2026年7月25日星期六

今天看了一圈科技新闻，满屏都是AI落地的狂欢，但真落地和假繁荣搅在一起，得扒开来看看。

有个挺火的帖子说产品经理一行代码不写，靠白嫖AI做出了3.2K Star的开源工具。这种爽文看看就好，真别当真。你看看另一边，企业里搞AI客服的兄弟们正在头疼，从管100个人变成管1000个AI并发，评估体系彻底崩了，从语义理解到RAG检索，每个环节都得重新量化。这就叫工程现实。现在FDE（前向部署工程师）岗位暴增，年薪两百万起步，为啥？因为通用大模型在企业里根本不通用，必须得靠人肉去客户现场填坑，数据基建才是隐形天花板。连AI面试官都出来了，听着唬人，本质上还是RAG加规则匹配，真想完全替代人类HR还早得很。

再说说开源这事。微软联合发声明说开源权重对AI生态很重要，美国初创公司也急了，求政府别封杀中国开源AI。这帮资本家精明着呢，闭源模型太贵且容易被卡脖子，大家都指望着靠开源白嫖来搞生态。但白嫖归白嫖，工程底线不能丢。今天有个新闻说某安防摄像头的登录页里直接硬编码了GitHub Admin Token，这种低级错误要是放在企业级AI系统里，分分钟数据泄露。工信部刚通报了35款乱收集个人信息的APP，松果出行都在列，监管只会越来越严。

对普通开发者来说，别被那些零代码造物的爽文忽悠了。真想靠AI吃饭，别光盯着调API，要么去练好数据基建的内功，要么去学怎么管模型而不是管人。至于开源模型，该用用，但安全红线得自己兜底，别等系统被黑了才哭。

今天的信号里，最耐人寻味的不是AI模型又强了多少，而是AI正在从一个“做事工具”悄悄变成“数字同事”。这个转变，才是今天所有碎片背后最值得抓住的线索。

看看人才市场的变化。一个FDE岗位暴增800%，年薪200万起步，这个信号说明什么？说明企业不再满足于买一个AI工具，而是需要能“把AI部署进去、让它真正干活”的人。OpenAI专门成立40亿美元的公司来派驻，本质上是在输出“AI员工”。与此同时，元企AI推出了“超级HR”，它不只是筛简历，而是像同事一样去招聘平台找人、沟通、打分。这不再是工具，而是流程中的一环。你再回想一下微软联合发布的“开源权重模型对健康AI生态系统至关重要”，以及Hacker News上初创公司创始人恳请美国政府不要切断中国开源权重模型——这些信号的底层逻辑是：AI正在成为基础设施，开源权重模型就是这个基础设施的“出厂设置”。谁掌握了这个出厂设置，谁就掌握了未来数字员工的“劳动力成本”。

再看脑机接口的突破。Science Corp的PRIMA系统获欧盟上市许可，可以帮助地图样萎缩患者恢复部分视力。这不止是医疗进步，它指向一个更根本的变化：信息获取的入口正在从手指和眼睛，转向直接与神经系统的接口。当AI作为数字同事可以帮我处理80%的常规任务，而脑机接口又让人类获取信息的方式发生革命，那么人类的稀缺资源就会从“脑力”转向“注意力”。勒布朗-詹姆斯以2年800万加盟76人这件事，看似是体育新闻，实则是注意力经济的终极体现：当AI能完成大部分工作，最顶尖的人类运动员的价值反而更加凸显，因为他们提供的是不可替代的、真实的、充满故事的注意力焦点。

但风险也在这里。中国美院给新生布置30张速写作业，看似老派，实则是这个时代最清醒的对抗。当AI可以生成任何图像，美院反而强调手绘速写，这是在训练一种AI无法替代的东西：观察生活的颗粒度，以及把瞬间感受转化为线条的能力。这种能力在未来会成为稀缺品。而中文播客里的“词汇通胀”现象——原生家庭、主体性、情绪价值——实际上是另一种焦虑：人们急于用新词解释自己，但AI已经能比你自己更懂你。

半年后，我们会看到更多公司不再招聘“AI工程师”，而是招聘“AI管理师”。一年后，每个企业都会有一个“AI员工配置表”，就像现在的人力资源表一样。受益最大的是那些能快速把AI当同事而非工具的人，受损最严重的是那些以为AI只是高级Excel的人。当你的面试官、你的同事、甚至你的老板都有可能是一个AI时，你真正需要证明的，不是你会做什么，而是你作为人类，为什么值得被雇用。

今天的信号里，AI 教育白皮书、AI 客服评估体系以及大量关于新模型、工具的推广，形成了一个明显的“AI 过热”主题。天立启鸣把教育的“不可能三角”包装成 AGI 解决方案，却没有提供可量化的实验数据；同类文章往往只列出模型参数规模、算力投入，却忽略了教学成本、教师培训和学生隐私的真实代价。过去的互联网泡沫（1999‑2000 年）和 2017‑2021 年的 AI 投资高峰，都显示出技术概念被资本反复放大，而落地收益往往只有 5‑10% 能兑现。当前公开的模型下载量（如 Solar‑Open2‑250B 超过 500 次）并不等同于企业级落地，真正的门槛是数据治理、合规审计以及持续的模型维护。为此，谁在赚钱尤为关键：云服务商、标注外包公司以及少数拥有大规模算力的企业，从 API 调用费、算力租赁以及模型定制中获取利润；而大多数高校、企业和普通用户则要承担软硬件采购、培训以及潜在的违规风险。

再看 SpaceX 第 13 次星舰试飞和欧盟批准的视网膜脑机接口，两者都被媒体渲染为“技术革命”。星舰的每一次发射都消耗数亿美元的研发费用，但回报仍主要是政府补贴和少数商业卫星订单；视网膜芯片的上市许可尚在临床试验阶段，长期安全性、手术成本以及后续维护费用尚未公开。历史上类似的高投入项目（如 2000 年的核聚变实验、2010 年的量子计算原型）往往在短期内吸引舆论关注，却在成本与实际效益的差距中留下大量未偿债务。

综合来看，这些热点背后隐藏的是资本对“高增长”概念的追逐，而非技术成熟度的客观评估。企业在决定投入前，需要对模型的全生命周期成本进行细致核算，尤其是数据标注、合规审查和模型漂移的后期维护。监管层面，近期的出口管制与个人信息 APP 整治显示，政策正在收紧，合规成本将进一步上升。若不把这些隐形成本和风险摆到台面上，所谓的技术红利很可能变成另一场“泡沫”，最终由使用者买单，而真正的利润仍会集中在少数资本与平台手中。