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
管理
今天花了一点时间整理一份薪酬方案上会前的内审清单。不是 HR 日常发薪那种，而是薪酬架构在进入决策层之前，需要系统过一遍的检查项。整理完之后最深的感受是：薪酬治理这件事，表面看是在管钱怎么发，实际上管的是组织奖励什么、约束什么、要走向哪里。 这背后其实有三层逻辑。 第一层，是战略对齐。 薪酬方案不是孤立存在的，它必须回答一个问题：我们拿钱激励的行为，是不是组织真正想要的行为？如果公司嘴上说长期主义，奖金却几乎全挂在短期结果上，那激励和战略就是脱节的。说得更直白一点，薪酬结构是组织战略的一面镜子。你说自己重视什么并不重要，钱最终流向哪里，才是真正的答案。很多组织的战略写在 PPT 上，薪酬方案却在讲另一个故事，员工最后相信的，往往是后者。 第二层，是风险约束。 激励如果没有约束，很容易变成冒险的燃料。薪酬治理要回答的第二个问题是：我们有没有在无意中鼓励那些本不该被鼓励的事？最常见的情况，就是奖金和某个单一指标强绑定，结果大家都围着这个指标转，其他本该守住的底线反而被挤到一边。好的薪酬设计一定要有“刹车机制”——不管叫递延、回收，还是风险调整，本质上都在做一件事：让收益兑现和后果承担
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；
管理
摘要：企业若想抓住 Z 世代，重点不是做表层年轻化，而是按新一代用户的认知路径重做产品逻辑。研究 Z 世代，不只是为了服务年轻人，而是在提前理解未来的主流客户。 今天参加潜力员工培训计划，现场聊了很多关于 Z 世代客户的服务方式和产品优化方向。这个话题其实挺有意思，因为它看上去像是在讨论“年轻人喜欢什么”，但往深一点看，讨论的根本不是审美，不是文案，不是海报颜色，而是：一代新用户正在倒逼企业重做产品逻辑。 很多企业一提到 Z 世代，第一反应往往是“年轻化”。界面要更潮一点，活动要更有趣一点，文案要更轻松一点，传播要更像社交媒体一点。 这些当然不是错，但大多数时候，这些都只是表层动作。真正的问题是，Z 世代并不是想要一个“看起来更年轻”的旧产品，他们要的是一个“更符合他们使用习惯和决策方式”的新产品。 这两者差别很大。 Robinhood 的发展，在某种程度上就说明了这一点。它的成功不只是因为把股票交易做得更便宜，甚至不只是因为它抓住了移动端红利。
思考
摘要：新能源汽车、AI/数据中心、人形机器人看似是三条赛道，底层共同变量其实都是电力。未来真正稀缺的，不只是发多少电，而是稳定、低成本、可调度的电力系统能力。