# AI

AI 编程革命

Mar 16, 2026

从开发者到舰队指挥官

作者：Alfred Lin, GP @ Sequoia 在过去几周，我与几位创始人讨论过，AI 编码工具正在为那些真正花时间掌握它们的人创造巨大的杠杆效应。我们需要新的开发框架。瀑布模型曾用于大型机与个人电脑时代，并在互联网与云时代被敏捷开发取代。同样，在 AI 时代我们也需要一种不同的开发框架。 在最近一次由我们从 Company M 招募来的、以 AI 为本土的首席技术官主持的 Company A 董事会会议上，数据非常醒目。前 5% 到 10% 的开发者现在的生产力比一年前高了 3 到 5 倍。中位数开发者的提升可能只有 10% 到 20%。我们在多家公司都看到相同的模式。自然，创始人想弄清楚这两组人之间的差别是什么。 为了更好地理解软件开发的变化，我请一位创始人展示她周末用 Claude Code 构建的一个东西。这不是一个原型。它是一个完全可用的产品，具有后端、精美的界面，并集成到公司的数据库中。两年前，仅仅把一个粗糙版本做出来就需要一个小团队花费数周时间。然而，她并不是一名软件工程师。她只是看到了一个没人解决的问题，决定自己构建解决方案。 引人注意的是她描述这一过程的方式。她并没有编写代码。她设定意图、审查输出、反复迭代和完善，直到输出与她的愿景相符。许多开发者为自己写的代码感到自豪。建设者为所建成的东西感到自豪。她不在乎代码本身。她为指挥一支代理舰队来实现她的愿景而感到自豪。 这让我想起了《安德的游戏》，我最喜欢的科幻小说之一。安德·威金的弧线很有启发性。在战斗学校，他不再争做最出色的单兵飞行员，而是将龙军重组为自主小队——可以在不等待命令的情况下自行决策的小单位。他的军队之所以称雄，不是因为他亲自做得更多，而是因为他更善于授权。 在指挥学校，他一次船也不亲自驾驶。他坐在模拟器前指挥舰队指挥官们，而这些指挥官又去指挥自己的中队。他的工作是制定战略、行使判决，并在不确定性面前做出困难决定。这与软件领域正在发生的事情直接对应。 当今最好的构建者不会试图亲自编写每一行代码。他们用自己的品味和判断来决定要构建什么，并规划如何构建。然后他们启动并行代理：一个重构，一个编写测试，一个处理 UI，所有人都带着明确的意图同时工作。Cursor 可以同时运行 10 到 20 个云端代理，每个代理都能产出一个拉取请求。Claude Code 在整个代码库中协调子代理。坚持控制每一行代码的开发者是 Bonzo Madrid，僵化、事必躬亲，最终被懂得如何以信任进行委托的人所压倒。 在 Ender 的最后一战中，人数劣势且处境艰难的他并非靠更优的战术取胜，而是靠想象力，舍弃整个舰队，对敌方母星发动了一次大胆且非常规的打击。那是源于信念的决定，而非渐进式优化。就目前的软件领域而言，那就是产品愿景。AI 可以生成代码，但还无法想象出尚未存在于世界中的产品。 最终，Ender 以为自己在模拟器里。实际上，他指挥的是真实的现役舰队。我们正处在类似时刻。Claude、Code、Codex 和 Cursor […]

阅读全文

AI

Mar 16, 2026

为什么大家都讨厌人工智能？

作者：Rex Woodbury 为什么每个人都讨厌人工智能？ 如果你想感受一下时代精神，有一个地方最能反映：TikTok 评论区。而当你开始读这些评论时，你会一次又一次注意到一种情绪：对人工智能的尖锐而深刻的憎恨。 以下是我昨晚从一段视频中抓取的一些评论： 气氛……不太妙。 我最近一直在思考这个问题。Digital Native 是一份关于人类与技术交汇处的刊物。现在，人们似乎非常厌恶日世纪的这项技术。显然，这种紧张关系带来了挑战：当许多人干脆拒绝使用时，AI 很难实现大规模普及。 我认为硅谷还没有充分认识到大多数美国人有多讨厌 AI，硅谷需要深入思考如何应对这场反弹。 <span>我们把这篇文章分三部分来探讨：</span> 技术怀疑主义简史 为什么人人都讨厌人工智能？ 如何着手修复人工智能公关 言归正传…… 技术怀疑主义简史 技术向来不乏怀疑者。即便是写作这一看似不起眼的技艺（写作！）也曾遭到批评：苏格拉底在柏拉图的《斐德罗篇》中认为，文字的发明会“把健忘引入灵魂”，导致记忆力衰退。他并非全然错误，但也过于危言耸听。超越口头记忆意味着人类可以构建更复杂、更先进的思想，从而形成更复杂、更先进的社会。还有：有时写作反而防止遗忘（参见：购物清单）。我们之所以知道苏格拉底的观点，也恰恰是因为柏拉图，呃，把它写了下来 🤨。有趣吧。 当印刷术在16世纪出现时，瑞士科学家康拉德·格斯纳警告说，信息过载会“使心智能力混乱且有害”。两百年后，随着报纸的出现，一位法国政治家认为，报纸会使读者在社会上孤立，并剥夺从讲坛上获取新闻这一振奋人心的集体习惯。我虽然从未从讲坛上获得新闻，但仍可以自信地说，我更喜欢一边喝咖啡一边读《泰晤士报》。 快进到 20 世纪，汽车遭到抨击。谈到 The Times： 该报刊登了一则标题为“全国对汽车致命事件愤怒起来”的报道（你仍然可以在此处阅读），当时有一项具体统计数据广为流传：在第一次世界大战后的最初四年里，死于车祸的美国人比在法国战场上阵亡的还要多。 The New York Times, 1924 我倾向于认为我们在这件事上是对的：我们的孩子将难以置信地回顾我们曾乘坐着四千磅重的死亡机器在空中飞驰。但这种担忧也徒劳无功：魔鬼已经出瓶，回不去了。 这种论调还不止于此。留声机曾被指责剥夺了真实、人性化、有灵魂的表演；用当时评论家的话来说，录制音乐会扼杀业余音乐家，彻底毁掉音乐品味。（真不敢想象那些评论家会如何评价 Suno。）与此同时，电视或许是最著名的有争议技术例子。它的绰号字面就是“傻瓜盒子”和“白痴箱子”，评论家称它会破坏社区、缩短注意力持续时间并助长暴力倾向。它大概确实产生了这三种影响。 一个男孩第一次看到电视的反应，1948 进入本世纪，互联网和社交媒体再次遭遇反弹，有些是合理的，有些则不然。技术进步的步伐稳健且可预见，人类对创新的反弹也是如此。人类长期以来都有害怕自己创造物的历史。 弗兰肯斯坦的怪物大概是人类害怕自己所创造之物的最佳寓言；由 Midjourney 创作 每一项新技术当然都有利有弊；技术是社会的一面镜子。用马歇尔·麦克卢汉的话说：“我们塑造工具，随后工具塑造我们。” 这一切都把我们带到了人工智能——无疑是我有生以来最被憎恶的科技。 为什么人人都讨厌人工智能？ 对人工智能的反弹遵循上述熟悉的模式，尽管我认为反 AI 情绪已超越怀疑，进入了敌意 。我看到几个原因： 1) 人工智能在科技公众形象上遭遇了一个独特的糟糕时机。 进入 2010 年代时，科技曾是酷的代名词。人人都想去 Google 或 Facebook 工作，吃完免费午餐后打乒乓球。2013 年有一部电影讲述 […]

阅读全文

AI 编程革命

Mar 16, 2026

当一切都变得易于构建时会发生什么？

作者：Glenn Borok, VP @ Jump Capital  在大部分科技史上，瓶颈很明显：构建事物很难。你需要工程师、资金和时间。创办一家软件公司意味着要组建一支专门开发者团队，花数月开发，通常在有任何可运行产品之前就必须筹集资金。能够构建的人对不能构建的人拥有巨大杠杆，这种不对称塑造了创业公司运作的一切。 对非技术人员来说，好在那个世界正在迅速消失。今天，你只需一台笔记本电脑，就能在数小时内做出可运行的原型（不是数月、不是数周，而是数小时）。AI 编程工具、无代码平台和自然语言编程正在迅速压缩软件创造的成本。Gartner 预测，到 2026 年，70% 的新应用将使用低代码或无代码工具构建，AI 已经在许多组织中撰写了相当比例的代码，且这一比例仍在上升。曾经保护软件开发的门槛正在被打破，这改变了由此及后的所有事物。 关于这一转变，最有趣的并非仅是工具变得强大，而是它们使构建对几乎任何人都变得可及。产品经理可以生成原型。运营人员可以构建内部工具。非技术出身的创始人可以推出产品。学生们可以在周末内搭建起整个初创公司。我不断回到写作的类比：两百年前，要发表作品需要印刷机——资本、基础设施、把关人。如今，任何人都能立即发布一个想法。软件也正在经历同样的变革，就像写作一样，问题不再是“你能做到吗？”，而是“你有没有值得说的东西？” 这就提出了一个令人不安的问题：如果人人都能构建，什么才真正重要？当构建变得易如反掌时，另一种东西便变得稀缺，而我认为那就是判断力。这一转变不是技术性的，而是哲学性的。问题从“这能被构建吗？”转向“这应该被构建吗？” 数十年来，初创公司的主要制约因素是执行力。你的团队真的能交付吗？能有多快、多可靠、多廉价？这种制约正在减弱，取而代之的是另一个——品味与问题选择。世界不需要更多的软件……它需要为合适的人打造的正确软件，解决真正值得解决的问题。而识别这些问题远比写代码难得多。 这里的有趣之处在于，决定构建什么需要的是人工智能仍然真正不擅长的能力：理解混乱的、有人情味的问题；识别被忽视或服务不足的市场；以及对人们真正想要的东西有品味。工具可以生成代码，但它们尚不能生成全面的洞见。这仍然是人的工作，而且结果上可能会变得更加有价值。当实验成本接近于零时，赢得竞争的不是构建更快的团队，而是提出更好问题的团队。 最近，我与建设者们的对话在一种微妙却引人注目的方式上发生了变化。一年前，他们大多会以某种形式的“我该如何构建这个？”开场——关于工具、架构、招聘、时间表的问题。现在，越来越多的人会先问“这东西值得构建吗？”这是一场根本不同的对话，我认为它反映了艰苦工作重心的转移。瓶颈过去在于实现，而现在在于对问题、用户以及首先应当构建什么的清晰认知。在一个万物都能被构建的世界里，审美品味成为了护城河。 关于这一切，我觉得最有趣的是：培养那种判断力的最佳方式可能恰恰是比以往更频繁地构建。当创造一件事只需数小时而非数月时，你可以进行数十次实验、快速验证想法，并探索那些过去没有精力涉足的市场奇怪角落。你可以为了学习而构建，而不必马上把它证明为一项可行的商业。随着时间推移，规律会显现。你会开始分辨哪些问题是真实存在的，哪些只是想象；哪些用户的实际行为与他们口中所说不同；哪些市场是真正有需求的，哪些只是理论上有趣。构建者的优势不会消失，只是在改变形态。 未来十年最重要的突破很可能不会来自那些懂得如何构建的人，而会来自那些知道什么值得构建的人——因为当创造成本降到接近零时，最稀缺的资源将是洞见。理念比实现更重要。好奇心胜过资历。品味胜过技术技能。一切都越来越容易构建，这意味着真正的前沿终于逐渐清晰：弄清楚首先要构建什么。或许这是整个时代中最令人兴奋的一部分，也是大多数人仍然没有意识到的。

阅读全文

AI 编程革命

Mar 16, 2026

10倍是新的底线

作者：Nikunj Kothari, Partner @ FPV | 来源：SandHill.io Digest #275 我生活在两个现实中。 在一个现实里，创始人们每周都在互换工具。他们在午饭前就用满了代币限制，并为此感到焦虑。一个独立工程师现在能交付去年需要五人团队才能完成的工作。人们每个季度都会重构工作流，仍觉得落后。身边每个人都已把 AI 融入工作流程的各个环节（思考与交付）。 在另一个现实里，我坐在财富 500 强高管对面，他们仍把 LLMs 当成玩具看待。工程副总裁们甚至没打开过 Cursor。而且，这些并非街头的随便路人。这些人拥有数十年经验，却拒绝更新他们的认知模型。当 LLMs 无法数出“strawberry”中有多少个字母 R 时，他们的先验就固定住了。自那以后模型每周都在进步。围绕它们的工具链也变得更好。但他们不会知道，因为他们拒绝亲自动手 。 问题在于，这两种现实并不是存在于世界的不同角落。我在同一个地方看到它们。在同一场晚宴上。 Block 上个月裁员 4000 人，占公司 40%。杰克直言：配备 AI 工具的小团队能做得更多、更好。他预测大多数公司将在一年内跟进。股票上涨了 24%。 在初创公司里，“10倍工程师”一直是个神话般的存在。每个团队中那个在其他人还在争论正确抽象层时就交付成果的人。我们把他们的故事像讲乌塞恩·博尔特一样传颂。值得追崇。世代仅此一人。 我认为市场还没把 AI 提高了底线这一事实计入价格。与 AI 配合的人类已经能达到 10 倍的表现。那个神话般的 10 倍工程师并没有变强。只是底线提高到能与他们相匹配。 人才市场过去呈钟形曲线分布。大多数人集中在平均水平附近。公司据此制定薪酬和级别体系。 按时到岗，踏实工作， 按计划晋升 。那条曲线正在被一分为二。工具每周都在变得更强，越来越多的人将被期待达到新的水平。 真正拥抱人工智能的人已经明白，他们的工作是当指挥。他们在脑中掌握所有的背景、感觉和质感，同时用一支代理队伍来处理执行。就像下棋的同时还要确保十几列火车不会相撞，尽管每列火车都有自己的指挥。你只需要在出现异常时察觉。 另一类人依然能完成他们的 OKR。我最近在一次晚宴上，坐在一位产品副总裁旁边。在大科技公司工作了 16 年。管得很严。当我问他个人用 AI 做过什么时，他列举的是他团队做的事情。他已经多年没亲自动手了。以可靠的能力建立了职业生涯。按时到场，完成截止任务，保持列车运行。 半个世纪以来，这类人曾是美国企业最受重视的群体。年薪30万美元并有一条舒适的晋升轨迹。工具只是追上了他们。说实话，它们现在比他们更强。 人工智能应该改名为“放大智能”。它只是展示了谁已经拥有主导力和好奇心 ，并放大了这些特质。差异以前一直存在。现在，则一目了然。 这件事比我们愿意承认的来得都要快。两种现实正在迅速碰撞。而当它们碰撞时，只有一种“足够好”的版本会存活下来。

阅读全文

AI

Mar 16, 2026

AI不会取代创新

作者：Sabrina Albert (Wu) & Vivek Ramaswami 在过去几个月里，一种新的叙事风潮已逐渐占据主导。这一始于硅谷的观点，已迅速扩散到关于未来工作主流讨论中。 前沿 AI 实验室多年来一直在发布越来越强大的模型。这些系统能够推理、编写代码、开展研究并自动化复杂的工作流程。但来自 Anthropic 和 OpenAI 的最新一代推理模型，以及围绕 OpenClaw 的热议（Jensen 甚至声称它是 “可能有史以来最重要的软件发布”），让进展的节奏显得不同。曾被认为还要多年才会出现的能力，现在看起来更接近人类水平的智能。 该领域的领军人物开始公开谈论那些以前只在私下讨论的问题。Anthropic CEO Dario Amodei 警告称，AI 可能会取代大量知识型工作 。头条新闻预测， 软件工程以及初级法律和金融岗位将在未来十年内消失。像 Amazon 和 区块这样的公司已经以“AI 提效”为由裁员。仅在一月的前两个月，就有超过 33,000 起科技行业裁员被报道。 这就提出了一个令人不安的问题：如果少数几家公司控制着最强大的模型，它们是否也会控制建立在其上的工作流程？整类职业会消失吗？新公司还有出头之日吗？ 这是一个引人入胜的叙事，也难怪会让人对未来感到焦虑。但历史表明情况并非如此。我们的观点很简单：人工智能将重塑工作，但不会抹杀机会，大型实验室也不会独占一切。跨越式技术往往会扩大创新的空间，人工智能很可能也会如此。让我们深入探讨！ Anthropic 关于理论能力与按职业类别观察到的暴露情况的观点 阶跃式技术扩大了机会 快速技术进步的时期常令人感到不稳定。15世纪印刷术出现时，许多人担心知识骤然普及会带来后果。然而随着书籍变得更便宜、更易获得，识字率激增，全新的产业也随之出现——从出版到新闻业再到现代教育。 这种模式在其他行业也反复出现。在制造业，亨利·福特于1913年引入的流水线极大地提高了生产率，并促成了一个由整车厂、供应商和基础设施组成的完整生态系统。在农业方面，20世纪中叶的绿色革命通过在化肥、灌溉、作物遗传改良和机械化方面的进步，改变了粮食生产。在美国，农业从业人口的比例从1900年左右的约40%下降到如今不足2%，而粮食产量却大幅增长。 每一次变革最初似乎都会取代劳动，常常威胁到人们所知道的惟一工作。但随着时间推移，它扩展了生产力，释放了新能力，并创造了全新的产业。AI 似乎正遵循类似的轨迹。 初创公司如何在前沿模型时代出现并取胜 随着前沿模型持续改进，智能本身将变得更加强大且更广泛可及。但这并不意味着少数几家 AI 实验室会囊括所有价值。基础性技术很少以那种方式运作。当一种新能力变得充足时，围绕它的创新会随之扩展。前沿模型很可能会成为智能的基础设施层，但这种智能在现实世界中的应用仍远未开发。 整个行业如教育、金融服务和医疗保健在人工智能的渗透方面仍然远未达到，应用才刚刚开始起步。数十亿人仍无法获得高质量的知识、服务和工具，而智能技术本可以显著改善这些状况。像 Anthropic 和 OpenAI 这样的公司可能会构建引擎，但它们无法打造由这些引擎驱动的所有产品，而且仍然专注于在模型层面展开竞争（见下文，即便仅在模型层面，OpenAI、Anthropic、Grok 和 Google 之间的竞争也异常激烈）。 LMArena 与高盛全球投资研究 初创公司的机会在于将这种原始智能转化为能够解决实际问题的系统、工作流程和体验。 将智能转化为系统： 模型是非凡的推理引擎，但它们本质上仍是通用工具。将这种原始能力转化为解决真实问题的可靠系统需要架构设计。越来越多的人将这称为代理胸背带 。 胸背带是围绕模型构建使其可用的系统。它将任务路由到合适的模型，协调工具和子代理，检索上下文，并强制执行安全规则和评估循环。换言之，它把原始的模型能力转化为针对特定任务的可重复成果。 […]

阅读全文

AI 编程革命

Mar 16, 2026

AI原生速度背后的组织结构数学

作者：Tomasz Tunguz, Theory Ventures “自去年11月以来，我100%的代码都是由Claude Code编写的。我没有手动编辑过一行代码，每天提交10到30个PR。” Claude Code的创建者Boris Cherny每天提交20-30个拉取请求。这些都是主要的代码更改，而不是拼写错误修复。他运行着五个并行的AI实例，每个实例都在一个单独的分支上。 将其与传统工程师进行比较：每周3个PR。Cherny的生产力不是提高了10%，而是提高了30倍。 这种生产力差距在公司层面会复合。Anthropic每名员工创造约500万美元的收入。Cursor为330万美元。Midjourney为200万美元。传统SaaS认为20万-30万美元是强劲的。这是一个10-20倍的差异。 一个解释是：沟通开销。其数学遵循梅特卡夫定律。每个新团队成员都会增加n-1个新连接。协调阻力不会线性增长。它会爆炸式增长。 现在考虑AI对这个等式的影响。 一个传统的150人组织有四层深度。组织结构图创建了11,175个潜在的沟通渠道。会议增多。协作效率下降。 一个能够产生同等产出的AI赋能团队可能只需要30人。沟通渠道减少到435个。减少了96%。 这是AI原生初创公司领先的原因之一，也是创建AI公司感觉有趣的原因。优势来自于组织结构。更少的人员，更少的渠道，更快的迭代，复合的速度。 研发部门最快地采用了这种模式。AI编写代码。人类沟通成为瓶颈。控制范围的争论从“一个经理可以管理多少人？”转变为“一个人可以协调多少个AI代理？” 小团队总是支付更少的协调成本。AI进一步削减了它。 参考资料： Cherny, Boris. Claude Code creator landed 259 PRs in 30 days, Hacker News, 2025. Seporaitis, Julius. What Can 75,000 Pull Requests Tell?, 2021. Median developer opens 3 PRs per week; consistent with Google’s internal data. Estimated […]

阅读全文

AI

Mar 16, 2026

最优秀的创始人将AI作为操作系统层

作者：Daniel Chesley, Principal @ Work-Bench 上周，我与我的朋友 Andy Triedman 在旧金山的 Theory Ventures 共同主持了一场精彩的技术创始人晚宴。我们与12位早期创始人一起，他们正在构建代理基础设施和应用程序。对话涵盖了从进入市场到AI代理时代的工程和产品设计等方方面面。 在反思这次对话之后，我们清楚地认识到，我们正处于一个短暂而稀有的窗口期，AI时代的GTM（市场进入）和软件架构最佳实践正在实时编写。 那些率先破解AI原生产品架构、分发和用户教育的初创公司，将比上一代公司更快地增长并达到更大的规模。 最突出的是，最优秀的早期创始人不仅仅将Claude Code用于自动化软件工程。相反，他们将AI视为一个公司范围内的操作系统层。 以下是我从对话中得出的五个最大启示，强调了增长最快的公司如何通过AI进行实验，以更快地行动、做大做强并赢得市场。 1/ 最优秀的团队不仅仅将AI用作编码工具，它是一个操作系统层 → 公司背景正在复合，并可跨工程以外的工作流程重复使用。创始人正在构建基于交易背景、策略手册、通话记录、CRM信号等实时AI销售教练。 2/ 早期SWE（软件工程师）招聘已从纯粹的编码执行转向代理管理 → 我们正在接近一个代币成本将高于人类的时代。创始人正在放缓初级招聘，并倾向于能够指导代理、保持判断力并清晰地构建系统的高级SWE。同时，AI正在扩大能够进行技术贡献的人群，并正在重塑PDE（产品开发工程）组织。 3/ 开发工具创始人正在放弃缓慢的企业周期，转而青睐前沿公司 → 创始人不想花费数月时间教育传统买家，结果却听到“我们还在考虑实施‘Github Copilot’”。他们希望客户已经处于前沿，因为这些用户塑造了路线图，并成为该类别发展方向最清晰的信号。 4/ 软件界面正在为人类和代理用户世界重新设计 → UI（用户界面）不会消失，但它越来越关注可视化和信任，而代理则在后台处理重复的执行。未来可能是语音优先、API优先、精简GUI或混合模式，但重要的是要明确为两种用户类型进行设计。 5/ 文档和结构化上下文是代理操作的倍增器 → 创始人正在花费更多时间在设计、标准和文档上，以使代理能够放大它们所操作的任何环境。混乱的代码库、部落知识和模糊的规范会产生糟糕的代理输出，导致更多的人工干预。 剧本仍在编写中，类别正在不断变化，毫无疑问，现在是创业的最佳时机。

阅读全文

企业级应用

Mar 16, 2026

利用人工智能增强、自动化，甚至预测：介绍3A框架

作者：Insight Onsite 对于现代运营负责人来说，“AI 疲劳”不只是一个流行词；它是日常现实。运营者正面临着极高的噪音与信号比。一方面，你会看到标题宣称 94% 的 AI 试点失败 ；另一方面，报告又坚称 AI 已经在执行 30% 到 50% 的所有手工工作 。这就是为什么当团队停止追逐工具，而从一个框架和有意图的 AI 与运营方法出发时，成功率会提高的原因。 利害关系是个人化的。根据一项 2026 年波士顿咨询集团调查 ，90% 的 CEO 认为 AI 代理今年会带来可衡量的投资回报。更重要的是，其中 50% 的 CEO 认为他们的工作本身取决于能否把组织的 AI 战略做对。 本文来自 Onsite Hour，这是由 Insight 超过 110 位内部专家创建的面向投资组合公司的每周虚拟活动系列 。为了帮助领导者在不迷失于炒作的情况下驾驭这一变革，副总裁 Jack Rohrer 和 Jared Brickman 开发了一个结构，旨在超越工具追逐，走向运营执行。 3A 框架：AI 能力的路线图 战略性 AI 实施需要从“工具备忘单”转向一种通用的操作语言。3A 框架将 AI 能力组织为三个逐步推进的支柱： 增强 ：AI 作为以人为导向的思维伙伴。你仍然掌握主导权，利用 AI 共同思考、共同撰写或在现有工作流程中挖掘洞见——无论是内嵌的副驾驶、AI 辅助的搜索，还是像 Claude 或 ChatGPT 这样的对话模型。 自动化 ：AI 开始在最少人类指令下在后台运行流程，从手动任务向后台执行转变。 预见 ：光谱的远端。在这里，AI […]

阅读全文

AI

Mar 16, 2026

所有人都误读了Anthropic的AI就业报告

作者：Ethan Batraski, GP @ Venrock Anthropic 最近发表了一篇纸 ，试图用他们称之为“观察到的暴露度”的新指标来衡量人工智能对劳动力市场的影响。这个想法很直接：将大型语言模型理论上能够做的事，与人们在真实工作情境中实际使用它们的情况进行比较。 这篇论文迅速在社交媒体、创投圈和政策讨论中传播开来。那张显示理论能力与当前使用之间差距的雷达图已成了“人工智能将抢走你的工作”的一种速记符号。 但人们的反应更多反映了他们如何解读技术，而不是该论文实际展示的内容。 该报告存在三个根本性问题。 它并不像围绕它的论述所暗示的那样有力，它对问题的框架设置不正确，而且对其发现的解读助长了不必要的恐慌。 这并不意味着作者的工作糟糕，而是人们从这项工作中得出的结论存在误导。 更重要的是，这意味着关于人工智能与劳动力的争论在错误的轴线上进行。 首先：数据远没有叙事那么戏剧化 第一个问题很简单：这篇论文并未显示出有意义的劳动力中断。 作者自己也直接这样指出。查看在人工智能暴露程度最高的职业中的失业数据，他们发现自从 ChatGPT 发布以来就业结果没有统计学上显著的变化 。 人们经常引用的一个信号是，进入高暴露职业的 22–25 岁工人的招聘有所放缓。即便如此，论文也小心翼翼地指出该效应 “仅勉强具有统计显著性。” 换言之，劳动力中断的证据非常薄弱。 这并不应该令人惊讶。劳动力市场是一个缓慢运动的系统。组织不会立即围绕新技术重组。它们会随着时间调整招聘、工作流程和资本投资。 如果有什么意义的话，这篇论文提醒我们，人工智能对劳动力市场的影响在数据中才刚刚开始显现。 然而公众的反应却是把这些发现当作即将出现大规模失业的铁证。 这种解读根本没有证据支持。 第二点：雷达图具有说服力但容易产生误导 第二个问题在于报告呈现其核心发现的方式。 被广泛传播的雷达图将理论上的 AI 能力与各职业的实际使用情况进行比较。在许多领域，AI 理论上能够完成的任务比例远远大于目前正在被自动化的任务比例。 从视觉上看，这营造出一种强烈的印象：大面积的经济活动似乎正处在迅速被自动化的边缘。 但这种解读误解了该图表实际所代表的含义。 能力与部署之间的差距并不意味着自动化即将席卷这些行业。它仅意味着组织尚未将该技术整合到其工作流程中。 这种差距并不是即将发生劳动力置换的证据。它表明我们仍处于采用周期的早期阶段。 大多数通用技术恰恰呈现出这种模式。能力先到来，随着机构、软件系统和职业规范的调整，整合随后缓慢进行。 该图表不是对失业的预测。它是部署尚未发生之处的地图。 第三：真正的问题在于框架设定 更深层的问题在于，该报告对问题的表述与劳动力市场的实际运作方式不相符。 该分析将职业视为一系列任务，考察其中有多少比例的任务理论上可以由人工智能完成。 这也许是个有用的技术问题，但并不是正确的经济问题。 职位不是按任务定价的。 它们是按时间或成果定价的。 这一区别极其重要。 如果一份工作出售的是工时或产出，自动化会降低工人的价值。但如果一份工作出售的是判断、责任或结果，自动化反而可能使工人更有能量而非更弱。 一旦你通过这个视角审视劳动力市场，人工智能的影响就更容易理解了。   AI 替代劳动力的领域 有些类型的工作在根本上是按时间或产出量定价的。 行政运营、顾客支持、常规分析、质量保证测试、市场研究以及许多形式的初级知识性工作都属于这一类。 在这些岗位上，企业本质上是在购买通量。如果相同的工作能用 AI 更快或更便宜地完成，经济动机很明确：自动化。 这就是人工智能将压缩劳动力需求的地方。 但即便在这里，转变也不太可能表现为大规模裁员。它更常见的表现是招聘放缓和入门级人才渠道萎缩 。 […]

阅读全文

企业级应用

Mar 16, 2026

超越计费工时——人工智能如何重塑律师事务所的利润和模式

作者：Aayush Sharma, VC @ SignalFire 在过去18个月里，我深入参与了法律科技生态系统。我与50多位执业律师交谈过，涵盖大型律所、精品律所和个人执业者，并与100多位打造下一代法律基础设施的创始人交流过。 有一个持续的争论： 记时计费制的未来。 这一话题常出现在关于人工智能驱动的利润率变化、自动化下定价应如何演变以及客户对无限期计费的容忍度的讨论中。 构建法律人工智能工具的创始人在当下这场争论中通过他们的产品和定价模型表明了明确立场。有些工具帮助律所捕捉并记录更多的可计费时间，而有些则彻底自动化时间记录。还有一些正在推动律所转向固定费用或订阅制定价模式。 我采访的律师们承认了体系性低效，但也意识到计费小时制深深嵌入了律所的经济结构，要想解除这一制度将非常困难。 计费小时制数十年来影响着律所的人员配置、定价和绩效测量。但这一模式在各个层面持续面临压力。客户对成本更敏感，人工智能正在压缩许多法律工作所需的时间，律所被迫为其费用辩解并说明收费理由。 随着人工智能加快速度并使常规法律工作更具可预测性，此类工作正向固定费率、订阅和混合定价模式转移。与此同时，复杂且不确定性高的案件仍按小时计费，从而分化了曾经更为统一的计费结构。 这一转变之所以重要，是因为法律服务约为9,000亿美元的全球市场。在关键工作流程中，人工智能带来即便是10%–20%的温和效率提升，也能转化为巨大的经济价值。真正的问题不在于工作是否变得更快，而在于谁最终获得了这部分效率红利。 计费小时的演变 值得记住的是，这并不是计费小时首次面临生存危机。该模式曾经经受住传真机、电子邮件、视频会议和电子签名等创新的冲击，这些技术都从根本上改变了法律工作的方式。在 20 世纪 70 至 80 年代第一波法律科技创新中，Westlaw 和 LexisNexis 等工具彻底改变了律师的研究方式。曾经需要在法学图书馆耗费数小时的工作，如今可以在几分钟内完成。但效率带来的红利并未流向客户。律所将其攫取，收费率继续攀升。 同样的模式在 2000 年代也再次上演，当时像 Relativity 这样的文档管理和电子发现平台，以及把客户接待、案件管理、工时记录和计费等工作流程数字化的实践管理工具 Clio 出现。每一波技术都提高了律师的效率，但经济剩余很大程度上仍留在律所内部。 当前浪潮的不同之处在于人工智能正在推动的工作类型。此前的工具围绕律师本身进行优化：更好的检索研究、更快的文档整理、更规范的发票处理。它们提高了律师的生产力，但并未触及核心工作。如今的人工智能工具正在开始直接完成工作（例如起草、审阅、分析、摘要），并侵入可计费的任务。客户更加了解且更有底气，要求将这些效率反映在定价上。 历史会重演，还是这一次浪潮最终会重新分配股息，这是未来十年决定性的商业问题。 客户现在要的是可预测性，而不仅仅是专业知识 在企业客户和个人客户中，期望已转向可预测性、透明度以及价格与价值的一致性。公司法务团队在更紧的预算和来自首席财务官更多的审查下艰难应对。小企业和个人则在将法律服务的成本与其他已经提供固定价格模式的专业服务进行比较。 按小时计费的模式本质上在这里很吃力。它把风险转移给客户，因为直到工作完全完成之前最终费用都未知。即便客户信任他们的律师，也不喜欢费用不确定性。 律所越来越感到需要提前回答一个问题： 这会花多少钱？ 在短期内，人工智能可能会扩大利润率。如果某项任务从10小时降到6小时而定价不变，盈利能力就会提高。早期采纳者在客户尚未完全重新调整预期之前可能会显著受益。随着市场价格随着时间调整，这一窗口不会长久存在。 固定费用正在取得进展的领域：简单且可重复的法律工作 这种从以可变计费工时为主的转变在常规法律工作中最为明显：这些任务相对标准化、可预测、范围明确，并且越来越多地由模板或类似 AI 工具支持，例如： 保密协议与基础商业合同 劳动合同与录用函 无争议离婚 简单遗产规划文件 公司设立与合规申报 对于这类工作，事务所可以可靠地估算工作量和风险。随着效率提高带来的是利润率的提升而非蚕食，固定费用和订阅模式不仅可行，而且具有很强的吸引力。 对客户而言，固定费用带来确定性。对律师事务所而言，它们能减少计费摩擦、加快收款并激励效率。 曾经耗费数小时的任务，如文档审查、合规申报和初稿撰写，现在只需一小部分时间即可完成。但工作加速意味着可计费时间减少，这立刻带来矛盾。 固定费用化解了这种紧张关系，使律师事务所能够在不侵蚀收入的情况下采纳技术。但这种演变并非简单地是按小时收费与固定费用之争。更常见的是，事务所正在采纳混合模式： 按小时计费并设上限 按资历混合费率 在小时费率基础上叠加成功费用 面向重复客户的投资组合定价 […]

阅读全文

具身智能

Mar 16, 2026

世界模型能解锁通用机器人技术吗？

通用机器人最大的障碍是数据。一类从视频中学习物理的新型 AI 模型正在出现——这可能改变一切。 在2005年，让计算机理解语言意味着要手工编码语法规则——数以千计，由语言学家费尽心血编写。那是聪明且细致的工作。但它无法扩展。后来出现了不同的方法：不再编码规则，而是让机器通过阅读互联网来学习语言。到2023年，大型语言模型可以写诗、调试代码并通过律师资格考试。手工编码的规则一夜之间就变得过时。 今天的机器人学看起来很像 2005 年的自然语言处理。 我们通过手工构建物理模拟——编程定义物体如何碰撞、重力如何作用、摩擦如何表现。在这些模拟中训练出的机器人可以在数字世界里拿起杯子。但把杯子移动到真实厨房的另一张桌子上，这一过程就会崩溃。改变光线，机器人就会失败。交给它一个陌生的物体，它会僵住。 这是一个数据问题。而且这是一个比 LLMs 所面临的问题在根本上更难的数据问题。 LLMs 以互联网为基础启动——数十亿页文本，自由可得，已数字化。机器人学没有等价的语料库。不存在“机器人经验的互联网”。远程操作数据需要物理硬件、人工操作者和真实世界环境。即便是最雄心勃勃的采集工作，产生的数据量也比语言模型训练的数据少几个数量级。单靠远程操作远远不够。 在我们去年关于智能机器人学的观点文章中，我们确定了操控和数据为核心瓶颈。业界也在相应投入——我们估计未来两年机器人数据的总成本将超过 30 亿美元，涵盖所有模态：机体上和机体外、视频与远程操作、触觉与力感。各家公司竞相收集自我视角视频，构建专用采集硬件如 UMI 抓手和力感手套，并通过数据合作让部署中的机器人以共享远程操作数据换取更好的模型。 一种快速增长的模型类别——世界模型——可能提供一条出路。它们通过视频学习物理规律，而不是仅仅依赖人工收集的机器人数据。这种方法很有前景，早期结果也颇为醒目，但仍有许多尚未证实的问题。下面我们将概述世界模型的现状、行业面临的一系列挑战，以及研究者在推进机器人领域时所提出的新方法。 什么是世界模型？ 世界模型是一种通过观看视频学习物理世界运作方式的神经网络。给它数百万小时的画面——人们做饭、球体弹跳、流水倾泻、汽车行驶——它便构建起对物理的内部表征。不是通过方程，而是通过观察。就像幼儿无需解牛顿定律也能学会球会从桌上滚落一样。 让世界模型对机器人有用的有两点。首先，它们能培养物理直觉：推挤物体会发生什么、织物如何垂坠、液体如何飞溅。其次，它们能想象未来。拥有世界模型的机器人可以在实际移动之前在头脑中模拟“如果我从左边抓这个杯子会发生什么？”，通过成千上万次想象中的错误学习，而不损坏真实硬件。 模拟器已死吗？ 传统的机器人仿真只知道你教给它的知识。每一种物理交互——海绵如何变形、杂乱抽屉如何抗拒打开、湿纸巾如何撕裂——都必须手工编程。现实世界中许多情况根本无法用这种方式编程。排列组合过于多样，无法穷尽建模。 更深层的问题是：手工构建的仿真随你雇佣的工程师数量扩展，而不是随算力扩展。 世界模型则相反——它们从视频中学习物理，并且随着更多数据和更多算力可预测地改进。无需手工编码。遵循“苦涩教训”：永远不要下注于算力会失效。 模拟器并未过时，但它们的作用正在缩小。对于刚体步态——让一只四足机器人在崎岖地形上行走——像 MuJoCo 和 Isaac Sim 这样的物理引擎表现良好。脚接触地面并以刚性、周期性的模式抬起，接触力相对简单，物理引擎可以准确处理这些情况。 操控本质上不同。当机器人手抓住咖啡杯时，接触是柔软的、分布在表面上的，并且对摩擦和材料属性高度敏感。模拟海绵被压缩或织物在指间滑动的方式需要目前模拟器无法达到的逼真度。对于操控来说，模拟接触比步态接触困难得多：抓握咖啡杯时接触细节非常重要；而踩在地板上则没那么重要。 模拟器将继续在结构化评估中发挥不可或缺的作用——测试可达范围、验证安全约束、运行可复现的基准测试。但未来可能是：对我们能够形式化的部分仍使用模拟器，其它一切则由世界模型来承担。 世界知识与动作知识 一台机器人需要两类知识。 世界知识—— 物体如何运动、重力如何作用、液体如何倾倒、织物如何垂坠——是普遍存在的。无论你是人类、机械臂，还是自动驾驶汽车，这些都是相同的。互联网充斥着正好展示这些内容的视频：烹饪教程、工厂参观、安全摄像头、体育转播。 动作知识—— 即该特定机器人如何将命令通过电机和夹持器转化为物理结果——与机体具体形态相关。扭矩上限、摩擦系数、夹持器几何形状等，必须通过针对该机器人的数据来学习。但你实际上需要的这种数据出人意料地少。 证据开始支持这一点。 Meta 的 V-JEPA 2 在超过一百万小时的互联网视频上进行预训练。研究人员随后仅用 62 小时未标注的机器人视频加入了动作条件信息。结果是：在不同实验室的真实机械臂上实现了 80% 的零样本抓取与放置成功率，无需特定任务训练。 DeepMind 的 Dreamer 4 从纯离线数据中学会了在 Minecraft 中收集钻石——这是一项需要从原始像素执行 2 万多个连续动作的任务，且在此过程中零次与环境交互。如果一个模型能从视频中学习世界动态并在从未接触环境的情况下推断出如何行动，同样的范式也可以应用于仓库导航或叠衣服。 在 7–14 亿参数规模下，这些模型展现出新兴的物理理解。OpenAI […]

阅读全文

AI

Mar 16, 2026

所有人都不了解的代理商务

阿米亚斯·杰雷蒂（Amias Gerety） 代理型商业的问题是一个关于人类心理学的问题。 自从“显而易见”人工智能代理将接管购物以来，已经快三年了。很多讨论都假定购物就是摩擦，而摩擦是敌人。要把时间还给人们。把枯燥的部分自动化。 但不同类型的购买对应不同的心理。因为大多数人喜欢购物（或者至少对所买的东西非常讲究），而且大多数人在每次购买时都会以价格为导向进行优化。 为了理解代理将在何处以及如何取胜，我拿出了旧有的 2×2 消费者模型（对前顾问来说，这是最陈词滥调但最有用的框架）： 购物乐趣 ：你从购买行为中获得的愉悦程度 价格弹性 ：你的决策对价格的敏感度有多大 结果是一个简单的框架，每个象限都有一个澄清性问题：代理在此需要向你承诺什么才能赢得你的信任？ 牛奶送货员：低乐趣，低弹性 我们家确实有位送奶工，每周二早晨来。我的孩子们显然是牛奶鉴赏家，所以它并非纯粹的商品，但订单是自动化的。本质上已经是“代理式”的了。我们拿同样的牛奶，然后是轮换的果蔬篮——更现代的例子就是流媒体/消费类 SaaS、来自 Amazon 的 Subscribe & Save 订阅。你并不享受购买过程，不管怎样你支付的大致相同。这里正是代理应当首先胜出的地方。 但从订阅走向代理式并不容易。关键问题是代理能否 “更聪明地理解你的需求”。 它能否预判你快用完时，找到合适的包装规格，绝不会让你断货。这是一个可解决的问题——智能冰箱是否终将迎来其出彩时刻？很明显，我们的代理式未来在这里会有吸引力，但我认为进展会是渐进的。例如，Amazon 完全可以让其 Subscribe & Save 选项实现百分之百的灵活，不再以周/月为增量。 我买到划算的东西了吗？低愉悦，高弹性 机票。白色 T 恤。袜子。你必须购买但并不在意由哪个品牌或零售商送达的东西，只要价格合适即可。在这里，代理需要赢得你作为代言人的信任： “我能相信你会为我争取吗？” 这正是比价工具一直存在的领域，也是代理的天然归宿。这也是 Costco 和 Walmart 通过彻底消除这个问题而建立起巨大业务版图的地方。Costco 以低价著称，Walmart 则开创了“天天低价”的承诺。 我承认把机票和 Kirkland 品牌牛仔裤放在同一类里很有趣，但两者都是功能性购买。而且不止是 Kirkland，它们都占据了类似的高弹性市场。牛仔裤像机票一样，对于相似产品而言价格差异非常大。我刚在为家庭度假订票，震惊地发现“更多腿部空间”的经济舱价差是基础舱的两倍。我觉得我们所有人都觉得 Kayak 在利用我们的搜索历史来向我们多收费。 这些利益并不总是很重大，但对齐和更深层次的可信度问题确实会凸显出来。代理人究竟是在为你优化，还是在为付推荐费的人优化？ 青香蕉：高愉悦，低弹性 有趣之处在此。这类购买让人感觉很私人化——新鲜农产品有特定偏好、孩子的学校服装、你确切知道想要什么的日常必需品——但价格并非主要驱动因素。你需要购买它们，但你希望它们恰到好处 。这正是 Instacart 在其超级碗广告中试图解决的问题：你喜欢香蕉有多青？哪种尺码适合你孩子的身形？ 代理必须赢得比一次交易更难的东西：“你能理解我的偏好吗？” 这需要构建一个人的模型，而不仅仅是市场模型。健康、个人护理与美容——作为年增长率达 14%的第二增长最快的电商类别——正好属于这一范畴。对代理而言潜力巨大，但只有在真正亲密了解某人的习惯和喜好之后才可能实现。 犒劳自己：高愉悦，高弹性 运动鞋。一款新香水。那些浏览本身就是消费一半意义，而“正确”答案极为主观且情感色彩浓厚的消费。这是代理人最困难的象限。问题，“你能买到完全合适的东西吗？” 几乎是不公平的。事实上，上一次有人送给你完全合你心意的礼物是什么时候？（配偶除外！） 但这也是我们有深厚历史的领域，因为以极佳的价格买到真正想要的东西的喜悦十分诱人。可以说，最早的代理支付体验就是在 eBay 上运行的狙击算法，或黄牛们长期以来用来抢购演唱会门票、领先普通粉丝的工具。 服装与配饰是增长速度最快的电商类别之一，预计年增长率可达 […]

阅读全文