AI

AI

Jun 01, 2026

智能体引力：谁在操控你的智能体

智能体引力：谁在操控你的智能体 如果说数据引力是数据时代最重要的力量，那么智能体引力将在智能体时代扮演同样的角色。 智能体是极其强大的技术，但它们需要海量算力来驱动。这些算力背后是巨大的商业利益，主流平台将竭力把智能体留在自己的生态中。运行在平台上的智能体和数据越多，智能体引力就越强。 最近微软平台上Databricks新功能引发的事件便印证了这一点： 虽然这并非该功能的既定目标，但它实质上让Power BI客户能够更轻松地在Databricks中管理数据并构建AI智能体，而非使用微软自家的竞品数据管理产品Fabric。——The Information 那么，这究竟意味着什么： 如果DBX客户能够通过智能体创建数据管道并操控数据，那么构建这些智能体的人——或者说智能体本身——将决定在哪里运行智能体（智能体引力）以及在哪里处理数据（数据引力）。 这些智能体可以抽取语义层中的知识，将数据迁移到其他云端数据仓库，并向其他BI系统发布数据。 很快，用户便会在有意或无意间，将高利润的智能体工作负载和数据仓库工作负载迁移到新平台。 赢得并维持智能体引力，将是智能体时代的核心主题。

阅读全文

AI

Jun 01, 2026

面向智能体的文件系统

面向智能体的文件系统 人工智能与机器学习 面向智能体的文件系统Sarah Catanzaro分享2026年5月27日 如果你今年在X平台上花过时间（在等待Claude Code或Codex生成你的API集成时），你可能会认为AI智能体再过几周就会取代你的工作。快速起飞是有可能的，但今天，智能体还相当温驯。相对较少的智能体访问相对较少的文件，进行增量更新。智能体确实在规模化运作，但那只是人类的规模，而非智能体的规模。因此，这些智能体的基础设施需求是可控的。它们可以使用为凡人构建的系统来凑合。 但如果专家们是对的，这种情况很快就会改变。将会有大量的智能体，同时处理大量文件，并进行大量更新。随着智能体能力越来越强，它们如何读取、写入和更新数据的问题也变得越来越复杂。近几个月来，我被X平台上的意见领袖们说服了：我现在相信，对于智能体来说，文件系统比数据库或对象存储更合适。但我并不那么确信今天的文件系统已经为AI的未来做好了准备。 为什么是文件系统？ 当我第一次看到文件系统在X平台上成为热门话题时，我以为这不过是AI工程师们探索的又一个兔子洞，就像图RAG或SAEs一样。作为一名数据科学家，在被Pandas折磨多年后，我终于发现了SQL数据库，并很快确信我们只需要它。所有其他的数据管理系统都是蛇油（Foundation DB除外，也许Kafka也算，当然还有WarpStream）。 但互联网上的人偶尔确实知道一些事情，所以我决定深入探究。我们已经看到，当基础设施决策在一个技术范式的早期做出时，它们往往会固化。我们现在关于智能体如何与数据交互所做的选择，将塑造未来几年什么是可能的、可行的以及痛苦的。所以我们最好确保文件系统是正确的选择。否则就有可能成为技术债务界的Bruno Mars。 所以我做了我一直做的事。我和比我聪明得多的人（以及智能体）进行了交谈。而那些构建数据基础设施超过十年的人们让我相信，文件系统确实是正确的道路。原因如下： 训练语料库包含大量文件系统操作并捕获上下文 来自公共互联网的大量代码（基础模型正是在此之上训练的）代表了与文件系统交互的应用程序。读取文件、写入文件、导航目录结构以及操作路径的代码是软件工程的通用语言。打开任何一个GitHub仓库，你都会发现文件I/O操作遍布其中，例如配置解析、日志写入、资源加载和数据序列化。 数据库代码在训练语料库中也有很好的体现，但它通常依赖于代码本身未能完全捕获的上下文，例如模式、约束和特定于生产环境的访问模式。在实践中，许多数据库交互与模型在生成时看不到的外部状态紧密耦合。 这造成了一种不对称。文件系统操作具有极其简单的语义；它们通常是自包含的，可以在本地上下文中执行。相比之下，数据库操作更依赖于上下文，对正确性也更敏感；它们丰富的语义可能在不同系统之间微妙地不同。因此，当智能体处理类似文件的抽象时（其中必要的状态是显式且本地可访问的），它们往往更可靠；而当与依赖隐式或外部结构的系统交互时，可靠性则较低。 文件系统能满足智能体处理数据的需求 在生成式AI热潮之前，有两种常见的数据交互模式：OLTP和OLAP。应用程序会使用事务并发地读取、写入和更新数据库中的多个条目。事务必须快速且可靠。虽然许多OLAP系统支持读取事务内的快照隔离，但它们是为不同的工作负载设计的，在这种工作负载中，分析师通过BI和其他报告应用程序临时或重复地运行查询。分析工作负载侧重于聚合和探索大量结构化数据以生成洞察。 相比之下，智能体具有特殊的数据访问模式。考虑几个例子： 一个编码智能体必须检索包含源代码的文件，理解其结构，修改特定函数，并将更新后的文件写回。 一个法律智能体可能从存储中提取多份合同，从每份合同中提取相关条款，交叉引用它们，并综合出一个答案。 一个研究智能体可能遍历一组论文，提取关键发现，并编写一份文献综述。 这些工作流具有共同的特征。它们的特点是相对高吞吐量、低延迟的操作，针对从较大语料库中检索到的特定、通常较小、非结构化的文件。有时，智能体必须访问一系列文档，检索相互依赖的文件（例如，读取文件A，使用其内容确定要修改文件B的哪个部分，并将结果写入文件C）。 为什么不是____ 为什么不是OLTP数据库？关系型数据库非常适合具有清晰关系结构的数据——可以表示为带有模式、链接实体的外键以及消除冗余的规范化形式的表格的数据集。当可靠性至关重要时，当你需要严格的一致性、原子性的多行更新和回滚保证时，它们尤其有用。 大多数智能体工作负载不符合这种模式。 当一个编码智能体处理一个代码仓库时，“数据”是源代码——具有丰富、不规则结构的文本文件，这些结构因语言、框架和项目约定而异。当一个法律智能体处理合同时，“数据”是自然语言——具有隐式结构、难以用清晰的表格形式表示的文档。在这两种情况下，底层数据都是非结构化或松散结构化的。 这可能在模式层面造成摩擦。关系型数据库通常需要预先定义模式，但智能体并不总是事先知道它们将存储或处理什么。它们的数据模型会随着任务、工具和上下文的变化而演变。在表格中建模这可能导致频繁的模式更改或通用表示，从而将结构和验证卸载到应用程序层。 这种不匹配也可能延伸到访问模式。智能体通常不会操作小的、范围明确的记录行。相反，它们读取和写入大的、连续的数据块，例如整个文件、完整文档或完整历史记录。它们经常请求“最后N步”或需要将整个对话或代码库加载到上下文中。这些工作负载本质上是顺序的和面向历史的。文件自然地映射到这个模型，而OLTP系统倾向于将数据视为无序的行集合，使得有序的历史记录和追加式工作流难以自然表达，尤其是在涉及大型blob或嵌套结构时。 你可以通过将非结构化数据存储为blob或JSON，并使用关系型数据库作为元数据索引来解决这个问题。许多系统正是这样做的。但在这一点上，数据库不再用于其预期目的。你实际上是在事务引擎之上构建了一个文件系统抽象，同时仍然为一个针对非常不同工作负载优化的系统支付运营和性能成本……为什么不直接使用合适的工具来完成工作呢？ 显然，我不认为关系型数据库不好；我怀疑它们将在智能体和LLM驱动应用程序的开发中发挥关键作用。然而，许多智能体系统操作于不断演变的文档、日志和工件集合，将这些干净地映射到模式优先、面向行的接口上可能会引入额外的复杂性。 为什么不是对象存储？对象存储（S3、GCS、Azure Blob Storage）针对完全不同的工作负载进行了优化。它专为大型对象（如媒体文件、数据湖归档、备份快照或以TB或PB计量的ML训练数据集）的高吞吐量而构建。它主要也是为持久性而设计的，具有复制和持久性保证，使其成为长期存储的理想选择。 智能体工作负载常常颠覆这些假设。智能体频繁检索小文件，经常更新它们，并在紧密循环中操作，读取上下文、写入中间状态、读回并迭代。对象存储对于这种模式来说太慢了。S3风格的系统针对吞吐量和持久性进行了优化，而不是低每操作延迟，这使得重复的小型读写效率低下，即使使用像S3 Express One Zone这样的新层级，它虽然降低了延迟，但引入了更高的成本和单AZ持久性的权衡。 对象存储也不太适合智能体如何修改数据。对象是不可变的blob：你无法有效地追加或部分更新一个文件，只能重写整个对象。相比之下，智能体经常追加日志、更新小块状态或逐步优化输出。结果，简单的操作变成了重复的完全重写，既低效又笨拙。 一致性和协调同样受限。对象存储通常缺乏事务语义、原子性多对象更新以及跨对象的强协调原语。即使改进了一致性模型，它们也不是为紧密耦合的读后写循环或跨相关工件的协调更新而设计的。智能体通常需要可预测的状态排序和跨多个文件的安全更新，这需要在其上添加协调层。 还存在语义上的不匹配。对象存储暴露了一个带有键值语义的扁平命名空间，即使可以通过前缀模拟层次结构。而文件系统则提供了真正的层次化组织，包含目录、相对路径和导航原语。智能体在操作文件系统的代码上训练，自然地以路径和目录的方式进行推理，这使得在对象存储中管理大量小文件变得笨拙。 最后，对象存储除了键前缀之外，缺乏原生的查询或索引能力。智能体通常需要搜索先前的工件、检索相关上下文或按元数据过滤，这通常需要添加一个单独的索引层、向量数据库或元数据存储。在这一点上，对象存储变成了大型blob和检查点的持久化后端存储，而不是智能体直接交互的系统。 为什么是文件系统？与其他选项相比，文件系统在智能体工作负载方面占据了一个实用的最佳平衡点。在接口层面，它们提供了一个简单、稳定的抽象：一个按照类似POSIX层次结构组织的自包含文件集合。这直接映射到智能体处理的数据类型。代码库、文档、数据集、配置和日志已经组织为文件和目录，关系编码在路径中，结构由布局暗示。它们天生不是表格化的或单一的blob，因此智能体可以以其原生形式操作数据，而不是将其转换为其他形式。文件系统也避免了强制过早的结构化。没有需要预先定义的模式，也没有格式演变时的迁移过程。文件可以是文本、JSON、代码或任何其他形式，并且可以随着时间的推移无摩擦地改变形状。结构在有用的地方出现，而不是被全局强加。 文件系统也自然地适合智能体访问和修改数据的方式。许多智能体工作负载本质上是有序的，其中操作的顺序很重要，工件最好被理解为随时间推移的进展。智能体通过追加日志、编辑函数和调整提示来重复就地修改小文件，从而创建一个具有强局部性的紧密工作集。这些工作负载更像有序流而不是无序的行集合，文件系统通过低延迟访问、缓存和高效的就地更新来自然地处理它们。 一致性同样务实。在本地文件系统上，操作通常是即时且可预测的，简化了智能体的推理。分布式或网络化变体可能会削弱这些保证，并在可见性和排序方面引入边缘情况，但该模型仍然比需要跨许多独立记录协调事务的系统更容易使用。 结果是一个最小、可组合且已经非常适合智能体和开发人员工作方式的抽象。你可以在其下分层索引、检索、版本控制或持久性，同步到对象存储，附加向量索引，或在其他地方维护元数据。但核心接口保持稳定：智能体读取和写入文件，其他一切都是实现细节。 文件系统的现状 那么，如果文件系统是正确的抽象，现有的实现是否满足智能体开发者的需求？今天，答案是有条件的肯定，但这可能很快改变。 今天构建智能体的大多数开发者依赖于本地或单节点文件系统，通常通过标准的POSIX接口访问。工作负载是适度的：中小型文件、有限的并发性以及延迟比吞吐量更重要的紧密反馈循环。在这些条件下，一台配备SSD存储的机器就足够了。许多智能体框架隐式地假设了这种模型。它们直接读写文件，在本地缓存中间输出，并将文件系统视为一个简单的持久化层；它们不需要跨多台机器进行协调。 最近，开发者开始抽象文件系统本身。智能体不再直接与磁盘交互，而是可以操作虚拟化文件系统，包括用于工具执行和安全的沙盒化或限定范围的文件系统，或隔离执行环境的容器化文件系统。这些抽象保留了熟悉的文件接口，同时将存储与特定磁盘解耦，从而更容易重置状态、强制执行边界和管理执行。 当开发者超越单台机器的限制时，他们通常会转向试图保留相同编程模型的分布式文件系统。像NFS、HDFS、Lustre、BeeGFS和CephFS这样的系统都暴露了一个可以跨多台机器挂载的共享命名空间，允许不同的进程并发地读写相同的文件，协调通常在应用程序层处理。 尽管这些系统经常被归为一类，但它们在设计上差异很大。NFS本质上是一种允许客户端访问远程服务器上文件的网络协议，因其简单性和兼容性而仍被广泛使用。HDFS是为大规模数据处理而构建的，并针对高吞吐量、顺序访问进行了优化。Lustre和BeeGFS优先考虑并行I/O和聚合带宽，使其非常适合HPC和训练工作负载。CephFS反映了更现代的架构，分布数据和元数据以提高可扩展性和容错性。 这些系统工作良好，因为它们与它们为之构建的工作负载紧密对齐：大文件、相对稳定的数据集以及读取密集型或追加密集型的访问模式。在这种模式下，性能是可预测的，抽象基本成立。 当工作负载转向大量小文件、频繁更新以及越来越多的独立进程通过共享状态交互时，问题就出现了，这给元数据系统带来了压力。除了提供数据服务，文件系统还隐式地协调进程间的行为。虽然分布式文件系统可以在一定程度上适应这种转变，但它们并非以此为主要需求而设计的。 […]

阅读全文

AI

May 28, 2026

科技公司CEO们显然患上了人工智能综合症

如今科技行业出现了一种疯狂的现象，既模仿了以往的重大变革时代，例如云计算（早期成本失控），又与我们以前见过的任何情况都截然不同（创纪录的收入伴随着大规模裁员）。 一种可能的解释是：科技高管，尤其是首席执行官们，集体陷入了人工智能宏伟蓝图的妄想之中。至少有一位科技公司首席执行官曾公开表达过这种观点：他就是Box公司的创始人亚伦·莱维。 Levie在 X 上写道： “ CEO 特别容易患上人工智能精神病，因为他们距离利用人工智能创造最大价值所需的最后一步工作还有一定的距离。” 用莱维的例子来说，CEO们“玩转人工智能”，开发原型或生成合同，然后就盲目相信智能体可以完成工作。 但这些高层管理人员并非负责审查代码、发现漏洞以及在软件部署前识别对不相关库的调用的人员。他们无需负责根据公司独特的合同条款训练人工智能模型，也无需像莱维所指出的那样，花费数天时间仔细审查合同以找出隐藏条款。 换句话说，莱维的理论认为，CEO们对流程的理解不够深入，无法判断哪些流程真正可以自动化，哪些不能。但这种知识的匮乏并没有阻止他们根据自己的信念采取行动。 值得注意的是，莱维并非人工智能的反对者，恰恰相反。他在X平台上拥有270万粉丝，主要发布积极正面的人工智能内容，例如撰写题为“无头软件才是未来”的博客文章，阐述为人工智能代理构建的软件才是未来的发展方向。此外，他也是言行一致的践行者，积极投资人工智能初创公司，是一位活跃的天使投资人。 那么，CEO们应该怎么做呢？莱维建议CEO们“大量”使用人工智能，真正了解它能做什么和不能做什么，“最终能够体会到它带来的好处和实际工作量。” 我对人性抱有足够的信心，相信有一些CEO正在努力做到这一点，但目前看来，他们似乎是少数。 2026 年仅仅前五个月，科技行业的裁员人数就几乎与 2025 年全年一样多：据行业裁员追踪网站Layoffs.fyi的数据显示，2026 年至今已有 152 家科技公司解雇了 115,430 人，而 2025 年则有 275 家公司解雇了 124,636 人。 大多数公司都将人工智能作为裁员的原因。许多人认为，大型科技公司是在“洗白”人工智能，将过去或未来的生产力提升归功于人工智能，而实际上，真正导致裁员的是其他商业决策和指标。 不过，其中一些故事还是令人惊讶的。项目管理和生产力软件初创公司ClickUp的首席执行官泽布·埃文斯(Zeb Evans)在X杂志上自豪地宣布，在推出约3000个人工智能代理来处理内部工作后，他已经裁掉了近四分之一的员工——22%。 埃文斯信誓旦旦地保证，此举并非为了降低成本。相反，他希望打造一支由运行人工智能代理的人员组成的队伍，他们每天的工作就是快速审查代理的工作结果。他相信这将创建一个他所谓的“百倍效率组织”。 虽然人工智能可能是一个非常有用的工具，但关于人工智能与生产力的数据并不支持这种假设。而且差距非常大。 加州大学伯克利分校的《加州管理评论》 10 月份发表的一项对其他研究的荟萃分析发现，“人工智能的采用与总体生产力的提高之间没有可靠的关系”。 美国国家经济研究局(NBER) 3 月份发布的研究确实得出结论，人工智能的采用提高了生产力，但也指出存在“生产力悖论，即人们感知到的生产力提升大于实际衡量的生产力提升”。 麻省理工学院的研究人员创建了数千个智能体来执行任务后得出结论：在许多情况下，智能体的工作质量还达不到人类的水平。他们预测，按照目前LLM（语言学习模型）的改进速度，到2029年，模型将“能够以平均80%至95%的成功率完成大多数与文本相关的任务，并达到最低合格的质量水平”。 换句话说，人工智能有望在大约三年内达到大多数任务的基本胜任水平。这些研究人员认为，人工智能还需要几年时间才能超越人类。 与此同时， 《哈佛商业评论》发表的研究表明，当所有人都在使用人工智能生产更多产品时，瓶颈就会转移到高管身上。他们的工作都取决于那些必须授权所有人所生产产品的人。如果每个人都被赋予了行动的权力，那么从OpenAI去年的经历来看，情况可能会失控。 CEO们准备好了吗？如果没有，那么CEO们目前这种对人工智能的狂热追求，最确定的后果就是组织内部的混乱。

阅读全文

AI

May 28, 2026

我认为 Anthropic 和 OpenAI 已经找到了产品与市场的契合点

有强烈传闻称，Anthropic 即将迎来其首个实现盈利的季度。有关一些公司惊讶于员工使用 LLM 导致账单变得多么高昂的说法正在流传 。我认为，这是因为 OpenAI 和 Anthropic 都已经找到了产品与市场的契合点。 企业顾客如今正在支付 API 价格 我认为他们已经找到了产品与市场的契合点 而且他们正在加速扩张 围绕此事的人工智能失败案例相当单薄 我们也知道，这些实验室正在投入大量资金 API 收入正变得不那么重要 4月成为新的拐点 企业客户如今正按 API 价格付费  # 我目前订阅了 Anthropic 每月 100 美元的 Max 套餐，以及 OpenAI 每月 100 美元的 Pro 套餐。如果你是 coding agents 的重度用户，这些套餐非常划算。我刚刚在笔记本电脑上运行了 ccusage 工具，估算了如果按 API token 付费，我在过去 30 天里本来会花多少钱，结果如下： Anthropic Claude Code 售价为 1,199.79 美元 OpenAI Codex：980.37 美元 价值 2,180.16 美元的 token，只花了 […]

阅读全文

AI

May 27, 2026

AI 智能体让科技界陷入混乱，事情究竟是如何发生的

[videopress mCAR4JQ2] Claude Code 和 OpenClaw 如何引发计算领域或许史上最大变革的权威报道。 “大家好，我叫 Peter，我是个 Claude 成瘾者。” 那是 2025 年 8 月，Peter Steinberger 正在伦敦一场名为“Claude Code Anonymous”的聚会上发言。Steinberger 和几位同样“上瘾”的同行组织了这场活动，想借此结识和自己一样的人——那些被 Anthropic 颠覆范式的编程工具 Claude Code 席卷其中的技术人士。“我几乎把所有清醒的时间都投入在这上面，但还是觉得远远不够，”他在那间舒适、四壁裸露红砖的房间里对聚会人群说道。 几个月后，Anthropic 发布了 Claude Code 的新版本，Claudeholics 的队伍迅速膨胀 。这款名为 Opus 4.5 的模型能够处理更复杂的编程任务，在其记忆中保留更多内容，连续运行数小时，并管理一支由 AI 子代理组成的团队。Anthropic 为有意加入工程团队的应聘者设置了一项其所称“出了名难”的居家考试；在将这些人与自家模型进行正面对比后，Anthropic 声称 Opus 4.5“得分高于以往任何一位人类候选人”，这“引发了关于 AI 将如何改变工程作为一种职业的疑问”。 无数程序员整个假期都待在地下室和书房里，疯狂试用这个新玩意儿，仿佛一下子放出了上百个自己的分身来构建软件。或者说，像是解锁了超能力。“感觉就像变成了蜘蛛侠，”其中一人告诉我。 对于现年 39 岁的 Steinberger 来说——他长期往返于伦敦和维也纳两处住所之间——即便如此也还不够。2025 年 11 月，他推出了一款如今名为 OpenClaw 的工具，这是一种简单的方法，可以召唤出一个个人 AI 代理 ，利用 Claude Code […]

阅读全文

AI

May 25, 2026

关于与 AI 协同写作的几点洞察与体会

💡 文章信息：作者：Tomasz Tunguz (MD @ Theory) | 英文原文：点击阅读 💡 核心论点 AI 大模型在帮助作者撰写高度标准化的行业公文、邮件回复和材料摘录时，是一次伟大的生产力释放。 但在处理极具个性、包含复杂暗默隐喻以及深刻真情实感的原创思考时，AI 的文字极易滑向千篇一律的平均无聊。 人机协作的黄金边界在于：让 AI 充当极高吞吐的资料整理专家与结构大纲构想者，而将最核心的洞察笔墨交由人类自己去完成。 📑 严格逐字逐段翻译 Theory Ventures 的风险投资家 当我翻阅安妮·拉莫特的新书《好写作》时，我想知道人工智能会如何解释扭曲陈词滥调和寻找隐藏的隐喻（第 18 章和第 19 章）。 在过去 16 年的写作生涯中，我阅读了有关写作的书籍、聘请了编辑并使用了人工智能。我微调了模型来模仿我的声音，测试了 10 多个人工智能系统，并用人工智能撰写了许多帖子，尽管我感到尴尬，但我仍然公开了一些兴登堡作为证据。 写作对人工智能来说很难。首先，AI有自己的声音：双子座发出阳光；克劳德的态度慵懒但敏锐； & OpenAI Codex 是最冷静的。对于人类和人工智能来说，用另一种声音写作是很困难的。 所以用单一模型来写是行不通的。人工智能编辑委员会怎么样？这个概念在代码审查中熠熠生辉。为什么不评论博客？ 在我的第四稿中，我要求 Gemini、Claude 和 OpenAI Codex 相互编辑我的作品。结果不是优雅的马赛克，而是一场手指画灾难。每个模型都有自己的声音。就像三位剪辑师对这篇文章有三种看法一样，人工智能模型无法就一致的基调或风格达成一致。 而且每个人都愿意以编辑的名义直接、随意、残酷地传递它。 例如，这篇文章： 判决。这是一场三杯啤酒的对话，被误认为是一篇完成的文章。选择一个角度：拉莫特冥想、人工智能合唱团实验或黑胶耀斑理论。用细节、引言、图像来开发它。正如所写，它是 500 个单词的智能观察，没有一个不可磨灭的句子。 …想象一下每天的法拉戈一式三份。 人工智能合成图像、视频、文本的能力意味着任何东西都可以被创造。什么是正宗的？不完美。 黑胶唱片的流行音乐、柯达彩色胶片上的太阳耀斑、不完美的类比和标点符号错误（& 符号爱好者，联合起来！），脱颖而出。 人工智能可能会生成大量数字手册和文档，并且有一天可能会模仿我们真实的写作方式。但写作的不完美正是它成为好写作的原因。 一分钟阅读即可将技术数据转化为战略优势。 […]

阅读全文

AI

May 21, 2026

讨厌 AI 其实是件好事：LinkedIn 上或许充斥着鼓吹者，但拒绝 AI 才是人性的选择

[前 Google CEO Eric Schmidt 在嘘声中亮相] Jonah Peretti 非常幸运。由他 20 年前创立、估值一度达到 16 亿美元的爆款媒体公司 Buzzfeed，在亿万富翁 Byron Allen 同意收购其 52%股份之际，正面临现金枯竭。就在这一新合作关系公布的同时，Peretti 宣布 ，他将辞去 Buzzfeed 首席执行官一职，转而担任新设的 Buzzfeed AI 总裁。因此，Allen 将继续为这位昔日媒体巨头的执念买单， 而 Peretti 承诺 （但并无证据）AI 将使公司重回正轨。毫无疑问，这很幸运，但这也是一种集体幻觉的一部分：人们认为 AI 不仅值得我们投入金钱，甚至还配得上我们的尊重。 最近，我感觉自己正迅速激进化，变成一个我只能称之为“反 AI 福音传播者”的人。我对这个话题的感受从来都不隐晦——上个月我甚至专门写了一篇檄文抨击此事 ——但随着越来越多的例子表明它是多么容易被用于不道德的用途，我已不仅仅是怀疑它。 我反对它。 考虑到今天《华尔街日报》的头版都在宣告一场“AI 叛乱”，并指出公众对这一议题的看法正以“惊人速度”恶化，我不会把这称作一个特别大胆的立场。我认为，真正新鲜之处在于承认：那些厌恶 AI 以及厌恶它被强行塞进社会的人，是真实存在、且应被认真对待的群体。我想，如果亿万富翁和品牌都要试图把我们打到向 AI 屈服，那么我们也完全有理由挥上几棒。人们总在告诉我们，如果不用 AI，我们就会被甩在后面；但如果我们更想把那些 AI 鼓吹者甩在后面呢？是时候让那些不把 AI 视为不可避免之物、而是视为一种责任的人发出自己的声音了。 现在轮到我们了。 过去一周左右的配乐，是一片嘘声：当那些脱离现实的成年人试图告诉即将毕业的学院学生，他们必须拥抱 AI， 否则后果自负。 其中最引人注目的，或许是 Arizona 大学毕业生发出的嘘声——当前 Google 首席执行官 Eric Schmidt 对他们说：“问题不在于 AI 是否会塑造世界。它会。问题在于，你是否会帮助塑造人工智能。” […]

阅读全文

AI

May 20, 2026

Harvey 的 Winston Weinberg：为什么 AI 将迫使律师改变收费结构

这家法律初创公司的联合创始人谈到了 AI 如何可能撼动律师事务所的商业模式，以及他计划如何保持领先于竞争对手 Harvey 是“应用层”初创公司中的一员，这类公司基于 Anthropic、OpenAI 等开发的强大 AI 模型构建工具，供特定行业使用。 在与英国《金融时报》风险投资通讯员 George Hammond 的这场对话中，该集团首席执行官 Weinberg 谈到了 AI 如何可能颠覆律师事务所的商业模式，以及 Harvey 如何在竞争对手中保持领先。 George Hammond： 你读法学院的时候，是否已经感觉到 AI 或某种自动化将进入法律行业？ Winston Weinberg： 没有，这绝对不在我的考虑范围内。我当时关注法律科技，但直到我遇见联合创始人[Gabriel Pereyra]，我才真正开始思考这件事；那时他正在做一家教育初创公司。 我记得我们第一次见面时是在一次早午餐上，他试图解释说，他基本上打算利用对国际象棋走法的预测分析来教人们下棋。然后再把这一套方法应用到大规模教育领域。 那家初创公司最终没能做成。后来他开始在 Meta 工作，而我则去了 O’Melveny & Myers 任职。 对我们来说，真正“恍然大悟”的时刻是：2021 年底，他基本上向我展示了[OpenAI 的]GPT-3。我们随即把它拿来使用，而我开始在 O’Melveny 的一起房东与租客公益案件中使用它。 我们让它处理 100 个案件，然后把[它的回答]交给三位房东与租客事务律师。我们完全没有提到 AI。我们只是说，“嘿，这位消费者问了这个问题。你会把这个答案发回给他吗？”在 100 个问题中，有 86 个得到了肯定答复。 GH： 你们当时是否把这视为后来可能发展成 Harvey 的概念验证，还是你们在想，“我们有了这样一个了不起的工具，为什么不直接用它来完成我们自己的工作？” WW： 我们基本上做出来后，就把它发给了 […]

阅读全文

AI

May 20, 2026

Google 的 James Manyika 押注：对 AI 和就业持悲观态度的人错了

任务越来越容易被自动化——工作却不是。接下来怎么办？ 上周，我与 Box 首席执行官 Aaron Levie 坐下来聊了聊 。他提出了一个在我看来相当有力的观点：工作岗位远没有 AI 公司一直告诉我们的那样容易被自动化取代。Aaron 的论点大致是这样的：人类工作的“最后一公里”——判断、语境，以及那些杂乱复杂的部分——短期内实际上不会被自动化；而企业即将迎来更多人类与智能体协同工作的局面，这意味着我们仍然可以保住自己的工作。我结束那场对话时，心情相当乐观。 本周，我想把这种乐观态度摆到一位这样的人面前：他的整个职业生涯都在努力衡量——有时甚至是在整个经济体层面——新技术究竟会对工作产生什么影响。James Manyika 是 Google 和 Alphabet 的高级副总裁，负责 Google 的研究和实验室运营，同时领导一个公司称为“技术与社会”的团队——这一工作旨在考量 Gemini 等 AI 系统带来的更广泛影响，并制定 Google 围绕这些系统的战略。 需要考虑的事情很多。正如我在这次与 Manyika 的对话中所谈到的，如今 10 个美国人中有 7 个反对在自己所在社区建设数据中心 。而许多美国人从这个行业本身接收到的有关 AI 的信息——先是我们会夺走你的工作，最终我们还可能杀死你——显然并没有让很多人站到大型科技公司的旗帜之下。 鉴于他的职位，Manyika 持更乐观的看法并不令人意外：他说，工作比硅谷通常认为的更难被自动化，这一过程的展开也会比其他前沿 AI 公司所放出的某些更激进预测来得更慢。（这一观点也得到了一些 Google 高管的认同：DeepMind 首席执行官 Demis Hassabis 今天在 Wired 上警告称，用 AI 工具取代软件开发人员或许是个错误。“我认为，这反映了想象力的缺乏——以及对真正将要发生之事缺乏理解，” 他说 。） 但与大多数大型科技公司高管不同，Manyika 是在硅谷之外的漫长职业生涯中形成这些看法的。作为 McKinsey 的资深高管，Manyika 近十年前曾合著一篇关于自动化对劳动力潜在影响的论文。此后，他共同担任联合国秘书长人工智能高级别咨询机构联合主席，并在拜登总统任内担任美国国家人工智能咨询委员会副主席。 因此，当 Microsoft 和 Anthropic 等竞争对手公司的领导者坚称，相当一部分白领工作即将消失时，Manyika […]

阅读全文