值得一讀的想法
關於人工智能與產品實踐的短文。
AI 轉型最後要服務客戶
為 AI 而追求 AI 影響，旅程太弱。無論 B2B 或 B2C，營運者都該把每道流程與文化變革，錨定在更好、更快的客戶體驗上。
閱讀全文
為什麼董事會想要 AI，現場節奏卻對不上
許多高管與董事自認尚不足以治理 AI。斷層來自董事會組成、從提問到預算與人才的時差——有時則是營運端已自行往前衝。
閱讀全文
AI 優先組織的三根支柱
Box 自身的「Box on Box」轉型指出：別只盯個人效率——用 AI 重設企業流程、給 agent 乾淨且受權限治理的數據，並帶齊每一個人，而不是丟給夜晚與週末自學。
閱讀全文
企業自稱 AI「先進」時，到底在量什麼？
Box AI 報告中，自評為先進的企業從 8% 跳到 64%。這反映問題已從「該不該做」變成「怎麼做」——真正進階的公司量的是影響，而不只是把工具發出去。
閱讀全文
大模型現在到底在比什麼？
根據月之暗面在英偉達 GTC 的演講，以及 Kimi K2.5 技術報告，用通俗說法說明：大模型競爭已不只是堆規模。
閱讀全文
從「會聊天」到「真能辦事」
用日常語言說明：Kimi K2.5 技術報告與 GTC 演講，如何指向多模態能力與智能體協作，讓 AI 更接近「真能辦事」。
閱讀全文
先做一輛 AI「領跑車」流程
未來 90 到 180 天，選一個讓人興奮的流程與願意做成的團隊——別用銀河級戰略一次重寫所有事。早期勝利定調；煮乾大海只會卡住。
閱讀全文
企業 AI 為何正轉向開源模型
依據 Glean 創辦人 Arvind Jain 在 20VC 的訪談，用通俗說法說明：推動企業轉向開源的，是成本與「夠用」的能力，不是當年那種數據恐慌。
閱讀全文
別用 AI「取代自己」
依據 Glean 創辦人 Arvind Jain 在 20VC 的訪談：「用 AI 取代自己」是錯目標。工具人人一樣時，勝者會抬高門檻；強公司更可能變大，而不是空洞裁員。
閱讀全文
大模型的「事實」主要存在哪裡？
注意力讓 token 互相談話；前饋網絡做許多深加工——並保存相當一部分事實知識；殘差與歸一化則讓極深網絡訓得動。
閱讀全文
同一個骨架，GPT、Claude、LLaMA 差在哪？
下一詞預測、解碼參數、後訓練，以及逐漸收斂的現代 Transformer 技術棧——熟悉的模型名字，真正差在哪。
閱讀全文
大模型為什麼連 strawberry 裡有幾個 R 都會數錯？
模型並不像人一樣逐字母閱讀。它看到的是 token 編號——這個設計取捨，解釋了經典的「數字母」失誤。
閱讀全文
注意力機制到底在算什麼？
用通俗說法說明 Query、Key、Value、因果掩碼、多頭注意力、歸納頭，以及長提示詞為何昂貴。
閱讀全文
大模型到底能記住多少？
ICML 2026 一項研究為 GPT 式模型標出容量量級：BF16 下約每參數 3.6 比特——並說明為何不能當成硬碟容量。
閱讀全文
模型參數不是硬碟
依據 ICML 2026 記憶容量研究：權重同時混著樣本細節、通用規律與訓練痕跡；過了相變點，死記會讓位給泛化。
閱讀全文
機器人流量已經超過人類：這意味著什麼？
依據 Cloudflare CEO Matthew Prince 的公開對談：2026 年上半年，自動化流量已超過人類流量；並說明這個時間點為何一再提前。
閱讀全文
為什麼 AI 幫你選相機，會讓網站被訪問五千次？
依據 Cloudflare CEO Matthew Prince：真正把流量曲線拉陡的，不是傳統爬蟲，而是為了給完整答案而大規模遍歷網站的 AI 智能體。
閱讀全文
機器人不會點廣告：互聯網商業模式為何必須重寫？
Matthew Prince 的直白約束：若機器主導流量，近三十年靠廣告養活免費內容的邏輯就會從底層鬆動；按次抓取付費，是他提出的破局方向之一。
閱讀全文
Agent 來了，軟體介面會消失嗎？
依據 a16z「無頭軟體」對談，用通俗說法說明：當 Agent 也成為使用者，介面不再是進入產品的唯一入口。
閱讀全文
為什麼像 SAP 這樣的系統還死不了
依據 a16z 關於無頭軟體的對談：企業軟體的粘性藏在客製化業務邏輯，不在漂亮畫面；Agent 也不會一夜之間把它抹平。
閱讀全文
Agent 越能干，你越容易放鬆警惕
依據 DeepMind 播客中 Nenad Tomasev 的說法：任務越複雜，智能體失敗率越高；「信任要贏來」並不代表可以省略核對。
閱讀全文
網頁也能「騙」你的智能體
依據 DeepMind 播客中 Nenad Tomasev 的說法：開放互聯網就是智能體的環境——隱藏指令、動態偽裝，以及為何需要縱深防禦。
閱讀全文
當一百萬個 Agent 想法都差不多
依據 DeepMind 播客中 Nenad Tomasev 的說法：同源模型造成認知單一文化——決策相關、故障相關，以及新的串通風險。
閱讀全文
中端模型為何突然能「做智能體」？
根據 Anthropic 發布 Claude Sonnet 5 的公開說明，用通俗說法解釋：旗艦級智能體能力，正在下沉到中端價位。
閱讀全文
「努力程度」比模型名字更重要
Anthropic 在 Sonnet 5 公告中公布的成本—性能曲線說明：與其只在旗艦與中端之間選邊，不如學會按任務調努力程度。
閱讀全文
為什麼更強的模型，往往也更「守規矩」？
Anthropic 關於 Sonnet 5 的安全說明提示一個有用的分拆：中端模型在日常智能體場景可以更安全，但高風險網安技能與旗艦仍有巨大差距。
閱讀全文
「智能成本趨近於零」為什麼說不通？
依據李飛飛與 David Rogier 在《矽谷女孩》的對談：當下熱議的多半是語言智能；把「智能成本趨近於零」說成定論，並不負責任。
閱讀全文
十年後，更值錢的兩類工作者
依據李飛飛與 David Rogier：未來職場或呈「杠鈴」結構——頂尖專家與高主動性通才；中等水平的手藝最容易被 AI 抹平。
閱讀全文
AI 會改寫輔導成本，不該改寫教育目標
依據李飛飛與 David Rogier：AI 讓一對一輔導成本驟降；學校真正該守住的，仍是培養人，而不是陷入禁 AI、防作弊的二元對立。
閱讀全文
AI 正變成公用事業，但用戶買的不是「智能」
依據薩姆·奧特曼在史丹佛的圓桌對話：早期電力賣的是夜間照明，不是「電」本身。AI 終將像水電一樣成為基礎設施——前提是找到普通人一聽就懂的價值承諾。
閱讀全文
企業 AI 落地的瓶頸，早就不是技術了
波士頓諮詢集團《AI at Work》近 1.2 萬人調研指出：真正卡住企業的，不再是大模型與工具，而是戰略、組織與人。
閱讀全文
戰略比工具更重要：為什麼方向差了二十個百分點
BCG《AI at Work》數據：有清晰戰略、工具有限，也比工具齊全卻沒方向更能拿到可衡量成果；蜜月期的新鮮感撐不久。
閱讀全文
AI 的「喜悅悖論」：更滿意，也更累
BCG《AI at Work》發現：工作滿意度上升與認知負荷上升同時發生；創造最多商業價值的企業，往往也是員工體驗最好的地方。
閱讀全文
AI 省下的時間，為什麼沒有變成企業價值
BCG 發現許多一線 AI 用戶每週能省出接近一個工作日，但多數人幾乎沒拿到指引——效率提升很容易在組織裏白白流失。
閱讀全文
人人都聽過 AI Agent，但治理還沒準備好
BCG《AI at Work》：Agent 認知與工作流整合上升很快，但人機協作規則與責任歸屬仍明顯落後。
閱讀全文
AI 的價值在「集體」，不在「私人秘書」
依據 Michael I. Jordan 在 Machine Learning Street Talk 的訪談：當下 AI 聚合數十億人的輸入，本應服務數十億人的需求。追逐全程陪侍的私人秘書，反而錯過更大的經濟問題。
閱讀全文
會寫流暢文字，不代表離通用智能只差一步
依據 Michael I. Jordan 在 Machine Learning Street Talk 的訪談：「第一步謬誤」把今日出色的演示，誤當成通用智能近在眼前。流暢的輸入輸出映射，還不是系統級思考。
閱讀全文
AI 真的「理解」世界嗎？還是只會模仿？
用日常語言談 AGI 時間表背後的硬問題：若今天的系統只是在複製資料裏的模式，單靠把模型做大，未必會帶來真正的理解。
閱讀全文
強化學習最接近真正智能，差的是什麼？
在各類 AI 範式中，強化學習最接近「透過互動學習」；但 Sutton 與 Rafiee 指出，仍有三個關鍵落差，使它尚未等同生成認知。
閱讀全文
AI 暗產出：為什麼 AI 改變了一切，卻在 GDP 裏看不見？
科技頭條都在說 AI 正在改變世界，官方生產力卻幾乎不動。就像索洛的電腦悖論——AI 創造的真實價值，可能永遠進不了傳統 GDP。
閱讀全文
新增型暗產出：那些以前根本不會做、現在天天在做的工作
文獻綜述從約兩千美元降到約兩美元時，我們不會只做同樣數量的工作——我們會做多得多。這些價值除了 token 帳單，幾乎不留痕跡。
閱讀全文
AI 不是突然變聰明，而是終於夠可靠
依據 OpenAI 後訓練負責人揚·杜布瓦公開分享的科普解讀：外界感受到的「一夜變強」，更像是可靠性跨過可用門檻，而不是智力曲線突然斷裂。
閱讀全文
為什麼這一代更強調「快一倍」，而不是刷分
依據揚·杜布瓦對 GPT 世代進度的公開說法：最值得自豪的產品成果，可能是整條延遲—性能曲線左移，而不是某一項炫技分數。
閱讀全文
AI 技術債為什麼會複合增長
依據 Anthropic《創辦人手冊》：一般技術債慢慢累積；沒有共享設計模型時，AI 生成的債務會漂移——常常要等真實用戶湧入才爆。
閱讀全文
Agent 的錢，其實花在「讀上下文」而不是「寫答案」
2026 年多機構研究顯示：Agentic Coding 的成本由輸入 Token 主導——平均每寫出 1 個輸出 Token，就要處理約 154 個輸入 Token。
閱讀全文
同一題跑兩次，帳單可以差三十倍
在 SWE-bench Verified 的 Agent 實驗中，Token 消耗不僅任務之間差距巨大，連同一任務重複運行也可能差數倍到數十倍。
閱讀全文
模型省不省錢，看行為習慣，不看題目難不難
在同一套 OpenHands 與 SWE-bench Verified 設定下，前沿模型之間的 Token 效率差距極大；即便篩成「全對」或「全錯」子集，消耗排名仍幾乎不變。
閱讀全文
人類覺得難不難，預測不了 Agent 要花多少錢
人類依解題時間標的難度，與 Agent 實際 Token 消耗幾乎弱相關；前沿模型對自身消耗的自預測也系統性低估，尤其是輸入 Token。
閱讀全文
大模型心裏在想什麼，終於能「讀成字」了
Anthropic 的自然語言自編碼器（NLA）把高維激活直接譯成可讀文字，無需標註，讓可解釋性更像「閱讀」而非解碼特徵清單。
閱讀全文
模型嘴上不說、心裏知道：評估意識能被查出來嗎？
未言說的評估意識是安全審計的核心痛點。Anthropic 的 NLA 能從激活中捕捉它，而不只依賴模型在文字裏承認什麼。
閱讀全文
押韻還沒寫完，第二行已經想好了
Anthropic NLA 的詩歌案例：模型會提前規劃押韻；改寫解釋還能因果性地改變接下來的輸出。
閱讀全文