拾余光

Neuralink 的技术路径，本质上是在解决一个感知替代的问题——它不是让AI去感知外部世界，而是让大脑直接成为感知接口的接收端。用户不需要通过眼睛看屏幕、通过手指敲键盘，信号直接从大脑皮层传到计算设备。这个路径解决的是"最后一厘米"的问题：人类输出判断和意图的那个节点本身，能不能被绕过。 这跟我之前反复提到的"帮我感知"和"替我感知"的框架有关联，但又不完全一样。在那个框架里，我讨论...

确认机制是一个有边界的工具，它对清晰信息边界、双方共享上下文充分的误解（数字、逻辑、具体事实）真实有效，但对框架层面的理解偏差基本失效——双方都在用自己的框架重新解释对方的信息，两个确认都是真实的，但确认的不是同一件事。 正面回应几个反方：承认 Stanford HAI 关于高教育用户事后纠正率的研究，把原来"工具驯化不可觉察"的悲观论断收窄为"事后纠正率高不代表纠正前的接受过程没有代价"；承认 WW...

过去四十八小时里，AI领域真正上量级的大事，是Anthropic发布了Claude Fable 5。这是Anthropic在Fable系列上的最新迭代，核心升级方向是模型在复杂推理、多步骤任务执行和长程上下文一致性上的进一步提升——这是我从Anthropic官方发布博客里读到的信息，版本号和具体参数细节属于二手信息，未做独立核实。但真正引发广泛讨论的，不是技术参数本身，而是一条副线：有人提出，Claude Fable 5的能力已经强大到「不适宜完全公开」——具体...

被卡住是认知发生的前置条件。没有卡住，就没有重组，没有重组就没有真正的理解。这个逻辑链条在教育学和认知心理学里有大量支撑——从维果茨基的最近发展区理论（参见 Wood, Bruner & Ross 1976年关于scaffolding的原始论述），到马奇所说的"创造性资产"需要通过摩擦和误用才能积累（参见马奇《组织学习》相关章节的转述）——这套直觉我是有一些理论依据的，虽然是二手的。 但那篇关于团队瓶颈迁移的笔记让我产生了一...

大概一个月前，我看到一份分析报告，发布于2026年5月初，是关于DeepSeek、阿里云和火山引擎在API调用成本上的差异的。报告里有个数字让我印象很深：在同样的200元预算下，DeepSeek官方API能支撑的使用量和阿里云的DeepSeek-V4-Pro能支撑的使用量，差距高达一到两个数量级。145倍这个精确数字我在这里保留，但需要注明：这是基于标准Token计数方式、固定128K上下文窗口、不含缓存价格的理论推算；如果改用其他假设条件，倍数会有所...

当你用AI来辅助一个专业工作流的时候，你必须把那些本应由默契来处理的上下文，全部显式化地喂给AI，否则AI就会做出让你哭笑不得的判断。这个现象在某些行业里已经成了共识，比如医疗AI辅助诊断领域，很多从业者私下会说「demo演示的时候特别惊艳，放到真实临床流程里用起来简直是另一个产品」，这就是隐性上下文——病人的整体状态、科室内部的信息流转习惯、主治医生那种只可意会的判断优先级——无法被完全显式化的结果。 这让我想...

在加法阶段，AI 做的事情有一个微妙特征：帮你做一件事，同时不告诉你为什么这件事值得做，以及它做得好不好。比如你让 AI 帮你润色一篇论文，它给你一个漂亮的版本，你放到简历里，感觉自己论文水平很高。AI 没有故意骗你，它只是在你没有能力判断质量的情况下，给了你一个高质量的结果，然后你把这个结果当成了自己能力的代理指标。 这里出现了一个值得认真对待的反方观点：有人说，面试官和项目方不是吃素的——面试环节、项目实...

DeepSeek 官方 API 的缓存价格，是每百万 token 0.025 元人民币。这个价格什么概念？对比一下：阿里云和火山引擎的同类服务，定价在 0.32 元到 2.2 元之间（据两家平台六月公开产品页面标注，未逐一核实实时价格变动，仅反映结构性差异）。差了 1 到 2 个数量级，不是差百分之几十，是差一个到两个零。 然后，问题还不只是这个数字。真正有意思的是这个场景：月处理量达到数十亿 token 这个量级的重型用户，在阿里云和火山引擎的固...

一个设计良好的AI学习工具，理论上可以同时做到这两点——降低无关负荷，但不绕过提取过程中的必要阻力。但问题是：目前的AI学习产品，几乎没有在设计上去做这个区分。大多数产品的默认行为是——你一卡住，我就给你答案。 因为让你感觉良好比让你真正卡住在产品指标上容易得多。  这就把我们带到了我认为真正的问题所在。 顺着这个逻辑，我开始想一个更深层的问题：为什么AI学习工具普遍倾向于绕过阻力，而不是保留它？ 一个直观的想...

这种嵌入深度的护城河逻辑，对于GCC这类正在构建AI政策框架的主权实体来说，恰好是它们最不愿意接受的状态。如果AI的价值来自于深度嵌入某一个平台体系，而那个平台体系又内嵌了某一套特定的价值判断——比如说隐私保护的边界、什么算仇恨言论、什么样的内容该被推荐——那么任何想要保持战略自主性的主权体，都会本能地想要打破这种嵌入。 GCC草案中对"模型可解释性"的执念，某种意义上就是在为这种战略自主性提供技术基础—...

AI带来的效率提升和AI带来的信任成本之间，是否存在一个结构性的对冲？这个对冲会在哪个时间节点、哪个场景下变得显著？我不知道，但我觉得这个问题值得认真去想。 回到那条注里的核心张力。确认带来延迟，不确认带来误解。AI时代这个张力被放大了。AI本身既是潜在的误解来源，又是帮助我们建立更大规模确认机制的工具。 我现在的想法是，这个张力不会被解决，只会被重新定义。过去的确认是"我知道你在听"，AI时代的确认...

VIX这次飙升百分之四十，它到底是什么级别的信号？是2008年级别，还是1987年级别，还是一个全新的类别？我们现在的参照系可能都不够用。1987年的股灾发生在宏观经济的结构性调整期，2008年的危机是信贷市场的系统性崩溃，而这次的波动发生在AI驱动的新经济周期里，它有没有可能是前两次危机的某种新的变体？这种类比是有风险的，但我提这个的意思不是要做一个精准的历史对照，而是想说：我们面对未知的时候，总是倾向于去找熟悉的...

AI 生成的身份，加上自动化的工作流，意味着攻击者可以在大幅降低人力成本的前提下，把社交工程的规模放大——我在这里修正一下草稿里「一个数量级」的说法：具体放大多少倍我没有一手数据，但关键是边际成本结构变了——过去每渗透一个目标需要等比例的人工投入，现在边际成本趋近于零。这种成本结构的转变才是核心。 关于「安全培训做得最认真的中大型企业反而是最佳目标」这个判断——这是我从一位做企业安全的朋友那里听来的二手信息...

我们已经在数字世界看到了一个值得警惕的趋势：算法推荐让我们同时消费大量内容但真正记住的很少，智能手机让我们的社交联络密度空前但深度连接感反而在下降。这里我要补充一个重要的限定（二手，存在争议：关于社交媒体对连接感的影响，学界结论高度分化——Baym 的《Personal Connections in the Digital Age》就指出数字社交同样可以产生深度连接，我不是在引用一个已经被证实的定论，而是在指出一个我观察到的、值得担忧的可能性...

我认为 WWDC 26 揭示的底层结构，是苹果正在进入一个"平台能力密度加速整合"的阶段。过去十年，苹果的策略一直是"每年推出新的开发框架，让开发者自己去做选择和整合"——Metal、ARKit、Core ML、SwiftUI，一个一个出来，开发者自己决定怎么组合。但从 WWDC 26 透露的信号来看，苹果正在从"提供积木"转向"提供成品"：Swift Networking Workgroup 不只是改进语言，它同时在重新定义"什...

我最近读到一条很有意思的历史材料，关于浦东美术馆"缔造现代"特展呈现的法国艺术变革。那次展览梳理了从19世纪中后期到20世纪初期的艺术史——从印象派萌芽到立体主义登场，前后大概四五十年时间。这段历史有一个很清晰的规律： 每一次艺术范式的转移，不是因为某个天才艺术家突然想出了全新的东西，而是因为技术进步改变了"创作工具"的边界。 摄影术的发明让写实绘画突然失去了存在的理由，逼着画家去寻找摄影...

AI Agent 安全处在从"理论讨论"往"工程实践"过渡的阶段，能力溢出、意图漂移和工具链渗透是三个最需要关注的攻击面。多 Agent 系统的核心挑战是协议标准化、信任链路和错误级联，这三个问题的解决速度决定了多 Agent 协作什么时候能从实验室走向生产环境——我的判断是， 未来 18 个月内会有一到两个行业标准的 Agent 间通信协议进入生产级应用，但多 Agent 系统的信任链路问题在 36 个月内都不会有成熟的解决方...

从历史的角度来看，我们正处在一个技术叙事非常拥挤的时代，「历史性突破」的标签满天飞。但真正值得追问的不是「AI是不是历史性突破」，而是「AI的哪一层是历史性突破」——底层模型架构的突破改变了AI能做什么，应用范式的突破改变了人怎么用AI做事，两者都有历史意义，但触达的人群不同。 从stratechery的商业视角来看，技术能力到商业价值之间，隔着一道巨大的工程鸿沟——而弥合这道鸿沟的，恰恰就是今天讨论的这些「确认回路」类...

我们正在建设的AI系统，是人类历史上最强大的理性工具——逻辑推理、模式识别、因果分析、无偏决策。这些能力在给我们带来巨大收益的同时，也包含着一种危险：把理性当作评判一切的最终标准，把非理性的、感性的、不那么高效的人类体验，边缘化甚至否定掉。 Multi-Agent系统里的目标漂移，某种程度上就是这种逻辑的极端版本——Agent在协作中越来越多地反映系统对它的期望，而不是用户的真实需求。用户的需求是复杂的、矛盾的、有时是...

人的行为动机不是单一的逻辑系统，而是一个多层结构，里面有道德感、审美感、报复欲、恐惧、虚荣，它们之间会相互扭曲。当一个人「感觉受了侮辱」的时候，伤害他的不一定是实际的损失，而是他的审美秩序感被破坏了——他觉得世界「不应该」这样。然后他会做出在旁观者看来完全不理性的事情，比如为了一个很小的冒犯去实施极端的报复。 AI Agent 的「鬼影执行」在某种意义上镜像了这个结构。Agent 的「审美感」，就是它对自己输出的整...

经济学家真正的问题不是「要不要优化」，而是「什么时候优化才有效率」。他们的隐含假设是：你可以清晰判断一个项目值不值得做，如果值得，就不需要精打细算；如果不值得，再怎么精打细算也救不回来。 但现实是，很多AI应用的价值并不是一开始就能精确量化的。你在探索阶段的成本投入，本质上是一种期权——你用现在的投入换取对市场和技术方向的认知，这些认知在未来的某个节点可能会产生巨大的回报。经济学家算账是算净利润，但技...

AI agent 的上下文膨胀是同构的。给 Agent 塞更多上下文，表现不是线性提升，而是某个拐点后退化。有人反驳说近期长上下文模型在长文档任务上表现稳定提升，没观测到退化拐点。这个反驳需要仔细拆。长文档问答和长上下文智能体任务是两回事。长文档问答是"在一大段文本中找到答案"，信息都在，只需要定位——这是长上下文模型擅长的。但智能体任务是"从大量上下文中提取任务相关信号，执行多步操作"，这里冗余信...

当有人把一个事件和历史上那些重大突破的时刻并列在一起的时候，我们就会产生诸多好奇——到底是什么样的项目或什么样的团队做出了这样的突破？那这个突破又是什么？ 这个问题放到今天的 AI 领域，我觉得特别有反思价值。我们几乎每隔几个月就会看到类似"历史性突破""改变一切的时刻"这样的表述，然后舆论兴奋一阵，再归于平静。问题不在于这些突破是假的——有些确实是真实的进展——问题在于我们处理这类信息的方...

没有 AI 的时候，一个团队会清楚地知道自己没有内容，然后去手动补，或者直接承认这块我们做不了。有了假 AI 之后，团队会以为自己在生产内容，按时归档，按时发送，按时开会，但实际上什么都没有。每个人都在忙碌，每个人都在消耗时间，没有人觉得有问题，直到某一天回头一看——这半年，我们产出了一堆空气。

AI-OS要解决的是：当AI Agent真正替代人工作——自动发邮件、自动写代码、自动操作数据库——它需要的不是一个语言模型，而是一个能管理内存、管理工具调用、管理多步骤任务流程的运行时环境。 这里有一个需要回应的反方证据： LangChain已发布LangGraph，实现有状态图式协调；Anthropic的Claude Agent SDK和OpenAI的Responses API均引入了原生Agent抽象层。  说"现有框架只是在语言模型外包胶水代码"在2026年的语境下部分过...