RichChat

Felix Rieseberg 在 Anthropic 做 Claude。他说自己每天都会看到别人用 Claude 做成一件他没想过、不觉得可能，或者懒得去试的事。例如帮业余天文学家找到一颗疑似新行星，或者是做出他真心喜欢的 AI 音乐 MV。他的文章底下，有网友用 Claude 和免费的激光雷达数据，花几个小时、几百美元，在墨西哥湾沿岸找到一组可能从没被记录过的古代土丘。

用他的话说，有些人已经驾驭了模型最惊人的那部分能力，看起来像在飞；更多人还在研究这对新翅膀能干嘛，用它问”法国的首都是哪儿”，或者”帮我把这封邮件改得没那么冲”。

我算是用 AI 比较深的那批人，每天大部分工作都是和它一起完成的。即便这样，我也会时不时撞上”哦，原来它现在能做这个了”的时刻。最近一次是做视频：我一直默认视频得交给专门的视频生成模型，大模型顶多写写分镜。结果 Opus 5.5 发布后我试了一下，让它直接做科普动画，画面、配音、配乐，连”转场卡在音乐拍点上”都是它写代码完成的，很快帮我做出了两支完整的视频。也就是说模型能力已经在那儿了，只是我对它的印象还停在上一个版本…

所以”不够有野心”其实不分新手老手：模型每几周就往前跳一级，我们脑子里”它能做什么”的那张图，总是落后一截。Felix 这篇《How to be more ambitious》讲的，就是怎么把”更有野心”变成对话框里能打出来的下一句话。

作为 AI coding 的重度用户，我最常被问到的一个问题是：AI 会幻觉、会犯错，你怎么敢信它写的代码？

我的回答一直是：你本来就不该指望它不出错，人写代码也做不到。在手搓代码的年代，我们靠 code review 和测试用例拦住失误；到了 AI 写代码的年代，这套逻辑其实没变，变的是”拦”的方式。

在 Floeva（我们在做的 AI 智能可穿戴项目）中，我自己的时间分配也很能说明这一点：花在前期需求讨论、搭建 code review 和测试流程上的时间，比写具体功能代码的时间多得多。

前几天 Claude Code 团队发了一篇文章《How the Claude Code team does code review》，讲在 Claude 写了约 90% 代码的情况下，他们怎么做 review。读完我的第一感受是，这和我们在摸索的流程很像，而且它把几个我们也反复纠结的问题讲得更系统：哪些修改还要人看？AI 审 AI 会不会没完？审查的 AI 漏了怎么办？人不读代码怎么懂代码？出了事算谁的？

这篇就按这五个问题，把原文里我觉得最值得借鉴的部分整理出来。

Anthropic 发布 Fable 5.1 时，首先吸引我注意力的，并不是密密麻麻的各项指标提升，而是这样一句话：缓存读取价格降低 75%。

我当时的第一反应是：这样一来，我的每周额度是不是终于能多撑几天了？

因为自从开始使用 Fable 之后，我每周 $200 Max 套餐的额度就变得完全不够用了。这点上我的感受很明确 - 以前只有 Opus 4.8 的时候，同样的工作强度基本能够撑过一周；开始用 Fable 处理复杂任务后，周额度开始稳定见底。我也试过把 Opus 5 设为默认模型，结果情况反而进一步恶化：回复更长、过程更啰嗦，额度消耗得也更快。

我现在只能主动给不同模型分工。复杂任务前期的 brainstorming、spec 和 plan，用 Fable medium；相对简单的任务，以及 plan 已经确定后的执行阶段，全部切回 Opus 4.8 high。

但这次仔细研究之后才发现，“缓存读取价格降低 75%”和“订阅用户可以多用 75%”完全是两回事。更有意思的是，同一个 Fable 5.1，既可能比上一代贵 20%，也可能便宜三分之二。

区别在于你怎么用它。

这两天，医疗圈和 AI 圈都在关注一个里程碑式的消息：Moderna 和 Merck（默沙东）合作的个性化 mRNA 癌症疫苗，在黑色素瘤三期临床试验中取得了积极的顶线结果。

对于不了解医药产业的朋友来说，可能很难意识到这个成果有多震撼。它是首个在全球 Phase 3 试验中显示临床获益的个体化新抗原疗法，也意味着 AI 驱动的“个性化医疗”正在迈过最重要的一道落地门槛。

先看看这两个很普通的场景：

一个学生自己写完了作业，只让 Claude AI 帮忙优化英文语法和其中不自然的表达。另一个白领自己用中文写好了一封给海外客户的邮件，再交给 Claude 翻译成英文。

在我们看来，这两个人都没有让 AI 替自己思考。文章的观点和邮件的内容来自他们自己，Claude 做的是过去由 Grammarly 或翻译软件完成的工作。

但在 AI 文本水印技术眼里，这两个场景可能很不一样。

世界杯开赛前两天，Kimi 发了一份 200 页的赛事预测报告，用 300 个 AI Agent 同时分析 104 场比赛。

一个自然的问题：这玩意儿能比博彩公司的赔率更准吗？

简短的答案：不能。 两届世界杯回测，模型的准确率都输给了博彩赔率。

但这份报告真正有意思的地方，恰恰不在于这个答案。先说他们怎么做的，再说为什么打不过，最后说打不过的情况下到底有什么价值。

不久前，腾讯首席 AI 科学家姚顺雨在一场公开对话中说：「AI 下半场这个词，正在被滥用。」

这个词其实是他自己在去年的博客里提出的。他的定义很清晰：过去 AI 行业的核心是寻找解决问题的有效方法，现在方法论已经趋于成熟，找到真正有价值的问题反而变得更困难了。从找方法到找问题，这就是他眼中的上下半场分界线。

但硅谷还有另一个 Shunyu Yao|姚顺宇。

如果你关注 AI 圈，大概率听说过「硅谷有两个 Shunyu Yao」这个梗。两人都是清华本科同级，一个学物理（基科班），一个学计算机（姚班）；一个去了斯坦福，一个去了普林斯顿，刚好和大家的刻板印象反过来。前者（以下称「DeepMind 姚」）辗转 Anthropic 后加入 Google DeepMind，后者（以下称「腾讯姚」）从 OpenAI 跳槽到腾讯出任首席 AI 科学家。

最近这两位分别接受了深度访谈：DeepMind 姚与张小珺做了一期 4 小时的长播客，腾讯姚则在腾讯 AI 大会上与汤道生进行了公开对话。两段内容叠在一起看，会发现一件很有意思的事：两个同名同龄、背景高度重叠的人，对 AI 行业的判断既有惊人共识，也有根本性的分岔。

这篇文章就来拆解这两段对话的核心观点，看看两个 Shunyu Yao 的 AI 世界观到底在哪里交汇，在哪里分道扬镳。

上一篇我写了 Meta 用 22,000 个岗位给出的 AI Native 答案（链接）。文章发出后，同一周内又看到两篇让我印象极深的内容：一篇是 Cloudflare CEO Matthew Prince 在《华尔街日报》发的专栏，另一篇是 ClickUp CEO Zeb Evans 在 X 上的长帖。

三家公司，体量不同，赛道不同，但做了几乎一模一样的事：在营收创新高的同时，裁掉了 20% 以上的员工。Meta Q1 营收同比增长 33%，Cloudflare 同样超过 30%，ClickUp CEO 原话说”业务史上最强”。而且三位 CEO 都特意强调同一句话：这不是降本增效，是主动转型。

当一家公司这么说的时候，你可以当公关话术。当三家同时这么说的时候，这就是信号了。

最近关于 Meta 最新一轮岗位调整的消息很多，很多人的直觉反应是”大厂又在降本增效了”。

但如果你仔细去看流出的内部备忘录、录音和各种细节，会发现这绝不是一次普通的”省钱”。Meta 正在用一种非常冷峻的方式，示范一个大厂如何转向”AI Native”。它的核心逻辑很清晰：把人力从低价值重复劳动中解放出来，投入到 AI 能产生指数级放大的领域。

我把这波操作里最让我印象深刻的几个点挑了出来，加了一些我自己的旁注。

听完 Claude Code 创始人 Boris Cherny 最近在 Sequoia 的 AI Ascent 大会上分享了他对 AI 编程现状的判断后的三点感触：