2026-03-24 14:48:09
600D牛津布，强韧耐磨，抗撕裂不易变形，透气清爽，久坐不闷汗；超轻便携，无需安装易携带；300斤高强度承重出色；目前天猫商城官方国货甄选售价￥55.55，下单立减叠加￥2.76淘礼金红包+12优惠券，24.84元包邮
复制口令然后打开淘宝APP：
98￥ MF278 urZCUABKjIf￥ https://m.tb.cn/h.ihquN81 索乐折叠椅户外露营折叠椅子克米特椅便携桌椅沙滩椅子野餐设备椅
2026-03-24 14:29:18
作者 / 祥昊
烤全鲸，这是要做啥？
鲸鱼肚子塞个大象，大象肚子里塞个骆驼，骆驼肚子里塞个羊，
羊肚子里塞个鸡，鸡肚子里塞个蛋，
最后只吃那颗蛋。
壕，实在是太壕了，这颗蛋不卖个 1988888 都对不起这鲸鱼。
那么问题来了，上哪找这么大的烤架去。
那咱先参考下目前世界最大的硬菜烤骆驼是咋做的。
烤骆驼是阿拉伯游牧民族流行的一道硬菜，常用于婚庆、节庆等盛大场合。
我国新疆地区也有烤骆驼的做法。
不过这俩稍微有点不一样，阿拉伯烤骆驼是使用套娃制作，而新疆烤骆驼则是直接使用馕坑烤制。
好的，第一步，搭建馕坑。
馕坑在中亚地区很常见，做法也多种多样，有用陶土，有用砖垒，还有直接挖的，
虽然材料都不一样，但是长得都差不多，跟个没底的瓮没啥差别。
使用方法也不复杂，先在馕坑然后将柴禾（或无烟碳）放入馕坑内点燃，使坑温升至约 120-150 度。等烟散完将腌制好的羊肉块贴近馕坑内壁。
取出明火，堵住坑口，连焖带烤，时间约为 30 分钟。
得，还真不复杂，就是个土法焖烤箱。
而且新疆还真有高 8 米，宽十米的超级大馕坑。
燃料给足烤头小型鲸或海豚还是没啥压力的。
那如果烤蓝鲸或者抹香鲸等大型鲸类应该咋整呢？
首先你得把鲸处理出来，
大家都知道，鲸类为了适应海洋生活皮肤和脂肪层非常厚。
不过也没关系，
人类对于处理鲸鱼还是比较有经验的。
咱以长须鲸为例，看看大型鲸鱼咋处理。
须鲸为了吃小鱼小虾，愣是把自己变成了滤食动物。
嘴巴非常大，且多数下巴有褶沟结构，就跟灭霸似得。
所以，如果你把鲸鱼侧放从中间剖开，
你就会发现，鲸鱼其实并没有想象中大，
须鲸之所以看起来大，主要还是巨大的下颌骨支撑褶沟（groove），配合像筛子似得鲸须，可以一口吞下大量海水，然后腮帮子一使劲把水敝出去，成为一个穆的感情的干饭机器。
由于鲸鱼的皮非常厚，虎鲸都咬着费劲，更别说人了，
所以第一步就是把皮去掉，
我们可以把鲸鱼的下颌骨底部和背部切开，然后通过机械大铁钩将外皮拽下来。
这个时候你会发现，
鲸鱼看着挺大，去皮之后会缩小不少。
再之后切掉巨大的下颌骨和鲸须，
这两部分实在太占地方了，回头做个剁椒鲸鱼头。
然后掏掉鲸鱼的肺脏和肝脏，
差不多就处理完了，
然后你会发现，看起来很巨大的鲸鱼其实并没多少肉。
鲸鱼为了海洋生活，进化出了非常巨大的肺脏和肝脏，占据了大部分体腔，
而且鲸鱼肾脏长得像桑葚一样，
这是为了适应海洋生活，进化出的多小叶(renules)的肾脏，每个小叶形成一个完整的功能腰子。
简单说，腰子多，壮阳。
这糊点羊油做成烤腰子那不香迷糊了。
味老冲了。
掏完内脏，你就得到的是一坨巨大的肉排。
可以看到肉上清晰的脂肪层，肥瘦相间，
非常上等的样子，不进锅赶烤真对不起长这么大的个头了。
下一步就是处理鲸鱼肉了，
传统烤骆驼需要先用皮牙子等香料均匀涂抹在骆驼肉上，
为了使肉更水嫩松软，还可以加入木瓜蛋白酶来使肉质更松软多汁。
由于鲸鱼肉实在太厚，传统抹香料加木瓜蛋白酶将肉软化的方式非常困难，
可以通过改花刀的方式来减少鲸鱼肉的厚度，
嗯，雇 99 个清澈愚蠢的大学生趴上去挨个切花刀上香料，
直接把鲸鱼切成鱿鱼卷，看起来就挺不错。
切好腌上几天，
终于到了振奋人心的烘烤阶段。
那么问题又来了，鲸鱼再小都是以米为计量单位的。
由于肉实在太厚，生物组织的导热性普遍不行，
正常焙烤会导致外皮都焦了，里面还是生的。
所以怎么烤还是个大问题。
那应该怎么烤呢？
我们得相信科学。
食物在 110°C 往上会开始美拉德反应，
最佳温度在 140-165°，这是产生美味的关键，
馕坑最大的好处在于瓮型结构可以非常稳定的保持温度的稳定。
所以想完美烤熟鲸鱼，
我们需要参照馕坑做一个瓮型的金属罐子，并在罐尾加上一个把手，
通过旋转使罐子受热均匀，以达到美拉德反应所需要的温度，防止局部温度过高烤焦。
而高压环境加热可以破坏肌肉纤维的氢键和疏水键，
促使肌凝蛋白快速凝结，使肉类更容易熟透，
同时，高压结合热量可快速分解胶原蛋白为明胶，减少肌肉纤维间的机械阻力，
高压还可以有效锁住水分，提升口感嫩度。
所以加压烤鲸鱼是一个好主意。
我们可以将铁罐壁加厚，并改成无腰葫芦形以增加强度，
并在罐口加上一个机盖，以达到密封的效果。
为保证安全，采用高强度螺纹杆卡扣实现严密封闭，同时安装压力表和泄压阀，这样就可以直观的看到里面的压力情况，压力过高也会通过泄压阀泄压，防止爆炸。
然后把鲸鱼放到罐子里，加上香料咸盐，
然后鲸鱼肚子里塞大象，大象肚子塞骆驼，骆驼肚子塞头牛，牛肚子塞羊，羊肚子塞鸡，鸡肚子塞鹌鹑，鹌鹑塞蛋，
为了保证熟透，可以学习狗大户们会事先把这些食材预制成半熟的状态。
然后盖紧机盖旋转螺杆密封，
在底下烧上火，点上风鼓。
这里得注意了，
得用阳泉的无烟煤味道才地道，大同的煤烟太硬，齁嗓子。
慢慢转动罐子，确保受热均匀。
持续加热使温度一直维持在 140-170°之间，压力 0.8-1Mpa，然后一直烤一直烤，
等烤制差不多了，需要泄压，为防止食物飞溅，得在出口蒙上布，
然后一踹盖，BOOM！！！！
您猜怎着？！
烤熟的鲸鱼，飞了！
来源：知乎日报
2026-03-24 14:23:51
@Steed的围脖：安迪·威尔写废过一本小说，叫《Zhek》。他从残骸里捞出来一个设定：一种能把物质直接转化成能量的燃料。这东西如果今天就有，人类不用等什么遥远的未来，立刻就能殖民整个太阳系。
问题是怎么解释它的来历。让一个疯狂科学家发明出来？不行，这远远超出人类现有技术。让人类在坠毁的外星飞船里捡到？那只有船上那点存量，撑不起一整套基础设施。
威尔开始换思路。如果这不是一种燃料，而是一种生命呢？一种能进行质能转换的微生物，靠吸收恒星的光和热来繁殖，然后像霉菌弹射孢子一样把自己发射到其他恒星上去。这就解释了为什么它需要如此巨大的能量，因为星际旅行本身就是天价账单。
故事走到这一步，他说自己停了两秒。
等等。如果人类拿到了这种微生物，要做的第一件事是什么？确保它别沾上太阳。然后他意识到：不对，故事应该从它已经感染了太阳开始。
这就是《挽救计划》的起点。太阳正在变暗，罪魁祸首是一种叫噬星体的外星微生物。它把太阳的能量当食物，地球正在滑向冰河世纪。唯一的线索是附近有一颗恒星没有变暗。那是鲸鱼座τ星，大概率是噬星体的老家，而在老家，它应该有天敌。
所以人类得派一艘船去那里找天敌带回来。噬星体本身就是最好的燃料，飞船因此有了动力来源。飞船上需要一个人，于是他之前构思过的那个失忆醒来的角色有了用武之地。到了鲸鱼座τ星附近，还可以遇上另一个文明的飞船，因为噬星体不只感染了太阳，也感染了别的恒星。他一直想写的第一次接触，也有了。
每一个科学约束逼出下一个情节转折，像一串多米诺骨牌，前一块的倒下决定了后一块的方向。威尔自己总结这种写法：先埋一颗螺丝，再看整台机器会怎么转。《火星救援》整本书是一场级联故障，《挽救计划》则是一条笔直的因果链，只不过被失忆叙事打乱了顺序。
但让这条因果链真正站得住的，是威尔给自己定的一条铁规：只撒一个谎，而且要撒在尽可能小的地方。
噬星体的所有能力，吸收光能、质能转换、星际旅行，都建立在一个量子层面的虚构上：它的细胞膜具有超级截面性。中微子通常能毫无阻碍地穿过整个地球，连一个原子都撞不上。但噬星体的细胞膜不允许任何东西量子隧穿。这既是它把热能转化为中微子质量的机制，也是它储存和释放能量的基础。
在噬星体身上，只此一处违反物理定律。剩下的全部是推导。
比如，威尔后来意识到，噬星体同时也是完美的辐射屏障。伽马射线也好，以0.9999999倍光速飞来的质子也好，什么都穿不透它。单个噬星体细胞可能会因为承受不住能量而死掉，但辐射本身不会穿过去。于是飞船内壁贴满了噬星体来保护宇航员，这不是额外设定，而是同一个“谎”的自然延伸。
再比如，他算出了飞船的最高速度，非常接近光速。在这个速度下，每立方米大约只有一个氢原子的星际介质，也会对飞船产生可观的阻力。所以飞船必须做成流线型。一艘在真空中飞行的飞船，需要考虑气动外形，因为它实在太快了。
这些细节没有一个是随意编出来的。它们都是从同一个量子层面的假设出发，用物理学一步步算出来的。
威尔还用同样的方法堵住了科幻作品里一个常见的漏洞：为什么外星文明总是住在隔壁？宇宙太大，巧合太多往往显得廉价。银河系直径10万光年，鲸鱼座τ星离我们11.9光年，波江座40离我们16光年。三个独立演化出生命的星球挤在这么小的范围内，概率低得离谱。
他的解法是泛种论。40亿年前，噬星体的某个祖先从鲸鱼座τ星向四面八方播撒了孢子。有些落在了地球，有些落在了波江座40的行星上，大部分落到了不适合生存的地方就死了。存活下来的那些，各自演化了40亿年，变成了完全不同的生物，包括地球上的一切生命。
生命只起源了一次，不在地球，在鲸鱼座τ星。这同时解释了为什么人类、外星人洛基的物种、以及噬星体的细胞生物学基础高度相似。不是巧合，是同源。
技术不是线性的阶梯，而是分叉的树枝。这个设定带来了一个意想不到的情节转折。洛基的文明，也就是波江座人，拥有远超人类的材料科技，能造出一种叫氙石的神奇复合材料，但他们从未发现过辐射。因为他们的星球表面完全屏蔽了辐射，他们根本没有机会接触到这种现象。由于脑子太好用，复杂运算可以心算完成，他们从来没有动力去发明电脑。人类最初发明计算机是为了算数，后来发现计算机能做的事远远超出数学。
最关键的一点：波江座人不知道相对论。他们用牛顿力学计算了星际航行的时间、距离等全部参数，而牛顿力学在接近光速时是不准确的，计算偏差导致他们以为需要远多于实际的燃料。结果洛基带了远超实际需要的燃料到达目的地，多出来的200万公斤燃料，刚好够主角飞回地球。
一个文明的知识盲区，变成了另一个文明的救命绳索。这不是编出来的巧合，是两套不同物理学框架之间的真实差异。威尔没有解释为什么外星人恰好有多余的燃料，他解释的是为什么他们会错误地多带燃料，而这个错误背后有一整套自洽的文明发展逻辑在支撑。
一本从废稿里捞出来的设定，靠着物理学的内在逻辑一路滚到了IMAX银幕上。威尔给自己的规矩是，只在量子尺度上开一个口子，然后把计算器交给物理定律。物理定律会替他写完剩下的故事。
2026-03-24 13:37:25
本文来自微信公众号： 理想国imaginist ，作者：理想的编辑部
《诺丁山》
上周，我们进行了一次读者征集，主题是：你的工作，被AI替代了多少？
我们感受到人人都在焦虑被AI替代的可能性，但不太清楚这个进程是否已经发生，进展到了哪一步。所以希望通过这次的征集，将大家的见闻汇集在一起，拼凑出一幅AI介入工作领域的真实图景。
从我们收集到的反馈来看，AI替代工作并非是耸人听闻的流量话题，而是正在发生的事情。只不过，不同行业、不同工作的替代程度不一。单纯的技术、工作流高度依赖计算机的工作，走在了被替代的前列；而与人打交道、核心技能与计算机联系不那么紧密的工作，受AI的影响反而较小。
但我们已经明显感觉到，水温越来越热了，有必要为此做好充足的准备。
以下，是来自各行各业读者的反馈。
*文末有第二期的征集，欢迎参与！
致命打击，基础设计基本被取代了。
@行知
出版社
毫无影响。
@健健
汽车自媒体
生成式AI可以快速抓取网络信息，输出准确、客观的新闻、评测内容。传统内容编辑岗位直接被取代，行业生涯面临终结。目前各大招聘平台均大量撤销了传统汽车编辑的岗位。
@栗子
媒体
以前，文章配图有时需要使用付费图库，或请插画师绘制，但现在很多时候都是AI制图，节省了一大笔版权费用。一位同行说，他们以前会聘请配音员来播报每日简报，但现在也换成了AI生成语音，与那位长期合作的配音员解约了。目前，文字部分的AI替代作用还没有那么明显。
@小明
灵活就业财税服务行业内容岗（简单说，给新就业群体做结算报税）
行业不清楚，但我们公司算这个领域的头部，目前在这块的投入据我所知，似乎还没有。而且因为业务比较敏感，怕信息外露，公司是明令禁止使用AI的。就我个人岗位而言，我觉得AI帮我从一些标准性、重复性的任务中解放了出来，所以接下来我也想好好了解一下，怎么让AI更好帮我干活，本身而言没有那种被替代的危机。毕竟我可是文科生，对这种唱衰的声音已经脱敏了。对我而言，AI更多是工具。
@邓邓
研发工程师
改变可太大了，以前写代码从需求到结构设计最后落地上手一句句的敲，都是亲力亲为，现在确定好需求后，直接把文档丢给AI，就自动帮我完成了任务，只不过token燃烧的比较快，每天十几美元，有了bug再调一调，现在都不想手动挡了，人变懒了。
@乌冬
文字工作者
我的日常工作会涉及采访、文字转录、写稿。现在我已经深度使用AI了，在采访部分，我觉得AI可以帮我很好地完成拟大纲的工作，常常会给出许多有价值的问题。所以日常我也会经常和AI进行讨论，最有效的使用方式是与它辩论，而不是让它给我一个现成的结论，它的结论总是和稀泥，不是很有价值。但通过辩论的方式，可以让我的思考更加深入和扎实。
而在文字转录方面，AI大大提高了我的效率，以前需要来回听录音，一字一句整理，但现在只需要输入指令，就能够自动帮我润色出语句通顺的文稿，我用过很多不同的AI，deepseek、gemini、chatgpt，都很好用。
至于写稿，如果想写出有深度的稿子，AI还不能做到这一点，AI写出来的东西总有一种AI味，特别是天天和文字打交道的，基本上可以一眼看出来哪些是AI写的，哪些不是AI写的。
但是在初稿阶段，AI还是非常好用的。我会先随便写一点什么，然后让它帮我扩充，通常在这个环节，它能够输出很多有意思的文本，我可以从中得到灵感。另一个使用场景是，在我觉得自己的表达不够透彻，语句有毛病的时候，可以让它帮我厘清表达。
不过，目前我还不觉得AI可以替代文字工作，特别是当输出的是连贯、有深度的文字。它的表达始终是平庸的，没有个性的。如果完全依靠AI，最终花费的时间还不如自己来写。但像我这样使用AI的话，写稿的效率确实大大提高了。AI可以让我更加专注于文章中最核心的部分，也就是思想和观点。
《社交网络》
@港氏柠茶
影视
AI正通过自动化开发与内容生成推动影视工业实现“降本增效”，但在长时序叙事的逻辑统一、深层情感表达与审美判断等核心创作维度上不足，从根本上说，它本质上是生产力的革命性工具。
@zero
it软件开发/产业研究员
写被迫写的稿子、报告、ppt框架很快毕竟需要的它们的人本身也不懂，需要认真准备的AI能更快收集资料、整理我的思绪，加速思考到结论的推进，但不能独立替代我的视角和立场，甚至表达风格本身，行业都在鼓吹AI替代，卖货导向，自己公司在做产品，基本策略就是先制造焦虑更好卖货，所以大众都是受害者，供给侧营收压力向不足的需求传递焦虑。
@蠢鱼
公职
专职背锅，他真替不了。
@Gini
写作/诗人
我已经和AI一起写了一本书《人机共创与监督文学的诞生》，是我首创的人机人格共创法，还不为人知。这个共创法估计能重构很多传统行业。
@步履不停
制造业/技术员
暂时看不到什么影响，我们的工作很简单，机器在自动化生产，我们在旁边24小时轮班看着，确保机器能够不断生产，AI没有手臂，它不能维修机器和解除报警，未来可能机器人会取代我们的工作。
@安海
人工智能/售前咨询
24年给客户讲AI辅助编程总会提到未来AI扮演的智能代理角色，那时候都认为Agent模式还很远。想不到两年不到，CC为代表的一众AI工具正在完全颠覆了整个研发行业的生产模式。世界总在或快或慢的进步，人却在或快或慢的被异化，保持高效使用工具的同时不丧失人的主体性，对于每个变革时代的牛马来说，都是至关重要的。
@iVy
工业母机出口
使许多案头工作变得高效。
@九九
教师
按我的所见所闻，国家目前的确在大力推广AI通识在学生群体中的普及程度，比如让学生购买AI通识教材，在校园组建AI兴趣社团等等。但是AI赋能在教师群体中并没有那么常用和实用。很多老师开始用AI做ppt和教学设计，但是它始终只是一种备课工具，最终的知识输出，还是教师本人。作为教师，我们能一眼鉴别出学生提交的作业是自己写的还是AI生成。
这对我们来说，确实是一种烦恼，它从另一个方面对我们的工作产生了影响。因为明明可以自己完成的简单作业，学生会选择交给AI。就算我们在课堂上一再强调，AI只是你收集和筛选有效信息的工具而不是你的脑和手。很多人认为AI会把老师替代，但是至少目前为止，我和我周围的老师没有太多这样的想法。可能这是属于我们作为知识、思想和人格调剂者的一点点残存的自信吧。
@随遇而安
自由职业写作
我都是自己写，没用过AI。chatgpt刚出来的时候，我就下载了，让它写了两篇文章，中小学作文的水平，没有吹的那样能取代什么。说真的，就是到了今天，国产AI都试了一下，写作它们仍然不行。至于说能取代什么不知道，至少它对我无用。
写作不是词组的堆砌，是要有思想有感情，AI缺的就是感情和温度。当然要求不高也可以看，但是AI写不出好作品，至少现在不行。看了现时AI的写作水平，我放心了。我以为自己写的东西要作废了呢。现在不用担心了。AI适合写文件，官话套话机械复制就行。AI似乎知道最多的就是模版。
《西部世界》
@明是
数理论文民工
AI能帮我理解很多证明。在独立写证明方面，AI的能力也很不错，尽管很多细节需要人来完善，但AI的大体思路是没有问题的。除了缺少独立提出研究课题的能力，AI在论文内容的写作上确实已经能代替很多人工了。
@李太美
银行机关/行长秘书
几乎没有影响，单位也很时髦，搞了办公系统AI对接，但是实际只是名头，并没有产生实际的效率提升，如果说影响，日常工作汇报，工作总结等浪费时间的工作，可以让AI帮忙写，这个算是一种提升吧。总体来讲，雷声大雨点小，跟体制机制有关，也跟保密和金融安全要求有关。这点其他体制内单位大概也是一样的感受。
@君御
制造业/行政
很多费力不讨好的工作可以丢给AI了，但工作量永远是不会少的，只是我一个人可以在三个坑一个萝卜的情况下更加完善目前的岗位。
@jaycho
海外焦化工程商务
传统重资产行业对于AI依赖很小。但是对于职业影响非常大，起码对于我个人而言，因为生产力提高了，同时生活中也切入进去，无论是消费还是娱乐以及孩子教育。我大概是从2023年别人介绍开始使用，受于当时AI的发展，大部分的使用聚焦于搜索资料，数据或者答疑解惑，类似原来的搜索引擎功能。后来慢慢使用不同的AI，而且学会使用不同的大模型解决不同的问题。
再到后面的智能体，我开始付费使用，像genspark，主要用来生成PPT，非常专业，不仅限于排版，而是数据的和市场和行业信息很精准，也会交叉验证。
再后来是使用字节的trae自然语言编程，然后搭建自己工作场景的智能体以及skill。从openclaw火了以后，变天了，直接部署本地的AI助手来了。由于部署的门槛还未安装，最近安装了类似的腾讯的workbuddy自动化解决工作任务。
所以，对于我个人而言不仅仅是生产力的提升，而是知识的门槛非常低，尤其是原来的一些封闭或者垄断行业吧，学习非常快。那么我认为AI有积极的一面，但是另一面也会对很多行业，尤其是标准化程度低的工作替代性非常强。
但是对于涉及情感，创作，想象力的，传统手艺，蓝领的工种等等的这些没法替代。当然我对于目前出现的AI的热度是保持警惕甚至会被焦虑裹着，希望它能够在合规的情况下健康发展，不要不用用于挑战人类底线的场景。
@小明
法律研究
尝试用AI做了几次法律分析，给出的反馈都不是很好，大而空，不符合要求（也可能是我输入的prompt有问题hhh)，但是它能帮助我迅速检索到其他国家的规定，这一点比我自己一点点爬效率高。总体来看，自己从事的这个行业，AI无法代替。
@白
生物制药
AI直接把原本十年十亿美元的新药研发流程，缩短到了6年，AI现在已经开始加持新药靶点的筛选、适应症的筛选、临床试验的全流程、上市后的药物警戒等等，未来等AI真的能够感知现实世界并且计算和模拟人体。
《硅谷》
@Bernard Shaw
教师
现在在美国已经出现了AI全程教学技术，我所在的岗位也有也许教育机构在使用AI，现在我不得不用AI来填充课，让学生们更感兴趣。
@老天的心头
目前应用下来，觉得许多案头工作可以交由AI完成初期的整理和拟写，最终成稿前还是得自己来润色和修正。决策性的工作暂时不放心交给AI。跟人打交道的工作，完全无法交给AI…
综合个人的实践来说，我从不认为AI的问世以及后续的普适应用是为了替代人类，我对人类与AI关系的理解是：相互需求、共生发展。AI的普及有望使人类从繁复的机械性工作中解放出来，更好地释放作为人类独有的创造性。当然，回归人类特有的政治性来说，AI也可能被掌握权力的那部分人类用作奴役和剥削另一部分人类的工具。但自始至终，除了天灾，人类的对面从不站立着AI，而是自己。
2026-03-24 13:33:04
本文来自微信公众号： 动察Beating ，作者：律动编辑部
1876年，费城世博会。巴西皇帝佩德罗二世拿起贝尔发明的电话，听到另一头传来的声音，惊呼：「天哪，它会说话！」
一百五十年后，2026年3月18号，圣何塞会议中心。穿黑色皮夹克的黄仁勋站在GTC大会的舞台上，也说了一句让人惊的话。
「十年后，NVIDIA大概有7.5万名员工。他们会非常非常忙，因为要和750万个AI agent一起工作。」
台下笑了。
7.5万人，750万个agent，1:100。
黄仁勋自己也笑了，补了一句：「它们会全天候工作。希望我们的人不用跟它们比。」
掌声散了，这个数字被当天更花哨的芯片发布和合作协议淹没了。但我们再把它单独拎出来想一会儿，这有可能是整场大会最重要的一句话之一。
不止有黄仁勋。三个月前，另一个人把同一种未来描述得更具体。
2026年1月，拉斯维加斯CES。麦肯锡CEO Bob Sternfels坐在台上报数字。
「我们现在有4万名人类员工，大约2.5万个AI agent。」不到两年前，这个数字还是几千。那2.5万个agent过去半年生成了250万张图表。
250万张图表。过去这活儿是刚入职的分析师干的。二十三四岁，顶着世界名校光环，凌晨三点对齐坐标轴。
那是每一个麦肯锡新人的起点，用最机械的劳动换一张通往合伙人之路的门票。
如今这张门票的前半段被agent接管了。Sternfels说：AI让某些岗位增长了25%，也让另一些岗位缩减了25%。公司被整整齐齐地劈成两半，扩张的一半和收缩的一半。
NVIDIA的故事和麦肯锡的故事讲的是同一件事。
1:100的世界里，干活的是Token驱动的agent，人是连接在agent上面的接口。
外挂的遥控器不在你手里
GTC那一周，黄仁勋做客All-In Podcast，说了一句杀伤力更大的话。
「假设你有一个年薪50万美元的工程师。如果他没有消耗至少25万美元的Token，我会非常担忧。」
主持人追问NVIDIA是否在为工程团队花20亿美元买Token，黄仁勋答：「我们正在努力。」
一个不烧Token的工程师，50万也不值50万。
NVIDIA的方案很直接，往薪酬包里塞Token。黄仁勋在GTC主题演讲上说，未来NVIDIA每个工程师都会有一笔年度Token预算，大约是基本工资的一半。
一个base几十万美元的工程师，额外拿到相当于半个base的推理算力配给，总包里三分之一是纯粹的燃料。
一个拿满额Token预算的人，等于全天候有十几个AI agent帮他写代码、跑测试、搜文献、做仿真。一个只有免费版API额度的人，还在靠双手敲键盘。两个人简历可能一模一样，产出差5到10倍。
这在硅谷已经不是理论了。
今年3月，Business Insider报道了一个变化：工程师面试时开始问「这个岗位配多少Token预算？」Theory Ventures的合伙人Tomasz Tunguz把Token预算叫工程师薪酬的「第四支柱」，排在底薪、奖金、股权后面。
OpenAI总裁Greg Brockman的话更直接：你能调用多少推理算力，将越来越决定你的整体生产力。
黄仁勋在GTC演讲里自己也说了：「有多少Token跟着我的岗位走？这已经是硅谷的招聘工具了。」
1950年代，底特律汽车工人的工资在全美名列前茅。真正让他们过上中产生活的，是亨利·福特发明的流水线。工人站在线上，线动人不动，每个人的产出被机械臂放大了几十倍。一个底特律工人的生活水准远超同期的手工匠人，手艺未必更好，但他脚下踩的是一条更粗的流水线。
2026年的Token预算，就是1950年的流水线。
但有一个区别。
底特律工人离开福特，可以去通用，可以去克莱斯勒，流水线哪儿都有。工会能跟资方谈判，要求更好的线速和更安全的环境。
Token预算不一样。公司给你那天你是超人，收回那天你变回路人。股票能套现带走，技能能跟着你跳槽。Token预算什么都不是，就是外挂，开关在公司手里。
硅谷已经有了一个新词来形容这种处境，叫「GPU饥渴」。
顶级AI研究员跳槽，薪资差距已经排到第二位了，排第一的是算力。跑不了实验，部署不了agent，能力被配额卡死。「你们给多少Token」有时候排在股票前面。股票是一张可能跌的远期支票，Token预算是今天就能兑现的生产力。
而不用AI的人，直接出局。
Goldman Sachs估算AI可能自动化美国25%的工时。Mercer调查说65%的高管预期两到三成的员工会因AI被重新配置。两组数字叠在一起，结论很清楚：有Token的人产出爆炸，没有Token的人被优化掉。
分界线是Token配额，和人的能力，关系越来越小。
Token吞吐量就是估值
个人的价值由Token配额决定。公司呢？
2026年3月初，一家叫MiniMax的上海公司发了上市以来的第一份年报。全年营收7900万美元，调整后净亏损2.5亿2.5亿。按传统财务指标看，这是一家烧钱的小公司，营收只有Accenture一个季度的零头。
但资本市场不这么看它。
MiniMax的CEO闫俊杰在财报电话会上说了一句话，比整份财报都重要：「公司的价值，由智能密度乘以Token吞吐量决定。」
Token吞吐量，不是营收增速，不是用户数，不是毛利率。
支撑这句话的数据很硬。2026年2月，MiniMax的M2系列模型日均Token消耗量，比两个月前的12月涨了6倍。编程场景的Token消耗涨了10倍。在AI模型聚合平台OpenRouter上，MiniMax的M2.5两周消耗了4.55万亿Token，把美国的模型全部挤下去，一家上海公司第一次登上全球Token消耗排行榜的榜首。
《南华早报》报道这件事时用了一个说法：中国的开源模型终结了美国开发者长达一年的市场统治。终结靠的是什么？Token消耗量。谁的Token被烧得最多，谁就是赢家。
这个逻辑放到OpenAI身上也成立。OpenAI的API平台每分钟处理60亿Token，两年涨了20倍。年消费超10万美元的企业客户，一年翻了将近7倍。Barclays分析师Ross Sandler拆了一遍数据后得出结论：OpenAI在消费端的Token消耗量是Google Gemini的两倍以上。
Token消耗量，成了给AI公司排座次的硬通货。
更有意思的是这件事在公司内部的样子。纽约时报最近报道了一个叫「tokenmaxxing」的现象：Meta和OpenAI的工程师在内部排行榜上比拼谁消耗的Token多。
Token预算正在变成标配福利，就像十年前的免费午餐和牙科保险。一个在爱立信斯德哥尔摩办公室工作的工程师告诉纽约时报，他花在Claude上的钱可能比他工资还高，但公司买单。
TechCrunch上周的一篇文章算了一笔账：一个工程师下午写篇文章可能用掉1万Token，但一个跑着agent集群的工程师，一天能在后台烧掉几百万Token，一个字都不用打。
两年前，每百万Token的价格是33美元。现在，9美分。跌了99.7%。价格越便宜，烧得越猛。烧得越猛，越离不开。
闫俊杰在电话会上的预判是：未来市场对Token的需求，可能会增长一到两个数量级。
这就是2026年给一家公司定价的新方式。不看你赚了多少钱，看你的Token被烧了多少。MiniMax亏2.5亿，但Token吞吐量的增长曲线陡得吓人，资本市场愿意下注。你可以把它类比成2006年的YouTube，一毛钱收入没有，但带宽消耗量在指数增长，Google愿意花16.5亿买它。
当年YouTube烧的是带宽。今天MiniMax烧的是Token。计量单位变了，逻辑没变。
产能等得起，债务等不起
GTC同一周还发生了一件事。
3月18号，Stripe发布了Machine Payments Protocol。说白了：AI agent可以自己花钱了。
一个agent需要一组数据，自己付费下载。需要算力跑推理，自己按秒买。需要调用另一个agent的API，自己结账。整个过程不需要人类点确认。Visa为这个协议适配了信用卡支付，Coinbase做了agent专属钱包，Mastercard在开发Agent Pay。
Token的消耗从此多了一个来源。过去只有「人调度agent」这一种场景。现在agent自己也在消耗Token，而且在用Token赚来的钱去买更多Token。Stripe联合创始人John Collison用了一个词：洪流。
黄仁勋在台上给了对应的数字：NVIDIA要把Token生成速率从2200万拉到7亿，350倍。
这是在建一整张公路网，赌车流量会指数增长。
6000亿美元的基建赌注，需要一个前提：全世界对Token的消耗量，要大到能撑起回本。这个前提目前还只是一个假设，而且是一个非常昂贵的假设。
2025年最后一个季度，科技公司发行了创纪录的1087亿美元债券。进入2026年，头几周又是1000亿。
Morgan Stanley和JPMorgan预估未来几年AI相关企业借债总量可能达到1.5万亿美元。据Goldman Sachs估算，AI资本开支已经占到美国GDP的3%左右。
华尔街最先嗅到风险的一批人已经开始买保险了。信用违约互换的交易量在升。花几十个基点的保费，赌的是这些公司可能还不上钱。Citi的信用策略主管Daniel Sorid在一次投资人会议上说了一句：「作为信用投资者，面对这种规模的转型，需要这么大的资本投入，让人本能地感到不安。」
Google创始人Larry Page在公司内部说过一句更极端的话，Page多次对Google员工说：「我宁愿破产也不愿输掉这场竞赛。」
它精确地描述了一个囚徒困境：每一家巨头都在赌对手会继续投入，所以自己不能停。停下来的人直接出局。
乐观的一面有硬数据。Token生成速率拉高350倍。Stripe刚让agent自己花钱。McKinsey两年内从几千个agent扩到2.5万个。如果agent经济全面起飞，Token消耗的增长曲线确实可能拐成指数级。
但有一个日期让很多人睡不好觉。2026年下半年，续约悬崖。
2024到2025年，企业花的是「创新预算」。CEO需要在财报会上说一句「我们在拥抱AI」，价格不太敏感，效果不太苛求，花的是姿态的钱。2026年下半年，第一批试点项目到续约节点。创新预算花完了，CTO让出了桌子对面的位置，CFO坐了过来。CFO只认一个数字：ROI。
如果大量试点被砍，Token的终端消耗会突然出现缺口。上游6000亿砸出来的产能，数据中心建好了，电力接通了，芯片上架了，变成闲置产能。
这种事历史上发生过。
2000年，电信公司花万亿美元铺海底光缆。泡沫破裂，全球90%的光缆暗在海底，闲了将近十年。直到Netflix开始流媒体、iPhone引爆移动互联网，光缆才被一根一根点亮。光缆没白铺。铺光缆的朗讯、北电、世通都破产了。基础设施还在，建设者不在了。
2012年，中国光伏。无锡尚德、江西赛维把组件价格打穿全球成本线。产能严重过剩，行业血洗三年。需求后来确实来了，光伏今天是地球上增长最快的能源。尚德破产了。赛维破产了。先行者躺在了黎明前最后一段黑暗里。
贝尔发明电话后，Western Union拒绝以10万美元买下专利。十年后Western Union愿意出2500万美元，贝尔不卖了。三十年后电话网络覆盖了全美国。但铺网络的那些小公司，大多没活到电话普及的那一天。赢家是后来靠收购和垄断吃下一切的AT&T。
基础设施的故事永远是这个版本。方向几乎总是对的，但时间差会杀人。
回到Token。前面讲的那个结构，Token变成劳动力，人变成接口，Token配额定义一切，成立的前提是Token被持续、大量、加速地消耗。工程师的10倍产出靠Token供给撑着，砍掉就归零。OpenAI的8400亿估值靠算力承诺撑着，协议终止就缩水。6000亿的基建靠终端消耗增长撑着，增速一放缓就是空转。
每一层依赖下一层。消耗增速比建设增速慢两三年，整条链上所有人的定价都会松动。
你靠着哪条铁路
2023年有卡就是爹。2026年有Token就是爹。
听起来像换了个词，底下的变化比大多数人意识到的要深。
GPU是资产，买到了就是你的，锁在机房里，别人拿不走。
Token是流量。你的10倍产出、你的高估值、你在谈判桌上的筹码，全部建立在一股持续的、不属于你的供给上。水龙头一关，一切归零。
当Token变成真正干活的劳动力，人就变成了接在Token上面的接口。好的接口能让Token发挥更大价值，判断力、审美、经验，这些东西还在。但一个接口能做多少事，首先取决于它被接入了多少Token。
1870年代的美国农民发现，种出好小麦还不够，得在铁路边上。1950年代的手工匠人发现，手艺再好也拼不过流水线上的工人。2026年的工程师正在发现，代码写得再漂亮，没有Token预算，一切都是空转。
当Token变成真正的劳动力，人就变成了接口。接口本身的好坏还重要，但接口值多少钱，首先取决于谁在给它供电。
