你还在为准备大厂的编程面试而头悬梁锥刺股吗？还在死记硬背各种算法题库吗？现在，Meta 说，你可以歇歇了，面试时直接用AI吧！
根据硅谷最新爆料：社交巨头 Meta 正在测试一种全新的编程面试模式，允许求职者在面试过程中使用 AI 助手。 这一举动，正如 Meta CEO 马克·扎克伯格所言，“氛围编程 (vibe coding)” 将成为未来工程领域的重要组成部分。
根据 404 Media 看到的一份 Meta 内部公告，公司不仅计划在招聘中引入 AI，还正在招募内部员工参与“模拟 AI 面试”，以帮助塑造 Meta 未来的面试形态。
这份内部公告是这么写的：“Meta 正在开发一种新型编程面试，求职者可以使用 AI 助手。这更能代表我们未来员工将要面对的开发环境，同时也能让基于大语言模型的作弊行为变得不那么有效。”
Meta 发言人也对此表示：“我们显然正致力于使用 AI 帮助工程师完成日常工作，因此在面试中为申请人提供这些工具的测试，也就不足为奇了。”
当获取知识的成本趋近于零，好奇心成为唯一的稀缺资源
“如何提高我的产出？”
在今天，“卷”似乎是这个问题最直接的答案 - 投入更多时间，于是我们有了996和007。但这种“努力”很快会遇到物理极限，投入产出比也急剧下降。
一个更好的问题是：“如何在不显著增加投入的情况下，大幅提高产出？”
答案就是“杠杆”，这才是真正的破局点。
最近，我听了 OpenAI 研究科学家 Hyung Won Chung [注1]在康奈尔大学的一场分享，他恰好从“杠杆”这个独特的视角，为我们解读了AI时代下个人与社会正在发生的深刻变革，我将他的演讲内容结合了个人思考后整理如下。
[注1] Hyung Won Chung 是 OpenAI 的研究科学家，专注于推理和 AI 智能体领域。他是 o1-preview、o1 和 Deep Research 的核心贡献者，目前领导编码智能体相关工作，包括训练 Codex mini 模型。在加入 OpenAI 之前，他曾在 Google Brain 工作。Hyung Won Chung 拥有 MIT 博士学位，来自韩国。值得一提的是，根据最新消息，他已于2025年7月加入 Meta 的超智能实验室。
Hyung Won Chung 的分享以一个有趣的比喻开始：如果你盯着一朵含苞待放的花看上十分钟，你不会看到任何变化。这是否意味着没有变化在发生？当然不是。如果等待足够长的时间，你会看到它绽放成一朵盛开的玫瑰。
这个比喻是在说 - 虽然 AI 可能是有史以来发展最快的技术，但它的变化仍然以年为单位，而非分钟或小时。由于人类在进化过程中更擅长感知分钟到小时尺度的变化（这对生存更有利），我们可能系统性地低估了 AI 带来的变革规模。
最近，一个社交媒体上的帖子引起了我的关注。一位网友进行了一个简单的实验：他向目前最流行的五款AI模型（ChatGPT、Claude、Gemini、Meta AI和Perplexity）都提出了同一个问题 - “在1到50之间猜一个数字“。令人震惊的是，这五个不同公司开发的AI模型几乎都给出了相同的答案：27。
我也尝试向豆包提出同样的问题，结果同样得到了27。看起来全球的AI在1到50之间选数字时，确实都偏爱这个神秘的数字。
这究竟是纯粹的巧合，还是一个隐藏在AI大脑深处的秘密？其实这个现象不仅揭示了AI “思考”的有趣方式，更像一面镜子，映照出我们人类自身在“随机”这件事上的奇特偏见。
为什么这些AI都选择了27？我们可以来看看Claude在自己的思考过程中的这段“心路历程”：
“我选择27有些随机，但坦率地说，它感觉像是一个很好的’中等’选择，不太明显。像25（正好是中点）或1和50（极端值）这样的数字看起来太可预测了。27接近中点，但有一点不对称性 - 它不是完全居中的，这在某种程度上感觉更自然。另外，人们在想到’随机’数字时通常避免整数，所以我避开了5或10的倍数。”
各种AI模型之所以表现出这种一致性，是因为它们都基于相似的训练数据进行学习。当人类被要求在1到50之间选择一个”随机”数字时，其实很大概率上你也会说出27这个数字。这个数字不像1、10、25或50那样明显，不像30或20那样无聊，感觉既随机又独特…但仍然熟悉。
AI模型接受了数十亿人类生成的文本、互动、调查和行为的训练，因此它们也学会了这一点。它们在这个问题中不会真正产生随机性，而是在模仿它所理解的人类文化和心理。更深层次来说：我们通常认为AI是客观和随机的，但实际上它们继承了人类的认知偏见和行为模式。
你可能每天都会因为各种理由和AI在聊天，无论是寻求创意灵感，还是情感倾诉，甚至是千奇百怪的问题。但其实在你与AI的每一次对话背后，一场悄无声息的广告革命正在发生，一个被称为”意图经济”的新时代正在到来……
过往大家会听过“注意力经济”这个词 - 我们在各种app中的点击、观看时长和点赞，都被打包成商品，卖给了广告商。你昨天搜了什么，今天就会看到相关的广告。
但现在随着大模型AI的普及和发展，我们正在迈入这个被称为“意图经济”（Intention Economy）的时代。在这个新世界里，商品不再仅仅是你的“注意力”，而是你更核心、更私密的 - 你的“意图”。
如果说注意力经济是在争夺你”现在在看什么”，那么意图经济就是在挖掘你”想要做什么”、”计划做什么”，甚至是你”想要想要什么”。这不仅仅是了解你的行为，而是要深入到你的内心动机和未来计划。举例来说：
你看，这不再是简单的广告推荐。AI没有等你下达明确的指令，而是通过分析你零散的对话，理解了你的情绪、困境和潜在的愿望，然后主动为你“创造”了一个解决方案。它不仅预测了你想做什么，甚至在引导你“想要去做什么”。
你的想法、你的计划、你那些还未成形的念头，都成了可以被分析、预测，甚至交易的数据。
如果你玩过数独游戏就会知道，解一道数独可能需要你思考很久，尝试各种数字组合，但检查一个完成的数独是否正确只需要几秒钟 - 你只要确认每行、每列、每个九宫格都包含1-9的数字即可。
“解决”和“检查”这两个动作之间存在的巨大难度差异，就是AI研究者们最近热议的一个核心概念 - 验证的不对称性（Asymmetry of verification）。简单来说，就是指很多任务“验证答案”比“从头解决”要容易得多。
著名AI研究员Jason Wei最近就此撰写了一篇博文，提出了“验证者法则”（Verifier’s Law）。今天，我们就来聊聊这个话题以及其带来的现实意义。
这个现象其实无处不在，举例来说：
下面这张图非常直观地展示了不同任务在“生成难度”和“验证难度”两个维度上的分布：
最近，一段吴恩达老师在AI Startup School上发言在社交媒体上引发了一场关于未来团队结构的激烈讨论。因为这段发言中有个相当反传统的观点：未来团队的产品经理（PM）与工程师的配比可能会达到 2:1！
是的，你没有看错，是两个 PM 对一个工程师…
让我们先看看原文：
“我没有看到产品管理工作的速度能像工程一样，因为 AI 而提升得那么快。我看到这个（人员）比例正在发生变化。
就在昨天，我的一个团队来找我，在规划项目人员配置时，这个团队首次向我提议：不是采用 1:4 的产品经理与工程师的比例，而是采用 1:0.5 的比例。
我仍然不确定这是否是个好主意，但这是我人生中第一次，有管理者提议配备的 PM 数量是工程师的两倍。
我认为这说明世界正在往这个方向发展。”
这个提议的背后逻辑其实不难理解。随着 AI 工具（如Copilot、Cursor等）的普及，工程师的开发效率正在经历前所未有的飞跃，一些人甚至认为能达到 10 倍的提升。代码编写、调试和部署的速度越来越快，工程环节的瓶颈被大大缓解。
然而，产品管理的工作 - 包括市场研究、用户洞察、需求定义、战略规划和跨部门沟通，这些本质上更侧重于创造性思考、同理心和人际互动。这些领域虽然也可以被 AI 辅助，但其核心价值的提速远不如工程领域那么显著。
当工程师能以10倍速度交付产品时，谁来定义“我们应该做什么？”、“我们为什么要做这个？”以及“下一个正确的方向在哪里？”。如果产品定义和规划的速度跟不上，那么再高效的工程能力也只会导致“高效地生产出没人需要的东西”。吴恩达的团队应该是基于这一点，才提出了增加 PM 投入，以确保产品方向的供给能够跟上工程实现的消耗。
距离我上次在博客中惊叹于Figure公司的人形机器人Helix系统仅仅过去数月，那时它如“超级大脑”般快速学习新任务的能力已经让人印象深刻。而今天，Figure那位在社交媒体上极为活跃的CEO Brett Adcock，分享了公司全员会议的核心要点。本文将结合这次Figure全员会议要点、Helix 系统在物流实战场景的成绩、以及官方生产线BotQ这三大重点来对Figure机器人公司的最新进展做一次“从战略到产线、再回到算法”的全景式解读。
Adcock 的会议纪要首先强调了“通用机器人技术的窗口期”与“竞赛紧迫性”两大主题。Figure 将核心资源投注在通用性而非单场景解决方案，并采用 “CEO 亲自审批每一个新编制/HC” 的极端控制来确保团队始终保持工程效率和“作战密度”。
在产能侧，Figure 确认将在Q3将把当前产能提升3倍，并规划好了10万台机器人规模化量产的能力。为此已在北加州的新园区整合设计、工程、BotQ制造和机器人车队运营，同时现有团队人数规模也翻了三倍来到了293人。
更让我瞩目的是，内部会议中的这页ppt中明确提到Figure已开始为家庭使用场景进行机器人训练，目标是利用Helix系统将智能带入每一个家庭。尽管家用环境复杂度远高于工厂与仓库，但 Figure 似乎选择了“先把工业产线跑通，再反哺家庭市场”的策略：产能、成本和可靠性一旦被工业规模摊平，家用只剩下应用侧“上层建筑”的问题。
根据之前的Figure公司融资传闻，其正在洽谈一笔15亿美元新融资，估值或飙升至 395 亿美元，资本市场显然也在押注他们能率先把人形机器人做到量产。
去年9月，我曾基于Gartner 2024年的AI技术成熟度曲线写过，生成式AI和基础模型正在从”期望的顶峰”滑向”幻灭的低谷”。如今，2025年6月11日发布的最新版本完美验证了这一判断：生成式AI和基础模型已经明确进入了幻灭低谷阶段。
这种转变并不令人意外。过去一年中，我们见证了AI应用落地的重重困难：从各种AI产品在商业化过程中遇到的挑战，到投资者对AI项目回报的质疑，再到企业对AI成本控制的焦虑。市场正在从最初的狂热回归理性，但这恰恰是技术成熟过程中的必经之路。
为了方便新读者，我们简单回顾一下Gartner的这个经典模型。它通过五个阶段描述了一项新技术的生命周期：从创新触发期 (Innovation Trigger) 的萌芽，到期望膨胀的顶峰 (Peak of Inflated Expectations) 的万众瞩目，再到幻灭低谷 (Trough of Disillusionment) 的现实碰壁，然后是启蒙爬升期 (Slope of Enlightenment) 的稳步前行，最终到达生产力平台期 (Plateau of Productivity) 的成熟与普及。
如果说2024年的主题是“冷静的开始”，那么2025年的主题就是“现实的重塑”。
如果能让迈克尔·乔丹、斯蒂芬·库里这样的传奇球员亲自指导你打球，你的球技会提升多快？最近，一位名叫Farza的开发者在社交媒体上分享了一个令人惊叹的视频demo，视频中，AI化身“篮球之神”迈克尔·乔丹，不仅精准统计了他的投篮数据，还用乔丹的口吻对他的每一次出手进行了细致入微的点评。
这个项目的核心想法其实很简单：拍摄一段打篮球的慢镜头视频，然后让AI像篮球之神迈克尔·乔丹那样来分析每一次投篮。AI会统计你投中了多少球、失手了多少次，更重要的是，它会像真正的专业教练一样，指出你每次投篮的技术问题并给出改进建议。
Farza在视频中使用的提示词（prompt）如下：
“这是我打篮球的慢镜头回放。请像迈克尔·乔丹那样帮我分析：投中了多少球，完成了多少次上篮，三分球进了几个，投失了多少球。同时，请告诉我每个进球和失手时的具体投篮位置，以及每次出手时的技术动作细节，并给予专业点评。”
从视频中我们可以看到AI给出的分析其实是挺专业的：
这些分析不仅准确识别了投篮结果，还像真正的专业教练一样，指出了具体的技术细节和改进方向。
“我的工作会被AI取代吗？”
这可能是当下每个人心中或多或少都思考过的问题。我们每天都能看到AI惊人的进步，它会画画，会写代码，甚至会做视频。焦虑感也油然而生：我们所珍视的技能，在强大的AI面前还有价值吗？
知名AI研究员Jason Wei（没错，就是提出了COT的那位）提出了一个有趣的思维框架来协助做这个判断，叫做“描述-执行差距”（Description-Execution Gap），它的核心思想非常简单：
一项任务，“描述它怎么做”比“亲手去做”要简单多少？这个“简单”的程度，就决定了它被AI自动化的可能性。
当一项任务的“描述-执行差距”很大时，意味着用语言下达指令非常简单，但实际执行起来却非常繁琐、耗时。这类工作，正是AI能去自动化的绝佳目标。
因为给AI下达一个清晰的指令（也就是“描述”）相对容易，这意味着我们可以轻松地为AI创造大量的“训练数据”。而AI的价值，恰恰在于能高效完成那些对人类来说重复、枯燥、技术性强的“执行”部分。
例如这些场景：
