crackhopper's recent timeline updates crackhopper's recent timeline updates
这网站还不错，挺好玩。
Apr 2, 2017
 |
crackhopperV2EX member #223983, joined on 2017-04-01 10:22:04 +08:00Today's activity rank 24881 |
crackhopper's recent replies
10 days ago Replied to a topic by llCnll › 程序员 › 100% AI 写代码之后，我有点不知道自己该怎么进步了 |
@llCnll 我要是面试官，要么聊一些古法的，看基本功。要么直接安排一个作业（有技术难点的），看用 AI 多久能完成到什么程度。
11 days ago Replied to a topic by llCnll › 程序员 › 100% AI 写代码之后，我有点不知道自己该怎么进步了 |
正确的提问 AI ，愿意研究得更深，就会进步了。只是让 AI 干活而已的话，进步有限。
13 days ago Replied to a topic by bmpidev2019 › 程序员 › 软件工程师最终会消失吗？ |
题主文笔不错。我跟题主心路历程差不多，也矫正了自己以前判断失误的地方（比如觉得 AI 概率模型，总是有 corner case ；约束能力用自然语言来做的根本缺陷之类的；实际上，只要叠加更多步骤，消耗更多 token ，那么概率上出错的可能性会被不断降低，从而迸发出让人觉得很不可思议的可用性程度）。
不过我始终还是认为 AI 发展还是有核心困境的：1. 模型底层的核心模块是 attention ，这导致了上下文窗口的扩大成本是平方级别的，各种优化和压缩手段都是 trade-off 并不能真正解决平方级别的成本增长（算力/存储都是平方级，而 scaling law 显示的是整体性能提升需要的成本提升是指数级的）。2. 数据量的需求是难以被满足的，并且需要的数据质量越来越高，采集的方式目前几乎把历史的全部耗尽了。未来只能通过现实世界(没有任何加速时间的手段，只能以扩大并行的方式)来直接采集。上面两个核心的困境，意味着 AI 基础能力的发展的速度已经变缓，现在日新月异的进步只是通过消耗有限的上下文资源，搜集得到的更加长链的带轨迹的数据形式，外加通过精妙的工程手段来锦上添花。不过即使发展速度受限于如此，AI 仍然展现了惊人的，可以替代软件工程师的“实力”。（甚至是替代任何脑力劳动者）
从原理来说，(a)由于上下文的限制，AI 始终需要一个全局 guidance 。另一方面，(b)由于整体 AI 系统缺乏类人的长期目标性/人格/记忆等等机制，AI 的行为也还是始终需要人类来指导。但我不觉得后者一定无法克服，人类的上下文可能也是有限的，更精妙的记忆提取技术也许会被研发出来，AI 会某种程度上更加逼近人类。最后一个方面，(c) 就是基于物理规律的世界上，是 AI 很大的障碍（所谓具身智能），数据的采集成本极高（要部署大量传感器或者机器人），同时现实世界的时间是不能加速的。考虑到上面三点，软件工作的方面如果是纯逻辑性的，AI 还是有望完全自己工作来解决，不需要任何人引导（短期之内还是难）；而软件工作如果涉及到对现实的模拟，AI 大概率还是处于长期需要人类来指导的水平。
此外，不同的人使用 AI 的效能是完全不一样的。传统古法工程师所建立的直觉和经验，会体现在使用 AI 的效能上。这也许会变成一个难以培养的能力，但我也不那么乐观。高度的抽象能力，不一定必须建立在对底层细节的掌控上，就好比很多人并没有理解数学分析的底座、实数连续统、测度集合论，仍然可以用简单的加减法、微积分来解决问题。因此，古法时代人员的优势终究会消磨殆尽，新时代的人也能在 AI 时代下建立同样的经验和直觉。
真正的问题是，软件工程师的评价体系。古法那套显然有局限性，而新的评价的方式也很难。唯成果论的评价方式，在我看来可能更加简单直接。比如直接安排一个高难度的系统的实现，作为评价指标。
至于行业是否需要这么多人，我理解可能会短期之内需要人变少，长期反弹回来。短期内，AI 带来的是成本节约，但同时也让竞争变得更加激烈，原本的 90 分产品，在 AI 时代必须达到 95 分才能存活下去。这种预期要求的提升，反而会导致更多的工程成本。但短期内的成本节约和预期要求的提升达到平衡，也就意味着工程师的需求会迎来反弹（因为整体趋势仍然是更多的领域乃至新领域，都需要更多的软硬件开发）。
而在最远最远的未来，AI 必然是会全面降临的，那时候必然是全面替代人类，不仅仅是软件工程师。
不过我始终还是认为 AI 发展还是有核心困境的：1. 模型底层的核心模块是 attention ，这导致了上下文窗口的扩大成本是平方级别的，各种优化和压缩手段都是 trade-off 并不能真正解决平方级别的成本增长（算力/存储都是平方级，而 scaling law 显示的是整体性能提升需要的成本提升是指数级的）。2. 数据量的需求是难以被满足的，并且需要的数据质量越来越高，采集的方式目前几乎把历史的全部耗尽了。未来只能通过现实世界(没有任何加速时间的手段，只能以扩大并行的方式)来直接采集。上面两个核心的困境，意味着 AI 基础能力的发展的速度已经变缓，现在日新月异的进步只是通过消耗有限的上下文资源，搜集得到的更加长链的带轨迹的数据形式，外加通过精妙的工程手段来锦上添花。不过即使发展速度受限于如此，AI 仍然展现了惊人的，可以替代软件工程师的“实力”。（甚至是替代任何脑力劳动者）
从原理来说，(a)由于上下文的限制，AI 始终需要一个全局 guidance 。另一方面，(b)由于整体 AI 系统缺乏类人的长期目标性/人格/记忆等等机制，AI 的行为也还是始终需要人类来指导。但我不觉得后者一定无法克服，人类的上下文可能也是有限的，更精妙的记忆提取技术也许会被研发出来，AI 会某种程度上更加逼近人类。最后一个方面，(c) 就是基于物理规律的世界上，是 AI 很大的障碍（所谓具身智能），数据的采集成本极高（要部署大量传感器或者机器人），同时现实世界的时间是不能加速的。考虑到上面三点，软件工作的方面如果是纯逻辑性的，AI 还是有望完全自己工作来解决，不需要任何人引导（短期之内还是难）；而软件工作如果涉及到对现实的模拟，AI 大概率还是处于长期需要人类来指导的水平。
此外，不同的人使用 AI 的效能是完全不一样的。传统古法工程师所建立的直觉和经验，会体现在使用 AI 的效能上。这也许会变成一个难以培养的能力，但我也不那么乐观。高度的抽象能力，不一定必须建立在对底层细节的掌控上，就好比很多人并没有理解数学分析的底座、实数连续统、测度集合论，仍然可以用简单的加减法、微积分来解决问题。因此，古法时代人员的优势终究会消磨殆尽，新时代的人也能在 AI 时代下建立同样的经验和直觉。
真正的问题是，软件工程师的评价体系。古法那套显然有局限性，而新的评价的方式也很难。唯成果论的评价方式，在我看来可能更加简单直接。比如直接安排一个高难度的系统的实现，作为评价指标。
至于行业是否需要这么多人，我理解可能会短期之内需要人变少，长期反弹回来。短期内，AI 带来的是成本节约，但同时也让竞争变得更加激烈，原本的 90 分产品，在 AI 时代必须达到 95 分才能存活下去。这种预期要求的提升，反而会导致更多的工程成本。但短期内的成本节约和预期要求的提升达到平衡，也就意味着工程师的需求会迎来反弹（因为整体趋势仍然是更多的领域乃至新领域，都需要更多的软硬件开发）。
而在最远最远的未来，AI 必然是会全面降临的，那时候必然是全面替代人类，不仅仅是软件工程师。
Sep 30 Replied to a topic by Allenqjy › Claude › Claude 真的好搞人心态 |
我就自己找了个海外住宅节点，搭中继。哈哈。不用担心这些。
我其实一直觉得，新手被裁可以理解，毕竟 AI 就代替了。老手被裁，企业属于没想明白。AI 总归还是需要有人来用的，老手发挥的效力远大于新手，并且在 AI 跑偏和死循环的时候，可以用经验改善 AI 的效能。
诚然，AI 提升了开发效率，看起来企业似乎不需要更多人了。但问题是，市场并没变，而可以承接需求的公司变多了，结果必然是，同样的价位下，要求的产品质量更高了；公司想要存活，也不能靠旧版本的质量来竞争了，反过来，要求公司付出更多的劳动成本。这么一个拉扯下，按理说，老手工作并不应该找不到才对。被裁，要么就是这个公司本身也是要失去竞争力了，反正早晚这公司也要死，因为只想到降本，但真的还能像以前那样稳住市场地位么？
以上是我个人看法。
p.s. 转 Agent 开发就安全么？ AI 最先革命的领域肯定是 AI 工程师更加熟悉和擅长的领域，Agent 工程师门槛肯定也会被 AI 急速拉低，变得也不需要那么多 Agent 工程师，或者 prompt AI 一下，里面一个 agent 开发就搞定了。我觉得转方向不如在原有领域里做的足够深入比较好。
诚然，AI 提升了开发效率，看起来企业似乎不需要更多人了。但问题是，市场并没变，而可以承接需求的公司变多了，结果必然是，同样的价位下，要求的产品质量更高了；公司想要存活，也不能靠旧版本的质量来竞争了，反过来，要求公司付出更多的劳动成本。这么一个拉扯下，按理说，老手工作并不应该找不到才对。被裁，要么就是这个公司本身也是要失去竞争力了，反正早晚这公司也要死，因为只想到降本，但真的还能像以前那样稳住市场地位么？
以上是我个人看法。
p.s. 转 Agent 开发就安全么？ AI 最先革命的领域肯定是 AI 工程师更加熟悉和擅长的领域，Agent 工程师门槛肯定也会被 AI 急速拉低，变得也不需要那么多 Agent 工程师，或者 prompt AI 一下，里面一个 agent 开发就搞定了。我觉得转方向不如在原有领域里做的足够深入比较好。
这么艰难的么……
Sep 16 Replied to a topic by nekoooooo › 程序员 › 我要再次发出暴论， AGI 离我们还很遥远。 |
agi 离我们很遥远 √
是因为成本高 ×
是因为成本高 ×
Sep 11 Replied to a topic by MaskerPRC › 程序员 › 给几百 G 的本地截图做一个能搜内容的引擎，我踩过的坑 |
6 ，应该直接卖钱，订阅。
Sep 2 Replied to a topic by cesign › 程序员 › [开源] Subpool：面向团队的轻量化 Coding 订阅管理 |
客户端一键配置，以及客户端网络接入问题。
我个人更希望比如类似这里的 subpool 的东西，部署到海外机器上。这样似乎封号风险会降低？（我也不太了解，欢迎拍砖。）
我虽然觉得，代理池部署国内节点，然后这个节点走单独的网络链路，也是一个方。不过不管哪个都需要一个稳定的网络链路的解决方案，其实和上面的也没太大差。无非是网络方案在服务器还是在客户端上。
但更进一步考虑，比如代理池不是直接请求外部 api ，而是直接对一些 coding agent 的 cli 进行封装，那么部署海外节点风险似乎更低。（并且，我觉得有的供应商就是只允许自家 cli 接入，也不提供 api 接入，这种情况说不定还会在 cli 上做各种探测动作，发现 ip 或者什么东西不对，就触发风控，也挺恶心的）
我个人更希望比如类似这里的 subpool 的东西，部署到海外机器上。这样似乎封号风险会降低？（我也不太了解，欢迎拍砖。）
我虽然觉得，代理池部署国内节点，然后这个节点走单独的网络链路，也是一个方。不过不管哪个都需要一个稳定的网络链路的解决方案，其实和上面的也没太大差。无非是网络方案在服务器还是在客户端上。
但更进一步考虑，比如代理池不是直接请求外部 api ，而是直接对一些 coding agent 的 cli 进行封装，那么部署海外节点风险似乎更低。（并且，我觉得有的供应商就是只允许自家 cli 接入，也不提供 api 接入，这种情况说不定还会在 cli 上做各种探测动作，发现 ip 或者什么东西不对，就触发风控，也挺恶心的）
Jun 29 Replied to a topic by YanSeven › 程序员 › 在该旧帖 6 年后的现在，大家是否已经彻底接受了软件工程领域的工业化自动化改造是势不可挡的 |
我对 AI 整体感觉就是：大力出奇迹。并且确实很强。但我对 AI 未来的预期，还是偏保守的。
AI 虽然一直在变强。但它的缺陷，并没有真正被攻克：幻觉、不确定性。现在的技术手段更倾向于，用更多的 对齐训练、context/harness engineering ，降低出大问题的概率。但这些缺陷就会被进一步转移到其他看起来不那么是问题的地方，并逐渐累积，直到，项目整体出现结构性问题。（这些都有解决手段，但都需要外力，不能单纯靠 AI 解决；因为有了额外的人力约束，因此 AI 的需求并不是无限的）
主流观点上，AI 还在进步，还在爆发。从 AI 行业商业角度上来说，是对的。从 AI 工具的本质能力来说，我认为并不是，未来 AI 也很难在短期内有更加亮眼的表现。（吹牛会有更多，但我对 Anthopic 和 OpenAI 目前的吹牛，并没觉得会带来更大的需求提升；因为这些方面的人，已经在用 AI 了；而所谓的能力提升，也只是一个子方面的能力，比如我后续说的，容易模拟获取到结果的领域，比如黑客方面，系统会给出对应的反馈；并不是通用基础能力）
首先说一下所谓的爆发。最近几年 AI 带来的提升，本质来源于 context/harness engineering 这样的 Agent 开发手段。但利用这个技术，提升是明显有上限的。本质上是写一些 if/else 来优化 LLM 模型的用户体验。但这个方式并不能真正提升 AI 。历史上的第一次人工智能危机前，就有人认为靠写 if/else 足够多，程序就能成为真正的智能一样（当时还甚至有顶级的研究员认为一个暑假差不多就能搞定 AI ）。那么那次后来的结果，就是 AI 研究沉寂很多年。本轮会不会也是一样呢？我想我的判断是是，但也不完全是，因为还有基础模型能力提升的故事可以讲。
说到 AI 基础模型的提升。我认为，目前已经变缓了。高质量的数据燃料有限，AI 只能指望自己生成数据，用生成的数据继续提升自己，类似 AlphaGo 那样的思路。但 AlphaGo 所面临的世界是简单的，确定性的围棋规则，因此生成数据和环境交互下，是能进一步得到有效数据来提升的。因此 AlphaGo 有很多优势：围棋对局可以快速模拟，规则有明确边界。这样情况下的围棋 AI ，超越了人类。不过即使这么有利的条件下，AI 也并没有真正求解围棋（很显然，围棋的所有可行对局，在数学上是有限的，那么就有一个最优解，即必胜的下法；但围棋 AI 并没有求解到这个解）。回过头来，看现实的 LLM 对应的 AI 。如果走同样的路子，那么也需要能自己生成有效的训练数据，也需要和环境交互才能得到。这个环境是什么？是人类社会的语言交流。但人类产生数据的速度，无法追上 AI 消耗的速度；确实，人类一直在产生大量数据，但 AI 需要的是可以超越自身性能边界的，更高质量的数据。此外，同样和环境交互生成数据，LLM 对应的评估标准也不那么明确（ AlphaGo 则可以直接根据围棋规则给出结果），更关键的是，没法快速模拟（有人会说，LLM 模拟人，互相对话，这样可以快速模拟。但问题是，需要突破 AI 能力边界的数据，这种让 AI 自己生成，不借助外部帮助，还是很困难的。不过，这个思路也有价值，就是可以快速蒸馏其他更强的模型，哈哈）。（另外，某些子领域，AI 会更有作为，比如黑客，是否入侵成功，明显是系统可以快速给出回馈的；只要搭建一些蜜罐系统，用来训练模型，那么这方面能力显然会有巨大的提升。但这个并不能完全算作 AI 的基础能力，只能说某些领域就是有 AI 训练的潜力）
基于上述思考，我的判断如下：
1. context/harness engineering 还有提升用户体验的空间，进一步释放基础模型的能力。但它的边际收益会逐渐减少。目前看起来，代码开发方面提升效率约 50%-200% 。并且很可能是上限。因为一个人类，可以有效消耗 token 是有上限的：取决于人类 review 代码的速度是怎么样的。诚然比写代码快，但肯定比不过 AI 生成的速度；因此，最优解应该在，生成的数量恰好达到人类 review 数量的上限。基于这个看法，token 输出其实并不需要无限供应（目前，实际上主要的 token 消耗是在 Agent 自己内部，做 context/harness 的时候，消耗掉的，但这个也会到达 context window 、token 成本、推理速度，这些约束下的一个平衡点）。这个点来看，我认为短期，3-5 年内，AI 体验会上升，单价会更贵，需求随着更多人使用 AI 工具开发而进一步释放，但效率提升和成本的比值很可能会更早达到上限。（我这里没讨论 vibe coding 。vibe coding ，我认为更适合原型生产阶段，不适合严肃的工程开发； vibe coding 可能也许创造一些快速原型的开发工程师的岗位，但交付的产品，除非不考虑维护，否则肯定要人类 review ，这也是自然语言和代码细节本质的差异导致的：即人类掌控项目才能控制项目迭代长期稳定不崩溃）。
2. 靠 context/harness engineering 。但上限肉眼可见：token 成本，和靠 if/else 本身就是历史失败路径。对此不能抱有太高的预期。用户体会到的 Agent 能力大爆发，靠基础模型+这些 engineering 整体达到的。不要小瞧了这些 engineering 的能力。但，可惜上限的存在。
3. AI 基础模型的提升，目前已经不再是爆发期，而是一个稳态慢速提升。由于 AI 基础模型能力进步，只能靠 AI 搜集更多高质量数据（比如开发者和 Agent 交互的轨迹数据），以及协助研发更加快速逼真的仿真系统（通过仿真系统来得到更多数据，当然聚焦于更加 specific 的领域；仿真系统，并不完全是物理仿真，软件环境仿真，某些具体的 case 可以仿真，也是 ok 的）； scaling law 时代目前基本已经结束，数据和硬件都没办法指数增长。
可以预见的未来是：AI 公司最终还是要商业化的。AI 要想赚钱，得有客户，并且得有更多客户； AI 如果想要进步，需要有客户，因为要采集客户的高质量数据；最终，不可避免的，高水平 AI 还是会被后发者蒸馏，除非不发展客户了；最终，不会存在高质量的通用 AI 被垄断，除非先发者不考虑商业化赚钱。行业的终态，还是会变成成本比拼、生态工具链比拼。各个非 AI 基础服务公司，对 AI 的使用也会“去魅”，限制 token 用量，更合理的评估 token 单位成本带来的收益，并保持让 token 单位成本收益，和 人类工资单位成本收益，达成一个一致。（当然，specificialization 的 AI 有可能可以被垄断，有专门的用途）
短期来看，AI 并没有充分供应。需求缺口大。因此，AI 产业相关的上游，长期应该会不愁订单，迎来黄金发展期。但当需求增长放缓，就会迎来 AI 泡沫破裂的时期。（条件是（需要同时符合）：harness 相关技术达到效益瓶颈期，潜在的生产力用户都已经进入 AI 生态，企业学会 token 成本相处并冷静对待 AI 带来的效益提升。不过，到了这个时候，我估计更多的 AI 数据中心也建的差不多了，token 成本下降，供应也会更加充足。大概有多久？不好说，我暂时预判 3-5 年。很可能被打脸，比如 AI 再次不靠基础性能，再次扩大用户需求面，我感觉挺困难的，目前能用 AI 的都在用，已经扩大的很大了）
AI 虽然一直在变强。但它的缺陷，并没有真正被攻克：幻觉、不确定性。现在的技术手段更倾向于，用更多的 对齐训练、context/harness engineering ，降低出大问题的概率。但这些缺陷就会被进一步转移到其他看起来不那么是问题的地方，并逐渐累积，直到，项目整体出现结构性问题。（这些都有解决手段，但都需要外力，不能单纯靠 AI 解决；因为有了额外的人力约束，因此 AI 的需求并不是无限的）
主流观点上，AI 还在进步，还在爆发。从 AI 行业商业角度上来说，是对的。从 AI 工具的本质能力来说，我认为并不是，未来 AI 也很难在短期内有更加亮眼的表现。（吹牛会有更多，但我对 Anthopic 和 OpenAI 目前的吹牛，并没觉得会带来更大的需求提升；因为这些方面的人，已经在用 AI 了；而所谓的能力提升，也只是一个子方面的能力，比如我后续说的，容易模拟获取到结果的领域，比如黑客方面，系统会给出对应的反馈；并不是通用基础能力）
首先说一下所谓的爆发。最近几年 AI 带来的提升，本质来源于 context/harness engineering 这样的 Agent 开发手段。但利用这个技术，提升是明显有上限的。本质上是写一些 if/else 来优化 LLM 模型的用户体验。但这个方式并不能真正提升 AI 。历史上的第一次人工智能危机前，就有人认为靠写 if/else 足够多，程序就能成为真正的智能一样（当时还甚至有顶级的研究员认为一个暑假差不多就能搞定 AI ）。那么那次后来的结果，就是 AI 研究沉寂很多年。本轮会不会也是一样呢？我想我的判断是是，但也不完全是，因为还有基础模型能力提升的故事可以讲。
说到 AI 基础模型的提升。我认为，目前已经变缓了。高质量的数据燃料有限，AI 只能指望自己生成数据，用生成的数据继续提升自己，类似 AlphaGo 那样的思路。但 AlphaGo 所面临的世界是简单的，确定性的围棋规则，因此生成数据和环境交互下，是能进一步得到有效数据来提升的。因此 AlphaGo 有很多优势：围棋对局可以快速模拟，规则有明确边界。这样情况下的围棋 AI ，超越了人类。不过即使这么有利的条件下，AI 也并没有真正求解围棋（很显然，围棋的所有可行对局，在数学上是有限的，那么就有一个最优解，即必胜的下法；但围棋 AI 并没有求解到这个解）。回过头来，看现实的 LLM 对应的 AI 。如果走同样的路子，那么也需要能自己生成有效的训练数据，也需要和环境交互才能得到。这个环境是什么？是人类社会的语言交流。但人类产生数据的速度，无法追上 AI 消耗的速度；确实，人类一直在产生大量数据，但 AI 需要的是可以超越自身性能边界的，更高质量的数据。此外，同样和环境交互生成数据，LLM 对应的评估标准也不那么明确（ AlphaGo 则可以直接根据围棋规则给出结果），更关键的是，没法快速模拟（有人会说，LLM 模拟人，互相对话，这样可以快速模拟。但问题是，需要突破 AI 能力边界的数据，这种让 AI 自己生成，不借助外部帮助，还是很困难的。不过，这个思路也有价值，就是可以快速蒸馏其他更强的模型，哈哈）。（另外，某些子领域，AI 会更有作为，比如黑客，是否入侵成功，明显是系统可以快速给出回馈的；只要搭建一些蜜罐系统，用来训练模型，那么这方面能力显然会有巨大的提升。但这个并不能完全算作 AI 的基础能力，只能说某些领域就是有 AI 训练的潜力）
基于上述思考，我的判断如下：
1. context/harness engineering 还有提升用户体验的空间，进一步释放基础模型的能力。但它的边际收益会逐渐减少。目前看起来，代码开发方面提升效率约 50%-200% 。并且很可能是上限。因为一个人类，可以有效消耗 token 是有上限的：取决于人类 review 代码的速度是怎么样的。诚然比写代码快，但肯定比不过 AI 生成的速度；因此，最优解应该在，生成的数量恰好达到人类 review 数量的上限。基于这个看法，token 输出其实并不需要无限供应（目前，实际上主要的 token 消耗是在 Agent 自己内部，做 context/harness 的时候，消耗掉的，但这个也会到达 context window 、token 成本、推理速度，这些约束下的一个平衡点）。这个点来看，我认为短期，3-5 年内，AI 体验会上升，单价会更贵，需求随着更多人使用 AI 工具开发而进一步释放，但效率提升和成本的比值很可能会更早达到上限。（我这里没讨论 vibe coding 。vibe coding ，我认为更适合原型生产阶段，不适合严肃的工程开发； vibe coding 可能也许创造一些快速原型的开发工程师的岗位，但交付的产品，除非不考虑维护，否则肯定要人类 review ，这也是自然语言和代码细节本质的差异导致的：即人类掌控项目才能控制项目迭代长期稳定不崩溃）。
2. 靠 context/harness engineering 。但上限肉眼可见：token 成本，和靠 if/else 本身就是历史失败路径。对此不能抱有太高的预期。用户体会到的 Agent 能力大爆发，靠基础模型+这些 engineering 整体达到的。不要小瞧了这些 engineering 的能力。但，可惜上限的存在。
3. AI 基础模型的提升，目前已经不再是爆发期，而是一个稳态慢速提升。由于 AI 基础模型能力进步，只能靠 AI 搜集更多高质量数据（比如开发者和 Agent 交互的轨迹数据），以及协助研发更加快速逼真的仿真系统（通过仿真系统来得到更多数据，当然聚焦于更加 specific 的领域；仿真系统，并不完全是物理仿真，软件环境仿真，某些具体的 case 可以仿真，也是 ok 的）； scaling law 时代目前基本已经结束，数据和硬件都没办法指数增长。
可以预见的未来是：AI 公司最终还是要商业化的。AI 要想赚钱，得有客户，并且得有更多客户； AI 如果想要进步，需要有客户，因为要采集客户的高质量数据；最终，不可避免的，高水平 AI 还是会被后发者蒸馏，除非不发展客户了；最终，不会存在高质量的通用 AI 被垄断，除非先发者不考虑商业化赚钱。行业的终态，还是会变成成本比拼、生态工具链比拼。各个非 AI 基础服务公司，对 AI 的使用也会“去魅”，限制 token 用量，更合理的评估 token 单位成本带来的收益，并保持让 token 单位成本收益，和 人类工资单位成本收益，达成一个一致。（当然，specificialization 的 AI 有可能可以被垄断，有专门的用途）
短期来看，AI 并没有充分供应。需求缺口大。因此，AI 产业相关的上游，长期应该会不愁订单，迎来黄金发展期。但当需求增长放缓，就会迎来 AI 泡沫破裂的时期。（条件是（需要同时符合）：harness 相关技术达到效益瓶颈期，潜在的生产力用户都已经进入 AI 生态，企业学会 token 成本相处并冷静对待 AI 带来的效益提升。不过，到了这个时候，我估计更多的 AI 数据中心也建的差不多了，token 成本下降，供应也会更加充足。大概有多久？不好说，我暂时预判 3-5 年。很可能被打脸，比如 AI 再次不靠基础性能，再次扩大用户需求面，我感觉挺困难的，目前能用 AI 的都在用，已经扩大的很大了）
Select Language