新闻资讯
News and information
-
26
03/02
App 开始消失，我们正在进入一个「不会用软件」的时代
软件时代结束了，造物时代才刚刚开始。自从用了OpenClaw，我手机里的App越来越少。「AI杀死软件」，在我的手机上变得具象化了。起初，我让OpenClaw充当我的健身教练，我告诉它我的目标、作息习惯、和身体信息，让它给我设计健身计划，并且每天按时提醒我，它照做了，而且还会主动找我做运动复盘。于是，我卸载了一个健身App。OpenClaw引爆了「个人AI助理」｜图片来源：OpenClaw官网后来，我让它给我汇总过去24小时AI领域的重要新闻，在每天早上8点准时发送给我，效果还行。于是，我又卸载了手机上的几个新闻App。传统App们接连从我的手机上消失。不仅如此，OpenClaw还能「杀死」AI应用。过去很长一段时间，我在使用一款「AI笔记」应用，每个月为它付费几十元。它打动我付费的核心是，可以对我记录下的每一条闲言碎语、灵感，以「专家」身份，引用专业理论予以回应和解读，总会让我茅塞顿开。有了OpenClaw之后，我让它来充当那个「博学专家」的角色，帮助我「头脑风暴」，对我的任何笔记做出回应，它也做到了。于是，我没在给「AI笔记」续费了。经过我的语言调教之后，我随意记下「别赶路，感受路」的笔记，OpenClaw识别出这是条笔记后给我的回应。是个很好的头脑风暴伙伴。｜来源：OpenClaw截图我开始关注自己手机上，哪些App会成为「OpenClaw冲击」下最终的「幸存者」。目前看，位置比较稳固的，一类是微信、飞书这种基础通讯工具，一类是小红书、抖音、B站这种和娱乐相关的产品。网络上，关于OpenClaw已经涌现出无数用例，网友们已经玩出了花。观察下来，这些用例有一个共同属性，就是用OpenClaw取代了「纯工具、专业服务性质」的软件。这都是过去一个月里迅速发生的变化。软件正在成批倒下，但如果App消失了，那未来我们消费的是什么？过去，在3D打印与创客社区这个小圈子里流行多年的一句话，或许可以解答前面那个问题，叫——「创造即消费」。如今，它正在被AI带入主流世界。01「创造即消费」的时代，真的来了如何理解「创造即消费」？比如，以前我们是购买健身App的会员，现在直接跟AI对话，让AI创造一个健身指导服务。这个过程中，创造取代了购买，实际上消费的是token。那么，其他的所有需求都是类似，把自己的需求说给AI，直接让AI消耗token造一个，而不一定是去购买现成的产品。这样，可以获得一个功能相似，但更加个性化的服务。而这场变革的起点，源自于「AI编程」近期的质变。VibeCoding提出者AndrejKarpathy，作为最积极拥抱AI编程的人之一，前不久坦言，2025年12月之前的AI编程，和之后的AI编程，几乎是两个物种。他认为，在去年12月之前，AICoding看起来惊艳，但基本没啥用。但拐点发生在模型能力跃迁之后。在ClaudeOpus4.6与GPT-5.3-Codex模型发布之后，大模型彻底撕掉了「辅助工具」的标签。半年前CURSOR还是被行业热议的热门VibeCoding工具，而今以很少出现在AI圈的话题中心｜图片来源：CURSOR官网行业叙事也彻底随之改变。从「AI辅助开发者写代码」变成了「AI自己写代码，帮所有人完成目标」。因此，那个质的变化就是：编程正在退入后台，普通人无需理解它的存在。就像我只是对着OpenClaw说话，就获得了对应的服务、应用。OpenClaw成了我的营养管理师、健身教练、日程助理、情报系统……一切通过聊天生成。整个过程中，我甚至没有意识到自己在「编程」，也毫无感知，却完成了过去需要专业开发者才能实现的功能。另外，虽然App减少了，但服务没有减少。事实上，AI的到来并非让我减少了对服务的需求，而是改变了我获取服务的方式。我依然愿意为专业服务、技能付费，但这些服务最好能被OpenClaw直接调用，成为更加适配我的「个性化服务」。我们可以做一个推演：在AI的加持下，每个人都能开启DIY模式，创造自己的刚需服务。而App和网站并不会彻底消失，只是其角色发生了本质转变——它们不再是面向用户的交互界面，而是成为了数据接口、服务节点和API层，化作AI背后的基础设施。用户不再打开十个应用。用户只会对一个Agent说：帮我搞定这件事。而这个Agent底层可能调度：电商系统、支付系统、数据分析系统等等。如果说「网站」属于PC时代，「App」属于移动时代。那么以Agent为代表的产品形态，会催生新的软件消费习惯：不是下载，而是创造，是生成。02Maker经济崛起AI时代，爆款产品的诞生路径也发生了改变。OpenClaw就是最典型的案例。这和消费级3D打印机的发展路径很像：极客先自己创造，而后在社区里积极上传各类模型、代码，即便可能暂无实际用途，却让整个生态保持高度活跃。等形成了爆款之后，各路创业者跟进做商业化。今天的AIAgent应用也在重复这条轨迹。好玩的功能、创新的应用先在开源社区诞生，再慢慢走向商业化落地。开源社区正成为AI时代的创新发动机：HuggingFace上的模型呈爆炸式增长，GitHub上的AI项目增速屡创新高。上一个时代，大厂定义产品形态；这一个时代，社区定义能力。参考拓竹社区的发展经验，这可能会进一步助推新经济形态的普及：创造即消费。3D打印模型社区MakerWorld｜图片来源：MakerWorld官网例如，模型作者在3D模型社区MakerWorld上传独家模型，而只要有其他用户引用、打印了该模型，他就会获得利润分成。据悉，已经有模型作者因此年入百万。当然，这只是一个小的创客（Maker）经济例子。在「Maker经济」中，每个人都拥有了两重身份：开发者：每个人都能为自己创建工具。能力的售卖者：为自己生成的工具，可以瞬间分享给全球，并盈利。你为自己生成一个工具，同时可以分享给别人。未来售卖的可能不再是软件，而是Prompt、Workflow、Agent模板等轻量型产品，靠「版权使用」次数来实现营收。ClawHub上用户自发上传的skills数量已经破万，五花八门｜图片来源：ClawHub官网03被低估的AI消费品OpenClaw当下在AI领域很火热，但可能仍然被严重低估了。在我看来，它真正引爆的，不是vibecoding之类的局限于AI圈的小概念，而是全民Agent浪潮。它是一个具备全民普及潜力的AI消费品。可以看到，围绕OpenClaw已经诞生了一些非常「古典」的生意：售卖预装了OpenClaw的Mac、上门为用户安装OpenClaw、在闲鱼上远程指导安装、售卖使用教程......这让我想起了早年的电脑市场。当年我们不会装操作系统，今天很多人不会配置Agent。彼时，人们会花20元去电脑城让店员帮忙安装最新的Windows系统，而当下的OpenClaw，正复刻着这一场景。更重要的是，OpenClaw的起点是服务消费，而不是开发者效率。它不是为了让更多人学会编程。它是为了让目标明确的人，直接获得能力。与当下AI行业自嗨的AIcoding、vibeworkflow不同，这些技术仍局限在专业圈层，缺乏向大众市场扩散的能力，而OpenClaw的核心出发点并非简化开发，是一个承接所有个人需求的核心入口。这是完全不同的逻辑。从产品形态来看，OpenClaw更像是一个「壳子」，一个连接一切的中心。所有的Agent、硬件都在不断向其接入，形成一个庞大的生态体系。OpenClaw，本质上正在扮演AI时代「操作系统」的角色。类比一下PC时代，当我们有了电脑之后，会为它折腾新的操作系统，购买安装各种软件，更新显卡、缓存等各种硬件配置。OpenClaw也在复刻相似的规律，不同的是，我们将通向一个全新的造物时代。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
26
03/02
从20万跌到2万，AI下的小程序开发者
被AI筛选的人2026年的湖南长沙，春寒缠在湘江两岸迟迟不散，而程序员面对的行业“寒冬”，已经结结实实地冻了一年甚至更久。老齐刚结束一轮线上沟通的语音通话。他口干舌燥地闭了闭眼，脑海里不受控制地翻涌出2018年前后的光景——同样的定制化小程序，彼时20万、30万的报价是行业常态，客户捧着需求登门，沟通痛快，合同签得干脆利落；如今不过几年光景，2万的报价还要在同行的争抢中搏一线生机，甚至附赠一整年的服务器使用权，才算有一点竞争力。刚满35岁的老齐，在行业里已被贴上“老程序员”的标签。看着一些二十出头的年轻程序员，对着AI一键生成的框架，连修改都无从下手，老齐心里没有半分优越感。作为项目团队的负责人，他满脑子都是开发APP的人力成本、团队生存、订单利润。AI的“入侵”不只把行业报价拦腰斩断，也在悄悄改变程序员的劳动结构：从“编写代码”转向“评估与修复代码”，从产出变成验收和兜底。去技能化的浪潮里，每个身处其中的人都在被迫重写自己的职业路径。“无数人想花几千块钱，做出淘宝级别的小程序”老齐在长沙创立软件公司时，正赶上小程序、APP开发的黄金时代，几年就积攒下百万身家。团队规模稳步扩张，订单不断，客户也尊重程序员的判断。“哪怕是有bug，也都能理解。”而如今，老齐料到过AI会让程序员行业发生大转变，但没料到，转变得如此迅猛。“现在客户追求效率，也苛求完美。”在老齐看来，那些被大厂优化失业的资深程序员，是行业崩塌的前兆。许多程序员转向居家办公、小型远程接单，没有门店租金、没有团队开销，直接把市场报价拉到了地板价。如今老齐每次谈项目，都要面对三四家同行的竞争，客户一句轻飘飘的“别人的报价比你低一半”，就能让他的成本核算、技术价值阐述变得毫无意义。老齐和许多软件公司的人一样，逐渐丧失议价权。老齐算过一笔账，按照2万块接一个定制单，扣除服务器成本、人工成本、时间成本，最后几乎无利可图。可即便如此，他也不敢轻易拒绝，怕团队断了生计，也怕自己被市场彻底淘汰。老齐曾对团队里另外三个程序员说，现在愿意付钱开发小程序的，至少还留给程序员一碗饭，有不少创业者干脆亲自上手了。他记得上个月对接一位商户时，他报出3万的价格，客户没砍价，直接掏出手机，展示AI生成的框架，“AI都能免费做，你怎么还这么贵？”那一刻，老齐心里憋着一肚子委屈，他想告诉客户，AI的框架只是空壳，没有数据校验、没有业务适配、没有落地能力，后续的漏洞修复、逻辑优化、维护保障，才是技术的核心价值，可客户根本不听，也不想懂。最终单子以1.8万成交。成交之后，老齐和团队成员花了整整17天，在自有源代码基础上反复做优化、评估，身心俱疲的程度，远比当年接18万的单子更甚。AI刺激着程序员的项目价格内卷，老齐还在守着一道底线：无论报价是20万还是2万，源代码绝不轻易包含在内。这与利润无关，源代码里藏着通用的业务逻辑，支持客户二次开发，是程序员在市场上不被彻底吞噬的最后屏障。老齐说，客户要源代码的话，20万的订单必须加到30-35万，否则宁可不接，这是技术人最后的倔强。在广州做程序员已经12年的阿伟，也清楚地记得2023年之前的行业报价：开发一款架构、界面要求不高的双端口闲鱼类小程序，需要两名程序员依据原有代码开发，耗时一个月到一个半月，报价至少12万；如今AI几小时就能生成完整基础框架，“交互页面、基础功能、简单逻辑全都有。”此外，价格下滑与是否真正使用AI开发，并不完全相关。来自河南许昌的软件公司销售程笑说，自己所在公司甚至刻意标注“限定不用AI，开发过程全透明，做一步让客户知晓一步”。可即便标注“拒绝AI”，这家软件公司的报价据他说也比2023年之前低了50%。程笑满是无奈：不降价根本没人咨询，客户笃定，连人工智能都能搞定的小程序开发，人工成本肯定极低。许昌作为四五线城市，行业竞争远小于长沙、广州这样的城市。程笑所在的团队有六七个程序员，技术骨干的月薪八千多。团队积累了十万行以上的源代码，“我有这个（源代码）基础。举个例子，做类似于闲鱼的小程序，但肯定没有那么强大，就是看起来差不多。报价1.2万，20个工作日完成，双端口上架，还送六个月维护，一年收取10%的维护费，服务器费用由客户自行承担。”程笑的介绍流利得仿佛有着范本。这样的介绍范本，应对的是被AI从侧面催生的无数“门外汉”的客户需求。无数不懂IT技术的人，误以为有了AI加持，就能轻松做出能落地的APP、小程序，实现基本功能。这让客户的认知彻底跑偏，压价变得理直气壮。“客户的需求往往不切实际到离谱，无数人想花几千块钱，做出淘宝、闲鱼级别的小程序甚至APP，这在技术层面根本不可能实现，加上后期维护，即便花几十万都难以达成。”数位程序员异口同声地说。很多客户不懂，一个简单的点击动作背后，是上万行代码的支撑，每一个需求都需要人员配合、时间成本、人工工资，绝不是随口报价就能完成的。老齐以前一年接三四个大单，就能养活整个团队，程序员的收入也足够体面；现在要接几十个小单，才能凑够基本收入。工作量翻了几倍，利润却少得可怜。客户的心理价位被AI彻底拉低，从业者收入不增反降，只能靠“走量”维持生存，而走量的背后，是无休止的评估代码、修复故障、熬夜加班。行业陷入了死循环：老板赚不到钱，只能通过降薪、裁员压缩成本，员工没有任何议价权，只能被动接受。在广州居家接单的阿伟半开玩笑，自己已经“上不起班”，“AI的入侵，再加上行业内卷，IT工程师降薪差不多35%。连每天通勤的成本都开始核不上，哪里够上下班来回折腾的。”“自己就跟中了毒一样。可没有解药。”AI高效的背后，是数不尽的漏洞与麻烦。AI生成的代码有自成一体的逻辑，与程序员的实操逻辑，存在不匹配的问题，“客户要吃抻面，AI给意大利面。诸如此类。”这让阿伟心里满是烦躁与无奈，AI看似省了敲代码的力气，却把烂摊子丢给了程序员。“AI留下的故障从无简单解法，不是改一行两行代码就能解决的，一个小小的漏洞，就要重新梳理整个模块的逻辑。”熬夜成了常态的阿伟，最近智齿发炎，吃不下东西，还要一天靠两碗粥撑着去抵抗不会生病的AI。作为团队的产品经理和后端程序员的老齐，对这种变化感受最为直接。以前一个项目的前端工作需要3个程序员配合完成，现在AI能包揽60%以上的基础工作，从页面设计到简单功能构建，一键就能生成，最后只需要一个资深程序员整合和修复。这种“从劳动到评估”的反转，把程序员们曾经的职业成就感，磨得一干二净。据老齐介绍，如今的APP或者小程序的开发流程，表面上与从前毫无二致：谈意向、报价、对接需求、产品经理出原型、客户评审、前后端开发、接口对接整合。可核心的前后端开发环节，早已被AI改写。评审环节结束后，前端工程师用AI生成代码、整理文档，后端研发工程师依托AI搭建逻辑、处理数据，工作都围绕AI展开。这种变化直接重塑了团队结构。老齐团队的前端配置，曾经是一名高级程序员带两名初级程序员。如今AI直接替代了两名初级程序员的所有工作。现在在老齐的团队里，前端、后端各只需一人，产品经理由负责后端的老齐兼任，架构师、美工各留一人，4个人就能在两到三个月里开发出一个APP，“如果架构和美工外包，俩人都行”。而过去同样的时间，需要8到10个人才能完成。老齐现在的团队，甚至只需要两个人/受访者供图自嘲已经被“惨烈降薪”的阿伟说，架构师可能比自己还惨。月薪从八九千到两三万不等的架构师，靠的是多年沉淀的架构经验，能为不同客户定制专属的技术架构；如今AI能直接生成一套通用架构模板，普通程序员照着模板，用通用逻辑修改适配公司需求即可。阿伟看着架构师的核心技能被AI轻易消解，自然会泛起悲凉感：那些靠十年、八年熬出来的专业经验，被AI变成了随手可得的模板。由AI生成的小程序页面，通常报价在三千到五千元/受访者供图据多位资深程序员说，三五千元起的非定制化APP或者小程序项目，多是靠AI批量生成框架，一个程序员就能同时跟进3个项目，但真正能够落地并稳定运行的产品比例并不高。毕业三年的程笑曾经对AI充满信心。在成为销售前，他就是程序员，对AI，他又怕又爱。在两年多的程序员工作经历里，程笑多次使用AI设计代码，认为“拿多少工资、干多少活”。2024年年底，公司接了一笔定制化小程序订单，由他负责后端，他满心欢喜地接下任务，可最终交付的产品存在不少漏洞，客户直接要求退款，公司追责时，他根本无法独立修复故障。连续三四天，程笑都在硬磕那些故障。哪怕不断尝试用AI来弥补，再加上自己的脑力，对一行行代码的检验、调整，APP始终报错。程笑不情愿地承认，AI的去技能化，“让自己就跟中了毒一样。可没有解药。”失业后的程笑又跳不出软件开发这一行，只能转为销售岗。那能不能让AI自行修改呢？这也是阿伟无数次吐槽的环节，当程序员指出AI的错误时，它会立刻道歉认错，可新生成的代码，又会在其他地方出现漏洞，反复折腾，永无止境。阿伟特别强调，自己使用的还不是国内的AI工具，程序员们主流选择是海外工具，“每月20美刀的使用费用是肯定有的。不同工具对应不同的代码场景：前端与全栈开发常用Cursor、GitHubCopilot，后端及通用代码编写可使用Cursor、ChatGPT、Claude、Gemini、Grok等AI工具。”可即便如此，AI依旧会瞎编代码，尤其是复杂的业务逻辑，只会生硬拼凑，至少在现阶段，根本无法实现核心功能。在一些程序员看来，审美与体验仍是AI难以替代的部分。据一位程序员介绍，“VibeCoding，程序美感，是人工独有的价值，AI无法复制。”UI设计、用户体验优化，必须依靠人工完成，也成了众多程序员们死守的阵地。至于程序开发出来之后，程序员们笑说，很多客户其实就是为了满足自己“跑一跑、试一试”的需求。很多客户开发小程序、APP的初衷是提高经营效率，当客户发现产品上架后需要持续支出维护费用、使用量却还没有过百人时，自然没有了后续投入，一切化成空谈。“一分钱一分货的道理，在AI时代依旧适用。”被AI筛选的人如果说AI改变了软件行业的开发模式，那么它的筛选效应，则重塑了程序员的生存法则：最先被挤出行业的，往往不是不会用AI的人，而是只会用AI的人。AI让程序员行业成为一条窄路。对资深程序员来说，AI生成的代码多为通用逻辑，难以贴合客户的个性化需求。而对年轻程序员来说，评估与修复这些代码又需要经验与技术积累，短期内难以掌握。这也是行业年轻从业者大批量失业的根源：编代码的速度和质量远不如AI，评估、修复、优化的能力又不具备，高不成低不就。在资深程序员眼里，如今的年轻求职者，一面试就会露馅。阿伟见过这样的年轻人，连最基础的代码逻辑都讲不清楚，问及如何评估AI代码、修复故障、适配业务需求，完全答不上来。从程序员转为销售的程笑为了提升销售业绩，开启了直播接单。但直播间里最常出现的并非客户，而是寻找工作的程序员，每天都能收到十几份简历，应届生、工作三五年的从业者每天都在询问招聘情况。程笑只能统一回复年前不招人，年后只招业务人员。这个还不到26岁的小伙子心里忍不住唏嘘，“行业已经这么卷，却还有无数人挤破头涌入。”“很多年轻人误以为AI降低了编程门槛，学会计、行政的也都在自学AI开发。”阿伟感叹，市场对小程序、APP的需求的确在持续扩大，只是AI让供给端表面门槛降低，才让无数人觉得行业有希望，愿意涌入试水。“入行以后很快就发现，大家都在硬挺着。”真正的核心能力，从来不是靠AI就能速成的。市场需求仍在增长，供给却在AI的放大下迅速膨胀，行业空间被不断压缩。老齐选择主动拥抱AI，从业多年的他手里攥着至少10万行代码，还是不敢掉以轻心。“每个业务需求都千差万别，新技术、新模式层出不穷，团队将原有SpringCloud架构，升级为SpringCloudAlibaba+Nacos方案。”“这个行业是需要一直学习的。尤其是AI兴起后，学习的东西就更多了，比如算法。”同时，老齐也说AI让大批资深程序员陷入进退两难的困境，“不是不想学，而是AI算法工程师等方向，与小程序、APP开发完全是两个领域，跨行业的鸿沟横在眼前。35岁的年纪，精力、记忆力、学习能力早已比不上年轻人。”想转行根本无从下手，只能困在原有领域，硬着头皮挣扎求生。《社交网络》剧照没有赢家，只有幸存者2026年初，与居家办公的阿伟、在老家直播销售的程笑相比，作为研发团队的负责人，老齐在春节前有些难过也有些无奈地说，“今年没办法回家过年了。”这是他在软件行业摸爬滚打这么多年来，第一次因为AI冲击、行业内卷、价格低廉、订单近乎无利润，导致收入太低，没法回家面对父母，决定留在长沙。AI带来的并不是简单的技术替代，而是从市场报价、工作形态到职业生存的洗牌。对许多行业里的普通人而言，这场AI下浪潮里，没有赢家，只有幸存者。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
26
03/02
AI下半场，没有巨头敢掉队
当AI成为标配，真正的竞争才刚开始。在刚刚过去的这个春节，巨头间的AI大战如预期般进入白热化。腾讯旗下的元宝App上线春节红包活动，用户可参与分享10亿元现金，并且可以无门槛提现至微信红包。豆包在除夕夜“霸屏”春晚，开启了3轮共计10万份抽奖，奖品最高为8888元红包。阿里旗下的千问除了在春节前夕补贴30亿请用户喝奶茶外，还独家冠名了河南卫视、东方卫视、浙江卫视、江苏卫视四大卫视春晚。巨大的投入和声势换来爆发式增长。据豆包官方数据显示，除夕当晚，豆包AI总互动量突破19亿次。与此同时，阿里千问发布的春节战报显示：春节期间，全国有超过1.3亿用户首次尝试AI购物，累计发出50亿次"千问帮我XX"的指令。春节已经落幕，但这场AI大战还将持续。豆包已经宣布，将发放最高8888元的“元宵红包”。千问同时宣布：从2月17日中午起，将为所有人带来“每日首单立减”活动。马化腾也说，腾讯唯一花钱投入比较多的就是AI。饱和式战争即将打响，AI下半场，谁也不想缺席。从软件到硬件：全方位的AI流量争夺一路行来，巨头之间的AI竞争，大体可以分为三个方面。第一，AI赋能。在这个阶段，巨头们主要的发力点是在传统业务形态中嵌入AI能力。以搜索为例，2025年3月，阿里巴巴将旗下的夸克浏览器改造为“AI超级框”，将对话、深度思考、深度搜索、深度研究，深度执行能力融合到一个简洁的“超级框”中。紧接着，腾讯在5月份正式推出Qbot智能助手，将QQ浏览器全面升级，成为集AI搜索、AI办公、AI学习、AI写作、AI浏览于一体的浏览器。百度则在2025年7月正式将传统搜索框改造为“智能框”，将搜索功能全面向AI驱动转型。沿着相似的路径，美团已上线AI生活助手“小美”。滴滴官宣与智谱AI达成战略合作。携程也宣布其旅游平台正式升级至“智能引擎3.0”阶段，涵盖AI驱动的服务体验提升、AI流量分配、AI智能导购以及AI内容生成等多个维度。截至目前，除了拼多多以外，几乎所有的互联网入口都已经变成了“AI+”。AI赋能确实对巨头的部分业务起到了提振效果。比如2025年前三季度，腾讯营销服务第三季度收入达362亿元，同比增长21%，显著高于集团整体15%的收入增速。财报明确指出，这一强劲增长主要得益于“AI驱动的广告定向”所带来的eCPM提升。尽管如此，AI赋能并未改变巨头间的竞争格局。外卖第一还是美团，酒旅第一仍是携程，电商领域阿里、京东、拼多多三足鼎立仍旧一如既往。当所有应用都嵌入了AI，竞争态势和所有应用都没有AI时基本一致，AI本身的地位变得像笔记本上的摄像头一样——我可以不用，但你不能没有。第二，独立AI应用大战。当巨头们发现，AI赋能只能让自己保持竞争力，无法打破现有竞争格局时，便改弦更张，将希望寄托于AI独立应用上。阿里“AI超级入口”战略的C位从夸克变成了千问，高举高打，对千问持续高强度宣传。截至2025年12月10日，千问月活跃用户数（含APP、Web、PC端）已突破3000万，成为全球增长最快的AI应用。豆包则在MAU一骑绝尘的情况下，继续拿下春晚赞助来进一步扩大自己的领先优势。如今元宝带着腾讯的10亿元现金重装下场，显然也不会就此认命。从整体上看，AI独立应用的竞争现阶段仍然不存在绝对意义上的最终赢家。据《海豚研究》，从使用时长来看，当前渗透率最高的几款AI通用入口日均使用时长普遍不足15分钟，且未显现出持续优化或提升的趋势。即便是用户使用频率最高的豆包，人均每日使用时间也仅约10分钟。未来谁能率先占领用户心智，还有很多变数。第三，AI硬件抬头。和十年前的互联网大战不同，巨头间的AI竞争已经从软件迈向了硬件。2025年12月，字节联合中兴推出的豆包手机上市即爆火，首批备货3万台，仅1天时间便全部售罄，闲鱼上该款手机二手售价比官方售价高出700元到1500元。豆包手机的出圈迅速引起了其他巨头的警惕，微信、支付宝、淘宝等国民级软件先后限制在豆包手机登录。隐私和安全问题或许要讨论很长一段时间，但豆包手机的颠覆性确实引起了互联网巨头的恐慌。在未来，AI手机或许真能引发交互方式革命。AI眼镜是另一个爆火的硬件产品。阿里推出的夸克AI眼镜S1上架即售罄，发货周期被拉长至45天，百度也推出AI眼镜Pro。据《中国电子报》报道，数据显示，2025年第三季度全球智能眼镜市场出货量429.6万台，同比增长74.1%。据预测，这一增长势头将长期保持，到2029年全球智能眼镜出货量有望突破4000万台。和AI手机比起来，AI眼镜“开机即用、对话即交互”的操作逻辑似乎更适合成为新的AI终端。正如阿里巴巴智能终端业务负责人宋刚所说，AI眼镜是下一代人机交互变革的中心，也是AI的入口，是未来最有机会挑战手机的设备。经济学家熊彼特曾提出一个创造性破坏的概念，指技术创新通过取代旧有体系引发市场重构，形成持续的创新循环。AI技术是这一轮创造性破坏周期的驱动器，其破坏力之强，波及范围之广，或许是历史之最。即便是巨头，这时候也不免生出生存焦虑。下一代产品在哪里？马化腾面对这个问题曾经的回答是：我很焦虑，不知道未来会怎么样。AI的未来会如何，如今的答案可能也是不知道，一切都还需要拭目以待。阿里、字节、腾讯，沿不同的路线出发虽然目标都是成为AI时代的超级入口，但阿里、字节、腾讯的发力方向并不相同，它们在AI上的布局都离不开自身原有的生态基因。简单来说，阿里、腾讯、字节想要用AI提供给用户的价值并不相同。阿里AI提供的是工具价值。不久前，千问APP推出重大版本更新，深度接入淘宝、支付宝、淘宝闪购、高德、飞猪等阿里生态核心业务。更新之后，千问实现了点外卖、购物、订机票酒店等AI全流程办事服务，串起了需求表达、任务执行到支付履约的闭环。从生活场景切入，千问的目标是从“聊天时代”迈入“办事时代”。同样，“阿福”旨在为用户提供更多的健康服务，“蚂小财”则致力于降低获取金融专业服务的门槛。定位各有不同，但阿里系的AI应用都致力于帮助用户解决各类实际问题。腾讯AI提供的是社交价值。2026年1月26日，腾讯推出的“元宝派”正式开启内测，用户可以从微信、QQ邀请好友。整体上看，元宝派里的社交群组和微信群的区别大概在于，前者加入了一个AI当主持人。腾讯AI的发力点没有如市场预期的那般，从微信Agent开始，可能是出于战略上的谨慎。AI时代仍存在不确定性，不能让作为压舱石基石的微信打头阵。而元宝则没有那么多的包袱，可以充分大胆地尝试。AI时代的社交形态什么样，有很充分的想象空间。当年微信承接QQ生态，一跃而为移动时代的社交王者。这样的场景是否会在元宝身上重现，值得期待。字节AI提供的是情绪价值。豆包从推出之初就强调“拟人化”和“人格化”，例如提供多个角色设定（如“知心姐姐”“毒舌朋友”“职场导师”），让用户在对话中获得情感共鸣。豆包支持“持续记忆”和“个性化人设”，能记住用户的偏好、历史对话，营造长期陪伴感，这正是情绪价值的核心。除了豆包之外，字节的其他AI产品也始终贯彻“陪伴者”的角色。比如，猫箱是AI情感陪伴的极致体现，星绘是AI图像创作的情绪出口，Coze可以低门槛打造“你的AI玩伴”。字节几乎没有一款AI产品是以“提升效率”“节省时间”为核心卖点的。相反，它们都在延长用户停留、激发情绪反应、促进分享传播。总结来说，阿里、腾讯、字节的AI战略大致对应着用户的生活需求、社交需求和娱乐需求。三巨头都将他们最擅长的事情，搬运到了AI时代。当然这三者的属性并非界限分明。字节也在发展工具能力，豆包支持文档处理、代码生成，火山引擎也向B端输出AI能力。阿里也在尝试情感化：千问有音色定制、角色扮演（如“历史老师”“英语外教”）等。三巨头要争夺的是AI时代的“超级入口”，竞争到最后，大概率会侵袭到彼此的领地中。究竟哪种路线更有市场，也还难有定论。这场AI竞赛就像一辆列车已经开始高速行驶，但目的地是哪里却无人知晓。对巨头而言，既然一切都不确定，那就只剩下一个最朴素的目标：留在牌桌上。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
26
03/02
互联网的AI腔，该清算了
现在互联网上的句子，好像都是一个师傅教的。风景总是breathtaking，建筑永远modern，随便一个事件都「标志着一个关键时刻」。这些话听着完美，却轻得像飘在空中。读多了，人会感到恍惚。Wikipedia的编辑们也受够了这种「广告腔」，开始了一场清理行动。他们校对大量新增内容后发现，最爱说场面话的，竟然不是人，而是AI。于是，一本奇怪又实用的《识别AI文风手册》，就在无数次删删改改里被写出来。同一个模板写出来的互联网互联网的语言越来越整齐划一，Wikipedia最早察觉到「味道不对」。每天都有成千上万的新内容被塞进条目里，编辑们一边巡查一边发现：不少新增段落看起来顺滑，但读起来像是套话。编辑们越看越觉得奇怪。等他们把这些可疑段落攒在一起，真相也浮出水面：来源模糊、论据空洞、表达统一得异常。这一切都指向同一个可能——越来越多的内容，是AI生成的。为了避免百科被这种空心句子掏空，一群志愿者在2023年发起了WikiProjectAICleanup。传送门：https://en.wikipedia.org/wiki/Wikipedia:WikiProject_AI_Cleanup他们系统地记录这些异常写法，想弄清楚AI到底在什么地方露出痕迹，哪些句子看似正常，但经不起查证。维基编辑最先发现「不对劲」清理行动一开始，编辑们就发现：检测器根本不靠谱。正管用的，是他们在多年巡查中练出来的「语感」AI写出来的段落，表面都挺正常，但细看会有三种特别明显的痕迹。第一种，反复强调「重要性」，却不给现实中的例子。AI生成的段落常常会把主题写得很宏大，比如「apivotalmoment」「abroadermovement」。但落到细节时，没有年份、不提来源，也没有可查证的材料。这种写法在百科语境里非常异常。第二种，句尾挂着体面的现在分词这种emphasizing…reflecting…highlighting…的尾句，是目前最明显「AI痕迹」。TechCrunch的作者也在报道中指出：这类presentparticiple是区分AI文风的关键线索之一第三种，是频繁使用互联网式的「营销形容词」。breathtaking、modern、renowned、scenic这些词在广告里正常，但在百科里使用很不恰当。维基编辑碰到这种描述时，会立即查来源，结果常常找不到对应证据。后来，这些规律都被整理进了《SignsofAIwriting》。https://en.wikipedia.org/wiki/Wikipedia%3ASigns_of_AI_writing?utm_source比起技术指南，它更像一份经验册。记录着编辑们踩过的坑、看到的怪句式，方便更多人一起清理。AI为什么总写成这样？真相在语料里当编辑们把可疑句式整理出来后，一个问题也变得清晰了：AI之所以写成这样，根本原因是人类语料。也就是说，它从哪里学来的语言，就会说出什么样的语言。因为大型模型训练时吃的是整个互联网的语料。新闻稿、SEO软文、宣传册、社交平台的内容都会混在一起。而这些地方最常见的表达，就是宏大但空泛、形容词夸张但没事实、评价多于证据的写法。Wikipedia在把这类现象称为：Vaguepraise和Marketinglanguage。换句话说，AI不是故意用「公关腔」，而是这类语料最容易在互联网上抓取。这也解释了为什么「重要性夸大」「-ing尾巴」「广告式形容词」会频繁出现——这些是模型在大语料里看到得最多、最容易复制、也最缺乏上下文约束的句式。Wikipedia的解决方式非常务实。他们知道无法杜绝AI生成内容，于是把重点放在「证据链」上。他们要求注明来源、核查链接、追溯出处。这一点在《WikiProjectAICleanup》的流程说明里写得很清楚：凡是出现评价性语言、缺乏具体事实，或看上去「像模型写的」，编辑可以先贴上「需要引用」的模板。如果作者无法补充来源，这段内容就会被移动到讨论页，必要时进入快速删除程序。这一整套流程相当于「免疫系统」：去掉评价形容词，让句子必须基于事实。凡是经不起查证的部分，就会被自动拦截。这对于一个完全依赖可验证性运作的百科来说，百利无一害。真实的句子有骨头，AI的句子一戳就空维基编辑在清理中发现，最能一眼看出「AI味」的地方，是句子到底有没有「事实」。AI喜欢用形容词和评价支撑文章结构，而百科写作靠的是年份、数量、地点、报道来源这种能查到的事实。为了让更多编辑能看懂这种差别，《SignsofAIwriting》里特地列出了多类典型句式。看下面这一组改写，就能感受到两种语言的「骨骼」完全不同：AI腔写法：Theconferencewasapivotalmoment,highlightingthecontinuedrelevanceofthefield.这类句子在指南里被称作“Importanceinflation+presentparticipletail”。「关键」「持续重要」这些判断没有来源，尾巴的highlighting…属于典型AI的空转分词。维基会写成：The2023conferenceinXCitydrewabout1,200attendees.CoverageinYNewspaperandtheZJournaldiscussedAandBpolicyproposals.年份、人数、媒体报道，全是可以查证的事实。评价不需要说，材料会自己说明事情的重要性。再看另一个例子，也是编辑们最常遇到的那类广告腔：Theparkoffersbreathtakingviewsandmodernfacilities,emphasizingitsstatusasarenownedattraction.指南把这种叫做「Vaguepraise/marketingtone」：breathtaking、modern、renowned这些词在广告里再合适不过，但在百科里毫无信息含量。维基会写成：Theparkhastwoviewingplatformsanda5-kmwalkway.Itrecordedabout450,000visitsin2019andcompletedaccessiblerestroomandvisitor-centerupgradesin2021.不夸人、不定性，也不判断价值。只列设施、列年份、列客流量——所有内容都有来源可查。在维基的世界里，没有来源的评价就是不存在的评价。当越来越多内容由模型生成，我们读到的语言难免会被模板化的腔调包围。Wikipedia的做法提醒我们，判断一段文字是否可靠，并不靠某种神奇的检测器，而是靠这句话能否查证、这个判断能否追溯、这条信息是否站得住。AI也许会写出更流畅的句子，但百科在意的不是好看，而是可信。当空心句被删掉、广告腔被滤掉、无出处的判断被请出页面，百科页面留下的，就只剩下事实本身。互联网的未来，大概也会沿着这条路走下去——越是模型生成的时代，越需要人类替语言把关。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
26
03/02
战局正酣：国内互联网大厂的AI业务布局现状
在我看来，国内互联网大厂的AI布局可以划分为三至四个梯队。刚刚过去的2025年，中国互联网大厂的竞争主轴是围绕着生成式AI业务的竞争，或者更进一步讲，是所谓“AI生态”的竞争。外卖大战虽然吸引了大量目光，但无论谁胜谁负，注定只是一个插曲，是“旧时代的回声”；AI大战才是“新时代的旋律”。这个趋势不仅将贯穿2026年，而且恐怕将再持续多年，直到生成式AI彻底渗透到经济的方方面面为止；只有多年前的移动互联网潮流可以与之相提并论。今天我们讨论的焦点是互联网大厂，而非创业公司；讨论的对象是作为一个整体的AI业务生态，而非单点业务。在我看来，目前国内互联网大厂的AI布局可以划分为三至四个梯队：1、阿里巴巴和字节跳动处于领先梯队，这一点基本无人争议。阿里在技术实力和B端的优势无法撼动，字节的优势则在于巨额投入和C端应用。2、腾讯和百度稍微靠后，但距离不远。腾讯仍然在谨慎地评估局面、控制投入，百度接下来大概率会在B端寻求突破口。3、其他大厂当中，快手、美团的动向值得观察，其次是京东、小红书。它们都不太可能进入第一梯队，但可以在某一垂类做出名堂。4、车企有可能在智能驾驶，以及所谓“座舱大模型”方面找到用武之地。不过我不太懂车，这个话题就不展开讨论了。先说第一梯队。不考虑出海，阿里和字节两家在国内AI市场占据全面的、从B端横跨到C端的领先地位，这一点应该无人争议。但是两家的领先原因有微妙的区别：阿里主要是基于过去多年在AI、云计算、自研芯片等领域的积累，是渐进式地、自然地占据领先地位；字节则主要是基于巨额但高效的投入，以突变的方式，将自己猛烈拉升到了与阿里类似的重量级。在基座大模型方面，阿里的千问要领先于绝大多数竞争对手；而字节的豆包的成功，主要不是基座大模型的成功，而是产品设计、运营和市场推广的成功。字节在C端做了一个明智的选择，即把绝大部分力量集中到豆包APP这一个点上，让它迅速占领用户心智、成为“国民APP”。阿里在C端的力量则分配在夸克、钉钉、通义千问APP等多个点上，直到2025年11月，才确立了以千问APP为核心的策略——事实证明，以一个超级APP去主打AIC端市场，似乎更符合国内的情况。在B端，火山云的历史积累显然不及阿里云，但是在算力建设、生态建设和市场推广方面的激进程度有过之而无不及。火山云的销售体系十分强大，其中很多来自阿里云，而且乐意提供折扣换取客户。曾经有人指出：字节推广C端AI应用的力度很大，这或许会让B端客户心怀疑虑，担心字节会与其客户竞争。不过，从现实看，就算这种担忧存在，实际影响也并不明显。字节跳动不是上市公司，不需要每个季度交出财报以满足资本市场预期，所以无论在资本开支方面还是价格竞争方面，其回旋余地都天然较大。而阿里却会因为阿里云收入的细微波动而被放到显微镜下审视；不过，换个角度讲，当阿里的AI业务进展超出预期时，资本市场也会给出即时的报偿，同时立竿见影地提振员工士气。总而言之：阿里依靠历史积累以及“全栈技术能力”而自然地位居第一梯队，字节跳动则依靠坚定而高效的投入将自己拔入第一梯队——这很符合字节跳动对新兴业务的一贯风格，非上市的地位也使它拥有充足自由在不赚钱的业务上加大投入。在资本开支方面，双方都十分激进，字节跳动或许还要更激进一点，但是没有人清楚具体数据，只知道双方的投入大致处于同一量级。接下来是第二梯队。事实上，腾讯完全有可能进入第一梯队，但主动选择了做一个“尾随者”，处于“有可能追上第一梯队、但刻意不投入”的状态。2025年三季度，腾讯的资本开支仅相当于阿里的40%（130亿vs335亿），而且环比有所下降。在C端应用推广方面，腾讯也是“够意思就行”：2025年初，借助接入DeepSeek的时机，元宝进行过一波大规模投放，但并未持续太久。只要元宝还位居国内C端AI应用前五名，腾讯管理层似乎就很满意了，无意争夺第一。这种操作毫不奇怪，十分符合腾讯管理层的一贯风格。首先，腾讯习惯于等待一个技术趋势成熟，再去模仿或进行“微创新”；腾讯管理层毫不讳言，AI产业发展尚处于早期，此时争夺第一名的意义不大。其次，腾讯内部流行的“产品经理文化”，导致基础研发往往处于附属地位；腾讯从不擅长基于研发成果做产品，而只擅长基于产品前景倒推研发。第三，腾讯管理层或许注意到了算力供给的巨大不确定性，除非等到尘埃落定、确定性提升，才愿意下重注。还有一个短期的直接原因：腾讯不需要AI业务去支撑股价。2024-2025年，腾讯的游戏业务表现相当好，广告业务也在视频号的放量支撑下越做越好。阿里、百度需要AI的故事振奋资本市场，腾讯至少暂时不太需要。2026年恐怕也是如此，腾讯稳坐钓鱼台的策略或许还能延伸到2027年上半年。百度那边则是另一种逻辑：在基座大模型方面，文心仍然仅次于千问、DeepSeek，优于豆包、混元等其他国产大模型；百度也具备一定的全栈技术能力。但是，百度手头的资源不足以在B端和C端同时发动进攻。虽然文心助手目前拥有2亿MAU，在国内仍处于前列，可是要知道，字节、阿里等竞争对手在此投入的资源是海量的。国内C端AI应用已经成为一片红海，要非常巨额且持久的投入才能确保市场份额领先。话说回来，百度在B端仍然拥有较强的客户基础，尤其是在政企客户，以及私有云、混合云赛道上。在基座大模型和芯片两个基础研发赛道上，百度的积累历史很长，虽然近年来有被对手拉近的趋势，但积累毕竟是积累。昆仑芯分拆上市，可以筹集大量资金并进一步提振百度股价。接下来，百度AI的发展战略，大概无非围绕三个支点进行：继续发展B端业务，尤其是私有云；围绕萝卜快跑，发展智能驾驶和智能座舱；将文心大模型进一步融入百度APP，力争达到Gemini对谷歌核心搜索的那种效果。还有一个不可忽视的点：苹果AI的国行版大概率将以文心+通义千问为基座大模型。市面上一度流传苹果将转而采用豆包，但目前看来并无证据支持。如果苹果AI真的上线，对百度和阿里两家的AI生态大概都是一针强心剂——可是我们并不知道何时成真。接下来是其他大厂，我认为其中有两家的动向尤其值得关注。一家是快手：毫无疑问，可灵是一个很好用的AI视频工具，而且已经达到了工业级别。我认识的影视行业的朋友普遍认为，可灵是目前国内最具实用价值的AI视频应用，正广泛应用到最近很火的AI漫剧当中。以快手的体量和AI开支规模，能做出这个级别的视频大模型实在令人印象深刻。接下来的问题在于快手打算怎么利用这个战果。仅仅依托可灵去拓宽快手自身的内容边界、活跃内容生态，这个故事太小了，也不符合规模经济。1200万的MAU和2000万美元的月收入（对应2.4亿美元ARR），这两个数字也不错，但尚不足以对快手财报造成实质性推动。可灵必须更进一步，成为泛影视行业的一种基础工具，才有可能创造数十亿乃至数百亿量级的收入——目前看还很遥远。快手还必须保证，可灵的技术优势一直保持到它形成足够的用户习惯之前，否则来自竞争对手（例如强大的字节跳动、腾讯）的应用可能在一夜之间将其取代。美团的情况则是我尚未参透的：它的主营业务和资本市场故事，看起来与生成式AI几乎无关，但是在2025年它确实在此投入不少。在财报上，这种投入完全无人关注，因为所有人都在关注外卖大战。如果你注意过新闻，就会发现，美团在2025年之内发布了多个自研大模型；根据我的了解，美团在算力基建和数据采购方面的花费，位居国内互联网大厂第二集团的领先水平。自研大模型对于美团来说肯定不是一个花瓶，而具备某种现实业务意义。那么，是什么意义呢？提高内部搜索和内容推荐效率？帮助商家设计文案和图片？提升客服机器人水平？这些都是司空见惯的AI应用了，也不一定需要自研大模型完成。尤其是在目前国产开源生态十分发达的情况下，美团这样的大厂似乎不需要在自研上投入多少精力；在公有云发达的情况下，也不需要投入多少算力基建。美团的投入显然有某种尚不为人知的战略诉求。京东显然也有类似诉求：2025年，它在算力基建和数据采购方面的动作也不小，尽管这些动作也被外卖大战所掩盖了。京东早已不再大力发展公有云业务，所以上述动作肯定不是为了对外提供服务，而是为了升级自己的业务。与美团相比，京东或许还多了一个诉求，即在所谓“AI导购”的时代不要掉队。就在本月初，谷歌基于Gemini推出了AI导购功能，第一批合作伙伴包括沃尔玛。这可能是生成式AI商业化的一个历史性时刻——此前，C端AI应用的直接商业化主要是基于付费订阅。如果Gemini的AI导购能取得一定的成功，就意味着C端AI商业化的天花板被彻底打开，零售电商的现有格局将被冲得七零八落。任何互联网大厂，无论主营业务是否包括电商，都不会允许自己错过这一局！所以2026年的AI行业会更加有趣。我迫不及待看到各家大厂会如何根据形势变化去调整自己的策略。目前要判断“谁是赢家”“谁是输家”，实在太早了，因为战局恐怕连三分之一都还没打到。移动互联网的大战打了十多年才基本尘埃落定，我们完全有理由期待大厂之间围绕AI的战局会持续同样长的时间。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
26
03/02
微信AI时代的困境，跟苹果是一样的
一个在社交帝国里手忙脚乱，一个在硬件王座上按兵不动。表面看两码事，但如果要是往深处想，微信和苹果，其实卡在同一个坎儿上。2026年的科技圈，正在经历一场昂贵且有趣的竞赛。一边是微信里头闹出的动静。腾讯自家的大模型应用元宝，想趁着春节冲一波用户，老办法，砸钱10个亿，发红包。结果场面一度十分尴尬，红包链接没刷屏多久，就被微信安全机制精准拦截。这种大水冲了龙王庙的乌龙，被外界调侃为自家兄弟打了自家的脸。这让人纳闷：腾讯搞AI，怎么还是撒钱拉人那一套？这种动作显得有些心有余而力不足。另一场竞赛关于大洋彼岸的苹果。即便新iPhone已经薄得像片刀，工艺达到了工业巅峰，可一年前被库克视为“个人智能重头戏”的AppleIntelligence，依然没能点燃市场的兴奋点。那个传说中能接管一切的Siri，至今没见着真身。媒体的标题整齐划一：苹果的AI，又慢了。在数次推迟后，苹果确认在iOS底层引入了谷歌的Gemini模型。这两个动作在当时的舆论场里，被迅速贴上了巨头迟暮的标签。人们嘲讽腾讯在模型逻辑上已经心有余而力不足，只能靠传统的流量救火，讽刺苹果已经彻底丧失了定义AI时代的抓手，不得不向老对手谷歌低头。一个在社交帝国里手忙脚乱，一个在硬件王座上按兵不动。表面看两码事，但如果要是往深处想，微信和苹果，其实卡在同一个坎儿上，它们不是没看见AI的浪打过来，是身上的担子太重，快不起来。这种困境，和技术、钱关系都不大。它讲的是，两头超级大象要怎么在大模型赛道上平稳转身，这是超级产品天生的、系统级的难题。1、玩不起的容错率为什么那些AI创业公司，比如OpenAI、kimi、豆包能跑那么快？因为它们是在空地上盖新楼，图纸可以随便改，塌了也能重来。微信和苹果不行。只要装上AI，就等于是给运行中的摩天大楼拆换承重墙。让我们看两组足以让产品经理感到战栗的数据。截至2026年1月，苹果全球活跃设备安装量正式突破了25亿台。而微信及WeChat的合并月活跃账户数达到了14.14亿。这两个数字代表的不再是App和硬件，而是全球数字文明的公共基础设施。基础设施的第一准则是：绝不能停摆。对于一个拥有100万用户的初创AI产品来说，引入大模型是一场令人兴奋的，甚至是允许失败的实验。即使模型产生幻觉，回答出现了逻辑漏洞，用户往往会报以宽容，甚至将其当作有趣的梗在社交平台传播。这是初创公司的特权，也是它们能够做到以周为单位迭代的天然优势。但微信、苹果不一样。微信，每月有超过14亿人活在里头，承载着从社交、金融支付到基层民生服务的全部社会功能。你想，要是一个深度长在微信里的AI助手，哪天抽风，在朋友借钱时给错建议，或者在家人群里瞎接话，那会是什么场面？任何一次微小的技术扰动，都会被指数级放大成灾难。苹果也一样。全球超过25亿台苹果设备，装着无数人的照片、通讯录、健康数据。苹果把自己招牌押在隐私上。它敢随便放一个自己都还没摸透、可能会胡思乱想的大模型，进到系统最底层吗？绝对不敢。一旦大模型出现漏洞、被黑客攻击，发生数据泄露，后果将难以挽回。所以，苹果宁可把一些已经开发好的AI功能按住不发，也要等它的准确率达到一个吓人的高标准。外人觉得它们保守，动作慢。可对它们十几亿的用户来说，这种慢恰恰是种负责。它们得等，等AI从一个总出意外的聪明玩具，变成一个足够靠谱的确定性工具。对于这种规模的巨头而言，平庸的稳健永远优于激进的翻车，不犯错的优先级，远高于领先一步。2、要的是交互，不是模型除了怕犯错，它们俩还有一点特别像，都不是那种为了技术而技术的公司，骨子里是产品定义者，或者叫交互定义者。苹果最初的成功并不是第一个发明技术的。图形界面、触摸屏、指纹识别，都不是它首创。但苹果总能把这些技术，打磨成你用起来最自然、最舒服的样子。到了AI时代，它的思路没变。它不在乎GPT-5的跑分又高了多少，它只关心AI怎么能像抬手看表一样自然。所以苹果的AI往往是隐形的，它可能只是帮你一键擦掉照片里的路人，或者是把几十条通知摘要成一段话，而不是嚷嚷自己有AI，它只会让你感觉不到阻碍。腾讯的思路如出一辙。微信的张小龙，他的理念是好的产品是用完即走，这想法跟苹果简直是一个模子刻出来的。在张小龙眼里，在微信里硬塞一个需要专门对话的聊天机器人，是对社交体验的粗暴破坏。他想要的AI应该像“扫一扫”，只在特定场景下自然浮现，解决问题后安静离开。发现没？现在的AI，不管是豆包、元宝还是ChatGPT，大多是搜索式的，你得去找它，向它提问。而微信和苹果想要的，是环境式和场景式的，它只会在你需要的时候自动浮现。为了找到把前者变成后者的完美路径，它们现在这种看起来的沉默和克制，反而是最理智的选择。3、有些底线不能碰这种克制，还因为它们都有点生态洁癖。自己的地盘，规矩得自己定，哪怕过程很痛苦，充满争议。苹果的选择，最近大家都看到了，它向谷歌的Gemini和OpenAI的ChatGPT敞开了口子。听起来有点意外，苹果不是什么都爱自己研发吗？其实，这是个用空间换时间的聪明策略，自研一个顶尖大模型，成本高、周期长。苹果先让成熟的别人进来，把用户对先进大模型的期待和胃口填上。同时，它死死守住最核心的东西，用户的数据隐私安全，以及AI和iPhone、iOS系统深度结合的那种流畅体验。苹果宁可让自己的AI故事暂时变得复杂点，也不愿为了全自研的面子，砸了用户体验的里子。腾讯这边，慢得更有道理，它手里有中国最丰富的社交数据宝藏，但这恰恰是最大的禁区。微信里的聊天记录、朋友圈和转账记录，构成了一个极其精密的信用网络。拿这些数据去训练一个对外服务的AI，稍有不慎，就会引发毁灭性的隐私争议。即使是脱敏处理，只要AI过度介入了社交关系，微信那种去中心化的纯粹氛围就全毁了。所以腾讯的AI路线，很可能跟苹果想到一起了，押注端侧智能。就是让AI模型变小，直接在用户的手机本地运行。用户的数据不出手机，但AI还是能为你服务。这想法很超前，但需要等芯片算力和模型压缩技术再成熟一些。说白了，它们都不希望AI变成一个咋咋呼呼、抢尽风头的第三者。微信和苹果理想中的AI，应该是像水电煤一样的东西。你不在乎它们从哪里来，你只享受它带来的流畅体验和动力就行了。这背后体现了两家巨头共同的商业哲学，在底层技术尚未标准化之前，它们绝不会拿核心资产去做豪赌。4、一场必要的压力测试看到这里，大家可能会想：说了这么多，它们不就是因为船大难掉头，所以落后了吗？毕竟在当下的舆论环境，大家都喜欢看英雄迟暮和新王登基的戏码。别急，我们不妨回头看看历史。第一代iPhone出来时，诺基亚的高管们笑着它不耐摔、没键盘。微信诞生前，多少人觉得手机QQ已经够好了，不需要另一个聊天软件。现在，我们笑话苹果AI没新意，调侃腾讯AI只会撒钱，是不是有点像当年那些人？当然，并不是说它们肯定能赢，想表达的是，拿衡量轻装上阵的初创公司的标准，去评价微信和苹果这种生态巨头，本身就是一种逻辑错位。它们的困境，恰恰是因为它们太重。这份重，是数十亿用户的信任，是万亿市值的责任，是一个已经运转良好、不容有失的数字和物理世界。科技史有时挺公平。最初的热闹过去后，决定下一个十年的，往往是那些能提供最稳定、最深度的产品。当AI度过了毛躁的青春期，不再爱出错时，微信和苹果所擅长的系统整合能力，才会真正显露杀机。到那时，它们要做的，可能不是推出一个最会聊天的AI，而是更可能，默默地为行业定下新的规矩：告诉全世界，一个真正可靠、自然、尊重人的AI，到底该怎么融入我们的生活。今天的困境，对它们而言，或许只是一场必要的压力测试。巨轮调头是慢，可它一旦对准了方向，激起的浪花足以改变航路。【版面之外】的话：很多时候，我们容易陷入一种速度崇拜。在科技行业，快似乎代表了一切真理。但是对于微信和苹果来说，我们要意识到，他们之所以成功，不是因为他们总能率先发明什么，而是因为他们总能让复杂的技术变得顺手。现在的AI太显眼了，需要用户去适应它，去学习它的指令，去容忍它的错误。但在微信和苹果的理想世界里，AI应该是消失的。它不应该是一个吵闹的对话框，而应该是当你拿起手机、打开微信时，那种丝滑、精准且理所应当的服务体验。这种消失感的打磨，才是最难的工程。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
26
02/14
手机上80%的App面临失业？
GitHub上的开源项目OpenClaw近期迅速走红。在与YCombinator的访谈中，创始人PeterSteinberger抛出一句话：“未来的操作系统不再需要图标，只需要意图。”他甚至激进地判断，80%的App将因为不再被主动打开而自然消亡。这并非危言耸听，而是三种交互结构正在重塑“入口”。01.调度层重构：OpenClaw的“蜂群”思路OpenClaw不依赖单一模型，而是在后台协调多个Agent分工协作。它像一个中控台，让AI从“回答者”变成“执行者”。尽管目前在多步骤规划上成功率仍有衰减，但它证明了：在App之上，已经可以建立一层新的执行结构。02.硬件层接管：豆包手机的“视觉暴力”字节跳动选择了更直接的路径——不等待接口开放，利用视觉识别让AI自己“用App”。这验证了界面层接管的可能性，但在当前30TOPS的端侧算力瓶颈下，跨应用操作仍面临延迟（约3秒）与成功率（约50%）的现实挑战。方向已验证，但摩尔定律还需要时间。03.系统层洗牌：Apple与Google的攻守易形更深层的变化来自金钱流向。过去十年，Google每年向Apple支付约200亿美元保住“默认搜索框”；而据彭博社报道，未来Apple可能反向支付10亿美元以接入Gemini。这意味着入口的定价权已变：流量分发不再靠搜索框，而靠系统级AI。App不会消失，但角色正在边缘化。当AI能直接理解意图并跑通流程，“打开App”将不再是第一步。未来的手机将以意图为起点，而App终将从“交互终点”退化为被AI调用的“数字管道”。入口权的迁移，已经开始。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
26
02/14
AI能订酒店了，旅游中间商慌不慌
你有没有发现，这两年订机票和酒店时，你越来越少认真搜攻略了？以前你可能会搜索、对比、翻评价、选房型，再慢慢决定；现在更常见的场景，是刷到一条内容，看几条评论，直接下单。甚至，你已经开始习惯直接问AI：“我三天去成都，帮我排个行程。”对消费者来说，这是体验升级；对行业来说，这是决策权结构的变化。平台裁员是这种变化最直观的外化信号：近年来即便全球旅游需求持续恢复，Expedia、Traveloka等大型OTA仍陆续精简组织。一个反常问题浮出水面：越来越多人在旅行，为何平台却不再需要那么多分发和运营岗？最近在巴厘岛举行的HBXGroupMarketHubAsia交流活动，提供了一个很好的切口，把镜头从C端拉到B2B分销中间层，答案会更清楚。HBXGroup（Hotelbeds母公司）正好站在这层中间地带：一端连酒店库存和价格规则，一端连各类渠道与卖家，其系统每天要处理约78亿次搜索请求。它不需要讲故事，它只需要回答一件事——什么产品、什么价格、以什么规则，能被系统卖出去。也正因为分销处在供给与渠道之间的中枢位置，当决策越来越交给算法时，最先感受到变化的，往往正是这一层中间商。从HBXGroup最新披露的2026财年第一季度数据来看，其整体交易规模（TTV）同比增长16%，达到20.23亿欧元。但收入仅同比增长5%，整体变现率（takerate）约为8.4%，比去年同期下降约0.9个百分点。简而言之：交易在涨，但每一笔交易留在平台的钱更少。与此同时，MEAPAC（中东、非洲与亚太）已经成为HBX增长最快的区域，季度交易规模增速达到20%，但也是公司三大区域中takerate最低的市场。从长远趋势来看，规模扩张无法单纯依赖渠道铺设或价格优势，而必须建立在更高交易效率之上——包括更精准的需求判断、更灵活的动态定价，以及更高效的供给调度能力。也正是在这一现实约束下，AI的角色定位发生明显变化，不仅是提升内部效率的工具，更是贯穿定价、分发、撮合交易与履约的一套“交易决策引擎”。相关能力开始被产品化，并逐步输出给酒店端与合作伙伴，用于支持实时调价、需求预测和库存配置。简而言之，增长潜力和竞争压力都在亚太，而AI投入正好指向交易效率与定价能力。01真正的变化不在AI，而是决策权很多人把这一轮变化理解为“AI更聪明了”，但真正发生的，是旅行决策正在从用户界面，迁移到系统内部。过去，决策权在用户手里：你搜什么、比什么、选什么，平台只是把库存摊开给你看。现在，决策权前移到系统：筛选、排序、组合先在后台完成，用户看到的只是系统已经裁剪过的结果。搜索、比价、规划这段原本由人承担的决策链路，正在整体被系统接管。用户省下的是时间，行业失去的是“页面时代”的定价权。行业关注点，正在从流量入口，转向谁能真正组织一笔交易。把目光放回中国市场，会发现许多在海外被视为“下一代分发形态”的变化，在国内早已成为日常。在小红书、抖音等平台上，消费决策早已脱离“搜索—比价—筛选—下单”的路径，更多是在同一个内容场景中完成触达、建立信任并直接成交。发现、影响与交易被压缩在同一流程里，而算法在其中实际承担着最关键的一步——决定用户会看到哪些选项。对多数用户而言，真正的决策空间，早已发生在算法完成筛选之后。你并不是在全市场里挑选，而是在系统为你构建的一小部分候选集中确认结果。中国超级App生态，本身就是这种分发逻辑的提前样本。用户并不关心背后是OTA、品牌官网还是第三方系统，只在意是否顺手、是否能立即完成购买。随着生成式AI和个人助手进入消费场景，算法正在从“信息过滤器”升级为“决策组织者”，开始直接承担目的地判断、行程组合与产品匹配，甚至在授权前提下完成下单。从你在算法提供的选项中选择，正在走向由算法替你完成选择。也正是在这样的环境下，“未来的旅行决策者不一定是你”这句话，正在逼近现实。02技术重构分发，抬高供给侧生存门槛在这种新的游戏规则下，旅游业者的竞争焦点正在发生根本性偏移。过去你可能是在和平台争夺曝光，或者和同行厮杀价格，现在则是在争夺一个更底层的基础：你的产品，是否具备被算法瞬间调用的能力。在以代理系统为核心的新分发体系中，分发的决定权已经从流量渠道转向数据结构。如果说过去只要能上架、能买流量，就有机会成交，那么现在的准入条件，已经变成了产品本身的结构化程度。当用户把行程交给AI助手时，如果你的价格规则、库存状态、退改政策，甚至房型标签无法被机器稳定解析，哪怕你在社交媒体上再红，在算法的世界里也等同于不存在。这种透明而冷酷的机器筛选，正在快速收紧供给侧的准入边界。更进一步看，真正被AI重构的，并不只是分发方式，而是整个行业的定价权和履约标准。当下一个下单者从人类变成系统，酒店和供应商面对的考题就变成了一组极其具体的能力指标：你的权益边界能否自动校验，你的退改规则是否可以被实时判断，你的产品标签是否支持系统直接组合行程。这些技术颗粒度将直接决定你是否还能留在可成交的池子里。当算法成了新的采购方，你的产品还能被它“上架”吗？如果进不了交易流程，流量再大也只是热闹。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
26
02/14
科技赋能居住革命，5G+AI装修管理软件寻求资源支持
在房地产行业步入深度调整期的今天，如何有效去化库存、提升居住品质，已成为关乎经济与民生的双重课题。在这一背景下，一项旨在通过前沿科技重塑行业生态、改善人居体验的创新项目正悄然萌芽。由拥有近十五年房地产行业经验的资深人士代晓光创立的“5G+AI数智化装修管理软件”项目，试图为这一复杂难题提供全新的技术解决方案。从行业痛点到民生使命：一个创业者的初心该项目的诞生，并非偶然。创始人代晓光在房地产领域深耕近十五年，亲眼目睹了行业的起伏与变革。他深切体会到，当前房地产领域所面临的问题，远远超出经济范畴，更紧密关联着普通百姓的生活质量与社会福祉。商品房库存去化缓慢、装修过程不透明、居住体验参差不齐等现象，不仅影响市场健康，也间接牵动着农村留守儿童、城市务工家庭、养老居住环境等多元社会议题。基于这样的观察，代晓光坚信，唯有真正扎根行业、理解痛点的人，才可能找到可持续的解决路径。他怀揣着“通过技术改善居住民生”的强烈使命感，主导研发了这款整合5G通信与人工智能技术的装修管理平台。在他看来，房地产是民生保障的重要一环，只有让人住得更好、更舒心，整体社会的幸福感才能真正提升。这也构成了该项目最核心的创业初心与价值导向。5G+AI：重塑装修全流程的数智化引擎该项目并不局限于某一环节的优化，而是旨在对装修全过程进行系统性的数字化重塑。其技术核心建立在5G与人工智能的深度融合之上。借助5G网络高带宽、低延迟、广连接的特性，软件能够实现装修过程中设计方案、施工进度、材料加工、物流配送、质量验收这五大关键节点的数据实时同步与多方共享。这意味着业主、设计师、施工方、材料供应商等各方可在同一平台上无缝协作，彻底告别信息孤岛与进度黑箱，实现全过程的可视、可管、可控。而在用户体验侧，AI技术则扮演了“场景增强”的角色。通过高精度三维建模与虚拟现实技术，系统能够将大型家电、定制家具、软装搭配等元素，以高度逼真的方式沉浸式呈现给消费者。购房者或业主可以在决策前“预览”未来家的样貌，甚至模拟不同光照、布局下的生活场景，从而极大提升参与感与满意度，减少后续纠纷与修改成本。对接政策与展望未来：一条稳健可行的发展路径尽管项目构想宏大，且被团队视为在商业与技术模式上均具备创新性，但其发展策略却尤为注重稳健与合规。代晓光明确表示，项目的推进离不开与政府主导方向同频共振。当前阶段，核心挑战并非资金，而是亟需获得相关政府资源的支持与协同，以推动模式在真实场景中的落地验证。这一思路已初见成效。据悉，项目方案已于近期按程序上报至相关中央部委，建立了初步的沟通。这为项目后续与地方试点、产业政策对接奠定了重要基础，也体现出项目寻求在规范框架内助力行业转型升级的思路。展望未来，团队的愿景并未局限于国内。一旦模式在本地市场得到成功验证，他们计划将这套系统与运营经验拓展至海外市场，尤其是那些同样面临建筑业数字化转型需求的国家和地区，展现出立足中国、面向世界的技术自信与商业雄心。科技的温度，在于服务民生对于代晓光而言，房地产归根结底是服务于人的行业。他的心得体会朴素而深刻：“只有让百姓住得踏实、舒心，社会发展的根基才会稳固。”这个5G+AI装修管理软件项目，正是他将科技能力与民生关怀相结合的一次重要实践。在行业转型的十字路口，或许正是这种以技术为手段、以人为尺度的创新，能为中国房地产市场的健康发展与人民居住品质的提升，开辟出一条兼具效率与温度的新路径。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
26
02/13
软件没有死，但“通用软件”已死
AI时代如何投资软件：谁会被颠覆，谁会发展壮大？近期，软件股正在遭受重创！这种下跌并非针对特定标的，也非战术性调整，几乎是无差别的打击。观察当下的行业现状，与其说是板块轮动，不如说更像是一场大清算，甚至到了彻底投降的地步。无论是增长领头羊、赛道赢家、基础设施平台，还是通用型SaaS或垂直型SaaS，全都在同步跌落。我今天在X上看到的一张图表，极其直观地展现了这种残酷现状。在数十家知名软件公司中，股价较近期高点的回撤幅度非常集中。这种跌幅通常只会在企业面临生存危机时出现，而非仅仅源于周期性的不确定性。这不是板块轮动，这是在投降。看来在投资领域，“硬件”已经成了新的“软件”。——PaulAndreola我最近看到一条推文，完美捕捉到了这种情绪。文中提到，眼下的波动已经超出了普通回撤的范畴，那些在一年期限内输不起的投资者，正对整套商业模式丧失信心。不确定性一旦增加，细节上的差异往往会被忽略。大家开始精简持仓，抛弃复杂的投资逻辑。软件股不再被视为商业模式各异的集合，而变成了一个同涨同跌的单一交易标的。与此同时，软件行业的竞争边界正在发生明显变化。以往定位为券商平台的Robinhood，现在正尝试将全方位的报税服务、遗产规划以及专门的理财顾问功能集成到一个应用中。这不仅仅是产品线的扩张，也预示着软件类别、金融服务和专业服务之间的传统界限正在瓦解。随着软件开发成本降低、分发变得更容易，相邻行业开始产生碰撞。投资者不再纠结颠覆是否会发生，转而关注它将从哪里率先突破，以及会对现有的利润池造成多深的打击。正因如此，最近一期由GokulRajaram担任嘉宾的《InvestLiketheBest》播客节目对我来说显得格外重要。我曾总结过该节目许多期的核心观点，最近的一期是关于HenryEllenbogen的访谈。在此，我想再次向主持人PatrickO'Shaughnessy表达谢意，感谢他通过免费分享这些节目内容所创造的巨大价值。Rajaram曾在Google、Facebook、Square和DoorDash负责过产品打造，并投资了700多家公司。在对话的前半部分，他并没有复述AI将改变一切这类空泛的论调。相反，他提出了一套思维模型，旨在区分哪些软件业务在结构上极易受到冲击，而哪些又具有出人意料的韧性。当你把他的观点串联起来时，比如关于记录系统、定价模式、数据持久性、工作流深度和产品黏性等，一套清晰的分析框架便浮现出来。这套框架能帮助投资者更精准地判断，哪些软件股最容易被颠覆，而哪些公司其实拥有比市场认知更深的护城河，正在默默地保护着自己。在接下来的内容中，我将尝试重构并扩展这一框架。它并非一份简单的核对清单，而是探讨AI智能体时代软件经济学与持久性的一种思维方式；最终，它也将作为一个视角，带我们看清这场行业多年未见的、极为盲目的抛售潮。问错了问题如果你观察大多数关于AI和软件的讨论，就会发现话题往往集中在一个非黑即白的问题上：AI到底会不会颠覆软件公司？这种视角很有诱惑力，因为它足够简单，但也带有很强的误导性。颠覆是否会发生并不是重点，核心在于它发生的位置、演进的速度，以及软件栈的哪些层级在结构上暴露在风险中，哪些层级则拥有天然的屏障。GokulRajaram提出了几个观察软件业务的角度，用以评估其脆弱性或防御能力。▍1.记录系统与其它一切软件Rajaram在这方面做了一个区分，他认为市场目前很少能对此准确定价。他指出，传统软件公司可以归为两类本质不同的范畴：记录系统，以及按效用或结果定价的软件。“当下最该感到忧虑的，是那些将产品定价与效用挂钩的软件公司”。并非所有软件都是一样的。有些系统位于公司运营的核心。另一些更接近表层，在不引发组织性冲击的情况下，它们的功能可以被复制、增强或逐渐替代。在多数企业的核心位置，都存在着所谓的记录系统。这些平台包括财务系统、核心ERP平台、CRM数据库、医疗记录以及法律档案库等，长期积累着企业的各种关键数据。这些系统早已超越了普通工具的范畴，承载着企业多年运营积淀下的家底。更换这类系统，从来不只是一个简单的技术问题，更是一项足以左右个人前途的重大抉择，背后潜藏着巨大的职业风险。正因为动到底层根基的代价太高，哪怕市场上出现了明显更优秀的替代方案，往往也难以在企业内部真正落地。每个垂直行业都有自己的记录系统，其中既有根基深厚的老牌厂商，也有近年崛起的新秀。这类系统存储了该行业绝大部分的核心数据，比如法律行业的Filevine或Clio，销售领域的Salesforce，以及医疗领域的Epic。以Salesforce为例，你不能只凭一句“我的产品更优秀”就想取而代之。看看CRM系统里装载的内容，那是企业的客户档案，而客户支持系统则记录着客户的各种反馈与诉求。除非你能提供一套简单且无缝的方案，把Salesforce、Jira或Zendesk里的数据完整搬迁过来，否则客户绝不会轻易搬家。实际上，光是开发出这样一套迁移机制，往往就需要投入长达2年的精力。过去十年，在这些记录系统的周围，涌现出了一层日益庞大的软件生态。这些工具的作用在于自动化流程、提升协作效率、提供数据分析或优化特定功能。它们虽然很有价值，却不具备基础性的地位。在很多情况下，这些工具并不直接拥有核心数据，其运作高度依赖背后的记录系统。在AI智能体时代，这种依赖关系成了决定胜负的关键。核心洞察在于，AI原生产品自然会先从外层软件下手。它们无需取代核心系统就能创造价值，通过伴随在系统侧边拦截工作流、自动化任务，就能逐步削弱现有软件的商业地位。正因如此，软件行业的颠覆在早期阶段往往悄无声息。此时一切看起来依然运转正常，客户也没有大规模流失。然而，客户购买的账号席位开始缩减，使用的功能也在变少，他们转而更多地依赖外部自动化方案。这种静悄悄的转变会逐渐掏空现有的商业模式，却不会触发任何重大的系统搬迁或数据迁移。这种态势也解释了为何老牌软件公司的防御色彩日益浓厚。当核心平台意识到外部智能体正将自己视作“毫无灵魂的数据库”时，它们的直觉反应就是收紧访问权限、捆绑竞争性功能，或者针对数据提取收费。其中的战略逻辑非常清晰：如果价值正通过接口不断外溢，那么接口本身就成了短兵相接的战场。“到了2024年，情况发生了变化。这些老牌软件商发现，那些新兴的AI和智能体公司正在逐步接管它们的功能，仅仅把它们当成一个存数据的‘原始仓库’。于是从去年开始，你会看到这些公司纷纷收紧策略，切断了API的访问权限。”对于投资者来说，核心系统与外围软件的区别不仅是技术上的细节，更是衡量被颠覆风险的首要结构化维度。如果一家公司的产品已经深深嵌入客户的业务运作肌理，它所遵循的商业逻辑，与那些仅仅叠加在现有基础设施之上的软件有着本质区别。随着软件开发门槛的降低，以及AI智能体能以极低的边际成本复制各种功能，软件栈的外层已经沦为各方激战的战场。核心层虽然目前黏性更强，但恐怕也无法永远高枕无忧。▍2.定价模式：是隐形的护城河，还是潜在的“负债”？投资者在谈论软件公司的护城河时，焦点往往集中在产品功能、品牌实力、客户黏性或网络效应上。定价模式很少被列入其中，因为在大家看来，它似乎是次要的，甚至只是某种修饰性的商业细节。然而，在AI驱动的时代，软件公司向客户收费的方式，或许是预判其会被颠覆还是能成功自保的核心指标。乍一看，定价似乎纯粹是一个商业层面的决策：是按席位收费还是按使用量计费？是采取订阅模式还是消耗模式？以按人头计费（席位制）的软件为例。在过去几十年中，这种模式几乎就是SaaS成功的代名词。企业将许可证卖给具体的员工，每一个席位都对应一个职能岗位，营收规模则直接取决于客户的员工人数。在那个由人类主导工作、软件仅提供辅助的时代，这套商业逻辑运作得天衣无缝。然而，随着AI智能体的介入，这套逻辑开始土崩瓦解。如果智能体能够代劳原本由人类处理的部分工作流，企业所需的账号席位就会不可避免地缩减。这种变化不会在一夜之间爆发，也不会引发激烈的系统更迭，它往往以一种循序渐进、甚至让人难以察觉的方式悄悄演进。Zendesk就是一个很好的例子。从根本上讲，Zendesk是按席位计费的，每一个席位都对应着实际的产出效用。也就是说，每个席位都代表一名处理特定工单量的客服人员。这类公司确实应该感到担心，因为我完全可以在Zendesk系统的基础上接入AI智能体，从而慢慢分流掉原有的工作量。企业不再需要购买50个席位，可能减到20个就够了，剩下的空缺由30个AI智能体来补位。这种蚕食是渐进发生的。客户不需要做一个孤注一掷的决断，这更像是一个灵活且可随时调整的“双向门”决策。在我看来，这类公司正处于最危险的境地。这正是某些软件品类在结构上更容易受到冲击的原因。当定价模式与人力投入深度绑定时，AI根本不需要通过取代产品本身来打击公司的盈利模式。它只需减少原本该软件所需的人力投入，就能让软件商的收入大幅缩水。这本质上就是目前市场看空Adobe的核心逻辑。相比之下，那些定价与数据、产出成果或系统级功能挂钩的软件，其表现则大不相同。如果一个平台掌握着长期积累的核心数据集，或者运行着关乎生死存亡的关键流程，它的价值就很难被拆解成一个个可以被轻易替代的零件。即便AI智能体可以增强或自动化部分工作流，核心系统依然稳如磐石。在这种情况下，定价模式背后体现的是一种更深层的掌控力。这类公司卖的不再是简单的账号席位，其实质在于提供对企业“运营家底”或“业务骨干架构”的使用权。那些被颠覆风险较低的公司，其产品的核心价值不再由席位数量决定，其底气源于长期积累和沉淀下的深厚数据。数据随时间沉淀的价值越高，公司的防御能力就越强。以ERP系统NetSuite为例，先撇开其具体的收费模式不谈，由于它实际上掌控着整个企业的核心业务流，具有极强的不可替代性。在这种背景下，很难想象会有人为了替换它而押上自己的职业前途，因为这种冒险缺乏足够且令人信服的理由。这种差异解释了软件行业的一个怪现象。在AI叙事的冲击下，有些公司表现出惊人的韧性，而另一些公司即便产品普及度极高且口碑载道，依然显得弱不禁风。这种脆弱性的根源未必在于技术层面的落后，更多时候取决于底层的商业模式架构。即便一家公司拥有卓越的产品，如果其定价模式允许竞争者逐步蚕食其业务价值，它依然难以自保。与此形成鲜明对比的是，某些公司的产品或许并没那么光鲜亮丽，但由于其定价逻辑植根于某种难以被复制或绕过的核心资产，这类公司反而展现出了极强的生命力。虽然企业理论上可以把商业模式从“按人头计费”转向“按量计费”，但GokulRajaram指出，这种转型过程极为痛苦，通过私有化来完成或许是更好的选择。“这些公司需要将定价模式改为按效果收费，并且产品的研发逻辑也要随之调整。这绝非易事，因为你原本能稳定赚取每个席位20到30美元的收入，现在却要改成按每解决一个问题收一美元甚至几毛钱，谁也无法预料最终的财务表现会如何。由于这种定价模式的转变极具挑战，我认为其中不少公司可能需要通过退市私有化来完成商业模式的重塑。对一家上市公司来说，这种转型带来的压力和不确定性实在太难承受了。”▍3.数据半衰期如果说定价模式揭示了软件业务的脆弱程度，那么数据则指出了背后的深层原因。各种数据的价值并不等同，它们“老化”的速度也大相径庭。在AI智能体时代，一家软件公司能否长久生存，正日益取决于它所掌控的信息是否具有持久的价值。有些软件产品产生的数据具有极强的瞬时性。比如即时消息、待办任务、短期协作以及碎片化的交互记录，尽管这类数据在产生之初很有用，其价值却会迅速流逝。随着时间推移，这些数据的关联性逐渐减弱，预测能力不断缩水，战略意义也随之消散。一旦AI智能体复现了这类产品的功能，底层数据几乎无法提供有效的保护。如果未来的系统能轻而易举地重构过去的业务流，那么所谓的历史积累也就失去了防御价值。另一些软件平台所积累的数据，其性质更接近于企业的运营家底。财务记录、客户往来史、供应链关系、合规档案以及运营日志，这些内容不仅仅是软件使用过程中产生的副产品，更是构成企业自身的血肉骨架。替换一个承载着此类数据的系统，早已超出了技术项目的范畴，对于依赖它的企业来说，这往往是一场关乎生死存亡的冒险。正是这种差异，解释了为什么某些软件公司即便技术架构显得陈旧，在变局面前依然稳如泰山，而另一些公司虽然产品时尚且用户活跃度极高，却始终笼罩在危机感中。衡量风险的核心变量并不在于创新的快慢，真正的关键在于系统中所积淀数据的“半衰期”长短。当数据拥有较长的半衰期，AI智能体便难以将其绕过。即便AI可以实现工作流的自动化、增强决策能力并优化交互界面，却很难凭空重构几十年积淀下的档案记录、人脉关系以及各种隐性知识。由此产生的是一种结构性的防御力。这种力量通常不会体现在功能参数的对比表或产品演示中，而是深藏于巨大的系统迁移阻力与组织变革风险之中。“像ERP系统，甚至像Salesforce这种承载着销售数据与档案的平台，里面存储的是真实的客户资产。想要撼动它们，绝非易事。”相比之下，如果数据的价值流失得很快，AI智能体几乎能瞬间发起竞争。它们不需要重构过往的历史信息，只要能复现现有的功能即可。随着时间推移，这种局面会引发一场微妙却强力的价值迁徙。原有的软件系统会逐渐失去吸引力，价值将流向那些能够摆脱旧有架构束缚、且能交付同等成果的新层级。“以Slack为例，它的处境恐怕更加危险。Slack内部存储的数据大多缺乏跨越时间的生命力，其‘半衰期’非常短暂。”对投资者而言，最关键的问题在于，数据能否在对客户或组织真正有意义的时间跨度内持续发挥作用。如果一家软件公司的数据在短短几个月后便失去意义，那么它所处的赛道，与那些数据价值能随年岁增长而不断积淀、产生复利效应的公司，完全是两码事。▍4.工作流深度测试每家软件公司都同时运作在两个截然不同的现实层级上。一个层级关乎数据，另一个层级则关乎行动。我们在第一部分讨论过的“记录系统”构成了第一个层级。这里是信息随时间不断积淀的场所，存储着企业的运营家底，也编码了组织运行的真实逻辑。想要替换这种系统确实极难，因为这无异于改写历史。然而，绝大多数的颠覆往往并不会从这里拉开序幕。工作流深度则属于第二个层级。它体现了一款产品在多大程度上介入了基于这些数据的决策过程与执行环节。有的产品仅能完成某些单一任务的自动化，而有的产品却能协调由逻辑判定、审批流程、例外处理以及组织行为交织而成的复杂链条。这种深浅之别，决定了AI智能体是否能在不重构企业底层运行逻辑的情况下，真正实现对该软件功能的有效替代。其次，你需要锁定高价值的工作流。这些工作流应当具备足够的深度与复杂度，并且需要调用特定的定制化数据。在企业软件的早期阶段，大部分产品只是服务于人类的工具。虽然它们能辅助工作流，却无法从根本上独立完成任务。AI的出现彻底改写了这种互动关系。当软件进化为智能体，它不再仅仅扮演辅助角色，而是开始接管并执行工作流。这也正是颠覆很少从记录系统开始的原因。变革往往源于那些与核心系统对接的简单流程。这些流程大多具有重复性、遵循特定规则且高度标准化，AI可以在不触动企业数据底座的情况下实现自动化。“我认为这个赛道的一大挑战在于，底层模型的能力正变得如此之强，以至于如果你试图创办一家业务逻辑‘轻薄’、没啥门槛的公司，那些基础模型厂商分分钟就能把你吞并。”因此，从AI原生公司的视角来看，战略目标并非直接挑战“记录系统”本身，而是盯上建立在其之上的“工作流”层。通过将一个切口虽小但价值极高的特定流程实现自动化，智能体能够为企业带来立竿见影的经济效益。这为老牌软件公司制造了一个悖论：“记录系统”固然难以更替，但构建其上的工作流往往脆弱得令人意外。一个工作流与组织逻辑纠缠得越深，自动化就越困难；反之，如果它越浮于表面、越模块化，就越容易被拆解。过去十年间崛起的许多SaaS公司恰恰处于这个危险的“中间地带”，它们的复杂度足以支撑其订阅制收费，但模块化程度又高到足以被AI智能体像剥洋葱一样，一层一层地剥离。因此，对于投资者而言，工作流深度测试是对“记录系统”分析的有力补充，而非替代。核心问题不再仅仅是这家公司是否拥有关键数据，而是它所攫取的价值，是否与其围绕数据构建的执行逻辑达到了血肉相连、不可分割的程度。▍5.其他结构性优势？到目前为止，该分析框架的重点一直落在软件本身，即定价模式、数据耐用性以及工作流深度。但如果AI降低了软件的开发门槛，并让功能的复制变得易如反掌，那么生命力最强的公司，将日益趋向于那些护城河延伸至软件之外的企业。换句话说，核心问题不再是产品在技术上是否领先，而在于其业务是否在结构上与那些纯软件手段难以复刻的现实因素深度纠缠。在传统的SaaS时代，防御力往往源于规模效应和分发能力。但在AI时代，这些优势的瓦解速度正在加快。模型在持续进化，智能体变得越来越廉价，交互界面也逐渐趋于通用商品化。真正难以被复制的，是那些处于软件与物理世界、金融体系、监管合规或社会关系交汇点上的事物。某些公司通过将自己植入难以重建的网络中，从而获得持久的生命力。Gokul：“在AI时代，我认为黏性主要源于几个方面。首先，你必须具备网络效应。比如DoorDash之所以有黏性，并不只是因为它有一款精美的App，而是因为它构建了一个由餐厅、配送员和消费者组成的庞大网络。你不能只攻击其中一环，你必须……”Patrick：“你没法靠‘氛围感编程’（Vibecoding）凭空变出后面这两样东西。”另一些公司则通过成为资金流的中介来建立壁垒：“第二个关于黏性的例子，是当你的系统中承载着财务往来或资金流动时。许多记录系统（例如餐饮系统Toast）都集成了支付功能。我认为这非常有意思，因为你不能只做一个收银终端（POS），你还必须让资金在其中流转。看看银行就明白了，银行就是个很好的例子。一旦你使用了像Mercury这样的商业银行，你的资金流就会锁定在其中，很难切换，因为这背后嵌入了监管合规等一系列复杂因素。所以，我非常看好这种‘金融服务+软件’的组合模式。”……此外还包括合规义务，或者是实际的物理运营基础设施：“第三种黏性来自硬件。你可以拥有真实的物理载体。Toast也是一个绝佳的例子，他们会免费给你提供硬件设备，但如果你想退货，就得付钱。无论如何，硬件就摆在那儿。竞争对手不能只开发一套软件就完事了，他们必须得拿着自己的硬件设备上门，把Toast的机器拆掉，再把自己的装上去。”这解释了为什么某些公司在剧烈的技术变革面前，依然表现出惊人的韧性。它们的价值主张不仅体现在功能层面，更是系统性的。想要取代它们，不仅需要重构软件，还要重构信任、网络、流程、硬件、法律框架以及经济关系——或者是这些因素的综合体。在这种语境下，切换成本无法用研发工时来衡量，而要用组织动荡程度来评估。“如今软件的半衰期极其短暂。除非你拥有某些能让它长久生存的特质——汉密尔顿·海尔默（HamiltonHelmer）曾提出过《策略七力》（7Powers）。你必须确保从第一天起，业务模式中就嵌入了这七种力量中的某几种，公司才具备生存根基。”总结：软件公司颠覆风险审计框架行文至此，一个清晰的评估范式已初现轮廓。我们可以通过以下五组核心矛盾，来审视一家软件公司的根基：记录系统（Systemsofrecord）vs.表层工具（Surfacetools）按席位定价（Seat-basedpricing）vs.基于数据的经济模式（Data-basedeconomics）长效数据（Timelessdata）vs.瞬时信息（Ephemeralinformation）深层工作流（Deepworkflows）vs.浅层自动化（Shallowautomation）持久结构优势（Durablestructuraladvantages）vs.浅层优势（Shallowones）拆开来看，这些观点直观易懂；但合而为一，它们构成了一套极具杀伤力的评估工具，能帮我们洞察在AI智能体时代，一家软件公司究竟是稳如泰山，还是金玉其外。这种方法的价值并不在于它能板上钉钉地预判输赢，而在于它提供了一个更有意义的切入点：它迫使你打破“所有软件公司风险均等”的错觉。你不再只是机械地询问一家公司是否能“免疫AI”，而是开始深挖一系列结构性问题——它的价值到底根植于何处？这种价值被剥离的难度有多大？第一个问题：这款产品在客户的组织架构中，究竟扮演着什么角色？这个问题看似简单，实则一针见血。如果它身处运营数据与决策流程的核心，那么动它的代价和“政治风险”就会极高。反之，如果它只是寄生在现有系统之上的外挂，那么替换它可能只是为了图个方便，而非关乎生死。这种定位上的云泥之别，往往就是韧性与脆弱的分水岭。第二个问题关乎经济架构：这家公司是在将“人力劳作”变现，还是在将某种“独立于员工人数”的事物变现？如果营收规模随着席位、功能或那些AI能自动化的使用量而增长，那么这种商业模式就面临着被逐渐蚕食的风险。反之，如果营收与长效数据、合规义务或系统级产出挂钩，那么公司就站立在更坚实的地基上。第三个问题聚焦于时间：公司数据的价值能持续多久？如果昨天的信息到了明天就变得无足轻重，那护城河就很浅。如果数据的相关性在数年间不断复合增长（复利效应），那么颠覆它就不只是做一个更好的界面，而是需要重构整个组织的记忆。第四个问题考察工作流的拓扑结构：AI智能体是否能在不更换底层系统的情况下，直接复现核心工作流？如果答案是肯定的，那么这家公司就很容易被蚕食式替代；如果是否定的，挑战者就必须面对重建整个技术栈这一难如登天的任务。最后一个问题则跳出了软件本身：有哪些非软件类的结构性优势在支撑着业务？网络效应、金融链路、硬件部署、监管牌照以及组织习惯，这些都充当了隐形的防御堡垒。一家公司对这些结构的依赖程度越高，就越不容易被纯粹的软件创新所取代。综上所述，这些问题构成了一份颠覆风险审计表，让我们能从多维视角而非单一维度来看待软件业务。一旦你采用了这些理念，当前软件股的动荡看起来就不再那么混乱了。软件股并非一个同质化的资产类别，有些公司之所以更脆弱，并不是因为管理不善，而是因为它们的价值恰好位于那些极易被AI拆解的层级；而另一些公司则表现出更强的生命力，这并非因为它们对技术变革免疫，而是因为它们的优势深深植根于AI难以轻易复刻的资产之中。结论当前软件行业的抛售潮看起来惊心动魄，但背后其实有着理性的支撑。AI智能体确实正在从根本上改变许多软件股的尾部风险概况（即极端崩盘的可能性）。ThomasReiner在下方的推文中指出，即便一家公司能在未来15年内保持14%的增长（这已经远超一般的行业基准水平），其估值也“仅仅”相当于20到25倍的自由现金流（FCF）。我不太确定Rainer到底使用了多少折现率（DiscountRate），所以我自己重新算了一遍：如果按10%的折现率计算，其内在价值确实就在20倍自由现金流（FCF）左右。我之前曾提到，投资者需要保持一份谦逊，去正视我们正在见证的这种指数级技术跃迁。你真的敢拍胸脯保证，某只软件股X、Y或Z在15年后还会存在吗？“这类分析（如现金流折现模型DCF）包含两个核心假设。当然，假设远不止两个，但我重点点出这两个：1.留存率（RetentionRates）：你假设留存率会持续保持高位且稳定，这样你才能预测未来10年的稳定现金流。一旦留存率松动，现金流就会一落千丈。2.终值（TerminalValue）：你假设这门生意是有‘终值’的。换句话说，你假设它的终值不是0。那么现在发生了什么？这两个根本性的假设正受到前所未有的质疑，这就是估值雪崩的根源。”——JaminBall所以，我再次强调，目前的抛售在我看来并非完全失去理智——尤其是考虑到此前某些软件股那高高在上的估值。真正不理智的行为，是市场将那些本质上完全不同的（软件）商业模式“一刀切”，仿佛它们注定要走向相同的命运。事实果真如此吗？在某些情况下，确实如此。然而，如果我们回顾开篇提到的那个表格，你会发现，根据本文的框架，过去一年跌幅最惨重的几只股票，恰恰是那些在智能体（AgenticAI）时代防御力最为薄弱的商业模式（比如Wix、Duolingo和Figma）。当你学会透过记录系统、定价架构、数据半衰期、工作流深度以及非软件护城河这几层棱镜去观察时，软件行业就不再是一个面目模糊的整体。有些公司在结构上就极易被竞争者“蚕食”价值；而另一些公司则被深厚的数据引力、极高的迁移摩擦以及对现实世界流程的深度嵌入紧紧守护着。这两者之间的天壤之别绝非细枝末节，但如果你依然只盯着传统的SaaS指标（如ARR、NDR等）看，就极易与真相擦肩而过。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
26
02/12
这脑洞神了，两AI“互喷”，竟治好祖传科研软件95%老毛病？
过去几十年，科学计算领域诞生了无数开源工具，却鲜有能「开箱即用」。深势科技Deploy-Master以执行为中心，用自动化工作流一次性部署验证超5万个工具，为AgenticScience铺平道路。过去几十年里，科学计算领域积累了数量空前的开源软件工具。从生物信息学、化学模拟，到材料计算、物理仿真与工程设计，几乎每一个学科方向，都形成了自己的工具生态。在GitHub等平台上，成千上万个代码仓库声称可以被用于科研实践。但一个长期存在、却始终没有被系统性解决的事实是：绝大多数科学软件，停留在「被发布过」，而不是「可以直接运行」的状态。在真实科研实践中，我们往往需要花费数天甚至数周时间，反复解决编译失败、依赖冲突、系统不兼容等问题，才能在本地「勉强跑通」一个工具。这样的运行环境高度依赖个人经验，往往是临时的、不可移植的，也很难被他人复现或复用。每个研究者、每个实验室，都在手工维护自己的运行环境，而不是在一个共享、可复现的执行基础设施之上开展工作。这种模式带来的问题，并不只是效率低下。更关键的是，它在结构上限制了科学软件的三件事情：可复现性、大规模评估，以及系统性集成。即便容器化、云计算和HPC平台已经显著降低了算力门槛，这一「部署瓶颈」依然真实存在，并且长期制约着科学软件的可用性。随着AIforScience（AI4S）的兴起，这一问题被进一步放大。在新的科研范式中，AI系统不再只是输出预测结果，而是需要与真实的科学工具发生紧密交互：1.调用求解器；2.执行模拟程序；3.运行分析管线；4.处理真实数据。在这样的背景下，一个工具是否「真的能跑」，不再是工程细节，而是第一性问题。这一问题在AgenticScience场景中表现得更加尖锐。如果工具依赖隐含环境、执行高度脆弱，那么智能体的规划将无法真正落地，执行失败也无法被结构化分析，更不可能转化为可学习的执行轨迹。从这个角度看，工具是否部署就绪，已经成为制约AI4S与AgenticScience规模化发展的结构性瓶颈。基于这些观察，深势科技逐渐形成了一个判断：科学软件的问题，并不在于工具不够多，而在于缺乏一个能够将工具系统性转化为可执行事实的共享基础设施。Deploy-Master，正是在这一背景下被提出的。在真实世界中，部署并不是一个孤立步骤，而是一条连续链路：工具能否被发现、是否被正确理解、能否构建环境、以及是否真的可以被执行。Deploy-Master正是围绕这条链路，被设计为一个以执行为中心的一站式自动化工作流。SearchAgent，百万级仓库搜索在大规模场景下，部署的第一个难题并不在构建，而在发现。如果候选工具集合本身存在系统性偏差，后续所有自动化都会被放大为偏差。为此，他们从91个科学与工程领域出发，构建了一个覆盖AI4S实际应用场景的学科空间，并使用语言模型扩展搜索关键词，在GitHub与公共网络中进行大规模检索。初始召回得到的仓库，会作为「锚点」，通过依赖关系、引用关系、共享贡献者和文档链接等信号进行迭代扩展，从而避免仅依赖关键词搜索带来的盲区。随后，他们通过结构启发式规则剔除明显不可执行的仓库，并由agent进行语义判断，确认其是否构成一个可执行科学工具。通过这一多阶段漏斗流程，他们将最初约50万个仓库，收敛为52,550个进入自动部署流程的科学工具候选。这一步的意义，不仅在于筛选工具，更在于第一次以结构化方式刻画了真实科学工具世界的规模与边界。BuildAgent，双模型辩论在构建阶段，大家面对的并不是一个「有明确说明书」的世界。大量科学软件仓库的构建信息是零散的、不完整的，甚至相互矛盾的。README文件可能早已过期，已有Dockerfile也未必反映当前代码状态，而关键依赖往往只存在于作者本地环境中。BuildAgent会系统性地遍历仓库中的构建线索，并在必要时进行补充信息检索，生成初始构建方案。早期实验表明，仅依赖单一模型生成构建规格，成功率只有50%–60%，失败主要源于构建信息中大量隐含、未被显式表达的假设。为此，Deploy-Master引入了双模型评审与辩论（debate）机制：一个模型提出构建规格，另一个模型独立审查并主动寻找潜在不一致、缺失依赖或环境假设，提出修正建议。两者通过多轮交互，不断修正方案，直到形成稳定、可执行的构建规格。这一机制将整体成功率提升到了95%以上。每一个工具最终都会通过一个最小可执行命令进行验证。只有通过执行验证的工具，才会被视为成功部署，并被进一步结构化、注册和发布到玻尔与SciencePedia上，使其可以被直接使用，或被其他agent（例如SciMaster）调用。从构建时间的分布来看，大规模部署并不是一个「均匀」的过程。尽管大多数工具可以在7分钟左右完成构建，但整体分布呈现出明显的长尾特征。一部分工具仅包含轻量级脚本或解释型代码，构建过程相对简单；而另一部分工具则涉及复杂的编译流程、深层依赖以及系统级库配置，其构建时间显著更长。这种差异并不会阻止整体流程的推进，但它决定了部署在规模化条件下的成本结构。在成功部署的50,112个工具中，我们观察到一个高度异构的语言分布。工具覆盖了170多种编程语言，其中Python占据了最大比例，其次是C/C++、Notebook形式的工具、R、Java等。绝大部分语言部署成功率都稳定维持在较高水平。少数成功率相对较低的语言，主要集中在依赖复杂编译链或系统级库的场景，例如C/C++、Fortran以及部分R工具。这并不意味着这些语言「天生更难部署」，而是反映了其工具链对底层环境的耦合程度更高，从而放大了构建规格中的不确定性。从部署的角度看，语言本身并不是决定性因素，环境耦合强度才是。在2,438次失败的构建尝试中，他们对失败原因进行了系统性统计。结果显示，失败并非均匀分布，而是高度集中在少数几类问题上。最主要的失败来源是构建流程错误，包括构建步骤与仓库当前状态不一致、关键依赖缺失、编译器或系统库不匹配等。这类失败远远多于资源不足、网络异常或权限问题。与此同时，资源相关错误在高并发阶段也确实出现过，并直接推动了对调度策略和隔离机制的后续改进。这进一步说明，在规模化部署中，失败不应被视为异常，而应被视为系统暴露问题、进而自我修正的信号。通过统一的执行基础设施，他们得以系统性地观察科学软件在真实环境中的部署行为：哪些环节最容易失败、哪些隐含假设最常被触发，哪些工具链最容易放大不确定性。这种可观测性本身，正是Deploy-Master希望建立的基础之一。它让「科学软件难以部署」从一种经验判断，转化为可以被量化、被分析、被持续改进的工程对象。从可运行工具，到AgenticScience的执行地基Deploy-Master的直接产出，是一个由数万条执行验证工具构成的集合。但更重要的是，它为社区Agent与各类MasterAgent提供了一个长期缺失的基础前提。对Agent而言，工具调用并不是抽象动作，而是必须在现实环境中成功落地的执行过程。只有当工具被统一构建、验证并注册为可执行能力，Agent才真正拥有稳定的actionspace，规划、执行与学习之间的闭环才得以成立。这也使得不同来源的社区Agent，可以共享同一批经过执行验证的工具能力，而不再各自维护脆弱、不可复现的运行环境。这一方法论的意义，并不局限于科学计算。科学工具往往被视为自动化部署中最困难的一类：依赖复杂、系统耦合强、文档不完整、对环境高度敏感。如果在这样一个「最难场景」中，仍然可以通过以执行为中心的设计，在万级规模下稳定地产生可运行工具，那么结论已经非常清晰问题不在工具类型，而在于是否建立了以执行为核心的基础设施。这一判断同样适用于更广泛的软件工具生态：工程工具、数据处理系统、专业软件乃至各类AgentTooling。只要工具最终需要被执行，其部署问题就无法绕开「不完美信息」这一现实前提。Deploy-Master并未解决所有问题。异构硬件、分布式计算、语义级I/O接口以及与物理实验系统的闭环集成，仍然是未来需要面对的挑战。但有一件事情已经足够清楚：在AgenticScience时代，执行不是推理之后的附属步骤，而是所有能力得以成立的前提。当「工具能不能跑」不再是一个默认假设，而成为一个被系统性验证的事实，科学智能体才真正开始拥有与现实世界交互的基础。而Deploy-Master，正是迈向这一执行现实的一次尝试。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
26
02/12
软件会不值钱吗？黄仁勋在思科一句反问：谁会从零做工具
黄仁勋：AI会用工具而非重做工具，软件价值标准改变。这两天，全球软件股遭遇重锤。从印度到香港，从中国到纳斯达克，软件类股票普遍下跌。导火索是Anthropic发布的Claude更新，展示了前所未有的自动执行能力，能调取日历、理解流程、执行任务，直接切入传统生产力工具的核心领域。市场开始恐慌：AI会不会从头重做工具，彻底替代现有软件？就在这波集体焦虑爆发之际，黄仁勋出现在旧金山一场由思科主办的AI大会上，和思科CEOChuckRobbins对谈了近一个小时。他的观点很明确：AI不会重做工具，而是会用工具。就像人不会重新发明螺丝刀，AI也会直接使用已经成熟的软件，通过调用接口、组合功能来完成任务。真正的改变，不是工具被替代，而是使用者从人变成了AI。第一节AI不重造工具，而是用工具在思科现场，黄仁勋没有回避那个争议最大的提问：AI会不会取代现有软件工具？他先抛出一个反问：“如果你是一个AI，或者一个通用机器人，你会怎么做？重新发明一套全新的工具，还是直接使用已经存在、已经被验证有效的工具？”比如说：“你会用螺丝刀，还是从零发明一把新的？你会用锤子，还是重新设计锤子的原理？”答案显而易见：当然是直接用。所以黄仁勋的观点是：AI会用工具，而不是摧毁它们。这个道理看似简单，但市场的反应却完全相反。过去两年，业内一直在说AI是下一个操作系统，说AI会重写一切界面。黄仁勋认为，这个说法只看到了表象，却忽略了本质。真正的变化，不是软件被替代了，而是使用软件的方式彻底变了：以前，工具是给人用的：你点按钮、填表单、跑流程。现在，工具是给AI用的：AI通过调用接口、调度动作、组合功能，来完成一整套任务。这背后的技术突破，黄仁勋称之为“ToolUse”（工具使用）。他明确指出，最新一代AI的核心进展，不在于生成内容有多流畅，而在于能不能真正干活。比如打开浏览器、填写申请表、写代码、调服务，这些过去需要人手动操作的事情，AI现在都能自己完成。正因如此，他不断强化与Synopsys、Cadence、SAP、ServiceNow等传统工程软件工具企业的合作，而不是另起炉灶。这些现成软件早就被验证稳定、高效。AI要做的，不是重新创造它们，而是学会用好它们。这也意味着，原本被担心会过时的软件工具，反而变得更重要了。它们不再只是给人用的界面，变成了AI可以调用的功能模块。第二节软件变成了AI持续学习的载体AI会用工具。用完之后呢？会留下什么，还是什么都不留？这涉及到AI在未来组织中的位置。黄仁勋认为：未来的公司，不是让AI在人类的环里工作，而是让AI成为公司的环。过去，我们说的是人在环里（humanintheloop），AI只是一个助手、一个建议者，在特定时刻被调用。但黄仁勋认为，未来应该反过来：AI应该是那个始终在场、不断积累、持续记录的底层参与者。AI的角色变了，软件的角色也必须跟着变。从使用工具变成学习载体。以前软件只是工具，AI用完就完了。现在软件要承载AI的持续学习，让AI每次使用都能积累经验。这需要软件做到两点：第一层，软件的运行方式变了。以前是预录制的：你点什么，它跳什么，每个按钮、每条流程都是提前写死的。现在是实时生成的：AI根据你的意图，动态决定该调哪个模块、走什么流程、通知谁审批。你说我想发起报销，它就自动从对应系统调数据、填表、发送通知。每次执行的路径和结果，都可能不同。第二层，软件还需要记录每一次使用的经验。黄仁勋提到英伟达内部的部署时说，他不愿把所有敏感对话放在云端，而是在本地建了AI系统，只为一件事：记住我们问过什么问题。为什么？在他看来，企业最值钱的，不是答案，而是问题本身。因为问题代表了企业在意什么、曾遇到过哪些挑战、判断过什么方向。这些问题，就是企业的经验、认知和节奏。所以未来的软件不是用一次就完，而是每次使用都会留下记录，积累成企业的知识资产。这些记录不是静态存档，而是可以被后续的AI调用学习、形成更好的判断。通过软件，企业的所有动作和思考逐渐沉淀为可复用的流程。这就是黄仁勋提出的核心理念：让AI始终在场、全程参与，让软件成为能够持续进化的平台。第三节什么软件适合AI工厂？能被高频调用的软件要成为AI持续学习的载体，关键看它能否融入AI的工作场景。黄仁勋描绘的场景是“AI工厂”，AI不是偶尔帮个忙，而是持续运转、完成生产任务。在这样的场景下，软件必须满足一个核心标准：能被AI高频调用。具体来说，就是有API接口、能程序化调用。拿芯片设计来说，过去是五个工程师在不同软件间切换、手动整合。现在AI同时接入设计工具、内部文档、设计规范，就能自动完成整个流程，而且更快。这个转变背后，是软件价值标准的重构。以前软件值钱，看用户数、收费规模、粘性强度。现在看的是AI能不能调、能不能高频调、能不能生成结果。软件的使用形态也随之改变。从交互界面变成任务节点，不再是人去点，而是AI去调；不再靠界面吸引用户，而是靠API吸引AI。既然价值标准变了，软件企业该做什么？黄仁勋给他们的建议很实际：先盘点现有工具。哪些工具有API接口？哪些系统可以通过代码调用？哪些流程能被程序化执行？这些就是AI能立刻用起来的工具。而那些只能靠人工点击、手动操作的工具，需要考虑是否加上接口、开放调用能力。这不是否定软件，而是重新定义软件的位置。软件不再是终点，而是AI工作流程中的入口。软件的战场，已经从争夺用户，变成了争夺AI的调用。结语软件终于被用起来了“谁会从零做工具？”黄仁勋的这句反问，说清了一件事：软件没死，只是位置变了。它不再是人机交互的终点，变成了被AI调用、组合、嵌入的起点。软件价值标准也变了：“不是功能多不多，而是AI能不能调得动。”最终的问题不是软件会不会被淘汰，是你们的软件产品，AI用得上吗？本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
