Feel ACI ——未来已来|面向S26奇绩创业营申请者的独家社区分享
# Feel ACI ——未来已来|面向S26奇绩创业营申请者的独家社区分享
本文整理自 2026 年 1 月奇绩社区举办的一场内部分享,围绕**新前沿、新阶段、新机会**三个板块展开,尝试从更长期、更结构化的视角,观察技术与创业环境的整体演化曲线,希望为正在探索方向与路径的创业者,提供一些有价值的参考与启发。
本文内容基于现场语音文字稿整理而成,由 GPT 辅助、实习生参与整理与校对,尽量还原分享原意。本资料仅供奇绩社区内部学习交流使用,请勿对外传播。
# **一、新前沿**
与全知全能、甚至带有一点浪漫色彩的 AGI(Artificial General Intelligence ,通用人工智能) 不同,ACI(Artificial Capable Intelligence ,人工能力智能)能够切实解决问题并改变现状。它将极大地缩短从想法到实现之间的距离,并将深刻地改变全行业。
## **(一)未来已来“地震”——ACI来临**
今年一月,Claude Code 的核心人物 Boris 公开表示,其团队 100% 的代码均由 AI 编写,人类仅负责**提问题**与**验证结果。**不到十天,CoWork 发布,同一天 VSCode 版发布。这一次真的是一次“大地震”。
但不是 AGI,是 ACI。ACI 这个词是 Mustafa Suleyman,微软的 AI CEO 提出来的,他叫 Artificial Capable Intelligence,人工能力智能。
## **(二)Vibe code**
那 ACI 到底是什么?
This is incredible。先讲 vibe 是怎么回事。Boris 和他的团队就做两件事:**提问题、提需求**。这件事本身就很难。大部分人需求是想不清楚的。
第二,定义什么是可以接受的结果。剩下的全部让硅基去做。碳基就是提供认知上能够理解的需求,提给硅基,然后验证结果是不是我要的。硅基理解这个需求,去做规划、去做执行——生成代码、生成测试 case,最后去调用各种各样的资源。
**今天 Boris 他们的团队是这样一个工作流程:在 Claude Code 里面的 loop——接收、规划、plan、执行、生成 code 或者别的动作、验证,最后提供反馈。**是这样一个规整的 loop。硅基的 loop、碳基的 loop,基本上跟我们机械地去磨合一个新人很像。一个 junior employee 加入团队之后,你就要写 hook、写 skill、写 comment、写 plugin,这些都是“提示词”。但是是 human in the loop。
他的推特上面都讲得很清楚:他和他的团队每天一次 “run through the whole trace”,说这个地方智能体没有理解对。有的时候要改 prompt,有的时候要加 comment,有的时候加 hook,有的时候加 skill。不管是什么,硅基和碳基有一个磨合过程。磨合到了一定程度之后,鲁棒性达到 95%。
他讲的是 repo level。repo level 一般就是中等复杂度的一个全栈开发。在这个层面上,它是 full\-stack 开发,100% 代码是 AI 写的。这是目前已经做到的核心。
这里有几个概念很重要。上次我们分享的时候“驾驶舱”也就是“harness” 刚刚变得重要,现在 harness 基本上是 everything。Harness 就对应的是 Claude Code:模型是 Claude 4\.5,通过文件系统把上下文整理清楚。在这个 repo level,我们可以进入一个全新的人和硅基的新的工作方式。
**vibe code 最关键解决的两个问题。第一,碳基和硅基有一个明确的分工:提问题、设立验收标准。剩下的都是你做。**Repo level 很简单,有“Multi repo 级别的模块只要组合就行;full\-stack 很快就可以变成别的,开发很快可以从软件走向硬件,什么都可以用这个方法做。最重要的是,解决了鲁棒性的问题——95%。
我在微软也做了很多自然语言的工作,自然语言一直有这个问题:你要么一直很聪明,那很好;你一直很笨也行,那我就按一个“很笨”的系统来设计。最怕的是一会儿很聪明、一会儿笨得一塌糊涂。就是鲁棒性的问题。所以 AI 到目前为止只能做专一的东西,比如人脸识别,宽的都不行。今天的机器人也一样,它跳舞、打拳击都行,你叫它端杯水,它肯定不行。只要需要“正确结果”的事情,它就做不好,它没有鲁棒性。
第一,鲁棒性能力;这是到目前为止的核心问题。vibe code 是第一个可以解决鲁棒性的问题。为什么?因为它是硅基碳基协同的,它每天都 update 它的 \.md file,update skill file,相当于你雇了一个新员工,要通过磨合逐步知道我们是怎么做事的。举个例子,我把 100 个爱因斯坦、1000 个爱因斯坦都丢到你公司里,也没用。他没跟你磨合,他不知道你是怎么做事的,他没有上下文,也不知道你的工作流是怎么回事。这是第一:鲁棒性是核心的问题。
另外,硅基和碳基是一起走的。所以这次真的不是 AGI。AGI 是它独立,我们看着它做就行。这次这个 ACI 基本上是要跟我们紧密合作的。只要它懂我们的意思,它很厉害,它很快就能把你所有事情干完。但前提是:它得懂我们,它得理解我们的要求是什么,知道“这个是我想要的”。
所以,这是非常核心的:鲁棒性 \+ 硅基碳基协同进化。鲁棒性问题的核心是要有“驾驶舱”、有“上下文管理”,有 human in the loop 的迭代过程一起。这是 vibe code 解决的最大问题。而且这个方法、这个体系是模块化、可复制的,我们可以用同样一个方法来解决越来越多的问题。所以这次是真正意义上的“地震”。
## **(三)从 vibe code 到 vibe X**
**接下来我讲,从软件开发——从刚才的 Claude Code,到****“vibe 一切”怎么做。**
首先我先讲所有的软件开发。开发任何软件,其实都是针对于某一组开发界面、某一组 runtime。你开发 EDA 的,下面有一个 substrate,有个抽象;你开发数据库的也是一样。开发任何软件都是一模一样的:你有个开发对象,有一组资源,把它抽象成一个 runtime,然后有一种语言让你表达你想做什么。你根据开发需求去写代码。不管你是 x 什么,核心都一样:做基础设施、做引擎,再做前面的应用。在这个时代你只有三种生意可以做:要么做Vibe X基础设施,要么做Vibe X开发引擎,要么做Vibe X 探索创建。做“这个”生意基本上就是外包——给你硅基人、硅基员工,给你结果。
下面要怎么做呢?假定我们这个 x 是 EDA软件,是设计硬件,是设计蛋白都可以。首先你把这个 aPaaS 的结构划出来:我下面依赖于什么东西?我今天设计蛋白是怎么做的?你把这些表达清楚。你要的是什么呢?你要一个评估体系:评估用户用这个语言表达的意图是什么,评估我设计出来的这个蛋白是好还是坏。不管是什么,你都有个“评估”。
第二,你要有个训练环境:跟这个 x 相关的强化学习训练环境。
第三,你要有个训练基础设施,agent infra。这里面包括 training as a service。Thinking Machines 他们做的就是这个——training as a service。有了这个infra之后,你要开一个“驾驶舱体系”。驾驶舱就是硅基和碳基一起设计蛋白的工作环境,最重要的是“上下文”。不管你做什么生意,你要抓住什么上下文是你想要 own 的。守住你的上下文,就是守住你的商业价值。然后,针对你的开发——假定是蛋白设计——去做一个闭环迭代,模型加上价值场,把这个做好。你就有了用大模型来 vibe 蛋白设计的基础设施,这是 infra。
假定还是蛋白设计,我要 vibe 蛋白设计。我针对这个任务,看蛋白设计的规模有多大、多复杂,我手里需要什么样的人才。今天所有bench基本上是码农在看 bug,你就按照这个来的方式,系统性地去建这个 loop。这个 loop ,基本上目前是硅基能做的。
所以,假定要做蛋白设计,你要建立一个 human\-in\-the\-loop 的 group。假设有一个团队,5 个人每天设计蛋白,我们写各种各样的 NDF(文件),一会儿我会讲什么样的 NDFA 你要写。你就像说:“我要设计这个蛋白,针对这个靶点,价格便宜一点,分支数小一点,我就用语言跟它讲。它理解之后,生成一个规划。你说“这个规划不太好,再激进一点”,“这个稍微放松一点”,你就给它提反馈。然后它生成,生成好了以后再去执行。不管你要做什么样的执行,最后验证。整个 loop 跟前面一样:human in the loop,这是你的开发引擎。
本身我们人就是不鲁棒的,你要的是工程化的体系、流程,只有这样才能鲁棒。你不能靠 scale 它变鲁棒的。你要干的是这个活。然后,有了这个之后,你在上面——假定你的客户是设计蛋白——你就给他这些碳基未来要做的事。
不管你做什么——蛋白开发、硬件设计、电池——你肯定是有一组任务,下面有个基础设施,你的工作是针对下面一层能力,然后你根据需求去设计、去规划、去开发、去验证、拿到结果,交给你的客户。所有工作都是这样的。这就是 vibe X。
## **(四)vibe X\-核心所在**
**讲完 vibe X 之后,讲讲它的核心设计逻辑****。**
Stability principle、Parity \- Composability principle,最关键的是要设计一个驾驶舱—— harness。这里的 parity principle 是什么?parity principle 是:硅基“看到的”和你看到的一模一样。
我们写代码,基本上是 cd 到一个 directory 里,看到这个 file。今天这个是个“裸脑”,你只能喂给它。所以你必须在这个 directory 里面写一个 \.md file。你到这里打开这个 file,人用的工具是 bash,里面有 awk、有 grep,这些它都要学会。我们人怎么找东西,它就要怎么找。也就是说,parity principle 是:人看到的,它都看到一样的;人用的工具,它都能用。不然的话这个 agent is not work。
之所以它会 work,是因为模型学会了怎么用 bash。Agent 在 loop 里,在 harness 里,就会去打开这些 \.md 文件,去找你想找的信息。所以这是 parity principle:看到的是一样的,用的工具是一致的,合作的规则也是一样的。基本上就是 bash、file system、git 这三样东西,这个模型都要学得很溜、都懂。你的驾驶舱只有这样做才对。不是这样做的话,你的智能体一直在蒙,在猜,有时候猜对、有时候错,一会儿聪明、一会儿笨。
each scene 可靠性才重要,这是非常核心的。它对应的是大脑,是模型工作的环境——IDE。为什么从码农开始,IDE 这么重要?IDE 是 integrated development environment,把所有上下文都放在一起。比如营销领域的上下文是很分散的,工作上下文也很分散,所以码农是第一个。接下来,你要给每一个工种设计一种新的 IDE,让它的上下文全在一个地方,让智能体做到 parity principle。然后是 composable:you need to make modules 可以 compose into more steps,multi\-repo task、subtask、parallel 都是 composable 的。文件系统为什么这么重要?因为这个模型在预训练里见过太多文件系统;而且文件系统确实是写代码时最自然的上下文管理体系,所有上下文都在文件系统里。还有工具箱也要匹配:这个模型现在就学会用 bash,bash 里所有子工具怎么协同,就是 git,你从 git 里面看。
所以这是它的核心:为什么做对了?这是 Claude Code 里当前硅基和碳基对齐的 loop。有了这个 parity principle 之后,上下文对齐、工具对齐、协同一致。基本上,我们前面讲的 human in the loop:每天晚上整个团队一起看哪些地方要改,就像每天晚上看这个新员工哪里不懂,“给他讲一下,你要这样做”。几个礼拜下来,就对齐了 95% 。
Claude Code 是这样做的:首先,它是文件系统,里面放上下文;第二,你要写四种 NDF(描述文件),把你的智能体重要的东西、风格、你要什么、不要懒惰的这些规则都放在这里;这些命令是经常用的、你自己工具的组合;skill 是很核心的。还有 hook,hook 就是激发条件:什么情况下触发哪个 skill。
我们人有了一个新的工种叫 vibe,而这个工种什么都可以做。它的好处是什么?从 idea 到实现的距离极端缩短。而且硅基 24 小时不停干、并行地干,带来更多自动化,它会改变所有行业。这一次和工业革命诞生工人、信息革命诞生码农一样,但以我的认知,这是更大的,是“认知革命”。
## **(五)vibe X\-全职业|全职能发展\-cowork**
几天前 CoWork 发布了。CoWork 是 Boris 团队 4 个人,用 10 天时间,100% 用 AI 写出来的。现在有一种叫 agent\-native software,这种 software 很有意思:你对它不满意,重来一次就行,扔掉就可以。Engineer just throw away and regenerate,是 100%。它的核心设计目标是给非码农用的。
你的智能体必须是这样生成的,这样做是 agent 原生过来的。这里有用户感知层、交互层。我觉得这最重要的是心智和信任。Anthropic 这家公司是有首席哲学家的,这家公司文化很不一样,他非常细腻。真正做得好真的不容易,得懂人性。一般人会说:我是个营销的人、我是个设计的人、我是个护士,我要用这个来解决问题,“帮我找这个”。你怎么懂我的意图?我怎么告诉你“这是我要的,这不是我要的”?所以对心智、对认知,这方面要求很高。
机制层都是 5 个环节:编排、协作、NCP(可能以后 skill 会为主)、工具集。一会儿我会讲机会在哪里,因为我看到的是一个全新的、完整的体系。所以,这是他们开发的 ,agent 原生, vibe 引擎开发出来的,不是“人手写”的智能体。
## **(六)vibe X\-规模化\-硅基原生浏览器**
再下一件事:Curser有个人,用 7 天,一口气生成了一个 browser,这个 browser 刚生成的时候,代码是死的,编译都没法编译,重要的是,它是一个 multi\-agent 的 organization。里面有各种角色,有规划者、有执行者、有裁判。要写一个 browser 真的很复杂。但从方法论上看,还是用刚才那一套:它的 harness 用的是 Cursor 的 harness。
这是历史上一次壮举:一个人一口气用 AI 生成了一个 browser。现在至少是可以编译的,他们肯定在 tune、在做 prompt tuning 各种东西,不断地生成,看能不能编译、能不能逐步把 browser 做到或多或少能显示一些网页。
## **(七)vibe X\-全行业发展**
做运营的、做营销的、做设计的、做产品的、做音乐的、做写作的、做蛋白设计的、做硬件设计的、硬件 3D 打印以后做东西的,只要有个想法,就可以用这个方法验证——只要你下面有一个 runtime 就够了。做三维设计的、做新一代游戏的,在我看来所有行业都会被 vibe 出来,因为智能体越来越强。关键是你这个 loop 一定要搭好,上下文一定要对齐。
parity principle:人能看到的,它也能看到;人能用的,它也能用。每天迭代,人和智能体磨合好了以后,就去干,全行业不断往前走。
## **(八)vibe X\-外延扩散**
Ralph Wiggum 搭了个大的 loop,核心就是:“我有任何 idea,我就设置一些条件——时间不能超过多少、钱不能超过多少——你帮我去试,结果不对再来。”因为模型会反思的。也就是说,以今天 Claude Code 的认知、Claude Code 的 harness,只要能 figure out something,它就能 figure out something。任何问题都可以给它。网上有很多很多例子。可以丢给它任务,让它 running wild。
很多中国的模型公司也因此卖掉很多 token,本地部署现在变得很多。本地有一个足够好的agentic model ,the agenda model has sort of different training mechanism,一旦本地化以后,我每天就各种 idea,对吧?扔给它,让它去试。
## **(九)ACI 时代**
回过头来看这次“地震”,很明显已经过了临界点了。因为 Claude 做的,是可复制的。
第二层是“学思考、解难题”。第三层,也就是说 agentic。核心是硅基碳基融合,通过驾驶舱、上下文达到高度鲁棒性,而且可以协同进化,形成闭环。一旦闭环,就是一个健康的产业。第四层、第五层都在早期学创新,第五层学会组织、学会文化。
## **(十)开启新纪元**
对比历史,这一次变革有多大。
第一,我们是开启了新的纪元。我们前面有三次工业革命,第四次工业革命是信息化、数字化,第五次工业革命是硅基智能化。我们想要的 AGI 挺难在今天这个 substrate 上做出来。今天不展开讲 AGI。有的时候历史就是这样:我们以为是那种结果,结果来的是另一个,但也很好、也有用。ACI 让我们三位一体,不断闭环。从人类历史对比,现在推动人类社会进步的是“科学的第四范式”。ACI \+ 通用智能 \+ 全新的数字化,它的产品形式。
对比人类历史,Notion 的创始人 Ivan Zhao 写过,他把这次比作印刷术。因为印刷术发明之前,人类是有知识的。要获取知识怎么办?在欧洲要爬到山顶的 monastery,因为知识写在 church 的墙上,只有 priest 才有知识。有了 printing press,知识开始传播,有了启蒙运动。今天的科学来自启蒙运动。
今天软件只有大的公司才能自己写软件,代表了很强的能力。刚才讲的是“everywhere vibe”。还有一个,我今天只能稍微提一下:人的大脑是怎么进化来的?难道是看更多数据?是,但也是用了更多工具。genotype 和 phenotype 是 jointly evolve 的。大家可能不一定知道,有个说法是:人的大脑为什么进化这么快,其实就是吃熟食,We eat cooked food。别的动物即使脑容量跟我们差不多,也差得很远。就像普罗米修斯把火种偷给我们,we start to change everything。这可能有点夸张,但后面我会稍微提:它让我们找到一条路,让硅基智能在我们的物理环境中,真正去实现我们想认识世界、改变世界的愿望。
历史上我们人类发明了很多工具,对吧?我们发明机械工具,工业化一开始就是帮我们做和人差不多的体力事情。现在的大型吊车、起重机,力气比我们大太多。但这一次,它是可以帮我们解问题的。我自己想法是:ACI 基本上是我们的心灵的 starship。Elon Musk 的 Starship 是飞去火星的,它让我们每个人的心灵都承载了一个 Starship。在我心目当中,这次 ACI 的变革,incredible,there is no other way to put it。你必须要 have to feel it,我们一起感受。
---
# **二、新阶段**
我们来讲这个“阶段”:接下来这个产业会怎么发展?学术又会怎么发展?我们每个创业者怎么做?
宏观是一个扩散过程,it’s always diffusion。微观,大家有机会可以看一下《技术的本质》那本书。技术和科学跟达尔文进化非常像,它是 evolve 的,不可能凭空出现一个全新的 idea,都是过去 idea 的新组合,然后被“选择”。来龙去脉一般是:新的人才、新的产业,或者新的地缘政治,产生新的现象;新的现象就是这一次的 ACI、驾驶舱、上下文、agent infra。
## **(****一****)微观**
### **通用智能\-微观结构\-科技物种**
在科学体系里诞生了一个新物种,a new species,叫“模型”。这棵“树”会逐步长起来。今天 Hugging Face 上有 400 多万个模型,这就是那棵树。它的上游是:模型架构、MLCS 体系、训练方法、可解释性;它的下游又长出一个新物种,叫“智能体”。
首先,编码:是从显空间到潜空间,然后再解码回去。当中有个窗口,就是隐空间——大脑。现在我们都知道,不管是模型还是人脑,本质上都是 MoE(mixture\-of\-experts):世界知识稀疏的,我们大脑非常稀疏,模型也是稀疏的。
这里有几个重要概念。第一个是“上下文”(context)。大家有机会可以看看 David Deutsch、Roger Penrose 这些人写的东西。我自己的理解是:上下文,就是大自然和我们社会环境中“有规则”的现象,这些现象都是通过某种“语法”来表达的。如果是纯随机的,我们不在乎;如果是有规则的,它们就有 grammar。一旦你讲 grammar,就一定有 sequence、有相关性,对不对?
So transformer is a big deal。它不是完美的,但它是个 big deal。transformer 本质上就是一台“上下文计算机”。大自然和人类社会所有“有规则”的东西,都是“上下文”,这就是我们这个模态。先从语言开始,可以是视频,一会儿我会讲其他模态。基本上就是看你编码器能“编”得多细。编码得够细,自然就能看出语法和规律;if you encode is not good enough,你就看不出规则。
第二个是 thinking,思考。这点确实是 OpenAI 的贡献之一,姚顺雨同学也做了很多工作。知识里面有很多 grammar,这个 grammar 就是我们从现有知识当中学会的思维链(chain of thought),但那只是表象。如果要挖更深的规则、更深的原理,就得去 think。Think 就是把越来越多的思维链拉得越来越长,而且这些链条是可以 connect 的。
所以今天的 thinking 训练主要还是靠数学难题和代码题——主要是数学难题。数学是 mathematical object,是人工构造出来的对象:这个叫椭圆,这个叫茶杯,大自然没有这些精确定义的对象;我们去 study 它的性质,就会有越来越多的数学难题。你用这些难题去“激励”模型,让它被迫去想得很远,sample 得很深。
Thinking 就是在做更多采样和探索:从表层知识,往内在规律走。上下文本身只是表面的符号,它也有一些规律;thinking 则是进一步挖更深一层。这次模型能力的提升,基本上大部分都是 thinking 带来的。所以今天的模型一定要有我现在叫“interleaved thinking”。一开始的 thinking 是:到最后一个 token 再去 think 一下,现在要变成 interleaved——生成的过程中就不断在 think。这还不够完善,还不是我们理想里的状态。
第三个是 reasoning,推理。Reasoning 是什么?Given a context,给我一个上下文,再给一个 condition,一个条件,我生成东西出来。这个 condition 就是任务,或者说环境对我的刺激,我生成出来的东西就是解决这个任务的路径。
大模型做的就是这三件事:上下文、thinking、reasoning。今天的 scaling,都是围绕这三件事去 scale,尤其是 scale 这个 thinking。
再看今天的大模型是什么?它其实是一个“裸脑”(bare brain),相当于一个脑机接口,没有任何真正的感知能力。即使你喂给它图像,它看的也像是“做梦见到的”。你让它生成图,基本就跟做梦一样。It doesn’t have perception capability,它就是个裸脑。然后我们在这个数据组织上,长出认知智能、情景智能、具身智能、物理智能、科学智能等等。这就是我们试图在这棵“物种树”上去建模的不同分支。
智能体(agent)就是这样:首先要有个大脑,大脑要拓宽。但它本身的智能一定是 mixture model,是模型的组合。然后往线下去加“感知”。现在大家刚刚开始做一点点感知能力;今天的大模型感知能力其实很弱,我们人是有很强感知能力的。感知其实是 agentic 的,是有目的的,而且是基于上下文的。
我举个例子:为什么第一印象很重要?因为你第一次见这个人,以后就再也没有“第二次第一印象”了。我们也做过一些小研究,第一印象是人类进化来的——你怕一个陌生人害你,你会下意识判断“这个人靠谱不靠谱?”准确率可以到 85%。而且你没法再有另一轮完全“空白”的第一印象。也就是说,第一次见这个人的时候,你的编码器抓了很多信息;第二次见到我,你的编码器就不再那么努力地编码了,因为“见过了”。
所以真正的感知,其实是基于上下文、基于目的的;你要为具体任务做预训练,有注意力的组合动作。不同模态进来以后,隐空间要和语言隐空间对齐。上下文还是一样,模型用语言在脑子里构建一个世界模型,以世界知识去思考。认知模型在上面,底下再加“能动性”。
能动的关键是今天模型“能动干活”的能力,基本上是通过语言去调用工具。今天的工具就是 code——just thinking with code,thinking with tool。也就是说,你通过强化学习,合成很多“工具相关”的数据,让模型学会用代码去想、去探索代码里的规则,去探索文件系统、工具在哪儿,让它自己能找到。To think with tool,这就是 agency。
Agency 是什么?四个关键点:意图理解(understanding intent)、目标遵循(goal following,不是“指令遵循”)、长程规划(long\-term planning)、工具和环境交互(tool \+ environment interaction)。Agency 的本质,就是用强化学习和相关的合成数据管线去训:一部分是 SFT,一部分是强化学习,多一点 RL。如果你要做蛋白,你就要这种数据;如果你做设计、做游戏,也要对应领域的数据。This is how you get more agentic models。
然后编码器,把别的地方好的拿过来,用来编码更多像素和更多语义结构。就像你要理解这个房间:要从不同角落多拍照,多观察。时间久了,你就会知道“这个是圆的”、“那个是方的”。The data, the grammar start to show。你要拍得更多、拆得更细,编码更多像素结构,理解就更强。这其实不是“推理”,是“更强的理解”。它看到这些像素,要理解背后的语义结构,而不是单纯推理。
有了更强的理解,自然就有更强的生成。理解和生成永远是一件事。语言就是这样,我跟你说一句话,你怎么知道你“懂”了?你必须在脑子里生成出“我真正意思是什么”。
我真正要理解一张图里有什么东西,我必须能生成, same thing。然后你就用生成的数据去训:更多合成数据,预训练更强的解码器。而且这个解码应该是 agentic的,尤其是像 Gemini Nano / Imagen 这类系统,它可以让你说“先画这个,再画这个”,每一步都有。然后就是“左脚踩右脚”,用更强的模型去生成更多数据,再训出更强的模型,循环往复。生出来的这一大堆新 species,就是“能动性模型”——再加上驾驶舱、上下文组织、agent infra。
### **通用智能 \- 科学新物种\-演变进展**
所以总结一下:三年刚刚过去,我们这棵“技术树”已经长出很多东西了。一开始只有“模型”(2022 年 11 月)。现在是 model plus、 harness plus 、context engineering。
碳基和硅基的发展路径很相似。碳基这边,人是怎么进化、怎么成长的?首先是“遗传”。聪明不聪明,基本上看你父母是谁,对吧?模型一模一样。GPT\-5 的“爸爸”就是 GPT\-4,因为 GPT\-5 的训练数据里充满了 GPT\-4 生成的内容;GPT\-6 的爸爸就是 GPT\-5。就是遗传。上一代模型有多强,你合成出来的数据质量就有多好。
接下来,人要做的是通识教育,从幼儿园到大学本科。也就是说,这个小孩以后不管干什么,这些基础知识都要学。模型也是一样:预训练(pre\-train),就是它以后不管干什么,通识的内容都要训进来。
后训练和研究生:这个人可能是文科、可能是理科,你让他往某个大方向去做,虽然你也不知道他以后具体会干什么,但要把大方向定出来,成为候选人。再后面,就是进入实际工作场景,on\-the\-job training,能动性越强,安全就越重要。如果一个 agentic 模型能动性很强,但“很坏”,你怎么办?你又不能把智能体抓去坐牢、判刑,对吧?所以你要有新的“治理体系”。能动性越强,安全治理就越重要。
有了这些之后,碳基这边是“做什么工具,用那工具做什么,改变世界”。为什么能改变世界?硅基这边的工具就是驾驶舱,就是harness,就是上下文。
人本身就不鲁棒,我们所做的一切,就是把人类生活、工作的方方面面切成一个个“格子”。在每个格子里,它的上下文,也就是它的 domain,是比较稳定的,variance reasonably small。所以我们做的一切,就是把人要做的事都拆成一个个小块。每一块相对 less noisy,我们人的 reason 才能比较鲁棒地做这件事。
我们把生活工作切分成许多 context。工种也是这样分的:你做 PM,你做市场,你做客户。如果有个人“什么都做”,那就非常 noisy 了,你都没法定义“他做得好还是不好”。我们分领域,就是为了让每个领域内的 distribution 稍微收紧一点;在那个 bound 里,risk tolerance 可以匹配。比如医院:你先进去,护士帮你量体重、量血压;下面护士问你上周吃了什么药;然后医生再来;然后你再去拿药。整个流程是拆开来的。不是病人来了,全家把所有事同时倾倒在医生身上,那会非常糟糕。
最近也有个趋势——“长上下文”,把一本书全扔进去,没有用的,上下文只要进来就会污染模型,我们就没法 reason。同学们有没有体感?我们开会到下午,脑子像浆糊一样。重要的会一定要早上开,因为上下文比较“干净”。下午脑子累了,上下文就很 muddy。
所以一切就是:把上下文整理好、工具环境整理好。
我们还发明了“教育”。今天 Claude Code 里的 skill,本质上就是一种教育。我可以教你:“这个事要这样做,你现在做得不对。”以后会有各种各样的“教育管线”。最后是组织和文化沉淀:共同的语言、共同的习惯。
### **通用智能 \- 新Scaling Law 和 Scaling System**
回过头来讲模型结构。过去预训练只是让模型 scale,让模型更强;test\-time scaling 也是为了让模型“想得更多”。那现在 scale 是怎么 scale?就像人类的 genotype 和 phenotype 是一起演化的,今天的模型也应该是这样。我不知道 Anthropic 内部具体怎么训,但可以肯定的是,他们不会只 optimize perplexity。OpenAI 现在下游做的是对话、加上 bash、加上 code,但 optimize 的核心还是前面的 token\-prediction objective:让“大脑”变得聪明,而不是 joint optimize“成功率”。
正确的做法,是要 joint optimize“任务成功概率”。你的训练 SOP 要不一样:你要让模型 \+ 工具 \+ 上下文 这个整体的成功概率最高(minimum surprise)。所以训练上要做合成数据、增强预训练;预训练阶段要增强提效;中训练(continual training)要补模型没见过的东西;然后做后训练。后训练的核心就是建这条管线,建立 RL 的评估环境,部署 your training service。有了这个之后,才算真正“scale with experience”。
为什么会有 scaling law?宇宙本身就有 scaling,因为复杂体系的 self\-similarity,自相似:大的就是小的放大版,同样结构的系统,规模变大时性能会非线性变好。
所以这是新的 scaling system:人和模型加在一起 scale,可以“看”更多大自然,可以去火星,可以学会各种复杂结构。这是我们的新的 scaling system。这其实就是对 Ilya 那个问题的回答:How do we scale? You scale together。You joint scale with experience,而不只是“把模型做大”。
再往下讲这棵技术树。下面是核心模型能力模型,现在有几个分支:认知智能(cognitive intelligence)、情景智能(situational intelligence)、各种模态——声音、图像、触觉、具身、操作等等,还有空间智能(spatial intelligence):对物理环境的理解。这是模型这棵树长出来的部分;上面再长出一个大节点,叫“智能体”(agent)。智能体长出来以后,就有“模型能动性”(agency)。一会儿我会讲能动性具体怎么推进训练、上下文工程怎么做、驾驶舱怎么做、infra 怎么做。
这里还有个“科学智能”(scientific intelligence)。它和前面的不一样的点在哪?我们现在建的模型,大部分是 human\-scale 的——与人相关、受人干预的世界。比如一个蛋白、一个小分子,这些都跟我们相关,我们可以改变。科学智能要建模的是那些独立于我们的客观环境:我们无法干预它本身,但要把它建好模。这是这棵技术树另一支。
### **通用智能 \-硬件**
下面是基础设施这一层:算力、ML sys。大家一定要关注“专用芯片”。TPU 就是专用芯片,是张量处理器。今天我的认知是:通用计算是人类历史上的一个偶然,不是常态。未来大部分应该是专用计算。这只是个开始。存储是核心,现在 HBM 存储基本上全部买断了。
ML sys做 infra,在市场上机会非常大。因为强化学习需要很强的 infra,整个市场缺口很大。这是技术点。
### **通用智能 \-模型能力\-模型基础**
模型基础这块,DeepSeek 最近发了两篇论文,本质上就是把 attention 的计算做成线性的。Transformer 肯定是不够的,他们加了残差结构和记忆。Transformer backbone 本身是一个比较“粗”的骨架,你可以在上面写很多高效率的算子,这些CUDA算子很快就会被别人实现。我记得他发文章之后,第二天就有一堆人把这些CUDA算子写出来在试。
关键还有记忆力和上下文。记忆力本质是“持续学习”。今年预计会有各种方法,每家做法略有不同。持续学习这块是个大方向。
还有一个模型,大概三周前看到的,MIT 的 Alex Zhang他写的就是 recursive language model,它的逻辑是:你给我一个很长的长上下文,我先用我的模型去理解这个上下文,把它切成一段一段,先在内部整理好,再去找信息。这跟我们人是一模一样的:老板给你一摞 20 本书,让你写报告,你也是先看这本,再看那本,不可能一口气全部往脑子里倒。
强化学习的进展,包括像“柏拉图式”的方法,本质上是在潜空间做联合学习(joint embedding)。
### **通用智能 \-模型能力\-认知智能**
再往上是认知模型:就是强推理、thinking、agentic reasoning、test\-time training。最近这块也非常 active,包括 context graph、模型自我进化。最重要的是 AI scientist 和 AI for AI——reasoning 要足够强。AI for AI 一旦出来,会 massive accelerate,这是很有战略意义的方向。
### **通用智能 \-模型能力\-情景智能**
情景智能这块,主要是跨模态、deep contextual。现在做得最活跃的是“声音 \+ 视频图像一起”。人是怎么画图的?先画这个,再画那个。它就是 agentic:think with drawing,think with image。这个东西就叫 thinking token。你把这种数据建得足够多,那你说“请你先画这个,再画这个,这里放点红色”,它都可以做,所以本质上只是个数据问题。
来所有的用户界面可能都是生成的。生成的时候,一部分是 auto\-regressive,一部分是 diffusion。扩散模型因为 denoising schedule 学得好,渲染速度会更快一点。从第一性原理讲,自回归(auto\-regressive)是最根本的。
为什么自回归是最根本?因为宇宙本身就是自回归的。我扔个石头在这里,它产生一个结果,这个结果会回到环境里,影响下一块石头。你刚刚生成的 token 必须回到模型原始的输入流里,必须是 auto\-regressive。大自然本身就是个渲染引擎,只不过它渲染的方式是火山、风、河流——It’s all recursive。Whatever the output is goes back to the input。
我觉得未来所有电子设备、电脑,都是“模型原生”的。今天的 UI 大部分还是人手写的;以后我们就是 vibe 设计出更好的 UI。这是情景智能。这块应用非常多,有很多创业机会。
我们刚才还提到一个“流体”能力,就是 streaming,现在还没有完全做好,但会做。核心还是智能体系的问题:我前面讲的,今天的感知编码器不是 contextual 的,不是基于上下文,也不是 agentic 的。
举个例子:自动驾驶。我们人开车,轻轻松松、很舒服。假设我每天送小孩去上学,这条路开了几千遍,闭着眼睛都能开。因为我们有 memory,有上下文:我现在在开这条路;还有 agency:“我小孩在后面,今天开慢一点”。今天的自动驾驶,车“什么都不知道”,每一次看到场景都要拼命算、拼命感知,算不过来,(因为)它没有上下文。
再举个例子:人的眼睛是怎么感知环境的?比如棒球外野手,一个飞球打出来,他的眼睛怎么看?首先他预估一下球的速度;第二预估自己的奔跑速度;第三他知道这个球大致会落在哪一片外野,他的队友在什么位置。这是 contextual 的、agentic 的:我要“边跑边看”。而今天的模型是啥?它不管怎样都拼命在看,是不是?
所以情景智能的发展潜力很大,就是要把编码器和解码器都做到位:contextual \+ agentic,左脚踩右脚,互相带动。这样的模型以后可以做各种设备、各种应用,都是用这套方法来做,它本身就是界面。
最后一点:人的大部分知识,所谓 tacit knowledge(默会知识),其实都不是写在纸上的,很多是通过听、通过交流学会的。这种东西基本都靠视觉 \+ 声音 \+ 交流来传承,而不是靠纸面教程。这个维度,模型也会一点点补上去。
### **通用智能 \-模型能力\-具身智能**
具身目前做得比较多的是 VLA。VLA 是从谷歌开始的,从 RT1到RT2。它核心逻辑是什么?我已经有个语言模型了——语言就是 reasoning 的路线,language is reasoning sockets。所以这个模型一上来就有推理的路线,能懂上下文。以这个为主,然后我接一个视觉编码器,把视觉像素映射到一个隐空间,这个隐空间再和语言的隐空间对齐。
基本上就是这个 VLA 的结构。然后我再接一个“行动”的隐空间。比如说,我这个本体是一个 7 个自由度的机械臂,我知道我的本体是什么,我知道本体的控制信号是什么,我也设计一个隐空间来控制这个本体,并且让这个隐空间也和语言隐空间对齐。
主要问题是:数据不够,数据太贵。
这是用 VLA 方法做具身。还有一种是反过来的路线,不从语言开始。
一条路是李飞飞、Gemini 3他们在谷歌做的,是“从空间世界模型开始”。先建模物理环境,尤其是几何结构。今天这种世界模型,训练数据就三样:
- geometry(几何)——3D 结构
- physics(物理)——3D 物理
- causal(因果)
它一定要能做 counterfactual,就是反事实推理。你可以问这个模型问题:这个房间里有桌子,如果你把椅子放到这里,它会怎么样?这个模型必须能回答这些问题。
最大问题是数据不够,具身智能没有一个像“互联网文本”那样沉淀了的大规模数据。现在大家数据怎么做?首先把互联网上的视频数据全拿来,对吧?视频里各种各样的动作:开抽屉、端杯子、关门……你先用这些数据学会人的手是怎么抓东西的,各种和“手”有关的操作。做大量数据处理,让视频先教会你“手”该怎么动。
但视频最大的一个问题是:它基本没法直接迁移到操作上。它没有力反馈,你在视频里学会了动作 pattern,落到真实机器人身上,很难直接用来控制力、接触这些东西。
接下来的数据是什么?就是“遥操数据”(teleoperation data)。遥操非常贵:要适应各种场景,并且还不知道它的泛化和迁移能力究竟怎么样。
它迁移什么?第一是“场景迁移”:你在这个桌子上能拉拉链,换到厨房里拉、再换到洗澡间里拉,它能不能迁移?第二是叫 affordance:你双手、7 个自由度,用一个笨笨的夹爪学会的东西,换成一个特别灵巧的机械手,可能就不适用了。也就是说,你要迁移的维度很多,问题一串串,很多都还没解决。
### **通用智能 \-模型能力\-空间(物理)智能**
空间智能(physical intelligence),也就是说,我们刚才讲的一系列模型能力,怎么让它从数字世界走进物理世界。本质上要有“空间感知”:从二维的感知——人其实也是二维,我们的眼睛本质上是二维的, stereo,但我们能还原出 3D 的几何结构和深度,能理解运动轨迹。最重要的是对物理环境建模,要有“真实的上下文”。
前面讲过,今天你要让模型干任何事,上下文有多好,决定了它能做什么。要让今天的大模型在物理世界真正起作用,必须要有 physical 上下文。这需要部署硬件、部署真实的感知数据体系,在真实的物理环境里,它能够发现 event,能够做 planning,能够做 reasoning。
一个东西如果deployment不出去,就像一个人没有高德地图还上路一样。你今天没有高德地图,你敢开车上路吗?一个机器人跑到这个房间来,它根本不知道这是什么地方,它只能看到一个 patch。所以你必须要有一个真正理解每个物理场景的“高德地图”,让智能体、机器人能够在真实场景里落地运行。这中间机会非常多,这是一片绿野。
我们奇绩生态里有不少做这块的,大家可以一起讨论。
### **通用智能 \-模型能力\-科学智能**
科学智能,是今年最大的趋势之一,和ACI并列的,就是科学的“加速”。
核心是:我们前面讲到的 ACI 能带来的,是科研加时长。让一个化学家、一个生物学家,可以 vibe——“这个实验怎么做?帮我想想。这个靶点打在哪?”
Autonomous / automated 实验室:今天的实验设备基本上就负责采集数据、做个傅里叶变换给人看,然后人手记在本子上。这个工作流说白了是非常“Ark”的,是古代纺织厂式的工作方法。未来会有“数据工厂”:根据你要做的科学实验,合成数据。关键领域,比如细胞,就做细胞模型;很多做免疫的、做材料的、做能源的,这里机会非常多。如果你有耐心、胆子大、有抱负,这块真的机会非常大。推动人类文明的第一驱动力本来就是科学,现在科学会被极大地加速,no question。
### **智能体\-模型能动性\-开发体系**
智能体核心是要做“能动性”的模型。能动性模型怎么做?能动性就是:意图理解、目标遵循、长程规划、工具交互。这几个能力。
训练这样的模型,需要几个要素。第一,必须在真实环境中学。就像一流的大师,只能在实践中学:一流的酿酒师、一流的音乐家、一流的任何高手,都是在实际工作中练出来的。这一次的模型训练方法,跟过去完全不同:你没法“爬数据”、没法让人给你标。你必须在真实环境中做强化学习。
The environment 必须是真实的环境;query 和结果都来自真实的工作场景。评估必须是真实评估,而真实评估是非常难的。这里面创业机会很多很多。硅谷已经有人说:未来的 app,就是“RL environment”。我搭好 environment,就卖给你。你没有 RL environment,你的模型能动性出不来。
有了 RL environment 之后,就是做合成数据,然后做一个 agentic infra training:要有很强的 influence(算力 \+ 框架),去 rollout、去 estimate、再 reinforce。就是训这个东西。然后不断提高强化学习的训练能力和“thinking with tools”的能力。也就是说:它的思维能力 \+ 合成数据 \+ 越来越强的 thinking,再加上 infra,可以系统性地把模型的能动性提上去。
所以对我们创业者来说,如果你自己不训模型是 OK 的,因为有 training as a service。你要看的,是你的客户那里:你能不能帮他搭真实环境?能不能帮他做真实评估?或者你有一种方法,把这几个步骤做到位,然后用 training service,就可以给你的客户提供他想要的能动性。这是模型训练。
### **智能体\-驾驶舱体系\-Agent运行时**
有了能动性训练之后,你必须要有“驾驶舱”。今天一定要有一个“驾驶舱的 runtime”。这是硅基的操作系统,硅基的 Windows,必须要有。不然整个产业就缺了一块。
现在有一些开源的方案,我们这边有一个叫 NextAU,是开源的。结构大致是:上面是 agent 体验层;中间有个 control plane 做管理;再下面是 runtime——执行、状态、隔离(isolation)、故障恢复等等。再下面是框架协调(orchestration)、observability,再往下调用模型,最后接到基础设施。
它的核心价值,和传统操作系统非常像。操作系统和runtime其实是一回事——有硬件就叫操作系统,没硬件就是runtime。It’s just environment。这是一个案例,但这个机会非常大,几乎每个行业都缺这样一个 agentic 的runtime。
### **智能体\-上下文组织\-机会和趋势**
上下文——this is the key。可能大家已经听说过,很火的一个词叫 context graph,上下文图。今天的模型,本质上就是“上下文计算机”。你拥有什么样的上下文,你就赚什么样的钱。现在每个垂直领域都是一个上下文战场。
今天如果你要开始做,我会建议你:目前大模型真正懂的上下文,是 file system。它懂这个,其它的不一定懂。所以不管你做什么,建议你先“样式化”:比如你做客服,把所有客服记录都组织进一个目录结构里。做“样式化”。不然模型不懂。今天这个模型对 SQL database 不理解,你要硬做 RAG,要写很多很苦的glue code;它在预训练里见到的这种 schema 很少。
它没办法知道 “this is one record denormalized in this place”,它没办法真正 generate 正确的 join 思路。你要用 file system 来组织,然后工具箱用 bash,协同用 git,然后用 skill 这种封装形式,把总结出来的好能力、资源编排打包成 skill。再加上 API 文档,或者写 SDK——要么做到 API 调用,要么做到 SDK。这是代码开发的样式。如果你做音乐创作,就把音乐创作“样式化”;企业营销“样式化”;法律“样式化”;医疗“样式化”。在这个阶段,建议都这样做。
长期来看,判断会有人做“基模”,这个基模对 graph 很懂。graph 是最自然的表示方式之一——我们人脑里很多东西是 relation、table 或者其他形式。如果未来有个模型非常懂 graph,懂得怎么 traverse graph,那你可以用 graph,表达力更 general。
### **智能体\-Agent Infra体系**
接下来是 infra——这就是硅基的 AWS。
我们现在的互联网是为“低延时、低并发的人类操作”设计的。但这套东西对智能体来说,延时没那么敏感——它像人,但它不怕等。智能体就是可以等。那网络结构可能会是完全不一样的一套。底层基本上都要重新设计。
当然,这些是强化学习训练环境那一层的核心算法。这里面的 training service 会非常活跃,因为未来能动性无处不在,这种 training service 也会无处不在。
### **智能体\-驾驶舱\-上下文工程\-从历史看未来**
我们今天处在的这个地方,大模型公司,其实就是“能动性公司”。如果说“马”是一种能动性,马是勤勤恳恳的能量体,你要把马的能动性用出来,第一需要什么?需要马鞍——harness,马鞍就是 harness 的意思。马鞍还不够,还得要马车。这是欧洲典型的马车,两匹马拉两个人,或者拉四个人。
但马车最重要的是什么?在人类意识里的重要性是什么?——“城市”的诞生。如果没有马车,就没有城市。欧洲早期的城市半径都是 5 英里,为什么?因为马车一小时可以走 5 英里。城市的半径,是人的主流交通工具一小时能走多远。
我想讲的是:今天的大模型公司虽然很牛,它本质上就是“卖马”的——更聪明的“claude马”、更聪明的 GPT 马。我自己有马,但如果我卖“马车”,生意肯定更好、更大。Claude 要是想做“大城市”,就要说:I give you the city。对吧?有了马车,你可以造房子,可以有这些东西;再到内燃机,逻辑是一模一样的。
内燃机刚出来的时候,有几千家公司做车,早期的车长得都很怪,人类的思维都是线性、惯性思维——早期汽车都长得像马车,只是轮子更大。只有一家在两千多家公司里脱颖而出:福特。福特做对了两件事:model T 的驾驶舱做对了——既能坐人又能载货,每个家庭基本都可以停在家门口;第二是工程体系做对了,做了流水线, assembly line。
所以今天的模型公司,就像当年的“卖内燃机”的,也可能是基建公司。但卖车的,肯定是更好的生意。车又带来了现代都市、高速公路。如果你是卖车的,你肯定要做更大的生意:做房地产、做 shopping mall。
认知、视野、格局非常关键。不要只盯着模型,要去看“驾驶舱”,再往后看更大的生意是什么。我们可以从历史看未来的发展规模是什么。
## **(****二****)宏观**
# **三、新机会**
## **(一)新机会\-中国早期创业生态**
第一是范式变化:过去是从 0 到 1,developer\-founder。现在是 researcher\-founder。很多创始人要解决的是“从 \-1 到 0”的问题:过去不可能的事情,现在变成可能,然后再用传统方式去做 0 到 1。
还有就是新机会:科学加速,智能落地。
新的全球化,在中国不管你现在做什么,你现在先深耕你所在的赛道,把你的上下文全部搞定,然后再开拓。
## **(二)新机会****\-****“人”和“事”的组合**
最终是“人和事”的组合。
对于创业者个体而言,最核心的竞争力在于“斜率”,即认知的斜率、能力的斜率以及品味的斜率。FDE(Forward Deployed Engineer,前沿部署工程师)将是非常重要的人才,不仅懂技术,更具备极高的审美和对复杂系统的全局掌控力。未来一定是 FDE。奇绩现在在准备 FDE 的课程,大家有兴趣可以关注一下。
在具体的业务路径上,如果有能力,应当深耕基础设施、模型底层或平台级公司。如果暂时还不行,可以构建一套“引擎 \+ 外包开发”的模式:你把开发工作干完,把“硅基劳动力”归集给你的客户,或者直接用硅基帮他干活。
## **(三)新机会\-奇绩创坛2\.0社区共建**
奇绩创坛也在经历自身的 2\.0 升级,我们正系统性地将创业社区与加速过程“ACI 化”。在奇绩的产品矩阵里,我们有奇绩创业公开课、还有奇绩算力支持和行研信号体系,希望能够支持更多创业者抓住这场巨大的历史机遇。
**现在是时候去“Vibe”了,It\&\#39;s time to vibe!**
# 四、推荐阅读
## (一)《技术的本质》
《技术的本质》是著名复杂性科学家 W\. Brian Arthur 的代表作,是一套关于技术产生和进化的系统性理论。本书是打开“技术黑箱”的钥匙,它用平实的语言将技术本质的思想娓娓道来。构建了关于技术的理论体系,阐明了技术的本质及其进化机制。是技术思想领域的开创性作品。
## (二)《The physical AI deployment gap》
文章链接:https://www\.a16z\.news/p/the\-physical\-ai\-deployment\-gap
该文章提出了一个对机器人行业非常关键的判断:当前机器人的最大瓶颈不在模型能力,而在“能否被真正部署到现实世界”。所谓 deployment gap,指的是机器人在实验室或 demo 中表现亮眼,但一旦进入真实环境,便因环境不确定性、系统复杂性和运维成本而难以长期稳定运行。
文章指出,机器人不是单一模型,而是由感知、控制、机械、软件和人类协作组成的端到端系统,任何一个环节的不稳定都会在规模化部署中被放大。真实世界充满长尾事件,失败不是异常而是常态,因此“失败后的恢复能力”比“成功时的智能程度”更重要。真正可部署的机器人往往从一开始就被设计在高度受限的场景中,拥有清晰的任务边界、可观测性和人工接管机制,而非追求通用智能。最终,机器人公司的核心竞争力不只是算法,而是将技术、运维和系统工程结合起来的部署能力本身。
## (三)《Scale》
《Scale》出自当今最具影响力的科学家之一、富有远见的物理学家杰弗里·韦斯特(Geoffrey West),他是复杂性科学领域的先驱,该学科研究的是涌现系统与网络。然而,“复杂性”一词可能具有误导性,因为韦斯特的发现之所以令人惊叹,正在于他揭示了一种深层的简洁性:这种简洁性将生命系统中看似纷繁复杂的多样现象——包括我们的身体、城市和企业——统一了起来。
出于对衰老与死亡的浓厚兴趣,韦斯特以物理学家的严谨态度,探究了“人类为何只能活到一定年限”的生物学问题。结果令人震惊,并彻底改变了科学界:他发现,尽管哺乳动物种类千差万别,但它们在很大程度上只是彼此的按比例缩放版本。只要知道一种哺乳动物的体型,就能通过标度律(scaling laws)推算出它每日摄食量、心率、成熟所需时间、寿命等几乎所有生理特征。更重要的是,哺乳动物循环系统的效率会随体重精确地缩放:若在对数坐标图上比较老鼠、人类和大象,你会发现,体重每翻一番,该物种的代谢效率就提升25%,寿命也相应延长25%。从根本上说,这源于为机体输送能量并清除废物的分形网络几何结构。
韦斯特的研究彻底革新了生物学;但他更进一步,大胆探索其理论的普适性。他发现,城市同样是由网络构成的集合体,而标度律竟以惊人的精确度适用于它们。近年来,韦斯特还将这一开创性工作应用于商业世界,由此获得深刻洞见:为何有些公司蓬勃发展,而另一些却走向衰亡。这些发现的影响深远,目前才刚刚开始被世人探索。
《Scale》是一部激动人心的科学探险故事,讲述那些以简单却深刻的方式将我们紧密联结在一起的基本自然法则。透过杰弗里·韦斯特的卓越智慧,我们得以看见:城市、企业乃至所有生命,都在遵循同一支简洁而强大的宇宙韵律起舞。
## (四)《奇绩创业指南》
「奇绩创业指南」是免费向创业者开放的内容,包括《前沿创新方向梳理》《早期融资指南》《早期获客指南》等,欢迎点击链接阅读:[https://apply\.miracleplus\.com/high\_quality\_content?](https://apply.miracleplus.com/high_quality_content?r=PRteam&p=cyzn&c=ib&r=PRteam&utm_source=fs&utm_campaign=26.02share)
## (五)《奇绩大模型笔记》
「奇绩大模型笔记」是奇绩为创业者整理的前沿技术趋势与应用实践洞察系列内容。本次分享受时间限制,主要聚焦最新进展与核心洞察,文中提及的部分概念与细节,我们在往期笔记中有更完整的展开。以下是笔记链接,欢迎阅读:
[《数字化迎来能动性拐点:创业者有哪些可以把握的系统性机会?|奇绩大模型笔记 \#8》](https://mp.weixin.qq.com/s/pXnidzoJK3_WwlR89io9DQ)
[《AI发展进入能动性阶段:上下文工程与模型能力并重 ](https://mp.weixin.qq.com/s/5UrQqzRs1VUq6D3yJ7m8vQ)[|](https://mp.weixin.qq.com/s/pXnidzoJK3_WwlR89io9DQ)[奇绩大模型笔记 \#7》](https://mp.weixin.qq.com/s/5UrQqzRs1VUq6D3yJ7m8vQ)
[《四个值得创业者关注的 Agent 开发趋势](https://mp.weixin.qq.com/s/Tqf_w-lzYfV-FGw1m6uMLw)[|](https://mp.weixin.qq.com/s/oQeo6SB4Vgg5CBZ7aIPNrw)[奇绩大模型笔记 \#6》](https://mp.weixin.qq.com/s/Tqf_w-lzYfV-FGw1m6uMLw)
[《通用智能发展:关键技术突破方向与创新机会观察|奇绩大模型笔记 \#5》](https://mp.weixin.qq.com/s/oQeo6SB4Vgg5CBZ7aIPNrw)
[《通用智能进入第二幕:关键变化与发展趋势|奇绩大模型笔记 \#4》](https://mp.weixin.qq.com/s/WIhlhgToCwelryLURAmxIQ)
[《大模型相关的产品化路径思考|奇绩大模型笔\#3》](https://mp.weixin.qq.com/s/m8BG15VMscFHZ3eJMMT6sQ)
[《奇绩视角下的 Scaling Law(规模定律)|奇绩大模型笔记 \#2》](https://mp.weixin.qq.com/s/7dWyo-kkTWmoL7vFAcySCA)
[《通用智能的本质|奇绩大模型笔记\#1》](https://mp.weixin.qq.com/s/miev5cUIgKvnz3hK7iIBRg)