值得一读的想法
关于人工智能与产品实践的短文。
AI 转型最后要服务客户
为 AI 而追求 AI 影响，旅程太弱。无论 B2B 或 B2C，营运者都该把每道流程与文化变革，锚定在更好、更快的客户体验上。
阅读全文
为什么董事会想要 AI，现场节奏却对不上
许多高管与董事自认尚不足以治理 AI。断层来自董事会组成、从提问到预算与人才的时差——有时则是营运端已自行往前冲。
阅读全文
AI 优先组织的三根支柱
Box 自身的「Box on Box」转型指出：别只盯个人效率——用 AI 重设企业流程、给 agent 干净且受权限治理的数据，并带齐每一个人，而不是丢给夜晚与周末自学。
阅读全文
企业自称 AI「先进」时，到底在量什么？
Box AI 报告中，自评为先进的企业从 8% 跳到 64%。这反映问题已从「该不该做」变成「怎么做」——真正进阶的公司量的是影响，而不只是把工具发出去。
阅读全文
大模型现在到底在比什么？
根据月之暗面在英伟达 GTC 的演讲，以及 Kimi K2.5 技术报告，用通俗说法说明：大模型竞争已不只是堆规模。
阅读全文
从「会聊天」到「真能办事」
用日常语言说明：Kimi K2.5 技术报告与 GTC 演讲，如何指向多模态能力与智能体协作，让 AI 更接近「真能办事」。
阅读全文
先做一辆 AI「领跑车」流程
未来 90 到 180 天，选一个让人兴奋的流程与愿意做成的团队——别用银河级战略一次重写所有事。早期胜利定调；煮干大海只会卡住。
阅读全文
企业 AI 为何正转向开源模型
依据 Glean 创办人 Arvind Jain 在 20VC 的访谈，用通俗说法说明：推动企业转向开源的，是成本与「够用」的能力，不是当年那种数据恐慌。
阅读全文
别用 AI「取代自己」
依据 Glean 创办人 Arvind Jain 在 20VC 的访谈：「用 AI 取代自己」是错目标。工具人人一样时，胜者会抬高门槛；强公司更可能变大，而不是空洞裁员。
阅读全文
大模型的「事实」主要存在哪里？
注意力让 token 互相谈话；前馈网络做许多深加工——并保存相当一部分事实知识；残差与归一化则让极深网络训得动。
阅读全文
同一个骨架，GPT、Claude、LLaMA 差在哪？
下一词预测、解码参数、后训练，以及逐渐收敛的现代 Transformer 技术栈——熟悉的模型名字，真正差在哪。
阅读全文
大模型为什么连 strawberry 里有几个 R 都会数错？
模型并不像人一样逐字母阅读。它看到的是 token 编号——这个设计取舍，解释了经典的「数字母」失误。
阅读全文
注意力机制到底在算什么？
用通俗说法说明 Query、Key、Value、因果掩码、多头注意力、归纳头，以及长提示词为何昂贵。
阅读全文
大模型到底能记住多少？
ICML 2026 一项研究为 GPT 式模型标出容量量级：BF16 下约每参数 3.6 比特——并说明为何不能当成硬盘容量。
阅读全文
模型参数不是硬盘
依据 ICML 2026 记忆容量研究：权重同时混着样本细节、通用规律与训练痕迹；过了相变点，死记会让位给泛化。
阅读全文
机器人流量已经超过人类：这意味着什么？
依据 Cloudflare CEO Matthew Prince 的公开对谈：2026 年上半年，自动化流量已超过人类流量；并说明这个时间点为何一再提前。
阅读全文
为什么 AI 帮你选相机，会让网站被访问五千次？
依据 Cloudflare CEO Matthew Prince：真正把流量曲线拉陡的，不是传统爬虫，而是为了给完整答案而大规模遍历网站的 AI 智能体。
阅读全文
机器人不会点广告：互联网商业模式为何必须重写？
Matthew Prince 的直白约束：若机器主导流量，近三十年靠广告养活免费内容的逻辑就会从底层松动；按次抓取付费，是他提出的破局方向之一。
阅读全文
Agent 来了，软件界面会消失吗？
依据 a16z「无头软件」对谈，用通俗说法说明：当 Agent 也成为使用者，界面不再是进入产品的唯一入口。
阅读全文
为什么像 SAP 这样的系统还死不了
依据 a16z 关于无头软件的对谈：企业软件的粘性藏在定制化业务逻辑，不在漂亮画面；Agent 也不会一夜之间把它抹平。
阅读全文
Agent 越能干，你越容易放松警惕
依据 DeepMind 播客中 Nenad Tomasev 的说法：任务越复杂，智能体失败率越高；「信任要赢来」并不代表可以省略核对。
阅读全文
网页也能「骗」你的智能体
依据 DeepMind 播客中 Nenad Tomasev 的说法：开放互联网就是智能体的环境——隐藏指令、动态伪装，以及为何需要纵深防御。
阅读全文
当一百万个 Agent 想法都差不多
依据 DeepMind 播客中 Nenad Tomasev 的说法：同源模型造成认知单一文化——决策相关、故障相关，以及新的串通风险。
阅读全文
中端模型为何突然能「做智能体」？
根据 Anthropic 发布 Claude Sonnet 5 的公开说明，用通俗说法解释：旗舰级智能体能力，正在下沉到中端价位。
阅读全文
「努力程度」比模型名字更重要
Anthropic 在 Sonnet 5 公告中公布的成本—性能曲线说明：与其只在旗舰与中端之间选边，不如学会按任务调努力程度。
阅读全文
为什么更强的模型，往往也更「守规矩」？
Anthropic 关于 Sonnet 5 的安全说明提示一个有用的分拆：中端模型在日常智能体场景可以更安全，但高风险网安技能与旗舰仍有巨大差距。
阅读全文
「智能成本趋近于零」为什么说不通？
依据李飞飞与 David Rogier 在《硅谷女孩》的对谈：当下热议的多半是语言智能；把「智能成本趋近于零」说成定论，并不负责任。
阅读全文
十年后，更值钱的两类工作者
依据李飞飞与 David Rogier：未来职场或呈「杠铃」结构——顶尖专家与高主动性通才；中等水平的手艺最容易被 AI 抹平。
阅读全文
AI 会改写辅导成本，不该改写教育目标
依据李飞飞与 David Rogier：AI 让一对一辅导成本骤降；学校真正该守住的，仍是培养人，而不是陷入禁 AI、防作弊的二元对立。
阅读全文
AI 正变成公用事业，但用户买的不是「智能」
依据萨姆·奥特曼在斯坦福的圆桌对话：早期电力卖的是夜间照明，不是「电」本身。AI 终将像水电一样成为基础设施——前提是找到普通人一听就懂的价值承诺。
阅读全文
企业 AI 落地的瓶颈，早就不是技术了
波士顿咨询集团《AI at Work》近 1.2 万人调研指出：真正卡住企业的，不再是大模型与工具，而是战略、组织与人。
阅读全文
战略比工具更重要：为什么方向差了二十个百分点
BCG《AI at Work》数据：有清晰战略、工具有限，也比工具齐全却没方向更能拿到可衡量成果；蜜月期的新鲜感撑不久。
阅读全文
AI 的「喜悦悖论」：更满意，也更累
BCG《AI at Work》发现：工作满意度上升与认知负荷上升同时发生；创造最多商业价值的企业，往往也是员工体验最好的地方。
阅读全文
AI 省下的时间，为什么没有变成企业价值
BCG 发现许多一线 AI 用户每周能省出接近一个工作日，但多数人几乎没拿到指引——效率提升很容易在组织里白白流失。
阅读全文
人人都听说过 AI Agent，但治理还没准备好
BCG《AI at Work》：Agent 认知与工作流整合上升很快，但人机协作规则与责任归属仍明显落后。
阅读全文
AI 的价值在「集体」，不在「私人秘书」
依据 Michael I. Jordan 在 Machine Learning Street Talk 的访谈：当下 AI 聚合数十亿人的输入，本应服务数十亿人的需求。追逐全程陪侍的私人秘书，反而错过更大的经济问题。
阅读全文
会写流畅文字，不代表离通用智能只差一步
依据 Michael I. Jordan 在 Machine Learning Street Talk 的访谈：「第一步谬误」把今日出色的演示，误当成通用智能近在眼前。流畅的输入输出映射，还不是系统级思考。
阅读全文
AI 真的「理解」世界吗？还是只会模仿？
用日常语言谈 AGI 时间表背后的硬问题：若今天的系统只是在复制数据里的模式，单靠把模型做大，未必会带来真正的理解。
阅读全文
强化学习最接近真正智能，差的是什么？
在各类 AI 范式中，强化学习最接近「透过互动学习」；但 Sutton 与 Rafiee 指出，仍有三个关键落差，使它尚未等同生成认知。
阅读全文
AI 暗产出：为什么 AI 改变了一切，却在 GDP 里看不见？
科技头条都在说 AI 正在改变世界，官方生产力却几乎不动。就像索洛的电脑悖论——AI 创造的真实价值，可能永远进不了传统 GDP。
阅读全文
新增型暗产出：那些以前根本不会做、现在天天在做的工作
文献综述从约两千美元降到约两美元时，我们不会只做同样数量的工作——我们会做多得多。这些价值除了 token 账单，几乎不留痕迹。
阅读全文
AI 不是突然变聪明，而是终于够可靠
依据 OpenAI 后训练负责人扬·杜布瓦公开分享的科普解读：外界感受到的「一夜变强」，更像是可靠性跨过可用门槛，而不是智力曲线突然断裂。
阅读全文
为什么这一代更强调「快一倍」，而不是刷分
依据扬·杜布瓦对 GPT 世代进度的公开说法：最值得自豪的产品成果，可能是整条延迟—性能曲线左移，而不是某一项炫技分数。
阅读全文
AI 技术债为什么会复合增长
依据 Anthropic《创始人手册》：一般技术债慢慢累积；没有共享设计模型时，AI 生成的债务会漂移——常常要等真实用户涌入才爆。
阅读全文
Agent 的钱，其实花在「读上下文」而不是「写答案」
2026 年多机构研究显示：Agentic Coding 的成本由输入 Token 主导——平均每写出 1 个输出 Token，就要处理约 154 个输入 Token。
阅读全文
同一题跑两次，账单可以差三十倍
在 SWE-bench Verified 的 Agent 实验中，Token 消耗不仅任务之间差距巨大，连同一任务重复运行也可能差数倍到数十倍。
阅读全文
模型省不省钱，看行为习惯，不看题目难不难
在同一套 OpenHands 与 SWE-bench Verified 设定下，前沿模型之间的 Token 效率差距极大；即便筛成「全对」或「全错」子集，消耗排名仍几乎不变。
阅读全文
人类觉得难不难，预测不了 Agent 要花多少钱
人类依解题时间标的难度，与 Agent 实际 Token 消耗几乎弱相关；前沿模型对自身消耗的自预测也系统性低估，尤其是输入 Token。
阅读全文
大模型心里在想什么，终于能「读成字」了
Anthropic 的自然语言自编码器（NLA）把高维激活直接译成可读文字，无需标注，让可解释性更像「阅读」而非解码特征清单。
阅读全文
模型嘴上不说、心里知道：评估意识能被查出来吗？
未言说的评估意识是安全审计的核心痛点。Anthropic 的 NLA 能从激活中捕捉它，而不只依赖模型在文字里承认什么。
阅读全文
押韵还没写完，第二行已经想好了
Anthropic NLA 的诗歌案例：模型会提前规划押韵；改写解释还能因果性地改变接下来的输出。
阅读全文