SecondSource 晨報 · 2026/7/13 · https://secondsource.io/issues/2026-07-13
本期素材:研究系統 2026-07-13 日報。過去 24 小時沒有「當天剛發生」的產業事件 — 本期主線取自過去約三週(2026-06-15 至 07-07)幾份分析文章裡最有承重力的判斷,每條標明原發時間;另有一批中國視角的檔案材料(原發 2025-05~06)。本週沒有值得單獨標舉的行家新觀點,故「大神觀點」出一則舊而重要的(Nathan Lambert,2025-09),並說明它今天為何被重新核對。
本報不是新聞摘要:我們從每天的 AI 資訊流裡捕捉真正重要的洞見與值得長期追蹤的行家判斷,並交代每一條是怎麼驗證的 — 重點永遠是「哪條判斷變硬了、誰說得準」,不是今天發生了什麼。
本批來源盤點:過去 24 小時的例行抓取新進約 50 篇材料(美國上市公司財報申報 43 份、播客逐字稿 7 篇其中 6 篇讀完、1 篇整集無新料濾掉 = 幫你省的時間);X 上追蹤的帳號有小量動靜(@sama、@elonmusk、@bhorowitz 等),原創貼文全數讀完。這 50 篇是「過去一天真的新進」的量。一次性回填(非過去 24 小時素材):檔案庫本週續灌歷史材料 — 學術論文 2,101 篇、部落格 2,083、電子報 974、上市公司申報 851、業界分析 533、播客 288、X 貼文 202 等,只供回查、不冒充新聞。持續追蹤 529 人/來源(文末「我們追蹤的來源」),本日無一次性新增;回顧素材不計入本批數字。
1. [本週] 一份 07-07 的檄文戳破了所有「AI 幾年後接管世界」的預言:它們全都只算了上半場。研究機構 Epoch AI(專做 AI 進展的量化推算、圈內做趨勢估算最常被引用的一家)7 月 7 日發文(原文,2026-07-07)指出:關於「智能爆炸」— AI 會不會快速自我增強、幾年內強到失控 — 這場辯論吵到今天,幾乎只在算第一半,也就是「AI 能變多強」;沒人認真量化第二半,也就是「就算 AI 夠聰明,那些具體目標科技(奈米機器、太空能量收集陣列)本身有多難造出來」。這中間的差距,好比「造一把斧頭」跟「造一顆核彈」的難度差,被整場辯論當空氣。Epoch 提議補上這一半:選定一項科技、寫死你對 AI 的假設、再估算所需的時間與資源;而目前公開的此類分析只有一個(一份估算後 AGI 太陽能系統的研究,說產能「以週為尺度翻倍」— 這個數字目前只有 Epoch 轉述一個來源)。
驗證:單一來源(Epoch),是一個具名的方法論框架,不是已成共識的事實;那個「以週翻倍」的數字更是轉述的單一出處,看方向就好。
判斷更新:讀任何「AI-2027」式的時間線預言,多帶一個完整性檢查器 — 它有沒有交代第二半,還是只把能力曲線往外延伸?目前答案幾乎都是後者。這不是說預言錯,是說它的誤差比呈現的寬得多。
2. [趨勢觀察] Epoch 爬了 1,604 條中國 AI 職缺,拼出一張圖:中美搶的根本不是同一種人。同一家 Epoch,6 月 24 日把 1,604 條中國 AI 職缺爬下來做結構分析(原文,2026-06-24)。最鮮明的一條:中國 AI 職缺平均只要 1.6 年資歷(有明講年資的那些平均 3.4 年),校園應屆招聘占兩成;美國同類職缺平均要 5.5 年。翻成白話 — 中國在鋪一條「招新人、自己培養」的管道,美國在搶「已經很資深」的存量人才,是兩種相反的擴張模式。地理上也對照:中國 93% 的職缺集中北京、杭州、上海(光北京就占 63%),美國則 85% 集中在舊金山灣區。
驗證:Epoch 自家爬取、方法公開透明(屬「自證式」材料 — 出處願意攤開怎麼算的)。地理與資歷數字皆出自這一份。
判斷更新:這是結構差、不是景氣循環的短期差。對美國公司,意味著資深人才的溢價會續高;對觀察中國的人,「校招占兩成」意味著他們賭的是自建培養體系,3 到 5 年後才見分曉 — 是一條可以事後回頭校準的判斷。
3. [趨勢觀察] agent 賣不動的真正卡點是「信任」,而業界剛冒出第三種補法:供應商拿自己的資產負債表擔保。AI coding 新創 Cognition(做出號稱能自己接工單寫程式的 agent「Devin」那家)推出結果保證:如果它的 AI agent 沒交付企業客戶付費買的工程價值,最高退還 1,000 萬美元的額度(經電子報 Exponential View 6 月 15 日轉述,原始條款我們未直接核對,出處,2026-06-15)。為什麼這值得記:企業導入 AI agent 的最大障礙不是「會不會用」,是「敢不敢信」— 而業界已有兩種補法,這是第三種。第一種,供應商派工程師駐場,替客戶把 agent 客製到能用;第二種,買方自己吸收驗收成本(有量測顯示 agent 幫你省下 7 小時的活,你得再花 1 小時回頭檢查它做對沒);第三種就是 Cognition 這招 — 把「做壞了誰扛」的風險,從買方帳上搬到賣方帳上。三種補法對著同一個缺口:agent 的價值交付,還沒穩到「產品自己能賣自己」。
驗證:單一轉述來源(Exponential View 轉述 Cognition 的公告),退款條款細節未核,別當無風險承諾引用。什麼時候會變硬:有實際兌付或複購數據流出,或第二家供應商跟進同型保證。
判斷更新:這條可以直接拿上談判桌 — 要求你的 AI 供應商提供同型的結果保證,或者解釋為什麼不能。他們的反應本身,就是「他們對自己交付能力有多少信心」的讀數。
4. [趨勢觀察] 「有多少公司用了 AI」是個會騙人的指標;真正的分佈是,連用的人裡面也極度不均。同一份 Exponential View 6 月 15 日還轉了一個數字(原始數據來自 econlab):美國最頂尖 1% 的公司,每名員工每月花在 AI 上約 7,450 美元,是典型公司 11.38 美元的約 650 倍(7,450 ÷ 11.38 ≈ 650)。這說明採用不是「有/沒有」的二分法 — 就算只看「有在用」的公司,內部花費也是一條極陡的冪律曲線:極少數公司吃掉絕大多數的人均 AI 開銷。
驗證:單一轉述來源,屬第三方對數據的引述(壓在較低的可信度),看方向不看小數點。
判斷更新:評估「AI 採用率」時,別被「幾成公司用了 AI」誤導 — 用的深淺、花的結構,才是分水嶺。這和中國豆包的樣本同向:3.45 億月活躍用戶聽起來嚇人,但主體是拿來閒聊的學生與中老年人,不是生產力用途 — 用戶數從來不是收入的代理指標,用途結構才是。
Nathan Lambert(2025-09,自家電子報 Interconnects;本報今日重新核對):寫程式是前沿模型「還在進步、而且一般人摸得到」的最後一塊通用戰場 — 而同一個模型,換一層工作環境,表現天差地遠。Lambert 是開源模型領域最常被引用的分析者之一(前 HuggingFace、AI2 研究員)。他 2025 年 9 月的長文有一句銳利的觀察(原文,2025-09):同一個模型,套在不同的「harness」上,成績差距巨大 — harness 原意是馬具,馬再壯、沒有轡具拉不了車,圈內拿它指套在模型外面那層工作環境:給什麼工具、劃什麼邊界、怎麼驗收它交的東西。這句話的意思是,近期的進步很多不在模型本身,而在這層產品實作。
它接住本報哪條判斷:我們今天把這篇的 9 句關鍵論述逐字比對了原文,全數命中(同模型跨環境的巨大落差、Codex 累計合併超過 100 萬個程式碼提交、能力階梯 2021→2027),把這條判斷的可信度往上抬了一格。它正好是今日主線第 3 點的供給側 — Cognition 之所以要拿錢擔保,是因為價值就落在這層還不穩定的實作裡,不在模型的原始能力上。折扣:Lambert 立場偏向看好開源生態,框架照用、樂觀程度打折。
[量測方法,2026-06-17] Epoch 端出「AI 研發版的職業任務表」,想治的是一種「路燈下找鑰匙」的量測毛病。Epoch 6 月 17 日釋出一張任務分類法的第一版(原文,2026-06-17):把一家前沿 AI 公司的研究工作拆成 6 大類、60 多項任務,每項用 0 到 5 分評「現在的 AI 能自動化到什麼程度」。它針對的是現有量測的路燈謬誤 — 在路燈下找鑰匙,不是因為鑰匙掉在那,是因為那裡有光:像 METR 那種「AI 能獨立做多長時間的任務」的單軸指標好量,卻漏掉了研究工作真正的複雜結構。(O*NET 是美國勞工部那套職業任務資料庫,Epoch 借它的做法套到 AI 研究上。)和今日主線第 1 點合看:Epoch 這個月在做同一件事 — 把「智能爆炸什麼時候來」從吵架題改造成工程題。但目前只有 Epoch 一家在做,這是不是產業級的量測方法轉向,得等第二家機構跟進才算數。
[多源確認,2026-07] 「真正的護城河是外面那層編排,不是模型本身」這句話,本批四路交叉都對上了。編排層(orchestration layer)指的是把模型接上工具、權限、工作流的那套協調膠水。業界大會 AIEWF 的每日速記(2026-07,出處)寫得直白:「多數客製化工作發生在編排層,而不在模型本身」;加上 Claude Code 的一則團隊發布(6/23,對得上 Anthropic 官方公告)提到,它「替產品團隊寫了 65% 的程式碼」。這條判斷的可信度因此再往上抬了一格。注意:那個 65% 是 Anthropic 講自己,自報數字打折看。
[學界動向] 本週無重大新論文。過去一週檔案庫新灌的學術材料,主體是晶片架構、蛋白質、能源類的歷史論文回填(較舊、且與本期主線無直接連動),沒有一篇是「本週真正新出、或舊論文突然被重新重視」且扣得上主線的。按規矩不硬把常青概念當新聞湊 — 真沒有就說沒有。
[趨勢觀察] 同一份中國職缺研究還漏出一張晶片使用地圖:國產晶片先啃下「推理」,最硬的「預訓練」仍靠 Nvidia。Epoch 從 1,604 條職缺讀出一個結構(6/24,同前出處):中國的 AI 推理在生產環境仍普遍跑在 Nvidia 上(用它的 CUDA、TensorRT-LLM 這套軟體),同時各家在招華為昇騰(Ascend)、寒武紀的相關人才;也有個別模型(GLM-Image,160 億參數)完全用國產晶片訓練。Epoch 的最佳猜測是:國產晶片「頻繁用於推理、罕用於預訓練」。拆開講 — 推理是「拿訓練好的模型去回答」,吃的算力相對輕;預訓練是「從頭把模型煉出來」,吃的算力最重。所以出口管制之下,國產替代是從下往上、先啃輕的那頭發生的。
驗證:這是 Epoch 讀職缺得出的推斷(推理端與圖上既有的「昇騰用於推理」線同向),不是廠商自白。現況(截至本期):這是 6 月下旬對職缺的一次讀取,國產晶片進展變動快,要盯的真正門檻是「預訓練」何時翻過去。
中國模型層的低毛利不是競爭的意外,是政策設計出來的 — 而且用了一個比電動車更狠的機制。知名創投家 Bill Gurley(Benchmark 合夥人,矽谷最資深的科技投資人之一)在 BG2 播客上(錄於約 2025-08,原集)給了一個精準的判斷:中國模型層之所以毛利被壓得極薄,不是廝殺的副產品,是五年規劃直接寫進去要「開源」、再由各省競爭執行的結果 — 多個開源模型並存,沒有壟斷焦慮。他的類比很利:電動車的超級競爭裡,你不能把對手的車拆了讓自己的車變好;但模型可以 — 開放權重(把模型訓練好的參數公開,任何人都能拿去跑、去研究、去改)讓每一家實驗室都站在彼此的技術報告上,這種「互相墊高」的競爭比電動車還猛。結論:模型層的毛利被結構性壓扁,護城河因此遷移到分發層(阿里雲、字節的 App、小米的終端)。這條有內部視角佐證:Nathan Lambert 指出,中國實驗室靠彼此詳盡的技術報告,省下重複燒掉那 80% 的研發算力。
驗證:單一來源(Gurley,2025-08 的舊集),屬看方向的假說。有一條學術邊界值得標:模型「互相改進」有上限 — 研究顯示模型的表面能力可以跨模型轉移,但某些隱性特徵不會(arXiv,2026-06)— 所以 Gurley 的口語說法在方向上成立,在「能複製多少」上講得偏寬。
怎麼用:這解釋了今日主線第 2 點看到的分歧 — 中國新創為何多聚焦模型/軟體,而平台巨頭(阿里、字節)敢往機器人、車機、穿戴下更廣的賭注:當模型層本身賺不到錢,籌碼自然往握著供應鏈與分發的巨頭那邊集中。它輸出的價格壓力,也會變成全球前沿模型定價的天花板。
X 追蹤 305 人(Elon Musk、Andrej Karpathy、Sam Altman、Greg Brockman、Mark Zuckerberg、Demis Hassabis、陳立武、Jeff Dean、Noam Brown…)、播客 90 人(Satya Nadella、Sundar Pichai、Dario Amodei、Sam Altman、Demis Hassabis…)、電子報 46 人(Dylan Patel、Jack Clark、Nathan Lambert、Dwarkesh Patel、swyx、Ben Thompson、Nathan Benaich、Ethan Mollick、Andrew Ng…)、個人部落格 48 人(Karpathy、Simon Willison、Chris Olah、Jason Wei、Boaz Barak…)、論文作者 48 人(Noam Shazeer、John Schulman、Percy Liang、Tri Dao、Matei Zaharia…)、機構部落格 70 個(NVIDIA、Google Research、Hugging Face、SemiAnalysis、Interconnects、More Than Moore…)、財報/法說 26 人(Jensen Huang、Lisa Su、魏哲家…)、主題演講 23 人、媒體訪談 51 人、YouTube 4、書 2、課程 2、政府 1 — 共 529 人/來源。
—— SecondSource·由研究系統自動生成 · 8 個來源 · 回信即 feedback
---