RichChat

引言：一个让我困惑的回答

几个月前，我翻译了一篇Stratechery关于Sam Altman的深度访谈。当时给我留下最深刻印象的，是Altman对一个假设性问题的回答。

访谈者问：**”五年后什么会更有价值：是一个拥有十亿日活跃用户、不需要做客户获取的目标网站，还是最顶尖的模型？”**

Altman的回答毫不犹豫：”那个拥有十亿用户的网站。“

这个答案当时让我颇感意外。因为在我的认知里，OpenAI这样的顶级AI实验室，其核心愿景应该是AGI（通用人工智能）。事实上，OpenAI官网上的使命声明也清楚地写着：”Our mission is to ensure that artificial general intelligence—AI systems that are generally smarter than humans—benefits all of humanity.“（我们的使命是确保通用人工智能，即比人类更聪明的AI系统，造福全人类。）

那么，一个致力于实现AGI的组织，为什么会认为用户规模比技术领先更重要？这个疑问一直萦绕在我心头。直到最近看到The Information发布了一篇深度报道《OpenAI Readies Itself for Its Facebook Era》（OpenAI准备迎接它的Facebook时代），我感觉这可能部分能协助理解OpenAI这个转变背后的逻辑，以及它所引发的内部争议…

在曼哈顿的一个屋顶酒吧里，AI创业公司Anthropic的员工们正与大约150名量化研究员（俗称“宽客”）相谈甚欢。他们的目的只有一个：说服这些华尔街的精英们，将他们的才华投入到构建通用人工智能（AGI）的宏伟事业中。

这并非个例。根据科技招聘专家的数据，过去12-18个月内，专门寻求量化金融背景人才的AI和软件公司数量增长了40-50%。但这并非单向的挖角，而是一场深刻的双向奔赴，一个关于“跨界者”正在重新定义游戏规则的时代故事。

第一幕：从华尔街到硅谷的“淘金热”

为什么AI巨头会对宽客们如此青睐？？答案在于其核心技能的高度重叠。

• 极致的速度追求：对于不熟悉量化交易的读者来说，可以想象一个争分夺秒的战场。在高频交易中，百万分之一秒的延迟都可能导致巨大的损失。因此，宽客们必须将代码和基础设施优化到极致。这种对底层效率和延迟的苛刻追求，与AI领域优化大型语言模型（LLM）推理速度、降低用户等待时间的需求，在技术上异曲同工；
• 严谨的研究方法：宽客的本质工作是从充满噪音的海量市场数据中，通过复杂的统计建模识别微弱但有效的盈利信号（Alpha）。这与AI研究的核心挑战如出一辙 - 都是在海量、非结构化的数据中训练模型学习有用的模式。无论是从股价波动中预测市场走向，还是从文本数据中理解语言规律，底层的数学原理和方法论都存在深度重叠；
  阅读全文 »

从预告到落地

今年8月，我写过《手腕上的私人健康专家：谷歌发布基于Gemini的Fitbit AI教练》，当时Google在Made by Google发布会上首次展示了这款由Gemini驱动的个人健康教练，描绘了一个令人激动的愿景：让普通人也能拥有像世界顶级运动员那样的全天候健康专家团队。

两个多月过去，这个产品终于从概念走向现实。从10月28日开始，Google正式向美国符合条件的Android Fitbit Premium用户开放公开预览版，iOS用户也将在不久后获得访问权限。作为一直在关注AI健康可穿戴方向的从业者，这次我们聚焦于这款产品的实际功能、技术架构和真实使用场景 - 当AI健康教练真正运行在你的手腕上时，它能做什么？又是如何做到的？

当健康建议变得具体可行

在进入功能细节之前，我们需要理解一个核心问题：为什么我们需要AI健康教练？

传统健康管理有一个致命缺陷：碎片化且难以个性化。你的医生给你建议”多运动、注意睡眠”，但不告诉你具体该怎么做；你下载的健身app提供通用计划，但不知道你昨晚睡眠不好、今天不适合高强度训练；你的智能手表/手环收集了海量数据，但只是展示数字，不解释这些数字背后的意义。

最终结果是：你拥有大量数据，却依然不知道该做什么。

Google的解决方案是让AI成为连接数据和行动的智能桥梁。Fitbit健康教练不只是另一个功能，而是对整个产品体验的重新设计 - 从被动记录到主动指导，从数据展示到洞察分析，从通用建议到个性化方案。

刚看到市场研究机构Counterpoint的最新数据：2025年苹果将以19.4%市场份额干掉三星，重回全球手机销量第一。

上次坐这个位置还是2011年，那年乔布斯刚去世。

但我觉得，有意思的不是苹果赢了，而是它怎么赢的。

1. 疫情买手机的那批人，现在该换了

还记得2020-2021年疫情期间吗？居家办公、上网课等等使得全家人都在换手机。

那批设备用到现在正好3-4年，电池不行了，系统也卡了。苹果踩中的就是这个时间点，而iPhone 17发布的时机，刚好赶上这波换机潮爆发。

从数据来看：在美国和中国这两个最关键的市场，iPhone 17都实现了双位数增长。甚至在中国，10月份的销量同比暴涨了37%。

更绝的是，过去两年多卖出去3.58亿台二手iPhone。

这些用二手机的人，很多是第一次用iOS，等他们想升级的时候，猜猜会买什么？

在过去的这一年里，AI 圈子似乎达成了一种昂贵的共识：只有一种“硬通货”值得追逐，那就是 NVIDIA 的 GPU。无论是 OpenAI、Meta 还是那一长串的独角兽名单，实际上都在给黄仁勋打工。

但就在这周，Google 甩出了一枚重磅炸弹：全球最强模型Gemini 3 Pro。

这不仅是一个在LMArena（大模型竞技场）首破 1500 分、登顶全球最强的模型，更重要的是它的“出生证明”：它是业界首个完全不依赖 NVIDIA 芯片，纯粹由 Google 自研 TPU 集群训练出来的超大规模模型。

这意味着，Google 正在用实际行动打破那个“没有 H100 就做不出顶级 AI”的魔咒。

历史总是惊人地相似

2022年12月，当ChatGPT横空出世时，Google内部拉响了”Code Red”警报。这个搜索巨头突然意识到，一个成立仅七年的初创公司可能正在颠覆它赖以生存的核心业务。Sundar Pichai紧急召集各部门负责人，要求全力应对这个前所未有的威胁。

三年后的2025年，历史完成了一个完美的轮回 - 这次轮到Sam Altman向OpenAI全体员工发出”Code Red”备忘录。就在ChatGPT即将迎来三周岁生日之际，这位曾经的挑战者如今感受到了当年Google同样的紧迫感：被追赶，甚至可能被超越。

这个历史的镜像揭示了AI竞争的残酷：在这个领域，三年就足以让攻守易位，让王者变成焦虑者。

什么是”Code Red”？

在OpenAI的内部文化中，存在着三级警报系统：黄色、橙色和红色，分别对应不同级别的紧急程度。值得注意的是，在此次宣布”Code Red”之前，OpenAI已经启动过”Code Orange”来应对ChatGPT的改进问题。而现在升级到最高级别的红色警戒,意味着Altman认为当前的竞争态势已经到了生死存亡的关键时刻。

根据《华尔街日报》和《The Information》的报道，Altman在备忘录中明确要求团队全力聚焦于改善ChatGPT的”日常使用体验”，包括提升个性化功能、加快响应速度、提高可靠性，以及扩展问答能力的广度。为了集中资源，OpenAI决定推迟多个原本已经公布的计划，包括广告整合、AI购物助手、以及备受期待的个人助理产品ChatGPT Pulse。

Google Gemini 3：改变游戏规则的对手

那么，是什么让OpenAI如此紧张？答案是Google上个月发布的Gemini 3。

在我的个人使用体验中，Gemini最近的表现确实令人印象深刻，从最近的数据表现来看甚至可以说是势不可挡。Gemini 3 Pro在多项行业基准测试中超越了OpenAI的GPT系列和Anthropic的Claude系列，首次从技术能力上夺得了AI模型的”智商第一”宝座。而且也从用户层面获得了大量好评，例如Salesforce CEO Marc Benioff在试用后公开表示：”我用了ChatGPT三年，但在Gemini 3上体验了两小时后，我不打算回去了。这个飞跃太疯狂了。”连Altman本人也在X平台上祝贺Google，承认Gemini 3 Pro”看起来是一个很棒的模型”。

译者注

作为一名长期关注AI技术落地的从业者，我在实际工作中见证了AI在软件研发领域带来的显著提效。最新这篇来自a16z的文章系统性地梳理了AI软件开发的整个生态，专门整理翻译一下供参考。

对照文中提到的场景，从我个人实际经验中也已经看到了下面这些方面的实际应用：

• 老代码迁移（Legacy Code Migration）是其中一个令人印象深刻的应用场景，AI能够理解老旧代码的逻辑并协助迁移到新的技术栈，大大降低了技术债务的偿还成本；
• 在快速原型和Demo构建方面，我看到越来越多产品经理背景的朋友开始直接使用AI工具来验证自己的产品想法，这在过去是不可想象的。传统上，产品经理需要依赖工程师才能将想法变成可交互的原型，而现在他们可以自己动手，这极大地加快了产品迭代的速度；
• AI在生成和维护文档、测试用例方面的能力同样令人瞩目。技术文档和测试用例的编写一直是开发过程中耗时但必要的工作，而现在AI不仅能够基于代码自动生成高质量的文档和测试用例，还能在代码变更时同步更新，甚至同时生成测试脚本，以及智能地识别潜在的边缘案例，提升测试覆盖率；

我之前写过的一篇文章《AI 时代的新法则：2 个产品经理配 1 个工程师？》，其中我探讨了未来团队的角色组合 - 我认为随着AI工具的成熟，团队将需要更多的”通才”或”T型人才”，他们不仅要懂产品，还要能够利用AI工具快速实现想法。而在另一篇最近的文章《美图的AI转型蓝图》中，美图在其AI转型过程中也在强调”人人都是多面手”的理念，鼓励每个团队成员掌握多种技能，并善用AI工具来提升工作效率。

这种转变不仅仅是工具层面的升级，更是组织架构和人才能力模型的重构。当产品经理可以自己构建Demo，当工程师可以借助AI处理更高层次的架构设计，团队的协作方式和价值创造模式都将发生根本性的变化。a16z这篇文章所描绘的万亿美元市场，本质上是对整个软件开发范式转变的量化估算。

当流量来源悄然改变

根据最新Adobe发布的2025年9月一组数据：美国零售网站来自AI来源的流量同比激增了1,100%。而且，这些通过ChatGPT、Claude、Perplexity等AI工具进入网站的访问者，表现出了比传统渠道更高的商业价值：参与度提升12%，转化率提高5%。

这意味着什么？当你的潜在客户在ChatGPT里询问”适合敏感肌的护肤品推荐”或”性价比高的露营装备”时，如果AI看不到你的网站内容，你就彻底失去了这个客户。不是排名靠后，而是压根不存在。

而我最近用一个免费工具测试了几位朋友的网站后发现：大部分网站并没有为这个新时代做好准备。

80%的企业存在严重可见性缺陷

Adobe刚刚推出了一款名为LLM Optimizer的产品，根据其发现：80%的企业网站存在严重的内容可见性缺陷，导致AI无法访问关键的产品信息或评论。这不是技术问题，而是一个时代错位的问题：我们的网站优化策略还停留在为Google、百度这样的传统搜索引擎服务的时代，而AI代理的内容抓取方式完全不同。

译者注

最近在LinkedIn上，我看到Tim O’Reilly推荐了一篇文章，称其为”管理者必读的AI文章”。其作者Aparna是微软AI体验首席产品官，她在文中提出的核心观点 - “大部分工作即翻译”，让我也深有感触。

作为曾经的产品经理，我觉得PM工作的核心本质其实就是不断地在做”翻译”。PM们需要将用户在访谈中表达的模糊需求和痛点，翻译成可量化的用户故事；将业务部门提出的战略目标，翻译成具体的产品功能和路线图；将技术团队反馈的实现难度和架构约束，翻译成易于理解的权衡方案呈现给老板；将复杂的产品逻辑和交互流程，翻译成开发团队可以执行的PRD文档。每一天的工作，实际上都是在不同的”语言”之间穿梭：用户的语言、业务的语言、技术的语言、老板的语言。

如果再结合当前做AI顾问后的具体经验，这种”翻译”工作的本质变得更加明显。AI技术本身充满了专业术语：transformer架构、token限制、提示工程、RAG检索增强、微调与对齐等等。但企业客户关心的从来不是这些技术细节，他们想知道的是：这个技术能帮我解决什么业务问题？实施成本多高？多久能看到效果？有什么风险？我的大部分工作就是在深入理解AI能力边界的基础上，将这些技术可能性”翻译”成”人话”，让业务负责人能够理解，并进一步”翻译”成具体的应用场景和落地方案。

Aparna在她的文中提出：组织中的大量工作，本质上都是信息在不同形式、不同层级、不同部门之间的转换和传递。而LLM的出现，第一次让这种”翻译”的成本趋近于零。这不仅仅是效率的提升，更可能从根本上重塑组织结构：当中间层的”翻译”工作可以被AI高效完成时，传统的金字塔型组织架构将不再是必然选择。

这是一个值得所有管理者和知识工作者深入思考的洞察。

在写过 Shopify 和一系列 AI-First 公司 的转型故事后，我一直在观察，国内哪家大厂会率先系统性地提出自己的“AI时代组织进化论”。说实话，我没想到第一个公开、系统性地分享AI时代组织进化思考的中国互联网大厂，会是美图。

在很多人（包括我）的印象里，美图是一家老牌的工具型产品公司，近年来也缺少了一些“爆款”故事。但这次美图17周年的内部分享，让我看到了一家老牌互联网公司面对AI浪潮时的清醒认知和果敢行动。更难得的是，他们不是简单地喊口号，而是拿出了实实在在的实践案例和组织变革方案。

这不再是“要不要用AI”的讨论，而是“如何成为一个AI原生组织”的实践蓝图。

亮点一：“反惯性工作流”，向大公司病开刀

吴欣鸿在分享中毫不避讳地指出了大公司的“惯性工作流” - 冗长的需求文档、开不完的同步会、漫长的审批链条、以及“各扫门前雪”的职能边界。这几乎是所有发展到一定规模公司的通病，也是创新效率的最大敌人。