Author: aitrendtrackers@rengongzhineng.io

硅谷两家最大的人工智能初创公司——OpenAI与Anthropic——正走上两条截然不同的增长之路。最新披露的财务文件显示，Anthropic的盈利速度远超竞争对手OpenAI。 根据《华尔街日报》获得的文件，凭借Claude聊天机器人在代码生成与企业应用领域的表现，Anthropic预计将在2028年首次实现收支平衡。而OpenAI的预测则显示，到同一年，其运营亏损将扩大至约740亿美元——相当于收入的四分之三。OpenAI预计要到2030年才能首次实现盈利，期间现金消耗量将是Anthropic的约14倍。 两种战略：稳健增长 vs. 激进扩张 这两家估值最高的AI独角兽在今夏向投资者展示的财务蓝图，揭示了截然不同的经营哲学。Anthropic的未来五年利润率预计将显著高于OpenAI，而后者则在芯片、数据中心与人才激励上的投入远超同行。 OpenAI首席执行官萨姆·奥特曼（Sam Altman）显然正以激进方式押注未来。他的目标是将OpenAI打造为市值数万亿美元的科技巨头，引领AI时代节奏，即便这意味着承担巨大风险。该战略需要持续筹资以维持运营，一旦资本市场对AI热度降温，风险极高。 近期，投资者对科技公司AI支出增长表示担忧，市场质疑相关投入是否能在短期内转化为足够的收入，以支撑庞大的基础设施建设。 文件显示，OpenAI的财务数据统计于公司签署多项新算力协议之前。奥特曼随后在社交平台X上透露，这些新协议让OpenAI未来八年内的计算支出承诺高达1.4万亿美元，引发部分业内人士与投资者的质疑。 Anthropic：稳健路线的代表 相比之下，Anthropic采取更为保守的扩张策略，成本增长速度与收入基本保持同步。公司将重点放在企业客户身上——约80%的收入来自B端业务。Anthropic避开了图像与视频生成等高计算成本领域，转而深耕代码生成与企业应用。 Anthropic由前谷歌研究员、前OpenAI高管达里奥·阿莫代伊（Dario Amodei）于四年前创立。他在与奥特曼分歧后离开OpenAI。虽然Anthropic在ChatGPT爆红之初一度被动，但其专注企业服务的路线逐步获得回报，目前估值已达1830亿美元，而OpenAI估值约为5000亿美元。 微软、亚马逊与谷歌三大云计算巨头分别与两家公司建立了深度合作关系——微软是OpenAI的核心云服务商，亚马逊与谷歌则支撑着Anthropic的计算后端。几乎所有硅谷顶级投资机构都押注在这两家公司之一，希望抓住未来科技史上最大规模IPO机遇。 资金消耗与盈利预期的巨大反差 文件显示，2025年，OpenAI预计在实现130亿美元营收的同时，将消耗约90亿美元现金；Anthropic则在实现42亿美元营收的情况下，亏损近30亿美元，两者现金消耗率均约占收入的70%。 但到2026年，Anthropic的现金消耗率将降至收入的三分之一，而OpenAI仍高达57%。到2027年，Anthropic的燃烧率降至9%，而OpenAI几乎不变。 OpenAI的“重资产豪赌” OpenAI正进行有史以来最大规模的基础设施投资——包括芯片采购与全球数据中心建设——并计划在未来几年花费近1000亿美元建立备用算力储备，以应对潜在需求激增。公司为AI研究预留的计算资源远超Anthropic。 OpenAI近期推出了视频生成应用“Sora”、AI浏览器“Atlas”，并正在开发消费级硬件设备、电子商务与广告功能，以及拟人型机器人项目。 一名公司发言人表示：“如今AI的需求远超算力供给。我们在基础设施上的每一美元投入，都是为了支持数以亿计依赖ChatGPT的用户和开发者。” 奥特曼则在X平台发文强调：“对OpenAI而言，没有足够算力的风险远大于算力过剩的风险。” 上周，OpenAI首席财务官莎拉·弗赖尔（Sarah Friar）在一次公开讲话中表示，公司“拥有健康的利润率”，若有意愿，甚至“随时可以实现收支平衡”。她指出，企业级业务增长强劲，OpenAI仍在尝试多种新的商业模式。 总结：AI两极化战略的缩影 从财务结构上看，Anthropic选择控制支出、稳步盈利；OpenAI则押注规模与速度，以“先占领、后盈利”为逻辑。前者以企业客户为中心，后者追求全产业布局。 这场AI巨头之间的分化，或许正预示着未来人工智能行业的两种命运：一家成为“稳健的AI基础设施提供商”，另一家则试图赌赢一个价值万亿的未来。

蓝色起源（Blue Origin）的“新格伦”（New Glenn）火箭已经滚入36号发射场，为本周末的发射做准备。因天气恶劣、邮轮误入发射禁区及地面系统问题，公司取消了周日的发射计划，并表示下一个可行窗口将在11月12日星期三，美国东部时间下午2点50分（协调世界时19:50）开启。 佛罗里达州卡纳维拉尔角——轨道动力学（astrodynamics）并非魔法学科，但有时轨迹分析师的计算成果，确实像是“从帽子里变出奇迹”。正是这种科学与创造的结合，挽救了NASA的“ESCAPADE”火星任务，使其免于漫长延迟甚至被取消。 任务概述：从险境到新路径 ESCAPADE，全称“逃逸与等离子体加速和动力学探测器”（Escape and Plasma Acceleration and Dynamics Explorers），由两颗相同的探测器组成，计划最早于本周日搭乘蓝色起源公司的大型“新格伦”火箭奔赴火星。 来自加州大学伯克利分校的项目首席研究员罗布·利利斯（Rob Lillis）表示：“ESCAPADE正在采用一种极为独特的轨道前往火星。我们这次的发射并不在传统的霍曼转移窗口（Hohmann transfer windows）内——那种窗口大约每25至26个月出现一次。任务采用了一种灵活的设计方案：先进入地球附近的等待轨道，直到明年11月地球与火星重新排成合适角度，再进行火星转移。” 这并非最初方案。任务原本打算直接从地球飞往火星，航程约需六到九个月。但如今，ESCAPADE将在火星位于太阳系另一侧、距离地球超过2.2亿英里时起飞。 延期与转机：错过窗口，但计划依旧 上一次火星发射窗口已在去年结束，下一次要等到2026年底。行星尚未排位合适，而火箭与卫星的准备工作也直到本周末才同步完成。然而，对NASA而言，这一切问题并不致命。 “新格伦”火箭的推力对于这次任务来说绰绰有余。其两级设计原本能将数吨货物送往火星，而ESCAPADE仅重约一吨，由两颗小型探测器组成，用于研究火星高层大气与太阳风的相互作用。 NASA从蓝色起源公司获得了极具性价比的发射合同——约2,000万美元，低于任何其他能执行该任务的火箭报价。作为交换，NASA接受了较高的发射风险：毕竟，这是“新格伦”火箭的第二次飞行，其尚未获得NASA或美国太空军的正式认证。 ESCAPADE本身预算也相对低廉——总成本不到8,000万美元，仅为NASA以往火星任务预算的十分之一。NASA当然不会让一枚未经验证的火箭运送价值数十亿美元的探测器，但在风险与成本平衡的前提下，ESCAPADE成为理想选择。 NASA在2023年与蓝色起源签订发射合同时，并未预料到“新格伦”会延误。首飞直到2025年1月才完成——虽成功入轨，但回收失败。经过十个月改进后，第二枚火箭终于准备就绪。 准备发射：再度挑战蓝天 目前，火箭已静候在卡纳维拉尔角太空军基地。若进展顺利，“新格伦”将在周日下午的88分钟发射窗口内升空。蓝色起源预测，天气适宜概率约为65%。 由发射总监梅根·刘易斯（Megan Lewis）带领的团队将在发射日监督整个倒计时流程。液态甲烷与液态氧将在起飞前4.5小时开始加注。终端倒计时将在T-4分钟启动，七台BE-4主发动机将在T-5.6秒点火。系统检测一切正常后，火箭将脱离固定装置，腾空而起。 火箭将在一分钟后突破音障，三分钟后分离第一级。上级两台BE-3U氢氧发动机点火，将ESCAPADE送往月球外侧的L2拉格朗日点，在那里进入等待火星转移的“驻留轨道”（loiter orbit）。 与此同时，近20层楼高的第一级助推器将尝试回收着陆——目标是大西洋回收船“Jacklyn”，以纪念贝索斯的已故母亲。 首飞时助推器坠海未能复用。蓝色起源副总裁劳拉·马吉尼斯（Laura Maginnis）表示：“我们对推进剂管理系统进行了多项改进，并增加了硬件冗余，以提高着陆成功率。”公司计划若成功着陆，将在明年初的第三次发射中重复使用此助推器。 奇特的轨迹：像肾形豆的路径 ESCAPADE的飞行路径相对地球而言呈现出一种“肾形曲线”，这类轨迹被称为“平动（libration）轨道”或“分段（staging）轨道”，能在地月系统外保持稳定，同时等待前往火星的最佳时机。 来自Advanced Space公司的任务设计师杰夫·帕克（Jeff Parker）解释道：“我们可以几乎在任何一天发射。肾形轨迹的大小会根据等待时间而调整。最后我们会绕地球进行一个小回环，随后再点火前往火星。” 两颗探测器——代号“蓝号”（Blue）与“金号”（Gold）——将在2026年11月7日与9日经过地球上空几百英里时启动主发动机，正式踏上前往火星的征途。 风险与创新：灵活的新方法 这种非典型轨道设计虽具风险，却展示了未来深空任务的灵活潜力。更长的驻留时间将使卫星暴露于更高辐射环境，同时也会消耗更多推进剂。但ESCAPADE由火箭实验室（Rocket Lab）制造，本身具备较强机动与冗余设计。火箭实验室战略副总裁理查德·弗伦奇（Richard French）指出：“NASA认为风险在可接受范围内，但确实高于常规任务。” 罗布·利利斯补充说：“这种方法展示了前往火星的全新可能。未来如果我们想一次发射上百颗探测器，就无法在短短一个月的发射窗口内完成。ESCAPADE的方案提供了新的‘排队’方式——让更多任务分批进入等待轨道，再统一启程前往火星。” 这场由轨道力学“魔法”拯救的任务，正以一种创新而务实的姿态，开启火星探测的新篇章。

人”：语言优美却缺乏经验，知识丰富却缺乏落地。空间智能（Spatial Intelligence）则将改变人类创造与互动的方式——重塑叙事、创意、机器人、科学发现乃至更广泛的世界。这正是人工智能的下一个前沿。 视觉与空间智能的追求，自学界进入此领域以来，始终是引领方向的“北极星”。正是出于这一信念，科研团队曾花费多年时间构建了 ImageNet——第一个大规模视觉学习与基准数据集，它与神经网络算法及图形处理单元（GPU）一起，成为现代人工智能的三大基石。正因如此，斯坦福大学的实验室在过去十年持续探索计算机视觉与机器人学习的结合；也因此，研究者与合作者们于2024年创立了 World Labs，旨在首次完整实现这一可能性。 本文旨在阐释何为空间智能、为何它至关重要，以及如何通过“世界模型”（World Models）释放其潜力，从而重新定义创造力、具身智能与人类进步的方式。 空间智能：人类认知的脚手架 人工智能正处于史上最令人振奋的时刻。生成式人工智能模型，如大型语言模型（LLM），已经从研究实验室走进日常生活，成为数十亿人用于创作、生产与沟通的工具。这些模型展现了昔日被认为“不可能”的能力——能生成连贯文本、复杂代码、逼真图像，甚至短视频。人工智能是否将改变世界？答案已然明确：它已经在改变世界。 然而，仍有许多能力尚未触及。自主机器人的愿景依旧停留在猜想层面，距离真正融入日常生活仍有漫长距离。AI 加速疾病治愈、新材料发现或粒子物理研究的梦想，仍未兑现。而让 AI 真正理解并增强人类创造力——无论是学习分子化学的学生、构思建筑的设计师、创作世界的电影人，还是追求沉浸体验的艺术家——这一目标依旧未能实现。 要理解为何这些能力依然遥不可及，必须追溯空间智能的进化根源。 视觉长期以来是人类智能的核心，而其力量源于更为根本的能力。远在人类能筑巢、抚育后代、以语言交流或建立文明之前，感知世界的简单行为就已悄然引发了智慧的进化之旅。 这种从外界获取信息的能力——无论是光的闪烁还是触觉的反馈——在感知与生存之间架起了桥梁。随着世代更替，这座桥梁愈发复杂：神经系统由此演化，用以理解世界并协调生物体与环境之间的互动。科学界普遍认为，感知与行动构成了推动智慧进化的核心循环，也是自然创造出人类——这一感知、学习、思考与行动的顶点物种——的根基。 空间智能定义了人类与物理世界交互的方式。日常生活中，人类依赖它完成看似平凡的动作：停车时想象车尾与路沿间的距离，接住抛来的钥匙，穿过人群而不相撞，或在半梦半醒间将咖啡倒入杯中。更极端的情况下，消防员在烟雾与坍塌中导航，凭借空间直觉判断结构稳定性与逃生路线；儿童在学会语言之前的岁月里，则通过与环境的游戏探索世界。这些行为都自然、直觉且自动完成——这是机器尚未达到的流畅度。 空间智能同样是人类想象力与创造力的基础。从洞穴壁画到现代电影，从虚拟游戏到元宇宙，叙事者通过空间想象构建世界。无论是堆沙堡的儿童还是在电脑上构筑 Minecraft 世界的玩家，空间化的想象都支撑着现实与虚拟的互动体验。在工业应用中，对物体、场景与动态环境的模拟已成为设计、制造、数字孪生与机器人训练等核心环节。 历史上，空间智能推动了无数文明进步的关键时刻。古希腊学者埃拉托色尼通过测量影子的角度推算地球周长；哈格里夫斯通过并排布置多轴纺锤发明了“珍妮纺纱机”，极大提高了生产效率；沃森与克里克则通过搭建三维分子模型，发现了 DNA 的双螺旋结构。这些成就都离不开对空间结构与物理关系的思考——而这超出了语言所能描述的范畴。 空间智能是人类认知的支架。它存在于观察与创造的每一刻，驱动着推理与规划，构成了人与环境、人与人之间的交互基础。 然而，今日的人工智能尚未真正具备这种能力。 尽管多模态大模型（MLLM）已在视觉理解与生成上取得突破，但在空间推理上仍远不及人类。它们在判断距离、方向、大小等方面的准确率接近随机，无法进行空间旋转、路径规划或预测基本物理规律。AI 生成的视频常在数秒后失去连贯性。 人类对世界的理解是整体性的——不仅看到事物本身，还理解它们之间的空间关系与意义。而空间智能正是这种理解力的核心：让思维、想象与行动结合，从而与真实世界相连。没有空间智能的人工智能，无法真正驱动汽车、引导机器人在医院或家庭中工作，也难以创造沉浸式学习体验或加速科学发现。 哲学家维特根斯坦曾说：“语言的界限意味着世界的界限。”而对人工智能而言，世界不止于语言。空间智能代表着超越语言的前沿——它连接想象、感知与行动，让机器能够以全新方式扩展人类能力，从医疗到科学，从艺术到日常生活。 未来十年：构建真正具备空间智能的机器 构建空间智能 AI，需要超越语言模型的雄心：发展“世界模型”（World Models）。这种模型不仅要理解语义，更要在物理、几何与动态层面生成并交互于复杂的虚拟或真实世界。 空间智能世界模型具备三大核心特征：一是生成性（Generative）——它们能创造感知上、几何上与物理上连贯的虚拟世界；二是多模态性（Multimodal）——能从文字、图像、视频、动作等多种输入中理解与生成世界；三是交互性（Interactive）——能根据输入动作预测世界的下一状态，乃至下一步行动。 这是一项前所未有的挑战。语言是人类认知的生成产物，而世界遵循复杂的物理规律：重力、光学、结构与能量共同决定一切互动。要让模型在语义、几何、动态与物理层面保持一致，需要彻底革新的架构与算法。 为实现这一目标，World Labs 正在开展多个方向的研究：——开发类似“下一个词预测”的通用任务函数，用于世界建模训练；——构建更复杂的数据体系，结合互联网图像、视频与合成数据，并引入深度与触觉信息；——探索超越二维序列的新型架构，例如三维与四维感知模型，使 AI 拥有空间记忆与持续生成能力。 World Labs 已发布首个世界模型原型“Marble”，允许用户通过多模态输入生成并探索一致的三维世界。这是通向空间智能的重要一步。 用世界模型建设更好的世界 人工智能的发展动机至关重要。AI 应增强而非取代人类能力。它的价值在于延伸人的创造力、连接力与生产力。空间智能正体现这一理念——让科学家、创作者、护理者与梦想家实现曾经不可能的目标。 空间智能的应用正跨越不同时间尺度：短期内推动创意工具与沉浸式叙事；中期内强化机器人感知与行动循环；长期则将在科学、医疗与教育中带来革命性影响。 在创造力方面，空间智能将重塑叙事方式，使电影人、设计师、建筑师与游戏创作者能够快速构建可探索的三维世界；在机器人领域，它将赋予机器具身智能，使其感知、推理与行动协同一致；在科学研究中，它能模拟实验、探索极端环境；在医疗中，它可加速药物研发与诊断过程；在教育中，它能创造让学习者身临其境的互动体验。 最终目标始终一致：让 AI 扩展人类智慧、加速发现、增强关怀，而非取代人类独有的判断、创造与同理心。 结语 过去十年，人工智能已成为全球现象，重塑科技、经济与地缘政治。然而，真正驱动这一切的，仍是图灵七十五年前提出的问题——那份对智能本质的好奇。 历史上，人类首次有机会创造出能与物理世界深度协调的机器，让它们成为应对重大挑战的伙伴。无论是在实验室中加速疾病研究，还是在艺术与故事中扩展人类表达，或是在脆弱时刻提供支持，这项技术都正让生活变得更深刻、更丰富、更有力量。…

现在，想象回到1995年。 调制解调器发出刺耳的尖啸声，试图连接一个叫做“互联网”的新奇世界。也许成功，也许你得重试好几次。 那是人类历史上第一次，几秒钟内可以跨越国界收发“电子邮件”。当时全球网站数量不过2000多个，理论上一个周末就能把所有网站“刷一遍”。页面以灰底黑字为主，偶尔夹杂几张像素粗糙的图像。加载一张图片得花上一分钟；看一段一分钟的视频？几个小时是常态。没人愿意在网上输入信用卡信息，互联网上最广泛的忠告是：“别相信陌生人。” 人们很快分成两派。 一派充满乐观：有人认为数字商务将迅速取代实体零售；也有人预言未来人人都将在虚拟现实中漫游。 “我预计未来五年内，每十人中至少有一人会在公交车、火车、飞机上戴着头戴式计算机显示器。”——麻省理工学院教授 Nicholas Negroponte，1993年 另一派则认为互联网不过是一阵风潮，是注定破灭的泡沫。 但如果你在1995年告诉大多数人，25年后人们将从社交媒体上的陌生人那里获取新闻而非报纸，点播节目取代有线电视，谈恋爱靠应用程序多过靠朋友介绍，甚至会愿意让网络陌生人开车接送自己、在他们家里过夜——他们多半觉得你疯了。 如今，我们再次身处1995年。只不过这次是人工智能（AI）的版本。 而今天关于AI的争论，正重复着当年的错误。 一边警告：AI将在几年内淘汰整个职业群体，引发大规模失业；另一边反驳：AI将创造比被取代更多的工作岗位。一边斥责AI是炒作泡沫；另一边则预言它将自动化所有知识工作，并在十年内重塑文明。 这些观点都有一部分是对的，也有一部分是错的。 自动化与就业的悖论 2016年，被誉为“AI之父”的 Geoffrey Hinton 曾断言： “AI将彻底改变医疗影像行业，现在就应该停止培训放射科医生。” 但到了2025年，现实远非如此。 据 Deena Mousa 在《算法将为你诊断》（The Algorithm Will See You Now）一文中的研究，美国放射科仍在蓬勃发展： AI 没有取代放射科医生，反而让这个行业变得更强大。 Mousa 指出多个原因： 这也是科技圈目前的共识。微软CEO Satya Nadella 与 Box CEO Aaron Levie 都强调： “杰文斯悖论是世界上最被忽视、却最重要的概念。技术越高效，需求就会越多。AI 正是这种现象的典型代表。” 但他们只说对了一半。 AI 会在哪些行业改变就业格局？ 前特斯拉AI主管 Andrej Karpathy 指出： 放射科并不是AI最先带来职业冲击的领域，因为它太复杂、风险高、受监管严格。 他建议观察那些任务单一、上下文少、错误成本低、易自动化的岗位，比如客服、内容审核、文档处理等。即便如此，也不会立即取代，而是通过工具形式逐步渗透，使岗位职责发生演变。 历史视角：从工业自动化看就业变化…

每个团队都应该相信“改进是可能的”，即使实际早已不再发生改进——而这正是回顾会议原本的意义所在。 但实际上，多数团队只是将回顾会议当作一个记录问题的过程——这些问题往往没人有时间解决。于是，一到回顾会议，大家便一起点头认同：“对，这确实是个问题”，“对，我们确实应该解决它”——但“不是今天”。 有时，团队甚至会进一步“分配”某人去“调查”这个问题。只不过“调查”从未有任何实际进展。毕竟，没有人真正知道“调查”到底意味着什么——除了大家都很清楚，它绝对不是“修复”。否则早就写“去修复它”了。 不过没关系——我们已经把问题写下来了！这样做还有一个额外的好处：如果哪天问题爆发，我们可以理直气壮地说：“这个问题我们早就记录了，只是一直没空处理。” 听起来像是流程失效？但这其实就是大多数团队回顾会议的真实写照。它们并不真正推动持续改进，而只是让人对那些一直被忽略的问题感觉“良好”一些罢了。 如果团队的回顾会议也正是如此运作的，那么这篇文章的内容或许可以帮团队厘清“回顾会议应该是什么”与“回顾会议实际上成了什么”之间的差异。 其实，回顾会议是可以被修复的。在作者之前所参与的多个团队中，包括目前所在的团队，都经历过真正良好的持续改进文化。以下便是作者在其中学到的一些经验，文章末尾也会分享一个思考：为什么“总有点什么是坏的”，并且为什么这并非坏事。 起源：丰田的生产方式（TPS）与“持续改进” “持续改进”（Kaizen，改善）理念起源于丰田生产方式（Toyota Production System, TPS）。在 TPS 中，工人若发现挡风玻璃有裂痕，可以拉下安灯绳（andon cord），立刻停线。接着，大家一起追溯问题根源，并制定防止其再次发生的方案。 注意：TPS 并不会说“记录下问题以备后查”或“等有空再调查”。而是立即行动，并在当天完成根因分析。 即使不是所有问题都立即解决，团队负责人也会迅速到场评估，决定是否应暂停生产，并启动正式问题分析程序。关键在于，反馈周期极短——以小时为单位，而非数周。 此外，根因分析的最终产出必须是有明确负责人和截止日期的具体行动。目标是确保此类缺陷永远不会再发生。 但在软件开发团队中，这种机制是否存在？多数情况是否定的。原因有很多，以下将逐一解析每个问题，并探讨如何修复。 原因一：缺乏“停线”的权限 在丰田，工人有权立即停线。而在软件团队中，却没人真正拥有“叫停流程”的权力。最接近的形式，也不过是在几周之后的回顾会议中提出问题。 虽然在软件行业，程序并不需要被“停运”，但我们的劳动本身不是软件，而是开发流程。而流程，是可以，也应该在关键时刻暂停的——哪怕只是由一两个人暂停下来处理问题。 但问题是——谁来停下来解决问题？ 若这个问题没有明确答案，那么没有人会主动停下来。大家只会期望“总有别人会处理”，或者希望“问题自己会消失”。 而这种状态的根源，在于许多管理者的错误评估标准——他们只关注“有没有新功能上线”，哪怕后台早已满目疮痍。 解决方法：设立“问题处理专员” 一种成功的做法来自于 Resend 公司。该公司每周指定一名成员担任 The Fixer（修复者）。 这个角色的职责是：只要发生问题，修复者就是主要负责人，不论是 SQS 队列延迟，还是仪表板按钮失效，大家都知道修复者必须出手解决。 此机制的好处不仅在于保证问题会被解决，更有助于开发者理解底层基础设施，反之亦然，使平台工程师也能更理解产品运作。 对于任期的设定，作者认为“一周”是理想周期，既给修复者足够时间，也避免其因压力过大而倦怠。 需要注意：这并不意味着只有修复者能解决问题，其他人依然可以协助。但最关键的是：必须明确某人对问题负有最终责任。 原因二：缺乏即时响应与早期复盘 在 TPS 中，问题一出现便被立即响应。而多数团队，只会选择快速打个补丁，口头承诺“之后再分析原因”。 但“之后”永远不会变成“现在”。每个人都忙着做功能，并心安理得地等待下一次回顾会议“讨论问题”。 解决方法：明确设置问题处理时限 更好的方式是：为问题后续分析设定明确的时间窗口。这个时间不是“公司统一规定”的，而是由真正关心问题的人共同设定的合理期限，并由领导持续强化这种文化。 虽然没有统一的时间标准，但关键在于：分析必须发生得足够快，且不能无限延期。 当处理时效变得清晰，团队就能避免问题永远“排不进优先级”的困境。 原因三：回顾会议缺乏具体任务、负责人和期限 在 TPS 中，问题分析最终都会转化为明确的行动项目，有具体内容、负责人、时间节点。 反观软件团队中的回顾会议，其行动项经常是“调查”、“改善”、“文档化”等模糊术语——这些动词听起来积极，但含义却模棱两可。 例如，“调查某个错误”究竟意味着什么？没人能说清。可能是看看日志就结束，也可能是深入找出根因并彻底修复。 多数人想表达的是后者，但写出来的是前者。 解决方法：用具体行为替代抽象动词…

在软件开发的世界里，许多开发人员常常被两件事所困扰：技术负债，以及被视为最后期限的估算时间。其中技术负债尤为频繁地被提及，但架构层面的负债远不止于代码之中。 在技术团队内部，常常会将“代码负债”和“架构负债”区分开来：前者通常指为赶项目进度而临时拼凑的代码，却在之后一直未被修复；后者则指的是更具结构性的问题——那些在六个月后才显现出严重影响的决策失误。 虽然采用如“绞杀者模式”（Strangler Pattern）或减少对单例模式的依赖这些软件设计实践确实属于架构范畴，但“架构负债”的范围远超代码层面。 现代视角下的架构技术负债 在现代企业架构实践中，架构师的关注点已不再局限于软件内部的工作机制，尤其是在拥有数百个应用程序的组织中。如今，更为重要的是关注这些应用如何与企业整体系统架构互动：数据如何流动、数据存储在哪里、是否存在性能瓶颈、由谁维护、以及该应用未来在企业中的角色。 在企业环境中，应用数量庞大，其中超过一半为第三方SaaS系统。在这种情况下，必须清楚哪些部分可以控制，哪些则需要放手。 架构负债的多重层次 架构负债并不只存在于技术层。企业架构（Enterprise Architecture, EA）和技术架构（Technical Architecture）并不等同，后者只是前者的一部分。 如果说技术架构层面的负债已经会造成成本上升和交付延迟，那么业务层和战略层的架构负债所带来的破坏力则更加深远。 以下是对不同层级架构负债的解析： 应用/基础设施层 正如文章开头所提到的，企业架构的重点不应落在代码层面。这是软件开发人员和技术负责人需要深入掌握的领域，他们每天都在代码中作业。企业架构师则应从更宏观的角度出发，提供如事件溯源（event sourcing）等架构建议，但具体的实现和维护应由开发团队决定。 在此层级，更重要的是关注整合模式。例如：当前系统是否还在通过sFTP传输文件，同时又使用REST API？是否能统一为REST接口，减少异构交互？ 又如：某些系统功能是否存在重叠？以文件存储为例，企业可能同时使用微软账户所附带的免费SharePoint存储和AWS租用空间。是否可以将其整合以降低冗余？ 此外还需警惕供应商锁定问题。虽然通过集中采购可以获得折扣，但同时也可能陷入高昂迁移成本的陷阱之中，导致系统“被控制”。 在该层级的架构负债直接影响企业运营：增加成本、延长交付周期。 企业架构师在此的职责更加长远、聚焦更宏观，相较于系统架构师（SA）的关注点更偏向全局性。 业务层 在业务层，同样不聚焦于具体细节，例如不深入探讨每个部门有多少员工或其岗位职责为何。 在此层级的核心关注点包括“归属权”和“责任人”——当某个关键系统宕机，或发生数据泄露时，谁负责应对？谁是必须参与讨论的人选？ 在推动部门现代化时，不仅需和部门负责人沟通，更应考虑到相关联的其他部门。就像系统之间的耦合一样，业务流程也相互依存。若只更新一个部门的流程，可能会影响到其他五个部门的日常运作。 更严重的问题是“过时流程”或“幽灵流程”仍然存在。如果新员工收到的业务流程文档早已不准确，那么尚属可以理解；但如果是审计人员拿到错误流程文档，后果则极其严重。 因此，这一层面的关键在于文档的准确性：清晰记录部门运作机制、责任分工、所需资源等。若员工在错误的前提下工作，也将基于错误的认知启动项目，从一开始就陷入被动。 这类架构负债会在成本和外部风险层面产生连锁反应，进一步加剧运营层的困难。 战略层 企业架构师并不直接制定战略，而是协助战略制定者做出明智决策。为了实现这一目标，必须保证底层信息的准确性与完整性。所提供的洞察力越强，战略方向的质量也越高。 在战略层面，最常见的架构负债表现为“定义错误”和“框架残缺”。例如企业常用的“业务能力地图”（Business Capability Map）就非常关键。 通过创建业务能力成熟度评分模型，可以对每项能力进行标准化评估，了解组织在哪些方面表现良好，哪些方面仍需提升。这些信息可作为战略制定的重要依据。 但如果能力定义本身存在问题，如地图过时、内容不完整或仅仅是一个部门职能列表，那么基于此制定的3到5年战略将建立在错误假设之上。 这种战略层的架构负债将产生极其深远的后果，不仅阻碍转型，还可能使错误战略看似合理。 战略架构负债如何向下层传导的整体示意 应对架构负债的方法 幸运的是，与开发人员不同，企业架构师通常拥有更多时间和更高视野去识别架构负债。他们可以搭建仪表盘，收集数据，掌握实际情况，并向具决策力的高管（如CIO或COO）呈现问题。 展示问题最有效的方式往往不是解释一个上千行的“上帝类”代码，而是用PowerPoint或数据看板展示系统间的不一致与风险点。 维护清单极为关键。在架构工具中，架构师应明确记录哪些内容被视为架构负债，同时也在笔记中列出希望解决的问题及其优先级顺序。 应对架构负债的核心方法是制定“现状图”（AS-IS）与“目标图”（TO-BE），辅以业务分析说明处理后的益处与不处理的风险。 随后，便是“选择战场”。某些领域可以容忍一定的架构负债，例如创新型系统（System of Innovation）；而核心系统（System of Record）则必须尽早治理。条件是创新项目结束后，务必要处理遗留的负债。 同时也要做好准备，很多时候所获得的回应可能是：“好，那你去修复它。” 因此，提前预留资源以实际执行治理计划尤为重要。仅仅识别问题，而无力解决，负债终将如影随形。 总结：企业架构不仅是技术问题，更关乎组织、流程与战略。只有跨越各个层级，系统识别与治理架构负债，才能真正实现企业的长期健康发展。

美国正进入一个“办公室不再欢迎人”的时代。亚马逊、塔吉特、联合包裹等大型雇主纷纷大幅裁撤白领职位，从刚步入职场的年轻人到经验丰富的老员工，纷纷面临前所未有的求职寒潮。 亚马逊本周宣布裁撤1.4万个企业岗位，预计最终将削减多达10%的白领员工。UPS在过去22个月中已削减约1.4万个管理岗位。塔吉特也刚刚宣布裁员1800名公司员工。而在10月稍早，Rivian、Molson Coors、Booz Allen Hamilton和通用汽车等企业也相继通知员工裁员或即将裁员。种种迹象显示，数以万计的白领工人正步入一个岗位稀缺的市场，前途未卜。 AI“咬下”第一口：经验不再是护身符 造成这一趋势的部分原因在于企业对人工智能的迅速采纳。高管们希望AI能够接替高薪白领员工完成更多工作。投资者则不断施压，要求管理层通过裁员提高效率。同时，政治不确定性和成本上升也放缓了企业的招聘步伐。 这些因素共同作用下，重塑了美国办公室的工作方式。留在岗位的管理者要监管更多员工，却拥有更少时间交流；而仍在岗位的员工也承受着更重的工作负担。 案例一：55岁员工一早收到解雇短信 来自德州奥斯汀的Kelly Williamson是Whole Foods Market资产保护团队的一员。周二早晨5:30，她收到一条来自公司的短信，内容为：“请立即查看邮件，今天不用来上班。”随即得知其岗位被裁撤，门禁卡和工作笔电均被停用，仅有90天时间在公司内部寻求新岗位。个人物品则由公司邮寄。 数据支持：长期失业人数接近两百万 美国劳工部数据显示，近200万人已连续失业超过27周。与此同时，AI加速应用，传统白领职业变得更加难以为继。招聘网站、企业内部评估及调查报告均显示，管理岗位和白领类工作的数量在持续下滑。 《华尔街日报》与NORC联合调查发现，仅约20%的美国受访者对能找到一份好工作“非常”或“极度”有信心，这一比例明显低于前几年。 前线岗位需求旺盛，办公室岗位却在收缩 虽然企业对白领岗位按下了“暂停键”，但蓝领岗位却持续紧缺。例如建筑、医疗、酒店和手工业岗位仍然急需人手。而零售、金融、咨询和管理岗位则遭遇招聘冻结，甚至AI替代。例如，在会计和欺诈监控等领域，AI正在逐步取代人工。 33岁的Chris Reed是德州新布朗费尔斯的一位技术销售员，被裁后长达10个月找不到工作。他最终被朋友介绍进入汽车销售行业，日常通勤需2小时以上，从早上8:30开店一直工作到晚上9点。他已卖掉股票、加密货币、与儿子一起收集的宝可梦卡，并提前取出401(k)退休金来支付家庭开支。但即便如此，他的房子仍面临法拍。他感叹道：“技术我很熟练，经验也有，但那些岗位都不是我的。” 稳定岗位变“定时炸弹”，AI瞄准高学历人群 曾经被视为中产阶级保障的白领岗位，如人力资源经理、中级工程师等，如今正逐渐被AI技术蚕食。费城联邦储备银行的经济学家指出，那些需要本科学历、薪资较高的岗位，受到AI影响的风险更高。 尽管美国经济整体仍在增长，但招聘活动已明显放缓。企业对人选的要求也愈发苛刻，从经验丰富的职场老将到刚毕业的年轻人，都感受到前所未有的压力。 案例二：23岁毕业生求职八个月，收获“沉默” Kobe Baker于今年1月从贝勒大学毕业后开始求职，曾希望进入纽约就业市场。却在申请无果后将范围扩大，直到9月底才在布卢姆菲尔德找到一份客服工作。他表示：“我为进入职场做了很多准备，但就像爬梯子时突然有人把梯子抽走了。”许多像他一样的年轻人渴望独立生活，却苦于没有立足之地。 案例三：软件开发团队裁员80%，AI自动写代码 SBI咨询公司首席执行官Mike Hoffman表示，在过去六个月内，公司已裁撤了80%的软件开发团队，而生产效率反而提高。他透露，公司目前由AI编写Python代码，管理者只需监督AI代理集群即可。他指出，投资者正在向企业施加压力，要求缩减高达30%的员工规模。 在线教育平台Chegg本周也宣布，全球裁员388人，占员工总数的45%。公司正在转型为基于AI自动回答学生提问的平台。 专家观察：企业“挑剔”加剧，求职门槛水涨船高 Gobu Associates招聘公司负责人Mo Toueg观察到，寻求工作的40岁左右求职者数量大幅上升。他指出，这部分人“正在被新技术甩在后头”。奥斯汀一家就业咨询公司的董事总经理Melissa Marcus表示，目前公司在招聘时“要求月亮和星星”，即便求职者的经历几乎与职位描述一模一样，也可能落选。 这种“精准匹配”趋势同样压缩了入门级招聘空间。全国大学与雇主协会的数据显示，2025届毕业生的申请数量多于2024届，但获得录用的比例却更低。 总结：白领风光不再，AI重塑就业结构 白领岗位曾是许多美国家庭的稳定支柱，而今正逐渐被AI与系统自动化所取代。尽管蓝领和技术工人需求旺盛，但传统办公室岗位正面临前所未有的挑战。随着企业不断寻求降本增效，裁员风潮可能仍将持续。年轻人与资深从业者面临的不是技能是否过硬，而是整个系统结构的转变——办公室不再是“避风港”，而更像是一座“即将爆破的定时炸弹”。 未来就业市场的竞争，或将更加依赖于适应力与多元化技能储备，而非单一职业路径或文凭背景。

在技术圈中，似乎一直存在着两个阵营。 追逐“潮流词汇”的阵营 这个阵营倾向于盲目跟风，采用当下最热门的技术，而不去认真思考其是否真正适合当前的问题。他们很容易被各种销售宣传所吸引：实时、无限扩展、前沿科技、云原生、无服务器、零信任、AI 驱动……等等。 这一现象在 Kafka 生态中尤为常见，例如所谓的“Streaming Lakehouse™️”、“Kappa™️ 架构”、“Streaming AI Agents”等等。 这种做法有时被称为“简历驱动设计”（Resume-Driven Design）。现代开发环境反而在鼓励这种趋势。顾问们通过“洞察报告”推荐充满厂商技术的“创新架构”，系统设计面试则要求候选人设计类似 Google 那样的超大规模系统——尽管这些公司所需的规模往往连现在的十分之一都达不到。职业晋升奖励的是重构到“新热门技术栈”，而不是聪明地解决问题。 追求“常识与务实”的阵营 与之相对的，是更加务实的技术人。他们排除不必要的复杂性，避免过度工程，做决策时依据第一性原理进行思考。他们不会被市场宣传左右，而是用理性和怀疑精神看待各种厂商的承诺。 过去，“潮流技术”阵营在数量和声量上都占据了上风。但如今，局势似乎正在发生微妙的变化。两个明显的趋势正在增强务实派的声音： 趋势一：Small Data 运动 越来越多的技术人意识到自己的数据其实并没有那么“庞大”，而现代的硬件能力却变得异常强大。比如 AWS 上可以租到拥有 128 核心和 4TB 内存的实例。AMD 最近甚至发布了 192 核心的 CPU。这些配置对大多数应用而言，已经绰绰有余。 趋势二：Postgres 的复兴 Postgres 生态正迎来爆炸式增长。过去两年间，“Just Use Postgres（所有场景都用 Postgres）”这个理念迅速走红。核心思想是：在没有确切需求的情况下，不要引入复杂的新技术，而使用 Postgres 其实已经能解决大部分问题。 Postgres 正在向一系列专用系统发起挑战，例如： 注意，Postgres 并非在功能上完全等同于这些专用系统，而是遵循帕累托原则：它可以以 20% 的开发工作，解决 80% 的使用场景。 结合以上两大趋势，就能理解为何 Postgres 越来越受青睐： Postgres 是一个久经考验的稳定系统，简单、可靠、扩展性强。配合现代高性能硬件，大多数组织其实并不需要复杂的分布式系统。 即便是对…

从2025到2028，Meta计划在美国的数据中心与AI基础设施上投资高达6000亿美元——每年约2000亿美元。这场声势浩大的投资，被视为AI时代的“摩天计划”，但问题也随之而来： 也就是说，Meta目前的AI相关支出与收入之比为10:1。这笔巨额投资到底值不值？能否产生正向回报？这篇研究尝试给出答案。 一、Meta在赌什么？ Meta正在押注AI将在三个方面产生巨大回报： 二、乐观情景（Bull Case） 时间线预期： 支撑逻辑： 三、悲观情景（Bear Case） 风险预警： 四、基础设施成为新护城河 在AI时代，“基础设施”已超越“算法”成为核心竞争力。 Meta优势在于： 这意味着： 但这也伴随了巨大的资本承诺与建设风险。 五、新金融模式：私募信贷重塑科技融资 传统科技公司主要依赖股权融资。但AI基础设施资本密集，催生出**“以债养算力”的新模式”**： 六、关键数据一览 2025年科技巨头AI基础设施投入（CapEx）： 公司 投资金额 重点合作对象 Meta $66–72B CoreWeave, Oracle, Blue Owl Microsoft $125B（预估） OpenAI Google $82.4B Anthropic（提供100万块TPU） Amazon ~$75B AWS AI, Trainium Apple ~$30B Apple Silicon, On-device AI 总计：约4000亿美元（2025年） 七、以CoreWeave为例：泡沫还是护城河？ CoreWeave目前手握超429亿美元合约收入（至2032年），合作对象包括： 但问题是： 一旦微软改用自建算力，CoreWeave可能瞬间失去生存根基。 八、Meta的回本公式：现实推演 假设Meta总支出为： 场景一：广告收入提升10% 场景二：AI新产品收入…

上周，亚马逊在西雅图总部低调举办了一场面向高级工程领导者的内部开放日。约有五十位业界资深人士受邀出席，深入探讨亚马逊如何在大规模环境下进行技术决策——这些内容往往不会出现在新闻稿或领导力书籍中。 活动选址在极具标志性的西雅图“生态球体（Spheres）”内，不少与会者表示，这样的夜晚，与聪明人围坐交流复杂问题，堪称理想的“社交场”。 这次聚会是一次难得的窗口，让外界得以一窥由杰夫·贝索斯亲手奠定的工程文化。即便在贝索斯卸任多年之后，这种文化仍根植于亚马逊的组织架构之中。 整场活动传达出三个核心主题： 亚马逊方面并未要求与会者撰写相关内容，作者只是希望在记忆尚新之际记录下自己的感受。对于那些想了解亚马逊工程文化内部氛围的人而言，这是一份不可多得的观察笔记。 一、目标导向：使命驱动的工作 航空航天领域可以说是使命驱动文化的典范。 活动中，由NASA资深工程师、现任亚马逊“柯伊伯计划”（Project Kuiper）技术项目管理总监MiMi Aung发表了令全场动容的演讲。她曾领导“机智号”（Ingenuity）火星直升机的研发，是少数能将“梦想送上火星”的工程师之一。 尽管时间有限，Aung仍试图在短短十五分钟内分享几十年太空探索中的精华片段。她的激情与沉着让在场每一位听众都深受启发。或许我们还缺少一档专访她的播客节目，但她显然已经成为这一代技术人的灵感来源。 在一个小型圆桌讨论中，作者与一位来自蓝色起源的总监、NASA喷气推进实验室的工程师、以及柯伊伯计划的首席开发工程师展开交流。他们所从事的工作，令人深感“身处未来”。 这场对话强化了一个现实：亚马逊正积极投入资源，使工程执行在短期内不受限制，并在长期内以务实的方式寻求回报。在当今商业环境中，这种能力弥足珍贵。 二、结构清晰：职级与角色高度一致 在小型创业公司，一位CTO可能身兼数职：既是技术总监、项目主管、测试工程师，甚至还要做销售。然而在亚马逊，角色边界更为清晰。 一个由三位高级首席工程师与一位技术总监组成的小组讨论揭示了内部运作方式： 这一“单向门”（One-Way Door）概念尤其引人关注。与会VP分享了他们面对的一些不可逆决策实例，包括： 这些经验带来的启示是：单向门决策应由高层拍板，而可逆决策应交由团队底层灵活处理。 亚马逊的一条铁律是：可逆的事情要快，无法逆转的决策要慢。 三、专注工艺：技术优先，而非福利 亚马逊工程文化中的一个鲜明特点是：客户至上与技术工艺，远比公司福利更重要。 活动中没有任何人谈及午餐、健身房、弹性工时或其他常见的“硅谷式福利”。没有人提到工作与生活的平衡（Work-Life Balance）。讨论集中在如何解决大规模问题、如何优化客户体验、如何将问题扩大十倍后仍能应对。 这种文化能在公司创始团队离开多年后依然延续，是对其深层理念的有力证明。 在现场提问中，亚马逊的员工展现出极高的一致性，几乎每个人都能熟练地将自己的工作与“客户痴迷（Customer Obsession）”相连。这不是口号，而是一个实际存在的技术约束条件。 四、活动设计与交流氛围 这场开放日活动本身组织得井井有条，节奏得当，不会让人感到疲惫。演讲、圆桌、小组讨论、自由交流穿插进行，参与者既能深入交谈，又不失群体活力。 参与者构成约为35位外部嘉宾与15位亚马逊工程师，既私密，又富于交流机会。大家从2000年在亚马逊的入职经历聊到2025年新员工的上岗流程，覆盖的行业包括太空、生物科技、零售等多个方向。 五、总结：文化的本质，是一套持续的决策系统 作者在离开会场后深感感激——感谢遇到的人、获得的交流机会、以及被点燃的思考火花。 在自己创业旅程中，作者希望能建立一个类似亚马逊那样的高级工程师社群。对于任何一位资深工程师来说，若对亚马逊工程文化感兴趣，不妨直接联系他们的招聘团队——没有繁文缛节，也无需应对招聘游戏，只是与聪明人对话的机会。 亚马逊虽然拥有庞大的组织与复杂的业务线，但其成功仍归结于三个底层要素： AI、福利、组织结构，不过是服务于这三项原理的“脚手架”。 真正经久不衰的文化，不靠标语延续，而靠一代代工程师做出的真实决策。