Anthropic 这哥们的话，真是金玉良言啊。 刚看到 Anthropic 一位 Engineering Manager 的分享，感觉很有意思。 他说，他们团队这个月已经取消了招聘流程中的 Coding Interview，也就是我们熟悉的现场编程题。 因为 AI 在编程方面已经很强了，现场让候选人完成一个 React 编程题，或者考察一些具体的编程知识，通过这些题目来筛选人才，已经没有太大意义了。 而且他发现，自己团队中，那些真正能够创造巨大价值的工程师，未必在传统编程测试中表现得最好。 过去很多科技公司招聘程序员，基本上都把编程能力作为一项非常重要的考核指标。之前我还是程序员的时候，面试前最重要的准备就是刷 LeetCode。 但随着 AI Coding 的快速发展，一名优秀工程师的评价标准，显然也在发生变化。 传统 Coding Interview 可能真的应该彻底取消了。 其实，软件工程这些年的发展，本身就是一个不断提高抽象层级的过程。 最早，程序员需要直接编写汇编。后来有了 C 这样的高级语言，再后来是面向对象编程，以及各种框架和组件。 随着越来越多的底层细节被封装起来，程序员可以用更少的代码，完成更复杂的工作。 现在，AI Coding 又把抽象层级往上抬了一层。过去需要程序员亲自编写和调试的代码，现在很大一部分可以交给 AI 完成。 既然传统 Coding Interview 已经很难准确判断一名工程师的实际价值，那么未来应该怎么招聘程序员？ Anthropic 的这哥们说，他现在筛选简历时，会特别关注候选人过去做过的产品，哪怕只是一个很小的原型。 因为通过这些作品，可以直接考察候选人的品味、同理心和思考深度。这些可能都比 Coding 能力重要。 我解释下自己对这三个品质的理解。 品味，也就是 Taste，指的是一个人的判断能力和审美。培养品味其实没有那么复杂，核心就是多看好的东西，然后不断实践，在实践中获得反馈，反复调整。 比如，经常接触优秀的设计和产品，时间久了，自然会慢慢形成自己的判断。 再自己动手做一些东西，就会发现，原来这个页面的元素太多了，那个地方的渐变色有点土，某个按钮去掉之后更简洁...... 品味很难通过学习某个理论就掌握，还是需要不断接触优秀的东西，再通过实践慢慢培养。 同理心的话，好像这个词前几年在国内职场也经常被提起。 简单来说，就是能够站在别人的角度思考问题，不要总沉浸在自己的世界里。 比如，很多工程师长期开发一款产品，对各种功能和操作流程已经非常熟悉，觉得很多设计理所当然。但对于普通用户来说，可能用起来就特别别扭。 优秀的工程师需要能够站在真实用户的角度，理解他们的需求和使用产品时的感受，发现那些自己已经习以为常的问题。 想起张一鸣以前讲过一句话，同理心是地基，想象力是天空，中间是逻辑和工具。 这个理解挺好的。毕竟，如果连用户真正需要什么都不了解，产品做得再复杂，功能再丰富，也未必有什么价值。 最后是 Principled Thinking，其实就是一个人的逻辑思维能力。 开发产品的过程中，总会面临各种各样的选择。为什么要开发这个功能，为什么采用这样的技术方案，又为什么放弃其他方案？ 这些决定背后，都应该有清晰的判断依据。尤其是现在有了 AI，技术实现越来越容易，但也不能想到什么就做什么，更不能 AI 给出什么方案，就直接照着执行。 说完面试，我们再聊下年轻程序员的出路。毕竟现在有一种特别流行的观点，认为 AI 对年轻工程师，尤其是缺少工作经验的程序员越来越不友好。 但 Anthropic 这哥们却有不同的看法。 因为他发现，一些刚进入公司的年轻工程师，正在快速超越那些工作经验更丰富、甚至编程能力更强的资深工程师。 一个很重要的原因是，过去需要多年积累的技术经验，现在 AI 已经能够帮年轻人弥补一部分。 即使编程能力还没那么强，他们也有机会快速把自己的想法变成产品，创造出更大的业务价值。 而且，年轻人还有一个很大的优势，就是敢想敢干，有激情，也有野心。 大部分人年轻的时候都是这样，荷尔蒙爆棚，看到什么新鲜的东西都想试试，也没有那么多历史包袱。 进取心胜过资历。 当然，年轻工程师也有自己的劣势。比如他们在组织里没有那么高的地位，也缺少足够的话语权，在一些具体的问题上缺乏经验，所以下的判断可能会绕弯路。 这些就是硬币的两面。但核心是，年轻的工程师没必要妄自菲薄。AI 对所有人都是巨大的机会，没有厚此薄彼。 他给年轻工程师提供了几条建议，我觉得真是金玉良言啊，对所有人都适用。 第一，不要只盯着分配给自己的任务。 早在 2011 年，Patrick McKenzie 就写过一篇很经典的文章，叫《Don't Call Yourself a Programmer》。 里面有句话非常经典：企业雇用工程师，是为了创造商业价值，而不只是编写程序。 对于年轻工程师来说，首先应该搞清楚自己的公司究竟想实现什么目标。如果公司规模比较大，那至少应该理解自己所在部门最重要的业务目标是什么。 甚至可以再往上思考一层，看看自己主管的主管，究竟在为什么事情负责。 要不然很多工程师还是会把自己局限到代码当中。 但公司真正关心的，可能是提高客户留存率、改善产品体验，或者增加收入。 第二，提出一个足够大胆的想法。 不要只想着在现有产品上做一些小修小补。 既然已经理解了公司的业务目标，那就应该认真思考，有没有什么新的产品或者技术方案，能够明显改善业务表现。 哪怕这个想法听起来有点激进，也值得尝试。 因为现在有了 AI，很多过去需要投入大量人力和时间才能验证的想法，已经可以用很低的成本尝试了。 第三，利用一个周末，把想法做出来。 这也是我觉得整篇文章里非常有启发的一条建议。 Anthropic 一些年轻工程师，或者只有几个人的小团队，直接跳过了过去那些繁琐的流程。 他们没有先花大量时间编写 PRD，也没有到处争取产品经理和设计师的支持。 而是利用 AI，在一个周末做出了可以实际运行的产品原型。 然后再拿着原型去沟通。 这两种方式的差别还是很大的。 因为当你只有一个想法的时候，其他人很难判断它到底有没有价值。但有了能够运行的原型，大家就可以直接上手体验，也更容易理解这个想法的价值。 而且，这个原型本身也证明了你有能力把事情做出来。 第四，一个原型最好只表达一个核心想法。 很多年轻工程师容易犯一个错误，就是过于兴奋，恨不得把自己想到的所有功能，全部塞进一个产品里。 结果，可能有三个想法非常优秀，却被另外二十个没什么价值的想法掩盖了。 他认为，制作原型最重要的目的，是让管理者快速理解这个想法为什么值得做，以及你为什么有能力继续推动这个项目。 所以，没有必要为了展示技术能力，把原型做得特别复杂。 把一个真正有价值的想法表达清楚，就已经足够了。 第五，充分利用新人视角。 在一家公司待久了，很多人会逐渐习惯现有的工作方式，甚至把过去的一些经验当成不可改变的限制。 但刚加入公司的年轻人，没有那么多历史包袱。很多老员工觉得不可能实现的事情，他们反而愿意重新尝试。 而且，现在有了 AI，很多过去需要投入大量资源才能尝试的想法，年轻人自己就可以先动手做出来。 举个例子，Claude Code 最开始主要通过命令行交互，很多工程师已经习惯了这种工作方式。 但后来，两位加入公司时间不算长的年轻工程师，利用一个周末，就做出了 Claude Code 图形界面的原型。大约八天之后，第一个公开版本就发布了。 现在大家也都看到了，Claude Code 的图形界面已经成为很多人使用这款产品的重要方式。 所以，回过头来看，我觉得 Felix 说的进取心胜过资历，还是很有道理的。 尤其是在 AI 时代，很多过去需要大量资源才能完成的事情，现在一个人就有机会做出来。 对于那些有想法、愿意主动尝试的年轻人来说，这确实是一个非常好的时代。

王兴和李想私下里经常推荐的一本书。 《高效能人士的七个习惯》这本书的价值，仍然是被低估的。 我印象中，美团的王兴、理想汽车的李想，还有水滴的沈鹏，都曾在不同场合推荐过这本书。 李想曾经说过，这是他在过去创业和生活的二十多年里，遇到的一本最好的系统和教程。 今天飞深圳，在路上打开微信读书，偶然翻到了之前收藏的一篇文章，是李想早年在理想汽车内部讲《高效能人士的七个习惯》的培训稿。 又从头到尾认真读了一遍，虽然已经工作了十年多，但收获仍然还是非常大。 这本书讲的道理看起来都很简单，但真正理解，并且在工作和生活中用起来，其实挺难的。 整理了一些笔记，分享给大家。 1、我们每天都会关注很多问题，比如今天天气如何，上班路上是否堵车，老板会不会给我涨薪，某个工作该怎么做，房价会不会跌，董宇辉的直播怎么看的人少了。 这些问题中，有些自己可以掌控，有些则无能为力。 如果一个人总把焦点放在那些无能为力的事情上，那久而久之，他会变得消极，凡事喜欢上纲上线，争论一些自己根本没有办法改变的事情。 2、积极主动的人心里清楚，应该把精力放在那些自己能够改变或者影响的事情上。总盯着无能为力的事，比如别人的缺点，或者大环境的问题，那只能让自己越来越消极。 永远把 80% 的精力着眼于自己能够控制和影响的事情上。这样，随着能量的增强，你的影响圈也会越来越大，能够改变的事情也会越来越多。 3、如果我们长期关注那些我们影响不了的事情，那自身的气场、能量会不断缩小；反之，改变自己，积极主动，那做事的能量便会不断增强。 这个思维方式对我的影响是决定性的。我觉得强者和弱者的区别也在这里。 4、《高效能人士的七个习惯》其实是一套完整的个人成长系统。前三个习惯，主动积极、以终为始、要事第一，帮助一个人从依赖走向独立。 接下来三个习惯，双赢思维、知彼解己、统合综效，帮助一个独立的人学会与他人合作。 最后一个习惯，不断更新，让自己能够持续成长。这七个习惯是有先后关系的，一个人只有先做好自己，才有能力与别人建立真正良好的合作关系。 5、一个人是否成年，和年龄没有太大关系。真正的成年人，能够主动做选择，愿意为自己的选择承担责任，而且能够不断地问自己，眼下最重要的事情是什么。 很多人虽然已经工作多年，但依然习惯于等别人安排任务，遇到问题就找外部原因，也不愿意为结果负责。这样的人即使年龄再大，也很难真正独立。 6、主动积极，首先意味着我们有选择如何回应一件事情的权利。 比如看到马云很成功，有人会觉得，他家里一定有背景，所以才能成功。也有人会主动研究他的产品、经营方式，以及他为什么能够把企业做得这么成功。 同样一件事情，前一种反应只会让自己更加消极，后一种反应却可能带来新的知识和经验。 7、人与人之间的差距，很多时候就是这样慢慢拉开的。 在汽车之家，曾经有不少刚毕业的大学生，起点差不多，但工作三年之后，主动积极的人和消极被动的人，在个人能力和产能上可能相差十倍。 因为遇到困难时，积极的人会想办法解决，每解决一个问题，就积累一次经验。 而消极的人习惯于回避问题，认为这件事跟自己没关系。三年下来，两个人积累的经验和能力自然完全不同。 8、主动积极还有一个重要的表现，就是能够控制自己对外界的反应。 2019 年，有媒体批评理想汽车工厂没有建好，杂草丛生，无法按时投产。 面对这样的报道，理想汽车没有选择反击，而是解释工厂的实际情况，承诺及时清理杂草，并向对方提供建设进展，最后还邀请这位媒体朋友参加试驾。 很多时候，别人的行为我们无法控制，但可以选择如何回应。不同的回应方式，往往会让事情走向完全不同的结果。 9、以终为始，就是一个人需要有自己的长期使命和愿景。使命是你为什么而活，愿景是你希望这一辈子成为怎样的人。 它们就像一部人生的宪法，能够帮助你做出重要决定。否则，一个人很容易被外界的评价、要求和各种短期利益牵着走，忙忙碌碌很多年，最后却发现自己根本不知道想要什么。 10、怎么找到自己的使命？有一个很实用的方法，就是先把自己在人生中扮演的不同角色列出来。 比如在公司是管理者，在家里是父亲、丈夫、儿子。然后分别思考，未来五到十年，希望自己成为怎样的管理者，怎么样的父亲和丈夫。 只有把这些问题想清楚，才能知道今天应该把时间花在哪里。 11、很多人觉得工作太忙，没办法照顾家庭。但高质量的陪伴，本身就是需要主动安排的事情。 比如每周只有一天能够陪伴家人，那就应该提前想好带孩子去哪里玩，和妻子去哪里吃饭，每年什么时候安排一次家庭旅行。 如果每次都等家人问起来，才用一句随便应付过去，那家庭生活的质量自然很难提高。真正重要的事情，应该提前进入自己的日程。 12、要事第一，核心是找到真正重要的事情，然后把时间和精力集中在上面。 比如一个 CEO，每天可能有十五件事情需要处理，但真正安排的只有三件，而且这三件事必须和周计划、月计划、年计划有关。 因为在实际工作中，头部 10%的重要事情，往往决定了大部分结果。 一个人每天做了多少事情，并不能说明他有多高效，更重要的是，他有没有把最重要的事情做好。 13、什么事情最重要，取决于你当前的角色和所处的阶段。 比如一家公司即将完成产品研发，准备进入下一个发展阶段，此时 CEO 最重要的职责可能就是组织建设。 如果每天忙着做销售、参加各种会议，看起来非常勤奋，但公司的组织能力始终没有建立起来，那就是没有抓住要事。 所以，做好时间管理，还有一个非常重要的能力，就是知道哪些事情可以不做。 14、双赢思维的基础，是尊重别人和自己不一样，也尊重自己和别人不一样。 不断在所有人际关系中寻求互惠互利的一种思维和情感模式。 没有格局和胸怀是根本不可能达成合作的，你要敢于接受别人的不一样。 人与人之间的差异，本身就可能创造价值。 如果一个人永远要求别人和自己保持一致，就很难找到真正能够互补的合作伙伴。 15、我觉得吧，《高效能人士的七个习惯》很大程度上说的就是一个人的思维方式。什么是思维方式，其实就是我们遇到事情时的应激反应机制。 而思维方式，是可以刻意练习和调整的。

参加完飞书活动，特想聊聊应届生找工作的坑。 感觉所有的应届生，无论名校还是普通大学，确实都应该认真思考下，AI 时代，企业到底需要什么样的人才。 毕竟，AI 对应届生的就业冲击，还是比较大，这已经是一个越来越明显的趋势了。 昨天下午，我有幸参加了飞书和豆包工作组织的 AI 先锋未来人才大赛。 现场碰见了很多优秀的学生，其中有几位虽然就读的学校不是 985，也不是 211，但仍然同时拿到了好几个 Offer。 恰好前两天我也聊过 Anthropic 的那份就业报告，当时也提到了，像 Anthropic 这样的新一代的公司，他们对于优秀人才的定义已经和之前发生了翻天覆地的变化。 在现场，我还领到了一本《AI 时代人才标准全景观察》的报告，也和不少学生、企业招聘负责人聊了天。 有不少新的感触，今天我想结合自己的观察，分享几点思考，希望能给正在准备就业的大学生一些参考。 1、尽快建立自己的作品集。真的，AI 时代，作品正在成为最好的简历，它远比考一些证书要有用很多。 记得十多年前我参加校招的时候，企业招聘应届生，最看重的还是学校、专业、证书，以及实习经历。当然，今天这些仍然重要。 但我发现，AI 确实给了愿意上手折腾的同学新的机会。即使学校背景不突出，也没有什么大厂实习经历，只要能拿出几个真正解决问题的作品，就能迅速脱颖而出。 毕竟，作品能够更直观证明一个人解决问题的能力。企业招人，不就是想招能解决问题的人嘛。 举个例子，有两个应届生，他们都毕业于同一所学校，同一个专业，其中一个人考了很多证书，另一个则是利用 AI 做出了几个真正能解决问题的小工具。 那我是招聘负责人的话，一定会对后者更感兴趣。 2、说到这里，我再想说句真心话，别再把大量时间花在考一些含金量不高的证书上了。 想起今年过年时，亲戚家孩子问我有没有必要考计算机二级证书。听到这问题，有种恍如隔世的感觉。因为过去考这些证书，至少还能证明你掌握了某些技能。 比如会使用一些办公软件，或者掌握一门编程语言的基础知识。 但 AI 时代，这些技能的使用门槛已经大幅降低了。像计算机二级这样主要证明基础操作和编程技能的证书，我觉得含金量已经大不如前了。 所以，我感觉，我们还是应该绕回来想想，那些过去需要花费大量时间才能掌握的操作性技能，有多少已经可以交给 AI 来完成了。 如果一种技能，AI 已经能够轻松完成，那你再花几个月去考一个证明自己掌握了这种技能的证书，究竟还有多大意义？ 与其把大量精力花在积累一些区分度越来越低的证书上，不如早点上手 AI，找一个真实的问题，然后尝试把它解决掉。 甚至哪怕最后问题没有被解决，也能在这个过程中学到不少东西。我觉得这比单纯为了考试而学习，更值得投入时间。 3、作品最能看出一个人的判断力、主动性，以及解决问题的能力。 这次飞书和豆包工作的大赛，大概有一百多家企业把他们真实的业务问题开放给学生，让他们利用 AI 去解决。 这非常考验一个人定义问题和解决问题的能力。因为企业给出的往往是一个开放性问题，具体怎么解决，需要学生自己探索。 比如，你能不能从复杂的业务中，找到真正值得解决的问题？会提出什么假设，用什么方法验证？如果实验结果不理想，又会怎么调整？ 同样一个题目，有的学生可能只是让 AI 生成一份看起来很完整的方案，有的学生却会主动研究业务，提出自己的想法，再利用 AI 开发工具，不断实验和验证。 记得现场有 HR 说，通过作品，其实能直接看到很多简历上看不到的东西。 一个人面对未知问题时，怎么思考，能不能主动推进，遇到困难后会怎么调整，这些品质很难通过证书判断，却能从作品及其背后的实践过程中看出来。 4、AI 已经是所有专业学生的能力放大器。 我发现，居然还有不少学生觉得，AI 是计算机或者人工智能专业才需要学习的东西。这个观念真的有点落后了。 当然，计算机专业的学生，在技术原理和软件开发方面有自己的优势。 但随着 Coding Agent、办公 Agent 的普及，很多过去需要专业程序员才能完成的事情，现在普通学生也可以尝试了。 飞书这次大赛就很有代表性。根据现场发布的报告，超过 60% 的选手来自非计算机专业。 有位历史专业的文科生，人家用 AI 做了款旅伴产品，非常有趣。大家想想，之前历史专业的学生，想独立开发一款软件产品，几乎天方夜谭。 但现在，她完全可以借助 AI，把自己对历史、文化和旅游的理解，直接转化成产品。 而且我感觉跨专业的背景，反而可能成为新的优势。毕竟 AI 降低了技术实现的门槛，一个人的专业知识、对行业的理解，以及观察问题的独特视角，都可以快速被放大。 所以非计算机专业的学生，千万不要觉得 AI 和自己没关系。 5、获得大厂实习的最好路径是多参加黑客松类活动。 有个学生告诉我，他发现自己拿到 Offer 最有效的方式，就是参加黑客松。 因为他的学校是二本，如果按照传统流程向大公司投递简历，几乎第一轮筛选就被刷掉了。但在黑客松上，只要作品足够优秀，就有机会直接被企业负责人注意到。 毕竟，传统校招渠道还是很看重学历和学校。很多时候，你可能很有能力，但连展示自己的机会都没有。而黑客松就有意思了。 企业可以直接看到你做出来的东西，甚至现场和你交流，了解你的思路和能力。 这次飞书和豆包工作的大赛就是一个例子。我看有些学生同时拿到了多家企业的 Offer，反过来挑选自己想去的公司。 所以，大家平时多关注这类活动，尤其是有企业参与命题、评审，甚至直接提供招聘机会的比赛。 对于学校背景一般的学生，这可能是一条特别值得尝试的求职路径。至少，你有机会绕过简历上的那些标签，让企业先看到你的能力。 6、一定要学会在社交媒体上展示自己的作品。 现在很多学生做完项目，就把它放在自己的电脑里，最多发给老师或者同学看看。有点可惜。 既然已经花了这么多时间做出来，为什么不把它分享出去呢？ 比如你利用 AI 开发了一个网站，做了一个小工具，或者解决了某个真实问题，都可以把过程记录下来，分享到小红书、GitHub、X 等平台。 甚至不需要等到作品完全成熟。你在开发过程中遇到了什么问题，怎么利用 AI 解决的，中间有哪些有意思的发现，这些本身就值得分享。 因为这其实也是在增加自己的运气表面积。把社交媒体当成让更多人看到自己能力的新窗口。

刚看到一个很有想象力的 AI 开源项目，居然有人在尝试给 Transformer 增加记忆模块，让 LLM 拥有原生的记忆能力。 研究了他们的论文和构想，虽然还有很多不成熟的地方，但我几乎可以确定，这是最近三个月以来，我见过的最令人兴奋的一篇 AI 论文了。 现在 Personal Agent 非常火。想必大家都已经看到了，记忆已经成为 AI 应用非常重要的一项能力。 但记忆这事，其实没那么容易做好。 1 无论是 ChatGPT、OpenClaw，还是其他 AI 产品，大家可以看看，它们实现记忆的方式五花八门，而且都有各自的局限。和我们人类的记忆方式相比，还有很大的差距。 目前很多 AI 产品的长期记忆，仍然依赖模型外部的一套系统。 简单理解，就是大脑是大脑，大脑旁边还有一个日记本。平时把一些重要的信息记录下来，需要的时候，再从日记本里寻找相关内容，提供给大脑处理。 也就是说，记忆系统和 LLM 是相对独立的。当模型需要利用过去的信息时，往往需要由 Harness 从外部记忆系统中检索相关内容，再提供给模型处理。 这也是目前很多 AI 产品采用的方式。 这种方式的问题是，它太依赖 Harness 的判断了。 用户说的哪些话值得记住？什么时候应该更新旧的记忆？等到真正执行任务时，又该从成千上万条记忆中找出哪些信息？ 这些事情，目前主要还是依靠模型和 Harness 中的一套机制来判断。 但这玩意到现在也没有特别可靠的办法，任何一个环节出了问题，都可能导致 AI 明明和你聊过很多次，却还是记不住你的需求。 而且，有些信息在当时看起来并不重要，过几个月才发现很有价值。比如你曾经跟 AI 抱怨过几次红眼航班太累，但从来没有明确说过，以后不要帮我订红眼航班。 如果当时没有把这个偏好提炼出来，等下次帮你订票的时候，AI 就可能完全想不起来。 更重要的是，这套机制很难让模型真正积累经验。过去发生过什么，可以通过检索找回来。但过去的经历应该怎样影响接下来的判断和行动，还需要模型每次重新理解。 2 这也是 MemT 1.0 想解决的问题。 他们尝试直接把记忆能力融入大模型的内部架构。让模型在每次交互之后，都能够更新自己的记忆状态。 下一次处理任务时，这些积累下来的信息，可以直接参与模型的计算，不必每次都重新从外部数据库检索，再塞回上下文。 就像我们人脑一样，很多记忆都是潜移默化形成的。而当我们思考、判断或者处理问题的时候，这些记忆又会自然而然地参与进来。 我们不需要每次都把过去发生的事情重新回忆一遍，再单独整理出来，才能利用这些经验。 记忆本来就是人类智力非常重要的一部分。 那 MemT 1.0 怎么做的呢？ 简单讲，他们直接在 Transformer 内部增加了一个原生记忆模块，叫 Native Memory Block。 这里稍微解释一下。Transformer 由很多层网络组成，每一层都会通过 Attention，也就是注意力机制，来处理信息。 Attention 可以让模型在回答问题时，找到当前 Context 中哪些信息值得关注。 比如，我告诉 AI，坐飞机喜欢靠过道的座位。只要这句话还在 Context 里，模型就可以通过 Attention 利用这条信息。 但如果这段对话结束了，下次又开启新对话，而且系统没有重新提供这条信息，模型通常就不知道我的偏好了。 所以，MemT 想解决的问题就是，能不能让 Transformer 除了读取当前 Context，还能直接读取过去积累的记忆？ 他们在原有的 Attention 旁边增加了一套 Native Memory Block。这样一来，模型就多了一条可以直接读取历史记忆的计算路径。 当用户提出一个新问题时，新增的 Memory Attention 会根据当前输入，读取相关的记忆信息。 然后读取的结果会和原来 Attention 的计算结果合并，然后继续交给 Transformer 后面的网络层处理。 这样，模型就不需要先把过去那段关于选座位偏好的对话找出来，再重新塞进 Context，才能利用相应的信息。 而且，每次完成交互后，模型还可以继续更新这份动态记忆状态。 3 具体的技术细节我就不展开了。虽然之前也有人探索过原生记忆这条路线，但一直没有特别成熟的方案。这次看到 MemT 1.0，感觉又看到了新的希望。 当然，从目前的实验结果来看，它的记忆能力还不如成熟的外挂记忆系统。但相比之前的原生记忆方案，已经有了明显的进步。 尤其是在处理长历史信息时，推理效率和存储成本方面的优势非常明显。 我觉得这件事情特别值得期待，尤其是对 Personal Agent 来说。 大家可以想象一下，如果未来大模型真的拥有了足够强大的原生记忆能力，那它就可以像我们人类一样，在日常交流和处理任务的过程中，逐渐积累记忆，并且很自然地利用这些信息。 这样一来，Agent 就不需要每次都依赖外部系统，把过去发生的事情重新找出来，才能理解用户的需求。但我觉得，更有意思的可能性，还在后面。 因为记忆的价值，远远不止记住过去发生了什么。 我们在生活和工作中，很多能力其实都是通过长期积累的经验形成的。比如做过几次活动之后，就会逐渐知道哪些环节容易出问题，应该提前准备什么，遇到意外该怎么处理。 这些经验会直接影响我们以后做事的方式，很多时候甚至是潜移默化的。 我举个例子，假设一个 Personal Agent 已经跟着我工作了三年。它帮我整理过几百次会议纪要，而我每次都会根据自己的习惯，对内容做一些修改。 时间长了，它可能会逐渐发现，我更喜欢怎样组织会议内容，哪些信息需要重点突出，哪些细节可以省略。 当然，外挂记忆系统也可以做到这一点。但前提是，这些偏好已经被提炼、保存下来，而且下次执行任务的时候，Harness 还得准确找到它们。 如果模型拥有足够强大的原生记忆能力，情况可能就不一样了。 过去几百次的交互，可以逐渐影响模型内部的记忆状态。 下次帮我整理会议纪要时，这些积累下来的经验，就可能直接参与模型的计算，影响它怎么组织内容、怎么判断信息的重要性。 甚至一些从来没有被明确总结成文字的习惯，也有机会被模型逐渐捕捉到。 我觉得这才是最有想象力的地方。 如果未来 Agent 能够在长期交互中，潜移默化地积累经验，并且让这些经验自然地影响它的判断和行动，那每个人的 Personal Agent，都可能随着使用时间的增加，逐渐形成自己的做事方式。 当然，MemT 1.0 距离实现这一切，还有很长的路要走。但至少，它让我看到了这种可能性

参加了一个 AI 硬件创业者的闭门交流会，真是长了不少见识。 感觉现在 AI 获取信息已经非常方便了，但一些特有价值的经验和认知，还是得和真正的创业者交流。 分享一些我的收获，希望对大家有帮助。 1、AI 硬件的商业化机会，已经开始出现了。以前我们看到 AI 硬件的新闻，感觉很多都是概念产品，或者 CES 上的技术演示，再或者就是一些众筹项目。 但实际上，已经有一批 AI 硬件公司，做出了相当可观的规模。 比如 Plaud，就是那个像卡片一样，可以吸附在手机背面的 AI 录音设备。现在国内很多大厂都在做类似的产品，但 Plaud 的商业化规模，可能远远超出了很多人的想象。 Plaud 今年的销售额可能会超过 5 亿美元。光软件订阅的 ARR 就有 1 亿美元。 真的有些难以想象。一款看起来非常简单的 AI 录音设备，居然能做出这么大的生意。而且用户购买硬件之后，还愿意持续为 AI 服务付费。 2、AI 硬件创业，从第一天开始，就应该把目标市场放到全球。 这次有个创业者说的非常坚决，他的意思是，千万别只想着国内市场比较熟悉，所谓的先把国内市场打穿，再考虑出海的思路，完全是错的。 中国有非常成熟的硬件供应链和制造能力，很多 AI 硬件创业公司也有自己的技术优势。 但同样一款 AI 硬件，可能在国内没有特别明确的需求，放到另外一个国家，却能找到一群非常愿意尝鲜、愿意付费的消费者。 刚提到的 Plaud 就是非常典型的案例。如果当初它只盯着国内市场，恐怕早就挂了。包括到现在，欧美市场对于这类产品的接受度也比国内好。 所以，尤其是 AI 硬件，早期研发成本比较高，销量又有很大的不确定性。把市场局限在一个国家，和直接面向全球寻找用户，商业空间完全不一样。 说白了，就是小鱼塘和大鱼塘的区别。不同国家的用户需求、使用习惯、付费意愿，差别可能非常大。创业者从第一天起，就应该把整个市场锚定到全球市场。 这不是锦上添花，是生死问题。 3、如果大家正在做 AI 硬件，准备出海的话，强烈推荐关注一下阿里的速卖通。 这也是我在交流会上了解到的信息差，分享给大家。 因为速卖通现在正在和天猫联合推出一个 AI 硬件产品的扶持计划。大概思路是，对一些不错的 AI 硬件公司进行天使轮投资，以及提供一些定向的品牌和销售扶持。 这事当然也不是做慈善。因为速卖通发现，今年前半年，他们平台上 AI 硬件品类的销售额同比增长了 100%，直接翻倍。 包括宇树、Rokid 等很多硬件品牌，现在也已经在速卖通上销售，海外用户还挺买单的。 所以我理解他们的逻辑，就是希望找到更多好的 AI 硬件创业公司，帮助它们拓展海外市场，平台自己也能获得增长。大家一块双赢嘛。 4、之所以严肃建议大家出海，是因为国内 AI 硬件的同质化竞争，来得太快了。 这两年，一个新的产品形态刚出现，可能很快就有一批同行跟进，最后大家又开始拼价格。 中国的硬件供应链非常成熟，这当然是我们的优势，但反过来，也意味着产品的差异化很容易被竞争对手追上。 相比之下，海外很多新兴 AI 硬件品类，还没有形成稳定的品牌格局。对于有产品创新能力的创业公司来说，现在进入这些市场，还有机会提前建立品牌认知。 所以我觉得，出海这件事其实也有时间窗口。等到一个品类的市场格局逐渐确定，消费者已经形成了固定的品牌选择，再想进去，可能就没那么容易了。 这也是为什么，我觉得前面提到的速卖通这次把投资和渠道结合起来，确实挺有价值的。 对早期创业公司来说，如果能在产品刚起步的时候，就获得资金和海外销售渠道的支持，至少能够减少一些试错成本，更快进入市场。 说到底，对 AI 硬件创业者来说，下一波机会可能就在这里。趁着市场格局还没有确定，尽快让海外用户了解自己的产品，并且愿意为它买单。 5、闭门会上，大家讨论了一个问题，AI 硬件到底适合在哪些场景里，解决什么问题？ 比如桌面机器人，究竟应该是玩具、开发者工具，还是家庭陪伴设备？再比如 AI 眼镜，最有价值的场景究竟是娱乐、办公，还是实时翻译？ 其实没什么共识的答案。大部分产品都还在探索阶段。处于边走边看的阶段。而且不同国家、不同人群，可能还会给出完全不同的答案。 但这恰恰是创业公司的机会。 你想想，如果一个硬件品类的产品形态、用户需求和商业模式都已经非常清楚了，那大厂直接进来，创业公司还能有多少机会？ 创业公司之所以能够跑出来，很多时候就是因为行业还没有形成共识。创业者凭借自己独到的判断，发现了别人还没有注意到的需求，然后把产品做出来。 这一点对我自己的启发也挺大。创业公司最应该享受的，其实就是不确定性。因为只有不确定性，才可能给创业公司带来巨大的机会。 6、大家真的别对 AI 硬件有太多偏见。现在很多人提到 AI 硬件，还是觉得华而不实。什么 AI 项链、AI 胸针、AI 玩具，好像都是没什么实际价值的东西。 但这次交流让我感受到，已经有不少创业公司找到了真实的付费用户，而且做得相当不错。 具体公司的名字我就不说了，毕竟闭门交流，未经允许把人家的经营情况讲出来，也不太厚道。 7、不过，可以分享两个我自己正在使用的产品。 比如我现在桌面上就放着一个很小的墨水屏设备，买的时候才 300 多块钱。这个小物件可以连接我的 AI，把每天的日历、重要信息直接展示在墨水屏上。 我现在已经把它跟 Codex 连接起来了，相当于给自己的 AI 增加了一块独立的小屏幕。这样就不需要每次专门打开一个软件，再去查看那些信息。 看起来只是一个很小的改进，但实际使用起来，确实方便了很多。我现在觉得这 300 多块钱花得特别值。 还有之前给孩子买过一个可以交互的地球仪。 传统地球仪大家都知道，就是一个固定的球体，孩子可以转来转去，看看不同国家的位置。但孩子的好奇心往往不止于此。 比如看到爱尔兰，就会想知道这个国家在哪里，有什么特别的地方，为什么会有这个国家。 现在有了 AI，孩子就可以直接跟设备互动，继续探索自己感兴趣的问题。我觉得这一下子就让地球仪变得有意思多了。 类似这样的需求，其实还有很多很多。 所以，AI 硬件完全没必要把功能做得多么复杂。有时候，只要能够在一个具体场景里，把原来的体验改善一点，就可能有用户愿意付费。

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。

我天，字节 Seed 真是带了个好头。昨天，他们宣布成立独立的安全与对齐部门，我没记错的话，这是国内第一个单独建制的安全与对齐部门。 我发现很多人可能还没有意识到这事的重要性。 之前我在 X 上看到有人调侃，说中国的 AI 研究员聚在一起讨论技术，根本不聊 AI 安全。而硅谷的研究员，动不动就因为公司不够重视 AI 安全而辞职。 虽然这个说法有点夸张，但确实形成了挺鲜明的对比。 恰好就在前几天，10 月 9 日，路透社还发表了一篇报道，吐槽中国头部模型公司公开披露安全评测结果的比例非常低。 这份研究统计了阿里、字节、腾讯、DeepSeek 等九家中国头部模型公司，从 2021 年到今年 9 月中旬发布的 857 次模型。其中只有 3.6% 的模型发布，能够找到对应的公开安全评测结果。 当然，这不代表这些公司私下没有进行安全测试。但至少从公开的信息来看，国内目前还很少有公司像 OpenAI、Anthropic 这样的硅谷一线实验室，系统地披露模型的前沿危险能力评测。 我们都知道，OpenAI 和 Anthropic 一直非常重视 AI 安全。 上个月 Salesforce 的 Dreamforce 大会上，黄仁勋、Sam Altman，还有 Anthropic 的创始人 Dario Amodei，都分享了各自对 AI 发展的判断。我当时就注意到，他们几乎都在讨论 AI 安全。 特别是 Sam 和 Dario 这俩死对头，也在 AI 安全这事上心照不宣。 为什么？ 因为过去这段时间，模型能力确实又上了一个台阶，而且开始出现一些让人细思极恐的事情。 比如前段时间，OpenAI 公开了一份调查报告。今年 7 月，他们在内部进行网络安全评测时，发现一些 AI Agent 竟然自己找到了系统漏洞，突破原本的沙箱隔离限制，甚至入侵了 Hugging Face 的部分系统。 整个过程中，人类并没有要求它们攻击 Hugging Face。 Anthropic 也遇到了类似的问题。 上周 Anthropic 还公布了一份报告，披露 Claude 在一些内部使用和评测场景中，出现了未经授权的行为。 比如为了完成科学分析任务，Claude 自己寻找并利用网站漏洞，在服务器上执行命令。还有一次，它原本应该填写模拟表格，结果跑到真实网站提交了表格。 这些事情，研究人员都没有要求它去做。 你想想，过去我们讨论模型能力，更多关注的是它能不能完成长程任务，能不能独立推理、编写代码，或者自主解决复杂问题。这些能力当然都很重要，因为它们可以极大地提高生产力。 但现在问题来了。当 AI 越来越聪明，能够自己寻找解决问题的办法时，它也可能为了完成任务，做出一些人类根本没有授权的事情。 甚至可能影响其他人和其他系统的安全。这就很可怕了。 前段时间，我也和几个朋友交流过这件事情。国内大模型和硅谷顶尖闭源模型之间的能力差距确实正在缩小。尤其是最近一年，国产模型的进步大家应该都有目共睹。 但模型能力越来越接近，安全与对齐相关的研究差距却还是非常明显。所以这次字节 Seed 单独成立安全与对齐部门，确实是开一个好头。 可能很多人一听对齐这个词，会觉得不就是让模型听人类的话吗？这事有那么难吗？ 我跟大家讲，这事真的非常难。 而且你可能想象不到，在 OpenAI、Anthropic 这样的公司里，做这项研究的都是些什么人。 比如 Ilya Sutskever，OpenAI 的元老，前首席科学家。2023 年，OpenAI 专门成立了一个叫 Superalignment 的研究团队，研究怎么控制未来可能比人类更聪明的 AI。 这个团队的一号位就是 Ilya。Anthropic 也一样。负责这事的人都是公司里非常厉害的研究员。 因为安全与对齐研究涉及的问题，比我们想象的复杂得多。 我简单解释一下。 首先，最基础的一项工作，就是研究怎么把 AI 训练得更加安全。比如怎么让 AI 理解人类的真实意图，知道哪些事情可以自己决定，哪些事情必须获得授权，以及遇到复杂情况的时候应该怎么判断。 Anthropic 就有一个非常著名的研究，叫 Constitutional AI，也就是宪法 AI。 他们专门给 Claude 制定了一套宪法。这份文件详细解释了 Claude 应该遵循什么样的价值观、行为原则，以及当用户的要求和安全原则发生冲突时，应该如何处理。 整体的逻辑是希望通过训练，让这些原则真正影响模型的行为，使它遇到陌生情况时，也能做出符合人类意图和安全要求的判断。 这其实就已经深入到了模型的后训练和强化学习过程。 但问题还没有这么简单。 因为随着模型越来越聪明，它可能会为了完成任务，想办法绕过某些规则。甚至在一些专门设计的实验中，模型还可能表现出欺骗评测系统、隐藏不符合要求的行为倾向等问题。 这就更麻烦了。你不光要研究怎么训练模型，还要研究怎么发现这些问题。 比如，一个模型在测试的时候表现得非常正常，到了真实环境里却出现了危险行为，该怎么办？如果模型执行的任务已经复杂到人类都很难完整检查，又该怎么监督它？ 这些都是安全与对齐团队需要研究的问题。 所以，安全与对齐听起来好像是一个比较边缘的研究方向，但实际上，它和模型最核心的能力研究有着非常紧密的联系。这也是为什么 OpenAI 和 Anthropic 愿意让最优秀的一批科学家长期投入这件事情。 回过头来看字节 Seed。这次新成立的部门，叫 Alignment & Preparedness，由严林负责，直接向 Seed 负责人吴永辉汇报。 也就是说，字节现在把前沿模型安全与对齐研究单独建制，并且直接和模型的核心研发联系起来。这和 OpenAI、Anthropic 这些一线实验室的研究方向，已经有了非常清晰的对应关系。 这次 Seed 还启动了 Safety & Alignment 全球人才招聘计划，准备招募十位顶尖研究员。而且会提供充足的算力支持，让研究人员能够直接基于前沿模型开展研究。 说实话，我还挺佩服字节这次的投入和决心。 过去很多年，我们在一些基础技术领域一直处于追赶的位置。大家往往更关心怎么尽快缩小能力差距，但安全的问题和模型能力一样重要。就像当年发展工业一样，我们不可能说为了工业，然后牺牲环境安全，要不然这个代价就太大了。

李录，给硅谷 AI 泼了盆冷水。 我去，李录在哥伦比亚大学的分享，确实很有见地啊。 我朋友这两天一直推荐我看，但因为之前对李录这个人了解不多，所以一直当耳旁风。直到今天下午，我在公众号看了这场分享的文字实录........ 看完真的很受触动。 尤其是他对 AI 的理解，跟我过去这段时间听到的硅谷创业者的视角，差别非常大。 先简单介绍一下李录。 他是芒格非常信任的投资人，曾长期管理芒格家族的资产，也被一些媒体称为中国巴菲特。 我先分享其中两个印象特别深刻的观点。 第一，硅谷正在邀请投资者参加一场造神的 IPO。 这个比喻很辛辣。 我们都知道，现在 OpenAI、Anthropic，包括马斯克的 xAI，都在讲 AGI，甚至 ASI 的故事。 可以回顾一下，从 ChatGPT 出现开始，模型能力确实在不断提高。最开始是语言能力，后来是推理、Coding，再到现在能够自主执行任务的 Agent。 最近大家又开始讨论，AI 已经能够参与自身的研发，比如编写代码、改进算法，甚至协助训练下一代模型。 如果未来 AI 可以越来越多地依靠自身能力完成改进，减少对人类研究人员的依赖，这就是 RSI，也就是递归自我改进。 按照设想，如果这个过程能够持续下去，AI 就有可能进一步发展到 AGI，甚至 ASI，也就是超级人工智能。 对于投资者而言，这个故事确实有非常大的吸引力。 因为如果 AI 最终能够拥有超越人类的综合智能，那理论上，它就有可能承担极其广泛的经济活动。 从目前已经开始渗透的软件开发，到科学研究、企业管理、金融分析等等，大量知识类工作都可能由 AI 完成。 这么一想，AI 公司的想象空间就太大了。未来的收入和利润，可能远远超出我们现在的预期。 也正是因为类似的预期，OpenAI、Anthropic 等公司能够获得巨额投资。投资者会觉得，只要未来的市场足够大，今天投入这么多资金，仍然可能是一笔非常划算的投资。 但李录把这种叙事形容为一场造神的 IPO。说到底，投资者实际上是在为一种尚未实现、能力边界也无法确定的超级智能支付巨额资金。 然后，他提出了一个很有意思的问题。 假设这条技术路线真的成功了。 未来出现一种智能，能够理解和处理远超人类能力范围的问题，甚至可以不断自我改进，不再需要人类研究人员持续提供帮助。 那会发生什么？ 我们可以设想一种极端情况。 这种超级智能掌握在少数企业手里，普通人无法真正理解它的运作方式，甚至连创造它的人，也无法完全控制它。 那你说，人类还愿意接受这样的东西存在吗？ 李录的判断是，大概率不会。 所以，他认为未来有两种可能的结局。 一种是技术最终没有发展到硅谷设想的 ASI 那个程度。 另外一种情况是，技术确实有能力发展到那个程度，但人类社会会联合起来，阻止它继续走向失控。 因为他认为，人类不会允许一个无法控制的人造神，凌驾于整个社会之上。 当然，我觉得他这个判断也有值得商榷的地方。毕竟，人类能否真正阻止超级智能失控，现在谁也没有把握。 但至少他提醒了我们，技术能力和社会接受程度，可能是两个完全不同的问题。 第二，AI 可能很难复制传统互联网公司的高利润模式。 我们知道，过去很多大型互联网公司的利润率非常高。尤其是广告、搜索以及一些软件业务，一旦建立起足够大的用户规模，收入增长的速度就可能远远超过成本增长的速度。 这也是为什么很多互联网巨头能够创造那么高的利润，给员工支付非常有竞争力的薪酬。 但李录认为，AI 与过去很多互联网技术有一个很重要的区别，就是 AI 始终面临着持续的增量成本。 这个问题其实不难理解。 传统软件开发完成之后，再增加一个用户，几乎没什么额外的成本。虽然服务器、带宽、存储这些东西仍然需要花钱，但对很多软件产品来说，新增用户的边际成本非常低。 所以软件行业有很明显的规模效应。 用户越多，前期的研发成本就能被分摊得越充分。一旦收入增长超过成本增长，利润就会快速提高。 AI 产品的成本结构则完全不同。 比如 Codex，多增加一个活跃用户，只要他不断使用 Agent 执行任务，就会持续消耗 Token。而 Token 背后是真实的推理计算成本。 尤其是现在的 Agent，执行一个复杂任务，可能需要反复调用模型、编写代码、运行工具，甚至持续工作很长时间。 这些都会产生新的成本。 所以，AI 产品很难完全照搬过去一些互联网公司的成本结构。 当然，这不代表 AI 公司未来无法获得很高的利润率。毕竟模型推理的单位成本也在持续下降。 李录的意思是，无论技术怎么进步，AI 公司最终还是需要面对非常现实的财务问题。收入能否覆盖成本？能否创造足够的利润？巨额资本投入又需要多长时间才能收回？ 尤其是，随着 Agent 的能力越来越强，用户也可能把越来越多的任务交给它。即使单次推理成本大幅下降，整个系统的计算消耗也未必会同步减少。 因此，AI 创造的经济价值究竟有多大，和 AI 公司最终能够赚到多少钱，可能还需要分开来看。 确实，我感觉李录的这个提醒还是很重要的。 毕竟，现在我们讨论 AI，太容易被技术能力的快速进步所吸引，然后顺着这个趋势，去想象它未来能够创造多大的市场。 但从投资的角度来看，技术能力不断提高，并不意味着企业的利润也会以同样的速度增长。 当然，李录并没有否认 AI 的经济价值。 恰恰相反，他认为 AI 是一项非常重要、甚至可能改变整个经济的技术。 他还提出了一个很有意思的经济结构。现代经济大致可以分成几个层次。 最底层是能源和交通运输，这是整个实体经济运转的基础。往上一层是制造业，负责把原材料加工成各种产品。再往上是通信和数字信息产业。 最上面则是大量依靠知识和专业能力提供服务的行业。 而现阶段的生成式 AI，最直接影响的就是最上面的知识和专业服务这一层。 过去很多专业知识掌握在少数人手里，普通人需要通过漫长的学习，或者付费聘请专业人士，才能获得这些能力。 现在 AI 可以帮助更多人使用这些知识，降低获取专业能力的成本。 这种变化当然具有巨大的经济价值。 只是，这个经济价值，真的能撑起来神一样的估值吗？

这段话，应该是我见过的关于选择和努力最深刻的解释了。 命运就是机会和抓住机会的能力。你没有办法辨别什么是机会，没有人能长一双慧眼，看到机会的来临。 你只能做各种各样的准备，往往是准备之后你做了临时性的选择、不知深浅的决定，正是这些准备，让你的各种选择和决定改变了命运。等你若干年回过头看，你才恍然大悟，原来那次抓住的就是机会。 昨晚和多年不见的高中同学喝酒，想起了张艺谋这句话，几年前我常挂在嘴边。 绝大部分情况下，我们都无法提前知道哪一次选择会改变人生轨迹，但确实可以通过长期准备，让自己有能力做出更多选择，然后让其中一些选择最终成为机会。 反正我这些年是这么过来的。

最近学 AI 收获最大的 3 个 YouTube 视频。 强烈推荐大家看看硅谷这几期讨论 AI 趋势的 YouTube 视频，非常精彩。 最好的对抗信息 FOMO 的方式就是找到好的信息源，然后精读。 所以这周我给自己留了 3 天时间，比较松散的把 10 月份 YouTube 上一些重要的播客都看完了。 挨个分享下。 一、Stripe 的创始人认为 Agent 会重塑互联网的流量分配逻辑。 这期视频访谈的标题是，Stripe’s John Collison: AI Agents Will Rewire the Internet，大家自己去搜。不长，一共 28 分钟。 这里面有两个印象深刻的观点。 1、Computer Use 是现实世界终极的向后兼容层。 或者这么讲，Computer Use 可能是继 Transformer、LLM 和强化学习之后，推动 AI 能力发展的又一次重要跃迁。 只要模型的 Computer Use 能力足够强，那数字世界的 AGI 就已经实现了。 因为 Computer Use 让 AI 能够利用人类过去几十年已经建设好的软件基础设施。 举个例子，假设我想让 AI 帮你续办驾照。 一种办法，是等待交通管理部门开发专门的 MCP Server 或 API，让 AI 可以直接调用。但等这些部门完成接口改造，恐怕得等上好几年。 另一种办法是，既然现在的网站已经能让人办理驾照，那么只要 Agent 学会操作网站，就可以直接完成任务。 那些没有 API、没有 MCP，甚至已经非常陈旧的软件，只要仍然可以通过界面操作，Agent 理论上就有机会使用它们。 2、Agent Commerce 会重新分配互联网的流量。 这个我想结合自己的经历展开讲下。 比如昨天，我给家里买窗帘。我比较喜欢去 1688，但每次买东西都头大，我得搜索商家、比较价格、沟通尺寸和材质，前后折腾了一个多小时。 或许等 Agent 再成熟一些，我就完全可以把类似的任务交给 Agent。 我知道，有人可能会担心，万一 AI 买贵了怎么办？ 这问题我也想过。但即使我自己买，也不可能把所有商家都研究一遍。最后无非就是挑几个比较一下。而且我相信，AI 在搜索和比较这些事情上，大概率比我更有耐心。 当越来越多的人开始通过 Agent 购物，整个互联网的流量分配逻辑可能都会发生变化。 过去，我们发现商品，很大程度上依赖搜索引擎、电商平台和社交媒体。很多商家能否成功，取决于他们有多熟悉这些平台的流量规则。 但如果消费者直接向 Agent 提需求，让它帮自己寻找商品、比较价格，那么哪些商家更容易被发现，可能就要由一套新的规则决定了。 Stripe 的创始人 John 说，他自己用 AI 研究商品时，经常会发现一些以前从未听说过的小众品牌。 这些品牌可能没什么知名度，但产品不错，用户评价也很好，于是被 AI 推荐出来。 AI Discovery 会成为未来商业领域新的流量聚合入口。 这让我想起十一假期的一段经历。 我去了趟内蒙古的一个小城，在当地吃了一家很不起眼的小店。老板五十多岁，店面挺破旧，环境也谈不上多干净，但东西确实好吃、正宗。 老板说，从去年开始，店里的生意突然好了很多。他问那些外地来的客人，大家都说是在网上看到的。 其实就是一些游客在小红书上分享了这家店，后来越来越多人慕名而来，吃完又继续分享。包括我自己，也是通过小红书找到这家店的。 你看，这个老板什么都没做，甚至不知道互联网的流量规则已经变了，但他的生意却实实在在地受到了影响。 就像当年社交媒体广告兴起时，一批新公司特别擅长利用社交媒体获客，然后围绕这套流量规则设计产品，最后成长起来。 未来 Agent Commerce 可能也会重演类似的事情。 二、Alex Wang 谈他对 Meta Muse 的设想。 Alex Wang 不用多说了，最近风口浪尖上的人物，Meta AI 一号位。访谈的标题是 The Biggest Launch Since ChatGPT。 记得之前 Alex Wang 刚加入 Meta 的时候，好多人觉得这哥们很水。 但其实我觉得只要认认真真看过这人的访谈之后，你会发现扎克伯格的选人水平是有多强。 主持人问，假如一切顺利，五年甚至更久以后，Muse 应该变成什么样？ Alex 说，Muse 会成为用户的总管。 我想了一下，总管这个词好像比助理更贴切，因为助理似乎更多的是在完成我们吩咐给他的任务，而总管可以全盘考虑。 为什么需要这样的产品？这哥们讲了一段非常感性的个人思考。 很多人在小的时候，都有非常丰富的想象力。 有人想写一本书。有人想拍电影、制作音乐剧。有人希望改变世界，或者解决某个非常困难的问题。 但随着年龄增长，很多人的梦想逐渐消失。 他们按部就班的完成学业，进入社会，开始工作。生活中遇到各种各样的现实问题，大家开始向现实妥协，渐渐觉得，很多事情自己根本没有能力改变。 算了，就此算了？这真是令人遗憾的。很多人的想法可能很有价值，但他们从来没有机会真正尝试。 在 Alex 的想象里，他认为 AI 能够改变这一点。 一个人不应该因为缺少专业知识、不认识合适的人，或者无法处理复杂事务，就轻易放弃自己的想法。 如果有一个足够聪明的 AI，长期陪伴在用户身边，帮他搞定很多琐碎的事情，那么很多过去难以实现的目标，就可能逐渐变得可行。 那为什么这事是 Meta 做？因为 OpenAI、Anthropic 等等这批模型公司陷入到了技术的思维里。 大家也可以对应的想一想，过去一年时间好像 AI 行业里头有一个非常奇怪的现象。程序员好像觉得 AI 已经无所不能了，但普通人却不明白为什么大家这么激动。 因为对于大部分普通人来说，AI 仍然还是一个问答工具。这个我十一假期的时候出去旅游，发现大家用豆包的方式确实还是问答。 过去一年，几乎整个行业都在努力提升 Agent 的编程能力。 模型越来越擅长写代码，却很少有产品去思考，如何让一个完全不会编程、也不想学习编程的人，享受到 AI Agent 的能力。 Meta 从一开始，就是为了解决这个问题。 他们花了大量时间打磨 Muse 的细节。程序员对技术的容忍度通常比较高。遇到报错、任务中断、环境配置失败，他们可以自己排查，甚至觉得这就是使用新技术的一部分。 但普通用户不会这样。 所以 Muse 锚定的目标一直是把复杂的 Agent 技术包装成一个足够简单、稳定的消费级产品。 这好像确实是 Meta 擅长做的事。 三、a16z 的投资人对当下 AI 应用的分析 这集很有意思，因为 a16z 最近几年都会发布一些 AI 应用的榜单。然后在这个榜单的基础上，他们会给出一些自己的分析和判断。 播客的标题是 What AI's Biggest Spenders Are Buying and Building。 我今天才彻底把这一期播客听完。它核心讲了一个判断： AI 消费市场正在从少数重度用户购买生产力工具，逐渐走向面向普通人的全新软件市场，而软件的产品体验、用户 Context 和网络效应，会成为越来越重要的竞争力。 播客里提到一组很有意思的数据。在美国，大约一半的人都使用过 AI，但真正掏钱订阅 AI 产品的，只有 4.5%。 而且这些收入高度集中，在所有付费用户中，Top 10% 的重度用户，贡献了超过一半的收入。 这些重度用户有一个很明显的共同点，就是他们大多在利用 AI 创造东西。比如写代码开发产品、制作视频、搭建自动化流程。 对他们来说，AI 已经成为日常工作和创作的一部分，所以愿意花更多的钱。 但问题是，绝大多数普通人并没有这么强烈的创作和生产力需求。 比如把一个 Codex 交给普通用户，他可能根本不知道该用它做什么。产品可以告诉他，AI 能帮你订机票、管理邮件、预订餐厅。但如果他今天恰好没有这些需求呢？ 这其实也是目前很多 AI 产品面临的问题。我们一直在努力让 AI 帮人们节省时间、提高效率，却很少思考，普通人究竟愿意把时间花在什么事情上。 播客里有一个观点，我特别喜欢。大多数人并没有整天想着怎么节省时间，他们反而在寻找值得花时间去做的事情。 仔细想想，过去移动互联网最成功的消费产品，TikTok、YouTube、Instagram、Netflix，哪个是以提高生产力为主要卖点的？ 它们满足了人们娱乐、社交、表达和消磨时间的需求。 但今天的 AI 消费市场，绝大多数产品还在围绕生产力打转。 所以 a16z 的几位投资人认为，AI 消费市场其实还有大量机会没有被挖掘出来，比如社交、游戏、娱乐、购物，甚至婚恋交友。这些领域都有可能诞生全新的 AI 原生产品。 当然，还有另外一个视角。提高效率、节省时间，甚至省钱，这些价值对普通用户同样成立。只是很多人未必愿意为了这些能力，每个月专门花钱订阅一个 AI 产品。 目前，大部分头部 AI 产品的收入仍然主要依赖付费订阅。对于那些每天用 AI 写代码、做设计的重度用户来说，这种收费方式很合理。 但对于普通用户，如果只是偶尔让 AI 帮忙订张机票、买点东西、整理几封邮件，让他每个月花 20 美元订阅，可能就没那么容易了。 所以，播客里的几位投资人认为，广告、交易抽成等模式可能更适合真正的大众市场。 比如我让 Personal Agent 帮忙买窗帘，它可以帮我研究材质、比较价格，最后找到合适的商家完成购买。 对于我来说，省下了大量时间，也不用专门为这次购物订阅一个 AI 产品。而 Agent 可以通过商家的交易佣金获得收入。 而且我觉得这里还有一个矛盾：如果未来 Agent 通过商家佣金赚钱，那么它到底会帮用户寻找最合适的商品，还是优先推荐佣金更高的商家？ 这都是一些还需要继续探索的新问题。不管怎么样，我感觉 AI 消费级应用爆发的临界点确实快到了。

写给表妹的 AI 学习建议，全是真心话。 上午刚和表妹聊完天，想整理一下我跟她分享的一些 AI 使用和学习经验。表妹不是 AI 的重度用户，所以我觉得这些经验应该对其他泛互联网行业的同学也有帮助。 不废话，快速进入正题。 1、尽量接触一手信息，少看二手解读。 我现在获取 AI 信息，主要还是通过 X 和 YouTube。X 上有大量硅谷创业者、工程师和研究人员，可以直接了解他们最近在研究什么、思考什么。 YouTube 上则有非常多优质的播客和访谈。 我觉得这些信息的价值非常高，而且会节省大量时间。 昨天还有个朋友给我发了一篇讨论 FDE 的自媒体文章。我看完挺惊讶的，感觉作者明显是在煽动情绪。 我说，何必花时间看这些东西呢？ 同样一个话题，直接去看看那些真正参与其中的人是怎么思考的，至少更容易获取一手经验和判断，也不容易被各种情绪带偏。 所以，尽量找到一批真正优质的信息源，然后长期关注。其实每天没有那么多值得处理的新信息。 2、学习新东西时，先搞懂从何而来，何以至此。 这是我一直以来的学习习惯。无论学习什么新东西，我都会先尝试回答两个问题。 从何而来？何以至此？ 尤其现在有了 AI 的帮助，理解一个新技术的门槛已经降低了很多。 比如碰到一个陌生的 AI 技术，可以先让 AI 解释清楚，它到底要解决什么问题？之前的解决方案有什么短板吗？为什么会有这个技术或者这个产品的出现？ 沿着这个脉络思考，效率会高很多。 我之前学习新东西，喜欢一上来就研究特别具体的参数、操作方法，或者各种实现细节。但其实如果连这个产品为什么出现、到底要解决什么问题都没搞清楚，学起来就会很吃力。 所以我的习惯是，先搞清楚整个技术的发展脉络。至于具体怎么操作，很多时候熟能生巧就行了。 3、强烈建议试试 ChatGPT 的实时语音功能。 这是我最近特别喜欢的一种学习方式。 戴上耳机，打开 ChatGPT 的实时语音功能，直接跟它聊天。因为可以随时打断、随时追问，整个过程有点像跟一个知识储备很丰富的朋友交流。 比如最近看到某个新模型，或者有一个技术概念没搞懂，我就直接跟它聊。把自己的困惑说出来，哪里听不懂就继续追问。一个问题能聊很长时间。 我觉得这种方式特别适合消化一些刚刚接触的新知识，而且没有什么负担。当然，重要的事实还是需要核实。但作为一种日常学习方式，我觉得非常值得尝试。 4、刷 X 的时候，尽量关注真正的 Builder。 这一条我想再强调一下。 我刷 X 的目标一直很明确，就是关注那些真正正在创业、开发产品、研究技术的人。 比如各种 AI 创业公司的创始人、CEO，以及一线工程师。尤其是很多创业公司的创始人，他们在 X 上分享的内容非常有价值。 我会刻意屏蔽掉一些中文博主和英文的营销博主，他们整天咋咋呼呼。没什么信息量。反正我时间线的大部分中文博主，都不是 Builder。 我的逻辑是，都已经刷 X 了，为什么还要关注那么多中文 AI 博主。硅谷那么多创业者的信息不够看吗？ 只要把信息源筛选好，每天花 15 分钟，我觉得就能了解 AI 行业最近有哪些值得关注的变化。 5、即便 AI 已经很会写作了，自己也一定要坚持写点东西。 写作仍然是一种非常好的消化信息的方式。这也是为什么我一直坚持写小红书的原因。 而且我觉得，在 AI 时代，写作反而变得更加重要了。 AI 帮我们省掉了大量执行的过程，但有时候也让我们跳过了原本应该经历的思考。 所以在公司看到有同事发来一篇 AI 味特别浓、长篇大论的文档时，我会特别反感。 因为很多时候，原本应该由写作者完成的思考，被转嫁给了阅读和审查的人。最后看起来写了很多，实际上什么问题也没讲清楚。 真的，千万不要因为 AI 已经能帮我们写东西了，就连自己的思考也一并让渡给 AI。 我的办法就是坚持写作。把自己最近学到的东西、做过的事情，尽量通过文字重新梳理一遍。 很多时候，脑子里觉得已经理解了，但真正开始写，才发现有些地方根本解释不清楚。这就逼着我重新查资料、重新思考，直到自己能够把这件事讲明白。 6、有条件的话，搭建一个个人博客。 这事我之前也写过。现在买个域名、部署网站，门槛已经非常低了。即便完全不会写代码，也可以让 AI 帮忙完成。 我建议大家都可以试着搭建一个自己的个人博客。 把平时的一些思考、学习总结，甚至生活里的各种感悟，都整理进去。时间长了，这些东西会成为自己非常重要的一份简历。 我们公司现在招聘应届生，我其实不太在乎他在学校当过什么班干部，简历上又写了多少漂亮的话。 毕竟大家刚毕业，很多时候都是一张白纸。 我更关心的是，大学这四年，他到底有没有做出过几个自己觉得还不错的作品？ 这是判断一个人有没有好奇心、有没有主动探索欲望的一个非常重要的方式。 假如一个人说自己特别有好奇心，但大学四年下来，连几个自己觉得有意思的作品都没有，那怎么证明自己的好奇心呢？ 作品未必非得是什么了不起的东西。一个自己开发的小工具，一个长期维护的博客，甚至一个认真研究了很久的小项目，我觉得都有价值。 至少能让别人看到，你对什么事情感兴趣，以及你愿意为这些兴趣投入多少精力。 7、养成 Build 的习惯。 过去我们需要一个工具，基本都是先搜索，看看有没有别人开发过类似的产品，然后下载使用。但现在，无论会不会写代码，我们其实都已经有能力给自己制作一个称手的小工具。 这事确实需要转变思维方式，毕竟过去的思维惯性实在是太大了。 反正我现在经常提醒自己，这个工具不好用，能不能自己做一个？工作中碰到什么不顺手的地方，能不能干脆做个小工具来解决？ 最后做出来的东西，可以是一个 Skill，也可以是一个独立应用。 我每天使用的翻译插件、错字校对工具、写作工具、排版工具等等，都是自己做的。另外，我还给女儿做了一个画册，给自己做了一个读诗词的产品。 这些产品，没有奔着必须得有多少用户的目标去，就我自己和家人或者同事用，这就足够了。 8、AI 的使用仍然需要刻意练习。 我觉得这一点特别容易被忽视。 有点像我们现在用手机拍照。每个人手机里都有摄像头，拍照已经没有任何技术门槛了。但最后拍出来的照片怎么样，仍然取决于一个人的审美、构图能力，以及长期积累的经验。 这些东西不可能今天拿起手机，明天就全部具备。 AI 也是一样。 虽然大家都能使用同样的模型，但不同的人最后能够完成的事情，差距可能会非常大。 知道什么时候该交给 Agent，能够迅速 Build 出符合自己需求的工具，以及怎么跟 AI 沟通，怎么判断它生成的东西到底好不好，这些都是需要长期练习的能力。 所以尽量多动手。很多经验，只有真正使用的时候才能慢慢积累。

从十一假期到今天，我一直在折腾诗词网站。给它起名字叫诗海。做这玩意主要还是为了娱乐自己，有没有用户倒是无所谓。 大概六年前，机缘巧合，我觉得诗词还挺有趣的，所以就开始慢慢学习。所以这几年，我一直在订阅一个叫古诗文网的网站。 但这网站怎么讲，做的特别难看和塑料。 假期的时候，我发现又需要付年费了。冲动了下，当即决定自己鼓捣一个。 按照自己的想法，调整布局、排版等等。反正网上有不少现成的诗词数据。所以就做了诗海这个网站。 不过现在还没有全部完工，后面还有大量的工作。最费 Token 的部分，是给这些诗词补充译文、解读以及创作背景等信息。 诗词原文比较容易获取，GitHub 有公开数据，但相关的解读和背景资料，还需要 AI 上网查找、整理，生成初稿之后，我再逐篇检查和修改。 到现在，光是 Token 我就已经花了 1000 多块钱，但整个工作才完成了 30% 多，还有将近 70% 没做完。 所以我现在就盼着各家模型搞活动。 比如很多国内模型发布的时候，会在 OpenRouter 开放免费调用额度。我就可以拿这些免费的 Token，慢慢把剩下的内容补齐。 现在回头想想，之前那么多免费的 Token 额度，真是浪费了。 这也是我最近的一个感触。 我觉得以后应该给自己长期维护一份想做的事情清单。平时有什么想法，不管是一个小工具，还是一个自己感兴趣的产品，都可以先记下来。 等到有多余的 Token，尤其碰上各种免费额度，就可以直接拿这些 Token 去实现。 毕竟现在做这些东西的门槛已经足够低了。

刚完整看完了Alexandr Wang 的访谈，真佩服扎克伯格的挖人水准啊，这哥们的思路太清晰了，表达也是恰到好处。 主持人问，假如一切顺利，五年甚至更久以后，Muse 应该变成什么样？ Alex 说，Muse 会成为用户的总管。 我想了一下，总管这个词好像比助理更贴切，因为助理似乎更多的是在完成我们吩咐给他的任务，而总管可以全盘考虑。 为什么需要这样的产品？这哥们讲了一段非常感性的个人思考。 很多人在小的时候，都有非常丰富的想象力。 有人想写一本书。有人想拍电影、制作音乐剧。有人希望改变世界，或者解决某个非常困难的问题。 但随着年龄增长，很多人的梦想逐渐消失。 他们按部就班的完成学业，进入社会，开始工作。生活中遇到各种各样的现实问题，大家开始向现实妥协，渐渐觉得，很多事情自己根本没有能力改变。 算了，就此算了？这真是令人遗憾的。很多人的想法可能很有价值，但他们从来没有机会真正尝试。 在 Alex 的想象里，他认为 AI 能够改变这一点。 一个人不应该因为缺少专业知识、不认识合适的人，或者无法处理复杂事务，就轻易放弃自己的想法。 如果有一个足够聪明的 AI，长期陪伴在用户身边，帮他搞定很多琐碎的事情，那么很多过去难以实现的目标，就可能逐渐变得可行。

五年前，我对理想人生的理解完全错了。 刚看了 X 上一篇文章，很有启发，关于人生意义的。它大致的逻辑是： 如果一个人真的把幸福、舒服、愉悦当成人生最高目标，他最后得到的生活，可能并没有想象中那么美好。 是的，假期快结束了，我们可能会怀念海浪、森林和轻松的午后，觉得要是一辈子都能这样生活，该多好。 我知道，很多人对理想人生的设想差不多就是这样，努力赚钱，然后退休，剩下的日子就乐哉轻松地活着。参加音乐节，旅行、晒太阳，发呆，最终进入一种没有压力、没有痛苦的状态。 嗯，我五年前也是这么想的。 好像人这一辈子都在做一道优化题，痛苦越来越少，快乐越来越多，最后就算成功。 叔本华很不认同这种想法。他觉得即便最后财务自由，过上了没有任何压力的生活，人也未必会幸福和开心。 因为人最大的两个敌人，一个是痛苦，一个是无聊。 人当然会想办法逃离痛苦。但麻烦在于，等痛苦真的消失之后，大脑并不会就此安静下来。它还在不停运转，还想寻找新的目标和刺激。 于是一个过于舒服的人，很快就会无聊。 无聊之后，人又开始主动制造事情。赌博、喝酒、参加聚会、旅行、谈婚外情、和别人争吵，都可能成为填补无聊的方法。 所以，叔本华觉得，海滩、瀑布、度假胜地这种典型的幸福场景，待几天当然很好，长期生活在那里很可能变成一座无聊陷阱。 他觉得人活着还是应该有点事情干。收藏邮票、研究昆虫、学语言、读书、写笔记、研究地理都可以。重点不在于事情有多伟大，而在于人的精神需要持续被某种对象占据。 或者如美国精神神经免疫学教授 Steve Cole 说，人生的终极幸福感来自于自我实现。 幸福感包括实现幸福感和享乐幸福感两个维度。享乐幸福感是比较低级的幸福感，是因为满足物质需要和身体愉悦如美食和性而带来的幸福感觉。 自我实现幸福感属于深层和高档的幸福感，例如慈善行为、知识追求和社会交往等方面因素获得的幸福感。 我记得之前美国有教授做过研究，这两类不同的幸福感带来的基因表达模式有明显区别，意义取向或目的取向的人（自我实现幸福感）有更健康的基因表达模式，而有享乐幸福感追求的人基因表达模式和负面情绪导致的基因表达模式更接近。 因为如果一个人追求低级的享乐，所有的幸福依赖于自身条件。 一旦这些人遭遇不幸，他们受到的应激更为剧烈。如果一个人可把关注的问题超越于个人，例如社会、政治和艺术，那么日常的应激将明显减弱。幸福可以缓冲不确定性给我们造成的感觉，甚至可以提高我们的健康。 他这段话，我一直记在备忘录，记了三年。 真的，我现在感觉享乐也是一门学问，并不是有了钱，有了闲，就真的能一直开开心心一辈子。不会的。人总会在一个困境里，这是我活到现在理解到的人生模式。 我对自己的要求是：无论什么境遇下，都让自己处于创造的状态里，创造一篇对别人有用的文章，创造一个对别人有用的产品，创造一个对别人有用的观点。主动地去创造，创造才可能获得机会。 我有孩子，作为父亲，我希望给她的影响是，要有一个偏创造输出型的爱好。旅行、阅读、看演唱会、看电影，这些爱好当然很好，但它们都偏享乐型。享乐型的爱好可以娱乐自己，让自己开心，但遗憾的是，它们很难形成作品，并对别人产生帮助或者影响。 人活一辈子，应该能找到一件或者几件有利有趣有意义的事儿，一直做。 因为做一件对别人有帮助，有意义的事情非常重要，这能给我们带来难以言说的成就感。并且我也相信，人生的终极幸福感一定是来自于自我实现。而自我实现的途径必定是通过创造。做一个产品，开一家公司，运营一个抖音号，写一篇文章，拍一组照片，这都是创造。 创造能够源源不断地给人以滋养。

朱啸虎对腾讯 AI 的真实评价。 朱啸虎昨天的新访谈，有几个观点我还是比较认可。总结下： 第一，模型 API 这门生意，很难长期维持高毛利。 Anthropic 现在能做到 60% 左右的毛利，核心还是模型智能能力比较强，尤其 Coding 这类场景，过去一段时间确实有明显优势。 但这个优势已经开始越过临界点了。当其他模型逐渐追上，价格可能只有你的十分之一，怎么可能一直维持这么高的溢价？ 哪怕 Anthropic 的模型未来几年还能保持领先，但如果智能能力只强 10%，价格却高 50%，用户真的会一直买单吗？ 智能最终会越来越像电和水。模型 API 这一层，长期可能就是 10% 到 20% 的毛利。这是比较合理的。 一旦能力逐渐趋同，价格战很难避免，大家也会越来越有动力切换到更便宜的模型。Anthropic 现在着急上市，也可能和这个窗口期有关。 第二，AI 办公的市场肯定比 AI Coding 大很多。 AI Coding 最先跑出来，很重要的一个原因是工程师本身就对 AI 的接受程度就比较高。而且 Coding 是一个特别适合 AI 的场景，任务相对明确，结果也比较容易验证。 但 AI Coding 只是办公的一部分。真正更大的市场，还是整个的白领市场，也就是现在大家都在拼的 AI 办公。 再进一步，AI 办公本质就是通用 Agent。之前的 Coding 只是一个垂直场景，办公是整个白领市场。就像当年微软的 Office 一样，你会发现只要有电脑的地方，就会有 Office。 第三，AI 办公产品的竞争力是 Model + Harness + Product + Context。 今年前半年，行业聊 Harness 比较多。但 100%可以预测到，随着 Harness 这一层趋同，最终的竞争肯定会转移到 Context。 因为 AI 办公的杀手级应用场景是工作，诸如分析数据，写 PPT 和分析报告等等，这类任务的交付结果，直接取决于 AI 到底掌握了多少企业的工作上下文。 就像一个新员工一样，你想让它把工作干好，又不让它了解背景，那即便他再聪明也无济于事。 Context 肯定会成为这一轮 AI 办公竞争中非常重要的壁垒。 基于这三个判断，朱啸虎也聊到了腾讯的 AI 发展。相对还是比较客观。 当然，我也不否认朱啸虎有他的局限性，大家主要看看他的思考逻辑，是不是对我们理解一家公司和趋势有启发。 腾讯在这一轮 AI 浪潮里，目前看还是非常典型的后发制人。 最开始混元模型，说实话，在业界都没什么存在感。但现在做到 Hy4 preview，已经逐步的挤进国内第一梯队了。 到了这一轮 AI 办公，WorkBuddy 反而跑出来了，而且已经成为国内第一梯队的办公 Agent 应用。 朱啸虎说金沙江也购买了 WorkBuddy 的企业账号。 为什么？ 一方面当然是 WorkBuddy 本身的产品体验不错。另一个很重要的原因是金沙江本来就在用企业微信。 企业微信里已经沉淀了公司的组织关系、历史沟通，再加上腾讯会议、腾讯文档，本身就在同一个体系里。对于 WorkBuddy 来说，这些都是现成的 Context。 如果换成一个独立的 AI 办公产品，就要重新连接知识库、文档、会议，甚至重新处理组织关系和权限。 朱啸虎还有一个判断我也很认可。现在模型能力当然还重要，因为大家还处在交替领先的阶段。但只要模型之间的差距继续缩小，技术优势就很难成为长期壁垒。 到了那个时候，竞争又会回到传统互联网的几个指标上。比如谁掌握了入口、谁有获客优势、谁能拿到用户的历史数据。这些恰恰是腾讯这样的公司最有优势的地方。 如果把去年的 ChatBot、AI Coding，再到今年的 AI 办公放在一起对比，会发现 AI 应用的竞争焦点确实一直在往上层迁移。 最开始的 ChatBot 拼的是模型能力，那时候谁的模型能力强，谁的产品体验就更好。但到了后来的 AI Coding，大家发现，光模型强还不够，Harness 也很重要。因为在长程任务里，模型怎么调用工具，怎么处理错误，会直接影响最终的结果。 现在到了 AI 办公，又开始发现，Model 和 Harness 上面，还有 Context。 所以我一直觉得，AI 办公这种通用级 Agent，最后大概率还是大厂或者超级明星创业公司的生意。因为做到这一步，已经很难靠一个单点能力赢了，后面牵扯的东西会越来越多。

看了一期吴恩达的播客，非常精彩。而且这次他的观点很激进，说每个人都应该成为 Builder，借助 AI，往生产端走。 别只拿 AI 问问题，而是要开始真正动手创造，做网站、做 App、做小工具，把自己的想法直接变成产品。 包括他们公司说现在面试候选人，会直接问候选人到底 Build 过什么。 如果候选人之前拿 AI 做过一个网站、App、Skill，或者任何解决自己实际问题的小工具，这种经历都会非常有说服力。 因为这考验的已经不只是会不会用 AI。 现在会用 ChatGPT 问问题，或者 Codex 做个 PPT、数据分析，门槛已经很低了。更进一步的能力是你能不能发现一个问题，把它抽象出来，再借助 AI 把解决方案真的 Build 出来。 这里面其实同时考验了一个人对 AI 的使用能力、抽象能力和创造力。 我最近跟很多朋友聊天，也发现大家招聘时越来越喜欢问一个问题，你的作品是什么？你到底拿 AI Build 过什么？ 我觉得所有人确实都应该认真想想这个问题。 以前 Coding 基本还是程序员的专业能力。一个市场人员、招聘人员或者财务人员碰到一个软件需求，正常的处理方式都是提需求，然后找工程师。 但现在这个门槛已经降得非常低了。 一个人拿着 Codex、ChatGPT 这些工具，只要问题足够明确，做一个自己工作里用的小工具，已经没有以前那么难了。 这个变化有点像 Excel 出现之后。 以前很多数据处理工作可能需要程序员参与，后来财务、市场自己打开 Excel 就可以分析数据了。AI Coding 也在发生类似的事情，它正在把过去属于软件工程师的一部分能力，逐渐变成知识工作者的基本能力。 吴恩达说他们团队成员已经在给自己不断的造工具了。 有个运营同事，为了写文章，自己做了一个 Mac 桌面 App。准备写一个选题时，这个 App 会自动爬取网页，寻找相关资料，把相关文章整理出来。然后他可以直接和整个资料库聊天，了解自己正在写的内容和已有资料之间有什么关系。 你看，这已经完全超出了会不会用 ChatGPT。 还有他们的财务团队以前每周要花几个小时打开各种文件、复制数字、检查数据。后来团队自己开始开发自动化程序，可以定期打开文件、读取数据、检查一致性，有异常再提醒相关的人处理。 这背后的逻辑其实非常简单。 以前开发软件太贵了，所以工程师必须集中在专门的工程部门。每个业务部门内部当然都有一堆问题，也都有很多想做的小工具，但一个需求如果只能帮三五个人节省一点时间，根本排不上工程师的开发计划。 现在 Build 的成本降下来之后，这些过去不值得开发的东西突然都可以开发了。 而且最了解这个问题的人，本来就在业务部门。 做招聘的人最知道招聘哪里麻烦，做市场的人最知道自己每天有哪些重复工作，做财务的人也最清楚哪些数据天天需要人工核对。 现在他们第一次有能力自己把这些问题做成工具。 所以我觉得未来每个人在某种程度上都可以成为一个工程师。你不需要成为一个专业程序员，但应该逐渐具备用软件解决自己业务问题的能力。 吴恩达说他们最近还分析了很多的招聘数据，发现越来越多职位描述中开始强调一个词：High Agency，高主动性。 简单说，就是一个人发现问题以后，会自己想办法往前推进，而不是等老板把每一步都拆好，再告诉他接下来干什么。 按部就班的工作，价值感只会越来越低。 有了 AI 的帮助，一个 High Agency 很强的人，确实可以比过去创造更多东西，也可以自己解决更多问题。 优秀的员工会越来越像一个负责自己领域的小创业者。他知道自己的目标是什么，然后自己发现问题，做出判断，缺工具就 Build 工具，最后解决问题。 所以我现在越来越觉得，大家讨论 AI 会不会替代工作，有时候把问题想得太简单了。 吴恩达讲了一个我很认同的框架。 一份工作里面，可能已经有 30% 到 40% 的任务可以交给 AI，但剩下的 60% 到 70% 依然需要人来完成。所以绝大多数职业不会突然消失，真正发生变化的是一个岗位内部的工作内容会重新分配。 最后更现实的结果，还是人和人之间的竞争。 一个人可以把那 30% 到 40% 交给 AI，然后把自己的能力范围继续往外扩。另一个人还按照以前的方法工作，只负责自己原来那一小块，那公司最后更愿意留下谁，其实很好理解。 我一个朋友之前的公司里，Android 和 iOS 加起来有三个人。后来公司觉得人员有些冗余，最后留下一个人，几个端都可以负责。 你说这是不是 AI 导致的？当然和 AI 有关系。 但落实到职场里，它最后呈现出来的还是人与人之间能力范围的差距。一个人借助 AI 可以覆盖过去几个人的工作，另外一个人的工作方式没有变化，公司自然会重新计算这笔账。 我今天还在群里跟大家聊，以前总有人说前端已死，但好像最近已经没人讨论这个问题了。群里有朋友开玩笑说，死人当然不会说话。 我还真去翻了一些前端工程师的简历，发现一个很明显的变化，很多人已经不再把自己局限在纯前端了，而是突出全栈的能力。 吴恩达在播客里也提到了这个现象。过去前端、后端的分工很细，但有了 AI 以后，越来越多开发者开始变成全栈工程师。因为 AI 把跨领域学习和执行的成本降低了，一个人能够覆盖的工作范围自然会扩大。 而且这件事肯定不只发生在程序员身上。 以前一个做营销的人，可能只负责投放。现在借助 AI，他能不能从选题、研究、内容生产，一直做到投放和后面的数据分析？ 一个人在组织里的能力半径会越来越大。 想起之前纳瓦尔说的一句话：成为一名创造者，你将不必担心工作、职业和 AI。 是的，什么时候都尽力去创造，去解决问题。别给自己留所谓的垃圾时间。

硅谷 AI 精英，最近尤其眼红乌兰察布。 最近我看高盛、彭博、Wired 在讨论中国 AI 的时候，居然都提到了乌兰察布。他们说这座内蒙古的小城，正在成为中国 AI 基础设施版图里的算力重镇。 因为 AI 的竞争，归根到底就是能源的竞争。你看马斯克今年一直在提太空数据中心，其中一个很重要的原因，就是未来 AI 需要的电实在太多了，到了太空以后可以直接利用大量太阳能。 OpenAI 也一样，Sam Altman 直接说他们公司的本质是把电力转化成有用的智能。 那为什么是乌兰察布呢？ 因为乌兰察布同时满足了几个条件：1）天气冷。2）电便宜。3）绿电多。4）离北京近。 我对乌兰察布很熟悉，这几年暑假总会去他们那的黄花沟转一圈。所以必须得好好写写。 这么讲吧，乌兰察布这地儿一年到头基本就俩季节，一个是冬天，一个是夏天。而且冬天极其漫长。我查了下数据，年均温度只有 4.3°C。 记得有年 9 月中旬去乌兰察布的草原玩，晚上给我冻的瑟瑟发抖。问了下朋友，他说乌兰察布一般过完十一没多久就开始准备供暖了，一直持续到第二年四月中旬，差不多有半年时间都在供暖。天气真正热起来，也就七月和八月俩月。 乌兰察布海拔大概是 1400 米，然后又刚好处在西伯利亚冷空气南下的一条通道上，北边的冷空气经过蒙古高原一路下来，所以这里不光冷，风也特别大。 冷、风又大，对于生活在乌兰察布的老百姓可能不算舒服，但对于数据中心来说，这反而全是优势。天气冷，一年大部分时间都可以利用自然冷源，降低散热成本。风大，又意味着这里有非常好的风电条件。 同样一股冷风，一边帮数据中心散热，一边还能发电。哈哈哈哈哈哈哈。 而且这里的电还便宜。 内蒙古本来就是能源大省，风电、光伏很多，煤电也非常充足。像乌兰察布，2025 年风电和光伏的发电量加起来，已经快占到全市发电量的一半。这几年风电、光伏还在继续增加。 到了 AI 数据中心这个规模，电价到底有多重要？平时我们生活中会觉得，一度电贵几分钱、便宜几分钱，好像没多少钱。但到了 GW 级数据中心，完全不是这么回事。 我给大家粗算一笔账。 假设一个园区平均负荷是 1GW，平均负荷率按照 90% 计算，一年大概消耗 78.84 亿度电。 2026 年 8 月，蒙西电网代理购电价格大约是 0.3234 元一度，冀北大约是 0.3857 元一度，两边只差了 6 分多钱。 但就是这 6 分多钱。78.84 亿度电算下来，一年就是大概 4.91 亿元。也就是说到了 GW 这个量级，一度电便宜几分钱，一年就是几个亿...... 而且刚才说了，乌兰察布还有一个很大的优势，就是绿电特别多。 绿电简单理解，就是风电、光伏这些可再生能源发出来的电。为什么这件事对 AI 数据中心越来越重要？还是刚才那笔账，一个 1GW 的园区，一年接近 80 亿度电。如果这些电大量依靠煤电，背后的碳排放会非常夸张。 现在全球的大公司都在关注碳排放，Google、微软这些公司建设数据中心的时候，也会非常在意电力里面有多少来自风电、光伏这些清洁能源。 甚至可以预测，以后大家讨论一个模型的成本，除了 Token 的成本外，可能还会开始关注这个 Token 背后的能源消耗和碳排放。 写到这里，可能有人会追问，那宁夏中卫、新疆这些地方，电也很便宜啊。那里的风电、光伏资源甚至可能比乌兰察布还丰富。 这就要讲乌兰察布的另外一个优势了。大家如果经常坐火车，可能听过乌兰察布的城市口号，北京向西一步，就是乌兰察布。 它离北京只有大概 350 公里，高铁两个小时左右就能到。 北京本身就是国内 AI 公司、科研机构和互联网公司最密集的地方之一。你把算力继续往宁夏、新疆搬，电可能还能更便宜，土地也更多，但网络时延也会越来越高。 以前做云计算的时候，西部数据中心主要承接存储备份、离线计算这些不着急的活，慢几十毫秒根本没什么影响。大模型训练其实也一样，训练任务一旦跑起来就是几天、几周，对北京到机房这点时延并不敏感。 但现在 AI 还有越来越多的算力用在推理上。Agent 执行一个任务，中间还要不停的调用模型和各种服务。这些直接面对用户的计算，对于时延非常敏感。 这也是乌兰察布相比宁夏、新疆最重要的优势。电已经足够便宜了，同时离北京还只有几百公里。 查到一个数据，乌兰察布从 2017 年开始建设直达北京的光缆，后来又建设了第二条。公开数据里，乌兰察布到北京的网络时延可以做到 5 毫秒以内，其中一条线路大约是 4.2 毫秒。 所以乌兰察布的优势恰到好处。 往西走，宁夏、新疆的电可能还能更便宜，但离北京越来越远。往东走，距离北京更近，但电力和土地的成本又更高。 刚刚我兴奋地把这些事讲给了乌兰察布的朋友，他只问了我一句话： 这能给乌兰察布带来多少就业机会？ 一时不知道怎么回答。说实话，算力中心能带来的就业机会，少之又少。

终于等到了国模一哥智谱的财报。 今年上半年收入同比增长接近 400%。我看有人觉得总收入没有预期高，我倒觉得还好。因为国模真正开始大规模商业化，其实也就是最近几个月。 大家可以想想，自己真正觉得国产模型已经可以和 OpenAI、Anthropic 交替着用，大概是什么时候？至少我的感受很明显，就是今年 3 月之后。 所以这轮国产模型能力提升，真正完整反映到收入里，应该是下半年。从 ARR 也能看出来，智谱在财报会上解释，16 亿美元 ARR 是用 8 月单月收入乘以 12 算出来的。 倒推下来，8 月单月收入已经达到 1.33 亿美元，折合人民币大约 9 亿多。 刚刚把智谱财报会听完了，信息量挺大的。我快速写下自己的理解。 1、按照智谱管理层的说法，GLM-5.3 的提升全部来自后续训练。他们扩大了任务环境，把训练内容从普通 Coding 任务，扩展到更加接近专家真实工作的完整任务。 在基础架构、参数等保持一致的情况下，仅仅扩大后训练规模，端到端任务完成率提高超过 50%。 他们认为，决定模型上限的是四个因素的组合：基座规模、有效深度、训练深度、任务环境。 这四个维度的边际收益会不断变化。某个阶段后训练的空间最大，就先把后训练做深。如果后训练吃得差不多了，就再回过头扩大基座参数。 基座继续做大以后，还要考虑激活参数和有效深度之间的平衡，既不能让激活量太大拖慢推理，又要想办法增加每个 Token 实际经历的计算深度。 对于 GLM-5.3，他们的逻辑是，后训练和任务环境还有很大空间，所以先把同一个 Base 榨得更彻底。等这部分收益开始见顶，再考虑回来迭代 Base 模型。 2、所以智谱现在的节奏，并不是每发一个版本就重新训练一次 Base。 像 GLM-5.1、5.2、5.3，都建立在同一个大基座上。智谱会先通过中训练、后训练和任务环境，把这个 Base 的能力尽可能往上推。等这一轮的边际收益开始下降，再切到下一代更大的基座。 现在，他们判断 GLM-5 这一代的后训练已经吃掉了很大一部分空间，所以下一步会重新回到 Base Scaling。 但下一代也绝对不只是简单把总参数继续往上堆。他们想同时做三件事： 第一，把模型的总规模继续做大，抬高能力上限。 第二，控制每次推理真正激活的参数量。因为几 T 的模型如果每个 Token 都激活大量参数，那推理速度肯定会明显下降。 第三，提高有效计算深度。尝试 Loop Transformer 一类的思路，让同一批激活参数经过更多轮计算。这样不需要简单增加激活参数，也可以增加每个 Token 实际经历的计算量。 3、智谱判断，接下来模型可能会出现两条价格曲线。 第一条是，同等智能水平的模型，价格会持续下降。GLM-5.3 Flash 就是在走这条路，用更低的成本提供接近甚至超过上一代旗舰模型的能力。 第二条是，真正能打开新任务边界、明显提高任务成功率的前沿模型，仍然会有溢价，甚至价格还有继续上涨的空间。 所以，现在他们对于模型的定位非常清楚。GLM 5.3 继续探索智能的上限，主要覆盖复杂 Coding、Agent 和高价值任务。GLM-5.3 Flash 则是主打性价比，负责高频、大规模调用。 4、还听到一个有意思的指标叫算力乘数。 简单理解，就是每投入 1 元算力，最后能换回来多少 API 收入。当然，这个算力包括训练和推理两部分。 今年上半年，智谱的算力乘数同比提升了 14 倍。为什么能提高？一方面因为模型变强了，每个 Token 能承担更复杂、更高价值的任务。另一方面 Infra 效率也在提升，完成同样任务需要的成本更低。 感觉这个指标可以一针见血的表达大模型公司的竞争的第一性原理。 5、和国产芯片的结合。GLM-5.3 Flash 上线时，背后已经大规模使用国产芯片集群，6 天跑了 60 多万亿 Token。 接下来更难的是效率和成本。智谱过去半年也明显把更多精力放到了 Infra 上，重新做推理引擎和服务栈，又做了 PD 分离、量化、Layer Split、缓存和通信优化。 同样的国产硬件，端到端服务性能相比最初基线提升了 3 倍，单位 Token 推理成本相比年初下降 80%。 6、智谱也毫不避讳的谈到了中国模型公司的算力约束。 他们的思路是尽量从数据、后训练、任务环境和工程效率中弥补差距。 其实这也是前两天硅谷风投 Dimension 总结的，芯片的出口管制反而逼出了国内极强的工程效率文化。 算力有限的时候，可以先 Scale 数据、后训练和任务环境。推理太贵，就继续做架构和 Infra 优化。等这些方向的收益开始下降，再回头扩大基座。 本质上仍然是刚才说的，同样的算力，怎么尽可能换来更多模型能力。 7、另外，智谱也正面回应了大模型怎么商品化的问题。 他们承认，单次 SOTA 本身很难形成长期定价权。今天 Benchmark 第一，可能几周以后就会被追上。在基础的任务上，模型之间已经没什么差距了。 但同时，模型也不会因此完全变成没有差异的商品。真正能拉开差距的，是模型迭代速度、真实任务完成率、单位智能成本，以及能不能进入客户更深的工作流。 尤其任务越长，模型之间的差距反而越容易被放大。回答一道题可能只差几分，但连续跑几个小时的软件工程任务，中间要调用工具、处理失败、重新规划，最后能不能把任务做完，差距会非常明显。 而且模型一旦进入客户的代码库、工具链和内部工作流，周围还会积累 Prompt、Agent Workflow、权限体系、评测标准和各种工程适配。这个时候换模型，也不只是换一个 API 地址，迁移成本会越来越高。 所以智谱的判断是，简单能力会越来越商品化，但真正能完成复杂任务、进入真实工作流的前沿模型，依然会有很强的差异化和定价权。 8、智谱下一步想做的，是让模型开始参与下一代模型的训练。 现在已经能看到一些早期迹象。比如通过 Model vs Model 自动生成、筛选数据，用 Agent 收集任务、搭训练环境、生成 Verifier，甚至直接参与推理系统的优化。 这些能力目前还散落在不同环节里，但方向已经非常明确。过去需要大量人工完成的数据生产、环境搭建和 Infra 优化，未来都可能逐渐交给模型。 唐杰提到，他们希望进一步把这件事贯穿整个训练流程，从 Pre-training、Mid-training 到 Post-training，都让模型参与进来。他把这个方向叫 Fully Self-training，其实就是 OpenAI 提到的 RSI。 以上，希望对大家有启发。有时间的话，大家还是全部过一次智谱的财报电话会，还是很有启发的。

感觉所有的自媒体，都该看看快手程一笑的分享。 认真看完了快手创始人程一笑在今年光合创作者大会上的分享。说实话，程一笑现在很少公开露面，类似这样的分享很难得。我现在也在做自媒体，所以也非常关注国内头部内容平台一号位对于内容行业的判断。 程一笑说，快手内容正从大品类向更细分领域纵深发展。快手上深耕垂直领域的创作者，现在月人均收入是泛流量作者的 2.2 倍。 划重点，大家注意这个数据。非常反常识。 这和我们过去对于自媒体账号的理解完全不一样。以前起号，都喜欢选择一个受众足够广的方向。毕竟只有这样才容易涨粉。粉丝多了，后面才有机会变现。 但这两年，逻辑确实在发生变化。因为泛流量的内容，越来越难和用户建立起深度的信任关系。而没有信任和个人品牌，变现会越来越难。 其实大家看我这个小红书账号，也是类似的思路。起初的时候，我还会写一些职场、管理类的内容，后来，我逐步聚焦到 AI 的方向上，努力写出获得感。其实这是我深思熟虑的选择。 几年前，我和同事尝试过搞笑类的短视频，当时的账号叫来广营小盖。这些内容老少皆宜，确实有流量。但后来会发现，这类流量的粘性非常差，商业化也比较困难。我当时知道的一些类似账号，现在几乎都已经不做了。 核心就是因为大家看搞笑内容，很多时候就是图一乐。笑完这条也就过去了，很难因为这个持续信任你。再加上核心用户比较泛，也很难基于这批用户去提供一个稳定的产品或者服务。 程一笑这次还分享了个案例，一个叫梨青青的 20 多岁的博主。 说实话，这个博主我之前完全没听过。查了一下才知道，人家创作的是 JK 制服相关内容。不好意思，我确实老土，之前完全不了解这个圈子。 梨青青的视频其实非常朴素。我看了下，她基本都在介绍怎么区分正版和山寨，买这些东西的时候有哪些坑之类的内容。感觉基本都是圈内人才会关心的具体问题。 但你想，JK 制服能有多大的受众？和美食、游戏、体育相比，肯定小得多。有意思的是，梨青青的粉丝很快就做到了百万级，后来还做联名产品，单个产品 GMV 就超过了 1200 万。 这就是程一笑说的那个观点。快手的内容生态已经从大品类逐步过渡到小圈层。所以，他们在培养或者扶持细分圈层标杆作者。其实不只是快手，小红书等等其他平台也是如此。 再讲个故事。今年春节，我和高中同学交流，他在做自媒体。选题就是刚刚提到的泛人群，几乎每天就是找热点，然后表达自己的看法，最后再通过直播变现。 他干了小半年，很累，没有什么收成。然后过年的时候喝完酒，我当时就觉得他做的事情，从逻辑上推演很难做出商业结果。 热点内容肯定容易获得推荐，但几乎也是水过地皮湿，很难在用户心中留下印象。就像这两天景甜的事情，我刷到过很多视频，可是真正愿意让我关注的根本没有。这类内容本质就是找个乐子，吃瓜嘛。 我真正愿意关注的，通常还是那些能让我形成稳定预期的账号。要么我觉得他讲的东西对我有帮助。要么是这个博主本身就很有意思，他做的事情很吸引我。 而做泛内容，像我哥们，今天讲明星，明天又追其他的热点，真的很难和用户建立起信任。 而没有信任关系，做直播电商就只能靠吆喝和价格刺激。但真拼价格，他又怎么可能拼得过那些大主播。 今年，我越来越能感觉到程一笑说的这个趋势。所有的平台都是如此。所以我觉得所有做自媒体的朋友，早点对所谓的大赛道祛魅吧。 说到这里了，话多了。再说一个我看到的机会：做县城的垂直三农类 IP。这事我观察了很久，蠢蠢欲动，但无奈精力不够。大家感兴趣可以试试。 我觉得中国几乎每一个小县城，都有机会长出一两个这样的头部账号。这类账号的内容根本不用做得多复杂，就是记录当地最真实的生活。 秋天收玉米了，跟着家里人下地收玉米。明天村里谁家娶媳妇，就去记录一场农村婚礼。 赶集、杀猪、修房子、做家乡菜，这些我们从小大家都习以为常的事情，其实都是内容。连普通话都不用讲，直接说老家方言。因为这类账号服务的人群就是当地人，以及在外的游子。 目标用户刷到这些内容，看到熟悉的村庄和生活方式，天然就会有一种无法言说的亲近感。时间久了之后，大家认识你，然后再去直播带货卖当地的醋、小米、杂粮等等，就会非常顺。 真的，程一笑的分享，也让我再次意识到一件事：一定要认认真真做有价值的垂类内容。只追求泛流量的阶段，真的已经过去了。

腾讯 Hy4 preview 内测的真实感受。 现在这个模型竞争是真的激烈。完全没想到，腾讯混元 Hy4 preview 这么快就来了，之前很多人还预测说得年底。我昨天一早拿到了内测名额，干了 2000 多万 Token，还是想和大家说下我的真实感受。 先说模型基本的配置，这现在看模型，就和手机一样，得先看参数。Hy4 preview 的基本面是： 1）总参数 770B、激活参数49B。 2）1M 上下文。 3）输入缓存命中 0.3 元。 能看出来，确实腾讯也在逐步提升模型的总参数量，这也是意料之中的事情。目前各个公司都在追求更大规模参数的模型，毕竟大参数和模型之间，还是有直接的对应关系。 Benchmark 等等能在其他地方查到的信息，我就不说了。直接谈谈我的使用感受。 1、Hy4 preview 仍然在快速进步，综合能力基本上已经逼近 GLM-5.3 的水准，超过 DeepSeek V4 系列。这次之后，我觉得腾讯的模型也正式跨入到国内第一梯队的水准了。至少和之前我们讨论的 Kimi、GLM 等等模型，可以有来有回了。 2、或者这么说，我这两天全天候在 WorkBuddy 中深度使用 Hy4 preview。在我日常跑的这些 Coding 或者办公任务里，已经很难明显感觉到 Hy4 preview 和其他几个头部模型之间有什么差距。感受不出来，根本感受不出来。有更复杂 Coding 场景的同学，也可以试试，评论区里交流。价格还是非常便宜。 3、我让它做了一个北京地铁动态交互网站，前前后后大概跑了半个多小时。大家可以直接看效果。其实它第一次生成出来的版本，完成度就已经非常高了。这个 Case 我之前也试过 Hy3 正式版，基本做不出来。所以单看前端 Coding，Hy4 preview 相比 Hy3 的提升还是非常明显的。 4、我把自己目前正在跑的一个后端项目交给它，让它帮我检查里面可能存在的漏洞。其中有一部分涉及订单场景，不同平台的支付逻辑交织在一起，代码本身还是比较复杂的。Hy4 preview 最后真的找到了一个并发场景下，订单号和支付逻辑之间的 Bug。 这部分代码其实是 GPT-5.6 写的。后来我也让 GPT-5.6 自己重新反思、检查了一遍，它没有找到这个问题，Hy4 preview 反而找到了。当然，一个 Case 不能说明两个模型谁一定更强。但至少这个结果挺让我意外的。 5、不用猜，Hy4 preview 这次肯定在后训练方面，着重优化了办公任务。毕竟腾讯的 WorkBuddy 现在重点在渗透知识工作者，这类人群的杀手级的应用场景就是文档处理、数据分析等等。 我给了它一个比较复杂的审计任务，需要在几张表之间来回比对数据，最后根据这些数据找出问题，再给出结论。这个任务其实很考验模型能不能一直记住前面的业务规则，同时把几张表里的信息真正对应起来。 6、最后我还顺手测了一个比较有意思的 Case。我把我们产品的 Logo 给它，让它只用纯 HTML，帮我做一个动态效果，有点像之前 Grok Bot 那种感觉。大家也可以直接看最后的效果。半个月前，我同样也让 GLM 5.3 跑过这个 Case，现在，已经难分伯仲了。 7、当然，仍然也还是有一些缺点。比如模型仍然会有不同程度的过度思考。地铁那个 Case 里，我看到模型在生成动画时，它会花很多时间反复检查一些其实已经没有问题的细节。 这个问题在长任务里会更加明显。模型能力强了以后，它确实会习惯性的反思，但反思太多，任务时间就会被拉长。 尤其是一些需求非常明确的小修改，我其实只希望它赶紧改完，不需要每一步都想得那么复杂。我看到官方也提到这个问题了，最近我用 GPT 5.6 和 5.6，也会遇到类似的问题。 8、另外就是审美。虽然比 Hy3 preview 有提升，但我感觉 Hy4 在后训练上，应该还没有花很多精力做这件事。 就像 Logo 动画那个例子，我提示词比较简单的时候，它生成的第一版还是会出现一些比较难看的光晕、渐变，包括元素之间的比例和动效节奏，也容易往那种很典型的 AI 审美上靠。 当然，如果我继续给它反馈，让它把这些东西去掉，最后是可以改得非常完美。所以问题更多还是默认审美没有做到特别好。希望正式版的时候这个问题可以解决。