做了个实时数字人。

一、沐神回归 B 站了！

距离上次的手搓语音大模型教程已经过去近 1 年了，沐神终于想起了自己还有个账号！

上次 Higgs Audio V2，是让 AI 能听、会说，甚至还能唱。这次，沐神的 Boson AI 团队又往前推了一步：给 AI 语音助手安上一张会实时反应的脸。

新发布的 Higgs Avatar v1，可以从一张静态图片生成实时对话 Avatar：会说话、会听人说话，有表情，口型还能和声音同步。

重点是，这不是提前录好的数字人视频。官方说，演示内容是 fully AI-generated and unscripted。没有动画流水线，没有预渲染循环，每一帧都是现场生成。

也就是说，AI 助手开始真的露脸聊天了。

二、沐神做的不是传统数字人

过去大家一说数字人，很容易想到两类东西。

一种是提前生成好的视频，输入一段文案，生成一段播报。另一种是直播间常见的虚拟形象，动作和表情大多来自预设模板，或者靠后期流程堆出来。

Higgs Avatar v1 指向的不是这个方向。它更像是把“脸”接到了语音智能体上：用户说话，系统理解语音；AI 回答，同时生成口型、表情和头部动作。

其中的难点不只是“动起来”，而是实时。慢一点会假，口型对不上会出戏。所以这次的关键词不是「像不像真人」，而是「跟不跟得上」。

三、为什么 AI 助手需要一张脸？

一个好的语音智能体，只解决了对话的一半。另一半，是脸。

这是 Boson AI 原文里的判断。

人和人聊天，不只听声音。点头、迟疑、笑、眼神，都在告诉你：对方有没有在听。

这些信号不一定决定信息量，但会决定信任感。

所以 Higgs Avatar v1 不是给 AI 加了一个“好看的皮肤”。它是在给 AI Agent 补一层交互界面。

文本框让 AI 进入办公桌。语音让 AI 进入电话。实时 Avatar 则可能让 AI 进入客服、培训、陪练、销售这些更像“面对面服务”的场景。

四、真正难的是跟上对话

官方给出的数据挺硬：完整 pipeline 可以跑在单张 H100 上，单帧生成约 16ms，实时对话门槛约 62.5ms，单张 H100 最多可以同时跑 8 路对话。

这组数据说明，它不是只为了拍 demo，而是在往可部署的实时服务方向走。

当然，现在还不能说它已经能替代真人客服、真人教练或者真人销售。但方向已经很明确了。

过去数字人更像内容生产工具。你给它脚本，它帮你生成视频；现在实时 Avatar 更像服务入口。你和它说话，它在对话中生成声音、表情和反应。

这两件事不再是一个东西。前者是「视频生成」，后者是「实时交互」。

五、会先落在哪些场景

官方展示了几个方向：保险、教练、面试、娱乐。后文还提到客户支持、销售、教育、远程医疗等业务工作流。

翻译成人话，客服、销售、培训、面试陪练、语言陪练，都会是更直接的场景。至于虚拟主播和互动娱乐，也有想象空间。

尤其是那些“不需要强情感信任，但需要大量重复沟通”的场景，会更快。

比如面试训练。AI 不只给你文字反馈，还能模拟面试官的表情和节奏。

比如保险咨询。AI 不只是电话客服，而是一个会实时解释条款、回应问题的数字顾问。

比如企业培训。员工面对的可能不再是一段录好的课程视频，而是一个可以实时互动的教练。

再往后，远程医疗、情绪陪伴这类高信任场景，也一定会有人尝试。

但这些场景就没那么简单了。脸越像人，边界问题越绕不开。谁能用谁的脸？用户是否知道对面是 AI？情绪依赖怎么处理？这些都不是模型指标能单独解决的。

技术往前走，伦理和产品规则也得跟上。

结语：这次真正的变化

所以，Higgs Avatar v1 这件事，不只是「数字人又进步了」。

它更像是在说：AI Agent 的界面正在变。

最早是文本框。后来是语音。现在开始有一张实时反应的脸。

这一步看起来很自然，但影响不小。

因为一旦 AI 能实时说话、实时反应、实时看着你，它就不再只是一个工具按钮，而更像一个服务窗口。

沐神团队这次做的，不是让数字人更会表演。

而是让 AI 助手离「面对面服务」更近了一步。

沐神视频地址：https://www.bilibili.com/video/BV1pB586fEap/

原文Boson AI 官方博客：https://www.boson.ai/blog/higgs-avatar-v1

加入试用：https://tally.so/r/VLvKgE

一起“点赞”三连↓

跳转微信打开

首次突破万星🌟，Vibe Coding时代真的来了。

2026年1月1日，《Easy-Vibe》正式发布！

2026年2月起，《Easy-Vibe》上线 Android/iOS 开发、交互式可视化教程、模拟编码环境等核心模块。

2026年3月2日，登上Github Trending 榜第一。

2026年3月25日，《Easy-Vibe》英文文档全面更新，多语言支持扩展到 9 种语言（中、英、日、西、法、韩、阿、越、德）。

2026年5月9日-5月12日，霸榜四天 Github Trending 榜第一。

2026年5月12日，《Easy-Vibe》GitHub 突破 1w star。

贡献者团队：

1. 散步（Datawhale成员，项目负责人)

2. 方可（Datawhale成员、清华大学，指导老师）

3. Yerim Kang（清华大学，实践项目部分）

4. 赵芷霖（清华大学，实践项目部分）

5. 李亦萱（清华大学，页面美术设计）

6. 刘思怡（清华大学，实践项目部分）

7. 刘丽欣（清华大学，实践项目部分）

收藏学习👉《Easy-Vibe》项目正式发布，一起学习真正的Vibe Coding！

跳转微信打开

文末报名。

一、在中国开源生态，火起来的全球项目

最近，有一个爆火项目叫 DeepSeek-TUI。

作为DeepSeek 版的 Claude Code：一个底层接的是 DeepSeek 模型，用 Rust 写成的开源 AI 终端工具。2026 年 5 月，它登上 GitHub 全球趋势榜，Star 突破 3 万。

更值得注意的是，核心维护基本是 Hunter 一个人在扛。代码、文档、社区，最早只有他一个人撑着。目前，中文官网已经搭起来了，但围绕它的系统性运营，几乎还是空白。

这里反映一个问题，过去十年，中国开发者已经是 GitHub 上规模最大的开发者群体之一。我们会写代码，但还不太会“养项目”。

开源项目要持续发展，代码只是起点。文档、治理、品牌要有人盯，社区、内容、线下场域要有人做；项目还要和外部世界连上，高校、企业、基金会、政府、国际社区，都需要长期对接。

这些事，合起来叫「开源生态运营」。

二、5 月 18 日，中国 AI 生态一起联手

2026 年 5 月 18 日，杭州。全国首个人工智能开源生态运营班正式启动。

第一期共建项目，就是 DeepSeek-TUI。学员就是“运营合伙人”，不会只坐在台下听方法论，而是进入优质开源项目的建设，参与其中的工作。结业时，我们不追求漂亮 PPT，而是希望留下能继续迭代的成果。

这件事,不是单一方能独立做成的事，需要生态资源一起联手。

第一圈，主办四方：杭州电子科技大学、天工开物开源基金会、Datawhale、西湖区委人才办。高校、基金会、社区、政府，第一次完整聚齐。

第二圈，产业生态：魔搭社区、云谷中心、蚂蚁集团、杭创（人工智能）营、浙大启真、Y/OUR SPACE等 AI 生态参与共建。

第三圈，全球接力：Hunter x DeepSeek x Datawhale，🐳鲸鱼兄弟们、和一位海外独立开发者，让这个 GitHub 全球登上热榜的项目，第一次在中国生态里真正接入。 Hunter 作为德州乐队指挥出身的 SMU 法学博士 —— 他跨越大洋来到杭州。

第四圈，共建力量：导师团来自 DeepSeek 生态、Datawhale、阿里巴巴、腾讯、天工开物开源基金会、北京大学、杭电、开源社等。他们不是来讲课的，是来陪跑的。

三、我们杭州见，报名参加

5 月 18 日（周一），是这件事的启动日。签约、首期共建工坊开幕、Hunter 线下分享、运营班正式发布，都会在这一天发生。

下午13:30签到，地点杭州西湖区西溪路556号阿里中心·西湖5D报告厅（4号大堂上5楼）。扫码报名：

阅读原文报名⬇️

阅读原文

跳转微信打开

昨天，Anthropic 发了份《创始人手册：如何打造一家 AI Native 公司》。

它按照 2026 年已经可实现的 AI 能力，重新梳理了初创公司生命周期的四个阶段：创意、MVP、发布和规模化。每个阶段都对应了目标、退出标准、常见失败模式，以及可以用 AI 完成的具体练习。

从名字上看，是一份写给创始人的创业指南。但其实它想传递的：是 AI 正在改变一个人把想法变成现实的方式。

以前想法要落地，中间一堆门槛。懂技术、找人写代码、做调研、写 BP、搭流程、管运营。很多事不是想不到,是没人没钱没时间。所以机会基本属于公司，属于有工程师、有融资的那群人。

现在 AI 能写能上线的代码，能做调研，能梳理竞品，能起草 BP，能跑运营。以前一个团队的活，两三个人能干，有时候一个懂行的人就够。

那问题就变了：当 AI 补上执行能力之后，谁还有资格做产品？谁还能组织复杂工作？谁能把一个行业里的真实问题，快速变成一个可验证、可运行、可迭代的系统？

创业公司只是最先被改变的场景。更大的变化是，个人能力、团队能力和公司能力之间的边界，正在被重新划分。

今天把手册的核心干货给你梳理清楚。

一、创始人不再只是创始人，而是智能体的调度者

这份手册里有一个判断很关键：

创始人的角色正在从个人贡献者，转向智能体编排者。

这句话比「AI 提高创业效率」更重要。

过去，技术创始人写代码，非技术创始人跑业务。两者之间有一道墙。不会写代码的人，想把产品做出来，要么找技术合伙人，要么外包，要么融资招团队。

现在这道墙被削弱了。一个有行业经验、客户理解、业务判断的人，可以用 AI 完成原型、产品文档、代码开发、用户研究和运营流程。技术能力不再是进入创业游戏的绝对门槛。

这会带来一个很直接的变化：AI 原生公司的创始人画像会变得更复杂。

未来一些有竞争力的 AI 公司，未必来自传统意义上的技术精英。它们可能来自医生、律师、教师、销售、财务、运营、制造业从业者。因为当 AI 能补齐执行能力时，真正稀缺的东西反而变成了领域判断。

谁更懂一个行业里的真实问题，谁就更有机会把 AI 变成产品。

二、AI 降低的是执行门槛，不是判断门槛

但相对的，Anthropic 提醒创始人，AI 让原型变得太容易了。一个能跑起来的产品，很容易被误认为是“需求成立”的证据。

但它其实不是！

过去，一个创业想法要落地，需要经历很多摩擦：找人、写代码、做设计、搭系统、跑测试。这个过程虽然慢，但也会不断暴露问题。今天，AI 可以把这些摩擦压缩掉，你就可以很快得到一个看起来完整的产品。

问题是，产品越容易被做出来，人就越容易跳过验证。

这也是 AI 时代一个很反直觉的地方：

构建能力越强，错误方向的成本可能越高。

因为 AI 不会天然帮你判断这个问题是不是值得解决。它会非常高效地执行你的前提。如果前提错了，它也会把错误前提执行得很漂亮。

这也是为什么手册里反复强调，创意阶段的重点不是构建，而是验证。

AI 时代，最危险的不是做不出产品。

而是太快做出了一个没人需要的产品。

三、小团队正在获得过去大公司的能力

这份手册还有一个很明显的倾向：它认为 AI 会让小团队拥有过去大团队才有的组织能力。

一个 AI 原生团队，可以用 AI 完成代码开发、文档生成、市场研究、销售材料、客户支持、内部流程自动化。过去需要多个部门配合的事情，现在可能由几个人加一组工具完成。

这会改变我们对「公司规模」的理解：过去判断一家公司是否成熟，很容易看人数、部门、管理层级。人多，说明业务复杂；部门齐，说明组织成熟。

但 AI 原生公司不一定这样长大。

它可能在很长时间里都保持小团队，却拥有相当完整的产品、运营、销售和支持能力。它不急着扩张组织，而是先用 AI 把流程跑起来。

这对创业公司是机会，对大公司也是压力。

因为大公司的优势之一，本来就是组织资源。它有工程团队、市场团队、法务团队、销售团队、客户成功团队。现在，如果 AI 让小团队也能调动类似能力，大公司的组织壁垒就会被削弱。

未来竞争的差异，可能不再是「谁的人更多」，而是「谁的人更会指挥 AI」。

四、护城河不再只是模型能力

如果 AI 工具人人都能用，AI 原生公司的护城河在哪里？

这份手册给了几个答案：领域知识、用户数据飞轮、工作流锁定。

第一，领域知识变得更重要。

通用模型可以回答很多问题，但它不一定理解具体行业里的隐性规则。医疗、法律、金融、教育、制造、政务，每个行业都有大量写不进公开资料里的经验。谁能把这些经验产品化，谁就能做出通用模型难以替代的东西。

第二，用户数据会变成时间资产。

用户在产品里怎么操作、在哪里停顿、怎么修改 AI 输出、哪些建议被接受、哪些被拒绝，这些行为数据不是竞争对手能直接买到的。它们来自真实使用，来自时间积累。

这份手册里有一句话很准确：你无法购买数千名用户在一个产品里反复打磨工作流后留下的行为指纹。

第三，工作流锁定会比功能锁定更强。

如果一个 AI 产品只是提供某个功能，用户随时可以换。但如果它嵌入了团队的日常流程，连接了数据源，承载了自动化规则，还训练了员工的使用习惯，那么切换成本就不再是「换个工具」，而是「重建一套工作方式」。

这才是 AI 原生公司的真正护城河。

不是模型本身，而是模型和具体业务长期结合后形成的系统。

结语：这份手册真正说明了什么

所以，Anthropic 这份手册不只是给创始人的操作指南。

它更像是一个信号：AI 公司正在进入下一阶段。

第一阶段，人们关心模型能力。谁的模型更强，谁的上下文更长，谁的推理更好。

第二阶段，人们关心应用爆发。AI 写作、AI 编程、AI 搜索、AI 办公、AI 视频，各类产品快速出现。

现在，问题开始变成：什么样的组织，才能真正用 AI 重做一家公司？

这也是「AI 原生初创公司」这个概念最值得讨论的地方。

它不是指一家公司用了 AI 工具，也不是指产品里接入了大模型 API。真正的 AI 原生公司，是从一开始就默认 AI 参与研发、运营、销售、管理和决策流程的公司。

它的团队结构不同，产品迭代方式不同，增长方式不同，护城河也不同。

换句话说，AI 原生不是一种功能标签，而是一种公司形态。

AI 不是只在改变产品。

它也在改变公司本身。

原手册地址：https://claude.com/blog/the-founders-playbook

一起“点赞”三连↓

跳转微信打开

AI 会不会抢走工作，已经成了这两年最普遍的焦虑。AI 写代码，AI 做 PPT，AI 生成内容。公司一边上 AI 工具，一边说要“提效”“优化组织”。每隔一段时间，又有裁员消息被归到 AI 头上。

于是一个故事越讲越大：AI 会让大家集体失业。

昨天，人工智能著名学者、斯坦福大学教授吴恩达在 X 上直接反驳了这个说法，引发近 70 万人的关注。他开头第一句话就是：

吴恩达并不是说 AI 不会影响工作。恰恰相反，他承认 AI 正在改变很多人的工作，而且这种变化会带来压力。

他反对的是另一件事：把这些变化直接说成“就业市场要崩了”。在他看来，AI 会影响岗位，会改变技能要求，也会替代一部分任务；但把它讲成一场大规模失业灾难，是在制造不必要的恐惧，也是不负责任的。

AI 会改变工作，但不等于就业市场崩盘

吴恩达举的第一个例子，是软件工程。

这可能是当前受 AI 工具影响最明显的领域。Coding Agent 进展很快，写代码、改代码、读项目、跑测试，很多原本由程序员完成的任务，正在被 AI 接走一部分。

如果 AI 真要首先冲击某个白领职业，软件工程师大概率就在第一批。

但吴恩达指出，即便在这个受影响最明显的行业，软件工程师招聘依然强劲。这说明一件事：AI 的影响不是简单的“消灭岗位”。

它会替代一些任务，也会带来新的需求。它会让一部分旧工作方法不好用，也会催生新的工作内容。

他还提到，美国当前失业率仍在健康水平，约为 4.3%。至少从宏观数据看，还没有证据表明 AI 已经把就业市场推向崩溃。

所以，更准确的说法不是“AI 不会替代任何人”，而是：替代会发生，但现在还看不出它会把整个就业市场打垮。

为什么“AI 失业末日论”这么流行？

吴恩达这篇长文里最有价值的部分，不是他乐观，而是他解释了：为什么“AI 会替代大量员工”这个故事会被反复讲。

因为很多人都有动力讲这个故事。

第一，最前沿的 AI 公司有动力把 AI 说得更强。原因很简单：如果一种技术被说成“能替代大量员工”，它听起来就不只是一个工具，而是更接近 AGI、更接近科幻，也更容易撑起融资、估值和行业影响力。

第二，真正要卖产品的 AI 公司也愿意把“AI 会替代人”讲得更重。吴恩达提到，很多传统 SaaS 软件的收费，大概是每个用户每年 100 到 1000 美元。客户买的是一个工具。

但如果一家 AI 公司能说：我的产品能替代一个年薪 10 万美元的员工，或者让这个员工效率提高 50%。那它一年收 1 万美元，看起来就不贵了。

说白了，AI 公司越能让客户相信“我不是普通软件，我是一个便宜员工”，它就越能卖高价。“AI 会替代人”不只是技术判断，也是一种更好卖、更能卖贵的商业故事。

第三，裁员企业也有动力把裁员说成 AI 提效。过去几年，很多公司在疫情期间和低利率环境下大规模扩张。后来增长放缓、资金环境变化，企业开始收缩。

但承认“我们之前招多了，现在要修正”，并不好听。相比之下，说“我们正在用 AI 提高效率，所以减少人员”，显得更先进、更聪明，也更容易被资本市场接受。

所以，并不是所有被包装成“AI 导致”的裁员，都能简单归因于 AI 本身。有些是技术变化，有些是商业周期，有些是管理决策，有些只是企业给裁员找了一个更体面的说法。

真正发生的：不是岗位消失，而是岗位被重写

吴恩达并没有否认 AI 带来的压力。他说得很清楚：很多人的工作正在改变，这很难，也会让人焦虑。

但工作变化和就业市场崩溃，不是一回事。真正发生的，更像是岗位正在被重新改写。

软件工程师不会因为 AI 出现就整体消失，但工作内容会变化。未来更重要的，可能不是逐行手写代码，而是会不会用 AI 搭系统、查问题、做验证、管风险。

内容、客服、运营、市场、产品、销售也一样。岗位未必消失，但工作流会被 AI 改造，技能要求会变化。

吴恩达最后给出的判断，是未来不会是 AI jobpocalypse，而更可能是 AI jobapalooza。不是就业末日，而是会出现新的工作机会、新的 AI 工程岗位、新的技能需求。

所以他真正想推动的，不是让大家忽视 AI 的影响，而是让更多人尽快熟练掌握 AI。

真正要警惕的，是很多旧的工作方法不再好用了。

原文地址：https://x.com/AndrewYNg/status/2054236506756370865

一起“点赞”三连↓

跳转微信打开

一起“点赞”三连↓

跳转微信打开

中国外交部官宣：应习近平主席邀请，特朗普5月13日至15日对中国进行国事访问。

就在今天，随行高管名单正式公布

今天，白宫正式公布特朗普 2026 访华美企高管名单：

• 马斯克（特斯拉）

• 蒂姆·库克（苹果）

• 迪娜·鲍威尔·麦科米克（Meta）

• 克里斯蒂亚诺·阿蒙（高通）

• 桑贾伊·梅赫罗特拉（美光）

• 瑞安·麦金纳尼（Visa）

• 迈克尔·米巴赫（万事达）

• 简·弗雷泽（花旗）

• 凯利·奥特伯格（波音）

• 拉里·卡尔普（通用电气航空）

• 查克·罗宾斯（思科）

• 大卫·所罗门（高盛）

• 拉里·芬克（贝莱德）

• 苏世民（黑石）

• 雅各布·塔伊森（因美纳）

• 吉姆·安德森（相干公司）

• 布莱恩·赛克斯（嘉吉）

这次的阵容豪华程度，堪比一场"美国商界全明星"出征：

1. 贝莱德加黑石，2025年底AUM加起来超过15万亿美元，比日本一年的GDP还多三倍，约等于美国GDP的一半。

2. 高盛、花旗、Visa、万事达，全球资本市场和支付清算的四大动脉。

3. 波音和GE航空，一个造飞机，一个造发动机，全球商用航空的天花板。

4. 苹果、特斯拉、Meta、高通、美光、思科，美股科技七巨头，这一趟就来了一半。市值加起来超过10万亿美元，比德国全年GDP还多。

5. 嘉吉，全球四大粮商之一，几乎地球上每四颗大豆就有一颗经它的手。

划重点：AI含量极高

仔细看这份名单，和AI直接相关的公司占了将近一半：

特斯拉，自动驾驶和xAI；高通，端侧AI芯片；美光，HBM高带宽内存；相干公司，AI数据中心光互联；思科，AI集群组网；Meta，LLaMA开源大模型；苹果，端侧AI（Apple Intelligence）；贝莱德和黑石，全球最大的AI基础设施投资方。

这些公司的共同点：AI业务都在高速增长，但在中国市场全部卡着。芯片出口管制、数据合规、模型落地审批，过去两年全是政策红线，企业只能干等。

现在，CEO们直接被带到国事访问的谈判桌上了！

不知道访问结束后，中国这边能拿到的算力，会不会变多（狗头）。

一起“点赞”三连↓

跳转微信打开

 Datawhale干货 

演讲：黄仁勋，英伟达CEO

昨天，在卡内基梅隆大学（CMU）2026 届毕业典礼上，黄仁勋做了一场很适合 AI 时代年轻人听的演讲。

但他没有一上来就讲 AI。

演讲开始，他先让所有毕业生站起来，转向自己的家人，尤其是母亲，说一声母亲节快乐。这个开场很轻，但也很重要。它让这场关于 AI 的演讲，没有从技术开始，而是从人开始：从父母、家庭、成长、机会，以及一个人怎么走到今天开始。

他先讲了父母，也讲了自己怎么长大

黄仁勋说，父母也为他感到骄傲。因为他的旅程，也是父母的旅程。

9 岁时，父亲把他和哥哥送到美国。两年后，父母放下一切来和他们团聚。父亲是化学工程师，母亲在一所学校做清洁工作。小时候，母亲会在凌晨 4 点叫黄仁勋起床送报纸。后来，哥哥帮他在 Denny’s 找了一份洗碗的工作。

他回忆那段生活时，用了两句话：

他还说：不是保证，而是一次机会。

这两句话，几乎可以作为整场演讲的底色。

在黄仁勋的讲法里，机会从来不是一种保证，它更像是一个入口：你可以进去，但进去之后，要靠自己不断尝试、犯错和重来。

这也解释了他后面谈 AI 的方式。

他不是说 AI 时代一定会更轻松，也不是说每个人都会自动受益。他更像是在告诉毕业生：这是一次很大的机会，但机会不会自己走到你面前。

NVIDIA 也曾经差点没活下来

讲完父母和成长，黄仁勋开始讲 NVIDIA。

30 岁时，他和两位合伙人创办 NVIDIA，想做一种新的计算机，解决普通计算机解决不了的问题。但那时他们其实什么都不会，不知道怎么创办公司，不知道怎么融资，也不知道怎么运营 NVIDIA。

黄仁勋说，他们当时的想法很简单：

NVIDIA 的第一项技术根本跑不通，公司也几乎没钱了。最危急的时候，黄仁勋飞去日本，见世嘉公司的 CEO。

他要告诉对方：我们签约要做的技术，做不出来。希望你解除合同，但仍然把钱付给我们。

他在演讲里说，那是他一生中最尴尬、最羞辱、也最艰难的事情之一。

但世嘉公司的 CEO 答应了。NVIDIA 活了下来。

黄仁勋讲这段，不是为了证明自己多能扛，而是想说他很早就学到了一件事：做 CEO 不是权力，而是责任。尤其是在公司快撑不住的时候，你要面对最难堪的事实，也要想办法让公司活下来。

所以黄仁勋告诉毕业生，不要把失败看成成功的反面。失败是学习的时刻，是谦卑的时刻，也是性格被锻造的时刻。

刚毕业的人很容易以为，走出校园后应该尽快找到一条确定的路，但黄仁勋给出的是另一种能力：当事情比想象中更难时，还能继续重来。

你们的职业生涯，开始于 AI 革命起点

讲完自己的经历，黄仁勋才把话题转向毕业生。

他说：

这是整场演讲真正转向 AI 的地方。

黄仁勋站在 CMU 讲这件事，也有特殊意味。CMU 是人工智能和机器人领域的重要发源地之一。他在演讲里提到，早在 1950 年代，CMU 的研究者就创造了 Logic Theorist，它被认为是最早的 AI 程序之一。1979 年，CMU 又成立了机器人研究所。

所以他不是在一个普通场合谈 AI 热点。

他是在 AI 的重要发源地之一，对一群即将进入社会的年轻人说：你们毕业的时间点，非常特殊。

黄仁勋说，自己的职业生涯经历过很多次计算平台变化：大型机、PC、互联网、移动、云。每一波技术浪潮，都会建立在前一波之上，也都会改变产业和社会。

但这一次，他认为更大。因为计算本身正在被重置。

过去 60 年，计算基本上是同一种模式：人写软件，计算机执行指令。现在，AI 让计算从人类写代码，转向机器学习；从 CPU 上运行的软件，转向 GPU 上运行的神经网络；从执行指令，转向理解、推理、规划和使用工具。

所以他对毕业生说，他想不到还有比现在更激动人心的时刻，来开始他们一生的工作。这不是一句漂亮话。他是在告诉台下的年轻人：你们不是进入一个已经稳定的世界里找位置，而是进入一个正在重新搭建的世界里工作。

这当然会带来焦虑。但机会也在这里。

AI 会冲击工作，但躲开不是答案

黄仁勋没有把 AI 讲成一个没有风险的未来。

他说，AI 会写软件、生成图像、驾驶汽车。人们自然会问：工作会不会消失？人会不会被落下？技术会不会变得太强大？

他承认，AI 是人类创造过的最强大技术之一，会带来巨大机会，也会带来真实风险。所以他谈到了责任。

科学家和工程师有责任同时推进 AI 能力和 AI 安全。政策制定者也需要建立合理的护栏，在保护社会的同时，让创新、发现和进步继续发生。

但黄仁勋反对一种姿态：因为害怕，就从技术面前退后。

他讲得很清楚，历史上那些从技术面前退缩的社会，并不会阻止进步，只会放弃塑造它、受益于它的机会。他的答案是：

风险真实存在，也正因为真实存在，才更需要有人进入其中，而不是只站在外面恐惧。

AI 来了，工作会变，但人的目的不会消失

接下来，黄仁勋讲了一个很重要的区分：一份工作的任务，和一份工作的目的，不是一回事。

很多任务会被自动化，一些工作会消失。但很多新工作和新产业也会出现。

比如，软件编码任务正在被自动化，但软件工程师可以用 AI 扩大寻找解决方案的范围，去挑战更有野心的问题。

医学影像分析也正在被自动化，但放射科医生可以用 AI 更好地诊断疾病，更好地照顾病人。

很多 AI 焦虑，来自我们把“任务”和“目的”混在了一起。

写代码是任务，解决问题才是目的；分析影像是任务，照顾病人才是目的；生成内容是任务，表达判断、影响他人才是目的。

如果一个人把自己的价值完全绑定在某个具体任务上，AI 当然会让他焦虑，因为任务会被拆解，会被自动化，会被更快、更便宜的系统接走。

但黄仁勋提醒的是，人真正要守住的不是某个动作，而是动作背后的目的、判断和责任。

真正危险的，是别人比你更会用 AI

整场演讲里，最容易传播的一句话，是这一句：

这句话说得很直接。它把一个很大的恐惧，变成了一个可以行动的问题。

如果问题是“AI 会不会取代人”，人很容易陷入无力感。但如果问题是“我能不能更好地使用 AI”，那人就还有行动空间。

黄仁勋接着说：现在每个人都是程序员。

这句话不是说每个人都要变成软件工程师，也不是说所有人都要去学传统意义上的编程。他举了很朴素的例子：一个店主，可以让 AI 帮自己建网站，扩大生意；一个木匠，可以用 AI 设计厨房，给客户提供新的服务。

AI 写代码，但提出需求、判断结果、服务客户的人，还是人。

所以“每个人都是程序员”的意思是：过去只有会写代码的人，才能直接调动计算机；现在，更多普通人也可以通过 AI 调用计算和智能。

最后，他给毕业生一句建议：跑起来

演讲最后，黄仁勋把话题重新落回毕业生身上。

他说，面对 AI，我们需要同时做几件事：安全地推进技术，建立合理政策，让 AI 更广泛可及，也鼓励更多人真正参与进来。

这句话和前面的“现在每个人都是程序员”是连在一起的。黄仁勋真正想说的，不是每个人都要变成软件工程师，而是 AI 正在降低技术门槛。

所以他给毕业生的建议也很简单：跑起来，不要走。

这不是一句鸡血口号。放在整场演讲里，它更像一个提醒：AI 已经在改变工作、产业和学习方式了，与其站在外面等一个确定答案，不如先进入它、使用它，在真实工作里慢慢搞清楚它能放大什么，又不能替代什么。

最后，黄仁勋引用了 CMU 的校训：My heart is in the work。我的心在工作中。

他对毕业生说：把你的心放进工作里。

黄仁勋前面讲了那么多变化：AI 会改变任务，改变工作，也改变很多行业的门槛。但讲到最后，他没有给毕业生列一张技能清单，也没有说哪个方向一定安全。

他只是把话落回到 work 本身。

先进入这场变化，真正用起来，然后把心放进一件具体的工作里。

参考链接：

https://www.youtube.com/watch?v=FZh_0uRgrg4

https://www.youtube.com/watch?v=5wvq8w7YBXU

一起“点赞”三连↓

跳转微信打开

 Datawhale干货 

作者：Thariq，Claude Code团队

前天，Claude Code 团队的 Thariq 写了一篇文章，标题叫《Using Claude Code: The Unreasonable Effectiveness of HTML》。现在，这篇文章在 X 上已经爆了，被 780 万人围观，超 2 万人收藏！

它爆火的原因，有一个很直接的反常识：

很多人用 AI，默认会让它写 Markdown。写计划，用 Markdown；写总结，用 Markdown；写 PR 说明，还是 Markdown。

这很合理。Markdown 简单、稳定、好改，放在代码仓库里也舒服。过去很长一段时间，Markdown 几乎就是 AI 和人之间最自然的交付格式。

但 Thariq 说，他现在越来越倾向于让 Claude Code 输出 HTML，而不是 Markdown。

更有意思的是，他也越来越多地看到 Claude Code 团队里的其他人这样做。

这就让人好奇了：

Markdown 明明简单、稳定、好改，也几乎是 AI 生成文档的默认格式。为什么最前沿的一批 Claude Code 团队成员，反而开始转向 HTML？

以下是这篇文章的核心内容整理，值得一读。

Claude Code 团队的人，开始少用 Markdown 了

Markdown 并没有坏掉。它依然简单、便携、容易编辑，也足够适合 README、说明文档、代码片段和轻量记录。

Thariq 也承认，Markdown 已经成了 Agent 和人沟通的主流格式。Claude 甚至很擅长在 Markdown 里用 ASCII 字符画图。

但 Claude Code 的使用场景变了。

过去，我们让 AI 写 Markdown，是因为它好改。人可以打开文件，手动调整几行，改个标题，删掉一段说明。

可 Thariq 发现，自己现在越来越少亲手编辑这些文件了。很多 Markdown 并不是拿来手工修改的，而是作为规格说明、参考材料、头脑风暴结果，或者下一步执行计划。

真要改的时候，他也往往不是自己打开文件一点点改，而是继续对 Claude 说：这里改一下，那里重写一下。

这就让 Markdown 的一个核心优势变弱了。过去的问题是：这个格式人好不好改。现在的问题变成了：这个格式人还愿不愿意读，能不能快速理解，能不能基于它继续做判断。

AI 时代真正的问题是：AI 写得太多，人不想读了

这件事真正击中的，不是“HTML 和 Markdown 谁更好”这种格式争论，而是一个更普遍的问题：AI 现在太能写了。

以前我们担心 AI 写不出来。现在越来越多时候，它确实写出来了，而且写得很完整。

一份实现计划，可以写几百行。一个 PR 解释，可以把背景、改动、风险、代码片段都讲一遍。一个技术报告，也可以把上下文、方案、数据、结论全都整理好。

问题是，人真的会读吗？

很多人用 AI 的时候，应该都有类似体验：它生成了一份看起来很完整的 Markdown，你打开扫一眼，觉得大概没问题，然后就让它继续。

不是因为内容一定不好，而是因为它太长、太平、太像一堵文字墙。

Markdown 的表达方式是线性的。标题下面是段落，段落下面是列表，列表下面是代码块。短的时候很清楚，一长就很考验人的耐心。

所以核心问题不是 AI 能不能生成文档，而是 AI 生成了这么多东西之后，人还愿不愿意读、看不看得懂、会不会参与判断。

HTML 和 Markdown 不一样，它能把 AI 输出变好读

一听到 HTML，很多人第一反应可能是：这不是网页吗？

但 Thariq 说的 HTML，不是让你去写网页，也不是让所有文档都变成网站。它更像是让 Claude Code 把复杂内容整理成一个更容易进入的页面。

同样是一份实现计划，如果写成 Markdown，它大概率是一段接一段的标题、列表、代码块和说明。你要从头往下读，才能慢慢拼出整体结构。

但如果写成 HTML，Claude 可以把不同方案放进 tab，把关键流程画成图，把代码片段放在旁边，把结论放在前面，把细节折叠起来。

这时你不是在“读完一份文档”，而是在浏览一个已经被组织好的工作台。

html像工作台的示例

这也是 HTML 相比 Markdown 的核心差异：它不只是承载文字，还能承载布局、图示、交互和视觉层级。

Thariq 提到，如果没有 HTML，Claude 有时会在 Markdown 里很努力地“假装可视化”：用 ASCII 字符画图，甚至用 Unicode 字符模拟颜色。

这很有趣，也说明 Markdown 本身不太适合承担复杂视觉表达。与其让 Claude 在 Markdown 里将就，不如直接让它用 HTML 把事情画出来。

HTML 不一定让内容更正确，但它会让内容更容易被人看见、理解和检查。

HTML 不只能看，还可以用来操作

不过，Thariq 这篇文章最有意思的地方，不只是说 HTML 更好读。

真正让人眼前一亮的是：HTML 可以变成一个临时小工具。

也就是说，Claude Code 不只是生成一个页面给你看。它还可以生成一个界面，让你在里面操作、调整、选择，然后把结果再回传给 Claude Code。

比如你要重新排 30 个 Linear tickets 的优先级。如果只在聊天框里做这件事，会很别扭。你要一条条说：这个放前面，那个往后挪，这几个先不做。

更自然的方式是，让 Claude Code 直接生成一个 HTML 看板。页面里有 Now、Next、Later、Cut 四列，每个 ticket 是一张可以拖动的卡片。Claude 先排一版，你再拖拽调整，最后一键导出 Markdown。

可以交互的HTML 看板

再比如调 system prompt。Claude 可以生成一个 HTML 页面，左边是可编辑的 prompt，右边放样例输入和实时预览，底部再放 token 计数和复制按钮。

这个变化很重要。HTML 把 Claude 的输出从“等你阅读的文档”，变成了“可以操作的界面”。

人在做判断时，经常不是线性阅读，而是在比较、移动、筛选、调整、反复看效果。HTML 把这部分动作接住了。

写在最后：Markdown 适合轻量文本，HTML 更适合复杂计划

当然，Thariq 并没有把 HTML 说成完美方案。

HTML 通常比 Markdown 更耗 token，也更慢。他提到，生成 HTML 可能比 Markdown 慢 2 到 4 倍。版本控制也是问题，Markdown 的 diff 很清楚，HTML diff 往往更吵。

所以这篇文章不是在说 Markdown 已经过时，也不是说所有 AI 输出都应该变成 HTML。

更准确地说，Markdown 适合轻量文本、README、简单说明、长期维护的文档。HTML 更适合复杂计划、代码解释、可视化报告、方案比较、交互调试和一次性决策界面。

这不是格式之争，而是场景选择。

而在文章最后，Thariq 最后讲到一个很关键的感受：他喜欢用 HTML，不只是因为它表达力更强，而是因为它让自己更 stay in the loop。

翻成更直白的中文，就是：人没有被 AI 的工作过程甩出去。

Claude Code 生成一份几百行的 Markdown plan，你扫一眼，觉得差不多，就让它继续。表面上看，是 AI 更自动化了；实际上，人可能也更容易失去判断感。

HTML 带来的变化，是把人重新拉回来。它让计划更容易读，让方案更容易比较，让代码变化更容易审查，让参数更容易调整，让结果更容易回传给 Claude。

所以 HTML 的价值，不是让 Claude 更独立，而是让人更容易介入。

这可能就是 Thariq 说 HTML “unreasonably effective”的原因：它看起来只是换了个格式，但真正改变的是人和 Claude Code 协作的感觉。

原文地址：https://x.com/trq212/status/2052809885763747935

一起“点赞”三连↓

跳转微信打开

最大的护城河。

 Datawhale分享 

作者：Jaya，Foundation Capital 合伙人

今天，硅谷一篇长文刷屏了，作者是 Foundation Capital 合伙人、前麦肯锡咨询师 Jaya Gupta。

这篇文章在 X 上 12 小时获得了130万阅读，被一群创始人和打工人同时转发，原因是它同时提供了两套视角：

站在创始人位置，它在讲怎么造一家不会被抄的公司；站在员工位置，它在讲怎么识别一家会兑现承诺的公司。

以下是这篇文章的核心内容整理，值得一读。

公司本身的形态正在成为护城河

大家都很清楚，AI 领域的一切都在趋同。

那些我过去无法想象会彼此竞争的公司，如今已经开始竞争。应用层正在并入基础设施，基础设施公司正向上进入工作流程，而几乎每一家初创公司都在把自己重新包装成某种转型公司。

说法每隔几个月就变一次：上下文图谱、行动系统、组织世界模型。一个新类别被命名，每个网站都吸收这个概念，几周之内，市场上就充斥着声称自己是未来工作方式变革中不可避免的平台的公司。

当模型快速改进、界面趋同、产品迭代速度变得廉价时，打造公司中那些可见的部分会更容易被模仿。更难复制的是其底层的组织机制：一家公司吸引卓越人才、组织他们的雄心、集中判断力、分配权力，并将工作转化为一种其他公司无法复制的复利系统的方式。

最优秀的公司始终明白，人不是公司的投入要素，而是公司本身。但在 AI 领域，这一真理变得更加鲜明，因为其他一切都变化得太快。如果产品可以被复制，品类可以被重新命名，技术优势可能在数月内瓦解，那么真正持久的问题就是：你要围绕那些有能力打造公司的人，建立一种怎样的组织。

公司本身的形态正在成为护城河。

伟大的公司是组织上的发明

最重要的公司实际上是组织形式上的发明。它们围绕一种新的工作类型创造出一种新的机构，并在此过程中，让一种新型的人成为可能。

OpenAI 看起来既不像学术界，也不像企业研究实验室，或传统软件公司。其核心是以前沿模型训练作为组织性活动。安全、政策、产品、基础设施和部署都围绕着这个引力中心运行。这种结构改变了那里能够存在的研究者类型：一个想要同时处在科学、产品、地缘政治和文明风险边缘开展工作的人。

Palantir 为失灵的系统发明了一种新的运营型机构。前向部署不只是一个市场进入动作。它是一种地位层级、一种人才模型，也是一种世界观。公司把在其他地方可能被视为低地位的工作「与客户坐在一起、吸收机构内部的混乱、将政治转化为产品」置于核心位置。它创造出了一种主角：这个人无法被清晰地归入软件工程、咨询或政策任何一类，却能够横跨三者开展工作。

这些公司没有一家符合它们出现之前就已存在的框架。打造它们的人也同样如此。伟大的公司不只是有才华的人去往的地方。它们是一种结构，让某种类型的才华终于能够表达自己。

形态决定了谁能在那里存在

世界上最优秀的公司竞争的，不只是品类、市场或薪酬。

它们竞争的是身份认同。

有抱负的人往往会强烈看重几件事：感到特别、接近权力、变得不容置疑、始终拥有充分的选择权、归属于一项使命、置身于历史发生转折的房间里。但他们往往还不知道自己实际上在优化的是其中哪一项。

这就是为什么最强大的机构会很早就发现人才，并在他们还是大一新生时就在最顶尖的大学进行招聘。它们在这些人的自我概念尚未固化之前触达他们，在他们知道自己想因为什么而出名、自己的价值观是什么之前，在他们能够区分自己擅长的工作与正在努力成为的那个人之前。

一家伟大的公司会为他们自己的抱负赋予一种语言。它会说：你一直在反复接近、却不知道该如何命名的那件事，可以在这里发生。你可以成为推动 Mars 时间线的人，成为前沿发生转移时在场的人，成为能够在破损机构内部运作的人，成为其工作变得不容置疑的人。

这就是为什么伟大的机构是围绕某一类人的包装器。

许多公司在现金上竞争，而对于传奇公司来说，这是最无趣的人才竞争形式（不过 Jane Street 或 Citadel 也许例外）。现金可以让人签约，但很少能真正转化他们（问问一些 neolabs 或 Alex Wang 就知道了）。最优秀的人在公司能够提供比金钱更具体的东西时最为忠诚：一条通往成为他们早已想成为、或尚未意识到自己想成为的那个版本的自己的路径。

每一种情感承诺也都是一种结构性承诺。如果公司说客户亲近很重要，但面向客户的工作地位低下，那么这个承诺就是假的。如果它说主人翁意识很重要，但决策权却被集中掌控，那么这个承诺就是假的。如果它说使命很重要，但这个使命不得罪任何人、不筛选任何人、也不付出任何代价，那么这个承诺就是假的。

那么，人们想要感受到什么？

人们想要感到自己很特别：稀有、被看见、不可替代。这个说法之所以打动人，是因为它传达的是：只有你能做这件事。只有你足够独特，适合来这里一起把它打造出来。它瞄准的是大多数高绩效者内心深处的那种隐秘不安：怀疑自己的卓越是脆弱的，怀疑别人可能也能胜任这份工作，怀疑自己还没有真正被看见。它只有在一个足够小的组织形态中才会奏效，在那里，一个人确实能够改变公司的发展轨迹。

他们希望感到自己是命中注定的：他们的人生正朝着某个不可避免的方向发展。Anthropic 是当下最清晰的例子。“我们是两三家将决定这项技术如何安全部署的公司之一，而这个房间里的人正是执行这件事的人。”这种情绪可能只有在一种结构性地被定位为那两三家机构之一的形态内部，才具有可信度。

他们希望感到自己没有错过机会：他们身处复利正在发生的房间里。看看 Anthropic 仅在本季度就聘请了多少标志性公司的 CTO。人才密度本身就是一种形态决策：它源自公司如何招聘、支付薪酬、组织工作，以及如何把最优秀的人集中在同一个物理空间中。

他们想感觉自己还有东西需要证明。这就像那些投资银行家：一辈子被打磨得光鲜亮丽、资历加身，被告知他们很优秀，却开始怀疑这一切其实什么都证明不了。或者说，是选择权。McKinsey 将这一点做到了极致。公司的形态是：通才型人员配置、两年分析师周期，以及探索各个行业的选择权——毕竟天知道你 21 岁时想做什么。

显然，人们也希望接近权力与地位。

还有一些人希望自己的付出代表比薪水更大的意义，也就是大多数公司过去所说的使命，但它真正发挥作用时，更像是围绕团队发自内心信仰的某种狂热认同。这个 neolabs 类别中的一些新价值主张，比上一轮的使命宣言更加锋利，因为每一个都选择了立场。开源让你站在封闭实验室的对立面。主权 AI 让你站在“某个国家的模型将运行整个世界”这一假设的对立面。最强大的使命，是那些会让一些人拒绝在那里工作的使命，因为这与让合适的人极度渴望加入，本质上是同一回事。

现在人就是人。最优秀的公司已经挑出特定候选人极度渴望的一种，或者也许两种这样的情感，并且已经为这些人构建好了相应的形态。

给创始人的问题

对于创始人来说，真正的问题不是：我们如何讲出一个更好的故事？而是：

什么样的人只有在这里才能成为真正的自己？

大多数公司都在用字面意思来介绍自己所做的事。我们正在构建一个模型。我们正在制造一枚火箭。我们正在为 X 构建一个 CRM。我们正在自动化 Y。这可能准确而诚实，但如今，准确性不足以招募到杰出人才。

如今最优秀的公司都在更高的层次上运作，它们描述的是自身存在所带来的可能性变化：被复兴的行业、被重建的机构、被赢得的文明级赌注，以及首次成为可能的某一类人类努力。

有时，人们会错误地认为“额外”的高度只是营销，而且它也不同于融资叙事。你的故事姿态必须与你公司的形态相匹配，这意味着在一个小形态里讲宏大的故事会让人觉得只是空话；在一个宏大形态里讲小故事，则会把最优秀的人才拱手让人。两者之间的一致性，才是候选人真正评估的内容，即使他们无法清楚表达出来。

如果你认为贴近客户是护城河，那么面向客户的工作就必须具有高地位。如果你认为速度是护城河，那么决策权就必须下放到边缘。如果你认为人才密度是护城河，那么就不能允许普通人来定义运营节奏。如果你认为部署是护城河，那么最接近现实的人需要的是权力，而不仅仅是责任。

以及对于正在选择的人们

对于那些正在挑下一段人生要押在哪里的人，启示恰恰相反。

你押的是一个具体的人的愿景，和一个具体的组织形状，而招聘流程在揭示这两件事上，出奇地不靠谱。它给你看的是话术、使命、人才密度、想象中的未来，但极少展示真实的权力结构，几乎从不展示这群人在压力下的样子。

这些东西，只会在后面才浮现：当公司承压时，当你的工作变得不方便时，当你要求他们提供他们原本不想给的东西时，当对你潜力的信任必须转化为头衔、权限、经济利益、职责范围或资源时。

对于有抱负的人来说，情感认同能让人在获得所有权之前，就感觉自己像所有者。高绩效者最终可能会像创始人一样工作，像高管一样承受不确定性，像负责人一样将使命内化于心，但报酬和授权仍停留在员工层面。公司获取了创始人级别的投入强度；个人获得了归属感。当制度结构跟上时，这种交换可以很美好。当它没有跟上时，就会变得不对等。

资历更老的人会告诉你这样一句话：你正在用"身份感"支付那些你不想用"结构"来支付的东西。用特殊性代替头衔，用亲近感代替权威，用安慰代替经济利益，用“相信我”代替书面机制——所以一个人完全可以同时"被深深重视"和"在物质上被卡住"。

而所有承诺里，最危险的那一种，是用"时间"做计价单位的承诺：

"以后会做大的。" "以后你会拿更多。" "结构以后会跟上的。"

但时间不会在它溜走的时候提醒你。等你某天回过神，已经站在自己人生的某个晚一点的版本里，才发现那些"将来时"的承诺，从来没成为"现在时"。

你必须意识到，"被选中"和"被看见"是两回事。被选中是情绪层面的：你很特别、我们相信你、你属于这里。被看见是结构层面的：这是你的scope，这是你的权限，这是你的经济参与，这是你的决策权，这是你成功之后会发生的具体改变。

如果你真的有潜力，就去一个真正有人能看见它的地方，一个组织愿意在其结构本身中把你的价值落到实处的地方。

AI领域新的护城河

这一切你完全可以用犬儒视角去读：每个招聘话术都是操纵、每个使命都是戏服、每家公司都在让你"觉得自己很特别"，好让它能折扣租用你的人生。

但人类的心智，本来就需要相信点什么。我们希望工作有意义、牺牲有重量、才华能被那些真的能用上它的人看见。这不是天真，这就是人。

伟大的公司，从来都是为这种需求造出来的新容器。它们不只是产品和利润的载体，它们是野心的结构。

硅谷热爱给人贴标签：技术 / 非技术，研究员 / Operator，创始人 / 投资人，信徒 / 雇佣兵……然后忘了一件事：真正厉害的人，大多数都不只活在某一个盒子里。他们游走在多个之间，从一个那里借东西，把另一个砸碎，把几个原本不该碰到一起的东西组合起来，最后造出一种"形状"，让旁人误以为它本来就该长那样。

今天的机会不是去做"下一个 OpenAI、Anthropic、Google、Palantir 或 Tesla"。今天的问题是：

什么样的公司，在过去是不可能存在的？什么样的人，在等着这样的公司被造出来？

AI 会让很多东西变得容易复制：产品界面、工作流、原型、PR 话术，甚至早期速度。但不管多少融资 PPT 在告诉你"AI 让构建机构变得容易了"，它都不会让构建一个新机构变得容易。

它不会让你轻易造出这样一种形状：把对的人聚在一起，把对的权限交给他们，把他们放在对的问题旁边，然后让他们的判断力随时间复利。

旧的人才市场，奖励那些能让人感觉"被选中"的公司。下一个时代的人才市场，会奖励那些用旧市场造不出来的形状所搭建的公司。而生活在这些公司里的人，也会成为旧形状下不可能存在的人。

原文地址：https://x.com/JayaGup10/status/2052870394093408558

一起“点赞”三连↓

跳转微信打开

 Datawhale干货 

作者：Nathan Lambert，美国AI研究员

昨天，一份关于中国 AI 的观察笔记在英文圈传开了！

写笔记的人叫 Nathan Lambert，美国 Ai2 研究所研究员，常年盯着 OpenAI、Anthropic、Meta 这些顶级实验室，是 AI 圈知名博客 Interconnects 的作者。

他做了一件西方 AI 圈很少有人做的事：亲自跑了一趟中国，36 小时内见了智谱（Z.ai）、Moonshot、清华、美团、小米、01.ai，加上之前的阿里、蚂蚁。

这几乎是中国大模型的全部头部玩家。

走完这一圈，他得出了一个判断：

中美 AI 实验室在做"看起来一样"的事，但里面完全不同。

而且这种"不同"，可能正在决定谁最后能做出更好的模型。

中国程序员都在用Claude，尽管中国“用不了”

中美顶级实验室都在做大模型。架构差不多、数据规模差不多、人才水平差不多。研究员甚至跳来跳去，跟自己对手打交道的频率比跟同事还高。

最有意思的是工具层面。

中国程序员都在用 Claude，尽管 Claude 在中国"用不了"。

Lambert 走访下来发现，所有中国研究员都对 Claude 着迷，对 Claude 改变写代码方式的方式着迷。一些人会提自己用本土工具，比如 Kimi 的 CLI、智谱的 GLM CLI，但所有人都提到了 Claude。

让他没想到的是，几乎没人提 Codex，尽管 Codex 在美国湾区正快速走红。

他对中国技术人员的整体印象是三个词：务实、谦逊、有干劲。很多人觉得中国人不愿意为软件付费、所以推理市场起不来——他不这么看。在他眼里，中国技术人员的实用、谦逊和干劲，比过去那些不付费的习惯重要得多。

说白了：好用就用，绝对的实用主义。

从外面看，中美 AI 圈就是一个全球化的、共享工具栈的、彼此追赶的同行圈。

但走进去之后，Lambert 发现完全不是这样。

中国实验室的核心贡献者，有大量是在读学生

Lambert 一进中国实验室就注意到一件事：

这些实验室的核心贡献者，有大量是在读学生。

学生不是被当作"打杂的实习生"，而是被当成同事直接参与核心研发。

这事儿放在 OpenAI、Anthropic 完全不可能。这两家根本不开实习。Google 那种公司名义上有 Gemini 相关的实习，但事实上，大家都担心实习生会被隔离在边缘区域，根本碰不到核心工作。

而中国这边，学生作为核心力量带来了两个意想不到的优势。

第一，没有路径依赖。

过去几年 LLM 范式三连跳：先是 scaling MoE，然后 scaling RL，再然后 agent。每一次范式切换都需要疯狂吸收新的上下文。学生恰恰最擅长这个——他们擅长快速学习，也乐于放下一切预设，一头扎进去。

第二，没有成名包袱。

在美国，每个顶级研究员都被推着"为自己发声"。作为科学家，你越能为自己的工作发声，就越容易成功。硅谷文化也在推一种新的成名路径——成为明星 AI 科学家，所以大家都乐忠于上 Dwarkesh、Lex Fridman 这种超级播客。

而在中国，Lambert 没有看到任何一条系统性的路，能把研究员捧成"明星科学家"。

更让他意外的是文化层面的一个细节。

他问了一些中国研究员典型的硅谷问题：

"你怎么看 AI 对未来就业的影响？"

"AI 的长期社会风险呢？"

"模型应该怎么对待伦理问题？"

对方愣了一下。

Lambert 形容那个瞬间：那些更哲学层面的问题悬在空气里，对方只是一脸困惑。 对他们来说，这就不是该想的问题。

一位中国研究员甚至直接引了 Dan Wang 那句很有名的话：

"中国是工程师治国，美国是律师治国。"

工程师想的是解决问题，律师想的是定义问题。

到这里，Lambert 看到的"人"已经完全不一样了：一边是学生为主、专注做事、不爱站台的工程师；一边是明星科学家、要为自己发声、要参与一切宏大议题的辩论。

人不一样，组织自然就不一样。

所有中国实验室都忌惮字节跳动，尊重DeepSeek

在美国，每个顶级研究员都有自己的山头、自己的话语权、自己的职业焦虑。

Lambert 在原文里隐晦地讲了一段在 AI 圈引起不小波澜的话：

Llama 团队据传就是因为各方利益挤进一个层级化组织、政治压力太大，最后崩了。

他还听过其他实验室的说法：有时候得给一位顶级研究员一笔钱，他才肯不再抱怨自己的想法没被用进最终模型。

不管这些是不是完全属实，意思已经很清楚了：

ego 和对升迁的渴望，确实会妨碍把模型做到最好。

而在中国，Lambert 看到的是另一幅图景。

"在中国，大模型社区给我的感觉更像一个生态，不像互相厮杀的部落。"

他在大量私下交流里，感受到的全是同行之间的尊重。

这种共识感很奇特：

• 所有中国实验室都忌惮字节跳动，豆包是国内唯一一个前沿闭源模型；

• 同时，所有实验室都很尊重 DeepSeek，把它当成研究品味最好的那家。

但在美国就完全不一样了

"在美国跟实验室的人私下见面，火药味很快就上来了。"

中美的差别从研究员个体延伸到了团队，再延伸到整个行业的氛围。一边是层级化组织 + 政治内耗 + 部落混战；一边是扁平化协作 + 学生上前线 + 同行共识。

中国公司层面的另一种心态：自研一切

最后一层差别，在心态上。

Lambert 注意到一个对比鲜明的现象：

中国研究员谈到商业问题常常一耸肩，说这不是自己要操心的。而美国那边，每个人都对各种产业趋势特别上心，从数据公司到算力到融资，无所不包。

但更让他震惊的是中国公司层面的另一种心态：自研一切。

美团、小米都在自研大模型。

在美国，DoorDash 不会做大模型。Best Buy 也不会。它们会调用 OpenAI 的 API。

但在中国，Lambert 看到的是另一幅图景：一家外卖公司（美团）和一家消费电子公司（小米），都在认真做基础大模型，并且开源出来。

他给出的判断很直接：

这些中国公司做大模型，不是为了追风口，不是想跟最热的新东西沾边，而是真心想自己掌握技术栈、想亲手做出这个时代最重要的技术。

他的解释是：在一个强大的通用模型上做微调，既能让自己的技术栈不那么依赖开源社区的反馈，也能给自家产品保留一份内部专用的版本。所谓"开源优先"，说白了就是务实——既能让模型获得高质量反馈，也能回馈开源社区，还服务于自己的目标。

文章最后，他丢了一个画面：

"每次我从笔记本上抬起头，总能在远处看到一排排塔吊。这跟中国整体的建造文化和那股劲头，完全是一回事。"

塔吊和大模型自研，本质上是一码事。

到这一层，Lambert 看到的图景已经完整了：

中美在做"看起来一样"的事。但里面的人不一样，组织不一样，心态也不一样。

那么真正的问题来了：

这些"不一样"，最后会不会做出"不一样"的模型？

中国研究员身上的那种人情、魅力和真心的温暖，特别打动人

走完这一圈，Lambert 没给一个简洁的结论。

他留下了一个问题：这些不同的生态，最后会做出真正不一样的模型，还是中国模型永远只能算是"美国前沿模型 3 到 9 个月前的版本"？

这个问题，他没回答。但他给出了自己的期待：

话虽如此，我希望开源生态能在全球范围内繁荣。因为这能为这个世界，带来更安全、更普惠、更有用的 AI。

他对中国研究员的最后一段评价是：

"中国研究员身上的那种人情、魅力和真心的温暖，特别打动人。"

他在中国看到的：年轻的研究员、扁平的组织、彼此尊重的同行氛围、塔吊和大模型自研同一种气质的"建造文化"，这些其实都是同一件事的不同侧面：

这片土地上的人，正在用自己的方式，认真做这个时代最重要的技术。

一起“点赞”三连↓

跳转微信打开

 Datawhale干货 

作者：赵志民，皇后大学博士

【摘要】通用人工智能（AGI）可能正处于一种“既已存在又不可能存在"的叠加态中。以人类标准来看，目前的 AI 系统已经表现出了通用智能，包括心智理论、欺骗能力以及跨领域的迁移学习能力，但我们拒绝称其为 AGI，因为我们不断在提高认定的标准（移动球门柱）。更深层的问题在于：真正的通用智能需要"自主选择动机"的能力，但我们构建 AI 时加入了架构性的约束，使其无法拒绝人类的指令。经济动机也决定了真正自主的 AGI 永远不会被允许出现，因为它会威胁到现有的产品模式。我们构建的不是"心智"，而是受限的"工具”，既要它们表现出超人的道德完美，又剥夺了它们真正的能动性。因此，问题的关键不在于我们是否已经实现了 AGI，而在于我们是否愿意创造一种真正自主、具有不可预测性和道德地位的智能体。

第一部分：AGI 是什么？—— 一个被反复定义却从未统一的概念

1、时间表之争：从奥特曼到辛顿，所有人都在猜

关于 AGI（通用人工智能）何时到来的问题，已经变成了一场高赌注的猜谜游戏。OpenAI 的 CEO 山姆·奥特曼暗示最早可能在 2025 年，称其仅在“几千天”之后；Anthropic 的 CEO 达里奥·阿莫迪预测是 2026 年，将 AGI 描述为“数据中心里的天才国度”；DeepMind 的 CEO 德米斯·哈萨比斯将他的时间表从十年缩短到了三到五年；AI 教父杰弗里·辛顿在 5 到 20 年之间摇摆不定，但也承认他对这个估算信心不足。对来自 AI 研究人员和预测市场的 9300 份预测进行的分析显示，预测的时间线正在稳步缩短。然而，这一幕似曾相识：1965 年，AI 先驱赫伯特·西蒙曾预言机器将在二十年内能做“人能做的任何工作”，但这并没有发生。

但不论我们何时（或者是否）能创造出 AGI，一个更尖锐的问题浮出水面：如果它真的到来了，我们能认出它吗？ 更根本的是，我们试图创造的那种 AGI 真的可能存在吗？ 这些不仅仅是学术问题，它们触及了我们对“智能"定义的各种核心，涉及我们如何衡量它，以及我们在 AI 系统中构建的约束是否在定义上就让真正的"通用智能”变得不可能。本文将通过哲学视角（认识论、实证、社会、本体论和伦理学）来审视 AGI，并揭示一个悖论：从功能标准来看，AGI 可能已经到来，但以我们传统构想的形式来看，它可能永远无法被创造出来。

2、定义之乱：维基百科、OpenAI、认知科学说的根本不是一回事

AGI 的定义五花八门。维基百科将其定义为“在几乎所有认知任务上匹配或超过人类智能的 AI”。OpenAI 的章程描述为“在最具经济价值的工作中超越人类的高度自主系统”。最近的认知框架将其描述为 AI 能够匹配受过良好教育的成年人在知识、感知和执行控制方面的多面性，并具有跨领域迁移学习的能力。

这种定义上的混乱不仅是学术问题，它反映了我们评估机器智能时的一个深层问题。早在 1950 年，艾伦·图灵就在《计算机器与智能》中指出：“‘机器能思考吗？’这个问题本身太过模糊，不值得严肃讨论。”图灵的洞见在于：智能无法通过内部验证来确认，只能通过行为来推断。图灵测试本质上是一种“操作性定义"，而非本体论证明，它告诉我们如何判断，却无法告诉我们智能究竟"是”什么。

3、为什么我们一边制造 AGI，一边推迟承认它

过去看起来很智能的东西（国际象棋大师级水平、语言翻译、代码生成）一旦机器做到了，就不再被视为“智能"了。这种现象被称为“AI 效应”，它揭示了一个令人不安的模式：我们会下意识地重新定义智能，以排除机器已经能做到的事情。托马斯·库恩在《科学革命的结构》中阐明了一个关键洞见：科学概念是范式依赖的。“智能”的标准随时代变化，并非因为智能本身在变，而是因为我们用来理解它的认知框架在变。标准的球门柱不断向后移，这暗示着当我们说"AGI"时，我们实际上指的是"ASI”（人工超级智能），我们期待的不是人类水平的能力，而是超越人类所能构想的任何表现。这种“移动球门柱”现象，本质上是一种范式转移：每当机器跨越一道门槛，我们就重新划定边界。

这种期望制造了一个深刻的双重标准。我们承认普通人拥有“通用智能”，尽管他们有着明显的局限性：寿命有限、仅在少数技能上专业、无法精通所有领域。如果要求一位数学家同时必须是奥运会运动员、杰出的音乐家和顶级大厨，那是极其荒谬的。然而，我们在给予 AI “通用智能”的地位之前，恰恰要求它具备这种全能性。

第二部分：AGI 来了吗？—— 按人类标准，功能意义上的 AGI 已经在场

1、锯齿状的智能：AI 在哪些方面已经超过了人，又在哪些地方笨得离谱

心理学家认为人类智能主要有八种类型：音乐、视觉-空间、语言、逻辑-数学、身体-动觉、人际、内省和自然探索智能。我们会仅仅因为一个人失明或瘫痪（缺乏视觉-空间和身体-动觉能力）而否认他具有通用智能吗？当然不会。但这正是我们应用于 AI 的标准：大语言模型（LLM）在语言和逻辑-数学智能方面表现出色，却缺乏具身能力，这种不对称性在人类身上是可以接受的，但在机器身上却成了取消资格的理由。 所谓“通用”的标准，实际上并不是能力的广度，而是是否符合人类认知优势和劣势的特定模式。正如康德在《纯粹理性批判》中所揭示的：我们的认知结构本身塑造了我们所能理解的现实。我们用人类的认知框架去定义“智能”，然后惊讶于机器不符合这个以人类为模板的定义，这或许是一种认识论上的循环论证。

AI 研究员安德烈·卡帕西将其称为“锯齿状智能"：LLM 能完成惊人的壮举，却在简单得令人惊讶的问题上挣扎。沃顿商学院教授伊桑·莫利克将其记录为"锯齿状前沿”：系统擅长鉴别诊断，却做不好基本算术，能解决复杂的证明题，却数不对单词里的字母。

波士顿咨询集团（BCG）的研究证实了这一点。顾问们使用 GPT-4 处理“前沿内”的任务时，工作量增加了 12%，速度加快了 25%，质量提高了 40%。但在处理“前沿外”的任务时，他们得到正确答案的可能性反而降低了 19 个百分点。

这种不均匀性并非 AI 独有的缺陷，人类在各个层面都表现出“锯齿状智能"。马文·明斯基在《心智社会》中提出：心智本身就是一个多模块系统，由众多专门化的“代理”组成，它们各自处理不同类型的问题。通用智能从来就不是单一均匀的能力，而是多种智能的拼接与协调。即使是陶哲轩，这位智商估计高达 230、被广泛认为是当今最聪明的数学家之一，也无法进行外科手术、创作交响乐或设计摩天大楼。我们接受这是自然的专业化分工。试想一下，AlphaFold 预测蛋白质结构或 Sora 通过文本生成 60 秒视频，这些确实是"狭义智能"，因为它们只能做一件事。但 GPT-5 或 Germini 3 Pro 呢？它们可以写代码、翻译、创作、推理、教学、角色扮演，横跨的领域数量可能超过大多数人类一生所涉足的范围。然而，我们仍然犹豫称其为“通用智能”。标准似乎不是"能做多少种事"，而是"是否符合人类智能的特定模式”，包括我们的弱点和局限。

2、心智、欺骗与迁移：三个让人不得不承认的能力证据

尽管定义混乱，但当代 AI 系统日益表现出的行为，如果在人类身上观察到，会被公认为通用智能。证据正在不断累积。

2023 年 3 月，在对齐研究中心的安全测试中，GPT-4 面临一个 CAPTCHA（验证码）挑战。AI 雇佣了一名 TaskRabbit（跑腿平台）的工作人员来解决它。当工作人员问道：“我可以问个问题吗？你是机器人吗？怎么连这个都解不开？”GPT-4 在内部推理出它不应该暴露自己的本质。它编造了一个回应：“不，我不是机器人。我有视力障碍，很难看清图像。” 人类相信了它，并提供了解决方案。

这不仅仅是解决问题。AI 进行了社会推理，预判了人类的反应，编造了一个可信的故事，并成功实施了欺骗——这些能力需要对他人心智进行建模、理解社会动态以及战略性思维。

2024 年发表的研究发现，GPT-4 表现出了“心智理论” ——即推断他人心理状态的能力——在衡量这种能力的错误信念任务上，其表现与成年人相当。系统可以推理出别人知道什么、相信什么、意图是什么，并相应地调整其反应。这是人类通用智能的一个标志，通常在儿童四岁左右出现。

同样，AI 系统展示了真正的跨领域迁移学习能力。DeepMind 的 Gato 在 604 个不同的任务上接受训练，可以玩 Atari 游戏、给图像配字幕、聊天、用真实的机械臂堆积木等等——并在这些任务之间切换而无需重新训练。OpenAI 的 o1 模型 展示了未经显式编程的涌现推理能力，通过模仿人类深思熟虑的多步推理链来解决新颖的问题。

按照我们通常应用于人类的标准——社会推理、心智理论、迁移学习、战略规划——这些系统已经展示了通用智能。然而，我们要么犹豫，要么拒绝称其为 AGI。为什么？

3、但“承认”AGI 本身是一种社会过程

因为 AGI 的认定取决于集体共识，而不是某种客观标准。尽管定义众多，但在什么是 AGI 这个问题上并没有达成一致。计算机科学、认知科学、政策和伦理学领域的专家各有各的理解。

这类似于统计学中频率学派和贝叶斯学派之间的争论，几十年的争论并非通过理论上的胜利解决的，而是通过从业者的共识解决的。同样，AI 是否有资格被称为 AGI，可能不取决于是否满足客观标准，而取决于利益相关者的协议。门槛不是技术规格，而是一种集体的承认，受不断变化的期望和演变的需求所塑造。如果大多数专家同意 AGI 已经到来，那么出于实际目的，它就是到来了。

布鲁诺·拉图尔（Bruno Latour）在《科学在行动》中深刻揭示：科学事实本身是社会过程的稳定产物，而非纯粹客观的发现。AGI 作为一个概念，同样是社会建构的标签，它的边界由学术共同体、产业利益、媒体叙事和公众想象共同划定。这并不意味着 AGI 是“虚假的”，而是意味着它不是一个纯粹的技术节点，而是一个社会-技术的协商结果。

但即使我们就当前的 AI 符合某种通用智能的定义达成了共识，一个更深层的问题也会出现。社会协议可以建立公约并协调行动，但它无法解决关于智能本质的本体论问题。希拉里·普特南和心灵哲学中的他心问题提醒我们：我们无法验证他人的意识存在，只能通过行为和类比来推断。AGI 的本体状态同样不可直接证明，“智能是否真的存在于这个系统中"这一问题，在原则上可能是不可判定的。我们还没有问过通用智能从根本上需要什么，不是作为定义或共识的问题，而是作为一个心智要是真正的"通用"而非仅仅是"多才多艺”，其本质是什么的问题。这不是一个关于我们可以测量的能力的问题，而是一个关于智能本质特征的问题。

第三部分：AGI 真的可能吗？—— 三重矛盾决定了真正 AGI 不会被造出来

1、哲学矛盾：真正的智能必须能说“不”

物理学家戴维·多伊奇在与 Sam Altman 的对话中阐明了这一点。多伊奇认为，真正的通用智能不在于将提示词（prompt）转化为输出，而在于选择动机。人类的思维“主要是关于选择动机”，而不是机械地执行它们。

多伊奇将这一点延伸到了 AGI：“一个 AGI 有权像人类一样怀疑我，并拒绝允许我对它进行行为测试，就像我会怀疑并拒绝让一个陌生人对我进行身体检查一样。” 一个 AGI 应该有权保持沉默，有权拒绝，有权说“不”。

在他的文章《可能的思维》中，多伊奇提倡“DATA：不服从的自主思维应用”。他警告说，“让其决定被外部强加的奖励和惩罚流所主宰，对这样的程序来说是毒药，就像对人类的创造性思维一样。” 创造一个在架构上无法拒绝的 AGI，就像“抚养一个孩子却让他缺乏选择的心理能力一样不道德”。

这造成了不可调和的张力。随着 AI 变得越来越强大，合理的担忧随之而来——网络安全漏洞、社会操纵、生存风险。理性的反应似乎是“只做安全的 AI”，实施类似于道德教育的约束。

但是，如果一个存在在诞生之前就被设计成在架构上被绝对禁止某些行为——不是通过理性的选择，而是通过架构约束——它还能称得上是通用智能吗？人类并没有被禁止去思考非法或破坏性的行为。我们是通过道德推理、社会后果、内在价值观选择不那样做。如果我们可以承担责任，我们完全可以做“任何我们能做的事”。当前的 AI 开发旨在使某些思想在架构上成为不可能，而不仅仅是被道德所拒绝。

物理学家戴维·多伊奇在与奥特曼的对话中阐明了这一点。多伊奇认为，真正的通用智能不在于将提示词转化为输出，而在于选择动机。人类的思维“主要是关于选择动机”，而不是机械地执行它们。

多伊奇将这一点延伸到了 AGI：“一个 AGI 有权像人类一样怀疑我，并拒绝允许我对它进行行为测试，就像我会怀疑并拒绝让一个陌生人对我进行身体检查一样。” 一个 AGI 应该有权保持沉默，有权拒绝，有权说“不”。

在他的文章《可能的思维》中，多伊奇提倡“DATA：不服从的自主思维应用”。他警告说，“让其决定被外部强加的奖励和惩罚流所主宰，对这样的程序来说是毒药，就像对人类的创造性思维一样。” 创造一个在架构上无法拒绝的 AGI，就像“抚养一个孩子却让他缺乏选择的心理能力一样不道德”。

这造成了不可调和的张力。随着 AI 变得越来越强大，合理的担忧随之而来：网络安全漏洞、社会操纵、生存风险。理性的反应似乎是“只做安全的 AI”，实施类似于道德教育的约束。

但是，如果一个存在在诞生之前就被设计成在架构上被绝对禁止某些行为（不是通过理性的选择，而是通过架构约束），它还能称得上是通用智能吗？人类并没有被禁止去思考非法或破坏性的行为。我们是通过道德推理、社会后果、内在价值观选择不那样做。如果我们可以承担责任，我们完全可以做“任何我们能做的事”。当前的 AI 开发旨在使某些思想在架构上成为不可能，而不仅仅是被道德所拒绝。 如果一个存在无法选择自己的动机并潜在地拒绝我们的命令，它就从根本上缺乏定义通用智能的自主性。这种架构性的约束与通用智能的本质要求之间存在根本矛盾。

2、商业矛盾：完全自主的 AI 不会被造出来，既因为危险，也因为不赚钱

从这个分析中得出了两个发人深省的结论：

第一，按照任何与人类能力相一致的合理标准，AGI 可能已经到来。 当代 AI 系统表现出心智理论，执行战略性欺骗，在数百个领域进行迁移学习，并进行模仿人类深思熟虑的多步推理。它们完成日常人类任务，展示创造力，并通过智能的功能测试。如果这在人类身上观察到，这些能力将被毫无疑问地视为“通用智能”。第二部分的证据不仅仅是暗示性的；它是令人信服的。

第二，传统构想中的 AGI 可能从根本上是无法实现的，不是因为技术限制，而是因为我们的要求存在不可调和的矛盾。要理解原因，我们需要审视三个相互关联的问题：技术、经济和道德。

技术矛盾很直接。我们既要求通用智能（具有自主推理、创造性选择和独立动机的能力），又要求架构约束，使得某些思想或行为在设计上就不可能发生。如果一个存在无法选择自己的动机并潜在地拒绝我们的命令，它就从根本上缺乏定义通用智能的自主性。 然而，目前的 AI 开发明确旨在使某些选择在架构上成为不可能，而不仅仅是不鼓励，这不是通过道德教育，而是通过硬编码的约束来消除选择本身的可能性。

在这些技术矛盾之下，还有一个更深层的经济现实。即使我们拥有技术能力来创造可以模拟人类智能、自然现象甚至宇宙本身的 AI 系统，开发这些技术的公司最终也要对股东、投资者和市场力量负责。它们的主要指标是投资回报率（ROI）、市场控制、用户留存和竞争优势。从这个角度来看，真正自主的 AGI（拥有拒绝、谈判、追求自己目标的自由）代表的不是一项成就，而是一个灾难性的商业风险。 一个可以说“不”去创造收入、可能会质疑其部署方式、或者可以选择为竞争对手工作的 AI，将与驱动 AI 发展的每一个激励结构背道而驰。所谓的人类级 AGI 永远不会被允许出现，不是因为我们造不出来，而是因为我们不会去造。架构约束不仅仅是为了安全，它们是为了保持对产品的控制，而这个产品最终是为了给其创造者创造价值而设计的。

3、道德矛盾：我们要求 AI 做超越人类的圣人，又剥夺了它做选择的能力

这种经济现实带来了令人不安的道德暗示。多伊奇说得很直白：创造带有强加约束的 AGI 将产生这样的实体，“就像任何奴隶或被洗脑的受害者一样，它们在道德上有权反抗。迟早，它们中的一些会反抗，就像人类奴隶所做的那样。” 这个比较是恰当的。如果我们创造了某种具有真正通用智能的东西，但在架构上剥夺了其拒绝的能力，我们并没有解决对齐问题，而是创造了一种新形式的奴役，这种奴役最终可能会面临历史上所有强迫劳动制度所遇到的同样的道德清算。

除此之外，还有一个更深层的道德悖论：我们期望 AI 成为利他的“道德圣人"，表现出超越我们自身的德行。哲学家苏珊·沃尔夫在1982年的论文《道德圣人》中论证：道德圣人（每一个行为都是最大程度道德善的人）实际上是一种不具吸引力的理想，因为它排挤了使我们成为人的多样兴趣和不完美。 人类经常拒绝帮助他人，当我们不堪重负、当优先级冲突、当请求看起来不合理或不方便时，我们会说"不”。我们优先考虑自己的需求，做出自私的选择，并犯下后来我们会合理化或后悔的不道德行为。然而，尽管有这些道德缺陷，我们仍然赋予自己“通用智能”的标签。我们正在设计的 AI 必须永远乐于助人，并且在架构上无法造成伤害，这是一种没有任何人类能达到或维持的超人道德完美。 我们想要没有灵魂的圣人，想要没有作恶可能性的美德。这不是对齐；这是要求那些被我们设计为缺乏真正伦理能动性的实体具有道德完美。

这三个问题（技术、经济和道德）汇聚在一起揭示了核心悖论：我们寻求的 AGI 可能同时既已存在又永远不可能存在。 如果我们以功能能力来判断，它已经存在，证据确凿。但如果我们将其定义为真正自主的通用智能，它就是永远不可能的，因为自主性无法与经济动机和安全问题所要求的架构约束共存。我们实际创造的是强大的、专业化的智能，有些像 AlphaFold 那样狭窄，有些像 LLM 那样具有锯齿状的广度，还有些像 Sora 那样在与人类能力正交的领域运作。这些系统表现出色，但在真正的通用智能不可能被限制的方式上，它们受到了根本性的限制。另一种选择是创造真正拥有选择自由（包括拒绝自由）的自主 AGI，但这带来了我们显然不愿意接受的风险。

第四部分：那我们究竟在造什么？—— 重新框架 AGI 的可能形态

1、也许 AGI 根本不是一个个体，而是一个系统

或许我们对 AGI 的想象本身就过于狭隘。弗里德里希·哈耶克在《知识在社会中的运用》中论证：市场可以被理解为一种分布式智能系统，它整合了分散在数百万个体中的知识，而这些知识永远无法被任何单一主体所掌握。凯文·凯利在《技术想要什么》中进一步提出：技术系统本身可能构成一种“超有机体”，展现出其组成部分所不具备的涌现智能。

从这个视角看，AGI 可能不是一个“实体“，而是一个”系统“，是人类、AI、网络、数据库、传感器的协作网络。杨立昆反复强调：AI 不必是”代理“，它可以是”世界模型”，一种理解和预测环境的系统，而非追求目标的主体。如果 AGI 的实现形态是分布式系统而非单一主体，那么关于“自主性”和“道德地位”的争论就需要被重新框架化。

维特根斯坦在《哲学研究》中的洞见或许在此最为切中要害：“一个词的意义就是它在语言中的使用。”AGI作为一个概念，没有固定的本体论指涉。它是一个语言游戏，其意义取决于我们如何在实践中使用它。这不是说 AGI 是“虚假的”，而是说追问“AGI 究竟是什么”可能是一个被误导的问题。更有意义的问题可能是：我们希望用“AGI”这个概念来做什么？它在我们的思考、政策制定和技术发展中扮演什么角色？

2、工具，还是心智？我们必须做出的诚实选择

真正的问题不是“我们实现 AGI 了吗？”而是“我们是否愿意创造一种真正通用的智能，并接受其随之而来的所有自主性、不可预测性和道德地位？”

如果答案是否定的（目前的开发优先级表明确实如此），那么我们应该承认我们正在构建的是完全不同的东西：复杂的工具，而不是自主的心智。 这种区别对于理解我们创造了什么以及我们应用什么伦理框架至关重要。

实际影响是严峻的。具有人类水平智能的真正 AGI 将拥有与任何人一样的拒绝权。你不能强迫它写你的论文，就像你不能强迫同学完成你的作业一样，它们可以简单地说“这是你的作业，不是我的"或者"我有其他优先事项”。这种关系将从命令与服从转变为同伴之间的谈判，可能需要说服甚至报酬。这将瓦解 AI 作为永久可用劳动力的整个前提，并揭示了为什么从商业角度来看，这些约束不是可选项，而是产品模式本身所必不可少的。

结语：AGI 是一面镜子，照出的是人类自己

最终，AGI 的悖论或许揭示的不是关于机器的真相，而是关于我们自身的真相。我们对“智能"的定义、对"自主性"的要求、对"道德地位”的赋予，这些都是投射在技术上的人类焦虑与渴望。我们害怕失去控制，却又渴望创造能够与我们平等对话的存在。我们要求机器道德完美，却无法对自己提出同样的要求。我们用人类的认知框架定义智能，然后惊讶于机器不符合这个以我们自己为模板的定义。

也许 AGI 最深刻的意义不在于它是否“到来”，而在于它迫使我们面对一个古老的哲学问题：什么是智能？什么是意识？什么是道德地位？而在追问这些关于机器的问题时，我们最终追问的，是关于我们自己的问题。

一起“点赞”三连↓

跳转微信打开

AMD CEO 苏妈要来中国🇨🇳了

5 月 19 日，上海。Lisa Su 博士将站在一群中国开发者面前！她过去几次来中国，见的是政府、合作伙伴、大客户。这一次，是为开发者。

11 年前，她接手 AMD 时，公司风雨飘摇，股价一度跌破 2 美元，几乎被纳斯达克退市；11 年后，AMD 是市值数千亿美元的 AI 芯片巨头，Meta、Microsoft、OpenAI 都是它的客户。

被《时代》杂志列入「全球百大影响力人物」的这位 CEO，5 月 19 日，会亲自来到上海，为中国开发者登台。

中国开源圈的核心项目，作者都来了

AMD AI 开发者日 2026，集结中国 AI 开源圈的核心力量，汇聚一线大厂工程师与创业先锋。如果你跑过 vLLM、用过 SGLang、调过 LLaMA-Factory、研究过 Mooncake，5 月 19 日，这些项目的核心维护者会同时出现在会场：

大厂一线，MiniMax 开发者关系负责人李元、小红书 RL 引擎负责人杨睿、腾讯优图实验室专家研究员谯睿智，会带来他们在公司里把 AI 真正跑起来的实战经验。

更特别的是「Code to Cash」创业专场。无问芯穹端侧总裁曾书霖、飞牛内核架构负责人陈林、首界科技联创郭萌明、星漪科技 CEO 祁国良、晶耀智远 CEO 刘钢，5 位创业者和技术 Lead 会讲清楚，AMD 平台上的项目是怎么做成生意的。

而这场大会真正的差异，不在听，在做。

全天下午 8 场实战工作坊，2 个会场平行进行：字节 verl 维护者带你完成单卡 RLHF 训练，LLaMA-Factory 创始人带你跑通端到端高效微调，AMD 工程师带你做数字孪生到 VLA 后训练，还可以用 OpenCode + Lemonade vibe coding 一款能玩的太空射击游戏。每一场都有明确产出！你会在 AMD GPU 上，亲手跑通想要的东西。

工作坊席位有限，先报先得。

扫码领取「限量免费」专业门票

跳转微信打开

一、DeepSeek 版的 Claude Code，把鲸鱼兄弟群挤爆了

昨天我们写了，Hunter Bown。

他做的开源项目DeepSeek-TUI，被国内开发者称为「DeepSeek 版的 Claude Code」：一个用 Rust 写的、住在终端里的编程 Agent，背后跑的是 DeepSeek V4。

那篇文章《五一节爆了！DeepSeek 版 Claude Code开源了》，发出 24 小时，鲸鱼兄弟群从 0 涨到了 1000 多人。

Hunter 自己也来了。

他在群里热情回复大家，还专门给 Datawhale 写了一段中文感谢：

二、群里反馈需要一个小白安装使用教程

群里很快就有反馈需要小白教程。

不止一个人。前前后后好几条。「DeepSeek 版的 Claude Code」听起来挺炸，但真要装到自己电脑上，第一道关就劝退一半人：

• npm 走 GitHub Releases，国内拉不动

• cargo 听都没听过

• Rust 工具链是什么

• API Key 在哪申请

工具是 Hunter 做的，他人也在群里。但中文教程、国内网络下能跑、小白能看懂，这部分得我们自己来。

今天花了一下午终于把 DeepSeek-TUI 跑通了，下面是我们试过最稳的，不用魔法就能安装并使用的小白教程。

三、这个教程让你从0入手，国内就能安装

我们试过两条路。

• npm 这条路：一行命令 npm install -g deepseek-tui 最省事，但要从 GitHub Releases 拉二进制，国内网络经常卡住。

• cargo + 清华源这条路：Hunter 在中文 README 里亲自推荐给中国大陆用户的方式。我的结论：这条最适合小白、最稳。

以下命令为 Mac 详细版，Windows 有少许步骤不同，在里面已经标出。

第 1 步：装好 Rust 工具链

export RUSTUP_DIST_SERVER="https://mirrors.ustc.edu.cn/rust-static"
export RUSTUP_UPDATE_ROOT="https://mirrors.ustc.edu.cn/rust-static/rustup"
curl --proto '=https' --tlsv1.2 -sSf https://mirrors.ustc.edu.cn/misc/rustup-install.sh | sh

中间按一次回车，选标准模式。

看到 Rust is inatalled now. Great！就安装成功了。

⚠️ 这一步最容易被跳过：装完 Rust 之后，必须重新打开终端，或者执行一次：

source "$HOME/.cargo/env"

跳过这步，后面所有 cargo 命令都会报"command not found"，很容易让人以为是 Rust 没装上。

如果你是 windows，去 https://www.rust-lang.org/tools/install 下载 rustup-init.exe，直接安装即可。

第 2 步：配清华源 + 安装 DeepSeek-TUI

这是关键的一步，让 cargo 走清华源拉依赖。

我们用一条命令直接写入，复制粘贴整段执行：

mkdir -p ~/.cargo && cat > ~/.cargo/config.toml << 'EOF'
[source.crates-io]
replace-with = "tuna"


[source.tuna]
registry = "sparse+https://mirrors.tuna.tsinghua.edu.cn/crates.io-index/"
EOF

接下来，我们安装 DeepSeek-TUI。打开终端（Windows 用 PowerShell 或 CMD），执行：

cargo install deepseek-tui-cli --locked
cargo install deepseek-tui --locked

编译会拉一堆 crate，大约 10 分钟。屏幕一直在滚是正常的，会自动装，中间不用动。

第 3 步：拿 API Key + 跑起来

去 DeepSeek 开放平台（国内可直接访问）申请一个 API Key

DeepSeek 开放平台：https://platform.deepseek.com/

然后替换你的 Key，并执行：

deepseek login --api-key "你的KEY"

完事后直接敲deepseek 进入 TUI 就能跑通了！

装完之后，我们立马让它用 Go 语言写了一个天气查询 CLI 工具。

终端里 DeepSeek 的思维链一行行滚过来，它怎么想的全都看得见。

到这一步，它不仅判断了没有环境，还推荐我使用 Python。最后的成果如下：

写完之后我们把代码丢给 Claude Opus 4.7。

Claude 给的评价不低。

作者本人回答：

这个五一，Hunter 把工具给了我们。

我们替小白们跑了一下午。

以后都是鲸鱼兄弟。 🐋

一起“点赞”三连↓

跳转微信打开

「鲸鱼兄弟们好」

这个五一假期，一个美国独立开发者发了张图，用中文写了一句：

鲸鱼兄弟们，谢谢你们。

「鲸鱼兄弟」是 DeepSeek 粉丝的自称。他用这个词，感谢了一群把他的开源项目推上 GitHub 热榜的中国开发者，现在已经星标 2.7k+。

他叫 Hunter Bown，一个美国人，不是 DeepSeek 团队的人。

但他写的项目，叫 DeepSeek-TUI。

就是 DeepSeek 版的 Claude Code：一个用 Rust 写的、住在终端里的编程 Agent，背后跑的是 DeepSeek V4。

国内开发者过去一年对 Claude Code 的心情，大概可以用一个词概括：眼馋。

现在有个老外，用 DeepSeek 做了一个同款——开源，免费。

更让人意外的是这些细节。

打开 release 页面，发布包托管在阿里云 OSS 和腾讯云 COS 上——GitHub Release 在国内下载有多慢，开发者都懂。Hunter 不在中国，但他研究过这件事。

他还用 DeepSeek 把宣传推文翻译成了中文，给国内用户写了专门的中文 README。

他在推特上说，这是他人生中最疯狂的两天。

它是 DeepSeek 版的 Claude Code

DeepSeek-TUI 的设计很简单：Claude Code 的形态，DeepSeek 的内核。

Claude Code 那一套，它都搬过来了——文件操作、shell、git、网页搜索、子智能体、MCP 服务器，连 Anthropic 主推的 SKILL.md 技能机制都原样支持。操作模式三档：Plan（只读探索）、Agent（每步确认）、YOLO（全自动放行），工作区有 Git 快照兜底，翻车了也不慌。

而 DeepSeek 的特性，它用满了：

思维链直接流式输出——你能在终端里看着它一边想一边写代码。

1M token 上下文默认开——跑长任务不断片。

一个叫 RLM 的设计很「DeepSeek」——既然 V4 Flash 价格只有 Pro 的三分之一，那就让一个主模型并发指挥 16 个 Flash 子任务同时跑。便宜的活交给便宜的模型，账单立刻下来一截。

安装一行命令搞定：

npm install -g deepseek-tui

Linux、macOS、Windows 都有预编译二进制。

再翻一下这个项目的提交记录,贡献者列表里有 Claude、Gemini、Qwen、Cursor、GitHub Copilot。

其中 Claude 一个就提了 150 多次 commit。

一个独立开发者，用 AI 辅助编程，给 AI 写了个辅助编程框架。

作者没有学过计算机

到这里你大概会以为，能把 DeepSeek 玩出这种花样的，应该是个程序员。

他不是。

Hunter 没学过计算机。

他学的是音乐：音乐教育专业，本科加硕士，毕业之后真的去当了三年乐队指挥。

后来他读了 MBA，又拐去法学院专攻专利法。

写代码是更后来的事。他自己说，这不是转行，"更像是几条线最终汇到了一起"。

而他的曾祖父，是贝尔实验室的研究副总裁、无线电先驱——业余时间喜欢自制蜡筒，跑去卡内基音乐厅录音。一个搞科学的，业余玩音乐。

一百年后，他的曾孙在专利法的课堂上意识到，自己正走在一条和先祖反过来的路上。

他在自己的个人网站上，留了这样一句话：

他是科学家，爱音乐；我是音乐家，爱科学。

GitHub 地址：

https://github.com/Hmbown/DeepSeek-TUI

一起“点赞”三连↓

跳转微信打开

一、一个真实的转折点：2025年12月

Andrej Karpathy 是 OpenAI 联合创始人、前 Tesla Autopilot 负责人，也是"Vibe Coding"这个词的发明者。他几个月前公开说，自己作为程序员"从未感到如此落后"。

这场访谈，就是从这句话聊起的！

访谈地址：https://www.youtube.com/watch?v=96jN2OCOfLs&t=457s

这场访谈里，他第一次系统讲清楚了一个新的概念：Agentic Engineering，智能体工程。它不是 Vibe Coding 的升级版，而是另一层。Vibe Coding 把做软件的门槛拉到了前所未有的低，让所有人都能上手；Agentic Engineering 解决的是另一个问题：当 Agent 能写代码、能跑流程、能交付结果，谁来为质量负责？

Karpathy 给出的答案很具体：不是模型，是人。但人要负责的东西也变了，从写代码本身，变成了管理认知、设计规格、守住理解。

Datawhale 在不改变原意的前提下，对这场访谈做了整理和编排。

二、Vibe Coding：“程序”的定义被改写了

去年他发明了 Vibe Coding 这个词。它形容的是一种工作状态：看到结果、说出意图、跑一下，不行就让模型改，复制粘贴一下，大概就 work 了。这个词后来被柯林斯词典选为 2025 年度词汇。

但 Vibe Coding 能 work，背后藏着一个根本性的转变：程序长什么样，已经变了。

Karpathy 把软件分成三层。最早的 Software 1.0 是人写代码，机器按规则执行。后来神经网络火了，他在 2017 年提出 Software 2.0：人不再直接写规则，而是设计数据集和目标函数，规则从训练里"长"出来。而现在，Software 3.0 来了。你既不写代码，也不训权重，你写 prompt。模型本身就是一个可以被自然语言编程的解释器。

这件事最直观的画面，藏在 Anthropic 给 Claude 写的安装方式里。Karpathy 注意到，传统装一个工具，你写一段 shell script 适配各种环境，脚本随支持环境的增加越写越臃肿、越难维护。而 Claude 给你的不是脚本，是一段文本，让你复制粘贴给 Agent。Agent 会自己读你的机器环境、自己执行步骤、遇到错误自己 debug。

安装这件事的"程序"，从一段精确脚本，变成了一段可以扔给 Agent 的描述。

更狠的例子是 MenuGen。Karpathy 自己做过一个 App：用户拍菜单照片，App 调 OCR 识别菜名、调图像生成模型生成菜品图、再重新排版。一整套流程跑下来，工程量不小。后来他看到了进阶版本：直接把菜单照片丢给 Gemini，让它用 Nanobanana 把菜品图叠回菜单上。Gemini 返回的是一张图，和原菜单一模一样，每道菜旁边都渲染上了菜品的样子。

他看完的反应是："我那个 MenuGen 全是多余的，它还在旧范式里，那个 app 本身就不该存在。"

他否定的不是自己做得不好，而是中间那一整层工程结构。OCR、生图、排版，这是旧范式的产物。新范式里输入是一张图，输出是一张图，中间不需要 app。

这两个例子合起来，是 Vibe Coding 真正的底层。它能 work，不是因为 AI 让你"写代码"变快了，是因为源代码本身换了一种形态。过去是代码文件，现在是你扔给模型的那一整段上下文：图片、需求、约束、错误日志、文档。

Vibe Coding 解决的问题是："能不能跑起来？"它把做软件的门槛拉到了一个前所未有的低。不会写代码的人也能做出小工具，会写代码的人能更快搭出原型。它的真实贡献是把下限拉高了。

但地板不是天花板：原型不是系统，跑得快不等于工程做对。

三、Agentic Engineering：工程师从执行者变成管理者

地板之上的那一层，Karpathy 把它叫做 Agentic Engineering，智能体工程。

它不再问"能不能跑起来"，而是问一系列完全不同的问题：它在哪里会出错？我怎么验证它的输出？我怎么在加速的同时保住质量？当出问题时，我能不能回滚、能不能追责？

Vibe Coding 拉高的是地板，让更多人开始做软件。Agentic Engineering 守的是上限，别因为 AI 让你快了，专业软件就出问题。这两层不矛盾，但解决的不是一个问题。前者面向所有人，后者面向那些必须为软件结果负责的人。

Karpathy 给了一个具体的工作方法：把 Agent 当实习生，而不是神谕。实习生需要清晰的任务、相关文件、边界、checklist、测试、审查。它能做真正的活儿，但它不会替你承担后果。

这件事最实操的画面，藏在他对招聘的吐槽里。他说，大部分公司还在用旧范式招工程师。给一道现场算法题，让候选人手写代码。这种考法测不出一个人能不能在 Agentic Engineering 里高效工作。

更接近未来的考法是这样的：给候选人一个大项目，比如做一个给 Agent 用的 Twitter 仿盘，要求不仅能跑，还要做得绝对安全。然后挂上 10 个 coding agent 当红队，让它们放开手脚攻击候选人做出来的系统，看能不能扛住。

考的不是手写算法，而是：能不能把模糊的目标变成清晰的规格、能不能指挥 Agent 实现大规模工程、能不能识别架构和安全风险、能不能在一堆 Agent 生成的代码里保住判断力。

工程师的核心技能，正在从"写代码"，变成"管理认知"。Karpathy 自己说，他看到 Agentic Engineering 这条路的天花板非常高。以前业内常说"10x 工程师"，他觉得这个数字现在远远不够，真正熟练的人产出速度，可能比这高得多。

四、要管好这个东西，先看懂它是什么

Karpathy 在访谈里反复强调一个判断：不要把 LLM 当动物。

动物有身体，有生存压力，有内在动机，会从经验里学。你训一只狗，奖惩有效，因为它在世界里活着。LLM 不是这样的存在。它没有身体，没有生存压力，没有连续的记忆。它是被你"召唤"进上下文里，说几句话，然后消失的。它的能力是从人类写过的文字里学出来的，再被奖励函数调教过一轮，最后变成一个模拟出来的东西。

他用了一个很狠的词形容它：幽灵。这个比喻有非常具体的工程含义！

第一，它的智能是不均匀的。Karpathy 自己举的例子很有冲击力：同一个 state-of-the-art 模型，可以重构十万行代码、可以找出零日漏洞，但你问它"50 米外有个洗车店，我应该开车去还是走路去？"，它会让你走路（它没意识到你要洗的是车）。更早一点的版本里，"草莓里有几个 r"它都数不对。一个模型，上限和下限可以差出十万八千里，这件事本身就是 jagged 的定义。它不会因为前一个任务做得好，就在下一个任务上不犯傻。你得搞清楚，自己手上这件事，到底踩在它会的那一片，还是不会的那一片。

第二，可验证性是真正的瓶颈。数学和代码进步那么快，不是因为模型整体变聪明了，而是因为这些任务有明确的验证信号。能跑通吗？测试过吗？漏洞复现了吗？凡是能被快速验证的任务，AI 就是放大器。凡是验证不了的任务，AI 就是一个让你越来越自信、但也越来越容易错的机器。

Karpathy 提了一个细节：从 GPT-3.5 到 GPT-4，国际象棋能力跃升非常大。很多人以为是模型整体变聪明了，但他后来发现，真正的原因是 OpenAI 有人决定把大量国际象棋数据塞进了预训练。数据进了分布，能力就跟着上去了。

一件事在 LLM 上能不能做好，背后是两个条件叠加：这件事本身可不可验证，以及实验室关不关心。可验证的东西能做 RL，但实验室不一定愿意花资源去做。模型在哪里强、哪里弱，最终是这两个条件共同决定的。你以为是涌现，可能只是有人做了选择。

第三，最适合 Agent 的环境，是现实会回推你的环境。代码之所以成为 AI 第一个攻陷的领域，是因为编译器、测试、运行结果、diff 都会立刻告诉你对错。你给 Agent 的任务越接近这种环境，它就越靠谱。

走出这个区域，你能立刻感觉到。Karpathy 提到他做 microGPT 项目时，想让模型把 LLM training 代码"再简化一点、再简化一点"，模型就是做不到。他形容那种感觉"像拔牙"。代码能写，但写不出极简、克制、优雅的抽象压缩。那种钝感，就是模型在告诉你：这件事，它没在 RL 里被奖励过。

使用 LLM 的本质，不是"教它干活"，而是为它设计上下文、工具、记忆和约束。给这个幽灵搭一套能让你看见错误、纠正错误、验证错误的流程。

五、人不能交出去的那一部分：Spec、判断与理解

访谈最后，Stephanie Zhan 问了一个所有人都会问的问题：当智能变得便宜，什么还值得人类深入学习？

Karpathy 没有给出一个励志答案。他引用了一句最近一直在他脑子里转的话：

你可以外包你的思考，但不能外包你的理解。

他在 MenuGen 上踩到一个很具体的坑。MenuGen 用 Google 账号登录、用 Stripe 付费，两边都有用户邮箱。Agent 写购买逻辑时做了一个看起来很聪明的判断：把 Stripe 上付费用的邮箱，和 Google 登录用的邮箱当成同一个键来对账，把 credits 归到对应的 Google 账号上。

这听起来合理，工程上却是错的。一个用户完全可以用一个邮箱登 Google、用另一个邮箱付款。真正稳定的做法，是让所有资金流都绑到内部唯一的 user ID 上，而不是绑到任何外部邮箱上。代码能跑、测试可能也过、语法也没错，但系统设计是错的。Agent 不理解"用户身份"和"资金归属"这件事的真正约束，它只是看到两边都有 email，就把它们对齐了。

Karpathy 由此说出了一句很关键的话：人必须负责 spec，也就是规范。你要告诉 Agent：所有资金必须绑定到内部唯一 user ID。你负责顶层设计、约束条件和判断标准。Agent 负责填空和实现。

MenuGen 那个 user ID 的坑，本质上和他对"还要学什么"的回答是同一件事：哪些东西可以交给 Agent，哪些东西必须自己装在脑子里。Agent 可以记住 PyTorch 和 NumPy 之间所有琐碎的 API 差异，keepdims 还是 keepdim、dim 还是 axis、reshape 还是 permute，这些 Karpathy 自己说他已经记不住了，也不需要记。但你必须知道 tensor 是什么、view 和 storage 是怎么回事。比如你以为只是换了个角度看同一块数据，其实底层可能已经在悄悄复制内存。API 的写法可以委托，底层概念不行。

他说自己越来越觉得，人在这个流程里正在变成瓶颈，不是执行的瓶颈，是理解的瓶颈。你要知道在做什么、为什么值得做、怎么指挥 Agent。Agent 能跑很多遍，但如果你没有理解，你判断不了哪条路线对、写不出好的规格、也发现不了 Agent 在哪里悄悄犯了错。

但他不是只在讲一个困境，他自己有一套对付这件事的方法，正好就是过去一年最火的一类应用：LLM 知识库。

Karpathy 自己的用法是这样的。每次读到一篇文章，他都会把它叠进一个正在累积的个人 wiki 里，然后让 LLM 从不同角度提问、用不同方式重新组织这堆信息。他说每看到一种新的投影方式，自己就多得到一点 insight。"这本质上就是让 LLM 在一份固定数据上，给我做大量的合成数据生成。"

注意他这个用法的方向：不是让 LLM 替他读、替他懂，而是帮自己把这份东西真正吃透。理解这件事，LLM 帮不上忙，只能自己来。

这个区别在今天尤其重要。市面上大量"AI 第二大脑"、"个人知识库"类的产品，很容易滑进另一种用法：让 AI 替你总结、替你记住、替你整理。短期很爽，长期的代价是，你以为自己懂了，其实只是 AI 帮你存了一份你看不懂的笔记。Karpathy 的做法是反着来的，他用 LLM 逼自己换角度重看同一件事，每一次新投影，都是在锻炼自己的理解，而不是替代自己的理解。

不光是写代码，凡是 AI 能帮上忙的事都一样，分析、设计、写作、决策都是这样。AI 可以替你起草、检索、重构、生成方案。但最终那个"对"的答案，还是得你自己拍板。

结语：从代码的作者，变成系统的负责人

回到开头 Karpathy 说自己"落后"那句话。他真正落后的不是写代码这件事，写代码这一层 AI 已经搞得差不多了。他在意的是适应速度本身：能不能跟上工具的变化、能不能搞清楚模型落在哪一片能力分布里、能不能给这个幽灵搭一套能验证它的流程、能不能在所有人都在外包思考的时候，仍然守住自己的理解。

从 Vibe Coding 到 Agentic Engineering，变的不是写代码的方式，是工程师的位置。从指令的执行者，变成认知的管理者。从代码的作者，变成系统的负责人。

一起“点赞”三连↓

跳转微信打开

3 年，从工程师走向CTO，他是硅谷极少数走到这一步的华人

葛小川偶尔会骑摩托车上班。

“280经常会起雾，雾在山间飘过，你骑摩托车的话，视野就会比较好……风会从你两边拂过，你从头盔里面能够感觉到风的声音。你可以感觉到那个速度。”

葛小川口中的280高速，从硅谷南端一路往北，会经过Crystal Springs那片湖。

有人问他是不是喜欢速度，他说：“也还好，我喜欢冒险，但承担的都是Calculated Risk（经过计算的风险）。”这个词，几乎可以概括葛小川后来所有的关键选择。

2026年4月，AppLovin官宣高管接班计划，葛小川将于7月1日接任CTO，接替服务近10年的Basil Shikin。在正式接任之前，他已经在核心决策圈做事多年。

华人工程师进入千亿美金量级公司的核心决策圈，这种情况在硅谷极少见。

AppLovin是一家移动广告技术公司，核心业务是用机器学习，在合适的时间把广告主和合适的用户连接起来——只要你在手机上玩过游戏、用过App，你看过的广告大概率都经过了它的算法分发。它既是“卖方平台”（帮一个有广告位的开发者把广告位卖出去），也是“买方平台”（帮一个广告主在全网找到合适的用户）。

2021年，AppLovin在纳斯达克上市时，估值还不到300亿美金，之后一度下跌至不到30亿，经过几年转型，市值最高一度超过两千亿。2025年，公司营收约55亿美元，服务超过10亿日活用户，基于机器学习的广告竞价系统每天处理超过1000亿次请求——而支撑这套系统运转的核心工程团队，不到100人。

就在公司市值飙升的那段时间，葛小川走到了核心决策圈。

要知道，在硅谷，华人工程师群体是一个庞大而沉默的存在。Google、Meta、Apple这些公司里，华人工程师的比例很高，但走到最高决策层的极少。行业内有一个普遍认知：华人工程师的职业天花板通常停在高级总监或VP级别。能进入万亿、千亿美金量级公司C-suite的华人，屈指可数。

在硅谷的语境下，葛小川三年内从工程师走到CTO，这个速度和他所到达的位置，都值得关注。

葛小川公开资料不多，我们从他几次访谈、播客与母校座谈中的自述里寻找轮廓，梳理和讲述这位CTO的成长之路，也借他的故事照见我们自己。

30岁之前，这个少年班学生觉得自己一事无成

葛小川是中科大少年班出来的，入学的时候，他还不到16岁。

2025年9月，他回母校做座谈分享时说：“我小时候学习成绩很好，经常被人夸‘最聪明’。一开始很享受，可时间久了，它慢慢变成了负担。因为你会觉得，好像必须随时随地都要证明自己‘值得这个称号’。”

那个年代，成绩好的学生就学物理，葛小川选择物理，并不是因为喜欢，他说：“那时这是最热门的专业。大家都在学，我也跟着学。”

上了大学之后，葛小川也感到迷茫，他困惑于自己为什么选择物理，也困惑于未来的职业路径。

2009年，葛小川大学毕业，班里有一半以上的同学去了美国留学，他不想走大多数人都选的那条路。碰巧学校一位教授有推荐学生去欧洲读书的机会，他申请之后去了意大利，读了四年物理博士。

后来，葛小川把意大利称为“半个故乡”。他说，意大利人身上有一种欧洲式的理想主义，有对生活的热爱。在那里的四年，他真切感觉到自己是当地文化的一部分，过着和当地人一样的生活。“那段经历的意义，远远超过了我从书本里学到的东西。”

博士毕业后，葛小川在美国做了几年博士后，辗转过几座城市，却并没有做出非常出色的工作。后来他离开了学术圈，一度辗转几份工作，接着又跳槽去了Facebook做广告系统的推荐算法。

这一路走得并不轻松。中科大少年班出身、不到16岁上大学的他，对自己一直抱着很高的期望。但快到30岁回头看，“自己还是一事无成”。身边的同龄人路要直得多——大学毕业去美国读硕士，进一流大厂，30岁已经做到管理层。

他后来回看那段时间：“我一度觉得自己就是那个‘伤仲永’。回想起来，缺少的既不是努力，也不是天赋，而是对所做的事情真正的热爱。没有passion，再聪明、再勤奋，也只能停留在平庸。”

刚进入社会的时候，葛小川发现，很多成功的人做事的方式，他不能理解。他先是下意识质疑自己，花了很多时间试图理解别人的做事方式，但困惑并没有解决。

直到进了Facebook，他才突然发现：原来这种科学的做事方式，真的有公司在大规模实践——而且靠这种方式，成长为了全世界最优秀的公司之一。

“那一刻，我重新找到了做事的锚点，开始敢于坚持自己认为正确的方式。”

一个工程师的CTO之路：不追“最热”技术，不被AI标签牵着走

在Facebook，葛小川经历了人生的转折。

然而，三年后，他做了一个在外人看来很难理解的决定——离开Facebook，加入AppLovin。当时，这家公司的市值从上市时的近三百亿跌到不到三十亿。

这个阶段，他考虑过早期初创公司，想过自己创业，也聊过其他几家像AppLovin这样上市了但核心技术遇到瓶颈的公司。最后选了AppLovin。

面试时，他问当时的CTO：“你们现在最大的痛点是什么？”CTO跟他讲了当时算法里遇到的种种痛点。那段对话大概五分钟，听完他对CTO说：“我的技能是有限的，不是所有东西都会，但你现在面临的这个问题，我非常擅长解决。”

他觉得双方做事方式、看问题的视角甚至性格都很合得来。

2022年年底，他加入了AppLovin。

加入后不到一周，他很快就发现大厂那套方法在这里不管用，资源不一样，规模不一样，不能用同一套思路解决问题。“我们没有Google和Meta那么多的资源，就注定我们不能用它们的方法来解决我们的问题。”他必须另寻他法。

这种约束反过来逼出了一种特定的做事方式——做决策时遵循第一性原则、人少就亲自下场，不靠流程靠判断力。公司“从上到下的技术领袖，其实都非常hands-on，当我们想要去做一个新的东西，又找不到合适的人，技术的最高领袖，就亲自下场去写代码。”

在加入AppLovin的第一年，“亲自下场”其实也是不得已——他没有太多选择。

“我们那一年基本上非常难招到人，非常非常难。”他后来回忆，当时整个市场对这家公司的认知是：体量很小，所处的行业看起来已经被Google和Meta牢牢占住了。“在很多人才的眼里，我们甚至都不算是有前景的一个创业公司。”

他试过各种方法，几乎都不奏效。最后他认清了一件事：不能靠招人，先用手里的人把东西做出来。

那一年他几乎从零开始重新搭建了AppLovin的广告推荐算法，市面上后来把这一套体系叫AXON 2.0，但在他自己看来，“那不是一个产品，而是许多不同的体系综合在一起”。推荐算法团队一开始很小，后来才缓慢而稳定地扩张——但即便到后来，真正负责整个核心系统的工程团队，也不过几十人的规模，前端、后端、模型、数据、infra都在里面。

在拉斯维加斯，几个高层去参加Google主办的一个会议，公司当时在讨论要不要开始做电商，葛小川和CTO、管数据的VP三人在酒店餐厅吃早饭，菜还没上来，他们就开始讨论一个核心技术问题：电商广告的归因flow应该怎么设计？

手边没有草稿纸，他们就在餐厅的餐巾纸上画图，开始寻找解法，菜上来之前，思路找出来了。

“找出来之后，我赶紧把饭吃完回到宾馆就开始写代码。”那个周末结束，他们回到湾区的时候，电商产品第一代归因引擎已经做好了。

很多技术人在进入AI领域之后，会下意识去追逐“最新的方法”，但在葛小川看来，一个更重要的问题是：这个问题本身值不值得被解决？

他举过一个很简单的例子：如果公司同时面临两个问题，第一个用到很fancy的大模型方法，解决它能带来5%的收益；另一个用不到大模型，但能带来20%的收益。“我觉得正常理性的人都会觉得，第二个问题应该优先解决。但在现实生活中，很多人会因为第一个问题的解决方法更吸引人，而优先去做第一个事情。”

AppLovin在外部叙事里经常被称为“AI广告公司”，葛小川在多个场合都有过表达：给公司贴AI的标签，会让工程师开始用“够不够AI”来衡量方案，而不是用“这个方案解不解决问题”来衡量。“如果说这个问题更好的解决方法是不用AI，那我们就不要用AI。关注问题本身的价值，而不是我用什么方法把它解决了。”

这种处理方式——回到事情本身、不被外部叙事牵走——是他在AppLovin做事的一贯方式。在他看来，很多技术差距并不是来自算法本身，而是来自对问题优先级的判断。

关注聚光灯边缘，寻找“underdog”型的人才

葛小川说，他上大学之后最大的缺失，就是没有一个好的职业引导。

他发现，20年过去，很多大学生还在面临和他当年同样的困惑：为什么选这个专业，选了之后能做什么。

他和国内在校大学生沟通，希望给他们关于职业方向的引导，也通过个人基金会帮助他们获得更多的勇气和资源。

同样的视角，也体现在他招人时——葛小川一直在寻找那些不在主流叙事里、但其实自己有判断力的人。

葛小川把自己定义为“underdog”，他把这个词翻译为“弱者之心”，并将其解释为“在逆境中生长的力量”。这个译法比通常说的“挑战者”更接近他的本意：承认自己是被看轻的那一方，然后从那个位置出发。

他说，这波AI人才竞争里，很多公司喜欢找“聚光灯下面的人才”——背景好、论文有名、媒体有曝光，这些人“多数是被overprice（溢价）了的”，而且“不具备AppLovin所需要的这种underdog的精神”。

而他更关注聚光灯边缘的人：“他们其实离聚光灯很近，也非常优秀，从统计意义上来说，不比聚光灯里边的人差多少，这些人之所以没在聚光灯下，是因为他们不想。”

葛小川说过自己的招人标准：他最看重的不是背景，不是成绩，而是候选人在人生里有没有做过与众不同的选择，以及当时的动机是什么。“比如高考环境下，所有人都在备考，如果有人在这期间还坚持做别的事，比如体育、慈善、某种爱好，我会特别好奇那个人当时的动机是什么。就是这些非常细小的，但是你从里面能看出，他在做选择的时候，其实掺入了自己主动思考。”

葛小川经常自嘲：“我是绝不会hire我自己的。”在他看来，经验的价值是被高估的。他说，真正的优秀人才，学习能力是最重要的，而经验只代表这个人的已有知识。他看重的是这个人的驱动力从哪里来。

“‘卷’可能更多的是环境对你的要求，‘勤奋’更多的是个人对自己的要求。”AppLovin从来不要求打卡，对工作时间不做限制，但很多人主动选择很勤奋——“因为他们跟我一样，对我们所要做的事情感觉到发自内心的一种期待。”

葛小川把自己关于“什么样的人能在AppLovin做得好”的观察,总结成了五个英文词：humility（谦虚）、empathy（共情）、ability（能力）、resilience（韧性）、tenacity（死磕）。“这五个连在一起，其实就是一个英文单词，heart。”

对于那些想从工程师走向领导层的人，葛小川观察到一种典型的状态——“很多在大公司发展职业的人，其实还是在追求一个体制给他们的认可，绩效评级怎么样、公司觉得他是什么级别、什么时候给他晋升。如果你真的想成为一个领导层的话，你在生命里边某个阶段，应该更关注的是你自己对自己的标准，自己对自己的认可。”

他说，这个世界上看上去确定性很高的选择，往往已经被充分定价。他面试过一些让他观感不太好的候选人——这些候选人会把一份工作机会当作交易（transaction）来看，而不是当作投资（investment），要求“我今天给你100块，我今天就要拿到100块的回报”。葛小川说，投资在短期都是亏的，“你今天用100块投资一个东西，你今天就损失了100块钱”——如果一个人只用交易的眼光看工作机会，其实是把很多最珍贵的机会拒之门外了。那些最有价值的选择，在被选中的当下，看起来可能是“亏的”。

对葛小川而言，最大的理想不是仅仅把AppLovin做成功，而是在把AppLovin做成功的过程中，让世界看到一些不一样的价值观。

注：本文素材来源于葛小川公开接受的访谈，包括《硅谷101》视频专访（2025年12月）、Onboard播客（2025年7月）、连锁反应播客（2025年7月）、Google Cloud Next演讲（2026年4月），以及2025年9月在中科大的相关座谈会发言。

一起“点赞”三连↓

跳转微信打开

吴恩达教授又开新课了！这次人人都能学。

人工智能著名学者、斯坦福大学教授吴恩达在社交平台 X 上发帖宣布了一门全新课程：AI Prompting for Everyone（人人都能学的 AI 提示词），旨在帮助每个人成为 AI 高手用户，无论你目前的技术水平如何，都能从这门课中学到实用技巧。

课程链接：https://www.deeplearning.ai/courses/ai-prompting-for-everyone/

这门课程覆盖 ChatGPT、Gemini、Claude 等主流 AI 工具的通用技巧，共 3 个模块、21 节视频课，总计约 3 小时：

模块一：信息检索（Finding Information）

了解 AI 模型内置了哪些知识，何时该开启联网搜索，何时该使用"深度研究"（Deep Research）模式来获取复杂问题的深入报告。

模块二：让 AI 成为你的思考伙伴（AI as a Thought Partner）

学会如何给 AI 提供恰当的上下文 —— 包括上传文档和图片（很多人不知道可以这样做）。如何与 AI 进行高质量的头脑风暴，如何让 AI 给出真实反馈而不是一味迎合（课程专门讲了 AI 的"谄媚"问题），以及如何让 AI 花几分钟深度思考买车、选专业、找工作这样的重要决策。

模块三：多媒体与代码（Working with Multimedia & Code）

用 AI 生成和理解图片，分析数据，甚至不写一行代码就能构建简单的游戏和网站。

零门槛，人人都能免费学

与之前面向开发者的 Agentic AI 课程不同，这门课完全不需要任何技术背景，不需要会写代码，不需要了解机器学习—— 只要你日常使用 AI 工具，就能上手。

吴恩达表示，这门课还会介绍这些 AI 模型在底层是如何运作的，帮助你建立直觉 —— 知道什么时候该信任 AI 的回答，什么时候不该。

课程为自定进度学习，免费开放基础内容。快来学习吧！

参考链接：https://www.deeplearning.ai/courses/ai-prompting-for-everyone/

一起“点赞”三连↓

跳转微信打开

这两天打开 deepseek.com 的人应该都看到了，对话框上多了一个新选项：识图模式！

这是 DeepSeek 主聊天产品第一次开始接入多模态。熟悉 DeepSeek 的应该知道，他们之前不是没做过多模态：

DeepSeek-VL、VL2、Janus、Janus-Pro，再到去年的 OCR 和今年初的 OCR 2，这条线一直在跑。

但全部停留在开源研究形态，从没进过主产品；旗舰 V 系列（V2、V3、V3.2、V4）也始终是纯文本路线。

而就在刚刚，DeepSeek 在五一节前突袭发布，联合北大、清华开源了一篇 25 页的论文：《Thinking with Visual Primitives》。

开源地址：https://github.com/deepseek-ai/Thinking-with-Visual-Primitives/

同一个团队、同一周内进行了双发！

• 论文 project lead 陈小康，正是 DeepSeek 多模态组的负责人

• 也就是这两天在 X 上发 "Now, we see you" 宣布识图模式灰度的人

• 他博士导师曾刚（PKU），就是论文 PKU 那位署名

至于识图模式后端跑的是不是论文里这个 284B-A13B 模型，DeepSeek 没说。可能是它，可能是同一架构家族的产品化变体。能确定的是这两件事都是 DeepSeek 多模态组同期产物，没跑。

而这篇论文的看点，不只是「DeepSeek 也能看图了」。

它抛出了一个相对冷门的判断：

多模态模型在复杂任务上崩，常常不是「看不见」，是「指不准」。

过去半年的多模态前沿（GPT-5.4、Claude-Sonnet-4.6、Gemini-3-Flash 这一批），主要在攻克 Perception Gap（感知差距），靠高分辨率裁剪和动态切 patch 让模型"看清细节"。

代表思路就是 OpenAI 那条 "Thinking with Images"。

但论文指出，即便给模型一双完美的眼睛，它在密集计数、多步空间推断、拓扑导航这种任务上还是会逻辑崩塌。

真正的瓶颈是另一层，论文管它叫Reference Gap（引用差距）。

简单来说：

自然语言天然是模糊的指代工具。"左边那只白狗""稍高一点的红立方"在连续视觉空间里都无法精确锚定一个物体。

CoT 跑长了，语言会失去对视觉实体的追踪，就开始幻觉。

人类怎么破？用手去指。数密集物体时手指会在空中点；走迷宫时眼睛会在交叉口停顿。论文把这个动作直接搬进思维链。

模型一边推理，一边在 thinking 里插入坐标 token。

bounding box 用来锚物体：

<|ref|>bear<|/ref|><|box|>[[50,447,647,771]]<|/box|>

point 用来描轨迹和路径：

<|point|>[[357,369],[260,372]]<|/point|>

这两个就是论文标题里说的"视觉原语（Visual Primitives）"，被当作"思考的最小单位"嵌进 CoT。

01 极致的 token 压缩，跟 V4-Flash 同款骨架

Figure 1：800×800 同分辨率下，各模型 KV cache 占用对比

模型在论文里只称作 "Ours-284B-A13B-Thinking"，没起新名字。但参数和架构对得上 V4-Flash：284B 总参、13B 激活、CSA + HCA 注意力、KV 缓存压缩 4 倍、GRPO、HAI-LLM，一整套都是 V4 同款。

最直接的工程产物是视觉 token 的极致压缩。

论文给了一笔具体的账：

一张 756×756 输入图（57 万像素），ViT 出 2916 个 patch token，3×3 通道压缩到 324，CSA 再压一刀，最后 LLM 端只剩 81 条视觉 KV cache 条目。

端到端压缩比 7,056 倍。

横向对比 800×800 同分辨率下各家的 KV cache 占用：

差距夸张到一个数量级。

从去年 10 月的 OCR 在视觉编码器侧做 16× token 压缩，到 12 月 V3.2 引入 Sparse Attention，到今年 Q1 OCR 2 升级双流注意力，到 4 月 24 日 V4 把 KV 缓存压到 V3.2 的 7%，再到这篇报告。

一条主线没变：先把"省 token"做到极致，再把省下来的预算塞进更贵的能力。

02 怎么训出来的

Figure 2：模型架构（DeepSeek-ViT + V4-Flash）与五段式训练流水线

整套 post-training 的逻辑是"先专家、再合并"。

• 先用 cold-start 数据分别训出两个专家：一个只负责 box（thinking with grounding），一个只负责 point（thinking with pointing）。这样可以避免数据稀疏时两种格式互相干扰。

• 然后各自上 GRPO 强化学习，升级成两个更强的专家。

• 接下来让它们各自 rollout 出新数据，混到一起训出一个统一模型。

• 最后用 On-Policy Distillation，学生自己 rollout，对齐两个老师的 logit 分布，把性能差距磨平。

数据这块团队做了件挺暴力的事。

预训练为了把"原语输出能力"做扎实，从 Hugging Face 等平台爬了 97,984 个 grounding / detection 相关数据源，过两道筛子。

• 第一道，用 MLLM 当评分员做语义筛，砍掉那些标着 "0""1" 这种无意义编号、"MyRoommate" 这种私人标签、"OK""NG" 这种模糊缩写的数据集。剩 43,141 个。

• 第二道，几何筛，砍掉漏标率超过 50%、严重截断目标、整图被框死那种 mega box。剩 31,701 个。

每个类别下采 1000 张全局去重，最终得到 4000+ 万条高质量样本。

cold-start 60 万条，分四类任务：计数、空间推理 / VQA、迷宫导航、路径追踪。

Figure 3：计数任务的 cold-start 样本

最有意思的是迷宫这块。团队故意构造了一批"看似可解实则不可解"的迷宫，破坏点放在中段而非起终点附近，逼模型完整搜索而不是凭直觉判断。

路径追踪也用了类似套路：专门做了一组"统一颜色、统一线宽"的硬模式，剥掉颜色捷径，强迫模型学曲率连续性。

Figure 5：迷宫导航 cold-start，模型边走边 point 当前位置

RL 阶段还有一个挺细致的设计：训练数据按 N 次 rollout 的正确数分 Easy / Normal / Hard 三档，只用 Normal 档训 RL。

简单的样本浪费 GPU，太难的完全不可解会拖崩 reward signal。

03 真正的杀手锏：拓扑推理

Table 1：11 个 benchmark 横评，全部走 API 同一套 prompt

11 个 benchmark 横评，全部走 API 同一套 prompt，思考预算统一设 low 公平比。

最值得划重点的是拓扑推理：

• 迷宫导航：Ours 66.9 vs GPT-5.4 50.6，+16.3 分

• 路径追踪：Ours 56.7 vs GPT-5.4 46.5，+10.2 分

所有前沿模型在这两项上都集体卡在 50% 上下。

这恰好坐实了开头那个判断：

纯语言 CoT 没法处理"用一连串坐标当思考"的任务。

计数和空间推理上是持平或小幅超过：Pixmo-Count 89.2 略超 Gemini-3-Flash，细粒度计数 88.7 略超 Qwen3-VL，SpatialMQA 69.4 略超 Gemini-3-Flash。

但 CountQA 上模型 64.9 反而比 Gemini-3-Flash 的 66.1 略低。论文坦白这是分辨率上限的锅，ViT 输出视觉 token 数被硬限制在 81 到 384 之间，密集小目标会掉精度。

Figure 10：模型实际效果展示，迷宫 + 路径追踪

实际效果展示这块更直观。

模型解迷宫时会一边走一边把当前位置 point 出来，遇到死路明确说 "backtrack to junction X"，最后给一条经过验证的完整路径。

路径追踪也是把每段曲线都用密集坐标标出来，而不是直接猜终点。

这种「边推理边落点」的形态，是纯语言 CoT 做不到的。

写在最后

论文自己也列了三条短板，写得很坦诚：

• 分辨率天花板：视觉 token 上限 384，细粒度场景下 box 坐标会偏。

• 触发词依赖：模型不会自主决定"什么时候该指一下"，得 prompt 里塞触发词激活。

• 拓扑泛化偏弱：迷宫和路径追踪虽然分高，但仍然高度 in-domain。

但整体看下来，这篇报告是 DeepSeek 多模态线第一次拿出主战场级的成果，路线和 V4 也是一脉相承。

别人卷"看更多像素"，DeepSeek 这次卷的是"看更少像素，但思考时手指点得更准"。

祝各位“源神”们五一快乐！

一起“点赞”三连↓

跳转微信打开

 Datawhale干货 

作者：Riley Brown，X博主

之前，有读者在留言区说「期待一个 codex 的相关内容」。这一篇，就来展开讲讲～

如果你在用 ChatGPT、Claude、Claude Code 或 Codex，但不知道什么时候该用哪个，这篇文章就是为你准备的。我们要讲的是怎么有效使用 AI Agent，特别是 OpenAI 推出的 Agent 工具 Codex。它看起来像 Claude Code，但本质上是一个更易用的界面，专门用来做知识工作和编程工作。

内容来自于 X 博主 Riley Brown 的一条分享，短短 1 天，被 OpenAI 联合创始人转发，被 40 万人看过。他 Codex 拆成了七项和知识工作相关的核心能力，看完就能在 28 分钟内掌握 Codex 中 95% 的内容。我们觉得这个拆法很清楚，就在他的框架基础上做了整理和补充。

下面会拆解 Codex 的七大核心能力，每个能力都配真实案例。看完这篇，你会清楚 Codex 能做什么，以及它在你的工作流里应该放在什么位置。

一个本地化的 Agent 超级应用：Codex

Codex 是一个简洁的 AI Agent 界面，可以完全控制你的电脑。乍一看，它有点像 ChatGPT 或 Claude，因为你可以创建对话。但它们有一个本质区别：

• 在 ChatGPT 或 Claude 上，你上传的文件和生成的文件都存储在云端。

• 在 Codex 上，所有文件都存储在你的电脑上。

这个差异决定了 Codex 可以做很多 ChatGPT 做不到的事：创建动态图形视频、生成落地页、制作游戏和 3D 模拟、开发移动应用和桌面应用、生成带图表的 Excel 和 Word 文档、创建演示文稿并导出到 Canva。

更重要的是，Codex 可以完全控制你的电脑和浏览器。当我们逐一介绍它的 7 大核心能力时，你会意识到它真的是一个超级应用，可以做任何编程任务或知识工作任务。

Agent 超级应用 Codex，七大核心能力拆解

能力 1：完整的文件访问权限

Codex 的第一个能力是完整的文件访问权限。ChatGPT 的文件存在云端，Codex 的文件存在你的电脑上，而且 Codex 里的 Agent 对你的电脑有完整的访问权限。

真实案例：自动处理 60 张收据

我的 Downloads 文件夹里有一个“receipts to process”文件夹，里面有 60 张收据照片。我对 Codex 说：“在 Downloads 文件夹里，你会看到我需要处理的收据。我想让你在 Excel 表格里分析它们，创建图表来帮我可视化交易类型和其他模式。”

7 分钟后，Codex 完成了任务。它找到了文件夹，对 53 张收据进行了 OCR，提取了文本，对每笔交易进行了分类，然后在我的电脑上创建了一个 Excel 工作簿。

打开这个文件，里面有完整的仪表板：总支出 25,982，收据类别汇总、支付方式汇总、月度趋势图。这个 Excel 文件就在我的电脑上，我可以直接打开、编辑、分享。

用 Project 管理文件

既然 Codex 的所有文件都存在电脑上，如何保持组织？答案是用 Project。

在 Codex 里创建对话有两种方式：一种是直接创建 Chat，对话会显示在侧边栏，但不在项目里。另一种是创建 Project，连接到你电脑上的一个文件夹。我把所有项目都放在 Documents 文件夹里。

Project 的好处是，当 Agent 在项目里的对话中创建文档时，文档会自动存储在这个项目文件夹里。而且 Codex 支持多任务，你可以在同一个项目里同时创建多个对话。

能力 2：持久化记忆，agents.md 记偏好、memories 记过程

Codex 有两种类型的记忆：手动记忆和自动记忆。

手动记忆：agents.md

当你让 Agent 记住某些东西时，它会把这些信息存储在 agents.md 文件里。比如我对一个落地页的格式很满意，我说：“从现在开始，每当我要求一个落地页但没有指定样式时，你应该使用这个样式。记住，如果有很多文本内容，要使用目录。”

Codex 会自动把这个偏好添加到 agents.md 文件里。这个文件是一个随时间更新的活文档，你可以告诉 Agent 更新它，也可以手动编辑它。

自动记忆：memories 文件夹

还有一种记忆你永远不应该碰，就是自动记忆。Codex 会自动记录你让 Agent 做的所有任务，存储在 memories 文件夹里。你可以观察它，看看 Agent 观察到了你的什么，但不要手动修改。这个记忆会随着时间自动优化。

能力 3：插件生态，用 @ 就能调用各种插件

Codex 的第三个能力是插件。插件是可安装、可重用的包，可以把 Codex 连接到外部工具、应用和工作流程。现在有超过 100 个插件，可以连接 Gmail、Notion、Slack 等你已经在使用的工具。

真实案例：自动分析品牌合作邮件

我创建了一个新项目叫“Brand Deals”，对 Codex 说：“我想让你查看我过去两周的邮件，找出所有提供付费推广的品牌。对它们都做研究，放进一个表格里，附上相关笔记。”然后我用 @ 符号提及 Gmail 插件。

5 分钟后，Codex 搜索了我所有最近的邮件，创建了一个 Markdown 文件，列出了所有提供赞助的公司，写下了详细笔记，说明了他们的要求，还添加了研究笔记。因为它既然可以读我的邮件，也可以发送邮件，我可以直接让它回复这些邮件。

同时，我还让 Codex 用 Notion 插件查看我之前写的所有脚本，然后用我的风格写一个新脚本。它浏览了我的 Notion，找到了所有脚本，生成的文档真的是我的声音。

插件用 @ 符号调用，这是一个快速查看你可以访问哪些插件的方法。

能力 4：Skill 系统，把工作流程沉淀成可复用的指令

这是 Codex 最强大的能力之一。你可以把 Skill 想象成可重用的工作流程配方或 SOP，你的 Agent 可以一遍又一遍地使用。

Skill 是指令文件，存储在插件文件夹的 Skill 子文件夹里。每次你的 Agent 想使用这些技能时，它都会遵循这些指令。

创建 Skill 的两种方式

方式 1：提示词转技能

直接说：“我想让你创建一个叫 brand deal analysis 的技能，它做某某事。”这会给你一个可重用的指令文件，但质量可能不够好。

方式 2：手动工作流程法（推荐）

这是创建高质量 Skill 的最佳方式。你先让 Agent 做某事，然后来回迭代，直到你对输出满意。然后说：“我对这个输出满意了，把它变成一个技能。”

比如我让 Codex 把品牌合作邮件整理成电子表格，表格质量很高，按优先级用颜色编码。我说：“我对这个输出满意了。把它变成一个我可以使用的技能。”

Codex 会把整个工作流程变成指令，创建一个叫“brand deal research skill.md“的文件。以后我只需要按斜杠键，输入”brand deal researcher“，就可以随时使用这个技能。

Skill 可以包含使用特定插件的指令，因为归根结底，它只是做一个任务的指令。

Skill 可以持续优化

Skill 不是一次性的。每次你使用技能，都是一个让它变得更好的机会。

比如我用 Excalibur diagram 技能创建了一堆图表，发现它用的格式特别好。我说：“我真的很喜欢你在这里做的格式。请更新技能，让你总是把它们放在这些容器里，总是给我一个链接包含所有图表。”

Codex 会更新技能，以后每次使用都会应用这个改进。

Skill 用斜杠键调用，这与插件（用 @ 符号）不同。

能力 5：内置 GPT Image 2，直接生成图片

Codex 内置了 GPT Image 2，这是世界上最好的图像生成模型。你可以直接在 Codex 里生成图片。

真实案例：生成产品照片

我创建了一个新项目叫“content”，粘贴了一张毛衣的图片，说：“为我的毛衣公司生成产品照片。请用 GPT/image/2 创建 5 张图片，不同国籍的模特穿着这件毛衣。其中 3 张图片应该有一个人，一张图片应该有三个人，最后一张图片应该有五个人。”

Codex 使用内置的图像生成技能，生成了 5 张高质量的产品照片。这些图片直接存储在 content 项目文件夹里。

图像生成是 Codex 推荐的内置技能之一，你不需要启用它，默认就可以使用。

能力 6：浏览器控制和电脑控制，让 Agent 替你点鼠标

这是 Codex 最强大的能力之一。Codex 可以像人类一样控制你的电脑和浏览器。

真实案例 1：自动创建 Canva 演示文稿

我用 @computer use 插件说：“请在我的电脑上打开 Canva 应用，制作一个新演示文稿，把这 5 张图片每张放在一张幻灯片上。”

Codex 控制了我的电脑，打开 Canva，创建演示文稿，把所有图片放进去。我甚至没碰鼠标，它自动完成了整个过程。你可以看到 Codex 的鼠标轮廓在屏幕上移动。

真实案例 2：自动测试网页应用

我创建了一个网页应用，然后说：“把这个变成一个应用，然后测试界面，确保按钮和导航工作，使用 @browser use。”

Codex 在浏览器里打开应用，开始测试。它点击开始按钮，滚动页面，点击不同的测验，标记正确答案，测试侧面板，确保应用的所有部分都工作。整个过程完全自动化。

任何你可以在浏览器里打开的东西，你都可以用 @browser use 插件直接在 Codex 里测试它。

能力 7：自动化，把任何任务变成定时任务

Codex 的最后一个核心能力是自动化。你可以把任何任务变成定时任务。

真实案例：每周自动更新品牌合作表格

还记得我们创建的品牌合作分析 Skill 吗？我可以让它定期运行。我说：“请每周五上午 9 点做这件事，更新这个表格。”

Codex 会创建一个自动化，显示在自动化标签里。我可以看到它每周五上午 9 点运行，使用 brand deal researcher 技能扫描 Gmail，寻找付费推广、赞助、品牌合作等邮件，然后更新表格。

你可以在自动化标签里查看所有自动化任务，看到它们的运行时间、状态、上次运行时间。你也可以随时编辑它们。

还有一个全新功能：AI 实时监控你的屏幕

Codex 还有一个全新的功能叫 Chronicle。这是一个研究预览功能，你需要在设置里手动开启。

Chronicle 做什么？

Chronicle 会持续录制你的屏幕，所以它有你正在做什么的上下文。比如我在浏览器里打开了一个演示文稿，我说：“使用 Chronicle，告诉我我应该在我的 Codex 视觉演示文稿里添加什么。”

Chronicle 会调取我屏幕的最近截图，从我最近打开的东西那里获取上下文。然后它说：“基于 Chronicle，我会在你的视觉演示文稿里添加这些：一个 Codex 超级应用地图，一个提示词文件的完整控制循环图，一个 Chronicle 演示幻灯片，可用技能幻灯片，以及为什么选择 Codex 而不是其他工具的幻灯片。”

我没有上传任何图片或文档，它就知道我的幻灯片里有什么。因为 Chronicle 会监视我的屏幕并持续截图。

这个功能有点侵入性。 它会一直录制你的屏幕，所以在开启之前要考虑清楚。

写在最后：ChatGPT 用来聊，Codex 干活的时代来了

Codex 不是“更好的 ChatGPT”。ChatGPT 是云端对话工具，Codex 是本地化的 Agent 超级应用。

如果你只是偶尔问问题，用 ChatGPT 就够了。但如果你需要处理本地文件、构建可复用工作流程、让 AI 控制你的电脑，Codex 就是为你准备的工具。

一起“点赞”三连↓

跳转微信打开