给 AI 抢工作论泼盆冷水
美国劳工数据没看到 AI 造成大规模失业。AI 接触多的职业,失业率反而比接触少的职业更低,也没出现白领大批转行干体力活的迹象。但斯坦福一份研究发现,生成式 AI 普及后,年轻人在 AI 相关岗位的就业明显下滑,说明初级岗位可能正在被悄悄替代。文章认为就业市场确实不好,但锅不能全甩给 AI。
推荐理由:美国劳工数据显示 AI 高接触职业失业率反而更低,而斯坦福研究指出生成式 AI 普及后年轻人在相关岗位就业明显下滑,两方数据对照出就业市场的复杂处境。
行业关键人物在想什么:创始人访谈、研究者论战、投资人判断的观点集合。
美国劳工数据没看到 AI 造成大规模失业。AI 接触多的职业,失业率反而比接触少的职业更低,也没出现白领大批转行干体力活的迹象。但斯坦福一份研究发现,生成式 AI 普及后,年轻人在 AI 相关岗位的就业明显下滑,说明初级岗位可能正在被悄悄替代。文章认为就业市场确实不好,但锅不能全甩给 AI。
推荐理由:美国劳工数据显示 AI 高接触职业失业率反而更低,而斯坦福研究指出生成式 AI 普及后年轻人在相关岗位就业明显下滑,两方数据对照出就业市场的复杂处境。
Uber 总裁 Andrew Macdonald 公开说,公司 2026 年的 AI 预算四个月就烧完了,但 Claude Code 的 token 消耗量涨上去之后,并没有看到能交付给用户的实际功能跟着明显变多。他原话是“很难在 AI 花销和产品产出之间画一条线”。
推荐理由:Uber 总裁 Andrew Macdonald 提到公司 2026 年 AI 预算四个月用完,Claude Code 的 token 消耗上涨后交付给用户的功能并未明显增多,大公司内部对 AI 投入与产出关系的判断由此多了一个具体参照。
作者在中美两头跑,发现两边的普通人都在被同一种不安笼罩:技术跑太快,红利不一定轮到自己。文章用滴滴司机钻算法空子、美国送餐员抢单的例子开场,指出 AI 在两国都加剧了职场监控、情感孤独和无力感。美国超七成青少年拿聊天机器人当陪伴,中国预计到 2030 年独居人口达 2 亿,AI 伴侣成了孤独的速效解药。
推荐理由:作者在中美两地观察到普通人对 AI 的共同不安,用滴滴司机钻算法空子、美国送餐员抢单等例子,说明技术红利未必落到个人身上。
这篇帖子直接点破:小模型搭的智能体方案没成为主流,跟技术能不能跑通关系不大,核心是商业风险和验证成本。作者举了两个例子——Gemma 4 31B 在 tau2-bench 上能跑到 86.4% 的准确率,DeepSeek V4-Flash 的输出 token 价格差不多是 Claude Opus 4.6 的 89 分之一,单看指标和成本都挺能打。
推荐理由:帖子指出小模型智能体方案未成主流的原因在商业风险与验证成本,并给出 Gemma 4 31B 在 tau2-bench 上 86.4% 的准确率和 DeepSeek V4-Flash 约为 Claude Opus 4.6 八十九分之一的输出价格。
这篇博客把智能体拆成了三层:模型(就是大语言模型本身)、脚手架(通过提示词和工具描述来定义模型的行为逻辑)和线束(负责实际跑模型调用、工具调用和控制循环的代码)。作者认为现在行业里这些词被混用得厉害,比如有人把整个智能体叫脚手架,有人把执行层叫线束,这篇就是想给个实用的参照,不是要定死标准。
推荐理由:Hugging Face 发文辨析智能体术语,把模型、脚手架和线束三层职责分开,针对行业里这些词被混用的情况给出一个实用参照。
Epoch AI 估算,从 2024 年第一季度到 2025 年第四季度,高带宽内存(HBM)在 AI 芯片物料成本里的占比从 52% 涨到了 63%。这个数字是拿英伟达、AMD、谷歌和亚马逊四家的 AI 芯片按出货量加权平均算出来的。同期逻辑芯片的成本占比基本没动,在 13% 左右。
推荐理由:Epoch AI 估算,2024 年第一季度到 2025 年第四季度,高带宽内存占 AI 芯片物料成本的比例从 52% 升至 63%,同期逻辑芯片稳定在 13% 左右。
OpenAI 联合创始人兼总裁格雷格·布罗克曼在这期播客里,第一次详细讲了公司最惊险的一次内部危机。他回忆了 Sam Altman 被董事会解雇后,自己接到电话时的场景、当天就辞职的原因,以及第二天在 Sam 家里策划“凤凰”备份公司的经过。转折点出现在 Ilya Sutskever 发了一条推文之后。
推荐理由:OpenAI 联合创始人布罗克曼在播客中详述 Sam Altman 被解雇后自己辞职、策划备份公司的 72 小时,并提到 Ilya Sutskever 一条推文成为转折点。
这篇来自新智元的文章标题说 AI 生成的文章数量碾压人类,但正文被微信环境异常验证页完全挡住,看不到任何具体内容。从已有的英文摘要看,研究方 Graphite 从 CommonCrawl 里抽了 4.3 万篇文章做检测,发现从 2024 年 11 月起 AI 写的英文文章数量超过了人类写的。
推荐理由:Graphite 从 CommonCrawl 抽取 4.3 万篇文章检测,发现 2024 年 11 月起 AI 生成的英文文章数量超过人类,为公开网页数据被 AI 内容稀释提供了带时间点的样本。
Flask 作者 Armin Ronacher 用 Pi 开发 Pi 时发现,项目 issue 里 83% 被自动关闭,因为大量 AI 生成的报告虽然行文专业、推理自洽,但结论是错的。
推荐理由:Flask 作者 Armin Ronacher 用 Pi 开发 Pi 时,项目 issue 里 83% 被自动关闭,原因是大量 AI 生成的报告行文专业、推理自洽却结论错误。
微软在一份报告里直接对比了两种成本:用 token 计费调用模型、用 agent 跑业务流程,以及雇人干同样的活。结论是,在这些特定场景下,AI 的综合开销已经超过了人工工资。报告没展开讲具体是什么任务、人力成本按哪个市场算的,但至少说明现在企业上 AI,不是闭着眼就能省钱。
推荐理由:微软在报告里对比了 token 计费、agent 跑流程与雇人干同样活的成本,结论是在这些特定场景下 AI 综合开销已高于人工工资。
奥纬咨询这份全球CEO调查里,科技行业被AI冲击得最狠。74%的CEO说正在冻结或减少招聘,比去年又高了7个百分点。大公司下手更重,39%的“超大规模”企业计划裁员,小公司这个比例是28%。最惨的是初级岗位:打算在未来一两年砍掉入门级职位的CEO比例,从去年的17%直接翻到43%。只有17%的CEO说会多招新人。
推荐理由:奥纬咨询调查显示,74%的科技公司CEO正冻结或缩减招聘,计划砍掉入门级职位的比例从17%升至43%,初级岗位受AI冲击的程度在数据上有了具体刻度。
AI 的 token 单价每年暴跌 10 倍,但企业的 AI 账单却在暴涨,因为市场正在分裂成两个经济逻辑完全不同的世界。低端市场被中国开源模型(如 DeepSeek V4 Flash、Qwen 3.5)杀到了地板价,输入成本最低只要 5 美分,靠的是推理效率提升和系统性低价策略。
推荐理由:AI 的 token 单价每年跌 10 倍,企业账单却持续膨胀,文章拆解了低价开源模型与高价闭源模型并存的两套成本逻辑。
黄仁勋在英伟达财报电话会上抛出一个数字:超大规模云厂商的 AI 基建年开支会从现在的 1 万亿美元涨到 3 到 4 万亿,CFO 给的时间线是 2030 年前。华尔街分析师原本的共识是 2028 年才到 1.03 万亿,老黄直接翻了四倍。
推荐理由:黄仁勋在英伟达财报电话会上把超大规模云厂商的 AI 基建年开支预测推到 3 到 4 万亿美元,而华尔街共识是 2028 年才到 1.03 万亿,两者相差约四倍。
这篇帖子来自一个叫 HomoAgens1 的本地部署实验,他把 Agent 的调度模型和写代码的大模型拆开看,专门测调度环节能缩到多小。他用的 Qwen3.6-35B-A3B 是个 MoE 模型,实际干活时只激活约 3B 参数,跑在一块 12GB 显存的 GPU 上,关了 30 个专家做 offload,生成速度能到每秒 40 个 token。
推荐理由:HomoAgens1 把 Agent 的调度与代码生成拆开,用激活约 3B 参数的 MoE 模型在 12GB 显存上跑通本地 ReAct 循环,生成速度达每秒 40 token,为调度环节的模型选型给出一个可复现的规模参考。
SemiAnalysis 扒了 43.2 万条真实编码智能体的请求记录,输入 token 的中位数不是大家常说的 3.2 万或 6.4 万,而是 9.6 万。这个量级意味着模型在接到你的问题之前,已经吞下了比《了不起的盖茨比》全书还长的上下文。正文没披露用了哪些模型、成本曲线、采样方式和统计时间窗口,所以这个数字先当个参考,别急着拿它算账。
推荐理由:SemiAnalysis 统计了 43.2 万条真实编码智能体请求,得出输入 token 中位数为 9.6 万,比常被引用的 3.2 万或 6.4 万高出一截,为讨论智能体推理成本提供了实测参照。
MatX 的 CEO Reiner Pope 从最底层的与、或、非逻辑门讲起,一步步拆解 AI 芯片到底怎么工作。他先用一个 4 比特乘 4 比特、再用 8 比特累加的例子,演示了乘法累加(MAC)运算在电路里长什么样——这其实就是矩阵乘法的基本动作,AI 芯片绝大部分时间都在干这个。
推荐理由:MatX 的 CEO Reiner Pope 从与、或、非逻辑门讲起,用 4 比特乘 4 比特和 8 比特累加的例子演示乘法累加在电路中的形态,这是理解 AI 芯片矩阵乘法运算的基础。
Dharma-AI 在 Hugging Face 发了篇博文,说现在的大语言模型上线后经常出现文本退化——输出内容来回重复、前言不搭后语或者逻辑崩掉。这种故障直接影响用户体感和模型能不能用,但主流基准测试基本没把这类问题纳入评分。文章呼吁业界在评估体系里加上对文本退化的系统追踪和量化指标,正文没披露具体的指标设计或实验数据。
推荐理由:Dharma-AI 指出大模型上线后常出现重复、逻辑崩坏等文本退化,而主流基准测试基本未将这类故障纳入评分,评估体系与实际生产表现存在落差。
英伟达发了 2026 财年第一季度财报,营收 816 亿,利润 583 亿,数据中心业务同比暴增 92%。但股价盘后还是跌了 2%,说明市场对它的预期已经拉得很高,光超预期不够,得超很多才行。正文没披露货币单位和利润口径,这点先别太激动,如果是真的挺省钱,但缺信息没法判断。
推荐理由:英伟达2026财年Q1营收816亿、数据中心业务同比涨92%,盘后股价却跌2%,这条呈现业绩高增长与市场反应之间的落差。
Salesforce 已经“砍掉”了传统界面,销售不用登录网站就能通过 AI 更新交易记录。作者把这种趋势叫做“可塑界面”——AI 能根据你当下在干嘛,动态生成最适合的交互形式,比如开车时给你念邮件摘要、审文案时弹出网页应用、做预算时直接给个带图表的表格。
推荐理由:Salesforce 已让销售不登录网站、通过 AI 更新交易记录,作者据此提出可塑界面,即界面按当下场景动态生成,为理解软件交互形态提供一种新视角。
Cursor 团队把云端智能体从本地搬到服务器上跑了一年,最大的教训是:开发环境本身就是产品。本地跑的时候,模型直接继承你电脑上的全套工具链,但云端得从零重建,缺个依赖、少个配置,模型不会报错,只会悄悄变笨。他们后来把任务调度迁到 Temporal 上,可靠性从 99% 拉到了 99.9% 以上,现在平台每天处理超过 5000 万次操作。
推荐理由:Cursor 团队复盘云端智能体一年部署经验,指出开发环境在云端需从零重建,缺依赖或配置会让模型悄悄变笨,并将任务调度迁至 Temporal 提升可靠性。