AI

AI

Jun 22, 2026

垂直整合型 AI 原生公司的崛起

AI 原生服务公司近来已成为风投宠儿。它们瞄准规模庞大、边界清晰的市场，也较不容易被 AI 实验室公司去中介化。 过去几年，风险投资生态已从 SaaS 周期转向 AI 周期。但在 AI 周期的早期，我们的思维仍停留在 SaaS 模式。无论是帮助律师更好起草文件、还是让分析师更快建模的 Copilot、副驾驶、助手或软件工具，都曾大行其道。我已经写过很多关于这类 AI 软件公司的文章——AI 正在吞噬记录系统 ，智能体正在取代脆弱的 RPA，以及软件在能源领域的参与 ，等等。 但这一轮 AI 周期也催生了服务型企业，而这种模式在以往几轮周期中并不具备可获得风投支持的经济可行性。这一模式的一种体现就是 AI 整合。其核心逻辑是：如果我能以合理价格收购小型服务企业，将其整合起来，并用 AI 流程取代后台冗余和人工劳动，那么我就能以类似私募股权的风险，实现类似风投的回报。在我看来，这一逻辑有一定成立之处；不过在实际操作中，我认为其回报特征看起来更像私募股权，而非风险投资。尽管如此，对于管理着数十亿美元资金的机构而言，这种模式是部署资本的一种有效方式，能够带来符合其预期、且相对可观的回报。 这一模式并不真正适用于像我这种规模的基金，但“AI 可以重构服务型工作”这一前提是成立的。而将 AI 引入服务型工作的第二种模式，则具有更传统的风险投资特征：纵向一体化的 AI 原生公司。 这些新公司从创立第一天起就将 AI 融入其工作流程，以便以比现有企业更好、更快、 且更便宜的方式提供一项既有服务。我将更好、更快、更便宜用斜体标出，是因为这正是全部的销售说辞，而我在本文中还会再用这几个词几次。 下文我将探讨这种模式在实践中如何运作，以及为何它是一种颇具吸引力的公司构建方式。 为什么是现在 三年前这种模式之所以不存在，原因很简单：模型还无法承担这项工作。2023 年合适的架构是 copilot：把 AI 交到专业人士手中，让他们决定如何使用它，因为最终产出必须由人类负责。专业人士同时既是顾客，也是安全网。 这已不再是制约因素。模型已经跨过了那个门槛：在狭窄且结构清晰的领域，它们能够端到端地执行大部分工作流程，由人类审核异常情况，而不是亲自完成工作。ICONIQ 的最新数据揭示了其中的结构性变化：AI 原生公司可以在团队规模不足 100 人的情况下实现 1 亿美元营收，并创造出传统 SaaS 企业 5 至 10 倍的人均营收。过去存在于服务内部的劳动，如今已被压缩进公司自有的软件之中。这种压缩，正是这一商业模式得以成立的关键。 劳动力预算与竞争 我之前提到过，全球劳动力市场的规模是全球软件市场的 […]

阅读全文

AI

Jun 22, 2026

AI 并非机会，AI 所引发的经济扰动才是机会

我始终试图区分的一点是：一个人发现的是一种套利机会，还是打造出了一门生意。最有价值的公司，往往是那些掌握了创造经济效益机制的公司，而不只是那些在短时间内恰好从中受益的公司。 AI 不是机会，AI 所造成的经济扰动才是机会。 Will Quist 背景 我对 AI 的思考始于一个相当简单的问题：这个世界的运行机制中，是否出现了某种裂缝，将改变经济流动的方式？ 有了 AI，答案显然是肯定的。 人们犯的错误是止步于此。仅仅因为颠覆存在，并不意味着你就能攫取其中的任何价值。真正的问题在于，什么能让你对上行收益拥有不成比例的索取权，以及构建这种索取权的成本是否低于它最终的价值。 更广泛地说，这就是我看待风险投资的方式。我不是主题型投资者。我不会每天早上醒来都去寻找下一家 AI 公司或下一家医疗健康公司。我的工作是建立一套评估新颖想法的框架，并判断它们是否适合风险资本。 我们最终寻找的是这样的假设：它们确实不符合主流共识，能够被证明为真或为假，可以用合理规模的资金进行验证，而且如果被证明正确，就会客观地产生价值。 市场信号 我认为，人们夸大了 AI 对软件经济学的颠覆性程度。 但这并不意味着 AI 不重要。我整天都在使用 Claude 和 ChatGPT。我认为，这是我们将会看到的最重要的技术变革之一。 但如果你把视角拉远来看，数十年来，软件的构建和分发成本一直在下降。我认为，从客户端—服务器软件向 SaaS 的转变，实际上比从 SaaS 向 AI 的转变更具颠覆性。 现实情况是，大多数软件企业从来都不是仅凭代码就能构筑护城河。若真如此，SaaS 从第一天起就会是一门拥有惊人自由现金流的生意。可事实上，大部分经济收益都流向了销售和营销，因为竞争性产品总是能够被开发出来。 AI 进一步降低了构建软件的成本，但它并不会神奇地解决分发、客户获取、工作流程采纳或组织变革管理等问题。 这就是为什么，当我听到那些纯粹围绕效率提升展开的 AI 路演时，通常会持怀疑态度。这些提升确实存在，但它们往往是套利，而不是生意。 第一个发现效率机会的人能够赚取其中的价差。但最终，其他所有人都会获得同样的工具，而这部分价差也会在竞争中被抹平。 我一直在问的一个问题是，这种杠杆究竟是专有的，还是商品化的。 要点 AI 本身不是机会。AI 所创造的经济性颠覆才是机会。AI 正在改变各个行业，这一点显而易见。更难回答的问题是，为什么你理应获取所创造价值中不成比例的一大部分。 我寻找的是新的假设，而不是共识市场。 最好的风险投资并不一定是逆向而行。它们是那些市场尚未被激励去思考的想法，在其他人赶上之前，一个清晰的实验就能证明其中有价值的东西。 大多数由 AI 驱动的效率提升最终都会被市场消化进价格中。 如果你只是套用现成的 AI […]

阅读全文

AI

Jun 21, 2026

AI 应用的黄金时代

简而言之：周末发生的三件事确认了 AI 应用的黄金时代已经到来：Fable 被撤回暴露了模型依赖风险，Satya 的战略论点界定了学习闭环，而 Salesforce 以 36 亿美元收购 Fin 则为这一抓手标定了价格。 我们正步入 AI 应用的黄金时代。最近的三项进展印证了这一点。 Fable 的撤回显示了监管风险。Nadella 的论点展现了战略共识。Salesforce 的收购则显示了市场验证。 首先，美国政府关闭了 Fable 的访问权限 1 ，软件生态系统随即一片哗然，出现了诸多回应：把它恢复回来！开源和本地模型已变得不可或缺！不要依赖单一模型！ Satya Nadella 发表了一篇关于 AI 生态系统的论文。 2 他认为，要建立一个健康的生态系统，护城河不能是模型本身。相反，人类专业知识以及围绕模型构建的系统（即支撑框架 3 ）才应该是护城河。 Salesforce 宣布以 36 亿美元收购 Fin，其前身为 Intercom。 4 创始人与管理团队在 AI 动荡中重新调整了公司的定位。Fin 利用开源模型实现价格与性能的最大化。 构建 AI 应用程序之难，与 SaaS 不同，原因也不同。问题不在于缺少工程师，也不在于正常运行时间的挑战，或是更快发布的要求。 AI 应用程序带来了三项需要掌握的新学科：选择合适的模型、构建爬坡式迭代循环，以及评估每家公司系统的性能；这一切都在回答同一个问题：我能从自己的代币预算中挤出多少智能？ 模型很棘手。预算限制使得不可能默认让所有人都使用最先进的模型。其余大量模型又各有“性格”。Kimi K2.6 速度快、很擅长创意写作，但精确性稍逊。Qwen 3.6 27b 是一款小模型，却有着传奇般的表现，但也有点像头倔驴。它会在工具链调用进行到一半时突然停下，需要好好推一把才会继续。GLM 5.1 是出色的编码模型，但节奏偏慢。 循环机制——这个时代定义问题的关键练习——很难设计。系统设计本身就是一门完整的学科（参见 Donella Meadows 在这一领域的杰出著作 5 ）。怎样定义一个循环，才能让一个智能体系统持续改进？这一领域既新颖又充满挑战，因为模型和基础设施都在快速演进。 对“模型+循环”表现的评估是一项持续性的工作。大多数公司都不愿意为公司内每一套工作流软件都配备一个团队。AI […]

阅读全文

AI

Jun 15, 2026

超越 Agents：将治理它们的新系统

每一次重大的技术浪潮都会创造出一个新的基础设施层。互联网催生了身份、支付和云基础设施。移动端催生了应用商店、归因系统和设备管理。SaaS 催生了协作、可观测性和工作流软件。 如今，在这个时代，AI 正在创造其自身的基础设施层。我们相信，在未来十年，这些系统将成为企业软件中一些最重要的类别。 当今围绕 AI 的大量讨论都聚焦于模型、agents 和自动化。这些发展固然重要，但它们也指向了一个更广泛的转型：那些围绕它们进行构建的公司正在发生变化。许多组织仍然运行在一种框架之内，即由人类做出决策，而 AI 协助执行。 随着时间推移，这种关系正变得更加动态。智能系统将影响建议、确定行动优先级，并参与过去完全由人类处理的决策。随着这一转型持续推进， 未来的工作将越来越围绕监督、治理和审计展开 。从人类主导的系统演进到日益自主的系统，这一进程催生了对新工具、工作流和运营模式的需求，以确保 AI 始终与人类目标保持一致。 在以往的技术周期中，使新技术能够安全且高效扩展的系统创造了重大价值。我们认为，围绕 AI，类似的模式也开始显现。 新的 Agentic Systems 随着我们从静态的 Systems of Record 迈向动态的 Systems of Action；我们认为下一波 agentic systems 将开始成形：Systems of Control、Systems of Ambition，以及 Systems of Trust。 控制系统帮助组织引导、治理并保护人类与 AI 混合劳动力。它们建立边界、权限、问责结构和运营监督。 这为什么重要： 以往的技术周期通过帮助企业管理谁可以访问应用程序、数据和系统，为 Okta、Ping Identity 和 Duo Security 这样的公司创造了巨大的价值。在一个 AI 优先的世界中，组织不仅需要管理人类身份，还可能需要管理代表其运作的数百万个自主代理身份。这一挑战已从劳动力管理扩展到机器规模的劳动力治理。 信任系统提供核实、透明性和可审计性。它们建立起这样的信心：决策、动作和结果始终与组织要求及利益相关者期望保持一致 这为何重要：Datadog 和 Snowflake 等公司之所以成为基础性平台，是因为它们帮助组织监控复杂系统并建立可信的事实来源。Agentic systems 引入了新一层复杂性，因为它们的决策是概率性的，而非确定性的。企业将越来越需要了解决策是如何做出的、采取了哪些行动，以及结果是否与业务目标一致。信任将成为采用的前提条件。 […]

阅读全文

企业级应用

Jun 15, 2026

在 SOFTWAREMAGEDDON 中求生：当刚刚蒸发了 1T 美元时，如何投资 SAAS

愿你生活在有趣的时代。这句老话本意是一种诅咒——希望你经历的是混乱而非平静。欢迎来到 2026 年的软件世界。 过去一个月里，投资者突然意识到 AI 对传统软件企业的潜在影响，市场反应极其残酷。传统 SaaS 的市值蒸发了超过 1T 美元。The S&P 500 Software & Services Index——140 家公司——年初至今下跌了 20%。有人将其称为 Softwaremageddon。投资者向传统 SaaS 发出的信息非常直白： 我们认为你们未来的现金流量面临重大风险。 那么，究竟发生了什么变化？在 AI 发展的头三年里，大多数人的体验，基本上都是在和一个越来越聪明的人聊天。到了 2025 年，模型具备了“reasoning”和“deep research”能力，能够挖得更深，从而给出更好的答案。但 2026 年是模型不再只是回答问题，而是开始做事的一年——能够跨工具和 API 完成完整任务以及复杂的多步骤工作。能够做出智能决策的新前沿模型，再加上人们正用来取代整个职能的开源 agent 框架，彻底改变了局面。选股者们惊呼“哦，糟了。”SaaS 一下子显得岌岌可危。 我认为这种恐慌被夸大了。下面说说原因——以及我是如何在这一过程中进行投资的。 我们才刚刚起步 2023 年是 AI 的“大爆炸”时刻——这是大众第一次大规模接触这项技术。研究过以往“大爆炸”时刻（PC、移动端、云）的研究者发现，技术采用会经历四个阶段，而完整走完这四个阶段需要 30 到 50 年。我们才进入第一阶段三年。前面的路还很长。 社会变革远远滞后于技术变革 Scaling laws 描述了能力加速的速度。但采用并不存在这样的规律。它受制于人类与制度性的摩擦，而摩擦是顽固的。请记住： 在 Amazon IPO 的四分之一个世纪之后，只有 20% 的购物发生在线上。 企业数据中只有 […]

阅读全文

AI

Jun 15, 2026

私人许可的理由

政府在批准新建项目方面表现得非常糟糕。幸运的是，我们有更好的选择。 亲爱的读者： 建筑许可是那种听起来总有点深奥的政策领域之一。谁会对许可改革充满热情呢？让我试着用一句宏观的话来说服你： 在我们文明的技术前沿以前所未有的速度迈向伟大成就的同时，从公寓到大型工业基础设施的一切实体建设却慢得令人尴尬，甚至堪称灾难。 如今，很明显，许可是这样一个领域：由于技术的发展，世界实际运作的方式与其本可以运作的方式之间存在着巨大且不断扩大的差距，而这会给我们所有人带来重大后果。如果我们关心建设并实现伟大的事业，那么颠覆美国各地的许可制度就是一记轻松上篮。我的朋友、前同事 Judge Glock 和我写了一篇短博客，谈谈如何做出正确的改变。请欣赏！ Joe 支持私人许可审批的理由 在几乎所有可以设想的任务上，私营部门的行动速度都比政府更快。随着人工智能的发展，这种差距将进一步扩大。 政府的迟缓意味着，它将成为新项目——尤其是新建工程——越来越严重的瓶颈。但有一个解决方案：政府应允许私营公司为项目提供检查和许可审批服务。这些公司可以利用人工智能和新技术，使许可审批体系既顺畅又透明。重视增长与可负担性的州，可以扩大现有的第三方许可审批机会，而这种做法实际上已在许多地方实行了数十年。 在美国大部分地区，受地方政府雇用的建筑官员负责检查并批准所有新建工程或康复工程。这些官员通常并不需要具备任何建筑相关的教育或背景，而且政府使自身免于因这些官员的任何失职而遭受诉讼。 长期以来，政府许可一直是一个既武断又腐败的领域。事实上，正是流程本身的缓慢，才让官员得以索要现金来推动进度。就在今年，旧金山建筑部门的一名图纸审查员因收受数万美元贿赂以批准并加快许可办理而被判处监禁；加利福尼亚一个城镇的一名检查员因索贿以加快一项导致建筑项目停滞的建筑方案而被指控 ；纽约市建筑局的一名主管因收受数万美元贿赂以加快许可办理而被起诉 ；纽约州萨福克县两名建筑官员也因通过受贿加快许可办理而被起诉 。 在一些地方，欺诈可能会成为常态。十年前，纽约市起诉了 16 名市政府官员，原因是他们收受或索要贿赂，以便在检查或许可办理中提供便利。流程越复杂、越曲折，就像纽约那样，官员就越有机会索要支付来扫清这些障碍。 然而，多年来，许多公共资金不足或地方检查部门规模较小的地区，已经将检查和许可外包给私营部门。在这些情况下，政府要么列出一份经预先批准、可提供服务的公司名单（比如几家公司负责消防法典检查、几家公司负责图纸审查等），要么为任何想提供这些服务的公司设定标准。 在第三方或私营部门模式中，政府的职责后退了一步：从执行实际检查，转变为跟踪并监督检查员和图纸审批人员。这样就为批准与不批准建立了清晰的框架，并允许其他人自行决定如何满足这些要求。除非政府有明确且能够清楚说明的理由证明私营公司的决定有误，否则这些决定都视为已获批准。 懂得如何利用技术进行检查和许可审批的私营企业，相比那些既没有工程背景也不懂 AI 的建筑法典官员，将拥有显著优势。如今，私营公司已经在使用热成像、红外摄像机、卫星、无人机及其他工具来开展远程虚拟检查。政府部门中几乎完全看不到这些工具的应用。 如今，AI 的一些最佳应用场景，就是处理复杂规则中的细微差别并识别违规行为，而且其具体程度往往远超即便训练最有素的专科医生。规划审查和许可审批审查正是 AI 可以将流程从数周缩短到数小时的那类过程。AI 所执行的具体流程也可以被映射并清晰呈现出来，而这对人工许可审查员来说是不可能的；后者始终会有更多进行任意裁量的空间。如今的建筑官员既没有动力，也没有能力将他们的技术更新到技术前沿。 许多人担心，允许私营公司提供服务会导致恶性竞争，但在那些几十年来一直这样做的地区，并没有这方面的证据，也没有大规模建筑失效或倒塌的报告。与公共部门不同，私营公司通常必须配备经过专门认证、能够执行这些审查的工程师或员工，而且他们还需对其所犯的错误承担法律责任。 近年来，各州立法者已开始推动即便是大型城市和其他地区也允许私人检查员和私人许可服务。亚利桑那州、德克萨斯州和新罕布什尔州等地已允许在地方政府未能满足预先批准的期限时启用私人检查员或许可服务提供方。德克萨斯州还允许开发商在灾害发生后立即使用私人检查员，以加快恢复。 自 2002 年起，Florida 就已允许私人公司由开发商自行选择来进行检查和许可办理。近年来，他们扩大了相关规定，允许报销原本由政府对此类检查收取的费用。结合对公共部门许可设定的强制时限，Florida 已显著提高了按时获批的比例。 第三方审查有时被认为是逃避问责的一种手段，但实际上它们是改进问责的一种方式。对政府官员来说，撤销一家不合格公司的认证，要比解雇一名不称职的政府雇员更容易。希望检查员真正改进并检查其建筑物的开发商，可以起诉那些明显未履行职责的人；而政府却使自己免于遭受同样的诉讼。 第三方审查最重要的方面之一，是它用一个清晰透明的流程取代了黑箱。开发商不再是把表格递交给一个没有具体责任人的官僚机构，而是能够知道问题何时出现、该由谁负责，以及需要修正什么。在 Texas 或 Florida 等州的法律中，如果政府拒绝接受私人检查或许可，就必须在明确的时间期限内给出清楚的理由。 私营服务提供者模式应该成为政府更普遍采用的一种模式。这类做法在政府的许多领域以及许多国家中早已是常态。在美国，Occupational Safety and Health Administration 认证 Underwriters Laboratories 等产品安全组织，对产品进行测试和批准。在欧洲，Transportation Security Administration 的地方对应机构并不直接运营安保工作，而是与执行实际业务的私营公司 签约 并对其进行监督。 提高可负担性的关键，尤其是在住房方面，是提升生产率。政府官员在批准新建筑时的拖延和随意性，是过去 60 年来建筑业生产率大幅下降的最重要原因。没有哪个领域比建筑业更能体现“时间就是金钱”这句话的真实性，因为高利率贷款以及劳动力和材料的长周期提前安排，会让成本迅速层层累积，因此缩短审批时间将对可负担性产生重大影响。德克萨斯州奥斯汀的一项研究发现，将批准多户住宅的审批时限缩短 3.5 个月，可以使租金降低 4% […]

阅读全文

AI

Jun 15, 2026

光、无线电，以及取代铜缆的竞赛：AI 时代的互连

前沿 AI 的绑定约束已经转移。到 2023 年为止，约束还是加速器供应。到 2026 年，约束变成了互连——而“互连”如今同时涵盖三种不同的距离尺度：芯片到内存（毫米）、机架内 GPU 到 GPU（米），以及数据中心机房内机架到机架（数十到数百米）。在数以万计的加速器之间传输激活值、梯度、KV-cache 流量，以及如今连内存带宽本身都要搬运的互连 fabric，必须同时为这三种尺度持续供给，并且速度要快到让硅片永远不会因等待数据而空闲。 作为六十年计算领域默认互连介质的铜，已经在 AI 集群当前所需的数据速率下碰到了难以逾越的物理极限。一个日益壮大的替代技术领域正竞相填补这一空白——其中包括 silicon photonics、基于 VCSEL 的近封装光学、THz radio-over-wire，以及仍处于早期阶段的 microLED 互连——而 2026 年正是其中几项技术从路线图幻灯片走向已出货产品的一年。 Data Gravity 是一份由读者支持的出版物。若想接收新文章并支持我的工作，请考虑成为免费或付费订阅者。 这篇文章以两种路径为核心，因为它们代表了当下由真实资本押注、且结构最清晰的方向：silicon photonics，即将数据转换为光，如今已成为 NVIDIA 和 Broadcom 交换机路线图的核心；以及 THz radio-over-wire，这是一种由初创公司 AttoTude（Wing 的投资组合公司）率先开创的方法，它将太赫兹频段的无线电信号直接通过导线传输，完全跳过光学转换。这些并不是为争夺同一个接口而彼此格斗的竞争对手。它们分别处于成本、距离和功耗曲线上的不同位置，而更持久的判断——从 Marvell、Broadcom 和 NVIDIA 如何在同一交换机家族内部并行出货多种互连形式这一点也得到了印证——是，到 2028–2030 年的 AI 数据中心中，这些方法中的若干种将会共存，而且往往会出现在同一个机架内。 无论最终是哪种技术赢得哪些插槽，这块蛋糕的规模都极其庞大。五大超大规模云服务商仅在 2026 年就有望在 AI 基础设施上投入约 7250 亿美元——几乎是其 2024 年投入的 2560 亿美元的三倍——而网络与互连已占到集群总成本的两位数百分比，不再只是一个可以忽略不计的零头。NVIDIA 已经用数字表明了其对此事的重视程度：NVIDIA […]

阅读全文

AI

Jun 15, 2026

如何使用 AI 筛选并丰富联系方式

你最优秀的销售代表早已知道谁值得联系。以下介绍如何提炼这种判断，将其文档化，并实现规模化运行。 在一个账户内寻找联系人，是大多数 GTM 团队浪费大量时间的环节。而且这通常始于一个数据筛选条件。50 人公司的 “VP of Sales” 和 5,000 人公司的 “VP of Sales” 是完全不同的工作。同样的头衔，不同的世界。但大多数团队会对两者使用同样的筛选条件，给销售代表塞进那些原本就不可能转化的联系人，然后再疑惑为什么看不到结果。 这里真正发生的是：你在把判断外包给数据库。而数据库并不知道在你的公司里什么才算“好”——你才知道。 问题所在 大多数团队都把联系方式搜集当作一次数据拉取。他们在 Sales Nav 或 ZoomInfo 中设置一些职位和资历筛选条件，导出名单，再推给销售代表。之后，销售代表要花上数小时逐个点击个人资料，试图弄清楚到底谁真正值得联系。这里没有文档化的逻辑，团队内部也没有一致性，而这些标准都只存在于某位资深成员的脑子里。一旦这个人离职，或业务扩展到他自己无法继续亲自处理的程度，这种判断力也会随之流失。 AI 带来的可能性 你可以提取这种判断力，将其文档化，并以程序化方式运行——这样每个账户中的每个联系方式都能按照相同标准进行评估，并且可以大规模执行，同时不会消耗销售代表的时间。 具体做法如下。 第 1 步：根据现实验证你的联系人理论 在评估个体之前，先严格检验一下你对实际销售对象的假设。 大多数团队对于哪些人物画像重要都有一套基本判断——职能、资历级别、角色类型。把这些写下来。然后从你的 CRM 中导出两类数据：过去 6–12 个月内主动咨询的联系方式，以及与已成交交易相关联的联系方式。将两者都上传到 Claude 或 ChatGPT，并让它总结其中的模式。 提示词示例： “这里有两个 CSV 导出文件：近期入站联系方式，以及与已成交优惠关联的联系方式。识别哪些职能、职位头衔和资历级别出现得最频繁。标记任何在已成交优惠中经常出现、但不在我们当前 persona 列表中的头衔或职能。” 你要找的是意外发现。那些你没预料到的角色。那些在你的优惠中反复出现、却不在你的目标列表中的职能。这会给你一套经过验证的筛选条件——基于实际奏效的内容，而不只是听起来正确的东西。 第 2 步：在开启语音听写的情况下进行人工审核 从少数几个账户中提取联系人列表——如果有的话，混合不同细分市场和垂直行业——然后让你们经验最丰富的人在 LinkedIn 上逐个查看每个个人资料，并大声说出来。 关键是在实时捕捉其中的为什么 。使用听写工具（Wispr Flow 和 […]

阅读全文

AI

Jun 15, 2026

记忆问题不在于检索：AI 记忆中究竟解决了什么、还没有解决什么，以及你不断碰到的鸿沟

AI 记忆真正的失败是一种安静的失败：一个 agent 把某件事已经变更之前的版本交给你，而你却从未察觉。Retrieval——这个领域一直在争相改进的部分——并不是记忆真正崩坏的地方。 几周前，我运行的一个作为 chief of staff 的 agent 非常自信地告诉我，一个问题仍然悬而未决。我知道并非如此，因为那天早上我就已经把它修好了。一小时后，它打开了一份文档准备编辑，却从一个我已经修订过的版本开始，仿佛那次修订从未发生过。接着，在它的 end-of-day 总结里，它把一个我们几小时前就已经敲定的决定列为仍待解决。之所以我能发现这些问题，唯一的原因只是那些改动恰好是我自己做的。 它并没有丢失这些工作。它其实可以顺利找到当前状态；只是它脑海中的那个版本没有任何标记表明它已经过时了。 如果你曾在任何大型组织中待过一段时间，你一定见过这种人的版本：那种会自信满满地引用一项其实在六个月前就已被撤销的政策的同事。不同之处在于，人通常会留有余地（“据我上次确认”），而 agent 不会。 对我来说，这只花了几分钟，因为当时是我在旁边盯着看。同样的失败会随着你允许 agent 在无人监督下做的事情而放大，而整个行业都在争相让它做得更多。 所有人都在争相让 AI 记住更多 现在，AI memory 几乎所有的精力都集中在一件事上：帮助模型记住更多。更大的 context window、更好的历史记录搜索、用于存储模型已学内容的知识图谱。我看到过的最清晰的公开路线图之一，是 Chrys Bader 在 2026 年 4 月发的一则帖子，“Why long-term memory for LLMs remains unsolved”，其中梳理了检索出的记忆如何被噪声挤占。这是一张很好的路线图，也是这个领域大多数人正在其中工作的框架。 我遇到的失败发生在别处。我的 agent 把那个决定记得很清楚，只是记住的是它的错误版本。找到它知道什么是一条轴线；判断它找到的东西是否仍然是当前有效的，则是另一条。把后者称为时效性。 实际解决了什么，又还有什么没有解决 记忆有两个任务。第一个是找到你存储的内容 ，也就是召回问题，而这也是该领域推进得最远的部分。最好的系统在测试中大约有 99% 的时间能找出正确的记忆，在生产环境中则大约为 85%。1 这些是 agent memory 领域里最强的数字，但仍然不足以称这个问题已经解决：在 85% 的情况下，系统大约每七次尝试中就有一次会返回错误的内容（或者什么都没有）。 第二个任务是判断你找到的内容是否仍然是当前有效的 ，而在这里，情况会因你的记忆是如何组织的而分化。如果你费力把它存成一个数据库，其中每个事实都标注了它开始为真的日期以及它不再为真的日期（这是一种刚性、结构化的设置），那么这类记录维护工作基本上就被处理掉了。2 不过，几乎没有人会用这种方式来运行他们的记忆。它需要在前期投入大量真正的工作，而且它也只覆盖那些能够整齐地适配进这种结构的事实。 […]

阅读全文