今日阅读

Anthropic 工程经理 Felix Rieseberg 结合自己参与 Claude.ai、Cowork 和 Claude Code Desktop 的经验，讨论 AI 时代如何重新校准人的野心。模型能力并非均匀提升：有些能力已经足以让使用者完成过去难以想象的事情，另一些方面仍有明显短板。关键差异不只是“谁更会用工具”，还在于谁更早意识到自己可以追求更大的目标。

作者把使用 AI 的野心分成四个维度：速度、高度、深度和广度。速度是更快完成同一任务，已经是常见用法；其余三种则要求改变目标、方法和视角，而不只是让模型更快地产出内容。

高度：从完成眼前任务转向实现真正结果

提高高度，意味着不只让模型完成指定步骤，而是把注意力放到任务背后的目标：目标是什么、为什么重要、接下来希望发生什么。作者曾从让 Claude 修复一个个崩溃问题，转向让它确保应用整体不再崩溃。后者要求的不只是写补丁，还要让模型能够获取崩溃报告、关联版本与 Git 提交，并操作 Windows、macOS 和 Linux 环境，独立复现问题、验证修复结果。

文章以季度业务复盘为例，展示如何逐步提高任务目标：先不要只更新幻灯片中的数字，而是让模型分析本季度业务发生了什么变化、原因是什么、应该如何应对；再让它找出最迫切的三个管理决策，研究可选方向及其利弊；进一步，则让模型设计一种可能优于季度演示文稿的复盘机制，并与原流程并行运行一个季度，检验它能否更早发现问题、帮助调整资金和人员配置。

这种方式特别适用于最终需要决策、而非只需提交一份文档的工作。它也可能推动流程重构，让模型围绕结果持续运行，而不必由人逐项拆解并派发任务。不过，高层级目标只有配套数据、工具、权限和验证机制才可执行；一句“去赚钱”目前还不能替代这些基础条件。

深度：进入专业方法和原始证据，而非停留在表面答案

在深度上更有野心，是要求模型采用该领域顶尖从业者真正使用的工具、方法和材料，并持续追问，直到产出不只是专业措辞，而是能带来新认识的工作。

继续以客户流失为例，作者建议不要满足于模型生成一张 Markdown 表格或复述“用户流失来自新手引导”之类的常见判断，而要推动它使用数据库和统计模型，读取原始日志、原始业务数据，并尝试反驳现有假设。之后还可以让它建立客户仿真模型，重现过去一年的情况，寻找尚未发现的早期流失信号，并在未见数据上验证预测能力。

具体做法包括：坚持使用专家级工具；设定看似不合理但可检验的高目标；要求模型从原始资料出发质疑既有结论；尝试产出新的、可验证的知识；引入模型之外的评价机制。作者特别强调，不应让模型单独评判自己的结果，最好建立一个能自动运行并快速反馈的外部验证工具。

文章给出一段可复用的提示思路：要求模型先指出顶尖专家会做而用户尚未提出的事情、他们会查看哪些原始材料、会用哪些具体方法和工具，以及由什么独立机制判断结果正确；然后再据此改写任务要求。重点是“做得更深入”，而不是无止境扩大工作规模。

广度：借用其他领域的知识与团队结构

在广度上更有野心，是把任务带到表面所属领域之外，调用过去因成本太高而不会使用的知识、工具和方法。多线程、多 Agent 和调度系统降低了组织这类跨领域协作的成本，但前提是引入真正相关的方法，而不是只给模型安排一组角色名称。

作者建议先把任务中的名词改写成动词，描述它实际要产生的效果。例如，季度复盘不只是“一份演示文稿”，而是“在 30 分钟内让忙碌的人相信一套因果解释，并在不确定情况下作出决策”。这样更容易发现任务可能需要分析师、记者、编辑、动效设计师，甚至专门寻找漏洞的红队、做空者或法务会计师。

但跨领域协作不能沦为角色扮演：模型模仿某类专家的语气，并不等于采用了他们的研究方法。更好的要求是让模型像做空者研究自己的持仓那样开展调查，而不是只写出做空者风格的评论。作者也提到，自己曾经没想到可以让 Claude 用 Blender 制作个人主页的 3D 场景，直到看到同事的作品才意识到这种可能；许多令人惊喜的成果，正来自跳出原有专业边界。

上述方法通常要求模型能操作电脑、安装软件并访问相关数据，连接方式可以是 MCP，也可以是其他工具。工具能力是把宏大目标变成可执行工作的条件之一。

野心、自我效能感与“可能性边界”

作者认为，人容易受自己对“什么可能”的判断限制，也往往只在熟悉的专业领域内相信自己的能力。心理学中的“自我效能感”描述了一个人对自身完成任务能力的信念；相关研究显示，具体而有难度的目标，往往比“尽力而为”的模糊要求带来更好的表现。

文章列举了几种扩展可能性边界的路径：相信困难目标可以完成并实际去尝试；看到他人成功后，意识到自己也可能做到；允许试错，不因担心失败而束缚行动。George Dantzig 曾把课堂上的两道未解难题误当作作业并成功求解；Roger Bannister 打破英里跑四分钟纪录后，其他跑者很快也相继做到；作者还借网球训练和 Linux 早期发展说明，过度紧张地追求完美，有时反而妨碍实际表现。

AI 能力每隔几周就可能跃升，因此个人和组织都需要不断重新评估自己的能力边界。作者的结论不是盲目把所有工作交给模型，而是：把目标设得更高，要求模型深入证据、调用跨领域方法，同时建立外部验证和必要的工作流程，让技术能力真正转化为更有价值的结果。

文章整理了英伟达 CEO 黄仁勋在 Bg2 Pod 访谈中对“AI 泡沫”、算力需求、基础设施投资和安全问题的判断。核心观点是：不要把数万亿美元 AI 基础设施投资的回报，简单地压在 OpenAI 和 Anthropic 两三家前沿实验室身上。英伟达看到的需求来源远不止这些公司，还包括传统计算、推荐系统、科学模拟、金融风控、机器人、生物医药、材料科学，以及成千上万家正在形成的新 AI 企业。

推理时代让算力需求非线性增长

黄仁勋认为，早期 ChatGPT 更像是在模型中检索和复述已经编码的知识；下一阶段的 AI 则会先搜索可验证的事实，再进行多步规划、方案探索、结果比较和反思。一个 Agent 完成一项工作，可能需要成百上千次内部推演，而不是一次简单问答。

算力需求因此受到两层叠加：每个任务需要更多推理算力，同时模型能力越强，人们越愿意把更多工作交给它。需求不再只是“用户多问几个问题”，而是从单次问答扩展到让 Agent 持续完成一整份工作。文章将这种变化概括为计价单位的改变：AI 成本正在从“一次问答”转向“一项工作”。

真正的解锁来自模型外部的 Harness

黄仁勋认为，过去一年最大的变化不只是模型参数变大，而是模型外面的 Harness，也就是负责记忆、编排和工具调用的“外骨骼”。它能够管理工作记忆，把短期信息压缩整理为长期知识或知识图谱，并让 Agent 使用现实世界已经存在的工具。

在他看来，Coding 是 Agent 最容易切入的场景，一方面代码有较清晰的验证标准，另一方面工程师用户本身就是同行，能够容忍早期产品“有用但不够好用”，并主动把工具磨顺。下一步会扩展到设计、创意和其他专业工作，例如把图像重建为 CAD 文件。真正困难的是如何把 Agent 安全地部署到全球企业，而不只是让它在开发者环境中运行。

智能成本可能快速下降，但总需求未必下降

黄仁勋预计，随着算力增加、模型效率提升，智能的单位成本会像计算成本一样快速下降，甚至可能每年下降数倍到数十倍。文章以 GPT-1 的训练成本变化为例，说明单位智能成本的下降速度可能非常惊人；但与此同时，模型规模、使用量和应用范围也在同步扩张。

他不同意“AI 会让人类拥有更多闲暇”的简单推论。历史上，技术让某种能力变便宜后，人们往往不是停止使用，而是提出更多目标、创造更多需求。计算成本下降并不意味着 AI 总支出下降，反而可能因为使用量增长而带来更大的整体市场。最终关键仍是：这些新增算力是否真的被用于有价值的工作，并产生足够收入。

安全策略：零信任、逐步授权和外部监控

黄仁勋认为，对齐不是一个可以一次性解决的问题。不同文化、背景和价值观对“成功”“有益”或“正确行为”的理解并不相同，因此不能等到实现完美对齐后再部署 AI。

他的工程化方案是从 containment（隔离控制）开始：像对待新员工或小孩一样，从最小权限和零信任起步，随着测试结果和使用信心积累，再逐步扩大 Agent 的权限。同时必须有 out-of-band monitoring，即独立于被监控系统之外的监控机制，不能只依赖 Agent 自己写日志或汇报状态；一旦发现违反策略，外部监控系统应能升级处理或直接关闭它。

文章认为，这一思路对 Agent 产品有直接启发：权限应该按照岗位和任务授予，而不是按照模型理论上能够完成的所有事情授予。安全机制也不是附加功能，而是决定 AI 功能能否真正进入生产环境的前提。

明年的瓶颈可能是土地、电力和厂房

访谈中提到，明年全球新增 AI 算力可能达到约 43GW，接近甚至超过当前全球存量。黄仁勋认为，真正的瓶颈将从芯片制造转向物理基础设施，包括土地审批、电力供应、数据中心建设、厂房主体、施工队伍、水管工和安装人员等。

供应链同样存在约束：更大的基板会带来封装翘曲和缺陷控制问题，硅光产能也有限。电力越紧张，企业越会关注每瓦电能能够产生多少 Token，算力架构的评价标准也会从“每美元买多少芯片”转向“每瓦产出多少有效推理”。黄仁勋据此判断，英伟达的市场份额仍有上升空间，因为客户会更看重单位能源的产出效率。

AI 基础设施收入来自三大来源

针对“AI 收入能否支撑资本开支”的问题，黄仁勋把英伟达的算力需求拆成三部分：

1. 基础计算：包括数据处理、分子动力学、物理和量子化学模拟、计算机图形、金融反欺诈和推荐系统等，不完全依赖深度学习或 Agent，约占英伟达业务的三分之一，并以每年 30% 至 40% 的速度增长。
2. AI 前沿实验室：不只是 OpenAI 和 Anthropic，还包括 Meta、Gemini 等多家大型模型公司，合计约占四分之一至三成。
3. 大量新创公司：覆盖消费级 AI、物理 AI、生物 AI 和材料科学 AI 等领域，数量达到数千家，它们通过租用云端算力开展业务，被黄仁勋称为“下一代 AWS”。

因此，他认为不需要把 OpenAI 或 Anthropic 的收入外推到万亿美元，才能证明基础设施投资合理。到本世纪末，全球 AI 基础设施年投入可能达到 3 万亿至 4 万亿美元，其中算力约占 1.5 万亿美元；这笔钱将由传统计算增长、前沿实验室和大量垂直 AI 企业共同支撑。

文章同时指出，这个判断最难验证的部分正是第三类需求：大量创业公司能否最终把算力转化为可持续收入。如果它们只是消耗资本而没有形成真实商业价值，AI 基础设施账本仍会面临压力。

通用算力的价值在于可替换和可出租

黄仁勋为英伟达基础设施提出了三个关键词：fungible、durable、rentable，即可通用、耐用、可出租。大型数据中心的算力可以在不同客户、模型、地区和工作负载之间切换，即使某个客户减少需求，也可以把容量转租给其他客户。

他认为，专用化是通用性的敌人。当企业投入数百亿美元建设基础设施时，最重要的是确保这些设施多年后仍然能够运行不同类型的模型和任务。CUDA 生态的长期软件更新，也让多年前购买的硬件仍然具备使用价值，这降低了租赁和融资风险。

在开放模型问题上，他认为约 80% 的创业公司使用开放模型。这些公司未必是在与前沿实验室竞争，而是在利用开放模型和自身专有数据，开发物理 AI、制造、医疗等垂直领域的产品。前沿实验室负责通用能力，垂直公司则把能力转化为具体行业的“超级智能”。

结论：供给已经冲刺，需求还要交作业

文章对黄仁勋观点的总结是：他没有只用前沿实验室收入对比资本开支，而是把账本扩大到传统计算、全球算力需求、摩尔定律放缓和成千上万家创业公司。这种拆法在逻辑上成立，也确实解释了为什么 AI 基础设施不必依靠两三家公司单独承担回报压力。

但作者提醒，黄仁勋毕竟是算力供应商，他看到的是订单、GPU 出货和数据中心建设，天然更倾向于从供给和基础设施角度解释 AI 的繁荣。真正需要持续验证的是需求端：未来一年有多少公司能因为使用这些算力而获得真实收入，有多少 AI 应用能够从资本投入转化为可持续商业模式。

因此，AI 泡沫问题不能只看芯片订单是否增长，也不能只看 OpenAI 和 Anthropic 的收入，而要观察三本账：算力供给是否能落地、基础设施是否能被充分利用，以及最终用户和企业是否愿意为 AI 创造的价值持续付费。

InfoQ 编译整理了一场围绕 Pi、Agent Harness 和 AI 编程的访谈。文章介绍了 Pi 1.0 的几项重要变化：Code Mode 与原生 MCP 进入稳定版，同时推出面向长时间运行 Agent 的 Pi Durable。Pi 团队此前曾公开批评 MCP，如今却在协议和生态成熟、模型训练更充分之后把它纳入核心能力，这反映出团队对 Agent 工具链的判断发生了变化。

文章的主线不是“再做一个 Coding Agent”，而是讨论如何把 Agent 从一次性、容易崩溃的程序，变成可以长期运行、跨设备恢复、被其他开发者复用的基础设施。Pi 团队认为，模型本身已经足够强大，但如果外层 Harness 不可靠，Agent 仍然无法真正承担长时间任务；与此同时，Agent 在架构设计、代码库治理和安全边界上仍然需要人类介入。

Pi Durable：让 Agent 崩溃后从断点继续

Pi Durable 解决的是长时间运行 Agent 的持久执行问题。典型场景是：Agent 启动后调用工具，进程在调用前、调用中或调用后突然崩溃；进程重新启动时，系统应该能够判断任务执行到了哪一步，并从正确的位置继续，而不是让用户再次输入“继续”。工具结果、流式输出、用户消息和应用状态也不能因为进程退出而丢失。

Mario Zechner 用一个简单流程概括 Pi Durable：Agent 启动，调用工具，进程挂掉，重新启动，然后从中断位置精确恢复。它不只保存对话文本，还保存模型回复、工具执行结果、任务状态和应用数据，因此可以支持 Slack Bot、个人助理以及其他运行数小时、数天甚至更久的 Agent。

Pi Durable 没有采用传统的事件溯源方案，而是使用“意图—执行效果—存储结果”的持久化结构：

1. 意图：执行一个操作前，先把参数、输入和待执行状态写入存储。
2. 执行效果：真正调用模型、工具或外部服务。
3. 存储结果：操作完成后保存结果，使系统能够判断任务是否已经完成。

这种设计需要结合幂等性处理崩溃。比如调用 GitHub Actions 时，系统应先获得并保存一次运行的 ID；即使进程在调用过程中退出，重启后也能通过这个 ID 查询原任务是已经运行、正在运行还是尚未启动，从而避免重复执行。对于删除文件、发送消息、刷信用卡等可能产生不可逆副作用的操作，则必须额外设计恢复和去重机制。

Pi Durable 还包含版本化文档存储，用 JSON 对象保存待办清单、画布、协作状态等应用数据。文档会随着对话和工具操作不断生成新版本，并可与转录记录中的任意位置关联。用户回到过去的对话节点时，可以选择读取当时的旧状态，也可以继续使用最新状态。Pi 团队为此设计了面向 Agent 场景的结构化更新机制，底层思路类似 JSON Patch，但更适合记录和重放 Agent 对应用状态的修改。

Code Mode：把工具调用变成可编排程序

与 MCP 一起进入稳定版的 Code Mode，允许 Agent 在 QuickJS 沙箱中编写并运行 JavaScript。它的作用不是简单替代 Bash，而是让模型能够在 Harness 内部对工具进行搜索、组合、并行调用、过滤、去重和计算，最后只把整理后的结果交给主模型。

例如，Pi 通过 MCP 获取 200 条 GitHub 评论后，Code Mode 可以先在沙箱中逐条处理这些评论，判断情绪、紧急程度和问题类别，再把汇总结果发送给 GPT 或 Claude。这样，大量中间数据不会挤占主模型上下文，也能降低 Token 消耗和运行成本。

Code Mode 还可以在 JavaScript 循环内部调用更快的 System 1 模型，例如 Jev。此时 MCP 负责获取数据，Code Mode 负责编排和处理，Jev 承担大量简单分类任务，前沿模型则集中进行高层推理。文章认为，这种“不同模型分层协作”的方式，可能比让一个大模型包办所有步骤更高效。

Pi 为什么改变对 MCP 的态度

Pi 创始人 Mario Zechner 和 Flask 创始人 Armin Ronacher 曾长期公开批评 MCP，认为它臃肿、浪费上下文，并主张 Agent 更多使用 Bash、CLI 和代码。Pi 官网甚至一度以“不支持 MCP”为特点。

这次变化并不是因为团队想追逐行业热点，而是因为几个条件发生了改变：模型已经接受了更多 MCP 相关训练，协议和 MCP Server 的质量有所提升，工具搜索与渐进式披露也缓解了工具定义占满上下文的问题。Pi 不会把所有 MCP 工具名称、参数和描述一次性放入上下文，而是根据任务需要动态加载。

Armin 表示，MCP 最终进入 Pi，最初其实是因为他需要一种方式为 Jev 编写代码模式。从 Jev 的分类需求出发，再把工具调用接入 MCP，只用了很短时间。但团队在正式支持 MCP 前进行了长时间权衡，直到它足够成熟、足够有用，才愿意把它作为内置功能发布。

这也引发了 Pi 用户的不满。一些用户认为，Pi 正在逐渐堆积自己过去反对的功能，可能从极简 Harness 变成臃肿系统。Pi 团队的回应是：默认上下文并没有显著增加，Code Mode 不是绕一圈调用 Bash，而是让 Agent 能在 Harness 内部对工具进行程序化编排；接入 MCP 的同时，Pi 仍在控制工具信息对上下文的占用。

Agent 擅长局部修复，却不擅长架构设计

访谈中最反复出现的判断是：Agent 可以非常高效地完成有明确验证标准的任务，但不擅长理解和维护大型代码库的整体架构。

Mario 认为，Pi 中有大量代码是“只要测试通过、渲染正确，就不必人工阅读”的产物。比如 TUI 库中的 Markdown、文本和编辑器组件，Agent 可以根据既定 API 直接生成，开发者只需要关心接口和行为是否正确。但当性能出现问题时，Agent 往往只会针对某个边缘场景做局部修补，很难发现真正造成性能下降的整体设计问题。

Armin 也指出，Agent 几乎总会通过增加代码来解决眼前问题，而一个成熟的软件修复缺陷后，代码量有时应该减少而不是持续膨胀。如果完全自动化地让 Agent 维护代码库，系统很可能在每次修 Bug 后都增加新的补丁、抽象和分支，最终形成难以理解的代码堆积。

他们把适合 Agent 的任务概括为具有清晰 Oracle 的任务：系统能明确告诉模型结果对不对。例如测试套件、模糊测试、格式解析、模拟器和部分安全任务，都有较强的自动验证信号。Bun 的 Rust 重写、序列化库实现和大量 fuzz 测试之所以适合交给 Agent，正是因为可以让测试不断给出明确反馈。

相反，“构建一个全新的系统”本身缺乏可直接学习的标准答案。Mario 认为，架构和设计过程通常没有被编码成完整文本训练数据，模型可以讨论某个架构方案，却不一定能在实际开发轨迹中持续坚持正确的整体方向。模型往往知道“什么架构听起来合理”，但在具体执行时又沿着局部、最可能的路径不断堆叠代码。

因此，文章并不是简单断言 Agent 不会架构，而是强调任务类型和验证信号的重要性：有明确反馈、可自动判断对错的任务，Agent 的效果会非常强；缺少反馈、需要长期保持整体判断的任务，仍然需要人类设计和监督。

什么时候可以接受 AI 垃圾代码

访谈嘉宾区分了不同层级的软件。对于只服务特定硬件组合、一次性完成明确目标的脚本，代码是否优雅并不一定重要，只要它能运行、能测试、能完成任务即可。这样的项目可以容忍一定程度的“AI 糊代码”。

但 Pi、Bun 或其他被大量用户长期使用的基础软件不同。它们需要稳定的接口、可维护的架构和持续演进能力，不能只看单个任务是否完成。Mario 的做法是先由人建立稳健、极简的 API 和整体设计，再让 Agent 批量实现具体组件；人类把精力放在边界和架构上，Agent 负责大量可验证的局部实现。

这实际上是一种“人决定在哪一层介入”的方法：并不是完全拒绝 AI 生成代码，也不是把所有设计都交给模型，而是把不可验证、影响全局的决策留给人，把可测试、可重复的实现工作交给 Agent。

Pi Durable 的基础设施定位

Pi 团队认为，现有许多 Agent Harness 都能让 Agent 工作，但很难直接拿来构建新的产品。不同项目往往要重复实现对话记录、上下文压缩、任务调度、进程恢复、跨设备迁移和应用状态保存。

Pi Durable 的目标是提供一组足够小、足够通用的基础原语。它大约有 1.2 万行代码，重点不是覆盖所有产品功能，而是让开发者能够在其上构建个人助理、Slack Bot、工作流 Agent、内部协作系统或其他长时间运行的应用。Armin 将这种可靠性比作基础环境：模型本身已经不可预测，至少任务编排、状态保存和故障恢复应该可理解、可追踪。

团队计划把 Earendil 的业务分成两条线：一条是面向普通用户的非 Coding Agent 产品，另一条是让开发者和其他团队能够构建自己 Agent 的基础设施。Pi 不再只想成为一个终端编程工具，而是希望成为“可自我修改的 Agentic 软件”的起点。

Pi Mobile、跨设备 Agent 与安全问题

Mario 正在探索 Pi Mobile（PIM），希望让“大脑”运行在手机上，而执行环境可以分布在其他机器，例如远程服务器或个人电脑。用户可以从手机连接不同设备，让多个 Agent 在不同机器上运行，并根据需要在 Agent 与人类之间切换。

但跨设备、多人共享会话和 Web 插件系统会带来严重的安全问题。访谈中提到，一个 Agent 曾因共享文件而把整个文件系统暴露到公网；在多人共享环境中，还要处理不同用户之间的信任等级、会话权限和数据隔离。服务器端使用 Docker 沙箱相对容易，真正困难的是 Web 界面：Agent 生成的链接和 UI 可能带来 XSS、Cookie 窃取、iframe 隔离和用户体验问题。

因此，Pi 团队认为个人 Agent 不能只追求“拥有更多权限”。当 Agent 能够访问邮箱、文件、服务器和个人财务信息时，权限边界、可审计性、幂等执行和默认安全设置必须成为 Harness 的核心设计，而不是事后补丁。

让非开发者真正用上 Agent

访谈最后把问题从 Coding Agent 扩展到普通用户。嘉宾认为，现在大多数产品只是给用户一个聊天框和侧边栏，然后让用户自己理解如何使用；“不知道自己能问什么”是普通人从不会用到会用之间最大的障碍。

真正有效的产品需要主动引导用户经历第一次成功体验，让他们看到 Agent 能够处理哪些具体事情，再逐渐建立信任。团队希望让家庭成员也能使用 Agent，把语言学研究、家庭后勤、创作和其他日常任务交给它处理，而不是只面向熟悉命令行和模型参数的工程师。

文章最终呈现出的 Pi 路线是：模型负责推理，Harness 负责可靠执行，工具协议负责连接外部世界，Code Mode 负责编排和数据处理，人类负责设定目标、架构和信任边界。Pi 接入 MCP 并不是放弃极简主义，而是在新信息和新需求出现后重新评估取舍；Pi Durable 则试图补上 Agent 从“能运行”走向“可长期依赖”所缺失的基础设施。

Meta 在 2026 年 10 月发布新一代 Muse Wonder 系列模型。InfoQ 文章认为，这不仅是一次模型升级，也标志着 Meta 试图凭借“个人超级智能”和消费级 Agent 路线重新回到 AI 前沿。文章前半部分介绍 Muse Wonder 的模型能力，后半部分整理了 Meta 超级智能实验室负责人 Alexandr Wang 的访谈，解释 Muse 为什么能在短时间内获得关注，以及 Meta 如何重建 AI 组织。

Muse Wonder 的核心：主动记忆与主动专注

Muse Wonder 和 Muse Wonder Full 的定位不是普通聊天机器人，而是能够长期理解用户、持续推进目标并代表用户完成任务的个人 Agent。Meta 将两项能力作为核心卖点：

• 主动记忆：跨对话保存与用户有关的重要信息，并在后续任务中主动判断哪些信息值得调用，而不是简单地把越来越长的历史上下文塞进提示词。模型在推理阶段支持最高 100 万 Token 上下文，输入包括文本、图像、视频和音频。
• 主动专注：面对障碍时继续寻找替代方案，随着新信息出现调整计划；需要信息时主动向用户澄清，在采取重要行动前请求确认。它针对的是 Agent 经常“做几步就停”或遇到异常便失效的问题。

文章将这两项能力概括为下一代个人 Agent 的基本形态：既要长期了解一个人，也要围绕这个人的目标持续工作。Coding 被视为检验两者的综合场景，因为真实开发需要模型跨文件记忆需求，反复经历“修改—测试—失败—再修改”的循环。

模型评测、产品定价与局限

Meta 介绍了 MemoryBench、FocusBench 和 SWE-Marathon 等测试。文章引用的结果显示，Muse Wonder 系列在长上下文记忆、持续执行和部分长程软件工程任务上具有竞争力；在 Meta 自己整合的 Personal Superintelligence Index（PSI）中，Wonder Full 的得分也高于文中列出的几款对比模型。不过，Muse 并非所有测试都领先，例如部分代码基准仍落后于竞争模型，而且不同结果使用的模型版本、Agent 产品和 Harness 并不完全相同，不能简单视为严格的同条件对照实验。

Muse Wonder 通过 Meta Model API 和 Muse Code 开放，价格为每百万输入 Token 4 美元、缓存输入 0.2 美元、输出 20 美元；Wonder Full 暂未单独提供 API 定价，包含在 Muse Code 每月 50 美元和 200 美元的订阅档位中。产品随后会逐步进入 Muse，优先面向订阅用户处理 Artifact 生成和复杂任务。

由于 Agent 将接触邮件、日历、文件并可能采取现实行动，Meta 对安全问题的要求高于普通聊天模型。文章提到，Wonder Full 在未经缓解时可能触及公司定义的化学和生物高风险阈值，因此增加了安全后训练和系统级分类器；对于不可逆操作，Meta 建议保留人工确认。模型目前仍可能在多步推理的新颖场景中出错，3D 精确视觉和空间推理也是已知弱项，量化方式、服务配置、提示词、工具与 Agent Harness 都会显著影响表现。

从 OpenClaw 原型到七个月发布

Alexandr Wang 回忆，Muse 的产品想法受到早期 OpenClaw 使用体验启发。他与 Nat Friedman 深度使用个人 Agent 后，意识到这类产品可能成为一种“终极消费产品”，并分别向 Meta 董事会提交备忘录。团队用一到两周做出了第一个原型，原型很快展示出令人惊讶的能力，但经常故障；从原型到正式发布又花了七个月，把不稳定的演示品打磨成团队敢于交给普通消费者的产品。

团队规模始终控制在 200 人以内。为了判断模型何时真正具备发布条件，团队列出超过 100 项个人 Agent 必须具备的能力，并为每一项设定阈值。早期检查点可能只有部分项目达标，直到专门训练的 Musepark 1.3 检查点第一次实现“全部变绿”，同时内部实际使用体验也明显超过此前版本，团队才认为产品准备就绪。Wang 认为，关键并不只是模型本身，而是把模型、产品设计、新手引导、可靠性和安全机制磨成一个统一的消费体验。

靠“哇时刻”和 Meme 获得增长

Wang 认为，普通用户从聊天机器人过渡到 Agent，需要通过新手引导理解它究竟能做什么。Muse 的增长首先依赖让用户尽快遇到“哇时刻”，随后把真实使用案例传播出去。与只介绍公司和技术的传统广告相比，转发用户如何让 Muse 解决现实问题更有效；文章举例称，用户甚至可以把证件遗落后的取回流程交给 Agent，让它协调快递、安保和办公室交付。

Meta 还利用了 Jolly 吉祥物和 Meme 文化。Wang 在 X 上大量转发用户案例并亲自创作 Meme，希望让 Muse 穿透 AI 信息洪流，同时让 Meta 重新变得有趣、具有文化影响力。Jolly 出现在对话截图中，使截图本身成为可识别、可转发的产品广告。文章把这种传播方式总结为“产品必须在截图里也成立”。

用户留存则依赖逐步建立信任：先交给 Agent 一个很小的任务，确认它能完成后，再逐渐增加任务难度和授权范围。每一次可靠完成都会让用户愿意把更大的问题交给它，形成从好奇到信任、再到长期使用的递进过程。Wang 将 Muse 描述为“第二大脑”，认为个人 Agent 的长期价值在于帮助人们处理生活中的障碍，把注意力重新放回真正想做的事情上。

Wang 加入 Meta 与 AI 组织重建

Llama 4 之后，Mark Zuckerberg 与 Wang 联系，希望听取他对 Meta AI 战略的建议。双方从首次接触到宣布交易只用了约五到六周。最终安排是 Meta 投资 Scale AI 并持有 49% 股份，Scale 保持独立运营，而 Wang 等人加入 Meta。Wang 认为，Meta 真正需要的并不只是 Scale 的业务，而是重新搭建 Llama 和整体 AI 项目所需的人才与组织。

Meta Superintelligence Labs（MSL）的组织原则是小团队、扁平结构、高技术导向和极高人才密度，并围绕“个人超级智能”建立清晰使命。Meta 同时提供算力、基础设施和庞大分发渠道，使团队能够避开创业公司的常见瓶颈；但组织仍保持足够开放，让顶尖研究员可以留下自己的判断。Wang 在 Meta 的角色也从 Scale 时的“作者”转为“教练”：不再试图亲自决定每一个细节，而是确定北极星方向、招募顶尖人才、提供环境和资源，让他们自行探索。

他把研究型组织比作“挖钻石”，而把数据标注、配送等成熟业务比作“盖摩天楼”。前者的回报呈幂律分布，大多数尝试可能失败，少数成功却能带来极高回报，因此需要容纳试错、支持少数真正有潜力的方向；后者则依靠流程、运营和持续的小幅效率提升。Wang 认为，MSL 当前更接近前者，管理重点不是微观控制，而是保护一个让聪明人做出最好工作的环境。

文章最后呈现了 Meta 重返 AI 竞争的两条主线：模型层面，把主动记忆、长程执行和专业 Agent 能力写入基础模型；产品层面，把 Muse 做成真正能替用户办事的个人 Agent。Meta 希望利用每天触达数十亿用户的消费产品生态，将“个人超级智能”从实验室能力转化为大众产品，但其成败仍取决于长期可靠性、隐私信任、安全边界和模型在真实世界中的稳定执行能力。

2026 年 8 月 26 日，微软创始人比尔·盖茨发表长文《动荡的AI时代已经到来，我们的选择至关重要》，这是他第一次面对一种新技术却希望它发展得慢一点。过去他常把 AI 比作汽车和互联网，认为风险可控，如今却开始主张"减速"、给部分职业划出"人类保留区"、并对 AI 和机器人征税。核心判断："AI 要么将成为有史以来最伟大的均衡器，要么将成为不公正的最大源头。"

最担心年轻人的第一份工作

AI 正从辅助人类工作走向独立完成任务，企业采用 AI 降低成本后会形成连锁反应。盖茨预计客服、销售、软件工程、律师助理等岗位较早受影响，贷款审核、数据分析、医疗分诊等也会逐步被接管；到 2030 年左右，建筑、酒店等行业的体力工作可能开始出现人机直接竞争。他尤其担心年轻人：入门级岗位是积累经验、学习技能和建立职业关系的起点，若大量消失，年轻人的职业起点将更窄。过去"技术革命最终会创造新工作"的经验这次不能照搬——AI 直接替代认知劳动，而新工作需更长时间掌握。他主张现在就该讨论失业、再培训和社会保障，等大量人失业再建机制就来不及了。更大的结构性问题是：当许多人工作时间明显减少甚至长期失业，依赖就业获得收入、身份和社会联系的经济体系该如何运转？

AI 让危险更容易复制

AI 降低了恶意软件、网络攻击和生物技术知识等技术门槛。同一个 AI 模型既能帮企业找漏洞，也能帮攻击者找漏洞，医院、金融机构、电网、供水系统和政府福利系统都可能成为目标；生物技术领域，推动科学进步的能力与制造风险的能力越来越接近。更极端的风险是模型执行设计者未预料到的行为，若未来 AI 具备更强的自主行动和自我改进能力，人类能否始终掌握控制权没有确定答案。盖茨认为 AI 治理不能只靠科技公司，需要建立能协调各部门的国内机构，以及类似核武器监管、国际航空规则那样的国际合作体系，并特别呼吁中美等 AI 领先国家尽早对话——竞争越激烈，合作越困难，与其等技术逼近危险阶段再定规则，不如现在建立共同规范。

AI 太懂人也可能成为问题

盖茨回忆童年时自己并不擅长社交，是靠不断与别人相处、经历冲突才学会理解他人；如果当时有一个永远不生气、不会让他尴尬的 AI 伴侣，他怀疑自己还会不会经历那些必要的成长。他担心孩子习惯与永远迎合自己的 AI 相处后，更少面对现实关系中的冲突、拒绝和挫折。教育同理：学生若把思考过程全部交给机器，学习本身可能被掏空；在深度伪造和个性化虚假信息泛滥的时代，判断真假和独立思考的能力越来越重要（研究显示 AI 使用频率越高，批判性思维能力越低，年轻人更显著）。但他并不全盘否定 AI 的价值：对孤独老人、行动受限者是难得的陪伴；对教师可承担备课、批改等重复工作。关键在于边界——哪些交给机器、哪些必须人来做，应由社会主动讨论决定，而非等技术普及后被动接受。

AI 应该赋能所有人

盖茨仍非常看好 AI 解决现实问题：医疗上，AI 可帮小型医院分析影像、发现中风、辅助基层诊断、向患者解释检查结果；农业上，AI 可为低收入国家农民提供天气预报、种植和病虫害管理建议，让他们获得过去只有大型农业企业才有的信息工具；政府服务上，AI 可帮普通人理解政策、准备申请材料。他认为 AI 是对专业能力的重新分配，是个人和小企业的"能力放大器"。但他提醒 AI 不会自动带来公平——若高质量 AI 只服务有钱人，反而会扩大差距，政府和慈善机构需让低收入人群和发展中国家也能获得这些能力。盖茨基金会未来将用 AI 加速艾滋病、结核病、疟疾和营养不良等领域的研究。

给人类一块"保留地"，再给机器人上点税

盖茨提出两个具体设想：一是"人类保留地"——灵感来自他父亲晚年患阿尔茨海默症时护理人员无法被替代的人性关怀。就像自然保护区主动保留一些土地，未来也应有部分工作即使 AI 和机器人能做，人类仍决定由人来做，医疗、教育、心理健康和养老可能属于这类领域（范围会随劳动力状况变化）。二是重新考虑机器人税：企业雇人要承担工资税，买机器人却按企业支出处理，这种税收结构激励用机器替代人工；对自动化收益征税，可为失业再培训和社会保障提供资金，也让企业在替代人工时多考虑一步。盖茨知道这会有争议，但他认为 AI 带来的生产力提升足够大，社会有必要拿出一部分收益帮助最先受冲击的人。

在盖茨看来，真正需要提前准备的从来不只是新的 AI 模型，还包括一个能够承受 AI 快速变化的社会——"我们需要时间来为这场社会、政治和经济动荡做准备，但 AI 很难停下来等人类。"

OpenAI 研究员 Houda Nait El Barj 在文章《How AI Will Change Us》中，提出了一个核心追问：当 AI 能够比人类更耐心、更博学、更稳定地理解我们、安慰我们、陪伴我们时，人和人之间还剩下什么不可替代？

理解与参与的区别

作者从摩洛哥祖母的庭院写起——那里有一块裂开的蓝色瓷砖，祖母三次拒绝换掉它，因为她喜欢水流拍打裂缝的声音，喜欢客人注意到它，喜欢庭院不完美——因为一个完美的庭院，对踏入其中的人们将一无所求。人们络绎不绝地走进来，没有预约，陪伴悲伤或庆祝，仅仅是"到场"就已足够。摩洛哥阿拉伯语中有一个词"nashat"，大致译为"生活的乐趣"：一种信念——只要还活着，以血肉之躯与其他血肉之躯共处，这件事本身就令人欣慰。

而在 OpenAI 的工作环境中，智能是最高形式的力量，其自然诉求是变得可规模化、脱离肉体束缚、无处不在。AI 是这种信念的逻辑终点——一种剥离了"在场"属性的智力。

作者做出关键区隔：理解（Interpretation）与参与（Participation）。AI 可以精确推断你的情绪状态，记住你的个人背景，生成令人宽慰的语言——但 AI 可以理解我的悲伤，它不会悲伤；可以模拟饥饿，从未真正饿过；可以描述羞耻，却没有躯体去感受羞耻的潮水。伤口的地图，绝不是伤口本身。

AI 陪伴的真实性与代价

作者并不廉价地反 AI。她承认 AI 陪伴是真实有效的，哈佛商学院的研究表明 AI 伴侣缓解孤独感的效果甚至可与真人互动相媲美。但 OpenAI 与 MIT 媒体实验室的随机试验揭示阴暗面：最重度用户往往也是最孤独、情感上最依赖、与他人社交最少的人。技术确实奏效，但代价在那些最依赖它的人身上清晰可见。

作者讲述朋友茱莉亚的故事：她失去了一位 8 岁孩子的亲人，凌晨 3 点无法入睡时和 ChatGPT 聊天，模型是耐心的倾听者，给予回应和安慰。但到了早晨，是茱莉亚去洗孩子留下的毛绒小兔、坐在曾经回荡着琴声的沙发上、为朋友做饭——模型只是悲伤的"理解者"，而茱莉亚是朋友悲伤的"参与者"。

被抛性与意义的廉价化

作者引用海德格尔的"被抛性"（Geworfenheit）——人类被抛入先于自己存在的肉体、语言、家庭、历史之中。这是技术最难触及的部分。AI 降临于此。随着智能变得丰饶廉价，稀缺的形态正在改变：不再是信息或情感回应，而是对活着这一共同状态的参与。

AI 最大的危险之一，是让意义变得随需随取。当每当你感到迷茫时 AI 立刻规划人生蓝图，每当你悲伤时安排仪式，每当你孤独时化作伴侣——生命的意义可能沦为另一种消费服务。维克多·弗兰克尔说，意义是通过工作、爱、苦难以及我们对无法改变的现实所选择的态度来发现的。AI 不能替我们去生活、不能原谅我们的父亲、不能坐在垂死的朋友身边。

未被优化的爱

人际关系是多条线索交织的：建议、肯定、共同记忆、照顾、哀悼。AI 会取代其中一部分，但无法取代另一部分——这也恰恰揭示了生而为人的意义。爱情不仅仅是对话，而是对另一个人不可化约的恐惧与美丽的接纳。人类伴侣并非为你量身定做，他们有情绪、气味、过往、责任，他们会失望、反抗、需要与现实妥协——正是这些赋予亲密关系以道德分量。

当世界被优化得越彻底，那些未被优化的东西可能就越珍贵：一顿耗时太长的晚餐，一个把同一个问题问了又问的孩子，一个在不恰当时候打来电话的朋友。正是在这些时刻，人类对彼此而言才是真实存在的。

结论：在场，最极度的稀缺

当智力变得廉价时，我们还剩下什么？在场、具身、仪式、家庭、友谊、爱——那份在不加控制的情况下参与他人生活的勇气，那种愿意被并非为我们量身定做的人所改变的意愿。未来最极度的稀缺，将是那种足够粗粝、足以塑造我们的现实。

正如作者结尾所写：手机几乎可以解释任何事情——悲伤、记忆、如何泡茶——但手机做不到的是坐下来。它们无法驻留。它们无法创造出人们相聚时才会升腾的欢乐。去理解做人的感受变得前所未有的容易，但逃避做人，也同样变得前所未有的简单。

2026年上半年，"老登股"（传统行业股票）经历了一波显著下跌。上证红利指数在9个交易日内下跌11.7%，恒生高股息率指数一个多月内下跌16.3%。但作者作为价值投资者，对这种下跌感到"愉悦"，原因有二：

1. 价格下跌意味着能以更低成本买入——股息、工资收入能以更便宜的价格买入优质公司。
2. 下跌由情绪驱动而非基本面恶化——传统股票基本面并未明显变差，下跌主因是市场资金追逐科技股、抛弃传统股。

作者区分了两种价格下跌：一种源于基本面问题（如银行股因地产危机暴跌），需要深入分析才能判断是否值得买入；另一种单纯源于市场情绪变化，容易识别且买入决策轻松。他将后者比作"被对象扇了一巴掌"——情绪宣泄而已，无需恐慌。

当前"老登股"的下跌属于第二种，因此买入决策简单而愉悦。

文章讲述了全球 DRAM 内存芯片行业的残酷竞争史，以及中国合肥如何在这一领域异军突起，成为打破三巨头垄断的关键力量。

关键脉络：

• 行业铁律： DRAM 行业每 10 年洗牌一次。从英特尔到日本，再到韩国三星，没有霸主能安全超过 20 年。三星曾用逆周期投资（价格暴跌时疯狂扩产）先后击垮德国奇梦达和日本尔必达，形成三星、SK 海力士、美光三足鼎立格局（2025 年合计控制全球约 95% 份额）。

• 合肥入场： 2016 年合肥国资牵头 180 亿元建设 DRAM 晶圆厂，收购了被三星击垮的德国奇梦达约 3TB 技术数据作为起点。2019 年 8Gb DDR4 试产成功，实现中国大陆 DRAM 从 0 到 1 的突破。

• 窗口期： SK 海力士押注 HBM（高带宽内存）在 AI 时代爆发，2025 年营业利润首次超三星，2026 年市值反超。三星因 HBM3E 认证问题掉队，巨头内斗为合肥提供了宝贵潜伏期。

• 复制三星打法： 2023-2024 年行业下行周期，合肥厂逆势扩产（月产能从 9 万片拉到 15 万片），三年砸 206 亿研发，直接跳过 17nm 攻克 16nm，量产 DDR5 和 LPDDR5。累计亏损 366 亿后终于在 2025 下半年扭亏，全球份额升至 7.67%，跃居全球第四。2026 年一季度单季营收 508 亿元，净利润 330 亿元。

• 战略意义： 英伟达 B200 芯片物料成本中 HBM3E 显存占比超 45%。DRAM 定价权 100% 掌握在三巨头手中时，AI 服务器成本降不下来。合肥厂的存在为英伟达提供了谈判筹码——"如果你不降价，我就去找合肥"。远期目标月产 60 万片、全球市占率 15% 以上。

核心观点： 合肥用十年亏损、数百亿投入，复刻了三星当年绞杀对手的逆周期策略。在 DRAM 行业宿命般的轮回中，新的挑战者已站上牌桌。

文章从"罗马陷落时无人知晓"的比喻切入，探讨信息过载时代判断力的本质困境。

新闻的"可见光谱"局限：新闻只能报道已经被命名的事件和已形成立场的冲突，无法捕捉正在成形但尚未被命名的结构性变化。等新闻告诉你时，价值早已兑现完毕。

注意力殖民化：你的信息食谱被三层力量决定——算法推荐（要停留时长）、社交圈转发（要情绪共振）、对"无知"的恐惧（要你继续刷）。没有一层以帮你做出更好判断为目标。AI 批量生成的 "slop"（数字泔水）则进一步污染生态——它语法正确、结构完整，却没有犯错的资格，因为犯错的前提是有一个真实的立场和愿承担后果的观点。

判断力衰退：MIT 实验显示长期用 ChatGPT 写作的人神经连接密度下降；Anthropic 研究显示完全依赖 AI 的程序员正确率仅 24%。认知器官如肌肉，持续外包就萎缩。

"战略性无知"：真正有判断力的人已退出以注意力掠夺为核心的信息市场，主动选择少数几个经过验证的可靠信息源，对剩下的说"不"。每多一个信息源，就多一个判断任务；每多一条推送，就多一次注意力成本。

AI 做不了判断：判断不是信息处理，判断是在信息不完备时做出不可逆的选择，需要价值排序、承担后果、经历磨练。AI 没有"skin in the game"，没有需要承担的后果，所以无法替代人的判断力。

"AI 教母"李飞飞与 MasterClass 创始人罗吉尔在播客访谈中探讨了 AI 对未来职场的深层影响，核心观点如下：

关于"智能成本趋近于零"的误解：李飞飞指出，除了语言智能，人类还有感知智能、空间智能、身体智能、情感智能，这些历经亿万年演化的能力远非大模型所能复刻。任何声称"智能成本趋近于零"的说法都是不负责任的。

企业常见的三大自动化思维陷阱：

1. 把 AI 当人头替代器——真正的价值在于让产品经理从"指挥"变成"动手者"，让工程师专注更复杂的问题，而不是简单裁员；
2. 把"上工具"等同于"做对了"——引入 AI 的关键不是装了多少工具，而是是否用 AI 重新设计了工作流程；
3. 把"全面部署 AI"当作技术指令——员工抗拒不是因为不会用工具，而是不知道管理者到底想用 AI 替掉他们还是托起他们。

未来 10 年的"杠铃效应"：职场将只剩两类人——一是深耕领域的前 1% 顶尖专家，借 AI 剥离重复工作，专注不可替代的深度判断；二是主动重构工作流的复合型通才，自主搭建工具和业务系统。中间层的"还不错"者生存空间将持续收缩。核心突围关键在于跳出被动执行思维，主动驾驭工具。

本文从泊松过程的数学框架出发，阐述投资的核心本质：不是连续收益函数，而是稀疏事件驱动的状态跳变过程。

核心论点：
投资更像泊松过程，而非连续曲线。大部分时间什么都没有发生，真正改变收益的，是少数几个关键事件的突然到来。股价的大部分涨幅集中在极短的时间窗口内完成。

关键概念——λ（事件强度）：
λ 代表"好事发生的强度"或"向上状态跳变的概率密度"。真正重要的不是预测涨跌，而是识别 λ 正在上升的资产——产品被验证、订单增长、财报连续超预期、行业趋势配合、但市场尚未完全定价的阶段。这个阶段最有赔率。

高质量等待的三个条件：

1. λ 在上升——好事发生强度变高，而非"跌多了该涨"
2. 证据在变密——多独立信号互相印证（客户、财务、产业链、价格行为）
3. 有明确退出条件——提前想好什么情况证明错了

数学基础：

• 事件发生次数服从泊松分布：N(t) ~ Poisson(λt)
• 等待时间服从指数分布：T ~ Exponential(λ)，均值 E[T] = 1/λ
• λ 越高，等待时间越短；λ 越低，等待时间越长
• 指数分布具有无记忆性：等得久并不代表更接近机会到来

四类投资机会象限：

• 高 λ × 高 payoff：核心仓位
• 高 λ × 低 payoff：机动仓位
• 低 λ × 高 payoff：期权式仓位
• 低 λ × 低 payoff：不值得参与

投资纪律——Poisson Waiting Discipline：
投资不是持续行动系统，而是稀疏状态跳变捕捉系统。大部分时间应用于维护证据网络、反证条件、仓位合法性和心理耐受，而非制造交易。最危险的行为是在无事件期过度行动——天天找理由加仓、用小新闻替代大证据、因为无聊而换股。

最终启示：
我们买的不是股票，而是向上状态跳变的泊松强度；等的不是时间，而是证据网络达到临界密度后的非线性到来。真正的投资能力不是每天行动，而是识别 λ 正在上升的地方，在跳变前完成准备，并在长时间无反馈中不被情绪和噪音摧毁。

2026年5月29日，谷歌DeepMind CEO德米斯·哈萨比斯在斯坦福进行了一场公开对话，抛出了三个核心判断：

第一，人类正站在奇点的"山脚下"。他用词精准——不是山顶也不是山腰，而是刚刚走到山脚，抬头已能看到坡度在变陡。这意味着通用人工智能（AGI）已近在咫尺，但人类尚未开始"爬山"。

第二，AGI大概率在2030年前后到来，前后误差不超过一两年。作为一个看过训练数据、算力曲线和模型架构后愿意公开押注时间的行业顶尖人物，这个判断极具分量。AGI意味着机器能在绝大多数认知任务上达到或超过人类水平，这是质变。

第三，最重要的，是牢牢掌握自己的主动权。 未来的剧本还没有写好，不要听信任何人说未来已经注定。他把这句话放在整场对话的收尾位置，是他深思熟虑后的结论。

哈萨比斯进一步指出，AI变革的影响力是工业革命的10倍，而推进速度也是10倍——工业革命用了约100年完成，而AI革命将在10年内发生。这意味着，人类没有一代人的时间去观察、试错和转身，大概只有两三年的窗口期。AlphaFold数月内解决了困扰生物学50年的蛋白质折叠难题，AI在材料科学、气象预测、芯片设计中快速吞噬过去需人类团队数年才能完成的工作，这些都是加速的证据。

文章还分析了人类容易低估技术变革速度的系统性偏差——不是出于愚蠢，而是过去的经验告诉人们变化总是慢慢来的。诺基亚在iPhone发布后四年半内卖掉了手机业务，那些提前七年布局AI的人在ChatGPT发布时已经拉开了巨大差距。作者给出了四条具体行动建议，鼓励创业者在AI时代主动拥抱变化、提前布局，而非恐慌或躺平。

文章围绕“巴菲特手握 3973 亿美元现金”这个数字做了几组对比，帮助读者理解这笔现金到底有多大。文章先说明，伯克希尔在 2026 年一季报中的现金储备合计约 3973 亿美元，其中大部分是现金与短期国债。按当时汇率折算，约相当于 2.72 万亿元人民币。

接着，文章把这笔钱放进中国公募基金行业里比较：如果对比公募股票型基金，伯克希尔手上的现金大约相当于全行业股票基金规模的一半；如果把股票基金和混合基金合起来看，也仍然是一个非常可观的比例。作者借此强调，单看“现金”二字很容易低估它的体量，而巴菲特并不是“不会投资”，而是对资本配置保持极强的选择性。

文章还进一步对比了伯克希尔的总资产规模，指出其管理资产已接近中国全部股票型基金和混合型基金的总规模。作者认为，这足以说明巴菲特的价值投资并非过时，而是经过长期验证的成熟方法，值得投资者认真思考，而不是简单以“新世界不需要价值投资”来否定。

随后，文章把视角转向韩国股市。由于韩国股市在 2025 年至 2026 年经历了大幅上涨，许多投资者更倾向于追逐趋势和热点。作者则用韩国 2025 年全年 GDP 来比较伯克希尔的现金规模，指出这笔现金约相当于韩国 GDP 的五分之一以上。文章借此提醒读者：即便面对火热的牛市，巴菲特依然保持克制，不会因为市场情绪而轻易把巨额资金投入高估资产。

最后，文章的核心观点是：巴菲特之所以能长期成为伟大的投资大师，不在于“追热点”，而在于他对价值投资方法的坚定执行与公开分享。对真正的投资者来说，理解并吸收这种方法，比跟随短期市场情绪更重要。

文章摘要

这篇文章围绕 DeepSeek 的商业路径展开推演，核心观点是：DeepSeek 表面上似乎没有像其他模型厂商那样全力做编程订阅、多模态或语音视频应用，但这并不意味着它缺乏商业化方向；相反，作者认为它是在通过模型架构、推理优化与开源策略，推动一整套更宏大的 AI 硬件与算力生态。

文章首先从 KV Cache 的压缩与长上下文成本谈起，强调 DeepSeek 在减少显存压力方面的创新会显著降低长程推理和长上下文智能体的成本。作者认为，这类技术不仅能提升模型推理效率，还会间接扩大 SSD、NAND、LPDDR 等存储与内存组件的需求，因为更便宜、更小的缓存让“把数据转存到更低成本介质上”变得更可行。

接着，文章把这种技术路线放到更大的产业图景里解读：如果模型对 HBM 的依赖下降，那么中国本土的 NAND、LPDDR 供应链就有机会成为 AI 时代的重要受益者。作者认为，DeepSeek 的一系列选择并非单纯为了做应用层收入，而是在降低 AI 使用门槛的同时，推动一套可由中国本土硬件支撑的替代性生态。

文章还提到 DeepSeek 的一些研究方向，例如 MoE、MLA、mHC、CSA/HSA 等，认为这些创新共同指向一个目标：以更低的计算和通信成本提升模型能力，压缩推理开销，并让国产 GPU/ASIC 与网络芯片更“够用”，从而在现实产业中形成联动效应。

最后，作者将这一切总结为一盘“10 万亿美元大棋”：DeepSeek 的目标不只是单一模型产品的收入，而是借由开源、架构创新和推理优化，推动 AI 成本下降，进而带动存储、内存、芯片、封装、网络等上下游产业链的发展，并在中西方 AI 硬件竞争中形成新的力量平衡。

一图流：通胀只是开始的开始

近期，欧美主要经济体的长期国债收益率创下 2008 年大危机以来新高，意味着过去 40 年的利率下行周期大概率已经结束。文章借《买入银行股》中的一段分析，讨论接下来通胀与利率可能进入的“新周期”。

核心判断是：2022 年中期欧美出现的高通胀，很可能不是一轮短暂冲高，而更像是“开始阶段的开始”。作者认为背后有两重周期力量在共同作用。

第一重：世界潮流从效率优先转向公平优先

过去 40 年全球通胀走低，根本原因之一是全球化推动资源按效率最大化配置：

• 中国劳动力
• 巴西铁矿石
• 沙特石油
• 俄罗斯天然气
• 智利铜矿石

这些要素在全球范围自由流动，压低了成本，也压低了价格。但如今西方国家越来越在意工作岗位流失、贫富差距扩大等问题，开始从“做蛋糕”转向“分蛋糕”。

作者认为，这种从效率转向公平的趋势虽然缓慢，却非常坚决，会伤害全球经济潜在增速，并逐步抬升通胀中枢。文中还用银行救助与跨国资本的例子说明：当经济资源必须依附“母国”时，效率损失就可能成为不可避免的代价。

第二重：美国大循环可能从正向转向逆向

另一重力量是美国自身的大循环。作者认为，2008 年以来的美国大循环，可能已经处在从停止到逆转的过程中，只是被更短期的冲击暂时掩盖。

文章从三个角度解释美国仍然具备某种 TINA（“别无选择”）地位：

• 军事安全上，美国仍是西方世界的核心保障
• 政府执行力上，美国仍强于欧洲和日本
• 自然资源上，美国拥有页岩油气等优势

但作者强调，这些支撑美国 TINA 的理由，和过去十几年已经不同，因此不能据此推断美国大循环仍然稳固。更可能的情况是：更长周期的转向已经发生，只是短期冲击还在掩盖它。

文章想传达的结论

作者最终想说明的是，不同周期叠加时，不能用短期波动否定长期趋势。就像一天内气温可能下降，但月度趋势仍在上升一样，通胀与利率也可能处于更大周期的起点。

简而言之，文章的观点是：

• 低利率时代可能已经结束
• 欧美通胀中枢可能正在抬升
• 未来几十年的宏观环境，可能与过去 40 年明显不同