 这是最深的一层。 今天，人们谈论 AI，通常想到的是： 一个模型。 未来，AI 的边界会不断扩展。 浏览器。 手机。 电脑。 机器人。 汽车。 摄像头。 传感器。 云端。 其他 Agent。 这些都会成为 AI 系统的一部分。 到那个时候，我们讨论的不再是一个模型，而是一个持续运行的智能系统。 它的边界不断重新定义。 人与 AI 的关系也会随之改变。 ⸻ 为什么 CPV 能预测未来？ 因为每一层都会产生新的结构压力。 Prompt 足够成熟之后，系统开始需要记忆。 记忆足够丰富之后，系统开始需要学习。 模型足够复杂之后，系统开始需要重新组织。 结构足够完善之后，系统开始突破自身边界。 技术演进并不是热点随机切换。 而是上一层已经无法继续承载反馈。 新的层级因此诞生。 这是一种复杂系统普遍存在的演化规律。 ⸻ J-space 给了我们一个验证 Anthropic 最近公开的 J-space 研究，让人们第一次能够观察模型内部的工作空间。 很多人关注的是： AI 是否拥有了类似意识的东西。 我关注的是另一件事。 J-space 解释的是： AI 此刻如何思考。 CPV 解释的是： AI 为什么会演化到下一阶段。 两者回答的是不同的问题。 前者研究计算过程。 后者研究反馈如何不断向更深层沉淀。 它们并不冲突。 反而共同构成了一幅更完整的智能演化图景。 ⸻ 一个理论真正的价值 未来几年，还会不断出现新的技术名词。 也许叫 Workspace Editing。 也许叫 Self Evolution。 也许叫 Autonomous Organization。 名字会不断变化。 但如果这些技术仍然停留在同一层反馈，它们只是同一类问题的不同实现。 真正值得关注的，不是名字。 而是它让反馈深入了哪一层。 能够回答这个问题，才能真正理解 AI 为什么会这样发展，以及下一次技术跃迁会发生在哪里。 CPV 的意义，不在于解释某一项 AI 技术。 它试图描述的是： 所有能够持续学习的复杂系统，都遵循着同一种反馈演化规律。 因此，它不仅可以解释 AI，也可以预测 AI。

有幸和江浙沪最会做ai 改造的 @Zhm20220917 见了一面聊几小时，愈加确定下面几个事情 --AI 时代，更接近生产端，懂产业的人，会吃到初创企业的巨大红利，懂ai 和边界，占 20%，懂生产，懂产业，占 80% --小团队拒绝创新，创新是表象，服务结果才是核心 --企业在意的不是技术，也不是模型，是真实在生产、构造和销售端能解决问题的，哪怕是 1% 的改善，背后也是几百万几亿的支出和利润

每周六给大家分享一篇深度好文： 本周：《There’s this deep mystery of what, actually, is this thing?: the philosopher inside Google DeepMind AI》 作者：Robert P Baird 平台：The Guardian 文章链接放在文末！ 推荐对 AI 有兴趣或者对 AI 投资下注的朋友一定要看下，是一篇很好的深度人物 + 思想随笔。 推荐的主要原因，是因为它写的是 Google DeepMind 里的哲学家 Iason Gabriel： 这个结合很有趣，一个政治哲学背景的人，如何在最前沿的 AI 实验室里，思考 AI 到底应该服务谁、服从谁、伤害谁、又由谁来决定它的价值边界。 文章从 Gabriel 2017 年加入 DeepMind 写起。 当时他几乎是少数真正进入前沿 AI 实验室内部的哲学家之一。文章借他的经历，把 AI 领域里两个长期分裂的阵营讲清楚了：一边是关注“失控、对齐、超级智能风险”的 AI safety，一边是关注“偏见、权力、社会伤害”的 AI ethics。 所以你可以看到 AI 对齐不是简单地让机器“听人话”，而是一个更复杂的四方关系：AI 系统、用户、开发者、社会。 如果 AI 只服务开发者，可能会损害用户；如果 AI 只服从用户，也可能损害社会；如果只追求技术最优，又可能忽略人的价值冲突。 另外关于 Agenty 的普及肯定是不可逆的趋势，未来 AI 不再只是输出文字，而是会在现实世界里行动。这个变化会让伦理、责任、权力边界都变得更尖锐。 与我而言这篇内容的最大启发： 1️⃣AI 时代更应该多读书多思考 AI 时代不要只追新工具，工具只是形式上的，真正重要的是你有没有自己的“价值排序”和“决策边界”。 没有这个边界，AI 越强，只会把你的混乱放大。 2️⃣超级个体； 未来的超级个体，除了熟练掌握工具，更重要的，是必须是能把 AI 放进自己的判断系统里，同时知道什么时候不能让 AI 替自己做决定的人。 3️⃣投资启发； 我以前以为 AI 竞争的除了技术就是算力。 原来 AI 公司、Crypto 项目、平台型产品，最后竞争的不只是技术参数，而是谁掌握入口、数据、执行权和价值定义权和伦理决定权。 谁能决定“系统应该偏向谁”，谁就拥有真正的权力。 AI 还有很长的发展路径，投资一定要多样化，不要只看某一个面。 文章链接：

最近一个非常明显的变化是，测试和前端开发这些细分工种，正在逐渐被收敛。 今天很多研发流程依然是 Human in the Loop，人还深度参与在工作流中。但我们更想看到的状态是 Human over the Loop，人逐渐脱离具体工作流，让任务能够自循环、自验证、自进化。 这里核心要解决两个问题。 第一个是验证。 AI 的生产速度一定会超过人的验收速度。如果每一份 AI 产出最后都需要人来 Review、测试和验收，那么 AI 生产得越快，人反而越容易成为整个系统的瓶颈。要真正实现 Human over the Loop，验证本身也必须交给 AI。人负责定义目标、标准和边界，AI 负责执行，同时完成验证、反馈和修正。 第二个问题也随之而来。当大量任务的生产和验收都开始发生在 Agent 之间，我们还需要那么多面向人的前端表达吗？ 过去的软件大量服务于 Human Computer Interaction，所以需要非常丰富的界面、交互和前端工程。未来人机交互会减少，机机交互会越来越多。很多过去通过页面、按钮、表单完成的操作，会变成 Agent 之间的协议调用、状态传递和任务协同。 所以前端的工作也会发生迁移，从“怎么让人更好地操作系统”，逐渐转向“怎么让人更好地控制 Agent，以及让 Agent 之间更好地协同”。 而 Agent 之间这一层协同，本身又天然适合自动化。Agent 能够理解目标，能够调用工具，也能够根据反馈继续执行。所以从这个视角往下推，测试、前端这些高度依附于传统软件生产流程的细分工种，会最先受到冲击。 再往后看，未来的人才结构可能会逐渐收敛到两类。 一类是端到端交付的人。他们面对的是业务问题，从需求洞察开始，一直到方案、研发、验证、上线和运营，对最终结果负责。 另一类是领域专家。他们解决的是足够深的专业问题，包括架构、性能、安全、基础设施，以及 AI Harness 等复杂工程能力，把自己的专业知识沉淀成工具、规则、评测体系和 Agent 可以复用的能力。 这两类人都不可或缺。一个负责把事情做成，一个负责把某一类事情做到足够深。 过去组织通过大量细分工种完成协作，未来更多会通过“端到端交付者 + 领域专家 + Agent”完成协作。细分工种会不断收敛，人的责任边界会越来越大，专家能力也会越来越深。