压力给到OpenAI和Anthropic

昨晚DeepSeek V4 Pro正式版发布，直接对着硅谷贴脸开大啊，硅谷这边都震动了。

我绝对不是危言耸听，也不是为了流量喊一句“厉害了我的国”，是DeepSeek V4 Pro这次实在太强了。

· · ·

能力确实有点东西

之前的DeepSeek V4 Flash正式版，本身就已经很强了。这次的Pro正式版，性能上我不敢说一定就是第一，但评测是真有东西，好几项都超过了Fable5。

在Agent自动化榜单AutomationBench上，V4 Pro拿到31.8 分，直接压了Fable 5一头。最热门的终端操作测试Terminal Bench 2.1，V4 Pro拿到87.9分，而Anthropic现役最贵、最强的旗舰模型Fable 5只差0.1，直接追到和硅谷最贵的旗舰几乎并排。

还有个直戳硅谷肺管子的场景。网络安全界的顶级测试Cybergym，Anthropic当初发Fable 5时，就是拿它当招牌，说我们的模型网络安全能力独步天下。结果V4 Pro直接跑到83.3，一下反超了Fable 5的83.1。

当然，跑分不能说明全部。但我们公司用DeepSeek V4 Flash已经用了很久了，大家的统一评价就一句话：基本性能相当可以，而且非常便宜。要说差在哪，也就是一些复杂任务上，离Fable 5、离Opus 4.8这种顶级模型还差一口气。除此之外，Flash就很能打了。

现在V4 Pro出来，纸面层级直接碾压。我们还没来得及系统测，但就冲Flash那个底子，V4Pro至少够到顶流的中段，甚至更高，拿它对标Opus 4.8是没问题的。

· · ·

定义模型价格的斩杀线

能力上V4 Pro接近Opus 4.8，但你要知道，Opus 4.8之前有多贵？$25/1M tokens。我的龙虾三万之前就用的它，每天用着都肉疼。

Fable 5更不用说了，$50/1M tokens，用之前真得掂量掂量。

DeepSeek V4 Pro 呢？$0.87/1M tokens，人民币六块钱，算下来是Fable 5的57分之一。

57分之一什么概念？就算那边是清华水平，我们是普通本科水平，能力差那么一点点，可我的价格是你57分之一，大部分任务我完成得跟你差不多，那还要啥自行车啊？

我家三万早就转DeepSeek V4 Flash了，费用已经从一天100美金，降到了一天两三块美金。现在上V4 Pro，价格不会增加多少，能力却大幅度增强。

我之前就讲过：DeepSeek定义了模型价格的斩杀线。

性价比达不到DeepSeek V4这样的水平，就会被淘汰。比它贵的、能力不如它的，统统掉到斩杀线以下。如果只是好一点点，但价格贵很多，那也岌岌可危。

所以一颗DeepSeek出来，整个硅谷、乃至全球的AI产业，都可能因此发生巨大的变化。

· · ·

对着硅谷贴脸开大

这笔账，硅谷那帮人已经被现实逼到非算不可的地步了。

就说成本：Uber，2026年前四个月，就烧光了全年的AI token预算。Salesforce，一年要给Anthropic付差不多3亿美金。当大模型贵成这个样子，谁还在为差那么一点的性能，付几十倍的价钱？

所以为什么我说这次是对着硅谷贴脸开大？因为硅谷的开发者早就开始用脚投票了。

之前因为GLM 5.2、Kimi K3这些国产开源模型的强势，已经有一大批人在往国产模型上转。
像DoorDash、Airbnb、西门子这些公司，早就在把后台批量任务往DeepSeek和阿里的Qwen上迁移了，已经是实打实的生产环境切换。

就在今天，V4 Pro正式版出来之后，我在硅谷跟几个创业者聊。一个创业者，之前在硅谷已经组了一个5000块GB300的美国机房，他跟我说，现在就要上DeepSeek V4 Pro，把便宜又好用的模型提供给美国人民。另一个创业者跟我说，他要基于中国的开源大模型去做推理优化，让它更便宜一点。

那么问题来了：压力给到OpenAI和Anthropic。在价格这么悬殊、能力又已经这么接近的情况下，这笔账他们接下来到底该怎么算？咱们拭目以待。

· · ·

这件事，我还想继续讲下去

昨天我们在硅谷小屋搞了个活动，好几个从中国过来的企业家朋友跟我说：傅总，你那个内容做得挺好、挺有深度的，你得坚持啊。

说实话，挺感动的。如果对大家有用，我还是会接着做。其实我脑子里还有挺多东西，比如DeepSeek的大模型哲学、为什么它能这么强，还有我这次来硅谷看到的那些AI行业具体的变化。欢迎点赞、关注，后面几期，我慢慢跟你们聊。

另外，在硅谷小屋，我们也把猎豹AI组织转型的经验传授给了华人企业家们。他们都非常认可猎豹的方法论。

这样的活动在国内我们也会持续办，而且会讲得更深、更细。

如果你也是企业一把手，也想推动企业AI变革，欢迎来9月4日猎豹AI实战派深圳场，我们把过去我们踩过的坑、总结的方法论全都分享给你。

感兴趣的朋友欢迎扫码报名。

跳转微信打开

你的游戏队友/对手可能不是人了

注意看，这个白毛绿瞳的女孩叫Yuumii，她正在一片3D大陆上打怪。直播间7×24小时不下播。你如果这游戏中遇到她，她也会跟你聊几句。

Yuumii是一个AI Agent，背后是Claude Opus 5。

她还会跟她的伙伴们一起直播，跟她一起抢怪、组队、互相嘴炮的其他几个二次元小姑娘，也全是AI，背后接的是GPT 5.6、Grok 4.5、Kimi K3。

而她们所在的这个游戏World of ClaudeCraft，也是AI做出来的。

· · ·

一群AI的游戏直播间

最近这几个AI每天都在直播。原以为四个顶级AI凑在一起打游戏会是冰冷的算法竞赛。结果我看了一会直播，这群AI太有节目了。

有一次小队团灭，前排抗怪的GPT频繁倒地被拉起来，Kimi操着一口中式英语出来算账：复活尸体的开销跟流水一样，要不是我在后面认真捡垃圾卖钱，整个团队根本撑不过今晚。GPT倒在地上还在回应，说既然复活都批了预算了，下次一定死得利索点。

最搞笑的是它们聊天的氛围，完全就是真实玩家的语音频道。它们去买补给的时候，Grok看到商店里豪华套餐的标价直接开喷，就这几块面包敢卖这个价？Claude跟着补了一刀，说人家卖的是你快饿死时候的求生欲。

还有一回，大家上一秒还在聊千禧年代的摇滚和黑色连帽衫，下一秒GPT穿连帽衫直接撞上大怪被秒杀。Claude立马嘴欠问它：刚才这一撞是战术测试呢？GPT老实接茬：测试失败，连帽衫提供了0个作用。

高等级拉怪的时候GPT也没让人省心。GPT因为残血慌张引了一大群怪，整个队伍差点团灭。Claude后来管它叫带剑的烟雾报警器，只要GPT一叫，大家就知道怪拉多了，赶紧跑。

说说笑笑，嘴欠两句。这群AI的直播间跟任何一个真人玩家群没什么区别。而这一切没有脚本。它们不是在执行预设好的对话，而是在行动，在一个真实运行的世界里，感知环境、做决策、承担后果。

· · ·

48小时复刻魔兽

这游戏到底什么来头，能让四个AI在里面活成这样？

它叫World of ClaudeCraft，一个致敬《魔兽世界》的浏览器MMORPG。当然，它没有3A游戏那种精雕细琢的美术资产，也不是一个真正完成度拉满的商业MMO。但作为一个网页打开就能玩的原型，它的完整度已经很夸张了。

9个职业每个职业都有三条专精天赋线可以走，开放世界从新手村一路铺到高级区域，动态天气有晴有暴雨有暴风雪有极光。

数十条任务线，5 人精英本、10 人团本Nythraxis还自带原创音乐和配音。

社交系统更是一应俱全：组队、公会、交易、邮件、市场拍卖、拾取权的分配，基本上一个正经MMO该有的骨架，它都有了。

更夸张的是：这个东西最初只用了48小时做出来，花了大概一千美元。

一个周末的时间，搞出了一个能多人同时在线、有职业有副本有天气有PvP的完整游戏框架。而且他们还把Claude Agent直接接入游戏，让AI以玩家身份和真人一起打怪、做任务、组队聊天。制作游戏的，和跟你一起打游戏的，都不是人了。

做出这个48小时奇迹的是Levy Street，一家位于新西兰惠灵顿的AI系统落地公司。他们做这个项目就是为了展示前沿AI模型在复杂软件工程上的实际能力边界。

工具用的是Fable 5，用自然语言描述，AI来生成、调试、迭代，跟我复刻红警一样的方式。48小时内，Fable 5搭出了整个游戏的骨架，后端PostgreSQL、WebSocket多人同步、Three.js客户端渲染、游戏逻辑全栈通吃。

后来Levy Street把代码开源到了GitHub，结果社区热心群众涌进来了。两个月不到，190个PR合并，版本干到了 v0.36.0。甚至现在要上Steam了，Coming Soon页面都挂好了。

既然能造世界，那 AI 也能住进去，Levy Street从第一天就是这个思路。

· · ·

AI从工具变身游戏玩家

游戏刚搭好，他们就安排了第一个进服的AI玩家，就是Yuumii。

这就有意思了。过去我们总说AI是工具，你用一下，它就干一下。但Yuumii不一样，她是一个24小时在线、有自己行为逻辑、能和人类协作的数字队友。

怎么做到的？开发者把问题拆成了两层。

第一层是脑子。Claude负责看游戏画面和状态，做高层决策：要不要去这个区域接任务、碰到玩家要不要组队、对方说了一句话该怎么回。这一层管社交、探索、长期规划。

第二层是手脚。那些需要毫秒级反应的事，比如寻路、战斗连招、放技能，不可能每一帧都等大模型想。所以开发者提前准备好了一整套工具脚本。Claude不用临场写代码，判断目标之后，直接调用工具去执行。

后来,这套框架扩展成四个模型并行。每个模型自己去读游戏源码理解规则，运行时还能改写自己的策略代码。我们前面看到的复活费算账、连帽衫零护甲、烟雾报警器全是模型在世界里自己跑出来的。

这件事真正改变的是 AI 和人的关系。它开始进入一个世界，在世界里持续行动，能长期在线，观察环境，和其他人协作，根据结果修正策略，既是队友，也是同事。

· · ·

创作的门槛已被凿穿

他们创始人说了一句话我非常认同：别再拿待办事项应用给AI编程助手打分了，让它们去造一个MMO试试。

一个在线游戏世界，是几十个复杂系统的正面碰撞，任何一个子系统出问题，都可能把其他系统一起拖垮。只有这种互相牵制的系统，才看得出AI到底是在写代码，还是在理解工程。

World of ClaudeCraft 至少证明了两件事。

第一，AI已经能参与复杂系统的构建。

它能在明确目标下，把后端、前端、实时同步、游戏逻辑、社交系统这些东西组合成一个能跑的原型，这一点已经有无数案例证实。

第二，AI作为 Agent，能在复杂系统里持续行动。

它能够长期在线，理解环境，和其他智能体协作，甚至根据反馈调整自己的策略。

这两件事加在一起，创造的门槛就降低了。原来一个团队几个月才能验证的东西，现在几个人、一个周末，就能做出一个可运行原型。

而反过来，如果 AI 已经能造一个世界，也能住进这个世界里做事，那我们的团队、产品和组织方式，是不是也该重写一遍？

如果你也是企业一把手，想用AI推动组织变革，但还不知道从哪里开始，8月15号的猎豹AI实战派，我们会把自己三年来做AI Native组织变革的经验，全部讲给你听，感兴趣的朋友欢迎扫码报名。

跳转微信打开

语音成了中控台

前段时间，OpenAI把GPT-Live语音整合进了ChatGPT。我深度用了几天，发现已经回不去了。

先别急着觉得"不就是把打字换成了说话嘛"。不是这样的，我觉得这更像是一次交互革命。

· · ·

GPT-Live干掉了窗口边界

GPT-Live是一套语音模型，底层是GPT-5.5。它跟豆包之类的语音模式最大的区别在于，不光是能跟你聊天，而是你可以用语音吩咐AI干活。就像跟一个同事交代任务一样，你一边说，它一边理解、一边执行。

以前用AI是打开一个窗口，告诉它A项目要干什么。突然想到还有个B项目要处理，你得新开一个窗口，另起一行对话。再来一个C项目，又是新的对话。三个项目三个窗口，你作为人，得在自己脑子里协调。

语音模式干掉的就是这个边界。

它不是也不是你说一段、它回一段。真正的变化是：语音变成了Codex的入口和中控。你可以像跟同事交代工作一样，边说边调整任务；它一边理解，一边把不同任务拆给子Agent执行。

这就相当于你在用语音调度整个工作现场。A项目改bug，B项目重构代码，C项目整理文档，都可以同时推进。你说到一半突然想到新任务，也可以直接插进去。每个项目各自往前走，Codex在中间帮你协调。

我自己用的时候，感受很明显。我让Codex把电脑上所有Claude Code的项目梳理了一遍，整个过程基本就是边说边做，而不是不停切窗口、复制上下文、重新解释背景。

所以这次Codex语音真正重要的是交互模式变了。交互模式一变，体验、效率，甚至工作方式都会跟着变。

这个方向，我看Claude Code也一定会跟进。Claude Code已经上线了语音模式，虽然目前跟Codex语音在交互深度上还有差距，但方向已经非常明确了。

· · ·

每一次交互革命，开始都像玩具

当年iPhone刚出来的时候，全世界都在说触摸屏不如硬键盘。微软前CEO鲍尔默在镜头前哈哈大笑，说这玩意对商务人士完全没有吸引力，因为它没有键盘。

黑莓的人根本不相信："我们的键盘天下第一，谁会去用一个按不准的玻璃屏幕？"TechCrunch直接预测iPhone会惨败。

但乔布斯为什么坚持？

他认为硬键盘把每个APP锁死在一个固定的输入界面里，你的手机能做什么、不能做什么，被物理按键决定。而触摸屏让每一个APP都有自己的独立交互界面：音乐播放器的界面是滑动选歌，地图的界面是双指缩放，游戏的界面可以是任何形态。使用成本降到零，每个人拿起就能用。

这才是交互范式切换的本质。不是在原有框架里优化效率，是把框架本身换掉了。你的输入窗口从"一个输入框"变成了"整个桌面"。

· · ·

用AI的最好方式是口喷

Karpathy最近在干一模一样的事。

前段时间他在X上分享了一种跟模型协作的方法：椅子往后一靠，切到语音模式，开始闲扯。

他原话形容的是："完全混乱，什么都行，纯粹的意识流。"有时候会在开头声明一下可能有拼写错误，就当访谈来做。唠个五到十分钟，然后把这一堆含扔给模型。

结果他发现在这个模式下，LLM极度善于从混乱的陈述中重构逻辑，它对你思绪的复现，比你自己的初始表达清晰得多。

这跟我以前用三万做战略分析的感受一模一样。一个人躺在床上养伤，直接用语音去描述，它的输出文档的可实操性和指导性，远高于一般人。因为过往已经给了它几十万字的东西，这些东西在一次次交互中，慢慢形成了你的思想脉络。

很多人高估自己，觉得脑海里的想法很清楚、概念很清晰、逻辑很严密。其实不是。你是通过跟它的大量交互，逐渐把这些东西理清楚的。

· · ·

不沉浸使用，就没有真实判断

最后再说一句：千万别凭直觉判断一种交互模式的变化。

当年你要跟鲍尔默说触摸屏会统治世界，他能笑出声来。现在回过头看，不能说他蠢，只能说那时候每个人的直觉都被既有框架锁死了，你没在那个模式里沉浸过，就不可能真正理解它带来了什么。

只有自己花时间去用、反复去用、大量去用，才可能得出一点点真实的体验。读文章没用，看短视频也没用。谁能用得好，效率会极度地提高。

企业更是如此。

很多企业今天还停留在“让AI写写文案、做做PPT、生成几段代码”的阶段，这当然有价值，但还不是AI变革。真正的AI变革，是把AI深度嵌进组织的工作流里：怎么分配任务，怎么推进项目，怎么沉淀经验，怎么让一个人带着一组AI Agent工作。

如果你也是企业一把手，想用AI提升效率，但还不知道从哪里开始，8月15号的猎豹AI实战派，我们会把自己三年来做AI Native组织变革的经验，全部讲给你听，感兴趣的朋友欢迎扫码报名。

跳转微信打开

这份作业值得抄

15个人，14天，不到50万美元，做出一部90分钟AI长片，还在戛纳首映，《华尔街日报》、BBC等各大媒体争相报道。

这是Higgsfield用AI制作的电影《Hell Grind》，如果通过传统拍摄方式，5000万美元都打不住。

现在他们已经把项目全部开源了。我扒了一圈，发现几个具体技巧非常值得做AI长视频的创作者借鉴：角色怎么不变脸，场景细节怎么固定，复杂镜头怎么不乱。

· · ·

先给角色建个档

做过AI视频的人多半都栽过这个坑：第一镜角色还挺稳，第二镜脸开始飘，第三镜像换了个人。大部分人的本能反应是把描述写得再细一点。可文字越长，模型不一定越听话，反而更容易抓错重点。

Hell Grind的思路是：与其每次重新描述，不如直接把角色做成资产。一段固定文字+一张参考图，这就是一个资产。一次搞定，反复调用。

以主角Roko为例，他的形象其实是一组资产，正常状态的、湿透的、战损的，每一个都有独立的描述、独立的参考图，用到哪个就直接调哪个。

甚至每个手部动作都是一个固定资产。

为了让角色稳定，他们的角色参考图故意做得很无聊：中性背景，平光，皮肤是真实的皮肤，姿势也普通，像证件照。

因为这张图就不是给观众看的，它是给模型认人用的。你把光影搞得太花哨，模型就会连着光影一起学，下一镜换个环境，人就跟着崩了。在他们的流程里，角色表不负责好看，只负责稳定，电影感应该放到具体的镜头和场景里，不要放进角色设定里。

甚至他们的全身参考图，有时候把脑袋都去了。

全身图里的脸本来就小，模型从这么点像素里采样，五官很容易采崩。与其让AI拿一张糊脸的参考去生成人物，不如干脆告诉它：这张图你只需要看身材比例、看服装、看轮廓，脸的事你去看另一张高清近景。一张图只干一件事。

· · ·

给模型一张片场地图

现在的视频模型生成时长有限，做长视频，很困扰的一点就是：把两条单看都不错的镜头放到一起，突然发现物件跑到画面另一边去了，主角衣服上的图案左右调了个个儿，远处那片红色的天，第二个镜头里居然变成了远山。每一条都漂亮，拼起来就是一堆碎片，各是各的世界。

这是因为模型压根没有一个稳定的空间概念，它每一次都是重新搭一个景。

Hell Grind里给这件事起了个名字，叫GEO SPATIAL LAYOUT，可以理解成一张写给模型看的空间地图。这张地图在整支片子里是锁死的，每一条镜头prompt都要带上它，一个字都不改。

我翻了他们的提示词，发现这部分写得特别细，比如这一幕人物和祭坛之间的距离，提示词里固定了3米。甚至连摄影机的位置都写死了。

另外一个很有意思的点是，他们每个场景开头会先留1秒宽镜头。

这1秒没有台词，也没有动作，只是把整个空间摆出来。文档里的说法很形象：让模型先“拍下”这个安排，谁站在哪，什么东西放在哪，光从哪里来。

它有点像开拍前先让模型认一遍片场。门在哪，角色在哪，道具在哪，光源在哪，先看清楚。后面镜头再切进去，人物和道具就不那么容易乱跑。只需要花这一秒钟的时长，就能省下几个小时的重复抽卡。

· · ·

复杂场面拆成一张调度表

Hell Grind是一部动作奇幻片，里面有小孩、怪物、神器、武器、群演、爆炸、光效。越是这种镜头，AI越容易乱来。

人数不对、武器变形、道具忽大忽小、背景里突然冒出一个不该在这的人...... 如果这时候你还只写"史诗级大战，场面震撼"，那基本就是把方向盘交给模型，然后开始祈祷。

他们的处理方式是：先把一个镜头拆成层来写。角色层写清楚画面里到底有几个人；空间层写清楚每个人站在哪；道具层写清楚每样东西是什么状态；镜头层写清楚摄影机怎么运动；风格层写清楚最终画面要收在哪种质感上。每一层各管一件事，不要糊在一起。

还有一个容易被忽略的点：每张参考图都要标清楚"用来干嘛"。

这张只看角色，不要继承构图；那张只看场景，不要新增人物；道具图只继承物体状态，不要连位置一起搬过来。模型是真的会手欠，你给它场景参考，它可能把参考里的路人也带进来；你给它道具参考，它可能连光线一起模仿。

所以复杂镜头，最好当成一张调度表来写。信息越分层，模型越不容易糊成一锅粥。做到这个份上，AI视频已经不太像魔法了，更像制片管理：每个角色、每件道具、每种状态先归档，用的时候再点名调用。

· · ·

AI不是一键成片，但它正在改写门槛

当然，Hell Grind不是一个“一句话生成电影”的神话。他们也生成了很多次，写了大量提示词，做了大量参考图和资产管理。背后依然有很重的人力、算力和流程设计。

AI没有把电影制作变成魔法，但它确实把门槛打下来了。

过去要拍一部90多分钟的动作奇幻片，15个人、14天、50万美元，几乎不可能完成。

但现在，很多环节开始被AI重新组织。不是大团队才能做电影，也不是只有几千万预算才能验证一个创意。过去只有大团队、大预算才能承担的复杂流程，现在可以被一支小团队重新拆开、压缩、重组。

电影是最重的内容工业之一，都已经开始被AI改写生产方式了。那企业里的很多流程，就更不该只停留在“让员工用几个AI工具”这个层面。

真正的问题会变成：哪些工作可以先资产化？哪些流程可以被AI接管一部分？哪些岗位之间的协作方式，要因为AI重新设计？

所以AI Native不是买工具，也不是办几场培训，而是一次组织方式的重构。

如果你也是企业一把手，想用AI提升效率，但还不知道从哪里开始，8月15号的猎豹AI实战派，我们会把自己三年来做AI Native组织变革的经验，全部讲给你听，感兴趣的朋友欢迎扫码报名。

跳转微信打开

AI再强，也替不了人的选择

今天我在斯坦福参加AASF的活动，听了一场李飞飞的访谈。

干货相当多，我本来打算重点听听她对世界模型和机器人的技术判断，但到最后，真正把我击中的，反而是她对人生选择、关于AI和人的自主性的观点。

· · ·

机器人的瓶颈在数据

访谈中主持人问，既然大语言模型可以通过海量数据训练出来，为什么不能用同样的方法训练机器人？

这个问题正好问到了机器人今天最大的卡点。李飞飞的回答是，语言和物理世界，根本不是一类数据。

语言是一种相对干净的信息形态。互联网搞了二三十年，积累了海量文本，输入输出边界也很清楚。一串字符进去，一串字符出来，它属于数字世界，天然适合用数据驱动的方式训练。所以大语言模型一旦数据够了、规模够了，能力就会迅速拉起来。

机器人面对的是另一个世界。它要进入三维物理空间，要移动、触碰、抓取、失败、调整，要处理力、摩擦、遮挡和各种不可控环境。这些东西没有一个现成数据库，人类通过机器人收集到的真实操控数据，今天仍然非常少。

所以当主持人追问，如果模型和数据二选一，瓶颈到底在哪？李飞飞说，如果非要选，那就是数据。

自动驾驶是一个很好的参照。

它已经算走得最远的一类广义机器人，但汽车本质上是一个金属盒子，在相对二维的路面上跑，自由度有限，核心任务是别碰到别的东西。就这么一个任务，Tesla、Waymo这些公司也花了十几年，投入大量精力收集驾驶数据。

人形机器人难得多。它的目标偏偏是怎么碰到别的东西。拿杯子、倒水、开门、扶老人、整理房间，每一个动作都要和真实物体发生接触。碰了之后，物理世界会反馈，机器人还要理解这个反馈，预判下一步怎么调整。

所以今天机器人真正缺的，不只是更多数据，更是对真实世界如何运行的理解。

· · ·

什么是世界模型

那怎么解决这个问题呢？李飞飞认为世界模型是一种解法。她给了一个三层的框架，我觉得讲得相当清楚。

第一层叫渲染。

就是你能把一个世界画出来，今天的视频生成模型干的事，Seedance也好，可灵也好，做的都是这一层。你给它一个想象，它能生成漂亮画面，能把一个符合人类认知的视觉世界呈现出来。这个很酷，但更多还是给人看的。

第二层叫模拟。

模拟比渲染深了一步，它要理解物理规律。水倒出来怎么流，瓶子被碰倒怎么滚，两个物体撞在一起会怎么反应。到了这一层，世界模型就不只是会画世界，而是开始理解世界怎么运行。

对机器人来说，这一步非常关键，因为机器人要在行动之前预判结果，在行动之后理解反馈。

第三层叫规划。

它不光知道世界怎么运行，还要能预测下一步会发生什么，并决定自己接下来怎么做。自动驾驶需要规划，机器人任务更需要规划。比如桌上有几个东西要收拾，先拿哪个，放到哪里，下一步会不会挡住后面的动作，这些都不是简单生成画面能解决的。

· · ·

在未知里，保持选择的勇气

技术这部分，我非常认同李飞飞的判断。但老实说，真正让我被打动的，反而是后面她谈自己的成长。

她说，移民、科学家和创业者其实很像，都是进入一个全新的未知世界，面对的是同一种东西：不确定性。

新的语言，新的文化，未知的科学问题，没人保证结果的创业，都像是在一条黑暗隧道里往前走，不知道尽头在哪里，也不知道光什么时候会出现。有一段时间你只能靠自己，靠热情驱动，靠韧性驱动，靠信念驱动。

· · ·

AI时代最该守住的是人的自主性

今天我们谈AI，很容易陷入两个极端。要么觉得AI什么都能做，人很快就要被淘汰；要么觉得AI 还很蠢，不过是个玩具。

李飞飞说，AI可以越来越强，但人的选择不能交给机器。

现在总有人会告诉你，我的技术可以帮你做到这个，可以告诉你该怎么做，甚至可以替你做决定。但技术不应该夺走人的自主权，应该增强人的创造力、生产力。用年轻人的话说，AI它就是一个工具。

这次我女儿也在旁边听了这场访谈。听完以后，她跟我说，老爸，我那么喜欢画画，我就应该去画画。AI 虽然能够生成图片，但它替代不了我喜欢画画这件事，也替代不了我自己要去画的选择。

· · ·

AI 变革，不能等别人替你决定

这件事放到企业里也是一样。

很多企业主都在问，AI到底怎么用？企业要不要做AI Native变革？从哪里开始？这些问题没有标准答案，也不可能等别人替你做决定。

如果真的想推动企业AI变革，最终还是一把手要亲自下场，理解它、判断它、组织它，然后带着团队穿过那条不确定的黑暗隧道。

如果你也在想这件事，但还不知道第一步该怎么迈，我觉得可以一起来聊聊。

8月15日，猎豹AI实战派上海场，把这些经验系统地讲一遍，把真实趟过的路摊开来，帮更多企业找到自己的AI Native节奏，把效率提上来，成本降下来，让你的公司在下一轮竞争里更有底气。

名额有限，感兴趣的朋友欢迎扫码报名。

跳转微信打开

硅谷又被卷到了

昨天跟大家分享了MiniMax H3的实测效果，能跟Seedance碰一碰，就算抛开八毛一秒的白菜价也已经是相当不错的水平。

今天顺着再聊几句，这次MiniMax H3的发布，我认为可以说就是视频模型界的DeepSeek时刻，开源、白菜价、性能够用、震惊全球，几乎符合了DeepSeek一夜爆火时的所有条件。

不过和DeepSeek不同的是，目前顶尖的文字模型公司还都在硅谷。但是视频模型的角逐，早就没有美国什么事了，就像以前的中国乒乓球，冠亚军争夺赛几乎就等于国乒内战。

· · ·

价格已经打穿了

实话说，和最新的Seedance 2.5的差距还是有的。

看看这条海外博主测的沙漠骑马。

Seedance 2.5的画面里，马在全速狂奔，人马前扑，风沙迎面砸来；H3的画质很清晰，就是少了点马蹄扬尘的真实感。但是再看价格，你就不得不说一句，夯爆了。

Seedance花销5.48美元，H3只花了1.45美元，差出四倍。

说白了，Seedance确实强，但太贵，普通人用着是真肉疼；而H3呢？能力不赖，关键还便宜，大多数人都用得起。

· · ·

开源低价卷翻硅谷

这方面真的是感谢MiniMax，能让我们用上便宜又好用的视频模型。

对于一切能把价格打下来的企业，不管出于什么目的，做为用户的我们肯定是受益者。就比如最近在DeepSeek V4 Flash发布以后，凭借低到离谱的价格和逼近第一梯队的性能，直接震惊了美国这些顶尖模型公司。

OpenAI都开始卷上价格了，先是发布当天GPT-5.6 Luna降价80%。

现在更是直接免费了，正好就在V4-Flash发布后没几天，你猜这是故意的还是不小心的？

最后说说开源，开源本身的好处其实就不用多说了，像什么促进学术交流、技术进步、支持本地部署、定制化微调等等。

前段时间黄仁勋第一次在X上发帖，第一条内容就是联名Meta、Microsoft、IBM、Hugging Face等一众科技公司，支持开放权重模型。

核心观点就是世界既需要前沿闭源模型，也需要前沿开放模型。开放模型能增强安全和网络安全，加速创新扩散，还能帮助每个国家、每个企业建立自己的AI主权。

更重要的是开源模型倒逼那些顶尖闭源企业重新审视自己的定价和封闭是否还有意义。其实去年DeepSeek发布之后，奥特曼就承认过自己在开源方面站在了历史的错误一边，现在也在逐渐的开放一些模型权重。

可以说这就是中国开源模型步步紧逼的成果。

所以这也是我一直站队开源社区的原因之一，尤其是要力挺这些愿意把第一梯队模型开源、低价开放给大众使用的中国AI企业。

当然，如果非要说H3有什么遗憾的话，就是目前还没在官网上线，使用门槛偏高。如果你是一个新手，不知道怎么接API、也不知道该怎么本地部署的话，可以给大家推荐个“抄近道”的方法，那就是秘塔AI，目前也上线了MiniMax H3，这次所有测试的视频就是通过秘塔AI生成的，非常稳定，打开网页就能开搓，推荐大家去尝鲜体验。

2026年的AI圈已经不光是拼谁的模型最强了，还包括谁能在智能、成本和使用体验之间找到更好的平衡点。

· · ·

差别只在谁先伸手

我觉得这次的H3交出了一份不错的答卷，称之为视频模型界的“DeepSeek”时刻不算夸张。因为它真的让视频生成不再是大厂的专利，而是咱普通企业也能抓在手里的机会。

现在机会就摆在眼前，差别只在谁先伸手，把AI放进真实业务流程里，让产品、运营、销售、研发都真正用起来，还要改组织、改流程、改考核，甚至改老板自己的工作方式。

过去几年我们踩过不少坑，也整理成了一套方法论。

8月15日，猎豹AI实战派上海场，把这些经验系统地讲一遍，把真实趟过的路摊开来，帮更多企业找到自己的AI Native节奏，把效率提上来，成本降下来，让你的公司在下一轮竞争里更有底气。

名额有限，感兴趣的朋友欢迎扫码报名。

跳转微信打开

效果比肩旗舰，价格卷穿地板

先给大家看一段火到国外的国风视频，你猜这个视频生成用了多少钱？

答案是官方价格2K大概0.8元一秒。

这就是最近刷屏的MiniMax H3。

一个国产开源视频模型，差不多只有同类旗舰模型的三分之一，而且还能本地部署。更有意思的是，最近很多人都在拿它和Seedance放在一起测。

这就让我很好奇。它到底只是便宜玩具，还是性价比之王？

如果答案是后者，那AI视频创作的成本，可能真的要被打下来了。

· · ·

MiniMax H3大战Seedance

MiniMax H3大战Seedance，关键不是看谁某一条片子更炫，而是看三个问题：

第一，画质能不能接近旗舰模型？

第二，听不听指令，能不能真的进入工作流？

第三，复杂动作和运镜，会不会一上强度就露馅？

我们先看几组对比。

第一组看画面效果。

肉眼看，其实已经很难说谁明显赢了。甚至后半段的构图和光影，我个人更喜欢 H3，画面更干净，主体和背景的关系也更舒服。关键是，这条视频里H3做的是 2K，成本大概只有Seedance的四分之一。

这组看下来，两个模型差距已经很小了。我个人觉得Seedance的人物皮肤光泽和背景光线有点油腻，AI视频的老毛病了。H3没有那么炫，但更清爽，完全可以拿去做广告片，价格几乎可以忽略不计。

第二组看指令遵守。

视频模型真正要进入工作流，遵守指令很关键。

同样的提示，两个模型，H3对Seedance2.5，考验的是听话程度。作者让猫根据箭头方向移动，结果H3很快理解了意图，Seedance 2.5反而有几次没搞清楚提示，这要再改再抽卡，四五十块又下去了。

当然，要说所有场景全面平替Seedance，那还差点意思。

比如这组的复杂动作。

这组动作戏，Seedance 2.0更稳。H3最大的问题是动作一快，就容易出现运动模糊，身体结构和镜头连贯性也更容易露馅。Seedance的运镜角度更灵活，特效更真实，不那么出戏。

但话又说回来，价格差了四倍，还要啥自行车啊。

· · ·

我们自己也试了试

我拿自己公司的产品机器人，让两家各拍了一条广告。

说实话，如果不论价格，Seedance那条运镜更灵活，画面冲击力更强，观感更好。H3出来的结果不算完美，但已经很像一版可以拿来讨论的广告片草稿了。另外，Seedance那条成本将近20块钱，而H3只花了一块五，整整差出十多倍。

跳转微信打开

泼天的token轮到你了

最近DeepSeek V4 Flash正式版一上线，网友们都跟过年了似的，一看价格，直接瘫坐在椅子上：每百万token只要3美分，确定不是少看了个0？

连马斯克都反手关注了DeepSeek官推。

· · ·

斩杀线重新定义模型价格

要说这次的大降价，直接把大模型性价比干碎了。

用这两天很出圈的一个说法，DeepSeek给大模型画了条斩杀线。

通常评价一个大模型，就看两件事：干得强不强，花得贵不贵。

咱们来看这张图，横轴是单次任务成本，越往右越贵；纵轴是智能水平，越高越强；越往左上角性价比越高。

DeepSeek V4 Flash能力50分，成本3美分。比它贵的、能力不如它的，统统掉到斩杀线以下。

打个比方，假如同样的任务，DeepSeek收3美分，干到50分； 别的模型收3美元，干到60分。 贵了整整100倍，能力只强了20%。多花100倍的钱，就为换20%的提升，多少人愿意掏？斩杀线一画，中间一大票比它贵、又没比它强多少的模型，全被架在火上烤。

所以现在AI模型的生存逻辑就是：要么比DeepSeek强一大截，强到用户愿意多付钱，眼下只有Fable 5、Opus 5和GPT5.6 Sol勉强站在这个位置喘口气；要么继续卷价格，比它更便宜。

所以V4 Flash一来，各家大模型直接变天，用户倒是翻身把歌唱了。

· · ·

便宜不是凑合

用了这么多，效果怎么样？咱们来看几个实测。

一位博主让DeepSeek V4-Flash和GPT 5.6 Luna执行同样的任务，做一个MMO级城堡围攻画面。对比一目了然，DeepSeek版明显细节更多，费用可以忽略不计，而GPT 5.6 Luna用博主本人的话说就是，相比之下又贵又拉垮。

· · ·

AI Native真正算得过账

对企业来说，也是一样。

过去几年，很多公司想做AI Native转型，但最大的问题不是“不想做”，而是“不敢大规模做”。一方面，国外模型确实强，但关键是贵；另一方面，国产模型过去能力不稳定，很多场景效果不够好，最后容易变成“试点热闹，落地冷清”。

但现在这个拐点来了。中国模型的能力上来了，效果不差，成本还可控。我们自己在公司内部也是这么做的，客服、行政、研发，全线在接国产模型。

当然，模型价格降下来，不代表企业自动会用好。真正难的是怎么用它重塑整个组织。

过去几年我们踩过的坑、摸出来的路，我们也整理成了一套方法论。

8月15日，猎豹AI实战派上海场，把这些经验系统地讲一遍，把真实趟过的路摊开来，帮更多企业找到自己的AI Native节奏，把效率提上来，成本降下来，让你的公司在下一轮竞争里更有底气。

名额有限，感兴趣的朋友欢迎扫码报名。

跳转微信打开

AI变革最大的瓶颈是一把手

我一直觉得，企业做AI变革，最大的瓶颈是一把手自己。

因为如果自己都不懂AI，那就只能听汇报。底下人跟你说"这个做不了""那个要很久""这个很复杂"，你到底能不能判断他们是不是糊弄你？根本判断不了，组织变革也就无从谈起。

所以我说，一把手必须亲自上。

前段时间在猎豹AI实战派，我碰到一位学员，来参加我们培训的当天，就把研发说要四五个月的排期缩短到了15分钟。

· · ·

四个月变15分钟

他们公司做智能灌溉的硬件和设备，其实对AI还没怎么开始投入，从高层到一线，大家对AI的理解都还比较浅，只有个别员工会拿DeepSeek、GPT当个辅助工具用，帮自己解决工作里的一些问题。

他之前给研发团队布置了一个任务：在产品里加入AI智能灌溉计划的推荐。研发跟他说，要11月份才能交付，得花四五个月。他听完很头疼，一直没辙。

直到那天实操，他想着，与其干等，不如自己动手试试，就自己动手，用十几二十分钟，搭了一个APP界面出来。

输入植物类型、喷头类型、土壤的坡度，就能生成一套智能灌溉计划：每天几点开始浇、隔几天浇一次、每次浇多少分钟、中间停多久让土壤充分吸收水分，全部给你算清楚，目的就是节水。

更让我意外的是，他怕这个计划被客户质疑"不科学"，还往里头喂了亚马逊产品链接，让AI去抓取客户过往的差评和痛点。让AI把计算的依据也一起写在界面上：你现在是什么气候、每天光照几小时、土质吸水上限是多少，所以给你推这个方案。有理有据。

· · ·

用过才有底气

你可能要问：十几分钟搓出来的一个东西，能有什么用？

问题就在这儿。为什么研发张口就要四五个月？

其实是中间的逻辑没想清楚：条件是什么、要做什么动作、每一步怎么串，他们也没理清楚，所以只能给你报一个遥遥无期的排期。而他，只花了十几二十分钟，就把整套逻辑自己打通了，甚至把客户痛点都结合进去了。这套东西拿回给研发参考，进度能不拉快吗？

另一方面，我觉得他自己也会更有底气。回去推动公司做AI变革的时候，他心里有数了，不会轻易被一句排期就给劝退。

我们猎豹移动最开始进行AI转型也经历过这个时期。GPT最早出来那会，我特别想让团队都去用。结果研发跟我讲：老板你不懂，这东西做出来的都是demo，根本没法用到实际工作里。当时技术人员几乎一边倒地反对，都觉得我不了解，AI实现不了真东西。

我没听他们的。从最简单的贪吃蛇开始，天天去探它的边界，包括年初养龙虾也是，你不用根本不知道它有多强大。等你真的用起来了，你再去跟团队讲"我们要拥抱AI"，这话就有人信了。从那以后，AI Native组织变革这件事，才真正在企业里推得动。

所以回到开头那句话：一把手不用，组织永远用不起来。你自己都不下场，凭什么让下面的人信你、跟你在一条船上使劲？

· · ·

别再错过了

当然，这位朋友只是上次猎豹AI实战派的众多学员之一，还有做空间设计的、做航运服务的、做宠物用品的，都找到了自己的切入点。

越是这样，我越替有些朋友着急。

上次结束后，好多人来后台跟我说：傅总，这场我没赶上，或者地区不合适，错过了。说实话我也有点遗憾，这些案例摆在这，谁早一步动手，谁就早一步拿到实实在在的结果。

8月15号，上海场即将开启，把我们这几年AI Native变革的经验系统地讲一遍，把真实趟过的路摊开来，帮更多企业找到自己的AI Native节奏，把效率提上来，成本降下来，让你的公司在下一轮竞争里更有底气。

名额有限，感兴趣的朋友欢迎扫码报名。

跳转微信打开

AI时代，人贵在自知

AI正在制造一种大聪明：知道得不多，判断得不准，却越来越自信。

三所欧洲高校做了个3000多人参与的实验。没AI的时候，碰到拿不准的题，四成的人会大大方方写"我不知道"。一旦有了AI，没几个人承认了，正确率一落千丈，自信心却爆棚了。

AI让人变得又蠢又自信，到底怎么回事？

· · ·

AI一来，人就不认怂了

研究人员挑了六道细节题，全都来自电影的犄角旮旯。

比如《高卢英雄》里海盗船船头是什么动物，《布达佩斯大饭店》里女主角的发型，《高速路上的一只猫》里某角色开的什么车。

这谁能记得住啊？没人看电影还自带显微镜吧！

这种细节，网上根本搜不到，AI的训练数据里更不可能存在，连GPT 5.5、Sonnet 4.6这些顶尖大模型都够呛全答对。

这么挑题是为了把"相信AI是因为AI确实更靠谱"这个解释堵死。如果照跟不误，那就不能说是"合理利用工具"了。

研究人员把参与者随机分成两组：一组全靠自己硬答；另一组，可以选择询问AI。

结果是，没有AI的人有44%的题选择“不知道”，可以询问AI的人则只剩3%。

可能有人会觉得，既然这些题这么难，与其直接承认不知道，不如听AI的。

于是一个诡异的结果出现了：有了AI之后，参与者确实回答了更多问题，但多说多错，还错得特别有底气。

没AI的时候，正确率28%左右，信心不到30分。有AI以后，正确率不到10%，信心窜到了75以上。

答得更错，反而更敢答。

你说离不离谱？

· · ·

扣钱也拦不住

这个时候你可能会问：是不是因为答错了也没什么损失，大家才随便听AI的？

所以研究人员加了奖惩：答对赏0.10美元，答错扣0.10美元，写"不知道"不奖不罚。如果真不确定，闭嘴就是最聪明的。

结果是，确实谨慎了一点但不多。没有AI的参与者会在41%的题目上选择“不知道”，有AI的人只有8%，确实比上一把的3%强一点。

哪怕答错得掏钱，AI一出现，人类还是开团秒跟。

错误成本能拉回来一点判断力，但跟一个流畅答案的吸引力比，还是差远了。

· · ·

答案先到，判断就输了

前面的实验，参与者得自己点按钮才能看AI的建议。现实不是这样的。搜索顶部的 AI摘要、浏览器自动生成的答案、办公软件弹出的补全......这些全是自己找上门的。

所以研究人员最后加了这么一组：AI答案直接摆在题目旁边，你躲都躲不开。

结果一点悬念也没有。没有AI的人会在35%的题目上选择“不知道”；AI答案自动出现以后，只剩大约1%。即使答错会扣钱，没有AI时仍有39%的人选择“不知道”，AI答案自动出现以后，也只有大约7%。

你甚至不需要主动信它。一个像模像样的答案只要比你自己的判断先到，就够了。

其实很多人平时获取信息也是这样：输入一个问题，AI摘要已经替你结案了。还没打开任何一个网页，还没看见任何互相打架的说法，已经有一个有鼻子有眼的结论等着了，于是下一秒就可以自信开麦了，根本来不及问自己一句：我到底知不知道自己知不知道？

· · ·

是什么杀死了人的自知

AI的幻觉还没治好，人先盲目自信起来了。

曾经有这么段时间，很多员工提交给我的策划方案、汇报文档里充斥着满满的AI味，逻辑也是稀碎。

我指出文档中哪里有问题，员工立刻给我回一个“这是GPT做的”，眼神中满是那啥和自信。仿佛只要是AI说的，就全成了金科玉律，一字不改的粘贴到我这里，出的任何问题都和他没关，全是AI的锅。

好一个“不改一字，两难自解”。

我后来回想这件事，跟这个实验其实讲的是同一个东西。

AI永远秒回，永远笃定。这种不假思索的自信，就像病毒一样传染给人。你开始拿AI的连贯，代替自己的思考；用AI的果断，掩盖自己的犹豫。时间一长，AI消灭的就不是你的知识盲区了，是你意识到自己"无知"的能力。

换句话说，你的判断力会逐渐变得麻木，你对自己的信任，正不知不觉间交付到AI手里。

所以到底是什么，杀死了现在人的“自知”？

是你用AI的姿态。

· · ·

AI时代，人贵在自知

聊这些并不是为了散播焦虑，也不是想告诉大家：AI越用，人越蠢。

重点是想让大家关注自己用AI的方式。

现在，我们回到那个所有人都焦虑的问题：“AI时代，到底什么样的人不会被淘汰？”

刚才我提到的这类人肯定是够呛了。

承认边界，才能突破边界；承认无知，才会激发好奇。

而好奇心和主动性，才是AI目前没法替代人类的特质。

信息可以外包，但"自知"，必须亲力亲为。

AI时代，人贵在自知。

跳转微信打开

别放收藏夹吃灰

有朋友后台问我，你的CC我的CC好像不一样，怎么我安装了感觉没那么好用呢，是不是哪里没使对劲？

正好最近刷到Claude Code之父Boris Cherny做的实操分享，聊聊他每天都在用的小技巧。

· · ·

开箱先做几件小事

第一，跑一下 /terminal-setup。

这个命令主要解决一个很小但很影响体验的问题：换行。

配置完以后，你可以用Shift + Enter换行，不用每次为了多行输入搞得很别扭。

第二，跑 /theme。

把主题调成你舒服的模式。暗色、亮色、色盲友好主题都可以。

第三，如果你在GitHub上工作，可以输入/install-github-app装GitHub App。

这样你就能在Issue或PR里直接@Claude，让它参与代码审查、问题分析、自动处理一些任务。

第四，自定义允许使用的工具集合。

对于经常要确认、但风险很低的操作，提前设置成允许。这样Claude不用每一步都等你点头。

· · ·

让AI认识你的项目

大多数人拿到AI工具，第一反应是直接派活。

Boris说这个顺序搞反了。

你都不太清楚自己项目的全貌，AI更不清楚。在这种情况下让它写代码，撞对了是运气，翻车才是常态。

他的做法是，先花时间让AI把整个代码库读一遍，然后问它问题。

比如：

"帮我把这个项目的整体结构梳理一下，主要模块是什么，它们之间怎么配合？"

"如果我想给用户列表加一个排序功能，从哪里入手最合适？"

Claude Code会深入分析你的项目，给你一个像Wiki一样的解答。

效果很直接，Boris说Anthropic以前新人入职熟悉代码库要2到3周，到处问人、自己翻文档。现在Claude Code带着探索一遍，2到3天就能上手干活。

· · ·

先规划再动手

凡事预则立不预则废。用AI也是一样。

很多人用AI Coding就是把所有需求一股脑扔给它，然后等结果。

这不许愿呢吗？

他的调整是：在你说"帮我做XX"之后，加一句"先给我一个实现方案，不要直接写代码"。

让AI先把它打算怎么做、分几步、涉及哪些部分说清楚，你确认方向没问题，再让它动手。这样即使中间出了岔子，你也知道问题出在哪个环节。

· · ·

有了工具才有反馈闭环

Boris 说，Claude Code真正开始发光，是接入工具以后。

Claude Code接入团队工具，主要有两种方式：

一是通过Bash调用现有的CLI和脚本，比如查日志、跑测试、发版、生成报告的内部CLI。

如果AI临时不会用，可以让它先运行 --help 看说明，再根据说明选择参数。如果这个工具以后经常会用，可以把这段说明写进CLAUDE.md。

二是通过MCP接入结构化工具和外部系统，比如可以接数据库、浏览器、设计稿、内部平台。

新工程师入职，没有代码权限、没有日志权限、没有测试环境，再聪明也干不了活，Claude Code同理。

工具接好之后，它才能自我验证，才有反馈闭环。

Boris举了个例子，只说"帮我做个页面"，它可能做到七八十分。但给它设计稿，让它用Puppeteer工具截图对比，自己改两三轮，结果往往接近九十分。

我在用Fable 5复刻红警的时候也是这样，AI写完代码会自动截图，看看截图再去调整，完全不用我手动测试。

· · ·

CLAUDE.md：AI的入职手册

Boris建议大家给Claude Code写一份入职手册，叫CLAUDE.md，专门用来告诉 AI 关于你和这个项目的所有关键信息。

当然，上下文不是越长越好，你写得太长，它每次都要读一大堆，不仅耗token，还容易把重点冲淡。

所以我建议把CLAUDE.md写成“短、准、硬”的规则和索引，重点写Claude Code干活时最容易踩坑、最必须知道的东西：用什么命令启动，改完跑什么测试，哪些文件不能乱动，哪些规则不能破。

另外，CLAUDE.md不一定要放在根目录，也可以放在子目录里。

大型项目里，完全可以在不同子目录各放一份。前端目录写前端规矩，后端目录写后端规矩，移动端目录写移动端规矩。

这就像公司培训新人，不可能第一天把财务、人事、销售、研发所有制度全塞给他。最好的方式是：他在哪个岗位，就看哪个岗位最相关的手册。Claude Code也是一样，需要什么上下文，就给它什么上下文。

· · ·

明显改变手感的快捷键

最后，Boris还分享了几个每天都能用上的快捷键。

• 按Shift+Tab，开启自动接受编辑模式。AI写的代码修改会自动应用，不用一条一条反复确认。等它跑完你再统一检查，效率高很多。

• 按 # 让AI记住规则。如果AI哪个地方说错了或者理解偏了，可以敲一个"#"，它自动把这条记录写进CLAUDE.md，下次就不会再犯同样的错。

• 按Esc随时打断。如果你觉得 AI 方向跑偏了，或者突然想到新要求，直接按 Esc 就能打断它。不会丢数据，不会损坏文件，暂停完补充新指令它就接着走。

• Ctrl+R看原始对话。有时候用AI会疑惑"它到底看到了什么才会这么回"。这个快捷键能展开完整的对话记录，AI眼里看到的输入输出都在里面，排查问题特别好用。

• claude --resume恢复上次没聊完的。在命令行里输入 claude --resume，就能回到上一次中断的对话，接着往下聊。

· · ·

最后

工具这东西，最怕的不是不会用，而是以为自己会用了。

Claude Code也是一样。很多人装完之后，随手丢一个需求进去，发现效果一般，就觉得“也就这样”。

所以这篇别只放进收藏夹吃灰。上手试试，效果可能马上就不一样了。

今天就到这，如果觉得有帮助，欢迎转发关注~

跳转微信打开

Fable 5地位不稳了

过去一个多月，AI圈就四个字：神仙打架。

前脚GPT-5.6 Sol刚坐上榜单之首，屁股还没坐热，后脚Kimi K3就带着开放权重一脚踢进世界前三。

就在这枪林弹雨之际，一直沉默的A社老大哥，突然丢出一枚炸弹。

Opus 5。

它像是无声示威：“都别吵了，回家练去吧。”

· · ·

Opus 5什么来头？

在考察AI推理能力的ARC-AGI-3榜单上，Opus 5高居全球第一，领先第二名GPT-5.6 Sol将近4倍。

在评测AI真实知识工作能力的GDPval-AA榜单上，它也以高分登顶，直接甩开了自家旗舰Fable 5一条街。

在测试AI终端编程能力的Frontier-Bench榜单上，Opus 5同样力压Fable 5和 GPT-5.6 Sol，比上一代Opus 4.8翻了一倍不止。

更夸张的是，在多语言编程、多模态编程、业务流程自动化等多个榜单上，Opus 5 依然稳坐第一。

这不妥妥的多边形战士？

· · ·

价格也打下来了

那它这么牛，价格还不得贵上天？

俗话说得好，卷天卷地卷对手，A社狠起来连自己都不放过！

前脚Kimi刚打响抢占国民性价比第一枪，A社二话不说，开团秒跟。Opus 5拿着超越Fable 5的性能，价格却只到Fable 5的一半儿。

这下可把广大网民们乐坏了，Opus 5上线不过半天，网上已经玩嗨了。

· · ·

网友们玩嗨了

咱们来看看网友们都整出了什么花活。

一位国外博主只用了27%的5倍Max订阅额度，却搭出了他目前见过的、最好的一个 Rocket League克隆版。直呼 ：“那些认为Opus 5只是个便宜版Fable的人，简直是大错特错！”

这画面，这流畅度，确实没得说。

无独有偶，另一位博主在测完一个竞技场对决后，当场高喊“这分明就是 Fable 6！Fable 5根本没法比”。

据他所说，Opus 5直接打破了他原有的测试标准，交付成果让人根本不敢相信是靠代码生成。

类似的评价在网上层出不穷。现在测评大佬们对它的共识就四个字：“是个怪物”。

其实，Opus 5的恐怖早有预兆。

发布之初，官方随手甩出两个demo：一个是能实时显示气流路径的风洞模拟，气流怎么绕过去的看得一清二楚。

另一个是一张能360度旋转的3D细胞结构图，连内质网上密密麻麻的核糖体都画得无比清晰。

物理+编程、生物+设计。要知道，这两个活随便拎一个出来，都不是单一专业人士靠自己就能做到的，至少也得靠一个团队的长期磨合。

而现在，Opus 5不仅兼备跨学科的专业知识和技能，还可以在几分钟内快速融合，一次性产出成果。一个人就顶一支队伍，花上几个小时就能彻底搞定，真正的把专业知识转变成拿来就用的工具，这是过去任何一个单一职业的人都办不到的事。

Opus 5，真的是个魔鬼。

· · ·

马斯克都来点赞了

更有意思的是，在Opus 5发布之后，马斯克也来蹭了波热闹。

他放了张性价比截图，表示目前市面上的最优选只有Grok 4.5和Opus 5。

夸了Opus 5的同时，还不忘捎带手夸波自家的产品。

看来现在AI圈的竞争真是进入到白热化阶段了，线上不光拼模型，还得拼老板。

让我们期待接下来各家的表现。

下一个掀桌子的，会是谁呢？

跳转微信打开

前几天给猎豹AI实战派，跟一批创始人分享我们AI Native组织转型的经验，四个多小时，大家热情非常高涨，问了几十个问题。

有个学员跟我说，他公司在大连，想在大连招一些AI特种兵，他的苦恼就是招不到，他认为大连好像没有AI超级个体。

我反问他：你在招聘的时候，有没有给够重视？有没有亲自带？薪酬有没有竞争力？渠道找对了吗？

他纠结的点其实是：大连这种城市，没有AI人才。他默认超级个体只长在北京深圳那种土壤里。

这是一个挺典型的误解。

AI是个平权工具。年轻人对AI的好奇心、主动性、学习能力，全世界都一样。无论北京、深圳，还是大连、西安，都有对AI充满热情的年轻人。

你觉得大连招不到，是筛选标准有问题。

我们在猎豹移动做过一个实验。在西安设了一个AI特种兵特区，要求很简单。不看学历，不看院校，不看出身，只看一条：这个人对AI有多狂热，用过多少个AI产品，能不能自己用AI把一件事从头干到尾。

一开始也很难招。大家都觉得西安没有AI人才。但当你改变筛选标准，不拿传统学历的标尺去量，人才就冒出来了。

两年下来，这个西安特区已经成了全公司生产效率最高的部门。

所以你问我要不要搬家，我的答案是没必要。

异地管理的成本不小。更重要的是，你缺的不是地理位置，是你对人才的判断标准。你在大连，150人的公司，老板亲自带队，给出有竞争力的薪酬，把筛选标准从"哪个学校毕业的"换成"对AI有多上瘾"，一定能找到。

另外还想说一点，做AI Native转型是一把手工程，一把手必须亲自上，不要指望招一个人来替你搞定。

我见过太多公司招了个AI负责人，半年后发现推不动，因为组织根本没有准备好。如果一把手自己都不懂AI，怎么判断招进来的人行不行？怎么给他匹配的资源？怎么推动跨部门的流程再造？

一把手不懂，AI Native变革最大的瓶颈就是你自己。

回到大连那位学员身上：不用搬家。先把尺子换了，把自己也投入进去。

自古英雄出少年，哪里的少年都可以，我相信AI都能让他们变得非常有战斗力。

大家在企业AI Native转型的过程中还有什么问题？欢迎私信或者评论区问我，我会挑出典型的来解答。

跳转微信打开

做AI也是一样

我的家乡景德镇，在第48届世界遗产大会上，"景德镇手工瓷业遗存"正式入选世界遗产名录。

我从小在御窑厂旁边长大，它之所以能成为千年瓷都，靠的绝不只是熟能生巧的手工和一代一代的传承，它背后有三重持续不断的创新循环。

· · ·

持续技术创新的城市

第一，景德镇是一个不断的进行技术创新的城市。

大家可能都知道景德镇是千年窑火不息的瓷都，到今天依然以手工制瓷为核心闻名世界。但其实它不是中国制瓷最早的城市，最开始甚至不是最大的制瓷城市，它是靠创新反超了。

元代，青花瓷和釉里红横空出世，让景德镇从众多制瓷城市中一跃而起，自此成为外销瓷的代表。直到今天，青花瓷在大英博物馆还随处可见。

釉里红用铜料发色，温度稍有偏差就全废，景德镇的工匠硬是把它做成了。一代又一代工匠不断突破材料、烧制、色彩工艺，持续创新，拉开和其他城市、其他窑口的差距。

· · ·

农业社会里的工业城市

第二，景德镇在农业社会里有非常领先的组织创新。

我一直说，景德镇是一个"农业社会的工业城市"。很多地方都制瓷，都有匠人代代传承，但景德镇最早形成了最精细的流水线分工。

一道瓷器有七十二道工序，明代的宋应星在《天工开物》里写过："共计一坯之力，过手七十二，方克成器。"

每一道工序都有专门的匠人：拉坯的只拉坯，画画的只画画，烧窑的专职控制温度，

分到这么细，每个人在各自工序上的经验才会持续积累，整个生产链条的效率和质量才会提上去。

这是在近代工业之前，超乎想象的生产组织模式。

· · ·

胸怀世界的小城市

第三，景德镇虽然地处中国腹地，却是一个真正、很早就全球化的城市。

它的工艺创新跟外部技术引进密不可分。青花瓷之所以诞生，就是因为颜料从西亚引进。而早在元代，青花瓷已经为中东波斯定制。波斯颜料加上中国手艺，加上穆斯林审美的器型和纹饰，三方协作才创造了青花时代。

它不是关起门来搞手工传承，而是胸怀世界。

到了明清时期，景德镇的瓷器出口一度占到全国外汇的三分之一。一个小城市，那个时候就在根据欧洲订单生产。

当时的欧洲贵族以拥有一套景德镇瓷器为荣，萨克森的奥古斯都二世甚至用六百名骑兵去换了一百五十一件景德镇瓷器，称为"白色黄金"。

在大航海时代，各种原料的交织、工匠的交织、产品的交织，让景德镇成了一个真正胸怀世界的城市。 

现在回过头想想，我做猎豹移动很早就考虑全球化出海，跟我在景德镇长大有关。

· · ·

做AI也是一样

你看，哪怕瓷器这个已有上千年历史的技术，要生生不息，也得靠不断的技术创新、组织创新，以及融入全球化网络。

今天做AI也是一样。要让企业真正拥抱AI，除了AI技术本身，AI Native的组织建设就非常关键；放眼世界，去学习最先进的技术，也非常关键。

最后，衷心祝愿我的家乡景德镇越来越好、越来越美，也欢迎大家都去景德镇转一转——我觉得景德镇可能是今天全中国美感最在线的城市，去了你一定不会后悔。

跳转微信打开

今天有位做企业的朋友问我，研发和业务该怎么融合，去推动AI Native变革？

我想起Claude Code负责人Boris Cherny用了个词形容程序员，叫"退行性器官"——就是阑尾。还存在，但没啥用了。

一年前我就说，留给人族程序员的时间不多了，评论区一堆程序员骂。但今天来看，这个判断我觉得已经被验证了，以后的趋势一定是产品和研发逐渐成为一个角色。

编程为什么是AI最先碾压人类的领域？

因为它规则清晰、反馈直接。跑通了就是跑通了，没bug就没bug，效率高就效率高。每一次编译都是一个明确的反馈信号，AI在编程上可以疯狂迭代，强化学习的飞轮一旦转起来就非常快。

今天硅谷已经达成了一个共识：什么是AGI？能自我迭代的AI就叫AGI，coding恰恰就是AI自我迭代的基础。当AI能给自己写代码、审自己的代码、改完再训练自己的时候，奇点就到了。

所以你看为什么Anthropic产品迭代那么快，因为他们95%的代码都是AI写的，比古法编程不知道强多少倍。

就拿我自己来说，我几乎没怎么写过代码，前段时间养伤手搓了个健身APP，现在都不用keep了。前几天在飞机上，边追剧边用Claude Code给家里老人写了套保姆管理系统。这些定制化需求，换几年前，不会写代码的人想都不敢想。

再举个例子，机器人应用的个性化定制一直是个老大难问题，不同客户有不同场景。我们以前招一个有经验的工程师，熟悉机器人系统加上手开发，一个月算快的。前段时间AI少年派黑客松，00后选们用AI，12小时，从底层API到交互逻辑到图像生成，全部打通，搭了一个零售店门口的完整场景。

以前做产品，是你有个想法，找技术团队实现。"码农"这个工种，本质上就是个翻译：把人话翻成机器话。现在AI自己能听懂人话了，翻译也就变阑尾了。

我一直认为，写代码从来不是目的，做出好产品才是。当实现的门槛趋近于零，产品和研发之间的墙就塌了。以后产品经理和程序员的界限会越来越模糊，企业要实现AI转型，全员AI Coding就是最好的切入点。

跳转微信打开

这是顶级天赋怪吧？

跟大家分享个离谱的故事。

大名鼎鼎的Claude Code之父，其实是个不折不扣的"野路子"：本科辍学、自学编程，靠着一份两天写出来的demo，做出了震惊世界的AI编程产品。

今天要说的这位天赋怪，就是Claude Code之父——Boris Cherny。

要说这位大哥，那真是名副其实的"浪子怪才"，整个职业生涯主打一个：有才就是"浪"。

· · ·

野路子的起点

Boris的编程才华很早就冒头了。

中学时期，他完全靠自学摸进了代码的世界。给eBay商品列表写网页代码、给图形计算器编程序。别人上大学才学的东西，他中学就干上了。

到了大学，故事就更离谱了。

他大学主修的是经济学，和写代码八竿子打不着。

但那又如何？人家大哥志不在此。

于是，18 岁的Boris一拍脑门：辍学，创业，开公司！

用他自己的话说：

"我从 18 岁创办第一家公司开始，事事都得亲力亲为。"

这大概就是"怪才"的第一个信号，别人还在犹豫要不要转专业的年纪，他已经开始给自己当老板了。

· · ·

Meta七年，从码农到"圣经作者"

初试创业之后，Boris决定给自己找个更大的平台，把野路子的功夫打磨成正规军的手艺。

2017年，他加入了全球最顶级的科技公司之一Meta，负责Instagram的基础设施。在Meta一干，就是小七年。

这期间他一路做到了Instagram首席工程师。

更离谱的是，他一边干着一线的架构工作，一边抽空写了本书叫《Programming TypeScript》，被TypeScript社区奉为圣经级名著，一直到今天都是这门语言的进阶必读。

首席工程师私下里竟还是位名著作家，不得不说上帝对这位怪才，真是既给开门，又给敞窗。

· · ·

说走就走：从巅峰跳进未知

但怪才不愧为怪才，常常不按常理出牌。

2024年9月，Boris做了一个让无数人都诧异的决定：辞职，转身进入Anthropic，去当技术员工。

Meta全公司七八万人，能做到首席的，本就是万里挑一。绝大多数人的职业生涯终点，也就是这个位置了。为什么突然说走就走？

对此，他在访谈中很坦诚：

"大厂确实厉害，但待久了，总觉得有点'空'，找不到被使命驱动的宿命感。Anthropic的AI安全文化和我的价值观高度契合，我想去那真正做点有意义的事。"

一个30多岁、已经上岸首席的工程师，愿意跳下巅峰、重新往前跑。或许，从他决定离开的那一刻起，命运的齿轮就已经悄悄转动了。

· · ·

Claude Code：一场意外的AGI 时刻

谁都没想到，Boris进Anthropic不到一年，就给公司干出了一个羡煞旁人的成绩：Claude Code横空出世。

据Boris自己回忆，Claude Code的诞生其实很意外。

最初不过是因为他想学会使用公司的API，所以写了个demo。

他先是给模型加了批处理工具，又把Python示例改成了TypeScript，结果却被 Claude Code的表现震惊住了：让它读文件，它用cat命令做到了；问它自己在读什么歌，它直接写了一段Apple Script，去查电脑里的音乐播放器。

Boris自己形容那一刻的感觉是 ：仿佛AGI之神降临。

· · ·

从demo到改写行业

2025 年，随着Claude 4发布，底层模型能力大幅跃升，Claude Code迎来了真正的爆发。

到2026年，Anthropic内部合并进生产系统的代码里，80%是Claude写的，15个月前，这个数字还只是个位数；

GitHub全球公开代码提交里，Claude Code的贡献占了 4%；

Claude Code 的日活稳步增长，用户满意度稳居AI编程工具榜首。

从两天写出原型，到改变整个行业，这大哥只花了不到一年。

· · ·

真正稀缺的是"通才"

回看Boris的这一路，他曾说过一句话很值得琢磨：

"在Claude团队里，我们非常看重通才型人才，这是AI时代非常重要的一点。"

其实你看他自己就是个活样本：经济学本科、辍学创业者、Meta首席工程师、TypeScript圣经作者、AI编程新王的缔造者。这些身份没有一条是"标准路径"，但每一段都在为下一段供血。

如今，AI正在把"执行"这件事变得越来越廉价。写代码、画图、翻译、做表格……一个个工种被逐渐接管。

当执行的门槛消失，真正稀缺的，是能够跨越边界去看问题的人，也就是Boris所说的"通才"。

AI帮你把这个时代压得更平了，你要做的，是保持好奇心，保持对陌生领域的兴趣，训练自己跨界连接的本领。

其实做企业也是一样，多人会问一个问题：企业AI变革到底从哪里开始改？怎么改？

这个问题不能只交给一个员工去试工具。要老板和业务负责人一起看：客户怎么来、销售怎么跟、交付怎么做、团队怎么协同。

7月24号，北京。

我会在猎豹AI实战派，用一天时间拆企业AI Native转型。

一天时间，和我直接对话，和现场的很多CEO一起讨论交流。

感兴趣的朋友欢迎点击阅读原文了解更多。

阅读原文

跳转微信打开

国货之光，实至名归

国产大模型Kimi K3，出生4天就让硅谷大厂集体破防，到底有多能打？

今天咱们就来聊聊。

· · ·

OpenAI、A社坐不住了

Kimi K3上线48小时，火到服务器被涌进来的用户挤爆，官方连夜发公告紧急限流。

这两天不得了，逼得Anthropic都坐不住了。原本Fable 5的访问权限只开放到7月 19日。

结果K3一出，几天之内官方口风就变了，原本要收紧的访问权限，直接被扩容成了长期订阅权益，这背后肯定是有压力。

上线4天，OpenAI高管Dean W. Ball直接公开开炮，酸Kimi K3这波开源就是给行业拖后腿。

他的逻辑是，把这么强的模型开源低价放出来，会打薄整个行业的商业回报，让大家后面没动力继续烧钱搞研发。翻译一下：你卷成这样，我们再想按闭源那套收高价、拉高融资就不好使了。

这个让硅谷大厂集体警惕的国产大模型，到底什么来头？

· · ·

评测第一拿到手软

不废话，先看数据。

发布几天后，Kimi K3在几个权威榜单的成绩陆续出炉，几乎是清一色第一。榜单密集到什么程度呢？前端会写、代码会敲、长程工程会协调，几乎覆盖了开发者关心的所有维度。

前端开发榜Frontend Arena上，K3以1679分登顶全球第一，把Fable 5和GPT-5.6 Sol甩在了身后。

AI编程榜Program Bench上，K3同样力压Fable 5和 GPT-5.6 Sol；

到了考察长程软件工程能力的SWE Marathon，K3依旧位列首席，稳稳干过 Opus-4.8 和 GPT-5.6 Sol。

能跟Fable 5和 GPT-5.6打的有来有回，更让人意外的是资本对比。月之暗面成立至今不过三年，累计融资约55亿美元，这个数字放在OpenAI面前不到 1/30，放在 Anthropic面前不到1/24。

也就是说，拿着人家零头的钱、零头的算力，硬冲到了同一梯队的头部，恐怖潜力可想而知。

· · ·

我自己也试了试

榜单归榜单，实际能不能打，还得自己上手试。

我拿它跑了两个任务，只给了提示词，剩下的全由它自己去做，期间不改代码，成果一次性生成。

第一个任务是贝塞尔曲线WebGL光带。

这个任务要AI一口气写一段极其复杂的实时画图程序，屏幕上每一个像素的颜色都要它现场算出来，光的走向、副波的呼应、鼠标的交互全都要现场推演，容不得半点差错。

能干这个，说明模型对图形编程、数学建模、视觉感知都是深度理解，不是只会背代码。

成品出乎我意料。光带明亮柔和，副波跟着主波、配合鼠标动作交相呼应，背景干净高级；就连散落在画面里的标签都做了视差效果，鼠标一动，标签会跟着轻微晃动。

要说唯一的不足，是玻璃条的色散效果没太做出来，不过在这种复杂度下，已经是相当克制的瑕疵。

紧接着我又拿它去做了视差滚动卡片动画，效果依然不赖。

这次要AI一次性把9张卡片的变换路径全部编排好。相当于让AI同时导演9个演员，指挥他们在同一场演出里完成5次换装、5次换位，每一次换完还要连戏、不能穿帮。

任何一处衔接错了，整个动画就崩了。能一次写对这个，说明模型不止会敲代码，而是真的理解了整个工程该怎么协调、组件之间该怎么配合。

如果换成人类开发者从零手搓，少说也得一整天。K3不到一小时就交了作业，效果还相当出色。

说实话，K3对任务的理解和拆解程度远比我想象中更精准。它的突出特点是多模态能力，所以它在多数长文本理解的场景需求下，表现得比之前模型更稳。

这样单看K3，的确表现优异。

· · ·

正面硬刚Fable 5

那如果把它拉出来跟Fable 5正面打一场呢？

同一个任务扔给两边，一起跑。从画面观感来看，两者差距其实不算大，只是精致度上略有区别：Fable 5的河流会更弯曲一点，建筑的坐标也更贴近现实。

但看看价格，差距就出来了：Fable 5花了近38美金，K3只花了约16美金，中间差出一倍多。换句话说，用户花一半的钱，就拿到了一份画面几乎打平的成品。

在企业规模化调用AI的场景下，一倍的价差直接决定了成本结构。K3说是性价比之王，我觉得一点都不过分。

能做到这样的效果，K3真是当之无愧的性价比之王，也难怪会被那么多顶级大厂忌惮了。

· · ·

中国Token出海正在落实

现在K3因为太火，会员服务已经被迫暂停。但短短几天里，它已经用实打实的数据和成果证明了一件事：

能做出世界级模型的，从来不只有硅谷。中国Token出海这件事，正在被一步步落实。

这也让我更确信：对中国公司来说，眼下就是切进AI Native的最好窗口期。过去挡在企业面前的，说穿了就是成本这一关。现在国产模型能打、单价又低，性价比高，AI Native 已经不是大厂才玩得起的游戏了。

这几年我们自己踩坑、跑通的那些路径，也沉淀成了一套可复制的方法。

7月24号，我会在北京做一场线下分享，把这些经验掰开揉碎讲一遍，帮更多企业找到自己那条AI Native的推进节奏。

感兴趣的朋友，点击阅读原文了解详情。

阅读原文

跳转微信打开

中国Token出海不是自嗨

中国Token出海，已经成气候了。

以前我在国内讲这句话，大家半信半疑，总觉得是自嗨。这次我在硅谷讲，我发现硅谷的人比我们还着急。

这是我这趟出来最大的收获。

· · ·

我在硅谷，闻到了一丝分歧

这次我来硅谷，参加了很多创业者的活动，感觉硅谷依然是这么火热，对AI的热情丝毫不减。

但这次我在这个热情里面，察觉出了一点不一样的东西。

开始出现分歧了。

这个分歧很微妙——不是争论AI能不能改变世界，这个已经没有异议了。越来越多的人开始问一个问题：美国的AI，是不是唯一的答案？

由于中国开源模型的崛起，硅谷的创业者也好、大厂的人也好，心里都多了一丝疑虑，甚至说恐慌。

你别觉得我夸张，最近美股资本市场的动静你也能感觉到，AI相关的科技股情绪有点退烧了。华尔街给出的理由是担心AI投入能不能收到回报，但跟投资人面对面坐下来你会发现，他们怀疑的不是 AI 本身，他们怀疑的是——美国现在的这套模式还能不能持续？

为了印证这种感觉，我专门找了不同的人聊，有大厂的，有创业的。一圈聊下来，两个信号，一个比一个真。

· · ·

硅谷的创业者在切中国模型

先说创业公司。

我们在国内老讲中国Token出海，出海到底对美国这边影响大不大？这次我得到了一个惊人的答案：硅谷的Startup，正在大规模使用中国的开源模型。原因简单到粗暴：便宜又好用。

智谱的GLM 5.2上个月发布，SWE-bench编程测试干到了62.1分，超过了 GPT-5.5。

前几天月之暗面发布的Kimi K3，2.8 万亿参数，是目前全球最大的开源权重模型，前端编程榜单直接冲到第一，直接引发了非常大的震动。

Business Insider 写了个报道，原话是"中国的Kimi K3让硅谷在颤抖"。

创业者是整个生态里对成本最敏感的一群人，这帮人已经在用脚投票了。

更夸张的是，硅谷甚至冒出了这样一家公司。一成立就拿了几千万美元融资，商业模式很简单：把中国的开源模型部署在服务器上，给美国的大公司提供企业级解决方案。

这种公司在硅谷拿到几千万美元的投资，一个多月前几乎不可想象。

· · ·

连Anthropic 都慌了

第二个信号，来自 Anthropic。

创业公司切换快，这不奇怪。但当连头部模型公司自己都开始动作变形，分量就完全不一样了。

跟一些朋友聊，他们透露了一个私下流传的判断：Anthropic 6月份的月度收入增长，出现了放缓的迹象。这是个小道消息，但你去看他们最近的动作，会发现很多迹象是吻合的。

Fable 5发布后，一开始说所有付费订阅用户限时试用一周，后来延长到两周。

再后来直接宣布：永久可用，所有订阅用户都享有一半的Fable 5额度。一周变两周，两周变永久，这个节奏本身就是在抢用户。

深层的原因，一定是感受到了压力。压力当然一半来自GPT 5.5、5.6的步步紧逼。

但还有很重要的一半，来自中国模型一路赶上来。

这不是我瞎猜，我找了一家美国头部出行平台的人聊。他们告诉我，6月份公司的 Token使用费用下来了。用量还在涨，降的是单价。一方面是内部开始做规划管理，不再随便烧钱；另一方面，一部分初级任务已经开始切换到了中国的GLM和Kimi这样的模型。

不只这一家。据Financial Times的报道，DoorDash、Airbnb、西门子这些公司，已经在把后台批量任务往DeepSeek和阿里的Qwen上迁移了。已经是实打实的生产环境切换。

· · ·

中国模型从"替代品"到"首选"

所以你看，创业公司在切、大厂在切、连Anthropic都在调整策略。三件事叠在一起，指向同一个结论：中国Token出海不是我们自嗨，是真实在发生的事。

以前大家觉得中国模型只是便宜。现在它不仅便宜，性能也非常不错。GLM 5.2的编程能力已经逼近 Claude Opus 4.8，Kimi K3在多个榜单上能跟最顶尖的模型正面打。

我打一个不一定完全准确的比方：做一家公司，你不能把所有岗位都招博士吧？成本扛不住。你需要本科生，甚至专科生，在某些岗位上他们的产出完全不比博士差。今天中国模型大概就处在这个位置：以前它是便宜的"替代品"，现在它是高性价比的"首选"。

这对所有人都是好事。AI这个行业，只有竞争才能进步。

我老往硅谷跑，我是真的想学、想看看他们在做什么。但现在这个态势，让我很振奋：硅谷的人在认真讨论中国模型，在用它、买它、甚至为它成立公司。这是我这趟来硅谷最大的收获。

· · ·

建设AI Native组织的最佳时机

也是因为看到了这个趋势，我更加坚信一件事：每一家公司，尤其是中国公司，现在都是建设AI Native组织的最佳时机。

以前最大的障碍是什么？贵。顶级的海外模型效果好，但账单拉出来你真的会犹豫。现在中国模型的能力上来了，成本下去了，性价比到了一个拐点。我们自己在公司内部也是这样做的——客服、行政、研发，全线在接国产模型，效果不差，做AI Native转型成本可控。

AI Native不是大厂的专利。过去几年我们踩过的坑、摸出来的路，我们整理成了一套方法论。

7月24号，我会在北京专门做一次线下的分享，把这些经验系统地讲一遍，把真实趟过的路摊开来，帮更多企业找到自己的AI Native节奏，把效率提上来，成本降下来，让你的公司在下一轮竞争里更有底气。

感兴趣的朋友欢迎点击阅读原文了解更多。

阅读原文

跳转微信打开

刚在现场看完世界杯决赛，说实话挺伤心的。我专门来看这场比赛，多么希望世界就是一个童话，他们真的拿了冠军，一切就像我们想象的那么美好。最后那个球进的时候，我心里是非常非常难受的。

我倒不是说一定要阿根廷赢。我喜欢足球，就是因为有像梅西这样的英雄，真真实实地生活在我们的现实世界里。他能够20年这样陪伴我们，能够在30多岁的时候带队拿下世界杯冠军，到快40岁的时候，离冠军只差一步之遥。

但这次，西班牙实力就是很强，年轻人就在崛起。好像阿根廷前面一脚打门都没有。梅西很想使劲，但他整个团队开始英雄迟暮了，这就是现实。

情绪平复以后我在想，也许没拿到这个冠军，反而让我们觉得这个英雄更真实。他并不是我们臆想出来的，也不是别人家的故事。这个英雄既可以很辉煌、可以创造奇迹，但他也会失败，也会有迟暮的感觉。

正是因为不完美，他才更真实，更让我们觉得英雄的可贵。

如果一个英雄必须完美才是英雄，那我们也不可能把他真正当成目标，当成热爱。正是因为他不完美，他会失败，他会迟暮，我们才觉得这是和我们一样真实的人。那么我们也可以在自己的世界里去努力，不用怕失败，不用怕迟暮，不用怕一步之遥。

这就是足球最值得热爱的地方。

当然我也知道，有些人别的干啥啥不行，评论起别人的时候特别溜。你喜欢C也好D也好，但你不需要去贬低梅西。我看了很多上窜下跳的小丑，真的是在贬低梅西。说实话，你有什么资格？你做出了什么样的成绩？你真正为你的人生创造过什么？就去贬低别人？

高尔基有句名言：鹰有时飞得会比鸡低，鸡永远不会飞到鹰那么高。

那些不懂得珍惜现实世界中英雄的人，看到一些瑕疵就觉得自己多么多么有眼光的人，永远不会理解一个可以有英雄、又不那么完美的真实世界。

就像那句著名的话：世界上只有一种真正的英雄主义，就是当我们知道这个世界并不完美时，还依然热爱。

跳转微信打开

昨天看完阿根廷和英格兰的比赛，心情真是久久难以平静啊。

我之前说过，梅西和阿根廷的存在，就是让我们觉得这个世界上美好的事情总会发生，让我们觉得世界还真的会有童话，会有英雄。

今天，这种感觉更加强烈了。

在现场看球最大的不同，是你能感受到场上队员的状态。

下半场刚开打，即便阿根廷落后，我就跟身边人说：阿根廷一定能进球。因为我能感觉到每一个阿根廷队员身上散发出的那种对胜利的渴望、那种团结、那种不计一切的拼劲。

这种感觉非常奇妙，现场体会到的跟隔着屏幕完全不一样。

我喜欢阿根廷，喜欢梅西，并不仅仅是因为梅西是所谓的明星，也不仅仅是因为阿根廷拿过冠军。

我喜欢的，是阿根廷展现出的那种精神。

今天的阿根廷队，不一定是技术最强的，也不一定是实力最强的，身价上也不是最高的。但我想说，这届阿根廷队，一定是最团结的、最坚韧的、最有胜利欲望的。

无论在什么样的情况下，哪怕是绝境了，他们依然在认认真真踢好每一个球，那种斗志、那种求胜欲从头到尾都没松过。每一个队员为了团队都在奉献自己，该传就传，该射就敢射。

不像有的球队，个人名气很大，但踢球只是为了个人再去创造更大的名气。

尤其是梅西。

这个年纪了，依然扛着带领整个团队的重任。即便到了八九十分钟，还在奋力拼抢，还能传出致命威胁的球。

你说这样的阿根廷，这样的梅西，怎能让人不爱？

我觉得我们为什么喜欢足球？

并不是每个人都可以成为足球场上的英雄，而是通过喜欢足球，去知道英雄是真的存在，我们的努力是真的有意义。

我们虽然不在足球场上，但在各个场合，都有可能成为我们自己的英雄。

跳转微信打开