CONTENT DISCOVERY
搜索与筛选
按关键词、专题、内容类型和时间尺度查找已发布内容。
显示 152 / 152 条内容
-
AI 泡沫时钟模型
时钟走到了哪里？时钟走到午后三点：太阳正烈，阴影已经开始拉长。
-
AI竞赛中美必有一战？“修昔底德陷阱”的叙事幻觉
修昔底德陷阱被包装成客观规律，实际上只是好用的叙事工具。它有三个方法论硬伤，还翻转了责任归属，让中美强硬派各取半边。AI竞赛只是它找到的最新宿主，拆掉这层滤镜才能看清真实的风险与选择。
-
双重夹击：AI 的能源软肋与金融暗链
OECD 在 2026 年《经济展望》中画出了 AI 的两条软肋。一条是能源：数据中心运营成本的 60% 是电费，中东冲突一旦推高能源价格，AI 基础设施首当其冲。另一条是金融：七巨头 2027 年资本开支将达 1.1 万亿美元，超过盈利增速，而 AI 公司之间的循环融资正在制造一个自我强化的收入幻象。AI 的故事，正在从“能不能赚钱”变成“能不能撑住”。
-
AI 正在成为发展鸿沟：马太效应的国家剧本
世界银行在 2026 年《全球经济展望》中提出了一个尖锐的问题：AI 可能逆转全球增长放缓，但前提是生产率收益“大、持续、同时广泛扩散”。现实是，全球 24 个最贫穷经济体加起来只占数据中心容量的不到千分之一。AI 的故事，可能是一个让富者更富、贫者更贫的故事。
-
隐形账单：AI 的电费、就业与治理碎片
联合国在 2026 年《世界经济形势与展望》中算了一笔其他机构没算的账：到 2030 年，数据中心年耗电量将接近 1000 太瓦时，略超日本全国用电量；2025 至 2030 年间，仅数据中心发电就将新增约 17 亿吨温室气体排放。AI 的成本，不只是芯片和算力，还有电费账单、就业冲击和治理真空。
-
AI在制造业的利润流向了谁？
88%的企业在用AI，只有39%能在财报上看到利润贡献，全球仅2%的制造商把AI深度嵌入运营。利润没有流向用AI提效的工厂主，而是流向被AI需求拉动的装备与能源公司、把AI当成下一代产品的制造巨头、以及卖AI给工厂的集成商。降本的尽头是价格战。
-
AI制药走到哪一步？临床深渊比想象中更深
Isomorphic Labs拿到6亿美元却推迟临床，Rentosertib走到II期但信号温和，至今无一例AI药物通过III期。瓶颈不在技术，在监管路径与责任归属。厂商挤在“看片子”赛道，下一个价值池在责任归属打通之后的干预决策类。
-
AI导师为什么失败？学生根本不想主动学
Khanmigo上线三年被创始人承认是“空响”，学生拿它抄答案而非学习，Chegg付费用户同比跌31%。教育生意的护城河是行为设计不是内容生产，AI真正能压塌的是按时间计费的学位制本身。
-
人文社科到了“逆袭时刻”？交叉学科的变现时刻
“AI大厂疯抢人文社科生”冲上热搜，但124条JD显示逆袭的是交叉型岗位而非纯文科。引擎是AI走到了需要人文判断的阶段，文凭只是外衣，SQL和数据分析才是分水岭。
-
“一人公司”真的是机会？瓶颈在哪？
政策铺路、算力券降本，一人公司热潮席卷23城，OPC社区突破400处。但“算力等于人力”这个公式漏了判断力，AI降的是执行门槛，降不了判断门槛。活下来的，是进OPC之前就攒够经验的人。
-
AI理论上能做94%的工作，为什么实际只接管了33%？
Anthropic用Claude真实使用数据给出两个数字，理论覆盖率94%，实际只有33%。中间60个百分点的落差，不是技术卡点，是企业的数据、系统、权限这些组织改造没跟上，这正是留给所有人的缓冲窗口，但窗口不会均匀关闭。
-
为什么最努力、最“正确”的那批人，反而最危险？就业替代的倒U型机制
阿里减员34%、亚马逊裁3万岗，海底捞顺丰却一个不裁。AI不是大洪水而是精准狙击，替代风险呈倒U型，峰顶落在最努力、最“正确”的那批人头上，因为他们把自己练成了AI训练数据的同类项。
-
为什么你刚学会的AI技能，马上就不值钱了？
2023年提示词工程师年薪百万，今天已成默认技能没人买单，前后不到三年。MIT金融学教授Andrew Lo三十年前提出的适应性市场假说早就画出这条曲线：技能就是策略，任何有效策略都会被竞争侵蚀成基础收益，“会用AI”正在完成这个收敛。
-
你花在阅读上的时间，有多少变成了决策
三十二小时的深度阅读，只换来两条可行动的信息。问题不在投入产出比，而在产品形态：你在用自己的时间适应作者的结构，而不是反过来。
-
你读的大部分分析，为什么三个月后就过期了？
一篇文章读的时候觉得无懈可击，三个月后就过期。问题不在作者聪不聪明，而在方法：他把太多东西交给了直觉，而那些东西本来可以被结构化、被计算、被设定触发条件。
-
AI 药物临床深渊
药物从II期走到III期并最终上市之间那段高失败率地带，AI药物也跨不过去，至今无一例通过III期。
-
六月趋势｜两轨分化、agentic AI 落地、前沿模型安全审查政治化
6 月是 2026 上半年事件最密集的月份，32 条节点在三轴上同时爆发。职业层面，Challenger 报告显示 AI 连续第三个月成为最主要裁员理由，2026 前五月累计 AI 裁员 87714 人已超 2025 全年，PwC 晴雨表揭示“两轨劳动市场”成形，黄仁勋和贝索斯两位巨头对就业影响给出相反判断。产业层面，agentic AI 从概念进入产品落地：Google Gemini Spark 上线、Anthropic Claude Sonnet 5 专为 agent 设计、Claude Science 面向科研人员，SpaceX 以 600 亿美元收购 Cursor 创 AI 应用层并购
-
五月趋势｜裁员暴风期、变现方向分歧、前沿模型格局生变、中美加速脱钩
5 月是 2026 上半年事件最密集的一个月之一，16 条节点集中爆发。职业层面，AI 驱动裁员进入“暴风期”：Coinbase、PayPal、Cloudflare、Upwork、思科在两周内先后宣布以 AI 为由裁员，Meta 8000 人裁员正式生效，Challenger 报告显示 AI 连续第三个月成为最主要裁员理由。产业层面，趋势线出现方向性分歧：OpenAI 利润率负 122% 暴露生成式 AI 的核心经济矛盾，Anthropic 估值反超 OpenAI 证明 B 端变现路径优于 C 端，Gemini 3 Pro 首次全面领先 GPT-5 标志前沿模型竞赛格局生变，Token 预算恐
-
四月趋势｜裁员扩散到平台级、开源能力超越、资本军备竞赛、监管实操落地
4 月是 2026 上半年趋势线集中爆发的一个月。职业层面，Snap 和 Meta 两大互联网巨头先后以 AI 效率为由裁员，AI 驱动裁员从中小企业扩散到平台级公司；与此同时，巴基斯坦和迪拜启动国家级 AI 培训，再培训从英美扩展到发展中国家。产业层面，中国开源模型在 4 月打出两记重拳：DeepSeek V4 开源预览和智谱 GLM-5.1 在编程能力上超越 Claude Opus，开源逼近前沿从生态规模推进到能力超越；四巨头单季 capex 达 1306 亿美元，全年预测上调至 7250 亿美元，资本支出从“投入”变成“军备竞赛”。地缘层面，阿联酋 G42 推进 5 吉瓦 Stargat
-
三月趋势｜裁员从替代升级为投资优先、算力深化为基建审批、监管三分天下
3 月是 2026 上半年事件最少的一个月，但每条节点都指向趋势线的方向性变化。职业层面，AI 首次在单月裁员原因中位居首位，Atlassian 以“自筹资金投 AI”为由裁员 10%，归因逻辑从“AI 替代”进化为“AI 投资优先”。产业层面，算力瓶颈从电力短缺深化为并网排队超五年，扩张速度受制于基础设施审批周期。地缘层面，三大经济体在 10 天内先后做出监管方向选择：美国白宫发布轻监管蓝图试图抢占州级立法、中国十五规把算力主权写入顶层设计、欧洲议会投票延后高风险系统合规期限。三条监管线同时显形，全球 AI 监管版图的分叉在 3 月定型。
-
二月趋势｜裁员进入重组、变现进入成本革命、算力转向结构性转移
2 月的 AI 领域出现三个“首次”：AI 首次从“辅助工具”转向直接推动大规模企业重组（Block 裁员 40%、WiseTech 裁员 30%），中国 AI 应用首次在性能对标前沿模型的同时把成本压低一个数量级（豆包 2.0 Pro），NVIDIA 单季度营收创历史新高证明算力需求不是见顶而是结构性转移。与此同时，SaaS 行业在 48 小时内经历集体暴跌，AI 对软件商业模式的侵蚀从理论变成盘面现实。地缘层面，越南引入阿联酋 G42 建设主权 AI，算力民族主义从大国扩展到中等国家。
-
一月趋势｜管制反转、培训启动、裁员加速、算力升级
1 月的 AI 领域出现两条并行主线：一条是“对华芯片管制的政策摆动”，从全面封锁转向条件化放行，又在月底遭遇国会反弹；另一条是“国家级 AI 技能培训的全球启动”，印度和英国几乎同时把 AI 再培训写入国家战略。与此同时，美国裁员数据中首次出现“单月超万起裁员与 AI 明确相关”的量级，OpenAI 星际之门扩至 7 吉瓦把算力瓶颈从芯片推向电力，阿里千问衍生模型破 20 万标志着开源生态从替代品变为基础设施。
-
家长版：AI 时代的文科专业选择指南
面向正在选专业、选大学的中国中产家长：把 124 条 AI 公司官方招聘信息反向映射为专业选择和能力配置建议。
-
AI 时代人文社科的就业判断：暂时回暖，还是趋势建立？
基于 124 条 AI 核心公司官网 JD，拆解“文科+AI”岗位热度的真实结构：哪些是趋势，哪些只是被误读的标签。
-
ACDP 模型技术白皮书
AI Career Displacement Progress：用“四扇门”因果管道框架，度量 894 个美国职业在 AI 位移进程中卡在哪一步。
-
持续追踪：BIS 2026 年度经济报告跨报告对照
以 BIS 2026 年度经济报告为基准，对照 IMF、World Bank、OECD、UN DESA 与 UNCTAD，整理六家机构在增长、通胀、AI、债务、金融稳定与地缘风险上的共识与分歧。
-
当所有人都能获取同样的资讯，什么变成了稀缺品
当信息的获取门槛归零，靠“读得比别人多”建立的优势也随之消失。但这场对话的结论是：AI 消灭的是获取原料的成本，而加工原料的判断力，反而因为原料的泛滥而升值了。
-
你以为是事实之争，其实是世界观之争
两个人拿着都真实的数据，却得出完全相反的结论。这场对话把争论从“谁的数据更多”推进到更底层的问题：真正决定判断方向的，往往是你没有显式说出的世界观。
-
为什么读了那么多分析，还是很难做决定？
大多数人把“读得不够多”当作决策困难的原因。但这场对话的结论却正好相反：你不断积累的信息，可能正在成为你下注的阻力。
-
价值池
产业链中因技术、监管、资源稀缺或议价权变化而集中形成收入、利润与估值的环节。
-
AI 技术体系分裂固化
两套技术栈经过基础设施投资、开发者迁移和标准建立后形成路径依赖，重新统一的成本超过最初分裂带来的收益。
-
第三方国家两面下注
第三方国家在安全与政治层面靠近一套体系，同时在商业和应用层使用另一套更便宜或更开放的技术，以分散风险并提高议价权。
-
第三方国家选边权
第三方国家保留在不同芯片、模型和安全体系之间选择与议价的能力，不被迫永久绑定单一技术阵营。
-
开源模型地缘策略
把开放模型权重和宽松许可作为扩大国际影响力的手段，以低成本、低限制争夺全球开发者和第三方市场。
-
可信 AI 联盟
由一组国家建立共同安全标准、供应商名单和模型准入规则，以技术互信换取市场与情报合作，同时排除被视为高风险的体系。
-
前沿模型部署管制
政府不只限制芯片出口，还限制前沿模型向哪些国家、组织和个人开放，把模型访问权限纳入国家安全审查。
-
AI 技术代差
国家或企业在前沿算力、模型能力和工程体系上的领先距离。维持代差能转化为军事、金融、生物科技和网络安全上的不对称优势。
-
开源模型公共品化
模型权重和代码以宽松许可向全球开放，任何开发者都能使用和再开发，使模型能力具有类似公共基础设施的扩散特征。
-
前沿模型受控资源化
前沿模型或算力从普通商业产品转变为需要政府审批、身份核验或特定伙伴资格才能获取的战略性资源。
-
平行技术栈
不同地缘体系分别形成芯片、模型、云、开发工具和标准，彼此兼容性下降，全球市场从一个技术网络分化为两套或多套体系。
-
封锁—替代反馈回路
封锁越严，替代投入越快；替代越快，封锁成本越高；成本越高，政策松动压力越大，而松动又可能被视为封锁失败。
-
供给—需求两端传导机制
供给侧限制与需求侧选择彼此影响：封锁改变产品可用性和成本，市场迁移又反过来改变管制的政治基础与商业代价。
-
AI 生态锁定机制
企业围绕某套模型、API、开发工具和数据体系建立生产系统后，迁移成本不断上升，技术选择从单次采购变成长期路径依赖。
-
自主替代窗口
外部限制在短期制造缺口的同时，为本土产品提供试错、采购倾斜和规模化机会的阶段。封锁越强，替代激励可能越大。
-
AI 替代供应链
在原有芯片、设备或软件来源受限后，由本土厂商或第三方国家重新建立的供应体系。它决定封锁是形成长期瓶颈，还是加速国产替代。
-
AI 需求侧博弈
围绕全球企业和开发者最终选择哪国模型、云和工具链展开的竞争，决定因素更多是成本、性能、开放度和生态，而非行政命令。
-
AI 供给侧博弈
围绕谁能获得芯片、模型、设备和技术转让展开的国家竞争，主要工具是出口管制、许可证、投资限制和供应链控制。
-
修昔底德陷阱的责任归属翻转
原版理论问的是“崛起国想要什么”，Allison版本问的是“守成国害怕什么”。表面看是同一个现象，实际指向完全相反的政策结论。
-
AI 竞赛叙事动员
AI竞赛叙事表面是预测，实际是动员。它把需要逐项算账的政策问题，压缩成一个不需要论证的生存问题。
-
权力转移理论
Organski在1958年提出的原版理论，认为崛起国接近守成国只是冲突的结构条件，关键还要看崛起国对现有秩序满不满意，和平的钥匙握在崛起国手里。
-
斯普特尼克时刻
1957年苏联率先发射人造卫星，震动美国并开启太空军备竞赛，后来被用来比喻某个技术突破触发全面竞赛焦虑的时刻，DeepSeek R1就被这样类比过。
-
修昔底德陷阱
哈佛学者Allison提出的说法，把“崛起国挑战守成国”描述成大概率走向战争的规律，但它的16个案例统计经不起推敲，更像一个用来为强硬政策背书的动员工具。
-
AI 隐形账单
AI的成本不只是科技巨头的资本开支，也是每个用电者分担的电价上涨。AI的账单，最终会寄给所有人。
-
AI 能源软肋
能源占数据中心运营成本的60%，使得AI服务成本对电价高度敏感。AI的经济可行性，在很大程度上取决于能源价格。
-
AI 私募资本敞口扩张
私募资本基金对AI相关抵押品的敞口正在增加，包括数据中心和芯片抵押贷款。技术快速过时、价格历史有限、估值可能被短期芯片短缺推高。
-
AI 泡沫内部消化
资本支出高峰期过后，市场将残酷筛选出真正创造价值的AI应用，大部分跟风项目和公司消亡，少数胜出者定义下一个十年。
-
AI 收入幻象
供应商通过投资、贷款或采购兜底为客户提供资金，客户再用这些资金购买供应商产品，收入在会计上真实发生，却未必来自可持续的终端需求，因此可能高估产业的真实自我造血能力。
-
AI 信用链断裂机制
一旦这个循环被打破，无论是因为GPU需求放缓，还是某个关键参与者的信用链断裂，冲击不会局限在科技行业内部，而会通过私募信贷和NBFI体系向实体经济扩散。
-
AI 互补性投资机制
AI的生产率收益不会自动到来，它需要一整套互补性投资来承接。技能、能源、数字基础设施、市场竞争、数据治理，缺一不可。
-
AI 不对称风险
AI上行的收益是温和的，下行的代价是剧烈的。+0.2%对比-1.5%，不对称性接近8倍。
-
马太效应
取自圣经“凡有的，还要加给他”，指强者愈强、弱者愈弱的累积现象，世界银行用它来形容AI让富裕国家掌握更多算力和能力、贫困国家进一步边缘化的趋势。
-
索洛悖论
经济学家索洛提出的经典困惑，到处都能看到计算机，唯独在生产率统计里看不到，AI正在重演这个微观有效、宏观沉默的困局。
-
全球 AI 治理碎片化
全球AI治理缺乏统一框架，各国各自为政、机制重叠又留白，联合国2025年启动了AI科学小组和全球治理对话两个新机制，试图补上国际协调的空缺。
-
AI 循环融资机制
芯片商、云厂商或资本方先向AI实验室和新型云服务商注资，被投方再以长期采购承诺把更多资金花回投资方的芯片、云和算力产品。账面收入、估值与融资能力彼此强化，但终端需求可能没有同步增长。
-
AI 外部性
经济活动对交易双方之外的第三方产生的未被定价的影响，联合国把AI的电力消耗、温室气体排放、青年就业冲击都归为外部性，意思是这些成本没进AI公司的账本，却由全社会承担。
-
AI 双向赌注模型
IMF给AI的定性，意思是AI既可能带来生产率上行收益，也可能触发投资泡沫破裂的下行冲击，两面都真实存在，目前数据不足以判断哪面会占上风。
-
small AI
世界银行提出的概念，指优先考虑效率和本地化自主性的轻量级AI方案，不需要前沿大模型那种万亿参数和大规模前期投资，适合农业、教育、医疗等本地场景。
-
AI 教育主动需求缺失
Khanmigo的失败不是技术失败，是“学生不想主动学”这个需求侧现实被供给侧的技术进步掩盖了。
-
AI 需求侧冲击
真正拉动业绩和股东回报的是“AI需要电”这个需求侧冲击。利润流向了满足AI需求的那一端，而非使用 AI的那一端。
-
AI 降本入场券效应
AI让“省成本”从竞争优势变成入场券，谁不省谁出局，但省了也不构成壁垒。
-
AI 导师答案工具化
学生本来就把“答案工具”当主要需求，AI导师被用成了“更快的答案工具”。
-
搜索流量倒灌机制
AI搜索杀死的是“靠流量倒灌、无品牌、无专有数据”的中间层。活下来的是“品牌加付费墙锁住用户”和“专有数据向AI公司收费”的两极。
-
内容供给过剩
AI让内容供给从稀缺变过剩，但使用触发依然靠人。
-
内容产业价值链两极化
内容产业的AI价值链正在分裂为两极。一极是“品牌加专有数据”的版权方，靠授权费和订阅涨价；另一极是“AI原生分发”的聚合层。
-
制造业 AI 产品化
制造巨头正在把AI当成下一代产品而非提效工具。特斯拉正在生产 AI 算力硬件和机器人，其目标已经超出提高造车效率。
-
教育行为设计机制
让学生每天主动打开产品的机制，比如打卡、奖励、同伴压力，AI革命了内容供给却动不了这一环。
-
Khanmigo 空响
Khan Academy创始人Sal Khan用来形容Khanmigo的词，意思是产品上线了却没人用，对学生来说等于没发生。
-
分段式能力证明
用一项项可验证的能力替代按上课时长攒学分的传统学位，Khan TED Institute想用它挑战哈佛的定价。
-
内容产业中间层消失
它指夹在头部品牌与个人博客之间的内容站，包括评测站、攻略站、工具站和资讯聚合站。它们既没有强到让用户主动打开，也没有专有到让AI必须付费使用，靠的是搜索引擎把用户送上门。
-
专有数据价值重估
就是AI公司训练模型时必须用、但无法免费抓到的数据。比如Getty的图片库、视觉中国的版权图片、商务印书馆的词典。这些数据有版权保护，AI不能随便爬，要用就得谈授权、付钱。
-
AI 搜索分流
就是你在搜索引擎里输入一个问题，搜索引擎不再给你一堆蓝色链接让你自己挑，而是直接用 AI生成一段答案放在最顶部。你得到了答案，但提供答案的网站没有得到你的点击。
-
存量硬件延寿
通过内存池化、CXL互联和专用控制器重新利用退役服务器部件，延长硬件生命周期，以减少AI基础设施的新增采购和能耗。
-
客户变竞争对手
芯片供应商最大的云客户开始自研加速器，把原本的采购支出转化为内部能力，客户关系由单纯买方逐渐变成上下游竞争。
-
定制 ASIC 崛起
为特定模型、算子或推理负载定制的专用集成电路，相比通用GPU可获得更高性能功耗比，但灵活性和适用范围更窄。
-
AI 成本反弹
单位Token或单位推理成本下降后，使用量增长得更快，最终总账单不降反升。技术更便宜并不自动带来总成本下降。
-
AI 最低消费保底机制
AI供应商要求企业承诺固定月度或年度最低消费，即使用量不足仍需付款；若用量超出则继续按量收费，形成下有保底、上不封顶的收入结构。
-
Token 计价风险
按实际Token用量收费使企业难以提前锁定年度成本，智能体的多步骤调用又放大消耗波动，CFO无法像按席位订阅那样精确预算。
-
AI 预算失控
模型单价下降但调用量、智能体步骤和组织使用范围增长更快，导致企业实际AI支出持续突破预算，成本从可预测软件订阅变成波动性运营费用。
-
Token 极大化
以扩大Token消耗和调用量为核心的增长逻辑，供应商通过智能体、多轮推理、最低消费和按量计费推动用量上升，以最大化收入。
-
AI 模型转换成本
用户从一种模型、云服务或工具链迁移到另一种方案时承担的技术改造、数据迁移、人员学习和业务中断成本。成本越低，平台锁定越弱。
-
网络效应
产品价值随用户、开发者、数据或互补应用数量增加而增强的机制。网络效应越强，后来者越难追赶，赢家通吃越可能出现。
-
AI 投资的自我实现信念
一种预期因为被多数参与者相信并据此行动，最终反过来塑造现实。企业相信AI只会剩少数赢家，于是共同抬高投入门槛，结果真的减少了可参与者。
-
基础模型商品化
当不同模型能力差距缩小、接口趋同、开源供给增加时，基础模型从稀缺产品变成可替换的标准化能力，竞争重点转向价格、分发、数据和应用。
-
赢家通吃
市场份额和利润长期集中到一个或极少数平台的格局。它通常需要强网络效应、高转换成本或规模经济，但在可多模型并用的AI市场中未必天然成立。
-
少数赢家假设
相信最终只有少数拥有领先模型、算力和生态的企业能占据主要市场份额，由此为巨额资本开支和短期亏损提供合理化依据。
-
AI 投资竞争陷阱
企业担心错过技术代际，即使回报不确定也必须持续加码；单个企业退出或降速看似理性，却可能失去未来市场，因此所有参与者被锁进高投入竞赛。
-
AI 算力资产多重质押
同一批GPU、算力合同、数据中心资产或未来收入，通过不同SPV、贷款和证券化结构被重复用于融资，导致外部投资者低估真实杠杆和资产关联度。
-
AI 需求信号失真
账面订单、营收和资本开支无法准确代表独立终端需求。当买方资金来自卖方投资或担保时，市场看到的需求信号会被融资结构放大。
-
自反性循环
投资、采购、营收和估值相互强化的反馈结构：估值越高越容易融资，融资越多越能采购，采购又抬高供应商收入和整个生态估值。
没有匹配的内容。请尝试其他关键词或重置筛选。