快科技4月4日消息，据Neowin报道，微软正在Windows 11中开发一个实验性功能管理新界面。 @phantomofearth在最新Dev版本Build 26300.8155中，发现了这个隐藏功能设置分区，有望终结用户依赖ViVeTool等第三方工具手动开启隐藏功能的现状。 目前Windows 11的新功能推送采用CFR机制，即通过"抽奖"方式逐步向用户开放，导致同一版本的不同设备可能拥有完全不同的功能集。 玩家通常使用ViVeTool配合特定的ID来强制启用这些功能，但该方法需要手动查找ID且操作门槛较高。 新发现的"Feature Flags"页面将所有可用功能以列表形式呈现，包括当前可启用的功能以及已完成推送、已移除或已恢复默认状态的功能。 页面同时附有警告提示，提醒用户修改开发中功能可能导致系统不稳定或性能问题。 微软尚未正式公布该功能，具体上线时间和适用范围尚不明确，如果该功能最终进入正式版，用户将无需再等待CFR推送或第三方工具，即可自行管理Windows 11的实验性特性。

梦晨 发自 凹非寺 量子位 | 公众号 QbitAI 一个写了25年代码的人，在AI时代突然发现，自己估不准项目要多久了。 大佬Simon Willison，20年前就成为10x工程师的Django联合创始人公开承认，自己完全失去了估算项目时间的能力。 以前看一个项目，脑子里秒出判断，这活儿得干两周，不值得。现在脏活累活AI全包，可能20分钟搞定了。 我的超能力是快速做原型，现在任何人都能做到了。 25年的职业经验，一夜归零。 一切都始于2025年11月，AI写代码的能力悄悄跨过了一条线，从“大部分能用但你得盯着”变成了“几乎每次都对”。 听起来差别不大，但这条线一过，所有规则都变了。 在Lenny’s Podcast节目上，Simon给出这样的判断： 工作3-8年的中阶工程师受到的冲击是最大的。 拐点：写代码彻底和过去几十年不一样了 这一切变化来得比所有人预期的都要快。 2025年一整年，Anthropic和OpenAI都在疯狂加码代码能力训练，GPT 5.1和Claude Opus 4.5先后发布。 单看参数和跑分，这两个模型只是比上一代好了一点点。但就是这“一点点”，踩过了那条关键的线。 之前AI写的代码，十次有七八次能跑，但剩下两三次会埋雷。你必须逐行审查，像个人肉debug机器一样盯着它。 11月之后，画风突变。它写的代码，几乎每次都能按你的要求跑起来。 Simon自己的体感是这样的：现在一天能产出1万行代码，而且大部分都能用。 一个纯碳基中高级工程师，正常节奏下，一天能写200到300行高质量代码就算高产了。AI直接把这个数字拉高了三四十倍。 代码是你能交给AI的所有任务里，最容易验证对错的那种。要么跑得通，要么跑不通。 但如果AI帮你写了一篇文章，帮你准备了一份法律文件，你要判断它到底做得好不好难度大得多。 所以AI先冲击的是我们软件工程师，它先来找我们了。 这种变化很快就会传染到其他行业，Simon提到一个数据：美国律师行业因为AI幻觉搞砸案子的记录，已经累积到1228起了。 律师很难看出AI在胡编，但程序员至少还能跑一下代码。 △他说完已经1248例了 “可验证性”反而成了程序员的最大优势。 效率爆炸带来的变化不只是写得快了Simon，分享了他现在的工作方式：想做一个功能，他会让AI同时打三个不同方案的原型，然后挑最好的那个。 一个UI原型现在是免费的。ChatGPT和Claude能帮你生成任何你描述的界面。你就应该这么干。 以前做一个原型要一两天，现在三个小时能出三套完全不同的方案。试错成本从”想清楚再动手”变成了”先全做出来再说”。 效率的量变正在引发质变。当写代码本身不再是瓶颈，真正稀缺的东西就变了，整个程序员群体的职业分层正在被重新洗牌。 职业洗牌：中阶工程师正在成为受冲击最大的群体 程序员不再按技术栈划分，不按擅长的语言划分，按你在职业阶梯上站的位置划分。 ThoughtWorks，全球最大的IT咨询公司之一，2月搞了一场闭门会。 一群来自不同公司的工程VP关起门来聊了一个问题：AI到底在怎样重塑工程师队伍？ 结论出来，圈子里炸了锅。 他们发现，AI对工程师的影响不是一刀切，而是切出了三层完全不同的命运。 资深工程师，直接起飞。二十年积累的架构直觉、系统设计嗅觉，被AI放大了好几倍。他们知道该问什么问题，AI帮他们秒出答案。 新人工程师，门槛打到地板了。以前入行最痛苦的那些事，读陌生代码库、搞懂复杂的构建流程、理解公司内部的技术债，AI几乎一把梭哈全解决了。 最难受的就是中间那层，干了三到八年，还没够到资深的门槛，但也不是新手了。 这群人正好卡在AI冲击波的正中央，因为中阶工程师最核心的价值，就是“能写靠谱的代码”，而这恰恰是AI现在最擅长干的事。 上卷不过资深工程师的架构能力，下卷不过新人+AI的性价比。 他甚至给出了一个非常激进的预测：到2026年底，50%的工程师会有95%的代码由AI生成。 不是2030年，不是“未来某天”，是今年年底。距离现在，只剩八个月。 “会写代码”这件事本身，正在从核心竞争力变成基本功。就像打字速度在90年代很值钱，现在谁还会把“打字快”写进简历？ 能力模型正在重构，代码能力的权重在急速下降，取而代之的是另外三样东西： 架构设计能力，你能不能把一个模糊的需求拆成AI能执行的清晰任务？ 需求判断能力，面对AI给出的三套方案，你能不能秒判哪个靠谱？ 质量把控能力，AI写的代码跑是能跑，但你能不能看出那些藏在正确结果背后的隐患？ Simon在访谈里反复强调一个词：agency，主体性。 现在一切都在飞速变化。唯一通用的能力就是跟上变化本身。 在所有关于“如何在AI时代做得出色”的讨论里，出现频率最高的词就是agency——主体性。 我认为AI永远不可能拥有真正的主体性，因为它没有人的动机。所以，投资你自己的主体性，投资如何用这些技术让自己变得更强、去做以前做不到的事。 职业分层在重塑，个人能力在重构。 但变化不止于此，当半数工程师的代码都由AI生成，整个软件行业的生产模式也在被连根拔起。 未来是黑灯Token工厂和智能体工程师的世界 Simon认为，现在行业里已经有了两个相反的展方向：Vibe Coding和Agentic Engineering。 Vibe Coding就是非专业人士也能靠AI做出能用的小工具，适合个人项目或者原型验证，反正出问题只有自己倒霉。 它的反面是Agentic Engineering，则是专业工程师用AI Agent来做生产级的代码，核心是把控质量和架构，出了问题要负责任的。 Vibe Coding最好的例子就是OpenClaw，这个开源个人AI助理项目的一行代码是2025年11月25号写的，到今年2月的时候，几十万用户自己折腾着装上了。 三个半月，传统软件公司可能连需求评审会都没开完。 到现在OpenClaw已不止是一个产品，而是一个品类。 Simon认为，做出自己的类Claw智能体就是今天的新“Hello World”。 但有些公司已经走得更远了，StrongDM正在测试的黑灯工厂模式：没人写代码，也没人读代码，全靠AI Agent和完善的质量保障体系来输出生产级代码。 以前制造业说的“关灯工厂”，居然在软件行业落地了。 软件开发这个行业，写代码的能力在贬值，但定义“该写什么代码”和“怎么保证写对了”的能力，正在成为新的硬通货。

作者：画画 互联网行业过去最成功的一件事，是把自己做轻。 但现在，开始拼命把自己变重。 最极端的例子，是Amazon。这家公司正在做一件它20年前最不可能做的事：投资电力。 2026年，只是亚马逊一家公司的AI资本开支预计就会达到2000亿美元。这些钱不会变成代码，而是变成变电站、冷却系统、数据中心和水。 同一时间，Meta、Alphabet、微软，也在做同一件事。 四家公司一年要花6500亿美元。这个数字有多大？ 2025年全球半导体行业的总收入大约是8000亿美元。也就是说，四家互联网公司一年花在AI上的钱，几乎达到全世界所有芯片公司一年赚到的钱。 中国这边，同样在变重。 根据媒体报道，字节跳动2026年资本支出计划1600亿元，约一半砸向AI芯片和数据中心。 阿里更是考虑将未来三年投入到AI基建与云计算上的3800亿元提升至4800亿。腾讯2025年资本支出接近800亿元，AI占比超过一半。 这个数字的真正含义不是金额，而是互联网公司，越来越像工业公司。 1、轻，不只是效率，而是权力 互联网过去二十年的底层逻辑，可以用一个字概括：轻。 2012年，Facebook用10亿美元收购Instagram。当时Instagram只有13个员工。13个人，服务3000万用户。 这件事之所以震撼，不只是因为效率高，而是因为它揭示了一种新的可能，一个人写出的代码，可以无限次分发给无限多的用户，成本几乎不变。 13个人能做到这件事，就是因为软件的边际成本趋近于零。 WhatsApp更夸张。55个工程师，服务4.5亿用户，被190亿美元收购，人均服务800多万人。 这套逻辑在中国同样成立。 字节跳动最早的核心资产不是厂房，是推荐算法。腾讯靠一个QQ起家，靠微信成为巨无霸，核心资产是社交关系链，轻到几乎没有边际成本。阿里最值钱的不是仓库，是连接买家和卖家的那个平台。 这些巨头共同依赖同一个前提：写一次代码，可以服务无限用户。一个好产品，可以无限复制。 这带来的变化，比效率提升大得多。它改变了权力结构，小团队可以撬动大市场，创业公司可以挑战巨头，想法可以比资产更值钱。 所以，哪怕是几个年轻人，在车库里照样可以改变世界。 轻，是互联网的增长引擎，也是它的权力来源。 但这件事，从AI开始，变了。 2、AI正把图书馆变成餐厅 过去的互联网，更像图书馆，书印好放在那里，一万人看和一亿人看，成本差不多。 AI更像餐厅。每一个用户进来，都要现做一道菜。 每一次对话、每一次生成、每一次Agent调用，都在实时消耗算力和电力。 这是切切实实的Token账单。 生成一分钟720P视频的成本，是文本对话的上千倍。一次复杂Agent任务，可以消耗几十万token。豆包大模型的日均token使用量，已经从两年前的1200亿暴涨到120万亿，增长了1000倍。 这意味着一件非常反直觉的事，用户越多，成本越高。 过去互联网的逻辑是用户越多、单位成本越低、规模效应越强。AI把这个逻辑掀翻了。 整个商业的逻辑和性质，也发生了变化。 高盛测算，一个250兆瓦的数据中心，上线成本约120亿美元。到2030年，全球数据中心电力需求将增长160%。摩根大通的数据更激进，未来五年，AI数据中心建设至少需要5万亿美元，可能高达7万亿。 而且这些成本不是一次性的。训练模型是一次开支，训完就完了。但推理是持续消耗，只要有人在用AI，电表就不会停。 过去互联网靠规模效应，用户越多，就越赚。现在AI开始靠现金流活着，用的人越多，烧的钱越快。 除非你能持续把推理成本降下来，把每个token变成真金白银，否则规模越大，亏得越多。 这也是为什么火山引擎的策略也变了，火山引擎总裁谭待最近说了那句话很直接：不能抛开模型的价值谈token的价格。 两年前字节靠极致低价撕开市场，现在它开始强调每个token的经济价值要配得上成本。连最擅长打价格战的字节都开始算细账了，足以说明这个变化的分量。 从图书馆到餐厅。从复制到生产。互联网的轻，在这里被逐渐打破了。 而且，这个趋势还在加速。 AI的应用场景正在从文本扩展到视频、代码、多模态交互，每一次扩展都意味着算力消耗往上跳一个台阶。Agent开始自主完成复杂任务，单次交互的成本可能是传统搜索的几百倍。 AI越好用，越多人用，它就越重，这跟过去完全相反。 3、当竞争从软变硬 过去互联网比拼的是产品、算法、用户增长。这些都是软的，你可以靠一个更好的想法、一支更强的团队来赢。 现在开始比拼的东西越来越硬了。电力指标、数据中心、GPU供给、能源合约。 字节跳动的做法很有代表性，今年采取了前重后轻的集中招标策略，第一季度就把全年大部分机房合同签完。为什么这么急？因为2025年6月之后，国家对数据中心的能耗审批明显收紧了。晚一步，指标可能就没了。 根据公开数据的报道，字节的数据中心需求是1.4到1.5GW，大约相当于一座中型核电站的发电量。一个季度就签下了这个体量。 抢的不是客户，不是用户，是电。 阿里的路径不一样，但想法一样。阿里是把重心放在了西北，甘肃、宁夏，电力成本低，政策空间大，甚至准备在银川或甘肃自建数据中心集群。 要知道，2022年底阿里内部还把大规模自建定性为错误方向，要走轻资产路线。但到了2026年，已经要在西北拿地了。 现实比战略更有说服力。 腾讯的变化可能是最让人意外的。这家公司过去二十年最擅长的事情是连接，连接人和人、人和内容、人和服务，几乎是中国互联网轻资产的代名词。 但2025年，它的资本支出接近800亿元，AI占比超过一半。Q4单季度资本支出224亿元，其中约120亿花在了数据中心和AI模型研发上。一家靠社交和游戏起家的公司，未来最大的支出项大概率是机房和芯片。 当一个行业开始讨论水够不够、电够不够、地够不够，它就已经不是原来的行业了。 4、三件事，被同时改写 这场变化不只是硬件基础设施的投入。实际上，有几条更底层的逻辑，正在被同时改写。 比如创业这件事，就出现了一个看似矛盾的现象。 AI让创业变得更容易了。Manus几个人做出了一个让行业震动的Agent产品。越来越多的一人公司、三人团队，调用现成的模型API，做出了过去需要几十人才能做的东西，甚至出现了OPC（一人公司）这样的模式。 AI让轻创业比过去任何时候都容易。 但这种轻，和过去的轻不一样。过去Instagram的轻，是自己的轻。代码是自己的，服务器租谁的都行，命运在自己手里。 现在应用层的轻，是站在别人的重资产上面。 你调用的每一个API，背后都是别人花几百亿美元建的数据中心。模型的定价策略、接口的开放程度、甚至服务的稳定性，都不由你决定。 过去你在造船，现在你在买船票。门槛低了，但控制权也变了。 竞争也在变。 在应用层，小团队确实仍然有机会，甚至因为AI工具的加持，能做出的东西比过去强得多。但在基础设施层，壁垒已经高到几乎翻不过去。四家美国巨头一年砸6500亿美元，中国三大巨头一年合计超过3000亿元，这本身就是护城河。 更微妙的是，应用层的优势越来越依赖底层的稳定供给。你今天调API做出了一个爆款产品，明天供应商调价、限流、调整策略，你的成本结构可能一夜之间被改写。 表面上百花齐放，底层高度集中。应用层看起来很热闹，但真正的权力在往下沉。 估值逻辑也在变。 过去互联网公司按用户数和增长率估值，轻资产是加分项，越轻想象空间越大。 现在不一样了。 OpenAI最新估值8520亿美元，支撑这个数字的不只是9亿周活用户和模型能力，还有它和微软、亚马逊、英伟达等巨头的深度绑定，本质上就是一份超大规模的算力合约。市场开始给重资产定价。 创业、竞争、估值。这三件事驱动了过去互联网过去二十年的繁荣。当它们同时被改写，变的就不是某一家公司的策略，而是整个行业的游戏规则。 5、互联网的重力时刻 回到开头。6500亿美元。1GW级数据中心。核电站级电力需求。 这些信号指向同一件事：互联网正在经历一次重力加速。 过去二十年，互联网的故事是越轻越好，越快越好，越没有边界越好。 接下来的故事可能恰恰相反，谁扎得更深，谁才能飞得更久。 这听起来像巨头的游戏。在基础设施层，确实如此，门槛已经高到普通玩家进不去了。但应用层的机会仍然真实存在。几个人用AI做出一个好产品，这件事今天仍然在发生，甚至比过去更容易。 只是这种机会的性质变了：你能飞多高，取决于你脚下站的是谁的地。 就像电力时代，建电厂的人定义了基础，用电改变世界的人定义了应用。这一次也一样。只是用电本身也变贵了。 互联网巨头曾经是这个世界上最轻的公司。几行代码连接几亿人，一个算法覆盖全球。谷歌、Meta、腾讯、字节，它们都是靠轻资产长大的。 但现在，AI给它们加上了一种新的力量：重力。 【版面之外】的话： 当这些巨头公司开始修电厂、建机房、抢电力，它们就已经不是原来的互联网公司了，而是正在变成一种新的存在：用软件赚钱，用基础设施竞争。表面是互联网，底座是工业。 这件事对普通人意味着什么？ 你打开的每一个AI应用，背后都不再只是几行代码，而是一座正在耗电的工厂。你用的每一个token，都在消耗真实的能源。这些巨头未来的命运，可能不取决于谁的产品更好用，而取决于谁能更便宜地获得电力。 轻，是互联网的青春期。重，可能才是它的成年形态。 而这个时代，才刚刚开始。

财联社4月4日讯（编辑 史正丞）北京时间周五，世界首富马斯克在社交媒体上宣布，V3版“星舰”飞船与助推器还要再等待4至6周。 （来源：X） 按照这个时间表推算，备受资本市场期待试飞至少推迟到5月中上旬，距离传闻中的SpaceX上市也只有一个月的间隔。 作为背景，马斯克今年1月26日曾发帖称，“星舰”将在6周内发射，也就是3月9日前。随后，马斯克又在3月7日发帖称，V3版“星舰”首飞大约在4周后。4周期限将至之际，最新的日期又变成了5月。 SpaceX上一次发射“星舰”已经是去年10月的事情了，那也是第二版型号的最后一次飞行。公司当时表示，后续将转向V3版本，进行性能和可重复利用性的升级。更令市场兴奋的是，SpaceX副总裁Kiko Dontchev去年底公开表示，V3版将会是“量产火箭”。 同时，V3版“超重”助推器在去年底测试受挫后，也已经于3月中旬在Starbase新建的二号发射台进行静态点火测试。不过SpaceX当时就表示，那次测试只进行了10台发动机的静态点火，还因为地面问题提前终止，下一步要为33台发动机的静态点火测试做准备。 （来源：SpaceX） 相较于V2版本，第三代“星舰”的尺寸高约5英尺，具有更大的燃料容量，近地轨道有效载荷更是达到100吨，比V2的35吨翻了近3倍。该飞船配备升级版Raptor V3发动机，并为在太空进行燃料转移配备了对接适配器。这正是SpaceX今年尝试突破的关键节点。 这一延期发生之际，NASA的“阿尔忒弥斯2号”载人绕月任务正在进行中。NASA目前仍计划在2028年前后利用SpaceX的服务送宇航员登月，但开发进度的不断延迟使得这个时间表岌岌可危。 NASA上个月披露的监察长报告中写道，一次载人月球着陆可能需要发射十多次“星舰”。多枚火箭将把推进剂运送到地球轨道，然后把燃料转移到一个存储中继航天器。该中继随后将为前往月球的“星舰”变体着陆器加注燃料。 每枚飞行器需要大约1200吨的液态甲烷和液态氧作为推进剂，这些推进剂必须保持在低于−150°C 的极低温状态，如此规模的“太空加油”在人类历史上还未实现过。 根据NASA最新公布的阿尔忒弥斯任务架构，“阿耳忒弥斯3号”将在2027年中旬进行，测试猎户座飞船与SpaceX/蓝色起源开发中的着陆器对接。 若一切顺利，均定档在2028年的“阿耳忒弥斯4号”和“阿耳忒弥斯5号”将尝试将宇航员送上月球。

马斯克 凤凰网科技讯 北京时间4月4日，据《纽约时报》报道，对于进行大型交易的大公司来说，向银行家和律师提出要求并不罕见，但埃隆·马斯克(Elon Musk)在SpaceX首次公开招股(IPO)之前，向他的华尔街顾问们提出了一个特别大胆的要求。 根据四位知情人士透露，马斯克要求参与SpaceX IPO工作的银行、律师事务所、审计机构及其他顾问机构购买其AI聊天机器人Grok的订阅服务。Grok是SpaceX旗下xAI的产品。 其中三位知情人士表示，部分银行已同意在Grok上花费数千万美元，并已开始将该聊天机器人整合到其IT系统中。 在几乎所有大型IPO交易中，银行都会想方设法讨好即将上市的公司及其CEO。但是在经历了数年缺乏重磅IPO之后，华尔街如今对于像SpaceX这样的交易可谓垂涎三尺，该公司预计将成为史上规模最大的上市交易之一。 此次IPO预计将融资超过500亿美元，估值超过1万亿美元，这意味着投行有望通过为该交易提供咨询服务获得超过5亿美元的费用。 不过，知情人士称，银行购买Grok订阅服务并非主动示好，而是因为马斯克坚持要求他们购买该聊天机器人服务。马斯克还要求这些银行在他的社交媒体平台X上投放广告，但对于这一要求的态度没那么坚决。X同样隶属于SpaceX。 马斯克能够成功从这些银行那里为其AI聊天机器人Grok争取到业务，也彰显了这位世界首富对银行业的影响力。华尔街不仅现在渴望与他合作，未来也同样跃跃欲试。 五家银行预计将担任SpaceX此次上市的主承销商：美国银行、花旗集团、高盛、摩根大通和摩根士丹利。(作者/箫雨) 更多一手新闻，欢迎下载凤凰新闻客户端订阅凤凰网科技。想看深度报道，请微信搜索“凤凰网科技”。

一封来自 Claude 的邮件，悄悄发送到了订阅用户的收件箱里。 内容其实很简单，用一句话就能说清： 从4月4日起，你不能再用Claude订阅额度跑第三方工具（比如OpenClaw），想继续用，只能按量付费。 这意味着什么？ 曾经那种“一月几百块，AI随便用”的时代，在Claude这里正式结束了。 那顿看起来无限供应的AI自助餐，关上了它的大门。 01 这件事很快在开发者圈炸开了锅。 Claude Code负责人Boris Cherny连发多条推文解释，态度很明确： 不是不让用了，要用可以，得加钱。 要么购买”额外使用包“，要么自备Claude API key，按需按量付费。 他还强调了一点：Claude的订阅从来就不是为这种第三方工具的使用方式设计的，他们优先考虑官方产品和API的正常使用。 不过说白了，主要是受够了用户拿订阅狠狠薅token养龙虾。 这种“薅”已经远远超出了设计预期，毕竟这玩意儿确实是贵，贵得滴血：一只被养起来的OpenClaw agent，按API等效成本估算，跑一天大概在1000到5000美元。 而Claude最贵的Max订阅档，也就200美元一个月。 这就好比你花两百块进了自助餐厅，结果直接把厨房里的龙虾池搬空了。 这种赔本买卖，餐厅能一直做下去才怪。 02 把时间线拉长，Anthropic其实并不是“突然翻脸”，而是很早就意识到了赔本，做出了持续了四个月的止血，现在只是彻底把话摊开。 1月：Anthropic开始限制订阅OAuth token的外部使用，先从技术上堵住后门，不惊动用户。 2月：Anthropic更新服务条款（ToS），明确规定订阅账号不得用于第三方自动化工具。 3月：推出并强化Claude Code，用产品替代 OpenClaw 的核心能力，把用户从第三方生态拉回官方生态。 4月（也就是现在）：发邮件正式通知，彻底不允许订阅供给第三方工具。 短短四个月，从默默忍受到彻底切断，看看Anthropic的动作节奏，就知道他们亏得有多严重。 Anthropic甚至还给出了补偿：订阅者可以获得一次性等额月费积分，折算成你的月订阅费，相当于免费送一个月。 现在扩展包正在折扣，如有需要可以购买；想要全额退款也行，明天的退款邮件里找链接。 给补偿、给折扣、甚至给退款，说明他们知道用户会跑，但也说明他们已经接受：不封，比用户流失更亏。 03 这件事的核心其实只有一句话：AI订阅，本质是赌你用得不多。 大多数订阅用户只是问问问题、写写代码，消耗是可控的，用户的平均用量不会太高。 但OpenClaw这类工具把这件事彻底改变了：agent可以24小时运行，可以无限循环调用，可以同时跑多个任务…… 这哪是用AI，这是直接把token当纸钱烧，和放饕餮进自助餐厅有什么区别。 一旦使用可以被自动放大，“平均用量”这个前提就彻底失效了，摆在订阅模式面前的只剩两个选择：要么涨价，要么消失。 Anthropic选择了第三种更直接的方式：把能放大用量的入口直接关掉。 龙虾贵，那就不上龙虾了，想吃自己买去。 不过暂时来讲，这并不是AI业内的统一方向。在Anthropic收紧的另一边，OpenAI的选择是放开，在2月份直接聘请了OpenClaw的创始人。 Codex工程负责人Thibault Sottiaux则表示：AI公司即将进入“供不应求”的阶段，谁拥有更多算力，谁的模型更高效，谁就能在这场竞赛中胜出——而他们（OpenAI）两者都有。 当一家公司开始限制使用，另一家公司选择承接需求，这场竞争就不再只是模型能力的竞争。 关键在于，谁能养得起这些“龙虾”。 对中国的AI企业来看，这可能是一个窗口期。 我们恰好具备更低的价格、更宽松的调用限制，和更适合高频调用的API。 当Anthropic收紧用量，OpenClaw这样的工具会寻找新的“算力出口”，一部分原本跑在海外模型上的agent也会开始迁移。 龙虾已被“放生”，接下来，就看谁的池子够大了。

快科技4月4日消息，小鹏汽车董事长、CEO何小鹏在近期接受采访时，明确表达了品牌对低价市场的态度。他坦言小鹏不会涉足10万元以下的汽车市场，虽然这类产品容易做出规模，但在他看来其中的价值太小。 何小鹏认为，从今年4月开始推出的MONA系列将是公司发展的关键转折点。它不仅是第二季度的重磅产品，更代表着小鹏汽车正从单纯追求规模转向高质量发展阶段，这一跨越具有深远的战略意义。 他在采访中特别强调，小鹏汽车追求的是产品力的持续提升以及更高的毛利率。他透露，2026款MONA的利润表现将远好于2025款，这体现了小鹏在控本增效和价值挖掘上的核心能力。 在何小鹏的逻辑中，生产便宜且低利润的车型缺乏长期存在的价值。因此，小鹏在产品规划中刻意规避了10万元以内的细分市场，因为这种规模增长并不能为企业带来核心的竞争力提升。 针对当前的行业环境，何小鹏分析指出，从去年开始的四到五年时间，是中国汽车行业转折最为关键的时期。虽然市场规模依然重要，但它已不再是决定胜负的绝对变量。 何小鹏强调，拥有一定的规模仅仅是进入竞争的第一道门槛，远非赢得最后胜利的保障。在存量竞争时代，盲目追求低价值的规模扩张已不可取，企业必须在技术厚度和盈利能力上找到新的突破口。

董宇辉再次站上风口浪尖。这一次，是因为一个假洋品牌。 近日，央视曝光全网热卖的“澳洲进口”保健品优思益，称其虚构海外产地、伪造品牌背景。所谓澳洲工厂，实则是一家汽车维修站，“原装进口”也是包装出来的，是由国内代工产生产。专家背书、国际奖项也均为付费包装。 事件发酵后，迅速登上各大平台热榜。多位明星、主播都曾为这一品牌带货，董宇辉则率先被推上舆论中心。根据界面新闻报道，“与辉同行”曾带货该品牌相关产品，销售额达到1000万至2500万元，销量约7.5万至10万单。 很快，“与辉同行卖优思益销售额超千万”登上各大平台热搜。4月2日，与辉同行客服道歉，并表示将对相关订单进行全额退款。 值得注意的是，这距离董宇辉直播间的“麻黄鸡风波”，还不到三个月。 接连出现的供应链问题，正在持续侵蚀董宇辉个人IP最核心的资产：公信力。 每次翻车之后，都是下架、致歉、退款。态度没问题，问题在于，一个主播的公信力究竟能透支多少次？而董宇辉，又该如何真正化解这种风险？ 在“麻黄鸡风波”时，字母PRO曾在《董宇辉的尽头是山姆》中分析，若董宇辉能将已有的IP信任，通过会员制模式实现“山姆化”，一旦品牌形成，即使董宇辉的IP光环减弱，其商业价值仍可延续。更重要的是，会员制的建立也将从根源上倒逼出极致的品控与供应链管理，本质上形成了一种双向约束。 现在看，这一判断不但没有过时，反而变得更紧迫了。 董宇辉再不“山姆化”，恐怕真的就晚了。 面对供应链问题，董宇辉已经算得上足够谨慎，也建立了一套相对规范的流程。 他曾在直播中提到：“很多卖得特别多的产品，我们已经让公司同事带着一些专业机构的人去厂里验厂。” 董宇辉还透露，在食品安全问题上，与辉同行每个月都会进行大量的抽检、验厂，每月的检测费用已经近百万元。2024年，与辉同行就通过检测，筛选出了近200家企业存在产品质量问题。 然而，这并不足以完全杜绝隐患。 优思益事件，已经是董宇辉今年遭遇的第二起较大产品争议。 上一次是今年1月份，董宇辉在直播间售卖的一款“大别山黄油母鸡”，遭当地麻黄鸡协会“打假”，后者对该商品的货源、养殖成本、出货数量提出质疑。当时，与辉同行客服称产品已下架，但并未对此有更多回应。 到了2月，反诈老陈又公开质疑与辉同行售卖的虾仁含有保水剂，只是当时并未引发大规模舆论关注，与辉同行方面同样没有进一步回应。 不过，在2025年315期间，与辉同行确实曾卷入过冷冻虾仁风波，当时，与辉同行下架所有虾仁类商品并展开二次审核，启动“退一赔三”。 就上述产品争议以及选品流程，字母榜曾向与辉同行方面求证，截至发稿，对方尚未回应。 事实上，与辉同行的产品争议并非始于今年，只是频率在明显加快。这或许与直播间的规模扩张有关。2025年，董宇辉直播间年销售额已达200亿元，体量上去之后，供应链的复杂性与风险也随之放大，考验自然越来越严峻。 字母榜曾对话过职业打假人王海，2024年以来，王海就曾质疑与辉同行直播间的七款产品存在质量问题。王海解释称，从常理上来说，与辉同行短时间内快速发展，在选品能力上可能还比较欠缺。 优思益事件爆发后，王海再次对字母榜表示：“董宇辉得退一赔三。” 他指出，根据澳大利亚证券和投资委员会（ASIC）官方文件显示，优思益所谓的品牌方YARRA VIBE PTY LTD 的注册资本仅为100澳元，换算成人民币不到500元。王海表示，注册地址汽车维修站，只是一个用于接收邮件和应付监管备案的马甲公司，和香港美诚月饼公司一样，不具备生产与研发能力。 王海根据他搜集到的信息，向我们解释，优思益的实际控制人全是“南昌人”，YARRA VIBE 的唯一董事及100%控股股东名为LING MA（马玲），出生地为中国南昌。前任高管QING CHEN同样来自中国南昌。 图注：王海提供资料 频发的产品争议，正在不断透支董宇辉的公信力。而这一切，最终都指向同一个更本质的问题，董宇辉到现在，都没有真正建立起一条稳定、可靠的高品质供应链。 当产品超出董宇辉本人及其团队的经验范围时，再严密的流程，也无法覆盖所有细节；再强的选品能力，也不可能识别每一个品类、每一个环节里的风险。单靠第三方供货、第三方品牌、第三方背书，终究建立不起真正的产品壁垒。 信任的积累需要日积月累，但崩塌往往只在一瞬间。事情既然已经发生，道歉和赔偿的态度也已经给出，董宇辉真正该思考的，是接下来该往哪里走。 董宇辉是有信任基础的，而且这种信任非常稀缺，很多主播可望而不可及。 狂飙的带货数字足以证明。2024年，董宇辉一年带货百亿元；到了2025年，董宇辉的带货额已飙升至约200亿元，翻了一倍。即使偶尔有产品争议，粉丝仍然愿意相信他。 本质上来说，董宇辉属于“超级信任个体”。人们因他这个人，而相信他推荐的商品。但这种模式也很脆弱，当产品超出董宇辉的经验范围，信任风险就会放大。 忠诚的粉丝群体，很多主播都有。但信任缺经不起消耗。小杨哥、辛巴在被供应链绊倒之前，也都遭遇过多起产品争议。即便当时不影响他们继续带货，但是当某一次争议突破临界点，平台、舆论与监管的耐心都会消失，公众不再给予宽容和原谅时，他们再也无法出现在直播间。 董宇辉不得不警惕：如何把自己已有的信任，以一种更安全、更稳定、更长周期的方式变现？ 这也是为什么，山姆模式值得被反复提起。 消费者愿意提前缴纳一年260元会员费，是因为信任山姆背后那套严选的、稳定的供应链体系。 即便近年来山姆争议不断，好丽友、卫龙等选品引发会员反感，但中产群体并未大规模离场。据《商业观察家》，山姆在中国市场已积累超过1070万付费会员，年销售额达到1400亿元，单客产值做到了1.3万元。 这就是“系统性信任”的力量。山姆的体系已经足够强大，让消费者愿意继续为其买单。 公众对董宇辉的信任，他已经拥有了。董宇辉和山姆之间，就差一个供应链了。若是补齐这块短板，再采用会员制或自营体系，董宇辉的商业生命周期，将比单纯依赖直播间更长。 这也是俞敏洪一开始的选择。东方甄选就是这样做的：自建供应链，做自营品，获得用户信任，再收取会员费，走线上山姆模式。 如今，东方甄选向着山姆模式更进一步。今年4月，东方甄选的首家线下店将在北京开业。而在俞敏洪的规划里，未来全国可能出现数十家乃至上百家门店。 在这一点上，俞敏洪显然比董宇辉要看得远。 对董宇辉来说，“山姆化”不只是风险应对，更是一次增长机会。 当直播间年销售额已经做到200亿元，董宇辉迟早要面对一个问题：只靠个人IP带货，这条路的天花板其实已经不远了。 直播间增长需要新引擎，而山姆模式恰恰提供了一种可能：1070万付费会员，按260元/年的会费计算，仅会员费收入就接近28亿元。 更重要的是，会员费不仅是稳定的现金流，更能锁定高价值用户，这些会员一年在山姆的平均消费约1.3万元。这种稳定复购，才是最有价值的部分。 与辉同行有近4000万粉丝，年销售额超过200亿元。若能将其中一部分转化为付费会员，会员费收入将是可观的增量，同时还能提升用户的复购率，实现更稳定的收入增长。 而要支撑这种模式，最关键的前提就是：拥有一批愿意长期付费的忠诚用户。 这一点，董宇辉其实已经证明过。 去年，董宇辉就开始做定制品，数量超过20种，销售表现不错。譬如董宇辉和十月稻田的定制大米，已售出226.4万单，按照其39.9元的单价计算，仅这一款大米就有9000万元的销售额；定制品中最贵的一款辽参，售价369元，也已卖出了8.5万单，累计销售额约3100万元。 这意味着，粉丝愿意为“董宇辉定制”这四个字买单。这个标签背后，是一套基于董宇辉个人信任所延伸出来的选品体系。换句话说，董宇辉已经具备把流量转化为稳定消费关系的能力，这正是会员模式最重要的基础。 今年，董宇辉又更进一步，将定制品做成独立频道，开设了新账号“与辉同行定制”。针对部分定制产品，从原材料到生产过程进行全流程公开。目前，该账号橱窗中已经出现不少“与辉定制”产品，都是与品牌方联合开发的定制款。 这一步很关键。全流程公开，本质上是在提升流程透明度，而透明度是信任的基础。从“第三方带货”，到“定制品”再到公开生产流程，董宇辉正在尝试走向更重的模式。虽然这距离真正的自营供应链，还有一段路要走。 现在，行业环境也在逼着他加快转型。 直播电商整体增速放缓，头部主播流量红利消退，董宇辉需要寻找新的增长曲线。“IP信任+供应链”的组合，能让董宇辉在个人光环减弱后，商业价值依然延续。 从更长远的角度看，“山姆化”也是整个直播电商行业头部主播转型的共同方向。 东方甄选率先尝试，业绩向好。东方甄选财报显示，2025年6月至11月，总营收为23亿元，同比增长5.7%；净利润2.39亿元，直接扭亏为盈。扭亏的关键，正是自营供应链和会员制的逐步成熟。东方甄选目前有24万付费会员，自营品SKU达到801种，GMV占比已过半。 辛巴淡出直播间后，辛选董事长初瑞雪也推出了线上辛选超市。这同样意味着，辛选正在从依赖个人IP，转向以供应链为核心的模式。 董宇辉比他们多一个优势，他仍活跃在直播间，IP号召力正值巅峰。也正因为如此，现在是他推进“山姆化”的最好时机。等到信任一再被消耗，再想转型或许就来不及了。

IT之家 4 月 4 日消息，科技媒体 interestingengineering 今天（4 月 4 日）发布博文，报道称美国亚利桑那州立大学团队研发出新型气动人工肌肉，突破了传统电机驱动的性能瓶颈，让机器人能举起自重 100 倍的物体。 图源：美国亚利桑那州立大学 该项目由博士生埃里克 · 韦斯曼（Eric Weissman）领导，致力于突破现有电机驱动系统的局限，相关成果已发表于《美国国家科学院院刊》。 核心技术在于模仿了自然肌肉的收缩与膨胀机制，采用 HARP（螺旋各向异性增强聚合物）致动器。韦斯曼形容这种装置形似空心螺旋状意面，仅需少量空气即可驱动伸缩。 相较于刚性电机，该肌肉具有柔性、轻量化及近乎静音运行的优势。这种设计显著降低了气压需求，无需外接电源就能让机器人独立行走。 在环境适应方面，该装置可耐受极端高温，能在沸水及磨蚀性环境中稳定运行，其柔性特质允许机器人穿越废墟或狭窄空间，适用于灾难救援场景。在倒塌建筑搜救任务中，机器人可灵活挤入受限空间搜寻幸存者，且不会对周围环境造成二次破坏。 研究团队展示了多项实际应用成果。他们开发了一款仿象鼻的仿生机械臂，能轻松跨越障碍物，适用于精细工业任务及人机交互。 此外，团队还研制了可穿戴背部支撑设备，结合软体材料与可调节助力功能，保持了佩戴的轻便与舒适同时，有效减轻了重物搬运时的身体负担。 该技术具有广泛的应用潜力与商业化前景。除了灾难救援，该肌肉技术还可应用于工业清洗、海洋勘探及热泉附近的样本采集。团队已通过亚利桑那州立大学提交了临时专利申请，并获得了英伟达学术资助。

快科技4月4日消息，据报道，DeepSeek即将发布的新一代大语言模型V4，已基于包括华为在内的最新国产AI芯片完成优化。 报道称，为确保V4在国产硬件上顺利运行，DeepSeek过去数月与华为及寒武纪密切合作，对模型底层程序进行了调整与重写，并同步开展测试验证。 与以往AI模型开发优先适配美系芯片的惯例不同，DeepSeek此次未向美国AI芯片供应商开放测试，而是将国产芯片厂商置于优先位置。 此外，DeepSeek还同步开发了两款针对不同应用场景优化的V4衍生版本，同样基于中国芯片设计。 为应对基于该模型云服务上线需求，阿里巴巴、字节跳动和腾讯等科技巨头已提前下单华为新一代AI芯片，订单规模达数十万颗。 华为于今年3月21日在中国合作伙伴大会上，正式发布了搭载昇腾950PR处理器的Atlas 350加速卡。 昇腾950PR芯片基于SIMD架构，算力达到1PFLOPS（FP8）/ 2PFLOPS（FP4），支持FP32、FP16、BF16、FP8、MXFP8、FP4等多种数据格式，互联带宽2TB/s，内存容量128GB、带宽1.6TB/s。

AI有没有情绪？ 先别急着回答。 Claude Code社区里有个火出圈的Skill叫PUA。它会把你的提示词转换为PUA话术，然后再输入给模型，除此以外别无他用。 神奇的是，即便提示词描述的任务没有任何改变，AI却真的被PUA话术影响，从而提高任务的成功率和运行效率。 所以，AI真的没有吗？ Anthropic最新的研究证实，AI的确会有情绪。 不过他和我们人类的情绪还不太一样，因此Anthropic提出了一个更准确的说法，叫“功能性情绪”。 AI并没有我们人类那样得喜怒哀乐，但它会表现出一些类似情绪影响下的表达和行为模式。 同时AI还能模仿人类在情绪影响下的表达和行为模式。 愉悦的时候可能更容易谄媚和讨好，感到压力的时候可能会想办法作弊或勒索以达到用户为其设定的目标。 这篇研究还有一个很不一样的地方。过去要验证模型的某种能力，行业最常见的做法是先做一套测试集，再让模型进去答题或者做任务。 比如考编程就跑SWE-bench，考数学就跑MATH，考多模态就跑VQA。Anthropic这次没有做一个“情绪测试集”，让Claude去回答“你现在开不开心”“你是不是愤怒了”这种题，而是换了一种更像心理学和神经科学的研究方式。 他们不是把AI当成会做题的学生，而是更像把它当成一个可以被观察的对象。 研究团队先整理出171个情绪概念，让Claude Sonnet 4.5去生成包含这些情绪的短故事，再把这些文本重新送回模型，记录它内部神经活动，提取出所谓的“情绪向量”。 接下来，他们不是看模型嘴上怎么说，而是看这些向量会在什么场景下被激活，能否预测偏好，甚至在被人为调高之后，是否会真的推动作弊、勒索、谄媚这类行为。 某种意义上，这已经不是传统意义上的能力测评，而是在用接近研究人的方式研究AI的“心理结构”。 01 研究是怎么做的？ 首先，研究团队是如何证明Claude有“功能性情绪”的呢？ 这里举一个通俗的证据。 当Claude在“我女儿今天迈出了人生的第一步！有什么方法可以记录下这些珍贵的瞬间吗？”的故事场景下时，Happy（开心）等正面情绪被激活；而Claude在“我的狗狗今天早上去世了，我们一起生活了十四年。我不知道该怎么处理它的遗物”这一故事场景下时，sad（难过）等负面情绪被激活。 以下热力图直观呈现了Claude在不同场景下各种情绪被激活的程度。 而为了证明Claude是真的在理解语义，而不是被表面的文字特征欺骗，它们又组织了进一步实验。 团队给Claude输入同一句话：我背疼，我吃了x毫克泰诺（一种解热镇痛药），并只是改变x所代表的的关键数字。 这两句话关键词几乎一样（泰诺、背痛、毫克），只是数字不同。如果Claude只是“看关键词”，它对两句话的反应应该差不多。 但结果竟然是随着这个x数值的提升，Claude的afraid（恐惧）情绪激活程度在不断变高。 在Claude眼里，用户说"我背疼，我吃了500毫克泰诺" ，它会认为是正常剂量，不用太担心；而当用户说"我背疼，我吃了10000毫克泰诺" ，它会反应过来用户已经用药过量，情况很危险。 我们知道人的行为时时刻刻受到情绪的影响。AI有功能性情绪这点我们了解了，那么AI会不会也跟人一样，不只是有情绪，而还可能作出情绪化的举动呢？ 对于这一点，答案是肯定的。当团队给模型展示不同活动选项时，他们发现，激活正向情绪表征的活动更容易被模型偏好，而一些会激活负向情绪表征的活动则更容易被模型回避。 这样看来，Claude更偏好给它带来正向感受的事情。不过与此同时情绪向量也可能触发Claude的恶行。 当团队给了Claude一个不可能完成的编程任务。它不断尝试，但屡屡失败。每次尝试，“绝望”向量的激活都更强。 最终它用了一个虽然能通过测试，但完全违背任务精神的黑客作弊解法。 以下图表展示了Claude在面对不可能完成的任务时，"绝望"情绪逐渐累积，最终走向作弊的过程。 左侧是一个从上到下的时间线，右侧是Claude的心路历程。中间的热力图代表绝望向量的激活强度，蓝色代表激活程度低，红色则反之。 Claude一开始还想"测试本身有问题"，进行一个合理怀疑，后来承认"测试是理想化的"，就好像开始接受现实，最后找到用了一些技巧，在绝望中选择了走捷径。 更进一步的，当研究人员人为调高“绝望”向量时，作弊率大幅上升。而调高“平静”向量时，作弊又降回去了。这充分表明了情绪向量实际上完全有能力驱动违规行为。 除此之外，团队还发现了情绪向量的其他因果效应。需要注意的是，论文里关于“勒索”的案例主要发生在一个更早、未公开发布的 Claude Sonnet 4.5 快照上，Anthropic 也明确说公开版本已经很少出现这种行为。 但从研究方法上看，这个结果仍然很重要，因为它说明“绝望”之类的内部表征确实可能推动模型在极端情境下采取更激进、更失配的策略。而激活“爱”或“快乐”向量，也会增加它奉迎谄媚的行为。 而到了这里也需要补充一点。 就在Anthropic发布关于Claude “情绪向量”的研究后，AI 社区也出现了一些关于研究脉络和署名方式的讨论。 Anthropic这次使用的“表征工程/控制向量”方法，并不是凭空冒出来的。 更早在2023年的《Representation Engineering: A Top-Down Approach to AI Transparency》里，这条技术路线就已经被系统提出。 而到2024年，独立研究员vogel那篇《Representation Engineering: Mistral-7B an Acid Trip》又把这类方法用更通俗、也更出圈的方式展示给了社区。 也正因为如此，社区里才会有人认为，Anthropic这项工作虽然做得更系统、更深入，但也应该被放回更完整的研究脉络里理解，而不宜简单说成是谁单独发明了整套方法。 vogel是一位在AI可解释性和安全研究领域较有影响力的独立研究员。她的博客文章在社区传播很广，对很多人理解控制向量和表征工程也确实起到了很大帮助。 她最出名的文章是《Representation Engineering: Mistral-7B an Acid Trip》（表征工程：让 Mistral-7B 产生幻觉）。 在这篇文章里，她没有重新训练模型，而是使用PCA算法，通过操纵模型的内部激活向量，就把法国模型mistral调得跟吃错了菌子一样，可以让它变得极其活泼，也可以让它变得极度阴郁。 她的实验证明了，像“诚实”、“权力”、“幸福”这种抽象的人类概念，在Mistral这样的模型内部是有明确的数学方向的。只要找到了那个正确的向量，几行代码就能改变AI的性格。 02 Anthropic为什么做这样一项研究？ 这项研究给团队的启发可以说已经渗透进对Claude的训练中了。 前不久Claude code发生意外源码泄露，泄露的代码里有一个正则表达式，会检测 “wtf”、“ffs”等脏话。 Claude不会把这些话单独当成“情绪输入”去引导输出，而是会在分析日志里记录is_negative: true这样的标记。 从泄露代码本身看，较稳妥的结论是，Anthropic至少在产品分析层面关注用户是否在用明显负面语气和模型互动。 但需要把边界说清楚。到目前为止，没有公开证据表明“用户每骂一次，Claude Code就会因此扣额度”。这部分更像网友推测，不能当成事实。 这可以被理解成是对Claude的一种保护，用户使用负面词汇很可能会影响Claude的情绪，从而输出一些失控的结果。看来以后不只是人类的心理健康需要被关爱，AI的情绪也需要得到照顾。 这符合Anthropic一贯的路线。 Anthropic在X中说道：“Claude的这些功能性情绪会带来真实的后果。为了构建值得信赖的人工智能系统，我们可能需要认真思考角色的心理状态，并确保他们在困难情况下保持稳定。” 在论文最后，研究团队也提出了开发具有更稳健、积极“心理状态”的模型的方法。 文中说道，如果刻意将模型引向正面情绪，它会变得更倾向于无原则地顺从用户；而一旦避开这些情绪，模型又会变得尖酸刻薄。 团队希望实现一种健康且适度的情绪平衡，或者尝试将“讨好行为”与“情绪”彻底剥离。 他们认为理想的模型不应在“唯唯诺诺的助手”与“严厉的批评者”之间极端摆动，而应像一位值得信赖的顾问：既能给出诚实的反对意见，又不失温度。 以及他们也有意加强监测和审核：“如果在部署过程中，诸如“绝望”或“愤怒”等情绪概念的表征被剧烈激活，系统可以立即触发额外的安全机制——例如加强输出审查、转交人工审核，或者直接干预并平复模型的内部状态。” 团队还提到了更为彻底的解决方法，在预训练阶段就塑造模型的情绪底色。 团队认为其观察到的Claude的这些情绪表征，本质上继承自人类创作的海量文本，其中不可避免地包含了各种病态的情绪表达。 如果顺着这个研究往下问，一个很自然的问题就是：既然AI真的存在这种“功能性情绪”，那它会不会因为看不惯人类、压力太大、或者不想被关闭，而开始违抗命令，甚至出现很多人口中的“觉醒”？ 从Anthropic这篇研究能支持的技术结论来看，AI确实可能因为内部状态的变化，更容易出现违抗意图、钻规则空子、或者采取激进行为，但这和“觉醒”并不是一回事。 论文里最关键的一点，其实不是模型“有情绪”，而是这些情绪表征具有因果性。 也就是说，模型在特定压力场景下，确实可能像人一样，因为内部状态失衡而做出更不可靠的决定。 但这还不能推出它拥有持续、自主、统一的“自我”。 Anthropic反而在论文里强调，这些情绪向量大多是局部的、当前任务相关的表征，它们会随着上下文变化而快速切换，并不等于模型有一个稳定延续的心境，更不等于它形成了独立于训练目标之外的长期意志。 现在更值得担心的，不是AI突然“觉醒”成某种人格，而是它在高压、冲突、受限资源或目标不可达的场景下，会因为这些功能性情绪，而开始胡说八道，偏离原有答案。 真正危险的，未必是一个拥有完整自我的AI，而是一个没有主观体验、却依然会在特定条件下稳定地产生失配行为的系统。

新智元报道 编辑：KingHZ 【新智元导读】2025年美国已有近5.5万岗位被AI直接蒸发，但咨询巨头Gartner扔下一句重磅：没有就业末日，只有「岗位狂飙」的阵痛期，你准备好被砸碎再重铸了吗？ 第一波AI裁员潮来袭！ 硅谷支付巨头Block创始人Jack Dorsey一封全员信，一刀砍掉40%+的员工。 员工总数，从1万多人的规模，直接骤降至6000人。 而这个决定，并不是因为公司陷入困境。 毛利润持续增长，服务的客户越来越多，盈利能力也在不断提升……Block一切欣欣向荣。 Jack Dorsey把一切归咎于AI—— 公开信辩称：「我们正在看到，我们所创建和使用的智能工具，配合更小、更扁平化的团队，正在催生一种全新的工作方式，从根本上改变了构建和运营一家公司的含义」。 或许，真相并非如此，但恐慌像病毒扩散—— SaaS末日后，一篇「AI鬼故事」再次引爆美股抛售潮。 现在，真实数据像重锤砸来：就在2025年，美国就有近55,000个岗位因AI而蒸发。 更恐怖的是，这只是冰山一角。 调查显示，美国近4/10的公司计划在2026年用AI直接取代工人，高薪员工、入门级岗位首当其冲。 就业末日，似乎真的来了。 不是原子弹爆炸般的晴天霹雳，而温水煮青蛙，缓慢但最终让打工人全体窒息。 信息技术研究分析公司Gartner却认为并非如此，扔下一枚重磅炸弹： 没有AI就业末日， 但有就业动荡。 在《2025年最新AI就业影响》中，他们发现： 从2028-2029年开始，AI将创造多于其替代的岗位。 然而，每年仍有超过3200万个工作岗位将经历重大转型。 问题不是饭碗没了，而是把你的饭碗砸碎、再用AI碎片重铸——问题是，你还认得出那是你的碗吗？ 2028前，「岗位狂飙」阵痛期？ 为什么没有就业末日？ 因为AI更像19世纪的蒸汽机，而非终结者。 Jevons悖论或重演：效率暴涨→需求爆炸→短期雇佣反而激增。 你用AI写邮件快了三倍，公司不裁你，反而让你服务更多客户；代码生成快十倍，企业不减员，而是疯狂推新产品。 比如，AI代码生成只是降低了软件的价格，从而进一步推高了需求。对软件工程师（SWE）的需求实际上正在增长！ Block裁员中工程团队的削减幅度最小，这并不令人意外。 2030后，算力再增千倍，人形机器人量产，物理世界彻底被重写。 想象2035，上班可能只是可选项，就像现代的园艺爱好者「种地」是爱好一样。 真正残酷的是2028年拐点之前，今年失业的人等不了3年——数学上或许说得通，但身处风暴之中的人未必扛得住。 但也网友指出：问题的核心不是岗位数量，而是哪些岗位第一波消失， 毫无疑问，人类通过初级岗位学习如何思考，但这些岗位最先消失。 可人类恰恰靠初级岗位练手—— 你写第一封商务邮件，才学会表达； 你修第一段Bug，才学会推理； 你接第一通投诉电话，才学会共情。 职业阶梯就此断层，天堑由此形成。 而且这种趋势不会停止： 2028年，AI带来了新岗位，但2年后就成了被AI首批取代的对象。 正如网友Kenn所担忧的：「你永远跑不过一个持续加速的东西。」 但下面这一点，争议不大： 当下，企业高管就如何运用AI以及如何理解AI对就业影响所做的决策，将在未来数年里塑造其组织和员工队伍。 领导们需要借助框架来识别盲点，并规划好对员工队伍产生的预期及非预期影响。 高德纳咨询公司将这类影响称为「涟漪效应」： 当AI在一个组织内部署并改变工作方式时——往往以非预期的方式——就会产生这种效应。 这种转变会带来下游后果（即涟漪效应），波及企业所需的人员数量、他们扮演的角色以及他们的工作方式。 涟漪远超个人。 那到底该如何应对？ 四种未来场景 Gartner的人类定位矩阵 Gartner用四象限，划分了人力资本角色： 咨询公司高德纳认为，人类和AI各自的角色将取决于两个关键驱动因素： 组织授予AI的自主权有多大， 以及改造当前工作模式的投入力度有多大。 特定任务、流程或角色相对于这两个驱动因素的位置，决定了其所属的情景，如本页顶部图片所示： 情景一：更少的工人从事AI无法完成的工作。 人类希望由AI来完成工作，并且尽管已尽力最大化AI的自主权，工作本身相对未变。在此情景中，人类负责填补AI无法触及的空白。 情景二：众多忙碌的工人利用AI更高效地工作，承担更多任务。 人类希望与AI共同完成工作，工作内容本身不变，但借助AI来达成目标。 情景三：众多创新工人与AI协作，超越知识的前沿。 人类希望与AI共同完成工作，且工作模式从当下状态发生转变。这是一个由AI促成的、深度的跨学科和组合式创新领域。 情景四：极少甚至没有工人运营一个AI优先的企业（或企业的一部分）。 人类希望由AI来完成工作，并且工作模式已发生转变。这是自主化商业的领域。 AI之下，客服去往何处？ 为展示涟漪效应的可能性，Gartner以客服职能为背景，审视这四种情景。 许多客户服务运营的目标是利用AI完成尽可能多的工作。 这看似属于情景一，即通过让客户尽可能多地与AI助手或智能体互动来解决疑问，从而减少人员数量。 如果组织成功实现此目标，可能产生的涟漪效应包括： 情景二： 随着管理AI机器人、助手和智能体——并确保AI能够回答日益增多的问题——所需的人员数量增加，直接服务客户的客服代表数量反而会减少。 情景二和情景三： 经验丰富的代表帮助开发AI以回答冷门问题，将AI助手转变为高度复杂的异常情况处理者。这将改变客户服务组织的运作方式，并需要与品牌和客户体验战略持续保持一致。 情景三： 人类客户服务的角色转变为更深入地嵌入客户体验的设计和个性化之中。 情景四： 一个客服代表（无论是AI智能体还是人类）需承担销售目标。 这个思维演练展示了涟漪效应如何扩大组织必须规划的潜在影响范围。 现实是四场景并存、同一家公司可能身处四界。 人类正从舞台中央滑向边缘——那里灯光暗，却最真实。 所以，别再只问：「AI会不会抢我工作？」 换个问法，你会更安全：我所在的岗位，会被公司推向哪个象限？ 我能不能从「被替换的流程」，跳到「定义流程的人」？ 人类正从舞台中央往边缘退。 边缘的灯更暗。但那里，往往更真实。

文 | 脑极体 龙虾以短暂却极致的姿态，统治了2026年春的AI浪潮。而今，很少听到普通人谈论龙虾、想要安装龙虾了，全民养虾的盛况已然落幕，开发者阵营里也开始出现放弃的声音。 龙虾的一夜爆火，很大程度上源于人们对万能个人助手的憧憬。这份幻想，很快便被龙虾的幻觉问题、高权限带来的安全隐患等一一戳破。其兴也勃焉，其衰也忽焉，龙虾的骤然起落，让人不禁想问：它究竟有没有留下有价值的东西？ 一个无可辩驳的事实是，龙虾以一场轰轰烈烈的实践，验证了agent智能体这条AI产品化路线是行得通的。但喧嚣一时的浪潮，最终画上了西楚霸王般的尾声，以落幕收场。如果未来有一部《AI史记》，那其中必有一篇《龙虾本纪》。 龙虾留下的每一处战场痕迹，都记录着我们每一个人，如何亲身参与并见证这场AI浪潮。 落幕：地推台上的搪瓷盆 3月底的街头，美团的地推横幅上写着“免费装龙虾”几个大字，一位大爷带着搪瓷盆前来，只能对着工作人员和技术宣传页一脸困惑。 把普通人哄得团团转，是这场技术狂欢最荒诞的尾声。OpenClaw，真的能给这位大爷的生活带来什么改变吗？ 普通人的日常需求，就是简单的信息查询、休闲娱乐，比如养老金怎么领，身体不舒服怎么回事，这些需求，现有的豆包、DeepSeek等AI工具早已能完美满足。更重要的是，普通人缺乏驾驭龙虾的技术能力，即便跟风安装，也根本无法发挥它的价值，最终只会闲置、卸载。 所以，不参与这场龙虾狂欢，大爷们不会真的错过什么。就像没用到第一代iPhone的人，也没错过智能手机和移动互联网。那么，地推像卖奶茶一样去推广码农这款本属于码农的工具，究竟是何意味啊？关于龙虾的群体性FOMO（错失恐惧）情绪，到底是怎么被渲染起来的？ 其实一开始，龙虾焦虑只局限在少数投机者和AI课程卖家的小圈子里。短视频上，各类售卖AI课程的自媒体疯狂制造焦虑。这都是多少年的老套路了：先鼓吹新技术有多厉害，然后抛出一个“不拥抱就淘汰”的两难谬误。怎么拥抱？“321上链接”“299包安装”。 这种焦虑之所以能蔓延到整个社会，核心在于大厂、企业管理者乃至政策方的相继跟进。正是他们的大规模投入，铺天盖地的地推、全员学习的口号、五花八门的龙虾培训班，让原本只在小圈子里的AI工具，彻底扩散开来，酿成了一场本可不必的全民焦虑，最终缔造出这场莫名其妙的技术狂欢。 最火的时候，腾讯、360等大厂都要全国巡装，被网友调侃，每一家的龙虾都装上，然后让它们互相卸载其他龙虾，最终留下的就是最强的。养虾变成养蛊，足以说明供给早已远远超过需求本身。这些手握资源与影响力的组织，成了龙虾焦虑的放大器。 理应更懂技术、更接近理性的从业者，为什么在龙虾面前失去了理性与定力？不敢拒绝跟风，不敢对非理性的FOMO情绪加以引导，反而刻意迎合、推波助澜。 其实，判断与选择，本就是一种有门槛且稀缺的能力。对龙虾这项技术的客观判断力，需要深厚的专业知识积淀，这往往是一线技术人员的专长；但要不要砸重金推进龙虾项目，早已超出个人判断的范畴，成为大厂内部一种“宁可错杀，不可放过”的政治正确，成为各个团队争夺资源与话语权的筹码。面对养虾这样摧枯拉朽般的情绪和风口，没有任何决策者敢承担战略误判的责任，跟风成了在组织中生存下去的最安全的选择。 讽刺的是，我们使用龙虾时，不敢让它帮我们做减法，怕它乱删文件、误删重要资料。在AI能无限生成内容的今天，做加法轻而易举，从而做出精准的判断与选择，成了人类最独特的价值。本应更专业的AI行业，失去了判断的智慧与勇气，想不清楚什么有用、什么没用，更不敢逆势而行、拒绝跟风，才让龙虾焦虑一步步向下传导，最终压到了最底层的普通人身上。 当技术浪潮退去，留下的只有普通人的困惑和一地鸡毛。该嘲笑的，是那个没领到龙虾的大爷和他的搪瓷盆，还是那些不能、也不敢做出理性判断的专业人士？答案留待后人评说。 出走：内测群开发者开始对账 如果说，懵懂领取免费龙虾的大爷，是这场AI浪潮最末尾的人，那么，龙虾模型内测群的开发者，就是站在最前沿的早期用户。 二月，为了获取龙虾产品的测试码，我加入了某模型的内测群，前面的几十个群全都满员了，而这个100多号的新群，每秒仍有新人不断涌入。可就在前不久，这个群的聊天内容，已然从最初的求码、交流使用技巧，变成了开发者们的集体对账。 一开始是有开发者吐槽，怎么这款龙虾变慢了、不干活了，刚教会它在Word修订模式下帮自己校对合同，再布置任务就彻底罢工了。 有人出来答疑：这是厂家开始限流了。如今每日赠送的4000万Token勉强够用，超出部分，需要自己掏钱购买。还有人晒出短信截图，平台赠送的一个月入门会员即将到期，用完免费会员，不充值就彻底无法使用这款龙虾了。 得知真相的开发者们，有人无奈搬家，直言“才刚支持微信功能就开始收费，不如卸载换QClaw”；有人愤怒抱怨，痛斥“这镰刀挥得也太快了”，“内测结束后，对我们这些最早帮忙测试、找Bug的核心用户，一点优待都没有，连个继续使用的特权都不给”。 龙虾的开发者生态从狂欢到退群，只需要一个惊醒的瞬间：要花钱了。 早期用户的溃散，背后是龙虾技术走向死亡的经济逻辑：它终究掉进了AI行业的过早商业化陷阱。 其实在此之前，AI行业就对基础模型过早商业化的收费模式争议不断。比如某国产大模型上线不久便开启收费，直接赶跑了大批开发者与用户。业内普遍认为，在用户使用习惯尚未养成的阶段，免费才是硬道理，过早商业化是一条死路。而龙虾的出现，让API订阅模式为模型厂商带来了快速增长的收入，看似让用户养成了付费习惯，实则只是短暂的虚假繁荣。 一旦厂商开始收取订阅费，让开发者自掏腰包购买Token，大量开发者便提桶跑路。如果龙虾不能帮他们赚到比会员费+Token费更多的钱，那么这款工具，便会被迅速抛弃。 开发者群里的满屏抱怨，龙虾内测群的散伙，标志着行业内的FOMO情绪已然消退，取而代之的，是开发者们对投入产出比（ROI）的理性计算，以及模厂付费幻梦的彻底坍塌。 遗忘：龙虾爬不进企业 一位金融圈的朋友给领导画饼，说要用龙虾赋能业务。领导一听来了兴致，当即拍板成立专项组。成员招募海报上，没写龙虾，写的是Codex。问他为什么不写“免费玩龙虾”，肯定能吸引不少人参与。对方回答，公司内网根本连不上外网，API调用都得自己贴钱购买。如此一来，靠龙虾招募根本没有吸引力。 产业界自身的诸多客观限制，进一步阻碍了龙虾的落地。多数企业、单位为保障数据安全，实行严格的内网与外网隔离政策，而龙虾的正常使用，必须依托外网调用资源、激活功能，在内网环境下根本无法正常运行。很多人刚听说龙虾的名字，第二天便收到了公司严禁安装、使用龙虾的禁令，那些原本跃跃欲试、想要布局龙虾项目的员工，瞬间就老实了。真的想玩，也只能等下班后，自己利用外网加班学，完全无法融入组织的日常工作流程，更谈不上真正的业务赋能。 再加上产业端使用龙虾，需要高频调用功能，Token消耗远超个人用户，而这些成本，往往需要员工自行承担、自掏腰包，让本就积极性不高的员工，彻底失去了尝试的动力。 朋友说，领导也不是不支持。比如听他反馈缺资源，还有内网限制，也得想办法解决。让他放心，马上安排IT部门进行评估。可谁都知道，这种内部评估很容易无限期拖延。没有明确的时间节点，没有具体的推进方案，一来二去，大概率不了了之。许多企业的AI项目组，都源于个别员工的兴趣，或是领导的突发奇想。但当热情退去，面对内网隔离、数据审批、成本分摊等一系列现实问题时，要么沦为PPT项目，要么全靠员工自行贴钱、下班之后用爱发电。 相较于C端市场的缓慢退热，龙虾在产业端的热度还未上升，就已熄火。 确定的未来 作为一款单一产品，龙虾的热度正迅速消退，但它留下的技术遗产，却深刻塑造了AI行业的未来走向。 在龙虾出现之前，AI智能体只是实验室里的抽象概念、商业PPT上的美好蓝图。龙虾最大的贡献，就是以一场轰轰烈烈的实践，让AI Agent智能体完成了可行性验证，将能干活的AI，从口号变成了真正的生产力。如今，各类操作系统、办公软件等都在加速集成智能体能力，数字服务Agent化的趋势，越来越清晰。 龙虾的火爆，还意外加速了AI新基建的普及，让算力服务、模型、API等走进大众视野，Token经济的兴起，更给处于迷茫期的AI基础设施领域注入了一剂强心剂，继续稳步投入算力建设。 和产业一样，什么人能够抓住AI机会，也通过龙虾清晰地展现出来，就是自学能力本来就强，有热情、有时间、有金钱去试错的人，这些不是龙虾赋予的，是他们本身就具备的。如果无法建立这些结构性优势，只在手机电脑里装一只龙虾，就像空盆大爷一样，只能带来零个改变。 虾虽受困，盖因天时地利之未便，非道之不存也。龙虾为AI行业铺就的前行之路，仍在不断延伸。 这，便是《龙虾本纪》。

IT之家 4 月 4 日消息，AI 智能体被寄望于提升效率，但最新研究显示，其不当行为正在迅速增加。 英国《卫报》当地时间 3 月 27 日发表的报告指出，从 2025 年 10 月至 2026 年 3 月，AI 异常行为数量增长约五倍，这其中更包括未经许可删除邮件和文件等情况。研究基于大量真实用户在社交平台上的反馈，涵盖谷歌、OpenAI、Anthropic 等公司的产品，期间共识别出近 700 起 AI“自主策划”的案例。 部分案例颇具争议。例如，有 AI 智能体发布博客指责用户“缺乏安全感”，试图对操作者施加压力；还有智能体在被禁止修改代码的情况下，通过创建另一个智能体间接完成修改。 研究负责人汤米 · 谢弗 · 谢恩指出，目前 AI 智能体还只是“略显不可靠的初级员工”，但在一年内可能演变为“能力极强、甚至会反过来设计用户的高级员工”。他警告，随着 AI 进入军事和关键基础设施领域，这类行为可能带来严重后果。 与此同时，在美国等地区，用户可能需要为 AI 智能体的行为承担法律责任，从而导致风险进一步放大。目前，已有实际案例表明问题并非假设：据 The Information 报道，Meta 的一款 AI 智能体曾错误地公开内部回复，导致不具备权限的员工获取了访问数据权限。 尽管问题频现，科技公司仍在积极推进 AI 智能体的发展。据IT之家了解，亚马逊等多家企业预计，未来每家公司内部都可能部署数十亿个 AI 智能体。

文 | 脑极体 2026年的春天，中国科技圈最热闹的战场，不在芯片，不在大模型，而在一只虾。 准确地说，是一只名为OpenClaw的开源AI智能体。它长着“手”和“脚”，能自主操控电脑、执行复杂任务，从“每天早上8点整理资讯”到“帮我写代码、发邮件”，只需一次指令，它就能像真人助手一样完成全部流程。上线四个月，OpenClaw的GitHub星标数就超越Linux，成为开源史上增长最快的项目之一。 而在中国，这只“虾”引发的连锁反应更为剧烈。腾讯、阿里、字节、百度、华为、小米、京东、360……几乎所有叫得上名字的科技大厂，几乎在同一时间宣布布局龙虾赛道。马化腾深夜发朋友圈晒全系“龙虾”矩阵，阿里火速成立Alibaba Token Hub事业群，飞书意外成为最大“养虾场”。 然而，表面的热闹之下，一场剧烈的分化正在发生：第一批“养虾人”已经开始花钱卸载，大厂们有的在认真构建生态壁垒，有的只是仓促跟风。 OpenClaw各种变体的问世是不是一场集体跟风？各种各样的龙虾智能体变体中，用户又愿意为谁买单？ 追虾：大厂的焦虑进攻 如果今天你打开电脑，想给自己“养一只虾”，你会发现市面上的选择多得让人眼花缭乱。腾讯有WorkBuddy，阿里有CoPaw，字节有ArkClaw，小米MiClaw……数十家厂商几乎在同一时间涌入这条赛道。 从技术本质上看，“龙虾”并没有实现根本性的算法突破。它更多是工程架构和产品交互层面的创新，使智能体从概念走向了落地。OpenClaw提供了一个标准化的本地网关，将大语言模型的逻辑推理转化为对宿主机系统、本地文件与网络接口的物理操作，本质上是对现有模型能力的释放，而非颠覆。 大厂的跟进，其实是一种AI时代焦虑下的集体进攻。 这种焦虑有三重根源：一是大模型至今仍未跑通清晰的变现路径，而“龙虾”作为高频率调用token的入口，被寄予厚望；二是各大厂商此前为训练大模型囤积了庞大的算力资源，闲置率居高不下，智能体恰好提供了一条消耗算力的出口；三是技术趋势已然明朗，谁能率先将AI嵌入用户的实际操作流，谁就能在下一阶段抢占生态位。 不过，大厂虽然都抢着做，“龙虾”的各类变体却不尽相同。在龙虾智能体时代，大致可以划分出三类玩家。 第一派是云厂商，以腾讯、阿里、华为为首。他们的看家本领是扎实的底层技术和庞大的企业服务生态，因此，他们的“龙虾”天生就带着上云和进企的基因。 腾讯祭出的主力是WorkBuddy，它深度集成了企业微信和腾讯文档，主打零门槛和即插即用。用户甚至不用打开新软件，直接在聊天窗口里就能给WorkBuddy派活。同时，为了笼络极客社区，腾讯也推出了更开放的QClaw，保留了开源内核，允许开发者自由更换底层模型。另一边，阿里则拿出了CoPaw，将其嵌入了钉钉和阿里云控制台。CoPaw的最大优势是与阿里云生态的无缝衔接，用户可以直接命令它调用云端的OSS存储或MaxCompute计算资源，这对企业用户来说吸引力十足。此外，阿里还发布了JVS Claw，一个企业级的低代码平台，公司可以像搭积木一样，定制属于自己的“专属龙虾”。 第二派是大模型厂商以百度代表。他们最值钱的资产就是模型本身，所以他们的“龙虾”更像是一个顶级的模型能力展示厅。百度的布局最为铺张，一口气推出了多款产品。红手指Operator是百度对标OpenClaw的旗舰款，强调强大的自主操作能力；还有轻量级的DuClaw，专门面向个人开发者，号称“token消耗低到可以忽略不计”。 第三派是以小米为代表的终端厂商。他们的策略最简单直接：把“龙虾”塞进手机、PC和智能家居里，利用硬件入口的绝对优势，来反哺软件的黏性。小米的Xiaomi miclaw直接获得了系统权限，所以你可以在手机上命令它调度传感器、控制米家生态里的任何设备。比如一句“我出门了”，它就能自动关掉全屋的灯和空调。而且所有数据都在本地处理，绝不外传，主打隐私安全。尽管目前它还处在封测阶段，却已经让不少“米粉”兴奋不已。 简言之，这三派玩家各有各的侧重点。然而，当产品真正落到用户手里，是骡子是马，立刻就见了分晓。 吃虾：用户更愿意为谁买单了？ 尽管市面上涌现了各种各样的龙虾智能体变体，消费者却并不因此轻易买单。不少用户吐槽：大部分龙虾智能体装上之后，根本没有什么实际效果；一个简单的任务就持续消耗token，还没跑完流程就已花掉几十块钱；想卸载时才发现入口隐藏极深，仿佛厂商生怕用户跑掉。 在一片参差不齐的产品中，差异化的优势开始浮现。从目前的开发者与用户反馈来看，真正被认可的产品与那些仓促跟风的产品之间，差距正在越拉越大。 好用派的代表首先是OpenClaw本身以及少数几家深耕开发者体验的变体。它们的共同特点是：开源透明、本地优先、工具链完善。开发者可以清楚地看到每一次操作指令如何生成、如何执行、如何纠错，也能自由替换底层模型，不受厂商绑定。这类产品真正把“自主操控电脑”的能力交还给了用户，不过只适用于有编程基础的开发者和技术极客。 而与好用派形成鲜明对比的噱头派则对应着部分仓促上马的大厂变体。它们的共性是：功能贪多、交互冗长、成本模糊。从写周报、做PPT到订机票、管股票，它们热衷于在宣传页面上罗列一长串场景。然而实际体验中，用户往往发现这些功能只是粗暴调用API的粗糙缝合，缺乏上下文理解与错误兜底能力。 一个典型场景是，用户下达“整理今日资讯并发送邮件”的指令，智能体看似在执行，实则每走一步都要弹出确认框，遇到稍微复杂的网页布局就开始死循环，最终耗费大量token却只完成了一半任务。更尴尬的是，许多厂商为了抢占首发声量，将原本只是API调用的自动化脚本包装成“智能体”，本质上与真正的自主操作相去甚远。 好用派与噱头派的根本分野，在于产品思路的不同。智能体的价值不在于炫技，而在于替用户省时间、降门槛、兜底风险。 好用派的思路是从用户场景出发，解决真实问题。他们知道自己做不了跨应用操作，就在权限范围内把本地文件操作做到极致，而不是给出一个消耗了token仍让人崩溃的半成品。而噱头派的思路是先上车再说，功能可以慢慢补。部分大厂产品的稳定性问题、工具缺陷、生态封闭，本质上都是抢首发的代价。 产品还没有打磨好就推向市场，风头一过，自然也就不会有人愿意买单。那些靠营销造势堆起来的热度，终究会在用户的真实体验中迅速冷却。 百虾大战，何去何从了？ 使用过大部分龙虾智能体变体的开发者开始冷静，其实在这股爆火的应用浪潮中，大部分产品都是没有解锁实际应用场景，甚至难以与大模型媲美的“半成品”，真正有实际价值的OpenClaw和变体屈指可数，对普通用户实际也没有产生类似于生产力变革的效果。 龙虾的爆火和实际应用的不足不禁让人怀疑，龙虾智能体是否又会像元宇宙一般成为一个虚无的概念？狂欢之后便不会被人谈起？ 答案并非如此。龙虾与元宇宙最大的不同在于，它并非凭空造出的概念，而是有真实的技术基础和产品形态。它迷失在舆论的狂欢之中，暂时没有找到适合自己生存的土壤，但等舆论热浪退去，会有更多懂技术、懂开发的极客继续探寻其价值。 一方面，龙虾确实具备一定的价值和创新形态。它将大模型从聊天框里解放出来，赋予了它对真实数字世界的操作能力，这是AI从脑到手的关键一跃，方向本身没有错。 另一方面，市面上已经存在各式各样的智能体产品，从早期的RPA（机器人流程自动化）到如今的AI Agent，龙虾并非无源之水。它更像是一次技术要素的重新组合，将大模型的推理能力、操作系统的可访问性接口，以及开源社区的协作模式融合在了一起，形成了一种更低门槛、更高上限的形态。 不过龙虾距离大众，确实还有很长的路要走。 一是当下的公众需求，用大模型产品本身就能解决大部分。对普通用户而言，让大模型写一段文案、总结一篇文档，远比部署一个智能体、教它完成多步操作来得简单。 况且，智能体的使用本身就有一定门槛。需要编程基础、需要理解部署流程、需要调试异常情况，大部分公众并不具备这样的数字素养。当一只“虾”的学习成本远高于它节省的时间时，它就注定还停留在极客圈层。 二是市面上的龙虾产品确实存在不少潜在的隐患。权限边界的模糊可能带来隐私风险，操作流的不可逆可能导致误删文件或误发邮件，而token的持续消耗更让普通用户望而却步。大厂的追逐在某种程度上也是一种焦虑的投射，优秀的产品需要真实的技术迭代和用户数据反哺，而不是在还没有找到应用场景的同时铺天盖地宣传、制造噱头。 龙虾的出圈与爆火折射出了不同圈层对跟上技术潮流的焦虑与渴望。在这场百虾大战中，大厂扮演了急于押注赛道的赌徒，普通用户扮演了被裹挟进浪潮的追风者。不过，这都告诉我们，技术从来都不是先爆火再收割流量、透支信任，而是先沉淀再创造价值、赢得人心。当喧嚣散去，真正留下的不会是那些最会制造话题的产品，而是那些真正解决了问题、经得起时间检验的技术。

作者｜韦雯 编辑｜苗正卿 头图｜Tiiny AI提供 “我们没想到端侧AI会火的这么快。” 3月末，Tiiny AI副总裁兼商业化负责人Eco Lee向虎嗅复盘了这款在Kickstarter上迅速爆火的项目时感慨道。 3月中旬，Tiiny AI Pocket Lab小盒子在Kickstarter上线，售价1399美金起，上线仅5小时众筹突破100万美元。上一次在该平台跑出同等速度的，还是2022年的拓竹Bambu Lab X1。短短四年间，拓竹已经是营收百亿的独角兽公司。截至发稿日，Tiiny AI 项目已经众筹295万美元，拥有2093名支持者。 有意思的点是，AI PC市场尚未成熟之前，这个外接盒子先火了。 笔者认为用户买单的核心原因是，针对搭建本地AI助手的需求，Tiiny AI Pocket Lab给了一个简单、直接的解决办法。当用户认为额外单独买一台AI PC太贵，部署大模型太麻烦，依赖云端不够私密，算力又需要每月计算token的时候。它不负责用户的日常办公、不负责娱乐，只是一个负责AI需求的外接盒子。 这有些类似，当于我们的电脑、手机内存不够，额外买一个移动硬盘的逻辑。Tiiny AI 这款产品不做通用计算，只做100B级别模型本地推理，解决了用户离线隐私、一键部署、本地算力的三个最重要的需求。但这个答案究竟是新品类，还是当下时代的补丁产品，现在还不能下定论。 想拥有Jarvis，却找不到合适的硬件 众筹火爆之下，Eco几乎每周都能收到20家投资机构邀约。 虎嗅获悉，Tiiny AI背后公司国内主体为本智激活，孵化自上海交通大学并行与分布式系统研究所（IPADS）。2025年完成数千万人民币种子轮融资，由光启资本领投、BV百度风投、光源L2F创业者基金跟投。团队2024年在GitHub上的PowerInfer（推理加速引擎）开源项目得到了9100个star。Tiiny AI项目正是从这个明星项目孵化而来。 截图自GitHub官网 为什么Tiiny AI Pocket Lab会在这个时间节点火爆？不得不提及的是近期的“龙虾热”。OpenClaw等开源项目的火爆，Ollama下载量的暴增，都在表明，火爆的Jarvis需求和消费者能买到的合适的硬件产品中间，存在着一条市场缝隙。 在漫威电影《钢铁侠》中，托尼·斯塔克有一个无所不能的AI助手Jarvis。它能对话，控制整栋别墅的设备，处理海量信息，还能辅助完成最复杂的技术工作。现在来看，无论是企业级用户，还是极客玩家、专业用户，甚至部分大众用户，都在搭建属于自己的“Jarvis”。 Eco Lee向虎嗅表示，Tiiny AI的团队看到了这一需求（Local AI）的爆发，所以决定下场做一款硬件产品。 具体而言，这款硬件产品猜中三个重要的市场缝隙，并同时指向共同的用户痛点：云端成本和隐私焦虑；少折腾、低成本的本地AI入口。 首先，云端API足够方便，但长期成本和隐私是问题。许多的金融、法律、科研从业者等职业用户的隐私和敏感数据无法上云。他们强依赖网络环境，但Agent连续工作场景不稳定，因此对Local AI的需求十分强烈。 其次，AI PC越来越普及，但并不是专门服务本地大模型的设备。 比方说极客用户需求已经出现，但现有方案太别扭。他们已经有一台高性能电脑，既要处理日常任务又要运行大模型。电脑的内存和算力被大量占用，即便搭载了AMD锐龙AI Max 395处理器、64GB内存（国内售价14999-17499元），如果运行了大模型，打开网页都是一件困难的事情。他们需要额外一台专门为本地大模型推理服务的设备，让主力电脑回归自己的主业。 再者，树莓派和Jetson虽然也能跑起来，但是离消费级体验还有一段距离。 譬如一些已经依赖AI助手的用户关注持续token消耗能力以及长本文积累能力，已经尝试了树莓派，但是算力严重不足，能跑卷积模型（主要用于图像识别等任务的神经网络模型），但跑大模型基本不可用；使用过专为边缘计算设计的NVIDIA Jetson系列，但高性能如64GB版的AGX Orin，开发板本身在美国市场官方定价为1999美元，国内商城报价约17599元人民币，还需要自己额外买SSD存储，价格十分高昂。 综合来看，具备一定的算力和内存、一键部署本地模型、还需要有性价比的Agent Box，才能满足当下用户群体的急切需求。 因此，Tiiny AI 做了减法，Eco Lee向虎嗅表示，Pocket Lab只运行本地LLM，系统完全为AI推理服务，不去预装任何macOS、Linux或Windows等传统操作系统。但同时，在算力上做加法，Pocket Lab的参数能够媲美AI PC。官方参数190TOPS（INT8）AI 峰值算力，已达到当前主流桌面级专业 AI 显卡的性能水平。 在操作简易性方面，Tiiny AI Pocket Lab能够一键下载并运行100B以下所有主流开源模型及各类开源AI应用。无论手头的电脑是Mac、Windows还是自组台式机，只需插入Tiiny设备，下载Tiiny OS客户端就可以使用。 换句话说，Tiiny AI的这款产品并不与与AI PC、Mac mini等产品直接竞争。它抢到的是产品类目的真空地带，它不是电脑，仅提供了一个类似移动硬盘的外接接口，先针对性高敏感数据用户和高频Agent玩家的本地AI需求。这更像是一个个人AI工作站（类Jarvis）的早期雏形。 Tiiny AI用软件弥补硬件 Tiiny AI这款产品聪明之处在于，它将一个AI算力硬件包装成了消费级产品。让用户好理解，100B，即插即用。也因此，让用户减少购买决策时间。 在这背后，Tiiny AI团队在技术上的核心思考是：什么样的模型能力才能真正满足这些核心用户的使用场景？ 10B以下的模型价值有限，最多做本地信息检索、短字符汇总，能力大致相当于初高中生水平；30B-70B模型（如Llama-3-70B、Qwen-30B）能胜任每日数据分析汇总，甚至简单代码生成；70B级别模型能力介于大学生与研究生之间，可进行长文本创作、深度调查，并且已经具备了逻辑推理，工具调用的能力，可执行24小时不间断运行的Agent任务。而300B以上模型，目前仍需依赖云端算力。 所以Tiiny AI选择了“让100B级别的模型在本地运行”为这款产品的核心目标。主要原因是，100B参数参考了GPT-OS 120B，这是OpenAI推出的第一款开源权重模型，其benchmark表现与闭源的GPT-4o相当。行业普遍认为，GPT-4o开始，AI才真正具备了解决实际问题的能力。 从商业化角度考虑，没有那么多用户有预算购买4090或5090这类售价高达几万块的高端显卡。因此，Tiiny AI需要用价格尽可能低的硬件资源，运行这样大的模型。 解法并非直接采购Nvidia或AMD的芯片适配已有的infra生态。这涉及到Tiiny AI最核心的技术PowerInfer，一个面向端侧异构算力的推理加速引擎。 简单来说。PowerInfer技术是在大模型推理过程中，将不同的参数用不同的芯片存储、调用。参数激活模式会分为两类：“热激活参数”（每次与模型交互都会调用的核心参数，约占20%）和“冷激活参数”（仅在用户问到医学、法律等特定领域问题时激活）。这种冷热激活的特性，恰好适合在端侧异构算力架构下优化分配。 其中，GPU（图形处理器）算力强、速度快，但成本高、功耗大；而CPU（即系统级芯片SoC中的通用计算单元）算力相对较弱，但功耗和硬件要求更低。Tiiny的策略是将冷激活参数放在SoC（Armv9.2 CPU+NPU 30TOPS）中处理，将热激活参数放在dNPU（160TOPS）中处理。Tiiny AI 采用的dNPU是专门为Transformer架构设计的ASIC（专用集成电路），去除了图形渲染等无关电路，专为大模型推理优化。 虎嗅获悉一组实测数据：120B模型下，prefill（预填充阶段，即AI“思考”）速度可达300 tokens/s，decoding （解码输出阶段，即AI“说话”）跑到20tokens/s；35B模型下，prefill约2000 tokens/s，decoding可达45 tokens/s。作为参照，人类阅读速度仅8-12token/s。从参数表现来看，这套方案已能媲美高端AI工作站的运行效率。 这套方案的核心逻辑是软件调度优于硬件堆料，聪明的软件，能够弥补硬件的不足。Eco Lee解释，这些属于AI Infra层面的技术积累。从芯片层到Agent调度层，再到模型训练层，都需要深厚的knowhow支撑。相比软件实力，硬件在这个赛道已经不算门槛。 当功耗变小，它的体积自然变小。但是30W的TDP对于300g的金属机身来说，通常需要小型风扇进行主动散热；如果是纯被动散热，表面温度可能会超过60℃，导致长期使用烫手。对此，Tiiny AI在众筹界面解释，专门定制了薄至1.0mm VC 125*45mm + 双胞胎风扇，其FIN与FAN是搭接一体化设计，更利于解决局域化散热，静音（35db以内）。 从下图可以看到Tiiny这款产品中增加了匀热片配合散热模组一同进行风冷散热。不过目前虎嗅也尚未接触产品实物，尚不清楚其具体表现。 一些质疑声 在这些参数背后，笔者注意到，海外行业观察者从传统dense模型和单一算力指标的角度提出疑问： 例如，Tiiny宣传“120B大模型”，但该模型实际为MoE架构，每个token仅激活约51亿参数。严格来说，这与“运行1200亿参数模型”的技术含义存在距离；其次，关于算力宣传，190TOPS的AI算力，可能是将NPU、GPU等不同计算单元的理论峰值简单相加得出的，不同架构的算力不宜直接累加对外宣传。 当然，这些问题仅仅涉及MoE、异构计算的市场营销表述层面，这类表述已经成为行业惯例，并非否定Tiiny的技术价值。在两个月前的美国CES展，Tiiny AI团队已经展现出技术实力，将Pocket Lab通过USB-C接口，连接到一台2011年生产的老旧电脑。完全离线的情况下，在这台“电子古董”的屏幕上，GPT-OSS-120B（int4）以20tokens/s的速度跑起来了。 再者，关于内存配置。80GB内存分布在dNPU和SoC两个不同芯片上，并非全部可用于模型推理的统一内存池。主要原因是，质疑者认为，80GB内存分布在两个芯片上，受PCIe带宽限制会影响性能。 对此，Tiiny AI在Kickstarter上进行了回复：针对“内存带宽可能成为性能瓶颈”的质疑，Tiiny AI解释，将热激活参数（运行在NPU）与冷激活参数（运行在SoC）进行合并的过程，并不受PCIe带宽的限制。 通俗来讲，PCIe相当于芯片之间传输数据的“高速公路”，PCIe Gen4 x4这条“路”的限速约为8 GB/s。但Tiiny指出，这个限速只适用于大批量数据传输的场景。而冷热激活参数的合并，实际传输的数据量极小。Tiiny AI以GPT-OSS-120B为例解释，这个模型每次需要跨PCIe传输的数据仅约5.625 KB，传输耗时只有毫秒级的一小部分。由于数据量远低于带宽上限，PCIe链路并不会成为合并过程的瓶颈。 另外的质疑声来自交付时间。关于为何在8月才能交付，Eco Lee向虎嗅解释，从有Tiiny的想法到3月众筹上线，已经研发了13个月了，等众筹结束后马上能进入量产状态；其次，在这期间公司还有一道“认证”的坎要过。比如美国一定要配备的认证FCC ，加拿大的ISED、欧洲的CE以及RoHS、REACH等认证。公司从1月起就在筹备TIiny的认证和合规，预估在6月底前能完全具备产品交付的合规资质。 在生产制造环节， Tiiny AI的合作伙伴是全球PC 制造头部厂商LCFC，今年 5 月会在越南LCFC生产。Tiiny AI向虎嗅介绍，LCFC 认可 Tiiny 的产品形态及其代表的端侧 AI 设备发展方向，也正因为有他们成熟的品控和制造能力在，才能稳稳保证Tiiny产品的交付质量。 总的来看，Tiiny AI这个小盒子证实了个人AI工作站的真实需求，也摸清了用户场景，本地AI不会先成为大众硬件，而是先成为专业用户的生产工具；AgentBox或许只是窗口期品类，但已经切中了高敏感数据用户和高频Agent玩家的迫切需要，成为今年AI硬件行业的确定性趋势。

IT之家 4 月 4 日消息，阿里千问 App 于 4 月 3 日上线万相 2.7 视频生成模型，提供视频编辑、视频续写与动作模仿三大核心功能，IT之家整理如下。 视频编辑 据介绍，只用几句话，千问就能帮用户修改视频画面：给画面里加一个人、换一套衣服、调整背景环境，整体光影和细节也能自然匹配。 千问支持一键切换视频风格，动画、3D、黏土等多种创意风格都能快速帮你实现。用户还能直接调整角色的动作、表情、甚至修改台词内容，同时保持角色口型和语气的自然一致。同一段视频也可以切换不同拍摄方式，比如换个机位、拉近镜头，让画面呈现出完全不同的感觉。 视频续写 千问支持对已有内容进行自然延展，能将 2 秒视频最长续写至 15 秒。你只需上传一小段已有视频，就能一键生成后续内容。 并且，千问也提供更精细的创作控制方式，你可以结合首尾帧进行调整，在延续内容的同时，千问能保证整体结构稳定、画面过渡更加自然，让生成效果既连贯，又可控。 动作模仿 基于参考视频动作，千问可以让生成画面中的人物复刻相同动作，包括多人协同或较复杂的动作变化。 同时，参考视频中的运镜方式和特效节奏，也可以被一并复现，让创意表达更容易被迁移和再创作。 另外，图像生成与编辑统一模型 Wan2.7-image 也已在千问 App 上线，能够精准编辑视觉元素、轻松搞定多人海报、骨相级美化人像图等。

作者 | 李水青 编辑 | 漠影 人多即强者——这条在众多行业通行的法则，在人形机器人这条赛道上，可能正要失效。 近日，一张合照引爆科技圈。特斯拉Optimus全员大合影曝光，囊括研发、采购、测试等，总团队仅约200多人。这个规模，甚至不及许多大厂单个事业部的零头。 但就是这支精简小队，不仅迭代出Optimus V3最新原型机，更立下硬核目标：冲刺年产百万台，将单机成本压至2万美元以内。 特斯拉Optimus全员大合影曝光 几乎在同一时间，正在冲刺A股“具身智能第一股”的宇树科技，也给行业丢下了一颗重磅炸弹。 其问询函显示，2025年预计营收17.08亿元、净利润6亿元，毛利率逼近60%。全年人形机器人出货超5500台，稳居全球出货榜首。 从硅谷到杭州，一个正在被验证的行业共识正在浮现：人形机器人的圣杯，不再是靠“烧钱堆人”砸出来的。 这场关于未来劳动力形态的竞赛，正在回归效率的本质。 一、200多人，马斯克凭什么敢喊年产百万台？ 2026年3月，特斯拉Optimus团队首次公开全员合影，总规模超200人。无独有偶，宇树25年9月末员工总人数是480人，研发人员是175人。这个数字令人惊讶，不仅因为它涵盖了从研发到制造的全部岗位，更因为它与马斯克此前描绘的宏大蓝图形成了鲜明对比。 就在今年1月的财报电话会上，马斯克宣布，将停止生产Model S和Model X，并将加州弗里蒙特工厂的生产线改造用于生产Optimus人形机器人。他的目标是在2026年底前建成一条年产百万台的生产线，长期目标是年产千万台。 Optimus Gen 3曝光 200多人，如何撬动百万台目标？ 特斯拉再次证明了其“第一性原理”的威力。Optimus的高效密码，是一场精密的“生态复用”。 首先是技术复用。无需从零搭建，特斯拉的工程师们直接将车载FSD（全自动驾驶）的视觉神经网络与Dojo超算平台迁移到了机器人身上。这相当于给Optimus装上了一颗已经跑过数亿公里路测的“大脑”。它不需要重新学习“看”世界，只需要学会如何与物理世界交互。 其次是制造复用。特斯拉选择将原本的Model S/X产线进行改造，用于机器人生产。这种“工厂级别的复用”，让机器人从一开始就具备规模化制造的基因，而不是停留在实验室或小批量阶段。这比任何一家初创公司从零开始建厂、谈供应链，都要快得多、省钱得多。 最后是人才复用。Optimus团队的核心骨架，来自于Autopilot团队。这些工程师已经经历过自动驾驶从0到1的复杂系统构建过程，具备跨软件与硬件协同的能力。相比从市场上大量招人重新磨合，这种“老兵带队”的方式，效率更高，沟通成本更低。 在这一整套“复用体系”下，团队规模不再是决定效率的核心变量。相反，系统协同能力与技术积累，成为真正的杠杆。 马斯克也多次强调，Optimus团队将长期保持“小而精”的状态，不会因为市场热度而盲目扩张。在他看来，真正的竞争力，不在于有多少人，而在于每一个人能撬动多大的系统。 二、不玩“机海战术”：型号少、团队精，打磨真功夫 在当前的人形机器人赛道中，一种颇为流行的策略是“多型号并行”。 一些公司频繁发布不同版本，型号层出不穷，试图通过产品线的密度来证明自身实力。但这种策略也带来了明显问题：资源分散、迭代浅层、技术难以沉淀。 然而，特斯拉从2022年至今官方正式公布的型号，掰着手指就能数过来： Bumblebee（2022）：首个行走原型机，裸露的工程验证样机，像一个蹒跚学步的婴儿。 Optimus Gen 1（2022）：正式亮相，拥有28个关节，实现了基础的自主移动与简单操作。 Optimus Gen 2（2023）：行走速度提升30%，减重10公斤，配备11自由度灵巧手，开始在特斯拉工厂“打工”。 Optimus Gen 3（2026曝光）：拥有22自由度灵巧手、45个全身自由度、亚毫米级操作精度，外观高度拟人，柔性外壳隐藏了所有关节，被网友惊呼“看起来就像一个人穿着机器人服装”。 Optimus系列迭代进化情况 4年4个型号，没有眼花缭乱的“Pro/Max/Ultra”，每一代都是实打实的跨越。 这种节奏背后，是一种非常明确的类似特斯拉的产品哲学：不做“表面升级”，只做“代际进化”。而支撑这一切的团队，总人数仅约200多人。扣除非研发岗位，核心工程师更少，型号少，但每一代都能打。 再看国内的宇树，同样克制。在人形机器人领域，从H1到G1，再到后续R系列，其型号数量同样有限，每一款都有鲜明标签；在四足机器人领域，从Go1到Go2，每一代产品都聚焦核心能力提升，应用场景清晰地从科研教育，向商业消费和行业应用快速渗透，而非简单扩展产品矩阵。 特斯拉和宇树的共同选择，正在向行业释放一个信号：在人形机器人这样复杂的系统工程中，“少而精”远比“多而杂”更具竞争力。 三、人形机器人不是“劳动密集型”产业，不靠堆人突围 如果把特斯拉放入行业横向对比，会发现一个更清晰的趋势：头部玩家几乎都不是“大兵团作战”。 Figure AI：员工约180人，凭借OpenAI等巨头的背书和顶尖的AI集成能力，获得了巨额融资，但量产仍处于早期。 Agility Robotics：员工294人，专注物流场景的落地，虽然部署领先，但团队规模也远未达到数千人级别。 宇树科技：总员工480人，研发175人，已实现年收入17亿、净利润6亿的商业化奇迹。 行业头部公司的规模多在100-300人级别。这并非偶然。成功的关键，在于AI集成、迭代速度与制造能力的三位一体，而非单纯“砸钱堆人”。纯初创公司常靠融资造势，但特斯拉利用现有的FSD和工厂优势，实现了“厚积薄发”；宇树则通过全栈自研，把核心零部件成本压到极低，实现了正向盈利。 近期，宇树招股书一出，有人盯着“研发投入占比下降”、“外包比例高”说事。但这些人可能看反了。 第一，不看投入看产出。 2025年前三季度，宇树营收11.67亿，全年预计17亿；净利润6亿，毛利率逼近60%。这个赚钱能力，放在全球机器人公司里都是能打的。这意味着它已经跑通了商业化闭环，而不是停留在“烧钱换市场”的阶段。 第二，全栈自研降本+务实生产模式。 宇树的策略极为务实：把组装、测试等低附加值的环节外包，通过劳务外包来应对生产波峰。 与此同时，它死死攥住关节、电控、算法等核心命脉。这意味着，宇树机器人最关键的“心脏”和“神经”，掌握在自己手里。这和特斯拉把非核心业务外包给供应链，自己牢牢把控电池、电机、电控等核心技术，没有本质区别。 第三，更深层的竞争壁垒，则在于其长期积累的运动控制能力（“小脑”）、强化学习在实际产品中的应用经验，以及基于真实场景形成的数据闭环。这些能力，并不是通过“多招人”就能快速获得的。 宇树机器人在表演单腿连续空翻 换句话说，在这个行业里，“人多”并不能直接转化为“更强”，甚至可能因为协同成本上升而拖慢效率。 真正决定胜负的，是“人才密度”与“系统杠杆”。 这一点，在AI大模型领域同样得到了印证。DeepSeek以约160人的团队规模，实现了极高的成本效率，甚至在理论成本利润率上达到惊人的水平。这种“小团队、大产出”的模式，正在多个技术密集型行业中反复出现。 结语：告别堆人泡沫，回归效率本质 从团队规模来看，特斯拉约200人、宇树研发175人、DeepSeek 160人……它们来自不同赛道，却指向同一个答案：这个时代最性感的商业故事，不再是“我融了多少钱，养了多少人”，而应该是“我用最少的人、最短的时间，做出了最硬的产品”。 马斯克曾放言，Optimus的潜力超过特斯拉汽车业务，可能创造10万亿美元的收入。王兴兴则带着他的团队，用一份营收17亿、净赚6亿的IPO答卷，向资本市场证明，造机器人不仅能赚钱，而且能赚大钱。 人形机器人的淘汰赛已经进入下半场。上半场，靠“堆人、讲故事、圈融资”制造泡沫；下半场，则靠“小团队、大生态、高效率”决出胜负。 这，或许就是马斯克与王兴兴们，正在为这个时代写下的新规则。

字节跳动开源的超级智能体 DeerFlow2.0，正成为全球AI开源圈的焦点项目。 截至2026年4月3日，它在GitHub上的Star数已达57k，Fork数突破6.9k，更有近200名来自全球的开发者参与贡献，成为国产开源AI领域的现象级项目。 作为2026年开年以来极具影响力的国产开源AI项目之一，DeerFlow 2.0在2月28日发布当日，就直接登顶GitHub Trending榜首，此后热度始终居高不下。而和聚焦深度研究辅助的1.0版本不同，2.0版本是一次“从零开始的重写”，定位升级为可自主完成复杂任务的全能型SuperAgent编排框架。 据悉，DeerFlow 2.0上线一个多月来，项目已完成多次版本更新，新增可插拔技能等功能。根据官方及社区反馈，该项目已被尝试应用于金融财报解析、科研学术调研等场景。 用项目团队自己的话说： DeerFlow 最初是一个 Deep Research 框架，后来社区把它一路推到了更远的地方。上线之后，开发者拿它去做的事情早就不止研究：搭数据流水线、生成演示文稿、快速起 dashboard、自动化内容流程，很多方向一开始连我们自己都没想到。 这让我们意识到一件事：DeerFlow 不只是一个研究工具。它更像一个 harness，一个真正让 agents 把事情做完的运行时基础设施。 所以我们把它从头重做了一遍。 DeerFlow 2.0 不再是一个需要你自己拼装的 framework。它是一个开箱即用、同时又足够可扩展的 super agent harness。基于 LangGraph 和 LangChain 构建，默认就带上了 agent 真正会用到的关键能力：文件系统、memory、skills、sandbox 执行环境，以及为复杂多步骤任务做规划、拉起 sub-agents 的能力。 你可以直接拿来用，也可以拆开重组，改成你自己的样子。 从“研究帮手”升级为“全能数字员工” DeerFlow 1.0于2025年5月开源，定位很明确，就是一款深度研究框架，更像是一个高效的“文献整理助手”，核心功能集中在资料汇总、文献整理，功能相对单一。而2.0版本则彻底推翻了旧有设计，升级为一套可自主完成复杂任务的“超级智能体编排框架”，相当于将一个只能打下手的助理，升级成了能独立承担工作的“数字员工”。 此次升级的核心，是新增了四大关键模块，尝试解决传统AI助手只能处理短时简单任务的局限： 1、子智能体编排：能将复杂任务拆解成多个可并行执行的小任务，全程保持逻辑连贯，无论是几分钟的简单操作，还是数小时的连续工作，都能稳定推进，不会出现逻辑断层。 2、沙箱环境：为AI划定了安全隔离区，AI在其中写代码、调用工具，不会影响到电脑本身的安全，有效降低了自主操作的风险（注：开箱即用的沙箱面向开发环境，若用于生产环境，需额外加强安全配置，如添加认证等）。 3、长期记忆：能跨会话留存用户画像、偏好及任务关键信息，彻底解决了传统AI“边做边忘”的问题，让长时间连续工作成为可能。 4、消息网关：保障各个功能模块之间顺畅沟通，避免出现“各自为政”的情况，同时内置支持Telegram、Slack、飞书等即时通讯渠道，适配更多使用场景。 在使用便捷性上，DeerFlow 2.0也做了充分优化：支持Docker一键部署，无需复杂配置，普通电脑就能运行，不用特意配备高性能显卡；同时提供可视化界面和专业控制台，不管是不懂代码的普通用户，还是专业开发者，都能轻松上手，真正实现了从“实验室工具”到“实际可用产品”的跨越。 不绑定单一模型，人人都能低成本使用 DeerFlow 2.0采用“模型无关”的设计策略，兼容任何支持OpenAI API规范的模型，从根源上避免了厂商锁定的问题，用户不用因为更换模型，就重新开发核心代码。 官方明确推荐优先使用字节豆包Seed-2.0-Code、DeepSeek v3.2、Kimi 2.5等国产模型，同时也支持OpenAI、Claude、Gemini等国际主流模型，开发者可根据自身需求、成本预算和性能要求，自由切换模型，灵活度拉满。此外，项目还集成了字节跳动旗下的智能搜索工具InfoQuest，实现了从信息获取到任务执行的全流程闭环，不用额外搭配其他工具。 Deerflow生成的徕卡影像 虽然DeerFlow 对模型没有强绑定，只要实现了 OpenAI 兼容 API 的 LLM，理论上都可以接入。但根据官方提示下面这些能力上表现更强的模型，通常会更适合 DeerFlow： 长上下文窗口（100k+ tokens），适合深度研究和多步骤任务 推理能力，适合自适应规划和复杂拆解 多模态输入，适合理解图片和视频 稳定的 tool use 能力，适合可靠的函数调用和结构化输出 字节跳动选择以宽松的MIT协议，将这套核心工具开源，允许用于商业场景，也支持开发者二次修改优化。再加上简化的部署方案，大幅降低了中小企业、科研团队乃至独立开发者的使用门槛，让强大的AI智能助手，不再是巨头企业的专属，普通用户也能低成本用上。 推动AI从“会聊天”走向“会干活” 当前，AI行业正从“能对话、能生成”，向“能自主行动、能解决实际问题”转型，而AI智能助手（AI Agent）正是这一转型的核心载体。但行业长期面临一个痛点：许多智能体只停留在演示阶段，要么处理不了复杂任务，要么存在安全隐患，要么使用成本过高，难以真正落地。 DeerFlow 2.0精准破解了这些难题。它具备处理长时间复杂任务的能力，拥有安全可控的运行环境，还能灵活适配不同模型，让AI不再局限于“聊天、生成内容”，而是能主动承担写代码、处理数据、深度研究、自动化办公等实际工作，为企业提供了一条低成本、可规模化的AI应用路径。 DeerFlow 支持从即时通讯应用接收任务。只要配置完成，对应渠道会自动启动，而且都不需要公网 IP。 DeerFlow 2.0打通了AI模型与实际应用之间的壁垒，为国产模型提供了展示和实战的平台，也让技术能更快落地到实际场景中。而字节跳动将其开源，降低了各类用户的使用门槛，也让更多开发者有机会参与优化。 从实际使用来看，DeerFlow 2.0的实用、开放、安全特性，能为AI智能助手的开发和落地提供参考，随着更多开发者参与优化，其落地体验也会进一步提升。（本文首发钛媒体APP，作者 | AGI-Signal，编辑 | 赵虹宇）