修炼

一家公司先给你50亿美元，转头又让你答应以后花1000亿美元买它家的服务，这听着像投资，实际上已经有点像包养了。主角是亚马逊和做AI的Anthropic，就是那个跟OpenAI一样，专门做能聊天、能写东西、能帮人干活的AI公司。最近两边又加码了：亚马逊再投50亿美元，但条件也很直接，Anthropic以后要长期在亚马逊的云上花1000亿美元。云是什么？你可以把它想成一栋超级办公楼，里面不是工位，是成千上万台电脑。AI公司训练模型，就像让一群学生没日没夜刷题，特别费机器、特别费电，所以它们根本离不开这种“电脑大楼”。高潮就在这儿：现在大厂投AI，已经不是单纯赌你会不会成功，而是先把你绑进自家水电煤体系里。钱从左口袋投出去，未来再从右口袋慢慢收回来。我觉得这事最狠的地方不是50亿，而是那1000亿账单——亚马逊这哪是投了个AI公司，简直是提前签下了一个未来十年的超级租客。

你以为AI会说韩语，就算懂韩国人了？还真不是。最近英伟达和合作方干了一件很有意思的事：他们在教韩国AI之前，先给它准备了一大批“合成人设”。合成人设是什么？不是随便编几个用户名，而是像做一场小型人口普查，按真实社会里的年龄、性别、地区、职业这些比例，捏出很多虚拟人物。比如首尔上班族、釜山退休老人、刚找工作的年轻人。人是假的，但结构尽量像真的。为什么要这么麻烦？因为很多AI虽然会聊天，但它脑子里的“用户”常常太单一，像一个只见过样板间的人去设计整座小区，最后说出来的话就容易飘。研究者就用这些人设去测试、引导AI，看它面对不同背景的人，会不会偏心，会不会听不懂生活语境。高潮在这儿：以后AI拼的可能不只是会不会答题，而是会不会“懂人群”。语言只是嘴，人口结构才像生活的骨架。说白了，AI以后不光要会韩语，还得知道大妈、学生和上班族，根本不是同一种聊天模式，不然它再聪明，也像个只会背课文的导游。

现在AI圈有个反常识的变化：不是越大越吃香，小一点的，反而越来越能打。微软有个模型叫Phi-4-mini，你可以把它理解成“迷你版ChatGPT”，体型小，吃的电脑资源少，但最近有人拿它做了一整套演示，活儿多得像一个被迫成熟的实习生。它不光能回答问题，还能推理。推理就是不是立刻蹦答案，而是像人一样先想几步。它还能用工具，比如调程序、查资料。还能做RAG，这个词听着吓人，其实就是先去资料库翻书，再回来回答，避免胡说八道。更狠的是，它还能做LoRA微调。微调你就当给AI补习，让它更懂某个行业；LoRA则像不用拆整辆车，只换几个关键零件，省钱省力。高潮来了：以前这些活儿，往往要好几套系统拼起来，现在一个小模型就能串起来干。对普通公司来说，这意味着不一定非得租最贵的“AI豪宅”，小户型也能住得很体面。看样子，AI世界也开始流行一句老话了：个子不大，脾气不小，关键还真能干活。

最有意思的 AI 公司，可能先是从你家书房长出来的。有人一开始只是想自己折腾个“homelab”，你可以把它理解成家庭实验室：不是大厂机房，就是家里几台机器，自己装系统、自己接线、自己试 AI。最早他只有一张 16GB 显存的显卡，显存你就当成 AI 的工作台，桌子太小，模型这个“脑子”就摊不开。于是他自己做了一套“ai_memory”，说白了就是给 AI 搞了个共享笔记本，让不同程序都能翻到同一页，不至于聊两句就失忆。后来事情变了。项目越来越多，围过来一起做的人也多了，原来那个“一个人一台机”的玩法不够用了。他开始把系统拆成一个个 agent，也就是一个个 AI 小助手：有的负责记忆，有的负责协调，有的专门干活，像把一个全能实习生，拆成前台、秘书和执行。高潮就在这儿：这已经不是“我在用一个 AI 工具”，而是“我在搭一个 AI 组织”。普通人现在看到的 AI，可能还是聊天框；但下一步，很多人用到的会是一整个会分工、会接力、还记得你上次说过啥的 AI 班子。以前是在家攒电脑，现在是在家养赛博同事，电费可能比工资还准时。

有些人学 AI，是为了赶风口；还有些人学 AI，像小时候拆收音机，非得看看里面到底怎么转。这个作者就是后者。他做了 25 年开源软件。开源你可以理解成把代码公开，谁都能看、谁都能改，像一份大家一起接力完善的公开菜谱。按理说，这种人直接拿现成工具用就行了，但他偏不。他想搞明白整条链路：操作系统怎么装，配置怎么调，服务怎么跑，最后 AI 怎么真的在机器上运转。于是，一个小小的个人实验环境，慢慢长成了“homelab”，也就是家里的技术试验场。这里最关键的，不是堆了多少设备，而是他把“会用”变成了“会造”。很多人用 AI，像点外卖，能吃就行；他是从种菜、磨刀、开火一路学起。高潮在这儿：AI 这波热潮里，最值钱的可能不是某个软件按钮，而是你有没有能力把整套东西自己搭起来、修起来、改起来。因为工具会换，界面会变，但底层原理懂了，你就不容易被下一波新名字吓住。别人刷教程像看魔术，他已经在后台帮魔术师递扑克牌了。

一家最会做 AI 的公司，最近看起来却像在疯狂补课。TechCrunch 的播客在聊一件事：OpenAI 最近一连串收购，到底是在正常扩张，还是在解决更深的生存问题。OpenAI 你肯定听过，就是做出 ChatGPT 的那家公司。收购，说白了就是直接把别人的团队、技术、产品买进自己家，像你发现自己做饭来不及了，干脆把隔壁手艺最好的厨子请过来。但问题是，大公司买东西，往往不是因为闲，而是因为急。播客里提到两个“存在级问题”，意思就是再不处理，可能会影响这家公司以后还能不能稳坐牌桌。第一，是它怎么继续保持领先。AI 这行现在像百米冲刺，今天你第一，明天别人可能就追上。第二，是它的结构问题怎么解。公司越大，合作方越多，商业目标、技术理想、烧钱速度，常常不是一条心。高潮就在这儿：OpenAI 现在买的可能不只是技术，而是时间，甚至是自己的未来位置。对普通人有什么影响？很简单，你以后用到的 AI 好不好用、贵不贵、是不是还领先，背后不只是模型聪不聪明，还看这家公司能不能把自己先捋顺。说白了，再聪明的 AI，也救不了一屋子开会开不明白的大人。

你敢坐一辆前排没人、自己来接你的出租车吗？这事儿，特斯拉已经在美国达拉斯和休斯敦往前推了。它这次发了个只有14秒的小视频，画面很简单，但信息量很大：车在路上跑，前排看不到司机，也看不到安全员。所谓Robotaxi，说白了就是无人出租车，车自己看路、自己转弯、自己接送人。自动驾驶这个词很多人听过，你可以把它想成给车装了一个不会打方向盘手滑、也不用眨眼休息的“电子司机”。但难点不在会不会开直线，而在城市路况太像大型临场考试，行人乱穿、外卖车乱钻、红绿灯还会碰上施工改道。特斯拉这次把服务从原来的地方往外扩，重点不是多开了两座城，而是它开始证明一件事：这套系统不只是拍宣传片，它是真想变成能运营的生意。高潮就在这儿——如果无人出租车能一座城一座城复制，未来你打车时，最先失业的可能不是司机，是“师傅，麻烦快一点”的那句客套话。以后上车没人跟你寒暄，只有车比你还熟导航，社恐直接坐上时代红利了。

现在的AI，最怕的不是不会答题，是干活干到一半掉链子。Anthropic这次发布的Claude Opus 4.7，听上去像小版本更新，但它补的正是最要命的地方。先翻成人话：Claude就是一种能聊天、写东西、看图、帮人处理任务的AI；所谓“agentic coding”，不是它会背代码，而是它像个会主动找资料、改文件、一步步把活做完的编程实习生；“多模态”也别被词吓到，就是它不只看文字，还能看图片，甚至看更复杂的视觉信息。这次4.7主打三件事：写代码更稳，看图更细，做长任务更不容易中途迷路。长任务你可以理解成，不是问一句答一句，而是让它连续干几十步，比如先读需求、再写程序、再改bug、最后整理结果。很多AI前十步像学霸，后十步像下班。Claude这次的高潮就在于，它不想只做“会聊天的聪明人”，而是想做“能把事情收尾的人”。这对普通人最直接的影响，是以后你用AI时，可能不只是让它写个文案，而是真的把一整串麻烦事甩给它。以前AI像嘴很甜的同事，现在它开始像那个真的会把表格做完的人了——虽然我还是建议你先别把年终总结全交给它。

最会抓软件bug的人，可能不是程序员，是一个专门负责抬杠的“出题机器”。最近有篇很火的技术教程，讲的是怎么用Python里的Hypothesis做“属性测试”。别被名字劝退，属性测试说白了，就是你别再只给软件喂几道固定考题，而是先定规矩：比如不管输入什么，排序后的数字都应该还是那堆数字，只是顺序变了。然后Hypothesis这个工具就像一个特别较真的监考老师，自动给你疯狂出题，连那些正常人根本想不到的刁钻输入都能塞进去。它还会玩三种狠招：一种是“状态测试”，专门盯着连续操作后会不会出事，就像你反复开关门看锁会不会坏；一种是“差分测试”，让两个版本互相比答案，谁不一样谁心虚；还有一种叫“变形测试”，就是题目稍微变一下，结果应该跟着按规律变，不该突然发疯。高潮在这儿：以前测软件像抽查作业，现在更像把熊孩子丢进新装修的房子里，看哪里先塌。对普通人有什么用？你每天用的支付、打车、银行App，越早用这种方法找茬，越不容易在你最着急的时候给你弹出一句——系统繁忙，请稍后再试。

你以为以后刷相亲软件，最难的是开场白？可能先得证明你是个人。Sam Altman 参与创办的 World，最近开始把“人类验证”这门生意往外推，Tinder 是很早的一站。这个项目最出名的东西，叫 Orb，一个银色球，干的事很直接：扫你的虹膜。虹膜就是眼睛里那圈纹路，跟指纹差不多，每个人都不一样。World 想用它确认你是不是一个独一无二的真人，不是机器人，不是批量注册的小号，也不是拿 AI 生成照片来钓人的骗子。它的说法是，不是把你名字身份证直接交出去，而是用一种加密证明，像门口保安只看你有没有票，不抄你全家户口本。高潮就在这儿：当 AI 越来越会聊天、会修图、会冒充真人，互联网最贵的东西，可能不是流量，是“你真是你”。相亲软件只是开始，后面可能是社交平台、游戏、甚至网上投票。以前上网默认你是人，以后你可能得先自证清白。说白了，未来最浪漫的一句话，可能不是“我爱你”，而是“我真的是人”。

很多老板不是怕 AI 不好用，是怕月底账单像鬼故事。亚马逊云服务 AWS 最近给 Amazon Bedrock 加了个新功能，名字听着很硬，其实特别接地气：把 AI 花的钱，按更细的颗粒拆开看。Bedrock 是 AWS 提供的一套生成式 AI 服务，生成式 AI 就是像 ChatGPT 这种能写字、总结、做客服回答的 AI。以前公司用了这类服务，常见情况是总账单出来了，财务一看：这个月 AI 花了这么多。然后呢？不知道是客服团队在用，还是市场部在试新项目，还是哪个程序员半夜拿它跑实验。现在 AWS 想做的，就是给每笔费用贴标签，像给外卖订单写上“谁点的、给谁吃、哪个部门报销”。团队、项目、应用，甚至业务线，都能更清楚地分账。高潮是，这看起来像财务小功能，其实决定了很多公司敢不敢继续上 AI。因为技术最怕的不是贵，是贵得不明不白。钱一旦能查清，老板胆子就大了，AI 才可能从“试试看”变成“真上生产”。以前 AI 像公司里的共享零食，谁都能抓一把；现在好了，连最后一块饼干是谁吃的，系统都想记下来。

现在做 AI，居然流行一件听上去很离谱的事：先找一群人狠狠干它一顿。这里说的“红队测试”，不是打游戏分队。它原本是安全领域的做法，意思是专门安排一队人，假装自己是来捣乱的，想尽办法找漏洞。放到 AI 上，就是故意拿刁钻问题、危险指令、误导信息去试模型，看它会不会胡说八道、泄露隐私，或者被人轻易带偏。最近有人整理了 2026 年值得关注的 19 个 AI 红队工具，背后的信号很明显：AI 安全这事，已经不是少数专家的偏门活，而是越来越像上线前的必修课。因为大模型，就是像 ChatGPT 这种能聊天、写东西、回答问题的 AI，一旦真进了客服、金融、医疗这些场景，出错就不是“答错一道题”，可能是乱给建议、泄露数据、甚至帮坏人省时间。高潮在这儿：以后真正靠谱的 AI，不是那个演示时最聪明的，而是那个被人狠狠干过之后，还没翻车的。说白了，AI 也得先过社会毒打。没挨过打就急着上班，最后多半是它先把老板打了。