Karpathy 說，他從來沒有像現在這樣，覺得自己作為程式設計師「落後了」。這話從別人或者我的嘴裡說出來，可能就還算是正常……但 Karpathy 這麼說，份量就還是不太一樣了。Karpathy是 OpenAI 聯合創始人、Tesla AI 負責人、如今 Eureka Labs 的創始人，整個深度學習時代最具影響力的技術布道者之一。雖然喜歡造詞，被認為有些“網紅”屬性，但也是憑實力而紅，沒有任何水分。上周，他在 Sequoia Capital 的 AI Ascent 2026 大會上，和 Sequoia 合夥人 Stephanie Zhan 做了一場 30 分鐘的爐邊對話。主題是：軟體正在經歷第三次範式轉移。Karpathy AI Ascent 2026Stephanie Zhan 在活動結束後，發了段總結稱：“ 去年他造了「vibe coding」這個詞，今年，他「從未如此覺得自己作為程式設計師落後了」。她還用一句話概括了整場對話的核心內容：“ Vibe Coding 抬高的是地板，Agentic Engineering 抬高的是天花板。一個關乎准入，更多人能參與建構。另一個關乎卓越，用 Agent 的同時不犧牲安全、可靠性、可維護性，以及品味。而 Karpathy 自己也在事後發了一條長帖總結了三個主題。其中，最重要的一段是關於 LLM 的「新疆域」：“ LLM 遠不只是加速已有的工作流（比如寫程式碼）。有些應用可以被 LLM 完全吞噬，無需傳統程式碼。有些安裝指令碼可以用英文 .md 檔案替代 .sh 指令碼，因為「LLM 就是一個高級的英文直譯器」。還有像 LLM 知識庫這樣的東西，以前根本做不了，因為它需要對非結構化資料做計算。01. Software 1.0在理解什麼是 Software 3.0 之前，我們先回頭來看看 1.0 和 2.0。Software 1.0 是我們熟悉的傳統程式設計。Software 1.0 的困境程式設計師用 Python、C++、Java 寫程式碼，每一行都是明確的指令：如果 A 則執行 B，否則執行 C。邏輯是人寫的，bug 也是人造的。從 1950 年代到現在，絕大多數軟體都屬於這個範疇。這套範式統治了軟體工程半個多世紀。它的好處顯而易見：確定性強，可偵錯，可解釋。但它也有一個根本性的侷限，擴展性受限於人類的智力和時間。你寫不出一個手動規則，讓電腦從一張照片裡認出一隻貓。你寫不出一段邏輯，讓機器把中文翻譯成英文。你更寫不出一個演算法，讓 AI 從零學會下圍棋。畢竟這些任務……人類自己都說不清楚規則是什麼，怎麼寫成程式碼呢？02. 2017 年：Software 2.02017 年 11 月，Karpathy 還在 Tesla 做 Autopilot 的時候，在 Medium 上寫了一篇部落格：Software 2.0。Software 2.0：訓練即程式設計這篇文章後來被認為是 AI 領域最有影響力的概念文章之一。他的核心論點是：神經網路不只是一種新工具，它代表了一種全新的程式設計範式。在 Software 1.0 里，程式設計師寫程式碼。在 Software 2.0 里，程式設計師準備資料和目標函數，然後讓最佳化演算法（梯度下降）去搜尋出一組神經網路權重。“ Software 2.0 是用一種更抽象、對人類更不友好的語言寫成的，比如神經網路的權重。沒有人參與編寫這些程式碼，因為權重的數量實在太多了（典型的網路可能有幾百萬個權重），直接用程式碼編寫已經不可能。換句話說，訓練過程就是程式設計過程，資料集就是原始碼。他在文章中列了一長串 Software 2.0 已經「吃掉」Software 1.0 的領域：圖像識別從手工特徵工程變成了深度摺積網路，語音識別從高斯混合模型變成了端到端神經網路，機器翻譯從基於短語的統計方法變成了 Transformer 架構，圍棋從手寫評估函數變成了 AlphaGo Zero 的自我對弈。而 Software 2.0 的好處在於：計算圖是同質的（主要就是矩陣乘法），方便硬體最佳化。執行階段間可預測，沒有死循環。不需要動態記憶體分配，不會記憶體洩漏。而且在很多領域，它的表現已經遠超人類手寫的方案。在文章末尾，Karpathy 當時預言，當我們最終造出 AGI 的時候，它一定是用 Software 2.0 寫的。這個預言可以說是非常成功了，只不過在 2026 年的今天看來……好像只說對了一半，因為：03. 3.0 來了Karpathy 自己承認，Software 2.0 的文章寫得太早了，當時 GPT 還沒出現，Transformer 才剛剛發表。他沒有預見到一個東西：大語言模型。Software 2.0 的程式設計方式是：準備資料，設計網路結構，訓練。這個過程需要大量的機器學習專業知識，需要 GPU 叢集，需要幾周甚至幾個月的訓練時間。門檻極高。三代軟體演進而 Software 3.0 的程式設計方式，則完全不同。你寫一段 prompt，給模型一些上下文，它就執行了。不需要訓練，不需要梯度下降，不需要標註資料。你用自然語言「程式設計」，用 context window 作為「記憶體」，用工具呼叫作為「系統呼叫」。LLM 成了一個新型的計算直譯器，而 prompt 就是它的原始碼。Karpathy 在這次 AI Ascent 上把三代軟體做了一個清晰的總結：Software 1.0：人寫程式碼Software 2.0：神經網路用資料訓練出來Software 3.0：通過 prompt、上下文、Agent、工具、記憶和驗證來程式設計context window 成了新的程式設計介面。04. MenuGen 的例子Karpathy 舉了一個他自己做的項目：MenuGen。想像一下這個場景：你走進一家餐廳，拍了一張菜單照片，然後一個 App 自動識別出每道菜的名字，搜尋菜品圖片，重新排版生成一個帶圖片的漂亮菜單。用傳統方式做這件事，流程大概是這樣：先用 OCR 識別文字，再用 NLP 提取菜名，然後呼叫圖像搜尋 API，最後寫前端來重新排版。至少得寫幾百行程式碼，可能還需要一兩天。而 Karpathy 發現，直接把照片扔給 Gemini，讓它在原圖上疊加菜品圖片，整個中間層的 App 都變得多餘了。MenuGen：中間層消失了這就是 Software 3.0 最具顛覆性的地方：有些應用不是被做得更快了，是直接被模型的原生能力吞掉了。“ 不要只問 AI 能幫你更快地建構什麼。要問：AI 讓什麼變得不再必要。05. Vibe Coding 到 Agent Engineering「Vibe Coding」這個詞是 Karpathy 自己在 2025 年初造的，見：傳奇音樂製作人Rick Rubin將《道德經》魔改成Vibe Coding版《程式設計之道》背後的故事。當時 AI 程式設計工具剛起步，他用這個詞來形容一種新的開發方式：不看程式碼細節，憑直覺和自然語言跟 AI 協作，「感覺對了就行」。然後，這個詞火了，火到他自己都沒想到。但 Karpathy 這次想說的是：Vibe Coding 僅僅只是熱身，而已。2025 年 12 月，他說自己經歷了一個「翻轉」。從自己寫 80% 程式碼、Agent 寫 20%，一下子變成了 20/80。在 2026 年，這個比例還在繼續傾斜。他甚至因此患上了「AI 精神病」（AI psychosis）：每天對著 Agent 說話 16 個小時，Agent 跑完一個任務就想立刻開下一個，token 沒花完就覺得自己在偷懶。在這次演講中，Karpathy進一步把這種轉變拆成了兩個層次：地板與天花板Vibe Coding 抬高了地板。任何人，那怕完全不懂程式設計，都能用自然語言描述需求，讓 AI 生成一個可用的應用。這在以前不可想像。一個設計師可以做原型，一個產品經理可以做內部工具，一個學生可以做自己的項目。門檻被拉到了接近零。Agent Engineering 抬高了天花板。專業開發者使用 Agent 的方式完全不同。他們並非「讓 AI 幫忙寫程式碼」那麼簡單，他們在設計一整套系統：Agent 生成方案，Agent 編碼，Agent 測試，Agent 相互檢查。這套流程要保證沒有安全漏洞，架構要乾淨，系統要穩健。這就是 Karpathy 說的「Agentic Engineering」，智能體工程。“ Vibe Coding 抬高的是所有人能做軟體的下限。Agentic Engineering 要保住的是專業軟體過去已有的質量門檻。06. 可驗證性Karpathy 在演講中還提出了一個觀點：傳統軟體自動化的是你能規格化的東西，而 AI 自動化的是你能驗證的東西。這在我看來，其實相當關鍵。程式碼寫的對不對？跑個測試就知道了；數學上算的對不對？算一下就有了；安全上有沒有漏洞？有掃描工具可以來發現。這些領域有一個共同特徵：輸出可以被客觀評估。正因為可以驗證，這些任務才能進入強化學習的循環，才能讓模型越練越強。這也是為什麼 AI 在程式設計、數學、程式碼安全等方面進步飛速，而在「常識推理」方面總是犯一些讓人匪夷所思的錯誤。Karpathy 舉了個例子：模型可以重構一個十萬行的程式碼庫，可以發現零日漏洞，但它也會告訴你，「你的車在 50 米外的洗車店，建議步行過去」。這種現象叫做「鋸齒狀智能」（jagged intelligence）。鋸齒狀智能能力曲線並非平滑上升，有高峰，也有斷崖。高峰出現在實驗室有資料和獎勵訊號覆蓋的領域，斷崖出現在訓練分佈之外的地方。Karpathy 在事後的推文進一步進行瞭解釋：鋸齒狀分佈不僅與可驗證性有關，還和經濟學有關。收入和市場規模（TAM）決定了前沿實驗室在強化學習訓練中選擇覆蓋那些領域。“ 你要麼在資料分佈之內，在 RL 的軌道上飛馳。要麼在軌道之外，拿著砍刀在叢林裡開路。好比 Claude 能重構十萬行程式碼，因為有人花了錢讓它訓練這個能力。但「怎麼去洗車」這種問題，沒人付錢去訓練，也不是模型的重點了。這其實不是智能的問題，是經濟分配的問題。而對創業者來說，對應的機會則是：找到那些可以構造驗證環境、但還沒被大實驗室的強化學習覆蓋到的領域。如果你能自己設計獎勵函數，即便主流模型沒有針對性最佳化，你也能通過微調獲得顯著優勢。07. HarnessKarpathy 還聊到了一個概念：harness（套件/腳手架）。這個詞最近在 Agent 技術中特別火熱。我之前也專門寫過一篇文章《模型不是關鍵，Harness 才是》來介紹。Harness 概念最早是 HashiCorp 聯合創始人 Mitchell Hashimoto 在今年 2 月提出的。他在用 AI 做 Ghostty 項目時總結出一條原則：“ 每當你發現 Agent 犯了一個錯誤，你就花時間去工程化一個解決方案，讓它再也不會犯同樣的錯。後來包括 Cursor，OpenAI，Anthropic 等也紛紛發表了關於 Harness 的工程部落格。比如 Anthropic 的博主中討論到的核心問題是：AI Agent 如何在多個上下文窗口之間保持進度？他們的方案是：初始化 Agent 搭建環境、建立進度檔案（claude-progress.txt）、建立基準 commit。執行 Agent 逐個完成功能，每次新的 context window 開始時，先讀 git log 和進度檔案，接著上一輪繼續。這就像是給 Agent 寫了一份交接文件。而 Karpathy 的觀點則更為激進：未來的軟體應該為 Agent 重寫，完全不用考慮人類使用者。現在的軟體介面是給人用的，有按鈕、有菜單、有滑鼠。但 Agent 不需要這些。Agent 需要的是：機器可讀的介面、明確的權限聲明、可分解的工作流、清晰的指令格式。他在推文中還舉了一個小例子：為什麼還要寫複雜的 .sh 安裝指令碼？你完全可以用一個 .md 檔案，用英文把安裝步驟寫清楚，然後告訴使用者「把這個檔案給你的 LLM 看就行」。LLM 作為高級直譯器，可以智能地根據你的系統環境調整安裝過程，遇到問題也能內聯偵錯。用 .md 替代 .sh，替代 .py 和 .go 等等，也是我最近的用法。08. 人的位置說了這麼多 AI 和 Agent，Karpathy 倒也沒忘了說回人類自己。他的判斷是：理解力是不可外包的。Agent 可以調 API，可以寫程式碼，可以做測試。但有幾件事它確實還做不了：系統規格設計：比如使用者系統應該用穩定的 user ID 而不是信箱地址來關聯資金，這種判斷需要理解業務邏輯，需要經驗，需要對後果的預見。概念理解：你需要真正懂張量是什麼、記憶體檢視怎麼工作、儲存機制背後的原理，而不只是知道 API 的名字。否則你無法判斷 Agent 寫的程式碼是不是在做正確的事。品味：Agent 寫的程式碼經常「能跑但很醜」。它通過了所有測試，功能也對，但架構一團糟、命名一塌糊塗、複雜度失控。你需要知道什麼是好的設計。“ 你可以外包你的思考，但不能外包你的理解。理解力不可外包如果你不理解系統在做什麼，你就沒辦法在 Agent 犯錯的時候知道它錯在那裡。而 Agent 一定會犯錯。我有時也會，在對方回答我嚴肅的工作問題時說“AI 認為……”時，會打斷他說：不要“AI 認為、AI 的判斷”，要“你認為、你的判斷”。09. 三代軟體回看這三代軟體範式的演進，其中的主線是：人類參與的方式在不斷變化。Software 1.0 時代，程式設計師是作者。每一行程式碼都是他親手敲出來的，邏輯是他設計的，bug 是他修的。他對整個系統有完全的控制權，也承擔全部的責任。Software 2.0 時代，程式設計師變成了教練。他不再直接寫邏輯，而是準備訓練資料、設計網路結構、調整超參數，然後讓最佳化演算法去搜尋解決方案。他的工作從「告訴機器怎麼做」變成了「給機器看該怎麼做」。Software 3.0 時代，程式設計師變成了指揮官。他不需要準備資料，不需要訓練模型，他只需要用自然語言描述意圖，給出上下文，然後指揮一群 Agent 去執行。他的工作從「給機器看」變成了「告訴機器要什麼」。從 how 到 show 到 what。作者→教練→指揮官但這條主線的另一面，則是：每一代轉移，人類失去的是執行細節的控制，獲得的是更高層次的槓桿。就像 Karpathy 在先前的播客裡說的：以前焦慮的是 GPU 空閒，現在焦慮的是 token 沒花完。以前的瓶頸是計算資源，現在的瓶頸是人。你控制多少 token 吞吐量，決定了你能做多少事。在推文最後，他還拋出了一個更遠的展望：全神經計算（fully neural computing）。他設想的未來是，絕大多數計算由神經網路處理，而傳統的 CPU 反而成了「協處理器」，只負責一些輔助任務。這也算是和他 2017 年 Software 2.0 文章末尾的預言遙相呼應了，當年他說 AGI 一定是 Software 2.0 寫的。現在看來，他可能覺得 AGI 更可能是 Software 3.0 催生的，在一個 LLM 為主、傳統計算為輔的全新架構上運行。10. 3.0 時代在我看來，Karpathy 這次沒有講太多「未來暢想」。他講的基本都是，已經發生的事。Software 3.0 並非只一個概念，也不是一個預測，如果你能讀到這個帳號的這篇文章，我想你很可能，早已置身其中，感同身受了。Anthropic 今年發的《2026 Agentic Coding Trends Report》裡提到，2025 年 agentic AI 改變了大量開發者寫程式碼的方式，而 2026 年將是這種變革開始重構整個軟體開發生命周期的一年。而我自己，也大概是從 2025 年 下半年或什麼時候開始，就沒再手寫過一行程式碼了，而是每天對著 Agent 說話數分鐘甚至數小時……Software 3.0 時代，並非即將到來、馬上要來。而是，就在當下。 (AGI Hunt)

橋水基金聯席首席投資官們表示，隨著人工智慧(AI)的快速崛起重塑整個軟體行業，“生存性威脅”的陰影如今正籠罩在這些傳統公司之上。該機構在周一發佈的客戶報告中指出：“最新版本Claude Code的發佈，意味著一個新興競爭者已經對大型企業構成了生存性風險，這與當年亞馬遜對巴諾書店的衝擊非常相似。”新發佈的AI模型可能顛覆傳統軟體公司的擔憂已震動整個行業，引發軟體股拋售潮，標普500軟體與服務指數今年以來已暴跌約17%。裁員潮也在加劇，從大型科技公司到金融服務業的各企業紛紛裁撤數千個崗位，理由是通過部署AI現成本節約。"市場已開始為應用軟體公司面臨的風險定價，企業要麼與AI同進化，要麼面臨被顛覆的命運，"該投資公司的聯席首席投資官鮑勃·普林斯、格雷格·詹森和卡倫·卡尼奧爾-坦布林寫道。回顧上世紀90年代，儘管部分實體書店關閉了門店，但許多書店通過拓展線上業務、聚焦店內體驗和精選書目等方式實現了轉型。值得注意的是，除了顛覆軟體公司業務模式之外，AI公司還對傳統軟體公司發起了人才爭奪戰。據知情人士透露，多家大型軟體公司的高管正被AI巨頭“挖角”，這些公司正積極爭奪具備銷售與商業拓展經驗的人才。來自Salesforce、Snowflake和Datadog的高管近期已被OpenAI和Anthropic高薪攬入麾下，誘因是豐厚的薪酬包以及將既有企業客戶關係帶入這些AI公司的機會。OpenAI最引人注目的軟體業挖角之一當屬Denise Dresser，Dresser此前在Salesforce旗下通訊平台Slack擔任首席執行長。Anthropic同樣已從Salesforce處招聘人才。與此同時，科技勞動力的結構性變革正促使IT專業人士思考：在更多企業大舉投入AI之際，他們可以在何處創造價值、搭乘最新技術浪潮。地緣政治風險橋水基金同時警告，持續的地緣政治動盪將繼續擾亂股票和大宗商品市場。橋水首席投資官們表示，美國在委內瑞拉、格陵蘭和伊朗等地區的動作可能加速美國主導聯盟體系的裂痕，推動全球更快地競相爭奪武器和資源。全球關鍵能源通道荷姆茲海峽的航運活動依然低迷，因伊朗局勢降級努力陷入停滯。這場衝突已攪動全球市場，導致大宗商品短缺，並引發通膨上升的擔憂。報告寫道："中東戰爭接下來的走向仍高度不確定，但已造成的破壞足夠嚴重，且恢復航運的處理程序將非常緩慢，大宗商品衝擊將在一段時間內持續存在。" (財聯社)

2026 年 4 月 7 日，Google CEO Sundar Pichai 在最新訪談中表示：幾乎所有的軟體，都將面臨一次重新建構。核心原因在於，使用者的互動方式正在發生改變。搜尋正從“返回結果”向“執行任務”演進；使用者不再需要手動、分步驟地操作軟體，而是直接下達目標，由系統自主完成。這種轉變離不開 AI 智能體的參與。目前，Google內部的一些團隊已經開始使用智能體協作工具。Pichai 預計，2027年將會是這場變革的拐點。那麼，軟體重構究竟會如何發生？Google在實踐中遇到了那些具體阻礙？這個重塑的過程又將持續多久？接下來我們將深入探討。第一節｜互動範式的底層解構Sundar Pichai 在訪談中提到一個關鍵概念：未來的搜尋，將演變成一個 Agent（智能體）調度中心。這個說法的核心不在於搜尋業務本身，而在於使用者與系統互動方式的根本性更迭。傳統搜尋遵循“檢索-篩選”模式：輸入關鍵詞，獲取排名連結，然後由使用者自己去閱讀和操作。這是一個“你發出指令，它被動響應，你再繼續操作”的單向且割裂的過程。但現在的搜尋，已經開始接管長周期、多步驟的複雜任務。你得到的不再是一堆網頁連結，而是能看到一個正在推進的“研究過程”。以Google內部正在使用的 Antigravity 系統為例：它能夠同時調度多個 Agent 平行工作，各自負責任務的不同模組，最終彙總交付。伴隨著底層硬體形態和輸入輸出方式（I/O）的根本性改變，軟體原有的互動邏輯必須被重寫。過去的 UI 介面是為“人類手動操作”設計的：按鈕用來引導點選，菜單用來提供選項，路徑依賴人去一步步推進。當任務被全盤交給 Agent 執行時，這些設計就變成了冗餘。你不再需要緊盯每一個操作步驟在那發生，只需關注最終目標是否達成。軟體介面將從“手動操作工具”，徹底轉變為“任務監控面板”。工作流也隨之從“靜態固定”走向“動態生成”。傳統軟體的流程是預設好的，因為機器需要引導人類操作；而 Agent 驅動的軟體，能夠根據當前任務的上下文，即時生成最優的執行路徑。這意味著，那怕是同一個目標，每次的實現方式都可能截然不同。這帶來了一個顛覆性的轉變：軟體正在從“被人操作的工具”，進化為“替人做事的數字員工”。當這種“意圖驅動”的模式成為主流，現有的軟體設計法則無疑將被徹底推倒重來。第二節｜“重構”已經在Google內部發生這種底層互動邏輯的“推倒重來”並不只停留在預測層面。在Google內部，舊有的工作流已被打破。目前，Google DeepMind 和部分軟體工程團隊已經全面接入了 Antigravity 系統。正如前文所述，這是一個 Agent調度中樞，工程師們在其中運行各種工作流，將任務交由 Agent 自動完成。上周，這套系統也正式推廣到了Google最核心的搜尋團隊。但這種向 Agent 時代的躍遷，並非一帆風順，他們遭遇了四個具體的落地阻礙：首先是提示詞工程門檻。 工程師需要時間去適應如何向 AI 下達精準指令。這不僅僅是通用的對話技巧，更涉及深度的“企業內部知識”：如何讓 AI 精準呼叫內部工具，如何向 AI 清晰描述內部系統的複雜需求。其次是程式碼協作方式的衝突。 AI 介入後，程式碼的迭代和翻新頻率極高，修改範圍極大。一個人甚至可以在發佈前讓 AI 重寫好幾次程式碼。這導致程式碼庫的變化速度超出了傳統預期，讓傳統的多人協作變得異常困難。第三是資料與權限的壁壘。 解決複雜問題往往需要呼叫企業內部資料，但現有的 IT 權限系統是為“人”設計的，而非為“Agent”設計的。如何界定 Agent 的訪問層級？如何控制它的權限邊界？這些安全機制必須全部重構。最後是組織角色的模糊。 工程師、產品經理、設計師……這些職能邊界都建立在過去的工業化協作模式之上。當 AI 能夠同時包攬程式碼編寫、產品邏輯梳理和介面設計時，原有的角色牆開始坍塌。對此，Sundar 的回應非常務實：Gemini 團隊、Gemini 企業版團隊以及 Antigravity 團隊，正致力於逐一攻克這些痛點。而這些內部踩過的坑和解決方案，正是他們未來的產品路線圖。換言之，Google不只是在描繪軟體重構的願景，而是在內部實踐。他們先在內部使用時遇到問題，開發解決方案，然後把這些方案做成產品推向市場。這個轉變過程對大型組織尤其艱難。因為技術落地的最大阻礙，往往就是組織本身。第三節｜時間表與產業跨度跨越組織變革的深水區需要多長時間？Sundar 給出的時間錨點是：2027 年將迎來真正的產業拐點。他提到，屆時一些垂直領域將發生深刻的轉變。以商業資料預測為例，執行者將採用一套完全基於 Agent 的全新工作流。但這必然是一個漸進的過渡期：在很長一段時間內，企業可能會採用“新舊平行”的模式。先用傳統系統校驗 AI 的結果，建立信任後，再逐步完成全面切換。但為什麼到了今年（2026年），這種變革才開始具備大規模推進的條件？Sundar 坦言，此前很多設想無法落地，是因為底層的技術容錯率太低。這就好比你看到了一個充滿希望的新世界，但它的基礎設施卻極不穩定。而到了 2026 年，情況發生了質變：技術曲線迎來了躍升，系統的穩定性終於達到了可以向外推廣的及格線。不過，即便技術就緒，不同企業的轉型節奏也存在巨大的差異。初創公司轉型更容易。這些 AI 原生（AI-Native）團隊從第一天起，就可以按照全新的 Agent 邏輯來搭建組織架構。他們通過招聘篩選具備 AI 協同能力的人才，直接運轉在新的工作流上，無需承擔改造舊系統、重新培訓老員工的成本。大公司則面臨著沉重的歷史包袱。 他們必須在保證龐大業務平穩運轉的前提下，“開著飛機換引擎”。這意味著數以萬計的員工、盤根錯節的舊系統、固化的審批流程，都需要分階段、灰度地進行調整。初創公司可以一夜之間完成系統切換，巨頭卻只能步步為營。這註定了軟體重構將是一場“分層推進”的戰役。一部分前沿企業將在 2027 年完成核心業務的改造，而更多的傳統企業可能需要數年時間。從Google的推進路徑可以看到：新方式先在小範圍驗證，確認可行後逐步擴散。GDM 和軟體工程團隊已經轉變，搜尋團隊剛開始，其他團隊還在等待。軟體重做不是一個技術切換的時間點，而是一個持續推進的過程。方向已定，速度成為唯一的差異。結語“幾乎所有的軟體，都將被重做一遍。”軟體正從被動操作的工具，進化為主動執行任務的系統。互動範式變了，開發流程必然要變，組織架構也必須隨之重塑。2027 年將成為軟體行業重要拐點。儘管在這場漫長的轉型中，不同公司的落地節奏註定會有顯著的時差。但歸根結底，需要重做的絕不僅僅是幾行軟體程式碼，而是整套工作與協同的底層邏輯。 (AI 深度研究員)

沒有旁觀席，每個行業都將被重塑。全球商業格局正歷經一場前所未有的極為劇烈的震盪，麥肯錫全球研究院MGI最新發佈了《2026全球未來競技場研究報告》（The race takes off in the next big arenas of competition），該報告表明，有18個被稱作“未來競技場”的產業，這些未來產業正以其他行業四倍的速度迅猛狂奔，在三年內貢獻了全球大約一半的市值以及收入增量。這可不單單只是資本的盛宴，更是一場涉及企業生死、關乎國家競爭力以及和每個人未來緊密相連的深刻變革。你究竟是身處這場變革當中，還是馬上就要被甩離呢？本文會從五大主題，18個產業，還有跨界玩家與區域格局這四個維度，來為你深度剖析這份127頁的重磅報告。一、總論：什麼是“未來競技場”？“未來競技場”不是泛指全部熱門行業，麥肯錫給出了嚴謹界定：是增長速度最快的產業，是競爭最為激烈的產業，是市場格局遠遠沒有確定的產業。它們具備三大核心特徵：1、技術或商業模式發生階躍變化：像GLP-1減肥藥予以誕生，可重複使用火箭達成突破等情況。2、投資呈現出持續加速度的升級態勢：其中那些投身其中的參與者，以與日俱增的極大數額投入來換取在市場當中的地位，要是無法跟上這種節奏，那麼就意味著會被淘汰出局。3、市場呈現出龐大的規模：建立現有的規模巨大的市場（像電動車對於燃油車的替代），又或者是創造全新需求（如AI軟體、人工智慧）。2022年至2025年的增長資料對比情況，清晰明確地透露出了這種斷層狀態的差距 。市值年增速：未來競技場 29% vs. 其他行業 8%收入年增速：未來競技場 11% vs. 其他行業 接近0%資本支出的增速，與研發投入的增速相比：在未來的競技場當中，前者為百分之十四，而後者是其他行業的百分之四。結論清晰至極，這十八個競技場，貢獻出全球大概一半的市值以及收入增量，是現今全球經濟獨一無二的增長動力源頭。二、五大主題與18個產業分述報告把18個產業進行歸類，使之歸於五大主題，這18個產業中各個產業的增長邏輯不一樣，風險也並非相同，相互之間存在差異。1. AI相關產業：增長最快，泡沫風險最大包含領域：半導體、雲服務、AI軟體與服務。深入剖析，這是當下最為瘋狂的主題，僅輝達一家公司市值增長幅度，超越2022年整個上市半導體行業市值增長總和，然而，市值飆升所反映的投資者預期，遠遠超過收入增長所反映的當前現實，AI最終能否帶來超越資本成本的回報，這是當下最大的商業懸疑劇。圖：2020-2030年全球半導體市場規模及預測侷限之處在於：高端晶片（HBM）、先進封裝以及電力，正逐漸演變成新的受限因素。資料中心的擴展，正遭受電網容量的限制，彷彿被卡住了脖子。2. 數位化產業：成熟行業被AI重塑涵蓋的領域有，電子商務、數字廣告、串流媒體視訊、網路安全以及視訊遊戲。2020-2025年全球網路安全市場規模核心趨勢：增速平穩，但競爭規則正在被AI徹底改寫。從事廣告行業者發現，像GPT那樣的AI搜尋導致網站流量有所降低，進而動搖傳統廣告模式的根基。與此同時，零售媒體網路，例如亞馬遜廣告則在這種情況下迅速崛起。電商領域“代理商業”的時代就要來臨，往後有可能是借助AI代理去幫你達成購物行為，而控制權會從平台轉向AI模型或者作業系統。2020-2025年全球電商市場規模及增速線上播放媒體，從那種通過投入大量資金去爭搶使用者的方式，轉變為將利潤放在優先考量，廣告的運作形式以及捆綁式的套餐，成為了新的關鍵要點。3. 電氣化產業：中國全面領先，利潤承壓包含領域：電動汽車（EV）、電池、核裂變。重點佈局方向：在全球範圍之內收入所佔份額排名首位的是中國，特別突出的是在電動車輛以及電池相關領域。2020-2025年全球電動汽車銷量及增長率問題與挑戰：產能過剩以及價格戰：競爭極為激烈致使價格出現下降情況，除了比亞迪、特斯拉等少數處於頭部位置的企業之外，多數的廠商都處於虧損狀態。電池利潤已歸零，需求實現翻倍，價格出現暴跌，致使行業收入增長極為有限，正加快淘汰高成本廠商。2020-2025年全球電池市場規模及需求增長核裂變迎來新機遇，AI資料中心對穩定且清潔電力滿懷渴求，這使得小型模組化反應堆，成為像微軟、Google這樣的科技巨頭的新寵。4. 硬科技產業：分化嚴重，自動駕駛狂奔其中涵蓋的領域有：共享自動駕駛（SAV）、太空、機器人、未來空中出行（無人機/eVTOL）、模組化建築核心看點：共享自動駕駛領域（此項增速最為迅猛）的收入年度增速達到百分之六十九，Waymo以及Apollo Go已在超過千萬英里的實際營運過程當中證實技術具備可行性。然而單位經濟模型目前尚未實現順暢運行，每英里相應成本依舊高於售價。全球自動駕駛商業化城市數量增長太空領域，發射成本因為可回收火箭而降低了百分之九十，國防方面的需求成為了新的推動力量，SpaceX公司的星艦將會進一步對行業產生顛覆性影響。電動垂直起降飛行器（飛行汽車），當前所處階段處於“認證起來困難重重、商業化之路距離尚遠”的起始初級階段，其面臨的情況是，電池性能以及法規這兩個方面乃是兩大阻礙前行的攔路虎。5. 生物技術產業：減肥藥一騎絕塵包含領域：肥胖藥物（GLP-1）、非醫療生物技術。核心分析：狂飆的減肥藥領域，諾和諾德與禮來呈現雙頭壟斷態勢，然而，已有超過80家競爭者紛紛湧入其中。在此情形下，價格正處於下降趨勢，且關鍵專利即將到期，致使市場正從曾經的“神壇”逐漸邁向“紅海”。2020-2025年GLP-1處方增長趨勢&減肥藥市場競爭格局非醫療用途的生物技術的商業化的發展處理程序較為遲緩，依舊處於早期努力提升的階段，還沒有達成規模化的商業對抗水準。三、跨界玩家：9家“全能型企業”正在改寫遊戲規則除了專注的行業冠軍，一股更強大的力量正在崛起，那便是“全能型企業”。它們分別是：Alphabet、亞馬遜、蘋果、Meta、微軟、阿里巴巴、華為、三星，以及“特斯拉+SpaceX”叢集。2025年全能型企業競技場佈局共同特點：利用核心業務，像是電商、搜尋、作業系統所產生的數額巨大的現金流，與此同時，對3個以上未來競爭領域進行押注。在2025年的時候，9家公司的總收入大概是2.7兆美元，這一數值超過了義大利的GDP，其研發與資本支出佔收入的比例高達31%，而其他企業這個比例僅僅是9-22%。四、區域格局：美國領跑，中國在電氣化稱王先看美國，它在AI和硬科技領域是全面處於領先態勢的，它在總市值中所佔比例為75%，它有著全球最深的資本市場，有著數量最多的全能型企業，還具備吸引頂尖人才的能力。各產業市值的區域分佈（2025年）中國部分的市值約佔全球的15%，而收入份額更高，在電氣化主題，也就是電動車、電池、核裂變這些領域，收入份額居於全球首位。中國的優勢在於規模化、垂直整合和製造效率，但是在AI基礎的市值範圍，即半導體、軟體方面，與美國存在著巨大差距。歐洲比約為5%，整體參與的程度較為低下，然而，在減肥藥這一領域，也就是諾和諾德所在的領域，還有半導體裝置這一範疇，即ASML所處的範疇，以及機器人等等細分出來的領域方面，是存在冠軍企業的。在機器人領域，日韓（約3%）保持著優勢，在視訊遊戲領域，日韓（約3%）同樣保持著優勢，三星在半導體製造裡有著不可替代的地位。一句話概括為：美國憑藉製造軟體、制定標準而取得優勢，中國則依靠製造產品、降低成本而獲得成功。五、結尾：機遇與風險並存，沒有旁觀席到2040年，麥肯錫提出的18個未來競技場將撐起29兆至48兆美元的年收入，這個數字足以讓任何一位CEO心跳加速。但回歸現實，數字的另一面是血淋淋的警示：自動駕駛仍在虧損，AI軟體估值泡沫暗湧，電池產業價格戰打到利潤歸零。在這個全球競技場中，贏家通吃的劇本從未改變。改變的，是失敗的代價——不再是掉隊，而是出局。 (TOP行業報告)

事件概覽據 X 使用者 @kimmonismus 報導，Oracle 已於 2026-03-31 面向全球約 20% 員工發出裁員通知，內部郵件以 “今天是最後一個工作日” 的措辭正式生效，引發廣泛關注。此次行動與公司正在推進的 大規模 AI 基礎設施投資 直接相關，用於釋放現金流，以支援未來資料中心與算力叢集建設。公開跡象顯示，本輪裁員主要集中於 軟體工程類崗位，但公司強調 OCI（Oracle Cloud Infrastructure）擴張計畫保持不變。裁員規模與資金調配顯示，Oracle 正在加速從 傳統軟體模式 轉向 資本密集型 AI 雲基礎設施模式。公司在最新財季已將 2026 財年重組預算提高至 21 億美元，反映其重組力度擴大。短期內，相關部門的營運穩定性與客戶服務可能承壓；中期來看，Oracle 正試圖借算力投入在 2026—2027 年縮小與 AWS、Azure 的差距，其成敗將直接影響公司在企業級技術市場的競爭地位。相關事件時間線2025-082025-122026-03-05事件分析戰略轉向：資本密集型 AI 基建的資源重分配Oracle 的裁員核心動因在於為 AI 資料中心投資 釋放現金流。公司資本支出在 2025 年激增至 212 億美元，而 AI 訓練與推理需求的迅速擴張，使 Oracle 認為必須以 “人力換資本” 來保障 OCI 在算力競爭中的位置。裁員資金被明確用於基礎設施建設而非利潤率改善，顯示管理層押注方向清晰。市場競爭態勢：以企業級優勢換雲端突破在全球雲市場中，AWS 與 Azure 合計佔據約五成份額。Oracle 試圖依託其高滲透率的企業級資料庫業務，通過 “軟體 + 基礎設施” 捆綁方式吸引 AI 工作負載上雲。但短期裁員可能對 銷售與客戶成功團隊 帶來壓力；中期能否憑新增產能獲取穩定訓練客戶，將決定 OCI 能否在企業 AI 推理市場擴大份額。供應鏈瓶頸：GPU、電力與建設周期的不確定性Oracle 的算力擴張將遭遇 Nvidia 高端 GPU 供貨緊張、電力基礎設施不足 及 液冷部署複雜度 等現實約束。公司所節省的資金預計將主要投入土地、電網配套與硬體採買，但外部延遲可能導致 “現金已出、產能未起” 的窗口期風險，影響 2026—2027 年的預期產能釋放節奏。商業模式重構：從高毛利軟體到重資產雲的壓力轉移裁員標誌著 Oracle 從 高毛利軟體訂閱 向 重資產雲營運 的深度轉型。新模式將導致單位經濟顯著變化：折舊提高、自由現金流承壓、ROIC 下降。OCI 產能利用率若無法在 12 個月內達到 70% 以上，將影響整體盈利模型。此外，大規模人員調整對核心產品創新亦構成潛在拖累。風險平衡：人才、合規、競爭與需求變數Oracle 需應對多重不確定性，包括：- 關鍵研發人才流失 可能影響資料庫與 OCI 交付質量；- WARN 法案合規 及潛在訴訟帶來額外成本；- AWS 與 Azure 的客戶搶奪策略 可能加劇競爭；- 企業級 AI 需求波動 或導致產能利用率下降。上述因素將決定 Oracle 在 2026 年底前能否驗證本輪裁員 — 投資鏈的正向效果。 (InfraNative)

近日，知名加密機構 Delphi Labs 的聯合創始人 José Maria Macedo 在社交媒體 X 上發表了一篇長文《What I Learned from Two Weeks Inside China’s AI Ecosystem》，講述了他在結束對中國為期兩周的深度考察之後對中國 AI 生態系統的一些所感、所想。他在中國待的兩周期間，見了不少創始人、VC 和上市公司 CEO，最後他得出的結論是：對中國硬體更看好，對中國軟體更謹慎，同時對中國創始人與投資體系的理解也發生了變化。這篇內容很值得深讀，它為每一個深處中國AI生態環境的我們提供了一個很典型的“外部視角”：當一個長期看全球科技和投資的老外走進中國，他看到的並不是一個籠統的“中國 AI 很強”，而是一套很具體、也很分裂的中國AI生態結構。01 滿懷期待的中國行：“去尋找被嚴重低估的天才”Macedo 坦言，自己是帶著極高的預期飛往中國的。在西方資本市場眼中，中國始終是一個充滿工程師紅利和極致效率的土壤。他的初衷非常直接且明確：“我以為會看到被嚴重低估的天才，正在以（西方市場）一折的價格，做著改變世界的事情。”然而，經過兩周的密集調研、走訪和深度交流後，他眼前的迷霧被撥開，展現出的卻是一幅割裂、真實又充滿戲劇性的圖景。他在文章中給出了一個犀利且一針見血的結論：“中國硬體正在悄悄贏得一場西方人甚至沒意識到已經開始的戰爭；但在軟體領域，估值泡沫和同質化的創始人畫像，正在把一個本該爆發的生態，變成另一場擊鼓傳花的遊戲。”02 他最意外的，不是中國沒人，而是中國創始人太像了帖子裡有一段很有意思。José 說，他過去見過的優秀創始人，往往有一些共同特徵：獨立思考、叛逆、極度專注，而且不太相信二手共識。可他這次在中國見到的很多創始人，雖然也非常優秀，背景極強，執行力極強，勤奮程度也極高，但在“從0到1的非共識願景”這件事上，反而沒那麼突出。他提到，自己見到的很多人都擁有非常漂亮的履歷：頂級大學、大廠背景、論文、專利、技術能力都很強。這些放在西方已經是頂尖人才的配置，但在中國，某種程度上更像是入場門票。這段觀察未必完全正確，但它點出了一個現實：中國 AI 創業裡，優秀的人很多，能打的人很多，但高度同質化的人也很多。大家的成長路徑、訓練方式、職業履歷、表達方式，常常非常相似。這會帶來一個結果：項目可以做得很強，但未必足夠“怪”。而很多真正大的創新，最開始往往都帶一點“不像樣”。03 他把問題往前推了一步：VC 也在強化這件事José 的一個核心判斷是，這不只是創始人的問題，也和投資邏輯有關。他提到，很多中國基金的投資邏輯，本質上是在尋找最優秀的大廠背景人才，比如字節或大疆出來的人。看的更多是履歷、背景和確定性，而不是某種強烈到不合群的個人信念。這背後的問題是：當市場越來越偏好“標準答案”時，真正不標準的人，反而更容易被系統性錯過。José 還舉了一些中國歷史上的知名創業者作為對照，認為很多真正做出大公司的中國創始人，本身並不是今天這套“標準範本”裡的人。這部分我覺得很值得創業者看。因為它說的不是“名校和大廠沒用”，而是另一層意思：如果一個生態越來越擅長篩選正確的人，它也可能越來越難篩出特別的人。04 他最震撼的部分，在深圳如果說前面還屬於“組織和人才判斷”，那後面進入硬體部分時，他的語氣明顯變了。José 說，他在中國看到最震撼的東西，不是創業公司的路演，而是深圳的硬體生態。他提到那種系統性的拆解、逆向工程、密集供應鏈和長期積累的網路效應，讓他不確定西方很多硬體創業者是否真正理解自己面對的是什麼競爭。他還提到，和他們交流的創業者給出的資料是，超過 70% 的硬體投入來自大灣區，接近 100% 來自中國本土，這意味著極快的迭代速度，而這種速度是西方硬體公司很難複製的。這段其實特別關鍵。因為它說的不是“深圳有供應鏈”這麼簡單。它真正說的是：中國硬體優勢，不只是成本優勢，而是系統密度優勢。你能拿到零部件。你能快速試錯。你能快速改板。你能很快把樣機變成產品。你還能在一個足夠大的製造網路裡繼續往下壓時間和成本。這不是某一家公司厲害，而是一個區域能力。05 他為什麼更看好中國硬體，而不是中國軟體José 認為，中國在開源模型上確實很強，但在閉源模型層面，和西方頭部實驗室相比仍然有明顯差距，而且這個差距可能還在擴大。他提到資本開支差異、GPU 獲取限制，以及西方實驗室對蒸餾的持續打擊。他還引用了一個很有衝擊力的對比：Anthropic 僅在 2 月就已經達到 60 億美元 ARR，而中國最好的模型公司，ARR 仍大致在幾千萬美元量級。這組數字當然應該謹慎看待，但他想表達的核心很清楚：軟體的競爭，不只是“能不能做出來”，而是“能不能在產品、分發、商業化和平台能力上持續拉開差距”。而這一點，恰恰是今天最殘酷的地方。因為很多 AI 軟體創業公司做的方向，本身就處在大模型公司原生功能的覆蓋邊緣。你辛苦做出的產品，可能一輪模型更新、一個官方功能發佈，就被壓縮掉一半空間。這對所有 AI 應用創業者都是個提醒。不是說軟體不能做。而是說，純功能型軟體會越來越難。06 他還點了一個很多人不願意承認的問題：估值泡沫José 認為，中國 AI 不只是熱，而且已經有明顯泡沫，無論是早期還是後期。他提到，早期消費類 AI 創業公司即使還沒有產品，估值做到 1 億到 2 億美元已經不罕見，種子前輪超過 3000 萬美元也並不少見。他還拿一些公開市場和頭部公司的估值做對比，認為晚期估值更難自洽。這部分未必要完全接受他的數字口徑，但泡沫感確實是今天很多人都能感受到的。原因也很簡單：AI 是大趨勢。中國 AI 又是大趨勢裡的大主題。當“敘事”本身成為稀缺資產時，估值就很容易跑到基本面前面去。問題不在於高估值本身。問題在於，當融資節奏跑得比商業化更快時，很多公司最後要面對的，不是技術問題，而是兌現問題。07 他最後看到的機會，反而是“中西結合型團隊”帖子最後有一段我覺得是全文最值得注意的部分。José 說，他原本沒想到的是，自己見到的很多中國創始人，其實都在優先做全球市場，而不是先做中國市場。他們使用 Claude Code，關注 Dwarkesh 的播客，對舊金山創業生態非常熟悉。這說明一件事：今天的資訊流，已經不是單向的了。很多中國創始人，對西方產品、模型、創業公司和敘事的理解，並不比西方投資人差。所以他最後真正看好的，不是一個抽象的“中國 AI”，而是一類更具體的組合：把中國的工程執行力、製造能力、供應鏈縱深，和西方的產品定義、市場進入能力、全球化表達結合起來的團隊。這也是我覺得這條帖子最有價值的地方。它沒有停留在“誰更強”的討論裡，而是在說：下一波真正有競爭力的公司，很可能不是單純的中國式公司，也不是單純的美國式公司，而是能跨兩套系統工作的公司。結語Macedo 的這篇觀察，像是一把尖銳的手術刀，切開了當前中國 AI 生態的真實剖面：硬體的務實與軟體的浮躁並存。對國內的創業者和投資人來說，這是一個極其響亮的警鐘。硬體的優勢固然值得驕傲，但在 AI 這場全方位的戰役中，如果軟體生態不能擠干水分、打破同質化的內卷，我們或許會錯失這一波技術革命中最核心的紅利。正如他所感受的那樣：“答案是複雜的。”在冰與火交織的中國 AI 賽道上，潮水退去之後，真正的破局者，一定是在泡沫破裂後還能穩穩站住的人。 (Josh矽基世界)

美股軟體股周二重挫，原因是有關亞馬遜(AMZN.US)新AI工具的報導重新點燃了過去幾個月困擾該類股的顛覆擔憂。資料顯示，一隻追蹤軟體股的交易所交易基金(ETF)下跌4.3%，創一個月來最大跌幅。UiPath(PATH.US)和HubSpot(HUBS.US)跌幅居前，二者均下跌約9%;Trello母公司Atlassian(TEAM.US)下跌8.4%。亞馬遜的雲端運算部門亞馬遜網路服務(AWS)正在開發一款AI代理，可自動執行銷售、業務拓展及其他團隊的部分職能——這些團隊正是這家科技巨頭此前大規模裁員涉及的部門之一。報導稱，AWS正在開發的這款代理可處理網路安全、伺服器網路等領域數千名技術專家的部分工作負載。今年以來，軟體股持續承壓。包括Anthropic在內的多家AI初創公司發佈的新一代AI工具，引發市場對傳統軟體企業增長前景的擔憂。iShares Expanded Tech-Software Sector ETF自2025年底以來已下跌超過23%，正邁向自2008年以來最差季度表現。周一晚些時候，Anthropic表示其Claude聊天機器人現在可以接管使用者電腦，完成諸如瀏覽網頁、填寫電子表格等任務。而在軟體股再次下跌之際，因對軟體股有較大敞口而遭遇贖回潮的美國私募股權行業的最新動向進一步加劇了焦慮情緒。Ares Management(ARES.US)和阿波羅全球管理(APO.US)正在限制私募信貸基金的贖回。在此之前，由於市場擔憂向軟體製造商及其他被視為容易受到AI衝擊的公司提供貸款的風險上升，已引發了一波贖回申請潮。儘管對美股軟體類股的擔憂依然存在，但Wedbush分析師、被市場稱為“科技多頭旗手”丹·艾夫斯就曾在本月早些時候對持續的軟體類股拋售提出異議，稱這是他在過去15到20年間所見過的“最脫節”的科技交易。艾夫斯認為，市場對人工智慧(AI)顛覆傳統軟體公司的擔憂被誇大了，導致了他所稱的“AI幽靈交易”，使該類股受到了不公正的懲罰。艾夫斯表示：“最終是軟體——從賽富時(CRM.US)到ServiceNow(NOW.US)，再到最終保障網路安全領域的CrowdStrike(CRWD.US)、Palo Alto(PANW.US)等公司的應用場景——才是關鍵。我認為這是我幾十年來見過的該類股最嚴重的拋售。”這位分析師指出，AI公司Anthropic最近在智能體方面的進展可能是軟體股觸底的訊號。他堅持認為，AI的真正價值在於成熟的軟體平台，而非純AI公司。艾夫斯表示：“我的觀點是，AI可能會顛覆一些只依賴單一產品的純軟體廠商。但現實是，資料和價值存在於技術堆疊中。存在於賽富時、ServiceNow、Workday、甲骨文等公司的安裝基礎上。”艾夫斯預測，30%的AI支出最終將流向軟體公司，並指出Palantir(PLTR.US)已經展示了變現的潛力。他還預計該行業將出現整合。他表示：“現在，邁阿密的計程車司機都看跌軟體，而我認為，相對於我對今年軟體類股的看法，這是一個看漲訊號。”值得一提的是，丹·艾夫斯領導的Wedbush分析師團隊在2月初就曾表示，儘管AI在短期內確實可能對傳統軟體商業模式構成一定壓力，市場對這一風險的反應明顯過度，當前的軟體股拋售已經隱含了“行業大規模被AI顛覆”的極端假設，而這在現實中並不具備可行性。艾夫斯指出，企業客戶在AI遷移問題上遠比市場想像中謹慎。大量企業並不願意為了追逐AI紅利而將核心資料暴露在尚未完全成熟的新平台之上，更不會輕易放棄過去數十年、斥資數百億美元建構的軟體基礎設施。他表示：“AI在短期內是逆風，這一點毫無疑問，但市場當前的定價方式，彷彿軟體行業即將迎來‘世界末日’，這一判斷在我們看來完全脫離現實。”Wedbush強調，當前大型企業軟體生態中已沉澱了數以兆計的資料點，新興AI公司如OpenAI和Anthropic，無論是在資料承載能力還是企業級安全防護方面，短期內都難以全面接管這些複雜系統。這意味著，AI更可能以“嵌入式工具”的形式融入現有軟體平台，而非徹底取而代之。Wedbush還指出，微軟(MSFT.US)、Palantir、CrowdStrike、Snowflake(SNOW.US)和賽富時為“軟體寒冬”中最值得持有的五大軟體股。輝達(NVDA.US)首席執行長黃仁勳同樣在2月初駁斥了AI將取代軟體及相關工具的擔憂，稱這種想法“不合邏輯”。黃仁勳在舊金山由思科系統主辦的人工智慧會議上發表講話時表示，擔心AI會降低軟體公司重要性的想法是誤導性的。他認為，AI將繼續依賴現有的軟體，而不是從頭開始重建基礎工具。摩根大通策略師也指出，從長期來看，傳統軟體公司是否會被AI取代仍不明朗，但當前市場對AI顛覆的悲觀情緒在現階段已經出現“過度反應”。微軟和CrowdStrike是摩根大通策略師提及的、具備AI韌性的代表性公司之一，這類企業有望從AI提升工作流程效率中受益。該團隊表示，企業級軟體較高的轉換成本以及多年期合同，為其抵禦短期衝擊提供了緩衝。 (invest wallstreet)

美國和以色列如何建造龐大的軍事目標瞄準機器圖片來源：Getty Images美國和以色列在伊朗展現的火力比美國在前兩次海灣戰爭中展現的都要迅猛和壓倒性。據信，這兩個盟國在2月28日發動的進攻性出動架次比美國在1991年或2003年海灣戰爭首日（當時部署兵力遠超美國）的出動架次還要多（兩次戰爭的出動架次均約為1300架次）。五天後，美國戰爭部長皮特·赫格塞斯吹噓道：“‘史詩狂怒行動’的空中力量是2003年伊拉克‘震懾行動’的兩倍。”美國和以色列之所以能夠發動大規模的打擊行動和導彈發射，是因為它們能夠比以往任何時候都更精確、更快速地識別目標。而它們之所以能夠如此迅速、全面、精確地生成目標，是因為它們大幅增加了軟體的使用——包括迄今為止應用範圍有限的人工智慧。如今，兩國軍隊都能以工業化規模生成和打擊目標。自戰爭爆發之初，襲擊目標的選擇就一直受到嚴格審查。2月28日，伊朗南部米納布一所女子學校遭到疑似美國“戰斧”巡航導彈襲擊，造成175人死亡，其中大部分是兒童。3月11日，《紐約時報》報導稱，五角大樓已認定此次襲擊是目標選擇錯誤造成的，是針對附近海軍基地的一次攻擊的一部分。赫格塞斯先生反覆強調，他希望在軍隊中優先考慮“殺傷力”而非“不溫不火的合法性”，並大幅削減五角大樓內部用於平民傷亡評估的預算，此舉冒著被指責冷酷無情、漠視平民生命的風險。據華盛頓人權觀察組織HRANA統計，迄今為止，伊朗已有近1800人喪生，其中大部分是平民。美國和以色列的現代化目標定位系統在目標定位和最大限度減少每次打擊造成的平民傷亡方面，都遠勝於以往的系統。在美國，針對伊朗的打擊行動由位於佛羅里達州坦帕市的中央司令部（CENTCOM）總部的人員操控，該司令部負責五角大樓在中東的行動。司令部的一名指揮官會針對各種情況制定方案，例如轟炸伊朗核設施或推翻伊朗政權。他的“ J2 ”（情報局）會建立一個包含數千個潛在目標的資料庫，這些目標的資訊來自衛星圖像、訊號情報和其他來源。該資料庫還包括學校、醫院等“禁打”目標的名單。“武器專家”決定針對那些目標需要那些彈藥，例如用於地下設施的掩體炸彈或用於建築物的GPS制導聯合直接攻擊彈藥（簡稱JDAM）。律師會審查目標，但他們的作用有限。（一位前美國指揮官說，審查目標的律師“不會說‘你不能這樣做’，而是會說：‘你可以這樣做，但後果是這樣的。’歸根結底，最終的決定者是指揮官。”）該指揮部的J 5（戰略和計畫局）將所有這些彙總成一個連貫的作戰計畫，並將其傳遞給J 3（作戰局），J 3 最終將該計畫分解為“空中任務指令”，這些指令通常著眼於未來兩天。長期以來，人們一直利用軟體來輔助這項工作。軟體通過模擬爆炸、高溫和碎片的影響範圍，估算目標的位置、結構以及可能對平民造成的傷害，從而預測摧毀目標的機率。這些模擬結果可以疊加在地圖上，形成鋸齒狀的圖像，有時被稱為“爆炸圖”。但近年來，這項技術在範圍和複雜性方面都取得了飛躍式發展。包括中央司令部和北約在內的美國武裝部隊，目前都使用由美國公司Palantir主要開發的Maven智能系統來提升整個決策流程。Maven是一款“決策支援”工具，它整合了來自公開管道（例如社交媒體資訊流）和機密管道（例如衛星資料）的資訊。如果一名伊朗人在Telegram上提到看到一輛導彈發射車從自家門前駛過，Maven系統就能將這條資訊與來自射頻衛星的資料關聯起來，這些衛星可以探測到伊朗軍用無線電的電子輻射。Maven隨後可以生成目標，計算出那種武器最適合打擊每個目標，並評估打擊後的破壞情況。負責該項目的北約官員阿內爾·戴維寫道，Maven還能作為現實世界的“數字孿生”，使指揮官能夠模擬特定決策可能產生的後果。他說，其目標是將軍事指揮轉變為“機器輔助的預測科學”。這一切都意味著，資料可以以更快的速度轉化為目標。曾在美國陸軍第十八空降軍領導Maven系統研發的退役上校喬·奧卡拉漢（Joe O'Callaghan ）在最近的一次播客節目中表示，一項機密研究表明，Palantir公司的系統使軍事人員能夠以十分之一的人力規劃出與伊拉克戰爭規模相當的作戰行動。他補充說，這一效率如今已得到進一步提升。（Maven系統自2022年起被用於援助烏克蘭。）一位參與Maven項目的前北約將軍表示，過去需要數十人花費數十小時才能完成的工作，“現在只需兩分鐘就能完成”。一位歐洲將軍將他所見證的這一切形容為“煉金術”。他說：“我們每天的目標數量從10個增加到300個，我們的目標是每天3000個。”以色列雖然使用不同的軟體，但也實現了流程的“工業化”，正如一位軍官所說。在備戰過程中，當以色列同行帶著包含數千個伊朗目標（以及每個目標所需的彈藥）的“目標庫”出現時，美國策劃人員感到震驚：這些目標包括伊朗領導人的總部和住所、軍事和民兵基地、導彈發射裝置和工廠、民用基礎設施等等。“以色列賦予決策支援系統生成目標的自主權，遠超我所能想像，”這位歐洲將軍說道。以色列的防空系統發展處理程序可以追溯到1973年的贖罪日戰爭，當時以色列的飛機遭到蘇聯製造的防空系統的重創。這促使以色列空軍系統地收集和融合敵方地對空導彈（SAM）的資料，這為1982年對敘利亞的決定性勝利做出了貢獻。隨後，在2006年與黎巴嫩真主黨的戰爭中，以色列遇到了新的問題。隨著戰爭持續34天，以色列將軍們抱怨說：“目標庫已經空空如也了。”時任軍事情報局局長的阿莫斯·亞德林改進了針對地空導彈的打擊方法，並將其推廣到所有潛在目標。以色列國防軍總參謀長最終擁有了一份裝訂成冊的哈馬斯目標清單；每當加薩地帶髮射火箭彈時，他都能在幾分鐘內選定一個反擊目標。這一切聽起來可能像個黑匣子。指揮官們辯稱，Maven 和其他工具建立的目標庫已經過近十年的測試，總體上是可靠的。他們會根據基礎資料為每個目標設定一個置信度。一位軍官表示，這些目標庫在識別民用目標方面往往比疲憊不堪的人工分析員更勝一籌。在美國和以色列軍隊中，除防空系統等需要攔截大量來襲炮彈的極端情況外，每個目標都需經人工稽核。但一些業內人士承認，打擊規模和頻率的不斷增加，促使人們賦予電腦更大的自主權，使其能夠對生成的目標進行實際攻擊。對自主打擊的擔憂是人工智慧模型Claude的開發商Anthropic公司與五角大樓之間爭論的核心，儘管目前這仍是一種假設性的擔憂。（Claude在Maven項目中有所應用，但並非用於識別目標等地理空間任務。）一位參與該技術的人士表示，在北約內部，一些國家“擔心失去人類的控制”。“我們正以四年前我根本無法想像的速度發展。”操作員錯誤在許多情況下，電腦輔助目標鎖定銀行的問題不在於電腦本身，而在於使用電腦的人。“人工智慧可以使優秀的情報官員更加出色，並有助於減少附帶損害，”一位以色列消息人士表示。“但如果情報官員只是想找到更多目標，而不在乎誰會受到傷害，那麼人工智慧只會幫助他們找到這些目標。”以色列對加薩的空襲暴露了維護龐大目標庫的另一個問題。“當平民在空襲中喪生時，我們會重新核查資訊，”一位分析人士說，“通常是因為哈馬斯過去曾使用過那棟建築，但後來搬走了，現在住戶又搬了進去。”以色列國防軍會定期“重新驗證”目標，但頻率遠遠不夠。米納布女子學校遭襲事件可能源於未能重新驗證目標。據《紐約時報》報導，一名官員透露，該地點曾是附近海軍基地的一部分。隨著人類被越來越多的電腦生成目標所淹沒，每天可進行的襲擊次數也大幅增加，如何最大限度地降低此類災難的風險將變得越來越具有挑戰性。在美國，或許最大的挑戰來自高層。赫格塞斯先生貶低了戰爭法，解僱了軍事律師，並放寬了交戰規則。一位官員表示，他還將五角大樓負責保護平民的人員數量削減了90%。中央司令部負責平民傷害評估的小組人員編制僅為赫格塞斯上任前的三分之一；負責規劃的人員和“打擊小組”成員的流失最為嚴重。這些工作人員可以幫助我們瞭解伊朗局勢的變化如何導致像米納布學校這樣的目標過時。 (invest wallstreet)