AI | Page 4 | RecodeX

Apr 13, 2026

属于普通人的长寿

原文链接： Longevity for the rest of us 作者： Maveron 免责声明：本翻译好的文章仅限于我自己阅读，不是转载和发布。去年秋天，我分享了对美学未来 (future of aesthetics)的看法，概述了远程皮肤科的发展如何为美学行业的腾飞奠定了基础。第一波公司（Hims, Ro, Thirty Madison）证明了消费者会在线寻找并支付皮肤科护理的费用，并且围绕它的文化污名正在破裂。这种基础设施和正常化随后为第二波美学公司走得更远、接触更多消费者并建立更大的品牌打开了大门。我们在可穿戴设备中看到了同样的模式：Garmin 和早期的 Fitbit 是为运动员和量化自我的消费者打造的。Apple 紧随其后，将健康监测器戴在了想知道自己当天走了多少步的消费者手腕上。接下来是 Oura，将睡眠追踪器戴在了消费者的手指上，自推出以来售出了 550 万枚戒指，其中一半以上是在过去 18 个月内售出的，主要卖给了追踪自己健康的女性。在这些例子中，拥有自己健康数据的核心临床价值主张并没有改变；改变的是包装和核心客户群体。当我思考长寿（longevity）时，我总是回到那个框架。Prenuvo, Function Health, Grail – 这些公司已经证明了这种模式。他们表明消费者愿意为预防性诊断付费，科学是引人注目的，并且预防性护理的真实市场是存在的。就像在美学领域一样，第一波长寿核心客户是高度活跃的、具有健康素养的早期采用者，他们本来就会去寻找这些解决方案。换句话说，长寿在很大程度上仍然专注于其最初的生物黑客（biohacking）客户群。麦肯锡的2025 年健康未来调查 (2025 Future of Wellness survey)估计，最有可能寻求尖端健康解决方案的消费者（即高度活跃的消费者）仅占市场的 25%。尽管还处于早期阶段，但超出该基础的需求是真实的：同一项麦肯锡调查发现，高达 60% 的消费者表示健康老龄化是重中之重，但近一半的人属于对新技术持怀疑态度或难以坚持健康目标的细分市场。这些消费者有动力变得更健康，想要更好的信息，并希望在潜在的健康衰退之前保持领先，但他们在很大程度上仍然在“疾病护理（sick-care）”框架内运作。当出现问题时，他们会去看医生，比起任何应用程序，他们更信任他们的初级保健医生。他们绝不是大多数长寿公司今天所迎合的超优化、注射肽、狂吃补品（supplement-maxxing）的客户群体。 Maveron 的数据支持了这一点——我们的消费者 2026 报告 (Consumer 2026 Report)发现，在我们调查的所有类别中，健康和保健具有最大的意图差距。今天只有 21% 的受访者在健康方面使用 AI，但超过一半的人表示他们可能会在明年尝试该类别中的 AI […]

AI

Apr 13, 2026

AI可以思考，但软件仍然必须负责

作者：Dhruv Sane 原文链接：https://dhruvsane.substack.com/p/ai-can-think-software-still-has-to 免责声明：本翻译文章仅限个人阅读，不用于任何形式的转载和发布。亲爱的读者，合十礼：我今年接触过的大多数软件创始人都正在提出/被问到一个错误的问题：“AI会抢走他们的饭碗吗？” 这是一种合理的恐惧。OpenAI不再仅仅是一个API提供商。Anthropic不再满足于停留在模型层。平台公司正在向上游移动，更接近客户，更接近工作流，更接近价值池。但“AI会吃掉我们吗？”仍然是一个错误的问题，因为它是被动的。它会导致焦虑，而不是战略。更好的问题是：软件能做什么基础模型从根本上做不到的事情？我的答案很简单：AI可以思考，但软件仍然必须负责。这种区别比大多数创始人意识到的还要重要。而今天在印度构建的大多数软件都站错了队。曾几何时，默认的初创公司剧本看起来很明显：拿一个基础模型，在它周围包裹一个工作流，然后销售垂直产品。法律AI。人力资源AI。合规AI。销售AI。模型进行推理。初创公司拥有界面。每个人都能赚钱。当模型层表现得像基础设施时，这种逻辑是行得通的。现在它行不通了。大型模型公司正越来越多地发布产品功能、连接器、操作和工作流原语，使它们更接近用户。因此，如果你整个公司都建立在模型将停留在你下方的前提之上，你就不是真正拥有你的产品。你是在租用它。这就是为什么今天这么多AI软件公司感觉脆弱的原因。他们的差异化并没有错。只是太浅了。如果你的产品主要是一个更好的提示、一个更漂亮的UI，或者是模型输出周围的一个薄薄的包装，那么平台向你移动的速度可以比你远离它的速度更快。这就是为什么我认为关键的创始人问题不再是，我如何将AI添加到我的软件中？而是：在工作流的哪个环节我变得难以被移除，即使模型不断变得更好？让我直接陈述核心论点。大多数关于这个话题的文章都会得出“AI威胁软件”的结论。那是事实，但没用。更精确的版本是：AI非常明确地威胁着软件公司的一个方面：认知。认知 vs 后果：AI vs 软件基础模型可以审查合同、分析账本、起草电子邮件或推荐下一步行动。它通常能做得很好。随着时间的推移，它几乎肯定会做得更便宜。此外，这些模型正在启动它们自己的智能体，以捕获甚至连软件今天都珍视的执行层——智能体可以比人类更快地归档、结算、更新、协调、验证或提交信息，软件公司不能再仅仅扮演邮递员的角色了。然而，LLM（大型语言模型）做不到的，至少它自己做不到的，是为结果承担责任。那才是真正的分界线。很多创始人仍然认为AI中的防御性将来自更好的推理、工作流的深度、更好的提示，或控制执行层。我不认为护城河会建立在那里。护城河建立在失败有成本的地方。如果你的软件被用于失败是昂贵的、可见的、受监管的或在操作上令人痛苦的工作流中，那么客户购买的不仅仅是智能。他们购买的是问责制。这就是为什么我不断回到同一句话：AI可以思考，但软件仍然必须负责。以支付为例。模型可以标记欺诈模式、优化结账文案或帮助评估风险。但它不能成为结算资金、处理撤销、管理纠纷以及位于受监管支付流程内部的对手方。以税务和合规为例。模型可以对发票进行分类、提出商品和服务税（GST）处理建议，或总结法律条款。但它不能成为公司通过其自信地实际提交、签署并完成闭环的受信任系统。这是许多创始人正在错过的区别。如果你的产品主要帮助用户更好地思考，你就在与模型层和所有在其上构建的人竞争。如果你的产品为思考后发生的事情承担责任，你就在构建更难被取代的东西。这就是区别：认知与后果。如果你的产品帮助用户更好地思考，你就在与OpenAI和地球上每个资金充足的AI团队竞争。如果你的产品对结果承担责任，如果失败的成本由你的公司吸收，你就在构建具有真正护城河的东西。这也是为什么我认为印度创始人拥有比他们有时意识到的更好的机会。印度最好的软件机会通常不是干净、抽象、纯软件的市场。它们是混乱的、例外情况繁多的、受监管限制的工作流，在这些工作流中，工作并不会在洞察处结束。 AI可以审查合同。它不能向公司注册处提交。 AI可以建议GST立场。有执照的专业人士或实体仍然必须支持它。 AI可以起草合规报告。它不能成为提交它、拥有审计跟踪并承担错误后果的受监管机构。这种混乱不是印度市场的漏洞。它是防御性的源泉。全球模型平台将追求具有巨大上升空间的大型水平类别。它们不会深入到每个印度特定的工作流、每个边缘情况繁多的监管流程，或者每个信任、本地背景和执行力比原始智能更重要的利基运营问题。这创造了一个机会。事实上，对于印度创始人来说，更有用的问题之一不仅仅是，市场有多大？它也是，这个类别是否足够小、足够混乱、足够本地化，以至于全球平台懒得深入，但又足够痛苦，以至于客户仍然愿意为真正的解决方案支付高价？这通常比每个人都涌入的明显类别是更好的切入点。印度的制造工作流就是一个很好的例子。一家位于车间系统、ERP数据、质量检查、合规要求和客户报告之间的公司不仅在构建软件。它还在一个支离破碎的环境中构建运营信任。那不是基础模型公司可能通过插件赢得的市场。我今天最信任的创始人不是那些拥有最令人印象深刻的演示的人。而是那些选择了一个早期就需要信任的工作流，并且有一条可信的路径，随着时间的推移变得越来越难被移除的人。在实践中，这通常始于一个看起来不如纯软件投资者所希望的那么光鲜的楔子。有时是产品加服务。有时是人在环路（human-in-the-loop）工作流。有时是客户首先购买可靠性而非自动化的狭窄用例。这没关系。事实上，在许多印度类别中，这是正确的开始方式。法律工作流就是一个很好的例子。客户不仅想要更快的起草。他们想要更少的错误、更快的周转、更好的一致性以及更少的运营摩擦。与纯工具相比，产品加服务的楔子可以更快地赢得信任，因为买家不仅在评估软件质量。他们还在评估你是否能真正与他们分担部分重担。 […]

AI

Apr 13, 2026

网络对智能体来说太人类化了

作者：Gradient 原文链接：https://www.gradient.com/blog/posts/why-web-authentication-breaks-for-ai-agents/ 免责声明：本翻译文章仅限个人阅读，不用于任何形式的转载和发布。感觉我们越来越要在未来几个月迎来AI智能体的寒武纪大爆发。据称的Anthropic Mythos和OpenAI Spud模型的性能打破了图表。但仍然存在一个挑战：网络对智能体来说太人类化了。互联网、软件以及控制它们的身份验证基础设施，目前都是为人类构建的。这给智能体（更具体地说是智能体开发人员）设置了障碍。MFA、双因素认证、验证码等等，所有这些都是以人类为中心构建的方法。 Gradient投资组合公司Anchor Browser最近推出了OmniConnect，以代表开发人员管理智能体的端到端身份验证。这是使网络对智能体更具可遍历性的巨大一步，特别是对于需要访问位于复杂身份验证流程背后的高价值数据的智能体而言。有一种名为“不可能的旅行”的安全启发式方法。如果同一个帐户从纽约登录，20分钟后又从新加坡登录，系统就会标记它，因为没有人类可以在物理上移动得那么快。这是一个优雅的名称，用于在登录时运行廉价的安全检查并检测受损凭据。不幸的是，智能体以机器速度移动，并且可以源自跨越多个大陆的云基础设施。不可能的旅行不是一个古怪的边缘案例。它是数十种测试同一假设的网络安全机制之一：这个用户是人类吗？会话超时假设人类走开了。验证码测试眼球。设备指纹识别假设一台设备等于一个人。速率限制假设人类的点击速度。IP声誉假设一个稳定的位置。行为分析根据生物基线对鼠标移动和击键时间进行评分。大多数网络信任层，其核心都是一个人类探测器。智能体不是人类，这给代表人类工作的智能体开发人员带来了一个问题。智能体构建者的难题我们投资了一些团队，他们正在为医疗保健系统、金融服务门户和物流货运委员会构建浏览器智能体。AI运行良好（这要归功于许多许多AI工程师和并行的Claude会话的奉献工作）。对于这些初创公司中的许多公司来说，限制因素实际上是身份验证层。许多初创公司甚至在客户那里派驻FDE（前沿部署工程师），只是为了在遗留软件中构建一系列基于浏览器使用的身份验证集成。这些FDE有一项不令人羡慕的工作：处理一团糟的身份验证。身份验证和会话生命周期：网络没有标准的登录界面。每个应用都有不同的身份验证方式：自定义表单、OAuth、SSO、SAML、MFA、多步向导。会话是不透明的。Cookie会过期，代币会轮换，服务器会根据智能体无法预测的内部风险评分强制重新身份验证。智能体必须通过解释页面本身来持续检测身份验证状态，重新执行完整的登录流程，并在任务中途恢复。浏览器指纹：机器人检测堆栈（Cloudflare、Akamai、PerimeterX）将数十种信号聚合成一个置信度分数：画布渲染、WebGL、字体枚举、屏幕尺寸。TLS握手会泄露你是macOS上的Chrome还是容器中的无头Chromium（JA3/JA4指纹识别），一些WAF（Web应用防火墙）仅凭这一点就会进行拦截。云浏览器在所有这些向量上都具有可检测到的非人类指纹，而你需要通过每一个向量。网络身份：云IP默认被标记。你需要具有地理一致性的住宅级IP，否则你会触发不可能的旅行检测，会话就会终止。即使有代理，浏览器也可能通过WebRTC或DNS泄露真实IP。反机器人和行为：验证码已经进化。Cloudflare Turnstile依赖于行为信号，而不是图像拼图。WAF对鼠标轨迹、滚动速度、点击时间进行评分。JS挑战页面探测你的运行时环境。你需要一个具有令人信服的行为模拟的完整浏览器。这些系统都必须进化，而且它们已经开始进化了。去年我写了关于Cloudflare与Anchor Browser、Browserbase以及其他一些基础设施提供商合作的文章，旨在为智能体配备加密护照，以帮助它们浏览网络。我很高兴看到Anchor Browser继续他们市场领先的工作！昨天，Idan和团队推出了OmniConnect，它可以代表智能体处理所有类型的身份验证复杂性。“自我修复会话恢复”对于任何快速移动的智能体开发人员来说都是一笔巨大的资产。应用程序的难题当然，这是一个双面问题，我非常关注那些帮助商家、应用程序、基础设施提供商等管理来自“智能体”的入站流量的公司。在你的WAF、分析和会话日志中，一个使用上述堆栈构建良好的智能体与人类是无法区分的。你看不见它们。你无法限制它们（你的IAM（身份和访问管理）没有“代表用户X行事的智能体”的概念，并且智能体通过UI登录完全绕过了OAuth）。你无法对它们进行计量（按席位定价假设的是人类速度，而不是一次登录每天执行10000个任务）。而且你的审计跟踪无法区分人类行为和智能体行为，这在成为技术问题之前首先是一个合规性问题。如果DAU/MAU数据没有区分智能体用户和人类用户，我们还应该信任它吗？我不确定我会信任！应用程序、商家、计算提供商、媒体等都想要这些流量，但可能希望以不同的方式与其交互。在你的产品之上实现自动化的客户意味着它很有价值（在大多数情况下）。我们的做法不是阻止智能体。而是服务它们、确定它们的范围并对它们进行定价。如果你正在创办一家公司，帮助生活在网络上的任何人理解智能体、与智能体连接并进行交易，请与我们联系！是时候构建[智能体身份验证产品]了双方都想要相同的握手协议。智能体：“我是一个智能体，这是谁授权的我，这是我需要的。” 商家：“这是你的范围，你的速率限制，你的价格。” 借助Cloudflare的Web Bot Auth和Anchor Browser的OmniConnect等产品，我们正走在一条使智能体能够真正代表其用户与世界进行互操作的道路上。如果不提另一家优秀的Gradient投资组合公司Sapiom，那就是我的失职，他们正致力于此处的金融互操作性。但是HTTPS大约花了15年才达到几乎普及的程度，而且那有一个明确的强制功能（谷歌会给你更高的排名）。智能体身份标准还没有同等的激励措施，事实上，肯定有希望避免这种事情的各方。看看Slack对智能体的严格速率限制就知道了。所以与此同时，基础设施、网络和身份验证的机会是充足的！只要我们齐心协力，我们就可以使网络去人类化！

大模型内核

Apr 13, 2026

语言模型的政治经济学

作者：Minutes 原文链接：https://minutes.substack.com/p/on-the-political-economy-of-language 免责声明：本翻译文章仅限个人阅读，不用于任何形式的转载和发布。加速语言模型发展所产生的政治影响，似乎一直没有得到充分的讨论。我想从我过去几个月的笔记和电子邮件中提炼出五个简短的草稿，内容涉及语言模型及其政治经济学。 I. 论不寻常的联盟共和党赢得了2024年总统大选，组建了现代历史上（或者至少是自新政以来）人口最多样化的工人阶级联盟。在2016年至2024年间，民主党在温和派西班牙裔选民中的支持率下降了23个百分点，在保守派黑人女性中下降了8个百分点，在温和派亚裔选民中下降了11个百分点。人们很容易认为这些转变仅限于白人选民或男性选民，但事实并非如此。在每个地区的每个种族类别中，拥有大学学历的选民都转向了民主党，而没有大学学历的选民则转向了共和党。62%的美国成年人没有学士学位。该党的生存和优势来自于非大学毕业生的多数。 2024年获胜的联盟在某种重要方面很奇特：它在同一个党派内形成了资本阶层和劳工阶层的利益结盟。 MAGA（让美国再次伟大）联盟以前不是这样的。风险投资家和俄亥俄州的管道工，内华达州的资产配置者和机械师，准备IPO的CEO和俄亥俄州的理赔理算员。他们都投票给同样的候选人，都参加同样的活动，最重要的是，他们都有共同的敌人。在过去十年中，右翼的资本和劳工的经济利益走到了一起。双方都希望生产回流，都希望对外国竞争征收关税，都希望获得廉价能源并减少监管。即使雇主获取了这些利润率，雇员也能获得增加的工资。他们的利益并不完全相同，但方向一致，并且对共同的对手抱有敌意：持有文凭的专业管理阶层、监管国家以及文化权势集团。撒切尔的联盟是由资本加上渴望向上流动的的中产阶级建立的——产业工人反对她。印度人民党（BJP）的联盟是资本加上通过复杂的种姓制度调解的印度教多数派政治。在所有这些案例中，资本阶层和劳工阶层从未坐在同一张桌子旁为同样的候选人辩护。美国劳工统计局（BLS）将大约2000万美国人归类为办公室和行政支持职业，这是经济中最大的单一职业群体。这包括350万名秘书和行政助理，290万名客户服务代表，130万名信息文员，150万名簿记和会计文员。这个群体的工资中位数略高于46000美元，低于全国中位数49000美元。典型的教育要求是高中文凭。至少在人口统计学方面，这些是构成共和党基本盘的非大学学历工人。 BLS的预测显示，在2024-2034年期间，整个类别的就业人数将急剧下降。该机构特别将此归因于AI和自动化，并指出将现有和新的AI技术整合到工作流程中将限制对计费文员、采购文员、信用授权员、客户服务代表和行政助理的需求。请记住，这是联邦雇员做出的预测，而不是旧金山湾区的狂热分子。除了行政支持外，国民经济还雇佣了570万从事销售及相关职业且收入低于全国中位数的工人，440万从事食品准备和服务且工资中位数为3万美元的工人，以及770万从事交通和物资运输的工人。这些都是AI和与AI相关的自动化（自动驾驶汽车、自动化物流、AI驱动的订购系统）在未来十年将施加压力的职业。这些职位不成比例地由没有大学学历的工人担任，也不成比例地由为共和党带来多数席位的联盟成员担任。在舞台上、采访中和财报电话会议上，实验室负责人的言辞非常激进：客户支持将完全自动化，白领工作还剩12到18个月，50%的入门级职位可能在五年内被淘汰。资本市场正将这些作为事实计入价格。雇主采用AI的兴趣仅仅是降低成本。如果一个模型能以几分之一的成本完成理赔处理员的工作，雇主的信托义务就是使用AI。但理赔处理员的利益是继续被雇佣。对语言模型的部署没有关税。对认知自动化没有回流战略。目前使联盟保持一致的政策工具无法管理AI引入的资本与劳工之间的紧张关系。 II. 论攻击者的优势 AI绝大多数对攻击者有利。建立政治生涯和机构信誉需要一生的时间，但一个带着笔记本电脑的人在几个小时内就能制作出足以摧毁这一切的合成录音。录音不需要完美或无法被察觉，甚至不需要经得起取证分析——它只需要在选举前流传足够长的时间。当分析结果出来时，新闻周期已经过去，而损害已经根植于选民的先验观念中。合成媒体对现任者的伤害不成比例地大。执政党需要机构信誉，并且有更大的表面积可以被诽谤和不当行为的血液所涂抹。反对派则受益于混乱、不信任和合法性的崩溃。当信息环境退化到没有任何东西可以被证实的地步时，公众的反应是指责当前的掌权者。共和党目前控制着白宫、众议院、参议院以及大多数州长职位。每一条侵蚀机构信任的合成媒体都在侵蚀人们对共和党目前运作的机构的信任。当前的深度伪造检测系统可以识别已知模型的伪影。这对于有适当记录、披露并有可验证示例的前沿模型是有效的。但对于那些从未公开发布、可能被蒸馏过、可能是新架构、或者由拥有足够计算资源的参与者从头开始训练的模型，它就无效了。一个国家级的对手、一个资金充足的个人，或者一个能接触到未公开模型的前前沿实验室员工，都可以制作出现有检测工具无法检测到的合成媒体，因为你很难检测到你不知道存在的东西。而实验室将这样的模型泄露给志同道合的参与者的动机只会越来越大。根据所有可用的调查，这些实验室及其相邻研究机构雇用的劳动力集中在政治光谱的左翼。从实验室获得计算补贴的非营利组织在政治上并不是中立的。 III. 论叛乱现代MAGA运动是美国历史上第一次在线政治叛乱。 2024年的选举周期将这种优势扩展到了新平台。David Shor的数据显示，将TikTok作为主要新闻来源的选民在2020年至2024年间有近6个百分点偏离了民主党。短视频、播客、创作者驱动的媒体都是右翼接触年轻男性、首次投票选民以及各种低信息选民的渠道。但制度性的左翼现在已经有十年的时间来做出反应——两个完整的选举周期。他们了解技术、平台和网络结构。学术研究项目、信任与安全团队、其他由有效利他主义（EA）资助的马戏团表演以及非政府组织（NGO）基础设施都在防御姿态上投入了大量资金。这些防御并不完美，但2016年的剧本现在已经是一个案例研究。下一次政治叛乱，也就是由AI促成的叛乱，将不会像上一次那样。迷因战（meme war）需要数千名参与者制作和分发具有广泛吸引力的内容。由AI支持的行动可能只需要少数操作员，并且可以定制内容以针对极其狭窄的怨恨领域。右翼在上次信息战中利用这些工具和这些人赢得了胜利，但下一次信息战的参战者将不再认同右翼的承诺，并且将通过右翼无法监控的渠道、使用右翼无法检测的模型来部署。 IV. 论流离失所在美国最直接受到AI自动化威胁的人群并不是蓝领工人。蓝领工人已经面临了因自动化导致的工作岗位被淘汰、减少、可怕的离岸外包以及社区的破坏。他们从未因此得到过公正的对待。AI最有可能取代的阶层是专业管理阶层：受过大学教育、居住在城市、白领劳动力，他们构成了民主党的运作核心。从理论上讲，这对右翼来说应该是个好消息。被取代的人是对方的选民。年轻的白人大学毕业生，约占选民的5%，似乎构成了积极从事民主党机器政治的大多数人。他们为竞选活动配备人员，经营非营利组织，提起诉讼，组织抗议，制定政策并游走于官僚机构之间。他们是左翼常备的运作基础设施，无所事事。他们集中在政治组织容易进行的大都市区，并通过充当永久竞选基础设施的机构相互联系。与那些工作要么存在要么不存在的非大学学历工人不同，专业管理人员的职位更有可能被掏空而不是消失。他们拥有足够的政治权力，使得AI可以自动化他们工作的输出——报告、电子邮件、分析——而职位本身面临着被完全淘汰的政治反对，因为淘汰它们需要管理者承认该职位是不必要的，这威胁到了管理者自己的工作。强制重返办公室的命令让这些工人即使根本没有工作可做，也要在同事中保持肉身在场。剩下的是拿着薪水的专业人士，他们拥有机构访问权限、组织技能、政治经验、在地理上靠近志同道合的专业人士，并且新近发现自己有大量空闲时间。当持有文凭的专业阶层感知到威胁时，这种反应会产生新的持有文凭的专业职位——创造就业机会（make-work jobs）。对AI取代的监管反应为被取代者创造了就业机会。在1990年代因离岸外包而被取代的工厂工人，并没有获得一个由前工厂工人组成的联邦监督机构。这产生的结果是，左翼出现了一个庞大的、未充分就业的、经验丰富的、集中的并且在机构上相互联系的阶层，他们拥有时间、资源、能力，以及每个季度都在加深的怨恨。而在右翼，是被取代的工人，他们有怨恨，但没有组织，没有密度，没有机构访问权限，也没有时间。因AI而失去工作的非大学学历工人有怨恨，但没有基础设施。有组织的劳工是他们唯一的防御手段，但已经辜负了他们。他们没有密度，没有政治网络，没有机构附属关系。因AI而未充分就业的专业管理人员既有怨恨，也有基础设施。 V. 论外围即将来临的智能浪潮所产生的国际后果，如果说有什么不同的话，那就是更为严重，而且无论政治阶层是否想要，它们都已经到达了我们的边界。印度的IT和业务流程管理（BPM）部门直接雇佣了540万人，占GDP的7.5%。仅BPO（业务流程外包）的劳动力就有160万人。菲律宾有190万IT-BPM工人，包括诱导和间接就业在内的总就业人数为630万至770万——占全部就业人口的13%至15%。该行业占菲律宾GDP的9%，规模与海外汇款相当。马尼拉BPO工人的年龄中位数为20岁。这些行业执行的工作——客户服务、数据处理、理赔理算、技术支持、后台行政——正是AI系统能够最有效地自动化的认知任务。国际货币基金组织（IMF）自己的分析将菲律宾BPO工人归类为高度暴露且互补性低，这意味着这些任务是可自动化的，而且这些技能不容易补充AI系统。正如IMF所说，BPO部门占菲律宾GDP的7.4%，具有宏观关键性，其中的变化将使更广泛的经济崩溃。这些都是年轻男性，居住在城市，集中在社会安全网有限的国家，当经济预期被打破时，这些国家有政治不稳定的历史。在制度薄弱的国家，当20多岁年轻男性的主要正规就业途径消失时，结果绝不是有序的劳动力调整。阿拉伯之春之前，那些受过教育并期望获得中产阶级结果的年轻男性失业率长达十年的上升，而经济无法实现这些期望。中美洲移民潮的激增与吸收年轻男性劳动力的正规就业部门的萎缩相关。

Crypto x AI

Apr 13, 2026

Alpha 藏在尾部

作者：Scott Hartley 原文链接：https://ideas.scotthartley.com/p/alpha-lives-in-the-tails 免责声明：本翻译文章仅限个人阅读，不用于任何形式的转载和发布。每个风险资本管理者感受到的紧张局势之一是：我如何保持对我的论点和入场价格的纪律？我如何不错过真正不对称的、具有风险投资规模的异常值？我总是说，在短期内，纪律很重要，但从长远来看，作为一名风险投资家，你的工作是为先于市场共识的、未被发现的机会提供增值资本，而这反过来又将为你带来异常的业绩，并为你的有限合伙人赚钱。回报的不对称性来自两件事：在市场之前找到共识收获定价过低的资产，即价格 < 内在价值我们在Everywhere Ventures过去8年中获得的一个实证观察结果（而且我在之前7年于Mohr Davidow Ventures投资并创立Two Culture Capital时也看到过），就是我们最大的异常值总是“在尾部”。它们处于我们声称我们所做事情的外围。 “我们不做消费者业务”，但我们是Pair Eyewear的第一张支票，自我们投资以来它已经上涨了100倍。“像阿尔及利亚这样的市场太小了”，但当Yassir成为法语区非洲和马格里布的超级应用时，我们获得了100倍的回报。“硬件很难”，但我们看到Umbra构建了合成孔径雷达（SAR）卫星，并一跃达到十亿美元的估值和巨大的盈利能力。“太空数据中心是一个疯狂的想法”，但随着SpaceX的每公斤成本继续下降，Benchmark通过将该头寸加价100倍并在17个月内（Y-Combinator历史上最快）将Starcloud变成独角兽，验证了我们早期的押注。当我们在2018年为Headway进行前种子轮投资时，许多人认为心理健康市场的规模不够大。Andreessen以超过24亿美元的估值领投了他们的最新一轮融资。我的联合创始人Jenny Fielding在web3还未在地图上出现时，就在Techstars为Chainalysis进行了前种子轮投资。今天，Accel和GIC对其估值为86亿美元。投资尾部的一部分原因是，公司是凭信念运作的。一般来说，要做一些真正打破常规的事情，团队中的一位合伙人必须发自内心地感受到它，无法入睡，不断在合伙人会议上提出这个想法，直到团队其他成员翻白眼说：“好吧，既然你这么喜欢，你尽管去做吧！”每笔交易都需要完成“举证责任”。尽职调查。与客户通话。对团队、资本结构表、共同投资者进行背景调查。但当一位合伙人走得更远，深入到尾部时，这种举证责任就必须提高。你必须以不合理的信念证明你无论如何都想进行这项投资。不顾常规，不顾分歧，不顾共识反对。伟大的交易不是温吞水的，它们是两极分化的。如果你是一个企业家，并且有些人并不绝对讨厌你的想法，或者认为你疯了，那么你的动作就不够大。今天的第二个事实是，风险投资不再像我小时候在帕洛阿尔托时那样的家庭作坊式产业了，那时足球爸爸们玩着Palm Pilots，谈论着个人计算和互联网时代机会的兴起。那时版图上只有20家公司，而且没有过剩的资本追逐同样的机会。 “尾部”的边界在移动。互联网在1990年代中期是一个尾部押注。社交网络在2000年代中期是一个尾部押注。SaaS在2010年代初期是一个尾部押注。加密货币在2010年代末期是一个尾部押注。也许太空在今天是尾部押注。很明显的是，框架滞后于现实，正如我以前写过的那样。去年行之有效的启发式方法，绝对不是今年会行之有效的方法。这部分意味着，过剩的资本正在追逐滞后的共识，因此任何潜在的Alpha都被“计入了价格”。当我给创办Sierra AI的朋友Clay Bavor打电话时，他说：“当然，写张支票吧，但红杉是以十亿美元的估值做的。”Clay和Bret Taylor非常出色，红杉已经将价值计入到了十亿美元。那家公司肯定还有Alpha，因为它是一个正在崛起的AI巨头，但那不是我们在Everywhere Ventures玩的游戏。我们主要在硅谷之外进行投资，并在尾部寻找不对称性以及定价错误的资产，那里有未被发现但却异常出色的创始人，他们的价格与价值不匹配。在共识交易中，价值被计入了价格。在上面的例子中，价格可能是九，但价值是十。投资者获取的价值是一。在关键行业之外、首次融资的创始人以及偏远地区中，价格和价值之间的差额更高。在非共识交易中（由于上述原因），价格可能是四，而价值仍然可以是十。这六的差额就是潜在的非共识上涨空间，即Alpha。在Everywhere Ventures，我们自己就是一家非共识公司。我们在东西海岸都有业务，我们是非常早期的前种子轮投资，我们主要在旧金山湾区淘金热之外进行投资。但我们相信，我们由1000名创始人作为有限合伙人和投资组合CEO组成的网络，通过风险投资中复合的网络效应，赋予了我们进入这些尾部的“不公平”机会。并且因为我们不断评估“尾部在哪里”，无论是行业、地理位置，还是创始人原型，我们都专注于寻找市场上这些定价错误的资产。我们开出的支票是同等规模公司的三倍，并且我们返还了资本。在过去的十年里，我们的每支基金、每个队列、每一年都跻身前10%。风险投资是一个不断演变的游戏，但上述经验依然适用。永远如此。 ——Scott Hartley是Everywhere Ventures的联合创始人兼执行合伙人。特别感谢Michael Barone和Amelia Muro Garlot对这篇文章的支持。

Crypto x AI

Apr 13, 2026

代币最大化的代价

作者：Aspiring for Intelligence 原文链接：https://aspiringforintelligence.substack.com/p/the-price-of-tokenmaxxing 免责声明：本翻译文章仅限个人阅读，不用于任何形式的转载和发布。这些数字令人震惊。但隐藏在它们背后的新问题也同样令人震惊。对于Anthropic来说，这几个月令人瞠目结舌。在2025年底，该公司的年化收入约为90亿美元。到2026年3月，这个数字已经攀升至约190亿美元，而就在本周，即2026年4月6日，Anthropic的年收入运行率超过了300亿美元，该公司在与谷歌和博通达成一项涉及数千兆瓦下一代TPU容量的具有里程碑意义的计算协议时，自己证实了这一点。好好想想：Anthropic在短短34天内就增加了约110亿美元的年化收入。在过去十年所有软件上市公司的IPO中，没有一家公司实现了这种水平的增长。The Information强调了一个案例，他们认为Anthropic到年底可能会达到1000亿美元！Claude是大部分这种增长背后的引擎，从大多数指标来看，它已经成为有史以来构建的最强大、被最广泛采用的AI工具之一。我们当然喜欢使用它。但随着我们看到这些数字加速增长，另一组问题开始浮现。这种增长可持续吗？运行Claude的实际成本是多少，现在和长期由谁来承担这个成本？随着Anthropic周围开源模型生态系统的爆炸式增长，“万物皆Claude”的时代有多持久？ Anthropic比OpenAI晚成立几年，筹集的资金也少得多，它向300亿美元收入运行率的攀升提醒人们，对产品的专注和差异化的视角可以超越先发优势。他们不仅筹集的资金更少，而且烧钱的速度也明显更慢。AI竞赛的发展速度之快，足以让去年的情况看起来像古代历史。不久前，OpenAI还是宠儿，但今天，竞争格局看起来已经大不相同，而且还在发生变化。那么这一切对定价意味着什么，以及我们可以对使用所有这些Claude的更广泛生态系统抱有什么期望？感谢阅读《Aspiring for Intelligence》！这篇文章是公开的，所以请随意分享。在我们理解增长故事之前，我们需要了解其底层的定价架构。Claude主要提供四个层级的服务：免费版：Web、iOS、Android和桌面访问。每日使用量有限。不包含Claude Code。 Pro版（20美元/月）：免费版容量的5倍，优先访问权，并捆绑了Claude Code。个人专业人士的最佳选择。 Max版（100-200美元/月）：两个变体：5倍Pro版（100美元/月）和20倍Pro版（200美元/月）。持久内存，抢先体验功能，以及在高峰时段的最高优先访问权。专为几乎持续运行Claude的高级用户打造。开发者API（按代币付费）——推动企业级数字的定价。截至2026年4月： Claude Haiku 4.5：每百万代币 1美元输入 / 5美元输出 Claude Sonnet 4.6：每百万代币 3美元输入 / 15美元输出 Claude Opus 4.6：每百万代币 5美元输入 / 25美元输出对于理解Anthropic的增长来说，最重要的区别是消费者和企业之间的区别。个人订阅者支付统一的月费并拥有共享的使用量。企业客户（在团队或定制企业计划上）在席位费之上按代币付费，不包含任何使用缓冲。每次调用都会计费。这意味着超过1000家每年支出在100万美元以上的企业客户，几乎完全在推动基于代币的收入，而不是基于席位的收入。这是一个从根本上不同于传统SaaS且可能更持久的经济模型，正是它使得300亿美元的运行率感觉像是结构性的，而不是被消费者订阅夸大的。当你计算一下，Max版的经济效益是惊人的。一位开发者追踪了八个月内100亿个代币的使用情况，如果按照API费率计算，这相当于15000美元以上，而在Max计划下只需约800美元。按照每月200美元和年度承诺计算，每年2400美元就能获得直到最近看起来还实际上是无限的智能体计算能力。将其与一名初级软件工程师约10万美元以上的底薪、福利和管理开销进行比较，你就会开始明白为什么企业需求信号如此爆炸性。在短暂的时间窗口内，你可以将Claude Max作为24/7自主软件开发人员运行，成本大约只有人类成本的2-3%。这种数学计算并没有持续下去，这种级别的计算能力也不会让每个人都享有。 2026年4月4日，Anthropic做出了一个悄然但具有重大影响的改变。Claude Pro和Max订阅者不能再通过像OpenClaw这样的第三方智能体框架（这是一个在公告发布时估计有13.5万个活跃实例的操作系统平台）来路由他们的订阅使用量。该公司表示，该政策将在未来几周内扩展到所有第三方工具。逻辑很简单：Anthropic自己的工具——Claude Code、Claude Cowork——旨在最大化提示缓存命中率，重用以前处理过的上下文，以大幅降低计算开销。第三方工具在很大程度上绕过了这个优化层。单个繁重的OpenClaw会话消耗的庞大基础设施，可能相当于许多具有同等输出量的标准Claude Code会话。分析师估计，高级智能体用户在统一费率订阅下支付的费用与在API费率下同等使用量将花费的成本之间的差距超过了5倍。Anthropic一直在悄悄地交叉补贴一种它从未打算为其定价的使用类别。对于想要继续通过第三方工具运行Claude的用户，前进的道路是：直接API计费，每百万代币3-15美元（Sonnet）或每百万代币5-25美元（Opus），或者是在他们的订阅之上收取的一个新的“额外使用量”即用即付层。在庞大的使用量下，通过这些渠道执行的任务每次运行大约为0.50-1.00美元。统一费率的套利时代结束了。这很重要，原因超出了OpenClaw本身。它发出了关于Anthropic发展方向的某种结构性信号：该公司希望拥有客户关系、计算经济学和分发层。3月份承诺向Claude合作伙伴网络投入1亿美元，推出受控的Claude驱动的应用程序市场，封锁第三方工具——这些都不是孤立的决定。它们是一家平台公司围绕其护城河进行整合的架构。这种平台雄心在本周随着Claude Managed Agents的推出得到了加强——这是一种云服务，它处理开发人员以前必须自己构建的脚手架（容器、状态管理、工具编排），在模型使用费之外，按照每智能体运行时间0.8美分计费。这是直接为了拥有智能体开发层，而不仅仅是底层的模型。在Anthropic收紧其定价抓手的同时，开源模型生态系统正变得比以往任何时候都更强大。2026年4月2日，Google DeepMind发布了Gemma […]

企业级应用

Apr 13, 2026

停止向企业销售。开始与他们共建。

原文链接： Stop selling to enterprises. Start building with them. 作者： Insight Partners 免责声明：本翻译仅供个人阅读和学习参考，不得用于任何商业用途或进行随意转载发布。每一位创始人都知道他们需要企业客户。大多数人完全把焦点放在了如何向他们销售上。现在取得成功的创始人则在进行不同的思考。他们不仅仅是在向企业推销——他们是在与企业共同建设。在一个大型企业正面临着比他们自己建设速度更快地部署 AI 压力的世界里，这种区别很重要。以下是我们在我们的投资组合中看到的，以及它对你应该如何处理你最重要的关系意味着什么。企业参与的规则正在改变 “最好的企业关系始于一位真正想要了解业务如何运作、摩擦在哪里以及如何使技术扎根的创始人。当你围绕企业在世界上创造的影响力，而不仅仅是你正在解决的问题进行结盟时，你就不再是一个供应商，而是开始成为他们如何履行其使命的一部分。这就是被嵌入的公司与被取代的公司之间的区别，”董事总经理 Mike Hayes 说。在软件的大部分历史中，企业是一个目的地。你构建了一些东西，在中端市场证明了它，最终毕业进入了财富 500 强。企业销售周期很长，采购流程要求很高，一旦你进去了，关系在很大程度上就是交易性的。这种模式正面临压力。许多大型企业正在积极寻找初创公司和规模化公司（ScaleUp）作为合作伙伴，在他们自己无法足够快地建设的领域共同开发和试点 AI 能力。初创公司带来速度和有针对性的技术。企业带来数据、分发渠道、业务背景和预算。这两者的重叠之处正是目前最有趣的合作伙伴关系形成的地方。在实践中这意味着：企业买家越来越多地评估的不仅是你的产品，而是他们是否想与你建立长期的工作关系。你是否了解他们的局限性。你是否能以足够快的速度发挥作用。这种关系是否创造了超出合同之外的价值。及早认识到这一点的创始人倾向于把企业关系少看作是销售动作，多看作是合作伙伴关系。他们尽早分享，在可能的地方共同设计，并让客户对正在构建的东西有一定程度的所有权。 “与企业共建”实际上是什么样子 CrewAI* 是我们投资组合中的一个例子。当 João (Joe) Moura 推出多智能体（multi-Agent）编排平台时，他把大型公司视为共建者而不仅仅是买家。在推出的六个月内，CrewAI 已经签下了 150 个企业测试客户，包括 PwC、IBM 和 NVIDIA，他们是塑造该平台的积极参与者，而不仅仅是评估者。今天，CrewAI 报告称其为企业客户提供了超过 14 亿次智能体自动化，每月运行约 4.5 亿个智能体。 Promptfoo* 采取了互补的方法。这个 AI 安全测试平台最初是一个开源项目，并通过将自己嵌入到企业工程团队的工作方式中而成长。当它在 2025 […]

企业级应用

Apr 13, 2026

如何在不失去信任的情况下实现支持自动化

原文链接： How to Automate Support Without Losing Trust 作者： Stage 2 Capital 免责声明：本翻译仅供个人阅读和学习参考，不得用于任何商业用途或进行随意转载发布。亲爱的 STAGE 2：我们希望将很大一部分支持交互自动化，以腾出我们的团队来从事更高价值的工作。但我们很紧张，担心会损害客户体验或失去信任。我们如何确定适当的自动化水平，并设计出转向人工的合适出口（off-ramp）？ ~在AI世界中优先考虑客户满意度（CSAT）的人亲爱的“在AI世界中优先考虑CSAT的人”：每一位创始人和支持主管现在都感受到了这种紧张。你看到了机会。自动化重复的工单。解放你的团队。将人头重新分配到战略性工作中。提高利润率。但你也知道，一次糟糕的自动化体验可能会毁掉与客户数月积累的良好意愿。我们请 EDB 前首席客户官兼 Stage 2 LP的 Mary-Beth Donovan 分享她对运营者在不损害信任的情况下应该如何思考自动化的看法。她的框架简单而实用。评估每一个自动化决策都有三个视角：运营效率、客户体验和产品价值。以下是如何深思熟虑地处理这个问题的方法。从产能出发，而不是节省成本自动化最清晰的用例不是消除人员。它是重新分配他们的时间。 Mary-Beth 强调，大多数团队应该追求的第一个胜利是，将一名全职员工从低价值交互中解放出来。如果 AI 能够一致地处理重复、可预测的问题，你的团队就可以向上游移动，进入更主动和更具战略性的对话。这种转变很重要。如果自动化能带来在关键时刻更好的的人工参与，客户就会容忍它。在设定自动化目标之前，问问自己：哪些交互是重复的且基于规则的？哪些对话需要判断和上下文？如果我们收回了这段时间，我们会做哪些更高价值的工作？如果自动化没有在其他地方解锁更好的客户体验，那它就是错误的目标。信任和容忍度是真正的指标 Mary-Beth 引入了一个围绕信任和容忍度的强大框架。 “如果客户感到被理解并且取得了进展，他们就会容忍不完美。当客户感觉陷入了没有前进路径的循环中，并且没有出口可以访问升级路径时，容忍度就会丧失。” 你不需要 100% 的完美才能实现自动化。在许多环境中，只要你保持了信任，“足够好”是可以接受的。危险在于过度自动化，使客户陷入循环，或者在他们需要时阻止升级。每一个自动化的工作流都应该清楚地回答一个问题：人类何时介入？这个时刻不应该让人感觉是被隐藏的或惩罚性的。它应该感觉是无缝的。实用的护栏包括：一条清晰的升级给人工的路径 […]

AI

Apr 13, 2026

AI 问题矩阵 (The AI Problem Matrix)

原文链接： The AI Problem Matrix 作者： Tom Tunguz 免责声明：本翻译仅供个人阅读和学习参考，不得用于任何商业用途或进行随意转载发布。对软件的需求是无限的。GitHub 的首席运营官 Kyle Daigle 给出了具体的例子：在 2025 年，有 10 亿次提交（commits）。现在，每周有 2.75 亿次，如果增长保持线性（剧透：它不会），今年有望达到 140 亿次。GitHub Actions 已从 2023 年的每周 5 亿分钟增长到 2025 年的每周 10 亿分钟，而本周迄今已达到 21 亿分钟。但这并非对所有角色都适用。我使用一个 2×2 矩阵，沿着两个轴来区分工作：需求的上限和闭环是否可以形成。在一个轴上，需求。无限需求（Infinite Demand）意味着更多的产出创造更多的价值。没有饱和点。在另一个轴上，开环（Open Loop）与闭环（Closed Loop）。闭环（Closed Loop）意味着 AI 可以在没有人类干预的情况下验证正确性。闭环 + 无限需求 = 经济引擎（Economic Engines）。软件工程就在这里。AI 编写代码。测试验证正确性。更多的代码能实现更多的功能。公司将永远需要更多的软件。闭环 […]

Crypto x AI

Apr 13, 2026

代币经济中的衡量系统

原文链接： Systems of Measurement in the Token Economy 作者： Shirlawn Capital 免责声明：本翻译仅供个人阅读和学习参考，不得用于任何商业用途或进行随意转载发布。本周早些时候，Meta 内部的“Token Legends”排行榜泄露了。85,000 名员工在 30 天内消耗了 60 万亿个 token——相当于估计约 9 亿美元的计算支出。至少到目前为止，Meta 的领导层鼓励（如果不是公开庆祝的话）这种向积极使用 AI 发展的趋势——不要管据报道许多工程师正在“tokenmaxxing”（为了看起来富有成效而烧掉 token）。黄仁勋就在上个月表达了类似的情绪，当时他告诉听众，如果一个年薪 50 万美元的工程师每年在 token 上的花费少于 25 万美元，他会“深感担忧”。这真让人震惊：大型科技公司的领导层在建议人们更多地使用 AI。我想知道谁会从增加的模型使用中受益？但如果 token 预算正在成为一项标准的工作福利，并且绩效评估现在包含了 AI 采用指标，我们最好有一个衡量产出并核算 token 使用的良好方法。基于使用量的定价模式的兴起在 AI 时代，我们看到定价模式正逐渐从基于订阅转向基于使用量（Usage-Based Pricing, UBP）。事实上，就在昨天，《金融时报》报道称，Perplexity 的收入从 2 月到 3 月飙升了 50%（超过 […]

AI

Apr 13, 2026

AI 采用率的数据分析

原文链接： AI Adoption by the Numbers 作者： a16z 免责声明：本翻译仅供个人阅读和学习参考，不得用于任何商业用途或进行随意转载发布。关于 AI 在大型企业中取得了多大实质性进展的猜测有很多，但现有的大部分信息仅包括自我报告的 AI 使用情况，或者是捕捉买家定性情绪而非硬数据的调查。此外，仅有的少数几项研究断言 AI 在企业中表现不佳，最著名的是麻省理工学院（MIT）的一项研究，该研究声称 95% 的生成式 AI 试点项目未能转化。基于我们的内部数据和与企业高管的对话，我们发现这一统计数据难以置信。我们一直在密切跟踪 AI 在哪些领域获得了最大的采用率以及在哪些领域的投资回报率（ROI）最为明显，并编制了关于企业 AI 实际运作情况的硬数据。基于我们的分析，财富 500 强中的 29% 和全球 2000 强中的约 19% 是领先 AI 初创公司的活跃付费客户。为了符合这一统计标准，这些企业必须与一家 AI 初创公司签署了自上而下的合同，成功转化了一个试点项目，并在其组织内部上线了该产品。在如此短的时间内达到这种渗透率是惊人的，因为财富 500 强企业并不以成为技术的早期采用者而闻名。历史上，许多初创公司最初必须向其他初创公司销售以获得早期势头，并且只有在几年之后，一家初创公司才能够获得其第一份企业合同，而在他们最终能够获得财富 500 强规模的客户之前，需要更多的收入和时间。 AI 颠覆了这一常态。OpenAI 于 2022 年 11 月推出 ChatGPT，并立即向消费者和企业展示了 AI 的潜力。在此过程中，他们引发了前几代技术从未引起过的对 […]

AI

Apr 13, 2026

AI到底能做多大？让我们算算账

原文链接： How Big Can AI Get? Let’s Do the Math 作者： Guru Chahal 免责声明：本翻译仅供个人阅读和学习参考，不得用于任何商业用途或进行随意转载发布。每个人都在谈论 AI 增长得有多快。确实如此——企业 AI 支出在 2025 年增长了两倍，达到 370 亿美元，并且今年还在加速。但当我看到实际数字时，有一件事一直让我深受触动：整个 AI 行业在它所追求的知识工作者劳动力市场中，占据的份额还不到 1%。我能理解为什么人们会不断提出“AI 实验室还能增长多少”的疑问——这些数字令人难以置信，所以这些问题是可以理解的！因此，这是我与 AI 实验室的一群精选 GTM（进入市场）领导者在共进晚餐时进行的一场粗略的“信封背面”计算讨论。美国大约有 1 亿知识工作者，每年总收入为 10-11 万亿美元。软件工程师、律师、顾问、金融分析师、客户服务代表、医疗保健管理人员、营销人员、教育工作者、政府工作人员。这才是 AI 真正的 TAM（总潜在市场）——不是我们看到这么多动作的 7000 亿美元的软件市场，而是价值数万亿美元的劳动力市场。我整理了一张图表，按垂直领域对其进行了细分。渗透率数字并不要求精确，而更多是当前情况的方向性指标：客户服务是唯一一个超过 5% 的垂直领域。为什么？因为其任务最容易被编码，投资回报率（ROI）最容易衡量。它是其他垂直领域最终会变成什么样子的模板。但我相信客户服务市场本身也会快速增长，因为我们现在可以为所有客户提供更好、更个性化、更高质量的客户服务。考虑到这种扩张，我们今天在这个细分市场的渗透率甚至可能还不到 5%。软件工程的渗透率大约为 3%。这本应是 AI 最强的切入点——Claude Code、GitHub Copilot、Cursor 都在快速扩展。然而，在 4000 […]

# AI