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)

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)

OpenAI收購爆火AI程式設計獨角獸。智東西5月6日消息，今天，據彭博社報導，OpenAI已同意以約30億美元（約合人民幣217億元）收購AI程式設計創企WindSurf（前身為Codeium），這將成為OpenAI迄今為止最大規模的收購案。WindSurf成立於2021年，創始人為Varun Mohan，創始團隊主要為一批畢業於麻省理工學院的工程師。WindSurf近期曾與凱鵬華盈（Kleiner Perkins）、General Catalyst等投資方洽談融資事宜，估值達30億美元（約合人民幣217億元），其估值較去年同期的12.5億美元（約合人民幣90億元）增長了140%。該公司原本專注於開發GPU虛擬化和編譯器軟體，後在2023年轉型至AI程式設計賽道。去年年底，同名產品WindSurf正式發佈。短短4個月內，這一工具就吸引了超過100萬使用者，成為最熱門AI程式設計工具之一，它不僅能自動補全程式碼，還具備Agent開發體驗，可根據使用者需求自主開發應用、解決bug，尤其適合新手開發者。目前，WindSurf公司團隊規模有160餘人，工程團隊規模為50餘人，年度經常性收入（ARR）突破1億美元。WindSurf旗下的AI IDE產品提供了更適應AI程式設計體驗的使用者介面。開發者不僅可以修改、編寫程式碼本身，還可在可視化預覽中直接點選應用元素，讓AI代為修改。這一工具能即時理解、記憶使用者行為，幫助使用者完成許多重複性的工作，帶來明顯的生產力提升。在開發這款產品時，WindSurf兼顧了安全性、穩定性，這讓他們受到諸多大客戶的青睞。截至目前，WindSurf擁有超1000家企業客戶，其中不乏《財富》500強企業，如摩根大通、戴爾等。與Cursor等同類產品不同，WindSurf的AI IDE產品具備理解億級超大規模程式碼庫的能力。基於該公司自持的萬卡叢集，WindSurf自研了多款AI程式設計模型，能夠在數千個GPU上平行處理龐大程式碼庫，並對程式碼庫進行排序，實現高效、精準的程式碼庫修改。據WindSurf CEO Varun Mohan透露，WindSurf正在積極招募工程師，擴大公司規模。WindSurf沒有傳統的產品經理，正以開發者需求為基礎打造產品，每隔半年到1年就會顛覆現有產品的形態。目前，OpenAI與Windsurf均拒絕對這一收購案置評。結語：AI程式設計賽道競爭加劇AI程式設計工具帶來的生產力提升有目共睹，這也讓諸多企業客戶爭相採購相關服務，最佳化自身的軟體開發流程，提升開發效率，降低成本。需求的增長使AI程式設計成為當下最火熱的AI應用賽道之一。Cursor、WindSurf等明星創企業屢獲資本押注，而微軟、亞馬遜、字節等大廠也已推出AI程式設計服務與應用。AI程式設計賽道的競爭已癒演愈烈。 (智東西)

AI開發者可能自食其果，最先被AI取代！ AI Impact Lab的創辦人認為：未來的趨勢是AI讓資深工程師比升值，而讓初級工程師貶值。如果AI能引發文明變革，那「程序猿」將首當其衝，最早被AI取代。如果AI真的取代人類工作，為什麼不從AI公司最熟悉的職位開始？如果AI引發大裁員，以前到底有沒有認真思索過最先被取代的是那些崗位？有早期跡象預示了這一趨勢？毫無疑問，AI公司最熟悉的職位，就是它們自己員工從事的職位。那在AI公司任職的研究員、軟體工程師不妨問問自己這些問題。最近，AI Impact Lab的創辦人兼負責人Taren Stinebrickner-Kauffman發表了一篇部落格文章，認為這些AI公司首先針對的就是軟體工程師。她認為AI革命可能最終會吞噬自身：即使AI不會導致整體大規模失業，工程類工作也會急劇下降。開發者自食其果？如果你關注科技就業市場或AI程式工具，上個月美國的一些資料肯定會讓你瞠目結舌！AI巨頭Anthropic的執行長Dario Amodei公開表示，在今年底前，AI可能會編寫90%的所有程式碼。Y Combinator的負責人Gary Tan提到，在2025年冬季季度的一批YC新創公司中，95%的程式碼是由AI編寫的。據報導，AI編碼新創公司Cursor的年度經常性收入已超過2億美元，這意味著擁有超過五十萬付費訂閱使用者，而免費使用者推測有幾百萬。Cursor在2024年底達到1億美元ARR的速度，與其他公司的比較。僅僅三個月後，到2025年3月，Cursor的ARR就翻倍到了2億美元！同時，科技就業市場持續疲軟。去年，美國大小科技公司裁員超15萬人。而在上個月，雖然美國IT產業的失業率下降至4.6% ，但美國的整體失業率為4.2% ，而且IT就業市場規模也隨之縮小。這些現像是否存在關聯？矽谷向來以顛覆傳統產業為榮，但若這次革命反噬自身呢？科技從業人員會否成為全球AI就業危機的首批受害者？Taren Stinebrickner-Kauffman深入分析了這些問題。社會運動家：Taren Stinebrickner-Kauffman為什麼技術崗位會先倒楣？Taren Stinebrickner-Kauffman有四個強而有力的理由，顯示工程類和其他技術類工作，可能會成為AI衝擊最早波及的領域。1.  AI公司對技術職位非常熟悉。AI實驗室的員工本身就是工程師，他們在解決自己最瞭解的問題。相較於為醫療或法律產業開發AI，打造編碼智能體所需的外部領域知識更少，這可能會加快研發進展。而且，程式設計師有悠久的傳統，喜歡開發工具來加速編碼。正如一句老話所說：「我寧願寫程式去產生程序，也不願直接寫程式。」2.成功指標更清晰。相較於其他領域的成果，判斷程式碼是否有效要簡單得多。特別是在「程式設計競賽」這類明確有對錯的領域，AI工具表現已經非常出色。這種清晰度讓AI模型更容易產生訓練資料、進行自動化評估，並形成更有效率的回饋循環來改進模型。而在許多領域，例如行銷、規劃等，成果好壞往往難以量化。3.有海量高品質訓練資料。像是活動策劃者或虛擬助理的工作流程和成果，沒有大規模的免費線上資料集但網上有大量開源程式碼資料，很多還帶有註釋和開發者的思路解釋！這些資料讓AI模擬工程師變得極為便利。4. AI研究的遞迴改進動力。頂尖AI公司非常希望用AI來加速自己的研究工作，打造出一個「自我增強」的正回饋回路－用AI來提升AI，從而更快地研發出更強的模式。如果你看過OpenAI爆料人Daniel Kokotajlo等人描繪的《AI  2027》場景，第4點正是他們未來設想中的關鍵邏輯。AI真能引發科技業大裁員？AI是否已經在科技業引發了大規模裁員？又或者，這種影響即在不久的將來顯現？對於這個問題，即使是理性的人，也有明顯的分歧。為了更清楚地瞭解當前的情況，Taren和Steve與超過25名工程師、管理者及相關的科技工作者進行了交談，試圖瞭解AI如何正在改變技術勞動力市場，以及他們預計未來會發生什麼變化。以下是從這些訪談中得出的主要觀點和發現，分為三個主要面向：1 AI還沒有改變大多數技術職位2 AI對初級職位招募造成巨大壓力3 AI正在模糊崗位邊界科技業中出現的模式，往往可以視為其他產業工程團隊即將面對的先兆。不過，也有可能他們兩個根本沒注意到其他產業的趨勢。大多數技術職位沒有被AI改變根據調查，發現AI並不是目前科技業疲軟的主要原因。雖然AI顯然對未來的計畫和一些當前決策有影響，尤其是涉及初級職位的招聘，但幾乎所有受訪者都一致認為，目前裁員和招聘放緩的主要原因仍是宏觀經濟因素，例如利率上升和疫情後的市場調整。一個頗具說服力的例子來自程式訓練營的一位負責人，他指出，即便是在明確禁止使用AI工具的產業（如金融業），工程師的就業市場也同樣低迷。AI目前鮮有「革命性」生產力提升。雖然在某些特定任務上，AI確實能顯著提高效率，但這種提升高度依賴於具體任務類型和使用者的熟練程度。通常來說，生產力的提升主要出現在那些小規模、結構清晰的新專案中，或是當開發者初次接觸某種新語言或API時。對於其他工作，目前AI工具帶來的收益往往要小得多，甚至可能被審查、偵錯、整合以及處理AI缺陷所需的時間完全抵消。更重要的是，寫程式碼並不是工程師的全部工作——而AI目前在需求撰寫、品質保證、會議溝通等方面幾乎幫不上什麼忙。因此，整體工作生產力的提升，通常遠小於那些引人注目的數字。即便是知名科技公司也沒有全部廣泛應用AI工具。一方面，整體來看，AI在編碼方面仍未帶來革命性的改變。在大多數情況下，一個優秀的工程師不用AI，依然比一個等級較低但用上AI的工程師更有價值。另一方面，技術的廣泛採用和組織層面的轉型本身就需要時間，即使是革命性的技術也不例外。但更重要的是，在某些場景下，AI還根本無法派上用場。AI對初級職位造成巨大壓力在訪談中，許多人都表示，他們所在公司（或與之合作的公司）幾乎已經凍結了初級工程師和資料分析師的招募。從供給端來看，程式設計訓練營紛紛關閉，大學電腦專業報考人數也因就業前景黯淡而持續下滑。這是為什麼呢？究其原因，一方面整體就業市場疲軟使得企業更容易招募資深工程師。但這並不是全部原因，更關鍵的可能是AI帶來的結構性影響：- 「碼農」崗位正在消失：純粹的日常編碼或資料查詢任務所需的時間正在迅速減少。某科技巨頭高階主管坦言：「十年前，面試能在白板上寫出出色的SQL語句，就能獲得工作機會，如今這種能力已不再稀缺。」初級員工如何快速創造價值正成為一個難題。-招聘經理預計AI編碼能力會迅速提升。某200人規模科技公司的技術主管透露，雖然當前AI並未顯著提升團隊效率，但管理層基於對未來AI能力的預期已調整招募策略。高階主管預計，未來一年內AI將能夠勝任初級員工的工作，即使現在還不行。初級工程師一直被視為長期投資，但如果AI在6個月後就能完成他們的工作，為什麼還要投入資源？-AI提升了高階工程師時間價值。一位來自大型科技公司的受訪者指出，如今有經驗的工程師反而比過去更吃香了。因為他們現在更能發揮「代碼醫生」的價值——快速診斷並修復AI生成的不完善代碼（這類似於過去指導初級工程師的工作）。而目前AI工具在系統架構、產品思維、技術複雜度管理等需要經驗累積的領域仍顯不足，這恰恰凸顯了資深工程師的不可替代性。綜合來看：當AI持續提升資深工程師價值、削弱初級員工作用，疊加就業市場更利於僱主獲取資深人才的背景下，企業自然不願再耗費資深工程師的寶貴時間培養新人。所以，雖然AI暫時沒有取代人類工程師，但它已經在悄悄重塑招募邏輯和團隊結構。真正受到衝擊的，是那些尚未累積經驗、又缺乏AI協作能力的年輕人。AI正在模糊崗位邊界即使未來科技業的人數總量沒有減少，AI也正在改變工作崗位的性質，以及什麼樣的技術棧更有價值。很容易想像這樣一個未來：產品團隊的組成方式將會發生變化，純技術崗位會相對減少，而跨職能複合型人才會更多。AI目前最能賦能「半技術型」人才。在他們的研究中回饋最大效率提升的群體，並不是名義上的工程師，而是那些具備一定技術基礎、但職位不是工程師的從業人員。他們現在可以藉助AI完成小型程式設計任務，幾乎不需要再依賴工程師。產品經理現在可以獨立完成功能原型開發，甚至實現基礎功能；曾經轉型的非技術職位員工也能藉助AI重建技術能力。AI正在降低「技術門檻」，讓更多人能「半腳」踏入原本屬於工程師的領域。AI鼓勵「全能型選手」，產品思維日益重要傳統技術團隊的分工通常是：產品經理、設計師、工程師各司其職。而AI的加入正在打破這些界限，催生更多「跨界」角色：產品經理或設計師可以寫簡單程式碼；工程師可以製作可互動的設計原型；有些公司甚至開始提升產品經理與工程師的比例，因為功能迭代更快了；那些具備產品視野的工程師變得比以往更加吃香。總的趨勢是：能理解使用者需求、又能操作AI工具的人，將成為團隊中的核心角色。數據分析師需要「進化」才能保住飯碗過去，資料分析師的大量工作是為產品經理或主管寫SQL、做報表。但現在，基礎的資料分析任務越來越容易被自動化或「平民化」（例如透過AI或BI工具實現自助查詢）。在訪談中，有兩家公司的高階資料負責人表示：他們團隊的分析師正在轉型，逐漸向「資料工程師」靠攏，工作內容變成了資料管道建置、調試維護等更技術性的任務。也就是說，如果資料分析師不學更多技能，就會有被邊緣化的風險。AI將如何重塑未來科技？回到Dario Amodei的預測：到2025年底，90%以上的程式碼將由AI產生。這個預言會成真嗎？從現實來看，這個預測可能過於樂觀，理由如下。1、技術瓶頸仍存目前AI在複雜工程任務中仍存在明顯短板：缺乏長期自適應記憶、後設認知能力薄弱、動態規劃能力不足。METR機構最嚴謹的研究表明，AI要可靠完成人類工程師一個月工作量的複雜任務，可能需要5-10年時間（儘管最新模型顯示進步速度可能快於預期）。2.產業轉型需要時間即使在科技業這個創新溫床，行為改變的速度也遠遠跟不上技術迭代。透過訪談可以發現，早期採用者仍在適應期，而保守產業的轉型將更為緩慢。基於當前趨勢，對未來幾年技術就業市場的預測為：• 初級崗位將持續萎縮「代碼搬運工」類職位將加速消失，企業會更傾向僱用能駕馭AI工具的中高階工程師。新入行者需要證明自己具備AI無法取代的複合能力。• 人機協作成為常態工程師將轉型為「AI督導」，工作重心轉向架構設計、複雜問題解決和程式碼品質把控。產品、設計等技術鄰接崗位需掌握基礎程式設計能力。• 價值評估體系重構單純的技術實現能力將貶值，而係統思維、產品洞察、跨領域協作等「人類專屬」技能會成為核心競爭力。當然，如果某個重大技術突破即將來臨，或者超級人工智慧（ASI）在今年秋天席捲全球，那麼一切預測都將失效。但如果沒有這種突破，以下是Taren對未來幾年AI和技術勞動市場的一些預測。沒有AGI的短期預測1 品質保證（QA）將成為AI智能體主戰場。在未來一到兩年內，AI智能體在軟體測試和品質保障（QA ）的能力，將成為重點發展方向。眼下的趨勢是：AI已經顯著加快了編碼速度，但QA階段卻成了新的瓶頸。隨著像OpenAI的Operator和Claude Computer Use這樣能夠操作電腦介面的工具不斷改進，將會出現一個龐大的市場，專門用於開發能夠輔助或取代人類進行QA的AI智能體。這些工具反過來也會增強AI程式設計工具的整體價值。2「AI技術債」危機隱現。AI快速產生程式碼的便利性正在埋下隱患。未來3-5年，「AI技術債」將成為一個產業共識：包括程式碼可維護性降低、測試覆蓋率不足、安全隱患增多，以及團隊對程式碼庫理解弱化等問題。這可能會催生新的專業工作類型，但同時也會削弱AI帶來的長期淨生產力效益。3 適應AI將成為必然。部分受訪企業已開始解僱拒絕使用AI工具的工程師。雖然目前這在大多數公司中還不是決定性因素——但很快就會是了。AI適應能力即將成為從業底線。假如未來幾年AGI沒有突然出現，產業繼續沿著現有軌道發展，那麼還有一個預判4 人才儲備將逐漸枯竭。許多人認為，對於大多數公司來說，初級職位的招聘將不再有吸引力，但經驗豐富的工程師仍將長期保持價值。然而，沒有人能回答一個顯而易見的問題：未來的經驗豐富工程師從那裡來？如果不讓人們以初級工程師的身份工作多年並領取薪水，如何培養他們成為AI賦能的高級工程師？如果工程職位在未來十年仍以熟悉的形式存在，產業可能面臨嚴重的人才斷檔。目前尚未出現可行的解決方案，這場延遲爆發的危機正在倒數計時。長期來看，工程師會滅絕嗎？簡而言之：無人能確知。更詳細的答案是：三種相互競爭的假設，都試圖解釋科技勞動市場的長期走向。Jevons悖論：工程師將激增。Jevons Paradox描述了一種現象：技術進步提高了資源使用的效率，反而可能導致該資源消耗總量的增加。換句話說，當某樣東西變得更便宜時，你不僅會買更多，甚至可能會在總量上花更多的錢。例如，隨著運算能力變得更便宜——晶片效率不斷提高——我們使用的總運算量顯然大幅增加，甚至連運算硬體的總支出也隨著時間推移而增加。將此理論應用於軟體工程：當AI突破人力供給限制，曾被視為不切實際的創意將獲得實現可能。更低的開發成本將催生海量新應用、客制化工具和功能迭代，最終對工程設計的整體需求（系統架構、整合測試、維運管理等）可能超越AI帶來的效率增益，導致工程師總量不降反升——儘管工作內容將轉向更高階的創造與監管。總的來說，根據這個理論，未來將需要更多的工程師，儘管他們的工作性質會轉向更高層次的設計和監督。歷史循環論：「太陽底下無新事」有些人認為，從長遠來看，AI其實並不是什麼大事。持此觀點的某資深工程師，直言不諱地建議「去讀讀技術史」。她指出，每隔10到20年，工程師的編碼方式就會引進一個新的主要抽象層。最初，人們直接用機器碼或低階組合語言程式設計；接著出現了像C這樣的高階編譯語言，自動化了直接硬體操作；然後物件導向語言又增加了一層抽象；再後來，像Java或C #這樣帶有自動記憶體管理和垃圾回收的語言，消除了大量人工操作和常見錯誤；之後又出現了複雜的框架、雲端運算和動態指令碼語言。每次變革都自動化了特定技能，但工程師職業反而因為處理更複雜問題而進化。從這個角度來看，AI程式碼生成只是下一個抽象層，很可能會遵循歷史上的模式：顛覆、適應，最終穩定，而非工程崗位的終點。全面自動化假說：技術職位首當其衝若相信AI終將取代多數現有工作，那麼前文論述的所有特質（清晰評估標準、豐富訓練資料等）恰恰使技術崗位成為最脆弱的標的。這可能表現為大規模失業，或透過勞動力向AI相對弱勢領域轉移維持就業平衡。Taren Stinebrickner-Kauffman認為上面描述的三種路徑在未來幾十年內都是有可能發生的，並且取決於AI能力的發展.但如果非要選一個，她最傾向於第三種情境：即使AI不會導致整體大規模失業，工程類工作也會急劇下降。 AI革命可能最終會吞噬自身。終極悖論在於：若AI真能完全取代工程師，意味著它已具備通用智能（AGI），屆時所有職業都將面臨重構。在這種情境下，「工程師失業」只是文明級變革的序章。更可能的情景是漸進式演化──就像汽車取代馬車伕卻創造了更龐大的交通運輸業，科技革命的真正影響往往超越我們最初的想像邊界。 （新智元）

強制用AI的公司，充斥著士氣低落的負面情緒！開發者對AI代碼深惡痛絕，領導卻格外喜歡，好在公司幾個月後就倒閉了；藝術家表示，這是對我專業能力的侮辱；國外一家大媒體Quartz，乾脆解僱所有撰稿人和編輯，除了主編一律用AI代替。甚至，連AI CEO都來了。在強制用AI工作的公司，是什麼體驗？答案是，壓倒性的負面情緒和士氣低落。一位員工直言，「在專業環境中關於AI的對話，讓我很想跳海」。戲劇性的是，一位軟件開發者在忍受了AI寫出的質量糟糕的代碼幾個月後，這家公司就倒閉了。強制用AI做開發，公司已倒閉外媒的一位記者，訪問了數字軟件開發者、藝術家和遊戲設計師。他們的共同點是，因為在工作中被迫使用AI，簡直要被逼瘋了！此前，AI要取代程式設計師這個說法，已經被各大佬預言了一遍。但至少短期內，應該還不用擔心。這位小哥名叫Mitch，在軟件開發領域有七年多的經驗。他的上一份工作，是為一家小型科技新創公司編寫開發者工具。在這家公司，許多同事都對AI持懷疑態度。很早的時候，就有很多人對這項技術感到擔憂。當時，團隊只有一個小型AI外掛，讓使用者在app上聊天。和同事交流時，Mitch發現兩人都有相同的感覺：AI是一個有趣的工具，但讓人感到不安，這也不是他們最初加入公司時所期望的事。但是幾個月後，情況變了！這家公司的CEO，忽然對AI變得狂熱起來，甚至開始修改部分應用程式的程式碼，就是為了讓AI更容易理解和輔助工作。更誇張的是，有一次開會時，CEO向這位開發者發問：你為什麼沒用公司給的ChatGPT帳戶？這讓他嚇了一跳——公司居然還在關注這個。另外，CEO也建議他開始使用Claude，為應用程式批次建立新功能，甚至還專門要求他用Claude寫個功能來看看。小哥猜測，或許CEO此舉是想說服他來使用AI。但是開發者小哥本人，對AI產生的程式碼實在難以忍受。用他的話說，就是「極其無聊，且毫無意義」。誠然，AI寫的代碼更快，但從軟件質量的角度看，這些代碼比人類寫的代碼更差勁，而且很難處理。「光是想到使用AI生成的代碼，就讓我非常沮喪，甚至覺得這抵消AI帶來的速度優勢，而且還會生成我不理解的更差的代碼。更別提一個建立在剽竊基礎上的工具所帶來的倫理問題了。」在他待在公司的這18個月裡，CEO也逐漸變成了一位AI狂熱分子，堅信AI就是未來。在CEO看來，會用AI加速開發的程式設計師，將在未來佔據絕對優勢。不過幾個月後，公司就倒閉了。老闆堅持用AI，藝術家崩潰了相較之下，這篇訪談中的藝術家們對AI的抵制，就更鮮明了。他們的態度是：堅決捍衛人類創作者！Bradley是一位資深的藝術家，供職於3A級電玩工作室。在面試時，他就明確地向公司表示：我非常不喜歡AI生成的內容。當時公司的答覆是沒問題，AI只會作為輔助。結果實際入職之後，情況大相逕庭，這家工作室開始做工作流程中越來越多地使用AI。最讓Bradley感到痛苦的是，他的上司不是從草圖開始去迭代最終的圖像，而是會不斷提示AI生成圖像，直到滿意為止，然後，整個團隊就必須對整個作品逆向工程。雖然藝術團隊對AI非常抵制，但到了拉投資的時候，卻不得不使用AI生圖來推銷投資人。整個遊戲都建立在提示詞「如果這是一款**遊戲」的基礎上，具體細節沒人知道，非常荒謬。另一位藝術家、遊戲產業顧問Francis表示，自己在和代理商、工作室、出版商就AI進行對話後，直接想跳海。他需要花費數小時來向他們解釋，為什麼AI在專業遊戲開發流程中根本用不上，甚至還阻礙了視覺效果。在他看來，項目的迭代和創意是最精彩的部分，需要人類藝術家去探索，才能讓最好的想法實現。為什麼要讓AI來替人類來做這些，用的還是不屬於人類的藝術作品？「那些喝了AI迷湯的人不理解，所有頭腦風暴和迭代都是製作遊戲的一部分，它是遊戲開發至關重要的部分，而不是一個需要解決的問題。」資深遊戲設計師Ricky則表示，使用AI是對自己專業能力的侮辱。他對AI的評價是，它不僅壓制了自己角色中的創造力，也對人類工作中的意圖和背景一無所知。它沒有任何參考資料或個人經驗在自己的腦海中，因為它沒有思想。Ricky表示，我們在為遊戲設計任何東西時，都是從某個地方汲取靈感，受到了一些事物的影響，並通過自己作為人類的經驗進行過濾。而AI創意卻失去了這一切，只是一個包裝盒背面的清單而已。解僱全體編輯，內容全靠AI產另一家慘遭AI毒手的公司，是曾經備受讚譽的商業媒體Quartz。在經歷了一次令人費解且錯誤百出的AI內容嘗試後，編輯團隊目前已幾乎全軍覆沒。自2012年創辦以來，Quartz已經幾經易手。在上周被出售之前，它隸屬於數字媒體集團G/O Media——首席執行官Jim Spanfeller，曾在宣佈G/O 於2022年收購該網站時，把Quartz 的名字拼拼成了“quarts”。轉眼三年過去，截至上周，Quartz又迎來了新東家－加拿大軟件公司Redbrick 。作為此次交易的一部分，除了主編和執行編輯外，Quartz其餘所有的編輯人員全都被開除了。在部落格中，聯合創始人Zach Seward寫道：「現在，Quartz可以安息了。」正如Aftermath在一月份首次報導的那樣，此前已在以“Quartz Intelligence Newsroom”署名發布AI生成財報摘要的Quartz，又開始以同樣署名發布由AI炮製的新聞短文。當我們仔細檢查這些自動產生的新聞時，發現Quartz Intelligence Newsroom在「報導」中，不僅引用了其他明顯由AI生成的劣質內容作為信源，甚至還在公然散佈虛假資訊。在每篇文章的末尾，G/O都附有一條免責聲明，聲稱「儘管我們力求精準和及時，但鑑於該技術的實驗性質，我們無法保證總能達成目標。」與此同時，The Inventory數月來也一直在使用AI大量砲製購物內容；這些貼文同樣附有類似的免責聲明，宣稱內容「由AI生成，可能產生不精準的資訊」。值得注意的是，Quartz和The Inventory的遭遇並不是個案──在最終脫手的幾乎每一個網站上，G/O都曾大規模嘗試用AI來粗製濫造新聞和財報文章。在此之前，G/O就在頗具聲望的體育部落格Deadspin上，發布了數十篇內容過時且不精準的AI文章；並在深受讀者喜愛的電影部落格AV Club上，發布了從IMDb那邊逐字抄襲的內容。不出所料，Deadspin很快就被賣給了新創公司Lineup Publishing，AV Club則被賣給了Past Media。甚至，汽車部落格Jalopnik直到被買家Static Media接手的前夕（2025年2月下旬），都在以「Jalopnik Bot」的署名發佈疑似自動產生的內容。在這之中，最惡名昭彰的例子發生在科技媒體Gizmodo身上。 （現已歸歐洲科技公司Keleops所有）當時，G/O的領導層不僅在沒有通知任何編輯人員的情況下，擅自發布了一篇充斥著錯誤、質量極其低劣的《星球大戰》文章；而且還用AI翻譯的英語文章，取代了原來的西班牙語作者。Gizmodo的工會曾在一份措辭強硬的聲明中，就此次出售和大規模解僱事件，點名批評了Quartz發布的劣質AI內容。聲明寫道：「Jim Spanfeller在讓Quartz充斥著AI垃圾內容後，解僱了整個編輯團隊，並將其賣給了一家加拿大公司。對於一家處處打壓和剝削新聞編輯室的公司而言，這種行為再次刷新了下限。」「在我們進行下一份合約談判之際，G/O管理層上演了迄今為止最離譜的一幕。Spanfeller持續進行著這場毫無底線的競賽，我們為失去更多優秀的同事而心碎，並將繼續為留下的人爭取公平的合約。」可悲的是，這些被高層用AI嚯嚯的媒體，出售時總會伴隨著針對一線員工的大規模裁員，包括Sports Illustrated、CNET、Village Voice等都未能倖免。世界首個AI CEO也來了儘管人類員工對此深惡痛絕，但AI替代人類工作的勢頭依然如火如荼——從打工人到老闆，無一例外。就在剛剛，世界首個AI CEO——Heyboss AI誕生。只要一句話，它就能完整地定製網站、應用程式和遊戲，9分鐘內就能上線。創始人Xiaoyin Qu表示，自己不再是公司CEO，這一職位將完全由他們的AI接管。這位AI CEO現在領導著首個由AI營運的開發機構，能取代傳統開發團隊和機構，而且速度快100倍，成本低10倍！例如，它可以幫你打造一個調侃你穿搭的網站。幫你建立一個虛擬電子鼓的合成器遊戲。或者幫你建立一個產品經理社區，來獲得回饋。下面這個網站，它9分鐘就建立出來了。以及日式風格的抹茶店預約系統。Heyboss AI的創始人、華人學者Xiaoyin Qu，曾獲得了Pomona College的電腦科學、經濟學學士學位，之後加入史丹佛攻讀MBA，上學一年後輟學創辦了Run The World。2023年，Xiaoyin Qu又創辦了AI編碼遊戲應用Heeyo，用AI為10億孩子提供專屬的教練和玩伴。緊接著，1月23日，Heyboss正式出世，還從OpenAI、亞馬遜手中拿到了融資。雖然當前很多程式設計師、藝人、編輯們對AI深惡痛絕，但飯碗被AI一鍋端這件事，目前看來已經是時代大勢，不可逆了。 （新智元）

可切換兩種思考模式，精準把控思考時間。 智東西2月25日報導，今天，Anthropic重磅發佈首個混合推理模型——Claude 3.7 Sonnet。這個模型在編碼和前端Web開發方面表現突出，使用者既可以讓模型給出即時答案，也可以給出經過深思熟慮的答案。 Anthropic還推出了代理編碼工具Claude Code，可以搜尋和讀取程式碼、編輯檔案、編寫和運行測試、提交和推送程式碼到GitHub以及使用命令列工具。在早期測試中，Claude Code可以一次性完成通常需要45分鐘手動操作的工作。 目前，Claude 3.7 Sonnet已經在全平台上線，包括亞馬遜雲服務Bedrock平台、Google雲，而要想要擴展思考模式，除免費版外其他都可以用。在標準和擴展思維模式下，Claude 3.7 Sonnet的價格與此前產品相同：每百萬輸入tokens收費3美元，每百萬輸出tokens收費15美元——其中包括思考tokens。

Meta將在今年開始實現中級軟體工程師工作的自動化。 Meta創始人兼首席執行官祖克柏近日在喬•羅根的播客節目中大膽預測，“2025年，軟體工程領域將迎來劇變，AI將達到中級軟體工程師的程式設計水平。” 祖克柏稱，“今年，編碼可能會從就業市場上的搶手技能變成可以完全自動化的技能。”據他透露，Meta將在今年開始實現中級軟體工程師工作的自動化，這在一開始可能是一個昂貴的嘗試，而Meta最終可能會將其應用程式的所有程式設計工作外包給AI。 他還表示，Meta之外的科技行業巨頭也在朝著這個方向努力。