找到
1959
篇与
互联网
相关的结果
- 第 22 页
-
李明海、刘伟：洞察美国人形机器人发展与多维布局 来源：环球时报名为“Figure 3”的人形机器人3月25日亮相白宫东厅，与美国第一夫人梅拉尼娅一起现身“携手共育未来”全球联盟峰会；同日，白宫方面宣布，总统特朗普任命Meta创始人扎克伯格、英伟达首席执行官黄仁勋、甲骨文创始人埃里森等科技巨头高管加入总统科学技术顾问委员会，为美国人工智能政策制定提供决策支撑。这两个看似独立的事件，实则释放了清晰的战略信号：美国已将人工智能及人形机器人领域，视为大国战略竞争的“核心场域”，正通过政策、产业、技术、全球联盟的多维布局，全力巩固其在该领域的全球领先地位。此前，美国政府已要求联邦机构制定“人工智能行动计划”，核心方向是减少监管障碍、加速私营部门创新。当前，人形机器人正从“演示奇观”迈入“实用赋能”的关键转折点，其发展逻辑正从单纯的技术突破，转向“人—人形机器人—环境”三方深度耦合的系统变革。在此背景下，厘清美国在该领域的战略布局与发展方向，研判其带来的全球格局变化与影响，既是技术发展的必然要求，也是大国竞争的现实需要。美国人工智能及人形机器人发展朝四个方向推进从近期美国的系列动作来看，其在人工智能及人形机器人领域的发展，已形成“国家战略引领、私营部门主力、技术产业绑定、全球联盟围堵”的框架，后续将沿着四大核心方向持续推进。第一，战略定位持续升级，将领域发展与大国竞争深度绑定。美国已明确将保持在人工智能领域的“全球领先地位”，作为国家核心优先事项，而人形机器人作为人工智能技术最重要的实体化载体，成为其战略落地的核心抓手。此次科技巨头高管进入总统科学技术顾问委员会，意味着美国将把人工智能及人形机器人的技术发展，全面纳入国家战略竞争的框架内，相关政策制定将直接对接产业端的核心需求，同时也力求将企业的技术能力转化为国家竞争优势。后续美国大概率会持续出台针对性政策，将人工智能及人形机器人技术，与高端制造、国防安全、全球治理等核心领域深度融合，试图构建对华竞争的技术壁垒与产业优势。第二，政策监管持续松绑，意图激活私营部门的创新活力。美国政府此前推出的“人工智能行动计划”，核心逻辑就是所谓“减少行政监管对技术创新的限制”，这一方向将持续深化。随着科技巨头高管进入顶层决策机构，华盛顿后续的行业监管政策，很可能将更贴合以行业巨头为代表的产业发展需求，在伦理安全底线之上，尝试降低企业的研发与落地门槛。一方面，联邦机构可能将进一步简化人形机器人、人工智能产品的审批流程，推动相关技术快速从实验室走向市场；另一方面，白宫或将通过税收优惠、研发补贴等方式，加大对私营部门的扶持力度，目的是刺激企业在具身智能、大模型、伺服关节等核心领域加大投入，以便为当前增长乏力的美国经济提供一些新动力。第三，技术与产业深度融合，加速技术落地与场景化应用。此次白宫的两大动作，本质上是为美国人工智能及人形机器人的产业化落地铺路。Figure 3人形机器人在白宫的亮相，绝非简单的技术展示，而是美国官方层面释放的明确信号：人形机器人将从实验室的演示，快速进入家庭服务、公共服务、工业生产等真实场景。而扎克伯格、黄仁勋、埃里森三人所代表的企业，恰好覆盖了人工智能发展的三大核心底层——英伟达掌握着算力芯片这一核心基础设施，Meta主导着大模型与算法的前沿研发，甲骨文则拥有全球领先的数据库与云服务能力。三者进入决策层后，美国将推动算力、算法、数据与人形机器人实体的深度融合，打通从底层技术到终端产品的全链条，加速人形机器人的通用化、规模化落地。第四，全球联盟加速构建，争夺行业规则与标准的主导权。美国正通过“携手共育未来”全球联盟峰会这类平台，联合盟友打造人工智能及人形机器人领域的全球技术联盟。后续美国大概率会联合欧洲、日韩等国家和地区，在技术标准、数据安全、伦理规则、市场准入等方面制定统一规则，形成排他性的技术与产业体系。一方面，通过联盟体系限制高端芯片、核心算法、关键零部件对中国等国的出口，遏制他国在该领域的技术突破；另一方面，通过主导全球标准的制定，掌握行业发展的话语权，让美国企业在全球市场竞争中占据先天优势，最终实现其在人工智能及人形机器人领域的长期霸权。对中国有现实挑战也蕴含发展机遇美国在人工智能及人形机器人领域的系列战略动作，将对全球技术与产业格局产生重大影响，对我国而言，既带来了严峻的现实挑战，同时也蕴含着“换道超车”的发展机遇。在核心挑战方面，一是一些重要技术领域的“卡脖子”风险或将进一步加剧。随着美国将该领域纳入大国战略竞争框架，大概率会联合盟友，进一步收紧对我国高端算力芯片、高精度伺服关节、核心工业软件、前沿大模型算法的出口限制，在核心底层技术上构建更严密的技术壁垒，加大我国核心技术攻关的难度。二是全球标准与规则制定的话语权面临被动。美国正联合盟友加快构建行业技术标准、伦理规则与市场准入体系，一旦形成全球通行的排他性规则，我国企业在全球市场竞争中将面临规则上的劣势和话语权方面的弱势，甚至可能被排除在全球产业体系之外，在行业发展中陷入被动。三是人才与产业的全球竞争更加激烈。美国通过政策扶持、市场优势，吸引全球顶尖科技人才与优质企业，将进一步加剧全球高端人才的竞争。同时，美国科技巨头凭借技术与资本优势，加速人形机器人的产业化落地，可能形成技术与市场的垄断，挤压我国企业的生存与发展空间。在发展机遇方面，一是技术发展的方向更加清晰，为我国提供了追赶的窗口。美国推动的技术与产业融合、场景化落地的发展路径，印证了“人—人形机器人—环境”协同智能这一核心方向的正确性，让我国的技术研发与产业布局更具针对性，避免走弯路。同时，人形机器人行业仍处于发展初期，核心技术尚未完全定型，我国仍有换道超车的机会。二是我国拥有独特的市场与产业链优势。我国是全球最大的制造业国家，拥有最完整的工业产业链，能够为人形机器人的研发、生产提供全链条的产业支撑；同时，我国拥有全球最大的服务业市场与应用场景，工业生产、家庭服务、公共服务等领域的海量需求，能够为技术落地提供丰富的场景，支撑技术的快速迭代与规模化落地，这是美国无法比拟的核心优势。三是美国政府当前采取明显的单边主义政策，反而为我国推动国际合作创造了空间。美国构建排他性技术联盟的做法，会损害大多数国家的发展利益，而我国坚持的开放合作、互利共赢的发展理念，更易获得国际社会的认同。我国可以依托庞大的市场与产业能力，联合更多国家，在开源平台、基准测试、安全标准等方面开展国际合作，构建更加开放包容的全球产业生态。（作者分别是国防大学国家安全学院教授、北京邮电大学人机交互与认知工程实验室主任）
-
能赚超额收益的3个AI赛道 出品 | 妙投APP作者 | 董必政编辑 | 丁萍头图 | AI制图今年科技投资不是没有机会，而是“闭眼买板块”的时代过去了。随着美联储降息的预期推迟或落空，AI为代表的科技板块的估值不再出现普涨，而将迎来分化。当下，我们更应该关注有基本面支撑、有预期差、还能把业绩兑现出来的细分方向。而新技术的突破，意味着产生新的市场预期。这次，OpenClaw和“养龙虾”的走红，正在把AI推进到一个新的投资阶段。表面上看，这只是又一个Agent（智能体）产品爆发；但往深了看，它改写的是AI系统的运行方式。大模型不再只是被动回答问题，而是开始自主拆解任务、多轮调用模型、持续访问工具、长期维护上下文。这意味着，AI产业的竞争焦点，正在从“谁的模型更强”，转向“谁能以更低成本生成更多有价值的Token”。换句话说，下一阶段比拼的不只是总算力，而是单位能耗到底能产出多少有效Token，即Tokens per Watt（Token/W）。这也是妙投判断下一阶段AI投资机会的核心框架。如果说上一轮AI行情主要围绕“堆GPU”，那么这一轮更值得关注哪些环节能真正提升Token/W，谁就更可能成为新一轮资本定价的中心。顺着这条主线看，至少有三类资产正在被重估：一是负责调度和编排的CPU；二是负责搬运数据的高速互联与CPO；三是掌握Token收费权的大模型厂商。 一、CPU成为决定效率的指挥官 过去在对话式AI场景里，CPU的重要性并不高。从流程上看，用户发出请求，CPU负责接收、分发，再把任务交给GPU执行，最后返回结果。在这个链条里，GPU像厨师，CPU更像传菜员——等炒好端上来就行，CPU的作用只是“打杂”，能用就行。但Openclaw为代表的Agent改变了这一点。Agent不是一次性问答，而是一个持续运行的系统。它要拆解任务、调用工具、等待结果、修正路径、再次调用工具，形成多轮循环。这类工作流的复杂度，远高于传统Chatbot。问题在于，GPU擅长的是大规模并行计算，不擅长逻辑控制、任务编排、I/O管理和跨工具调度；而这些，恰恰是CPU最擅长的部分。所以，进入Agent时代后，CPU的角色不再只是“辅助算力”，而更像是整个AI工作流的指挥官。指挥官（CPU）凭借高效的调度能力，可以减少GPU空转、降低等待时间、压缩系统性损耗，从而提高单位能耗下的Token产出。这便意味着，CPU的重要性将被重估。有数据表明，对话式AI场景下，CPU主要负责Token化等边缘计算工作，工作量仅占约5%；代理型AI模式下，CPU承担工具调用、任务编排、实时决策等大量非AI原生计算，消耗量占AI工作流的80-90%。需求端已经有迹象。据Creative Strategies预测，数据中心CPU市场规模将从2026年的250亿美元增长至2030年的600亿美元；如果叠加Agent相关需求，规模有望逼近1000亿美元。ARM CEO Rene Haas也曾表示，随着Agent驱动应用扩张，数据中心单位功耗所需的CPU算力需求可能增长到当前的4倍以上。更关键的是，CPU还是一个供给弹性没那么大的行业。和存储有些类似，服务器CPU长期是高度集中的双寡头格局，英特尔与AMD主导市场；一旦AI链条挤占产能、原材料成本上升、交期拉长，CPU的价格就因供需错配进入上行通道。据日经亚洲3月25日报道，英特尔与AMD已通知客户上调全系列CPU价格，平均涨幅在10%-15%，部分产品涨幅更高；同时，交货周期将从之前的1-2周大幅延长至8-12周，个别情况下甚至将长达6个月。因此，妙投认为，CPU正在进入新的景气周期，整个赛道将迎来价值重估。参考存储的上涨，资本市场愿意给出更高的溢价。当然，最大的受益者会是，海外CPU双雄英特尔、AMD。受益于国产替代，海光信息等国内CPU厂商也将迎来发展机遇和价值重估。 二、小龙虾记忆能力“吃光模块” 另一方面，OpenClaw（“小龙虾”）为代表的Agent具备记忆能力，能够让用户感到终于被记住，不用反复“自我介绍”，协作效率大幅提升。“小龙虾”的记忆能力本质上就是长上下文推理——把"记住"变成"携带在上下文里"，把更多历史信息、任务状态和中间结果持续塞进上下文窗口里，让模型在生成下一个Token时，始终带着这些信息一起推理。上下文越长，记忆雪球越大（KV Cache越大），需要搬运给GPU的数据就越多，单个GPU装不下，就得分给多个GPU计算。问题也随之升级。在每步计算（每个token生成）中，GPU之间还需同步全部的记忆（KV Cache）；否则，每个GPU只看到局部信息，生成的Token是"瞎子摸象"，上下文理解支离破碎。因此，上下文越长，GPU之间要对账的数据越多，需要“搬”的数据爆发式增长。于是，Agent的“记忆能力”最终会转化成一个物理层问题，即GPU之间的数据互联（主要依赖于光模块）是否足够快、足够省电。从Token/W的框架看，这一点也尤其关键。因为在新的AI工作模式里，真正昂贵的未必只是“算”，很多时候更贵的是“搬”，即光模块的传输效率。传统可插拔光模块的问题在于，电信号需要经过较长PCB走线，损耗和发热都较高；而CPO（共封装光学）把光引擎直接放到交换芯片或加速芯片附近，显著缩短电互联距离，从而降低功耗、改善热管理、提升整体传输效率。 （图片来源：AI制作）在Token/W投资框架下，共封装光学器件（CPO）的价值不再仅是“更高带宽、更低延迟”，而是降低数据搬运的能量代价，用同样的电能跑出更多Token。正因如此，妙投认为，共封装光学器件（CPO）将进入加速落地的快车道，进入从“1”到“100”的阶段。集邦咨询预测，共封装光学器件（CPO）渗透率将从2026年约0.5%攀升至2030年约35%。从市场预测数据来看，据YOLE预测，CPO市场在2024年的规模为4600万美元，预计到2030年将达到81亿美元，期间的年复合增长率高达137%。落地在产业链上，相对于传统光模块，CPO减少了部分有源器件，如激光器芯片、探测器芯片等，增加了集成多种光器件的光引擎、硅光芯片和薄膜铌酸锂调制器等。而CPO产业链上游中硅光光引擎和ELS/CW光源需求将迎来爆发，源杰科技、仕佳光子等相关厂商迎来机遇。 三、大模型重掌定价权 这波“养龙虾”的浪潮，让大模型厂商看到了更清晰的商业化路径。过去市场对大模型商业化的最大质疑在于，模型能力越来越强，但谁来付费、为哪种价值付费、付费能否覆盖成本，这些问题始终没有真正解决。而OpenClaw等改变了这套叙事。因为用户买的不再只是一次性问答，而是一个持续工作的数字劳动力。而Token消耗就不再只是“聊天成本”，而变成了企业愿意为效率提升买单的生产成本。近期多家厂商开始结束免费公测、转向正式商用按量计费，甚至释放涨价信号。关键的是，市场已经开始接受高质量Token的收费权，而不是“谁涨了多少价”。这比单纯的调用量增长更重要。例如：2月12日智谱发布GLM-5时上调Coding Plan套餐价格30%起，3月16日发布GLM-5-Turbo时再涨20%，相对GLM-4.7累计涨幅达83%。即便如此，市场依然供不应求，调用量增长400%。另外，token消耗的想象空间还很大。GMI Cloud创始人AlexYeh曾表示，“随着开源和闭源的模型越来越好，token的调用量会越来越高。所以我觉得我们甚至连1%或5%都还没有到。”根据IDC数据，中国企业活跃智能体数量将在2031年突破3.5亿规模，年复合增长率达到135%以上，同时由于智能体任务执行密度的增长和任务复杂度的提升，也将带来智能体Token消耗年均超30倍的指数级跃升。 妙投认为，大模型厂商持续受益的确定性很高。与此同时，资本市场对大模型企业商业化的叙事颇为认可，尤其在科技股回调时逆势上涨。今年以来，智谱、MiniMax的股价上涨已达到579%、483%。这里，不禁有人会问，智谱等大模型的估值高吗？妙投认为，由于今年大幅度上涨，智谱的估值已经透支了未来的业绩增长。据华泰证券测算，在乐观情形下，智谱有望于2029年实现营收142亿元，可给予29倍的市销率（PS），对应的市值为4118亿元。摩根大通将智谱的目标价从800港元上调至950港元，基于30倍2030年预期市盈率。截至4月1日，智谱的市值已经超过4000亿元，股价最高达到了938港元。也就是说，按照机构的测算，智谱已经透支了2029年甚至2030年的业绩。当下，大模型厂商估值不具备“性价比”。接下来，投资者还需关注智谱大模型的token量以及业绩能否超出预期。 小结 总体而言，妙投认为，资本市场将更关注AI新技术带来的“蝴蝶效应”，即token激增带来的新的商业模式（如：大模型商业化叙事）以及新的市场需求（CPU、CPO产业链等）。另外，中东边缘冲突推高通胀预期，美联储降息落空或加息影响整体科技股估值，因而科技股出现“杀估值”，同时也会跌出“性价比”。一旦冲突出现结束信号，资本将重新关注科技股，甚至“抢跑”并押注新的机会。本文来自虎嗅，原文链接：https://www.huxiu.com/article/4847900.html?f=wyxwapp
-
AI尚未“取代”工程师，美国科技岗位空缺今年迎来快速反弹 IT之家4月5日消息，当地时间4月4日，据《商业内幕》报道，美国最新就业报告表现强劲，而超出预期的不只是整体就业情况，科技岗位需求同样出现明显回暖。2026年以来，科技公司招聘需求快速反弹，正在动摇“AI 正在取代工程师”的主流说法。技术招聘分析公司 TrueUp 数据显示，软件工程岗位空缺已超过6.7万个，创三年多新高，自2023年年中低点以来基本翻倍。今年以来，岗位数量进一步增长约30%。由于 TrueUp 只统计科技公司内部岗位，故这一数据更能直接反映 AI 对行业的影响。TrueUp 创始人阿密特 · 泰勒说：“很多关于 AI 取代工程师的说法，目前并没有得到招聘数据的验证。” 工程师编辑代码 资料图从趋势来看，岗位回升紧随此前一轮剧烈调整。2022年及2023年初，科技公司在疫情扩张后收缩招聘，利率上升和盈利压力促使企业冻结招聘并裁员。随着 AI 投资加速推进，招聘需求重新增长，而这一过程本身反而需要更多工程师参与。TrueUp 覆盖9000家科技公司、超过26万个岗位空缺，重点关注初创企业和上市公司。在这一范围内，软件工程岗位需求依然稳健，与 AI 相关的岗位需求则迅速扩张。尽管岗位数量回升，部分求职者仍然感到压力加大，对应届毕业生而言情况更甚。IT之家从报道中获悉，原因在于人才供给显著增加，入门级岗位的竞争更加激烈。泰勒说：“越来越多的人选择计算机科学专业。岗位并没有减少，但竞争强度相比五年前大幅提升。”对于未来走势，泰勒认为，AI 可能会压缩部分岗位，也可能进一步放大优秀工程师的价值，从而加剧企业之间的争夺。目前顶尖人才需求依然旺盛，但这种状态可能持续一段时间，随后出现转折。
-
“AI预测未来”！碾压马斯克Grok-4！国产 AI登顶全球 大模型圈，变天了。2026年3月29日，一份名为FutureX的全球动态评测榜单刷新了成绩。北京中关村学院信息智能团队自主研发的智能体系统Milkyway，以60.9分的绝对优势霸榜！ 这个分数有多夸张？作为对比，由埃隆·马斯克（Elon Musk）旗下xAI打造、曾被寄予厚望的Grok-4，在这份榜单上仅拿到了25.9分。Milkyway的得分是它的一倍还多（Grok-4曾拿下该项目的首期冠军）。陈天桥团队的MiroFlow框架（搭载GPT-5等），得分也高达57.5分。它在最难的Level 4依然能逼近50分大关，对复杂不确定性的掌控力令人惊叹。 智谱的GLM-5-thinking则拿到37.3分，深度求索的DeepSeek-V3.2-thinking拿下31.2分。阿里的千问Qwen-3.5-plus-thinking则拿到26.9分，位列第17。Grok-4以25.9分排在第18位。马斯克曾公开断言：“预测未来的能力，是对模型智能性最好的测试。” 如今，这场关于“预言能力”的残酷试炼，撕下了传统大模型靠“刷静态题库”营造的遮羞布。谁在成功预判真实世界？ 过去几年，所有前沿大模型在MMLU、HumanEval这些传统学术题库里，几乎都能轻松刷出90%以上的高分。但商业世界不需要做题家。市场真正关心的是：大模型能预测下周某款爆品的销量吗？能判断地缘博弈的走向吗？一部分敏锐的顶尖团队已经交出了答卷。在FutureX已经公开的过往实战记录（FutureX-Past数据集）中，记录了大量被AI智能体成功拆解的真实世界考题：比如微观商业。 AI需要在2025年底，通过自主抓取网页和历史数据，预测Temu美国区特定商户在12月5日的某款商品精准销量。比如宏观气候。 AI需要基于NASA的Gistemp数据，推演12月全球平均气温相较于历史基准期的偏差。甚至还有高度嘈杂的地缘政治与体育赛事。 预测谁能进入2026年1月葡萄牙总统选举的第二轮；预测墨西哥甲级联赛中，克雷塔罗足球俱乐部对阵蒂华纳的赛果。面对这些问题，瞎蒙是没有用的。系统必须像顶级情报分析师一样，在全球碎片化的蛛丝马迹中搜寻信号，过滤虚假新闻，最终给出一个没有模糊空间的答案。对错，全由现实世界来裁定。AI告别开卷考试 为什么各大巨头现在都盯着FutureX？因为它是真正的“闭卷实战”。这个由字节跳动Seed团队、斯坦福大学、复旦大学和普林斯顿大学等联合发起的国际评测基准，彻底干掉了一个大模型作弊的温床——数据污染。以往的静态考题，模型在训练时可能早就把答案背下来了。但FutureX考的是尚未揭晓的未来事件。它每天从全球195个高质量信源中实时提取新考题，模型根本无从作弊。FutureX采用的是“折叠式”评分逻辑，拒绝模型靠蒙对简单的“是与否”来刷分。它大幅压缩了二元对立事件的数量，并将难度分为四个等级： Level 1 是基础事件，权重仅占10% 8。Level 2 考察有变量的趋势预测，占20% 8。Level 3（多步深度推理）与 Level 4（极高不确定性的宏观预测）作为难点资产，合计占了总分的70%。这就像是一张考卷，前面的选择题只占30分，剩下70分全是需要海量推演的压轴大题。 阶层固化与偏科大赏：各家大模型的残酷折叠 在这种高压测试下，2026年3月的真实榜单展现出了极其冰冷的技术分化。以被其他家反超的Grok-4为例，拆解Grok-4的成绩单会发现一个致命弱点：它在Level 1的简单任务里拿了71.43的高分，但在需要深度推理的Level 3，得分却发生了断崖式下跌，仅有8.21分。而以第三方Agent接入的基础模型GPT5.2更是惨烈，如同失去方向感的盲人，仅得10.3分。不过，总分拉胯不代表全盘皆输。为了更精准地衡量大模型的工业落地能力，FutureX专门设立了“细分预测任务”（涵盖基础事件与要求极高精度的FutureX-Pro垂直领域），这直接暴露了各家大模型的“偏科”体质： 政治与科技领域：擅长逻辑推理的GPT-5分别以72%和68%的准确率称霸，DeepSeek-R1和Claude-3.7紧随其后。体育赛事（高频动态博弈）：DeepSeek-R1拔得头筹（64%），Claude-3.7（60%）排在次席。金融（FutureX-Finance）：要求预测财报和宏观指标，误差必须控制在5%以内。GPT-5-high和Grok-4在这里找回了主场，分别以46.37和41.25分领跑。零售（FutureX-Retail）：考验销量与供应链预测。Claude-Opus和Kimi-K2展现出极强的“商业直觉”，在评估不确定性的概率分布任务上得分最高。公共卫生（FutureX-PublicHealth）：解读官方公报预测疾病指标。GPT-5-High和Kimi-K2-thinking凭借极高的问题覆盖率占据榜首。此外，字节的豆包（Seed1.6）和谷歌的Gemini Deep Research也在各类高难度交叉分析榜单中稳居前四。Milkyway和MiroMind之所以能在综合榜单上超越这些“偏科”的算力怪兽，秘密不在于参数量，而在于“Harness层（脚手架）”和“验证机制”的深度攻关。它们引入了DAG（有向无环图）推理协议和双层验证器。简单来说，它们在模型内部建了一个“风控中台”，每搜索一条信息、每推理一步，都有机制在实时审计，强制纠错。一个时代结束了，新的机会正在升起 FutureX的榜单更迭，不仅仅是一场技术极客的狂欢，它向所有创业者和普通人释放了一个强烈的信号：第一，套壳聊天的时代结束了。大模型的价值不再是写几首诗、写几封邮件，而是走向“Action Engine（行动引擎）”。谁能帮企业在红海物流停摆前提前两周调整供应链？谁能在金融市场里捕捉到微弱的宏观信号？高价值的“预见力”才是下一步的真金白银。第二，产业链的缝隙藏着大机会。没有哪一个模型能够通吃所有细分领域。这正是创业者的机会。搭建更优秀的智能体外壳（Agent Harness）、设计更抗干扰的验证流、在特定垂直领域（如零售销量、病理演变、区域地缘）投喂高质量的反馈信号。未来的赢家，不一定是拥有最多GPU的人，但一定是最懂如何在不确定性中建立规则、驯服AI的人。（本文首发钛媒体App，作者｜硅谷Technews，编辑｜林深）
-
Django框架共同创始人威利森：AI将为编程带来“黑灯工厂”时代 IT之家 4 月 5 日消息，西蒙 · 威利森是 Django Web 框架的联合创始人，该框架更是被 Instagram 等数千个网站用于搭建初始系统。对其来说，目前的 AI 可以完成大部分原本需自己完成的代码编写工作，而他又提出了一个更大的问题：当 AI 完全不再需要人类时，会发生什么。据《商业内幕》今天（4 月 5 日）早间报道，威利森指出，目前开发者使用 AI 通常遵循固定流程 —— 提出需求、监督执行、再进行代码审核。但如果连这些环节都交给 AI 完成，就进入了他所说的“黑灯工厂”阶段。 威利森解释称，这一概念源于工业自动化：当生产完全自动化后，工厂甚至不需要照明，因为已经没有人类在场，机器可以独立运行。对应到软件开发，就意味着 AI 可能在没有人类参与的情况下完成整个开发流程。随着 AI 能力持续提升，其对就业的影响也愈发受到关注。有人认为 AI 会创造新岗位，也有人担心其将取代人类工作。据IT之家了解，Klarna、IBM、Block、甲骨文等多家公司，已将部分裁员归因于 AI。威利森表示，这种变化已经开始发生。一些企业甚至要求员工停止手写代码。“老实说，六个月前我还认为这样太疯狂了，但现在我产出的代码中，大概 95% 都来自 AI。”不过，氛围编程降低了开发门槛，并不意味着成功变得轻而易举。真正关键的，仍然是是否具备原创性和创造力，而不仅仅是工具本身。
-
满地“小板凳” 本文来自微信公众号：啸天的AI Lab，作者：啸天的AILab，头图来自：AI生成 一、深夜再开机 近期，我越来越频繁地看到一种人：他们大多三十出头，白天有一份正经工作。开会、写方案、对需求、回消息、做汇报，跟所有城市里的上班族没什么区别。可一到晚上，他们回到家，把电脑再掀开一遍，整个人像换了个系统。有人开始搓一个没人催、也不一定有人用的小程序；有人研究怎么把公开数据抓下来，清洗一下，接进一个自动化流程里；有人给一段口播配字幕、找镜头节奏、加一点运镜，反复导出到凌晨一点；还有人把买来的游戏素材拖进引擎里，试着做一个只有两关的小游戏，主角会跳，怪物会动，哪怕玩法还很粗糙，也已经能跑起来了。这些东西，大部分没有什么商业价值。更准确一点说，它们在诞生的那一刻，创作者自己也知道，大概率没有什么商业价值。这个小程序可能没人打开几次，这个工具可能只有自己会用，这个视频可能只有几百播放，这个小游戏可能做完也只是发给朋友试玩一下。但他们停不下来。 二、满地板凳 我最近总会想到一个说法：小板凳理论。有播客《面基》里听过一段很传神的话，大意是，很多人在家做小板凳，但客户真正需要的是沙发。意思很简单：你费劲做出来的那点东西，离真正被市场需要、愿意付钱的成熟产品，往往还差得很远。你做的是板凳，别人要的是沙发。这个判断当然没错。问题只是，它没有解释另一件事：为什么这么多人明明知道自己做的是板凳，还是忍不住一张接一张地做。后来我慢慢觉得，板凳的价值，本来就不只在板凳本身。有的人做完一个板凳，第一次搞明白某个过去只听说过的技术到底怎么落地；有的人做完一个板凳，突然知道原来一个功能从想法到上线，真正卡住自己的不是“大方向”，而是某个具体环节；还有的人把板凳随手发出去，居然被别人看见了，对方问：这个能不能帮我也做一个？这时候，板凳和沙发之间就不再是一道绝对的分界线。很多所谓的沙发，也只是从一张板凳开始长出来的。更重要的是，当做东西的成本已经接近于零，板凳就不再需要每一张都用商业逻辑去证明自己。你今天晚上花三个小时，做了一个只有自己会打开的小工具，不一定亏了什么。你没有租办公室，没有招团队，没有烧广告，没有压上全部积蓄。你只是把原本会用来刷短视频、发呆、内耗的时间，换成了一个具体的东西。这个东西可能毫无意义，也可能意义延后。做得多了以后，你会发现真正留下来的，往往不是那一张板凳，而是一种很难量化、但又实实在在存在的东西：手感做过五十个小项目的人，和一个从来没做过的人，看世界的方式已经不一样了。前者看到一个需求，脑子里会自动拆解：这个数据从哪来，能不能抓；这个流程能不能自动化；这个页面能不能今晚先搭出来；这个视频镜头怎么切会更顺；这个小游戏先把核心循环做出来行不行。后者看到的还是一个模糊的“好像可以做”，前者看到的已经是一串可以开工的步骤。这就是满地小板凳最动人的地方。它们单个拿出来并不惊艳，甚至有点寒酸，但堆在一起，会慢慢把一个人的认知和动作能力抬起来。 三、两次兴奋 这也是为什么，我总觉得这波 AI 浪潮，和十年前那波移动互联网双创浪潮，虽然表面上都让人兴奋，底色却完全不一样。上一波浪潮，大概是在 2014 到 2016 年之间。那几年，空气里全是机会感。每个人都在聊风口，聊模式，聊增长，聊融资，聊平台红利。哪怕没真正下过场，也很容易被卷进一种热闹的幻觉里：仿佛只要会说几句行业黑话，理解几个经典案例，离创业就已经很近了。很多人就是那时候学会了一整套词：闭环、赋能、打法、抓手、场景、生态、链路、壁垒。学得很熟，分析起别人的商业模式一套一套的。看起来像懂很多，实际上手里什么都没有做出来。那种兴奋，更多停留在皮层。你在看别人创业，分析别人的产品，讨论别人的增长故事，偶尔也会热血上头，觉得自己好像也能搞点什么。但真到要做的时候，门槛又高得吓人：不会写代码，没人带；想找外包，贵；想试错，成本太大；想做个产品，前端后端设计运营，哪一个都拦在前面。最后大多数人留下来的，是一堆 PPT、几页商业计划书，和一嘴说起来挺熟练的行话。这一波不一样。这一波最根本的变化，不是“又来了一个新风口”，而是做事突然变具体了。以前说做个工具，像在许愿；现在说做个工具，是真的可以今晚先做出第一版。以前说剪视频，是一门需要长期训练的专业技能；现在即便手法还糙，也能快速学会怎么找素材、怎么配字幕、怎么做镜头运动、怎么把节奏拎出来。以前说做动画、做游戏、做自动化工作流，听起来都像另一个世界的事；现在大量现成素材、现成能力、现成接口，正把这些事从“我不配”变成“我先试试”。于是兴奋也变了。它不再是一种空转的热闹，而是一种很具体的正反馈。你今天学会了怎么抓数据，明天就能把它接进流程；你今天学会了怎么搭云函数，晚上就能跑通一个小程序；你今天研究明白了怎么让一个角色动起来，明天它真的就在屏幕里动了。这类反馈非常危险，也非常上瘾。因为它不再只是“我理解了一个趋势”，而是“我亲手把一个东西弄出来了”。上一波浪潮结束后，很多人手里剩下的是 PPT 和黑话；这一波结束后，哪怕什么都没赚到，手里至少会剩下一点真本事。会爬数据，会搭流程，会接接口，会做一个能用的小产品，会剪一个能看的视频，会把一个想法变成一个最小可运行的东西。这些不一定能马上兑现成收入，但它们是真正带不走的手艺。 四、“消费”热情的人 我认识一些人，嘴上已经不太谈“创业”这两个字了。不是不想，而是他们慢慢发现，用投资心态做这些事，太容易把自己做废。所谓投资心态，就是你总想判断：这件事值不值得做？能不能成？多久能见结果？做三个没跑通，是不是说明方向错了？做十个都不行，是不是应该止损？这种想法当然理性，但一理性过头，人就很容易提前退出。你会在第一批数据不好看时怀疑自己，在第一个项目没起量时质疑方向，在第三次尝试没变现时开始自我否定。因为你一开始就把它当成一个必须回本、最好还能翻倍的投资项目。于是止损线被拉得很近，情绪波动被放得很大，最后不是项目先死，是心气先死。反过来，很多真正能持续做的人，用的其实是一种消费心态。不是在创业，是在消费热情。做了个没人用的小程序？没关系，至少学会了某个功能怎么写。做了个小工具，最后只有自己在用？也行，起码流程跑通了。做了一条视频没多少播放？那就当练镜头感和表达节奏。消费心态的人，往往没有那么强的止损意识，因为他们买的不是回报，而是过程本身带来的满足。这听起来很不“成功学”，却反而更接近真相。最反直觉的地方在于：消费心态的人，往往比投资心态的人产出更多。因为他们不那么急着证明自己，也不那么着急否定自己。他们就是一件一件地做，今天一个，明天一个，做着做着，数量上去了，概率就慢慢站到了自己这边。十个里没有成的，五十个里也许会有一个；五十个里没成的，一百个里也许会遇到一个真的有人买单的东西。即便最后还是没遇到，做完这一百个的人，也早就和最初不是同一个人了。 五、迟来的下场 这背后还有一种很隐秘、但我特别能理解的情绪：不甘。这批三十出头的人，某种意义上是两波浪潮之间最尴尬、也最典型的一代。上一波机会来的时候，他们太年轻了。刚毕业，刚工作没几年，离真正的资源、经验和判断力都还很远。那时候他们赶上了热闹，学会了讨论，学会了围观，学会了判断谁讲得更像那么回事，但没有真正下场，或者说，没有足够低的成本让他们下场。所以那几年过去之后，很多人心里都留下了一点说不清的遗憾。不是那种轰轰烈烈的失败感，而是一种更轻、更长尾的不舒服：好像看懂过很多东西，也激动过很多次，最后自己却没真正做成过什么。于是这一次，当做事成本真的开始坍缩，当原来需要很多人、很多钱、很多技术门槛的事情，突然可以靠一个人在深夜慢慢拼出来的时候，很多人那点旧的不甘又被重新点着了。白天，他们还是公司系统里的一颗螺丝钉。按流程、对指标、做协作、接需求，很多时候只负责一个局部动作。可一到晚上，他们回家以后，忽然成了另一种人。 一个人就是一个小团队。产品是自己想的，设计是自己抠的，开发是自己补的，运营是自己发的，视频是自己剪的，配图是自己找的，文案是自己改的。可能每一项都不算专业到顶，但拼起来，居然真能把一个东西做出来。这种感觉非常珍贵。它不是成功，也不一定通向成功，但它至少把“我只能做局部”这件事，短暂地反过来了。所以那些深夜里一遍遍搓板凳的人，很多时候不是在追逐一个明确的商业结果，而是在对过去那点没来得及下场的不甘，做一次安静但具体的回应。 六、戒不掉的事 当然，如果只靠不甘，人是撑不了太久的。真正能把这件事做长的，最后靠的还是热爱。这里的热爱，不是那种挂在嘴边的"坚持梦想"，而是一种更朴素、也更难戒掉的东西：你就是喜欢做。我有个做内容的朋友，长期跟财经类信息打交道。有一次半夜两点，我问他怎么还不睡。他说今天的东西还没看完，几个关键消息还没整理完，得写完那个总结再睡。听着很像在拼命，对吧？但他下一句是：我没在拼，我只是喜欢看这些，恰好这事还能赚钱。这句话我记了很久。真正能持续做事的人，往往不是最会算账、最有商业头脑的人，而是那些做事过程本身就能给他们快乐的人。别人看他们是在熬夜、在加班、在自我压榨，他们自己感受到的却是：我终于有时间继续玩这个了。所以“热爱胜万全”这句话，放在这里，意思不是热爱能战胜一切困难，而是如果没有这种近乎上瘾的喜欢，你很难解释，为什么一个人会在白天上完班以后，晚上还愿意继续把自己摁在电脑前，折腾一个大概率成不了什么的项目。不是坚持，是戒不掉。 七、留给下一代 最后我想说一个更轻、但可能更重要的部分。就算这些板凳最后都没长成沙发，它们也不是白做的。除了手感、技能、认知、机会，这些深夜里的小项目，可能还会留下另一种更慢的影响：代际传递。如果一个人将来有孩子，孩子真正看到的，不一定是那个小程序有没有人用，不一定是那条视频有没有爆，不一定是那个小游戏赚没赚钱。他看到的可能只是一个很具体的画面：有个大人，下班回家以后，没有只躺着刷手机，也没有一边抱怨生活一边耗到睡觉，而是坐在电脑前，很认真地做一件自己喜欢的事。他会看到专注，看到投入，看到“原来工作之外，人也可以有自己的事情”。他会知道，大人不是只有疲惑、妥协和将就，大人也可以偷偷地、持续地，对某件事抱有兴趣，甚至有点兴奋。这个画面本身，可能就比很多板凳更值钱。因为它在传递一种比“成功”更基础的东西：人是可以自己给自己找一点火的。 八、把自己捡回 我们当然都知道，满地小板凳里，最后能长成沙发的没有几个。绝大多数，可能做完就放在角落里，过阵子自己都忘了。但也没关系。板凳留不下来，手感会留下来；项目不一定跑通，人的动作能力会留下来；这波浪潮将来退下去，至少还有一批人，真的亲手做过东西，真的知道从零把一个想法拧成现实，大概需要经过哪些步骤。而且说到底，深夜里把电脑打开的那一下，很多人也不是为了证明什么。他们只是白天已经很久没有完整地属于自己了。于是晚上那两三个小时，哪怕只是再做一张歪歪扭扭的小板凳，也像是在把自己捡回来一点。这大概就是为什么，明知道大多数东西不会成，还是有人一张接一张地做。不是因为他们天真。恰恰是因为他们已经不天真了，仍然想做点什么。 而在这个意义上，满地小板凳，已经很好。本文来自微信公众号：啸天的AI Lab，作者：啸天的AILab本内容由作者授权发布，观点仅代表作者本人，不代表虎嗅立场。如对本稿件有异议或投诉，请联系 tougao@huxiu.com。本文来自虎嗅，原文链接：https://www.huxiu.com/article/4848087.html?f=wyxwapp
-
价值归零！Django创始人警告：30岁程序员受AI冲击最大 梦晨 发自 凹非寺 量子位 | 公众号 QbitAI 一个写了25年代码的人，在AI时代突然发现，自己估不准项目要多久了。大佬Simon Willison，20年前就成为10x工程师的Django联合创始人公开承认，自己完全失去了估算项目时间的能力。 以前看一个项目，脑子里秒出判断，这活儿得干两周，不值得。现在脏活累活AI全包，可能20分钟搞定了。 我的超能力是快速做原型，现在任何人都能做到了。 25年的职业经验，一夜归零。 一切都始于2025年11月，AI写代码的能力悄悄跨过了一条线，从“大部分能用但你得盯着”变成了“几乎每次都对”。听起来差别不大，但这条线一过，所有规则都变了。在Lenny’s Podcast节目上，Simon给出这样的判断： 工作3-8年的中阶工程师受到的冲击是最大的。 拐点：写代码彻底和过去几十年不一样了这一切变化来得比所有人预期的都要快。2025年一整年，Anthropic和OpenAI都在疯狂加码代码能力训练，GPT 5.1和Claude Opus 4.5先后发布。单看参数和跑分，这两个模型只是比上一代好了一点点。但就是这“一点点”，踩过了那条关键的线。 之前AI写的代码，十次有七八次能跑，但剩下两三次会埋雷。你必须逐行审查，像个人肉debug机器一样盯着它。11月之后，画风突变。它写的代码，几乎每次都能按你的要求跑起来。Simon自己的体感是这样的：现在一天能产出1万行代码，而且大部分都能用。一个纯碳基中高级工程师，正常节奏下，一天能写200到300行高质量代码就算高产了。AI直接把这个数字拉高了三四十倍。 代码是你能交给AI的所有任务里，最容易验证对错的那种。要么跑得通，要么跑不通。但如果AI帮你写了一篇文章，帮你准备了一份法律文件，你要判断它到底做得好不好难度大得多。所以AI先冲击的是我们软件工程师，它先来找我们了。这种变化很快就会传染到其他行业，Simon提到一个数据：美国律师行业因为AI幻觉搞砸案子的记录，已经累积到1228起了。律师很难看出AI在胡编，但程序员至少还能跑一下代码。 △他说完已经1248例了“可验证性”反而成了程序员的最大优势。效率爆炸带来的变化不只是写得快了Simon，分享了他现在的工作方式：想做一个功能，他会让AI同时打三个不同方案的原型，然后挑最好的那个。 一个UI原型现在是免费的。ChatGPT和Claude能帮你生成任何你描述的界面。你就应该这么干。 以前做一个原型要一两天，现在三个小时能出三套完全不同的方案。试错成本从”想清楚再动手”变成了”先全做出来再说”。效率的量变正在引发质变。当写代码本身不再是瓶颈，真正稀缺的东西就变了，整个程序员群体的职业分层正在被重新洗牌。职业洗牌：中阶工程师正在成为受冲击最大的群体程序员不再按技术栈划分，不按擅长的语言划分，按你在职业阶梯上站的位置划分。ThoughtWorks，全球最大的IT咨询公司之一，2月搞了一场闭门会。一群来自不同公司的工程VP关起门来聊了一个问题：AI到底在怎样重塑工程师队伍？结论出来，圈子里炸了锅。 他们发现，AI对工程师的影响不是一刀切，而是切出了三层完全不同的命运。资深工程师，直接起飞。二十年积累的架构直觉、系统设计嗅觉，被AI放大了好几倍。他们知道该问什么问题，AI帮他们秒出答案。新人工程师，门槛打到地板了。以前入行最痛苦的那些事，读陌生代码库、搞懂复杂的构建流程、理解公司内部的技术债，AI几乎一把梭哈全解决了。最难受的就是中间那层，干了三到八年，还没够到资深的门槛，但也不是新手了。这群人正好卡在AI冲击波的正中央，因为中阶工程师最核心的价值，就是“能写靠谱的代码”，而这恰恰是AI现在最擅长干的事。上卷不过资深工程师的架构能力，下卷不过新人+AI的性价比。他甚至给出了一个非常激进的预测：到2026年底，50%的工程师会有95%的代码由AI生成。不是2030年，不是“未来某天”，是今年年底。距离现在，只剩八个月。 “会写代码”这件事本身，正在从核心竞争力变成基本功。就像打字速度在90年代很值钱，现在谁还会把“打字快”写进简历？能力模型正在重构，代码能力的权重在急速下降，取而代之的是另外三样东西： 架构设计能力，你能不能把一个模糊的需求拆成AI能执行的清晰任务？ 需求判断能力，面对AI给出的三套方案，你能不能秒判哪个靠谱？ 质量把控能力，AI写的代码跑是能跑，但你能不能看出那些藏在正确结果背后的隐患？ Simon在访谈里反复强调一个词：agency，主体性。 现在一切都在飞速变化。唯一通用的能力就是跟上变化本身。 在所有关于“如何在AI时代做得出色”的讨论里，出现频率最高的词就是agency——主体性。 我认为AI永远不可能拥有真正的主体性，因为它没有人的动机。所以，投资你自己的主体性，投资如何用这些技术让自己变得更强、去做以前做不到的事。 职业分层在重塑，个人能力在重构。但变化不止于此，当半数工程师的代码都由AI生成，整个软件行业的生产模式也在被连根拔起。未来是黑灯Token工厂和智能体工程师的世界Simon认为，现在行业里已经有了两个相反的展方向：Vibe Coding和Agentic Engineering。Vibe Coding就是非专业人士也能靠AI做出能用的小工具，适合个人项目或者原型验证，反正出问题只有自己倒霉。它的反面是Agentic Engineering，则是专业工程师用AI Agent来做生产级的代码，核心是把控质量和架构，出了问题要负责任的。Vibe Coding最好的例子就是OpenClaw，这个开源个人AI助理项目的一行代码是2025年11月25号写的，到今年2月的时候，几十万用户自己折腾着装上了。三个半月，传统软件公司可能连需求评审会都没开完。到现在OpenClaw已不止是一个产品，而是一个品类。Simon认为，做出自己的类Claw智能体就是今天的新“Hello World”。 但有些公司已经走得更远了，StrongDM正在测试的黑灯工厂模式：没人写代码，也没人读代码，全靠AI Agent和完善的质量保障体系来输出生产级代码。以前制造业说的“关灯工厂”，居然在软件行业落地了。 软件开发这个行业，写代码的能力在贬值，但定义“该写什么代码”和“怎么保证写对了”的能力，正在成为新的硬通货。
-
BuzzFeed转型之鉴：传媒业该如何拥抱AI 拥抱AI，人工智能应用的“吃螃蟹者”总是令人敬佩。他们可以蹚出一条前人未曾走过的路，为同行的AI转型插好路标。 截至目前，AI在地震报道、体育赛事、财经快讯以及视频制作方面的独特优势已然被证明。人工智能技术应用的场景得当，对于传媒业的可持续发展可谓前景广阔。但如果跑得太快，不顾或试图超越传媒业的基本属性和实践进程，就可能摔跤——近期，全球数字媒体巨头BuzzFeed就成了传媒业AI转型镜鉴的样本。 2026年3月，BuzzFeed发布的财报显示：去年公司净亏损5730万美元，比上一年多亏近七成，累计亏损6.8亿美元，股价从最高17美元跌到0.7美元。三年前这家数字媒体巨头宣布All in AI，三年后却走到破产边缘，令人唏嘘。 BuzzFeed的财务窘境与这家数字媒体的全面AI转型相关。原本媒体智能实践探索需要先搞小型“试验田”，不断积累经验，巩固并拓展疆域。如果不遵循技术应用的理性原则，铺的摊子过大甚至全覆盖，这样的“AI大跃进”不但让BuzzFeed自己陷入泥淖，甚至可能变成媒体发展史上的闹剧。 类似的激进探索，十几年前昙花一现的3D频道就是例证，前几年波兰某电台的全面AI转型如今也销声匿迹了。 顺应媒介环境变化，让受众从媒体的资讯服务中获益，这是传媒业的道德义务。客观而论，BuzzFeed是数字媒体实践探索的先驱，但短暂的成功，并不意味着BuzzFeed就是技术应用的“常胜将军”。在成绩面前不能戒骄戒躁，把注全部押在AI上，无异于赌上一家媒体的身家性命，这样的探索一旦失败，代价必然高昂。 BuzzFeed匆忙的全面智能转型应该是受到了数据的“AI大锅饭”诱惑，这家媒体以为，在互联网平台的大数据海洋里“游泳”，只要用AI自动搜集、分类、组合已有数据，这样的“数据淘金”就可以维持资讯的生产与供给，“一天可狂更几千篇”。 殊不知，网络数据再海量，也不适合反复排列组合，这样“煮”出来的饭端给用户，也许在迷信AI的媒体机构看来觉得挺美，但在资讯消费者眼里，这样的“新闻”只是毫无营养的“数字泔水”。AI捕捉地震波生成地震报道、抓取证券市场最新数据生成财经快讯当然有其优势，但一家媒体最根本的竞争力还在于抵达现场，报道真相，关注具体的人。 数据方面的“AI大锅饭”经营模式，认为新闻就是海量数据的排列组合，注定了BuzzFeed今天的用户流失和财报窘境。 大数据是公共财富，传媒业是“大股东”，享受这类公共财富看似天经地义。只是别忘了，提供新鲜资讯是传媒业的义务，如果媒体机构指望躺在现成的数据里吃“现成饭”，把大数据当作“大锅饭”，所不同的是劳驾AI放在自己“锅里”翻炒个新花样。假如这样的“大锅饭”可行，相信大多数媒体都不愿意为社会贡献新资讯。 实践表明，不论AI如何“勤勉”，终究违背了新闻生产的理论逻辑和实践逻辑，这样的AI新闻理念注定行不通。 认识媒体发展规律，从来没有现成的教科书，只有类似BuzzFeed转型的“参考书”。认识规律非常考验媒体管理者的实践智慧，没有对人工智能技术的深刻认识，不能把AI与媒体实践的关系领会透彻，凭借一时冲动全面布局AI，这样的转型看似找到了免费的生财之道，却忘记了新闻背后的个性化力量，也忘记了新闻是有灵魂的，而AI只是个“数据厨师”。 在未深入不了解人工智能媒体应用规律之前，“先把自己的底牌给扔了”，这样的媒体智能实践结局已经注定。 技术向善不易，技术善用更难。BuzzFeed的全面AI转型之鉴给全球传媒业上了一堂现场教学课，它告诉媒体机构——“AI大锅饭”要不得，应该重新思考什么才是媒体真正的立身之本。（作者为重庆大学新闻学院教授、博士生导师）
-
大厂“牛马”，被迫用AI 定焦One（dingjiaoone）原创作者 | 王璐 金玙璠 王汉星 雷晶 陈丹 李梦冉编辑 | 金玙璠这股“AI提效”的风，还是刮到了大厂打工人身上。最开始，AI还只是少数技术极客和尝鲜者的玩具。有人自掏腰包买会员，有人私下交流提示词，把它当成提高效率的新工具，确实从中尝到了甜头。但现在，情况变了。国内外的互联网大厂已经从“鼓励使用AI”进入了“隐性强制使用AI”的阶段。有人被统计每天消耗了多少Token，有人所在团队把AI使用情况和绩效挂上了钩，有人被要求优先使用公司自研工具，有人则要把自己的工作经验拆成流程、写成Skills，交给AI反复调用。当“用AI”、“烧Token”逐渐变成一种考核、一套要求，甚至一种新的工作模板，那些被卷进这场智能化浪潮的大厂员工，真实处境到底如何？这两天，我们和六位来自不同公司、不同岗位的从业者聊了聊。他们的背景涵盖了海外上市公司的CIO、国内头部大厂的高级研发、负责写代码的初级程序员，以及做运营和市场商务的非技术岗。有人靠着AI实现效率翻倍，将产品需求文档的输出周期从几周压缩到一天，甚至一个人干出了过去一个团队的成果；也有人为了应对“智能化产出”的要求，把一份简单的数据看板手动调试了80遍，硬生生把AI用成了需要不断“擦屁股”的初级实习生。大厂的工作氛围也发生了微妙的变化。当那些原本属于个人经验、工作习惯的东西，被一点点拆解、整理、上传、复用，踏实写代码的人成了“不活跃分子”，频繁调试提示词的人则成了“积极拥抱新技术”的典型。新的焦虑也随之冒了出来：我们究竟是在使用AI，还是在给AI当燃料，一步步把自己变成可被替代的流程？在这场自上而下的AI实验里，有人感到兴奋，有人感到疲惫，也有人一边配合，一边不安。但几乎所有人都意识到一点：时代的齿轮已经转动，无论是主动拥抱还是被动配合，那个纯粹依人力、拼时长的工作时代，正在“翻篇”。为了交一份“AI成果”，我把数据看板改了80遍好好 | 国内某头部互联网大厂 运营三周前，领导在群里发通知，说以后“鼓励大家用AI提效”，没有KPI，不挂钩绩效，但在例会上，他对大家强调，以后所有工作产出，都可以让AI先生成一版。那一刻我明白了，这其实是隐性要求。二十多天前，我们被统一要求使用公司自研的AI工具，理由是“数据安全”，但问题很快出现。首先是额度限制。公司给每人发放的调用次数有限，我一边琢磨着如何尽可能用AI完成工作，还得精打细算地“省着点用”。其次是能力不稳定。写文案还行，一旦涉及数据分析和复杂逻辑，就开始出错。上周，我用它做数据看板，直接把我整崩溃了。这个任务很简单，是一个分析客户和销售数据的工具。过去是技术部门的活儿，现在需要“人人都会”。我之前用Gemini顺利写过一个小游戏，就天真地以为搭个数据看板应该也不难。 第1次，AI直接给了我一个数据上传模板，里面多了七八个根本用不到的字段，我只好手动删改。调教到第13次，维度和数据总算对齐了，但显示地区漏了三个，它还解释说是“自动筛选低价值区域”。调整到第40次，数据格式开始混乱，小数点有的保留0位有的保留4位。我强撑到第60次修改，结果上传新数据后，图表无法自动更新，新旧数字叠加在一起，数据膨胀了近一倍。熬到第80次修改，终于走到了PDF导出成功的最后一步，想着终于能松一口气了，但打开后心又死了，费了一下午的功夫收获了一堆乱码。我仔细算了笔账，无论是做数据看板，还是完成日常的工作报告，我反复对AI进行调试、等待“抽卡”的时间，足够人工做完两遍。但领导想看到“AI产出”，我就得陪这位“AI初级员工”不断试错。对我来说，AI既是工具也是负担，大概一半一半。它确实接管了一些重复性工作，但调试、校验、返工的时间又把省下来的精力填满了。我最清晰的感受是，很多工作我明明可以自己做完，却必须绕一圈，用AI“做一遍”。为了凑AI使用次数，我删掉代码让它重写了一遍Kevin | 美国某电商公司 工程师我这周的Kiro（公司内部的AI编程助手）使用次数还没达标。为了凑够，我把一段参数校验的代码删了，直接丢给Kiro让它改写一版。它生成出来看着像那么回事，但少处理了一个异常分支，最后还得我自己补回去。其实我之前用AI写代码用得挺勤的。我订阅了ChatGPT Plus，后来又试过Claude，遇到一些繁琐的基础测试用例，或者需要快速查个不常用的API，丢给AI处理确实能省不少事。那时候是真的觉得能提效，大家也会互相交流提示词。但去年底开始，公司把Kiro定为公司“推荐的AI原生开发工具”，并且定了指标：年底前，80%的工程师每周使用Kiro。 最开始说是为了让大家在项目里顺手把工具用起来，但没过多久，内部就上线了一个追踪员工AI使用频率的系统。谁在用、谁没怎么用，后台都能看出来。最让我们头疼的是，Kiro不太好用。写样板代码、测试、接口适配还行；但一旦牵涉到调用链、状态处理或者部署约束，它生成的代码就经常只是个半成品。所以，大量工程师要求改用Claude Code，认为Kiro不适合高复杂度的工程判断。大家对AI生成的代码不放心是有原因的，去年底，公司有个团队就因为跑Kiro出了个不小的事故。事故之后，AI参与的代码变更审批明显收紧了。但我还是会觉得有点恍惚。那些踏踏实实钻研底层逻辑、手动优化核心代码的人，在追踪系统上不够活跃；反而是那些频繁调试提示词的人，成了“积极拥抱新技术”的典型。我原本以为，工程师的价值是处理那些真正复杂的问题。可现在很多时候，我负责写提示词、盯生成结果、补它留下来的坑。我最担心的不是工作方式变了，而是长期这样下去，自己从零实现、排查复杂问题的能力，会一点点退化。全员写Skills，等于自己“干掉”自己Kelly ｜北京某互联网大厂 后端研发（职级序列8）作为一名后端程序员，我从去年开始就已经在工作中高频使用AI了，用的比较多的是内部的无代码编程工具。今年春节前后，公司整体的AI应用氛围突然变得非常激进。现在，全部员工都能在系统里看到自己每天消耗了多少Token，我的直属领导对我说的最多的一句话就是“这个事儿可以用AI试一试。”目前公司没有明确的Token消耗考核，但是每个部门有各自的考核标准。具体到我所在的部门，近期鼓励全员写Skills，要求大家对日常的工作经验、工作流程、技术细节以及常见问题进行全面盘点，然后文档化、Skills化。Leader主要看两个指标：用公司内部“龙虾”工具每天的Token消耗量，以及Skills的产出量，对于后者，部门甚至有非常明确的考核指标，每周强制要求产出。不仅如此，目前部门里50%的开发需求，被强制要求由Agent生成，这意味着，产品、开发、测试环节被直接跳过，要求用“龙虾”实现端到端的产出。这个50%的比例还会在年内逐步提升，目标是到2026年底争取实现全自动化。Token使用成本方面，我们部门技术序列目前Claude Opus的Token管够，不强制使用内部工具。但大部分部门Opus的额度有限，超出部分要自费，使用内部工具和自家模型的Token没有限制。全面AI化以后，我每天的工作时长反而更长了。不是因为工作量变大，而是因为大家都在卷Skills，你也不得不卷。 比如在我们部门的群里，晚上11点以后还会有同事分享写好的Skills。有时候看到同组的人写出一个比较好用的Skills，我就会感到非常焦虑。这种焦虑，一方面来自于部门对Skills产出考核的焦虑，另一方面，也害怕AI Agent正在一天天取代人的工作。实际上，AI在解决单一问题时，效率不一定比有经验的后端研发高。因为Skill写的简单流程不稳定，要花大量精力去调试、修改，并且Token的消耗量也很大，但当Skills越改越好用之后，AI就会逐步超过人类，并且以非常低的成本运行。作为打工人，大家心里也都清楚，在公司鼓励全员写Skills的背景下，藏着掖着肯定写不出好的Skills，但是把自己所有的技能和经验都SOP化、Skills化，其实离被AI取代的那天也就不远了。AI对于工作效率的提升毋庸置疑，但效率上去了，也就意味着不需要那么多人了。目前公司的内部活水通道已经停了，未来会发生什么，硅谷的科技大厂已经给了答案。“被迫用AI”，但我靠它卷赢了组里的人陈宇 | 国内某手机厂商 通信协议工程师最近半年，我们公司都在卷AI，从去年10月开始，工具开放、额度报销、鼓励人人用。以我们部门为例，每人Cursor每个月都有一定的使用额度要求。用不完会被认为“浪费资源”，账号可能会被回收；用得多但产出没跟上，又会被判定为滥用，同样会被提醒。所以，不用不行，用得不好也不行。在这种趋势下，压力肯定是有的。组里已经有人因为不愿意花时间学AI，加上工作状态一般，被优化了。我对“用AI”的理解和很多人不一样。滥用AI，浪费那么多Token，还不如花钱买游戏玩。AI不是用得越多越好，而是要用得对。我一般每周抽一两天，专门研究怎么让AI更好地适配我的工作、帮我高效干活。 我的岗位是通信协议工程师，写代码只占一小部分，更多的时间是处理用户数据、分析系统日志等。以前分析用户手机卡顿数据问题时，有时候明明是运营商网络导致的问题，也要我们一点点排查，大量精力都耗在无效信息的筛选上。现在，AI能帮我先快速定位并剔除无关干扰，让我专注在真正需要优化的地方。去年一年，我的整体产出提升很明显，绩效在组里排得比较靠前。不过说实话，AI远没到能替代人的程度。它的日志分析准确率只有60%左右，必须人工复核。为了提升AI的能力，我们得不断写规则、优化逻辑。所以，我近半年的工作量是增加的。但这个过程本身就是在“教育”AI，让它服务于人。这两年，我能明显感觉到公司招的人在变少，我觉得这背后肯定有AI的影响。身边有朋友准备换工作时，我都会劝他一定要恶补AI相关能力。同样的技术水平，会不会用AI，在面试和薪资上能拉开明显的差距。现在平台逼着你学，也是帮你提前储备了职业竞争力。我始终认为，AI并不是用来代替人的，它是人和人之间一个新的竞争工具而已。我们没裁员，但效率必须提升3至5倍Ming Lu ｜澳大利亚 某上市公司CIO作为CIO，我可能是公司里最早一批“AI原住民”。在公司正式确立AI战略之前，我已经开始高频使用AI工具。公司因为与微软有长期合作，很早就接入了Copilot，后来，又将Copilot与Claude整合进内部工作体系。毫不夸张地说，我现在几乎所有的核心工作都已由AI完成，效率翻倍。但公司在内部推进AI工具的初期，并不顺利。一开始，采取的是鼓励式策略，给所有部门和员工配备了近乎无限的Copilot使用权限和额度。但效果并不明显，甚至在软件开发和UX部门遇到了阻力。这些团队并不是排斥AI工具，也愿意用AI做辅助性工作，例如写代码片段、生成设计草图。但他们普遍不愿意更进一步，比如，让AI介入核心的SDLC（软件开发生命周期）流程。这种心态可以理解，人们愿意让AI帮忙，但不愿被AI主导。但是，在公司的战略框架里，只把AI当作语法检查器是不够的，我们要的是流程重塑。因此，今年年初，我与CTO共同制定了新的AI战略：要求各部门在四月底前提交AI路线图，并设定了严苛的考核机制——每位经理需提交三个AI倡议（AI Initiatives），每季度按落地情况打分。我们还开始监控Token使用量，考核AI使用率，长期偏低者可能进入绩效改进计划（PIP）。调整后，效果立竿见影。 软件开发的变化最明显。过去，一份产品需求文档（PRD）的形成，需要产品经理与开发团队多轮沟通，周期长达数周甚至一两个月。现在，一位项目经理可以在一天内输出，既有Markdown说明，也附带界面原型图的PRD。项目启动阶段最耗时的“模糊地带”被大大压缩了。如今，我的工作重心也变了。我每天会花大量时间与各部门经理开会，讨论AI可以在哪些环节介入；同时我自己也搭建了一个多智能体的Claude环境，先花大量精力与AI进行头脑风暴，将方案拆解度，最后再交给AI去落地。AI让我把更多的时间花在了“如何把问题想清楚”上。如果需求文档写得不够扎实、商业逻辑不够清晰，AI的执行就会彻底跑偏。这也倒逼我们更多思考商业逻辑的本质。当然，效率提升的另一面是残酷的：岗位可能会减少。虽然公司董事会决定先不裁员，但要求每个员工的效率提升3到5倍，同时，我们已经停止了招收数据分析、程序开发和财务分析方向的新人招聘。这可能也是所有公司迟早要经历的事。我不觉得自己被AI支配，相反，我感受到了前所未有的驾驭感。现在真正感到压力的，是那些工作内容高度标准化、极易被AI直接替代的岗位。而那些具备强大需求分析和顶层规划能力的人，反而更吃香了。用AI后，我的工作反而更忙了云天｜国内某头部大厂 高级研发我是比较早一批自费使用AI的人，每个月在各种工具上的支出接近500美元，从GPT到各类垂类模型，好用的就直接买年包，体验型的就先试月卡。目前我们公司目前对Token使用量没有强制要求，合规前提下，哪个好用用哪个，都是团队综合考虑下来挑选觉得对工作最有帮助的。我现在每个月的Token消耗量大概在30到40亿左右。但即便如此，我的工作时间还是变长了。原因很简单：用AI不仅是“让它干活”，还要先把系统搭起来。就像盖摩天大楼必须先搭架子一样，我们要先构建一套系统，去规范AI的使用边界、降低它的出错率；甚至在AI出问题后及时“擦屁股”，把控它的影响范围。这份工作远比单纯用AI提效更繁琐，相当于一份工作干两份活，适应这套新要求，也花了我不少时间。对于现在市场上普遍焦虑的“Token消耗量纳入KPI”的问题，我倒是有不同的看法。从我接触到的老板或业务负责人来看，没有一个人对AI是不上心的，个个都怕错过这个风口。我了解的两家头部大厂，是会要求员工只能用自己家的大模型，不允许使用Claude、ChatGPT等其它工具。其实我不太理解为何有些公司想将Token使用量纳入KPI，这是管理者心智负担最低的做法，但它衡量不了价值的核心。但从另一个角度看，我认为设立“保底门槛”是合理的。如果一个员工在现在的环境下，完全不烧Token、坚决不用AI，这本身就说明他缺乏改造自身工作流的意识。至于AI引入后会不会导致大面积缩招或裁员，我认为整体就业市场本身就遵循工业革命规律。 大厂的招聘逻辑，从来不是单纯看需要多少人干活，而是看利润支撑和人才策略。把懂AI的人才招进来，哪怕暂时用不上，也是在抢占身位。而对于中小企业来说，AI降低了创业和研发成本，以前100人做的事现在10人就能完成。我认识一位非技术背景的创业者，靠着AI，一个人花了半年时间，硬是敲出了一套完整的ToB教育系统，这在过去至少需要一个百人团队。当全社会的试错成本都在降低时，短期内必然会经历岗位调整的阵痛，但长期来看，整个市场的蛋糕会被做大，会涌现出更多新团队、新机会。那些标准化、重复性强的岗位，被冲击是必然的；但那些需要深度思考、创意策划和资源整合的岗位，反而会因为AI更加受欢迎。时代的车轮从不等人，有些旧岗位被淘汰是必然，但新世界的大门，也正在缓缓打开。*题图及文中配图来源于pexels。应受访者要求，文中好好、云天、陈宇为化名。
-
OpenAI奥尔特曼：不愿自己孩子过早接触AI，现在更希望他玩泥巴 IT之家 4 月 4 日消息，OpenAI 首席执行官萨姆 · 奥尔特曼不希望自己的孩子成为“iPad 一代”。他在 2025 年“喜当爹”后，开始频繁分享育儿经验，也会谈到如何在育儿过程中使用 AI。奥尔特曼在“Mostly Human”播客中谈到，成为父亲之后，自己对算法推荐和“无限滚动”模式的看法发生了明显变化。“当我看到比我孩子稍大一点的孩子已经离不开 iPad，甚至无法把设备从他们手中拿走时，我对此感受非常强烈。”儿童和青少年已经成为 ChatGPT 的重要用户群体，他们用其来学习、处理日常事务，甚至作为倾诉对象。对于何时让孩子接触 AI，奥尔特曼说，他更倾向于“在合理范围内尽量晚一点，而不是太早”。“我现在更希望他去玩泥巴。”播客主持人 Laurie Segall 表示，作为母亲，她一直在思考孩子如何使用科技，并对一些科技从业者一边创造产品、一边让自己的孩子远离这些设备感到不满。比如，谷歌 CEO 桑达尔 · 皮查伊的儿子 11 岁时没有手机，比尔 · 盖茨则是在孩子 14 岁时才允许他们使用手机。据IT之家了解，奥尔特曼也分享了一种他认可的未来教育形态：理想中的学校会提供由 AI 驱动的高强度、个性化一对一辅导，随后再进行项目式学习。“这样的话，听起来不错，但也可以想象很多出问题的情况。”奥尔特曼本人却高度依赖 AI。他在 2025 年 12 月接受吉米 · 法伦采访时说，自己“无法想象在没有 ChatGPT 的情况下如何照顾新生儿”。他回忆一次聚会经历说，当听到别人六个月大的孩子已经“到处爬”时，自己立刻跑去洗手间询问 ChatGPT 是否需要担心孩子发育问题，而得到的答案是孩子发育正常。在 AI 安全问题上，成为父亲并未改变奥尔特曼的立场。自己经常被问到是否因此承担更多“避免毁灭世界”的责任，他的回答是“不”，因为这一直是其最高优先的事项。“我早就知道自己会有孩子，我一直在思考他们未来会生活在怎样的世界里。”
-
深耕AI硬件设备！Meta超级智能部门正在组建专属硬件团队 据BusinessInsider报道，Meta的超级智能部门正在组建一支专属硬件团队，并招募一位资深工程师担任负责人，此举是Meta公司深耕AI硬件设备领域的重要布局。Meta旗下Reality Labs部门以智能眼镜和虚拟现实头显闻名。此次新举措隶属于Meta超级智能实验室（MSL）。这一高调的AI部门于去年宣布成立，表明Meta正在谋划推出其他类型的AI设备。据媒体援引知情人士称，该计划此前尚未有报道。目前已有部分Reality Labs工程师转入MSL，负责在Reality Labs的硬件上对AI部门的软件进行原型开发，两个部门正密切协作。Meta正在招募Rui Xu出任MSL硬件负责人。Rui Xu此前主导AI智能体初创公司Dreamer的硬件业务，而Dreamer的创始团队上月刚刚被Meta收购纳才。据The Information报道，在加入Dreamer之前，Rui Xu曾担任机器人初创公司K-Scale的首席运营官，该公司已于去年关闭。MSL产品与应用研究部门负责人Nat Friedman曾通过其联合创立的AI Grant项目投资过K-Scale。目前，OpenAI等科技巨头正竞相打造一款真正以AI为核心的个人设备，而非仅仅是智能手机的替代品。今年2月，MSL负责人Alexandr Wang在一档播客节目中表示，Meta希望突破手机的边界，迈向一个每个人都拥有个性化AI智能体的时代——这些智能体将遍布用户身边的“星座式”设备群： 你会希望你的个人智能体以多种方式陪伴左右，它将始终在线，看见你所看见的，听见你所听见的。未来数月内，你们将见证我们以惊人的速度向前推进。
-
机构：训练推理共振 算力需求极速释放 工信部办公厅发布关于开展普惠算力赋能中小企业发展专项行动的通知，其中提出，创新算力服务普惠模式。完善中国算力平台中小企业专区、中国中小企业服务网算力资源对接专区、国家算力互联网服务节点专区（统称中小企业平台专区），推动中小企业需求与算力资源供给精准对接，推行按“卡时”“核时”及Token计费等灵活付费模式。探索“算力银行”“算力超市”等创新业务，支持中小企业存入闲置算力资源，通过跨区域、跨周期调度实现灵活取用。渤海证券认为，以OpenClaw为代表的AI智能体应用Token消耗量快速增长，直观反映推理环节需求高景气，带动高性能GPU云服务、AI专用算力卡以及配套存储与网络资源的需求释放。AI时代“词元经济”崛起背景下，全球头部云厂商已进入提价周期，相关企业有望迎来价值重估机遇；算力租赁及IDC厂商亦将充分受益于智算中心新建与扩容带来的产业红利。AI大模型方面，随着智能体应用的持续火热，模型调用量迎来大幅增长。MiniMaxM2.7及KimiK2.5等国产大模型有望凭借显著的Token成本优势，成为OpenClaw等高Token消耗类智能体应用的核心模型选择，助力Token出海。AI应用层面，海外开源智能体项目OpenClaw热度快速提升，国内厂商亦密集推出相关产品，推动智能体应用渗透节奏显著加快。在模型迭代提速与互联网大厂应用推广的双重驱动下，算力产业链具备较为确定的投资机遇。国金证券认为，1）国产Token量破140万亿，国内算力厂商进入业绩临界点，CPU涨价潮又起。2）训练推理共振，算力需求极速释放。2026年将是中国算力需求从“云端训练”向“训练+推理”双轮驱动转型的关键之年，算力缺口将在更多模态和更广场景的催化下，极速释放。3）供给端外部边际改善，内部国产化放量。2026年国内算力供给端将从单一的紧缺状态转向结构性平衡，充沛的算力资源将有效承接需求端的爆发，为算力产业链的业绩兑现奠定基础。
-
全省首家！中原区将出十条硬核举措 助力OPC高质量发展 大象新闻记者 池里军 罗雅静为深入贯彻落实国家“人工智能+”行动部署，抢抓人工智能产业发展战略机遇，近日记者获悉，中原区正研究制定《中原区支持人工智能OPC创新发展若干措施(征求意见稿)》，拟出台全省首个专门支持人工智能OPC创新发展的十条硬核政策，全方位护航OPC产业高质量发展。据悉，OPC是指由具备AI应用开发与整合能力的人才或微型团队创办，以大模型为基础，借助AI编程、智能体等核心工具，在研发、生产、运营等全流程实现效率超线性放大的“AI+超级个体”新型创业实体，是AI时代催生的新型创业形态。十条措施具体内容如下：强化算力服务支撑加强与郑州国家超算中心、郑州数据交易中心等战略合作，全方位协助人工智能OPC申请郑州市“算力券”，给予不超过单个合同额的20%资金支持，同一市场主体每年申领和兑付算力券金额不超过100万元。支持研发适配大模型加快引育智能体开发企业，鼓励研发轻量化开发工具、低代码平台及适配OPC的大模型。对获得中央网信办生成式人工智能模型备案的企业，给予最高20万元的资金补助；支持OPC打造垂直领域模型，对于性能先进的模型，依规对研发单位按照研发成本的20%给予最高200万元补助；支持OPC通过调用第三方大模型API(应用程序编程接口)或者采用本地化部署等方式，开展大模型垂直领域应用，对具有行业引领、示范效应的场景项目，依规按照不超过模型采购费用的20%给予最高100万元补助。高水平打造OPC社区依托中原区“一带三区三轴三网”全域发展格局，鼓励现有园区、楼宇、街区等优质载体进行OPC社区适配改造升级，同时布局建设一批“低成本空间+全链条生态服务”OPC生态社区，为入驻OPC提供普惠算力、数据资源、测试评估等专业服务，以及低成本办公空间、政策服务、场景对接、金融投资、商业配套等生态服务，构建“上下楼就是上下游”的产业生态；鼓励在郑高校整合校内空间和要素资源，共建OPC生态社区。制定中原区OPC生态社区建设指引，定期开展认定、评估工作，按照实际投入金额，依规给予OPC生态社区最高200万元资金支持。健全人才引育体系培育壮大青年科技人才队伍。对毕业3年内来到中原区工作的全日制博士和35岁以下硕士、本科及预备技师(技师)，每月发放1500元、1000元、500元生活补贴，补贴3年。对大中专学生(含毕业2年内的普通高校、留学回国人员)，在郑首次创办企业，正常经营1年以上，给予一次性开业补贴1万元。高校毕业生(含毕业学年和毕业5年内的普通高校毕业生、大学生村官、毕业5年内留学回国人员)自主创业的，申请不超过50万元的创业担保贷款。鼓励青年人才勇于探索、大胆创新，瞄准科技前沿开展科技攻关、跨学科跨领域交叉合作和科技成果转化，通过“人才+项目”支持模式，给予最高10万元支持，促进青年科技人才的快速成长。对来区创业的OPC人才优先配租人才公寓，租金不高于同区域市场租金的70%，并可申请青年人才驿站免费住宿，协助符合郑州市首次购房条件的OPC人才申请购房补贴：博士每人10万元，硕士每人5万元，本科毕业生每人2万元，专科毕业生每人1万元，让在中原创业的OPC人才“留得下、住得好”。加大场景资源开放加大场景开放力度，打造更多综合性重大场景、行业领域集成式场景、高价值小切口场景。支持行业主管部门、企事业单位向OPC开放政务服务、教育、医疗、公共安全等应用场景。聚焦智慧政务、智慧社区、老旧小区改造、数字文旅等重点领域，面向产业创新需求，聚焦传统产业转型升级，为OPC挖掘、梳理和对接场景需求，每年挖掘不少于10个OPC典型应用场景，定期发布“场景机会清单”；聚焦纺织服装、新材料、装备制造等传统优势制造业转型，推动辖区龙头企业、产业园区向OPC开放垂直领域应用场景，每年举办不少于1场“中原智造”场景供需对接会，促成OPC与实体企业深度合作；每年遴选一批创新性强、应用效果好、具有行业引领性的OPC应用场景，按实际投入的20%给予最高50万元一次性奖励。强化科技金融支撑依托中原区区属投资基金，完善快速投资决策机制，坚持“投早、投小、投硬科技”，为OPC提供融资支持；联合辖区银行，为符合条件的OPC创业者提供“郑科贷”业务支持。鼓励各类资本进行长期战略投资，支持OPC全生命周期成长。支持银行设立OPC专项信贷产品，提供符合OPC发展特征的金融服务。对贷款利息按同期贷款市场报价利率(LPR)的50%给予贴息，单家主体年度贴息最高20万元。营造创新创业氛围鼓励OPC社区积极组织辖区企业参加国家级、省级、市级创新创业大赛。对在大赛中获奖的OPC项目，分级给予最高50万元、20万元、10万元的一次性奖励；依托“郑创汇”品牌双创活动，对参加“郑创汇”月赛并获奖，且6个月内落地的企业，给予最高15万元奖励；对在“郑创汇”年度总决赛中获奖，且6个月内落地的企业，给予最高100万元奖励。同时，对推荐报名且项目获奖的OPC社区孵化载体，按每获奖1家给予推荐单位1万元奖励。优化产业发展生态建立“政产学研金服用”多元主体协同的OPC创业联盟，鼓励各类主体定期举办技术沙龙、行业研讨、产业对接、创新工坊等生态活动，构建开放共享、协同创新的产业生态。支持企业、科研院所、行业协会举办具有国际、国内影响力的人工智能会议、论坛、展会等活动，对经报备同意的活动，按照不超过活动实际总支出的30%给予资金补助，单场活动最高不超过30万元。打造一流营商环境在“原惠企”小程序开设OPC服务专栏，实现OPC相关政策一站查询；在中原区政务服务中心设立OPC综合服务窗口，提供企业注册、税务登记、政策咨询、项目申报、帮办代办等“一站式”服务，推行OPC企业开办“一日办结”；建立政企常态化沟通机制，每季度召开OPC政企座谈会、圆桌会，面对面听取OPC主体诉求与建议，建立问题台账，实行限时办结、闭环管理。梯度培育创新型企业针对高成长性的OPC主体，提供全周期培育服务，安排专人提供政策解读、材料预审、全流程帮办等专属服务，对首次认定的人工智能标杆企业，给予一次性10万元的奖补；对首次认定、重新认定的高新技术企业分别给予最高20万元、5万元奖补；对入选国际国内权威榜单的独角兽、潜在独角兽的人工智能企业,分别给予500万元、200万元的一次性奖补；对首次认定为专精特新“小巨人”企业、“隐形冠军”企业，分别给予100万元的奖补;鼓励人工智能领军企业向中小企业开放用户、流量、接口、技术等创新和应用资源，开展产业链协同创新，形成大中小企业融通发展的格局。此次中原区拟出台的十条硬核举措，覆盖OPC发展全链条、各环节，从算力支撑、研发创新、社区载体、人才引育、场景开放、金融赋能，到双创氛围、产业生态、营商环境、企业梯度培育，精准对接发展需求、破解发展痛点，为OPC从初创培育到发展壮大提供全生命周期保障。既有利于培育本土科创新势力、激活区域经济新动能，也将立足郑州国家中心城市核心城区定位，助力郑州打造“人工智能+”产业标杆、带动区域产业协同升级，助力河南抢占人工智能产业发展制高点，推动数字经济与实体经济深度融合，为全省人工智能OPC产业高质量发展树立标杆、打造样板、提供可复制可推广的实践经验。编辑：曹东方二审：张欣欣三审：池里军
-
Claude Code被开源事件持续发酵，黑客钓鱼传播窃密软件 IT之家 4 月 3 日消息，科技媒体 bleepingcomputer 昨日（4 月 2 日）发布博文，报道称 Claude Code 被开源事件仍在持续发酵，有黑客在 GitHub 上创建虚假仓库，传播 Vidar 信息窃取恶意软件。IT之家此前报道，Anthropic 公司由于人为操作失误，其终端 AI 工具 Claude Code 的完整前端源码被意外打包进 npm 公开包中，导致 51.3 万行代码外泄。安全公司 Zscaler 发布的报告显示，名为 idbzoomh 的用户抓住这个热点，在 GitHub 建立了虚假仓库，声称提供“解锁企业功能”的泄露源码。 此外该黑客还针对性优化索引相关内容，提高在搜索引擎中的排名，导致用户搜索相关关键词时极易中招。用户一旦下载并运行其中的可执行文件，Vidar 信息窃取程序便会入驻系统，同时部署 GhostSocks 代理工具。Vidar 是暗网明码标价的成熟恶意软件，专攻浏览器数据、加密货币钱包等敏感信息。研究人员指出，该虚假仓库内的恶意压缩包更新频繁，未来可能携带更多攻击载荷。此外，还发现了第二个采用相似手法的仓库，推测为同一攻击者在测试不同的传播策略。
-
华尔街力挺“大裁员换AI算力军备”叙事! 看好甲骨文(ORCL.US)为数据中心豪赌腾挪现金流 智通财经APP获悉，数据库软件与云计算超级巨头甲骨文公司(ORCL.US)正在通过裁员手段极致压缩成本，以支持其宏大的人工智能雄心壮志。此次裁员发生在包括甲骨文、微软以及谷歌在内的科技巨头们大幅增加AI基础设施投资的宏观背景下，这家跨国科技集团正寻求裁减数千个工作岗位，以腾出更大规模现金来建设人工智能数据中心基础设施。有媒体援引知情人士透露的消息报道称，这家科技巨头已经通知其拥有的16.2万庞大员工队伍，新一轮裁员将影响上万名员工。甲骨文方面对于最新的裁员消息则拒绝置评。有华尔街分析师表示，从长远角度来来看，裁员将释放现金流，把更多资源从低回报环节重新配置到高增长环节，进而大幅增加该公司整体营收。投资者们仍对该公司在处理天量级AI工作负载的超大规模AI数据中心上的巨额AI资本支出感到不安。尽管本周迄今甲骨文股价在中东地缘政治局势缓和迹象推动下的反弹幅度达到5%，但该公司股价今年迄今已累计下跌超25%。该公司在2月初宣布，计划在2026年日历年通过债务和股权相结合的方式筹集至多500亿美元资金，以大举扩张其已签约的与云端AI训练/推理算力资源密切相关联的云计算需求对应的无比庞大云基础设施实际容量，核心客户主要包括英伟达、Facebook母公司Meta、OpenAI、AMD以及xAI。当模型规模、推理链路与多模态/代理式Agentic AI工作负载推动算力资源消耗呈指数型外扩时，科技巨头们的资本开支主线愈发倾向于向AI算力需求井喷之下的AI算力基础设施集中，全球投资者们更是将围绕英伟达AI GPU、谷歌TPU集群与AMD的新品迭代与AI算力集群交付预期的“AI算力牛市叙事”，继续锚定为全球股市中最具确定性的景气投资叙事之一。甲骨文等美国科技巨头们正处于两股搅动科技板块的令人不安趋势的交汇点之上根据机构汇编的最新分析师预期，亚马逊连同谷歌母公司Alphabet、Facebook母公司Meta Platforms Inc.，以及甲骨文公司和微软，预计将在2026年的累计人工智能相关资本支出达到大约6500亿美元，还有一些分析师认为整体支出可能超过7000亿美元——意味着同比AI资本开支增幅可能超过70%。值得注意的是，上述的这五大美国超级科技巨头，预计将在2023年至2026年间，为打造无比庞大的AI算力基础设施累计投入约1.5万亿美元;相比之下，这些科技巨头们在2022年之前的整个历史统计期间累计投资约6000亿美元。然而，由于上述的这些无比庞大的AI支出将大幅削减这些公司的自由现金流，而短期回报又缺乏明确的与AI密切相关联的变现与创收路径，这让投资者们愈发感到担忧。对人工智能算力基础设施的愈发庞大投资，何时才能在营收与利润增长上带来更显著的投资回报，其次则是“AI颠覆一切”的悲观叙事论调令全球投资者们持续抛售包括这五大科技巨头在内的软件股，导致这些巨头今年以来股价持续萎靡，尤其是微软股价在今年一季度累计下跌23%，录得自2008年金融危机以来最差季度表现。华尔街力挺甲骨文裁员举措，强调将有助于节省成本来自华尔街金融巨头巴克莱银行的分析师团队周二在一份研究报告中表示，甲骨文的裁员将有助于短中期内强劲释放现金流。这家金融机构表示，对该股继续给予“增持”评级，对于未来12个月目标价层面，巴克莱则予以230美元目标股价。截至周三美股收盘，甲骨文股价收于145.230美元。“考虑到甲骨文现有的2026财年大规模重组计划以及此前的相关媒体报道，我们并不认为现在宣布的裁员举措会让市场感到意外。市场似乎已经认识到，在该公司快速扩张最核心的AI基础设施产能之际，甲骨文这些最新举措所蕴含的节省成本潜力，以及AI基建狂潮将带来的强劲创收预期。”来自巴克莱的分析师们表示。巴克莱还强调，甲骨文的人均利润产出低于其竞争对手，其员工生产率也低于平均水平。巴克莱分析师们最新预测数据显示，由于员工人数增长相比于其他云计算巨头们而言有限且经营成本被大幅削减，甲骨文未来几年营收将增长至当前的至少三倍。不同于Block在AI智能体技术驱动下的“暴力裁员”，甲骨文聚焦于AI算力军备竞赛就甲骨文而言，这轮大规模裁员更像是为AI算力基础设施军备竞赛腾现金流、稳住投资者情绪和提高资本利用效率，而不是该公司已经明确证明“AI代理式工作流足以直接替代大量员工”。公开信息显示，甲骨文一边启动影响数千人的裁员，一边推进高强度AI基建扩张，公司此前不久计划筹资最高500亿美元用于扩产，股价今年以来显著下跌约29%。但与此同时，甲骨文又给出了非常强的AI算力资源需求口径：剩余履约义务(RPO)同比飙升325%至5530亿美元，并把2027财年营收目标提高到900亿美元。换句话说，“AI颠覆一切”叙事对甲骨文基本面的影响是真实且巨大的，但更像是先重塑资本开支、自由现金流和估值框架，再逐步传导到组织结构。推特联合创始人Jack Dorsey领导的Block一次性裁员超过4000员工，接近该科技公司员工总数的一半。该公司的公开声明显示AI智能体模式的代理式AI工具让更小团队也能维持更高效率经营;其CFO之后还进一步表示，聚焦于AI智能体的代理式工作流带来的经营效率大幅提升，所引发的深度裁员对任何企业而言几乎是“不可避免”的。相比之下，甲骨文虽然最近确实把Fusion云软件重构为聚焦代理式AI工作流的Agent AI/Agentic AI，希望让系统直接完成业务结果、自动化大量重复流程，但该公司在裁员这件事上公开给出的信号，仍主要是重组、降本和给AI数据中心建设让路，而不是像Block那样把“AI已经足以替代传统组织层级”作为裁员主叙事。 对甲骨文来说，眼下更强的裁员叙事在于，持续炸裂式增长的AI算力需求把数据中心GPU、电力设备等基础设施和融资需求推到极高水平，公司必须把资源从低回报环节重新配置到高增长环节。
-
机构：持续关注AI主题的投资机会 中信证券认为，2026年以来，国产大模型厂商聚焦Agent及代码能力升级，竞相发布新模型。即将发布的DeepSeek下一代新模型有望延续高性价比开源模型路线，在能力上实现更强记忆功能与超长上下文处理，精进代码、Agent能力的同时补齐多模态短板，带来模型原厂、AI应用、AI基础设施方向的新投资机遇。1）模型原厂：DeepSeek新一代模型有望与其他国产模型携手，驱动中国AI加速走向世界，同时模型训推进一步降本，更廉价的tokens驱动全球大模型API调用量整体增加。2）AI应用：模型平权有助于缓解市场对于模型与应用矛盾叙事带来的焦虑，助力千行百业AI Agent落地，利好有壁垒的AI应用公司；3）AI基础设施：降本带来用量增长使AI Infra受益，国产AI Infra与国产模型相向而行。平安证券认为，MiniMax发布首个自我迭代模型MiniMaxM2.7，国产大模型持续迭代，同时OFC展会也进一步印证了AI算力需求的高景气度。当前，以GLM-5、M2.7、KimiK2.5等为代表的我国国产大模型持续迭代，能力持续提升，将进一步推动国产大模型从“可用”到“好用”，加快国产大模型在千行百业应用场景的落地，加快我国大模型产业的发展。坚定看好我国AI产业的发展前景，建议持续关注AI主题的投资机会。
-
“HBM之父”金正浩：AI芯片格局将生变，内存会取代GPU主角地位 IT之家 4 月 1 日消息，当地时间 3 月 30 日，据韩媒《亚洲经济》报道，被称为“HBM 之父”的韩国科学技术院电气与电子工程学院教授金正浩表示，AI 芯片格局即将发生根本性变化，当前以英伟达 GPU 为核心的体系，将被内存主导的架构取代。金正浩指出，“现在是 GPU 主导一切的时代，但未来，GPU 将被‘装进’HBM（高带宽内存）和 HBF（高带宽闪存）之中，计算核心将彻底转向内存，GPU 和 CPU 将成为配角。” 随着 AI 从“生成式 AI”向“AI 智能体”演进，内存瓶颈正成为核心问题。“AI 已经从只执行指令，发展到能够自主判断并生成完整报告。伴随而来的，是一次性处理海量文档和视频的‘上下文工程’。要应对这种数据规模，内存带宽和容量都需要提升到现在的 1000 倍。”金正浩进一步指出，AI 的“幻觉问题”本质上同样源于内存限制。“内存不够，系统只能基于已有信息拼凑答案，因此出现错误。如果要实现真正可靠的智能体，必须具备极强的记忆能力。”IT之家从报道中获悉，当前主导 AI 加速器市场的 HBM，通过堆叠 DRAM 实现高速数据传输，但在金正浩看来，这只是“短期记忆”。“HBM 就像手边的参考书，用于快速响应。而 HBF 则是由 NAND 堆叠构成的‘图书馆’，代表长期记忆。只有引入类似 HBF 的层级结构，AI 才能在全球数据中检索并给出完整答案。”围绕这一方向，企业竞争已经展开。SK 海力士已与闪迪推动 HBF 标准化，试图抢占生态主导权；三星电子在推进 HBM4E 的同时，也在加大 NAND 架构投入。金正浩认为，这一竞争格局与 HBM 早期发展阶段高度相似。“当年 SK 海力士提前投入，最终占据领先；三星因犹豫而付出代价。未来 10 年的胜负，将由 HBM 和 HBF 决定，而真正决定格局的，将是 HBF。如果现在不持续投入基础设施和研发，两家公司都可能面临风险。”金正浩预计，HBF 工程样品将在 2027 年前后出现，最早到 2028 年，谷歌、英伟达或 AMD 中的一家将率先导入这一技术。其中，最重要的变化在于计算架构的根本转移。“过去计算以 GPU 和 CPU 为中心，但未来将进入‘内存中心计算’时代，HBM 和 HBF 成为核心，GPU 反而成为其中的组成部分。谁能率先构建这一体系，谁就能主导下一阶段。”金正浩还指出，马斯克计划建设涵盖封装、内存和晶圆制造的大型工厂，正是基于对这一趋势的判断。在 GPU 主导地位仍被普遍接受的背景下，金正浩明确表示，未来 10 年半导体产业的核心将发生彻底转移，而当前正是决定行业格局的关键时刻。
-
Mac跑大模型提速：本地AI工具Ollama接入苹果MLX框架 IT之家 4 月 1 日消息，科技媒体 Ars Technica 昨日（3 月 31 日）发布博文，报道称本地 AI 工具 Ollama 发布 0.19 预览版，全面接入苹果 MLX 机器学习框架，提升苹果 Mac 运行本地大模型速度。本次更新深度优化统一内存的使用效率，改进缓存性能，并新增支持 NVFP4 模型压缩格式，并针对部分模型专项优化，大幅降低其在 Mac 运行时的内存占用。对于最新搭载 M5 芯片的 Mac 设备，Ollama 还可以直接调用神经网络加速器，进一步提升每秒生成词元（token）数与首词响应速度。该功能目前仅在 Ollama 预览版中提供，模型方面，首批仅支持阿里巴巴开源的 350 亿参数 Qwen3.5 模型；硬件门槛上，该功能需要至少 32GB 的统一内存。对于用户而言，升级该预览版后，在使用 OpenClaw“龙虾”等私人助手、运行 Claude Code 和 Codex 等编程智能体工具时，本地 AI 模型能加快响应速度，进一步改善使用体验版。IT之家注：MLX 是专为 Apple 芯片打造的开源阵列框架，能够高效地执行机器学习任务，并支持用户使用 Python 和 Swift 直接在设备上运行大型语言模型。这个高性能机器学习框架针对 Apple 芯片进行了优化，可以在 CPU 和 GPU 上快速完成数值计算和机器学习任务。
-
36氪首发丨东南亚二手电商「Kitar」完成Pre-A轮超千万美元融资，今年 GMV 将达1亿美金 东南亚虽是电商竞争的焦灼之地，但仍有蓝海。36氪获悉，东南亚二手电商平台「Kitar」近日完成 Pre-A 轮超千万美元融资。本轮融资由源码律动领投，山行资本超额跟投，Mindworks 概念资本跟投，银橡资本担任独家财务顾问。本轮融资完成后，「Kitar」将加大在 AI 能力建设、质检与供应链基础设施、线下回收网络以及区域化运营体系上的投入，继续深耕印尼市场，并加快向东南亚更广泛市场扩展。「Kitar」创始人Frank Zhou毕业于清华大学电子系，互联网产品出身。2021年他移居东南亚，从零孵化Shopee外卖业务，成为东南亚第二大外卖平台，在此过程中深度理解了东南亚市场的“时光机”效应。他发现越南半数以上的外卖骑手在使用iPhone，走访得知这是骑手出于对性能机追求下购买的二手iPhone。更进一步的平台分析与调研，他发现整个二手市场在东南亚有着巨大的需求有待满足，因此成立了「Kitar」。此前，Frank Zhou也作为瓜子二手车的核心高管，参与了中国二手交易平台的早期构建与扩张。「Kitar」的成员多来自 Shopee、字节、阿里等头部互联网企业，具备平台产品、技术研发、供应链运营与本地市场拓展能力。由于单一模式的二手电商在盈利能力和规模上都将受限，「Kitar」定位为东南亚的“转转+闲鱼”：采用 B2C+C2C 结合的模式，先建立标准化和信任机制、以自营的方式做深二手手机这一品类，再借助 AI 和团队的的运营能力，向更广泛的 3C 及耐用品类延展。比如，房产、二手摩托车、二奢、家具等高客单价的品类都在「Kitar」的考虑范围内，它们都有足够的利润空间，而模式较轻的 C2C 业务则主要发挥引流的作用。按照「Kitar」团队的判断，预计到2030年，电商在东南亚整体的市场规模约4000亿美金，其中二手电商渗透率较高，能分走8%-10%的份额，这是一个300-400亿美金的蓝海市场。Frank Zhou 观察到，东南亚二手电商目前处于赢家通吃的局面，竞争不算激烈。「Kitar」优先做印尼市场，基于当地现实情况：印尼人口占东南亚近半，电商规模占该区域30-40%。据他判断，「Kitar」仍有很大发展机会，如果能做到行业第一，将吃下200亿美金的盘子，对标5亿美金利润，这意味着「Kitar」有机会成长为市值几十亿美金的头部独角兽。平台能解决二手交易最大的痛点即信任问题，「Kitar」形成了一整套标准化的体系，将二手手机这一非标品转化为标品，解决用户的不确定性和顾虑。事实上，「Kitar」团队在做二手车时就通过数据和算法规模化来解决质检、定价、选品等问题。AIGC广泛运用后，则可以减少人力对质检的干扰，并通过 AI 来生成产品筛选和检验相关的视频。二手手机最大的供给来自个人卖家。「Kitar」从两个方面来获取这些优质货源，一方面，通过平台和自媒体的内容快速的触达用户，并且建成品牌心智；另一方面，结合东南亚线下交易活跃的地区特色，开设线下店，与线上同步，和用户以及卖家建立信任。目前，「Kitar」有3家商场店和5个 work station（驿站），前者以打造品牌心智为主，后者则承担履约功能，分区提供上门回收服务。到今年底，「Kitar」计划开20家商场店以及40家 work station，覆盖东南亚70多个城市。此外，在供应链方面，「Kitar」也和 Shoppe 达成合作，负责其“以旧换新”业务，这与爱回收和京东的合作关系类似。由于苹果这类品牌在印尼没有直营店，销售由当地经销商把控，「Kitar」则与这类经销商达成了合作。二手电商十分考验精细化运营能力，在线下的布局也相对重，Frank Zhou 认为，这也会成为壁垒。在这个品类上，对 Shoppe、TikTok 等东南亚当地头部电商而言，寻求与「Kitar」这类公司合作是更好的解决方案。随着 AIGC 时代来临对手机内存消耗显著提升，叠加内存持续涨价带来的新机价格上扬，再加上不同于欧美等发达国家换机周期变长，东南亚地区以性能衰减较快的安卓机为主，换机潮趋势仍然明显，东南亚二手手机赛道仍有较长的红利期。为此，「Kitar」也制定了较为积极的发展目标。到今年底，市场份额上，要占印尼二手手机市场的5%；用户数方面，DAU 达到百万级；销售规模方面，GMV 将达到1亿美金。
