不聲不響之間，朝鮮開始了新型大推力火箭發動機試車。3月29日，朝中社報導，朝鮮民主主義人民共和國國務委員長金正恩，視察了朝鮮最新型使用碳纖維結構的固體火箭發動機地上試車。此次試車的固體火箭發動機推力高達2500千牛，是朝鮮勞動黨九大後“新五年國防發展計畫”的重要一環。此次地面試車，除了金正恩到場，朝鮮勞動黨中央委員會書記趙春龍、勞動黨軍需工業部第一副部長金正植、勞動黨導彈總局局長張昌河全部到場參加，規格極高，從中也可以看出，朝鮮對此次新型複合材料結構固體火箭發動機試車的重視程度。朝鮮為何重視？什麼固體火箭發動機，怎麼讓朝鮮如此重視，從金正恩到趙春龍，從金正植到張昌河，四位大佬全部到場觀摩？主要在於兩個因素：其一是殼體材料，其二是發動機推力資料。根據朝中社報導的中文版原話，此次試驗的大推力固體火箭發動機，使用的殼體材料是“碳纖維增強塑料”。說是“碳纖維增強塑料”，說句大家都能聽懂的，這就是我們之前提過的碳纖維複合材料殼體，洲際彈道導彈使用複合材料殼體，可以在降低結構重量的同時，提高彈體結構強度、且可以在提高防熱性能的同時還確保彈體結構強度。因此，最起碼從上世紀70年代開始，美國製造的洲際彈道導彈就已經開始使用複合材料殼體，比如美國的MX和平衛士洲際彈道導彈，其一、二級殼體材料就使用凱夫拉芳綸纖維纏繞而成，三級則使用鈦合金外殼材料，“三叉戟”II-D5型潛射洲際彈道導彈則使用標號為IM-7的碳纖維複合材料，以達成最佳的結構性能。從目前新型洲際彈道導彈的結構和殼體設計看，使用碳纖維複合材料束絲纏繞來製造彈體，已經成為新型洲際彈道導彈的標準製造工藝。從朝鮮洲際彈道導彈的殼體材料看，火星-15和火星-17在殼體設計上較為落後，預計使用的還是高強度鋼/鈦合金材料這種金屬材料製造殼體，大約相當於美國60年代在研發“民兵-3”導彈時的技術。朝鮮的導彈殼體材料技術突破，應當是在火星-18型洲際彈道導彈研發過程中實現的，從金屬殼體、突破到了複合材料殼體。但是使用新一代碳纖維複合材料殼體，則要等到更先進的火星-20型重型洲際彈道導彈才實現。此次朝鮮再度試驗使用碳纖維複合材料殼體的固體火箭發動機，預計在使用的碳纖維結構強度，束絲纏繞工藝上又有了進一步的飛躍，也體現出朝鮮在碳纖維複合材料的研發和批產上，應當遠比外界想像的強大。而從推力資料上，此次朝鮮研發的大推力固體火箭發動機，除了在殼體材料上有一定進展，最大的優勢是巨大的推力——朝中社消息稱，此次試驗的固體火箭發動機推力達到了強大的2500千牛（大約相當於255.1噸）。這個資料實在過於驚人，結合其它資料看更為驚人：從殼體直徑上，儘管該發動機是被懸空固定在試車台上，但也可以看出金正恩、金正植、張昌河三人的高度，大約都只到發動機直徑的一半，這意味著該固體火箭發動機的直徑在2.5米左右！能夠實現這麼大結構、大直徑碳纖維複合材料束絲纏繞，朝鮮的固體火箭發動機技術確實非同凡響。而從發動機推力上，這台固體火箭發動機的推力達到255.1噸，已經超過了美國MX和平衛士洲際彈道導彈這種重型井射型洲際彈道導彈第一級海平面推力（約228噸），說句毫不誇張的話，目前能做到這個推力水平的固體火箭發動機少之又少——所以，從這個角度看，金正恩為何對這台固體火箭發動機這麼重視，怎麼朝鮮軍工系統的三位大佬一齊出動參加這台發動機的地面試車也就不難解釋了。朝鮮的目的搞了這麼大的固體火箭發動機，這是要幹什麼？那必然是要研發重型洲際彈道導彈了。目前已知的、使用海平面推力達到200噸以上的固體火箭發動機的洲際導彈，有一個算一個：美國的MX和平衛士，起飛重量88.4噸，最多可以攜帶10個MK-21型核彈頭（W87型核裝置），最大投擲重量高達3.6噸；蘇聯的15Ж61手術刀，一種使用鐵路發射的重型洲際彈道導彈，起飛重量大於100噸，最大投擲重量4噸、可以攜帶10個爆轟當量在400kt左右的核彈頭。朝鮮基於這款2500千牛的固體火箭發動機搞出來的，一定是對標這兩型重型洲際彈道導彈的東西——其實更有可能是後者，畢竟後者起飛重量、固體火箭發動機推力、第一級固推直徑（2.4米）主要技術參數，都和朝鮮搞出來的這個2500千牛推力的大傢伙有點類似。而15Ж61的老東家，不是別的，正是大名鼎鼎的、位於紅色烏克蘭第聶伯羅的蘇聯“南方”設計局，上世紀末到本世紀初甚至烏克蘭顏色革命後，有需求的朝鮮加上窮瘋了的南方設計局，你都不知道朝鮮從南方設計局搞到了多少離譜的東西。從這個意義上看，大伊萬的觀點，朝鮮這次要搞出來的東西，大機率是一個RT-23UTTH（15Ж61）差不多的東西，主要性能包括射程、投擲重量和精度應當比較接近。朝鮮如何部署？搞了這麼大一個洲際彈道導彈，朝鮮勞動黨的戰略意圖是什麼、這麼大一個東西打算怎麼部署？額，從戰略意圖看，勞動黨八大提出的國防建設五年發展計畫，明確提出要搞超大型核彈頭，既然要搞超大型核彈頭，那麼就得有足夠強大的運載裝置來運這個“超大型核彈頭”。朝鮮從火星-18開始將洲際彈道導彈的研發路線從液體火箭發動機轉向固體火箭發動機，然後連續推出了火星-19，火星-20，現在明顯要搞一個比火星-20的起飛重量還要大、可能是大得多的東西，其設計點應當是投擲重量導向，只不過這麼大的投擲重量能投擲什麼核彈頭就不好說了。按理說，以朝鮮到美國的射程，覆蓋美國（還有歐洲和中東的全部）國土，僅需要1.2萬千米的射程即可達到。那麼作為對比，蘇聯的15Ж60在載荷為4噸左右的情況下還可以達到1萬千米的射程，這意味著朝鮮的這款重型洲際彈道導彈，其投擲重量在3噸左右、射程1.2萬千米。想想看吧，3噸重的核裝置，作為對比，美國1954年在比基尼環礁實施的“城堡-B”核試驗行動，4.5噸重的核裝置爆發出1500萬噸的梯恩梯當量，這還是上世紀50年代左右的核裝置水平。朝鮮如果真的突破了氫彈技術，那麼以3噸的投擲重量，搞一個爆轟當量在1000萬噸左右的重型核彈頭問題不大。當然，朝鮮的國土面積根本沒法對這麼大當量的氫彈進行試驗，唯一的試驗手段就是進行電腦模擬，這就要考驗朝鮮的電腦模擬水平了。總的來說，大伊萬的觀點，朝鮮搞這麼大的洲際導彈，對朝鮮來講其實是很反常規的，如果以射程作為主要設計點，火星-18開始已經具備了攻擊美國全境的能力，而如果以MIRV能力作為主要設計點，在彈頭總數有限的情況下，多彈頭分導式載具並無提升生存性的能力。那麼，唯一的解釋，就是——朝鮮必須研發一個可以帶巨型核彈頭的洲際彈道導彈！而在部署方式上呢？其實按照蘇聯15Ж61的部署，這是鐵路部署的。蘇聯時期始終維持著3個戰略火箭軍鐵路機動洲際導彈師的建制，分別部署在科斯特羅馬、別爾謝奇和克拉斯諾亞爾斯克，一個師配備3到4個團，一個團配備一列導彈發射列車、包括機車車頭/通訊指揮車廂/生活保障車廂/3個發射車廂，使用西伯利亞大鐵路進行長距離機動巡航以達成最佳的戰役突然性、提高美國偵察衛星的搜尋難度。但是，以朝鮮鐵路的長度與鐵路系統質量，加上導彈起飛時冷發射出筒的反作用力，朝鮮的鐵路系統預計很難承受這麼大的衝擊，鐵路部署不太現實。而從發射井部署看，其實發射井部署是比較穩妥的，但朝鮮似乎非常喜歡特車部署——各種10軸以上的、奇觀一樣的大型特車就是證明。所以，預計朝鮮在試射這枚重型洲際彈道導彈時，還是會按照之前的做法，先在順安機場用特車進行試射，但是具體部署的時候怎麼部署再說嘛，但無論如何——從固體火箭發動機試車，到整彈成型完成試射，中間差的不遠，也許上半年，我們就能看到朝鮮這枚新的“火星”完成試射，大家可以先期待一下了。 (大伊萬頻道）

比特幣今年3月目前回報率暫報-0.76%，看似跌幅不大，但如果把時間拉長，這很可能意味著比特幣將追平連跌記錄。連續6個月收跌。對於熟悉周期的老玩家來說，這種走勢並不只是“弱”，而是極端情緒的體現。歷史上，比特幣僅出現過一次類似情況: 2018年8月至2019年1月，6個月累計下跌約54.8%。跟現在很相似也是高位腰斬，隨後，比特幣迎來連續5個月上漲(2019年2月至2019年6月)，累計漲幅高達208%。如果本月最後 2 天沒反彈將會追平紀錄，如過下個月比特幣繼續下行將會打破歷史紀錄。這次跟上次有什麼不一樣？很多人會本能地把當前行情與2018年類比，但如果只看“走勢相似”，很容易忽略更關鍵的變數。這一次市場的底層結構，其實已經發生了變化：1.資金結構變了過去由散戶主導，現在越來越多機構參與。無論是ETF資金，還是長期持有者（Long-term holders），都在拉長周期，降低波動頻率。2.敘事沒有消失，只是在切換2018年是ICO泡沫破裂，敘事幾乎歸零；而現在，從“ETF”、“減半預期”到“AI+Crypto”，市場始終有新的故事在接力。3.拋壓來源不同此前是恐慌性拋售，現在更多是結構性調整，比如高位籌碼鬆動、短期套利資金離場，而非系統性崩塌。換句話說，這一輪更像是—— 慢熊 or 長震盪，而不是單邊崩盤。連續6個月下跌是一個極端訊號，但它既可能意味著“更深的調整”，也可能意味著“拐點臨近”。2018年給出的答案是：深蹲之後，是爆發。而這一次，答案尚未揭曉。但可以確定的是當市場變得無聊、冷清、甚至讓人懷疑信仰的時候，周期，往往已經在悄悄醞釀下一輪故事。大家覺得這次比特幣會跌破歷史嗎？ (GoMoon)

3月28日，一道重達8噸的菱形鋼結構部件平穩升空，精準落位，天津117大廈的“鑽石頂”首件吊裝成功，標誌著該項目正式進入塔冠鋼結構全面施工階段。“鑽石”塔冠高17.5米，腰徑55米，最寬處向外探出塔身4.5米，大弧度彎曲結構在雲端作業，難度非同尋常。為攻克安裝精度這一挑戰，從加工製作、現場拼裝到高空就位，所有部件均依託三維建模技術進行全流程精度控制，確保每一根桿件都貼合設計標準，為後續裝飾裝修工程奠定堅實基礎。坐落於天津濱海高新區的117大廈，總投資約180億元，地上117層、地下3層，建築總高度597米，建成後將成為中國第三高樓、北方第一高樓。而其結構高度達到驚人的596.5米，是中國結構第一高樓，在世界結構高樓中僅次於杜拜哈利法塔。大廈由巴馬丹拿擔綱設計，華東建築設計研究院深化，中建三局承建，將東方哲學與現代美學相融，以《易經》“天圓地方”為靈感，取“少陽之數”7為核心理念，方正如印，頂部以巨型鑽石形態收束，寓意高貴、永恆與財富。結構上採用巨型框架—核心筒—外伸臂體系，高寬比達9.5，以漸進縮小的巨型柱與轉換桁架，兼顧抗風抗震性能。大廈創下11項世界之最，包括世界最長樁基（120米）、最大底板混凝土澆築量（6.5萬立方米）、世界最高觀光廳（579米）、最高室內泳池（564米）及最高旋轉餐廳（584米）等。項目於2008年9月開工，2015年9月實現建築結構封頂，後因資金等問題陷入長達十年的停滯。在政府主導與各方努力下，項目成功盤活，2025年4月復工建設。如今主塔樓招商基本完成，17家行業巨頭確定入駐，其中央企國企7家、民企10家。目前，塔樓已進入施工高峰期，4000餘名建設者奮戰一線，立體交叉作業全面鋪開。待117大廈落成，天津將成為全球唯一擁有兩座超500米摩天樓的國際大都市，在渤海之濱再添一座嶄新的世界級地標。 (GA環球建築)

在 AI 時代浪潮的衝擊下，人類社會正處於一場底層的結構性重構之中。這不僅僅是一次簡單的技術升級，更是對經濟基礎、生產關係乃至人類生存狀態的全面革新。當 AI 從單純的輔助工具躍升為具備自主生成與決策能力的“參與者”時，舊世界的規則正在加速崩塌。綜合各界前沿洞察，這場社會變革主要體現在以下四個核心維度：1. 職業結構的“摧毀”與“新生”在過去的工業革命中，新技術往往伴隨崗位的等量更替。但在 AI 時代，這種演變呈現出更為極端的分化特徵：傳統崗位的廣泛替代： 從流水線工人到程式設計師、設計師，甚至醫生、律師等“鐵飯碗”，都面臨被更廉價、更精準的 AI 替代的風險。企業的增長不再必須依賴增員，有時只需**“裁掉真人、升級算力”**。新興職業的湧現： AI 訓練師、資料標註專家、AI 倫理顧問等複合型人才成為新寵。人類角色的根本轉變： 核心競爭力將從“知識儲存”轉向批判性思維、跨界整合與情感溝通。人類正從單純的“勞動者”向“創造者”或“高級指令發出者”轉變。2. 階層分化與“新生產資料”的壟斷：從資本集中到算力霸權在 AI 時代，社會階層的劃分標準正在經歷劇烈重構。傳統的土地、廠房已成過去，算力、資料與核心演算法成為了決定財富歸屬的“新生產資料”。■ 新寡頭的誕生：掌控算力的頂端階層未來的社會財富將以前所未有的速度向少數人集中。研發頂級模型需要天文數字的算力與能源，掌握這些基礎設施的科技巨頭將成為新時代的**“算力寡頭”**。他們無需僱傭海量員工即可實現產能擴張，從而徹底切斷了傳統的勞資財富分配鏈條。■ 社會結構的“M型”折疊：中產階級的消解AI 的衝擊直接從“中間”切入。曾經作為中堅力量的初中級腦力勞動者（程式設計師、分析師等），其賴以生存的“存量知識”被 AI 瞬間拉平。社會可能走向兩極分化：極少數的 AI 統籌者與大量失去核心生產參與權的群體。■ “超級個體”的崛起：生產工具的平權在宏觀壟斷的同時，AI 也帶來了工具的下放。借助 AI Agent，具備極強產品思維的個人可以單槍匹馬完成過去整個團隊的工作。擁有**“增量知識生產能力”**的少數人，將成為打破壟斷、實現階層躍升的“超級個體”。■ 階層流動的“演算法化”：動態適配機制AI 也在消解血緣繼承。在高資訊密度時代，個體的創新能力與協作表現可被即時量化。社會有望建構一種**“誰更適配就上，誰失配就下”**的高流動性動態平衡，用演算法反饋替代粗糙的學歷篩選。3. 人類認知危機與“人工智殘”風險隨著 AI 全面接管生活，人類的認知能力面臨前所未有的挑戰：“去智化”現象： 學術界提出**“人工智殘”（Artificial Ignorance）的警告。過度依賴工具可能導致人類思考能力萎縮。若人類放棄進化，社會可能演變為 AI 扮演“牧羊犬”、人類淪為“羊群”的牧民社會**。教育的底層重構： 傳統的“填鴨式”教育將徹底失效。未來的教育必須轉向培養問題導向意識，以及在 AI 給出答案時的價值判斷力。4. 社會治理範式的相變從“災難重設”到“連續調節”： 歷史上的矛盾常通過危機釋放。但在 AI 時代，借助極高頻寬的資訊反饋，社會運行可以像工程系統一樣進行即時的**“參數微調”**，用科學的糾錯替代破壞性的動盪。人機共生與監管重塑： 政府需要重新確立責任邊界。建立 AI 倫理規範、隱私保護及全新的財富二次分配機制（如 UBI 全民基本收入），將是緩解技術陣痛的關鍵。結語我們正站在這場重構的臨界點上。舊的勞動關係和知識壁壘正在解體，一個基於算力驅動的新型社會生態正在形成。在這個勇敢者的新世界裡，無論是組織還是個人，“主動擁抱技術、重塑思維框架、堅守人類獨特價值”，將是跨越周期、避免被時代洪流吞沒的唯一生存法則。 (skyming)

字節Seed都開始用化學思想搞大模型了——深度推理是共價鍵、自我反思是氫鍵、自我探索是范德華力？！傳統的大模型長思維鏈推理基本把AI的思考過程等同於線性結構。但很多情況下，後續的一個關鍵結論，可能需要回過頭去驗證早早提出的假設。CoT把這種非線性的依賴關係忽略了。字節Seed在論文《The Molecular Structure of Thought》中首次給大模型的長鏈思維定義了分子式結構。在這種分子拓撲中，三種鍵是怎麼相互配合的？好的推理像分子結構團隊把DeepSeek-R1、gpt-OSS等強推理模型的長鏈思維拆成一步一步的，然後給每一步之間的“跳躍”打上標籤。打完標籤發現，所有有效的長鏈思維裡，其實就三種基礎動作來回組合。第一種叫深度推理，像共價鍵一樣結實。通俗來說就是類似“因為A所以B，因為B所以C”的硬邏輯推進。團隊在語義空間裡做了一個很形象的量化分析，把模型的每一步思考都當成一個點，看這些點最後會散成多大一個圈。圈子越小，說明模型越沒跑題，思考越聚焦。結果發現，加上深度推理之後，這個散點圈直接縮水22%。深度推理確實起到了收束雜念、鎖定核心邏輯的關鍵作用。第二種叫自我反思，像氫鍵一樣有彈性但穩定。類似於“等等，我剛才那步是不是想錯了”“讓我重新檢查一下前面的假設”，能把後面的思考拐回來跟前面的節點呼應上，形成一種折疊感。團隊測了模型自我反思時的思維軌跡，把每一步思考都看成語義空間裡的一個點，然後計算反思時會跳回多遠、落在那裡。發現81.72%的反思步驟，都會精準落回之前已經形成的靠譜思路區域裡。還對比了反思前後的思維範圍，反思前，語義空間體積是35.2，反思後，直接壓縮到31.2。再看聚類結果就更清楚了，反思之後，同一類正確思路的點會緊緊抱團，而那些零散、跑偏的分支會被自動推開。也就是說，自我反思氫鍵能把靠譜邏輯揉得更緊實、把跑偏想法篩出去、穩住整個推理大局，讓長鏈思考不再鬆散混亂。第三種叫自我探索，像范德華力一樣弱，但覆蓋面廣。這個就類似於“要不咱們試試這個角度”“有沒有另一種可能性”，在語義空間裡找新的解題路徑。量化分析顯示，加上探索行為之後，模型在語義空間裡的思維覆蓋範圍能從23.95擴大到29.22。雖然思路一打開穩定性就會下降，容易跑偏想歪，但能讓模型跳出死胡同，不卡在局部最優解裡，真正找到全新的解題路線。研究發現，所有強推理模型的三種思維行為比例和轉換規律都高度一致，相關性超過0.9，說明有效長鏈推理存在通用的穩定拓撲結構。你可能覺得“共價鍵”“氫鍵”只是個比喻，但論文發現，這個比喻背後藏著嚴格的數學對應。在Transformer裡，注意力權重的計算方式長這樣：眼熟嗎？這和統計力學裡的玻爾茲曼分佈一模一樣：如果把負注意力分數看作能量，那麼注意力權重就是模型在語義空間裡按“能量”高低選擇路徑的機率就是能量越低，被選中的機率越高。論文進一步分析了三種行為對應的“注意力能量”。深度推理通常發生在相鄰步驟之間，能量最低;自我反思會跳回較遠的步驟，能量中等;自我探索跳得更遠，能量最高.這就解釋了為什麼強推理模型的三種鍵比例如此穩定。因為模型的注意力機制本身就在追求最低能量的推理路徑，而深度推理、反思、探索正好對應了不同距離下的能量層級。語義同分異構體和智能熵減接著團隊還拋出了語義同分異構體的概念。這詞兒是借的化學，同樣的分子式，原子連接方式不同，就能搞出性質完全不同的物質。放到推理裡就是，同樣的題目，同樣的概唸點，用不同的”化學鍵“組合去解，出來的推理鏈條可以完全不一樣，但都能解對。但不是所有異構體都適合拿來教模型。這裡就要引入一個關鍵概念熵減。在熱力學裡，孤立系統總是自發走向混亂（熵增），而一個有效的長鏈推理過程，本質上就是在語義空間裡不斷降低不確定性——從一堆可能的方向中，逐步收斂到唯一正確的答案。這個過程就是“熵減”。而“注意力能量”機制，正是模型實現熵減的工具。模型的注意力天然偏好能量更低的路徑。當深度推理（低能量）被反覆選中，反思（中等能量）把前後邏輯折疊起來，探索（高能量）偶爾探路但不喧賓奪主，整個系統的“推理熵”就會快速下降，邏輯火速收斂。這如論文裡說的，只有那些能推動熵快速降低的“化學鍵”組合，才是模型真正能學會、能持續進化的穩定態。這在實驗中有個很典型的現象，從R1和OSS兩個不同強推理模型中蒸餾出的推理軌跡，語義層面的內容相似度高達95%，但混在一起訓練，模型反而崩潰了。這說明，長鏈推理的關鍵是思路結構必須穩定、統一，模型才能學得會。MoLE-Syn：從零合成穩定推理結構發現問題就要解決問題。基於這一整套發現，團隊搞了個叫MoLE-Syn的方法，來從零合成穩定的推理結構。具體操作就兩步。第一步，從強推理模型（比如R1、QwQ、gpt-OSS）的推理鏈裡，抽出一張行為轉移機率圖。這張圖裡每個節點是一種推理行為（化學鍵），每條邊是從一個行為跳到另一個行為的機率。第二步，拿著這張圖，讓普通的指令模型照著圖上畫的機率去生成推理鏈。用這個方法從零合成的訓練資料，喂給Llama或者Qwen，效果逼近直接蒸餾R1的水平。而且這麼做有一個大好處就是成本低。只要拿到那張行為轉移圖，普通模型就能自己生產合格的長鏈推理資料。團隊把用MoLE-Syn初始化過的模型拿去做強化學習，發現跑起來還特別穩。相比直接用蒸餾資料初始化的模型，MoLE-Syn版的在RL過程中收益持續增長，震盪也小得多。這說明一開始植入的思維結構夠穩，後面的強化學習就不會出現邏輯偏移。這項研究的負責人為字節Seed演算法專家黃文灝，曾在微軟亞洲研究院擔任研究員。第一作者是哈爾濱工業大學博士、字節Seed實習研究員陳麒光。合作單位還包括北京大學、2077AI Foundation、南京大學、M-A-P、中南大學。不得不說，這波操作有點當年薛定諤拿物理學公式推生物學那味兒了。給大模型推理這個捲得飛起的領域，開了個挺清爽的新腦洞。 (量子位)

AI浪潮下，各種晶片術語層出不窮，讓人雲裡霧裡。而黃仁勳的“五層蛋糕理論”讓人豁然開朗。黃仁勳提出AI產業可分為五層架構——能源、晶片（硬體）、基礎設施、AI模型、應用層。每層的含義分別為：-底層（橙黃色）：能源層這是整個AI產業的基礎支撐，圖中的燈泡、閃電、太陽能板等元素，代表了資料中心和計算裝置運行所需的電力供應與能源基礎設施。-第二層（藍色）：晶片和計算基礎設施層圖中的電路板、晶片圖案，對應了GPU、CPU等硬體，是AI計算能力的核心載體。-第三層（綠色）：雲基礎設施與服務層圖中的伺服器叢集、網路線路，代表了將算力進行整合、調度並對外提供服務的雲平台。-第四層（紫色）：AI模型層圖中的神經網路、大腦圖案，對應了大語言模型、多模態模型等各類AI演算法模型。-頂層（紅色）：應用層圖中的手機、機械臂、城市建築等元素，代表了AI在各行各業的具體落地場景，比如自動駕駛、智能製造、金融風控等，也是AI產業價值的最終體現。輝達（NVIDIA）自己定位為“平台公司”，處於晶片和軟體基礎設施層，為AI企業提供基礎技術。 (貓熊蜘蛛)

一項由國際著名民調機構 蓋洛普（Gallup） 進行的調查顯示，美國勞動力市場內的人工智慧（AI）使用正迅速上升。截至 2025 年底，約 12% 的美國在職者報告稱其“每日使用 AI 工具”，這一比例較一年前顯著增長，反映出 AI 在日常工作流中的滲透速度加快。調查同時指出，AI 的使用率在高技能、高教育背景的白領崗位中更為顯著，而在低技能或崗位自動化風險較高的群體中仍較低。蓋洛普調查基於對約 2,000 名美國就業者的抽樣訪問，涵蓋製造業、服務業、金融、科技、教育和醫療等多個行業。結果顯示，AI 日常使用率在科技和資訊服務行業超過 30%，而在製造業與傳統服務業則低於 10%。此外，受教育程度與 AI 使用存在明確正相關關係：擁有大學及以上學歷的員工中，每日使用 AI 的比率顯著高於高中及以下學歷群體。隨著 AI 工具（如 ChatGPT、Microsoft Copilot、Google Gemini、Anthropic Claude 等）在企業內部快速推廣，這一使用率的提升主要體現在文字生成、電子郵件處理、資料整理與基本分析等常規任務中。部分受訪者表示，AI 提升了效率，減少了重複性勞動的負擔；也有部分受訪者擔憂其工作評估標準將隨 AI 使用而改變。調查中約 40% 的 AI 日常使用者認為 AI 提升了他們的工作效率，但約 27% 的受訪者表示對 AI 的影響感到焦慮或不確定。從僱主側看，越來越多的公司在其內部培訓計畫中納入 AI 使用指導。據業內諮詢機構統計，美國企業對 AI 相關培訓的投資在 2025 年較 2024 年增長了約 60%，許多大型企業已將 AI 使用納入績效評價與技能矩陣中。企業在採納 AI 時也面臨政策與合規考量，尤其是在客戶資料安全、隱私保護和模型輸出精準性方面的風險管理要求日益嚴格。這一趨勢背後與勞動市場動能、技術擴散路徑和企業數位化策略密切相關。勞動力市場專家指出，AI 的日常使用率遠高於僅依賴“是否接觸過 AI”的指標，它更多反映出AI 已從實驗性工具向日常生產力輔助工具轉變。同時，不同行業與崗位之間的異質性也暗示出 AI 技術在工作場景中的接納程度存在分層結構。儘管 AI 的採納為提升效率、縮短任務時間帶來明顯貢獻，但也提出了結構性挑戰。一方面，AI 的日常使用正推動某些崗位內技術熟練度的前移；另一方面，低技能崗位在短期內尚未獲得顯著的 AI 使用機會，可能進一步加劇技能鴻溝與薪酬不平等。教育與培訓體系的適應性、企業內部再培訓策略以及社會政策與職業轉換支援，將成為未來一段時間內衡量 AI 對勞動力市場影響的重要變數。AI 在美國工作場景中的“日常化”並非簡單的使用普及，而意味著生產力工具正在成為工作流程的內嵌層。當 12% 的勞動人口每天與 AI 共事時，我們不能只是關注“多少人使用”，更要關注AI 如何改變工作標準、任務邊界和崗位能力要求。 (AI Evangelist)