AI 革命最像哪一次？用第一性原理比完六次工业革命，答案是电力

1900 年前后的美国工厂里，有一根贯穿整个车间的天轴。 蒸汽机带动这根轴，轴通过皮带把动力分给每一台机床。所以机器只能围着轴排，车间布局由动力决定，而不是由工艺决定。想扩产？先加一根轴。想改流程？先把整条传动链拆了。 二十年后，同一批工厂变成了另一个样子：每台机器自带一台电机，皮带消失了，机器按工艺流程重新排列。动力从「集中配送」变成「就地获得」，工厂第一次可以为了生产效率而布局。 电在 1880 年代就已经商用。但美国制造业真正出现生产率跃升，是 1920 年代的事。中间那三四十年，电就在那里，工厂也在那里，钱也投了——红利没来。 这段历史，是我能找到的、和今天最像的一段。 一、先给结论 ​ 如果只能在历史里挑一个参照物： 最像 1870–1920 年的电力革命（第二次工业革命）。 次像 1970–2000 年代的计算机革命。 最不像互联网革命。 判断不是靠感觉，而是用同一把尺子量四件事：技术是不是通用目的技术、它替代的是什么、兑现红利是否必须先改造组织、生产率和分配的时滞有多长。 二、换个框架：通用技术不替代工种，它解除约束 ​ 大多数「像不像」的讨论都在比表象：AI 像不像人脑、会不会取代程序员。这个问法产不出任何结论。 更有解释力的问法是：这项技术解除了哪个底层约束，然后整个系统被迫围绕新约束重组。 蒸汽机和电力解除的是「动力约束」——动力必须在特定地点、以特定规模获得。约束一松，工厂选址自由了，于是有了产业带、城市化和流水线。 计算机解除的是「计算约束」——算术和信息处理有成本。约束一松，供应链可以全球协调，于是有了外包、组织扁平化和中等技能岗位的空心化。 AI 解除的是「判断约束」——做出一个够用的判断，需要一个人。约束一松，组织的层级、审批链、责任划分都要重写。 这个框架一口气回答了三个问题：为什么时滞长（要等布局重写）、红利归谁（归重写布局的人）、谁先被淘汰（守着旧约束的中间层）。 三、六次革命，逐项对照 ​ 蒸汽机：第一个通用目的技术 ​ 技术是能源转换：把热变成机械运动。互补资产是煤、铁、运河、铁路、工厂制度和有限责任法。 时滞长得惊人。瓦特在 1769 年拿到专利，但经济史家 Crafts 的测算里，蒸汽在 1780–1860 年间对英国全要素生产率增长的贡献，平均只有每年 0.1% 的量级——远小于它后来的名声。真正的跃升要等铁路和蒸汽船把网络铺开。 分配上更刺眼：1790–1840 年英国人均产出涨了约五成，工人实际工资几乎不动，这段被叫作「恩格斯停顿」。 和 AI 相同的是「通用技术 + 分配先恶化」；不同的是，它替代体力，而且被煤铁铁路这些物理条件限速。AI 没有物理限速。 电力（1870–1920）★★★★★ 最像 ​ 电力的本质不是「发电」，是「配送」。真正改变生产率的，是动力可以送到每一个工位。 老工厂是 group drive：一根天轴贯穿车间，所有机器用皮带挂在轴上，机器只能围着轴排。电气化之后是 unit drive：每台机器自带电机，车间可以按工艺流程重排。 美国制造业机械驱动的电气化率，1899 年约 5%，1919 年约五成，1929 年约八成。而制造业全要素生产率的跃升发生在 1920 年代——年增约 5%，约为此前半个世纪的两倍。 Paul David 在 1990 年那篇《发电机与计算机》里讲的就是这三十到四十年的差额：技术先到、组织后到、生产率最后到。 这句话后来被反复引用，因为它精确描述了每一次通用技术的落地节奏。 流水线（1913–） ​ 这一项容易被忽略：它不是机器，是流程。 1913 年福特在 Highland Park 装出第一条装配线，底盘装配时间从约 12.5 小时压到约 93 分钟。1914 年福特给出五美元日薪——这不是慈善，而是流水线的配套制度：流水线要的是稳定、可替换、不罢工的劳动力，高工资是买这个稳定性。 它和 AI 的同构在于「把任务拆到可标准化的粒度」。但方向相反：流水线是「把人降维成机器」，AI 是「把机器升维成人」。被拆掉的都是任务包的整体性，只是一个去技能化，一个去判断化。 计算机（1971–2005）★★★★ 次像 ​ 1971 年微处理器问世，1995 年生产率才在统计里显形。中间那二十多年，1973–1995 年美国生产率年增只有约 1.4%，而 1995–2005 年升到 2.5%–3%。 索洛 1987 年那句「到处看到计算机时代，就是看不到生产率」，说的就是这个阶段。 原因是互补资产：Brynjolfsson 那组研究给过一个量级——每 1 美元 IT 硬件，背后要配 9–10 美元的组织与流程等无形资产。买电脑便宜，改流程很贵。 分配结果也很清楚：1990–2010 年美国劳动生产率涨了约七成，中位实际工资只涨了约一成。routine 岗位（文书、簿记、装配）被系统性替换。 和 AI 相同的是数字技术、零边际成本、先替代 routine、同一套「生产率悖论」剧本；不同的是，计算机是「工具、等人操作」，AI 开始自己完成任务。 互联网（1995–2015）★★ 最不像 ​ 互联网解除的是「分发与连接」的约束。它替代的是中介：美国报纸分类广告收入从 2000 年前后的约 490 亿美元，跌到 2010 年前后的约 200 亿；旅行社、实体书店、区域零售走的是同一条路。 为什么不像：它几乎不需要重写生产单元，采用速度快、资本开支门槛低，所以结果是「快而窄」——赢家通吃、超级明星企业，但在生产率统计上的贡献有限，2010 年代美国生产率反而放缓。 最关键的一点：互联网没有进入「生产判断」环节。AI 直接坐进了车间和办公室。 印刷术：复制成本崩塌 ★★ ​ 复制成本崩塌这一点很像：知识从「手抄」变成「复制」，权威去中心化，验证机制被迫重建——当文本泛滥，「谁可信」成了新问题。 但时滞太长：1450 年到 1517 年宗教改革隔了 67 年，到 1687 年牛顿《原理》隔了 237 年。而且它只替代传播，不替代生产。 四、为什么判给电力 ​ 三个硬理由。 第一，通用目的技术 + 必须以重设计生产单元为前提。 电力的真教训不是「用了电」，而是「为电重建了工厂」。AI 同理：不是「接了大模型」，而是「为 AI 重建流程、岗位和审批链」。 第二，生产率 J 曲线。 先投资、先亏损、后收益，时滞以十年计。J 曲线的前半段几乎全在资产负债表外——组织学习、流程重写、员工再训练，会计看不见。 第三，任务重排而非岗位整体消失。 消失的是任务包，不是人。这句话在电力、计算机两轮里都成立。 五、但 AI 有三点不同，不能照抄电力的时间表 ​ 扩散成本极低。 电力要布线、建厂、改造车间；AI 只要一个 API。扩散速度可能是电力的五到十倍，时滞会被压缩，冲击更集中、更短促。 它会改进自己。 电力不会改进电力系统的设计，AI 参与自身研发，形成正反馈。这一点更像「印刷术 + 科学革命」的复利，而不是电力。 替代边界第一次跨进非 routine 认知。 写作、诊断、设计、编码——历史上所有通用技术都没跨过这条线。 由此得出一个反直觉的判断：技术扩散快，不等于红利兑现快。 因为瓶颈不在「能不能用」，而在「敢不敢把责任交出去」。组织可以一周接入模型，却要几年才敢改审批链、改考核、改谁签字。 六、投资含义 ​ 先说定位：现在的 AI，更像 1900–1915 年的电力。 技术已经可用、基础设施正在狂建、真正的生产率红利还没到；市场在为「卖铲子」定价，而未来十年的超额收益在「重写流程的互补资产拥有者」手里。 时间轴：三个阶段，定价对象不同 ​ 阶段一，资本开支与叙事先行。 市场定价「故事」，卖铲子的赚确定性溢价。类比 1880 年代的发电机与电缆、1990 年代的 PC 与网络设备。 阶段二，分化期。 真正开始重写流程的企业出现运营杠杆，但财报还看不出来。这是最容易被误判成「证伪」的阶段——1900 年代有人说「电力没兑现」，1990 年代有索洛悖论，都发生在这里。历史给的形状是：市场先杀一轮估值，再在兑现时重定价。 阶段三，生产率兑现。 剩余归互补资产拥有者，卖铲子的毛利被商品化压平。 关键提醒：三个阶段定价的对象不同——阶段一定价故事，阶段二定价现金流质量，阶段三定价结构位势。用阶段一的框架看阶段三，会系统性高估技术方。 五层映射 ​ 卖铲子层：算力、电力、网络、散热。高 beta、强周期，技术商品化后毛利下滑。电力史给的教训很硬：发电公司长期回报平庸（管制 + 商品化），但建设期的铜、电缆、变压器回报很好。这是阶段一的仓位，不是十年的仓位。 互补资产层（真正的 alpha）：拥有数据、流程、分发、信任的企业。判据不是「有没有用 AI」，而是三个可验证的量：单位人效是否在 2–3 年内非线性抬升、客户获取成本是否下降、交付周期是否压缩。历史类比是沃尔玛与福特，不是 IBM。 被替代层（回避或做空）：收入来自信息不对称或人工转手、客户切换成本低的中间环节。判据是：它的毛利是不是「替客户省了找人的时间」。这条线在 1990 年代是旅行社与分类广告，在 AI 里对应初级信息加工、模板化交付、纯中介撮合。 制度层：算力基础设施、能源、数据合规、职业再培训。回报稳定但受政策约束，本质是收租，不是成长。 反脆弱层：能源（电力是 AI 的硬约束，类比 1900 年代的煤与电网），以及「验证与信任」——生成内容泛滥后，认证、审计、保险的价值上升。 十个可跟踪的指标 ​ 企业 AI 投入中「资本化」的比例——开始资本化说明进入重设计阶段，而不是试点。 单位劳动产出——它先于全要素生产率出现，电力史如此。 routine 岗位占比的下降斜率——判断「替代」还是「重组」的分水岭。 AI 推理单价与算力单价——通用技术的价格曲线决定扩散速度。 头部云厂商的资本开支增速与折旧年限变化。 电力需求增量中数据中心占比——AI 的物理约束。 企业软件里「按结果计费」的比例——定价权从工具转向结果。 初级岗位招聘量与资深岗位招聘量的比值——任务包拆解的直接读数。 生成内容的验证与溯源支出增速——信任成本。 监管动作：数据、版权、劳工、反垄断——决定剩余怎么再分配。 四个风险 ​ 刻度错配。 按「电力三十年」下注会错过「互联网五年」的节奏，反之亦然。历史只给形状，不给刻度。 商品化。 通用技术的终局是技术免费，价值归互补资产。押「技术领先的持久性」是历史上最常犯的错：西屋赢了电流之战，福特赢了工业。 incumbent 陷阱。 大公司宣布 AI 转型的叙事要打折。电力与计算机两轮里，在位企业的改造成功率都低——互补资产越重，越难自我革命。真正的重构者常是新进入者或中小公司。 测量滞后。 生产率统计滞后五到十年，最容易在「兑现前夜」清仓。 七、一句话 ​ 这次不是「机器替代人」，是「判断的边际成本趋零」。 而每一次判断成本趋零，都会先重写组织、再重写分配。投资上，赚钱的从来不是造机器的人，是把组织改成「机器友好」的人。

150 万人涌进免费 AI 寺庙：情绪产品的下一站，是没人要求你说话

一个没有聊天框的 AI 产品，上线后访问量超过 150 万。它真正做的不是陪伴，是把「开始」的成本压到零——但这门生意成不成立，要等一个月后的留存数据。

AI 生图开源免费：一台 128GB 小机器，跑通 16 张参考图合成

先给结论：这篇里的每一个数字，都是我自己在这台机器上跑出来的，不是官方新闻稿里的数。 MiniMax 在 11 月开源了图像模型 MiniMax-H3-Image。宣传口径有三条：1600 万像素直出、6 步出图、最多 16 张参考图。我关心的是另外三件事——它到底占多少硬盘、16 张图真能塞进去吗、除了"画得好看"它还能干什么。 跑完的结果是：能干，但有边界；而且关于它的很多说法，把成本说高了。 一、它是什么，一句话版本 ​ 它是 MiniMax H3 家族里的图像支线：沿用 H3 视频模型的骨架，去掉了音频部分，扩散模型 331 亿参数，文本编码器和 H3 视频模型是同一个。 最后那句很关键——如果你机器上已经有 H3 视频模型，文本编码器不用再下一遍。这句话后面直接决定了它的真实体积。 另外两个技术选择值得记： 蒸馏到固定 6 步，没有 CFG，也没有负面提示词。你不需要调步数、不需要调引导强度，不想要的东西只能写进正向提示词里。 大图直出：原生 4096×4096（约 16MP），最宽能到 6272×2688。 二、体积：传闻说 55GB，我只多了 13.7GB ​ 网上流传的"要下 55GB"，指的是 int8 扩散模型 + int8 文本编码器 + 提示词扩写器 + VAE 这一套全量。 但同一套权重其实有多个量化档位。我在模型仓库里核过，扩散模型就有 bf16（40.2GB）、int8（21.0GB）、w4a8（12.55GB）三档；文本编码器也有 int8（27.1GB）和 nvfp4（15.69GB）两档。 这台机器是 GB10，Blackwell 架构，原生支持 nvfp4。于是我选了 w4a8 扩散 + nvfp4 文本编码器： 扩散模型 12.55GB（新下） 文本编码器 15.69GB（本机已有，视频链路在用） VAE 1.17GB（新下） 实际新增下载 13.7GB，不是 55GB，也不是我一开始估的 29GB。差别就来自"复用"这两个字。 三、三件我亲手跑通的事 ​ 1）只改文案，不动版式 ​ 我先让它生成一张极简工业风海报：炭黑底、琥珀细边框、居中大字"算力即石油"、右下角一台抽油机和机柜的插画。 然后我拿这张成图当参考图，只要求一句：把标题换成"一人即一支队伍"，副标题换成"算力即石油"，其余一点都别动。 结果：边框、留白、插画位置全都没跑，标题 7 个字全对，副标题 5 个字全对，耗时 35.1 秒。 这件事的价值不在"能改字"，而在"改字不炸版"。做海报的人都知道，改一句文案就得重排一次，这个环节通常是整条流程里最烦的。 2）两个人换进新场景 ​ 第二题用的是两条人物参考图：一位卷发、金耳环、灰西装；一位短卷发、胡茬、蓝灰外衬衫、脖子上挂着黑色头戴耳机。 我把两个人一起丢进去，要求"雨夜咖啡店、小圆桌、面对面聊天、保持脸和衣服"。 结果：脸、发型、耳环、胡型、外套全部保留，连耳机都还在脖子上；只有女方交握的手指有一点点粘连。55 秒。 3）16 张素材，一次摆进一间房 ​ 第三题是它的招牌能力。我照着官方演示的思路做了一遍，但把数量拉到上限： 用另一个模型先造了 16 张素材——1 间空客厅 + 15 件家具白底图（芥末黄沙发、椭圆胡桃咖啡桌、波斯地毯、墨绿扶手椅、书架、边柜、电视、黑圆挂钟、抽象画、龟背竹、吉他、黄铜弧形落地灯、干花瓶、条纹靠垫、黑色木餐椅）。 然后 16 张一起喂进去，一句话："全部摆进这间房"。 四、16 张的上限，和它的代价 ​ 结果分两半说。 命中的一半：房间的透视、窗、地板、白墙全部保持；沙发、咖啡桌、地毯、扶手椅、书架、边柜、电视、挂钟、抽象画、龟背竹、吉他、落地灯、干花瓶、条纹靠垫都在位，而且各件东西的形状、颜色、材质都对得上自己的参考图。这不是"贴图"，是理解每张图是什么、再重新组织进一个空间。 没命中的一半：黑色木餐椅没有出现；电视下面的柜子和边柜疑似合并成了一件。实际到位约 14–15 件。 代价也很直白：耗时从 3 张的 70 秒涨到 16 张的 320 秒，4.6 倍。参考图数量对耗时的影响是超线性的，不是"多一张多一点"。 所以"16 张参考图"这个能力是真的，但用法有讲究：重要物件往前排（从第二张开始），越靠后、越不显眼的越容易被吞掉。日常 3–5 张是我认为的性价比区间。 五、三个必须知道的边界 ​ 第一，版本是硬门槛。 这个模型的官方模板要求 ComfyUI 0.45.0 以上、模板包 0.11.104 以上。低于这个版本，模板库里根本搜不到它。我这次是先把本机从 0.41.0 升到 0.45.2 才跑起来的。 第二，模型的舒适区在 2048²，不是 4K。 节点参数里写着"模型按 2048×2048 的面积调优"。实测 2048² 一张 25.1 秒，4096²（16MP）65.1 秒；放大到 4K 后，字形的笔画会比 2048² 略硬、略粘连。要出成品母版可以用 4K，但要试稿、要挑方案，2048² 更划算。 第三，授权有收入门槛。 它的社区许可大致口径是：年收入 2000 万美元以内、在协议覆盖地区可免费商用；超过这条线，或在特定地区部署，需要单独授权。商用前请自己读一遍许可证原文，别信我这段转述。 还有一个实操坑值得单独说：它的采样参数是锁死的 6 步、CFG 1、无负面提示词。你原来工作流里那套"负面词模板"在它身上没有作用，不想要的东西必须写进正向描述里。这是换模型时最容易白跑半天的地方。 六、我的判断 ​ 它不是一个"更会画画的通用模型"，而是一台素材合成机。 如果你的活是这些——把一堆实拍素材拼成一张效果图、把一个角色放进新场景、把一张海报的文案换掉而不想重排——它比现成的文生图流程省事得多，而且是本地跑、不联网、不出 API 费。 如果你的活是"我想要一张好看的插画"，那用你手上顺手的模型就行，没必要为它腾 14GB 硬盘。 一句话：16 张参考图是真的，55GB 是假的，4K 是能用但不是最优，改文案不炸版是这次最意外的收获。

33 条求工具的抱怨，只有 2 条提到钱：AI 时代最贵的是筛选

有人说把公开抱怨整理成数据库，半年能卖 2 万美元。我把 Hacker News 上的「求工具」抱怨逐条拆开：33 条样本里只有 2 条提到愿意付钱，7 条点名了现在用的办法。值钱的从来不是抱怨，是筛选。

模型三个月就被追平，护城河还剩什么？

11 月 8 日，一场对话里，中国工程院外籍院士张亚勤问了腾讯首席 AI 科学家姚顺雨一个很商业的问题：模型公司的护城河，到底是什么？ 姚顺雨的回答没有落在模型上。他说，壁垒更多在产品层——真正难替代的不是最聪明的模型，而是能理解用户背景、用得上专有数据和上下文、并且被用户信任的 AI 产品。 张亚勤顺着这个逻辑开了个玩笑：那按你这么说，Anthropic 未来或许不值一万亿甚至两万亿美元了，因为模型总有一天会商品化。然后他转头提醒现场的学生，千万别听他的去买股票。 这个玩笑里藏着一个真问题：如果模型真的会商品化，那什么不会？ 我把知识库里所有讲「护城河」的内容翻了一遍——三十多条，从 2024 年梁文锋的访谈，到今年的马斯克、刘小排、Mashrabov、姚顺雨。它们讲的是不同生意，但放在一起看，其实可以用同一把尺子量： 复制它，要多久、要付什么代价。 答案清单越长、重建越慢的那一层，才是真的墙。 四种位置，同一道题 ​ 先看四句话。 梁文锋（DeepSeek）2024 年被问「开源会不会让对手复制你的护城河」，他的回答是：「没有秘密，但复制需要时间和成本。」英伟达的 GPU 也没什么神秘的，但你要追上，就得重建团队、追赶下一代技术。 刘小排（独立开发者）今年 11 月说的是同一件事的产品版本：「把 EvoLink 的代码全部给你，你也复刻不出来它的客户、口碑、用户规模。」 姚顺雨换了个角度：「即使竞争对手推出了一个更聪明的模型，也不意味着它能提供同样的服务，因为后者未必知道用户是谁。」 Mashrabov（Higgsfield 创始人）说得最狠：「行业今天兜售的大多数技术壁垒，很大程度上是伪命题。」他认为真正能沉淀的只有两样：交付最终商业结果，和构建难以逆转的网络效应。 四个人，两个在中国、两个在美国；两个做模型、两个做产品。他们说的其实是一道测试题： 把我的秘密全部给你，你还要重建什么？ 答案里那些拿不走、只能重建的东西，就是护城河。下面按「重建要多久」从短到长，拆成五层。 第一层：模型能力，折旧最快的一层 ​ 姚顺雨在那场对话里给了一个时间尺度：大模型的领先优势，3 到 6 个月就会发生变化。 这个数字还算客气。知识库里「大模型华强北化」那条记录是更冷的版本：Kimi K3 在 2026 年 7 月发布，2.8T 参数、当时全球最大规模的开源模型；不到一个半月，Qwen3.8-Max、GLM-5.3、Step 5 Preview 就在 Artificial Analysis 的综合智能榜单上追平或超过了它。 原因不复杂：权重开源、蒸馏成熟、评测公开、人才流动。一套能力被验证有效之后，复制它的路径几乎是透明的。连「新范式」都在加速贬值——Jev 最热的时候，Redis 作者 antirez 公开说他两小时就复现了一个能跑的版本。 所以模型层的问题不是「不重要」，而是它在资产负债表上折旧太快。今天的 SOTA 是入场券，不是墙。你可以靠它抢三个月的窗口，但很难靠它收三年的租。 但模型层有一个不折旧的变体：迭代速度本身。腾讯混元 Hy4 发布时提到，用 Hyra 2.0 脚手架自动训练出的 Hyra-Jev，在 8 项基准里有 6 项优于官方 Jev。这说明真正的资产不是某一版权重，而是「能持续造出下一版」的组织能力——那已经属于第五层了。 第二层：专有数据，要「真人判断」而不是「多」 ​ 数据护城河常被误解成「数据量」。知识库里最锋利的一个样本是编程数据。 马斯克在 2026 年 10 月的一场访谈里承认：全球真正攒够编程交互数据的只有三家——OpenAI、Anthropic、Cursor，xAI 不在其中。随后 xAI 以约 600 亿美元买下 Cursor，当作入场券。 为什么是编程？因为代码的对错可以被单元测试验证，也可以被真实程序员用「接受 / 退回 / 改几行再用」批改。每一次取舍都是一次真人判断，而且可验证。这类数据爬不到、实验室也造不出来，只能靠成千上万真实用户一行一行攒。 这里有一条很硬的非对称：**算力可以砸钱建，模型可以花时间追，但「真人判断」只能靠时间和用户规模积累。**钱和时间的汇率，在这里不通用。 「不可替代性定价」那条记录给了侧面证据：纽约时报和 Reddit 的 token 数量差不多，但 Reddit 的授权价贵了至少 7 倍（某些口径 14 倍）——因为 NYT 可以被 WSJ 加风格迁移近似替代，Reddit 上的真实讨论找不到替代品。 所以数据层的自检问题不是「我有多少数据」，而是：**我的数据，是别人跑一遍就能得到的吗？**如果是，它就不是护城河，只是原料。 第三层：上下文，用户愿意攒的那半年 ​ OpenAI 2026 年 9 月的 DevDay 之后，有一句判断被反复引用：换一个模型几乎没有成本，但换掉一个跟了你半年、知道你下周三要录视频、握着你几千个应用登录态的 Dot，那才真的很有成本。 迁移成本有四个来源：偏好记忆、登录态与权限、历史协作产物、团队协同网络。它们共同构成一句话：模型可换，用户的工作流资产不可换。 姚顺雨的微信例子是同一个逻辑的 ToC 版本：这个 AI 未必需要最强的模型，但它知道你的日程、朋友关系和活动信息。对手推出一个更聪明的模型，也不代表它能提供同样的服务——因为它不知道用户是谁。 这一层的复制周期，等于用户愿意在你这里攒多久。它没法一次性买来，只能一天一天长。产品含义也随之改变：不是做更多功能，而是把记忆、授权、历史、协作沉淀下来，让用户「懒得搬」。 它也有冷启动难题：用得越少，上下文越薄；上下文越薄，越没有换不掉的理由。这也是为什么「用完即走」的套壳产品，永远长不出这一层。 第四层：生态，复制不了，只能重建一个 ​ 再往上一层，是生态。 个人 Agent 竞争最热的时候，有个判断很清醒：软件层的能力——主动性、定制、记忆、界面——都能在一夜之间被抄走；抄不走的是生态。Meta 有 Instagram 和 Facebook，xAI 有 X 的社交图谱，亚马逊则直接用封禁宣示交易闭环的主权：谁拥有消费者与交易之间的界面，谁就收得到入口税。 生态的本质不是「功能多」，而是三样东西的独占组合：数据源、分发渠道、交易闭环。这三样都没法靠写代码补。 Mashrabov 给过一个自建生态的量级：Higgsfield 把工程管线开源后，平台的开源工程库在 8 周内从 10 个涨到 10000 多个高活跃工程。这是网络效应的复利：开发者可以 Fork 前人的成果再叠加增量，越多人用，后来者越难追。（数字是创始人自述，没有第三方审计。） 中国这边是镜像的另一面：不是生态太强，而是生态割裂。微信、小红书、美团、淘宝不向 Agent 开放数据权限，跨 App 的任务——全网简报、聊天统一管理、外卖比价下单——就卡在门口。所以国产 Agent 的竞争，很大一部分不是模型竞争，是「能不能进别人的院子」。 第五层：信任与组织，一次事故或一代人 ​ 最贵的一层，也最容易塌。 2026 年 9 月，Anthropic 要求企业客户把对话记录与使用日志保留 30 天。英伟达、Palantir 等公司随即限制内部使用 Claude，Palantir 甚至要求一份「不可撤销的零数据留存保证」，否则不接入专有信息。零数据留存（ZDR）从加分项变成了采购门槛。 这件事的杀伤力在于：它不攻击模型能力，直接攻击授权关系。客户一旦不敢把数据交给你，前面四层全部归零——因为你连被使用的资格都没有了。 姚顺雨把这件事说得很透：当 AI 从回答问题转向代表用户执行任务，用户是否愿意开放个人信息、是否信任它安全地处理数据并采取行动，会直接决定产品的使用深度。信任不再只是品牌概念，而是使用深度的前置条件。 组织是这一层的另一半。梁文锋说 DeepSeek 的护城河是团队成长、技术 know-how 和创新的文化——这些东西的共同点是：**你可以把结论抄走，但抄不走「得出下一个结论的能力」。**要追，就得重建一个团队，再追赶下一代技术。 对个人和小团队，这一层有一个可操作的版本：验收标准（eval）。一人公司真正的壁垒不是工具多强，而是你把「什么才算干好了」写得有多清楚。先有尺子，再量活，再改尺子；尺子越硬，交付越稳，客户越敢反复找你。工具谁都能买，标准只有你自己写得出来。 再往软里说一层，是审美与耐心——在游戏开发里，流程能让你做出一个能运行的游戏，但不能保证有人愿意玩第二次；两者之间的差距，只能由人带进来。 裁判席：商业结果 ​ 五层墙，最后都要过同一道裁判：客户为什么续费。 Mashrabov 的判据是「能不能交付最终商业结果」：不卖抽象概念，实打实帮客户拉升转化和 GMV。刘小排的 EvoLink 是 toB 版本：客户为业务结果采购，用户靠人传人增长。Lovable 的「组合体验」是产品版本：客户买的不是一张图，而是「AI 生成 → 实体成品 → 寄到你家」的完整链条，单点能力被平权，组合服务还在。 反面的判据也很清楚： 20 美元轻应用必死——只卖一个可被通用入口覆盖的浅层功能，基座模型一次升级就被顺手吸收； 平台收割——你在别人的闭源 API 上攒数据、攒客户，房东看见哪行赚钱就自己下场，客户变对手； 平台补贴换来的用户关系，也可能是租来的——当平台用套餐额度帮开发者获客，关系随时可能被截流。 所以护城河不是「我有墙」，而是「客户换不掉 + 愿意续费」。墙是手段，续费才是计分。 三种死法，和一张四问自检表 ​ 把上面的东西压成三种最常见的死法： 只修第一层：功能是单点、交付是浅的，产品靠「我用了更强的模型」讲故事。基座一升级，故事就结束了。 把房子盖在别人的地基上：用闭源 API 攒数据、攒客户，却没有自己的上下文、生态或信任资产。房东一下场，你连谈判资格都没有。 被一次信任事故击穿：模型再强，日志留 30 天，客户当天停用。迁移成本在信任崩塌的那一刻归零。 对应的四问自检： 秘密全给你，对手还要重建什么？（团队 / 数据 / 生态 / 信任） 用户换掉你，要重练什么？（记忆 / 权限 / 历史产物 / 同事） 客户续费，是结果还是习惯？（说得出被改善的指标吗） 出一次数据事故，他还留吗？（赚的是能力差价，还是信任溢价） 四问答不出具体事实，说明你只有第一层。这不是道德判断，是结构判断。 对个人和小团队，现实的三条窄路 ​ 看完五层，很容易得出一个沮丧的结论：生态、数据、信任基建，个人一样都占不到。 确实占不到。但「复制成本」这把尺子也给了三条窄路——它们都不需要你先有钱或有流量，只需要时间和一致性： **第一，攒上下文。**选一个足够窄的场景，把用户的历史、偏好、产物认真存下来。你不需要最聪明的模型，只需要成为「最懂这个用户这件事」的那个产品。这是姚顺雨那条判断在小尺度上的可用版本。 **第二，攒尺子。**把你所在细分领域的验收标准写出来，一条条可检查。它是 know-how 的编码，也是你唯一能拥有的「私有资产」。客户复购，很多时候不是因为你便宜，而是因为只有你知道什么叫「做好了」。 **第三，卖完整交付，不卖单点能力。**单点能力一定会被平权。把生成、判断、履约、售后组装成一条别人懒得组的链路，你卖的就是「省下来的麻烦」，而不是「一个功能」。 这三条都慢，但都符合那把尺子：它们让对手的重建成本，随着你的经营时间一起变长。 回到那场对话 ​ 张亚勤的玩笑其实很准确：如果模型能力最终商品化，单纯依赖模型领先的估值逻辑确实会被挑战。但反过来也成立——模型越便宜，产品层的墙越值钱。 Anthropic 值不值两万亿，对写这篇文章的人不重要。重要的是另一个问题： 明天对手把模型换到和你同款，价格还比你低一半，你的用户为什么还留在这里？ 如果答得出来，那就是你的护城河。如果答不出来，那现在就该开始砌了。

我真跑了一遍 WordCraft：免部署，浏览器打开直接用，免费 Word 替代品能写中文吗？

17,726 星的 WordCraft，浏览器打开就能写。我用一份中文文档跑了打开、输入、加粗、导出：docx 里 112 个字全在，但屏幕和 PNG/PDF 里有三个方框。结论：它能当英文文档的临时编辑器，还当不了中文主力。

PE 处在 5 年 0.0% 分位，为什么还不算便宜？——金诚信估值拆解

金诚信的 PE 在 5 年 0.0% 分位、ROE 20.7%、扣非/归母 99%，看起来像一只被错杀的股票。但把相对估值、剩余收益、反向 DCF 三把尺子摆在一起，你会发现「便宜」和「赔率够」是两件事。

工程机械不是这轮康波的载体：把周金涛的四层周期拆开看一遍

挖机销量同比 +11.8%，股价两天却跌了约 5%。这不是矛盾，是两个周期叠在一起。把康波、房地产、朱格拉、基钦四层拆开，你会分清「朱格拉反弹」和「康波反转」。

180 条开源游戏清单，我在一台 ARM64 上跑通了 9 个

2 秒生成一个 3D 模型，然后我发现真正贵的是修它

我在本机把单图生 3D 跑通了：一张去背图，约 2 秒出一个 GLB，还能一路导进 Blender 和 Godot。但把椅子换成机器人之后，我明白了一件更重要的事——生成从来不是成本，修才是。