修炼

最会讲AI的人，今天可能不是工程师，而是教皇。最近《连线》杂志写了一件很妙的事：教皇利奥在一份谈人工智能的新文件里，居然搬出了《魔戒》。很多科技圈大佬也爱提《魔戒》，但他们常常把它讲成另一套故事：谁拿到最强的戒指，谁就能改造世界。听着是不是很像现在抢AI的人？谁模型更强，谁芯片更多，谁就想当未来的总导演。可教皇说，托尔金真正写的，恰恰不是“力量真香”，而是“力量太大，人会变形”。人工智能，说白了就是像ChatGPT这种能聊天、写东西、做判断的机器脑子。它厉害就厉害在，能把很多原来靠人做的事，一把接过去。问题也在这儿：当你手里突然多了一个不会累、不会抱怨、还能一天干一百份活的“超级实习生”，人很容易从“我在用工具”，滑到“我要控制一切”。高潮就在这儿：教皇不是反科技，他是在提醒，真正危险的不是AI会不会像电影里那样统治人类，而是人类拿着AI，先把自己变成了戒指的奴隶。说白了，别把工具捧成神。要不最后不是AI像索伦，是我们自己先演上咕噜了。

你去饭馆想点菜，服务员直接端来一盘“我替你选的”，你烦不烦？这就是很多人最近对谷歌搜索的感觉。谷歌在 I/O 2026 大会上，把搜索又往前推了一大步：不再老老实实给你一排蓝色链接，而是先给你一段AI生成的答案，甚至还想像助理一样，替你继续办事。这里的AI搜索，说白了，就是机器先替你读一堆网页，再把它觉得重要的内容总结给你。听着很省事，对吧？但问题来了，很多人上网不是只想听“标准答案”，而是想自己挑、自己比、自己点进去看原文。结果另一家搜索工具 DuckDuckGo 说，它的App安装量涨了大约30%。为什么？因为它一直主打一件事：少跟踪你，少替你做主，尽量把搜索还给你自己。高潮就在这儿：大家以为AI越多，用户就越开心，可这次不少人用脚投票，意思很直接——我不是来被“喂饭”的，我是来找东西的。搜索这件事，原来不是谁更像全能秘书谁就赢，有时候用户更想要一个安静递菜单的服务员。谷歌可能是想给你配个管家，结果有些人只想要一张老老实实的目录。

为什么同样是AI，有的回答像开卷考试，有的像一本正经胡说八道？差别常常不在“会不会写”，而在“会不会找”。最近有人演示了一套很实用的方法，名字听着吓人，叫“检索加重排”。你别被词吓到，它其实特别像公司招人。第一步叫检索，就是先海选，像HR把一大堆简历里看着差不多的先捞出来，速度要快。第二步叫重排，就是复试，请一个更细心的面试官，把这些候选人重新排队，谁最靠谱谁站前面。这次用到的 Zerank-2，本质上就是这个“复试官”。它是一个专门拿来比对问题和资料是不是足够匹配的AI。文章里说，它有40亿个参数。参数你可以理解成它脑子里可调的“小旋钮”，旋钮越多，通常越能分清细微差别。为什么这事重要？因为很多现在的AI问答，背后都不是纯靠记忆，而是先去资料库里翻，再回来组织答案。这叫“检索增强生成”，说白了就是让AI先查书再答题。高潮就在这儿：以后决定一个AI像不像靠谱同事，可能不是它嘴有多甜，而是它会不会先把资料找对、排对。毕竟找错参考书的学霸，最后也只能把错题写得特别自信。

你以为跟 AI 多聊几句只是费点电？其实很多公司最先爆掉的，是显卡内存。像 ChatGPT 这种能聊天、能写东西的大模型，每回你发一句，它都得偷偷记住前面聊过什么。这个“记忆本”在技术里叫 KV cache，你就把它当成 AI 边听边做的速记。问题是，聊得越长，速记本越厚，显卡就越像被塞满的行李箱，贵得飞起。Together AI 这次把一个叫 OSCAR 的系统开源了。开源，就是把做法公开，别人也能拿去用。它干的事很直接：把 AI 这本速记，从原来比较占地方的格式，压到只有 2-bit，也就是每条信息只留特别精简的表示，像把厚衣服抽真空。难点在于，压太狠，AI 容易失忆、答非所问。OSCAR 的聪明点，是先分析哪些信息更重要，再换个更省空间的摆法，尽量压缩但不把脑子压坏。高潮就在这儿：长文档总结、超长客服对话、连续几小时的 AI 助手，过去最烧钱的不是“想”，而是“记”；现在有人开始动这块大头了。我觉得这比模型再大一点更实际，毕竟老板先看账单，不先看梦想。说白了，AI 还没学会少说话，工程师先教它少占座。

最神奇的合作，可能是大家谁都不把数据交出来，AI 反而学得更好。NVIDIA 最近拿一个教学项目，把这事讲明白了。它演示的是“联邦学习”，这词听着硬，其实很好懂：不是把所有人的数据都搬到一个大仓库里训练 AI，而是让每家自己在本地练，最后只把“学会了什么”汇总。像几个学生都不肯交作业本，但愿意告诉班长自己这题怎么做。这个教程用的是 CIFAR-10，一个常见的图片数据集，里面有猫、狗、汽车这些小图。更关键的是，它故意把数据分得很不平均。技术里叫 non-IID，你就理解成每个地方拿到的题都不一样：有的全是猫，有的老见卡车，很像现实里的医院、银行、手机用户，谁手里的数据都偏。教程比较了两种方法：FedAvg 像大家轮流报分数求平均，FedProx 则多加一条绳，防止每个人练着练着跑偏太远。高潮在这里：真正难的不是把 AI 练强，而是让它在“彼此不信任、数据又不一样”的现实世界里还能合作。这种方法对普通人最直接的意义，就是以后你的医疗记录、手机输入习惯，不一定非得上交，系统也能继续变聪明。说到底，AI 也开始学成年人社交了：可以一起干活，但别随便翻我抽屉。

很多人一听 ETL 就头大，其实它翻成人话，就是数据搬家三件套：先拿出来，再收拾干净，最后放进新家。最近有篇挺有意思的实战文章，作者几乎是从零开始，第一次搭自己的 ETL pipeline，也就是“数据流水线”。流水线你可以想成工厂传送带，数据从一头进来，中间洗一遍、改一遍，最后整整齐齐出厂。她选的数据源是 GitHub。GitHub 你可以把它当成程序员发作品、协作写代码的大平台。第一步叫 Extract，也就是提取，她去连 GitHub 的 API。API 这个词别怕，你把它当成网站留给程序的服务窗口，你按规矩问，它按规矩给你数据。第二步是 Transform，转换，就是把原始数据里乱七八糟的部分整理好，像把搬家时一袋子杂物分成衣服、书和锅。第三步是 Load，加载，也就是放进目标位置，方便以后查和分析。高潮不在技术多高级，而在这件事把一个常被说得很玄的岗位，突然拉回地面：原来数据工程不是天才魔法，是把脏活累活做成固定流程。对普通人也一样，很多“智能报表”“推荐系统”背后，先得有人把数据管道修通。说白了，AI 再聪明，也得先有人把菜洗好，不然它连锅都开不了。

你以为最懂技术的谷歌，早就把 AI 安全这道题做完了？还真没有。现在的情况更像什么，像全世界都刚买了一辆会自己开、还会自己说话的新车，大家一边上路，一边找刹车在哪。这里说的 AI，主要就是像 ChatGPT 这种能聊天、能写东西、还能帮你做事的系统。问题是，它不只是“会说”，它还可能胡说、泄露不该说的东西，甚至被人故意带偏。所谓 AI 安全，说白了就是怎么让这辆车别乱冲、别认错路、别把后备箱密码也顺嘴说出去。连谷歌这种公司都还在摸索，说明这不是谁做个补丁就结束的事，而是一个正在发生的过程：公司在学，研究员在学，普通用户也在学。高潮就在这儿——以前互联网公司是产品先上线，再修 bug；现在 AI 是能力越强，风险也越像影子一样跟着变。你今天教会它一项本事，明天就得想清楚这本事会不会被人拿去干坏事。我觉得这事最真实的地方，不是“谷歌也不行”，而是“原来全人类都还在试驾”。所以以后看到 AI 回答得特别自信，你最好别先鼓掌，先看看它是不是那个一本正经胡说八道的实习生。

以前你跟 AI 说话，像在跟导航聊天。现在不一样了，AI 开始像“人”了。上海的 StepFun 刚放出一个新东西，叫 StepAudio 2.5 Realtime。名字听着硬，其实你可以把它理解成一个能实时听你说、马上回你话的语音大脑。重点不只是快，而是它还能“带人设”。什么叫人设？就是你可以把它调成客服、老师、陪聊角色，甚至某种固定性格的人，它说话的语气、节奏、反应方式都能跟着变。这里面有个词叫“端到端”，别被吓到。大白话就是，以前语音 AI 像接力赛，先把你的话听成文字，再想怎么回答，最后再念出来；现在它更像一个人直接听、直接懂、直接回，少了中间倒手，反应就更快。它还特别强调能听懂“话外音”，比如情绪、停顿、语气变化，不只是认字面意思。高潮来了：这代表以后你遇到的 AI，可能不再像一个冷冰冰的机器，而像一个被精心设定过性格的“数字员工”或者“虚拟角色”。客服会更像客服，老师会更像老师，连游戏里的 NPC 都可能不再像木头人。说白了，以后最会接话的，可能不是你同事，是你手机里那个被调过性格的 AI。人类卷情商，机器已经开始报班了。

最让开发者崩溃的，不是 AI 不会干活，是它昨天还正常，今天突然开始胡说。更气人的是，你还不知道它哪一步出的问题。最近有篇教程火了，讲的是怎么用一个叫 Langfuse 的工具，把 AI 应用的“监控系统”整套搭起来。这个工具是开源的，开源就是代码公开，谁都能拿去用、拿去改，不用被一家公司死死卡住。Langfuse 干的事，你可以把它想成给 AI 公司装行车记录仪加财务流水。所谓 tracing，也就是追踪，就是把 AI 每一步怎么想、用了什么提示词、调了哪个模型、最后回了什么，全都记下来。提示词就是你给 AI 下的指令，像你给实习生写任务单。再往下还有打分、数据集、实验。打分就是看它答得好不好；数据集就是拿一批固定题目反复测；实验就是同一个问题换不同说法，看看哪种更稳。高潮在这儿：以前很多 AI 产品像玄学，出错了只能拍脑袋改；现在开始像修车了，哪根线松了、哪个零件不行，能一点点查出来。对普通人有什么影响？你以后用到的 AI 客服、AI助手、AI写作工具，会慢慢少一点“今天像天才，明天像喝多了”的随机感。AI 终于也要开始写周报了，而且还是自动生成的。

你以为法拉利在赛道上拼的是车，结果它现在连你刷手机那几秒都不想放过。法拉利F1车队最近跟IBM加深合作，要用AI给车迷做一套“越看越上头”的追赛体验。AI你可以把它想成一个特别会察言观色的数字店员，它会看你平时爱看什么、关心哪位车手、比赛时最常点哪类内容，然后把官网和App里的内容给你重新排一遍。IBM拿出来的是一整套企业级AI工具，叫watsonx。名字听着硬，其实干的事很像一个超大号后台大脑：一边分析比赛数据，一边分析车迷行为，再把最合你胃口的内容推到你眼前。比如你刚看完排位赛，它可能立刻给你补上战术解释、车手故事，甚至互动问答，让你不是“看完就走”，而是越陷越深。高潮就在这儿：法拉利要的不是一次点击，它要的是把偶尔看看比赛的人，养成每周都来报到的长期粉丝。以前俱乐部靠明星和成绩留人，现在连热爱都开始精细化运营了。以后你以为自己在追比赛，可能其实是比赛在追你。说白了，法拉利现在不光造快车，还想顺手改装你的注意力。

最会卖未来的人，最近好像先把自己以前讲的未来放下了。马斯克这些年一直很爱讲一个故事：太阳能发电，加上电池储能，再配电动车，地球就能更干净地转下去。你可以把这套想法理解成，白天把太阳光攒进“超级充电宝”，晚上再拿出来用，听着挺顺。可现在，TechCrunch盯上的变化是，马斯克的新重心越来越不像“省电”，更像“拼命找电”。尤其是xAI，也就是他做人工智能的公司。人工智能不是凭空聪明，它背后要堆很多服务器。服务器你可以理解成一排排特别费电的超级电脑，越想让AI更能说会算，就越像给它建一座永不停工的工厂。这类工厂最怕的不是没想法，是没电。于是问题来了：当AI和算力，也就是电脑干活的力气，变成最贵的资源时，太阳能那种节奏慢、受天气影响的方案，就不再像他嘴里的主角了。高潮是，这不是一个企业家口味变了这么简单，而是整个科技行业都在暴露一个现实：大家嘴上说绿色，身体却在扑向更耗电的AI基础设施。以前马斯克卖的是“怎么省电”，现在更像在研究“怎么先别断电”。太阳还在天上，但C位已经被机房抢走了。

如果SpaceX真的上市，很多人第一反应可能是：哦，那个发火箭的公司终于要卖股票了。可这次最有意思的地方恰恰是，它想让大家别再只把它当火箭公司看。TechCrunch聊到一份备受关注的SpaceX上市文件，也就是公司准备IPO前递交的说明书。IPO你可以理解成一家公司第一次正式去股市“开门迎客”。而这份文件传出的信号很猛：SpaceX讲的故事，不只是把卫星送上天，而是想做一整套基础设施。基础设施这个词听着大，其实就像城市里的路、电网和水管，平时不显眼，但谁都离不开。SpaceX现在一头是火箭发射，一头是星链卫星网络，再往外还连着国防、通信，甚至未来去别的星球住人这种更远的野心。也就是说，它不只是卖一次发射服务，而是想把“天地之间怎么连起来”这件事都包了。高潮在于，文件里光风险提示就有36页，这反而说明它不是个简单生意。它越大，牵扯越多，赌的也越大。你买的可能不是一家火箭公司，而是一张关于未来基础设施的门票。问题是，这张票会飞多高，谁也不敢拍胸口。毕竟别的公司上市敲钟，SpaceX要是真来，感觉像是先点火。