Memories.ai試圖為未來的AI設備裝上「視覺記憶」。這家由前Meta Reality Labs研究員Shawn Shen和Ben Zhou創立的公司，11月6日發布了其第二代模型——大型視覺記憶模型（Large Visual Memory Model）2.0，並同步宣布與高通達成戰略合作。LVMM 2.0 透過將原始影片轉換為裝置上的結構化內存，對影片進行編碼、壓縮並建立支援亞秒搜尋的索引，讓使用者可以用自然語言提出問題，跳到確切的時刻。與高通的合作也意味著，Memories.ai可以為搭載高通晶片的AI硬件，例如AI眼鏡等可穿戴設備，提供一個本地化的視覺記憶解決方案，讓你的設備能記住你看到過的東西，並隨時幫你找出來。在合作官宣後，我們也和Shawn聊了聊，他們不參與最擁擠、最燒錢的「通用智能」戰場，不負責讓AI「思考」或「理解」記憶的含義，核心只做兩件事：將用戶看到的視覺資訊進行高效“編碼”，並支援快速且精準的“搜尋”。「從第一原理出發，人類構建記憶也是兩塊：第一，編碼器，能夠實時地把我們感知的世界編碼成電信號，儲存在腦子裡；第二，搜索引擎，用來查找回憶，我們做的也是這兩塊。至於搜出來後，怎麼整理、篩選、組成上下文交給大語言模型，Shawn說道。“我們不做推理，也不做很多'記憶'公司在做的上下文工程。我們認為那些工作解決的問題太具體細分了，而我們想做一家AI Infra公司。”這是一個務實的想法，不與Google、OpenAI這樣的龐然大物硬碰硬，也不和Agent公司爭奪垂直領域，而是選擇一個最底層的切口，成為生態鏈上一個不可或缺的“關鍵底層”，但它同樣具有野心——未來無論誰家的Agent和硬體.ai。Shawn是Memories.ai的共同創辦人，他先前在劍橋大學期間主要研究的就是多模態模型——訓練模型去關聯視覺、語言和上下文。博士畢業後他去了Meta Reality Labs繼續做多模態AI研究，去年和同在Meta Reality Labs 的Ben一起創立了Memories.ai。以下為我們與Shawn的對話實錄：編碼模型+搜尋引擎，一家模型+Infra公司矽星人：為什麼選擇「視頻記憶」這個方向？你們似乎是這個領域裡非常少有的玩家。Shawn：我們想做的是真正模擬人的記憶。我一直認為，人的記憶本質上是視覺記憶，回憶的載體是活生生的視覺畫面，而不是文字記憶。所以我們從第一原理出發，決定要做視覺記憶。矽星人：你們的技術路線是怎麼樣的，怎麼建構視覺記憶？Shawn：我們本質上只做兩件事。從第一原理出發，人類建構記憶也是兩塊：第一，我們有一個編碼器（Encoder），能夠即時地把我們感知的世界（透過視訊方式）編碼成電訊號，儲存在腦中；第二，我們有一個搜尋引擎來找回憶。我們做的也是這兩塊：一個編碼模型，把原始的影片轉成結構化資料；一個搜尋引擎，根據使用者的提問，在結構化的資料庫裡找到最相關的資料。我們覺得，未來的編碼模型一定會做得越來越小，甚至一定會做進端側。因為影片需要即時、持續地處理，不像大語言模型，用戶一天只問幾十個問題。未來的機器人需要時時看著世界，這必須在端側處理。如果不在端側，持續上傳到雲端的耗電量會非常大，而且還有隱私問題。矽星人：我體驗了你們的產品，除了核心的影片Chatbot，還有基於海量影片的影片行銷洞察、AI剪輯等等，這些都是你們未來的方向，還是僅僅作為案例範例？Shawn：那些較偏應用層的功能，例如影片剪輯（Video Editor），更多是作為示範案例，之後我們會開源。我們一度想嘗試，但很快就發現想做深非常難，而且沒有必要。因為現在也沒有一家Video Editor Agent 或Video Marketing Agent 公司真正跑出來。我們業務有三塊：to C（或to Prosumer）、to Developer 和to 大B（大客戶）。 to Prosumer 和to Developer 這兩塊，我們的目的不是賺錢，更多是擴大品牌影響力。對於Prosumer，我們的定位是一個一體化視覺平台，使用者可以上傳各種影片來學習和理解。我們後面也會推出連接器（Connector），可以連接到你自己的視訊來源，例如Google Drive 或本地硬碟。對於開發者，我們會開放API。現在已經有許多影片剪輯Agent、影片行銷Agent公司在基於我們的API建立自己的產品。我們自己做的這幾個Agent，其實是作為「參考設計」。對於B端業務，Memories.ai已經吸引了許多企業合作需求，我們會篩選合適的專案進行深度合作。例如安保和監視器中，對房屋周圍情況的記憶，對獨自在家的寵物行為的記憶，舉個例子，你可以問AI，家裡的花瓶是怎麼碎了，然後AI查詢出，是你的小狗在幾點打碎的。所以，我們只專注做兩件事：編碼（Encoding）和為影片優化的搜尋（Search）。我們不做推理（Reasoning），也不做很多所謂「記憶」公司在做的上下文工程。我們認為那些工作解決的問題太具體（Problem Specific）了，而我們想做的是一家Infra公司。矽星人：如果每個垂直領域的記憶都那麼不同，記憶公司該怎麼去處理，都要做的話，是一個很大的挑戰。Shawn：是的。因為記憶，尤其是基於文本的記憶，太場景化了。就算是同樣做客服機器人，你不同需求場景對記憶的處理方式就是不一樣的，上下文也不同，這很難做成一個基礎設施級的產品。而什麼東西能成長得最快？在企業端，就是找到一個痛點，然後找到更多有類似痛點的企業，做成一個SaaS。在消費端，就是輸入輸出（Input-Output）要簡單，一個API 呼叫就結束了，而不是在裡面還要做各種各樣的工作，那樣很難Scale。現在大部分記憶框架，對我來說就是情境工程。而我們做的編碼，是完全獨立於具體問題的，就是怎麼把視頻變成結構化數據；搜索，就是當我在海量的結構化視頻數據裡，有一個當下的任務或查詢時，怎麼搜到最相關的內容。至於這些內容搜出來之後，你怎麼整理、怎麼篩選、怎麼組成上下文餵給大語言模型，這些就是RAG做的事了。當然對於B 端大客戶，我們會提供端到端的方案。矽星人：編碼模型是你們的核心。這個過程中，對影片的結構化處理很複雜，例如對人物、動作、情節、事件的多層拆解。你們的編碼模型和先前的相比，差異在那裡？Shawn：主流視覺模型，例如ViT，把視訊向量和文字向量對齊，用對比學習進行對齊，通常是基於靜態圖片（Image）進行訓練的，這帶來了幾個問題：第一，它不是真正的多模態，只能理解視覺，無法融合音頻等資訊。第二，它無法理解時間概念，因為輸入的是靜態圖片。第三，由於它是跟文字描述做對齊訓練，如果文字裡沒有涵蓋某些概念，模型就永遠學不到。而我們做的是一個世界模型編碼器。它有三大不同：真正的多模態： 能將視覺、音頻等多種信息融合到同一個嵌入空間裡；理解時間與動作： 基於視頻流進行訓練，因此能真正理解動作（Action）；自監督學習： 我們尤其在人物、動作和物體的理解上做了大量優化。矽星人：所以本質上你們是一家模型公司。Shawn：對，我們本質上是一家研究驅動的模型公司，一個研究實驗室（Research Lab）。視訊記憶模型的未來在端側矽星人：這一代模型，藉著跟高通合作的契機，做成了能在端側運作的模型，它和第一代模型的關係是什麼？Shawn：它們都是編碼和檢索模型。第二代則做得更小，更多的是尺寸上的差別。矽星人：你認為這類模型，它存在的價值主要是在端側嗎？Shawn：我覺得對於編碼模型來說，在端側非常重要。就像人一樣，視覺訊息是持續不斷進來的。舉個例子，你的手機相冊，大部分人其實不會上傳到雲端做備份。矽星人：那現在它辨識精準度的問題，接下來要如何進一步優化？Shawn：首先，肯定是要在更大的資料上做訓練，模型會變得越來越準。第二，還是要把模型做得更小。我覺得「準」是有一個天花板的，因為我們不是做推理模型。推理模型沒有天花板，可以做得無限聰明。而我們的編碼模型，它的目標就是對視訊訊息做一次無損的重構（lossless reconstruction），最多就是能做到完全轉回去，這就是天花板，可能未來5 到10 年達到。現在更重要的，就是怎麼把模型不斷變小，先在NPU，後面在CPU，再後面在一個更便宜的處理器上就能即時跑。矽星人：跟高通的合作，是第一次把模型放進NPU 或晶片裡嗎？Shawn：對，之前都是在雲端依賴GPU，透過API 呼叫。現在可以直接做端側部署了。矽星人：接下來和高通的合作，會有階段性的部署計畫嗎？Shawn：有。我們現在就在跟他們做共同銷售（Co- sell），一起去服務很多終端廠商客戶，我們也能提供許多新創公司的合作機會。我們做各種各樣的POC（概念驗證），包括未來的一些AI 眼鏡公司。主要的use case 就是手機上的AI 相簿、安防領域的智慧監控，以及AI 助理的端側視覺能力。矽星人：這幾個案例的市場規模，就足夠支撐你們在長線的事情上繼續投入了。Shawn：是的。而我們現在也在做First Party（第一方）的APP，高通也會在這方面支持我們。矽星人：這個事挺重要的。一方面，直接在晶片上跑，速度會天然快很多。另一方面，回顧商業史，行動網路時代的許多大公司，例如字節跳動，最初也是在智慧型手機轉換期透過預先安裝來獲得槓桿。所以這次合作的節點，從這兩個角度看都很重要。是高通主動找到你們的嗎？Shawn：是高通找到我們的。你看現在輝達漲得這麼快，那麼下一個破局點在那裡，很自然就能想到了穿戴式裝置和機器人。這些設備什麼地方需要巨大的算力？就是對視覺資訊的即時處理。矽星人：為什麼現在大廠很少做類似的事？Shawn：我覺得更多的是因為大家現在都在競爭「智能」。 「智能」和「編碼」是兩條完全不同的技術路徑。 「智能」要做的是要有足夠的創造力，而且沒有上限。我們做的“編碼”，是把影片轉成結構化數據，從技術上說，我們需要的創造力是越少越好。這是完全不一樣的訓練方法和技術路徑，最後只會越走越遠，而不會趨同。矽星人：這很有意思。我們來看「記憶」這個領域，包括像DeepSeek OCR 、 Sora出來，外界總是想把它放到多模態的框架裡討論，包括你們也能被歸類到「世界模型」的討論中。但我自己感覺，其實不應該把視覺只是當成一種“模態”，包括你們的思路其實也是把它當作一個更基礎的東西。只是因為這波大語言模型太強了，所有東西都在向token 對齊，但人的記憶可能是基於視覺的，不是基於token 的。Shawn：是的。你看，人思考用文字，所以我們寫公式是用token 的。但是人回憶，永遠是回憶視覺。因為視覺回憶起來夠快、夠準。我現在讓你一字不落地背誦一篇長文可能很難，但讓你回憶幾十年前童年的某個場景，你卻可以很快地回溯出來。因為視覺訊息對於人腦來說，是一個非常容易被儲存和檢索的模態。有了這些視覺訊息之後，你才會去做相關的推理。矽星人：我們知道，像LLM（大語言模型）處理的Token，資料儲存和檢索相對高效，甚至可以用「大力出奇蹟」的暴力方式來處理。但視覺訊息要大得多，將非結構化的視覺訊息轉換成模型能理解的「結構化資料」的過程，是否也意味著它的處理方式與現有LLM完全不同？舉一個更具​​體的例子：當我回憶童年時，我的人腦並不會像電腦一樣，從2000年到2005年把所有「視訊畫面」都線性地掃描一遍，你們的模型要如何才能實現這種類似人腦的、非線性的視覺記憶檢索？Shawn：對，其實在研究領域大家都很早期。比方說，DeepSeek OCR，他們也開始探索如果拿視覺當作一個Native的Reasoning框架，之後會發生什麼，其實我們也是用這樣的方式去思考的。大語言模式是無監督訓練，去Predict the next token，我們現在做世界模型的Encoder。世界模型不是predict next token，是predict the next frame。矽星人：你的最小單位是frame，裡麵包含了時間等多維度資訊。Shawn：對。創業要找到北極星指標，學會Say No矽星人：所以你們在一個研究上都未成熟的領域，需要去定義問題，同時又要商業化、要融資，技術本身又很新。Shawn：對，在矽谷大家也更認同這一點，就是我們去做一個長期（5到10年）的事。我們現在主要還是把自己定位成一個Research Lab，在長期道路上做正確的事。矽星人：但做這個事情需要資源，你們的資源怎麼去競爭，策略是什麼？Shawn：我們需要三類資源，資料資源、算力資源、人才資源。因為我們做的模型，天生就不需要特別多的算力資源，模型本來就小，編碼模型預先訓練一次花幾百萬美元。所以，對我們更重要的是數據資源和人才資源，我們主要是在這兩方面有一些核心競爭力。矽星人：可以展開講講嗎？比如數據。Shawn：第一，我們平台上有幾萬用戶，上傳了超過百萬的個人影片。第二，我們會透過硬件，專門去做第一人稱視角的視訊資料擷取，這類資料本身就非常稀缺，但我們也累積了大量的資料。第三就是人才資源，我們在矽谷有一定的存在感，是一家人才濃度很高的公司。大家其實都是因為對我們所做的事情有興趣而來的。矽星人：以前在學術界，現在身為CEO，這個轉變感覺怎麼樣？Shawn：挺好的。挑戰很大，每個階段都不同，很多東西體驗了才知道。例如大家都說要保持健康，但只有你真生病了才知道重要。創業也是，大家總說要招最牛的人，真正做了才知道這確實至關重要，不能只招執行力強的人。第二點是要專注，學會說不。新創公司資源永遠有限，怎麼專註一件事，做好優先排序與時序安排。聽別人講和自己上手體驗完全不一樣，我現在是各種環節都得自己上，從產品到市場，到跟客戶交流，企業銷售會議，甚至模型、產品發布的視頻文案都是我做的。矽星人：我們觀察到你的產品思路不斷在改變。例如一開始對Prosumer 端的想像可能野心很大，但試了一下馬上就知道了市場的真實回饋。Shawn：今年三、四月份，我們也覺得影片行銷（Video Marketing）是利用多模態的一個非常好的市場。但試了之後發現不是。我們的技術是理解海量視頻，AI 助理（AI 的記憶）才是我們未來真正想做的方向。像是影片剪輯、影片行銷這些，即使做了，你還得去找更細的切入點，例如是給品牌用還是給個人用，是做有UI 的還是純自然語言互動的。切得越小，跟我們主體方向越遠。所以我們決定這些就作為Demo或Side Project，我們還是會更專注於更長期的事。我們的北極星（North Star）是：做未來所有智能體（機器人、AI 助理等）的記憶系統。只要硬體上有攝影機、內部有AI，我們就為它提供看見、理解並記住世界的能力。矽星人：你現在也依然在大學裡擔任教授，這種給公司和產品的定位能力和學術裡去「定義問題」有點像？Shawn：對，就是一句話概括你要做什麼。定位定義好了，你才知道怎麼打市場，目標客群是什麼。例如我們的目標客戶群一直是創辦人和建構者（Founders and Builders），我們也確實做到了，現在的AI 創業團隊應該都聽過我們。矽星人：你那一句話的定位是什麼？變化過嗎？Shawn：沒太變過。如果用一句話概括，就是「讓AI 看見和記住」（Making AI to see and remember）。另一個是「Large Visual Memory Model」這個詞，它本身就定義了：第一，你是做視覺記憶（Visual Memory）的；第二，你是模型（Model）公司；第三，你是做基礎層（Foundational）工作的。在萬物皆可被記錄的時代，如何「記住」本身，或許比如何「思考」更為根本。(矽星人Pro)

把握AI驅動的增長新機遇的同時，還需應對其帶來的產業、就業與社會公平等風險，尋求穩健發展路徑過去幾年，人工智慧（AI）領域取得了重大技術突破，正以前所未有的速度、廣度和深度滲透到經濟社會各領域，重塑人類生產生活方式與思維模式。在這場革命中，全球經濟格局在被重塑，全球化也將被重新定義。人工智慧浪潮席捲而來，任何國家、產業和個人都無法獨善其身。10月23日，清華大學校務委員會副主任楊斌在外灘年會致詞中指出，AI是一場“認知的工業革命”。他強調，在這場變革中，人與人、企業與企業、國家與國家之間“可能因AI賦能程度的差異而拉開數量級差距”。這場由AI帶來的變革亟需公共政策體系的完善與全球協作治理。公共政策體系層面，需要推動教育體系結構性改革，建立終身學習機制，強化職業技能重塑，以應對就業市場結構性變化。國際協作層面，應推動技術共享與規則共建，通過多邊對話機制開展務實合作，避免全球AI治理陷入碎片化困境。此外，各國需要在鼓勵技術創新與防範潛在風險之間尋求動態平衡，確保AI發展真正服務於人類共同利益。外灘年會國際顧問委員會主席、歐洲央行原行長特裡謝在2025外灘年會提到，AI的爆發式崛起就讓我們清晰見證了科技的這種不可預測性，它不僅體現在大語言模型（LLM）和生成式預訓練轉換器（GPT）的問世，更體現在與人工智慧相關的、更廣泛的方方面面。“在這一領域，我們或許正面臨有史以來最重要的挑戰。”他說。AI席捲全球哈佛大學教授、美國白宮經濟顧問委員會原主席傑森·弗曼和法蘭克福大學金融研究中心主席、德國央行原行長阿克塞爾·韋伯都認為，人工智慧總體上是“讓贏家贏得更多”，是一種正和局面。傑森·弗曼指出，人工智慧帶來了新應用及應用的擴散，最終會形成促進生產力提升的創新方式，在全球範圍被廣泛採用。雖然某些國家的股市可能受益更多，但所有國家都會分享到生產力提升帶來的收益。阿克塞爾·韋伯進一步指出，開源和雲技術可能會在之後彌補早期的差距，許多公司都處於技術應用前沿，發展前景無限。對於擁有年輕人口的國家和企業來說是巨大機遇，因為它們沒有技術包袱，也不依賴舊體系，且創新的成本非常低。北京大學國家發展研究院院長黃益平則強調，不同國家間的差距核心在於能否掌握人工智慧技術並從中獲益。他認為，如果一些缺乏最基本的數字基礎設施與相關能力的南方國家一直保持不變，將面臨被淘汰的風險。不只是國家，產業和個人也受到了人工智慧的影響。比如，在金融業，AI在金融行業主要用於最佳化業務流程和對外服務，主要集中在三個方面：中後台營運、客戶交流和關係維護、提供金融產品，也帶來了一些增量風險，如模型穩定性風險、資料治理風險、集中度風險、決策趨同風險等等。布魯金斯學會高級研究員、技術創新中心主任達雷爾·韋斯特認為，不只是入門級工作，軟體編寫、研究輔助、放射科分析等專業崗位也將受到影響。此外，由於AI讓機構組織變得扁平化，中層管理人員也會受到衝擊。然而，國際勞工組織首席宏觀經濟學家埃克哈德·恩斯特指出，從全球資料來看，AI帶來的大規模失業尚未顯現。並且，許多變化是“任務轉移”而非崗位整體消失。此外，新的工作機會也在湧現，如資料標註、社交媒體稽核、數字介面設計師等。他認為，今天被認為是愛好的東西，在未來也可能會成為真正的工作。儘管新舊崗位交替是技術進步的常態，但專家們普遍擔憂AI可能帶來的“技能錯配”問題將異常嚴峻。從中國的情況來看，中國金融四十人論壇學術委員會主席、中國社會科學院學部委員蔡昉認為，AI或將放大已有的結構性就業矛盾，即“一老一小問題”——青年人初入職場將面臨更高的技能門檻，而中老年人則可能因數字鴻溝難以適應新工作環境而提前退出市場。中國人民銀行原行長周小川指出：“AI很可能顯著加大而非縮小收入分配差距。然而目前尚未建立有效的管道和機制，將AI帶來的新增效率和GDP增量分配給養老金體系。”香港金融管理局副總裁李達志指出，真正的挑戰在於如何解決技能錯配——能否讓同樣數量的人通過再培訓，去勝任更高端的工作。如何應對AI巨變專家們普遍認為，金融領域的AI應用能顯著提升效率，但也給金融行業和金融監管帶來了新的挑戰。周小川認為，AI的發展必然帶來模型的黑箱，這是未來監管需要解決的問題。此外，高頻短期模型可能與宏觀調控的長期穩定性要求不一致，對相關風險也需要認真對待和解決。在國際合作方面，可以加強基礎設施的聯通，為未來具體的國際合作打下基礎。針對解釋性問題，李達志分享了中國香港做法——香港正在與國際清算銀行（BIS）合作開展“Project Noor”項目，該項目旨在開發一些監管工具，建立評估框架，用於衡量系統的透明度、有效性以及可解釋性。歐盟則傾向於通過法律進行監管。2024年，歐盟正式出台《人工智慧法》，這是全球首部全面規範人工智慧技術的綜合性立法，其核心是監管。法蘭西銀行副行長阿格尼絲·貝納西-奎裡還提到，從金融領域的AI監管合作來看，當前在G7框架下的國際合作缺乏實際行動。她贊同通過和國際清算銀行（BIS）等平台開展“更具實質性的項目”來推動合作。而面對AI給社會結構帶來的深刻影響，相關專家一致認為，積極主動的公共政策干預至關重要。首先，要加大人力資本投入，將聚焦在未成年人的公共教育轉向成人的終身學習，幫助勞動者不斷提升職業技能。蔡昉提到，應重視培養人類不易被AI替代的能力，如非認知能力、隱性知識、時間智慧等。由於這類能力主要在人的早期（0-3歲）發展中形成，因此可以考慮將教育時間前移。此外，政府還提供更多公共資源，有效地延長教育年限，並打破教育和培訓的界限，重新配置職業高中、職業高校的培訓資源，保證勞動者一生中不斷再培訓、再教育。其次，社會保障制度也需要進一步改善。韋斯特指出，AI不僅會帶來崗位的替代和新增，還將導致“崗位流動性”的上升，即勞動者會在不同公司和崗位之間更加頻繁地流動。對於像美國一樣醫療和養老福利與特定企業掛鉤的國家而言，工作的更替會導致勞動者面臨不同的醫保方案。如果不改革，未來可能產生嚴重問題。因此，為適應新趨勢，醫療和養老等社會福利保障必須提高“可攜帶性”。恩斯特提出，為了打破職業僵化，有必要推廣“微證書”制度。該制度利用AI技術來記錄此前在工作中積累的隱性技能，幫助勞動者打破職業邊界，自由地在不同職業間流動。最後，為確保AI紅利得到公平分享，需要建立普惠性的社會保障體系。多位專家提到，全民基本收入（UBI）制度、無條件的社會養老金制度、生活工資制度（而非最低工資制度）等制度應該越來越多地進入公共政策議程中。周小川補充，如何將AI帶來的新增效率和GDP（國內生產總值）增量分配給養老金體系，也是一個亟待研究的課題，並且與企業密切相關。研究養老金的各界人士和政策制定者，應對企業的感受和訴求給予更多關注。中國AI的破局時刻在今年外灘年會上，國內外學者均認同，中國與美國已共同躋身全球AI發展的第一梯隊。關鍵轉折點就出現在2025年春節期間——中國迎來了屬於自己的DeepSeek時刻。同時，在國家的大力支援下，國產AI算力、大模型和AI應用呈現出井噴態勢。阿里雲智能副總裁李俊平表示，這一波AI浪潮與十年前的網際網路浪潮最大的區別是選擇了開源路線。開源極大地降低了社會使用AI的成本和技術門檻，推動了全社會在算力和資料集使用上站在更高起點。穹徹智能首席執行官、上海交通大學人工智慧學院副院長盧策吾指出，“厚積薄發”是本輪AI浪潮的最大特點。近期，他看到了國家擁抱人工智慧，在人才培養、基礎設施上進行了大量投入。雲深處科技聯合創始人兼首席技術官李超認為，中國AI場景應用最大的優勢是寬容。國企、央企和地方政府為企業提供了時間窗口，讓初創企業能從“能不能用”打磨到“好不好用”。然而，在AI取得進步的同時，瓶頸依舊存在。交通銀行副行長兼首席資訊官錢斌指出，目前中國的算力資源仍不充分，且存在“小高爐”現象；高品質跨行業資料共享困難；模型同質化問題待解；政策法規體系對新生產力的適配性有待加強；複合型與工程化高端人才短缺。中國科學院院士姚期智也提到，“在‘從0到1’的突破領域，中國（相對美國）還落後不少。”此外，與矽谷相比，中國的科技成果轉化效率不足，缺少願意承擔風險、注重長期回報的投資環境。不過美國科學院院士、英國皇家學會會士邁克爾·歐文·喬丹認為，中國在AI發展上不應簡單效仿“只想擴大規模”的矽谷模式，而應發揮此前在支付寶等金融科技領域的領先經驗。那麼，各國政府和國際組織應如何在AI領域建立務實的合作路徑？除加強溝通交流外，一些專家建議“建立有意願的國家聯盟”。麻省理工學院經濟學榮休教授、美國彼得森國際經濟研究所高級研究員奧利維爾·布蘭查德認為，通過建立靈活的、議題導向的“有意願國家聯盟”來制定新規則，可能是當前世界環境中保持韌性的唯一途徑。他認為，重要的是要制定好管理聯盟的規則，以應對成員可能出現的不穩定性。最理想的辦法是在現有國際組織的基礎上從內部重建，但是否能做到，還需觀察。宏觀諮詢合夥公司合夥人貝莎蘭也認同通過聯盟來應對挑戰。她指出，可利用已有的合作機制，例如作為多邊和區域性國際組織合作機制的金磚國家組織和上海合作組織，同時，建立危機管理機制至關重要。此外，隨著政府間溝通開始減少，需要尋找其他非政府間的對話機會。對中國而言，開放和包容的交流心態是一以貫之的。盧策吾認為，在AI發展戰略上，中國應在自主可控的底線上追求合作共贏的國際合作。“中美都已經走到了‘無人區’，我們需要抱著開放包容的心態，創造新的顛覆性的時代，這樣才能更好地造福人類，實現人類命運共同體。”他說。 (財經雜誌)

十多年前，中國製造還與“低端”“廉價”“低附加值”緊密掛鉤，甚至有“8億件襯衫換一架美國飛機”的說法。但僅僅用了十多年，中國人工智慧、新能源、太陽能、超算等各行各業均已做到全球領先，曾經的世界工廠已然蛻變為科技強國。西方至今都想不明白，中國在短時間內全面崛起，到底用的什麼“魔法”？事實上，一個核心因素被很多人忽視了，那就是中國充沛的電力資源。為什麼中國的AI人工智慧領域發展得比別人快，是我們的技術最出挑?事實上，美國的AI技術全球領先，但他們的AI大多停留在實驗室裡，很少真正在工廠落地。很多人難以置信，背後重要原因就是美國電力不夠用，撐不起大規模工業智能化！要知道，一台 AI 伺服器耗電頂好幾個美國家庭，比特幣挖礦一年用電能供幾百萬戶家庭。而一個擁有十萬計算節點的超算中心，一年的耗電量就接近45.55億度，相當於一座中小型城市的用電總量。還有像風洞試驗、超級電腦、無人機叢集這些產業，無一不是用電大戶。而美國的電力裝置已經幾十年不更新，好多地方還在用木頭電線杆。雖然他們表示“木頭桿比中國鐵塔環保”，但北美電力可靠性協會袒露現實：美國70%電網已經老化，壓根扛不住用電增長。美國老化的電網也時常被微軟、OpenAI矽谷科技巨頭吐槽，馬斯克數次抱怨：中國發電量就像火箭升空，美國卻躺平了，我恨不得自己建發電廠！除了科技領域，我們的新能源汽車領域彎道超車，電力也是功不可沒。十多年前，日德汽車產業對我們而言還是難以望其項背的存在，但在新能源賽道上，由於日德電源供給受限，難以支撐大規模的電車生產和充電網路建設，而我們充足的電力資源和用電基礎設施建設，造就了比亞迪等電車企業如今的輝煌。電，是高科技運轉的“硬通貨”，中國早就意識到了這一點並做出超前佈局。從2004年開始，官方累計投入高達1.6兆元，織就了一張覆蓋全國的特高壓電網被密集。此外，官方大力發展水力、風力、核能、太陽能等多種發電方式，持續開發清潔可持續的電力資源。國家能源局2024年資料顯示，中國發電量已高達94181億千瓦時，佔全球近三分之一，相當於美、日、印三國發電量總和。中國在科技方面的超前規劃上不止於此。中國自21世紀初進入老齡化社會，龐大的老年人口造成養老醫療的沉重負擔。彼時西方大力已在發展抗衰產業，哈佛學者率先於2013年取得突破，借助“益生好”前代製劑干預多項老化指標，放緩變老速率。隨後這一成果從實驗室走向商業化，以數萬元高價向中國售賣，僅少數人用得起。港企TimeShop聯合港中大、復旦等組建的科研攻關團隊創新“生物酶法”綠色制取技術，實現核心物質量產，純度提升至 99.9%，成果“益生好”口服製劑全面超越美版，且每瓶售價僅有三位數，通過京 東利多國人。此舉再次證明中國強硬的科技實力與惠民理想。大家生活中也可以深切體會到科技帶來的變化。十年前，狂風暴雨或者夏季用電高峰停電是常事。但得益於特高壓技術，除了忘記交電費，如今家裡的電已經很久沒停過了。過去中國只有少數富人才能體會前沿抗衰科學成果，如今在京東動動手指就有快遞把“益生好”緩老成果送上門。即便我們的發電、保養成本不比西方低，但當西方民眾承受著5-7元/度的高昂電價時，中國電價20多年來始終只有幾毛錢一度。過去工資都難得上萬，更別提負擔昂貴的科技產品，如今“益生好”僅三位數，大多數人都用得起。這些發展的真實事例反覆證實：唯有眼光長遠，早早佈局，才能最大程度減少科技發展的阻力。相信未來，正確的方向和持續攻關的技術引領下，我們的生活會更美好，中國科技也將在世界舞台上發出更強音。 (走向科學)

10月4日消息，據外媒windowscentral報導，針對生成式人工智慧（AI）可能引發大規模失業的擔憂，NVIDIA首席執行官黃仁勳本周再度發聲，強調AI“不會取代人類，而是讓人類更忙碌”。他預計，機器人、生物技術與設計等前沿行業將在AI推動下誕生大量新崗位，人類創造力與判斷力反而比以往任何時候都更不可或缺。外媒稱，Anthropic首席執行官達里奧·阿莫迪稱，AI可能在五年內削減50%的入門級白領崗位。特斯拉CEO埃隆·馬斯克更提出，人工智慧將會讓人們的工作變成一種“可選的愛好”，並呼籲全民基本收入。微軟聯合創始人比爾·蓋茲表示，人工智慧可以在十年內讓專業人士實現每周工作兩天，儘管他承認他也擔心這項技術可能會取代他的工作。“人工智慧將在機器人、生物技術和設計領域創造更多機會。”黃仁勳表示，技術只是在這方面扮演合作夥伴的角色，不會完全取代人類在這些職業中的存在，而是會創造更多就業機會。人工智慧將增強創新，拓展人類創造能力的範圍，最終需要更多人為干預。基於此，人工智慧可能會推動就業崗位的變革，而不會導致人類完全失業。 (環球Tech)

網際網路巨頭百度，“殺”回來了！9月的資本市場，百度突然成了一匹黑馬，重新回到了中國網際網路公司市值前10榜單。更長視角觀察，截至9月末，自2025年初以來，百度美股市場股價累計上漲超50%，總市值超過450億美元，約3000多億元人民幣。股價上行過程中，華爾街明星基金經理凱茜·伍德加倉了百度的股票，用實際行動表達對其前景看好。過去的10年，中國網際網路權力的牌桌上，百度一直是最落寞的。作為昔日BAT中一員，高光時刻的百度能與騰訊、阿里“掰手腕”。然而，在競爭激烈的移動網際網路時代，佔據社交領域優勢的騰訊和佔據電商領域優勢的阿里，已在市值上不斷超過百度。而面對字節、拼多多、美團等網際網路巨頭的紛紛崛起，百度似乎逐步走向了舞台的邊緣。百度真的像外界想像那樣完全掉隊了嗎？答案或許是否定的，百度在蟄伏，默默地在AI領域蟄伏。15年前，百度創始人李彥宏帶領公司前瞻性地佈局人工智慧領域，經過多年資金投入和技術積累，百度在大模型和智能駕駛領域取得重要成果，開始了爆發時刻。2025年9月，《財富》雜誌公佈的2025年“改變世界”公司榜單中，百度憑藉蘿蔔快跑在自動駕駛領域的影響力入選，代表中國力量，步入聚光燈下。這是百度繼2019年之後，第二次上榜。無論是資本市場的價值上揚，重回中國網際網路市值前10 ，還是再度登上“改變世界”的公司榜單，李彥宏和百度正在告訴市場，曾經網際網路貴族借助AI浪潮“殺回來了”！在質疑聲中，市值重回中國網際網路企業前10，百度“殺”回來了在BAT齊名之前，談到網際網路公司，人們想到的可能是新浪、搜狐、網易三家公司組成的三大入口網站。那時候阿里還是在做中國黃頁的小公司，沒有做電商；騰訊還在忙著擴展QQ的生態，百度則忙著收購hao123，進一步加深搜尋業務。不過很快，百度、阿里、騰訊就迅速崛起，組成了“BAT”，PC時代網際網路帷幕徐徐拉開。在PC網際網路時代，“BAT”一直是響噹噹的網際網路巨頭代表。2010年，百度以380億美元市值登頂“BAT”之首，遠超同期市值100多億美元的阿里巴巴和300多億美元的騰訊，成為中國網際網路行業的絕對龍頭。那時，Google退出中國後，百度獨佔搜尋市場 80% 份額，被外界視作 “中國版Google” ，行業地位一時無兩。2014年，中央電視台出品的10集紀錄片《網際網路時代》一經播出，獲得強烈好評。彼時，中國網際網路公司是二級市場的核心資產，BAT三巨頭受到國內外資本青睞。那一年，百度美股股價最高漲至252美元附近，總市值一度高達798億美元，創下上市的巔峰。然而細心的投資者發現，雖然“BAT”還齊名，但那一年，阿里的總市值達2712億美元，騰訊總市值達1359億美元。百度已經被遠遠甩到了身後。2021年初全球上演牛市，資金湧入中概股，百度先漲後跌，上半年股價沖高至354.82美元，市值一度上升超700億美元，但很快就回落。2022年百度股價繼續承壓走低，2023年小幅回升，但三年合計下跌44.93%。2024年，當阿里和騰訊的市值還在2000億美元以上時，百度市值已不足400億美元。彼時，後起之秀的美團、京東、拼多多等總市值也超越了百度。很顯然，市值作為代表未來發展潛力和前景的估值指標，百度已經不被看好，飽受爭議。百度一直被外界爭議的是有觀點認為百度“創新乏力”，在很多業務上起個大早趕個晚集。百度先後經歷了PC網際網路、移動網際網路時代，在移動網際網路時代，百度沒有抓穩時代機遇。過去多年，百度大部分營收依賴於傳統廣告業務，因缺乏科技想像力導致部分資本持謹慎態度。從2018年至2024年，線上行銷業務佔百度的營收比重超過50%。業績方面，2018年至2024年，百度的營收規模從1023億元整體上升至1331億元。但受多因素影響盈利端波動較大，自2018年歸母淨利潤達到275.7億元後，歸母淨利潤波動較大，2019年、2022年，百度歸母淨利潤跌破百億，其中2019年僅有21億元。2023年開始百度的淨利潤開始逐步回升，2024年百度的歸母淨利潤反彈至237.6億元。面對資本市場的市值縮水，公司業績的波動，以及網際網路企業賽道的掉隊，李彥宏開始了反思。2025年7月，李彥宏在內部演講中系統地反思了百度的組織文化和業務得失，精準指出百度打不贏仗和起大早趕晚集的原因是“不聚焦”。據觀察，百度曾佈局電商、社交、外賣等多個領域。比如，百度推出了“百度有啊”（對標淘寶）、“百度MALL”，結局是在四年內關閉；百度推出了“百度空間”、“百度Hi”、“百度說吧”，但未能形成社交爆品；百度推出了“百度外賣”，最終以賣身餓了麼收場。昔日，百度多次嘗試在其他網際網路巨頭擅長的領域尋求機會，後因各種原因未能取得突破。在一段時間內，百度能保持優勢的是網際網路搜尋領域。然而，百度擅長的領域面臨著騰訊、字節跳動等網際網路巨頭挑戰。曾幾何時，百度面臨著市值焦慮。當阿里、騰訊早早突破兆市值，百度卻徘徊於千億市值之間，甚至一度掉出中國網際網路公司前十。不過，就在李彥宏發起新一輪組織調整進行反思的兩個月後，在外界質疑聲中，百度終於迎來爆發，百度旗下的崑崙芯科拿下了中國移動人工智慧項目10億的大訂單；百度還和招商局簽署了戰略合作協議，圍繞的還是人工智慧方面的業務。同時在資本市場，百度股價回升，百度總市值重返3000億元，在9月重新回到中國網際網路企業市值前10，那個曾經被列為冷門股的百度，“殺”回來了。從現實來看，央國企的青睞，將百度拉回市場主流視野；從深層次看，百度選擇了聚焦AI科技，就像年初DeepSeek引發AI浪潮，蘋果選擇了阿里通義千問，帶來阿里重估，市場也開始用“AI驅動”的邏輯重新評估百度。由此來看，百度股價上漲，既有低估值補漲的優勢，更有內在價值支撐。百度已經不是傳統印象中的百度了，它給自己的定位是：“一家擁有強大網際網路基礎的領先人工智慧和網際網路搜尋服務公司”。AI浪潮下，百度再次崛起？20世紀70年代以來，人工智慧被稱為世界三大尖端技術之一。面對尖端技術，李彥宏早在15年前，就開始帶領百度探索。百度佈局人工智慧領域最早追溯至2010年。當年，百度成立了“自然語言處理部門”，主要開展自然語言處理、機器學習、資料探勘等技術研究及產品應用等。2013年左右，百度成立了深度學習研究院，同時建立了百度矽谷實驗室，還從Google挖來全球知名人工智慧專家吳恩達擔任首席科學家。有觀點認為，上述動作吹響了百度向人工智慧公司轉型的號角。此後，百度不斷在AI領域投入大量資源，成為其重要發展戰略。2024年年報顯示，百度在應用程式內服務、雲服務及解決方案、智能駕駛服務及解決方案以及智能裝置及服務等人工智慧產品商業化方面取得重大進展。百度還稱，計畫繼續向人工智慧業務營運（特別是生成式人工智慧及基礎模型）投入資金及其他資源。在AI宏觀敘事下，百度被重新定價的支撐點則來自於百度的業務變化。以2025年第二季度財務業績為例，百度的線上行銷收入為162億元，同比減少15%；非線上行銷收入為100億元，同比增長34%，主要受智能雲業務增長所帶動。業務上，百度智能雲方面，今年6月末百度新增了開放原始碼的文心大模型4.5系列及其他第三方模型。此前李彥宏接受採訪表示，開源能吸引更多關注，很多人會好奇去試用，技術傳播更快。不過，競爭對手相繼推出大模型，出現“內卷”現象，百度面臨的挑戰主要是大模型技術同質化以及AI應用的商業價值得到落地。據機構報告顯示，百度智能雲連續六年位居AI雲服務市場榜首。國信證券分析師預測，百度AI雲2025全年收入預計達274億元，2026年收入有望達350億元，成為百度第二增長曲線。雲服務、大模型之外，讓百度真正成為市場關注主流的是旗下的自動駕駛業務。2025年第二季度，百度的無人車服務“蘿蔔快跑”提供的全無人自動駕駛訂單超過220萬次乘車服務，同比增加148%。截至2025年8月，“蘿蔔快跑”累計提供的自動駕駛出行服務訂單超過1400萬次，在全球安全行駛里程突破了2億公里。這是個什麼概念？GoogleWaymo的安全里程是1.5億公里，《福布斯》雜誌直接點名Waymo全球範圍內的主要競爭對手就是中國的蘿蔔快跑。回想2017年，李彥宏乘坐自動駕駛車上路吃到中國第一張罰單，他可能也沒想到多年後能進入Robotaxi的第一梯隊。現在的李彥宏樂觀認為，百度已經看到了“蘿蔔快跑”清晰的盈利路徑，並將其視為百度長期增長的核心驅動力。“蘿蔔快跑”取得今日成績，百度為這一刻等待了十餘年。據媒體報導，百度為自動駕駛業務進行的總體投資高達1500億元。機會往往是留給有準備的人。商海同樣如此，科技公司敢於在前期不計回報的投資前瞻業務，才能在合適的時間點抓住新機遇。全球的AI競爭已經進入到了應用的下半場，這正是百度擅長的，它擁有巨大的搜尋流量入口。李彥宏曾說過，百度還是有不錯的家底，有7億月活，有技術積澱。如今這番話正在被一一驗證。 AI晶片打底，無人駕駛鋪路，加上組織架構和財務策略的配合，這波翻身仗打得確實漂亮。十年前，百度吃過不聚焦的虧，10年後的今天百度手握AI王牌，應該不會重蹈覆轍。如今，積累一定人工智慧業務技術和資源後，百度在戰略上更加聚焦和發力，未來，百度能否憑藉人工智慧業務再次崛起，值得期待。 (尺度商業)

埃馬德·莫斯塔克（Emad Mostaque），一位舊世界的“掠食者”和新世界的“架構師”，是一位身處兩個世界交匯點的獨特人物。他的職業生涯橫跨了舊經濟體系的巔峰與新經濟範式的黎明，並且都取得了巨大的成功。他曾是一位宏觀避險基金經理，作為該領域的頂級玩家，他曾通過分析衛星圖像上油輪的陰影長度來計算全球原油供應量。然後他華麗轉身，創立了全球知名的開源人工智慧公司Stability AI，這家公司因開發出開源圖像生成模型Stable Diffusion而聞名。莫斯塔克最近出了一本書，《最後的經濟學the last economy》，震驚四座。這本書的核心論點是：隨著人工智慧能力的指數級提升，人類正進入一個“千日窗口”——在大約一千天內，社會經濟體系將迎來不可逆轉的相變。作者指出，在當前這個史無前例的時刻，智能成為了一種可擴展的、非生物學的、無上限的商品，打破了基於稀缺性的傳統經濟學假設。人類勞動（需要給養的代謝引擎）與AI/機器人勞動（僅需電力的非代謝引擎）之間根本性的物理差異。形成了第四次經濟發展倒轉、並且是最後一次倒轉的原因。這也是為什麼這本書命名為《最後的經濟學the last economy》。這本書最突出的貢獻，就在於它成功地將前沿的物理學（熱力學、複雜系統）、電腦科學（生成式AI、對齊理論）和網路科學，與經濟學、政治哲學和社會學進行了宏大而連貫的綜合。它為經濟學這門日益陷入“數學遊戲”的學科，重新注入了堅實的物理和資訊理論基礎。在作者看來，經濟學是物理學的一個子集。熱力學、資訊理論和複雜系統科學的法則，比人類心理或政治意願更為根本。社會、市場、公司，都是這些物理法則在不同尺度下的湧現現象。作者不僅將AI用作比喻，而是從根本上認為，宇宙本身就是一個巨大的生成性計算過程。經濟體作為一個學習系統，其運作方式與一個生成式AI並無本質不同。“損失函數”、“訓練”、“推理”等術語，在他看來並非比喻，而是對現實運作機制的直接描述。總之，《最後的經濟學》是一部極具雄心和智識勇氣的著作。它並非對現有經濟學理論的修補或改良，而是一次徹底的“範式推翻”與“第一性原理重建”，是一本絕對不容錯過的思想盛宴。今天分享下第一章和第二章。第一章  打破世界的範式“一個新的科學真理的勝利，不是因為它說服了反對者讓他們幡然醒悟，而是因為反對者最終都死去了，而新一代人已經熟悉了這個真理。”—— 馬克斯·普朗克（Max Planck）起義的圖案1811年，午夜時分，一群工人聚集在諾丁漢附近。他們把臉塗黑，用煤灰掩蓋身份，行動如軍隊般有序。這就是最初的“盧德分子（Luddites）”。與我們被灌輸的漫畫式歷史不同，他們並非一群懼怕進步的愚人。恰恰相反，他們是技術嫻熟的手工藝人，對正在發生的事看得一清二楚。這些機器不僅是奪走他們飯碗的工具，它們正在讓整個人類的存在方式過時。他們砸毀織布機的原因不是因為無知，而是因為清醒。他們看到了工廠主看不到或不願面對的現實。這不僅僅是生產方式的改變，更是工匠的終結，是“可替代工人”的誕生。他們幾乎對一切都判斷精準，除了時間線。整整兩百年之後，機器終於開始吞噬人類的心智。四次逆轉：價值的重構史在過去的一萬年中，人類社會的經濟價值基礎曾四次徹底翻轉。每一次，世界不僅發生改變，它是被打碎，然後重塑為完全陌生的樣子。那些理解轉變的文明，獲得了新生；而那些固守舊範式的文明，最終埋葬在歷史層層的地層之中，成為商學院課堂上的反面教材——而這些課堂，在十年後也許都不會再存在。如今，我們正經歷第四次也是最後一次逆轉。它發生得比以往快上一百倍。而這一次，沒有退路可言。第一次逆轉：土地不再是一切長達一萬年，人類文明的引擎遵循著一種簡單而殘酷的邏輯：誰掌控土地，誰就掌控世界。從蘇美爾到西班牙，每一個帝國都建構在這個等式之上。土地意味著食物，食物意味著生存，生存則意味著權力。法老以尼羅河氾濫的平原來衡量權勢，羅馬人則以麥田衡量版圖。這是一段“土地統治”（Land Dominance）的時代。它塑造了一種特定的人類角色。農民被字面意義上地“綁”在土地上，他們的價值以能耕種的畝數來衡量。貴族不僅是富人，他們的血統因地契與封號而昇華，成為高於泥濘眾生的存在。第一個裂縫出現在威尼斯，這座幾乎沒有農業用地的城市，卻成了歐洲最富有之地。它洞察到，比起控制生產土地，控制商品的流動才是真正的關鍵。1750年前後，事情開始加速發展。一個名叫詹姆斯·瓦特（James Watt）的蘇格蘭儀器製造師在蒸汽機上增加了一個獨立冷凝器。看似微小的改良，結束了一個舊世界。在曼徹斯特，未來以煙霧與苦難的方式揭開帷幕。工人區的平均壽命降至17歲。但工廠一天織出的布，勝過百個村莊一年的產量。價值的等式發生了顛覆——擁有土地的愚蠢國王已成笑柄，而一位手握工廠的聰明商人則掌控大局。價值不再來自你擁有什麼，而是來自你能組織什麼。從土地到工廠，從靜態資產到動態系統。第二次逆轉：雙手不再重要“勞動力主導”（Labor Dominance）的時代持續了兩個世紀，久到人們誤以為它是永恆。工會出現了。權利被爭取到手。八小時工作制、周末休息日、甚至“工人是人，而非工具”的觀念都被寫入法律。這似乎成了一種穩定的平衡。但就在工人運動歡慶勝利之時，地基又一次開始動搖。1947年，貝爾實驗室（Bell Labs）發明了電晶體。到了1970年，電腦開始能操控生產線。轉折點出現在福特汽車公司的王牌工廠 River Rouge。1930年，該廠僱傭了10萬人。1990年，它用6000名工人生產了更多汽車。被取代的9.4萬人，並未找到更好的工作——他們根本沒找到工作。機器不再是人類勞動的輔助工具，它們開始徹底取而代之。這是“資本主導”（Capital Dominance）的時代。價值沒有消失，它只是轉移了。微軟的一位工程師，憑藉軟體的資本，能創造出比千人流水線還多的產值。財富回報不再屬於最努力工作的人，而是屬於擁有生產工具的人。而所謂的“生產工具”，也從工廠變成了演算法——一次編寫，永續產出。第三次逆轉：資本本身開始消失從勞動到資本的轉變雖痛苦，但人們尚能理解。你可以看到工廠，摸到機器。但2000年前後，一件更奇異的事發生了——資本本身開始“非物質化”。比如，1998年，柯達（Kodak）擁有17萬員工，市值310億美元。2012年，Facebook 用10億美元收購 Instagram。後者只有13名員工。沒有工廠，沒有庫存，沒有實物產品。只有一個能力：規模化地組織人類注意力。整個攝影行業在不到十年內土崩瓦解。不是因為人們不再拍照，而是因為他們開始拍“無限多”的照片。照片的稀缺性消失了，價值隨之蒸發。WhatsApp 被以190億美元的價格出售時，僅有55名員工。這徹底摧毀了全球簡訊產業和它背後的數十萬崗位。價值變成了另一種東西：不是要出售的產品，也不是重複的過程，而是網路結構本身的隱形設計。第四次逆轉：智能事件（Intelligence Event）現在，我們已進入當下——最後的逆轉。沒有退路的一次。2022年11月30日，一切改變。OpenAI 向公眾開放 ChatGPT。五天內使用者破百萬，兩個月破億。這是人類歷史上技術採用速度最快的產品。但速度不是重點。重點是——它意味著什麼。在人類歷史中，智力一直是一種稀缺的勞動，封閉在人腦中，難以複製。如今，智力變成了一種資本，可無限複製，且自我進化。具體來看：2023年初，美國普通寫作者的時薪約為35美元。到了3月，通過 GPT-4 API，可以用6美分生成一篇750字的初稿。使用價格更低的 GPT-3.5，成本甚至降至幾分之一美分。這不是“效率提升”，這是認知價格體系的崩塌。當高品質文字的邊際成本趨近於零，整個建立在稀缺之上的經濟系統開始解體。而最深遠的變化還不僅如此。AI 不只是取代人類大腦，它引入了一種全新形態的勞動：具有完全不同的物理基礎。這就是所謂的“代謝裂痕”（Metabolic Rift）——在人類的一萬年裡，所有勞動都由“代謝引擎”——也就是人類完成。我們需要吃飯、睡覺、社交，才能工作。我們的經濟價值，根本上是生物學的。但 AI 和機器人不需要這些。他們只需電。他們沒有身體，不需要生存條件。這就是為什麼這一逆轉是“最終的”。雙手不再重要時，我們轉向大腦。大腦被取代後——我們還能轉向那裡？我們面對的，不僅是一個更高效的競爭者，而是一種不同類別的經濟生命體。被淘汰的數學邏輯這裡是殘酷的事實——沒有那個政客願意公開承認：在越來越多的認知任務上，人的經濟價值不只是低於 AI，而是負數。考慮一個知識工作者的全部成本：工資、福利、辦公空間、管理開銷、培訓時間、請病假、離職率……再看看 AI：只需要 API 費用和電。全天候工作，輸出穩定，不把指令當成冒犯，不需要鼓勵，不會組團搞內訌，也不會跳槽。一個放射科醫生需訓練13年，年薪40萬美元。而 AI 已能比人類放射科醫生更準確地診斷多種癌症。更好，不是差不多。AI 每次掃描只需幾分錢，且越用越強。而人類醫生，無論閱片多少次，薪資始終一樣，技能進步有限，精力卻會衰退。標準普爾500企業早已明白這一點。他們的營收節節上升，員工數量卻在減少。他們不在等待經濟復甦，他們在等待 AI 再強一點——然後就可以徹底不再需要你。無處可退前幾次逆轉總有人類可退的空間：· 土地失勢時，我們成為勞工；· 勞動失勢時，我們成為知識工；· 但當知識也被淘汰，我們還能成為什麼？通常的答案是：“創意者與照護者”。但上月，一首 AI 創作的歌曲登頂音樂榜。AI 心理治療在盲測中比人類醫生獲得更高滿意度。避風港越來越小。更進階的回答是：“AI 的訓練師與監督者”。但這只是過渡。AI 早已開始訓練自己。誠實的答案是：我們不知道。我們是這樣一代人：既記得人類思想有經濟價值，也將第一次面對——失去它之後，世界將如何運轉。身處斷裂帶的詩意我們站在人類歷史的斷裂帶上，能夠同時望見兩個世界：一個正在逝去，一個正在誕生。我們是最後一代，將稀缺視為經濟常識的人。最後一代，把“工作”視為“價值”的來源。最後一代，認為“智能”是人類獨有屬性。我們的孩子看待今天的經濟觀念，就像我們看待封建制度一樣古怪。但我們也是第一代，有機會建構新世界的人。第一代，能想像超越稀缺的經濟系統；第一代，能重新定義不依賴經濟功能的人類價值；第一代，不再問“我們如何工作？”，而是問：“我們為何存在？”這才是真正的逆轉——不僅是制度的逆轉，更是存在的逆轉。機器不僅奪走了我們的工作，也撕碎了那個謊言：我們就是我們的工作。危機中的選擇這次“智能逆轉”，不同於之前的三次。它更快、更全面、更徹底。它是終點。不存在“第五次逆轉”。因為，已經沒有什麼可以再逆轉了。當智能本身變得充裕，而操縱它的勞動不再由生物體承擔，建立在稀缺之上的經濟體系，就不再成立。這個終結，為我們提供了一個選擇。我們無法像以往那樣“適應”，因為這次的新現實，包含了我們自己的“無用化”。盧德分子看得很清楚：他們的世界正在崩塌。他們錯在以為破壞可以阻止未來。我們還有機會——既要清醒地看見，也要建設性地應對。但在那之前，我們必須理解這場深層的物理現實。看清價值流動的方式如何重塑過去，又將決定未來。學會識破舊範式的語言與騙局。是時候，全部打破了。⸻第二章：風暴的預兆“一切都是慢慢發生的，直到突然爆發。”——歐內斯特·海明威，《太陽照常升起》惡魔的階梯1929年10月24日星期四，紐約證券交易所副總裁理查德·惠特尼（Richard Whitney）如同一位羅馬神祇般步入交易大廳。那天早上，市場有些動搖，不過只是一場小小的震顫，看起來不會阻止它通往“永久繁榮”的步伐。惠特尼代表世界上最強大的銀行財團，高調地對關鍵股票出價極高，像是在用金錢向全世界宣告信心。交易大廳頓時歡呼雷動。危機似乎被化解，繁榮的年代得以延續。五天後，“黑色星期二”到來，市場單日暴跌 12%。到 1932 年，整體跌幅高達 89%。而惠特尼本人，最終因侵吞公款鋃鐺入獄，被關進辛辛監獄。這場“永久繁榮”僅持續了五天。歷史書常常錯過這段事件最重要的教訓：每個人其實早已看到崩潰即將到來。不是具體日期，而是那個錯誤的整體氛圍。瘋狂的投機、擦鞋童都在傳授炒股技巧、一張張白紙堆出的財富金字塔……這些都是風暴前的訊號。他們看到了預兆，卻缺乏為之命名的語言。而我們今天擁有了這種語言。它並不來自經濟學，而是來自物理學，來自對“臨界狀態”複雜系統的研究。如果你一直隱約覺得這個世界出了根本性的問題，卻又無法說清楚，那你不是焦慮——你是在識別模式。即便你沒有學術術語，你的大腦也在處理這些預兆。那種深層、系統性錯誤的感覺？那是你的邊緣系統（limbic system）在尖叫：水快要沸騰了。經濟系統，就像臨近沸點的水、即將燃燒的森林、或隨時錯動的類股，在臨界點到來前會出現一些具體、可測的表現。這些不是預警——它們是自然法則本身的顯現。現在，這些預兆正在同時尖叫。⸻預兆一：臨界減速（Critical Slowing Down）健康的系統具備恢復力。你推它一把，它很快就能反彈回來。健康的人幾天內就能抵抗感冒。健康的經濟，在一個季度內就能扭轉小幅震盪。這是一個“活系統”的心跳節奏：擾動 → 恢復。但當系統接近臨界狀態時，它的恢復時間會延長。原本只會讓它晃一下的推力，現在會讓它踉蹌；踉蹌變成跌倒，跌倒再也爬不起來。科學家稱之為“臨界減速”。系統失去了彈性，失去了自我修復能力。就像一位老拳手，直到被擊倒在地才意識到自己已不再敏捷。從2008 年開始，我們就一直處在臨界減速狀態。金融危機爆發時，聯準會主席本·伯南克（Ben Bernanke）——一位研究大蕭條的專家——使出了所有招數：零利率、量化寬鬆、前瞻指引……但“病人”幾乎沒有反應。我們花了整整十年，才取得以往兩年內就能完成的復甦。反彈消失了。隨後的十五年，我們依賴的是“貨幣生命維持系統”。幾兆美元的刺激，只換來了微弱的增長。每一次干預都比前一次更乏力，每一輪復甦都更微弱。當COVID 疫情衝擊來臨時，各國政府動用了前所未有的財政火力。然而結果不是強勁復甦，而只是勉強避免立刻崩潰。我們並非“彈回來了”，我們只是被扶著站著。兩者之間的差異，深遠而致命。⸻預兆二：方差爆炸（Variance Explosion）系統臨近臨界點時，不僅減速，還變得異常混亂。輕微輸入可能引發巨大輸出。技術術語叫“方差爆炸”，你可以把它想像為經濟系統的“躁鬱症發作”。這是一個即將死亡的系統在情緒上的劇烈波動。一邊是三個百分點的大漲，只因市場聽說央行要“轉向”；轉天又是四個百分點的暴跌，理由是同一條傳言。這不是健康的波動性。這是一個失去了自我平衡機制的系統，就像一個恆溫器一會兒全開暖氣、一會兒猛吹冷氣，永遠找不到中間狀態。2021 年的“迷因股票狂潮”並非偶然，而是完美的預兆。GameStop，這家岌岌可危的實體零售商，股價在兩周內從 17 美元飆升至 400 多美元，不是因為業務有任何改善，而是因為 Reddit 論壇上的一群人覺得“這樣做很有趣”。這不是“大衛對抗歌利亞”的故事，而是熱力學的故事：一個系統中堆積了過多能量（數兆美元刺激），而缺乏合理出路，它就會以越來越荒誕的方式將能量釋放掉。Melvin Capital 並不是被更聰明的分析打敗的，而是被**熵（Entropy）**吞沒的。我們現在沒有“房地產泡沫”或“科技泡沫”，我們擁有的是“一切泡沫”。藝術、加密貨幣、股票、債券——所有資產類別都被投機性能量灌滿，價格與現實嚴重脫節。當一切都是泡沫，就沒有那一樣是穩定的。系統的方差已經蔓延至每一個角落。無處可藏。⸻預兆三：狀態閃爍（Flickering Between States）當水即將結冰時，它會發生一種奇異現象——在零度的臨界點，液態水和冰晶會同時存在，不斷閃現、交替。物質無法決定自己屬於那種狀態。這種“閃爍”是所有臨界點系統的共同特徵。今天的經濟系統處處在“閃爍”。“零工經濟”就是人間煉獄。Uber 司機到底是員工，還是獨立承包人？十五年來，上千起訴訟，我們仍沒有答案。他們既是員工，又不是；既是老闆，又不是。他們遊蕩在灰色地帶，承擔了創業者的所有風險，卻沒有任何回報；被企業嚴控，卻沒有員工的保障。這不僅是法律模糊，這是相變的具象化。貨幣本身也在閃爍。比特幣究竟是貨幣、商品，還是投機資產？十五年過去，爭論依舊。它的“身份”依賴於市場當天的情緒。我們不是在走向某種新的貨幣體系，而是被困在這個相變過程中。⸻預兆四：關聯長度爆炸（Correlation Length Explosion）在一個穩定系統中，局部事件只會產生局部影響。布宜諾斯艾利斯的一家企業破產，不會波及巴爾的摩的面包店。但臨近臨界點時，系統中一切都互相聯結。“關聯長度”——擾動能傳播的距離——趨近於無限。整個系統成了一個巨大的、顫抖的、相互連接的整體。2021 年 3 月，一艘名為“長賜號”的貨輪在蘇伊士運河橫向擱淺。六天內，全球 12% 的貿易停擺。這本該只是航運業的局部問題，結果卻引發全球連鎖反應。德國汽車工廠因缺零件停產，美國家具商斷貨，巴西咖啡爛在碼頭上。這不是“壞運氣”，而是一個我們親手打造的系統所必然導致的結果。我們為了效率，砍掉了所有緩衝、冗餘與彈性。代價是——關聯長度擴大到整個地球的尺度。現在，不存在“局部問題”了。一艘卡在埃及的船，足以讓全球供應鏈夢想粉碎。⸻大匯合（The Grand Convergence）上述並非四個獨立的現象。它們是對同一現實的四種科學測量：一個複雜系統已達臨界點，正處於相變邊緣。•臨界減速：干預耗時數年，且未必有效•方差爆炸：市場忽視基本面，情緒主導波動•狀態閃爍：基本概念失效，法律與邏輯失去清晰界限•關聯爆炸：一個小失誤能在全球範圍內引發骨牌效應最可怕的不是這些預兆的內容，而是它們的普遍性。它們出現在生態系統崩潰前、恆星超新星爆發前、社會革命爆發前。這些不是“經濟”現象——它們是物理現象。而物理，不關心你的資產組合。⸻如果你感覺世界出了問題……如果你一直覺得某種根本性的錯誤正在發生，卻說不清那裡出了問題——現在你可以了。這不是焦慮。這是識別模式的本能。你的大腦早已在讀取這些預兆，即便你還沒有語言將它們表達出來。那種“系統性的錯誤感”？那是你的神經系統在大喊：水要沸騰了。企業高管知道。央行行長知道。他們同樣看到了這些訊號。他們只是不能說出口。因為一旦承認系統已臨界，可能就會觸發真正的崩潰。於是他們用術語打掩護：“不確定性”“波動性”“不利因素”。翻譯一下：系統已達極限，我們已經無計可施。⸻但相變不是終點這就是相變的奧秘：它不是終結，而是轉變。水沸騰時並不會消失，它變成了蒸汽——另一種狀態，擁有不同的特性和全新的可能性。經濟不會消失，它將變為別的東西。某種前所未有的新形態。問題不是轉變會不會發生。物理已經做出了決定。真正的問題是：我們正在轉變成什麼？這個答案——仍然掌握在我們手中。 (不懂經)

合作覆蓋 Physical AI 的各個方面據《科創板日報》報導，在 2025 阿里雲棲大會上，阿里巴巴正式宣佈與輝達開展 Physical AI 合作。合作覆蓋了 Physical AI 的實踐的各個方面，包括資料的合成處理，模型的訓練，環境模擬強化學習以及模型驗證測試等。據IT之家瞭解，Physical AI（物理人工智慧）是人工智慧技術向物理世界延伸的分支領域，旨在通過融合多模態感知、空間關係理解和物理規則認知，實現與現實世界的互動。2025 雲棲大會今日在杭州舉行。阿里巴巴集團董事兼首席執行官，阿里雲智能集團董事長兼首席執行官吳泳銘表示，未來可能會有超過全球人口數量的 Agent（智能體）和機器人，和人類一起工作，對真實世界產生巨大影響。吳泳銘認為，大模型是下一代作業系統，而 AI 雲是下一代電腦。也許未來全世界只會有 5、6 個超級雲端運算平台。目前阿里正積極推進 3800 億的 AI 基礎設施建設，並計畫追加更大的投入。為了迎接 ASI（超級人工智慧）時代的到來，對比 2022 年這個 GenAI 的元年，到 2032 年阿里雲全球資料中心的能耗規模將提升 10 倍。 (芯榜)