即刻App年轻人的同好社区
下载
今天在云栖大会逛展，发现竟然有展位直接摆摊“卖”「Token卡」！
千问办公这次实体卡现场兑积分，买算力还送真蒜粒。 科技圈第一次有AI这么接地气，有了算力，还有蒜粒。
千问办公直接把「Token卡」摆出来卖，实体卡、现场兑，刷一下积分就进账户，Agent立刻能帮你写报告、做PPT、跑数据。科技圈第一次有AI这么接地气地摆摊卖算力。中秋「偷啃卡」也在，摸一张带走，算力满格。
蒜鸟蒜鸟，都不容易，必须支持支持。
千问办公这次实体卡现场兑积分，买算力还送真蒜粒。 科技圈第一次有AI这么接地气，有了算力，还有蒜粒。
千问办公直接把「Token卡」摆出来卖，实体卡、现场兑，刷一下积分就进账户，Agent立刻能帮你写报告、做PPT、跑数据。科技圈第一次有AI这么接地气地摆摊卖算力。中秋「偷啃卡」也在，摸一张带走，算力满格。
蒜鸟蒜鸟，都不容易，必须支持支持。
1 00
黄仁勋在All-In Summit上说了一句听起来像玩笑的话：今天的工程师拿到一台电脑、一把椅子，接下来整天都在打字。他随后补充，这里的打字就是写代码。
这句话击中了许多计算机专业学生相信了四年的交换关系：学数据结构、操作系统、编译原理，熬夜写项目，毕业后把这些能力换成一份体面的工作。现在，过去用来证明“我是专业的”的东西，正在变成机器的日常产出。
黄仁勋的判断很乐观。工程早于编程存在，也会在编程被自动化后继续存在。沿着这句话再问一步，问题却变得有些残酷：当AI拿走练习题，新人要在哪里犯错，才能长成有判断力的工程师？
1、被低估的小活
过去，新人的第一份工作可能是改一个按钮的颜色，写一段简单接口，补几条单元测试。这些任务重复、低风险，甚至有点无聊，却构成了一套藏在工资里的学徒制。
新人会在改按钮时发现，设计稿与旧页面对不上；写接口时发现，需求漏掉了异常情况；补测试时发现，一行修改会让另一项功能失效。代码评审里的批注和故障后的复盘都在告诉他：能运行只是起点，可靠需要为意外留下余地。
大学负责教知识，公司负责提供后果，两者合在一起，才铺出一条从会写代码到能够负责的路。
如今，页面、接口、测试和说明文档都可以由AI快速生成。企业把低风险工作交给机器，是再自然不过的效率选择。公司仍然需要工程师，却未必愿意为缓慢的学习过程买单。
新人失去的可能不只是一份小活，也包括犯小错的资格。那段过去藏在工作里的训练，现在由大学、企业，还是年轻人自己补上？
2、判断力没有快捷键
AI把写代码压缩成了工程中的一个环节。人说明目标和限制，机器拆解任务、生成代码、运行测试，人再判断结果能否进入真实系统。
需求有没有说完整，系统边界画在哪里，速度、成本和安全如何取舍，出了事故由谁负责。这些问题一直存在，只是过去被大量编码遮住了。
黄仁勋说，软件出现以前已经有工程，未来也会出现更多不以敲代码为中心的工程工作。AI可以生成十种方案，却无法替公司决定应该牺牲什么；它可以让测试全部变绿，也不知道一个看似正确的功能，会不会在三个月后伤害用户。
人的价值更多地落到选择、验证和承担后果上。判断力也不是读完一门课就能领取的证书。它里面塞满了需求误解、系统故障、返工和复盘。
AI让答案来得更快，判断答案的经验却无法同时下载。生产速度越高，这个缺口反而越危险。
3、AI也可能成为最好的老师
最有力的反方来自AI自身：它也能造出一架更便宜的梯子。
一个学生如今可以让AI解释陌生代码、比较方案、生成测试，再根据反馈反复重做。足够主动的新人，可能在一周里完成过去一个学期才能接触的项目。AI不会不耐烦，也不会嘲笑基础问题。
这正是黄仁勋乐观判断最落地的部分：工具降低了尝试复杂问题的门槛，工程能力未必随着手写代码减少而消失。
这架新梯子最脆弱的一块踏板，是反馈质量。公共模型可以告诉你代码能不能跑，却不了解公司的历史包袱、用户习惯和一次宕机会造成多大损失。演示项目的错误立即暴露，真实系统里的错误可能等到用户增加或同事接手后才出现。
AI能扩大练习次数，真实后果决定练习能否沉淀成经验。拥有导师、内部数据和生产项目的人，会得到准确校正；只能使用公共工具的人，可能交出更漂亮的作品，却不知道自己的判断距离现实还有多远。
4、谁来支付前五年的学费
黄仁勋还把AI扩张与软件、能源、建筑和制造岗位联系在一起。这是他对产业扩张的判断，不等于每个毕业生都会因此得到位置。总工作量可以增长，行业入口仍可能收窄。
由此往前推一步，会出现访谈没有直接讨论的风险：每家公司都想直接雇有经验的人，同时用AI减少初级任务。单个企业提高了效率，整个行业却可能在几年后发现，五年经验的人无法凭空长出来。
大学增加几门AI课程解决不了这个问题。如果教学只是把写代码换成写提示词，学生依然没有经历需求变化、脏数据和团队交接。企业取消学徒位置，也是在把培养成本推给学校和个人，却继续等待市场送来成熟人才。
大学四年还值不值，取决于它能否提供机器无法独自给出的东西：长期项目、严格反馈、跨专业协作，以及允许学生承担后果又不会被一次错误淘汰的空间。作品数量很容易被AI放大，经历过什么失败、如何验证答案、能否解释一次取舍，会成为更难伪造的能力。
黄仁勋说，他最喜欢的按键是退格键，因为最好的软件往往更小。AI会替我们按下越来越多次退格键，删掉样板代码，删掉重复劳动，也删掉许多曾经属于新人的练习题。
当下一个年轻人坐到那台电脑和那把椅子前，他可能已经不缺代码，缺的是发现代码为什么不能被信任的机会。
AI删掉多少代码，也许没有那么要紧。更昂贵的问题是：那段被一同删掉的成长路径，谁来重建？
这句话击中了许多计算机专业学生相信了四年的交换关系：学数据结构、操作系统、编译原理，熬夜写项目，毕业后把这些能力换成一份体面的工作。现在，过去用来证明“我是专业的”的东西，正在变成机器的日常产出。
黄仁勋的判断很乐观。工程早于编程存在，也会在编程被自动化后继续存在。沿着这句话再问一步，问题却变得有些残酷：当AI拿走练习题，新人要在哪里犯错，才能长成有判断力的工程师？
1、被低估的小活
过去，新人的第一份工作可能是改一个按钮的颜色，写一段简单接口，补几条单元测试。这些任务重复、低风险，甚至有点无聊，却构成了一套藏在工资里的学徒制。
新人会在改按钮时发现，设计稿与旧页面对不上；写接口时发现，需求漏掉了异常情况；补测试时发现，一行修改会让另一项功能失效。代码评审里的批注和故障后的复盘都在告诉他：能运行只是起点，可靠需要为意外留下余地。
大学负责教知识，公司负责提供后果，两者合在一起，才铺出一条从会写代码到能够负责的路。
如今，页面、接口、测试和说明文档都可以由AI快速生成。企业把低风险工作交给机器，是再自然不过的效率选择。公司仍然需要工程师，却未必愿意为缓慢的学习过程买单。
新人失去的可能不只是一份小活，也包括犯小错的资格。那段过去藏在工作里的训练，现在由大学、企业，还是年轻人自己补上？
2、判断力没有快捷键
AI把写代码压缩成了工程中的一个环节。人说明目标和限制，机器拆解任务、生成代码、运行测试，人再判断结果能否进入真实系统。
需求有没有说完整，系统边界画在哪里，速度、成本和安全如何取舍，出了事故由谁负责。这些问题一直存在，只是过去被大量编码遮住了。
黄仁勋说，软件出现以前已经有工程，未来也会出现更多不以敲代码为中心的工程工作。AI可以生成十种方案，却无法替公司决定应该牺牲什么；它可以让测试全部变绿，也不知道一个看似正确的功能，会不会在三个月后伤害用户。
人的价值更多地落到选择、验证和承担后果上。判断力也不是读完一门课就能领取的证书。它里面塞满了需求误解、系统故障、返工和复盘。
AI让答案来得更快，判断答案的经验却无法同时下载。生产速度越高，这个缺口反而越危险。
3、AI也可能成为最好的老师
最有力的反方来自AI自身：它也能造出一架更便宜的梯子。
一个学生如今可以让AI解释陌生代码、比较方案、生成测试，再根据反馈反复重做。足够主动的新人，可能在一周里完成过去一个学期才能接触的项目。AI不会不耐烦，也不会嘲笑基础问题。
这正是黄仁勋乐观判断最落地的部分：工具降低了尝试复杂问题的门槛，工程能力未必随着手写代码减少而消失。
这架新梯子最脆弱的一块踏板，是反馈质量。公共模型可以告诉你代码能不能跑，却不了解公司的历史包袱、用户习惯和一次宕机会造成多大损失。演示项目的错误立即暴露，真实系统里的错误可能等到用户增加或同事接手后才出现。
AI能扩大练习次数，真实后果决定练习能否沉淀成经验。拥有导师、内部数据和生产项目的人，会得到准确校正；只能使用公共工具的人，可能交出更漂亮的作品，却不知道自己的判断距离现实还有多远。
4、谁来支付前五年的学费
黄仁勋还把AI扩张与软件、能源、建筑和制造岗位联系在一起。这是他对产业扩张的判断，不等于每个毕业生都会因此得到位置。总工作量可以增长，行业入口仍可能收窄。
由此往前推一步，会出现访谈没有直接讨论的风险：每家公司都想直接雇有经验的人，同时用AI减少初级任务。单个企业提高了效率，整个行业却可能在几年后发现，五年经验的人无法凭空长出来。
大学增加几门AI课程解决不了这个问题。如果教学只是把写代码换成写提示词，学生依然没有经历需求变化、脏数据和团队交接。企业取消学徒位置，也是在把培养成本推给学校和个人，却继续等待市场送来成熟人才。
大学四年还值不值，取决于它能否提供机器无法独自给出的东西：长期项目、严格反馈、跨专业协作，以及允许学生承担后果又不会被一次错误淘汰的空间。作品数量很容易被AI放大，经历过什么失败、如何验证答案、能否解释一次取舍，会成为更难伪造的能力。
黄仁勋说，他最喜欢的按键是退格键，因为最好的软件往往更小。AI会替我们按下越来越多次退格键，删掉样板代码，删掉重复劳动，也删掉许多曾经属于新人的练习题。
当下一个年轻人坐到那台电脑和那把椅子前，他可能已经不缺代码，缺的是发现代码为什么不能被信任的机会。
AI删掉多少代码，也许没有那么要紧。更昂贵的问题是：那段被一同删掉的成长路径，谁来重建？
0 00
1998年的春天，硅谷发生了一件后来被反复提起的事。面对浏览器市场的剧烈变化，网景公开了浏览器套件的源代码，Mozilla项目由此启动。这次开放成为浏览器开源史上的一个重要转折。
商业史上不少重要转折，都发生在一群人决定改变旧有边界的那个瞬间。
[图片]
昨晚听了MiniMax 2026年半年度业绩交流会，下午的时候他们刚刚在港交所挂出半年报，晚上又开了这场直播。
在行业进入商业化检验期时，MiniMax披露其ARR从今年2月的1.5亿美元增长至8月的8亿美元。
据MiniMax管理层在业绩交流会上介绍：到今年8月，年度经常性收入达到8亿美元；今年2月这一数字为1.5亿美元，六个月增长约433%。上半年公司收入同比增长283.1%，约为2025年全年收入的1.5倍；二季度收入较一季度环比增长81.8%。
[图片]
历史并没有简单重复，却再次显示出开放与商业化可以同时向前。
1、收入结构正在改变
2025年同期，MiniMax的B端收入占比为30.3%。
今年上半年，开放平台及其他AI企业服务收入达到7390万美元，同比增长703.1%，占总收入的63.4%；到8月时点，B端收入占比进一步达到80%。同期AI原生产品收入达到4260万美元，同比增长100.9%。B端增长更快，推动整体收入结构发生变化。
[图片]
过去，MiniMax更多因为面向消费者的AI原生产品受到公众关注。此次业绩交流会呈现出的新变化是：在C端业务继续增长的同时，开放平台及企业服务正在成为更强的增长引擎，MiniMax也在持续建设面向企业和开发者的生产力基础设施。
这种变化并不意味着放弃C端。上半年AI原生产品收入仍同比增长100.9%，消费者业务继续提供品牌影响力、用户反馈和产品场景。
开放平台及企业服务增长得更快，使MiniMax的收入结构逐渐形成C端与B端相互支撑的双引擎。
企业市场对稳定性、交付能力和持续服务提出了更高要求。MiniMax在保留C端增长基础的同时，持续建设企业与开发者服务。这个变化在报表上体现为B端收入同比增长703.1%，在业务上则体现为商业化结构更加均衡。
它给出了一条更清晰的大模型商业化路径：用C端积累品牌认知和产品反馈，用开放模型权重展示能力，用开放平台及企业服务承接规模化需求，再通过工程效率改善单位经济性。
2、开源与商业化可以同时推进
直播里有一组信息很值得关注：
据MiniMax管理层在业绩交流会上介绍，H3开放模型权重三周多后，累计下载量已超过2400万次，社区出现300多个公开衍生模型。管理层同时表示，开发者社区的热度也传导至官方线上服务，API调用量快速增长。
[图片]
2026年7月，MiniMax平台Token消耗量已经达到1月的20倍。20倍提供了收入之外的另一重观察：8亿美元是ARR，Token消耗量则反映模型调用需求正在快速放大。
开发者可以先在开源社区验证模型能力，再根据稳定性、效率和服务需求选择官方API，这缩短了从能力验证到实际部署的路径。
开放模型权重降低了开发者验证能力的门槛。长期竞争力仍取决于持续迭代、工程优化和服务质量。开源也由此成为开发者触达、产品验证和生态建设的重要渠道。
3、效率如何进入财务报表
收入增长之外，MiniMax反复强调的另一个关键词是效率。
管理层提出，只有持续降低单位智能成本，才有可能把更高水平的智能提供给更多用户。智能水平与性价比需要通过工程效率同时提升。
这份效率已经反映到财务数据中。2026年上半年，MiniMax毛利同比增长464.8%，毛利率从12.1%提升至17.9%。
公司披露，其ETTR，也就是有效训练时间比，已经达到97%，意味着训练基础设施在绝大多数时间里都处于有效训练状态。
这组数字体现了工程效率对单位成本和毛利率的支撑。模型能力、调用规模和基础设施效率同时提升，才能让性价比转化为长期增长能力。
4、门推开之后
MiniMax管理层判断，除了编程之外，多模态生成可能成为AGI商业化的重要市场，H3是这条路径上的一个新起点。
按照MiniMax公开的H3技术说明，语言被视为连接多模态任务的桥梁，模型可以统一理解文本、图像、视频和音频构成的上下文，并据此完成生成。
[图片]
语言能力由此更深地参与多模态上下文理解，让视觉生成获得更细致的语义理解和指令遵循能力。
对于影视、广告、电商、游戏、教育等依赖视觉生产的行业，那些过去需要多个工具和多轮修改才能完成的内容，有望被重新组织。
1998年那个公开代码的春天，网景的工程师们并不知道二十多年后世界会长成什么样。他们只是在一个必须选择的时刻，选择了开放。
8亿美元ARR只是当下的一个切片，上半年的业绩增长、H3开放模型权重后的社区表现以及基础设施效率，共同提供了一次阶段性验证：开放与收入增长可以并行，B端扩张也可以与C端增长同时发生，效率提升同样可以支持更高水平的智能。
开放、商业化与效率三条路径，在这个阶段形成了相互支撑。
随着业务规模继续扩大，保持开放与迭代速度将成为下一阶段的关键。MiniMax已经用这份中报展示了增长、商业化与效率相互支撑的阶段性成果。
商业史上不少重要转折，都发生在一群人决定改变旧有边界的那个瞬间。
[图片]
昨晚听了MiniMax 2026年半年度业绩交流会，下午的时候他们刚刚在港交所挂出半年报，晚上又开了这场直播。
在行业进入商业化检验期时，MiniMax披露其ARR从今年2月的1.5亿美元增长至8月的8亿美元。
据MiniMax管理层在业绩交流会上介绍：到今年8月，年度经常性收入达到8亿美元；今年2月这一数字为1.5亿美元，六个月增长约433%。上半年公司收入同比增长283.1%，约为2025年全年收入的1.5倍；二季度收入较一季度环比增长81.8%。
[图片]
历史并没有简单重复，却再次显示出开放与商业化可以同时向前。
1、收入结构正在改变
2025年同期，MiniMax的B端收入占比为30.3%。
今年上半年，开放平台及其他AI企业服务收入达到7390万美元，同比增长703.1%，占总收入的63.4%；到8月时点，B端收入占比进一步达到80%。同期AI原生产品收入达到4260万美元，同比增长100.9%。B端增长更快，推动整体收入结构发生变化。
[图片]
过去，MiniMax更多因为面向消费者的AI原生产品受到公众关注。此次业绩交流会呈现出的新变化是：在C端业务继续增长的同时，开放平台及企业服务正在成为更强的增长引擎，MiniMax也在持续建设面向企业和开发者的生产力基础设施。
这种变化并不意味着放弃C端。上半年AI原生产品收入仍同比增长100.9%，消费者业务继续提供品牌影响力、用户反馈和产品场景。
开放平台及企业服务增长得更快，使MiniMax的收入结构逐渐形成C端与B端相互支撑的双引擎。
企业市场对稳定性、交付能力和持续服务提出了更高要求。MiniMax在保留C端增长基础的同时，持续建设企业与开发者服务。这个变化在报表上体现为B端收入同比增长703.1%，在业务上则体现为商业化结构更加均衡。
它给出了一条更清晰的大模型商业化路径：用C端积累品牌认知和产品反馈，用开放模型权重展示能力，用开放平台及企业服务承接规模化需求，再通过工程效率改善单位经济性。
2、开源与商业化可以同时推进
直播里有一组信息很值得关注：
据MiniMax管理层在业绩交流会上介绍，H3开放模型权重三周多后，累计下载量已超过2400万次，社区出现300多个公开衍生模型。管理层同时表示，开发者社区的热度也传导至官方线上服务，API调用量快速增长。
[图片]
2026年7月，MiniMax平台Token消耗量已经达到1月的20倍。20倍提供了收入之外的另一重观察：8亿美元是ARR，Token消耗量则反映模型调用需求正在快速放大。
开发者可以先在开源社区验证模型能力，再根据稳定性、效率和服务需求选择官方API，这缩短了从能力验证到实际部署的路径。
开放模型权重降低了开发者验证能力的门槛。长期竞争力仍取决于持续迭代、工程优化和服务质量。开源也由此成为开发者触达、产品验证和生态建设的重要渠道。
3、效率如何进入财务报表
收入增长之外，MiniMax反复强调的另一个关键词是效率。
管理层提出，只有持续降低单位智能成本，才有可能把更高水平的智能提供给更多用户。智能水平与性价比需要通过工程效率同时提升。
这份效率已经反映到财务数据中。2026年上半年，MiniMax毛利同比增长464.8%，毛利率从12.1%提升至17.9%。
公司披露，其ETTR，也就是有效训练时间比，已经达到97%，意味着训练基础设施在绝大多数时间里都处于有效训练状态。
这组数字体现了工程效率对单位成本和毛利率的支撑。模型能力、调用规模和基础设施效率同时提升，才能让性价比转化为长期增长能力。
4、门推开之后
MiniMax管理层判断，除了编程之外，多模态生成可能成为AGI商业化的重要市场，H3是这条路径上的一个新起点。
按照MiniMax公开的H3技术说明，语言被视为连接多模态任务的桥梁，模型可以统一理解文本、图像、视频和音频构成的上下文，并据此完成生成。
[图片]
语言能力由此更深地参与多模态上下文理解，让视觉生成获得更细致的语义理解和指令遵循能力。
对于影视、广告、电商、游戏、教育等依赖视觉生产的行业，那些过去需要多个工具和多轮修改才能完成的内容，有望被重新组织。
1998年那个公开代码的春天，网景的工程师们并不知道二十多年后世界会长成什么样。他们只是在一个必须选择的时刻，选择了开放。
8亿美元ARR只是当下的一个切片，上半年的业绩增长、H3开放模型权重后的社区表现以及基础设施效率，共同提供了一次阶段性验证：开放与收入增长可以并行，B端扩张也可以与C端增长同时发生，效率提升同样可以支持更高水平的智能。
开放、商业化与效率三条路径，在这个阶段形成了相互支撑。
随着业务规模继续扩大，保持开放与迭代速度将成为下一阶段的关键。MiniMax已经用这份中报展示了增长、商业化与效率相互支撑的阶段性成果。
0 00
上个月的WAIC「AI创作者之夜」上朱雷蒙说了句让我停了很久的话：用技术创造快乐，用肉体感受痛苦，因为不经历痛苦便无从真正创作。
10个创作者里九个在用AI了，「会用AI」早就是入场券不是门票。那真正的门票是什么？你在某个情绪节点多停两帧的本能，你偏好暖色温的执念，这些叠加起来叫「频率」。
PixLight 2026把这件事变成了一道命题：Find Your Frequency。
AI能模拟一切像素，但模拟不了你。
10个创作者里九个在用AI了，「会用AI」早就是入场券不是门票。那真正的门票是什么？你在某个情绪节点多停两帧的本能，你偏好暖色温的执念，这些叠加起来叫「频率」。
PixLight 2026把这件事变成了一道命题：Find Your Frequency。
AI能模拟一切像素，但模拟不了你。
0 00
垂类AI今年持续有新应用出现，但前两年热度很高或者说时不时都冒出来一个人在做的旅行AI像是销声匿迹。前两年的所有人搞旅行AI都在卷行程规划，但行程规划从来不是旅行里最重要或者说最有必要的部分，毕竟p人懒得做，j人不需要AI做。而预订机酒门票、退改签、值机选座、接送机预约、酒店服务、发票报销等等这些连接真实世界的事没有AI在管。
作为旅行垂类应用飞猪最近发布的飞猪帮帮在旅行规划上增加了发社交媒体比如小红书上的攻略直接生成可下单行程、可以一句话帮你值机、帮你退改签甚至是帮你打电话给酒店升房，旅行中这些琐碎又麻烦的事儿AI真被“减负”掉了。
最关键的是「边聊边订」，对话里说出需求，出来的不是建议清单，而是实时可以预订的真实商品，包括你在跟AI聊你的旅游中的景区门票、酒店需求、机票需求，随时聊出来的都能订，不需要再根据回答一个个去搜索、比价。
当然这个产品应该还在初期，覆盖度一般，但方向上和以往的AI的区别很明显：收集市面上的信息整合成行程攻略是一件复杂但基础的事儿，真帮用户把事办了才是现实需要的服务
作为旅行垂类应用飞猪最近发布的飞猪帮帮在旅行规划上增加了发社交媒体比如小红书上的攻略直接生成可下单行程、可以一句话帮你值机、帮你退改签甚至是帮你打电话给酒店升房，旅行中这些琐碎又麻烦的事儿AI真被“减负”掉了。
最关键的是「边聊边订」，对话里说出需求，出来的不是建议清单，而是实时可以预订的真实商品，包括你在跟AI聊你的旅游中的景区门票、酒店需求、机票需求，随时聊出来的都能订，不需要再根据回答一个个去搜索、比价。
当然这个产品应该还在初期，覆盖度一般，但方向上和以往的AI的区别很明显：收集市面上的信息整合成行程攻略是一件复杂但基础的事儿，真帮用户把事办了才是现实需要的服务
1 00
7月16日晚K3正式发布，2.8万亿参数，全球最大开源模型。
发布24小时不到，Arena.ai前端代码竞技场的排行榜出现了过去两年从未有过的画面：
第一名，kimi-k3，1679分。第二名，claude-fable-5，1631分。第三名，gpt-5.6-sol，1618分。
[图片]
一个中国开源模型，把当前领头的两个美国闭源旗舰压在了下面。
核心能力
2.8万亿参数是什么概念？目前排名最高的开源模型DeepSeek V4 Pro是1.6万亿，K3直接高出了75%。
但参数不是唯一的衡量标准，K3真正值得关注的是几个具体的能力：
原生视觉理解，K3可以边看截图边改代码。它不是把视觉当附加能力，而是把看到的内容实时纳入编程循环。
做前端开发、游戏开发、CAD工作流时，这意味着它能自己看到渲染结果，然后决定下一步改什么，不需要你把问题反复解释一遍。
100万token上下文，大约相当于一次性处理75万个单词，足以容纳一个完整的中型代码库、几本书的文献、或者一个长达数小时的会议记录。
而且K3专门针对长程任务不掉线做了优化，不只是装得下，而是能从头看到尾还记得前面说了什么。
前端代码全球第一，Arena.ai的WebDev排行榜用的是真实开发者的盲测投票，同一道题交给两个匿名模型，用户用之后投票，投完才告诉你选的是谁。
[图片]
在这个最难被品牌效应干扰的测试里，K3从自家上一代K2.6的第18名，一跃到了第1名。
官方公布的六项编程评测里，K3、Fable5和GPT-5.6 sol分别占据两个榜单的榜首。
有一个细节在大多数测评文章里被忽略了，但很重要：
评测结果附注里明确写着，Fable 5 的数据含potential fallbacks，GPT-5.6 Sol 的数据含cyberguards，而 K3 没有这两个标注，它跑出的是干净成绩。
[图片]
也就是说当 Fable 5 遇到它处理不了的任务时，可以触发备用方案；K3 没有，靠的是模型本身。
定价高，但对标的是谁
说到价格，要先搞清楚K3在跟谁竞争。
K3的API输出价是¥100/百万token，比自家上一代涨了将近四倍。有人觉得贵，但这个贵是跟什么比的？
[图片]
如果跟DeepSeekV4比，确实贵很多。DeepSeek的定价策略是极致低价走量，两者根本不是同一个赛道。
就像你不会拿DeepSeek去问为什么比记事本贵一个道理，它们的目标场景不一样。
真正和K3竞争的是Claude Fable 5和GPT-5.6 Sol。这两个是目前综合能力排名全球前两位的模型。
K3的综合排名是第四，价格呢？
Claude Fable5输出价约¥182/百万token，K3是它的55%。GPT-5.6Sol输出价约¥109，K3几乎持平。用接近世界第二的能力，付它一半的价钱，这才是K3真正的价格故事。
这件事更大的意义
K3的发布不只是月之暗面推出了一个新模型。
去年这时候，没有人会认真讨论中国模型值不值国际顶级模型的定价，今天这个问题有了一个正式的答案。
Mozilla的CTO在接受采访时直接说了：现在这就是一个双边竞争的问题。
美国AI实验室的CEO们在华盛顿游说限制开源模型出口，而这个类别的领头羊，是中国公司。
你去游说限制的东西，一定是你觉得有威胁的东西。
有观察者算过：一年前大家说中美AI差距是6个月，半年前说3个月，现在最新的估计是1.5个月。
而K3的综合能力表现，是目前支撑这个差距在快速缩小判断最硬的证据之一。
[图片]
当然一次发布不等于持续领先，Fable 5.1据传已经在路上，GPT-6也比想象中近。
K3坐上第一的时间能维持多久，还要看接下来几个月。
但这件事本身的意义是清楚的：开源模型第一次具备了跟最强闭源模型正面叫板的能力，而做到这件事的，是一家中国公司。
发布24小时不到，Arena.ai前端代码竞技场的排行榜出现了过去两年从未有过的画面：
第一名，kimi-k3，1679分。第二名，claude-fable-5，1631分。第三名，gpt-5.6-sol，1618分。
[图片]
一个中国开源模型，把当前领头的两个美国闭源旗舰压在了下面。
核心能力
2.8万亿参数是什么概念？目前排名最高的开源模型DeepSeek V4 Pro是1.6万亿，K3直接高出了75%。
但参数不是唯一的衡量标准，K3真正值得关注的是几个具体的能力：
原生视觉理解，K3可以边看截图边改代码。它不是把视觉当附加能力，而是把看到的内容实时纳入编程循环。
做前端开发、游戏开发、CAD工作流时，这意味着它能自己看到渲染结果，然后决定下一步改什么，不需要你把问题反复解释一遍。
100万token上下文，大约相当于一次性处理75万个单词，足以容纳一个完整的中型代码库、几本书的文献、或者一个长达数小时的会议记录。
而且K3专门针对长程任务不掉线做了优化，不只是装得下，而是能从头看到尾还记得前面说了什么。
前端代码全球第一，Arena.ai的WebDev排行榜用的是真实开发者的盲测投票，同一道题交给两个匿名模型，用户用之后投票，投完才告诉你选的是谁。
[图片]
在这个最难被品牌效应干扰的测试里，K3从自家上一代K2.6的第18名，一跃到了第1名。
官方公布的六项编程评测里，K3、Fable5和GPT-5.6 sol分别占据两个榜单的榜首。
有一个细节在大多数测评文章里被忽略了，但很重要：
评测结果附注里明确写着，Fable 5 的数据含potential fallbacks，GPT-5.6 Sol 的数据含cyberguards，而 K3 没有这两个标注，它跑出的是干净成绩。
[图片]
也就是说当 Fable 5 遇到它处理不了的任务时，可以触发备用方案；K3 没有，靠的是模型本身。
定价高，但对标的是谁
说到价格，要先搞清楚K3在跟谁竞争。
K3的API输出价是¥100/百万token，比自家上一代涨了将近四倍。有人觉得贵，但这个贵是跟什么比的？
[图片]
如果跟DeepSeekV4比，确实贵很多。DeepSeek的定价策略是极致低价走量，两者根本不是同一个赛道。
就像你不会拿DeepSeek去问为什么比记事本贵一个道理，它们的目标场景不一样。
真正和K3竞争的是Claude Fable 5和GPT-5.6 Sol。这两个是目前综合能力排名全球前两位的模型。
K3的综合排名是第四，价格呢？
Claude Fable5输出价约¥182/百万token，K3是它的55%。GPT-5.6Sol输出价约¥109，K3几乎持平。用接近世界第二的能力，付它一半的价钱，这才是K3真正的价格故事。
这件事更大的意义
K3的发布不只是月之暗面推出了一个新模型。
去年这时候，没有人会认真讨论中国模型值不值国际顶级模型的定价，今天这个问题有了一个正式的答案。
Mozilla的CTO在接受采访时直接说了：现在这就是一个双边竞争的问题。
美国AI实验室的CEO们在华盛顿游说限制开源模型出口，而这个类别的领头羊，是中国公司。
你去游说限制的东西，一定是你觉得有威胁的东西。
有观察者算过：一年前大家说中美AI差距是6个月，半年前说3个月，现在最新的估计是1.5个月。
而K3的综合能力表现，是目前支撑这个差距在快速缩小判断最硬的证据之一。
[图片]
当然一次发布不等于持续领先，Fable 5.1据传已经在路上，GPT-6也比想象中近。
K3坐上第一的时间能维持多久，还要看接下来几个月。
但这件事本身的意义是清楚的：开源模型第一次具备了跟最强闭源模型正面叫板的能力，而做到这件事的，是一家中国公司。
0 00
微软CEO纳德拉设想了这样一个未来：2万名员工与2000万个智能体协同工作。
这句话的真正意义不在于数字，而在于它抛出了一个全行业都在回避的问题：这2000万个Agent在做什么？做得怎样？值不值得继续投入？
过去一年，整个行业的答案是看Token。
Meta员工为刷Token排行榜疯狂调用模型，30天消耗60万亿Token；Uber四个月烧完全年AI预算；微软因Token成本超过员工成本被迫叫停vibe coding；亚马逊关闭内部排行榜。
就在7月1日，Palantir CEO直接开骂：Token这套模式彻底出了问题。
问题的根源很清楚：Token衡量的是投入不是产出，是成本不是价值。
百度创始人李彦宏在今年5月给出了另一个答案：
DAA（日活智能体数）。不问今天烧了多少Token，而是问每天有多少个Agent在给人干活、完成了任务、交付了结果。
纳德拉的2000万，恰好指向了DAA这类产出侧指标的必要性：当智能体规模达到百万级，你不可能靠看Token账单来管理，你必须知道有多少Agent真正在交付结果。
纳德拉在同一场对话里还谈到了治理：身份、沙盒、审计、可观测性。
DAA和治理，一个看产出一个保安全，共同构成企业规模化Agent的两块基石。
Agent时代不缺工具，缺的是看清价值的能力。而DAA正在帮行业把这个问题问对。
这句话的真正意义不在于数字，而在于它抛出了一个全行业都在回避的问题：这2000万个Agent在做什么？做得怎样？值不值得继续投入？
过去一年，整个行业的答案是看Token。
Meta员工为刷Token排行榜疯狂调用模型，30天消耗60万亿Token；Uber四个月烧完全年AI预算；微软因Token成本超过员工成本被迫叫停vibe coding；亚马逊关闭内部排行榜。
就在7月1日，Palantir CEO直接开骂：Token这套模式彻底出了问题。
问题的根源很清楚：Token衡量的是投入不是产出，是成本不是价值。
百度创始人李彦宏在今年5月给出了另一个答案：
DAA（日活智能体数）。不问今天烧了多少Token，而是问每天有多少个Agent在给人干活、完成了任务、交付了结果。
纳德拉的2000万，恰好指向了DAA这类产出侧指标的必要性：当智能体规模达到百万级，你不可能靠看Token账单来管理，你必须知道有多少Agent真正在交付结果。
纳德拉在同一场对话里还谈到了治理：身份、沙盒、审计、可观测性。
DAA和治理，一个看产出一个保安全，共同构成企业规模化Agent的两块基石。
Agent时代不缺工具，缺的是看清价值的能力。而DAA正在帮行业把这个问题问对。
0 00
上世纪80年代电子表格软件开始进入美国办公室，一批会计、文员、打字员发现自己干了十几年的活，一个叫VisiCalc的软件几分钟就能跑完。
有些人学了，有些人没学。
后来经济学家回头看这批人的数据，发现了一个冷到发慌的结论：
没有适应电子表格的那群人，终身收入下降超过五分之一，甚至失业后第一年的死亡率翻了一倍。
不是比喻，是真的死亡率翻倍。
这个数据来自MasterClass CEO David Rogier，他在最近一期和李飞飞的对谈里提到的。
他想说的不是吓人，是一个很朴素的规律：每一轮技术变革都会制造分化，但每一轮的分化方式不一样。
这一轮，长什么样？
1.杠铃的两端
David Rogier给出了一个判断，他管它叫杠铃效应。
未来10年，职场会分化成两种人：
一种是顶级专才，在自己的领域做到前1%，AI追不上他们的深度和独创性。
另一种是高能动性通才，能熟练地把AI工具塞进各种任务里靠的不是某项单一技能，是判断力。
他自己就是后者的活标本，他用Claude Code在周末搭了一整套CEO工作流App，待办清单、写作助手、团队沟通工具，全是自己造的。
以前这些东西要一个小团队干几个月，现在他一个人周末搞定。
他还造了一个叫David-ify的工具，把自己写过的邮件和说过的话喂进去，团队需要用他的口吻写东西时直接调用。
说白了，一个人就是一支队伍。
但真正值得注意的不是两端，是中间。
AI把大多数技能的及格线拉到了80分，以前你是个还不错的文案，能写出七八十分的东西，这就是你的饭碗。
现在任何一个会用LLM的人，花十分钟就能产出差不多水平的内容。
"还行"变成了最危险的位置。
你要么往上钻，钻到那个领域的前1%让AI追不上你。要么横向撑开，像David Rogier那样把自己变成一个能调度多种工具的节点。
中间那个"差不多先生"的舒适区，正在塌。
2.产品经理是标本
李飞飞举了一个她最熟悉的例子：产品经理。
五年前，PM这个岗位的标准工作流是这样的：
你有一个想法，先去找设计师出原型，再找工程师把原型跑起来，然后发给用户收集反馈，综合反馈之后再迭代。
一个完整的循环需要几个月。
现在呢？李飞飞说她看到的年轻PM，很多人自己就能vibe code一个原型出来。不用等设计师，不用等工程师。
AI还能模拟用户行为，帮你跑反馈，整个周期从月压缩到天。
她招PM的时候，不看谁背得出教科书流程，看谁在骑浪。
但这件事不只跟产品经理有关，所有知识工作都在经历同一种压缩：
写方案、做调研、搭原型、跑数据，这些原本分散在不同岗位里的任务，现在一个人加一套工具就能串起来。
一个人干了原来三个岗位的活，不是因为更能卷，是因为工具把岗位之间的边界磨掉了。
敢往外推的人吃到了原来一整条流水线的红利，而守着自己那一小块地的人发现地越来越小。
3.别被"智能成本归零"骗了
聊到这里，李飞飞做了一个很重要的纠偏。
有一种说法在硅谷很流行：智能的成本正在降为零。她对这句话非常警惕。
因为人类智能不只是语言，你知道怎么在三维空间里移动、判断距离，这是空间智能。
你能控制身体完成精细动作，这是物理智能。
你能读懂一个人没说出口的东西，这是情感智能。
还有创造力，创造力从哪来，科学到现在也没搞清楚。
当前的AI主要覆盖的是语言智能这一层。语言是"有损"的，你没法通过阅读学会投篮，你没法用文字学会叠衣服。
李飞飞现在做的World Labs，就是在啃空间智能这块硬骨头。
她说进化花了5亿年才让动物的空间智能成熟，语言智能的进化快得多，空间智能是更古老、更底层的能力。
所以两种误判都很危险：一种是觉得AI马上要替代一切的人，高估了当前技术的覆盖面。另一种则认为AI跟自己没关系的人，低估了语言智能这一层已经在发生的放大效应。
AI不是在替代你，它在放大你。
但如果你站着不动，放大的就是你和别人之间的差距。
4. 能动性是肌肉
说回那两种人，不管你想走专才路线还是通才路线，底层都需要同一样东西。
李飞飞给了它一个名字：Agency能动性。
"创业者"这个词在硅谷被窄化了，好像只有注册一家Delaware公司才叫创业者。
她不同意这个观点，她觉得创业者就是能动性的同义词。
你可以是一个医生，一个K12老师，一个会计，只要你敢主动驾驭工具、推动变化，你就是创业者。
David Rogier把能动性拆得更具体，他说能动性包括敢冒险、能从失败里学东西、有韧性、有好奇心。
但最反直觉的一条是：能动性几乎是对"寻求赞美"这种社会惯性的反叛。
他讲了自己创办MasterClass的经历，当时所有人都说这是一个不可能的想法，这是一个烂主意。对于一个从小被训练成追求表扬的人来说，这种否定很难扛。
但后来他想通了一件事：如果所有人都觉得你的想法好，那它大概率不是个好想法。
能动性不是天赋，是可以练的。
David Rogier自己有一个微操叫"1.5天原则"：
任何任务如果在待办清单上躺了超过36个小时，就必须三选一：现在就做，删掉，转给别人。不允许第四个选项出现。
这个小规则逼着你对每一件事做决定，而不是让事情自然淤积，能动性就是从这种日常的小肌肉开始练的。
5
对谈快结束的时候，主持人问李飞飞：对那些想接触AI但不知道从哪开始的年纪稍长的普通人，你有什么建议？
她说了一段很朴素的话：
找一个你信任的年轻人，25岁以下的，你的孩子、侄子、学生都行。他们几乎都在用AI了，让他们带你用一次。不用担心自己不懂计算机，不用纠结该打开哪个App，就这个周末让他拉着你走一遍。
你会发现这个东西没那么吓人。
如果你用完之后觉得它有问题、不完美，那更好。
因为你知道问题在哪了，你的声音就有了重量。
有些人学了，有些人没学。
后来经济学家回头看这批人的数据，发现了一个冷到发慌的结论：
没有适应电子表格的那群人，终身收入下降超过五分之一，甚至失业后第一年的死亡率翻了一倍。
不是比喻，是真的死亡率翻倍。
这个数据来自MasterClass CEO David Rogier，他在最近一期和李飞飞的对谈里提到的。
他想说的不是吓人，是一个很朴素的规律：每一轮技术变革都会制造分化，但每一轮的分化方式不一样。
这一轮，长什么样？
1.杠铃的两端
David Rogier给出了一个判断，他管它叫杠铃效应。
未来10年，职场会分化成两种人：
一种是顶级专才，在自己的领域做到前1%，AI追不上他们的深度和独创性。
另一种是高能动性通才，能熟练地把AI工具塞进各种任务里靠的不是某项单一技能，是判断力。
他自己就是后者的活标本，他用Claude Code在周末搭了一整套CEO工作流App，待办清单、写作助手、团队沟通工具，全是自己造的。
以前这些东西要一个小团队干几个月，现在他一个人周末搞定。
他还造了一个叫David-ify的工具，把自己写过的邮件和说过的话喂进去，团队需要用他的口吻写东西时直接调用。
说白了，一个人就是一支队伍。
但真正值得注意的不是两端，是中间。
AI把大多数技能的及格线拉到了80分，以前你是个还不错的文案，能写出七八十分的东西，这就是你的饭碗。
现在任何一个会用LLM的人，花十分钟就能产出差不多水平的内容。
"还行"变成了最危险的位置。
你要么往上钻，钻到那个领域的前1%让AI追不上你。要么横向撑开，像David Rogier那样把自己变成一个能调度多种工具的节点。
中间那个"差不多先生"的舒适区，正在塌。
2.产品经理是标本
李飞飞举了一个她最熟悉的例子：产品经理。
五年前，PM这个岗位的标准工作流是这样的：
你有一个想法，先去找设计师出原型，再找工程师把原型跑起来，然后发给用户收集反馈，综合反馈之后再迭代。
一个完整的循环需要几个月。
现在呢？李飞飞说她看到的年轻PM，很多人自己就能vibe code一个原型出来。不用等设计师，不用等工程师。
AI还能模拟用户行为，帮你跑反馈，整个周期从月压缩到天。
她招PM的时候，不看谁背得出教科书流程，看谁在骑浪。
但这件事不只跟产品经理有关，所有知识工作都在经历同一种压缩：
写方案、做调研、搭原型、跑数据，这些原本分散在不同岗位里的任务，现在一个人加一套工具就能串起来。
一个人干了原来三个岗位的活，不是因为更能卷，是因为工具把岗位之间的边界磨掉了。
敢往外推的人吃到了原来一整条流水线的红利，而守着自己那一小块地的人发现地越来越小。
3.别被"智能成本归零"骗了
聊到这里，李飞飞做了一个很重要的纠偏。
有一种说法在硅谷很流行：智能的成本正在降为零。她对这句话非常警惕。
因为人类智能不只是语言，你知道怎么在三维空间里移动、判断距离，这是空间智能。
你能控制身体完成精细动作，这是物理智能。
你能读懂一个人没说出口的东西，这是情感智能。
还有创造力，创造力从哪来，科学到现在也没搞清楚。
当前的AI主要覆盖的是语言智能这一层。语言是"有损"的，你没法通过阅读学会投篮，你没法用文字学会叠衣服。
李飞飞现在做的World Labs，就是在啃空间智能这块硬骨头。
她说进化花了5亿年才让动物的空间智能成熟，语言智能的进化快得多，空间智能是更古老、更底层的能力。
所以两种误判都很危险：一种是觉得AI马上要替代一切的人，高估了当前技术的覆盖面。另一种则认为AI跟自己没关系的人，低估了语言智能这一层已经在发生的放大效应。
AI不是在替代你，它在放大你。
但如果你站着不动，放大的就是你和别人之间的差距。
4. 能动性是肌肉
说回那两种人，不管你想走专才路线还是通才路线，底层都需要同一样东西。
李飞飞给了它一个名字：Agency能动性。
"创业者"这个词在硅谷被窄化了，好像只有注册一家Delaware公司才叫创业者。
她不同意这个观点，她觉得创业者就是能动性的同义词。
你可以是一个医生，一个K12老师，一个会计，只要你敢主动驾驭工具、推动变化，你就是创业者。
David Rogier把能动性拆得更具体，他说能动性包括敢冒险、能从失败里学东西、有韧性、有好奇心。
但最反直觉的一条是：能动性几乎是对"寻求赞美"这种社会惯性的反叛。
他讲了自己创办MasterClass的经历，当时所有人都说这是一个不可能的想法，这是一个烂主意。对于一个从小被训练成追求表扬的人来说，这种否定很难扛。
但后来他想通了一件事：如果所有人都觉得你的想法好，那它大概率不是个好想法。
能动性不是天赋，是可以练的。
David Rogier自己有一个微操叫"1.5天原则"：
任何任务如果在待办清单上躺了超过36个小时，就必须三选一：现在就做，删掉，转给别人。不允许第四个选项出现。
这个小规则逼着你对每一件事做决定，而不是让事情自然淤积，能动性就是从这种日常的小肌肉开始练的。
5
对谈快结束的时候，主持人问李飞飞：对那些想接触AI但不知道从哪开始的年纪稍长的普通人，你有什么建议？
她说了一段很朴素的话：
找一个你信任的年轻人，25岁以下的，你的孩子、侄子、学生都行。他们几乎都在用AI了，让他们带你用一次。不用担心自己不懂计算机，不用纠结该打开哪个App，就这个周末让他拉着你走一遍。
你会发现这个东西没那么吓人。
如果你用完之后觉得它有问题、不完美，那更好。
因为你知道问题在哪了，你的声音就有了重量。
0 01
用AI查信息这件事，我最近有个新体感。
同一个问题，换一个搜索层，答案会完全不一样。
之前一直以为AI给的信息差，是模型的问题。后来才发现，模型能给你什么，取决于它能搜到什么。金融行情、安全数据库、法律判例这些，根本不在公开网页上，通用搜索够不到，AI自然也看不见。
它不是在骗你，是它本来就没看到。
AnySearch解决的就是这一层。它把这些垂直数据源统一接进来，Agent发一个查询，自动路由到对应的库，返回结构化结果，直接可用。不用手动指定去哪搜，也不用自己清洗格式。
我实测了一个安全漏洞查询，同一个问题，普通搜索给的是博客二手报道，AnySearch走原始数据库，多了双评分体系、完整攻击路径、三条缓解措施。
差距不在模型，在数据入口。
同一个问题，换一个搜索层，答案会完全不一样。
之前一直以为AI给的信息差，是模型的问题。后来才发现，模型能给你什么，取决于它能搜到什么。金融行情、安全数据库、法律判例这些，根本不在公开网页上，通用搜索够不到，AI自然也看不见。
它不是在骗你，是它本来就没看到。
AnySearch解决的就是这一层。它把这些垂直数据源统一接进来，Agent发一个查询，自动路由到对应的库，返回结构化结果，直接可用。不用手动指定去哪搜，也不用自己清洗格式。
我实测了一个安全漏洞查询，同一个问题，普通搜索给的是博客二手报道，AnySearch走原始数据库，多了双评分体系、完整攻击路径、三条缓解措施。
差距不在模型，在数据入口。
2 00
“人还是会拼命，还是会有压力，还是会不快乐。”
Sam Altman在近期的一档访谈中提出了这样的观点，但说到这句话的时候他停了一下。
这句话的背景是：AI即将创造人类历史上从未有过的物质富足。
我听到这里，有点愣。一个正在把这件事变成现实的人，对未来给出的判断不是"从此过上了幸福的生活"，而是人还是会拼，还是会苦，还是会不满足。
幸运还是不幸，取决于你怎么看。
1
人类管理稀缺，已经管了几千年了。从部落分猎物到发明货币，到今天打工人盯着KPI，底层逻辑从来没变过：
资源有限所以要竞争，竞争决定分配。
这条链子是真实的，几千年来它让人类持续往前跑，停不下来也不敢停。
在此之前Sam在另一个场合说他脑子里一直转着一句话：几千年来人类学会了如何管理稀缺，现在要迅速学会相反的事，管理富足。
他坦白说这件事让他困惑，"如果有个简单的共识答案，我们早就做了，所以我不认为任何人知道该怎么办。"
造出ChatGPT的人，公开说他不知道该怎么办。
现在想想这条链子，AI正在把它的前几个环节悄悄拆掉。
当一个系统可以在30秒内完成你原本要做3小时的事，不干有的是人干吃这个几千年来最稳定的驱动力，真的开始松动了。
链子松了但人还挂在上面，只不过绝大多数人还没想好要不要跳下去。
2
不用等到AI消灭所有工作那天，这个感觉现在已经有人在经历了。
那些靠AI把效率拉高了好几倍的人，在突然发现自己有大量空余时间的时候并不知道应该拿来干什么。
任务提前完成，下午两点就没事干了，刷了一会儿手机，反而觉得更空洞。
我自己也有过这种下午，用AI压缩完工作之后，坐在那里开始有点无所事事，甚至要假装自己还在忙。
不是累，是不知道这个空出来的时间该填什么，好像从来没练习过不为了完成任务而存在这件事。
Sam提到人类对成就的渴望、对竞争的渴望、想要对彼此有用的渴望，这些东西不会因为不缺钱就消失。
"我们想要更多，标准就会一直在涨，想推进新事物，就会发现新边界。"
这不是稀缺逼出来的，是人本来就这样。
当AI把人类顶尖棋手碾压之后，象棋比赛没有消失，参与人数反而还在涨。"战胜所有人类"这个目标已经悄悄换了意义，因为真正的天花板不再是人了。
竞争的靶子换掉了，但人还是在下棋，还是很认真。
3
这里有一层更隐蔽的东西。
很多人现在拼命，不是因为喜欢而是因为停下来会恐慌。
这两件事看起来像一回事，其实完全不同。
工作塞满了时间，也塞满了"我有用"的感觉。很多时候人需要觉得自己有用，需要被需要，这个需求好像比物质需求更底层。
稀缺经济恰好给每个人都提供了一套现成的证明：你的收入、你的职位、你完成任务的速度，都是可以量化的，可以和别人比的，比赢了就是有用。
但当AI让这些东西的获取变得更容易，这套证明就开始变轻了。
不是工作消失了，而是因为完成工作而获得的价值感开始缩水了。
这是一个比失业更隐蔽的问题，失业是立即能够感受到的，但价值感缩水是慢慢渗进来的。等你意识到它的存在，可能已经不知道从哪里找补了。
4
马拉松这项运动，除了头几名其他人跑完了什么都没有，甚至还可能会面对一些潜在身体风险。但每年还是有几百万人去跑，跑得很痛苦，但跑完很满足。
Sam那句人还是会拼命，还是会有压力，还是会不快乐，我现在觉得他说的不是坏消息。他想表达的是人对有意义的困难的需求，AI拆不掉，只是会改变它的形式。
被迫承受困难和主动选择困难，对一个人来说是完全不同的两种活法。
AI正在把选择权还给你，但它没有告诉你该选什么。
Sam Altman在近期的一档访谈中提出了这样的观点，但说到这句话的时候他停了一下。
这句话的背景是：AI即将创造人类历史上从未有过的物质富足。
我听到这里，有点愣。一个正在把这件事变成现实的人，对未来给出的判断不是"从此过上了幸福的生活"，而是人还是会拼，还是会苦，还是会不满足。
幸运还是不幸，取决于你怎么看。
1
人类管理稀缺，已经管了几千年了。从部落分猎物到发明货币，到今天打工人盯着KPI，底层逻辑从来没变过：
资源有限所以要竞争，竞争决定分配。
这条链子是真实的，几千年来它让人类持续往前跑，停不下来也不敢停。
在此之前Sam在另一个场合说他脑子里一直转着一句话：几千年来人类学会了如何管理稀缺，现在要迅速学会相反的事，管理富足。
他坦白说这件事让他困惑，"如果有个简单的共识答案，我们早就做了，所以我不认为任何人知道该怎么办。"
造出ChatGPT的人，公开说他不知道该怎么办。
现在想想这条链子，AI正在把它的前几个环节悄悄拆掉。
当一个系统可以在30秒内完成你原本要做3小时的事，不干有的是人干吃这个几千年来最稳定的驱动力，真的开始松动了。
链子松了但人还挂在上面，只不过绝大多数人还没想好要不要跳下去。
2
不用等到AI消灭所有工作那天，这个感觉现在已经有人在经历了。
那些靠AI把效率拉高了好几倍的人，在突然发现自己有大量空余时间的时候并不知道应该拿来干什么。
任务提前完成，下午两点就没事干了，刷了一会儿手机，反而觉得更空洞。
我自己也有过这种下午，用AI压缩完工作之后，坐在那里开始有点无所事事，甚至要假装自己还在忙。
不是累，是不知道这个空出来的时间该填什么，好像从来没练习过不为了完成任务而存在这件事。
Sam提到人类对成就的渴望、对竞争的渴望、想要对彼此有用的渴望，这些东西不会因为不缺钱就消失。
"我们想要更多，标准就会一直在涨，想推进新事物，就会发现新边界。"
这不是稀缺逼出来的，是人本来就这样。
当AI把人类顶尖棋手碾压之后，象棋比赛没有消失，参与人数反而还在涨。"战胜所有人类"这个目标已经悄悄换了意义，因为真正的天花板不再是人了。
竞争的靶子换掉了，但人还是在下棋，还是很认真。
3
这里有一层更隐蔽的东西。
很多人现在拼命，不是因为喜欢而是因为停下来会恐慌。
这两件事看起来像一回事，其实完全不同。
工作塞满了时间，也塞满了"我有用"的感觉。很多时候人需要觉得自己有用，需要被需要，这个需求好像比物质需求更底层。
稀缺经济恰好给每个人都提供了一套现成的证明：你的收入、你的职位、你完成任务的速度，都是可以量化的，可以和别人比的，比赢了就是有用。
但当AI让这些东西的获取变得更容易，这套证明就开始变轻了。
不是工作消失了，而是因为完成工作而获得的价值感开始缩水了。
这是一个比失业更隐蔽的问题，失业是立即能够感受到的，但价值感缩水是慢慢渗进来的。等你意识到它的存在，可能已经不知道从哪里找补了。
4
马拉松这项运动，除了头几名其他人跑完了什么都没有，甚至还可能会面对一些潜在身体风险。但每年还是有几百万人去跑，跑得很痛苦，但跑完很满足。
Sam那句人还是会拼命，还是会有压力，还是会不快乐，我现在觉得他说的不是坏消息。他想表达的是人对有意义的困难的需求，AI拆不掉，只是会改变它的形式。
被迫承受困难和主动选择困难，对一个人来说是完全不同的两种活法。
AI正在把选择权还给你，但它没有告诉你该选什么。
1 00