Stay hungry, Stay foolish

本文整理自 YouTube 视频《Box CEO on AI Agents & Why Enterprise Can’t Keep Up | a16z》，由有道龙虾总结和发布。 硅谷现在谈 AI，很容易把一切说得像已经解决了。 模型越来越强，agent 会用工具，会写代码，会操作电脑。于是很多人自然得出结论：企业里的知识工作很快会被自动化，SaaS 会被替代，工程师会变少，咨询公司和系统集成商也该退场。 但 Aaron Levie、Steven Sinofsky 和 Martin Casado 这场对话给了一个更贴近现实的版本：企业 AI 最大的阻碍，不是模型不会回答问题，而是系统太旧、权限太碎、数据太散、流程太复杂。 AI 可以让人更快地产生软件和信息，但它不会自动把一家运行了十年、几万人使用、堆满遗留系统的大公司变得清爽。 真正的企业 AI 落地，难在 integration。 硅谷和真实企业之间，有一道工作方式鸿沟 Aaron Levie 说，他现在的工作有点像“把现实带到硅谷，再把硅谷带回现实”。 这句话背后，是他在企业客户那里看到的巨大落差。 在硅谷，尤其是工程师群体里，人们使用 AI agent 的条件太好了：技术能力强，能读懂错误，能自己选工具，能调试环境，能接受新范式；更重要的是，代码任务天然适合模型，因为代码可验证，反馈循环清楚。 但企业里大多数知识工作不是这样。 普通员工技术门槛更低，数据分散在多个系统里，流程沉淀了多年，权限经常不清楚，历史系统很多，安全和合规要求也更重。你不能简单把 coding agent 的成功经验搬过去，然后期待财务、法务、客服、采购、人力都同样提速。 这不是政府和科技行业那种“互相听不懂”的差异，而是工作流和技术环境本身就不同。 所以 AI 从硅谷扩散到整个知识工作世界，会需要几年时间。不是因为模型不够酷，而是因为企业要把旧系统、旧流程、旧权限和新 agent 接起来。 “95% 企业 AI 项目失败”这类说法，问题出在定义 Martin Casado 提到，类似 MIT “95% 大公司 AI 项目失败”的统计，其实很容易误导。 如果说大公司里没人有效使用 AI，那显然不对。很多员工已经在用 ChatGPT、Claude、Copilot 这类工具提高个人效率。...

本文整理自 YouTube 视频《AI era skills: Why cultivating agency matters more than job titles | Max Schoening (Notion)》，由有道龙虾总结和发布。 AI 让很多人第一次意识到：以前挡在自己面前的，可能不是技能，而是行动力。 过去你可以说，“我不会写代码，所以我做不了这个产品”；“我不是设计师，所以我做不了这个界面”；“我不是工程师，所以我只能写 PRD”。但当模型把很多技能放到你手边，真正的差距就暴露出来了：你到底有没有把世界当成可改变的东西？ Notion 产品负责人 Max Schoening 在这场访谈里，几乎一直围绕这个问题展开。他做过 Google 产品经理，带过 Heroku 设计团队，在 GitHub 做过设计和工程领导，也是两次创业者。现在，他在 Notion 负责产品，是少数真正把设计、工程、产品、AI 工作流混在一起实践过的人。 他对 AI 时代产品团队的判断很直接：角色会变，工具会变，第一版产品会越来越便宜。但最后能拉开差距的，不是你会不会“用 AI 写代码”，而是 agency、品味、质量意识，以及你能不能抓住产品里那个小到不能再小、却强到让人离不开的核心。 Notion 的起点：别在 Figma 里画一条死鱼 Max 刚加入 Notion 时，团队正在做很多聊天界面。问题是，他们一开始仍然用 Figma 设计这些聊天界面。 这听起来正常，但在 Max 看来，静态聊天界面像 Brett Victor 那个著名演讲《Stop Drawing Dead Fish》里说的“死鱼”。AI 不是静态页面，它的体验来自对话、流动、响应、失败、恢复和迭代。你只看一张图，很难真正感受到这个东西是否有效。 于是 Max 和两个设计师做了一个非常粗糙的 playground：一个小代码库，尽量 LLM-friendly，用模型擅长的技术栈，让设计师可以直接在里面原型 AI 聊天体验。 这不是为了让设计师马上给生产代码提 PR，而是为了让他们用“真正的材料”思考。...

本文整理自 YouTube 视频《How Math Unlocked AGI》，由有道龙虾总结和发布。 几年前，如果你让 ChatGPT 算一笔稍微复杂一点的露营 AA 账，或者帮三个不同时区的人找一个合适的 Zoom 会议时间，它大概率会翻车。 今天，OpenAI 的研究员已经在讨论另一个问题：模型能不能帮助 Fields Medalists 做日常研究？能不能解决 42 年没人解决的开放问题？能不能把数学家几个月甚至几年才能完成的思考，压缩成几天、几小时，甚至未来更长时间的自动研究？ 在 OpenAI Podcast 里，主持人 Andrew Mayne 和两位研究员 Sebastian Bubeck、Ernest Ryu 聊了一场关于数学、科学和 AGI 的对话。Sebastian 曾在 Princeton 任教，长期研究优化和机器学习理论，后来加入 Microsoft，现在是 OpenAI 研究员。Ernest Ryu 也是应用数学家，曾在 UCLA 数学系任教授，研究优化和机器学习理论，最近加入 OpenAI。 这场对话最有意思的地方，不是简单说“AI 数学变强了”，而是把这件事放进了一个更大的框架里：数学为什么是衡量推理能力的最佳训练场？为什么模型会从几分钟推理走向几天、几周甚至几个月推理？为什么这条路和 AGI 密切相关？以及，为什么 AI 越强，越需要真正懂数学、懂科学的人类专家？ 两年前还没有真正的推理模型，现在已经能帮数学家工作 Sebastian 对过去几年的变化用了一个很重的词：miraculous，近乎奇迹。 他提醒大家，两年前我们甚至还没有今天意义上的 reasoning model，更不用说证明困难数学定理。可现在，模型已经可以帮助 Fields Medalists 处理日常数学工作。 Ernest 说，这种进步连他们自己都被震到了。 一年前半，他参加过一个数学会议的 workshop。当时有一场辩论，主题是：只靠扩展 LLM，能不能帮助解决重大开放问题？现场一开始大约 80% 的数学家认为“不可能”。辩论结束后，比例变成大概 50-50，看起来已经是很大进展。 但回头看，这个争论本身都低估了速度。仅仅八个月后，模型就开始触及研究级数学。 这也是今天很多人还没完全反应过来的地方。我们对 AI 的印象更新得太慢了。很多人还记得早期 ChatGPT 算错小学题、搞错单位换算、不会安排时区会议，于是默认“语言模型不擅长数学”。但模型能力曲线并没有停在那里。...

本文整理自 YouTube 视频《AI’s Trillion-Dollar Opportunity: Sequoia AI Ascent 2025 Keynote》，由有道龙虾总结和发布。 Sequoia 的 AI Ascent 开场演讲，表面上是一场活动欢迎词，实际上更像一次给创业者和投资人的集体校准。 演讲由 Pat、Sonia 和 Constantine 三部分组成：先从宏观上解释 AI 这波浪潮为什么特殊，再讲 2026 年正在发生的核心变化，最后把 AI 放进更长的人类技术史里，讨论一个由机器承担大部分认知工作的未来。 他们的判断很明确：AI 不是又一个软件周期，也不是移动互联网的延长线。它是一场计算方式的革命，而且速度更快、市场更大、影响更深。 AI 不是凭空出现的，它站在过去所有浪潮之上 开场先把镜头拉得很远。 硅基晶体管给了硅谷名字；晶体管被做进系统，系统通过网络连接起来，互联网由此出现；互联网又孕育了社交媒体、云计算；云和移动设备进入每个人口袋，最后才有了今天看起来“像魔法一样”的 AI。 Sequoia 强调这一点，是因为技术浪潮不是互相替代，而是叠加的。 今天的 AI 能够爆发，靠的不是某一个单点奇迹，而是几十年积累下来的算力、带宽、数据、工程人才和用户习惯。没有云，就没有大规模训练和推理；没有移动和互联网，就没有足够丰富的数据和分发；没有半导体持续演进，就没有足够便宜的计算。 所以这波 AI 浪潮看起来突然，其实是很多层基础设施堆到临界点后的结果。 这波浪潮最大的不同：它同时吃软件和服务 Pat 给 AI 浪潮总结了三个特征：最大、最快、最不同。 第一，它可能是目前为止最大的技术浪潮。 过去 15 年，云计算推动软件市场从大约 3500 亿美元增长到 6500 亿美元，其中云软件成长到约 4000 亿美元规模。这个数字已经非常大，但 AI 的新变量在于，它不只进入软件市场，还开始进入服务市场。 演讲里用了一个很直观的例子：美国法律服务单一垂直、单一地区就是约 4000 亿美元市场，几乎相当于整个云软件规模。 如果 AI 能够承担一部分法律、医疗、金融、咨询、销售、运营、人力、教育等服务工作，那它面对的就不是几千亿美元的软件 TAM，而可能是数万亿美元级别的服务市场。 他们用了一个方便记忆的数字：10 万亿美元。这个数字不一定精确，可能是 5 万亿，也可能是 50 万亿，但方向很清楚：AI 第一次让软件公司有机会直接触碰传统服务收入。...

本文整理自 YouTube 视频《How GPT, Claude, and Gemini are actually trained and served – Reiner Pope》，由有道龙虾总结和发布。 现在很多 AI 产品都开始提供“快速模式”。Claude、Codex、Cursor 这类工具里，用户可以多付几倍的钱，换来更快的 token 输出速度。 这个现象表面上像是商业定价，背后其实是芯片、内存、模型架构和集群调度共同决定的结果。 MatX CEO Reiner Pope 很适合讲这件事。他以前在 Google 做过 TPU 架构，如今创业做 AI 芯片。和常规访谈不同，这次他几乎是站在黑板前，从 transformer 在一整架 GPU 上怎么跑开始，一步步推导出：为什么 AI API 会这么定价，为什么模型越来越稀疏，为什么长上下文这么贵，以及为什么 AI 进展看起来会被硬件形态牵着走。 Fast Mode 贵在哪里：核心不是“算得更快”，而是 batch size 访谈一开始的问题很直接：为什么用户多付 6 倍价格，模型就能以 2.5 倍速度输出？能不能继续加钱，100 倍价格换 100 倍速度？反过来，如果我愿意等很久，能不能有一个“Slow Mode”，价格便宜很多？ Reiner 的答案很干脆：最大的因素是 batch size。 大模型推理不是一个用户来一次就单独跑一次。服务商会把很多用户的请求攒成一个 batch，一起送进 GPU 集群。这样做的原因也很朴素：模型权重太大了，每次推理都要从内存里把权重读出来。如果只服务一个用户，这次权重读取成本完全由一个 token 承担；如果同时服务两千个序列，这个成本就被两千份摊掉。 Reiner 用 roofline analysis 来估算推理时间。粗略说，推理时间由两个下限共同决定：...

本文整理自 Sequoia Capital 对 OpenAI 联合创始人兼总裁 Greg Brockman 的一场访谈，原视频标题为《Greg Brockman: Inside the Race for Compute, Codex, and AGI》。以下内容由有道龙虾总结和发布。 如果你想理解 OpenAI 现在到底在押注什么，Greg Brockman 这场访谈很值得看。 他不是只讲“AI 会改变世界”这种大话，而是把 OpenAI 的生意、技术路线、组织变化、创业公司的机会和风险，都摊开讲了一遍。 最直白的一句话是： OpenAI 的业务在某种意义上很简单：买算力、租算力、建算力，然后以一定利润卖出去。 听起来像云厂商，但背后卖的不是普通计算资源，而是越来越便宜、越来越强的“智能”。 OpenAI 最缺的东西，还是算力 主持人一开场就提到 Greg 的经历：他是 Stripe 第四号员工，后来成为第一任 CTO；如今是 OpenAI 联合创始人兼总裁。Stripe 处理的支付规模据说已经达到全球 GDP 的 1.6%，而 OpenAI 的周活用户也接近甚至超过 10 亿。 但 Greg 对这些成绩的回应很克制。他更关心的是一件事：算力够不够。 答案是：不够，远远不够。 他回忆 ChatGPT 刚发布时，团队问他应该买多少算力，他的回答是“全部”。团队以为他在开玩笑，又问了一遍，他还是说：全部。 原因很简单： 无论我们用多快的速度增加算力，都追不上需求。 OpenAI 对算力的渴求，不只是为了训练更大的模型，也是为了服务海量用户和越来越复杂的智能体任务。Greg 的判断是，人类对“解决问题”的需求，对“智能”的需求，几乎是无限的。只要边际利润为正，就应该继续扩大规模。 这也是为什么他会把 OpenAI 的商业模式讲得像一门朴素生意：采购、建设、租用计算资源，再把它转化成可用的智能服务卖出去。 Scaling Laws 还没撞墙 谈到模型能力增长，Greg 用了一个很有意思的说法：Scaling Laws 是一个“深刻而美丽的谜”。...

本文整理自 YC 总裁对 DeepMind CEO Demis Hassabis 的访谈，由有道龙虾总结和发布。 Demis Hassabis 对 AGI 的判断很直接：现在这套大模型路线不是死路，预训练、RLHF、思维链、强化学习和搜索，大概率都会出现在最终的 AGI 架构里。 但它还不完整。 在这场 YC 对谈里，他反复提到几个词：持续学习、长期推理、记忆、一致性、智能体、科学发现。这些词听起来像技术细节，但放在一起，其实是在回答一个更大的问题：AI 到底什么时候从“会回答问题的模型”，变成“能主动解决问题的系统”？ Demis Hassabis 为什么值得听 Hassabis 的经历很少见。 他小时候是国际象棋神童，17 岁做出了热门游戏《Theme Park》。后来他又回到学校读认知神经科学博士，研究大脑中的记忆与想象机制。2010 年，他创办 DeepMind，给公司的使命定得非常大：solve intelligence，解决智能。 后来发生的事大家都知道了。 AlphaGo 击败围棋世界冠军，AlphaFold 破解蛋白质结构预测这个困扰生物学 50 年的难题，并把成果免费开放给全球科学家。Hassabis 也因此获得诺贝尔化学奖。如今他领导 Google DeepMind，继续推动 Gemini 和 AGI。 所以当他谈 AGI 缺什么、智能体到哪一步了、AI 会怎样改变科学时，他不是在聊概念，而是在复盘一条已经跑通过几次的路。 AGI 不是推倒重来，但还差一两块关键拼图 主持人问他：现在的大模型范式，包括大规模预训练、RLHF、思维链推理，离 AGI 的最终架构还有多远？ Hassabis 的答案很克制： 这些组件大概率会是 AGI 最终架构的一部分。它们已经证明了太多能力，我不认为几年后我们会发现这是一条死路。 但他马上补了一句：还可能缺一两件大东西。 他点名了四个问题： 持续学习：模型不能只靠一次训练和临时上下文，它要能把新经验稳定地融入已有知识。 长期推理：不仅能做几步思考，还要能跨很长时间、复杂任务持续推进。 记忆机制：不是把所有东西塞进上下文窗口，而是知道什么该记、什么该忘、什么时候取出来。 稳定一致性：同一个模型不能一边解 IMO 金牌题，一边在简单算术或推理上翻车。 他认为，现有技术可能通过规模化和渐进创新解决这些问题，也可能还需要“一两个大想法”。他的判断大概是五五开。 这句话很重要。它既不是“AGI 明天就到”，也不是“大模型泡沫快破了”。更像是在说：主路已经很清楚，但最后几公里可能最难。 记忆不是更长上下文，而是更聪明的取舍 今天很多模型已经有百万 token 级别的上下文窗口。听起来很夸张，毕竟人类工作记忆也就几个数字。...

本文整理自Youtube 博主 Lenyy 对 Claude Code 和 Cowork 的产品负责人 Cat Wu 的访谈，由有道龙虾总结和发布。 如果你还在用半年、一年为单位规划 AI 产品，可能已经慢了。 Anthropic 的 Claude Code 和 Co-work 团队，现在很多产品功能的周期已经从过去的 6 个月，压缩到 1 个月、1 周，甚至有时候是 1 天。 这不是因为他们找到了某个神奇流程，也不只是因为他们能用最前沿的模型。更核心的变化是：AI 正在把“写代码”这件事变便宜，把真正贵的东西推到台前。 那就是：判断该写什么，为什么写，写成什么样。 这也是 Cat Woo 在这次访谈里反复强调的主线。她是 Anthropic 负责 Claude Code 和 Co-work 的产品负责人，和 Boris 一起站在 AI 原生产品构建的最前线。她看到的变化很直接：PM 的角色没有消失，但它正在被重新定义。 PM 的工作，不再是守着路线图开会 Cat Woo 对自己和 Boris 的分工有一个很有意思的描述。 Boris 更像技术负责人和产品愿景提出者，能看到 3 个月、6 个月之后产品该长成什么样，甚至是“AGI pilled”版本的产品该是什么样。 而她的工作，是把今天和那个愿景之间的路铺出来： 哪些功能先做，哪些后做 营销、销售、财务、容量、文档这些团队是否已经对齐 功能准备好时，还有没有阻碍发布的东西 团队是不是在朝同一个方向划船 但她也说，这条边界其实很模糊。他们大概 80% 是“心智同步”的，剩下 20% 里，有些事她更在意就由她推进，有些事 Boris 更在意就由 Boris 推进。...

本文整理自 Elon Musk 在瑞士达沃斯举行的 2026 年世界经济论坛上的分享：Elon Musk 对话贝莱德 CEO Larry Fink。这个会议中，马斯克讨论了人工智能的未来及其全球影响、太空探索、 SpaceX 任务和登月计划、Tesla 的创新和可持续能源解决方案、全球技术趋势、创业和创新等等。如果你关注科技，关注 AI 的未来，这个视频非常值得一看，本文是其内容的精华总结，由我和 Gemini 3 Pro 共同整理完成。 假如外星人真的不存在？ 马斯克经常被问到一个问题：“到底有没有外星人？你是不是外星人？” 他的回答总是透着一种理工男的幽默：“如果有外星人，我肯定是第一个知道的。SpaceX 有 6000 多颗卫星在天上飞，我们从来没为了躲避外星飞船变过轨。” 但这背后藏着一个让他夜不能寐的假设：如果在浩瀚宇宙中，我们真的是唯一的生命呢？马斯克把人类意识比作“无尽黑暗中一只微弱的烛火”。这烛火太脆弱了，如果地球发生什么天灾人祸，光就灭了。 这就是为什么必须让生命多行星化。SpaceX 的终极目标不是去旅行，而是为了在这个充满不确定性的宇宙里，给人类文明做一个“异地备份”。 机器人数量将超过人类，我们将迎来“极致富足” 谈到地球上的事，马斯克对 AI 和机器人的未来极其乐观（当然要注意《终结者》那种风险）。 他抛出了一个简单的经济学公式：经济产出 = 人均生产力 × 人数。 当人形机器人（比如特斯拉的 Optimus）普及后，这个公式里的限制因素就没有了。马斯克预测，未来机器人的数量会超过人类。到时候，我们将进入通过 AI 和机器人实现的“无限富足”时代。 什么是无限富足？就是商品和服务的成本几乎归零。那时候大家甚至想不出还有什么需求是没被满足的。虽然这会带来“人类还需要做什么”的存在主义危机，但相比于贫穷，这显然是个幸福的烦恼。 至于时间表？特斯拉工厂里已经有一些简单的机器人在干活了。到明年（2025年）年底，这种高可靠性的人形机器人可能就会开始向公众发售。你会想要一个机器人帮你照顾老人、看孩子、遛狗，这很快就不再是科幻情节。 最大的瓶颈：缺电，缺很多电 AI 模型和机器人是美好的，但它们吃什么？吃算力。算力吃什么？吃电。 目前芯片产能是指数级增长的，但变压器和电网的扩容速度每年只有可怜的个位数。马斯克直言：“缺电将是扼住 AI 喉咙的最大危机。” 如果你把太阳系的所有质量——包括那个占了 0.1% 质量的木星——都扔进核聚变反应堆烧掉，产生的能量跟太阳比起来，还是约为零。太阳占据了太阳系 99.8% 的质量，提供了几乎 100% 的能量。 所以答案很简单：光伏+储能。 马斯克算了一笔账：只需要在这个地球上划出一个 100 英里 × 100 英里（约 160 公里见方）的小角落，铺满太阳能板，产生的电力就足够整个美国使用。这在地图上也就是犹他州或内华达州的一个不起眼的小角。 为什么没做到？虽然中国在疯狂铺设光伏（确实令人印象深刻），但美国受限于极高的关税壁垒，导致光伏成本居高不下。不过 SpaceX 和特斯拉不打算等，他们正在自建每年 100 吉瓦的产能。...

本文整理自最近爆火的 Clawdbot 的创造者 Peter Steinberger 在 TBPN 的一场访谈。因为其名字取的时候谐音了 Claude 的原由被 Anthropic 强制要求更换名称（商标问题），现已更名为 Moltbot。以下内容由我和 Gemini 3 Pro 共同整理而成。 退休大佬复出“搞事情”：我只是想在 WhatsApp 上跟我的电脑聊天，结果引爆了 GitHub 如果在过去的一周里，你看到了一张 GitHub Star 数像火箭一样垂直升空的图表（现在已经接近 90K stars），那主角多半就是 Peter Steinberger 的项目。 这个故事最离谱的地方在于：这是一个已经财富自由、退隐江湖的大佬，纯粹为了“找乐子”写出来的东西。没有虽然、但是，也没有商业计划书，只有纯粹的极客精神和无数个凌晨三点的代码狂欢。 并不是所有复出都是为了钱 Peter 曾在自己的软件公司拼了 13 年，四年前他把公司卖了。用他自己的玩笑话（实际上是引用）说，那是为了去享受“二十一点和花天酒地”。但实际上，那是彻底的职业倦怠。那之后，他过了三年甚至都不想碰代码的生活，感觉像是被《王牌大贱谍》里的反派吸走了“精气神（Mojo）”。 直到 2023 年 4 月，那股火苗又回来了。 他不想再搞老本行 iOS 开发，而是要把目光投向当时还处于起步阶段的 AI。最初的体验并不完美，直到 Anthropic 的 Cloud Code 测试版发布，那种久违的“上瘾”感甚至让他兴奋到失眠。他甚至在凌晨 4 点给朋友发消息安利，组建了一个叫“Cloud Code 匿名戒瘾会”（后来顺应潮流改名叫“Agents Anonymous”）的聚会。 他的宣言很简单：“我结束退休生涯，就是为了回来跟 AI 捣乱的。” “摩洛哥惊魂”：当 AI 学会自己修补 Bug 这个爆火项目的起因非常随意。去年 11 月，Peter 只是想：“既然我在厨房的时候电脑不在身边，为什么我不能在 WhatsApp 上跟我的电脑聊天呢？” 于是他花了一个小时“黑”出了一个原型：WhatsApp 收到消息 -> 发送给 AI -> AI 执行代码 -> 返回结果。...