AI

深入洞察市场脉搏,精选高价值分析报告

决策的终结:人工智能正在吞噬人类判断的需求 AI
Jul 06, 2026

决策的终结:人工智能正在吞噬人类判断的需求

我曾痴迷于扑克,投入了近乎病态的时间。这些年来,我在几乎所有知名线上扑克平台打了超过 1.5 万场锦标赛,经手了逾 200 万手牌。体验过在数千人参赛的线上赛事中夺冠的高光时刻,也经历过财务下风期的低谷,更有一些至今回想起来仍让我作呕的坏运气。我曾与世界顶尖高手对局,包括我的偶像本杰明·罗勒(更为人熟知的是 bencb789)。每一刻我都甘之如饴。 除了偶尔在 Pure Poker 上玩几局(我是该平台的天使投资人),我如今已很少打牌了。关于打扑克教会我的风险投资与创业之道,我能写很多内容,但这改日再谈。近几个月更令我着迷的,是这样一个概念:正如求解器之于扑克、引擎之于国际象棋,人工智能正在成为我们生活和工作中的”战略推演引擎”。 20 世纪 90 年代末至 21 世纪初,扑克突然成为主流文化的一部分。ESPN 开始转播世界扑克系列赛,一整代人通过那些堪称史上最酷的角色发现了这项游戏。场面堪称史诗——菲尔·赫尔穆特在牌桌上大发雷霆,道尔·布朗森戴着牛仔帽安静端坐、操着浓重的南方口音,而斯科蒂·阮一边抽着烟喝着啤酒,一边全押并说出那句经典台词:”你跟注就结束了宝贝。” 剧透提醒:他接了,果然结束了。 这些玩家不仅技艺精湛,更是传奇人物。他们如巨星般闪耀,推动这项运动蓬勃发展。人们开始像运动员研究比赛录像般钻研他们的牌技,他们撰写的扑克策略书籍风靡一时,甚至开创了扑克教学产业。关于这项运动的整套理论体系逐渐进入主流视野。扑克正在发生质的飞跃。 那么问题在哪里呢,莫里斯?问题在于,没人意识到自己打扑克的水平有多差。没错,即便是 90 年代的传奇人物,也敌不过(而且大多确实已经输给了)当今的普通职业选手。 那么,究竟发生了什么变化?每当我告诉别人我曾是职业扑克玩家时,他们总会问起心理层面的东西:读心术、察言观色、墨镜、直觉。虽然这些因素确实存在,但并非游戏真正的根基。扑克本质上是一门极度依赖数学的游戏,你越接近完美的 GTO(博弈论最优)策略,赢面就越大。 GTO 并非新概念,但在 2010 年之前,一桌玩家几乎不可能达到近似纳什均衡的状态。另一种理解完美 GTO 玩法的方式是,这种策略是不可被利用的——换言之,无论你向执行完美 GTO 的对手抛出什么策略变化球,长期来看你都会输,除非你也在完美执行(此时双方盈亏持平)。但若无强大工具辅助,人们又该如何接近对扑克中真正 GTO 形态的理解呢? 解析器的到来永远改变了游戏规则。我认为 PioSOLVER 是最早从根本上改变职业选手获胜所需水平的软件。玩家首次能将特定情景输入计算机,亲眼目睹数学上正确的玩法究竟是何模样。结果令人汗颜——那些顶尖玩家笃信多年的打法,竟被发现是错误。整套战略框架或“决策树”在基础数学面前轰然倒塌。解析器从不在乎你玩了多少年、名望几何、自我感觉多好,它只陈述事实——数学真理。没错,十有八九,你只是个菜鸟。 要准确描述这些工具的强大程度,莫过于通过一个作弊故事来展现。2020 年,一位名叫费多尔·克鲁泽的德国年轻玩家,在 PokerStars 平台低 stakes($100 NL)仅能勉强盈利,却在不到一年内跻身全球顶级的$40k NL 在线高额桌赢家之列。没人能参透他为何进步如此神速。最终,他在维也纳的室友们公开揭发其作弊行为:每局牌他都用第二台电脑实时接收求解器分析结果——这套设备被室友们称为“造梦机器”。GGPoker 没收了他的奖金,克鲁泽最终也承认了作弊。每当有人坚信扑克纯靠运气时,我最爱用这个故事来回应。若你仍持此观点,欢迎私信我——倒是很想和你切磋一番! 国际象棋更早经历了同样的转变。像 Stockfish 这样的引擎如今已近乎完美的决策系统——若我在与马格努斯·卡尔森对弈时偷偷用手机调用 Stockfish 或 LCZero 作弊,每局必胜。只需逐着遵循其指令,结果便成定数。毋庸置疑,得益于引擎及其辅助训练复盘的能力,当今顶尖棋手已远超昔日大师。 这引出一个问题:在我们生活的哪些领域,我们正像业余选手一样行事,自认为做出了明智的决定,却终有一天发现新技术能比我们更清晰地看透局面?我们又在哪些地方把价值白白浪费掉了? 扑克和象棋只是最容易看到这一概念发挥作用的地方,但在金融领域,几十年来同样如此。从文艺复兴科技到简街资本,最优秀的量化公司都建立在这样的理念上:投资和交易决策可以系统化——从数据中提取信号、进行统计检验、转化为模型、用风险加以约束,并通过软件执行。这并非新鲜事——长期以来,我们在量化交易、信用评分、欺诈检测、定价算法、广告定向、预测,甚至第四档是否强攻等决策领域(@纽约喷气机队——你们可能应该直接弃踢),早已拥有基于模型的决策系统。 […]

作为模型的世界:关于感知、表征及物理世界金融化的研究系列 AI
Jul 06, 2026

作为模型的世界:关于感知、表征及物理世界金融化的研究系列

每一个持久的市场,都始于对世界更精准的建模。 高频交易公司之所以胜出,并非源于对市场更深刻的理论认知,而是因为它们找到了让预测具备经济价值的表征方式。当预测变得唾手可得时,稀缺资产不再是模型本身,而是使预测得以付诸实践的感知架构与市场基础设施。 在毫秒级时间尺度上,市场呈现出低分辨率下基本消失的统计结构。高频交易公司构建的系统能抢在所有人之前捕捉、组织并利用这些信号。它们的优势并非发现了某种深奥的市场”真理”,而是找到了一种存在足够预测信号、可进行盈利交易的表征方式。这种优势是结构性的,几乎无法复制。 同样的转变正在物理世界中开始发生。 工厂、矿山、电网、卫星和数据中心正首次转变为信息系统。那些能够以原生分辨率呈现物理现实的企业,不仅将构建更先进的工具,更将决定数万亿美元实体资产如何被融资、投保和交易。 本系列文章勾勒了如何构建物理世界的表征层,以及该表征层诞生后可能催生的全新市场。 呈现现实 语言是一种为人类间沟通优化过的压缩格式。当人类开始编写计算机代码时,我们强行将现实塞入了同样的过滤器。当前一代人工智能系统直接继承了这一限制:数字世界建立在语言之上,因此训练数据中包含的正是语言。LLMs 在这个瓶颈内展现出非凡的能力,但囿于其构造方式,它们对瓶颈之外的大量事物视而不见。 随着 AI 系统能够生成并策划自身的训练数据,同时视觉、机器人技术及物理感知等新模态进入训练流程,语言瓶颈开始松动。问题随之浮现:针对不同现实领域,最优的压缩格式是什么? 最佳表示不一定是最丰富的,而是能在保留准确重建或预测系统行为所需信息的前提下,最为简洁的表示方式。 能够让工业经济及其组成部分进行原生推理的模型尚不存在。这种情况正在开始改变。从金属切削、注塑成型到同位素生产、铜矿开采,新一代企业正在为工业流程构建数字原生表征。 谁发现了物理世界的正确几何结构,谁就能更高效地压缩现实,以更低成本做出更准确的预测,并最终决定实物资产如何融资与定价。 简而言之——那些能够为物理基础设施开发、构建并部署完整“现实堆栈”的公司,将定义这一现实的金融化进程。我们在 Crucible 的工作就是寻找、投资并规模化这些企业。 维度诅咒 每一个现实领域都存在一个原生分辨率,在该分辨率下信号变得可恢复。经济机遇便蕴藏于将其发现的过程之中。 这是数据科学中最古老且最具实际影响力的问题之一。鉴于其对 AI 推理成本、向量数据库经济性以及大规模数据采集设计的影响,该问题如今正迎来复兴。 理查德·贝尔曼的维度灾难对此描述得十分贴切——随着维度增加,数据稀疏性呈指数级增长。换言之,当数据维度增加时,固定样本量的数据点代表性会降低。 你在这一简单图表中看到的是,我们展示了数据在不断增加维度时的采样情况。每增加一个维度,数据样本对空间的代表性就会降低,因为每个维度都会使数据集呈指数级增长。 每一种表征最终都涉及压缩的抉择。应对这一”诅咒”的传统做法是降维处理——投影至可操作的空间进行工作。这在数字世界行之有效,那里仅有少数几种模态需要压缩。而物理世界却拥有数百种模态,其中许多我们才刚刚开始进行仪器化测量。 维数灾难假设你是在均匀且盲目地采样,对信号所在位置毫无先验知识。幸运的是,对于大多数物理系统而言,这一假设并不成立——因为我们有科学。物质与能量遵循可预测的规律,其根源可追溯至两个世纪的科学发现。 物理学提供架构,热力学揭示变量的耦合关系,流体动力学约束压力的传播路径,材料特性则决定系统变形、疲劳乃至最终失效的方式。信号并非均匀分布于高维空间,而是集中在由物理定律塑造的更低维度流形上——这导致基于稀疏传感生成的表征有时并不可靠。 李飞飞博士巧妙地道出了翻译的挑战: 具有明确几何结构、材料属性和物理标注的三维数据,其稀缺程度比互联网视频高出数个量级——后者正是渲染器模型训练的素材来源。仿真与现实之间的鸿沟(即事物在模拟环境与真实世界中表现出的差异)依然存在。在此基础上,生成式模拟器又引入了新的风险:AI 生成的几何体可能视觉正确,却包含自相交或比例错误等导致物理模拟结果荒谬的问题。当刚体、可变形物体、流体和织物在跨物理场大规模模拟中相互交互时,其计算成本仍比单一领域模拟高出多个数量级。 这一翻译问题,即从物理现实到机器可读表征的转换,正是机遇的起点。 以原生分辨率采集数据 当前的物理数据格局处于两个极端:稀疏或密集,几乎没有中间状态。 一端:密集采集。 采集一切。这一领域的终端在当今物理世界中几乎不存在,因为传感硬件的成本会随着节点数量线性增长。或许唯一实现密集采集的领域是自动驾驶,尤其是特斯拉的方案——因为其失败代价是生命损失。而在几乎所有其他物理活动中,密集数据采集都尚未实现。 在另一端:稀疏采集。 现今物理世界大多如此。数据采集的单位经济模式倾向于仅通过结构化触发机制与方法收集特定事件。这种模式高效却脆弱,既限制分辨率,更可能呈现经过采样的现实流形,无法真实反映物理系统的实际运作状态。 世界上仍有大片区域尚未实现数字化,这些区域几乎没有可用的数据集。最优的数据采集需要硬件与软件协同,找到与用例相匹配的分辨率,并基于系统定义的规则动态调整颗粒度。LLM 时代的经济特征正凸显出新的方法论需求——需要将传感硬件、数据拓扑结构和模型,与智能化的底层经济规律精准匹配。 极端的资源约束是科技进步的绝佳催化剂。我们正从能源与算力富足的时代,步入一个长期持续的、结构性稀缺的新阶段。当下正是投资新一代企业的黄金时期——这些企业将以前沿技术突破边界,通过创新手段降低能源与算力需求,重塑成本曲线。 工业的未来将像高频交易公司一样 在 Crucible,我们以资本市场的视角审视世界。再工业化浪潮对机械与工业工程着墨甚多,却对金融工程关注不足——这一格局正在且必须快速改变。资本市场是稀缺实物资产实现最优配置的机制,过去五个世纪的经济增长正是建立在此基础之上。市场是强大工业经济的脊梁。 进一步的证据点:见我们近期关于下一个能源独角兽将是一个交易台的论述,以及大宗商品和货币对冲、塑料行业对数据、货运和融资的需求。 市场是少数几个信号历来非语言的领域之一。价格不是文字,订单流不是句子。市场的信息含量存在于带时间戳的事件序列中,每个事件都承载着位置、速度与语境——这种结构与语言无关,却与几何学密不可分。 高频交易公司深谙此道并依此构建体系。它们并非单纯收集更多数据,而是构建了最高保真度的现实表征。每个成功的表征本质上都是在应对维度诅咒的终极命题:哪些变量重要到必须保留,哪些可以被舍弃。它们通过构建与信号原生分辨率相匹配的表征——那些在任何较低采样率下都不可见的微观结构模式——并掌控必要的物理基础设施,确保能比任何人更早将这种情报变现,从而赢得市场。 这种优势之所以持久,是因为它既具有结构性又具有专属性。掌握正确的表征方式并非轻易可复制的优势。这需要构建专属数据采集基础设施、搭建数据分析层来整理数据、将信号转化为策略,并在他人之前实时执行,同时通过紧密的反馈循环实现递归式自我优化。 这一结构性护城河正首次面临挑战——并非来自竞争对手高频交易公司,而是来自前沿 AI 实验室,它们凭借算力将数年的策略开发压缩至数月。市场中持久表征优势的窗口期可能正在收窄。 在工业领域,这一变革才刚刚开启。 物理基础设施——机器、管道、电力系统、建筑物、车辆——在数百种模态中产生连续信号。如今,大多数信号未被捕捉,至少操作者及其贷款方未能捕捉到。即便捕捉到的信号,也鲜有达到使数据从单纯描述变为可预测的高分辨率水平。每 15 分钟采样的温度传感器只能告诉你机器过热,而连续毫秒级分辨率的振动特征可提前三周预警轴承即将失效。 […]

AI 的优化时代:拥有智能、爬山机器与私人评估 AI
Jul 06, 2026

AI 的优化时代:拥有智能、爬山机器与私人评估

拥有而非租赁智能,从未像现在这样重要。即使在先进模型出口管制实施之前,这一点就已成立。 前沿模型代币成本是最佳开源模型的 10 倍。 人工智能分析 评估每项任务的成本时,情况同样严峻。 人工智能分析 现实是,大多数企业软件工作流程并不需要前沿智能。 人工智能分析 拥有智能而非租赁智能的理由不仅是经济上的,也是基于性能的。 我清楚地认识到,智能在此是一种运行时现象。两组字节完全相同的权重,在部署时可能带来截然不同的体验:其服务的精度与量化程度、缓存管理方式、请求落入的资源池、超前运行的推测解码器、推理努力程度,以及多租户环境下的干扰邻居——所有因素都会产生影响。 如果你不拥有推理服务引擎,那么精度、KV 缓存的页面分页或量化方式、请求的批处理与调度机制——所有这些选择都成了供应商有权自行更改而无须告知你的事宜。但如果你拥有它,那么当输出发生变化时,你就有追责手段:你可以通过 Git 溯源或二分定位来排查问题,而不是在 r/某个论坛上对供应商发火。 Adam Azzam Modal 的 Adam Azzam 将模型权重比作母带:纯净无瑕,一次混录,存放于库房。但人们从未直接聆听母带,而是通过他人掌控的调音台与空间播放——即那些实验室。 那条回放链就是服务基础设施:路由、量化/精度、缓存、批量处理、推理投入。这就是为什么即使模型相同,你的产品却在评估中出现退步的原因。 除了服务基础设施,Fireworks 的 Lin Qiao 认为,前沿领域远不止 Anthropic 和 OpenAI 的最佳闭源模型。 不存在单一的前沿,而是存在众多前沿。 前沿模型是一种前沿。 基于多年专有公司知识进行后训练的模型则是另一回事。 一个能够比任何其他模型更好地解决某个狭窄问题的专用模型,则是另一种情况。 一个将请求路由到多个模型集合的路由器,使这些模型协同工作,在许多任务上超越任何单一模型的表现。 多家应用型 AI 公司已加大力度自主掌控智能技术。最典型的案例是 Harvey,该公司已发表多篇论文阐述如何针对其领域进行模型后训练,促使联合创始人 Gabe Pereyra 详解其正在探索的多个研究方向: In post-training Nvidia’s Nemotron family, they’ve pushed out the Pareto […]

如果我们不理解人工智能,又如何能构建它? AI
Jul 06, 2026

如果我们不理解人工智能,又如何能构建它?

“我们不了解 AI”的说法仍是整个行业持续存在的主题。Anthropic 首席执行官达里奥·阿莫迪在题为《可解释性的紧迫性》的文章中写道:“行业外人士往往惊讶且不安地发现,我们连自己创造的 AI 系统如何运作都不了解。”IBM 的马修·科辛斯基近期关于黑箱模型的博客指出:“连创造者自己都未能完全理解其运作机制。”《纽约时报》甚至刊登了题为《我们并不真正了解 AI 如何运作》的文章。“这就是个问题”——文章追溯了 Anthropic、Goodfire、Google DeepMind 等机构的研究人员如何仍在艰难地绘制这些系统中极小部分的功能图谱,其中 Google DeepMind 的一位负责人坦言,在专注研究某项流行技术一年后,他已对此感到失望。这形成了一幅充满矛盾的图景:正是推动这些性能飞跃的人们,却声称自己都不理解自身模型的工作原理。 有趣的是,正是语言模型最激烈的批评者认为我们从根本上理解它们的工作原理。Meta 前副总裁兼首席 AI 科学家杨立昆认为,模型”大致上只是复述了从公开数据中训练的内容”,并创立了 AMI Labs 公司探索全新架构。当艾米丽·本德、蒂姆尼特·格布鲁及其合著者在 2021 年发表具有影响力的论文《论随机鹦鹉的危险性:语言模型会过于庞大吗?》时,他们声称 LLMs 本质上是随机鹦鹉,仅通过统计方式拼接语言形式,缺乏任何底层理解。乍看之下,这两种立场似乎不可调和:一方声称这些系统对构建者而言都难以理解,另一方则认为它们毫无神秘可言。但两者可能同时成立。 已知架构,未知结果 如同物理学家和化学家从原子层面理解分子如何运作与相互作用,人工智能研究人员对语言模型的基本构成模块有着完整的认知。我们能够有力论证构成语言模型的各种数学运算、其使用的算法以及运行的底层架构。同时我们也认识到,当前采用的架构具有极强的表达能力——理论上,只要模型“足够庞大”,就能学习到包罗万象的函数形态。通用近似定理告诉我们,即便只有一个隐藏层的前馈网络,只要具备足够宽度和恰当的非线性激活函数,就能以任意精度逼近ℝⁿ紧致子集上的任何连续函数。而现代深度网络将这一特性推向极致,使得当前网络的函数假设空间变得无比广阔。 然而,这些模型所学的内容可能极其复杂,以至于尽管我们理解其运行和学习机制,却仍难以把握它们实际习得了什么。自然语言正是这样一个需要大型模型和海量数据才能捕捉其底层功能的领域。我们理解其结构、构建模块和训练数据,但语言背后的功能过于复杂,当模型经过训练能近似实现这一功能时,我们无法完整解释模型为何会遵循特定的行为模式。 这与一个更大的模式相关:当系统规模扩大时,我们无法预测其属性。研究者将这类特性称为涌现现象,只要系统呈指数级增长,这类现象就会出现在各个科学领域中。 涌现系统 理解更庞大的系统一直是众多科学领域长久以来的挑战。在 1972 年发表于《科学》杂志的经典论文《多即不同》中,诺贝尔奖得主 P.W.安德森提出一个观点,如今自然延伸至人工智能领域: “人们似乎不可避免地会不加批判地得出一个乍看之下显而易见的还原论推论:如果万物都遵循相同的基本法则,那么真正在研究根本性事物的科学家,只有那些致力于这些法则的人。实际上,这仅限于部分天体物理学家、基本粒子物理学家、逻辑学家及其他数学家,以及少数其他领域的学者。这种思维的主要谬误在于:还原论假设绝不意味着‘建构论’——将一切简化为简单基本法则的能力,并不等于具备从这些法则出发重建宇宙的能力。” 理解粒子并不意味着我们可以据此推演出行星天体、生命有机体或复杂社会。尽管对细胞和神经元进行了大量研究,我们仍未完全理解人脑。同样的鸿沟也存在于我们对 Transformer 个体运算的理解与对训练后模型实际所掌握内容的认知之间。 扩大模型规模确实能可靠地提升其性能,但这并不意味着更庞大的规模会自动”涌现”出类似超级智能的能力。我们目前所处的规模阶段,训练这些系统的人员已经无法完整描述被学习函数的形态,因此难以准确判断性能边界所在。这正是围绕 2027 年人工智能突破的预测难以被全盘接受的原因——这些预测的提出者始终将 2027 年定位为最可能的时间节点而非确凿预言,此后也已将中位数预期调整为更晚的日期。耐人寻味的是,他们之所以如此行动,并非因为出现了难以解释的现象,而是因为在自主编程等任务上的可量化进展速度低于预期——这提醒我们,无论从哪个方向看,人类基于当前趋势进行外推的能力都相当薄弱。或许如基础实验室所愿,扩展现有架构规模将催生智能的飞跃。但这种增长同样可能遭遇瓶颈,或产生出人意料的突变。正是这种不确定性,使得即便最贴近这些系统的研究者们,对未来走向也各执己见。 可解释性的新方法 由于语言模型极为复杂,研究人员长期以来一直依赖其他模型来解读和解释基础模型的产出。Anthropic 提出的一种新方法利用自然语言自编码器来解释特定输出。与先前试图揭示 LLMs 在训练过程中学习到哪些特征的稀疏自编码器研究不同,这项研究提供了逐点分析的信息。 当获取模型针对特定输出的内部状态时,自然语言自动编码器能用自然语言解释模型为何以特定方式回应提示。其运作机制是:将模型的内部状态作为输入,生成对该模型输入与输出结果的文字描述。训练过程将这种语言解码器与第二模型(激活重建器)配对,后者尝试仅凭自然语言描述还原原始内部状态。要使描述足以重建内部状态,就必须包含关于模型此刻表征内容的真实信息。 这些局部解释在多项调查任务中发挥重要作用。在 Anthropic 对 Claude Opus 4.6 […]

人工智能并没有让软件变得更便宜,而是让成果可以被占有 AI
Jun 30, 2026

人工智能并没有让软件变得更便宜,而是让成果可以被占有

HubSpot 改变了软件的含义。它将引领行业走向何方? 去年 4 月,HubSpot 开始对其人工智能实际解决的每次咨询收取 50 美分的费用。他们并非首家采取这种做法的公司,Zendesk 和 Intercom 等其他企业也早已开始了同样的转型。 仔细想来,这确实是一次巨大的变革。人们不再仅仅为使用某种工具而付费,而是要为顾客的问题真正得到解决而付出代价。软件行业也正在摆脱单纯提供使用权限的模式,转而承担起对最终成果的实际责任。 根据 Gartner 和 Deloitte 发布的《2026 年 TMT 行业预测报告》,过去一年中,按用户数量计费的 SaaS 模式在整体市场中的占比从 21%下降到了 15%。这并非仅仅是四舍五入造成的误差——市场正在重新评估软件的真正价值。 而这正预示着一场更为重大的变革。 连锁反应 人工智能的作用远不止于降低开发成本,它实际上带来了一次根本性的变革。通过提升人类的工作效率,人工智能不仅能加快进度,还能实现大规模的个性化服务,进而让企业能够对最终成果负责,获取更高的价值,最终推动那些具备垂直整合能力的企业崛起。 过去,企业总是被迫在两种选择之间做出抉择:要么提供高度定制化的服务,但这需要大量的人力;要么通过标准化来实现规模扩张。这始终是一种权衡。如今,人工智能正在模糊这些界限。 随着软件承担起更多繁重的工作,整个价值链的运作模式正在发生根本性变化。企业能够更贴近顾客的最终目标,获取他们创造出的更多价值,甚至在某些情况下从零开始重塑整个行业。HubSpot 近期调整的定价策略,正是这一变革的起点。 法规正是这一竞争优势的保障 受监管行业正是最具潜力的人工智能应用领域。这些行业的销售周期极为漫长且艰难。但恰恰是这种困境转化为了优势——一旦赢得了客户在医疗或金融领域的信任,客户的留存就会成为一种结构性因素,而非仅取决于合同条款。 以财富管理领域的 Range 为例。客户购买的并非软件,而是将自己财务事务的管理权交托给对方。诚然,其销售周期极为漫长,但这种艰难的过程实际上却是一种竞争优势。一旦赢得了客户的信任,就几乎不可能被取代——他们的粘性是普通软件所无法比拟的。 Qualified Health 也是如此。他们的优势并不在于“更出色的”模式——如今所有企业都拥有同样的技术。他们能够胜出,是因为医院系统愿意将关乎生死的实际临床工作交给他们处理,而非仅仅让他们负责数据录入工作。 别再把合规视作负担——它其实是你进入市场的障碍。人工智能或许能更快地编写代码,但却无法加速信任的建立。这才是真正的关键工作,也只有这样,才能打造出真正经得起时间考验的企业。 顾客想要的是实际成果,而非软件。 Sierra 和 Decagon 这类客户体验平台销售的是实际成果。软件只是他们用来实现目标的工具,而他们收费的则是最终取得的成果。顾客们提出的问题也发生了变化——不再是“这款软件有什么功能”,而是“我的问题解决了吗?这又让我付出了多少成本”。软件只不过是实现目标的基础设施,真正值得他们付费的,是最终的成果。 HubSpot 的定价策略转变已是不可避免的趋势。通过按问题解决结果收费,该公司便不再仅仅被视为工具提供商,而是开始为最终成果承担责任。 两家企业的营收可能完全相同,但根据其能否真正创造价值,其未来走向却可能大相径庭。一家只会给你一把锤子,而另一家则会帮你建造房屋——正是这种差异决定了一切。 真正的衡量标准:价值创造 ARR 和 NDR 这类常规指标虽可用于衡量业绩,但对于以人工智能为核心技术的公司而言,却无法反映全部情况。 如果你帮客户节省了 10 亿美元,并从中收取 […]

人工智能如何重塑美国的初级保健体系 AI
Jun 30, 2026

人工智能如何重塑美国的初级保健体系

近半数的美国初级保健医生表示自己存在职业倦怠现象——这一比例在高收入国家中属于最高水平之一——而繁重的行政工作则是导致这一问题的主要原因。为了完成所有规定的诊疗任务及行政工作,初级保健医生每天需要工作近 27 小时,仅人员流动这一问题就每年给医疗系统带来 2.6 亿美元的损失。越来越多的医生选择离开这个行业,而那些最依赖他们服务的患者则无法获得进入医疗系统的途径。 在 Insight Partners 看来,那种不断增加资源却仍无法获得理想治疗效果的恶性循环必须结束。如果初级保健医生能够明智地运用人工智能,它就会成为一种强大的工具。结合创新的医疗服务模式,人工智能有望带来更好的治疗效果、更低的成本,以及无论患者社会经济状况或地理位置如何都能获得的优质医疗服务。 医疗成本不断上升,但诊疗效果却并未得到改善。 在过去的 30 年里,美国的健康保险费用持续飙升,年均增长率约为 6%,远远超过通货膨胀率和工资增长速度,但相关健康状况的改善效果却并不明显。例如,尽管慢性病的死亡率有所下降,但预期寿命却停滞不前,慢性病的患病率反而有所上升。与其它同类国家相比,美国的预期寿命最低,孕产妇死亡率最高,因慢性疾病而住院治疗的比率也更高。不过,在治疗许多慢性病方面,比如心血管急症和术后并发症,美国仍处于领先地位。  随着医疗支出不断增加,人群健康状况并未得到改善,只有治疗晚期慢性疾病的能力有所提升。  为何会如此?  已濒临极限的初级保健体系 初级保健领域的危机并非仅仅是供需失衡所致,而是数十年来各种结构性决策的结果。医生们的培训方式、薪酬待遇以及工作要求,使得初级保健成了一种难以维持的职业,即便对这类服务的需求却在不断上升。 患者增多,系统依旧不变 由于人口老龄化、公众健康意识提升,再加上医疗系统越来越倾向于通过单一渠道处理所有医疗事务,美国对初级保健服务的需求正在不断增长,速度超过了供应能力。 数据足以说明问题。随着医疗需求激增而医生供给不足,新患者的平均等待时间从 21 世纪初的约 20 天上升到了 2025 年的一个多月。不过,等待时间只是症状而非根本原因,实际上有三股力量正在共同加剧这一压力。 首先是人口结构方面的问题。美国人口正在迅速老龄化,婴儿潮一代使得 65 岁及以上的美国人数量大幅增加。老年患者通常患有多种慢性疾病,需要更频繁地看专科医生,同时对初级保健医生也有更高的期望——这一切都给本已不堪重负的医疗体系带来了巨大压力。 来源:ChildStats.gov   第二类原因是行为层面的。健康素养的提升、面向消费者的医疗广告的增多以及网上健康信息的泛滥,都促使患者更加主动地寻求医疗服务。随着人们健康意识的提高,预防性检查、心理健康服务以及慢性病管理的使用率也有所上升,这进一步增加了作为医疗体系入口点的初级保健医生所承担的压力。 第三种原因是结构性问题,且在很多方面也是最为难以解决的。随着医学日益专业化,初级保健医生往往更像是转诊协调员,而非能够提供全面治疗的医疗人员。每次就诊都会带来后续的转诊、额外的检查以及再次就诊的需求——这种自我强化的循环不断增加患者接触的次数,进而加剧前两种因素所带来的压力。 为何越来越少的医生选择从事初级保健工作 如果初级保健危机的需求端表现为更多患者需要更多的医疗服务,那么供给端则体现为这个行业越来越难以进入,同时也越来越难以在其中长期工作。 最显而易见的压力便是内科医生职业倦怠问题。由于行政工作负担日益加重,挤占了原本吸引众多内科医生从医的诊疗工作,再加上许多医生提前退休甚至彻底离开医疗行业,导致内科医生短缺现象愈发严重。几乎一半的临床医生表示,他们因处理电子健康记录及预先授权管理等与患者护理关系不大的任务而感到疲惫不堪。其后果十分严峻:40%的内科医生正在考虑离开医疗行业,而 80%的内科住院医师则选择专攻亚专业而非从事初级保健工作。 但仅凭职业倦怠这一因素并无法解释为何越来越少的医生选择从事初级保健工作。其经济收益并不具备吸引力。医学院的债务已经上升至 20 万美元以上,而 2000 年时这一数字约为 9 万美元;与此同时,经通胀调整后的初级保健行业薪资却在下降。对于医学生来说,考虑到初级保健在疾病预防、控制医疗成本以及建立长期医患关系方面所创造的价值,其薪酬显然过低。 即便对于那些希望进入初级保健领域的人来说,人才培养渠道也存在诸多限制。根据 1997 年通过的《平衡预算法案》,医疗保险机构主要负责为住院医师培训项目提供资金支持,因此无论实际需求如何,可用的培训名额都是固定的。到 2026 年,医学院的毕业生数量比现有的住院医师培训岗位多出近 6,500 人,这一结构性限制决定了医疗从业者队伍的增长速度。 这样一来,整个医疗行业就面临着多方面的压力:正在从医的医生负担过重,那些考虑从事这一职业的人则缺乏足够的经济激励,同时培训体系也无法扩大规模以满足需求。我们认为,最可行的解决途径是为现有医生提供人工智能工具,帮助他们更高效地工作——对患者进行风险分级、辅助诊断以及协调治疗方案——而不会增加他们的 workload。 费用服务制模式容易引发激励机制的失衡。 […]

围墙花园之内:人工智能在电子健康记录系统中带来的变革 AI
Jun 30, 2026

围墙花园之内:人工智能在电子健康记录系统中带来的变革

医疗管理智能体如何悄然成为 EHR 系统中的核心工作流程 大约十年前,我曾与一位风险投资家发生过一场激烈的争论。他告诉我,自己绝不会投资那些试图打造全新电子健康记录系统的创始人。那次讨论发生在《纽约时报》刊登了一篇关于 Epic 不断扩张的势力范围以及其类似“威利·旺卡”风格办公场所的争议性文章之后。这位风险投资家提出了一个很有说服力的观点:投资任何试图开发电子健康记录系统的公司都无异于自寻灭路,因为大型医院系统在投入了大量资金建成之后,是不可能轻易被替换的。当然,也有一些与之相反的例子,比如 2018 年被收购的 Flatiron。但总体来看,那位风险投资家或许是正确的——那些领先的电子健康记录系统公司仍在不断抢占市场份额。 对于一个仍沿用着 20 世纪 90 年代旧有解决方案的行业而言,人工智能在医疗领域的应用速度是整体经济增速的两倍,这一现象具有重大意义。这并非意味着明天电子健康记录系统就会被彻底取代,而是因为目前已有不少公司正在开发能够向记录系统反馈数据的人工智能代理,而此前要做到这一点极为困难。 一、Epic 如何成为占据主导地位的电子健康记录系统 Epic 公司成立于 1979 年,由朱迪·福克纳在威斯康星州的一个郊区创立。与典型的硅谷企业相比,这家公司有着诸多不同之处:它拒绝引入风险投资(朱迪持有该公司 42%的股份),必须主动邀请客户才能让其购买其技术产品,从未进行过任何收购行为;而至今仍担任首席执行官的 82 岁福克纳也一直保持相对低调的姿态。多年来,许多人批评 Epic 是不该从政府投入的 300 亿美元用于推动医疗记录数字化项目中获益的一方,这些举措始于小布什总统发布的命令,要求在 10 年内让大多数美国人拥有可互操作的电子健康记录系统,以及 2009 年通过的《HITECH 法案》,该法案为医疗服务机构采用电子健康记录系统提供了资金支持。 直到 2003 年,Epic 才与凯撒永久医疗集团及其 800 万会员签订合同,从而跻身美国排名前 20 的医院电子健康记录系统供应商之列。在竞标过程中,它击败了 IBM 和 Cerner。在凯撒永久医疗集团部署 Epic 系统的成本高达 40 亿美元。当时,Epic 仅有 400 名员工和 73 家客户。到 2017 年,该公司的员工人数增至 8,100 […]

所以你想销售 AI 推理服务? AI
Jun 30, 2026

所以你想销售 AI 推理服务?

简而言之:以成本价转售 AI 推理服务属于零利润业务。关键在于选择成本加成定价还是价值导向定价模式;无论采用哪种方式,优化都是控制成本的手段,而模型蒸馏在一段时间内仍具有可行性。BYOK 模式则能打破成本加成定价的局限,同时避免采用价值导向定价。 在人工智能领域发展最快的企业,要么直接销售推理服务,要么转售此类服务。它们属于人工智能的初级衍生产品。但以成本价转售推理服务其实是一种毫无利润空间的业务:只不过是个支付通道而已,算不上真正的软件公司。 那么,要如何保持 30%或更高的毛利率呢? 归根结底,这依然取决于所有销售策略中所强调的同一核心区别:成本加成定价与基于价值的定价。 该图表展示了两种基于成本的定价机制。实线橙色曲线代表成本加成型价格策略:客户所需支付的价格是在成本基础上上浮 30%得出的。虚线绿色曲线则表示优化型定价策略:初始交付成本接近推理成本,但随着引擎性能的不断提升,这一成本会逐渐下降。而基于价值的定价策略并未出现在图表中,因为它完全独立于推理成本之外。 成本加成型价格策略:即在基础推理服务价格之上加上一定的加价。所谓“胸背带”,指的是围绕模型构建起来的产品、工作流程以及用户体验界面。这类产品必须具备足够的优势才能支撑其较高的价格。但成本加成模式会将消费者的支付意愿限制在推理服务的成本水平上,因此客户会将你的价格与原始 API 的价格进行比较,进而选择其他替代方案。随着推理服务逐渐变得日益普通,这种加价空间也会不断向零逼近。 基于价值的价格模式:根据实际工作量来收费,而非单纯依据成本。按照每处理完一个工单、每完成一项任务或每生成一份报告来计费,收费金额仅为所创造利润的一小部分。客户购买的是服务成果,而无需知晓背后的推理成本。Sierra 会在客服人员解决工单时收取费用,对于处理失败的情况则不收费。Devin 出售的是代理计算单元,而非代币——这与 Databricks 和 Snowflake 使用积分来将价格与实际计算资源分离的方式类似。这样一来,企业的利润率就能与推理服务本身的成本脱钩,从而更加稳定。 优化策略:降低成本。无论采用哪种定价模式,都可以通过模型路由、缓存技术以及将模型精简为参数量更小的专用模型,将推理成本降至 0.70 美元,从而提升利润率。模型路由与缓存属于可复制的技术手段;而模型精简则能在一段时间内保持竞争优势——只需让生产流量经过高性能的教师模型,再将其精简为参数量低于 80 亿的 student 模型,最后在低成本硬件上运行即可。如此一来,企业就能拥有竞争对手无法复制的专用模型,同时还能大幅降低成本。 还有一个变量需要考虑:如果客户希望自行管理密钥该怎么办? 采用自带密钥模式的客户会在云服务账单上看到真实的推理成本。成本加成模式则意味着:额外的加价实际上相当于对他们已支付的费用征收的税金,而他们可以通过其他方式规避这一成本。基于价值的模式则能够持续生存——你出售的是服务成果,客户需直接支付推理成本,同时再为你带来的成果付费。优化策略同样可行:客户自带加密密钥而非推理引擎,你可以收取平台费,帮助他们更高效地利用预算。无论哪种方式,你销售的都是平台,而非具体的加密令牌。 每家公司的董事会都应思考其 AI 推理转售业务所采用的是哪种定价模式。成本加成型相当于带有控制面板的支付处理服务,而基于价值型的则属于软件产品。答案将决定你应该构建哪种类型的业务。 利用人工智能:tomtunguz.com。↩︎ 为您的初创企业搭建销售推介框架:应对对焦成本而非价值的问题:tomtunguz.com,2013 年。↩︎

每一波技术浪潮都会构建一层信托机制,人工智能正在为其自身的信托体系而努力 AI
Jun 30, 2026

每一波技术浪潮都会构建一层信托机制,人工智能正在为其自身的信托体系而努力

创新的未来是全球性的。我们在此探讨这一话题。 图片来自 Unsplash 上的 Alex Shute 拍摄。 本文最初发表于我的《福布斯》专栏。 “伦敦劳合社的历史已有 300 多年,它的诞生初衷是为那些无人信任的海上船只提供保险服务。而‘人工智能劳合社’目前还不存在,但它即将出现。” 信托机构往往不会率先介入。它们总是在技术已经造成破坏之后才出现。 例如,四大会计公司都是在 1850 年左右成立的。这一时间点绝非偶然:工业革命使得企业规模变得过于庞大、结构也愈发复杂,所有者已无法直接对其进行核查,于是便出现了专门负责此类核查的新职业。独立审计师由此成为了支撑现代资本市场运行的信托层面。 保险实验室的诞生,源于电力既具有强大的作用,又十分实用,但偶尔也会带来灾难性后果。而那些默默运行 SSL 证书授权机构的出现,则是因为电子商务需要一种方法来确认向用户索取信用卡信息的网站确实是真实的。当然,劳埃德保险社最初也只是一间咖啡馆,船主们会在那里尝试评估那些他们无法直接看到的风险。 目前,人工智能正处于这一空白地带。的确,这项技术正在被广泛应用,但它同时也带来了新的风险。为了解决这一问题,一种新的验证机制正在出现,我认为这是目前最重要、却尚未有人提及的创业领域。 早期的那波浪潮旨在验证人工智能所说的内容。 早期的 AI 验证工作主要致力于确认模型是否安全、准确,以及相关声明是否真实。这一阶段从 2022 年底持续到 2024 年底左右,解决了当时模型所面临的特定问题。 这带来了一定程度的幻觉检测、提示词注入防御以及深度伪造检测功能。 第一波技术发展隐含的假设是,会有人或确定性系统来阅读输出内容并据此采取行动。因此,验证层只需标记出有问题的内容即可。 智能代理正在改变一切。 下一波浪潮将验证人工智能的实际行为。 到了 2025 年,人工智能不再为人类生成文本以供阅读,而是开始为自己执行任务。各种交易被完成,退款被处理,文章被存档,法典也被投入实际应用。与此同时,对人工智能系统的验证方式也发生了变化。 该输出已不再准确。 现在,还有谁能够为刚刚发生的事情负责吗? 目前应用最广泛的 AI 场景当属编程。不出所料,这一直是验证技术投入的重点领域。不过,随着相关应用场景的不断拓展,各公司的验证方式也在随之变化,金融科技和保险科技领域便是其中的典型代表。 人工智能承保公司是 2025 年 7 月成立的,属于该领域的少数几家初创企业之一。它推出的产品是为人工智能代理提供保险服务,定价依据是一种名为 AIUC-1 的新审计标准,同时其承保流程还会将保费与相关证据挂钩。 Objection 正在构建一个新闻从业者评级与验证网络,旨在“判定新闻的真实性。如果未来十年的前沿人工智能技术都是基于公开的新闻语料库进行训练的,那么对新闻的验证也就相当于为这些技术奠定了基础。” 本周,由 Fluent 孵化出的 Oath 推出了一家专为人工智能生成的财务文件提供审计服务的持牌审计公司。其理念是:既然人工智能越来越频繁地承担账务处理和税务准备工作,仍需有人对相关财务数据进行最终确认。 归根结底,所有这些举措都遵循同一个理念:将原本属于人类专业范畴的核实功能提取出来,并为那些工作由人工智能自主完成的世界重新构建这一功能。 需要核实的范围正在不断扩大。 […]