Author: aitrendtrackers@rengongzhineng.io

OpenAI 首席执行官 Sam Altman 周一通过内部备忘录向员工宣布，公司正式进入 “code red（红色警戒）” 状态，将把主要精力集中在提升 ChatGPT 的品质上，并因此推迟其他产品线的工作。此举被视为 OpenAI 迄今最明确的信号，表明公司正面临来自竞争对手日益加剧的压力。 备忘录指出，ChatGPT 的日常使用体验仍有大量工作需要改进，包括： 竞争压力：Google 的反击最令 OpenAI 关注 Altman 特别强调来自 Google 的威胁。Google 上月发布的最新 Gemini 大模型在行业基准测试中全面超越 OpenAI 的现有模型，并推动公司股价大幅上涨。 Gemini 生态的增长速度也令 OpenAI 警惕： 此外，OpenAI 还受到 Anthropic 的压力，后者在企业客户中越来越受欢迎。 财政压力同步增加：庞大投资 vs. 未兑现的收入 OpenAI 已承诺未来将投资数千亿美元用于数据中心建设，但外界担忧这些投入何时能转化为真正的营收。 尽管 CFO Sarah Friar 在 11 月公开活动上表示 IPO 不在近期计划内，公司命运仍与 Nvidia、微软、甲骨文等生态伙伴高度绑定。 “红色警戒”意味着什么？产品线被迫让路 备忘录显示，OpenAI 将推迟以下项目： Altman 鼓励团队之间进行临时调配，同时为负责提升…

一条常见的解释认为，《星球大战》之所以能在上映近半个世纪后仍然大获成功、产生持久共鸣，是因为它几乎完美呈现了“英雄之旅”。故事里有被困在塔图因星球、生活无聊的卢克，他收到 R2-D2 带来的神秘求救信息，这是冒险的召唤，而他一开始拒绝回应；导师欧比旺引导他跨出离开塔图因的门槛，踏入充满试炼的旅程，结识新的敌人与盟友。他进入“洞穴”——死星，在经历欧比旺之死这一重大考验后逃出，带着死星的设计图前往反抗军，并为重返死星的“归途”做准备。在最终试炼中，他选择相信“原力”，并以此完全蜕变。而如果把视角放大到整部原初三部曲，会发现那只是这段英雄旅程的扩展版：这一次，“至暗时刻”的考验是整部《帝国反击战》。 在过去三年的 AI 故事中，扮演英雄角色的是两家公司：OpenAI 和英伟达。第一家是凭借 ChatGPT 的发布，被视为下一个伟大消费科技公司的初创企业；第二家则是原本以“游戏显卡公司”著称、由一位充满远见与乐观精神的创始人带领、常年经历景气循环，如今则在 AI 革命中摇身一变，成为最关键的基础设施提供者。 然而在过去两周，这两家“英雄”同时进入了属于自己的“洞穴”，面对各自迄今为止最严峻的考验：谷歌这座“帝国”，正在上演自己版本的《帝国反击战》。 谷歌的反击谷歌的第一记重拳是 Gemini 3：这款模型在一系列基准测试中超越了 OpenAI 当时的最先进模型（尽管在真实使用体验上表现稍显参差）。Gemini 3 最大的优势在于其规模与训练过程中投入的海量算力；这点尤其值得注意，因为 OpenAI 在继续打造超越 GPT-4 体量与复杂度的下一代模型时遇到了困难。支撑 OpenAI 继续前进的，是在推理能力上的真实突破，这在许多场景下带来更好的结果，但代价是时间与成本的上升。 Gemini 3 的成功，看上去一度是英伟达的利好。有分析将英伟达列为该发布会的赢家，理由是： 一方面，英伟达似乎是输家，因为世界上最好的模型并非在其芯片上训练完成，这从根本上证明了——确实可以在不支付英伟达溢价的情况下造出顶级模型。 另一方面，英伟达又有两个乐观理由。首先，所有人现在都必须对 Gemini 做出回应，而且是“立刻”，而不是等自家芯片“足够好”的某个未来时间点。谷歌在十年前就开始投入 TPU 的研发；其他公司如果想追赶，短期内仍然更适合继续依赖英伟达。其次，也正因为如此，Gemini 再次证明，想要追赶甚至超越，最重要的因素仍然是更多算力。 不过，上述分析漏掉了一个关键问题：如果谷歌开始对外出售 TPU，把它变成英伟达的替代品，会发生什么？谷歌现在正这样做——先是与 Anthropic 达成合作，又传出与 Meta 的合作传闻，然后是第二波“新云服务商”（neocloud）：其中很多原本是加密矿工，如今利用手里的电力与基础设施转型切入 AI。 很快，英伟达也被推到了瞄准镜前：市场开始重新审视其长期增长空间，尤其是考虑到其高企的利润率是否还能维持，一旦出现真正能与之抗衡的芯片对手，这个疑问就格外尖锐。这也无形中给 OpenAI 下一轮预训练施加了巨大压力——那一轮训练将基于英伟达的 Blackwell 芯片进行：基础模型仍然非常重要，OpenAI 需要给出更好的基础模型，而英伟达则需要证明，顶级模型仍然可以在自家芯片上诞生。 接下来值得思考的是：在谷歌的反击下，哪家公司的风险更大，以及原因何在？ 从表面看，英伟达正赚得盆满钵满，如果 Blackwell 表现优秀，那么下一代 Vera Rubin 有望更上一层楼；此外，尽管…

在优秀的智能体（Agent）产品中，最成功的往往不是“最灵活”的，而是“最有主见”的。本文探讨了原因与设计原则。简而言之，建议如下： 构建有主见的智能体。在工具设计与提示词（Prompt）上果断做出决策。目标是让智能体在特定任务上成功，而不是在所有任务上平均发挥。可定制化可以稍后再考虑。 “灵活性陷阱”：智能体需要的是更少的旋钮，而非更多 优秀的产品设计不在于提供无穷选项，而在于让一切自然顺畅地工作。智能体也应如此。 历史上所有令人愉悦的产品体验，本质上都是创作者将自己的理念高度提炼成“无需调试、即刻可用”的界面。对智能体而言，这意味着： “主见—反馈—评估”三者形成了智能体设计的飞轮：团队在实践中形成观点，用户反馈帮助修正观点，评估数据则让迭代有依据。 原则落地：用户不想调温度，他们只想结果 没有用户愿意调整“temperature”或“chunking strategy”。这正是所谓的“灵活性陷阱”——误以为用户想要选择，实际上他们只想要成果。 史蒂夫·乔布斯设计 iPhone 的“一键界面”就是经典案例：表面上限制了交互方式，实则极大提升了体验的确定性。产品依旧功能丰富，但交互路径变得直观可靠。 Cursor 团队的设计哲学很好地诠释了这种思维： “这个设置真的需要吗？”“能更少点点击完成吗？”“能砍掉哪些没人用的功能？” 这正是智能体产品应有的思考方式。 做好“有主见”的工作 具体而言，团队应当： “通用智能体”的神话 一个智能体 = 有主见的外壳（Harness） + 模型（Model） 所谓“外壳”，是指包裹模型的一层设计：包括提示词、工具、上下文管理、文档、子智能体（Subagents）等。所有“主见”都体现在这一层。 当人们说他们想要“通用智能体”时，其实是在做一种权衡： “我愿意接受较低的任务表现，以换取更少的定制工程投入。” 这在原型验证阶段或许合理，但很多团队选择“通用”，并非出于设计策略，而是尚未明确自己的立场与偏好。 模型与外壳是不可分割的 一个重要观点：模型与外壳是共生的，不能单独评估。 每个模型的“智能”都有明显的尖刺（spiky intelligence）——擅长某些任务、在另一些任务上表现糟糕。因此，当更换模型时，原本调校好的外壳往往会“崩坏”：提示词行为变化、工具调用失败、新的错误模式出现…… 真正关键的问题是： “这个模型 + 外壳组合，能否稳定完成我的任务？” 而不是： “这款模型在最新基准测试中是否得分更高？” 这就是为什么团队必须依靠真实任务、真实用户和自我试用来验证效果。 起点应“深而窄” 如果“通用”是妥协，那么最佳策略是从深而窄的任务入手： 常见两种错误倾向： 最优点是“窄到可以精细打磨，深到足以产生价值”。先找到那 10% 的高价值任务，集中精力攻克它。 连模型实验室也在变得“有主见” 如今，各大模型公司（如 Anthropic）也在为特定领域打造专门团队。并非要训练新的金融或生命科学专用模型，而是要为这些任务优化外壳与工具体系。 这种“任务导向的主见性设计”比堆参数更能带来稳定表现。Claude Code、Codex 等产品正是如此：在外壳层面内置上下文管理、文件系统、子智能体，让用户无需从零配置。 类似地，LangGraph、LangChain 提供了通用抽象，而后来的 DeepAgents 则在其上进一步加入了“有主见的预设”：文件系统支持、内置规划工具、默认提示等。好的默认值（opinionated…

执行摘要2017 年，刚完成理论化学博士学位的约翰·贾姆珀（John Jumper）听说谷歌 DeepMind 正从超人级游戏 AI 转向一个秘密项目——预测蛋白质结构。他立即申请加入。 三年后，他与 CEO 戴密斯·哈萨比斯（Demis Hassabis）共同领导的团队推出了 AlphaFold 2，一种能够在原子级精度范围内预测蛋白质三维结构的 AI 系统。它不仅达到了实验室技术的准确度，还将实验时间从数月缩短到数小时。 AlphaFold 2 破解了一个生物学界困扰五十年的难题。哈萨比斯曾表示：“这正是我创立 DeepMind 的初衷，也是我毕生投身 AI 的原因。”2024 年，贾姆珀与哈萨比斯因这项突破性成就共同获得诺贝尔化学奖。 五年前 AlphaFold 2 横空出世，如今热潮渐息，它的真正影响如何？科学家们如何使用它？未来又将走向何方？贾姆珀在访谈中给出了答案。 “这是令人难以置信的五年” 贾姆珀笑言：“我几乎忘了在认识成千上万记者之前的生活是什么样。” 自 AlphaFold 2 之后，团队先后推出了可预测多蛋白结构的 AlphaFold Multimer 以及更快速的 AlphaFold 3。DeepMind 还将其用于 UniProt——一个全球数百万科学家维护的蛋白质数据库。目前，AlphaFold 已预测了约 2 亿个蛋白质 的结构，几乎覆盖已知的全部生物蛋白。 尽管如此，贾姆珀依然保持谨慎：“我们并不确定所有预测都是对的。那是一个预测数据库——它附带所有预测的限制条件。” 一个极难的问题 蛋白质是生命的“机器”：它们构成肌肉、羽毛和角，运送氧气，传递信号，驱动神经活动、免疫反应和消化过程。理解蛋白质的功能首先要弄清它的结构，而这是生物学中最棘手的难题之一。 蛋白质由氨基酸链组成，这些链在化学力作用下折叠成复杂的三维形状。一个未折叠的序列几乎无法透露最终结构，而理论上每个蛋白质都可能有天文数量的构象。预测其正确形状，堪称计算地狱。 贾姆珀和团队采用了基于 Transformer 架构 的神经网络——这也是如今大型语言模型（LLM）的基础技术。Transformer 善于在庞大信息中捕捉关键关联。 然而，他认为真正的成功在于快速迭代的实验原型：“我们做出了一个能以惊人速度给出错误答案的系统，这反而让我们能大胆尝试各种想法。” 他们向模型输入了尽可能多的蛋白质结构信息，包括跨物种形态的演化模式。结果超出了预期——“我们立刻意识到自己取得了突破，”贾姆珀说，“这是一次理念上的巨大飞跃。”…

2018年，一家年收入四千万美元的SaaS公司的一名资深工程师，花了六个月时间反复指出新数据库架构无法扩展。产品部门坚持快速上线，工程领导虽同意他的判断，却未向产品部门据理力争。最终决定是：“先上线，后重构。” 那一周，这位工程师开始投简历。促使他离开的，并非技术决策本身——类似的决策在行业中屡见不鲜——而是他的专业判断被忽视。八个月后，系统开始每天出现性能问题。十八个月后，公司已失去五名资深工程师，并聘请兼职CTO调查根因。 诊断结果十分明确：高管层直到工程师离职才知道他们不满。离职面谈的理由被记录为“更好的机会”“更有竞争力的薪资”。CEO批准了15%的加薪以挽留剩余工程师，但仍不断有人离开。真正的问题并非薪酬，而是组织内部的信息无法自下而上传递。当问题到达高层时，早已演变为几个月前就做出的离职决定。 替换这五名工程师的成本约为140万美元，包括招聘支出、生产力损失与知识流失。若高层早些了解问题，保留成本仅为其中一小部分。然而他们并不知情，因为初级工程师告诉了资深工程师，资深工程师告诉了经理，而经理认为无需上报。最终，高层成为最后一个知道真相的人。 层级结构会过滤坏消息组织设置层级以管理复杂性，但其副作用是信息在每一层都会被过滤。一个初级工程师向资深工程师提到技术隐患，资深工程师再向经理反映，经理斟酌后判断此事是否影响自己业绩或是否值得上报。工程副总裁若听到，已是经过润饰的版本；CTO得到的结论是“我们正在处理”；CEO听到的只有“进展顺利”。 每一层都在消减细节与紧迫感。当问题抵达高层时，要么已成危机，要么已被过滤干净。过滤并非出于恶意，中层普遍认为“在自己层级解决问题”是职责所在，若上报则被视为能力不足。于是他们汇报“解决方案”而非“问题本身”，这看似专业，实为信息压制。 一家拥有120名工程师的软件公司是典型案例。三月，前端团队发现新仪表板性能问题；四月，工程师在代码评审中公开讨论；五月，工程经理知晓并开始调查；六月，工程副总裁获悉，但听到的版本是“正在优化性能”；七月，CTO只被告知“有些性能工作在进行”；八月，最大客户抱怨仪表板不可用。高层将此视为突发危机，而工程师们早已知道整整五个月。 最终导致的后果是：做资源分配决策的人基于数月前、且被系统性删减了坏消息的信息行事。工程师在八月知道数据库无法扩展，经理十月感知到不满，副总裁十二月发现士气问题，CTO到次年二月才得知离职潮。每一层都以为自己处理得当，却共同制造了信息延迟，使问题彻底无解。 “指挥链”的虚幻信条许多组织认为“越级沟通”——高管直接与基层工程师交流——是不合适的。理由如出一辙：削弱中层权威、破坏指挥链、营造不信任感、或表现出微观管理倾向。这些理由表面上出于组织健康，实则是中层为逃避问责的自我保护机制。 直接与基层工程师交谈的CTO能听到真实情况；依赖层层报告的CTO只能听到管理层希望他们听到的内容。越级沟通的禁忌确保了后者。中层偏好这种结构，因为信息流的控制权掌握在他们手中，可以呈现“已解决的问题”，掩盖“暴露自身问题的事”。组织为此付出代价——信息延迟使小问题积累成危机。 反对越级沟通的经济学理由是：高管时间昂贵，应聚焦战略事务而非战术细节。但若战略决策基于错误信息，这种逻辑就站不住脚。一个每周花数小时与不同层级工程师交流的CTO，能了解真正阻碍生产力的根因、正在失效的技术路线、以及哪些人已在心理上离岗。这类信息具有直接的战略价值。相比之下，依赖经过三四层过滤的报告，虽“成本低”，却极易导致昂贵的错误决策。 这类时间投入其实并不巨大。每周安排几小时直接交流即可。规模扩大后，单人频率可降，但覆盖面应保持。例如CTO可每季度与每位工程师沟通一次。这样既能保持对现实的触感，又不挤占日程。参加这些对话的工程师，往往透露他们从未向直属上级提过的问题。管理层可提前三至六个月发现潜在风险，从而以更低成本介入。 一家支付公司在一个季度内失去三名资深工程师后，新任CTO推行“每周开放时间”，允许任何工程师预约30分钟谈话，无需议程或批准。第一个月便暴露出三个问题：部署系统不稳定、监控报警泛滥且无效、API文档严重过时。所有经理都以为“自己在处理”。CTO在同一季度拨款解决，六个月后自愿离职率降至接近零。 离职的真因：自主权，而非薪水离职面谈中最常提及的薪资原因往往掩盖了真正的问题。薪酬之所以常被引用，是因为它可量化且不具冒犯性；而实际原因更隐蔽、更棘手。三种模式屡见不鲜： 一是失去自主权。工程师被迫构建他们明知会失败的系统，专业判断一再被无视。预测的失败最终成真时，他们反被指责未能预防。这不是自尊问题，而是专业被询问却被忽略的挫败。 一家金融科技公司决定自研认证系统，资深工程师警告风险，却被产品坚持压下。系统上线首月即爆出三处安全漏洞，耗费半年修补与维护。本可创造40万美元年收入的功能被延误。公司自研花费18万美元，而商用方案年费仅1.2万美元。最终，失去的工程师本可为公司带来近58万美元价值。 二是技术债务无法偿还。团队反复提出数据库复制、自动化部署、监控改进等基础需求，却总被功能开发压下。工程师预见故障时间点却无力阻止，只得提前离开，避免在崩溃时背锅。一家电商公司十八个月拖延数据库优化，导致第十九个月平台性能崩溃，响应时间从200毫秒暴涨至4秒，收入损失120万美元。两名资深工程师早已离职。 三是聪明人被迫做无意义的工作。高级工程师被分派维护陈旧系统、重复无价值流程。结果是高薪低产、才智浪费。某SaaS公司一名年薪19万美元的工程师，用六成时间维护仅带来8万美元收入的报表系统。她建议迁移客户，却被以“战略关系”为由驳回。三个月后离职，替代者招聘成本22万美元。 高层错过的早期信号离职征兆在辞职信送达前半年甚至更早就存在，只是层级不同，察觉时间不同。 初级与中级工程师最早察觉：资深工程师不再辩论，架构评审沦为形式，技术债务积压无人分配。资深工程师表面顺从，实则已心灰意冷。 资深工程师的转变发生在离职前四至八个月：识别失败模式、经历道德伤害、失去信任。他们在会议上不再发言，代码评审简化为“LGTM”。管理层误以为他们变得“成熟”“更好合作”，其实他们已心理离岗。 经理在离职前两至四个月看到行为变化：参与度下降、LinkedIn更新、文档异常完善、积极指导他人。这些往往被误读为“积极表现”，实为交接信号。 高管层真正看到的阶段，是“工程师已递辞职信”。届时所有信息早已存在，只是被层级过滤。 为什么一次离职会引发连锁反应一次离职只是信号，三次则成为风向。工程师看到同侪离开，会开始怀疑：是否他们知道什么自己不知道？外部猎头嗅到气息，迅速介入，离职潮蔓延。一家云基础设施公司三周内两名工程师离职，三个月后又失去五人，损失220万美元，项目延误八个月。 知识流失的代价难以量化，却在后续数月显现为低效、错误与返工。失去的工程师知道系统隐患、客户特例、哪些技术债务是“负载承重”的。 当离职确实与薪资有关时薪资确为诱因的情况存在，但信号明确：工程师在求职前主动提出薪资问题，且确实低于市场水平。而若在离职面谈中才以此为由，往往是借口。判断标准简单：若加薪20%能挽留，则确为薪资问题；若不能，则另有根因。多数因自主权丧失、技术债务或无意义工作而离开的工程师，无法用金钱留住。 预防比补救更重要防止离职潮的关键在于：高层需在问题萌芽期获取真实信息。这意味着要建立绕过层级过滤的通道。实践证明，以下方式有效： ——定期越级沟通：每周花数小时直接与各层级工程师交流，重在持续而非频率。某百人工程团队的CTO每周四小时越级访谈，半年覆盖全员，离职率由18%降至7%。 ——外部诊断机制：由兼职CTO或外部顾问访谈团队，因其不具权威威胁，反馈更真实。一家SaaS公司在半年失去四名资深工程师后引入顾问，发现“架构评审”实为甩锅仪式。取消后并赋予工程团队技术否决权，问题迅速缓解。 ——立即行动：倾听不够，必须让工程师看到结果。一家医疗科技公司CTO听到开发者抱怨测试套件耗时45分钟，当周拨款优化至8分钟，投入1.2万美元，却极大提升信任度。 错误诊断的140万美元代价替换一名资深工程师的成本高达27.5万至39.5万美元，包括招聘、生产力损失与知识断层。五人即损失约140万至200万美元。而真正解决留任问题的代价只是路线调整与流程改革。 障碍不在于资金，而在于承认系统有缺陷、管理可能有责。多数公司宁愿相信“市场竞争激烈”，而非承认“内部机制失灵”。 一家B轮公司十八个月内流失七名工程师。CEO以为是市场薪酬竞争，实则五人曾明确提出技术与流程问题，却被中层拦截。高层以为问题是钱，工程师认为问题是信任，双方都被信息隔离误导。 信息比替换便宜离职工程师掌握高层未知的真相：哪些技术决策失灵、哪些流程浪费时间、哪些管理方式令人疏离。这些信息本就存在，只是被层级过滤。优秀的组织选择在工程师离开前了解真相，而不是事后支付代价。 他们把信息流视作战略资产，建立越级沟通，优先获取“真实地面情况”。他们明白，基于真相的决策回报率远高于依赖虚假汇报的战略思考。每年投入约五万美元的高管时间，即可防止多次离职潮，避免数百万的损失。 那位2018年离职的资深工程师如今在另一家公司任职。该公司CTO定期越级沟通，并赋予工程部门架构否决权。那里几乎无人在面试，主动离职率仅12%，为行业平均值的一半。高层能在问题变得不可挽回前得知真相——他们做到的原因很简单：他们会问，员工敢说，因为组织结构允许真相向上流动。

英伟达（Nvidia）首席执行官黄仁勋近日表示，公司最新的Blackwell系统销售“超乎想象”，创下历史新高。然而，业内分析师指出，另一类人工智能芯片——被称为ASIC（专用集成电路，Application-Specific Integrated Circuit）——正以惊人的速度增长。谷歌、亚马逊、Meta、微软以及OpenAI等大型科技公司，正在纷纷投入自研ASIC芯片，以摆脱对英伟达GPU的高度依赖。 根据《芯片战争》（Chip War）作者克里斯·米勒（Chris Miller）向CNBC透露，谷歌的TPU（Tensor Processing Unit，张量处理单元）是当前AI领域ASIC芯片的领导者，其技术水平甚至被认为与英伟达GPU相当，甚至可能更优。与此同时，亚马逊、微软及OpenAI等公司也在快速推进自研AI芯片项目。 英伟达凭借GPU（图形处理器）实现了利润的爆炸式增长，成为全球市值最高的科技企业之一。过去一年，英伟达交付了约600万颗新一代Blackwell GPU，这些芯片在AI计算负载中发挥了核心作用。该公司在加州圣克拉拉总部展示了由72块Blackwell GPU组成的GB200 NVL72机架级服务器系统——每台服务器售价约300万美元，每周出货量约1000套。英伟达高管狄昂·哈里斯（Dion Harris）表示，数年前，当团队首次提议使用八块GPU打造AI系统时，外界普遍认为“规格过剩”，如今这种配置已成为主流。 GPU最初主要用于游戏图形渲染，但自2012年学术界利用英伟达GPU训练神经网络模型AlexNet以来，GPU的用途迅速扩展至人工智能领域。GPU在并行计算方面的优势使其非常适合AI模型的训练与推理。目前，GPU通常与CPU配合部署于数据中心中，用于AI云计算任务。英伟达与其主要竞争对手超威（AMD）通过优化各自的软件生态体系（如英伟达的CUDA平台与AMD的开源框架）持续竞争。英伟达不仅向亚马逊、微软、谷歌、甲骨文（Oracle）等云服务商供货，还直接向AI公司（如OpenAI）及各国政府提供GPU系统。 然而，AI产业的重心正逐渐从GPU转向ASIC。与通用型GPU相比，ASIC芯片更为小巧、能效更高，且针对特定AI任务进行了优化。谷歌在2015年率先推出首款TPU，开启了AI加速器ASIC时代。经过十年发展，谷歌于2025年11月发布第七代TPU——Ironwood版本。Anthropic宣布，其大语言模型Claude将基于多达100万个TPU进行训练。分析人士认为，谷歌未来可能会开放TPU的外部使用权限，进一步打破市场格局。 亚马逊则在2015年收购以色列芯片初创企业Annapurna Labs后，迅速布局自研AI芯片，推出了Inferentia（2018年）与Trainium（2022年）两款ASIC。亚马逊AWS的芯片架构负责人罗恩·迪亚曼特（Ron Diamant）表示，Trainium在价格性能比方面领先市场30%至40%。在印第安纳州的新AI数据中心中，超过50万颗Trainium 2芯片正在用于Anthropic模型训练，而其他AWS数据中心则仍以英伟达GPU为主。 微软、Meta及OpenAI也相继宣布定制AI芯片计划。微软目前已在美国东部数据中心部署自研Maia 100芯片；Meta于2023年推出自家Training and Inference Accelerator；OpenAI则与博通（Broadcom）合作，预计2026年起生产专用ASIC。博通与迈威尔（Marvell）等芯片设计商凭借专业的知识产权与网络技术，成为众多AI企业的合作伙伴，并在AI浪潮中获益显著。 与此同时，AI计算正从云端向终端设备延伸。被称为“边缘AI芯片”的新型处理器正集成在手机、笔记本电脑及智能家居设备中，使AI运算能在本地完成，从而降低延迟并保护隐私。神经处理单元（NPU）是该领域的核心组件。高通、英特尔、AMD以及苹果都在推动NPU的应用。苹果的M系列与A系列芯片均内置神经引擎，用于MacBook与iPhone上的AI功能。三星、高通的最新移动芯片以及汽车与机器人用嵌入式AI芯片，也均依赖此类技术。 此外，可编程逻辑门阵列（FPGA）作为一种可通过软件重新配置的芯片，也在AI计算中占据一席之地。虽然性能与能效不及ASIC或NPU，但其灵活性极高。AMD在2022年以490亿美元收购赛灵思（Xilinx）后，成为全球最大的FPGA制造商；英特尔则凭借2015年167亿美元收购Altera位列第二。 无论GPU、ASIC、NPU还是FPGA，这些AI芯片的制造几乎都依赖台积电（TSMC）。台积电在美国亚利桑那州的新工厂已开始大规模生产芯片，苹果与英伟达均在此投产。黄仁勋确认，Blackwell GPU已在该厂“全面量产”。 尽管竞争者众多，业内专家认为，英伟达的领先地位短期内仍难以撼动。Futurum Group分析师丹尼尔·纽曼（Daniel Newman）指出，英伟达凭借十余年的生态建设与开发者基础，赢得了当前的AI芯片王者地位，“他们赢得了开发者生态，也赢得了市场”。

英伟达（Nvidia）首席执行官黄仁勋近日表示，公司最新的Blackwell系统销售“超乎想象”，创下历史新高。然而，业内分析师指出，另一类人工智能芯片——被称为ASIC（专用集成电路，Application-Specific Integrated Circuit）——正以惊人的速度增长。谷歌、亚马逊、Meta、微软以及OpenAI等大型科技公司，正在纷纷投入自研ASIC芯片，以摆脱对英伟达GPU的高度依赖。 根据《芯片战争》（Chip War）作者克里斯·米勒（Chris Miller）向CNBC透露，谷歌的TPU（Tensor Processing Unit，张量处理单元）是当前AI领域ASIC芯片的领导者，其技术水平甚至被认为与英伟达GPU相当，甚至可能更优。与此同时，亚马逊、微软及OpenAI等公司也在快速推进自研AI芯片项目。 英伟达凭借GPU（图形处理器）实现了利润的爆炸式增长，成为全球市值最高的科技企业之一。过去一年，英伟达交付了约600万颗新一代Blackwell GPU，这些芯片在AI计算负载中发挥了核心作用。该公司在加州圣克拉拉总部展示了由72块Blackwell GPU组成的GB200 NVL72机架级服务器系统——每台服务器售价约300万美元，每周出货量约1000套。英伟达高管狄昂·哈里斯（Dion Harris）表示，数年前，当团队首次提议使用八块GPU打造AI系统时，外界普遍认为“规格过剩”，如今这种配置已成为主流。 GPU最初主要用于游戏图形渲染，但自2012年学术界利用英伟达GPU训练神经网络模型AlexNet以来，GPU的用途迅速扩展至人工智能领域。GPU在并行计算方面的优势使其非常适合AI模型的训练与推理。目前，GPU通常与CPU配合部署于数据中心中，用于AI云计算任务。英伟达与其主要竞争对手超威（AMD）通过优化各自的软件生态体系（如英伟达的CUDA平台与AMD的开源框架）持续竞争。英伟达不仅向亚马逊、微软、谷歌、甲骨文（Oracle）等云服务商供货，还直接向AI公司（如OpenAI）及各国政府提供GPU系统。 然而，AI产业的重心正逐渐从GPU转向ASIC。与通用型GPU相比，ASIC芯片更为小巧、能效更高，且针对特定AI任务进行了优化。谷歌在2015年率先推出首款TPU，开启了AI加速器ASIC时代。经过十年发展，谷歌于2025年11月发布第七代TPU——Ironwood版本。Anthropic宣布，其大语言模型Claude将基于多达100万个TPU进行训练。分析人士认为，谷歌未来可能会开放TPU的外部使用权限，进一步打破市场格局。 亚马逊则在2015年收购以色列芯片初创企业Annapurna Labs后，迅速布局自研AI芯片，推出了Inferentia（2018年）与Trainium（2022年）两款ASIC。亚马逊AWS的芯片架构负责人罗恩·迪亚曼特（Ron Diamant）表示，Trainium在价格性能比方面领先市场30%至40%。在印第安纳州的新AI数据中心中，超过50万颗Trainium 2芯片正在用于Anthropic模型训练，而其他AWS数据中心则仍以英伟达GPU为主。 微软、Meta及OpenAI也相继宣布定制AI芯片计划。微软目前已在美国东部数据中心部署自研Maia 100芯片；Meta于2023年推出自家Training and Inference Accelerator；OpenAI则与博通（Broadcom）合作，预计2026年起生产专用ASIC。博通与迈威尔（Marvell）等芯片设计商凭借专业的知识产权与网络技术，成为众多AI企业的合作伙伴，并在AI浪潮中获益显著。 与此同时，AI计算正从云端向终端设备延伸。被称为“边缘AI芯片”的新型处理器正集成在手机、笔记本电脑及智能家居设备中，使AI运算能在本地完成，从而降低延迟并保护隐私。神经处理单元（NPU）是该领域的核心组件。高通、英特尔、AMD以及苹果都在推动NPU的应用。苹果的M系列与A系列芯片均内置神经引擎，用于MacBook与iPhone上的AI功能。三星、高通的最新移动芯片以及汽车与机器人用嵌入式AI芯片，也均依赖此类技术。 此外，可编程逻辑门阵列（FPGA）作为一种可通过软件重新配置的芯片，也在AI计算中占据一席之地。虽然性能与能效不及ASIC或NPU，但其灵活性极高。AMD在2022年以490亿美元收购赛灵思（Xilinx）后，成为全球最大的FPGA制造商；英特尔则凭借2015年167亿美元收购Altera位列第二。 无论GPU、ASIC、NPU还是FPGA，这些AI芯片的制造几乎都依赖台积电（TSMC）。台积电在美国亚利桑那州的新工厂已开始大规模生产芯片，苹果与英伟达均在此投产。黄仁勋确认，Blackwell GPU已在该厂“全面量产”。 尽管竞争者众多，业内专家认为，英伟达的领先地位短期内仍难以撼动。Futurum Group分析师丹尼尔·纽曼（Daniel Newman）指出，英伟达凭借十余年的生态建设与开发者基础，赢得了当前的AI芯片王者地位，“他们赢得了开发者生态，也赢得了市场”。

在最近的一次全员大会上，谷歌人工智能基础设施负责人阿明·瓦赫达特（Amin Vahdat）向员工表示，公司必须以“每六个月翻倍”的速度扩充AI计算与服务能力，才能满足全球对人工智能服务的快速增长需求。 瓦赫达特现任谷歌云（Google Cloud）副总裁，负责机器学习系统与云端AI基础设施。他在名为“AI基础设施”的演讲中展示了一张题为“AI计算需求”的幻灯片，上面写道：“现在我们必须每六个月翻倍……在未来4至5年实现1000倍增长。” 瓦赫达特指出，AI基础设施的竞争是“整个AI竞赛中最关键、同时也是最昂贵的部分”。在这场会议上，谷歌母公司Alphabet首席执行官桑达尔·皮查伊（Sundar Pichai）与首席财务官阿娜特·阿什克纳齐（Anat Ashkenazi）也一同出席并回答了员工提问。 这场会议召开于Alphabet公布强劲的第三季度财报之后一周。公司连续第二次上调年度资本支出预测至910亿至930亿美元区间，并预计2026年将出现“显著增长”。微软、亚马逊和Meta同样上调了资本支出预期，这四大科技巨头今年的总投入预计将超过3800亿美元。 瓦赫达特强调，谷歌的任务“当然是构建出顶级基础设施”，但并非“盲目超越竞争对手的支出规模”。他补充说，公司将投入巨额资金，但真正目标是打造“全球最可靠、性能最佳、可扩展性最强的AI基础设施”。 除了基础设施的扩建，谷歌还通过更高效的AI模型与自研芯片提升算力利用率。上周，谷歌宣布正式发布第七代张量处理器（TPU）“Ironwood”，其能效比2018年第一代云端TPU提升近30倍。瓦赫达特表示，谷歌还拥有DeepMind作为重要优势，后者在未来AI模型架构研究方面提供了前瞻性支持。 “谷歌必须在基本不增加成本和能源消耗的前提下，实现计算、存储和网络能力的千倍提升，”瓦赫达特说，“这并不容易，但通过协同设计与跨部门合作，我们将实现这一目标。” 皮查伊：2026年将是“极度紧张的一年”在同一场会议上，皮查伊坦言，2026年将成为公司极具挑战的一年，原因在于AI竞争的加剧与云计算需求的爆发。他同时回应了员工关于“AI泡沫”潜在风险的提问。 有员工提问称：“面对大规模AI投资与外界对AI泡沫破裂的担忧，公司如何确保长期的可持续性与盈利能力？” 皮查伊表示，这种担心“是合理且广泛存在的”。他指出，当下的讨论反映了行业的集体焦虑，但他依然强调“不足投入的风险更高”。皮查伊提到，谷歌云业务在最新季度实现了34%的年增长，营收突破150亿美元，积压订单达1550亿美元。 “事实上，若我们拥有更强的计算能力，这些数字本可以更亮眼。”他补充道。皮查伊表示，公司将继续遵循纪律性的投资方式，并凭借健康的资产负债表在波动中保持稳定。 “我们比其他公司更有能力承受市场波动带来的短期冲击，”皮查伊说。 市场动荡与AI泡沫争议皮查伊也提醒员工：“未来一年会出现起伏不定的局面。”他强调，目前正处于竞争白热化阶段，“绝不能躺在功劳簿上”。 近期，关于“AI泡沫”的讨论在硅谷与华尔街愈发激烈。英伟达（Nvidia）财报发布前，投资者对AI领域持续巨额投入的合理性产生疑虑。皮查伊在接受BBC采访时也提到，当前市场“存在一定程度的不理性”，并承认“如果泡沫破裂，没有任何公司能完全幸免，包括谷歌自己”。 然而，英伟达首席执行官黄仁勋在财报会议上否认了“AI泡沫论”，并称公司看到的是“完全不同的现实”。英伟达作为谷歌的重要芯片供应商，当季营收增长62%，超出市场预期，并发布强劲的下一季度指引。尽管如此，市场整体情绪依旧疲软，次日英伟达股价下跌3.2%，纳斯达克指数下跌2.2%，Alphabet股价亦下跌1.2%。 算力瓶颈与Gemini 3发布本周早些时候，谷歌发布了最新一代AI模型Gemini 3，声称其在回答复杂问题方面的表现优于前代产品。谷歌与OpenAI等竞争对手正在竞速，将先进的AI工具推向更广泛的用户群体。 皮查伊指出，当前最大瓶颈在于算力供给不足。他以视频生成工具Veo为例解释道：“Veo上线时非常令人振奋，但如果我们能为更多用户提供访问，使用人数将会显著提升——然而我们受限于计算能力。” 资本支出与现金流问题另一位员工提问提到：“资本支出的增长速度远快于营业收入，公司未来18至24个月的自由现金流将如何保持健康？” 首席财务官阿什克纳齐回应称，公司拥有多项潜在增长途径，包括吸引更多传统数据中心客户迁移至云端服务。她表示：“摆在我们面前的机遇巨大，我们不能错过这一势头。” 总体而言，谷歌管理层的核心信号十分明确：AI竞争的焦点已经从算法创新转向基础设施规模与能效比的极限挑战。为实现未来四至五年“1000倍算力提升”的目标，谷歌正在押注其芯片、云计算与研究协同能力，努力在这场昂贵而激烈的AI基础设施之战中保持领先。

周五下午4点，一位工程师刚刚关闭了本周的第12个漏洞。此时大脑几乎已经烧坏，但盯着“漏洞排行榜”时，却对周一回到常规工作感到一丝难过——这很奇怪，因为常规工作本身是令人喜爱的。然而，“Fixit周”（修复周）总是让人心生特别的情感。 什么是Fixit？在这个团队中，每个季度约有45名软件工程师会停下所有常规工作整整一周。这意味着没有路线图任务、没有设计讨论、没有会议或站会。 取而代之的，是集中修复那些长期困扰用户与开发者的“小问题”： 规则非常简单：1）每个漏洞的修复时间不得超过两天；2）所有工作都必须聚焦于用户端的小改进或开发者体验的提升。 团队还设立了一个“积分系统”和排行榜，按照修复漏洞的数量与难度计分。修复首个漏洞、修复最恼人漏洞、积分最高者等都会获得印有团队标志的T恤。简单的规则，却运作得极为顺畅。 成果统计在本季度的Fixit周中： 团队还绘制了燃尽图，以追踪整个修复进度。 一些亮点包括：一位工程师修复了一个自2021年以来的功能请求——仅用了一天时间，而它在待办清单中沉睡了整整四年。这一改动虽然微小，却让每位Perfetto用户的体验都得到明显提升。 另一位同事只用25行代码改进了一个GitHub Action，使每位UI开发者少点击两次就能查看CI构建结果。这种简单的优化获得了团队一致好评。 此外，还有成员花一个小时（借助AI）创建了“整合版SDK”，让外部项目的集成更加便捷。这类微小改动，可能正是决定用户是否选择使用该产品的关键。 Fixit带来的价值 对产品而言：匠心与细节任何优秀产品的标志都在于细节上的打磨——那些看似微不足道的地方，却能让整体体验更连贯。一个缺乏细节关注的产品，也许能被迫使用，但用户内心始终会有“要是能换一个就好了”的念头。Fixit周正是打磨这些细节的机会——那些用户未必能明确说出的问题，但一旦修复，使用体验的流畅度立刻提升。 对个人而言：回归“动手修”的乐趣在职业早期，工程师常常能随手修复问题、立即上线并获得满足感。而随着资历增加，工作重心逐渐转向规划、协调与决策，离“亲手修好一个问题”的成就感越来越远。Fixit让人重新体验那种直接、纯粹的快乐——发现问题、修复、提交、关闭、继续前进。每一次修复都带来即时的反馈与成就。 对团队而言：士气与凝聚力Fixit周期间，40名工程师分布在两个时区共同修复漏洞，整个办公氛围焕然一新。平日里各自埋头于不同项目的成员，在这一周中频繁交流、分享截图与进展，甚至围在显示器前展示成果。排行榜与每日简报进一步激发了团队热情： 如何成功举办Fixit周 经验表明，Fixit的成功与否在于准备阶段。平日里，团队鼓励成员将遇到的潜在问题标记为“Fixit候选”。在Fixit周前一周，各小组会对这些问题进行分类： 还会列出高优先级的关键漏洞，确保第一天所有人都有明确目标，不必浪费时间寻找任务。 两天的硬性限制早期曾有成员选中一个看似简单的漏洞，却意外陷入庞大依赖与陈旧代码的泥沼，整整两周都未完成。虽然工作有价值，但完全违背了Fixit的初衷——频繁交付、保持节奏与动力。因此制定了“两天上限”：如果修复任务超出预期，就应中止并回到主干任务。这不是否定工作本身，而是为了保持Fixit的节奏与乐趣。 团队规模的关键性早期Fixit仅限于7人小组，虽然效果不错，但缺乏更大范围的共鸣。当人数达到40人后，氛围显著不同——群体能量被激活，参与感更强。对于不同团队，理想人数可能在7至40人之间，但“群体势能”是Fixit成功的核心。 游戏化的激励机制积分与排行榜不仅是噱头，还是维系动力的重要工具： 得益于良好的文化氛围，团队几乎未出现“刷分”现象。 AI工具的助力Fixit的一大挑战是频繁切换上下文，而AI工具极大缓解了这一问题。它们不仅能快速检索代码、总结修改方向，还能生成修复思路，帮助工程师以更低的心智负担进入问题域。虽然AI生成的代码往往需要人工修正，但它让每次修复的起步更高效。 对Fixit的质疑与反思有人认为Fixit是在承认团队平时忽视小问题。这种观点不无道理，确实许多“纸割型”漏洞往往被长期忽略。但Fixit正是为这些问题提供空间的机制。它并非取代常规漏洞修复，而是承认“略烦却不紧急”的问题也值得解决。 也有人质疑“暂停路线图工作一周是否浪费”。从资源角度看，40个工程师周确实成本不低。然而，产品打磨所带来的用户体验提升与团队士气的增长，往往能长期反哺生产力——无论是更快的测试、更清晰的错误提示还是更顺畅的流程，都能让收益持续累积。 当然，对于小团队或初创公司而言，一整周的Fixit可能成本过高。但这一机制可灵活缩短，如“每月一个Fixit周五”或“季度两天的微Fixit”，关键在于为“没人安排但人人抱怨”的问题预留时间。 Fixit的真正意义官方理由是提升产品质量与开发效率，但更深层的原因在于它带来的情感满足感——修复问题的纯粹快乐。这种体验让工程师重新感受到“匠人精神”的核心：关注细节、改善体验、让产品更好。虽然不应全年都如此工作，但若一个组织从未腾出时间做这些事，那才是真正的遗憾。

随着年龄的增长，越来越多的从业者开始思考一个关键问题——自己是否正在以正确的方式花费时间，以推动职业生涯和人生的前进。这不仅是个人的反思，也是公司在每一次绩效评估中提出的疑问：这位工程经理是否有效地利用时间，为公司或团队创造了价值？ 然而，令人困惑的是，这两个看似相似的问题在实践中却几乎没有交集。本文试图在当下这个特殊时期深入探讨这些问题——一个管理者被告知“过去十年都在做错事”，必须接受一种全新的工程管理模式才能继续被行业认可的时代。 作者曾在相关主题上发表过演讲，并将主要观点以视频形式记录了下来（附有演讲幻灯片）。 优秀领导力的“潮流化” 在2000年代末期的雅虎，工程管理的模式与当今截然不同。当时，一位团队主管可能两年才与下属进行两次一对一沟通，一次是入职后的初次交流，另一次是员工提出离职时的谈话。按照今天的标准，这样的管理方式会被视为失职。然而在当时，这种领导风格与《新机器之魂》中描述的管理者极为相似——识别关键机遇，引导团队克服组织阻力，推动项目向前。这类管理者在当时的背景下是高效且被认可的。 进入2010年代后，行业风向发生了转变。吸引、留住、激励工程师成为衡量领导力的核心标准。在那个资本充裕、企业高速扩张的时代，这种管理思路无疑是正确的。许多组织甚至鼓励新晋经理人“放下键盘”，彻底从编码转向管理，这在当时被认为是“好建议”。回看那一时期，这种指导虽然如今显得脱节，但确实契合了当时行业的现实需求。 而从2022年底开始，形势再度转变。高利率终结了零利率时代（ZIRP），人工智能工具的兴起使大型工程团队的必要性受到质疑。组织架构变得扁平，许多曾经专注协调的角色如今被要求重新“动手写代码”。那些在上一时代被视为典范的经理人，反而被重塑为“官僚”而非“领导者”。 这种领导理念的更迭背后，实质上是商业环境的变化。每一次转型都伴随着新的道德叙事——2010年代的叙事是“赋能工程师”是一种道德善；2020年代的叙事则是“中层官僚导致组织低效”。然而，真正的驱动力并非道德，而是商业逻辑——资本环境变化与AI生产力的崛起才是根本原因。 因此可以得出结论：行业总会在演化中重新定义“好领导”的标准，并以“道德故事”包装这种转变。但事实上，这一切几乎总是源自经济结构的变化。任何将当下的管理观念当作“真理”的人，都有可能在下一次周期转变中措手不及。换言之，“优秀领导力”本身就是一种潮流。 跨越潮流的自我发展 如果承认领导力的标准会周期性地变化，那么一个更深层的问题便出现了：怎样的技能，才能在今天行之有效，又能在未来保持长期价值？ 长期与工程经理共事的经验表明，有八项基础的工程管理技能，可以分为两类：核心技能（适用于所有管理岗位）与成长技能（决定职业上限的能力）。 核心技能包括： 成长技能包括： 这些能力几乎可涵盖所有有效的管理者类型。 自我评估的思考问题 衡量这些能力没有完美的标准，但可以通过一些问题进行自我检验，例如： 这些问题的答案反映了管理者在各个维度上的成熟度。值得注意的是，如果高层从未主动邀请某位经理参与关键任务，往往意味着该经理在特定能力维度上尚未被视为“专家”。 “核心技能”是否恒久不变？ 实际上，核心与成长技能的边界会随行业潮流而变化。例如，在今天的环境中，“执行力”是核心能力，而在过去的高增长时代，它的重要性则较低。这也是跨越周期最具挑战的地方：唯有在各维度上保持均衡，才能在环境剧变时不被淘汰。 保持能量以维持投入 《工程管理执行手册》中提到，理想的时间分配并非数学意义上的最优解，而是能让人保持长期动力的平衡状态。对一些人来说，这意味着继续写代码；对另一些人，则是改进流程、优化结构。维持能量，是长期高效管理的前提。 四十年的职业生涯 与能量管理类似，职业生涯也需长远规划。在《四十年职业生涯》的讨论中，每个阶段都面临不同的优先维度——速度、人脉、声望、收入、学习。早期可以追求高强度成长，晚期则可能因家庭责任而选择稳定节奏。认清这些权衡并有意识地做出选择，是塑造长期职业幸福感的关键。若缺乏这种自我认知，很难在漫长的职业道路上保持持续投入。 总结来看，“良好工程管理”并非固定的公式，而是时代经济与技术环境的产物。唯有理解潮流背后的逻辑，构建稳固而多元的技能组合，才能在不断变化的行业中立于不败之地。