#自動化 AI
Kimi Claw 實測:OpenClaw 熱潮之下,自動化 AI 仍是拓荒期|AI 上新
Kimi Claw,國內第一批「吃」上 OpenClaw 的 AI。2026 年,一隻小龍蝦攪翻了整個 AI 圈,年後 OpenClaw 餘熱還在繼續發力。近期,多家國內模型廠商先後推出對標 OpenClaw 的產品,Kimi 推出的 Kimi Claw,Mini Max 推出的 MaxClaw,顯然,OpenClaw 所展現出的 AI 執行力,以及開發者們對 AI 執行結果所展現出來的包容程度讓市場看到了價值空間。在一眾對標產品中,Kimi Claw 的定位比較清晰,它並非從零自研的 Claw 產品,而是基於 OpenClaw 的託管雲服務,資料託管在 Moonshot 雲端,並且直接配置了 5000+ ClawHub 社區技能。它的優點在於使用較為穩定,部署方便,上手簡單,且依託於雲,可以實現 24/7 線上執行運轉。打開 Kimi 官網,只需要你一鍵點選建立,Kimi 就會直接部署 Kimi Claw。Kimi Claw 一鍵部署|圖片來源:極客公園換句話來說,Kimi Claw 並也不是一個獨立新產品,它本質上就是一台為使用者遠端開好的虛擬機器,讓使用者通過 Kimi 直接訪問運行在雲端的 OpenClaw 環境。它沒有做任何功能刪減,也沒有額外封裝,和本地部署 OpenClaw 幾乎沒有區別,只是把部署、配置、環境搭建這一步替使用者完成了,但並沒有對 OpenClaw 部署之後的調教過程做任何處理。如果沒有學會正確給出指令、合理安排任務,其上手難度仍然比較高。對於從未接觸過 OpenClaw 類產品的使用者來說,這也會導致一個預期錯位,使用者以為接入 OpenClaw 就可以做自動化 AI 執行,但其實只是多了一個便攜介面,後續仍有很多設定需要自己探索。也因此,為 OpenClaw 類產品提供一些熱門的預置 Skills 將會成為不少 AI 模型廠商接下來重點發力的方向。目前 Kimi Claw 仍處於 Beta 測試階段,僅對 Kimi Allegretto 以上的會員開放使用權限。欄目作者召集極客公園的新欄目「AI 上新」,將帶大家體驗最新的 AI 應用和硬體,讓你成為 AI 時代「最靚的仔」!現在,我們也向所有喜歡嘗鮮和體驗 AI 的同學發出召集,只要你發現並體驗了新的 AI 應用或者功能,按照格式(參考案例:用 AI Agent 可以做「一人公司」嗎?我在 Manus 新功能上看到一種可行性|AI 上新)向欄目投稿,在極客公園公眾號發佈,不僅能獲得相應稿費,且會為你「報銷」AI 應用的訂閱費用。同時,優秀作者還有機會進入極客公園 AI 體驗群,獲得最新 AI 應用和工具的內測資格,參加極客公園專屬相關 AI 活動,和 AI 應用創始人一對一溝通。0130 分鐘搭建自動化辦公工作流我們發現,很多使用者和我們一樣,接入 OpenClaw 之後,依然摸不清 AI 的執行能力邊界,對它到底能做什麼、不能做什麼充滿好奇,但也充滿未知,不知道接入之後該從那裡下手。其實,目前不管是本地部署 OpenClaw 這類自動化 AI,還是直接接入 Kimi Claw 這樣的外接入口,整體的使用思路其實可以分成從 0 開始搭建應用和從 0.5 開始最佳化應用兩條路徑,我們分別從這兩種方式做了實際體驗,首先選擇從 0 開始開發一個應用,最佳化工作流。在體驗 Kimi Claw 之前,我先審視了自己有那些工作可以被打造成一個固定的工作流,或者我的工作流中可以有那些任務在 AI 加持之下變得更好。而在此之前,我所需要考慮的僅是我與那個類型的 AI 工具互動可以得到更好的結果。我選擇了工作日記環節,結合每天的工作流,工作記錄、工作總結、工作反思等環節最後輸出一份當日工作報告。找份報告過去都是個人耗時填寫,現在我希望可以 AI 自動抓取,再結合對話式互動自動形成表格。我先將大致思路遞給 AI 最佳化指令,最後從角色定義、技能配置、資料接入、核心工作流、多媒體表格結構、記憶重點、權限與邊界等多個層面給出一個非常長的複雜指令,遞給 Kimi Claw。Kimi Claw 很快分析完指令後,和我確認執行細節。比如說,基礎資訊、飛書權限、資料儲存和觸發方式。隨後我們開始按照指令去飛書平台搭建飛書應用,並且將把 App ID 和 App Secret 發給 Kimi Claw。其中有個環節需要在飛書內搭建表格的時候,我讓 Kimi Claw 直接給我表格的樣式,再遞給飛書內建的 AI 系統,讓飛書自動搭建表格。Kimi Claw 搭建的應用頁面之一|圖片來源:極客公園在經歷了找不到協作者、找不應用頁面、找不到 ID 等一系列問題,大約半小時後,我成功接收到了來自 Kimi Claw 的第一條消息。搭建這個 bot 的速度比我預期要更快。遇到問題時,我會把卡在那一環直接告訴 Kimi Claw,然後在其給出的方案中選擇合適的思路去執行,如果給出的方案沒有合適的,會繼續追問 Kimi Claw 其他解決方法。Kimi Claw 一鍵部署至飛書|圖片來源:極客公園搭建工作流時,跨平台能力的重要性也更加凸顯。接連開放 12 條飛書權限之後,我最終搭建 AI 應用並未完成理想狀態。其中,我希望 AI 通過閱讀我與他人的聊天記錄,從而梳理出我的工作任務,但幾輪嘗試後,AI 應用獲取的群聊列表仍為空,並表示飛書 AI 應用要求 AI 只能讀取自己參與的會話,應用無法讀取群聊列表。整體體驗下來,我認為 Kimi Claw 對一些常規工作流平台比如說飛書、釘釘等開發者工具比較熟悉,基本上給出的指令都能夠直接找到對應的執行方式,0 基礎使用者也能夠讀懂並執行。但這類企業應用會對自身的資訊權限比較看重,開放配置條件也較為嚴格,或許想要 AI 真正融入工作流,不僅看 Kimi Claw 這類開放者的工具,也需要等待更合適與 AI 融合的應用出現。而且,運轉過程中會出現不少 bug,比如,在此過程中,使用者與 Kimi Claw 的互動任務、正在運行的 Agent 任務,會被誤統計進個人工作安排。學會修改 bug 也成為調教 AI 的關鍵一環。如果選擇從 0 主動定製自己想要的應用或者功能,就需要使用者想好清晰的操作路徑,具備基本的產品思維。要明確資訊輸入與輸出兩端介面的開放程度和連通性,同時控制好每次呼叫與運行的成本。本次工作流搭建,全程 token 消耗約 15k-25k,按照 Kimi 的計價方式,大約 1 元左右。但每天大概花費 0.53 元,一個月大約在 15.9 元左右。02自動化 AI 新聞助手搭建實測:「預製」應用上手快,修改有成本除了讓 AI 定製化打造一個我設想的應用外,我還體驗了一些「預製」應用,比如說讓 Kimi Claw 自動抓取新聞。在我們做第一輪自動化新聞抓取任務時,嘗試讓 Kimi Claw 抓取某科技新聞媒體官網。當我們給出指令為:請監控 xxxx 的行業網站,總結最近一周以及未來 3 天內,每當有包含「AI」關鍵詞的新文章發佈時,請自動抓取標題、摘要、發佈時間,並將這些內容彙總到一個線上表格。同時,請在報告中按照我設定的風格進行爆款文章分析。Kimi Claw 會詢問我們具體配置資訊,但第一輪新聞抓取任務時,我們發現不少官網其實都有反爬蟲設定,很難去做優質網站的資訊監控。Kimi Claw 也很難給出精準的範圍抓取,因此會出現空轉的情況,而每一次空轉都意味著出現大量的 tokens 被消耗。該監控任務從今天凌晨 4 點到 11 點共運行約 8 次,消耗約 180K tokens,花費約 3.68 元。如果按原設定每小時運行一次,每天成本約 11 元,每月將花費接近 330 元。隨後,我們請教了相關人士後,開始放棄自己寫指令,轉而從相關 ClawHub 等網站下一個相關指令壓縮包,基於此基礎指令後,繼續定製相關新聞。將 Clawhub 的檔案部署至 Kimi Claw|圖片來源:極客公園隨後,我們對中文媒體、新聞篩選條件以及資訊傳送次數、時間均做了較為詳細的設定。最後能夠獲得一版不錯的 AI 新聞抓取結果。Kimi Claw 自動抓取結果|圖片來源:極客公園很顯然,如果只是被動使用預製好的應用,重點則是學會篩選優質的技能包(skills),並且能根據自身場景,對現成功能做適配調優。但如果想對這些預製好的 AI 應用做定製化修改,往往又會繞回從零搭建應用時遇到的那些難題,開發最佳化的難度不低,最終改出來的效果也未必理想。這個過程裡,使用者其實需要花大量時間,去體驗同一類產品裡不同 Skills 的便捷度、適配性,再決定到底基於那一類 Skills 去做二次開發、修改和擴展。這些其實也考量使用者的產品思維。03Kimi Claw 使用觀感:AI 執行力加強,指令就是生產力現在的現階段 Kimi Claw 的核心價值,只是降低 OpenClaw 的部署門檻,讓國內使用者能快速接入。但產品本身不自帶場景、不自帶技能,更像是一個「轉介面」,而非「成品」。我們在體驗過程中同樣發現,儘管 Kimi Claw 底層呼叫的雖然也是 Kimi K2.5 模型,但它是「裸模型+原生 OpenClaw」的組合,沒有繼承 Kimi 官網版經過搜尋團隊深度最佳化的多輪搜尋、內容強化、自動糾錯等能力。換句話說,官網 Kimi 好用,是因為背後有專門團隊對模型在使用者高頻場景上做了大量最佳化、自動補全能力;而 OpenClaw 環境裡接入的「裸」模型,更接近直接呼叫 API,沒有進行專門最佳化,所以會出現同樣的指令,遞給 Kimi Claw 呈現的效果不如直接遞給 Kimi  K2.5 模型。深度體驗後我能明顯感知,Kimi Claw 和傳統 AI、普通 Agent 產品的核心差異,集中體現在 AI 執行力與指令重要性兩大維度,這也是使用這類產品的關鍵邏輯。首先在執行力上,Kimi Claw 能在你不使用電腦時,同樣能夠執行任務,而非傳統使用者給出指令,然後一直等待任務完成的模式。我甚至可以告訴 Kimi Claw 這個指令在什麼時候執行,等我開機時能直接看到每一次定時輸出的結果。但同時也提醒我,對一些體驗性的應用記得設立停止終點,減少不必要的資源消耗。其次在指令上,過去我與 AI 的指令都會比較簡潔、直擊問題,當 AI 給出的解決方向不對時,再繼續調整。但 Kimi Claw 每一次運行複雜指令的時候,都會呼叫大量 Agent 協助,消耗的 tokens 也會成倍上漲,因此在給出指令時需要明確操作方式,權限範圍、執行路徑以及安全性和成本控制。比如說,過去我查詢新聞時的指令時「給出 10 條有關 OpenClaw 的新聞線索,並告訴我其新聞關注價值」,現在我給出的指令則是:作為資訊檢索專員,你擁有使用網路搜尋工具的權限(限用 web_search 和 web_open_url,禁止訪問需登錄的付費新聞庫),但需在以下約束內執行:1) 先執行關鍵詞'OpenClaw 最新動態'搜尋,僅獲取前 5 條高權重結果(優先技術媒體和官方部落格,排除論壇水帖);2) 分析每條的新聞價值時,嚴格限定在'技術突破'、'商業影響'、'安全隱患'三個維度,每個維度用一句話概括,禁止展開論述無關背景;3) 全程停用瀏覽器自動化點選和深度爬蟲技能,避免觸發反爬機制和額外 token 消耗;4) 輸出格式為表格:新聞標題 | 來源 | 關注價值標籤 | 簡要依據(≤30 字/條);5) 若搜尋結果不足 10 條,立即停止補充搜尋,直接按實際數量輸出,禁止為了湊數發起二次 broad search。預計 token 預算控制在 8K 以內,發現路徑偏離時立即終止並匯報而非自行修正。多數情況下,我甚至會讓 AI 最佳化一下我的指令表達,然後再遞給 Kimi Claw。只有給出具體、精準的指令,才能在合理的 token 消耗範圍內獲得最佳成果。甚至,不少公開論壇上,專門為 OpenClaw 準備的 Skills 庫也能夠幫助使用者更好地上手一些熱門應用玩法。精準、具象的指令,是在合理 token 消耗內獲得優質結果的前提,使用 Kimi Claw 的過程,本質就是使用者在模型能力、輸出結果、使用成本之間做權衡的過程。Kimi Claw |圖片來源:極客公園最後是,調教 AI。即便你快速搭建好的一個 AI 應用之後,你會發現這個 AI bot 並不會一開始就好用。它對於諸多指令的劃分,任務的合併其實與人類的理解會有比較大的差異,你仍然需要一輪又一輪的指令調教去探索產品的邊界。尤其是,很多資訊源的介面並不完全對外公開。這其中,想要真正做好資訊權的接入和讓渡都不是一件易事。說到底,目前 Kimi Claw 展現出來的應用效果,絕不是一個簡單的 Chatbot 之類的 AI 應用,擁有許多 AI 功能供使用者直接使用,而是一個需要使用者理解開發過程,並且能夠在諸多綜合權衡後做出選擇的開發者工具。只不過這個開發者工具能夠支援一些簡單化的自動化部署。04自動化 AI 依然有發展空間儘管 OpenClaw 從 2026 年開始徹底點燃了人們對自動化 AI 的想像,但從近期頻發的安全事件與新產品實測體驗來看,OpenClaw 至今仍只是一把鑰匙、一個契機,而非最終答案。無論是可落地的真實場景,還是可規模化的商業化路徑,AI 行業至今仍未走出一條清晰、成熟的路線。與之相對的是,市場在一輪又一輪的熱度炒作中不斷抬高對 Claw 類產品預期,甚至吸引了大量普通使用者去嘗試超出自身能力的高風險操作。可以確定的是,自動化 AI 從 AI 誕生第一天起就被行業重視,但 OpenClaw 能否跑出真正成功、可規模化的產品,依然存在巨大的待驗證空間。尤其是現在這類 AI 工具會直接拿到修改你終端、檔案的權限。在早期大家對 AI 的能力邊界還不清晰,很多新手小白直接把權限放開,很難想到做安全限制以及二次權限確認。把這麼高的操作權交給 AI,本質上也是系統風險直接開口。這也是為什麼,這類產品想真正規模化、商業化,安全和權限治理,會是比「能力強不強」更難邁過去的坎。從直接與大模型對話,到與單一 Agent 互動,再到與 Agent 叢集協作,再到如今 OpenClaw 的使用方式,行業在同一段 AI 能力基礎上,衍生出了大量功能相似、路徑不同的嘗試。這恰恰說明,整個行業仍處在 AI 功能探索期,除了 ChatGPT 這類成熟穩定的互動範式之外,人們對於 Agent、Claw 等新形態的使用邏輯、邊界與價值,仍在集體摸索。或許,要等到 2026 年走完,我們才能真正看到一批穩定、可用、具備真實價值的自動化 AI 應用落地。 (極客公園)
高盛聯手Claude,搞AI自動化交易,金融圈慌了!
CNBC消息,華爾街巨頭高盛和著名大模型平台Anthropic達成深度技術合作,要把Claude用到自家會計和合規的核心崗位上,搞AI自動化升級。這事可不是簡單的技術試水,是高盛實打實砸了六個月時間,讓Anthropic的工程師駐場聯合開發的成果,對於整個金融圈來說都是巨大變革。高盛的首席資訊官馬爾科-阿爾真蒂透露,這次的合作不是泛泛的技術對接,Anthropic的工程師已經在高盛駐場半年,核心就是打造自主AI智能體。現階段重點攻堅的是兩個後台核心類股,一個是交易和帳務的核算處理,另一個是客戶的資質稽核和開戶流程。這兩個工作都是金融機構的基礎活,特點就是流程多、資料量大、還特別耗時間,純人工做不僅效率低,還容易因為重複操作出小差錯,妥妥的後台工作痛點。目前這些AI智能體還在研發初期,具體上線時間沒定,但高盛這邊明確說很快就會推出。在他們的定位裡,這些AI智能體不是來取代員工的,更像是每個崗位的數字同事,專門扛下那些規模化、流程化的複雜工作,把員工從機械重複的勞動裡解放出來。其實高盛最早接觸Anthropic的技術,是從測試AI程式設計工具Devin開始的,現在這款工具已經在高盛的工程師團隊裡全面鋪開使用了。最開始大家都覺得Claude只是程式設計厲害,畢竟程式設計本身就是邏輯化、規則化的工作,適合AI發揮。但用著用著高盛發現,這款模型的能力遠不止於此,它能一步步拆解複雜問題,用邏輯推匯出結果,這種能力放到會計和合規工作裡居然也特別適配。這一點讓高盛的高管們都挺意外的,要知道會計和合規可不是簡單的敲程式碼,既要對著海量的資料和資料做解析,又得嚴格遵守行業的各項規則。還需要一定的專業判斷,能把這些活兒幹好,足以說明大模型處理複雜規則性工作的能力已經很成熟了。也正因如此,高盛內部現在達成了共識,既然程式設計領域能靠AI實現高效自動化,公司其他業務類股也完全有這個可能。這次高盛搞AI自動化,核心訴求很明確,就是提升效率。有了這些AI智能體的助力,客戶開戶的速度會大幅提升,交易對帳還有各類會計相關的問題,解決起來也會快很多,最終能讓客戶體驗更好,也能幫公司爭取到更多業務。很多人第一反應都會擔心,AI來了會不會裁員,畢竟高盛的會計和合規部門有幾千名員工。但高盛明確表示,現在說裁員還為時過早,現階段的AI應用,更多是為業務注入新的能力,控制未來的員工規模增長,而不是砍掉現有的崗位。不過有一個變化是確定的,隨著AI技術越來越成熟,高盛會慢慢捨棄現在合作的一些第三方服務提供商,畢竟自己的AI系統能搞定的事,就沒必要再找外部合作了,這也是企業降本增效的必然選擇。這次的會計和合規自動化,只是高盛AI佈局的一小步。按照目前的規劃,接下來高盛還會繼續開發新的AI智能體,把應用場景拓展到員工行為監控、投行推介材料製作這些領域。 (CAIE註冊人工智慧工程師)
畢業就失業,是一個全球現像嗎?
引言:教育回報的逆轉幾十年來,高等教育被視為通往經濟穩定的可靠路徑。在英美等發達國家,大學學位曾被視為中產階級的入場券,提供白領職位和高薪回報,並為購房和財富積累鋪平道路。然而,進入2025年,這一承諾正面臨嚴峻考驗。牛津經濟諮詢公司(Oxford Economics)2025年8月報告顯示,美國應屆大學畢業生失業率首次超過全國平均水平,達到5.3%,而整體失業率僅為4.4%。 這一歷史性反轉並非孤立事件,而是全球經濟轉型的縮影:經濟增長放緩、人工智慧(AI)自動化加速、學位供給過剩,以及宏觀不確定性共同作用,導致畢業生就業門徑縮小。根據美國勞工統計局(BLS)資料,2025年9月,20-24歲大學畢業生失業率升至4.8%,高於全國4.0%的平均水平。 在英國,高飛研究(High Fliers Research)2025年報告指出,應屆畢業生平均投遞21.7份申請,比2023年翻倍,但成功率降至30年最低,僅27%。 這一現象凸顯了供給側失衡:大學入學率從1960年的5-8%飆升至2023年的38-43%,學位稀缺性喪失,薪酬溢價隨之蒸發。本文基於最新資料(如BLS、Eurostat、HESA和LinkedIn報告),分析這一變革的核心驅動因素,包括供給擴張、成績膨脹、AI自動化、經濟不確定性和政策影響。同時,探討性別、地域和專業差異,並納入專家評論,評估對畢業生、僱主和政策制定者的啟示。最終,這一轉型並非災難,而是呼籲適應新範式的訊號。供給側變革:學位從稀缺品到基本門檻高等教育的擴張是畢業生就業困境的根源之一。英國高等教育統計局(HESA)資料顯示,1960年僅5%的年輕人上大學,到2007年升至43%,2023/24年入學人數達290萬。 美國人口普查局報告,25歲以上成人擁有大學學位的比例從1960年的7.7%躍升至2023年的38%。 這一趨勢源於政府補貼和大眾化教育政策,但也導致學位貶值:曾經的精英標誌如今已成為入門要求。成績膨脹進一步稀釋了學歷訊號價值。英國HESA資料顯示,一等學位比例從1990年代中期的7%升至2023年的30%。 辦公室學生監管機構(OfS)2024年報告指出,2021/22年一等學位達32.8%,其中一半無法用入學資格或專業解釋。 批評者認為,這反映了大學為提升排名而“通膨”成績,而非學生能力提升。X平台使用者@DelB0YTr0tter評論道:“如果每個人都是一等,那就沒有人是優秀的。”學位供給過剩直接壓縮薪酬溢價。平等機會研究基金會(FREOPP)2025年分析顯示,工程、護理和經濟學學位終身回報超50萬美元,而創意藝術、社會關懷、農業、英語、哲學、教育和心理學專業往往負回報。 喬治城大學(Georgetown University)研究確認,專業選擇比學校聲譽更重要:最差大學的工程學位ROI高於頂尖大學的藝術學位。 X使用者@bitcoin_opt_in指出:“文憑競賽貶低了學歷本身。”這一變革並非全球統一。南歐國家如義大利、希臘、西班牙和葡萄牙受益於歐盟復甦基金,畢業生失業率降至歷史低位:義大利2025年7.0%、希臘11.5%、西班牙12.0%、葡萄牙8.5%。 相比之下,英美面臨更嚴峻的供給壓力。AI自動化:入門級職位的無聲革命人工智慧是畢業生就業危機的加速器。彭博社2025年10月報導,OpenAI聘請100多名前投資銀行家訓練AI建構金融模型,取代初級銀行家的繁瑣工作。 英國西蒙斯&西蒙斯律師事務所(Simmons & Simmons)推出的“Percy”AI工具已負責檔案審閱和法律摘要,傳統實習生角色從“執行者”轉為“檢查者”。入門級職位銳減:LinkedIn資料顯示,科技招聘較疫情前下降20%。 人力資源下降78%、市場行銷46%、會計42%。 X使用者@k2__investment警告:“圖形設計師招聘下降32%,機器學習工程師上升39%。” 普華永道(PwC)首席AI官Dan Priest在《經濟學人》2025年訪談中預測,組織結構將從金字塔轉向“沙漏形”:AI取代中層,畢業生直升領導層。AI還擾亂招聘流程。《經濟學人》2025年文章指出,生成式AI使求職者一鍵生成數百份定製求職信,導致“檸檬問題”:僱主淹沒在噪音中,無法辨識優質候選人,轉向人脈招聘。 X使用者@techbysandeep強調:“技能>學位,DSA不足以勝任。”然而,AI並非全然破壞。PwC報告顯示,AI將創造1200萬職位,需求轉向AI開發、網路安全和人類中心技能。 醫療保健受益最大:2024年新增13.5萬個女性畢業生崗位,其中近5萬個在醫療。宏觀不確定性與“大凍結”:招聘停滯的成因2025年就業市場呈現“低招聘、低解僱”動態。高盛2025年10月分析顯示,私營部門裁員公告達非衰退期最高,WARN通知升至2016年以來峰值。 離職率下降阻礙職位流動,職業階梯“從上到下”堵塞。ZipRecruiter稱此為“抱負求職”:員工不願離職,企業不願擴張。關稅不確定性加劇僵局。美國企業面臨原材料成本波動,外國企業擔憂出口壁壘。高盛預測,這將抑制增長,導致“大凍結”。X使用者@HarzburgCapital評論:“AI壓縮勞動力市場中層,新畢業生無入口。”最低工資上調進一步扭曲入門級招聘。《經濟學人》2025年文章引用哥倫比亞大學Hannah Farkas論文:大幅提高最低工資導致僱主縮短工時、增加不安全環境,工傷率上升。 入門級成本接近資深員工,企業偏好經驗者。X使用者@thuy1975指出:“畢業生無力就業,高生活成本難承受。”差異化衝擊:性別、地域與專業分化就業危機並非均勻分佈。金融時報首席資料記者John Burn-Murdoch2025年分析顯示,性別差異顯著:男性應屆畢業生失業率從2024年的不到5%升至7%,女性保持穩定。 女性新增13.5萬個崗位,主要在醫療保健(近5萬個),而男性集中科技和金融,這些領域疫情後精簡入門職位。地域分化明顯。南歐受益歐盟基金:義大利畢業生失業率降至1990年代最低的7.0%,希臘從債務危機40%降至11.5%。 北歐如芬蘭9.4%、西班牙10.9%仍高企。專業選擇決定命運。FREOPP資料顯示,工程ROI超50萬美元,哲學負回報。 喬治城大學強調:“專業比大學更重要。” X使用者@VUKampala辯護:“AI無法取代需人類判斷的職業,如醫生、律師。”專家評論:適應還是顛覆?專家意見分歧。牛津經濟學家Matthew Martin警告:“畢業生失業將長期疤痕化,影響工資增長。” 聯準會紐約分行報告顯示,2025年第二季度畢業生失業率穩定5.3%,但隱性失業(低薪職位)超41%。樂觀者如PwC的Dan Priest認為:“AI將重塑結構,畢業生直達領導層。” 克利夫蘭聯儲2025年評論:“畢業生找工作率下降,但穩定性更高。” X使用者@DrElectronX擔憂:“系統對男性畢業生 rigged,無法入門。”政策層面,《經濟學人》呼籲教育與現實對接:推廣微證書、AI培訓和韌性行業如醫療。 喬治城大學建議關注低收入學生ROI:756,000美元 vs. 整體822,000美元。結語:適應變革的緊迫性2025年畢業生就業市場正經歷罕見轉型:失業率上升至9.2%(20-24歲美國人群),但整體4.3%仍屬低位。 AI、經濟不確定性和供給失衡合力製造“大凍結”,但也孕育機遇:醫療新增崗位超男性總和,AI創造1200萬職位。對畢業生:轉向韌性專業(如護理、工程),掌握AI工具,建立人脈。X使用者@slidebean警告:“AI威脅職業階梯第一步,非頂端。” 對僱主:短期節省或釀長期人才荒,15年內危機隱現。 對政策制定者:改革教育匹配需求,推動再培訓。這一變革要求更多努力和創意。階梯第一步猶在,但需新策略攀登。未來屬於適應者:技能而非文憑,韌性而非稀缺。 (周子衡)
AI狂熱不敵冷峻現實:企業下調AI代理預期,實現全自動化仍需數年時間
媒體報導,企業正從AI代理的狂熱預期中回落:儘管AI聊天與編碼工具已提升效率,但能“接管整份工作”的AI代理在落地中頻頻受挫,不僅部署難、成本高,還常出現自信卻錯誤的輸出,難以用於客服和網路安全等關鍵環節。多家企業放緩全自動化計畫,轉向“人機協作”模式,並將AI代理視為需長期投入、短期難見成效的研發項目。一些科技高管預計,AI代理距離真正成熟落地仍需數年時間。媒體報導,AI通過通用型聊天機器人和AI程式設計工具正在改變人們的工作方式,為OpenAI和微軟等公司的收入帶來增長,各家公司一直在嘗試把員工的工作內容交給人工智慧代理(AI agents)。然而,許多企業在使用更複雜的AI代理時卻遇到了困難,這些代理往往“勝任不了工作”,因此AI提供商不得不親自介入、與客戶一起排查問題,避免AI“搞砸事情”。例如,歐洲零售商Fnac在使用AI客服代理時遇到困難。Fnac曾測試過OpenAI、Google和其他實驗室的模型,但效果不佳。該公司首席數字與電商負責人Olivier Theulle對媒體表示,可靠性是個問題:當顧客反饋產品有缺陷時,AI要求顧客提供產品序列號,但卻把這些序列號與其他產品的序列號混淆了,而這些序列號僅有一位數字不同。Fnac每年營收達100億美元。Theulle說,直到與以色列公司AI21 Labs達成合作,並獲得其工程師的協助後,這個AI代理的表現才開始變得穩定。AI21聯合CEO Ori Goshen說,“問題在於,模型開箱即用時在各類基準測試上表現很好,但在真實企業環境中表現並不好。”“需要進行相當程度的定製化。”一些公司對媒體表示,只有在自家軟體工程師花上數月時間部署AI代理,並從AI公司那裡獲得直接技術支援後,他們才能真正從中受益。如今,科技公司領導者也表示,企業不能指望在沒有AI廠商“手把手扶持”的情況下,讓複雜AI項目順利運行。風投Vinod Khosla在10月接受媒體採訪時表示,“這就像說‘我們有輛賽車,任何人都能開’,但普通人根本無法發揮賽車的最大性能。”Khosla是OpenAI的早期投資者,最近又投資了一家AI諮詢初創公司,該公司向T-Mobile等企業派駐工程師,幫助他們在大型組織內落地AI。這家初創公司Distyl只是眾多在該領域崛起的公司之一,它們為需要支援的企業提供高科技諮詢服務。OpenAI、Anthropic、Salesforce和Snowflake等AI開發商和AI代理提供商也開始招聘前線部署工程師(FDEs)或推出類似諮詢服務,但這往往會提高他們的成本。另一個例子則是專為汽車經銷商提供軟體、年銷售額90億美元的Cox Automotive。此前該公司開發一個AI代理,用於為經銷商製作行銷網頁。由於該公司是亞馬遜雲服務AWS在汽車領域的最大客戶之一,所以得到了“白手套式的服務”。Cox首席產品官Marianne Johnson對媒體表示,AWS工程師和為該代理提供AI技術的Anthropic工程師飛到Cox位於亞特蘭大的總部,與Cox的軟體開發人員並肩工作了數天共同建構這個工具。她拒絕透露Cox為此向AWS和Anthropic支付了多少費用,但估計未來數年可節省數百萬美元的人力成本,因為公司無需再人工為客戶製作網站。“它很自信地胡說八道”AI代理的目標是處理客戶服務問題、管理IT系統等各種任務。AI和雲服務提供商正在押注企業使用AI代理帶來的收入,將其作為未來一兩年投入數千億美元建設AI資料中心的理由。但這些供應商以及部分客戶高管表示,AI代理太難配置,而且行為常常不可預測。這使得它們無法用於那些一旦出錯就會造成嚴重後果的任務。因此客戶降低了預期,不再奢望AI代理能自動化太多工作,並暫緩在客戶支援和網路安全等關鍵崗位部署AI代理。例如,IT服務巨頭Kyndryl今年開始測試微軟的Security Copilot,這是一款聊天機器人,旨在對接企業IT系統,用簡單英語解釋潛在安全漏洞,相當於自動化網路安全分析師的工作。但負責公司內部網路安全的Scott Owenby對媒體表示,當Kyndryl員工嘗試詢問一些基礎問題,比如“那些公司裝置運行的是過期軟體”時,Security Copilot給出的答案明顯是錯誤的。Owenby說,“它信心滿滿地胡說八道,而我佩服這種自信,但我無法相信它的資料。”Kyndryl花了約5萬美元測試了Security Copilot六個月,之後決定停止使用這款軟體。Owenby說,“我基本上是把5萬美元燒了。這不算多,如果那怕有一點用我們都會繼續用,但我們沒想到它居然完全沒法用。”Owenby還說,其他AI工具效果更好,例如Palo Alto Networks的軟體可以自動處理網路安全中重複繁瑣的工作,例如調查員工從新地點登錄或擷取敏感資料截圖的情況。這使得他過去一年減少了部分安全團隊的人手,但他表示仍然需要工作人員監控這些AI工具,而不能完全讓AI全權執行。“有些炒作成分”博世電動工具(Bosch Power Tools)年營收超57億美元。該公司數字客戶體驗負責人Florian Haustein對媒體表示,公司一年多以來一直在測試一款聊天機器人,用於回答客戶關於工具使用方式和故障排查的問題。但Haustein表示,這款聊天機器人仍然經常給出錯誤答案,一些錯誤答案甚至可能導致使用者受傷。因此,該項目仍停留在試點階段。他還表示,博世正在測試Google、OpenAI等多家實驗室的模型。Haustein對媒體說,博世在另一個不那麼激進的客服聊天機器人上收效更好,該機器人只回答更基礎的問題,例如在那可以買到某款產品;還有一款由SAP提供的AI工具能讀取客戶諮詢內容,並自動分配給合適的人類員工。Haustein說,“我認為‘完全用AI做客服’有些炒作。”“你必須確保答案接近100%精準……但我們仍然看到幻覺和錯誤答案。我認為我們還沒有達到能夠完全自動化所需要的信心水平。”一些技術供應商也承認AI代理還未成熟。亞馬遜CEO Andy Jassy在上周四的財報電話會上說:“現階段,建構AI代理仍比想像中困難。”“但隨著時間推移,企業從AI中實現的很多價值將來自AI代理。”AI代理產品收入難計算目前,通用聊天機器人、程式設計助手、AI搜尋和AI視訊生成工具的採用,已經幫助工程、市場和產品管理團隊提升了效率,企業高管們對媒體表示。這推動了AI供應商的新收入增長:根據媒體的生成式AI資料庫,由OpenAI和Anthropic引領的20家AI原生初創公司,每年因AI辦公用途獲得的年化收入已達230億美元,而三年前幾乎為零。但要單獨計算“AI代理”帶來的收入卻很困難。在Google、微軟和亞馬遜等雲公司,大部分收入增長來自OpenAI、Anthropic和Meta等大型AI開發商租用伺服器,而非企業類AI應用。在出售AI代理的企業軟體公司中,結果不一。Salesforce今年早些時候表示,其Agentforce產品(用於自動化銷售郵件、跟蹤發票等任務)年收入超過1億美元。ServiceNow則稱,其用於自動處理IT服務工單的AI軟體,有望在2026年底前實現10億美元收入。但這兩家公司的收入增長最近幾個季度都比2023年大多數時間慢。SAP尚未單獨公佈AI產品收入,但CEO Christian Klein在本月的財報電話中表示,AI將在未來兩年帶來“雙位數收入增長”。許多提供AI代理的軟體公司,包括Salesforce、Snowflake和Xero,目前甚至沒有對這類產品收費,他們希望等客戶真正認可價值之後再收費。ServiceNow全球客戶營運總裁Paul Fipps對媒體表示,近期客戶在試點AI功能方面不再那麼興奮,因為他們變得更加現實,開始考慮AI代理究竟能合理自動化那些任務。Fipps說,“在過去12到18個月裡,由於生成式AI的發展速度太快,很多客戶積極試點這些AI能力,鐘擺被推到了極端的一側。”“現在你看到鐘擺開始回擺。”他仍然樂觀,認為隨著AI代理不斷進步,未來幾年企業會繼續大力投入。目前,AI代理在軟體開發領域最成功。AI程式設計代理正成為許多公司工程團隊的標配。但軟體工程師仍需檢查AI的程式碼,因為AI會犯錯,意味著任務還不能完全自動化。“保持現實”Palo Alto Networks首席執行官Nikesh Arora表示,銷售AI工具的公司必須謹慎,不要過度承諾AI能自動化多少工作。他認為,網路安全崗位要實現完全自動化仍需數年。“我們保持現實的態度,(完全自動化)需要更多努力,我們必須非常確定,當把操作交給AI時,它採取的行動是正確的,因為網路安全是有後果的。”儘管如此,公司仍然認可AI代理帶來的收益,即使需要“有人看著”。例如,加拿大太陽馬戲團Cirque du Soleil正在使用SAP提供的一款AI代理,追蹤其服裝和舞檯布景供應商的發票。當供應商發郵件詢問發票狀態時,AI代理會檢查SAP系統中發票是否處理完畢,並草擬回覆郵件。過去,該公司有兩名全職員工做這件事;現在,這兩人已被安排到其他部門,只需一人稽核AI草稿再發出即可。該工具的營運成本低於一名全職員工的薪資,副總裁Philippe Lalumière對媒體說:“有時候AI寫的郵件不太禮貌,但供應商得到回覆更快、更清楚,所以整體滿意度更高。我們沒有因為它裁員,但生產力提升很明顯。”與此同時,其他AI代理供應商也提醒客戶,要把這些工具視為實驗性項目,而不是能立即帶來回報的投資。微軟核心AI產品開發總裁Asha Sharma上周在The Information的WTF峰會上表示:“把AI代理視為研發預算……一種將在未來5到10年見效的投資。”“我認為我們還處在非常早期階段……我們現在有數百萬個AI代理投入生產使用,但大家仍然在摸索如何讓AI代理真正有用。” (invest wallstreet)
“美國最大僱主”未來三年“不加人”!沃爾瑪CEO“坦言”:AI將改變所有崗位
沃爾瑪CEO直言"AI將改變每一個工作崗位,這一點非常明確",公司計畫未來三年維持210萬員工總數不變,但崗位構成將重大調整。沃爾瑪已在高層會議中全面評估AI對員工隊伍的影響,通過倉庫自動化削減部分崗位,同時新增AI相關職位。美國最大私營僱主沃爾瑪正面臨AI帶來的勞動力變革挑戰。該公司高管明確表示,AI技術將淘汰部分工作崗位並重塑整個員工隊伍,這標誌著大型企業對AI就業影響態度的重大轉變。9月26日,據報導,沃爾瑪首席執行官Doug McMillon本周發表了迄今為止大公司CEO關於AI對就業影響最直接的評估之一。他表示:"AI將改變每一個工作崗位,這一點非常明確。也許世界上存在AI不會改變的工作,但我想不出來。"作為應對策略,沃爾瑪計畫在未來三年保持約210萬全球員工的總體規模不變。該公司首席人事官Donna Morris表示,雖然員工總數保持穩定,但崗位構成將發生重大變化。這一表態反映了企業領導者討論AI技術人力成本方式的快速轉變。包括福特、摩根大通和亞馬遜在內的多家公司已開始直接預測AI相關的裁員,並建議其他僱主為員工隊伍變化做好準備。全面審視AI對崗位的衝擊報導稱,沃爾瑪高管已開始在幾乎每次高層規劃會議中審視AI對員工隊伍的影響。公司領導層正在追蹤那些工作類型會減少、增加或保持穩定,以評估在那些領域需要額外培訓和準備。McMillon在本周於沃爾瑪Bentonville總部舉行的員工大會上表示:"我們的目標是為每個人創造機會,讓所有人都能成功過渡到新時代。"沃爾瑪已經建構了面向客戶、供應商和員工的聊天機器人,該公司稱之為"代理"。公司還在利用AI追蹤供應鏈和產品趨勢的更大份額。一些變化已經在員工隊伍中產生漣漪效應。近年來,沃爾瑪在AI相關技術的幫助下實現了許多倉庫的自動化,引發了一些崗位削減。與此同時,新崗位也在建立。例如,沃爾瑪上個月建立了"代理建構者"職位——專門建構AI工具來幫助商家的員工。公司預計將在送貨上門或高接觸客戶服務崗位(如面包房)等領域增加人員。近年來,沃爾瑪還增加了店內維護技術員和卡車司機的崗位。McMillon表示,整個行業的變化步伐將是漸進的。例如,呼叫中心的客戶服務任務和線上聊天功能將很快變得更加依賴AI,而其他任務則不會。他還提到,儘管公司最近向沃爾瑪推銷機器人員工,但"在我們為類人機器人服務並且它們有消費能力之前,我們服務的是人類"。行業普遍擁抱AI轉型在企業界其他地方,高管們正在推動公司全力擁抱AI技術。一些公司建立了內部"熱力圖"來解讀那些角色或任務可能被AI自動化,其他公司則推動員工提出新項目。農業公司先正達已經確定了研發和供應鏈功能等領域的"燈塔"項目,這些領域適合進行AI改革。近日,據媒體報導,關於AI相關裁員警告的聲音在近幾個月有所增加。全球IT諮詢巨頭埃森哲CEO Julie Sweet周四告訴投資者,公司正在"淘汰"那些無法為AI時代重新培訓的員工。福特汽車CEO Jim Farley今年夏天表示:"人工智慧將取代美國一半的白領工作者。"OpenAI首席經濟學家Ronnie Chatterji在Bentonville會議上表示:"AI剛剛開始在就業市場產生漣漪效應。我認為在18到36個月內,你會看到更大的影響。"儘管員工和領導者都存在焦慮,但許多高管表示美國勞動力市場仍然健康,他們不預期AI會導致大規模失業。黑石集團私募股權業務全球負責人Joe Baratta在Bentonville會議表示:"我認為技術創新的歷史表明,人們已經重新掌握技能,並在經濟的其他方面找到了有收益的就業機會。" (invest wallstreet)
矽谷AI初創要讓60億人失業,網友痛批人類叛徒!Jeff Dean已投
【新智元導讀】AI的野心從未如此大膽!新創公司Mechanize目標直指「全面自動化所有工作」和「經濟無人化」,瞄準全球60兆美元的勞動力市場。從虛擬工作環境到強化學習,Mechanize計畫用AI智能體取代人類崗位,引發巨大爭議。看來AI真要來搶所有人的飯碗了!有人來真的了。最近,Epoch AI 創始人、著名AI研究員Tamay Besiroglu在X發帖稱其正在創辦一家新公司:Mechanize。該初創公司的目標是「全面自動化所有工作」和「全面自動化經濟」。Besiroglu可不是嘴上說說這麼簡單,他已經開始招聘全端工程師了。Besiroglu甚至通過統計人類目前的總工資,算出了Mechanize的潛在市場規模。「這裡的潛力大得離譜:美國工人每年總共拿大約18兆美元的工資。放眼全球,這個數字還要再翻三倍,達到每年60兆美元左右,」他寫道。不過,Besiroglu也向TechCrunch澄清說:「我們目前的工作重點是白領工作,而不是需要機器人技術的體力勞動崗位。」Mechanize 獲得了包括Jeff Dean在內的多名AI名流的投資支援。不過,對這個近乎狂妄的計畫,網友似乎並不買帳。心理學教授Geoffrey Miller,在X上毫不客氣地批評Mechanize「是人類的叛徒,我們所有人的敵人。」60兆美元的市場Mechanize在他們的網站上,對項目做了簡單的介紹。Mechanize,一家專注於開發虛擬工作環境、基準測試和訓練資料的初創公司,目標是實現經濟的全面自動化。他們計畫通過打造虛擬環境和評估系統來實現這個目標。這些環境和系統能全面模擬人們在工作中的各種活動,比如用電腦、處理沒明確成功標準的長期任務、與他人合作,以及在遇到阻礙或干擾時靈活調整優先順序。他們堅信,AI的最大價值是將普通的勞動任務自動化,而不是成為「資料中心裡的天才」。不過,目前AI模型還不完善,導致這一巨大的價值難以被實現。這些模型還不夠可靠,缺乏強大的長上下文處理能力,在自主性和多模態方面也差強人意,執行長期計畫時更是容易偏離目標。正因如此,Mechanize將生成工作自動化所需的資料和評估體系。Mechanize的數字環境將會真實地模擬現實的工作場景,讓智能體通過強化學習(RL)掌握實用技能。他們預計這個市場潛力大得驚人:美國工人每年總計薪資約18兆美元,而全球範圍這一數字超過三倍,約為60兆美元。「無人」經濟?Mechanize的創始人、著名AI研究員Tamay Besiroglu是Epoch  AI的聯創,擔任該機構的副總監。去年12月,OpenAI秘密支援了Epoch AI的數學基準資料集的建立,隨後利用該基準發佈了新的o3模型。作為Epoch AI的前高管,Tamay Besiroglu再次瞄準了基準測試,不得不讓人懷疑其初衷。Epoach AI的總監Jaime Sevilla,直接表示Tamay Besiroglu的宣言帶來了公關危機:但公司使命引來了的爭議更大。Mechanize的使命是「全面自動化所有工作」和「全面自動化經濟」。本質上,Mechanize正在努力用AI機器人取代每一個人類崗位。這種魔幻現實「荒謬」到讓人難以辨別是他們到底是真心創業,還是說只是諷刺。大規模自動化人類勞動,的確能帶來豐厚的回報,這也是世界上一些科技巨頭正在追求的目標。但這對普通打工人有好處嗎?有網友表示「自動化經濟」就是讓人失去工作的經濟,加入貧富分化的經濟,對人類沒有任何好處。甚至有人認為那是危害性最大的目標之一。Besiroglu則告訴媒體:「勞動力的完全自動化可以創造巨大的富裕、更高的生活水平,以及我們今天無法想像的新商品和服務。」但請記住,他的目標是讓智能體完成所有工作。當被問到這一點時,他解釋說:「即使在工資可能下降的情況下,經濟福祉也不僅僅由工資決定。人們通常還會從其他管道獲得收入,比如房租、股息和政府福利。」Mechanize表示,他們將盡快將這一切變成現實。儘管Besiroglu的願景和使命顯然有些極端,但他要解決的技術問題確值得關注。如果每個工人都有智能體來幫助完成更多工作,經濟富裕可能會隨之而來。但至少有一點上,Besiroglu無疑是對的:在AI智能體時代開啟一年後,它們的表現並不理想。 (新智元)