真正在做 AI 的人今天說了什麼。一頁讀完，約 5 分鐘。
今天有兩個觀點佔了主場，而且指向同一個方向：Aaron Levie 說全世界 99% 的 token 都會消耗在企業內部，而普及要花上好幾年，因為工作流得推倒重建；Meta 的 Madhu Guru 則認為落地慢是因為產品到今天還要求使用者先學會一套實驗室黑話，才能真正把事辦成。Jeff Dean 從 Google 離職的訊息就砸在這中間。今天最好的一篇長文觀點是：下一個爆款消費級 AI 產品不會是一個更好用的輸入框，而會是多人線上的。
全世界 99% 的 token 都會消耗在企業內部
Levie 的判斷是：絕大部分 token 都會燒在企業場景裡，用來寫程式碼、梳理生命科學研究、做製造業自動化、給公司做安全防護、識別欺詐。這些地方最容易算得清 inference 的成本賬，也最能體現一堆 agent 並行替你幹活的價值。就算是面向消費者的 agent，多數也會包裝成端到端的服務出現，比如更快的保險理賠、更快的銀行開戶，使用者那頭根本看不見 AI 的影子。他補的那句提醒才是重點：普及需要好幾年，因為工作流要圍繞 agent 重做一遍，所以指望這事一夜之間發生的人，該改改自己的時間表了。
AI 落地慢，是因為我們逼著使用者學實驗室黑話
瓶頸不在能力，而在於我們甩給使用者一個空白視窗，讓他自己寫 prompt、選模型、判斷要不要用 agent，還得莫名其妙地搞懂什麼是 context window、reasoning、MCP、memory 和 skills。大多數人根本不在乎這些。他們只想把一件事辦完，誰能給他們這個，誰就贏。他判斷，這樣一款把所有複雜度都藏起來的突破性產品會在 12 個月內出現。他還回憶了 Gemini 時期的 Jeff Dean，說那是他共事過最接地氣的高管：一場技術深水區的討論裡，他本沒什麼立場發表意見，Jeff Dean 卻願意把他的話完整聽完。
下一個消費級 AI 贏家會是多人產品，而不是又一個輸入框
消費級計算的主角一直在從技術極強的創始人，滑向產品天才。Google 有 95% 是後端魔法，Facebook 的技術含量比 Google 低、比 Friendster 高，到了 Pinterest、Snap 和 Instagram 這一代，CEO 已經完全不是技術出身。AI 現在還停在自己的 Google 階段，ChatGPT 頑固地是個單人產品，重度使用者把自己的 custom instructions 當成民間秘方藏著掖著。說到 custom GPTs，Benchmark 的 Sarah 毫不客氣：“我覺得這簡直是犯罪，做出它的團隊能力強得離譜，可這東西一點社交性都沒有。”缺的是身份感和信任：你能看到有 3,000 人用過某個人的 GPT，卻永遠看不到裡面的 prompt 和文件，所以沒人有理由去關注任何人。
Jeff Dean 要離開 Google，外加一份 AI 下一批熱詞預測
Jeff Dean 從 Google 離職、Nikita 從 X 離職，用他的話說，這是回舊金山最災難的一天。他的另一項貢獻是列了一份觀察名單，預測接下來 6 到 9 個月會被用濫的詞：out of distribution、control plane、unverifiable fields、rails、intelligence per watt、cope 和 angst。有些已經在流傳了，他賭的是出現頻率會飆升。
Google 在程式設計上落後，Demis 卻押注 world model
Shipper 對 Google 處境的解讀：要在今天保持競爭力，它必須在前沿程式設計能力上追回來；但 Demis 認為，world model 這類不同的基礎研究方向對他的長期目標更重要，哪怕它們眼下在競爭層面沒那麼關鍵。這看上去是一次有意的取捨，而不是疏忽。
一萬個 agent 併發、每分鐘 5,000 個 CPU 核，配額還能再提
Rauch 在推銷一種近乎無限的 agent 算力：10,000 個併發執行，外加每分鐘 5,000 個 CPU 核，而且這些配額還能往上調。另外，他給機器智慧定的標準是搞笑能力：寫出一條爆款推文屬於 AGI 完全問題，如果你能證明某個模型可以在多項式時間內做到，那你就把整類 AGI 問題都解決了。
一個粗糙的多 agent 排程器：任務跑完自己回個話
多 agent 的近期未來，粗糙版本長這樣：讓一個執行緒在跑完後主動回個話，你就得到了一張隱式的看板或者瀑布圖，上面是彼此依賴的執行緒，每個 agent 各自保留自己的工作成果。目前還沒有工具把這件事做好，但你現在就能在大多數程式設計 agent 裡手動拼出來。他想要的是給這個模式配一個真正的介面。
一個 /human-review skill，給 agent 的草稿開一個視覺化編輯器
給 Codex 和 Claude Code 寫的新 skill：輸入 /human-review 加上文件名，就會開啟一個視覺化編輯器，你可以直接改文字和排版、調整圖片大小，還能像在 Google Doc 裡寫批註那樣給 AI 留反饋。點一下傳送給 agent，它會把所有修改一次性應用上。這個 skill 是為 PRD、落地頁以及其他 HTML 或 Markdown 檔案做的，前提假設是：最後 10% 的打磨還是得靠人，而不是再讓 agent 跑一遍。
只要產出足夠好，AI 檢測就不重要了
他用一個類比來看待圍繞 AI 檢測的這波焦慮：銀餐具從前都是手工打的，可現在沒人會抱怨自己那把餐叉是機器衝壓出來的。真正要緊的是想法本身的質量，是大家能吃上飯。他在等模型好到某個程度，讓整個檢測生意變得毫無意義。
來源資料出自 zarazhangrui 的開源專案 follow-builders，以 MIT 授權釋出。摘要由 LLM 依該專案的公開 feed 生成，摘要 prompt 亦改編自該專案。上面每一則都連結到原始出處。
摘要由程式自動生成。據此判斷前請先看原文。