不用多說，相信每個人的時間線全被Claude Code刷屏了。馬斯克甚至斷言，「我們已進入奇點！2026年就是奇點之年」。這幾天，Claude Code在全網掀起的陣仗可真不小。一睜眼，地球首富馬斯克重磅宣告：我們已進入奇點！起因竟是，Midjourney創始人公開稱，聖誕假期自己敲的程式碼，比過去十年加起來還要多，簡直太瘋狂。「雖然能感到侷限，但我知道一切都不再一樣了」。同一天，馬斯克不止一次，直接宣稱「2026年就是奇點之年」。這個點評同樣是對Claude Code的高度讚揚。如今，包括Anthropic之父、前DeepMind/OpenAI研究員、Google首席工程師等大佬在內，都為其感到震驚。馬斯克：2026，奇點降臨一直以來，奇點這一概念就像科幻詞一般的存在。雷·庫茲維爾曾在2005年《奇點臨近》一書中，預測道技術奇點大約發生在2045年。而在最新出版的《奇點更近》著作中，他再次重申奇點時間：仍是2045年。誰曾想，這個看似還很遙遠的時刻，一下子被拉到了現在——2026年。所謂的技術奇點，是指技術在長期內增長緩慢，但在某個臨界點急劇加速，呈指數式上升。能夠讓馬斯克有這麼深感觸，竟是Claude Code席捲全網的強大程式設計能力。一點也不誇張地說，2026年開年這局，身邊的人都瞬間成為了Claude Code使用者。生物醫學工程師Derya Unutmaz雖不是專業程式設計師，升級訂閱就是為了更頻繁使用Claude Code。就連xAI聯創Igor Babuschkin感慨道，「有些年頭風平浪靜，啥大事沒有，可有些星期卻濃縮了數十年的變遷」。一夜之間，Claude Code為何變得這麼強了？真正的「民間高手」：Claude Opus精準來說，不是它變強了，而是一直就很強。去年11月底，超大杯Claude Opus 4.5一出世，Anthropic便宣稱其是全球最頂尖的編碼模型。內部測試中，Opus 4.5+Claude Code聯動使用，平均效率暴增220%。當時，Anthropic工程師預言，也許就在2026年上半年，軟體工程就被終結了。如今看來，可能就在最近了。剛剛，在最新升級的LiveBench榜單上，Claude Opus 4.5登頂，直接碾壓GPT-5.1 Codex MAX、Gemini 3 Pro。創始人Bindu Reddy稱，在聖誕假期期間，團隊改進了LiveBench，為了防止AI刷分作弊。這個排名在很大程度上，反映了這些LLMs在現實世界中的表現。去年12月，METR的一份報告揭秘了，全球最能打的AI還是Claude Opus 4.5。它在自主編碼任務中，能夠連續5小時不崩，也是迄今為止公開的AI完成長程任務時間最長的模型。AI大佬Simon Willison表示，Opus 4.5和GPT-5.2就像是一個轉折點。「模型逐步跨越到了一個隱形能力界限的時刻，忽然間，大量的編碼難題都被解決了」。即便是程式設計0經驗的人，也能在不到十分鐘的時間，打造出一款功能齊全的網頁應用。就像網友所言，如果不出意外的話，Claude Code可能會讓更多人成為百萬富翁。人類的最後一次發明如果我們翻開哲學家戴維·查爾默斯（David J. Chalmers）那篇經典的《奇點：哲學分析》，會發現當下的瘋狂景象，不過是這套嚴密邏輯推演的必然兌現。論文地址：https://consc.net/papers/singularity.pdf在查爾默斯的推導模型中，我們正處於一個被稱為「擴展前提（Extension Premise）」的關鍵節點。他將這一過程量化為從AI到AI+再到AI++的階躍：AI：人類水平的人工智慧。AI+：超越人類最強大腦的智能。AI++：超級智能，其超越程度正如人類超越老鼠一般。正如查爾默斯引用的I.J. Good在1965年的那個著名論斷：「超智慧型手機器（Ultraintelligent Machine）將是人類需要製造的最後發明」。邏輯非常性感且冷酷：機器設計機器：既然設計機器本身是一種智力活動，那麼一台超越人類的機器（AI+），必然能設計出比人類所能設計的更好的機器。遞迴的雪崩：這台被AI+設計出的新機器，擁有更強的設計能力，它將設計出下一代更強的機器。無限逼近：只要這台機器能通過編寫程式碼來最佳化自身，我們將無可避免地迎來一場「智能爆炸」。我們現在看到的，正是查爾默斯所描述的「速度爆炸」與「智能爆炸」的完美合流。當模型開始比人類更擅長最佳化演算法時，我們就不再是處於一個線性的增長曲線上，而是站在了垂直牆面的底端。每個人都會成為軟體工程師奇點來臨的那一刻，世界會有什麼不同？Google工程師Vaibhav Agarwal稱，自己再也不用寫程式碼了，現在70%-80%程式碼都是AI寫的。而他的工作僅是「程式碼審查」，角色發生了根本性的轉變，具體是這麼做的：• 不再輸入語法，用提示詞（Prompt）來定義邏輯；• 不再費力找 bug，而是審查AI給出的修改建議；• 不再硬啃遺留程式碼，直接讓AI把它講明白。許多工程師對此感到內疚，覺得自己像是在「作弊」。實際上並不是，他們是在進化。Agarwal曾問過一位資深領導，關於一個所有人都害怕的問題：AI會取代我們嗎？他是這麼說的——AI是一個效率倍增器，而不是替代品。如果你過去每周完成1倍的工作量，現在預期則是，同一周內完成4倍的工作量。沒有任何一家公司希望倒退。如今，衡量「生產力」的標準已經被整體抬高了。如果你因為自稱是個「純粹主義者」而拒絕使用 AI，那並不高尚——你只是慢了。AI不會取代你。但一個借助AI、能完成4倍工作量的工程師……滿足網友的好奇，工程師用的是自家的GeminiHyperbolic創始人Yuchen Jin直言不諱，要是在讀博期間有這些強大工具助力，自己不用耗費5.5年，可能一年就畢業了。此前，奧特曼在採訪中還曾表示，「用不了多久，每個人都會成為軟體工程師」。他隨口拋出了一個關於未來工作方式和軟體世界的超級觀點，但很多人還沒意識到這件事有多重要。核心想法其實很簡單，自然語言，就是新的程式設計語法。程式設計師大軍終結，不需要龐大的開發團隊才能做出第一個版本。只需描述出需求，AI直接把它做出來。在複雜系統中，AI智能體會直接「住」在程式碼庫裡。它們會自己瀏覽repo、修復bug、補測試、重構程式碼，並自動提交修改。一旦軟體開發被自動化，同樣的邏輯也會蔓延到營運、規劃，甚至部分管理工作。程式碼，只是倒下的第一塊多米諾骨牌。如果這一切真的發生，「學會寫程式碼」本身就沒那麼重要了。 (王晶華說AI)

AI大神卡帕西引爆程式設計師焦慮潮：程式設計職業遭遇“9級地震”，人類正在淪為AI的副駕駛？“作為一名程式設計師，我從未感到如此落後。”卡帕西今天在社交平台上的發言瞬間刷屏（不到1天，已經近500萬圍觀）。這位AI領域標誌性人物坦言，程式設計職業正在被徹底重構。他描述道，程式設計師的直接程式碼貢獻越來越稀疏。如今他感覺自己本可以強大10倍。卡帕西列出了一長串需要掌握的新概念：智能體、子智能體、提示詞、上下文、記憶、模式、權限、工具、外掛、技能、鉤子……卡帕西坦言，程式設計職業正在經歷一場“9級地震”。這位OpenAI前創始人、在特斯拉領導AI部門的大神級人物，突然發現自己“前所未有地落後”。“如果我能夠恰當地串聯起過去一年中出現的技術，我的能力本可以增強10倍，”卡帕西寫道，“但如果不能抓住這次升級機會，那絕對是一個技能問題。”在AI工具迅速發展的今天，純粹的技術知識和深度專業能力已不能保證行業領先地位。新的技術堆疊不再是關於理解Transformer架構或編寫優雅演算法。程式設計的本質正在發生深刻變化：從編寫確定性的程式碼，轉向協調一群無人能完全控制的隨機系統。卡帕西列舉了15個在18個月前甚至不存在的新程式設計“基元”：智能體、子智能體、提示詞、上下文、記憶、模式、權限、工具、外掛、技能、鉤子、MCP、LSP、斜槓命令、工作流、IDE整合。這些概念每一個都在以周為單位演化，程式設計師需要建立全新的心智模型來應對這個充滿不確定性的新世界。傳統工程提供的是確定性系統——編寫程式碼，它就嚴格按編寫的內容執行。而現在，程式設計師需要管理“本質上是隨機、易錯、難以理解且不斷變化” 的實體。卡帕西將其比喻為“沒有說明書的外星工具”。整個行業都在即時反向工程這些能力，文件總是過時，三個月前的最佳實踐現在可能已經錯誤。“卡帕西在年底前給整個網際網路帶來了一場存在主義焦慮症，”一位Google員工在轉發時寫道。輝達大神總結道：“2024年：AI是副駕駛；2025年後：人類是副駕駛。Copilot正成為一種新的工程技能。”離開駕駛員座位並不容易，我們必須學會以AI的方式思考，適應陌生的“外星”工作流程。幫助AI，就是幫助我們自己。但也有開發者持樂觀態度：“這是多年來成為開發者最有趣的時刻。AI工具尚不完美，模式仍在形成，有真正的實驗空間。挽起袖子，開始建造吧。”這位開發者補充說，地震正在進一步拓展可能性邊界。關於這個新抽象層最好的消息是：傳統工程技能比以往任何時候都更有價值，而不是貶值。早期在CI/CD、測試、文件和程式碼審查上投入的開發者，在使用AI工具方面最為成功。這些“無聊”的基礎設施成了加速器。它們將智能體從混亂生成器轉變為生產力倍增器。真正的機會在於學習在不同高度上工作。開發者不再需要逐行鍵入語法，而是審查實現、捕捉邊界情況，並在幾小時內完成過去需要數天的功能開發。這確實令人興奮。學習曲線確實存在。理解如何提供上下文、迭代計畫並快速審查AI生成的程式碼需要實踐，但這是可以通過實踐學習的。“人類成為AI副駕駛”的觀念正在技術圈蔓延。這種角色轉換標誌著程式設計工作本質的根本性變革。面對這個新抽象層，傳統工程技能實際上變得更加重要。它們幫助我們最大程度減少交付低品質程式碼的可能性。已經投資於CI/CD、測試、文件和程式碼審查的開發者在使用AI工具方面最為成功。這些“枯燥”的基礎成為了加速器。真正的機會在於學習在不同的高度工作，從輸入語法轉向審查實現、捕獲邊界情況，並在數小時內完成過去需要數天的工作。面對卡帕西描述的程式設計職業“9級地震”，開發者應該如何應對？學習如何提供上下文、迭代計畫並快速審查AI生成的程式碼需要實踐，但這可以通過實際操作掌握——建構小工具、審查所有內容，通過重複培養直覺。當我們將AI的速度與工程判斷力結合時，倍增潛力是真實的。我們不是在取代程式設計技能，而是終於能夠將精力集中在有趣的問題上，同時將繁瑣的部分委託出去。地震已經發生，餘震成為新常態。卡帕西的警示提醒整個行業：要麼挽起袖子跟上，要麼被迅速拋在後面。這位AI先驅的“落後感”並非弱點展示，而是行業劇變的明確訊號。程式設計職業的重構已在進行中，新的抽象層正在形成，而每個人都在尋找掌握這個“外星工具”的方法。地震之後，餘震成為新常態。在程式設計這個曾經被確定性統治的領域，隨機性、不可預測性和持續變化正成為日常。 (三次方AIRX)

這兩周，AI 程式設計圈簡直捲出了天際。前腳Google剛發完新模型，後腳 Claude 就跟進大招。很多人為了嘗鮮，還在折騰各種“魔法”，費盡周折去申請那些國外的帳號。但大部分人都沒意識到，其實真正的“版本答案”根本不需要翻山越嶺，就在我們家門口。01｜ 唯一的中國獨苗，殺瘋了我們不看跑分，直接看看全球最大的模型聚合平台——OpenRouter 上的實戰資料。這可是被稱為 AI 界的“照妖鏡”。結果一看，直接給我整沉默了：圖：MiniMax M2 在 OpenRouter 程式設計分類的排名好傢伙，在一眾中美巨頭壟斷的 AI 程式設計模型 Top 5 榜單裡，中國獨苗只有這一家：MiniMax M2。不僅是上榜，它的實戰熱度更是嚇人。根據統計，M2 的 Token 呼叫量穩居全球前五，高峰期甚至一度飆升到了全球第三，直接跟在Claude Sonnet 4.5 和 Gemini Flash 後面貼身肉搏。圖：MiniMax M2 Token 量排名這意味著什麼？意味著在全球範圍內，已經有無數程式設計師用腳投票，認可了它的實力。02｜價格屠夫：9.9元把門檻踩碎如果說排名只是讓我驚訝，那看到價格的時候，我就是震驚了。M2 的價格直接打到了競品 Claude 的 8%。 注意，這不是打折，這是打骨折。前兩周，他們又搞了個大動作——基礎版首月只要 9.9 元 。你沒聽錯，一杯瑞幸的錢（甚至還買不到生椰拿鐵），就能讓你“雇”到一個全球 Top 5 等級的 AI 程式設計師，而且是包月、不限速。不僅如此，它的每款套餐價格都是吊打 Claude：圖：MiniMax M2 套餐對比這就不僅僅是“真香”了，這是直接把 AI 程式設計的門檻給踩碎了。作為經常測評各種工具的博主，我必須替大家驗證一個問題：這 9.9 元，到底是“智商稅”，還是普通人逆襲的神器？03｜極限實測： 它真能幹活嗎？光說不練假把式。我準備了兩個我們日常最頭疼的場景，看看它能不能接得住招。挑戰一：復刻殺時間神器“2048”午休無聊想摸魚？貪吃蛇玩膩了？我決定讓 M2 給我手搓一個經典的“數字毒藥”——2048。看看它能不能搞定那個複雜的合併演算法。我的指令 (Prompt)：請幫我用 HTML + CSS + JS 復刻經典遊戲 2048。具體要求：介面：經典的 4x4 網格，背景要暖色調（米色/淺黃）。核心邏輯：使用鍵盤方向鍵或手機滑動控制數字移動。相同的數字碰撞時合併翻倍（2+2=4，4+4=8），並有平滑的移動動畫。樣式：不同的數字（2, 4, 8... 2048）要有明顯的顏色區分，數字越大顏色越深。計分：頂部即時顯示當前分數和歷史最高分。一個指令下去，整個過程我只需要一路狂按回車。不到 3 分鐘，神奇的事情發生了：圖：MiniMax M2 遊戲生成過程（加速版）這個過程非常有意思，M2 會先思考遊戲的邏輯，然後一步步的把遊戲寫出來。它甚至能自己更新自己寫過的程式碼。圖：MiniMax M2 自動修復更新程式碼M2 甚至展現出了一種“老程式設計師”的素養：它不僅寫了程式碼，還自己開了個 HTTP Server 跑了一遍測試，順手把 Bug 給修了。這不僅是把開發的活幹了，連維運的活也包圓了。圖：MiniMax M2 自動開啟 HTTPServer 並測試都結束之後，我打開這個遊戲，簡直和原版一模一樣。打開遊戲，按下方向鍵，數字塊“刷刷”地滑動、合併，那個絲滑的動畫效果，完全不像是一個 AI 在兩分鐘內寫出來的“草稿”。邏輯類的“滿分作業”。如果你想做個小工具、小遊戲，它完全夠用。圖：MiniMax M2 生成的 2048 遊戲挑戰二：無中生有做資料分析之前很多想學資料分析的朋友跟我抱怨：“我想學，但手頭沒有資料啊！”其實，這也難不倒 M2。我給它出了個難題：兩步走，先造假（模擬）資料，再做高級圖表。第一步：無中生有（造資料）請幫我寫一個 Python 指令碼，隨機生成一份包含 2000 條記錄的‘奶茶店銷售資料.csv’。欄位要豐富，包含：訂單號、下單時間（精確到分鐘）、使用者性別、奶茶口味（5種）、甜度（無糖/三分/半糖/全糖）、會員等級（普通/VIP）、訂單金額。直接運行這個指令碼，幫我生成檔案。M2 二話不說，呼叫 Python 指令碼瞬間生成了一份極其逼真的 CSV 檔案。第二步：全自動分析（出炫酷圖表）現在，讀取剛才生成的 CSV 檔案，幫我用 Plotly 庫生成一個高級互動式 Dashboard，包含以下圖表：銷售熱力圖 (Heatmap)：橫軸是‘星期幾’，縱軸是‘小時’，顏色深淺代表銷量。我要一眼看出那天那個點最忙。使用者偏好桑基圖 (Sankey)：展示‘使用者性別 -> 會員等級 -> 甜度偏好’的流動關係。客單價箱線圖 (Box Plot)：對比 VIP 會員和普通使用者的消費金額分佈。洞察：根據圖表，自動總結出 3 條行銷建議。出圖的過程更加複雜一點，因為遇到一些畫圖模組沒有，不過不用擔心，它完全自動的給裝上了。圖：MiniMax M2自動解決依賴庫問題這其實是一個非常爽的過程，寫過程式碼的人都知道，安裝各種依賴庫簡直會讓人吐血。震撼結果：這是真正的“自產自銷”。 M2 先是用 Python 的 faker 庫給我捏造了一份極其逼真的資料。緊接著，它生成的 Dashboard 簡直絕了：圖： MiniMax M2 生成的資料分析圖那個熱力圖，一眼就看出來，基本上每天下午 4-5 點顏色最深（摸魚喝奶茶高峰期）。圖：MiniMax M2 生成的資料分析圖最神的是那個桑基圖，你能清晰地看到“女生 VIP 使用者基本都流向了“無糖/半糖”，看來美女都怕糖是真的！圖： MiniMax M2 生成的資料分析圖以後別再說沒資料練手了。9.9元，你不僅有了分析師，連“資料造假...啊不，資料模擬”的活兒它都包圓了。這種圖以前我得調半天程式碼，現在 M2 一分鐘出圖。04｜速度快到飛起天下武功，唯快不破。程式設計這個場景，速度是個關鍵指標，對程式設計的體驗影響也非常大，也直接影響到開發效率。我看了一下 OpenRouter 上資料，這個 M2 簡直是離譜，它的 TPS（每秒輸出 Token 數）基本上是 Claude Opus/Sonnet 4.5 的兩倍。比 Gemini 3 Pro 也高了近 50%！圖：MiniMax M2 速度對比另外，M2 已正式支援圖像理解、聯網搜尋 MCP。05｜怎麼用？M2 的接入非常簡單、絲滑。MiniMax 做了 API 生態的全面適配，支援Anthropic 和 OpenAI 兩種標準格式。不管你是用現在的網紅編輯器 Cursor、Claude Code，還是其他的 AI 工具，它基本都能無縫接入。只要三步，就能用上了。第一步：先訂閱一個套餐：https://platform.minimaxi.com/subscribe/coding-plan選擇一個適合自己的檔位，比如我選擇了只需要 9 塊 9 的 Starter，然後下單。第二步：獲取 API Key訂閱成功後，平台會給你生成一個 Coding Plan 專用的 API Key。複製就好了。圖：MiniMax M2 API 介面第三步： 打開你常用的 AI 程式設計工具，把 Key 填進去。在 Claude Code 裡面設定比較簡單，在配置檔案~/.claude/settings.json設定這些參數即可：{"env":{"ANTHROPIC_BASE_URL":"https://api.minimaxi.com/anthropic","ANTHROPIC_AUTH_TOKEN":"","API_TIMEOUT_MS":"3000000","CLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC":1,"ANTHROPIC_MODEL":"MiniMax-M2","ANTHROPIC_SMALL_FAST_MODEL":"MiniMax-M2","ANTHROPIC_DEFAULT_SONNET_MODEL":"MiniMax-M2","ANTHROPIC_DEFAULT_OPUS_MODEL":"MiniMax-M2","ANTHROPIC_DEFAULT_HAIKU_MODEL":"MiniMax-M2"}}當然，這裡的MINIMAX_API_KEY要換成你自己的。圖：配置 Claude Code配置完之後，你就擁有了一個24小時待命、不喝咖啡、不發脾氣、還巨便宜的頂級程式設計師助手。最後說兩句MiniMax 搞 9.9 元 ，是不是在卷價格戰？ 是，肯定有商業考量。但作為使用者，我感謝這種“卷”。兩年前，為了用好一點的模型，我們得當“網路難民”，忍受高價和封號。但 2025 年，世道變了。國產模型不再是無奈的“備胎”，而是好用且便宜的主力。當算力門檻降到 9.9 元 時，這就叫“技術平權”。所以，真誠建議大家：別光在岸上看，跳下去試試。萬一，它真幫你把心底那個 App 的夢做出來了呢？騰出時間，去造夢吧。程式碼的事，交給 AI。 (AI范兒)

“AI 在科技界吸走了大量資金和注意力，留給其他方向的資源就少了。”距離在網上無奈發帖表示“將被裁掉求飯碗”整整兩個月後，RustTop5級的核心貢獻者 Nicholas Nethercote 昨天終於對外宣佈找到了新工作。這一事件引起了整個程式設計圈乃至科技行業的關注。Rust 近些年一直被全球各大巨頭所追捧，但隨著大模型時代的開啟，AI 的光環日益壯大，就連 Rust 這位昔日寵兒的預算和資源，都被搶奪去了。Rust 真的陷入困境了嗎？求職環境真的有這麼糟糕嗎？真的如外界所傳：3000+行核心程式碼提交比不上一位OpenAI工程師嗎？本文，或許可以幫各位還原一下事情的真相。發帖“求飯碗”的RustTop5貢獻大神近幾個月來，Rust 社區並不平靜。小編是從一位頂級Rust大神無奈發“求飯碗”的帖子最先得知的。在過去的 3.75 年裡，我有幸在 Futurewei 的 Rust 團隊工作，在這裡我幾乎可以自由地以自己認為合適的方式去“讓 Rust 變得更好”。這是我職業生涯中最精彩的階段，我非常感謝 Sid Askary 以及其他 Futurewei 的同事，是他們幫助這一切發生。不幸的是，這份工作很快就要結束了；由於預算削減，團隊正在被縮減。我不清楚背後的詳細原因，但我懷疑主要有兩個： (a) 國際政治與經濟動盪，(b) 人工智慧在科技界吸走了大量資金和注意力，留給其他方向的資源就少了。小編備註：Futurewei 是華為在美國資助的一個 Rust 研發團隊，主要做編譯器、性能最佳化和基礎設施改進的工作。隨後，Reddit上有一位知情的網友爆料，兩位知名的核心貢獻者 Nicholas Nethercote 和 Michael Goulet 不得不公開發佈消息稱他們正在“尋找工作”。而對於這次無奈之舉，Nicholas 在求職帖上透露了原因：Futurewei 的 Rust 團隊因預算削減而縮減規模，他的職位即將被裁撤。不過，由於此事引發關注，他後來在 Mastodon 上澄清道：“我暫時還在 Futurewei 工作”，但離開似乎只是時間問題。”至於為什麼會裁撤？他猜測原因可能除了國際地緣環境因素以外，還有一個不得忽視的事實：人工智慧吸走了科技行業大量資金和關注，從而減少了用於 Rust 等基礎項目的資源。程式設計圈內的天花板，讓Rust編譯變快的男人先來介紹下這位大神。Nicholas 是 Rust 項目的核心貢獻者。去年，他正式成為編譯器團隊成員（regular contributor），同時也是一名 maintainer，負責方向把控與技術決策。他個人背景也非常厲害，劍橋大學博士學位，是著名動態分析工具 Valgrind 的作者之一。如今，Valgrind 已成為記憶體偵錯與性能分析的經典工具。憑藉在 Valgrind 上的研究，他還獲得了程式語言與編譯器領域的最高榮譽之一——PLDI Test of Time Award。雖然他加入Rust項目時間不是很長，但他在 Rust 社區的活躍程度簡直堪稱天花板等級，被業內稱為 “讓 Rust 編譯器變快的人”。光是在 Rust 項目中，他就提交了 3,375 次 commit，而在 Firefox 項目中更是超過 4,000 次。Rust 編譯器的 compiler/ 目錄中有超過 70 萬行程式碼，Nicholas 說自己“幾乎看過裡面的每一個檔案；並且在 77 個 crate 中的 75 個提交過程式碼”。更令人欽佩的是，他不僅專注性能最佳化，還主導了大量 技術債清理：重構錯誤報告 API、移除遺留特性、簡化資料流分析、統一程式碼風格……這些工作常常繁瑣，卻對 可維護性與工程質量 的提升至關重要。他甚至自嘲，在自己 3000 多次提交裡，出現頻率最高的詞是 “Remove”。在程式語言與系統軟體的專業圈子裡，絕對是一個封神的存在（即便不是斗帝，至少是斗聖巔峰等級）。AI搶走了Rust專家的預算“3000 個核心提交抵不過一位 OpenAI 工程師。”許多網友對於這樣一位 Rust 編譯器開發的“頂尖人物”，竟然也要這樣自我推銷的事情感到震驚。會“呼叫 OpenAI API 並複製貼上 prompt”的 AI 工程師炙手可熱，而 提交了 3000+ 編譯器 commit 的 Rust 工程師卻要在 Mastodon 上發招聘帖。還有人忍不住拿當下的招聘環境開起了玩笑：典型的 HR 面試是這樣的：你會用 Cursor 嗎？你有呼叫 OpenAI API 並複製貼上結果的經驗嗎？你有安全合規經驗嗎？哦，不是 CVE —— 我們只關心 prompt injection 防護。抱歉，我們不碰編譯器；我們只提供 AI-first 的人崗匹配夢幻體驗。很遺憾，我們決定與另一位候選人繼續推進。這一幕多少有點諷刺味道，很難不讓人開始擔憂 Rust 的求職環境。一方面，Rust 曾經被譽為 C 語言的繼任者，憑藉“記憶體安全”的承諾迅速在瀏覽器和作業系統中站穩腳跟，贏得聲望。但隨著 AI 崛起，資本和研發資源被大規模吸走。但相比之下，Rust 雖然在底層工程中具有長期價值，卻難以像 AI 那樣展示出立竿見影的回報。甚至有網友想到了微軟之前裁員的做法：2個月前，他們剛剛解僱了15000名員工，用這筆錢來支付人工智慧的費用。大神履新澄清：別慌！Rust前景不錯現在搞 Rust，找工作已經恐怖到這個程度了嗎？就在昨天，大神意識到自己再不發帖，可能就會引起“Rust恐慌”了。終於，Nicholas 在個人播客中發帖，一來是告訴大家：我找到新工作了！二來，是想澄清：Rust發展的要比想像的還好！早在 7 月，我就寫過一篇文章，說自己在尋找新工作。之後遲遲沒有更新，引發了一些公開的猜測：是不是我找工作遇到了困難？如果是，那對 Rust 來說意味著什麼？又對整個科技行業的招聘狀況說明了什麼？等等。文章中，Nicholas 表示，一些網友關於自己找不到工作的境遇、以及對於Rust甚至整個科技行業招聘狀況的擔憂，其實是過於杞人憂天了。“這些猜測基本上都不靠譜！”原因有兩點：幾周前就決定入職了，只是還不太適合對外公佈；Rust已經有了非常廣泛的應用。第一，我幾周前就已經決定加入 VectorWare，只是花了一些時間處理相關檔案、等事情安排妥當，才到可以對外宣佈的程度。第二，我很幸運收到了大量來自潛在僱主的聯絡。至於這是否說明 Rust 工作機會很多，我不想下定論，因為我的 Rust 經驗和影響力比較特殊。但可以確定的是，這也證明 Rust 已經在非常廣泛的領域中被採用。關於第二點，Nicholas 還展開科普了一下：Rust 正在被從巨頭公司到小型創業團隊的各類組織廣泛使用。具體來說，Rust 已經被用於：作業系統、編譯器/直譯器、wasm、GPU 程式設計、量子計算、資料庫、資料分析、網路/雲/伺服器端、醫療、航天、國防、汽車、嵌入式、資訊安全、惡意軟體檢測、搜尋、形式化方法、CAD、開發工具、協作軟體、裝置管理、即時系統、預測市場、生物技術、身份驗證、文件生成、硬體模擬和軟體現代化。另外還有生成式 AI、加密貨幣/區塊鏈和演算法交易。儘管我明確說過不想做這些方向，但還是收到了相關的邀請。所以，大神認為，這真是一個非常振奮人心的訊號！“我原本就知道 Rust 發展得不錯，但沒想到已經好到這種程度。”那麼，最後大神究竟去那裡了呢？說歸說，但小編看到大神決定加入的新公司，卻發現就業市場就是如此真實。Nicholas 宣佈：自己將加入一家致力於用 Rust 改進 GPU 程式設計的創業公司 VectorWare。你看，最後還是拗不過 AI 的大潮流。只能說，Rust 不如 AI 火，也是一個很現實的事情！我很高興地宣佈，我加入了一家名為 VectorWare 的新創公司。目前官網還比較簡陋，但公司的目標是用 Rust 改進 GPU 程式設計的現狀。不過，這份新工作跟在 Futurewei 不一樣，不是全職工作，更多還是開源工作。一個好消息是，大神依舊會活躍在 Rust 社區，繼續擔任編譯器團隊成員和維護者！不像我上一份那樣是“全職投入到 Rust 編譯器開發”，但它仍然會涉及大量開源工作，一些 Rust 編譯器相關工作。同時，我會繼續擔任 Rust 編譯器團隊成員和維護者。有意思的是，大神還秀出自己入職第一周的最大成就：自學GPU程式設計，渲染出新公司的logo圖案！此外，我還將學習 GPU 程式設計，這是對我來說一個全新的領域。事實上，我在第一周最大的成就是寫了一段 Rust 程式碼，用 GPU 渲染出了公司的 logo。VectorWare 的 logo 由十二個大小不一、層層巢狀並相互重疊的三角形組成。每個三角形都有一個紅色頂點、一個綠色頂點和一個藍色頂點，組合在一起形成了一個風格化的 “VW”。軟體的新紀元已來！活到老，學到老。時刻保持對新技術的敏感並主動適應時代。Nicholas 大神可能就是這句話的又一個最佳註腳吧。小編還特地搜了一下這家創業公司的推特，發現是在8月剛剛註冊的。公司的官網，也誠如大神所說的：非常簡陋。但首頁的介紹，確非常激動人心。就讓小編把這段介紹當成文章的結尾吧，Rust 同樣在AI時代有著自己的機會！軟體的新紀元已來！我們正站在一個全新軟體產業的起點。技術的變革總是先緩慢醞釀，然後突然爆發。隨著新“殺手級應用”的推動，CPU 和 GPU 的地位發生了逆轉。為了競爭，CPU 不斷加入 GPU 的特性，而 GPU 也在加入 CPU 的特性，它們正在趨同。然而，軟體的步伐並沒有跟上。CPU 相關的軟體已經高度成熟、標準化，並為人熟悉；GPU 相關的軟體卻依舊原始、定製化且怪異。大多數程式設計師仍然將重心放在 CPU 上。但我們不是。我們正在建構第一家 GPU 原生的軟體公司。我們在 rust-gpu 和 rust-cuda 上的工作只是起點，是達到目標的手段。我們會不斷交付、測試、迭代，直到寫 GPU 程序像寫 CPU 程序一樣稀鬆平常。而在那之後，非凡的成果自然會隨之而來。如果你能感受到腳下大地的震動，就加入我們吧。帶著信念，帶著品味，帶著緊迫感。軟體的新紀元已經到來。好了，文章到這裡結束了。生成式AI 可以說完全把原有的世界，打得一個猝不及防，即便是天花板級的大神也不例外。問題在於，我們如何在這場混亂中尋找機會。共勉！或許，GPU原生的軟體時代，不再只是一個口號~ (51CTO技術堆疊)

9 月 10 日，輝達宣佈將在 2026 年底前推出全新人工智慧晶片 Rubin CPX。這是 Blackwell 平台的繼任者，被定位為“視訊生成與 AI 程式設計”的專用加速晶片。與傳統 GPU 最大的不同在於，Rubin CPX 高度整合了視訊解碼、編碼與推理功能。過去，生成一小時視訊所需的處理量高達百萬級 token，遠超常規 GPU 的處理邊界。Rubin CPX 的設計目標，就是為這種指數級增長的算力需求提供 專用解決方案。更引人注目的是，輝達首次公開了經濟模型：向 Rubin CPX 系統投入1 億美元，最高可帶來 50 億美元 token 收入；硬體價值不再是一次性出貨，而是與 AI 應用的 token 消耗直接掛鉤。一｜技術路徑的三步走1｜算力邊界突破Rubin CPX 內建的視訊流水線將推理吞吐提升至 Blackwell 的 3–4 倍，面向1 小時視訊 ≈ 100 萬 token 的處理量做專門最佳化。2｜系統級整合通過整合解碼、編碼、推理，CPX 取消了 CPU 與外部加速器之間的資料搬運，平均延遲縮短 40%–50%。3｜能源效率提升在同等算力下，CPX 的能耗比常規 GPU 下降 30%–35%，這是視訊場景下能否規模化部署的關鍵。二｜三個關鍵訊號🔍1｜AI 視訊生成已成算力新高地視訊生成和 AI 程式設計是未來最消耗算力的兩大場景。視訊的處理量比文字/圖像高一個數量級，未來 AI 的增長曲線幾乎註定將在視訊領域展開。🔍2｜資本邏輯正在轉向 token 維度過去，晶片的價值以 FLOPS 衡量。如今，Rubin CPX 把“投入產出比”直接對應到 token 消耗 = 現金流。這讓晶片廠商從硬體銷售變成持續的 token 分成，是資本市場更願意買單的模式。🔍 3｜AI 晶片敘事全面升級輝達從 GPU 性能 → 雲算力租賃 → token 經濟回報，不斷迭代敘事。未來誰能承接更多的 token 消耗，誰就佔據 AI 基礎設施的制高點。三｜市場觀察Rubin CPX 不只是一次硬體迭代，而是一次 商業邏輯的躍遷。它揭示了未來幾年晶片價值的核心：不再僅取決於算力極限；而在於 能否把 AI 應用的 token 消耗轉化為可見的現金流。換句話說，誰能把 token 經濟效應嵌入晶片，誰就有機會主導下一輪 AI 基建的資本溢價。四｜資本市場的故事切換對投資者而言，這不僅是技術與商業模式的更新，更可能改變資本市場對輝達的估值框架。Rubin CPX 可能意味著輝達的收入模型，從過去的 一次性硬體銷售，逐步轉向 類訂閱的持續分成模式：硬體出貨只是起點，真正的價值在於 token 消耗帶來的長尾收益；這種模式讓輝達更像一家 “雲服務+軟體平台” 企業，而不是傳統半導體公司；對資本市場而言，這相當於從周期性硬體估值 轉向穩定現金流的 SaaS 估值，敘事天花板被再次抬高。這就是 Rubin CPX 背後更大的金融含義：輝達不只是在賣晶片，而是在賣“算力+現金流”的未來。一塊晶片，不止是算力的極限，而是現金流的起點。 (方到)

剛剛，馬斯克xAI加入Coding戰局：推出智能程式設計模型Grok Code Fast 1。Fast寫進名字裡，新模型主打的就是快速、經濟，且支援256K上下文，可在GitHub Copilot、Cursor、Cline、Kilo Code、Roo Code、opencode和Windsurf上使用，還限時7天免費！不僅性能比肩Claude Sonnet 4和GPT-5，價格更是只有它們的十分之一。已經有網友在Cursor上用Grok Code Fast 1製作了一個模擬戰鬥的小遊戲，可實現持續互動。目前，Grok Code Fast 1在ToyBench上的整體排名為第5名，僅次於GPT-5、Claude Opus 4、Gemini 2.5 Pro和DeepSeek Reasoner。近期，各家發佈的新產品可不少，讓人感嘆：AI發展太快了……能力如何？先來看一波網友實測。首先，第一感受就是確實快，思考時長基本在幾秒之內。在VS Code開源免費的擴展Cline中即可使用。還有人將Grok Code Fast 1加入到聊天機器人中，只需要簡單的prompt：展示真正優秀的pygame。就得到了如下隨機的多媒體效果，看上去也非常絲滑～不只遊戲模擬器，Grok Code Fast 1對UI設計也手拿把掐。在多指令下建構的時間晶體的細節展示也很到位。確實，不少體驗者都表示，這個新模型在指令遵循方面表現很優秀。看完實測案例，再來看看模型情況。兼具速度與性價比根據官方透露出的消息，Grok Code Fast 1從零開始搭建了全新的模型架構，使用專門的程式碼語料庫進行預訓練，並利用真實世界拉取請求與編碼任務資料進行微調。另外，還與GitHub Copilot、Cursor、Roo Code等平台深度合作，讓模型能夠在IDE中快速理解開發者指令，完成如grep、終端和檔案編輯等常用工具的使用。借助推理加速和提示快取最佳化，模型能在你還沒讀完思維流程第一段文字時，就已經執行了數十種工具呼叫。指令快取命中率更是超過90%，使用者體驗將會極度順暢，讓響應毫無卡頓的感覺。除了快，Grok Code Fast 1還具有很強的通用性，無論是TypeScript、Python、Java，還是Rust、C++、Go，它都可以輕鬆完成，從建立項目到點對點的bug修復，而無需人工監督。在內部基準測試SWE-Bench-Verified的完整子集上，grok-code-fast-1成績可達70.8%，在其餘一眾程式設計模型中，性能也處於較為領先的程度。除了傳統基準，測試過程中還額外加入了開發者主觀評估與自動化行為監控，確保模型快速可靠，滿足日常編碼任務。支援256K的上下文窗口，每分鐘最多請求數是480，每分鐘可處理約200萬token。對於日常高頻編碼使用者，這個價格可以說是相當友好了，在性能上也不輸其他程式設計模型。另外，官方也和Grok 4做了對比，Grok 4更適合單次問答類場景，如複雜概念解析或深度偵錯，需要事先提供充足上下文。而Grok Code Fast 1作為輕量級智能編碼模型，更適用於多步驟、工具呼叫密集的複雜自動化任務，是兼具速度和效率的AI程式碼助手。此次更新中，最亮眼的莫過於Grok Code Fast 1超高的性價比。每1M輸入tokens只需要0.2美元（折合人民幣約1.4元），輸出tokens需要1.5美元（約10.7元），快取呼叫tokens更是僅需0.02美元（約0.14元）。與Claude Sonnet 4和GPT-5相比，相當於是只有別人的10%。現在更是7天內可以免費使用……所以已經用過的朋友，快來說說馬斯克家的AI coding體驗夠不夠地道？ (量子位)

AI時代，什麼樣的人才最“吃香”？吳恩達老師最近給出了一個明確的答案：生成式AI應用工程師吳恩達老師認為一名出色的生成式AI應用工程師主要滿足兩個標準：（一）他們能熟練運用各種新型AI建構模組，快速開發功能強大的應用（二）他們能熟練運用AI輔助，實現快速工程化，以遠超以往的速度建構軟體系統此外，良好的產品和設計直覺也是一項重要的加分項核心技能一：掌握AI建構模組吳老師用樂高積木打比方。如果手上只有一種積木，或許只能搭出一些簡單的結構。但如果擁有種類繁多的積木，就能快速組合它們，創造出複雜且功能完備的作品。軟體框架、SDK和其他工具也是如此。僅僅知道如何呼叫大語言模型（LLM）的API是一個很好的開始，但這遠遠不夠。如果掌握了更廣泛的建構模組——例如提示詞工程（Prompting）、Agent框架、評估（Evals）、安全護欄（Guardrails）、RAG（檢索增強生成）、語音技術堆疊、非同步程式設計、資料提取、嵌入式/向量資料庫、模型微調、圖資料庫與LLM的結合、基於Agent的瀏覽器/電腦自動化、MCP（模型、控製器、提示）、推理模型等等——就能創造出遠比單一模組更豐富、更強大的組合。強大的AI建構模組數量正以前所未有的速度增長。隨著開源貢獻者和企業提供越來越多的模組，持續學習和瞭解這些新工具，將幫助工程師不斷拓展其能力的邊界。值得注意的是，即使新技術層出不窮，許多一兩年前的建構模組（如評測技術或向量資料庫框架）在今天依然至關重要。核心技能二：精通AI輔助程式設計AI輔助編碼工具極大地提升了開發者的生產力，並且這些工具本身也在飛速進步。2021年發佈、2022年普及的 Github Copilot 開創了現代程式碼自動補全的先河。但很快，新一代的AI原生IDE（如 Cursor 和 Windsurf）在程式碼問答和程式碼生成方面提供了更出色的體驗。隨著LLM性能的提升，建構於其上的AI輔助編碼工具也水漲船高。如今，我們已經擁有了高度智能化的編碼助手，例如 OpenAI的Codex 和 Anthropic的Claude Code，這些工具在自主編寫、測試和多輪偵錯程式碼方面的能力令人印象深刻。在優秀的工程師手中——他們不僅是“憑感覺程式設計”，而是深刻理解AI和軟體架構基礎，並能引導系統朝著經過深思熟慮的產品目標前進——這些工具使得軟體開發的速度和效率達到了前所未有的高度。一個值得注意的觀察是，AI輔助編碼技術的迭代速度遠快於AI建構模組。一兩年前的技術可能已經遠遠落後於今天的最佳實踐。這部分原因或許在於，雖然AI開發者可能會使用數十甚至上百種不同的建構模組，但他們不太可能同時使用幾十種不同的編碼輔助工具。因此，工具之間的“達爾文式”競爭更為激烈。鑑於Anthropic、Google、OpenAI等巨頭在這一領域的巨大投入，可以預見這種狂熱的發展勢頭將持續下去。緊跟AI輔助編碼工具的最新進展將帶來豐厚的回報，因為每一代新工具都比上一代強大得多。加分項：產品思維在一些公司，工程師的職責是嚴格按照產品經理提供的“像素級精確”的設計圖來實現功能。但如果產品經理必須規定每一個微小的細節，整個團隊的開發速度就會被拖慢。AI產品經理的短缺更加劇了這個問題。實踐證明，如果生成式AI工程師同時具備一些使用者同理心和基本的產品設計能力，團隊的效率會大幅提升。這樣，他們只需得到一個高層級的方向（例如，“開發一個能讓使用者查看個人資料並修改密碼的介面”），就能自主做出許多決策，並快速建構出可供迭代的原型。如何識別優秀人才？在面試生成式AI應用工程師時，招聘方通常會考察他們對AI建構模組的掌握程度、使用AI輔助編碼的能力，有時還會評估他們的產品/設計直覺。此外，有一個問題被證明對於預測候選人的能力水平非常有幫助：“如何跟上AI領域的最新發展？”由於AI技術日新月異，一個擁有良好學習策略的人才能真正保持領先。這些策略包括：閱讀行業通訊（如 The Batch）和參加短期課程通過動手實踐項目進行定期練習擁有一個可以交流討論的社群能夠做到這些的人，才能在這場飛速發展的技術浪潮中脫穎而出 (AI寒武紀)

AnySphere 聯合創始人兼 CEO Michael Truell 所建構的 Cursor，不僅是當前增長最快的 AI 程式設計產品之一，更是未來“後程式碼時代”的早期形態。當前 60 個人的團隊，在產品上線僅 20 個月時，Cursor 即實現了 1 億美元年化經常性收入，兩年之內增長至 3 億美元，成為有史以來增長最快的開發工具之一。支撐這一成就的，不只是程式碼生成能力的提升，更是對整個軟體開發流程的重構與再定義。Michael 是在 AI 領域打磨了十年的技術人，早年在 MIT 主修數學與電腦，後在 Google 從事研究型工程工作。他對 AI 技術路徑與商業史都有深入理解。在與海外科技博主 Lenny 的對話中，他清晰描繪了一個不同於主流假設的未來：程式碼不會被完全取代，但它將不再是人類主要的輸出對象。人們將以接近自然語言的方式表達他們對軟體功能與行為的設想，系統則負責將這些意圖轉化為可運行的程序邏輯。他指出，如今主流對於 AI 程式設計未來的兩種設想都存在偏差。一種是認為開發方式將基本維持現狀，繼續依賴 TypeScript、Go、Rust 等語言建構程序；另一種則相信未來可以僅通過與聊天機器人對話，就完成整個開發流程。▍多形態並存的開發方式談及 Cursor 的起點，Michael 回顧了兩個關鍵時刻：第一個，是他們首次接觸 GitHub Copilot 的內部測試版本。這是他們第一次使用到真正實用的 AI 開發工具，它不僅不是噱頭，而且顯著提升了工作效率。第二個時刻，是他們研讀了 OpenAI 與其他研究機構發佈的一系列 Scaling Law 論文。這些論文讓他們認識到：即使沒有新演算法，只要持續擴展模型參數與資料規模，AI 也會不斷進化。在 2021 年末、2022 年初，他們堅定了一個判斷：AI 產品的時代真正到來了。但與大多數創業者圍繞“建構大模型”展開不同，Michael 和團隊試圖從知識工作的角度出發，反向思考在 AI 增強之下，各個具體工作場景會如何演變。當時他們選了一個看似冷門的方向——機械工程。他們認為這個領域競爭小，問題空間明確，於是開始做 CAD 工具自動化。但很快他們發現，對機械工程缺乏足夠熱情，且缺乏資料語料，開發推進非常困難。最終，他們決定回到最熟悉的領域：程式設計。雖然當時市場已有 Copilot、CodeWhisperer 等產品，但他們認為沒有人真正把願景推向極致。儘管這是最熱門、競爭最激烈的方向之一，但他們依然判斷“天花板”極高，足以支撐一家極具突破性的產品公司。他們放棄了“避開熱區”的策略，選擇了“在熱區做深”的路線。Cursor 的核心決策之一，是不做外掛，而是建構一個完整的 IDE。在他們看來，現有 IDE 與編輯器的架構無法適配未來的開發方式與人機互動邏輯。“我們希望能對整個介面擁有控制權，重新定義開發者與系統之間的互動介面。”這不僅是為了實現更自然的控制粒度，更是為了建構一套真正能承載下一代程式設計範式的系統底座。Michael 同時認為，未來開發方式將是多形態並存的。有時 AI 像助手，在 Slack 或 issue tracker 中完成任務；有時則是 IDE 前台互動；也可能是背景執行某個流程，再前台迭代控制。這些都不矛盾，只要能讓使用者在全自動與手動控制之間靈活切換，就是合格的系統。對於業界目前流行的“agent 熱”，他也表達了保留態度。完全將任務交給 AI 執行可能會使開發者變成“工程經理”，要不斷審查、批准、修改一群“很笨的實習生”的輸出。“我們並不相信那樣的路徑。最有效的方式是：將任務細化為多個步驟，讓 AI 一步步補全，而人類始終保持主導。”Cursor 的早期版本完全從零開發，不依賴任何已有編輯器。最初他們只花了五周時間搭建出可用原型，並迅速替代自己原先的開發工具。整個從零寫程式碼到上線，僅用了三個月時間。發佈後超預期的使用者反饋促使他們快速迭代，最終在性能、體驗與開發速度之間找到平衡，轉而基於 VS Code 框架重構。但在 Michael 看來，真正的成功並不是初版的速度，而是其後持續的最佳化。他承認：“最初三個月版本其實並不好用，關鍵是我們始終保持偏執式的改進節奏。”這份持續最佳化的節奏，最終形成了 Cursor 非常穩定的增長軌跡。雖然初期並沒有明顯“起飛”的感覺，但指數曲線的積累效應，最終在多次迭代後爆發。▍每天跑在正確方向上雖然 Cursor 的爆發看似源於某個關鍵功能或產品決策，但 Michael Truell 表示，真正的秘訣其實非常簡單：“每天跑在正確方向上”。這聽起來平凡，但要持續做到，極其不易。每一個決策，每一個迭代細節，都是從使用者視角出發，不斷地貼近實際場景，不斷地做減法、做最佳化。他們從不寄希望於一次性的爆款，而是深信產品價值必須經得起持續使用與真實反饋的打磨。與這種理念相呼應的是 Cursor 背後的技術路徑選擇。Michael 提到，團隊在最初建構 Cursor 時，完全沒有打算自己訓練模型。在他看來，當時已經有足夠強大的開源與商用基礎模型，投入算力、資金和人力去從零建構新模型，不僅成本高昂，而且方向偏離了他們真正關注的焦點：建構有用的工具、解決具體的問題。但隨著產品深入迭代，他們逐漸意識到，已有的基礎模型雖然強大，卻無法滿足 Cursor 中的關鍵場景。這些模型大多是為通用對話、問答或文字任務訓練的，缺乏對“多檔案結構化程式碼編輯”這類問題的原生理解。於是，他們開始在內部進行自研模型的嘗試。最初是某個具體功能對延遲要求極高，現有模型的呼叫不具備可行性；嘗試自己訓練後發現效果遠超預期。自此，自研模型逐步成為 Cursor 的核心組成，不僅支撐了關鍵功能，也成為團隊招募的重要方向。Cursor 中有一個關鍵特性，就是對“下一步編輯行為”的預測。這在寫作中難以實現，但在程式碼場景中卻極具可能性。因為程序具有很強的上下文連貫性——開發者修改了某個函數或檔案之後，接下來的若干操作往往可預測。Cursor 的模型正是基於這種上下文邏輯，推理出使用者下一步可能會修改的檔案、位置、結構，並以近乎無感延遲的速度提供補全建議。這不僅僅是 token 等級的補全，而是結構化的程式碼片段級預測，其背後完全依賴專為此場景訓練的自研模型，而非通用基礎模型。在模型呼叫成本極高的現實下，這類自研模型還能大幅降低產品使用門檻。要做到這一點，模型必須具備兩個特性：響應快、成本低。Cursor 要求每一次補全推理必須在 300 毫秒內完成，而且在長時間連續使用中，不能產生過高的資源消耗。這種硬性約束，使得他們必須掌控模型本身的設計與部署。除了承擔核心互動功能，Cursor 的自研模型還承擔了另一類重要任務——作為“編排器”輔助呼叫大型模型。例如在程式碼庫規模龐大時，大型模型很難知道該關注那些檔案、那些模組、那些上下文。Cursor 的模型會先進行一次搜尋與歸納，從整個程式碼庫中提取相關資訊，再將其投喂給主模型。這就像為 GPT、Claude、Gemini 等大模型建構了一個專業的“資訊投喂管道”，讓它們的表現更加精準。而在模型輸出端，這些草圖式的程式碼修改建議，也會先由 Cursor 的自研模型進行處理與重寫，轉化為真正可執行、結構化的補丁。這種以多個模型協作、各司其職的系統架構，正如 OpenAI 所稱的“模型整合”。Michael 並不執著於從零建構模型，而是極其務實地選擇了現成的開源模型作為起點，比如 LLaMA。部分場景下，他們也會與閉源廠商合作，微調模型參數，使之適配特定任務。他強調，重要的不是模型底層結構是否掌控在自己手裡，而是能否獲得可操作的訓練和定製權，以服務於產品的實際需求。隨著技術體系不斷完善，另一個問題也逐漸浮現：在這樣一個快速演進的賽道上，Cursor 的護城河在那裡？對於這個問題，Michael 的回答極為清醒。他不相信“產品繫結”和“合同鎖定”可以建構真正的長期防禦力。與傳統的 B2B 軟體不同，AI 工具市場的門檻變化非常劇烈，使用者試錯成本低，對新工具的接受度高。他坦言，這不是一個對傳統巨頭有利的市場，反而是鼓勵新生公司持續試錯、快速迭代、爭奪使用者選擇權的土壤。從這個角度看，Cursor 所能依賴的護城河，並不是模型控制權，也不是資料壟斷，而是“持續建構最優秀產品的能力”。這個行業更像 90 年代的搜尋引擎，或更早期的 PC 行業，每一次改進都能帶來顯著收益，競爭壁壘來自於不斷迭代形成的“深度慣性”，以及團隊組織能力與產品打磨體系的優劣差。Michael 提出一個核心觀點：當一個市場仍存在大量未被滿足的需求，仍有大量可以最佳化的技術結構時，持續研發本身就是最大的護城河。它不需要靠繫結使用者，而是依靠自身的不斷進化，獲得時間與質量上的累計優勢。他強調，這種“進化護城河”並不排斥競爭，也不代表市場只有一個贏家。但在“建構全球通用軟體建構平台”這一命題下，最終的確可能誕生一家規模巨大的超級公司。儘管未來很可能有多個產品共存，但如果問題是“誰能承載全球範圍內最大規模的程式碼邏輯轉譯任務”，那麼最終可能只剩一家公司。原因並不在於其他公司做得不好，而在於使用者自然會趨向於使用最通用、最穩定、最具上下文理解力的平台。在這個領域，產品質量和進化速度決定著市場集中度。他進一步指出，不能以傳統 IDE 市場的碎片化經驗去判斷這一輪技術演化的格局。2010 年代的 IDE 市場“沒有人賺大錢”，是因為那個時代的編輯器能力已經接近上限，能夠最佳化的部分只是語法高亮、偵錯程式整合、快捷導航等基礎功能。但今天，開發者工具正處於新的範式起點，這個起點的目標，不再是最佳化一個編輯器，而是重塑整個知識工作者的任務流與表達結構。AI 程式設計工具的本質不是替代程式碼，而是提升人類指令的表達能力、壓縮從想法到實現的路徑。這是一個比傳統開發工具更大得多的市場，也是一個具備平台屬性的未來通道。在這個通道里，誰能夠提供最流暢、最可靠、最理解上下文的程式設計體驗，誰就有機會成為下一代“軟體建構基礎設施”的代名詞。Lenny 提及 Microsoft Copilot 時，也帶出了當前一個典型問題：最早進入市場的公司是否具備持續引領的能力？Michael 承認，Copilot 曾是整個行業的靈感來源，尤其在最初版本發佈時，帶來了前所未有的開發互動方式。但他認為，微軟並未真正延續其初始勢頭，這既有歷史原因，也有結構性難題。最早開發 Copilot 的核心團隊人員變動頻繁，在大型組織中難以形成統一方向，產品路徑很容易被內部博弈與流程複雜性所稀釋。更根本的是，這一市場本身對 incumbents 不友好。它不像企業級 CRM 或 ERP 系統那樣依賴整合與繫結，也不具備使用者粘性極強的“防切換成本”。使用者選擇完全基於體驗差異，這決定了“產品力”而非“銷售能力”將是決定性因素。在這樣一個動態、開放、高頻試錯的市場中，真正能勝出的公司，是那些能用產品每周迭代、每月進步，並持續向技術上限衝刺的創業團隊。Cursor 當前所展現出的方向感與產品節奏，恰恰是在這種背景下形成的回應。它並不靠“封閉”，而是靠“持續建構一個世界上最好用的開發工具”這一簡單、清晰但極難實現的使命，吸引了開發者的主動選擇。▍如何正確使用 Cursor？在建構一個面向全球開發者的 AI IDE 平台過程中，Michael Truell 最在意的不是模型能力的極限，而是使用者如何理解並善用這些能力。當被問及，如果他能坐在每一個首次使用 Cursor 的使用者旁邊，會給什麼建議時，他並沒有講解功能或操作技巧，而是強調了一種思維模式的建立——對模型“能與不能”的本能判斷力。他坦率地承認，目前 Cursor 產品本身在引導使用者理解模型邊界方面做得還不夠。在沒有明確的提示軌道和互動反饋機制下，很多使用者容易陷入兩個極端：要麼對模型寄予過高期望，嘗試用一條提示解決複雜問題；要麼因為第一次結果不理想便徹底放棄。他建議的方式是任務拆解，即通過“小提示–小生成”的方式逐步推進，與 AI 進行持續的雙向互動，從而獲得更穩定、更高品質的結果。另一個建議則更具策略性。他鼓勵使用者在沒有業務壓力的 side project 中“放手一搏”，嘗試將 AI 能力推向極限。在不影響主線工作的情況下，通過一整套實驗性的項目，去感受模型真正能完成多少，失敗的邊界在那裡。這種“摔跤式探索”能夠幫助開發者建立更準確的直覺，也能讓他們在未來面對正式項目時更有把握。隨著模型版本持續更新，比如 GPT-4.0 或 Claude 的迭代上線，這種判斷力也需隨之更新。他希望未來 Cursor 的產品能夠內建一套引導機制，使使用者無需每次都自己摸索模型的“脾氣”和界限。但在今天，這仍然是使用者需要主觀積累的技能。對於常被問到的另一個問題——這類工具究竟更適合初級工程師，還是高級工程師——Michael 給出了精確的分類描述。他指出，初級開發者往往更傾向於“完全依賴 AI”，試圖用它完成整個開發流程；而高級工程師則可能因經驗豐富而低估 AI，未能充分探索其潛力。前者的問題是“依賴太多”，後者的問題是“探索太少”。他也強調，某些公司內部的資深技術團隊，尤其是專注於 Developer Experience 的架構師等級人才，實際上是最積極擁抱這類工具的一群人。他們既懂系統複雜性，又關注工具效率，因此往往在 AI 程式設計場景中取得最佳效果。在他看來，最理想的使用者畫像並非初學者，也非已固化流程的老手，而是那些“資深但尚未僵化”的中段工程師——具備系統理解力，同時對新方法保持好奇和開放。▍如何組建世界一流團隊？當被問到，如果能回到最初創辦 Cursor 的那一年，會對自己說什麼建議時，Michael 選擇了一個並不技術化的回答——招聘。他反覆強調，“找到對的人”是僅次於產品本身的最重要工作。尤其在早期，組建一支世界級的工程和研究團隊，不僅是產品質量的保障，也是組織專注力、節奏和文化的決定性因素。他所尋找的人才，必須兼具技術好奇心、實驗意願，以及在浮躁環境中保持冷靜判斷的能力。他回憶道，Cursor 在招聘過程中曾走過很多彎路。一開始，他們過於看重“高光履歷”，傾向於招來自名校、年紀輕、擁有標準成功路徑的年輕人。但最終他們意識到，真正合適的人才往往不在這些傳統範本中。相反，那些職業生涯稍晚、經驗高度匹配、技術判斷力成熟的人，反而是推動團隊飛躍的關鍵力量。在招聘流程上，他們逐漸建立了一整套行之有效的方法。最核心的是一項為期兩天的“工作測試”制度。候選人需要在規定時間內，與團隊共處並完成一個高度貼近真實項目的任務。這個流程看似繁重，但在實際操作中不僅可擴展，還顯著提升了團隊的判斷精準性。它不僅考察了候選人的程式碼能力，也測試了協作溝通、思維方式和動手能力，甚至也幫助候選人判斷“是否願意與這支團隊長期共事”。“共事式面試”機制，逐漸演化為 Cursor 團隊文化的一部分。他們將招聘過程視為一種雙向選擇，而非單向評估。在公司尚未被市場廣泛認知、產品尚未成熟時，團隊本身就是最重要的吸引力。他坦言，早期許多員工的加入，源自於一次甚至多次的共處經歷，而非對薪酬或估值的判斷。如今，這一制度仍被保留並運用於每一位新候選人。Cursor 的團隊規模目前仍保持在 60 人左右，這一數字在很多 SaaS 公司中已算精簡。Michael 指出，他們有意保持了這種精幹配置，尤其是在非技術崗位的擴張上保持克制。他承認，未來一定會擴大團隊，以增強客戶支援和營運能力，但就目前而言，他們依舊是一家高度工程、研究和設計驅動的公司。談到如何在 AI 行業日新月異的發佈節奏中保持專注，Michael 並不依賴複雜的組織制度。他認為，組織文化的根基在於招人本身。如果能招到那些理性、專注、不被熱點情緒左右的人，團隊自然會擁有良好的節奏感。他坦承 Cursor 仍然有改進空間，但整體來看，他們在“只關注做出卓越產品”的文化引導上取得了不錯的效果。很多公司試圖通過流程與組織設計解決的問題，其實可以通過“找對人”提前避免。他們的開發流程極為簡潔，之所以能成立，是因為團隊中成員普遍具備自律性和協作精神。他特別強調了一個共同的心理特質：對外界喧囂擁有“免疫力”。這種免疫力並非天然存在，而是在長期行業經驗中逐漸形成的。早在 2021 年、2022 年，Cursor 團隊就已在 AI 程式設計方向上進行探索。當時 GPT-3 還沒有 Instruct 版本，DALL·E 和 Stable Diffusion 尚未公開，整個生成式 AI 行業還處於技術萌芽期。他們經歷了圖像生成的爆發、對話模型的普及、GPT-4 的發佈、多模態架構的演進、視訊生成的興起……但這些看似熱鬧的技術潮流中，真正對產品產生實質性影響的，其實極少。這種對“結構性創新”與“表面噪音”的分辨能力，成為他們維持專注的重要心理基礎。他將這種方式與過去十年深度學習研究界的演進進行類比：雖然每年有無數新論文問世，但真正推動 AI 前進的，是極少數優雅而根本性的結構突破。回顧整個技術範式的變遷，Michael 認為，當前 AI 的發展正處在一個極為深刻的轉折點。外界常常陷入兩個極端：一部分人認為 AI 革命即將降臨，幾乎一夜之間顛覆一切；另一部分人則將其視為炒作、泡沫、不足為道。而他的判斷是，AI 將成為比個人電腦更深遠的範式轉移，但這一過程將是一個“多年代”的持續演進。這場演進並不依賴於某一個系統、某一種技術路線，而是由大量細分問題的獨立解決所組成。有的是科學問題，比如模型如何理解更多資料類型、更快速地運行、更高效地學習；有的是互動問題，比如人類如何與 AI 協作、如何定義權限邊界、如何建立信任機制；有的是應用問題，比如模型如何真正改變現實工作流程、如何在不確定性中提供可控輸出。在這場演進中，他認為會出現一類關鍵企業——專注於某一知識工作場景的 AI 工具公司。這類公司將深度整合基礎模型，也可能自主開發核心模組，同時建構最合適的人機協作體驗。他們不會只是“模型呼叫器”，而是將技術與產品結構打磨到極致，從而成長為新一代平台企業。這類公司將不僅提升使用者效率，更可能成為推動 AI 技術演化的主要力量。Michael 希望 Cursor 能成為這類公司中的一員，同時他也期待看到在設計、法律、市場等更多知識工作領域中，出現一批同樣專注、紮實、技術深度與產品敏銳度兼具的 AI 創業者。未來不屬於炒作者，而屬於那些真正解構問題、重塑工具、理解人與技術關係的建設者。他還指出，2025 年對 Cursor 來說最重要的兩件事，一是打造行業裡最好的產品，二是將其大規模推廣出去。他形容當前的狀態為一場“土地爭奪戰”：市場中絕大多數人尚未接觸這類工具，或者仍在使用更新緩慢的替代品。因此他們正在加大對市場、銷售、客戶支援等方面的投入，同時也持續尋找那些能夠從技術層面推動產品邊界的優秀人才。談及 AI 對工程崗位的影響，Michael 給出的回答頗具冷靜。他不認為工程師會被快速取代，相反，他認為工程師在 AI 驅動的未來將比以往任何時候都更重要。短期內，程式設計方式會發生巨大變化，但很難想像軟體開發會突然變成一個“只需輸入需求，系統就自動完成”的過程。AI 確實能讓人類從低層級的繁瑣實現中解放出來，但方向、意圖、結構設計等核心決策，仍必須由專業開發者把控。這種判斷也意味著，隨著軟體建構效率大幅提升，需求端的彈性將被徹底釋放。換句話說，軟體本身會變得越來越容易建構，成本大幅下降，最終帶來的是整個市場規模的擴張。更多問題可以被建模，更多流程可以被系統化，更多組織會嘗試定製自己的內部工具，而不是接受通用方案。他用一段親身經歷說明了這一點。在他早年參與的一家生物科技公司中，團隊當時亟需建構一套適配內部流程的工具系統，但市面上的方案並不匹配，自己開發的效率也非常有限，結果是絕大部分需求被擱置。這種場景在各行各業中仍普遍存在，說明軟體開發的門檻依然很高。如果那一天做軟體像移動檔案、編輯幻燈片一樣簡單，那釋放出來的，將是一個全新的應用時代。最後，他強調 AI 不會減少工程師數量，反而會使得工程崗位的結構發生變化。那些善於與 AI 協作、能夠理解系統邏輯、具備產品直覺的工程師，將在新一代工作體系中發揮更大作用。 (有新Newin)