这期是在劳动节当天讲的，结尾那句话把整期串了起来：一百多年前，工人为了每天工作八小时走上芝加哥街头；今天有厂商告诉我们，AI 的运行成本已经超过——准确说是低于——人工成本。那我们今天看到的劳动，到底是我们在用 AI 生产，还是我们在被 AI 用来生产？
先看这周的量：一家裁了 10%、八千多人；另一家用买断的方式，走了接近九千人。
买断的标准挺有意思：工龄加年龄大于等于 70。要么你是资历深的，要么你是公司老员工。
关键的区别在动机：上一波裁员是急着腾出现金去买卡；这一波不是——是看到了比较明确的替代趋势才裁，而且裁得越来越精准。
同一周的模型侧：一个 1.6T 的开源旗舰发布，上下文直接给到一兆——接下来各家如果还停在几百 K，就有点不好意思了。预计三到六个月内会看到大量公司部署它。
这是个很具体的亲身观察：最近飞得比较多，在飞机上跑本地模型的时候发现，之前有点忽略了二三十 B 这个量级的小模型。
它能做的事其实不少：基本的分析、翻译、注释，或者讨论一些比较一般性的问题——本地模型完全够用。
这条恰好接上另一个话题：某家换了 CEO，而它这几年一直纠结的核心矛盾是「守住隐私」和「做出效果」之间的取舍。端侧模型是唯一的解法，而小模型的可用性正在快速抬升。把 27B 模型烧进 300 美元的 ASIC、500 美元的消费级 GPU 号称在编程基准上越过云端旗舰、单卡 15 分钟训完一个世界模型——推理成本的下限正在从三个方向同时被压下去（《推理成本的下限正在消失》）。
一份研究显示：这半年、甚至最近几个月，模型能力是在加速增长的，不是持续平缓增长。
这件事本身挺可怕。
但它和另一个判断是对得上的——此前有人写过，这一波 AI 增长的指数周期已经快到结束了。而指数曲线接近尾声的时候，恰恰不是平缓期，正是加速最猛的那一段。
「跑得越来越快」和「快到头了」不矛盾，它们可能是同一件事的两种说法。
同期还有一条算力侧的：一家大厂对另一家模型公司的投资，大量是以算力的方式给的；结合它新一代自研芯片的进展，基础设施层面的长期增长是可以预期的。
两个来自内部的观察：一些资深工程师的 token 消耗量能排到全公司前五——这批人其实很少写代码；VP 级别的也经常排在前十、前二十，这帮人整天开会，更不写代码。
那只能解释成：他们把模型大量用在了 coding 之外的工作上。
但接下来的部分就变味了。有公司搞了「低消」——像餐厅的最低消费，一周至少要花掉多少额度，不设上限。结果就是大家赶紧把额度烧掉，烧完了也没产生什么结果。
另一家的做法温和些：加了断路器（某件事跑得太多就立刻切断），仪表盘的导向是鼓励大家做新东西。
结论很直白：token maxing 只对 API 供应商有利，对其他所有人都不利，因为大家会被迫消耗大量没有意义的 token。
这套"低消"和断路器的账，本刊在另一篇里算过一遍：GitHub Copilot 放弃固定席位改按用量计费、一位分析师一天烧掉 6000 美元 token、Uber CTO 提前花光全年 AI 预算——席位订阅正在被算力计费顶掉，企业的预算表和考核口径都得重做（《从席位到算力：AI 商业模式的范式重构》）。
有篇文章解释了一个疑问：为什么一家模型公司要不停地发各种东西，一路碾过各个行业的 SaaS？
答案是：它的做法和当年那家搜索公司如出一辙——commoditize your complement，把自己的配套服务商品化。
那家公司是怎么做的：搜索免费、邮箱免费、浏览器免费、操作系统免费——目的是清除用户和它的核心商业模式之间的一切收费站。搜索的护城河是广告收入，邮箱要的是用户数据，地图要的是本地广告意图，移动操作系统和浏览器要的还是搜索。
换到今天：推出一套数据集成的开放协议，目标是把「数据集成」这件事做成接近免费的能力，最终让大家去消耗模型。
免费的从来不是慈善，是在拆掉你走向收费站路上的每一道闸机。
拆开看是三层：
一、内容层面——大量低质量的 AI 内容。二、就业焦虑：Gen Z 正处在就业的起步阶段，结果直接撞上了可能是人类史上最大规模的知识收割，也是初级工作被大量干掉的阶段。三、信任疲劳。
反过来想，这里面有产品机会：对这一代用户，是不是需要一套新的产品策略——比如带点复古、带点人文的东西，构建一种让人感觉更舒服的产品。
比较极端的版本已经出现了：有出版社在新闻编辑室的 AI 策略里明确声明「我们的内容都是人写的」，虽然内部会用到 AI 工具，但号称会严格遵守一套使用政策。这是非常典型的、上一代匠人最后的执拗。
这条是这期最实在的一段。
现在的软件和信息系统里沉淀了大量行业专家的显性和隐性知识，才有了今天这套繁荣的生态。但现在很多人开始以不写代码为荣。短期看没问题，长期看，这跟「一个国家已经不知道怎么造炮弹」是同一类事——出来混迟早要还。
更具体的断点是：这些公司都开始不招应届生了。初级工程师没了，那以后谁会这些东西？
下一代的高级软件工程师，已经没有一条路径可以走到那里。
相关的一项研究也印证了这点：AI 的长期辅助会降低独立决策能力，导致技能萎缩。两年前写代码很强的那批人，包括我自己在内，现在肯定没以前厉害了。
所以提出的方向是：给初级工作造一个职场的 playground。不是「以后都交给 AI 干，所以不需要新人了」，而是造一个模仿真实职场的环境，让刚入行的人有机会真的爬到资深的能力上。
AI 辅助战争带来的直接后果是：「人在回路」已经不 work 了。人已经无法理解那个过程，最后只剩下一个 yes or no——人类跟不上了。
由此引出一个新的可能性：既然明知对方在用 AI 做决策，那我们是不是可以给对方的 AI 投毒？
这就是一种完全新的 AI 武器。与之相对，AI 军控大概率是搞不定的。
同期一个很具体的数字：美国国防部在内部一个非机密网络上，短时间内造出了十几万个 agent——回邮件、起草报告、做参谋类的工作。这是文职体系在怎么用 AI 的一个真实样本。
有云服务商放出了「agent 可以自己创建账号」的能力。别被标题吓到，关键是看它到底怎么做的。
第一反应的两个问题是：一、钱包从哪儿出？二、对应的法律责任归谁？
所以 KYA（Know Your Agent） 是必要的——就像 KYC 一样，得知道背后是谁，法律责任和风险才能归到人身上。但目前还没有一家公司给出标准实现。
它实际的做法是：仍然要有一个人类账号作为授权来源方和账单支付方，agent 账号是从人类账号衍生出来的，产生的责任全部归到那个人身上；支付走的是一种支付代币。
为什么不能完全自主？想一下就明白了：如果真能从零开户，最开心的一定是干黑产的——疯狂开号、疯狂做灰色和黑色地带的事。
给企业做分享时现在必讲的一段是「中间层的崩溃」：中间地带在快速消失。SaaS 要么往上走，变成 AI 化、agent 化的东西；要么往下沉成基础设施——提供数据，或者提供上下文。
另一条容易被忽略的：我们通过自动化，把自己送进了古德哈特定律的困境。
代理指标被满足得非常好，OKR、KPI 都很漂亮，但「到底有没有价值、有多大价值」这件事被忽略了——因为一旦给一件事定出了衡量标准，它就很容易走偏，而这个标准大概率并不是对最终目标的衡量。
同一周还有两条值得记：语音的恐怖谷是真的过去了，新的 TTS 和语音 agent 已经足够自然；还有一台机器人在乒乓球赛中打败了人类顶尖选手——又一个 AlphaGo 时刻。
主讲当期备课笔记的分类整理，共 9 个类别、196 条链接。类别、顺序和笔记里的批注保持原样，链接标题取自原文页面。
宏观趋势、战略判断与关键事件。聚焦"为什么重要"而非"发生了什么"
底层技术动态：算力芯片、分布式训练、推理优化、存储网络架构与成本效率
LLM最新进展：新模型发布、架构创新、上下文扩展、后训练优化、开源vs闭源生态
跨模态理解与生成：视觉-语言、视频生成、语音交互、认知可控生成、原生多模态架构
AI与物理世界交互：机器人基础模型、自动驾驶、空间智能、动力学感知、Sim2Real迁移
数据燃料：合成数据、数据清洗、长上下文工程、RAG、知识图谱、领域数据集
可控性与透明度：RLHF/RLAIF、语义可控性、幻觉抑制、可解释性、隐私保护、AI对齐
能力衡量标尺：新基准测试、认知属性评估、评测集污染、人类对齐评估、模型排名
C端与B端产品落地：生产力工具、内容创作、搜索重构、企业SaaS、垂直方案、商业模式验证
AI驱动科研突破：药物发现、材料科学、气象预测、数学证明、科学计算融合
界面范式迁移：对话式UI、生成式界面、自适应界面、多模态交互设计
真实场景机器人部署：杂乱场景操作、零售物流自动化、家庭服务、工业制造
工程化基础设施：模型标准、API协议、提示词框架、MLOps/LLMOps、开源协同标准
Agent架构与协调机制：规划推理（ReAct/CoT）、记忆设计、自主决策、多Agent协作框架
Agent可调用的外部能力与接口：MCP协议、Skills技能库、工具生态（搜索/计算/数据库/API）
专业开发者工具：IDE、代码生成、重构、调试、代码审查、架构设计辅助
低门槛应用构建：无代码/低代码工具、Text-to-App、可视化编程、非技术人员创作民主化
人才与组织变革：研究团队动向、人才流动、AI原生组织、人机协作模式
教育资源：顶级课程、动手实验、开源教程、认证体系、学习路径
早期信号探测：小众论文突破、跨学科融合、边缘技术交叉、反常数据趋势
可交易标的的信号：对上市公司股价市值、对债券、ETF等标的，对即将上市公司的影响