我们似乎总陷入同一种错觉：为即将到来的一年设想天翻地覆的剧变，却对接下来十年间，那些细微改变累积而成的深远重塑视而不见。此刻，站在2026年的开端，我们恰恰身处这“高估”与“低估”的缝隙里。潮水并未如预言般汹涌淹至，但它润湿大地的深度，已远超我们的想象。

虾兵已经来了，蟹将还会远吗？

a16z不久前发布了第六期AI产品百强榜，乍看之下都是数字和排名，但若仔细拆解，则会发现几个藏在数据背后的信号。

一、ChatGPT的平台梦正在成形

报告里提到几个关键动作：群聊（社交网络效应）、应用商店（开发者生态）、ChatGPT账号登录（身份和记忆层）。这三件事同时推进，说明OpenAI的目标已经非常清晰：它不满足于只做一个应用，而是想做下一代互联网的底层账号系统。

这意味着它正在从一个“思考工具”变成“生活服务入口”，这条路并没有错，只是说你将会越来越难在它身上找到当初那种惊艳的感觉——因为想要服务所有人，就不能只服务聪明人。

二、Claude的路线其实更值得关注

报告说Claude聚焦专业用户，应用商店侧重金融数据、科研工具，这是御三家中唯一一家选择往深走的。

如果你在做一个需要深度思考的产品，Claude可能是更好的选择，因为它的整个生态设计都在服务于“把事情想透”这个场景。金融数据和科研工具的共同点是：用户愿意为准确性付费，愿意花时间在一个问题上停留。

三、Agent的爆发点不在技术

报告里有两句话值得画重点：一句是“OpenClaw增长已趋平，尚未突破技术圈层”，另一句是“两年后，任何新产品如果不能立刻认识你，用户就会觉得它坏了”。

这两句话连起来就能看清Agent的下一个战场：记忆。

现在的Agent能做很多事，但每次对话都像第一次见面。它不记得你上周聊过的项目，不记得你讨厌什么风格，不记得你习惯怎么被说服。这种永远在冷启动的体验，会让用户用完即走，不会留下来建立长期关系。

报告预判的“产品冷启动将不复存在”，本质上是在说：未来的核心竞争力，是你愿意把多少“上下文窗口”交给它。它能记住你，你才愿意信任它。你信任它，才愿意让它帮你做更复杂的事。

四、Sora的社交实验失败

报告说AI生成内容导出到TikTok、Instagram后，与人类优质内容竞争处于劣势，纯AI内容社交网络尚未成功。

因为AI生成的内容，是对人类已有内容的二阶压缩，它学的是已有的画风、已有的叙事、已有的情绪。而人类爆款内容的本质，是从真实世界里压出来的一阶压缩：那些细微的、无法被数据化的、只有亲身经历才能捕捉到的东西。

这也是为什么纯AI内容社交网络起不来：它只有压缩包，没有源文件。

五、AI采用率的地理大分裂

人均AI采用率靠前的地区分别是新加坡、香港、阿联酋、韩国，美国排第20，中国和俄罗斯则形成了独立的生态系统，由本土产品主导，报告给出的解释是劳动力结构和信任度差异。

但更深一层看，或许是工具信任和伙伴信任的区别。把AI当工具用，信任门槛低，好用就行。把AI当伙伴用，需要它理解你、记住你、替你决策，信任门槛就高得多。

正如报告结尾的判断：当AI从一个独立产品变成无处不在的功能，衡量它的方式也将不得不随之改变。

毕竟做好AI和用好AI本质上是两件完全不同的事。

这是要大力发展水产养殖业了？俗称Xia海

之前跟鹅厂那边交流的时候，就被问到过基模太拉了怎么办？

其实办法挺多的，要是没啥顾忌的话，哪家强用哪家就行了，等自家的模型跟上来再逐步切。

有所顾虑的话也没关系，在工程和场景上做好文章，基模只要够用就好，关键是要搞清楚不是什么活都适合一股脑扔给LLM去干，通用不等于万能。

看来是听劝了......

FaceBook 之所以收购 MoltBook，无外乎两种可能：

1.姜太公钓鱼，愿者上钩——小扎就是那个FOMO的大冤种
2.醉翁之意不在酒——本质上还是为了招募 MoltBook 背后的“营销炒作”高手

看来当下AI圈的核心竞争力还是“会讲故事”

拉长时间轴看，Manus和OpenClaw都是阶段过渡型产物，跟当初的Musical.ly还不是一个维度和量级的机会

经常自己出去吃的一个好处就是不用洗碗，很少排队以及想点啥点啥

脑子是个好东西：参数够大，算力免费，不耗Token，不占显存，不用排队，终身免维护...

唯一的缺点是：很多人舍不得用

我外甥今年过年总共收到了1万元压岁钱，直接步入ARR六位数俱乐部

AI圈最近又吵起来了。

一边说，压缩即智能。AlphaZero没看过一盘人类棋谱，光靠自己跟自己下棋，就学会了顶尖战术。OpenAI o1不需要新数据，只是让模型多想几轮，推理能力就大幅提升。

另一边说，追逐通用人工智能是错的。婴儿在学会说话之前，早就知道东西会掉、遮挡物后面有东西。这些本事不是看书看来的，是摔出来的。

两拨人各说各话，就像两个盲人摸象，一个摸到鼻子，一个摸到腿。

其实他们摸的是同一头象。

任何智能系统都面临同一个困境：世界的信息是无限的，而自己的脑子是有限的。唯一的解法是压缩，把无数现象归纳为少数规律。

万有引力是压缩，“火会烫”也是压缩。区别只在于压缩的对象不同。

一种压缩，作用在别人已经压缩好的东西上。你读牛顿的公式，背勾股定理，学别人写好的代码。这是站在前人肩膀上，高效但吃的是存粮。

另一种压缩，直接作用在世界本身。婴儿扔一千次东西，才学会“它会掉”。这一千次试错，就是从世界里硬生生压出因果模型。

语言模型走的是第一条路：吃存粮。它把人类几千年压好的压缩包，拆开、学习、再重组。这很聪明，但存粮有限。数据快用完了，模型越做越大，进步的幅度却在变慢。你不可能只靠反复阅读别人的笔记，就变成一个独立的思想家。

另一条路自己压，无论是物理世界还是数字世界，每一秒都有新的交互在发生，新的反馈在产生。一个算法在股市里亏了钱，一个智能体在游戏里摔了跤，一个AI在对话里说错了话，都在逼它从现实世界里直接学习。这条路没有天花板，因为世界本身是无限的。

书里的知识，是别人给你的压缩包。摔出来的本事，是你自己压出的源文件。“交互”的本质就是获取高维度的、非结构化的反馈信号，所以这两条路并非二选一，而是螺旋上升。

婴儿用身体压出常识，科学家用符号压出规律。前者打地基，后者盖高楼。高楼建起来后，又能指导更高效的地基。

没有地基，高楼会塌。没有高楼，地基只能深埋地下。

因此这场争论的真正价值，不在于谁对谁错。它逼我们回答一个更根本的问题：在算力和资金都有限的条件下，究竟该往哪个方向走？

我的答案是：往“交互”这边挪一挪。

今天的AI，不缺那个读遍群书的科学家，缺的是那个会摔倒、会爬起来、会在真实世界里越活越聪明的婴儿。

倘若眼下的这条路，方向从一开始就是错的，等我们撞上南墙再回头可能就晚了。

而“交互”这条路，目前看似笨重、烧钱、回报慢。但它通向的地方，可能是语言模型永远到不了的。