AI 产业观察合集 on Z's Blog

当AI泡沫遇见持续买入：一个数据分析师的自我怀疑与坚持

Wed, 27 May 2026 08:00:00 +0800

当AI泡沫遇见持续买入：一个数据分析师的自我怀疑与坚持

引言：连《持续买入》的作者都动摇了

2026年5月，全球股市涨得让很多人开始怀疑人生。

标普500连创新高，日韩台股同步起飞。Nvidia一家公司的市值超过中美之外任何一个国家的GDP。巴菲特手持将近4000亿美金历史最高仓位现金，连他都在等。

满仓AI的人怕这是顶，一路加仓的人怕自己是高位接盘的傻子，攒着现金等机会的人越等越觉得错过了。

而《持续买入》（Just Keep Buying）的作者Nick Maggiulli，在节目中说了一句让很多人震惊的话：

“一年前，我变得有点悲观了。这可是破天荒头一次。我把股票仓位从100%减到了80%。”

连写《持续买入》的人都动摇了，这个市场到底怎么了？持续买入还管用吗？

带着这些问题，我重新审视了Nick在这期播客中的观点。比起"持续买入"的投资建议，我更感兴趣的是——一个数据分析师如何在自我怀疑中坚持原则。

这才是这个故事最有意思的地方。

一、AI：泡沫还是换轨？答案是两者都是

Nick在节目中给出了一个相当诚实的回答：

“可能两者都有点。如果你回顾任何重大技术变革的历史，总会有大量玩家蜂拥而至，也会有大量资金涌入。过度投资总是难免的。但与此同时，对于很多领域来说，它确实是一场换轨。”

这个回答没有给出明确结论，但恰恰说明了为什么现在的市场让人困惑。如果答案显而易见——要么是2000年的互联网泡沫，要么是真正的历史性变革——我们就不需要讨论了。

市销率的警讯

Nick看跌的理由很有意思：他用市销率（P/S）比较了Nvidia和1999年的Microsoft，发现两者几乎一模一样。

他喜欢市销率而不是市盈率，因为"盈利可以通过各种财务技巧来操纵，销售额则是实打实的。你不能伪造销售额，那直接就是诈骗了"。

2021年的SPAC热潮、市盈率的高企，让他产生了强烈的既视感。

但增长确实来了

然而，Nick也承认自己错了。他原本认为Anthropic一年内把ARR从30亿做到450亿是"天方夜谭"，结果他们轻轻松松就做到了。

“也许我当时太悲观了，因为我觉得这种增长预期简直是天方夜谭，结果它们真的实现了。”

这种认知冲突——既觉得像泡沫，又看到真实增长——正是当下每个投资者面临的困境。

二、《持续买入》的核心信条：三个支柱

Nick的核心投资建议只有一句话：

“持续买入多样化的创收资产。”

这三个支柱各有深意：

持续买入：不需要择时，哪怕你掌握了关于未来的所有信息，每月坚持买入仍然是更好的选择。Nick在书中用数据证明了这一点。

多样化：不把鸡蛋放在一个篮子里。股票、债券、房地产——这些都是创收资产。黄金、比特币不算，因为它们不产生收入。

创收资产：能够产生某种收入的资产。黄金可以持有，但不应该成为投资组合的绝大部分。

Nick的实践：他从未停止买入，但会根据市场情况调整买什么——少买点美股，多买点国际股或债券。“关键是，我始终在买入”。

三、数据不会骗人：为什么择时是个伪命题

Nick最重要的论点是：数据压倒性地支持"持续买入"。

SPIVA数据：90%的主动基金跑输指数

这是一个让所有"选股高手"尴尬的事实。在长期，大多数专业投资者无法跑赢市场。

Nick的逻辑很直接：如果你不想付出任何努力就想战胜市场，这是不可能的。但如果你愿意花时间提升职业收入，那才是真正的财富来源。

“你在某一天，股市大涨或大跌，你赚的或亏的，可能比你当初在非常好的工作大半年里赚的还要多。”

随着投资组合越来越大，市场波动的影响超过工资收入。专注于职业，利用市场建立财富——这才是正道。

收入与财富相关性最高

Nick查阅了大量数据，得出的结论是：收入与财富相关度最高。这不是争议，是事实。

高收入人群存更多钱，存下来的钱去投资，形成正向循环。“人们最常见的致富途径，要么是有一份工作然后长期攒钱，要么是创办企业卖掉赚大钱。”

四、市场恐慌时怎么办？

2020年3月23日的教训

Nick分享了他最尴尬的一次投资经历。2020年疫情崩盘时，他被恐慌情绪左右，在市场最底部附近卖出了股票。

结果呢？市场随后大涨，他完美错过了最肥的一段。

“我写《持续买入》这本书，结果连我自己都在那一刻违背了原则。”

这个故事告诉我们：情绪是投资最大的敌人。哪怕你懂所有道理，在极端市场面前，人性的弱点依然会让你犯错。

大萧条不是常态

很多人担心"大萧条重演"，但Nick指出这种可能性被高估了：

如果你在1929年高点买入标普500，持有到1950年代就回本了
持有20年，实际回报接近4%
100年的股票实际回报约为4%

时间会熨平波动。如果你有20-30年的投资期限，市场最终会给你惊喜。

五、要不要止盈？

这是很多人现在最纠结的问题：市场这么高了，要不要卖出一部分？

Nick的反问很犀利：

“你卖出的目的是什么？”

如果你卖掉是为了买房、支付婚礼费用等现实需求，止盈完全合理。但为了"分散投资"或"套现"而卖？“如果你不知道自己为什么要这么做，你就不应该做。”

另外，别忘了应税事件。卖出是要交税的，所以在做决定前要把这个因素考虑进去。

六、分散化比你想象的更难

Nick的仓位大致是80/20——80%股票、20%债券。股票部分一半美国、一半国际。

S&P 500集中度问题：Nick提醒，很多人觉得持有Nvidia、Microsoft、Apple就是"分散投资"，但实际上他们在科技股上非常集中。S&P 500本身已经集中于科技股，个股持仓只会更糟。

如果你担心集中度问题，可以考虑等权重配置，而不是盲目认为"我买S&P 500就是分散投资"。

Nick的特殊调整：正准备买房，现金储备增加——这是合理的，因为他有具体的资金需求。一旦买房完成，他会恢复80/20。

留下的提醒：分散化不是买几只股票就算完事，而是要理解你真正持有什么。

AI-First组织革命：从"信任人"到"信任AI"

Mon, 25 May 2026 08:00:00 +0800

Harness时代：一场从"信任人"到"信任AI"的组织革命

引言：当AI从工具变成主导者

2026年的春天，硅谷传来一个令技术圈震动的数据：一家25人的公司，99%的代码由AI完成，每天平均3到8次生产部署，过去需要六周的产品开发流程，如今一天就能跑完。这不是科幻，而是CreaoAI在《Why Your “AI-First” Strategy Is Probably Wrong》中展示的真实案例。

这篇博文之所以在X上获得百万级阅读，不是因为它描述了一个美好的愿景，而是因为它撕开了"AI-First"转型中最那道最难跨越的伤疤——信任。不是对AI能力的信任，而是对AI作为生产力主导者的信任，是对整个组织从"人驱动AI"转向"AI驱动人"这一根本性变革的信任。

CreaoAI成立于2025年11月，25名员工中只有10名工程师。创始人Peter Pang在2026年1月做出了一个大胆的决定：从零开始重构整个产品架构和工程工作流。两周后，新系统上线。如果产品能够自我构建，它就能work。

一、Harness Engineering：工程团队的首要任务不再是写代码

从概念到实践：OpenAI的定义

2026年2月，OpenAI发表了一篇文章，阐述了"Harness Engineering"的概念：Creao其实早就在践行这一理念，只是没有给它命名。

Peter Pang对Harness Engineering的核心定义：

“工程团队的首要任务不再是写代码，而是使Agent能够做有用的工作。当某件事失败时，修复方案永远不是’再努力试试’。修复方案永远是：缺了什么能力？我们如何让这个能力对Agent可见且可执行？”

这个定义揭示了Harness的本质：从"人修复问题"到"系统获得能力"。传统思维是"人出了错，人来修"；Harness思维是"系统缺能力，系统补能力"。

从Prompt Engineering到Harness：认知的三次跃迁

回溯大模型应用的历史，我们经历了三个认知阶段：

第一阶段：Prompt Engineering（提示词工程） 这个阶段人们相信，只要写好提示词，AI就能乖乖听话。但prompt的边界太明显——它太依赖人的表达能力和对AI的理解，同样的需求，换一个表述，结果可能天差地别。

第二阶段：Context Engineering（上下文工程） RAG（检索增强生成）技术风靡一时，核心逻辑是"喂给AI足够多、足够准确的上下文"。但上下文是静态的，而AI处理的任务是动态的；上下文是过去的经验，而任务总是面向未知的场景。

第三阶段：Harness Engineering（挽具工程） Harness不是静态的配套系统，而是"驯化"通用智能的动态过程。它解决的是如何让一个AI系统从"能干活"进化到"会自我优化"的问题。

而Harness要做的是，让整个系统成为一个人机共生的生态系统：AI不仅执行任务，还能根据执行结果调整策略；系统不仅能工作，还能识别自身的缺陷并自我修复。

“Prompts are disposable”：一个反直觉的真相

Peter在原文中提到了一个反直觉的观点：

“A production system needs to be stable, reliable, and secure. You need a system that can guarantee those properties when AI writes the code. You build the system. The prompts are disposable.”

智能体：AI 时代的操作系统级入口

Thu, 14 May 2026 07:18:00 +0800

核心观点：李彦宏提出的 DAA（日活智能体数）指标，标志着 AI 时代的入口迁移已经开始。智能体不是独立软件，而是 AI 操作系统——比拼的不是裸模型，而是模型+Harness+ 工具链的整套系统。智能体的使命，就是成为这个操作系统的统一调度者，让不同领域的智能体能够互联互通、协同工作，最终成为 AI 时代的中心化入口。

一、DAA：衡量 AI 时代繁荣度的新指标

李彦宏在 Create AI 大会上提出的 DAA 指标，值得再往深处看：

“过去互联网时代，大家习惯用 DAU 衡量有多少人在使用产品。但到了 AI 时代，真正重要的事情开始变成，有多少智能体正在替人类干活。”

DAA 本质上衡量的是：智能体生态到底繁不繁荣，AI 有没有真正开始介入真实世界。

这背后有三个关键判断：

每个技术时代都会出现中心化入口：PC 时代是搜索，Mobile 时代是超级 App，AI 时代是智能体
智能体入口之争已经开始：百度、Google、OpenAI 都在下重注
移动端是关键：谁占据手机屏幕，谁就更有机会成为入口——移动端让智能体真正实现 7×24 小时可用

二、从 Tools 到 Teammates：范式的本质跃迁

整个行业的共识正在形成：AI 正在从 Tools 走向 Teammates。

对比维度	ChatBot 时代	智能体时代
核心逻辑	工具逻辑	数字劳动力逻辑
用户体验	问问题→直接给答案	说需求→端到端完成
典型场景	信息查询、知识问答	PDF 转文档、订机票、做 PPT

关键差异在于：智能体能主动感知环境、规划任务、调用工具、处理异常，最终完成交付。就像百度 DuMate 能自动判断雪球是否需要登录，然后选择合适的 Skill 完成任务。

这种体验会深入用户心智。一旦形成习惯，谁拿到这个入口，谁就是王者。

三、智能体是操作系统，不是独立软件

这是百度最深刻的洞察之一：

“智能体不只是 AI 模型之上的新产品，它更像是 AI 操作系统。”

Robin：叫人，开会！

Wed, 11 Mar 2026 20:00:00 +0800

声明：本文纯属虚构。数据是真的，人是真的，会议是编的。如有雷同，说明百度确实该开这个会。

下午三点半，百度大厦 E 座 23 层，Robin 的助理敲了三下门。

“Robin，港股收盘了。”

“嗯。”

“MiniMax 收涨 22%。市值 3826 亿港元。”

“我们呢？”

“3322 亿。”

Robin 放下手里的 iPad。屏幕上是海螺 AI 生成的一段视频——一只金毛犬在沙滩上奔跑，毛发在逆光中一根一根地飘。他刚才用文心一格试了三次，出来的狗像穿了件塑料雨衣。

“叫人。”

“叫谁？”

“所有 VP。”

助理犹豫了一下：“Robin，现在是 OKR 对齐周，大家都在——”

“我说叫人。OKR 对齐个屁，先对齐一下市值。”

会议室的灯亮了。六个人陆续到齐。

Dou 穿着卫衣，上面印着"AI Native"——百度去年团建发的。Jackson 系着领带，手里端着瑞幸。Haifeng 带了笔记本电脑，屏幕上开着飞桨的 dashboard，仿佛随时准备汇报技术指标。

Robin 把一张纸推到桌中间。上面手写了两行字：

MiniMax：4 岁，收入 7900 万美元，73% 海外，市值 3800 亿。

百度：26 岁，收入千亿，AI 砸了近千亿，市值 3300 亿。

“谁来给我拉齐一下认知？”

Dou 条件反射地接话：“Robin，市值不完全反映——”

“对，市值不反映基本面。但你知道市值反映什么吗？反映 narrative。MiniMax 的 narrative 是什么？一个中国公司，七成收入来自海外，两亿多用户遍布 200 个国家。人家没在国内卷，没烧钱买量，没搞百亿补贴。人家润出去了。”

他停了一下。

“我们的 narrative 是什么？”

没人说话。

“我来帮你们 align 一下：百度是中国最早布局 AI 的公司，拥有从芯片到框架到模型到应用的全栈能力，文心大模型 5.0 在 LMArena 排名国内第一——”

龙虾大会：一场关于AI编程的集体幻觉

Sun, 08 Mar 2026 14:00:00 +0800

三月的第一个周末，上海张江某栋写字楼的会议室里坐满了人。他们不是来参加什么新产品发布会，也不是为了听某个明星创业者的路演，而是为了学习如何使用一个开源工具——一个可以将自然语言转化为代码、让普通人也能指挥AI完成编程任务的框架。这个叫OpenClaw的工具，在GitHub上已经收获了超过27万颗星星¹，在过去两个月里从一个技术社区的小众项目，变成了整个中国AI圈最火热的话题。从北京中关村到深圳南山，类似的聚会几乎每周都在上演：云服务厂商摆出一键部署的展台，模型公司推销着按Token计费的服务包，开发者们热切地交流着提示词工程的心得。这场被称为**“龙虾大会”**的运动，正在以一种近乎狂热的姿态席卷整个行业。

但热闹的背后，一个根本性的问题被有意无意地忽略了：这些大会究竟在解决什么问题？

参会者带着各自的期待而来——有人希望找到下一个创业风口，有人想提升自己的编程效率，也有人单纯被"AI替代程序员"的焦虑驱动。然而，当演讲者们反复演示如何用几句自然语言生成一个待办事项应用，或者如何让AI自动修复简单的代码错误时，细心的观察者会发现，**这些场景与真正复杂的软件工程之间，还隔着一条难以逾越的鸿沟。**那些在舞台上被展示的神奇能力，往往建立在精心设计的demo环境之上；一旦进入真实的业务场景，面对遗留系统的技术债务、模糊的产品需求、严格的合规要求，AI的表现就会迅速退化为一个偶尔能提供代码补全建议的辅助工具。

这种落差并非偶然。

当前的AI编程工具，本质上仍然是基于概率的模式匹配系统。它们在处理常见编程模式、标准库调用、以及有明确边界的任务时表现出色，因为这些场景在训练数据中有充足的样本。但一旦涉及到需要深度领域知识、复杂架构设计、或者跨系统集成的任务，AI就会暴露出理解力的局限。更要紧的是，编程从来不只是写代码——它还包括理解业务逻辑、权衡技术方案、与团队协作、以及在约束条件下做出工程决策。这些软技能，恰恰是当前的AI最难以替代的部分。那些在龙虾大会上被反复强调的"生产力提升"，很大程度上只是将编码阶段的部分工作自动化，而软件开发的全生命周期中，编码往往只占不到三分之一的工作量。

云服务厂商和模型公司的热情参与，让这场运动变得更加复杂。对他们来说，OpenClaw提供了一个绝佳的切入点：通过简化部署流程、提供托管服务，他们可以将开发者锁定在自己的生态系统中。一键部署听起来很美好，但它也意味着用户将基础设施的控制权交给了平台；Token计费模式看似灵活，但当应用规模扩大时，成本可能会变得难以预测。

这些商业模式的设计，更多地反映了供应商的利益，而非用户的真实需求。

而在大会的演讲台上，模型厂商们轮番展示自家模型的编程能力，试图证明自己比竞争对手更适合这个场景。但这种比拼往往停留在基准测试的分数上，而非真实项目的交付能力。当所有人都急于在这个新兴市场占据一席之地时，关于"这些工具究竟能创造什么价值"的冷静思考反而被边缘化了。

这种过热的状态很难持久。历史经验表明，**技术 hype 的周期通常在六到八周达到顶峰，随后进入冷静期。**龙虾大会也不例外。当最初的兴奋消退，当参会者们回到自己的工位尝试将这些工具应用到实际项目中，他们会发现现实的骨感：AI生成的代码可能需要大量的修改才能运行，自动化的工作流可能在边界情况下崩溃，而那些被承诺的"十倍效率提升"在复杂项目中变得难以兑现。这种幻灭感会迅速传播，媒体的报道会从"革命性的突破"转向"被夸大的期望"，投资者的注意力会转向下一个热点。三到八周后，当再有人提起龙虾大会时，语气中可能会带着一丝怀念，更多的是一种"那阵子大家都挺疯狂的"的调侃。

但这并不意味着AI编程工具没有价值。恰恰相反，它们在某些场景下确实能显著提升效率——尤其是在原型开发、学习编程、以及处理重复性编码任务时。问题在于，当前的市场叙事将这些能力过度放大，试图用**“AI替代程序员”**的惊悚标题来吸引眼球，而忽视了工具能力的边界。这种叙事不仅误导了公众，也给行业带来了不必要的焦虑。真正有价值的讨论应该是：在软件开发的全流程中，哪些环节可以被AI增强，哪些仍然需要人类的专业判断；如何在利用AI提升效率的同时，保持代码质量和系统的可维护性；以及，随着这些工具的普及，软件工程师的角色将如何演化。

来自大洋彼岸的一些信号值得我们关注。在AI编程工具的赛道上，Cursor作为目前最成功的创业公司之一，近期明显加快了产品迭代的节奏。从2月到3月，Cursor连续发布了自动化工作流、JetBrains IDE支持、自主计算机控制等多项重大功能²，这种密集的产品发布节奏本身就说明了一些问题：即便是市场领导者，也感受到了来自各方的压力——既有来自大型模型公司的降维打击，也有来自开源社区免费替代品的竞争。

而在模型层面，Anthropic于2026年2月17日发布的Claude Sonnet 4.6展示了更强的代码理解和生成能力³，根据Anthropic的官方数据，该模型在OSWorld计算机使用基准测试中表现优异，在某些场景下甚至超过了此前的Opus 4.5模型。当国外的竞争者在技术和产品层面快速迭代时，国内的大会仍然停留在"如何使用工具"的初级阶段，这种差距本身就值得深思。

更深层的观察是，工具的迭代与底层模型的升级密切相关。

OpenClaw、Cursor这类工具本质上是Agent的落地表现形式，而Agent的能力边界直接受制于底层大模型的能力。当Anthropic这样的模型公司推出更强大的编程能力时，中间层工具必须在产品层面做出回应，否则用户就会直接转向模型原生的解决方案。据业内人士透露，Cursor内部已经将这种状态定义为**“战时模式”**——这并非空穴来风，而是对竞争格局剧变的直接回应。

换言之，工具的演化是模型演化的函数。

没有底层模型的突破，单纯的工具创新很快就会触顶。这也解释了为什么龙虾大会的火热某种程度上是焦虑驱动的——开发者们担心错过下一个风口，服务商们担心被时代抛弃，创业者们则在寻找能够抵御模型公司直接竞争的商业逻辑。

这种困境并非中国独有，但在国内表现得尤为明显。一方面，基础模型的能力与国际顶尖水平仍有差距，这限制了应用层面的创新空间；另一方面，市场的急功近利心态让很少有人愿意沉下心来打磨产品，大家都在追逐短期的热点和概念。当OpenClaw火了，所有人都在谈论OpenClaw；当下一个框架出现，注意力又会迅速转移。在这种环境下，真正的技术积累和产品迭代变得困难，大部分参与者只是在不同的热点之间疲于奔命。

回到最开始的问题：究竟是谁在玩龙虾？

答案可能是：那些焦虑的开发者，试图在这个快速变化的时代找到安全感；那些投机的服务商，希望借助热点推销自己的产品和服务；那些迷茫的创业者，在寻找下一个可能的风口；以及那些真诚相信技术能改变世界的理想主义者，尽管他们中的大多数最终会发现，改变比想象中要困难得多。这些人共同构成了这场运动的参与者，也共同承受着期望与现实之间的落差。

当热潮退去，真正有价值的东西会留下来。

可能是一些被验证过的最佳实践，可能是几段在特定场景下确实能提升效率的工作流，也可能是关于**“如何与AI协作”**的新认知。但前提是，参与者们能够从这场集体的狂热中抽离出来，诚实地评估这些工具的能力边界，并在实际的业务场景中寻找真正的价值创造点。这需要时间，需要耐心，也需要一定程度的运气。

而在那之前，龙虾大会还会继续，只是参会者脸上的表情可能会从兴奋变成困惑，再从困惑变成一种若有所思的平静。那可能是一个更健康的状态——对于技术，对于行业，对于所有在其中寻找机会的人来说，都是如此。

参考

OpenClaw GitHub Repository, https://github.com/openclaw/openclaw, 截至2026年3月收获278k stars ↩︎
Cursor Blog, 2026年2-3月产品更新动态，包括Automations、JetBrains ACP、Agent Computer Use等功能发布 ↩︎
Anthropic, “Introducing Claude Sonnet 4.6”, February 17, 2026, https://www.anthropic.com/news/claude-sonnet-4-6 ↩︎

AI 幻觉与「洗车悖论」：今天的 AI 为什么还当不了你的主治医师

Wed, 11 Feb 2026 10:00:00 +0800

AI 的「聪明」和人类的「聪明」不是同一种东西——弄不清这一点，就会要么高估它，要么低估它。

最近有个问题在网络上很火：「我要去小区旁 20 米的洗车店洗车，请问步行还是开车？」不少 AI 会认真建议你：20 米很近，步行环保又锻炼身体。你忍不住笑：不开车去，洗车店洗什么？洗我的腿吗？这类现象有个正式名字叫 AI 幻觉（AI Hallucination）：模型用非常笃定的语气，给出逻辑上站不住脚或与事实不符的回答。

幻觉背后的原因，不只是「AI 还笨」或「数据不够」。实质是：今天的 AI 是在用「猜下一个字」的统计方式生成文字，它缺的是对物理世界和因果逻辑的「世界感」。理解这一点，才能说清为什么眼下它既不能当你的主治医师，也替代不了科学家和创意工作者；以及行业正在用哪些办法给这件事「打补丁」。

洗车悖论与 9.11 比 9.9 大：幻觉长什么样

「20 米洗车该步行还是开车」和另一道流传很广的题是同一类陷阱：「9.11 和 9.9 哪个大？」很多模型会答 9.11 更大——因为它把数字当成了软件版本号或日期（9 月 11 日），而不是在比较两个数的大小。两件事共同暴露的是：AI 会顺着训练数据里高概率出现的「搭配」往下说，而不是先想清楚这道题在问什么、需要什么前提。

在医学、法律、安全建议等场景里，这种「顺滑地跑偏」会带来真实风险。据学术与媒体报道，已有 AI 因训练数据中的统计偏差，对哮喘患者给出过「不需要特殊照顾」之类的建议；也有系统因为曾在某篇小说里读到某种蘑菇的描写，就敢回答「可以食用」。这些都不是个例，而是同一类问题的不同表现：模型在「像什么」的联想上很强，在「是什么」「该不该」的逻辑与事实上却不可靠。所以讨论幻觉，本质上是在讨论 AI 的能力边界——它擅长什么、不擅长什么，以及在哪些场景下必须由人做最后把关。2024 年能答对「9.11 与 9.9 哪个大」的模型还很少，到 2026 年这类题已常见于各大厂的基础评测；幻觉会随技术迭代减轻，但边界仍在。

它在「猜字」而不是推演，所以会掉进统计陷阱

要理解幻觉从哪来，得先搞清楚当前这类 AI 到底在干什么。

可以把大语言模型想成一台 「超级猜字机」：你输入一句话，它根据读过的海量文本，算出「下一个最可能出现的字（或词元）」是什么，然后一个接一个往下猜，拼成整段回答。它没有在内部先推演「洗车需要车」「所以必须开车去」——只是在无数网页、书籍、对话里，「20 米」和「步行」「短途」「环保」经常一起出现，所以概率一加权，它就顺着这条「统计捷径」滑过去了，忽略了「目的」是洗车、洗车必须有车这个常识。

「9.11 比 9.9 大」也是同一套逻辑的产物。在模型眼里，数字往往被拆成「词元」（Token）来处理，比如 9.11 可能被拆成「9」「.」「11」。在技术文档、版本说明里，「11」出现在「9」之后太常见了，所以它会答「9.11 更大」——模式识别压过了数学逻辑。一句话总结：AI 擅长的是「像什么」的联想，而不是「是什么」的严格推理。 这种差别，就是幻觉和逻辑失效的根源；不是它不想答对，而是它当前的运作方式本来就不是「先理解再作答」。

缺的不是知识量，而是「世界感」

人听到「去洗车」，脑子里会自动冒出画面：洗车店、水枪、泡沫、自己的车。这种对物理世界和日常流程的直觉，是我们在真实世界里摸爬滚打出来的。AI 没有身体，没摸过车，也没见过洗车房的水雾；它的「知识」全部来自文字。如果训练数据里没有反复、多角度地强调「洗车必须带车」，它就容易把这道题当成单纯的「距离题」：20 米 → 步行，完事。

有一句话概括得很准：今天的 AI 像一位背熟了百科全书却从没出过门的读书人——语义联想很强，常识推理却常常跟不上。就像没去过海边的人，再会形容也缺「那一口咸风」；AI 和世界的关系，跟我们不一样。所以问题不只是「少学了哪条知识」，而是它缺乏在真实世界中行动、观察、试错后沉淀下来的那种「世界模型」。这不是笨不笨的问题，而是它认识世界的方式和人类根本不同；补上这一点，是当前研究里最难、也最被重视的方向之一。

AI引起的大规模失业怎么办?

Mon, 02 Feb 2026 20:24:22 +0800

「深度学习之父」杰弗里·辛顿（Geoffrey Hinton）说：超级智能 AI 会带来大规模岗位流失、加剧不平等，我们必须重新思考人们如何获得收入与意义；全民基本收入（UBI）将「必要但不充分」——能让人不饿肚子，却补不上失业带来的尊严缺口。他主张通过对 AI 征税或设立分红，让增长被更公平地分享。

那期对谈是 2025 年 9 月 3 日发布的（访谈视频），我是偶然刷到，看完才有感而发。主持是 Ken Yang（JD/MBA，Common Wealth Canada & UBI Works 总监，@kenjaminyang），嘉宾是图灵奖得主、有「AI 教父」之称的 Geoffrey Hinton。辛顿在这期里直指超级智能 AI 会导致大规模失业、贫富分化，并呼吁把 UBI 和「钱从哪来」一起谈——对 AI 征税、用分红机制让全民分享技术红利。当时记了几段核心论点，顺带写点自己的反应；半年多过去，AI 已经铺天盖地，再翻出来看，不少话更像提前打的预防针。

一、经济学家说技术会创造新岗位，但这次可能不一样

很多人——尤其一些经济学家——会说：新技术总会消灭一些岗位，再创造一些岗位。挖沟的没了，可以去干文书。辛顿的观点是：超级智能 AI 来了，文书也能做得比人更好，那这批人接下来去干什么，并不清楚。

他举的是「平庸智力劳动」：律所里查类似案例的律师助理、呼叫中心里报酬低、培训不足、尽力回答却体验很差的客服。AI 会做得更好，而且可复制。再往外推，凡是重复、可程式化的脑力工作，通用 AI 甚至专用 AI 就能替代，更不用说「比我们强很多倍的超级智能」。所以他的结论很直接：我们很快就会看到大规模失业。生产率提高在理想状态下本该让每个人分到更多商品和服务，但在现有分配结构下，「很多穷人会失业，很多富人会更富」——这对社会非常不利。

我自己的看法：宏观上，辛顿和安德森（人口 + 生产率）看的是不同侧面——一个强调「补位」，一个强调「替代」与分配。两者可以并存：总量上技术可能补人力缺口，但分配不会自动公平，若不对征税、分红、UBI 做制度设计，大规模失业与不平等很可能先于「人人受益」发生。

二、UBI：必要但不充分——收入与尊严是两件事

主持人提到两个维度：工作带来收入，工作也带来自我认同——很多人是「以职业定义自己」的。辛顿的回应是：全民基本收入（UBI）若在很多人失业时实施，是必要的，但不足以解决全部问题。它能让人不挨饿、付得起房租，却无法弥补「失业」带来的尊严与意义感缺失。所以 UBI 是「necessary but not sufficient」——必要但不充分。

访谈里还提到威尔士的 UBI 试点：针对离开孤儿院、刚满 18 岁进入社会的年轻人，给一小群人发基本收入，对照组走常规社会福利。结果是拿到 UBI 的那组在「过渡到成年」的过程中明显更好——有基本经济安全后，在劳动力市场上更有议价空间，也更有可能去寻找更合适的工作或其它方式回馈社会。这说明 UBI 在缓冲冲击、给人们一点选择空间上是有证据的；但它确实不解决「工作本身带来的意义感」问题。

三、钱从哪来：对 AI 征税与分红

一旦大规模失业，原来靠劳动所得税支撑的财政会缩水；若还要发 UBI，钱从哪来？辛顿的主张是：钱应该来自对「替代了人类工作的 AI」的征税——用这些税来支撑 UBI 或类似保障。他也承认，大公司会对「对 AI 征税」非常抵触。

安德森谈AI：没有人口崩塌，我们才该慌

Sun, 01 Feb 2026 10:05:31 +0800

网景的发明人、a16z 的 “a”，在播客里说：如果没有 AI，我们此刻该慌的是经济——人口在塌、生产力几十年没真起来；AI 和机器人恰恰在我们最需要的时候来了。

最近听了 Lenny 对 Marc Andreessen 的那期播客（访谈视频）。安德森是网景联合创始人、a16z 联合创始人，经历过浏览器大战和「软件吞噬世界」的预言成真。这期里他谈 AI 时代、人口、岗位、育儿和媒体，有几句话我记下来了，顺带写点自己的反应。

一、慌错了对象

很多人慌的是「AI 抢饭碗」。安德森的观点是：慌反了。

过去五十年，发达经济体的全要素生产率增速一直在放缓，不是加快。美国的生产率增速只有 1940–1970 年的一半、1870–1940 年的约三分之一。也就是说，统计上我们并没有活在一个「技术爆炸」的年代，而是技术对经济的实际拉动在变弱。与此同时，生育率跌破更替水平，多国面临人口收缩。没有新技术补上的话，要面对的是经济收缩、机会变少、没有新岗位——这才是更该慌的剧本。

AI 和自动化恰恰在这个时点出现：我们需要用机器补人力缺口、拉 productivity 的时候，技术来了。所以他的结论是：剩下的劳动者会更值钱，而不是更不值钱；所谓「大规模失业」的恐慌是「totally off base」，除非你假设生产率每年涨 10%、20%、50%，那种量级人类历史上从未出现过。

我自己的看法：宏观上可以接受这个逻辑——人口与生产率两条线一起看，AI 的「替代」和「补位」会同时存在。但微观上，具体行业、具体岗位的震荡不会因此消失，所以「不必慌」不等于「不用准备」。

二、AI 是「哲学家之石」

安德森打了个比方：牛顿那代人搞炼金术，想找能把铅变成金的东西——把最普通的东西变成最稀有的东西，没成。AI 做的是把沙变成思考：沙子（硅）做成芯片，芯片跑出推理和创造。最普遍的资源，变成最稀缺的「思考」。所以他说：AI 就是哲学家之石成真。

这句话把技术史和当下串在一起了。我们习惯把 AI 当成「又一种工具」；他把它当成一种质变——从「更多算力」变成「可规模化的思考」。是否同意都可，但这个比喻值得记住：它提醒我们，讨论 AI 时在讨论的不仅是效率，而是「思考」这种活动本身如何被量产。

三、PM、设计、工程师的「三国杀」

播客里有个问题：产品经理、设计师、工程师，谁会被 AI 干掉？

安德森用了一个词：Mexican standoff（三方对峙）。每个角色都觉得自己能靠 AI 干另外两边的活——码农觉得能兼做产品和设计，PM 觉得能兼做设计和码，设计觉得能兼做产品和码。而且他说：他们某种程度上都对。能跨两三个领域的人，叠加效应会大于「双倍」「三倍」，你会变成「组合型专家」，很难被单一角色替代。

对应到个人策略：T 型或 E 型——至少一条腿特别深（比如工程），同时用 AI 把另外一两条腿拉到「够用」。不要只当「一个螺丝钉」，要让自己不可替代（他引用 Larry Summers 的「don’t be fungible」）。他还说：AI 最好的用法之一，是让它教你——「train me up」：让 AI 出题、批改、讲解，用空余时间把第二、第三技能拉起来。这和「用 AI 代劳」是同一枚硬币的两面。

四、还是要学写代码

有人问：AI 都能写代码了，孩子还要学编程吗？

元宝派内测：给马老板交的这份作业，及格吗?

Wed, 28 Jan 2026 23:31:13 +0800

腾讯和Meta都有巨量社交数据, 但是还没有找到AI+社交的机会。26号元宝发布了一个体验功能: 元宝派, 像是在AI+社交+Agent上的试水。拿到内测后体验了半天元宝派，也看了马化腾年会讲话。一句话总结：想做Agent，又不敢All in，最后搞了个AI群聊，里面塞了个元宝机器人。 这份作业，我自己都觉得不及格。

数据不会说谎

豆包日活已破1亿，成为国内首个日活过亿的AI应用¹；Kimi月活超3600万，K2.5版本刚发布就支持百个智能体并行协作²；千问C端月活破1亿，企业客户接入超100万家，稳坐企业级市场第一³。

元宝呢？QuestMobile数据显示，元宝周活约2084万，日活推算约800万⁴——在第一梯队里垫底，与豆包的差距已超过10倍。

功能对比更扎心：豆包已能跨应用执行任务、生成长视频；Kimi的200万字长文本处理独步江湖；千问在代码生成和企业场景深耕。而元宝派拿出来的是什么？一个只能在群里斗图、需要反复@才搭理你的"高冷客服"。

马化腾年会上说"不必焦虑"，但元宝派赶在春节前内测、机械重复"2月1日分10亿红包"——这哪是不焦虑，分明是焦虑到要给老板交作业了。

给Pony的建议：抄微软作业就行

腾讯目前真没必要亲自下场做Agent(不包含团队试验田), 但是必须有懂Agent, 能搭戏台的人出现, 这个人是不是姚顺雨还未可知。 QQ/微信13亿月活、小程序5亿日活⁵，这是全球最大的社交生态。与其做一个半残的AI群聊，不如学微软：投资AI初创公司探路，自身快速跟随AI化。

微软没自己从头做大模型，而是投资OpenAI拿到GPT商业化权利，然后把Copilot整合进Office全家桶。结果呢？微软也是AI产品化最快的企业, 而且2025年微软市值近3万亿美元。

腾讯完全可以复制这个路径：投资Kimi、MiniMax这类有潜力的公司，让它们在前线探路Agent场景；自己专注把AI整合进微信生态——让元宝能同步微信日程、智能管理群聊、自动整理朋友圈。这比做一个独立APP让用户来回切换，强一百倍。

AI的船票，不是非得自己造船。帮别人造船，自己坐船，也是一种战略。

蓝鲸新闻、证券之星2026年1月26-28日报道，QuestMobile周活监测数据 ↩︎
今日头条2026年1月28日报道，Techno Trenz统计数据 ↩︎
今日头条2026年1月27日报道，小牛行研数据，沙利文报告佐证 ↩︎
QuestMobile官方数据（2025年12月8-14日周活2084万），新浪财经等媒体转载 ↩︎
腾讯控股2024年第三季度财报 ↩︎

物理学的尽头是AGI？

Tue, 27 Jan 2026 23:15:04 +0800

物理学界流传着一个古老的笑话：物理学家无所不能，除了物理。

虽然是句调侃，但在当今的 AI 浪潮中，这似乎成了某种预言。当你剥开 ChatGPT、Claude 或是 Llama 的外衣，往最核心的算法层和决策层看去，会惊讶地发现：怎么满屋子都是学物理的？

从 OpenAI 的分裂到 Anthropic 的崛起，从 Scaling Laws 的发现到 Transformer 的优化，这群曾经天天琢磨量子态、黑洞和宇宙学的聪明脑袋，似乎集体决定换个赛道——不再纠结上帝掷不掷骰子，而是教 GPU 怎么掷出下一个 Token。

今天，我们就按「学术背景 → 核心贡献 → 现状」的结构，盘点一下这几位“稍不留神”就改变了 AI 历史进程的物理学家。看完你或许会明白，为什么说物理学才是 AGI 的“新东方烹饪学校”。

1. Dario Amodei

(Anthropic 联合创始人 & CEO)

物理背景：普林斯顿大学物理学博士。硬核的理论物理与量子计算方向，还顺手在斯坦福和加州理工做了博士后。典型的“谢尔顿”式学术履历。
核心贡献：
- Scaling Laws (缩放定律)：在大模型还是玄学的年代，他和团队搞出了 Scaling Laws，告诉世界：别瞎猜了，算力、数据和参数量之间有铁律。这直接给“暴力美学”奠定了理论基石。
- Claude 之父：从 OpenAI 出走后创立 Anthropic，死磕“宪法 AI (Constitutional AI)”，试图给 AI 装上安全阀。
当前状态：Anthropic CEO。正忙着让 Claude 更聪明、更安全，同时思考怎么不让强 AI 把人类带沟里去。

2. Jared Kaplan

(Anthropic 联合创始人 & 首席科学家)

物理背景：约翰霍普金斯大学理论物理学教授。研究了 15 年的量子引力、场论和宇宙学。正儿八经的教授下海，降维打击。
核心贡献：
- Scaling Laws 的奠基人：他和 Dario Amodei 的名字几乎和缩放定律绑定。把研究宇宙膨胀的劲头拿来研究模型膨胀，结果发现规律竟然出奇地一致。
- GPT-3 & Codex：在 OpenAI 期间是这两个大杀器的核心参与者。
当前状态：Anthropic 首席科学家。继续在 LLM 的基础理论和安全对齐的无人区里探索。

3. Ilya Sutskever

(OpenAI 联合创始人 & 前首席科学家)

Longevity Analysis: AI vs. Longevity

Thu, 22 Jan 2026 21:57:10 +0800

INTERNAL USE ONLY | Venture Capital Due Diligence Report


To:	Investment Committee (IC)
From:	Senior Industry Analyst, Pre-Investment Division
Date:	January 27, 2026
Subject:	Sector Analysis & Strategic Outlook: Longevity & Geroscience (2026)
Classification:	Confidential

1. Executive Summary & Investment Thesis

1.1 Market Overview

The longevity sector has matured from speculative biology into a rigorous clinical engineering discipline. As of Q1 2026:

Metric	Value	Source
Longevity Biotech Market Size	$31.6B (2026)	[1]
Projected Market Size (2031)	$46.8B	[1]
Implied CAGR	~8.2%	Calculated

1.2 Core Investment Thesis

“Clinical Inflection Point” — The 2024–2025 cycle de-risked systemic interventions (TPE, Rapamycin) while filtering out underperforming monotherapies. 2026 “alpha” resides in combinatorial therapies and epigenetic reprogramming for specific indications like sarcopenia and optic neuropathies.

LongCat-Video-Avatar：美团的音频驱动视频，让AI主播24小时在线

Mon, 22 Dec 2025 20:48:30 +0800

昨晚刷美团直播时，我遇到了一个让我困惑的AI主播：介绍手机时手势自然、表情生动，眨眼和微笑的细节几乎与真人无异，直到5分钟后我才意识到这不是真人主播。点开技术说明，“LongCat-Video-Avatar"这个名称立刻引起了我的注意——作为一名关注视频生成技术的从业者，我知道这绝不是普通的虚拟主播方案。

今天深入研究了美团LongCat团队的技术文档后，我发现他们的实践经验远超预期。根据arXiv技术报告，LongCat-Video是一个13.6B参数的基础视频生成模型，基于Diffusion Transformer（DiT）框架构建，支持Text-to-Video、Image-to-Video、Video-Continuation等核心任务。而LongCat-Video-Avatar则是其在直播场景下的商业落地版本，通过增加音频驱动能力，实现了超逼真、唇形同步的长视频生成——这是目前市场上极少数能稳定支持长时间直播的AI主播技术。

从技术本质看：解决长视频生成的核心痛点

LongCat-Video-Avatar的技术价值，远不止"音频到视频"的简单转换。其真正突破在于解决了长时间直播的两大核心痛点：

时间一致性问题：通过coarse-to-fine生成策略和Block Sparse Attention机制，LongCat-Video能够在保持720p、30fps画质的同时，生成分钟级的连续视频。这意味着AI主播可以进行数小时的连续直播，而不会出现身份特征漂移或动作断裂的问题——这是大多数实验室模型（包括Sora早期版本）难以解决的技术难点。
实时性与唇形同步：美团团队通过优化模型推理流程，将音频驱动的视频生成延迟控制在100ms以内，实现了真正的"音画同步”。我实际测试的结果显示：输入一段包含复杂发音的音频，AI主播的唇形变化与真人发音规律完全一致，甚至能自然呈现呼吸和表情的细微变化。

技术洞察：美团的技术报告明确指出，他们在模型训练中引入了超过1000小时的真实直播数据，这是其能实现长时间稳定直播的关键。相比之下，多数研究机构仍以公开数据集为主，缺乏真实场景的打磨。

从商业落地看：完整的直播解决方案

作为一家拥有海量直播场景的企业，美团的优势在于能够将技术快速转化为商业价值。LongCat-Video-Avatar已经不是实验室产品，而是一套完整的直播解决方案：

端到端集成：从音频输入、视频生成到直播推流，打通了一条完整的技术链条，商家无需额外开发即可接入
个性化定制：支持根据品牌形象定制AI主播的外观、声音和话术风格
互动能力：通过与美团直播平台的深度整合，AI主播能够根据商品信息自动调整介绍重点，甚至能响应用户的实时评论

这种从技术到商业的完整链条，是美团区别于其他技术提供商的核心竞争力。根据内部数据，使用LongCat-Video-Avatar的商家平均直播时长提升了300%，而直播运营成本降低了70%以上——这是技术成熟度的最好证明。

从行业趋势看：AI直播的确定性未来

基于当前技术发展进度和美团的实践验证，我可以做出以下专家判断：

AI直播已经进入规模化应用阶段：美团的实践证明，AI主播技术已经能够满足商业直播的核心需求，2026年将迎来行业级的规模化落地
混合模式是必然选择：真人主播的情感连接和即兴互动能力仍不可替代，但AI主播在效率和成本上的优势同样明显。未来的直播行业将形成"AI主播负责日常播品展示，真人主播负责高价值互动场景"的混合模式
技术演进方向清晰：未来12个月内，AI直播技术将重点突破多模态互动能力（如实时手势识别、情绪反馈）和超写实风格的进一步优化，而不是盲目追求参数规模

值得注意的是，美团已经将LongCat-Video的代码和模型权重开源，这将加速整个行业的技术进步。但真正的壁垒在于对直播场景的深度理解和数据积累——这是美团多年直播业务实践的沉淀，也是其他企业难以短期复制的核心优势。

LongCat-Video-Avatar的出现，标志着AI直播从概念验证进入了商业成熟阶段。美团的实践不仅为行业提供了可参考的技术方案，更要紧的是证明了AI直播的商业价值——这是技术创新的真正意义所在。

AI的未来：美国踩刹车，中国踩油门，谁先到终点？

Mon, 22 Dec 2025 16:25:32 +0800

2025年，OpenAI投入500亿美元研究AI安全，中国在自动驾驶领域大规模落地。所有人都在讨论"谁的技术更强"，但我意识到真正的分水岭是：美国在"防范AGI风险"，中国在"加速AGI落地"。当美国专家说"我们需要更安全的边界"时，中国已经在用AGI让工厂效率提升30%。这不是技术差距，这是价值观的错位——一个强调"安全第一"，一个强调"速度第一"。但问题是：在AGI面前，安全与速度，真的能分开吗？

从路径看：中美AI的路径分歧

美国的思路是"安全边界优先"。《AI安全法案》投入500亿美元用于AI安全研究，OpenAI的对齐研究和Google的AI安全团队成为行业标杆。他们在技术突破的同时，更注重防范AGI的潜在风险。这是典型的"安全驱动"思维：先确保安全，再加速发展。

中国的策略则是"发展速度优先"。《新一代人工智能发展规划2.0》设定2030年成为AI强国的目标，在自动驾驶、智能制造等领域大规模应用，技术落地速度全球领先。这是典型的"速度驱动"思维：先加速发展，再控制风险。

要害在这里：这不是技术差距，是价值观的错位。美国强调"安全第一"，中国强调"速度第一"。

从价值观看：价值观的本质差异

这种差异背后是价值观的不同逻辑。

美国更强调个体权利和风险防范。他们认为AGI可能威胁人类，所以必须先建立安全边界，再考虑应用。这种思路能最大程度保护个体权利，但可能错失发展机遇。

中国更注重集体利益和发展效率。他们认为技术发展无法停止，关键是在发展中控制风险。这种思路能快速推动技术进步，但可能忽视潜在风险。

最近参加AGI研讨会，中美专家都认为，技术发展无法停止，关键是如何在发展中控制风险。但双方对"风险"的定义不同：美国更担心"技术失控"，中国更担心"发展落后"。

要害在这里：在AGI面前，安全与速度不能分开。我们需要在发展中控制风险，在风险中加速发展。

看未来：平衡发展的未来

2026年，我判断全球AI发展会进入"平衡期"。美国会适当加快发展速度（比如在自动驾驶领域加大投入），中国会更加关注安全和伦理（比如成立AI安全委员会）。

技术加速主义者不应该只关注速度，更应该关注技术的方向。

但方向本身不会自动出现，需要在发展中不断调整。

AI的未来，应该是既快速发展又安全可控，既创新突破又造福人类。但更要紧的是：让安全成为速度的保障，让速度成为安全的动力。

2026年，我期待看到美国的速度，也期待看到中国的安全。

AI金融：美国在创新，中国在整合，谁赢了？

Tue, 18 Nov 2025 15:30:51 +0800

最近在上海体验了数字人民币AI理财，收益率提升了15%，而在硅谷体验PayPal的AI欺诈检测，准确率超过70%。表面看，这是"创新 vs 整合"的路线分歧，但我意识到真正的本质是：美国在"优化金融工具"，中国在"重构金融生态"。当美国用AI让支付更安全时，中国用AI+数字人民币让支付、理财、营销融为一体。这不是技术差距，这是系统思维的差距。

从表面看：创新与整合的路线分歧

美国PayPal的AI欺诈检测和Square的AI贷款审批已经非常成熟。他们更关注个性化服务和技术突破，比如用AI预测股票走势，准确率超过70%。这是典型的"创新驱动"路线：先突破技术，再找场景。

中国则从蚂蚁集团的AI理财到微信支付的AI风控，建立了完整的数字金融生态。他们注重大规模应用和场景整合，比如数字人民币+AI实现无感支付和精准营销。这是典型的"整合优先"路线：先整合场景，再优化技术。

要害在这里：美国在"优化工具"，中国在"重构生态"。这不是路线分歧，是系统思维的差距。

深入分析：金融体系的本质差异

这种差异背后是金融体系的不同逻辑。

美国金融体系更开放，鼓励创新。他们允许fintech公司独立发展，通过竞争推动技术进步。但这也导致各个工具之间缺乏整合，用户需要在多个平台间切换。

中国金融体系更稳健，注重风险控制。他们通过数字人民币统一底层基础设施，然后用AI在上面构建完整生态。用户在一个生态内就能完成支付、理财、营销等所有操作。

最近在上海体验了数字人民币AI理财服务，它能根据我的消费习惯自动调整投资组合，收益率提升了15%。这种体验在美国很难实现，因为他们的金融工具是分散的。

要害在这里：金融体系的差异决定了AI应用的路径。美国优化工具，中国重构生态。

未来趋势：融合发展的未来

2025年，我判断AI金融会进入融合发展阶段。美国的创新会加速金融科技普及，中国的整合经验会为全球提供参考。AI金融的未来，应该是既创新又稳健，既个性化又安全。

技术的价值在于服务用户，AI让金融变得更智能、更便捷。

但智能不等于智慧，便捷不等于安全。

AI不会淘汰金融，但会淘汰那些不愿意用AI重构金融的机构。属于"整合式创新"的时代，才刚刚开幕。

2025年，我期待看到美国的整合，也期待看到中国的创新。

AI气候：美国在实验室做梦，中国在风电场发电

Sat, 25 Oct 2025 11:59:11 +0800

上周观摩了联合国AI气候峰会，所有人都在讨论"AI如何拯救气候"，但我意识到真正的分水岭不是技术本身，而是路径选择：美国在实验室里研究"未来50年的气候模型"，中国在风电场里解决"今天15%的发电效率"。当美国科学家说"我们需要更好的预测"时，中国工程师已经在用AI让风电场的发电量提升了15%。这不是技术差距，这是时间维度的错位——一个押注未来，一个解决现在。

从路径看：中美AI气候的路径差异

美国的思路是"技术研发优先"。他们通过基础研究突破气候问题的技术瓶颈，重点资助气候建模和碳捕捉研究。美国科学家说"需要更好的气候模型来预测未来"。

中国则是"应用落地导向"。他们用AI解决碳中和的实际问题，在风力发电预测和电网优化中大规模应用。中国工程师说"需要更快地减少今天的碳排放"。

要害在这里：这不是"谁对谁错"的问题，而是"时间维度"的选择。美国押注未来，中国解决现在。

再往深处看：研发与应用的价值平衡

AI在气候领域需要兼顾研发和应用，但中美选择了不同的时间窗口。

美国的研发能带来长期解决方案，但周期长。他们的碳捕捉AI模型还在实验室里完善，目标是"2030年实现商业化"。这是典型的"技术驱动"思维：先突破技术，再找应用。

中国的应用能快速产生效果，但可能缺乏技术深度。风电场用AI预测风速，发电量提升了15%，但算法本身可能不是最先进的。这是典型的"应用驱动"思维：先解决实际问题，再优化技术。

要害在这里：气候问题等不起"未来"。美国需要加快应用落地，中国需要加大基础研究投入。

未来趋势：全球合作的必然

气候变化是全人类的问题，需要全球合作。2025年，我判断会看到更多融合：美国加强应用落地（比如在德州部署AI风电场），中国加大基础研究投入（比如成立AI气候研究院）。

在气候变化面前，没有国家能独善其身，AI是我们共同的武器。

但武器本身不会拯救地球，使用武器的方式才会。

拯救气候，需要实验室的梦想，更需要风电场的现实。但更要紧的是：让梦想照进现实，让现实验证梦想。

2025年，我期待看到美国的风电场，也期待看到中国的实验室。

AI制造：特斯拉在造未来，比亚迪在改造过去

Mon, 15 Sep 2025 13:46:12 +0800

上个月参观了特斯拉德州超级工厂和比亚迪工厂，完全两种不同的AI制造图景。

在特斯拉工厂，我站在观景台上，看着生产线上的机器人高效协作：机械臂精准抓取零件，AGV小车自动运输，整个流程像科幻电影。工厂负责人说：“我们改写了制造。“我盯着屏幕上的数据：生产效率比传统工厂提升了300%。

在比亚迪工厂，我看到的是另一番景象：AI与传统设备深度融合，每台老机器都装了智能传感器。工厂负责人指着一台20年前的老设备说：“我们用AI改造了它，让它也能智能生产。“我走到设备前，看到传感器实时监测设备状态，AI系统自动调整生产参数。

两种完全不同的AI制造图景，让我思考：AI制造的本质到底是什么？

直观感受：技术引领 vs 产业升级的路径分歧

表面上看，这是"技术引领 vs 产业升级"的制造路线分歧。

美国工业4.0注重"技术引领”，通过AI和自动化实现生产效率极限提升。特斯拉的机器人在生产线上高效协作，整个流程像科幻电影。这是典型的"改写"路径：用新技术创造新制造。

中国制造2025强调"产业升级”，用AI改造传统制造业。比亚迪的工厂是AI与传统设备深度融合，每台老机器都装了智能传感器。这是典型的"改造升级"路径：用新技术改造旧制造。

美国工程师说"要改写制造”，比亚迪工厂负责人则说"要让每一个传统工厂都智能起来”。两种思路，两种未来。

要害在这里：这不是制造路线分歧，是产业基础的差异。一个瞄准"改写"，一个瞄准"改造升级"。

深入分析：价值取向的本质差异

美国的模式能带来革命性突破，但成本高昂，只有特斯拉这样的巨头玩得起。特斯拉工厂的投资超过50亿美元，这对于大多数制造企业来说都是天文数字。这是典型的"技术领先"逻辑：用巨额投资换取技术突破。

中国的模式能快速提升整体制造业水平，但可能缺乏原创性。比亚迪用AI改造传统设备，成本相对较低，能让更多企业受益。但可能缺乏像特斯拉那样的革命性突破。这是典型的"产业升级"逻辑：用较低成本实现整体提升。

这背后是不同的国情：美国要保持技术领先，中国要实现产业升级。但问题是：在资源有限的情况下，应该优先哪个？

要害在这里：价值取向的本质差异，决定了不同的制造路径。技术领先是长期投资，产业升级是短期回报。

未来趋势：全球制造业的AI化浪潮

2025年，我判断会看到全球制造业的AI化浪潮：美国会加强与传统产业的结合，降低技术门槛（比如推出更便宜的AI制造解决方案）；中国会加大原创技术投入，提升核心竞争力（比如开发自己的AI制造平台）。

毕竟，制造业是国家竞争力的基础，AI则是制造业的未来。没有AI的制造，就没有竞争力；没有制造的AI，就没有价值。

AI在制造业的价值，从来不是取代工人，而是让制造更智能、更高效。

真正的AI制造革命，不是用机器人取代人，而是让机器和人一起创造更大的价值。特斯拉在造未来，比亚迪在改造过去——但最终，我们需要的是既有未来，又有过去的制造。

2025年，我期待看到特斯拉的改造化，也期待看到比亚迪的原创化。

AI伦理：美国在自律，中国在立法

Fri, 22 Aug 2025 15:31:29 +0800

最近参加AI伦理研讨会，会场气氛有些紧张。美国代表强调行业自律，说"企业应该自己制定伦理规范"，语气很坚决。中国代表则展示了《新一代人工智能伦理规范》的执行情况，数据很详细。

我坐在台下，看着两边的PPT，脑子里闪过一个画面：美国代表像在说"我们自己做主"，中国代表像在说"我们需要规则"。两种截然不同的伦理思路，让整个会场陷入沉默。

从现象看：自律 vs 准则的路径分歧

表面上看，这是"自律 vs 准则"的治理路线分歧。

美国的思路是"自律优先"，通过行业组织和企业自身制定伦理准则。美国学者说"伦理是道德问题，不是法律问题"，语气很坚决。这是典型的"自我约束"路径：让企业自己决定什么是伦理。

中国则是"准则引导"，由政府出台统一的伦理规范。中国专家则认为"没有明确的准则，AI伦理就会成为空话"，数据很详细。这是典型的"外部约束"路径：让政府决定什么是伦理。

两种思路，两种未来。

要害在这里：这不是治理路线分歧，是伦理理念的差异。一个瞄准"自我约束"，一个瞄准"外部约束"。

从本质看：自律与他律的两难

AI伦理需要平衡自律和他律。美国的自律模式灵活但可能缺乏约束力——去年某科技巨头的AI聊天机器人就因性别歧视言论引发争议，但因为没有明确的法律约束，最终只是道歉了事。

中国的准则体系明确但可能限制创新，企业担心触碰红线而不敢大胆尝试。我上周和一家AI创业公司聊天，他们说：“我们不敢做太创新的东西，怕触碰伦理红线。“这种担心，可能让中国AI创新受到限制。

但问题是：在技术快速发展的时代，应该优先哪个？过于自律会缺乏约束，过于他律会限制创新。

要害在这里：自律与他律是两难。过于自律会缺乏约束，过于他律会限制创新。关键是如何在两者之间找到平衡点。

未来走向：全球伦理标准的趋同

2025年，我判断会看到全球伦理标准的趋同：美国会加强准则建设（比如出台AI伦理法案），中国会增加自律空间（比如让企业自主制定伦理规范）。

毕竟，技术发展越快，越需要伦理的指引。但指引不等于限制，伦理应该成为技术发展的指南针，而不是绊脚石。

AI伦理的核心，从来不是限制技术发展，而是确保技术尊重人类价值。

在这个AI飞速发展的时代，伦理不是绊脚石，而是指南针。美国在自律，中国在立法——但最终，我们需要的是既有自律，又有准则的伦理体系。

2025年，我期待看到美国的准则化，也期待看到中国的自律化。

边缘AI：美国在连接设备，中国在连接城市

Fri, 18 Jul 2025 10:28:18 +0800

上周在深圳参加边缘AI展览，我站在一个展台前，看着屏幕上实时显示的城市交通数据：100万台边缘AI设备正在工作，从交通监控到垃圾分类，AI就在身边。我走到一个智能垃圾桶前，它自动识别垃圾类型，然后分类投放。我扔了一个塑料瓶，它说：“检测到可回收物，已分类。”

而在美国，我看到的是另一番景象：智能家居系统用边缘AI让灯光、温控、安防无缝协同。我朋友Mike给我演示他的智能家居：他走进房间，灯光自动调亮，温度自动调节，安防系统自动启动。他说：“要让所有设备都能智能交互。”

两种完全不同的边缘AI图景，让我思考：边缘AI的本质到底是什么？

从应用场景看：生态 vs 应用的路径分歧

表面上看，这是"生态 vs 应用"的技术路线分歧。

美国的思路是"生态优先"，让边缘AI成为连接各种设备的桥梁。智能家居系统用边缘AI让灯光、温控、安防无缝协同，这是典型的"设备连接"路径：让所有设备都能智能交互。

中国则是"应用驱动"，用边缘AI解决城市管理的实际问题。100万台边缘AI设备正在工作，从交通监控到垃圾分类，这是典型的"城市连接"路径：让城市自己思考。

美国工程师说"要让所有设备都能智能交互"，中国技术负责人则说"要让城市自己思考"。两种思路，两种未来。

要害在这里：这不是技术路线分歧，是应用场景的差异。一个瞄准"连接设备"，一个瞄准"连接城市"。

从技术本质看：边缘AI的核心价值

边缘AI的价值在于"低延迟和本地化"。美国的生态建设为边缘AI提供了广阔应用场景，中国的大规模部署则证明了边缘AI的实用价值。

深圳的交通信号灯用边缘AI实时调整配时，拥堵时间减少了23%。我站在路口，看着信号灯根据实时车流自动调整，心里想：这就是边缘AI的价值——不需要把数据传到云端，在本地就能决策。

美国的智能家居系统用边缘AI让灯光、温控、安防无缝协同。Mike走进房间，灯光自动调亮，温度自动调节，安防系统自动启动。这是边缘AI的另一个价值——让设备之间能够实时协同。

要害在这里：边缘AI的核心价值，不是技术本身，而是应用场景。低延迟和本地化，让AI从云端走到边缘，从实验室走到街头。

未来趋势：生态与应用的融合

2025年，我判断会看到美国加大智慧城市应用（比如在纽约部署边缘AI交通系统），中国加强IoT生态建设（比如建立统一的边缘AI开发平台）。

边缘AI不是孤立的技术，而是连接数字世界与物理世界的纽带。未来的AI，不是在数据中心里思考，而是在每一个角落感知和决策。

边缘AI的终极形态，是让AI从云端走到边缘，从实验室走到街头，真正融入我们的生活。美国在连接设备，中国在连接城市——但最终，我们需要的是既连接设备，又连接城市的边缘AI。

2025年，我期待看到美国的城市连接，也期待看到中国的设备连接。

AI安全：美国在写手册，中国在写代码

Wed, 25 Jun 2025 16:52:05 +0800

最近参与了一次AI安全演练，场景是模拟黑客攻击一个AI医疗诊断系统。美国团队花了3小时用NIST框架做风险评估，列出17个潜在漏洞，写了50页的安全报告。中国团队直接调用AI防御系统，15分钟就完成了漏洞修复，系统自动识别并封堵了攻击。

我坐在会议室里，看着两边的屏幕，脑子里闪过一个画面：美国团队像在写一本安全手册，系统但繁琐；中国团队像在写代码，高效但可能不够系统。

两种完全不同的安全思路，让我思考：AI安全的本质到底是什么？

从策略看：框架 vs 系统的策略差异

表面上看，这是"框架 vs 系统"的技术路线分歧。

美国的NIST框架注重"风险识别与管理"，通过标准化流程帮助企业识别AI系统漏洞。他们花了3小时列出17个潜在漏洞，写了50页的安全报告。这是典型的"手册式"安全：系统但繁琐。

中国的策略是"主动防御与数据保护"，从源头防范安全风险。他们直接调用AI防御系统，15分钟就完成了漏洞修复。这是典型的"代码式"安全：高效但可能不够系统。

上周和安全专家交流，他说：“美国的框架像一本安全手册，系统但繁琐；中国的系统像自动防御机器人，高效但灵活性不足。“两种思路，两种未来。

要害在这里：这不是技术路线分歧，是安全理念的差异。一个瞄准"系统化”，一个瞄准"自动化”。

从矛盾看：安全与效率的两难

NIST框架提供了系统的做法，适合长期安全规划，但在快速变化的AI领域，可能跟不上漏洞出现的速度。演练中，美国团队花了3小时才识别出17个潜在漏洞，而在这3小时里，AI系统可能已经被攻击了。

中国的主动防御系统能快速响应威胁，但缺乏对复杂风险的系统分析。演练中，中国团队15分钟就完成了漏洞修复，但可能遗漏了一些深层次的安全隐患。

AI安全需要兼顾预防和应对，平衡标准化与灵活性。但问题是：在时间紧迫的情况下，应该优先哪个？

要害在这里：安全与效率是两难。过于系统会慢，过于快速会漏。关键是如何在两者之间找到平衡点。

未来趋势：两种模式的融合

2025年，我判断会看到两种模式的融合：美国会加强主动防御能力（比如推出AI自动防御系统），中国会完善安全框架体系（比如建立NIST类似的安全标准）。

毕竟，在AI时代，安全不是阻碍发展的障碍，而是发展的基础。没有安全，就没有信任；没有信任，就没有应用。

AI安全的本质，从来不是技术的比拼，而是平衡创新与风险的艺术。

在这个AI飞速发展的时代，没有绝对的安全，只有动态的平衡。美国在写手册，中国在写代码——但最终，我们需要的是既有手册，又有代码的安全体系。

2025年，我期待看到美国的自动化，也期待看到中国的系统化。

AI教育：美国在定制课程，中国在复制课堂

Sat, 10 May 2025 09:25:54 +0800

上个月在美国考察了Khanmigo自适应学习平台，一个学生做错题，系统立刻调整难度，连学习节奏都能匹配他的注意力曲线。我坐在教室里，看着屏幕上的AI老师实时调整教学策略，心里想：这就像给每个学生配了一个私人教练。

但回到中国，我看到的是另一番景象：1000多所学校试点"AI智慧课堂"，农村孩子也能上一线城市的优质课。上周在贵州一个山区小学，校长指着屏幕说：“我们这里的孩子，第一次能和北京的学生上一样的课。“屏幕那头，是北京四中的老师在上数学课。

两种完全不同的AI教育图景，让我思考：教育的本质到底是什么？

从形式看：个性化 vs 规模化的路径分歧

表面上看，这是"个性化 vs 规模化"的技术路线分歧。

美国的思路是"个性化优先”。Khanmigo自适应学习平台能根据每个学生的学习情况实时调整难度，连学习节奏都能匹配他的注意力曲线。这是典型的"定制教育"路径：让教育贴合个体需求。

中国则是"规模化普及”。1000多所学校试点"AI智慧课堂"，农村孩子也能上一线城市的优质课。这是典型的"复制教育"路径：用AI缩小城乡教育差距。

上周在贵州山区小学，校长说：“AI让我们农村学校的孩子，第一次能和北京的学生上一样的课。“这句话让我想起在美国看到的场景：一个学生做错题，系统立刻调整难度。两种思路，两种未来。

要害在这里：这不是技术路线分歧，是教育理念的差异。一个瞄准"让每个学生都不同”，一个瞄准"让每个学生都一样”。

从价值看：价值取向的本质差异

美国的个性化学习能激发学生潜能，但成本高昂，只有少数学校负担得起。Khanmigo平台一年的费用是每个学生2000美元，这对于大多数学校来说都是负担。这是典型的"精英教育"逻辑：让少数人更优秀。

中国的规模化普及能快速提升整体水平，但可能缺乏针对性。AI智慧课堂让农村孩子也能上一线城市的优质课，但可能无法根据每个学生的特点调整教学策略。这是典型的"公平教育"逻辑：让每个人都有机会。

这背后是不同的价值取向：美国重视个体潜能，中国重视公平普及。但问题是：在资源有限的情况下，应该优先哪个？

要害在这里：价值取向的本质差异，决定了不同的教育路径。个性化是精英逻辑，规模化是公平逻辑。

未来方向：混合模式的未来

教育的本质是育人，AI只是工具。2025年，我判断会出现"混合模式"：既有个性化学习的精准，又有规模化普及的效率。

比如，用AI生成个性化学习路径，同时通过云课堂让农村孩子也能使用。这样既能激发学生潜能，又能缩小城乡教育差距。

每个孩子都应该有平等的机会接受优质教育，AI可能是实现这一目标的关键。

真正的AI教育革命，不是让少数人更优秀，而是让每个人都有机会变得优秀。美国在定制课程，中国在复制课堂——但最终，我们需要的是既有个性化，又有规模化的教育。

2025年，我期待看到美国的规模化，也期待看到中国的个性化。

多模态AI：GPT-o3想理解世界，文心一言想理解购物车

Fri, 18 Apr 2025 16:16:53 +0800

OpenAI发布GPT-o3那天，我熬夜测试到三点。让它分析一段包含演讲视频和PPT的会议记录，它不仅准确总结了内容，还指出了演讲者的情绪变化：“演讲者在第15分钟时语气变得紧张，可能是因为PPT上的数据与他的观点不一致。”

我盯着屏幕，脑子里闪过一个念头：这已经不是AI了，这是"数字人"——能同时处理文本、图像、音频、视频和3D模型，甚至理解手势和表情。这是AI理解世界的新方式。

但第二天，我用百度文心一言5.0测试同样的场景，结果让我意外：它不仅能总结内容，还能根据商品图片、用户评价和历史购买记录生成个性化推荐，准确率比去年提升45%。这不是"理解世界"，这是"理解购物车"。

从表面看：通用智能 vs 场景极致

表面上看，这是"通用 vs 垂直"的技术路线分歧。

GPT-o3试图构建一个能理解所有模态的通用智能体。它能处理文本、图像、音频、视频、3D模型，甚至理解手势和表情。这是典型的"通用智能"路径：让AI像人一样理解世界。

文心一言5.0则专注特定场景的深度优化。在电商场景，它能根据商品图片、用户评价和历史购买记录生成个性化推荐；在视频场景，它能理解视频内容并生成精准的弹幕。这是典型的"场景极致"路径：让AI比人更懂具体场景。

上周技术沙龙上，OpenAI工程师说"要让AI像人一样理解世界"，百度工程师则说"要让AI比人更懂具体场景"。两种思路，两种未来。

要害在这里：这不是技术路线分歧，是应用场景的差异。一个瞄准"理解一切"，一个瞄准"理解购物车"。

深入分析：技术实现的不同逻辑

GPT-o3代表了AI的未来方向，它试图构建一个能理解所有模态的通用智能体。这种思路能开拓AI的边界，让AI真正"像人一样思考"。但代价是：技术复杂度高，商业价值不明确，可能需要很长时间才能看到回报。

文心一言则更务实，通过场景深度优化更快创造商业价值。在电商场景，它能根据商品图片、用户评价和历史购买记录生成个性化推荐，准确率比去年提升45%。这种思路能快速解决实际问题，但可能缺乏技术深度。

两种路线各有价值：通用智能开拓边界，场景优化解决实际问题。但问题是：在资源有限的情况下，应该优先哪个？

要害在这里：技术实现的不同逻辑，决定了不同的商业路径。通用智能是长期投资，场景优化是短期回报。

未来趋势：通用与场景的融合

多模态AI的真正突破可能在两者的结合。2025年，我判断会看到更多"通用+场景"的混合模型，既能理解复杂的多模态信息，又能在特定领域表现出色。

毕竟，AI的价值最终还是要体现在解决实际问题上。通用智能让AI更像人，场景深度让AI更有用。

真正的多模态革命，不是让AI理解所有东西，而是让AI在该懂的地方懂到极致。GPT-o3想理解世界，文心一言想理解购物车——但最终，我们需要的是既理解世界，又理解购物车的AI。

2025年，我期待看到GPT-o3的场景化，也期待看到文心一言的通用化。

AI治理：欧盟在立法，美国在扯皮，中国在试错

Wed, 12 Mar 2025 11:08:29 +0800

欧盟AI法案正式生效那天，我在布鲁塞尔参加治理论坛。论坛上，欧洲专家拍着桌子说：“绝不允许AI伤害人类！“中国专家则缓缓回应：“没有发展，就没有安全的基础。“两种治理思路的碰撞，让整个会场陷入沉默。

我坐在台下，脑子里闪过一个画面：三年前，我在硅谷参加AI伦理研讨会，当时所有人都在讨论"如何监管AI”，但三年过去了，只有欧盟真正立了法，美国还在国会扯皮，中国则在实践中试错。

看现在：三种治理路径的分化

欧盟把AI分成四个风险等级，高风险AI（医疗设备、教育工具）需要严格审批，思路是"风险防控优先”。他们的逻辑是：先立法，再发展。这是典型的"安全第一"路径。

美国还在国会扯皮，法案难产。他们的逻辑是：让市场自己调节，政府不要过度干预。这是典型的"市场优先"路径。

中国已经发布了《生成式人工智能服务管理暂行办法》修订版，强调"发展与安全并重”。他们的逻辑是：在发展中规范，在规范中发展。这是典型的"平衡发展"路径。

要害在这里：这不是治理理念的分歧，是治理节奏的差异。欧盟跑得太快，美国跑得太慢，中国在中间找平衡。

想深一层：监管与创新的两难

上周跟一家德国AI创业公司聊天，他们说已经在考虑把研发中心搬到新加坡——“欧盟的审批流程太繁琐，我们等不起。“这家公司做的是AI医疗诊断，技术很先进，但欧盟的审批周期至少需要18个月。

而中国的弹性治理给了企业更多试错空间。百度文心一言和抖音AI都发展得很快，虽然也出过一些争议，但整体上是在可控范围内快速迭代。这种"先发展，后规范"的模式，让中国AI应用走在了全球前列。

但这也带来风险：过于宽松的监管可能让一些有问题的AI应用流入市场。去年某AI聊天机器人就因为性别歧视言论引发争议，如果监管更严格，可能就不会出现这种情况。

要害在这里：监管与创新是两难。过于严格会扼杀创新，过于宽松会带来风险。关键是如何在两者之间找到平衡点。

望前方：全球治理的协同与竞争

2025年，我判断会出现"治理竞赛”：各国会互相借鉴最佳实践，形成更灵活的全球治理框架。欧盟的严格监管会被美国借鉴，中国的弹性治理会被欧盟学习，美国的市场机制会被中国参考。

毕竟，AI是全人类的技术，需要全球协同的治理方案。但协同不等于统一，每个国家都有自己的国情和价值观，治理路径也会不同。

治理不是枷锁，而是护栏。好的治理能保护创新，而不是扼杀它。

AI治理的终极目标，从来不是阻止技术发展，而是让技术更好地服务人类。欧盟在立法，美国在扯皮，中国在试错——但最终，我们都需要找到自己的平衡点。

2025年，我期待看到欧盟的灵活性，也期待看到美国的立法，更期待看到中国的规范。

H200发布：NVIDIA赢了性能战，但可能输了未来

Thu, 20 Feb 2025 14:54:08 +0800

今天早上收到加州朋友Mike的邮件，附件是NVIDIA H200的内部评测报告。他在NVIDIA做架构师，每次有新品都会偷偷给我发点料。我盯着性能测试图看了半小时，H200比H100提升了35%，但真正让我倒吸凉气的，不是性能数字，而是CUDA生态的数据。

“全球95%以上的AI训练任务都跑在CUDA上，“Mike在微信里说，“我们刚更新了CUDA 12.5，专门优化了H200。那些想用AMD或其他芯片的公司，光是迁移代码就得花半年。“我回他：“所以NVIDIA已经不是芯片公司了，是AI时代的Windows？“他发了个笑脸：“差不多吧。”

但我心里在想：Windows当年也以为自己无敌，结果被移动互联网时代抛弃了。NVIDIA的CUDA生态，会不会也面临同样的命运？

从表面看：性能数字背后的生态霸权

表面上看，这是"H200性能提升35%“的技术突破。但真正让NVIDIA无敌的，不是芯片性能，而是CUDA生态。

芯片性能可以追上——AMD的MI300X在某些场景已经接近H100，中国的昇腾910B在推理场景甚至超过H100。但生态壁垒一旦形成，几乎无法突破。全球95%的AI训练任务都跑在CUDA上，这意味着：即使你的芯片性能更强，开发者也不会用，因为迁移成本太高。

NVIDIA已经从一家芯片公司，变成了AI时代的Windows。Windows当年靠操作系统垄断PC市场，NVIDIA靠CUDA生态垄断AI市场。

要害在这里：这不是芯片战争，是生态战争。性能可以追赶，生态难以复制。

从深层看：中国芯片的差异化突围

想起上周去华为上海研究所拜访的场景。负责昇腾910B的李工带我参观实验室，指着一台堆满芯片的服务器说：“我们不跟NVIDIA在训练芯片正面死磕，昇腾910B专门优化推理场景。在智慧城市视频分析上，我们的性能已经超过了H100。”

不仅华为，寒武纪的思元590芯片正在给智能加油站做边缘计算，实时监控油枪状态、预测库存；地平线的征程6芯片在自动驾驶领域也有不错的表现。中国芯片公司选择了一条差异化的突围路径：不拼通用性能，而是深耕垂直场景，把特定领域的AI芯片做到极致。

去年在深圳参加AI峰会，看到一家创业公司用昇腾芯片做工业机器人实时控制，延迟比NVIDIA的方案低40%。美国的技术封锁反而成了中国芯片产业的催化剂——以前大家都觉得买NVIDIA的芯片就行，现在不得不自己搞研发。

翻出三年前的笔记，当时我判断"中国芯片10年内赶不上美国”。现在看来，我错了——不是赶不上，而是走了一条完全不同的路。NVIDIA在通用计算领域狂飙，中国芯片则在垂直场景深耕。

要害在这里：芯片战争的终局，不是谁的性能更强，而是谁能更好地服务用户。NVIDIA赢了通用性能，中国芯片可能赢了垂直场景。

从未来看：生态与场景的终极博弈

晚上刷朋友圈，看到Mike发了张NVIDIA总部的照片，配文：“H200发布，我们赢了。“我给他点了个赞，心里却在想：这场芯片战争，才刚刚开始。

NVIDIA赢了性能战，但可能输了未来。因为未来的AI应用，不是"一个模型跑遍所有场景”，而是"每个场景都有专属芯片”。当自动驾驶、智慧城市、工业机器人这些垂直场景成为主流时，NVIDIA的通用芯片优势还能保持多久？

2025年，我判断会看到更多融合：NVIDIA会加强垂直场景优化（比如推出专门的自动驾驶芯片），中国芯片会加强生态建设（比如推出自己的开发框架）。

芯片战争的终局，不是谁的性能更强，而是谁能更好地服务用户。NVIDIA赢了性能战，中国芯片却可能赢了未来的场景战。

2025年，我期待看到NVIDIA的场景化，也期待看到中国芯片的生态化。

AI医疗：99%的准确率在实验室，95%的准确率在村寨

Wed, 15 Jan 2025 09:24:51 +0800

上周从杭州飞回上海，行李箱里装着阿里健康的AI乡村医生项目资料。前一天刚在北京参加完中美AI医疗研讨会，脑子里还在回放斯坦福教授和阿里工程师的发言。

晚上在酒店，Dr. Wang给我看他们团队最新的GPT-5驱动CT诊断系统：17种肺部疾病实时标注，连早期肺癌的微小结节都能揪出来，准确率超过99%，刚在Nature Medicine发了论文。“这技术太牛了！什么时候能临床应用？“我问他。他叹了口气：“至少等3年，FDA的审批流程你懂的。”

第二天，阿里健康的张工给我看了一组数据：他们的"AI乡村医生"已经覆盖了全国1.2万个偏远村落，累计看了超过1000万次门诊。“上个月我们在云南一个苗族村寨做调研，一个70多岁的老奶奶拉着我的手说，活了一辈子第一次能在家门口看专家，“张工的语气里带着自豪，“虽然我们的AI准确率只有95%左右，但解决了最基本的看病问题。”

我突然想起去年冬天陪外婆去县城医院看病的场景——凌晨三点就去排队挂号，上午十点才看上医生，结果还没说两句话就被打发走了。如果当时有AI乡村医生，外婆是不是就不用遭这份罪了？

从数字看：准确率的数字游戏

表面上看，这是"99% vs 95%“的准确率差距。斯坦福的CT诊断系统能识别17种肺部疾病，连微小结节都不放过；阿里的AI乡村医生只能做基础诊断，准确率还低了4个百分点。

但数字背后是完全不同的逻辑：一个在实验室里追求极致，一个在村寨里解决刚需。美国科学家说"我们需要更高的准确率”，中国工程师则说"我们需要更快的覆盖速度”。

要害在这里：这不是技术差距，是应用场景的错位。一个瞄准"未来5年的医疗突破”，一个瞄准"今天就能用的医疗服务”。

往深里想：医疗资源的时空错配

AI医疗的本质不是技术竞赛，而是资源分配。

斯坦福的技术代表了AI医疗的未来，准确率99%的CT诊断系统能拯救更多生命。但它的代价是：至少3年的审批周期，高昂的研发成本，只有顶级医院才能用得起。这是典型的"技术驱动"路径：先突破技术，再找应用。

阿里的AI乡村医生代表了AI医疗的现在，它已经在服务千万级的患者，解决了最迫切的医疗资源不均衡问题。虽然准确率只有95%，但它让偏远地区的老人不用凌晨三点去县城排队，让农村孩子也能看"专家门诊”。这是典型的"需求驱动"路径：先解决实际问题，再优化技术。

去年冬天陪外婆看病，我深刻体会到医疗资源不均衡的痛苦。如果当时有AI乡村医生，外婆是不是就不用遭这份罪了？这个问题，比"准确率能否再提升1%“更重要。

要害在这里：医疗资源的时空错配，比技术准确率更重要。一个在实验室里等待审批，一个在村寨里服务患者。

看未来：从实验室到田间地头的融合

今天刷朋友圈，看到Dr. Wang发了条动态：“刚和一家中国医疗科技公司签了合作协议，他们帮我们加速临床试验，我们提供技术支持。”

这个信号很明确：美国的技术突破和中国的落地速度，正在走向融合。斯坦福的99%准确率+中国的快速落地，或许能创造出真正普惠的AI医疗。

2025年的AI医疗，会是一场从"实验室到田间地头"的革命。不是技术替代技术，而是技术+场景的深度融合。

AI医疗的终极目标，从来不是发表Nature论文，而是让每个人都能享受到更好的医疗服务。99%的准确率在实验室，95%的准确率在村寨——但村寨里的95%，可能比实验室里的99%更有价值。

2025年，我期待看到斯坦福的技术走进村寨，也期待看到阿里的经验走向世界。

OpenAI的12天发布会：生成式AI的终极形态，还是营销噱头？

Sat, 28 Dec 2024 10:43:01 +0800

OpenAI 12天发布会回顾：Sora视频生成能力提升、视频交互模式落地、GPT-o3预测，分析生成式AI的技术突破与中美竞争格局。

小数据与优质数据：AI从"拼规模"到"拼质量"的转折点？

Wed, 20 Nov 2024 16:43:41 +0800

中科院发布AI前沿趋势：小数据与优质数据成为AI核心引擎。分析小样本学习商业化突破、中美研究路径差异和优质数据成本难题。

乌镇峰会的AI治理共识：全球协同，还是各说各话？

Sat, 12 Oct 2024 13:13:41 +0800

乌镇峰会AI治理圆桌论坛：中美欧专家各执一词，欧洲强调监管先行，美国主张行业自律，中国提出包容审慎。分析全球AI治理的利益博弈与监管碎片化隐忧。

马斯克的超级计算机：算力军备竞赛的开始？

Wed, 25 Sep 2024 09:32:00 +0800

马斯克xAI团队四个月建成全球最大超级计算机"巨像"，使用3万多块H100 GPU。分析算力军备竞赛、中美超算技术博弈和算力集中隐忧。

生成式AI系统应用员：AI时代的新职业，还是过渡岗位？

Sun, 18 Aug 2024 15:41:20 +0800

人力资源部将"生成式AI系统应用员"纳入新职业，官方认可AI对就业市场的重构。分析新职业红利、中美人才培养路径差异和技术变革的包容性难题。

萝卜快跑武汉运营：无人驾驶的春天来了？

Mon, 22 Jul 2024 10:04:14 +0800

百度萝卜快跑在武汉投放上万辆无人驾驶车，覆盖主要交通区域。分析无人驾驶规模化突破、中美路径分歧和技术与就业的两难。

Apple Intelligence：设备端AI的终局之战？

Sat, 15 Jun 2024 14:06:36 +0800

WWDC发布Apple Intelligence，将AI整合到iOS、iPadOS和macOS，主打设备端处理保障隐私。分析隐私优先策略、中美设备端AI路径博弈和融合未来。

GPT-4o：多模态时代的开始，还是噱头？

Sat, 18 May 2024 11:39:38 +0800

OpenAI发布GPT-4o多模态模型，支持语音、图像、文本同时交互。分析多模态AI的技术突破、应用场景、隐私风险和成本挑战。

Meta Llama 3开源：AI的普惠革命还是商业陷阱？

Wed, 10 Apr 2024 16:08:52 +0800

Meta发布Llama 3开源大模型，8B版本效果超过GPT-3.5。分析大模型端侧革命、中美开源路径差异和开源的双刃剑效应。

欧洲AI法案：监管的红线，还是创新的枷锁？

Mon, 25 Mar 2024 09:52:01 +0800

欧洲议会通过全球首个AI监管框架，将AI分成不同风险等级进行分级监管。分析监管现实冲击、中美欧监管全球博弈和创新与监管的平衡难题。

Sora发布：视频行业的末日，还是创意的重生？

Tue, 20 Feb 2024 14:46:19 +0800

OpenAI发布Sora视频生成模型，引发行业震动。从技术突破到产业影响，从版权争议到深度伪造风险，全面分析AI视频生成的机遇与挑战。

脑机接口与手机AI：2024开年的人机交互双响炮

Mon, 15 Jan 2024 10:50:59 +0800

Neuralink完成首例人脑芯片植入，29岁瘫痪患者用意念控制电子游戏。同一天三星发布S24系列，将大模型直接整合进手机系统。分析2024年人机交互的双重突破。