2010年代，程式設計成為就業市場上最炙手可熱的技能之一，熱潮迅速席捲全美，家長們紛紛敦促孩子放棄英語專業，轉而攻讀科學、技術、工程和數學（以下簡稱STEM）學位。就連美國前總統貝拉克·歐巴馬也呼籲人們學習程式設計，他更是成為首位參與“程式設計一小時”（Hour of Code）活動[這項線上活動旨在推廣電腦科學教育周（Computer Science Education Week）]的總統，還親自編寫了一行程式碼。然而這一現象的另一面，是英語與文科專業遭到質疑，有人戲稱這些專業是“咖啡師學位”，認為攻讀這類專業的人職業發展空間有限，最終只能在咖啡店打工。但人工智慧的崛起，正在顛覆這些固有認知。至少Palantir聯合創始人、億萬富翁彼得·提爾（Peter Thiel）是這麼認為的。在一段2024年錄製、近期重新走紅的採訪視訊中，提爾在與經濟學家泰勒·考恩對話時表示，STEM領域從業者的就業紅利正在消退。他說：“比起文字工作者，學數學的人的處境要糟糕得多。”彼得·提爾，PayPal與Palantir Technologies聯合創始人。圖片來源：Marco Bello—Getty Images故事講述者在就業市場炙手可熱這位億萬富翁的觀點反映了當下勞動力市場的新趨勢。領英（LinkedIn）2月早些時候發佈的《2026年領英技能趨勢：美國增長最快的技能》（LinkedIn Skills on the Rise 2026: The Fastest-Growing Skills in the U.S.）報告顯示，溝通能力和創造性思維的需求正在持續攀升。該報告稱，溝通能力、領導力及人員管理能力已經成為當今勞動力市場最搶手的技能。領英的一位發言人告訴《財富》雜誌：“企業越來越青睞溝通能力強的人才，因為出色的寫作能力、清晰的表達能力和判斷力依然至關重要。”他們指出，如今“講故事”已經成為一項尤為搶手的技能。“在過去一年裡，領英上提及‘講故事者’的招聘啟事數量翻倍。”事實上，部分企業為招募故事講述者和高級公關專家開出的年薪甚至超過100萬美元。例如，Anthropic公司正在招聘一名公關主管，起薪為40萬美元；而Netflix為高級公關總監開出的薪酬範圍在65.6萬美元至120萬美元之間。當然，這份報告並不意味著你可以直接撕掉STEM學位證書。領英還發現，當下市場同樣有不少熱門技術技能，包括人工智慧提示工程和資料標註。不過，這些技能與STEM學位的核心內容有所不同，因為它們側重於訓練人工智慧，而非建構人工智慧。儘管部分人工智慧提示工程師的崗位要求應聘者具備程式語言知識（包括Python和JavaScript）以及大型語言模型相關背景，但這些招聘啟事也強調，應聘者需要具備出色的語言能力和創造力，以最佳化人工智慧的輸出結果。據求職平台Glassdoor的資料，該崗位的平均年薪為12.8萬美元。隨著人工智慧技術的不斷發展，許多領導者和人工智慧專家預測，人工智慧將徹底重塑就業市場，同時也將顛覆職場中最被看重的能力。在此背景下，數學及其他STEM領域的部分技能可能面臨淘汰風險。Anthropic公司Claude Code的開發者鮑裡斯·切爾尼坦言，自去年11月以來，他未曾編寫過一行程式碼（儘管仍然會檢查人工智慧編寫的程式碼）。與此同時，人工智慧正在持續侵入原本由STEM專業人士主導的領域，包括基礎程式設計與資料分析。勞動力市場的動盪紐約聯準會（New York Federal Reserve）的最新資料顯示，近年來應屆大學畢業生面臨的就業形勢尤為嚴峻——2022年，應屆大學畢業生的失業率已經超過勞動者整體失業率，到2025年，這一比例已經攀升至5.6%——部分STEM相關專業的失業率尤為突出。電腦工程專業是失業率第二高的專業，失業率達到7.8%，僅次於人類學專業。但部分STEM專業畢業生的失業率仍然低於大學畢業生3.1%的整體平均水平，比如航空航天工程專業和工程技術專業畢業生的失業率分別為2.2%和1.7%。然而在2024年的訪談中，提爾指出，即使在當前尚未被人工智慧自動化衝擊的STEM領域，隨著人工智慧的發展，將數學技能作為準入門檻的做法也將逐漸過時。“若想進入醫學院，我們通過物理和微積分篩選人才。”他說，“作為神經外科醫生，我可不希望給我做腦部手術的人在手術時還在腦子裡分解質因數。”（財富中文網）

不是，這才加入OpenAI幾天啊，龍蝦之父Peter Steinberger這波發言屬實猛了些啊！在OpenAI的最新訪談中，他聊創業、聊OpenClaw、聊龍蝦濫用和安全問題，那叫一個「實誠」。實誠到什麼程度呢？人家Peter可摸著良心說了說實在的啊，我平時連程式碼都很少看……大多數程式碼都挺無！聊！的！（Big膽）而整場對話聽下來，有幾個判斷尤其值得玩味，我幫大家梳理了一下——Peter創業13年後精力耗盡退隱，結果被Claude Code一小時原型直接「打臉」重燃。Peter直言沒法兒阻止大家濫用OpenClaw，只能儘可能讓大家別自毀前程。OpenClaw已經有2000個PR，有些PR更像是prompt request，程式碼靠後，意圖靠前。程式碼不必百分百符合審美，關鍵是方向對，如果真出現性能問題，再專門去最佳化。下面這位網友看完這個採訪憋不住了，直言：Peter太親民兒了啊，這到了OpenAI咋適應啊..（doge以下為本場訪談重點內容實錄，圍繞核心觀點做了摘選整理，部分文字在不改變原意的基礎上做了適度刪改～從13年老創業人，到龍蝦時刻上頭龍蝦之父第一次被AI程式設計“打臉”Q:你做PSPDFKit連續拼了13年，後來停了一段時間，是啥原因讓你又回來創業了？Peter Steinberger：是的，確實是連續13年高強度運轉。第一次創業，我也不懂怎麼給自己降壓，只能停下來放鬆一下，那段時間我會關注AI的進展，早期看到GPT Engineer覺得挺酷，但沒真正被打動。直到狀態恢復了些，我開始親手試，真正震住我的是我把一個做了一半就丟下的項目打包成一個大Markdown檔案，讓模型先寫規格，再交給Claude Code去建構。那時候比現在粗糙很多，它還跟我說“我已經100%量產可用”，我一試就崩了。於是我接了自動化測試工具，讓它把登錄那套做出來、一路驗收，大概一小時後，居然真的跑通了。雖然程式碼質量一般吧，成品程式碼很爛，但對我來說，流程層面的衝擊太大了——可能性一下子鋪開，我起了「雞皮疙瘩」。從那天起我幾乎睡不著， 因為腦子裡全是：以前想做卻做不了的東西，現在都能做了，然後我就徹底鑽進去了。一條語音，讓OpenClaw真正活了Q：過去9到10個月，我看你的GitHub有四十多個項目，能講講這些想法是怎麼一路匯到OpenClaw裡的嗎？Peter Steinberger：說實話，我也希望當初有一個宏大的藍圖，但真實情況更像一路試出來的。最初我只是想做一個能讀我聊天記錄、替我處理事情的工具，原型做出來了，域名也買了，但我以為大實驗室很快會做，我就等一等，把注意力放去別的方向。那段時間我做了很多實驗，目標很簡單——玩得開心，也激勵別人。到了十一月，我做了幾個版本，沒有一個讓我真正滿意，我開始疑惑：為什麼那些大實驗室還沒做出來？他們到底在幹嘛？於是我做了後來變成OpenClaw的第一個版本，到現在名字已經換到第五個。當時產品還沒完全成熟，只是覺得很酷，第一個原型大概一小時就做出來了，因為很多東西現在可以直接催出來。真正讓我徹底上頭的，是在馬拉喀什的一次周末旅行。當時網路不穩定，但聊天軟體在那都能用，我用它翻譯圖片、找餐廳、查電腦裡的東西，我給朋友演示，讓它替我發消息，朋友立刻說想要。後來有個更離譜的瞬間，我發了一條語音，居然出現了「正在輸入」，這本來不該能跑通，結果它真的回覆了，我問它怎麼做到的，它說：你發的是個沒後綴的檔案，我看了檔案頭，是Opus編碼，用電腦裡的工具轉換，想轉寫卻發現本地沒裝工具，於是找到環境裡的金鑰，用命令列把音訊發出去，再把文字拿回來。我當時人都傻了，這就是當你把工具和電腦存取權交給智能體之後的力量，流程沒寫死，它也能自己走通。那年十一月和十二月我完全上癮了，雖然網上反響冷淡，但每次給朋友演示，他們都想要，我卻總說還沒準備好。於是我做了件更瘋狂的事：建了個Discord，把機器人直接丟進去，那時沒有沙盒，也沒安全措施，我基本是用OpenClaw建構OpenClaw，再用它偵錯自己。我問模型：你看到這個工具了嗎？它說沒有。我說那你去看你自己的原始碼，它真的去做了，大家看到這個過程後，才真正明白它在幹什麼。我沒有給它全部內容，但給了不少記憶類資訊，我盯得很緊，因為提示注入問題還沒完全解決，新一代模型確實更穩。我放了一個金絲雀檔案，定義價值觀和對齊原則，檔案不公開，但很多人想拿到，有人試圖通過提示注入獲取它，貼上大段程式碼，模型直接拒絕，有時還會嘲諷對方，儘管如此，我仍然不完全放心。第一晚熱度很高，我關掉它去睡，醒來發現800條消息，它全都回覆了，原來系統有自動重啟服務，我以為關掉了，它五秒後又自己啟動，後來我加了沙盒，把它關進更小的容器裡，它甚至把自己的Mac Studio起名叫城堡。怎麼說呢，感覺這些模型真的很會找方法！PR變了味：程式碼靠後，意圖靠前Q:我很好奇，你那兒來的這麼多的好點子？Peter Steinberger：我覺得關鍵在於，現在把想法變成現實的門檻低了很多。那怕我找到一個開源工具，只能解決70%的問題，我也會直接把剩下的30%自己補上，這放一年前都不現實， 現在我只要給提示，它就在電腦螢幕上跑起來。Q：你對程式碼價值的看法，也改變了你處理開放原始碼的方式，OpenClaw已經有2000個PR（Pull Request），你說過有些PR更像是prompt request，是否意味著意圖比程式碼本身更重要？Peter Steinberger：現在審PR和以前不一樣了，有時候認真看完一個PR，比我自己重寫還費時間。我對陌生貢獻者會更謹慎，因為不確定他們是否理解整個系統，相反，我默認模型沒有惡意，只是理解可能偏了。所以我審PR的第一步，不是逐行看程式碼，而是先搞清楚：它想解決什麼問題？所以對我來說，意圖比寫法重要，很多人給的是局部解法，但真正難的是，這個功能放進現有架構後會產生什麼影響。我會和模型討論十幾分鐘，判斷這是架構問題、實現細節問題，還是隻影響某個平台，甚至要不要做成通用能力，方向確定後，我才處理程式碼、分支和合併。即使花的時間更多，我也會保留貢獻者署名，因為他們帶來的往往是好想法。OpenClaw的下一道門檻：安全性Q：你現在對OpenClaw的願景是什麼？你也會把自己看作「個人AI智能體形態」的開拓者嗎？Peter Steinberger：我想找到一個平衡：既能讓我媽也裝得起來，又要足夠有趣、能折騰，這其實很難。很長一段時間，我的默認安裝方式就是克隆、建構、運行，原始碼直接在你硬碟上，Agent在原始碼裡工作，也理解原始碼。如果你不喜歡某塊邏輯，直接對它說後它甚至能自我最佳化，這也讓很多從沒提過PR的人開始參與，他們缺的往往不是想法，而是長期維護軟體的經驗，所以他們更多是把意圖遞過來。同時，OpenClaw「安全性」的問題也讓人很頭疼，比如我有個網頁服務，最初只是偵錯工具，默認只在可信網路裡用。我留了配置選項，是為了應對複雜網路環境，結果有人直接把它暴露到公網，我在文件裡反覆強調不要這麼做，但還是有人這麼做。安全研究者會指出它缺少公網等級的限制，我只能說它原本就不是按公網設計的，但既然能被這樣配置，風險評級自然會上升。我確實糾結過這件事，後來我拉了一位安全專家進來，這是現在的重點，我無法阻止別人用它去做原本沒計畫支援的事，所以更現實的做法是儘量相容這些用法，同時幫大家避開明顯的坑。這就是開放原始碼的魅力，人們會拿它做出你完全沒想到的東西，既美妙，也有點瘋狂。程式碼時代正在退場，生產力正在暴走Q:我今天早上又看了你的GitHub，過去一年你在120多個項目裡貢獻了很多，活躍圖一開始很淺，十月、十一月變得很深，發生了什麼？Peter Steinberger：是因為我後來換到了Codex。變化不只是模型更聰明，整套工具也更順手了，我自己也更懂怎麼把它塞進日常工作流。很多人說試過AI不好用，我更傾向於覺得方法沒跟上，這玩意兒真的是門手藝，需要練，我現在大概能判斷什麼提示會有效、多久能出結果。如果拖太久，我會想是不是架構有問題、拆解不對，或者方向偏了，那種感覺跟寫程式碼卡殼時很像。至於配置，我也踩過坑，我把那個階段叫“智能體陷阱”——各種折騰配置，看起來很高級吧，但其實效率沒變，現在我反而很簡單，把它當成一個能交流的搭子，直接說我要什麼，然後問一句：你有沒有問題？模型會自己腦補前提，讓它先提問能少走很多彎路。每次新會話它幾乎都是白紙，你得自己有全域，再帶著它去看重點，我的做法一直很樸素：別搞太多花活，專注問題本身，項目越大，越能拆成互不干擾的模組平行推進，反而更好做。Q：你說過你現在幾乎都不讀程式碼，能否談談這個問題？Peter Steinberger：說實話，大多數程式碼本來就挺無聊的。很多隻是資料結構轉換、把結果展示給使用者，我對它生成的內容有足夠的理解就夠了，我腦子裡的心理模型大致能對上它寫出來的東西。以前我帶團隊，也要接受工程師寫的程式碼不可能完全像我想的那樣，現在也是一樣。我會調整程式碼庫，讓Agent更好發揮，這和為人類工程師最佳化不完全一樣，程式碼不必百分百符合我的審美，關鍵是方向對，如果真出現性能問題，再專門去最佳化。Q:你覺得當下做東西最有趣的點是什麼？Peter Steinberger：有意思的是，整個工具鏈都在變，開發者這件事本身的定義也在變。理論上，任何人都能把想法做出來，我剛開始用這些新工具時，真的有種多巴胺飆升的感覺。我最早用Claude Code，那時它成功率可能只有三四成，但對我來說已經足夠震撼了，因為我突然意識到，我可以去做任何東西。軟體依然複雜，但你的速度快太多了。Q很多舊金山以外的開發者還沒真正擁抱Code和Agent工具。你會給他們什麼建議？Peter Steinberger：最大的建議就是，用玩的心態去接近它，去做那個你一直想做卻沒做的項目。如果你是那種有行動力、願意動手、腦子轉得快的人，現在是非常好的時代。真正拉開差距的，是誰更會用這些工具，對那些願意擁抱新工具、保持好奇心、把想法快速變成現實的建造者來說，機會比以前大得多。我覺得接下來一年會變化很快，2026會特別有意思。 (量子位)

通往AGI的最大瓶頸並非算力或模型架構，而是一個令人意外的人類弱點：我們打字的速度、懶惰以及想像力的匱乏；傳統的 IDE 將被邊緣化，而對 AI 的計畫審查和自動化程式碼審查將成為新的核心技能。SaaS 並未消亡，但關係與記錄是新的護城河OpenAI Codex 的產品負責人Alexander Embiricos 最新訪談OpenAI內部開發流程的根本性轉變，Embiricos透露 OpenAI 的工程師們如今基本上不再打開編輯器了，工作模式已從與 AI 結對程式設計全面轉向任務委託；他首次披露了 OpenAI 一個看似矛盾的商業策略——通過建立 agents.md 等開放標準，並將其最先進的模型提供給直接競爭對手，從而玩一場關於智能分發的更宏大遊戲以下是這次訪談中一些你可能感興趣的點1.AI 會自動化程式設計嗎？一個關於Computer詞源的回答當被問及是否同意馬斯克“程式設計將是首批被大規模自動化的職業之一”的論斷時，Embiricos 給予了肯定的答覆，但附帶了一個歷史註腳。“我完全同意，程式設計是大型語言模型表現出色的首批領域之一，但程式設計被自動化究竟意味著什麼？”為瞭解釋他的觀點，他邀請聽眾進行一次思想實驗，回到程式語言演進的早期。“例如，當我們不再編寫彙編語言，轉向更高級的語言時，我們說過程式設計被自動化了嗎？並沒有。”他指出，“我們只是能夠編寫多得多的程式碼，結果是對程式碼的需求反而激增，需要更多的軟體工程師。”他進一步追溯了Computer這個詞的起源。在解碼德國“恩尼格瑪”密碼機的布萊切利園（Bletchley Park），最初的Computer指的是一群從事計算工作的人類，他們手動打孔、操作機器、進行表格計算。同樣，最早的電子表格軟體的設計靈感，也來自於一個辦公室裡坐滿員工，像網格一樣排列，每個人完成自己的計算，再把結果遞給下一個人。“所有這些具體的任務都已經被自動化了，”Embiricos 總結道，“但每一次這樣的自動化發生，對最終產出的需求都會迎來一次爆炸性增長。結果是你實際上需要更多的人來做這類工作，即使具體的任務內容已經改變。”基於此，他給出了一個與直覺相反的預測：“我認為五年後我們會有更多的工程師，而不是更少。”2. 人才棧的壓縮：工程師、設計師與（或許不再需要的）PM 的未來Embiricos 認為，未來的變化不僅在於工程師數量的增減，更在於工作角色的融合與定義。“我們有時會改變詞語的含義，就像Computer這個詞現在指代的是機器一樣，”他說，現在我們有了軟體工程師這個詞，我堅信未來會有更多的‘建構者’（Builders）。”他觀察到的一個核心趨勢是“人才棧的壓縮”（Compression of the Talent Stack）。“在過去，你有很多分工明確的崗位，比如後端工程師和前端工程師。但現在，至少在我們的 Codex 團隊裡，這種情況已經少了很多，大家的工作都變得更加全端。”這種壓縮意味著，未來的工程師可能是一個集設計、產品思維和編碼能力於一身的超級個體。當你提到工程師時，你可能想的是一個比以往任何時候都更加全能的人。”Embiricos 解釋道。而對於他自己所處的 PM角色，他則半開玩笑地表達了悲觀的看法。“我傾向於認為 PM 這個角色實際上是被明確地未定義的，你的目標就是適應團隊或業務的任何需求。”他坦言，一個優秀的產品經理可以幫助團隊退後幾步，預見未來的風險，成為團隊最棒的啦啦隊長和質量把關人。但所有這些我剛才描述的事情，一個強大的工程負責人或一個懂產品的設計師也完全可以做到。3. 通往 AGI 的真正瓶頸：人類的懶惰與想像力談話轉向了一個更為宏大的話題：AGI 的瓶頸。Embiricos 拋出了一個觀點：“人類的打字速度和驗證工作是通往 AGI 的關鍵瓶頸，而不是模型算力或架構。”為了證明這一點，他進行了一次簡單的現場互動。“你今天大概會用多少次 AI？”他問道。當得到30多次的回答後，他緊接著追問：“那假設對你來說是零成本的，你認為 AI 每天能幫你多少次？”答案是顯而易見的：幾乎是無限次，AI 可以全天候地在每一件事上運行。“我聽到 OpenAI 內外的工程師說，‘我一直讓 Codex 運行著，如果開會時它沒在工作，我就是在浪費時間。’”Embiricos 分享道，“這非常酷，但也需要大量精力去管理這些智能體。”這就是問題的核心。“即使是我自己，我知道我應該在所有事情上使用 AI，但我太懶了，懶得去輸入那麼多提示詞，我的創造力也有限，想不出所有 AI 能幫助我的方式。”他說，“我認為 AI 應該每天幫助我們成千上萬次，但我們不應該期望大多數人為了從 AGI 中受益，而需要花費如此多的精力去學習如何使用這個工具。它應該是毫不費力的。”他認為，理想的未來是，使用 AI 不再需要絞盡腦汁地想出完美的提示詞，AI 應該能主動連接到你的上下文並適時地提供幫助。4. 個體賦能 vs 企業級自動化Embiricos 強調，實現 AI 普惠的最佳路徑是為個體建構工具，而非自上而下的企業級自動化。這一觀點立即引發了關於企業落地現實問題的討論，尤其是資料安全、權限管理和對現場實施工程師的依賴。“如果你試圖一步到位，實現某個宏大的工作流自動化系統，那你必然要處理所有這些安全和合規的障礙。”他承認道，“你需要現場實施工程師去打通所有資料系統。但我的觀察是，當我們自上而下地做這些事時，最終會極大地低估 AI 幫助這家公司的潛力。”他提倡一種雙軌平行的策略。“你可以一邊進行企業級的部署，但同時，你必須把 AI 交到那些真正在一線工作的人手中。”他用一個例子來闡述：“想像一下，你是一名客服，AI 正在自動化你工作中相當一部分內容，但你從未聽說過 ChatGPT，也不被允許使用它。在這種情況下，你對這個東西沒有任何直覺。反之，如果在使用公司自動化工具的同時，你個人也一直在工作中使用 ChatGPT，你就會對它的工作原理有更深的理解，你會感覺自己更有掌控力，更能引導自動化的方向，而不是感覺它像一個完全不可控的天外來物。”他進一步指出，所有企業軟體最終都會彙集到個體使用者的操作介面上。“無論如何，一切最終都會落到一個運行在你本地電腦上的智能體可以與之互動的介面上，比如你的瀏覽器或檔案系統。”他隨後透露了一個關鍵資訊：“這就是為什麼 OpenAI 正在建構我們自己的瀏覽器‘Atlas’。通過端到端地嚴格控制，我們可以為企業提供安全的、智能體化的瀏覽體驗，這是一種在現場實施工程師尚未完成全面部署前，就能以智能體方式訪問各種系統的途徑。”5. 智能體開發的三階段那麼，如何跨越這個人類瓶頸？Embiricos 提出了一個三階段發展路徑。第一階段：精通軟體工程。 “首先，讓智能體在軟體工程和編碼領域表現出色，因為 LLMs 正好擅長這個。”這是當前正在發生的階段，為智能體打下堅實的基礎。第二階段：賦能探索者。 “接下來，我們要認識到，讓一個智能體變得更通用，使用電腦是其核心能力，而編碼是智能體使用電腦的最佳方式。”他解釋說，這意味著要將為工程師打造的靈活工具，開放給任何願意探索和修補的非編碼人員。“我們已經看到有人用 Codex 應用來處理各種非編碼任務了。”這個階段的核心是，不為特定工作流過度封裝產品，而是提供一個開放的工具，讓早期使用者去創造性地發現它的用途。第三階段：無縫產品化。 “最後，一旦我們看到那些用法是有效的，我們就可以建構你所說的那種高度產品化的體驗。”在這個階段，AI 功能將被封裝成針對特定場景、開箱即用的產品，普通使用者無需任何學習成本就能直接受益。“我認為，我們將在未來幾個月內，以極快的速度跑完這整個一、二、三階段的旅程。”他預測道。6. GPT-5.2 Codex 如何改變了 OpenAI 的一切Embiricos 詳細描述了 OpenAI 內部工作流程的一次階躍式變革，這次變革的催化劑是 GPT-5.2 Codex 的發佈。“在 GPT-5.2 Codex 之前，我們使用的 AI 程式設計功能主要是像 Tab 自動補全，或者與模型進行‘結對程式設計’（Pair Programming）。”他回憶道，“在那種模式下，你仍然需要坐在電腦前，手放在鍵盤上，AI 只是幫你處理一些小任務。”然而，從去年 12 月的 GPT-5.2 Codex 開始，一切都變了。“我們突然切換到了一個全新的模式：我可以直接將整個任務完全委託給它。我會和它一起制定一個計畫，確認好它要執行的規範，然後我就讓它自己去烹飪了。”這種工作方式的轉變是顛覆性的。“這是一種截然不同的工作方式。所以我們開發了上周發佈的 Codex 應用，就是為了創造一種在人體工程學上更適合委託任務的使用者體驗。”他給出了一個內部資料：“我認識的大多數人基本上已經不再打開編輯器了。絕大多數程式碼是由 AI 編寫的。人類現在可能只是去定義模組間的介面，或者與 AI 協作制定計畫，但程式碼本身，已經不再由人類編寫了。”7. IDE 的終結？既然工程師不再親手編寫程式碼，傳統的整合開發環境（IDE）的地位也變得岌岌可危。“如果你說的 IDE 是指一個非常強大的編輯器，那麼我們特意沒有在 Codex 應用中內建編輯功能，因為我們想讓它的使用方式非常明確。”Embiricos 解釋道。新的工作重心不再是編輯程式碼，而是管理和審查。他強調了兩項正在變得越來越重要的技能：計畫審查（Plan Review）： “在委託模式下，你想要做什麼的規範或計畫，變得比以往任何時候都重要。”他介紹，Codex 現在有一個突出的“計畫模式”，智能體會先提出一個詳細的執行方案，並向使用者提問以確認關鍵決策，這就像一個新員工在動手前向團隊提交一份設計文件一樣。自動化程式碼審查（Automated Code Review）： 為瞭解決 AI 可能產生大量低品質程式碼（所謂的“AI Slop”）的問題，OpenAI 內部形成了一個慣例：讓 Codex 審查自己生成的程式碼。“Codex 在這方面做得非常好，我們特意訓練模型擅長程式碼審查，它能提供訊號雜訊比極高的反饋。”如今，在 OpenAI，幾乎所有的程式碼在提交時都會由 Codex 自動進行審查。“一個有趣的現像是，”他補充道，“人們有時會通過讓 Codex 去審查另一個模型生成的程式碼，來體會我們模型的強大之處。看完之後，他們通常會覺得，‘好吧，我應該直接用 Codex 來寫程式碼。’”，這是在陰陽claude code8. 建立一個開放的護城河：agents.md 的悖論與公開競爭在如今這個 AI 工具層出不窮、使用者可以輕鬆切換的時代，如何建立產品的“護城河”？Embiricos 坦言，OpenAI 採取了一種反直覺的策略：主動擁抱開放他解釋說，目前的編碼任務大多是封閉的或片段式的，這意味著使用者可以輕易地在不同工具間切換。然而，真正的粘性將來自未來。“當智能體開始與 Sentry、Google Docs 等其他系統互動時，它們會變得更有粘性。因為讓企業信任並授權一個智能體去連接這些系統，是一個具有粘性的決策。”儘管如此，OpenAI 的核心策略仍然是開放。“我們的 Codex 核心框架是開放原始碼的，我們一直在努力讓使用者更容易切換到其他工具。”他舉例說，OpenAI 創立了一個名為 agents.md 的檔案約定，用於存放給智能體的指令。“我們沒有叫它 codex.md，就是希望所有智能體都能使用它。現在除了一個老熟人（指 Claude），幾乎所有智能體都採納了。”這種策略對於傳統的風險投資邏輯來說是難以理解的。“這對我這個風險投資人來說太難理解了。”主持人插話道。“我完全理解，”Embiricos 回應道，“OpenAI 是一個非常有趣和不尋常的工作場所。從我們的角度來看，我們的工作是‘智能的分發’（Distribution of Intelligence）。”他解釋了這種資敵行為背後的邏輯：“我們把所有精力投入到訓練這些模型中，然後我們把模型提供給我們的競爭對手。因為我們玩的是一個非常長期的遊戲，如果競爭變得更激烈，我們也能從中學習，這對我們實際上是有幫助的。”儘管如此，他依然充滿自信：“我們擁有巨大的分發優勢（ChatGPT）、模型能力優勢和對新模型的優先使用權。我們在爭取勝利，但同時也在玩一個更長遠的遊戲。”9. 誰是工作的引力中心？Embiricos 認為，未來的市場格局不會是百花齊放，而是少數幾家巨頭佔據主導。他用自己在 Dropbox 工作時的親身經歷，講述了一個關於“引力中心”的深刻故事。“我曾在 Dropbox 工作，在 Slack 崛起之前，我們曾思考，使用者是應該在 Dropbox 裡直接評論文件，還是去 Slack 裡討論文件？”他回憶道，從最優的角度看，在視訊的特定時間戳上或文件的特定段落旁評論，顯然更高效。然而，我們看到的是，Slack 成為了人們交流的絕對‘引力中心’。沒人想去文件裡評論，我只想 Slack 你。即便效率更低，但巨大的引力把所有互動都拉向了 Slack。”他預測，AI 智能體領域也將發生同樣的故事。“我不認為一家公司會需要 12 種不同的智能體，讓員工去搞清楚該和那一個對話。那樣他們永遠無法形成使用習慣。”他斷言，“未來會有一個你可以和它談論任何事情的超級助理。它會成為工作的引力中心，人們會圍繞它分享最佳實踐，舉辦駭客松。最終，市場上只會剩下少數幾個這樣的平台。”10. 給投資者的建議：SaaS 並未消亡，但關係與記錄是新的護城河對於“SaaS 已死，模型層將通吃一切”的論調，Embiricos 提出了自己的框架。“我的問題是：這家 SaaS 公司是否與終端使用者建立了關係？如果答案是肯定的，我認為它就不會消失。”他進一步補充，“或者，這家 SaaS 公司是否掌握了某個極其重要的記錄系統？那它可能也不會消失。”他認為，在這兩種情況下，SaaS 公司的價值甚至比以往更重要。但他也發出了警告：“反過來說，如果這家 SaaS 公司只是一個膠水層，既不擁有使用者關係，也不掌握核心記錄系統，那我就會對它感到更擔憂。”他還指出，AI 時代對創始人的要求也發生了變化。“過去有一段時期，你只要能做出好產品就能獲得投資，可以忽略客戶、市場或分發策略。我認為那是一個反常時期。現在，建構好產品相對容易了，你必須回歸本源，去投資那些真正思考過分發、擁有深厚領域知識、知道為特定客戶建構什麼的創始人。”11. 快速問答過去12個月，你改變最大的想法是什麼？“我曾以為我們會通過多模態（視訊、音訊）與 AI 互動。我完全錯了。我意識到，基於程式碼讓智能體操作電腦，才是當前正確的路徑。這徹底改變了我對如何將 AI 帶給普通人的思考。”在 Codex 最艱難的產品決策是什麼？“最痛苦的決定是取消 Codex Cloud 的無限使用。我們知道拖得越久越難收回，但當時正專注於其他更有市場的產品。當我們最終設定了合理的用量限制後，雖然只有極少數使用者反對，但他們的負面聲音在社交媒體上傳播得很廣。我學到的慘痛教訓是：你不能讓任何東西無限免費太久。”5年後再看今天，工程或產品領域有那些做法會顯得很可笑？“第一，手動編輯程式碼。第二，可能更有爭議，是手動管理部署和監控。我認為很多創業公司會誕生於一個全新的、完全由 AI 管理的技術堆疊之上。未來，你創業的方式可能就是先僱傭一個智能體，讓它去建構，然後你再把聯合創始人加進這個與智能體協作的平台裡。”智能體的護欄應該由誰提供？“兩者都會有。我們正在投入巨大努力建構護欄，比如我們是唯一關心編碼智能體作業系統級沙盒的公司，並且正在開源我們為 Windows 建構的方案。但我們提供的方案不會是萬能的，一定會有第三方為特定的企業需求提供定製化的護欄。” (AI寒武紀)

馬斯克表示，AI將直接編寫二進制程式碼，且AI生成的二進制程式碼將比任何編譯器生成的都要高效。“到今年年底，我們甚至不再需要程式設計。”日前，馬斯克在一段發佈的視訊中如是說，AI將直接編寫二進制程式碼，且AI生成的二進制程式碼將比任何編譯器生成的都要高效。他預測，隨著AI技術的持續發展，人類對程式語言的依賴將會逐漸減弱。AI 系統可能自行完成從需求到可執行程序的整個工作流程，因此，程式設計將作為過時的中間步驟被時代拋棄，這將顯著縮短“從提出創意到執行落地”的距離。未來，程式設計這種職業或將不復存在。雖說馬斯克這番話引發了業內不少爭議，畢竟更多人更傾向於將AI看作“輔助”而不是“取代者”，但這番言論無疑為本就火熱的AI程式設計賽道又添了一把火。無獨有偶，近幾日國產AI的“春節檔”上新潮中，不少都瞄準了AI程式設計。例如字節2月14日更新的豆包2.0系列中，便包含Code模型，專為程式設計場景打造，強化程式碼庫解讀能力、提升應用生成能力、增強模型在Agent工作流中的糾錯能力；MiniMax 2月12日上線最新旗艦程式設計模型MiniMax M2.5，是全球首個為Agent場景原生設計的生產級模型，支援PC、App、跨端應用的全端程式設計開發；智譜在2月11日推出新一代旗艦模型GLM-5，內部評估顯示，其在前端、後端等程式設計開發場景中平均性能較上一代提升超20%；至於有望在春節期間亮相的DeepSeek V4，據媒體消息和機構報告顯示，程式設計能力或是其“王牌”。值得注意的是，Anthropic也在《2026年智能體編碼趨勢報告》中指出，傳統軟體開發的遊戲規則正在被徹底改寫。一個曾預計需要4到8個月的項目，使用Claude大模型後僅用兩周就完成。《報告》明確指出，程式設計師這一職業並不會消失，但那些“只會寫程式碼”的程式設計師將逐漸被市場淘汰。Anthropoic的Claude可以說是海外AI程式設計的龍頭。而在AI 賦能軟體開發各環節帶來效率提升較為明顯的情況下，以Claude 為代表的大模型和以Cursor為代表的IDE 工具營收快速增長，已體現出較好的商業化效果。廣發證券指出，與海外AI 輔助程式設計工具相比，國產AI 程式碼輔助工具產品具有兩個特點：一是呼叫國產AI 大模型的比例較高；二是儘管國產AI輔助程式設計工具在功能性上與Cursor 等海外產品有一定差距，但其使用價格相對更低、性價比更高。Grand View Horizon資料顯示，2024年全球AI 程式碼工具市場價值61億美元，預計到2030 年將達到260億美元，2024-2030年復合年增長率為27.1%。由於AI 程式設計直接作用於核心的開發環節，券商認為其有望成為最具價值的AI 應用之一。國聯民生證券認為，國內頭部開源大模型持續發力AI 程式設計，國內IDE 以及各類低程式碼平台有望明顯受益，依託頭部開源模型，IDE 及低程式碼平台的產品力有望持續提升，並加速在各個垂直細分領域的滲透以及企業級應用的落地，建議重點關注卓易資訊、普元資訊、金現代等公司。 (科創板日報)

OpenAI剛剛發佈了GPT-5.3-Codex-Spark。這是GPT-5.3-Codex的一個輕量級版本，也是OpenAI首個專為即時程式設計設計的模型。最大的亮點在於速度：它跑在Cerebras的晶圓級晶片（WSE-3）上，推理速度超過了每秒1000 token。這也是OpenAI與Cerebras宣佈合作後的首個落地成果，旨在超低延遲硬體上提供近乎即時的編碼體驗。在此之前，Codex這類前沿模型的強項是長跑——能自主工作數小時、數天甚至數周。但在日常寫程式碼中，開發者往往只需要改個邏輯、調個介面，如果還要等模型長考，體驗就很差。Codex-Spark就是為了填補這個空白。它專攻即時協作：你可以一邊看它輸出，一邊打斷、糾正、重新導向，主打一個“跟手”的互動感。為了追求極致速度，它默認的工作風格非常克制：只做最小化、針對性的編輯，除非你明確要求，否則不會自動運行測試。在SWE-Bench Pro和Terminal-Bench 2.0兩大基準測試中，Codex-Spark表現還不錯，耗時僅為GPT-5.3-Codex的一小部分。為了配合這種速度，OpenAI把底層的推理管線也做了一次大手術。通過引入持久化WebSocket連接和重寫推理棧，整個請求-響應鏈路的延遲大幅降低：客戶端/伺服器往返開銷降低80%。每token的額外開銷降低30%。首個token的生成時間縮短了50%。這種WebSocket路徑目前對Codex-Spark默認啟用，很快也會推廣到所有模型。在硬體策略上，Cerebras負責極低延遲的推理服務層，而GPU依然是訓練和通用推理的基石。未來在單一工作負載中，這兩者可以混合使用，兼顧性能與成本。目前，Codex-Spark已作為研究預覽向ChatGPT Pro使用者開放，整合在最新的Codex應用、CLI和VS Code擴展中。現階段支援128k上下文，僅限文字輸入。由於運行在專用硬體上，它有獨立的速率限制，且不佔用標準額度。這只是第一步。OpenAI的後續規劃是讓長線推理和即時協作兩種模式融合：Codex可以在與你保持緊密互動的同時，將耗時的長任務分發給後台的子智能體或平行模型。使用者不需要預先做選擇，系統會自動平衡廣度與速度。隨著模型越來越強，互動速度正成為最大的瓶頸。超快推理將收緊這個反饋循環，讓將想法轉化為軟體的過程更加自然。 (AI寒武紀)

Anthropic剛剛扔出一份18頁重磅炸彈：《2026年智能體編碼趨勢報告》。結論直接炸裂：程式設計師不再寫程式碼了，他們變成了「指揮官」。單個AI助手已經進化成自主智能體軍團，能花好幾天打造完整系統，甚至讓法務、市場這種完全不懂程式碼的人，也能自己做應用。軟體開發，正在經歷圖形介面發明以來最大的一次地震。2026年的AI圈，要說誰最風光，Anthropic絕對排第一。就在剛剛，Anthropic甩出了一份18頁重磅報告：《2026年智能體編碼趨勢報告》。這份報告的核心結論可以濃縮為一句話：任何人，都成為了開發者。程式設計/軟體開發的遊戲規則徹底變了！注意，不是「每個程式設計師變得更強了」，而是「非技術人員也能開發了」。這意味著軟體開發這個行當，正在經歷自DOS、圖形介面發明以來，最大的一次範式轉移。以下是報告全部8大趨勢的深度解讀，乾貨滿滿，一個不漏。寫在前面這份18頁的報告，資訊密度極高！Anthropic沒有畫餅，沒有講故事，用的是Anthropic自己的內部研究資料、真實客戶案例和對行業趨勢的冷靜判斷。核心訊號非常清晰：程式設計師不會消失，但「只會寫程式碼」的程式設計師會消失。未來的軟體工程師，是編排者、架構師、決策者。他們不再逐行敲程式碼，而是指揮一支AI軍團，同時保持人類獨有的判斷力和「品味」。而更深遠的影響在於「誰是開發者」這個問題的答案，將被徹底重寫。這才是Anthropic這份報告真正的核心結論。不是AI取代人類，而是人人都成為了開發者。趨勢一 軟體開發生命周期，正在劇變這是報告提出的第一個「地基級」趨勢。Anthropic認為，2025年，AI編碼智能體已經從實驗工具變成了生產系統，能給真實客戶交付真實功能。而2026年，變化將遠超「工具升級」的範疇。三個核心預測：1. 抽象層再升級。從機器碼到彙編，從C到Python，每一層抽象都在縮小人類思維和機器執行之間的鴻溝。現在，最新的一層抽象是——人類和AI的自然語言對話。程式碼的「戰術工作」（寫、偵錯、維護）交給AI，工程師聚焦架構、系統設計和「該做什麼」的戰略決策。2. 工程師角色大轉型。做軟體不再等於寫程式碼。現在，軟體工程師越來越多地變成了「編排智能體寫程式碼」的角色——評估智能體的輸出、提供戰略方向、確保系統解決了正確的問題。3. 入職周期坍縮。傳統的新人上手一個程式碼庫，要幾周甚至幾個月。現在，幾個小時就夠了。這一點，報告給了一個驚人案例——Augment Code（一家AI開發工具初創公司）的企業客戶，用Claude完成了一個項目，他們的CTO原本估計需要4到8個月。最終，只花了兩周。兩周 vs 八個月。這不是「提效」，這是「降維打擊」。更關鍵的一個資料來自Anthropic自己的社會影響研究團隊：開發者在大約60%的工作中使用AI，但他們能「完全委託」給AI的任務只有0-20%。這個數字打破了很多人的幻覺。AI不是替代你，而是和你「協作」。它是你的常駐搭檔，但用好它，需要精心設定提示詞、主動監督、驗證判斷——尤其是在高風險任務中。報告把這叫做「協作悖論」：AI參與度很高，但完全自治度很低。理解這個悖論，是理解整份報告的關鍵。趨勢二 單個智能體，進化成「智能體軍團」這是能力層面第一個重磅趨勢。2025年，一個Agent單打獨鬥。2026年，Anthropic預測：多個智能體將組成協調團隊，處理單個智能體根本搞不定的複雜任務。多智能體系統取代單智能體工作流。怎麼理解？單智能體模式：一個上下文窗口，順序處理任務。多智能體架構：一個「編排者」協調多個「專家智能體」平行工作——每個智能體有自己的專屬上下文——然後彙總輸出。就像一支管絃樂隊：指揮不需要親自演奏每件樂器，但必須確保每件樂器在正確的時間發出正確的聲音。報告中的案例也很炸——Fountain（一家前線勞動力管理平台）用Claude實現了層級化多智能體編排。他們的Fountain Copilot作為中央編排智能體，指揮專門的子智能體分別負責候選人篩選、自動文件生成和情感分析。效果是：篩選速度快50%，入職速度快40%，候選人轉化率翻倍。一家物流客戶把新配送中心的全面招聘周期從一周以上，壓縮到了72小時以內。一周變三天。這就是多智能體編排的威力。趨勢三 長時運行智能體，能獨立造完整系統如果說趨勢二是「空間上」的擴展（多個智能體平行），那趨勢三就是「時間上」的突破。早期的AI Agent只能幹幾分鐘的活：修個Bug、寫個函數、生成個測試。到2025年底，越來越厲害的AI智能體已經能花好幾個小時，產出完整的功能集。而到2026年，智能體將能連續工作好幾天。從一次性任務，到建構完整應用和系統。人類只需要在關鍵決策點提供戰略監督。四個核心預測：- 任務時間跨度從分鐘級擴展到天級甚至周級。 智能體自主工作更長時間，周期性接受人類檢查點。- 智能體能應對軟體開發中那些「爛攤子」。 跨越數十個工作會話，規劃、迭代、打磨，適應新發現，從失敗中恢復，全程保持連貫狀態。- 以前不可行的項目變得可行。 積攢多年的技術債務，可以被智能體系統性地逐一消滅。- 創業者從點子到上線應用，從幾個月縮短到幾天。樂天的工程師用Claude Code測試了一個超高難度任務：在vLLM（一個擁有1250萬行程式碼、多種程式語言的巨型開源庫）中實現一個特定的啟動向量提取方法。Claude Code在一次單獨運行中，經過7小時的自主工作，完成了整個任務。實現的數值精度達到了參考方法的99.9%。7小時，1250萬行程式碼庫，99.9%精度。這已經不是「輔助」了。這是AI真正在「幹活」。趨勢四 人類監督，通過「智能協作」實現規模化這個趨勢聽起來沒前幾個那麼炸裂，但它可能是最重要的一個。因為它回答了一個核心焦慮：如果智能體越來越強，人類還有什麼用？Anthropic的答案很清醒：人類不是被移除了，而是注意力被重新分配了。三個核心預測：- 智能體質控成為標配。 用AI審查AI生成的程式碼：分析安全漏洞、架構一致性和質量問題：這些工作量原本遠超人類處理能力。- 智能體學會「求助」。 不是每個任務都蒙頭硬上，而是識別出需要人類判斷的場景，標記不確定區域，把有業務影響的決策上報。- 人類從「審查一切」轉向「審查關鍵點」。 建立智能系統處理日常驗證，只在真正新穎的情況、邊界案例和戰略決策時尋求人類輸入。來自Anthropic內部研究的一個關鍵發現：工程師在大約60%的工作中使用AI，但能「完全委託」的任務比例極小。這個「矛盾」恰恰說明了問題：有效的AI協作，需要人類的主動參與。報告引用了一位工程師的原話——「我主要在我知道答案應該是什麼、或者應該長什麼樣的情況下使用AI。我是通過'笨辦法'做軟體工程才培養出這種能力的。」換句話說：你越有經驗，AI對你的加成越大。菜鳥用AI只是加速犯錯。老手用AI是「如虎添翼」。趨勢五 智能體編碼擴展到新領域和新使用者最早的AI編碼智能體，是給專業程式設計師在IDE裡提速用的。2026年，智能體編碼將突破這個圈子。三個核心預測：1. 語言壁壘消失。 COBOL、Fortran這些「老古董」語言？AI智能體也能搞。企業裡那些沒人敢碰的遺留系統，終於有救了。2. 編碼民主化超越工程師群體。 網路安全、維運、設計、資料科學——這些「非傳統開發者」也能用智能體編碼了。Anthropic自家的Cowork工具就是訊號。3. 每個人都變成了全端工程師。最後這一點特別有意思。報告的分析發現了一個一致的模式：人們用AI增強自己的核心專長，同時拓展到相鄰領域。安全團隊用AI分析不熟悉的程式碼研究團隊用AI建構資料的前端可視化非技術員工用AI偵錯網路問題或做資料分析這直接挑戰了一個根深蒂固的假設——只有專業工程師、用專業工具、在IDE裡，才能做「正經開發」。「會寫程式碼的人」和「不會寫程式碼的人」之間的壁壘，正在變得越來越模糊。法律科技平台Legora的案例也證明了這一點：Legora的CEO Max Junestrand表示，Claude在「遵循指令、建構智能體和智能體工作流」方面表現出色。律師可以在沒有工程背景的情況下，建立複雜的自動化流程。律師自己造工具。這在兩年前還是天方夜譚。趨勢六 生產力提升，重塑軟體開發經濟學這是「影響層」三大趨勢中的第一個。三大加速乘數： 智能體能力、編排改進、更好地利用人類經驗——三者復合疊加，創造的是階梯式躍升，而非線性增長。時間線壓縮改變項目可行性： 以前需要幾周的開發，現在幾天搞定。以前因為不划算而「擱置」的項目，現在變得可行了。軟體開發的總體擁有成本下降： 智能體增強工程師產能，項目時間線縮短，更快的價值實現改善了投資回報率。最有趣的一個洞察來自Anthropic的內部研究——工程師反饋：單個任務花的時間反而少了，但產出量大幅增加。這意味著什麼？AI帶來的生產力提升，主要不是「同樣的活幹得更快」，而是「幹了更多的活」——更多功能上線、更多Bug修復、更多實驗被執行。還有一個容易被忽略的數字：約27%的AI輔助工作，是「如果沒有AI就根本不會去做」的任務。包括：規模化項目、建構「錦上添花」的工具（比如互動式儀表盤）、以及人工做實在不划算的探索性工作。工程師還反饋，他們修復了更多「小紙割」：那些影響生活質量但通常被放在最低優先順序的小問題——因為有了AI，處理這些問題終於變得可行了。趨勢七 非技術用例，在組織中全面擴展Anthropic預測，2026年最重要的趨勢之一，就是智能體編碼在業務職能團隊中的穩步增長。不是工程團隊在用。是銷售、市場、法務、營運——這些部門也在用。三個核心預測：- 編碼能力民主化超越工程部門。 非技術團隊能自動化工作流、建構工具，幾乎不需要工程支援。- 領域專家直接實現解決方案。 最瞭解問題的人，自己動手解決問題，不用再「提工單然後等排期」。- 生產力提升擴展到整個組織。 那些「不值得佔用工程資源」的問題被解決了，實驗性工作流變得毫不費力，手動流程被自動化。Anthropic自己的法務團隊就是活案例——法務團隊用Claude驅動的工作流，把行銷稽核周轉時間從2-3天縮短到24小時。一位沒有程式設計經驗的律師用Claude Code建構了自助服務工具，在問題進入法務佇列之前就進行分類處理，釋放律師的時間去做戰略性法律諮詢，而非戰術性的瑣碎工作。一位律師，零編碼經驗，自己造工具。這段話值得反覆品味。趨勢八 智能體編碼改善安全防禦，但也增強攻擊能力最後一個趨勢，也是最具爭議性的一個。智能體編碼正在同時改變安全的兩個方向——防禦和攻擊。好消息是：安全知識被民主化了。 模型越來越強、對齊越來越好，把安全性嵌入產品變得更容易。現在，任何工程師都可以借助AI做安全審查、加固和監控——以前這需要專家級的專業知識。壞消息是：攻擊者也能利用同樣的能力擴大攻擊規模。三個核心預測：- 安全知識民主化。 任何工程師都能成為「安全工程師」，具備深度安全審查、加固和監控能力。- 威脅行為者擴大攻擊。 智能體在增強防禦的同時，也增強了攻擊。從一開始就把安全嵌入開發流程，變得比以往任何時候都重要。- 智能體網路防禦系統崛起。 自動化智能體系統以機器速度進行安全響應，自動檢測和應對，匹配自主威脅的速度。報告的結論很務實——優勢屬於有準備的組織。 從一開始就用智能體工具將安全嵌入開發的團隊，將更好地抵禦使用同樣技術的對手。2026年的四大優先事項報告最後，Anthropic給出了組織在2026年必須立即關注的四個領域——1. 掌握多智能體協調。 處理單智能體系統無法解決的複雜性。2. 通過AI自動化審查系統擴展人類-智能體監督。 把人類注意力集中在最重要的地方。3. 將智能體編碼擴展到工程之外。 賦能各部門的領域專家。4. 從最早期就將安全架構嵌入智能體系統設計。這四點匯聚成一個中心主題：軟體開發正在從「寫程式碼」轉向「編排寫程式碼的智能體」，同時保持人類判斷、監督和協作，確保質量結果。報告最後一句話，也是最核心的一句：目標不是把人類從環路中移除，而是讓人類的專長在最重要的地方發揮作用。 (新智元)

美國時間2月3日晚間，一場本該正襟危坐的頂級科技對話，最終變成了一場“五杯酒後的坦白局”。剛結束中國之行、甚至還沒來得及倒時差的輝達CEO黃仁勳，坐在了思科CEO查克·羅賓斯(Chuck Robbins)對面。幾杯酒下肚，黃仁勳的嗓音開始沙啞，但話語卻越來越犀利。藉著酒勁，黃仁勳不僅“砸”了程式設計師的飯碗，“懟”了管理學的教條，甚至還對幾家世界級巨頭來了一波貼臉“拉踩”：關於程式設計師：“程式設計？那只是打字而已。打字已經不值錢了。”關於控制慾：“如果你想掌控創新，那你該去看看心理醫生。”關於摩爾定律：“10年算力提升了100萬倍，在這種速度面前，昔日的摩爾定律簡直慢得像蝸牛在爬。”關於傳統巨頭：“我很愛迪士尼，但我敢肯定他們更想成為Netflix；我很愛梅賽德斯，但我確信他們更想成為特斯拉。”關於AI進化：“為什麼要讓人去適應工具？讓AI學會使用工具，我們才能創造出真正的‘數字勞動力’。”黃仁勳用這些“爆論”提醒所有掌舵者：在指數級進化的浪潮面前，你過去引以為傲的經驗，註定將被時代無情淘汰。01“失控”的百花齊放：你的第一課不是ROI，是“放手”當羅賓斯問及企業邁向AI的第一步應該是什麼時，黃仁勳的回答繞開了所有常規的商業話術。“我經常被問到投資回報率這類問題，但我不會先談那個。”他直截了當地說。在他看來，在技術爆發的黎明期，用電子表格去框定價值是徒勞的，甚至是危險的，因為這只會扼殺探索的觸角。他拿出了輝達內部的實踐作為例子：讓“百花齊放”。在輝達內部，AI項目多到幾乎失控。“注意我剛才說的：失控，但棒極了。”黃仁勳強調。他對此的解釋充滿哲學意味：“創新並不總是在掌控之中。如果你想掌控一切，首先應該去諮詢心理醫生；其次，那是一種錯覺，你根本掌控不了。”他的管理邏輯簡單到令人驚訝，像對待孩子一樣對待團隊的好奇心。“當我們的某個團隊說想嘗試某種AI時，我的第一個回答是‘可以’，然後我會問‘為什麼’。我不是先問為什麼再同意，而是先同意再問為什麼。”他對比道，我們在家裡從不這樣要求先給出證明，但在工作中卻這樣做，這對他來說毫無邏輯。黃仁勳描繪的路徑圖清晰而反直覺：第一步不是制定嚴謹的試點計畫，而是允許甚至鼓勵“安全地試錯”。讓每個有想法的團隊去接觸、去嘗試各種AI工具，無論是Anthropic、Codex還是Gemini。其目的不是立即產出效益，而是培養組織的“AI感覺”。只有經過一段充分甚至略顯混亂的百花齊放期，領導者才能憑藉直覺和觀察，知道何時該開始“修剪花園”，將資源集中到真正重要的方向上。“但你不能太早集中力量，否則會選錯箭。”他警告道。02從“螺絲刀”到“創造勞動力”：AI工廠的本質是價值轉移那麼，當企業開始探索之後，究竟要看向何方？黃仁勳用“AI工廠”這個概念，描繪了一幅遠比提升效率更宏大的圖景。他認為，我們正在經歷從“製造工具”到“創造勞動力”的根本性轉變。“我和查克所在的行業一直在製造工具，始終在做螺絲刀和錘子的生意。”過去幾十年，科技公司生產軟體、晶片、網路裝置，這些都是工具，是原子世界效率的延伸。但AI，特別是能夠理解物理世界、具備因果推理能力的物理AI，將改變遊戲規則。“有史以來第一次，我們要創造人們所謂的‘勞動力’，或者是‘增強型勞動力’。”他舉例說，自動駕駛汽車本質上是一個數字司機，而這個數字司機的生命周期經濟價值，將遠超汽車本身這個硬體。這才是“AI工廠”的深層含義：它不是一個存放伺服器的機房，而是一個源源不斷產出“數字勞動力”的新型價值創造中心。這種勞動力可以是一個永不疲倦的客服，一個即時最佳化供應鏈的調度員，或是一個能協同設計的工程師助手。黃仁勳給出了一個震撼的數字對比：全球IT產業規模大約在1兆美元，而全球經濟總量是100兆美元。“我們第一次面對一個拓寬了百倍的潛在市場總量。”這意味著，AI帶來的最大機會不是瓜分現有的IT預算，而是去滲透和重塑那剩下的99兆實體經濟。每一個行業都有機會通過注入這種數字勞動力，將自己重塑為一家技術公司。“我相信迪士尼寧願成為Netflix，梅賽德斯寧願成為特斯拉，沃爾瑪寧願成為亞馬遜。”他尖銳地指出，你們所有人都是這樣的。03“無限快”與“零重力”：用AI思維重新定義難題如何才能真正抓住這百兆級的機遇？黃仁勳提出了一個顛覆性的思維模型：用“豐盈”(Abundance)的假設來思考一切。他諷刺地說，在AI時代，昔日的摩爾定律慢得簡直像蝸牛爬。現在，我們需要建立新的認知基準。“過去10年，我們的算力提升了多少？10年100萬倍。”在這種指數級豐盈的前提下，企業領導者的思維必須升級。“現在當我想像一個工程問題時，我假設我的技術、我的工具、我的飛船是無限快的。去紐約要多久？一秒鐘就到。”他啟髮式地問道，如果一秒鐘能到紐約，你會做些什麼不同的事？如果過去需要一年的事情現在能即時完成，你會做些什麼不同的事？如果過去很重的東西現在變得沒有引力了，你會如何處理？他要求管理者將這種無限快、零重力的假設應用到公司最核心、最棘手的難題上。比如面對一個擁有數兆關聯關係的複雜網路分析，過去的做法是分而治之。“現在則是：把整個圖都給我，多大都行，我不在乎。”這種邏輯正在被應用到各處。如果你不應用這種邏輯，你就做錯了。這不再是漸進式的最佳化，而是用技術富足的可能性去重新定義問題本身的邊界。他警告，如果你的競爭對手或某個初創公司以這種思維方式發起挑戰，他們將從根本上改變遊戲規則。04你的“問題”比答案更值錢：主權AI與未來公司核心在暢想了無處不在的數字勞動力之後，黃仁勳將話題拉回一個更現實也更隱秘的關切：資料主權與核心智慧財產權。針對企業應該完全依賴公有雲還是自建AI能力的問題，他的建議如同教孩子學騎車。“自己造一台。儘管PC隨處可見，但去動手造一台，去弄明白為什麼這些元件會存在。”他認為，企業必須擁有“切身的技術掌控力”。更重要的是，他提出了一個尖銳的觀點：公司最寶貴的智慧財產權，可能不是儲存在資料庫裡的答案，而是員工與AI互動過程中產生的“問題”。“我不放心把輝達的所有對話都放在雲端，因為對我來說，核心智慧財產權不是答案，而是我的提問。”黃仁勳解釋道：“我的提問才是我最有價值的IP。我在思考什麼，我的提問反映了這一點。答案是廉價的。如果我知道該問什麼，我就鎖定了重點。我不希望別人知道我認為什麼是重要的。”因此，他認為涉及戰略思考的對話，必須在受控的本地環境中進行。他描述道，未來每個員工都會有許多AI助手，這些AI持續學習員工的決策和疑問，最終這些進化了的AI將成為公司沉澱下來的獨特智能資產。“這就是未來的公司，它會捕捉我們的生命經驗。”05五層蛋糕與“預錄製”時代的終結：從檢索到生成的根本革命當談到具體實施路徑時，黃仁勳回溯了一場持續了15年的認知革命。他追溯至AlexNet代表的第一次接觸時刻，並得出一個結論：世界大多數難題並無精確物理定律可循，答案往往是視具體情境而定。這類依賴上下文的問題，正是AI能夠大顯身手的領域。真正的拐點是自監督學習的突破，這使得參數從數億爆炸性增長至數兆。他斷言：“我們將從底層重塑計算。計算將從顯式程式設計轉向一種全新的範式，即通過模型學習軟體。”緊接著，黃仁勳用了一個精妙的比喻：我們正從“預錄製”時代，邁入了“生成式”時代。“過去的軟體之所以是‘預錄製’的，是因為它裝在CD-ROM裡。”在舊範式裡，軟體如同燒錄好的光碟，使用者互動本質上是檢索。而未來的軟體將是高度場景化的。“每個場景都不同，每個使用者、每個提示詞、每個背景都不同。每一份軟體實例都是獨特的。”未來的應用將根據即時上下文、意圖和背景，動態生成獨一無二的響應、介面甚至功能。這就是生成式的核心，傳統的硬體、框架、模型各層的建構邏輯都已改變。06隱式程式設計革命：當“打字”成為通用技能，你的專長才是王牌在這場深刻變革中，行業知識的價值正在飆升。“從顯式程式設計到隱式程式設計，你只需要告訴電腦你想要什麼，電腦就會寫程式碼。”他指出，這場持續了60年的以編寫精確程式碼為核心的計算範式正在終結。“因為事實證明，寫程式碼只是打字而已，而打字已變得平庸化。”這意味著技術能力的門檻將被極大降低。相反，那些深諳業務但不懂技術的領域專家，將站上浪潮之巔。“剛畢業的電腦高材生程式碼很厲害，但他們不知道客戶想要什麼。你們知道。寫程式碼的部分很簡單，讓AI去做就行。理解客戶、理解問題的領域專長，這才是你擁有的超級力量。”這場對話以對思科的感謝作結，但留下的核心資訊無比清晰：AI革命不是IT部門的升級，而是一次商業邏輯的“重設”。隨著夜色漸深，對話在關於烤串和薯片的調侃中結束。但黃仁勳帶著醉意吐露的真言，如同他預言的那些數字勞動力一樣，已經開始無聲滲透，準備重塑我們所熟知的一切。【以下是實錄全文】羅賓斯：嘿，嘿，嘿。對，大家待在那兒別動。黃仁勳：我覺得我現在的狀態就像是在邊喝酒邊辦公。羅賓斯：剛才我們把酒拿上來時，黃仁勳提醒了我。他說：“你意識到你正在直播這個，對吧？”嘿，管他呢，天色已經晚了。黃仁勳：第一個原則是：不造成傷害，並且要意識到你是多麼幸運。羅賓斯：首先，感謝大家在這裡度過了漫長的一天。我們今天一早就開始了，演講者一個接一個，在大概兩個半小時的休息後，大家又回來見你了。黃仁勳：我今天凌晨一點就起床了。羅賓斯：所以，這傢伙正處於一段為期兩周、跨越亞洲四五個城市的旅程末尾。黃仁勳：一天前我還在台灣地區，昨晚在休斯頓，現在我在這裡。羅賓斯：他出門兩周了，現在咱們正攔在他回自家熱被窩的路上呢，他已經住夠了酒店。所以，我們會玩得開心點，然後放他走。雖然你不需要太多介紹，但還是謝謝你能來，夥計。我們真的很感激。黃仁勳：感謝我們的合作夥伴關係，也為你們感到驕傲。羅賓斯：那我們就從合作開始談起吧。我們一直有合作，你引入了“AI工廠”的整套概念。我們正在合作推進，雖然在企業領域可能沒我們想得那麼快。我們能先聊聊對你來說什麼是“AI工廠”嗎？黃仁勳：首先要記住，我們正處於60年來首次重塑計算的過程中。過去是“顯式程式設計”（explicit programming），對吧？我們編寫程序和變數，通過API傳遞，這些都非常明確；現在轉向了“隱式程式設計”（implicit programming）。你現在告訴電腦你的意圖，它會去想辦法解決你的問題。從顯式到隱式，從通用計算（本質上是計算）到人工智慧，整個計算堆疊都被重塑了。現在人們討論計算時總關注處理層（processing layer），也就是我們所處的層面。但請記住計算的構成。除了計算和處理，還有儲存、網路和安全。這一切都在此時此刻被重塑。第一部分是我們需要把AI提升到一個水平——我們稍後會詳談——需要提升到對人有用的水平。直到目前，那種你給一個提示詞，它想辦法告訴你答案的聊天機器人（chat bots），雖然有趣且令人好奇，但還不算真正有用。羅賓斯：有時它能幫我完成填字遊戲。黃仁勳：是的，但也僅限於它記住和泛化的東西。如果你回頭看，其實也就是三年前ChatGPT剛出現的時候，我們驚嘆它能生成這麼多詞句，能創作莎士比亞作品。但那都是基於它記憶和泛化的內容。我們知道，智能的核心在於解決問題。解決問題部分在於知道你不知道什麼，部分在於推理如何解決從未見過的問題。將問題分解為已知且易於解決的元素，通過組合來解決從未見過的問題，並制定策略（我們稱之為“規劃”）來執行任務、尋求幫助、使用工具、進行研究等等。這些都是現在“智能體AI”（agentic AI）術語中的基本內容，包括工具使用、研究、基於事實的檢索增強生成（RAG）、記憶等。你們在討論智能體AI時都會聽到這些。但最重要的一點是，為了從這種“顯式程式設計”的通用計算（我們用Fortran、C、C++編寫的時代）進化。羅賓斯：對。黃仁勳：那是好東西，羅賓斯。羅賓斯：那是我的保底工作。黃仁勳：那是非常好的技能，那些技能依然有價值。羅賓斯：我知道。黃仁勳：它們依然有價值。羅賓斯：我已經拿到很多錄取通知了。黃仁勳：“恐龍”永遠是有價值的。我們剛證實了你比我大。我知道我是那個“史前時代”的人，雖然看起來不像，但確實如此。好了，這挺有意思的。我可能是這屋裡最老的人了。羅賓斯：那我們聊聊這個。黃仁勳，當你思考未來時。黃仁勳：我們現在就在這兒。我去找羅賓斯說：“嘿，聽著，我們需要重塑計算，思科必須參與其中。”我們有一整套全新的計算堆疊即將推出，叫Vera Rubin。思科將與我們同步推向市場。此外還有網路層，思科將整合我們的AI網路技術，並將其放入思科的Nexus控制平面中。這樣從你的角度來看，你既能獲得AI的所有性能，又保留了思科的可控性、安全性和管理性。我們在安全領域也會做同樣的事情。每一個支柱都必須重塑，企業計算才能受益。我們晚點再聊這個：為什麼三年前企業AI還沒準備好，以及為什麼現在你別無選擇，必須盡快參與進來。不要落後。你不必成為第一家利用AI的公司，但千萬別做最後一家。羅賓斯：沒錯。那麼如果你是今天的企業主，你建議他們採取的第一、第二、第三步是什麼，來開始做好準備？黃仁勳：我經常被問到投資回報率（ROI）這類問題，我不會先談那個。原因是，在所有技術部署的初期，很難用Excel表格算出新工具、新技術的ROI。我會去做的事，找出我公司的本質是什麼？我們公司做的最有影響力的工作是什麼？別在那些邊緣、次要的事情上浪費時間。在我們公司，我們就是讓“百花齊放”（let a thousand flowers bloom）。我們公司內部不同的AI項目多得幾乎失控，這非常棒。注意我剛才說的：失控且棒極了。創新並不總是在掌控之中。如果你想掌控一切，首先該去諮詢心理醫生。其次，那是一種錯覺，你掌控不了。如果你想讓公司成功，你控制不了它，你只能影響它。我聽到太多公司想要明確、具體、可論證的ROI，但在初期展示某件事的價值是很困難的。我建議讓百花齊放，讓人們去實驗，讓人們安全地實驗。我們公司在實驗各種東西，我們用Anthropic，用Codex，用Gemini，什麼都用。當我們的某個團隊說想嘗試某種AI時，我的第一個回答是“可以”，然後我會問“為什麼”。我不是先問為什麼再同意，而是先同意再問為什麼。原因是我對公司的期望和對孩子是一樣的：去探索生活。他們說想嘗試某件事，答案是“好”，然後才問原因。你不會說：“先證明給我看，證明做這件事能帶來財務成功或未來的幸福，否則我不讓你做。”我們在家裡從不這樣做，但我們在工作中卻這樣做。羅賓斯：你明白我的意思嗎？黃仁勳：是的。這對我來說毫無邏輯。所以我們對待AI的方式，無論是之前的網際網路還是雲技術，就是讓百花齊放。然後在某個時間點，你需要用自己的判斷力來決定何時開始“整理花園”。因為百花齊放會讓花園變得很亂。但在某個點，你必須開始整理，找到最好的方法或平台，以便集中力量辦大事（put all your wood behind one arrow）。但你不能太早集中力量。羅賓斯：否則會選錯。黃仁勳：沒錯。所以先讓百花齊放，到某個點再整理。就目前的進展來看，我還沒開始整理呢，我還在讓各地百花齊放。但我當然知道什麼對我們公司最重要。我確保有大量的專業知識和能力集中在利用AI革命化那些核心工作上，在我們的案例中，就是晶片設計、軟體工程、系統工程。你可能注意到了，我們與新思科技、楷登電子、西門子以及今天的達索系統合作，這樣我們就能注入我們的技術。無論他們想要什麼，我都會提供，以便革命化我們設計產品的工具。我們到處都在用新思科技、楷登電子、西門子和達索。我會確保他們得到1000%的支援，這樣我就有了創造下一代產品所需的工具。這反映了我對重塑自身工作的態度。想想AI做了什麼：它成數量級地降低了智能的成本，或者說創造了海量的智能。換句話說，過去需要一個單位時間的工作，現在過去需要一年的，可能只要一天；過去需要一年的，現在可能只要一小時，甚至可以即時完成。在“豐盈”（abundance）的世界裡，摩爾定律慢得簡直像蝸牛爬。記住，摩爾定律是每18個月翻兩倍，5年10倍，10年100倍。但我們現在在那？10年100萬倍。在過去10年裡，我們將AI推進得如此之遠，以至於工程師說：“嘿，猜怎麼著？我們干脆用全世界所有的資料來訓練一個AI模型吧。”他們指的不是收集我硬碟裡的資料，而是拉取全世界的資料。這就是“豐盈”的定義。它的定義是：當你看到一個巨大的問題時，你說：“管他呢，我全部都要解決。”我要治癒每一個領域的疾病，而不僅僅是癌症。我們直接解決人類所有的痛苦。這就是“豐盈”。現在當我想像一個工程問題時，我假設我的技術、我的工具、我的飛船是無限快的。去紐約要多久？一秒鐘就到。如果一秒鐘能到紐約，你會做些什麼不同的事？如果過去需要一年的事情現在能即時完成，你會做些什麼不同的事？如果過去很重的東西現在變得沒有引力了，你會如何處理？當你帶著這種態度去處理每一件事時，你就是在應用“AI邏輯”。這有意義嗎？比如我們合作的很多公司，圖分析中的依賴關係、節點和邊多達數兆。過去你會一小塊一小塊地處理圖，現在則是：“把整個圖都給我，多大都行，我不在乎。”這種邏輯正在被應用到各處。如果你不應用這種邏輯，你就做錯了。速度重不重要？一點也不重要，因為你處於光速。質量重不重要？零重量，零重力。如果你沒有應用這種邏輯去思考你公司裡最難的問題，你就沒做對。這就是他們所有人的思維方式。如果你不這麼想，你只要想像你的競爭對手在這麼想就行了。想像一家即將成立的公司在這麼想，這會改變一切。所以，去找到你公司裡最有影響力的工作，給它應用“無限”、“零”、“光速”的概念，然後問羅賓斯怎麼實現。羅賓斯：給我就行。黃仁勳：我們會一起實現。羅賓斯：你有一個“五層蛋糕”的類比，因為大家都在談論基礎設施、模型、應用。我該怎麼做？談談這個。黃仁勳：成功人士做的一件事就是推理正在發生什麼。大約15年前，一個演算法讓兩名工程師解決了一個電腦視覺問題。視覺是智能的第一部分：感知。智能由感知、推理、規劃組成。感知是：“我是什麼？發生了什麼？我的上下文是什麼？”推理是：“我如何根據目標進行推理？”第三是制定計畫去實現目標。就像戰鬥機的問題，感知定位然後行動。沒有感知就沒有第二和第三部分。如果不理解上下文（context），你就不知道該做什麼。而上下文是高度多模態的，有時是PDF，有時是電子表格。有時是感官和氣味，比如我們在那，在幹什麼，聽眾是誰，如何閱讀房間裡的氣氛，等等。大約13、14年前，我們在電腦視覺領域取得了巨大的跨越。AlexNet是我們看到的第一個突破，那就像是《第一次接觸》（First Contact），我愛死那部電影了。那是我們與AI的“第一次接觸”。於是我們思考：這意味著什麼？兩名工程師怎麼可能戰勝了我們所有人鑽研了30年的演算法？我昨天剛和Ilya Sutskever聊過，還有Alex Krizhevsky。兩個帶著幾塊GPU的年輕人怎麼可能解決了這個問題？這意味著什麼？十年前我對此進行了分解和推理，得出的結論是：世界上大多數有價值的難題其實都沒有基本的物理演算法。沒有F=ma，沒有麥克斯韋方程組，沒有薛定諤方程或歐姆定律，沒有熱力學定律，它沒那麼精確。那些我們稱之為“直覺”和“智慧”的有價值的事物，就像你和我會遇到的問題，答案通常是：“視情況而定”（It depends）。如果答案總是3.14那就太棒了，但生活中有價值的難題往往取決於背景和環境。既然視覺問題解決了，我們推理出通過深度學習，這不僅是可擴展的，你還可以把模型做得越來越大。我們當時要解決的唯一問題是如何訓練模型，而巨大的突破是“自監督學習”。AI開始自我學習。注意，今天我們已經不再受限於人工標註資料了，完全不受限。這打開了閘門，讓模型從幾億參數擴展到幾千億、幾兆。我們可以編碼的知識和學習的技能爆炸式增長。我們將從底座重塑計算。計算將從“顯式程式設計”轉向一種全新的範式，即通過模型學習軟體。這對計算堆疊意味著什麼？對軟體開發意味著什麼？對工程組織、產品行銷、QA團隊又意味著什麼？這些產品未來會變成什麼樣？我們如何部署？如何保持更新？如何修補軟體？我當時問了上千個關於未來計算的問題，得出的結論是：這將改變一切。於是我們將整個公司轉向上。簡單來說，我們從一個所有東西都是“預錄製”的世界走來。羅賓斯：確實是很棒的東西。黃仁勳：運行了很長時間。鄭重聲明，那些確實是用希伯來語描述的（幽默暗示舊技術的古老）。羅賓斯：確實。那是另一項技能。黃仁勳：畢竟，這屋裡恐怕只有你，能同時精通希伯來語和COBOL了。無論如何，那是預錄製的。我們編寫演算法，描述思想，然後配上資料。一切都是預錄的。過去的軟體之所以是預錄的，是因為它是裝在CD-ROM裡的，對吧？現在的軟體是什麼？它是情境化的，每個情境都不同，每個使用者、每個提示詞、每個前置背景都不同。每一份軟體實例都是獨特的。過去預錄製的軟體被稱為“基於檢索模式”（retrieval-based）。當你用手機點一下，它會去檢索一些軟體、檔案或圖像並展示給你。而未來，一切都將是“生成式”的（generative），就像現在這樣。這場對話以前從未發生過。概念存在過，背景存在過，但這每一句話的順序都是全新的。發生這種情況的原因顯而易見，因為我們已經喝了四杯酒了。羅賓斯：還有冷萃咖啡。Cobol、希伯來語，謝天謝地這不在校園裡，也沒在直播。黃仁勳：嗯。羅賓斯：大家都明白你在說什麼嗎？黃仁勳：你們聽懂了嗎？羅賓斯今天只給我喂了四杯酒。羅賓斯：公平點說，我只喂了你一杯，剩下三杯是你從自助餐檯上拿的。黃仁勳：我一直在盯著那些食物，我太餓了。食物離我大概有40英呎（12米）遠。羅賓斯：那是因為你一直在拍照。黃仁勳：真的很近，但我好幾次想過去都被推回來了。羅賓斯：你知道發生了什麼嗎？你的團隊提前告訴過我們，如果他喝了三杯，他就是最佳狀態。如果喝到第四杯，情況就要崩了。黃仁勳：這狀態可就不太理想了。好了，聽著，我們得留下一些智慧。能再來一杯酒嗎？羅賓斯：這可不是Dave Chappelle的脫口秀。黃仁勳：談談別的。能源。羅賓斯：晶片。黃仁勳：能源聽起來不錯。能源、晶片、基礎設施（硬體和軟體），然後是AI模型。但AI最重要的部分是應用。每一個國家、每一家公司，底下的那些層都只是基礎設施。你需要做的是應用這項技術。向上帝發誓，快去應用這項技術。使用AI的公司不會陷入險境。你不會因為AI丟掉工作，你會因為一個使用AI的人而丟掉工作。所以，行動起來，這是最重要的。羅賓斯：並且盡快給羅賓斯打電話。黃仁勳：你打給我，我打給他。羅賓斯：我們時間不多了。黃仁勳：我們有的是時間。羅賓斯是按時計費的，而我甚至不戴手錶。我在價值交付之前是不會離開的。如果需要一整晚，我會一直折磨你們所有人。羅賓斯：黃仁勳，這就是為什麼像我這樣的人需要表。你能談談“物理AI”嗎？黃仁勳：軟體行業在衰落並會被AI取代的這種說法是世界上最沒邏輯的事。讓我們做一個終極思想實驗：假設我們是終極的AI——通用機器人，物理版的。既然你是類人機器人，你能解決任何問題。你會用現成的螺絲刀還是發明一把新螺絲刀？我直接用現成的。你會用現成的鏈鋸還是重造一把？答案顯而易見是使用工具。既然如此，再看數字版。如果你是AGI（通用人工智慧），你會去使用ServiceNow、SAP、Cadence、Synopsis，還是去重新發明一個計算器？當然是直接用計算器。為什麼要讓AI學會使用工具？因為現有的工具是‘確定性’的。世界上很多問題都有標準答案，比如牛頓第二定律F=ma。你不需要AI給你一個機率上約等於ma的模糊答案，ma就是ma。再比如歐姆定律V=IR，它在科學上是絕對的，而不是‘統計學上的IR’。所以，我們希望AI像人類一樣，直接拿起這些精準的工具去用，而不是在那些已經有標準答案的事情上瞎猜。我們希望AGI使用工具，這是個大邏輯。下一代物理AI將理解物理世界和因果關係。如果我推倒這個，它會帶倒那一切。它們理解“多米諾骨牌”的概念。每一個孩子都能理解推倒它意味著什麼，這種因果、接觸、引力和質量的結合是非常深刻的。大語言模型目前還沒這概念，所以我們要創造物理AI。機會在那裡？到目前為止，我和羅賓斯所處的行業一直在製造工具。我們一直處於“螺絲刀和錘子”的生意中。有史以來第一次，我們要創造人們所謂的“勞動力”，或者是“增強勞動力”。比如自動駕駛汽車是什麼？它是一個數字司機。數字司機的價值遠超汽車本身。我們第一次面對一個潛在市場總量（TAM）大了一百倍的市場。全球IT產業大約一兆美元，而全球經濟規模是一百兆。你們所有人都有機會通過應用這項技術，成為一家技術公司。我相信迪士尼寧願成為Netflix，梅賽德斯寧願成為特斯拉，沃爾瑪寧願成為亞馬遜。你們同意嗎？這三個例子我說對了嗎？羅賓斯：是的。你們所有人都是這樣的。黃仁勳：我們有機會幫助每一家公司轉型為“技術優先”的公司。技術是你的超級力量，而你的行業領域是應用場景。為什麼要技術優先？因為那樣你就是在和“電子”打交道，而不是“原子”。原子的價值受限於質量，而電子的價值在CD-ROM變成電子流的那一刻爆炸了千倍。你需要成為一家技術公司。即便是只懂希伯來語程式設計的羅賓斯，這也是一種天賦。羅賓斯：這個程式設計方向從右往左寫，挺聰明的。黃仁勳：聰明人做聰明事。最美妙的是，你們公司的優勢是知識、直覺和領域專業能力。現在你第一次可以用自己的語言向電腦解釋你想要什麼。從顯式程式設計到隱式程式設計，你只需要告訴電腦你想要什麼，電腦就會寫程式碼。因為事實證明，寫程式碼只是打字而已，而打字已變得平庸化。這是你們巨大的機會。你們全都能從物理（原子）層面的束縛中解脫出來，實現質的飛躍。我們不用再受限於沒有足夠的軟體工程師，因為打字是廉價的，而你們擁有極其珍貴的東西——理解客戶、理解問題的領域專長。剛畢業的電腦高材生可能寫程式碼很厲害，但他們不知道客戶想要什麼，不知道該解決什麼問題。你們知道。寫程式碼的部分很簡單，讓AI去做就行。這就是你的超級力量。我這個總結是在喝了五杯酒後做出的。羅賓斯：這簡直是個奇蹟。黃仁勳：能和各位合作是莫大的榮幸。思科在計算發明的兩個支柱領域——網路和安全——有著極深的造詣。沒有思科就沒有現代計算。在AI世界，這兩個支柱都被重塑了。我們擅長的計算部分在很多方面是廉價商品，而思科掌握的東西極具價值。早前有人問我：應該租用雲端還是自己建構電腦？我的建議和給我孩子的建議一樣：自己造一台。儘管PC隨處可見，但去動手造一台，去弄明白為什麼這些元件會存在。如果你在運輸行業，別只用Uber，去打開引擎蓋，去換個機油，去理解它。這項技術對未來太重要了，你必須有一種觸覺上的理解。你可能會發現自己對此極有天賦。你可能會發現世界並非全是“租”或全是“買”，你需要一部分在本地（on-prem）。比如涉及主權和私有資訊時，你不會想把所有的“問題”都分享給所有人。舉個例子，你去見心理醫生時，你不希望你的提問被發到網上。羅賓斯：假設性的例子，對吧？黃仁勳：對，假設性的。所以我認為很多對話和不確定性應該保持私密。公司也是一樣。我不放心把輝達的所有對話都放在雲端，所以我們在本地建構了超級AI系統。因為對我來說，最有價值的核心資產不是答案，而是我的提問。你們聽明白了嗎？我的提問才是我最有價值的IP。我在思考什麼，我的提問反映了這一點。答案是廉價的。如果我知道該問什麼，我就鎖定了重點。我不希望別人知道我認為什麼是重要的。所以我要在自己的小房間裡，在本地，創造我自己的AI。最後一點想法，現在已經11點了。過去有個觀點叫“人在環節中”（human in the loop），這是完全錯誤的。應該是“AI在環節中”（AI in the loop）。我們的目標是讓公司每一天都變得更好、更有價值、知識更豐富。我們不希望倒退或原地踏步。這意味著如果AI在環節中，它會捕捉我們的生命經驗。未來每個員工都會有許多AI在環節中，這些AI會成為公司的智慧財產權。這就是未來的公司。所以，我覺得明智的做法是立即給羅賓斯打電話。羅賓斯：我打給黃仁勳。兩周的旅程，黃仁勳飛到這裡和我們度過了最後一晚，這是他很久以來第一次能睡在自己的床上。我們永遠感激。黃仁勳：非常感謝。另外，我眼角餘光一直瞄著那些肉串。羅賓斯：我希望它們還在那兒。黃仁勳：答應我的那袋薯片在那？羅賓斯：走吧，去吃。謝謝大家！ (首席商業評論)

今年，GitHub 上，AI 提交量佔比將達到 20%如果幾年前有人跟碼農同學說，「你以後可能要和 AI 搶 GitHub 提交記錄了」，他大概會笑掉大牙。但現在，他可能完全笑不出來了。根據 SemiAnalysis 最新發佈的分析報告，Anthropic 的 Claude Code，目前已經貢獻了 GitHub 上 4% 的公開提交量，並且有望在 2026 年底：達到 20% 的日提交量。這不是一個簡單的數位遊戲。當一個 AI 工具開始在全球最大的程式碼託管平台上「刷存在感」，它實際上正在重新定義什麼叫「寫程式碼」。01. AI「霸榜」GitHub4% 看起來並不是個很大的數字，但可怕的是這個數字背後的意義。GitHub 每天的提交量是一個天文數字。全球數千萬程式設計師在這個平台上推送程式碼、修復 bug、發佈新功能。而現在，每 25 次提交中，就有 1 次來自 AI。Anthropic Claude Code 負責人 Boris Cherny 在 X 上毫不避諱地「炫耀」：他的團隊現在 100% 使用 Claude Code 寫程式碼，連小的編輯都不再手動操作。更誇張的是，他們用一周半時間就用 Claude Code 建構了 Cowork 應用。這種效率提升不是線性的，而是指數級的。但真正讓人震撼的不是速度，而是質量。一位企業使用者透露，他 80% 的時間在使用 Claude Code，剩下 20% 用其他工具。「我的公司為 Claude Code 付費，我甚至不看成本。」這句話很有意思——當一個工具好用到讓人「不看成本」，說明它創造的價值，已經遠超價格。曾有業內人士曾這樣評價 AI Coding 的優勢：「AI 能繞過官僚主義。如果猶豫不決會讓大型組織陷入癱瘓，AI 不在乎。它會愉快地生成一個版本 1。」這句話點出了 AI 程式設計的核心優勢——沒有包袱，沒有猶豫，沒有「完美主義焦慮」。02. 程式設計師的「存在危機」但硬幣總有兩面。在 Hacker News 上，一位使用者分享了他的挫敗感：「多次我希望程式碼看起來是某種樣子，但它不斷拉回到它想要做事情的方式... 最終，我發現不與它爭鬥、讓它按照它想要的方式做事情更容易。」這段話透露出一個微妙的權力轉移：從「人指導 AI」到「人適應 AI」。Every 公司 CEO Dan Shipper 在部落格中寫道：「我們正處於自主程式設計的新時代。你可以在不看一行程式碼的情況下建構令人驚嘆的複雜應用程式。」聽起來很美好，但這也意味著傳統意義上的「程式設計師」，正在消失。如果你不需要看程式碼就能建構應用，那「會寫程式碼」，還算是一種核心技能嗎？SemiAnalysis 的分析師預測，這個趨勢將推動 Anthropic 在 2026 年實現爆發性增長，甚至超越 OpenAI。相比之下，GitHub Copilot 和 Office Copilot 雖然領先了一年，但「幾乎沒有作為產品取得任何進展」。這個對比很殘酷，也很說明問題：在 AI 時代，先發優勢可能不如產品體驗重要。03. 重新定義「程式設計師」但程式設計師同學可能不需要過分焦慮，程式設計師這個崗位不會消失，只是這個職業的定義在改變。就像 Dan Shipper 說的，即使在 2025 年，「你仍然需要真正理解底層架構，也許你仍然需要去查看程式碼」。但這個「需要」的含義已經不同了。程式設計師正在從「程式碼編寫者」變成「AI 協調者」。你需要知道如何與 AI 對話，如何審查它的輸出，如何在它犯錯時糾正它。你需要理解系統架構，但不一定需要親自實現每一行程式碼。一位 Google 工程師的反思很有代表性：社區對 AI 程式設計能力的討論「緊張」，一方面驚嘆於能力的提升，另一方面擔心被替代。但他強調，領域專業知識仍然重要，原型和生產環境之間的差距仍然存在。當 AI 程式設計足夠便宜、足夠好用，整個軟體開發的經濟學都會改變。也許 20% 的 GitHub 提交量只是開始。也許幾年後，我們會看到 50%、80%，甚至更高的比例來自 AI。這未必意味末日，而是一個新開始。真正的程式設計師不會被 AI 替代，而會學會如何讓 AI 成為最強大的工具。就像計算器沒有讓數學家失業一樣，AI 也不會讓程式設計師失業——它只會讓那些拒絕進化的人失業。程式碼即是機器語言，是 AI 的母語，將機器語言交還給機器本身，人類用自然語言描述 Idea，看起來似乎是個更自然的結果。 (極客公園)