AI 浪潮下的行业观察与个人工作法

一句话总纲：行业层面，中美差距在收窄、竞争在”铁幕化”；评测层面，公开 benchmark 正在集体失效；个人层面，赢家不是拥有最强模型的人，而是最会搭配”够用的模型 + 一手信源 + 可复用工作流”的人。

中美 AI 竞争的真实图景

结论：差距存在（约 3-6 个月），但”差距有多大”本身是个多维问题——模型分数、用户体感、顶级用法、商业模式、地缘约束，每个维度答案都不一样。

差距的多维拆解（池建强）

池建强 2026 年 2 月的观点，论据链完整，值得整体记住：

专业判断维度：做基模的一线同学判断——编程模型差 5%-10%，整体差 3-6 个月，”不会超过一年”。国际榜单结论类似：LMArena 编程榜前五是美国模型、后五是中国模型；文本能力前十只剩百度 ERNIE-5.0 一家中国模型。
局部领先维度：开源权重模型中国领先；OCR 领域 PaddleOCR-VL-1.5 直接做到 SOTA。
用户体感维度：普通中文用户觉得豆包/千问/DeepSeek 比 ChatGPT 好用（中文语料+本地场景）；做补全和模板任务的人觉得 MiniMax 又好又便宜；开多 Agent 并行做复杂工程的人觉得 Claude 断层领先。体感差异的根源：99% 的用户根本压榨不到模型能力极限——模型花 100 倍功夫提升 5%，大部分人感知不到。
顶级用法维度：真正拉开差距的是”能设计出顶级用法的人”。Anthropic 的 Nicholas Carlini 用 16 个并行 Claude 实例、近 2000 次会话、约 2 万美元 API 费用，几乎无人工干预地从零写出能编译 Linux 6.9 的 C 编译器。池的评价：”99% 的工程师别说完成实验了，设计实验都困难。”
趋势判断：Scaling Law 边际效益递减、预训练和强化训练显疲态、行业开始追逐 Online Learning 第三范式——范式切换期对追赶者有利，2026 年如果算力问题部分解决，差距会进一步缩小。

地缘政治：铁幕已经落下（池建强）

2025 年 9 月 5 日，Anthropic 宣布停止向中国资本控股（持股 >50%）企业提供 Claude 服务，且明确封堵”注册在新加坡/开曼曲线救国”的路径。因果链：

AI 被美国政府视为与石油、芯片同级的战略资源/国防资产，出口管制从硬件（芯片）延伸到软件（模型 API）。
对 Anthropic 自身，这也是商业风险规避——一家依赖美国政府关系持续融资的公司，选边站不意外。
后果：国内开发者与最强编程模型渐行渐远；投资人开始把”用不用得上 Claude”计入合规风险；字节 Trae、阿里 Qoder 等出海 IDE 全部受牵连。
池的判断：断供是痛苦的，但也是国产替代最直接的催化剂——正如当年的芯片产业。”面对，继续向前走就好了。”

为什么美国闭源、中国开源？（池建强 + Simon Willison/Ben Thompson）

两边说法可以互相印证，但出发点不同：

池建强（商业逻辑视角）：美国头部实验室投入数十亿美元，闭源 API 授权是收回算力投入的商业壁垒；中国公司后发，开源是用”好用且免费”换开发者生态和垂直市场普及率，同时算力受限倒逼分布式创新——让全球开发者帮你优化推理效率。
Ben Thompson（经 Simon Willison 转述，美国视角）：直指美国实验室的虚伪——自己用未授权数据训练，却在 ToS 里禁止别人蒸馏。他的政策建议：美国应立法明确”采集训练数据属于 fair use”，并禁止服务条款封杀蒸馏——因为蒸馏”本质上就是调 API”，根本堵不住，不如反向拥抱。他还观察到：Qwen 3.8 Max 从”不开源”逆转为开源权重发布，可能与高层公开讲话鼓励”开源、开放、协作、共享”直接相关——中国的开源路线有产业政策背书。
注意开源权重 ≠ 开源（Simon Willison）：Kimi K3 的许可证已不再自称”modified MIT”——MaaS 业务年收入超 2000 万美元须与月之暗面另签协议。Kimi 自己也诚实地只用”open weight”一词。开源权重是获客漏斗，商业闸门留在许可证里。 定价同样在走高：K3 定价 $3/$15，与 Claude Sonnet 同档，是中国实验室迄今最贵的模型。

泡沫的另一面：狂热正在腐蚀决策（Simon Willison / 阮一峰）

Nik Suresh（经 Simon 转述）的咨询见闻：有高管从未用过任何 AI 工具，却刚为一家 20 亿美元营收的公司写完全盘 AI 战略；有公司搞”token 排行榜”，工程师被迫让 AI 把 Go 仓库改写成 Zig 来刷量保饭碗。最深刻的机制分析：“100x 生产力”的谎言无人戳破，不是因为大家信，而是因为客户高管说了这话，供应商高管如果泼冷水就等于攻击客户、丢掉企业合同——诚实在商业结构上被惩罚。
阮一峰第 403 期给了成本数字：Anthropic 的人均 AI 计算支出已是工资总额的 2.3 倍（人均年薪 22.4 万美元之外再花 51.5 万美元）；美国 top 1% 软件公司人均 AI 费用中位数 13.7 万美元。AI 让程序员用人成本增加 40%-230%，如果产出不能同幅增长，AI 对公司是负收益——这是”AI 提效”叙事下很少被算的账。
阮一峰第 404 期引加州大学调查：AI 没有减少工作量，反而通过职责扩散（人人都写代码，工程师被迫审非专业同事的 vibe code）、工作/生活边界模糊、多任务幻觉、自我强化循环制造了新型倦怠——“感觉效率更高了，但没有感觉轻松，反而更忙了”。

国产模型与算力自主

结论：LongCat-2.0 证明了”国产算力训练万亿参数模型”从口号变成了工程事实；其意义不在单一模型，而在验证了一条可复现的技术路径——但要清醒：这是厂商自述，且软件生态的护城河比芯片本身更深。

LongCat-2.0 意味着什么（美团技术团队）

关键事实：业界首个在五万卡国产算力集群上完成全流程训练与推理的万亿参数模型（总参数 1.6T、平均激活约 48B、原生 1M 上下文、预训练超 30T tokens），并同步开源模型权重与国产卡（NPU）推理代码。

拆开看它为什么难、以及跨过去意味着什么：

稳定性工程是真门槛：万卡级训练的硬件故障、通信异常、显存压力、数值波动是拦路虎。美团的解法——卡间通信异常处理+弹性扩缩卡+自动故障恢复（月均日故障率降 70%+）、确定性算子+Bitwise 一致性验证（保证训练正确性）、流水线调度+算子级控核（MFU 提升 1.5 倍），最终稳态日吞吐超 1T tokens/day。这套”在不完美硬件上稳定训练”的工程能力，本身就是新护城河。
架构为算力受限而设计：LongCat 稀疏注意力（计算量平方级降线性级）、零计算专家（token 级动态激活 33B~56B，简单 token 不耗算力）、N-gram Embedding（MoE 稀疏度已 97% 时，参数投给 Embedding 比继续加专家收益更高）。算力约束逼出了效率创新——这与阮一峰第 404 期讲的硬件逻辑完全同构：内存带宽是本地推理的死穴，而 MoE 每 token 只读一小部分参数，恰好绕开带宽瓶颈。国产模型清一色 MoE+稀疏化，不是巧合，是约束下的最优解。
开源国产卡推理代码是生态邀约：提供 BF16/FP8/INT8 多精度版本，明确目标是”盘活存量国产算力，让老卡也能跑万亿模型”。对行业的含义：出口管制的威慑力边际下降——存量卡+优化的软件栈也能支撑前沿模型服务。
真实用量佐证：LongCat-2.0 预览版已跻身 OpenRouter 全球调用量前三（Hermes/Claude Code/OpenClaw 场景分列第一、二、三）。注意这个证据的性质：OpenRouter 调用量是开发者用真金白银投的票，比自报 benchmark 硬得多。
保持怀疑的部分：SWE-bench Pro 59.5”领先 GPT-5.5 和 Claude Opus 4.6”是厂商自报成绩，参照下一节的评测方法论打折看待。

算力生态的历史纵深（廖雪峰）

廖雪峰《GPU 简史》补上了”为什么算力自主这么难”的历史因果链：Nvidia 的崛起不是芯片单点胜利——90 年代全力押注 Direct3D 击败 3dfx；2007 年推出 CUDA 把 GPU 变成通用并行计算平台；2012 年 Hinton 团队用 CUDA 训练 AlexNet 夺冠 ImageNet，从此所有 AI 算法绑定 CUDA 生态。30 年软件生态积累才是护城河，国产替代真正要补的是”CUDA 时刻”，不只是流片。 这也解释了为什么 LongCat 把国产卡推理代码开源出来如此重要——生态要靠开发者用出来。

一个哲学注脚（阮一峰）

第 405 期引伊里奇《能源与公平》（1973）：”资源低于某阈值时，增长改善公平；高于阈值后，增长以牺牲公平为代价。”套到算力上：普及算力提升所有人福利，但算力过剩后只会让少数人拉大优势。阮一峰自己的态度是悲观的：”为了经济效率，不可能保证资源平均分配。”——与”1% 的人凭大数据占据 90% 财富”（廖雪峰读卡普兰《人工智能时代》的担忧）互为印证。这条线索提醒我们：算力集中是行业结构性趋势，个人策略应该是”借力最大的池子”而非”自建小池子”。

Benchmark 的水分与识别

结论：公开 benchmark 的失效不是因为厂商集体作弊，而是三重结构性原因——榜单饱和失去区分度、自报成绩天然是营销、公开目标必然被优化（Goodhart 定律）。识别方法：看第三方评测、看真实用量、自建私有 eval。

水分从哪来

榜单饱和（美团 LoHoSearch）：BrowseComp 上顶尖模型准确率一年内从 30% 冲到 90%+，区分度归零。人工出题有系统性局限——标注者只能基于自己已知的实体出题，无法控制搜索空间。美团的解法是让机器基于 762 万实体知识图谱自动出题：新基准上最强的 GPT-5.5 只有 34.74%，解一道题平均工具调用从 35 次涨到 61 次。当一个 benchmark 大家都接近满分时，它已经变成了营销道具而非测量工具。
自报成绩即营销（Simon Willison）：Kimi K3 自报 benchmark”大多超过 Claude Opus 4.8 max 和 GPT-5.5 high”——发布会成绩单永远挑对自己有利的对比项。Simon 的做法是永远等第三方（Artificial Analysis 的私有长程评测、Arena 人工投票）交叉验证。
刷榜与反刷榜的军备竞赛（池建强）：有人质疑 LMArena 可以针对性训练刷榜，池的观察是越来越难——机器评测+动态训练场+案例测试+人工投票多管齐下。他的反证很朴素：”文本能力前十就剩一家中国模型，其他家怎么不刷上去呢？”

pelicanmaxxing 事件：一次教科书级的质疑与验证（Simon Willison）

Simon 的”鹈鹕骑自行车”测试火了 21 个月后，社区开始怀疑实验室在针对性训练（pelicanmaxxing）。Dylan Castillo 做了严谨验证：8 种动物 × 6 种交通工具 = 48 个提示词，7 个模型各跑 3 次，用两个模型辅助评分。结论：没有证据——鹈鹕不比其他动物画得好，自行车不比其他交通工具画得好，鹈鹕×自行车组合也没有超出单项预测的加成。

这个事件的三层教训：

公开怀疑要用可检验的实验回应，而不是站队互喷——这是技术社区最珍贵的品质。
但 Simon 自己承认：pelican 测试与真实能力的相关性已经断裂——GLM-5.2 画的鹈鹕超过 Claude Fable 5，但”我再爱 GLM 也不认为它是 Fable 级模型”。它最大的盲区是完全测不到当今最重要的能力：agentic 工具调用和长对话下的稳定性。
pelican 的残余价值恰恰不在”排名”：它是强迫自己上手新模型的 hello world、是成本探针（K3 一只鹈鹕烧了 13241 个 reasoning token、25 美分——立刻暴露”只有 max 推理档”的问题）、是隐藏系统提示探测器（95 个输入 token 对应 10 个可见 token，推出约 85 token 的隐藏提示）。一个跑过的小实验，胜过十份转述的评测报告。

更诚实的评测在测什么（美团三连）

美团 LongCat 团队 2026 年连发三个 benchmark，共同发现是：模型在静态问答上已经很强，但在长程、动态、个性化场景全线崩塌——

VitaBench 2.0（长期用户建模）：最强的 Claude Opus 4.6 在”开卷”（全量历史可见）模式下平均分才刚过 0.5；接入 Agentic Memory 或 RAG 后性能反而下降——“记忆不是装上就好”；开启思考模式在个性化任务上不稳定提升（高智商≠高情商）；所有模型在”需要主动提问”的任务上断崖式下跌（Claude 家族 46.0→27.4）；连把真实偏好直接喂给模型，多数仍然失败。
MineExplorer（动态开放世界）：18 个顶级多模态模型集体考砸，最强的 Claude Opus 4.6 总成功率仅 41 分，从 1-hop 的 77 分跌到 4-hop 的 12 分；普遍规律”感知 > 行动 > 推理”——看得见世界，串不成策略；近 60% 失败是”走不到目标”；加步数、加记忆帧都救不了。
这些结果对 Agent 开发者是路线图：个性化、长程规划、主动澄清，正是当前模型的三大真空地带，也是 harness 层最值得投入的地方。

识别水分的实操清单

厂商自报成绩一律视为营销材料，等第三方交叉验证（Artificial Analysis、Arena 人投榜）。
看真实用量信号：OpenRouter 调用量排行、开发者社区的自发口碑，比分数更难造假。
警惕已饱和的 benchmark（80%+ 集体高分 = 失去区分度）。
自建私有 eval：从自己业务里抽 3-5 个代表性任务，新模型来了先跑一遍——学 Simon 的 pelican 思路，重点不是排名而是”强迫上手 + 成本探针”。
分清模型、工具（harness）、使用者三层（池建强）：”用这个工具做页面不好看”，可能是工具不行、模型不行，也可能是你不行。归因错了，选型必错。

AI 时代个人工作法

结论：把 AI 当放大器而不是替身——它放大的是你已有的工程判断力。没有判断力，烧再多 token 也做不出能上线的系统。

怎么用 AI 写代码（廖雪峰的三次实践 + 池建强的社群观察）

廖雪峰用三个真实项目蹚出一条方法论演进线：

ASCII Draw（AI Coding）：浏览器聊天+手动粘贴的”古法编程”，5 天约 10 小时做完 Web 版 Monodraw，95% 代码 AI 写，花费 $0（手写估计 3 个月）。核心心法：①先给总体规划和开发原则，②小步改进，每跑通一个小功能就提交 Git，③最高效的调试法是把日志喂给 AI——告诉它计算路径的输入输出，它立刻明白自己哪算错了；④流程类/通用功能基本粘贴就能用，小众功能要反复重写——正确率与训练素材数量正相关。
串口调试器（Spec Coding）：先花 1 小时画好 UI（控件全部改成有意义的变量名，如 buttonSend），再花 1 小时写 SPEC.md，然后一句”完成所有代码”——5 分钟跑通 90%。经验：SPEC 不但要描述功能，还要描述架构约束（如”收发数据必须异步线程，不能阻塞 UI”）；重要功能要配示例。
对”人人都能编程”的回答：”完全不懂编程能使用 AI Coding 吗？以后不好说，现阶段洗洗睡吧。”

池建强从 Vibe Coding 社群上千条讨论里提炼的三条，与廖雪峰互相印证：

没有技术背景别上来搞复杂业务系统。连 https、前后端分离、API 都不知道，AI 拿不到准确 prompt 就会自己糊弄一套——“Token 白烧，系统没法上线，安全问题一大堆”。先做单机或逻辑简单的东西。
他自己的 CatReader 是最好的注脚：一个人 Vibe 出可用的离线版很容易，但一旦涉及网络、数据库、用户系统、生产环境、安全，要开放给成千上万人用，门槛依然很高——后期前后端分离、跨域、CICD 都需要研发团队支持。
记录即创作：聊完就忘、重复提问是最大的效率黑洞；把实践写下来，很多没弄明白的地方在写的过程里就明白了。

怎么选模型和工具（多方合流）

不是所有任务都需要最强模型（张戈 Beggar 的核心思想）：把研发流程拆成 9 个角色，每个角色配”能力够用的最便宜模型”——编排用 deepseek-v4-pro（0.16 倍率）、常规编码用 v4-flash（0.06 倍率）、方案设计才上 glm-5.2（0.79 倍率），加双 Reviewer 交叉审查兜底质量，成本直降 90%。这是”模型分层”思想在个人工作流的落地。
国产模型日常够用：池建强用 glm-5.2 两小时做出 CatReader 微信移动版；”国际版纯血 pro 非常抗用，能力国内顶级”。日常补全、模板任务、中文场景，国产模型性价比碾压。
工作模式从 chat 转向 agentic（Ethan Mollick 经 Simon 转述）：一年前的选型指南还是”选哪个聊天框”，现在是”选哪个能一口气干几小时人类工作量的 agent 系统”（Codex/ChatGPT Work、Claude Code/Cowork）。跟进方向要押在 agent 能力上。
本地部署要懂硬件账（阮一峰第 404 期）：独显（RTX 5090，32GB 显存/1792GB/s 带宽）跑不动 70B 模型——显存不够；统一内存迷你机（128GB 内存/256GB/s 带宽）装得下但生成龟速——带宽不够。现阶段本地最优解：统一内存机器 + 中等规模 MoE 模型（如 30B-A3B，每 token 只读 2GB，理论 100+ token/s），且提示词不能太长（算力弱导致 prefill 慢，4000 token 文档要等 40 秒）。

国内环境下的现实约束与对策

合规风险纳入技术选型：Claude 已对中国资本控股企业断供且封堵曲线路径。个人学习可以研究，但任何商业项目的模型依赖要有国产 Plan B，架构上做好模型可替换（统一网关/抽象层）。
远离灰产 token（Simon Willison 转述 Relay Market 调查）：国内存在成熟的 token 转售灰产——用滥用免费试用、无保护客服机器人代理、盗刷信用卡拿到的 API 额度打折转卖（主要用 one-api/new-api 搭代理池）。明显低于官价的”中转 API”大概率来路不正，账号随时被封、数据安全无保障。反过来，自己对外暴露 LLM 应用时也要防被薅：给 API key 设硬性花费上限。
一手信源对冲信息污染（池建强）：他逐字核查过一条刷屏假新闻——“ChatGPT 和 Codex 合体了”，源头是 9to5mac 一句”will soon put Codex functionality inside the ChatGPT app”被国内 AI 媒体错译放大。他的对策是自建 CatReader：直接订阅各大实验室 Blog、研究报告、知名实践者博客和 X 发言。”AI 时代语言已经不是障碍了，获取最好的信息才是最重要的。”
防 AI 倦怠（阮一峰第 404 期）：AI 制造的新型倦怠有明确机制（职责扩散、边界模糊、多任务幻觉、自强化循环），对策也明确：重要决定前停一下、安排任务顺序减少上下文切换、预留真正的人际交往时间。第 403 期那句言论值得贴在桌上：”程序员的工作曾属于冥想类工作，现在更像不停接单的餐厅服务员”——心流时间要主动保卫。
长期定位（廖雪峰，写于 2016 年但依然成立）：”不要和机器人竞争工作，你竞争不过；要做设计和制造机器人的工作。”对后端转 Agent 方向的工程师，这句话的 2026 版就是：别去卷”会用 AI 写代码”，去卷”会造 Agent 系统、会评测、会搭 harness”。

值得关注的信号源

信号源	类型	为什么值得订阅
阮一峰《科技爱好者周刊》	中文周刊	每周固定输出，硬件账/成本账算得清楚，文摘选材有社会视角
池建强 MacTalk	中文博客	产品人视角的 AI 实践，中美对比克制不煽情，假新闻核查能力强
Simon Willison（simonwillison.net）	英文博客	每个新模型第一时间上手实测，评测方法论的行业标杆，转述必附出处
廖雪峰官网	中文博客	资深工程师的 AI Coding 一手实录（AI/Vibe/Spec Coding 三部曲），不贩卖焦虑
美团技术团队 / LongCat	厂商技术博客	国产算力+万亿模型的一手工程细节；VitaBench/LoHoSearch/MineExplorer 是诚实评测的样本
OpenRouter 排行榜	用量数据	真实调用量 = 开发者用钱投票，比 benchmark 分数难造假
Artificial Analysis / LMArena	第三方评测	私有长程评测 + 人工投票，交叉验证厂商自报成绩
各实验室官方 Blog（Anthropic/OpenAI/Moonshot/智谱等）	一手信源	池建强的核心建议：读原文，不读攒稿 AI 媒体