# AI

AI

Mar 16, 2026

2026年3月：100个顶级的生成式AI消费者应用

美国 | 科技 | 观点 | 文化 | 图表 三年前，我们发布了首版榜单 ，目标很简单：识别哪些生成式人工智能产品真正被主流消费者使用。当时，“以 AI 为先”的公司与其他公司的界限很清晰。ChatGPT、Midjourney 和 Character.AI 都是围绕基础模型专门构建的。其余的软件世界还在探索如何利用这项技术。 这种区分已不再成立。拥有 7.36 亿月活移动用户的视频编辑器 CapCut，其最受欢迎的功能——去背景、AI 特效、自动字幕和文本生成功能——都依赖于 AI。Canva 将其整个增长引擎建立在 Magic Suite AI 工具之上。Notion 的付费 AI 附加率在一年内从 20%飙升至 50% 以上——AI 功能现在约占公司经常性年收入的一半。 从本期起，我们将视野扩大到任何将生成式 AI 纳入核心体验的消费类产品——包括 CapCut、Canva、Notion、Picsart、Freepik 和 Grammarly。我们相信，这样的结果更能准确反映人们实际使用 AI 的方式，尽管排名靠前的大部分产品仍然是以 AI 为原生的。 一如既往，我们的网页排名基于 SimilarWeb 截至 2026 年 1 月的独立月度访问量。移动应用按 Sensor Tower 截至 2026 […]

阅读全文

AI

Mar 16, 2026

AI-物理模拟机会

作者：Annelies Gamble, Partner @ Zetta 图片描述 这是两部分系列的第二部分（尽管我最终可能会进一步扩展）。你可以在这里找到第一部分。这是我仍在学习的内容。我对这方面的理解还处于初期阶段，所以请将其视为我与该领域一些专家最近对话的探索，以及我一直在阅读和听取的内容。 来源 在第一部分，我重点介绍了“什么”。什么是 PINNs、神经算子，以及模拟的未来——即人工智能能够学习从几何形状、材料和边界条件到预测系统行为的映射关系这一理念。 这篇文章主要讲的是“在哪里”和“如何做”。在哪里可以找到近期的机会，以及如何将这些方法真正交到工程师手中。 然而，在深入探讨之前，有些人在我发布第一部分后联系我，告诉我他们认为我遗漏了一些内容，所以我想先解决这个问题。 我在第一部分中错过的内容 在发布第一部分后，我收到了几位从事这一领域的人的一些有益反馈。具体来说，我暗示从神经算子到物理基础模型是一个“短距离跳跃”。这低估了这一跳跃实际上有多难，我想在这里纠正这一点。 我最初没有意识到的是，有些物理系统对设置中的微小变化有多敏感。混沌理论告诉我们，你可以将初始条件写到小数点后第五位，然后让系统向前演化，得到一个结果。然而，如果写到第六位，解将完全偏离。所有一切都是确定性的，但微小的精度差异会随着时间产生级联效应。这种现象在流体动力学（例如纳维-斯托克斯方程）、结构力学以及工程师关心的许多其他领域中都有体现。这意味着即使是完美的模型，也可能因为问题设置中的极小变化而产生截然不同的输出结果。这使得泛化变得困难。 我过于简化的第二件事是我如何描述傅里叶神经算子（FNO）。我把它呈现为通向泛化的有前途的早期步骤——在狭窄的环境中确实如此。但我没有充分传达这些环境有多狭窄。FNO 在基础问题具有清晰、规则结构时表现最佳。一旦边界条件变得复杂或几何结构失去规律性，这种方法就开始失效。例如，空气流过一个光滑的矩形通道是 FNO 表现良好的场景。但空气流经带有孔洞、弯曲、尖角和不同材料的机器部件时，情况就不那么简单了。几何形状不规则，边缘发生的事情变得更加重要。FNO 在这里就更难应对。 更广泛地说，我低估了物理建模是一门艺术，而不仅仅是一门科学的程度。相同的控制方程，在不同的计算机架构上实现，操作顺序略有不同，可能会产生不同的数值结果。我与一位人士交谈时，他以喷气发动机设计为例：一些仍在使用的代码可以追溯到1970年代，而公司极不愿意动它。原因不是没有人能把Fortran 77重写成C或Python。而是整个技术栈（模型、数值计算、实现以及围绕它们的验证历史）已经得到了FAA的审核。因此，使用该代码进行的设计变更通常可以在不重新进行物理实验的情况下获得批准。重新实现这套系统意味着每次都要重新提出许多问题，并需要FAA的批准：物理、数值、代码路径或围绕它们建立的批准基础是否发生了变化？从这个意义上说，这里的某些最难跨越的障碍并非纯粹是技术性的。它们还涉及信任以及工具在现有工程工作流程中的深度嵌入程度。 这些都不意味着PINNs或神经算子方面的工作不是该领域的重要一步。但这确实意味着部署的路径比我在第一部分中暗示的更狭窄且更受领域限制。至少在近期内，机会不太可能是一个能够处理所有环境中所有物理问题的单一模型。更有可能的是，进展将来自于从特定领域开始的系统。在某些情况下，这可能表现为建立在昂贵模拟之上的专用替代模型。在其他情况下，这可能表现为一个狭窄的初始切入点，逐步扩展到求解器加速或更广泛的物理智能层。这就是我想在本文剩余部分重点讨论的内容。 今天的机会所在 在 AI 驱动的仿真中，似乎至少出现了两条路径。一种是使用 AI 学习代理模型，以近似昂贵的仿真并加速设计探索。另一种则专注于加速物理计算本身，同时保持基于控制方程的基础。 我最感兴趣的机会并不都严格属于同一范畴，但它们往往具有相同的特征：物理机制足够受限，可以在今天进行建模，工作流程相对结构化，并且有某种途径可以通过可信的模拟或真实世界的测试数据进行验证。 作为早期楔块的热模拟 热管理是最清洁的早期减排手段之一，因为其物理原理相对容易理解，基本方程已确立，并且在许多硬件领域都有验证数据。在许多硬件系统中——无论是半导体、电池、电力电子还是工业设备——热量都是一个重要的约束因素。团队需要了解温度何时何地上升，材料在热应力下的表现，以及这如何影响性能和制造可行性。 这也是一个从工作流程角度出发的有用起点。在许多组织中，热分析仍由专门人员使用专用工具完成，且通常发生在设计的后期阶段，即设计大部分已经确定之后。如果你能够让热分析更快、更易获取且更易使用，同时不牺牲精度，那么你就能改变物理分析在设计流程中出现的时间点以及谁能够实际使用它。 一位亲密的朋友，Hardik Kabaria博士，创立了Vinci，最初专注于半导体电子中的热问题。这个狭窄的起点意味着他们能够快速构建和交付产品。“我们不想花八年时间建立模型然后才交付产品，”Hardik告诉我。 更广泛的目标并不是为每个行业构建不同的模型。Vinci 已经在半导体、电子、电池、国防以及其他硬件密集型领域与客户合作。正如 Hardik 所说，“让我们对广度充满信心的是，基本物理是相同的。机器人手臂、印刷电路板或半导体中的热传递仍然由相同的方程控制，因此我们的目标是一个模型，而不是为每个行业构建不同的模型。” 从那里开始，计划是在同一个基础模型上不断添加更多的物理现象，首先是热机械耦合。因此，尽管切入点较窄，但系统本身是统一的（一个模型，一个代码库），随着时间的推移，可以在此基础上添加更广泛的物理能力。 AI驱动的代理建模 在物理领域，工程师已经在使用模型层次结构：有用于早期设计的简单快速模型，也有用于详细分析的昂贵且细致的模型（比如完整的有限元模拟）。将这些细致模型转化为更廉价简化版本的过程需要深厚的专业知识，且结果因执行者的不同而差异很大。 AI 可以通过运行昂贵的模拟、收集输出数据，然后利用这些数据（结合物理约束）来构建更快速的替代模型，从而自动化完成其中一大部分工作。通过将这些替代模型整合到工作流程中，工程师们就不必经常查询昂贵的模型，并且他们得到的简化模型会比通常手工构建的更加准确。 这是 PINNs 和神经算子等技术今天可能有助于构建更好代理模型的一个领域。话虽如此，代理建模并不是唯一出现的路径。围绕 PINNs 和神经算子的许多学术工作自然适合代理构建，因为这些模型基于训练数据学习从输入到输出的映射。但还有另一类工作专注于加速物理计算本身，而不是学习其近似。 在这些系统中，目标不是用训练好的模型来取代仿真，而是构建仍然基于控制物理规律的架构，同时大幅降低计算成本。这一点很重要，因为许多工程组织仍然需要求解器级别的确定性和设计决策的可追溯性，这使得纯粹的学习型替代模型在生产工作流程中更难部署。 代理模型可能在早期设计探索中发挥重要作用，但也可能存在一条平行路径，人工智能帮助使高保真物理计算更加易于访问和扩展。 减少设置时间并降低专业门槛 在许多多物理场工作中，瓶颈在于预处理阶段。工程师们花费数小时清理几何体，确定如何划分网格，选择边界条件，以及追踪缺失的材料属性。这基本上是将CAD文件转换为可实际模拟对象所需的全部工作。 如果你能缩短设置时间，仿真就能成为团队在设计过程中使用的工具。这不仅使仿真更快，而且改变了谁能真正使用它。当设置过程实现自动化或大幅简化时，仿真不再是只有专业分析师才能运行的东西。它变成了设计工程师或小型硬件团队在迭代过程中、还在探索设计时可以使用的工具。 最初，你仍然必须出现在工程师已经工作的地方：在CAD/CAE内部，或者至少距离它只有一步之遥。如果这是一个带有新文件格式和全新工作流程的独立工具，它不会成为习惯。但如果AI能够减轻足够多的预解算负担，物理学就可以更早地出现在设计循环中，而不仅仅是在验证阶段。 […]

阅读全文

AI + 生命科学

Mar 16, 2026

路线图：用AI重塑生命科学

作者：Nithin Kaimal & Shrey Agarwal, Bessemer 制药公司在药物发现、临床试验、运营、监管事务和商业化方面的服务提供商和软件上总共花费超过1500亿美元。传统企业历来建立在三个核心支柱之上： 深厚的领域专业知识（博士、临床医生、监管专家） 接触庞大的全球人才库（通常是离岸的） 复杂、端到端工作流的亲身协调 现在，定义外包的以专业知识和人员驱动的模式正在被AI代理重写，这些代理自动化了整个价值链的工作流。这种颠覆正在催生新一波AI原生挑战者——初创公司将领域科学家和工程师与专有AI平台相结合，以比传统企业更快、更便宜、通常更高质量地交付成果。 我们的路线图解决了AI围绕制药和生命科学外包带来的这些变化，包括AI可以解锁的可寻址机会和价值，为什么采用仍然停滞不前，现有企业的脆弱性，以及下一代解决方案必须提供什么才能获胜。 我们探讨了药物发现、临床试验、商业化、监管和医疗事务以及制造运营这五个关键领域中的这种颠覆，包括我们从印度IT服务行业所看到的相似之处。 主要收获 AI正在通过自动化药物发现、临床试验、监管和医疗事务、商业化和制造运营等劳动密集型工作流，改变价值超过1500亿美元的制药和生命科学外包市场。 生成式AI和代理系统可以通过降低成本、缩短时间线和提高整个制药生命周期的收入，解锁超过1000亿美元的年度净价值。 尽管潜力巨大，但由于遗留数据孤岛、碎片化的所有权以及基于计费人数和座位许可的供应商模式，只有约5%的制药公司实现了可衡量的AI价值。 AI优先的挑战者以两种形式出现——AI集成服务和AI原生SaaS——两者都在挑战现有CRO、咨询公司和软件供应商，这些公司的经济效益依赖于手工工作和长期项目。 真正的竞争优势将归属于那些将AI作为统一能力层来协调发现、开发、制造和商业化工作流的制药公司和供应商，而不是将其作为孤立的点工具。 完整幻灯片 路线图：用AI重塑生命科学 已安装的基础：制药和生命科学领域超过1500亿美元的外包工作 在过去的二十年里，制药公司系统地外包了曾经是其核心业务运营的功能。现在，他们依靠专业的外部合作伙伴来管理临床试验、运营、监管提交和市场进入策略，而不是为每项能力维护内部团队。制药公司的这种转变反映了一个简单的经济现实：当专业的、供应商驱动的模式能够以更低的成本提供更好的结果时，他们不需要在每个功能上都拥有深厚的专业知识。 这种外包趋势已经发展成为一个超过1500亿美元的可寻址市场。合同研究组织（CRO）现在处理全球大部分临床试验，监管和医疗事务服务涵盖从提交到药物警戒和商业支持，专业提供商处理市场准入、定价策略和现场力量优化。 AI机遇：解锁1000亿美元的价值 市场的拐点是两种结构性力量的融合。首先，全球制药面临着降低上市时间、压缩成本和最大化商业回报的日益增长的经济压力。其次，技术准备已大幅进步；生成式AI和代理系统现在可以自动化知识工作并协调历史上需要大量专业专家跨职能团队的复杂流程。 借助AI，该行业有可能在整个生命科学价值链中解锁超过1000亿美元的年度价值，作为一种智能层，可以从发现到商业化不断积累收益。这1000亿美元以上的价值代表了净经济价值创造，而不是目前用于外包服务和软件的1500亿美元以上的重新分配。这种额外价值来自三个相互强化的杠杆： 成本降低：减少失败项目，降低临床和制造支出，精简销售、管理和一般费用 生产力提高：缩短周期时间，提高每全职员工的产出，以相同的人力推进更多项目 增量收入：更成功的发布，更长更高的峰值，更好的定价和准入。 AI通过改进发现、开发、制造和商业化的执行方式，有效地扩大了整体经济蛋糕，而不是仅仅重新分配现有的外包预算。这在整个生命周期中以切实可见的方式体现出来。 在发现方面，生成式和预测模型加速了靶点识别、从头设计和先导化合物优化，缩短了周期时间，并减少了消耗研发预算的死胡同项目数量。在临床开发方面，AI驱动的患者分层、生物标志物发现和试验模拟改进了方案设计和招募，提高了技术和监管成功的可能性，同时削减了可避免的试验成本。在制造方面，AI优化了表达系统、工艺参数和质量控制，提高了产量并减少了悄然侵蚀利润的批次失败。在商业方面，AI驱动的预测、定价和准入分析以及市场情报帮助团队抓住先发优势并最大化上市经济效益。 真正的机会在于认识到，将AI作为端到端能力层，将发现洞察与临床策略、制造决策和市场执行联系起来的个体制药公司将获得不成比例的竞争优势，并抓住这1000亿美元机会的绝大部分，而那些仅将AI作为孤立点工具的公司将随着行业通过协调的、数据驱动的工作流解锁价值而落后。 为什么AI采用仍然是一个关键障碍：5%的问题 尽管潜力巨大，但只有5%的制药公司从生成式AI中实现了可衡量的价值。障碍并非能力驱动；它是结构性的。制药公司数十年来建立的遗留基础设施导致了数据孤岛，这些孤岛与AI在数据、策略、人才和运营模式方面的要求根本不符。 考虑典型的制药格局： 临床数据捕获在电子数据捕获（EDC）系统中，这些系统针对监管提交进行了优化，数据受到高度控制，通常难以用于机器学习管道。 制造数据被困在历史数据库和MES平台中，这些平台针对批次记录进行了优化。商业数据分散在CRM、处方数据库和不兼容的仪表板中。监管提交以PDF和Word文档的形式存在。 AI计划通常由孤立的团队拥有，没有明确的授权，数据科学团队能力不足，以及缺乏足够的治理框架来确保价值实现。 这种采用差距因供应商生态系统而加剧。CRO从计费人数中获取利润，自动化工作流威胁到其单位经济效益。实施Medidata和EDC系统的IT提供商收取维护费用；AI减少了这种依赖。像Tredence这样的数字工程公司在遗留制药系统之上构建定制分析，虽然他们一直在努力将其产品化，但其基因仍然是服务导向的。专门从事监管策略和市场准入的咨询公司为NDA提交和上市规划提供指导，每小时收费300-500美元；能够起草监管部分或模拟竞争情景的AI代理威胁到高级顾问的利用率。像Veeva这样的平台供应商依赖于按座位许可；减少用户的AI具有经济破坏性。这些公司都没有为AI驱动的自动化或基于结果的交付而设计。这是结构性的：供应商的利润依赖于劳动力、实施或座位数量，所有这些都受到AI的直接威胁。 不受遗留系统束缚的新进入者可以构建AI优先的服务交付模型，并瞄准准备转型的制药公司。AI的影响范围涵盖整个制药价值链，每个领域都面临着独特的采用障碍、独特的现有企业脆弱性以及AI优先提供商可以大规模获取价值的特定机会。 正在被颠覆的五个价值链 制药价值链的主要部分正在被AI颠覆，改变了流程并使现有企业面临风险。 1. 药物发现 历史上，药物发现是一个缓慢、串行、实验繁重的过程。内部研发团队在精品CRO的支持下，将检测开发、体外/体内工作和临床前建模作为主要依赖专家判断和迭代湿实验室验证的顺序工作流进行管理。 AI正在通过从蛮力实验转向计算指导设计来重新构想这一过程。化学和生物学的基础模型现在支持体外靶点识别、从头分子生成和虚拟筛选。这使得只有最高价值的候选物才能进入湿实验室，从而缩短了时间线并减少了在死胡同化合物上的浪费。 随着价值从计费的实验工作转移到模型驱动的平台，传统上建立在全职员工利用率和延长项目时间线上的发现CRO在结构上处于劣势，而将AI视为发现服务核心引擎的提供商将定义新的竞争基准。 2. 临床试验 CRO管理从方案设计和站点选择到招募、数据管理和监管报告的全球试验活动。这是一种运营密集型模式；大量的临床研究助理、数据经理和医学撰稿人手动协调站点、收集数据并准备提交。AI自动化了驱动CRO利润的劳动密集型工作流。患者识别和招募从手动站点关系转向基于EHR和索赔数据的算法匹配。方案优化从专家主导的设计转向招募和可行性的数据驱动模拟。文档和监管报告从手动起草转向LLM辅助从EDC数据生成。医学撰稿人从撰写转向审查。 这直接取代了构成传统CRO盈利能力支柱的离岸和在岸CRA和数据管理团队。能够通过AI增强团队交付试验结果的提供商将拥有与现有企业截然不同的单位经济效益，而现有企业则依赖于全职员工的扩展。 3. 商业化和市场准入 商业化由咨询公司、市场研究公司、专注于生命科学的机构和现场力量外包提供商支持，处理上市策略、细分、信息开发、活动执行和销售赋能。工作主要是基于项目的，交付物依赖于静态演示文稿、仪表板和内容库。 […]

阅读全文

AI

Mar 09, 2026

AI安全只剩12个月

过去十年的科技发展，其核心特征之一便是人们不断追问：一家公司的影响力和权力上限究竟在哪里？而对于AI实验室，最根本的担忧在于，这个上限可能是无限的。 这导致投资者将所有注意力都投向AI部署，科技行业以前所未有的程度卷入政治，市场信念极度匮乏（且波动剧烈），而各国政府则试图将实验室划为近乎国内恐怖组织的范畴。 核心的认知在于，我们正目睹生产力从劳动力向资本转移。当这一过程完成，实验室的激励将永久性地从安抚构建模型的研究人员，转向为拥有它们的股东积累资本。我们必须追问，在这扇窗猛然关闭之前，还剩下哪些可以施加影响的杠杆。 AI安全或许是这场转变中的最后一道防线。 大约有十二个月的时间窗口，将安全理念嵌入技术和社会基础设施，之后IPO和竞争动态将使其永久性地无法实现。目前除了算力之外，所有约束实验室行为的机制要么已经失效，要么即将到期。而在这个窗口期内建立起来的东西，必须在未来多年承受来自市场的巨大压力。关心此事的人们手中可用的杠杆正在迅速减少，但或许在过去一周左右，他们被赋予了一个特定的机会，来重新夺回某种程度的重要性或机遇。 安全输掉了市场 尽管起初充满理想色彩，但AI安全运动唯一真正的商业杠杆，是押注安全性对用户、监管者和资本配置者至关重要。这是一个错误的假设。 我们很快发现，优先考虑速度的实验室占领了市场，因为用户积极反抗那些说教意味过浓的模型。安全从一个理想化的差异化因素，变成了市场主导地位的障碍。纯粹被视为一种消费者税，安全团队只会拖慢发布速度、制造无法解决的问题，并泄露内部政治纷争。 由于未能将安全包装成企业级溢价，这场运动输掉了内部的经济论证（公平地说，在智能体出现之前，这个经济论证充其量也只是有争议的）。在一场竞相最快部署最强大模型的竞赛中，安全只是一种可量化的成本，用以防范那些尚无法证明存在的风险。 雪上加霜的是，安全还需要消耗算力，而此时，由于研究方向缺乏算力，人才正从最大的实验室流失，转而选择为一家新实验室筹集标准的10亿美元（估值40亿美元）资金，而所有人都认为这家新实验室的下行风险是受保护的。 劳动力作为最后的约束 这让我们回到人的问题上。AI实验室离开了人（和算力）就一无是处，而这种意识形态上的一致性（围绕AI安全行为，或许还有企业级与消费级之争）已经影响了招聘动态，Anthropic的人员流失率明显较低，氛围的转变可能为员工创造了真正的议价能力。 最近与战争部的对峙中，“我们不会被分裂”公开信收集了谷歌和OpenAI数百名跨公司员工的签名，以支持Anthropic划定的红线。这表明跨公司团结至少是可能的，或许为AI安全再次打开了一扇窗。 当你的机构被俘获，市场激励指向错误的方向时，剩下的唯一约束就是构建这个东西的人拒绝无条件地构建它。 但劳动力杠杆只有在人才需求远远超过供给时才有效。隐含的威胁总是“我们可以离开”，但这只有在离开会造成实验室无法通过其他方式解决的问题时才奏效。如果AI今天能完成初级安全研究员40%的工作，并且这个数字每年以两位数增长，那么“我们可以离开”的算计就会迅速改变。尽管我们可能愿意相信，但安全领域的人才稀缺可能是一个12-18个月的问题，而不是24-36个月的问题。 对“劳动力杠杆即将到期”的明显回应是“在它到期之前自动化安全研究，问题就自行解决了”。 这个诱人的未来版本（在很大程度上）是错误的，而实验室自身的研究成果解释了为什么我们会反复需要人类参与其中。 为何无法通过自动化解决问题 从概念上讲，安全最不可能被自动化，因为这个问题本质上是人类与机器的对抗。 模型越来越擅长识别何时被评估，并相应地调整其行为，正如OpenAI/Apollo注意到o3在评估中表现不佳，从而没有限制其部署，以及Anthropic自身关于“对齐伪装”的研究表明，Claude会故意假装遵守训练目标以避免被修改。 能力提升只会让情况更糟。随着模型性能增强，它可能变得更擅长悄无声息地对抗，并可能将复杂性提高到我们愚钝的人类思维无法在任何合理的时间尺度上理解正在发生或未发生什么的地步。 Anthropic的对齐负责人之一Evan Hubinger在11月发表了一份详细评估，阐述了为什么对齐的困难部分尚未遇到。他的论点是，当前的模型是对齐的，但这仅仅是因为我们仍处于可以直接验证输出和检查推理的简单阶段。真正困难的问题（监督比你更聪明的系统，确保模型在你无法检查的任务上正确泛化，长期强化学习筛选出寻求权力的智能体）尚未真正到来。他的一阶解决方案是在遇到难题之前，使用最新一代的可信模型作为自动化的对齐研究员，然后构建其他模型来解决难题。 Marius Hobbhahn的《短期时间线计划是什么？》提出了类似的观点，指出最低可行的安全计划要求前沿模型压倒性地用于对齐和安全研究，并且实验室愿意为了规模化推理而接受数月的发布延迟。对于像我这样的非AI安全研究者来说，这些是合理的计划，但它们几乎肯定是不现实的。没有人会在计划用产品发布和12个月内淘汰工程师来几乎每日摧毁上市公司时，愿意将他们最强大的模型指向Nick Bostrom式的、可能成真也可能不会的推测性未来。 因此，我的直觉告诉我，在任何合理的时间尺度上，你都无法通过完全自动化来实现真正的安全。 现状如何 回到那封团结信，因为它作为一个高水位标志具有指导意义，并可能打开一个奥弗顿窗口，以确立可能的改变。 这封信代表了安全作为劳动力杠杆的最佳可能条件：它涉及一个相对二元化的道德问题（大规模监控、自主武器），有一个明确的对手，获得了跨公司支持，并且Anthropic的主要竞争对手在试图缓和局势的同时，称SCR（供应链风险）指定是“一个极其可怕的先例”。 结果呢？Anthropic被指定为供应链风险。OpenAI拿到了合同。至于红线是否得以维持，从Sam过去10条推文来看（他时而巧妙、时而笨拙地处理着AMA和公司多名员工不那么隐晦的推文），仍然存在争议。 尽管这封信将某种“意识形态安全”带到了AI行业的表面，但没有人会为了欺骗性对齐的评估方法组织跨公司请愿。而且你可以肯定，没有人会为分配给可解释性研究的算力建立一个notdivided.org网站。未来现实的安全问题看起来更像是：“在我们发布一个更擅长长期编码任务、并能让我们在4-8周内碾压Claude Code/Codex使用的模型之前，进行多少红队测试才算足够？” Anthropic似乎正在赢得的这场后来居上的战斗，恰逢（有人可能会说加速了）那些使我们走到今天的 principled commitments 的瓦解。Anthropic从其负责任扩展政策中删除了硬暂停条款以保持势头。OpenAI也大同小异，其准备团队人才流动频繁，并且在2024年戏剧性地关闭了其AGI准备小组。广泛而言，支撑实验室安全工作的大多数具有约束力的限制实际上已经消失，Anthropic最新的博客文章可能被解读为另一种形式的屈服，因为随着竞争加剧和“更快起飞”情景的出现，这些实验室各自一些长期存在的论点在几周内就被悄然搁置了。 市场终归是市场 Anthropic和OpenAI都可能在未来6-18个月内上市。这两家雇佣了全球大多数前沿安全研究人员的组织，将恰恰在安全最佳方案要求将其最强大的模型用于安全研究而非扩展智能体时，向公众股东负责。证明各实验室估值的收入增长恰恰存在于那些安全审查最慢、最可能延迟发布的用例中。而正如我们所看到的，意识形态固然很好，但没有什么比糟糕的氛围或执行不力更能威胁人才护城河了，当每家实验室的股票每秒都在交易时，这一点将比以往任何时候都更加清晰。 一旦是成千上万的投资者而不是区区五家在为实验室股权定价，人们自然会转向政府，将其视为下一个把关机制。乔治城大学一篇关于AI应急准备的论文显示，大多数政府准备得多么不足，纵观欧盟（合规截止日期推迟至2027-2028年）、英国（实验室已经忽视的自愿合作）、中国（目标不同的国家驱动框架）…… 原文来源：Michael Dempsey

阅读全文

AI

Mar 09, 2026

构建Agent系统

标题：构建智能体系统 在Airtree，我们正在构建智能体以自动化投资流程中的部分环节。公司研究、会议准备、交易分析、常规尽职调查文件整理。这类知识工作通常占据风险投资人一周中的大部分时间。我们已进行了大约三个月，目前面临的决策与每个正在构建智能体产品的团队当前所面临的问题如出一辙。 本文正是关于这些决策。如果你今天正在为知识工作设计一个AI智能体系统，你应该首先提出哪些问题，有哪些选项可供选择，以及你将面临哪些权衡。 你真的需要智能体吗？ Anthropic基于与数十个团队合作经验编写的《构建有效智能体》指南，开篇就提出了警告：寻找尽可能简单的解决方案，仅在需要时增加复杂性，这可能意味着根本不需要构建智能体系统。如果我只是想总结一篇研究论文，我不需要一个智能体。当任务需要分支或迭代时，智能体才真正体现出其价值。我们的公司研究工作流程就需要一个智能体：它需要搜索多个数据源，根据发现决定追踪哪些线索，在初步结果不足时循环回溯，并综合多个来源的信息。 十二个月间的变化 一年前，编排决策主要围绕框架选择。是选LangGraph还是CrewAI？AutoGen还是定制方案？团队会花费数周评估选项并争论架构设计。 如今，这场争论在很大程度上已自行解决。各框架提供的功能越来越重叠。LangGraph提供细粒度的状态管理。CrewAI适合类似团队的协调工作。选择适合你技术栈的那个，然后继续推进。我们从所有可信来源读到的实践共识是一致的：一个带有ReAct循环和精心选择工具的单一智能体，就能处理大多数现实世界的任务。只有在有明确证据表明单个智能体无法满足你的质量标准时，才增加多智能体的复杂性。 但更大的变化发生在框架之下：协议层。Anthropic的模型上下文协议已成为连接智能体与工具和数据的标准。OpenAI和Google都采用了它，每个主要的编码工具都支持它。MCP、OpenAI的AGENTS.md约定（已在60,000多个代码库中使用）、Google的Agent-to-Agent协议以及Block的goose，已于2025年12月捐赠给了Linux基金会旗下新成立的Agentic AI基金会。协议层正在开放治理下趋于统一。一年前，将智能体连接到新数据源意味着编写自定义集成代码。现在，你只需要寻找一个MCP服务器。 团队现在也将架构视为产品决策，而不仅仅是技术决策。Anthropic、Google和Microsoft都发布了惊人相似的模式分类法。正确的模式完全取决于你的任务结构。一个”计划与执行分离”的模式，即由能力强的模型制定计划，由成本更低的模型执行步骤，可以将成本降低一个数量级。一个将简单查询分发给快速模型、将复杂查询升级处理的”路由器”，可以在不牺牲难题解决质量的前提下保持平均成本低廉。这些是伪装成架构决策的产品决策，并且它们会产生复合效应。错误的模式可能使一个原本盈利的产品在规模化时变得不经济。 上下文是真正的工程难题 构建我们系统最困难的部分不是选择框架或模式，而是上下文管理。 Anthropic的多智能体研究系统发现，令牌使用量解释了80%的性能差异。这是为一个信息检索系统得出的单一发现，在该系统中，搜索广度自然会驱动结果。对于瓶颈在于推理质量或多步骤规划的任务，模型能力仍然占主导地位。但对于我们的用例——跨数据源进行综合的研究智能体——这与我们的体验相符。当我们专注于精心策划进入上下文窗口的内容，而不是尝试不同模型时，我们的智能体性能得到了显著提升。 在这方面做得好的生产团队采用了一种称为”渐进式披露”的模式，让智能体逐步发现上下文，而不是一次性接收所有信息。Cursor的动态上下文发现（工具输出和定义按需加载）将令牌使用量减少了46.9%。Vercel删除了其智能体80%的工具，观察到其最差情况的查询从724秒内执行100步失败，变为141秒内执行19步完成。他们一开始就拥有太多工具，而这正是问题的一部分。通过移除而非添加上下文带来的改进是惊人的。 模型能力使得简单的脚手架变得可行，但在该能力范围内，脚手架决定了产品是否有效。Manus自推出以来已经重写了四次其智能体框架，每次重写都侧重于更精确地塑造上下文。他们的启发式方法很好：如果你的脚手架随着模型变好而变得越来越复杂，那一定有问题。 如何知道它在正常工作？ 这是大多数团队（包括我们）投入不足的地方。 一个编码智能体可以运行测试。一个客户支持智能体可以衡量解决率。但是，你如何评估一个研究智能体的综合报告是否真的好？它是否找到了正确的来源？是否遗漏了重要信息？ 我们还没有解决这个问题。我们正在探索的是自动化检查和定期人工抽样审查输出结果的结合。自动化检查捕捉机械性故障：智能体是否使用了它应该使用的数据源，是否调用了正确的API，输出结构是否正确。人工审查则捕捉自动化检查无法发现的质性问题。两者单独使用都不够。 人机回环设计可以说是整个系统中最难的产品问题。LangChain的调查（偏向于AI前沿团队）中，89%的受访者已经建立了可观测性。OpenTelemetry的GenAI语义约定正在成为检测的标准。但可观测性告诉你发生了什么。设计问题在于，什么应该触发人工干预，以及这种干预体验感觉如何。 Stripe在合并前审查每一个AI生成的拉取请求。这对代码有效，因为审查是异步的，且错误合并的成本很高。但这不适用于需要智能体实时操作的工作流。我们仍在研究针对不同工作流，我们的审查节点应该设置在哪里。智能体应该在何时将发现呈现给人类投资者评估，又可以在何时自行行动？正确的干预率取决于你所在领域错误的成本。对于客户服务路由，顶尖团队的升级率是个位数。对于投资研究，我们有意让人保持在循环中。正确设置触发条件是产品工艺，而非工程问题。 我们仍在探索的问题 诚实的回答是，我们仍处于早期阶段。我们的研究智能体大约在三分钟内生成一份公司简报，而过去这需要分析师几个小时。但系统还很粗糙，我们还不能自信地量化完整的投资回报率。上下文工程比我们预期的更难，工具也滞后于需求。理解你的智能体在每个步骤看到了什么，以及它为何做出那样的决策，需要自定义检测工具，而我们尚未找到适合知识工作的优秀框架。 安全是另一个维度。访问内部数据、进行API调用并代表用户执行操作的智能体引入了需要管理的风险。模型在不断改进。Stripe的一次性”小助手”每周生成超过1300个拉取请求，无需多轮推理，这在两年前是不可能的。随着模型改进，更简单的模式开始处理更难的问题。你今天设计的系统可能在六个月内需要更少的脚手架。 我们认为，为知识工作设计AI智能体系统是2026年最重要的产品问题之一。框架层正在商品化。协议层正在标准化。尚未商品化的是特定领域的上下文工程以及人机协作的产品设计。Claude Cowork是解决该问题的第一步，但它仍然很初级。构建我们自己系统的经验教训，被证明比我们做过的任何”理论开发”都更有用。如果你正在这个领域进行构建，或者你已经找到了评估知识工作智能体的方法，我们很乐意了解。 感谢阅读Jax的《建立连接》！免费订阅以接收新文章。 订阅 分享 上一篇 原文来源：Jax (Airtree)

阅读全文

AI

Mar 09, 2026

成为一个修补匠

标题：成为多面手 “选定一个方向”的时代已经终结 亨利·福特的装配线是约束艺术的杰作。一个人安装车轮，另一个人固定车轴。没有人跨岗位工作，因为跨岗成本实在高昂（培训焊工掌握喷漆技术需要数月）。这种阻力真实存在，而专业化成了理性的应对之策。 软件公司全盘照搬了这个模式。产品经理撰写需求文档，设计师绘制原型，工程师进行开发，测试人员负责质检，市场团队最终发布。如同流水线上的工位。组织结构图围绕这些技能鸿沟生长蔓延，就像城市沿河而建。敏捷开发试图改变这种状况。我们从瀑布模型转向冲刺模式，却保留了所有交接环节。周期加快了，但岗位壁垒依然如故。 人工智能在数月内就瓦解了这些技能鸿沟。然而组织结构图却纹丝未动。我的整个职业生涯都在做通才。从未固守单一领域。在每家公司，我都是直接寻找最关键的问题去攻克，无论那原本该是谁的职责。在职业生涯的大部分时间里，这感觉就像逆流而上。 但现在不同了。我所知的任何高速发展的初创公司都不再只招聘单纯的产品经理或市场专员。他们需要的是多面手。那位市场专员？她正在Claude里分析最新部署带来了哪些变化，亲手搭建着陆页，撰写广告文案，并在下班前完成推广活动上线。没有任务单，没有交接流程。工程师完成功能开发后，制作发布视频，启动智能代理审核代码，并全程跟进功能上线后的表现。没有人要求他们这样工作。只是问题出现了，他们就主动去解决。 早期初创公司始终以这种方式运作。没有边界划分，只看成果产出。现在的不同之处在于，人工智能让你在团队规模达到50人、100人甚至200人时，依然能保持这种灵活机动的特质。那些迫使大规模专业化的鸿沟已经消失。这些团队在AI代币上的投入，远低于招聘新员工的成本。 昨天我和投资组合里的一位创始人在办公室。他向我演示了一个新功能。用户调研、设计、编码、发布——全部由他独立完成。当我询问还有谁参与时，他笑了笑：“为什么要转交他人？所有背景信息都在我脑子里。” “选定一个方向”的观念必须被打破。如今，“建造什么”远比“如何建造”更重要。通才与专才之争本就是错误的命题。自主担当与依赖他人——这才是唯一重要的问题。 但大多数人仍然不愿跨越界限。我理解这种心态。你的职衔开始定义你的身份。涉足他人领域似乎不太妥当。而且没错，最初几次尝试你可能会做得很糟。但一个由掌握完整背景信息的人交付的粗糙版本，远胜于六周后经过层层转手的产品。三次交接就会剥离所有关键信息。没有人会授予你跨界的权限。绩效考核制度实际上在惩罚这种行为。我们需要停止服从那个多年前就已失去意义的体系。 不做出改变的企业，最优秀的人才将流向那些已经变革的公司。给予他们空间、雄心、艰巨的目标，然后静观其变。 福特的装配线在1913年是天才创举。工位间的阻力真实存在。 如今这种阻力已荡然无存。当你日复一日固守岗位时，那些没有你的头衔、你的权限、你的经验的人，正在交付你等待转交的工作成果。 原文来源：Nikunj Kothari

阅读全文

AI

Mar 09, 2026

风投正在优化错误的目标

当前机构风投领域的主要驱动力，并非打造具有持久生命力的企业，而是快速实现账面增值以筹集下一期基金。这并非惊人之论，而是结构性演变的必然结果。 2024年，九家机构募资额占据全美风险投资总额近半，前三十家机构更是囊括了75%的资金。来自养老基金、主权财富基金与捐赠基金的有限合伙人资金，正加速向具备大规模资金吸纳能力的平台型机构集中。一位有限合伙人直指现实：某些州立养老体系每年净新增可投资金高达50亿美元。这种资金引力将资本推向巨型基金，使其不得不承接庞大的资金配置任务。 资金配置压力引发了第一重扭曲。部分大型平台的投资人考核标准偏向投资速度而非投资成果。当管理着数十亿美元规模的基金时，对估值的敏感度自然降低。幂律法则为此提供了理论支撑：只要有一个项目能收回整支基金成本，其他项目的买入价格便无足轻重。孤立来看这种逻辑并无谬误，但它催生了”抢到项目即胜利”的从众效应——投资决策不再基于独立判断，而是演变为寻求社会认同的集体行为。核心问题从”这是否具备持久生命力”悄然转变为”能否获得权威机构跟投”。 第二重扭曲与第一重形成叠加效应。基金需要账面增值来募集新资金，而账面增值要求被投企业展现爆发式增长——这正是吸引后续机构投资的筹码。在退出渠道收窄、收益分配乏力的市场环境下，总投资价值倍数（即账面浮盈）成为普通合伙人最能讲述的故事。投资组合中被重点扶持的企业，往往是那些擅长制造增长叙事而非提升盈利能力的公司。 这个循环具有自我强化的特性：投资速度催生价格钝感，价格钝感需要增长故事支撑估值，增长压力传导至企业端演变为牺牲质量追求速度，速度催生账面增值，账面增值又为新一轮募资铺路。在这个循环的某个环节，那个最根本的问题——”这家企业能否穿越周期”——已无人问津。 风险投资始终致力于支持高增长企业，但过去的增长评估会同步考量收入质量、资本效率以及企业抵御经济周期波动的能力。如今资本供给已然过剩，但对”企业持久生命力”的认知共识却日益稀缺。 原文来源：Bubblegum VC

阅读全文

AI

Mar 09, 2026

Citrini之后：AI时代赋能个体

标题：后西特里尼时代 后西特里尼时代：在人工智能时代赋能自主权一个病态的劳动力市场揭示了世代性的建设机遇优素福·卡拉德2026年3月2日 在过去的四年里，我花了大部分时间思考技能、工作和人工智能。这促使我在人工智能时代具有持久性的增长行业中进行投资（从护理赋能平台、一体化业务解决方案、食品物流市场，到端到端培训）。这也让我深入了解了垂直人工智能应用领域，在这些领域，人类专业知识和预算非常有限，或受现实世界复杂性制约，迫切需要人工智能解决方案来增强人类能力（涵盖初级医疗、招聘、建筑、销售和政府等多个领域）。 这是好的一面。现在说说不太乐观的一面。我也经历过失业和工作中断，目睹了家人和朋友在蓝领和白领工作中挣扎，并在自己职业生涯的不同阶段亲身面对过。上周，西特里尼研究公司发布的一份热门报告，通过一项严峻的模型推演搅动了公开市场：人工智能的进步非但没有创造繁荣，反而通过推动大规模裁员和自动化的厄运循环来维持利润，牺牲了健康的就业，从而侵蚀了消费者支出和购买力。 许多人对西特里尼的思想实验提出了有力的反驳，但即使其规模或速度预测有误，它确实暗示了一个现实：人工智能，至少在短期到中期内，确实会降低劳动力的吸引力，转而青睐自动化（并非在所有行业、职能和经验水平上，但在越来越多的地方确实如此）。问问杰克·多尔西就知道了。这就是我花时间思考的那个不可避免的问题：需求侧劳动力疲软（由于经济普遍疲软、关税、通货膨胀）以及白领劳动力更广泛、看似永久性的中断（由于人工智能的采用、新冠疫情时代招聘的持续影响，甚至普遍存在的隐性失业）。因此，我决定整理一份探索性白皮书，重点介绍我的发现，以及我在人工智能时代重新思考劳动力和失业问题时所看到的一些全新机遇。 如果你正在思考这些问题并有兴趣交流，请通过LinkedIn或电子邮件联系我。 结构性问题 我们的劳动力体系在过去五年经历了快速剧变，发生了结构性且可能是永久性的改变： 发现方式：人们如何寻找和申请工作（从人际网络转向求职者和招聘者之间的算法“垃圾信息大战”）。持续时间：他们保持失业状态的时间（现在比以往任何时候都长）。应对方式：他们如何应对身份认同和心理健康遭受的毁灭性冲击（失业现在与社交活动减少30%相关；32%的失业者报告每天感到孤独，而总体比例为20%）。价值：公司如何招聘早期职业人才（人工智能正在积极取代初级员工的“训练场”，导致入门级职位所需经验大幅膨胀，薪资向下贬值）。 求职者、雇主和政府系统都承受着难以忍受的巨大痛苦。现有的基础设施——为周期性的制造业裁员和短暂衰退而设计——从根本上无法胜任服务于经历技术性替代的知识型劳动力。 转折点：为何是现在？ 我们正处于一个关键时刻，三种不同的力量正在碰撞，打破传统的招聘模式： 杠杆的崩溃：与2008年需求崩溃不同，今天的危机是“杠杆的崩溃”。求职者无法“更努力地工作”来战胜瞬间将他们过滤掉的算法，也无法与远程工作促成的全球工资套利竞争。人工智能“军备竞赛”：求职者正在使用人工智能（例如LazyApply、ChatGPT）向招聘人员发送成千上万的低质量申请。雇主则用更严格的人工智能过滤器（ATS）来阻挡他们。这种恶性循环摧毁了市场中的“信号”，让双方都陷入噪音的“黑洞”。“纸面天花板”：“入门级”的定义已发生根本性转变。初级职位的招聘信息现在经常要求3-5年经验，因为人工智能工具已经自动化了过去用来证明雇佣新手合理性的基本任务。这造成了一代无法踏上职业阶梯第一级的“失落毕业生”。 痛点 长期失业比以往任何时候都长平均失业持续时间为5个月，明显高于2010年代末期不到2周的平均水平长期失业（6个月以上）已上升至失业人口的约25%，同比增长+26%真实情况：“我已经失业20多个月了，我累了。” 劳动力市场已变得从根本上不健康，与过去趋势脱节大学学位在防止失业和年轻大学毕业生就业率方面的溢价已经减弱：两者的月度求职成功率在2026年相交（大约25-30%）就业不足现象激增，2025年净新增100万非自愿兼职工作者，2025年末总数超过550万真实情况：“自从我在新冠疫情期间被解雇后，就一直处于就业不足状态（嗯，或者至少是严重低薪）。当时有什么就做什么。尽管在更高层次工作，获得了认证和经验，并拓展了行业，我的收入仍然低于疫情前——差距很明显。” “幽灵职位”普遍存在研究表明，约40%的职位发布是“虚假”或“幽灵职位”——这些招聘信息保持活跃是为了收集数据、安抚过度劳累的内部团队，或向股东展示增长，并无意招聘。求职者浪费无数小时为不存在的职位定制简历，导致信任崩溃。真实情况：“建立人才管道只是他们这样做的一个原因。我还听说这样做是为了让垂死的公司在股东面前显得更健康，并欺骗现有员工，让他们以为很快会得到缓解，尽管公司打算继续让他们过度工作。” 申请是算法残酷性的“黑洞”61%的求职者报告在面试后被“已读不回”。反过来，44%的求职者现在也开始对雇主已读不回，标志着职业规范完全被侵蚀。合格的求职者在几秒钟内就被寻找精确关键词匹配的软件拒绝，迫使他们“为机器人优化”而不是为人类。真实情况：“问题并不总是出在你身上，而是你的故事如何被阅读（或被忽略）——90%由机器，10%由人。” 数字悲伤成为新常态失业不再仅仅是一种财务状态；它是一场心理健康危机。41%的求职者报告技能退化，34%报告信心严重丧失。“茶水间”社交的缺失尚未得到替代。失业者越来越孤立，整天“厄运刷屏”求职网站，缺乏社会支持。真实情况：“我完全不知道到底发生了什么。我只知道，我现在的处境糟透了……我建立了一个体面的生活，但我感觉它正在溜走。我看不到任何能维持我现在生活方式的方法。” 公共失业救济系统加剧财务和行政创伤主要州（加州、纽约）的申请人被迫使用“灰色市场”付费自动拨号器（例如Claimyr）才能与政府工作人员通话，为获取自己的福利支付每次20-30美元的“通话税”。真实情况：“我已经失业一年多了，即将开始一份新工作，却还没从失业办公室拿到一分钱。我打了数百次电话，总是被挂断。” 现有解决方案是过去的残余 市场上充斥着锦上添花而非解决核心问题的工具，而传统平台更是加剧而非解决了这些问题。 1. 现有巨头求职网站（LinkedIn/Indeed）：被视为必要的恶。用户形容LinkedIn是“有毒积极性的回音壁”，Indeed是充斥着骗局和低质量线索的“虚空”。政府门户网站：功能瘫痪，电话线路在没有付费机器人协助的情况下基本无法接通。 2. “创可贴”式解决方案自动申请工具（LazyApply, Sonara）：增长快但留存低。雇主讨厌它们，用户有被平台封禁的风险。它们解决了申请数量不足的焦虑，但没解决被雇佣的问题。简历写手：一个23亿美元的行业，但正被生成式人工智能有效去货币化。用户正用每月20美元的ChatGPT订阅取代300美元的专业重写服务。 尽管如此，即使对于糟糕的工具，仍然存在支付意愿。 在“活跃专业人士”阶层中，存在高支付意愿（每月30-100美元），特别是为了获取机会和验证。他们付费购买LinkedIn Premium（该细分市场渗透率35-40%），因为他们视其为职业维护。消费往往发生在经历一段失败期之后。对于“干预”工具（例如，保证人工审核或能应对政府官僚程序的机器人）存在高支付意愿。支付意愿正从“内容创作”（简历/求职信，人工智能已使其免费）转向“连接”（介绍、经过验证的网络）。 那么，空白机会在哪里？ 上述问题范围广泛、根深蒂固，对于单个初创公司来说过于庞大，难以应对。以下是我提炼出的一些早期想法，作为潜在的针对性解决方案，为许多有才华的人所陷入的算法残酷（失）就业周期提供了清晰的价值主张。每一项可能本身不足以成为一家公司，但暗示了切入更大机遇的一个引人注目的小楔子的可能性（还附带了一个由Claude生成的巧妙UI）。 1. 人才公会（“反人工智能”信任层）概念：一个平台，使用防人工智能的技术挑战严格审查会员。一旦被接纳，会员即获得合作公司职位的“预批准”。价值主张：解决了“信任……” 原文来源：Below the Surface

阅读全文

AI

Mar 09, 2026

Sam Altman的终局

标题：萨姆·奥特曼的终局 关于人工智能、权力与法律的交汇点，本周有一些不同的笔记和想法。我对纽约正在酝酿的一项愚蠢法律感到非常愤怒。 OpenAI的明显终局：成为政府支持企业 OpenAI以1100亿美元的融资额完成了史上最大规模的私人融资。同一天，特朗普威胁要扼杀Anthropic，而OpenAI则跨过其”尸体”拿下了五角大楼的合同（尽管有些含糊其辞）。 这是一件事。 基础模型显然是令人惊叹的产品，但可能是糟糕的生意。 训练是收入成本，而非研发成本。停止训练，所有用户都会流失，转向你的竞争对手或一个精简的中国版本。这些实验室正在持续投入难以置信的资金来构建这些快速贬值的资产（资本支出和训练）。而且每个新的最先进模型都比上一个更昂贵；我们正迅速接近单次训练成本超过10亿美元。 能获得1000亿美元资金的地方是有限的。史上最大的IPO——沙特阿美——”仅仅”融资了300亿美元。资本市场已无路可走。零售和公开市场无法轻易吸收或资助这种规模的构建。 下一个自然的资金来源是美国政府。目前经济中唯一在增长的部分是人工智能资本支出交易和庞大的国家养老体系。如果没有人工智能资本支出，我们将陷入衰退，而特朗普政府无法承担这个风险。国防部合同的争夺战，是为真正挑选赢家和中国式市场干预所做的一次预演。 终局：OpenAI将成为一个政府支持企业/国有企业，即使法律上不是，事实上也会是。其机制——股权、债务、担保、某种奇怪的结构——尚不明确，也不重要。 纳税人很可能最终成为接盘者。 法律人工智能是亲消费者的 纽约正在考虑一项法律，禁止聊天机器人从事任何可能被解释为法律工作的行为（SB S7263法案）。 禁止人工智能提供法律建议是愚蠢且反消费者的。 显然，聊天机器人提供法律建议存在潜在的消费者伤害风险，但其益处远大于风险。最明显、最大的好处是创造一个公平的竞争环境。 所有律师显然都会拥有人工智能，法律战和滥用诉讼淹没系统的可能性极高。合同将变得更长。法律斗争将更加复杂。由于人工智能，我们都将被文书淹没。 如果只有律师可以使用法律人工智能，那么只有那些有律师待命且拥有庞大法律预算的人才能通过代理获得这些工具。 如果没有面向消费者的法律人工智能，我们将看到美国法律体系有史以来最大规模地向房东、公司和雇主倾斜。当消费者和小企业面对持续不断的轻率诉讼、冗长合同和惩罚性协议时，他们将遭受巨大损失。 我们正走向一个日益敌对的法律环境，消费者需要获得好的工具才能有一线生机。 纽约提议的这项法律反映了法律卡特尔的稀缺性思维和反竞争立场。 Clawd – Dean W Bell 迪恩·贝尔曾是特朗普的人工智能顾问，他写了一篇极具说服力且异常黯淡的文章，论述了特朗普与Anthropic之间的斗争如何加速了美国计划/共和国的消亡。其要点是，国会已经变得如此僵化和无能，以至于立法现在几乎完全基于武断的行政决策，且没有追索权。这种权力既强大又可怕，现在掌握在那些过于愚蠢和鲁莽、无法认真对待它，更不用说在约束下行事的人手中： 即使赫格塞思部长让步并收窄了他对Anthropic极其广泛的威胁，巨大的损害已经造成。即使在最狭义的定义下，政府仍然表示，他们会像对待外国对手一样对待你——事实上，在某些方面会比对待外国对手更糟——仅仅因为你拒绝屈服于他们的商业条款。仅仅因为持有不同的想法，在言论中表达这些想法，并在关于如何部署和不部署自己财产的决策中实现这些言论。这些事情中的每一件都是我们共和国的基石，而每一件都在上周遭到了战争部的攻击——虽然不是第一次，但却是以新颖的方式。大多数公司、政治行为者和其他人将不得不在部落逻辑现在将占主导地位的假设下运作。 关于政府造成的损害，还有更深层的东西。Anthropic与战争部的小冲突是第一次真正关于前沿人工智能的控制权应归属何处的重大公开辩论。我们的公共机构行为反复无常、充满恶意且缺乏战略清晰度。我们的政治领袖对他们自己的行为都知之甚少，更不用说对技术及其利害关系了。他们起步就非常糟糕，很难想象他们能恢复过来，因为他们似乎并不关心改进。他们是美国政治精英的卡通式写照，但可悲的是，他们的失败在我生命的大部分时间里已经成为两党美国政治精英的原型。”一如既往，但现在明显更糟”是过去20年美国政治的主题。 正如我之前多次说过的，没有强大的财产权，自由民主和资本主义都无法运行。特朗普两者都不尊重。 人工智能安全还剩12个月 – Michael Dempsey 邓普西很好地总结并提出了一个观点，即对于任何超越有效利他主义教派、真正关心安全前景的人来说，情况是多么严峻。 大约有12个月的时间窗口，在IPO和竞争动态使其永久不可能之前，将[安全]嵌入技术和社会基础设施中。目前除了算力之外约束实验室行为的每一个机制，要么已经失效，要么即将到期，而在这个窗口期内构建的东西必须能在另一面承受多年的市场压力。关心此事的人所拥有的影响力正在迅速缩小，但也许在过去的一周左右，他们被赋予了一个特定的机会来重新获得某种程度的重要性或机遇。 长期以来，我对人工智能安全的理念一直摇摆不定，因为我不相信快速起飞、超级智能的通用人工智能——天网并不在我的威胁雷达上。但似乎越来越明显的是，除了技术限制和达里奥的仁慈之外，没有什么在管理人工智能的使用。 招聘 我一直在帮助一些投资组合公司进行招聘，这真的很有趣。在与这些创始人讨论他们的招聘计划，以及与候选人谈论他们的期望时，很明显，过去几年，优秀早期初创公司员工的范式已经发生了显著而迅速的变化。 最好的早期员工与几年前截然不同：他们是多面手、商业通才。 工程师想和客户交谈，而商务人员会写代码。 需要的是高自主性和人工智能原生人才，而不是埋头苦干的10倍效率执行者。 一些值得加入的令人兴奋的职位/公司： Phoebe（医疗保健劳动力智能体网络）正在纽约招聘工程师和销售人员。 Atomic正在招聘Rust工程师，以构建一个人工智能原生的git替代品。 [Stealth]正在纽约招聘工程师，为智能体构建安全和可观测性。 原文来源：99% Derisible

阅读全文

AI

Mar 09, 2026

关于将风投作为早期职业的思考

标题：将风险投资作为早期职业 普尼克斯 关于将风险投资视为早期职业的思考 2026年3月3日 5次分享 两位MBA学生分别向我寻求职业建议。当时我正在飞机上，于是给他们写了一封长信回复。我想不妨在此分享我的想法。 风险投资是世界上最好的工作之一。它提供了一种难得的组合：既能从高层视角洞察技术与社会的发展方向，又能非常实际地接触公司是如何建立起来的。你可以与那些异常雄心勃勃、见解独到且对未来深思熟虑的创始人共事。对许多人来说，包括我自己，这是一份梦寐以求的工作。 但它并非传统意义上的职业。与咨询、投行或运营岗位不同，风险投资没有标准化的晋升路径。获得一个投资经理的职位并不意味着一条通往合伙人的道路。大多数风险投资机构规模小且运作独特。它们是为投资而优化的，而不是为了培训或长期的职业发展。事实上，风险投资往往不是一个学习工作基础的好地方。判断力需要缓慢积累，反馈要多年后才能得到，而且很难将运气与技能区分开来。我从事这行快15年了，仍在试图弄清楚自己是否称职，希望是优秀，或者可能两者都不是。 与此同时，即使长期来看行不通，风险投资也可以成为一个极佳的起点。许多投资者最终成为了创始人或运营者，反之亦然。但由于职位稀少，且大多数公司并非为系统培养人才而设计，过早进入的机会成本可能很高。 这就是为什么我倾向于将问题从“我应该做风险投资还是运营？”重新定义为“我如何将自己转变为一个人才节点，拥有持久的判断力和信誉？” 进入风险投资领域有几条公认的路径。一些人通过专业学徒制进入：投资银行、私募股权、对冲基金或咨询公司的工作经验，然后获得一个投资经理职位。这条路在早期最有效，即当公司招聘初级人才时。另一些人通过运营经验进入，比如创办一家公司，或在一家快速发展的初创公司担任高级职位，在那里他们培养了真正的责任感和在创始人中的信誉。这条路更难实现，但通常能进入更高的层级。第三条路径越来越普遍，即作为天使投资人或通过小型联合投资团体开始独立投资，并随着时间的推移建立业绩记录。这些路径没有哪一条天生就更优越。 对于MBA项目中的学生，尤其是在创始人密度异常高的项目中，更重要的问题是如何现在就测试这份工作，而不是抽象地为未来的角色进行优化。 我通常建议进行一系列简单的实验。 形成自己的观点。有效的投资者并非泛泛意义上的通才。他们对什么是可投资的以及为什么有自己独到的见解。当你与投资者会面时，尝试教给他们一些他们还不知道的东西，无论是关于某个市场、某个地域，还是他们尚未见过的某种模式。 尽早开始与你欣赏的基金建立关系。基金并非一直在招聘。它们在有需求时才会招聘——要么是有人离职，要么是它们筹集了新基金需要扩充团队。研究哪些公司正处于募资阶段，并将你当前的申请精力集中在那里。但不要让这阻碍你现在就开始建立关系。当时机成熟时，你希望他们第一个想到你。坚持下去。 建立基于与创始人真实关系的项目流。过去十年中许多最强大的公司都出自MBA同学圈，不是因为学历，而是因为亲近、信任和共同的背景。 最后，直接尝试这份工作。开始投资，即使是小额投资。开出第一张支票与其说是关于资金，不如说是关于学习、表明意图和建立参考点。像AngelList这样的平台让你可以用比以前低得多的成本建立投资组合。目标是建立业绩记录和对技术市场的独特视角。在风险投资公司的研究员项目、兼职工作或暑期实习，通常是了解日常工作现实是否与工作设想相符的最快方式。 寻求那些无论你现在还是未来进入风险投资领域都能产生复利效应的技能和经验。对大多数人来说，最佳策略是保持选择权：培养那些无论风险投资是否成功都至关重要的技能和信誉。那些能使你成为优秀年轻投资者的特质，同样可能使你在其他职业中表现出色——领域专业知识、独特的人脉网络、强烈的职业道德、主动进取的精神等等。具有讽刺意味的是，这种方法也往往是首先让一个人对风险投资公司更具吸引力的原因。 原文来源：Alex Lazarow

阅读全文

AI

Mar 09, 2026

在制度变迁中推理

标题：制度变迁中的推理 非遍历系统中的推理 阿尔伯特·阿祖特 2026年3月1日 101 分享 在《临界性投资》一文中，我们讨论了现实世界的市场如何成为自组织临界性系统。这意味着它们会自我调整，处于有序与混沌之间的边缘。因此，这些系统表现出路径依赖（早期事件限制了未来选择的空间）、长记忆性（过去状态导致的持续锁定），并自然导致亚稳态（系统可能陷入看似稳定但可能迅速变化的制度中）。 我们曾解释，处于亚稳态的系统会积累潜在的张力，这些张力会随着外生和/或内生催化剂而释放，使系统进入新的亚稳态，并常常引发大规模的资本轮动。一个典型例子是2022年ChatGPT的推出，它引发了大规模的资本轮动和随后的数据中心资本支出周期。在ChatGPT之前，市场处于一种“SaaS优先思维模式”，而当时存在若干潜在张力： 研究实验室知道，增加数据、参数和计算量会可靠地提升模型性能，但这些大多停留在论文、API和演示中，尚未形成主流的产品叙事。 基础模型已经展现出超越大多数企业和投资者心智模型（即“机器学习只是一个功能”）的涌现能力（如少样本学习、代码生成和推理），从而在观察到的技术潜力与商业应用之间形成了差距。 对GPU级计算的需求正在加速增长，但仍被框定为研究或小众工作负载；硬件和云生态系统尚未围绕AI作为数据中心资本支出的主要驱动力进行重新评级。 关于AI将是软件内部的横向能力，还是一个拥有自身经济模式的新平台层，存在未解决的争论，但当时尚无典型产品来锚定任一方向。 围绕先进芯片和出口管制，美中半导体冷战已在酝酿，AI作为需求和国家安全关切的隐性驱动力，但当时缺乏一个公开的“AI时刻”来使其具体化。 如果我们以AI为例，当资本在转型前布局得当，临界性转变显然可以转化为高凸性的结果。但为什么大多数投资者无法提前看到这些潜在张力？ 因为路径依赖、记忆性和吸收态/亚稳态的结果意味着现实世界的市场是非遍历的。在遍历系统中，沿单一轨迹的长期时间平均值等于系综平均值。例如，在一个公平的抛硬币过程中，经过足够长的序列，一个人时间序列中出现正面的比例会收敛到50%。这与通过平均许多独立的抛硬币序列得到的50%相符。在非遍历系统中，历史很重要，并非所有状态都会被探索，沿单一轨迹的时间平均值可能与系综平均值截然不同。例如，一个反复下注的赌徒，在许多情景下的平均表现可能看起来有利可图，但实际上很可能破产并停留在那里，因此实现的结果远比平均值所暗示的要糟糕。 理解非遍历系统的一种方式是在马尔可夫链的背景下思考，其中瞬态（白色圆圈）会进入吸收态（黑色圆圈，如下方的状态4和5），这些吸收态会困住系统，阻止其完全探索状态空间。 以风险投资为例，这意味着投资者的长期投资组合回报可能与横截面平均值（由少数异常基金驱动）严重偏离。 非遍历（左图）：系综平均值在纸面上看起来很棒（因为幂律意味着少数投资者获得了极右尾的结果）。但中位数投资者的财富崩溃，约59%的投资者亏损。少数巨大的赢家拉高了平均值，而大多数则破产。这是乘法动力学（重复的百分比收益/损失）——典型VC投资者的遭遇与平均值大相径庭。 遍历（右图）：系综平均值（4,050美元）≈ 中位数（4,250美元）。每个人的轨迹都聚集在均值附近。时间平均值和系综平均值收敛。 非遍历性意味着系统和市场会经历制度变迁，即当催化剂将系统踢出亚稳态时。在制度变迁期间，波动性飙升，系统最终会进入一个新的亚稳态。在上面的马尔可夫链例子中，制度转变意味着转移概率（边上的权重）的微小变化会突然使得过程更有可能结束于一个不同的亚稳态，从而有效地将系统从一种长期模式转移到另一种。在某些情况下，链的整个结构或拓扑本身会发生变化。当这种情况发生时，历史观察在预测未来方面的作用就小得多，因为我们实际上处于一个“新世界”。 投资者应如何在复杂、非遍历的市场中做出决策？ 答案是进行更深入的探究。 应用贝叶斯推理的视角，让我们假设我们所知道的一切都编码在一个关于市场运作方式（其转移概率、收益结构和潜在制度状态）的可能模型的先验分布中。然后，历史数据将该先验更新为关于模型的后验分布。 但当制度发生转变时，生成模型本身可能发生变化，因此我们不再仅仅是在一个固定模型内更新关于状态的信念；我们现在对模型本身也不确定。 因此，需要更深入的模式识别来检测生成结果的结构何时发生了变化——即当微小的异常或意外不是制度内的噪音，而是转移概率、收益函数甚至状态空间本身已经发生变化的信号。此时，任务不再是基于历史已实现路径进行外推，而是推断最可能产生新观察结果的潜在机制。换句话说，我们必须从在模型内更新信念，转向构建关于现实的新模型。我们认为，在实践中，这意味着提出基于机制的问题，而非基于类比的问题，例如： 价值创造：价值创造的新底层动力是什么？而不是简单地询问这是否符合CAC/LTV等先前的经济框架。 市场进入动态：当前的数据点在分销优势和反馈循环方面意味着什么？而不是仅仅询问观察到的网络效应是否像以前的赢家。 制度不变性：竞争优势的哪些要素是制度依赖性的（例如，资本可用性、GPU稀缺性）？哪些是制度不变性的（例如，转换成本、工作流锁定）？ 创始人适应性：团队是否构建得能够驾驭持续的制度变迁？还是他们被优化为在当前有效的静态剧本内执行？ 市场结构：要使这家公司维持利润率并避免商品化，哪些结构性条件、客户行为、采购动态、集成优势必须持续存在？ 目标是构建一个关于当前世界状态的模型——一个因果或结构模型，它能解释我们所看到的现象，并植根于底层机制。否则，危险在于我们要么依赖动量和共识观点，要么应用一个与新制度不再相关的世界模型。 在未来的文章中，我们将在复杂市场的因果或结构模型背景下，讨论我们对当前市场的看法，以及归纳和溯因模式识别的细微差别。 101 分享 原文来源：Level VC

阅读全文

AI

Mar 09, 2026

品牌时代

标题：品牌时代 1970年代初，灾难降临瑞士制表业。如今人们称之为石英危机，但实际上这是三场独立灾难在几乎同一时间发生的复合冲击。 第一场灾难来自日本的竞争。整个1960年代，瑞士人都在后视镜中观察日本同行，后者以惊人的速度进步。但即便如此，当日本在1968年日内瓦天文台竞赛中包揽机械表所有顶级奖项时，瑞士人仍感震惊。 瑞士人明白即将发生什么。多年来，日本已能制造更便宜的手表。如今他们也能制造更好的手表。 雪上加霜的是，瑞士手表即将大幅涨价。自1945年起固定全球多数货币汇率的布雷顿森林体系，将瑞士法郎人为设定在0.228美元的低位。当该体系于1973年崩溃时，法郎汇率飙升。到1978年已达0.625美元，意味着美国人购买瑞士手表的成本增至原来的2.7倍。 即使没有石英机芯，外国竞争与保护性汇率的丧失这两者的叠加效应也足以重创瑞士制表业。但石英机芯成为了最后一击。他们长期以来试图取胜的整场游戏变得无关紧要。曾经昂贵的事物——知晓精确时间——如今变成了大宗商品。 1970年代初至1980年代初，瑞士手表的销量下降了近三分之二。多数瑞士表厂破产或濒临破产并被出售。但并非全部。少数几家作为独立公司幸存下来。他们的生存之道，是将自身从精密仪器制造商转型为奢侈品牌。 在此过程中，机械表的本质也发生了转变。最昂贵的手表向来价格不菲，但其昂贵的原因以及买家获得的回报已彻底改变。1960年，昂贵手表因制造成本高昂而价格不菲，买家获得的是当时尺寸下能制造出的最精确计时装置。如今它们昂贵是因为品牌投入巨资广告宣传并采用策略限制供应，买家获得的是一个昂贵的身份象征。 然而这被证明是利润丰厚的生意。瑞士制表业如今从品牌销售中获得的利润，很可能超过他们若继续销售工程技术所能获得的。确实，观察瑞士手表销售额的收入曲线图，会发现它与销量曲线图讲述着不同的故事。收入数字并未断崖式下跌，而只是暂时趋于平缓，随后在1980年代末幸存表厂适应新命运后如火箭般飙升。 制表商们花费了约20年才摸清新游戏规则。观察这一过程颇为有趣，因为他们转型的彻底性使其成为我们这个时代最强大力量之一——品牌——的完美案例研究。 当产品间的实质性差异消失时，剩下的就是品牌。而消除产品间的实质性差异正是技术发展的自然趋势。因此瑞士制表业的遭遇不仅是有趣的特例，更是我们这个时代的故事。 积家官网称其当前某个系列“从制表业黄金时代的经典设计中汲取灵感”。此言隐含了当代制表商心照不宣的共识：无论我们身处何种时代，这都不是黄金时代。 黄金时代是1945年至1970年——从瑞士制表业在战后混乱中脱颖而出占据主导，直至1960年代末开始的三重灾难。黄金时代的制表商最追求两件事：纤薄与精准。这 arguably 是制表业的核心权衡。手表是随身携带以知晓时间的物件，因此改进有两个基本方向：使其更易携带，或使其更精准报时。 精准显然有价值，但在黄金时代，纤薄或许更具价值。即使在怀表时代，顶尖制表商也竭力使作品尽可能纤薄。廉价厚重的怀表被讥为“萝卜”。当一战期间男表移至腕间时，纤薄变得更为迫切。由于纤薄比精准更难实现，这一特质往往成为黄金时代昂贵手表的区分标志。 在某些时期，制表商还追求另一目标：以非常规方式显示更多信息。例如月相显示或鸣响报时。业内称这些为“复杂功能”。它们在19世纪盛行，如今再度流行，但除了一项实用复杂功能（日期显示）外，在黄金时代它们只是配角。在黄金时代——正如所有黄金时代——顶尖制表商聚焦于核心权衡。并且——正如所有黄金时代——他们做得极其出色。黄金时代的最佳手表具有后世从未企及的静谧完美。而基于我将解释的原因，可能永难再现。 黄金时代最负盛名的三个品牌是所谓“三巨头”：百达翡丽、江诗丹顿和爱彼。它们的声望大多实至名归，源于其作品的卓越品质。到1960年代，它们立足于声望与性能两大支柱。随后二十年它们认识到，必须将所有重量压在前者上，因为它们已无法在制表商历来追求的两个目标上取胜。石英机芯不仅比任何机械机芯更精准，也更纤薄。 三巨头至少还有另一支柱可倚仗。多数其他知名瑞士制表商仅靠性能立足，这些公司无一完整幸存。 欧米茄展示了错误示范。他们是瑞士制表商中的技术派，制造了极为精准的手表，但对成为奢侈品牌的理念最多持矛盾态度。当日本在精准机芯制造上追平瑞士时，欧米茄以其特有方式回应：制造更精准的机芯。1968年他们推出频率提高45%的新机芯。理论上这应提升精准度，但新机芯过于脆弱，反而损害了其可靠性声誉。他们甚至尝试制造更好的石英机芯，但这只会陷入逐底竞争。到1981年，欧米茄破产并被债权人接管。 百达翡丽采取了相反策略。当欧米茄重新设计机芯时，百达翡丽在重新设计表壳。更准确地说，是在设计表壳——因为此前他们并未这样做。 或许有必要提及当时瑞士制表业的奇特生态。这是一种如今难以想象的资本主义形态，即便在当时也只有在瑞士这样的国家才能运作——一个由法规锁定的小型专业化公司网络。我们为方便所称的“制表商”只是这个网络中面向消费者的终端。三巨头大多不自行设计表壳，甚至不常设计机芯。 1968年（又是这一年），百达翡丽推出了一款改变表壳设计重心的新表。这次他们将自己的设计交给表壳制造商并告知：“你们要按此为我们制作。”成果是名为Golden Ellipse的惊艳新表款——尽管名称易生误解，因为它并非椭圆形。新表壳更接近UI设计师所称的圆角矩形。这个新系列相当成功，但意义不止于此：它预示了未来模式。 为何仅仅设计独特表壳如此重要？因为它将整只手表转化为品牌的表达。 从希望通过所戴手表品牌给人留下印象者的视角看，黄金时代最佳手表的问题在于：无人能辨别你佩戴的品牌。除非近在咫尺，所有顶级制造商的手表看起来都相同。这就是极简主义的特点：往往只有一种答案。加之黄金时代手表按现今标准偏小。制表商耗费数世纪使其更小，到1960年已臻化境。因此区分顶级品牌的唯一标识是表盘上的印刷名称，而表盘极小导致这些名称微不可见。三巨头黄金时代手表上的制造商名称高度仅0.5至0.75毫米。通过掌控表壳设计，百达翡丽将品牌标识面积从8平方毫米扩展到800平方毫米。 为何在低语百年后突然决定让品牌呐喊？因为他们明白无法在性能上击败日本。从此以后，他们必须更依赖品牌。 这种做法存在代价，我们甚至能在这个表壳即品牌的早期案例中窥见。Golden Ellipse并不难看。在1970年代设计师将一切变为圆角矩形的风潮中，它们必定更显酷炫。但Golden Ellipse并非表壳设计的进化进步。手表并未全部变成圆角矩形。 原文来源：Paul Graham

阅读全文