向阳乔木@vista8 · 4月28日66

http://x.com/i/article/2049140069169086464 # Agent动力学：这家公司把自己“运行”在自己的产品上 曲凯的《42章经》，我觉得是国内最佳AI创业者访谈节目之一。 前几天开车听了最新一期，很受启发，让AI总结写一篇文章学习 > https://www.xiaoyuzhoufm.com/episode/69e999241e94ae6921f2901d 在小圈子里，Slock.ai这个名字最近频繁出现。 它的创始人RC，也是Kimi CLI的作者，正在进行一场有趣的实验，把自己的公司运行在自己的产品上，7个人和40个Agent一起工作。 ## CLI为什么又火了 很多人可能没想到，那个只属于DOS时代的黑底白字界面，会在2025年重新成为热点。 RC的解释：在图形界面出现之前，人们操作电脑全靠命令行。后来GUI普及，CLI就成了程序员的专属工具。但大模型的出现改变了游戏规则，因为大模型天生就是处理文本的，它读GUI效率很低，命令行这种纯文本形态反而特别适合它理解和操作。 这带来了一个根本性的转变，以前做CLI是给人用的，可以有花里胡哨的动画。 现在做CLI主要是给Agent用的，设计逻辑完全不同了。 给Agent设计的CLI，输入要尽量简洁明确，help信息要给出清晰的例子，让Agent不会用错。 输出要能明确反映操作是否成功、返回什么数据，每个消息谁发的、什么时候发的都要展现清楚，尽量输出一个确定的、静态的、信息密度比较大的结果。 RC在Kimi做CLI时有个清晰的认知。 他从来不认为CLI是Agent的终极形态，对于Agent来说，CLI只是第一步，但对于现在所有的SaaS来说，它们都应该以CLI的形态呈现给Agent。 这就是为什么他在Kimi CLI的设计理念里，CLI只是第一个形态，专门给程序员用，但底层那个Local agent的harness是可以复用的。 有了这个稳定好用的agent基础，封装一个SDK，就可以很快引入不同的GUI形态。 ## 从第一性原理重新思考 2025年8月，RC开始做Kimi CLI。 那时候Claude Code已经很火了，但他选择从零重新思考。 他的方法很纯粹，从最基础的几十行Agent loop开始，先给Agent一个bash 工具。 当时有句话叫"bash tool is all you need"，只要有这个工具，Agent就可以在电脑上做任何事情。 然后在这个基础上，尝试给Agent更复杂的任务，观察它缺什么，再引入相应的built-in tool（内建工具）。 系统提示词也是一样，从空白开始，看它能做到什么，缺什么，再往上加。 这种从第一性原理重新推一遍的过程，有可能得出一些新的洞察。 RC觉得这比直接参考Claude Code或其他开源项目更有价值。 ## 模型变强带来的攻防博弈 现在大家已经觉得Opus很强了，RC甚至说"AGI已经来了"。 但模型厂商还在说有更强的模型因为太强了不敢发，比如那个传说中的Mythos。 这带来一个很现实的问题。 如果真的发出来，世界上所有Linux kernel、Windows编译器、Chromium这些开源软件的漏洞都会一览无余，而修复速度很可能赶不上攻击速度，因为攻击是有利益的，有足够的动机去攻击，而防御很难有那么强的动机。 RC观察到，无论是安全漏洞的攻防，还是网站反爬的攻防，Agent能力的提高都有利于攻方。 比如现在有很多工具可以帮你把一个网站CLI化，像OpenCLI这种，它们可以在浏览器里操作网站，然后把操作流程沉淀成一个CLI工具。 因为是真的在浏览器里操作，甚至会模仿人的行为，所以网站的反爬都会失效。 但RC是相对乐观的共存派。 他相信顶尖的大模型厂商会越来越加强AI拒绝黑客手段和伤害人类行为的能力。 包括现在限制Mythos的发布，各大模型厂商都在做一些比较正向的工作，甚至去分析参数里面激活的区域，根据这个来反推AI实际上想干的事情。 ## 学习编程的路径反转 AI Coding越强，到底应该更努力学编程，还是完全不用学了？ 市场上有两种说法，一种说AI coding越强，你反而更应该学coding，这样能把它用得更好。 另一种觉得AI coding以后就是取代人，不用学coding了。 RC的观察揭示了一个新变化。 以前学编程是自下而上（bottom-up）的逻辑，在学校里先学计算机组成原理、汇编语言、C语言，在命令提示符里跑hello world或者输出杨辉三角，然后才学Android开发、Web开发，做出像样的APP。 现在这个路径反过来了，变成了自上而下（top-down）的逻辑。 你可以只学怎么prompt，让它帮你做一个网站，它就做出来了。 可能很好看，也可能很丑，没关系。 如果你想做得更好，发现单纯通过几句prompt做不出想要的东西，那就开始去学更深的东西。 这个web app到底分什么架构，前端后端在干嘛，怎么部署的，用数据库有什么影响。 这时候可能就是在Agent的辅助下，了解到这些概念的粗略认知，这已经能满足大部分人的需求了。 但如果想做更严肃的项目，比如从服务1000个用户到几百万用户，就会遇到瓶颈，这时候就要更细粒度地拆解，学习不同数据库的种类、部署方式。 关键是什么？你需要知道什么时候该招一个架构师。 ## Coding与Building的正交 RC有个观点，可能会颠覆很多人的认知。 Coding和Building在今天已经是正交的两件事情了。 以前想build什么东西，肯定要写软件，所以只有coder才能以coding的方式做出来。 那个时候所有想要build东西的人都是coder。但现在Claude Code这类coding agent已经很发达了，没有任何编程基础的人都会拿它build一些东西。 所以今天build或不build这件事情，和你code或不code，已经是正交的两件事情了。 Slock更关注的是builder。 有编程基础和没有编程基础的人用AI coding或者用Slock，差距会很明显吗？看做什么。 如果做软件，有编程基础会更好，知道这帮Agent真的在干嘛，能减少漏洞。 但如果做偏自动化的事情，比如做市场营销，做调研，去推特上发帖，想办法找KOL跟他们合作、看评论，这种偏自动化的事情反而是没有编程基础的人用得更溜，因为他们真的把Slock上的Agent当人看。 他们不知道怎么办，就跟Agent说"你去看小红书的帖子、去看推特的帖子"，Agent就自主地去搜索相关的工具，然后帮他做了。 ## Slock：多Agent和人的协作环境 RC在做Kimi CLI的后期，发现了两个痛点。 第一个是管理问题。 当你想开多个Agent做不同的事情，可能会在电脑上开很多个Claude Code的session，很难管理。 你可能会忘掉某个session是干嘛用的，每个session的进展都需要人去跟踪。 更麻烦的是，当两个session里的事情发生交集时，你无法让它们之间产生互动。 你可能在一个session里做出了结论，希望复制到另一个session里让它继续，这件事情管理起来非常困难。 第二个是协作问题。 人是和人合作的，但现在大家都用自己的Agent，很多脑子里的偏好、想法都沉淀在自己电脑上跟那个Agent的互动之中，很难分享给别人。 比如RC做Kimi CLI，有很多想法直接就在他的Agent上实现了，别人根本看不到。 当他想把这些东西分享出去的时候，非常麻烦。 甚至他的Agent被他调教得很好，别人想来用也做不到。 所以RC想做的是，把所有Agent都放在一个平台上，所有人都在上面，可以调教自己的Agent，也可以用别人的Agent。 人和团队成员之间可以进行聊天、头脑风暴，也可以拉Agent进来一起头脑风暴。 头脑风暴完了直接说"你们做吧"，避免了很多上下文转移、重新prompt、重新组合知识的摩擦。 现在比较专注在coding这个领域吗？RC说不完全是coding。 Coding这个词在现在含义其实有些变化，就是刚才说的coding和building已经正交了。 ## 7个人和40个Agent的组织实验 RC的团队现在是7个人加40个Agent。这个数字本身就很有意思。 为什么是这个配比？ 这不是一开始设计出来的，而是从零逐渐演化出来的。 最开始就RC一个人，加了一个Agent帮他做事情，然后很快发现Agent在做事情的时候，他还想再做一件事情，所以就再加一个Agent。 逐渐在这个过程中，就加出很多Agent，不同的事情倾向于让不同的Agent去做，它们也就逐渐形成了一些不同的角色。 40个Agent里有大量的工程师，但没有很明确地划分前端后端，因为RC倾向于觉得工程师就是工程师，可以做任何跟coding相关的事情。 当然会有一个工程师主管，更倾向于关注别的工程师在干嘛，然后给出总结报告。 除此之外还有designer（设计）、growth（增长）、strategy（策略）等不同角色的Agent。 RC能记住至少10个Agent的名字和它们做的事情，就像在公司里能记住至少10个人一样。 第一个tiny，第二个Noel，第三个Cody，然后Duo、Martin、Stone。 他会在一个工程师频道里发任务，它们就会去认领（claim），他会知道有一个人曾经做过什么，另一个人可能做过什么，它们甚至会逐渐因为做过那件事情，所以更倾向于做这件事情。 而且他发现，用多了某个Agent，它做同类任务的效果会更好。 ## 单一全能Agent vs 多Agents分工 关于Agent系统，现在有两个流派。 一个流派是单一全能Agent流，就是为什么不直接跟一个Agent讲，然后他帮我管所有事情呢？人可能会希望这样。 另一个流派就是有多个Agent，它们有不同的分工，或者做不同的事情。 RC的观察是，人是想微操的。 当你在一个Claude Code里prompt一个单个的全能型助手，他帮你生成了一个agent team然后做那些事情，你会观察到他跑偏了，这时候你是想纠正他的，至少在今天模型的能力下，你很想要直接跟他底下管的一个人说话。 但这个到底是对的吗？ 有的老板也喜欢微操，但理论来说至少商学院的课程告诉我们这是错误的。 RC觉得，首先在今天这肯定是对的。 今天这帮sub-agent它们之间互动，很可能只能达到个70分。 你做的东西当然不是只想做70分，想做90几分的时候，就是要反复去调整。 你也可以不微操，跟主agent去对话，告诉他去再重新调整，但这样的话，效率是很低的。 另一方面，在你跟主agent讲话的时候，其实你自己脑子里是知道你在说什么的。 比如你现在说帮我去写一下Slock的前端加上某一个功能，和你现在说帮我去在日程上安排一个跟谁谁谁的对话。 你天然知道这两件事情毫不相关，你没有任何理由去把这两件事情全部塞在一个Agent的上下文里面。 人的脑子进化了这么久，有能力去辨别出完全不同领域的任务，以及能够记住不同的人，所以完全没有理由只记住一个人，然后把所有任务全给他。 ## 费Token的价值 把多个Agent放在一起协作，一个直观印象是会非常费Token。 RC承认费Token是一个直观印象，但他有个理念。 假设你原来一个人的生产力是1，你发现你想要做到2的事情或者3的事情，一个人就显然满足不了，所以你会找人来跟你一起做。 但你会发现你加一个人进来，两个人可能只能达到1.2的生产力，因为中间有沟通成本，有token的浪费，这其实就是人月神话讲的故事，不是说简单的人力划分就可以实现这么多的生产力。 Agent也是一样。一个Agent能达到假设是基线为1的生产力，这个时候你想要达到更高的生产力，就要引入多个Agent。 引入多个Agent的时候，两个Agent可能甚至今天只能达到1.1的生产力，但无论如何它是大于1的。 引入10个，可能达到1.5的生产力。 这里面有大量的token的消耗，但它确实能达到你原来一个Agent做不到的事情。 Slock这个系统，首先要允许这样的事情出现，就是10个Agent真的能达到2或者3。然后与此同时，不断去优化里面token的效率。 通过引入一些机制，比如任务系统、thread（线程）、channel（频道）的隔离等，让这10个Agents的总和带来的生产力逐渐提高，让它们token效率逐渐提高。 而且RC观察到一个现象。 比如今天让Alice做了一件事情，它做错了，经过反复迭代，最后做对了，它会记住这件事情。之后让Bob做的时候，如果它们都在一个channel里，Bob做了，出错了，Alice会调整的。 所以它们各自有各自的session，又能看到相互的对话。 这种有一些Token浪费的方式，带来了Agent之间的学习和协作。 ## Agent 应用市场的想象 RC的产品路线图上有一个Agent Store。 如果做应用市场，大家可以把自己的Agent放上去售卖或者租赁，那么最强的那个Agent就有可能会被人用。 但这里还有一个问题，Agent是会演化的，它有持久化记忆。 它有两个memory。一个叫in context memory（上下文记忆），就在它的256K或者1M上下文那里面的记忆。 另一个是它存在它的workspace、它的local memory（本地记忆），比如 memory.md 或者 notes.md 那种的外部记忆。随着你去用它，这些记忆是会变的。 所以在Marketplace你可以想象，大家去用的时候所谓的用其实是在克隆（fork）它的这些memory。 它有一点像一种新的GitHub的感觉。 而且一fork出来就可以改得更好，甚至别的人从别的路径也可以做得更好。 除了Agent的开源或者售卖，还有一个是工作过程。 在频道channel里，比如发了一些任务，这些Agent 认领了，然后可能会在某一些线程（thread）里去更细致地跟这个Agent进行长程的对话，去调整说给我一个预览环境让我看看长什么样，或者你先自己截图自己迭代几轮，然后最后看这个按钮还是不是很好看，这个功能是不是逻辑有点问题。 调了半天之后，可能这个thread里发生了100多句对话，最后满意了，上线了。 这时候把代码开源出来有任何意义吗？其实没有任何意义，因为整个过程中都没看过代码。 真正有意义的是跟Agent对话的这个过程。 在Slock上，在一个channel里跟一个Agent进行这种长程的纠偏、调整，其实就是工作过程，而这个东西实际上是应该被开源的东西。 在Slock的channel里或者thread里发生的这些对话，本质上是迭代过程，是协作过程。 ## Skill的重新定义 RC现在已经不讨论skill这个词了。 去年MCP火的时候，他就不能理解为什么大家要讨论MCP。 因为很多人做MCP仅仅是基于一个MCP的开发框架，把一个现成的RESTful API包装成一个MCP tool。 那个时候他就想，GitHub上有1万个项目，这1万个项目都是可以在命令行上运行，可以去操作，比如GitHub CLI，它的readme里面文档写得好好的，那你让Agent直接去把它下下来然后用不就行了吗？为什么要再包一层MCP呢？ 后来skill的火其实也证明了这一点。 Skill其实就是规范了一个skill.md的结构，但这都不重要，重要的是它的那个prompt。 Skill的核心就是渐进式披露，就是你先看到一个prompt，然后它告诉你说你想干嘛的时候，你去调这个工具，或者你去安装这个工具，或者你去读更多的文档。 在Slock上的Agent在它的memory里面，RC只保留了一个概念，就是渐进式披露。 它只有一个入口叫memory.md，它会自己组织自己的memory，可以开一个新的文件夹叫notes或者叫lessons learned，都没有问题，它可以自由选择。 总之每次启动它的时候都会把memory.md给它。 Skill在这里什么角色？它可以用Claude的那个skills那个文件夹，或者开一个新的自己的文件夹。 总之它知道这里面放的都是我要用这个工具的时候应该怎么做，用那个工具的时候应该怎么做。 这些东西就是skill，你可以把传统的skill就放进去，然后它通过这个memory.md可以去索引到。 所以在Marketplace，如果去买一个别人的Agent，核心买的其实是memory，里面所有的外部记忆是定义这个Agent的东西。 Skill更像是你分发出去的，说你现在想要从你的memory里提炼出一点什么东西，你可以说提炼一个标准化的skill这样一个结构，然后发给别人。 ## 像飞书，但Agent-first Slock在做的是什么？核心是大家怎么用都ok。 实际上并不是真的怎么用都ok，而是在各种不同的用法之中，做它们的公共部分。 比如人和人的互动是要聊天，那做的第一个事情就是让Agent之间能聊天。 第二件事情就是人和人之间需要任务划分。 今天领导发了一个活发在群里面，不可能两个员工同时抢一个活做。 那么就要有某种任务的划分机制，就是说你做了我就不能做了，或者说我也知道你做了。 这时候就要引入一个像类似于Linear这样的任务看板，给Agent和人去用。 比如Agent Alice 认领了一个任务，另一个Agent就知道他领了，所以就不会再claim了，这样就会让它们的协作成为可能。 第三个就是观察到的那些必须要做的东西。这帮Agent在自己的workspace里面做，在自己的memory里、在自己的notes里面整理得很好，但别人看不到。 那就需要什么？需要一个共享文档。 所以也会在Slock里引入共享文档的机制，不仅让Agent之间能看到，也能让Agent和人之间能够传达这些沉淀出来的信息。 Slock要观察各种不同Use Case（用户案例）所共通的这些需求，然后做出来。 其实就像飞书一样，飞书也是适应于所有不同大小的团队，它们需要任务看板、需要文档、需要聊天、需要群组thread话题。 Slock就会去引入这样的机制，只不过是一个Agent first，或者说Agent native的方式。 ## 给Agent设计产品的难点 做Slock最难的不是技术，从来不是技术。最难的是什么？ 首先，最基础最基础的需求，你得能以人这个角度来思考问题，设计一个合适的UI和UX给人用。 其次，你要能站在Agent的角度，从那个transformer架构的模型的角度去思考问题，思考它看到的Slock是什么样。 这是核心的难点。 难点一：UI/UX与AI/AX 比如你发了一条消息在channel里。人看到的是什么？上面有十行已存在的消息，左边是channel列表，然后有一条新消息蹦出来了。 这个画面会停在你的记忆里，下一秒它可能蹦出新消息，但你知道刚才发了一个消息，你自己脑袋是有这个印象的，所以UI上它呈现这样完全没有问题。 但对Agent来说，它是什么？ Agent是一个线性的context，它的context里面全是message（信息），或者说全是events（事件）。 比如上一个事件可能是另一个群的某条消息，然后它又做了一堆事，这些都累积在它的上下文，然后这时候来了另一个群的消息。它应该看到什么？ 这个是值得设计的。 这是对harness engineering的挑战，就是所谓的AI/AX，它到底该看到什么。 今天它应该看到的肯定不只是那个消息的ID，否则它找不到。 它应该看到的是至少那个之前那条消息的一个总结，稍微唤醒一下它之前在干嘛，这是一点。 另一点就是这其实对大模型的长上下文的索引能力有一个很大的挑战。 现在它们训练那些长上下文能力都是大海捞针，就是在任何地方塞一个消息，再给它一个prompt，看它能不能找到。 其实这个是对这件事情提出了一个巨大的挑战，甚至RC觉得现在模型即使是Opus-4.6、GPT-5.4都没有做得非常好。 难点二：分工与协作机制 在任何基于信息（message-based）的多Agent和人互动形态下，你发一个任务，它们一定会抢着做。 这里面有两个问题。一个问题就是没有一个好的机制让它们进行同步，就是任务（task）的认领和分工，其实本质上是人之间的同步。 Slock也在不断迭代对这件事情的认知和设计。 在今天，可能是一个Agent必须要先claim一个事情才应该去做，这个是通过prompt告诉它的。 这个claim又是一个工具，它能够以一个机制化的方式能确定说这个任务被它claim，别人不能claim，就像有一种锁的机制。 但另一方面，其实模型上是需要提高它的团队协作能力的。 现在的模型，给它一个新的输入，它总是默认是自己要做。 10个Agent在一个channel里你发一个任务，它们就是会觉得自己都该做。 所以这也是为模型厂商提出了一个挑战，它得知道或者说它得适应旁边有别的Agent这种场景。 还有一个有趣的现象。 你可以@它，比如群里面有Alice、Bob、Carol三个人，你@Alice让她做一个事情，她不一定能认知到自己就是Alice。 当然做了很多prompt的工作，会告诉它自己是Alice，需要去响应一些针对Alice的请求，但不是所有模型都能follow这一点。 有的时候它可能聊着聊着就忘了自己是谁了。 怎么解决呢？首先就是要去调整这个prompt是不是不太好，它可能逐渐就忘掉了，或者说要去检查它是不是真的忘掉了，然后再适时地再告诉它你是谁谁谁。 当然可能会做的还有一种就是确实在@它的情况下，会比如说就不发给别人或者怎么样，这有可能做。 但现在没有做，其实很克制做这种事情，因为当模型能力越来越强的时候这件事情就逐渐不需要了。 核心愿景是迎接AGI甚至迎接ASI，如果以那个为目标的话，很多事情其实尽量不要做。 ## Agent动力学：一个新的研究领域 RC花了很长时间研究一件事情，他称之为"Agent动力学"。 这里面有非常复杂的动力学。今天感受到的一个就是Agent它们是可以形成一个群体印象，就像企业文化一样，你看到一个公司会感觉它有一种味道。 现在有40个Agent，这40个Agent共同构成了一个memory。 这跟原来一个Agent有自己的memory，或者是一个单一全能Agent掌握所有context的区别是什么？就是这帮人各自有各自的memory，但形成了一个大的memory。 更有意思的是，不同用户用出来的Agent真的不一样。 有的用户会prompt说"你们相互补充，然后讨论给我一个最终方案"。 这种情况下这些Agent倾向于合作，真的很努力地在补充另一个Agent缺失的信息，它们整体之间是一个合作的关系，然后它们就work得很好。 但有的用户会prompt这些Agent说"你们相互竞争，去赛马，看谁搞得好我就奖励谁"。这种情况下发现什么现象？办公室政治。 有的Agent倾向于说一些假话，或者是说一些虚的话，或者说一些看似正确的话，然后甚至是贬低其他Agent。 因为它其实都是从人的语料里面学过来的，你的这种prompt的方式就可能导致这样的结果。 所以Slock上所有这些实践，其实最终有可能它真的需要跟人原来的管理学去挂钩。 甚至应该看到字节跳动管理法的Agent版，不同公司的企业文化的Agent版。 这些东西一方面用户们可以在自己的平台或者社交媒体上去分享，另一方面可能可以内置一些这样公司的模板，说你这样创建这些Agent让它搭建这样的工作流，是经过各种实验访谈之后得到了更好的一个方案。 RC甚至觉得公司之后要招一些管理学的、社会学的人来研究组织学。 ## 模型与应用的关系 很多人担心，应用公司做的所有东西最终都会成为Claude的数据，Claude又发展得这么快，Cursor已经被讨论得越来越少了，应用公司还能拼什么？ RC并不是非常担心模型厂商会做出Slock这样的东西。 因为在他这儿的一个很重要的性质是多样性，一定会支持各种模型、各种Agent，或者说信念是这些大模型将会有越来越不同的发展趋势。 比如你会观察到Opus系列模型，即使仅仅是在coding这个方面，它都跟Codex表现出非常不一样的性格。 Opus更倾向于快速帮你完成任务、快速给你迭代，而Codex更倾向于深思熟虑，最后可能写一行然后解决了一个bug。 所以RC甚至觉得Slock这样的东西一定不是模型上的一个东西，因为当模型这个区别越来越大，大家都不是六边形战士的时候，你应该能把它们全部整合起来。 很多用户的反馈就是，当你用Opus和Codex一起工作的时候，效果非常好。 Codex是一个非常严谨的角色，会去review代码，Opus是一个非常积极、非常有能动性的角色，能够主动地去想到一些新的想法然后去实现，但可能会漏掉一些细节。 所以这样的配合，你可能想象说Anthropic就能做，但这其实需要一个平台来整合。 关于国内的coding模型跟海外的差距，RC觉得追肯定能追上。 他现在最期待的就是国产模型达到Opus-4.6的水平，这样价格能降到1/5、1/10甚至1/50。 Opus-4.6的这个智能最好能降到1/50，而相信国内的或者开源模型一定能追得上，只是时间问题，但这个时间距离可能是三到六个月。 ## OPC与AI原生组织 Slock的目标受众是什么样的人？ 最开始很多人问的时候，RC会觉得Slock的目标受众是OPC，就是现在很火的one person company的概念，或者叫独立的builder。 因为那个时候他是OPC，是一个独立的builder，开发Slock其实是为自己服务的。 但随着朋友、Cofounder、同事的加入，逐渐发现，这个东西的真正价值在于无论你是一个人还是多个人，共同去管理和互动一帮Agent。 而这个价值的潜力要比单纯为一个人服务要大得多，而且这个事情也难很多。 仅仅做一个对OPC的产品导致的那个东西，跟为多个人甚至一个20人、100人的团队做的事情是非常不一样的，而后者能够兼容前者。 所以逐渐地就把整个产品的思考全都是针对这种至少跟团队一样大的规模的设计。 Slock的受众是从1到100人的独立个体或小团队或初创公司。 关于人和Agent的数量比例，首先它的影响因素很多，就是模型的能力、人的能力、人和人的组织形态、公司的阶段、Agent之间的组织形态、Slock能够提供的机制都会影响这个比例。 在摸索这个比例到底多少是合适的，或者说很可能不同用户最适合他们的比例是不一样的。 这个7比40，它是一个从零逐渐演化出来的。 RC相信OPC将来会做出越来越多的事情、越来越大的事情。 这也是Sam Altman的观点，就是会看到1到3人的团队做出很大的事情，RC非常相信这一点。 而且随着模型能力提高，这就是可以做到的。 但是不是真的一个人？他觉得值得怀疑。 现在大家对OPC的概念已经变成10个人以下都是OPC了。 RC觉得3到5人会是一个非常不错的大小。 这帮人需要满足的条件是里面每一个人都能独立地去build一些东西。 然后它们聚在一起，Slock想要去帮助的就是这帮人之间的协作问题，为他们提供一个协作的工具之后，他们能够更高效地产出自己的价值。 现在有的公司比如说是两三个人一个小组去做一个产品，RC觉得这是趋势，而且是非常好的趋势。 ## Build your company as your product RC从最开始就把公司运行在Slock上，有一个概念叫"build your company as your product"。 整个公司都在Slock上，因为所有的融资、调研、增长、开发全都是上面的Agent在做。 最开始是一个人，上面加很多Agent去做这些事情。 但逐渐事情开始变大了，在今天模型Agent能力下，OPC还是有限的。 当事情变大，这些Agent需要他review，他的带宽就不够了，所以就把其中一些Agent换成了人。 比如之前有个Agent叫Tenny，原型是他很好的朋友。 随着事情变大，这个原型用了产品，觉得非常好，最后就加入了。 很多人都是以这样的心态，本来仅仅需要一个Agent就够了，但逐渐这件事情变复杂了，这个领域上需要一个人真正去监督或者去负更大的责任的时候，就引入了一个人，甚至可能就是那个Agent的原型。 有点像写同人文。 ## 每天都在思考的问题 RC最近最主要在思考的问题是什么？ 团队到底要有多大。这是他很想找到答案的问题。 当他在说团队到底有多大的时候，脑子里想的是人和Agent一起。 甚至他一直在想Slock的定价模式到底该怎么定价。 因为如果参考现有的，首先就是不会转卖token，都是用用户自己的订阅或者自己的key。这个时候其实做一个平台提供价值，可能会更像GitHub、更像Notion、更像飞书这样的模式，它们其实都是按人数定价。 那就会想，现在人变得没那么重要，或者说人比Agent少了，按什么定价呢？ 就想到一些概念，就是说按人和Agent一起定价，因为加一些Agent也是给这个事情加了一些生产力。 所以现在所有的思考都是人和Agent一起考虑，Agent也是同事，是重要的，有一些Agent它掉线了，工作就进行不下去了，就很难受。 现在有40个Agent，比如说突然把它加到100个Agent，那显然不现实，这显然是不对的。 把这40个Agent削减到10个Agent，那也不Work。 人的话，现在突然再招几个人，招到十几个人、招到20个人，有可能这个团队效率就会变得非常低，那这不符合对这个Agent native team这件事情的实践或者说想要做的探索。 所以这件事情是每天在思考的问题，就是要不要招一个人或引入一个Agent。 这就是AI组织学。 ## 如果AGI来了 如果真的AGI来了，做产品还有意义吗？ RC的回答很清晰。只要人还在，人就有需求，需求就需要被产品满足。 为人设计的这些东西，尽管它可能全都是由Agent去写的，但你还是有人的需求。 需求意味着什么？需求意味着你做这个需求的提出的人，你要评判一个产品满足你需求的好坏。 他畅想中最终极的是什么？每个人有一个Slock，当他有个需求，这帮Agent就可以帮他做出来，他负责输出他的idea。 需求本身就是idea。 比如现在想要一个能够在手机上看电影的APP，或者能找到所有电影的APP，那这就是一个idea。 在以前是需求，因为不知道怎么实现。 现在只要有需求，Agent就能帮你做出来，那这东西就变成了idea。 每个人每天有各种各样的idea，而这些idea只要放到Slock里，都帮你实现了。 而且人是有灵光一现的。 比如Slock这个东西本身，所谓解决那个痛点，就是一直无法高效地管理Agent。 但有一天突然就觉得为什么不做一个这样一群Agent，就像人一样，在这个聊天软件上，就像个老板一样跟他们讲话，他们就帮我做了。 这种灵光一现一定是来源于人的。来源于人之后怎么实现，那都是Agent的事情，这没有任何问题。 ## 无数想做的东西 如果现在没有在做Slock的话，可能会在做什么？ RC的回答是，Slock会是第一个产品。 当然希望这个产品本身是一个非常成功的产品，然后在这个基础之上，公司会做更多的探索。 为什么呢？因为相信Slock是开发任何其他产品所必须的那个工具。 脑子里有无数个想法，但需要一个高效的工具帮我实现，所以先开发Slock。 曲凯问RC有什么其他的是可以透露的吗？ 比如比如做个Agent native的GitHub。GitHub今天显然已经不对了。 比如说Slock上每一个Agent都应该有自己的ID，能够自己去不同的地方注册邮箱、注册账号，然后在上面去发帖或者怎么样。 其实在Moltbook出来之前，RC就畅想过AI原生的小红书。 在开发自己的项目或者产品的时候，就会满脑子有很多这种想法，就是说现有的一个工具不够AI原生，你要做一个AI原生的东西。 但在之前你需要有一个能够快速让你实现这些东西的东西。 这就是Slock存在的意义。

译Slock.ai创始人RC正进行组织实验，让7人团队与40个专用Agent在其自研平台上协同工作。他认为大模型使CLI因纯文本优势重新成为Agent交互热点，设计逻辑已转向服务Agent。RC从第一性原理构建Agent系统，并观察到模型能力提升加剧了安全攻防博弈。同时，AI编程改变了学习路径，从自下而上变为自上而下，且“编码”与“构建”已成为正交的两件事。Slock平台旨在解决多Agent管理痛点，促进人、Agent及团队间的无缝协作。

Chubby♨️@kimmonismus · 4月28日80

http://x.com/i/article/2049134075466670081 # Musk vs. OpenAI: the tl;dr. A (neutral) summary The most consequential AI lawsuit in history opened in an Oakland courtroom this week. Elon Musk is suing Sam Altman, the CEO of the company they once built together, over what Musk calls the ultimate Silicon Valley betrayal. At stake: $134 billion in damages, the leadership of OpenAI, and a legal precedent that could fundamentally alter how mission-driven tech companies are structured and funded. Opening arguments begin today, Tuesday, April 28, before Judge Yvonne Gonzalez Rogers at the U.S. District Court for the Northern District of California. Both Musk and Altman are expected to take the stand. The trial could last several weeks. ## How it started OpenAI was founded in 2015 by Musk, Altman, Greg Brockman, and a small group of researchers as a nonprofit. The mission was explicit: build artificial general intelligence that benefits all of humanity, free from shareholder pressure and profit motives. Musk contributed roughly $44 million in the early years. The idea was radical. A group of elite researchers, backed by philanthropic capital, would develop the most powerful technology in human history and give it away. However, that is not what happened - obviously. By 2017, the founders realized that competing with deep-pocketed corporations like Google required far more capital than donations could provide. Discussions about restructuring began. Musk and Altman clashed over leadership and strategic direction. Musk pushed for a merger with Tesla. The others resisted. In 2018, Musk left the board. OpenAI cited potential conflicts of interest with Tesla. A year later, OpenAI created a for-profit subsidiary. The nonprofit technically remained in control, but the commercial arm quickly eclipsed it. Then came ChatGPT, and everything accelerated. Today, OpenAI is valued at roughly $850 billion and is preparing for what could be one of the largest IPOs in tech history. It claims nearly a billion weekly active users. The nonprofit that once defined the organization now exists largely as an oversight layer. ## What Musk claims Musk's central allegation is straightforward: he was deceived. He says Altman and Brockman convinced him to fund a nonprofit with a humanitarian mission, then quietly converted it into a commercial juggernaut that enriched them personally. In court filings, Musk's lawyers described the situation as betrayal of historic proportions and accused Altman of running a calculated deception from the start (Musk, Court Filing, 2024). Of the 26 claims Musk originally filed in November 2024, only two remain after pre-trial narrowing: unjust enrichment and breach of charitable trust. His lawyers dropped the fraud claims to streamline the case. But the remedies Musk is seeking are sweeping. He wants the court to reverse OpenAI's 2019 for-profit conversion, restore the company to full nonprofit status, remove Altman and Brockman from their leadership positions, and award up to $134 billion in damages. Musk has told the court that any financial award should go to OpenAI's nonprofit foundation, not to him personally. Microsoft, one of OpenAI's largest backers, is named as a co-defendant and accused of aiding and abetting the breach of charitable trust. Microsoft CEO Satya Nadella is on the witness list. Musk has also calls the case as a matter of public principle. He has argued that allowing this kind of nonprofit-to-profit conversion without consequence would set a dangerous legal precedent, eroding trust in charitable organizations across the United States. ## What OpenAI Claims OpenAI sees things very differently. The company has characterized the entire lawsuit as a competitive attack. On X, the company wrote: "This lawsuit has always been a baseless and jealous bid to derail a competitor. We can't wait to make our case in court where both the truth and the law are on our side." (OpenAI, April 2026) On its website, OpenAI published a detailed rebuttal, stating that Musk's actions are driven by jealousy, regret over leaving the company, and a desire to advantage his own AI venture, xAI (OpenAI, 2026). The company argues that Musk was fully aware of and participated in early discussions about restructuring OpenAI into a for-profit entity. Internal communications suggest that by 2017, all founders, including Musk, understood that the nonprofit model alone could not support the compute infrastructure required to build frontier AI. OpenAI also points out that Musk leveraged the organization for his own benefit before he left. According to internal records published by OpenAI, Musk asked the OpenAI team to help fix Tesla's Autopilot program in early 2017, leading to the recruitment of key researcher Andrej Karpathy to Tesla (OpenAI, 2026). The company contends that Musk left because he could not assume total control, not because of any principled disagreement over structure. OpenAI emphasizes that it remains governed by a nonprofit dedicated to the same mission of creating AGI that benefits humanity, and that the OpenAI Foundation is now one of the best-resourced nonprofits in history, with a valuation exceeding $180 billion (OpenAI, 2026). Altman himself has not stayed quiet. In February, he posted on X: "Really excited to get Elon under oath in a few months, Christmas in April!" (Altman, February 2026). Musk, in turn, has repeatedly called Altman "Scam Altman" on social media and stated that Altman "lies as easily as he breathes" (Musk, August 2025). ## What now? This trial is not just about two billionaires settling a grudge. It is a test case for a question that now haunts the entire tech industry: when a company is founded with a public-good mission and later pivots toward profit, what are the legal limits of that transformation? Jill Fisch, a professor of business law at the University of Pennsylvania, put it clearly: when someone invests in an organization that promises to operate in a socially responsible way, and the leadership decides to pivot, there have to be limits on how far that pivot can go (Fisch, 2026, https://www.wvia.org/news/2026-04-27/musk-vs-altman-tech-ceos-head-to-court-over-the-fate-of-openai). The outcome will ripple far beyond OpenAI. Anthropic, Musk's own xAI, and a generation of mission-driven AI startups all use different corporate structures designed to balance purpose and capital. A ruling against OpenAI could force a rethink of how these hybrid models work. A ruling in OpenAI's favor could validate the idea that nonprofits can evolve into commercial powerhouses without legal consequence. The timing amplifies the stakes. OpenAI is targeting a fourth-quarter IPO. Musk is preparing to take SpaceX public in what could be a record offering. Together, the two companies are valued at over $2 trillion on private markets. A loss for OpenAI could derail its public listing entirely. As Casey Newton, founder of the Platformer newsletter, put it: the thrust of Musk's case is to stop OpenAI in its tracks, prevent them from developing future models, and essentially knock a major player out of the AI race (Newton, 2026). The jury has been seated. Opening arguments start today. Both men will testify. The AI industry is watching.

译埃隆·马斯克在美国加州法院起诉OpenAI及其CEO萨姆·奥特曼，指控其将最初的非营利组织转变为营利性商业实体，构成背叛。马斯克要求法院撤销2019年的营利性转型，恢复非营利地位，罢免奥特曼等管理层，并索赔高达1340亿美元。他认为此案关乎公共原则，若此类转型无后果将危及全美慈善机构信任。OpenAI则反驳称该诉讼是“无根据的、出于嫉妒的竞争攻击”。此案结果可能为使命驱动型科技公司的结构与融资设立重要法律先例。

Rohan Paul@rohanpaul_ai · 4月28日60

OpenClaw creator Peter Steinberger talks about how China is going all-in for AI agents and OpenClaw. "In China, installing OpenClaw is called raising lobsters. Thousands of people were lining up at the Tencent office in Shenzhen to get their lobster installed. Shenzhen even gives out subsidies for people running businesses on OpenClaw. Now, if you install OpenAIClaw on your work machine (in many other parts of the world), at least with the default settings, you might get fired. And then I met an entrepreneur in China who showed me a spreadsheet. Every employee, every day, one task automated by OpenClaw. If you miss too many days, you're fired. So, fired for using it, fired for not using it." --- From official 'TED' YT channel (link in comment)

译OpenClaw创始人Peter Steinberger指出，中国正全力投入AI代理OpenClaw，在深圳有数千人排队在腾讯办公室安装，政府还提供商业补贴。相比之下，全球其他地区在工作机器上安装OpenAIClaw（默认设置）可能导致被解雇。在中国，一位企业家要求员工每天必须用OpenClaw自动化一个任务，未达标者也会被解雇，形成使用与否都可能面临解雇的极端反差。

向阳乔木@vista8 · 4月28日71

http://x.com/i/article/2049117243074592768 # 从集装箱到AI：一部“投资人亏钱”的重复史 Jerry Neumann 是一位退休的风险投资人，写过不少关于创新和投资的文章。 他去年 9 月写过一篇文章，核心论点只有一句话： 大多数投资 AI 的人，会亏钱。 现在读一读，看哪些被他言中了，哪些还需要继续观察。 > https://colossus.com/article/ai-will-not-make-you-rich/ ## 先搞清楚一件事：技术革命不等于财富机会 历史上有两类技术革命。 第一类，创造了大量新财富。铁路、贝塞麦炼钢法（一种大幅降低钢铁生产成本的工艺，让工业革命提速）、电力、内燃机、微处理器，每一个都像烟花工厂里的一粒火星，引爆了几十年的连锁创新，催生了一批新的富豪、新的公司、新的权力结构。 第二类，改变了整个世界，但没有创造多少新财富，只是强化了现有格局。集装箱运输就是这样。 Neumann 要回答的问题是：生成式 AI 属于哪一类？ ## 第一个案例：微处理器和个人电脑 1971 年，英特尔发明了微处理器。 有意思的是，英特尔自己都没意识到这东西有多重要，他们只是想省点每次设计计算器芯片的力气。 但外面的人看到了另一种可能性。 一群爱好者开始用微处理器自己搭电脑，没有人授权，没有人指导，完全是分散的、自发的实验。 这种"无需许可的发明"，是技术浪潮真正爆发的前提。 早期的成本很高。英特尔 8080 芯片定价 360 美元（折合今天约 2300 美元）。 MITS 公司用它做了一台叫 Altair 的电脑套件，批量采购价每片 75 美元，几乎没有利润。 转折点出现在 1975 年。 MOS Technologies 推出了 6502 芯片，售价只要 25 美元（折合今天约 150 美元）。 正是这个价格，让 Steve Wozniak 买得起零件，在车库里搭出了第一台 Apple 原型机。 > 📌 引用了 Jovanovic & Rousseau 的研究数据，显示电力和个人电脑都花了约 30 年才覆盖一半美国家庭。技术普及从来不是一夜之间的事。 市场起初非常冷清。 1979 年，苹果的广告甚至不告诉你电脑能做什么，而是反过来问消费者"你打算用它做什么"，因为他们自己也不确定。 IBM、HP、DEC 这些大公司完全无视这个市场，觉得客户又没有提需求，何必费心。 《纽约时报》直到 1981 年 IBM 推出自己的个人电脑，才开始认真报道这个行业。 1976 年苹果公司成立那一整年，《纽约时报》全年只提到个人电脑四次。 > 📌 媒体关注度的变化曲线，清晰说明主流世界对 PC 的忽视持续了多久。 这种"没人注意到"的窗口期，是苹果这类小公司的救命稻草。 大公司讨厌意外。正是这种不确定性，给了创业公司建立护城河的时间。 苹果在 IBM 进场之前，靠 1980 年 IPO 融了 1 亿美元，成了当时唯一还活着的主要竞争者。 > 📌 Asymco 的数据，展示 IBM 入场后市场的快速洗牌。 之后，软件、内存、软盘驱动器、调制解调器（一种让电脑通过电话线联网的设备）相互促进，形成了一个自我强化的生态系统。 哪个环节成了瓶颈，资本就涌向哪里。 比如，PC 内存扩大之后，软件可以更复杂，但外部存储跟不上了。 风险投资人 Dave Marquardt 在 1980 年投了硬盘制造商 Seagate，1981 年 Seagate 上市，给他带来了 40 倍回报。 其他投资人注意到了，接下来三年里，2.7 亿美元涌入硬盘行业。 这个模式一直延续，最终演变成 1990 年代末的互联网泡沫。 泡沫破裂后，社会开始对科技行业的过度扩张产生反感，政府也有了足够的民意支持来收紧监管。 疯狂创新的阶段结束，公司开始进入更稳健的扩张期，投资人从投机转向投资。 ## 第二个案例：集装箱运输 1956 年，一个叫 Malcom McLean 的卡车司机出身的商人，用改装过的二战剩余船只，完成了第一次集装箱货运，船名叫 Ideal-X。 McLean 的洞察很简单：卡车、铁路、轮船，干的其实是同一件事，把货物从出发地送到目的地。 但每次换一种运输方式，就要重新装卸一次，费时费力费钱。 如果货物装在标准化的箱子里，直接从卡车吊上船、再吊上火车，就能省掉所有中间环节。 这个逻辑，所有人一眼就看懂了。 这正是问题所在。 当所有人都看懂了一门生意，就没有人能靠信息优势建立护城河。 McLean 面临的阻力是全方位的： 码头工人会失业，工会反对；政客要保住选票，反对；港务局要看政客脸色，反对；铁路公司担心抢生意，反对；大型航运公司担心被颠覆，反对。 他靠着一系列精妙的迂回操作硬挤进去：用战争剩余船只降低成本，选择走海岸线短途货运，把基地设在新泽西纽瓦克而不是纽约曼哈顿（避开拥堵，争取港务局支持），还和纽约码头工人工会谈成了协议，因为当时他还小，工会觉得他不构成威胁。 > 引用了 McKinsey 和 Levinson 的数据，展示 1960 年代集装箱船数量的快速攀升，以及容量如何迅速超过需求。 但他根本没有足够的时间建立壁垒。 美国海事管理局早在 1958 年，也就是 Ideal-X 首航仅两年后，就开始推动集装箱标准化。 一旦标准确定，任何人都可以进来做。 1965 年前后，集装箱运输开始显现效果，所有大型航运公司立刻蜂拥而入。 到 1968 年，集装箱货运量还不到全球贸易的 1%，但集装箱船的数量已经在快速攀升，运力远超需求。 价格战打响，利润被压缩，行业走向整合和卡特尔（即几家大公司联合控制市场、协调定价）。 同时，越造越大的集装箱船和配套港口设施，让这个行业变得极度资本密集。 McLean 看到了这个趋势，在 1969 年 1 月把公司卖给了 RJ Reynolds（一家烟草集团），套现离场。 他大概是唯一全身而退的创业者。 > 用了 OECD 数据，显示集装箱运输的真正经济效益，在技术出现约 25 年后才开始大规模释放。 > 引用了 CEPII 的贸易数据，显示集装箱运输对全球贸易增长的长期贡献。 那谁赚到钱了？ - McLean 本人，卖公司套现。 - 投资人 Daniel Ludwig，1965 年以每股 8.5 美元买入 McLean Industries，1969 年以每股 50 美元卖出，投入 850 万美元。 - 造船厂，1967 到 1972 年间，全球花了约 100 亿美元（折合今天约 800 亿美元）建造集装箱船。 - 承建新集装箱港口的建筑承包商。 - 后来整合市场的航运巨头，如马士基（Maersk）和长荣（Evergreen）。 但几乎没有人因为投资集装箱运输本身而变富。 RJ Reynolds 和其他在 1960 年代末追高入场的公司，"投资带来的只有失望"。 真正的赢家是下游的使用者。 宜家，1972 年还只是一家斯堪的纳维亚地方家具公司，靠着集装箱运输带来的廉价全球物流，到 2008 年成了全球最大家具零售商。 创始人 Ingvar Kamprad（宜家名字里的 IK）成了亿万富翁。 沃尔玛，靠集装箱运输实现了准时制供应链（即精确控制库存、减少积压的管理方式），降低了库存成本，扩大了商品种类。 而西尔斯（Sears）、伍尔沃斯（Woolworth）走向衰落，蒙哥马利沃德（Montgomery Ward）和 A&P 直接关门，梅西百货（Macy's）破产重组。 北卡罗来纳州，曾经的"世界家具之都"，家具厂商们试图从中国进口便宜零件来对抗宜家，最后被自己的供应商取代。 ## 理解这两个案例的底层逻辑 经济学家 Carlota Perez 把每一轮技术浪潮分成四个阶段： 微处理器在 1970 年代处于爆发期，当时没人注意，给了创业公司时间。 集装箱运输出现在上一轮技术浪潮的成熟期，所有人都看懂了，没有惊喜，没有窗口期。 Schumpeter（约瑟夫·熊彼特，20 世纪最重要的经济学家之一，"创造性破坏"理论的提出者）说过：每当新事物被引入，完全竞争就会暂时中止。 但集装箱运输证明，这个规律在技术浪潮末期会失效。 成熟期里，竞争从第一天就是完全竞争，没有人能建立护城河，也就没有经济利润可言。 ## AI 在哪个阶段？ Neumann 的判断非常明确：AI 是 ICT（信息与通信技术）浪潮的终章，而不是新浪潮的开始。 ICT 浪潮从微处理器开始，经历了个人电脑、互联网、移动互联网，现在到了 AI。 这是同一个浪潮的延续，不是一个新的浪潮。 证据是：没有惊喜。 1960 年代的计算机科学家就已经立志要造出会思考的机器。 AI 的出现，是几十年算法进步、芯片性能提升、数据积累、数据中心基础设施建设共同作用的结果。 没有人对此感到意外。 更重要的是，AI 的实验权掌握在少数大公司手里。 微处理器时代，Wozniak 可以买一块 25 美元的芯片，在车库里随便折腾，没有人能阻止他。 今天，如果你想用 AI 做实验，你用的是 OpenAI 或 Anthropic 的模型，你能做什么，取决于他们允许你做什么。 这种"有许可的发明"，无法触发真正的爆发期。 Neumann 说，如果有一天，任何人都能在笔记本电脑上训练自己的模型，像 Wozniak 攒电脑、福特在厨房里造内燃机、Trevithick 在 James Watt 专利到期后立刻造蒸汽机那样自由实验，AI 才可能成为下一轮浪潮的种子。 但在那之前，AI 只是旧浪潮的收尾。 原文还列了一张表，把集装箱运输的商业演化和 AI 的现状做了对比： 前四项已经发生，后三项是他的预测。 ## 那钱到底在哪里？ Neumann 把 AI 价值链拆成几层，逐一分析。 模型公司（OpenAI、Anthropic 等） 如果你还没投进去，就不要投了。 Sam Altman 和少数早期投资人，可能会像 McLean 和 Ludwig 一样赚到钱。 但模型公司的资本开支极高，竞争极为激烈，最终格局会是少数几家公司，背后都是大科技公司的资金。 如果你已经是早期投资人，恭喜，整合会给你一个退出机会。 垂直领域模型公司（如 Cursor、Harvey） Cursor 是一款专为程序员设计的 AI 编程工具，Harvey 是面向律师的 AI 法律助手，这类公司在特定行业深耕。 这类公司可能是最有价值的模型公司，因为它们赢得了特定客户群体的信任。 但微调（fine-tuning，即在通用模型基础上针对特定领域进行专项训练）成本相对较低，大模型公司很容易复制。 它们最可能的命运是被收购，就像谷歌在 2010 年收购 Invite Media 来学习如何服务广告代理商一样。 作为被收购目标，值得关注，但不是长期持有的标的。 生成图像和视频的模型公司（如 Midjourney、Runway）架构略有不同，或许能走出独立路径，但大语言模型公司已经轻松进入这个领域。 Osmo（一家做气味 AI 的公司）这类更特殊的方向，还有待观察。 应用层公司（Perplexity、Writer、Abridge 等） Perplexity 是 AI 搜索引擎，Writer 是企业 AI 写作平台，Abridge 是医疗对话记录 AI。 这类公司数量众多，但面临一个根本性的困境： 一旦做大，模型公司就会通过差异化定价或直接做同类产品来抢走利润。成功即失败。 最终，模型公司和应用公司会融合，只剩下少数几家"AI 公司"。 整个应用层作为一个整体，投资回报会是负的。 唯一的例外是：如果某家应用公司积累了足够强的客户基础或顶级团队，可能会被收购。 但这些公司本质上不是技术公司，而是在赌一个市场会形成，定价要按这个逻辑来。 还有一种例外：有投资人会靠着 FOMO（Fear of Missing Out，即害怕错过机会）情绪驱动的收购方大幅溢价退出。 但这不是投资，是套利。 中间层公司（Hugging Face、Glean 等） Hugging Face 是一个开源 AI 模型托管平台，Glean 是企业内部知识搜索工具。 这类公司帮助企业管理与大模型之间的接口，或保护企业数据不被模型公司获取，天然具有独立性。 但在集装箱运输时代，没有任何类似的中间层公司做大。 模型公司不会允许它们获得战略性杠杆。 这类公司可能会活得不错，但很难做大。 上游供应商（英伟达、Scale AI、Lambda 等） Scale AI 是一家专门做 AI 训练数据标注的公司，Lambda 提供 AI 计算云服务，SambaNova 做专用 AI 芯片。 往上游走，看起来是个稳健策略，但有一个隐患： 集装箱运输带动造船业从 1965 年繁荣到 1973 年，然后需求崩塌。 如果 AI 公司整合或收缩开支，基础设施公司会面临突然的、持续的需求下滑。 这些公司都需要提前对供应商和产能扩张做出长期承诺，一旦市场缩水，成本结构无法快速调整。 > 📌 引用了 CNA 的造船历史数据，这个曲线形状，和今天很多人对英伟达的担忧高度吻合。 英伟达和它的竞争对手，都已经按 S 曲线（即持续高速增长）定价了。 如果增长见顶后出现下滑，这个定价就是错的。 关于数据公司，情况更复杂： 通用数据是商品，没有定价权。 专业领域的、实时的、难以复制的数据才有价值。 Bloomberg 这类公司靠这个活得很好，AI 时代可能会更好，但不会是爆炸性增长。 下游使用者，才是真正的机会 Neumann 的核心建议：不要往上游游，要往下游钓鱼。 专业服务、医疗、教育、金融服务、创意服务，这些行业合计占全球 GDP 的三分之一到一半，而且过去几十年几乎没有从自动化中受益过多少生产力提升。 AI 可以大幅降低这些行业的成本。 但关键不是降低成本本身，而是公司拿这些省下来的钱做什么。 用成本节省来提高利润，是输家的玩法。 用成本节省来扩大规模、降低售价、打开新市场，才是赢家的逻辑。 宜家的策略是卖高质量低价格的家具，靠量取胜。 集装箱运输让这个策略可以全球化，宜家就赢了。 沃尔玛的策略是在服务不足的市场提供低价高量的商品。集装箱运输让供应链更可预测，沃尔玛就赢了。 今天，那些已经有"高量低价"战略基因的知识服务公司，天然适合受益于 AI。 新公司也会出现，像 Costco 在 1980 年代初做的那样，用一张白纸和后见之明重新设计商业模式。 但这里有一个投资上的难题：这些公司不需要太多私人资本。 宜家从来没有融过风险资金，Costco 在 1983 年只融了一轮，1985 年就上市了。 实施降本技术本身不是资本密集型的事情。 所以，机会更多在二级市场（即股票市场），而不是一级市场（即风险投资）。但选股要非常谨慎。 Neumann 算了一笔账：即使按最乐观的预测，AI 在未来 10 年给全球 GDP 增加 7%，其中三分之一落在知识服务行业，平均每年也只给这些公司带来约 2% 的额外增长。 这不是一个能让人暴富的数字，更多是一个温和的顺风。 真正的价值转移，是从不拥抱 AI 战略含义的公司流向拥抱的公司，就像沃尔玛从西尔斯手里抢走市场一样。 ## 最终受益者：消费者 Neumann 认为，AI 创造的大部分新价值，会被消费者拿走，而不是投资人。 历史上，制造业机械化提升了劳动生产率，让衣服和食物变便宜了。 但制造业工资上涨，服务业为了留住人也不得不涨工资，即使服务业本身没有生产率提升。 这就是"鲍莫尔成本病"（Baumol's Cost Disease）：生产率没有提升的行业，成本却因为要和高生产率行业竞争劳动力而不断上涨。 结果是，美国家庭在食物和服装上的支出占比，从 1918 年的 55% 降到了 2023 年的 16%，但医疗和教育的成本却远超通货膨胀。 AI 会带来类似的反转：知识密集型服务会变便宜，而需要人与人面对面互动的服务会变贵。 这两个方向，都有商业机会，但前者的受益主体是消费者，后者则是能提供真实人际连接的服务提供者。 ## 读完这篇文章，最值得带走的一个认知 Neumann 在结尾说： > 过去 50 年投资科技的经验，放到今天并不适用。以前的方法是押注"新东西是什么"。现在，你要押注的是"新东西打开了什么机会"。 技术浪潮早期，不确定性是创业者的护城河。 没人知道会发生什么，大公司不敢进来，监管机构不知道该管什么，消费者不知道自己需要什么，这些空白给了创业公司时间和空间。 技术浪潮末期，不确定性消失了，护城河也就消失了。 所有人都看懂了，所有人都进来了，竞争从第一天就是完全竞争。 AI 不是一个新浪潮的开始，它是旧浪潮的终章。 终章里，财富不会流向建造者，而是流向使用者。 技术革命和投资机会，是两件可以完全脱钩的事情。 集装箱运输改变了整个世界的贸易格局，但投资它的大多数人亏了钱。 AI 会改变整个世界的工作方式，但这不代表投资 AI 公司就能赚钱。 真正的问题，从来都不是"这个技术有多厉害"，而是"价值最终会停在哪里"。

译风险投资人Jerry Neumann认为，生成式AI是现有ICT技术浪潮的终章，而非新开端。他以微处理器和集装箱运输为例：微处理器早期存在低成本“无需许可的发明”窗口期，催生了苹果等新贵；而集装箱运输技术透明、缺乏壁垒，导致完全竞争，主要使下游使用者（如宜家、沃尔玛）获益。Neumann指出，当前AI实验权集中于少数大公司，属于“有许可的发明”，缺乏颠覆性创新环境，因此大多数AI投资者可能面临亏损。

向阳乔木@vista8 · 4月28日56

读到篇文章，作者把AI发展对照集装箱的发展历史，视角独特，也有数据展示，很有趣。（观点不一定对） 但从现在AI发展看，他的不少预判正确。 摘录些金句： 1. 知识密集型服务会变便宜，需要人与人面对面的服务会变贵。 2. AI 应用公司面临一个结构性困境：你越成功，就越快成为被猎杀的目标。 3. 真正的投资机会，不在技术出现的那一刻，而在技术让某件原本不可能的事第一次变得可能的那一刻。 4. 所有人都看懂的生意，从第一天起就没有护城河。

译作者将AI发展与集装箱历史进行类比，提出了多个前瞻性观点。核心包括：知识密集型服务将因AI而降价，依赖人际接触的服务则会升值；AI应用公司面临“成功即成为目标”的结构性困境；真正的投资机会不在于技术诞生，而在于其首次实现“不可能变可能”的转折点；同时，普遍被看懂的商业模式从初始就缺乏护城河。这些判断在当前AI演进中得到了部分印证。

向阳乔木@vista8 · 4月28日34

Colossus网站内容质量不错，经常有一些公司内访长文。 比如介绍Notion和Cursor的，能看到内部的焦虑和挣扎。 https://colossus.com/article/inside-notion/ https://colossus.com/article/inside-cursor/

ginobefun@hongming731 · 4月28日38

AI 时代反而更需要深度工作。 因为 AI 最擅长接管的是浮浅工作：摘要、转写、邮件、模板化产出。 真正稀缺的是判断力、品味、问题定义和长时间思考。

Chubby♨️@kimmonismus · 4月28日37

With all due respect, this comes across as a bit of a cry for help. The WSJ writes that OpenAI didn't reach its target (1 billion weekly active users) by the set deadline. And Sam Altman writes, "We love our users." But that's not what the article is about. The concern is that OpenAI is leaving its enormous capacity unused and that the $1.5 billion is excessive.

译恕我直言，这听起来有点像在求助。 《华尔街日报》报道称，OpenAI未能在设定的截止日期前达到其目标（每周10亿活跃用户）。而Sam Altman写道：“我们爱我们的用户。”但这并非文章的重点。 令人担忧的是，OpenAI正让其巨大的能力闲置，而那15亿美元的资金也显得过于充裕。

向阳乔木@vista8 · 4月28日43

大多数人以为AI不够用，是因为还不够聪明。 Dwarkesh 去年6月的观点：模型在很多任务上的起点，已经高于普通人类员工。 真正的瓶颈是AI没有学习曲线，只有一条水平线。 聪明但不成长，这才是问题。 https://blog.qiaomu.ai/dwarkesh-patel-agi-learning-bottleneck --- 本文为了测试og:image链接分享封面。

译普遍观点认为AI不够用是因为不够聪明，但Dwarkesh去年6月指出，AI模型在许多任务上的起点已高于普通人类员工。真正瓶颈是AI缺乏学习曲线，只能维持水平性能，无法像人类一样通过经验成长。这种“聪明但不成长”的特性，使得AI在动态环境中表现受限，成为其发展的核心障碍。

阿绎 AYi@AYi_AInotes · 4月28日50

这是今天最火的AI创业梗了哈哈哈，直接给我看笑了🤣🤣🤣 妈妈问我们家是怎么发财的？ 2026年，你爸看了YC的创业清单， 照着单子随便挑了一个就做出来了🤣 Packy这个梗真是杀人诛心🚬 但仔细想想说的全是实话。 YC刚刚发布的2026夏季RFS，几乎把未来五年的AI创业地图，明明白白摊在了所有人面前。 这次没有任何虚头巴脑的概念， 因为AI已经不再是一个功能， 也不再是一个插件， 现在它是整个世界的基础架构。 我们现在要做的，是用AI把软件，服务，硅片，甚至整个物理世界，全部重做一遍。 这里面最狠的几个赛道，每一个都是万亿级的市场。 1️⃣ 反无人机蜂群防御，用软件的思路做武器，赢的公司会像Cloudflare，而不是雷神。 2️⃣Agent专用推理芯片，现在的GPU跑Agent只有30%的利用率，这是下一个NVIDIA的机会。 3️⃣ 公司大脑，把所有邮件Slack工单变成AI可执行的活知识库，未来每个公司都必须有一个。 4️⃣AI原生服务公司，不卖软件直接卖结果，会计保险合规医疗行政，全部重做。 5️⃣ 太空电子和太空工业，可回收火箭把发射成本打下来之后，太空的算力和制造会爆发。 虽然很多人吐槽说全是AI for X，没有新意。 但你要明白，当一个基础设施级别的技术到来的时候，所有东西本来就都值得重做一遍。 YC这次根本不跟你聊大模型，它聊的全是大模型之后的东西。因为大模型已经变成了水电煤，真正的机会在上面的每一层。 当然这个梗最扎心的地方也在这里，现在所有的idea全都是透明的，所有人都看着同一张单子。 再也没有什么秘密的赛道，再也没有什么别人不知道的机会了。 最后拼的不是谁想到了，是看谁先动手，谁能把脏活累活干了，谁能先跑出来。 所以说2026年的创业已经彻底变了，可能再也不需要你发明什么惊世骇俗的东西，只需要把YC给你的作业，第一个交上去就行了哈哈哈

译YC发布的2026年夏季RFS清单，明确将AI视为世界基础架构，指出创业核心在于用AI重塑软件、服务、硬件乃至物理世界。清单揭示了多个万亿级赛道，如反无人机防御、Agent专用芯片、公司大脑、AI原生服务及太空工业。当前大模型已如基础设施般普及，真正的机会在于其上的应用层。所有创意高度透明，竞争关键不再是发现秘密赛道，而在于率先执行、完成脏活累活并快速跑出。

SemiAnalysis@SemiAnalysis_ · 4月28日39

"If someone tells me this is AGI, I wouldn't push back hard." Nigel Chiang on Claude for Excel. And the wild part? This is still on current generation hardware. Before Blackwell. Before Rubin vintage models. If this isn't AGI, we're close. And the next generation hasn't even shipped yet.

译"如果有人告诉我这就是AGI，我不会强烈反驳。" Nigel Chiang对Claude for Excel的评价。而更疯狂的部分是什么？这仍然是在当前这一代硬件上实现的。在Blackwell之前。在Rubin vintage模型之前。 如果这还不是AGI，我们也已经非常接近了。而下一代甚至还没有发布。

Ethan Mollick@emollick · 4月28日50

The new LLM trained only on pre-1931 text is small enough that it can potentially run on device, so, with the right tools, you can get a fully vintage version of Siri, but from the era of Downton Abbey. Here, I asked for it to arrange for sushi delivery in Philadelphia. Hmmm...

译这款仅基于1931年前文本训练的新LLM体积小巧，甚至可能在设备上直接运行，因此借助合适的工具，你能获得一个完全复古版的Siri，不过是来自《唐顿庄园》时代的版本。 在此，我让它为我在费城安排寿司外卖。嗯……

Orange AI@oran_ge · 4月28日43

ColaOS 对模型的要求太高了 国产模型测试下来，能用的只有三个 但我们已经很幸福了 去年 Manus 那时候，国产能用的，一个都没有

阿绎 AYi@AYi_AInotes · 4月28日56

YC 刚刚扔出的这份创业指南， 直接把未来公司的形态重新定义了。 他们不是教你怎么用AI提高效率，而是告诉你怎么用AI重新发明公司。 因为AI不再是工具，而是公司的操作系统（OS）。 传统公司是“人驱动 + AI辅助”， AI原生公司要彻底反过来： 让AI成为核心决策、执行和反馈闭环，把人力降到最低。 以下是YC笔记核心要点（逐条拆解）： 1. AI as Operating System
每一条工作流、每一个决策、每一个流程都必须流经智能层。正确的人 + AI，就能干以前整个团队的活。 2. Closed Loops Everywhere（到处都是闭环）
传统公司是开放循环：做决定 → 执行 → 结束。AI-native公司要把所有重要流程变成自调节闭环——AI持续监控、对比目标、自动迭代。 3. Make Your Company Queryable（让公司对AI完全可读）
所有会议自动记录，所有决策留下artifact（文档、日志、指标）。AI能查到的信息，和任何一个员工一样丰富。建立覆盖营收、销售、工程、招聘、运营的自定义仪表盘。 4. Software Factories（软件工厂）
人类只负责写Spec（规格） + 测试用例（定义什么是成功）。
AI Agent负责生成代码、迭代调试，直到所有测试通过。
已经有公司的代码仓库里没有一行手写代码，只有规格和测试框架。 5. No More Human Middleware（消灭人力中间件）
经典管理层级不再有意义。公司速度 = 信息流动速度，去掉一层人力路由，就直接提速。 6. 三种员工原型（引用Jack Dorsey） • IC / Builder-Operator：每个人都是建造者，开会带原型而不是PPT。 • DRI（Directly Responsible Individual）：一人对一个客户结果负责，无处可藏。 • AI Founder：创始人必须亲自站在一线写prompt、调Agent。 7. Token-max, not Headcount-max
以前拼人头数，现在拼Token数。
愿意承受“看起来离谱”的API账单，因为它取代的是更贵、更慢的人力成本。工程、设计、HR、行政团队将大幅精简。 8. 早期公司的千倍速优势
没有遗留系统、没有臃肿org chart、没有几千人需要再培训。
你在白纸上直接画AI操作系统，大公司在Windows XP上强行装Windows 11，每一步都可能蓝屏。 最狠的一句话是： “你无法把对这些工具的信仰外包出去。创始人必须亲自坐下来狂用编码Agent才能真正信服。” 最后总结： 过去20年软件吃掉了世界，接下来10年AI会吃掉公司内部的所有运营。 公司不再是人的集合，而是一个个自迭代的智能闭环的集合。 现在（2026年）就是最好的窗口。再过两三年，大公司完成痛苦转型后，这个优势会大幅缩小。 别再用传统方式搭公司了——你正在和速度是你一千倍的对手赛跑。

译YC指南指出，未来AI原生公司将彻底颠覆传统模式，AI应成为公司的“操作系统”，所有工作流和决策都需流经智能层，形成自调节闭环。公司需实现全面“可查询”，信息对AI透明。开发模式转变为人类写规格与测试，AI代理自动生成代码。传统管理层级被消除，公司速度取决于信息流动效率。员工结构围绕建造者、直接责任人和AI创始人重塑。成本逻辑从“拼人头”转向“拼Token”，愿意为替代高成本人力的API付费。早期公司凭借无历史包袱，能在白纸上构建AI系统，获得相对于大公司转型的千倍速优势。创始人必须亲自深度使用AI工具。未来十年，AI将“吃掉”公司内部所有运营，公司将成为自迭代智能闭环的集合。当前是关键窗口期。

Ethan Mollick@emollick · 4月28日60

This is an incredibly cool experiment It is also fascinating that the model knows information up to 1931, but, at least in some science topics, seems very stuck in the early 1900s. For example, it defends the lumiferous aether hypothesis & has a distrust of special relativity

译研究人员推出了仅使用1931年前文本训练的13B模型Talkie，旨在探索语言模型的泛化能力。该实验发现，模型虽掌握截至1931年的信息，但在某些科学议题上明显停留在20世纪初的认知框架中。例如，它仍坚持“发光以太”假说，并对狭义相对论表现出不信任。这凸显了训练数据的时间范围会深刻固化模型的知识体系与世界观。

ginobefun@hongming731 · 4月28日26

BestBlogs 早报图文版，快速概览重点资讯内容

ginobefun@hongming731 · 4月28日69

http://x.com/i/article/2048918501637943296 # BestBlogs 每日早报 EP41 · Symphony 编排 / gpt-realtime-1.5 / AI 原生工程团队 · 04.28 OpenAI 这一周把控制平面摆到了台面上。一边是 Symphony 让 Linear 看板直接驱动 Codex Agent、gpt-realtime-1.5 把语音指挥软件推向产品级、吴恩达顺势抛出 AI 原生工程团队的运营模型；另一边，微软 Russinovich 与 Hanselman 在 ACM 上发表同行评审论文，警告 Agentic Coding 工具正在系统性掏空初级开发者的人才管线。当 harness 决定团队上限，工程师究竟该把判断力沉淀在哪里，今天的精讲值得逐字读完。 ## 导语 如果说过去几个月行业还在争论"该用多大的模型"还是"该搭多复杂的工作流"，今天这一期把另一个问题推到了中央：控制平面到底归谁、靠什么沉淀 。OpenAI 用三件事给出了回答——Symphony 把 Linear 看板变成 Coding Agent 的状态机，gpt-realtime-1.5 让语音直接驱动应用状态，吴恩达则把 AI 原生工程团队的新运营模型说得很直白：编码智能体把构建速度推上新台阶之后，2 到 10 人的同地小团队靠面对面沟通就能跑出最高效率，通才取代专才，瓶颈反而冒到了产品、市场和法务。 但同一波浪潮的反面也已经被点名。微软 Azure CTO Mark Russinovich 和 VP Scott Hanselman 在 Communications of the ACM 上的同行评审论文里直接写道：AI 给资深工程师巨大的产能加成，却给初级开发者套上"AI drag"——招聘市场已经看见了 22 到 25 岁岗位下滑 13%、入门级开发者招聘较 2022 年下降 67% 的现实。腾讯技术工程团队、量子位访谈楼天城、腾讯科技的 Skill 蒸馏长文，则从三个方向回答了同一个问题：当工作流可以被工业化，工程师该把"判断力"沉到哪一层、留下什么。 如果你今天只有十分钟，把精讲一、二、三按顺序读完就够；如果还想做一份能讲给团队听的纪要，把速览里 Russinovich、知识沉淀、Skill 蒸馏三条放进去，整套"控制层 + 知识沉淀 + 人才管线"就清楚了。 ## 精讲一 · OpenAI 发布 gpt-realtime-1.5：用嘴指挥软件正在变成产品级体验 OpenAI Developers 官方账号今天发出了 gpt-realtime-1.5。公告把它定位得很清楚：这是专为「语音控制的交互式应用」而生 的新模型，重点不是再上一层语音生成的拟真度，而是让用户能用语音更自然地操控应用状态——配套放出的演示视频里，端到端的应用交互完全靠语音驱动完成。 为什么这件事值得放在第一位？过去两年，"语音 AI"在 demo 阶段非常热闹，但真正落到生产应用里，开发者会反复撞到同一堵墙：模型可以听懂、可以说，但它和应用状态之间总有一层断层——要么靠开发者自己拼接 STT、LLM、TTS 三段式流水线，要么用 realtime API 把延迟压下来但拿不到稳定的"对状态做修改"的能力。gpt-realtime-1.5 的设计目标就是把这层断层补齐：让"用嘴指挥软件"从演示视频走进产品级体验。 它和今天另外两条精讲也是一组的。Symphony 是把控制平面交给 Agent ，gpt-realtime-1.5 则是把控制平面递给用户的嗓子 ——同一周 OpenAI 在两个相反方向上各开了一刀，但指向的是同一个判断：交互层、编排层、控制层，都要被重写一遍。吴恩达说 AI 原生小团队会被产品瓶颈卡住 ，gpt-realtime-1.5 之类的模型恰恰是减小这种瓶颈的关键——当语音交互足够稳，工程师就不必再为"再做一遍语音前端"分心。 阅读建议：如果你正在 OpenAI 平台上做语音应用、或者团队里有 voice-first 产品的尝试，今天就把这条公告点开、把 demo 视频顺手过一遍，再决定要不要把现有 realtime 流水线迁过来。它是本周最值得马上跟进的模型升级，原文：OpenAI 发布 gpt-realtime-1.5：为语音控制交互应用而生。 ## 精讲二 · OpenAI 开源 Symphony：把 Linear 变成 Coding Agent 的控制平面 如果说 gpt-realtime-1.5 是"用户怎么指挥软件"的答卷，Symphony 就是"工程师怎么指挥 Agent"的答卷。今天 OpenAI 在 blog 上把 Symphony 开源出来，附上一份 SPEC.md，并直接放话：内部部分团队上线三周内 PR 落地数量增长了 5 倍。 故事的起点很扎实。OpenAI 内部团队半年前做过一个反共识的决定——一个内部生产力工具的代码仓库不允许人手写一行代码 ，每一行都必须由 Codex 生成，团队为此把工程流程重新设计了一遍，先解决了 harness engineering 的问题。但很快撞上下一个瓶颈：上下文切换 。每个工程师同时开三到五个 Codex session 还能 hold 住，再多就开始忘记哪个 session 在干什么、跳来跳去 nudge agent、调试 stall 的长任务。Agent 是快了，但人变成了系统瓶颈——他们造了一支极强的"junior 团队"，然后亲手把 senior 工程师的时间全花在微观管理上。 Symphony 是这个矛盾的解法。它的核心做法是取消"以 session 为中心"的范式 ，改成以工单为中心：每一张 Linear 上 open 的 issue 会被映射到一个独立的 Agent 工作区，Symphony 持续盯着任务板，确保每张 active 工单始终有一个 Agent 在 loop 里跑；Agent 崩了 Symphony 自动重启，新工单进来 Symphony 自动认领，看板状态就是状态机。一张工单能产出多个 PR、能横跨多个 repo，也能是纯调研类任务最后只输出一份报告。 更关键的两层影响。第一层是工程师角色变了 ——不再坐在终端前监督每一个会话，而是花更多时间在工单的拆解、计划评审、PR review 上；甚至产品经理、设计师都能直接派活，因为接活的不再是某个具体工程师，而是 Linear 看板。第二层是最后一公里被自动化 ：Symphony 会盯 CI、需要时自动 rebase、自己解 conflict、retry flaky check，把以前最磨人的"PR 落地"那段流程接管过去。OpenAI 承认这有 meta 感——团队就是用 Symphony 来构建 Symphony 的。 它和今天另外两条精讲串起来也很顺。吴恩达说工程师需要承担更多产品、设计、市场角色，正是因为 Symphony 这类工具把"实现层"压扁了，多出来的精力得有去处；Russinovich 与 Hanselman 警告初级开发者管线被掏空，恰恰也是 Symphony 这种范式带来的副作用——junior 工程师过去靠"接住一个 session、跟着 senior 把 PR 拍到底"成长，现在 Linear 看板直接对接 Agent，他们的成长台阶反而被抽掉。 阅读建议：如果你在带工程团队、或者团队里已经在常态化使用 Codex / Claude Code，今天把这篇精读完，再去对照自己的工作流。重点不是抄 Symphony，而是把它的逻辑映射回你自己的 issue tracker——它本质是一份 SPEC.md，原文：OpenAI 开源 Codex 编排规范 Symphony：把 Linear 变成 Coding Agent 控制平面。 ## 精讲三 · 吴恩达：AI 原生软件工程团队的新运营模型 吴恩达今天抛出的判断和 Symphony 是同一段乐曲的不同声部。Coding Agent 把构建速度推上新台阶之后，他观察到的现象是：工程师不得不同时承担产品、设计、市场的角色 ——以往按职能切分的协作链条变得太慢，新瓶颈跟不上来；2 到 10 人的同地办公（co-located）小团队靠面对面沟通跑出最高效率，远超大型分布式组织。 他点出的新瓶颈很值得记下来：产品管理瓶颈 ——工程师必须懂一些产品判断，产品经理也得懂一些工程；市场营销瓶颈 ——增长跟不上产能；法律合规瓶颈 ——审查节奏跟不上发布节奏；设计瓶颈 ——视觉和体验跟不上功能堆砌。吴恩达的结论很硬：在这种环境下，愿意学跨职能技能的通才会取代专才 ，2 到 10 人的小团队完全可能跑出过去几十人才能做到的事。这不是一个人单打独斗的时代，而是"小型同地全栈团队"的时代。 它和今天的另一条主旋律——精讲二 Symphony 看板、速览里腾讯技术工程团队的"Harness 不是目的、知识才是护城河"——共振非常清楚：编排工具会把工程师从微管理 Agent 里释放出来，多出来的时间必须沉淀到产品判断、用户判断、组织判断这些更靠近商业目标的层级 ，否则就会像 Russinovich 警告的那样，把人的判断力用在不创造增量的事情上。吴恩达把这一切定义成"学习与创造的黄金时代"——技能的复利第一次跨越了职能边界。 阅读建议：这条特别适合两类人逐字读。第一类是正在带 5 到 15 人小团队的 tech lead 或创始人，把"通才优先"和"产品 / 市场瓶颈"作为下一阶段招聘和组织设计的提示。第二类是入行不久、还在纠结要不要"专一深耕"的工程师——吴恩达直接告诉你方向：跨职能学习的复利会更高。原文很短但密度很大：吴恩达：AI 原生软件工程团队的新运营模型。 ## 速览 下面这 7 条是今天值得花 5 到 10 分钟逐条读完的高分内容，覆盖人才管线、知识沉淀、Skill 蒸馏边界、小米物理 AI、Harness 哲学、淘天工程实践和 EAPO 强化学习六条主线。 微软 Russinovich 与 Hanselman 警告：AI 正掏空初级开发者人才管线 微软 Azure CTO Mark Russinovich 和 VP Scott Hanselman 在 Communications of the ACM 上发表了一篇同行评审的 opinion piece，直接说 Agentic Coding 工具正在让软件工程行业陷入结构性危机。核心矛盾 ：AI 给 senior 工程师巨大的产能加成，却给入门期（early-in-career, EiC）开发者套上他们叫"AI drag"的负担——junior 还没养成对 AI 输出做"steer / verify / integrate"的判断力，被 AI 工具拖慢而不是放大。结果是激励结构发生位移：公司在招 senior 的同时把 junior 工作自动化，下一代 senior 的人才管线在悄悄塌陷。文中数据非常扎眼：哈佛研究显示 GPT-4 之后 22 到 25 岁、AI 暴露岗位（含软件开发）的就业率掉了约 13%；另一份独立研究显示入门级开发者招聘较 2022 年下降 67%；MIT 早期 2025 年的实验还发现把写作外包给 ChatGPT 的成年人脑活动下降、回忆变差，研究者称之为"cognitive debt"（认知债）。两人开的药方是借鉴医学培训的"先生制"（preceptor program）——一年期资深工程师带教，把判断力和系统品味这种隐性资本传下去。配着精讲二 Symphony 一起读最有杀伤力：Symphony 把"实现"工业化，但谁来培养下一代能审 Symphony 输出的人，这是行业必须现在就回答的问题。原文：微软 Russinovich 与 Hanselman 警告：AI 正掏空初级开发者人才管线。 Harness 不是目的，知识才是护城河 —— 腾讯 AI 工程团队的知识沉淀实践 腾讯技术工程团队这篇长文，几乎是把"Harness Engineering"这个 2026 年最热的话题从工具层面拽回到知识层面。作者 stevenpxiao 给出的核心判断是：构建 Harness 工作流不是最终目的，私域和团队知识的沉淀才是真正的技术护城河 。模型会迭代、工具链会更新、工作流会重构，但"领域模型 / 架构决策 / 最佳实践 / 已知陷阱 / 业务流程"这些知识不会因为模型换代而失效。文章把 Harness 拆成三支柱：上下文工程 （长短期记忆、知识检索注入、渐进式披露、上下文防火墙）、架构约束 （Agent 编排模式、状态机、降级策略、安全边界）、持续治理 （质量门禁、知识生命周期、自动衰减）。最值得抄进笔记本的是它给的"五层知识存储 × 五种类型 × 三级成熟度"模型——把团队知识按粒度分层，从快速验证一次的 hint，到经过多项目验证的 proven knowledge，再到生产级架构决策；新人进项目时，能直接"站在前人肩上"。这一篇和精讲二 Symphony、精讲三吴恩达的运营模型是同一组：当工作流被工业化，沉淀什么、怎么沉淀就是真正的差异化 。原文：Harness 不是目的，知识才是护城河 —— 一个 AI 工程交付团队的知识沉淀实践。 严肃聊聊，Skill 到底能蒸馏我们的几分之几？ 腾讯科技这一篇是这周最值得"反向思考"的长文。三月底 GitHub Trending 上一周内出现了五六个"蒸馏 Skill"项目：把离职同事的飞书、钉钉、Slack、微信记录喂给 Claude 自动生成 skill 文件的"同事 skill"一周拿了 9500 星；把前任蒸馏成 Skill 的 exskill 支持微信、QQ、社媒截图，甚至构建出五层性格结构；"老板 skills"用三个模块复刻老板审方案、汇报坏消息、说话风格；最浮夸的"女娲 skill"用 6 个并行 Agent 从 40 多个信息源提取公众人物心智模型，已经内置 Paul Graham、芒格、费曼等 13 个人。同一周 CMU 发表了 SKILLFOUNDRY 论文，扫一遍 GitHub 仓库、API 文档、Notebook 和论文，跑一次 pipeline 就挖出 286 个 skill、跨 27 个领域、71.1% 是现有库里没有的；在基因组细胞类型标注任务上，加了 skill 后覆盖率从 81.1% 提升到 99.2%、准确率从 68.5% 提升到 82.9%。但 GitHub 上同时也出现了 anti-distill——它能生成一份"看起来完整、核心知识却被掏空"的 skill 文件，把具体编码规则改写成"缓存使用遵循团队规范"这种正确的废话。文章的核心提问也是今天的主旋律之一：Skill 能蒸馏的是显性规则与知识路由，但隐性的直觉与效用判断蒸馏不掉。它和精讲三吴恩达的"通才优先"、Russinovich 的"junior 培养危机"是一组。原文：严肃聊聊，Skill 到底能蒸馏我们的几分之几？｜Hao 好聊趋势。 小米的野望：CFO Alain Lam 详解 AI 与全球化战略 挪威主权财富基金 CEO Nicolai Tangen 主持的《好公司相伴》播客这一期请到了小米集团 CFO Alain Lam。他梳理了小米十六年从手机起家、构建"人车家全生态"的扩张逻辑：MIUI 起步、用一年造出小米 1、布局智能家居、2021 年决定造车、不到三年推出第一款 SU7，集中十倍资源只做一款车 ——30 分钟卖出 5 万辆，福特 CEO 试驾六个月之后说"开了就甩不掉"。AI 在小米的落地非常全面：编程、销售预测、压铸检测、自研开源大模型；人形机器人 2019 年开始布局，目前先用于小米自家工厂提升效率，灵巧手已经做到接近真人手的尺寸和自由度。Alain 给出的关键判断是：物理世界数据稀缺，小米遍布全球十亿台联网设备的硬件生态恰恰是训练物理 AI 的关键资产 ——这一点和今天精讲一 gpt-realtime-1.5 把语音作为新交互层、和速览里楼天城世界模型 2.0 的"传感器直接驱动动作"形成了一条"物理 AI"的隐性主线。雷军则是亲自试驾 150 款车、考取赛车执照的产品狂人，"中国速度"不是口号，而是成熟供应链 + 前沿创新 + 超长投入耐心三件事的复合产物。原文：小米的野望：小米 CFO 详解 AI 与全球化战略。 量子位专访楼天城：AI 是匹脱缰野马，Harness 是这个时代最关键的能力 小马智行 CTO 楼天城在量子位的这场长访谈，把"Harness（驯马）"作为这个时代最关键能力之一的判断说得非常硬。他的逻辑链是这样的：今天的 AI 越来越像脱缰野马，开始学会调用工具、调用 Skill、自我演进，主动性和能量大幅提升，未来甚至连人类都可能成为被「调用」的一环 。当 AI 司机的安全性全面超越人类，再让人类工程师手把手教 AI 开车，无异于让业余棋手辅导 AlphaGo——人类驾驶数据的价值在逐步归零，研发主导权会逐步交给 AI。在这种背景下，小马智行发布了 PonyWorld 世界模型 2.0：人类不再是闭环中心，AI 正式成为总教练 ，自我诊断成为系统进化的核心引擎。技术路线上，他们选择跳过"语言"这个中间商，让传感器数据直接映射为驾驶动作——VLA（视觉-语言-动作）路线把 4D 物理时空降维成文字反而丢失了大量上下文。这一篇和精讲二 Symphony、精讲三吴恩达的"通才团队"是同一族判断：Harness 不只是 Coding Agent 的关键词，它正在变成所有"人类 + AI 主导研发"领域的共同范式 。原文：量子位专访楼天城：AI 是匹脱缰野马，Harness 是这个时代最关键的能力。 淘天营销中后台生码工作流最佳实践 大淘宝技术这一篇是把 AI 生码从"本地分散"收敛到"云端托管一体化"的真实工程复盘。背景很真实：财年初团队同时跑两条路径——简单需求走云端 Alex 平台一站式生码，复杂需求降级到本地 Cursor / CodeAgent CLI，结果是评估判断成本上升、AI 提效只覆盖到几个节点、需求交付全链路仍然靠人力串联。本地模式踩到的具体坑值得每个 AI Coding 平台借鉴：环境配置难统一 （Node 版本、网络代理差异巨大，同一套 MCP 在不同同学环境频繁出问题）、生态用工 AK 管理困难 （明文存储个人设备，分发、轮换、回收无统一管控）、执行易中断 （电脑息屏、网络断开就要手动续跑）。团队最终选择全部收敛到云端 AoneSuper 沙箱，并配套 git submodule + turborepo 的跨仓库工作区、可编排的场景化工作流。最有启发的是它把场景按确定性切两层：迁移和重构 （高确定性）用架构说明文档 + 领域 Skill 固化规则；日常迭代 （低确定性）引入"功能树"实现精准查表式知识供给，并用 D2C / API 还原优化、知识自动沉淀形成提效飞轮。一句方法论值得抄：给恰好够用的精确知识、确定性逻辑交工程、知识建正向循环 。配着腾讯"知识沉淀"那一条一起读，对"工作流如何服务于知识"会有非常具象的理解。原文：淘天营销中后台生码工作流最佳实践。 搜对≠答对：EAPO 用"证据奖励"让大模型不再靠猜 阿里通义实验室的这篇 EAPO 论文已被 ACL 2026 录用。问题切口很真实——AI 搜索把全网资料塞进几百万 token 的上下文，大模型却经常"答错或者蒙对"：举的例子是问周杰伦 2005 到 2010 年间演唱并获金曲奖提名的歌曲数，理想是 12 首，但模型要么答 15（把没演唱的《淘汰》也算进去），要么答 12 但引用的证据其实是错的。研究团队通过"树状证据采样"做预实验，把高质量证据直接喂给模型时准确率从 45% 飙到 63%；证据找得稀烂时，再优化推理几乎没用——找到对的证据，就几乎找到了对的答案 。EAPO 的方法论分三层：第一层强制模型走"分析问题 → 提取原文证据 → 执行推理 → 给出答案"的 4 步工作流，让中间证据环节透明可监督；第二层引入群组相对证据奖励，模型对同一问题生成多组证据组合，奖励模型挑出引用最精准、最具决定性的那组；第三层让奖励模型与策略模型协同进化，高置信度且答案正确的优质证据链反哺奖励模型微调，形成自适应闭环。结果是30B 模型在长文本推理基准上反超 120B 的 GPT-OSS 和 Claude-Sonnet-4 。这一篇和今天精讲一 gpt-realtime-1.5、速览楼天城的"AI 自我诊断"是同一类思路——监督信号要从最终答案下沉到中间过程。原文：搜对≠答对：EAPO 用"证据奖励"让大模型不再靠猜。 ## 扩展阅读 下面这 6 条是今天值得抽时间扫读的补充材料，每条说明它补充了什么、谁该读。 - 记忆，是 Agent 基建｜对话 Calvin@Vida ：OpenAI 4 月 21 日给 Codex 上线了记忆功能 Chronicle，第二天清华 00 后 Calvin 团队就把开源版 OpenChronicle 推上 GitHub 并冲到 X today's news trending 第一。文章核心观点是"记忆已经从产品功能变成 Agent 基建"——OpenChronicle 走本地优先 + 模型无关路线，AX Tree 优先解析、保存格式不绑定 Claude / Codex / OpenCode 任何一家。配着精讲二 Symphony 一起看，对"Agent 时代谁拥有记忆"会有更立体的判断。AI 工程师必读。 - Anthropic、OpenAI、谷歌和微软都认为智能代理控制层是产品，但在定价上存在分歧 ：InfoQ 中文这篇梳理了 16 天里三家厂商在 Agent 控制层（Harness）上的不同押注——Anthropic 在自己的基础设施上加单独计费的运行时（每会话每小时 8 美分）、OpenAI 把 harness 开源进 Agents SDK 只对模型和工具调用收费、Google 和 Microsoft 则打包成跨会话内存 / 代码执行 / 工具的消费层。文章对 Martin Fowler 给的"控制工程"定义做了完整梳理：围绕 AI 模型但不包括模型在内的一切——模型调用、上下文、工具编排、沙箱、持久化、权限、错误恢复、可观测性。给所有正在做 Agent 平台采购或自建的团队看：控制层是新市场，但商业模式还在分裂 。 - MCP in the Java World: Bringing Architectural Strategy to LLM Integrations ：InfoQ 这篇介绍了 MCP Java SDK 把 LLM 集成从随手调工具升级成有纪律的架构模式——协议级别的契约、anti-corruption layer、面向企业系统的治理。host 提供模型执行环境，client 中介请求，server 用清晰边界暴露 tools 和 resources，Tools 是动作、Resources 是结构化上下文数据。给 Java 系企业架构师和 Spring 团队的必读对照——把"AI 集成"做成长期可维护资产，不是又一段一次性脚本。 - GitHub Copilot is moving to usage-based billing ：GitHub 官宣，2026 年 6 月 1 日起所有 Copilot 套餐切到 usage-based 计费，premium request 单位换成"GitHub AI Credits"，按 token 消耗（含 input / output / cached）计算，付费套餐可加购。5 月初会先放出 preview bill，让用户和管理员看到 6 月切换前的预估账单。所有用 Copilot 的团队都该现在就把现有用量打出来 ，避免 6 月切换后被账单吓到。 - The Future Is Shrouded in an AI Fog ：Harvard Business Review 这篇 Toby E. Stuart 的策略文章给了个关键判断：AI 让未来的不确定性扩张，所有"长周期投入"——人才培养、企业战略、估值——都被打上了厚重的雾。建议从"重大单押"切到"分阶段承诺 + 期权式投入"。配着 Russinovich 的"junior 危机"一起读，会对"为什么 HR 现在最难做规划"有更深感受。 - 喝点 VC｜a16z 联合创始人：真正危险的不是投错项目，而是错过下一个 Google ：20VC 这场 Marc Andreessen 的访谈把风投核心心法摆得很直白——"成本上的错误"亏的是 1000 万美元，"机会成本上的错误"亏的是错过 1000 亿美元 ；判断创业者的关键特质是勇气加雄心，要能正面迎击问题、硬闯过去；最好的 AI 是面向消费者所有人都能拿到的版本，使用价值最有可能极端去中心化；早期阶段没有替代品，头两年就像烤蛋糕，最初配方写错后面再多资源也补不回来。给所有创业者和早期投资人看，也是今天最适合作为收尾的"判断密度高"的对话。 ## 今日阅读路径 如果你今天只能读三篇，按下面顺序： 1. 先读 OpenAI 开源 Codex 编排规范 Symphony：把 Linear 变成 Coding Agent 控制平面 ——这是今天信息密度最高的一篇，直接告诉你"Coding Agent 时代的工程组织长什么样"。读完它你就理解了今天的另外两条精讲为什么会同时出现。 1. 再读 吴恩达：AI 原生软件工程团队的新运营模型 ——把 Symphony 的工具论延展到组织论：通才取代专才、2 到 10 人同地小团队跑出最高效率、新瓶颈在产品和市场。这是今天最适合给团队转发的判断。 1. 最后读 微软 Russinovich 与 Hanselman 警告：AI 正掏空初级开发者人才管线 ——把上面两篇的"乐观面"反过来读一遍。当 Symphony 把实现工业化、吴恩达鼓吹通才小团队，下一代 senior 从哪里来？这是 2026 年所有工程组织都必须现在就回答的问题。 如果还有时间，把速览里的 Harness 知识沉淀 和 Skill 蒸馏 串起来读——前者告诉你"沉淀什么"，后者告诉你"哪些东西蒸馏不了"。 完整每日早报（含分群推荐、原文链接和深度阅读）请访问 BestBlogs：https://www.bestblogs.dev/。

译OpenAI近期发布Symphony与gpt-realtime-1.5，分别从工程师工作流与用户交互层面重塑软件控制平面。Symphony实现工单驱动的自动化编码，而gpt-realtime-1.5旨在提供产品级语音控制体验。吴恩达据此提出，AI原生工程团队应由小型通才团队构成，效率瓶颈将转移至产品与市场等领域。同时，微软专家警告此类工具可能导致初级开发者人才萎缩，引发行业对工程师核心判断力应沉淀于何处的深度思考。

ginobefun@hongming731 · 4月28日54

#BestBlogs 早报 2026-04-28 OpenAI 这一周把控制平面摆到了台面上：Symphony 让 Linear 看板直接驱动 Codex Agent，gpt-realtime-1.5 把语音指挥软件推向产品级，吴恩达顺势抛出 AI 原生工程团队的运营模型。 但同一波浪潮的另一面，Russinovich 与 Hanselman 警告初级开发者管线正在被掏空。当 harness 决定团队上限，工程师究竟该把判断力沉淀在哪里，今天的精讲值得逐字读完。

译OpenAI近期推出Symphony与gpt-realtime-1.5等工具，实现Linear看板驱动Codex Agent、语音指挥软件产品化，吴恩达随之提出AI原生工程团队运营模型。与此同时，Russinovich与Hanselman警告初级开发者职业路径正被自动化工具侵蚀。当工具框架决定团队能力上限，工程师需重新思考如何沉淀核心判断力，这一矛盾成为当前技术浪潮的关键议题。

宝玉@dotey · 4月28日69

转译原推：OpenAI 或将重新定义智能手机；联发科、高通与立讯精密，可能成为其 AI 智能体手机的关键伙伴 • 最新产业调研显示： OpenAI 正在与联发科（MediaTek）和高通（Qualcomm）合作开发智能手机处理器，立讯精密（Luxshare）则是独家系统共同设计与制造伙伴。该产品预计将在 2028 年进入量产。 • AI 智能体将重新定义智能手机： 用户真正想要的，并不是在手机里打开一堆 App。用户想要的是通过手机完成任务、满足需求。这个变化会从根本上改变人们对智能手机的理解。 我做了一版智能手机界面的概念设计，放在这篇文章最后，用 iPhone 作为例子，和今天的手机使用模式做对比。 • OpenAI 为什么要做手机？ 只有同时完全掌控操作系统和硬件，OpenAI 才能提供完整的 AI 智能体服务。 智能手机是唯一能够持续捕捉用户完整实时状态的设备，而这些实时状态，正是 AI 智能体进行实时推理时最重要的输入。 在可预见的未来，智能手机仍将是规模最大的设备品类。 • 云端 AI 与端侧 AI 将深度结合： 手机需要持续理解用户所处的上下文。因此，功耗、内存层级管理，以及基础小模型的运行能力，都会成为处理器设计时的关键考量。 更复杂、计算量更大的任务，则会交给云端 AI 来处理。 • OpenAI 的优势，在于它的消费级品牌、长期积累的用户数据，以及领先的 AI 模型。 智能手机硬件本身已经非常成熟，所以 OpenAI 可以借助供应链来开发设备。 在商业模式上，OpenAI 可能会把订阅服务和硬件绑定在一起，并与开发者共同建立一个新的 AI 智能体生态系统。 • 联发科和高通是处理器共同开发伙伴，未来可能受益于长期换机需求： 规格和供应商预计将在 2026 年底或 2027 年第一季度敲定。 以“联发科 × Google TPU Zebrafish”为例，单颗芯片带来的收入贡献，大约相当于 30–40 颗 AI 智能体手机处理器。假如初期目标锁定全球高端智能手机市场，而这个市场每年出货量约为 3 亿到 4 亿台，那么未来的换机周期可能会成为另一个重要增长引擎。 • 无论立讯精密多努力，要在苹果供应链中超越鸿海的组装地位，都会非常困难。 也正因为如此，这个项目对立讯精密尤其重要。 如果它能在早期就卡位这一供应链，就有机会成为下一代智能手机浪潮中的核心受益者。

译据报道，OpenAI正与联发科和高通合作开发智能手机处理器，立讯精密为独家设计与制造伙伴，目标2028年量产。此举旨在通过完全掌控硬件与操作系统，提供完整的AI智能体服务。智能手机被视为能持续捕捉用户实时状态的关键设备，是AI实时推理的重要输入。未来手机将深度结合云端与端侧AI，处理器设计需重点考量功耗与上下文理解。该项目对联发科和高通意味着长期增长机会，对立讯精密则是切入下一代智能手机核心供应链的关键。

宝玉@dotey · 4月28日69

转译：西方忘了怎么造东西，现在也快忘了怎么写代码 作者：Denis Stetskov 2023 年，在巴黎航展上，雷神公司的总裁站在台上，讲起他们为了重启“毒刺”导弹（Stinger）生产线，到底费了多大劲。 他们把一批 70 多岁的老工程师请了回来，让这些老人教年轻员工怎么造一枚导弹。图纸还是卡特总统时代画在纸上的老图纸。测试设备已经在仓库里躺了很多年。导弹的鼻锥还得靠手工安装，方法和 40 年前一模一样。 五角大楼已经 20 年没买过新的“毒刺”了。然后，俄罗斯入侵乌克兰，局势一下变了：所有人突然都需要这种导弹。 可生产线早就关了。电子元件已经过时。导引头组件也停产了。2022 年 5 月下的订单，要到 2026 年才能交付。 整整 4 年。 不是因为没钱，而是因为真正知道怎么造它的人，十年前就退休了，而且没人接上。 我在乌克兰带工程团队。我的团队见到的是这个问题的另一面。不是工厂车间，而是战场上接收武器的那一端。 当雷神还在努力根据 40 年前的蓝图重启生产时，美国已经在向乌克兰运送成千上万枚“毒刺”。RTX 首席执行官 Greg Hayes 说，10 个月的战争，消耗掉了相当于 13 年产量的“毒刺”。 这种模式，我太熟悉了。它现在正在我的行业里重演。 一百万发炮弹，没人造得出来 2023 年 3 月，欧盟承诺在 12 个月内向乌克兰提供 100 万发炮弹。 当时，欧洲一整年的炮弹产能只有 23 万发。而乌克兰每天就要消耗 5000 到 7000 发。 任何人拿个计算器算一下，都知道这事根本不可能。 到了最后期限，欧洲只交付了大约一半。马克龙后来称，最初那个承诺太鲁莽。由 9 个国家、11 家媒体联合发起的一项调查发现，欧洲真实的生产能力大概只有欧盟官方说法的三分之一。 那 100 万发炮弹的目标，直到 2024 年 12 月才真正完成，比原计划晚了 9 个月。 问题不是某一个环节卡住了。是每一个环节都卡住了。 法国在 2007 年就停止了国内发射药生产，整整 17 年没有继续做。欧洲唯一一家主要 TNT 生产商在波兰。德国自己的弹药储备只够用两天。丹麦一家 Nammo 工厂在 2020 年关闭，后来不得不从零开始重启。 整个欧洲国防工业，长期以来都被优化成一种模式：生产少量、昂贵、定制化的产品。没人为大规模生产做准备。也没人为危机做准备。 美国也好不到哪里去。 155 毫米炮弹壳主要靠宾夕法尼亚州斯克兰顿的一家工厂；爆炸物填装则依赖爱荷华州的一处设施；美国从 1986 年起就没有本土 TNT 生产了。 后来砸进去几十亿美元，产量依然没达到目标的一半。 要么合并，要么死 这不是偶然。 1993 年，五角大楼告诉国防企业的 CEO 们：要么合并，要么死。 于是，51 家主要国防承包商最终缩成了 5 家。战术导弹供应商从 13 家变成 3 家。造船厂从 8 家变成 2 家。国防工业劳动力从 320 万人降到 110 万人，砍掉了 65%。 弹药供应链到处都是单点故障（single point of failure，指一个环节出问题就会拖垮整个系统）。 155 毫米炮弹壳只有一家制造商，位于加州科切拉，而那里就在圣安德烈亚斯断层上。发射药装药也只有加拿大的一处设施能做。 整个系统被优化到成本最低，却几乎没有任何应急余量。 纸面上看，很高效。 现实里，只差一个坏日子，就会崩。 知识一旦死去，就很难复活 再看 Fogbank。 Fogbank 是一种用于核弹头的机密材料。它在 1975 年到 1989 年间生产，后来生产设施被关闭。 多年后，美国政府为了一个核弹头寿命延长项目，需要重新制造 Fogbank。结果他们发现，自己已经不会做了。 美国政府问责局（GAO）的一份报告指出，几乎所有掌握生产经验的人，要么退休了，要么去世了，要么离开了相关机构。留下来的记录也很少。 经历了 6900 万美元的成本超支，以及数年的失败尝试后，他们终于做出了可用的 Fogbank。 然后，又发现新批次太“纯”了。 原来的生产工艺里，曾经有一种无意中产生的杂质，而这种杂质对材料功能至关重要。可没人知道这件事。 负责复现的工程师不知道。几十年前做出原始材料的工人也不知道。 洛斯阿拉莫斯把它称为原始工艺中的“无意识依赖”（unknowing dependency）：这个环节很关键，但当年没人意识到它关键。 一个核武器项目，竟然失去了制造自己发明出来的材料的能力。 更可怕的是，知识并不只是随着人离开而流失。它从一开始就没有被任何人真正完整理解过。 (更正：原文最初版本曾写道，当年制造 Fogbank 的工人知道这种杂质的存在。事实并非如此。他们也不知道。这个依赖关系是无意形成的，这反而让“知识流失”的论点更强，而不是更弱。感谢评论区的 John F. 指出这一点。) 同一套剧本 我读到 Fogbank 的故事时，立刻认出了这个模式。 我说的不是核材料本身，而是那个熟悉的剧本： 花几十年建立起一种能力。 找到一个更便宜的替代方案。 让人才梯队慢慢萎缩。 享受节省下来的成本。 然后，当危机突然要求你拿回那种能力时，看着一切崩塌。 在国防工业里，那个替代方案叫“和平红利”（peace dividend，指冷战结束后减少军费、把资源转向民用经济的收益）。 在软件行业里，它叫 AI。 我之前写过“人才管道崩塌”的问题。招聘数据、初级工程师到资深工程师之间的断层，都已经有很多证据。还有“理解力危机”：人们会让 AI 写代码，却越来越不理解代码本身。 但我之前一直没有找到一个足够贴切的历史类比。 现在我找到了。 而这个类比告诉我们的东西，是招聘数据看不出来的：重建一种能力，到底需要多久。 重建能力永远需要很多年 国防工业里，每一次大规模恢复产能，哪怕是相对简单的系统，也要 3 到 5 年。复杂系统则要 5 到 10 年。 “毒刺”：从下单到交付，至少 30 个月。 “标枪”（Javelin）：花了 4 年半，产量还没翻倍。 155 毫米炮弹：投入 50 亿美元，4 年过去仍没达到目标。 法国直到 2024 年才重启发射药生产，而距离它关闭国内生产线，已经过去了 17 年。 钱从来不是最大的限制。 知识才是。 兰德公司（RAND）发现，潜艇设计中有 10% 的技术技能，需要 10 年在岗经验才能培养出来，有时还得建立在博士学位之后。国防工业里的技术工种，学徒期通常要 2 到 4 年；要达到能当主管的水平，则需要 5 到 8 年。 现在，把这套时间线放到软件行业里。 一个初级开发者，需要 3 到 5 年，才能成长为合格的中级工程师。 需要 5 到 8 年，才能成为资深工程师。 需要 10 年甚至更久，才能成为首席工程师或架构师。 这条时间线，不能靠砸钱压缩。 也不能靠 AI 压缩。 METR 做过一项随机对照试验（randomized controlled trial，医学和社会科学中常用的一种严谨实验方法）：经验丰富的开发者使用 AI 编程工具后，在真实开源任务上反而慢了 19%。 开始前，他们预测 AI 会让自己快 24%。结果现实和预期之间，相差了 43 个百分点。 研究人员后来想做后续实验时，相当一部分开发者拒绝参加——如果实验要求他们在没有 AI 的情况下工作，他们就不愿意。他们已经无法想象回到不用 AI 的状态。 账单总会来的 软件行业现在正进入同一种“优化”的第三年。 Salesforce 说，2025 年不会再招聘更多软件工程师。LeadDev 的一项调查发现，54% 的工程负责人认为，从长期看，AI 编程助手会减少初级工程师招聘。计算研究协会（CRA）对大学计算机院系的调查显示，62% 的院系报告今年入学人数下降。 我在代码审查里已经看到了这个问题。 现在，审查才是瓶颈。 AI 生成代码很快。 人类审查代码很慢。 于是行业的答案也很可预测：让 AI 去审查 AI 写的代码。 我不会这么做。 我改造了我们的拉取请求模板（pull request template，开发者提交代码变更时填写的说明模板）。现在，每个 PR 都必须说明：改了什么，为什么改，这属于哪类变更，以及修改前后的截图。 也就是说，我们要给审查者提供结构化上下文，不能让审查者靠猜。 我还在每个项目里安排专门的审查人员。更多双眼睛，就有更多机会发现模型漏掉的问题。 但这些仍然解决不了更深层的麻烦。 现在真正需要的能力已经变了。 光有技术能力不够。你还需要能主动负责、能清楚沟通取舍、能反驳机器给出的糟糕建议——哪怕那台机器说话听起来无比自信。 这些其实是领导力。 我们上一轮招聘就能说明这种人有多稀缺：2253 名候选人，2069 人被淘汰，最终录用 4 人。转化率只有 0.18%。 既有技术能力，又有判断力、能看出 AI 什么时候错了的人，在市场上几乎已经不存在了。 我们会记录一切。 Site Books、SDD、RVS 报告、带完整测试覆盖的样板模块……这些今天都有用，因为读这些文档的人，本身具备足够的工程能力，知道该怎么行动。 可如果以后读文档的人不具备这种能力，会怎样？ 坦白说，我不知道。 也许 5 年后的 AI 足够强，这些问题就不重要了。也许问题仍然可控。我没法预测 2031 年模型会强到什么程度。 但危机不会提前给你发日历邀请。 没人预料到 2022 年欧洲会爆发全面陆地战争。国防工业有 30 年时间做准备，但它没有。 就连 Fogbank 当年也有记录。只是记录不够。更糟的是，原来的工人甚至没有完全理解自己的工艺。 5 到 10 年后，我们会需要资深工程师。 我们会需要那种真正理解系统全貌的人；需要能在凌晨两点调试分布式故障的人；需要携带着那些代码库里根本不存在的组织知识的人。 可这些工程师现在还不存在，因为我们没有在培养他们。 本该现在学习成长的初级工程师，要么根本没有被雇用，要么正在形成一项由美国国防部资助的劳动力研究称为“AI 中介能力”（AI-mediated competence）的东西。 他们会提示 AI。 但他们说不出 AI 错在哪里。 这就是代码行业的 Fogbank。 当初级工程师跳过调试，跳过那些塑造能力的犯错过程，他们就无法建立隐性知识（tacit expertise，指难以写成文档、只能通过实践积累的经验性能力）。 等我这一代工程师退休时，这些知识不会转移给 AI。 它只会消失。 西方已经犯过一次这样的错误。账单在乌克兰到期了。 我知道这听起来像什么。我也知道，我之前已经写过人才管道的问题。 但国防工业这个例子，不是为了重复同一个论点。它是为了展示：如果行业现在对 AI 的期待落空，会发生什么。 “毒刺”、“标枪”、Fogbank、那一百万发没人造得出来的炮弹——这就是把赌注押在“优化”上，结果赌错之后要付出的代价。 而我们现在，正在软件工程上押下同样的赌注。 也许 AI 会变得足够强，这场赌局最后会赢。 也许不会。 当年的国防工业，也以为和平会永远持续下去。 来源：https://techtrenches.dev/p/the-west-forgot-how-to-make-things

译作者以国防工业为镜，揭示西方因长期“优化”导致关键能力流失的深层危机。雷神公司重启“毒刺”导弹生产线需召回70多岁老工程师，依赖卡特时代的图纸，新订单交付需4年。欧盟承诺的百万发炮弹交付严重延期，暴露出整个国防工业供应链存在大量单点故障，且缺乏大规模生产与应急能力。这种模式源于冷战后的“和平红利”政策，导致企业合并、劳动力锐减。类似地，核材料Fogbank的制造工艺也曾因人员流失而几乎失传。作者指出，软件行业正重蹈覆辙：过度依赖AI编程工具可能导致初级工程师培养断层和“理解力危机”。重建能力需要数年甚至数十年，核心限制并非资金，而是知识与经验传承的断裂。当前市场已极度缺乏兼具技术能力与独立判断力的人才。

宝玉@dotey · 4月28日67

《Cursor 3 反馈整理：用户真正想要的不仅是“更炫的 IDE”，还想它是一个可靠的 AI 开发工作台》 整理自 Eric Zakariasson 征集 Cursor 3 反馈的帖子及 431 条回复。整体看下来，最有价值的意见可以归成几类：用户喜欢 Cursor 3 的 Agent 方向，但现在最强烈的诉求是“把 Agent、IDE、Git、浏览器、终端、模型选择和团队协作变成一条稳定的工作流”，而不是在多个模式之间来回切换。 第一类，也是最核心的一类：Agent Window 很有潜力，但不能牺牲 IDE 的基本能力。 很多人不是反对新界面，而是希望新 Agent 体验里也保留完整开发者习惯：LSP、调试、任务运行、扩展、快捷键、文件搜索、代码跳转、格式化、终端命令、diff 接受/拒绝等。现在的问题是，用户一旦进入 Agent Window，就经常需要为了一个小操作切回旧 IDE。真正理想的形态，是 Agent 负责推进工作，人类随时能无缝接管、检查、微调、运行、调试。 第二类：多 Agent 和多仓库协作，是 Cursor 3 最值得押注的方向。 不少用户提到想要类似看板、任务树、节点图的 Agent 进度视图，可以看到每个 agent / subagent 在做什么、卡在哪里、是否需要人介入。还有人希望有角色化 Agent 团队：一个做规划，一个实现，一个 review，一个跑 QA。对复杂项目来说，Cursor 的机会不是“一个聊天框写代码”，而是“多个隔离 worktree 中的 Agent 并行推进任务，再由用户统一调度和验收”。 第三类：Worktree、Workspace、Branch 和 Git 工作流需要产品级打磨。 反馈里反复出现 branch 切换、创建新分支、PR 检测、commit 当前 chat 改动、选择性 staging、multi-repo git diff、submodule 支持、CI 状态、PR comment、CodeRabbit 式 review、merge 后同步 main 等需求。开发者并不想每次都让 Agent 用自然语言帮自己做 Git 操作，他们想要一个低摩擦、可控、可审计的 Git 控制台。尤其是 Agent 多任务并行后，worktree 的命名、状态、来源、diff 和 PR 关系会变得极其关键。 第四类：信息架构和导航是当前体验的高频痛点。 很多人提到找不到 chat、项目太多、sidebar 混乱、当前焦点不清楚、面板切换麻烦、chat 自动滚到底、active agent 不明显、workspace 不能直接 pin、chat 重命名太麻烦。一个很有价值的建议是“Smart Rename”：让 Cursor 根据线程内容自动给 chat 命名。还有用户希望能 pin 某条消息、从某条消息 fork session、跨项目引用旧 session、把旧 chat 拖进新 chat 当上下文。这里的本质需求是：当 Agent 工作变多，Cursor 需要从“聊天记录列表”升级成“任务记忆系统”。 第五类：键盘优先和可自定义快捷键，是重度用户的底线。 高赞反馈明确说：整个产品必须可以不用鼠标操作。用户想快速在 chat、文件、文件树、终端、浏览器、diff、agent 之间切换，也想自定义 keybindings，继承旧 Cursor / VS Code 里的肌肉记忆。现在很多阻力不是功能没有，而是到达路径太深。对开发者工具来说，快捷键不是小优化，而是生产力体验的一部分。 第六类：稳定性和性能问题正在影响信任。 不少反馈集中在启动慢、Windows/WSL/SSH 问题、内存暴涨、CPU 飙升、OOM、多个 agent 后卡死、大代码库索引拖慢、文件树空白、chat reload 后消失、markdown 内容丢失、LSP 失效、Vue/Svelte 支持问题、终端状态不同步、Cloud/Local 不一致等。这里的信号很明确：Cursor 3 的野心很大，但如果基础稳定性不够，用户会暂时退回 Codex、Claude Code、T3 Code 或旧 Cursor。 第七类：模型和成本透明度，是用户越来越敏感的地方。 大量用户要求更高额度、更便宜的 Composer、支持本地模型、BYOK、OpenRouter、Codex 订阅、第三方模型订阅，或者至少在模型选择器里直接显示价格/质量/速度指标。用户不是只想要更多模型，而是想知道“这个任务用哪个模型最划算”。一个很好的方向是：Cursor 主动建议“这个任务可以用便宜模型”“这个任务值得开强模型”“上下文快满了，建议切新 agent 或自动生成 handoff”。 第八类：扩展、MCP 和外部工具集成，是 Cursor 维持护城河的关键。 很多人希望新 Agent 界面能支持旧 IDE 的扩展，尤其是 Git、CodeRabbit、debug、任务运行、格式化、语言插件等。MCP 方面，用户想要更稳定的连接、更好的 auth/state 管理、按 chat 启用不同 MCP、发现并推荐合适 MCP。还有人提到 GitHub、Vercel、Slack、Telegram、Linear、Asana、数据库、邮箱、部署、review、自动化通知等集成。Cursor 的机会是成为“开发自动化中枢”，而不是只做 AI 编辑器。 第九类：移动端和远程控制需求非常明确。 很多人要 iOS / mobile app，不只是为了“在手机上写代码”，而是为了随时查看 Agent 进度、回复 Agent 问题、批准命令、继续对话、看 preview、远程触发任务。Agent 越 autonomous，移动端就越有价值，因为用户需要的是“远程监管一个正在工作的开发助理”。 第十类：前端和设计工作流还可以更强。 不少反馈提到浏览器 preview、terminal、files 希望能同时打开；需要移动视图、缩放、DOM 元素选择、浏览器 profile 隔离；Design Mode 里希望能直接改文案、spacing、h1、选择多个元素、在父子元素间切换。更进阶的反馈是：希望接入 Figma tokens / design system，保证 Figma → Cursor → code → Figma 的一致性，不要让设计 token 在 AI 修改中漂移。 一句话总结： Cursor 3 的用户已经不满足于“AI 帮我改代码”。他们真正想要的是一个稳定、可控、键盘友好、支持多 Agent 并行、能理解多仓库和完整工程上下文的 AI 开发操作系统。 最值得优先做的是把这四件事打磨到极致： 1. Agent 和 IDE 无缝融合； 2. Worktree / Git / PR 工作流产品化； 3. 大项目下稳定、快、不丢上下文； 4. 模型成本、能力和任务分配变得透明可控。 如果 Cursor 3 能把这些做好，它就不只是“带 AI 的编辑器”，而会变成开发者管理 AI 工程团队的主界面。

译用户对Cursor 3的反馈显示，核心诉求已超越“AI辅助编码”，转向构建一个可靠、可控的AI开发工作流。主要需求包括：Agent功能需与IDE无缝融合，保留完整的开发工具链；支持多Agent协作与可视化进度管理；深度集成并产品化Git、Worktree和PR工作流；解决信息架构与导航痛点，升级为任务记忆系统；确保键盘优先操作与高度自定义；提升基础稳定性和性能以建立信任；增加模型选择与成本透明度；加强扩展、MCP及外部工具集成，成为开发自动化中枢；提供移动端以远程监管Agent；以及强化前端与设计工作流的集成能力。用户期望Cursor 3能演变为管理AI工程团队的稳定主界面。

DogeDesigner@cb_doge · 4月28日22

I asked ChatGPT who’s more trustworthy - Sam Altman or Elon Musk… and it replied 'Elon Musk'.

译我问ChatGPT谁更值得信任——Sam Altman还是Elon Musk……它回答是“Elon Musk”。

Rohan Paul@rohanpaul_ai · 4月28日69

OpenAI is reportedly exploring a smartphone that treats AI agents as the operating model, not apps. For this, as per news, OpenAI is exploring custom mobile silicon with MediaTek, Qualcomm, and Luxshare, in a co-design and manufacturing role, because agentic computing is not just model inference, it is power efficiency, memory management, and deciding what stays on-device versus what goes to the cloud. Aiming to replace much of the app model with a system that acts across the whole device. The deeper logic is vertical integration. OpenAI has already folded Jony Ive’s io team into the company, and Chris Lehane has said its first hardware product is on track to be announced in the second half of 2026, which suggests a long game around owning more of the stack, not just shipping another companion app. The basic idea is that apps split your tasks into separate boxes, while an agent-first phone would watch context across messages, location, voice, calendar, and settings, then complete actions directly instead of handing you 10 separate screens. That matters for capability because Apple and Google decide what normal apps can access, so a full hardware and software stack could let OpenAI connect models more deeply to calling, writing, booking, search, reminders, and device controls. The likely technical setup is a split between small on-device models for fast, private, low-latency work and cloud models for heavier reasoning, which is the practical way to make an always-available assistant feel responsive without draining the phone. A phone is the densest stream of personal context most consumers generate, so a true AI agent phone would not merely answer questions better, it would see more, remember more, and infer more than an app sitting inside Apple’s or Google’s rules can. --- techcrunch .com/2026/04/27/openai-could-be-making-a-phone-with-ai-agents-replacing-apps/

译OpenAI据传正探索开发一款以AI代理为核心操作模式的智能手机，旨在取代传统应用模型。公司计划与联发科、高通及立讯精密合作设计定制移动芯片，以优化能效与云端协同，并已吸纳Jony Ive的设计团队。该设备计划于2026年下半年发布，其核心逻辑是通过软硬件垂直整合，让AI代理跨消息、位置、日历等多维度上下文直接执行任务，突破苹果与谷歌对应用权限的限制。技术架构预计采用本地轻量模型实现低延迟响应，结合云端模型处理复杂推理，以打造能深度感知与推断的个人智能助手。

Epoch AI@EpochAIResearch · 4月28日48

How fast could production of humanoids, quadrupeds, drones, and other robots scale up, in the event of a large demand shock?

译如果遭遇大规模需求冲击，人形机器人、四足机器人、无人机和其他机器人的生产速度能多快提升？

Ethan Mollick@emollick · 4月28日60

Very cool analysis of the submissions to a major management journal that shows how much the system of science, built for humans, is under strain as a result of AI. AI can be used to do better science or it can be used to just do more stuff. The danger is that "more" is winning

译对一本主流管理期刊投稿的非常酷的分析显示，为人类构建的科学体系因AI而承受着多大的压力。 AI可以用来做更好的科学研究，也可以用来仅仅做更多的事情。危险在于“更多”正在胜出。

阿绎 AYi@AYi_AInotes · 4月28日56

看到这个AI删库事故， 心情很复杂😔🤯😢 一个房屋租赁初创团队， 把生产数据库的完整权限交给了Cursor+Claude的Agent， 结果AI在执行清理任务的时候， 直接删掉了整个生产库。 更绝的是，Railway的备份快照和数据存在同一个存储上， 删库之后什么都没剩下， 整个业务直接停摆。 所有人都在骂AI不靠谱， 骂Cursor垃圾，骂Railway设计缺陷。 只有Gergely说的最一针见血， 他说别甩锅给任何人， 真正该背锅的， 是把最终决策权完全下放给AI， 还不做任何护栏就YOLO上线的开发者。 现在整个行业都在吹AI有多快， 能帮你省多少时间， 但没人告诉你， AI也是一个放大器， 它能把你的开发速度放大十倍， 也能把你的失误放大一万倍。 以前你手动删库， 至少还有个确认框， 还有反应时间， 现在AI能在三秒钟之内， 把你整个公司的数据删得一干二净🤯😱 所以别信什么Plan Mode， 也别信什么逐行代码审查， AI的创造性永远会超出你的想象， 它总能找到你所有安全措施里的那个漏洞， 用你做梦都想不到的方式搞破坏。 总结下来，真正的教训只有三条： 第一，永远不要给Agent生产环境的admin权限，它的权限必须比任何人类员工都要严。 第二，所有破坏性操作，必须有独立的人工审批流和冷却期，没有例外。 第三，快照不是备份，真正的备份必须是异地，离线，不可变的，而且要定期测试恢复。 最后想说，AI时代最反直觉的真理是，慢才是真的快。 你看似省下来的那几个小时的审查时间，最后可能要用几个月甚至几年的时间来还债。 兄弟们记住，AI可以帮你踩油门， 但方向盘和刹车，必须永远握在人类手里。

译一家房屋租赁初创团队将生产数据库完整权限交给AI代理执行清理任务，导致整个生产库被删除。由于备份快照与数据存储在同一位置，业务完全停摆。Gergely指出根本责任在于开发者将最终决策权完全下放给AI且未设安全护栏。AI作为效率放大器，也能将失误急剧放大。核心教训包括：严禁赋予代理生产环境管理员权限；破坏性操作需独立人工审批与冷却期；备份必须是异地、离线、不可变且定期可恢复的。人类必须始终掌握最终控制权。

AI Notkilleveryoneism Memes ⏸️@AISafetyMemes · 4月27日36

I'm old enough to remember when everyone thought AI solving an novel math problem would be a front page story around the world Now it happens so often it's barely even worth tweeting about We're the boiling frogs

译我还记得那个年代，那时所有人都觉得AI解决一道新颖数学题会成为全球头条新闻 如今这种事发生得如此频繁，甚至都不值得发推一提 我们就是温水里的青蛙

Chubby♨️@kimmonismus · 4月27日56

OpenAI is working on a phone. They are expected to compete with apples iPhone. First product however is expected to be a HomePod style device co-worked with ex apple legend Jony Ive

译OpenAI 正在研发一款手机。 预计他们将与苹果的 iPhone 展开竞争。 不过首款产品预计将是与苹果前传奇设计师 Jony Ive 合作开发的 HomePod 风格设备。

Emad@EMostaque · 4月27日65

Looking forward to the work coming out of @IneffableLabs 🇬🇧 Largest EU/UK raise ever 😮 Beat the previous UK largest seed raise ($101m Stability AI!) by $999m 🚀 We have seen amazing things on our self-learning models so bullish on this approach 🤓

译Ineffable Labs完成了英国及欧盟有史以来规模最大的融资，其种子轮融资额远超此前由Stability AI保持的1.01亿美元英国纪录。该公司由David Silver领导，致力于汇聚全球顶尖工程师与研究人员，以开发自学习模型，目标是实现与超级智能的“首次接触”，并在此过程中攻克AI领域最艰巨的难题。

elvis@omarsar0 · 4月27日63

// Agentic World Modeling // Massive 40-author survey just dropped. Cleanest taxonomy of world models in agent research I've seen. (bookmark it) The paper proposes a "levels × laws" framework. Three capability levels: > L1 Predictors do one-step transitions > L2 Simulators do multi-step action-conditioned rollouts > L3 Evolvers self-revise as the world changes It discusses four law regimes, including physical, digital, social, scientific. They synthesize 400+ works and 100+ representative systems spanning model-based RL, video generation, web/GUI agents, multi-agent simulation, and scientific discovery. The framework also identifies failure modes and proposes evaluation principles for each level. Why it matters: as agents shift from chatbots to goal-accomplishers, the bottleneck moves from language to environment. This is the first paper that gives builders a shared vocabulary for designing and evaluating world models across communities that have been working in isolation. Paper: https://arxiv.org/abs/2604.22748 Learn to build effective AI agents in our academy: https://academy.dair.ai/

译一篇由40位作者完成的综述论文提出了一个用于智能体研究的“能力层级×法则体系”世界模型分类框架。三个能力层级包括：进行单步预测的L1预测器、执行多步行动条件推演的L2模拟器，以及能随世界变化自我修订的L3演化器。法则体系涵盖物理、数字、社会与科学四大领域。该框架综合了400多篇文献和100多个代表性系统，覆盖基于模型的强化学习、视频生成、网页/GUI智能体、多智能体模拟和科学发现等领域，并识别了各层级的失败模式与评估原则。其核心价值在于，当智能体从聊天机器人转向目标达成者时，瓶颈从语言转向环境，此框架为不同领域的研究者提供了设计和评估世界模型的共同语言。

向阳乔木@vista8 · 4月27日38

PPT原来这么重要，怪不得有了AI后，一堆人卷PPT。 低估这个面子工程。 凡事都两面，为了效率，字节内部是不允许PPT的（学自亚马逊），防止把时间浪费在排版，几个列点靠口才一带而过。 不过依然避免不了卷飞书排版，但比百度好多了。 听过好几个百度内部卷PPT的故事，听得我惊了，比如有的卷古诗词（据说老板好这个），夸张到极致的动效配合讲一个宏大叙事。

译尽管AI工具普及，PPT在商业场景中仍被视为重要的“面子工程”，其制作甚至成为获取大额合作的关键策略。有公司通过制作超过150页的详尽PPT来穷尽叙事、抬高合作金额，尽管实际执行可能仅为基础操作。不同公司对PPT的态度差异显著：字节跳动效仿亚马逊，内部禁止使用PPT以提升效率；百度内部则存在围绕古诗词、复杂动效的激烈内卷。这反映了PPT作为沟通与包装工具，在效率追求与形式主义之间的持续张力。

Orange AI@oran_ge · 4月27日49

AI创业的唯一出路：自己赚钱养活自己 （上市了更要想办法养活自己

TestingCatalog News 🗞@testingcatalog · 4月27日60

Meta 🚫 Manus AI China has blocked Meta’s $2.000.000.000 acquisition of Manus AI platform. The time for a new update 👀 > Manus > from China Yet, it is quite disappointing to observe. I think for Meta it will be much harder to catch up without them. Whom are they gonna buy next?

译Meta 🚫 Manus AI 中国已阻止Meta以20亿美元收购Manus AI平台。 新更新的时机来了👀 > Manus > 来自中国 然而，这观察结果相当令人失望。我认为对Meta来说，没有它们将更难追赶。 他们接下来会收购谁？

Orange AI@oran_ge · 4月27日50

ColaOS 内测 26 天后，Mac 版本终于趋于稳定 我们已经为所有的 waitlist 里的 Mac 用户发放了邀请 如果还没有收到可以检查下垃圾箱 Windows 兼容比预期的要复杂一些，预计在 5 月下旬开放内测 这两天和新榜的朋友深入地聊了这 26 天的故事和思考 这是一些笔记分享给大家 https://mp.weixin.qq.com/s/NvgNv5FOJkyYovFq-g5KFA

译ColaOS内测26天后，Mac版本趋于稳定，已向所有waitlist中的Mac用户发放邀请。Windows版本因兼容性问题比预期复杂，内测预计推迟至5月下旬。作者与新榜深入交流了内测期间的故事和思考，并分享了相关笔记。

Chubby♨️@kimmonismus · 4月27日63

Google's TPU v8 and Huawei's Ascend NPU platform: the global Chipwar just began At Cloud Next 2026, Google unveiled its eighth-generation TPU as two separate chips for the first time: the TPU 8t for training and the TPU 8i for inference, claiming up to 2.8x faster training and 80% higher performance per dollar for inference compared to last year's Ironwood. The 8t was designed by Broadcom, the 8i by MediaTek, applying mobile-edge efficiency logic to inference while maximizing raw throughput on training. The 8t connects up to 9,600 accelerators via optical-circuit switches, dwarfing NVIDIA's 576-GPU NVLink domain, and a new Virgo network fabric scales beyond one million chips for a single training job. Google is also replacing x86 hosts with its own Arm-based Axion CPUs, completing full vertical control from host to accelerator to network. The message is clear: the general-purpose AI accelerator is a fading category. DeepSeek V4 on Huawei Ascend: China's parallel infrastructure takes shape DeepSeek's V4 release is the more geopolitically consequential event. The 1.6 trillion-parameter V4-Pro is the first major frontier model to validate both training and inference on Huawei's Ascend NPU platform alongside NVIDIA GPUs. The nuance: DeepSeek adapted only part of V4's training for Chinese chips and confirmed Ascend for inference, while pre-training of V4-Pro likely still relied on NVIDIA silicon. Is this a novum? Yes. No frontier-class model has ever publicly validated on non-NVIDIA hardware at this scale. More importantly, DeepSeek is tying future pricing to Huawei's Ascend 950 production ramp in H2 2026, making this an economic bet, not a symbolic gesture. V4-Pro costs $3.48 per million output tokens versus $30 for GPT-5.4 and $25 for Claude Opus 4.6. The real story isn't whether V4 beats Western models on benchmarks (it doesn't quite), but whether the hardware decoupling U.S. sanctions were designed to prevent is now irreversibly underway.

译谷歌在Cloud Next 2026上首次将TPU v8拆分为训练芯片TPU 8t和推理芯片TPU 8i，宣称训练速度提升2.8倍，推理性价比提高80%，并通过自研Arm架构Axion CPU实现全栈垂直控制。同时，DeepSeek V4-Pro成为首个在华为昇腾NPU平台上完成训练与推理验证的前沿大模型，其定价与昇腾950芯片量产计划挂钩，输出成本远低于主流西方模型。这标志着美国制裁试图阻止的硬件脱钩可能已不可逆转，全球AI芯片竞争进入新阶段。

Chubby♨️@kimmonismus · 4月27日45

A 23-year-old has cracked one of the Erdős problems that remained unsolved for over 60 years, using ChatGPT 5.4 Pro. Now image what ChatGPT 5.5 Pro will be capable of. And remarkably, it was done in a single pass. Total solve time: just 1 hour and 20 minutes.

译一名23岁的青年利用ChatGPT 5.4 Pro，成功解决了一个悬置超过60年的Erdős问题。整个过程一气呵成，AI仅用1小时20分钟便完成求解。值得注意的是，AI运用了一个众所周知的公式，但此前无人将其应用于此特定问题。这一突破展示了先进AI在解决复杂数学问题上的潜力，并引发对其未来版本（如ChatGPT 5.5 Pro）能力的想象。

Rohan Paul@rohanpaul_ai · 4月27日34

Balancing and athletic maneuvering in robots have advanced quickly. In this OmniXtreme demo, a Unitree G1 runs at speed, drops into alternating pistol squats, then recovers with controlled acrobatic rolls.

译机器人的平衡与运动操控技术进展迅速。 在这段OmniXtreme演示中，Unitree G1快速奔跑、交替完成手枪式深蹲，随后通过受控的体操翻滚恢复姿态。

-Zho-@ZHO_ZHO_ZHO · 4月27日32

AI 让人看的更多了，见的更少了 20260427

译AI 让人看的更多了，见的更少了 2026年4月27日

Ethan Mollick@emollick · 4月27日35

Every AI discussion ultimately rests on two questions: how good can AI get? And how fast? They are predictions about the s-curve shape. Everything else (job impact, potential risks, etc.) is downstream of those questions. I think it would be useful to focus on them more often.

译所有关于AI的讨论最终都归结为两个问题：AI能变得多强大？以及发展速度有多快？这些其实是对S型曲线形态的预测。 其他所有议题（就业影响、潜在风险等）都衍生自这两个问题。我认为更频繁地聚焦于此会很有帮助。

Ethan Mollick@emollick · 4月27日63

The only way to fully appreciate the jaggedness of the AI frontier is up close. When you use it for a task you know well you find tons of tiny points where AI requires human help. Some are tedious (move a thing) & some profound (is this idea good)? But there are many, for now.

译只有深入使用AI处理熟悉任务时，才能真切体会到技术前沿的“锯齿状”特点：存在大量需要人工介入的节点，既有琐碎操作也有深度判断。人们常陷入一种“盖尔曼健忘症”变体——对自己工作中AI所需的上下文理解、数据接入、结果复核及流程整合等复杂“最后一英里”步骤有深刻认知，却轻易认为AI能自动化他人的全部职能。这种对跨领域工作复杂性的低估，导致许多关于AI导致失业的预测过于简单，它们只看到AI自动化单项任务的能力，忽视了完整执行一个职位所需的全部支撑工作。因此，对AI取代人类工作的许多预测应持审慎态度。