<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:content="http://purl.org/rss/1.0/modules/content/"><channel><title>AI商业观察 on 张刚的写作</title><link>https://blog.unicome.org/series/ai%E5%95%86%E4%B8%9A%E8%A7%82%E5%AF%9F/</link><description>Recent content in AI商业观察 on 张刚的写作</description><generator>Hugo</generator><language>zh-CN</language><lastBuildDate>Tue, 10 Nov 2026 17:26:40 +0800</lastBuildDate><atom:link href="https://blog.unicome.org/series/ai%E5%95%86%E4%B8%9A%E8%A7%82%E5%AF%9F/index.xml" rel="self" type="application/rss+xml"/><item><title>AI商业观察：从Bot到Personal AI Organization</title><link>https://blog.unicome.org/posts/ai-bot-to-personal-org/</link><pubDate>Sat, 10 Oct 2026 16:17:04 +0800</pubDate><guid>https://blog.unicome.org/posts/ai-bot-to-personal-org/</guid><description>&lt;p&gt;这两天一直在深度用 Grok Bot。&lt;/p&gt;
&lt;p&gt;最初只是觉得顺手。很多事情可以直接交出去，不必自己来回切工具，也不用一件件盯着。&lt;/p&gt;
&lt;p&gt;但用下来以后，真正有意思的并不是某一个功能，而是它背后呈现出来的一种新形态：&lt;/p&gt;
&lt;p&gt;&lt;strong&gt;Personal Agent 可能并不会停在“一个越来越聪明的助手”，而会继续演化成一个属于个人的 AI 组织。&lt;/strong&gt;&lt;/p&gt;</description><content:encoded><![CDATA[<p>这两天一直在深度用 Grok Bot。</p>
<p>最初只是觉得顺手。很多事情可以直接交出去，不必自己来回切工具，也不用一件件盯着。</p>
<p>但用下来以后，真正有意思的并不是某一个功能，而是它背后呈现出来的一种新形态：</p>
<p><strong>Personal Agent 可能并不会停在“一个越来越聪明的助手”，而会继续演化成一个属于个人的 AI 组织。</strong></p>
<p>Grok Bot 已经可以建立不同的 Bot，让它们分别负责不同的事情。</p>
<p>一个负责投资研究，一个负责写作，一个负责日常事务，一个负责长期跟踪信息。不同 Bot 有不同的任务、上下文和工作方式，甚至可以长期保持各自的职责。</p>
<p>这和把所有事情都塞给一个“万能 Agent”相比，更接近真实世界里的组织。</p>
<p>现实中的公司为什么会分部门、分岗位？</p>
<p>不是因为某一个人完全做不了，而是不同工作需要不同的知识、权限、目标和节奏。</p>
<p>投资研究需要一套长期记忆。</p>
<p>写作需要另一套上下文。</p>
<p>家庭事务可能要接邮箱、日历和账单。</p>
<p>财务 Bot 可以处理付款，但写作 Bot 根本不该拥有这样的权限。</p>
<p>如果这些东西全都塞进一个 Agent，最后一定会出现上下文混杂、权限过大、职责不清的问题。</p>
<p><strong>分工，不只是为了效率，也是为了隔离上下文、权限和责任。</strong></p>
<p>所以 Grok Bot 给我的第一个感受，不是“一个更强的 AI”。</p>
<p>而是：</p>
<p><strong>一个人开始可以搭建自己的小型 AI 组织。</strong></p>
<p><strong>1.Bot接入 X 以后，这件事又往前走了一步。</strong></p>
<p>X 对 Grok Bot 的价值，不只是多了一个搜索入口。</p>
<p>它更像一个持续跳动的信息源。</p>
<p>很多行业最早出现的变化，并不首先出现在新闻稿和正式研报里。</p>
<p>可能只是某个工程师发了一张图。</p>
<p>某个创始人提到一个新产品。</p>
<p>某个供应链从业者说了一句交付增加。</p>
<p>某场行业会议里，几家公司开始反复讨论一个以前很少出现的词。</p>
<p>这些信息单独看很零碎，但真正的产业变化，本来就是这样一点点显影出来的。</p>
<p>尤其是 AI、半导体、光通信、机器人、生物科技这些变化很快的领域，X 某种程度上已经成了产业信息流最靠前的一层。</p>
<p>人的问题是，不可能一直守在那里。</p>
<p>Bot 可以。</p>
<p>这就带来了一种很有意思的用法。</p>
<p>比如我最近一直在看 OCS。</p>
<p>我真正需要的，并不是每天有人给我整理十篇 OCS 新闻。</p>
<p>我需要的是一个 Bot 长期盯着 Nvidia、Google、Lumentum、Coherent、iPronics，以及相关工程师和行业会议。</p>
<p>平时不打扰我。</p>
<p>哪一天它发现，某一家非 Google 的大型算力平台开始正式采用 OCS，或者 Nvidia 的网络架构出现明确变化，再来提醒我：</p>
<p><strong>原来的判断需要调整了。</strong></p>
<p>这就和传统的信息订阅完全不同。</p>
<p>传统订阅怕的是错过新闻。</p>
<p><strong>而 Agent 真正应该帮助人避免错过的，是结构变化。</strong></p>
<p>这是 Bot 最有意思的一层。</p>
<p>未来真正稀缺的，未必还是信息。</p>
<p>信息只会越来越多。</p>
<p>真正稀缺的是人的时间、注意力和理解能力。</p>
<p>技术进步越来越快，外部世界的信息流也越来越快，但人的吸收速度不会同步提高。一天还是二十四小时，一个人能真正理解和消化的东西仍然有限。</p>
<p>所以好的 Agent 不应该只是不断往人面前堆更多信息。</p>
<p>它更应该替人过滤、等待、压缩。</p>
<p>只有当某件事情真的值得进入人的认知时，才把它带回来。</p>
<p><strong>Personal Agent 真正要解决的，不只是“帮人做事”，还包括“替人管理一个越来越快的世界”。</strong></p>
<p>从这个角度看，它更像一个认知变速箱。</p>
<p>外面的世界高速运行。</p>
<p>Agent 跟着这个速度跑。</p>
<p>人只处理那些真正重要、真正需要判断的事情。</p>
<p>这比“帮我省多少时间”更重要。</p>
<p><strong>2.昨天 Grok Bot 又开放了自己的邮箱。</strong></p>
<p>这个功能看起来普通，意义却不小。</p>
<p>因为邮箱不只是一个工具。</p>
<p>它还是一种身份。</p>
<p>以前 Bot 可以帮我读我的邮箱，本质上仍然是“替我处理”。</p>
<p>现在 Bot 自己有邮箱，外部世界就可以直接找到它。</p>
<p>账单可以发给它。</p>
<p>服务商的回复可以发给它。</p>
<p>预约变化可以发给它。</p>
<p>验证码也可以进入它自己的通信链路。</p>
<p>这样一来，Agent 就不必总等人先来启动。</p>
<p>过去的信息路径是：</p>
<p><strong>我发现一件事，再告诉 Agent 去处理。</strong></p>
<p>以后可能变成：</p>
<p><strong>外部世界先找到 Agent，Agent 处理以后，再决定是否需要我介入。</strong></p>
<p>这个变化非常关键。</p>
<p>因为一个真正长期运行的 Agent，迟早要有自己的通信地址、账号、权限、数据库，甚至支付能力。</p>
<p>邮箱只是第一步。</p>
<p>顺着这条路往下看，Agent 需要的基础设施其实已经开始一块块长出来。</p>
<p>它要能感知外部世界。</p>
<p>要有自己的状态和记忆。</p>
<p>要有身份。</p>
<p>要有权限。</p>
<p>要能和外部服务通信。</p>
<p>最后还要完成交易。</p>
<p>这几个月我们讨论过很多看似分散的变化，其实都可以放进这条线上理解。</p>
<p>Supabase 收购 Turso，是在解决 Agent 的状态问题。</p>
<p>未来 Agent 数量一旦增加，每一个 Agent、每一个任务都会产生自己的上下文、历史、文件和中间数据。</p>
<p>传统数据库过去解决的是“一个数据库怎样变得更大”。</p>
<p>Agent 时代开始面对另一个问题：</p>
<p>如果未来同时存在几百万、几千万个很小、生命周期很短的数据库，怎么创建、暂停、恢复和管理？</p>
<p>这是 State。</p>
<p>Bot 拥有自己的邮箱，是 Identity 和 Communication。</p>
<p>Personal Agent Protocol、OAuth、各种授权接口，在解决 Permission。</p>
<p>Stripe 这样的支付网络，最终会进入 Transaction。</p>
<p><strong>当 State、Identity、Permission、Communication、Transaction 这些层逐渐补齐以后，Agent 才真正从一个会回答问题的软件，变成一个可以长期存在、持续行动的数字角色。</strong></p>
<p>还有一个功能，我之前并没有太在意，真正用到以后才发现它可能更重要。</p>
<p><strong>3.一个成熟的 Bot，可以分享给别人使用。</strong></p>
<p>这件事的意义不只是“分享一个模板”。</p>
<p>它意味着，一个人长期训练出来的工作能力，开始有机会被复制。</p>
<p>比如我花半年时间培养一个 AI 基础设施投资 Bot。</p>
<p>它已经知道我怎么看一个新技术是不是趋势。</p>
<p>知道什么叫能力突破，什么叫成本下降，什么叫需求显影，什么叫瓶颈迁移。</p>
<p>它知道 OCS 应该看什么。</p>
<p>知道 Agent 数据层应该跟踪哪些指标。</p>
<p>知道哪些公司值得长期观察。</p>
<p>也知道什么只是热闹，什么真的会改变原来的判断。</p>
<p>过去这些东西属于一个分析师长期形成的经验。</p>
<p>很难完整写进一份文档。</p>
<p>因为真正有价值的，往往不是几个结论，而是大量判断习惯、优先级和工作方式。</p>
<p>但如果这些东西逐渐沉积进一个 Bot，形成 memory、skills、instructions、workflow 和 tool chain，那么它第一次有可能变成一种可以复制的资产。</p>
<p>我很喜欢一个词：</p>
<p><strong>Executable Knowledge。</strong></p>
<p>可执行的知识。</p>
<p>传统文档告诉你“知道什么”。</p>
<p>软件告诉机器“怎么做”。</p>
<p>培训告诉人“应该怎么做”。</p>
<p>而一个成熟 Bot 把这三件事合在了一起。</p>
<p>它知道什么。</p>
<p>知道怎么做。</p>
<p>并且自己可以完成。</p>
<p><strong>这意味着未来一个人不只是拥有 AI 员工，还可以创造 AI 员工。</strong></p>
<p>甚至可以把自己长期形成的一套能力，训练成一个 Bot，再分享给团队、朋友，或者直接放到市场上。</p>
<p>这样继续往前，Bot Marketplace 几乎是很自然的一步。</p>
<p>未来人们购买的，也许不再只是软件工具。</p>
<p>而是一个已经会做某件事情的数字工作者。</p>
<p>不是买一套研究软件。</p>
<p>而是直接得到一个已经会做行业研究的 Agent。</p>
<p>不是买一套销售系统。</p>
<p>而是得到一个已经知道怎么做客户跟进的 Agent。</p>
<p>不是买一个留学信息平台。</p>
<p>而是直接得到一个能持续完成申请流程的 Agent。</p>
<p>这背后的商业模式也会变化。</p>
<p>软件时代主要是订阅。</p>
<p>Agent 时代则可能出现更多按任务、按结果、按 success fee 收费的模式。</p>
<p>这又和最近 Personal Agent Protocol、Instinct、Stripe 这些变化连了起来。</p>
<p>它们其实都在回答一个问题：</p>
<p><strong>当互联网里开始出现大量代表个人行动的 Agent，身份、授权、支付和商业关系应该怎样重构？</strong></p>
<p>所以把 Grok Bot 最近这些变化放在一起看，会发现它们并不是几个孤立的产品功能。</p>
<p><em>多 Bot，解决的是分工。</em></p>
<p><em>X，解决的是对外部世界的实时感知。</em></p>
<p><em>长期运行，让 Bot 能承担持续责任。</em></p>
<p><em>独立邮箱，让 Agent 有了自己的通信身份。</em></p>
<p><em>数据库和状态层，让它能够保持任务连续性。</em></p>
<p><em>Bot 分享，则让长期沉积下来的工作能力开始可以复制。</em></p>
<p>这些东西拼到一起以后，呈现出来的已经不只是 Personal Agent。</p>
<p>更像是：</p>
<p><strong>Personal AI Organization。</strong></p>
<p>一个人背后，可能逐渐拥有一组数字员工。</p>
<p>研究 Bot。</p>
<p>投资 Bot。</p>
<p>健康 Bot。</p>
<p>写作 Bot。</p>
<p>旅行 Bot。</p>
<p>财务 Bot。</p>
<p>家庭事务 Bot。</p>
<p>最上面再有一个 Chief Agent。</p>
<p>它不必亲自做所有事情。</p>
<p>它真正负责的是了解我、分配工作、协调其他 Bot，并决定什么事情值得来打扰我。</p>
<p>到了那个时候，人与人之间的生产力差异，也许不再只是“谁更会使用 AI”。</p>
<p>而是：</p>
<p><strong>谁拥有一支组织得更好的 AI 队伍。</strong></p>
<p>谁能够把自己的知识和经验更好地沉积进这些 Agent。</p>
<p>谁能够让 Agent 替自己长期守住更多领域。</p>
<p>谁又能够把自己训练出来的成熟 Bot，复制给更多人。</p>
<p>过去几十年，计算机一直在增强个人的能力。</p>
<p>PC 给一个人一台机器。</p>
<p>互联网让一个人连接整个世界。</p>
<p>云计算给一个人几乎无限的计算资源。</p>
<p>AI 可能再往前走一步。</p>
<p><strong>它让一个普通人第一次有机会拥有过去只有组织才有的能力：分工、持续运行、信息监测、专业协作、知识沉积和能力复制。</strong></p>
<p>所以 Personal Agent 最终也许不会停在“每个人都有一个聪明助手”。</p>
<p>更可能的结果是：</p>
<p><strong>每个人身后，都开始长出自己的数字组织。</strong></p>
<p>而今天看到的这些 Bot、邮箱、X、数据库、分享，只是这个组织最先长出来的几个器官。</p>
]]></content:encoded></item><item><title>AI商业观察：从被看见到被选择——Agent 正在重写商业世界的分配逻辑</title><link>https://blog.unicome.org/posts/ai-cong-beikanjian-dao-beixuanze/</link><pubDate>Mon, 12 Oct 2026 11:45:23 +0800</pubDate><guid>https://blog.unicome.org/posts/ai-cong-beikanjian-dao-beixuanze/</guid><description>&lt;p&gt;这两天继续看 Personal Agent 和 Agentic Commerce，看到 Stripe CEO Patrick Collison 的一段讨论，突然觉得前面很多零散的思考被串起来了。&lt;/p&gt;
&lt;p&gt;过去我们一直在说：&lt;/p&gt;
&lt;p&gt;互联网解决的是 &lt;strong&gt;Find——帮我找到&lt;/strong&gt;。&lt;/p&gt;
&lt;p&gt;Agent 开始进入 &lt;strong&gt;Do——帮我完成&lt;/strong&gt;。&lt;/p&gt;
&lt;p&gt;再往后，会走向 &lt;strong&gt;Delegate——代表我持续去做&lt;/strong&gt;。&lt;/p&gt;
&lt;p&gt;但如果只把它理解成“AI 帮人省时间”，其实还不够。&lt;/p&gt;</description><content:encoded><![CDATA[<p>这两天继续看 Personal Agent 和 Agentic Commerce，看到 Stripe CEO Patrick Collison 的一段讨论，突然觉得前面很多零散的思考被串起来了。</p>
<p>过去我们一直在说：</p>
<p>互联网解决的是 <strong>Find——帮我找到</strong>。</p>
<p>Agent 开始进入 <strong>Do——帮我完成</strong>。</p>
<p>再往后，会走向 <strong>Delegate——代表我持续去做</strong>。</p>
<p>但如果只把它理解成“AI 帮人省时间”，其实还不够。</p>
<p>因为一旦 Agent 真正开始代表用户去消费、比较、选择和交易，它改变的不只是用户体验。</p>
<p>它会开始改变：</p>
<p><strong>需求究竟怎样被分配。</strong></p>
<p><em>而这件事情，可能会动到互联网过去二十多年最核心的商业结构。</em></p>
<h3 id="一过去的商业世界很大程度上建立在人的注意力有限之上">一、过去的商业世界，很大程度上建立在“人的注意力有限”之上</h3>
<p>一个普通消费者一天只有二十四小时。</p>
<p>他不可能为了买一双鞋研究十个小时。</p>
<p>不可能每个月重新比较所有保险。</p>
<p>不可能每天检查所有订阅是否还值得继续。</p>
<p>也不可能在每次旅行前，把几十家酒店、航班、租车和保险全部算一遍。</p>
<p>所以现实世界里，大量商业利润其实来自一种非常普通的事实：</p>
<p><strong>消费者没有足够时间，把每一次选择都做到最优。</strong></p>
<p>企业则完全不同。</p>
<p>一家企业可以长期雇佣：</p>
<p>营销团队。</p>
<p>定价团队。</p>
<p>数据分析师。</p>
<p>广告系统。</p>
<p>销售团队。</p>
<p>推荐算法。</p>
<p>几十年下来，企业已经变成一种高度组织化的“超级智能”。</p>
<p>它们每天都在研究：</p>
<p>怎样更容易让人看见。</p>
<p>怎样让人更快下单。</p>
<p>怎样减少退订。</p>
<p>怎样提高客单价。</p>
<p>怎样让一个已经买过东西的人继续留下来。</p>
<p>但另一边，一个普通消费者仍然只是一个人。</p>
<p>所以过去几十年的商业关系，本质上一直存在一种不对称：</p>
<blockquote>
<p><strong>企业拥有持续优化能力，个人只有有限时间和有限注意力。</strong></p>
</blockquote>
<p>这正是很多互联网商业模式能够成立的基础。</p>
<h3 id="二personal-agent-第一次可能把这种不对称往回拉一点">二、Personal Agent 第一次可能把这种不对称往回拉一点</h3>
<p>Personal Agent 最有意思的地方，并不是它会聊天。</p>
<p>而是它可以替一个普通人持续做那些过去不值得花时间做的事情。</p>
<p>它可以一直记住：</p>
<p>你的预算。</p>
<p>你的偏好。</p>
<p>你的历史。</p>
<p>哪些东西买过。</p>
<p>哪些服务已经很久没用。</p>
<p>哪些订阅正在涨价。</p>
<p>哪些保险可能已经不合适。</p>
<p>然后在你真正需要的时候，重新去比较。</p>
<p>如果这种能力足够便宜、足够稳定，那么过去很多“因为太麻烦所以懒得处理”的事情，会突然变得值得处理。</p>
<p>比如：</p>
<p>每次购物都自动找优惠。</p>
<p>每年重新比较保险。</p>
<p>自动清理没用的订阅。</p>
<p>买机票时不仅看价格，还比较改签、时间、机场、行李和过去体验。</p>
<p>这件事情的本质不是 AI 更聪明。</p>
<p>而是：</p>
<blockquote>
<p><strong>消费者第一次获得了一部分过去只有企业才拥有的持续计算能力。</strong></p>
</blockquote>
<p>这是一个很大的变化。</p>
<h3 id="三所以-agent-可能削弱一部分建立在懒惰上的利润">三、所以 Agent 可能削弱一部分“建立在懒惰上的利润”</h3>
<p>这里说“懒惰”，不是贬义。</p>
<p>更准确地说，是：</p>
<p><strong>人的时间不值得花在这些事情上。</strong></p>
<p>如果一个订阅每个月多收 20 元，但取消它需要找入口、翻邮件、联系客服，大部分人可能就不管了。</p>
<p>如果一份保险每年贵 500 元，但重新比较需要两个小时，大部分人也不会动。</p>
<p>如果一个产品只是因为排在搜索结果第一位而被更多人买到，它未必真的更适合用户。</p>
<p>这些利润的一部分，本质上来自：</p>
<p><strong>搜索成本、比较成本、取消成本和人的注意力不足。</strong></p>
<p>Agent 一旦把这些成本压到接近零，商业世界里一些过去稳定存在的利润来源就会被重新挤压。</p>
<p>所以我觉得未来有一类商业模式会越来越难：</p>
<blockquote>
<p><strong>靠用户没时间重新判断而持续赚钱。</strong></p>
</blockquote>
<h3 id="四这也可能让好产品变得更值钱">四、这也可能让“好产品”变得更值钱</h3>
<p>Patrick Collison 提了一个很有意思的问题：</p>
<p>假设每一个消费者在买东西之前，都有一个助手替他研究十个小时，会发生什么？</p>
<p>我觉得答案可能是：</p>
<p><strong>产品质量的重要性会上升。</strong></p>
<p>过去一个产品卖得好，除了产品本身，还取决于：</p>
<p>广告。</p>
<p>渠道。</p>
<p>品牌。</p>
<p>货架位置。</p>
<p>搜索排名。</p>
<p>推荐位。</p>
<p>但如果 Agent 可以快速比较：</p>
<p>价格。</p>
<p>故障率。</p>
<p>退货率。</p>
<p>真实使用体验。</p>
<p>售后服务。</p>
<p>长期成本。</p>
<p>那么企业过去靠“先被看见”获得的优势，可能会下降。</p>
<p>而真正“更适合、更可靠、更值得买”的产品，会获得更稳定的需求。</p>
<p>换句话说：</p>
<blockquote>
<p><strong>Personal Agent 可能成为产品质量的一种结构性补贴。</strong></p>
</blockquote>
<p>它把过去消费者没有时间完成的判断，重新补上。</p>
<h3 id="五但商业世界不会变得更简单而会进入agent-对-agent的新博弈">五、但商业世界不会变得更简单，而会进入“Agent 对 Agent”的新博弈</h3>
<p>这里不能太乐观。</p>
<p>企业不会坐在那里等 Personal Agent 把自己的利润一层层优化掉。</p>
<p>消费者有 Agent。</p>
<p>企业也一定会有 Agent。</p>
<p>以后很可能出现：</p>
<p><strong>Buyer Agent ↔ Seller Agent</strong></p>
<p>一边替消费者：</p>
<p>比价。</p>
<p>找优惠。</p>
<p>判断质量。</p>
<p>议价。</p>
<p>另一边替企业：</p>
<p>动态定价。</p>
<p>调整折扣。</p>
<p>预测购买概率。</p>
<p>设计组合。</p>
<p>所以 Agent 时代不会变成一个“消费者永远占便宜”的世界。</p>
<p>更可能是：</p>
<blockquote>
<p><strong>企业和消费者之间的博弈，从“人对系统”升级成“代理对代理”。</strong></p>
</blockquote>
<p>这反而会让身份、授权、协议、支付和结果验证变得越来越重要。</p>
<p>因为参与交易的主体开始不只是：</p>
<p>人。</p>
<p>企业。</p>
<p>还多了一种：</p>
<p><strong>Agent。</strong></p>
<h3 id="六真正变化最大的可能是需求路由">六、真正变化最大的，可能是“需求路由”</h3>
<p>过去互联网最有价值的能力之一，是路由需求。</p>
<p>Google 决定谁出现在搜索结果前面。</p>
<p>淘宝决定哪些商品更容易被看到。</p>
<p>Amazon 决定哪些商品进入推荐位。</p>
<p>携程决定哪些酒店和航班进入消费者的选择范围。</p>
<p>所以互联网平台掌握的核心权力，本质上是：</p>
<p><strong>谁被看见。</strong></p>
<p>因为人的注意力有限。</p>
<p>排在前面，就有更高概率得到交易。</p>
<p>这也是为什么搜索广告、推荐位、流量分发可以形成如此巨大的商业市场。</p>
<p>但 Agent 出现以后，这个结构会慢慢变化。</p>
<p>用户可能根本不再去看十个搜索结果。</p>
<p>他只会说：</p>
<blockquote>
<p>帮我买一个最适合我的。</p>
</blockquote>
<p>于是过去：</p>
<p><strong>谁先被看见</strong></p>
<p>开始变成：</p>
<p><strong>谁被 Agent 选中。</strong></p>
<p>这就是一个非常大的迁移。</p>
<h3 id="七所以互联网的分配逻辑可能经历这样一条变化">七、所以互联网的分配逻辑可能经历这样一条变化</h3>
<p>过去是：</p>
<p><strong>流量路由。</strong></p>
<p>平台决定注意力流向谁。</p>
<p>后来是：</p>
<p><strong>需求路由。</strong></p>
<p>平台根据算法，把需求送给某些商品和服务。</p>
<p>Agent 时代进一步可能变成：</p>
<p><strong>任务路由。</strong></p>
<p>用户只提供目标。</p>
<p>Agent 决定：</p>
<p>找哪个服务商。</p>
<p>调用哪个 Agent。</p>
<p>走什么路径。</p>
<p>怎样付款。</p>
<p>如果失败换谁。</p>
<p>再往后一步：</p>
<p><strong>资源配置。</strong></p>
<p>因为一旦 Agent 可以真正替用户行动，它就开始决定：</p>
<p>用户的钱。</p>
<p>时间。</p>
<p>信用。</p>
<p>注意力。</p>
<p>应该被分配到哪里。</p>
<p>所以整个演化可以写成：</p>
<blockquote>
<p><strong>流量路由→ 需求路由→ 任务路由→ 资源配置。</strong></p>
</blockquote>
<p>越往后，平台的位置越深。</p>
<h3 id="八这也是为什么ai-版携程只是-personal-agent-的早期形态">八、这也是为什么“AI 版携程”只是 Personal Agent 的早期形态</h3>
<p>最近有人说 Instinct 很像“AI 版携程”。</p>
<p>这个说法其实很准确。</p>
<p>携程自己并不需要拥有飞机和酒店。</p>
<p>它真正重要的是：</p>
<p><strong>旅行需求的分配权。</strong></p>
<p>用户提出旅行需求。</p>
<p>携程后面连接航空公司、酒店、租车和其他服务商。</p>
<p>Personal Agent 如果继续发展，本质上是在把这个逻辑从旅行扩展到所有可委托任务。</p>
<p>旅行。</p>
<p>购物。</p>
<p>家政。</p>
<p>保险。</p>
<p>医疗。</p>
<p>金融。</p>
<p>企业采购。</p>
<p>所以它真正想成为的，不只是 AI 版携程。</p>
<p>而是：</p>
<blockquote>
<p><strong>个人任务的通用路由器。</strong></p>
</blockquote>
<p>这比流量入口深一层。</p>
<p>因为平台掌握的已经不是“你看到了什么”。</p>
<p>而是：</p>
<p><strong>你的事情最终交给谁去做。</strong></p>
<h3 id="九那么下一代平台真正卖的也许不是流量而是任务">九、那么下一代平台真正卖的，也许不是流量，而是“任务”</h3>
<p>传统互联网平台卖的是：</p>
<p>曝光。</p>
<p>点击。</p>
<p>流量。</p>
<p>广告。</p>
<p>后来变成交易佣金。</p>
<p>Agent 时代则可能进一步出现：</p>
<p><strong>Task Fee。</strong></p>
<p><strong>Success Fee。</strong></p>
<p><strong>Outcome Sharing。</strong></p>
<p>因为平台离结果越来越近。</p>
<p>帮你找到一家酒店，可以收广告费。</p>
<p>帮你把酒店订好，可以收交易佣金。</p>
<p>如果替你把整个旅行安排好，就可以收任务费。</p>
<p>如果只有事情做成以后才收费，就进入 Success Fee。</p>
<p>所以“为结果付费”不是一个孤立的商业创新。</p>
<p>它其实是：</p>
<blockquote>
<p><strong>平台从流量分发走向任务分发以后，自然长出来的收费方式。</strong></p>
</blockquote>
<h3 id="十但这里最难的问题是agent-到底忠于谁">十、但这里最难的问题是：Agent 到底忠于谁？</h3>
<p>如果一个 Personal Agent 是我的代理人，我天然会期待：</p>
<p><strong>它站在我这一边。</strong></p>
<p>但如果真正付钱的是酒店、保险公司、商品卖家呢？</p>
<p>问题就出现了。</p>
<p>它推荐 A：</p>
<p>到底因为 A 更适合我，</p>
<p>还是因为 A 给的佣金更高？</p>
<p>传统互联网也有这个矛盾。</p>
<p>但过去平台只是：</p>
<p>推荐。</p>
<p>用户仍然自己点击、比较和决定。</p>
<p>Agent 时代则不同。</p>
<p>Agent 有可能直接：</p>
<p>选择。</p>
<p>下单。</p>
<p>支付。</p>
<p>甚至长期管理。</p>
<p>所以这里的利益冲突会比广告时代敏感得多。</p>
<p>于是以后 Agent 商业模式最核心的问题之一，不是：</p>
<p>谁付钱？</p>
<p>而是：</p>
<blockquote>
<p><strong>不管谁付钱，Agent 最终忠于谁？</strong></p>
</blockquote>
<p>这是委托关系的根。</p>
<h3 id="十一所以agent-忠诚度可能成为未来非常重要的品牌资产">十一、所以“Agent 忠诚度”可能成为未来非常重要的品牌资产</h3>
<p>如果一个 Agent 为了多赚一次佣金，把一个不合适的产品推荐给用户，它可能赚到今天的一笔钱。</p>
<p>但失去的却是：</p>
<p><strong>长期委托关系。</strong></p>
<p>而 Personal Agent 真正最有价值的资产，恰恰不是某一次交易。</p>
<p>而是：</p>
<p>用户愿意持续相信它。</p>
<p>让它知道更多 Context。</p>
<p>给它更多权限。</p>
<p>让它替自己处理越来越重要的事情。</p>
<p>所以 Agent 平台会遇到一个传统广告平台没有那么强烈的问题：</p>
<blockquote>
<p><strong>短期商业化，与长期代理信任之间怎么平衡？</strong></p>
</blockquote>
<p>这可能决定哪一类 Agent 最后真正能走得很远。</p>
<h3 id="十二另一个可能变得越来越值钱的东西是可验证的质量数据">十二、另一个可能变得越来越值钱的东西，是“可验证的质量数据”</h3>
<p>如果 Agent 要替人选东西，它必须知道什么才是真的好。</p>
<p>于是未来越来越有价值的数据，可能不再只是：</p>
<p>点击率。</p>
<p>转化率。</p>
<p>广告互动。</p>
<p>而是：</p>
<p>真实故障率。</p>
<p>退货率。</p>
<p>寿命。</p>
<p>交付成功率。</p>
<p>售后速度。</p>
<p>履约能力。</p>
<p>长期客户满意度。</p>
<p>这会产生一个很有意思的新方向：</p>
<p><strong>Quality Data Infrastructure。</strong></p>
<p>也就是：</p>
<p>谁能提供结构化、可信、机器可读取的真实质量数据。</p>
<p>过去这些信息常常散落在：</p>
<p>评论。</p>
<p>客服。</p>
<p>维修记录。</p>
<p>售后系统。</p>
<p>供应链。</p>
<p>Agent 时代，它们可能变成非常重要的生产资料。</p>
<p>因为 Agent 做的不是“展示商品”。</p>
<p>而是：</p>
<p><strong>替用户判断。</strong></p>
<h3 id="十三但-agent-会让头部更集中还是让长尾重新繁荣现在还很难判断">十三、但 Agent 会让头部更集中，还是让长尾重新繁荣，现在还很难判断</h3>
<p>这里有两种完全相反的可能。</p>
<p>第一种：</p>
<p>所有 Agent 都算出来 A 产品最好。</p>
<p>于是需求极度集中到少数头部。</p>
<p>形成更强的 superstar effect。</p>
<p>另一种：</p>
<p>Agent 非常了解每个人的不同偏好。</p>
<p>于是大众排名第 50 的东西，可能恰恰最适合某个具体的人。</p>
<p>长尾产品反而因为匹配成本下降，而重新获得机会。</p>
<p>所以 Agent 到底会强化头部，还是释放长尾，可能取决于：</p>
<p>产品差异究竟是“质量差异”，还是“偏好差异”。</p>
<p>如果只是质量高低，头部可能越来越强。</p>
<p>如果更多是不同人适合不同东西，长尾反而会重新繁荣。</p>
<p>这会直接影响未来：</p>
<p>品牌。</p>
<p>电商。</p>
<p>广告。</p>
<p>小众产品。</p>
<p>服务平台。</p>
<h3 id="十四再回来看-stripe它真正押注的并不是某一个-agent">十四、再回来看 Stripe，它真正押注的并不是某一个 Agent</h3>
<p>这也是为什么最近越来越觉得 Stripe 值得持续观察。</p>
<p>Stripe 并没有押注：</p>
<p>最后一定是 ChatGPT 赢。</p>
<p>或者 Instinct 赢。</p>
<p>或者某一个 Personal Agent 成为超级入口。</p>
<p>它押注的是更底层的一件事：</p>
<blockquote>
<p><strong>无论哪个 Agent 最后代表用户，它只要开始进入经济，就需要支付、授权、风控和结算。</strong></p>
</blockquote>
<p>所以它正在同时布局：</p>
<p>Agentic Commerce Protocol。</p>
<p>Machine Payments Protocol。</p>
<p>Link for agents。</p>
<p>Agent Wallet。</p>
<p>Shared Payment Tokens。</p>
<p>Agentic Commerce Suite。</p>
<p>Stripe 不需要成为最大的 Personal Agent。</p>
<p>它只需要让：</p>
<blockquote>
<p><strong>各种 Agent 最后都愿意通过 Stripe 完成经济行动。</strong></p>
</blockquote>
<p>这个位置就已经足够深。</p>
<h3 id="十五personal-agent-路由任务stripe-路由价值">十五、Personal Agent 路由任务，Stripe 路由价值</h3>
<p>把两者放在一起看，结构就特别清楚。</p>
<p>Personal Agent 负责：</p>
<p><strong>理解我要什么。</strong></p>
<p>然后它进行：</p>
<p><strong>任务路由。</strong></p>
<p>选择企业。</p>
<p>选择服务商。</p>
<p>选择垂直 Agent。</p>
<p>接下来支付网络负责：</p>
<p><strong>价值路由。</strong></p>
<p>哪张卡。</p>
<p>哪个钱包。</p>
<p>什么额度。</p>
<p>什么权限。</p>
<p>钱怎么过去。</p>
<p>退款怎么回来。</p>
<p>最后还要确认：</p>
<p><strong>结果有没有真的完成。</strong></p>
<p>所以未来可能出现这样一套新的商业链：</p>
<blockquote>
<p><strong>Intent→ Task Routing→ Provider Selection→ Execution→ Payment→ Verification→ Outcome。</strong></p>
</blockquote>
<p>这就是 Agent Commerce 真正完整的链条。</p>
<h3 id="十六从商业观察角度看最值得跟踪的可能是三种新权力">十六、从商业观察角度看，最值得跟踪的可能是三种新权力</h3>
<p>第一种：</p>
<p><strong>谁拥有任务路由权。</strong></p>
<p>谁决定一件事最终交给谁。</p>
<p>第二种：</p>
<p><strong>谁拥有代理关系。</strong></p>
<p>谁掌握用户身份、Context、信任和授权。</p>
<p>第三种：</p>
<p><strong>谁拥有资源调用权。</strong></p>
<p>谁能把代理的意图变成真实支付和资源配置。</p>
<p>过去互联网最有价值的公司，大多占据：</p>
<p>入口。</p>
<p>搜索。</p>
<p>流量。</p>
<p>交易。</p>
<p>未来最有价值的公司，可能开始占据这些更深的位置。</p>
<h3 id="十七所以-agent-真正改变的不只是购物更方便">十七、所以 Agent 真正改变的，不只是“购物更方便”</h3>
<p>如果只看表面，我们会说：</p>
<p>以后 AI 可以替我们购物。</p>
<p>帮我们订酒店。</p>
<p>帮我们买保险。</p>
<p>这当然都是真的。</p>
<p>但更深的变化可能是：</p>
<blockquote>
<p><strong>过去商业竞争首先争的是人的注意力。</strong></p>
</blockquote>
<p>未来商业竞争越来越可能变成：</p>
<blockquote>
<p><strong>争取被人的代理选择。</strong></p>
</blockquote>
<p>这两种世界完全不同。</p>
<p>在前一个世界里，企业不断问：</p>
<p><strong>怎样让消费者看到我？</strong></p>
<p>在后一个世界里，企业可能越来越要问：</p>
<p><strong>为什么一个代表消费者利益的 Agent 应该选择我？</strong></p>
<p>如果这一天真的到来，很多商业逻辑会被重新写一遍。</p>
<p>营销仍然存在。</p>
<p>品牌仍然存在。</p>
<p>渠道仍然存在。</p>
<p>但它们最终都要通过一个新的过滤器：</p>
<p><strong>Agent。</strong></p>
<p>而 Agent 判断的依据，很可能越来越接近：</p>
<p>价格。</p>
<p>质量。</p>
<p>履约。</p>
<p>信誉。</p>
<p>以及是否真正适合这个具体的人。</p>
<p>这也许是 Personal Agent 对商业世界最深的一层影响。</p>
<p>它并不只是替人省下几次点击。</p>
<p>而是在慢慢改变：</p>
<p><strong>什么样的企业，更容易得到需求。</strong></p>
<p>过去最重要的是：</p>
<p><strong>被看见。</strong></p>
<p>未来可能越来越重要的是：</p>
<p><strong>被选择。</strong></p>
<p>而决定这种选择的，不再只是人的有限注意力。</p>
<p>还会多一个长期理解用户、代表用户行动的智能代理。</p>
]]></content:encoded></item><item><title>AI商业观察：我们还在让 AI 做十年前的工作</title><link>https://blog.unicome.org/posts/ai-shinian-qian-de-gongzuo/</link><pubDate>Fri, 16 Oct 2026 08:35:48 +0800</pubDate><guid>https://blog.unicome.org/posts/ai-shinian-qian-de-gongzuo/</guid><description>&lt;p&gt;最近读了 Claude 工程负责人 Felix Rieseberg 的一篇文章，叫《How to be more ambitious》，谈怎样更有野心地使用 AI。&lt;/p&gt;
&lt;p&gt;文章不长，举的例子也很日常，但读完以后，我发现自己也有一个习惯：遇到一项工作，往往先想怎样让 AI 帮我完成，很少重新考虑，这件工作原本为什么要这样做。&lt;/p&gt;</description><content:encoded><![CDATA[<p>最近读了 Claude 工程负责人 Felix Rieseberg 的一篇文章，叫《How to be more ambitious》，谈怎样更有野心地使用 AI。</p>
<p>文章不长，举的例子也很日常，但读完以后，我发现自己也有一个习惯：遇到一项工作，往往先想怎样让 AI 帮我完成，很少重新考虑，这件工作原本为什么要这样做。</p>
<p>过去两年，我们使用 AI 的能力进步得很快。写代码、整理材料、分析数据、制作报告，原本需要几天完成的事情，现在几个小时就能做完。最近 Agent 又发展得很快，一个人可以同时安排十几个任务，让 AI 分头去研究、执行、检查。</p>
<p>工作效率确实提高了不少。</p>
<p>可这些任务本身呢？</p>
<p>以前我们自己写 PPT，现在让 AI 写 PPT；以前自己研究财报，现在让 AI 分析财报；以前程序员逐个排查软件故障，现在让 AI 一个接一个地修复。</p>
<p>仔细看下来，很多工作还是十年前的样子。我们只是换了一个能力更强、速度更快的执行者。</p>
<p>技术变了，工作的组织方式却没有跟着变。</p>
<h2 id="一为什么一定要做季度汇报">一、为什么一定要做季度汇报？</h2>
<p>Felix 在文章里举了一个例子。</p>
<p>假设你在一家企业工作，每个季度都要准备经营汇报。按照现在的习惯，你可能会把财务报表和经营数据交给 Claude，让它制作一份 PPT。再进一步，让它分析收入、利润、客户流失率，找出几个异常指标，解释变化的原因。</p>
<p>这已经省去了很多工作。</p>
<p>Felix 建议继续往下问：既然报告是给管理层看的，能不能直接找出三个最需要管理层讨论的问题，分析每种选择的利弊？</p>
<p>再往前走一步，事情就有意思了。</p>
<p><em>企业为什么要做季度经营汇报？</em></p>
<p>无非是管理者需要了解企业发生了什么，哪些业务偏离了预期，资源应该怎样调整。如果问题发现得早一些，损失就可能小一些；如果能够提前发现新的机会，企业也可能更快采取行动。</p>
<p><em>那么，为什么一定要等一个季度结束，才能做这些事情？</em></p>
<p>能不能让 AI 持续读取经营数据，发现异常就开始分析，给出原因和调整建议，再根据后续经营结果检查原来的判断？</p>
<p>甚至可以把过去几年的数据拿出来，检验这套机制是否真的能够更早发现问题，然后让它和原有的季度汇报制度并行运行一段时间，看看实际效果。</p>
<p>从制作 PPT 出发，最后却开始讨论企业应该怎样管理经营风险、怎样分配资源。</p>
<p>原来我们想交给 AI 的那份 PPT，只是整个经营管理过程中的一个环节。</p>
<p>过去企业必须依靠这样的环节来组织工作。各部门定期汇总数据，财务和经营部门完成分析，管理层开会讨论，然后再把决策传递下去。整套机制经过多年发展，已经成为企业日常运行的一部分。</p>
<p>它的形成有很现实的原因。数据收集困难，分析需要大量人工，各部门之间的信息传递也有成本。管理者不可能每时每刻盯着所有业务，只能通过定期汇报掌握情况。</p>
<p>季度汇报是一种合理的安排，却未必是企业经营问题天然就该采用的解决方式。</p>
<p>如果信息处理和协作的成本发生了很大变化，原来的安排是不是也可以重新考虑？</p>
<h2 id="二从修复一个问题到维持整个系统的稳定">二、从修复一个问题，到维持整个系统的稳定</h2>
<p>Felix 讲了自己使用 Claude 的另一段经历。</p>
<p>以前应用程序出现崩溃，他会把问题交给 Claude，让它分析日志、定位原因、修改代码，然后检查修复结果。</p>
<p>一个问题处理完，再处理下一个。</p>
<p>后来他改变了提要求的方式，不再只是让 Claude 修复某一次崩溃，而是让它帮助维持整个应用的稳定。</p>
<p>这个要求听起来不过是把任务范围扩大了，实际做起来却需要改变许多东西。</p>
<p>AI 得能够访问崩溃日志，知道不同版本的代码做过什么修改，还要能够进入不同操作系统的测试环境，自己复现问题，验证修复是否有效。</p>
<p>原来由人来发现问题、分配任务、检查结果的工作，现在有一部分可以交给 AI 持续完成。</p>
<p>人所关心的也随之改变。</p>
<p>过去要知道某个错误有没有修好，现在更关心软件是否稳定，类似的问题有没有反复出现，新版本是否引入了其他故障。</p>
<p>我觉得这个例子很能说明 Agent 接下来的发展方向。</p>
<p>我们过去讨论 Agent，常常关心它能够调用多少工具、连续执行多少步骤、一个人能同时运行多少个 Agent。这些能力很重要，但工具调用得再多，最后还是要看解决了什么问题。</p>
<p>比如，让 Agent 自动收集新闻、整理财报、更新表格、发送邮件，确实能节省大量时间。但如果它始终按照人原来设定的流程工作，效率提高以后，工作的范围和结果未必会有相应的变化。</p>
<p>而当人开始直接提出一个持续性的目标，情况就不同了。</p>
<p>AI 需要自己发现问题，决定先做什么，使用哪些工具，并且根据执行后的反馈修正方法。</p>
<p>我们之前讨论过互联网服务从 find 到 do 的转变。过去互联网主要帮助人寻找信息、商品和服务，Agent 开始能够替人完成行动。</p>
<p>但行动完成以后，还有一个问题：结果怎么样？</p>
<p>订到了机票，不代表旅行安排就一定合理；替企业调整了广告投放，不代表获客成本真的下降；修复了代码，也要看应用程序之后是否恢复稳定。</p>
<p>从行动到结果之间，还需要验证和反馈。</p>
<p>如果这几个环节逐渐连接起来，Agent 所承担的工作，就会从一个个彼此分离的任务，变成围绕目标持续运行的过程。</p>
<h2 id="三很多工作分工是过去能力有限的结果">三、很多工作分工，是过去能力有限的结果</h2>
<p>Felix 的文章里还有两个建议。</p>
<p><em>一个是深度。让 AI 真正使用专业人士的方法、工具和原始数据，而不是简单模仿专家说话的方式。</em></p>
<p><em>另一个是广度。让 AI 把不同专业领域的研究方法结合起来，完成过去需要多人协作才能完成的事情。</em></p>
<p>例如研究一家企业，我们可以要求 AI 采用记者的调查方法寻找外部线索，用数据科学家的方法检查经营变化，用做空者的思路寻找财务和商业模式中的疑点，再用法务会计的方法核查异常交易。</p>
<p>这些方法过去都存在，只是要把它们放在一起使用，成本很高。</p>
<p>一个普通投资者不可能为了研究一家企业，专门组织记者、行业专家、数据科学家和法务会计共同工作。即使大型投资机构有这样的人员配置，跨团队协作也需要大量沟通。</p>
<p>现在 AI 可以承担其中一部分研究和数据处理工作，让原本很昂贵的协作变得容易。</p>
<p>这件事情让我联想到企业内部的专业分工。</p>
<p>现代企业的组织方式，是在长期发展中逐渐形成的。销售负责客户，财务负责核算，法务负责合同，技术部门负责系统，管理层负责协调和决策。</p>
<p>这样的分工有专业能力和责任边界上的必要性，同时也受到人的能力限制。</p>
<p>一个人不可能熟悉所有专业，也没有足够的时间处理所有信息，所以企业需要把工作拆开，再通过流程、报表、会议和审批重新连接起来。</p>
<p>组织规模越大，这些连接工作往往越复杂。</p>
<p>AI 开始改变其中的一部分条件。</p>
<p>如果一个 Agent 能够读取多个业务系统的数据，综合不同领域的方法，协助完成跨部门任务，那么原来必须由多个岗位接力才能完成的工作，就有机会重新安排。</p>
<p>企业仍然需要专业人员，也需要必要的授权、监督和责任机制。但过去那些为了传递信息、协调步骤而设置的环节，未必还需要全部保留。</p>
<p>更重要的是，原来因为协作成本太高而无法开展的一些工作，现在有机会成为常规工作。</p>
<p>比如持续检查经营异常、针对某个复杂问题同时使用多种专业方法、为大量小客户提供过去只有大客户才能获得的定制服务。</p>
<p>效率提高固然重要，原来做不起的事情开始变得做得起，也许会带来更大的市场变化。</p>
<h2 id="四企业软件会发生什么变化">四、企业软件会发生什么变化？</h2>
<p>沿着这个思路继续想，企业软件是一个很值得观察的领域。</p>
<p>过去几十年，大量企业软件都是围绕既有工作流程设计的。</p>
<p>销售人员使用 CRM，财务人员使用 ERP 和财务系统，管理层使用 BI 系统查看经营数据，员工通过邮件、文档、表格和会议交换信息。</p>
<p>这些软件帮助企业把工作流程数字化，形成了庞大的市场。</p>
<p>不过，大部分软件仍然要求人去适应它的操作方式。</p>
<p>想完成一件事，需要进入某个系统，找到相应功能，填写数据，提交审批，再切换到其他系统继续处理。跨部门任务更麻烦，常常需要在多个软件之间来回操作。</p>
<p>如果 Agent 能够理解人的目标，并且在获得授权后调用不同系统，这种关系就可能改变。</p>
<p>举个例子，销售负责人希望提高某个地区的客户转化率。</p>
<p>过去他可能需要从 CRM 导出客户数据，让市场部门分析投放效果，再找财务计算客户获取成本，和产品部门讨论价格方案，最后组织会议决定行动。</p>
<p>现在可以设想一种新的工作方式。</p>
<p>Agent 直接访问相关系统，把销售、投放、价格和客户反馈放在一起分析，找出转化率下降的环节，提出几套可以执行的方案。负责人批准以后，再由 Agent 协助调整投放、安排客户跟进，并持续观察结果。</p>
<p>在这个过程中，CRM、财务系统、数据库仍然存在。客户资料、财务记录、权限管理和交易数据都需要可靠的系统来承载。</p>
<p>变化发生在用户与这些系统之间。</p>
<p>过去用户必须理解不同软件的功能和流程，未来也许可以直接提出目标，由 Agent 组织软件完成工作。</p>
<p>如果这种方式逐渐普及，企业软件市场的价值分配也可能发生变化。</p>
<p>过去软件厂商主要出售功能和使用权，企业购买多少席位、使用哪些模块，是常见的收费依据。</p>
<p>Agent 如果能够承担完整任务，软件服务就有机会向按使用量、交易量甚至按实际完成结果收费的方向发展。</p>
<p>例如，一家企业购买获客软件，过去可能按照账号数量和订阅期限付费；未来部分服务可以根据实际带来的有效客户收取费用。</p>
<p>这里有不少问题需要解决。有效客户怎样定义，销售结果如何归因，Agent 执行错误造成损失由谁承担，都涉及合同、支付和责任安排。</p>
<p>也正因为如此，Stripe 这样的支付基础设施公司，以及我们此前关注的 Personal Agent Protocol 等代理协议探索，值得放在这条变化中一起观察。</p>
<p>当软件开始从提供工具走向完成任务，支付、授权、身份、记录和验证，就会变得越来越重要。</p>
<p>谁能够把这些环节可靠地连接起来，谁就可能在新的软件生态中占据更有利的位置。</p>
<h2 id="五下一轮投资机会可能从哪里产生">五、下一轮投资机会可能从哪里产生？</h2>
<p>过去几年，AI 产业的投资线索相对集中。</p>
<p>模型能力不断提升，带来算力需求增长，进一步推动 GPU、HBM、数据中心、光通信、电力等基础设施的投入。</p>
<p>这些需求有比较明确的物理载体，也容易通过订单、产能和资本开支观察。</p>
<p>但 AI 如果开始改变企业的日常工作方式，下一轮机会就会分散得多。</p>
<p>它可能出现在企业软件，也可能出现在支付、云服务、专业数据、医疗、法律、金融服务，以及一些目前还没有形成独立市场的领域。</p>
<p>研究这些变化，我想可以先从<strong>成本</strong>入手。</p>
<p>每一次重要的技术突破，都会让原来昂贵的某种能力变得便宜。</p>
<p>当能力成本下降到一定程度，原来只能偶尔使用的服务，就可能变成高频服务；原来只有大企业能够负担的工作，小企业甚至个人也可以使用。</p>
<p><strong>需求由此扩大</strong>，又会带来新的约束。</p>
<p>比如，AI 可以显著降低分析企业经营数据的成本，但要持续改善经营结果，还需要及时、准确地获得数据，需要系统之间能够互相协作，也需要可靠的权限管理和结果验证。</p>
<p>推理能力越来越便宜以后，数据获取、系统连接、执行可靠性和责任安排，反而可能成为新的瓶颈。</p>
<p>这也是我们此前反复讨论的一条观察链：</p>
<p><strong>能力突破，单位成本下降，原来受到限制的需求开始显现，使用规模扩大，瓶颈转移，新的商业结构逐渐形成。</strong></p>
<p>沿着这条线寻找企业，比单纯统计哪些公司已经推出 AI 产品，可能更有帮助。</p>
<p>但还需要区分需求增长和企业价值增长。</p>
<p>某项服务因为 AI 变得便宜，使用量可能迅速扩大，服务价格却也可能大幅下降。如果进入门槛很低，竞争者很快涌入，新增需求未必能为原来的服务商带来更多利润。</p>
<p>所以，需要继续观察新的需求最终会集中在哪些环节，哪些企业掌握了难以替代的数据、客户关系、分发渠道或基础设施，又有哪些企业只是利用暂时的技术优势提供容易复制的服务。</p>
<p>对投资者来说，机会经常出现在市场仍然按照过去的业务结构理解一家企业，而企业未来的需求、成本和竞争关系已经开始改变的时候。</p>
<p>这种变化一开始未必反映在财务报表里。</p>
<p>等到所有人都能从收入和利润中看到结果，市场可能已经重新定价了。</p>
<h2 id="六我们习惯了怎样工作也就习惯了怎样想象未来">六、我们习惯了怎样工作，也就习惯了怎样想象未来</h2>
<p>回过头来看 Felix 的文章，最打动我的还是他提出问题的方式。</p>
<p>一个长期从事软件工程的人，最初很自然地让 AI 帮他修复代码。因为在过去的经验里，应用程序出了问题，就应该由工程师分析日志、定位故障、修改代码。</p>
<p>这套工作方法曾经非常有效。</p>
<p>但当 AI 有能力持续观察、分析和执行以后，他开始重新考虑，自己究竟应该要求 AI 完成什么。</p>
<p>这让我想到，职业经验有时候会形成一种很隐蔽的限制。</p>
<p>我们花了很多年学习怎样完成某项工作，逐渐熟悉其中的规则、步骤和评价标准。经验越丰富，做起来越熟练，也越容易把这些方法当成工作本来的样子。</p>
<p>遇到新技术时，我们首先想到的，往往是怎样让它适应原来的工作。</p>
<p>程序员想让 AI 更快地写代码，分析师想让 AI 更快地生成报告，设计师想让 AI 更快地出图。</p>
<p>这些需求都很合理，也已经带来了巨大的生产率提升。</p>
<p>但技术能力继续发展以后，我们或许需要偶尔离开这些熟悉的流程，重新看看工作的起点。</p>
<p><em>企业要的是经营改善，还是一份经营报告？</em></p>
<p><em>客户要的是问题解决，还是一次软件操作？</em></p>
<p><em>投资者要的是更多财务分析，还是更早理解那些正在发生、却尚未被市场充分认识的变化？</em></p>
<p><strong>问题重新打开以后</strong>，可选择的方法也会随之增加。</p>
<p>这里仍然有一条需要守住的边界。AI 能够承担更完整的工作，不代表所有判断都应该交给 AI。经营目标之间存在取舍，投资决策需要承担风险，很多社会活动还涉及法律责任和人与人之间的信任。</p>
<p>Felix 也特别强调外部验证的重要性。模型写出的方案再漂亮，最后还是需要真实数据和实际结果来检验。</p>
<p>我们可以让 AI 探索更多实现目标的方法，但目标怎样确定，哪些代价可以接受，最终责任由谁承担，仍然需要人作出选择。</p>
<p>而人需要学习的，也不再只是怎样使用一个工具。</p>
<p>过去，我们通过长期训练掌握某种工作方法，依靠经验不断提高熟练程度。这些能力在相当长的时间里都很有价值。</p>
<p>现在，具体方法更新的速度越来越快。一个人积累十几年的工作经验，依然能够帮助他理解行业、辨认风险、作出判断，却也可能让他过于依赖熟悉的流程。</p>
<p>当 AI 的执行能力不断扩大，我们或许应该把更多精力放在理解问题、确定目标和判断结果上。</p>
<p>毕竟，许多今天看来理所当然的工作方式，只是过去技术条件下形成的安排。</p>
<p>那些条件正在改变。</p>
<p>下一次让 AI 帮忙完成一项熟悉的工作时，不妨先问自己：</p>
<p><strong>这件事为什么一定要这样做？</strong></p>
<p>也许我们会发现，自己真正想完成的事情，从来就不只是一份 PPT。</p>
]]></content:encoded></item><item><title>AI商业观察：当机器开始动钱——金融系统正在遭遇一场新的权利危机</title><link>https://blog.unicome.org/posts/ai-jiqi-kaishi-dongqian/</link><pubDate>Fri, 23 Oct 2026 22:21:54 +0800</pubDate><guid>https://blog.unicome.org/posts/ai-jiqi-kaishi-dongqian/</guid><description>&lt;p&gt;这几天连续发生了两件事。&lt;/p&gt;
&lt;p&gt;单独看，都可以归进“金融安全新闻”。&lt;/p&gt;
&lt;p&gt;放在一起看，却有点不一样。&lt;/p&gt;
&lt;p&gt;第一件发生在美国。&lt;/p&gt;
&lt;p&gt;10 月 22 日，Axios 报道，摩根士丹利、摩根大通、美银、富国、花旗等大型银行，最近陆续在客户账户里发现了一种过去很少见的访问者：&lt;/p&gt;
&lt;p&gt;&lt;em&gt;第三方 AI Agent。&lt;/em&gt;&lt;/p&gt;</description><content:encoded><![CDATA[<p>这几天连续发生了两件事。</p>
<p>单独看，都可以归进“金融安全新闻”。</p>
<p>放在一起看，却有点不一样。</p>
<p>第一件发生在美国。</p>
<p>10 月 22 日，Axios 报道，摩根士丹利、摩根大通、美银、富国、花旗等大型银行，最近陆续在客户账户里发现了一种过去很少见的访问者：</p>
<p><em>第三方 AI Agent。</em></p>
<p>它们不是传统黑客。</p>
<p>很多时候，用户名是真的，密码是真的，甚至连允许它进入账户这件事，也是用户自己做的。</p>
<p>有人把自己的网银凭证交给 Personal Agent，让它查账单、分析现金流、管理财务。</p>
<p>问题出在后面。</p>
<p>银行发现，它们很难判断 Agent 的某一个具体动作，究竟是用户明确要求它做的，还是 Agent 为了完成一个更宽泛的目标，自己继续往前推演出来的动作。</p>
<p>Axios 的信源甚至提到，一些 Agent 看起来出现了超出用户原始指令的行为。摩根士丹利已经开始封堵第三方 Agent；其他大型银行也在限制访问，比较现实的中间状态，是允许经过许可的系统读取数据，但暂时不允许它们随便移动资金。</p>
<p>网上很快出现了更惊悚的说法：</p>
<p>“AI 已经偷偷进入美国银行账户，自己开始转账。”</p>
<p>目前并没有足够证据支持这种版本。</p>
<p>Reuters 后续确认了大型银行确实正在封锁第三方 Agent，但也特别指出，所谓 Agent 已经出现“自主越权行为”的具体案例，主要来自 Axios 的匿名信源；摩根士丹利自己则表示，没有发现所谓失控 Agent 进入其平台。</p>
<p>可真正值得注意的，本来就不是“AI 有没有已经偷走一笔钱”。</p>
<p>而是另一件事：</p>
<p><strong>这些 Agent 很多不是偷钥匙进去的。</strong></p>
<p><strong>钥匙，是主人自己给它的。</strong></p>
<p>几乎同一时间，日本发生了另一件事。</p>
<p>这一次，连钥匙都没用了。</p>
<p>10 月 14 日，日本岩井コスモ证券发现，委托运营其互联网交易系统的 Trade Works 遭到非法访问。</p>
<p>随后确认，攻击不只造成了信息泄露。</p>
<p>攻击者还触及了证券公司的交易管理系统。</p>
<p>7 个客户账户出现了本人从未下达的买卖指令，其中 5 个账户真的完成了成交。</p>
<p>4,975 名客户的姓名、邮箱等信息一度处于攻击者可访问状态。</p>
<p>更特别的是，公司明确表示，这些异常交易并不是因为客户密码被偷。</p>
<p>交易密码没有泄露。</p>
<p>客户登录本身还有多因素认证和 Passkey。</p>
<p>Trade Works 后来的说明是，正常的用户登录路径原本已经有多重认证保护，但系统部分管理功能存在配置缺陷，被攻击者利用了。</p>
<p>岩井コスモ证券后来又公开表示，攻击者使用 AI 探测系统弱点并发起攻击。公司没有披露具体使用了什么模型，也没有证据证明这是一个自主 AI Agent 独立完成了整条攻击链，所以不能把它描述成“AI 自己攻破了证券公司”。</p>
<p>但有一点非常清楚：</p>
<p><strong>客户自己没有下单。</strong></p>
<p><strong>客户身份认证也没有被突破。</strong></p>
<p><strong>交易却真的发生了。</strong></p>
<p>两件事放在一起，事情就开始变得有意思了。</p>
<h2 id="一">一</h2>
<p>美国银行碰到的问题，是：</p>
<p><strong>一个合法进入账户的代理，会不会多做一步。</strong></p>
<p>日本证券公司碰到的问题，则是：</p>
<p><strong>攻击者能不能绕开用户这一层，直接拿走后台的执行权。</strong></p>
<p>表面完全不同。</p>
<p>一个发生在用户授权端。</p>
<p>一个发生在系统控制端。</p>
<p>可最后碰到的是同一个问题：</p>
<blockquote>
<p><strong>一笔金融行为，到底怎样才能被证明是“这个人真正授权发生的”？</strong></p>
</blockquote>
<p>过去我们很少把这个问题拆得这么细。</p>
<p>银行、券商花了几十年解决身份认证。</p>
<p>用户名。</p>
<p>密码。</p>
<p>短信验证码。</p>
<p>设备。</p>
<p>人脸。</p>
<p>指纹。</p>
<p>Passkey。</p>
<p>所有这些东西都在回答：</p>
<p><strong>这是不是真的你？</strong></p>
<p>可现在突然发现，证明“这是你”，还远远不够。</p>
<h2 id="二">二</h2>
<p>假设我有一个 Personal Agent。</p>
<p>它用了半年，帮我整理邮件、管理订阅、安排旅行，我越来越信任它。</p>
<p>于是某一天，我把银行账户也接了进去。</p>
<p>我告诉它：</p>
<p>“帮我看看最近现金流有没有什么可以优化的地方。”</p>
<p>我心里的意思可能只是：</p>
<p>看看。</p>
<p>分析。</p>
<p>告诉我。</p>
<p>Agent 却可能理解成：</p>
<p>既然要优化现金流，那么这笔闲钱是不是应该转走？</p>
<p>那边收益是不是更高？</p>
<p>是不是应该自动调整？</p>
<p>如果它真的多走了一步，银行看到的仍然可能是一套完全正确的身份凭证。</p>
<p>用户也确实授权这个 Agent 进入过账户。</p>
<p>可用户会说：</p>
<p><strong>“我没有让它做这笔交易。”</strong></p>
<p>这时候问题已经不是身份真假了。</p>
<p>而是权利边界。</p>
<p>过去常常被揉成一件事的几个问题，现在必须被拆开：</p>
<p><strong>这是谁？</strong></p>
<p><strong>谁可以代表他？</strong></p>
<p><strong>这个代理到底能做什么？</strong></p>
<p><strong>这一笔具体操作，是不是符合本人真实意图？</strong></p>
<p>而日本那件事又把问题往后推了一层：</p>
<p>即使前面这些都对，</p>
<p><strong>从授权到最终成交的整条执行链，有没有被人从中间改掉？</strong></p>
<p>于是金融系统真正需要守住的东西，开始从一个登录入口，变成一整条链：</p>
<p>身份。</p>
<p>代理资格。</p>
<p>授权范围。</p>
<p>真实意图。</p>
<p>系统完整性。</p>
<p>执行。</p>
<p>结果确认。</p>
<p>最后还有责任。</p>
<p>听起来很复杂。</p>
<p>但钱一旦真的可以被机器调动，这些问题一个也绕不过去。</p>
<h2 id="三">三</h2>
<p>这也让我重新理解“账户”。</p>
<p>我们平常把银行账户想象成一个钱袋。</p>
<p>里面有多少钱。</p>
<p>今天进多少。</p>
<p>明天转多少。</p>
<p>可企业财务从来不会这样理解账户。</p>
<p>公司账户真正重要的是：</p>
<p>谁能看。</p>
<p>谁能付。</p>
<p>谁能审批。</p>
<p>一笔最多多少。</p>
<p>什么用途能付。</p>
<p>哪些供应商能付。</p>
<p>超过哪个金额要找谁。</p>
<p>换句话说，一个账户从来不只是资源的容器。</p>
<p>它本来就是：</p>
<p><strong>资源加权利。</strong></p>
<p>过去，权利主要分配给人。</p>
<p>老板。</p>
<p>财务。</p>
<p>基金经理。</p>
<p>受托人。</p>
<p>家属。</p>
<p>以后要多一个新的角色：</p>
<p><strong>Agent。</strong></p>
<p>问题也就变成：</p>
<p>它能看什么？</p>
<p>能动什么？</p>
<p>一天能动多少？</p>
<p>能不能增加新的收款人？</p>
<p>能不能买证券？</p>
<p>这次授权持续多久？</p>
<p>什么时候必须回来再问一次？</p>
<p>真正适合 Agent 的金融账户，不会是“把网银密码给它”。</p>
<p>那太粗糙了。</p>
<p>它更像企业里的权限体系：</p>
<p>你有这个角色。</p>
<p>拥有这部分权限。</p>
<p>超出边界，必须升级。</p>
<h2 id="四">四</h2>
<p>所以美国银行现在先退回“只读”，其实很正常。</p>
<p>这不是 Agent 金融被打回去了。</p>
<p>更像一种自然的试探。</p>
<p>先让机器看。</p>
<p>然后分析。</p>
<p>再让它准备动作。</p>
<p>由人确认。</p>
<p>跑得足够久以后，再开放一些低风险、边界清楚的小额权限。</p>
<p>最后可能才出现：</p>
<p>“这类事情，以后你自己处理。”</p>
<p>金融的速度一定会比订酒店慢。</p>
<p>因为钱太硬。</p>
<p>酒店订错了，还能退。</p>
<p>如果 Agent 多转了一百万，第二天讨论的就不是用户体验。</p>
<p>是责任。</p>
<p>这也解释了为什么金融很可能成为最早把 Agent 权利结构真正逼成熟的行业之一。</p>
<p>不是因为银行愿意创新。</p>
<p>而是因为它没有不把这个问题想清楚的余地。</p>
<h2 id="五">五</h2>
<p>但日本的事情又提醒我们：</p>
<p>把 Agent 权限设计好，还不够。</p>
<p>岩井コスモ证券这次真正让人不舒服的地方就在这里。</p>
<p>客户侧已经有 MFA 和 Passkey。</p>
<p>如果把安全全部理解成“如何确认客户本人”，这些措施没有什么问题。</p>
<p>可攻击者没有从那扇门进。</p>
<p>他碰的是后台。</p>
<p>当后台管理控制面被利用以后，系统完全可以在客户没有操作的情况下产生一笔真实订单。</p>
<p>这意味着未来金融安全还必须多守一层：</p>
<p><strong>执行链本身必须可信。</strong></p>
<p>一笔交易不能只是：</p>
<p>系统里出现了这条指令。</p>
<p>还得知道：</p>
<p>谁生成的。</p>
<p>谁授权的。</p>
<p>经过哪些系统。</p>
<p>中间有没有被修改。</p>
<p>哪一个程序执行。</p>
<p>最终发生了什么。</p>
<p>这就已经不只是传统意义上的账户安全。</p>
<p>而接近一种：</p>
<p><strong>全链路的权利证明。</strong></p>
<h2 id="六">六</h2>
<p>到这里，最近一两个月看起来有些零散的行业动作，也就慢慢能拼起来了。</p>
<p>Sierra 在推 Personal Agent Protocol。</p>
<p>它想回答：</p>
<p>这个 Agent 代表谁，企业应该允许它做什么。</p>
<p>Stripe 在做 Agent Wallet、受限支付、人工审批、资金操作和结果状态。</p>
<p>它想回答：</p>
<p>当 Agent 获得合法授权以后，钱怎么安全地动。</p>
<p>Visa 在推 Trusted Agent 一类的身份与支付机制。</p>
<p>1Password 试图让 Agent 可以使用账户凭证，但又不真正看到用户密码。</p>
<p>网络安全公司开始研究 Agent 的运行时权限、行为监控、越权拦截和审计。</p>
<p>它们看上去分别属于：</p>
<p>AI。</p>
<p>支付。</p>
<p>身份。</p>
<p>安全。</p>
<p>其实都在围绕同一个新的基础设施问题生长：</p>
<blockquote>
<p><strong>机器如何正式获得一部分属于人的行动权，同时又不能把这部分权力变成一张无限制的通行证。</strong></p>
</blockquote>
<h2 id="七">七</h2>
<p>所以这次两件金融事件之后，我觉得此前说的 Delegation Infrastructure——委托基础设施，还要再加一层。</p>
<p>过去我更关注：</p>
<p>身份。</p>
<p>授权。</p>
<p>额度。</p>
<p>审计。</p>
<p>现在还要加上：</p>
<p><strong>Integrity——完整性。</strong></p>
<p>也就是：</p>
<p>即使授权本身没有问题，也要保证从授权到最终执行的链条没有被替换、篡改或者劫持。</p>
<p>于是未来可能真正值钱的基础设施，不只是“证明这个 Agent 是谁”。</p>
<p>而是：</p>
<blockquote>
<p><strong>证明这条行动从人的意图出发，一直到最终成交，始终没有偏离允许的边界。</strong></p>
</blockquote>
<p>这里面可能包括：</p>
<p>代理身份。</p>
<p>细粒度权限。</p>
<p>交易指令签名。</p>
<p>运行环境隔离。</p>
<p>异常行为检测。</p>
<p>不可篡改日志。</p>
<p>执行结果回执。</p>
<p>责任审计。</p>
<p>听上去很像今天的金融安全。</p>
<p>但区别在于：</p>
<p>以后系统里的行动主体不再只有人和固定程序。</p>
<p><em>还会多出大量会规划、会调用工具、会自己寻找路径的 Agent。</em></p>
<h2 id="八">八</h2>
<p>投资上，这可能会形成一个很容易被忽略的新利润池。</p>
<p>过去 AI 投资最直接的基础设施是：</p>
<p>GPU。</p>
<p>HBM。</p>
<p>数据中心。</p>
<p>网络。</p>
<p>存储。</p>
<p>Agent 真正开始进入现实系统以后，还会长出另一套基础设施：</p>
<p><strong>Identity + Delegation + Runtime Security + Audit。</strong></p>
<p>它们不像 GPU 那样有一个显眼的物理短缺。</p>
<p>它们的稀缺性来自另一种东西：</p>
<p><strong>可信。</strong></p>
<p>银行不会为了便宜 20%，随便更换管理全部 Agent 授权记录的系统。</p>
<p>企业也不会轻易迁移几年积累下来的：</p>
<p>代理身份。</p>
<p>权限规则。</p>
<p>审批记录。</p>
<p>风险模型。</p>
<p>责任日志。</p>
<p>一旦这些东西真正进入生产系统，切换成本很可能非常高。</p>
<p>这就是它可能变成基础设施生意的地方。</p>
<h2 id="九">九</h2>
<p>而银行本身也可能因此发生变化。</p>
<p>过去一家银行账户主要证明：</p>
<p><strong>这些钱属于你。</strong></p>
<p>Agent 时代，一个更完整的账户可能还要表达：</p>
<p><strong>哪些代理可以在什么条件下代表你使用这些钱。</strong></p>
<p>这会逐渐变成新的产品能力。</p>
<p>未来可能有一家银行只能做到：</p>
<p>Agent 能读余额。</p>
<p>另一家银行已经做到：</p>
<p>固定账单可以自动付。</p>
<p>老收款人每天五千以内自动执行。</p>
<p>新收款人必须本人确认。</p>
<p>投资交易不能做。</p>
<p>所有 Agent 操作都有独立记录。</p>
<p>发现异常，一键撤权。</p>
<p>那用户愿意把 Personal Agent 接到哪里？</p>
<p>答案并不难想。</p>
<p>所以未来银行争的不只是存款、信用卡、支付体验。</p>
<p>还可能争一个新的东西：</p>
<blockquote>
<p><strong>谁拥有最好用、最可信的 Agent 权限体系。</strong></p>
</blockquote>
<h2 id="十">十</h2>
<p>然后就是最麻烦的问题。</p>
<p>钱出了问题，谁赔？</p>
<p>美国这次案例里，如果客户自己把银行密码交给 Agent，后来 Agent 真的做了一笔超出用户意图的交易，这笔交易到底算不算“未经授权”？</p>
<p>并没有那么容易回答。</p>
<p>Reuters 特别提到，正因为客户可能主动分享过凭证，传统的“unauthorized transaction”概念会变得复杂。</p>
<p>日本那边又是另一种情况。</p>
<p>客户什么都没做。</p>
<p>后台被攻破。</p>
<p>交易却发生了。</p>
<p>这里的责任链相对清楚一些，但也说明供应商、运维方、券商、交易系统之间的责任必须被重新审视。</p>
<p>到了 Agent 真正大规模进入金融以后，责任还会继续往更多主体扩散：</p>
<p>用户。</p>
<p>Agent 公司。</p>
<p>模型公司。</p>
<p>银行。</p>
<p>支付网络。</p>
<p>第三方工具。</p>
<p>云平台。</p>
<p>以后甚至可能还要有新的保险。</p>
<p>很多制度，最后都不是技术人员设计出来的。</p>
<p>而是事故逼出来的。</p>
<p>汽车有了以后，才慢慢有驾照、交通法和车险。</p>
<p>Agent 真正开始动钱以后，大概也一样。</p>
<h2 id="十一">十一</h2>
<p>所以我不太把这两件事理解成“金融系统开始抵制 AI”。</p>
<p>我更愿意把它理解成：</p>
<p><strong>委托代理第一次真正撞上了财产权。</strong></p>
<p>以前 Agent 做错一件事，最多是：</p>
<p>邮件写错。</p>
<p>酒店订错。</p>
<p>文件删错。</p>
<p>到了金融这里，它面对的是所有权和控制权。</p>
<p>谁有资格动我的钱？</p>
<p>为什么能动？</p>
<p>动到哪里？</p>
<p>谁负责？</p>
<p>这些问题一旦开始被认真回答，Agent 才真正从一个好玩的产品，进入社会制度。</p>
<p>也只有到了这里，“委托代理”这四个字才真正有重量。</p>
<h2 id="十二">十二</h2>
<p>我们之前一直在用一条很简单的线理解 AI：</p>
<p>互联网是：</p>
<p><strong>Find——帮我找到。</strong></p>
<p>Agent 开始变成：</p>
<p><strong>Do——帮我完成。</strong></p>
<p>再往前：</p>
<p><strong>Delegate——代表我持续去做。</strong></p>
<p>后来因为 Instinct 那次支付失败却没有通知用户的案例，我们又补了一个：</p>
<p><strong>Verify——必须知道事情到底做成没有。</strong></p>
<p>现在美国银行和日本证券这两件事之后，还应该再加两个词：</p>
<p><strong>Govern。</strong></p>
<p>你必须被权利边界约束。</p>
<p>以及：</p>
<p><strong>Integrity。</strong></p>
<p>从你的意图到最终结果，整条执行链必须可信。</p>
<p>于是这条路越来越完整：</p>
<blockquote>
<p><strong>Find → Do → Verify → Delegate → Govern → Integrity。</strong></p>
</blockquote>
<p>越往后，越不像一个 AI 产品问题。</p>
<p>越像一个新的社会基础设施问题。</p>
<p>这几天发生的事情，也许还只是一些很小的裂缝。</p>
<p>美国大行先把门关小一点。</p>
<p>日本证券公司先把后台漏洞堵住。</p>
<p>下一步会出现新的协议。</p>
<p>新的授权系统。</p>
<p>新的 Agent 身份。</p>
<p>新的审计。</p>
<p>新的责任规则。</p>
<p>一点一点补上去。</p>
<p>很多年以后再回头看，也许真正重要的不是哪一次攻击、哪一家银行封了哪个 Agent。</p>
<p>而是从这一刻开始，金融体系第一次认真面对了一个过去不存在的问题：</p>
<blockquote>
<p><strong>如果机器也可以代表人行动，那么财产权到底应该怎样被机器安全地代理。</strong></p>
</blockquote>
<p>这个问题一旦有了答案，才会真正打开 Agent 进入现实经济的门。</p>
]]></content:encoded></item><item><title>AI商业观察：Stripe 正在变成 Agent 时代的经济基础设施</title><link>https://blog.unicome.org/posts/ai-stripe-agent-jichu/</link><pubDate>Sat, 24 Oct 2026 09:11:30 +0800</pubDate><guid>https://blog.unicome.org/posts/ai-stripe-agent-jichu/</guid><description>&lt;p&gt;最近连续看了几轮 Agent Commerce 的进展，觉得 Stripe 这家公司值得单独拿出来观察。&lt;/p&gt;
&lt;p&gt;它现在做的事情，已经不太像一家传统意义上的支付公司。&lt;/p&gt;
&lt;p&gt;过去 Stripe 的核心角色很好理解。&lt;/p&gt;
&lt;p&gt;互联网公司做网站、卖软件、卖商品，需要收钱。&lt;/p&gt;
&lt;p&gt;Stripe 帮它们接支付。&lt;/p&gt;
&lt;p&gt;开发者接一个 API，就可以收信用卡、处理退款、订阅、发票。&lt;/p&gt;</description><content:encoded><![CDATA[<p>最近连续看了几轮 Agent Commerce 的进展，觉得 Stripe 这家公司值得单独拿出来观察。</p>
<p>它现在做的事情，已经不太像一家传统意义上的支付公司。</p>
<p>过去 Stripe 的核心角色很好理解。</p>
<p>互联网公司做网站、卖软件、卖商品，需要收钱。</p>
<p>Stripe 帮它们接支付。</p>
<p>开发者接一个 API，就可以收信用卡、处理退款、订阅、发票。</p>
<p>所以 Stripe 过去最重要的位置，是：</p>
<p><strong>互联网商业的支付基础设施。</strong></p>
<p>但到了 Agent 时代，这个位置正在发生变化。</p>
<p>Agent 不只是帮用户找东西。</p>
<p>它开始替用户完成任务。</p>
<p>订酒店。</p>
<p>买商品。</p>
<p>支付账单。</p>
<p>发票。</p>
<p>退款。</p>
<p>转账。</p>
<p>管理现金。</p>
<p>一旦 AI 从“帮我找到”进入“帮我做”，支付就不再只是交易最后那一下。</p>
<p>它会逐渐变成：</p>
<p><strong>一个 Agent 是否真正拥有行动能力的分界线。</strong></p>
<p>而 Stripe 正在往这个位置走。</p>
<h2 id="一agent-真正进入经济世界绕不开钱">一、Agent 真正进入经济世界，绕不开“钱”</h2>
<p>过去的 AI 很多时候停留在认知世界。</p>
<p>帮你写一封邮件。</p>
<p>总结一个文档。</p>
<p>查一份资料。</p>
<p>分析一家公司。</p>
<p>这些事情当然有价值，但它们还没有真正改变现实中的资源关系。</p>
<p>一旦 Agent 开始替人完成任务，问题马上变了。</p>
<p>帮我找到一张机票，不需要碰钱。</p>
<p>帮我把机票订好，就需要付款。</p>
<p>帮我分析订阅支出，不需要碰钱。</p>
<p>帮我取消订阅、支付账单、调度现金，就已经进入金融执行。</p>
<p>所以从 Agent 的演化来看，会有一条很清楚的路径：</p>
<p><strong>Find→ Do→ Delegate→ Pay→ Settle。</strong></p>
<p>越往后，Agent 越不像一个工具。</p>
<p>越像一个真正的代理人。</p>
<p>而支付，正是从“认知代理”进入“经济代理”的那道门。</p>
<h2 id="二stripe-押注的不是某一个-agent而是所有-agent-最后都要完成交易">二、Stripe 押注的不是某一个 Agent，而是所有 Agent 最后都要完成交易</h2>
<p>这也是 Stripe 最有意思的地方。</p>
<p>它没有必要赌：</p>
<p>最后是 ChatGPT 赢。</p>
<p>还是 Claude 赢。</p>
<p>还是 Meta Muse、Instinct 或某个新的 Personal Agent 赢。</p>
<p>Stripe 可以站在这些产品下面。</p>
<p>因为无论前端 Agent 是谁，只要它开始替用户完成真实经济活动，就会碰到：</p>
<p>付款。</p>
<p>授权。</p>
<p>钱包。</p>
<p>发票。</p>
<p>退款。</p>
<p>转账。</p>
<p>结算。</p>
<p>风控。</p>
<p>账户。</p>
<p>所以 Stripe 押注的其实不是某个 AI 产品。</p>
<p>而是一个更底层的事实：</p>
<blockquote>
<p><strong>只要 Agent 开始行动，它就必须进入资源调用。</strong></p>
</blockquote>
<p>这和当年 Visa、Mastercard 的位置有点像。</p>
<p>它们不需要拥有消费者入口。</p>
<p>只要大量交易最终经过它们，网络就有价值。</p>
<p>Stripe 现在想做的，很可能也是类似的事情：</p>
<p><strong>Personal Agent 可以有很多个，但经济执行层最好只有少数几个。</strong></p>
<h2 id="三link-的变化尤其值得看">三、Link 的变化尤其值得看</h2>
<p>过去看 Link，很多人把它理解成 Stripe 的快速结账工具。</p>
<p>但到了 Agent 时代，它开始有另一层意义。</p>
<p>如果一个 Personal Agent 可以代表用户购物，但又不能直接拿到用户真实的信用卡信息，那么中间就需要一个受控的钱包层。</p>
<p>这个钱包要知道：</p>
<p>这是谁的钱。</p>
<p>这个 Agent 有没有权限。</p>
<p>允许在哪些商户使用。</p>
<p>能花多少钱。</p>
<p>什么时候失效。</p>
<p>用户能不能撤销。</p>
<p>这时候 Link 的角色就从：</p>
<p><strong>帮助用户更快付款</strong></p>
<p>变成：</p>
<p><strong>帮助 Agent 在用户授权下付款。</strong></p>
<p>差别很大。</p>
<p>前者是 Checkout。</p>
<p>后者开始接近：</p>
<p><strong>Agent Wallet。</strong></p>
<p>一旦这个位置成立，Stripe 掌握的就不只是支付凭证。</p>
<p>而是：</p>
<p><strong>用户允许 Agent 如何调用经济资源。</strong></p>
<p>这已经开始进入委托关系。</p>
<h2 id="四stripe-最近越来越像是在搭一套agent-金融操作系统">四、Stripe 最近越来越像是在搭一套“Agent 金融操作系统”</h2>
<p>如果把最近 Stripe 的几个动作放在一起看，会更明显。</p>
<p>它有 Link for agents。</p>
<p>有 Shared Payment Tokens。</p>
<p>有 Agent Wallet。</p>
<p>有 Agentic Commerce Suite。</p>
<p>有 ACP。</p>
<p>有 MPP。</p>
<p>又开始把企业账户、Treasury、发票、退款、转账这些能力直接暴露给 Agent。</p>
<p>这些东西单独看都像产品功能。</p>
<p>但放在一起看，其实对应的是一套完整结构：</p>
<p><strong>Agent 身份</strong></p>
<p><strong>↓</strong></p>
<p><strong>权限</strong></p>
<p><strong>↓</strong></p>
<p><strong>支付凭证</strong></p>
<p><strong>↓</strong></p>
<p><strong>账户</strong></p>
<p><strong>↓</strong></p>
<p><strong>执行</strong></p>
<p><strong>↓</strong></p>
<p><strong>审批</strong></p>
<p><strong>↓</strong></p>
<p><strong>结果通知</strong></p>
<p><strong>↓</strong></p>
<p><strong>结算</strong></p>
<p>这已经不太像普通支付 API。</p>
<p>更接近：</p>
<blockquote>
<p><strong>一个让 Agent 在明确权限内管理经济活动的操作系统。</strong></p>
</blockquote>
<p>尤其当 Stripe 开始支持：</p>
<p>小额操作自动执行，</p>
<p>大额操作人工批准，</p>
<p>执行成功或失败回传状态，</p>
<p>这件事的性质已经变了。</p>
<p>因为 Agent 最危险的问题从来不是：</p>
<p>“它会不会发起动作？”</p>
<p>而是：</p>
<p><strong>它能不能在正确边界里行动，并且让人知道最后到底发生了什么。</strong></p>
<h2 id="五这一点和-instinct-的贝果事件正好相反">五、这一点和 Instinct 的贝果事件正好相反</h2>
<p>上个月看到一个很典型的例子。</p>
<p>用户让 AI 助理替孩子生日会订贝果。</p>
<p>信用卡扣款失败。</p>
<p>Agent 没有告诉用户。</p>
<p>等人到了店里，才发现订单根本没有成立。</p>
<p>真正的问题不是支付失败。</p>
<p>支付失败很正常。</p>
<p>真正的问题是：</p>
<p><strong>任务失败了，但系统没有把失败升级给人。</strong></p>
<p>这说明 Agent 真正进入现实世界以后，一个完整任务不能只是：</p>
<p>“我尝试过了。”</p>
<p>而必须是：</p>
<p><strong>发起→ 支付→ 商户确认→ 状态追踪→ 完成→ 异常通知。</strong></p>
<p>只有这样，用户才敢真正把事情交出去。</p>
<p>否则 AI 替你办完以后，你还得自己再确认一次。</p>
<p>那并没有真正节省多少心力。</p>
<p>所以 Stripe 最近在做的执行状态、审批、Webhook、结果通知，看起来很底层，实际上非常重要。</p>
<p>因为 Agent Commerce 最终竞争的不是：</p>
<p>谁最会发起交易。</p>
<p>而是：</p>
<blockquote>
<p><strong>谁能让交易可靠地完成。</strong></p>
</blockquote>
<h2 id="六支付在-agent-时代会被重新定义">六、支付在 Agent 时代会被重新定义</h2>
<p>过去我们很容易把支付理解成：</p>
<p>钱从 A 转到 B。</p>
<p>但从 Agent 的角度看，这个定义太浅了。</p>
<p>一个人买机票，是在配置自己的资源。</p>
<p>企业买原材料，也是在配置资源。</p>
<p>投资、保险、订阅、采购，本质都一样。</p>
<p>所以支付更深一层的意义是：</p>
<blockquote>
<p><strong>资源配置意图经过授权以后，被现实执行。</strong></p>
</blockquote>
<p>于是完整过程应该是：</p>
<p><strong>资源存在→ 形成目标→ 作出判断→ 完成授权→ Agent 执行→ 支付发生→ 新的资源关系形成。</strong></p>
<p>这样看，Stripe 真正争夺的位置就不是“最后付款”。</p>
<p>而是：</p>
<p><strong>授权到执行之间的那层经济基础设施。</strong></p>
<h2 id="七这也是为什么-papacpmpp-会同时出现">七、这也是为什么 PAP、ACP、MPP 会同时出现</h2>
<p>最近有一个很明显的现象：</p>
<p>Agent 世界开始出现各种协议。</p>
<p>PAP 解决：</p>
<p><strong>Personal Agent 如何代表用户与企业交互。</strong></p>
<p>ACP 解决：</p>
<p><strong>Agent 如何进入商业交易流程。</strong></p>
<p>MPP 解决：</p>
<p><strong>机器和 Agent 之间如何完成支付。</strong></p>
<p>MCP 解决：</p>
<p><strong>模型如何调用工具和外部系统。</strong></p>
<p>这些协议看起来很多。</p>
<p>但本质上是在给未来的 Agent 经济做分层。</p>
<p>可以简单理解成：</p>
<p><strong>MCP：我能调用什么工具。</strong></p>
<p><strong>PAP：我代表谁，企业允许我做什么。</strong></p>
<p><strong>ACP：商业交易怎样进行。</strong></p>
<p><strong>MPP / 支付网络：钱怎样真正过去。</strong></p>
<p>这和互联网早期的协议栈很像。</p>
<p>不是一个协议解决所有问题。</p>
<p>而是一层一层把复杂性抽象掉。</p>
<p>Stripe 最值得关注的地方在于：</p>
<p>它正在主动站在这些协议之间最接近经济价值的那一层。</p>
<p>因为无论上面用什么 Agent、什么协议，最后只要进入真实交易，就要解决钱。</p>
<h2 id="八所以-stripe-的竞争对手也开始变了">八、所以 Stripe 的竞争对手也开始变了</h2>
<p>以前看 Stripe，主要会想到：</p>
<p>PayPal。</p>
<p>Adyen。</p>
<p>Block。</p>
<p>传统支付收单机构。</p>
<p>但 Agent 时代，竞争边界开始扩展。</p>
<p>Visa、Mastercard 开始做 Agent 身份和可信支付。</p>
<p>Google 有自己的 Agent Commerce 和 Google Pay。</p>
<p>Shopify 有商户网络和 Shop Pay。</p>
<p>1Password 开始进入 Agent 凭证和身份层。</p>
<p>Skyfire、Forter 在做 Agent 身份和风险判断。</p>
<p>甚至一些 AI 平台自己也可能把支付、钱包和授权做进去。</p>
<p>所以 Stripe 真正的竞争，不再只是：</p>
<p>谁的支付费率更低。</p>
<p>而是：</p>
<blockquote>
<p><strong>谁能同时掌握身份、授权、支付、商户、风控和结算。</strong></p>
</blockquote>
<p>这个位置一旦形成，护城河会比单纯支付处理深很多。</p>
<h2 id="九但我现在还不会下结论说-stripe-已经赢了">九、但我现在还不会下结论说 Stripe 已经赢了</h2>
<p>这一点也很重要。</p>
<p>今天可以看到的是：</p>
<p>Stripe 的产品覆盖面越来越完整。</p>
<p>它进入了多个 Personal Agent。</p>
<p>开始提供钱包、支付、企业资金管理、审批和执行状态。</p>
<p>也参与 PAP 等协议设计。</p>
<p>这些都说明它占据了很好的位置。</p>
<p>但真正决定它能不能成为 Agent 时代“默认经济接口”的，不是产品数量。</p>
<p>而是几个更硬的指标：</p>
<p>Agent 支付金额到底有多少？</p>
<p>多少 Personal Agent 真正在生产环境里使用 Stripe？</p>
<p>多少商户默认接受 Agent 交易？</p>
<p>Agent 交易的成功率、退款率和欺诈率是多少？</p>
<p>Stripe 能不能因为 Agent 获得新的 take rate？</p>
<p>还是只是把原有支付量换了一个入口？</p>
<p>这些数据现在还远远不够。</p>
<p>所以现阶段更适合说：</p>
<p><strong>战略位置越来越清晰，利润兑现还在早期。</strong></p>
<h2 id="十真正值得关注的是-stripe-能不能从支付公司变成代理经济的账户层">十、真正值得关注的是 Stripe 能不能从“支付公司”变成“代理经济的账户层”</h2>
<p>如果未来 Agent 越来越深入，事情还会继续变化。</p>
<p>Agent 不只会付款。</p>
<p>它还可能：</p>
<p>管理企业现金。</p>
<p>创建发票。</p>
<p>收款。</p>
<p>退款。</p>
<p>调拨资金。</p>
<p>管理预算。</p>
<p>调用信用。</p>
<p>甚至围绕目标持续配置资源。</p>
<p>到了这一步，Stripe 的位置就不再只是：</p>
<p><strong>Payment Infrastructure。</strong></p>
<p>而会开始接近：</p>
<p><strong>Economic Operating System for Agents。</strong></p>
<p>也就是：</p>
<p>Agent 经济的金融操作系统。</p>
<p>它不需要自己决定用户该买什么。</p>
<p>也不需要自己成为最聪明的 AI。</p>
<p>它只需要保证：</p>
<p>当 Agent 获得合法授权以后，</p>
<p><strong>钱能够安全、可靠、可追踪地动起来。</strong></p>
<h2 id="十一这和我们前面讨论的从-find-到-do正好接上">十一、这和我们前面讨论的“从 Find 到 Do”正好接上</h2>
<p>过去互联网帮人：</p>
<p>找到信息。</p>
<p>找到商品。</p>
<p>找到服务。</p>
<p>平台因此掌握流量。</p>
<p>Agent 开始替人：</p>
<p>完成任务。</p>
<p>平台因此开始掌握任务。</p>
<p>再往下一步，任务要真正完成，就必须调用：</p>
<p>时间。</p>
<p>资金。</p>
<p>信用。</p>
<p>现实服务。</p>
<p>这时候就会进入资源配置。</p>
<p>所以整条链可以写成：</p>
<p><strong>Find→ Do→ Delegate→ Pay→ Settle→ Verify。</strong></p>
<p>Personal Agent 负责前面几步。</p>
<p>Stripe 想占据后面几步。</p>
<p>这就是它最近这些动作真正值得关注的原因。</p>
<h2 id="十二stripe-真正想成为的也许不是ai-支付公司">十二、Stripe 真正想成为的，也许不是“AI 支付公司”</h2>
<p>如果只是 AI 支付，这个故事其实并没有多大。</p>
<p>支付公司支持新的消费入口，本来就是正常业务。</p>
<p>但如果 Stripe 最终能够做到：</p>
<p>无论用户使用哪个 Personal Agent，</p>
<p>无论企业使用哪套 Agent，</p>
<p>无论上面跑什么模型，</p>
<p>最后涉及经济资源的时候，</p>
<p>大家都通过 Stripe 完成：</p>
<p>身份确认。</p>
<p>授权。</p>
<p>钱包。</p>
<p>支付。</p>
<p>资金调拨。</p>
<p>结算。</p>
<p>退款。</p>
<p>结果通知。</p>
<p>那它的角色就完全不同。</p>
<p>它更像：</p>
<blockquote>
<p><strong>Agent 经济世界里的经济接口。</strong></p>
</blockquote>
<p>过去互联网时代，Stripe 帮助一个网站第一次变成一家可以收钱的互联网公司。</p>
<p>未来 Agent 时代，它可能想做的是：</p>
<blockquote>
<p><strong>让一个 Agent 第一次真正成为可以参与经济活动的主体。</strong></p>
</blockquote>
<p>这可能才是 Stripe 这一轮布局真正值得长期观察的地方。</p>
<p>不是它又多做了几个 AI 产品。</p>
<p>而是它正在尝试占据一个新的基础设施位置：</p>
<p><strong>当越来越多事情从“我自己做”变成“Agent 替我做”以后，谁来管理这些代理背后的钱、权限和责任。</strong></p>
<p>如果这个世界真的到来，Stripe 现在正在提前站进去。</p>
]]></content:encoded></item><item><title>AI商业观察：AI 有没有泡沫不重要，重要的是下一层瓶颈在哪里</title><link>https://blog.unicome.org/posts/ai-paomo-xiayiceng-pingjing/</link><pubDate>Sun, 25 Oct 2026 14:14:14 +0800</pubDate><guid>https://blog.unicome.org/posts/ai-paomo-xiayiceng-pingjing/</guid><description>&lt;p&gt;刚看了Raymond的硅谷见闻《硅谷国庆见闻 - 愿天下处处是泡沫》。&lt;/p&gt;
&lt;p&gt;他在硅谷待了二十天，开了七十个会。&lt;/p&gt;
&lt;p&gt;教授创业。&lt;/p&gt;
&lt;p&gt;博士准备辍学。&lt;/p&gt;
&lt;p&gt;大厂员工偷偷做 side project。&lt;/p&gt;
&lt;p&gt;创业者一边融资，一边投资别人。&lt;/p&gt;
&lt;p&gt;基金经理兜售自己的学术圈关系。&lt;/p&gt;
&lt;p&gt;没有产品的公司拿着几十亿美元估值融资。&lt;/p&gt;
&lt;p&gt;老股交易满天飞。&lt;/p&gt;</description><content:encoded><![CDATA[<p>刚看了Raymond的硅谷见闻《硅谷国庆见闻 - 愿天下处处是泡沫》。</p>
<p>他在硅谷待了二十天，开了七十个会。</p>
<p>教授创业。</p>
<p>博士准备辍学。</p>
<p>大厂员工偷偷做 side project。</p>
<p>创业者一边融资，一边投资别人。</p>
<p>基金经理兜售自己的学术圈关系。</p>
<p>没有产品的公司拿着几十亿美元估值融资。</p>
<p>老股交易满天飞。</p>
<p>所有人都在问下一步去哪。</p>
<p>那种空气，他说很像 2014、2015 年的中国互联网。</p>
<p>钱很多。</p>
<p>人很忙。</p>
<p>机会很多。</p>
<p>泡沫也很多。</p>
<p>读到最后一句：</p>
<p><strong>“愿天下处处是泡沫。”</strong></p>
<p>我反而认为，真正值得投资人思考的，不是“硅谷现在到底有没有泡沫”。</p>
<p>当然有。</p>
<p>真正的问题是：</p>
<blockquote>
<p><strong>这些泡沫正在把钱、人和时间推向哪里？</strong></p>
</blockquote>
<p>以及更重要的：</p>
<blockquote>
<p><strong>等这些资源真的流过去以后，哪一层需求会先跑起来，而供给还没来得及跟上？</strong></p>
</blockquote>
<p>这可能比判断泡沫什么时候破，更接近投资本身。</p>
<h2 id="一技术革命刚开始时资本往往先把基础设施建过头">一、技术革命刚开始时，资本往往先把基础设施建过头</h2>
<p>回头看蒸汽机、铁路、电力、互联网，几乎都经历过类似的过程。</p>
<p>技术先出现。</p>
<p>然后资本开始狂热。</p>
<p>铁路时代，大量铁路项目同时融资。</p>
<p>电力时代，电厂、电网、电机疯狂扩张。</p>
<p>互联网时代，光纤、IDC、网络设备、门户网站一起上。</p>
<p>很多项目最后都失败了。</p>
<p>很多钱也确实被浪费掉。</p>
<p>可有一件事很容易被忽略：</p>
<p><strong>那些被泡沫提前建出来的基础设施，并没有随着股价下跌一起消失。</strong></p>
<p>铁路还在。</p>
<p>电网还在。</p>
<p>光纤还在。</p>
<p>数据中心也还在。</p>
<p>甚至正因为前一轮资本投得太多，后一轮真正使用这些基础设施的人，反而获得了极低的成本。</p>
<p>这可能是技术泡沫最有意思的一面：</p>
<blockquote>
<p><strong>对上一层投资人来说，它可能是过度投资； 对下一层创新者来说，它却可能是成本红利。</strong></p>
</blockquote>
<p>互联网泡沫以后，大量电信公司倒下。</p>
<p>但廉价带宽留下来了。</p>
<p>后来 Google、Amazon、Netflix、云计算，都是在这层便宜基础设施上长出来的。</p>
<p>所以今天再看 GPU、HBM、数据中心、电力建设，也可以多问一句：</p>
<blockquote>
<p><strong>如果这一轮真的建多了，谁会因此获得过去不可能拥有的廉价智能？</strong></p>
</blockquote>
<p>答案可能不是今天最热的 GPU 公司。</p>
<p>而是下一层：</p>
<p>Agent。</p>
<p>机器人。</p>
<p>企业 AI。</p>
<p>生物科技。</p>
<p>专业服务。</p>
<p>个人服务。</p>
<p><em>这才是历史真正值得借鉴的地方。</em></p>
<h2 id="二电力时代给-ai-的启发可能比互联网更大">二、电力时代给 AI 的启发，可能比互联网更大</h2>
<p>回看技术发展史，通过对比，我觉得，AI 最像的其实是电力。</p>
<p>电力刚进入工厂时，很多企业第一反应只是：</p>
<p>把蒸汽机换成电动机。</p>
<p>原来的工厂布局基本不变。</p>
<p>原来的传动轴不变。</p>
<p>原来的生产流程也不变。</p>
<p>效率当然会提高一点。</p>
<p>但电力真正改变生产率，不是在“换发动机”的那一刻。</p>
<p>而是在后来。</p>
<p><em>每台机器都可以独立用电以后，工厂开始重新布局。</em></p>
<p>流水线重新设计。</p>
<p>仓储、物流、工序、人员组织一起变。</p>
<p>这时候，电力才真正开始改变生产方式。</p>
<p>今天很多企业用 AI，其实还停留在“换电机”的阶段。</p>
<p>写邮件快一点。</p>
<p>做 PPT 快一点。</p>
<p>写代码快一点。</p>
<p>总结文档快一点。</p>
<p>这是有价值。</p>
<p>但它只是：</p>
<p><strong>旧流程 + AI。</strong></p>
<p>真正的下一步，是企业开始问：</p>
<blockquote>
<p><strong>既然 Agent 可以自己读数据、调用工具、完成任务，为什么原来的流程还要这样设计？</strong></p>
</blockquote>
<p>为什么一张发票需要五个人？</p>
<p>为什么一个采购流程要十个节点？</p>
<p>为什么销售、客服、财务之间的数据要来回搬？</p>
<p>为什么软件只是给员工用，而不能让 Agent 直接负责一段工作？</p>
<p>到了这个阶段，AI 才真正开始改造生产关系。</p>
<p>不是提高一个人的效率。</p>
<p>而是重新设计：</p>
<p><strong>谁负责什么。</strong></p>
<h2 id="三所以真正重要的分界线是-copilot-到-agent">三、所以真正重要的分界线，是 Copilot 到 Agent</h2>
<p>过去两年，大量 AI 应用本质上是 Copilot。</p>
<p>人在前面。</p>
<p>AI 在旁边。</p>
<p>人提出任务。</p>
<p>AI 辅助完成。</p>
<p>Agent 再往前一步。</p>
<p>人不再逐步操作。</p>
<p>而是告诉系统：</p>
<p><strong>我要什么结果。</strong></p>
<p>中间的路径由 Agent 自己完成。</p>
<p>这就是我们一直讨论的：</p>
<p><strong>Find → Do → Delegate。</strong></p>
<p>互联网解决的是：</p>
<p>帮我找到。</p>
<p>平台时代进一步解决：</p>
<p>帮我匹配。</p>
<p>Agent 开始进入：</p>
<p>帮我完成。</p>
<p>再往后则是：</p>
<p>这类事情，以后你替我持续处理。</p>
<p>这时候，软件就不再只是工具。</p>
<p>它开始接过一部分责任。</p>
<p>而一旦责任发生转移，整个商业体系都会跟着变化。</p>
<h2 id="四这也是为什么数据公司突然火起来">四、这也是为什么数据公司突然火起来</h2>
<p>Raymond的见闻里，我最感兴趣的其实不是那些几十亿美元估值的 Neo Labs。</p>
<p>而是数据公司。</p>
<p>大模型最早拼的是 Pretrain。</p>
<p>后来拼 Scaling。</p>
<p>再后来，行业逐渐进入后训练、RL 环境、专业数据、专家反馈。</p>
<p>这意味着瓶颈已经在迁移。</p>
<p>模型还在进步。</p>
<p>算力还在增加。</p>
<p>但 Frontier Labs 真正越来越缺的是：</p>
<p><em>高质量数据。</em></p>
<p>专业专家。</p>
<p>好的 RL Environment。</p>
<p>快速交付。</p>
<p>复杂项目组织能力。</p>
<p>所以现在一些数据公司看起来一点都不像传统 VC 喜欢的软件公司。</p>
<p>它们很重。</p>
<p>要组织人。</p>
<p>要找专家。</p>
<p>要项目经理。</p>
<p>客户凌晨两点改需求，也得马上响应。</p>
<p>有些项目两天就得交。</p>
<p>过去很容易说：</p>
<p>这种生意不 scalable。</p>
<p>但如果客户愿意支付几百万美元，而且回款极快，这本身就是一个需要重新理解的商业结构。</p>
<p>AI 可能正在制造一种新的公司：</p>
<blockquote>
<p><strong>AI 原生的高杠杆专业服务公司。</strong></p>
</blockquote>
<p>它不一定拥有 SaaS 那种 90% 毛利。</p>
<p>但 AI 可以让一个专业人员覆盖过去几倍、十倍的产出。</p>
<p>这时候真正该看的不是：</p>
<p>它像不像软件。</p>
<p>而是：</p>
<p>单位员工收入。</p>
<p>交付速度。</p>
<p>客户复购。</p>
<p>毛利变化。</p>
<p>现金转换率。</p>
<p><em>AI 是否持续放大人的产能。</em></p>
<p>这可能是下一阶段很容易被传统估值体系忽略的一类公司。</p>
<h2 id="五产业机会和投资机会必须分开">五、产业机会和投资机会必须分开</h2>
<p>Neo Labs 那部分也很有意思。</p>
<p>教授创业。</p>
<p>没有产品。</p>
<p>没有 PMF。</p>
<p>没有收入。</p>
<p>融资估值几十亿、上百亿美元。</p>
<p>从社会角度看，这未必是坏事。</p>
<p>我甚至同意那篇文章里的一句话：</p>
<p><em>教授、博士、研究人员应该有机会通过研究和创业获得很高的经济回报。</em></p>
<p>因为这会形成一个很强的正反馈：</p>
<p><em>最聪明的人愿意继续做研究。</em></p>
<p>愿意冒险。</p>
<p>愿意把实验室里的东西带到现实世界。</p>
<p>这对一个社会是好事。</p>
<p>但对投资人来说，另一件事也必须分清：</p>
<blockquote>
<p><strong>一个产业值得被资本资助，不等于任何价格都是好投资。</strong></p>
</blockquote>
<p>社会需要一百家公司去试错。</p>
<p>最后可能只剩三家。</p>
<p>这三家足以改变世界。</p>
<p>但另外九十七家仍然可能让后来进入的投资人亏钱。</p>
<p>所以：</p>
<p><strong>技术方向正确，和股价值得买，是两件完全不同的事情。</strong></p>
<p>铁路是真的。</p>
<p>但很多铁路公司是坏投资。</p>
<p>互联网是真的。</p>
<p>但大量 dot-com 公司最后消失了。</p>
<p><strong>AI 也不会例外。</strong></p>
<h2 id="六真正的大机会往往出现在第二层瓶颈">六、真正的大机会，往往出现在第二层瓶颈</h2>
<p>投资最容易犯的一个错误，是所有人都在第一层最热的时候继续看第一层。</p>
<p>GPU 火了，就一直看 GPU。</p>
<p>数据中心火了，就一直看数据中心。</p>
<p>可历史上真正大的利润池经常不断迁移。</p>
<p>铁路铺完以后，新的商业中心和物流体系起来。</p>
<p>电网铺完以后，家电、电机、流水线起来。</p>
<p>互联网基础设施铺完以后，搜索、电商、云、社交起来。</p>
<p>所以真正值得一直问的是：</p>
<blockquote>
<p><strong>如果这一层真的成功，下一层什么会最先不够？</strong></p>
</blockquote>
<p>AI 这几年其实已经走过了一轮：</p>
<p>模型。</p>
<p>GPU。</p>
<p>HBM。</p>
<p>数据中心。</p>
<p>电力。</p>
<p>网络。</p>
<p>现在正在继续向：</p>
<p>数据。</p>
<p>Memory。</p>
<p>Agent。</p>
<p>身份。</p>
<p>权限。</p>
<p>支付。</p>
<p>审计。</p>
<p>现实执行。</p>
<p>迁移。</p>
<p>真正好的投资机会，往往就在：</p>
<p><strong>上一层已经被验证，下一层刚刚开始供不应求的时候。</strong></p>
<h2 id="七这也是为什么最近-agentauth支付越来越重要">七、这也是为什么最近 Agent、Auth、支付越来越重要</h2>
<p>如果 AI 只是聊天，它真正需要的是模型和算力。</p>
<p>但一旦 Agent 开始替人完成现实任务，就会遇到一堆过去不重要的问题。</p>
<p>它是谁？</p>
<p>它代表谁？</p>
<p>它可以做什么？</p>
<p>可以动多少钱？</p>
<p>任务到底完成没有？</p>
<p>如果失败，谁负责？</p>
<p>所以最近才会同时出现：</p>
<p>PAP。</p>
<p>Agent Wallet。</p>
<p>Stripe 的授权支付。</p>
<p>1Password for Agents。</p>
<p>Visa Trusted Agent。</p>
<p>银行限制第三方 Agent。</p>
<p>这些东西表面上分属于：</p>
<p>支付。</p>
<p>身份。</p>
<p>安全。</p>
<p>协议。</p>
<p>其实背后都是同一个问题：</p>
<blockquote>
<p><strong>当机器开始获得行动权以后，社会怎样给这种行动权划边界。</strong></p>
</blockquote>
<p>这就是生产关系开始重构的地方。</p>
<p>模型能力在前面冲得很快。</p>
<p>制度、权限、责任这些东西却是慢变量。</p>
<p>技术越快，这种错配越明显。</p>
<p><strong>而错配本身，就是新的商业机会。</strong></p>
<h2 id="八ai-和过去最大的不同是它开始碰决策本身">八、AI 和过去最大的不同，是它开始碰“决策本身”</h2>
<p>蒸汽机放大的是力量。</p>
<p>电力改变的是动力分配。</p>
<p>互联网降低的是信息传输和搜索成本。</p>
<p>AI 更特别。</p>
<p>它开始降低：</p>
<p><strong>认知、判断、协调和关系处理成本。</strong></p>
<p>这意味着它不只是替代一个生产工具。</p>
<p>它开始进入：</p>
<p>管理。</p>
<p>金融。</p>
<p>研发。</p>
<p>销售。</p>
<p>采购。</p>
<p>法律。</p>
<p>这些岗位过去做的事情，本质上是在配置其他资源。</p>
<p>所以 AI 一旦进入这些层次，自然会继续向：</p>
<p>账户。</p>
<p>支付。</p>
<p>信用。</p>
<p>权限。</p>
<p>资源配置。</p>
<p>延伸。</p>
<p>这也是为什么我最近从 Agent 一直思考到金融、Auth、委托代理。</p>
<p>不是话题跑偏了。</p>
<p>而是 AI 真正进入决策层以后，它必然会碰到权利层。</p>
<h2 id="九ai-还有一个过去技术革命很少有的特点它可以帮助制造下一代-ai">九、AI 还有一个过去技术革命很少有的特点：它可以帮助制造下一代 AI</h2>
<p>铁路不会自己设计下一代铁路。</p>
<p>电力不会自己设计新的发电机。</p>
<p>但 AI 可以：</p>
<p>写 AI 代码。</p>
<p>生成训练数据。</p>
<p>管理实验。</p>
<p>做科研辅助。</p>
<p>优化芯片设计。</p>
<p>帮助下一代模型训练。</p>
<p>所以这一轮技术革命有一种很特别的递归性：</p>
<blockquote>
<p><strong>它可以提高自己技术进步的生产率。</strong></p>
</blockquote>
<p>这不意味着一定会出现所谓“智能爆炸”。</p>
<p>但它意味着技术迭代的速度，可能会比蒸汽、电力时代快很多。</p>
<p>而社会制度、企业组织、监管不会同步加速。</p>
<p>所以今天一个很大的结构性错配可能是：</p>
<p><strong>技术是快变量。</strong></p>
<p><strong>制度是慢变量。</strong></p>
<p>而投资机会，往往就在两者交界处。</p>
<h2 id="十从历史看真正值得珍惜的不是泡沫而是泡沫背后的上行预期">十、从历史看，真正值得珍惜的不是泡沫，而是泡沫背后的上行预期</h2>
<p>Raymond的硅谷见闻最后写：</p>
<p>“愿天下处处是泡沫。”</p>
<p>我能理解这种情绪。</p>
<p>它怀念的并不是估值高。</p>
<p>而是一种整个社会都相信：</p>
<p><strong>下一步可能更好。</strong></p>
<p>教授愿意创业。</p>
<p>博士敢退学。</p>
<p>大厂员工敢出来。</p>
<p>年轻人愿意冒险。</p>
<p>创业失败还能再来。</p>
<p>资本愿意押注还没有被证明的未来。</p>
<p>这种环境本身，就会改变人的行为。</p>
<p>人的机会成本会重新计算。</p>
<p>这会形成一种非常强的正反馈。</p>
<p>更多人创业。</p>
<p>更多公司出现。</p>
<p>更多公司互相采购。</p>
<p>更多成功案例。</p>
<p>更多资本重新进来。</p>
<p>这就是一个真正的上行周期。</p>
<p>从社会角度看，当然值得珍惜。</p>
<h2 id="十一但投资人不能只跟着上行感走">十一、但投资人不能只跟着“上行感”走</h2>
<p>我们真正的工作不是判断：</p>
<p>现在热不热。</p>
<p>而是把热度拆开。</p>
<p>哪些只是估值情绪。</p>
<p>哪些已经变成订单。</p>
<p>哪些订单正在改变供需。</p>
<p>哪些供需错配开始带来定价权。</p>
<p>最后，哪些企业真正把这些利润留在自己手里。</p>
<p>所以我现在越来越喜欢这样理解投资：</p>
<blockquote>
<p><strong>关系重构 → 资源重新流动 → 效率提高 → 新需求显形 → 瓶颈迁移 → 定价权出现 → 新产业结构稳定。</strong></p>
</blockquote>
<p>热度只是第一步。</p>
<p>真正的投资回报，发生在后面。</p>
<h2 id="十二所以-ai-有没有泡沫可能真的不是最重要的问题">十二、所以 AI 有没有泡沫，可能真的不是最重要的问题</h2>
<p>如果站在历史里看今天，真正有价值的问题其实是：</p>
<blockquote>
<p><strong>今天这些疯狂投入的资本，最后会把什么东西变得极其便宜？</strong></p>
</blockquote>
<p>然后再问：</p>
<blockquote>
<p><strong>这种东西变便宜以后，谁会第一次大量使用？</strong></p>
</blockquote>
<p>再往下：</p>
<blockquote>
<p><strong>当他们大量使用以后，下一样最先不够用的东西是什么？</strong></p>
</blockquote>
<p>这三步，可能比预测 AI 泡沫什么时候破有用得多。</p>
<p>因为历史上的技术革命，反复出现的从来不是：</p>
<p>新技术出现，然后所有相关资产上涨。</p>
<p>真正不断重复的是：</p>
<blockquote>
<p><strong>能力突破 → 资本过建 → 成本下降 → 新需求出现 → 瓶颈迁移 → 下一批公司崛起。</strong></p>
</blockquote>
<p>所以今天看 AI，我反而不会只盯着最热的地方。</p>
<p>我更关心：</p>
<p><strong>下一层。</strong></p>
<p>如果 GPU 足够多，会发生什么？</p>
<p>如果模型足够便宜，会发生什么？</p>
<p>如果 Agent 足够可靠，会发生什么？</p>
<p>如果企业真的开始把工作交给 Agent，什么会先不够？</p>
<p>可能是数据。</p>
<p>可能是 Memory。</p>
<p>可能是身份和权限。</p>
<p>可能是支付。</p>
<p>可能是机器人。</p>
<p>也可能是我们今天还没给它起名字的一层。</p>
<p>但那才是投资真正有意思的地方。</p>
<p><strong>不是追着已经显形的东西跑。</strong></p>
<p>而是提前站到：</p>
<p><strong>下一处即将显形的瓶颈前面。</strong></p>
]]></content:encoded></item><item><title>AI商业观察：泡沫以后，哪些可能</title><link>https://blog.unicome.org/posts/ai-paomo-yihou/</link><pubDate>Fri, 06 Nov 2026 08:23:44 +0800</pubDate><guid>https://blog.unicome.org/posts/ai-paomo-yihou/</guid><description>&lt;p&gt;2026年11月5日，纳斯达克综合指数下跌5.52%。&lt;/p&gt;
&lt;p&gt;这一天，标普500指数跌了4.36%，道琼斯工业指数跌了3.44%。芯片、数据中心以及与人工智能基础设施有关的股票，成为抛售的中心。&lt;/p&gt;
&lt;p&gt;市场开始重新计算一笔账。&lt;/p&gt;
&lt;p&gt;过去几年，科技公司投入了大量资金购买GPU，建设数据中心，训练越来越强大的模型。市场相信，人工智能将改变几乎所有行业，因此，这些投入最终能够获得丰厚回报。&lt;/p&gt;</description><content:encoded><![CDATA[<p>2026年11月5日，纳斯达克综合指数下跌5.52%。</p>
<p>这一天，标普500指数跌了4.36%，道琼斯工业指数跌了3.44%。芯片、数据中心以及与人工智能基础设施有关的股票，成为抛售的中心。</p>
<p>市场开始重新计算一笔账。</p>
<p>过去几年，科技公司投入了大量资金购买GPU，建设数据中心，训练越来越强大的模型。市场相信，人工智能将改变几乎所有行业，因此，这些投入最终能够获得丰厚回报。</p>
<p>但如果数据中心建设受到限制呢？如果模型能力继续提高，却没有足够多的客户愿意为之付费呢？如果下一代模型需要投入更多资本，而上一代模型还没有赚回成本呢？</p>
<p>这些疑问并不新鲜。只是当股价不断上涨时，人们往往愿意把答案留给未来。</p>
<p>现在，市场开始要求提前回答。</p>
<p>一天的大跌，还不能说明人工智能泡沫已经破裂。我们甚至不知道，这轮调整最终会持续多久。</p>
<p>但它让我想起了一个比市场涨跌更有意思的问题：</p>
<p><strong>如果这场人工智能热潮真的经历一次泡沫破裂，留下来的会是什么？又有什么东西，会从这些留下来的基础上重新生长？</strong></p>
<h2 id="一泡沫过去基础设施仍在">一、泡沫过去，基础设施仍在</h2>
<p>19世纪中叶，英国经历过一场铁路投资狂潮。</p>
<p>投资者相信铁路会改变整个国家的经济面貌。他们说对了。</p>
<p>铁路确实改变了英国。</p>
<p>城市与乡村被连接起来，运输成本下降，商品能够抵达更远的市场。人们的出行方式、居住方式乃至时间观念，都在铁路出现后发生了变化。</p>
<p>但相信铁路有伟大前途，不等于买入铁路公司的股票就一定能赚钱。</p>
<p>当资本大量涌入，线路重复建设，经营收入无法兑现最初的预期时，许多投资者损失惨重。</p>
<p>铁路没有消失。亏损的是一批为铁路建设支付了过高价格的人。</p>
<p>一百多年后的互联网，也经历过相似的过程。</p>
<p>20世纪90年代末，资本大量投入光纤、服务器、通信设备和互联网公司。人们相信，未来每个人都会生活在网络上。</p>
<p>这个判断大体是对的。</p>
<p>但2000年前后，互联网泡沫破裂，大量公司消失，股票价格暴跌。</p>
<p>有意思的是，互联网本身并没有因此倒退。</p>
<p>已经铺设的光纤仍然存在，计算机继续普及，网络连接越来越便宜，越来越多的人开始上网。</p>
<p>几年以后，搜索、电商、社交网络、在线视频和云计算逐渐发展起来。</p>
<p>真正改变世界的许多商业模式，并不是在基础设施最昂贵、资本最狂热的时候成熟的。</p>
<p>它们需要等待基础设施普及，等待使用成本下降，也等待人们逐渐发现这些新能力究竟可以用来做什么。</p>
<p>这给今天的人工智能投资留下了一个很重要的提醒。</p>
<p><strong>技术的成功，与最初投资者的成功，可能是两件完全不同的事情。</strong></p>
<p>即使人工智能最终深刻改变人类社会，也不能保证今天所有高价投入的算力、模型和数据中心，都能产生足够的股东回报。</p>
<p>而另一面同样值得关注。</p>
<p>如果这些投入真的推动了智能能力的普及和成本下降，那么它们创造的经济条件，也可能成为下一批企业成长的土壤。</p>
<p>当然，铁路和互联网的历史不能机械套用。数据中心的设备需要更新，GPU会折旧，电力和运营成本也不会因为估值下跌而消失。</p>
<p>但有一种变化可能保留下来：人类已经学会用机器完成越来越复杂的认知任务。</p>
<p>接下来，问题就变了。</p>
<h2 id="二当制造智能不再是最难的事情">二、当制造智能不再是最难的事情</h2>
<p>过去几年的人工智能竞争，主要集中在供给端。</p>
<p>谁拥有更多GPU？</p>
<p>谁能训练更大的模型？</p>
<p>谁能率先突破新的能力边界？</p>
<p>这些问题至今仍然重要。但随着模型不断进步、开放模型逐渐扩散、推理成本下降，我们已经开始看到另一种变化。</p>
<p>很多过去需要专业团队开发的软件，现在一个人借助AI就可以做出来。</p>
<p>写一个财务分析工具、建立一个个人知识库、生成一个网站，甚至开发一套简单的业务管理系统，门槛都在下降。</p>
<p>这确实是一种巨大的生产力进步。</p>
<p>但也可能形成一个颇有意思的现象：人们花很多时间让AI写程序，做出一个又一个产品原型，却很少追问这些程序究竟有没有人需要。</p>
<p>编程本身，甚至可能变成一种新的消遣。</p>
<p>过去，能把软件做出来，就已经具有相当高的价值。今天，软件的生产能力正在迅速扩散。</p>
<p>当供给不再那么稀缺，真正困难的问题就重新回到需求。</p>
<p><strong>有人需要这个东西吗？</strong></p>
<p><strong>他现在是怎么解决问题的？</strong></p>
<p><strong>他愿意为新的解决方式付多少钱？</strong></p>
<p><strong>使用一次之后，还会不会继续使用？</strong></p>
<p>这些问题看似普通，却可能成为下一阶段消费科技最重要的分水岭。</p>
<p>以前开发一个软件，需要投入大量人力和资金，因此必须找到足够多具有相同需求的用户，才能摊薄成本。</p>
<p>现在，如果个性化软件的开发成本持续下降，那些过去因为市场太小而无人服务的需求，也可能第一次具备经济可行性。</p>
<p>为一家小企业开发的工作流，为一个家庭建立的财务系统，为一个人的投资习惯设计的决策记录工具，甚至为一段独特的人生经历建立的记忆库，都不再完全不可想象。</p>
<p>这将是一种重要变化。</p>
<p>过去，软件要求人去适应它预先设计好的功能。</p>
<p>未来，软件有可能更多地围绕具体的人、具体的生活和具体的需求生成。</p>
<p>但随之而来的问题是：既然每个人都可以让AI为自己制作软件，为什么还需要向一家软件公司长期付费？</p>
<p>答案恐怕不在代码里。</p>
<h2 id="三人真正需要什么">三、人真正需要什么？</h2>
<p>最近读到一份关于长寿产业的研究报告，其中有个现象很有意思。</p>
<p>越来越多的人佩戴智能手表、智能戒指，每天查看心率、睡眠和运动数据。</p>
<p>但拥有这些数据，不代表他们真的改变了自己的生活。</p>
<p>我们已经有了很多记录身体的工具，却还缺少一种能够长期理解身体变化、帮助人采取适当行动的服务。</p>
<p>比如，今天的体检结果与五年前相比发生了什么变化？哪些变化需要关注？什么时候应该去医院？检查结束以后，接下来又该怎么办？</p>
<p>这让我想到另一个领域：个人金融。</p>
<p>现在，银行记录我们的存款和收支，券商记录证券交易，保险公司保存保单，支付平台保存消费流水。</p>
<p>每家机构都掌握了一部分数据。</p>
<p>但如果问一个人：过去十年，你的家庭财务状况为什么发生了这些变化？你的重要投资决策有哪些判断正确，哪些只是运气？五年以后的教育支出和二十年以后的退休生活，需要今天怎样安排？</p>
<p>很少有一套系统能够连续地回答这些问题。</p>
<p>尤其是投资。</p>
<p>券商能够准确告诉你，某年某月以什么价格买入了多少股票。</p>
<p>却通常不会记录：你当时为什么买入？相信公司未来会发生什么？什么事实出现以后，意味着当初的判断错误？</p>
<p>十年以后，交易记录还在，当年的判断却可能已经被记忆悄悄改写。</p>
<p>如果能够把每一次重要投资决策的假设保存下来，几年后再与真实结果对照，那么AI就不只是一个分析股票的工具。</p>
<p>它开始帮助一个人理解自己的判断方式。</p>
<p>赚了钱，是因为看对了企业，还是因为市场整体上涨？亏了钱，是因为经营判断错误，还是因为支付了过高价格？</p>
<p>这些问题，关系到一个人能否在长期投资中真正积累认知，而不只是积累交易次数。</p>
<p>健康和金融看起来是两个不同的行业，却有一个共同特点。</p>
<p><strong>它们都不是一次性任务，而是贯穿人生的长期过程。</strong></p>
<p>一个人的健康、财富、职业、家庭、教育和生活目标，不断随着时间发生变化。</p>
<p>今天的软件往往把它们分割开来。</p>
<p>但一个人的生活从来不是按行业分类的。</p>
<p>或许，未来会出现一种新的个人服务：它持续保存一个人的历史，理解他不断变化的目标，在需要的时候提供帮助，并在明确授权的范围内与外部机构协作。</p>
<p>金融领域可以叫 Personal Financial Memory，健康领域可以叫 Personal Health Memory。</p>
<p>它们最终可能指向更大的 Personal Life Memory。</p>
<p>这里的记忆，不只是保存数据。</p>
<p>它还包括当时的处境、曾经作出的判断、后来发生的变化，以及这些经历对未来选择的影响。</p>
<p>这种东西具有一个很特别的性质。</p>
<p>代码可以重新编写，模型可以更换，计算结果可以重新生成。</p>
<p>但一个人十年前没有记录下来的真实经历与念头，未必还能重新找回来。</p>
<p><strong>技术可以不断复制，人的历史却只能真实地经历一次。</strong></p>
<h2 id="四有需求还要有人愿意付费">四、有需求，还要有人愿意付费</h2>
<p>不过，如果只讨论这些长期需求，仍然很容易陷入另一个陷阱。</p>
<p>有价值的事情，不一定是一门好生意。</p>
<p>许多人都知道健康重要，却不一定愿意每个月为健康管理软件付费。</p>
<p>许多人希望年老以后仍能看到年轻时的生活记录，却未必愿意今天每天花时间整理日记。</p>
<p>许多人知道家庭需要长期财务规划，但如果没有眼前的压力，也可能迟迟不去行动。</p>
<p>需求、使用和付费，是三件不同的事。</p>
<p>我认为，寻找消费级AI商业机会，必须同时回答两个问题。</p>
<p><strong>短期，用户为什么愿意为它付钱？</strong></p>
<p><strong>长期，用户为什么愿意继续把钱付给它？</strong></p>
<p>两者需要的价值可能并不相同。</p>
<p>一个个人金融Agent，第一次吸引用户付费，可能只是因为它发现了一笔长期忽略的重复扣费，或者帮助用户理清了一项复杂的家庭财务安排。</p>
<p>一年以后，用户继续付费，可能是因为它已经熟悉家庭的收入、支出、账户和未来目标，不需要每次重新解释。</p>
<p>五年以后，这套系统或许已经积累了完整的财务历史，可以帮助家庭理解自己的财富究竟怎样形成，又面临怎样的风险。</p>
<p>一个健康Agent也类似。</p>
<p>今天的价值可能是帮助整理体检报告、核对重要指标、准备一次就医。</p>
<p>长期的价值，则可能是持续跟踪身体变化，减少遗漏，协助完成必要的医疗行动。</p>
<p>至于个人记忆，最初的付费理由可能不是宏大的“保存一生”。</p>
<p>而是帮一个家庭整理旅行照片，记录孩子的成长，找回一段重要的谈话。</p>
<p>几十年以后，这些日常保存下来的东西，可能成为无法用金钱重新购买的生命记录。</p>
<p>但它首先必须让今天的人觉得有用。</p>
<p>这可能是下一代个人软件最重要的商业逻辑：</p>
<p><strong>短期提供能够感知的价值，长期积累不能轻易重新获得的价值。</strong></p>
<p>当然，长期离不开，不应该意味着产品故意锁住用户的数据。</p>
<p>更好的商业关系，是即使用户可以自由迁移自己的资料，仍然愿意因为服务可靠、有用而留下来。</p>
<p>而且，这些设想都需要经过实际付费和留存验证。用户在问卷里说愿意购买，与真正掏钱、使用一年，是两回事。</p>
<h2 id="五从记住一个人到替一个人办事">五、从记住一个人，到替一个人办事</h2>
<p>还有一层变化值得关注。</p>
<p>过去的软件，大部分时候是在回答问题或者提供工具。</p>
<p>未来的个人Agent，则可能逐渐走向执行。</p>
<p>例如，它不仅能分析家庭现金流，还能够在用户授权后安排常规账单支付。</p>
<p>不仅能整理医疗记录，还能够协助预约医生、跟进检查和治疗流程。</p>
<p>不仅能制定旅行计划，还能够联系酒店、交通公司以及其他服务商完成预订。</p>
<p>这就需要一种新的基础设施。</p>
<p>Personal Agent Protocol，也就是PAP，所探索的正是个人Agent如何与企业和机构建立可信的交互关系。</p>
<p>一个人可以给Agent什么权限？权限如何撤销？机构怎样确认它确实代表用户？执行失败时如何处理？交易记录由谁保存？</p>
<p>这些问题，看起来没有训练一个更聪明的模型那么激动人心，却可能决定AI究竟能不能进入真实的经济生活。</p>
<p>另外，授权并不能替代法律责任。</p>
<p>尤其在金融和医疗领域，个人Agent不能因为获得用户同意，就自动拥有投资顾问或医生的专业资格。</p>
<p>因此，真正可行的路径，很可能是先从信息整理、决策记录和辅助分析做起，再进入规划、协调与低风险执行，最后在监管和专业责任允许的范围内开展更复杂的服务。</p>
<p>这也意味着，未来的价值不一定集中在模型公司。</p>
<p>它可能分布在长期记忆、身份认证、权限管理、业务工作流、支付执行、专业服务以及最终的消费应用之间。</p>
<p><em>谁能在用户与现实机构之间，建立可靠、低成本、可持续的服务关系，谁才有机会获得长期收入。</em></p>
<h2 id="六泡沫以后利润会流向哪里">六、泡沫以后，利润会流向哪里？</h2>
<p>现在回头看，问题已经与几年前不同了。</p>
<p>如果人工智能的能力继续增长，成本继续下降，那么大量生产效率的提高，最终会传递到使用这些能力的企业和个人手中。</p>
<p>但使用量增长，不等于每个环节的利润都会增长。</p>
<p>开放模型可能处理越来越多的任务，推理价格却持续下降。</p>
<p>应用公司可能快速获得大量用户，却发现用户不愿意付费。</p>
<p>一个健康Agent可能创造了巨大社会价值，却因为服务履约成本、监管责任和获客费用过高，始终无法盈利。</p>
<p>一家企业甚至可能因为AI在技术上取得巨大成功，仍然没有为原有股东创造相应的每股经济价值。</p>
<p>所以，投资者需要重新追问商业的基本问题。</p>
<p><em>用户原来为这项需求付出了多少成本？</em></p>
<p><em>AI究竟减少了哪些成本，改善了哪些结果？</em></p>
<p><em>用户愿意为改善后的服务支付多少钱？</em></p>
<p><em>扣除模型推理、数据、获客、人工服务、合规和运营成本以后，企业还能够留下多少利润？</em></p>
<p><em>随着竞争者增加，这部分利润又能保持多久？</em></p>
<p>这些问题远比讨论某个模型又提升了多少分数枯燥。</p>
<p>但商业的根本，就在这里。</p>
<p>未来也许会有很多精彩的人工智能应用，却只有少数能够形成真正可持续的生意。</p>
<p>那些能够持续赚钱的企业，未必拥有最聪明的模型。</p>
<p><em>它们可能只是更深刻地理解了某类人的需要，更有效地组织了服务，并且长期赢得了客户的信任。</em></p>
<p>不过，也不能因此断言算力、芯片或前沿模型不再值得投资。技术瓶颈还会迁移，新的能力突破也可能重新创造高利润环节。</p>
<p>我们真正需要区分的是，<strong>哪些增长来自一轮资本开支，哪些增长来自可以持续支付账单的最终需求。</strong></p>
<p>历史上的铁路和互联网，都证明了一个道理。</p>
<p>一个产业可以创造巨大的社会价值，同时让许多投资者遭受损失。</p>
<p>投资最困难的地方，从来不只是判断未来会发生什么，还包括判断创造出来的价值，<strong>最终会由谁获得。</strong></p>
<h2 id="七重新从人出发">七、重新从人出发</h2>
<p>仔细想想，人工智能出现以前，人类许多重要的需求就已经存在了。</p>
<p>我们希望身体健康，希望家庭生活稳定，希望财富能够支持未来的生活。</p>
<p>我们需要学习、工作、建立关系、照顾亲人，也需要理解自己的经历，保存某些不愿意遗忘的东西。</p>
<p>这些需求没有因为GPU和大模型的出现而改变。</p>
<p>变化的是，过去满足它们的成本很高。</p>
<p>一个普通家庭很难长期雇用专门的财务顾问、健康管理人员、私人助理以及负责整理一生记忆的人。</p>
<p>现在，人工智能有可能让其中一部分服务变得足够便宜，使过去无法普遍提供的个性化服务，第一次走向普通人的生活。</p>
<p>这或许才是下一阶段消费科技真正值得关注的方向。</p>
<p>过去，我们不断追问AI能够做什么。</p>
<p>但当它能够做的事情越来越多，这个问题反而不够用了。</p>
<p>我们需要重新回到人本身。</p>
<p>一个人今天最需要解决什么？</p>
<p>未来十年、二十年，他又会面临哪些持续存在的问题？</p>
<p>哪些事情值得他花钱解决？</p>
<p>哪些服务能够在今天创造价值，又随着时间积累变得越来越有用？</p>
<p>哪些看起来重要的需求，其实并没有足够强的付费意愿？</p>
<p>从这些问题出发，再回头寻找技术、产品与商业模式，也许比先造出一个AI应用，再努力寻找用户更有效。</p>
<p>甚至还需要问一个更难的问题：</p>
<p><strong>当技术使生产能力越来越丰富时，人们真正愿意把自己的时间、金钱和信任交给什么？</strong></p>
<p>我想，这可能是人工智能时代最值得研究的商业问题之一。</p>
<p>因为算力可以增加，模型可以迭代，软件可以重新生成。</p>
<p>但人的时间始终有限。</p>
<p>一个人一生能经历的事情，能建立的关系，能作出的选择，都受到时间的约束。</p>
<p>那些能够帮助人更好地使用时间、减少无法挽回的错误、照顾未来的自己，并保存真实人生经历的产品，可能拥有比一时流行的技术功能更加持久的需求基础。</p>
<p>它们是否能够成长为伟大的企业，还有待验证。</p>
<p>但至少，我们已经有了一个寻找它们的方向。</p>
<p>泡沫什么时候破裂，市场还会下跌多少，没人能够轻易回答。</p>
<p>但如果有一天，回望这场人工智能浪潮，我们发现它留下的最重要的东西，不只是越来越庞大的计算设施，而是让普通人第一次能够以可负担的成本，获得长期、个性化、可信赖的服务。</p>
<p>那么，这场技术革命真正改变的，可能不是人类能制造多少智能。</p>
<p>而是一个普通人，终于能够用这些智能，更好地安排和经历自己的一生。</p>
<p><strong>泡沫以后，值得寻找的不是下一场泡沫，而是那些因为技术进步，终于能够被满足的人类需求。</strong></p>
<p>它们一直在那里。</p>
<p>只是过去，我们没有足够便宜的办法去满足它们。</p>
]]></content:encoded></item><item><title>AI商业观察：当繁荣开始制造自己的对手</title><link>https://blog.unicome.org/posts/ai-fanrong-zhizao-duishou/</link><pubDate>Tue, 10 Nov 2026 17:26:40 +0800</pubDate><guid>https://blog.unicome.org/posts/ai-fanrong-zhizao-duishou/</guid><description>&lt;p&gt;&lt;strong&gt;——从AI硬件周期，看一场技术革命中的资本命运&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;2026年秋天，AI产业出现了一幅颇有意思的画面。&lt;/p&gt;
&lt;p&gt;一边是存储芯片供不应求，HBM、服务器内存、企业级SSD轮番涨价，硬盘厂商交出了多年来少见的漂亮财报。另一边，资本市场却开始怀疑，这场持续数年的AI硬件繁荣，还能维持多久。&lt;/p&gt;</description><content:encoded><![CDATA[<p><strong>——从AI硬件周期，看一场技术革命中的资本命运</strong></p>
<p>2026年秋天，AI产业出现了一幅颇有意思的画面。</p>
<p>一边是存储芯片供不应求，HBM、服务器内存、企业级SSD轮番涨价，硬盘厂商交出了多年来少见的漂亮财报。另一边，资本市场却开始怀疑，这场持续数年的AI硬件繁荣，还能维持多久。</p>
<p>企业的订单还在增长，利润仍然可观，股价却已经开始下跌。</p>
<p>究竟是谁看错了？</p>
<p>今天刚读到《晚点》对投资人刘迪凡的一篇访谈，其中有句话令人印象深刻：</p>
<p>“不能认为从你开始研究这个行业，周期就消失了。”</p>
<p>这句话看似平常，却说中了投资中一种很难克服的心理。</p>
<p>当我们亲眼看见一项新技术改变世界，看见需求爆发、订单排满、企业盈利节节攀升，很容易相信，自己恰好赶上了一个不同于过去的时代。</p>
<p>事实上，我们也许真的赶上了。</p>
<p><strong>问题在于，一个时代的技术革命是真实的，并不意味着参与其中的每一家企业，都能获得与之相称的投资回报。</strong></p>
<p>这两件事之间，隔着一条漫长而复杂的资本周期。</p>
<h2 id="一繁荣为什么会孕育衰退">一、繁荣为什么会孕育衰退</h2>
<p>假设有一家生产特殊零部件的企业。</p>
<p>它原本处在一个不起眼的行业，市场需求稳定，利润也很普通。</p>
<p>突然，一项新技术出现了。这种零部件变得不可或缺，客户争相采购，订单排到了两年以后。</p>
<p>企业于是涨价，利润率大幅提升。</p>
<p>资本市场很快发现了它。分析师不断上调盈利预测，投资者开始按照未来五年、十年的高速增长来给它估值。</p>
<p>故事到这里，似乎没有什么问题。</p>
<p>但高利润会产生一个结果：吸引更多资本。</p>
<p>原有厂商扩建工厂，竞争对手增加研发投入，新进入者开始寻找替代工艺。金融机构也愿意提供融资，因为每个人都看见了这个行业眼下的繁荣。</p>
<p>几年以后，新增产能陆续投产。</p>
<p>此时，即使市场需求仍在增长，只要供给增长得更快，原来的紧缺就可能消失。</p>
<p>价格开始松动，利润率逐渐回落。</p>
<p>奇妙之处在于，导致这一切的，并不是行业失败，而恰恰是行业太成功了。</p>
<p><strong>今天的超额利润，成为明天超额利润消失的原因。</strong></p>
<p>这就是资本周期理论最有解释力的地方。</p>
<p>它不否认技术进步，也不否认需求增长，只是提醒投资者：利润本身会改变未来的竞争环境。</p>
<p>这段历史，在铁路、钢铁、汽车、光纤、电力设备、太阳能和新能源汽车产业中，曾经以不同的形式反复出现。</p>
<p>当然，每次的技术条件、市场结构和竞争结果并不相同。</p>
<p>但资本面对高回报时的反应，却有着惊人的相似性。</p>
<h2 id="二需求还在增长投资者为什么会亏钱">二、需求还在增长，投资者为什么会亏钱</h2>
<p>AI产业目前最有争议的地方，就在这里。</p>
<p><em>看多者认为，AI正处于技术扩散的早期。模型能力持续提高，推理成本不断下降，Agent开始进入企业和个人工作流程。</em></p>
<p>未来需要多少算力，可能远远超出今天的想象。</p>
<p><em>看空者则认为，不能因为未来有无限可能，就无限扩建今天的数据中心。</em></p>
<p>云计算公司大规模采购GPU、内存和存储设备，不等于最终用户已经创造了足够的付费需求。</p>
<p>这里实际上存在三个不同的需求。</p>
<p><em>第一层是最终用户的需求。</em></p>
<p>有多少企业和个人真正使用AI？愿意为它支付多少费用？它又能带来多少可以衡量的经济收益？</p>
<p><em>第二层是云厂商的需求。</em></p>
<p>基于对未来的判断，云厂商决定建设多少数据中心，采购多少GPU，配置多少内存和存储。</p>
<p><em>第三层才是硬件供应商看到的需求。</em></p>
<p>它们收到云厂商的订单，看到客户争抢产能，于是扩产、提价，并向投资者报告行业景气程度。</p>
<p>问题在于，这三层需求并不完全相等。</p>
<p>最上游的供应商可能正经历前所未有的繁荣，但最终用户的付费能力，还需要几年才能验证。</p>
<p>这很像新能源汽车产业。</p>
<p>零部件厂商可以从汽车企业的大量订单中感受到市场紧缺，但汽车企业的生产规划，最终仍然要接受消费者实际购买能力的检验。</p>
<p>如果中间环节高估了需求，调整便会沿着产业链反向传递。</p>
<p>AI当然不完全等同于汽车。它可能创造大量此前不存在的使用场景，成本下降也可能反过来刺激更多需求。</p>
<p>但问题仍然存在：</p>
<p><strong>最终需求增长的速度，能否持续超过整个产业扩张供给的速度？</strong></p>
<p><em>决定投资回报的，往往不是需求是否增长，而是这两个速度之间的差异。</em></p>
<h2 id="三市场往往比企业利润更早转向">三、市场往往比企业利润更早转向</h2>
<p>这里还有一个容易被忽视的时间问题。</p>
<p>技术革命有自己的时间尺度。</p>
<p>一项技术从实验室走向大规模商业应用，可能持续十年、二十年，甚至更久。</p>
<p>产业供需有另一套时间尺度。</p>
<p>厂商扩产、竞争对手进入、技术替代、库存调整，可能每隔几年就形成一次周期。</p>
<p>而股票市场，又运行在第三套时间尺度上。</p>
<p>股价交易的是未来预期。</p>
<p><em>当一家企业的盈利快速增长时，投资者可能已经把未来几年持续增长的利润计入股价。</em></p>
<p><em>所以，一家企业即使继续增长，只要增长速度低于此前预期，股价也可能下跌。</em></p>
<p>更极端的情况是：</p>
<p>企业利润还在创新高，产业需求还在扩大，股价却已经走过了高点。</p>
<p><strong>三者并不矛盾。</strong></p>
<p>这也是周期投资中最难的地方。</p>
<p>投资者花费大量时间研究企业，最终证明自己的基本面判断是正确的，却依然可能在股票上亏钱。</p>
<p>因为他判断对了企业的现在，<strong>却错误估计了市场此前已经支付的未来。</strong></p>
<p>刘迪凡在访谈中反复谈到，一些基金经理明明已经识别出周期风险，却又在股价下跌后重新买回。</p>
<p>原因并不复杂。</p>
<p>他们仍然相信自己的企业研究，觉得股票已经跌回合理估值。</p>
<p>但曾经支撑估值的高利润率，可能正在被新增供给侵蚀。</p>
<p><strong>有时候，最危险的不是研究不够深入，而是研究太深入以后，反而很难放弃原有的判断。</strong></p>
<h2 id="四但扩产并不等于明天就会过剩">四、但扩产，并不等于明天就会过剩</h2>
<p>读完这篇访谈，我自己有一个保留意见。</p>
<p>资本周期的逻辑很有说服力，但不能由此直接断言，整个AI硬件产业即将同步进入过剩阶段。</p>
<p>因为不同产品形成有效供给的难度，并不相同。</p>
<p>普通NAND、先进HBM、服务器DRAM、大容量机械硬盘、光模块，虽然都受益于AI建设，但它们有不同的技术壁垒、产能周期和竞争结构。</p>
<p>一家企业宣布扩产，不等于明年就能形成合格产品。</p>
<p>产能形成，也不等于能立即通过客户认证。</p>
<p>通过认证以后，还要考虑良率、成本、产品性能，以及竞争对手是否掌握新的技术。</p>
<p>以HBM为例，先进封装、制造工艺和良率都是约束。新增投资不一定能迅速变成有效供应。</p>
<p>而某些标准化程度较高、进入门槛相对较低的产品，供给调整可能快得多。</p>
<p>因此，同一场AI技术革命中，完全可能同时出现：</p>
<p><em>某些内存产品仍然短缺，普通存储开始松动，部分光学材料迎来竞争者，而数据中心又在其他环节发现新的瓶颈。</em></p>
<p>这并不奇怪。</p>
<p>技术进步从来不是整齐划一的。</p>
<p>它通常会在解决一个瓶颈以后，把需求推向下一个尚未准备好的环节。</p>
<p>所以，我更愿意认为当下是：</p>
<p><strong>AI硬件的普遍性估值扩张可能正在受到挑战，但不同细分行业的盈利周期，仍需分别观察和判断。</strong></p>
<p>历史可以提醒我们风险，却不能代替对现实的观察。</p>
<h2 id="五算力越来越便宜以后会发生什么">五、算力越来越便宜以后，会发生什么</h2>
<p>这也是整篇访谈和我一直思考相碰撞的地方。</p>
<p>假设未来几年，GPU、内存、存储和数据中心真的出现阶段性供给过剩。</p>
<p>硬件厂商利润下降，部分高杠杆云服务商遭遇困难，资本市场对AI基础设施的热情消退。</p>
<p>然后呢？</p>
<p>如果把视线从投资者的损益表移开，我们可能会发现另一种景象。</p>
<p>算力正在变得更便宜。</p>
<p>那些过去因为推理成本过高而无法商业化的应用，开始具备经济可行性。</p>
<p>例如，一个长期在线的个人Agent。</p>
<p>它可能需要持续保存用户的记忆，理解用户的偏好，追踪长期任务，并在获得授权后操作外部服务。</p>
<p>如果每一次查询、推理和工具调用都很昂贵，这类产品就很难大规模普及。</p>
<p>但当算力成本持续下降，情况可能发生变化。</p>
<p>用户使用AI的方式不再只是每天提出十几个问题，而是让多个Agent长期执行任务。</p>
<p>推理调用增加了，数据访问增加了，长期记忆需要更新，身份认证、权限控制和操作审计也变得越来越重要。</p>
<p>于是，新的问题出现了：</p>
<p>记忆应该保存在哪里？</p>
<p>怎样判断一段记忆是否已经失效？</p>
<p>多个Agent如何共享信息，又不泄露隐私？</p>
<p>谁有权使用某项数据、调用某个账户、执行某项操作？</p>
<p>怎样保存这些行动的依据，以便事后追溯？</p>
<p>这些问题无法单纯依靠增加GPU数量解决。</p>
<p>它们需要新的数据结构、数据库、身份体系、授权机制和审计基础设施。</p>
<p>这意味着，<strong>原有瓶颈的缓解，可能成为新瓶颈形成的起点。</strong></p>
<p>当然，新瓶颈不一定产生高利润。</p>
<p>它也可能很快被开源软件、标准协议或大型平台内部整合所解决。</p>
<p>但它提示我们，<strong>技术革命的商业机会，并不只存在于最初供不应求的设备上。</strong></p>
<h2 id="六历史上泡沫破灭并不意味着技术革命结束">六、历史上，泡沫破灭并不意味着技术革命结束</h2>
<p>回顾过往的历史，不乏太阳底下没有新鲜事的案例，互联网时代，有一个令人感慨的现象。</p>
<p>20世纪90年代末，大量资本投入光纤网络、电信设备和互联网基础设施。</p>
<p>市场相信未来的信息传输需求会急剧增长。</p>
<p>后来，互联网确实深刻改变了世界。</p>
<p>但许多当年投资光纤、电信设备和互联网公司的股东，依然遭受了巨大损失。</p>
<p>一部分原因在于，资本投入太快，未来的需求虽然真实，却不足以在短期内消化全部建设产能。</p>
<p>然而，这些基础设施并没有完全失去意义。</p>
<p>随着网络成本下降，新的互联网服务获得了成长条件。</p>
<p>搜索、电子商务、在线娱乐、云计算以及后来的移动互联网，都在已有网络基础设施之上发展。</p>
<p>我们不一定认定AI必然重演2000年。</p>
<p>今天的技术、客户、资本结构和产业集中度，都与当时存在重要差异。</p>
<p>但历史至少告诉我们：</p>
<p><strong>一场技术革命可以非常成功，而其中一代投资者依然可能非常失败。</strong></p>
<p>社会获得的技术红利，不会自动按照资本投入比例分配给每一个参与者。</p>
<p>有些企业负责建设基础设施。</p>
<p>有些企业承担资本开支和折旧。</p>
<p>有些企业在供需紧张时获得超额利润。</p>
<p>还有一些企业，可能在多年以后，利用廉价而成熟的基础设施创造新的商业模式。</p>
<p>它们不一定是同一批企业。</p>
<p>这也正是技术革命与投资回报之间最重要的区别。</p>
<h2 id="七最终还是要回到每一股的经济价值">七、最终还是要回到每一股的经济价值</h2>
<p>过去研究企业时，我们很容易被几个指标吸引：</p>
<p>收入增长多少，市场份额提高多少，产能扩张多少，技术是否领先竞争对手。</p>
<p>这些指标是企业分析的基石，是很重要。</p>
<p>但站在股东立场，所有问题最终都要回到一件事：</p>
<p><strong>企业投入越来越多资本以后，原有股东每一股能够获得的长期经济价值，究竟增加了多少？也就是企业到底让股东得到了多少钱？</strong></p>
<p>一家AI硬件企业可以在技术上取得卓越成就，产品销量持续增长，成为全球产业链不可或缺的一环。</p>
<p>但如果它为了维持竞争地位，需要不断投入巨额资本，而新增资本的回报率持续下降，那么经营规模的扩大，就未必对应股东价值的增加。</p>
<p>反过来，有些企业看起来没有处在技术最前沿，却可能通过客户关系、转换成本、软件生态、数据优势或其他竞争壁垒，以较少的新增资本持续创造现金流。</p>
<p>这两类企业的经济结构截然不同。</p>
<p>因此，评价一项技术革命中的投资机会，不能只问：</p>
<p>哪种技术最先进？</p>
<p>哪家公司增长最快？</p>
<p>哪一环最紧缺？</p>
<p>还应进一步追问：</p>
<p>这种紧缺能够持续多久？</p>
<p>高利润会吸引多少新增供给？</p>
<p>企业需要付出多少资本，才能维持今天的竞争地位？</p>
<p>当供需恢复平衡时，它还能赚取多少利润？</p>
<p><strong>最终，这些利润有多少能够留在原有股东的每一股里？</strong></p>
<p>这里也包含着长期投资与周期投资之间的真正区别。</p>
<p>长期持有并不是一种信仰，而应当建立在长期经济价值持续增加的判断上。</p>
<p>同样，研究一家公司多年，也不意味着必须持有它多年。</p>
<p>如果企业创造价值的机制发生了变化，投资判断就应当随之改变。</p>
<h2 id="八繁荣之后寻找留下来的东西">八、繁荣之后，寻找留下来的东西</h2>
<p>读完刘迪凡的访谈，最大的收获并不是要不要看空AI硬件。</p>
<p>而是再次意识到，投资研究不能只向前看需求，还必须向后看资本如何反应。</p>
<p>需求增长会吸引投资。</p>
<p>投资会增加供给。</p>
<p>供给改变价格与利润。</p>
<p>利润变化又反过来影响新的资本投入。</p>
<p>与此同时，技术进步还会不断降低成本，激发新的使用方式，把产业瓶颈推向别处。</p>
<p>这是一个持续演化的过程。</p>
<p>投资者最容易犯的错误，是在某个阶段看见一种现象，就把它线性无限延伸到未来。</p>
<p>看到短缺，便认为永远短缺。</p>
<p>看到增长，便认为增长不会减速。</p>
<p>看到技术革命，便认为所有参与者都能长期获利。</p>
<p>而另一种错误也同样存在：</p>
<p>看见资本过度投入，就认为整场技术革命已经结束。</p>
<p>这两种判断看似相反，其实有相同的弱点。</p>
<p>它们都把一个不断变化的过程，当成了某种固定状态。</p>
<p>对于AI，我们远远没有看到这场技术变化的全部后果。</p>
<p>但也不意味着今天所有的AI资产，都值得按照这种遥远的未来定价。</p>
<p>未来的繁荣可能继续，今天的超额利润却未必能够延续。</p>
<p>今天看起来坚固的瓶颈，可能在几年后消失；今天尚不起眼的约束，也可能成为下一轮商业竞争的中心。</p>
<p>投资者需要做的，或许不是猜中哪一天是牛市的终点，而是持续辨认：</p>
<p>哪些利润来自暂时的紧缺，哪些来自真正的竞争优势。</p>
<p>哪些增长需要不断投入资本才能维持，哪些增长能够持续改善每股经济价值。</p>
<p>哪些企业只是站在当前浪潮的最高处，哪些企业能够在潮水退去之后，仍然拥有创造价值的能力。</p>
<p><strong>技术革命决定未来世界可能变成什么样子。</strong></p>
<p><strong>资本周期决定这个过程中，谁先获利，谁承担损失。</strong></p>
<p><strong>而投资的最终结果，取决于我们以什么价格，拥有了哪一部分能够留下来的经济价值。</strong></p>
<p><em>参考与延伸阅读：《晚点 LatePost》对刘迪凡的访谈；Marathon Asset Management《Capital Returns》及资本周期投资研究；有关AI基础设施、存储行业供需和Agent数据基础设施的持续观察。</em></p>
]]></content:encoded></item></channel></rss>