Jean Chen 🦞 | ⬅️ AI · Crypto ➡️

「你的 AI 分身越像你，越没有价值」 InfiAI 创始人 Richard 在 @AgenticNow Salon #1 by @CryptoKitchenCN 上的这句话，是我听过关于 AI 分身最清醒的判断。 他的逻辑： 如果你的生活已经够吃力， 一个 98% 还原度的分身能帮你什么？ 还是那个面对不了困难的人。 「A 98% version of you is still you. A 200% version of you might be the winner.」 --- 那人类还剩什么不能被替代？ 他给了三个答案： ① 人本身——情绪、影响力、价值观 ② 人与人之间的关系——信任和期待不可复制 ③ 人表达的方式——为什么说、对谁说、什么时刻说 --- 他还讲了四次媒介革命的规律： 博客时代的作者，在微博时代消失了。 微博大 V，在抖音时代消失了。 每一次传播逻辑变了，不是旧 KOL 平移，是新人崛起。 AI 社交是第四次。这条规律没有例外过。 --- 最狠的还是这句： AI 社交的终局，不是数字克隆人替你发朋友圈。 是让 AI 把你变成 200% 的你。 问题不再是「AI 会不会替代我」。 问题是「你想被放大多少倍」。 🎥 完整演讲视频👇

@Anitahityou 之前写过泰达为啥要开发AI模型 x.com/cryptojean27/s…

Tether 推出手机本地医疗 AI QVAC MedPsy。一个可以在手机、可穿戴设备、边缘设备上本地运行的医疗语言模型。 核心卖点是不依赖云端。用户的健康数据、症状记录、用药提醒、心理状态、可穿戴设备数据，理论上可以尽量留在本机，不必全部上传给 OpenAI、Google 或某个医疗 SaaS 平台。 医疗AI的最大痛点是，用户你敢不敢把自己的病历、症状、用药、心理状态，全部交给云端大模型？ Tether 押的就是这个缝隙。 大模型公司在卷云端超级模型，参数越来越大，算力越来越集中，调用越来越贵。而Tether 反过来讲一个完全不同的故事：小模型、本地运行、隐私优先、边缘设备可用。 但这不是 Tether 第一次讲 AI 故事。 过去两年，Tether 已经明显在把自己从“USDT 公司”包装成“基础设施公司”。 它之前投过算力、数据中心、GPU 网络，也和 Northern Data、Rumble 等方向绑定过 AI 基建叙事。现在再推本地医疗 AI，本质上是一条线：用稳定币赚来的钱，去买 AI 时代的入场券。 这背后有一个很现实的原因：Tether 太赚钱了。 过去高利率周期里，Tether 靠 USDT 储备里的美国国债和现金等价物赚了巨额利息。一个稳定币公司，突然拥有了接近科技巨头级别的现金流。 但问题也来了，如果 Tether 只会发行 USDT，它永远摆脱不了“灰色美元影子银行”的标签。 所以它必须给自己换一个更大的故事。 AI、算力、数据、本地智能、隐私计算，都是更容易被资本市场、开发者和监管叙事接受的新外衣。 一边吃美元利息，一边讲去中心化 AI，Tether还是会玩。

@1999_eth 入群了

我做了一个 AI 中转站，今天正式开放： apikey.fun 一开始做这个站，想法很简单。 主要是我自己平时 Token 消耗量大，身边也有不少朋友一直用不上稳定的 Claude / GPT。不是订阅麻烦，就是各种限制；去找别的中转站，又总担心不靠谱、信息不安全。 所以干脆自己搭了一个。 很多人问：为什么敢用老叶的？ 这个问题我也理解。毕竟 AI 中转站这东西，大家最怕的不是贵一点，而是不知道对面是谁。 我在币圈这么多年，别的不敢吹，信用两字一直是招牌。前两年比特币生态火的时候，做过 Ybot 铸造工具。起初也有人担心资产安全。 Ybot 到现在跑了两年多，上万人用过，很多人甚至直接在网站里填过钱包私钥，总资产少说也有几千万。到今天为止，没有出过一次因为网站原因导致的资产事故。 这次做 AI 中转站也是一样，稳定靠谱依然是我们的标签。 目前站里支持 GPT、Claude 等模型，底层用的是官方正规订阅账号池，不是乱七八糟的灰产号。价格这块也尽量压到较低，最低大概 0.7 折。 过去 10 天，我们做了一轮小范围内测： ✅ 200+ 小伙伴参与 ✅ 累计消耗超过 420 亿 Token ✅ 整体运行稳定，没出明显故障 内测跑完之后，我觉得可以正式放出来给更多人用了。 需要稳定、便宜、靠谱的 Claude / GPT 中转站的，可以试试： apikey.fun 有问题可以直接私信我，或者进群找我。 老叶不跑路，真出问题我负责。 用完觉得值，帮我转一下。 需要进群的朋友，可以看一下评论区一楼！

「UI 正在消失」——Fintech PM Troy 在 @AgenticNow Salon by @CryptoKitchenCN 上的判断 @Troyzhy 文科出身，2024 年底才开始用 Cursor。 然后每天高强度 Vibe Coding 十到二十个小时，在巴厘岛住了一年。 几个核心判断： ① 比 @AnthropicAI 官方早三个月 2025 年 4 月就开始让 AI 先规划步骤再执行。 这是 Claude Skills 的雏形。官方 10 月才发布。 高强度用，自然比市场跑得快。 ② OpenClaw 是组装机，Claude Cowork 是 iMac 前者自由度大，后者开箱即用。 他的工作流重心始终在 Claude Cowork。 ③ 一句话解决一个 Bug 数据库、代码仓库、工作群全部接入。 「去群里看看是什么问题。」 Agent 自己进群、查数据、看代码、验前端。 以前两天，现在 15 分钟。 ④ 最刺激的判断 未来 60-70% 的应用会变成纯粹给 Agent 用的。 UI 界面会消失。 很多人说 Claude Code「做得很丑」——他说那恰恰是看到了未来。 ⑤ PC 时代结束了 他出门不背电脑。 手机加麦克风，语音跟 Agent 交互。 最后有人问：最大的弊端是什么？ 「不是技术。是大部分人还不会用。」 不是 Agent 不行。是你还没把自己交给它。 🎥 完整演讲视频👇

搞懂 Agent，听这一期播客就够了 如此完整且高屋建瓴的 Agent 介绍，我第一次听到，今天听完后第一时间就想分享给大家 —— 张小珺 @zhang_benita 最近访谈了俄亥俄州立大学计算机系教授苏煜 @ysu_nlp ，今年刚获斯隆研究奖，现在硅谷创业做 Agent 研究实验室 @NeoCognition。他是清华计算机出身，在 OSU 带了多年 NLP（自然语言处理）实验室，见证了整个 Language Agent（语言智能体）从零到爆发的过程——Mind2Web、SeeAct、MMMU，这些研究圈绕不开的名字都出自他们组。 这期播客 2 小时 18 分钟，苏煜把 Agent 从 1950 年代讲到 OpenClaw，技术脉络、关键节点、商业影响、社会变革，娓娓道来。我把最值得记住的部分整理出来。 Agent 是什么，为什么一直很难 苏煜给 Agent 下了个很干净的定义：有边界的实体，在外部环境中工作，带着目的性采取行动。满足这三条，就是Agent——其实人、动物，都是Agent。 问题是真正把这件事做好，需要两块核心能力：Memory（记忆：知识怎么表达、获取、更新、遗忘）和 Autonomy（自主性：感知、推理、决策、行动）。这两块能力的局限，基本定义了每一代 Agent 的天花板。 最早的逻辑智能体（1950s—1990s）用一阶逻辑把专家知识写成推理规则，看上去很美，但知识获取极其痛苦——要工程师去采访专家，再把访谈内容翻译成机器能读的逻辑语言，极其低效。这直接导致了 80 年代那次 AI 寒冬，专家系统没能兑现它的承诺。 苏煜推荐了一本书：Artificial Intelligence: A Modern Approach（《人工智能：一种现代方法》），Russell 和 Norvig 合著，第一版 1995 年。他说 Stuart Russell 本人强调过，这本书表面是讲 AI，本质上是一本关于 Agent 的书——Agent 这个问题，从来都是整个 AI 领域最核心的问题，只是大家后来有点忘了。 游戏、神经网络，以及一直被高估的深度强化学习 2000 年代之后，深度强化学习智能体登场——AlphaGo、Atari 游戏、Dota、星际。苏煜自己说他喜欢玩游戏，这些他都有感情。但从记忆和自主性框架来看，这一代 Agent 其实相当受限：模型参数少、任务单一、推理完全隐式——不管问题多复杂，它就是跑一次 forward pass（前向传播），算一次就出答案，完全没有弹性。 人不是这样的。我们对难题想得多，对简单问题想得少，计算量是自适应的。 游戏之所以成为训练环境，苏煜猜测部分是因为 DeepMind 的 Demis Hassabis 本人对游戏情有独钟，加上游戏环境高度可重复、数据近乎无限，天然缓解了深度Reinforcement Learning Sample Efficiency（强化学习样本效率）极差的问题。 与此同时，NLP 那边在做另一件事：semantic parsing（语义解析）——把人说的话翻译成机器能读懂的形式。苏煜自己就是做语义解析出身，他说后来在 LLM（大语言模型）和 Agent 领域有重要贡献的很多人，其实都有语义解析背景 —— Percy Liang、Luke Zettlemoyer（RoBERTa 的主要作者）、港大于涛……这条支线，某种程度上和 Neural Agent（神经网络智能体）是互补的关系：一个钻研怎么做深，一个研究怎么做广。 语言，那个改变一切的脚手架 ChatGPT 出现之后，苏煜认为这一代应该叫 Language Agent（语言智能体）——不是因为它用了语言，而是因为语言成了一切的 scaffold（脚手架）。 这有多重要？他讲了一个让我印象很深的类比。 人类文明里，语言的出现是一个奇点。书面语言只有五六千年历史，但人类文明大爆发，几乎全发生在这五六千年。十亿年才演化出真核生物，两亿年才有哺乳动物，而语言这个东西，把 Homo sapiens（智人）的演化速度提升了几个数量级。苏煜说，符号和人脑是共同演化的——我们有了符号，符号又反过来产生进化压力，让大脑进化出更好地处理符号的能力，这是一个自我强化的回路。 AI 里的语言智能体，发生了类似的事。语言让 Agent 的 perception（感知）可以非常灵活，推理可以用 Chain of Thought（思维链）外显出来、自适应调整计算量，行动可以覆盖几乎所有数字世界能做的事。他有一个简洁的说法：「Individual thought doesn't need language, but civilization means language.（个体思考不需要语言，但文明意味着语言。）」 语言智能体三年演化史，几个真正重要的节点 苏煜结合自己的研究经历，给了一条时间线——我觉得这是这期节目信息密度最高的部分。 2022 年初，Chain of Thought（CoT）论文出来。表面是让 LLM 做数学题的时候多想几步，本质是引入了adaptive computing（自适应计算）——任务越复杂，模型生成越多 token，等于用更多计算量去推理。这是一个根本性的转变。 2022 年 10 月前后，ReAct 出来（姚顺宇主导）。把 CoT 从纯推理环境扩展到有外部环境的 agent setting（智能体设定）——感知环境状态、做推理、采取行动、环境反馈，循环往复。想法极其简单，影响极其深远，苏煜说 Agent 领域很多工作都有这个特征。 2022 年底到 2023 年初，苏煜他们组做出了 Mind2Web——应该是第一个基于 LLM 的web agent（网页智能体）。他们是在 ChatGPT 发布（2022 年 11 月）之前、2022 年 10 月开始动手的，2023 年初发布。同期还有他们的 LLM Planner，是最早将 LLM 用于 robot planning（机器人规划）的工作之一。 2023 年 2 月，Meta 的 Toolformer 出来——第一个让 LLM 学会主动调用工具的工作，Luke Zettlemoyer 也是核心人物之一。苏煜说当时他还在微软兼职，这篇论文是被微软 CTO Satya 在全公司传阅的。Satya 看到的不是技术细节，是背后的商业含义：一旦大模型能调用各种现成工具，对企业软件的冲击会是根本性的。 2023 年 3 月，AutoGPT 出现，GitHub star 冲到10万，苏煜说那是 GitHub 历史上 star 涨得最快的项目，没有之一——那种火爆程度，和今天的 OpenClaw 差不多。最终能做成的事情非常少，但大家第一次感受到「Agent 可以自主做很多事」。同期还有一个 AI Engineer 的开源项目，后来演变成了 Lovable 这家公司，现在是 vibe coding（氛围编程）赛道的代表公司之一。 2023 年中，GPT-4V 出来，Agent 开始全面转向多模态。苏煜他们同期做了 MMMU（现在多模态LLM最标准的 benchmark（测评基准）之一）和 SeeAct（多模态网页智能体）。那时候 GPT-4V 还没有 API，他们自己 hack 了一套工具把网页界面包成 API 来做实验。 2024 年，开始出现桌面和移动端 Agent，比如 CMU 于涛团队的 OS-World。苏煜他们做了 UGround，核心主张是「agent should use computers like humans do（Agent 应该像人一样使用电脑）」——人怎么用电脑，Agent 就应该怎么用：看屏幕、在像素层面点击和输入。这个 embodiment（具身形式）之后被 Claude Computer Use、OpenAI Operator 沿用至今。 2024 年10月，Claude Computer Use 发布。 2025 年，OpenAI 推出 Operator，然后在 Cursor 影响下 Claude Code 大爆发。苏煜说大概在 Claude Opus 4.5 出来之后，硅谷那边大家对编程的感知发生了翻天覆地的变化，就在那一两个月之间——他刚好那时候搬到硅谷，亲眼见证。 2025 年底到 2026 年初，OpenClaw 出现，并在 2026 年 2 月真正火起来。 OpenClaw Moment 和 ChatGPT Moment 有多像 苏煜说这两个 moment（转折时刻）的相似度，高到有点惊人。 ChatGPT 之前，大语言模型技术已经发展了好几年——BERT（2018年）、GPT-1、GPT-2、GPT-3 都已经存在。OpenAI 做的，只是把底层模型 fine-tune（微调）一下，让它更像一个聊天机器人，然后直接开放给公众。交互形式改变了，底层技术并没有大变。但就是这个改变，成了导火索——大家突然发现模型原来已经这么厉害了。 OpenClaw 也是一样。Agent 技术在它出现之前已经相当成熟，大多数做 Agent 的人看它的代码库，第一反应是「没有什么新东西」。但它做了两件事：交互形式更像一个always-on（全天候在线）的个人助手（在 WhatsApp 里随时可以触达，有独立运行环境），以及用苏煜的话说，它是 yolo（无脑放权）的——把各种权限都打开，不管不顾地让Agent去跑，反正是开源的、可控的。 大家发现 Agent 原来可以做这么多事，转折时刻就这样来了。苏煜认为，再过两年回看，OpenClaw Moment 对历史的影响规模，可能会和 ChatGPT Moment 差不多量级。 对商业社会的冲击，比很多人想象的更早 OpenClaw 出来才一两个月，苏煜说已经在深刻改变各家科技公司的技术路线——Anthropic 在往 Claude Code 里加功能，OpenAI 全面转向生产力和 Agent，英伟达老黄说每家企业都需要 OpenClaw Strategy，国内大厂动作也非常快。 他对中国和美国的观察很有意思：美国 OpenClaw 主要在开发者圈子里传播，叙事还是一个开源项目；中国已经全民化了，街头巷尾都在聊，变成了一种时代性的产业机会，甚至有一种「不学就要被淘汰」的焦虑感。他说中国在技术应用层历来动作很快，Google 前 CEO Eric Schmidt专门提到过这一点，在 AI 时代这是一个很大的优势——因为基础模型的能力已经越过了「good enough（对很多事情足够好）」的临界点，现在缺的是有足够洞察和执行力的人，去发现并抓住这些价值。 但苏煜也直说：从 OpenClaw Moment 到真正对社会产生深刻影响，还有很多工作要做。现在用 OpenClaw，门槛还是很高，大部分人很难从中真正找到价值。如果就业替代的速度超过新工作机会产生的速度，而 Agent 能力又只被少数头部公司垄断，那社会会出大问题。他觉得 Agent 研究者有责任把技术民主化——让每一个有独特想法的人，都能把想法转化成可以产生价值的 Agent，而不是只有大公司才能做这件事。 这也是他创业的底层逻辑之一：NeoCognition 做Specialized Intelligence（专业化智能），研究怎么让通用 Agent 快速专业化、成为各个领域的专家。他认为通用智能正在变成标配、变成廉价品，接下来的差异化来自specialization（专业化）。世界不是一个世界，是几百万个小世界，每个职业、每个公司、每个软件都是一个小小的microworld（微观世界），这些小世界的 entropy（复杂度）加起来几乎无限，一个单一的Agent不可能覆盖所有。 苏煜其人 我听了很多期科技播客，很少有人像苏煜那样，让我印象深刻：声音温润如玉，思路高屋建瓴——很少遇到这样的受访者，把极专业的技术话题讲得如此清晰、如此有层次感。 他自述从小是那种凌晨三点敲网吧后门进去打游戏、打到七点再去上学的人——游戏没耽误，书也没少读，高考是湖南省前十，拿奖学金进清华。 他后来放弃微软收入更高的全职工作去当老师，原因很简单：想同时做十件事，只有学校能容下这种人。现在从学校到创业，逻辑其实一样——只是到了这个阶段，真正有意思的 Agent 研究已经需要 GPU/API资源、强团队快速试错，这些学校给不了。 他说自己做什么都有点「混不吝」，就是没有那种一定要得到什么、否则吃不好睡不好的执念，但真想做一件事的时候，会全力以赴。创业失败了怎么办？他的回答是：再去找个地方做研究吧。从来没纠结过要不要创业，纠结的只是时机和方向。 读书是他一直保持的习惯，小时候家里有什么读什么，不管历史、政治还是言情小说。节目最后，他推荐了两本书，一本是 A Brief History of Intelligence（《智能简史》，讲 AI、进化和神经科学的交叉，2023 年出版，他一出来就读完，让实验室学生全读）；另一本是 Jeff Hawkins 的A Thousand Brains（《千脑智能》，他公司名字NeoCognition就来自 neocortex（新皮质层），也和这本书有渊源）。对他研究影响最大的一个时刻，是读到A Brief History of Intelligence 里关于老鼠用想象力建模来做决策的章节，后来直接写成了一篇叫「LMs in the Imaginarium」（想象空间中的语言模型）的论文。 所有对 Agent 感兴趣的朋友，我强力推荐全程收听。

@CTracy0803 具体说说是什么样的风险？

一位律师朋友：在大陆做AI中转站迟早会出事，风险远比想象大很多

@neet_acc handsome boy

It’s a long time I haven’t posted some video shits in Mugshot/Chop/Gated I think we finally have some good news here, thoughts?

@jason5ng32 🐂

重构了有 500 个星星的美股财报日历订阅器。项目一经部署，可以每天自动运行，生成你关注的公司的财报日历订阅链接。同时，也内置了标普 500，纳指 100 的订阅链接。让你可以在你喜欢的日历 app 里，就能看到财报日期。 github.com/jason5ng32/OhE…

五一劳动节长假刷油管视频，@investlikebest 播客 8 天前对 AI 基础设施研究机构 SemiAnalysis 创始人 Dylan Patel @dylan522p 的专访「AI Token 的供需」，不由得让我眼前一亮，看完又不由得心情沉重 ~~ Token 就是新时代的劳动力货币 Dylan Patel 在播客里透露了一个数字：他们公司一年的 Token 支出，接近 700 万美元。 SemiAnalysis 本质上是一家智库——分析师、研究员，不生产硬件，不卖软件。但他们每年花在 AI API 上的钱，快赶上一家中型科技公司的工程人力成本了。 原因很具体：他们在做的事情是对半导体行业做逆向工程分析，梳理海量技术专利，实时追踪全球供应链数据。过去这些工作要养一批初级分析师，费时、费钱、还容易出错。现在，几个核心专家加上大量 API 调用，直接干完。 Token，正在成为购买认知劳动力的基础货币。不是比喻，是字面意义上的替代。 执行成本趋近于零，护城河在哪里 Dylan 说，过去商业的瓶颈是执行。你有个好主意，但要招工程师、组团队、花几个月验证，光是这个过程就能把大多数人筛掉。执行成本高，拥有执行能力本身就是护城河。 现在这堵墙正在消失。几块钱的 Token 能完成原本需要几万美元的代码工作或数据分析。护城河变成什么了？Dylan 的答案：极其深刻、稀缺的行业洞察，加上资本杠杆。 能想清楚「该做什么」的人，身价暴涨。知道怎么执行但不知道「为什么做」的人，价值暴跌。这个分野正在以肉眼可见的速度拉开。 真正的瓶颈不是 GPU Dylan 的老本行是半导体分析，对现在市面上流行的「缺 GPU」论调做了细致的拆解。他说，真正的瓶颈早就蔓延到上游和周边去了。 HBM/DRAM 是眼下最大的短板。扩产周期极长，很多产能要看到 2028 年之后才能兑现。Dylan 预测 DRAM 价格还会继续大幅飙升。台积电的 CoWoS 先进封装也在扩张，但速度远远追不上需求增速。 还有一个被大多数人忽视的东西：CPU。很多人以为做 AI 推理只需要 GPU，但搭建大规模强化学习环境、处理庞大的数据 I/O 时，需要海量 CPU 来持续喂数据给 GPU。这个环节的需求被严重低估，高端服务器 CPU 已经出现严重的供应短缺，悄悄涨价，没什么人注意。 永久的下层阶级 这是整期播客让我心情最沉重的一段话。 Dylan 说，AI 极大放大了单个优秀个体的产出。贫富差距不只是会拉大，而且会固化。 那些学会用 Token 作为杠杆、能够调度 AI 处理复杂工作的人，会捕获绝大多数财富增量。而那些停留在纯执行层、拒绝改变的群体，将滑入一个「永久的下层阶级」，失去向上流动的通道。 他还提到一个概念：幽灵 GDP（Phantom GDP）。AI 制造了大量通缩价值——很多事情变免费或极度廉价了，GDP 数字没涨，但社会总效用在狂飙。传统的经济统计框架根本捕捉不到这种变化。宏观数据看起来还行，但普通人的就业焦虑和生活压力在真实积累。一种奇特的撕裂感。 公众反弹，马上会来 播客结尾，Dylan 做了一个他自己也觉得沉重的预测。 普通人对 AI 的焦虑正在快速发酵。每天被「AGI 降临」「AI 取代人类」的话术轰炸，恐惧迟早会转化为愤怒。Dylan 预测，用不了太久，我们就会看到针对数据中心、AI 公司总部的大规模实体抗议。 他对 Sam Altman @sama、Dario Amodei @DarioAmodei 这些人发出了明确呼吁：停止贩卖焦虑和科幻愿景，去证明 AI 现在、当下、具体地，是如何帮助普通人解决日常问题的。 技术叙事的失控，往往比技术本身更难收拾。

@CTracy0803 @DavidSacks 感觉A社“断崖式领先”营销最近要翻车～～

Anthropic Mythos的神话破灭了 刚刚白宫 AI 与加密货币政策顾问 David Sacks @DavidSacks ：目前OpenAI 的 GPT-5.5-cyber 性能已接近 Mythos，而中国的AI模型在 6 个月内也能达到同等水平。

@stephzhan @karpathy You absolutely crushed it hosting that fireside chat — seriously great job.

@cryptojean27 @karpathy Thank you for sharing!

Andrej Karpathy：当编程变成“外包”，人类的终极壁垒是什么？ 两天前，AI 大神 @karpathy 在 Sequoia AI Ascent 2026 的炉边对谈中抛出了一个让我印象深刻的开场白：作为一名顶尖程序员，他从未感到自己如此“落后”。 这并非源于焦虑，而是一种混杂着兴奋与不安的顿悟。从去年12月起，他敏锐地察觉到了风向的突变——AI 已经从“需要人类不断修正的辅助工具”，进化成了“完全可以直接信任的自主系统”。在那段疯狂沉迷于无限副业的日子里，他几乎不再需要手动纠错，而是完全沉浸在“氛围编程”（Vibe Coding）的心流中。他直言，如果你对AI的认知还停留在去年的 ChatGPT，那你必须重新审视这个世界，因为真正连贯的智能体（Agentic）工作流已经彻底改变了游戏规则。 Karpathy 说我们正全速步入“软件 3.0”的时代。在这个范式下，编程语言变成了自然语言，上下文窗口是你撬动算力的杠杆，而大语言模型就是那个万能的解释器。 Karpathy 用自己开发的一款名为 MenuGen 的应用分享了一个令他“顿悟”的瞬间：他原本费尽心思，用传统架构拼接了 OCR、图像生成器和云服务，只为了让用户拍下没图的餐厅菜单后能生成菜品图片。但他突然发现，在软件 3.0 时代，你只需把照片扔给 Gemini，丢下一句“用 Nano Banana 把菜品渲染叠加上去”，完美的图片就直接生成了。那个瞬间他意识到，他写的那堆中间层代码和应用本身根本就不该存在。在未来，神经网络甚至会反客为主成为计算机的“主进程”（Host Process），直接处理视觉和听觉的原始输入，而我们熟知的 CPU 将沦为仅仅处理确定性任务的“边缘协处理器”。 然而，通往未来的道路并非坦途，当下的 AI 会呈现一种颇为诡异的“锯齿状智能”（Jagged Intelligence）。Karpathy 举了一个让人啼笑皆非的例子：当前最顶尖的模型，可以毫不费力地重构高达 10 万行的复杂代码库，甚至揪出极其隐蔽的零日漏洞；但当你问它“一家洗车店就在 50 米外，我该开车去还是走过去”时，它居然会一本正经地建议你“把车停在原地，自己走过去洗车”。这种极度的偏差，本质上是因为模型的能力取决于可验证性（Verifiability）和强化学习的数据投喂。在代码和数学这种有明确对错的领域，AI 势如破竹；但在缺乏奖励机制的常识地带，它们依然像个没有灵魂的统计学幽灵。 正因如此，当“氛围编程”拉高了所有人的开发下限时，“智能体工程”（Agentic Engineering）正在成为拔高天花板的全新硬核学科。在这个新世界里，AI 智能体就像是一群能力极强但偶尔脱线的“超级实习生”。你再也不用去死记硬背 PyTorch 里那些繁琐的张量维度和 API 细节，实习生会帮你搞定一切。但作为“导演”，你必须承担起极其关键的角色——品味、审美判断以及系统设计。因为实习生会犯下诸如“试图用 Stripe 的支付邮箱去强行匹配 Google 账户邮箱”这种荒谬的逻辑错误。你需要写出极其详尽、严密的规范（Spec），在不牺牲质量和安全性的前提下，指挥这群强大的智能体为你开疆拓土。 当一切都在被自动化，当你的专属 Agent 甚至可以自动去和别人的 Agent 谈判开会时，人类还剩下什么？Karpathy 一句话总结了这个时代的终极答案：“你可以外包你的思考（Thinking），但你永远无法外包你的理解（Understanding）。”算力和思考过程正在变得无比廉价，但知道我们为什么要建构这一切、系统底层是如何运转的，以及如何正确引导这些“智能体”，依然是人类独有的特权。在这个智能爆炸的前夜，保持深度的“理解力”，将是我们面对 AI 时最坚固的护城河。

这是大约一周前在 Sequoia Ascent 2026 上的一场炉边对话的一些要点总结： 我试图强调的第一个主题是：大语言模型（LLMs）远不只是“让已有事物更快”这么简单（比如写代码提速）。下面是三个“新边界”的例子： 1. menugen：一种可以被 LLM 完全“吞没”的应用形态，不再需要传统代码——输入一张图片，输出一张图片，而 LLM 本身就能原生完成整个过程。 2. 用 .md 技能替代 .sh 脚本安装软件。为什么还要写复杂的 Software 1.0 的 bash 脚本来安装软件？你完全可以把安装过程用自然语言写出来，然后说一句：“把这个交给你的 LLM”。LLM 本质上是一个高级的英语解释器，它可以根据你的具体环境智能地完成安装，并在过程中实时调试一切问题。 3. LLM 知识库：这是一个在传统代码时代根本不可能实现的东西，因为它涉及对非结构化数据（知识）的计算，这些数据来源任意、格式任意，包括普通文本文章等等。
 我之所以强调这些，是因为在每一次范式转移中，人们最容易看到的，往往只是“提速”或“优化已有事物”。但在这里，我们已经开始看到一些功能：要么是可能本就不该以传统形式存在的（例1、2）；要么是在过去根本不可能实现的（例3）
 第二个（仍在持续思考的）主题，是尝试解释 LLM 的一种“锯齿状能力”（jaggedness）现象： 为什么同一个模型可以同时做到： 1）流畅地重构一个 10 万行代码库
2）却又会建议你“走去洗车店洗车”这种明显不合逻辑的事情 我之前写过，这种现象的来源与“领域是否可验证”有关。在这里，我进一步扩展：这还与经济因素有关——比如收入规模（revenue）和市场空间（TAM），会影响前沿实验室在强化学习（RL）阶段，把哪些内容打包进训练数据分布。 换句话说： - 如果你“处在数据分布之中”（也就是踩在 RL 调优过的轨道上），你就像在飞 - 如果你“偏离数据分布”，那就像拿着砍刀在丛林里开路 当然，这个解释我自己也还没有完全满意。
但如果你想在实践中真正用好 LLM、同时避开它的坑，就必须不断建立一个更准确的能力模型——这也引出了最后一个主题。 Agent-native 经济。包括： - 将产品和服务拆解为：传感器（sensors）、执行器（actuators）、逻辑（logic）——这些分别分布在 Software 1.0 / 2.0 / 3.0 不同计算范式中 - 如何让信息对 LLM 最大程度“可读”（legible） - 关于正在快速兴起的 agentic engineering（智能体工程）：所需技能结构、相应的人才招聘方式 - 甚至还有一些更远的设想 / 愿景：未来可能是以神经网络为主的计算体系承担绝大多数计算，传统的 CPU 则作为“协处理器”提供辅助。

感谢嘉宾 Richard、@Troyzhy @thiszhoumo @Anitahityou 和观众，瓢泼一日的大雨没有挡住你们成全首场@AgenticNow Salon的脚步，现场交流的干货和灵感，加密厨房 @CryptoKitchenCN 会通过视频、播客和文字尽快分享给更多朋友，和非凡产研共同举办的AI沙龙五一节后将继续 ～～

@jason5ng32 给你看看用新版排的公众号文章：mp.weixin.qq.com/s/kMbt26JLGi5C…

@cryptojean27 多了很多新功能呢

让 Claude 花了 2 天时间重构了「可能吧 Markdown to 公众号」排版器。咋说呢，可能是最不个性化，但是是最酷的排版器了。 地址依然是： mp.knb.im 虽然……我已经好几年没写公众号了。

@jason5ng32 我前天还在用，可能今天或明天还要用😂

@shanshan521 哈哈，绝望主妇局吗？

这次Vegas比特币大会一如既往的有意思。参加完比特币大会后，对其他山寨币传销币大集合的其他会很难再感兴趣。 比如这个Panel,主办方把一堆在监狱里的币圈大佬的太太们请来演讲，真是脑洞大开🤣

真没想到眼下我养得越来越熟练的 @_HermesAgent ，它的开发者 @NousResearch 居然是在 AI 领域里最早也是最坚持「去中心化、抗审查、开源、社区」等加密朋克精神的团队 ~~ 我知道 Nous Research，是两年前 AI Meme 热中经常见到它名字，但如果不是昨天听 @chaowxyz 在 @Web3_101 最新一期播客的详细又生动的讲述，就根本不了解 Nous 的团队、诞生、发展，及其研发的技术和产品都遵循着加密的价值观和路径，只是它既不发币，也不在 AI 圈里标榜自己是加密团队，交付的都是相当一线硬核的技术和产品，和数字资产发行交易也没啥关系，虽然它的 WorldSim 犹如亚马逊的蝴蝶翅膀扇动，引发了 2024 年底的 AI Meme 狂潮。。。 如今的币圈，说是被西装革履的华尔街和能「忽悠」善「收割」的盘圈人士占据，并不为过，但凡抱持去中心化理念，立志长期打造产品应用生态的builder、希望能平权参与加密开放金融的散户，绝大多数人从去年底开始都涌入了 AI 领域，积极的学 AI、用 AI、做 AI ——免不了被 AI 和非 AI 的精英嘲讽是来蹭热度、刷存在感，满脑子就是想发币，@openclaw 创始人禁止用户在社区提及加密货币，甚至比特币也不行。 可以说，资金、人才、注意力被 AI 虹吸的币圈到了行业声誉评价的最低谷，在币圈「浪费了七八年」时间的我，到底是忙不迭地撕去身上的加密标签，还是「坚守阵地」？是继续为自己的币圈身份自惭，同时又在 AI 浪潮里焦虑？ 今天，Nous Research 的故事给了我榜样和鼓励：抱持加密理念，All in AI 浪潮，找到产生体现价值的路子 ~~