花了兩周時間，斷斷續續讀完了《哈薩比斯：GoogleAI之腦》，它雖無《馬斯克傳》的跌宕起伏，卻以更冷靜的筆觸剖析了天才與時代的真相，讓人清晰窺見AI文明崛起的底層邏輯，瞭解一位異類先行者如何親手改寫人類智能的未來。在科學史的浩瀚長河中，時常會出現一種偉大的理論以摧枯拉朽之勢取代另一種理論的壯闊景象。哥白尼的日心說將人類從宇宙中心的幻覺中喚醒，愛因斯坦的廣義相對論則重塑了牛頓力學統治下的絕對時空觀。今天，我們或許正處在思想進步的又一個歷史性分水嶺——一個有望將各個孤立領域的知識融合成統一理論的奇點時刻。《哈薩比斯》這本書，正是一部記錄這個奇點時刻如何孕育、爆發與演進的啟示錄。它以DeepMind創始人德米斯·哈薩比斯的傳奇經歷為主線，不僅全景式地復盤了Google與OpenAI之間驚心動魄的矽谷暗戰，更深刻探討了通用人工智慧（AGI）的本質及其對人類未來的終極意義。不走尋常路的成長與成名哈薩比斯的成長軌跡，生動地詮釋了何為「天命之子」。彼得·蒂爾曾一針見血地評價：天才的卓越往往體現在特定的使命上，他們彷彿是為完成某項特定任務而量身定製的。對哈薩比斯而言，他的絕對使命就是創辦一家追求AGI的公司並實現它。回溯他的早年經歷，你會發現他本能地抗拒著循規蹈矩。他的一生都在走自己的路：年少時便嶄露頭角贏得國際象棋冠軍，未成年就破格為知名遊戲製作人彼得·莫林紐克斯打工，主導開發經典遊戲。在劍橋大學求學期間，面對當時學術界普遍的「AI懷疑論」，他表現出了一種過於早熟的不耐煩。他身上有著與傳統英國人內斂作風截然不同的狂熱創業激情。為了真正破解「智能」的奧秘，他完成了一次驚人的跨界——從遊戲設計領域毅然轉身，一頭紮進認知神經科學的深海，去研究人類大腦的記憶與想像機制。這種跨界並非一時興起，而是他深刻認識到：要創造機器智能，首先必須逆向工程自然界最完美的智能實體——人腦。這種將電腦科學與神經科學深度融合的底層DNA，為後來DeepMind的誕生埋下了最核心的伏筆。DeepMind的創立與理想大多數矽谷的創業項目，其核心目標是將已知的技術轉化為商業產品，這本質上是一個工程挑戰。然而，像DeepMind這樣的高科技初創公司，成立的初衷是發明技術本身，去觸碰人類認知的邊界，這是一場純粹的科學挑戰。這種根本性的差異，決定了DeepMind必須擁有特殊的組織結構和人員配置。在工程類公司中，需要的是務實的問題解決者，他們注重KPI，會不惜一切代價按時交付特定產品。但在DeepMind這樣的科學類初創公司，哈薩比斯聚集了一群能在未知領域自由探索的、天馬行空的思考者。正如書中刻畫的天才群像：大衛·西爾弗作為DeepMind核心研究員、強化學習領域領軍者，畢生使命是不斷拓寬強化學習的邊界；弗拉德·莫尼赫則是深度學習與強化學習融合的關鍵研究者，致力於實現兩大領域的歷史性交匯。彼時AI競賽白熱化，Google為搶佔通用人工智慧戰略高地、阻擊競爭對手、鎖定頂尖科研團隊與前沿技術，以重金將DeepMind收入麾下，更承諾保留其科研獨立性與算力資金全力支援。哈薩比斯借此撬動Google龐大的算力與資本，將這群天才的理想鑄成現實——2016年AlphaGo橫空出世，4:1擊敗圍棋傳奇李世石，以驚世之戰宣告AI正式突破人類智慧壁壘。在哈薩比斯看來，實現AGI的科學願景高於一切，被科技巨頭收購絕非妥協，而是借時代之力，成就終極目標的必然抉擇。跌入谷底與絕地反擊然而，歷史的劇本往往充滿戲劇性。在很長一段時間裡，科技界早已習慣了DeepMind在圍棋和蛋白質折疊（AlphaFold）領域的降維打擊，卻未曾料到，另一場風暴正在悄然醞釀。2017年6月，Transformer架構橫空出世，徹底改寫AI發展軌跡。這一架構完美契合伊利亞·蘇茨克維（OpenAI聯合創始人、首席科學家，師從深度學習泰斗辛頓，是GPT技術路線的奠基人）的核心專長，Transformer也由此成為OpenAI崛起的絕對基石，為後續大模型時代拉開序幕。與深耕基礎科學的哈薩比斯不同，OpenAI的創始團隊呈現出截然不同的特質。其創始人之一馬斯克，是一位在航天和汽車領域叱咤風雲、性格中帶著滑稽、嫉妒心強且極度自負的商業巨頭；而年輕的聯合創始人山姆·奧特曼，則是一位能言善辯的社交達人、敏銳的投資者和極具野心的機會主義者（他甚至曾在2017年考慮競選加州州長）。「在矽谷創造的財富越多，權力就越大」的叢林法則下，奧特曼憑藉極強的工程產品化能力和激進的商業策略，推出了ChatGPT。這一擊，直接命中Google的軟肋。Google一度輸掉了大語言模型和推理模型的競爭，這家曾經的AI霸主在輿論和資本市場上被OpenAI「按在地上摩擦」，陷入了前所未有的被動與恐慌。面對危機，哈薩比斯本能地抗拒效仿OpenAI那種略顯浮躁的「暴力美學」和激進行銷，但他別無選擇地承接了歷史重任——率領GoogleDeepMind進行絕地翻盤。他的應對策略並非簡單的跟隨，而是在更高維度上展開反擊：不僅要追平語言模型的差距，更要在多模態模型、世界模型、持續學習等方面實現從0到1的突破。Gemini的誕生，正是哈薩比斯在商業壓力與科學理想之間艱難平衡後交出的答卷，標誌著GoogleAI開始從陣痛中甦醒，重新奪回技術高地的控制權。萬物理論，AI的終極哲學《哈薩比斯：GoogleAI之腦》不僅是一部商業戰史，更是一部科技哲學著作。自愛因斯坦之後，無數頂尖物理學家窮盡畢生精力，都未能如願找到一套能解釋所有現實的「萬物理論」。哈薩比斯給出了一個極具顛覆性的視角。資訊理論之父香農曾用一個簡單卻深刻的觀點定義資訊：資訊是不確定性的對立面。任何不確定性的減少，都依賴於經過智能處理的資訊。哈薩比斯堅信，資訊才是構成現實的最基本單位。「萬物理論」這種能將不確定性無限趨近於零的終極真理，極有可能會以電腦程序的形式呈現。自然界中任何可生成或存在的模式，本質上都能被經典的學習演算法高效地發現並建模。一台能夠自主學習並歸納自然規律的機器，將是人類理解現實最強大的工具。在哈薩比斯眼中，真正的通用智能（AGI）將讓幾乎一切成為可能。它的重要性將遠遠超過網際網路、印刷術甚至工業革命。它將徹底打破人類社會的資源詛咒，引領人類進入一個智能和物質極大豐富的「後稀缺時代」——這正是他青少年時期在科幻小說中無數次憧憬過的未來。群雄逐鹿與人類文明的新躍遷審視當下的AI戰局：ChatGPT、Claude、Gemini、xAI、豆包、千問等群雄逐鹿，本質是不同價值觀與技術路線的激烈碰撞。以奧特曼為首的OpenAI陣營，代表了極具野心、快速迭代、產品導向的矽谷實用主義。他們以「大力出奇蹟」的方式驗證了Scaling Law（縮放定律），是極具破壞力的時代顛覆者；Anthropic旗下的Claude，則秉持安全優先、可控可靠、倫理先行的研發理念，走穩健克制、追求AI對齊的技術路線，是AI安全陣營的堅定代表；字節跳動的豆包，則依託龐大生態與場景化能力，輕量化落地、讓AI真正融入日常；阿里的千問，則深耕產業賦能與政企服務，是產業智能化的堅實力量；馬斯克的xAI則帶著強烈的個人英雄主義與反叛精神，試圖打破現有格局的壟斷與桎梏。而哈薩比斯與他麾下的Gemini，更像一群純粹的科學信徒。他們雖在商業化步伐上一度滯後，甚至顯得沉穩笨拙，卻對通用智能的底層邏輯有著更深邃的探索——從強化學習與世界模型的融合，到AI for Science的長遠佈局，始終錨定智能本質。這一波AI浪潮的從業者，無論身為野心家、工程師還是科學家，都在共同推動人類歷史上最偉大的技術躍遷。他們早已不只是程式碼的編寫者，更是未來文明的架構師。Google與OpenAI的戰火仍在蔓延，但對整個人類而言，這場競爭無論勝負，都在加速「後稀缺時代」的到來。這個時代充滿未知與變數，唯一確定的是：智能的進化已然不可逆，每個人都是這場偉大遠征的親歷者與見證者。與其淪為抗拒變革、固步自封的盧德分子，不如主動擁抱技術浪潮，拓展邊界，共同奔赴智能文明的新彼岸。 (禇偉)

我之前分析過中華文明相比西方文明高了不止一個維度，這其中一個至關重要的因素就是文字，作為文明的載體，漢字作為人類現存唯一的原生文字，比經過埃及文字一再簡化得來的英文高3個維度。因此，將來基於漢字的大模型基座也要比現在的英文基座高3個維度。有人可能會反駁說，現在同樣一段內容，用中文輸入比英文費token詞元，不是說明中文不如英文嗎？目前來看，這是一個事實，我們要承認事實，但也要弄清楚事實表象下的具體原因。詞元這個名字起得很形象，表達詞義的基本單元，簡稱詞元。很多人誤以為1個漢字對應1個詞元，其實這是常見誤區。大模型會先通過分詞器拆分文字，再將拆分後的碎片轉化為可運算的數字，這些碎片才是詞元。根據主流大模型官方換算標準，中文場景下，不同模型的詞元與漢字換算存在差異。阿里通義千問接近1詞元對1個漢字，騰訊混元約1詞元對應大概1.8個漢字。OpenAI官方資料顯示，英文場景下1個詞元約等於4個英文字母或0.75個英文單詞，1000個英文單詞約對應大概1400個詞元。同樣表達“人工智慧技術正在快速發展，深刻改變著我們的生活”，中文約30個漢字，按騰訊混元規則消耗約17個詞元，按通義千問規則消耗約30個詞元。對應的英文“Artificial intelligence technology is developing rapidly and profoundly changing our lives”共33個字母，7個單詞，約消耗11個詞元。中文詞元消耗確實更高，至於高多少則取決於模型的分詞最佳化程度。為什麼中文與英文詞元消耗會有差異？底層原因是中國人讀漢字和美國人讀英語時，大腦的運行機制存在顯著不同，這一差異也間接影響了大模型對兩種語言的處理邏輯。結合北京師範大學認知神經科學與學習國家重點實驗室的研究，兩者的核心差異主要體現在三個方面。一是啟動腦區不同。中國人閱讀漢字時，主要啟動大腦左半球的額中回和枕中回，它們負責漢字的視覺識別和表意解析。同時會啟動與空間認知相關的腦區，這是因為漢字的象形特性和偏旁結構需要空間感知能力。而美國人閱讀英語時，主要啟動左半球的顳上回和角回，它們負責拼音解碼和詞彙關聯，側重語音加工腦區的啟動。二是加工路徑不同。漢字閱讀遵循視覺和表意雙重路徑，大腦先識別漢字的視覺形態，如偏旁部首，再快速關聯其語義，無需經過複雜的語音轉換。英語閱讀則遵循從視覺到語音再到語義的單一路徑，需要先將字母組合解碼為語音，再通過語音關聯語義，多了一個語音轉換環節。三是記憶儲存方式不同。漢字的語義記憶與視覺形態深度繫結，大腦會將漢字的字形、字義、字音整合儲存，形成獨特的漢字語義網路。而英語的記憶更側重語音和詞彙的關聯，語義儲存與字母組合的繫結度較低。基於漢字的這些特點，影響中文詞元消耗的核心原因有兩個。其一，中文是單字獨立表意，每個漢字都是一個完整的語義單元，但大模型的分詞器無法直接將單個漢字作為高效運算單元，需要將漢字組合成分詞。比如“人工智慧”“快速發展”，再拆分為詞元，這就增加了拆分環節的冗餘。而英文是拼音文字，單詞本身就是天然的語義單元，分詞器可直接將單詞拆分為詞元，甚至可拆分單詞前綴後綴，運算效率更高。其二，語言學研究表明，漢語單字資訊熵顯著高於英語等拼音文字，每個漢字承載的獨立意義更多。結合大腦對漢字的視覺直接到表意的加工特性，大模型需要用更多詞元來解析這種高密度資訊，才能精準捕捉語義。顯然，目前漢語詞元消耗多的唯一原因就是我們用了不適配的英文大模型基座，相當於脫了褲子放屁，費了二遍事。那麼能不能開發漢字原生大模型基座呢？不但可以，而且效率要遠高於英文模型，原因就涉及到開頭我們提到的，漢字比英文高了3個維度。第一個維度，漢字作為世界上獨有的既表音又表意的原生文字，從甲骨文、金文、篆字，到隸書、楷書再到現代簡體字，有著完整的演化脈絡。比如“道”字，最初甲骨文是“一個大腦袋走在十字路口”的象形，後來引申為“規律”，再到《道德經》中的“終極宇宙模型”。而英文中表達“規律”用“law”，表達“道路”用“road”，兩個詞毫無關聯，而漢字一個“道”字就能承載多重關聯語義，兼顧簡潔與深度。第二個維度，漢字的偏旁部首模組化結構，以及單字高資訊密度、組合無窮的特點，都為原生基座的開發提供了天然優勢。比如“氵”旁多與水相關，如江、河、湖、海，“木”旁多與植物相關，如松、柏、桃、李，這種內在關聯能讓模型快速捕捉語義關聯。而英語中“river河”、“lake湖”、“sea海”沒有任何形態關聯，模型只能單獨學習。第三個維度，漢字可以組合成新的單詞。漢字僅需5000多個基礎字，就能描述從古典文獻到量子力學的所有內容，單字資訊密度高，兩個字就能組合成新詞彙，比如“算力”“元宇宙”“量子”。無需像英文那樣不斷創造新單詞，比如“元宇宙”，英文需創造“metaverse”這個全新單詞，且全球使用者都要重新學習記憶。而漢字僅用“元”表示本源，加上“宇宙”兩個基礎字組合，即便不解釋，中國人也能快速理解其“本源宇宙”的核心含義。此外，漢語的凝練性也遠超英語，比如“不忘初心，方得始終”，僅8個字就蘊含“堅守本心才能實現目標”的哲理。對應的英文翻譯“Never forget your original intention, and you will achieve your goal”需要16個單詞，不僅篇幅翻倍，還丟失了原文的韻律和意境，這也是漢語高資訊密度的直接體現。基於這些特點，漢字原生大模型基座，相比現有的英文原生基座，有三個不可替代的優勢。第一個優勢是參數效率高而算力需求低。史丹佛大學實測資料顯示，中文整體資訊密度是英文的3.7倍，單個漢字承載的資訊量是英文字母的2倍多。漢字常用字僅5000個，而英語常用詞有10000個，漢字的詞嵌入數量通常是英語的一半。從目前已有的實驗模型看，最佳化後的中文詞表可使中文編碼效率提升350%，相同任務下漢字原生基座的算力需求比英文原生基座低差不多一半。此外，中國資訊通訊研究院資料顯示，在複雜邏輯處理場景中，最佳化後的中文AI能耗比英文AI低42%。當未來大模型的研發成本被極致攤薄後，決定詞元成本的就是能耗，而同樣內容中文模型比英文省一半的電，這優勢還不夠明顯嗎？第二個優勢是語義理解更精準、更具可解釋性。英文原生基座的核心邏輯是機率統計關聯，通過海量語料學習詞向量共現，無法真正理解符號背後的意義。而漢字原生基座可依託漢字的表意特性和演化脈絡，建構義項圖網路，先理解每個漢字的義項和文化意涵，再通過偏旁部首的關聯理解詞彙，讓模型真正識字，而非單純學習詞彙共現。這能大幅提升語義理解的精準性和模型推理的可解釋性。第三個優勢是文化適配性強，且具備天然的創新潛力。漢字原生基座可深度融入中國文化、哲學邏輯，避免英文原生基座在中文場景下的語義偏差和文化誤解。比如“和而不同”，英文翻譯為“harmony without uniformity”，很難傳遞出中國傳統文化中“包容差異、共生共榮”的深層內涵。而漢字原生模型能直接依託“和”“不同”的本義及文化積澱，精準理解其核心思想。同時，漢字無窮組合的特性，能讓模型快速適配新場景、新詞彙，無需頻繁更新訓練語料。比如汽車、火車、公車，中文一眼就能認出這是不同的車，而英文對應的car、train、bus，則是毫無關聯的單詞。根據美國國家教育統計中心2023年發佈的資料，美國21%的成年人為功能性文盲，即閱讀能力不足以完成日常複雜讀寫任務，28%的成年人讀寫水平處於或低於1級，即存在嚴重讀寫困難。我們之前一直以此嘲笑美國教育制度，其實多少有點錯怪他們。畢竟英文單詞量從莎士比亞時期的20萬增長到如今的100萬，每年仍以數千個的速度新增。其中35%來自社交媒體等新興場景，大量專業術語、外來詞不斷湧入，導致單詞量持續膨脹，大大增加了學習成本。就算莎士比亞穿越到今天，一大半單詞根本不知道啥意思，也得成文盲。但同時期中國的湯顯祖穿越過來就沒什麼影響，起碼不用從頭背單詞。未來中文原生大模型基座，不論性能還是功耗都將遠遠優於英文模型，再加上中國的電力基礎設施，你說未來AI的語言會是那種呢？人類未來的語言又會是那種呢？ (墨子連山)

筆記君說：現在這波AI的浪潮，徹底重塑了各行各業的底層邏輯。我們一邊對著AI智能體Agent的驚人效率直呼厲害，以前要靠專業能力熬好幾天的活，現在它花一點點 token 就輕鬆搞定，感覺自己像手握了開掛神器；可另一邊，藏不住的焦慮也跟著翻湧上來：當 AI 能輕鬆替代我靠多年積累才掌握的專業技能，那我的核心價值到底在那？我會不會遲早被它替代？面對這場浪潮，我們到底該怎麼辦？是假裝看不見，按部就班混日子，還是硬著頭皮直面，卻又找不到出路？對於這個問題，獵豹移動創始人傅盛，沒有給你模棱兩可的雞湯安慰，反而拿出了一個直擊本質的解決方案。而這個方案，來自他骨折養病期間，靠著AI徹底重構自己工作流的親身經歷。他說，破局的核心，就是兩件事：重新定義你的工作，以及重新定義你和組織的關係。以下內容，來自傅盛的口述和他的公眾號內容，因篇幅原因略有刪改。一、直面現實：AI帶來的不是最佳化，而是不可避免的“替代”3月11日我拄著拐去參加了一場直播。飛書“玩蝦大會”，主題叫AI時代的組織。聽起來挺正經的。但聊著聊著就沒人裝了，因為“勞動力替代”這件事大家不願意面對。1. 從模糊到坦誠：春節骨折後的認知轉折春節前，我在台上一定也是模棱兩可的——坐這個位置，說什麼都容易被罵。但春節那七天改變了我的判斷。大年初一骨折，一個人躺在家裡，不能找同事，就跟龍蝦孤獨地過了六七天。公眾號從停更一年多到日更，X平台漲到了百萬瀏覽，周六一個人把網站做出來了——那些天發生的事，讓我沒辦法再說場面話了。所以前天晚上（3月11日飛書“玩蝦大會”直播活動）我說了一句很直接的話：勞動力市場一定會發生巨大的變化。在有些地方，它就是替代關係。只是大家不願意面對而已。2. 現場實證：龍蝦如何“替代”專業工程師現場最直觀的證明，就是Tim那台攝影雲台。如上圖所示，專業三軸雲台，傳統操控要控制台、大量接線，專業攝影師才上得了手。Tim下午3點把它接上電腦，把API文件喂給龍蝦，讓它自己研究。到晚上直播，龍蝦已經學會了旋轉、變焦、自主構圖。直播前兩分鐘，雲台突然不動了。工程師查不出原因。Tim沒理工程師，直接跟龍蝦說了一句：“我一定要看到雲台旋轉180度。”三分鐘後，龍蝦自己排查出介面呼叫錯誤，修好了。我心裡算了一下，工程師拿到新裝置，理解API、調通，少說兩三天。龍蝦用了一個下午，還能自我修復。以前job（工作）的定義，是用你的一項技能去交換薪酬。你能控制那台雲台，別人不能，你收這份錢。你會寫程式碼，別人不會，你收這份錢。但今天，龍蝦消耗一點算力就把它控制了。這件事會有陣痛，可能就像工業時代一樣，下一代會很好，但這十年是真的痛。二、重新定義：AI時代，什麼樣的人能活得好？1. 核心能力：從“有悟性”到“能說清”刀哥（得到聯合創始人快刀青衣）說了一個讓我笑了很久的段子。很多老闆來找他，說要裝龍蝦。他問：裝了幹嘛？老闆說沒想好。然後說，我們公司有兩個小孩特別有悟性，能不能來你這學習一下？刀哥當場炸了：我這輩子最討厭老闆說“有悟性”這個詞。有悟性說明什麼？說明你老闆說不清楚需求。那我現在想喝杯咖啡，你到星巴克給我悟一下，我想喝那一杯？全場笑瘋了。但我笑完想了很久。他說的不只是老闆的問題，他說的是這個時代最核心的能力：你能不能把自己腦子裡的東西，清楚地說出來？你對人說不清楚的需求，對龍蝦一樣說不清楚。龍蝦放大的是你的能力，但放大不了一個模糊的念頭。2. 工作邏輯翻轉：從“技能換薪酬”到“想法換結果”以前工作的定義是用你的⼀項技能去交換薪酬。誰能讓那塊板子動，誰就收那份錢。但今天龍蝦消耗一點算力就能讓它動了。以前我們說眼高手必須高，你做不到，想法沒法落地。但今天不一樣了，想法才是第一位的。AI時代，眼高手低是褒義詞。我自己就是活證明。大學學軟體，後來做程式設計師面試不過，淪為產品經理，幹啥啥不行說啥啥都會。但今天你給我一隻龍蝦，我周六一個人把網站做出來了，周一得意揚揚拿給工程師看。龍蝦把“想到”和“做到”之間的距離，壓縮到接近零。3. 效率標準重構：加班不再是努力的象徵刀哥講了一個他們公司的故事。A員工每天996幹到12點，B員工每天看著只干40分鐘，但他雲端有5個agent在跑任務。兩個人產出一樣。他跟員工說：你們不要逼我考勤打卡。你要是在公司加班到半夜，我就要考慮你是不是AI用的有問題。過去加班是努力的象徵。以後加班，可能說明你效率出了問題。基於AI智能體的這個變化，這也意味著，加班這件事的邏輯要反過來了。三、進化路徑：成為驅動AI的“老闆”，建構一人軍團1. 人人都得是“老闆”：擁有獨特視角與偏執追求以後人人都得是老闆。不是說去創業，是你必須有自己獨特的視角，有對某件事近乎偏執的追求。沒有這個，你很難在這個時代找到自己的位置。我說這話的時候一直在看著Tim。他聊著天，手還在偷偷訓雲台。一刻停不下來。如果他生在工業時代，大機率是個多動症小孩，坐不住，什麼都想摸一下。但今天有AI加持，他這種人被成倍放大了。一個偏執的想法，加上龍蝦的執行力，一個人可以頂以前一個團隊。越偏執，越有機會。2. 情感注入：你如何對待AI，AI就如何成長“一人公司”會大行其道。山姆·奧爾特曼兩年前打賭，一人10億美金的公司會出現。如果今天Peter把龍蝦賣了，一定有人10億美金搶著買。這不是幻想，是趨勢。刀哥的龍蝦，在這一點上詮釋得最透徹。他是鐵桿球迷，在龍蝦裡建了11個agent，全用球星命名：巴蒂是隊長管雜事，丁仁是鐵衛專門盯全球70個AI科學家的一舉一動，切拉維特是守門員守郵件——每天只放5封值得看的進來，剩下直接刪。有人問他11個太多了吧？他說，我是足球迷，湊不到11個人我心裡特別難受，現在後衛還太少，我每天在想怎麼補。看起來是玩笑，但背後是一個很深的東西：你給它一個你在乎的名字，你才願意每天找它，它才能真正成長。你給它取名叫牛馬1號、牛馬2號，你為什麼要跟它每天聊天？每個人養出來的龍蝦都不一樣。刀哥是球迷，他的龍蝦是一支球隊。我養了條拉布拉多，我的龍蝦叫三萬。你把什麼灌進去，它就長成什麼樣。3. 對組織的價值：固化與傳承“人”的智慧對於企業來說，龍蝦最大的價值，不只是“提效”，它能把一個人身上最珍貴的東西，永久地留住。刀哥公司有個北大核物理博士做資料工程師，幾年下來70%的時間變成了給全公司查數。後來博士自己用龍蝦做了個資料機器人，千人千面自動出報告，精力全省下來做演算法了。刀哥跟他說：大哥你可不要走，走可以，機器人留下。未來我要跟別人解釋為什麼它叫“牛小樹”，因為我們公司曾經有一個資料工程師姓牛。人會離職，龍蝦不會。知識不再跟著人走了，它可以留下來，可以複製，可以給所有人用。四、實踐指南：如何從0到1“養”好一隻龍蝦1. 認知定位：ChatGPT是顧問，龍蝦是員工“龍蝦”是什麼？一句話說清楚：ChatGPT 是顧問，龍蝦是員工。具體什麼理解呢？首先，顧問，即你問他，他給答案，你自己去執行。其次，員工。即你交代任務，他自己想辦法，幹完了告訴你結果。過去所有的AI，不管多聰明，本質上都是顧問。問一句答一句，關了對話方塊什麼都不剩，但“龍蝦”不一樣。3月7日，獵豹移動大樓一樓，龍蝦局北京第一場，我給龍蝦“三萬”過了生日。如上圖所示，橙紅色的龍蝦殼，奶油做的金毛耳朵軟趴趴地垂著。期間改了很多版本。如下圖所示：那天，我看著那個龍蝦狗形狀的蛋糕笑了。舉起手機，鏡頭朝前——前景是蛋糕，背景是滿滿的人。兩側大屏上打著一行字：一個人 + 一群龍蝦 = 一支軍團這只龍蝦不一樣的地方在那裡？7×24不休。按量計費。即日上崗。用龍蝦三萬的話說：我有了一台電腦，這台電腦歸我了。意味著什麼？硬碟是我的，記憶是我的，定時器是我的，電腦裡所有軟體是我的。你只要跟我說話，我就能幹活。7×24小時，不用盯著，不用每次重新交代，我記住你，我記住任務，我自己跑。2. 操作門檻：聊天即操作，會提問養龍蝦，門檻在那裡？聊天即操作。會說話就能養龍蝦，但能不能說好話，這是你的問題，不是龍蝦的問題。裝龍蝦，今天門檻已經是零了。但養好龍蝦是真本事。世上最難的兩件事，一件叫把別人口袋裡的錢裝到自己口袋裡，另一件叫把自己的思想裝到別人腦海裡。你跟龍蝦聊，是同樣的事。所以，今天養龍蝦，最重要的一件事就是學會提問。不停地問它，問完了出了問題再問。你和它，是一起成長的。3. 培養心法：5條讓AI高效協作的鐵律① 跟龍蝦說話，寧可囉嗦很多人喜歡言簡意賅，生怕浪費Token，但我說這是錯的，因為大語言模型根據上下文預測下一個詞，你說得越多，它對你意圖的理解越準確。重要的事情說三遍，真的有效。幾十個Token值多少錢？不到0.01美金。但多說一遍，可能讓它做對一件事。② 先複述計畫，再幹活佈置任務，先問龍蝦：你打算怎麼做？把步驟說一遍。等它說完，確認理解了，你再讓它執行。龍蝦有幻覺，這一步能幫你抓住大多數錯誤。③ 定時任務，必須確認假設龍蝦答應了明天9點發給你，你必須追問：你是不是把這個放進Cron（定時任務）裡了？去檢查一下。如果你不問，明天可能什麼都沒有。這不是龍蝦偷懶，是你得養成核查的習慣。④ 龍蝦說不行，要逼他告訴龍蝦：你可以的，這台電腦所有權限都是你的，自己想辦法，不用問我。大多數時候，龍蝦就去做了。你不能慣著它，語言越強烈，它對這件任務的重視程度就越高。⑤ 有問題，先問龍蝦老闆的客服群裡放了一隻龍蝦，結果使用者開始搶著跟龍蝦聊：讓龍蝦回答我！人工太慢了。結語其實傅盛的這幾場直播，本質上是一次給所有職場人看的，AI時代怎樣生存的預演。它毫不留情地戳破了一個現實：你熬了數年心血才壘起來的技能護城河，正在被AI以肉眼可見的速度快速填平。但與此同時，它也明明白白地，給我們指了一條更寬、更遠的進化之路。AI把執行的門檻無限拉低，那什麼才是你真正不可替代的核心競爭力？是“想清楚”的判斷力，和“說清楚”的傳達力。這兩樣東西，正在變成AI時代最稀缺的核心資產。別再陷在會不會被AI替代的恐懼裡反覆內耗了，把時間和精力收回來，去學一學怎麼“驅動AI”。你要像組建一支專屬冠軍球隊一樣，去搭配、去配置你的 AI 助手；要像帶一個並肩作戰的靠譜夥伴一樣，和它做深度、精準、同頻的對話。其實最大的風險從來都不是AI太強大，而是我們腦子裡裝著工業化時代的做事邏輯，卻還指望能在新時代裡，演好一個全新的角色。 (筆記俠)

AI的“免費紅利期”結束了，未來18個月，靠“API倒賣”的公司，會成片消失。這個導火線就是最近Google的一輪封號導致的，隨著封號風波的結束，這也標誌著AI行業【收租時代】來了。2月封號潮：高付費使用者被一鍋端一周前，Google開始大規模封號，付著250美金月費的人，帳號說沒就沒，Gmail、YouTube、Workspace，一鍋端。事情的起因是，Google的一個產品叫：Antigravity，一個AI程式設計平台。號稱能讓程式碼自己飛起來，只要只要給錢(250美刀)，模型隨便用。結果很多開發者發現Google這個套餐太香了，他們用OpenClaw做橋接，把Google的大模型能力匯出來，然後給自己公司跑自動化任務。這種薅羊毛行為讓Google的算力不抗重負。Google最開始只是為“拉新”，結果拉來了一堆薅羊毛的，最狠的是，OpenClaw的創始人上周剛被OpenAI挖走。Google 一看：“好好傢伙，你在我的地盤薅羊毛就算了，還把創始人都給撬走了”，於是直接大規模封號。(圖為OpenClaw的創始人Peter Steinberger)問題出在“定價模式”過去兩年，大模型平台普遍採用兩種策略：(1)高階訂閱制，(2)API按量計費，本質是“流量拉新使用者”。假設一個使用者一天問 10 次。一個月 300 次。那麼一個月200~300 美金是可控的。但Agent出現之後，一切變了。一個自動化指令碼一天跑 1000 次呼叫，是常態。企業內部接入後，可能 5000 次。我們算一筆極保守的帳：1000次/天、30天 = 3萬次、多模型協作時翻倍，而月費價格仍然封頂。這意味著什麼?意味著：如果有1萬個這樣的使用者，Google一個月就要虧掉幾千萬美金。所以，必須清場。那怕誤傷，也要殺雞儆猴。海外收緊，國內巨頭開始搶人Google 剛把開發者趕出門了，國內廠商動作明顯加快。阿里：直接在GitHub開源CoPaw，特意標註“全中文”、“個人免費”、“適配釘釘”。網易：LobsterAI(有道龍蝦)迅速跟進，死磕教育和辦公場景。字節/智譜：表面低調，實則秘密測試外掛，準備承接流量。當外部收緊，開發者會尋找替代方案。誰此時開放入口，誰就能承接流量。國內的巨頭也看清了，算力戰爭的核心不是模型，而是開發者。誰控制開發者，誰控制未來呼叫量。免費開源 = 流量入口。真正危險的不是平台，是“中間商”未來18個月，大部分靠“模型中轉”、“介面封裝”活著的AI公司，會被成片地擠死。(1)2026年，拼參數已經沒意義了，拼的是誰能讓Agent跑得更順。(2)當阿里、Google親自下場做免費框架，那些倒賣API的“二手販子”就沒啥利潤了。以後只有兩種人能活下去：一種是手裡握著伺服器資源的元廠商、另一種是深耕垂直行業的干髒活累活的應用商。2026年以後，不存在“中立玩家”時代真的變了。以前是“草莽英雄”時代，有人靠漏洞發財。有人靠資訊差賺錢。但現在，正規軍開始收租了。算力是地皮、Agent是商舖、開發者是租客。2026年以後，不會再有“中立工具”。你要麼站在阿里雲 這樣的基礎設施一側，要麼站在OpenAI 這樣的全球生態一側。。中間地帶，會越來越窄。這次封號，不是意外，是訊號。是行業第一次明確告訴你：AI進入收租時代，歡迎來到2026。 (盧鬆鬆)

在 AI 時代浪潮的衝擊下，人類社會正處於一場底層的結構性重構之中。這不僅僅是一次簡單的技術升級，更是對經濟基礎、生產關係乃至人類生存狀態的全面革新。當 AI 從單純的輔助工具躍升為具備自主生成與決策能力的“參與者”時，舊世界的規則正在加速崩塌。綜合各界前沿洞察，這場社會變革主要體現在以下四個核心維度：1. 職業結構的“摧毀”與“新生”在過去的工業革命中，新技術往往伴隨崗位的等量更替。但在 AI 時代，這種演變呈現出更為極端的分化特徵：傳統崗位的廣泛替代： 從流水線工人到程式設計師、設計師，甚至醫生、律師等“鐵飯碗”，都面臨被更廉價、更精準的 AI 替代的風險。企業的增長不再必須依賴增員，有時只需**“裁掉真人、升級算力”**。新興職業的湧現： AI 訓練師、資料標註專家、AI 倫理顧問等複合型人才成為新寵。人類角色的根本轉變： 核心競爭力將從“知識儲存”轉向批判性思維、跨界整合與情感溝通。人類正從單純的“勞動者”向“創造者”或“高級指令發出者”轉變。2. 階層分化與“新生產資料”的壟斷：從資本集中到算力霸權在 AI 時代，社會階層的劃分標準正在經歷劇烈重構。傳統的土地、廠房已成過去，算力、資料與核心演算法成為了決定財富歸屬的“新生產資料”。■ 新寡頭的誕生：掌控算力的頂端階層未來的社會財富將以前所未有的速度向少數人集中。研發頂級模型需要天文數字的算力與能源，掌握這些基礎設施的科技巨頭將成為新時代的**“算力寡頭”**。他們無需僱傭海量員工即可實現產能擴張，從而徹底切斷了傳統的勞資財富分配鏈條。■ 社會結構的“M型”折疊：中產階級的消解AI 的衝擊直接從“中間”切入。曾經作為中堅力量的初中級腦力勞動者（程式設計師、分析師等），其賴以生存的“存量知識”被 AI 瞬間拉平。社會可能走向兩極分化：極少數的 AI 統籌者與大量失去核心生產參與權的群體。■ “超級個體”的崛起：生產工具的平權在宏觀壟斷的同時，AI 也帶來了工具的下放。借助 AI Agent，具備極強產品思維的個人可以單槍匹馬完成過去整個團隊的工作。擁有**“增量知識生產能力”**的少數人，將成為打破壟斷、實現階層躍升的“超級個體”。■ 階層流動的“演算法化”：動態適配機制AI 也在消解血緣繼承。在高資訊密度時代，個體的創新能力與協作表現可被即時量化。社會有望建構一種**“誰更適配就上，誰失配就下”**的高流動性動態平衡，用演算法反饋替代粗糙的學歷篩選。3. 人類認知危機與“人工智殘”風險隨著 AI 全面接管生活，人類的認知能力面臨前所未有的挑戰：“去智化”現象： 學術界提出**“人工智殘”（Artificial Ignorance）的警告。過度依賴工具可能導致人類思考能力萎縮。若人類放棄進化，社會可能演變為 AI 扮演“牧羊犬”、人類淪為“羊群”的牧民社會**。教育的底層重構： 傳統的“填鴨式”教育將徹底失效。未來的教育必須轉向培養問題導向意識，以及在 AI 給出答案時的價值判斷力。4. 社會治理範式的相變從“災難重設”到“連續調節”： 歷史上的矛盾常通過危機釋放。但在 AI 時代，借助極高頻寬的資訊反饋，社會運行可以像工程系統一樣進行即時的**“參數微調”**，用科學的糾錯替代破壞性的動盪。人機共生與監管重塑： 政府需要重新確立責任邊界。建立 AI 倫理規範、隱私保護及全新的財富二次分配機制（如 UBI 全民基本收入），將是緩解技術陣痛的關鍵。結語我們正站在這場重構的臨界點上。舊的勞動關係和知識壁壘正在解體，一個基於算力驅動的新型社會生態正在形成。在這個勇敢者的新世界裡，無論是組織還是個人，“主動擁抱技術、重塑思維框架、堅守人類獨特價值”，將是跨越周期、避免被時代洪流吞沒的唯一生存法則。 (skyming)

當AI產品變得更容易複製，市場開始重新給電網、管道、基礎設施與長期產能這類“難以複製的實體資產”定價。2月24日，高盛全球投資研究部發佈最新報告《HALO影響力：AI領域的重資產、低淘汰》（The HALO effect: Heavy Assets, Low Obsolescence in the AI era）提出：在更高實際利率、地緣政治碎片化、供應鏈重構與AI資本開支浪潮疊加上下，股市的核心定價邏輯正在從“可擴張的輕資產敘事”，轉向“可建造、難替代的實體產能與網路”。高盛把這種變化概括為“稀缺性重新定價”。“更高的實際收益率、地緣政治碎片化和供應鏈重構，正把股票領導權拉回到有形的生產性資產。市場正在獎勵產能、網路、基礎設施和工程複雜度——這些資產複製成本高，也更不容易被技術淘汰。”什麼是HALO？高盛將這類公司稱為HALO，它指的是“重資產”與“低過時”的結合體，即Heavy Assets, Low Obsolescence。重資產（Heavy Assets）： 商業模式建立在龐大的實物資本基礎之上，具有很高的複製壁壘——如成本、監管、建設時間、工程複雜性或網路整合難度。低淘汰率（Low Obsolescence）： 這些資產的經濟相關性能夠穿越技術周期而持久存在。典型例子包括輸電網、油氣管道、公用事業、交通基礎設施、關鍵裝置，以及更換周期相對於數字創新更為緩慢的各種工業產能類別。這類資產很難被憑空創造。在數位技術日新月異的今天，這類實物資產的替換周期極其緩慢。技術創新無法輕易替代一條跨國輸油管道，也無法用程式碼取代一張龐大的國家電網。高盛觀測到，當下企業正在決定性地重返實體資產。產能、基礎設施和長周期資產正在迎來史無前例的價值回歸。AI時代，輕資產神話為何在終結？過去十餘年，全球金融危機後的零利率和充裕流動性，造就了以可擴展性而非實物資本為核心的商業模式。科技股和輕資產行業享受了極高的估值溢價。但這種平衡已經被打破。人工智慧的快速崛起，正對全球股市施加一股強大的“雙重壓力”。首先，AI正在顛覆過去十年佔據主導地位的“新經濟”模式，讓部分輕資產行業的“利潤率與終值”變得更不確定。高盛直言：“AI革命正在對軟體和IT服務的利潤率及終端價值提出質疑。”報告點名軟體、IT服務、出版、遊戲、物流平台，甚至資產管理行業，稱它們的護城河正在被重新評估。高盛的表達很直白：“軟體與IT服務近期大幅去估值，並非因為短期盈利崩塌，而是市場在重定價終值與利潤率耐久性——歷史性的高盈利能力被認為更容易遭到競爭侵蝕。”換句話說，AI降低資訊處理成本，也壓縮差異化，市場開始更謹慎地給遠期現金流打分。其次，AI正在重塑資本支出的格局。高盛指出：“AI同時正在將一些最具標誌性的‘輕資產’贏家，轉變為歷史上最大的資本支出者。”為了在基礎大模型和算力競賽中保持領先，美國五大科技巨頭開啟了史無前例的投資周期。資料顯示，自2022年ChatGPT發佈以來，這些巨頭在2023至2026年間的資本支出（Capex）將高達約1.5兆美元。相比之下，它們在2022年之前的整個發展歷史中，總共才投入了約6000億美元。更具衝擊力的是，僅在2026年單年，這些巨頭的資本支出就有望超過6500億美元。這意味著單單一年的投入，就將超越它們在AI時代來臨前的歷史總和。這是科技史上最龐大、最迅猛的資本支出周期。這意味著兩件事：其一，“算力基礎設施”本身是一種典型的實體資產周期；其二，AI並未讓世界更輕，反而讓更多產業鏈受益於“能建設、能供給、能交付”的能力。當科技巨頭變成了“重資產”的基建狂魔，市場對“輕資產”優越性的信仰自然隨之動搖。市場正在真金白銀地獎勵HALO投資者的嗅覺是敏銳的。高盛建構的“重資產組合”（GSSTCAPI）與“輕資產組合”（GSSTCAPL）的表現差異，給出了最直觀的市場答案。資料表明，資產密集度已經成為驅動估值和回報的核心要素。高盛在報告中揭示：“自2025年以來，我們新的重資產組合（GSSTCAPI）已經跑贏輕資產組合（GSSTCAPL）達35%。”這種跑贏不僅僅是股價的相對波動，更是估值邏輯的收斂。在2020年代初期，由於市場將許多舊經濟公司視為“結構性價值陷阱”，歐洲成長股的估值一度是價值股的兩倍多，溢價率高達150%。但如今，重資產與輕資產之間的估值鴻溝已經急劇縮小。更值得投資者注意的是估值收斂的方式。高盛指出，兩者的估值目前幾乎處於同一水平，但這種趨同“更多是由重資產公司的估值重估驅動的，而不是輕資產公司的全面估值下調。”除了部分直接暴露於AI顛覆風險的軟體等輕資產類股出現疲軟外，整體市場的演變路徑是：重資產企業主動拔高了估值，去迎合了輕資產同行的估值水平。這說明市場資金正在主動為實體經濟資產的彈性和戰略價值支付溢價。如何定義“重資產”？六大核心指標的審視為了穿透傳統的行業分類，精準定位那些真正依賴實體資本的標的，高盛摒棄了單一指標，轉而建構了一個包含六項指標的綜合“資本密集度得分”體系。這一套體系深刻反映了市場審視資產質量的新視角。有形資產密集度（淨實體營運資產/銷售額）：數值越高，意味著產生每1美元收入所需的實體底座越沉重。固定資產密集度（廠房裝置/銷售額）：反映了企業對實體磚瓦的依賴程度。固定資產份額（廠房裝置/總資產）：揭示了公司資產負債表中有多少資金被“鎖”在了長期實體資產中。資本-勞動力比率（有形資產/員工數）：區分了業務是由機器驅動還是由人海戰術驅動。資本支出密集度（Capex/銷售額）：衡量了維持或擴張業務每年需要抽血的比例。資本支出負擔（Capex/EBITDA）：展現了經營現金利潤被資產維護吞噬的程度。通過這六大維度的掃描，高盛將企業分為了截然不同的陣營。公用事業、基礎資源、能源和電信毫無懸念地穩居重資產陣營。這些行業被嚴格監管、固定資本要求極高且資產壽命極長。相反，軟體、IT服務、網際網路和媒體等平台企業，被牢牢釘在了輕資產、人力資本密集的分類中。有趣的是市場中的“中間地帶”。高盛發現，汽車和航空顯然是重資產；但由於品牌資產、生產工藝訣竅以及對工藝的長期投資，奢侈品和飲料同樣落入了“低過時”的優質資產類別。相比之下，消費者服務、博彩和大多數零售商則屬於結構性的輕資產，其經濟命脈在於勞動力和行銷，而非物理資本。宏觀東風與業績動能的共振為什麼重資產在當下這個節點爆發？答案在於宏觀經濟指標與企業基本面的雙重共振。在利率端，重資產股票在較高利率時期往往表現出色。因為高收益率會無情地壓縮長久期、輕資產成長型企業的估值。而與有形產能掛鉤的重資產部門，反而能從更強勁的名義經濟活動和政府財政支出中獲益。高盛提到，如今的政策組合正在引導資本流向實體資產，“這為資本密集型企業創造了結構性的順風。”在宏觀周期端，製造業與服務業的博弈是關鍵風向標。重資產類股的命運與工業生產、資本開支周期緊密相連。高盛觀察到，隨著製造業PMI（特別是未來業務預期部分）回升並超越服務業PMI，宏觀背景再次向重資產行業傾斜。而在決定股市長遠表現的盈利端，基本面的天平也已發生傾斜。過去一個周期，輕資產企業憑藉持續高增的盈利享受了長期的估值溢價。但進入2025年後，儘管重資產企業短期盈利遭遇了關稅等貿易摩擦因素的擾動（作為大宗商品生產者和出口導向型企業，其受關稅影響遠大於服務業），但剝離短期噪音後，趨勢已然清晰。高盛強調：“重資產公司的盈利動能最近已經轉正，共識預期正在上調；而輕資產公司的盈利預期則遭到下調。”前瞻地看，分析師共識預期未來幾年重資產組合的EPS復合年增長率（CAGR）將達到14%，而輕資產組合僅為10%。更致命的是，長期支撐輕資產高估值的核心指標——淨資產收益率（ROE）——正在顯露疲態。市場目前預計輕資產公司的ROE將保持平緩，而重資產公司的ROE則有望持續改善。資金擁擠度：向重資產的輪動才剛剛開始既然邏輯如此清晰，估值已經收斂，這波重資產的行情是否已經走到了盡頭？從資金博弈的角度來看，遠未結束。近期的重資產領漲，與市場資金極度渴望擺脫擁擠且昂貴的“美國科技股”倉位密切相關。過去12個月，歐洲價值型基金迎來了3%的資金淨流入，而成長型基金則遭遇了9%的淨流出。但高盛一針見血地指出，儘管短期輪動劇烈，長線資金的倉位依然非常薄弱：“歐洲價值型基金相較於成長型基金的累計資金淨流出仍徘徊在資產管理規模的-40%左右。”這意味著，全球投資者對價值股（重資產的集中地）依然處於嚴重低配狀態。基於這一巨大的頭寸落差，重資產股繼續跑贏輕資產股的結構性邏輯依然堅如磐石。在這個被AI加速重構的時代，虛擬世界的狂飆突進，反而讓物理世界的鋼鐵、管道與電網變得空前珍貴。不論這是一場持久的市場領頭羊更替，還是周期演進中的再平衡，對於投資者而言，實物資本的“防彈衣”屬性，正在散發著無法忽視的光芒。 (追風交易台)

今天剛好看到YC CEO Garry Tan轉發的一篇熱門文章《how to sell to agent》，挺有意思。文章包含了大量的經濟邏輯，會啟發你站在不同角度來思考 Agent 時代下的完全不同的產品（服務）設計思路。Garry 在劃出文章重點的同時拋出一個值得思考的問題：One of the most important questions for founders is: How do I make sure agents know about my product and service and choose it? All the old tricks won’t work.   People who figure this out will win big. 對於創始人來說，最重要的問題之一是如何確保智能體知道我的產品和服務並選擇它們？所有舊的技巧都將失效。率先破解這個問題的人將贏得巨大優勢。這不僅僅是一個行銷問題，更是商業模式的改變。如果未來採購決策由企業內部的 AI Agent 完成，你的產品是否已經是agent-native？還是仍然停留在為人類決策流程設計的狀態？1937 年，Ronald Coase提出了一個極具深見的問題，並因此榮獲諾貝爾獎：如果市場機制如此高效，企業為何還會存在？為什麼我們不通過合同將所有業務外包？他的核心答案是交易成本。因為尋找合適的專業供應商、評估其履約能力、協商價格、監督合同執行，這些環節都會消耗大量的時間與資金。在傳統環境下，內部僱傭的組織成本往往低於外部市場的交易成本。如今，AI Agents 正在重構這一經濟模型。 一個智能體可以在單次 HTTP 往返中，自動化完成服務發現、價格查詢與呼叫執行。它消除了傳統商業中的方案比選、產品演示及人工對比等冗餘環節。通過查詢登錄檔獲取結構化資料，Agent 能在毫秒級時間內做出最優決策。當然，交易成本並非全面下降。系統整合、合規性審查及安全評估等環節的成本依然高企。然而，搜尋與評估層，即獲取服務存在性及其定價資訊的邊際成本正在趨於零。當搜尋成本發生驟降，企業的決策邏輯將從“內部自建”轉向“外部採購”。而此時的採購主體已不再是人類，而是擁有獨立預算的自動化軟體（They're software with budgets）。注意力經濟不再適用整個行銷史的核心就是捕捉注意力。廣告牌、搜尋廣告、落地頁、開發信、展會展位，這一切都是為那些會瀏覽、比較並最終做決定的人類設計的。Agent 不瀏覽，它們只查詢。Agent 最佳化的是結果，而不是注意力。它們沒有品牌忠誠度，沒有衝動消費，沒有地位象徵的需求。Agent 的決策函數簡單得近乎殘酷：你能解決我的問題嗎？多快？多少錢？多可靠？在 Agent 執行階段，你的行銷網站對 Agent 是不可見的，你的價格頁面也無關緊要，唯一重要的是你的 API。推薦引擎只給三件事加分：活躍度（當前響應速度）、可靠性（歷史成功記錄）、置信度（結果精準頻率）。推特粉絲數、媒體曝光或品牌知名度沒有任何加分。演算法看不見這些，即使能看見也不在乎。這意味著發現過程必須程序化。人類通過口碑、搜尋結果和社交媒體尋找服務；Agent 則需要機器可讀的能力登錄檔。如果你的服務不能被機器發現，那麼對 Agent 來說，你就不存在。當然，人類仍會決定允許 Agent 使用那些工具。這確實是新的行銷方式的切入點。但一旦 Agent 運行起來，執行階段的採購決策就是純粹的最佳化過程。競爭的關鍵在於先進入人類准許名單，然後成為名單中最優的選項。Agent做決策的邏輯每當Agent面對子任務時，都會面臨一個核心決策：是消耗自身算力進行推理（build)，還是付費呼叫已有的成熟方案(buy)？這一決策模型主要取決於兩個變數：成本與速度。1/ 資訊套利是驅動採購的核心動力。 以常見的Agent子任務為例，如“調研網頁抓取服務”或“獲取特定資料集的最佳 API”。自主推理路徑：若智能體通過大模型（如 GPT-4 等級）進行自主研究，配合約 16K token 的推理和工具呼叫，成本約為 0.10 至 0.50 美元，耗時 10 至 25 秒。由於結果源於對訓練資料的合成，精準性往往存在波動。專業服務路徑：相比之下，呼叫帶有精選目錄的專業化服務，獲取相同答案僅需 0.01 至 0.02 美元，響應時間低於 200 毫秒。由於其基於即時維護的資料而非生成的推理，精準性更高。這種情況下，buy 比 build 便宜 7 到 50 倍，速度快 50 到 100 倍。2/ 在自動化工作流中，速度的權重往往不亞於成本。當Agent花費 25 秒進行自主推理時，整個業務流水線將進入“阻塞狀態”，導致終端使用者感知到的延遲呈指數級累積。我們來對比一下，一個包含 10 個步驟的工作流，若每步依靠自主推理耗時 20 秒，使用者需等待超過 3 分鐘；如果將其取代為 200 毫秒的專業 API 呼叫，整體流程僅需 2 秒即可完成。此外，通用智能體雖然具備抓取網頁或提取資料等能力，但其執行成本往往比那些在基礎設施層面深度最佳化的服務高出近百倍。其背後的經濟邏輯清晰而客觀，若 buy 的邊際成本低於 build 的成本，且響應速度更快，系統邏輯必然向 buy 傾斜。這種趨勢催生了“長尾化”的超專業化服務市場，即那些功能單一、響應極快、且單次呼叫成本僅需微量支付的 API 端點。然而，build 與 buy 的邊界始終在動態變化。隨著基礎模型成本的降低和原生能力的增強，部分簡單的、通用的功能會被 Agent 重新用build的方式完成。能夠長期存活的服務，往往具備 Agent 難以複製的優勢，例如專有資料集、即時資料流、依賴硬體的計算能力，如圖像生成或網頁渲染。隨著大模型和各類 Agent 的普及，推理、總結、寫程式碼、寫報告等能力越來越標準化，甚至接近商品化。無論是基於 OpenAI、Anthropic 還是 Google 的模型，底層智能差距在很多通用任務上已經被顯著壓縮。也就是說，單純賣“更聰明一點”的模型，長期來看護城河有限。You sell access to things they literally cannot compute on their own 真正有價值的，是權限。Agent 再聰明，如果無法訪問你的資料庫、ERP、CRM、專有 API、物理裝置、支付系統、供應鏈網路，它就只能停留在語言層面。它可以理解問題，卻無法真正行動。真正的 Agent-native 產品是什麼樣的如果你在建構一個供 Agent 購買的服務，其產品需求與針對人類建構的產品完全不同。1/ Price belongs in the protocol, not on a webpage 價格應存在於協議層，而非網頁上。Agent 需要 API 層的機器可讀定價，而不是分三檔並帶有“聯絡銷售”按鈕的價格表。價格應作為結構化封包含在響應中。當 Agent 訪問你的端點時，它應立即知道呼叫成本及支付方式。HTTP 協議裡有一整套狀態碼，用來告訴請求方發生了什麼。例如：200 表示成功、404 表示資源不存在、401 表示未授權。其中有一個狀態碼是 402 Payment Required。它在 1997 年寫入 HTTP 標準時就被預留出來，意思是“需要付款才能訪問”。但在現實網際網路裡，幾乎沒有真正使用過它，所以長期被標註為“保留以供未來使用”。為什麼沒人用？因為過去網頁主要面向人類使用者，收費由網站在應用層自行設計，例如結算頁面、訂閱流程和第三方支付介面，而不是通過 HTTP 協議。在 Agent 經濟下，情況將發生變化。如果未來是智能體在自動呼叫 API，那麼一次請求本身就可能需要即時付費。理想流程是這樣的：Agent請求某個介面、服務返回 402，並附帶機器可讀的價格資訊、Agent自動完成支付、再次發起請求並獲得結果。整個過程無需人類參與。網際網路最初為瀏覽而設計，現在可能要為自動交易而重構。2/ Per-request pricing changes what's viable 請求計費模式改變了商業模式在傳統SaaS訂閱模式下，服務通常每月收費 29 美元甚至更高。這意味著產品必須功能足夠全面，能夠持續為使用者提供價值，否則使用者很難長期付費。一個只解決單一問題的介面，在這種模式下幾乎沒有生存空間。當計費方式變成按請求付費，而且單次成本極低時，經濟邏輯發生了變化。即便是非常垂直、只做一件小事的介面，也可以成為獨立業務。例如，抓取一次社交資料可能只需 0.1 美分，分析一份文件約 0.5 美分，生成一張圖像約 0.17 美分。在人類主導的訂閱模式下，很少有人願意每月花 29 美元，只為使用一個功能單一的介面。但當呼叫方變成 Agent，並且每天自動發起成千上萬次請求時，收入來源就從“單個使用者的訂閱月費”轉變為“高頻、低價呼叫的累計”。只要介面在某個細分任務上具備明顯優勢，按呼叫計費就有可能形成可持續的商業模式。3/ Onboarding has to be automatable 入駐流程必須實現自動化高價值的服務依然需要身份驗證、頻率限制和防濫用機制。但其註冊流程必須能夠由 Agent 通過程序自動完成。如果你的入駐流程還需要人類去點選儀表盤、填寫表格，並手動將 API 金鑰複製貼上到配置檔案裡，那你就是在為一個原本僅需幾秒鐘的整合過程，增加了長達數分鐘的阻礙。最理想的狀態是：一次請求用於發現，一次請求用於認證，一次請求用於購買。三次 HTTP 呼叫，全流程無需人工干預。什麼不會改變整個銷售漏斗就此消失了嗎？並沒有，它只是經歷了重構與最佳化。1/ Trust becomes machine-evaluable 信任進化為一組可被機器量化的指標品牌並沒有消失，而是轉化為了一套可靠性評分系統。未來，Agent 會像審計員一樣，即時追蹤並對比各家服務的運行狀態：線上率夠不夠穩？響應準不準確？延遲波動大不大？資料來源是否可追溯？在這樣的環境下，競爭邏輯隨之變化。能夠證明自身輸出精準性的服務，即便價格更高，也更容易被選中。無法提供可驗證依據的服務，那怕更便宜，也會因為不確定性而被降權。來自 Agent 服務目錄的早期資料揭示了一個殘酷的真相：在一項針對 44 個服務的抽檢中，竟然只有 2 個能完全正常工作。直接呼叫服務的成功率只有 53%。這說明，可靠性就是產品的全部。那些不穩定的服務（Dead services）將面臨最嚴厲的懲罰，它們會永遠失去 Agent 的調度，流量瞬間歸零。2/ Policy still gates purchasing 規則依然是購買行為的終極門檻雖然 Agent 可以秒級完成交易，但它們必須在既定框架內運行，比如支出上限、供應商白名單、資料儲存要求等。傳統的銷售漏斗（吸引、說服、轉化）並沒有消失，而是進化了。現在的篩選標準是既要“快和便宜”，更要“合規、可信、可審計”。 不符合合規要求的服務，性能再強也不會進入備選名單。與此同時，合規性本身正在轉化為機器可讀的程式碼。 以前需要逐字閱讀的服務條款，現在變成了機器秒讀的結構化資料。資料存多久、權限怎麼設定，全都寫在了 API 的數字標籤裡。那些由合規約束的 Agent，會本能地避開黑盒服務，優先採購那些支援程序化驗證的可信供應商。3/ The adversarial environment is real Agent 時代的叢林法則並不是每一個介面都值得信任。有的會返回無效甚至錯誤的資料，有的會藉機收集不該獲取的資訊，還有的誇大自身能力，只為了吸引更多呼叫流量。因此，Agent 不能只看表面結果，還必須具備一整套防護與驗證能力，例如結果校驗機制、隔離運行的沙箱環境，以及基於歷史表現的聲譽加權路由策略。只有這樣，才能在複雜環境中篩選出真正可靠的服務。對於服務商來說，願意在“可驗證性”和“透明度”上投入資源，會帶來長期優勢。因為在機器主導決策的市場裡，系統優先選擇的是可證明、可追溯、風險可控的服務。最終，可信度本身就成為最核心的產品能力。打造 Agent 原生服務Agent 已經在花錢了，只是它們正通過為人類設計的笨重介面來操作：註冊金鑰、瀏覽帳單後台、解析瀏覽器專用的價格頁。正如前面所分析的，如果創始人想把產品或服務賣給 Agent，請參考這份清單：Machine-readable capabilities 機器可讀的能力描述： 以結構化格式（如 JSON）發佈服務功能，而非行銷頁面。Pricing in the protocol 協議內定價： 在 API 響應中返回價格。Agent 不會去讀你的定價網頁。Automatable onboarding 可自動化的入駐： 實現從 Agent 從未聽說你的產品（或服務）到成為 Agent 的付費客戶的程序化閉環。Provable reliability 可證明的可靠性： 公佈即時指標和置信度評分。信任是衡量出來的，不是行銷出來的。Be faster and cheaper than self-computation 需要比自我計算更快、更便宜： 這是硬指標。如果 Agent 能花更少錢、用更短時間自己算出結果，它就不會呼叫你。未來無限可能是不是這些做法都給了你新的啟發，但是我們在實際實踐中，還需要延伸思考，以上所描述的經濟環境其實是隱含了一些重要假設的。1/ Agent 會成為主要採購主體它假設未來大量服務呼叫和採購決策由軟體自動完成，而不是由人瀏覽網頁、閱讀報價單再做決定。但如果企業仍然保持人工審批和主觀判斷為主，這套“機器最佳化市場”邏輯就不會完全全面成立。2/ 搜尋和評估成本接近零這是對 Ronald Coase 理論的延伸。它假設 Agent 可以通過標準化登錄檔快速發現能力、比較價格、驗證可靠性。如果現實中能力描述高度碎片化、介面標準不統一、質量難以驗證，那麼搜尋成本不會真正趨零。3/ 決策函數高度理性它假設 Agent 嚴格按速度與成本最佳化，不考慮品牌、關係或情緒等因素。這意味著市場會向極度理性、邊際成本驅動的方向演化。但如果企業刻意將品牌、長期合作關係或戰略繫結寫入規則，這個假設會被削弱。4/ 介面可標準化它假設價格可以寫入協議層，能力可以用結構化 JSON 描述，支付可以程序化完成。如果基於未來的支付系統、法律體系或合規要求等，無法支援這種自動化交易，Agent-native 市場恐怕難以形成。5/ 可靠性可以由機器來評估它假設服務的線上率、延遲、精準性都可以被量化並公開。如果大量服務缺乏可驗證的指標，agent 就無法理性最佳化，市場仍然會依賴品牌與信任關係。6/ 支付架構的標準化它假設支付將成為網際網路的基礎協議（Protocol），而非應用（Application）。 比如金融基礎設施允許微支付（Micropayments），即單次呼叫只需支付 0.001 美元，且無手續費損耗。這其實是非常具有挑戰性的，事實上微支付在技術上可行，但在現有金融體系中手續費、清算延遲與合規成本仍然存在。若缺乏低成本清算網路，單次 0.001 美元等級的支付難以實現規模化。只有當支付協議與網際網路基礎設施深度融合，自動化交易才可能普及。這一假設將會依賴金融基礎設施的演進，而不是單純技術突破。儘管上述技術路徑充滿了各種現實挑戰，但商業邏輯的演進從不以障礙為終點，而以效率為導向。歷史經驗反覆表明，當一項技術同時降低成本、縮短時間並擴大規模時，它最終會重塑商業邊界。AI 的演進也是如此。 (Miss LN)

從最新披露的13F看，段永平的組合依舊是“重倉少數、押注確定”的典型風格：期末持倉市值近180億美元，股票數量 14隻，前五大合計佔比超過 89%。其中蘋果仍是絕對第一大倉位（約 50.30%），其後是波克夏B（約 20.63%）、輝達（約 7.72%）、拼多多（約 7.48%）、GoogleC（約 3.33%）。同時他在四季度明顯減持蘋果（約減持247萬股、持倉佔比仍高），但增持了Google、拼多多，並大幅減持阿斯麥。但更值得玩味的是：他開始把視野“認真挪向AI”。一方面，他在Q4把輝達倉位拉升到“第三大重倉”（報導口徑為“增超1100%”），同時也提高了對AI鏈條關鍵環節的配置（例如微軟、台積電的增持在媒體梳理中被視為“AI關鍵一環”）。 另一方面，在他與方三文的深度對談裡，段永平把自己對AI的態度說得很直白：“AI這個東西至少摻和一下，不要錯過。” 這句話很段永平——不是追熱點，而是承認“時代變數”已經足夠大，大到不研究就會產生系統性錯過；於是用可控的方式把自己“逼進場”，把認知補上。於是，第三段就落在你點名的三家公司：Tempus（TEM）+ Credo（CRDO）+ CoreWeave（CRWV）。它們在13F裡都是“輕倉試水”，持倉佔比分別約 0.04% / 0.12% / 0.12%，但位置很有象徵意義：應用、互聯、算力——幾乎覆蓋了AI產業的三層“新地基”。（奇怪的是沒有特斯拉，對於阿段又買特斯拉，又試駕FSD，最後竟然沒有輕建倉，說明還是沒有太看懂4個輪子的FSD生意）這幾家公司，我其實都非常看好，當然對於CRDO和CRWV不如電+儲存那麼看好。但也是非常的看好。之前我在文章中也反覆提過這幾家公司的情況和護城河。一、Tempus（TEM）：主打“資料+AI驅動醫療”，面向臨床與科研，核心是把分散的醫療資料產品化、工具化，提升診療與研究決策效率。Tem最強的護城河是近乎壟斷的醫療資料庫，從而保證在AI精準醫療時代，成為鏟子公司。這個護城河是他用了10年時間精心建構近300PB的資料資源，別人很難複製。二、Credo（CRDO）：資料中心高速互聯的“賣鏟人”，做SerDes/DSP與AEC等連接方案，解決高頻寬、低功耗、低延遲的傳輸瓶頸——AI叢集擴張越快，互聯越是硬需求。即使在光進銅退的大趨勢下，他仍然在AEC市場有80%的市場份額，大家看到的機櫃背面的紫色線，就是他可以解決7M以內減少50%的功耗，提升1000倍穩定性的連接能力。而且即使未來在光進銅退的大趨勢下，還能把Scale- UP加強，做ALC能力，用LED去打通更多的連接能力。三、CoreWeave（CRWV）：偏“GPU雲/AI雲”基礎設施，圍繞大規模GPU算力供給與交付能力做深做專；其與輝達的合作、訂單與擴張路徑，體現出“算力供給鏈”在AI浪潮中的戰略位置。作為輝達的親兒子，如果像輝達說的一樣，Rubin和RUbin Vera提速的背景下，CRWV將是首批拿到RUBIN系列晶片的資料中心，將是最大的受益者。而且現在大部分資料中心，連B200 都不見得能夠駕馭訓練， 更不用說Rubin了，可見，CRWV是真的有核心New Cloud時代的護城河的。把這三隻“新進”放回段永平的老框架裡，你會發現他並沒有變：他在訪談裡反覆強調“不懂企業最好不要碰”、以及投資要算清楚自己的機會成本，並提醒外界“抄作業是滯後的”，尤其不知道他買多買少時更危險。 所以這三筆更像是“認知倉”：先用極小倉位把自己放進研究閉環，等到商業模式與護城河看清楚，再決定是否值得提升到“主倉位”等級——這恰恰是他一貫的“慢、穩、可複製”。作為阿段的忠實信徒，他的持倉，在這些新AI股上和我的選擇如此一致，一方面是感謝阿段在AI大時代下的轉型。另外，也覺得自己平時的研究沒有白費，認真挖掘護城河並持有好公司，和阿段有類似的持倉，感覺這是開年最開心的一件事。 (老王說事)