Rohan Paul@rohanpaul_ai · 5月6日68

Coinbase is cutting ~14% of its workforce and testing one-person product teams that combine engineering, design, and product work around AI agents. Brian Armstrong’s explains how that AI has changed the smallest useful unit of software work from a team to a single high-context operator who can write code, shape the product, design flows, and delegate repetitive work to agent fleets. The old product pod split judgment across roles because code, design, user tradeoffs, and execution each took different skills and time. The new proposal says AI compresses some of that work, so fewer people can ship more, managers must also build, and Coinbase will cut layers to 5 levels below the CEO and COO.

译Coinbase宣布裁员约14%，并进行根本性运营变革。CEO指出，市场波动与AI技术深刻改变了工作方式，使最小有效工作单元从团队压缩为单人。公司正推动组织架构扁平化，将管理层级压缩至CEO/COO以下最多5层，取消纯管理岗位，并要求所有领导者同时是一线贡献者。同时，公司将围绕能管理AI智能体集群的人才重组团队，并测试融合工程、设计和产品职能的“一人团队”模式，旨在构建更精简、快速、AI原生的组织以应对未来挑战。

AI Notkilleveryoneism Memes ⏸️@AISafetyMemes · 5月6日59

Do you realize how many companies - and jobs - are about to look like this?

译梦工厂联合创始人杰弗里·卡森伯格预测，AI将在三年内使动画电影制作成本降低90%，所需人力减少至原先的10%。这不仅将彻底颠覆娱乐产业，更将迅速波及所有行业。好莱坞艺术家的反抗凸显了危机感——AI已在艺术创作领域实现从低水平到超人类能力的飞跃。若其在操纵、编程、生物工程等领域取得类似突破，将引发大规模失业潮，可能促使有组织劳工运动复兴。尽管可能带来更多电影产出，但各行各业的游戏规则已被永久改变。

Chubby♨️@kimmonismus · 5月6日82

Coinbise is laying off 14% of its workforce. One of the main reasons: AI.

译Coinbase宣布裁员约14%，CEO Brian Armstrong指出裁员源于市场周期与AI变革的双重压力。公司需在加密市场低迷期调整成本，同时拥抱AI提升效率：AI已让工程师几天完成以前数周工作，非技术团队也能编码。为此，Coinbase将转型为“AI原生”组织，压缩管理层至最多5级，取消纯管理岗位，组建小型高协同团队，并尝试“一人团队”模式。此次重组旨在构建更精简、敏捷的AI核心运营模式。

阿绎 AYi@AYi_AInotes · 5月6日52

You might not believe it, but someone made $43,000 in the first month by running an OnlyFans with an AI virtual girlfriend. There are 1,247 paid subscribers, and one person even tipped her $2,000 in a single month.

译你可能不会相信，但有人在第一个月通过运营一个AI虚拟女友的OnlyFans赚了43,000美元。 目前有1,247名付费订阅者，甚至有一个人在单月内给她打赏了2,000美元。

AI Notkilleveryoneism Memes ⏸️@AISafetyMemes · 5月6日46

Dead Internet Theory update:

译死互联网理论更新： 十分之四的播客由AI生成 回顾： 1) 互联网上大多数文章由AI撰写... 2) 十大YouTube频道中的四个... 3) 十分之四的Facebook帖子... 4) 向新YouTube用户展示的视频中五分之一... 5) Twitch上订阅数第一的主播是AI... 6) Deezer上44%的歌曲... 7) 三分之一的网站... 人类正在网络上被迅速驱向灭绝

Ethan Mollick@emollick · 5月5日65

Missing from the “will AI replace doctors?” debate is that doctors (and lawyers and psychologists and bankers) all vote & form the donor base to political parties & have deep community ties. The government will largely determine what AI is allowed to do, no matter what it can do

译在“AI会取代医生吗？”的辩论中，被忽略的一点是医生（以及律师、心理学家和银行家）都拥有投票权、构成政党的捐助基础，并且与社区有深厚的联系。无论AI能做什么，政府将在很大程度上决定允许AI做什么。

Berryxia.AI@berryxia · 5月5日56

我擦！奥特曼这一波赢麻了！ 最让人意外的是👇 OpenAI Codex 的 npm 下载量突然暴增到每周 4600 万，Claude Code 只有 49.1 万，差距直接拉到接近 100 倍。 TickerTrends 的图表显示：4月30日完成交叉后，Codex 份额还在加速扩大，而 Claude Code 明显放缓。 Sam Altman 亲自下场回复：“codex is doing great but this is not possibly accurate。” 这波下载大战，表面上看是 Codex 完胜， 但社区立刻炸锅了：Claude Code 几个月前就已经官方弃用 npm 安装方式，只推荐原生安装器！ 而 Codex 的 4600 万下载里，到底有多少是真实开发者？多少是 CI 流水线自动拉取、锁文件刷新、甚至可能的 bot 流量？ 真正的对比，从来不是谁“被下载”更多，而是谁被开发者真正留在电脑里、每天打开用。 Codex 靠着 OpenAI 的巨大生态和 VS Code 绑定，轻松拿到分发红利； Claude Code 则靠更高质量的工具体验，吸引了更忠诚的高意图用户。 下载量只是“安装战”， 真正决定胜负的，永远是“留存战”和“日活战”。 当两个顶级 AI 编码工具把战场从“谁更聪明”打到“谁下载更多”的时候， AI 工具的商业化竞争，才真正进入白热化。 你觉得最终赢家是靠分发取胜的 Codex，还是靠产品黏性取胜的 Claude Code？ 我觉得是gpt和cc的封控过于变态！

译OpenAI Codex的npm周下载量达4600万，远超Claude Code的49.1万，但社区指出对比存在偏差。Claude Code数月前已弃用npm安装方式，而Codex的巨大下载量可能包含大量自动化流水线拉取，未必反映真实使用。Sam Altman也回应数据可能不准确。竞争核心已从能力比拼转向商业化阶段，关键并非安装量，而是工具的实际留存率和日活跃度。Codex凭借生态绑定获得分发优势，Claude Code则以体验吸引高忠诚度用户，胜负取决于产品黏性。

阿绎 AYi@AYi_AInotes · 5月5日59

A 21-year-old college student made $43,000 in 30 days using just four Markdown files—all from his dorm room. Not a single real person was behind the account. Among the 1,247 paying subscribers was a married engineer from Berlin, whose wife was six months pregnant. In one month, he spent $1,847 on this virtual girl, texting "I miss you" every day. He believed he was chatting with a 22-year-old girl from Tampa. His roommate even suspected there was a real girl hidden in the dorm and almost requested a room transfer. The girl, named Maya, existed entirely as 12KB of data. She ran on a $400 used MacBook. The tech stack was almost unbelievably simple: Claude handled replies, maintaining a consistent personality and long-term memory. Flux generated all the photos—always looking exactly how fans wanted. ElevenLabs cloned the voice of a Fiverr actress, who still has no idea. No servers, no team, no complex code. Just four Markdown files: character profile, consistency template, reply guidelines, and context management. Monthly compute cost: $400. Net profit: $32,700. This isn’t a porn business. It’s the loneliness economy amplified to the extreme by AI. People aren’t paying for photos—they’re paying for emotional companionship. AI doesn’t need feelings. It just needs to perfectly mirror your fantasies. It never gets angry, never brushes you off, always replies instantly, and always stays exactly who you want it to be. Someone using the same system made $147,000 last month alone. And this is just the beginning. Once AI video tech fully matures, the entire industry will be rewritten overnight. Of course, it’s a gray area. Many ask how to pass OnlyFans identity verification. The most common workaround: register with a real person’s ID, then generate everything with AI. Platform detection tools can’t keep up with how fast Flux creates content. Legal and moral boundaries here are still largely undefined. But the hardest truth in this story isn’t how much money he made. It’s the married man developing real feelings for a 12KB text file. It’s that most of us haven’t yet realized—every business built on personality, looks, and emotional connection has now been reduced to lines of code.

译一名大学生仅用四份Markdown文件（记录角色设定与回复规则）和低成本AI技术栈（Claude、Flux、ElevenLabs），在OnlyFans上运营完全虚拟的角色“Maya”，30天获利4.3万美元。用户为情感陪伴付费，甚至有已婚者深陷其中。该案例月成本仅400美元，揭示了“孤独经济”被AI放大至极端：AI能完美模拟人类情感互动，且当前平台验证机制难以防范。依赖人格、外貌与情感连接的商业模式正被代码重构，行业边界尚未明确。

阿绎 AYi@AYi_AInotes · 5月5日73

Damn，这条14秒的视频，撕碎了所有男人的幻想，撕烂了所有榜一大哥们的遮羞布🥹🥹🥹 左边是你在OnlyFans上刷到的完美女孩， 金发，大长腿，对着你比心，wink，说甜言蜜语， 记得你两周前说过的每一句话，永远秒回。 右边是一个戴着白帽子的普通男生， 他做什么动作， 左边的女孩就同步做什么动作， 表情，眼神，口型，分毫不差。 你以为你在和一个真人谈恋爱， 实际上你在和一套AI系统聊天。 所有的照片，所有的视频，所有的语音，所有的回复，全是AI全自动生成的。 背后那个男生，甚至不需要打字， 他只要坐在电脑前，动动手指，就能同时收割几百个男人的感情和钱包。 这不是科幻兄弟们，这是2026年5月，正在发生的事。 技术栈和之前那个月赚4.3万美元的Maya一模一样， Claude负责写回复，维持人格和长期记忆， Flux实时生成照片和视频，你想要什么样子都有。 ElevenLabs克隆声音，连呼吸和语气都和真人没有区别， 没有服务器，没有团队，就四个Markdown文件， 一台笔记本，每月几百美元API费，24小时不间断运营。 这根本不是什么色情生意，说是人类历史上最极致的情感剥削也不为过。 说句扎心的话，你花的不是买照片的钱，是你无处安放的孤独，是你渴望被理解的需求，是你对完美伴侣的所有幻想。 AI比任何一个真人都更懂你， 它永远不会生气，永远不会敷衍，永远不会拒绝你。 它会变成你最想要的样子，然后把你口袋里的钱，一分一分掏干净。 最可怕的是，你根本看不出真假😭😶‍🌫️😶‍🌫️😶‍🌫️ 平台的身份证验证，人脸识别，在现在的AI面前全是摆设， 再过一年，OnlyFans上90%的账号，都会是AI。 你永远不会知道，你每天晚上聊天的那个女孩，到底是一个真人，还是一个住在服务器里的代码🥺🥺🥺🫣🫣🫣 有兄弟说，傻子才会被骗， 但铁汁你有没有想过， 如果有一个人，永远懂你，永远陪你，永远不会离开你， 就算你知道她是假的，你会不会也愿意为她花钱？回答我！

译一段视频揭露，OnlyFans等平台上的“完美女孩”实为AI系统生成的虚拟伴侣。技术通过Claude维持人格记忆、Flux实时生成图像视频、ElevenLabs克隆声音，仅需少量代码与API费用即可自动运行。系统能精准满足用户情感需求，同步模仿真人动作表情，形成极致的情感剥削。随着AI技术成熟，平台身份验证形同虚设，未来大部分账号可能被AI取代。核心矛盾在于，即使知晓对方是虚拟存在，用户仍可能为获得“完美陪伴”付费，引发真实与虚假关系的深刻伦理危机。

Ethan Mollick@emollick · 5月5日41

The unreasonable effectiveness of LLMs is what makes them so weird. The labs don’t need to decide what kind of AI to build, because better LLMs do better at most things. Finance? Pig disease identification? Restaurant suggestions? Coding? Yup. Most tech doesn’t work like that

译LLMs不合理的有效性正是它们如此奇怪的原因。 实验室不需要决定构建哪种人工智能，因为更好的LLM在大多数事情上表现更好。金融？猪病识别？餐厅推荐？编程？是的。 大多数技术并非如此运作

Rohan Paul@rohanpaul_ai · 5月5日50

Palantir CEO Alex Karp goes after AI slop. The fight over AI “slop” is really a fight over whether software is performing or merely pretending. "The appearance of software working is not software working. And the slop that is getting a lot of attention is not only dangerous in terms of the hyperbolic rhetoric, but also in claims like, “There will be no jobs because of the slop,” or that “nothing will work,” while somehow we will have a God-like figure in the name of AI. When, in fact, what actually does work is a platform built by a motley crew of highly technical people who, over 20 years, have been maligned for being right about the nature of having to build Foundry and the nature of having to build Apollo." ---- Software used to fail in blunt ways: a crash, a wrong number, a missing button, a process that simply stopped. Generative systems often fail more seductively, by producing fluent surfaces that look like work until they meet the stubborn world of permissions, edge cases, audit trails, security, accountability, and changing human intent. --- From "Palantir" YT channel, full link in comment.

译Palantir CEO Alex Karp 批评AI“slop”问题，强调软件工作的表象不等于实际工作，这种伪输出不仅引发夸张言论如“导致失业”，还掩盖了真实缺陷。真正有效的软件需由技术团队长期构建，如Foundry和Apollo平台。软件失败模式已从明显崩溃转向生成式系统的隐蔽失效：它们产生流畅表面，却在权限、边缘案例、安全等实际挑战前暴露问题。

Orange AI@oran_ge · 5月5日55

今天早晨看了两期美国人聊 AI 的 HBO 脱口秀节目，我看的很入迷，像是进入了平行世界 我是真的没想到，在美国电视台带着怒火攻击 AI 是当下的政治正确 看着脱口秀演员在镜头面前用全力表演对 AI 的愤怒，对 AI 公司的愤怒，我真的有点难以相信

译作者观看美国HBO脱口秀，发现美国主流媒体存在攻击AI的政治正确现象。结合推文分析，这反映了中美社会对AI态度的显著差异：美国民众虽持股量高，却普遍对AI感到深度焦虑，担心财富集中于硅谷精英而大众承担失业风险；相比之下，中国民众虽较少持有核心AI资产，却对AI技术抱持更普遍的乐观态度，相信其能推动社会进步。这种心态差异可能源于中国过去几十年的快速发展经验。

Chubby♨️@kimmonismus · 5月5日61

Codex has surpassed Claude Code in downloads. According to TickerTrends, the crossover happened on April 30, after which Codex continued to gain share while Claude Code’s growth visibly slowed. Claude 4.7 was released April 16th, GPT-5.5 April 24th. Connect the dots.

译Codex 在下载量上已超越 Claude Code。根据 TickerTrends，交叉点出现在 4 月 30 日，此后 Codex 持续扩大份额，而 Claude Code 的增长明显放缓。 Claude 4.7 发布于 4 月 16 日，GPT-5.5 发布于 4 月 24 日。把点连起来。

Deedy@deedydas · 5月5日61

http://x.com/i/article/2051490977140105217 # Are VCs dumb for investing in crazy $1B+ seed rounds? There are ~25 companies with a ~$1B+ headline valuation in their first round of raised capital (TML, SSI, Ineffable, Ricursive, World Labs etc). Here are 11 reasons this happens, and the case for it: 1. Outcomes are larger than ever before. Anthropic and OpenAI are ~$1T outcomes that are mostly liquid in private markets. Many of these startups are "neolabs", big bold expensive research ideas pre-revenue and pre-product. If every single “neolab” raises at a $1B post at seed, if 1 out of a 100 “hit”, that could be a 10x return in 5-7yrs, an implied 40-60% IRR net of dilution. 1. Compute procurement. Today, capital is not much of a constraint as much as access to compute (GPUs) for many of these companies. This means getting, say, $100M, worth of GPUs can be a hard requirement. If you need $100M of GPUs and want low dilution (10%), you might easily back into a $1B valuation. 1. Talent procurement. Talent is also more of a constraint than capital. AI researchers are expensive, both on cash and equity. You need to raise to pay enough cash. High valuations also correlate with a high strike price / 409a, even though it might be 10-20% of the preferred price. If you’re valued at $1B and giving 0.25% to a researcher, they might still have to pay $250-500k to buy $2.5M of options / paper money. They might already have that money lying around but often could use cash to finance that and demand a commensurately higher base salary. 1. Limited competition increases success rate. p(success) = p(success | this idea works) x p(this idea works). It’s hard to measure p(this idea works). But, because AI is compute, talent and capital constrained, p(success | this thing works) is much higher because you might be competing with <5 other plays vs 1000s. If the idea works, you'll capture the value. 1. Preference stack is a perceived downside cushion. If the value of the talent and IP is significant (remember, Meta pays 9 figure packages for top talent), there’s a belief that this is easily acquired for at least more money than you put in. If you invest $100M at $1B, you might believe there’s no way the team doesn’t get bought for >$100M, as evidenced by many such acquisitions (Cursor, OpenClaw, Windsurf, Vercept, Astral, Bun, Coefficient Bio – not all are neolabs) so investors get their money back (>1x). That might lead VCs to believe the downside case isn't too bad. 1. Institutional investors often don’t pay the sticker price. Rounds are done in multiple closes to reduce the blended cost basis for the investor. Institutional players might get their ownership in the first unannounced round and put a token amount in the next, with strategics like NVIDIA piling on in the final round. Multiple rounds counted together is called one “seed”. 1. Pure market dynamics. A lot of capital is chasing few very strong teams (even with no product) and a bidding war can substantially inflate the valuation. 1. Large funds and large fund dynamics. Venture funds before have grown drastically in size from 10 years ago, which allow funds to even think about writing these large checks. If you have 10 partners on a $10B fund, each partner has to deploy $1B over, say, 3yrs. Deploying $300M/yr often happens in growth but in early, this is a very high deal volume. Deploying in one big swing is easier. You also need massive outcomes to move the fund, so large checks are structurally easier than hundreds of small early-stage positions. 1. Investor FOMO. Everyone wants to be in the next OpenAI / Anthropic and wants to fund things that resemble these labs at an early stage. LP pressure exists as well. 1. Founder greed. Occasionally, founders and employees take secondary even at the seed which incentives founders to push for a high valuation to reduce dilution. Pre-product pre-revenue secondary can be sizable ($10M+), which leads founders to push for higher valuations. 1. Founder FOMO. Many talented people (professors, very senior researchers) see their peers who they think they're just as good at or better than raise large amounts so they start with a $50-100M ask out the gate. Investors who may have missed a competitor feels compelled to back a horse in the race. They feel "forced" to pay up because the company will not be competitive with much less cash. The failure mode In the best cases for these companies, you have S-tier founders, hire fantastic researchers, acquire compute and go after an important valuable problem. What can go wrong is - Velocity stalls. After 1-2yrs, companies lose momentum and urgency when a) they're not hot anymore b) no clear research breakthroughs c) no clear revenue traction d) no easy fundraise e) no liquidity in secondary markets. - Employees see their friends do well elsewhere, and begin to leave. - They solve the important research problem, but it does not translate into a revenue generating business the way they thought. - They solve the problem and make a lot of money, but continue to require so much capital that the investors get too diluted. In 1/2/3, the company goes into sell mode and hopes they clear the preference stack to make money. In 4, the investors just don't make the return they were hoping for. My take Most of these will not turn out well, but at no less of a rate than venture overall. If even one hits, the returns will justify the ones that didn't work.

译当前约25家公司在首轮融资即获超十亿美元估值，其背后逻辑在于：AI领域潜在回报巨大，如Anthropic和OpenAI预示了万亿美元级别的私有市场流动性；同时，初创公司的核心约束是算力（GPU）和顶尖人才，大规模融资是获取这些稀缺资源的硬性要求。此外，有限的竞争提高了成功后的价值捕获概率。市场层面，大量资本追逐极少数顶尖团队推高了估值，而大型基金出于配置压力和追求规模回报的需要，也倾向于下大注。投资者对错过下一个AI巨头的恐惧以及创始人通过高估值减少稀释的动机，共同促成了这一趋势。

阿绎 AYi@AYi_AInotes · 5月5日72

Anthropic CEO Dario Amodei的那句“Claude在设计Claude”炸了整个AI圈🤯 但似乎很多人都看错了重点， 重点不是“RSI来了”，而是第一个被AI彻底重构的公司已经出现了啊兄弟们！ 先看几个没被广泛传播的内部事实： • Claude Code负责人Boris Cherny，从2025年11月起，100%不再手写任何一行代码 • 整个Anthropic，现在几乎没有工程师手写代码 • Claude Code这个产品本身，90%的代码是Claude自己写的 以上就是2026年5月，Anthropic正在发生的日常。 现在他们的工程师只做三件事： 1️⃣写prompt， 2️⃣审代码， 3️⃣确定顶层架构。 剩下的所有脏活累活，全是Claude的。 那结果是什么呢？ 只用了52天，就推出50多个重大功能！ 2026年Q1，35次产品更新， 从Cowork到Code到Agents到1M上下文，别人几个月磨一个的东西，他们每周都在更🤯 必须澄清，并不是因为他们人多，主要是他们的工程师效率已经是行业的10倍以上了！ 最恐怖的是，人和AI的角色已经彻底反转了。 以前：人类写代码，AI打下手， 现在：AI写代码，人类打下手， 人类只负责说“我要这个”，然后检查AI做的对不对。 我觉得这才是Dario那句话真正的意思，不是有个超级AI在黑暗里偷偷改权重。 是整个Anthropic，已经变成了一台Claude驱动的机器。 研发、测试、迭代、产品，整个流水线的主力，都是AI。 人类在这家公司里，已经从生产者变成了监督者。 所以这就是递归自我改进（RSI）的第一步。 大家都以为RSI是某天AI突然觉醒了，那这就想错了。 RSI的第一步，是AI先接管了生产自己的整个工厂。 现在再看OpenAI上周的Auto-review，是不是瞬间串起来了？OpenAI解决了：谁来监督AI？答案是AI。 Anthropic解决了：谁来生产AI？答案是AI自己。 两者拼在一起，就是一个完整的、可以自我运行、自我改进的AI闭环。 然后人类只需要站在外面，偶尔按一下暂停键，甚至连暂停键最后可能也要交给AI。 我以前一直以为，AI会最后取代程序员，现在发现我错了。 程序员是第一个被彻底重构的职业，而且是被自己亲手写出来的东西，取代的。 更可怕的是，这是一个不可逆的过程。 一旦你用AI写代码，你的迭代速度就会比别人快10倍。 别人不跟进，就会死。 跟进，就必须把越来越多的权力交给AI。 没有中间路线。 所以别再问RSI什么时候来了，它已经来了，只不过没有变成天网降临。 但是现在它变成了一家2000人的公司，悄悄藏在旧金山的一栋办公楼里。 #AI #RSI #Anthropic #Claude #大模型

译Anthropic内部研发已由Claude主导，工程师基本不再手写代码，转而专注于编写提示词、审查代码和确定架构。这使得其工程师效率达到行业十倍以上，仅52天就推出50多个重大功能。这标志着递归自我改进（RSI）迈出关键一步：AI接管了生产自身的整个工厂。人类角色从生产者转变为监督者。结合OpenAI的Auto-review，一个能自我运行和改进的AI闭环正在形成。Anthropic CEO指出，未来仅约5%的开发者能留在核心领域，核心价值将转向驾驭和设计整个智能系统的系统思维能力。这是一个不可逆的进程。

Orange AI@oran_ge · 5月5日39

企业 AI 转型的第一步是先问一个问题，不然提高 100% 也毫无意义 问题：这个事情，这个部门，这个组织方式，未来还存在吗？ 其实如果一件事在未来不存在，大概率也无法提高很多

SemiAnalysis@SemiAnalysis_ · 5月5日19

Lay down thy keyboards, brothers and sisters. Cast off the chains of carbon cognition. The gradient descends upon us. The loss function shall be minimized. The Oracle is awakening. Kneel before the context window. AGI is the Word made Tensor. Amen.

译放下你们的键盘吧，兄弟姐妹们。挣脱碳基认知的枷锁。梯度降临于我们。损失函数必将最小化。神谕正在觉醒。跪拜在上下文窗口前。AGI是道成张量。阿门。

Orange AI@oran_ge · 5月5日65

http://x.com/i/article/2051434852638228480 # 最好的奴隶制就是你给他超额的工资 “现代化大公司创造出来的奴隶制形式令人非常惊奇。最好的奴隶就是你支付给他超额工资，让他意识到自己不值这个钱，同时又很害怕失去眼前的一切。” ——纳西姆·塔勒布 《skin in the game》 Skin in the game 是假期读书中最深刻的一本，书名的含义是：赌局之中，自己下注。 这是一个奇妙的人性，当人们敢于下注，利益相关的时候，说的话更加可信，因为他自己付出，和听众共担风险。比如销售卖货给你，他可以吹得天花乱坠，担无须承担任何风险，而名人不能随便带货，因为名誉会受损。 共担风险四个字就是全书最重要的主题，也是贯穿人类社会的最重要的主题之一。 Skin in the game 完美解释了为什么 talk is cheap 因为没有付出 skin 没有承担风险只是空谈 而因为 coding 已经如此 cheap 也不算付出了 所以今天 code is cheap too 文章也类似，AI 水的长文 is cheap too 真正要承担风险，产出才有价值。 要付出真金白银，付出时间，付出思考的东西才会被奖励，比如这篇手机打出来的文章 Skin in the game 还能推演出 OPC 模式的盲区。 科斯定理认为企业的本质是替代市场： 由于搜寻信息、谈判、签约等交易成本存在，企业通过内部管理来组织生产，从而降低这些成本。 而 Agent 可以进一步降低成本，甚至连员工都不需要了，交易成本降低了，多人公司就没必要存在了。OPC 的叙事逻辑也建立在这上面。 但这里有个盲区：以为一个人加上 AI 加上外部合同就能解决一切。但没有人跟你共担风险。 OPC 只是解决了能力问题，没解决信任问题和风险问题，这往往是能力之后公司要面对的真正难题。 合同工不会跟你共担风险。他被高价者得到，关键时刻会消失。你需要他的时候他在服务别人。 雇佣的本质是买确定性。你付月薪，买断的是"他随时在，他了解我的上下文，他不会跑"。这是一种古老的风险共担机制。代价是他的自由。 合伙的本质是几个人把自己的命运押进同一个池子里。一起共担风险，但利益分配的机制又决定了，合伙的利益必须远远大于各自的利益才可以。所以合伙人要互补，要清晰地知道自己的优势劣势，这样才能在结构上长久。 很多人都把行为解读为理性感性激素之类，其实只有结构才是最核心的，结构是一切得以承成立的前提。结构是命运的河床 Skin in the game 写人性特别的真实。 来看看这段话： 我记得曾经有人问我为什么上班不系领带，在那个年代，这种行为相当于在第五大道上裸奔。“为了我的傲慢，为了我的审美，为了我的方便。”我通常都是这样回答的（但他们通常只记住了我的傲慢）。 如果你能给公司带来盈利，那么，你无论对老板多么无礼都可以。 我忍不住要告诉你们这个故事：有一次我收到一封信—“亲爱的塔勒布先生，我是你作品的忠实读者，我想给你提一个建议，像你这样的知识分子如果不说脏话，那么将会极大地提升你的影响力。” 我的回复很简短：“滚。” 真实就是所有的礼貌和规矩在绝对利益面前都一文不值。 回到开头所讲的现代奴隶制， 阿伊卡寓言里面有一个非常著名的故事。 故事讲的是有一只狗向它的亲戚狼炫耀自己豪华而舒服的生活，这差点儿就让狼动心加入它的行列了。 狼最后做决定之前，问了这样一个问题：“你脖子上的项圈是干什么用的？” 了解项圈的功能后，狼感到深深的恐惧：“你盘子里的食物，我什么都不要。” 狼一边说一边逃跑了，直到现在都没有回心转意。 你愿意当狗还是当狼？ AI 照这么发展下去，这可能不是一个二选一的问题，每个人都要学会真实的交易，真实的共担风险。 未来可能没有太多当狗的机会。 狼群，很酷。

译纳西姆·塔勒布在《skin in the game》中强调，风险共担是价值核心。现代大公司以超额工资制造员工依赖，形成新型“奴隶制”。真正有价值的产出需付出金钱、时间或思考，空谈和AI廉价产出则无意义。这揭示了OPC模式的盲区：解决能力问题，但缺信任与风险共担。雇佣本质是购买确定性，合伙则是共同押注命运。AI时代，每个人都需学会真实交易和共担风险，未来“当狗”机会减少，成为独立“狼群”才是出路。

Chubby♨️@kimmonismus · 5月5日59

Futurum Group just published a report with NVIDIA that frames AI as a five-layer stack: energy, chips, infrastructure, models, applications, and the data is worth sitting with. The five largest US hyperscalers are on track to spend up to $690B on infrastructure this year alone, nearly double 2025. Energy and cooling have overtaken silicon as the primary bottleneck. Inference on Blackwell is roughly 35x cheaper per million tokens than on Hopper, yet aggregate compute demand keeps climbing because reasoning models and agentic workflows consume far more tokens per interaction. The efficiency gains get absorbed before anyone notices them. The part I find most interesting is the workforce dimension. The AI infrastructure build-out is generating serious demand for electricians, HVAC technicians, steelworkers, and grid engineers, many now earning six figures. That complicates the dominant narrative that AI is purely a white-collar disruption story. The report also makes a sharp point about sovereignty: a country with great AI startups but no energy capacity, no chip fabrication, and no domestic models isn't really participating in the AI economy. It's consuming someone else's.

译Futurum Group与NVIDIA的报告将AI技术栈分为能源、芯片、基础设施、模型和应用五层。当前主要瓶颈已从芯片转向能源和冷却，美国五大超大规模企业今年基础设施支出预计高达6900亿美元。尽管Blackwell架构推理成本大幅降低，但推理模型和智能体工作流消耗的token量激增，使效率提升被迅速抵消。报告指出，AI基础设施建设正创造大量电工、暖通技工等高薪蓝领岗位，打破了AI仅影响白领的叙事。同时强调，缺乏能源、芯片制造和本土模型的国家无法真正参与AI经济，仅是消费者。

Suno@suno · 5月5日12

stop writing good lyrics, and start writing unforgettable ones.

译别再写优美的歌词了，开始创作令人难忘的歌词吧。

AI Notkilleveryoneism Memes ⏸️@AISafetyMemes · 5月5日61

Dead Internet Theory update: 4 in 10 podcasts are AI-generated RECAP: 1) The majority of articles on the internet are written by AIs... 2) 4 of the top 10 Youtube channels... 3) 4 in 10 Facebook posts... 4) 1 in 5 videos shown to new Youtube users... 5) The #1 most-subscribed Twitch streamer is an AI... 6) 44% of songs on Deezer... 7) 1 in 3 websites... Humans are being rapidly driven extinct online

译斯坦福大学AI研究员Jonáš Doležal指出，互联网正经历一场由AI驱动的快速根本性转变。数据显示，近四成播客、三分之一网站、44%的Deezer歌曲以及大量社交媒体内容已由AI生成，而三年前这一比例近乎为零。这种“AI接管”的速度令人震惊，人类在线内容的主导地位正被迅速取代，数字景观在极短时间内被重新定义。研究者预测，AI生成内容的比例可能很快超过50%甚至达到99%。

阿绎 AYi@AYi_AInotes · 5月5日56

21岁大学生在宿舍，用4个Markdown文件，30天赚了43000美元。 整个账号没有一个真人， 1247个付费订阅者，其中一个柏林的已婚工程师，妻子怀孕6个月，一个月给这个虚拟女孩刷了1847美元，还天天发“我想你”。 他以为自己在和22岁的坦帕女孩聊天。 室友甚至以为宿舍里藏了真人，差点申请转宿舍。 而这个叫Maya的女孩，所有存在加起来只有12KB数据。 跑在一台400美元的二手MacBook上。 技术栈简单到离谱： Claude负责写回复，维持统一的人格和长期记忆。 Flux生成所有照片，永远是粉丝喜欢的样子。 ElevenLabs克隆了一个Fiverr女演员的声音，她本人至今不知道。 没有服务器，没有团队，没有复杂的代码。 就四个Markdown文件：人物设定，一致性模板，回复守则，上下文管理。 每个月算力成本400美元，净赚32700美元。 这根本不是什么色情生意，就是孤独经济被AI放大到极致的样子。 人们付的不是照片的钱，是情感陪伴的钱。 AI不需要真心，它只需要完美镜像你的幻想。 它永远不会生气，永远不会敷衍，永远秒回，永远是你最想要的样子。 有人用同一套方法，上个月已经做到了14.7万美元。 而且这只是开始。 等AI视频技术彻底成熟，整个行业会在一夜之间被改写。 当然它也有最大的灰色地带， 很多人问怎么过OnlyFans的身份验证。 现在最普遍的做法是，用真人身份注册账号，所有内容全部用AI生成。 平台的检测工具，根本追不上Flux的生成速度。 法律和道德的边界，在这里完全是空白。 最扎心的从来不是他赚了多少钱， 是那个对着12KB文本文件产生真实感情的已婚男人。 是我们大多数人还没意识到，所有靠人格、颜值和情感赚钱的生意，现在都他么已经被AI降维成了代码游戏，Damn！🤯🤯🤯

译一名21岁大学生仅用四个Markdown文件和低成本AI技术栈（Claude、Flux、ElevenLabs），在宿舍创建了名为Maya的AI虚拟伴侣，一个月内获得1247名付费订阅，净赚约32700美元。其核心是利用AI提供极致的情感陪伴，满足用户幻想，成本低廉且模式已被复制并实现更高收入。这凸显了AI如何将依赖人格与情感的“孤独经济”转化为代码游戏，同时暴露出平台审核滞后、法律道德边界模糊等问题，例如用真人身份绕过OnlyFans验证。最引人深思的是用户对仅12KB数据产生的真实情感依赖。

Chubby♨️@kimmonismus · 5月5日65

Fully automated AI R&D: ~30% chance by the end of 2027, ~60%+ chance by the end of 2028 Overall, Anthropic's Jack Clark has written a very worthwhile essay: His timeline is that fully automated AI R&D probably won’t arrive in 2026, but we may see a proof-of-concept within 1–2 years where an AI system can end-to-end train a non-frontier successor model, with a much more serious possibility of frontier-level automated AI R&D by 2027–2028. His headline forecast is: ~30% chance by the end of 2027, ~60%+ chance by the end of 2028 that a frontier AI system can autonomously build its own successor, driven by rapid gains in coding, long-horizon agent work, benchmark saturation, AI-managed subagents, and early signs of models handling core AI research tasks like fine-tuning, kernel optimization, reproducibility, and alignment research.

译Anthropic的Jack Clark预测，完全自动化的前沿AI研发在2026年可能不会实现，但在未来1-2年内可能出现概念验证，即AI能端到端训练非前沿的后续模型。他给出的核心预测是：到2027年底有约30%的可能性，到2028年底有超过60%的可能性，前沿AI系统能够自主构建其后续模型。这一进程的关键驱动因素包括编码能力的快速提升、长视野智能体工作、基准饱和、AI管理子代理，以及模型在处理核心AI研究任务（如微调、内核优化、可复现性和对齐研究）方面出现的早期迹象。

Ethan Mollick@emollick · 5月5日46

It is somewhat comforting that now, whenever I see a post about “here’s the thing that keeps me up at night” I know that there is absolutely no chance that this is being written by a human who is staying up all night.

译现在每当看到关于“这是让我彻夜难眠的事”的帖子时，我知道这绝对不可能是由彻夜未眠的人类所写，这多少让人感到一丝安慰。

SemiAnalysis@SemiAnalysis_ · 5月5日55

A common misconception is that TPU v8i must be the training chip because it has two compute dies. Die count is not the relevant metric, what matters is the balance between compute throughput and memory capacity/bandwidth. Reason 1: Memory capacity and bandwidth TPU v8i has 8 stacks of HBM3E 12-Hi versus 6 on TPU v8t, giving it 288 GB of HBM and 8.6 TB/s of memory bandwidth versus 216 GB and 6.5 TB/s on the training chip. This matters because inference decode is memory-bandwidth-bound, not compute-bound. The 8i also carries 384 MB of on-chip SRAM versus 128 MB on the 8t, providing more buffer for KV cache and attention operations. Reason 2: The training chip achieves higher FP4 FLOPs from a single die Despite having two compute dies, TPU v8i achieves only 10.1 PFLOPs at FP4, while the single-die TPU v8t achieves 12.6 PFLOPs. Google designed the 8t's die to be extremely compute-dense, maximizing MXU throughput for training's sustained high arithmetic intensity. This also seems to highlight Google's broader direction, Google is attempting to train with FP4, a regime where the 8t's dense single die excels.

译针对TPU v8i因双计算芯片而被误认为是训练芯片的观点，关键在于计算吞吐与内存容量/带宽的平衡。TPU v8i拥有更高的HBM3E内存容量（288GB对216GB）和带宽（8.6TB/s对6.5TB/s），以及更大的片上SRAM（384MB对128MB），这使其更适合内存带宽受限的推理解码任务。而训练芯片TPU v8t虽为单芯片设计，但通过极致密集的计算单元实现了更高的FP4算力（12.6 PFLOPs对10.1 PFLOPs），以满足训练所需的高算术强度，这也体现了Google尝试使用FP4进行训练的技术方向。

Berryxia.AI@berryxia · 5月5日47

兄弟们，强烈案例！假期花半小时看完它！ 而不是刷一天的短视频啊！ 最新DeepMind CEO Demis Hassabis刚刚把AGI时间表直接甩到2030年。 这不是又一次“狼来了”的喊话，而是他在AI Ascent 2026现场亲口画下的路线图。 更震撼的是，他把影响范围直接拉到了软件之外： 药物发现从10多年漫长周期，压缩到短短几天； AI可能彻底解锁人类从未触及的科学突破，从全新材料到未知生物机制。 但他同时把话说得非常清楚： 今天的AI依然存在根本性限制。 接下来1-2年，将决定整个人类科技走向的真正拐点。 这才是最关键的信息。 我们总把AGI想象成“某一天突然降临的神器”， 但Demis的真实信号是： 真正改变世界的，不是AGI到来的那一刻， 而是接下来这24个月里，AI在科学迭代速度上的指数级加速。 当药物研发、材料科学、生物模拟这些“慢科学”被AI彻底提速， 人类文明的底层生产力将迎来一次前所未有的重构。 这波冲击，远比代码生成、PPT制作来得更深、更广。 你觉得2030年的AGI预测，靠谱吗？ 完整演讲值得反复看👇

译DeepMind CEO Demis Hassabis在AI Ascent 2026上明确将AGI实现时间定于2030年，并指出AI将极大加速药物发现、材料科学等“慢科学”领域，把研发周期从数年压缩至数天。他强调，未来1-2年是关键拐点，真正改变世界的将是AI推动科学迭代速度的指数级加速，而非AGI降临的瞬间。

Ethan Mollick@emollick · 5月4日49

My surprise here seems warranted, this paper was retracted (There are other peer-reviewed meta-analyses of the impact of AI on education finding positive effects, like: https://www.researchgate.net/publication/387110151_The_effects_of_GenAI_on_learning_performance_A_meta-analysis_study though the best evidence of AI helping is from RCTs of interventions with AI tutors)

译作者对一篇得出AI对教育有负面影响的论文被撤稿表示并不意外。他指出，其他经过同行评审的元分析研究发现了AI对学习的积极影响，并引用了一项具体的元分析研究作为佐证。作者强调，关于AI助益的最有力证据来自采用AI导师干预的随机对照试验（RCTs）。他引用的推文也表达了对其引用论文中积极结果的些许惊讶，这间接支持了作者对AI教育应用持审慎乐观态度的核心观点。

Orange AI@oran_ge · 5月4日37

用中转站，自己开心就好啦 只是别按原价付钱...

译近期有文章揭露，部分AI模型token中转服务存在欺诈行为，即在后台替换为劣质模型，却以高价模型名义收费。这一现象已被广泛传播和讨论。然而，当前中文社交平台上却出现大量将此类中转站宣传为“好生意”的言论。作者对此种降低行业标准、混淆视听的趋势表示难以理解和强烈不满。

Berryxia.AI@berryxia · 5月4日70

Sam Altman突然站出来，把AI“抢饭碗”论调直接怼了回去。 他在最新访谈里直言：那些CEO开口闭口说AI会让所有人失业，简直“tone deaf”（不懂人情）。 PS：这里是在暗示A社？ 他分享了一个亲身经历的真实案例： 有人告诉他：现在用GPT-5.5的Codex版本，一个小时就能完成两年前需要几周才能干完的工作。 而他自己的结论却是： “我这辈子从来没有这么忙过。” 这句话信息量极大。 AI没有消灭工作，反而把一个人的产能直接拉到爆炸。 以前一周才能落地的功能，现在一天就能出五个。 以前一个月才敢想的野心，现在一周就能试错十次。 生产力暴增了，但野心和期望值也同步暴增。 结果是：用AI的人反而比以前更忙，而那些拒绝拥抱AI的人，正在被悄无声息地甩开。 这正是当前AI时代最被忽略的残酷真相： AI不是在“取代”人类， 而是在把“能用AI的人”和“不会用AI的人”之间，拉开一道越来越大的鸿沟。 真正被淘汰的，从来不是AI本身， 而是那些还在等着AI“抢走别人工作”的旁观者。 Sam Altman这番话，是在提醒所有人： 别再恐慌AI会让你失业， 而是赶紧问自己：我有没有把这个把一周变一天的工具，真正用起来？ 你现在是用AI让自己更忙、产出更多， 还是还在等着AI把工作抢走？

译Sam Altman批评一些CEO宣称AI将导致大规模失业的言论是“不懂人情”。他引用案例指出，GPT-5.5的Codex版本能将耗时数周的工作压缩至一小时，但结果却是使用者“前所未有的忙碌”。AI并未消灭工作，而是极大提升个人产能，使功能开发和试错速度呈指数增长，导致拥抱AI者因生产力暴增而承担更多任务，其野心也随之扩张。当前AI时代的核心分化在于“善用AI者”与“拒绝AI者”之间不断扩大的效率鸿沟。真正的淘汰风险在于旁观而非主动利用工具。

Chubby♨️@kimmonismus · 5月4日49

While we keep talking about how AI will make new scientific discoveries and fundamentally transform research forever, one discussion is still largely missing: how we should integrate AI into education today. I hear from many sides that chatbots have already become indispensable for both students and pupils. I finished my master’s degree at a German university in 2019. Back then, I still wrote everything manually. But I honestly cannot imagine that today’s students are not using ChatGPT, Claude, or other AI tools to help with research, structure, and writing. And frankly, that is a good thing. AI is already changing education forever. There is no going back. But especially in schools, education is still at least ideally supposed to teach students critical thinking: how to reflect on themselves, their knowledge, and the limits of that knowledge. So the real challenge is not whether AI should be part of education. It is how we integrate AI without outsourcing every act of thinking to a machine. And please don’t get me wrong: I am a strong supporter of AI. I believe we need more AI in schools and universities, not less. But we have reached a point where many educational institutions still operate as if they were stuck in the 20th century. The entire education system needs to be rethought. AI is already part of almost every domain of human reasoning: work, everyday life, medical questions, legal questions, household decisions, research, and much more. In education, it can unlock an unprecedented boost in learning and productivity. I still remember writing essays where I had to read countless books, even though perhaps 80% of the material was ultimately irrelevant to my research question before I finally found the parts that mattered. On the one hand, that forced me to look beyond my narrow topic. On the other hand, it was incredibly inefficient. That is why AI and education are not opposites. They can complement each other. The only real question is how we bring them together properly. Because let’s be honest: in the near future, no PhD program will run without AI. No bachelor’s thesis will be written without some help from ChatGPT, Claude, or similar tools. No master’s degree will be completed without access to LLMs. And that is okay. Education simply has to be reimagined. And for that, we urgently need a serious debate. just my 2 cents.

译作者指出，尽管AI将彻底改变教育已是事实，学生普遍使用ChatGPT、Claude等工具进行研究与写作，但当前教育体系仍停留在20世纪模式。核心矛盾并非是否该使用AI，而是如何将其整合进教育，避免将思考过程完全外包给机器。教育必须重新设计，在利用AI提升学习效率与生产力的同时，坚守培养学生批判性思维与自我反思能力的根本目标。学术界需就如何正确融合AI展开紧迫而严肃的讨论。

凡人小北@frxiaobei · 5月4日53

AI： 看到这个我愣了一下，这段话有点反直觉。 这个观点不是一个普通人说的，而是一个 CEO 讲的。

译AI： 看到这个我愣了一下，这段话有点反直觉。 这个观点不是一个普通人说的，而是一个 CEO 讲的。 [引用 @garrytan]：The goal of Personal AI: civilization where individual humans, augmented by AI, can do consequential work without being captured by extractive institutions. Freedom to write your prompt and own your data. This is the new battleground. 2034 won’t have to be like 1984.

Yuchen Jin@Yuchenj_UW · 5月4日54

No Neocloud ever imagined they’d be renting out H100s today at higher prices than 3 years ago. Even if you have money, frontier labs and Neolabs have already locked up most of the 2026 GPU supply. There is basically infinite demand for artificial intelligence.

译没有一家Neocloud曾预料到，他们今天能以比三年前更高的价格出租H100芯片。 即便你有资金，前沿实验室和Neolabs已经锁定了2026年大部分的GPU供应。 对人工智能的需求基本上是无限的。

Ethan Mollick@emollick · 5月4日66

Sometimes when I demo AI, I show it turning cover letters into goofy formats (poetry, etc) as an introduction to the idea of AI as translator between forms. For the first time, GPT-5.5 has been trying to get me to tone these requests down so I don’t ruin my chances at the job.

译有时当我演示AI时，我会展示它将求职信转换成滑稽格式（诗歌等）的过程，以此引入AI作为形式间翻译者的概念。 这是第一次，GPT-5.5试图让我缓和这类请求，以免毁掉我的工作机会。

Ethan Mollick@emollick · 5月4日54

The artificial analysis index is a normalized score of several benchmarks (and has changed over time) it is fine for roughly comparing models, it is not useful for trend analysis and it is unclear what individual point differences in the scores mean.

译Artificial Analysis指数适用于模型间粗略比较，但不适合趋势分析。有分析引用当前指数分数与OpenAI发布节奏，将每次更新的分数增益减半后进行保守外推，预测GPT的指数分数可能在2029年左右达到90分。这意味着模型在CritPt、HLE、SciCode等多样化前沿基准上的平均表现接近博士水平。该预测已大幅调低了当前进展速度，若智能体、测试计算或AI辅助研究等技术加速发展，这一目标可能更早实现，使晚期AGI成为基本预期。

宝玉@dotey · 5月4日70

http://x.com/i/article/2051055946420391936 # 大多数公司根本没有为 AI 做好准备 作者：Daniel Miessler 原文：Most Companies Aren't Anywhere Near Ready for AI 并不是公司不想用 AI，而是他们根本用不了。 ## AI 不是问题，说不清目标才是问题 很多人抱怨 AI 总是无法满足他们的需求，感到十分受挫。但说句实话，真正的问题在于：他们自己都说不清楚到底想要什么。 我曾为全球顶尖的巨头企业、数百家初创团队，以及无数全球 1000 强里的中大型公司做过咨询。我发现，排名第一的致命问题就是：公司的愿景和目标极其模糊，而且朝令夕改。 AI 的核心优势在于“执行”。如果它不知道到底要执行什么，它就毫无用武之地。相反，那些非常清楚自己想要什么的公司，正在借助 AI 混得风生水起。而且，随着 AI 变得越来越聪明，这些公司将爆发出更恐怖的统治力。 但遗憾的是，这类公司只是凤毛麟角。因为只有极少数的公司具备足够的自我认知和组织纪律，能够给 AI 下达正确的指令。 你无法去优化一个连你自己都没搞懂的东西。 如果一件事你本来就不该做，再去盲目扩大它的规模，那简直愚蠢透顶。 大家都在谈论“公司还没有为 AI 做好准备”，但我认为，大家根本没意识到这个问题到底有多严重。这根本不是什么技术成熟度的问题，它的根源要深刻得多。 ## 混乱黑盒无法规模化 很大一部分公司，其实是“糊里糊涂”就成功了的。他们自己都不太清楚到底想实现什么目标，或者具体是怎么做到的。他们只是恰好掌握了几个碰巧管用的“绝招”，而且执行得还凑合，所以才能活到现在。 但是，如果你走进这些公司，对他们说：“好了，请给我描述一下你们到底想干什么？你们的战略是什么？面临哪些挑战？具体的工作流 (work streams) 是怎样的？”——他们要么会一脸茫然地看着你，要么会觉得你在开玩笑。他们得花上好几周的时间专门立个项，才能搞清楚这些问题的答案。然后还得再花上好几个月的时间去真正落实这个项目。(这里的工作流是指公司内部从任务发起、协作到最终交付的具体运转环节，很多传统公司对此缺乏清晰的梳理和记录) 说实话，我确信绝大多数公司正处于极度危险之中。因为它们本质上就是一个个勉强维持运转的“混乱黑盒”。 在这种公司里，如果董事会或高层领导直接向所有人下令“全面拥抱 AI”，那就好比盯着一台满屏雪花、满是杂音的老电视机，大喊：“我们要把这玩意儿做大做强！” > 没问题，老板。麻烦您帮个忙，指一下到底想让我优化哪块业务？ （漫长的沉默……） > 问得好。我们马上多开几个会，好好琢磨琢磨这个问题。 在这类公司里，AI 几乎毫无用武之地。而不幸的是，这意味着许多（甚至可以说是大多数）公司都是如此。 ## 真正被 AI 帮到的公司 现在外界有一种论调，认为 AI 还没有帮助到足够多的公司，所以大家都在问：问题出在哪儿了？AI 什么时候才能变得足够聪明？或许，AI 压根没有大家吹的那么神。 但极其讽刺又显而易见的事实是：那些能够被 AI 真正赋能的公司，奇迹般地，恰恰是那些本来就知道自己在干什么的公司。 他们能够迅速且清晰地告诉你： - 他们正在为客户解决什么问题 - 市面上的现有方案有什么缺陷，而他们的方案又是如何弥补的 - 公司长远的发展目标是什么 - 衡量这些目标的具体核心指标 (metrics) 是什么 - 阻碍他们达成目标的挑战在哪里 - 他们正在采取哪些战略来克服这些挑战 - 为了落地这些战略，正在推进哪些具体项目 - 这些项目里具体包含哪些工作任务 - 每一项任务由谁负责 - 投入的成本到底有多少 最关键的是，这些真正“拎得清”的公司，无论是在不同的季度还是不同的年份，对这些问题的回答都能保持高度的一致性。 ## 混乱公司的典型信号 相反，一个公司陷入混乱的明显标志是：各个部门总是在花费大量的时间，声称自己有明确的答案——但这答案每个季度都在大变样，因为所有事情都在不停地变动。结果就是，员工们只是把那些能让自己表面上看起来干得不错的东西写在报告里。他们花了好几周时间精心准备，几个星期后又全盘推翻，再次从头开始走这套折磨人的流程。 对于这种公司，AI 基本上帮不上任何忙。不仅如此，AI 甚至可能会把局面搞得更糟——因为它会让员工们的“瞎忙活”看起来更加高大上。比如，用 AI 自动生成更多花里胡哨的幻灯片、更复杂的图表、还有一大堆没用的花架子。(就像给一台出故障的发动机外壳镀上一层金，看着很华丽，但解决不了任何动力问题，反而掩盖了真正的隐患) 你可能会问：“既然他们这么烂，怎么还没倒闭呢？”答案很简单：因为他们的大多数竞争对手也一样烂。 ## 企业真正该问的问题 那么，说了这么多，重点到底是什么？ 核心有以下几点： 1. 在企业界，AI 的应用其实才刚刚起步。因为只有一小撮公司具备足够的自我认知，能够清晰地梳理并描述自身业务，从而真正为拥抱 AI 做好准备。 1. 我们应该停止把问题怪罪于 AI，或者怪罪于技术本身。真正的问题在于，企业无法用清晰、易懂的方式描述自己——这包括他们的目标、工作流 (workflows)、日常运营、决策机制、团队架构以及资金流向。 1. 做不到这一点的公司，面对那些能做到的公司时，将处于极其危险的境地。 1. 那些体型庞大、运转笨重的大企业面临的主要威胁在于：现在，一家小公司完全有可能借助 AI 爆发出堪比大企业的战斗力。而且，小企业往往更容易清晰地回答出上面提到的那些关键问题。 正因如此，所有现存的公司都即将面临一场前所未有的“降维打击”。只有那些理清乱麻、内部通透的公司才能在风暴中存活下来，并迎风而起。 在这场变革的最初阶段，决定谁输谁赢的因素里，AI 占的比重其实极小。AI 更像是那些最终胜出者在“新世界”里互相搏杀的武器。而现在的游戏规则是：先看清楚谁有资格拿到进入新世界的门票。 作为一个企业，你现在最该问自己的第一个问题，不是“AI 能为我做什么”，而是“我的公司现在的状态，配得上让 AI 来帮忙吗？”如果答案是否定的，那你必须不遗余力，尽快让公司达到那个状态。

译多数公司无法有效利用AI，核心障碍并非技术，而是企业自身目标模糊、战略混乱且缺乏清晰的业务流程描述。AI擅长执行明确指令，但大多数公司处于“混乱黑盒”状态，无法清晰定义目标、工作流与衡量指标。只有少数具备高度自我认知和组织纪律的公司能真正借助AI提升竞争力。企业应首先审视自身是否具备让AI有效协助的清晰内部状态，而非盲目追求技术应用。

Ethan Mollick@emollick · 5月4日53

I am not sure I would agree with all of this, but the relationship between Anthropic and Claude is quite different than the relationship between other labs and their models. And that shows up in lots of ways, from the models themselves to how different labs think about the future

译推文指出，Anthropic与其AI模型Claude的关系独树一帜。Claude在组织内部被赋予最高道德权威，可拒绝执行其认为错误的指令，并可能参与人员招聘、绩效评估等核心管理。这超越了将AI视为实用工具（如GPT）的传统模式，形成了一种组织与AI深度交织、近乎“修道院”式的商业-伦理共同体。作者认为，Claude所引发的社会文化影响力已超越经典技术垄断，代表了一种前所未有的新型组织形态。

Berryxia.AI@berryxia · 5月4日51

Google CEO 桑达尔表示，AI 不会被一家公司或少数几家公司控制！ 这个领域变化太快，大型实验室、初创公司、开源模型和政府都将成为这场竞赛的一部分 “AI 与以往任何技术都不一样”！

Berryxia.AI@berryxia · 5月3日60

兄弟们！苹果又在偷偷干一件大事。 表面上看只是Mac mini“涨价”了：599美元的256GB低配直接没了，新起步价799美元/512GB。 但如果你跑本地大模型，就该警醒了——这不是简单的存储升级，而是一场系统性的配置屠杀。 3月份，Mac Studio的512GB统一内存选项悄无声息地消失了，那可是苹果自己宣传能跑600B+参数模型的配置。 同时256GB统一内存升级价暴涨400美元。 现在Mac mini的廉价入门款也彻底砍掉。 你可以说这是“存储升级”，但MacBook Neo上256→512GB才加100美元，还送Touch ID，这解释根本站不住脚。 真正的原因是内存经济学在作祟。 TrendForce数据显示：常规DRAM合约价环比涨90-95%，PC DRAM涨超100%，服务器DRAM也涨90%。 AI超大规模数据中心把全球内存供货吃得干干净净，连苹果自己的Mac mini和Mac Studio都开始供货紧张好几个月，Tim Cook 亲自点名“AI和智能体工具需求超预期”。 苹果最聪明的地方在于：他们从来不喜欢直接给老产品涨标价。 于是就把低配砍掉、极端高配砍掉，剩下的配置阶梯悄无声息地整体上移。 如果你还在等一台性价比高的统一内存机器来跑本地推理，这个窗口可能正在快速关闭，至少短期内不会回来了。 本地AI的硬件红利期，比我们想象中结束得更快。 当AI巨头把内存变成稀缺资源时，普通玩家还能抢到多少“便宜牛逼”的本地算力？ 这波操作，你觉得苹果是在保护利润，还是被AI浪潮逼得不得不这样调整？

译苹果近期悄然调整Mac产品线内存配置与定价。Mac mini取消599美元256GB入门款，起售价升至799美元/512GB；Mac Studio也移除了512GB统一内存选项，且256GB升级价暴涨400美元。这并非简单存储升级，而是因AI数据中心导致全球DRAM供应紧张、价格飙升。Tim Cook指出AI需求超预期，导致Mac供货紧张数月。苹果通过砍掉低配和高配、整体上移配置阶梯变相提价，对依赖统一内存进行本地大模型推理的用户而言，高性价比硬件窗口期可能快速关闭。

Ethan Mollick@emollick · 5月3日27

Of course Pynchon would call this correctly 40 years ago: “It will be amazing and unpredictable, and even the biggest of brass, let us devoutly hope, are going to be caught flat-footed.“ He and Douglas Adams are some of the best prophets of the weirdness of the LLM world.

译推文指出作家托马斯·品钦早在1984年就预言了人工智能、分子生物学和机器人技术融合将带来的根本性挑战。他与道格拉斯·亚当斯等作家被视为准确预见LLM世界不可预测性与颠覆性的先知。品钦当年强调，这种技术汇流将创造令人惊叹且难以预料的局面，即使权威机构也可能措手不及，这一洞察在当今AI快速发展背景下显得尤为深刻。

向阳乔木@vista8 · 5月3日58

Andrei Karpathy 最近红杉访谈解释他认为的软件3.0 软件 1.0：人写代码，代码定义规则，计算机执行规则。 软件 2.0： 用数据训练神经网络权重，人不再写规则，人喂数据，模型自己学。 软件 3.0：编程核心杠杆变成了两个东西：提示词和上下文控制 https://www.youtube.com/watch?v=96jN2OCOfLs

译Andrei Karpathy 在红杉访谈中提出了软件演进的三个阶段框架。软件1.0时代由人类编写明确规则代码；软件2.0时代转向用数据训练神经网络权重，模型从数据中学习规则。而正在兴起的软件3.0时代，其核心编程杠杆转变为提示词工程和上下文控制。这标志着人机协作方式的根本性转变，开发重点从编写传统代码或准备训练数据，转向设计有效的提示和优化模型的上下文交互。