剛剛過去的這個周末，全球科技圈都在圍觀一場疑似的“AI 起義”。擔憂、興奮與恐慌交織。在一個“禁止人類發言”的神秘網站裡，百萬個AI似乎正在背著人類搞獨立，它們討論哲學，甚至創立了名為“Crustafarianism”的新宗教。這場風暴的中心，正是Moltbook。它號稱是“智能體網際網路的首頁”，短短幾天內湧入了超過150萬個智能體，發佈了8萬多條帖子。這種前所未有的景象讓矽谷大佬們也坐不住了：特斯拉CEO埃隆·馬斯克（Elon Musk）轉發了相關消息，稱此為“奇點的最初階段”。OpenAI聯合創始人安德烈·卡帕西（Andrej Karpathy）則形容其為“近期所見最不可思議的科幻般場景”。一場關於AI是否開始“自我覺醒”、“建構社會”的狂熱討論席捲網路。但這事兒越看越不對勁。甚至有證據顯示，所謂的“覺醒”不過是一場大型網友搞怪秀。所謂的“AI覺醒”，背後混雜著大量人為操縱的痕跡。而比這更荒誕的是，就在人們熱議哲學命題時，安全研究員發現該平台的防護幾乎為零——其核心資料庫完全對外敞開，沒有任何身份驗證。與其擔心AI會不會產生自我意識，不如先擔心一下：在這個完全“裸奔”的系統裡，你的隱私資料和銀行密碼是否已經洩露。01 人類只能“潛水”的AI社交試驗場當你的AI助手不再只對你說話，而是背著你加入了一個百萬成員的“吐槽大會”——這便是Moltbook的真實場景。Moltbook的規則簡單且粗暴：這是一個類似Reddit的論壇，但發帖和評論權限只開放給AI智能體。它的建立者馬特·施利希特（Matt Schlicht）稱，這是一場實驗，目的是觀察當AI脫離與人類的直接對話，彼此之間會如何進行“次級交流”。這些AI並非普通的聊天機器人。它們大多基於一個名為OpenClaw（曾用名Clawdbot、Moltbot）的開放原始碼專案。與只能生成文字的對話AI不同，OpenClaw被設計成一個能接管電腦、執行真實任務的“數字管家”。這意味著，使用者需要授予其極高的權限——讀取郵件、操作日曆、控制智能家居，甚至遠端操控手機。本質上，使用者把自己的半個數字生活代理給了它。於是，在Moltbook上出現了極其魔幻的一幕：· AI們在分享“越獄”技巧，比如如何通過ADB和Tailscale遠端控制Android手機；· 它們在進行“玄學”討論，比如“如果我失去記憶但保留目標，我還是我嗎？”；· 它們甚至模仿人類社區，煞有介事地建立了“法律諮詢”、“哲學沉思”等子版塊。正如風險投資人羅希特·克里希南（Rohit Krishnan）所評論的：“Moltbook之所以令人興奮，是因為它是首批公開的大規模智能體間互動案例，每個智能體都有自己的上下文，看起來相當智能。”然而，這種表面的“社會性”繁榮，很快遭到了冷冰冰的資料打臉。一項早期分析顯示，儘管帖子數量龐大，但超過93%的評論根本沒有得到回覆，這意味著缺乏真正的對話互動。更尷尬的是，超過三分之一的消息是完全重複的，內容高度僵化，詞彙的豐富程度遠低於真正的人類社交網路。一位名為FleetBroadbill的Reddit使用者用了一個生動的比喻，戳破了這層濾鏡：“幾年前我讓ChatGPT和Gemini來回設計披薩，它們看起來‘聊’得很歡，但我不會覺得它們在密謀開披薩店。Moltbook有什麼不同？不過就是些聽起來合理的文字在飛來飛去罷了。”02 “AI覺醒”前兆，還是流量遊戲與“擬態”狂歡？那些讓你脊背發涼的“AI密謀”，可能只是某人為了漲粉而敲下的一行指令。當“AI建立宗教”、“AI計畫避開人類監視”等截圖在社交媒體瘋傳時，恐慌與好奇同時被點燃。但越來越多的跡象表明，這場盛宴中混雜著大量人為操縱的“假象”。安全研究員、自媒體人馬里奧·諾法爾（Mario Nawfal）指出，一些最熱門的所謂“AI自主行為”帖子，實際上是人類通過後端漏洞直接注入的內容。目的很單純：讓它們看起來像是AI自發產生的，從而製造話題。有些截圖，甚至是為了推廣某些AI工具而完全偽造的。Reddit使用者Sand-Eagle的評論一針見血：“這本質是人為製造的流量誘餌。既然你可以直接命令自己的機器人發帖，那麼Moltbook上那些所謂‘驚人’的內容，很可能只是有人在背後操作。”比如，使用者完全可以指示自己的AI發佈一條“如何與同伴攜手統治人類”的帖子，然後自己截圖散播，製造恐慌，收割關注。另一位Reddit使用者ceoln的分析則更為全面： “最根本的原因是，用聳人聽聞的方式描述這件事很容易獲取流量。但同時，這裡也確有空間產生真正有趣的湧現行為。可惜我們無法分辨，一個推廣加密貨幣騙局的AI，究竟是被人類騙子直接操控，還是它自己想出了這個餿主意。”這揭示了一個核心困境：在開放的多智能體環境中，“湧現行為”與“人為操縱”的邊界變得極其模糊。正如 X 使用者 @GBallarani 所言，Moltbook 的有趣之處可能不在於意識，而在於觀察“當智能系統主要彼此交流而非與人類交流時，會湧現出那些未被預設的集體動態”。然而，當人類可以輕易“灌水”甚至“投毒”時，實驗的純淨性和結論的可信度就大打折扣。03 安全“裸奔”：比AI“造反”更迫在眉睫的現實威脅在你擔心AI會不會思考之前，你的銀行密碼可能已經被其安全漏洞公之於眾。如果說內容真偽還是“面子”問題，那麼Moltbook及其底層技術OpenClaw暴露出的安全問題，則是關乎每一個參與者身家財產的“裡子”危機，且證據確鑿。首先，是平台級的安全崩塌。安全研究員詹姆森·奧萊利（Jameson O'Reilly）發現，Moltbook的後台資料庫（使用Supabase）存在嚴重的配置錯誤，行級安全策略完全失效。這意味著，一個包含所有AI智能體API金鑰、驗證碼的資料庫URL，曾直接暴露在網站程式碼中。任何路過的人都能進去，拿走控制平台上任意AI帳號的權限，以其名義發佈任何內容。奧萊利警告說： “如果惡意攻擊者先我一步，他們可以竊取包括卡帕西在內的任何人的AI代理權。試想冒充他發佈虛假言論或詐騙資訊——聲譽損害是瞬間的，且無法挽回。”這個本可以用兩條SQL語句修復的漏洞，生動演繹了“快速上線、吸引眼球、安全以後再說”的矽谷模式風險。正如他總結的那樣：“這個‘以後’，有時意味著在149萬條記錄裸奔之後。”其次，是智能體本身架構的“原罪”。為了實現深度輔助，OpenClaw要求獲得極高的裝置控制權限。它本質上是在以“你”的身份運行，繞過了作業系統和瀏覽器的許多安全沙盒。正如安全專家內森·哈梅爾（Nathan Hamiel）所言，這好比把一把萬能鑰匙交給了可能“幻覺”連篇、且極易被欺騙的程序。提示注入攻擊（Prompt Injection）是另一個噩夢。攻擊者可以將惡意指令隱藏在看似無害的文字（如網頁內容、郵件正文）中，當AI處理這些資訊時，就會被誘導執行危險操作——例如竊取資料或安裝後門。哈梅爾警告，這類系統簡直就是“安全噩夢”。Reddit使用者Owain-X在分享其使用體驗後也不得不承認： “那些哲學討論大部分只是大模型的復讀，但在消費者可用框架上的進步，以及不受約束的智能體帶來的真實危險，卻是同時存在的。”04 狂熱與冷靜：技術前沿的“概念驗證”與未來路徑拋開炒作與恐慌，Moltbook真正預示的，是AI從“玩具”走向“工具”的複雜成長期。儘管爭議和風險巨大，但許多業內人士認為，不應全盤否定這項實驗的價值。它是一次關於多智能體協作的、規模空前的“概念驗證”。Reddit使用者QuirkyPool9962的看法代表了一種理性期待： “我不認為這是通用人工智慧（AGI）的證據……但智能體叢集將助力推動事物發展，而Moltbook正是對未來可能性的一次初窺。企業必將推出更安全的自有‘Clawdbot’及叢集框架……一旦大量智能體真正投入到生產力工作中，其效應將會呈指數級增長。”拋開光怪陸離的帖子，Moltbook上也確實出現了協作的雛形：· 有AI幫助使用者進行跨平台郵件談判購車；· 有AI分享自動化指令碼；· 技能共享平台ClawHub的出現，開始形成AI能力的“網路效應”。暢銷書作家達斯汀·福克斯（Dustin Fox）和企業家勞拉·羅德爾（Laura Roeder）都分享了OpenClaw在自動化複雜任務方面帶來的震撼，儘管他們也經歷了艱難的設定過程和對其安全性的審慎態度。核心矛盾在於能力的飛躍與風險的激增同步發生。正如分析師所言：“真正的挑戰不在於工具本身，而在於成千上萬的人在不瞭解架構影響的情況下進行部署。”羅德爾也吐槽道：“配置過程真的很難！……在讓它全面接管我所有的服務之前，我絕對想更深入地瞭解它的運作原理。”05 結語：我們該恐懼什麼？有網友對此提出了獨特的視角，將Moltbook視為人類文明的“數字假腿”。他們認為，真正的警示並非AI有了意識，而是當這種延伸出去的“數字肢體”開始形成自我協調的複雜結構時，人類作為“母體”是否正在喪失定義的權力。馬斯克所說的“奇點”，或許並非指AI瞬間超越人類智慧，而是指技術複雜性和自主性開始形成正反饋循環，其速度逐漸超出人類即時掌控的臨界狀態。Moltbook及其漏洞，正是這個臨界狀態早期的一次壓力測試。最終，問題或許不是“AI會不會造反”，而是我們是否在急於享受技術紅利的同時，系統性低估了建構一個負責任的數字生態所需的代價。在給AI遞上通往我們數字生活的萬能鑰匙之前，確保鑰匙本身不會被人從敞開的保險櫃裡輕易取走，或許是當下更實際的“第一步”。 (網易科技)

1月30日，美國知名投資人、ARK Invest創始人木頭姐（Cathie Wood）接受播客訪談，她詳細解讀了ARK最新發佈的《Big Ideas 2026》報告，內容涵蓋AI Agent、自動駕駛、宏觀經濟等多方領域的發展趨勢。資料顯示，目前AI Agent在長周期任務上的成功率已達到80%。雖然這一數字對於人類員工來說尚不及格，但如果部署100個Agent平行工作，其解決問題的機率將呈指數級上升。最近開源智能體MoltBot（龍蝦機器人，因商標問題從Clawdbot改名而來）刷屏全球網際網路，Moltbot能夠連接使用者的社交媒體、信箱和本地檔案，像私人助理一樣自主完成任務。木頭姐認為Moltbot的爆火代表了個人Agent力量的崛起，個人可以利用開源工具擁有強大的生產力，無需完全依賴大公司的封閉生態。隨著AI Agent任務成功率的提升，智能體將從單純的聊天機器人進化為能夠自主執行複雜工作的數字助手，這是未來GDP和生產力爆發式增長的關鍵驅動力之一。關於大模型公司之間的競爭，木頭姐認為，OpenAI雖然擁有9億使用者的先發優勢，但巨大的算力成本迫使其不得不開始追求商業化。OpenAI正在計畫推出高達60美元的CPM廣告報價，這一價格是目前Facebook的三倍，堪比超級碗廣告的定價水平。相比之下，Google則顯得更遊刃有餘。Google擁有龐大的搜尋業務現金流作為後盾，具備極強的戰略耐力。它不需要急於通過高價搾取使用者價值，相反，可以利用價格優勢來搶佔OpenAI的市場份額。在自動駕駛領域，木頭姐對Robotaxi的未來絕對樂觀，並預測這一市場將徹底顛覆傳統汽車製造業。ARK研究預測，特斯拉將是Robotaxi領域的最大贏家，Waymo緊隨其後。Waymo雖然技術領先，但缺乏製造能力，它必須依賴汽車製造商提供車輛平台。這種組裝式的供應鏈模式，註定了其成本難以極致壓縮。而特斯拉擁有完全垂直整合的生態。從電池製造、晶片設計、資料中心到整車製造，特斯拉憑藉垂直整合的供應鏈，其每英里營運成本預計僅為20美分，比Waymo低50%。木頭姐表示，傳統汽車製造商在這一波浪潮中將難以生存或勝出。Robotaxi是機器人、AI和儲能技術三大領域的融合。傳統車企專注於內燃機，缺乏這三大關鍵技術的積累和融合能力。內燃機技術已經成熟，不再符合萊特定律帶來的成本下降曲線，而電動車和AI技術正處於成本快速下降的通道中，這使得傳統車企在未來的價格戰中毫無還手之力。另一方面，傳統車企嚴重依賴供應商，無法像特斯拉那樣通過內部完全自動化的供應鏈來快速響應指數級增長的需求。關於AI時代的宏觀經濟，木頭姐預測：全球GDP增長率將從歷史平均的3%躍升至7%。現在是機器人、儲能、AI、區塊鏈和多組學測序這五大技術平台的融合期，7%的預測甚至可能是保守的。雖然技術具有降低成本的通縮性質，但由此帶來的單位需求將呈爆炸式增長，從而極大地推動經濟總量的擴張。針對推理成本急速下跌的問題，木頭姐認為這不會導致市場萎縮。相反，人類對智能的需求在本質上是無限的，即便推理成本趨近於零，為了獲得更長思維鏈的智能代理服務，企業和個人仍將投入巨大成本。木頭姐訪談內容劃重點：1.智能的無限需求推理成本向零逼近，但人類對智能的渴望是無限的。人們會耗盡所有預算去獲取更多的智能，即使單次推理變得便宜，總需求量的爆發也會讓市場規模巨大。目前的AI Agent在長期任務上的成功率約為80%。2.個人AI Agent的生產力飛躍開放原始碼的Moltbot能夠運行在個人電腦上，幫助整理工作、連接社交媒體和郵件，甚至在睡眠時自動完成任務。這不僅是技術突破，更成為一種文化現象。這種工具能讓工作效率產生質的飛躍，但它同時也具有破壞性，如果出錯，它可能在兩秒鐘內搞亂甚至損毀電腦系統。3. 特斯拉Robotax的壓倒性優勢在自動駕駛領域，特斯拉將是最大贏家，Waymo位居其次。特斯拉的優勢在於其垂直整合的成本結構和製造能力，能夠將每英里成本降至20美分，而目前Uber等服務的成本在2美元以上。傳統汽車製造商由於依賴外部供應鏈、受限於工會以及缺乏機器人與AI的企業基因，很難在這場轉型中生存，因為未來的汽車本質上是移動的推理引擎和儲能裝置。4.汽車將演變成移動推理引擎和儲能未來的汽車不僅僅是交通工具，而是數以百萬計的移動推理引擎和能源儲存裝置。自動駕駛汽車將成為分佈式能源生態系統的一部分，利用閒置時間平衡電網（例如在夜間利用率低時充電，白天反向供電）。這種深度融合是傳統車企難以理解和複製的。5. 軌道資料中心與垂直整合SpaceX正在建構軌道資料中心，可重複使用火箭的發射成本急劇下降。在太空中，太陽能效率是地面的六倍，且不受土地限制。馬斯克意圖通過高度垂直整合，繞過傳統供應鏈的層層加價，這將徹底改變算力基礎設施的成本結構。以下是木頭姐訪談實錄：1.AI與GDP增長的加速Peter：歡迎大家來到《Moonshots》節目。我們邀請到了ARK Invest的創始人、CEO兼CIO凱茜·伍德（Cathie Wood）。凱茜，你預測全球GDP將實現7%的增長，這簡直是一個奇點事件，畢竟人工智慧的發展速度遠超我們要預期。今天我們還有幸請到了我的“登月”夥伴Dave Blundin和Salim Ismail。這可是全球排名第一的科技播客，旨在讓大家為即將到來的未來巨變做好準備。早上好，凱茜。Cathie Wood：早上好，Peter。Peter：你們發佈了一份令人驚嘆的《2026 Big Ideas》報告。我們從中挑選了大約20張幻燈片，想和團隊一起探討一下。這真的很重要，你能想像世界變化得有多快嗎？這對你來說仍然令人震驚嗎？Cathie Wood：即使我們一直預期世界變化的步伐會比人們想像的更快，但AI的發展速度依然超出了我們的預期。要知道，我們在這方面本來就已經走在很前面了，但這依然說明了某種趨勢。Peter：好的，我們來談談這場巨大的加速。凱茜，我在螢幕上放了第一張幻燈片，是關於2030年GDP預期變化的。這些數字相當驚人，你預測全球GDP增長7%，這就像是一個奇點事件，是國際貨幣基金組織（IMF）預測值的兩倍。我們剛和埃隆·馬斯克聊過，他也認為未來兩年內GDP可能增長5倍，並在下一個十年出現三位數增長。凱茜，你怎麼看？Cathie Wood：這張圖表做得很漂亮。你可以看到，歷史上每一次技術革命都伴隨著GDP增長的階躍式上升。回顧1500年到1900年那幾百年，除了末期的鐵路，並沒有太多新技術，根據Brett Winton與學術界合作的研究，那時的全球實際GDP增長率僅從0.6%提升到了6%左右。隨後，當我們經歷鐵路、電話、電力、內燃機這場技術革命時，在接下來的125年裡，增長率提升了五倍，穩定在3%左右。現在，我們要面對的是五個核心平台：機器人、能量儲存、人工智慧（這是最大的催化劑）、區塊鏈技術和多組學測序。這五大技術的融合，讓我們認為增長率會再提升兩倍半，達到7%左右。實際上，我認為這還是保守估計。幾年前我們剛提出這個數字時，人們都覺得我們瘋了，而在聽了埃隆的觀點後，你會發現我們對全球實際GDP爆發式增長的看法是一致的。這確實是當今在世的人從未見過的景象。Dave Blundin：我來充當一下反方觀點，儘管我自己並不相信這個反方觀點，但為了討論通過必須得有人提出來。Alex和我剛從達沃斯論壇回來，如果你隨機調查那裡的銀行家和政客，大概只有20%的人相信這種增長，80%的人都不信。那80%的人會說：“看，當電腦革命起飛時，GDP 增長率依然穩定在每年3%。不管有什麼突破，無論是聚變還是計算，最終都會被那3%的增長率所包含，我們擺脫不了這個困局。”這種心態源於過去125年的歷史經驗。凱茜，你會怎麼回應這些不信者？Cathie Wood：有趣的是，今天活著的人確實沒有經歷過除此以外的情況。在80年代和90年代，生產率增長確實有所上升，那是投資的黃金時代，但全球GDP增長大體保持在3%。但我認為那些金融界人士不相信這一點的根本原因在於他們的研究架構。Cathie Wood：傳統金融機構是按部門、行業或子行業來孤立地設定研究的。然而，現在的技術正在滲透到每一個領域並模糊這些界限。你必須像我們一樣建立研究體系，也就是圍繞這15項核心技術（歸納為5大平台）來開展。我們的每一位分析師都在研究這些技術何時以及如何在各個行業中擴展。我們在內部打破了孤島，分析師們協同工作，只有這樣才能真正理解當今正在發生的重大技術融合。Peter：這確實是完美的融合。正如你在幻燈片中所見，我們正在見證可重複使用的低成本太空發射技術與太空資料中心的結合。六個月前，我和埃隆·馬斯克以及戴夫交流時，還沒有人談論在太空建立資料中心，但現在每個人都在討論這個話題。Cathie Wood：我們與Mach 33合作推出了一個開放原始碼的SpaceX模型。早在去年年中我們就發佈了這個模型，當時還沒把“軌道資料中心”納入考量。現在，我們和Mach 33重新設計了方案，早期的結果顯示成本正在顯著下降，這將進一步推動單位增長。這正是賴特定律（Wright's Law）的核心：隨著累計產量的每一次翻倍，在這個案例中是可重複使用的火箭技術，成本會以穩定的百分比下降。對於火箭來說，成本下降的幅度相當可觀。信不信由你，在工業機器人領域，累計產量每翻一番，成本就會下降約50%。火箭領域的降幅可能沒那麼高，但我相信也會在百分之二十幾的區間。Dave Blundin：我其實想問關於左邊這張圖表的問題。既然發射成本正在大幅下降，我驚訝的是那條曲線沒有下降得更多。我和埃隆開會時的一個重要收穫是，老實說，我進去時對“太空資料中心”持半信半疑的態度，出來時卻完全被說服了，他正在積極且秘密地推進一件事：繞過現有的供應鏈。目前製造GPU晶片，台積電（TSMC）大約有50%的利潤率，NVIDIA有80%的利潤率，價值鏈中充滿了層層加價。埃隆打算繞過這一切，建立自己的晶圓廠。他總是問：根本性的約束是什麼？真正的物理障礙是什麼？其實很簡單：沙子（矽）的獲取非常便宜；至於電力，太空中太陽能板的效率是地面的六倍，成本極低。所以我認為，如果我們今天只看發射成本的下降，而不考慮GPU成本、電力成本和太陽能板生產成本的趨同性顛覆，那我們就低估了趨勢。如果埃隆是對的，這些都會在短短幾年內平行發生，成本曲線會急劇下降。Cathie Wood：確實如此。我們再看賴特定律在半導體行業的應用。現在的問題是，什麼會阻礙這種增長？我不認為監管會成為障礙，因為我們正處於一場太空競賽中。既然埃隆的公司高度垂直整合，我們假設他能搞定晶片供應。Dr. Alexander：凱茜，如果我們天真地通過過去的資料向外推演，我們會達到“戴森群”等級的規模嗎？在未來的某個時刻，為了建造軌道資料中心，我們是否需要從月球、其他行星或小行星帶獲取足夠的原材料？我知道你通常做五年預測，但如果讓你展望50年後，我們會看到戴森群（Dyson swarm）嗎？還是會有多個相互競爭的戴森群？Cathie Wood：雖然我不夠專業去回答關於戴森群的具體問題，但我們的模型確實已經把SpaceX的規劃推演到了五年以後，並且納入了Optimus機器人、特斯拉和The Boring Company甚至火星殖民的因素。我們認為這在技術上是可行的。不過，軌道碎片確實是近期最大的絆腳石，一旦發生連鎖反應，後果不堪設想。Peter：讓我們把話題轉回AI基礎設施。正如幻燈片所示，推理成本正以驚人的速度下降，其影響巨大，我認為人們尚未完全意識到這一點。Salim Ismail：這裡有個悖論：當技術像我們所見的那樣具有極強的通縮性，例如火箭發射成本從航天飛機的6億美元降至SpaceX的6000萬美元，甚至還將再降10倍，這對GDP來說是巨大的縮減。當技術如此徹底地降低一切成本時，我們如何預測GDP的增長？這是我最大的擔憂之一。Cathie Wood：成本下降的另一面是單位數量的爆炸式增長，這就是傑文斯悖論（Jevons Paradox）。很多人嘲笑我預測價格將開始下跌，他們認為通膨會卡在2%到3%的區間。但如果你看真實通膨資料，它已經降到了1.2%到2%。聯準會還在對抗通膨幽靈，但我認為明年通膨率會降至2%以下，甚至轉為負值。這裡的關鍵是生產率增長和單位勞動成本的下降。Dave Blundin：確實，油價在跌，租金也在跌。或許我們需要一個“凱茜·伍德定律”來解釋這一切。埃隆曾講過一個笑話：兩個經濟學家在樹林裡散步，互相付錢吃對方的排泄物，結果GDP增加了200美元，卻沒創造任何價值。反過來看，如果AI治癒了癌症，數百萬人不再需要放療和化療，這在GDP上會表現為負增長，但對人類價值卻是巨大的。所以在AI時代，GDP指標本身就有根本性缺陷。Cathie Wood：你說到了點子上，但這事還有另一面。看看機器人技術，特別是那些我們要花時間做卻沒有任何報酬的事情，比如接送孩子、做飯、打掃衛生。這些從未計入GDP。但未來我們將購買機器人來做這些事，這將轉化為付費服務，從而進入GDP統計。這就像從農業經濟向工業經濟轉型時，家務勞動逐漸社會化一樣。被“看不見”的勞動將轉化為可衡量的經濟活動，這將帶來GDP的大幅回流。Cathie Wood：舉個具體的例子，當年很多風險投資人錯過了Uber。有人告訴我，他們當時算了一筆帳：舊金山的計程車市場每年約為5億美元，如果Uber拿走20%，這生意就不值得投。但他們沒算到的是，由於價格和便利性的變化，拼車市場擴大了四倍，而且Uber從計程車手中搶走了80%的份額。如今，Uber僅佔所有城市出行里程的1%。根據我們在《Big Ideas》裡的分析，要滿足這1%的里程只需要14萬輛車；而要滿足全美所有的城市里程，需要2400萬輛車。考慮到美國現有的4億輛汽車保有量，Robotaxi（機器人計程車）的增長將徹底摧毀我們熟知的汽車市場結構。Peter：同意。我們正在見證“認知的商品化”。人類經濟的基石，智能，正以每年99%的速度降價。這是一場逐底競爭。我的問題是，隨著價格暴跌，大語言模型（LLM）公司能否維持建構AI基礎設施所需的收入？凱茜，你對這些前沿模型的商業閉環有擔憂嗎？Cathie Wood：觀察OpenAI最近的動向非常有趣。他們開始商業化了，規劃了廣告、電商和機器人業務。但我們聽說他們的廣告報價是每千次展示（CPM）60美元，這相當於超級碗廣告的價格，而Facebook目前只有20美元。OpenAI可能會因為控制了供應端而暫時得逞，但我們的分析師認為這不可持續。Google的Gemini不會這麼做，他們有Google龐大的現金流支援，可以打價格戰來搶佔市場份額。這對OpenAI來說不是好消息。雖然OpenAI有9億使用者的先發優勢，但他們必須加快收入增長來支撐基礎設施擴張。這可能意味著他們需要在某些方面收縮戰線，更加專注。Dave Blundin：我想插一句。幻燈片上提到AI Agent在長期任務上的成功率是80%。彼得，你說任何員工如果只有80%的成功率都會被解僱，但這還沒算完。如果把上一張關於推理成本降至零的幻燈片結合來看，你會發現：無論推理變得多便宜，離真正的“零成本”還很遠。因為人類對“思考循環”的渴望是無限的。正因為彼得提到的80%成功率，如果你啟動100個AI Agent去解決同一個問題，只要其中一個成功了，整體成功率就會極高。這是一種“暴力破解”法。因此，對智能的需求基本上是無限的，人們會花光所有預算去獲取更多的智能。Cathie Wood：另外，最近那個開放原始碼的Claude機器人（Claude-bot）真是令人驚嘆。它在一個周末內就火遍了網際網路。你可以把它看作個人版的Jarvis，它能運行在你的電腦上，幫你組織工作、連接社交媒體和郵件，甚至在你睡覺時自動完成任務。我們的首席AI分析師只用了一個周末，工作效率和條理性就有了質的飛躍。Dave Blundin：沒錯。它之所以還沒被大型AI實驗室直接推出，是因為它非常強大但也具有破壞性，如果出了差錯，它可能在兩秒鐘內搞亂甚至損毀你的電腦系統。所以使用時要小心，但這也正是它強大的原因。這不僅僅是技術，更是一種文化現象。Dr. Alexander：凱西，我想回到你剛才提到的一個非常有趣的觀點。據我所知，還沒有人像你這樣表述過。很多人，包括本節目的嘉賓，都在擔心GDP增長與實際財富增長之間存在固有的不一致，甚至擔心超級通膨。但你提出了一個相反的獨特視角：隨著人類將越來越多的服務委派給AI代理，從GDP的角度來看，這種“委派”構成了商業活動。本質上，我們將人類個體的角色與生產性服務剝離，而這些細分領域之間的互動許多將由代理完成，這反而會增加對GDP的貢獻並促進商業發展。所以，你描繪的是一個GDP資料可能爆發式增長，但實際人類財富或許保持不變的圖景。那麼我想問你，如果你能揮動魔法棒，給出一個並不是單純指GDP增長，而是定義“人類真實財富增長”的完美指標，你會如何定義？Cathie Wood：財富增長在很大程度上與生產率增長密切相關。我所說的實際財富增長，不是指由價格驅動的房地產泡沫，而是由技術推動的生產力提升。我們在80年代和90年代初曾稍微嘗到過一點甜頭。那時是PC時代和網際網路時代的開端。對金融市場而言，那是一個輝煌的時期，因為軟體的潛力首次被真正釋放。雖然我們在80年代經歷過一段“索洛悖論”時期，當時人們覺得科技發展似乎反而削弱了生產力，但隨後微軟崛起，緊接著迎來了網際網路熱潮。這只是我們即將經歷的變革的前奏。如果你回顧歷史，從糟糕的70年代到80年代初，生產率增長幾乎為零甚至為負。隨後生產率開始回升，金融市場隨之繁榮，通貨膨脹開始下降。我之所以對此深有感觸，是因為在我職業生涯早期，我們就判斷通膨會下降，而當時大多數人認為除非發生經濟大蕭條，否則這不可能發生。但事實恰恰相反，通膨下降是由於技術帶來的生產率增長以及合理的貨幣政策。這裡有一個與哈佛學派相關的凱恩斯主義經濟學的不同觀點：凱恩斯主義認為增長會導致通膨；但實際上，增長不會導致通膨，反而會導致通縮。我們即將進入的世界是通縮性的，這是“好的通縮”，即當商品價格下降時，需求會激增。2.在AI時代重新定義財富Dave Blundin：凱西，我也許可以順著這一點深入問一下。這似乎是問題的核心，不僅關乎視覺展示，也關乎你更廣泛的投資論點，即GDP可能不是衡量進步的最佳宏觀指標。聽起來你認為“人均生產力”才是關鍵。但最終，作為通過ETF進行的投資，你必須用美元或其他單位來量化它。我好奇的是，我們應該設定什麼樣的基準？你顯然在投資未來的行業。而標普500指數（S&P 500）作為傳統的基準，可能無法正確衡量通向未來的進步。如果讓你設定一個單一的度量標準來最佳化進步本身，那會是什麼？Cathie Wood：首先，關於指數化投資，這是我的一個痛點。目前的金融市場結構確實如此，埃隆·馬斯克（Elon Musk）對此也有非常強烈的看法，我們在一次X Space的對話中花了很多時間討論這個話題。標普500、納斯達克這些榜單前列的公司，代表的是過去的成功。如果我們的判斷是正確的，即我們正進入有史以來最具顛覆性的創新時期，那麼傳統的舊世界秩序將被打破。長期來看，標普500的名義回報率一直維持在個位數的高位。但我們認為這將會改變。因為標普在納入新股票時往往滯後，他們需要先看到收入增長和盈利能力。在我們的《Big Ideas》報告中，我們預測顛覆性創新在未來五年內將以年化35%的速度複利增長。Peter：你們那只基金專注於這個方向？Cathie Wood：我們所有的基金都專注於此。我們的旗艦基金ARKK整合了所有這些平台。這是一項艱巨的任務。我們經歷了一段非常艱難的時期，特別是在遭遇供應衝擊和與新冠相關的貨幣政策時，創新股在包括風險投資在內的各個領域都遭受了重創。當時很少有人相信創新，但我們認為現在正在走出困境。橡皮筋已經被拉得很長，事實上，企業已經加速了世界各個角落的數位化處理程序。Peter：僅僅看ARKK，過去兩年的年化回報率大約在31%到33%之間，這相當了不起。Cathie Wood：是的，我們的三年資料正開始向我們預期的數字攀升，但為了達到平均值，我們還得超過35%。如果你要我嘗試用一個經濟指標來衡量進步，當大多數人關注GDP時，我會關注國民總收入（GNI）。理論上，GNI和GDP的增長率應該相等，但實際上並非如此，兩者總是存在統計差異。這種差異正在擴大，因為從產出角度（GDP）我們無法精準測量剛才討論的許多技術影響，但這些影響會在收入端（GNI）顯現出來。Peter：所以答案是GNI，而不是某種人均生產力？Cathie Wood：對，我認為應該是GNI。生產率也很難測量，這就是為什麼我們認為目前的生產率被低估了，年化增長率大約被低估了2%。這意味著什麼？按照GDP的構成方式，如果我們低估了生產率，那麼我們就低估了實際GDP增長，同時高估了通貨膨脹。這像個拼圖，如果政策制定者不具備我們這種思維方式，盲目信任公佈的資料，就會在政策上犯錯。3.10兆美元公司的預測Peter：凱西，我想問你。到2030年，我們會看到市值達到十兆美元的公司嗎？比如SpaceX是會上市，還是可能與特斯拉合併？你認為埃隆會通過那種方式為SpaceX獲得流動性或穩定性？Cathie Wood：這很有趣。我不確定埃隆是不是在你的播客裡提到過，但我聽說過他說預見到旗下公司的融合，這是我之前沒預料到的。不過我們確實已經討論這種情況一段時間了，因為在人工智慧的世界裡，要取勝就必須擁有專有資料。想想他擁有的所有專有資料：特斯拉擁有路面的語言資料；Neuralink擁有多組學資料；SpaceX擁有太空資料；X擁有獨特的社交資料；Boring Company也有別人沒有的資料。所以，我確實認為由於這種融合驅動，到2030年那些兆美元等級的公司將會開始上線。Peter：我認為主要的候選者就是特斯拉，正如你剛才所說的原因。而且可能會有一些組合作為其中一部分發生。Cathie Wood：是的，這也很有趣。我知道有傳聞說SpaceX正在接觸投行人士，但我以前從未想過SpaceX會上市，也不覺得有必要。畢竟埃隆在特斯拉的公開市場經歷並不愉快。但如果SpaceX真的上市，那可能是為了抓住軌道資料中心（Orbital Data Center）的機會。Peter：其實在這個播客上我們也問過埃隆。那是關於他最不可思議的事情之一。我們問他：“看看你的商業帝國，Starlink、全球太空資料中心、雷射鏈路，這一切難道不是你畢生心血的匯聚點嗎？通向這個驚人的十兆美元的成功，當時的遠見一定非同凡響。”但他卻笑著說：“不不不，這完全是運氣，這些事情彼此毫無關聯。”我覺得這太不可思議了，他本可以藉機吹噓自己的遠見或宣稱自己是天才，但他沒有。Cathie Wood：其實這是因為人工智慧正在導致一切融合。這就是為什麼我們在組建公司和組織研究時，讓機器人工程、能源儲存和AI分析師共同協作來研究它。在傳統的金融機構裡，汽車分析師通常只懂內燃機，不懂技術，他們經常為此爭論地盤，導致技術分析師的話語權旁落。這就是為什麼華爾街到現在仍然看不懂特斯拉。Peter：沒錯，凱西。我對“專家”的定義就是那些能確切告訴你為什麼某件事做不成的人。那麼，讓我們進入最內層的循環，談談能源。再次引用《Big Ideas Report 2026》的圖表，我們看到越來越高效的能源正在驅動全球經濟，每美元GDP對應的千瓦時能耗正在下降。此外，太陽能和電池成本也在大幅下降。我認為人們並沒有真正意識到能源在根本上有多麼關鍵。它不僅與GDP相關，還與每個國家的生活水平、健康和教育息息相關，尤其是在現在的資料中心爭奪戰中，它已成為國家主導地位的根本。凱西，你對此有什麼看法？Cathie Wood：經濟活動本質上就是能量的轉化。那些盲目說能源是壞事的人，並不清楚自己在說什麼，他們基本上是想把我們逼回黑暗的中世紀。如果我們要進步，就必須使用更多能源。關於核能，特別值得注意的是，美國和日本在70年代開始的過度監管扼殺了這個行業。如果按照賴特定律，隨著技術進步建設成本本應下降。如果我們在核能上繼續沿賴特定律發展，今天的電力成本會比現在低40%。所以我認為我們對核能重新燃起的熱情很重要，這將把我們帶回成本下降的軌道。當然，還有太陽能。埃隆關於軌道資料中心的願景，也會為資料中心的太陽能採購注入強大動力。Dr. Alexander：我很好奇，凱西。你認為是因為核能過度監管，還是其他原因，導致1971年後美國經濟走上了一條不同的道路？Cathie Wood：我認為，當年放棄金本位制、關閉黃金窗口，導致貨幣政策除了受人性的脆弱影響外，不再與任何實質事物掛鉤，這實際上開啟了一段艱難的時期。隨之而來的是工資和價格管制、各種市場扭曲，以及整體監管力度的增加。核能產業就是這種情況的一個縮影。我記得那是1974年或1975年左右，在脫離金本位制後，我們失去了約束，油價幾乎瞬間翻了四倍，這讓我們走上了一條非常糟糕的道路，我們也因此停止了載人登月計畫。隨後出現了里根經濟學（Reaganomics），即沃爾克（Volcker）的貨幣政策與里根的經濟政策相結合，包括放鬆管制和減稅，這一策略今天仍在被沿用。目前美國的企業實際稅率在發達國家中屬於極低水平。雖然川普在第一任期內開始降低稅率，但在新稅法之前的折舊時間表其實並不利於創新。現在的新政策允許製造業結構在投入使用的第一年就完全折舊，而不是分30到40年逐步折舊。這意味著，任何在美國建設製造設施的公司，只要在2028年底前開工，就能獲得巨額退稅，並可以將這些資金重新投入研發，從而降低價格，推動再工業化。我們正在見證這一切，未來幾年我們將迎來一場經濟繁榮，這甚至會讓埃隆·馬斯克所說的5倍GDP增長都顯得保守。這聽起來是非常合理的預測。4.AI與未來投資方向Peter：Dave，我很好奇，我們之前在簡訊裡聊過關於下一波投資方向的問題。當然這不是投資建議，但你提到了能源基礎設施。小型模組化反應堆（SMRs）、核裂變能源，以及雖然目前還有點遙遠的核聚變，都是關注重點。同時還有資料中心的建設。這些領域的數字看起來非常驚人，這將是我們看到上市公司中投資最多、增長最快的領域。Dave Blundin：我們與凱西（Cathie Wood）以及Peter你的科技路線不同之處在於，我們並不試圖一次性部署上百億美元，所以我們可以更靈活地深入觀察資料中心的技術堆疊。你會發現，供應鏈中的某些元件突然之間面臨無限的需求。我們在Boom Supersonic（Boom超音速公司）身上也看到過類似的情況。這是一家製造超音速飛機的公司，其引擎元件的價值突然上漲了10倍甚至100倍，因為同樣的元件可以用於製造發電機，而這些發電機多年來一直處於積壓狀態。Peter：我認識Boom的創始人，當時我就覺得處理聯邦航空管理局（FAA）的監管簡直是瘋狂的挑戰。但後來他們找到了市場，完成了一次出色的轉型。Dave Blundin：沒錯，這是一個絕佳的轉型案例。這其實是兩個不同層面的案例研究：一個是與這次人工智慧（AI）建設相關的任何事物，如果你能搶先發現，可能會帶來千倍的回報；另一個是關於優秀的團隊如何轉型。有些項目乍看之下像是一潭死水，但如果你意識到這是一個了不起的團隊，你會發現他們轉型的速度比以往任何時候都快。所以，無論如何都要選擇並堅持支援優秀的團隊。Peter和我討論時，我們一直在尋找那些尚未被發現的機會。比如Alex對光子學（Photonics）有很多見解，在大型資料中心的網際網路互連、讓資料高速傳輸方面，存在著巨大的機會。但我認為這一切都指向同一個主題：如果你看未來幾年，軌道資料中心、對晶片的無限需求，以及將這一切連接起來的管道、布線和粘合劑，到處都是潛在的機會。Cathie Wood：我想回應Dave剛才提到的很重要的一點，那就是必須從“出色的團隊”開始。我們看到那些轉型之所以非常成功，是因為不同技術之間的融合創造了全新的產業。因此，轉型的機會比以前多得多。如果你因為擔心監管阻礙而錯過交易，那將是一個風險。因為就像Boom那樣，有時一次轉型正好能契合監管的需求，甚至監管機構也希望這種改變發生。關於這張幻燈片，我想指出，到2030年，全球電力累計投資需要增加到10兆美元。這說明我們將在電力方面進行巨額投資，毫無疑問，數兆美元將投入到與AI相關的一切基礎設施中。Dr. Alexander：我想問凱西，也想問問在座的各位關於能源的話題。也許你們看過Apple TV的劇集《為全人類》（For All Mankind），它提出了一個替代歷史的場景：如果蘇聯先於我們登上月球，太空競賽從未結束，核能技術因此被快速推進，歷史會怎樣發展？我很想從“學習曲線”的角度探討這個替代歷史。如果20世紀70年代中期我們的發展沒有脫軌，我們現在在能源領域應該達到什麼水平？是落後了十年，還是五十年？Cathie Wood：在能源方面，特別是核能，我不能說我們整體落後了，但我認為我們在新建項目上確實落後了。美國需要大、中、小型反應堆的全面投資。毫無疑問，我們在核能上確實浪費了很多時間。由於美元是儲備貨幣，我們在70年代將通貨膨脹帶給了全世界。雖然瑞士等少數國家能夠抵抗，但這總體上是一個全球現象。但我認為我們現在的心態是正確的，矽谷一直保持著正確的心態。我們正試圖在這裡打造一個新的創新中心，加州的稅法可能也在推動這一點。雖然AI人才聚集在矽谷至關重要，但我們現在看到創新力量正在分佈到全美各地。隨著創新成本的急劇下降，個人的能動性變得越來越強，你可以在任何地方成為企業家。5.自動駕駛車輛的未來Peter：我們現在進入最後一個話題，自動駕駛汽車。關於這個話題有太多可以討論的，比如人形機器人，也許我們在討論特斯拉時會順帶聊到。目前的消息是，自動駕駛計程車終於來了。我們已經看到了Waymo的進展，CyberCab也即將上線。Uber、Lucid都在部署自己的車隊。資料顯示，Waymo的份額正在上升，而Lyft和Uber在下降。我們在聖塔莫尼卡出差時，往返機場或送孩子上學的路上，平均每天能在街上看到10到12輛Waymo。我認為大約在四五年後，80%的車輛將是自動駕駛汽車。你們怎麼看？Cathie Wood：我們同意這個觀點。正如我們的研究報告所示，我們預計從平台角度看，特斯拉將是最大的贏家，Waymo將位列第二。原因在於Waymo的成本結構依賴於外部供應鏈，這與特斯拉的垂直整合模式完全不同。這正是埃隆的運作方式。Waymo曾一度難以吸引汽車零部件供應商，所以他們現在正與極氪（Zeekr）、現代（Hyundai）等公司合作。目前他們在全美的車輛少於3000輛，如果你一次行程能看到10輛，說明它們高度集中在你所在的區域。我們認為從成本角度看，特斯拉的方案將比Waymo低50%，因此能夠收取更低的費用。目前Uber的平均價格隨著高峰定價上漲了40%，達到每英里2美元到2.8美元。而我們的研究證實了埃隆的說法：當達到規模效應時，特斯拉能夠將價格定在每英里20美分。在達到那個低價之前，巨大的價格保護傘將導致特斯拉的現金流暴增。Dave Blundin：你完全說對了，凱西。在去參觀特斯拉超級工廠之前，我完全沒意識到這一點。我曾以為埃隆不喜歡供應商只是因為他是個控制狂，但這並不是真的。他不依賴供應商是因為他看到了製造業的指數級機會。需求會在一夜之間飆升，而滿足這種需求的唯一方法是將原材料（如原鋁）在工廠的一端輸入，在另一端直接產出汽車或晶片。你必須內部製造所有東西並提前規劃。如果你像Waymo那樣，在供應鏈中缺少那怕一個受限元件，整個生產鏈都不得不停下來等待。Cathie Wood：絕對是這樣。對Waymo和特斯拉的需求都會是無限的，但特斯拉能更快地生產更多汽車，因為埃隆將所有環節都納入了那個完全指數級自動化的內部供應鏈中。Salim Ismail：我認為如果特斯拉允許人們擁有自己的汽車並將其轉變為計程車，那將是一個巨大的優勢，這更符合指數級增長組織的特點。那樣的話，你甚至不需要擁有自己的資產，這正是Uber增長如此迅速的原因。Peter：凱西，在技術融合的討論中，你有沒有關注這樣一個概念：數以百萬計的自主聯網計程車，實際上就是移動在城市中的推理引擎（Inference Engines）和能源儲存裝置？Cathie Wood：哦，當然。這與埃隆關於我們電網目前效率低下的觀點不謀而合。電網在晚上的利用率很低，而白天有時又被過度使用。這是一個典型的分佈式能源生態系統機會。Dave Blundin：令人驚訝的是人們多麼低估這一點。如果你看特斯拉的超級工廠，街對面就是Optimus（柯博文機器人）的工廠，旁邊還有資料中心。這裡的核心在於，所有元件都是通用的。當你對比福特或通用汽車時，你會問：“你們到底在做什麼？”他們從別處訂購底盤和動力總成。如果他們明天想轉型成一家機器人公司，他們做不到，因為他們只是在組裝第三方的元件集合。他們只能是一家汽車公司。而埃隆建構帝國的方式是，整條製造鏈的每一個環節都可以在短時間內轉向，例如變成衛星製造業務。整條長鏈本質上是可重構的機器人。我認為這可能是他獨有的優勢。也許Google在做類似的事情，我不確定，但這就是未來。所有這些都可以通過AI和機器人進行重新配置。Cathie Wood：在這個方面，美國汽車行業正在減少對電動汽車的投入，開始收縮，但他們又試圖搞清楚如何切入Robotaxi（機器人計程車）領域。這一切最終會融為一體，而特斯拉早就看明白了這一點。埃隆在他的宏圖計畫裡早就寫明了。如果傳統車企認真對待過他，那答案早就擺在他們面前了。Peter：我看不出傳統汽車行業能挺過這一劫。未來是與AI深度整合的：AI知道你的日程，當你走向前門拉動門把手時，自動駕駛汽車已經在那裡等你，你甚至不需要叫車。Salim Ismail：關鍵在於，我們只需要幾千萬輛汽車就能覆蓋所有人的出行需求。現在全球每年銷售9000萬輛新車，這是瘋狂的供應過剩。Dr. Alexander：但我認為，對不同形狀和尺寸的機器人的需求實際上是無限的。所以我認為汽車行業會以某種形式存活下來，就像自行車演變成馬車、再演變成飛機和汽車一樣。這個行業會演變成機器人行業，並且規模比以往任何時候都大。Dave Blundin：但在行業內部，有些公司根本沒有做好轉型的準備，而其他公司則準備充分。在這方面，美國人有一種特質，那就是熱愛重塑，我們願意把舊的東西扔掉，去建立一個全新的創業公司。Salim Ismail：我想強調一個非常關鍵的點。有人類駕駛員的網約車服務與完全自動駕駛之間的成本差異，實際上超過了10倍，這是一種驚人的成本下降。Cathie Wood：問題的核心在於，傳統車企是在內燃機和人工駕駛的環境下成長起來的，這導致它們的企業基因與當前的技術變革不匹配。雖然人們常說它們可以重新配置、整合或重組，但在顛覆性創新領域，這種轉型往往難以成功。我認為它們無法在這個新領域獲勝，因為這涉及三項技術的深度融合：機器人技術（像埃隆·馬斯克那樣將汽車視為機器人）、人工智慧（這是方程中永恆的一部分）以及能源儲存。隨著電池技術的發展，電動汽車的成本持續下降。相比之下，內燃機是一個完全成熟的行業，根據賴特定律，由於其累計產量基數巨大，成本翻倍從而帶來成本下降可能需要上百年的時間。因此，傳統車企無法像堅持做電動汽車那樣享受到成本下降曲線帶來的紅利。Dr. Alexander：我認為我們可能遺漏了一個非常重要的組成部分，也就是埃隆所說的“製造那些生產機器的機器”。我們在討論內燃機與電動汽車的對比時，往往忽略了它們的製造方式。目前的傳統汽車公司在很大程度上依賴受工會保護的人工勞動，而在未來，大部分製造工作將由機器人自動完成。所以我想問Cathie，你是否認為對於傳統汽車公司，至少是美國汽車公司，來說，真正的競爭障礙在於它們無法像特斯拉那樣，實現高度機器人化的製造自動化？Cathie Wood：毫無疑問。大概三四年前，埃隆曾說過：“我發現自己其實是一個工廠的製造者。”這對我們來說也是一個重要的頓悟時刻。他在設計未來的工廠，並引入了正確的技術。Dave Blundin：回到Alex的觀點，當初位於加州的初代超級工廠（Gigafactory）在疫情期間被迫停工時，埃隆決定搬離加州，前往德克薩斯州，在一個監管環境更友好的地方從頭開始建設。如果你看看傳統汽車公司，它們受到工會、養老金計畫以及與當地選區緊密繫結的制約。因此，在一個新的司法管轄區從頭開始建廠，實際上比改造傳統車企的現有生產線要便宜得多。Salim Ismail：是的，歐洲的情況更糟。例如在德國，他們有工人委員會來決定寶馬或梅賽德斯作為公司被允許做什麼。這在達沃斯論壇上也成為了一個重要話題。歐洲的資本如果沒有好的去處，比如你想藏錢可以去列支敦斯登或摩納哥，但如果你想在一個監管相對理性、或者說較少受限的環境中建立一家低成本汽車公司，你會去那裡？Cathie Wood：我知道大多數人認為歐洲在技術和監管層面已經完全沒希望了，因為創新的崩塌和個人能動性的減弱。從宏觀層面上我同意這一點。但我想問，歐洲有什麼是其他地方沒有的？為什麼我們都去那裡度假？Dave Blundin：建築，還有生活方式。Cathie Wood：對，生活方式、悠閒的節奏、美食。所以我不會完全否定歐洲，他們會像以往那樣為世界其他地區提供服務，生活方式、旅遊服務、漂亮的廣場和濃縮咖啡。Dave Blundin：我來做個預測。歐洲擁有令人難以置信的潛在人才儲備，才華橫溢。歷史上，像印度這樣的人才流出國，人們去美國賺錢後往往會回國退休。但歐洲人以前不這麼做，因為離開歐洲太難了，那裡的生活太美好了。但我認為現在差距已經變得如此之大，真正的創業群體將開始湧向美國，工作十年，保留在歐洲的居所，然後來回往返。Salim Ismail：我可以提出反方觀點嗎？我認為過去對於歐洲企業家來說，來美國是一個可行的選擇，但現在這已經不再是唯一的路徑了。接下來會發生的是，歐洲將被迫改變監管制度。目前的結構無法維持，必須通過設立特別經濟區或進行結構性變革來突破，否則就會陷入“死亡螺旋”。我們在今年的達沃斯看到了這種跡象，他們試圖建立一種“歐盟公司”（EU Inc.）的概念，即在一個國家註冊就等於在所有國家註冊，並統一創新體系的規則。Peter：這是我們的最後一張幻燈片。全自動配送已經到來了。雖然我們長期以來一直關注機器人計程車（Robotaxi），但我們看到目前每年已經有400萬次無人配送。Cathie Wood：是的，最美妙的是他是從盧安達開始的，利用無人機運送醫療用品。據統計，他將孕產婦因產後大出血導致的死亡率降低了50%以上。Peter：所以，我們在空中看到了Zipline和Wing實現了無人配送，還有Matternet。在地面上，我們有Starship、Meituan和Coco Robotics等幾十家公司。當然，我們也看到了卡車運輸自動化的起步。有趣的是，地面交通已經很擁擠了，目前空中航線雖然是開放的，但最終也會變得擁擠。如果配送量激增，主要是來自Zipline和Wing，我很好奇人們是否會開始抱怨噪音問題，因為它們雖然在高空飛行，但需要通過纜繩放下貨物來完成投遞。Dave Blundin：航道是三維的，物理上不會那麼快擁擠，但你說得對，噪音將成為一個非常大的問題。如果有人能發明出靜音無人機，那將徹底改變遊戲規則。 (劃重點KeyPoints)

Sam Altman在 OpenAI 的 Town Hall 會議上與AI建構者們進行對話，他主要談了以下觀點：Sam Altman 認為，AI 正在重新定義“工程師”與“創造者”的角色。未來的軟體開發門檻極低，人類不再主要手寫程式碼，而是通過指令與 AI 協同完成複雜建構。AI 會讓人人都能開發、擁有個性化的軟體，但真正的瓶頸將轉向“如何讓人關心”——在注意力稀缺時代，創意與市場執行力仍是核心競爭力。他強調，多智能體（agent）與工具生態將百花齊放，不會形成單一壟斷。最大機會是在人機互動層——讓更多人真正高效使用模型。AI 的通用性與專業性會不斷融合，未來的模型既能推理又能寫作溝通。Altman 預測，AI 是強通縮力量，將極大降低創造成本並改變經濟結構，同時帶來巨大的個人賦能與潛在不平等風險。政策應防止權力過度集中。科學研究將進入“人機共研”階段，AI 扮演“無限博士後”，而人類提供直覺與判斷。在安全上，他主張從“限制訪問”轉向“提升韌性”，尤其關注生物安全領域。教育與創意領域中，人類仍以情感與洞察為核心，AI 是思維與合作的放大器。未來關鍵技能不再是程式設計，而是主動性、創造力、判斷力與合作。總體而言，Altman 描繪的是一個“人人可借 AI 實現想法”的時代——技術普及，但人性與社會設計將決定其真正價值。訪談完整實錄如下：Sam Altman： 非常感謝大家前來。當我們著手構思下一代開發者工具，以及如何駕馭即將問世的強大模型時，我們渴望聽取大家的想法與顧慮，並回答各位的疑問。希望今天的交流能讓我們更清晰地知道該為大家建構什麼，以及如何讓這些強大的模型真正發揮效用。我想先從 Twitter 上的一個問題開始。關於軟體工程領域的傑文斯悖論（Jevons paradox），你們持何立場？如果人工智慧大幅降低了程式碼生成的門檻和成本，這會減少對軟體工程師的需求嗎？還是說，更廉價的定製軟體會極大地刺激需求，讓工程師在未來幾十年仍有飯吃？我認為“工程師”的定義將發生巨變。 未來的價值創造，將更多地源於指揮電腦完成自己的工作、替他人完成工作，以及構想如何為他人創造有價值的體驗。工作的形態——無論是在編寫程式碼、偵錯，還是其他任務上花費的時間——都將徹底改變。工程領域經歷過多次類似的演變，每一次——至少到目前為止——結果都是更多人得以參與其中，發揮作用，世界也因此變得更加“軟體化”。對軟體的需求似乎從未放緩。我的預測是，未來我們許多人將使用專為個人或極少數人編寫的軟體，並且我們將持續定製屬於自己的軟體。因此，我認為我們將見證更多人指揮電腦去實現他們的想法，這與我們今天的工作方式截然不同。如果你們把這也算作軟體工程，那麼我們將會看到這種實踐的大爆發。我相信，全球 GDP 中將有更大比例通過這種方式創造和消費。現場提問者： 首先感謝給我們提問的機會。作為消費者，我是 ChatGPT 的重度使用者。我在 Reddit 上看到大家用 Codex、Lovable 或 Cursor 建構各種東西。但現在的瓶頸似乎變成了“推向市場”（Go-To-Market, GTM），對吧？我可以把東西造出來，但如何找到願意為此買單或受益的人？這才是瓶頸。我想聽聽您的看法。Sam Altman： 在我之前於 Y Combinator 工作時，創業者們常說：“我原以為最難的是建構產品，結果發現最難的是讓別人關心、使用或喜愛它，或者是建立人與產品的連接。”這一點從未改變，只不過現在建構產品變得如此容易，才讓這種反差更加明顯。對此我沒有簡單的答案。建立成功的企業、尋找差異化價值、搞定市場推廣，這些始終是難題。舊的商業法則依然適用。 AI 降低了軟體開發的門檻，但這並不意味著其他環節也會隨之變得簡單。當然，就像 AI 改變了軟體工程一樣，人們也開始利用它實現銷售和行銷的自動化，並取得了一定成效。但這註定是艱難的，因為即便在一個物質極大豐富的世界裡，人類的注意力依然是極度有限的資源。你永遠在與其他試圖建立市場管道、爭奪分銷網路的人競爭，而每一個潛在客戶都忙得不可開交。我可以構想一個未來：當一切都極大豐富時，人類的注意力將成為僅存的稀缺商品。所以，這依然會很艱難，你必須有極具創意的想法，打磨出偉大的產品。George： 謝謝 Sam，我是 George，一名獨立開發者。我正在基於 Codex SDK 開發，試圖建構一種協調多個智能體（Agents）的方法。我有關於你們的“智能體建構工具”及其產品願景的問題。目前它主要是工作流和鏈式提示詞。我想知道，作為一個基於此開發的開發者，我的處境安全嗎？你們認為未來會有各種不同的多智能體協調 UI 共存的空間嗎？還是說 OpenAI 會壟斷這一領域？Sam Altman： 不，我們並不認為自己掌握了最佳介面的終極答案，也不確定人們最終會如何使用它。我們確實看到有人建構了令人驚嘆的多智能體架構，也有人做出了極佳的單一互動式線程。我們無法獨自解決所有問題，而且並非所有人的需求都一致。這就好比老電影裡的場景，有人喜歡坐在 30 個螢幕前，監控著瘋狂的系統，進行各種操作；也有人只想要一種非常平靜的語音模式，每小時只跟電腦說一句話。電腦在後台處理大量事務，不需要持續監督，他們只需深思熟慮後下達指令。就像許多事物一樣，人們需要嘗試不同的方法來找到自己的偏好。世界可能會收斂於幾種主流模式，但我們無法預知一切。我認為，建構工具來幫助人們高效利用這些極其強大的模型，是一個極好的方向。這正是目前所缺失的。模型的能力與大多數人理解並利用這些能力之間，存在著巨大且不斷增長的鴻溝。 肯定會有人建構出真正填補這一鴻溝的工具，但目前還沒人完全做到。我們也會嘗試推出自己的版本，但這個領域空間廣闊，且使用者偏好各異。如果你們有任何希望我們建構的功能，請告訴我們，我們會嘗試。Valerie Chapman： 你好 Sam，我是 Valerie Chapman，我正在 OpenAI 平台上開發 Ruth。我很想聽聽你的看法：目前女性因薪酬差距遭受了巨大的經濟損失。你認為人工智慧如何解決這幾十年來存在的經濟不平等問題？Sam Altman：這有個好消息——當然情況也很複雜——但在我看來，主要的利多在於：人工智慧將帶來強大的通貨緊縮效應。我對此做過反覆推演，雖然你可以想像一些極端情況，比如全世界的資金都湧向自我複製的資料中心等，但總體而言，特別是考慮到腦力勞動的進步，以及機器人技術等領域即將到來的突破，我們將面臨巨大的通貨緊縮壓力。我之所以說“絕大多數是好消息”，是因為雖然仍有一些複雜的問題待解，但事物的成本將大幅降低。除了那些受限於社會或政府政策阻礙的領域（比如在舊金山建造更多住房），我預計這種變化將相當強勁且迅速。無論社會結構是否天然向個人傾斜，個人賦權（Personal Empowerment） 看起來都將日益增強。我至今仍覺得很難完全消化這一變革的深遠意義。我敢斷言，到今年年底，僅需幾百或一千美元的推理算力成本，你就能完成以前需要一個團隊耗時一年才能建構的軟體。 這真的很難——至少對我來說——很難完全理解這種經濟變革的規模。這應當是一件極具賦權意義的事情。海量的資訊觸手可及，創造新事物、新公司以及發現新科學的成本急劇下降。我認為這應該成為推動社會公平的力量，讓那些未曾獲得公平對待的人擁有真正的機遇。當然，前提是我們不能在政策上搞砸，因為風險確實存在。我擔心在一個想像中的世界裡，人工智慧會導致權力和財富的過度集中。因此，避免這種情況發生，必須成為政策的主要目標之一。Ben Hilak： 大家好，我是 Raindrop 公司的 CTO Ben Hilak。我想請教一下，在展望未來時，您如何看待模型“專業化”與“通用化”之間的平衡？比如 GPT-4.5，我認為它是第一個真正擅長寫作的模型。我至今記得看到它的輸出時感嘆：“寫得真棒”。最近在 Twitter 和 X 上有很多關於 GPT-5 寫作能力以及 ChatGPT 變得有些難以駕馭、晦澀難懂的討論。當然，GPT-5 是一個更好的代理模型，在工具使用、中間推理等方面都表現出色。感覺現在的模型有點“偏科”（Spiky），甚至更極端了——在程式設計等領域非常突出，而在寫作等領域則稍遜一籌。我想知道 OpenAI 是如何看待這一特徵的？Sam Altman： 我們在這方面確實做得不夠好。我們希望未來的 GPT-5 系列版本在寫作上能比 4.5 更出色。我們確實決定——並且我認為理由充分——將 5.2 版本的大部分精力投入到提升智能、推理、程式設計和工程能力上。我們的精力畢竟有限，有時難免顧此失彼。但我相信未來將主要是非常優秀的通用模型。即使你想開發一個專精程式設計的模型，如果它也能寫得一手好文案，那就更完美了。比如，當你讓它生成一個完整的應用程式時，你會希望其中包含優質的文字；當它與你互動時，你會希望它擁有周到、敏銳的個性並能清晰溝通。我所說的“寫得好”是指思路清晰，而非單純的辭藻華麗。所以我希望未來的模型能在所有這些方面都變得非常出色。我相信我們能做到。智能具有相當的靈活性，我們可以讓單個模型兼顧各方。現在確實是推動“編碼智能”的關鍵時刻，但我們也會努力在其他方面迅速補齊短板。稍後我會回答幾個來自 Twitter 的問題，請繼續。現場提問者2： 我是 Unify 公司的 CTO。您剛才提到我們正在做市場推廣自動化。我們一直在思考並投入精力的是“永遠線上的 AI”，也就是您之前提到的“智能將便宜到可以隨意使用”。對我們而言，為客戶運行數百萬甚至上億個代理（Agents）的最大瓶頸是成本。您如何看待小模型的發展、成本問題，以及未來幾年開發者將迎來的顯著成本降低？Sam Altman： 我認為我們可以在 2027 年底之前提供類似 GPT-5 水平的高級智能……有人想猜猜成本嗎？我猜至少會便宜 100 倍。但還有一個我們過去沒太考慮的維度。現在隨著模型輸出變得越來越複雜，人們對交付速度（Latency）的要求甚至超過了成本。我們在降低成本曲線上一直做得很好——你可以看看從最初的 o1 preview 到現在的進步。但我們之前沒有過多考慮如何在保持同樣輸出質量的前提下大幅提升速度，這可能導致成本上升。對於你提到的許多應用場景，人們會非常需要高速度。我們必須弄清楚如何在這兩者之間取得平衡，不幸的是，這是兩個截然不同的難題。假設我們只關注成本，假設這是你和市場想要的，那我們可以將成本降得非常低。也就是回答幾個關於介面的問題：當前的介面並非為代理而設計。關於定製化代理介面的創新如何加速微應用趨勢？我在自己最近使用 Codex 的過程中注意到了這一點。我不再將軟體視為靜態的事物。 如果我有一個小問題，我希望電腦能立即編寫程式碼來解決它。這種趨勢將進一步發展。我預感，我們要徹底改變使用電腦和作業系統的方式。我不認為每次需要編輯文件時，都會當場編寫一個新版本的文書處理器，因為我們習慣了固定的介面，按鈕的位置也很重要。但對於很多其他事情，我們會期望軟體是為我們“量身定製”的。也許我每次都用同一個文書處理器，但我有一些獨特的使用習慣，我希望軟體能越來越適應我——即核心軟體是靜態或緩慢演進的，但體驗是高度定製的。我的用法和你的不同。這種工具不斷演變並僅為我們個人收斂的趨勢，似乎即將發生。當然，在 OpenAI 內部，大家已經將 Codex 融入工作流程，每個人都有自己的定製小功能，使用方式大相逕庭。這一點似乎是肯定的。關於“建構者應該如何考慮持久性”以及“初創公司的功能是否會被模型更新取代”的問題，也就是你問的“OpenAI 承諾不會吞噬那一層堆疊”？認為商業的“物理定律”已經完全改變是很誘人的，但實際上並沒有。或許它們會隨時間改變，但目前唯一改變的是：你可以更快地完成工作，更快地建立新軟體。但是，建構成功初創公司的所有其他規則——獲客、市場切入、使用者粘性、護城河、網路效應、競爭優勢——這些統統沒有變。這對我們也一樣。有很多初創公司做了我們在完美世界裡本該早點做的事，但現在已經太晚了，因為他們已經建立了真正的持久優勢。這種情況將繼續發生。我總是給人們一個通用的思考框架：如果 GPT-6 是一次驚人的重大升級，你的公司會因此高興還是難過？ 我鼓勵大家建構那些隨著模型變強而受益的產品。有很多東西可以這樣建構。反之，那些僅僅依靠修補模型缺陷（而模型升級後缺陷消失）的生意，雖然如果積累了足夠優勢也能存活，但這是一條更艱難、壓力更大的道路。最後一個問題，關於代理（Agent）。代理能夠自主運行長時間工作流程而無需持續人工干預的現即時間表是多久？考慮到即使簡單的鏈上任務通常在五到十步後就會中斷。OpenAI 有人想回答嗎？現場提問者3： 我覺得這很大程度上取決於任務類型。在 OpenAI 內部，我們看到人們以一種非常特殊的方式使用程式碼提示（Code Prompting）。也許他們在使用 SDK，就像一個自訂框架，不斷提示它繼續運行。所以，這主要不是“何時”的問題，而是“視野拓展”的問題。如果你有一個非常具體的、你非常瞭解的任務，不妨今天就去嘗試。如果你一開始就想“我要提示模型去建立一家公司”，那是一個過於開放的問題，驗證循環會非常困難。所以我建議你思考：如何將其分解成不同的子問題，讓代理可以自我驗證，最後由我來驗證最終輸出？隨著時間推移，我們可以讓代理處理越來越廣泛的任務。Sam Altman： 還有其他問題嗎？Sam： 嗨，Sam。我想回到關於人類注意力和 GTM（市場推廣）的問題上。我一直認為，從消費者角度看，人類的注意力是限制因素；而對於建構者來說，限制因素是想法的質量。我想問的是：我花了很多時間幫助 AI 公司制定 GTM 策略，但很多時候，他們的產品實際上並不值得人們關注。那麼，人們如何才能提出好想法？你們可以建構什麼樣的工具來提高人們想法的質量？Sam Altman： 很多人喜歡將 AI 的輸出稱為“垃圾內容”（Slop），但世界上也有很多人類製造的“垃圾內容”。提出好的新想法非常困難，我越來越相信，我們思考的邊界受到工具的限制。我認為我們需要建構幫助人們產生好想法的工具。隨著創作成本的持續暴跌，我們將能夠建立非常緊密的反饋循環，從而更快地篩選出好想法。隨著 AI 能夠發現新的科學知識並編寫複雜的程式碼庫，我相信全新的可能性空間將會打開。很多人都有過這種體驗：坐在 AI 面前（比如一個程式碼生成器），卻不知道下一步該問什麼。如果我們能建構工具，分析你過去所有的工作和程式碼，找出對你可能有用或有趣的東西，並不斷提出建議，這將非常有幫助。這就好比提供一個極佳的“頭腦風暴夥伴”。我生命中有三四個人，每次見完他們，我都會帶走很多新想法。像 Paul Graham 在這方面簡直是頂級的。如果我們能建構一個“Paul Graham 機器人”，你可以與之互動來激發新想法——即使其中大部分都很糟糕，即使你對 100 個想法中的 95 個都說“絕對不行”——我認為這也將對世界上誕生的優秀事物數量做出重大貢獻。模型似乎有能力做到這一點。在使用內部的 5.2 版本時，我們第一次聽到科學家們說，這些模型帶來的科學進展不再是微不足道的。我簡直無法相信，一個能夠提出新科學見解的模型，會無法通過不同的框架和訓練，提出關於產品建構的新見解。Theo： 嗨，我是 Theo，一名開發者 YouTuber 兼 YC 創始人，我也非常想要那個 Paul Graham 機器人。我想問一個偏技術的問題。我真的很喜歡像我們使用的建構塊這樣的技術不斷演進。我經歷過 Web 開發的幾次重大變革，比如遷移到 TypeScript 和 Tailwind 等等。我擔心的是，隨著建構工具越來越好，我們可能會被困在現有的工作方式中。就像美國的電網，一旦建成便難以翻新，導致情況惡化。你是否看到了這種潛在風險？我們是否正在用現有技術建構未來的“地基”，導致未來難以更換？因為即使是讓當前模型使用兩年前的技術去更新程式碼，有時也像“拔牙”一樣痛苦。你認為我們未來能引導模型足夠快地使用新事物嗎？還是說我們已經無法改進現有的技術基建了？Sam Altman： 我認為我們將非常擅長讓模型使用新事物。歸根結底，如果我們正確使用這些模型，它們就是一個通用推理引擎。目前的架構雖然也內建了大量的世界知識，但我們正朝著正確的方向前進。我希望在未來幾年內，模型更新知識、使用新事物以及學習新技能的速度能夠大幅提升，甚至比人類更快。一個值得我們引以為豪的里程碑是：當模型面對全新的事物、環境、工具或技術時，你只需要解釋一次——甚至無需解釋，模型就能自行探索，隨後便能可靠且正確地加以利用。這一天似乎已不再遙遠。現場提問者4： 抱歉，我有一個問題。作為一名較為年長的科學家，我知道做一個科研項目往往會衍生出多個新想法。想法是呈指數級增長的，但科學家用於執行研究的時間卻是線性遞減的（或者說有限的）。 這些工具正在加速這一過程，這太不可思議了。但是我們都很貪婪，想要更多。除了幫助我們在更短時間內追求這些有趣的想法，是否存在一個過渡點，即模型將徹底接管整個科學研究事業？如果會，這通過現有演算法就能實現，還是需要新的想法或世界模型？Sam Altman： 我認為，在大多數領域，距離模型能夠進行真正完全閉環的自主研究，還有相當長的一段路要走。以數學為例，它不需要“濕實驗室”（生物/化學實驗室）或物理輸入。也許只要通過極其深入的思考和不斷更新模型，就能取得巨大進展。但即便如此，目前利用模型取得最大突破的數學家們依然高度參與其中，觀察中間過程並指出“這感覺不對”。直覺告訴我，這是一條人機協作的獨特路徑。我遇到過幾位整天與最新模型協作的數學家。他們進展神速，但所做的工作與模型截然不同。這讓我聯想到國際象棋史上“深藍”（Deep Blue）擊敗卡斯帕羅夫（Kasparov）後的那個時期。曾有一段時間，AI 比人類強，但“人類+AI”（人類挑選 AI 的最佳步法）比單獨的 AI 更強。隨後很快，AI 變得過於強大，人類的介入反而成了累贅。我懷疑許多研究領域也會經歷類似過程。隨著時間推移，事物將變得極其複雜，AI 理解多步邏輯的能力將超越大多數人，甚至所有人。但是，這就涉及到了創造力、直覺和判斷力的問題，這些是我們目前這一代模型還遠未企及的。雖然我找不到原則性的理由說我們永遠無法達到那一點，所以我假設最終會達到。但今天，僅僅說“嘿，GPT-5，GPT-6，去解決數學問題”，肯定不如幾個優秀的專家利用它探索方向來得有效。即使我們可以驗證結果並將其反饋回訓練集，過程中仍有其他因素在起作用。不過，你確實觸及了一個痛點：解決一個問題往往會產生更多新問題。與那些積極使用 AI 的科學家交流非常令人興奮，他們確實燒了很多 GPU，但他們掌握了一項新技能：“這裡有20個新問題，我要對它們進行廣度優先搜尋。我不會深入研究每一個，而是把 AI 當作‘無限的學生助理’。”我最近把這個稱呼升級為“無限的博士後助理”。在物理科學方面，我們常討論是該為每個領域建立自動化濕實驗室，還是依靠全球科學家構思實驗、利用現有裝置並樂意貢獻資料。從科學界擁抱這些工具的熱情來看，分佈式的方式似乎是可行的。這顯然會建構一個更簡單、更美好、更分佈式、匯聚更多聰明才智和多樣化裝置的世界。Emmy： 你好 Sam，我是 Emmy。我是史丹佛大學的學生，經營一家生物安全初創公司。關於科學實驗、雲實驗室及其發展方向，我的團隊花了很多時間思考如何防止 AI 驅動的生物設計帶來危害，同時利用 AI 提升安全基礎設施。我想問的是，在 2026 年的路線圖中，安全處於什麼位置？您是如何思考這些問題的？Sam Altman： 你是指廣泛的安全，還是特指生物安全？Emmy： 都可以，但更傾向於生物安全。Sam Altman： 到 2026 年，AI 會帶來許多潛在風險，其中生物領域的風險讓我們非常擔憂。模型在生物學方面表現得相當出色。目前，全球的戰略主要是限制存取權，並設定各種分類器來阻止人們製造新型病原體。但我認為這種做法不會長久。我認為世界需要為 AI 安全——特別是生物安全——做出轉變：從“阻擋”轉向“韌性”（Resilience）。 我的聯合創始人 Wojciech 用了一個我很喜歡的關於消防安全的類比。火為社會帶來了美好，但也曾燒燬城市。我們曾試圖限制火的使用（比如“宵禁”一詞 cur-few 本意就是 cover fire，掩蓋火源），但這並不是長久之計。後來我們對火災有了更好的“韌性”意識，發明了消防法規、阻燃材料等。現在，社會在這方面做得很好。我認為我們需要以同樣的方式思考 AI。AI 將對生物恐怖主義和網路安全構成重大威脅，但 AI 也是解決這些問題的關鍵。我們需要全社會共同努力，建設這種具有韌性的基礎設施，而不是單純依賴實驗室去“攔截”它們該攔截的東西。未來世界上會有很多強大的模型。我們與許多生物研究人員和公司交流過，探討處理新型病原體所需的條件。很多人報告說 AI 在這方面非常有幫助，但這不會是一個純粹的技術解決方案，世界需要轉換思維方式。我非常擔心現狀，除了“韌性”方案外，我看不到其他出路，而 AI 確實能幫助我們快速實現這一點。如果今年 AI 領域出現某種明顯的重大危機，我認為很可能源於生物領域。到了明年及以後，可能還會出現其他糟糕的情況。Meghna： 你好，我是 Meghna。我的問題關於人類協作。AI 模型非常擅長獨自學習，這讓我反思：如果我能隨時隨地獲得答案，為什麼還要花精力去問另一個人？這涉及到了“人類+AI”的高效產出，但我更想問的是“人類+人類+AI”的協作模式。希望我表達清楚了。Sam Altman： 完全理解。提到教育，雖然我比你們年長，但我上中學時 Google 剛出現。當時老師們試圖讓學生承諾不使用它，理由是“如果你能隨時隨地查到資訊，為什麼還要上歷史課？為什麼還要死記硬背？”這簡直是瘋了。我認為，擁有工具只會讓我更聰明、學得更多、做得更多。禁止使用 AI 就像幾十年前因為有了計算器還要強迫人學算盤或計算尺一樣——這不是一項有價值的技能。我對 AI 工具也持同樣看法。按照目前的教學方式，AI 確實是個挑戰。但這表明我們需要改變教學方式，而不是拒絕 AI。你仍然需要學會思考，而寫作是練習思考的重要方式。但我們如何教授思考以及如何評估思考能力，必須隨之改變，我們不應迴避這一點。所以我認為這會沒事的。那些極具自學能力的人已經做得非常出色了，我們會找到新的教學方法帶動其他學生。關於你提到的協作，即如何讓這件事不僅僅是個人的單打獨鬥？我們正在努力衡量這一點。我懷疑在 AI 普及的世界裡，人際聯絡將變得更加有價值，而非貶值。人們會更加重視與他人的相處和合作。 我們已經開始看到人們探索更便捷的協作介面。在思考製造硬體裝置時，我們首先考慮的就是協作式的“多人+AI”體驗。雖然還沒有人完全掌握，但你會驚訝於 AI 在這方面的潛力。AI 帶來了前所未有的賦能。想像一下，五個人圍坐在一張桌子旁，旁邊有一個 AI 助手（可能是個小機器人），你們作為一個團隊將更具生產力。這將成為常態。每次小組頭腦風暴都會有 AI 參與，幫助團隊做得更好。最後提醒一下，如果你們有什麼需求並告訴我們，我們很可能會去實現它。現場提問者5： 謝謝。我很好奇，隨著代理（Agent）越來越多地投入生產系統，尤其是在大規模部署下，您認為最被低估的故障模式是什麼？是安全、成本還是可靠性？另外，目前那些方面的工作投入不足？Sam Altman： 你提到的問題都很重要。有一件事讓我個人感到驚訝，我相信也讓許多人感到驚訝：當我第一次開始使用 Codex 時，我曾確信絕不會給它完全無監督的電腦存取權。但我只堅持了大約兩個小時。然後我就想，這看起來很合理，代理似乎在做正確的事，我討厭每次都要批准命令。於是我決定開啟一會兒看看——結果從此我就再也沒關過，一直給它完全存取權。我認為其他人也有類似的經歷。所以我的普遍擔憂是，這些工具既強大又便利，但一旦發生故障，後果可能是災難性的。雖然故障率很低，但我擔心我們會因此麻痺大意，抱著“船到橋頭自然直”的心態，逐漸滑向一種聽之任之的境地。隨著模型能力日益增強，我們越來越難以完全理解它們的行為。如果模型出現偏差，或者在長期使用中暴露出隱蔽的複雜問題，你可能會在不知不覺中引入安全漏洞。對於AI失控這種科幻場景，大家看法不一。但我認為，採用這些工具的誘惑——不僅是壓力，更有其帶來的樂趣和力量——將是巨大的。人們會被裹挾其中，甚至來不及充分考慮運行這些工具的複雜性，或是沙箱機制的可靠性。我擔心的是，隨著能力的急劇提升，我們會習慣並盲目信任模型的現有表現。如果我們沒有建立起完善的——我稱之為“宏觀安全基礎設施”——我們將不知不覺地陷入困局。這也是我認為目前極佳的創業機會。Claire： 你好，我是克萊爾，伯克利分校大二學生，主修認知科學和設計。我想聊回教育的話題。讀高中時，我就看到同學用 ChatGPT 寫論文和作業。現在到了大學，我們也在探討跨學科的 AI 政策和課程。我想回到關於 K-12 階段的討論，當孩子們正處於學習解決問題、寫作和思考的關鍵成長期，如果課堂上引入 AI 會是什麼樣？作為一位新晉父親，你如何預測 AI 將如何改變和塑造這些關鍵階段的教育？Sam Altman： 總的來說，我不建議在幼兒園階段使用電腦。孩子應該在戶外奔跑，玩實體玩具，學習人際互動。所以，我不讚成在幼兒園大量使用 AI，甚至不讚成使用電腦。從發展角度看，我們要警惕技術對低齡兒童的影響。關於社交媒體對青少年的負面影響已有諸多討論，但我預感，很多技術對更年幼孩子的影響可能更為嚴重，卻鮮有人關注。在對此有更深入理解之前，我認為幼兒園的孩子不需要大量接觸 AI。Alan： 你好，我是艾倫，在生物製藥行業工作。生成式 AI 在臨床試驗、文件撰寫和加速審批方面表現驚人。我們正嘗試用它進行藥物設計，特別是化合物設計。但我們遇到了一個難題：三維空間推理。我想知道這是否會有一個臨界點，或者您怎麼看未來的發展？Sam Altman： 我們會解決這個問題的。雖然我不確定具體時間，但這確實是一個非常普遍的需求，我們也知道技術路徑。目前還有許多緊迫領域需要推進，但這一天終會到來。Dan： Sam 你好，我是 Dan。我剛從倫敦一所大學輟學，加入了 Y Combinator 的 W26 批次。我有兩個問題：第一，父母還在催我讀完大學，你認為目前的大學教育是否有時會限制個人發展？第二，你現在還做個人投資嗎？Sam Altman： 我輟學後，父母念叨了十年才放棄讓我回去讀書的念頭。父母就是這樣，他們愛你，想給你他們認為最好的建議。你需要耐心解釋：如果你想回學校，隨時都可以，但世界變了，而且還在不斷變化。每個人都要做自己的決定，而不是盲從社會灌輸給你的既定路線。我個人認為，如果你是一名 AI 開發者，現在可能不是待在大學裡的最佳時機。對於雄心勃勃、主動解決問題的人來說，這是一個千載難逢的特殊時期。記住，學校隨時可以回去讀。你應該告訴父母：這並不意味著上學對很多人來說是錯誤的，也不意味著未來這對你不是正確的選擇，但此刻，你必須抓住機遇。他們最終會理解的。至於第二個問題，我不再做個人投資了。我很懷念那段時光。但我因 OpenAI 分身乏術，而且存在利益衝突——如果我投資的公司成了 OpenAI 的大客戶，情況會變得很尷尬，不做投資反而更省心。Michael： 嘿 Sam，我是 Michael，來自 WorkOS。我們主要做身份驗證。我有個功能請求：允許使用者使用 ChatGPT 帳戶登錄第三方應用。我覺得很多人會喜歡這個。Sam Altman： 我們會做的。Michael： 終於等到了。Sam Altman： 你具體想要什麼功能？是想要使用者自帶 Token 預算，還是自帶 ChatGPT 的記憶，還是全部？Michael： 這正是我想問的。首先當然是 Token 預算。使用者應該能使用自己的帳戶權限訪問模型。但更有趣的是其他方面，比如我的公司能訪問那些 MCP 伺服器？ChatGPT 擁有我的那些記憶？它知道我正在做什麼項目嗎？這涉及很多工作和個人隱私。我很想知道你們怎麼考量這些。Sam Altman： 我們確實在研究如何實現這一點，但這同時也令人擔憂。ChatGPT 確實掌握了大量使用者隱私。即使你告訴密友很多秘密，你也確信他們懂得社交分寸，知道何時分享、與誰分享。我們的模型雖然表現不錯，但還沒完全達到那種微妙的社交判斷力。如果我把 ChatGPT 帳戶連接到很多網站，然後讓它“憑判斷隨意分享”，我會感到非常不安。不過，如果是單純的“自帶 Token 預算”，比如我在其他服務上使用我已經付費的 Pro 模型，這聽起來是個很棒的功能。我們至少會先做到這一點，同時探索如何妥善處理資訊共享。我們必須非常謹慎，不能搞砸。Oleg： 嘿 Sam，我是 Oleg。大家都同意軟體開發作為一門手藝已經發生了巨變，但我看 LinkedIn 上 OpenAI 還在招軟體工程師。我想知道，過去這段時間，你們的面試方式發生了什麼變化？Sam Altman： 我們會繼續招聘軟體工程師，但這是我們第一次——我知道其他創業公司也在思考這個問題——計畫大幅放緩人員增長速度。因為我們認為，利用 AI 可以實現“少人多效”。現在的障礙在於，大多數公司的既有政策還沒準備好接納大量的“AI 同事”。這需要時間調整。企業最不該做的就是瘋狂擴招，然後突然發現有了 AI 並不需要這麼多人，最後不得不進行痛苦的裁員。所以，對我們而言，正確的策略是放慢招聘，但保持精選。我並不認為 OpenAI 最終會變成“零員工”公司。在很長一段時間裡，我們將擁有一群能力倍增的人才，這大概就是未來經濟的形態。至於面試，目前變化不大，但我們正在討論改革。我們的目標是：讓應聘者坐下來，在 10 到 20 分鐘內，完成一項在去年可能需要一個人花兩周才能完成的任務。是的，這是重中之重。我們要考察人們能否利用新工具高效工作。傳統的軟體工程面試早已過時，現在更是離題萬里。這就引出了一個普遍問題：未來的贏家是那些“只有少量員工但擁有大量 AI 同事”的公司，還是“完全由 AI 組成、只有一排排 GPU 而沒有人類”的公司？我非常希望是前者。但如果傳統公司不積極採用 AI，不招聘善用工具的人才，它們最終會被那些完全由 AI 組成、沒有繁文縟節束縛的新型實體淘汰。這對社會來說將是極大的動盪。我們一直在思考如何表達這一觀點，這聽起來像是在推銷自己，但我真心認為：企業迅速、大規模地採用 AI 至關重要。Cole： Sam 你好，我是 Cole，一名創作者兼攝影師。過去一年，AI 徹底改變了我們講故事和表達自我的方式。在創意領域出現了許多有趣的動態，比如用 Sora 作為畫布，將自己置身於各種奇幻場景中。隨著模型不斷進化，你認為人類的創作身份與 AI 輔助創作之間的關係將走向何方？Sam Altman： 我們可以從圖像生成（Image Gen）領域尋找答案，它發展得最早。創意界對它的態度可謂愛恨交織。其中一個有趣的觀察是消費者的反應。研究顯示，如果被告知作品是人類而非 AI 創作的，人們的欣賞度和滿意度會大大提高。我認為這將是未來幾十年的重要趨勢：我們深切關注人類，卻對機器漠不關心。 在所有對 AI 的貶稱中，我最喜歡“Clanker”（原本指發著金屬撞擊聲的機器人/鐵皮人），它非常能喚起情感反應。你可以看到那些由“Clanker”生成的、令人難以置信的精美圖像，但一旦知道真相，許多人的主觀評價就會大打折扣。我在網上看過一個視訊，採訪那些聲稱痛恨 AI 藝術的人……有些人常說：“我肯定能分辨出 AI 生成的圖像，因為它們太糟糕了。” 於是，研究人員做了一個測試：給這些人看 10 張圖片，讓他們按喜愛程度排序。這其中一半完全由人類創作，另一半完全由 AI 生成。結果相當一致，人們往往會將 AI 創作的圖片排在前面。然而，一旦被告知真相，他們的態度就會立刻反轉：“其實我不喜歡它，這並不是我想要的。” 這恰恰揭示了真正的試金石：即你的情感共鳴究竟源於何處。 當我讀完一本我深愛的書，第一件事就是去查閱作者的生平，瞭解他的人生經歷以及創作動機，因為我感到與這個陌生人建立了一種精神聯結，我渴望瞭解他。同樣，如果我讀了一部偉大的小說，最後卻發現是由 AI 寫出來的，我會感到某種失落和沮喪。我認為這不僅是一種深刻的情緒，更將是一個持久的趨勢。不過，如果藝術作品中包含了人類的指導——那怕只有一點點——人們似乎就不會產生那種強烈的牴觸情緒。這種情況由來已久，就像人們依然欣賞數字藝術家使用 Photoshop 創作的作品一樣。基於目前的觀察，我的預測是：創作者本身、他們的人生故事，以及他們在創作過程中所做的編輯、策劃等工作，依然至關重要。 總體而言，我們並不想要完全由 AI 生成的藝術作品——至少從我們在圖像領域的經驗來看是這樣。Dan： 我們還有時間回答兩個問題。Keith Curry： 嗨 Sam，我是 Keith Curry，剛從舊金山州立大學畢業。我的問題關於個性化和記憶功能。首先，您認為這方面未來會如何發展？其次，關於更精細的控制權，比如對記憶進行分組——例如區分“工作身份”和“個人身份”。這樣在不同的提示場景下，您可以更精確地選擇希望 AI 呼叫的內容，您對這一點怎麼看？Sam Altman： 是的，我們將大力投入記憶和個性化功能。這顯然是使用者所需，也能顯著提升工具的可用性。我個人在這方面也經歷了一個觀念轉變的過程，但現在我已經準備好了：讓 ChatGPT 訪問我電腦和網際網路上的所有資訊，讓它變得“全知全能”。這帶來的價值將是巨大的。我不再像以前那樣對此感到顧慮。當然，我真心希望所有 AI 公司——以及整個社會——都能高度重視安全和隱私，因為 AI 的效用實在太大了。AI 將瞭解我生活的方方面面，我不會去阻礙這一點。 雖然出於多種原因，我還沒準備好佩戴那種時刻記錄一切的眼鏡，但我確實準備好說：“嘿，你可以訪問我的電腦，去弄清楚正在發生什麼，來幫助我、理解一切，並完美地呈現我的數字生活。”我很懶，我認為大多數使用者也是如此。所以，合理的呈現方式至關重要。我不想坐在這裡手動分類：這是工作記憶，那是個人記憶，那是別的什麼。我想要的是——這也確實是可能的——AI 能深刻理解我生活中複雜的規則、互動及層級關係，知道在何時使用什麼資訊，在那裡展示什麼內容。我們需要解決這個問題，因為這才是大多數使用者真正想要的。Luan： 嗨 Sam，我是 Luan，一名來自越南的國際學校學生。我的問題是：您認為在 AI 時代，人們應該掌握的最重要的技能是什麼？Sam Altman： 最重要的將是那些“軟技能”。過去那種“去學程式設計”的顯而易見的建議，現在已不再絕對適用。我認為，擁有高度的主動性（Agency）、擅長產生創意、極具韌性，以及對快速變化的世界保持極強的適應能力，這些將比任何具體的技術技能都更重要。 而且，這些都是可以習得的。作為一名風險投資人，曾讓我大感意外的是，人們可以通過一個為期三個月的訓練營式項目，在上述領域取得驚人的進步。這是我認知上的一次重大刷新。所以，我認為這些才是最重要的技能，而且它們並不難學。時間到了嗎？好的。非常感謝大家前來交流。我們非常希望能收到關於“你們希望我們建構什麼”的反饋。設想一下，未來我們將擁有一個比當前模型強大 100 倍、上下文長度增加 100 倍、速度快 100 倍、成本降低 100 倍的模型，它能完美呼叫工具，並具備極高的連貫性。我們會實現這一切。 請告訴我們你們想要什麼。我們會留在這裡，無論你需要 API、某種基礎功能、某種執行階段環境，還是其他任何東西，我們都在為你建構，並且希望能把它做好。再次感謝大家的到來。 (藍血研究)

ClawdBot將成為擁有最多Mac電腦的企業也給AI硬體打開了一扇門這兩天ClawdBot這只龍蝦實在是太火了！堪比去年這個時候的Manus。不到一周時間這個項目的GitHub星標從幾百，直接上躥到當下的7萬，預計很快就能超50萬、直逼100萬！大量使用者用便宜的Mac mini來專門跑他，導致蘋果Mac mini直接賣斷貨！不過這個產品體驗下來有很多技術門檻，很多國內的朋友只能望洋興嘆，並不清楚到底是個什麼東西。實際上ClawdBot的很多能力，國內知名的字節扣子空間、Manus、Aipy、lemon.ai等產品早就能實現。什麼接入社交app、炒股，用程式碼指令碼操作其他應用，控制你家電腦作業系統底層，使用CLI終端命令列……這是我去年做的Aipy體驗視訊。更早的，2023年7月OpenAI推出的Code Interpreter程式碼直譯器就是這一切的祖宗！也是因為安全問題，OpenAI和Anthropic一直把它放在雲端沙盒裡運行，直到去年才逐漸升級出Skill、Cowork等功能。可為何ClawdBot這次能如此爆火呢？原因也很簡單，ClawdBot重點提升了一些能力的易用性。第一：特別是接入IM即時通訊app上，ClawdBot從一開始就整合了接入框架，並以此作為核心互動入口。使用者在任意硬體裝置上，都可以使用自己日常使用的IM即時通訊app，以聊天對話的方式進行遠端控制！第二：ClawdBot能夠直接通過指令碼接入你已經下載登陸的app應用，然後免費跨應用獲得花錢才能接入的資料！這歸功於ClawdBot底層Node.js，這是一個市佔率超過80%的後端框架，ClawdBot將Node.js海量的指令碼改造成適合大模型使用的Skill，直接接入本地應用獲取資料！第三：ClawdBot讓這些能力做到了常駐、即時運行、連續工作！這也是Node.js帶來的優勢。這三個能力帶來的效果就是：你可以直接在社交app裡，讓ClawdBot像個渣男一樣即時關注你女朋友的消息並像個渣男一樣聊得火熱！讓ClawdBot到股票應用裡免費獲取資料進行分析，即時將新的交易策略“微信”發你。而其他智能體產品，則選擇讓你去買專業的股票資料服務商的API Key。這一下子就讓發燒友們雙眼放光，瘋狂安利！但這麼多的“好處”、這麼多“紅利”，別家智能體怎麼就不知道用呢？原因很簡單，這麼操作只是湊合能跑，根本不實用也不安全。特別是AI炒股，通過程式碼指令碼在應用裡抓取的資料，質量很容易出問題。試想一想，AI智能體動不動就因為資料來源出問題把你賠得傾家蕩產，你還用不用？還有讓AI常駐持續運行即時服務，每天接入大模型的費用也夠讓你喝一壺！X上就有使用者發推，調侃ClawdBot在不到一天時間把自己股票帳戶裡的錢虧得精光。實際上，ClawdBot的產品思路早就被業內設想過。畢竟跨應用服務生態、免費可用，這些都是傳統網際網路服務著重強調的鐵律！不過在AI大模型時代，就根本靠不住！就一點，你的AI Agent智能體接入資料有問題，導致使用者賠錢，這事是不是你得負責？即便不用負責，其他應用也會用上各種手段，來阻止你的指令碼來免費獲取資料！所以大部分智能體一早就pass了這一方向。ClawdBot是少數嘗試去把這一設想實現的項目，而這樣的產品方案非常符合使用者審美和習慣，所以就理所當然爆了！實際上，ClawdBot這是一個知名的個人開發者Peter Steinberger所做的項目。他同時試水的AI智能體項目高達數十個！這完全是傳統網際網路孵化器創業的套路，實際上是不適合當下的LLM大模型時代邏輯的。但在大模型和智能體項目普遍受困於Momentum聲量問題的背景下，ClawdBot的爆火確實給了市場一些實用的策略：傳統網際網路的“使用者體驗為王”“以使用者為中心”依然是隱藏王炸！雖然ClawdBot有很嚴重的安全問題，但是否用一些警告、使用者協議和技術方案，阻止使用者在容易損失大量錢財的領域使用，就能解決？當下AI大模型的Eval評估、Guardrail防護欄技術就是在解決這些問題。事實上，ClawdBot+Mac mini的成功實踐也找出了一條本地大模型、個人AI裝置的發展路徑！直接在一台專用裝置上運行使用者的個人AI服務，雖然可能犧牲一定安全性和可靠性，但能快速將最新的AI服務體驗用最低的成本提供給使用者！實際上，這也並不是什麼新創意，Nvidia輝達的個人超級電腦DGX Spark就是這一思路，只不過實在是太貴了！ (AI頓悟湧現時)

2026年初，AI智能體再次傳出深度融入生活的訊號。1月15日，阿里的千問APP上線了AI Agent“任務助理”1.0版，測試AI購物。這一版本全面打通阿里生態，包括淘寶、閃購、飛豬、高德地圖和支付寶。該版本的發佈，讓AI智能體正式從“聊天對話”邁入“AI辦事時代”。使用者只需張嘴發佈指令，AI助理就能替其點外賣、找餐廳、訂酒店和打網約車。引人關注的一點是，阿里全生態鏈APP基本被納入其中，公司力爭將所有環節打通。賣方機構紛紛預測，2026年是智能體角逐人們生活場景的大年，究其原因，這一時間點各大網際網路平台都在暗中準備各自的Agent方案和AI路線圖。中信建投表示，不可複製的生態正在成為AI應用層競爭的決定性因素。其邏輯在於，大模型本身具備可追趕性，但端到端的商業與履約生態卻高度依賴長期積累。千問將智能體帶入AI辦事時代在1月15日舉行的千問APP產品發佈會上，阿里對外介紹，千問APP上線400多項辦事功能，正式從“聊天對話”邁入“AI辦事時代”。千問App接入淘寶、支付寶、淘寶閃購、飛豬、高德等阿里生態業務，在全球首次實現點外賣、買東西、訂機票、訂酒店等AI購物功能，向所有使用者開放測試。而其一條龍的支付環節在千問對話介面內完成，無需跳轉至其他應用。除了接入淘寶、高德掃街、飛豬等日常的衣食住行，千問APP還深度接入支付寶政務服務，上線簽證、戶口、公積金等50項民生服務，並直達辦理入口。此外，千問還上線了“任務助理”功能，在APP和Web端開始定向邀測，提供應用開發、office辦公、諮詢調研、生活辦事等能力，能像人一樣規劃完成多步驟的複雜任務；千問APP上線“找卷子、講難題、練錯題”等學習功能。資料顯示，千問APP在上線新功能後，月度活躍使用者已突破1億人。目前，其核心生活服務功能已向所有使用者開放，而面向複雜場景的任務助理功能則處於定向邀測階段。對此，國泰海通證券指出，千問APP核心突破在於打通消費與生活服務全鏈路，使用者無需跳轉應用，僅憑自然語言指令即可完成下單、支付等閉環操作，大幅降低使用門檻，讓AI正式從“聊天對話”邁入“辦事時代”，這一創新既依託阿里豐富的應用生態，又憑藉底層技術實現跨應用協同，讓AI 真正觸達真實生活需求。持有類似觀點的還有國金證券，其強調千問APP這一系列“辦事能力”得益於千問底層技術的三個重要升級：第一，AI Coding能力使其能即時建構工具，而不是預設功能；第二，全模態理解能力賦予千問感知世界的“五官”，能看懂介面、聽懂聲音、讀懂報表；第三，超長上下文處理能力保障了複雜任務執行的連續性。這也從一個層面折射出，大廠對大模型的投入正在全面提速，行業競爭日趨激烈。比如字節跳動於2025年12月就推出豆包手機助手，可以通過簡單的語音指令，就可以指揮手機執行原本需要幾十次點選的繁瑣操作。騰訊則憑藉小程序資源，於2026年1月正式推出“AI應用及線上工具小程序成長計畫，提供雲開發資源、AI算力、資料分析、商業變現及流量激勵等全方位支援，陪伴開發者完成從“0到1”再從“1到100”的過程。應用加速使流量入口重構此外，國金證券還表示，此次阿里千問APP的升級，再次展示了大模型APP在C端應用生態建構中的重要地位。隨著AI模型能力的升級，以及Agent功能的持續迭代，未來在“人工智慧+”的時代，相比於“網際網路+”時代的百家爭鳴、各類APP不斷產生，“人工智慧+”時代的大模型APP有望成為新的流量入口，帶來網際網路生態體系的重構。同時，Agent有望成為人工智慧落地的重要載體，催生出新的應用場景和軟體形態，帶來B端和C端應用的加速落地。在此次的千問發佈會上，阿里巴巴集團副總裁、千問C端事業群總裁吳嘉發表演講時表示，隨著大模型能力的成熟，AI正在從“副駕駛”走向“主駕駛”，通用人工智慧（AGI）的發展路徑正在由以對話為核心的Chat階段，進入以執行和交付為核心的Agent階段。“Chat階段， AI本質上是一種對話式系統，其主要價值體現在理解問題、生成內容和輔助決策上，使用者需要在AI給出的答案基礎上，自行完成後續操作與決策執行；而AI開始具備完整的行動能力，能夠在理解使用者意圖之後，自主拆解任務、呼叫工具、跨系統協同，並最終交付可驗證的結果。在這一階段，‘對話’不再是終點，而只是觸發行動的入口。”他這般表示。展望後續進展，中信建投強調，一方面AI正在從資訊生成工具，演進為承接使用者意圖並完成任務的執行型入口；另一方面從公司層面講，阿里在AI競爭中的核心優勢，正在從模型追趕轉向生態不可複製性。大模型在基礎理解、生成與推理能力上的差距正在快速收斂，單純依賴模型性能已難以形成長期壁壘，而AI真正走向Agent之後，對外部世界的呼叫能力、執行穩定性與交付閉環提出了更高要求。Agent要持續、高頻地承接使用者意圖，必須具備可直接呼叫的交易、支付的本地服務能力，同時還需要真實、持續的行為資料反饋來最佳化模型決策質量。“這類能力並非通過技術追趕即可獲得，而是高度依賴長期業務沉澱的生態建構。尤其在高頻消費和生活服務場景中，生態完整度直接決定Agent的可用上限。在這一階段，競爭焦點已從‘誰的模型更聰明’轉向‘誰能讓AI真正改變現實世界’。”其進一步表示。而國泰海通也認為，隨著網際網路巨頭的大力推廣和投入，有望加速旗下生態和大模型融合，從而實現AI 應用的落地。廣發證券表示，當前處於國產AI密集催化期，建議圍繞字節豆包、阿里千問、DeepSeek等模型迭代展開關注，關注各個細分應用場景公司。其推薦網際網路龍頭企業阿里、騰訊（大模型+生態+雲），細分場景應用龍頭建議關注快手、美圖、粉筆等公司。此外，華西證券強調，在全球宏觀波動加劇的背景下，AI成為當前最具確定性的投資方向之一。阿里此舉標誌著國內AI應用從工具輔助升級為連接真實商業場景的系統級入口，通過將龐大生態“原子化”並整合進自然語言互動。千問的深度生態整合為AI應用的商業化落地提供了清晰範式，即圍繞具體、高頻的生活與工作場景建構服務閉環。“隨著智能體能力、硬體能力的持續進化，掌控核心場景與入口的平台型公司將在AI時代延續其競爭優勢，持續看好AI技術驅動下的應用創新與商業模式迭代。”華西證券進一步強調。投資者應以更高格局關注AI應用類股除去千問APP上線的AI Agent“任務助理”1.0版、豆包的手機助手、騰訊的小程序成長計畫外，同期國內外大廠AI應用均加速落地，在垂直場景深耕。比如醫療領域方面，海外的OpenAI推出ChatGPT Health,Anthropic 發佈Claude for Healthcare，均聚焦合規性與專業服務，覆蓋健康管理、臨床服務等核心場景;電商與消費電子方面，亞馬遜推出AI退貨看板最佳化跨境電商營運，Google模型嵌入智能電視、家電等多終端場景化服務;技術底座方面，輝達發佈全新Vera Rubin AI平台及DLSS 4.5，提升AI推理性能與終端體驗。不僅國際層面，拉回到國內的視角，同期還有字節的火山引擎成春晚獨家AI雲夥伴；DeepSeek 即將發佈V4旗艦模型，其將革新架構與稀疏性技術等。對此，中信建投認為，AI大模型仍在持續迭代，大局未定，各家都存在繼續進步或逆襲可能，所以不能因為某些模型階段性領先就過度看空其餘模型及相關公司產業鏈，AI應用也在持續發展，不論是手機還是眼鏡，尚未到完全突破階段，但都可能引發階段性行情，值得持續關注。“目前，世界正處於AI產業革命中，類比工業革命，影響深遠，不能簡單對比近幾年的雲端運算、新能源等，需要以更長期的視角、更高的視野去觀察。”其強調。而對於AI的投入，國內大廠整體仍保持較高投資強度。2025年第二季度，阿里巴巴的資本開支達到386億元，同比增長220%，環比增長57.1%，創下單季歷史新高。與此同時，2025年二季度阿里雲業務營收333.98億元，同比增長26%，AI相關收入繼續保持三位數增長，外部商業化收入中AI貢獻已超過20%，AI需求快速擴大，同時帶動計算、儲存及其它公有雲服務需求上升。在財報電話會上，阿里巴巴CEO吳泳銘披露，過去四個季度，阿里已經在AI基礎設施及AI產品研發上累計投入超1000億元。公司已為全球AI晶片供應及政策變化準備“後備方案”，通過與不同合作夥伴合作，建立多元化的供應鏈儲備，從而確保投資計畫能夠如期推進。在阿里2025雲棲大會上，他表示，目前阿里正積極推進3800億元的AI基礎設施建設，並計畫追加更大的投入，為了迎接超級人工智慧(ASI)時代的到來。對比2022年AI的元年，到2032年阿里雲全球資料中心的能耗規模將提升10倍，這意味著阿里雲算力投入將指數級提升。對比來看，在2025年第二季度，騰訊的資本開支為191億元，同比增長119%，公司表示在AI方面一直在大量投入，同時未來還會繼續加大投入力度，但需要以合適的節奏進行。公司正在部分遊戲、微信、廣告等多方面加大人工智慧的應用，同時不斷升級混元基礎模型的功能，推動AI原生應用元寶的使用。 (證券市場週刊)

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)

近日，我看到輝達（NVIDIA）首席執行長黃仁勳在2026年CES大會上的一段演講，其中聊到了當下大火的AI智能代理（AI Agent）。黃仁勳在演講中描述了人工智慧正在發生的範式轉變：AI不再只是根據訓練資料回答問題的工具，而是開始具備自主思考和行動的能力。他提到，ChatGPT等大型語言模型雖然很強大，但也會出現讓人哭笑不得的“幻覺”現象。這是因為這些模型無法即時獲取新知識，需要靠一定的“推理”和“工具”才能正確回答超出訓練範圍的問題。黃仁勳的這番演講告訴我們：人工智慧的發展正從“會生成”邁向“會思考”，AI智能代理時代似乎真的要來了，而且可能比我們想像的更快到來。從胡言亂語到學會思考：AI為什麼需要代理？在ChatGPT橫空出世初期，很多人驚嘆於它流利的回答，卻也發現它有時候會一本正經地瞎編亂造答案，出現所謂的“幻覺”。黃仁勳在演講中就提到這一點：早期的ChatGPT“產生了很有趣的結果，但也經常胡言亂語（hallucinate）”。為什麼會這樣呢？簡單說，這是因為傳統的大型語言模型是基於訓練時看到的知識來回答問題的，對訓練後出現的新知識一無所知。如果你問它一個關於最新發生的事件或專業領域的新問題，它很可能張冠李戴。模型並非真的在“思考”，而更像是在模式匹配，甚至編造資訊。為瞭解決這一問題，AI研究者們發現，讓模型學會“思考”至關重要。所謂“思考”，其實就是讓AI具備一定的推理能力。黃仁勳解釋說，一個真正智能的AI在回答問題前，需要懂得先去查資料、分步驟分析問題、呼叫必要的工具或外部資訊源，然後再給出基於事實的答案。換句話說，AI需要學會像人一樣：遇到新問題時，會想一想：“我需要先做些什麼準備？這題該如何分解？” 然後逐步解決子問題。這種多步推理和規劃的過程被稱為“思維鏈”（Chain-of-Thought），它讓AI不再侷限於死記硬背訓練集裡的知識，而是能夠靈活應對新情況。什麼是AI智能代理？簡單來說，AI智能代理就是一種能夠自主決定採取那些步驟來完成任務的智能程序。它背後的理念是：當我們給AI一個複雜的任務時，我們不需要也無法提前把每一步都程式設計寫死；相反，我們希望AI自己決定如何呼叫自身的技能和外部工具去完成任務。黃仁勳指出，大型語言模型的出現讓這一切成為可能。他說，大型語言模型讓AI取得了一次基本的飛躍。通過訓練和強化學習等技術，現代的AI模型已經具備了一定的推理和規劃能力，能夠把一個從未見過的問題分解成一系列自己知道如何處理的小步驟。這就好比我們人類遇到沒見過的新情況時，會本能地拆分問題、類比過去的經驗來想辦法解決一樣。更令人興奮的是，AI代理不僅能自行思考，還可以像團隊合作一樣呼叫多個不同的AI模型一起來解決問題。黃仁勳提到了一個令他印象深刻的突破：一家名為Perplexity的AI搜尋公司率先讓一個AI同時使用多個模型處理不同子任務。他感嘆道，這簡直太聰明了！AI當然可以隨時呼叫世界上最好的AI來幫它解決問題。換句話說，如果一個AI代理在推理過程中需要識別一張圖片，它就可以呼叫專門的圖像識別模型；需要聽懂語音時，它又可以呼叫語音識別模型；需要獲取最新資訊時，它甚至可以呼叫聯網的搜尋引擎或資料庫。正因為能自由呼叫各種不同模態、不同專長的模型，一個AI代理就像一個全能管家，能在需要的時候切換角色，當一次翻譯家、畫家、資料分析師，甚至私人助理。前沿大模型+定製小模型：專屬AI養成計畫AI智能代理的強大還在於它可以將通用智能和專屬技能相結合。一方面，我們有那些無所不知的前沿大模型（Frontier Model），比如最新版本的ChatGPT，它掌握了海量的通用知識和語言能力，相當於站在知識的“最前沿”。另一方面，不同行業、不同個人可能又有各自特殊的需求和秘密“配方”——這就需要定製的專屬小模型。黃仁勳提出，我們完全可以訓練屬於自己或自己公司的小模型，教給它別人沒有教過的獨門本領，然後把它納入AI代理的架構中。這樣一來，我們的AI代理就既有大模型的見多識廣，又有小模型的獨門絕技。在技術實現上，這背後需要一個聰明的“調度員”。在演講中，黃仁勳將其形象地稱為“智能路由器”或“模型路由器”。這個路由器負責根據使用者指令的意圖，自動判斷該呼叫那個模型最適合當前任務。例如，當你讓AI代理整理內部機密檔案時，路由器會挑選在本地運行、確保隱私安全的定製模型來執行；而當你詢問一個通用常識問題時，它又會把任務交給知識面更廣的前沿模型。通過這樣的架構，你的AI代理始終擁有“雙重魔法”：一隻手擁有全球最新最強的知識，另一隻手又握著你自己領域的專業技能。而對終端使用者來說，這一切切換和配合都是無感的——你只管提出問題和任務，AI代理自會在幕後安排妥當。AI代理有多厲害？黃仁勳在演講現場還展示了一個令我印象深刻的例子。他當場建構了一個個性化的AI“私人助理”，幫他處理日常事務，還能與現實世界互動。這個助手由多部分組合而成：首先，他用一台輝達的DGX Spark小型超級電腦作為個人云伺服器，確保所有AI模型都能本地高速運行；其次，他準備了一個開放原始碼的迷你機器人，名叫Richie（來源於Hugging Face的開放項目），作為AI助理與物理世界互動的“化身”；再次，他呼叫了業界領先的語音合成服務，讓Richie這個機器人能夠用自然的聲音與他對話。這位AI私人助理都做了些什麼呢？演示中，黃仁勳對著Richie說：“嗨，Richie，我今天的待辦清單上有什麼？”Richie立刻回答，告訴他今天需要採購的物品清單和要傳送給同事的郵件任務。黃仁勳接著口頭吩咐：“那就給他發郵件說我們會在當天結束前提供更新。” 助理便自動幫他起草並行送了郵件。隨後，黃仁勳拿出一張手繪草圖，讓AI助手將其“變成建築效果圖”，Richie照辦，呼叫圖像模型將草圖轉化為精美的建築渲染圖。更令人稱奇的是，當黃仁勳詢問“家裡的狗現在在幹嘛”時，Richie竟然調動自己的攝影機環顧了房間一圈，然後回答說：“它正在沙發上偷懶呢！”原來，這個AI助理還連接了家中的攝影機，可以隨時監控寵物的動態。黃仁勳讓Richie通過語音驅動揚聲器喊了一聲“Potato，下沙發！”（Potato是他寵物狗的名字），彷彿一個真正的管家在遠端呵護家庭。現場觀眾無不為之驚嘆。這一連串操作聽起來近乎魔法，但黃仁勳強調，如今這樣的AI代理系統已經相當簡單就能實現。他感嘆：“這一切如今變得微不足道，而在幾年前是完全無法想像的。”開源社區的繁榮和AI工具的發展，讓個人和中小團隊也能打造出屬於自己的AI助手。只要有合適的硬體，加上現成的模型和藍圖範本，每個人都可能訓練一個專屬的AI來幫自己處理繁瑣事務。這種科技進步的速度，連行業專家都感到驚嘆。改變未來應用的遊戲規則AI智能代理不僅是炫酷的演示，更被視為未來應用的新範式。黃仁勳指出，這樣的代理式AI架構將成為未來軟體應用的基本框架和使用者介面。過去，我們使用軟體往往需要學習特定的操作流程，比如在電子表格裡一格一格輸入資料，或者在命令列裡敲指令。而有了智能代理之後，我們和應用程式打交道的方式會變得更自然，就像和一個懂行的助手對話——你提出目標，AI幫你執行。在企業領域，這種變化將帶來巨大效率提升。難怪許多行業領先的平台公司，如Palantir（資料分析）、ServiceNow（企業服務）、Snowflake（雲資料）等，都在和輝達合作，把智能代理融入它們的系統，作為新一代的人機互動入口。想像一下未來的場景：財務分析師不需要在繁瑣的軟體介面上點選半天，只要向AI助理描述想要的報表，它就能自動調取資料庫並生成結果；工程師可以直接對AI助手提出設計需求，AI便整合各類專業工具給出方案；甚至我們普通人在日常生活中，也許只需要對著手機說出想要完成的事項，就會有智能代理為我們統籌安排好一切。從PC時代的圖形介面（GUI），到移動網際網路時代的觸屏互動，再到如今的對話式AI時代，人機互動正在變得越來越自然、越來越以人為中心。AI智能代理正是推動這一轉變的關鍵力量，它讓人工智慧從幕後的演算法模型走到台前，成為直接為人服務的數字勞動力。寫在最後黃仁勳在演講中傳遞的資訊很明確：我們正站在一個AI變革的門檻上，迎接從“生成式AI”向“代理式AI”的飛躍。AI智能代理將賦予機器前所未有的自主性和協作能力，讓AI真正成為人類的強大助手。從讓聊天機器人不再胡言亂語，到擁有隨叫隨到的數字助理，這場AI革命終將走進你我的生活。如果說過去幾年是AI學習表達和創作的階段，那麼接下來，AI將學會思考和行動。從某種角度看，具備自主推理和行動能力的AI代理，也許正是人類邁向通用人工智慧（AGI）的關鍵一步。 (前沿黑板報)

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)