AI 领域
值得关注的人

效率不是省钱，是推高智能上限

数据总量有天花板，高质量数据就那么多。在数据墙面前，token 效率翻倍等于凭空多出一倍数据，产出的不是更便宜的模型，而是更聪明的模型。这是他把效率从基建议题重新定义为智能前沿的核心论证。

低成本是结果不是目标：算力有限时效率高就能训更大模型

外界以为低价是竞争策略，他说是工程结果。算力有限，计算效率高意味着同样资源能训更大的模型。大公司靠堆资源解决，他们优先考虑成本效率。

开源模型不能只是开放，还必须足够强

开放权重让你可以部署在任何地方、看到模型的每一个参数而不是使用黑盒。但光开放不够，开源模型必须达到前沿水平才能真正让智能变得人人可及。

开源存在规模甜区：太小没力量，太大难组织

创业公司太小无法承担开源的投入，大公司阻力太大难以推动。中等规模恰好有能力做又没有包袱，这是属于他们这种公司的 sweet point。

AI coding 的成功难以照搬

代码有可运行测试、集中上下文和能自行纠错的技术用户，普通知识工作通常不具备这些条件。其上下文分散在多个系统，权限还可能过多或不足，因此 agent 扩散不会复制 coding 的速度。

coding 成功难以外推

开发者既是工具用户也是工具构建者，代码又有海量训练数据和可重复运行的验证机制。咨询等知识工作依赖隐性知识且结果难以规模化校验，因此不能假定它们会照搬 coding 的进步曲线。

应用层不会被模型一次吞掉

模型输出只是能力的一部分，真正进入业务还需要数据接入、专属流程、变化管理和持续支持。实验室若不为每个行业配置庞大实施团队，垂直应用和桥接层就仍有长期空间。

基础层拿不走全部价值

移动网络、TSMC 和 AWS 都是庞大且盈利的基础设施，却没有因此拥有上层所有产品。模型公司即使成为关键基础层，应用分发、行业知识与产品能力仍会让价值沿技术栈分散。

模型越进步，企业落地越慢

企业改造需要相对稳定的架构，但模型突破快于组织实施速度，新能力常让刚部署的方案过时。若能力暂时冻结，扩散可能两三年完成；持续变化则可能把全面转型拉长到十年。

能力进步不等于采用提速

模型能力快速增长，不代表现实世界会同步改变。八十亿人的选择、机构规则和经济系统会制造漫长而混乱的适应过程，建立在模型薄弱优势上的产品还可能被下一代模型吞没。

为agent做产品可以省掉界面

假设用户已有能访问本机上下文的 agent，产品可以通过 CLI 暴露能力，让 agent 直接完成配置。Every 在 Plus Ones 上采用这种方式后，不再需要让用户手动填写同样多的设置和 onboarding 信息。

headless 不会消灭界面

跨多个系统搜集和处理信息时，agent 的无界面操作更高效；精细整理文件和控制共享方式时，GUI 仍更快。新媒介通常增加选择，而不是彻底清除旧媒介。

AI会编程但不会做架构

LLM能解决给定问题和生成代码，却不等于能创造数学概念、设计软件架构或决定应该构建什么。人的工作会向更高抽象层上移，把具体实现交给LLM辅助。

工程决策将交给模型

几年内，模型不仅会完成全部编码，还会自行启动agent、搭建环境并决定是否使用本地模型。模型能够判断实现路径后，这些将不再是工程师亲自做的决策。

落后者可能转向开源

基础模型市场难以长期容纳约十二家规模化竞争者，最终可能只剩少数赢家。失去领先位置的公司可能把开源作为替代战略，硬件公司也会用 commoditize the complement 推动软件开源。

AI基础平台终将走向开放

互联网基础设施曾由proprietary Unix主导，最终却被Linux取代，平台层具有走向开放的历史趋势。封闭模型还面临公开文本耗尽的问题，Yann LeCun也曾承担内部阻力推动LAMA 2开源。

组织改造比模型独占更领先

AI公司的领先不应依赖独占模型能力，因为内部使用的模型也可以向外部开放。更大的差距来自组织结构、流程改造和dogfooding，例如取消手写代码并让模型参与全部生产流程。

企业转型不能靠通用 Copilot

给每个人一个 Copilot 没有自动产生新工作方式，逐个部署 pilot 也只是局部止痛。企业要重构流程、数据和组织，但内部通常没有齐全的复合人才，因此实施与专业服务仍是长期工程。