AI

本文整理自 原视频，由有道龙虾总结和发布。 如果只用一句话概括这期 Moonshots，那就是：AI 已经不是“有没有人用”的问题，而是“全世界的算力够不够喂它”的问题。 Anthropic 的增长速度夸张到有点不真实。Dario Amodei 在开发者大会上透露，Anthropic 2026 年第一季度增长了 80 倍，原本预期只是 10 倍。它的年化收入运行率从 2025 年底的 90 亿美元，跳到 2026 年 4 月的 300 亿美元，5 月据说已经超过 400 亿美元。 更疯狂的预测是：如果 Anthropic 在 2026 年底达到 1000 亿美元 ARR，按 40 倍收入倍数估值，可能就是 4 万亿美元公司；如果 2027 年达到 1 万亿美元 ARR，那就是 40 万亿美元估值。 这听起来像科幻，但讨论嘉宾的判断很直接：这不是泡沫式想象，而是真金白银的需求正在涌进来。 Anthropic 最大的问题，不是没人买，而是不够卖 过去很多公司增长靠新增用户。但 Anthropic 的情况更像早期电力：用户不仅越来越多，每个用户还在不断发明新的用法。 100 年前，美国只有约 30% 的家庭有电、约 30% 有电话。最开始人们用电照明，后来用来驱动电梯、冰箱、收音机、各种家电。AI token 也在经历同样的过程：先是聊天，接着写代码、做法律文书、跑业务流程、做研究、管公司。 所以真正的瓶颈变成了算力。 节目里提到，Anthropic 甚至可能通过涨价和软件优化继续挤出更多收入。即便芯片供应短期跟不上，模型、调度、推理效率还可以再压榨一轮。换句话说，增长不会简单地因为 GPU 不够而停止，只会逼着市场把每一张卡都榨干。 Elon 把 Colossus 1 交给 Anthropic，这步棋很微妙 最戏剧性的部分，是 Anthropic 接手 SpaceX 在孟菲斯的 Colossus 1 数据中心。...

本文整理自 OpenAI Podcast 对 ImageGen 2.0 研究员 Kenji Hata 与产品负责人 Adele Li 的访谈，由有道龙虾总结和发布。 主持人 Andrew Mayne 在 OpenAI 播客中邀请了 ImageGen 2.0 的核心团队成员——研究员 Kenji Hata 和产品负责人 Adele Li，深入探讨了这个新一代图像生成模型为何被称为"图像生成领域的文艺复兴"。 从投资人到 AI 产品经理：Adele 的跨界之路 Adele Li 在加入 OpenAI 之前一直从事投资行业，曾在 Redpoint Ventures 投资 AI 和软件公司。大约两年前加入 OpenAI，最初负责数据和计算基础设施，后来逐渐转向产品侧，过去半年一直在负责 ImageGen 产品。 她认为产品经理的核心就是"做需要做的事"。对于 ImageGen 来说，特别之处在于需要同时调动多种能力：与研究人员协作、分析市场机会、理解用户需求。 “现在的市场和我们一年前发布 ImageGen 1.0 时已经完全不同了。市面上有多个图像生成工具，ChatGPT 本身也发生了巨大变化。思考 ImageGen 的演进及其在 ChatGPT 中的角色，让我非常兴奋。” 研究员 Kenji：从音频项目到图像生成 Kenji Hata 同样在大约两年前加入 OpenAI，第一个项目是一个音频相关的工作。后来他逐渐参与到 ImageGen 1.0 的开发中，最终全职投入这个项目。 发布两周：每周超过 15 亿张图像 ImageGen 2.0 发布后的两周内，使用量增长了超过 50%。目前每周在 ChatGPT 上生成的图像超过 15 亿张。...

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《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 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 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。...

本文翻译自 X 博主 Zara Zhang 发布的文章：10 beginner-friendly ideas to build with Claude Code (Prompts included)。 只要你会打字，就能用 Claude Code 进行构建。 1. 将你的简历变成个人网站 这里有 10 个让你入门的想法。无需任何技术背景。我已附上了你可以直接使用的具体提示词。 把你的简历投喂给 Claude Code，让它为你构建一个精美的作品集网站。想要特定的外观？先在网上找一些视觉参考，然后让它匹配那种风格。 “这是我的简历 [附上文件]。请为我构建一个干净、现代的个人网站，展示我的经验和项目。我喜欢这个 [参考链接] 的视觉风格。试着匹配这种美学。我完全没有编程经验，所以请一步步指导我。” （要附加文件，只需将其拖入与 Claude Code 的聊天窗口即可。） 2. 构建一个用于语言学习的浏览器扩展程序 创建一个扩展程序，让你可以在外语网站上高亮文本，根据上下文获取 AI 驱动的释义，并将单词保存到你自己的词汇表中。 “为我构建一个语言学习用的浏览器扩展。当我在任何网页上高亮文本时，它应该根据周围的上下文显示 AI 生成的解释，并让我把单词保存到个人词汇表中。我不懂代码。请给我简单、按部就班的说明，告诉我所有需要做的事情。” 3. 基于你的健康数据创建一个习惯追踪器 上传你的体检报告，让 Claude Code 根据结果为你构建一个个性化的习惯追踪和打卡应用。 “这是我最近的体检报告 [附上文件]。根据结果，为我构建一个简单的日常习惯追踪应用，帮助我改善需要关注的领域。包含一个连胜（streak）功能来帮我坚持下去。用大白话解释所有内容。我不是开发人员。” 4. 整理你杂乱的文件夹 桌面或下载文件夹乱糟糟的？直接让 Claude Code 来整理。真的，只要告诉它你想要什么，然后让它去干活。 “我的下载文件夹一团糟。检查一遍，根据文件类型和内容将文件整理到合理的子文件夹中。在移动任何东西之前，先把你的计划展示给我看并征求我的同意。我不懂技术，所以解释要简单点。” 5. 转录您的会议录音 把你的会议音频或视频文件丢进一个文件夹。Claude Code 可以使用 OpenAI Whisper（本地运行且免费！）转录它们，清理错误，并标记发言人。 “我在 [文件夹路径] 有一个会议录音文件夹。使用 OpenAI Whisper 将每个文件转录为文本。清理明显的错误，并在能区分不同人的地方加上发言人标签。将每个转录保存为单独的文档。一步步指导我完成所有需要的设置。我是个纯新手。”...

本文整理自 2026 年 1 月 10 日，在由清华大学基础模型北京市重点实验室、智谱 AI 发起的 AGI-Next 前沿峰会上的一场含金量极高的闭门会：唐杰/杨植麟/林俊旸/姚顺雨罕见同台，“基模四杰”开聊中国AGI。以下内容由我和 Gemini 3 Pro 共同整理完成。 由清华大学和智谱AI发起的AGI-Next前沿峰会上，当下中国大模型最核心的四股力量罕见地凑齐了：刚刚敲钟港股的智谱AI创始人唐杰、腾讯CEO办公室新任首席科学家姚顺雨（前OpenAI研究员）、拥有全球最强开源生态的阿里通义负责人林俊旸，以及刚拿了5亿美元融资的月之暗面CEO杨植麟。 如果说2025年是中国大模型靠“快节奏迭代”和“疯狂开源”在国际上博得声量的一年，那么站在2026的开端，这四位掌舵人却显得格外冷静，甚至有些“悲观”。 唐杰一上来就给全场泼了盆冷水：“别觉得差距缩小了。美国还有大量闭源模型没放出来，中美大模型的差距，说不定并没有缩小。” 在这个定调下，这场对话没有客套的商业互吹，只有关于技术路线的真实分歧和对未来的硬核预判。 一、 Chat时代结束了，下一注押在哪？ 对于过去的2025年，唐杰有一个断言：DeepSeek出来之后，关于“Chat（对话）”这一范式的探索已经结束了。 智谱的一年前的预判是Chat会替代搜索，但结果是谷歌自己革了自己的命。对于大模型公司而言，继续卷对话已经没有意义。智谱把新的筹码（Bet）全部押在Coding（代码）和Reasoning（推理）上。集推理、Agentic能力于一体的GLM-4.5，就是这一策略的产物。 而作为“Scaling Law（缩放定律）”的忠实信徒，杨植麟依然坚持Scaling是重点。但他眼中的Scaling不再是单纯的一力降十会，而是要讲究**“Taste（品味）”**。 “通过架构和数据层面的改进，我们要让模型拥有不同的Taste，这样才不会千篇一律。”杨植麟认为，未来的竞争不看谁的参数更大，而看**Token Efficiency（Token效率）和Long Context（长文本）**的结合——即在长语境下，你的模型到底比别人强多少。 唐杰对此表示赞同。那种疯狂堆算力、堆RL（强化学习）就能获得巨大收益的日子已经过去了。他提出了一个新的衡量标准：Intelligence Efficiency（智能效率）。在这个新阶段，算这笔账很重要：投入多少算力，甚至能不能用更少的Scaling，换来同等的智力提升？ 二、 To B 还是 To C？分化已经开始 前OpenAI研究员、现任腾讯核心科学家的姚顺雨，带来了极其敏锐的硅谷视角。他发现，大模型领域正在经历一场剧烈的分化。 “Chat”在To C端已经到了瓶颈。 姚顺雨举了个生动的例子：你今天问ChatGPT“我该吃什么”，和去年问它，体验差别并不大。因为对普通用户来说，模型的抽象代数能力变强了，你根本感知不到。C端用户需要的不是更强的模型，而是更丰富的Context（上下文）和Environment（环境）——比如模型知道今天很冷，知道你老婆想吃辣，这才能给出好建议。 但在To B端，逻辑完全相反。“智能越高，生产力越高，赚的钱越多。” 姚顺雨观察到，美国企业愿意为最强的模型付溢价。一个月200美金的最强模型，和50美金的次强模型，企业会毫不犹豫选前者。因为OpenAI 4.5可能做对9个任务，差一点的模型只能做对6个，为了这3个的差距，企业还得雇人去监控，得不偿失。 阿里通义的林俊旸则认为，这种分化是自然发生的。他提到了Anthropic（Claude的开发商），这家公司之所以成功，不是因为为了做Coding而做Coding，而是因为他们频繁和企业客户交流，发现企业的真实需求就是Coding。 “现在美国API消耗量里，Coding占了绝对主导。但在中国，Coding的Token消耗量还没那么大。”林俊旸一针见血地指出。 三、 下一个圣杯：自主学习与“主动”AI 硅谷现在最火的词是什么？姚顺雨透露，大街小巷的咖啡馆都在聊**“自主学习”**。 这并不是什么科幻概念，而是正在发生的事实。Cursor每几个小时就用最新的用户数据训练；Claude 95%的代码已经是Claude自己写的了。 “这更像是一种渐变，而不是突变。”姚顺雨认为，2026年我们最大的挑战是想象力：如果AI真的实现了自主学习，它应该长什么样？是一个自动赚钱的交易系统，还是解决了一个人类未解的科学难题？ 林俊旸则更关注AI的**“主动性”**。 现在的AI无论是ChatGPT还是各种Agent，都需要人类去Prompt（提示）才能启动。未来的AI，能不能环境就是Prompt？它看到环境变化，就自己决定去做事？ “但我最担心的不是AI说错话，而是它做错事。”林俊旸坦言，如果AI突然产生一个想法，觉得应该往会场扔个炸弹，这就是灾难。如何让AI既有主动性又安全，是比提升智力更难的课题。 四、 20%的胜率，与“穷人的创新” 在对话的最后，主持人李广密抛出了一个尖锐的问题：三五年后，全球最领先的AI公司是中国团队的概率有多大？ 向来敢说的林俊旸给出了一个数字：20%。 “这已经非常乐观了。”他解释道，中美在算力上的差距是客观存在的，甚至可能有1-2个数量级的差异。美国的巨头可以用大量的算力去探索下一代Research，而中国的团队光是做交付，可能就占用了绝大部分算力。 但他同时也提到了一个有趣的观点：“穷则思变”。 正因为算力吃紧，中国团队必须要在算法和Infra（基础设施）的联合优化上下苦功夫。这种**“穷人的创新”**，反而可能在特定路径上跑出来。他回忆起2021年和做芯片的同事“鸡同鸭讲”的经历，大家都因为认知错位错失了机会，但现在，软硬结合的创新或许是打破僵局的关键。 姚顺雨则对中国的人才充满信心。他认为，只要一个技术路径被证明是可行的（比如预训练），中国团队能以极高的效率复现并局部优化。真正的挑战在于：我们是否有勇气去探索那些不确定性极高、没人做过的新范式？ “中国对于刷榜或者数字看得太重了。”姚顺雨提到DeepSeek的一个优点，就是他们不太关注榜单，只关注什么是正确的事。 结语 这场闭门会没有给出“中国AI必胜”的廉价鸡血，却展现了一种理性的韧性。 正如学术界代表杨强教授所言，AI的发展就像人类睡觉，需要清理噪音才能第二天学得更好。而唐杰的总结则更为从容： “永远不要想着环境是最好的。我们恰恰是幸运的，经历了环境从没那么好到变好的过程。如果我们笨笨地坚持，也许走到最后的就是我们。” 2026，中国大模型正在告别盲目的“卷”，走向更务实的“深”。