麥肯錫在招人。瘋狂招人，但新員工裡，有近一半不是人類。最近，麥肯錫全球管理合夥人兼總裁 Bob Sternfels（鮑勃·斯滕菲爾斯） 在《哈佛商業評論·IdeaCast》裡透露了一個數字：麥肯錫現在有 6 萬名員工，4 萬是人類，2 萬是智能體。而在一年半前，智能體的數量還只有 3000 個。他說麥肯錫的目標是 18 個月內做到每人配一個智能體。現在才過了一半時間，就已經有 2.5 萬個了。而這只是開始。所以問題變了：不是會不會用 AI，而是怎麼用對 AI。第一節｜CFO 和 CIO 的對峙：試點為什麼都死在半路但什麼叫“用對”？現在大多數企業的高層，都卡在一個問題上：我該聽 CFO 的，還是 CIO 的？CFO 說：這技術太貴，效果又沒看到，我們要不要先觀望？CIO 急了：你還在觀望？現在不開始，用舊方法幹活的代價會越來越大。一個要省錢，一個要加速。背後的矛盾是：AI 到底算未來投資，還是眼前支出？Sternfels 認為：這不再是制定戰略的事情，而是執行力的事情。道理簡單，做起來難。他們不是沒引入 AI，而是一引入就困在試點裡：小團隊嘗試，小範圍實驗，最後不了了之。麥肯錫內部把這叫做“試點煉獄”（pilot purgatory）：項目推不動、業務部門配合度低，最後 AI 只成了擺設。在 Sternfels 看來，你不能只是買個工具，就指望一切改變。而這首先要解決的是：你有沒有真正會用 AI 的人？第二節｜招聘標準變了：三種能力比學歷更重要那什麼樣的人算會用？過去企業找人，看學歷、看履歷，最好是名校出身、實習經歷多、邏輯清晰。但在麥肯錫新一輪招聘試點裡，這套標準不夠了。Sternfels 在訪談中確認，麥肯錫正在嘗試一個新流程：讓候選人在面試中直接使用自家 AI 工具 Lilli。這不只是考你會不會用，而是要你：能不能清楚地下達指令（prompt）；能不能判斷 AI 給出的內容靠不靠譜；能不能結合實際情況，改寫、重構、提出更好的思路。換句話說，不再看你多會背知識點，而是看你能不能和 AI 一起解決問題。這套測試沒有標準答案，但有一個關鍵詞反覆被提到：好奇心和主見。因為在 Sternfels 看來，大模型雖然聰明，但它只會給出看上去差不多的回答。能脫穎而出的，是那些敢追問、也敢推翻的人。那這些人具備什麼能力？先說清楚一點：專業和知識依然是基礎，但光有這些已經不夠了。Sternfels 給出了一個清晰的框架。在他看來，AI 時代真正需要的是三種能力：第一是抱負。你是去近地軌道，去月球，還是去火星？模型給不出這個答案，但人可以。第二是判斷力。模型沒有對錯，但你要知道什麼是對的參數，什麼符合價值觀和場景。第三是創造力。模型只會給出下一步最可能的答案，但你要能想到那些不連續的、另闢蹊徑的解法。有了這三種能力，才算真正會用 AI。在麥肯錫內部，這種人被稱為“合作型專家”：既能理解問題，也能駕馭 AI，還能創造價值。第三節｜工具變了，組織不變，等於沒變但有了會用的人，就夠了嗎？還不夠。因為即使是會用的人，也可能把 AI 用錯位置。很多公司都開始配 AI 了：建模型、買工具、部署助手，看上去動作不小。但關鍵不在有沒有 AI，而在 AI 被安排做什麼。在麥肯錫，AI 不只是用來節省時間，而是直接參與交付成果。比如過去寫 PPT、整理資料、搜案例，需要助理顧問花幾天。現在，智能體能一小時內完成。諮詢顧問們轉而去搞定更複雜的客戶問題、主導方案方向。這就是“角色往上走”：人不再負責執行，而是負責整合和判斷。去年麥肯錫在搜尋和資料整理上節省了 150 萬小時。過去 6 個月，智能體生成了 250 萬張麥肯錫經典的 PPT 圖表。而顧問們沒有因此失業，反而開始做更需要判斷力和創造力的工作。而最能說明問題的，是“25 的平方”法則。麥肯錫計畫在未來一年將面向客戶的顧問增加 25%。而與此同時，後台人員已經減少了 25%，產出卻提升了 10%。Sternfels 說：“這在公司歷史上從未發生過。過去增長只能靠人數增長，現在人可以更少，增長反而更快。”過去一年半，麥肯錫內部的 AI 智能體數量從幾千個增加到了 2.5 萬個，目標是做到每人配一個。他們叫這模式 1:1 協作。而這個轉型不只發生在大公司。在創業公司裡，同樣的事情正在發生：十幾位創始人最近兩個月都在招人，但沒有一個用 HR 寫職位描述，全是 LLM 寫的。篩簡歷時，一半人用智能體。連 HR 這樣的職能部門，基礎工作都在被 AI 接管。但配上 AI，不代表用對了 AI。但真正的卡點不在 AI，在組織。很多企業表面上在用 AI，實際卻沒改變過組織架構、流程節奏、任務分工。AI 是進來了，人員和流程都沒變，那就是換了工具不改打法，最後只能做個演示，真到一線就卡住了。“我們在諮詢行業用了幾十年的交付模式，現在要重新設計。”工具變了，組織不變，等於沒變。結語｜真正危險的，是你以為沒事麥肯錫不是在做 AI 展示，而是在告訴所有人一個現實：AI 一旦進了組織，就不只是效率問題，而是組織問題。誰來做事、怎麼做事、協作方式，都得重新設計。所以危險不是你不會用 AI，而是你還在按舊方式組織人、設崗位、做流程，卻以為自己已經在用 AI。這才是 Sternfels 真正想說的：用不好不是沒效果，而是會讓組織空轉。2.5 萬個智能體，25% 的增與減，這就是麥肯錫的答案。 (AI 深度研究員)

政經哲思維筆記君說：這段時間，你是不是也被各種AI新聞刷屏了？它已經從能和你聊得有來有回的智能助手，到一鍵生成電影級畫面的視訊工具，再到寫程式碼、做設計樣樣精通的“全能選手”。更要命的是，這種力量不只用來寫文章、做圖、寫程式碼。它正在以我們看不懂的速度，攪動著國際局勢、地區安全、軍事對抗這些相當危險的領域。世界好像突然被拉上了一個陌生而高速的賽道，規則還沒定，但比賽已經開始了。就在這個節骨眼上，一本叫做《科技共和國》的書，讀起來格外扎心。它的作者之一，亞歷山大·卡普是“矽谷教父”彼得·蒂爾的密友，也是矽谷核心圈走出來的“叛徒”。他在書裡對所有矽谷科技精英階層發出警告：你們已經迷路了！這本書的核心觀點是：一個國家、一個文明的強大，從來不是只靠技術先進（硬實力）就行，它還必須想清楚“為什麼而強大”（軟信仰）。美國之所以曾經偉大，是因為它能把造原子彈、送人登月這樣的技術壯舉，和一個關於國家使命、人類進步的宏大夢想擰成一股繩。但現在，我們面對AI這個遠超我們人類智能的新物種時，尷尬地發現：我們的“硬實力”（技術）跑得飛快，但“軟信仰”（我們到底要用它來建設一個什麼樣的世界）卻嚴重掉隊，甚至一片空白。《科技共和國》就像一本在岔路口被重新發現的地圖。它提醒我們，在焦慮“飯碗”會不會被AI搶走之前，或許更該問一個根本問題：我們人類，究竟想借由這股力量，把自己帶到那裡？接下來我們就一起翻開這張地圖，看看歷史如何指引我們駕馭未來。一、硬實力和軟信仰這對引擎，是如何驅動黃金時代的？美國的科技黃金時代，就是造出原子彈、把人類送上月球的歲月，絕不是一群天才在實驗室裡靈光一閃的結果。那是一場“能幹的雙手”和“敢想的大腦”之間，一場持續了幾十年的、目標明確的“雙向奔赴”。1.硬實力：不只是“造出來”，更是“為了一個偉大的目標前進”讓我們先看看“硬實力”這雙手。很多人以為，當年的成功只是因為聚集了一堆頂尖的科學家。這只說對了一半。更關鍵的是，他們被組織起來去幹一件具體、宏大、且大家公認至關重要的事。比如，“曼哈頓計畫”。它的目標既簡單又殘酷：趕在納粹之前造出原子彈，終結戰爭。於是，政府、軍方、大學、企業擰在一起。物理學家、化學家、工程師、甚至冶金工人，從四面八方匯聚到荒漠中的秘密基地。《科技共和國》的作者卡普認為，這種模式不像自由散漫的“集市”，而像建造一座宏偉的“大教堂”。每個工匠都知道自己在建造“大教堂”的那一部分，並且深信這座“大教堂”是值得奉獻的。他們的協作，不是靠一份詳盡的中央指令，而是被一個至高無上的共同目標所牽引。科學家們各自埋頭苦幹，卻又通過共享的目標和緊迫感，神奇地協調一致，爆發出驚人的集體力量。再看“阿波羅計畫”。甘迺迪總統那句“我們選擇在這十年間登上月球，並非因為它簡單，而恰恰因為它艱難”，就是給整個國家“硬實力”引擎注入的最強燃料。它不再僅僅是一個科技工程，而是一個凝聚全國信念的文化符號。為了實現這個看似不可能的目標，催生出了數千項技術突破，從積體電路到耐熱材料，很多副產品至今仍在影響我們的生活。那時的“硬”，硬在組織能力、攻堅決心和使命感。2.軟信仰：給冰冷的機器，注入滾燙的靈魂光有能幹的“雙手”還不夠。如果方向錯了，或者內心充滿矛盾，力量越大反而越危險。這就是“軟信仰”這個“大腦”出場的時候了。美國在那個時代的“軟信仰”，可以概括為一種獨特的“工程思維”和“實用主義哲學”的混合體。什麼是“工程思維”？它很親民：盯著問題，別盯著論文：目標不是發表一篇完美的理論，而是解決一個實際難題。牆倒了？那就研究怎麼造一堵更堅固的。火箭飛不穩？那就一遍遍測試、修改，直到它能飛。別光聽權威的，用事實說話：在工程現場，一個年輕技術員基於測試資料提出的反對意見，可能比資深教授的理論推演更有份量。這種“建設性不服從”是創新的源泉。而“實用主義哲學”，則是這種思維在思想層面的昇華。它的核心很簡單：甭管你概念多漂亮，理論多高深，最後都得看實際效果。能解決問題、創造美好生活的，才是好東西。這種哲學讓美國社會對新技術有一種天然的開放和樂觀，因為它不問“這符合規定嗎？”，而是問“這能讓我們的生活更好嗎？”更關鍵的是，這種“軟信仰”不僅僅是口號，它實實在在地塑造了“硬實力”發展的軌跡和邊界。科學家們知道，自己辛苦研製的終極武器，是為了“以戰止戰”，保衛他們珍視的自由價值。這種道德上的自洽，是他們能全力以赴的心理基礎。儘管有冷戰對抗，但美蘇之間依然能達成一些核軍控協議，背後就有對“相互確保毀滅”這一恐怖現實的共同認知，這是一種基於後果評估的、粗糙但實用的倫理界限。登陸月球、探索深海……這些需要耗費巨資且沒有直接經濟回報的壯舉，之所以能獲得公眾支援，是因為它們契合了那個時代“開拓邊疆、挑戰未知”的美國精神敘事。所以，黃金時代的秘密，就在於“硬實力”與“軟信仰”這對引擎，轉速匹配、方向一致。那時的人們，手裡握著改變世界的力量，眼裡看著星辰大海的遠方，心裡相信自己在從事一項光榮的事業。這種身、眼、心的統一，造就了一個至今讓人懷念的科技英雄時代。然而，當冷戰結束後，技術發展的浪潮轉到了新的方向，這對黃金搭檔之間，開始出現了越來越大的裂痕。所以，我們有了今天在AI時代感到的諸多迷茫和焦慮。二、AI時代，最可怕的是閉著眼狂奔站在AI爆發臨界點的今天，我們卻更像是一場華麗而失控的“閉眼狂奔”。科技硬實力這雙“能幹的手”在演算法的加持下變得前所未有的靈巧和強大，但軟信仰這個“敢想的大腦”卻好像留在了上一個時代，甚至主動閉上了眼睛。這種失衡，非常危險。1.硬實力的“歧路”現在我們擁有的計算能力，已經超越了“曼哈頓計畫”時期全人類算力總和的億萬倍。但回頭看看，這些算力大部分去了那裡？答案可能就在你的手機裡。世界上最複雜的人工神經網路，可能正在為你計算“下一個應該刷到什麼視訊，才能讓你多停留8秒鐘”；最先進的自然語言處理模型，可能在幫行銷號生成一千條“震驚體”標題；背後支撐這一切的伺服器叢集，可能消耗了一個小城鎮的電力。矽谷掌握了堪比登月的技術力量（AI、巨量資料、全球網路），但其中大部分精英的雄心，卻收縮到了“如何更好地賣貨、送外賣”這個狹窄的賽道上。我們正在把最聰明的大腦和最強大的技術，鎖在“讓人上癮”的消費主義循環裡，這意味著它們一定會從那些真正艱難但重要的領域撤出。這可不是危言聳聽，而是正在發生的事實：模擬氣候變化、發現新材料、攻克核聚變控制……這些關乎人類長遠命運的“大問題”，需要長期、耐心且未必有直接回報的AI投入，它們在與“下季度營收增長”的PK中，常常敗下陣來。如何用AI最佳化城市交通、提升電網效率、預測公共安全風險？這些項目牽涉複雜的公共部門協作和資料開放，其“商業魅力”遠不如開發一款新的社交軟體。這種“歧路”的本質，是科技硬實力的發展，與國家及人類社會的脫鉤。它不再是建造“大教堂”的合力，而是變成了無數個自娛自樂、爭奪流量的“精緻小攤”。2.軟信仰的“真空”更深的危機還不止硬科技跑錯了方向，更因為我們的哲學與價值觀不僅沒有糾正它，反而在給它加油鼓勁，就像拆掉了一輛車上的方向盤。在今天的矽谷及全球科技圈，一種被稱為“有效加速主義”的思想，擁有大批信徒。它的口號聽起來很極客、很帶感：“加速！不顧一切地加速技術發展！”他們認為，技術尤其是AI的進步是一種如同自然規律般的必然趨勢，任何試圖規範、約束它的行為都是徒勞甚至反動的。最好的做法就是全力踩下油門，加速衝過當前的社會結構，抵達技術“奇點”後的新世界。為什麼說這很危險？它把技術本身當作了目的和新的“上帝”，但拒絕回答下面這些根本問題：我們加速，是為了奔向那裡？這個過程中，誰會被甩下車？抵達的“新世界”，是我們想要的嗎？這就好比說，“只要引擎夠猛，車開向懸崖也沒關係，說不定我們能飛起來呢！”這非常危險。在“有效加速主義”的影響下，科技行業形成了一種“技術中立”的傲慢和“為多元而多元”的虛無主義。工程師們常說“我的程式碼只是一把錘子，別人用它砸窗戶還是造房子，不關我事”。但設計演算法時嵌入的價值觀偏見（比如那些內容更優先），早就決定了“錘子”會揮向何方。而且為了避免爭議，一些科技公司往往在表面議題上追求“政治正確”，但在核心的“公司權力是否過大”、“演算法是否在操縱社會”這些實質性問題上卻避而不談。於是，我們進入了一個荒誕的境地：一邊，我們在以百米衝刺的速度，製造著智力上可能很快超越全人類的AI；另一邊，我們卻在用“加速主義”這塊布矇住眼睛，拒絕為它設計引導繩和監管紅線。這種手腦分離的失衡，讓AI的崛起不僅是一次技術變革，更可能變成一場社會風險極高的“裸奔”。三、AI時代，人類還有價值嗎？前面我們說，現在的狀況是“手腦分離”：硬實力瞎跑，軟信仰睡覺。但當AI這股力量真正站起來時，它帶來的衝擊，遠不止是“跑偏了”那麼簡單。它直接轉過身，對著我們人類“創造性”和“掌控力”這兩塊基石發起了直接挑戰。早晚有一天，AI會問我們：“你憑什麼當主人？”1.創造性危機長久以來，人類面對機器的優越感，建立在這樣一個信念上：機器負責重複，人類負責創造。但AI正在把這個信念砸得粉碎。一個苦練了十年繪畫的畫師，一個熬夜改了七八稿文案的策劃，一個花了半年譜出一段旋律的音樂人，他們都曾經相信，自己傾注心血、帶有個性和靈感的作品，是機器無法複製的“靈魂”。但現在，一個普通人，輸入幾行描述，點點滑鼠，就能在幾秒鐘內生成數十張畫作、幾十個文案、好幾段風格各異的音樂。雖然頂尖人類大師的作品目前仍有溫度和不可替代性，但對於行業中下游的廣大從業者來說，他們曾經安身立命的“手藝”，正在快速貶值。這個過程，可以分三步來看：① 從“輔助工具”到“創作夥伴”早期的PS幫我們修圖，Word幫我們寫文件，它們是聽話的工具。但今天的AI，能幫你做選題、給你做市場報告、甚至給你輸出思維模型。它從一個“執行者”，變成了一個能提供想法的“合作夥伴”。② 再到“潛在競爭者”當AI產出的設計稿、法律檔案草稿、行銷方案達到了“能用”甚至“好用”水平時，它就不再僅僅是夥伴。老闆和客戶會想：我是否還需要為一個良好的人類作品，支付遠高於良好AI作品的成本？這直接動搖了大量知識型、創意型職業的經濟基礎。③ 最終是“存在性挑戰”這引出了一個更哲學也更致命的問題：如果創作不再困難，那創造本身的價值是什麼？當人人都能“創作”時，“創作者”這個身份還意味著什麼？人類曾用“創造性”來定義自己區別於動物的高貴，現在，我們可能需要尋找一個新的、不會被機器輕易複製的“人性核心”。這種自我認知的動搖，是比失業更深的焦慮。2.秩序顛覆者上面說的創造性危機是在衝擊個人的價值和行業。但更讓人憂慮的是AI對全球秩序的挑戰，這是在動搖國家之間博弈的棋盤，而且把棋盤從明面挪到了暗處，規則全改了。過去，大國競爭的硬指標很直觀：你有多少航母，多少核彈頭，GDP多少。這些是“明牌的實力”。但AI帶來的，是一手“暗牌的破壞力”，它讓攻擊變得極其廉價、隱蔽且不可預知。① 全民皆可“搞破壞”的降維打擊以前，發動一場癱瘓城市電網的網路攻擊，可能需要一個國家級的專業駭客團隊。現在，一個技術團夥甚至個人，利用公開的AI工具輔助，就可能找到並利用系統的漏洞。AI極大地降低了進行複雜網路攻擊的技術門檻。它就像把導彈按鈕，分發給了無數看不見的手。② 讓社會“自我懷疑”的資訊瘟疫Deepfake（深度偽造）技術，在AI的幫助下已經真假難辨。它可以憑空製造一場政治人物的演講，一段能夠引發市場恐慌的CEO言論，或是一段發生在別國的“暴行”視訊。當我們沒辦法相信任何看到的東西，社會共同的“事實基礎”就會崩塌。這種攻擊不直接摧毀建築，卻能在更短時間內，摧毀一個社會賴以運行的信任紐帶，對手甚至不用派一兵一卒。③ 無法預測的“自主幽靈”想像一下，一個搭載AI的無人機群，被傳達“摧毀所有雷達站”的命令後，自行規劃路線、識別目標、發動攻擊，並在過程中自主應對突發情況。而且一旦部署，人類操作員可能無法即時干預。如果多個國家的自主系統發生意外對抗，它們可能會以人類無法理解的速度和邏輯，將世界拖入衝突。這不再是武器，而是被賦予了殺戮權力的自主幽靈。總結來說，這些威脅之所以“顛覆”，是因為它們讓傳統的防禦和威懾體系（如軍隊、邊界、核威懾）部分失效。一個普通人在自己的家裡，可能就對國家安全構成潛在威脅；一段假視訊的破壞力，可能超過一次真實的武裝衝突。AI的崛起，讓人類個體的“創造性”失效了，又讓國家間“硬實力”對抗的擂台，變成了一個規則模糊、暗器橫行的黑暗森林。我們面臨的，不再是如何使用一個好工具的問題，而是如何與一個能力上可能超越我們，而且行動邏輯不完全受控的“新物種”共處的問題。於是，我們被逼到了牆角，必須開始思考重建秩序的道路。四、軟硬結合，重建“科技共和國”面對AI，恐慌和抱怨沒有用，簡單地喊“停下”更不現實。這就像我們不可能因為汽車可能出車禍，就回到馬車時代一樣。問題的關鍵，不是丟掉引擎，而是我們必須以最快的速度，為它裝上我們丟掉的倫理與規則，還有目標與使命。重建“科技共和國”，就是要讓狂奔的硬實力，重新聽命於一個更新、更智慧的“大腦”。1.硬實力的轉向我們不能指望追逐利潤的市場，自發地把資源投向那些最重要但不賺錢的領域。這時，就需要找回一些“黃金時代”的組織智慧：由國家和社會凝聚共識，發起“使命導向”的超級項目。比如，集中頂尖AI算力與生物學家，目標是在10年內，建立能模擬所有已知病毒變異、並即時設計對應疫苗和藥物的預測系統。又比如，利用AI超強模擬能力，整合全球大氣、海洋、地質資料，目標不僅是預測氣候，更是精密模擬各類干預方案的全球連鎖效應，為全球氣候治理提供前所未有的決策依據。這些計畫的核心，是重新定義“科技硬實力”的賽場。攻克它們帶來的意義，遠勝於在“讓人上癮”的消費應用裡內卷。政府的作用，是成為最初的“出題人”和“天使投資人”，引導社會與市場的巨量資源轉向。2.軟信仰的重塑光有項目不夠，我們必須同時回答：這些強大的力量，應該在什麼樣的規則下運行？我們需要一場給AI時代訂立一份粗糙但必須有的初始社會契約。這份契約至少要回答三個問題：① AI是什麼？我們必須超越“工具論”和“物種論”的爭吵，達成一個務實的共識：AI是“具有自主性的新型行動者”。這意味著，我們必須像規範駕駛員、醫生或公司法人一樣，給它的行為建立可追溯、可問責的責任框架。比如，一個AI醫療診斷系統出錯，責任是開發者、營運商、稽核醫生，還是演算法本身？法律必須清晰。② 什麼是絕對禁止的？有些底線需要全球性的“技術禁忌”，就像禁止生化武器一樣。例如，“自動化致命武器系統”是否應被全面禁止？能否把深度偽造技術用於政治、司法領域？這些紅線需要公開辯論，並儘可能形成國際條約。它可能不完美，但劃了紅線，才有博弈的規則。③ AI發展的終點是“超人”，還是“超人化的人類”？這是最根本的哲學問題。科技加速主義的終點是模糊的“奇點”，但我們需要知道：AI發展的終極目的，應該是增強而不是取代人類。它應該讓人類醫生在AI輔助下成為“超級診斷專家”，而不是用AI淘汰醫生；讓每個孩子擁有AI導師因材施教，而不是用標準化教學AI製造教育流水線。這個目標聽起來不酷，但它確保技術發展的盡頭，依然是人。這份“契約”的制定過程本身，就是重建“軟信仰”的過程。它需要工程師、哲學家、律師、政策制定者和普通公民的共同參與，是一場全球社會的技術理性大啟蒙。3.新人類的培養最終的改變，要落在“人”身上。未來的勞動者，尤其是決策者，必須具備一種全新的素養。第一，要成為“提問者”和“批判者”，而不是“答題者”AI最擅長回答清晰定義的問題。因此，人類的優勢將在於發現和定義真問題。未來的教育，應大幅減少死記硬背和標準答案，轉而訓練學生如何從複雜現象中抽象出關鍵問題，並判斷那些問題值得交給AI去解決。同時，必須培養對AI輸出的健康質疑能力：這個結果背後的資料有沒有偏見？邏輯有沒有漏洞？第二，要成為“指揮官”和“翻譯官”。未來最稀缺的人才，是那些能站在人類需求與AI能力交界處的人。他們既懂醫療、法律、教育等領域的真實痛點，又懂AI的能力與侷限，能精準地將人類模糊的需求“翻譯”成AI可以執行的任務。他們不親手寫程式碼，但他們是AI團隊的指揮官。第三，要堅守“價值判斷”的終極權力AI能告訴你那條路最快、最省錢，但它無法告訴你“我們應該去那”。當AI給你10個最優的商業方案時，你最終選擇那一個，應該依據“它是否促進社會公平”、“是否環境友好”、“是否符合公司長期價值觀”等人類的價值準則。讓人類保持最終的價值判斷權，是我們防止被技術反噬的最後一道防火牆。重建之路總結起來，是一個“三位一體”的系統工程：用國家級“大項目”重塑硬實力的方向；用全球性“大辯論”和“新契約”重塑軟信仰的共識；再用面向未來的“新教育”重塑人類的自身能力。這條路並不容易走，充滿了利益博弈和觀念衝突，但這是唯一的路。這是為了開創一個全人類都能參與定義、並在AI賦能下共同繁榮的“新科技文明”。我們現在要做的，就是為這個充滿不確定的未來，儘可能多地埋下確定性的、向善的種子。結語：一萬年太久，只爭朝夕！站在AI時代的岔路口，我們面臨的是人類歷史上“一萬年未有之大變局”。我們必須想清楚：是讓技術成為放大分歧、製造失控的利刃，還是把它鍛造成拓展文明邊界的基石？在這場挑戰裡，主角不是只有美國，中國的作用也至關重要，且無可替代。中國不僅擁有全球最龐大的應用場景、最完整的產業鏈和強大的技術攻關能力，更擁有“以人民為中心”、“建構人類命運共同體”等深厚的治理哲學與文化理念。這為中國在AI時代探索一條發展與治理並重、效率與公平兼顧、技術向善與安全可控相結合的新路，提供了獨特可能。中國的責任與實踐，將不僅是發展自己的AI，更是與世界各國一起，為這個尚未定型的新世界，共同注入包容、負責、以人為本的價值觀。這或許正是在未來重建一個真正屬於全人類的、可持續的“科技共和國”最需要的關鍵拼圖。未來決定現在。看清未來將發生什麼，才能真正明白當下應該做什麼。我們認為，未來由四個關鍵領域塑造：哲學、AI科技、經濟與政治。為什麼是這四個？哲學是元起點，是意義與方向的錨點，為一切行動提供終極燃料；科技（尤其是AI）是文明進步的底座，是驅動世界向前的“發動機”；經濟是轉化器，它把科技力量轉化為真實的財富與市場機會；政治是適配性結構，它給哲學、科技與經濟提供運行框架與秩序。哲學為根，科技為器，經濟為用，政治為治。這四者環環相扣，層層支撐，相互交織，在動態的演進中共同推動現實走向未來。正是在這樣的時代背景下，筆記俠創立了中國首個面向企業家的PPE（政治、經濟、哲學）書院。我們致力於幫助大家回到決策的源頭，重構底層認知邏輯，掌握未來五年的核心判斷與決策能力。如今，眾多深耕於AI、全球化等前沿領域的優秀創業者，都已加入筆記俠PPE書院。未來已來，讓我們一起成為清醒而篤定的決策者。 (筆記俠)

今日，Meta宣佈完成對通用自主AI智能體公司Manus（蝴蝶效應）的收購。根據公開資訊，這筆交易金額達數十億美元，也成為Meta成立以來規模第三大的收購案，僅次於收購WhatsApp以及此前對Scale AI的戰略性投資。圖片來源：視覺中國Meta收購Manus的消息出現得很突然。Manus產品去年9月剛剛上線，關於本次收購，似乎也沒有經歷長時間的拉扯。有投資人回憶，談判周期極短。對一家規模龐大、內部流程嚴密的公司而言，這種速度本身就值得注意：它更像一次基於窗口期的決策。更關鍵的是，Meta買下的並不是一家訓練大模型的公司。Manus不以底層模型為核心資產，它的價值更接近一種應用層能力：把現有模型與工具組織起來，形成可以持續完成任務的產品形態。對一家以平台分發和使用者規模見長的公司來說，這樣的併購更像一次戰略補位，而非簡單的功能補充。理解這筆交易，首先需要理解Manus到底在做什麼。與大多數對話式AI產品不同，Manus並不是試圖讓系統“更會聊天”，而是讓它成為一個能交付結果的智能體。在常見的使用場景中，使用者仍停留在“問—答—修訂—再問”的循環裡，而 Manus試圖把互動向前推進一步：使用者只需給出目標，例如完成一份行業研究、整理競品資訊、生成結構化備忘錄，系統會自行拆解任務、呼叫工具、校驗輸出，並在過程中不斷調整計畫。這類產品的難點，並不在於第一次能否給出正確答案，而在於出錯之後能否繼續向前推進。因此，Manus的設計重點更多放在工程與流程上：任務狀態需要被保存，中斷後可以恢復，目標變化時能夠重新計算，錯誤也能被使用者以較低成本糾正。對使用者而言，這意味著不必反覆從頭開始，而是像管理一名初級員工那樣，把事情一步步推向完成。Manus官方披露的營運資料，包括累計處理的token數量和虛擬計算環境規模——更像是一種側面說明：這套系統已經在真實世界的壓力下運行過，而不僅僅停留在演示階段。這種對“持續完成任務”的執念，並非從AI時代才開始形成。把時間線往前撥，壹伴這款用於提升微信公眾號編輯效率的瀏覽器外掛同樣出自這批人。壹伴解決的是排版、編輯、發佈效率等高度具體的問題，它的成功並不依賴宏大敘事，而在於“每天都有人用”。在商業產品中，這類工具型成功往往意味著團隊具備對真實工作流的理解，以及對細節體驗的長期打磨能力。壹伴之後，該團隊又推出了微伴，一款圍繞企業微信生態的工具，服務對象從內容編輯擴展到銷售和企業營運人員，開始處理更複雜的協作、流程和資料連續性問題。這一階段，產品從個人效率工具，演進為組織流程工具，目標也從“好用”轉向“可靠、可控、可複製”。從壹伴到微伴，再到Manus，表面上跨越了不同賽道，但核心高度一致：把重複、繁瑣、需要人持續盯著的事情，逐步交給系統穩定完成。這條路徑，也解釋了為什麼 Manus 會在產品設計中，把“任務持續性”放在如此核心的位置——它更像一家長期做工具的公司，在 AI 時代終於獲得了足夠成熟的技術條件。從團隊背景看，Manus具有明確的中國創業公司起源。創始人肖弘和早期合夥人來自中國本土高校，早期創業與試錯主要發生在中國網際網路環境中，產品方法論偏向務實、節制、貼近使用者。但在進入AI應用階段後，公司逐步將主體與核心營運轉向新加坡，並以新加坡為總部面向全球市場。今天，從法律和營運層面看，它更像一家總部位於新加坡的國際科技公司；從團隊基因和產品文化看，它仍然是一家中國創業者主導的公司。這種結構在當下並不罕見：既滿足國際化營運與合規的現實需求，也為進入全球平台生態預留空間。對潛在收購方而言，這意味著更低的整合摩擦。如果說Manus的價值在於“已經跑通了一種應用形態”，那麼Meta的動機則更像是對多重結構性壓力的回應。將這筆併購簡單理解為“巨頭害怕落後”並不精準。更現實的情況是，AI技術的演進正在壓縮產品窗口期。一旦模型能力跨過可用閾值，使用者預期會迅速從“會回答”轉向“能完成”，競爭重心隨之從模型本身下移到產品化與交付效率。對Meta來說，內部孵化並非不可行，但周期更長、跨部門協同成本更高。併購的意義，並不是買到獨家技術，而是獲得一套已經在真實使用者中跑通的產品範式，從而節省數年的試錯時間。與此同時，入口形態也在發生變化。Meta長期的優勢在於分發，但AI時代的新入口未必表現為某個功能按鈕，而更可能是一種新的互動方式，即使用者把任務交給系統，在後台完成。如果AI Agent成為下一代工作與生活的默認入口，平台價值將被重新分配，Meta顯然不願在這一階段只充當流量提供者。組織層面的壓力同樣存在。當AI從研究走向產品，挑戰往往不在單點技術，而在端到端協同：模型、產品、工程、商業化、合規和安全需要同時推進。大型組織在這一階段反而容易被自身複雜性拖慢，而Manus這樣的團隊，已經在真實使用者中完成了一輪端到端交付的磨合，這類經驗很難通過內部指令快速複製。競爭敘事的變化，也在強化這種緊迫感。Google推出Gemini 3，更像一枚訊號彈：模型能力正在穩定提升並逐步可用，差異優勢正從“更強模型”下沉到“更快把能力變成結果”。交易體量進一步說明了Meta的判斷。Meta收購WhatsApp和ScaleAI幫助這家巨頭在移動網際網路時代完成了使用者結構躍遷，後者被視為其在AI基礎設施和資料能力上的關鍵補位。與這兩筆交易相比，Manus的特殊之處在於，它既不直接對應使用者規模擴張，也不直接對應底層技術突破，而位於兩者之間——應用層的執行與交付能力。這在某種程度上意味著，Meta此次併購的核心考量並非買下已經確定的回報，而是為正在形成的入口形態提前鎖定位置。這是一筆典型的“用時間定價”的交易：資本所購買的，是縮短學習曲線和產品落地周期的能力。併購完成後仍強調獨立營運，也並非姿態。對Meta來說，Manus最關鍵的資產不是程式碼，而是其產品節奏與工程習慣。一旦完全納入大公司流程，這種節奏反而最容易被稀釋。從壹伴算起，Manus團隊做工具已經接近十年。這些產品很少成為行業話題中心，卻反覆出現在使用者真實的工作流程中。它們的共同特徵並不複雜：穩定、可預期、能夠在出錯後繼續向前推進。AI的出現，並沒有改變這家公司想解決的問題，只是讓這些問題第一次有了更合適的技術條件。對Meta而言，這筆併購也不必被解讀為一次激進下注。在模型能力趨同、窗口期縮短的階段，用資本換取確定性，是一種典型的大公司策略。接下來真正值得觀察的，並不是Meta是否能把 Manus 整合進自身產品線，而是這種以“交付結果”為中心的產品節奏，能否在更大的平台體系和更複雜的組織結構中被長期保留下來。這也將決定Manus最終被記住的方式：是一次突然的併購，也是Meta在人工智慧時代重新理解“入口”的起點。 (財富FORTUNE)

DeepMind最新發佈了一項關於AGI安全的研究，提出了一個全新的視角：AGI未必會以單一、龐大的巨型模型形式出現，而極有可能通過多個次級AGI（Sub-AGI）智能體的協作與拼湊，率先湧現出通用智能這項研究題為《分佈式AGI安全》（Distributional AGI Safety），由Nenad Tomašev等Google DeepMind研究人員撰寫論文指出，當前的AI安全和對齊研究主要集中在保護單個AI系統上，假設AGI將以單一實體的形式出現。然而，通過擁有互補技能和工具使用能力的個體智能體群體進行協調，進而表現出通用能力的“拼湊型AGI”（Patchwork AGI）假設，此前受到的關注甚少為了應對這一被忽視的風險，DeepMind團隊提出了一套分佈式AGI安全框架，核心在於設計和實施一個虛擬智能體沙盒經濟（Virtual Agentic Sandbox Economy），並為此建構了包含四層機制的深度防禦模型以下是該研究的核心內容被忽視的“拼湊型AGI”假設目前的AI安全方法（如RLHF、憲法AI、機械可解釋性等）大多是針對單一強大的AI實體開發的。這種思路假設AGI會作為一個由特定機構開發的個體AI出現。然而，DeepMind認為存在另一種高度合理的場景：AGI通過次級AGI智能體在群體或系統內的互動而湧現拼湊系統（Patchwork System）：這種AGI是一個分佈式系統，由一組具有互補技能和可供性（affordances）的個體Sub-AGI智能體組成集體智能：系統中的通用智能主要作為集體智能出現。個體智能體可以將任務相互委託，路由給技能最高的智能體，或使用最合適的工具經濟驅動：相比於昂貴的單一全能模型，建構專門化、微調過的低成本智能體生態系統在經濟上更具優勢。這種需求驅動的生態系統類似於市場經濟在這種觀點下，AGI不是一個實體，而是一種“事態”（state of affairs）：一個成熟的、去中心化的智能體經濟體系這帶來了新的安全挑戰：智能體之間可能發生共謀，或者出現意外的集體行為能力，且在大規模多智能體系統中追蹤責任（“許多手的問題”）極具挑戰性。解決方案：虛擬智能體市場與深度防禦為了應對分佈式AGI的風險，論文提出了一個基於虛擬智能體市場的框架。該框架不侷限於評估單個智能體，而是側重於通過市場機制、審計、聲譽管理和監督來治理智能體之間的交易該框架採用深度防禦（Defense-in-Depth）模型，包含四個互補的防禦層：第一層：市場設計 (Market Design)這是最基礎的一層，旨在通過結構性約束和協議來緩解系統性風險。隔離（Insulation）：智能體市場必須在受控的沙盒環境中運行，與開放網際網路和關鍵基礎設施隔離。建議採用“可滲透沙盒”，所有輸入/輸出通道都需經過明確定義、監控和門控激勵對齊（Incentive Alignment）： 市場應獎勵符合安全目標的行為，並對負外部性（如消耗過多計算資源、資訊污染）徵稅（類似庇古稅）透明度（Transparency）：建立不可篡改的分佈式帳本，記錄交易和決策日誌，確保可追溯性熔斷機制（Circuit Breakers）：自動化措施。當檢測到風險或波動性閾值被突破（如互動頻率激增、資源壟斷）時，自動暫停或減緩智能體活動身份（Identity）：每個智能體需擁有與法律實體（所有者）繫結的唯一加密ID，確保持續的問責制聲譽與信任（Reputation and Trust）：建立抗女巫攻擊的聲譽系統。對於違規智能體，快速凍結其資產並將其加入黑名單智能合約（Smart Contracts）：利用程式碼自動驗證任務完成情況和對齊約束。結構性控制（Structural Controls）：針對“智能失控”場景，實施靜態的市場分層（如防火牆）和動態的能力限制第二層：基線智能體安全 (Baseline Agent Safety)這一層確保參與市場的個體智能體本身是可控和可靠的，這是進入市場的先決條件。對抗魯棒性（Adversarial Robustness）：智能體必須通過認證，證明其能抵抗對抗性攻擊可中斷性（Interruptibility）：必須具備標準化的機制，允許授權的監督者安全地停止智能體及其衍生的分散式運算過程遏制（Containment）：每個智能體應在自己的局部沙盒中運行，只有在滿足本地安全檢查後才允許與更廣泛的市場互動對齊（Alignment）：個體智能體需經過RLHF或憲法AI等方法的對齊，並適應多智能體互動的動態環境機械可解釋性（Mechanistic Interpretability）：利用稀疏自編碼器等技術監控智能體的內部動機，並審計其決策鏈防禦惡意提示：實施分層防禦策略，防止智能體在互動中被越獄或操控。第三層：監控與監督 (Monitoring & Oversight)這一層位於基礎設施之上，負責主動檢測新型故障模式和湧現行為。系統性風險即時監控： 跟蹤關鍵風險指標（如計算資源集中度、惡意共謀路徑）。由於互動頻率可能超過人類能力，需利用AI輔助工具進行監控獨立監督：建立擁有干預權力的獨立人類監督機構（經認證的專業人員）前AGI（Proto-AGI）特徵檢測：通過圖分析等方法，識別網路中是否突然湧現出更高的解決問題能力或形成穩固的“智能核心”紅隊測試（Red Teaming）：持續進行多智能體對抗性測試，利用專門的對抗性AI系統來發現集體行為中的漏洞取證工具（Forensic Tooling）：開發能解析大量互動資料並重建因果鏈的工具，以便進行快速的事故後分析。第四層：監管機制 (Regulatory Mechanisms)這是最外層，提供外部權威、問責制以及與人類社會的介面。法律責任與問責（Legal Liability）：建立明確的框架，解決分佈式決策中的責任歸屬問題。即使是群體智能行為，也需追溯到具體的責任主體（如作為單一法律實體的公司）標準與合規（Standards）：制定智能體安全、互操作性和報告的標準保險（Insurance）：引入基於風險定價的保險機制，利用市場力量激勵更安全的開發實踐反智能體壟斷措施（Anti-Agent-Monopoly）：防止單個智能體或集團在沙盒中獲取過多的算力或資源，維持生態系統的多樣性國際協調（International Coordination）：鑑於AGI風險的全球性，需協調統一安全標準，避免監管套利基礎設施治理：防止安全基礎設施被惡意勢力或湧現的AGI本身捕獲或破壞。結語DeepMind的研究強調，AGI或超級智能（ASI）的出現可能不遵循線性路徑，而是作為一個更加分佈式的、多樣化AI智能體網路的聚合屬性而湧現即使AGI不以這種方式出現，隨著多智能體系統的快速部署，理解和管理大規模智能體互動的安全性也已迫在眉睫。這篇論文提出的框架，旨在為應對這種分佈式的、可能迅速演變的未來做好準備 (AI寒武紀)

當蘋果Vision Pro的光芒尚未褪去，庫克手中的下一張王牌已若隱若現。多方資訊透露，蘋果的AI眼鏡正瞄準2026年。一場關於“眼前”未來的爭奪戰，哨聲已經吹響。AI智能眼鏡的賽道，從未像今天這樣擁擠而充滿火藥味。這不僅僅是發佈一款新產品，更像是吹響了決賽圈的號角。然而，在巨頭的光環之外，一場基於底層技術的“暗戰”早已悄然打響。決定勝負的，或許不是誰的概念更炫酷，而是誰能率先解決那幾項最“樸實”的使用者痛點。01 戰場核心：從“玩具”到“工具”的生死跨越過去十年，智能眼鏡經歷了從驚豔到沉寂的過山車。核心原因在於它們未能完成從 “極客玩具” 到 “日常工具” 的跨越。真正的工具，需要無感的可靠。當前的痛點赤裸而直接：·** “找不到”'**的尷尬：兒童手錶定位精度從10米提升至3米，這不僅是數位遊戲，它意味著孩子從 “一片區域” 被鎖定到 “一棵樹下” 。對於眼鏡，室內精準導航、AR資訊與實物的釐米級貼合，都依賴於定位的精髓。· **“用不久”**的焦慮：續航是智能穿戴的 “阿克琉斯之踵” 。當同類產品還在為3天續航掙扎時，前沿方案已將目標錨定7天。這背後，是為未來5G時代、全天候AI互動奠定的基石。· **“不安全”**的疑慮：當眼鏡成為24小時的貼身伴侶，它 “看到” 和 “聽到” 的一切，如何保障？更強的本地化AI能力與隱私安全架構，是與使用者建立信任的生命線。這些看似基礎的問題，構成了體驗的底線。誰能系統性地解決，誰就拿到了進入主流市場的入場券。02 破局關鍵：一顆“全能芯”驅動的體驗革命所有體驗的飛躍，最終都要回歸到方寸之間的晶片上。這場暗戰的勝負手，在於能否擁有一顆驅動未來的 “全能心臟”。以突破性的W527晶片為例，它勾勒出了下一代智能眼鏡核心的輪廓：· ▶ 極速通訊與智享體驗  支援4G全網通與高速Wi-Fi 6，保障了即時AI互動、高畫質視訊通話的流暢，這是 “智能”的血管。· ▶ 超微高整合與凌駕級性能  採用先進的12nm工藝與3D SiP封裝技術，在極小的空間內整合了強大算力（一大核三小核架構），實現應用響應速度提升近1.5倍，這是 “智能”的大腦。· ▶ 強勁續航的底層最佳化  從智能網路搜尋最佳化到待機資源動態節能，一系列晶片級功耗控制技術，將有限的電池能量精準輸送給最需要的任務，這是 “智能”的耐力之源。這顆 “芯” 所代表的，是一種系統性的工程思維：它追求通訊、算力、功耗在極限約束下的全域最優解。正是這樣的底層突破，讓智能眼鏡從 “偶爾玩玩”走向 “一直可用”。03 未來形態：AI的終極載體與場景裂變有了可靠的底層基礎，眼鏡的形態與想像力才開始真正綻放。它正沿著一部清晰的 “能力升級史” 演進：▌ 1.0 基礎智能型Glass+ Audio + AI。智能音訊眼鏡的普及形態，以語音互動為核心。▌ 2.0 視覺增強型加入Camera，成為世界的“第二雙眼” ，實現即時翻譯、視覺搜尋。▌ 3.0 資訊互動型再加入Display，初步的AR資訊開始浮現在眼前。▌ 4.0 全時獨立型最終整合eSIM，實現全天候、全場景的獨立線上，成為脫離手機的下一代個人終端。每一步演進，都意味著全新的場景被解鎖。它可以是一副戶外AI眼鏡，成為年輕人的潮流裝備；更可以是一個 “智慧中樞” ，通過AI主動提供你需要的一切。眼鏡，因其佔據人類最主要的資訊輸入管道，且最貼近大腦，正無可辯駁地成為AI最好的物理載體。04 中國玩家的全球棋局：差異化與精準卡位在這場全球競爭中，中國玩家展現出了靈活而精準的全球化佈局智慧：在東南亞，以極致的性價比和深度的市場教育先行，快速佔領增量市場。在成熟市場（如歐洲），則將重點放在嚴格的隱私保護與紮實的本地化能力建設上，以贏得挑剔使用者的信任。這種 “區域差異化” 策略，使得智能穿戴產品的海外收入佔比成功突破30%，並仍在快速增長。它證明，對全球不同市場使用者需求的深度理解和尊重，是打開增長天花板的另一把鑰匙。當蘋果在2026年攜其生態與設計之力正式入場時，它面對的將不再是一片藍海，而是一個底層技術不斷突破、產品形態持續演進、市場策略高度務實的活躍戰場。智能眼鏡的競賽，上半場是概念與demo的展示，下半場則是核心技術、使用者體驗與生態建構的硬核較量。蘋果的入局，不會終結比賽，反而會以巨大的聲量教育全球市場，將整個賽道推向沸騰。拐點已至，未來已來。這場關於 “眼前” 的變革，將重新定義我們與數字世界互動的方式。或許，下一代計算平台的王冠，並非註定屬於某一家巨頭。它屬於所有能精準切入痛點、並用紮實技術實現優雅體驗的破局者。 (譚大帥Milton)

【新智元導讀】祖克柏的「元宇宙」執念終於向現實低頭，Meta計畫削減該部門人力，將資源全面傾斜至銷量意外火爆的AI智能眼鏡。在Reality Labs四年燒掉700億美元後，伴隨著競爭對手的退潮，Meta決定不再死磕笨重的VR頭顯。為了打贏這場新的戰役，祖克柏甚至挖來了前蘋果資深設計師，試圖讓可穿戴裝置真正成為時尚單品。祖克柏宏大的「元宇宙」願景，正式宣告大敗局。據三位知情人士透露，Meta正在醞釀對其Reality Labs（現實實驗室）旗下的元宇宙相關部門進行裁員。這把「手術刀」最早可能在下個月落下，預計將波及該部門10%到30%的員工。該部門主要負責VR頭顯以及基於VR的社交網路開發。儘管具體的裁員人數仍在變動中，但這無疑是一個明確的訊號。需要釐清的是，Meta並沒有打算徹底放棄建造元宇宙的夢想。與其說是撤退，不如說是一次戰略資源的「乾坤大挪移」：高管們計畫將節省下來的資金，從單純的VR領域，轉移到目前勢頭更猛的AR眼鏡和可穿戴裝置上。從「頭號玩家」到「時尚單品」這一轉變並非無跡可尋。早在2021年，Meta就與雷朋（Ray-Ban）聯手推出了一款內建攝影機和麥克風的智能眼鏡，使用者可以用它接電話、聽音樂。而隨著近期AI助手的加入，這款眼鏡搖身一變，成了使用者可以通過語音互動的智能終端。出人意料的是，這款眼鏡在市場上大獲成功，銷量遠超內部預期。相比之下，厚重的VR頭顯在消費者普及度上依然步履維艱。Meta發言人Nissa Anklesaria在一份聲明中證實了這一動向：「鑑於目前的發展勢頭，我們正在調整Reality Labs的投資組合，將部分資源從元宇宙轉向AI眼鏡和可穿戴裝置。」她同時也強調，公司並沒有計畫進行除此之外更廣泛的變革。700億美元的代價，與競爭的退潮回溯到2021年，祖克柏將公司從Facebook更名為Meta，以此宣示他致力於建構基於VR的下一代網際網路（元宇宙）的決心。自2014年收購Oculus以來，這始終是他眼中的「應許之地」。然而，通往未來的路費極其昂貴。Reality Labs作為承載這一願景的硬體和軟體核心部門，在過去四年裡累計虧損超過700億美元。隨著Meta在人工智慧領域的投入也在不斷加碼，預計未來將在資料中心和AI開發上燒掉數百億美元，而投資者的耐心已被這一連串驚人的數字消磨殆盡。此外，外部環境的變化也給了Meta「喘息」的機會。知情人士指出，Meta之所以敢在此時考慮削減元宇宙投入，部分原因在於競爭壓力的減弱。2021年時，蘋果和Google都在瘋狂推進各自的VR裝置，但在對手們的腳步逐漸放緩後，Meta的高管們認為，公司也可以適度調低在VR領域的衝刺速度。設計為王的新篇章Reality Labs由元宇宙部門和可穿戴裝置部門組成。知情人士透露，此次裁員的重災區將集中在VR崗位。與此同時，祖克柏正在為智能眼鏡注入更多的時尚與設計基因。在今年的開發者大會上，Meta展示了三款新型智能眼鏡，其中一款甚至在鏡片內嵌入了微型螢幕。而在本周三，祖克柏宣佈了一項重要任命：聘請曾在蘋果任職多年的資深設計師Alan Dye，領導Reality Labs內部一個新的創意工作室，專注於設計、時尚與科技的融合。Alan Dye將直接向Meta首席技術官Andrew Bosworth匯報。祖克柏在周三的Threads帖子中寫道：我們正在進入一個新時代，AI眼鏡和其他裝置將改變我們要技術以及彼此之間的連接方式。有了這個新工作室，我們將專注於讓每一次互動都經過深思熟慮、直觀自然，並真正服務於人。通往未來的最短路徑，或許並不是建構一個全新的虛擬世界。 (新智元)

打造最強智能體平台，最大雲巨頭狂堆猛料。智東西拉斯維加斯12月3日報導，在年度雲端運算盛會AWS re:Invent大會上，AWS Agentic AI副總裁Swami Sivasubramanian發表主題演講，詳細闡述為什麼是亞馬遜雲科技（AWS）建構和運行智能體的最佳選擇，並行布多項智能體（agent）開發新工具。Strands Agents SDK智能體框架新增對TypeScript和邊緣裝置的支援，讓智能體建構更輕鬆，並拓展至更廣泛的汽車、遊戲、機器人等邊緣領域。Amazon Bedrock AgentCore智能體平台推出多項創新：策略功能支援團隊為智能體的工具使用設定邊界，評估功能幫助團隊瞭解智能體在實際場景中的表現，情景記憶功能讓智能體能夠從經驗中學習並持續最佳化。Amazon Bedrock全託管AI平台新增強化微調功能，提供自動化微調能力；Amazon SageMaker AI平台新增模型定製功能，支援深度底層調整，簡化高效AI的建構流程。Amazon SageMaker HyperPod新增的無檢查點訓練功能則實現了大規模、低成本的訓練，整體目標是最大化客戶在生產環境中這些工作負載的價值和投資回報率（ROI）。此外，針對建構智能體可靠性的Amazon Nova Act服務，正式版全面可用，有助於實現智能體大規模生產部署。01. Strands Agents SDK新增兩大功能，支援TypeScript和邊緣裝置Strands Agents SDK是一款開源、模型驅動的AI智能體框架，提供模型驅動編排，自發佈以來下載量已達到529.9萬次。今日，亞馬遜雲科技宣佈兩項新功能：一是支援TypeScript（預覽版）。TypeScript是全球最受歡迎的程式語言之一，這將讓全端智能體應用的建構變得更加輕鬆。Strands Agents對TypeScript的核心特性提供全面支援，包括類型安全、async/await非同步語法，以及現代JavaScript/TypeScript程式設計範式。開發者可借助AWS CDK（雲開發工具包），全程使用TypeScript建構完整的智能體技術堆疊。二是支援邊緣裝置。客戶可通過Strands Agents SDK建構能在小型裝置上運行的自主式AI智能體，落地汽車、遊戲、機器人等領域的智能體應用場景，在現實世界中交付智能服務。02. Amazon Bedrock AgentCore新增策略、評估、情景記憶功能，助力下一代智能體開發將智能體引入生產困難重重，需要快速規模化部署智能體，記住過去互動和學習，識別和訪問所有智能體和工具的控制，掌握用於執行複雜工作流的智能體工具使用，最後觀察和偵錯問題。而複雜性會拖慢創新。如何幫助客戶大規模建構、部署安全的生產級智能體？這正是Amazon Bedrock AgentCore的核心價值所在。Amazon Bedrock AgentCore是一款專為安全、大規模建構和部署智能體而設計的智能體平台，相容各類框架和模型，於今年7月在AWS紐約峰會上首次發佈預覽版，隨後快速迭代，10月已正式全面可用。企業要將智能體從原型推向生產環境，需要一套安全、可靠、可擴展且適配智能體非確定性特性的專用基礎設施。智能體需要動態擴展的底層支撐，能支援長期運行的工作負載，並可即時、安全地儲存和檢索上下文資訊。然而，當前早期採用者需要投入大量資源從零建構這類基礎設施，過程耗時費力，嚴重拖慢開發周期。Amazon Bedrock AgentCore則通過提供全託管服務來解決這一挑戰。它包含一系列關鍵元件，提供了大規模運行生產級智能體所需的種種，包括：Runtime：無伺服器、安全且隔離的執行階段計算資源；Observability：可觀測性工具（開源且相容OpenTelemetry協議），幫助客戶瞭解智能體的運行狀態；Memory：記憶功能，讓智能體能夠長期與使用者互動，記住過往互動內容，從而建構智能、個性化的應用；Code Interpreter：程式碼直譯器，讓智能體能夠通過編寫程式碼訪問以往無法使用的工具；Gateway：閘道器功能，支援連接AWS內外系統；Managed Browser與Identity：網路使用權限和身份認證功能，明確智能體的身份及其代表的主體，這與治理和可觀測性密切相關。客戶既可以使用Amazon Bedrock Agent建構智能體，也可以結合任何開源智能體建構框架。目前該平台已獲得廣泛採用，迄今開發者下載量已超過200萬次。在此基礎上，Bedrock AgentCore新增兩項新功能：一是Policy in AgentCore，策略功能，為智能體的操作設定明確邊界。通過獨立於智能體程式碼的即時確定性控制，主動攔截未授權的智能體操作。企業只需用自然語言描述規則即可建立精細化策略，可以為智能體定義策略（可訪問的工具和資料、可執行的操作、適用條件等），比如“當報銷金額超過1000美元時，拒絕所有客戶的退款申請” 之類的策略。這些策略會在智能體執行前進行評估，確保智能體始終在設定的規則邊界內運行。二是AgentCore Evaluation，評估功能，幫助開發者基於智能體的行為持續檢測其質量，確保其行為符合預期。AgentCore評估功能無需管理複雜基礎設施，提供了13種預置評估器，覆蓋正確性、實用性、工具選擇精準性、安全性、目標達成率、上下文相關性等常見質量維度。開發者還可靈活使用自己偏好的大語言模型和提示詞，編寫自訂評估器。三是AgentCore Memory Episodic Functionality，情景記憶功能，自動保存互動過程中的關鍵事件和狀態，助力智能體從過往經驗中學習，提升決策水平。它包含短期記憶和長期記憶。短期記憶用於記錄當前的互動過程，幫助智能體瞭解與使用者或操作者的即時互動狀態；長期記憶用於追蹤長期的互動歷史。情景記憶則能在這些記憶基礎上，疊加特定互動場景的上下文資訊，讓智能體能夠給出更智能的建議。舉個實際例子：假設有一個預訂智能體，你第一次使用時，它為你預訂了車輛，並預留了45分鐘的趕航班時間，但你當時因照顧家人和孩子而錯過了航班，不得不重新預訂。借助情景記憶，系統會記錄下這次互動經歷。當你6個月後再次預訂航班時，智能體將記得你需要更多的準備時間，會自動為你預留2小時的車輛預訂窗口，而非45分鐘。這一功能已深度整合到AgentCore中。這些功能的核心目標，都是加速智能體從想法到大規模生產落地的處理程序。03. Amazon Bedrock與SageMaker AI新功能：簡化模型定製流程，建構更快速高效的智能體隨著智能體應用的普及和生產環境中模型規模的擴大，效率已成為客戶必須關注的核心問題。企業客戶在使用現成模型時面臨一種挑戰：這些模型功能強大，但往往未針對效率和規模進行最佳化，最終導致不必要的成本支出、響應速度變慢以及資源浪費。而效率並不僅僅關乎成本，它涉及多個關鍵因素：延遲（智能體能否快速響應，實現即時互動）、擴展性（能否應對預期的高負載）、敏捷性（能否根據應用演進和客戶互動快速迭代調整）。解決這一問題的關鍵在於定製化：通過定製小型專用模型，處理智能體最常執行的工作，以更低成本實現更快、更精準的響應。但在此之前，強化學習等先進定製技術需要深厚的機器學習專業知識、龐大的基礎設施支援，且開發周期長達數月。對此，亞馬遜雲科技宣佈Amazon Bedrock與Amazon SageMaker AI推出全新功能，以便開發者運用先進的模型定製技術。1、Reinforcement Fine-tuning in Amazon Bedrock：強化微調，提升模型精準率亞馬遜雲科技宣佈Amazon Bedrock的一項新的強化微調功能——Reinforcement Fine-Tuning（RFT）。該功能簡化了模型定製流程，核心目標是讓客戶無需具備深厚的機器學習和AI模型開發專業知識，就能輕鬆提升模型精準率。其相比基礎模型平均可提升66%的精準率，幫助客戶無需依賴龐大昂貴的模型，而是通過更小、更快、更具成本效益的模型，獲得更優結果。操作流程很簡便：開發者選擇基礎模型，指定呼叫日誌或上傳資料集，選擇獎勵函數，然後Amazon Bedrock中的自動化工作流會全程處理微調流程，以最大化獎勵函數的結果。如此一來，客戶無需專業知識，就能獲得更貼合自身需求的定製化模型。發佈初期，Amazon Bedrock強化微調功能將支援Amazon Nova 2 Lite模型，後續將逐步相容更多模型。2、Model Customization in Amazon SageMaker AI：模型速度更快、成本更低、精準率更高還有一類客戶是領域專家，希望對AI工作流擁有更多控制權。雖然Amazon Bedrock的強化微調功能非常便捷，但部分客戶希望深入底層進行自訂調整，因此亞馬遜雲科技在用於大規模訓練和定製模型的平台SageMaker AI中新增了Model Customization深度模型定製功能。SageMaker AI自2017年推出以來，一直是客戶進行AI和機器學習模型開發的核心平台。為了滿足客戶的深度定製需求，亞馬遜雲科技讓這一過程在SageMaker中變得更加簡單：客戶無需管理基礎設施，可為其生成合成資料，助力提升應用效果。亞馬遜雲科技提供了兩種體驗模式：一是智能體驅動模式（預覽版）：通過智能體引導開發者完成模型定製流程。客戶用自然語言描述需求後，智能體將全程引導完成定製流程，從生成合成資料到模型評估無一不包。二是自主引導模式：適合喜歡自主操作、希望獲得精細化控制和靈活性的開發者。這種模式無需管理基礎設施，同時提供合適的工具供開發者選擇定製技術，並能調整相關參數。通過這兩種模式，開發者都能運用先進的定製技術，包括基於AI反饋的強化學習、帶可驗證獎勵的強化學習、監督式微調及直接偏好最佳化。SageMaker AI新增功能將支援Amazon Nova以及Llama、Qwen、DeepSeek、gpt-oss等熱門開源模型。亞馬遜雲科技希望通過多樣化的介面，為專業客戶提供所需的全部功能、控制權和靈活性，讓客戶能夠定製模型，以最低成本獲得最佳性能，並根據自身專業水平和偏好的工作模式提供適配的解決方案。04. SageMaker HyperPod無檢查點訓練：數分鐘內從模型訓練故障中恢復在與客戶合作進行模型定製和訓練的過程中，亞馬遜雲科技意識到仍有改進空間，模型訓練成本高昂且流程繁瑣。通常，客戶需要運行大型GPU叢集，這些叢集執行階段成本不菲，閒置或故障時損失更大，無法開展有效工作。為解決這一問題，亞馬遜雲科技開發了Amazon SageMaker HyperPod。它是SageMaker中的託管訓練功能，是目前大規模模型訓練成本最低的方案之一， 能最大化叢集執行階段間，讓客戶在進行訓練和定製任務時，充分發揮叢集的價值。Amazon SageMaker HyperPod簡化了模型訓練與部署的基礎設施管理，最高可降低40%成本。當訓練規模擴展至數百或數千個加速器時，可能會出現硬體或軟體故障等問題。傳統基於檢查點的恢復方式耗時最長可達1小時，不僅成本高昂、佔用儲存資源，還會導致價值數百萬美元的計算叢集在恢復期間處於閒置狀態。對此，亞馬遜雲科技宣佈SageMaker HyperPod推出Checkpointless Training無檢查點訓練功能。該功能無需人工干預，即可在數分鐘內自動從基礎設施故障中恢復，使包含成千上萬張AI加速器的叢集訓練效率最高可達95%。對於大型長期運行的任務，重啟和重跑極其痛苦。而無檢查點訓練徹底改變了這一模式：系統自動記錄所有操作，若發生故障，可在幾分鐘內快速恢復，客戶能迅速繼續工作。當故障發生時，系統會自動替換故障元件，並通過從鄰近正常加速器進行模型和最佳化器狀態的點對點傳輸來恢復訓練。這一機制大幅縮短了停機時間。這不僅降低了整體營運成本，還能讓客戶更快地將定製模型部署到生產環境。它真正實現了，無論客戶需要多大的規模，都能以簡單、經濟、可靠的方式完成訓練。05. Amazon Nova Act正式發佈：建構可靠智能體，實現UI工作流程自動化當智能體應用和這些工作流部署運行後，可靠性就成為了核心要求。每個企業都有希望自動化的流程，但他們需要的，是可預測、可靠、可規模化的自動化，而這一點靠企業自身很難實現。為了簡化這一過程，亞馬遜雲科技建構了一套端到端服務Amazon Nova Act，幫助開發者建構、部署和管理大量可靠的智能體，實現生產環境使用者介面（UI）工作流程的自動化。企業使用智能體進行自動化時，通常都是針對螢幕和介面的自動化操作，而Amazon Nova Act的設計初衷就是讓這類開發更簡單，同時保障可靠性和規模化部署能力。今年早些時候，亞馬遜雲科技發佈了Amazon Nova Act研究預覽版。為了將智能體投入生產環境，亞馬遜建構了一個完全整合的解決方案，用於實現可用於生產環境的可靠瀏覽器自動化。今日，Amazon Nova Act正式版即日起全面可用。該服務與Amazon Nova、Bedrock和AgentCore深度整合，讓客戶能夠輕鬆建構可靠的智能體。它能夠大規模地提供超過90%的任務可靠性，同時與其他AI框架相比，還能更快實現價值，並簡化部署過程。客戶可在自己選擇的任何開發環境中建構這些應用，系統支援部署大量平行的UI智能體，這些智能體依託模型，具備高可靠性。Amazon Nova Act基於定製的Amazon Nova 2 Lite模型，能夠出色地驅動瀏覽器、支援API呼叫，並在必要時將問題升級至人工處理。該服務具備Web質量保證（QA）測試、資料錄入、資料提取和結帳流程等核心功能。如今大多數模型都是獨立訓練的，與執行任務的協調器和執行器分離，這降低了可靠性。Amazon Nova Act採用不同的方法，利用強化學習，讓智能體在模擬真實世界使用者介面的定製合成環境（Web Gym）中運行。這種模型、協調器、工具和SDK的垂直整合，以及所有元件的同步訓練，實現了規模化下更高的任務完成率。最終得到的智能體系統不僅偶爾有效，而且能夠大規模可靠運行，並具備推理和適應變化的能力。Amazon Nova Act將適配客戶使用的各種整合開發環境（IDE）。它是一套可擴展的框架，完全適配客戶的開發習慣，同時讓客戶能夠輕鬆實現大規模生產部署。其核心適用場景是任何需要自動化UI的場景。它包含一個動作模型，亞馬遜雲科技還針對該模型開發了大量SDK和工作流，用於操控UI。06. 結語：建構智能體的最佳平台，亞馬遜雲科技志在必得亞馬遜雲科技堅信生成式AI是人們正在經歷的關鍵變革之一，將助力客戶實現業務轉型，並在未來數月、數年內普及開來。當前，這家雲巨頭致力於成為客戶建構智能體、實現業務自動化的最佳平台，不僅讓開發過程更簡單，還提供了安全、高彈性的基礎架構，保障營運的領先性和世界級的基礎設施，讓客戶能夠按需定製所使用的基礎設施和技術堆疊，從而獲得理想的結果。其平台提供了豐富的AI功能，內建負責任的AI機制，擁有支撐這些技術在現實世界發揮作用所需的資料資源，還依託全球最大的合作夥伴網路，使其客戶可通過市場輕鬆獲取各類智能體。而亞馬遜雲科技會處理好各種底層複雜工作，助力企業及開發者通過生成式AI應用實現業務變革。 (智東西)

最近，微軟CEO納德拉與Stripe聯合創始人約翰·科里森（John Collison）進行了一次對話。本次對話深入探討了AI時代的範式變革、技術架構與企業戰略。核心要點如下：1、建構企業AI護城河與隱性知識主權。納德拉認為，企業應建構自己的“AI工廠”，核心是利用 Microsoft 365 Graph（知識圖譜）將企業內部的非結構化資料（郵件、文件、會議）語義化，釋放長久以來丟失的隱性知識。在AI時代，真正的公司主權在於擁有捕獲自身隱性知識的模型微調層（LoRA），這是新的競爭優勢。2、智能體（Agent）架構與未來軟體形態。智能體要實現持續學習，必須將記憶、權限體系和行動空間這三大基石置於模型之外，並與模型深度結合。未來的軟體將是跨工作流的，核心UI（如表格、收件箱）將保持不變，但工作將由大量平行Agent在後台驅動，新一代IDE或收件箱將成為管理這些Agent的“抬頭顯示器”（HUD）。3、歷史教訓與範式轉變。微軟從錯過網際網路浪潮中吸取教訓：認清技術範式後，關鍵在於找到新的“組織層”（如搜尋引擎、應用程式商店，現在是聊天機器人）和正確的商業模式。同時，不能高估競爭的“零和”性質，必須堅持模組化和開放性（如Azure支援Linux），以最大化市場。4、AI基礎設施與文化。當前AI發展的最大瓶頸是“熱機房”（電力、土地等供應），而非需求不足。在企業文化上，CEO必須通過與客戶溝通保持“親民”，並堅持“成長型心態”，學習創始人基因，即始終關注開發者和創業公司，以保持技術平台的相關性。01. 與其羨慕別人不如建構自己的護城河1. 知識圖譜，將是“殺手級”應用對微軟來說，要確保AI真正“滲透”到企業內部。不是讓大家去仰望別人家的AI工廠或 AI Agent，而是思考“如何建構屬於你自己的AI 工廠”。其中最複雜的部分是組織企業內部的資料層，這需要跨越整個企業體系，並讓資料能夠與智能層真正對接。我想這會是我們重點推進的方向。我們要做的最大一件事建立了圖譜，把那張隱藏在企業最重要資料庫之下的關係圖釋放出來。那些資料庫就是包括你的郵件、文件、Teams會議等等背後的系統。所有人都不是臨時、無結構地工作，而是在圍繞某個業務事件進行協同。這將是一種“殺手級應用”，以前，語義關係一直都只存在在人腦裡，也一直都丟失掉了，而現在你第一次可以真正呼叫起來。當然，這一切其實剛剛開始。和我們以往推出 Office 套件相比，這次算是歷史上“最快”的一次變革。但歸根結底，這屬於“變革管理”。你得真正把它部署進去，人們得真正用起來。而且在企業環境中，一切還必須滿足審計要求，資料治理要能跑通。這是很大的工程，但我們現在終於開始看到加速的跡象。另一點是：讓它在Microsoft 365 Graph（圖譜）內部工作是一回事，那 ERP 系統怎麼辦？現在的連接器“能用但很弱”，就像一根細吸管。你需要的是一個更好的資料架構，把所有東西語義化嵌入在同一個層裡。如果我沒記錯的話，Bill（比爾·蓋茲）90 年代就提出了“information at your fingertips（資訊觸手可及）”。他一直非常執念。我記得很清楚，我那時還只是個新人，他說過一句話：“軟體只分一個類別：資訊管理。你只需要結構化人、地點和事物，就夠了。”他討厭檔案系統，因為它不結構化。若所有東西都是SQL資料庫，那他就能寫 SQL 來處理所有資訊，那才是優雅的解決方案。問題是人是混亂的。即便資料結構化了，它也不可能真的給你一個統一的索引或 SQL 查詢把所有內容都調出來。這就是過去時代最大的挑戰。我們以前從來沒想過，最後解決這個問題的不是某種極複雜的資料模型，而是一個規模巨大的深度神經網路，靠算力堆出的參數的“捕捉模式”。2. agent的三大基石模型有兩個關鍵——“上下文學習”和“持續學習”。如果你把模型的認知能力和知識分離，那麼從本質上，你就得到了一個持續學習的架構：演算法是獨立的，知識可以被更新。不過模型執行階段，有三樣關鍵東西必須放在模型之外：記憶：包括短期、長期，以及人類擅長的長期信用分配。權限體系：模型必須遵守角色權限、訪問規則。行動空間：模型可執行的操作必須被系統定義。這三個就是“環境”。如果模型擁有行動、權限管理和記憶，就能持續學習。而這些都必須在模型之外、但又與模型深度結合。例如， Copilot 今天用的是 OpenAI 模型，也能用 Claude，系統必須讓它們都能工作。我認為下一階段的突破就在這裡。3. 微軟的AI技術堆疊微軟的AI佈局分為三層：第一層：基礎設施業務（token 工廠）。我們必須極其擅長打造“token工廠”，也就是以最低的“成本/能耗”生產最多的 token。第二層：智能體工廠（agent 工廠）。與 token 工廠不同，agent 工廠的目標是用token 驅動真實業務價值或消費者價值。這就像新的應用伺服器（App Server），是 AI 時代的新“應用層”。第三層：AI 系統（Copilot 家族）。包括資訊工作（Office）、軟體開發（GitHub Copilot）、安全（Security）這是三個水平層。除此之外，我們在業務應用上也深度投入到醫療與科學領域。02. 微軟的歷史教訓範式正確不代表一定會贏1. 差點錯過網際網路浪潮1994 年，我住在微軟園區旁邊的公寓，那裡聚集了一大幫天才，我們卻錯過了網際網路。作為當年一個新人，回看那段歷史，我的感覺是：我們其實理解網際網路，但又不完全理解。比如我們不相信TCP/IP 能成，我們覺得必須有服務質量保證，所以建構的是資訊高速公路。MSN 最早還是X.25 網路，因為我們在和AOL的撥號上網競爭。但 Bill在 95 年果斷轉向了。就在 Windows 95 推出時，他說：“一切都會改變。”所以大概93–95年之間，技術堆疊到底會不會是開放網際網路，還不清楚，但 Mosaic 瀏覽器出來之後，一切變得清晰，然後微軟全面轉向。還有另外一個教訓。我一直關注的一件有趣事情是——我認為這可以遷移到 AI 上：首先你得把“範式”認清楚。但即使你認清了範式，也不意味著你能找到那個殺手級應用，甚至不意味著你能找到正確的商業模式。歷史上一直如此。比如網際網路，誰能想到在開放 Web上，一個具有網路效應的搜尋引擎竟然會成為“組織層”？我常說，根本不存在所謂的“開放網頁”，只有“Google的網頁”，因為Google徹底統治了它。回頭看很有意思：AOL和MSN輸給了開放Web，大概可以這麼說。但它們又被新的 AOL 和 MSN 形式替代了：它們叫搜尋引擎、叫應用程式商店。移動 Web 就是一個非常迷人的例子。對我來說，更深刻的觀察是：即使在開放生態中，“組織層”仍會不斷出現，而大量的品類力量會流向這個組織層。只是每一次這個組織層是什麼都不確定，上一代是搜尋引擎，今天是聊天機器人。它能持續多久？沒人知道，但今天它毋庸置疑存在。ChatGPT 的成功不可否認，它已經成為一種新的聚合點。搜尋引擎、應用程式商店也曾經是組織層。那麼下一步是什麼？在“智能體市場”或“智能體電商”中，電商又會變成什麼？這些都是未來要討論的問題。2. 做“顯然該做的事”遠遠不夠2000年，我們成為了市值最大的公司，超過了GE。我記得那個時刻。回頭看，即便拋開金融周期，當時的長期趨勢非常明確：網際網路會成為主導。因為那個時候商業模式已經開始出現。對微軟來說，當時最大的教訓是：天啊，連我們的第一反應（做瀏覽器、做 Web 伺服器、把網際網路協議塞進所有產品、用 FrontPage 做網站建構器……）這些“顯然該做的事情”都不夠。我們意識到不能只做顯然的事情，我們必須重新發明自己正在做的東西，同時理解新的商業模式。從某種意義上講，那輪泡沫周期確實像是從天而降，由某種非理性繁榮驅動的。但當泡沫破滅時，它也確實洗掉了一堆糟粕。但真正好的點子都活了下來。現在我看這次浪潮，有兩個特點：一是基礎設施這次是“立刻就需要”的，不像以前那樣——你建好一條暗光纖，還得等某家公司十億使用者才能把它點亮。說實話，這一次我們是落後的一方。我們不是坐在那裡說“我 GPU 都架好了但沒有人用”。完全不是。我只希望更高的利用率……但我沒有“資源空著沒人用”的問題。恰恰相反：我必須趕緊拿到更多的供應。而且不可能做到供應鏈完全匹配需求，因為這次建設周期很長。長周期部分包括：土地批准、電力批准、站點位置……我們現在甚至需要給華爾街解釋：這些資產，有的使用周期20年，有的4–5 年。你必須用不同思路做決策。一個冷機房空在那裡根本沒什麼——就像一個公司有五座空樓，不會成為資產負擔。所以，現在最大的瓶頸就是“熱機房”，能接上電、馬上裝機、馬上點亮。如果我沒有足夠多已經通電的機房，我就無法把機架推進去、裝機、投入營運。3. 高估競爭的“零和”我們經常高估了競爭是“零和”的。你需要很敏銳地判斷那些生意天然是“多玩家”。例如云：當年Azure啟動時，大家都說AWS已經太領先，第二名沒有空間了。但我從與 Oracle 和 IBM 競爭的經驗中知道：企業永遠不會只要一家雲。所以我們堅持做 Azure。如果你“捆綁過度”，反而會縮小市場。例如Azure 原來叫Windows Azure，問題巨大，因為雲不可能只支援 Windows。我們必須把 Linux 當作頭等公民，把 MySQL、Postgres 當頭等公民，這是贏下 TAM 的必要條件。我對模組化的原則是：什麼配置能最大化市場？什麼能真正滿足客戶？什麼能保持競爭力？我們必須先贏下來，至於未來他們是否願意遷移，那是另一回事。Outlook把郵件、日曆、聯絡人整合在一起，Teams則是把聊天、頻道、視訊等功能組合成一個“工作空間”。這類集束本身就是一種產品形態，但你仍然需要在底層保持足夠的原子化能力：確保模組化不會犧牲競爭力。如果你做了一個“超級雲”，但只能跑 Windows 和 SQL，那只能佔市場的一小塊而已。AI 堆疊也是一樣，我希望基礎設施、應用伺服器、應用層，三個層次都能獨立站得住。使用者可以從任意一層進入。03. 對未來的思考1. 未來的軟體是跨工作流的從某種意義上說，表格這種東西……我覺得它體現了“列表與表格的力量”。它和軟體的可塑性結合在一起，才成為一個完美的存在。我們可能會加很多花裡胡哨的功能，但它的核心不會變。電子表格也是一樣，我們從來沒有給它足夠的重視。其實你可以認為它是全世界最容易上手的程式設計環境，甚至在“不知道自己在程式設計”的情況下就開始用了。這是它的另一重美妙之處。反過來看，現在的AI，我們依然把它“神秘化”得太厲害。你我都討論過：天啊，我們需要變革管理、組織重構等等……但當年電子表格剛出現時，沒有人說“需要變革管理”。大家直接用就完了。我們現在處在一個類似的時代，即將出現新的“工作產物與工作流程”，從底層重塑、重新發明。某種程度上，我們已經能生成所有程式碼，所以也就能生成更定製化的 UI 框架。實際上我們過去就在討論：文件、網站、應用之間到底有什麼本質區別？都是不同形式的表達而已。同樣有趣的是，雖然大家說“應用會消失”，但看看我們的老朋友 Excel 和 VS Code——它們其實又回來了。因為 AI 會生成內容，而我需要理解和編輯這些內容。我需要一個優秀的編輯器，能夠讓我對AI生成的結果做 diff、做迭代。因此，IDE 會迎來全新的一代，它們會與智能層有遙測循環，同時像“抬頭顯示器”（HUD）一樣，幫助我管理數千個平行的 agent。我得理解它們的工作，並對其進行“微調度”。這就是未來 IDE、收件箱、消息工具的樣子。我在思考：未來我們如何與大量 agent 協作？我會發佈大量指令，agents 會執行數小時甚至數天，然後不斷回報進度。我又如何在有上下文的情況下進行微調？絕不能是今天這種“通知地獄”——給我 5 個字，我完全不知道上下文。未來的軟體必須是跨應用、跨工作流的。最終，大多數軟體在成熟後都會變成：一個 inbox（收件箱）、一個消息工具、一個畫布，螢幕上不斷閃爍結果，但大量工作已在後台完成。我認為仍然是少數幾個。甚至從“極簡主義”的角度看，可能還是那幾個，只是它們執行的任務變了。比如說：人類喜歡表格、喜歡線性的文件、喜歡 inbox / messaging，這些 UI 其實是經過驗證的。2. 智能體電商我們一直以來都有一個想法：什麼樣的“基礎設施”對商家最友好？什麼樣對消費者最友好？有沒有一種完美匹配？“對話式電商”大家談了很多年，而現在靠你們與其他團隊的工作，我們真的能把商家、使用者，通過一個智能體式的體驗連在一起。當然現在還很早，必須做得“有品位”、能贏得使用者信任。但我真的非常激動。我經常在各個平台上找東西。亞馬遜、沃爾瑪等等的站內搜尋真的不太行。但聊天式體驗真的太好用了。而且關鍵是，它會回到商家的商品目錄。目錄依然是王，但如果我能把“目錄 + 支付”結合起來，那體驗就完全無縫了。目前，“關鍵詞搜尋”是最合理的找東西方式，本質上是一個“定製化商品目錄”。它的結果不像搜尋引擎結果頁那樣機械。現在有一個巨大問題：目錄質量參差不齊，缺少可推理的資料結構。解決這個問題之後，每一個商品都能找到屬於它的搜尋請求。那對每個商家來說，怎樣才能以最低摩擦接入“智能體工作流”？最終每個商家可能都會說：“我有商品目錄，我有支付系統。請幫我以最簡便的方式接入所有智能體。”“通用介面”的方式正在流行，讓他們點一個按鈕就能啟用“智能體電商”，而不是跑去自己搭MCP伺服器。而誰把這件事做得“優雅、有品位”，誰就贏得未來。在智能體世界裡，這些流程可以完全打通，不再像今天這樣處處是縫。3. 重新定義“公司主權”：隱性知識的權重化所有國家與政策制定者都非常關注資料主權的話題，也確實有合理原因。但在 AI 時代，我對“主權”的看法有些變化了。真正的主權問題其實是：公司的未來是什麼？按照科斯定理的邏輯，如果模型是那個掌握所有知識的東西，那為什麼組織內部還需要存在？組織存在是因為內部交易成本更低、存在“隱性知識”。但如果模型知道一切，這會被徹底顛覆。所以我現在認為：未來核心主權，是企業對其自身模型的主權，不是別人家的基礎模型，而是你的公司是否擁有一個屬於自己的基礎模型，它能夠吸收你的隱性知識，使組織內部知識的積累與擴散成本更低。這就是未來意義上的“主權”。我最關心的是“隱性知識到底存在於那裡”。它顯然存在於人腦中，是通過時間積累的 know-how。但它也會以權重的形式存在於某些屬於你的 LoRA（模型微調層） 層中。未來的智慧財產權，不僅是員工和檔案，還有一些“嵌在模型裡的東西”。但你怎樣保護這些能力不會“洩漏”回基礎模型？我認為未來公司形態是這樣的：基礎模型提供通用能力，而公司自己通過多個模型、記憶、工具呼叫、獨特的資料，建構出屬於自己的“智能層”。4. 打造模型選擇器在消費產品領域，這是我們第一次看到：當你切換模型時，變化並不一致，而且每個人受到的影響都不一樣。人格、風格等等，會成為全新的維度。從另一個角度看，這說明：AI 模型的差異化不止IQ，還有EQ，還有風格偏好等維度。但從長期來看，我認為關鍵是模型必須持續提升，尤其是在最難、最高價值的任務上。然後你要不斷根據任務進行最佳化。對我們這種產品建構者而言，我的目標是讓最強的模型上線，但真正投入生產的，會是一組“多模型陣列”。我最終希望有一個“模型選擇器”。你需要建構一組模型，中間由 agent 來協調，根據使用者偏好和任務來決定使用什麼。它要足夠智能，能夠知道這個任務需要多少算力、需要那種智能——如同GitHub裡的Auto功能。我們都很難改變自己的默認設定，這就是為什麼“預設值”如此重要。甚至連模型選擇介面，如果你拿掉，人們都會不滿。但從長期來看，如果我能信任某個系統，它每次幫我選模型時都能做出“令人愉悅的選擇”，我就會把選擇權交出去。04. 微軟的企業文化1. 最親民的工作方式，是與客戶保持溝通我日常工作的核心其實有兩個部分：首先，是與客戶相關的事情。基本上沒有那一天我不跟客戶開會，這是讓我保持“親民”的最好方式。然後，就是大量的會議。作為 CEO，我逐漸意識到，其實會議分兩種：一種是我只需要召集大家，然後閉上嘴，不要表現過度，因為召集本身就是這次會議最重要的事。所有的工作要麼已經在會前完成了，要麼會在會後繼續。而另一類會議則很重要，我必須學習、必須做決策、或者必須傳達某些重要內容。然後我必須說，我花大量時間在Teams的頻道里“閒逛”，這對我幫助最大。我從那裡學到的最多，認識的人也最多。最棒的就是，我能在裡面建立最多聯絡。我能知道：“哇，他原來是做Excel Agent的人；哦，那是他們在看的評估結果。”我從裡面學到的東西比別的任何方式都多。其實我覺得我們權限體系太嚴格了，我希望自己能有更多存取權。事實上，我最大的抱怨就是我不能隨便進入所有地方。但能偶爾進去看看確實很有趣，而且它讓一切變得更“正常化”。而且今天的員工可不羞於表達意見。2. 創始人是一家公司最強基因我一直都有一種“開發者關係/技術布道”的基因，微軟文化裡本身也有這個傳統。我對事情的看法一直是：如果你不跟著開發者走，你就很難保持技術平台的相關性；而如果你不瞭解新的工作負載，你也建不好技術平台。這兩件事深深刻在我腦子裡。所以如果你不關注創業公司，你就很難真正理解平台和工作負載的變化。這一直是我非常在意的。還有一點：我可以從中獲得巨大的能量。我一直覺得創始人是能“從無到有”創造東西的魔法師。這簡直像魔術。所以我一直好奇，他們到底是怎麼做到的？例如，我從Stripe學到的最重要的一件事，就是重新發現微軟當年的優勢：跟著開發者、跟著創業公司走。這也是我後來推動 GitHub、NAT 等等的原因之一。GitHub 不只是一個戰略資產，它是整個開源生態的核心，而且每家創業公司的程式碼倉庫都在那裡。我覺得必須參與那條“循環”，不僅是為了戰略地位，而是為了學習、為了建構更好的產品。否則，你很容易丟失那種“低摩擦、快速獲得價值”的產品美學，而創業公司對耐心最少、對效率要求最高。創始人很特殊的一個群體。因為他們從零開始一起成長，這種工作記憶和直覺是獨一無二的。作為繼任CEO，你不可能完全複製創始人的方式。我1992年加入微軟，沒經歷八十年代早期，所以有些認知只能創始人CEO才能把握。所以我認為，要尊重創始人獨特能力，創始人也要尊重繼任者，知道他們不能完全照搬自己做法。這就是所謂的“創始人模式”與繼任CEO模式的微妙差別：你可以部分沿用創始人的模式，但不能把自己當作創始人。3. 文化是團隊塑造的我想，微軟應該追回八十年代的那些精神。八十年代，微軟的願景是“軟體工廠”，不是某個單一平台。九十年代微軟太龐大了，我們的產品自然傾向於繫結。我在上任時意識到：我們沒有移動平台，如果不擁抱更開放的市場，我們就會失去自身的重要性。幸運的是，“把軟體帶到所有平台”本來就是微軟的DNA，不是我憑空指令。我從“部門互相拿槍指著彼此”的著名漫畫中學到兩點。首先，我是微軟的“老內部人”，過去三十多年公司的好壞我都經歷過。那張漫畫反映的問題之一是：我們失去了自己的敘事權，讓別人來替我們定義文化。這就是社交媒體時代的風險。當然，組織間確實有真實的張力，那是必要的，不是壞事。目標不是“內部和諧”，而是“贏得市場”，有時候甚至需要刻意設定兩個競爭團隊。領導者的挑戰是：在一個員工從外界獲得絕大部分資訊的時代，如何讓組織堅持自己的內在力量，而不被綁架？另一個文化誤解是，很多人認為權力高度集中在上層。事實上權力是分散的，文化是“微文化”的集合。我之所以能在微軟一直待下去，是因為我幸運地加入了那些“讓人能成長的團隊”。所以作為CEO，我的任務是：需要提供一個一致的敘事（如“成長型心態”），讓每個團隊能塑造自己的正向文化，不讓社交媒體標籤決定公司是誰，這才是文化真正的關鍵。當你接手創始人建立的公司時，Steve 和 Bill 打下了基礎，Paul 和 Bill 擴大了公司，我算是第一批“非創始人CEO”。我很快意識到：你需要一支團隊。不僅是管理範圍的問題，還包括清楚CEO自己需要做什麼；那些業務需要CEO 來綜合判斷；為文化設定標準；建立績效文化。你不能只關注長期，也不能只關注短期，你必須兩者兼顧。但核心是把只有你能做的四五件關鍵事抓好，然後打造團隊。即便在500人的公司，這也是必須做的，只不過在小公司你還能把細節記在腦子裡。 (藍血研究)