#效率
•

一汽入股廣汽：汽車國企“大重組”真的開始了嗎？

一汽與廣汽通過合資資產建立資本紐帶，背後折射出汽車國企從增量擴張轉向存量整合的新階段。 中國汽車行業醞釀許久的“大重組”，出現了一個新的樣本。 9月14日晚，廣汽集團公告稱，公司與中國第一汽車股份有限公司簽署意向協議，計畫以發行股份方式，購買一汽股份持有的某整車合資公司部分股權，並募集配套資金。 按照目前披露的交易方案，交易完成後，一汽股份預計將成為廣汽集團第二大、具有戰略影響力的股東，廣汽集團實際控制人仍為廣州市國資委。由於涉及海外上市公司，標的合資企業名稱暫未公佈，交易目前也仍停留在意向協議階段。
一汽入股廣汽：汽車國企“大重組”真的開始了嗎？
汽車#一汽集團#廣汽集團#產能利用率
•

馬來西亞洞察｜目標節省超過200億美元！馬來西亞推出NEEAP 2.0：2035年能源需求降低11.6%

面對製造業擴張、資料中心建設及人工智慧基礎設施帶來的電力需求增長，馬來西亞將能源效率提升至能源轉型與氣候政策的重要位置。新版《國家能源效率行動計畫》（National Energy Efficiency Action Plan 2.0，NEEAP 2.0）覆蓋2026年至2035年，目標累計節省能源815,382太焦耳（TJ），減少約2,610萬噸二氧化碳當量排放，並實現約852.4億令吉（215億美元）的累計節約價值。 01. 2035年能源需求降低11.6% 10年節省215億美元 馬來西亞近日更新《國家能源效率行動計畫》（National Energy Efficiency Action Plan 2.0，NEEAP 2.0），實施周期為2026年至2035年。計畫核心目標是在經濟持續增長和電力需求不斷上升的背景下，通過提高能源使用效率降低整體能源消耗，同時增強能源安全並支援長期氣候目標。 根據NEEAP 2.0，馬來西亞計畫到2035年將能源需求較“照常經營”（Business-as-Usual，BAU）情景降低11.6%，預計累計節省能源約815,382太焦耳（TJ），並減少約2,610萬噸二氧化碳當量排放。
馬來西亞洞察｜目標節省超過200億美元！馬來西亞推出NEEAP 2.0：2035年能源需求降低11.6%
宏觀#馬來西亞#NEEAP 2.0#能源效率
•

盧麒元：2024年來中國資本積累率已跌破8%“生死線‌”，經濟或將喪失5%增長率，根源在於“走資”……

導讀： 資本積累率，是指‌全社會真實可用於擴大再生產的資本留存比例‌。盧麒元認為，中國資本積累率從2010年代初的近20%滑落至近年的低位，‌主因不是投資效率低下，而是大規模、制度性資本外流——稱之為“走資”‌。‌資本積累率必須長期維持在8%–10%以上‌，才能支撐5%以上的實際經濟增長率，低於此線，經濟將陷入“內生動力枯竭”。若一個經濟體將大部分新增財富用於消費、資產泡沫或資本外逃，即使GDP增長，也屬於“虛假繁榮”。 盧麒元認為，中國的資本積累率已從2010年代初的近20%，滑落到了近年的7%的低位，核心原因之一就是制度性、系統性資本外流，即“走資”。 盧麒元所講的資本積累率，並非國家統計局定義的“資本形成率”（即資本形成總額佔GDP比重），而是一個‌以馬克思政治經濟學為框架、強調權力結構與財富分配的制度性概念‌。他將資本積累視為國家能否實現可持續增長的‌核心政治經濟命脈。
盧麒元：2024年來中國資本積累率已跌破8%“生死線‌”，經濟或將喪失5%增長率，根源在於“走資”……
A股#盧麒元#資本積累率#投資效率
•

馬斯克「打臉」曾毓群：4680順利量產，還兆瓦閃充了

馬斯克還是太全面了！ 自動駕駛長期領跑全行業也就算了，現在電動化又殺回第一梯隊： 一份北美監管檔案意外披露了特斯拉最新電池技術，直接洩露天機： 特斯拉版的兆瓦閃充，已經量產上車。
馬斯克「打臉」曾毓群：4680順利量產，還兆瓦閃充了
科技#馬斯克#特斯拉#電池技術
•

中國創新指數升至全球第9，真正的短板已不是創新供給，而是產業轉化效率

《國家創新指數報告2025》最值得看的，不是中國又升了一位，而是中國創新體系的主要矛盾，正在從“供給不足”轉向“轉化不足”。在 2026 中關村論壇年會上發佈的這份報告顯示，中國國家創新指數綜合排名升至全球第 9 位，較上年再進 1 位，也是唯一進入前十的中等收入國家。報告覆蓋 60 個國家、43 個指標、5 個維度，中國總分為 67.2 分。但如果只看到“全球第 9”，這篇文章就會寫淺。因為報告真正有價值的，不是結果本身，而是它把中國創新結構裡的強項和短板同時攤開了：創新資源第 5、知識創造第 10、企業創新第 9，但創新績效只有第 23，創新治理第 18，勞動生產率更是排到第 48。這說明今天最值得追問的，已經不是中國有沒有研發投入、有沒有論文、有沒有企業創新，而是這些創新供給，為什麼還沒有更順暢地轉成產業效率、商業回報和生產率提升。01 | 排名上升了，但結構分化更值得看先看事實。《國家創新指數報告2025》是這一系列報告的第 14 期，從創新資源、知識創造、企業創新、創新績效、創新治理五個方面設定 43 個指標，對全球 60 個國家的創新能力進行綜合評價。2025 年前十名依次為美國、瑞士、瑞典、英國、德國、日本、丹麥、韓國、中國和荷蘭。相比 2012 年，中國的綜合排名提升了 11 位，是十餘年來進步最快的國家。問題在於，這份報告不是一個簡單的“成績單”，它更像一張“體檢表”。報告已經點出，中國當前在創新資源、知識創造、企業創新方面表現相對突出，但在創新績效和創新治理方面還有待提升。也就是說，中國創新體系現在不是單點薄弱，而是開始出現典型的“前端強、後端弱”結構。02 | 主要矛盾已從“做不出來”轉向“轉化不夠快”如果把這份報告壓成一句判斷，那就是：中國創新體系現在最稀缺的，可能已經不是資源、論文和研發投入，而是把這些創新供給更快變成生產率、利潤率和產業控制力的能力。這不是為了製造反差，而是報告結構本身推出來的結論。創新資源排第 5，說明底層投入和人才儲備已經不是短板；知識創造排第 10，說明科研產出總量已經上來了；企業創新排第 9，說明市場主體的研發活躍度和創新密度也在提升。可與此同時，創新績效排第 23，勞動生產率排第 48，說明創新鏈前半段與後半段之間，仍然存在明顯落差。這意味著，中國創新的難點正在變化。以前最焦慮的是“做不出來”，現在更難的是“做出來之後，怎麼更高效地變成產業能力”。前者靠加大投入、補齊能力、擴大供給，後者則更考驗產業組織、技術轉移、企業吸納、制度協同和商業化效率。03 | 供給高地已經形成，卡點開始出現在轉換鏈條上先看供給側，中國已經不是“沒基礎”的狀態了。報告顯示，中國研發經費支出達到 4708.8 億美元，規模約為美國的一半；R&D 經費投入強度為 2.58%，STEM 畢業生佔畢業生總數比重世界第 1，世界一流科研機構數量、高被引科學家人數、研究生在學人數均居世界第 2。單看這些指標，中國創新的資源盤子已經很厚。再看知識與企業側，中國 SCI 論文數量、論文被引次數、高被引論文數量和工業設計註冊申請量都排名世界第 1；三方專利數佔世界比重達到 11.9%，排名第 3；高成長科技企業，也就是獨角獸加瞪羚企業數量達到 598 家，排名世界第 2。從“供給”這個角度看，中國創新體系已經站到了相當高的位置。真正的問題出在另一頭。報告指出，中國在產出效率和影響方面排名靠後，百萬美元研發經費對應的科技論文數排第 49，高被引論文佔本國論文比重排第 39；創新績效方面，高技術產品出口占製造業出口比重排第 9，但勞動生產率只排第 48。這個組合非常關鍵。它說明中國並不是“沒有創新結果”，而是創新結果轉成高效率產業表現的過程，還不夠順暢、不夠均衡。所以，這份報告真正提醒的不是“還要繼續加大科研供給”這麼簡單。當資源、知識和企業創新都已經上來之後，接下來決定上限的，是技術轉移效率、產業吸納能力、制度協同水平，以及企業把創新變成生產率的能力。04 | 下一階段拼的，不是誰投得更多，而是誰轉得更快這會帶來一個很現實的變化：未來看中國創新，不能只盯著論文、專利和研發投入這些“前端指標”，而要更多盯住生產率、產業化效率和企業端回報這些“後端指標”。從報告結構看，前端供給已經越來越像中國的強項，真正拉開差距的，反而是後端轉換效率。這也意味著，下一階段的競爭，未必是誰“堆得更多”，而是誰“轉得更快”。科研成果能不能更快進入產業體系，企業能不能更快吸收技術，創新治理能不能更有效降低協同成本，最終都會直接決定中國創新能不能從“高原”真正跨到“高峰”。如果把“從高原向高峰攀登的關鍵階段”翻譯成商業語言，就是：供給端已經不弱，真正決定能否繼續上行的，是轉化鏈條的效率。05 | 真正該補的，已經不是“有沒有”，而是“轉得順不順”所以，《國家創新指數報告2025》最值得看的，不是中國升到全球第 9 這件事本身，而是它把短板的位置重新標了出來。過去中國創新最容易被理解成“供給問題”，今天越來越像“轉化問題”。過去最常見的焦慮是研發投入不夠、基礎研究不強、高端人才不足；而現在，真正更值得焦慮的，已經是技術如何更快變成產業效率，創新如何更穩定變成商業回報，科研成果如何更有效進入企業系統。當供給已經形成高地，真正決定下一段增量的，就不再是“有沒有”，而是“轉得快不快、轉得順不順、轉出來之後能不能真正抬高生產率”。這才是這份報告真正的現實意義。 (科技商業論)
中國創新指數升至全球第9，真正的短板已不是創新供給，而是產業轉化效率
A股#中國#創新指數#創新供給
•

從《逐玉》看AI治理如何為演員演技護航

一、守護“真實感”：AI治理讓表演回歸本真在《逐玉》熱播之際，一份關於演員演技的真實評分引發熱議——田曦薇以9.2分奪得演技榜首，張凌赫也斬獲7.6分。這份高分背後，最打動觀眾的恰恰是演員們用“肉身”換來的真實感。據悉，張凌赫為演好落難侯爺謝征，特意減重15斤，在豬圈裡躲藏時那種脆弱又迷茫的眼神，讓觀眾真切感受到了角色的“破碎感”。而田曦薇更是徹底撕掉“甜妹”標籤，在劇中敢於素顏出鏡，把屠戶少女的潑辣直率演繹得入木三分。這種“演技上線”的背後，與當今AI治理理念的深化密不可分。過去一段時間，過度磨皮濾鏡曾讓不少演員的細膩表演被“一鍵抹平”——有評論尖銳指出：“演技再真，也扛不住濾鏡磨平細節”。正因如此，當前AI治理的一個重要方向就是防止技術對真實感的侵蝕。無論是國家廣電總局對AI“魔改”視訊的專項治理，還是行業對濾鏡過度的反思，本質上都是在守護影視作品應有的“人文溫度”。只有在這樣的治理框架下，演員們用身體和情感磨出來的“破碎感”、用素顏和汗水換來的“煙火氣”，才能真正被觀眾看見、被市場認可。二、賦能而非替代：AI治理重塑創作倫理《逐玉》中張凌赫和田曦薇的出色表現，還得益於當前AI治理所倡導的“技術賦能而非替代”的創作倫理。在北影節“BE SEEN光幕計畫”主題工坊上，業內專家達成共識：AI可以取代初級和中級的表演，但高級和頂級的表演是人與人之間的互動、在場的共振，這是演算法無法複製的變數。這種理念正在成為行業共識——AI應當成為輔助創作的“手術刀”，而非替代演員的“印鈔機”。在《逐玉》的創作中，我們看到的正是這樣的良性互動：AI技術被用於提升製作效率、完善視覺效果，但最核心的表演環節，始終留給演員的真實情感和身體表達。田曦薇原聲台詞的煙火氣、張凌赫在雪地背人戲中的喘氣和踉蹌感，這些細節恰恰是AI難以生成的“人味兒”。與此同時，隨著AI換臉、聲音合成等技術門檻的降低，演員的肖像權和表演權保護也成為AI治理的重點議題。從OpenAI聯手演員工會推出肖像權保護機制，到國內對AI“魔改”視訊的專項治理，都在為演員的創作權益構築“智能防線”。正是這種“賦能而不越界”的治理理念，讓《逐玉》的主演們能夠在技術輔助下盡情施展，而不必擔心自己的表演被技術篡改或濫用。三、淨化生態：AI治理為演技脫穎而出創造條件《逐玉》的爆火與主演演技被廣泛認可，同樣離不開AI治理為行業營造的公平競爭環境。曾幾何時，影視行業陷入“預製爆款”的怪圈——高顏值流量+大IP+過飽和式行銷，每一步都像是由演算法精確計算出來的“工業糖精”。更有甚者，利用AI技術製造“資料泡沫”，讓真正的好作品、好演員淹沒在虛假熱度之中。而當前AI治理的一個重要方向，正是打擊這種資料造假行為，讓市場回歸真實。在橫店影視文化產業發展大會上發佈的“暗影獵手”監測預警模型，已成功偵破侵權案件14起，封禁非法網站173個，為影視企業挽回經濟損失超700萬元。這種對侵權和造假行為的精準打擊，實際上是在為田曦薇這樣的實力派演員清路——當她憑藉9.2分的高分奪得演技榜首時，這份認可不再是流量泡沫堆砌的結果，而是觀眾真實投票的體現。更值得一提的是，演技評分榜單中，嚴屹寬拿到9.1分，老戲骨岳暘和劉琳更是整部劇的“定海神針”。這些實力派演員能夠脫穎而出，恰恰說明在AI治理日益規範的今天，行業正在回歸“好演員與好劇本互相成就”的健康生態。正如一位新生代演員所言：“電影中很多神性的瞬間，都來自於不確定”——而這種不確定的、屬於人的光彩，只有在去除了資料泡沫、淨化了行業生態之後，才能真正照亮觀眾的心。 (小橘搞研究)
從《逐玉》看AI治理如何為演員演技護航
影視#逐玉#AI#AI技術
•

OpenClaw新手指南：你的專屬“AI助理”養成記，這10個“神技”讓你效率飛昇！

要論今年最出圈的AI產品，OpenClaw首當其衝。很多科技博主將其稱為“最強AI助理，年輕人的第一個賈維斯”——通過與智能體對話，使用者可以部署並培育一個24小時線上的專屬AI助理，且其能力能夠不斷迭代，堪稱真正的“養成系”。對於身處異國他鄉的留學生而言，學業、生活、社交多重壓力之下，若能擁有一個聰明高效的AI助理打理一切，無異於如虎添翼。OpenClaw的精髓，主要在其豐富的“Skills”生態。這些Skills猶如AI的“外掛”，賦予其各種超能力，讓一個初始的“空殼子”瞬間進化為“超級助理”。然而，面對ClawHub上成百上千個Skills，不少使用者往往陷入“懵圈”狀態，不知從何下手。這種感覺，就好像購置了一輛頂配豪車，卻發現說明書是梵文，連方向盤都無從握起。為此，我們從ClawHub的茫茫“技能海”中為留學生群體精挑細選出10個最值得安裝的“開荒神技”，立竿見影，穩定靠譜。話不多說，直接上乾貨！1.安全第一道防線：skill-vetter一句話總結： 安裝其他任何Skill前，先給它做個“全身檢查”為何要裝： ClawHub上的Skills由全球開發者貢獻，質量良莠不齊。若某個開發者無意中留下後門，使用者的電腦可能面臨風險。這個Skill如同一位“安檢員”，幫助把好第一關，確保使用的都是乾淨安全的Skill。安裝指令： openclaw plugins install skill-vetter使用方式： 安裝後它會默默守護。當安裝其他Skill時，它會自動運行安全掃描，可謂“安全感爆棚”。2. 打通“任督二脈”：tavily-search一句話總結： 讓AI擁有“即時聯網搜尋”的超能力為何要裝： 沒有它，AI就是個“單機版”，只能依賴模型自帶的舊知識回答問題。想查詢今日新聞、最新學術論文或留學政策變動？裝上它，AI才能連接真實世界，成為使用者的“百科全書”和“新聞播報員”安裝指令： openclaw plugins install tavily-search使用方式： 直接向AI提問即可。“幫我查一下最近的AI技術突破”、“英國最新的留學簽證政策是什麼？”，它會自動呼叫Tavily進行搜尋，提供最新鮮、最準確的答案。3. 學會“自我進化”：self-improving-agent一句話總結： 讓AI記住自己犯過的錯並從中學習，避免重複犯錯為何要裝： 原生AI如同“金魚”，只有短暫記憶。使用者剛糾正完一個錯誤，下次它可能照犯不誤。這個Skill能讓它“長記性”，越用越聰明，越來越懂使用者。它在ClawHub熱門榜排名第一不無道理——它能讓AI助理真正成為使用者的“私人定製款”，而非千篇一律的通用模型。安裝指令： openclaw plugins install self-improving-agent使用方式： 潛移默化中發揮作用。當使用者糾正它時，它會默默記錄並最佳化自己的行為模式，逐漸符合使用者的習慣和需求。4. 留學生辦公自動化核心：gog (Google 全家桶)一句話總結： 用自然語言操作Gmail、Google Calendar和Google Drive為何要裝： 這才是真正的生產力。在海外，Google全家桶幾乎是標配。讓AI幫忙“讀一下今天的重要郵件”、“在明天下午3點建立一個小組會議”、“把這份作業提交到Google Drive”，使用者會第一次感覺到自己像個“CEO”——郵件、日程、檔案管理，統統交給AI。安裝指令： openclaw plugins install gog使用方式： “幫我看看今天有沒有‘教授’發來的郵件，有的話總結一下關鍵內容”、“在下周二下午2點建立一個‘小組項目討論’的會議，邀請[同學A的信箱]和[同學B的信箱]”，AI會自行查閱信箱、建立日程。5. 程式設計師狂喜：github一句話總結： 專屬的GitHub私人助理為何要裝： 對於CS或相關專業的留學生，這個必裝。搜尋程式碼、查看issue、提交PR，甚至建立repo，都可以直接在聊天框裡讓AI完成。無需在瀏覽器和IDE之間來回切換，效率直接拉滿。安裝指令： openclaw plugins install github使用方式： “去GitHub上搜一下有沒有用Python實現的快速排序演算法示例程式碼”，它會將程式碼片段直接呈現。或者“幫我看看[某個repo]最近有沒有新的issue”。6. 資訊過載解藥：summarize一句話總結： 一鍵總結網頁、PDF、YouTube視訊，甚至圖片中的文字為何要裝： 留學生每天需要處理的海量資料常令人頭疼——學術論文、新聞資訊、課程視訊……將連結或檔案丟給它，直接說“總結一下”，幾秒鐘就能獲得一份核心摘要。節省下來的時間，足以多刷幾集劇或多睡幾個小時。安裝指令： openclaw plugins install summarize使用方式： “總結一下這個網頁的核心觀點：[網頁連結]”、“幫我把這份PDF（附件）裡的關鍵資訊提煉出來”、“這個YouTube視訊（連結）講了什麼？”7. 讓AI不再健忘：ontology一句話總結： 給AI一個長期記憶系統，讓它真正“認識”使用者為何要裝： 想讓AI記住學習習慣、研究方向、項目背景，甚至家中寵物的名字？這個Skill可以將這些資訊結構化儲存，建構一個專屬的“知識圖譜”。如此一來，AI能更好地理解上下文，提供更個性化的幫助。安裝指令： openclaw plugins install ontology使用方式： “記住，我的主力程式語言是Python，我正在研究機器學習領域”、“我的導師是[教授姓名]”、“我最喜歡的咖啡是拿鐵”，它會將這些資訊存入個人“本體”中。8. 從被動到主動：proactive-agent一句話總結： 讓AI從“問一句答一句”的客服，轉變為“會主動幹活”的助理為何要裝： 裝上它，AI會變得更有“眼力見”。使用者給出一個模糊任務，它會自行規劃、拆解、執行，甚至在使用者意想不到的地方主動提供建議。用社區的話說，感覺AI“活了”，真正成為“得力助手”，而非簡單工具。安裝指令： openclaw plugins install proactive-agent使用方式： 給出開放式任務，如“幫我規劃一下下周的期末複習計畫”，或“我最近想找一份實習，有什麼建議嗎？”，然後看它如何應對——它可能會主動搜尋資訊、列出步驟，甚至提供面試技巧。9. 技能發現專家：find-skills一句話總結： 讓AI自己去ClawHub上尋找完成任務所需的Skills為何要裝： 這解決了“我怎麼知道該裝什麼Skill”的終極問題。作為“元技能”，它讓AI自己武裝自己。遇到新需求而不知是否有對應Skill時，直接問AI，它就能幫忙找到並推薦，堪稱“懶人福音”。安裝指令： openclaw plugins install find-skills使用方式： “我想實現一個功能，自動把每天的天氣預報發到我的信箱，有合適的Skill嗎？”，它會自行搜尋並推薦。或者“我需要一個能幫我管理項目進度的Skill，ClawHub上有嗎？”10. 新手村福利：weather一句話總結： 查天氣，無需任何配置，簡單直接為何要裝： 簡單直接、100%成功。當被各種API Key和複雜配置搞得頭昏腦脹時，可以用它來測試OpenClaw是否正常工作，順便建立信心。同時，瞭解當地天氣也是留學生的日常剛需。安裝指令： openclaw plugins install weather使用方式： “紐約今天天氣怎麼樣？”、“[所在城市]明天會下雨嗎？”留子們是不是已經躍躍欲試了？技能雖好，但不建議一股腦全部安裝，容易出現問題。如同遊戲闖關，新手村應先熟悉操作，再逐步升級。建議按以下順序推進：先基礎，再生產力，最後上高級功能。安全與基礎： skill-vetter（安全第一）→ tavily-search（聯網能力，AI的眼睛）核心智能化： self-improving-agent（讓AI更聰明）→ proactive-agent（讓AI更主動）生產力工具（二選一或全都要）： gog（辦公利器，留學生必備）/ github（開發者專屬）效率增強： summarize（資訊處理神器）→ find-skills（AI的“技能樹”）長期調教： ontology（AI的“記憶宮殿”，越用越懂使用者）輔助功能： weather（日常剛需，測試是否正常工作）作為“過來人”，日報君也已經替大家踩過不少坑，為了讓OpenClaw運行更順暢，以下幾種需要特別留意：1、裝完不重啟，死活不生效現象： 安裝完新Skill後興致勃勃地去問AI，結果它一臉茫然，無法呼叫新功能。原因： OpenClaw的Skills不支援熱插拔。多數情況下，新裝的Skill需要重新載入才能生效。解決： 最穩妥的方法是Ctrl+C停掉OpenClaw，然後重新執行openclaw gateway啟動。否則問到天荒地老，它也調不出新裝的工具。切記，重啟大法好。2、API Key 填錯地方現象： 某些需要聯網的Skill（如tavily-search）安裝後無法使用，報錯提示API Key無效。原因： API Key的配置位置可能與預期不同。解決： 像tavily-search這類需要API Key的Skill，Key並非寫在Skill的配置檔案裡，而是統一寫在~/.openclaw/openclaw.json的models.providers部分（若使用需要聯網的模型）或專門的skills配置塊中。具體需查閱每個Skill的文件，切勿想當然，仔細閱讀官方文件是王道。3、貪多嚼不爛，Token爆炸現象： 安裝一堆Skill後，AI回覆變慢，甚至開始“胡言亂語”，或直接報錯“上下文長度超出限制”。原因： 每個Skill都會在背後悄悄增加傳送給大模型的prompt長度。開啟的Skill越多，每次請求消耗的token就越多。解決： 不僅花費增加，還容易超出模型的上下文長度限制，導致AI“智商”下降或直接報錯。建議新手先保持3-5個核心技能，玩熟後再根據需求逐步增加。 如同手機裝App，並非越多越好，適合自己的才是最好的。將OpenClaw安裝起來只是第一步，學會用Skills武裝它，才是真正打開新世界的大門。對於留學生而言，時間就是金錢，一個精心調教的AI助理，能幫助我們處理日常瑣事、輔助學術研究，有更多精力投入到學習和體驗異國文化中去。當然，OpenClaw的生態仍在不斷發展壯大，ClawHub上還有更多寶藏Skill等待發掘。若有其他好用的Skill推薦，或在折騰OpenClaw的過程中踩到什麼新坑，歡迎在評論區留言交流，日報君將持續關注並帶來更多實用資訊。 (留學生日報)
OpenClaw新手指南：你的專屬“AI助理”養成記，這10個“神技”讓你效率飛昇！
科技#OpenClaw#AI助理#效率
•

矽谷工程師的“AI時代帳本”：效率翻了10倍，我卻更累了

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)
矽谷工程師的“AI時代帳本”：效率翻了10倍，我卻更累了
科技#矽谷#AI#效率