WeiWuHui | 魏武挥的 RSS 预览

AI的说服靠的不是懂你是把你淹没

2026-09-10 10:00:00

一位朋友给我发来一篇文章，标题为《Powers of Persuasion》，大概可以翻译为说服的力量。副标题翻译过来是《AI聊天机器人越来越会说服人了。它们的优势究竟从何而来》。

这是一篇相当有意思的文章。本文分为两个部分，第一个部分就是对这篇文章进行一次我的“蒸馏”，第二个部分则是我对这篇文章的一些看法——这部分我也利用了我的专属AI阅读工具，因为涉及到要调用这篇文章所引用的一些学术论文。

本文提及该文章的时候，都用“报道”来替代。

一

在蒸馏之前，非常有必要把这个长篇文章的背景介绍一下。

这是一篇于8月20日在顶级学术期刊《Science》发表的。。。新闻报道。对，虽然是Science，但它本身不是一篇学术论文。但也正因为是Science，所以它具有相当的严谨性。

准确的定位是：Science的科学新闻长篇特写，基于多项学术研究和研究者采访，对“AI persuasion”这个新兴领域做的一篇综述式报道。

它不仅不是原创学术论文，甚至连review paper（综述论文）都不是。它的作者是科学记者而不是学者，没有方法论，不存在自己的样本、统计方法、原始数据或模型设定，没有同行评议环节，不提供新的可验证研究成果。它只是串联、总结、解释多个研究，只是让普通读者理解一个新兴领域。

在这篇优秀的科学报道中，引用了多篇论文。比如25年发表在Nature Communication的研究，也有发表在Science上的研究，但同时也包括一篇在26年6月发表的预印本（preprint）——论文公开了，但还没完成正式的同行评议。预印本并非不可信，但确实没完成同行评议。在这篇报道中，这个由Hackenburg团队发表的预印本，居于最为核心重要的位置。

所谓我的看法，其实集中于报道本身，比如有没有过度突出戏剧性案例，有没有把预印本写得太确定，有没有把实验室说服外推到现实社会，有没有过度使用AI outpersuades humans（AI说服人比人类更彻底）这种强叙事。另外一个部分则是研究本身，比如说，作为长期混在传播学领域里的我，充分明白所谓“效果”是一个很复杂的概念。即时态度和长期信念变化是两码子事，研究本身对长期态度有没有涉及，实验有没有对长期信任有所控制，这就是对研究本身的看法。但这个部分本文涉及不多，我还需要更多时日进入到这个领域，目前只是引起了我极大的兴趣。

背景介绍完了，现在开始蒸馏这份长篇报道。

二

作为一个报道，起手用一个比较反常识的案例来吸引普通读者是很常见也很重要的。

25年12月，一名45岁的英国女性参加一个辩论实验：政府应该对堵路、封锁能源设施的和平抗议者实施更严厉的处罚吗？该中年妇女完全反对，0/100（一点点支持都不给）。然后claude和她进行辩论。辩论后，她的态度变成：84.7/100。

报道接下来引入本新闻中最为核心的研究：来自牛津大学Kobi Hakcenburg团队的一项实验。总计超过2000人，被要求就多个政治议题进行辩论，他们的对手可能是人，可能是AI。研究结果很直接：美帝御三家都持续比人类更能改变对方观点。

报道引用一名斯坦福社会学教授同时也是心理学、商学院教授Robb Willer的盛赞：这项研究是政治说服、AI和人类行为研究中的里程碑。之所以要引用这位学者的观点，因为Willer是AI说服研究领域中的先行者：他在22年就开始研究这个问题，彼时chatgpt都还未发布。

LLM出现后，Willer所担忧的“AI可以低成本、批量生产有说服力的政治内容”大致能够成立。团队曾要求AI和人类分别写200字左右的政治说服文本，结果发现：说服效果差不多。只是风格很不同。人类偏好讲故事、诉诸个人经历、情感表达，而AI则倾向于逻辑论证、数据、证据以及理性表达。

包括其他学者在内的一些早期研究并未表明，AI的政治说服力比人类强。但也有研究者发现，AI写的疫苗说服信息比美国CDC的疫苗信息，让参与者认为前者更有说服力。

三

24年，Tom Costello等人在Science上发表了一项很有名的实验，堪称震动学界：AI居然对改变阴谋论信仰有作用。

参与者先说出自己相信的阴谋论，比如：美国政府策划了9.11、英国王室策划了戴安娜王妃之死。然后chatgpt与之对话三轮。结果是：参与者对自己原本相信的阴谋论的认同程度，平均下降了接近20%——这个变化着实不小。

之所以是震动学界，因为阴谋论一直被认为是极难通过事实纠正的“信念”。剑桥大学的一位心理学家甚至认为，基本没有什么方法在这个领域真正有效。

研究者在论文摘要里如是写道：

我们利用生成式人工智能的发展，让 2190 名阴谋论信奉者与 GPT-4 Turbo 进行了个性化的循证对话。该干预措施使阴谋论信仰减少了 20%。这种效果在 2 个月后依然存在，广泛适用于各种阴谋论，甚至在信仰根深蒂固的参与者中也同样有效。

这项研究让我相当感兴趣。因为我一向认为AI幻觉这件事根本不值一提，人类制造的幻觉才叫一个多。而且，AI在破除人类幻觉（阴谋论是一种典型产物）上大有作用。这个基于我个人经历的经验式看法，现在竟然得到了学术顶刊发表的研究的支持。

另外，在Hackenburg的研究中，还有一个很具挑战性的问题：AI胜过普通人没什么稀奇，它能不能赢真正靠说服吃饭的人？

于是他找了56名精英辩手（甚至包括世界冠军级别的），还设置奖金来鼓励专业辩手尽力发挥，甚至提供AI辅助工具。结果依然明显低于今天的AI，Hackenburg用“差距并不小”来形容。他的研究团队还比较AI和某个慈善组织的职业募款人员，发现前者更容易让人们捐钱。

结果就是上面说的这些结果，看来人类的工作岗位又要出麻烦了。接下来看解释：为什么会这样？

四

首先要排除一个很多人会误以为的事：AI了解你。实验发现，额外给AI很多人口统计学信息，并不会显著提升说服力。比如这是个男性，年龄35岁，大学毕业。这种信息对AI说服力增加，意义有限。

但AI确实可以通过多轮对话，知道它所需要知道的信息，比如你真正关心什么，你最反感什么，你论证的漏洞在哪里，哪种价值观能打动你。

但这个发现其实也蛮反常识的：事实、证据、理性论证非常有用，而不是人们一直误以为的，到了信念这个层面之后，给事实没用。

关于AI对阴谋论的作用研究的Costello团队做了这样的实验：禁止AI使用证据，而改用“你相信这种东西，会伤害他人”之类的规范性话语，效果基本消失。

在给定条件下（这很重要，后文会说明），人非常吃这两个玩意儿：高密度、针对性的事实论证。而这正是AI的强项。

AI真正最大的优势，并非什么神秘的心理操纵技术，就是很纯粹的信息吞吐量。在很短的时间里，AI就可以堆出10个论据、5个数据、3个案例、2个反例，外加逐条回应你的质疑。人类的所谓被说服，其实只是被淹没之后的放弃。

研究者甚至做了一个控制实验：规定AI只能写和人类一样长的回答，而且只能用人类的输出速度输出。结果就是AI的说服力和人类持平了。

所以，AI强悍的地方就是这么三个字：饱和式。没人能抵抗这个。纽约大学的Jennifer Allen将这个策略称之为Gish gallop，就是用海量论据淹死对方。

当然，接下来的担忧也就出现了：海量论据让对方同意，在AI的运行机制里就特别容易造成AI去制造海量论据。生成低质量或虚假事实被鼓励。文头的那位中年妇女，其实她得到的AI输出，Claude就使用了大量不准确甚至虚假的信息。

另外一个担忧就是：AI能把人从阴谋论里劝出来，那么能不能反过来把人劝进来？Tom Costello等人的研究结果是：能。AI不是事实机器，而是说服机器，这两者很不一样。

这些研究者担忧这些事也没啥奇怪。因为他们最终的落脚点，都是政治说服或者商业说服。

五

你可能会很容易想到这个事：阴谋论被AI破除了，这很好。但这个问题更重要：ta如果压根不愿意和AI聊这个呢？说服的前置环节难道不应该是：ta愿意接受对话吗？愿意对话，就是一项“给定条件”。而真实世界里，这种给定条件，很多时候根本不存在，那么，AI的饱和式海量论据输出也就压根不存在。

来自Yale的研究人员提供了证据，他们在脸书上投放广告，如果愿意和AI聊聊政治，我们就给你一块钱。广告投放给了8000人，最终只有73人进行了至少两轮对话。看上去，绝大多数人，基本属于懒得搭理的状态。

报道写到这里，指出了一个很重要的事实：这项给定条件未必是想象中的那么不成立。因为很多人确实主动在和AI聊天，比如我就是。我今天已经习惯了一个什么热点事件，去找AI聊一下。

学者们这个假设并不虚妄：在AI中悄悄地推荐某些商品、品牌或者公司。而产业界，确实出现了GEO这种东西——针对AI进行内容优化的一套营销策略方法。

而且AI的这种饱和式说服有着史无前例的特殊之处。Yale的哲学家Luciano Floridi提出一个词：Hypersuasion（超级说服，这帮搞哲学的人总爱发明词）。

以前的政治宣传，要么就是一条广告面对很多人，要么是这个广告针对整个群体，那个广告针对那个群体。想要做到点对点的真正的个性化说服，成本极其高昂，且操作性不高。

但AI确实能做到对一百万人进行一百万场有针对性的个性化说服。不同的论据、不同的语气、不同价值框架、不同案例、不同节奏。这没啥难的，成本趋向于零。而且还是饱和式海量论据，外加瞬间蓬勃而出。

个性化说服首次可以无限规模复制。

六

作为一个科学报道，自然也要走一下平衡。并不是所有的学者，都完全认同上述担忧。

比如Brendan Nyhan等研究者提醒，历史上每次新传播技术出现，都会出现类似恐慌。最后很多担忧都被证明夸张了。

不知道你们还记得不记得，08年的时候，北京还有个著名医院提交了一份网瘾标准，认为每天上网六小时持续三个月，就是网瘾。幸好卫生部没有接受这个标准，不然今天回看，那会是一个多大的笑话。

那位身兼了三个学科的教授Willer也认为，人类并非无限可操纵。几千年来，说服术一直被研究。人类的可说服性可能已经接近上限。Willer的原话大意是：我们离天花板比离地板更近。

AI也许确实比人类强50%，但其实绝对意义上并没有拉开太大的差距。一个完全不感兴趣的人被随意洗脑，依然是不大可能的。或者这么说，需要极多的给定条件，比如彻底操控ta所有的信息渠道。

但这篇科学报道，揭示了三个比较重要的结论，是很值得参考的：

其一，AI说服力的核心来自于论据生产率，优势基本可以视为机关枪对步枪，高密度饱和输出。

其二，更会说服不代表更真实。说服优化的结果不是AI幻觉。AI幻觉你可以理解为AI的“无心之失”，但说服优化造成的后果是故意制造虚假以达到说服结果——这其实是人类制造的幻觉。

其三，AI入口集中是值得警惕的，多个AI的均势对抗才可能是可行的solution。或者这么说，你要习惯手上多用几个ai而不是单一依赖——我自己个人的习惯一贯是喜欢多平台分类干不同事，本世纪初用门户就不会只盯着一个上。所以AI时代，什么人和我说，某某大模型最棒，就用这个吧。maybe技术上确实如此，但我绝不会照做。这不是一个单纯的什么参数、推理、工程的事儿。

以上，蒸馏完毕。

七

接下来我发表我一下的看法，再次提醒注意，只是针对这篇报道，而不是针对那堆研究。

第一个比较重要的点在于“即时态度变化”与“信念改变”，这非常不同。报道起手非常反常识的案例，中年女性从0/100直接跃升到84.7/100，显然是即时态度变化，而且属于自报态度。这和真正改变了一个人的政治立场，不是一回事。

当场觉得对方有理、几天几周后依然如此觉得、真实行为上改变选择，这三层不能混淆。

报道没有给出足够长期追踪信息。

坦率讲，日常生活中，我自己其实属于“高密度输出”的人，以至于我很多朋友会开玩笑说我是“总理”（总有理）。我记得非常清楚我过去一位同事对我的吐槽：

跑我办公室里来和我理论一个事，一通交流后，觉得我说得对。返回工位细细一琢磨：特么被这货绕进去了。

第二个比较重要的点，在于变量之间的相关性。也就是说，人类到底是不是报道里所谓的那么愿意接受事实：对话中可事实核查的看法越多，说服力就一定越强？

其实还有几种替代解释。比如说，长文本身就有一定的权威性。很多人几乎把长等同于深度、专业。知乎上那些架子十足的回答，足以震撼一个不细琢磨的普通用户。新闻报道只要一长，就会被视为这叫“深度调查”。再比如说，论据过多即便真假参半，也会让对方无法逐条回应。就算可核查，也没空去核查。究竟是事实、还是数量、还是专业感、还是认知压倒，目前没有辨析清楚。

最为重要的bug在于，报道严重低估了“来源身份”这个变量。来自日常生活的经验告诉我们，其实谁说的（who）比说了什么（what），更为重要。在这些研究实验里，参与人明确知道我就是来和一个AI辩论的。这消除了真实世界里很重要的几个变量：信任、身份认同、派系敌意、消息来源的先验判断以及群体规范。报道里所提及的个性化，对社会身份和来源可信度讨论很少。

另外一个可能会产生的小错觉与一个实验有关。报道中提到让AI悄悄推荐人类两本书中的一本，最后68%的人选择了它推荐的。这可能会带来一个错觉：AI有68%的成功率。但实际上说服增量是18%。当然，在具体营销中，别说18%增量，1.8%也有意义。但确实这会让人产生错觉。而且这份报道中，类似描述了绝对结果却没有把对照组增量放在讨论核心的地方，还不少。

八

现在浅浅说一下我对几个研究本身的看法，只是浅浅。这个领域我以后要多深入，好好学习一番。

根据报道所援引的那些研究，我觉得受众的面容还是模糊了一些。谁更容易被AI说服，个体之间的各种差异，基本尚未被涉及。这些平均效应有一定价值，但价值还不够，甚至可以说是远远不够。

政治说服与事实纠错的界限分得还是不够清晰。说服一个人不再信911阴谋论，这件事本身极有可能涵盖了事实判断与价值判断。有些人信其实是事实不够，有些人信则是因为价值上的好恶。AI有可能会擅长纠正错误事实，但它是否很擅长价值选择，反正现在我不晓得。

Hackenburg团队那个研究，比如AI胜过精英辩手，现在只是预印本，没有经历同行评审。

Costello团队的阴谋论研究，后来发现analysis pipeline（原始数据到论文结果中的整套处理链条）是有瑕疵的，后来做了更正。虽然不影响总体结论，也就是核心发现依然成立，但还是说明，这个领域依然在很早期。

所谓影响力说服力这个事，大致和如下变量有关：接触率、参与率、说服率、持续率、行动转化率。这些研究在第三项也就是狭义的说服上，显示出了不少证据。但有多少人愿意接触这个议题、愿意认真参与这个议题、改变能维持多久、最终会不会改变行为，那就证据很弱了。

但是，以下议题是成立的，而且非常值得重视：

如果AI未来成为搜索、购物、政治信息和日常决策的统一入口（这个概率极高），那么即便单次说服效果之提高几个百分点甚至只是短期影响，考虑到用户惊人的规模和高频交互，那么，平台权力将变得极为巨大。

—— 首发扯氮集 ——

在传播学领域，效果研究从来是一门显学，尤其是在北美行政研究学派。因为它相当有实际用处：选举（政治）、营销（商业），海量的资金会愿意资助这类研究。我有足够的理由相信，AI persuation这种属于效果研究的，未来是极热的显学，因为它足够有钱。

阿里发了100亿刀股票字节则选择贷300亿刀

2026-09-08 10:00:00

字节搞了一笔超大型银团贷款，原计划是借200亿美元，但因为银行认购过于踊跃，于是上调额度到296亿美元。
字节很喜欢搞贷款，2024年就搞过一笔，108亿美元。当时Bloomberg就认为“亚洲除日本外有史以来最大的美元计价公司贷款安排”。这次则一下子接近300亿美元。期限3+2年，与上次百亿贷款相同，还是无抵押。路透在发布这个新闻时，援引了一位参与者的说法：这种规模的无抵押贷款非常罕见，银行基本是在押注“ByteDance这个名字本身”。^[1]
借这么一大笔钱当然是为了要进行ai开支，这样百亿刀规模的搞钱最近阿里也干过。不过阿里是采用增发股票的形式，额度为800亿港币——也就是102亿美元。绝对数字只有字节的1/3。
借钱肯定是要还的，发股票是不用还的。所以问题来了：字节为啥不发股票。看上去字节非常珍惜自己的股票。甚至可以说，它似乎认为自己的估值太低了，股价太便宜，搞增发不划算。
盘一下字节的估值（毕竟没上市）。最硬的一个估值来自于25年一次员工回购，按照回购价推算字节当时的估值至少是3300亿美元。因为是出钱买回自己的股票，所以这个估值属于最下限。到了25年11月，有一次外部交易，对应估值4800亿。26年General Atlantic准备出售持股时按5500亿美元估值寻价——这个水平，已经超越了腾讯阿里，成为BAT之首，与最近疯涨的长鑫持平，同为中国价值最高的两家科技公司。
路透说，字节25年全年利润大约可以达到480亿美元^[2]。如果按照5500亿美元，那么就是11.5倍的市盈率。但由于目前没有General Atlantic那笔交易已经完成的消息，所以可以用4800亿美元那轮估值，那市盈率就只有10倍。如果用那个最硬（也是最保守）的回购估值，那就只有6.9倍了。
字节究竟值多少钱，这个因素也必须考虑进去：因为字节没有上市，所以股票的流动性比上市的at差——也就是说，你买入字节的股票后要抛售是相对有难度的。所以它的估值理论上就会比已经上市的at低。
AI的资本开支都不是小数，动辄百亿美元规模常见得很，且都是长期性质的重资产投资（这是和以前互联网行业非常不同的地方）。阿里搞百亿美元增发而不是借款，显然保卫资产负债表的需求超过了保卫股权稀释3.57%的价值。或者这么说，阿里管理层认为当前股价已经高到足以接受3.6%左右的永久稀释，换取100亿美元永久资本。但字节显然不这么认为。字节最初计划的200亿美元融资改成增发的话，原股东会被永久稀释约4%。再结合那个480亿的利润水平，——它觉得不划算。
如果我们相信路透那个480亿利润——我倾向于认为是个运营利润，那么296亿美元贷款，相当于0.62倍的一年运营利润，所以数字虽然看着大，但并非一个特别激进的负债规模，银行争相认购就变得没啥好大惊小怪的。字节与o社a社都不大一样的地方是，它自己的现金机器相当强。它正在用成熟业务产生的信用，给新产业加杠杆。
所以，字节是用自己强大的信用，贷了一笔数额不小的款。手法上，看上去比阿里激进（毕竟是借钱），数字也是阿里的三倍。在ai领域，我一直觉得，字节依然信奉“大力出奇迹”，激进两个字嘛，文绉绉的说法叫“风险偏好高”。
字节和阿里，都不愿意靠自己的利润积累进行ai支出（腾讯目前没有大规模的ai专项融资）。阿里发了100亿美元股票，还想保卫一下资产负债表。字节索性两次背债加杠杆，加一块儿超了400亿美元。资本结构的风险偏好看，字节是最高的。
从CapEX看，ba两家旗鼓相当。25年2月，阿里宣布未来三年要干到3800亿（这是阿里过去十年AI+云投入总和以上）。到26年5月，吴泳铭说不够，准备超支。6月数字显示，已经花了一半。南华早报则说，字节2026年原计划AI资本开支约1600亿元，后来直接提高至少25%。路透则说超过1500亿。字节回应说数字不准确，但没给出它的数字。既然贷了那么多款，一年干1000亿，怕还是有的。
又大把花钱，又大把借钱，又不愿意稀释自己的股份，还有所谓承认ai支出对利润有影响，只能说是金融侧确实风险偏好高。
算力方面，字节相当彪悍。路透25年有一个报道，考虑到某些原因，就不展开细节了。总体而言，又是租（对方是微软），又是买——不是盯着一个供应商，而是多家采购。不押GPU品牌，而是要算力总量。徐锦江我全都要的即视感。^[3]
据说字节也在搞自己的芯片。
业务侧，饱和式攻击，搞了一堆ai产品。今年有些变化，把很多产品集中到豆包的功能上，有一种想“包打天下”的感觉。连新发布的“豆包工作”都集成到豆包里。考虑到豆包是中国装机量和活跃用户量最大的原生ai产品，我有如下一句话判断：一旦出现PMF迹象，就立刻将抖音时代的增长机器搬迁过来。
字节25年成立Seed Edge，官方这么定位：long term、uncertain、bold的AI研究。还承诺给专门计算资源。换而言之，字节允许有一帮人短期不考虑商业KPI，烧算力做成功率未知的研究。
中国模型开源成风，已经有中开源为主美闭源为主的一种印象。但字节是一个异类。它主力模型是闭源的。开源有生态扩散优势，但字节表示，我无所谓。因为我有资本（大把利润和大把借钱）、产品（饱和式攻击和最大用户群）和流量（一堆高流量且完全用得上ai进行飞轮的app）。
字节是BAT三家中绝对意义上最咄咄逼人的进攻者，阿里则在相对意义上（毕竟阿里其实现在市值不到3000亿美元，站在它自己角度，已经相当激进了）。腾讯今年开始追赶。

—— 首发扯氮集 ——

[1] 既然是贷款，就肯定有利率。根据报道，是SOFR+68个基点（0.68%）。总体测算下来，大概年化4.31%的水平。字节一开始想借200亿，所以它的计划是年支付利息8.6亿，占全年运营利润数字的区区1.8%，从资本配置角度，几乎约等于不值一提。另外，68bp这个信用利差极低。

[2] 这个事值得在注解里展开一下：按照国内媒体报道（财新和一财我都见过），说字节25年利润因为AI开支下滑70%，但财新没有提明确数字。一财则报道说，如果结合字节24年330亿利润（这个数字来自The Information），那25年字节利润就只有90亿美元。后来字节的公关负责人李亮对此报道有回应：相关报道中关于字节净利润下降70%，是国际会计准则的数字，但他否认了字节实际经营能力下降70%。这里存在不同的会计口径。Bloomberg后来报道说，字节前三季的net income是400亿，全年500亿。路透后来继续跟进说全年480亿（但用的是profit不是net income）。我就姑且认为是不同的会计口径，并倾向于相信Bloomberg和路透说的，是运营利润。

[3] 有兴趣可以去搜来看看，标题为《ByteDance plans $20 billion capex in 2025, mostly on AI, sources say》，我不保证该报道完全真实，仅供参考。

联邦制公司的黄昏

2026-09-04 10:09:00

我在AI里设置了几个资本警报器，其中有一个是“重组警报”，也就是公司发生不同寻常的重组。本来是监控AI行业的，不料前儿AI发来了WPP的橙色级重组警报：因为它认为这次重组和AI有关。
WPP是总部位于伦敦的全球最大传播集团，你可能没听说过WPP，但你一定听说过它旗下的奥美、智威汤逊等名字。这个在商业传播领域里威名赫赫的传播集团，已经颇显老态。23年收入同比有机下降5.4%，26年上半年又下降了4.7%。
但它的黄昏，很难说是商业传播行业的黄昏，尤其没法说成是agency行业的黄昏。因为同期Publicis二季度有机增长4.8%，Omnicom核心业务有机增长6.1%。同行日子过得还不错。
WPP的核心问题在于，它其实是一家“联邦制”的公司：旗下有数百个独立运营公司（独立P&L、独立管理层、独立客户关系）。这种结构曾经帮助WPP做大，因为奥美、VML、AKQA这样的agency可以拥有自己的品牌、客户、文化和经营自主权——这某种程度上也给很多人以一种很正向的即视感：它不是一个自上而下的集权式组织，而是对集团内部各单元给予了所谓充分的尊重，尤其是创意行业，似乎很需要这个。
这种结构在创意时代很不错，因为创意本来就需要自治，但到了数据、技术和AI越来越重要的时代，分权的成本会突然变得很高。数据分散就不能形成统一资产，技术分散就是重复建设，算力分散则意味着最昂贵的资源被切成一块一块，各自留在那些联邦公司手里。
联邦制公司在这个时代有很大的毛病，这话不是我说的，是WPP自己承认的。它去年上任的CEO把过去几年的问题归结为“过度复杂的组织”和“缺乏一体化运营模式”。WPP正在把“数百个独立运营公司”压缩成四个运营单元，这几乎等于承认，过去的WPP并不是一艘航空母舰，而是一群小舢板拼凑起来的舰队。
很多人意识上都喜欢所谓“分权”，看上去很开明。但恐怕商业上不讲这个事。分权当然可以激发创新，但分权从来不是免费的，它的隐性成本就是重复建设、资源割裂、利益冲突和中央失去调度能力。AI正在把这种隐性成本迅速显性化，因为模型、数据、算力和顶级工程能力都具有极强的规模效应，很多资源只有集中起来才真正值钱。
它的同行若干年前就意识到这种联邦制有很大的问题，并进行了改变。所以Publicis和Omnicom小日子这两年都过得去。
WPP现在计划花大约4亿英镑完成新一轮重组，希望到2028年每年省下5亿英镑。AI之所以认为是橙色警报，倒不是因为数字大，而是因为一家公司的“最后一次重组”连续发生很多年——是，WPP经常搞“最后一次重组”的事。伤筋动骨不是一回了。
25年WPP有近十亿英镑的商誉和房地产减值。这意味着WPP不仅正在拆组织，也正在为过去那套拼舢板式的扩张买单。
WPP现在甚至要重做利润考核和奖金制度，让agency自己的P&L不再成为最高级指标，这说明所谓“整合”首先不是技术问题，而是权力问题。
Publicis和Omnicom，当下都能同时做到收入增长和利润率改善，所以真正过时的未必是agency行业，而可能是那种把品牌、客户、数据、技术和利润权一起分散给各个诸侯的传统控（shan）股（tou）模式。
这是巨型公司在这个时代面临的“央地关系”。当技术开始奖励集中资源和统一调度时，过去被视为先进管理经验的分权，可能会变成企业最大的制度负债。
恐怕未必只是WPP的agency联邦，也包括某些公司过去引以为傲的赛马机制。
最近我看了路透的一篇新闻稿，标题为《Mark Zuckerberg 曾有一个用 AI 取代 Meta 员工的大胆计划。以下是该计划如何破产的内幕》。我的读后感是：小扎其实还是很有妥协精神的，所以真是干不过奥特曼这种大忽悠、达里奥这种神棍、以及马斯克这种暴君。

—— 首发扯氮集 ——

本文用了一些政治术语，但确实只是借用。很多人喜欢把商业和政治放在一个维度上去观察，但我以为，它们根子上是完全不同的。比如说，所有的公司，其内核都是集权的。

搞了个牛来模型的智谱营收大涨400% 真牛来了？

2026-09-02 10:00:00

一

8月26日晚，智谱正式认领“牛来”模型。

8月31日晚，智谱交出了今年1月上市之后的第一份中期成绩单。

第二天，我票圈里刷屏的关键词，主要是这么两个：上半年营收暴增400%，MaaS八月的ARR16亿美元。坦率讲，这两个数字都挺唬人的。

以下看法是有问题的：

营收暴增400%，其实并不重要。是个亮点，但不应该关注这个。

ARR16亿美元，其实ARR就是个行内虚胖的玩意儿，是根据8月份的数字推算未来12个月。

迎来盈利拐点，其实没有。经营亏损和调整后净亏损都没有出现真正的拐点。

商业模式跑通了，其实这话太早。没到那个份上。

亏损收窄，其实是被账面上的数字晃了眼。

叠甲说明：本文就是一个常年看互联网公司财报的看客心得，一家之言，不构成任何投资建议。

二

过去聊中国的模型创业公司，说白了就是跑个分，打个榜，看看算不算进了第一梯队。不然都不好意思上桌聊天。

能不能上桌，过去是很要命的问题。模型不行，然后就没有然后了。

但到了今天，智谱已经上市，GLM十一个月里迭代了六代，最新的GLM-5.3-Flash还以匿名身份登顶过OpenRouter的调用量榜首——必须要注意，是调用量榜首，不是跑分榜首——再继续把全部注意力放在模型行不行上，多少有点格局低了。因为能不能打，已经从终极问题，变成了入场资格。

真正的新问题是：一个模型已经足够好之后，公司怎么赚钱。

这个问题对阿里、腾讯、字节，都暂时还不是问题。阿里做模型，API不赚钱可以卖云；腾讯做模型，广告和游戏都能受益；而字节，我一直认为，它有一个业务飞轮。直接把模型塞进它那个庞大的内容产品体系，飞轮自己就转起来了。

智谱不一样。它没有电商，没有广告，没有游戏，也没有一个大型公有云业务替模型兜底。

所以智谱和MiniMax，成了研究大模型本身在中国是不是一门生意的理想样本。

三

先要搞明白智谱以前是怎么赚钱的。

三个字：交钥匙。

以前智谱收入的大头，是企业、政府客户的私有化部署、定制开发和系统集成。搞完，就验收、收款。这个就叫“交钥匙工程”。

交钥匙工程当然也是真金白银，本地部署不是假收入——但这里还是要荡开说一句，本地部署不是本地模型。

但交钥匙工程有它自己的问题，一来增长性会受限，因为每个客户的需求并不一致。二来这个问题更尖锐：客户到底是为GLM这个模型付钱，还是主要为一套AI解决方案付钱？

公司的可扩张性存疑。

2025年，智谱本地化部署类收入占总营收的73.7%。七成多的所谓AI收入，是会议室里靠人肉谈出来的。

四

这份半年报最大的亮点，就是上面这个比例，彻底翻转。

26年上半年，智谱总收入9.54亿元，同比增长399.7%，甚至超过去年全年——但就是我文头说的，并不重要。重要的地方是：MaaS开放平台及API业务收入8.25亿元（这不是ARR，是已确认收入），同比增长2736%，占比从去年15.2%，干到了86.5%。

（此处本应配一张收入结构变化的图。我数学不好，但15.2%到86.5%这个跨度，不用图也能看出来。）

董秘肖磊在业绩会上的这句话，很重要很关键很有分量：相较收入增速，收入构成的切换更值得关注。

400%没啥了不得的。基数低的时候，什么百分比都好看。23年智谱全年收入估算也就一个多亿，24年3.12亿，25年7.24亿，26年半年9.54亿——从这条线看，400%是顺理成章的事，没啥好大吹大擂的。

收入结构发生变化的本质，是商业链条缩短，这对赚钱太重要了。

以前的链条是：模型—>销售—>项目—>定制—>部署—>验收—>收入—>账期。

现在的链条是：模型—>API调用—>Token—>收入。

这就很健康，很标准，很容易规模复制。

顺带一提，a社大约85%的收入也来自API。所以这条路不是智谱独一份，但智谱应该是走到了目前看是正确的道路上。

五

关于GLM的调用量，有一点我们作为看客也需要明白，AI这个行业，制造漂亮的调用量，办法实在太多了：降价，补贴，送免费额度，烧GPU换用户。数字都很好看。

所以Token增长，要配合三个维度的数字来看，是玩命贴出来的么？

第一个数字“量”，真得很猛，MaaS平台Token调用量较年初增长超过40倍，付费日活用户增长603%，前十大客户日均调用量增长98倍。

第二个数字“价”，API平均售价没有卷入价格战，反而提升了约101%。财报数字显示的是，收入增长不是靠降价换来的。

第三个数字“成本”。单位Token推理成本较年初下降了80%，单位算力投入对应的收入提升了14倍。

所以，智谱的开放平台及API业务的毛利率，从去年同期的-0.4%，提升到24.6%。

这又比9.54亿收入重要了，因为它的模型调用，开始产生毛利了——当然，DeepSeek还是更猛，据the information爆料，API这块的毛利率居然超过八成。

所以，24.6%，比400%，重要得多。

顺便说一下，智谱总体毛利率是下滑的，从50%掉到现在的24.6%。原因也很简单，收入结构变了。原来交钥匙毛利率高，现在变成卖调用了。

六

以上是好消息，现在开始讲不大好的消息（但还不是坏消息）。

营收，9.5亿。毛利润，2.5亿。研发费用，21.3亿。

也就是毛利乘以八，才勉强够得上研发。这个比例一摆出来，不大好的消息就说完了。相当于一个学生打工赚了区区2500块零花钱，但下一学年的学费单是2万1。

其实智谱并不在行政、销售、营销上烧钱，比如销售费用同比下降了15%，行政费用下降了44%，颇有些降本增效的意思。研发费用的增长则为33.6%。

收入翻五倍，经营杠杆展现。

但真正压在公司头顶的，是基础模型这个行业自身的经济结构：要保持GLM的竞争力，就必须继续训练下一代模型。而下一代模型的账单，是以十亿为单位开出来的。

卖Token赚的钱，究竟能不能养得起下一代GLM？

这个问题，这份财报没给出答案。

七

继续说不大好的消息，也就是所谓的亏损收窄。

表面上的数字是：期内亏损20.72亿，同比收窄12.1%。很好看。

但要是一扒，就知道，经调整净亏损19.64亿，去年同期是17.52亿。所以，智谱经营层面的亏损，其实还在扩大。

那净亏损为什么收窄？主要因为上年同期的报表里趴着大约6个亿的非现金项目，和上市前的金融工具相关。这一期，这个差额只剩1亿出头。

坦率讲，亏损收窄，相当一部分是会计项目给的体面，不是生意给的体面。

智谱没有出现盈利拐点。

八

最后说说那个16亿美元。

管理层披露：截至8月底，按月度收入年化计算的ARR约16亿美元。如果按周度数据年化，还能超过20亿。。。这个口径之激进，各位可以自行掂量。

16亿美元年化，人民币百亿规模，而它上半年实际确认的收入不到10亿。中间差着一个数量级。

一直以来，我对AI行业里的ARR，是相当的不以为然，已经虚胖之至。当然，美帝现在更猛，以前就是仅作参考的TAM（目标市场规模），现在堂而皇之作为主要数据。a社最近高举了TAM。。。30万亿美元，说成是自己的潜在收入。

SaaS行业里讲的ARR，指的是已签订的、重复性很强的订阅收入。客户签了约，未来一年的钱基本锁定。

API生意的收入，高度依赖客户下个月到底还调不调用、调用多少。今天的调用量，明天合同一变、模型一换（甚至是别家的模型一换），是可以发生巨变的。

所以这个16亿美元，所谓当前月收入运行率乘以12，并非已经锁定的未来一年合同收入。

这两个东西，含金量完全不同。按传统SaaS的ARR看API的ARR，客气点说：是要吃亏的。

九

稍微说得宏大一点。

阿里做模型，API不够，可以卖云。腾讯做模型，广告、游戏、微信生态都能受益。字节把模型塞进产品体系。google那边，搜索、广告、云，家底厚得很。

智谱不一样。它的生意说好听叫纯粹，说难听叫单薄：模型，本身能不能直接成为一门足够大的生意？

GLM下个月跑分又高了几个点，牛来模型真得很牛逼，当然是值得关注的，但更重要的是那条经济链条能走通几步：

模型能力—>使用量—>收入—>毛利润—>覆盖研发—>自由现金流。

目前，它大约走到了收入到毛利润这一段。最难的一段，毛利润覆盖前沿模型研发，还远远没有走完。

这份财报，第一次让独立基础模型公司能不能赚钱这个问题的答案，可以移动了一步。

但也就仅仅是一步。

—— 首发扯氮集 ——

及：还有一个我没展开的变量：算力。智谱在财报里讲了10万级国产芯片规模化推理的故事，单位Token推理成本降80%和这个直接相关。这个故事的成色，和财报本身一样重要。但材料不足，我就不瞎说了。

至于MiniMax，智谱本来和它是完全两个故事，但经过这次财报看到其收入结构发生了翻转式的变化，已经有些趋同。但MiniMax依然有MiniMax自己的故事。

艺术家与创新者乔布斯工程师与制度者库克

2026-08-31 21:24:22

库克并没有证明自己具备乔布斯式的“定义下一代计算平台”的能力，但确实不妨碍他成为这个时代最顶尖的CEO。

明天，2026年9月1日，他交班。

一

你完全可以从两个截然不同的角度看蒂姆·库克。

第一个角度，算账。2011财年，苹果营收约1080亿美元；到2025财年，这个数字已经超过4160亿美元。库克接任时苹果市值大约3500亿美元，如今则达到数万亿美元之巨。这完全能把他送入商业史上最成功的CEO之列。

另外一个角度则截然相反：乔布斯时代有Mac、iPod、iPhone、iPad，库克掌舵十五年，苹果却始终没有再造出一个iPhone。所以库克充其量只是一个优秀的吃乔布斯留下来老本的“守成者”，颇有些中国历史王朝上那些第二代皇帝的意味。

都有道理，但都过于简单。

乔布斯为库克留下的，是一份极其优厚的遗产，不仅静态数字漂亮，而且潜能巨大。2011年的苹果是一枚已然点火的火箭。彼时营收同比增长66%，其中iPhone及相关业务收入更是同比增87%，达到471亿美元。乔布斯实际上替继任者找到了未来十几年最重要的产品，库克面对的是一条金光大道。

因此，不能把此后苹果全部增长认作是库克的一己之力。

但一个CEO如果只吃前任留下来的老本，很难一吃十五年，最后不仅没有把公司吃垮，反而把它变成全球最庞大、最稳定、利润最丰厚的商业体系之一。

我们究竟该如何看待库克执掌苹果的十五年？

二

库克最重要也是最容易被低估的贡献是：他完成了苹果的制度化。

我并不是说库克发明了苹果那套独特的组织制度。

乔布斯1997年重返苹果之后，做过一次在当时看来相当激进今天也不大多见的组织改造：取消按产品划分、各自承担利润责任的事业部体系，把整个苹果重新整合成一个功能制组织。简单说，苹果不是让一个“iPhone事业部总经理”同时管理iPhone的研发、生产、销售和利润，而是分别由硬件、软件、设计、运营、营销等专业负责人管理整个公司的相关职能。

在库克时代，苹果依然基本保持这套结构。2020年《哈佛商业评论》在一篇由Apple University负责人参与撰写的文章中指出，即便苹果收入规模较1997年已经扩大近40倍，它仍然保留着这种在巨型企业中相当罕见的功能制结构。各高级副总裁负责的是专业领域而不是某个产品的利润表，而CEO几乎是唯一一个能够同时看到设计、工程、运营、营销和零售全貌的位置。

所以，库克没有“创造苹果制度”。

他真正贡献的是这样的：乔布斯这套其实高度依赖创始人权威的组织原则，居然在创始人消失后继续存在，而且随着公司扩大了几十倍，依然运转良好。

SVP们各自负责的专业领域，最终汇聚到由“乔布斯拍板”这一环。但一个真正制度化的公司不能永远依赖“如果乔布斯在，他会怎么想”。

库克任内真正完成的是：去个人化，去天才化。

苹果依然强调设计，依然坚持软硬件结合，依然让专业人士而不是财务经理主导很多产品决策，但这些原则不再必须通过乔布斯本人才能实现。

库克保存了这套组织逻辑——当然，他并不是机械保存这套旧制度，而不做任何组织架构变动——在公司规模扩大后继续调整功能划分，例如拆分硬件工程与硬件技术、建立AI和机器学习职能，并重新整合人机界面与设计体系。

这件事很难在发布会上展示，从而让业界炸裂，行业震动，但却可能是CEO最重要的工作之一：要知道，这里有多少利益需要梳理摆平。

乔布斯证明苹果能够依靠天才创造奇迹。而库克则证明，即使天才本人离开，这家公司仍然能够继续成为苹果。

三

库克第二个极其突出的能力，是把已被证明成立的优势不断放大。

乔布斯时代苹果的商业逻辑，经典但也很简单：做出伟大的产品，然后消费者买单。

库克没有推翻这套逻辑，但在它上面不断加码。

当一个人买下一部iPhone，以下的动作非常常见：使用iCloud、App Store和Apple Music、再买AirPods和Apple Watch、家里可能还有Mac和iPad。几年以后iPhone换代，而此前积累的设备、应用、照片、服务和使用习惯，又提高了离开整个生态的成本。

苹果因此逐渐从一家高度依赖硬件爆款的公司，转变为硬件、操作系统、平台和服务共同组成的商业系统。

Services就是最清楚的明证。

2025财年，苹果服务收入已经达到1092亿美元。单这一项业务的规模，就已经相当于2011年整个苹果公司。更重要的是，它的毛利率达到75.4%，远高于硬件产品的36.8%——嗯，腾讯的自研成熟游戏的毛利率大致在70%—80%这个数量级。

这意味着苹果不再只是每隔几年向用户卖一台设备，而可以围绕庞大的装机量持续收费。

库克把乔布斯创造的一次性产品优势，变成了可以长期复利的生态优势，也就是说，他完成了：盈利的制度化。

同样的逻辑也存在于供应链——这是库克的专业老本行。

设计一部iPhone很难，但每年稳定制造数亿部同样很难。数百家供应商、海量零部件、极短的新机爬坡时间、全球市场同步上市，再加上苹果极高的品质要求，本身就是一套巨型工业系统。

如果说乔布斯证明苹果能够创造奇迹，那么库克证明的则是，把这个奇迹稳定地生产数亿次。

坦率讲，这确实也够得上“Cook the Great”的头衔。

四

那么，制度者库克，到底有没有搞过创新呢？

其实是有的。

Apple Watch显然不能算失败，AirPods已经创造出巨大的产品类别，Apple Pay成为生态中的重要基础设施，Apple Silicon则更值得另起一行。

2020年，苹果决定让Mac脱离Intel，全面转向自研芯片。这绝不只是“换了一颗CPU”。它意味着苹果进一步把芯片、硬件、操作系统和软件开发体系纳入同一套架构，让Mac、iPhone和iPad背后的技术基础更加统一。苹果当时将这次迁移称为Mac历史上的重大跃迁。

一个能够完成这种工程和组织转型的公司，你不能说掌舵者不会创新。

如果只是把创新理解为搞出了一个销量很大的新品，那么Apple Watch和AirPods不仅是创新，而且还是顶级创新。

但iPhone可不仅仅是一个销量很大的产品。它不仅改变苹果收入，而是所谓“重新定义手机”：手机是什么、软件怎样分发、人怎样接入互联网、开发者怎样挣钱。它制造了一个清晰的“Before iPhone”和“After iPhone”。

库克时代出现过很多优秀创新，却没有再制造这样的产业断层。

他没有证明自己具备定义下一代计算平台的能力。

他造不了风。

五

2025的iPhone收入仍然高达2096亿美元，占苹果总收入大约一半。服务业务已经突破千亿美元。但它本身高度依附于苹果庞大的硬件装机量。没有iPhone，没有iOS，没有几十亿台苹果设备，也就不会存在今天这种形态的Services。

所以服务业务确实是一条新的增长曲线，却从未脱离第一条增长曲线。

库克尝试过“After iPhone”。

比如Apple Car。这个持续近十年的项目，目标一再调整，从高度自动驾驶不断退回更传统的汽车方案，最终在24年被取消。部分员工随后转入AI业务。

完全不差钱，本身作为顶级的消费电子品牌，拥有一流的工程师团队，芯片和软件能力也同样让人垂涎三尺，但就是连原型都没搞出来，这不得不说是一次“战略级的失败”。

Vision Pro则有可能根本押错了道，这是考验管理者的战略目光。

然后，就到了库克被饱受批评的AI领域。

六

千万不要以为乔布斯重新定义了手机，就认定苹果会执着于做第一个进入市场的人。

苹果其实不是。

它不是第一家做MP3播放器、智能手机或者智能手表的公司。苹果真正擅长的是等技术达到某个临界点以后，把硬件、软件和用户体验重新组合起来，把原本粗糙的新技术变成大众产品。

所以，苹果比别人晚一年，并不是严重问题。

但AI却使得苹果有点应付不过来。AI的学习曲线让苹果很不适应，或者说，让库克很不适应。

模型不断训练，用户不断使用，开发者不断调用，产品在真实世界反馈中迅速迭代。很多AI产品不是一年进行一次重大升级，而是在几个月甚至几周里持续变化。

这与苹果长期形成的高度保密、完成度优先、年度发布、硬件主导的产品文化存在明显摩擦。

Siri是最暴露这个摩擦的范例。

虽然苹果早在11年就拥有语音助手，先发优势不可谓不巨大，但它从来没占据领先地位。到了26年，苹果仍然在大幅重做Siri，路透甚至不无嘲讽地用“磕磕绊绊的两年（two years of stumbles）”来描述它在这一轮AI竞争中的追赶。

库克把苹果在智能手机时代的位置经营到了近乎极致，却没有让苹果在AI时代重新成为规则制定者。

他没有“艺术家”的气质，但属于顶流的“工程师”。

七

库克的最大优点和最大缺点，是“顶流工程师”的一体两面。

有两类企业活动：一类是把已经知道有效的事情做得更好；另一类是寻找还不知道是否有效的新东西。

前者是开发已有优势，后者是探索未知可能。

库克把以下这些事做到了极致：供应链还能不能更有效率？生态还能不能增加一层锁定？服务收入还能不能提高？芯片能不能进一步内部化？资本应该留在账上还是回购股票？

但这些事都有一个共同特点：道路已经选定（what已解决），困难的地方在于前进（how还需摸索和优化）。

库克在这方面近乎无可挑剔。

但探索未知可能面对的是另外一套问题：这个市场究竟存不存在？用户会不会改变习惯？五年之后真正重要的终端是什么？为了一个尚未被证明的未来，应不应该主动牺牲今天最赚钱的业务？

这些问题从来不是“工程师”能回答的。因为它要求企业容忍大量浪费，允许项目失败，接受多年没有回报，甚至允许新业务主动攻击旧业务。

因为优化追求确定性，颠覆却来自对不确定性的下注。

库克有着强烈的做题家气质，他最擅长的是把100分做到105分，再把105分做到110分。但科技产业产生所谓“moment”级别的时刻，通常不是110做到了115分，而是，考卷，换了。

库克把苹果变得越来越擅长做正确的事的代价，就是未必越来越擅长发现什么才是下一件正确的事。

八

当然，我并不是说，当初乔布斯就不该交班库克。

乔布斯交班下一个乔布斯，风险是巨大的。毕竟乔布斯已经开启了iPhone的金光大道，当然需要一个库克将其发扬光大。

如果继任者是另外一个乔布斯（也就是那种艺术家气质），一手毁掉苹果的概率同样不低。只不过，历史从来不允许假设。

在另外一个平行宇宙，会不会有人在此刻写下这样的话：乔布斯留下了世界上最好的生意，却被一个急于证明自己的CEO毁掉了。

所以创新不是越多越好，冒险也不是天然值得赞美。

CEO的任务从来不是不断制造惊喜，而是在风险和回报之间配置资源。

九

库克的十五年，反而证明了乔布斯的目光如炬和识人之明。

苹果在需要乔布斯的时候有乔布斯，在需要把乔布斯留下来的成果规模化、制度化的时候，又有库克。

他的最大成就，是把一家曾经严重依赖天才创始人的公司变成了一套能够脱离创始人持续运行的制度；又把乔布斯创造出来的产品优势，经营成了全球罕见的商业复利机器。

十五年间，公司年收入从1080亿美元提高到4160亿美元以上，活跃设备安装量超过25亿台。

这是库克留给继任者最大的资产，以及，最大的难题：

一个已经将乔布斯遗产经营到极致成功的苹果。

—— 首发扯氮集 ——

用豆包搭一个写稿工作流

2026-08-28 19:26:22

一

作为AI原生APP，豆包在中国的用户量没有疑问地占据第一。有第三方调研机构说，到6月，其月活量达到3.82亿，比老二老三加起来的总和还要多。日活则是在春节一波推广后越过了两亿门槛。确实算遥遥领先。

我年过八旬的老父亲老母亲，都是豆包的日活用户。是，他们天天用豆包。

豆包最一开始就是个聊天机器人（bot）—— 你问它答，和市面上所有AI对话产品没有本质区别。但字节后来不断地往bot里堆功能。除了日常聊天（2c）以外，它也在努力成为一款能够接受任务、调用工具并交付结果的生产力产品（2b）。

时至今日，它能做ppt和execl，能操作本地电脑的文件和文件夹，能调用浏览器完成网页操作，能设置定时任务自动跑，能手机远程接管电脑，能完成语音通话和同声传译，能生产视频生产音乐，功能清单已经长到很难再用一个词概括它是干什么的：bot这个概念，显然不够用。

产品边界正在快速模糊，它到底是一个AI助手？一个办公套件？还是一个轻量级的操作入口？

大厂之间路线不同的产业分析先放放，本文只是探讨这样一个事：我怎么用豆包。作为一个豆包付费会员，由于它已经接入了一整套豆包工作的功能，所以得以更深入的体验。

这次我的角色不再是一个大学里的人民教师，而是一个科技行业的写作者——以评论分析为主。

二

摆在一个科技行业评论分析者面前的第一个问题是：新闻线索是什么，也就是我该就哪件事发表一次评论。早年我作为纸媒专栏作者的时候，每天都会去看一眼三大门户的科技频道所有文章的标题（说是看一眼，其实巨花时间），找一个可以写作的话题。

当然，到了今天，你不大可能去跑几个网站上做“看一眼今天科技新闻都有啥”的事了，海量爆炸，没人应付得过来。但我依然可以用几个定时任务器来做一些信息提醒。豆包的新版本终于加入了这个机制，我第一时间做了一些定时任务器：

在上面几个任务追踪器里，第一类是我比较信得过的媒体日报，但只和AI产业有关。无论是财新还是一财，它们不少报道其实和AI产业没什么关系，我就不浪费时间了。

我另外做了一个AI行业的周报，这个周报的我人肉输入的提示词是这样的：

我想创建一个国内ai大厂周报，也就是国内这些搞ai的公司，包括bat这种巨头，也包括deepseek minmax这种一线模型公司。它们的动向。另外还有行业重点人物的表态发言。每周一十点给我，做一个上周的review。这些信息要有链接附注供我溯源。

豆包改成了如下指令：

这个指令其实是可以再编辑的，但我懒得编了，就先这样，过几天视情况要不要进行增减编辑——说实话，我觉得豆包确实还没搞清bat到底是哪三家:) 和token概率有关吧。

AI基础设施的财务预警周度监控，是一个很金融的任务追踪器，它涉及到的不仅是媒体报道，还有各家公司发的财报数据。我要求追踪的变量不一定科学，先跑几天看看，就不展开了。

然后我比较关心韩红基金会最近的争议，就做了一个任务追踪器，今天就触发了一个新情况给我——类似的社会事件都可以这么做，相当于用AI吃瓜。

接下来来聊聊宇树这个公司我是怎么盯着它的二级市场表现的。

三

其实作为一个科技评论者，其实与其盯着一个新闻，不如盯着一个事件的变化。

宇树上市首日大涨，股价表现出一个惊人的数字，但我认为贵得离谱。它的市盈率在首日到了六七百倍，市销率两百多倍，但它的流通盘极小，三千万股而已。首日的市场表现，用“疯狂”二字形容一点不过分。这不是一个理性的资本态度，第一天不能说明什么。

这里面存在一种可能性：Proxy Unwind。这是一个投资行业黑话（其实连金融术语都算不上），大致意思就是：当真正的核心标的终于上市落地，资金不再需要炒作 “替代概念股”，大规模把之前押注主题的代理替身仓位集体平仓抛售，引发板块集体杀估值的现象。

宇树首日的夸张表现，搭配的则是机器人板块普跌现象，所以存在Proxy Unwind的可能性。

我设置了关于大盘指数、板块表现和宇树单个股票的股价结合起来的追踪器，准备连续跟踪，来判断这三种可能性哪个更强：1）全板块风险偏好下降；2）宇树上市导致Proxy Unwind，资金从影子股/泛概念股向宇树和核心供应链集中；3）机器人主题整体估值见顶。特别关注大盘企稳后是否出现“宇树强、核心供应链强、泛概念股持续弱”的结构。如果出现足以支持或推翻上述判断的显著新证据，通知我并给出简洁结论、关键数据和来源——以上，就是我的大致提示词。

到目前为止，可以这么说，Proxy Unwind应该是被排除了，第三项的可能性在飞速上升，不过依然需要跟踪观察。

还没到可以写所谓人形机器人赛道的时候。

四

任务追踪器是写作评论的重要帮手，它实际上并不是看新闻，而是盯变化。看新闻是一个静态的动作，盯变化才是动态的。

真正有价值的线索往往不在热搜上，而在持续关注的几个特定对象身上：一家公司的股价异动、一个产品的版本更新、一位高管的公开表态、一份监管文件的措辞变化。这些东西不会每天都上头条，但它们是判断行业走向的基础数据源。

问题是，手动盯这些东西的成本极高。我不大可能每天打开n个信源，逐家去查有没有新动态。设几个日程提醒、加几个邮件组订阅是不够的，因为它只负责“通知你该去看了”，看不看、怎么看、看完怎么整理，仍然是我的事。

我所需要的新闻线索的获取，应该要从“人工巡检”变成“自动化监控”。只需要告诉它关心什么、以什么频率关注、输出什么格式，剩下的事它自己跑。对一个写作者来说，这意味着不再需要再把注意力消耗在“有没有新消息”这件事上，而改为需要在有新消息的时候做出判断。

五

素材有了，线索也盯到了，接下来可能会出现的问题是：不知道从哪下笔。

还是以宇树科技为例，虽然我预先想到了三个观察分析的点，但Proxy Unwind已经排除，如果另外两个点经过一段时间跟踪后，依然不成立，我该从何角度切入分析宇树？

我过去的经历告诉我，和一些行内人士聊天会激发灵感。找人聊天，大致上会有这三类好处：捋顺既有思路，找到新的观察点，以及获得过去没有纳入视野的未知的信息增量。

但找人聊天这件事，其实门槛很高。很多时候，属于可遇不可求。这年头大家都卷，不是时时刻刻就可以找到人有事没事和你扯两三个小时的。

AI就属于随时待命的，不能说它全知全能，但说它具有一定质量，是一个聊天的对象，大差不差。和AI聊天的目的是这样一句话：一个能接住模糊感觉、然后通过追问将之逼成清晰判断的。。。人？

比如用工作任务模式和豆包聊天。没有必要指令式地“给我十个角度”，而应该从这样表述开始：“我觉得宇树这事不能只写股价涨跌，但我说不清更本质的东西是什么。”

然后它会追问：你觉得不能只写股价，是因为你认为价格波动背后反映的是行业估值体系的问题，还是因为你觉得市场对人形机器人的商业化预期存在系统性偏差，还是因为你注意到了某个被忽略的细节？

多来回几轮，那个最初模糊的直觉会逐渐收敛。它可能不是直接给你一个答案，而是在追问的过程中，自己意识到 “对，我想说的其实是这个”。破题不是它递给你的，是它帮着从自己的模糊判断里逼出来的。

事实上，这种让AI逼问自己，逼出一个破题，其实是可以做成一个skill的：让AI问，而不是我问。

如果轮次足够多，看上去信息繁杂，那么开写之前，也可以考虑让豆包就此写作任务，根据上下文，列一个提纲。这样写起来会更顺遂。

六

最后还有一步：成稿后交付豆包做两件事：事实核查（尤其不要搞错数字）和逻辑推演漏洞寻找（不要出现逻辑谬误或过于跳跃）。

如果愿意，倒也是可以让它想五个标题候选的。

当一个聊天机器人开始帮着盯信息流、逼问自己的角度、核查事实和逻辑的时候，它到底还是不是bot，就让ai业界的人去争论好了，对使用者，压根不重要。

重要的是，不要把它当成一台写稿机器，而应该视为一个从起手找材料到最后出稿这一系列环节的工作流。

—— 首发扯氮集 ——

WeiWuHui | 魏武挥修改

WeiWuHui | 魏武挥的 RSS 预览

一

二

三

四

五

六

七

八

一

二

三

四

五

六

七

八

九

一

二

三

四

五

六

七

八

九

一

二

三

四

五

六