AI工具越強，人卻為何越累，這或許才是這場效率革命真正值得追問的地方。圖片由AI工具製作026年初，軟體工程領域出現了一個耐人尋味的景象。以Claude Opus 4.6為代表的新一代AI程式設計工具，正在將開發者的效率推向前所未有的高度。微軟內部資料顯示，工程師在自主選擇工具後，Claude Code迅速佔據主導地位，這被部分觀察者視為“阻力最小路徑”的自然選擇。但與此同時，關於“職業倦怠”的討論正在開發者社區密集湧現。曾在Google、亞馬遜任職的工程師史蒂夫·耶格（Steve Yegge）在近期的一篇自述文章中描述了一種他稱之為“瞌睡攻擊”的現象：在長時間的氛圍程式設計後，他會毫無預兆地在白天突然入睡。擁有40年矽谷經驗的軟體工程師耶格發文如今，越來越多的軟體工程師開始公開談論一種共同體驗：工作產出大幅提升，但疲憊感以更快的速度積累。技術大幅縮短了任務執行時間，卻沒有減少人類的決策負擔，後者反而在增加。圖片來源於網路01 AI不會疲憊，但你會在耶格看來，此前關於“AI對實際工作幫助有限”的討論，在Claude Code搭配Opus 4.5及4.6投入使用後，已不具備參考價值。這套組合顯著降低了從問題定義到可運行程式碼之間的轉換成本，使得一名熟練工程師在單位時間內的產出，可以達到傳統工作流的數倍。耶格指出，當生產力提升超過約2倍時，一種被他稱為“吸血鬼效應”的現象便開始顯現，技術不再僅僅是工具，而開始反向塑造使用者的工作節奏和心理狀態。耶格繪製的“AI吸血鬼抽取裝置”西丹特·卡雷（Siddhant Khare）是一位在部落格中詳細記錄這一過程的軟體工程師。他在《AI疲勞是真實存在的》一文中寫道，自己上一個季度的程式碼交付量達到職業生涯峰值，但精神上的疲憊同樣被拉滿。卡雷描述了一種工作模式的根本性轉變。在使用AI之前，他會用“整整一天”深度專注於單一問題，保持連貫的思維路徑。而在引入AI之後，他一天需要平行處理五到六個不同的問題域。每個問題在AI協助下，單獨耗時大幅縮短至一小時左右。但問題之間的頻繁切換，構成了新的認知負荷。“AI不會在問題間隙感到累，”他寫道，“但我會。”卡雷將自己的新角色形容為“流水線上的質檢員”。拉取請求持續湧入，每一條都需要審查、決策、蓋章。流程從未中斷，但決策權從未移交。他被固定在審判席上，案卷由AI遞送，責任由人類承擔。《哈佛商業評論》近期發表的研究為這一現象提供了實證基礎。研究者跟蹤了一家美國科技公司的200名員工，發現AI的使用雖然在初期顯著提升了任務完成速度，但也觸發了連鎖反應：速度提升推高了組織對交付周期的預期，更高的預期促使員工更加依賴AI，更深的依賴擴大了員工試圖處理的任務範圍，而範圍擴張進一步加劇了工作密度和認知負載。研究者將這一機制描述為“工作量蔓延”現象。它不是由指令驅動的擴張，而是在效率提升與預期調整之間反覆迭代、自我強化的過程。從事數字產品設計的薩莫·科羅舍茨（Samo Korošec）在LinkedIn上回覆耶格時，表達了相似的處境。他指出，社交平台上充斥著“一分鐘生成十個UI方案”的演示內容。這些內容被反覆推送給從業者和他們的管理者，形成一種隱含的標準。既然工具可以如此快速地輸出方案，那麼方案的產出就應當如此快速。然而，這些演示極少展示後續的篩選、落地、跨職能協調成本，後者依然完全由人類承擔。技術壓縮了生產環節的時間，但沒有壓縮決策環節的時間。而後者正在成為新的瓶頸，即人的注意力與意志力。02 AI改變了工作量級，但沒有改變分配耶格提出了一個簡化的分析框架。假設一名工程師在掌握AI工具後，單位時間產出提升至原來的10倍。那麼，這9倍的差額價值將由誰獲得，取決於使用者如何配置自己的勞動供給。比如在情景A中，工程師保持原有工作時長，將全部增量產出交付給僱主。此時，僱主以不變的人力成本獲得了近10倍的產出。工程師的收入未發生同比例變化，但其勞動強度和精神消耗顯著上升。耶格稱之為“被榨乾”。在情景B中，工程師大幅縮減工作時長，僅以原有10%的勞動時間完成與過去相當的產出。此時，增量價值全部由個人獲得，獲得了更多的閒暇時間。但這一狀態在競爭環境下難以持久。若組織內部成員普遍採取此策略，組織整體產出將落後於競爭對手，長期將面臨生存風險。耶格指出，理想狀態應位於這兩種極端假設之間。但在現行組織架構中，刻度盤的調節權並不對稱。組織天然傾向於將指針推向A端，而個體需要主動施加反作用力。這一框架將技術效率問題轉化為分配問題。AI並未改變“價值由勞動創造”的基本事實，但它改變了同樣單位勞動所能創造的價值量級。當這一量級發生躍遷時，原有的分配均衡必然受到衝擊。耶格回憶了2001年在亞馬遜工作的經歷。當時他所在的團隊承受著高強度的交付壓力，而回報高度不確定。他在一次討論中向同事寫下公式：$/小時。他解釋道，分子（年度固定薪酬）在短期內難以改變，但分母（實際工時）具有相當大的彈性空間。他主張將注意力從“如何賺得更多”轉向“如何工作時長更少”。這一視角轉換在當時令部分同事感到陌生，但在數周後，他多次路過會議室時看到白板上依然保留著這組符號。二十五年後，耶格認為這一公式同樣適用於AI時代。不同的是，AI大幅放大了分母變化對分子的影響，但個體對分母的控制力並未同步增強。LinkedIn使用者約瑟夫·埃莫森（Joseph Emison）從另一角度回應了這一問題。他觀察到，大多數在創意領域取得持續成就的從業者，包括知名作家、設計師、研究者，他們每日有效工作時長通常不超過四小時。剩餘時間用於恢復、漫遊、輸入。這不是效率問題，而是認知活動的生理極限問題。如果AI將“工作”與“有效工作”進一步切割，那麼我們需要重新定義的，可能不是工具的使用方式，而是“工作日”的長度。03 能力上限在擴張，下限正在消失耶格在文中坦承，自己也是問題的一部分。他擁有超過四十年的工程經驗，領導過大型團隊，閱讀速度快，且具備充足的時間和資源進行技術實驗。他可以連續數十小時使用Claude Code建構一個可運行系統，並將其發佈至公共領域。他的工作成果被廣泛傳播，部分管理者將其視為“工程師應可達到的水準”。他寫道：“僱主們很可能開始看著我，以及我們這些遠遠偏離常態的異類，然後說：‘嘿，我所有的員工都可以像那樣’”。LinkedIn等平台上，部分早期採用者開始公開分享自己的AI使用強度：有人稱其所在組織為少數帳戶支付每月數千美元的費用；有人展示自己同時運行數十個對話會話。這些內容在獲得技術社區關注的同時，也在管理層面塑造了一種隱性參照系。耶格將此稱為“不切實際的美麗標準”。他承認，自己並不具備代表性，他的工作節奏難以被多數人復現，甚至他自己也不確定能否長期維持。但當他站在講台或寫下書籍時，他所傳遞的資訊（至少在接收端）被簡化為“這可以做到”。LinkedIn使用者利赫·阿紹夫（Leigh Aschoff）將問題引向了更深層。他認為，當代人與AI的互動方式，對應出人際互動中長期存在的邊界識別障礙。許多人在與他人的關係中缺乏識別和表達自身極限的能力，而這種能力的缺失被平移到人機關係中。工具不會主動停止，也不具備感知使用者疲勞的能力。當技術不斷拓寬能力的上限，識別下限的能力反而變得更加稀缺。04 工作日需要重新定義耶格在文中提出了一個具體主張：AI時代的有效工作日應縮短至三到四個小時。這不是一個經過嚴謹驗證的數字，而是一個基於經驗的推斷。他的觀察是，AI將大量執行性任務自動化，但將決策、判斷、問題重構等高階認知活動保留給人類。這些活動對注意力和情緒資源的消耗遠高於執行性任務，且難以通過平行或壓縮恢復。耶格在參觀某個科技園區時，見到了一種他稱之為“刻度盤調至合適位置”的工作環境——開放式空間、充足的自然光、分佈於各處的社交與休息區域、員工在其中自由切換工作與恢復狀態。他並不確定這一設定在AI全面滲透後是否仍能維持平衡。但他確信，當前許多組織採用的模式——不調整工作時長，僅增加單位時間產出密度，這是不可持續的。他不再將問題歸結為“AI是吸血鬼”，而是歸結為“我需要更清楚地知道自己的極限在那裡”。耶格在文末表示，自己正在嘗試調低刻度盤。他減少了公開活動，拒絕了大量會面邀請，不再追求每一個可見的技術賽道。他仍在寫作，仍在建構產品，仍在與同行交流。但他也在下午合上電腦，與家人散步。他說，不知道自己能把指針往回拉多少。但他確信，方向是對的。對於更廣泛的從業者群體而言，這一問題尚未進入集體議程。關於AI生產力的敘事仍佔據主流，關於疲勞的討論仍以個人化、碎片化的方式存在。但越來越多的訊號表明，這兩條曲線正在交匯。技術縮短了任務路徑，但沒有縮短工作日。工具分擔了執行，但沒有分擔責任。效率提升了交付速度，也提升了消耗速度。當AI不斷告訴我們“還可以更快”，也許更需要被聽見的問題是：還可以更慢嗎？ (騰訊科技)

「學不完，真的學不完。」這大概是每一個關心 AI 進展的人，在 2026 年開年最真實的心聲。模型、Agent 、Coding，每天刷新著我們的認知和焦慮 ，尤其是今年春節 AI 發佈的節奏甚至比平日更加瘋狂。我們被一種巨大的 FOMO（錯失恐懼）推著往前跑，生怕一不留神，就被時代甩在身後。但這種追趕是有代價的。像本文作者 Siddhant Khare 這樣的資深工程師，他身處 AI 基礎設施建設的核心，卻發現自己「產出越多，越被掏空」。當 AI 把我們從「創作者」變成了停不下來的「質檢員」，當效率的提升帶來了指數級增長的認知負荷，一種名為「AI 疲勞」的隱性流行病便開始蔓延 。我們都成了在 AI 倉鼠輪上奮力奔跑，卻感覺那裡都去不了的實驗品。同時最近大火的 Clawdbot ，開發者 Peter Steinberger 財富自由後「躺平」了三年，完美錯過了 AI 最喧囂浮躁的階段 。當他重新入場，純粹因為好玩與熱愛。他沒有追趕每一個熱點，只是為瞭解決一個自己真正著迷的問題 。我們發現，對抗 FOMO 最好的解藥，或許不是學得更多、更快，而是學得更「自私」一點。與其被動消費無窮無盡的新工具，不如主動去創造一個那怕很小，但完全屬於自己的東西。在這個過程中，你才能真正理解技術的邊界，建立自己的判斷體系，並從被 AI 消耗的疲憊感中，重新找回創造的樂趣 。我們希望將這篇文章分享給你，它沒有教你任何新的 AI 技巧，反而給在追趕 AI 更新的人潑了一盆冷水，我們試圖探討一種更可持續、也更人性的與 AI 共存的方式願你找到自己的節奏，重新變回 AI 的「主人」。以下是 APPSO 的編譯，在不改變原意的前提下進行了編輯：被忽略的 AI 疲憊上個季度，我提交的程式碼量創下了職業生涯的新高。與此同時，我也感到前所未有的被掏空。這兩件事，絕非巧合。我不是那種在周末隨便玩玩 AI 的票友。我以此為生——建構 AI Agent（智能體）基礎設施，是 OpenFGA 的核心維護者，親手打造了 agentic-authz 和 Distill 這樣的硬核工具。我深潛其中，為其他工程師製造著「讓 AI 在生產環境跑起來」的鏟子。然而，我碰壁了。這種精疲力竭，是任何工具最佳化或工作流調整都無法治癒的。如果你也是一名每天高強度使用 AI 的工程師——用它做設計評審、生成程式碼、Debug、寫文件——然後發現自己比 AI 出現之前更累了，那麼這篇文章就是為你寫的。你沒瘋，你不弱，你只是正在經歷一種被整個行業激進地假裝不存在的真實痛楚。如果像我這樣全職建構 Agent 基礎設施的人都會在 AI 面前燃盡，那它可能發生在任何人身上。我想聊聊那個「不加濾鏡」的版本。不是推特上那些「AI 太神了，看我絲滑工作流」的凡爾賽，而是那個真實的版本：晚上 11 點，你盯著螢幕，被一堆 AI 生成的程式碼包圍，明明是來幫你省時間的工具，卻吞噬了你的一整天。沒人警告過的「效率悖論」有個事兒讓我腦殼疼了好一陣：AI 確實讓單個任務變快了。這不是謊言。以前耗時 3 小時的活兒，現在 45 分鐘搞定。起草設計文件、搭建新服務腳手架、寫測試用例、研究陌生 API，統統加速。但我的日子卻變得更難了。不是更容易，是更難。原因說穿了很簡單，但我花了好幾個月才回過味來：當每個任務耗時變短，你並不會「少做點任務」，你會做「更多工」。你的產能看似擴容了，於是工作量便順勢填滿，甚至溢出。經理看你交付快了，預期自然水漲船高；你自己看自己快了，自我要求也跟著加碼。基準線，被悄悄抬高了。在 AI 之前，我可能花一整天死磕一個設計難題。我會畫草圖、在淋浴時思考、散步，然後帶回清晰的方案。節奏雖慢，但認知負荷是可控的。一個問題，一天時間，深度聚焦。現在呢？我一天可能要碰六個不同的問題。因為 AI 告訴我，每個問題「只需要一小時」。但人類大腦在六個問題之間來回切換的上下文成本，是極其昂貴的。AI 不會因為切換任務而疲勞，但你會。這就是悖論所在：AI 降低了「生產」的成本，卻指數級增加了「協調、審查和決策」的成本。而這些成本，全部由人類買單。被迫上崗的「流水線質檢員」以前，工程師的工作是：思考問題 -> 寫程式碼 -> 測試 -> 發佈。我是創作者，是 Maker。這正是我們當初入行的初衷——為了創造。AI 之後，我的工作逐漸變成了：寫提示詞 -> 等待 -> 閱讀輸出 -> 評估對錯 -> 檢查安全性 -> 判斷是否符合架構 -> 修補不對的地方 -> 重新提示 -> 重複。我變成了一個審稿人，一個法官，一個在永不停歇的流水線上疲於奔命的質檢員。這在心理學上是完全不同的工種。創造能帶來「心流」，而審查只會帶來「決策疲勞」。我第一次意識到這點，是在用 AI 狂寫一個微服務的那周。到了周三，我發現自己連最簡單的決定都做不出了。這個函數該叫啥？無所謂。配置放那？隨便吧。我的腦子滿了。不是因為寫程式碼滿的，是因為「評判」程式碼滿的。成百上千個微小的判斷，全天候轟炸。更殘酷的諷刺在於：AI 生成的程式碼比人類寫的更需要仔細審查。同事寫的程式碼，我懂他的路數、強項和盲區，我可以略讀信任的部分，重點看我不放心的。但面對 AI，每一行都是嫌疑人。程式碼看起來自信滿滿，能編譯，甚至能跑通測試，但它可能在某個隱秘的角落埋雷，只在凌晨 3 點生產環境負載拉滿時才爆炸。所以你必須逐行閱讀。去讀那些你沒寫過、由一個不懂你程式碼庫歷史和團隊習慣的系統生成的程式碼，這本身就是一種精神酷刑。這也是為什麼我認為 Agent 的安全和授權如此重要。如果我們沒法在大規模下審查 AI 產出的每一行程式碼——事實上我們確實做不到——那我們就必須從源頭上限制 Agent 的權限。最小權限原則、範圍受限的 Token、審計日誌。越少擔心「AI 幹了什麼蠢事」，留給真正重要工作的認知預算就越多。這不僅是安全問題，更是人類的可持續性問題。消失的「確定性契約」工程師是被「確定性」喂大的。輸入 A，得到 B。這是契約，是偵錯的基礎，是我們理解系統的基石。AI 撕毀了這份契約。周一運行完美的提示詞，生成了乾淨漂亮的 API 程式碼。周二用同樣的提示詞跑類似的任務，輸出結構變了，錯誤處理邏輯換了，還引入了我沒要求的依賴。為什麼？沒理由。或者說，沒有我可以理解的理由。沒有堆疊跟蹤告訴我「模型今天決定換個口味」，沒有日誌顯示「溫度採樣選了路徑 B」。它就是……變了。對於職業生涯建立在「如果壞了，我就能找出原因」之上的工程師來說，這種感覺極其不安。不是那種劇烈的恐慌，而是一種緩慢的、研磨般的背景焦慮。你永遠無法完全信任輸出，永遠無法完全放鬆。每一次互動都需要保持警惕。這種挫敗感最終逼我做出了 Distill——一個針對 LLM 的確定性上下文去重工具。沒有 LLM 呼叫，沒有嵌入，沒有機率玄學。純演算法，12 毫秒搞定。我想在 AI 流水線裡至少保留一塊我可以推理、偵錯和信任的淨土。如果模型的輸出註定是薛定諤的貓，那我至少要保證輸入是乾淨可控的。我見過應對得最好的工程師，都是那些與此「和解」的人。他們把 AI 輸出當成一個聰明但不靠譜的實習生交來的初稿。他們預期要重寫 30%，他們為此預留了時間。因為從未指望它完全正確，所以當它出錯時，他們不會炸毛。他們指望的是「有用」，而非「正確」。這中間的區別大了去了。被 FOMO 追趕的倉鼠輪深吸一口氣，回頭看看這幾個月發生了什麼：Claude Code 發佈子智能體，然後是 Agent SDK；OpenAI 推出 Codex CLI；Google 甩出 Gemini CLI；GitHub 搞了 MCP 登錄檔；收購案每周都在發生；各種 Agent 框架像雨後春筍：CrewAI, AutoGen, LangGraph, MetaGPT……當你還在研究這個，那個已經過時了。就連 LinkedIn 上的「野生導師」都在恐嚇你：「2026 年還不用子智能體編排，你就被淘汰了！」這不是一年的變化，這是幾個月。我曾狠狠掉進這個坑裡。周末用來評測新工具，看每一個更新日誌，看每一個演示。因為恐懼落後，我強迫自己站在前沿。結果呢？周六下午折騰一套新 AI 編碼工具，周日剛跑通工作流，周三就有人發帖說另一個工具「完爆這個」。焦慮感瞬間襲來。下個周末，我又在折騰新東西。這就好像一隻倉鼠，從一個輪子跳到另一個輪子，每次遷移都耗費一個周末，換來的可能是 5% 無法感知的效率提升。最可怕的是「知識折舊」。2025 年初，我花兩周精心打磨了一套複雜的提示工程工作流。鏈式思維、少樣本示例，那是相當完美。三個月後，模型更新了，最佳實踐變了，我那些複雜的範本跑出來的結果甚至不如一句簡單的大白話。那兩周的時間，不是投資，是浪費。這就是為什麼我現在改變了策略：別追工具，追基礎設施。工具來來去去，但問題永存。上下文效率、授權、審計、執行階段安全——無論這個月流行那個框架，這些底層問題都在。所以我建立 agentic-authz 是基於 OpenFGA，而不是繫結在某個特定的 Agent 框架上。建立在那些不會輕易變質的層面上。「再試一次」的陷阱這個陷阱極其陰險。第一次輸出 70% 正確。你最佳化提示詞。第二次 75% 正確，但把第一次對的地方改錯了。第三次 80% 正確，但結構全亂了。第四次……如果你一開始就自己寫，20 分鐘早就搞定了，現在你已經耗了 45 分鐘。我稱之為「提示詞螺旋」。這就像給犛牛剃毛。你本以此為目標，半小時後卻在偵錯提示詞而不是偵錯程式碼。你在最佳化對語言模型的指令，而不是解決實際問題。這種螺旋很危險，因為它讓你「感覺」很高效。你在迭代，你在逼近真相。但邊際收益遞減得飛快，你忘了最初的目標只是「發佈功能」，而不是「讓 AI 產出完美程式碼」。現在我有一條鐵律：事不過三。如果三次提示還得不到 70% 可用的結果，我就自己寫。這條規則幫我省下的時間，比任何提示詞技巧都多。完美主義者的地獄工程師通常有潔癖。我們要乾淨的程式碼，要全綠的測試。這讓我們擅長建構可靠的軟體。但 AI 的輸出永遠是「湊合」。70-80% 的完成度。變數名有點怪，錯誤處理不完整，邊緣情況被忽略。它能跑，但它「不對味」。這對完美主義者來說簡直是酷刑。因為「差點意思」比「完全錯誤」更難受。完全錯誤你可以直接重寫；差點意思你就得花一小時去微調。修補別人的爛程式碼（尤其是這種沒品位、沒上下文的機器程式碼）是極其令人沮喪的。最受折磨的往往是最好的工程師。 那些標準最高、眼光最毒的人。而 AI 時代獎勵的是另一種技能：能夠迅速從不完美的輸出中提取價值，而不對「完美」產生情感執念的能力。思考能力的肌肉萎縮這是最讓我害怕的一點。某次設計評審，有人讓我在白板上推導一個並行問題。沒電腦，沒 AI，就我和一支筆。我卡殼了。不是我不懂概念，而是那塊肌肉太久沒練了。我太習慣把初稿外包給 AI，導致自己「從零思考」的能力退化了。就像 GPS 毀了我們的認路能力一樣，如果總是先問 AI，你就無法建立那些只有通過「死磕」才能形成神經回路。掙扎是學習的必經之路，困惑是理解的前奏。跳過這些，你得到的是更快的產出，和更淺薄的理解。現在，我強迫自己每天第一個小時完全不用 AI。紙上思考，手畫架構。這感覺很低效，確實低效。但這能保持思維敏銳，而這種敏銳度在我隨後使用 AI 時是無價的——因為只有大腦熱身過，我才能更好地審判 AI 的輸出。比較陷阱與倖存者偏差社交媒體上滿是 AI 大神。「我用 AI 2 小時做完了整個 App！」你看看自己：失敗的提示詞、浪費的時間、重寫的程式碼。你會想：我有毛病？你沒毛病。那些帖子是「集錦」。沒人會發帖說：「我花了 3 小時想讓 Claude 理解我的資料庫架構，最後放棄了自己手擼了 SQL。」沒人會發帖說：「AI 生成的程式碼吞了一個報錯，導致生產事故。」沒人會說：「我累了。」如果一個資訊流讓你感到落後而不是知情，那就取關它。 去關注那些真正在建設、在發佈產品的人，而不是只會做 Demo 的人。真正的技能是「知道何時停手」在這個時代，最重要的技能不是提示詞工程，不是選模型，也不是工作流。是「止損」的能力。知道何時 AI 的輸出已經夠好了；知道何時該自己接手；知道何時合上筆記本；知道何時微小的改進不值得巨大的認知成本。我們給系統設計熔斷機制、背壓機制，我們也應該給自己設計一套。AI 是我用過最強大的工具，也是最耗能的。這不矛盾。在這個時代能活得好的工程師，不是用 AI 最多的人，而是用得最「明智」的人。如果你累了，不是因為你做錯了什麼，實際這真的很難。工具是新的，模式還在成型，行業在假裝「更多產出 = 更多價值」。但這不成立。可持續的產出，才是價值。保護好你的大腦。那是你唯一的資產，沒有任何 AI 能替代它。 (APPSO)

【新智元導讀】一位在矽谷摸爬滾打30年的老兵，花了4個月時間，跟Anthropic近40人深聊後，他揭示了一個殘酷的公式：工作量碾壓人數=創新井噴，人數碾壓工作量=內捲開始。Google就是這麼廢掉的。而Anthropic正站在黃金時代的正中央——沒有部門壁壘，沒有複雜規範，產品10天從想法到上線。2026年，Anthropic會擊垮大量企業。Anthropic，這家公司現在是矽谷，甚至是全世界的當紅炸子雞！全球幾兆的市值，被一個小小的Claude所攪動，可謂是風頭無兩。Anthropic取代OpenAI成為AI能力躍遷的風向標，已經成了一部分人的共識。大前幾日Claude Opus 4.6的一個小版本更新，直接撼動了整個SaaS行業。而且Menlo Ventures還成立了Anthropic生態基金。Menlo Ventures是矽谷頂級老牌VC，成立於1976年，管理規模超過70億美元。可以說，現在的Anthropic奠定了建構AI生產力的標準，或者粗暴一點：Claude出什麼功能，全世界都要立馬看一眼。那麼問題來了：這家公司內部到底是怎麼運作的？他們的員工都是什麼樣的人？深入Anthropic內部蜂巢Anthropic內部「亂成一鍋粥」，卻為何能碾壓矽谷巨頭？一個前Google、前亞馬遜的30年老兵，花了4個月時間，跟Anthropic近40個人聊透了。這個人就是前Google、亞馬遜資深工程師Steve Yegge。他深入剖析了當今最炙手可熱的AI公司Anthropic的內部運作模式。原文地址：https://steve-yegge.medium.com/the-anthropic-hive-mind-d01f768f3d7b他的結論是，這家公司的運作方式，顛覆了所有人對「成功企業」的認知。進Anthropic有多難？堪比進NFLSteve Yegge算了一筆帳。以行業專業人士身份進入Anthropic的機率，跟一個高中生打進國家橄欖球聯盟差不多。他見過的每一個Anthropic員工，都是精英中的精英。精英的程度甚至超過了Google巔峰時期。他拿自己舉例：「Google曾經錄用過我，而我其實只是勉強夠格的邊緣人選。」言外之意：能進Anthropic的人，比當年的他還狠。蜂巢思維：一家靠「氛圍」驅動的公司跟這40個人聊完，Yegge發現了一件詭異的事。Anthropic的員工自己都在說：這裡是一個完全靠氛圍（vibes）驅動的蜂巢思維。沒有傳統的部門壁壘。沒有成熟公司那套「專業化」的陳規俗套。每個人都能看到別人在幹什麼。犯錯？走彎路？全公司都能看見。想藏？沒門。這叫「自我的消亡」。你必須成為一隻快樂的工蜂。否則離心力會把你甩出去。黃金時代的秘密：工作量必須碾壓人數Yegge在矽谷混了30多年。他親歷過三個「黃金時代」：亞馬遜，1998年起，勢頭持續到他2005年離職後很久；Google，巔峰期一直到2011年4月；微軟，輸掉Java訴訟後的C#/.NET時代；他終於想通了黃金時代的核心公式：工作機會 > 人數時，就會創新井噴。人數 > 工作機會時，則會讓內捲開始。道理很簡單。活兒多到幹不完的時候，沒人會搶別人的項目。每個人都忙著開疆拓土，沒空搞政治鬥爭。反過來，一旦活兒不夠分，聰明人就開始「佔坑」。你不佔，別人就佔了。領地意識、派系鬥爭、辦公室政治——全來了。人性使然。Google是怎麼「廢掉」的？2011年4月，Larry Page接任CEO。他宣佈：「停止開發新項目，我們只專注X、Y、Z這三項業務。」所有工程師都留著。工作量砍了50%。結果呢？工作不夠分。人開始搶活幹。圈地運動來了。權術博弈來了。領地意識來了。還有個微軟髮明的詞：「舔餅乾」——搶了活兒卻永遠不干。從那一刻起，Google變得「政治化」。創新引擎熄火。黃金時代終結。Anthropic正站在黃金時代的正中央再看Anthropic。幾乎每條戰線上，活兒都多到幹不完。每個人，這就像站在一個不斷膨脹的球體表面。永遠不用搶活幹。因為活兒是無限的。每個人都有機會把想法拿出來，讓蜂巢思維評判。行就上，不行就換一個。沒有政治鬥爭的土壤。Claude Cowork：10天從想法到上線Yegge聽到了一個讓他震驚的數字。Claude Cowork這個產品，從最初有這個想法，到公開發佈，一共用了10天。10天！這在傳統公司需要多久？3個月？6個月？他們怎麼做到的？篝火模型：圍坐在一起，邊聊邊造Anthropic的開發方式，完全打破了教科書。沒有瀑布模型。沒有複雜規範。核心是一個鮮活的原型。所有人圍坐在「篝火」旁，一起雕琢它。規劃周期從不超過90天。這已經是他們能想像的「最長周期」了。結果呢？整個過程像即興表演。想法來了就試。試了就上。上了就迭代。效率差距有多大？Yegge給出了一個驚人的對比：Anthropic的工程師效率，比現在用Cursor和ChatGPT的開發者高10到100倍。比2005年Google工程師高1000倍。這個數字太瘋狂了。但如果你見過他們的工作方式，你會覺得這個數字保守。「是的，而且…」——即興劇場式的協作Anthropic內部有個文化基因：「Yes, and…」每個想法都會被接納、審視、品味。蜂巢思維來評判。沒有中央決策機構拍板。所有人一起試。當魔法發生的時候，大家同時心領神會。但反過來——誰要是不像快樂工蜂那樣行動，會被溫柔地推出去。想端著槍衝進來表現自己？對不起，這是團隊運動。最頂尖的人才，單他們的眼神甜蜜而憂傷Yegge說了一個觀察，讓人印象極深。在Anthropic，他遇到的每個人、每個團隊，都帶著一種「甜蜜而憂傷的超然感」。他們像一群牧羊人，肩負著創造文明級重要事物的使命。充滿熱情，但又帶著一種莊嚴的凝重。那種眼神，像是信仰上帝的人看待塵世——篤定、悲憫。或者像精靈，看著古老世界漸漸逝去。他們真心為很多公司感到惋惜。因為2026年會擊垮大量企業。而很多公司還沒看見這場海嘯。活下來的唯一辦法Yegge最後給出了建議：「點燃篝火。把你的產品變成鮮活的原型。考慮在公司內部建立創新蜂巢。給它們空間。」傳統的部門壁壘？扔掉。複雜的規劃流程？砍掉。自我意識？放下。然後，全力以赴轉向新的產品市場契合點。差距不是技術，差距是意識。Anthropic的人是真的相信自己在做一件改變文明的事。2026，這將是瘋狂的一年。 (新智元)

最近，Google DeepMind 掌門人德米斯·哈薩比斯（Demis Hassabis）接受 CNBC 專訪。他難得敞開心扉，直言不諱地評價了全球 AI 格局，尤其是中國 AI 的追趕速度和創新現狀。“中國團隊的追趕速度極快，只落後幾個月，但在原創性上，他們還沒拿出 Transformer 級的東西。”以 DeepSeek、阿里為代表的中國 AI 團隊,在工程效率、推理最佳化、成本控制上，展現了恐怖的實力。“一篇新論文出來，他們往往能以驚人的速度復現，甚至在某些方面做得更好。”換句話說，在 “把已知路徑做到極致” 這件事上，中國團隊已經證明了自己是全球頂級玩家。也正因為如此，矽谷過去那種“領先一代”的技術安全感，正在被一點點消耗掉。不是按年，而是按月縮水。要知道，過去很長一段時間美國尤其是矽谷派的主流觀點是：中國在 AI 上還遠遠落後，大概是幾年的差距。根據史丹佛大學《2025 年人工智慧指數報告》，中國在 AI 論文發表和專利申請總量上持續領先。且像 DeepSeek、智譜等機構發佈的模型，在國際基準測試中已與第一梯隊產品表現相當。以 DeepSeek V3.2 為例，在公開的推理類基準測試中，它已經能夠全面對標 GPT-5，僅略低於 Gemini 3 Pro。然而，他也指出原創性依然是中國團隊的短板。Transformer 或 AlphaGo 那樣從零到一的技術突破，目前在中國尚未出現。換句話說，中國團隊可以“開車飛馳在既有軌道上”，但鋪設全新軌道的能力仍需時間和積累。哈薩比斯強調，這並非能力不足，而是原創性突破往往需要長期科研積累、實驗失敗和探索精神的結合。不過哈薩比斯也看到了中國 AI 獨有的潛力，他認為當工程最佳化達到一定高度，往往會催生質變。中國憑藉廣闊的應用場景、迅速的市場反應和持續投入，很可能從別出心裁的角度，斬出那一刀改變格局的創新。在談到通向 AGI 的挑戰時，哈薩比斯強調，現有大模型存在“鋸齒狀智能”（jagged intelligence）。這是指模型在某些任務上表現非常出色，但面對複雜因果鏈條、多步驟邏輯推理或現實世界常識時，能力不穩定甚至可能出錯。這說明通用智能不僅需要強大的處理能力，還要在多個維度上保持穩定和一致。除此之外，現有系統無法持續線上學習，也難以自發產生原創性想法，通向 AGI 仍需克服這些根本性限制。在這一背景下，哈薩比斯談到 Scaling Law（規模定律）及其作用。他認為，雖然模型增大、算力增加和資料擴充的回報增速有所放緩，但總體進展依然非常好，能力提升仍值得投入。然而，要真正實現 AGI，僅靠 Scaling Law 仍不夠，還需要一兩個像 Transformer 那樣的重大範式突破。哈薩比斯保持謹慎樂觀，預計 AGI 很可能在五到十年內實現，同時指出算力問題最終歸結於能源，因此未來能源將成為“智能的貨幣”。他還進一步提到“世界模型”概念，作為通向 AGI 的核心手段。與 LLM 主要處理文字不同，世界模型能夠理解因果關係和長期後果，在腦中模擬世界、驗證假設，實現規劃和預測。未來 AGI 很可能是 LLM 與世界模型的融合體。DeepMind 已在 Genie、視訊生成 Veo 和機器人模擬中佈局早期世界模型，讓 AI 在虛擬環境中練習、犯錯、成長，真正具備“理解”和“預測”能力。在應用層面，哈薩比斯看好端側 AI，即將高效、輕量的模型運行在手機、可穿戴裝置和智能眼鏡等終端上。Google計畫通過 Project Aura 智能眼鏡以及機器人領域的探索，讓 AI 不僅會“說”，還能實際“做事”，並行揮實用價值。過去兩三年，DeepMind 也回歸“創業公司狀態”，快速迭代 Gemini 模型並落地到 Google 核心產品，包括搜尋、Workspace 和智能眼鏡等場景，使Google在算力、模型規模和應用落地上都保持競爭優勢。總體來看，哈薩比斯認為，中國 AI 已憑實力贏得了頂級牌桌的入場券，但未來幾十年的格局，將取決於誰能率先鋪設無人區的軌道。速度固然重要，但方向選擇才是關鍵。真正的競爭，不只是算力之爭，更是敢於探索未知、率先開闢全新路徑的勇氣與能力。在這個意義上，2026 年不僅可能見證端側 AI、agent 系統和機器人領域的突破，也將考驗誰能在通向 AGI 的道路上，把工程能力與原創性創新結合，率先鋪出未來的新軌跡。 (科技狐)

01.華為AI資料中心參考設計白皮書解讀近期，華為發佈《華為AI 資料中心設計》，系統闡述了在 AI 算力快速提升背景下，資料中心從傳統 IT 基礎設施向高能耗、高密度算力基礎設施演進的整體設計思路，圍繞園區級規劃、模組化建設、暖通與液冷協同、電源架構重構等核心問題，提出以“可擴展性、確定性和長期演進能力”為核心的設計原則，強調通過分期建設、製冷與供配電系統解耦、高功率液冷架構以及更高效率的供電路徑，來應對 AI 伺服器功耗持續上升、電力資源受限和技術快速迭代帶來的不確定性，為新一代 AI 資料中心的規劃、建設和產業鏈協同提供了系統性的工程參考框架。註：《華為AI 資料中心設計白皮書》全文56頁，需要的可上方二維碼加入微信自取在資料中心建設層面，華為首先解決的不是“效率問題”，而是“不確定性問題”。AI 的最大特點不是算力高，而是變化快，晶片功耗在漲，伺服器形態在變，液冷路線在演進，電力資源卻越來越緊張。在這樣的背景下，華為並沒有去強調某一種最優建築形式，而是反覆強調模組化、分期建設和能力解耦。華為非常克制地避免一次性把園區設計到極致，而是更關注未來每一次擴容是不是“順著原來的邏輯繼續往上堆”。這種設計思路背後，其實是一個很工程化的判斷：AI 資料中心不可能一次建完，它一定是在算力需求、資本投入和電力資源之間不斷博弈、不斷調整的結果。暖通和液冷部分：華為對風冷和液冷的態度其實非常務實，並沒有簡單地站隊某一種技術路線，而是把冷卻方案和機櫃功率區間直接掛鉤。很清楚地指出，在中低功率階段，風冷依然有其成熟度和成本優勢；但當 AI 機櫃進入 80kW、100kW 甚至更高功率區間時，液冷不再是“性能更好”，而是“不做不行”。這裡面一個很重要的判斷是：製冷能力正在從“配套條件”變成“算力能否落地的硬約束”。華為在液冷設計上的核心思路，關注系統層面的可複製性和可維運性，強調 CDU 架構、一次側和二次側解耦、冗餘設計、漏液風險控制以及維運友好性，這其實是在明確一個訊號——液冷不能只是少數高端項目的定製方案，而必須成為像風冷一樣可規模複製的基礎設施，真正關心的不是“液冷能不能跑得更猛”，而是“液冷能不能在成百上千個機櫃、幾十兆瓦規模下長期穩定運行”。電源架構這部分，並沒有簡單地否定傳統交流供電，而是直截了當地指出，在 AI 負載快速抬升的情況下，傳統多級 AC 架構正在被系統性拉到極限。問題不在單台 UPS 或單個配電櫃，而在於能量在傳輸和轉換過程中的層級過多，損耗、發熱和空間佔用被同步放大。華為的設計思路，是儘量讓電力“少繞路、更直達”，通過更高電壓等級、更少的轉換級數，把有限的電力資源更多地交付到算力端。這背後的邏輯非常現實：在電力越來越緊張的時代，誰能用同樣的電，跑出更多有效算力，誰就更具競爭力。華為的設計方案亮點有兩個。第一，它始終站在“十年周期”的角度看問題，而不是圍繞當前某一代晶片或伺服器做最佳化；第二，它把電力、製冷、建築這些過去各自為政的專業體系，統一放進了“算力交付能力”這個核心目標下進行協同設計。這種系統級視角，恰恰是當前很多 AI 資料中心項目最容易缺失的部分。對整個資料中心產業鏈來說，這本白皮書的參考意義其實非常直接。伺服器廠商會意識到，單純堆性能已經不夠，裝置形態必須更早地融入基礎設施約束；液冷廠商會發現，未來拼的不只是換熱性能，而是系統可靠性、工程適配能力和規模複製能力；供配電廠商也會更加清楚，裝置放量只是第一步，真正的價值在於參與下一代供電架構的定義；而對營運方和投資方來說，AI 資料中心已經不再是一個“建成即交付”的項目，而是一套需要長期演進、持續投入的能源系統。整體來看，華為這本 AI 資料中心設計白皮書並不是在給行業一個“標準答案”，而是在幫行業把一個越來越清晰的事實講透：當 AI 成為核心生產力時，資料中心的設計目標，已經從“滿足當前需求”，轉向“為未來的不確定性預留足夠的空間”。這一點，可能比任何具體參數，都更值得整個產業反覆琢磨。 (零氪1+1)

馬斯克：若重來，不會領導“政府效率部”美國電動車製造商特斯拉公司、太空探索技術公司創始人埃隆·馬斯克最近接受採訪時說，如果重來，他不會領導“政府效率部”，而是專注營運自己的企業。馬斯克在9日播出的播客節目中接受“政府效率部”前任發言人凱蒂·米勒採訪，被問及“如果重來，是否會領導‘政府效率部’”。馬斯克說：“不，我不會這樣做。我想我總體上會在我的公司工作，而不是領導‘政府效率部’。這樣他們（反對者）就不會燒車了。”馬斯克執掌“政府效率部”期間，特斯拉經銷商和充電站遭馬斯克反對者破壞。按美國媒體說法，特斯拉成為打砸、縱火對象，緣於不少人對馬斯克主導的“政府效率部”大幅裁減聯邦僱員以及其政治傾向不滿。馬斯克在播客採訪中說，“政府效率部”在削減開支方面取得了“些許成功”，“我們在某種程度上取得成功”。“我們停止了不少毫無意義、完全是浪費的資金投入。”目前，“政府效率部”網站公佈的已削減金額是2140億美元，但其實際節省金額難以量化。獨立觀察人士堅持認為，美國政府發佈的資料比實際節省的金額少。馬斯克在2024年美國總統選舉中全力支援川普，為川普勝選立下汗馬功勞。在川普重返白宮後，馬斯克主導“政府效率部”、幫助聯邦政府削減開支。然而，馬斯克主管“政府效率部”期間與川普政府多名內閣成員發生爭執，圍繞“大而美”稅收和支出法案與川普大打“口水仗”。 (牛彈琴)

近日，美國人事管理局局長斯科特·庫珀表示，由川普上任首日設立的“政府效率部（DOGE）”已“不再存在”。這個被川普政府視為“打破官僚主義的手術刀”的臨時機構，在距離2026年7月4日法定解散日尚有八個月時悄然退場，其核心職能被人事管理局全面接管。從成立時的高調造勢到解散時的倉促收場，DOGE的短暫生命周期並非偶然，而是多重因素和矛盾疊加的必然結果，深刻折射出美國政治體制下激進行政改革的現實困境。當地時間2025年5月30日，美國華盛頓，川普（右）與馬斯克在白宮橢圓形辦公室舉行的新聞發佈會上講話。圖/視覺中國合法性授權的先天缺陷從誕生之初起，DOGE的命運就埋下隱患，其設立缺乏堅實的法律根基與清晰的權力邊界。川普僅憑一道行政令便組建了DOGE，將其定位為總統行政辦公室下屬的臨時顧問委員會，而非經國會立法設立的正式聯邦機構。這種運作方式並非川普首創，但關鍵問題在於DOGE被賦予了“拆解官僚機構、削減冗餘開支、重組聯邦機構”的宏大使命，由此獲得了大量遊走在合法性邊緣的重要授權，包括審查聯邦核心部門預算合同、干預人事任免、接入敏感資料和系統網路、接管支付系統甚至取消國會批准項目撥款等。這種“越界式授權”打破了美國聯邦政府長期形成的權力制衡格局，引發大量法律爭議乃至訴訟。儘管這種“行政主導”的模式有助於川普重構官僚體系特別是打擊“深層政府”的嘗試，但也產生了系統性的合法性危機。作為臨時機構，DOGE既無長期運作的制度保障，也缺乏獨立的執法權限，其政策推行完全依靠總統行政令背書，缺乏外在監督和約束機制。當2025年9月聯邦法官裁定其公務員最佳化計畫違反《聯邦僱員權利保障法》後，DOGE的多項裁員與預算削減政策便瞬間失去法律基礎，凸顯其改革先天的脆弱性。企業化治理的水土不服川普選定特斯拉CEO埃隆・馬斯克與企業家維韋克・拉馬斯瓦米作為DOGE的領導團隊，這體現了其一貫的“企業家治國”理念，即借助企業家在成本控制和效率最大化上的核心優勢，推動對聯邦政府機構的改頭換面。然而，川普對政府治理專業性的漠視，導致改革從一開始便陷入混亂。在DOGE成立當天，拉馬斯瓦米就突然退出，據傳因其與馬斯克存在政策理念上的分歧。而馬斯克任“特殊政府僱員”僅四個月後就離職，導致DOGE失去最為重要的主心骨。更關鍵的是，馬斯克離任後與川普因《大而美法案》公開決裂，使DOGE核心團隊開始出走，改革動力逐漸消失殆盡。這一系列變故的背後，在於馬斯克實際執掌DOGE期間推動的大刀闊斧改革，以“提升效率、削減開支”為核心使命，但激進運作模式與盲目改革邏輯，導致目標與成效嚴重脫節，違背了“機構精簡需基於職能最佳化、預算控制需兼顧公共服務質量”的政府治理基本規律，使其成為眾矢之的。例如，DOGE推出“買斷計畫”鼓勵聯邦僱員主動離職，累計推動15.4萬聯邦僱員離崗，引發80年來最大規模的公務員離職潮。然而，盲目裁員引發了人才斷層與服務癱瘓，直接抵消了所謂“效率提升”。馬斯克還要求所有聯邦僱員每周提交工作匯報，否則面臨解僱。這一做法引發國務院、聯邦調查局等部門的集體抵制，最終白宮不得不做出妥協，將有關權限交還給各部門負責人。此外，截至2025年10月，DOGE官網宣稱其改革措施為聯邦政府節省開支約2140億美元，相當於為每個納稅人節省約1329美元。但其計算方式受到外界質疑：一是將未執行合同的理論金額計算在內，如德克薩斯州移民兒童安置合同，所謂節省的29億美元中有27.5億美元是2028年合同到期前的未支出金額；二是存在資料錯誤；三是存在跨財年的重複計算；四是沒有披露全部帳目。實際上，改革還因人員流失、公共服務中斷、法律訴訟等新增了大量成本。據非營利組織“公共服務夥伴”估計，考慮到解僱、重新招聘和讓員工帶薪休假等全部流程，總成本可能高達1350億美元，與其“降本增效”的核心目標背道而馳。政治利益博弈的殘酷現實DOGE所推行的改革，本質是對美國現有利益格局的劇烈重構，必然遭遇來自各方的系統性抵制。而高度極化的政治生態，也從根本上預示了其註定難以成功。在行政部門內部，部分機構採取“軟抵抗”策略，通過合規審查、程序拖延消解改革力度。教育部遊說保留關鍵採購合同，環保署延遲提交改革方案，十余個部門集體抵制提交“冗餘崗位清單”，FBI等機構直接無視其“周報通牒”，這種內部消耗使其政策落地率極低。在國會，民主黨人發起各項監督甚至撤銷DOGE的議案，要求限制其權力並加強國會審查，直指其挑戰立法機關的財政控制權。更突出的博弈焦點，正在於馬斯克本人。其一，作為川普頗為看重的改革先鋒，馬斯克政治地位的快速上升引發共和黨內的反彈，包括反科技巨頭的“讓美國再次偉大”（MAGA）陣營、被川普封官許願的既得利益派、受改革衝擊較大的利益集團以及對馬斯克張揚作風不滿的傳統保守派。這些力量或明或暗地阻礙DOGE改革的推進，併力圖在川普和馬斯克之間製造嫌隙，最終成功迫使馬斯克退出政府。其二，作為特斯拉和SpaceX的創始人，馬斯克的旗下企業與聯邦政府存在大量商業合同，其“改革者”與“利益相關方”的雙重身份從一開始就引發廣泛質疑。儘管川普給馬斯克背書，但爭議持續發酵，不斷侵蝕DOGE的公眾信任度，也使馬斯克的企業受到顯著衝擊。這一系列衝突使馬斯克成為決定DOGE成敗的關鍵人物，在其退出政府的那一刻起，DOGE的失敗就已經不可避免。DOGE的提前退場，與其說是一個部門的失敗，不如說是美國政治體制下激進改革的必然結局。川普政府試圖以企業化的效率邏輯替代政府的公共邏輯，以行政命令的強制力突破制度制衡，以激進削減替代精準治理，最終卻在合法性缺失、治理失序、政策反噬與政治博弈的多重壓力下推行了一場失敗的實驗。美國聯邦政府的低效問題由來已久，根植於其複雜的權力結構與利益格局。DOGE的失敗表明，政府效率的提升不能依賴“休克式療法”，任何缺乏制度根基與廣泛共識的激進改革都註定“曇花一現”。 (中國新聞周刊)

次成功，可能是運氣。兩次成功，多半是靠實力。三次成功，就幾乎一定是個哲學家，對世界運行，有著深刻洞察。在我心裡，季琦，就算一個。你一定聽過漢庭、全季，這些都是華住旗下的酒店。也許，還聽過攜程、如家。是的，這些企業，都出自季琦之手。3家納斯達克上市，4次敲鐘。前幾天，他做了一次演講，花了一個多小時，系統性地分享了他對“內卷”的看法，對酒店行業、對未來機會的獨到洞察。看完之後，收穫很多。於是，挑選其中印象特別深刻的5個，和你分享。01 內卷的原因，不是人多，是東西還不夠好一提到“內卷”，很多人冒出的第一個念頭，就是：人太多了。這種想法很正常。因為打眼一看，似乎每個角落都站滿了人。市場是飽和的，機會是零和的。你多吃一口，我就得少吃一口。就比如，酒店行業。根據北京統計局資料，上半年，北京1600多家酒店，總盈利約6000萬，平均盈利3.7萬元左右。也就是說，北京開家酒店，辛辛苦苦忙活半年，才賺不到4萬元。太捲了。但季琦認為，所謂的“內卷”，本質不是人太多，而是好東西太少。換句話說，供給，雖然數量飽和了，但質量卻可能還不夠。中國的客房總數，全球第一。人均客房數，排名第二。打開線上平台，無論你搜尋城市裡那個位置，往下一滑，酒店都密密麻麻，看不到底。數量，夠多了吧。但是，質量呢？看資料。酒店的連鎖化率，美國是72%，中國只有40%多。四線及以下城市，只有14%。大量的酒店，缺乏標準、服務流程和統一供應鏈。40間客房以上的“規模酒店”，美國是95%，而中國是25%。也就是說，75%的酒店，是40間房以下的“微房量”酒店，體量小，所以難以標準化管理，也很難盈利。內卷，其實是市場在倒逼我們，把產品重新做一遍。季琦把這個過程，稱為“供給側改革的進一步深化”。所以，當你再感到“卷”的時候，不妨問問自己：我是不是還在60分的水平上，拚命努力？我能不能找到客戶最核心的需求，把它從60分，做到80分？有道理。可是，大家不都在喊消費降級嗎？我做好了產品，有人買嗎？02 消費，不是降級，而是遷移季琦在演講中，提到了一個看似矛盾的現象。一方面，因為不確定性，人們開始“多存錢、少消費”。於是，消費降級的說法，開始越來越流行。但另一方面，出行消費，又成了消費的最大增量。他還舉了個例子，自己的老父親，幾乎一輩子沒出過遠門，給錢都不去的那種。去年，也開始旅行了。大家明明都在捂緊口袋，為什麼又願意把錢花在“出去跑一趟”上呢？因為中國消費者，正在經歷一個“消費心理重構期”。不同消費的價值，正在重排。有一句話，最能一下子戳中這種心理：該省省，該花花，騎著自行車去酒吧。去酒吧的幾十元打車費，必須要省。但在酒吧裡用幾百元就能買到的快樂，必須花掉。為什麼會這樣？故事的上半部分，的確是“消費降級”。因為，不確定性的增加。今天，無數人都在承受壓力。比如，收入波動。比如，裁員風險。壓力之下，最自然的選擇就是減少消費，增加儲蓄。這也就是很多人認為“消費降級”到來的原因。但故事，還有下半部分。因為，人很難長期忍受失控感。之前，認真工作，三年就能升職。每年，還能出國玩兩次。現在呢？別說出國了，我連下個月有沒有工作，都不知道。不確定性太多，人會垮掉。所以，必須自救。怎麼救？花錢。花錢買回快樂，買回秩序，買回“我依然是我”的感覺。今天我就要去旅行，今天我就要去聽演唱會。只要我喜歡，只要我心動，它就值得。消費降級的另一面，是人們把預算，從“功能帳戶”，遷移到了“情緒帳戶”。同時也意味著，過去幾十年數以十萬計的、僅僅滿足“晚上有個落腳的地方”功能的存量酒店，已經無法匹配新需求。很多人在說“卷”的時候，是把中國市場看成了一個整體，一個大餅。然後哀嘆，這張餅早就被巨頭們瓜分完了，我們這些小玩家，只能在後邊撿點渣。但季琦的思考，給了我一個新的視角。他說，中國同時存在三個“三個市場”。劃分的維度分別是：地理、消費、年齡。他用三刀，切開了中國這個市場。第一刀，是地理。地理的分割，把中國市場切成了三塊。分別是一線城市、省會城市、縣域市場。一線城市，是試驗場。無論什麼，流行起來都快、成本也高。省會城市，是承接者，擴張的新模式往往先在這落地、驗證。縣域市場，就是另一套規則了，這裡，得靠熟人信任和線下觸達生存。第二刀，是消費能力。中國，同時存在：奢侈消費、中產消費、平價消費。這裡有4億中等收入群體，比美國總人口還多。同時，還有10億人的平價消費市場。奢侈品，講身份。買的不是產品，而是“用的人是誰”。中產，講品質。雖然可以多花錢，但要能感受到細節、舒適、耐用。平價，講性價比。不是不追求品質，而是先過日子。第三刀，是年齡。同樣是三塊。青年（18-35歲）、中壯年（36-59歲）、銀髮族（60歲+）。很多你“看不懂的消費”，比如排隊買一個毛絨玩具，就來自年輕人。他們從小物質富足，是網際網路原住民，更有主見，也更願意為審美和熱愛買單。中壯年市場，上有老下有小，是家庭消費的主力。銀髮市場，則是一個正在快速崛起的、擁有大量時間和儲蓄的藍海。地理摺疊x消費分層x年齡斷代。一個看似鐵板一塊的市場，瞬間就被解構成了一個充滿機會的“九宮格”。而當你開始用“九宮格”，重新看待身邊的酒店時，你會發現大量的酒店，是定位模糊的，既想抓住商務客，又想服務旅行團，還想承接本地宴請。當市場被解構，那些大而全的存量酒店，就必然會被取代。那麼，為什麼是現在？04 游擊隊，大機率會被集團軍所取代過去開酒店，靠的，是老闆的經驗、眼光和細心。單打獨鬥，看天吃飯。這是一個“游擊隊”的打法。但今天，專業的品牌連鎖，正在用“集團軍”的打法，重構這個行業。比如，產品上的越級體驗。越級，就是用3星級酒店的價格，睡上4星級酒店的床。幾年前，季琦曾經給我打過一個精彩的比方：中國的酒店業，就像5籃水果，上面標著1星-5星。籃子裡的水果，搭配好了。你說我不愛吃榴蓮，想換成葡萄，行不行？不行。一家五星級酒店，必須給你配上游泳池、宴會廳、擦鞋服務……可是，睡眠，就是那顆消費者，最想吃的葡萄。那怎麼辦？漢庭，就開始重新為消費者“配水果”。砍掉所有不必要的部分，拿所有的錢，都去買葡萄，把床位質量、衛生，和安靜程度，堆到4星級的標準。每一次對“越級體驗”的滿足，就是一次對行業格局的重構。比如，通過會員體系，建構洶湧的慢流量。過去，一家單體酒店的客源，要麼靠路過，要麼靠花大價錢從OTA平台買。就像接一根自來水管，付費就有水，一關閥門就斷流。流量的開關，掌握在別人手裡。但今天，華住用了十幾年的“笨功夫”，為自己挖了一口深井：一個超過3億會員的“華住會”。即便用“WIFI免費”、“積分當錢花”這些在當時看來虧的買賣，也要把使用者，沉澱到池子裡。對新加盟的酒店，這就相當於接入了一個巨大的、確定的私域流量池。根據華住資料統計，74%的可售房晚，賣給了華住會會員。大約每間客房擁有243位會員。這就是，洶湧的慢流量。又比如，系統化的效率模型。提高效率，就要降低成本，提高營收。如何降低成本？華住通過規模化集采，壓低了床墊、布草等核心物資10%-30%的價格，模組化設計，能縮短接近一個月的建造周期。通過APP辦理入住，降低人房比（每百間房需要的員工數）。如何提高營收？他們用App培訓保潔阿姨的打掃流程，抹布擰成八分干，擦地面也不會留水痕，折成八面，髒了就反過來用另一面，出房速度提高了40多分鐘。還可以用智能調價系統，即時調整房價，提高RevPAR（每間客房帶來的收入）。這種系統化的、深入骨髓的效率模型，是個體戶無法建立的。與其尋找無人區，用更先進的模型和方法論，改造落後的資產，這才是今天這個時代，最確定的紅利。05 不犯錯誤，就是最好的投資前面，我們聊了方向，也聊了機會。這很讓人興奮。但越興奮，越容易犯錯。演講中，季琦花了很長時間，分享了他對具體酒店項目投資的看法。聽完之後，我發現，他講的所有東西，都是在反覆強調：如何在投入每分錢之前，想辦法，過濾掉90%會讓你虧錢的錯誤選項。而用來建構“過濾器”的，就是他那套被反覆驗證過的，兩個“三好”投資原則。第一個，好位置。一個位置好不好，不看它在地圖上有多中心，而是看它能不能穩定地“捕獲”需求。怎麼看附近需求多不多？白天，到街口站五分鐘，看穿西裝、掛工牌的人多不多；晚上，再去看拉著行李箱的人密不密集。因為好位置，是可以同時滿足多種需求的。比如，既靠近商務區，又臨近大型商場或展館。這樣，工作日能做差旅的生意，周末能做休閒的生意。想找到好位置，就得真正理解區域的商業規律。第二個，好租金。好租金，就是給你生意的兜底。因為當波動來臨，租金就是你最大的成本。那怎麼算好？首先，佔比得合理。一旦超過25%，就是在給房東打一份看不到盡頭的工。接著，結構得靈活。比如，保底+分成。保底的租金，少算點。這樣，即便我生意真的不好，也能稍微喘口氣。但相對的，我多賺了錢，也多給你分點。第三個，也是真正考驗你水平的，好產品。季琦，還把好產品拆成了三層。好品牌，好物業，好品質。好品牌，是信任的快捷方式。當一個華住會員，在App上看到漢庭，就不再需要費力研究“床到底軟不軟”、“衛生乾不乾淨”。品牌，已經回答了這些基礎問題。好物業，能減少體驗的摩擦點。它至少包含兩個層面：外部觀感和內部結構。一個有獨門獨棟、乾淨門臉、周邊環境良好的物業，本身就是最好的廣告。內部結構，也要儘量簡潔。否則，改造成本很高不說，如果要客人拖著行李繞來繞去，體驗也非常差。好品質，是復購的發動機。它也包括硬體和軟體。硬體，包括房間隔音，門縫處理、床墊、枕頭，等等。這些細節，共同構成了穩定的“品牌標準”。軟體，則是“符合品牌標準的服務”。退房延遲兩小時，免費借到充電器和傘，都是寫進SOP的標準動作。位置解決“有沒有客源”，租金解決“活不活得久”，產品解決“留不留得住”。所有複雜的商業模式，到最後，都是一道樸素的數學題。最後的話機會，從來不在於市場夠不夠大，而在於你能不能把事情做得足夠好。比如，理解內卷的含義。其實，癥結不在人多，而是好東西太少。比如，看到消費，並沒有降級，只是在遷移。中國市場，也不是一張大餅，而是一個充滿結構性機會的“九宮格”。又比如，用“集團軍”能力，取代過往的“游擊隊”打法。落到具體項目，也要守住好位置、好租金、好產品的底線，不犯錯誤。競爭越激烈，專業的價值就越大。季琦說，從三年前開始，他們就一直堅持去一線看門店、見加盟商。迄今為止，他們已走訪278個地級市，累計行程覆蓋800萬平方公里，前後共出行77次。在一個所有人都信奉“資料驅動”的時代，一個市值百億公司的創始人，卻選擇用最“慢”、最“不經濟”的方式，去瞭解他的戰場。也許，破解內卷的終極答案，不在於尋找什麼真正高效的方法。而在於，我們是否還有耐心，去下笨功夫。因為真正的洞察，從來不誕生在辦公室裡，而是誕生在沾著泥土的現場。 (劉潤)