AI
* 原文：任正非与ICPC主席、教练及获奖选手座谈会纪要 读完任正非与 ICPC 主席、教练及获奖选手的这篇座谈记录，第一感受不是“振奋”，而是“清醒”。 它没有太多宏大的口号，也没有对 AI 未来做过度渲染。更像是一群真正在做事的人，围坐下来，聊年轻人怎么选路，AI 到底怎么落地，一个国家的创新能力又靠什么支撑。 很多话听起来朴素，但背后是几十年产业实践沉淀出来的判断。我把它拆成三条主线：青年与人才，AI 与产业，开放与分工。最后再落回一个问题：我们怎么知道自己有没有站在时代的脉搏上。 青年与人才：能摸高，就不要过早摸低 这篇座谈里，最值得记住的一个词，是“摸高”。 任正非说，每个人的人生道路不同，有人摸高，有人摸低，都是社会贡献。但如果一个人有能力摸高，就不要过早摸低。 这句话很容易被理解成“年轻人要奋斗”。但我觉得，它的重点不在奋斗，而在选择。 人在年轻的时候，
AI
今天看了一下自己火山 Coding Plan Pro 的用量截图，挺有代表性。 我定的是 Pro 套餐。按宣传理解，每 5 小时应该有 6000 次模型调用。这个数字看起来很宽裕，甚至会让人以为短时间高强度 coding 基本不用担心。 但实际用下来完全不是这回事。 一个真实项目还没完整做完，日用量已经到 96%，还要 3 个小时刷新；周用量 42%；月用量 39%，距离月度刷新还有 19 天。更关键的是，按实际消耗体感来算，所谓 6000 次调用，真正能支撑的有效 coding 轮次顶多也就两三百次。 这就不是“额度偏紧”的问题了，而是宣传口径和真实工作负载之间有明显落差。 单看百分比，好像还不算夸张。月度才 39%，周度也没过半。
AI
微软最近给一部分美国员工摆出了一道算术题。 年龄加司龄，大于等于 70。 满足这个条件的人，可以进入一项自愿买断/退休计划。按照外界披露的口径，大约 7% 的微软美国员工、约 9000 人有资格参与。 这不是一家夕阳公司的节衣缩食。 它发生在微软持续把钱砸进 AI 基建的时候。数据中心、GPU、云算力、模型能力，都是高强度资本开支。它也发生在 2025 年微软多轮裁员的背景下。 一边是 AI 投资继续加速。 一边是组织开始清理岗位、压缩层级、重新计算人的成本。 这就是很多公司正在进入的新状态：不是公司没钱了，而是公司有了新的钱要花；不是业务停摆了，而是业务开始相信，一部分工作可以不用原来那些人来做。 所以，AI 替代岗位后，最先被重写的往往不是劳动合同。 最先被重写的，是公司和员工之间的风险分配。 劳动合同上写的是岗位、薪酬、地点、期限。 但真正起作用的，是另一套默认规则：
AI
霍尔木兹海峡最近静得让人不安。 根据 Clarksons Research 和 Ship & Bunker 的追踪数据，在这个被称为“全球原油咽喉”的海域，日均通行船只已经从冲突前的 125 艘，暴跌到了最近一周的 5 艘左右。95% 的降幅，意味着那里已经变成了一片地理意义上的“幽灵航道”。 对于大多数人来说，这组数据背后的直观感受是油价可能要涨。但对于深处产业链之中的观察者而言，更深层的恐惧来自另一则消息：华尔街日报报道，阿联酋（UAE）正在认真考虑退出 OPEC。 如果说霍尔木兹海峡的瘫痪是物理链路的断裂，那么 OPEC 第三大产油国的离场，则是协调机制的坍塌。 我们正在进入一个价格不再由成本或需求决定，而是由“无序”决定的时代。最危险的不是石油变贵了，而是石油世界变得“没人说了算”了。 一、 消失的“稳定器” 在过去四十年的全球化叙事里，石油世界存在一套默契的稳定器。 这套系统的底层逻辑是：
AI
深夜十一点半，Meta 某个办公室的灯还亮着。 不是一层，是好几层。 我在过去一年里听过太多相似的叙述——在 Podcast 里，在 PR 的采访里，在某个工程师深夜发的 Twitter 帖子里。没有人说"我们要求加班"，但也没有人在所有人都在的时候先走。 这就是博弈论里最经典的"囚徒困境"——每个人的理性选择，加在一起变成了集体非理性。 内卷的本质：竞跑周期被压缩到了极限 要理解这波硅谷 996 和中国互联网那轮有什么不同，先得看清楚内卷的对象是什么。 中国互联网那轮内卷，有相当部分是"低垂的果实"——商业模式快速扩张期，多一个人真的能多撑一块业务，多投一天真的能多占一块市场。 但这次硅谷卷的是基础研究。基础研究的产出和投入劳动力之间的相关性本来就弱得多。你看到的是：人在工位上的时间越来越长，但模型进步的曲线并没有同等斜率。 Anthropic 内部的人发过声，Google DeepMind 的人也发过声，
AI
阿里云百炼的 Coding Plan，我抢了两个月，一次没中。黄牛价涨到原价三倍，下不去手。 昨天刷到火山方舟（Volcengine Ark）上了新模型：GLM-5.1、MiniMax 2.7、Kimi 2.6，三个当下最热的模型一起。立刻充值入手。 实测 GLM-5.1：给一个模糊需求，它能自己推断边界、补全逻辑，偶尔还会在注释里预判你下一个问题。智力感比上一代明显高一个台阶。 但坑也明显：高阶模型消耗速度极快，响应也慢，实际使用时心里要一直挂着算账。 我的判断：好用的 Coding Plan 会成为稀缺资源。 逻辑不复杂——模型更新速度远超算力供给，推理成本又卡在高位。厂商每次上新模型，额度就那么多，先到先得。阿里百炼是例子，火山方舟现在加了模型才有吸引力，过几个月额度紧张了，又会变成新的稀缺品。 所以策略很简单：不要只盯一家，
AI
如果你现在走进亚马逊的自动化仓库，你看到的不是一群西装革履的机器人服务生，而是一堆像“扫地饼干”一样的 Kiva 机器人在地板上横冲直撞，以及无数长得像八爪鱼一样的机械臂在流水线上机械挥动。 这些东西丑得要命，但它们极度高效。 在大众认知里，“机器人”默认就该有头有脸、四肢健全。这是一种典型的“碳基沙文主义”——因为人长这样，所以高效的工具也必须长这样。但事实恰恰相反：在工程学领域，人形通常意味着昂贵、不稳定且低效。 一、形态服从任务，而不是服从审美 如果你只想把一个包裹从 A 点挪到 B 点，轮式底盘的能量效率比双足行走高出几个数量级。如果你只需要拧螺丝，一条固定在底盘上的六轴机械臂远比一个需要维持平衡、怕摔跤的“人型生物”靠谱。 人形不是机器人的进化终点，而是一种折中。 生物学上的“人”是一个为了生存而设计的“全能型工具箱”：我们能爬树、能长途奔袭、能采摘、能社交。但这种“全能”是以牺牲单一任务的极致效率为代价的。在工业场景下，
AI
在传统软件行业里，“脱销”是个有点反常的词。代码产品是数字化的，按理说复制成本接近于零，怎么会出现售罄、排队、限流这种更像线下商品的现象？但最近国内几家大厂的 coding plan 的确出现了类似状况：有的暂停新增，有的控制名额，有的提高门槛。表面看，这是一次订阅产品的供给紧张；往深里看，它更像一个信号，说明 AI 需求已经从尝鲜阶段，走到了真实生产力的挤压区。 这件事之所以值得认真看，不是因为某一家产品卖得好，而是因为 coding 这类场景是目前大模型最接近“刚需”的落地方向之一。聊天、写作、图像生成，这些都很容易让人惊艳，但也容易让人回到“玩一玩就过去了”的状态。编程不一样。它和业务、效率、交付强绑定，使用频率高，结果验证快，ROI 也最容易被感知。开发者一旦习惯了让 AI 帮忙补代码、查报错、写测试、
AI
过去一年里，在很多企业的管理层会议上，经常能看到这样一种标准场景：一号位或者高管团队在参加完某个行业论坛，或是看了一连串关于大模型突破的新闻后，带着强烈的焦虑感回到公司。紧接着，公司内部会迅速成立一个“AI战略小组”或“AI创新部”。这个部门通常由 IT 负责人或战略总监牵头，背负着“让公司全面拥抱 AI”的宏大KPI。 接下来的动作往往也是高度模式化的：采购一批主流的 AI 工具账号分发下去，或者花一笔预算在内部部署一个知识库问答机器人；组织几场全员培训，教大家如何写 Prompt；最后，管理层会在每月的业务会上询问“我们现在的 AI 渗透率是多少”“节约了多少人效”。 然而，几个月过去，最初的热情逐渐冷却。员工发现内部部署的机器人总是“幻觉”连篇，不如直接问同事来得快；购买的工具账号活跃度直线下滑，最终沦为少数人写周报的辅助工具。管理层看着毫无起色的业务数据和高昂的算力账单，陷入了新的迷茫：为什么我们拥抱了 AI，组织却没有发生预期的变革？ 这种普遍的挫败感，根源在于很多企业从一开始就走偏了。他们将 AI
AI
很多公司推进 AI，第一反应都很像。 先采购几个热门工具，接着安排几场培训，再往下就是在群里反复提醒：大家要多用 AI，要提高效率，要把 AI 变成日常工作方式。 这套动作看上去没错，甚至很像“组织已经开始转型了”。但真走到三个月、半年，问题就会一个个冒出来：工具买了，真正持续使用的人不多；培训做了，员工知道概念，却不知道该把 AI 放进哪一段具体工作流；少数人摸索出了一点方法，但没法复用，最后还是变成个人能力，而不是组织能力。 很多公司到这里，会误以为是模型不够强，是员工不够积极，是业务场景太复杂。其实往往都不是。 最后真正卡住的，通常不是模型能力，也不是员工意愿，而是组织没有提供一套让探索能发生、经验能沉淀、能力能复用的基础设施。 所以我越来越倾向于一个判断：AI 落地，首先不是工具问题，而是基础设施问题。 上工具，不等于落地 工具当然重要。 没有工具，很多事情连试都没法试；
AI
摘要：Token 生产成本持续下降，但企业买的不是 token 而是结果；AI 下半场的核心竞争是 token 到有效结果的转化效率。 黄仁勋在 GTC 2026 上把一个比喻讲透了：数据中心不再是机房，而是 Token 工厂。 这个框架非常清晰。它让所有人都能用工业时代的直觉来理解 AI 基础设施的竞争逻辑——每瓦多少 token，每秒多少 token，每美元多少 token。就像发电厂比的是每度电成本，炼油厂比的是每桶原油出多少汽油。NVIDIA 的立场也很明确：我卖铲子，铲子越好，你挖矿越便宜，你就越该买我的铲子。 这套叙事没有错，而且在当前阶段确实抓住了一个关键事实：token 的生产成本正在以超出多数人预期的速度下降。一年前还觉得昂贵的百万 token 调用，今天已经可以用零点几美分解决。成本曲线在往下走，而且远没有到底。 但如果我们把视线从芯片厂商移到 AI 的实际使用者——那些试图用大模型完成业务任务的企业和开发者—
思考
最近一段时间，OpenClaw 彻底出圈了。 不是那种“又一个 AI 产品发布会”式的出圈，而是一种体感层面的冲击——你第一次发现，AI 不再只是一个你问它答的东西。它能自己拆任务、自己写代码、自己调接口、自己跑完一个完整的工作流，然后把结果交给你。 很多人的第一反应是兴奋：终于有东西能替我干活了。 这个兴奋是真实的。OpenClaw 之所以爆火，不是因为它的模型更强，而是因为它给了一种前所未有的“执行感”。它有自主性，能持续工作，不需要你逐步喂指令。你丢一个目标过去，它自己想办法完成。这和之前所有的 AI 工具都不一样——之前是你在用工具，现在是你在指挥一个“人”。 但我今天想说的不是它多厉害。我想说的是：让 OpenClaw 变厉害的那些特质，恰恰也是让它变危险的来源。 ## 主动性就是风险本身 OpenClaw 最核心的能力是自主决策。它不等你说下一步做什么，它自己判断下一步。这意味着它必须不断做选择——先做哪个、怎么做、