回头看7年前的文章没有过时，体感不同。知道事物的名字和了解洞察是两回事儿，会做又是另一回事儿。“知”的目的达到了，“行”重复做。保持中庸，而非平庸。

以后可能不是我来指导AI工作，而是AI来指导我工作了，比如AI告诉我：“最近经营数据在走弱，可能相关的风险是这些，会这样影响你的thesis。人儿，去找些上下游聊聊，去跟IR和管理层会面，去田间地头调研”。因为这些AI做不了，哈哈哈哈哈🤣🤣🤣

CC 才用了几天就要换 Max Plan 了🤣🤣, 会完全改变工作方式

为啥都在讲卖Token：AI 时代，云厂商正从卖 Compute 和 Storage Hours，转向卖 Token。表面看，是更细颗粒度的产品封装与计价单位变化；本质上，是一种更先进的商业模式。

过去云计算卖的是基础设施租赁。bare metal、CPU、GPU，本质上都是“设备时间”的售卖：租一块卡、一个实例、几个小时，收入大致与供给规模线性挂钩。扩一倍产能，理论上多一倍收入（不精确但便于理解概念），商业模式更接近“出租机器”。

但在 AI，尤其是推理逐渐成为大头的时代，这种定价方式已经越来越不能准确捕捉真实价值。因为 GPU 不再只是冷冰冰的算力设备，而更像一座持续产出智能的工厂，甚至可以说是一个 intelligence generator。用户真正购买的，不再是“这块卡跑了多久”，而是“系统输出了多少有用智能”。

所以，计费单位从 hours 转向 tokens，不只是计量方式变化，而是产品定义变化：从卖算力投入，变成卖智能产出。且AI时代的东西向计算迸发East-West Traffic （GPU-to-GPU, rack to rack) 又比互联网时代的南北向迸发不是同一个量级。

但进一步说，not all tokens are made equal。词元和词元并不平等。未来真正成熟的 AI 云服务，也不会只是简单按 token 数量统一收费，而会像 Jensen 所暗示的那样，进一步按 throughput 和 latency 分层定价。同样是生成 1 million tokens，低延迟、高吞吐、稳定 SLA、支持更复杂 agent workflow 的 token，显然比慢速、拥堵、质量不稳定的 token 更有价值。届时云厂商卖的就不只是 token，而是不同等级的“智能服务”。

一旦定价锚点从“hours”切换到“tokens × service quality”，收入天花板就被重新打开了。因为供给侧仍然受先进制成、封装、存储、网络互联、电力和系统优化约束，但需求侧的支付意愿，开始不再只对应硬件成本，而是对应业务价值、响应速度和替代人工的程度。

更重要的是，AI 已经不只是在吃 IT 预算，而是在开始吃人力成本预算。

这才是更大的变化。

过去企业买云，更多是为了支撑已有软件系统和数据基础设施，预算池主要来自 IT 部门。但今天企业购买模型与 agent，并不只是为了“运行软件”，而是为了替代部分研究、客服、编程、销售支持、运营、分析等人的工作时间。换句话说，AI 正在从 technology spend 走向 labor substitution。

一旦预算来源从 IT 扩展到 payroll，市场空间的想象力就完全不一样了。企业原来可能愿意为一个软件 seat 支付几十到几百美元一个月；但如果一个 AI 系统真能承担一个高价值白领岗位的部分工作，它对应的定价锚点就不再是 SaaS seat，而是人的工资成本。

从这个角度看，Claude Max 每月 100 美元，其实可能只是一个极早期、极不充分的价格。如果未来的模型真能稳定完成更复杂、更完整、更高价值的知识工作流程甚至进入到物理世界，那么它的合理定价，不应该只参考软件订阅，而应该参考它为用户节省了多少时间、替代了多少人力、创造了多少额外产出。那时，今天看起来“贵”的 AI，回头看可能反而便宜得离谱。

公公，你好🤣

过去三个月随着Opus4.6, GPT4.6, Claude CoWork的出现，大模型迅速跨越了投研工作中的可用性鸿沟，不仅仅是更好用的搜索了。进展太快，难免会有点学习焦虑，焦虑不是因为FOMO，是还没想清楚如何把工具融入古法工作流程中。今天开始上手CC构建，做的过程中看到初步结果就自然想通了如何端到端重新系统化、工程化、自动化的重塑自己的流程。和做企业一样，最怕战略和vision没想明白，一旦想明白，剩下就是执行的事儿，那就没啥好焦虑的了😁😁，进入到欣喜和期待的阶段 so much to do🤭🤭

刚看完Project Hailmary《拯救计划》电影，之前书读了一半，Andrej Karpathy也推荐，看完电影后只想说：

真正能达到《三体》那种规模感 + 工程感 + 思想深度密集度+ 清晰度 + 冷酷感结合的，也只是极少数。很多西方科幻作者要么过于“人物驱动”，要么过于抽象，但缺乏叙事抓力，故事想象力really fell flat，感觉看了场好莱坞爆米花电影，就 meh🤷

亚马逊Audible还有3个credit没消耗，准备用掉后暂停订阅。即友有好的文学、小说、Sci-fi等书籍推荐么（不看商业等偏工具分析类的），需要从日常停下to feel and think😁🤭

从黑白电视到CRT电脑屏幕、从互联网到移动互联网，每一代科技出现的时候幸好都在场，作为AI Native一代，Stay Humble and Keep Learning。10年后世界会是怎样，作为个体站在当下依然是开着战争迷雾，无法预见，and that intrigues the curious mind

为避免教条主义从反面挑战一下，计算机出来了，就没必要从算盘用起学习算数了。大的框架不变，流程的细节可以打碎重塑，只要能verify outcome。就像Bezos说的，be fixed on the vision and flexible with how you get there🤭

In some areas, optimize for rigor and depth first, speed second。 在一些领域，以 Analog 的“传统方式”学习并反复训练，是在使用 AI 进行增强之前难以绕开的路径。就像没有编程基础的人无法调试代码，尤其在一个“差之毫厘、谬以千里”的游戏里的 ，绕过这块“肌肉”的构建，是一个后期风险和成本很高的选择。一定 analog 经验上，清楚知道要解决什么问题、为什么要解决，才不容易陷入用复杂的编程工具“造桥通向nothing”。

而作为使用者或管理者，如果要管理一个以 10 倍速度产出“AI Slop 垃圾内容”，却带着虚假自信的初学者或Agent，简直是噩梦。宁愿慢一点，建立起严谨性，在早期非常有选择地使用 AI。先爬，再走，最后再跑。