花名：无招 英文名：zhaoless 艺名：赵露思

传说中的AI大跃进！

时代少年团大概也没想到，自己有一天会以这种方式进入中国 AI 行业史。 事情最开始很像一个饭圈小插曲。 有人测试自家爱豆马嘉祺，发现模型明明知道他是谁，能说出团体身份、经历和相关背景，可一到要输出马嘉祺这三个字，就开始绕路、回避、卡壳。 这件事发到社媒后，很快从粉丝吐槽变成技术圈围观。 大家一边觉得好笑，一边又忍不住好奇：一个大模型既然知道马嘉祺是谁，为什么偏偏说不出他的名字？ 后来 MiniMax 的小哥回应了这个问题，并且把内部排查过程整理成了一篇技术 Blog。 我看完之后最大的感受是，最严苛的 AI QA，有时候真的藏在饭圈里。 很多人看到这个案例，第一反应会是：模型都知道他是时代少年团成员了，怎么会说不出名字？ 但这恰好是大模型最容易被误解的地方。 对模型来说，知道一个人是谁，和把这个人的名字准确生成出来，并不是同一件事。 大模型内部大致有两条链路。 输入侧的 embedding，负责把文字变成模型能处理的向量。 输出侧的 lm_head，负责把模型内部的向量再变回具体文字。 也就是说，模型可能还保留着马嘉祺这个人的语义位置，知道他和时代少年团、队长、综艺这些信息有关。 但到了最后一步生成文字时，它未必还能稳定把马嘉祺这几个字拿出来。 这有点像我们平时遇到的人名卡壳。 你知道这个人长什么样，知道他做过什么，甚至知道他和谁有关，可就是一瞬间想不起来他的名字。 当然，大模型的卡壳不是人类记忆问题，背后是更底层的 token 机制。 这里最关键的角色，叫 tokenizer。 它会先把文字切成一个个 token，模型最终也只能在自己的词表里选择 token 输出。 马嘉祺这个名字里，马被切成一个 token，嘉祺被切成另一个 token。 问题就出在嘉祺这个 token 上。 MiniMax小哥排查后发现，嘉祺这个 token 在预训练阶段其实学得不错。 它的 embedding 正常，语义近邻也很合理，附近有亚轩、千玺、耀文、肖战这类明星或人名 token。 换句话说，模型早期确实知道嘉祺这个词应该待在什么语义区域里。 真正的问题出现在后训练阶段。 后训练数据里，嘉祺这个 token 出现不足 5 条。 它在预训练时被学过，进入后训练后却几乎没再被当作生成目标训练。 时间一长，输入侧的 embedding 还比较稳定，输出侧的 lm_head 却开始漂移。 这就解释了那个现象：模型还认识这个词，但不太会生成这个词了。 另外MiniMax 在排查马嘉祺问题时，还顺手串起了另一个看起来完全不相关的 bug：日语对话里偶尔混入俄语。 一个是中文明星名字说不出，一个是日语输出冒出俄语，乍一看八竿子打不着。 但从底层看，它们指向的是同一个问题：后训练数据对部分 token 覆盖不足，导致这些 token 的 lm_head 表征发生漂移，最后在生成时被错误召回。 Blog 里有一个数字很刺眼。 在 baseline 模型里，29.7% 的日语 token，SFT 前后的 lm_head cosine similarity 跌破了 0.95。 相比之下，韩语是 3.3%，俄语是 3.7%，中文是 3.9%，英文和 Latin 是 3.5%。 这个差距说明，后训练数据的质量评估，不能只看任务有没有覆盖、领域有没有覆盖、指令能力有没有提升，还要看一个更底层的问题：词表里的每个 token，有没有在后训练里被好好照顾到。 如果某些 token 在预训练阶段进了词表，后训练阶段又几乎消失，它们就可能成为模型里的冷门住户。 平时没人找它们，真到需要它们出场的时候，它们已经站错位置了。 这个问题放到更大范围看，还挺像一次互联网语料考古。 MiniMax 小哥排查变化最大的 token 时，发现里面不只有马嘉祺，还有大量预训练语料里残留的旧互联网痕迹，比如传奇私服、外墙涂装等。 这些词之所以能进入词表，很多时候只是因为早期爬虫语料里出现得太频繁。 这也很有讽刺感。 我们以为大模型学习的是人类文明知识，结果它的词表深处，还住着一批古早 SEO 垃圾。 它们平时不会出现在正常对话里，却依然是模型历史的一部分。 修复思路也很朴素。 MiniMax 做了一个实验：把全量 20 万左右的词表随机拆分，用请重复以上内容这样的任务，构造约 500 条对话数据，让每个 token 至少作为 target 出现 20 次。 听上去像让模型做抄写作业。 但效果很明显。 日语到俄文的混淆率，从 baseline 的 47% 降到 1%。 马嘉祺 case 也能正常输出了。 这说明有些大模型问题，其实只要找到真正的断点，用足够克制的工程方式补上，效果就会很直接。 这里也能顺手理解最近行业里关于 tokenizer 的讨论。 有些路线会选择加法，保住更完整的词表，通过数据覆盖和训练策略来维护它。 有些路线会选择减法，把覆盖不到、维护成本高的 token 从词表里裁掉。 前者更重，后者更省，但代价不同。 词表越完整，模型对长尾名词、专有名词的兼容性可能更好。 词表越精简，训练和推理可能更高效，但用户有时候也需要花更多 token 去表达同样的内容。 我觉得这篇 Blog 真正有价值的地方，也在这里。 它没有把问题轻轻带过。 它把一个很好笑的 bug，拆成 tokenizer、embedding、lm_head、后训练数据分布、词表覆盖度几个层次，再用实验把修复路径跑了一遍。 它暴露的是一个更长期的问题：当模型从预训练走向后训练，哪些能力被增强了，哪些冷门 token 被遗忘了，哪些语种因为覆盖不足开始漂移，这些都需要被看见。 这也是这次回应比较加分的地方。 大多数公司遇到这种 bug，可能会选择降低声量。 因为从传播学角度看，大模型不认识马嘉祺这个说法太容易变成玩梗素材。 但 MiniMax 这次把它讲清楚了。 马嘉祺也意外成为一个入口，让更多人看见，大模型不是神奇魔法，也不是万能百科。 它有自己的结构、路径和盲区。 很多看起来玄学的问题，拆到底，往往都是工程问题。 AI 行业有时候总喜欢聊宏大的东西，AGI、智能涌现、下一代入口。 但我越来越觉得，很多真正推动行业变好的问题，往往就藏在这种很小、很具体、甚至有点好笑的 case 里。

有一种创作的挫败感，几乎每个人都经历过，你脑子里明明有一个完整的画面，眼前却只剩空白。 你开始打字，AI 给你渲染出一段视频，你看了十秒，意识到不对，就差那么一点，却不知道下一步该怎么办。 退出，重来，等待，得到另一个差那么一点。 因为整个交互的逻辑错了。 4月16日，阿里ATH事业群发布了世界模型产品HappyOyster（快乐生蚝）。 这是同一个孵化出HappyHorse的团队，带来的一次更具野心的尝试，他们想解决的，是一个根本性的问题：当AI构建的世界出现在你面前，为什么你只能是个旁观者？ 过去两年，文生视频的技术进步有目共睹，生成质量飞速提升，但交互范式几乎没有变过：输入提示词，等待渲染，收到成片。 这是一条单向的传送带，用户站在终点等货。 HappyOyster要打破的，正是这个链条。 它提供四个核心能力。 漫游模式（Wander）让用户从一张图或一句话出发，生成具备物理一致性的完整空间，场景持续存在，光照随视角变化，还可以自由拖拽镜头、延伸探索，目前支持1分钟连续实时位移和多样风格切换。 导演模式（Direct）则允许用户在视频任意节点通过文字、语音或图像介入世界演化，改写剧情、调度角色、切换镜头，目前支持连续生成3分钟以上的480p或720p实时画面。 创造让用户持续补充设定、角色、场景和规则。 分享则让数字世界可以被保存、被他人继续体验和二次创作。 漫游和导演两种模式之间存在微妙的区别：漫游更接近身临其境，导演更接近掌控叙事。 而创造与分享，则让这种交互进一步从一次性的体验延伸为持续搭建、持续流转的内容过程。 它们代表着几种不同的创作欲望，也指向了AI内容交互的几个尚未被充分挖掘的维度。 HappyOyster所属的技术流派，世界模拟器，在AI领域仍是相对小众的前沿赛道，与谷歌的Genie3同属一个方向。 要理解它和文生视频的区别，不妨做一个类比：文生视频模型更像是一位摄影师，接到委托，拍好交付。 而世界模型更像是一位物理引擎，持续运行着一个包含空间、重力、因果规律的虚拟宇宙，摄影机只是进入这个宇宙的其中一种方式。 技术层面的差异是本质性的。 传统文生视频模型的建模目标是生成一段合理的画面序列，而世界模型的建模目标是预测一个世界的演化方式。 前者完成后即告一段落，后者在整个过程中持续推演。 这意味着模型需要真正理解空间位置关系、物体的物理属性、角色动作的因果逻辑，而不只是让画面看起来顺滑。 相较于谷歌Genie3，HappyOyster在技术路径上做出了几个有趣的选择。 它采用了时间跨度更长的世界演化建模方式，让模型在更宏观的时序框架下保持场景的高保真度。 同时，它在建模之初就引入了多样的控制信号，文本、动作指令、图像参考，使得生成质量、长时序与实时可控性能够在同一个框架内协同优化，而不是相互取舍。 产品层面的差异则体现在独家的实时导演功能，以及漫游模式更强的风格泛化能力和动态表现力。 再往前一步看，创造与分享能力的补充，也让HappyOyster呈现出一个更完整的产品闭环：从进入世界、干预世界，到搭建世界、传播世界。 世界模型现阶段的技术成熟度仍在早期，但它已经开始改变某些行业的工作流。 在游戏原型设计领域，开发者不再需要搭建完整的关卡就能验证玩法感受，他们可以用HappyOyster快速生成一个可玩的空间原型，在其中测试叙事节奏、光照氛围和空间体验。 在影视创作中，分镜验证的成本被极大压缩。 导演可以在正式开机之前，用自然语言描述想象中的场景，实时获得可修改的视觉参考，并在任意节点调整镜头语言和角色调度，让创意验证从等待渲染变成实时对话。 我个人认为更长远的方向，是与穿戴设备等智能硬件结合，根据用户的位置、动作和语言，实时生成响应性的沉浸内容，让数字世界和现实空间真正产生共振。 而当这些内容能够被保存、分享，再被其他人继续接力创造时，HappyOyster想做的就变成了一个可以不断生长的数字世界入口。 必须承认，世界模型距离大规模商业落地还有相当的距离。 漫游与导演两大模式目前尚未完全打通，真正意义上的边探索边创造还停留在路线图阶段。 画面质量、物理一致性、生成稳定性，都还有肉眼可见的提升空间。 但这恰恰是这个方向最有意思的地方：它的技术可能性还远未被触及天花板，而它描绘的那个愿景，每个人都拥有一个可以随时进入、随时修改、实时反馈的数字世界，足够清晰，足够令人心动。

上周我去参加一场只有20个早期创始人的闭门会，散场的时候我等滴滴，站在路边吹了十分钟风。 那十分钟里，我脑子里反复冒出来一个判断：创始人的角色，可能真的在变。 以前大家默认，创始人首先是人员管理者。 要招人，要盯执行，要管流程，还要不断处理团队磨合、效率波动和人员流失。 公司想做大，第一反应往往也是继续招人，把组织铺开，把岗位补齐。 但我现在越来越强烈地感觉到，创始人的角色，正在从人员管理者，变成Agent管理者。 你不用天天蹲在工位盯执行，不用一轮一轮招人。 你更需要做的，是把需求提清楚，把流程拆明白，把关键节点定义好，然后指挥不同分工的Agent，把销售获客、内容生产、用户客服这些全链路的活跑起来。 我在闭门会上见了个做ToB业务的创始人，整个公司明面挂着的人类员工只有三个，剩下二十多个岗位全是Agent。 每个Agent都有固定分工和沟通风格，对接客户的销售Agent说话永远干脆，处理售后的客服Agent永远耐心。 客户跟他们合作了大半年，根本没察觉对面不是真人。 现在这种Agent团队，已经越来越像一种新的组织形态，7*24小时待命，随时开工。 并且这不只是公司变轻了，这是公司的成本结构和交付方式都在变。 我身边就有个做垂直行业知识库的朋友，就他一个人，养了十几个Agent做内容更新、用户答疑、续费提醒，现在有120个付费客户，每个月每人付399，一个月流水接近五万，扣掉服务器和API调用成本，纯利还有四万多。 放在以前，这点收入未必养得起一个十人团队。 光是内容、运营、客服这些人力成本，就已经把利润吃掉不少。 很多原本需要多人协作完成的标准化工作，现在都能被拆成流程，再交给不同Agent并行执行。 谁更新内容，谁回答问题，谁做续费提醒，谁整理客户反馈，都可以被设计进一套持续运转的系统里。 这样一来，公司的瓶颈也变了。 过去的核心问题，是怎么招更多人、怎么把人管好。 现在越来越多小公司的核心问题，正在变成你能不能把任务拆清楚，能不能把流程搭起来，能不能把Agent协作跑顺。 这也是我最近反复在想的一件事。 过去大家信奉人海战术，觉得多招人、多铺团队、多设岗位，组织就更稳，交付就更快。 这个逻辑在过去当然成立，因为很多事情确实只能靠人堆出来。 但现在，这个逻辑开始松动了。 因为人一多，沟通成本、协作成本、管理成本都会迅速上升。 很多团队表面上很热闹，实际上大量时间都消耗在对齐、返工、等待和内耗上。 岗位越多，链条越长，响应速度反而越慢。 很多公司最后输的，不是能力不够，是组织太重，动作太慢。 Agent带来的变化就在这里。 它不一定会立刻替掉所有人，但会优先吞掉那些重复的、标准化的、可拆解的工作环节。 一旦这些环节被系统接管，传统靠堆人维持效率的方式，就会越来越不划算。 你招十个人才能跑起来的业务，别人三个人加几十个Agent就能做。 你还在为招聘、培训、考核和流失头疼，别人已经把主要精力放在定义需求、优化流程和提升结果上了。 所以我越来越觉得，未来几年，拼的不会是谁团队更大，拼的是谁更早把公司改造成一个人类指挥、一群Agent执行的新系统。 先跑通的人，会把小赛道的利润先吃掉。 人海战术不会一下子消失，但它最风光的阶段，可能真的快过去了。

招聘Agent开发工程师（实习） 薪资待遇 200-400元/天 岗位职责 - 参与公司Agent产品的设计与开发工作，协助完成前后端全栈开发任务，包括管理后台、用户交互界面、工作流编排系统、任务调度系统及相关服务接口的开发与优化。 - 基于大语言模型（LLM），协助构建高可用的Agent生产能力，参与Prompt优化、上下文管理、记忆机制、工具调用、长文本生成及多轮迭代策略的设计与落地。 - 协助完成RAG检索增强系统的设计与优化，打通知识库、案例库等内容资产，提升Agent对业务需求的理解与响应能力。 - 参与Agent的多Agent协作、工作流协同能力建设，协助解决任务拆解、流程编排、记忆管理等关键问题。 - 与业务团队深度协作，深入理解真实业务场景的需求与痛点，协助优化Agent的可用性、交付质量及生产效率。 - 跟踪自然语言处理、大模型应用、Agent框架的前沿技术，协助推动新技术在业务中的验证与落地。 - 协助完成相关系统的部署、监控、性能优化与稳定性维护，保障Agent平台的持续可用与高效迭代。 必备要求 - 本科及以上学历，计算机、软件工程、人工智能、自然语言处理等相关专业，在校学生（可保证稳定实习时长优先）。 - 具备扎实的工程基础，熟练掌握Java或GO编程语言，具备良好的编码规范与逻辑思维。 - 了解Web开发基础，熟悉前后端分离架构，能够协助完成管理后台、内容工作台等简单功能的开发与调试。 - 对LLM应用开发有一定了解，熟悉Prompt Engineering、上下文工程、工具调用等基础概念，有相关实践经验者优先。 - 了解RAG相关技术原理，能够协助完成知识切片、向量检索等基础工作。 - 具备较强的学习能力、问题分析能力与执行力，能够快速适应业务节奏，主动推进任务落地。 - 具备良好的沟通协作能力，能够配合团队完成协作任务，乐于分享与交流技术。 加分项 - 有完整的Web产品开发实习经验，能够独立完成简单功能模块的开发。 - 熟悉LangChain、LangGraph、LlamaIndex、AutoGen、CrewAI等Agent主流框架，有实际项目落地经验。 - 具备RAG检索增强系统相关开发经验，能够独立完成召回优化、重排序、知识库更新等功能设计与实现。 - 了解HTTP、WebSocket、消息队列、缓存、数据库等基础设施，具备基础的服务端开发与系统集成能力。 - 关注Agent领域技术动态，有相关技术博客、开源项目或竞赛经历者优先。 工作地点 上海/深圳 简历投递邮箱:hr@velneth.com

中国有大量的方言内容没有被好好存档。 地方戏曲、地区性的口述历史、农村的广播录音，还有那些只在特定城市流传的民谣、市井里的叫卖声、老人讲了一辈子却从未被记录下来的故事。 这些东西有语言学价值，也有文化价值。 但因为方言转写的成本极高，它们大多没有文字，没有索引，没有办法被检索和传播。 慢慢地，随着会说那门方言的人越来越少，这些内容就这样消失了。 不过，严格来说，真正更容易消失的，往往也不是大家最熟悉、最常见的那些方言。 像粤语、四川话、东北话这样仍然拥有大量使用者、内容生产也很活跃的方言，当然不会轻易消失。 更脆弱的，反而是那些传播范围更窄、记录更少、代际传承更弱的长尾方言和地方口音。 也正因为这样，方言识别能力真正有价值的地方，从来不只是能不能听懂常见方言，更在于能不能覆盖那些不那么常见、却更需要被保存下来的语言样本。 从公开信息看，Qwen3.5-Omni 已将语音识别能力扩展到 39 种方言。 除了普通话、粤语这些大家熟悉的类型，也已经支持像广东普通话、南京话这样的更细分表达，以及吴语、闽南语等具有鲜明地域特征的方言体系。 对很多原本更难被记录、也更容易在代际更替中变弱的语言内容来说，这种能力本身就有现实意义。 消失不是一个突然的事件。 它是一个漫长的、安静的过程。 某个地方的录音磁带氧化了，某位老人去世了，某种腔调再也没有年轻人开口说了。 没有人宣布它结束，它只是不再出现。 我有时候会想，语言是文化最后的容器。 当一门方言消失，装在里面的那些东西，也跟着一起走了。 这件事让我开始认真想一个问题：大模型对语言的理解，究竟算不算真正的理解？ 标准的评测指标，比如 MMLU、GPQA，还有各种 Benchmark，已经越来越难以让人产生直觉上的认同。 数字在涨，但你不清楚那意味着什么，也不清楚模型会在什么时候悄悄失效。 真正能让我产生判断的，是那种文化嵌入的、需要真正理解才能完成的具体任务。 我最近看到阿里云 Qwen 团队发布了 Qwen3.5-Omni，其中有个 demo 让我比较感兴趣。 他们输入了一段多方言说唱混剪，让模型识别每一位歌手来自哪里、用了什么方言、情绪状态怎样，并转写出完整歌词。 我觉得这个任务比背英语选择题难多了。 因为说唱本身已经是语音识别的噩梦。 语速快、背景音强、韵脚压迫着发音变形，说唱歌手为了押韵，会刻意拉长或切断某些音节。 方言说唱更难。 粤语九声六调，一个字的声调错了，意思就完全不同。 重庆话的入声字短促爆破，标准普通话的 ASR 系统常常直接跳过。 东北话的儿化音密度和北京话不同，有自己的节律逻辑。 维吾尔语混入汉字时，两套音系的边界本身就是一道难题。 而这个 demo 里有 12 位来自不同地区的歌手，粤语、普通话北京口音、杭州话吴语、河南话、天津话、武汉话、维吾尔语、山西话、云南话、河北话、四川话、东北话，轮番出场。 每个人说唱的时间只有十几到三十几秒，没有任何提示告诉模型现在换人了。 模型要做的事是，听出换人，判断来自哪里，分析声音质感和情绪状态，转写歌词，还要给出歌词里的文化语境解释。 我把输出仔细看了一遍，最让我留意的是模型在描述每个歌手时的粒度。 对粤语歌手，它写道，声线属于中音区，听起来自信且充满活力，有一种街头巷尾的亲切感。 对北京普通话女歌手，它写的是，声音中透着一股京味儿的飒爽和利落。 对天津歌手，它的描述是，声音极具辨识度，带有天津话特有的哏儿和幽默感，语调夸张，节奏明快，像是在说相声一样。 这些描述没有说错。 天津话里确实有相声的基因，那种语调的弹性和包袱感是真实存在的东西，不是凭空生成的形容词。 歌词转写的部分也让我有些意外。 粤语部分出现了“哼住歌”“麻将馆等自摸”，四川话部分有“别去装憨厚”，东北话里大碴子味的节奏也基本完整保留。 方言说唱的歌词本来就不容易在文字上对齐，模型在这里没有回避，而是给出了明确的转写结果。 为什么我觉得这个 case 有意思呢。 因为这个任务需要的不只是听清楚，还需要某种关于中国各地城市文化和语言历史的背景知识，才能把声音和来源对上。 天津话和东北话听起来都爽朗，但节奏感截然不同。 河南话和山西话同属北方官话，但声调走向和词汇选择完全是两回事。 武汉话里的码头气，杭州话里的吴侬软语，这些都不是从频谱分析里能直接读出来的东西，它们是文化积淀在语音里的印记。 模型把这些大部分接住了。 这意味着它在某种程度上把语音、语义、文化背景整合到了一起。 语言是文化最后的容器。 一个模型效果究竟怎么样，我不会去看 Benchmark，我会观察它在这种任务上的表现。 具体的、文化嵌入的、需要真正理解才能完成的。 因为只有到了这种时候，你才比较容易判断，它到底是在机械匹配，还是已经开始摸到理解这件事的边。 而 Qwen3.5-Omni，确实交出了一份还不错的答卷。

最近AI行业有个现象挺有意思：大厂们好像突然一起踩了油门。 谷歌把Gemini从“大模型”重新定位成“全栈AI系统”，Android、Chrome全线往Agent化改；英伟达不满足于卖显卡，开始做Agent开发平台；OpenAI在收缩应用线，集中资源押注基础能力。 方向出奇一致，都在从“做一个聪明的模型”转向“做一套能干活的系统”。 国内这边，最近动静最大的是阿里。 Qwen3.6-Plus发布两天，直接冲上了OpenRouter日榜第一，更夸张的是，单日调用量达到1.4万亿Token，把OpenRouter单日单模型的全球纪录给破了。 OpenRouter是真实的使用场景，开发者在这里用真实的项目来投票，性能、速度、成本，一个都不能糊弄。 。而且三天发了三款模型：全模态的Qwen3.5-Omni、图像生成的Wan2.7-Image、编程和Agent方向的Qwen3.6-Plus。 这个速度本身不是新闻。 真正罕见的，是一家体量这么大的公司，能在半个月内完成从组织重构到产品集中兑现的完整动作。 这让我想起一个不那么常被讨论的话题，为什么大公司的AI进展总是忽快忽慢？ 往往是因为组织结构没有跟上。 资源在不同事业部之间摩擦，决策链条拉长，能力没办法形成合力。 阿里之前也经历过这个阶段，通义实验室能力毋庸置疑，但从实验室到产业化的路走得并不顺畅。 ATH的成立，某种程度上是在修复这个问题。 今年还有一个趋势越来越清晰：AI的竞争正在从“谁更聪明”转向“谁更能干活”。 龙虾这种个人桌面agent的走红，是因为它真的能替人完成一系列连续的操作，打开应用、搜索信息、执行任务，像一个有手有脚的数字员工。 这种能力，需要的是多模态理解、工具调用、任务规划的综合协同。 而Agent的兴起，也让AI的Token消耗进入指数级增长。 一个Agent完成一次复杂任务，调用的Token数量可能是普通对话的几百倍。 这意味着，谁能高效地创造Token（模型端）、输送Token（云和算力端）、应用Token（产品和场景端），谁就占据了这一轮AI产业化的核心位置。 黄仁勋说Agentic AI是继大模型之后的下一个万亿美元机会。 这个判断大概率没错，但问题是，要把Agent能力真正落进企业工作流，光有一个好模型是不够的。 你还需要理解企业场景，需要安全可控的私有化部署能力，需要跟现有软件生态打通。 钉钉背后的2000多万企业组织，是悟空真正有意思的地方，它的分发渠道和场景密度，是大多数AI创业公司没有办法复制的。 但这里有一个更值得深思的问题：可持续的技术创新体系，到底依赖什么？ 很多公司会在某一轮押对，用一款产品出圈，然后逐渐掉队。 而真正能在多个技术代际保持前沿的，往往是那些把创新做成体系化能力的。 这件事说起来容易，做起来极难，它需要组织耐心、资本持续性和判断力同时在线。 黄仁勋说Agentic AI是下一个万亿美元机会。 但机会这个词本身是中性的，它向所有人敞开，又对大多数人关闭。 真正的问题或许是，当AI开始真正干活的那一天，你的工作流里，还剩下多少事情是只有人能做的？

我们一般把聊不下去还硬聊的情况称之为爱情

我天生喜欢那些可以复制、可以放大、可以规模化的东西。

人生要学会多做减法。拿不到结果的事，或者做到一半已经看清跑不通的业务，就该果断砍掉。

AI生图用了两年，我终于等到一个肯认真填坑的模型 过去几年，用AI生图的人都有一段相似的心路历程。 刚接触的时候觉得什么都能做，满脑子是这东西要改变设计行业了。 用了三个月开始发现不对劲，用了半年开始认命，用了一年之后，已经学会了在心里给它划一道边界：这类需求别指望它，绕开走。 那道边界后面，堆着四个没人打算修的问题。 AI生图过去最大的困境，是关键细节一直不可控。 人物差异、文字精度、局部修改，这些看起来像小问题，实际上决定了一张图能不能真正进入专业工作流。 1. 所有人长同一张脸。 你在提示词里写鹅蛋脸、丹凤眼、高颧骨，它给你生一张脸。 你换成方脸、圆眼、低眉骨，它给你生出相似的脸换了个表情。 不同提示词，不同性格设定，出来的人物放在一起，像是同一个人的换装游戏。 角色控制做不到，意味着AI生图很难进入短剧、游戏设定、多角色广告这些需要角色体系的生产流程。 2. 颜色是开盲盒。 你脑子里有一个配色方案，提示词里写的很具体，但生图工具不认这个。 每次生成都是随机抽卡。 颜色控制决定的是AI生图能不能进入品牌和商业场景。 在专业设计里，颜色是规范变量。 只要颜色还在开盲盒，AI生成图就很难真正进入交付链条。 3. 薛定谔的文字。 短文本还好。 但只要图上的字数一多，就会开始模糊、变形、漏字、出现乱码。 文字渲染一直是AI生图最容易暴露玩具属性的地方。 因为论文配图、信息图表、密排版的商业海报，这些日常真实存在的需求一直没有被满足。 4. 改一处，动全部。 这是最让人崩溃的。 你有一张九成满意的图，嘴角弧度不对，或者背景有个元素位置偏了。 改完之后，那个局部确实变了，但整张图整体可能也都变了。 局部编辑之所以重要，是因为真实创作流程里，大部分修改都是局部的。 只要局部改动还会牵连全图，AI生图就永远无法进入真实生产端。 不过，今天，Wan2.7-image发布。 它把这四个门槛挨个认真过了一遍。 1.千人千面 Wan2.7-image做了可深度自定义的面部控制系统，提示词可以细化到脸型类别（鹅蛋脸/方脸/长方脸）、眼形（杏仁眼/丹凤眼/深邃眼窝）、肤色、发型和五官比例的逐项指定。 不需要全部写清楚。 提示词可以就是“四个刚入学的大一新生在寝室合影”，它会生成有差异的四张脸。 2.规范色彩 颜色控制的解法更直接：一键提取或输入参考图中的颜色和占比，模型就能按这个配比生成色彩构成。 颜色不再是开盲盒，它可以作为规范变量输入。 3.超超超长文本渲染 它用长上下文文本编码器（Long Context Text Encoder）处理文字输入，支持最高3K token，覆盖12种语言，复杂公式和表格在处理范围内，渲染精度达到印刷级。 这意味着AI生图开始能承载信息，而不只是承载氛围。 论文配图、信息图表、密排版的商业海报，这些之前只能绕开的场景，开始有了进入的可能。 4.局部修改 原生支持交互式编辑，框选区域内可以进行添加、移动、替换、对齐操作，框外图片理论上不受影响。 这意味着AI生图不再只是玩具。 它开始尝试进入更细的制作环节。 AI生图这几年最尴尬的地方，是太多关键环节一直停留在偶尔能用。 Wan2.7-image这次真正值得看的，是它开始把这些长期影响专业使用的细节，当成正经问题来解决。 这件事的意义可能比某一次跑分领先更大。 因为AI生图真正的分水岭，一直都是那些最容易让人返工的细节，能不能终于开始变得可控。

我个人平时其实不太依赖AI产品来搜集信息。 原因很简单，大模型的幻觉问题一直都在。 另外，很多时候，它给出的内容看起来完整、流畅，甚至还附着引用和出处，但只要真的顺着查下去，就会发现有些引用本身质量不高。 这会影响我获取信息的效率。 这也是为什么，哪怕AI已经成了很多人的默认工具，我在搜集信息的时候，依然会多留一个心眼。 其实AI出现之后，连不少大媒体都曾被AI内容误导过。 也正因为这样，我最近看到千问在产品里测试引证feature时，还是比较惊喜的，因为终于有一个主流AI产品，开始正面碰这个行业一直绕着走的问题了。 今天发现，打开千问提一个涉及新闻时事的问题。 等AI洋洋洒洒答完，你会在回答末尾发现一个不起眼的按钮，叫引证。 点下去，界面里的文字开始变色。 绿色的部分，是有可靠信源交叉验证过的内容。 红色的部分，系统会打上一行小字提示：需进一步核查。 这个设计看起来不算复杂，却十分重要：这是第一个主流AI产品，开始主动寻找“回答内容来源有问题”的解法。 在此之前，绝大多数主流AI产品的默认逻辑是：给出答案，语气笃定，哪怕内容存疑。 用户如果不主动追问来源，很难知道眼前这段流畅的文字，究竟是有据可查的事实，还是模型觉得大概是这样的自信推断。 为什么行业迟迟没有正面应对AI幻觉问题呢？ 自从大语言模型进入公众视野，这个问题就从未消失。 模型会虚构引用、捏造案例、把错误的年份和人名混搭在一起，还会用毋庸置疑的语气包装这一切。 学界和工业界对此的态度，长期处于一种奇怪的错位，技术论文里年年讨论，产品设计上几乎不正面承认。 原因不难理解。 主要还是因为用户体验的包袱。 AI产品最核心的价值主张就是快速、流畅、有用。 如果每一条回答后面都挂着警示标，用户的第一感受可能不是这个产品诚实，而会是这个产品不可信。 产品经理不愿意自己挖坑。 还有就是技术上的模糊地带。 大语言模型的运作机制，决定了它在生成文本时并不区分“我知道”和“我猜”。 从模型的视角看，两者在输出层面没有本质差异，都是对下一个词的概率预测。 要给输出内容打上可信度标签，需要在模型生成之后再增加一层独立的核查机制，这在工程上是额外成本，在逻辑上也容易自相矛盾。 另外，还有竞争压力。 现在正是几家头部AI产品你追我赶的阶段，没有人愿意率先给自己贴上答案可能有误的标签，眼睁睁看着用户去用更自信的竞品。 正因为如此，千问这次测试引证功能，才显得有几分反常，反常得让人意外。 要理解这个功能的价值，必须先搞清楚它在技术上做了什么，以及更重要的，它没有做什么。 我根据已有的产品表现来推断，引证的工作流大致如下：模型先生成初始回答；系统再对回答中的关键信息节点进行提取和拆解；接着针对每个信息节点，调用实时检索能力，比对网络上的权威信源，包括主流媒体报道、官方声明等；最后根据比对结果，对原始回答中的对应内容进行标注，可验证则标绿，存疑则标红。 这个逻辑的核心，本质上是检索增强验证（Retrieval-Augmented Verification），可以视作RAG技术路线的一种延伸应用。 区别在于，传统RAG是在生成回答之前检索信息以提升质量，而引证是在生成之后反向检索以核查质量。 在引证之前，行业针对AI可信度问题，主要有几种已有的解法。 一种是引用来源链接。 这是最常见的做法，在回答末尾附上参考链接，把验证责任转交给用户。 问题在于，链接的存在不等于内容的准确。 链接有时指向的页面内容与AI的表述存在出入，或者链接内容本身不可信。 另外，这种方式依赖用户主动点开并阅读来源，而现实中大多数用户不会这么做。 一种是输出置信度分数。 部分模型探索过给回答的不同部分打上置信度分数。 但这种方式对普通用户不友好，且置信度的计算来自模型内部，仍然是模型对自己有多自信，而不是独立的外部验证。 还有一种是添加通用免责声明。 在回答末尾加上以上内容仅供参考之类的措辞。 这种方式几乎是无效的。 引证的本质区别在于，它通过颜色的视觉差异，把核查结果直接嵌入用户的阅读体验之中。 用户不需要主动去验证，系统替你做了第一步初筛，并且明确告诉你哪里可信、哪里存疑。 我认为这种设计，比任何通用免责声明都更有信息密度，也更诚实。 有人会说，这不就是加了个核查标注，有那么重要吗？ 我倒觉得这个feature值得认真对待，因为它改变的是一种底层预设。 过去几年，AI内容的默认状态是可信，直到被证伪。 用户拿到一段AI回答，如果没有明显的漏洞，往往会直接接受。 这种默认信任，在AI回答私人问题，帮我写封邮件、解释一个概念时影响有限。 但在涉及新闻事实、政策信息、医疗健康等领域，它的代价可能相当高昂。 引证功能试图做的事，是把这个默认值翻转过来。 这个翻转，如果成为行业惯例，对AI内容生态的影响是深远的。 用户会开始习惯区分被验证的AI内容和未被验证的AI内容，正如他们区分经过编辑审核的报道和社交媒体上的传言。 这种识读能力的建立，确实需要产品端率先给出示范。

太有生活了

过年的时候回老家，跟刚毕业的堂妹吃饭。 她是比较典型的江浙沪独生女，从出生起，就被整个家族捧在手心里。 她一路走得也很标准，读的是不错的学校，成绩一直不差，家里人对她的期待也很明确，就是找一条体面、稳定、风险低的路。 她从小几乎没怎么吃过生活的苦，家里把能铺好的路都尽量铺好了，所以她天然相信，只要自己继续努力，沿着标准答案一直往前走，人生就不会出太大偏差。 但她一心追求考公，说只要考上了，这辈子就稳了。 我看着她翻得卷边的公考习题册，话到嘴边又咽了好几次。 很多人还在顺着以前的路径卷，考公，考编，考各种证，刷各种标准化试题，以为分越高越稳。 像我堂妹这样的孩子，其实特别有代表性。 她们学历不错，成长路径清晰，也很擅长在规则明确的体系里往上走。 学校、家庭、社会给她们的反馈都很一致，只要你够自律、够努力、够会考试，就能换来一个安稳的人生。 这种想法放在过去确实成立过。 因为过去整个社会的分工很清楚，很多岗位需要的就是服从流程、记住规则、按标准执行。 谁更擅长在既定规则里拿高分，谁就更容易拿到一张看上去安全的入场券。 但现在学校教的所有标准化考纲内容，本质上都是训练你解决有标准答案的问题的能力。 你会发现，这套能力过去是稀缺的，现在却在被快速稀释。 因为这些是AI最擅长的事，你刷十年题攒的知识点，AI一秒钟就能调出来，还不会出错。 另外，整个社会对标准化能力的定价在往下掉。 以前大家觉得背得住、记得全、反应快，就是竞争力。 接下来这些能力会越来越像基础配置，甚至像水电煤一样默认存在。 谁还只是停留在这一层，谁就会越来越被动。 反而三四线甚至农村出身的人，在这个时代有天然的优势。 因为他们从小接触的全是没有标准答案的问题，解决问题的思路特别活。 很多农村孩子小时候的成长环境，和我堂妹这种被精心托举着长大的孩子，几乎是两个世界。 前者从小就知道，很多事没人会提前替你安排好。 家里缺点什么，要想办法补，遇到麻烦了，要自己找人问。 很多城市里长大的孩子，从小被培训班训练得只会找标准答案，遇到没有固定解法的问题，直接就懵了。 比如家里要办点事，找谁帮忙，怎么开口，东西不够了怎么临时凑，出了岔子怎么补救，这些事在很多小地方的孩子成长过程中几乎是日常。 表面看不体面，甚至不系统，但它训练出来的是另一种能力，就是在资源有限、信息不完整、规则不清晰的情况下，照样把事情往前推。 这也是我那天看着堂妹时，心里特别复杂的一点。 她很优秀，甚至可以说，她就是过去那套评价体系里的优等生。 学历好，履历干净，做题能力强，也懂得怎么在一个明确的框架里不断拿更高分。 可问题恰恰在这儿，旧时代最奖励的能力，到了AI时代，正在慢慢失去过去那种稀缺性。 相反，那些从小就在复杂环境里长大的人，反倒更早练出了一种贴近现实的能力。 这些非标准化的解决问题能力，还有从小练出来的跟人打交道的能力，恰恰是AI没有的，这些都是人独有的优势。 AI可以给你答案，可以帮你整理资料，可以生成一个看起来像样的方案，但它没有真实处境，没有人情分寸，也没有现场判断。 很多事情最后能不能成，靠的从来不只是答案对不对，还要看你能不能把人说动，把关系接住，把一件模糊的事慢慢做成。 我越来越强烈地感觉到，未来人与人之间真正拉开差距的，是你能不能在没有标准答案的情况下，把复杂问题拆开，把现有资源调动起来，再把结果做出来。 一个人如果从小到大都活在被安排好的轨道里，很容易把高分当成能力，把证书当成保障，把体制内外的某个位置当成人生的终点。 可现实不会永远按照试卷的方式出题。 真正进入社会以后，你迟早要面对那些没有参考答案、没有统一评分标准、甚至连题目都模糊不清的局面。 这也是为什么，我现在看很多年轻人一路埋头卷标准答案，心里会有点替他们着急。 因为他们以为自己在追求稳定，实际上追求的可能只是一个旧时代留下来的安全感幻觉。 普通人想要快速转成AI-native的思维，有三个可落地的路径。 第一个是先把英语学好，不用达到同声传译的水平，能看懂基本的英文文档，能跟全球的人正常交流就行。 现在很多新的AI工具、新的机会都是先在全球平台出现的，你能看懂英文，就能比别人早半年摸到机会。 第二个是别再死磕标准化的考试和证书，多去解决身边真实的问题。 比如老家的农产品卖不出去，你能不能试着用AI做宣传素材，找线上销路。 比如小区里的老人不会用智能手机，你能不能组织个小课堂教他们。 再小的问题都没关系，关键是你要真的下场。 你会发现，现实里没有哪个问题会像试卷一样，把条件、边界和答案都整整齐齐写给你。 现实里的大多数问题，都是一边做一边修，一边碰壁一边找路。 这些没有标准答案的事，你做多了，解决问题的能力自然就上来了。 第三个是学会用AI，不管你是做什么岗位的，都要试着让AI帮你干重复的活。 做文案的让AI帮你找素材列大纲，做设计的让AI帮你出初稿，做行政的让AI帮你整理报表。 你只需要负责提需求、判断结果好坏，效率能翻好几倍，也不用怕被AI替代。 很多人一提到AI就紧张，觉得它是来抢饭碗的。 可换个角度看，它更像一个被你调用的能力放大器。 你越早学会怎么提问、怎么拆任务、怎么判断结果，AI就越像你的助手。 你越抗拒，越不碰，它才越容易变成你的压力来源。 其实真的不用焦虑，AI废掉的从来不是人的机会，而是那些把人当机器用的岗位。 你以前追求的稳定，本质上是把你困在重复的劳动里，耗掉你所有的创造力和可能性。 很多人从小被教育要找一条最稳的路，最好这条路风险低、波动小、规则明确。 可问题是，今天这个时代变化太快了，外部世界已经不再奖励单纯的服从和重复。 你越早接受这一点，越容易从旧路径里走出来。 现在正好是个机会，去做那些你真正感兴趣的、能实实在在帮到别人的事，去跟同频的人建立信任关系，这些才是真正属于你的，谁也抢不走的稳定。

这两天我刷社媒发现，现在很多人认为，国内做AI还得看创业公司。其实真不是，虽然很多AI公司市值动不动破千亿，但大模型市场每天都在洗牌，最后头部玩家通吃可能是常态。 尤其是最近我看完几个业内权威榜单和阿里昨天的财报电话会纪要，越想越觉得现在市场对阿里，错估得不是一星半点。我做ai这一行快5年了，还是比较了解阿里的ai方面的实力，所以我还是想展开聊聊阿里。 1️⃣阿里的模型能力完全没有短板。LMSYS基于各公司最强模型对全球大模型公司进行排名，Anthropic、谷歌、xAI、OpenAI、阿里位居全球前五，位居中国大模型公司首位。 刚刚更新的LMArena榜单也很权威，国际机构LMSYS做的盲测，所有评分都来自全球开发者不知道模型品牌的两两PK投票，没有任何滤镜，公正性是业内公认的。 千问Qwen3.5-Max-Preview，仅仅是预览版首次亮相就拿了1464分，超过了GPT5.4、Claude sonnet4.5等海外顶流模型，也超过了所有国产模型，直接拿下中国第一。 [图片] 在考验模型绝对胜率（无风格控制）的全球总榜中，Qwen3.5-Max-Preview排名全球第六。细分能力里，数学能力排全球第五，专家级文本能力排全球第十，两个单项都是国内第一。 阿里除了旗舰款模型，今年除夕发布的千问3.5已经开源了8款不同尺寸的模型，从0.8B到397B全覆盖，不管你是做端侧的轻量应用，还是要企业级的超大算力部署，都能找到适配的版本。 现在还只是预览版，后续正式发布的旗舰版能力还会继续升级。 2️⃣战略优先级，阿里已经把AI拉到了集团最核心的位置，甚至专门成立了ATH事业群。 而昨天吴泳铭的电话会表态非常明确，当前ATH事业群的更高优先级是打造智能能力最强的模型。短短一天之后，阿里旗舰模型Qwen3.5-Max的预览版就惊艳登场，必然不是巧合，阿里AI战略正在有条不紊的推进中。 只有业内最强的模型才能支撑起阿里的AI叙事，才能驱动各行各业的应用场景拓展，并吸引各行各业的应用来使用阿里的Maas业务。 他们甚至给出了明确的量化目标，未来五年包含MaaS在内的云和AI商业化收入要突破1000亿美元，相当于再造一个阿里，可见其决心。 3️⃣增长空间完全打开。现在Agent时代已经开启，旗舰模型能力正在快速融入各个主流工作场景，各行业的token消耗量都在暴涨。 阿里作为全栈的AI基础能力提供者，能触达的市场规模会呈指数级增长。 昨天吴泳铭还提到，他们的百炼MaaS平台过去三个月的公共模型服务token消耗规模直接提升了6倍，吴泳铭也直接判断，商业化MaaS收入会成为阿里云最大的收入产品，市场天花板完全打开了。 现在市场上大家都在追那些估值炒得很高的AI创业公司，反而把阿里这种全栈能力都很强的玩家给漏了，现在的估值明显是被低估的。 AI行业不是短跑，是马拉松，拼到最后比的是长期的技术积累、稳定的供给能力、落地的商业场景，还有all in的战略决心。这些东西阿里现在都有，只是很多人还没反应过来而已。

我给普通人的建议是，家里有几口人买几件，作为“家服”，再定一个家规家训，比如用claude不用gpt的移出家庭群。

前几天我见一个在深圳做外贸SOHO的朋友，工作日下午三点，他办公室里安安静静。 我本来以为现在外贸不好做，他多少会有点焦虑，结果他直接把后台翻给我看，最近几个月，询盘在涨，成交在涨，内容更新频率比以前更高，复盘表做得比请团队时还细。 这段时间我接触到好多这样的个体创业者，发现大家的模式真的变了。 以前总觉得要先凑齐三五个人，项目才算能启动。 现在很多人一个人加一套AI工具，就已经敢直接开干。 其实这也不是国内独有的现象，Economist和Wired去年都陆续发过专题，一人公司已经慢慢变成全球范围内越来越主流的商业叙事。 小成本创业这件事，确实已经正式进入AI红利期了。 前几年大家用AI工具时，最大的痛点都很像。 看起来功能很多，真要干活，还是得自己在不同软件之间来回跳转。 AI最多给你一个答案，真正落地执行还是得自己动手。 现在整个行业的方向已经明显变了。 Agent产品从去年开始，就在把重心从单次问答转向真实任务执行。 悟空刚好踩中了这个拐点。 它作为全球首个AI原生企业级Agent平台，把钉钉过去11年服务8亿用户、超2000万企业组织积累下来的能力，做了一次底层CLI化改造，让AI可以直接操作企业工作流，不需要再模拟人类点击图形界面。 说得更直白一点，就是直接给你配了一群能上手干活的执行人员。 而且和很多更偏个人效率工具的Agent不同，悟空本身就是为企业组织设计的，账号权限、数据访问、软件系统调用这些企业最敏感的问题，也被放进了底层能力里处理。 对B端来说，这种企业级安全能力是工具能不能真正进入日常业务流程的前提。 为了让这种企业级能力真正开箱即用，悟空同步发布了OPT（One Person Team）十大行业解决方案。 这是全球首个将AI Skill从技术概念落地为行业级产品的方案，并且以场景化 Skill 套件 预编排工作流交付，目前这套方案已经在三个很典型的单兵职业里跑通了。 第一类是跨境电商从业者。 以前最消耗人的，是每天盯热榜、找货源、做多语言物料、跟投放节奏、复盘数据。 每个环节单拆出来都不算难，真正烦的是事情又碎又多，来回切换特别耗神。 现在核心运营环节已经可以从原来的一周，压缩到一个下午。 第二类是独立律师。 这个群体的时间消耗其实非常重，白天跑客户，晚上做检索、写文书、改合同，很容易被高频重复劳动拖住。 现在文书生成、合同处理、法律检索这些高频工作，都能交给AI先跑一遍，自己只需要把控关键判断和风险点，就能腾出更多时间去接新案子。 第三类是自由设计师。 很多设计师真正累的地方，是创作之外那一大堆杂活。 谈单、沟通、排期、交付、改稿、收款、售后，每一样都要自己顶着。 AI把运营、客服、财务这类杂事接过去之后，设计师终于可以把更多精力放回核心创作。 这一点特别重要，因为创作者最值钱的，从来都是判断和审美，不该被一堆重复事务掏空。 这几个场景的用户数据显示，人均产出最高的已经翻了三倍。 这个数字背后真正有意思的地方，是很多原来必须靠团队完成的事，现在开始被一个人撬动了。 而且用起来没有大家想得那么复杂。 你不用专门花很多时间去学复杂的prompt技巧，也不用自己从零开始拼工作流。 直接选对应自己行业的开箱即用套件就行。 你真正需要做的事情，其实只剩三件。 做核心决策，验收最终结果，处理少见的例外情况。 剩下那些重复的、标准化的执行工作，都可以交给AI。 如果你在自己的行业里已经沉淀出了一套独家的经验方法，未来甚至不只是自己用。 你可以把这些经验封装成标准化的Skill技能包，要么在自己的小圈子里共享，要么上架到悟空的Skill市场，供别人付费调用。 其实就是把原来只能靠你亲自出场才能交付的经验，变成一个能被复制、被调用、被交易的数字能力。 这件事的想象空间其实很大，因为它让很多个人经验第一次有机会脱离时间出售。 再往后看一步，如果淘宝、天猫、1688、支付宝、阿里云这些阿里系B端能力陆续接进来，悟空还可能慢慢变成阿里ToB能力在企业工作场景里的统一入口。 到那时候，很多原本分散在不同系统里的能力，就有机会通过一个入口被直接调动起来。 所以我最近越来越强烈地感觉到，创业这件事的底层逻辑已经在变了。 以前我们讨论创业，脑子里第一反应永远是要招多少人、租多大场地、准备多少启动资金。 现在这些门槛，真的在被快速拉低。 你只要有核心的专业能力，再加一套OPT的AI团队，就已经可以直接启动项目。 更重要的是，商业的放大方式也变了。 过去扩大产能，通常意味着继续招人、继续管理、继续堆成本。 现在你把自己的经验沉淀成可复用的Skill包之后，卖一万份和卖一份，边际成本几乎没有差别。 这就等于多了一条非常长的变现路径。 现在商业竞争的基本单位，已经越来越不是看你公司有多少员工，而是看你能调动多少自动化能力。 谁能更快把经验流程化、把流程工具化、把工具变成稳定产能，谁就更容易在这个阶段跑出来。 对于所有想做小成本创业的普通人来说，这真的是一个前所未有的机会。 你不用再被团队、资金、场地这些外部条件死死绑住手脚。 只要你手里真有一技之长，再配上一套能执行的AI系统，你的能力就有机会被放大很多倍。 接下来真正拉开差距的，是谁更早把自己变成一个可以被持续放大的超级个体。

今天早上我摸鱼刷社媒，刷到一条消息，说阿里新上了AI激励计划，直接给每个人发专属Token额度。 很多人会以为，这就是大厂蹭AI热度搞的福利噱头。 真不是。 你仔细看阿里这次启动的这个内部AI激励计划，给员工发专属Token额度，悟空、Qoder这些内部付费AI工具全部免费用。 员工买百炼Coding Plan会员或者外部的AI开发工具，还能直接申请报销。 相当于只要你想在工作里用AI，所有成本公司基本都帮你兜了，你只管用来提效就行。 前阵子腾讯的朋友跟我讲过类似的事，说今年公司给每个人配了价值22万元/人的Token额度，让他们使劲用。 Cursor、Claude、GLM这些现在开发者圈子里抢着用的热门工具和模型，全都包含在内。 这俩国内最顶级的互联网公司，花这么多钱给员工配AI工具，肯定是算过账的。 这其实是顺着开发者原本的使用习惯来的。 Stack Overflow 2025年开发者调查的数据显示，84%的受访者已经在使用或者计划使用AI开发工具，职业开发者里有50.6%已经把AI工具纳入日常工作流。 很多程序员写代码之前先找AI理逻辑，修bug先扔给AI排查，已经是常态了。 之前很多员工为了用顺手的AI工具，都是自己掏腰包充会员，现在公司直接把成本包了，相当于把大家本来就有的需求，直接变成了公司层面的标配支持，所以这件事真正落地的阻力并不大。 另外，AI编程是现在少有的能直接跑通ROI的生成式AI场景。 现在生成式AI很多场景的回报都还比较模糊，只有软件开发相关的AI工具，是已经被验证过确实能提效的。 GitHub Copilot 2024年的收入超过5亿美元，用户量破1500万，就是很好的证明。 你想，一个工程师一年的人力成本大几十万，公司花几万块给他配齐所有AI工具，只要他的产出能提升10%，这笔钱就赚回来了，更别说很多熟练用AI的开发者，产能能提升30%甚至更多。 这笔账谁都会算。 大厂做这件事的逻辑也很清晰，本质上就是在鼓励员工，也在倒逼员工，把AI深度融入到日常工作的每一个环节，不要考虑工具成本，只考虑怎么用工具把活干得更快更好。 现在很多大厂的面试，已经会问你平时用什么AI开发工具，熟练程度怎么样，会不会用AI提效。 这已经不是加分项，是必备项了。 我之前还看到有人讨论，发AI工具的Token会不会成为未来大厂的标配福利。 现在看这个趋势已经很明显了，头部都已经跑通了模式，后面的公司跟上只是时间问题。 本质上大厂现在拼的已经不是员工数量，是单个员工的产能。 同样的岗位，会用AI的人一个人能干以前两个人甚至三个人的活，那公司当然愿意在工具上砸钱，把每个员工都武装成超级员工。 对我们普通职场人来说，这个信号更值得注意。 现在还觉得AI是噱头，不愿意花时间去熟悉AI工具的人，再过一两年就会发现，身边的人产出是你的好几倍，你连竞争的资格都没有。 毕竟人家背后有一整套AI工具当助攻，你还在靠手动熬时间，怎么比？ 超级大厂都在砸钱帮员工变成超级个体，我们自己更得跟上。