铃阅时讯
❌

阅读视图

董建华的狮子山下

任小酒 2026-09-09 21:02 上海

两个船王,两种交班,两个香港

9月8日晚,董建华先生在香港辞世,享年89岁。

我们在2019年发布过一篇文章,借“富豪家族接班”这个话题,回顾过董建华先生在香港的过往。

董建华以香港首任特首的身份为人熟知,但他的家族其实发迹于航运业。1970年代,航运业风生水起,包玉刚和董浩云是最显赫的两大家族,两人在航运业缠斗多年,延续到后辈。

此后,包玉刚的女婿吴光正投身地产,董浩云之子董建华转向政界。1995年,命运中的宿敌又在香港首任特首竞选中对决,这次是董建华赢了。

成为特首的董建华大展拳脚,推行了一系列施政方针,以解决住房问题的“八万五”计划,和推动香港互联网产业的“数码港”计划为最知名。它们都令人憧憬,都无疾而终。人才、住房、科技的良性循环,成为海市蜃楼。

正确的事情不会因为正确变得容易,董建华留下了一份复杂的政治遗产,让后人可以从中勾画出一个野心勃勃的时代,以及故事的另一种结局。缅怀董建华先生。

以下是正文:

在香港,葬礼是门政治。

2016年郑裕彤去世,全香港富豪名流悉数到场,扶灵名单也要精挑细选:两任特首董建华和梁振英排在最前面,后面是中联办主任张晓明和澳门行政长官崔世安,接着才是李嘉诚和李兆基。一代情圣刘銮雄都排不上号,只能拄着拐杖远远看着老情人李嘉欣挽着许晋亨,兀自惆怅。

两年后,新鸿基掌舵人郭炳湘离世,参加吊唁的多以豪门二代为主:李嘉诚之子李泽钜,霍英东之子霍震霆,黄廷方之子黄荣祥和李兆基之子李家诚,政界人物则是致函唁电的多,出席葬礼的少;而2个月后李嘉欣公公许世勋去世,出席的富豪就只有95岁的马来西亚糖王郭鹤年了。

政商通吃的老一辈富豪,才能享受顶级的葬礼待遇。1982年,一代船王董浩云去世,三千多名政商人士将位于北角英皇道的香港殡仪馆堵得水泄不通。扶灵的12人有邵氏公司董事长邵逸夫、汇丰银行董事长沈弼、摩纳哥王子雷尼尔,美国总统里根和台湾领导人蒋经国也特地致吊唁电话。

但出殡当天第一个赶到灵堂,却是另一位浙江籍船王包玉刚,他在向董浩云的灵柩鞠完躬之后,李嘉诚和港英总督麦理浩(Crawford MacLehose)才步入现场。英雄惜英雄,包玉刚跟董浩云为了争夺全球航运老大的位置,缠斗一辈子,如今老对手西去,过往恩怨也悄然谢幕。

1991年,包玉刚也驾鹤西去,葬礼规格空前绝后。走在8人扶灵队伍最前面的,是外交部副部长周南和撒切尔夫人的丈夫丹尼斯爵士,紧跟的是李嘉诚和邵逸夫。几乎所有G20国家领导人均送来花圈,邓小平更是以“生前友好”的名义,派女儿邓榕和女婿贺平专程赴港,出席葬礼。

豪门葬礼的另一面,是商业帝国的接班。董浩云去世后,旗下船运帝国传承给了两个儿子董建华和董建成;而包玉刚经过一番精心设计,将庞大的商业帝国分拆成四部分,传给了四个女儿和女婿,其中最重要的地产部分(会德丰和九龙仓),交到了二女儿包陪荣和女婿吴光正的手上。

从1982年董浩云去世,到1991年包玉刚去世,香港在不到10年的时间里风云变幻。董浩云葬礼结束的5个月后,撒切尔夫人抵港,收到了总设计师“关于主权问题,没有回转余地”的回答。随后的几年里,吴光正协助包玉刚弃船登陆,董建华弃商从政,两个家族开始走向不同的方向。

在两个家族的不同轨迹里,一些变化发生了,一些伏笔埋下了,历史的暗门裂变出两个香港:一个是未曾实现的香港,一个是走向悲伤的香港。

01.  双峰:船王和他们的接班人们

包玉刚和董浩云的缠斗,要追溯到上个世纪40年代末:两人分别于1949年和1948年来到香港,前者来自宁波镇海,后者来自舟山定海县。

1955年,董浩云借着朝鲜战争狠赚了一笔,在行业内声望日隆,而从上海银行副行长辞职的包玉刚,也看中了香港作为世界贸易港的潜力,决定转行。对航运一无所知的包玉刚登门求董浩云,后者多少有些前辈的架子,呛了包玉刚一句:“你也想搞航运?胆子真够大的!”

董浩云的轻蔑不无道理。航运是一个典型的重资产行业,”金融+产业”联动的高杠杆模式,既需要利用自有资金加杠杆借贷,又需要与各国政府之间保持良好的政商关系,保证资金来源。因此想要在航运竞争中盈利,就必须背上高负债,还得有天时地利配合,稍有不慎便会倾家荡产。

谋事在人,成事在天,老天爷给了包玉刚发迹的机会。1956年中东战争爆发,埃及封锁苏伊士运河,海上运输必须绕道好望角,航运业大发横财。到了60年代,越南战争爆发,美军急需船只帮忙做后勤补给,董浩云借战争猛虎添翼,包玉刚也在其间迅速崛起,成为香港的富豪之一。

航运这门生意,吨位是一切的基础,手里的船越多,赚的钱就越多。董浩云早年财力薄弱,常常收购旧船,发迹后则手笔豪放,热衷建造巨轮。越战期间,美国半卖半送给了董浩云12艘船,又赶上日本以低息贷款推动造船业,他趁势订造一艘16000吨的“东方樱花”号,一时风光无两。

相比之下,包玉刚的船数量少,船龄高,吨位小。但他在经营模式上搞创新:把船租给别人,自己只收租金。战争期间,航运需求急速扩张,货运公司付出远高于平时的租金租船,发了横财的包玉刚火速添置了7条货船。喜欢从买船到运输一条龙包办的董浩云对此不屑:“他那算什么船东?”

出身银行的包玉刚深谙航运业的金融属性,找到了汇丰银行这座靠山,并于1971年加入汇丰董事会。凭借着汇丰的大笔贷款,包玉刚的海上王国蒸蒸日上,在船运吨位上逐渐能跟董浩云平起平坐。董浩云也没闲着,1973年旗下东方海外在香港上市,募集1.2亿港元几乎全被用来订购新船。

对于两人的竞争,董浩云特别在乎。东方海外上市那年,美国《新闻周刊》发文,将包玉刚与世界级船王奥纳西斯相比,称他为“东方奥纳西斯”,无疑是巴掌扇在董浩云脸上。但更打脸的还在后面:1977年,一家西方船运经纪公司给船王们排了个座次,包玉刚荣膺头把交椅,董浩云只排在第七。

嗜船如命的董浩云坐不住了,写了一封《致编辑的信》寄给这些媒体,直言其计算方法有问题:他包玉刚的船有一半股权在汇丰手里,我东方海外的船可是都姓董!

董浩云嗜船如命的习性,香港人尽皆知:每每有新船下水,他就要精心设计三天的庆祝节目,借机造大声势,提高自己的知名度。一次董浩云为了捧红一个女钢琴家,就专门包下了伦敦皇家亚尔巴音乐厅,还请来英国皇家管弦乐队来伴奏,把飞机票送到每位客人朋友手中,确保他们到场。

董浩云的计较让总想搞大新闻的香港媒体嗅到了荤腥,开始疯狂造势:谁才是真正的船王?包董之争,一时间闹得沸沸扬扬。

除了竞争吨位,董浩云还在接班人问题上跟包玉刚暗中较劲。在这方面董浩云先拔头筹,两个儿子成绩优异,尤其是董建华,董浩云很早就开始针对性培养,儿子毕业后安排去美国通用汽车基层打工,他跟董建华讲道[3]:“你不要想到自己有依靠,你必须自己主动去找苦吃,磨练意志。”

董浩云和长子董建华,1969年

包玉刚膝下无子,只有四个女儿,但女婿都很厉害,尤其是二女婿吴光正。他于1951年随父母从上海迁居香港,中学毕业后前往美国俄亥俄州辛辛那提大学选攻读建筑学专业,后来又转到哥伦比亚大学。在哥大,吴光正身兼游泳健将与学校活跃分子,获得了包玉刚次女包陪容的芳心。

就在两家生意蒸蒸日上之际,一场波及全球航运业的萧条正在酝酿:一方面,经过二十年的扩张后,80年代初船运业运量已经明显过剩;另一方面,70年代的两次石油危机让依赖石油运输的船运业遭到当头闷棍,油船的需求每年肉眼可见的下滑,船租暴跌,港口停满了没活干的油船。

在这个黑云压城的时刻,董浩云和包玉刚还战斗在一线,培养的接班人也都年富力强,紧随左右,在这场前所未有的考验中,两家会交出怎样的答卷呢?

02.  诀别:逆势扩张和弃船登陆

作为全球顶级航运企业家,董浩云和包玉刚对于行业低潮都早有预判,但两个人的性格,决定了他们选择了两条截然不同的道路。

信奉行业周期论的董浩云,坚信船价暴跌、行业不景气时,才是抄底最好时机,而“全球第一船王”的心结,更是将他这种逆势扩张的欲望调动到了极致;而包玉刚则不同,银行的从业经历让他对风险尤为敏感,见风头不好就果断卖船,偿还公司债务,降低风险敞口。

得知包玉刚正在卖船,一心想做世界第一的董浩云自然不会放过机会,一边清理服役已久的小船,一边大肆负债,购进大船。包玉刚收缩业务时,董浩云还在日本订造了当时世界上第一大油轮“海上巨人”号。董浩云并非不知道萧条的杀伤力,但他估计低谷只会持续几年,非常乐观。

当董浩云的东方海外正朝着世界船王发起最后的冲击,包玉刚却做了一个决定:弃船登陆,转型房地产。

要挤进日益激烈的香港房地产市场,自己从头开始做显然是不现实的,包玉刚盯上了隶属怡和洋行的地产公司九龙仓。彼时的九龙仓是香港最大的货运港,不单单有深水码头、露天货场、货运仓库,还包含了酒店、大厦、有轨电车等产业。倘若把这块地合理开发,前景无量。

李嘉诚对九龙仓也觊觎已久,暗地里先抢下了2000万股份,但进一步收购却被怡和洋行阻止。包玉刚深知机会难得,于是在1978年8月的一个下午约见李嘉诚,后者向包玉刚提供了1977年九龙仓财产报表和物业资料,一同参会的吴光正当晚研究了这些材料,熬夜拟定了收购计划。

包玉刚和李嘉诚谈笑风生

翌日,吴光正就见证了两位商界高人的秘密握手:包玉刚收购李嘉诚送上门的2000万股九龙仓股票。如此,加上原本持有股票,包玉刚不动声色控制了30%的股权,大大超过了怡和洋行,并加入了九龙仓董事会。怡和洋行也不是善茬,为了保证控制权,他们开始大规模反购股份。

双方的拉锯持续了两年,一直到1980年6月,怡和洋行趁包玉刚前往巴黎参与会议期间,发动突然袭击,采用换股打法,在6月20日上午投放大量报纸广告,以比市价高30%的价格收购散户手中持有的九龙仓股票,英国人认准了包玉刚无法在周末两天筹集足够多的钱,用以反制怡和。

身在香港的吴光正得到消息,马上联系包玉刚,建议其去找包家的老朋友汇丰银行借钱。随后,包玉刚订了一张飞瑞士的机票,又暗地里买了回香港的头等舱,一旦筹集够弹药就马上返回香港。而吴光正则在香港联络媒体,安排记者发布会,等着包玉刚回来,就开始散播消息。

记者招待会上,突然现身的包玉刚宣布,自己拿到了汇丰银行的22亿港元贷款保证,并以105元港币的股价收购2000万股,比怡和的收购价还要高,九龙仓大小股东狂潮般把股票卖给包玉刚,怡和洋行见大势已去,便将九仓股1000多万股也甩给包玉刚,套现七亿港币离去。

1980年6月25日,九龙仓之战落幕,包玉刚弃船登陆成功,吴光正则经此一役顺利当上了太子。

包玉刚和吴光正,1980年

在包玉刚成功上岸的同时,董浩云也到达人生巅峰,拥有各类船舶149艘,总吨位达到1200万吨,终于把“世界第一船王”的桂冠戴到头上。1982年,董浩云的第150艘船“宪章号”在台湾下水在即,董浩云请来了摩纳哥王子夫妇参加4月17日的下水礼:这是船王的加冕礼。

根据日程安排,王子夫妇4月14日抵达香港,有人提出日期两个“4”撞到一起不吉利,但董浩云置之不理。然而坊间传言当时的港英政府出于政治上的考虑,不让董浩云去机场迎接。董浩云认为是莫大的侮辱,当晚心脏病发,连夜送医抢救,次日凌晨抢救无效去世,享年71岁。

世事难料,原本盛大的船王加冕礼却成了董浩云的葬礼。船王的遗产只有一间九龙塘的房子、东方海外公司百亿港币的负债,和区区250美元现金[6],恰逢航运业运量过剩叠加石油危机带来的需求萎缩,全球各大港口停满了没活干的货轮,东方海外业绩暴跌,负债高达14亿美元。

包玉刚和董浩云三十年的商战戛然而止。在葬礼上,对着灵柩鞠躬的包玉刚心有戚戚然:受全球经济衰退影响,香港楼市长期萎靡不振,付出巨大代价拿下九龙仓,到底算抄底还是站在半山腰上,包玉刚心里也没底。在各自的赌局上,两个船王都押上了自己全部的身家。

历史没让包玉刚等太久,答案出现在1984年。

03.  冰火:两种接班,两种模式

1984年9月27日,《中英联合声明》草案签署,为了防止英国在回归前超售土地,草案要求回归前每年批地不超过50公顷。

是年年底,受到声明中土地租用制度及限制出让的条例影响,沉寂多年的香港地产开始复苏,楼价、租金应声上扬,四大家族频频出手抄底香港地产,报纸每日围绕着李嘉诚、郑裕彤等又拍下新高价地段这类新闻。而这一年,东方海外却陷入了史无前例的船运灾难中,董建华举步维艰。

董浩云去世的第二年,东方海外负债高达70亿港币,到了1984年,总亏损高达9.7亿港币。航运高负债、快周转,令往日熙熙攘攘的港口码头成了门可罗雀的船只坟场,冲击远比董建华想象得严重得多。到1985年,东方海外的负债和奥地利整个国家的国债近乎一样多[4]。

每天面对来自全世界银行和债权人的追债,一睁眼想到的便是随时要破产的公司,有时候连续20个小时处理债主和律师的电话,母亲又在这时查出肺癌,一次,董建华在最后一次赶去参加债权人会议前,一度想要自戕,甚至给朋友打电话[5]:“如果我死了,请你照顾我的家人。”

向董家雪中送炭的,是汇丰银行,他们愿意提供一亿美元备用信贷,其中的5000万,来自大陆的中国银行。第二年,霍英东突然伸出援手,宣布向东方海外注资约12亿港币,这针强心剂给了董建华喘息的机会,帮助东方海外在1991年扭亏。有坊间传言,霍英东的钱来自北京[6]。

在董建华苦心支撑的同时,包家却正在享受地产的胜利果实,毫无疑问,包玉刚已经拿到了通往下个时代的门票。

拿下九龙仓的第二年,包玉刚决定把收购来的尖沙咀九龙货舱推平,建成黄金地段商场,命名为“海港城”。吴光正则接手旧电车厂的改造工作,直接将厂房推平,推平效仿纽约时代广场建起了“铜锣湾时代广场”。在这场席卷全球的航运业大萧条中,包家顺利抽身,身价无损。

坐落香港尖沙咀的海港城,2012年

《船王遗恨》中曾写道:“董浩云晚年好大喜功,会祸延后代”,不想一语成谶;世人则感慨包玉刚老谋深算,在危机前夕全身而退,留下了一座香港地标、一座全球销售额稳居第一的商场,为后人铺好了路。包家拥有这块地999年的土地使用权,单是租金,一年就净赚160亿元。

终于,香港的“收税式实业”模式出现了,日后它的效仿者,将有如过江之鲫。

包玉刚于1991年去世,葬礼地点跟董浩云一样,选在了北角英皇道的香港殡仪馆。在西式铜制灵柩里,他身穿白衬衫,套燕尾西装,打灰白色领带,身上盖着一床红色的陀螺经被,上面绣着金钱经文,灵堂则摆满了无数商贾政要的花圈和挽联,生前荣华富贵,身后尽享尊崇。

两代船王前后撒手人寰,但包家和董家的故事仍未结束,他们下一场交锋,会是在1997年,那个无与伦比的1997年。

04.  暗战:那些钱解决不了的事情

1993年,吴光正就开始刻意与商界保持距离,淡化他商人的形象,频频出席政界会议。

敏感者开始察觉出这背后的谋划,尤其是吴光正后来辞去九龙仓主席的职位,“官方”给出的理由是吴光正希望能腾出更多时间从事社会事务。有人统计,吴光正辞去九龙仓主席,以及后来辞去会德丰主席两个职务后,可能失去共计至少5000万股份认购权,损失不可谓不大。

1997年回归在即,第一任特首的名字,显然会被写进史册。当时的主流舆论是反对“商人治港”,李嘉诚等巨富就被排除在外,北京的老朋友霍英东也说自己年事已高,而辞职的吴光正扭头就当了香港医药管理局主席,与商人身份彻底撇清了关系,特首之路昭然若揭。

1996年9月,吴光正正式发表声明,角逐特首一职,成为第一个表态参选的候选人。而他的最大对手,则是把东方海外一步步拉出泥潭的董建华。当时,继承包玉刚衣钵的吴氏家族坐拥180多亿的身家,董家的财产刚刚跨过15亿门槛,论起宣传造势,两人显然不可同日而语。

但选特首这件事,比拼的从来都不只是财力。

1989年,董建华为继续父亲创办海上大学的理想,将一艘邮轮改装后命名为“宇宙学府”。当年三月,“宇宙学府”首航来到上海,时任市委书记与市长亲自接待。这是董建华离开上海以后第一次回到内地,也是第一次接触高层。自此之后,东方海外在大陆的投资项目屡屡增加。

七年之后,董建华决议竞逐特首,当年接待他的上海官员,办公地点已经搬到了北京城。

1995年底,中央来人会见李嘉诚、邵逸夫等香港名流,探讨关于行政长官候选人问题。在这场深圳会晤后不到48个小时,李嘉诚便对媒体公开了自己对未来行政长官的两点建议:一是熟悉经济,了解商界运作;二是人品要好,正直不阴险。

不熟悉北京风格发言的香港媒体好一番揣测,最终还是落到了董吴两人的竞争上,把特首选举渲染成父辈们海上交锋的接力战。后来,在香港中华总商会宴会上,身份特殊的霍英东面对媒体发问,直截了当地回答:“我早已在心目中认为他(董)是合适地行政长官”[4]。

霍英东的话自然分量十足,毕竟同样是葬礼,郑裕彤的棺材上盖着白色素花,包玉刚的棺材上盖着陀螺经被,霍英东的棺材上盖的是五星红旗。

那年12月11日,香港各界、各阶层四百位推选委员会委员齐聚在香港会议展览中心,即将投票选举出香港特别行政区第一任行政长官人选。就连散步的老人把收音机调到最大,家里吃午饭的人都举着碗坐在电视前,商场里的电视机都统一调到了一个频道,逛街的男男女女驻足等待。

12点15分,点票工作全部结束,其中董建华获得了320票,吴光正36票。船王后人的又一次对垒,董建华赢得毫无悬念。

落败的吴光正并没有拂袖离去,而是积极参与香港特区第一届政府,被委任以医院管理局主席职务,之后又成为了香港贸易发展局主席。他和董建华的蜜月期维持了将近四年,2002年,吴光正重新回归九龙仓会德丰,拾起公司主席一职,并且表示再也不会竞选特首。

吴光正和董建华,2012年

从表面上看,董家扳回一局,但从更大的范围看,包玉刚和吴光正创造的“降维式接班”,像野火一般蔓延开来,成为香港财阀们的主流操作。

05.  降维:怎样才能富过三代,五代,十代?

所谓降维接班,用大白话说就是:主动调整自己的商业帝国经营方向,降低经营难度,把企业变成“傻子都能经营好”,再交给第二代。

包玉刚的“弃船登陆”,本质上就是将商业帝国从经营难度极高的船运业摆脱出来,转型经营难度大幅降低的地产,之后更是进入经营简单的“收租型物业”。这种转型,既避免了肱骨老臣对接班人的腹诽和阻碍,又能让二代获得稳健的收益。此举获得香港富豪的纷纷效仿。

如果你仔细看,会发现香港的电力是嘉道理家族和李嘉诚的,煤气是李兆基的,超市是李嘉诚和怡和集团的,公共交通是李兆基和郑裕彤的,本质上,这都是“收税制商业”。

上世纪50年代起,四大家族通过房地产积累巨大财富,并逐步控制了香港的物流、金融、电力、码头、电信等所有具备垄断特性的产业,进而“坐地收租”。包玉刚当初的精明也体现在这里,除了九龙仓,吴光正还陆续控制了香港的有限宽带、天星小轮、九龙仓电讯、海港企业等一系列公司。

1997年,董建华提出了“八万五”计划(每年要兴建8.5万套住宅,10年内香港有7成家庭都会有自己的房子),触动了已经根植香港半世纪的“收税模式”的利益。加之“八万五”撞在了金融危机的前夜,就连香港居民也对董建华嗤之以鼻,把他当作房价暴跌的幕后元凶。

董建华任特首时期,1998

1999年,董建华推出他另外一个创举政策:数码港计划,旨在绕开本地的富商,发展互联网科技。数码港计划的支持者是李嘉诚小儿子李泽楷,他带着十五家国际科技龙头企业的进驻意向书,找到董建华。政府对李泽楷的盈科信任有加,数码港计划决定不招标,直接采用。

可命运再次跟香港开了个玩笑,数码港计划颁布的第二年,互联网泡沫在美国破裂,尽管园区勉强落成,但只有两家科技公司进驻,且多为销售、市场等部门,所谓的研发中心,丝毫不见踪影。数码港回到了香港的老路:圈地皮卖豪宅,自然又是赚得盆满钵满。

此后,董建华又提出“硅港”计划,意图打造工业基地。结果香港人以炒地皮为由,赶走了竞标建厂的张汝京。后来张汝京到上海张江创办了中芯国际。后来的“中药港”计划,董建华希望利用完善的科研体系,以及香港高素质科研人才,搞出香港新机遇,但最后又是一场竹篮打水。

在董建华在位的97到05年,这三次机会摆在香港面前,它却未能好好珍惜。“金融的暴利成就了香港,也惯坏了香港。资本的短视和逐利,让香港错过了最好的10年。”[8]

家族们的事业却蒸蒸日上,郑裕彤家族在广州建起530米第一高楼、武汉和天津的周大福中心也指日可待;新鸿基的郭家兄弟,除了每年150多亿的广场租金,还有九龙巴士和富联国际。李嘉诚技高一筹,直接跑去英国收租:电信、港口、管道、天然气,甚至连供水都没有放过。

若是要让家族永远衣食无忧,显然没有比“收税”更好的方法。

2005年3月10日,董建华宣布提前两年离任,跟他一起离开的,是那个未曾实现的香港。海港城依然风光,太平山依然快活,城还是李家的城,港还是包家的港。

06.  尾声:从如日中天,到走向悲伤

2015年,69岁的吴光正宣布正式退休,36岁的儿子吴宗权接过数千亿家产,开始躺着收钱。仅两大广场每年收租就可达160亿利润,更不需要提九龙仓还持有的其他四大物业广场。两年后,董建华的东方海外作价338亿出售,船王的传奇就此谢幕,而这338亿的钱,也不过是海港城两年的租金。

这并不仅仅是两个家族的分野,是香港两条路径也就此分岔:那个未曾实现的香港,已经被人遗忘;那个如日中天的香港,慢慢走向了悲伤。

现任特首林郑月娥曾在施政报告里面曾写到:香港楼价高、租金贵,形成巨大的生活压力,是严峻的民生问题:

“不少人的目标就是尽量赚钱买楼供楼,青年人选科和择业都要向钱看。住的问题也是香港最严重的安全隐患,不少家庭走投无路,甚至要住在工厂大厦内的劏房。”

一切仿佛突如其来,一切又早有答案。

全文完,感谢您的耐心阅读。

参考资料

[1] 世界船王——包玉刚传,广东人民出版社出版,1995

[2] 香港商战风云录,广州出版社,1996

[3] 富豪接班人,北方文艺出版社,2005

[4] 董建华家族,广州出版社,1996

[5] 董建华担任香港特首七年,南方周末,2005

[6] 一代船王董建华,中华工商联合出版社,1996

[7] 地产霸权,中国人民出版社,2005

[8] 缓缓沉默的“香港巨轮”,奏响一曲悲歌,2017

作者:任小酒

编辑:李墨天/戴老板

责任编辑:李墨天

编者按:张倍嘉

图片

图片

跳转微信打开

  •  

9月12日,PEC 2026开启一场属于AI创新者的年度碰撞

PEC提示工程大会 2026-09-09 16:45 北京

过去一年,AI行业的变化并不只发生在模型榜单上。

模型持续迭代,Token调用规模不断增长,Agent开始承担更复杂的任务,本地AI进入更多实际应用场景。企业对于AI的关注也越来越具体:一项能力能否稳定使用、进入现有业务,并最终形成产品和商业价值。

当AI从Demo走向真实生产环境,产业需要解决的问题也随之发生变化。

算力资源之外,Token正在成为连接模型能力与实际应用的重要环节;本地AI开始重新定义数据、设备与个人智能之间的关系;企业AI转型过程中,FDE逐渐走到台前;越来越多AI原生产品出现,也让行业开始重新审视新的产品形态与商业机会。

技术能力仍然重要,但如何把能力转化为可持续运行的产品和业务,正在成为AI产业新的关注重点。

9月12日,这些来自AI产业一线的议题,将集中出现在PEC 2026的现场。

PEC 2026 AI创新者大会暨第三届提示工程峰会将在北京·众智园举行。本届大会由PEC联盟、至顶科技、软积木共同主办,AIGCLink、LangGPT社区、爱智岛(AI·DAO)人工智能创作联盟、硅创联、海升睿达等联合主办。

PEC缘起于Prompt Engineering Conference(提示工程峰会),同时代表Pioneer(AI先锋)、Engineer(AI工程师)与Creator(AI创造者)。

今年,PEC2026将以 “Won Token, Won World” 为主题,以Token产业链为贯穿全场的线索,从Token的生产、调度到实际应用,连接模型、基础设施、产品与业务,观察AI能力从技术端走向产业端的真实进程。

大会主论坛将从 《2027,我们需要怎样的模型?》 开始,围绕过去一年的模型技术进展、AI落地中的现实瓶颈以及未来模型演化方向展开讨论。

随后,PEC将延续“年度提问”,把四个正在产业一线升温的话题带到现场:

–

提问Token工厂:这座新工厂需要什么真功力?

–

提问本地AI:模型下线,就是本人下班?

–

提问AI转型:FDE是不是AI落地的终极答案?

–

提问AI原生:如何找到AI的下一桶金?

Token工厂、本地AI、FDE、AI原生处在AI产业链的不同位置,却共同指向AI从技术能力走向真实应用与规模化落地的下一步方向。

大会现场还将带来三项年度发布:

–

《2026全球AI产业报告》

–

《Token产业链全景图谱》

–

《FDE(前线部署工程师)推动计划及能力图谱》

此外,原点Talk特别版《出海2027:时局与时机》 将聚焦AI企业全球化发展;下午场设置 《OPC大师课》《FDE实战营》《Harness工作坊》 三大主题分论坛,进一步进入产业实践。

从模型到Token,从基础设施到应用,从企业AI转型到AI原生产品,再到全球化市场,PEC 2026将把来自AI产业不同位置的实践者与不同判断带到同一个现场。

9月12日,北京·众智园。

PEC2026完整议程、嘉宾阵容、主题论坛及更多大会信息,详见下图。

END

跳转微信打开

  •  

我们从未看见彼此

原创 孟岩 2026-09-09 15:33 浙江

题图:镜子  | 摄影:米嘉

1

前段时间,我录了一期播客,叫《我们从未看见彼此》。

在那期节目里,我从一部电影讲起,聊到了智能的进化,最后又回到我们身边的人。

我想换一个角度,试着回答一个看起来答案很明显的问题:

当我们看着一个很熟悉的人时,「看见」的究竟是谁?

我把这些内容整理成了文字,也补上了一些新的想法。

希望这些文字,能让你在熟悉的人和事里,看见一些不一样的东西。

我们从一部电影开始。

2

年初,我偶然看了一部电影,《好朋友们》。它是导演李道允的首作,2014 年上映。

故事的主角,是三个从小一起长大的朋友:泰贤、仁哲和民洙。

民洙是老三,有点傻傻的,脑子好像总比别人慢半拍,很质朴,也总被周围的孩子欺负。

泰贤是老二,一副好学生的模样。电影没说他的成绩,但我觉得应该不错,属于长辈口中那种很乖、很老实、很正直的孩子。

仁哲是老大,带点痞气,是个带头大哥。只要有人欺负民洙,他总会出头,替民洙兜底。

有两件事,让我记住了这三个少年。

有一次,别的孩子抢走了家里刚给民洙买的随身听。仁哲追上去,把东西抢了回来,却没有还给民洙,而是自己拿去用了。

他跟民洙说:你明知道我会拿去用,还买它干嘛?今天我用,行吧。

民洙说:可我才刚买。

后来,民洙还抱怨过一句:他把我的电池都用光了。

另一件事发生在初中毕业那天。三个人逃掉了毕业典礼,一起跑到村子附近的山上拍照留念。

偏偏遇上了大雪。

下山时,民洙摔了一跤,伤到了头,昏了过去。雪越下越大,他们找不到下山的路,只能躲进一处废弃的民居。

民洙一直没有醒,泰贤的脚也受了伤。

泰贤说,我们得赶紧下山,民洙恐怕撑不了多久。

仁哲打断了他:你的脚已经冻伤了,哪儿都不能去,你想让脚被锯掉吗?你跟民洙待在这儿,我去找人。

说完,就推门出去,消失在雪夜里。

第二天,仁哲在山下找到了救援,把两个朋友救下了山。

3

十七年过去,三个少年长成了大人。

民洙守着父母留下的一间小店,欠着债,喝着酒,日子过得很潦草。他还是三兄弟中混得最差的那一个。

仁哲成了保险公司的金牌销售,能说会道,业绩很好。只是路子有点野,为了冲业绩,会用些灰色的手段。

泰贤成了消防队的急救队员,娶了一位有语言障碍的妻子,有个上幼儿园的女儿。因为母亲开着一家非法游戏厅,他和家里闹翻,已经很多年不来往。

仁哲却一直和泰贤的母亲保持着联系。他一边给她卖保险,一边在母子之间传消息。有时去跟泰贤说,你妈妈那边挺好的;有时又去跟妈妈说,泰贤过得不错,你放心。

有一天,这位母亲找到仁哲,求他帮一个忙。

游戏厅的生意越来越难做,快撑不下去了。她想制造一场假抢劫,把游戏厅烧掉。反正之前已经在仁哲那里买了保险,这样就能拿到一笔保险金。

这可是骗保。

但仁哲答应了,还拉上了缺钱的民洙。

为什么答应?

仁哲本来就爱耍小聪明、占便宜,喜欢走偏门。但他也对民洙说,泰贤跟母亲闹掰,就是因为这家游戏厅。如果它没有了,他们母子就能和好;再有了这笔钱,一家人就能过上安稳的日子。

照他的说法,这也是在帮泰贤一家。

至于他究竟怎么想,只有他自己知道。

纵火的那个晚上,泰贤的父亲意外出现在游戏厅。老人身体不好,拄着拐杖,看见有人抢劫,便挥着拐杖反抗。民洙在慌乱的拉扯中失了手,老人仰面倒地,重伤昏迷。

眼看丈夫意外出现,泰贤的母亲也慌了神。她原本安排好的一切,此时已经完全失控。她仓皇逃跑,却从高处摔了下来,死了。

最后,游戏厅也「按照计划」烧了起来。

4

泰贤开始追查母亲的死,找来自己最信任的两个朋友帮忙。

两个纵火的人,陪着死者的儿子,寻找纵火的真凶。

游戏厅背后,还牵扯着一些见不得光的往来。泰贤的母亲借过高利贷,也给警察送过钱,这些都记在一本账上。那晚,仁哲把账本连同财物一起带走,也因此知道了不少人的秘密。

泰贤在追查中得知了账本失踪的事。在他看来,找到拿走账本的人,就有可能找到杀害母亲的凶手。

后来,仁哲的女友卷走了他带回家的财物和账本。泰贤母亲的高利贷债主得到了她的线索,便拿来和泰贤谈条件。泰贤一心想找到凶手,签下协议,答应找到凶手后,把游戏厅和保险金都交给对方。

泰贤叫上仁哲一起找人,却不知道仁哲认出了自己的女友,瞒着他取回账本,把人放走了。随后,仁哲又拿账本和警方做了交易,想让民洙摆脱嫌疑。

可民洙还是撑不住了。愧疚让他无法面对泰贤,也无法面对那些孤独的夜晚。最终,他选择了自杀。

自杀前,他留下一封遗书。信封上写着两个人的名字:泰贤,仁哲。

民洙死后,仁哲又去找那位债主,想把泰贤签下的协议要回来。

他拿账本里的记录和对方争辩:泰贤的母亲已经付出了远超过借款的钱,不该再拿走留给泰贤的那一份。

对方却追问起账本的来历。母亲死时失踪的账本,为什么会在仁哲手里?仁哲就这样暴露了自己与那晚的关系。

仁哲带了一把刀,却没有把刀刺向对方,而是当着对方的面,一刀一刀地割自己的手臂,终于把那份协议要了回来。

最后,他把房子的钥匙、车子和存款也都留给了泰贤。做完这些,他决定离开这个地方。

我想,他也无法再面对这一切了。只是他可能没有像民洙那样,有勇气离开这个世界。

5

影片的最后,泰贤到机场为仁哲送行。

两人坐下来后,泰贤终于说起了十七年前的那个晚上。

他说:十七年来,我一直想问你。那天在山上,在那间屋子里,你走了以后,我翻了民洙的包,发现随身听不见了。那个时候,我是真的觉得,我们活不成了。

不见的,正是小时候被仁哲拿去玩、用光过电池的那个随身听。

从那时起,泰贤心里就有了一个念头:

仁哲一定是偷了随身听,扔下我们两个,自己逃命去了。

这个念头,他没告诉过任何人,包括民洙和仁哲,就这样藏了十七年。

仁哲愣住了,说:我怎么会抛下你们俩呢?

然后又说:这么多年,你就是这么看我的吗?泰贤啊,这样活着,太累了。

泰贤拿出民洙的遗书,交给仁哲,说:民洙写的。里面也有给你的。

然后说了一句:一路顺风。

随后,仁哲去了洗手间。一个戴眼镜的男人在那里捅了他一刀。

账本虽然已经交了出去,仁哲却仍然知道里面的秘密。

仁哲东倒西歪地走出洗手间,看见泰贤还没有走。他没有呼救,而是先用衣服遮住伤口,扣好扣子,装作什么事也没发生,远远地看着泰贤。

泰贤也在看他。他还在等一句解释,或者一句道歉。可在他眼里,仁哲依旧是一副「无所谓」的样子。

泰贤失望地转身离开。下楼时,他和一个男人擦肩而过。那个人拿着的衣服里,裹着刚才的刀。

泰贤没有看他一眼,径直走了。

仁哲挣扎着在候机的椅子上坐下,打开民洙的遗书。这封信,他一直没有读过。

他流着泪读信,伤口还在流血。

「泰贤啊,好久没有提笔写信,我都不知道该写些什么了。我一直都很感谢你和仁哲。你最近很累吧?我一直在想,你如果不要再继续这么累下去,就好了。我们三个人说好了要一起走完一生,我就只有你们两个亲人。我恨我自己,因为我的失手,让我们没有办法再像从前那样相处。要是我从这个世界上消失,你们俩就会好好地过下去吧。我现在的心愿,就只有这个。

仁哲啊,你这小子,我先走了。你要对泰贤好,把我的那份好也带上。改改你那个暴脾气吧,一定要对泰贤好啊,知道吗?谢谢,还有,对不起。」

整封信里,关于那天晚上的事情,只有「因为我的失手」几个字。究竟失手做了什么,民洙没有说。

读完这封信,仁哲死了。

他到死,都没有让泰贤看见那个伤口。

6

电影的最后,是一段闪回。

雪地里,三个少年互相搀扶着往山下走。那个随身听,从包里滑了出来,无声地掉进雪里。

没有人偷它。

什么都没有发生过。

泰贤在机场还说,那晚他背着民洙走进雪地,后来被救援的人找到。但他也承认,当他以为仁哲已经抛下他们时,自己也动过丢下民洙、独自逃命的念头。

但我脑海中总会浮现的,还是两人在机场最后相望的那一幕。

那时,泰贤有没有发现仁哲受了伤?知不知道他快要死了?

下楼时,泰贤没有看那个男人,对方却一直看着他。

他们认识吗?那个人又是怎么知道仁哲在机场的?甚至,有没有可能,是泰贤叫他来的?

我不知道。

仁哲当然不是无辜的。

他霸道、爱占便宜,连朋友刚买的随身听都要拿去用;长大后,还是耍小聪明、走偏门,用灰色手段冲业绩。他答应了那场骗保,又把民洙拉了进来,最后害死了泰贤的母亲,也毁掉了那个最没有能力承担后果的朋友。

这些都是他。

可仁哲从未在最危险的时候扔下朋友、独自逃命。泰贤认定他做过的,恰恰就是这件事。

他一次次留下来,收拾所有人捅下的篓子,最后连自己的命也搭了进去。

这些也都是他。

我又想起了泰贤在那个雪夜里动过的念头。

也许,泰贤自己的恐惧和念头,早已混进了他眼中仁哲的样子。

这让我想起一句话:

你眼中的别人,其实是你自己。

7

2024 年,我读到两本非常喜欢的书,把它们都选作了那一年的年度之书。

一本是《鱼不存在》。我专门为它录过一期播客,播出后,激起了许多我完全没有想到的涟漪。

另一本是《智能简史》,英文名 A Brief History of Intelligence。它于 2023 年在美国出版,2025 年初出了中文版。

作者麦克斯·班尼特(Max Bennett)也有些特别。他不是神经科学家,也不是大学教授,而是一位做 AI 的创业者。他创办过两家 AI 公司,一边创业,一边在科学期刊上发表论文。

今年春节,我重读了一遍这本书,又看到了一些以前没有注意到的东西。

这本书想回答一个问题:人类的智能,究竟是怎么一步一步进化出来的?

Bennett 的解释并不复杂:智能并不是一种单一的能力,而是在六亿年的时间里,经过五次关键突破,一层一层叠出来的。每一层都在上一层的基础上,增加一种新的能力。

但这次重读,我还看到了另一面。

总觉得还不够,为尚未发生的事情担心,明明和一个人很亲近,却依然难以理解彼此。这些日常的困扰,按照佛教的说法,也都是我们所经历的「苦」。

沿着这条进化的时间线,似乎也能找到这些苦的来处。从这个角度看,这本书还可以读成一部「苦的自然史」。

每一次智能突破都给了生物一份礼物,增加了一种能力,也同时带来了一份新的苦。

8

第一次突破,发生在大概五亿五千万年前。

它的主角,是一种米粒大小、没有腿的小虫子,模样和今天的线虫有些相似。它属于早期的「两侧对称动物」。

在此之前,早期动物的一种生活方式,是守在原地,等食物随机地来到身边。

而这条小虫子不再只是等待。它开始主动游动,去寻找食物。

从等食物来到自己面前,到自己出去找,看起来只是动了起来,却带来了一个新的问题:往哪儿游?

每闻到一种气味、碰到一个东西,它都得判断:靠近,躲开,还是不用理会。

于是,为了移动,进化先发明了好和坏。值得靠近的,是好的;需要躲开的,是坏的。一个正负号,第一次被写进神经系统。

拿今天的线虫来说,它全身只有三百多个神经元。它不认识物体,也不在大脑里画地图。头上的感觉神经元,更像是在给移动的方向投票:这个气味,加分;那个温度,减分。

在 Bennett 的讲述里,最早的感知,并不是先如实记录世界,再来判断好坏。感知本身,就已经带着好坏了。

更有意思的是,同一条虫子,对同一种气味,也会作出相反的反应。

比如二氧化碳。虫子饿的时候,会朝着这个气味的方向游过去,那里可能有食物;吃饱了,却又会躲开,那里也可能有天敌。

气味没有变,变的是虫子自身的状态。

一种气味、一个温度,本身并没有好坏。好坏,是小虫子的神经系统对它们的评价。

在此之前,宇宙里本来没有好坏。

太阳照在石头上,石头不觉得好;海浪打在礁石上,礁石不觉得坏。

好和坏,是五亿多年前,被一条米粒大的小虫子发明出来的。

我在《鱼不存在》那期播客里,聊过蒲公英原则。对有的人来说,蒲公英是杂草;对另一些人来说,它是药材,是颜料,是小孩吹出去的愿望。

好和坏,从来不在蒲公英身上,而在看它的那个神经系统里。

蒲公英不是杂草,也不是药材。它就是它。

分别心,在我们的神经系统里。而分别心的种子,就是在这里种下的。

9

第二次突破,发生在大概五亿年前。

两侧对称动物的一支后代,长出了脊椎、眼睛、鳃和心脏。它们是最早的脊椎动物,模样很像今天的鱼。

从动物开始主动觅食起,世界也变得凶险起来。你能游向食物,别的东西也能游向你。

而到了我们小时候在课本里学过的「寒武纪大爆发」时期,海里挤满了披着盔甲、举着大钳子的节肢动物,最大的能长到一米五以上。我们的祖先,那条小鱼,在它们中间毫不起眼。

前面的小虫子已经有了一套应对世界的办法:觉得好,就靠近;觉得坏,就躲开。其中有些倾向是天生的,是漫长的自然选择留下来的。能帮助生物存活、繁衍的反应,更有机会被传给后代。

但它们也不是完全不会学习。Bennett 在书里讲过,线虫也会根据经历调整好坏判断。原本吸引它的气味,如果和不好的经历联系起来,后来它也可能避开。

不过,这种学习主要是在调整「什么值得靠近、什么需要躲开」。知道了这一点,并不等于就有办法到达想去的地方。

书里讲了心理学家桑代克做过的一个实验。鱼缸一端明亮,另一端阴暗,中间放着带有缺口的隔板。鱼不喜欢亮处,想回到阴暗的一端,可直接往那边游,就会撞上隔板。

起初,它四处尝试,碰了不少壁,偶然找到缺口,才游了过去。研究者反复把它放回起点,让它重新尝试。慢慢地,它撞上隔板的次数少了,找到缺口、游到另一端所花的时间,也越来越短。

鱼对明暗的偏好没有变,变的是它到达暗处的办法。

这就是 Bennett 所说的第二次突破:不只是调整对事物的好坏判断,还能根据行动的结果,逐渐学会一连串原本不会的动作。这种学习,叫作「强化学习」。

基底神经节,是参与这种学习的重要脑区。它与其他脑区共同组成的回路,把当时的处境、做过的动作和后来的结果联系起来。哪些动作以后更容易重复,哪些会被减少,就在这个过程中逐渐改变。直到今天,基底神经节仍在鱼、猫和我们的脑子里。

但要根据结果调整行动,还得有个标准:什么样的结果算好?前面讲过的好坏判断,在这里成了学习的依据。比如饿的时候,吃到食物就是好的。大脑中参与调节饥饿等身体需要的区域之一,叫下丘脑。身体需要什么,为学习提供了方向;具体怎么得到,则可以在尝试中学会。

事情难在,结果常常来得太晚。刚才那条鱼,要穿过几道隔板才能回到暗处。如果只在最后才得到一个好结果,前面那么多次转向和尝试,该把功劳记给哪一步?

Bennett 介绍的一个办法,是让大脑也学会预期:还没得到最后的结果,就能根据过去的经验,判断接下来有多大机会得到它。

仍用刚才的小鱼来作一个思想实验。如果它已经学会,从最后一个缺口游过去就能到暗处,那么那个缺口也会逐渐有了价值。后来,它偶然换了一个方向,来到了这个熟悉的缺口前,虽然还没到暗处,前景却已经比刚才预想的更好了。

这种预期的变化,也能成为学习的反馈,帮助它以后重复刚才那个动作。这样,学习就不必每次都等到最后,前面那些通向好结果的动作,也能逐渐得到强化。

多巴胺在这类学习中的一个重要作用,就是传递这样的更新信号:结果,或者新出现的线索,让前景比原来预期的更好,还是更差?这种差别,叫作「预期误差」,英文是 prediction error。它帮助相关回路调整预测,也调整接下来的行动。

科学家舒尔茨团队的猴子实验,让这个过程变得很直观。灯亮后,猴子触碰操作杆,就能得到果汁奖励。研究者同时记录多巴胺神经元的活动。

还没学会这层关系时,意外得到果汁,会引起多巴胺神经元短暂而明显的活动增强。学会之后,果汁到来时不再引起同样的反应,反应却提前到了灯光出现的那一刻。

果汁还没来,预示着果汁的线索,已经能引起多巴胺神经元的反应了。

如果灯亮了,果汁却没有如期到来,多巴胺神经元的活动,就会在原本该得到奖励的那个时刻下降。

这里记录的是学习信号,不能据此说,猴子已经不喜欢果汁了。灯光和果汁的关系已经学会,原来学到的行为也可以继续,并不需要每次都出现新的惊喜。

科学家贝里奇的实验,进一步分开了「想要」(wanting)和「喜欢」(liking)。给老鼠增加多巴胺,它对食物的快乐反应并没有增加,却会更拼命地追。

在这些实验里,多巴胺更多是在推动它去获得,而不是增加获得之后的快乐。

一个大脑,完全可以拼命想要一个它并不喜欢的东西。

这也让我重新想到在《够与多》那期播客里我们聊过的问题:我们是真的喜欢自己追逐的东西,还是只是被那股「想要」驱动着,停不下来?

佛学里有一个词,叫「渴爱」,字面的意思就是口渴。它说的不是喝水时的享受,而是那种驱赶着你去找水的干渴。佛陀说,苦的根源就是它。

不是喜欢,是想要。不是享受,是追逐本身。

读到这一章时,佛学里那个「渴」字,对我来说又多了一层意思。那股催着我们不断追逐的力量,可以让我们一直往前,却不保证到达之后会快乐。

它只管想要,不管喜欢。

10

第三次突破,发生在大概一亿年前。

那时,恐龙还生活在地球上。为了避开它们,我们的祖先越缩越小,最后只有十厘米长。白天藏在地洞里,晚上出来找吃的,就这样躲了差不多一亿年。

对这样的小动物来说,在现实世界中的「强化学习」有个大问题:学费太贵了。

在满地恐龙的世界里,很多错误只要试一次,就没有下一次了。

但躲藏也带来了一个别的动物没有的机会:可以先看,再动。

趴在洞口,看一眼,再决定出不出去。

看和动之间,第一次隔开了一段时间。

新皮层,就是为了用好这段时间而生的。它在脑子里,搭建了一个世界的模型。洞口、树杈、鸟、虫子,还有恐龙,外面的世界有什么,脑子里的世界就有什么。

这样,动物在真的行动之前,就可以先在脑子里走一遍。

心理学家托尔曼曾经观察到,老鼠走迷宫,碰到岔路口时,会停下来,头往左探、往右探,仿佛在脑子里把两条路都走了一遍。后来,神经科学证实了这个猜想:停下来的那几秒,它们确实在轮流预演两条路。

这台世界模拟器,并没有替换掉第二层的学习机。

它只是把想象出来的结果,也拿给学习机打分。

从此,学费可以在想象里交了。

你可以在想象里被烫、逃跑、死上一百次,再带着学到的本领,到真实的世界里活下来。

而我们的想象、计划、回忆,甚至后悔,也都是从这里来的。

Bennett 有一句我很喜欢的话:思考不是诞生在什么神圣的地方,它就诞生在侏罗纪的地洞里。

它要解决的,不过是一个很具体的问题:一个生物没机会试遍所有事情,又该怎么学会在现实里活下来?

但从这一刻开始,动物有了两个世界。

一个在外面。

另一个,在它的脑子里。

在《鱼不存在》那期播客的结尾,我引用过一句诗:

「另一个世界确实存在,但它就在这个世界之中。」

我当时用它来讲转念,讲这个世界的无穷可能性。

但在这里,它还有一个字面意义上的解释。另一个世界确实存在,就在我们的脑子里,而且已经运行了一亿年。

11

这份礼物的代价,就藏在两个世界的关系里。

我们大概都会以为,外面的世界在先,脑子里的世界在后。先看见,再在脑子里留下一个副本。

但 Bennett 说,次序恰恰是反过来的。

大脑的新皮层先生成一个世界,再拿感官送进来的真实信息去核对。对得上,感觉输入就可以省略;对不上,再修改。

脑子里的世界在前,外面的世界,负责校对。

我们以为自己在看外面,很多时候,看到的却是脑子里早已有的那个世界。

这和《千脑智能》那本书,以及我在《无尽的探索》里讲的,是同一件事。

它带来一个很奇怪的结果:模型越好,反而越不需要去看。

就好比我们每天从家到公司那段路,它太熟悉了,以至于我们可能很久没有认真看过了。

因为太熟悉,预测都正确,真实的输入就被自动跳过了。

这也是为什么旅行会让人觉得鲜活。

到了陌生的地方,预测不断出错,脑子里的模型不管用了。我们被迫张开眼睛,重新感受外面的世界。

但这台模拟器也有停不下来的时候。在危机四伏的环境里,提前预演危险,可以帮助生物避开致命的错误。

到了今天,我们不必时时提防猛兽,它却依然忙着预演。一次还没发生的争执、一个可能出现的坏结果,都能在脑子里一遍遍播放。

可是,想象中的威胁,同样可能让身体紧张起来。你躺在安全的房间里,担心的事情还没发生,心跳却已经快了。

焦虑,有时就是这样发生的。

观呼吸或者冥想的作用,部分就在于把注意力从脑子里正在播放的东西,拉回此刻。

不是再想出一个更好的答案,而是暂时回到呼吸,回到身体,回到这个没有发生那些事情的当下。

12

第四次突破,发生在大概一千万到三千万年前。

主角是灵长类。

它们选择了一种很了不起的生存方式:群居。一起觅食、放哨、对付天敌,活下来的机会,比单打独斗大得多。

但群居也带来了新的竞争。

地位、食物、配偶,都要争夺。身边会发生结盟,也会发生背叛。生物最大的对手,不再只是外面的猛兽,也可能是睡在身边的同类。

除了丛林,它们开始面对另一种凶险的环境。

彼此之间的关系。

《被讨厌的勇气》里有一句很有名的话:人的一切烦恼,都来自人际关系。

我很久以前就推荐过这本书,但读到这里才发现,原来这一层「关系的苦」,早在我们拿到群居这份礼物时,就已经种下了。

上世纪七十年代,灵长类学家门泽尔做过一组观察。

他把一群黑猩猩养在林子里,藏好食物,只把位置告诉一只地位很低的母猩猩,贝尔。

起初,贝尔会开开心心地带大家去吃。可每次找到食物,地位最高的公猩猩罗克就会过来,全部抢走。

几次之后,贝尔不再带路了。她坐在藏食物的地方,假装没事。

罗克识破这一招,过来推开她。贝尔于是又学会了等。等罗克看向别处,才冲向食物。

罗克也跟着变。他开始假装不感兴趣,但贝尔一动,他立刻跟上。

到最后,贝尔甚至会把罗克往错误的方向引。而罗克,则专门朝相反的方向去找。

这一来一回,比的已经不是谁动作更快。

贝尔得知道,罗克看到了什么、想做什么;罗克得知道,贝尔知道什么、又想让自己相信什么。

谁脑子里装的那个「对方」更准确,谁才更可能吃到食物。

13

要做到这一点,大脑需要建立一个关于「别人」的模型。

进化依然沿用了现成的东西。它在新皮层上又长出一块新的皮层。这一次,输入不再来自眼睛、耳朵或身体,而是来自原来的新皮层。

模拟器,开始模拟它自己。

我在想什么,我想要什么,我是谁,我准备做什么。

大脑第一次有了一个关于「我」的模型。然后,它把这个模型,拿去套在别人身上。

这就是「心智化」。通过猜测另一个生物的内心,来理解它、预测它。人类的合作、教育、爱,都建立在这种能力之上。

可是,这个办法从一开始,就有一个躲不开的限制:

用来理解别人的那台机器,原本是用来理解你自己的。

你没有办法直接进入另一个人的心。只能拿自己的经验、恐惧和欲望做材料,在脑子里拼出对方的样子,再去和这个想象中的人打交道。

更麻烦的是,这个模型很难被纠正。

关于物理世界的模型,错了,现实会告诉你。你可能以为火不烫,但只要摸一下,马上就知道错在哪儿。

和人打交道时就不一样了。

你以为对方不喜欢你,就开始刻意回避。对方感受到疏远,也慢慢与你拉开距离。于是,你会觉得:果然,这个人不喜欢我。

你的预测,自己制造了自己的证据。

物理世界会纠正模型,人际关系却常常顺着模型,给它更多确认。

现在,再想想泰贤。

山上那个晚上,仁哲不在了,随身听不见了。他的大脑在一片空白里,演出了一整场背叛:仁哲拿着随身听,独自逃命去了。

这不完全是我们平时说的「胡思乱想」。在泰贤脑子里,他可能真的看见了那个画面。

可搭出这幅画面的材料,来自哪里?

是那个在恐惧中,也想过丢下民洙、独自逃命的自己。也是那个可能在机场看见仁哲受伤,却没有去救他的自己。

十七年来,这个模型没有被纠正过。

仁哲说了什么、做了什么,都会先经过它:符合的,是证据;不符合的,是例外。

14

第五次突破,发生在大概三十万年前。

人类发明了语言。

每一层智能突破,都站在上一层的肩膀上。语言也不例外。

表面上,说话不过是一个人开口,另一个人听。但真正的前提,是你能猜到对方在想什么、已经知道什么、还不知道什么。知道这些,才知道该说些什么。

没有心智化,也就没有对话。

Bennett 认为,语言真正革命性的地方,并不是交流。很多动物也能交流。

它真正厉害的地方在于,让一个大脑里的模拟,能够进入另一个大脑。

一个地方,我没去过,你去过。你讲给我听,我就仿佛也有了那段经验。

一个人,我从未见过。你讲了关于这个人的故事,我脑子里就有了一张脸。

知识第一次可以跨过一个人的生命,在不同的人、不同的世代之间积累。

我们今天拥有的科学、文明,甚至你正在读的这篇文章,都来自这份礼物。

书里有一个让我印象很深的例子。

八千年前,塔斯马尼亚岛上的人会做骨器、织渔网,会做鱼叉和回旋镖,会缝御寒的衣服。后来,海平面上升,岛屿和澳洲大陆隔开,能互相说话的人变少了。

到了十九世纪,这些技术全部失传。

那时的知识,不是躺在某个仓库里的东西。它活在一个个大脑里,靠人和人说话,一代代传下去。传递的人少了,链条断了,文明也会往回退。

但是,语言在传递经验时,也做了另一件事。

压缩。

世界是连续的,语言是离散的。

一个活生生的人,每天都在变化,在不同处境里会有不同的反应。进入语言之后,却可能只剩下一句话:

「这个人很自私。」

「这个人很靠谱。」

「就是那种人。」

然后,这句话开始替代那个人。

你不再看眼前的人,只要想起那个词,就觉得自己已经知道了。

泰贤藏了十七年的那句话,就是这样:

「仁哲是一个会在最危险的时候扔下朋友的人。」

第四层用自己的材料,拼出一个关于别人的模型。第五层再用一句「这是一个什么样的人」,把它固定下来。

从此,泰贤看到的仁哲,就越来越像那句话里的样子。

15

把这五次突破放在一起:

方向,分别心。

学习,停不下来的追逐。

想象,焦虑。

我们学会理解别人,也从此只能隔着自己去看别人。

我们有了语言和文明,也开始用标签替代一个活生生的人。

带来这些能力的机制,也让这些苦有了发生的可能。

我们很难只享受其中的便利,却完全不受它的影响。

很多年前,我录过一期播客,叫《所有命运赠送的礼物,早已在暗中标好了价格》。读这本书时才发现,这句话还能一直往前追溯,追到五亿多年前那条小虫子身上。

佛学里有一个词,叫「无明」。我们受苦,是因为看不清楚。

我过去觉得,这是一种笼统的糊涂。现在却觉得,所谓看不清,也许有很具体的结构。

第一层,让我们有了分别心。

第二层,让我们把自己想要的,当成自己真正喜欢的。

第三层,让我们把想象,当成现实。

第四层,让我们把自己的材料,当成别人的内心。

第五层,让我们把一个词,当成真实存在的东西。

而且,它们不是轮流发生的。

你可以一边身体不舒服,一边担心明天,在脑子里预演最坏的结果,又因为别人的眼光感到羞耻,最后用一个词,给自己下了判决。

几层东西同时在运转,到了我们这里,却只剩下一个感受:

我很痛苦。

我们以为,是一个「我」在受苦。但沿着这本书给的视角看,它是几层错觉的叠加。

再回到山上的那个夜晚。

天黑了,雪还在下,屋里越来越冷。泰贤的脚受了伤,民洙昏迷着,仁哲不见了。

在泰贤的大脑里:

第一层,给恐惧标上极重的负号;第三层,在空白里演出一场背叛;第四层,把自己的恐惧和欲望,安在仁哲脸上;第五层,再用一句话,把这个人封存了十七年。

整个过程里,他的大脑,没有出过任何故障。

每一层都在正常工作。

他看不见仁哲,不是因为哪里坏了。而是这六亿年的进化里,从来没有哪一层,是为了看见一个人而生的。

它们只是为了让生物活下来。

活下来需要分好坏,需要预测,需要提防,却不一定需要完整地理解眼前这个人。

16

这本书的五层智能突破讲完了。

我觉得我们可以沿着 Bennett 的视角,再往前走一段,走到他没有写、我们却每天生活在其中的地方。

第五次突破之后,语言一直在变。起初是口口相传,后来有了文字、印刷术、录音录像。知识不必再像塔斯马尼亚那样,只靠活着的大脑保存。它可以躺在纸上,穿越几百年,等待未来的读者。

再后来,互联网来了。获取知识的成本几乎降到零,每个人也有了向更多人表达的机会。查找资料、分享生活、和远方的人保持联系,起初我们更容易感受到的,是这份礼物。

但当留住我们的注意力成了一门越来越赚钱的生意,事情就开始变了。

Tim Urban 在《What's Our Problem?》里讲过这段变化:原本按时间排列的动态,逐渐变成了围绕互动率优化的信息流。平台要找到的,是最容易让我们点开、转发、点赞,以及忍不住继续看下去的东西。

如果说推荐的内容恰好是我们想了解的,双方都受益。但为了留住我们,算法会转而迎合那些我们明知不值得、却抵挡不住的诱惑。用 Tim Urban 的话说,它开始诱捕我们的「原始心智」。

借用前面的五层来看,最容易被诱惑的是最早的两层:一个急着给世界打正负号,一个永远还想要更多。

于是,一件复杂的事情发生,成千上万条评论冒出来,最后被点赞最多的,未必最准确,却往往最能戳中情绪。

标签打败复杂,情绪打败准确,极端打败温和。

第五层原来就有的代价,就这样被放大了。一个活人被压成一个词,一件复杂的事被压成一个标签,又因为更容易吸引注意,被不断推到我们面前。

我们每天刷的信息流,就像一部为自己量身定制的维基百科。里面的内容按我们的偏好筛过一遍,我们又日复一日地浸泡其中,用这些标签、情绪和故事,构建脑子里那个世界。

而这些平台,已经成了地球上最有钱的一批公司。我们的注意力,就是它们的生意。为了留住我们,它们不断优化信息流,让它一天二十四小时地运转,塑造着我们脑海中的世界。

也塑造着我们看待外面世界的方式。

17

这让我想起《佛陀传》里的五戒:不杀生,不偷盗,不邪淫,不妄语,不饮酒。

第一次读到,我有些不理解。

其他几条都好理解。可是说假话,怎么会严重到和它们并列?

后来读到佛陀的解释,大意是,人和人之间传递虚假、恶意、煽动的话,会引发巨大的混乱,最终结成巨大的恶果。

现在再看,我更能理解了。

一句话,是可以进入另一个人的大脑,改变那里面的世界的。

很多时候,写的人明明知道不是真的,却为了流量、点赞,或者只是发泄情绪,把它写出来,也并不在意,那些话到了别人的脑子里,会留下什么。

偏偏,最虚假、最能挑动情绪的内容,常常传得最广。

两千五百年前,一句妄语从一张嘴传到另一只耳朵,可能坏掉一个村子。今天,一个晚上,它就可以传遍全世界。

语言让一个大脑里的东西,能够进入另一个大脑。这是它给我们的礼物。

妄语用的,也是同一条路。只是送进去的,是一个歪曲的世界。

成本越来越低,影响却越来越大。

这已经不只是泰贤能不能看见仁哲的问题了,而是几十亿个脑子里的世界,每天在彼此投喂标签和情绪,又不断确认,这就是真实的世界。

那人和人之间,还有可能真正看见吗?

18

克里希那穆提谈过这个问题。

他是上个世纪的一位印度思想者,花了五十多年,在世界各地和人谈话。我读过他的一些书和文章。

在那些谈话里,有两个反复出现的词。

一个是 image,意象。

我们对一个人、一件事,慢慢形成了一套固定的认识。记忆、判断、标签,混在一起,成了那个人的样子。

这正是前面几层智能,一直在做的事。

克里希那穆提说,你看到的爱人,不是你的爱人,而是你关于这个人的记忆、判断和命名。对方眼里的你,也是如此。

在一起生活的,像是两个人。

可真正打交道的,是两个人心中的意象。

两条平行线,永不相遇。

一个意象里,究竟有什么?

有对方真实的言行。比如,这个人确实经常迟到。

有你过去的经验。朋友一沉默,你想起的也许是小时候父亲沉默的样子,以及接下来家里会发生的事情。

还有一些,是你自己都不愿承认,甚至根本没有弄明白的东西。

这些材料在脑子里搅在一起,却没有留下各自的来处。

你分不清,哪一块是观察,哪一块是过去,哪一块其实是你自己。

你只看见了一个完整的、自己以为认识的人。

另一个词,是 register,注册,也就是大脑的自动记录。

每经历一件事,尤其是带着情绪的事,大脑就记下来。形成一个新的意象,或者给旧的意象,再添一点东西。

比如,此刻你在读这篇文章。

你一边读,一边也在给孟岩这个人做记录。你可能认同,也可能反感。无论是哪一种,脑子里关于我的那个形象,都可能又多了一笔。

我们每天和人相处时,都在做这件事。

所以,很多时候,我们以为沟通不够才会有误会,多说一说,就能解决。

可多说的那些话里,交换的又是什么呢?

还是意象。

我把脑子里的「你」说给你听,你把脑子里的「我」说给我听。说得越多,记下来的也越多。

那堵墙,反而可能越来越厚。

19

他给出的答案,不是沟通,也不是一套练习的方法,而是 total attention,全然的注意力。

这和我们平时说的专注,还不太一样。专注里,有一个「我」在努力。他所说的,却是整个人都在这里:眼睛在,耳朵在,身体在,心在,但没有一个「我」站在中间指挥。

当这样的注意力在时,他说,旧的意象就起不了作用。不是熟悉的记忆和判断替你看,而是你的感官真的在工作,看着眼前的人,而不是一份熟悉的档案。

同时,新的注册也不会发生。经历的事情,不会立刻变成偏见、伤害和标签。他的原话是:「当你把全然的注意力给到那个瞬间,侮辱就不会被注册为伤害。」

旧的意象慢慢失效,新的注册慢慢停止,人和人之间,可能就更能看见了。

但如果你问,具体该怎么做?对不起,我没有一个方法可以交给你。

克里希那穆提说的全然的注意力,听起来简单,却不是靠反复练习就能得到的。佛陀给过一条路:戒、定、慧,观呼吸,观感受。那条路需要一点一点地增长智慧,日复一日地练习。我们一边使用着这套智能,一边又想从六亿年进化带来的局限里走出来,并不容易。

甚至,连你刚刚读懂的这一切,此刻也正在被注册。这篇文章依然在用文字表达,你一边读,一边把「意象」「注册」「正负号」「渴爱」「全然的注意力」记下来,它们也可能正在脑子里变成一串新的标签。

我们用来理解这篇文章的机器,就是这篇文章讲的那台机器。

不过,有一件事也许没有那么难:此刻就意识到,我正在用意象看这个人,我的注册器正在工作。

我想,发现这件事的那一刻,我们至少不再只是顺着意象作反应,而是开始看见它。

意象被看见的那一刻,它就松动了。

20

去年的这个时候,我和阿娇录过一期播客,那期节目的标题叫《我的另一面,也想被注视和欣赏》。从那期节目,到后来她的文字,以及我们断断续续的交流,我都能感受到她的渴望:期待自己的更多面,能被大家看见。

但是,就像前面讲的:人被进化成这个样子,从来就不是为了「看见」,而是作为一个生物,为了更好地活下去。

所以,我们看到的,是六亿年前的那个正负号:好,或者坏;

我们看到的,是多巴胺想要的东西:永远在追,永远不够;

我们看到的,是脑子里自己生成的那个世界:预测,替代了眼睛;

我们看到的,是用自己的素材拼出来的别人:恐惧和欲望,戴着对方的脸;

我们看到的,是一个词,一个标签:「就是那种人」。

我们看到的,是一面我们以为是窗户、但其实照出了自己的镜子。

我又想到了《鱼不存在》那本书里,我非常喜欢的那句诗:

「另一个世界确实存在,但它就在这个世界之中。」

以前读到它的时候,我更多是从「空」的角度、从无穷可能性的角度去理解这句话:我们每个人都可以转念,一转念,就会看到一个新的世界。

但当我创作完这期播客和文章,当我又修改了一遍脑海中对这个世界的模拟,我也通过它,看到了不同的东西。

另一个世界确实存在。它可能就在前面讲的这条路上:从只是被动地接收和反应,到开始觉察、看到自己的局限,再到有一天,真的有机会打破自己旧有的心智模型。也许到那个时候,我们可以看到一个更新、更真实的世界。

21

最后,我又想起《好朋友们》里的那场告别。

泰贤把那句话藏了十七年,直到最后才说出口。而在那之前,仁哲已经在他心里,变成了另一个人。

我想,

我们每个人心里,也都住着一些这样的仁哲。

也都有一些话,很多年没有说出口。

跳转微信打开

  •  

The Batch: 981 | Ox Alpha 被揭晓为 GLM-5.3-Flash

原创 DeeplearningAI 2026-09-09 12:45 北京

Hi~新朋友,记得关注我们哟

在一周多的时间里,OpenRouter 上使用最广泛的模型,其名称和制造者一直成谜。上周,它被公开宣布为一款新的 GLM 系列模型——令许多人惊讶的是,该公司表示,这款模型的免费、高流量预览版完全由中国制造的芯片提供支持。现在,任何人都可以下载它的权重。

● 最新消息:Z.ai 发布了 GLM-5.3-Flash,这是一款视觉语言模型,先前以“Ox Alpha”之名进行预览。这是该公司自 4 月的 GLM-5V-Turbo 以来推出的首个视觉模型,也是 GLM-5 家族中第一款从一开始就构建视觉能力、而不是后来再附加到语言模型上的模型。

✴ 输入/输出:文本、图像和视频输入(最多 1,048,576 个 token),文本输出(最多 128,000 个 token,44.6 token/秒)

✴ 架构:混合专家(MoE)Transformer,结合线性注意力和稀疏注意力,总参数量 3200 亿,每个 token 激活 180 亿参数

✴ 特性:可调推理级别(低、高和 max,默认),推理无法关闭;流式输出、工具调用、上下文缓存

✴ 性能:在 Artificial Analysis 的 Intelligence Index 上获得 57 分;在 Artificial Analysis 的 GDPval-AA v2(真实世界知识工作任务)中位列所有模型第三,并且是开放权重模型中表现最佳者

✴ 可用性/价格:可通过 GLM Coding Plan 订阅获取,月费从 18 美元到 168 美元不等;API 价格为每百万输入/缓存/输出 token 分别 0.15/0.03/0.50 美元

✴ 权重/许可证:可在商业友好的 MIT 许可下免费下载安装

✴ 未披露:知识截止时间,预训练数据来源

●工作原理:Z.ai 从一开始就用文本、图像和视频训练 GLM-5.3-Flash,而不是后来再把视觉和文本 Transformer 拼接起来。与更大的 GLM-5.3 不同,Z.ai 是从零开始预训练该模型,并重新设计了注意力层,使其能够更高效地处理长输入。

✴ 这是 GLM 系列中的首创,该模型混合了两种注意力机制。线性注意力是一种更节省内存的变体,其成本随输入长度线性增长,主要关注邻近上下文;稀疏注意力则关注完整上下文。公司表示,这种组合将注意力计算量降低到 GLM-5.3 的大约三分之一,也低于 DeepSeek-V4-Flash 和 Kimi K3。

✴ 一个名为 IndexPool 的步骤会把每四个检索向量平均合并成一个向量,以便当上下文接近 100 万 token 时减少内存占用。再加上这种混合注意力机制,使 GLM-5.3-Flash 的键值缓存降到 GLM-5.3 的四分之一以下,但仍高于 DeepSeek 或 Kimi 的最佳数值。

✴ 公司在一个 30 万亿 token 的多模态语料上预训练了该模型。它使用了 Manifold-Constrained Hyper-Connections,这是一种由 DeepSeek 开发的技术,将典型的层间连接拆分为多条并行连接,并在这些路径合并时保持稳定。公司表示,这帮助模型实现了高效扩展。

✴ 为了生成训练数据,Z.ai 让模型在能够渲染前端、游戏或 3D 场景、查看结果并进行修改的环境中运行。随后公司用这些尝试对模型进行训练。对于前端工作,Z.ai 表示其尝试了强化学习,根据渲染页面的最终效果来给模型打分。

✴ 在推理时,模型会让每个 token 通过 288 个专家中的 8 个,并使用大约一半的网络层(45 层),而 GLM-4.5 为 92 层。一个多 token 预测层会提前起草若干 token 供主模型检查,从而加快生成速度。

● 性能表现:独立评测显示,GLM-5.3-Flash 略低于顶级开放权重模型,但每项任务的成本大约只有其上方开放权重模型的八分之一。领先的专有模型每项任务的成本则高出 10 到 35 倍。GLM-5.3-Flash 在一项真实世界工作评测中领先所有其他测试过的开放权重模型,并且在长时间运行的编码任务上几乎与更大的 GLM-5.3 一样好,而后者每项任务的成本是前者的 16 倍。

✴ GLM-5.3-Flash 在 Artificial Analysis 的 Intelligence Index 上获得 57 分;该指数综合了九项对经济上有用任务的评测,平均每项任务仅花费 0.09 美元。以更低的价格,它接近了开放权重领域的领跑者 Kimi K3 和 GLM-5.3(两者都设置为 max 推理,均为 60 分,分别为每项任务 0.84 美元和 0.68 美元)。它与 Claude Opus 4.8(设置为 max 推理,每项任务 2.03 美元)持平,并优于 Gemini 3.7 Flash(56 分,每项任务 0.40 美元)。

✴ GLM-5.3-Flash在 Artificial Analysis 的 GDPval-AA v2 中排名第三(1,765 Elo)。该榜单对模型在经济相关领域任务中的对决结果进行排名,落后于 Claude Opus 5(设置为 max 推理,1,824 Elo)或 xhigh 推理(1,797),领先于 Grok GLM-5.3(设置为 max 推理,1,758)和 Grok 4.6(设置为 xhigh 推理,1,755)。

✴ 在 DeepSWE v.1.1 上,GLM-5.3-Flash 能够一次性解决 63% 的问题。DeepSWE v.1.1 是一项软件工程技能测试,其编码任务需完全从头编写,而不是来自公开代码库。在这一基准上,它每项任务成本为 0.24 美元;相比之下,GLM-5.3 为 69%,每项任务 3.99 美元,而 Claude Opus 5 设置为 max 推理时为 74%,每项任务 11.84 美元。规模相近的 DeepSeek V4 Flash 以两倍的成本解决了 53%。

✴ 该模型文字输出冗长且速度较慢,尤其考虑到它的体量。该模型完成 Artificial Analysis 的 Intelligence Index 使用了 1.5 亿个 token,超过中位数(1.1 亿)。在多个硬件提供商上,它平均每秒生成 45 个 token,明显慢于 GLM-5.3(每秒 78 个 token)以及 Artificial Analysis 测试的典型模型(每秒 69 个 token)。

● 新闻背后:在发布前的一周里,Z.ai 以匿名方式推出了 GLM-5.3-Flash 的预览版,且在发布前的一周里,它仅在编码框架 OpenCode 和模型市场 OpenRouter 上免费独家提供。通过这种方式,公司得以收集开发者的反馈,而这些开发者并不知道自己测试的是哪一个模型。公司表示,Ox Alpha 在那一周成为这些服务上最受欢迎的模型。用户根据其 tokenizer 输出,在几天内便猜测这款神秘模型属于 GLM 家族。8 月 26 日,Z.ai 确认了该模型,并在标准 MIT 许可下公开了其权重。两天后,公司又发布了旗舰模型 GLM-5.3 的权重,采用类似 MIT 的许可,但增加了一项条款:任何年收入超过 100 亿美元的企业,在将这些权重用于商业用途前,都必须先接受 Z.ai 的安全审查。

●重要原因:虽然 GLM-5.3 仍然在文本基准上领先于 GLM-5.3 Flash(以及几乎所有开放模型),但就目前而言,Z.ai 的低价模型也是更先进、更多用途的那个。GLM-5.3 只是一个能力很强的微调版,而 Flash 则拥有新的基础模型、架构和视觉能力。公司表示,其下一代旗舰模型将继承这种多模态、混合注意力架构,同时使用更多数据训练并展现更强能力。几个月前,GLM-5V-Turbo 在视觉语言任务上超过了 Claude Opus 4.6;下一代 GLM 系列模型或许也会同样挑战顶级专有多模态模型。

● 我们在想:Ox Alpha 的匿名预览制造了话题和神秘感,但也让用户能够依据其优缺点来评判它。或许揭示出的最大谜团,是它依赖中国本土厂商生产的芯片。这表明,只要采用合适的内存优化方法,企业就能在经济价位的硬件上,以规模化方式提供一款具有成本效益、性能出色的模型——尽管它比我们对前沿模型习以为常的标准要小一些、慢一些。

点击下方阅读原文查看更多有趣内容哦~

阅读原文

跳转微信打开

  •  

9月19日开营|言e实验室入局营第31期,破局营第2期招生中

AIGCPM 2026-09-09 10:16 北京

以下文章来源于:AIGC产品经理研习社

AIGC产品经理研习社

为AIGC产品经理提供一个交流学习的平台。

报名非常火爆,已经有很多同学提前预定了新的一期,新的一期统一于9 月 19 日开营!

有人刚开始转向 AI 产品,还在补技术认知、项目经验和求职表达;

也有人已经做了几年产品,真正卡住的已经不是“AI 是什么”,而是:

怎么把已有经验迁移到 AI,怎么把项目做深,怎么让自己的能力匹配更高要求的岗位。

所以,我们保留两条不同的学习路径:

言e入局营,面向 0—3 年转行及求职人群;

言e破局营,面向已经有一定产品 / 业务经验,希望继续向上突破的人群。

一路走来,我们陪伴许多学员完成了从转行入门到独立负责项目的成长。有人进入大厂和上市公司核心岗位,有人已经开始带团队。即使课程结束,大家依然会在面临重要职业选择时回来交流,也愿意把朋友、同事和家人介绍给我们。

页头字体放大1.5倍后的海报

在这里,想特别感谢每一位选择并信任我们的学员,也感谢一路同行的合伙人和讲师团队。

我始终不认同“做培训就是割韭菜”。真正有价值的培训,本身就是一款需要持续理解用户、验证效果、跟随技术和市场不断迭代的 AI 产品。

真正能够留下来的,一定是持续交付结果、经得起学员和市场检验的产品。真心能够换来真心,而大家长期的信任,就是我们最珍贵的答案。

图片

图片

图片

图片

跳转微信打开

  •  

海外年轻人在关心什么?和耶鲁、宾大学子聊AI、泡沫与周期、机器人与未来能源

原创 支持年轻人的 2026-09-08 20:50 北京

奔涌的AI浪潮,会将我们推向哪里?

这个暑假,耶鲁创投俱乐部和宾大创投俱乐部先后带队来到峰瑞交流。丰叔和投资同事们与两波对创投感兴趣的年轻人各聊了一上午。

这样的交流已持续了几年,我们乐在其中。因为我们过往投资的创始人中,过半有海外学习或工作经历,我们希望能够尽早认识并支持更多海外华人回国创业。

每次见面,流程都很简单,大家围坐一圈,简单自我介绍,就进入对话环节。话题天马行空,从宏观形势到 AI、能源、生物医药、出海,再到创业的起心动念。

把两次交流放在一起,我们发现,身处海外的年轻人有很多共同关心的问题:技术会往哪里走,中国和美国各自还有什么机会,什么行业值得创业,自己该把未来押注在哪里。

我们挑了一些有代表性的问题,尽量保留现场原本的问答方式,分享给大家。

这些问题没有标准答案,我们只是把看到的公司、产业和周期变化一一摊开,希望能提供一种看问题的角度。

我们做早期投资,基本上是顺着技术周期往下看。新技术刚出来时,我们找不同类型的 0 到 1,看的是技术本身;到第二阶段,我们找的是这项技术最可能改变什么、哪里会发生最大的变化;再往后,就找泡沫下去以后什么场景真的用得上技术,看谁能把技术变成实际效率和商业价值。每个阶段投的其实不是同一件事。

所以做早期投资有一件事特别重要,就是 Identify the change,你到底有没有找到一个真正大的变化。如果是个小变化,托举不了太多新公司。做投资有句话,宁可蹲在一个金矿边上随便捡两块金子,也别低头在马路上捡钢蹦儿。

也有人说,早期投资就是投人,这句话百分之一百正确,没有任何争议。但在所有人都投人的情况下,谁能赚到钱主要取决于谁投对了大变化。一家公司的成功,大概六到七成取决于市场贝塔(Beta),剩下的三四成才看自身的阿尔法(Alpha):Beta 决定你的发展基数有多大,Alpha 决定你在同赛道里能不能活下来、排第几。

如果在一个增长偏线性、竞争又激烈的赛道里创业,可能拼尽全力才比别人进步 1%,而这 1% 还很容易被有资金、人才、渠道和供应链优势的大公司追平。创业公司的机会,往往来自一个产业突然发生巨变:竞争规则变了,过去的优势会被重新计算,这时候小公司更可能找到位置。

真正值得创业公司去抓的时机,往往是产业突然拐弯的时候。

比如汽车,如果一直沿着燃油发动机技术来发展,中国企业要追赶宝马、奔驰上百年的工程积累很难;但从燃油发动机转向电机以后,产业拐了一次弯,原来的积累没那么重要了,中国在电机、制造业、硬件供应链上的能力反而能接上来,竞争局面就变了。手机从功能机到智能手机,生物医药从小分子药到大分子药,再到基因细胞治疗、AlphaFold 和 AI for Science,都是类似的拐弯。

所以看创业机会,最重要的不是“这个行业够不够大”,而是它有没有拐弯——只要拐弯足够大,巨头要转身也不容易,新公司反倒有机会。

但对投资机构来说,光看到拐弯还不够,还有一个时点问题。我们希望比市场早一点,能判断什么将要发生,而不是只看什么已经发生;是稍微ahead of time,但不能太早,要等十年、二十年才兑现同样不合适。翻译成投资的话就是:要在它还不热的时候投,但不能因为它不热就投——你敢投,是因为你知道它为什么以后会热。

所以我们大部分投资,是先判断变化在哪里,再判断变化大概什么时候发生。方向已经很热,通常意味着共识已形成;完全没人关注,也不代表值得投。

真正难的是在共识形成之前,找到那个正在发生、但还没被充分定价的变化。当然早期投资也有 random 的成分:有时创业者做的方向不一定是我们推演过的,但人好、事情有意思,也会愿意试一下。

如果只看人本身,可能跟有些人想的不太一样。对我们来说,最重要的是:他为什么要做这件事。

投资人通常是先看到变化再去找公司;创业者则不一样。他们往往在自己熟悉的领域里先直觉地感受到一些机会,或者相信了今天大多数人还不相信的未来,所以决定去做。他看到变化,更多是从经验里感受出来的,而不是推出来的。

这也是为什么“初心”重要。跟风创业也不是不行,每一波里都有 late mover,出来晚但聚集资源的能力特别强,一样能做起来;只是对投资人来说,跟风的人更难挑。我们更希望看到:在所有做同一件事的人里,他是那个最想做的,而且不是因为别人都做了他才想做。

这个为什么重要?因为创业本质上是一场长跑。那些最后成功的人,中间几乎都经历过若干次很绝望的阶段:公司快不行了、看不到出路,或者必须做艰难取舍。如果出发时的原因不够坚定,很容易在某个阶段就妥协,甚至算了。

其次是聪明和能力匹配。真正能把公司做出来的人肯定要够聪明,但不需要是最聪明的那个,top 15% 就行,不必非得 top 1%;同样重要的是能力和事情匹配,过去的专业、经验最好能对现在做的事有帮助——你一直做芯片突然去做制药,难度就很大。

第三是性格和判断力。真正做成事的人,既不会什么都不听,也不会别人说什么都听。他们能听得进意见,但会自己判断该采纳多少。

所以按顺序,我会看三件事:为什么创业、能力和事情是否匹配、心态是否开放且不盲从。很多时候,真正值得走的大路反而人不多,小路上才最容易人声鼎沸。我们想找的,是在大多数人还没拥挤过去时,就已经因为自己的判断开始往前走的人。

只要它叫泡沫,就没有不破的。但泡沫破了不一定是坏事。泡沫还在时,大家更关注故事;泡沫破了以后,才会真正关注应用,开始看谁能拿这个技术赚到钱、真正从消费者或企业手里收到钱。

互联网就是典型例子。泡沫破掉后,回头看当时上市公司讲的很多商业逻辑——线上购物、数字社交、在线服务,后来其实都兑现了,只是把它们做成的不一定是当初制造泡沫的公司。

大的技术发展本来就会经历很多轮周期:技术创新时市场放大想象力、形成 hype,其实是在奖励技术创新;泡沫破掉后噪音被消掉,市场开始看谁真能把技术用起来,进而推动应用的发展。

所以,如果认为这一轮 AI 泡沫正在接近尾声,投资逻辑也该变:更多的去投能拿 AI 真正去落地应用并赚钱的公司,而不是只拿 AI 继续讲故事的公司。

一个简单的判断方法,就是假定未来每一个 token 都要算账:谁使用 token 之后创造的价值高于 token 成本,谁才真正用得起 AI。

大模型和搜索引擎不太一样。搜索引擎背后是一个静态数据库,query 进来去检索、再呈现;大模型你每问一次它都要把问题放进模型里重新计算再生成答案,哪怕模型已冻结、只做推理,每次互动也都要计算,所以每次都有成本。

在 ToC 端,现在大家还没有特别感受到,是因为有人在后面补贴。一旦补贴减少、所有 token 都要算账,用户行为一定会变:你今天很自然地把 AI 当搜索引擎用,但如果你每问一次都要付钱,还会不会什么都拿去问?肯定有一部分需求会消失。

关键问题就变成:什么样的需求值得花这个钱?要么让他用 AI 的成本低到没感觉,要么功能价值明显高于 token 费用。像金融这类高价值任务,模型能快速帮你完成原本要几十分钟、几小时才能做完的事,你多半愿意付钱;如果只是完成一个价值很低的动作,token 再便宜也可能是负担。

在 ToB 场景,我更看好几类基础条件已具备的公司:原来就有数据积累(专有壁垒)、原来就有客户(不必重建整套销售关系)、本身已有数字化的业务流。这样 AI 加进去能直接体现为降本或增效,才容易真正用起来。

再往后还有一个变化。过去几年大家一直在比基础模型能做什么、参数多少、能力边界扩得多快;当模型能力差距开始缩小,token 越来越像标准化云服务,智能本身越来越商品化,真正拉开差距的,会变成谁能用更低的成本提供足够好的智能。

我们大概三年前开始有具身智能这个投资主题,当时一个很重要的判断是:如果一项新技术恰好需要和复杂的硬件产业链结合,最后变成一个新的科技产品,中国通常比较有优势。

看过去的例子:无人机需要飞控、图传、传感器和精密制造能力;智能汽车既有电池、整车制造,也有毫米波雷达、激光雷达、视觉传感器、AI 芯片等等。机器人也符合这个逻辑,所以我们当时判断要投:这是中国有积累、也擅长,且过去反复证明能做到全球领先的一类事。

对于“机器人造机器人”这个美国叙事,还是需要回到:你得先有机器人。

今天机器人面临的挑战,不是能不能做出一个人形,而是很多落地过程中的控制和决策问题没解决好,把 demo 做出来不等于真正能干活。世界模型也好、生成高维数据也好,本质上都指向同一件事:今天的机器人还不够智能。

假设这一轮机器人的热度开始下降,所有公司都要回答一个更现实的问题:我的机器人怎么赚钱?

一旦要求赚钱,它就必须进入真实场景,只有在商业场景里活下来,技术才会进入下一轮迭代。到那时竞争重点会变成:谁的应用更多、场景更多、数据更多、成本更低。

把这几条放在一起,中国优势明显——具身智能下半场的竞争,已经不只是比谁先做出机器人,而是比谁能让机器人进入足够多的真实场景,并用数据和成本优势推动技术继续进化。

新能源肯定已经不是 0 到 1 的阶段了,但 AI 把能源问题重新推到了非常重要的位置。

我以前讲能源会用一个“能源和能源转换器”的框架:历史上每一次当新的能源和新的能源转换器被一个国家较好地掌握,都可能改变它的产业能力和国际竞争力。

打个比方,马既是能源使用者又是转换器,它是欧亚大陆古代强权的重要工具之一;英国靠煤和蒸汽机一度做到了生产力领先;美国很重要的一段产业优势则来自石油和内燃机。

站在今天往未来看,主要有两条路。一条路是继续提高利用太阳能的能力,包括风光水电,对应的能源转换器是电机、电网,本质上都是更高效地收集、转换、使用能源;另一条更远的路线是可控核聚变,相当于人类自己造了一个太阳。

我的判断是技术发展有次序:我们可能要先学会更好地利用太阳,再变成太阳。这不是说可控核聚变不重要,而是前一条路可能还有大量事情没做完。

我们先看中国企业在国内到底形成了什么竞争能力。过去一段时间,很多行业竞争都非常残酷,把价格压到很低、利润也不一定好,却把供应链、产品迭代和组织效率都卷了出来。

在国内不挣钱,卷完效率再在出海中获利,这可能是理解今天很多中国企业出海的一个起点。

出海大概分两个方向。一类是中国已经卷出的新技术或中高附加值新物种,比如 AI 硬件、新能源车、智能硬件,有机会直接去发达国家;另一类是偏中等附加值、核心竞争力来自供应链极高效率的传统产品,更适合去发展阶段小于等于中国的新兴市场,比如东盟或“一带一路”市场。

这里有一个我也有点诧异的观察。原以为国内价格已经卷成这样,到支付能力低一些的东南亚只能卖得更便宜;但有些企业的反馈不是这样——一些在中国很日常的消费品,到东南亚反而被看成有品牌属性的商品,有点像 2003 到 2010 年的中国:当时很多海外品牌在中国卖得比本土贵,消费者仍愿意“够着买”,现在一些中国品牌到新兴市场也是如此。

所以,出海不能笼统地问“海外有没有市场” “该去欧美还是东南亚”,更重要的是先回答:你在国内到底卷出了什么能力?是技术和产品创新,那有机会去更成熟的市场;是极致的供应链效率,那么在新兴市场里会有优势。

我先不直接回答“要不要回来”。从中美跨境投资的角度看,两边已经经历了几个阶段:科技战、贸易战大概从 2017、2018 年开始,前面割裂得比较快;2021 年回国的人比较多,2022 年下半年到 2024 年初不回国的多, 2024、2025 年起回国的又变多。但我们不能只看短期的人员流动,还是要先看技术和产业本身发生了什么。

历史上的技术发展大致都经历三个阶段:原创技术周期,从 0 到 1;然后大家开始赋予它应用端的想象力,去想它最后可能最大地改变什么;最后才逐渐普及,在各行各业产生大量应用。

拿这一轮 AI 来说,2022 年底到 2025 年初,中美市场最关注的都是基础模型,是典型的 0 到 1。到应用想象阶段,两边出现了差异:美国的产业数字化程度高,很自然往各种 Agent 方向走,从 coding agent 到各种数字化场景里的 Agent;中国有更长的制造业和硬件产业链,大模型更容易跟芯片和传感器、硬件、具身智能结合。不是说美国没有机器人、中国没有Agent,只是两边最容易长出来的应用不同。第三个阶段其实还没真正到来——今天除了 coding 和少数数字化程度很高的企业,大部分行业还没大规模把 AI 用进实际生产。

所以,海外年轻人到底该去哪里,很难只从“中国还是美国”来回答。还是要看你想做的事情处在哪个技术阶段、产业下一步往哪走,以及你的能力在哪种产业环境里更容易发挥价值。

跳转微信打开

  •  

Harness 工程治理:从一次做成,到可复制、可运营的交付能力

phodal 2026-09-08 18:00 浙江

让 Agent 不只是“会完成一次编码任务”,而是逐渐成为一种可验证、可复制、可治理、可运营的交付能力。

在 Better Harness 中,我们构建了一套分析体系,用于理解 Agent 的执行过程及其所处的工程环境。对应的开源版本,也已经支持从十余种 Coding Agent 中读取并分析不同层级的本地数据。但随着开发者开始并行使用多个 Agent、维护多个项目,并在不同设备间切换,核心问题不仅仅是:如何将分散的数据汇总?

真正的问题是:如何将分布在不同 Agent、项目和机器上的执行数据串联起来,形成一条从需求到验证的完整任务链路?又如何让这套能力不仅帮助个人更好地完成任务,也帮助团队把方法复用,并最终支撑组织规模化地交付?

这也是我们正在尝试探索的方向:让 Agent 不只是“会完成一次编码任务”,而是逐渐成为一种可验证、可复制、可治理、可运营的交付能力。

为什么:Agent 的挑战正在从“单点做成”走向“规模运营”

在使用一个新的 Agent 的时,通常我们只关心一个问题:它能不能把眼前的任务完成?然而一次成功,并不等于形成了稳定能力,所以在构建 Agent Harness,我们需要构建持续丰富的测试集来评测。

同样的任务交给另一位开发者、另一个 Agent、另一个项目,或者换到另一台机器上,结果可能完全不同。与此同时,上下文、工具、权限、项目规范、Skill、MCP、模型和验收方式中的任何差异,都可能改变最终结果。

因此,Agent 能力要真正进入团队和组织,需要经历三个阶段:

image.png
  • • 单点做成关注的是:这一次任务需要怎样的上下文、知识和工具能力等,才能产生可靠的结果产物。

  • • 团队复制关注的是:一次成功中的哪些做法,可以沉淀为 Skill、模板、MCP 服务和质量规则。

  • • 规模运营关注的是:这些能力如何通过 Skill 市场、 MCP 网关、评测体系和模型网关,被安全地提供给更多团队。

这条路径对应三个逐步升级的问题,一次任务能力能不能做好,同类任务能不能稳定复用,成熟能力能不能安全、经济地规模化运行。

要回答这些问题,仅仅统计 Session 数量、Token 消耗或者工具调用次数是不够的,还需要建立围绕任务结果的采集与反馈机制,把 Skill 与 MCP 的执行过程、验收结果和资源消耗连接起来,再据此优化 Harness 资产、改进团队实践、补齐个人能力,最终降低完成一次合格任务所需要的整体成本。

关注点驱动:不同层级,需要不同的 Harness

随着 Builder 从个人走向团队和企业,Harness 解决的问题也随之变化:个人首先需要把一次 Agent 协作做好;团队需要让有效的方法稳定复用;企业则需要让成熟能力在安全与成本可控的前提下规模化运行。因此,Harness 的能力重点也应当分层设计。

image.png

个人:把一次 Agent 协作做好

今天,人人都可以成为 Builder,每天指挥多个 Agent 工作。对于个人而言,最直接的问题是:怎样让 Agent 一次把活干好?所以,我们需要:

  • • 先把任务说清楚,再让 Agent 动手:明确问题、改动范围、不做什么、交付物、验收方式和风险点,即我们的 spec 文档上的内容;如果 Agent 还无法准确理解完成条件,就不进入执行/实现阶段。

  • • 按任务准备上下文和工具:提供当前任务真正需要的项目说明、架构知识、领域知识和技能,只开放必要的目录、命令、工具与网络权限。

  • • 围绕真实产物与 Agent 协作:直接在代码 diff、网页或文档上标注、修改和验收,同时要求 Agent 给出验证结果(截图、测试等 )。

因此,个人视角关注的是能否还原一次任务从定义、执行到最终验收的完整过程。

团队:把个人经验变成稳定的工程实践

而对于来说团队,关注的层面就有所不同,更关注的是如何把个人经验变成稳定的工程实践?

  • • 让环境可以被 Agent 操作:搭建统一安装、启动、测试和调试方式,使 Agent 能快速进入验证阶段、复现问题,并在失败后恢复。诸如于通过 Npm、Gradle 之类的标准构建工具,定义好构建任务。

  • • 让规则可以被自动检查:为架构、安全、测试和视觉要求配置对应的检查机制与验收方式,让规则真正进入执行流程。诸如于,能通过 Playwright CLI、Agent Browser 访问环境,来进行视觉检查。

  • • 让任务经验可以被持续沉淀:关联需求、会话、文件变化、测试、提交和评审证据,将反复验证有效的做法沉淀为项目规范、Skill、脚本、Hook、任务模板或质量门禁。

团队视角关注的不是某一次任务偶然成功,而是能否通过统一环境、自动检查和 Harness 资产,把一类任务持续做稳。

组织:让 Agent 能力以可接受的成本规模化运行

当 Harness 进入多团队、多项目和多设备协作后,组织需要解决的,不再只是某个 Agent 是否完成任务,而是如何基于跨任务、跨团队的真实证据,持续治理和优化交付能力:

  • • 建立跨 Agent 的任务证据链:关联需求、任务定义、Agent 会话、上下文与工具使用、代码变更、验证结果、人工验收和后续缺陷,使一次交付能够被还原、追溯和复盘。

  • • 治理可复用的 Harness 能力:结合轨迹分析,将经验证有效的 Skill、MCP、Hook、规则和评测集版本化,并明确其适用任务、质量要求与维护责任,避免“能用一次”的经验被无边界扩散。

  • • 基于结果决定投入与推广:按任务类型持续比较不同 Harness 方案的验收通过率、人工介入、失败重试、返工、资源消耗和后续缺陷,判断哪些能力应推广、优化、收窄或停用。

组织视角关注的不是“Agent 看起来是否聪明”,也不只是单次调用成本,而是能否把分散的执行活动转化为可验证的交付证据,并据此以可控的质量、风险和成本持续扩大有效能力的覆盖范围。

Better Harness 的初步尝试:从执行数据走向任务反馈

前面讨论的个人协作、团队复用和企业运营,最终都依赖同一个前提:我们能否知道一次任务是如何完成的、最终产生了什么结果,以及其中哪些能力真正发挥了作用。一次完整任务并不只发生在 Agent 的对话窗口中,而是穿过四层相互连接的 Harness:

image.png

向下,组织和团队目标被转化为任务边界、验收条件、上下文、工具与规则,由 Agent 完成计划、执行、验证和恢复;向上,真实产物经过自动验证或人工验收后形成任务证据,并将反复验证有效的方法沉淀为 Skill、MCP、Hook、规则或任务模板,为团队复用和组织决策提供依据。

这也是 Better Harness Dashboard 想做的事情,尝试把分散的 Agent 执行记录转化为可观察的任务反馈,以降低人与 Agent 的摩擦,从而让组织减少 token/credits 的浪费,以放在更有价值的任务上。

目前,Dashboard 已能跨项目查看 Skill、MCP、模型、Token 和工具调用等活动,帮助个人和团队识别能力是否被使用、使用发生在哪些阶段,以及是否存在异常消耗或执行摩擦。

image.png

但“被调用”并不等于“有效”。下一步需要把这些活动与任务意图、验收条件、真实产物和人工验收连接起来,逐步回答:

  • • 任务是否真正通过验收?对应的 Edit 文件工具的调用,引发的提交是不是在对应的 release 版本中。

  • • Skill 和 MCP 是否用在了正确阶段?在  Skill、MCP 执行过程中有多少的调用失败、错误场景,应该要合理的统计进来,以便反馈给发布者进行改进,减少额外的 token 消耗。

  • • 哪些消耗没有转化为有效进展?是否存在消耗巨大的无效长程任务等。

  • • 哪些经验值得沉淀为团队 Harness 资产?诸如于在当前阶段 400k 的上下文能达到最好的成本和效果平衡等。

因此,Dashboard 不是最终目标,而是任务反馈的观察入口。现阶段最重要的,是先把执行活动与真实结果连接起来,为持续改进 Harness、降低合格任务的整体成本建立基础。后续,则可以结合这些经验和教训,将更多的最佳实践分享给更多的团队。

欢迎体验 Better Harness

Better Harness 当前仍在快速演进。你可以先在本地运行 Harness UI,看看它如何读取项目中的 Agent、Skill、MCP 和任务数据:

  1. git clone https://github.com/QoderAI/better-harness.git
  2. cd better-harness
  3. npm install
  4. npm run harness-ui:dev

访问 http://127.0.0.1:3410 查看 Dashboard。然后,一起探索一些有意思的话题:

  • • 连接 Session、任务历程、代码变更与交付结果,建立跨 Agent 的任务证据链。

  • • 从多个任务中识别可复用的工作模式,并沉淀为可追踪的 Harness Issue。

  • • 通过版本化组件、评测集和受控实验,验证 Skill、MCP 与规则等改动是否有效。

  • • 完善成本与路由评估、长期任务基准,以及不同 Agent 和操作系统的真实验证。

欢迎提交 Issue、贡献 Adapter,或参与 Better Harness 的设计与验证。

阅读原文

跳转微信打开

  •  

Xiaomi MiMo 桌面客户端开放邀测

原创 小米大模型 2026-09-08 14:55 北京

Xiaomi MiMo 新一代模型 Preview 版免费体验

今天,Xiaomi MiMo Desktop 桌面客户端(以下简称:MiMo Desktop)携全新一代模型 Preview 版,正式开放邀测。

MiMo Desktop 是一款面向真实工作场景的桌面 AI 应用:接收多格式素材输入,理解目标,拆解任务,调用工具,交付高可用度成果,并支持实时预览与修改。我们希望通过真实任务,验证它在长链路执行、工具调用、交付质量和使用体验上的边界,并据此持续迭代。

申请链接:

https://mimo.xiaomimimo.com/desktop/invite/

通过申请后,你可以在邀测期间限时、限量、免费体验两款 Xiaomi MiMo 新一代模型 Preview 版( 代号:MiMo-X-Pro-Preview、MiMo-X-Flash-Preview )。

 01 从回答问题到交付成果

真实工作很少从一个干净的提示词开始。表格、图片、视频、PDF、录音,乃至未解压的压缩包,往往同时构成任务的上下文。MiMo Desktop 可以直接读取这些素材,无需预先整理或转换格式。

用户只需用自然语言说明目标,MiMo Desktop 会理解素材、拆解任务、并调用工具执行,并最终交付可继续编辑的成果:文档、表格、幻灯片、网页、图片、音频、视频,甚至是 3D 模型、App 或软件工程项目。

例:PPT 工作流:混合素材输入 → 事实与数据梳理 → 叙事结构设计 → 图表与版式生成 → 交付可继续修改的 PPT

例:Figma工作流:自然语言输入 → 理解任务 → 规划工作流 → 调用 MCP 控制 Figma → 实时生成设计元素 → 交付成果

 02 可直接交互的预览界面

MiMo Desktop 的“成果预览”并非静态截图,而是包含组件结构、交互逻辑、状态变化和数据可视化的完整页面,并支持直接在会话中展示。用户看到的是可以点击、操作和继续修改的成果。

生成轻量游戏原型、复杂数据网页、Office 文件,以及需要动态交互的 Demo 时,成果可立即预览、提问并继续迭代,无需预先搭建本地前端环境。

3D 交互式网页

Prompt:帮我建一个城堡、摩天轮和旋转木马,周围是极光,城堡可以变换灯光秀,放在一个 html 里面,要非常的有审美、高级,

3D 游戏

Prompt:使用 three.js 做一个 SnowRunner 风格的足球游戏,主角是越野卡车,在泥地里踢足球,有跳跃、加速等特技动作

高阶 PPT

Prompt:做一个好看的介绍意大利 PPT,图文并茂,具有高级感,有意大利风

图文调研报告

Prompt:深度调研徽派建筑这个建筑风格的历史、结构与空间特征,并产出完整调研报告,需要结构清晰有深度、图文并茂

 03 在成果上继续工作

交付不是会话的终点。用户可以直接选中会话或产物的任意元素、文本段落、图表或表格区域,用自然语言描述下一步工作或修改要求。选区会限定作用范围,MiMo Desktop 只处理用户希望修改的部分,不必重新生成完整成果,也不必重复交代任务背景。

每次修改都会保留版本记录。用户可以比较不同方案,也可以随时回退历史版本。

例:在 PPT 中局部修改:选中范围→ 描述修改意见 → 局部实时重生成

 04 Smart 调度:为任务匹配合适的执行路径

用户无需在开始任务前先判断该选用哪个模型、哪个 Agent,或哪套执行框架。MiMo Desktop 内置 「Smart」调度模式,可自动评估任务类型、复杂程度、交付要求和执行成本,再自动匹配最适合当前任务的执行路径。

  • 任务评估:识别任务属于办公、编程、研究、设计还是混合场景,并判断所需推理深度、工具范围和交付标准。

  • 模型路由:在标准模型与旗舰模型之间动态选择。日常任务优先标准模型、速度快、成本低;复杂推理、长链路执行和高质量交付使用旗舰模型、产出质量更高。可用模型型号以当前版本为准。

  • Harness/Agent/Skill 路由:根据任务类型选择办公、代码或研究 Harness/Agent;大型任务可拆分给多个 Agent,分别负责调研、规划、执行和复核,并在执行过程中自动调用不同 Skill 以拓展能力、满足交付质量。

  • 多会话协同:可按需组成多角色会话团队。多会话之间可自动相互通信、彼此协作,每个会话在推进项目的过程中,都有独立的记忆、工作区和任务状态。

「Smart」调度可最大化节省用户心智,自动在质量、速度和成本之间做出最优选择。

 05 浏览器操控:既是信息入口,也是执行环境

MiMo Desktop 可以自主控制电脑浏览器,读取浏览页面、执行交互操作,包括打开网页、检索信息、填写表单和提取素材。浏览器不只是信息来源,也作为任务执行环境的一部分。

从浏览器中获得的信息可直接进入当前任务,用于调研、分析、整理和内容制作,最大化节省用户自行检索和跨应用传递内容的时间。生成网页类成果时,MiMo Desktop 也可以在同一工作流中用浏览器检查关键交互,自动验证成果。

 06 让长任务成本可控

长任务不仅要高质量完成,更要控制计算成本。MiMo Desktop 通过模型路由、局部编辑和上下文缓存机制的优化,减少不必要成本支出。

「Smart」调度按任务复杂度选择合适模型;局部编辑只处理与重新生成需要修改的内容;高缓存命中优化最大程度减少缓存部分的重复计算量。三种机制结合,分别降低模型选择、变更范围和重复上下文计算带来的 Token 消耗。

在长任务实际测试中,同会话的缓存命中率最高可达 99%,跨会话最高可达 95%,帮助用户最大化控制任务成本。

 新模型抢先体验

邀测期间,通过申请的用户可以在 MiMo Desktop 限时、限量、免费体验两款 Xiaomi MiMo 全新一代模型 Preview 版,代号:

  • MiMo-X-Pro-Preview

  • MiMo-X-Flash-Preview

MiMo-X 系列模型面向真实专业工作场景优化,重点覆盖复杂任务推理、多 Agent 协作、大型编程项目、Office、网页设计、前端与交互设计、视频剪辑、3D 生成、音乐生成、电脑操控等。

MiMo-X 系列目前仍处于预览测试阶段,能力表现可能随版本迭代变化。用户基于实际任务的反馈将用于后续评估与改进。

如何加入邀测

访问下列页面并提交申请。审核通过后,即可下载和使用 MiMo Desktop:

https://mimo.xiaomimimo.com/desktop/invite/

本次邀测将优先面向 Xiaomi MiMo 开放平台已有用户开放。

 写在最后

我们相信——AGI 的意义,不止于理解世界,更在于帮助每个人创造世界。

MiMo Desktop 正是我们迈入真实工作流,帮助用户将想法转化为高质量成果的第一步。

欢迎申请参与邀测,并用真实任务告诉我们:它已经能够完成什么,还有哪些地方需要改进。

跳转微信打开

  •  

43 Talks报名 | 当能力不再稀缺,什么值得投资?

原创 薛临风 2026-09-08 14:10 北京

AI 开始替我们读财报、找资料、写策略、做分析,当曾经需要一个团队完成的工作,如今可以由一个人与 AI 协作推进……投资这件事,会因此变得更容易吗?

AI × 投资 !

当 AI 开始替我们读财报、找资料、写策略、做分析,当曾经需要一个团队完成的工作,如今可以由一个人与 AI 协作推进……投资这件事,会因此变得更容易吗?

投资中有许多门槛:信息搜集的成本、专业知识的积累、分析与执行的效率。我们花时间学习,也为更好的工具和更专业的服务付费,希望因此比别人多看一步。

AI 让这些门槛有了重新被讨论的可能。但拥有更强的分析能力,与做出更好的投资决策之间,仍然隔着一些问题。一份逻辑完整的报告,能否经得起事实检验?一个看起来很有前景的方向,是否已经被价格充分反映?当每个人都能获得一个随叫随到的“研究团队”,投资的优势又会从哪里来?

当能力不再稀缺,什么值得投资?

这个问题有两层含义:我们如何借助 AI 做投资,也如何判断 AI 带来的变化究竟值得怎样的投入。工具、资产,以及我们自己的时间与注意力,都在其中。

本期 43 Talks,我们想把这些问题放到同一张桌上:

  • 当研究与分析变得更容易,投资者之间的差别会体现在哪里?是提问的方式、判断的依据,还是面对不确定性时的选择?

  • “用 AI 投资”与“投资 AI”,各自需要回答什么问题?技术上的进步,如何转化为可以被检验的投资逻辑?

  • 当越来越多人使用相似的工具、读取相似的信息,AI 会帮助我们发现分歧,还是让我们更确信同一个答案?

我们邀请了三位来自投资探索、跨资产投资与职业交易领域的嘉宾,从各自的实践与分享主题出发,一起讨论 AI 进入投资之后,哪些事情发生了变化,哪些问题仍然需要人来回答。

PART 02

特邀嘉宾

奥德赛

分享主题:《如何开坦克》

身份:投资探索者

《如何开坦克》先为你留下了一个悬念:这辆“坦克”究竟是什么,又要驶向哪里?

一个人可以调动的工具与能力不断增加,如何驾驭它们,也随之成为问题。我们想从这场分享中追问:拥有强大的工具之后,目标如何确定,行动如何组织,判断又该如何接受检验?奥德赛将以这个特别的题目,开启本期的主题分享。

李啸坤

分享主题:《跨资产投资者的AI之路》

身份:Future Capital Management SE CEO

从跨资产投资者的视角看 AI,值得关注的环节有很多:信息如何被整理,不同市场之间的联系如何被理解,一个判断又怎样从研究走向行动。

沿着《跨资产投资者的AI之路》这个题目,我们关心的是 AI 进入投资过程之后的具体变化:哪些工作适合交给它,哪些输出需要反复核验?当分析速度提高,投资者如何安排自己的注意力?期待在李啸坤的分享中,听到这条路上的实践与思考。

Weiwei

分享主题:《从存储到观测:一种世界观先行的 Context 工程》

身份:职业交易员|前期权做市商

“木马计”与“奥德赛”,让这个题目多了几分关于策略、对手与未知旅程的意味。它们与 AI 时代的投资之间,会产生怎样的联系?

带着职业交易员与前期权做市商的经历,Weiwei 的分享也让我们期待从交易的视角继续追问:当工具更强、信息更多,市场中的博弈会怎样变化?面对一个令人信服的判断,我们又该如何看待它尚未解释的风险?题目中的隐喻,留待现场展开。

PART 03

圆桌激辩 

能力不再稀缺,投资的优势从哪里来?

三场主题分享之后,奥德赛、李啸坤与 Weiwei 将共同参与圆桌论坛。本场活动由 AI 探索者李继刚主持。

从工具的使用,到跨资产的研究,再到交易中的博弈,不同视角最终会落到同一个问题上:AI 能帮助我们完成越来越多的工作之后,投资者最需要保留、训练和检验的能力是什么?

我们也想把讨论再往前推进一步:如果 AI 给出一个与你经验相悖的结论,你会依据什么作出取舍?如果大家都能写出有说服力的投资逻辑,什么样的证据才足以支持行动?面对技术带来的新机会,怎样理解“值得”二字?

这些问题关乎资金的选择,也关乎每个人如何投入自己的时间、学习与判断。无论你正在尝试用 AI 辅助研究,还是想理解它对投资的影响,都欢迎带着自己的问题来到现场。

请相信每一个问题,都会对你有帮助。 答案,只在落座后的交锋中浮现。

那就请大家扫码报名,欣然入座,且思且辩。

跳转微信打开

  •  

The Batch: 980 | OpenAI 和 Anthropic 的数据保留政策

原创 DeeplearningAI 2026-09-08 12:45 北京

Hi~新朋友,记得关注我们哟

任何向 AI 模型或服务发送私人数据的人,都理应得到三个问题的明确答案:(i) 这些数据存放在哪里?(ii) 他们会保留多久?以及 (iii) 他们会如何处理这些数据(例如是否用于训练、是否给人类查看等)?本周,两家领先公司的企业客户收到了两种回应:一种是泄露后得到确认,另一种则是预览版。两者的技术细节都很少。

● Anthropic 的新动向:自 6 月以来,使用 Claude Fable 5 的企业一直被要求允许 Anthropic 保留他们的对话 30 天。现在,Anthropic 将放宽这一规则,推出一个名为 Enterprise Frontier Safeguards(EFS)的新计划,要求采用零数据保留(ZDR)政策的公司改为将数据保存在自己的服务器上,或特定云服务提供商的服务器上。在 EFS 于今年秋季某个时候可用之前,符合条件的企业客户将能够使用 Fable 5 和 Fable 5.1,而 Anthropic 不会保留任何数据。

●与此同时,OpenAI:在彭博社披露 Anthropic 的消息前一天,OpenAI 发布了一篇文章,承诺对于企业客户,其最强大的模型都支持 ZDR。这意味着 OpenAI 从不记录企业的提示词和回复。该服务面向已获批准、将模型接入自家软件的企业提供。文章还预览了 Private Safety Processing(PSP),这是一种旨在在不让 OpenAI 读取提示词的情况下,识别分布在大量请求中的滥用行为的系统。

●工作原理:两家公司都描述了同一种方法:软件会持续监测请求并标记模式。无需人工审查。以下是两家公司都没有解释清楚的地方:“我们的员工看不到它”并不等于“我们的系统看不到它”。要扫描数据,公司编写的软件必须在数据所在之处将其解锁并读取。Anthropic 技术团队成员 Sholto Douglas 在 X 上将这一计划描述为“通过我们提供给你的自动化系统来完成监测”。以下是两家公司的现状。

✴ 立即生效:据其帮助中心称,Anthropic 会在所有平台上保留 Fable 5 和 Mythos 5 的对话 30 天。此外,根据公司自行决定的流程被标记的内容,可依据其一般政策最长保留两年,而且 Anthropic 批准的审查人员可通过记录完整的流程读取这些内容。OpenAI 表示,除联邦法律要求外,其员工无法查看 ZDR 客户的对话。

✴ 已承诺的内容:Anthropic 将要求数据保留相同的 30 天,但存放在客户的服务器上——可以是客户自己的服务器,也可以是 Google Cloud、Microsoft Foundry 或 Amazon Web Services 等第三方提供商的服务器。30 天的要求仍将保留,但数据将存放在客户指定的服务器上,而不是 Anthropic 的服务器上,客户还可以选择管理自己的加密密钥、审计日志和其他安全数据。OpenAI 的 Private Safety Processing 将扫描存放在客户服务器上的数据,或使用 OpenAI 所说其员工无法获得密钥、但存放在 OpenAI 服务器上的加密数据,并且只会返回活动类型的标签,而不是内容本身。

✴ 为何需要这些功能:EFS 和 PSP 旨在应对的主要威胁是网络攻击。有些攻击只会在大量请求中显现出来。Anthropic 的帮助中心提到政府间谍活动,以及 “best-of-N” 越狱攻击,即攻击者将被拦截的请求反复改写数百次,直到某个版本通过为止。

✴ 未披露内容:目前仍不清楚两家公司如何读取它们声称自己看不到的数据。OpenAI 已承诺将在 9 月发布一篇关于 PSP 的技术论文;Anthropic 曾为其 6 月的数据保留政策发布过一篇论文,但关于 EFS 将如何运作的技术细节很少。两家公司都没有披露它们用来判断某事是否属于“网络攻击”或“不安全”的具体标准。

● 新闻背后:Anthropic 6 月的规则迫使其部分已有 ZDR 合同的企业客户例外处理。这些客户若想使用新模型,必须先开启保留功能。因此,许多企业放弃使用 Fable 5。正如我们在 6 月报道的那样,ARC Prize Foundation 也放弃了对 Fable 5 进行其验证测试,而不是暴露其私有测试问题。Anthropic 此后已承认这一成本;在 8 月的一份风险报告中,该公司写道,这项规则“会让那些已经习惯零保留的客户感到不满”,如果竞争对手不这么做,还可能损害其业务。OpenAI 则没有这样做;其文章重申了零保留。

●重要原因:企业现在仅凭新闻稿就在决定是否将敏感数据交给这些模型。对于律师事务所、医院和银行等受监管行业来说,“我们不会用你的数据训练模型”和“我们没有你的数据”是两种不同的承诺。企业也不清楚 Anthropic 何时会改变其对“非安全”行为的定义,以及其员工何时可能会读取提示词——这些提示词往往包含极其敏感的数据。任何能在服务器上找到的数据,都可能被攻击者破坏,或被法院要求提供。去年,在《纽约时报》的版权诉讼中,法院命令 OpenAI 保留其通常会删除的聊天记录,甚至包括用户已经删除的记录。OpenAI 表示,ZDR 客户不受影响,因为公司从未持有过他们的数据。若在针对 AI 公司的诉讼中,存放在客户服务器上的日志是否也会被调取,这是两家公司都未回应的问题。两家公司都没有发布其设计的独立审计。

● 我们在想:在 2024 年,我们描述了云端 AI 隐私的四个层级,其中最强的一层——服务提供商根本无法访问你的数据——对于敏感工作最为关键。考虑到前沿实验室在界定何为“安全”时拥有自行采用任何标准的裁量权,这一点尤其重要。我们将此与许多超大规模云服务商简单明了的隐私政策进行对比:规则要清晰得多。我们预计,除非有传票、法院命令或其他更可预期的法律程序要求,否则他们不会查看我们的数据。两家公司现在都表示,它们可以在保护用户隐私的同时,仍然跨越多次请求发现滥用行为。但它们都没有展示实现方式。在它们都公布设计之前,这只是路线图,而不是保证。

点击下方阅读原文查看更多有趣内容哦~

阅读原文

跳转微信打开

  •  

什么样的业务经验值得做成 Agent:从个人工具到组织资产

原创 欢迎关注的 2026-09-08 12:00 北京

业务经验反复被问却久困个人,本文给出三条判断标准,讲清哪些经验值得沉淀为 Agent,让个人工具升级为组织资产。

。图片

点击蓝字,关注我们

图片

作者 | 谢雨杉

导读 

introduction

团队里总有几个"被反复问的人":指标口径、取数路径、诊断顺序……回答得越好,被问得越多。问题出在经验只能一对一交付,困在个人身上。本文结合 E-SAGE 电商 Agent 服务平台实践,给出三条判断标准——咨询频次高、判断路径固定、结论因人而异,符合两条就值得做成 Agent。更关键的是,门槛不在编程能力,而在业务理解:谁能把判断说清楚,谁就能让经验变成组织资产。不妨从那个"你今年已回答过很多次、每次答案都差不多"的问题开始。

全文 3222 字,预计阅读时间 4 分钟

GEEK TALK

01

一个组织级的问题:经验困在个人手里

每个团队都有几位「被反复问的人」。指标口径怎么算、这个数从哪张表取、这类商家该先看哪个指标——问题一再出现,答案八九不离十,但每次都得由同一个人重新讲一遍。回答得越好,被问得越多。

这不是沟通效率的问题,而是经验的交付方式问题:专业经验长期只能以「一对一」的方式交付,一次投入只服务一次咨询。经验留在个人身上,既没有被组织沉淀,也无法被别人直接使用。

1.1 AI 工具并没有改变这件事

市面上的通用助手类产品大多面向个人使用:技能加载于个人会话中,效果取决于使用者的提问方式,更换使用者即需重新交代背景。它让「本来就会的人」更快,却没有让「不会的人」变会——经验依然留在个人手里。

1.2 差别落在交付物上

Skill 与工具交付的是工具,使用者需自行判断该用哪个、如何组合;Agent 交付的是可直接承接任务的执行主体,使用者只需说明需求。前者是一次投入服务一次,后者是一次投入反复调用。

由此产生一个更实际的问题:既然经验可以被沉淀成一个能自己干活的主体,哪些经验值得这样沉淀,哪些不值得?这是本文想讨论的重点。

GEEK TALK

02

形态之别:从个人会话到组织可治理的资源

关键的变化不在模型更强,而在 Agent 的存在形式:它不再是一问一答的个人会话,而是一份持久化的 Agent 定义加一套执行环境——角色设定、工具、技能、记忆、工作区与触发方式被固化下来,可长期复用、团队共享,用以承接完整且可重复执行的业务流程。

就能力构成而言,业界主流方案并无本质差异,都是「指令 + 工具 + 技能 + 记忆 + 工作区 + 触发」的组合。真正拉开差距的,是能否把 Agent 变成组织内可治理的资源:可创建、可测试、可发布、可共享,并配套权限管控、操作审批与全程审计。缺少这一层,Agent 就只能停留在个人工具的形态。

2.1 一次装配,两侧受益

可治理的前提是分工清晰:懂业务的人负责表述判断,使用的人只管提出需求,通用的工程能力由平台统一承担。

  • 建设侧:设定角色 → 绑定能力 → 选型配置 → 调试发布。全程无需编写工程代码;执行链路与工具调用全程可见,可自行定位问题、独立迭代。

  • 使用侧:选择 Agent → 自然语言描述需求 → 获取结果。Agent 会主动就时间范围、口径、维度反问确认,对齐后再执行,一次交齐结论与依据。

  • 平台侧:运行环境、长任务调度、权限管控等各 Agent 通用、且与业务逻辑无关的能力,统一提供,不必重复搭建。

2.2 云原生多会话并行:调度与状态外置

挑战:传统Agent将 Agent Loop、状态和执行环境绑定在单机或单进程中,这种模式适合单人使用,但很难支撑组织场景下的多人共享、并发执行和统一管理。随着同一 Agent 被更多成员、更多 Session 同时使用,固定机器绑定会带来资源利用率低、故障恢复困难、状态迁移复杂等问题,也难以真正做到 Agent 级治理。E-SAGE 通过云原生架构对 Agent Runtime 进行解耦:

解法:产研自建Agent云原生架构cns(Commerce Neural Stack, 电商智能中枢栈)

  • 三层解耦: 将 Agent Loop、状态、执行环境从单机实例中拆分,形成彼此独立的运行层

    • 状态统一外置持久化,不再依赖具体机器,计算节点故障或迁移不影响会话连续性

    • 执行环境按 Agent 隔离,Shell、Browser、Code、File 等资源互不污染

    • 各层生命周期独立,可分别调度、扩缩容和恢复

  • 分布式执行: Agent Loop 作为独立计算单元运行在分布式集群中

    • 不同 Session 可分散到不同节点并行执行,实现计算资源池化和水平扩展

    • 单 Session 通过租约机制保证同一时刻仅由一个 Worker 执行,避免并发写冲突

    • Worker 异常或租约超时后可由其他节点接管,实现故障转移与自动恢复

  • Agent 级治理: 将管理粒度从“机器 / 进程”提升到 Agent

    • 同一 Agent 可被组织内多人、多 Session 复用,而无需绑定固定运行环境

    • 平台统一完成调度、权限、资源和运行状态管理

GEEK TALK

03

判断标准:哪些经验值得沉淀成 Agent

真正稀缺的从来不是技术能力,而是可被清晰表述的业务经验。但并非所有经验都适合沉淀——投入之前,先用三条标准做判断。

3.1 符合任意两条,就值得建

① 咨询频次高

同一类问题年内已多次解答,且每次结论基本一致。

典型:指标口径确认——问的人不同,答案却大同小异。

② 判断路径固定

处理该问题有明确的判断顺序与标准,能讲清「先看什么、再看什么」。

典型:经营诊断——先看分层,再看门控,再看流量与转化。

③ 结论因人而异

同一事项由不同人处理,结论常不一致,口径依赖个人经验。

收益:这类场景沉淀后不只是省时间,更重要的是口径终于统一。

3.2 两类场景暂不适合

  • 需要临场判断、每次标准都不相同的场景。此类问题本身缺乏可表述的规则——连本人都写不出判断依据,Agent 自然也学不会。

  • 一次性、不会重复出现的问题。沉淀的价值来自反复调用;只做一次的事情,投入产出并不成立。

3.3 一个更简单的自问

如果三条标准还是不好判断,可以只问自己两句话:「这个问题今年我回答过几次?每次答案是不是差不多?」——若答案是「很多次」且「差不多」,它就该被沉淀下来,而不是继续留在自己身上。

GEEK TALK

04

门槛在业务理解,而不在编程能力

这个判断有事实支撑:已上线的 Agent 应用中,建设方以业务角色为主,而非 Agent 研发工程师;覆盖场景也早已不限于数据,商机洞察、直播冷启诊断、招商选品都是由熟悉该业务的产品、运营同学自行建成并使用的。

结论并不复杂:谁最熟悉某类业务,谁就适合成为该 Agent 的建设者。

4.1 建设者需要投入什么

4.2 两个常被问到的问题

  • 建成后效果不佳如何处理?调试工作台会完整展示每一步推理与工具调用,建设者可自行判断问题所在并即时调整,不必等待研发排期。

  • 建成后无人使用怎么办?这恰恰回到第三章的标准——如果它解决的是被反复咨询的真实问题,就不会没人用;如果无人使用,多半是这个场景本就不该沉淀。

GEEK TALK

05

两个例证:符合标准的场景长什么样

下面两个 Agent 分别来自数据类与业务类场景,可以作为前述标准的参照——它们的共同点是问题被反复咨询、判断路径可以讲清楚。

5.1 电商数据口径 Agent

Agent 介绍

面向业务、运营与数据分析人员,帮助快速确认指标口径、定位可用数据源,并生成可执行取数方案。

适用场景

  • 查询 GMV、订单量、用户数、转化率等指标的定义与统计范围

  • 确认某指标是否可取、从哪里取、按什么粒度取

  • 将业务问题拆解为数据维度、过滤条件与时间范围

  • 输出 SQL 取数思路或数据需求说明

核心能力

5.2 电商直播冷启诊断 Agent

Agent 介绍

面向电商平台运营与小二,帮助快速定位冷启期直播商家的经营问题,自动完成多维取数与归因,并输出可落地的诊断报告。

覆盖范围

当前聚焦直播通路下商家冷启阶段的诊断,后续将逐步扩展至所有通路下的经营诊断。

适用场景

  • 对单个冷启直播间做深度诊断,定位流量不足、转化偏低或开播门控未通过的根因

  • 批量扫描冷启商家,按阈值筛出问题清单并标注命中场景

  • 查询某直播间的分层档位、门控判定结果与同类目中位对比

  • 对比多个维度指标,跨维度归因首因并生成可执行的下一步建议

  • 输出结论前置的诊断报告(Markdown 与可视化 HTML 双形态)

核心能力

典型提问方式

  • 这个 room_id 的商家冷启为什么没起量?帮我诊断一下

  • 这个 room_id 的商家 X 月 X 日流量特别差,是什么原因?

  • 帮我扫一下这批冷启商家,看看哪些门控没过

  • 这个商家流量有但转化低,问题出在哪?

  • 帮我生成 room_id XXX 本月冷启的完整诊断报告

  • 这个商家的分层档位是什么?该优先做什么动作?

GEEK TALK

06

写在最后

把经验做成 Agent,本质上是一次表述的工作:先要说清自己是怎么判断的,才谈得上让它被复用。很多经验之所以一直困在个人身上,不是因为它太复杂,而是因为从来没有被完整表述过一次。

所以真正值得先做的,往往就是那个你今年已经回答过很多次、而每次答案都差不多的问题。

跳转微信打开

  •  

让AI接盘老游戏存档编辑器

小编 2026-09-08 11:31 北京

重拾MHXX,手搓属于自己的存档编辑器

我是 MHXX 的多年老粉。想再玩一把,又不太想从 0 开始,于是找到了开源存档编辑器 MHXXSaveEditor,打算给自己省一点时间。

它还能运行,这本该是个好消息。真正用起来,我却发现想改的几个词条没有入口,项目也已经无人维护。

摆在我面前的选择很复古:打开自制系统里的内存查看器,一个字节一个字节地找;或者认输,老老实实重刷。

但现在毕竟是 AI 时代。我开始想,它能不能接过这份没人继续做的维护工作?

打开编辑器,我先被一串字节挡住

我原本以为,存档编辑器应该是一张表单。选择文件,找到“金钱”或“装备”,填入新值,再点一下保存。

真正打开这类工程工具时,看到的却是另一番景象。

MHXXSaveEditor 高级编辑器:已知偏移、Hex 数据、数值解释、研究记录和知识库
MHXXSaveEditor 高级编辑器:已知偏移、Hex 数据、数值解释、研究记录和知识库

画面中央是一整片 Hex 数据。4F 3F 75 00 这样的字节不会主动告诉我自己代表什么。左边的 FUNDS_OFFSET、PLAY_TIME_OFFSET 和角色槽基址,都是维护者经过实验后写下的解释。游戏官方没有提供这样的字段表。

要看懂这个界面,第一关是十六进制。文件地址通常写成 0x126498,字节值也用十六进制展示。我得在文件位置、字节序列和日常使用的十进制数值之间来回换算。

然后是偏移。编辑器不能只记住某个绝对地址,还要理解“角色槽基址加 0x24”这样的相对位置。换到另一个角色槽,基址变了,字段在槽内的位置却可能保持不变。

编码方式又是一关。图里的金钱使用四字节无符号整数,并且采用小端序。人习惯从高位写到低位,文件却从低位字节开始保存。同样四个字节,换一种数值类型或字节顺序,就可能得到完全不同的结果。

还有更隐蔽的问题。同一个金钱数值可能在存档里出现两次,一处供存档界面显示,另一处供游戏逻辑使用。某些字段有合法范围,有些版本还会增加校验。数字看起来改对了,漏掉关联字段,游戏仍可能拒绝读档。

这些知识对原作者来说也许早已成了直觉。对第一次接触项目的人来说,每个术语都要现查,每次写入都像在碰运气。

我以为只是少了一个输入框

既然编辑器已经能读取和保存存档,缺一个词条,大概只是界面上少做了一个输入框。起初我确实这么想。

看进代码以后才发现,输入框其实是最后一步。在它出现之前,维护者要先证明这个游戏词条藏在哪几个字节里、怎样编码、有没有同步副本,以及修改后游戏是否接受。

常用的研究方法叫作基于控制变量的黑盒差分分析。名字有点长,做法倒不难理解:一次只改变一个游戏状态,然后比较操作前后的两份存档。

假设要找金钱字段,可以先保存一份存档,进入游戏,只购买一件价格为 20z 的道具,然后再保存一份。两份文件分别作为 before 和 after。接下来逐字节比较,找出发生变化的位置,再看哪些变化可以解释成“金钱减少 20”。

麻烦在于,存档不会只记录我有意改变的东西。如果测试期间整理了背包、切换了地图,或者只是在游戏里多停留了一会儿,文件里都会混入额外变化。游戏时间、界面状态和内部计数一起改变,真正要找的字段很快就会埋进噪声里。

发现候选以后,还不能马上把它写进编辑器。维护者要判断它属于哪个角色槽,确认编码方式,检查附近有没有同步副本。然后复制一份测试存档,只修改尽可能少的字节,再放回游戏验证。只有结果符合预期,偏移和对应词条才有资格进入知识库。

与此同时,代码也得继续维护。导入导出逻辑要兼容文件格式,解析代码要处理越界和异常,界面要把偏移、数值与实验记录连起来。知识库更新以后,读取工具、测试用例和说明文档也要跟着变。

一轮研究可能拖上几天。中途最容易丢的,往往是那些没有正式记下来的判断:这两份存档做过什么,为什么排除了那个地址,眼前的结论究竟验证过没有。维护者一旦离开,后来的人只能重新翻 Hex、读代码、猜注释,再走一遍旧路。

到这里,问题已经很清楚了。时间主要花在制造样本、比较差异、记录排除理由和准备下一轮实验上,输入框只是最后的一小步。这些工作有固定规则,数量又大,很适合让 AI 参与。

我没有先让 AI 修改存档

我先给 AI 搭了一张研究工作台。

MHXX AI Research Studio 研究工作台:AI 提交候选与实验方案,等待人工审批后再生成测试副本
MHXX AI Research Studio 研究工作台:AI 提交候选与实验方案,等待人工审批后再生成测试副本

研究工作台和高级编辑器共用同一份研究状态,但分工不同。高级编辑器负责查看 Hex、已知偏移、数值解释和 known-offsets 知识库;研究工作台负责显示当前阶段、AI 提交的候选与证据,以及等待人工处理的审批和验证任务。研究者既能钻进字节细节,也能随时退回流程视角,确认现在为什么停在这里。

一次研究从两份成对存档开始。人要说明这次实验改变了什么,比如“购买一件 20z 的道具,其他操作保持不变”。工作台登记文件指纹和实验参数,生成一份不可变的差分结果,然后统计变化区域,尝试用不同方式解释数值。

AI 通过 MCP 或 JSON Lines 接入。它不用模拟鼠标点击,而是拿到少量语义明确的工具:查看研究状态、读取候选、分析证据、提交推理,以及申请推进下一步。

图 1:研究者通过工作台提供样本,外部 AI 经过受控通道参与分析,研究控制面负责检查权限并推进状态
图 1:研究者通过工作台提供样本,外部 AI 经过受控通道参与分析,研究控制面负责检查权限并推进状态

AI 进入的是研究流程,不是存档目录

从图里看,研究者和工作台在左侧,外部 AI 在中间,右侧则是一套研究控制面。AI 没有直接连到存档目录,也不能绕过工作台调用底层读写功能。它只能沿着中间这条受控通道参与研究。

流程从人开始。研究者在工作台中选择一项研究,导入 before 和 after 两份样本,并写下这次实验改变了什么。工作台先把它们整理成差分、候选位置和数值解释,再把这些已经登记过的证据交给 AI。

AI 能做的是阅读证据、比较候选、提交判断,并申请把研究推进到下一步。每次申请都会先经过控制面检查:它读的是不是当前研究的证据,当前阶段是否允许这个动作,这一步会不会触碰人工审批。检查通过以后,控制器才会更新研究状态;一旦流程走到测试写入或游戏验证,就会停在 Human Gate,把决定交还给人。

这样设计的目的不是让 AI 永远判断正确,而是把它放在一个后果可控的位置。模型可以换,提示词也可能跑偏,但它拿到的始终是同一组受限能力。错误的判断可以被记录、复查和推翻,却不能直接变成对原始存档的修改。

面对上千个候选,AI 可以反复比较数值变化、槽位结构和已有偏移。比如它认为 +0x24 可能是金钱字段,就要把依据和下一步实验提交回工作台,而不是只在聊天窗口里留下一句结论。

研究账本为什么放在流程中间

聊天记录很适合讨论,却不适合承担研究进度。一次黑盒差分可能跨越几天,还会经历模型重连、程序重启和人工验证。只保留对话,很难回答几个最基本的问题:这个结论来自哪一对样本,当时分析的是哪一版差分,它现在是猜测、待验证,还是已经被游戏确认?

因此,图中的研究账本位于工作台、AI 和控制器之间。样本被导入、AI 提交判断、人工批准实验、游戏返回验证结果时,流程都会在这里留下记录。它不是给 AI 写一篇总结,而是让所有参与者共享同一个研究现场。

账本里的信息分成四类。State 表示研究目前走到哪一步;Event 按顺序记录发生过的动作;Artifact 保存差分、候选表和推理结果等证据;Pending Action 则冻结下一步准备执行的实验,以及它正在等待谁批准。四类信息合在一起,才构成一条可以追溯的证据链。

仍以 +0x24 为例。AI 提交判断以后,相关差分会作为证据保留下来,提交动作进入事件记录,研究状态变成“等待批准”,待办里则写清准备修改哪个位置、怎样回滚。即使隔几天再打开项目,或者换一个从未参与过的模型,新的接手者仍能知道为什么停在这里,接下来应该验证什么。

数据契约的意义就在这里。它把研究进度从某一次对话中拿出来,放进一套稳定、可恢复的流程里。审批只对当时那份证据和那一步动作有效,已经过期的判断不能覆盖新的进度;只有经过游戏验证的结论,才会继续进入正式知识库。

把下一步交给 AI 时,我踩了刹车

AI 已经能从大量变化中筛出最可疑的位置。顺着这个思路再走一步,让它直接生成修改后的存档,似乎很自然。

但存档研究没有一个能替代游戏本身的最终裁判。

某个地址在数值上完全吻合,仍可能只是显示副本或缓存。测试存档也许能被游戏读取,却在完成任务、切换角色或者再次保存时才暴露问题。更直接的情况是修改破坏了长度、校验或关联字段,游戏当场拒绝读档。

普通文本写错一段,还可以继续修改。存档一旦被覆盖,玩家积累几十小时甚至几百小时的进度就可能一起消失。我的初衷只是少重刷一点内容,没必要拿整份存档去验证模型有多自信。

于是工作被切成了两部分。AI 负责读取、筛选、推理、记录和提出实验。人负责制造可靠样本,批准测试写入,把副本导入游戏并观察结果。结论经过游戏验证以后,才能进入正式偏移表。

这个分工不要求人永远正确。它只是把频繁而且可以复查的分析交给 AI,把后果较大的动作留在一个明确的人工检查点上。

允许 AI 判断错,但不让错误碰到原始存档

“保证 AI 不会出错”是一个做不到的目标。设计工作台时,我换了一个问题:如果 AI 判断错了,怎样阻止这个错误悄悄变成对原始存档的破坏?

Human Gate 与受控写入链:批准绑定证据版本,修改只发生在测试副本,验证通过后才固化知识
Human Gate 与受控写入链:批准绑定证据版本,修改只发生在测试副本,验证通过后才固化知识

为什么一次批准只能执行一次

从图中看,AI 提交的方案先变成一项 Pending Action,然后停在 Human Gate。它不会因为模型说“我很确定”就继续执行。人在这里看到的是一份具体的实验说明:准备修改哪个偏移,原来的字节是什么,修改后是什么,这个判断来自哪一版研究证据,以及实验失败后怎样回滚。

批准的对象就是这一次实验。它不等于把存档的修改权交给 AI,也不能拿去执行下一次补丁。研究样本、证据版本或目标位置只要有一项发生变化,原来的批准就会失效,AI 必须根据新状态重新提交。

这么做是为了避免一种很隐蔽的错误。人批准时看到的是方案 A,但在真正执行前,工作台里的文件或研究结论已经变成了方案 B。如果批准可以重复使用,旧许可就可能落到一份不同的存档上。一次性批准把人的决定固定在当时那份证据和那一个动作上。

即使通过了 Human Gate,工作台也不会覆盖原始存档。图中的写入器先从登记快照复制出一份测试副本,再把批准过的修改应用到副本上。执行前,系统还会重新核对文件指纹和目标位置的原始字节。对不上就停止,而不是勉强写入。实验失败时,测试副本可以直接丢弃,玩家的原档仍然留在原处。

在流程走到 Human Gate 之前,工作台已经做过一轮证据检查。AI 的推理必须引用已有候选和分析产物;证据不足时,系统不会生成待批准动作。自动研究还有预算和轮次上限,避免模型在没有新证据时反复尝试。模型可以提出修改建议,却没有绕过工作台直接写文件的通道。

测试副本生成以后,流程再次交还给人。研究者把它导入真实游戏,再把结果记为“确认”“未生效”或“不确定”。游戏才是最后的验证环境。只有被确认的结论才能进入 known-offsets,成为下一位维护者可以直接使用的知识。

这套设计没有要求 AI 永远判断正确。它把一次可能出错的判断拆成几个可以停下、检查和重来的步骤。错误的偏移最多让一份测试副本失败,不会悄悄覆盖玩家的原始存档。

20z,把 1,202 个候选缩成一个动作

一次完整实验中,我们给 AI 的变化很小:购买一件价格为 20z 的道具。操作前,角色拥有 7,683,939;操作后变成 7,683,919。

预期中的变化只有一个,文件里却有 1,155 个字节发生改变。它们散落在 75 个区域中。工作台尝试不同的整数类型、字节顺序和变化解释后,得到 1,202 个初始候选。

AI 根据实验说明、角色槽结构和已有偏移重新排序,最后留下两个语义完全吻合的位置:槽内相对 +0x24 的金钱主字段,以及相对 +0x280F 的同步副本。两处都以四字节小端整数保存,也都恰好减少 20。

接下来的最小实验并不是把两个位置一起修改。为了判断主字段能否独立生效,AI 提交了一个更小的动作:只修改 +0x24,生成测试副本,再由人进入游戏观察。

整个收敛过程不必依赖一张演示截图,也可以直接写成一条可复查的研究轨迹:

1,155 changed bytes
  → 75 contiguous regions
  → 1,202 interpreted candidates
  → 2 semantic matches
  → 1 minimal pending action

每一次收窄都有对应输入和排除理由。数字不是为了证明模型“猜得准”,而是说明它如何从原始差分走到一个足够小、可以被人审查和证伪的动作。

当前记录仍停在 hypothesis / awaiting_approval,新的测试副本尚未生成。项目里已经有一项输入指纹相同的历史研究。那次实验只修改主字段,并由人工确认游戏内金钱显示为 0。这条记录为当前判断提供了很强的旁证,却不能代替这一次审批和验证。工作台也没有把当前状态提前改成“已验证”。

暂时没有答案,可以继续实验。把一个高概率猜测写成确定知识,后面的每次修改都会继承这个错误。对数据逆向来说,知道自己还没验证,和找到正确偏移一样重要。

下一位维护者不必从同一片 Hex 重新开始

我一开始只是想快速玩一把,不想从 0 重刷。做着做着才发现,这个项目缺少的不只是几个修改入口。原作者离开以后,那些没有写进代码的研究过程也跟着断了。

数据逆向智能体没有发明新的逆向方法。控制变量、黑盒差分和游戏验证仍然属于工程实践。AI 接手的是这些方法在项目中的持续执行:读取证据,缩小候选范围,保存研究进度,准备下一步实验,并在需要真实操作时把任务交还给人。

最后留下来的也不只是一张“偏移等于游戏词条”的表。每条结论都带着样本、推理、测试动作和验证记录。下一位打开这个项目的人,仍然要理解存档,也仍然要做实验,但不用再从同一片没有路标的 Hex 数据重新开始。

[MHXX存档编辑器项目](https://github.com/daijinru/MHXXSaveEditor)

CadenzaOS:https://github.com/SuperTapir/CadenzaOS

PCB Atelier:https://github.com/SuperTapir/pcb-atelier

tapir-skills:https://github.com/SuperTapir/tapir-skills

PCB_lightgraph:https://github.com/tomatorigid/PCB_lightgraph

我用AI编程复刻了老罗的TNT,还顺手做了个万能遥控器……:https://www.bilibili.com/video/BV1qMKg6uEJr

送朋友一张PCB做的贺卡!:https://www.bilibili.com/video/BV11MjE6qEXb

🎉🕯🎂🕯🎉(我的第一块 PCB Art 作品图案取自这位老师的视频):https://www.bilibili.com/video/BV1ihNx61Ewq

从零开始的二次元电路板艺术画设计教程:https://www.bilibili.com/video/BV1CQjz6ZELZ

-END -

如果您关注前端+AI 相关领域可以扫码进群交流

添加小编微信进群😊

关于奇舞团

奇舞团是 360 集团最大的大前端团队,非常重视人才培养,有工程师、讲师、翻译官、业务接口人、团队 Leader 等多种发展方向供员工选择,并辅以提供相应的技术力、专业力、通用力、领导力等培训课程。奇舞团以开放和求贤的心态欢迎各种优秀人才关注和加入奇舞团。

跳转微信打开

  •  
❌