铃阅时讯
❌

阅读视图

蔚来是一种命运

原创 李墨天 2026-09-02 21:18 上海

规划正确的方向,相信方向的正确

2023年底的媒体沟通会上,李斌表示“蔚来的谷底已经过去了”,不出意外收获一片嘲讽。

当时是蔚来NT2平台的产品周期末期,车型全面覆盖,最大的店都放不全。NIO Phone震撼登场,NIO life联名设计师堆满一面墙,原创设计有口皆碑,价格底线牢牢守住,顾客一进店就会被fellow教育:蔚来不参与价格战,没有低于30万的车。

唯一缺点是车卖不出去,两代平台8款车,凑不出一辆月交付破万的车型。

2023年,蔚来交付了16万辆车,研发、门店、充换电站投入只增不减,全年成功亏损211亿,差不多日均亏6000万,换成百元纸币,一天得烧1.124吨。

为什么李斌会认为谷底已经过去了,因为李斌看见的蔚来和市场看见的蔚来,不是一个东西。

市场眼里的蔚来,NT2车型基本失败,财报四处漏风,自然的想法是“还有退步空间”。事实也是如此,2024年蔚来再接再厉,亏了224亿。2025年上半年,蔚来交付11.42万辆,完成全年目标26%,新势力垫底。

李斌眼里的蔚来,NT3平台和ET9已经开发完成,基于NT3平台的ES8和ES9已经立项。李斌对NT3的技术成果有信心,知道蔚来大概能做个什么样的车出来,所以相对乐观。

上市车型和销量是研发和经营的结果,李斌看见的是新的决策正在执行,属于先行指标;市场看见的是上一个周期的结果,属于滞后指标,彼此难以理解对方。

当时有媒体问新车进度如何,是个提振信心的机会,李斌说还在PPD(预研)阶段,结果媒体听成了PPT,被解读为蔚来药丸。

新平台加上新车型的开发,3-5年都算快的,所以汽车行业,决策到结果的验证周期非常长。

具体到当时的蔚来,等ES8和ES9量产上市开始交付,结果要到2026年才能看见。

事实证明,李斌当年的乐观不是空穴来风。2026年,均价50多万的ES9用73天交了两万台,ES8是今年上半年大型SUV和40万以上车型双料销量冠军,近一年时间创造了近600亿营收。

芯片、内存、铜铁铝价格全面上行的背景下,几乎所有的车企毛利率都在下滑,靠ES8和ES9的高毛利,蔚来在上半年以不到20万的销量,创造了576亿营收。

同时,蔚来二季度现金储备提升至567亿,经调整经营利润2.1亿,连续三个季度盈利。而在衡量经营质量的毛利润上,蔚来上半年毛利总额107.7亿,同比增长282.2%。

纸面成绩以外,蔚来全新ES8和ES9大大推动了高端市场向纯电过渡的进程。今年7月,大型SUV整体市场纯电渗透率已经达到41.6%,无限接近纯电在乘用车市场整体44.3%的渗透率。

这两款车也回答了两个困扰蔚来整整五年的问题:纯电大车到底能不能卖出去?蔚来有没有做50万级市场的能力?

01.教训

第三代ES8开发期间,蔚来度过了非常挣扎的两年。李斌的总结是“蔚来丢掉了根据地”。

蔚来的根据地是什么?蔚来的定义是40万左右的市场,这也是第一代ES8的舒适区。第一代ES8整个生命周期里交付65233台,是中国汽车品牌突破豪华市场的标志。

到了NT2产品周期,蔚来账上现金非常充裕,导致一些产品的立项过程,没有经过系统的市场研究和用户画像分析。新车像下饺子一样推向市场。

2023年9月,第二代EC6发布,蔚来完成了NT2平台全系切换。车越来越多,交付量没有显著提升,效率实际上在降低。

回顾往昔,蔚来内部总结了NT2平台最大的两个教训:

一是既要又要。蔚来对NT2平台的定位是覆盖全球市场,在设计之初就考虑到了海外市场。团队认为车子做太大在欧洲卖不出去,因此对尺寸和空间非常克制,导致二代ES8的二三排空间局促。

为了兼顾右舵车的镜像开发,NT2平台车型的空调箱采用了纵置布局,占用了前舱空间,所有车型都没有前备箱。

二是车型迭代顺序规划失误。大部分车企规划新平台的产品线,都会从旗舰车型做起。比如奔驰会先发S级车型,确立技术与品牌高度,然后向下渗透。

但蔚来先发布了ET7/ET5/ES7三款新车,想把ES8打造成“二代车收官之作”压轴登场。结果ET5由于成本和尺寸限制,装不下空气悬架等配置,导致NT2一些领先的技术成果无法第一时间推向市场。

李斌认为,在40万左右的价格带,蔚来有一定群众基础。所以,NT3平台要“夺回革命根据地”,ET9确立技术标杆,ES8和ES9覆盖高净值用户。

当时,蔚来在软件系统、自动驾驶芯片、线控转向等领域的研发已经行进尾声,到了落地阶段。但整个2024年,蔚来要给乐道让路,只有年底发布的ET9一款新车。

ET9的定位是蔚来NT3平台一系列新技术的集中展示,整个发布会超过两个小时,但一些值得反复介绍的技术,只露脸了不到半张PPT。

02.踩坑

ET9的供应商里,有一家名叫ClearMotion的公司,拳头产品是主动悬架技术,用来消除车内破坏驾乘体验的晃动,是ET9“香槟塔模式”的关键零部件。

如果作为一个科研机构,ClearMotion可谓底蕴十足,2017年它收购了Bose的主动悬架业务。

对,就是那个做音箱的Bose,他们上世纪80年代就开始研究主动悬架,只是一直没有量产,ClearMotion收下了全部衣钵。

但作为商业公司,ClearMotion的道行浅得可怜,蔚来几乎是手把手扶着ClearMotion上了牌桌。

2022年,蔚来资本联合几家风投向ClearMotion注资3900万美元,双方在常熟联合建厂。ET9的主动悬架里,蔚来自研车辆运动管理系统和48V电源系统,ClearMotion提供控制算法及主控软件,京西智行提供液压部件,组成完整的电驱单元。

技术路线、财务状况的争议背后,很多人没有意识到,蔚来其实是一家垂直整合程度非常高的车企,自研浓度极高。

蔚来成立的2014年,全世界的车企都没把电动车玩明白,特斯拉距离遇到“产能地狱”都还有三年,行业供应链成熟度几乎为零。

蔚来当时知名度有限,供应商不愿意做联合研发,只想卖标准零件,导致核心参数锁在黑盒里。中国车企上次遇到这种待遇,还是改革开放初期,一机部找到丰田,但对方连CKD(散件组装)都不愿意,只想出口整车。

油车时代的坑,电车时代的新势力都得从头再趟一遍。新能源产业会创造新的供应链。但供应商不会自发出现,蔚来想干成这个事,必须承担催熟供应链的成本。

比如蔚来作为产业资本,投资了大量供应链企业,包括做激光雷达的图达通、做电池的卫蓝新能源、以及上面的ClearMotion等等。产业资本对上下游的投资大多基于自身需求,能够提供确定的订单,帮助供应链技术快速落地。

2019年之前,蔚来自己开发了一套电子电气架构的技术方案,电池管理系统、液冷恒温系统、快速换电装置都是从零开始。比如蔚来的子公司蔚来驱动科技(XPT),就负责蔚来电机、电控硬件的研发生产。

2021年,蔚来碳化硅电驱系统C样在XPT工厂下线

垂直整合的好处一般有两个,一个是节省成本。蔚来在2021年成立座椅研发团队,把座椅拆分为骨架平台、控制器、座椅组装等环节,分别寻找供应商拿订单。

这相当于把采购品种从整个座椅拆成了零部件,让供应商可以靠规模效应给出极低的采购价。

另一个是掌握关键技术,避免同质化竞争。

2020年后,蔚来启动NT3平台研发,整车操作系统、自动驾驶芯片、域控制器的集成化小型化等环节,给今天ES8、ES9等产品打下了扎实的地基,但也给当年公司造成了巨大的财务压力。

作为一个花钱花出名气的公司,要不要继续砸?蔚来的判断是,BBA都没法在电车时代卖标,想做高端纯电,势必要掌握独创性的技术方案。

同时,蔚来内部判断,2024-2025年将是高端纯电车的爆发期,不论纯电技术,还是换电站,届时都不是财务包袱,反而是胜负手,所以要继续建设。

技术投资成本虽然高,但都属于“一次性投入”,研发环节没有现金流,但落地后可以靠边际效应快速摊薄成本,是笔算得过来的帐。

在NT2车型不达预期的两年里,蔚来依然义无反顾的把资金投向了底盘、芯片、软件系统等环节的研发。体现在财务上,蔚来的研发费用在NT3平台开发期间,有一个不成比例的激增。

这些投入给NT3平台打了个不错的技术底子。坚持的故事之所以迷人,是因为在商业世界,坚持有成本,有风险,要承受巨大的代价。

03.执念

2023年春节过完,蔚来一位高管在内部会上分享了一个故事:

春节期间,他开着自己的二代ES8带父亲出门,车的二排没有实体按键,调节座椅都要盲操,大量功能集成在前排屏幕的二级甚至三级菜单里,导致后排的父亲非但没体验到各种舒适性配置,反而一路局促不安。

后来在第三代ES8上,蔚来一口气塞了111个物理按键,座椅调节按键从隐蔽的侧面全部挪到门板上。

当时NT3平台的伴生车型ET9基本定稿,蔚来的产研团队已经形成共识:

纯电的体验优势胜于其他技术路线。二代产品未达到商业预期,一方面是纯电技术、补能基建密度没突破临界点,另一方面是自己水平问题,不代表纯电路线有问题。

这个归因至关重要,但三代产品怎么做才能扭转市场认知,答案未知。

在ES8的预研过程中,蔚来曾规划了一个MPV车型:

团队的想法是做成侧滑门小MPV,既能保证空间,又能兼顾续航,唯一缺点是造型非常先锋且前卫。李斌当场表示“方向错了”,定了个既要又要的新方向:外观要回归得体、大气的SUV形态;但车内空间体验和乘坐舒适性,要向顶级MPV看齐。

按照这个方向,产品经理孙宁给工程团队下了需求,最终得到了一个长5.4米,重量3吨,风阻系数0.3的庞然大物。当时的产品会上,看着这辆ES8的渲染图,在场的每个人都露出了哀莫大于心死的表情。

好在这只是初稿,反复的推敲和纠结中,团队最终锁定了5280mm的车长和3130mm的轴距,这是第三代ES8的起点。以此为参照,定位更高的ES9同步立项。

尺寸不是唯一的问题,消费群体对二代产品普遍的看法是“高级但不够豪华”,怎么把豪华变成产品开发中可以量化的尺度,至关重要。

04.理解

ES8研发同期,蔚来公司的三品牌战略已经成型,乐道负责家庭用户市场,萤火虫主攻小型车,蔚来品牌需要进一步聚焦,渗透更高端、利润更丰厚的行政商务市场。

基于这个目标,产品团队定下了新的设计取向——Design for Business、Design for Success。

蔚来NT2车型走的是“北欧极简风”,推崇干净的线条和纯粹的视觉效果。NT2车型几乎没有物理按键,也没有车载大屏。为了极简的内饰设计,蔚来甚至有意隐藏了音响和座椅调节按钮。

为了弄清用户的真实需求,蔚来启动了一个规模庞大的调研项目,其中一个具体的问题是:“老板的快乐”怎么量化?

整个调研周期内,蔚来累计收集了超过两万个用户样本,从X5到X5M、从大G到大GLC一网打尽、宁滥毋缺。用户主要分为两类,一类是保时捷和BBA车主,一类是增程车与混动车车主。

除了真实车主,蔚来还调研了Lorinser这类改装厂,他们观察到车主不仅要坐得舒服,还要有衣橱、KTV和保险箱。调研结果在NT3车型定义中发挥了重要作用,比如第三代ES8上的移动衣帽间设计,就源于这次调研。

第三代ES8的移动衣帽间

调研结束,蔚来发现了几个关键结论:

一是60%以上的增程车主都只用纯电模式驾驶,几乎没启动过发动机,有的车主因为续航焦虑放弃蔚来选了增程,买完车后每天去蔚来充电桩充电,这个比例大大增强了内部对纯电和换电路线的信心。

二是高净值用户不缺购买力,但不太接受纯粹的品牌溢价,即花钱买标。同时,大量用户对复杂的选配项目感到厌倦,希望看到简单干净的SKU。

三是高净值用户喜欢显性的豪华感,在商务社交、家庭娱乐、会客、深度休息这些场景对应的功能上,NT2车型严重不足。用户对NT2车型几乎有着整齐划一的评价:太素。

而产品团队得到的最大的启发,是设计的极简和体验的极简,很多时候是两回事。

苹果消灭了手机键盘,但开创了一套符合人类直觉的手势交互方案,用户可以凭直觉操作手机,学习门槛大大降低。车载大屏虽然带来了极简的设计感,但体验却更加繁琐。

拿着一份全面改写自身认知的调研结果,蔚来大刀阔斧调整了NT3的设计理念。

05.算账

ET9是NT3平台第一款车型,没什么成本包袱,率先应用了线控转向、天行底盘、神玑芯片等自研新技术。

设计上,“飞航头等舱”理念的首次落地,大量运用斜线设计,使用多种材质进行拼接与对撞,力求一种精致但不铺张的美感。

落地在ET9上的飞航头等舱设计理念

ES8主攻40万级市场,既要有豪华感,又不能让成本失控。除了实体按键,蔚来在细节上大量费工夫,车内圆角曲率全部保持一致,氛围灯、真皮一路延伸到后备箱,儿童安全座椅卡口专门做了盖板,后备箱点烟器取电口的塑料盖、折叠小挂钩等,全部换成了和内饰颜色统一的金属拉丝配件。

ES9的设计更是个技术活。一方面,作为旗舰SUV,它必须有一眼旗舰的气势和体量感,也要像ET9一样搭载全部顶尖技术,同时还要和ES8做出一定区隔。既要大开大合,又要粗中有细。

外观上,为了营造顶级的体量感与视觉气场,ES9将车身肩线向上调整了两厘米,整体车高来到1870mm。别小看这些调整,当ES9和ES8同框时,用户一眼就能分辨出来,很大程度上就是因为外观设计上的体量感。

而在细节上,ES9也做出了很多花样。比如业内首发的LC隐私玻璃,ES9团队通过光刻机雕刻实现了独特的阵列效果,能通过滚轮滑动实现百叶窗一样的效果。但实际上产品经理的灵感来源,是清晨阳光慢慢打在层峦叠嶂上的景象。

ES9搭载的LC隐私玻璃,可以实现类似百叶窗的效果

座椅上的刺绣、门板上的音响氛围灯也有讲究:前者是苏绣工艺绣出的山,后者是模仿水波流动,取一个中国文化里依山傍水、靠山揽景之意。

很多人诟病NT2车型是“把肉埋在饭里”,按照这个思路,ES8、ES9就是“把肉埋在肉里”,用料、设计、技术,样样都要领先。

肉下面还是肉,价格又要足够有诚意,那成本从哪省?

当初的技术投入,此时派上了用场。NT3平台采用自研全域925V高压平台,为了让新车兼容低压充电桩,传统方案是增加一个升压模块,但ES8通过自研电驱“反向升压”,省下了这个又贵又重的模块。

类似的部件还有不少,比如单是用自研神玑芯片代替4颗英伟达Orin-X,就能省下1万元。

蔚来“全球首颗车规 5nm 高性能智驾芯片”神玑NX9031流片成功 - 数码前沿 数码之家

2024年,蔚来发布神玑NX9031芯片

自研925V高压架构,让ES8减少了数十公斤内部线束,单车铜用量从32公斤降到了25公斤。这些技术升级既节约了成本,又能做一个巨大的前备箱。

团队后来计算,ES8最终设计比最初版方案减重600公斤。

06.没底

ES8和ES9发售后,最关心销量的不是蔚来的管理层,不是蔚来的消费者,也不是友商的产品团队,而是蔚来的供应商。

供应商是个非常现实的群体,给客户安排多少产能,甚至车企开完发布会要不要发微博祝贺,是第一时间发,还是等车企发完订单数据再发,都有一番讲究。

ES8上市前,李斌每周都要约见一两家核心供应商的老板,说服对方为ES8预备一万台月产能,整个过程持续了整整一年。其中有一半供应商力挺蔚来,一半供应商选择观望。

这种现实情有可原,汽车是个讲究配套的行业,供应商需要在车企产线周边配套建厂,产线和设备砸下去,甚至在合肥单独建厂,造出来的车卖的好不好,关乎蔚来的生死,也关乎供应商的经营。

因此,这些供应商要么自己派人,要么找第三方机构,蹲守在蔚来门店数人头,打算弄清楚一个问题:车卖得到底有没有蔚来说得那么好?

不仅供应商心里没底,蔚来产研团队也不敢半场开香槟,不少人对ES8的月交付预期只有5000台,考虑到二代ES8月交付只有2000多台,这个数字已经翻倍了。

毕竟,ES8上市前,纯电大车在市场上几乎没有成功的先例。增程虽然被视为过渡技术,但在2024年前后,是新能源车企进攻高端市场最务实的手段。

所以在ES8和ES9的开发上,蔚来要解决的不单单是个产品问题,而是能不能在纯电路线的前提下,用技术手段解决纯电大车的短板,刷新高端市场和大型SUV客群对纯电的认知?

内部的这种焦虑一直持续到2025年年中,直到发生了两件事,团队心里才算有了底:ES8进行了小范围的试乘试驾,反馈非常不错;乐道L90预售效果超预期,证明纯电+大车有真实需求,能跑得通。

或者说,用户本来就不在乎动力形式,只在乎产品体验、品牌调性。ES8上市的节点,纯电的体验突破了增程的上限,市场迎来逆转。

因此,当2026年补贴全面退坡,整个汽车市场迎来大考时,纯电整体,以及40万以上高端市场份额反而逆势增长。

今年7月,纯电车在新能源销量结构中的份额达到了惊人的68%。同周期内,10-20万的新能源车负增速,10万元以内同比减少26%,降幅甚至超过燃油车,唯独40万以上的市场,销量同比增速接近46%。

中国是全球最大的新能源车市场,新能源渗透率逐年提高,但各个细分市场的增长并不平均。其中40万以上的高端市场,尤其是今年各路车企酣战的“9系大车”市场,曾是燃油车最稳固的壁垒。

2020年新能源市场爆发后,电动化技术进入了一个快速进步周期。包括电池能量密度、补能效率的提高,800V架构与辅助驾驶的全面普及。相比上一个技术周期,纯电路线的技术积累已经从“补短板”变成了“做增量”。

高端纯电虽然定价高,但留给工程师的“堆料”空间也更大。同时,随着充电桩、换电站不断增加,在40万以上的区间,纯电车对比油车、增程的体验优势,反而能拉开更大的差距。

短期来看,市场是一台投票机;长期来看,它是一台称重机。

市场的称重,没有让蔚来等待太久。今年4月以来,纯电连续4个月稳居第一大动力形式,手握全新ES8、ES9的蔚来,1-8月销量同比增长57.9%,领跑行业,并连续三个季度盈利。

过去五年踩过的坑,都变成了命运的馈赠。

07.命运

回到2023年李斌的“走出低谷”,蔚来当时的状态,在商业史上有一个对照组:1997年的苹果。

那是一个字面意义上的烂摊子,离破产只有90天。回归后的乔布斯第一时间给苹果经典广告《1984》的导演克洛打电话说:“我们必须证明苹果依然活着,依然代表独特的品牌。”

乔布斯回归后做了三件事:先从微软那里拿到了1.5亿美元救命钱,再将十几种Mac型号和配件缩减为四类核心产品,同时叫停兼容机策略,坚持苹果的封闭生态。

先活下去,但不要让短期的市场变化影响长期的战略。

李斌说“造车是泥泞路上的马拉松”,正确的方向一定是后验的,所以会碰上泥泞难行的路段,会经历铺天盖地的质疑,会陷入迷茫和无助。

规划正确的方向需要智慧,相信方向的正确需要勇气。蔚来的故事之所以迷人,是因为我们都听过很多充满智慧的道理,总是缺少孤注一掷的勇气。

全文完,感谢您的耐心阅读。

作者:李墨天

编辑:戴老板

制图:李墨天

责任编辑:李墨天

图片

图片

跳转微信打开

  •  

微信放大招,微信小程序终于支持个人虚拟支付了!

原创 CUGGZ 2026-09-02 16:53 浙江

这两天,微信小程序悄悄上线了一个挺重磅的新能力:

个人主体小程序,终于可以开通虚拟支付了。

以前个人开发者做微信小程序,最大的尴尬之一就是支付。

代码可以自己写,服务器可以买云开发,甚至现在有了 AI Coding,一个人几天就能做出一个完整的小工具。但只要想收费,事情一下就复杂了。

因为普通个人主体没法直接申请标准的小程序支付,真想商业化,往往还得先去注册个体户或者公司,再申请商户号。

很多只有几百、几千块收入的小工具,可能产品还没验证,手续先折腾了一圈。

现在,这个门槛终于开始松动了。

个人小程序可以直接卖虚拟商品了

8 月 31 日,微信开放文档新增了「虚拟支付:个人」相关能力。

目前开放的主要是个人主体的工具类小程序。根据目前公开的信息,需要完成小程序认证和备案,服务类目包含「工具」,个人主体持有中国大陆居民身份证即可申请。

个人主体目前全终端月支付限额为 10 万元。

这意味着以后个人开发者可以直接在小程序里卖:

会员、付费功能、AI 使用次数、数字内容、增值服务……

比如你做了一个 AI 图片处理工具,免费用户每天可以处理 3 张,高级用户可以买次数或者开会员。

以前最麻烦的不是把这个功能写出来,而是怎么合法、顺畅地把这几块钱收回来。

现在微信开始直接给个人开发者提供这条路了。

但注意,不是所有支付都开放了

这里很容易被误解。

这次开放的是虚拟支付,并不等于个人主体已经可以申请完整的微信支付。

如果你卖的是衣服、家具、食品之类的实物商品,还是不能简单拿个人主体小程序直接接普通小程序支付。

微信支付目前公开的小程序支付准入主体,依然主要是个体工商户、企业、事业单位、政府机关和社会组织等。

所以准确地说:

微信这次解决的是个人开发者卖数字商品和线上服务的问题。

但仅仅这一块,其实已经非常大了。

这件事放在 2026 年尤其有意思

因为现在做软件的门槛已经完全不一样了。

以前一个人想做个产品,前端、后端、服务器、数据库、部署,可能折腾一个月都出不来。

现在 Codex、Claude Code 这些 AI Coding 工具已经把开发成本压得非常低。

一个有开发经验的人,从一个想法开始,到做出一个能用的小程序,可能真的只需要几天。

于是问题也变了。

以前的问题是:

“我一个人能不能把它做出来?”

现在越来越变成:

“做出来以后,我怎么验证有没有人愿意付钱?”

而微信这次开放个人虚拟支付,刚好补上了这块。

以后完全可能出现这样的路径:

有一个小需求 → 用 AI 快速开发 → 注册个人小程序 → 上线 → 接入虚拟支付 → 看看有没有人真的愿意花 9.9 元

如果没人买,关掉,再做下一个。

不需要一开始就注册公司,也不需要为了一个还不知道有没有用户的小工具搭一整套商业主体。

独立开发者的机会,可能真的来了

过去几年一直有人讲 Micro SaaS、独立开发、一人公司。

但在国内,一个很现实的问题就是:开发可以一个人做,商业闭环却未必适合一个人完成。

而今年这个环境正在明显变化。

AI 把开发门槛降下来了,微信又开始把支付门槛往下降。

尤其微信本身还有巨大的用户基础,小程序又几乎不需要用户额外下载安装。

对于 AI 工具、效率工具、查询工具、内容工具以及各种非常垂直的小需求来说,这可能比再多一个新的 AI 模型更值得个人开发者关注。

AI 已经让一个人做产品越来越容易。

现在,微信又开始让一个人卖产品变得更容易了。

这才是这次个人虚拟支付真正值得关注的地方。

跳转微信打开

  •  

被认证为最安全车主(还有钱拿!)

原创 也谈钱 2026-09-02 13:30 德国

跟大伙聊个好玩的事儿。

之前选车险,我发现德国有些车险可以选装传感器,放在车里,实时检测你的驾驶习惯。如果驾驶习惯安全,可以给最多 30% 的保费折扣。而且最差也只是没有折扣,不会因此加保费。

所以我就果断选了。

但开始也没抱太大希望,「最多」30% 折扣,就像商场口号全场 XX 元「起」,可能很难拿到。

结果,收到传感器,开了一段时间 👇 居然真给我评了满分 💯 属于驾驶习惯最安全的一批车主了

照这个节奏,真能拿满 30% 折扣。

车险还挺良心的,条件不算苛刻。像我在加速项目上弱一点,总分也满分了。有点不适应。

之前也太常说,坐我开的车感觉很稳。但我自己其实感觉不明显。光记得过往哪哪预判失误了,下次应该……

所以看到这个评分特惊喜。关键是有钱拿,预计能退回来近 300 欧(德国车险不便宜,但保额惊人,我签的车险保额是 1 亿欧。刚看到这个保额我都惊呆了,车险还保触犯天条么?)

……

这个经历倒是正好验证我的一个日常观察——很多短期看的运气,其实长期看是习惯。

比如看二手车时我发现,前车主要么几年一处剐蹭都没有,一旦有剐蹭,往往就不止一处,会有第二三四处,检查车况就要更小心。就像厨房里的蟑螂,不会只有一只。

想起上大学被偷过手机的同学,后来还会再被偷。第一次很同情,第二三次就变成无奈了。也太手机倒没被偷过,但没一台最终完整退役,不是进水了,就是屏幕碎了(还不许我嘲笑,哈,我就笑~)

我也是因此理解了,为啥我觉得 Apple Care 太贵,但又有很多人觉得便宜。

车险折扣只是把习惯的影响具象化,其他条件相同的情况下:

  1. 驾驶习惯越好,出意外的概率越低,保费越便宜;

  2. 无出险记录越久,下一年出意外的概率越低,保费越便宜。

对了,我中间还看到一个保险公司 HUK 的统计数据——德国有 20 年以上不出险记录的车主,居然占比达到一半。比我想得高很多(注:这里没考虑车主自费修的小剐蹭,只统计保险理赔的案件。因为出险保费涨价、不出险保费降价,所以小剐蹭很多人会自己修,或者干脆不修)

……

从这个角度看,经常重复的习惯真的会有复利。想改变长期结果,笼统地提醒自己「更小心一点、更努力一点、更自制一点」,可能不如改变习惯和结构影响大。

保险公司的定价思路也给我一个启发。

我们很容易根据决心、当下的感受和现在的行动,判断一件事能不能成。今天斗志满满,就觉得这次成功率很高;看到心动的营销广告,就觉得买回去肯定会经常用。

但真想预测结果,也许更有效的办法,是看同一件事过去的成功率。

保险公司的定价就是这个思路。它预测一个人下一年会不会出险,并不听车主保证以后一定小心,而是看他过去一路怎么开过来的。

我们总把更多注意力放在未来可能发生什么。但很多时候,未来发生一件事的概率,写在我们来时的路上。

过去不是判决书,改变习惯、环境和结构,也是在改变未来的概率。只是在新的记录积累起来之前,过去通常比一时的决心更诚实。

单次结果看运气,长期分布看概率。概率藏在习惯里,也会被新的习惯一点点改写。

跳转微信打开

  •  

The Batch: 977 | AI 对速度的需求为何如此迫切

原创 DeeplearningAI 2026-09-02 12:45 北京

Hi~新朋友,记得关注我们哟

已经在跟踪模型成本和准确率的开发者,现在又有了一个新的重要理由去更关注第三个关键因素:速度。

●最新消息:OpenAI 和 Cerebras 预览了 Ultrafast,这是一项新的 API 服务层,运行在 Cerebras 硬件上,而不是 OpenAI 通常使用的基础设施上,搭载的是 GPT-5.6 Sol。

✴ 吞吐量:Ultrafast 宣称每秒最高可输出 750 个 token。Artificial Analysis 在 OpenAI 自家 API 上以最高推理强度测试 GPT-5.6 Sol,结果为每秒 65 个 token,这意味着 Ultrafast 大约快 11 倍。

✴ 完成时间:在 6 个质量匹配的 GDPVal (OpenAI 用于衡量真实、经济价值较高工作任务的基准)任务中,Cerebras 测得 Ultrafast 每个任务耗时 83 秒,而标准版 Sol 需要 7.7 分钟,端到端速度提升 5.6 倍。

✴ 延迟:GPT-5.6 的延迟异常高。Artificial Analysis 显示,标准版 GPT-5.6 Sol 在最高推理强度下,首个回答 token 的出现时间为 97.2 秒;相比之下,GPT-5.5 在高推理强度下为 14.5 秒。两家公司都尚未公布 Ultrafast 的延迟数据。

✴ 价格与可用性:仅向部分客户开放有限预览,其他用户可排队等候;尚未公布价格或正式全面上线日期

✴ 未披露:基准测试结果尚缺独立验证

同一周里,还有另外两个发布把“速度”作为主打卖点。Google 推出了 Gemini 3.7 Flash,Nvidia 发布了 Nemotron 3.5 Lightning。这三者都面向正在构建这类应用的开发者:响应时间决定产品表现有多好。

●速度到底是什么:在 AI 领域,“速度”常常对应两个指标,而不同模型和硬件对它们的处理方式也不同。延迟(有时称为首 token 时间)是模型开始返回响应前的等待时间;吞吐量则是模型启动后每秒生成多少 token。Ultrafast 主要针对吞吐量:Cerebras 的硬件将 GPT-5.6 Sol 的权重保存在 44GB 的片上 SRAM 中,避免了访问外部存储器所带来的瓶颈,而这正是基于 GPU 的推理常见的限制。

✴ Ultrafast 上的 GPT-5.6 Sol:吞吐量方面最清晰的展示来自 Cerebras。Ultrafast 在 Humanity’s Last Exam(这是一项涵盖 100 多个学科、测试专家级问题的考试) 上回答了全部 2,500 道题,耗时 11 小时 11 分钟;相比之下,Claude Fable 5 需要 78 小时 27 分钟,Ultrafast快了约 7 倍。Cerebras 还表示,Ultrafast 在 Fast 模式整体上比 Claude Fable 5 快 11 倍,比 Claude Opus 4.8 快 5 倍。

✴ Gemini 3.7 Flash:Google 尚未披露 Gemini 3.7 Flash 的吞吐量或延迟数据,但 Artificial Analysis 测得其输出速度为每秒 330 个 token——仅次于 Gemini 3.5 Flash-Lite——首 token 等待时间为 13.2 秒。该模型相较前代也有性能提升:其 Artificial Intelligence Index 平均分为 56,高于 Gemini 5.6 Flash 的 52。

✴ Nemotron 3.5 Lightning:据 Nvidia 称,其输出速度最多比同类其他模型快 4 倍,智能体式任务完成速度快 30%。Artificial Analysis 在不同提供方之间测得其平均吞吐量为每秒 302 个输出 token,首 token 时间为 7.5 秒。Nvidia 与该模型一同发布的开源路由库 NeMo Switchyard,会将智能体工作流中的每一步发送给当前最适合该步骤在速度、质量或成本方面需求的可用模型。Nvidia 报告称,通过 Switchyard 进行路由,而不是让每一步都在单一大模型上运行,可将任务完成成本降至仅使用 Claude Opus 4.8 的约三分之一。

● 新闻背后:Ultrafast 并不是 OpenAI 对速度的唯一投入。本周,该公司发布了其首批关于 Jalapeño 的测试结果;Jalapeño 是其与 Broadcom 合作生产的新推理芯片。这些测试显示,在同时运行 OpenAI 自家的模型和开源权重模型时,延迟和吞吐量表现都很有前景。需要注意的是,芯片厂商也必须在速度、用户总量以及硬件功耗之间取得平衡:这些因素都会影响推理成本和可靠性。

●重要原因:以这样的速度进行推理,改变的不只是模型完成固定任务的好坏,而是它能被用于什么。

✴ 在对话和其他实时应用中,用户会直接感受到延迟:如果语音助手停顿超过约 1 秒,体验就开始显得不正常,因为人类对话的轮次间隔大约在 0.3 到 1 秒之间。

✴ 对于用智能体写代码的开发者来说,等结果几分钟就足以让人分心、忘记上下文,或者转去做别的任务。之后再回来,就得在脑中重新构建问题,这会因为上下文切换而增加心理疲劳。

✴ 低延迟和高吞吐量有助于常驻智能体监控系统、网站或安全信息流,并在事件发生时立即作出反应。一个需要花一分钟分析才能发现问题的智能体,可能已经错过了实时采取行动的窗口。

✴ 工具使用同样高度依赖延迟和吞吐量。搜索、代码执行和数据检索工具都会给智能体式工作流增加时间成本。

● 我们在想:更快的 AI 模型已经使智能体能够写代码、检索数据,并以接近语音速度回应对话。我们鼓励开发者不仅思考哪些应用需要更高吞吐量和更低延迟,也要思考那些只有借助新模型和新硬件所能提供的速度才可能实现的新应用。

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

  •  

当我们再也读不完AI写的代码: 理解债务、Harness Engineering 与代码审查的未来

Thoughtworks 2026-09-02 12:00 北京

当代码增长速度远超团队理解速度,“理解债务”正在悄然累积。本文从 Robert C. Martin 的播客谈起,探讨 Harness Engineering 能否成为驾驭 AI 代码的答案,以及在 AI 时代,我们是否还需要阅读代码。

理解债务

Comprehension Debt

2026年8月20日,《代码简洁之道》的作者 Robert C. Martin 参与了 Matt Pocock 的一期播客,讨论了 AI 时代程序员是否仍需阅读代码,以及如何通过 Harness Engineering 驾驭 Coding Agent。 听完这期播客之后,我回想起第一次加入一个全面使用 AI Coding 的项目时,TL(Tech Lead)在我完成第一张 Story(用户故事)后问我:是否能够适应这种开发方式?

我当时的回答是可以,但有一个问题至今都没有改变:每次 AI 生成代码后,我还是忍不住用自己的"碳基大脑" review 一遍 diff,再根据我的人类意见东删西改,最后才敢谨慎提交 —— 毕竟无论代码由谁生成,最终对生产环境和客户负责的仍然是人。是的,大模型们,We still don't trust you。

这并非因为 AI 不够强。AI 生成代码太快了,但它的能力并不稳定:有时准确高效,有时又会误解需求、过度设计,或者生成表面合理、实际存在隐患的代码。

然而,"快"显然不是人类的强项。AI 一分钟生成的代码,人类可能要花十分钟以上才能读完并理解。这不禁让我思考,如果不能建立新的审查方式和信任模型,我们是否只是把"人类先理解,再编写代码"的流程,倒转成了"AI 先生成,人类再理解"?

更危险的是,当我们为了效率而不再阅读,是否还真正理解这个系统?AI 大幅降低了代码的生成成本,理解成本却没有同步下降。从2025年前后开始,由于AI生成的代码数量爆发式增长,理解债务(Comprehension Debt)被越来越多的工程师用来描述AI生成代码带来的理解缺口:当代码增长的速度远超过团队理解代码库的速度,成本最终必定在维护过程中偿还。它积累在团队的认知里,很难被察觉,往往要等到生产事故、复杂变更或关键人员离开时才突然暴露。AI 生成的代码拥有极高的表面可信度,能够轻易通过单元测试和 Lint 检查,却无法验证代码语义是否真的符合业务需求,更无法检查团队对系统的理解程度。因此在AI时代,我们必须改变代码审查的方式,新的工具,新的方法论。

Specification 不是理解的替代品

我的项目正在使用 Spec-driven Development(SDD,规格驱动开发)。Specification 是一种对人类和 AI 都可读的 source of truth:人类审查需求、约束和验收标准,Agent 负责把这些意图翻译成代码。

但从 Specification 到代码从来不是机械翻译。即使需求足够明确,实现中仍然存在大量隐性决定:如何组织数据、怎样处理异常、如何权衡性能、责任应该属于哪个模块。Specification 可以描述"我们想要什么",却无法穷尽系统的全部行为,更不能替代对实现的理解。

如果试图预先写下所有决定,又会遇到另一个悖论:一份详细到足以替代代码审查的 Specification,几乎等于用自然语言重写程序。执行 SDD 所产生的大量文档同样需要维护和审查。有时我甚至觉得,直接阅读代码比阅读写得满满当当的文档更为轻松。

这并不意味着 Specification 没有价值。把需求、约束和验收标准写清楚,确实能够帮助人类与 Agent 对齐意图;从 Sprint 数据上看,我的团队短期内也开发得更快了。只是 Specification 无法自动保证实现质量,更无法替团队维持对系统的理解,仍有改进的空间。

Harness Engineering:把工程纪律写进环境

AI 降低了代码生成成本,却没有取消软件工程对可维护性和架构质量的要求。真正发生变化的是工程纪律的载体:过去许多要求依靠程序员记住并主动执行,现在则需要写进 Agent 的工作环境,成为它可以读取并执行的约束。诸如OpenAI、Anthropic之类的科技公司,以及 Robert C. Martin本人,都在尝试把这些约束组合成一套可以持续纠错的工程闭环。

明确的任务边界

在播客中 Robert 分享了他设计的一套由五个 Agent 组成的工作流:Specifier 负责把人的需求整理成 Gherkin 验收场景;Coder 负责实现;Cleaner 专门清理重复代码、改善命名和结构;Hardener 使用各种指标和测试检查风险;QA 则验证成品是否真正满足需求。

Spotify 的技术团队也做过类似的架构。Spotify 的后台 Coding Agent 采用了另一种边界划分:执行任务的 Agent 每次只接收一个 Prompt,并在指定代码库中完成一次修改;组织上下文、代码推送等工作由其他系统负责。Spotify 的经验是,Agent 的能力范围越明确,行为越容易预测,安全风险也越容易控制。因此,多 Agent 并不是必要条件,关键在于把模糊的大目标拆成范围清晰、结果可验证的工作单元。

可执行的质量关卡

在播客中,Matt 问 Robert:他是否认为《代码整洁之道》中的某些实践在现如今需要改变?Robert 的回答是"阈值"。他的观点是:AI 可以继承传统软件工程的价值观,但不一定要继承所有面向人类形成的实践,由于 Agent 能快速阅读、修改和运行代码,函数长度、复杂度等阈值都可以重新实验。

一些过去没有成为日常实践的质量工具,也因为 Agent 的出现重新变得可行。例如突变测试(Mutation Testing)会故意制造细小错误,再运行测试。如果错误代码仍然通过测试,就说明测试并没有真正覆盖关键行为。在没有 AI 的时代,执行突变测试需要大量的人工,但在 AI 出现之后,则能够以非常低的成本运行这些测试,并由 AI 快速修复测试结果。

因此,与其在文档里反复要求 Agent"代码写好一点",不如尽量把要求变成可执行的关卡:测试、类型检查和 Linter 不通过,任务就不能结束。OpenAI 的 Harness Engineering 实验也沿着类似方向,把模块分层、依赖方向、结构化日志、Schema 命名等规则写入自定义 Linter 和测试,使其稳定作用于 Agent。

不过,质量关卡只能覆盖能够被形式化的部分。设计是否过度复杂、模块边界是否合理、代码是否准确表达业务语义,仍然需要具体判断。过多规则可能让 Agent 只是在"把指标变绿",例如通过过度拆分代码,把一种复杂度转移成另一种复杂度。因此,Harness 不能把"所有检查通过"等同于"代码一定正确"。如何选择指标,以及判断哪些问题必须交给人类,仍然是工程实践中最困难的部分。

独立评估与持续自我纠错

在 Robert 设计的流程中,Agent 需要持续运行突变测试和其他检查,根据失败结果补写测试、降低复杂度或重构代码,直到外部工具判定合格。在此基础上,他又引入独立的 Hardener 和 QA Agent,通过上下文隔离进一步检查实现结果。

独立评估的意义在于,不让同一个上下文既负责实现,又负责证明自己的实现正确。Agent 在生成代码时会形成一套假设,如果随后仍由它自己 Review,很容易沿着原来的思路自我确认。换一个上下文,让 Reviewer 只根据 diff 和验收标准寻找问题,可以减少这种路径依赖。Claude 最佳实践推荐的 Writer/Reviewer 模式,本质上也是同一思路。

Spotify 的实践则采用两层验证:第一层是确定性的 verifier,负责执行固定规则检查;如果失败,Agent 不能创建 PR,而要根据错误继续修改。第二层是 LLM Judge,用来对比原始 Prompt 和最终 diff,判断 Agent 是否超出任务范围,或通过禁用测试掩盖问题。确定性工具适合判断代码能否构建、测试是否通过;独立 Reviewer 则补充那些难以完全形式化的语义判断。

OpenAI 的实践进一步把这个循环扩展到交付过程:Agent 可以检查 UI 和日志、复现问题、修复错误、请求其他 Agent Review,并根据反馈继续修改。检查结果不再只是等待人类处理的报错,而会成为 Agent 下一轮工作的输入。

Harness Engineering 的目标并不是消灭人的参与,而是减少机械流程,把人的注意力留给真正需要经验与判断的地方。

Harness Engineering 智能体工作流

人类定义意图 → 边界明确的任务 → Agent实现 → 确定性关卡 → 独立评估 → 人类判断

读还是不读代码,这是个问题

Robert C. Martin 最近关于"不会阅读 Agent 写出的代码"的表态,引发了程序员社区不少讨论。乍看之下,这似乎是一个很激进的观点。但如果放回他的完整语境里,这个判断并不是简单地"放手让 AI 写"。他强调的是,要用比管理人类程序员更严格的 Harness 来约束 Agent。同时,他也承认偶尔会抽查代码,至于架构设计,则完全由他本人负责,不会交给 AI。

其实,真正的争议不是 Harness 有没有价值,而是它能否代替人的理解。作为程序员,我们是否还需要阅读 AI 生成的代码?如果我们认真理解和审查 Agent 生成的所有代码,就很难充分获得 AI 带来的速度优势;但如果为了速度跳过这些工作,又可能失去程序员最重要的能力。Harness Engineering 很擅长检查那些已经被形式化的标准,却不一定能阻止人类逐渐退出对系统的理解过程。如果反馈循环只验证代码能否通过检查,而不保留人对系统的理论和判断,那可能只是让一座无人理解的塔,更稳定地继续升高。

但也许我们并不需要滑向两个极端,要么"一行代码不读",最大程度榨取 Agent 的生产力,要么逐行阅读每一行 AI 生成的代码。有的科技公司正在探索一种 Risk-based hybrid 的代码审查方式:判定为安全、影响较小的 PR 可以自动合并,复杂或有风险的修改则引入人工审查。一些程序员则让 Agent 处理 CRUD 和 boilerplate,把时间用于研究真正不懂的东西。这种分工未必是逃避理解。关键在于:哪些工作适合交给 AI,哪些工作本身就是我们理解系统、积累判断力的过程?

AI 时代真正稀缺的资源,已经不再只是编写代码的时间,而是人类的注意力。软件工程接下来要解决的问题,也许不是怎样让 AI 写得更快,而是怎样决定有限的人类理解能力应该花在哪里。

结语:当我们学习软件工程时,我们在学些什么

作为一名程序员,我得承认我仍然享受 review 代码的乐趣,也很愿意和 Agent 讨论当前实现是否合理。即使它有时显得过于"墙头草",但也往往能够发现我第一眼没有看到的隐患。

在播客最后,Matt Pocock 问了一个很实际的问题:Robert C. Martin 已经写了 60 年代码,所以即使不再逐行阅读代码,也能依靠长期积累的经验构建出好的系统;但对于刚入行的 Junior 来说怎么办?如果 AI 接管了大量初级编程工作,他们要通过什么途径积累经验?

Robert 的回答其实和 AI 出现之前并没有太大不同:花大量时间亲手进行基础的编程和调试;在资深工程师的指导下工作,学会识别风险、权衡方案、判断什么样的代码可以保留;阅读经典软件工程著作。书中的技术可能会过时,但许多架构经验,都是前人付出真实代价后留下的教训。至于商业公司是否仍愿意承担这样的新人培养的成本,那就是另一个问题了。

以前,理解是一种要求;AI 出现以后,理解变成了一种选择。从这个角度看,AI 有点像托尔金笔下的魔戒:它赋予使用者强大的能力,也不断诱惑我们把原本需要亲自理解的事情交出去。至于这些由 AI 大量参与建造的软件系统是否真的坚固,更严格的 Harness 能否长期确保系统质量,不断积累的理解债务最终又会造成怎样的风险,也许还需要几年才能验证。我们已经看到了一些信号,但只有时间能给出更确定的答案。

作者:黄智涵

跳转微信打开

  •  
❌