标签: AI技术

  • 一张图给画师0.005美元,这家AI视频公司想证明生成式AI不必偷

    过去两三年,插画师说得最多的一句话是:你们的模型是拿我的画练出来的,没人问过我。这话在法庭上吵着,在社交平台上也吵着。现在有一批AI创业公司换了个姿势入场——不否认这笔账,而是提出把钱补上。Pippa 就是其中一家。

    Pippa 平台生成的动画画面(图片来自 Pippa / The Verge)
    Pippa 平台生成的动画画面(图片来自 Pippa / The Verge)

    它做的事:按张、按秒给画师打钱

    Pippa 的主营业务和别家没什么两样,文字生成短视频片段,用户把片段拼成故事。区别在结算方式:只要订阅者生成的那张图或那段视频,风格来自某位真人画师,这位画师就能从平台拿到钱。

    每生成一张图,画师拿到 0.005 美元;每一秒视频,0.003 美元。而平台自己的订阅价,是每月 14.99 美元到 99.99 美元。

    除了按量分成,平台还从整体订阅收入里划出 5% 做版税池,签约画师按比例分。Pippa 在新闻稿里把这套结构类比成 Spotify,这个类比选得挺冒险,毕竟这些年抱怨被流媒体分成榨干的音乐人排着队。

    眼下的体量:4 位画师,800 个订阅者

    公司 5 月才上线,目前大约 800 个付费用户,正式签下授权和训练协议的真人画师只有 4 位,另有 4 位在谈。想加入的画师要走一套多步验证流程,证明提交的作品确实出自本人之手;通过之后,基于其画风训练的模型才会开放给订阅者。平台还给每位画师配一个主页,可以往站外的作品导流。

    有个细节比数字更能说明现在的气氛:Pippa 允许签约画师用化名。联合创始人 Sean Wright 说,谈过的画师里不少人是这个态度——我喜欢这套东西,但我不想被同行孤立。在插画圈,公开跟AI公司合作,约等于越过纠察线。


    钱付了,数据来源就干净了吗

    问题恰恰卡在这儿。Pippa 说未来想全面切换到只用自家签约画师数据训练的模型,但当下的技术底座仍是开源模型,用他们自己的说法,这些模型“对更广泛的内容做过初始训练”。翻译成人话:网上扒来的画,它照样用了。

    “过去 18 个月里所有这些模型,都是在没有许可的情况下拿真人的画训练出来的,行业就是这么起来的。我会想到 Napster 那阵子,所有人都在偷音乐,后来苹果推出 99 美分单曲,Napster 关门,我们才找到让音乐人拿到钱的另一条路。”——Pippa 联合创始人 Sean Wright

    类比听着顺,但有一处对不上。苹果卖的是唱片公司授权过的曲子,而生成式模型的那些“底料”已经进了权重,卸不下来。付费只能覆盖增量,覆盖不了存量。这也不是 Pippa 一家的难题,凡是号称合乎伦理的AI公司,只要模型不是从零自建,都要面对同一道题。Ben Affleck 的 InterPositive 选了彻底自建数据集,代价是前期烧钱,做出来的往往是很窄的专业工具,不是给大众用的东西。

    更现实的麻烦:东西还不够好看

    The Verge 的记者翻了 Pippa 的作品站,结论有点扫兴:满屏都是模仿皮克斯质感但没学到位的儿童向内容,看不出哪一条像是从某位独立画师笔下长出来的。这倒也不难理解,平台目前调用的还是和竞品同一批云端模型。

    接下来 Pippa 打算接入字节跳动的 Seedance 2.5,卖点是能一口气生成 30 秒、还能局部微调不用推倒重来。可这个模型别家也能接,接完差异化就归零了。真正的护城河只剩一件事:签到足够多、足够有辨识度的画师。而这件事又反过来取决于公众对生成式AI的观感能不能回暖。

    分成这件事的真正意义

    • 0.005 美元一张图,单价低到接近象征性,杠杆其实在生成量和那 5% 的版税池上
    • 允许化名参与,说明“合作即背叛”的社群压力还很硬
    • 底座仍是开源模型,所谓合乎伦理目前更像方向声明,不是既成事实
    • 授权数据的成本最终会体现在订阅价和内容丰富度上,两边都得有人买单

    把这件事放长了看,Pippa 的价值可能不在它今天付了多少钱,而在于它给行业立了一份可以被追问的账本格式:谁的风格、被调用了多少次、分到了多少钱。以前这些数字压根不存在,画师连自己被用了都不知道。有了账本,才谈得上讨价还价。至于每张图 0.005 美元这个价合不合理,那是下一轮的事。

  • 25岁AI神童的基金一个月栽了,股票甩给Citadel,Anthropic股份一股没卖

    AI基础设施股票下挫与对冲基金抛售
    AI基建类股票集体回撤,杠杆玩家被迫平仓。图片来源:TechCrunch

    一个月之前,Situational Awareness 还是华尔街最风光的AI故事。现在,这只基金把手上大部分公开市场股票组合卖给了 Ken Griffin 的 Citadel,起因是过去一个月的巨额亏损。消息最早由《华尔街日报》披露。对创始人 Leopold Aschenbrenner 来说,这是一次相当难堪的回落。

    从超级对齐团队到450亿美元

    Aschenbrenner 今年25岁,德国出生,15岁进哥伦比亚大学,19岁以毕业生代表的身份毕业。2023年他加入 OpenAI 的“超级对齐”团队,那支队伍当时由联合创始人 Ilya Sutskever 和研究员 Jan Leike 带领。一年后他被公司解雇,理由是不当披露内部信息。之后三个人各奔东西:Sutskever 自立门户,Leike 去了 Anthropic,Aschenbrenner 则在2024年办起了对冲基金——在那之前,他没有任何交易经验。

    让他出名的是一套论证:AI 的规模化会倒逼半导体、算力、内存和能源基础设施的大规模扩建。他照着这个思路下注,一度顺得不像话。据《金融时报》,截至6月,基金年内回报率高达439%;CNBC 报道称,管理规模峰值一度接近450亿美元。

    杠杆把回撤放大了

    转折来得很快。AI基础设施类股票集体下挫,公开市场投资者开始担心,那些天量资本开支短期内换不回收入。基金重仓的几只标的过去一个月跌幅都超过30%:内存芯片厂 SK 海力士和 Sandisk、清洁能源开发商 Bloom Energy,以及 neocloud 服务商 Nebius。

    更要命的是杠杆。用借来的钱买股票是对冲基金的常规操作,涨的时候放大收益,跌的时候同样放大窟窿。

    Citadel 接手这批持仓之后,Situational Awareness 的总资产降到约100亿美元。而在此前几个月,这个数字还在200亿美元左右。

    亏成这样,Aschenbrenner 倒是没有认输。7月24日他给投资人写信,把这轮抛售称作去年初以来最好的买入机会,邀请客户从8月1日起追加资金。据彭博社,响应远不如他期待。

    Citadel 为什么接得这么痛快

    Griffin 的基金一向有这个名声:等着加了杠杆的玩家被迫平仓,然后把便宜筹码捡走。值得留意的是,在接手这批股票之前,Citadel 自己的组合里本来就有同类AI基建押注。

    换句话说,两边对这个行业的判断其实差不多,区别只在于谁扛得住时间。Aschenbrenner 就算方向看对了也没用,杠杆不给他等下去的机会。


    真正压箱底的是 Anthropic

    有一点必须说清楚:卖掉的只是公开市场持仓,私募部分一股没动。其中最值钱的是 Anthropic 的股份,据彭博社,眼下估值约50亿美元。Anthropic 在5月的H轮融资中估值9650亿美元,最快10月就可能上市,届时估值还有上抬空间。这笔资产如果兑现,足以填掉一部分公开市场的亏损。

    组合里的其他私募资产还包括芯片公司 MatX 和AI数据中心创业公司 Fluidstack——后者今年4月传出正在以180亿美元估值募资。

    早期出资方名单也能说明这只基金当初的号召力:量化交易公司 Jane Street、Stripe 创始人 Patrick 与 John Collison 兄弟,以及 Meta 高管 Daniel Gross 和 Nat Friedman。

    裂缝出现在两个市场之间

    这件事最值得看的地方,是公开市场和私募市场对同一个故事的定价已经明显对不上了。二级市场开始给AI基建打折,一级市场还在按最乐观的情景估值,中间那道差额,就是当下AI交易最诚实的体温计。

    对普通人来说,能带走的经验也简单:在这轮行情里,判断方向对不对是一回事,能不能撑到方向兑现是另一回事。杠杆决定的往往是后者。

    • Situational Awareness 将大部分公开股票组合卖给 Citadel,总资产从约200亿美元降至约100亿美元
    • 基金截至6月年内回报439%,管理规模峰值一度接近450亿美元
    • 重仓的 SK 海力士、Sandisk、Bloom Energy、Nebius 一个月跌超30%,杠杆放大亏损
    • 私募持仓未动,Anthropic 股份估值约50亿美元,该公司最快10月IPO
  • 冲上Billboard第58名的这首歌,被扒出一身AI痕迹

    Fenix Flexin 单曲《Rubberz》封面
    单曲《Rubberz》的封面,多个图像检测器判定它有97%以上概率由AI生成。图片来源:Fenix Flexin / The Verge

    Fenix Flexin 这个名字,过去主要和洛杉矶说唱二人组 Shoreline Mafia 绑在一起。最近他单飞的一首《Rubberz》冲上了 Billboard Hot 100 第58名,算是个人生涯的高光时刻。可歌一红,质疑立刻跟着来了——不少人认为这首歌大部分、甚至整首都是AI生成的。Fenix 否认了指控,但除了否认,他几乎没拿出什么能打消疑虑的东西。

    先说哪部分不算证据

    怀疑的起点是风格上的急转弯。Fenix 以前做的是带 trap 味道的西海岸说唱,《Rubberz》却是一股浓浓的80年代英伦合成器流行味,主旋律的唱法明显冲着 Morrissey 去,他甚至装了个英国口音。可这条其实站不住脚——歌手当然有权换风格、做实验,光凭这一点什么都说明不了。

    破绽藏在声音的毛边里

    真正扎眼的是录音本身的质感。仔细听会冒出一堆AI生成音乐里常见的瑕疵:hi-hat 脆得发干,副歌的和声像被压过的低码率MP3,混响的尾巴还会被生生切断。

    《Switched on Pop》播客主持人、词曲作者 Charlie Harding 向 The Verge 拆得更细。

    “幽灵一样的和声忽进忽出,鼓的混响里全是不自然的数字杂讯,让人想起当年从 Napster 上下载的64kbps MP3。因为大多数生成式AI公司都是拿未经授权的低质量MP3训练模型的,所以我们能听出乐器声是被明显劣化过的。”

    这个解释挺有意思:训练素材本身的音质缺陷,最后原样烙进了生成结果里。

    检测工具帮不上忙,周边材料却露了馅

    作者把这首歌喂进五个AI音乐检测工具,结果都只给出20%到30%的AI概率,谁也没敢下结论。这类工具的可靠性本来就有限,迭代速度又远远追不上生成模型,指望它们断案并不现实。

    但周边的材料就没这么客气了。单曲封面和那条庆祝上榜的社交帖,被多个图像检测器判定为AI生成,置信度超过97%。歌词丢进几个文本检测器和 Gemini,答案也一致。制作人、YouTuber Curtiss King 把歌词扔给 Claude,同样被标出多处AI特征。

    歌词本身的问题更直白。押韵干净整齐得不像一个混了这么多年的说唱歌手写出来的——没有半谐音,没有内韵,整首都是规规矩矩的 AA、BB。为了押上韵,意思就顾不上了:前面还在说沉船,这个意象抛出来之后就再也没出现过;副歌单看每一行都通顺,拼到一起却不知所云。

    现场是最难圆的一环

    第三段主歌像是没说完就停在了“Not the jewelry”上。Harding 的评价是“完全没有 flow”。他还专门挑了标题那句 “I just let the rubber band snap”:任何一个稍微像样的说唱歌手都不会这么唱,切分怪异,重音全落在错的音节上。一堆音节挤在一起,把 the 顶到了强拍位置,rubber 反倒弱了下去,后面所有音节的重音跟着连锁错位。

    几次录影棚亮相就更尴尬。头两回基本是在别扭地对口型,有时候他会被自己歌里那个拗口的 flow 绊住,像是记不清词。等他真开口唱,问题彻底藏不住——录音里的音域和口音他复现不了,很多现场片段干脆把原声铺在他的声音上,他本人的人声压得极低。DJ 试着短暂掐掉伴奏来证明是真唱,结果适得其反。

    Fenix 的说法是,录音版和现场的差距来自人声处理,比如 AutoTune。Harding、King 和乐评人 Anthony Fantano 都不接受这个解释。King 打了个比方:AutoTune 更像拼写检查,可以往极端里调出机械音色,但它的本职是修错音,不可能凭空给你拓宽音域,更不会给你加一个英国口音。


    最反直觉的一条辩护:它太差了

    有意思的是,Harding 认为这首歌最像“真人作品”的地方,恰恰是它做得不好。

    “我会以为这是一个从没写过歌的人,拿80年代的儿童练习键盘弄出来的。”

    如果它真是AI生成的,用的显然也是相当差的模型。Harding 更在意的是另一件事:更成熟的模型早就把这些能听出来的瑕疵和别扭的节奏修掉了,而听众居然还觉得这种水平的东西有意思。

    Fenix 后来晒了几段所谓 Pro Tools 工程文件的画面,但这证明不了什么。除非他公开原始录音和完整工程,AI 的帽子大概率会一直扣着——而这件事看起来不太可能发生。

    更让人不安的是举证责任变了

    这场争论最麻烦的地方,不在于《Rubberz》到底是不是AI做的,而在于“自证清白”现在已经没有便宜的办法。以前一首歌火了,没人会要求你出示工程文件;如今只要风格一变、混音一糙,举证责任就掉到了创作者头上。检测工具靠不住,听感上的破绽又会被下一代模型抹平,等到那些毛边全部消失的那天,争论会从“能不能听出来”变成“根本没法证明”。

    而榜单照常在转。第58名那个位置,并不关心这首歌是谁做的。

    • 《Rubberz》登上 Billboard Hot 100 第58名,风格从西海岸说唱急转80年代英伦合成器流行
    • 五个AI音乐检测器只给出20%-30%的AI概率,但封面与社交帖被判定97%以上为AI生成
    • 混响硬切、和声忽隐忽现、乐器声劣化,被指是低码率MP3训练素材留下的痕迹
    • 现场对口型、音域与口音无法复现,AutoTune 的解释未被业内认可
  • 三星把话说明白了:内存荒2027年更糟,2028年之前别指望缓解

    如果你最近打算换手机、加内存条或者买显卡,可能得做好心理准备:这轮涨价短期内不会结束,而且还要更贵。

    三星电子
    三星供应着全球约三分之一的内存芯片 | 图片来源:TechCrunch

    三星在二季度财报电话会上给出了一个相当悲观的时间表:眼下的内存芯片短缺不但会延续到明年,2027 年还会进一步加剧,供应紧张的局面至少要持续到 2028 年。说这话的分量不轻——三星自己就供应着全球大约三分之一的内存芯片。

    AI 实验室开始直接把未来几年的需求交给三星

    三星在会上透露了一个此前不太常见的细节:那些急着抢内存资源的前沿 AI 实验室,已经在直接向三星“共享它们的中长期需求预测”,目的就是提前锁定未来的供货。

    需求太旺,让三星可以优先照顾那些愿意签长期合同的客户。多年期的能见度意味着它可以放心装设备、拉产能,不必担心需求突然消失。

    这一点比涨价本身更有意思。内存一直是典型的周期性行业,涨一波、扩一波产、然后崩一波,几十年来都是这个节奏。现在下游客户主动把几年后的用量报上来换供货优先级,等于把这门生意从“赌行情”变成了“接订单”。三星显然乐意接受这种转变。

    芯片部门创纪录,手机部门被自家芯片吃掉利润

    涨价对三星来说是把双刃剑。二季度半导体业务销售额创下历史新高,但手机和电视部门的盈利能力反而缩水了——因为它们要用更贵的元器件。

    三星的应对是把成本往下游传:Galaxy 手机和平板已经提价。代价也很直接,这些设备的需求随之下滑。左手挣的钱,右手在赔。

    “RAMaggedon”正在给整条消费电子链条加价

    这轮短缺被业内戏称为 RAMaggedon(RAM 版世界末日),受影响的远不止三星自己。

    • 苹果上个月上调了 MacBook、Mac 和 iPad 的价格,iPhone 暂时没动;最新一季财报会上,苹果把下季营收同比增速的预期下调到 9% 到 11%,而此前几个季度是 16%。
    • 英伟达的消费级显卡预计要涨 20% 到 30%,这会顺着链条传导到游戏本、台式机、主机等一大批产品。
    • 存储厂商正在把产能从消费电子挪向 AI 数据中心,这才是价格上行的真正源头。

    这不是短缺,是一场重新分配

    把这些拼在一起看,“缺货”其实是个不太准确的说法。晶圆产能没有凭空蒸发,它只是被挪到了利润更高的地方。数据中心愿意为 HBM 和高端内存付出的价格,消费电子厂商跟不上,于是普通消费者手里的产品自然被排到了后面。

    换个角度说,AI 基建的账单正在以一种非常间接的方式,摊到每一个买电脑、买手机、买显卡的人头上。你并没有为哪个大模型付费,但你多花的那几百块,确实流向了同一条产业链。

    还有一个值得留意的风险:长期合同锁产能,前提是 AI 需求真的能兑现到 2028 年。三星现在按客户报上来的预测去扩产能,如果哪天这些实验室的融资节奏或者算力规划出现变化,那批设备就会在最不该的时候一起转起来。周期性行业最惨的不是缺货,是缺完之后一起过剩。眼下没人愿意讨论这一段,但它一直在时间表的另一头等着。

  • 320万粉丝的科普博主道歉:用ChatGPT查资料被抓包,他说自己对AI上瘾了

    一句听着有点别扭的话,把一个做了十几年科普的博主推到了风口浪尖。

    YouTuber Hank Green
    Hank Green 承认自己对大模型的依赖已经失控 | 图片来源:TechCrunch / Getty Images

    Hank Green 是 YouTube 上的老牌创作者,写小说、做脱口秀、拍科普,主频道有 320 万订阅。前几天他在教育向频道 Complexly 的一期视频里,突然冒出一句“我很感谢你提出的反驳”。这句话放在上下文里怎么听怎么怪,观众立刻反应过来——这更像是对着聊天机器人说的话,而不是对着摄像头。

    接下来的推测顺理成章:稿子是不是 AI 写的?他是不是不小心把跟模型对话的内容念了出来?

    先删帖,再长文道歉

    Green 最初在 X 上回应,说这期视频是“在巨大压力下”做出来的,自己确实用 ChatGPT “为这期稿子做了研究”,但那句“感谢反驳”其实是说给节目嘉宾听的,不是念提示词。这条帖子后来被他自己删了。

    真正让事情转向的是他随后在 Reddit 上那篇更长的道歉。他说自己“羞愧难当”,觉得“辜负了太多人”,并且宣布要减少视频产量。

    他为自己划了一条线:AI 只被用来“定位论文和学习某个主题所需要的资料”,视频里的文字和观点仍然是他自己的。但他同时承认,观众批评他“稀释了自己”,这个说法是公平的。

    我最害怕的,是把我自己给毁了——毁在观众心里。但我一直没能管好自己的冲动。你们需要知道,我说的话是我自己的。我不认为过去这件事不成立,只是我跑得太快,连我自己都说不清自己的创作流程了,我希望往后这能成为一种保证。

    他承认的其实不是抄袭,是上瘾

    这场风波里最狠的一句话,出现在道歉的结尾。Green 说,他必须面对一个事实:从跟大模型互动中获得的多巴胺,那种“做得更多、更多、更多”的感觉,对他自己和这个世界都不是好事,“它是轻率的,而且已经让我跟大多数人的真实感受脱节了”。

    他还特意声明自己“不是纯粹的 AI 憎恨者”,但列了一串担忧:这套技术对气候的影响,以及这些公司“试图集中经济权力的速度”。

    换句话说,他并不是被抓到造假才认错。他认错的点在于:工具让他产量变高、反馈变快、爽感变强,于是他不知不觉把自己交了出去,等回过神来,连自己是怎么写出这些东西的都讲不清了。

    接下来他打算怎么做

    • 暂停或大幅降低几个 YouTube 频道的更新频率,先把节奏慢下来。
    • 多做那种“写作本身就是全部”的内容,他提到自己最近一期偏冥想气质的视频,说那种东西他“从头到脚都感受得到”。
    • 多录不写稿、直接对着镜头说的即兴内容——用他自己的话讲,“我那些傻乎乎的、没稿子的念头”。

    这几条听起来都是在做减法,而且是往效率的反方向走。


    创作者和观众之间,卖的从来是“这是他本人”

    严格说,用 AI 找论文、整理资料,这在今天几乎算不上什么罪状。很多研究者、记者、编辑都在这么干,效率提升是实打实的。Green 被骂得这么惨,问题不在工具本身,而在他和观众之间那份心照不宣的契约——大家看他,是因为相信屏幕后面那个人在认真想问题,而不是在高效地组装信息。

    科普这门手艺尤其吃这一套。观众记住的不是某个知识点,而是“这个人是怎么理解这件事的”。一旦中间插进一个把资料嚼碎了递过来的中介,哪怕最后落笔的还是本人,那种“我陪你一起想明白”的质感就会掉一截。

    更值得琢磨的是他说的多巴胺。屏幕时间、短视频、社交推送这些成瘾机制大家已经聊烂了,但“跟模型对话本身会上瘾”还是个新话题。它给的不是娱乐快感,是一种“我正在产出、我很高效、我停不下来”的错觉。对一个靠持续产出吃饭的创作者来说,这种反馈回路可能比刷手机更难摆脱。

    Green 选择的解法是慢下来、少做点、把过程重新抓回自己手里。这在一个按更新频率算命的平台生态里,几乎是逆行。他能坚持多久不好说,但至少他把问题摆到了台面上:不是“AI 能不能用”,而是“我用完之后,还认不认得出自己写的东西”。

  • 全美只有约 2000 人干得了这活:AI 行业最抢手的岗位,不是训模型

    企业 AI 落地与前置部署工程师
    企业把模型装进流程,比买到最好的模型难得多|图片来源:TechCrunch / Getty Images

    猎头公司 Christian & Timbers 做了半年调研,得出一个挺刺眼的数字:全美真正具备“行业理解 + 能镇得住客户高管 + 有实打实 AI 落地经验”这三样的工程师,大约只有 2000 人。

    不是有 2000 人可以挖,是总共就 2000 人。

    这份独家给到 TechCrunch 的研究,访谈了 180 家公司的 250 多位 C 级招聘负责人,对 80 位财富 500 强高管做了定向问卷,还聊了 300 多位一线工程师,时间跨度是今年 1 月到 6 月。

    半年时间,招人意向从 5% 冲到 70%

    他们盯的这个岗位叫前置部署工程师(forward-deployed engineer,FDE)——不待在自家办公室写代码,而是直接扎进客户公司里,把模型和软件真正接进对方的业务流程。年初还只有 5% 到 10% 的公司说要招,而且多半只是小规模试点;到第二季度末,这个比例跳到了 70%。几家最大的咨询与服务公司甚至说,FDE 人数得扩到原来的十倍,要按 20 到 100 人的规模组建整建制团队。

    “这个速度我从没见过,企业大夏天的都在抢人。”C&T 创始人 Jeff Christian 这么形容。研究预计,到今年年底 FDE 的需求量会暴涨 2100%。

    Palantir 成了人才池,有客户为了挖人先买产品

    市面上大约有 1.7 万名 FDE,其中相当一部分在 Palantir——这个岗位当年就是它发明的。Christian 说,他的一些客户干脆先买下 Palantir 的产品,图的就是能顺带用上人家的工程师。

    但这 1.7 万人里,够得上“顶级”标准的只是一小撮。所谓够格,如今的衡量口径是能带来“几千万美元量级的 ROI 影响”,可能是营收端的线索生成提速,也可能是替掉整个 FP&A 团队,或者顶替印度那边 2300 名单据处理人员。Ode with Anthropic 的 CEO Chris Taylor 把这个门槛说得更直白:很多 FDE 有能力帮你把 Claude Code 推给全公司用,但能亲手做出你旗舰 AI 产品功能的,没几个。

    今年秋天,华尔街要开始算账了

    抢人抢得这么急,根子在钱。企业过去两年砸下去的 AI 预算,到了要交答卷的时候。

    今年秋天华尔街差不多要开口了:我们给了你们两年时间去搞明白这件事,你们没搞明白,没有 ROI。那我们就要开始惩罚那些花了几亿甚至几十亿却没产出的公司,奖励那些做出来的。

    模型厂商同样在挨这一刀。训练和部署已经烧掉几百亿美元,能不能盈利,取决于技术能塞进多少家企业;而中国那边越来越能打的开源权重模型,还在从下面撬价格。这也是 OpenAI 和 Anthropic 各自成立服务公司的原因——Anthropic 那边是 Ode,OpenAI 那边叫 Deployment Company,两家都塞满了 FDE,任务就是把自家技术铺出去。

    企业开始自己养人,怕的是流程外泄

    有意思的是,从保险、金融科技到医疗、游戏,不少企业宁可自己组建 FDE 团队,也不愿意从 Ode 或 Deployment Co. 那里整包采购。理由很实在:把自家专有业务流程交出去,等于给潜在竞争对手递图纸。Christian 说,大家担心的是“这些 AI 公司拿到流程之后回头跟你抢生意”,而这种担心在很多领域是成立的。Taylor 也开始频繁听到一个新说法——“内部前置部署工程师”。


    • 顶级 FDE 全美约 2000 人,市面总量约 1.7 万,Palantir 占大头。
    • 企业招聘意向半年内从 5%–10% 升到 70%,大型服务商计划扩编十倍。
    • 衡量标准已经从“会用模型”变成“能带来几千万美元 ROI”。
    • 企业倾向自建团队,核心顾虑是专有流程被模型厂商反向吃掉。

    不过这个岗位未必是长期饭票。Christian 自己就泼了盆冷水:也许两年后一切都自动化了,是智能体在自动化智能体,而不是人在自动化智能体。中期他判断需求会从企业软件转向“物理 AI”,比如把人形机器人接进产线;再往后五到十年,FDE 这个角色可能干脆消失。

    所以现在这场抢人,更像是行业从“谁的模型最强”切换到“谁能把模型变成钱”过程中的一段短暂窗口。窗口里,懂业务又会动手的人被抬到了天价;窗口关上之后,被自动化掉的可能恰恰是他们自己。

  • Sam Altman 教人用 ChatGPT 带娃,一句“你怎么不直接跟孩子说话”把他顶上热搜

    Sam Altman
    OpenAI CEO Sam Altman|图片来源:TechCrunch / Getty Images

    上周五,OpenAI 的 Sam Altman 在 X 上分享了一个他自己觉得“挺酷”的用法:把全家的日历接进公司新推出的 ChatGPT Work,再告诉它每个孩子分别喜欢什么,然后每天早上开车送孩子上学的路上,让它现做一档播客——聊聊老大下午的足球赛、老二快到的生日,中间再插几条新闻。

    把你们家的日历连上,解释一下孩子们的兴趣,然后每天早上送孩子上学的路上,让它做一档播客。

    他大概以为这条帖子会收获一片“真香”。结果评论区集体翻白眼。动画剧集《怪诞小镇》的主创 Alex Hirsch 只回了一句话:那你为什么不直接跟你的孩子说话呢?

    一句反问,比原帖火了十几倍

    数据比争论更能说明问题。截至周六上午,Altman 那条帖子被转发约 300 次、点赞 9600 左右;Hirsch 的那句反问,转发 9000 次、点赞 12.2 万。差了十几倍。这已经不是“功能好不好用”的技术讨论了,而是很多人对“连亲子对话都要外包给模型”这件事的本能反应。

    硅谷高管其实早就在干同一件事

    用 AI 把通勤路上那点“低效时间”填满,Altman 不是第一个。去年微软 CEO 纳德拉说,他早上开车已经不听自己喜欢的播客了,改成让聊天机器人给他讲这些播客讲了什么。Altman 本人也在《吉米·法伦今夜秀》上感慨过:“我没法想象,如果没有 ChatGPT,我要怎么搞定养一个新生儿。”不过他当时也补了半句——“显然,人类养孩子养了这么多年,也没出什么问题。”

    “家庭”是 OpenAI 明确要拿下的入口

    调侃归调侃,OpenAI 在这个方向上是认真的。公司最近挂出一个产品经理岗位,要求候选人有为父母和家庭做“高信任度消费级产品”的经验。差不多同一时间,Meta 也在测试一款专门用 AI 讲睡前故事的应用。家庭日程、育儿焦虑、辅导作业——这些是聊天机器人最容易长期驻扎下来的场景,谁都看得明白。

    但这条线上,OpenAI 还有旧账没结

    公司这两年确实给家长端加了不少东西:家长控制、敏感对话的安全分流机制都上了。可另一头,OpenAI 正面临多起来自家长和家属的诉讼,指控 ChatGPT 在亲人的妄想与自杀事件中起了作用。公司的回应一直是那句话:正在“持续改进模型在敏感互动中的回应方式”。在这种背景下发一条“让 AI 帮你了解孩子”的帖子,观感确实微妙。


    • Altman 的建议本质上是 ChatGPT Work 的场景演示,指向的是把订阅卖进家庭。
    • 反弹的焦点不是功能能不能实现,而是“该不该把亲子关系交给产品”。
    • OpenAI 一边招家庭方向的产品经理,一边在应对家长起诉,两条线同时推进。

    说到底,Altman 展示的是能力,网友抵触的是分寸。让模型把一家人的日程整理成一段十分钟的播客,技术上完全成立,甚至真的挺方便;但如果连“今天孩子有场球赛”这种事都得靠工具提醒,省下来的那点时间到底换回了什么,就不太好算了。硅谷习惯把生活里的摩擦当成待优化的 bug,而很多人恰恰认为,那些摩擦本身就是生活。

  • AI 基建狂飙,最不性感的生意反而火了:帮工地填表的 Dili 融了 2170 万美元

    这两年关于 AI 的钱,大头都砸在数据中心和电力设施上。有人从另一头看到了机会:这么多工地同时开工,光是把各类合规文件填对、报齐,就够养活一家公司。

    美国数据中心与基础设施建设现场
    图片来源:Kyle Grillot/Bloomberg / Getty Images

    7 月 30 日,一家叫 Dili 的 AI 合规公司宣布完成 1500 万美元 A 轮融资。加上此前的 670 万美元种子轮,累计融资 2170 万美元。A 轮由 Khosla Ventures 领投,安联(Allianz)、Rebel Fund、Brick and Mortar Ventures 的 Darren Bechtel 以及 Y Combinator 的 Garry Tan 跟投。Dili 出自 YC 2023 年夏季批次。

    它盯上的是一堆没人愿意读的规则

    “用 AI 做合规”现在算不上什么新鲜提法,一抓一大把。Dili 的差异在于它把范围收得很窄——只做美国基建工程的合规,尤其是那些拿了联邦资金的项目。

    联合创始人兼 CEO Anand Chaturvedi 举的例子是 Davis-Bacon 法案,这套规则允许劳工部为特定项目设定现行工资标准。另一套叫 PWA 的现行工资与学徒制规则,适用于《通胀削减法案》资助的清洁能源项目。除此之外,根据施工内容不同,还会牵扯 OSHA 的职业安全条款和 EPA 的环保规定。

    这些要求层层叠叠、互相交错,而且犯一点小错代价就不小。

    “不合规可能让这些项目被罚掉数百万美元。所以能在信息进来的当下就全部核对一遍,而不是抽样检查,这件事的价值非常大。”——Dili 联合创始人兼 CEO Anand Chaturvedi

    抽样和全量的区别,就是这门生意的入口。人工审核只能抽查,成本摆在那儿;机器读得快,才有可能一条不落。

    大模型被关在数据层,不让它拍板

    罚款以百万美元计,可靠性就成了绕不过去的坎。做合规最怕的恰恰是大模型那点”差不多就行”的毛病——它给你一个听起来很像回事的答案,你还不知道错在哪。

    Chaturvedi 说 Dili 的架构从设计上就把这个风险堵住了:AI 模型只在数据层出现,负责把非结构化的文档翻译成结构化数据;再往后,由一套确定性系统按照复杂但静态的合规规则做分拣判定。

    • AI 负责”读懂”——处理 PDF、扫描件、工资表这类乱七八糟的输入;
    • 规则引擎负责”判定”——同样的输入永远得到同样的结论,可追溯、可复核;
    • 结果是过去一整天的工作量,现在几分钟就能跑完。

    这个分工看着朴素,却是当下企业级 AI 里少见的清醒做法。很多产品恨不得把判断权也交给模型,因为那样演示起来更炫;Dili 反过来,把模型能力限制在它最擅长也最不容易出事的环节。

    Chaturvedi 描述过他想要的那个状态:把一家公司所有内部文档、所有供应商文档、所有 ERP 信息、所有工资系统数据放在一起通读,然后精准抽出报表或合规所需要的那部分。


    700 个项目,一半自用一半外包

    这套东西已经跑起来了。Chaturvedi 说软件目前用在”大约 700 个项目”上,从制造工厂到数据中心都有。

    更有意思的是收入结构:大约一半客户把 Dili 当成内部软件工具用,另一半干脆把整个合规流程外包给 Dili,按承包商模式合作。两种合同 Dili 都接,但 Chaturvedi 预计行业未来几年会更多往软件模式偏。

    他的判断是,软件和 AI 会开始吃掉大量专业服务类的工作流,越来越多的公司会把这些活收回自己手里。这话说白了就是:现在的外包收入,本质上是过渡期的红利。

    这轮 AI 淘金热的另一种铲子

    AI 基建的故事讲了两年,主角一直是芯片、机柜、变电站。Dili 提醒了一件常被忽略的事:任何一轮大规模基建,配套长出来的都不只是钢筋水泥,还有一整套文书工作。工地越多,表格越多,罚单风险越大。

    Khosla 愿意领投一家做工地合规的公司,赌的也是这个——AI 泡沫会不会破是一回事,那 700 个工地上的 Davis-Bacon 表格今天就得交。这类需求不依赖模型能力再上一个台阶,也不需要客户相信 AGI,它只需要基建热潮持续开工。在满屏”下一代模型”的叙事里,这可能反倒是更耐摔的一门生意。

  • 三大唱片公司联手出手:AI 做的歌,别想上榜

    七月的最后一天,环球音乐、索尼音乐、华纳音乐这三家握着全球录制音乐大半江山的公司,拉上 Believe、BMG、Concord、Dirty Hit、Glassnote、HYBE、Mom+Pop、Partisan 等一串厂牌,抛出了一份关于 AI 歌曲能不能进官方榜单的提案。答案写得很干脆:基本上,不能。

    AI 音乐概念图
    图片来源:The Verge / Shutterstock

    提案画了六条线

    这份被国际唱片业协会(IFPI)公开背书的全球原则,核心是一段”排除条款”式的表述——不是列出什么歌可以上榜,而是规定只要有理由怀疑某首歌不满足全部条件,榜单就不该收它。

    使用生成式 AI 服务制作的录音,若有理由认为其未能同时满足以下全部标准,就不应被纳入官方榜单:所使用的生成式 AI 服务获得了适当授权且合法;作品实质上由人类创作;不存在播放量或榜单操纵方面的疑虑;符合版权、邻接权、人格权等适用法律;作品的发行不违反所用生成式 AI 服务的服务条款;在下游平台(如流媒体服务)上,已按照适用法规和行业标注标准,向消费者适当标示了生成式 AI 的使用。

    六条里,前四条勉强还能靠合同和法务去核对,第五条属于平台自查,唯独第二条——”实质上由人类创作”——像一句留白。

    “实质上由人类创作”到底怎么算

    The Verge 的周末编辑 Terrence O’Brien 在稿子里连着两次把这个词组拎出来,后面跟一句”whatever that means”(谁知道这是什么意思)。他的不耐烦挺有道理:一首歌用 AI 补了一段和声算不算?人写词写旋律、AI 编曲混音算不算?歌手用 AI 修音准这种早就普及十几年的操作,又划到哪一边?

    同样悬着的还有”榜单操纵疑虑”。刷流量本来就是老问题,跟 AI 没有必然关系,把它塞进这套原则里,等于给榜单方多开了一个可以自由裁量的口子。The Verge 就此向索尼音乐、环球音乐和 Mom+Pop 求证,三家都没有第一时间回应。

    标准模糊在行业提案里并不罕见,有时甚至是刻意的——先把大方向立住,细节留给后面谈。但音乐榜单是个要给出确定名次的东西,模糊的准入条件迟早要落到某个具体判断上:某首歌到底进不进。

    比”贴标签”那套激进得多

    做个对照。此前 RIAA、IFPI、SAG-AFTRA 等机构推过一套标注方案,思路是给 AI 生成和 AI 辅助的音乐设计标准化标签,把判断权交还给听众——你知道这是 AI 做的,听不听随你。

    厂牌这份新提案把标注要求原样保留了,然后在后面加了一道闸门:标了还不够,不达标就别想进榜。

    • 标注方案管的是知情权,属于信息披露;
    • 厂牌提案管的是资格,属于市场准入;
    • 前者让 AI 歌曲和人类作品同场竞技,后者直接把它们分到两个赛道。

    这两种思路背后是完全不同的判断。标注派默认 AI 音乐会长期共存,得想办法把它纳进现有秩序;厂牌派则更接近于说,这批东西暂时不配和人类作品放在一张榜上排名。


    榜单机构还没接招

    提案发出来了,IFPI 也把分量压了上去,但截至目前没有任何一家榜单机构表示要采纳,Billboard 那边也只是照常报道了这件事。这其实是整件事最关键的一环——原则写得再齐整,最终拍板的是 Billboard、Official Charts 这类机构,而它们要考虑的东西比厂牌复杂:一旦立规,就得有能力去核查每一首上榜歌的制作过程,这个成本谁来出。

    更微妙的是,三大厂牌自己也在跟 AI 音乐公司谈合作、谈授权。今天要求”实质上由人类创作”,明天如果自家艺人用授权模型做了一张专辑,这条线又该往哪儿挪。规则是他们提的,第一个被规则绊住的很可能也是他们。

    争的其实不是榜单

    榜单在今天早就不只是一份排行。它决定电台歌单、决定播放列表推荐权重、决定演出报价、决定唱片公司内部资源怎么分。把 AI 歌曲挡在榜单之外,等于挡住了一整条商业化通道。

    所以这份提案与其说是内容治理,不如说是分配权之争。真正的问题从来不是”AI 能不能做歌”——它已经在做了,而且有人在听。问题是这些歌能不能被算进那套沿用了几十年、分配着真金白银的计分体系里。厂牌给出的第一版答案是不能,接下来就看榜单机构愿不愿意接。

  • 谷歌一个月修掉1072个Chrome漏洞,比过去两年加起来还多

    谷歌周四发了一份白皮书,里面有个数字挺扎眼:Chrome 上个月发布的两个版本,一共修掉了 1072 个安全漏洞。而在这之前的两年里,23 个版本加起来才修了 1036 个。

    一个月,超过过去两年的总和。谷歌把功劳记在了自家的 AI 工具头上。

    谷歌 Chrome 浏览器
    谷歌称 AI 工具大幅提升了 Chrome 漏洞的发现与修复速度|图片来源:Klaudia Radecka/NurPhoto/Getty Images,via TechCrunch

    那条曲线突然立起来了

    谷歌把每个 Chrome 大版本称作一个”里程碑”。作为参照,Chrome 126 是 2024 年 6 月发布的,而最新的 149 和 150 发布于上个月。白皮书里附的那张统计图,前面两年基本是一条贴着地面的平线,到最近两个版本直接拔地而起。

    这条曲线其实是安全圈预测了好几年的东西。大模型刚火起来的时候,就有研究者提醒过:AI 会让漏洞被挖出来的速度呈指数级上升,防守方要是不跟着上 AI,就只能眼看着攻击方先一步拿到弹药。

    现在这个预测开始有数据支撑了。

    谷歌工程总监的原话

    大模型从根本上改写了网络安全的经济账,把漏洞发现变成了一件自动化、工业规模的事情。

    说这话的是 Chrome 工程总监 Doug Turner。他补了一句:靠 Gemini 这类模型,团队现在是在漏洞被利用之前就先把它补掉,”每次更新都让 Chrome 更安全一点”。

    “工业规模”这个词用得很准。以前找漏洞靠的是研究员盯着代码逐行看,或者靠模糊测试碰运气,产能天然受人手限制。模型介入之后,这件事的成本结构变了——同样的时间里能扫过的代码量,跟人力时代不是一个量级。


    不止谷歌一家

    本月早些时候,微软在例行的”补丁星期二”里一口气修了 570 个安全漏洞,创下纪录。微软给出的解释和谷歌几乎一模一样:用上 AI 了。

    苹果那边的情况则完全不同。根据一份独立统计,苹果 2026 年至今修复了 482 个漏洞,这个节奏跟去年基本持平,甚至和 2015 年的数量差不多。换句话说,苹果的曲线还是平的。TechCrunch 就此向苹果求证,没有得到回复。

    • 谷歌 Chrome:上月两个版本修复 1072 个漏洞,超过前两年 23 个版本之和(1036 个)。
    • 微软:7 月单月补掉 570 个漏洞,破自家纪录,同样归因于 AI。
    • 苹果:2026 年至今 482 个,与去年、甚至与 2015 年的量级接近。

    补丁变多,等于更安全吗

    这里得说句公道话:1072 这个数字既是好消息,也是坏消息。好消息是这些洞在被人利用之前就被堵上了;坏消息是它们本来就一直在那儿,只是过去没人有能力把它们全翻出来。一个用了十几年的浏览器,代码库里的隐患比大家想象的多得多。

    更值得琢磨的是攻守两端的对称性。谷歌能用模型批量挖洞,攻击者当然也能。这场竞赛真正的变量不是谁挖得多,而是谁能把”发现—修复—推送到用户设备”这条链路跑得更快。对浏览器这种自动更新的产品来说,这条链路天然占优;但对那些更新周期以季度甚至年计的企业软件和 IoT 设备,同样的 AI 能力落到攻击方手里,结果会难看得多。

    至于苹果的平曲线,有两种读法。一种是它的代码质量确实更好,没那么多洞可挖;另一种是它还没把 AI 大规模接进安全流程,所以曲线还没到抬头的时候。从行业趋势看,第二种解释的可能性更大一些。

    对普通用户来说,从这条新闻里能提取的操作建议其实只有一条:别再拖着不重启浏览器了。那 1072 个补丁只有装到你机器上才算数。