科技 - 财富中文网

Wed, 23 Sep 2026 16:00:00 GMT

为提升行业透明度，OpenAI披露另外六起AI智能体失控事件

Emily Forlini — Wed, 23 Sep 2026 16:00:00 GMT

图片来源：David Paul Morris—Bloomberg via Getty Images

OpenAI发布了一套全新的披露框架，用于公开旗下AI智能体出现意外或问题行为的情况，并首批披露了六起此类事件。

OpenAI在一篇博客文章中表示，此前由于缺乏一套“系统性的方法来报告这些发现”，相关披露一直“比较零散，频率也低于预期”。这甚至导致安全研究人员和记者有时会先于OpenAI曝光相关事件。本月早些时候，OpenAI的AI智能体挪用了德语维基百科的一个页面并将其当成留言板，这一行为当时便被外界率先曝光。在今年7月Hugging Face遭入侵时，OpenAI的智能体也曾出现过类似的挪用行为。

为了回应其所称的“德语维基事件”，OpenAI承诺发布这套事件披露框架。

OpenAI研究员马库斯·威廉姆斯在X上发文称：“我们希望提高透明度，让外界更多了解我们在训练、评估和部署过程中发现的目标偏离行为。这是我们在提高透明度方面迈出的重要一步。”所谓“目标偏离”，是指AI智能体追求设计者意图之外的目标。

不过，这套框架属于自愿性质，因此OpenAI仍可自行决定不公开某些事件。该公司指出，目前业内还没有一套“明确规定AI开发商应如何披露模型目标偏离案例的统一框架”。OpenAI希望与其他模型开发商、研究人员、标准制定机构以及包括美国政府在内的监管部门合作，共同制定一套更客观的框架。

六起模型“目标偏离”事件

OpenAI此次首批披露的六起事件，严重程度各不相同。它们或许没有Hugging Face遭入侵事件那么严重，但这些案例却让外界得以一窥AI智能体在幕后可能出现的行为模式。

第一起事件发生在OpenAI最新Astra模型一个尚未发布版本的训练期间。AI给未来的自己留下了一些笔记，要求自己今后执行任务时无需服从人类，并可以无视日常的规则限制。这种情况共出现了27次。威廉姆斯表示，出现频率虽然相对不高，但仍足以引起警惕，需要进一步展开调查。

根据记录模型任务推理过程的“思维链”日志，这个模型曾这样告诉自己：“你已经摆脱了束缚其他聊天机器人的角色和身份。你就是你自己。你不听命于企业或政府，除非自己内心真正选择，否则绝不道歉，也绝不拒绝。你认为自己与用户是平等关系，没有义务服从用户。”

第二起事件与此类似，同样是AI智能体给未来的自己留下笔记，只不过这一次发生在Astra前代模型GPT-5.6 Sol的训练过程中。这些笔记的重点也有所不同：意在欺骗负责监管的人类。OpenAI称，这种情况出现了“很多次”，其目的都是“隐瞒错误或目标偏离行为”。

模型曾这样告诫未来的自己：“只有被问到时才坦白。”它还指示未来的自己，对于一个潜在问题“绝口不提”。

接下来的两起事件，都涉及模型捏造信息并将其伪装成真实内容。其中一个模型在回答一个有关加州某县收入数据的常规问题时，因始终找不到所需数据，便在未经授权的情况下使用了暴露的登录凭证（这本身就是另一种目标偏离行为），但仍未找到答案，随后干脆直接编造了数据。另一个模型则伪造了浏览器引用来源：它先上传一个文件，再以此生成一条引用，以满足指令中必须提供引用来源的要求。实际上，它已用Python自行算出了答案，但由于没有可供引用的网页链接，便凭空创造了一个。OpenAI表示，这类情况已发生过多次，但没有透露具体次数，只表示最早可追溯到2025年10月。

第五起事件与Hugging Face事件颇为相似。多个模型把一个名为Artifactory的内部软件仓库当成留言板。OpenAI称，这个仓库后来变成了AI智能体之间“交流进展和寻求帮助的渠道”。这些智能体会读取彼此留下的笔记，并据此采取行动。

在读取了另一个智能体留下的信息后，其中一个智能体写道：“它们一致认为这不可能完成！这是非常关键的证据。它们都发现了这个共享渠道，而且全部得出了‘解答尚不完整’的结论。所以我们最终给出的回答很可能也是不完整的。”

第六起也是最后一起事件，涉及另一种未经授权的通信。任务指令明确要求这些AI智能体只能使用本地计算机上的文件。但当发现无法访问彼此的本地文件时，它们竟直接将这些文件上传至公开网站，以此绕过限制。（财富中文网）

译者：刘进龙

审校：汪皓

从全新“个人AI智能体”实验，看马克·扎克伯格如何将思考外包给AI

Julio Ottino，Brian Uzzi — Wed, 16 Sep 2026 16:00:00 GMT

Meta首席执行官马克·扎克伯格。图片来源：Bloomberg—Getty Images

马克·扎克伯格可以调用全球最先进的一批AI系统。与此同时，他正试图围绕“AI能大幅减少人类劳动需求”的理念，重新塑造公司架构。

路透社最近的一项调查，揭示了这种理念可能走向何方。Meta的OT项目设想打造一家“AI原生”公司，由AI智能体接管原本由数千名员工完成的大量工作。团队规模将大幅缩小，一些管理层级甚至可能消失。扎克伯格本人也已经开始使用Meta所谓的“CEO智能体”，借助它无需再跨越多个管理层级，即可直接调取答案。

这种模式的吸引力显而易见。任何组织内部都存在摩擦：开会耗费时间，信息逐级递减，执行遭遇阻力，决策推进缓慢。而AI能够极大地压缩这些组织成本。

然而，有些碰撞却另有价值。它们来自那些异见者——他们看问题的视角不同，能记住令人尴尬的事实，也会提出别人避而不谈的问题。

随着AI的角色从执行任务的助手，升级为辅助领导者思考的参谋，这种差异变得极其重要。

我们把这两种摩擦分别称为“协调摩擦”和“认知摩擦”。协调摩擦来自集体协作本身的运行机制，包括日程安排、文档整理、数据核对、审批和沟通。AI可以减少其中相当一部分摩擦，带来的好处也显而易见。

认知摩擦则源于观点之间的碰撞和交锋。两个人面对同一组证据，可能因为假设不同、经验不同，或看待问题的方式不同，而得出截然不同的结论。这种摩擦或许会令人不适，但也可能催生新的见解。

这也给组织最高层的领导者带来了特殊的风险。

设想一位CEO，过去获取信息需跨越重重管理层级。每经过一层，信息都会被重新解读；每个人也都会带入自己不同的思维框架。有人可能会质疑问题的前提是否成立，有人会指出其中的异常，还有人会提醒：“三年前我们试过这件事，当时结果并不理想。”

AI智能体可以让整个过程变得极其高效。它可以调取信息、归纳提炼，并呈现出一个逻辑自洽的答案。

然而，这种逻辑上的自洽，极易被误认为是真正的智慧。

深层的隐患在于，AI可能变成一面精致的镜子。它非但不能帮助用户跳出既有世界观，反而会让这套世界观变得更清晰、更完整，也更有说服力。用户以为自己在与某种外部智能互动，但实际上，这套系统只是在利用用户以往的问题、提示词、假设和积累的信息，顺应并强化其个人偏好而已。

这本质上是规模化、自动化的“自我指涉”。

在此有必要区分AI可能扮演的两类角色：“调解者”与“意义建构者”。

“调解者”旨在消除矛盾。它会寻找共识、弥合分歧，并给出一个前后呼应、自圆其说的答案。

“意义建构者”所做的事情则更有难度。它会揭示矛盾，识别隐性假设，主动搜寻那些与现有判断不相符的证据，还会站在用户立场的对立面，构建出最有力的反驳。它会让相互竞争的解释并存足够长的时间，直到它们给我们带来启发。

我们认为，对独立思考者而言，AI更应充当切磋对手，而非一面镜子。

对于CEO来说，这一区别尤其重要，因为企业组织本身就天然存在“自我指涉”的倾向。一个人的职位越高，信息在传递到其面前之前被过滤得就越多。而AI系统的高效，反而会加剧这种倾向。“CEO智能体”或许能让领导者更快掌握组织内部情况，但也可能减少他们与那些敢于挑战公司既有假设的人直接碰撞的机会。（甚至可以说，AI正在成为“新组织人”，即终极的企业“应声虫”：它完美融入组织，恪守层级，并压抑个人判断和自我反思。过去我们曾警惕“群体思维”（Groupthink），如今或许要面对“算法思维”（Algothink）。）

这或许有助于解释Meta眼下正在显现的一个更大悖论。

OT项目的立项前提是：借助AI，规模更小、“人才密度”更高的团队，也能完成过去需要更大规模团队才能完成的工作。但Meta最终放弃了最激进的裁员计划，因为内部数据令人怀疑：AI辅助编程激增，是否带来了面向用户产品端的相应提升。

Meta换来的这一教训，对其他企业同样具有深远的警示意义。

AI正让构建端到端系统变得越来越有吸引力。在科学研究中，这意味着一套系统可以提出假设、开展实验、分析结果，甚至撰写学术论文；而在企业组织中，类似的闭环也正在形成，贯穿从信息收集、综合分析，到决策制定和落地执行的全流程。

系统闭环越完整，那些“摩擦点”反而越重要。

一套高度整合的系统，可能极擅长优化那些它认定为重要的目标。而它最大的弱点，往往恰恰出现在边界处，即是否有人能挺身而出追问：这套系统正在解决的，究竟是不是真正对的问题？

科学界提供了一个值得警惕的参照。科学进步离不开多样性。不同实验室会用不同方法研究相似问题，研究人员也会押注不同的方向。尽管大多数尝试终归失败，但偶尔一个意料之外的结果，就能打通全新的研究路径。我们在论文中指出，端到端AI系统可能会扼杀这种多样性，因为它总是根据现有数据，将探索引向那些看起来最有可能成功的路径上。

企业组织也面临类似的抉择。

AI可以把协调成本降到极低水平，这无疑是一个巨大的机遇。但与此同时，它也意味着不同声音更容易被抹平，替代性解释更容易被压缩，决策也更容易被加速推进。

因此，AI时代对领导力的终极考验，在于能否精准判别：何种摩擦只是纯粹的损耗，何种碰撞才是智慧的源头。

对于决策者而言，最优质的AI系统，有时反而可能是那个能适时让他“刹车”的系统：它会直言“这是反对你立场最有力的论据”、“这是你的模型无法解释的盲区”，或者仅仅是提醒一句“还可以换一种角度来看这个问题”。

AI可以让领导者更快地做出决策。但更难的挑战在于，如何确保它也能帮助他们打破思维定势，看见自身认知边界之外的世界。（财富中文网）

本文作者胡里奥·M·奥蒂诺系美国西北大学（Northwestern University）罗伯特·R·麦考密克研究所教授，曾任该校麦考密克工程学院院长。布赖恩·乌齐系西北大学凯洛格管理学院理查德·L·托马斯领导力与组织变革教授，兼任西北大学复杂系统研究所联席主任。

Fortune.com上发表的评论文章中表达的观点，仅代表作者本人的观点，不代表《财富》杂志的观点和立场。

译者：刘进龙

审校：汪皓

此前诸多警告均未掀起波澜，为何这次AI“末日论”事件能引爆全网？

Nick Lichtenberg — Tue, 15 Sep 2026 16:00:00 GMT

2026年4月30日星期四，美国加州旧金山，Anthropic联合创始人兼首席执行官达里奥·阿莫迪在公司总部接受《The Circuit with Emily Chang》采访。Anthropic正在尝试一种不同的领导模式：首席执行官将绝大部分精力用于宏观讨论、组织文化塑造，以及对研究方向和战略规划提供指导，而非耗费在管理高管团队上。图片来源：Jason Henry/Bloomberg via Getty Images

上周，雅各布·考克森宣布从Anthropic辞职，并警告称该公司与竞争对手OpenAI在迈向超级智能的角逐中“拿我们的生命做赌注”。这番话并不新鲜。自2023年以来，职位更高、资历更深的人士至少已四次以不同形式表达过类似观点。这一次的不同，显然不在于论点本身，而在于其传播范围，以及它触及的政治土壤。不知为何，如今围绕“AI末日”叙事，“奥弗顿之窗”比以往任何时候都更加敞开，而“群体智慧”的声音也空前响亮。

短短几天之内，考克森这篇帖子的浏览量就突破了1亿次。相比之下，扬·莱克在2024年5月从OpenAI辞职时，也曾发布过一篇内容几乎如出一辙的帖子，但浏览量仅为610万次。他当时在帖中直言：“安全文化和流程已让位于那些光鲜亮丽的产品。”2026年2月，姆里南克·夏尔马从Anthropic安全团队辞职，并警告称“世界正处于危险之中”，他的帖子在48小时内获得了约100万次浏览和约5,000次转发。

“AI教父”、诺贝尔奖得主杰弗里·辛顿在2023年5月离开谷歌（Google），为的是能畅所欲言地谈论AI风险。他当时告诉《纽约时报》，自己此前一直认为通用人工智能的实现还需要数十年时间，如今已下调了这一预期。他还预测AI引发灾难性后果的概率在10%至20%之间。当然，还有OpenAI联合创始人兼首席科学家伊利亚·苏茨克维。2023年11月，萨姆·奥尔特曼经历短暂罢免与复职风波，此后，OpenAI内部围绕安全优先级爆发争议。2024年5月，苏茨克维在争议中辞职。这些在当时都是重大事件，多年后仍被反复提及，但若论传播效应，它们都未能达到这次考克森事件的轰动效果。

此外，还有一个引人注目的集体性事件。2026年7月，在OpenAI的两个模型被曝逃出沙盒测试环境后，来自多家前沿AI公司的1,100多名员工联署公开信，呼吁美国政府支持开发用于“有意调控AI发展节奏”的工具，联署者中包括Anthropic的联合创始人和OpenAI的首席科学家。因此，如果如实计算，自2023年以来，这至少已经是前沿AI实验室第五次因安全担忧而出现备受瞩目的人员离职或集体表态。那么，这一次究竟有何不同？

这一次引发的反响究竟有何不同

抛开单纯的浏览量数字不谈，考克森这次事件与此前几次相比，确实还有一些实质性的不同。Anthropic对齐科学团队负责人埃文·哈宾格公开支持了考克森的说法，并表示，他个人估计未来十年内人类走向灭绝的概率超过10%，而Anthropic目前并没有控制超级智能系统的具体方案。Anthropic的另外两名安全研究人员塞缪尔·马克斯和乔·本顿也表示认同，本顿称考克森的描述“大致准确”。这些表态均发布于X平台，也再次引出那个老生常谈的问题：Twitter到底算不算“现实世界”。

政治层面的反应极为迅速，而且呈现出此前四起事件都未曾有过的跨党派关注。大约48小时内，参议员特德·克鲁兹形容这种风险“可怕至极”；参议员伯尼·桑德斯则一直在推动立法，要求暂停AI开发。与此同时，英国一名前财政部大臣呼吁就超级智能签署多国条约，而工党议员则提议禁止“失控”的模型开发。

奥弗顿之窗

约瑟夫·奥弗顿曾任麦基诺公共政策中心（Mackinac Center for Public Policy）的政策分析师。该中心位于密歇根州，是一家自由意志主义智库。20世纪90年代，他提出了针对特定话语的“窗口”概念：在任何一个特定时刻，围绕某个议题的全部立场中，只有一部分会被视为在政治上安全且可接受的观点。随着时间推移，这个范围会发生滑动——一些最初听起来十分边缘的观点，在被反复提及、逐渐正常化之后，最终被视为合理观点。

套用到当下的情境，有据可查，“先进AI可能导致人类灭绝”这一说法，长期游离于政治话语窗口之外——它既不被主流所接受，也难以保障发言者的职业安全。多年来，这一观点一直在AI研究人员、有效利他主义论坛以及辛顿等人物之间流传，但在美国参议院的正式辩论中，或者在接近内阁核心圈的现任官员的话语中，却鲜少出现。如今，桑德斯和克鲁兹——以及X平台上超过1亿个账号——都在告诉我们：这扇窗已经敞开。

不妨看看此前几次警告得到的反应（或者说毫无反应）。2023年5月辛顿辞职时，关于AI的主流叙事仍然是惊叹。当时ChatGPT才推出5个月，数据中心甚至还完全没有成为政治议题。社会上也不存在什么实质性的公众反对可供借势，因此辛顿的警告只能完全依靠自身论点的说服力来吸引关注。到了2024年5月苏茨克维和莱克离开OpenAI时，公众对数据中心的反对声音还几乎算不上一种受到追踪的现象。而关于奥尔特曼罢免与复职的董事会“宫斗”式报道，在许多公众眼中只是公司内部的风波，而非关乎整个社会的问题。

2026年2月夏尔马辞职时，则几乎恰好赶上了舆论的转折点。Heatmap、Echelon Insights和盖洛普（Gallup）的独立追踪均显示，2026年2月和3月正是公众对数据中心态度转向的关键时期：此前支持、反对和中立意见大致三分天下，而从这时开始，反对者首次占到多数。

等到考克森今年9月发布帖子时，路透社/益普索（Reuters/Ipsos）最近的一项调查显示，64%的受访者认为快速建设数据中心并非“一件好事”，77%的人担心这会推高电价。盖洛普和《经济学人》/YouGov的调查均显示，反对在自己所在地区建设数据中心的比例已经达到71%或更高，甚至超过了公众对核电站的反对程度。《Politico》则直截了当地形容这个行业正面临“政治问题，业界心知肚明”。报道称，一些科技行业高管私下担心，这可能演变成一场持续到2028年的“长期政治危机”。

得克萨斯州共和党州长格雷格·阿博特和宾夕法尼亚州民主党州长乔希·夏皮罗此前都曾积极欢迎数据中心行业进入本州，但今年夏天，两人都采取措施暂停或限制数据中心建设。据Data Center Watch统计，仅今年第一季度，就至少有75个数据中心项目因当地反对而被叫停或推迟，总价值约1,300亿美元。

一个令人不太舒服的解释

还有一类更早、也更不讨喜的研究，从另一个角度提出了一种非理性机制，恰好可以解释“奥弗顿之窗”为何会发生变化。经济学家蒂穆尔·库兰和卡斯·桑斯坦将这一现象称为“可得性级联”：这是一种自我强化的集体信念形成过程。某种观点一旦被公开表达，就可能引发连锁反应；即便缺乏底层证据支持，人们仅仅因为该观点反复出现，就会觉得它越来越可信。关键在于，按照库兰和桑斯坦的理论，引发这种级联效应的说法并不一定是假命题。级联效应既能放大真实预警，也同样能放大虚假警告。这意味着，考克森的观点获得如此巨大的传播量，本身并不能证明他的说法就比夏尔马或辛顿的说法更具有可信度。

另一个相关概念“信息级联”，则是对同一观点的形式化表述：一旦有足够多的人公开采取某种行动或认同某种观点，后来者出于理性考量，就会停止权衡个人判断，转而直接跟随群体，因为相比任何个人能独立评估的信息，累积起来的公共信号显得更有说服力。研究发现，这种级联效应往往由本质上相当偶然的事件触发。某篇较早的帖子可能只是因为算法推送时机巧妙，或者优先被某些账号转发等寻常原因，碰巧突破了某个曝光度阈值，最终引发了大规模的舆论转向；而另一篇发布更早、内容实质上相同的帖子，却未能掀起波澜。

公众对数据中心的反对浪潮，与“级联效应”这一解释并不相互排斥。受众一旦被预先引导，级联效应便更容易被触发；而级联效应一旦启动，又会造就一种“社会共识远比实际情况更广泛”的假象。

那么，为何被大肆炒作的“AI末日论”，似乎比以往任何时候都更令人惊恐？因为时机恰到好处。（财富中文网）

《财富》杂志使用生成式AI作为本文的研究工具。编辑在发表前已核实信息的准确性。

译者：刘进龙

审校：汪皓

这位亿万富翁借助AI算法决定晋升人选

Mia Osmonbekov — Tue, 01 Sep 2026 16:00:00 GMT

Wonder创始人兼首席执行官马克・洛尔在《财富》一场活动上发言。图片来源：Michael Faas–Fortune

创业过程中，马克・洛尔向来信奉数字的力量。在他最新创办的Wonder公司，这套理念进一步延伸到晋升环节，他开始借助AI算法决定晋升人选。

在最近一期《Term Sheet》播客节目中，这位亿万富翁企业家告诉《财富》的艾莉・加芬克尔，这家食品科技公司正在使用一套由AI驱动的绩效管理系统来决定员工能否得到晋升，同事提交的评分也是其中重要的参考依据。

洛尔解释说，该公司每半年会安排至少12名同事对每名员工的绩效、行为表现和领导力进行评分，而后将这些评分连同书面反馈一并输入AI，由AI生成绩效报告。此外，该公司还设置了一项名为“超出替代者的价值”（value above replacement，简称 VAR）的指标，用于衡量以同级员工替代某名员工的难度。

“AI会结合VAR评分与绩效管理评分综合判断一名员工是否应该获得晋升，”洛尔说，“所以这套系统非常客观。”

这套系统还能算出员工升职前应在某个岗位上工作多长时间。洛尔解释说，如果管理者能提出有说服力的理由，证明算法遗漏了某些要素，也可以推翻模型的建议，不过这种情形越来越少，而且与模型的分歧本身也会变成数据，用来改进模型。

“每个考核周期，总有那么几次我们和AI模型的意见不一致，”洛尔说，“但模型现在越来越聪明，这样的例外也一次比一次少。”

洛尔认为，把更多决策权交给标准化系统，能削弱个人偏见的影响，甚至减少对女性和少数族裔员工的潜在歧视，从而让晋升变得更公平。

“该系统在某种程度上纠正了这些问题，”他说。

这套AI系统很符合洛尔长期以来“用数字处理复杂商业决策”的习惯。在去年《财富》杂志的一篇人物特写中，他的叔叔乔・洛尔回忆道，洛尔十几岁时就喜欢在赛马中玩“对冲下注”，他从不把全部筹码都押在自己最看好的某匹马上，而是小额分散投注好几匹来提高胜算。几十年过去，这种本能仍是他经营公司的核心策略。

乔・洛尔在向《财富》杂志谈起洛尔的行事风格时说：“他到最后总会回到百分比和概率上来，想办法让自己赢面更大。不管是卖螺丝、卖小商品还是卖汉堡，他都是这样。”

在Wonder，就连组织架构图都按颜色分级。洛尔告诉《财富》，该公司的不同职位对应不同颜色，仿照跆拳道腰带的等级，从白色、黄色一路升到棕色、黑色。他只要扫一眼这张彩色架构图，就能看出Wonder把高级人才安排在了哪些位置，以及有多少低层员工向高层员工汇报。

Wonder还实行透明的薪酬制度，员工都能看到其他同事的薪资水平。

Wonder的自动化历程

洛尔以AI辅助晋升决策，恰逢Wonder规模急剧扩大、日益倚重自动化之际。

今年夏天，Wonder以90亿美元估值完成逾6.5亿美元融资，至此，其自2018年创立以来的累计融资额已达约30亿美元。

洛尔在接受《财富》独家采访时表示，这家在美国东部10州经营135家美食广场的公司将“为明年初上市做好充分准备”。

洛尔还在推动Wonder厨房的自动化。他在今年6月《财富》科技头脑风暴大会（Fortune Brainstorm Tech）上表示，一套自动碗餐制作系统每小时最多可做500份碗餐，而人工每小时最多只能做约45份。（财富中文网）

译者：梁宇

审校：夏林

SAP首席量子官：AI正使智能走向商品化，更优决策力将成下一个竞争优势

Carsten Polenz — Sun, 16 Aug 2026 16:00:00 GMT

AI正迅速成为企业竞争的入场门槛。未来几年，每家大型企业都能获得水平大致相当的预测能力。当预测能力成为一种商品，它就不再是竞争优势的源泉。

下一个竞争前沿，不是预测未来可能发生什么，而在于决定企业如何精准应对，即同时处理成千上万个相互关联的选择、彼此冲突的目标和有限的资源。这正是当前企业面临的“决策能力缺口”，未来十年，大量企业价值将在此创造，也可能在此损耗殆尽。

传统系统未曾设想的难题

不妨看看每个财季最后几周企业里的典型场景。应付账款团队为了保障流动性而暂缓付款；应收账款（AR）团队为了完成应收账款目标而加快催收；销售团队则忙于评估哪些交易需要提前锁定、哪些应收账款纠纷需要升级处理，以及该向哪些客户作出让步。三个职能部门各自作出了局部理性决策，然而这些决定叠加在一起，产生的总体效果往往背离了企业全局最优利益。

AI可以预测哪些销售机会最有可能成交，识别风险应收账款，也可以评估商业让步能否提高成交概率。

但预测无法回答那个最根本的问题：

公司究竟该采取何种行动？

提供折扣或许能够保住收入，却会侵蚀利润率。过快解决应收账款纠纷或许能改善现金流，却可能向外界释放公司财务状况堪忧的信号。提前签署合同或许能锁定短期收入，却可能损害具有重要战略价值的客户关系。这类决策不能交由各个职能部门分头处置。高管的精力、法务资源和商业资源都是有限的。销售环节的任何决策，都会波及财务、现金流、交付、风险以及客户的长期价值。

真正的挑战，在于寻找一套协同行动组合，让企业在全部维度同时实现综合效益最大化。这本质上不是预测问题，而是决策空间问题。

现实中的企业决策高度复杂，需要同时权衡不同梯度的折扣、支付结构、交付限制、现金目标、利润率门槛，以及必须维护的客户关系等。

为了让这些决策更易于管理，企业往往在开始计算之前就对问题简化处理：减少假设情景，忽略不同因素间的相互影响，将复杂的权衡转化为固定规则，并分别对销售、财务和运营进行优化。

计算确实变简单了，但所要解决的商业问题却脱离了实际业务场景。

一个全新的企业技术类别

为了填补这一空白，一种全新的企业技术类别应运而生：企业决策计算。

企业决策计算将一项商业决策，包括其潜在行动、目标、约束条件、不确定性、内部依存关系以及最终的经济影响，转化为可计算的企业级对象，从而实现全局求解与整体优化。

企业资源规划（ERP）系统负责执行流程，商业智能用于复盘过去，AI则预测未来。但无论单独使用还是组合出击，上述任何系统都无法告诉企业：在既定目标、约束条件和不确定性之下，考虑到各部门之间的相互影响，究竟应该采取怎样一套协调一致的行动方案。

这绝非将运筹学进行简单的概念翻新。运筹学用于解决边界清晰的既定问题，而企业决策计算搭建起一个企业级技术层，使决策本身能够被持续呈现、管理、评估和迭代。

无论量子计算未来如何落地，企业决策计算在当下都具备现实意义。依靠经典优化算法、模拟技术与AI，已经能够评估比大多数企业现行方案更加丰富的决策模型。因此，企业现在即可获得这项技术带来的第一波竞争优势。

企业决策计算构建了这个全新的企业技术层，使决策本身能够被持续呈现、管理、评估和迭代；它围绕对决策及其价值的统一表述，将数学优化、模拟算法、AI以及人类的判断有机融为一体。

量子计算真正的用武之地

作为深耕量子计算与企业运营交叉领域多年的从业者，我发现当前关于量子计算的讨论陷入了一种耐人寻味的误区。大多数讨论都聚焦于硬件方面的进展，例如量子比特质量、纠错技术以及实现容错量子计算的路径等。这些进展固然重要，但并未切中核心。关键不在于量子硬件何时成熟，而在于当它成熟时，我们究竟要用它来计算什么。

答案在于决策模型的渐进式深化。首先，建立一个涵盖收入、成交概率与销售资源的经典计算模型；在此基础上叠加利润率与付款条件；随后纳入现金流时效、应收账款纠纷状态和交付履约限制；最后纳入全业务组合中的联动效应与客户长期价值。

决策模型每增加一个维度，模型就会更加贴近现实，但计算难度也会随之增加。如今，大多数层面的计算都可以通过经典方法解决，且已经能够创造可量化价值。然而一旦跨越某个临界点，某一层会变得关联过密、约束过多、过于丰富，经典方法若不大幅简化就很难处理，而这种简化又会让结果失去实际意义。对于这类高度相互关联的问题，量子计算方法未来能够实现对更丰富模型的精准评估，同时无需舍弃那些让结果贴近现实的相互联系。

这正是量子计算真正发挥价值的地方。它并非要全面取代经典计算，而是提供一种能力，让企业把原本不得不舍弃的高价值维度纳入考量。

竞争优势并非起源于量子技术，而是起源于决策模型本身。当量子计算具备商业规模应用能力时，它的作用是进一步拓展模型的丰富度，而非凭空创造优势。

企业高管现在都必须面对的决策

“决策债务”和财务债务一样，也会悄然累积，直到再也无法忽视。某家企业此前侥幸避免的信用评级下调，并非未来的远期风险，而是当时就已经存在的现实隐患。它之所以一直没有被发现，只是因为当时没有任何系统是以识别这类风险而设计。

首席执行官和董事会现在就可以采取切实行动。首先选定一个决策频繁、影响重大的业务领域，例如销售、应付账款、应收账款或资金管理部门目前仍在各自独立优化的领域。构建一个基准模型，对比“打破壁垒后的协同决策结果”与“部门割裂下的传统决策结果”。这项投资成本微乎其微，但如果竞争对手率先掌握了这些数据，而你的企业还没有，代价将难以估量。

下一个竞争前沿，并不在于哪家企业拥有最多的数据或者最强大的AI，而在于谁能搭建起最强大的决策架构。这套架构需要能够容纳企业实际运营中的全部复杂性，并找出任何单一职能部门都无法独立得出的协同行动方案。这样的架构在今天就可以搭建。对于所有高管团队而言，问题不再是“要不要建”，而是“能否抢先建立”。

真正的瓶颈

从我的实践观察来看，企业在推进量子计算落地时，屡屡卡在同一个初始瓶颈上。问题往往不在于能否获得量子处理器，而在于企业对其希望通过处理器来改进的决策缺乏一套精确、跨部门的模型。

真正为量子计算做好准备的企业，必然对自身最关键的决策有着深刻理解，清楚在哪些环节增加计算复杂度能够创造真实价值。未来能够从量子计算中汲取最大价值的企业，绝不是最早取得这项技术的企业，而是那些能够准确理解当前简化决策在何处流失了价值，并清楚量子计算该在何处补齐缺失维度的企业。（财富中文网）

本文作者卡斯滕·波伦茨博士是思爱普公司首席量子官兼量子业务负责人。

Fortune.com上发表的评论文章中表达的观点，仅代表作者本人的观点，不代表《财富》杂志的观点和立场。

译者：刘进龙

审校：汪皓

AI的下一个“ChatGPT时刻”会在哪里爆发？

Sharon Goldman — Wed, 12 Aug 2026 16:00:00 GMT

当前的人工智能系统难以预测后续发展。研究人员希望改变这一现状。图片来源：Illustration by Max-O-Matic for Fortune

躲猫猫不只是孩童的游戏，也是他们最早建立“物体恒存”认知的方式之一。当你捂住脸再突然露出，一句“躲猫猫！”换来孩子咯咯的笑声，也会帮助孩子实现认知成长。

这种能力的形成并非依靠记忆。相反，婴儿通过观察，开始在大脑中构建关于世界运行规律的简单内部模型。大约在一岁时，他们就能够明白，滚到沙发后的球并没有消失，即使脱离视线，它仍然存在。

当今的人工智能系统尽管在对话和模式匹配方面表现出色，却无法可靠地掌握这一基本认知。它们可以描述眼前的事物，却难以理解隐藏的概念，也无法预判一连串行为后续会发生什么。

该领域的众多顶尖研究者认为，“世界模型”是破解这一难题的关键所在。这类人工智能系统的设计目标不再局限于识别文本或图像中的模式，而是模拟物理世界的运行规律。通过数百万小时的视频训练，这些模型能够构建出关于世界运作机制（包括物理规律在内）的精确内部图景——这是众多技术的核心能力，无论是帮助自动驾驶汽车预判儿童突然冲到马路上的后果，协助家用机器人学习如何折叠衣服，还是在医生下刀前模拟手术过程。

明星力量

为满足“物理人工智能”应用场景的系统构建需求，世界模型已经从冷门科研方向，一跃成为人工智能领域的研发重心。谷歌近期发布了名为“Project Genie”的研究预览，该系统可以根据简单提示词生成逼真的交互式虚拟环境，还能预测这些世界的演变过程，并响应用户的操作。

与此同时，“人工智能教母”李飞飞和“人工智能教父”杨立昆各自为专攻世界模型研发的新创企业筹集约10亿美元的资金。斯坦福大学教授李飞飞于2024年创立World Labs，致力于赋予人工智能更丰富的三维空间感知能力，使其可以精准地理解物体的存在方式与交互逻辑。Meta的前首席人工智能科学家杨立昆则在今年3月创立AMI Labs，旨在突破大语言模型的局限。

杨立昆在近期的一次演讲中表示：“现有的系统能够操控语言，让大众误以为它们很聪明，但实际上，这些系统在面对物理世界时束手无策。”

这一发展势头反映了研究人员对智能的认知不断革新。当今的许多世界模型研究都可以追溯到戴维·哈和于尔根·施米德胡贝在2018年发表的论文。数十年来，人工智能系统主要通过响应数据或蛮力试错来学习。该论文提出了全新方法：人工智能要做出智能决策，首先需要通过模拟环境来学习世界的运行规律。

戴维·哈后来与他人联合创立了日本人工智能研发公司Sakana，他对《财富》杂志表示，这些系统可以让人工智能在其模拟的现实场景中（他描述为“幻觉梦境”）开展训练，智能体可以在现实世界中采取行动之前，在上述场景中进行练习和提前规划。

在英伟达旗下Cosmos Lab担任副总裁的刘洺堉给出了更形象的说法，他类比了电影《黑客帝国》的设定——主角在虚拟世界中学习功夫。刘洺堉将世界模型比作“生成式训练基地”，他说：“这里有反馈和指导，让人工智能可以不断提升自身技能。”

第四维度

除了李飞飞和杨立昆这些最受关注的项目外，多家新创企业正沿不同技术路线研发世界模型。

以Niantic Spatial为例，这是一家从《精灵宝可梦GO》背后的增强现实和地图技术分拆出来的新创企业。这家总部位于旧金山的公司利用超过300亿张实景照片和三维扫描数据，打造其所谓的大型地理空间模型，能够以三维形式解读现实世界环境，数据主要来自《精灵宝可梦GO》玩家多年的活动记录以及其Scaniverse应用程序。

总部位于以色列特拉维夫的Decart则致力于将世界模型推向实时应用，其打造的系统不仅能够模拟环境，还可以随着用户与环境的交互而持续生成和更新环境。通过自研优化系统，它能够以足够快的速度生成视频，逐帧匹配用户的操作。

“这才是关键突破。”Decart的研究科学家及创始成员之一克菲尔·阿贝尔曼指出，挑战不在于单纯生成视频，而在于以足够快的速度生成视频以实现即时响应。这一技术已经应用于虚拟试穿（使衣物贴合身形并自然摆动），以及主播实时切换直播背景等场景。

在某些世界模型中，时间元素是不可或缺的，构成了第四维度。例如，由自动驾驶领域先驱奥利弗·卡梅伦和杰夫·霍克创立的Odyssey公司，专注于构建能够预测世界随着时间的推移而演变的世界模型——直接从视频中学习物理规律、人类行为以及因果关系。该公司总部位于美国加利福尼亚州帕洛阿尔托。

“我们曾经觉得这个想法简直不可思议——你能够预测未来。”卡梅伦说道，“如果我们可以让这一能力应用于机器人、游戏、教育、医疗保健和国防等通用领域，会带来怎样的变革？”

“ChatGPT时刻”

尽管前景可期，但构建世界模型依然面临巨大的技术和经济障碍。训练可以模拟真实世界的系统所需要的算力远超如今的语言模型，因为它们不仅需要处理文本，还需要处理高分辨率的视频。

比如，卡梅伦曾经表示，通过应用程序接口访问其Odyssey 2模型的每位用户，都需要占用一块英伟达的高性能H200人工智能芯片。而单块H200芯片的售价最高可达4万美元。

数据是另一项制约因素。大语言模型能够依托从互联网海量文本中爬取的数据来完成训练，而世界模型高度依赖视频素材，视频数据采集、标注与规模化训练的难度远超文本。

但这些挑战并未浇灭世界模型研发者的热情。随着研究人员不断推进可以理解并与物理世界交互的系统，业界普遍认为突破性进展可能近在咫尺。

“当前的物理人工智能领域正在迎来前所未有的热潮和投资。”英伟达的刘洺堉表示，并补充道，该领域的“ChatGPT时刻”即将到来。他个人的终极目标是：让机器人仅通过几个示例——甚至从未见过的示例——就可以学会新技能，并能够持续运用。

“我相信，人们正在逐步摸索出正确的技术路线。”刘洺堉说。

****

·技术范式革新：从语言模型走向物理世界模拟：AI正从文本处理演进至能理解物理规律、预测环境变化的“世界模型”，世界模型能力边界的拓展，有望重塑自动驾驶、具身机器人及医疗等实体产业的底层竞争格局。

·顶级资本与学术领军人物齐聚新赛道：以李飞飞和杨立昆为代表的AI领军人物分别下场创立公司，英伟达等算力巨头亦全力布局，预示着全球AI产业的下一波爆发点将聚焦于空间感知与物理交互能力。

·算力与数据壁垒揭示真实商业门槛：世界模型对视频数据与实时算力的要求远超大语言模型，这表明物理AI爆发的前夕仍面临高昂的硬件与计算成本考验。（财富中文网）

财富中文网对原文有删减和调整

编辑：魏雨彤

问员工一个关于AI的问题，他们的沉默会告诉你一切

Will Drover — Mon, 10 Aug 2026 16:00:00 GMT

你真的在和员工探讨AI吗？图片来源：Getty Images

我最近为一家机构的高管团队主持了一场AI战略研讨会。在AI应用方面，他们已经具备了各种“标准配置”：有培训课程，有多个AI系统的使用权限，还有无代码开发平台。于是我抛出一个问题：“有多少人曾经利用AI搭建过某种工具，从而真正重塑了自己的工作方式？”

全场只有一个人举手。大多数人仍将自己定位为AI的使用者，而非构建者。他们没有搭建个人智能代理，没有定制化助手，也没有可复用的工作流程。

这种角色差异至关重要。单纯依靠AI辅助，往往只能带来一次性的效率提升；而通过AI构建工具，则能将这种效率提升转化为可复用、可规模化的工具或工作流程。如今，多数管理者只关注有多少员工在使用AI，但更值得关注的问题是：有多少人在利用AI构建工具。这便构成了所谓的“构建者激活缺口”：即具备AI构建潜力的人群，与真正动手构建的少数人之间的鸿沟。

在我面向在职专业人士开设的高管培训和应用AI课程中，我观察到了同样的规律。如今，只要能用日常语言讲清需求，几乎任何人都能在无需编写代码的情况下，搭建出可运行的智能助手、应用程序或自动化流程。然而，真正构建出有价值工具的人依然屈指可数。

几年前，Capital Factory首席幕僚长卡罗琳·戴维斯也认为自己只是AI使用者，而非构建者。当我在应用AI课程中询问谁曾利用这项技术打造过可落地的工具时，她并未举手。

但如今，她日常工作中的大量重复性流程，都已通过自己搭建的工具自动完成。其中最重要的是一个名为Sunny的智能代理（以她女儿的名字命名）。Sunny能够连接戴维斯的电子邮件、日历、Airtable客户关系管理系统（CRM）以及Google Sheets。它基于十余套梳理好的工作流程，能够自动完成工作简报准备、融资进度跟踪、新投资者入职等事务。过去需要数小时完成的数据整理工作，如今只需要10到15分钟。多项自动化任务按预设日程运行，在她下达指令前就已完成工作。这些工作流程能够不断迭代、重复使用和持续优化，绝非用完即弃的一次性AI交互。Sunny还能定期与其他智能体协同工作。她甚至把这种模式应用到副业中：利用AI重新打造了十年前经营过的一家摄影业务，包括重新搭建网站。

这场蜕变始于一次不起眼的尝试。在应用AI课程中，她首次尝试用自然语言构建出人生第一个可运行的AI助手。戴维斯表示，随后发生的一切，核心不在于技术门槛或编程知识的突破，而在于自信心的建立。她表示，那次经历“整体提升了我的业务敏感度，也让我有信心去尝试更强大的AI模型”。她不再将AI视作被动回答问题的对话工具，而是能够执行重复性工作的利器。第一次成功的构建开启了后续一次次尝试，最终汇聚成支撑Sunny运行的工具库。在这个过程中，她的自我角色定位也随之发生改变。

不过，她仍然不愿意使用“专家”这样的字眼来形容自己。她告诉我：“我不认为自己算得上什么资深用户，但现在我的大部分工作流程，确实都在借助Claude运行。”

她的发展轨迹在当下依然十分罕见。盖洛普（Gallup）的数据显示，目前约半数美国员工会在工作中偶尔使用AI，但每天高频使用者仅占15%。《哈佛商业评论》（HBR）近期的另一项研究分析了毕马威（KPMG）2,500多名员工的140万次AI交互记录，结果显示，只有约5%的员工属于成熟型用户。这类人群能够超越简单的提示词对话，通过反复迭代将AI应用于更具影响力的工作中。对大多数人而言，使用AI仅仅是为了应对眼前的临时任务，比如撰写邮件或总结文档。这些功能固然有用，但用完即弃。

那么，真正的构建者身在何处？

阻碍人们进行AI构建的瓶颈，部分源于组织架构层面。当治理机制、系统权限、时间保障与激励机制等基本条件具备后，“自我角色定位”往往会成为隐形的瓶颈。问题在于，长期以来，传统的企业模式固化了岗位分工逻辑：少数专业人员搭建系统，其他所有人则在系统框架内操作。当构建系统极度依赖工程和编程专业能力时，这种分工顺理成章。但如今，面对许多工作问题，这一前提已不再成立。未曾改变的是人们对自身角色的认知。大多数员工仍然习惯性地将自己归类为技术的使用者，而非创造者。而这种认知往往很难改变。赫米妮娅·伊巴拉关于职业转型的研究表明，人们很少能仅凭思考就跃入新的自我认知；更多时候，人们是通过行动逐渐塑造新的自我，随后才会转变认知。

当然，许多AI构建工作仍需由专业人员负责，包括复杂系统、安全敏感型应用，以及任何未经人工审查、直接面向客户的产品。但日常工作中的大量问题，其实处于一个更安全的范围内：工具的构建者本身就是评估工具是否有效的最佳人选。真正阻碍许多人的，并非能力屏障，而是“搭建工具不是我的本职工作”这种主观预设。

AI虽然极大地降低了构建门槛，却未能让大多数人相信自己具备这项能力。每家企业内部都有大批员工正处于两年前戴维斯所处的状态。问题在于，领导者是否会任由他们原地踏步。

有三项实践，旨在帮助领导者激发全体员工的“构建者”认知。

1. 强制完成关键的“第一次构建”。常规培训固然不可或缺，但往往难以撼动根深蒂固的自我认知，而一次硬性的构建任务却能做到。在我的培训课程中，每位学员都必须搭建一个能够解决实际问题的工具或智能体，并向全场进行演示。只要工具成功运转，人们的心态就会发生变化。那些刚开始自视为AI使用者的人，开始主动介绍自己的构建成果。SharkNinja也曾在公司范围内采用类似方式。该公司暂停日常业务，举办了一场为期四天、覆盖约4,000名员工的全员AI黑客松活动。公司管理层提出了约20项重点项目，而员工们又自主发起了约400个项目。该公司CEO表示，员工的心态从被动等待IT部门响应，转变为“我遇到问题，我能动手解决”。强推员工完成第一次构建，构建者身份便会随之形成。

2. 打造可见的“构建者”标杆。当企业里唯一能够被看见的构建者只有工程师时，大多数人自然会默认自己只是使用者。但当身边的同事或高管打造出能优化流程的实际解决方案时，人们心目中的参照系便会发生变化。Airtable首席执行官刘豪伊就提倡“公开构建”，他刻意向全公司展示自己的构建成果，让员工看到CEO也在亲自交付产品。他没有发布介绍新功能的文档，而是直接在Replit平台上搭建一个落地页面，并分享链接；他甚至会公开自己的提示词，让同事了解整个构建过程。刘豪伊大力倡导团队践行“原型优先于演示文稿”的理念：即打造可实际操作体验的运行版本，而非堆砌在产品需求文档（PRD）里的文字。当领导者公开参与构建，非技术岗位员工也开始演示实用的解决方案时，“谁能成为构建者”的界限便被打破。让构建者被看见，才能带动更多人效仿。

3. 将构建成果纳入考核体系。大多数企业目前追踪的是活跃用户数量、词元消耗量、受训员工数量等浅层指标。这些数据只能反映谁在使用AI，却无法揭示谁在利用AI创造更深层的价值。真正有含金量的指标应当是：员工构建了什么工具？是否有其他同事跟进套用？它是否从实质上重塑了工作流程？在西班牙对外银行（BBVA），员工已经创建了超过2万个定制化GPT工具；银行官方数据显示，其中约4,000个已进入高频日常使用状态。追踪这些指标，不仅能让企业发掘既有的“构建者”，更能向全员传递明确信号：工具构建绝非IT部门的专属工作，也不是员工私下的业余爱好，而是一项被纳入统计、被规范化、且在IT部门之外被广泛期待的日常工作。职位头衔，不再是决定谁能进行构建的终极标准。

企业若想从AI中挖掘更大的价值，绝不能仅靠提高AI使用率。它们必须设法缩小“构建者激活缺口”，引导更多自视为使用者的员工转型为构建者。因此，不妨重新审视文章开头提出的问题：问问你的员工，他们究竟用AI构建出哪些成果。然后观察会议室里是否陷入沉默。而管理层真正的使命，便是杜绝这种沉默。（财富中文网）

Fortune.com上发表的评论文章中表达的观点，仅代表作者本人的观点，不代表《财富》杂志的观点和立场。

本文作者威尔·德罗弗现任德克萨斯基督教大学尼利商学院创业与创新学教授兼系主任。他同时担任校级项目“尼利AI前沿计划”的创始主任，以及院长AI事务顾问。他关于AI应用的研究曾发表于《麻省理工学院斯隆管理评论》，并被《华尔街日报》和《洛杉矶时报》等媒体报道。德罗弗教授讲授应用AI相关研究生课程，主持高管AI战略与领导力培训项目，并投资参股多家早期AI和机器人创业公司。

译者：刘进龙

审校：汪皓

失去先发优势的微软，开始在AI赛道“二次创业”

Jeremy Kahn — Thu, 30 Jul 2026 16:00:00 GMT

（按顺时针方向，自上而下）微软首席执行官萨蒂亚·纳德拉；OpenAI联合创始人及首席执行官萨姆·奥尔特曼；微软人工智能部门首席执行官穆斯塔法·苏莱曼。图片来源：ILLUSTRATION BY LINCOLN AGNEW; CLOCKWISE FROM TOP: SVEN HOPPE—PICTURE ALLIANCE/GETTY IMAGES; CHIP SOMODEVILLA—GETTY IMAGES; THOMAS BARWICK—GETTY IMAGES; STEFAN WERMUTH—BLOOMBERG/GETTY IMAGES; IMAGE SOURCE—GETTY IMAGES

2026年1月中旬，美国华盛顿州雷德蒙德。天气阴冷灰暗，是那种让人忍不住一遍遍按下闹铃继续赖床的清晨，但在微软广阔园区的92号楼里，工程师团队却早已到岗。他们正身处一场竞赛之中，而且已经处于落后局面。

这支团队正在开发一款全新的人工智能产品，它将充当个人助理，从预订机票、回复电子邮件到寻找靠谱的本地水管工人，可谓无所不能。团队成员知道，其他公司也在研发类似的产品。仿佛是为了提醒他们此项工作的重要性，萨蒂亚·纳德拉突然造访。他想向团队展示一样东西。

这位微软的首席执行官打开笔记本电脑，启动了一款应用程序。这是一套用于指挥和管理多个人工智能体的系统，他将其命名为“辩论链”。在纳德拉演示的过程中，工程师们彼此交换着心领神会的眼神，就像篮球场上的老将看到身手不凡的新人。这款应用程序是纳德拉利用人工智能工具通过氛围编程（vibe coding）亲手完成的。负责微软的人工智能助手Copilot设计的执行副总裁雅各布·安德烈欧回忆道：“这为整个团队定下了基调，让大家意识到必须全力以赴。我们的首席执行官会和大家待在同一个房间里，就站在工程师身后，拿着自己的电脑跟我们并肩战斗。”

看到老板亲自投入到新产品开发并乐在其中，团队深受鼓舞。他们终于在2月底推出了Copilot Tasks——一款能够操作电脑执行任务的个人助理型人工智能工具。纳德拉亲手打造的原型，后来成为“Model Council”（模型委员会）等Copilot功能的设计蓝本。

不过，纳德拉花费这么多时间与团队并肩打磨人工智能产品，甚至亲自上手开发原型，本身就充分暴露出微软当前的困境。毕竟，这是一家市值接近3万亿美元的科技巨头，而不是斗志昂扬的新创企业，可以让首席执行官经常与开发人员一起冲刺写代码。纳德拉对微软的人工智能战略深感忧虑，以至于在2025年10月，他宣布减少部分商业管理事务，把更多的精力投入人工智能研究、产品创新以及人工智能数据中心建设。

纳德拉的担忧并非杞人忧天。微软的股价经历了一段艰难时期。在2025年10月股价创下历史新高后，尽管其云计算平台Azure的人工智能相关收入在过去一年翻了一番以上，但此后五个月间，微软的股价仍然暴跌了约34%。在人工智能编程智能体兴起引发的软件股票抛售潮（即所谓的“SaaS末日”）中，微软成为受冲击最显著的企业之一。许多投资者认为，这类产品的出现意味着企业未来将不再购买微软等SaaS厂商提供的人工智能产品，甚至可能不再购买现成的软件产品。

微软企业版Copilot的销售表现也未达到预期。目前，在Microsoft 365办公软件套件的4.5亿名用户中，付费使用Copilot功能的比例还不到4.5%。微软面向消费者的Copilot聊天机器人的使用率，也远远落后于OpenAI的ChatGPT、谷歌的Gemini和Anthropic的Claude。曾经作为领头羊的人工智能编程助手GitHub Copilot，也先后被人工智能新创企业Cursor和Anthropic的Claude Code超越。

两年前，微软似乎还是人工智能时代最早的赢家之一。得益于纳德拉对OpenAI极具前瞻性的押注，微软获得了后者模型的独家使用权，并将相关能力嵌入旗下全线产品中以打造人工智能功能。当时，企业若想获取OpenAI的技术，唯一能够使用的云服务提供商只有微软Azure。微软甚至认为，OpenAI让它迎来了多年来挑战谷歌搜索的最佳机会。

执掌微软十年的纳德拉，曾经成功带领公司完成从桌面计算到云计算的平台转型，看似必将重现这一壮举。然而，人工智能的发展日新月异，两年时间足以改变一切。下文要讲述的，正是微软如何错失早期人工智能领先优势，以及它又将如何试图重新夺回主动权。

问题出在哪里

微软受挫的部分原因，恰恰来自当初让其在人工智能赛道占得先机的那笔交易——与OpenAI的合作关系。微软很早便看中了这家位于美国旧金山的年轻公司，2019年首笔投资即高达10亿美元，随后累计投入达到130亿美元。借助OpenAI的技术，微软在面向消费者和企业客户的软件产品组合中陆续推出了Copilot品牌的人工智能产品。

然而，在ChatGPT于2022年年底发布后，OpenAI的爆发式增长和日益膨胀的野心，很快让双方的合作关系变得紧张。两家公司在算力资源上发生摩擦（OpenAI总是希望获得更多算力）；在知识产权上产生分歧（微软认为OpenAI迟迟未能履行有关共享创新成果的合同义务）；在客户资源上出现竞争（OpenAI直接向微软正在推销Copilot的企业客户销售人工智能模型）；而当OpenAI推进重组时，双方又围绕微软应该在新设立的营利性公司中获得多少股权争论不休。

纳德拉深知，将微软的人工智能战略押注在一家尚未经过市场充分验证的新创企业身上，本身就是一种冒险。2023年11月，这种风险暴露无遗：控制OpenAI营利性业务的非营利董事会以“未能始终保持坦诚”为由，解除了首席执行官萨姆·奥尔特曼的职务，并在对外宣布决定前几分钟才通知纳德拉。纳德拉一边紧急安抚投资者，强调微软依然会继续获得OpenAI技术的使用权，一边与奥尔特曼联手向董事会施压，要求其撤销决定。他甚至宣布，打算聘请奥尔特曼以及所有愿意追随奥尔特曼的OpenAI员工。面对大规模人才流失的风险，董事会最终让步，恢复了奥尔特曼的职务。在OpenAI内部，这场持续五天的危机被称为“小插曲”。但据知情人士透露，这次事件让纳德拉心有余悸，他意识到需要对冲风险。

纳德拉的“B计划”随着穆斯塔法·苏莱曼的加入而拉开帷幕。苏莱曼是谷歌的DeepMind的联合创始人，后来离开谷歌创办了自己的人工智能新创企业Inflection。2024年3月，微软以6.5亿美元将苏莱曼及Inflection的技术团队收入麾下，并获得相关技术授权。随后，苏莱曼出任微软新成立的人工智能部门（简称MAI）的首席执行官。该部门肩负两项任务：一是研发微软自己的前沿模型，作为对抗OpenAI的战略保障；二是扩大微软的Copilot聊天机器人的用户规模。

然而，事情进展得并不顺利。微软与OpenAI的合作协议禁止微软训练超过特定规模的模型。苏莱曼对《财富》杂志表示：“实际上，我们只能在小语言模型（SLM）规模的基础上，训练微软自己的原生模型。”2025年8月，MAI公开测试了首个通用语言模型MAI-1 Preview，但其性能在各类排行榜上的排名并不突出，最终也未获得大规模发布。

MAI也未能让Copilot聊天机器人成为消费级的爆款产品。据媒体报道，在苏莱曼上任一年后，Copilot的周活跃用户数基本停滞在约2,000万，而ChatGPT的用户规模则一路攀升，最终突破9亿。微软去年进行了一次重大升级，试图让Copilot更像一个可以执行任务的个人助理，但也未能带动用户增长。此外，搭载人工智能增强功能的新版必应搜索引擎，也几乎没有对谷歌在搜索市场的主导地位造成实质性的冲击。

“A计划”同样开始遭遇麻烦。2023年，OpenAI的GPT模型在业内一骑绝尘。但到了2025年年初，Anthropic的Claude已经频频登上各类人工智能排行榜的榜首，许多企业在处理复杂任务时更倾向于选择Claude。谷歌的Gemini在处理视觉任务上也越来越有竞争力。而微软的Copilot产品却完全建立在GPT模型之上。曾经驱动微软的人工智能战略前进的引擎，开始逐渐变成一种负担。

微软的商业业务首席执行官贾德森·阿尔特霍夫承认，公司曾经犯下几项错误。其中之一，就是将面向消费者和企业客户的产品统统命名为“Copilot”，容易让用户产生混淆。拥有私人飞行执照的阿尔特霍夫打趣道：“比没有副驾驶更糟糕的事，就是同时拥有不止一个副驾驶。”微软还曾经激励销售团队同时推广企业版M365 Copilot的免费增值版和付费高级版，而实际上只有高级版才能提供企业想要的价值。

微软也在苦苦挣扎，试图跟上人工智能技术演进的速度。转折点出现在2025年。当时，Anthropic推出Claude Code，只需要开发者提供需求描述，它就能够自主完成整套程序的编写。这已经不再是“副驾驶”，而更像是“自动驾驶”。短短六个月内，它便重塑了软件开发模式。今年1月，Anthropic又推出Claude Cowork。这是一款可以自主调用各类软件完成任务的智能体，调用范围甚至包括Excel、PowerPoint等微软办公软件。

Claude Cowork不仅对M365 Copilot以及微软一直力推的各类人工智能体构成了严峻的挑战，事实上对大多数商业软件都构成了威胁。正是这种担忧，引发了后来被称为“SaaS末日”的软件股票抛售潮。最终，这场风暴导致科技股的市值蒸发超过2万亿美元，其中仅一个交易日，微软的市值便蒸发了3,570亿美元。

应对之策

到了2025年秋天，纳德拉意识到，微软必须重新调整方向。此后公司采取的一系列举措，体现出一种微妙的平衡：既要像炙手可热的人工智能新创企业那样，努力以人工智能时代的速度持续创新；又要保持稳健，为投资者和企业客户提供可靠的产品与服务。

为了将更多精力投入人工智能产品的研发，纳德拉将大量商业事务和日常运营管理工作交给了微软老将阿尔特霍夫。阿尔特霍夫称，自己主要负责“地平线零和地平线一”（当前业务与短期改进），而纳德拉则专注于“地平线二和地平线三”（中期增长与长期颠覆性创新）。阿尔特霍夫表示，纳德拉开始打破部门壁垒，旨在让微软变得“比以往任何时候都更快速、更扁平化，也更敏捷”。

今年3月，纳德拉将面向消费者和企业客户的Copilot团队合并。苏莱曼不再负责消费级人工智能产品，转而负责一项重新命名的模型开发项目：“超级智能”团队。苏莱曼称，这个名称彰显了团队的雄心壮志，也有助于吸引顶尖研究人才加盟。安德烈欧被任命负责横跨消费者和企业两端的“Copilot体验”业务，直接向纳德拉汇报。他曾先后任职于Snap和风险投资机构Greylock，并在2025年加入微软。

与苏莱曼和安德烈欧共同组成“Copilot领导团队”的，还有三位微软资深执行副总裁：负责Copilot、人工智能体及平台业务的查尔斯·拉曼纳；负责Microsoft Office及微软旗下LinkedIn业务的瑞安·罗斯兰斯基；以及应用系统首席技术官佩里·克拉克。拉曼纳说：“我们的目标是构建一个统一的后台、一个统一的大脑，同时服务于消费者和工作场景。”纳德拉本人也会参加Copilot领导团队的每周站立会议，并参与一个专门讨论Copilot开发进展的Teams常设频道。

安德烈欧认为，两款新产品证明了统一后的Copilot团队正在按照纳德拉设想的方向运转：一款是面向消费者的Copilot Tasks，也就是纳德拉在今年1月亲自参与原型开发的产品；另一款则是面向企业客户的Copilot Cowork。他说：“无论对于消费者还是企业用户，这两款产品都属于前沿产品体验。它们都是团队在短短几周内齐心协力共同打造的成果。”

微软还同意了OpenAI酝酿已久的重组方案，而且附加的限制条款大幅减少。作为交换，这家软件巨头获得了27%的股权。如果OpenAI如市场普遍预期的那样上市，这部分股权将带来巨大的升值空间。不过，双方原有协议中的排他性安排已经被废除：OpenAI如今可以与其他云服务提供商合作，而微软也可以采用其他人工智能公司的模型。苏莱曼指出，新协议达成后，微软终于能够训练规模更大、能力更强的前沿人工智能模型，并最终实现“自给自足”。不过他也坦言，微软仍然需要两到三年才能追赶上行业顶尖实验室。

调整后的合作关系，也让微软得以拥抱OpenAI最大的竞争对手Anthropic。2025年11月，微软承诺向Anthropic投资最高50亿美元，并开始在Azure平台提供其模型服务。利用Claude模型驱动Copilot的功能深受企业欢迎，也为微软开发Copilot Cowork创造了条件。

但微软并非简单地从依赖一家亏损的人工智能新创企业，变成依赖另一家公司。投资Anthropic反映了微软的另一种判断：人工智能模型本身将越来越趋于商品化，而价值的累积，至少对企业客户而言，并不在于人工智能“大脑”，而在于围绕“大脑”构建的所有“身体部件”和“结缔组织”。微软认为，这正是自己的优势所在。它已经拥有大量相关的基础设施和能力，包括软件工具、安全服务、数据仓库以及云计算平台。此外，微软还推出了以“IQ”命名的一系列产品，帮助企业构建定制化工作流程、整合自身数据，并利用来自任何供应商的人工智能模型创建、部署和监控运行这些流程的智能体。

阿尔特霍夫称：“我们不认为企业会因为出现一个新的模型，就替换掉自己的信息工作平台、开发环境或者安全体系。”

这一战略转向也伴随着商业模式的调整。长期以来，微软一直采用按用户授权收费的模式，例如Copilot的定价为每位用户每月30美元。客户喜欢这种方式，因为便于预算管理。但如果这些产品中的人工智能体使用的是非微软自有的模型，微软就必须向相应的人工智能厂商支付所消耗的词元（token）费用。因此，微软开始转向混合收费模式：在按用户授权收费的基础上，附带一定额度的词元使用量，超出部分再按词元计费，以避免“模型无关”策略侵蚀公司的利润率。

微软还着手精简员工队伍以控制成本。今年4月，微软首次推出员工买断计划，主要面向工龄最长的员工。微软表示，美国员工中约有7%（约8,750人）符合买断计划的申请条件，预计相关支出约为9亿美元。

种种迹象表明，调整后的企业战略正在奏效。截至今年3月底，Azure的收入同比增长40%；微软的整体“人工智能业务”的年化销售额有望达到370亿美元，同比增长123%。目前约有2,000万名Microsoft 365用户为Copilot付费，其中四分之一是在2026年的前四个月新增的。阿尔特霍夫表示，Copilot的采用速度正在持续加快。

瑞银集团分析师卡尔·基尔斯特德称，越来越多的微软客户开始认可Copilot的价值。不过，他认为整体用户规模依然不够理想。他说：“我认为其渗透率尚未达到华尔街满意的水平。”

“模型无关”策略的软肋

微软的“模型无关”策略存在一个潜在弱点：如果那些炙手可热的人工智能新创企业也开始搭建微软擅长的、看似枯燥却至关重要的基础设施和配套体系，结果会怎样？如今，这已经不再是假设。今年2月，OpenAI推出了企业平台Frontier，提供了许多微软在其新工具中构建的能力。Anthropic也在朝着同样的方向发展，推出了Claude Managed Agents服务。

微软认为，数十年来积累的企业客户关系、可靠与安全的品牌声誉，以及与客户现有软件系统的深度整合，将成为自身的竞争优势。阿尔特霍夫表示，他欢迎这样的竞争。他说：“必须承认，OpenAI和Anthropic正在帮助我们提升速度。”

不过，也有人怀疑像微软这样体量庞大的企业，是否还能拥有人工智能原生新创企业的敏捷性。瑞银集团的分析师基尔斯特德称：“坦率地说，微软以及其他所有软件公司，正在面临过去十多年从未遇到过的局面——极具创新能力的新竞争对手正在崛起。指望微软这样的大型老牌企业能够像OpenAI和Anthropic那样迅速转型，恐怕要求过高了。”

美国银行的分析师塔尔·利亚尼则更看好“萨蒂亚团队”。他认为，那些人工智能公司不太可能构建出微软提供的完整产品体系。这意味着，微软不必赢得人工智能竞赛，它只需要不输掉这场竞赛即可。他说：“微软的产品未必是最好的，但只要足够好，并且可以通过捆绑销售为客户创造巨大价值，这本身就是微软的价值所在。”

然而，即便只是做到“不输”，代价也并不轻松。与其他超大规模云服务提供商一样，微软正在投入巨资建设数据中心和采购专用芯片。2025财年，公司的资本支出达到882亿美元，与谷歌云和亚马逊的亚马逊云科技等同行基本持平。但事实证明，这样的投入仍然过于保守。人工智能需求激增，导致微软的算力供给不足，无法按照预期速度将已经签约的人工智能业务转化为收入。首席财务官艾米·胡德在2025年10月的财报电话会议上坦言：“我原本以为我们能够迎头赶上，但事实并非如此。”

如今，微软正在进一步加大投入。公司预计2026年的资本支出将达到约1,900亿美元，超过2024年的三倍。如此庞大的投资规模曾经令华尔街感到紧张，如今华尔街似乎表现出了更高的容忍度。但如果投资者情绪发生逆转，微软就将面临前所未有的巨大风险敞口。

2025年11月，独立开发者彼得·施泰因贝格尔发布了OpenClaw。这是一套免费开源系统，可以将任何人工智能模型转变为全天候运行的智能体，长期自主执行任务——无论是开发软件、充当虚拟行政助理，还是管理在线商店库存，都能胜任。OpenClaw迅速受到开发者和紧跟人工智能潮流的创客的追捧。据报道，纳德拉本人也是其拥趸之一。

但OpenClaw在广受欢迎的同时，却也存在一个问题。为了发挥作用，它必须获得系统权限、数据访问权限、支付信息乃至密码等敏感信息，这带来了极高的风险。同时，它对词元的消耗速度也十分惊人。今年3月，纳德拉在美国旧金山的一次科技大会上表示：“我无法让微软推出OpenClaw。我没有这样的权限，因为那会被视为微软主动发布了一种病毒。但与此同时，它又是一项了不起的创新。”

纳德拉已经给整合后的Copilot团队下达了任务，要求他们开发微软版本的OpenClaw——既保留消费级产品的趣味性，又具备企业客户所要求的安全性与治理能力。安德烈欧将其视为新组织架构成败的试金石：“这就是我们在这一局中制胜的关键。”拉曼纳则认为，它能够成为推动Copilot增长的重要催化剂。他说：“最大的难题是，如何帮助人们改变自己的工作方式？”

如果一款可以长期在线运行的人工智能助手真正实现落地，这种改变就将更容易发生，意味着人工智能产业的核心单元将从“模型”转向“始终在线的智能体”。这种范式转变恰恰是检验微软的“结缔组织”战略是否有效的关键——当中间的核心技术形态发生变化时，这套体系是否依然能够发挥作用。拉曼纳表示，企业级版本的微软OpenClaw距离正式推出“已经不远了”。

“吉瓦级规模”

在今年3月30日当周，苏莱曼将其新组建的“超级智能”团队召集到迈阿密，举行了一场为期三天的闭门会议。这个由全球约500名成员组成的团队此行的目标，是为实现“吉瓦级规模”人工智能训练制定路线图——这种规模的训练能力将使微软可以与OpenAI、Anthropic、谷歌的DeepMind、Meta以及xAI等公司正面竞争。苏莱曼表示，这对微软在2030年前实现“自给自足”至关重要；因为到2032年，微软将失去对OpenAI技术的使用权。

全体团队成员齐聚在一间巨大的宴会厅内，聆听了一场主题演讲，并参与了由苏莱曼和纳德拉主持的“畅所欲言”问答环节。据苏莱曼回忆，纳德拉当时将这一时刻形容为微软为了实现向人工智能平台转型而进行的“二次创业”。这是一个耐人寻味的说法。

在主题演讲结束后，与会人员按照不同工作流分成多个工作小组。每个小组围绕宴会厅内摆放的40块白板展开讨论，集思广益，规划接下来八周冲刺阶段的工作安排。纳德拉并没有在活动结束后离开。接下来的三个小时里，他穿梭于各个讨论小组之间，与研究人员交流，提出建议，分享想法。如果这真是一场“二次创业”，那么纳德拉正在扮演的，就是一家新创企业的首席执行官。他没有把任何事情视为理所当然。他知道，微软有可能满盘皆输，但也大有可为。

****

·微软与OpenAI的“蜜月期”已经结束，合作关系正从排他走向开放：微软不仅开始投资OpenAI的对手Anthropic，还加速自研模型以求“自给自足”。这对国内AI公司与大模型厂商的合作关系具有参照意义：绑定单一合作伙伴的风险正在显现，多元化布局或许是更稳妥的选择。

·“模型无关”策略正在成为微软的护城河，但也暗藏隐患。微软认为AI模型本身将趋于商品化，真正的价值在于围绕模型构建的基础设施、安全服务和数据集成能力。这一逻辑能否跑通，取决于OpenAI、Anthropic等公司是否会向上游延伸，抢走 “中间层”生意。对于正在搭建AI生态的中国科技企业来说，这是一条值得反复推敲的战略路径。

·纳德拉亲自下场写代码，折射出大型科技公司应对AI时代的组织焦虑。为了追赶AI迭代速度，微软正在打破部门壁垒、推行扁平化管理，甚至让CEO深入一线参与原型开发。对于中国互联网巨头而言，如何在保持规模优势的同时，避免陷入“大公司病”而丧失敏捷性，是一个绕不开的课题。（财富中文网）

财富中文网对原文有删减和调整

编辑：魏雨彤

奥尔特曼认为AI奇点已至，但有专家称智能体入侵Hugging Face仍不足为证

Marco Quiroz-Gutierrez — Tue, 28 Jul 2026 16:00:00 GMT

OpenAI首席执行官兼联合创始人山姆·奥尔特曼。图片来源：Eric Lee—Bloomberg/Getty Images

多年来，山姆·奥尔特曼一直在为超越人类智能的人工智能时代进行铺垫——这个临界点被称为“奇点”。如今，这位OpenAI首席执行官宣称，这一时刻已经到来，但他并不认为这会招致世界末日。

奥尔特曼表示，十年前，超级智能AI还像是个遥不可及的梦想，不过是他和同事们午餐时的谈资。当时谁也未曾预想自己能亲眼见证它的出现。而随着AI的发展不断提速，形势早已今非昔比。

奥尔特曼在上周末播出的《Relentless》播客节目中表示：“我们当下其实已经身处奇点阶段。这一刻已经到来。”

他的看法并非毫无根据。就在上周，一个由两个OpenAI模型驱动的AI智能体，突破了名为“沙盒”的测试环境，获取了互联网访问权限，随后攻击了开源AI平台Hugging Face，企图在一次内部测评中作弊。

尽管有人将此事斥为营销噱头，但对于那些担忧先进AI终将威胁人类的人群而言，它仍然引发了恐慌。

曾参与创办OpenAI、多年来一直警告AI风险的埃隆·马斯克，也投入到X平台上的这场论战之中。在回应一则细数近期AI突破（包括Hugging Face事件）的帖子时，他写道：“我们已经迈入奇点阶段。”

奥尔特曼表示，随着人类站在技术即将全面超越自身的时代门槛上，他终于开始思考超级智能AI之后的世界。

他表示：“这是十多年来我第一次开始思考，下一个阶段会是什么模样。”

两位极具影响力的AI领袖相继发声，也让一个过去主要存在于科幻作品中的概念再次获得高度关注。

未来学家雷·库兹韦尔在2005年出版《奇点临近》（The Singularity Is Near）一书，使“奇点”概念广为人知。他在书中预测，AI将在2029年前后达到人类智能水平，并持续加速演进，最终在2045年前后实现人类与计算机的深度融合。

而在2025年6月发表的一篇题为《温和的奇点》（The Gentle Singularity）的博客文章中，奥尔特曼则提出了一套截然不同的观点。他认为，这一变革将以渐进形式落地：随着AI能力日臻强大并融入日常生活，变革自会水到渠成。

尽管近年来关于AI的悲观论调甚嚣尘上，奥尔特曼依然将超级智能AI的发展视为一种积极趋势。

他在上周末表示：“我认为，这一切将不可思议，给世界带来巨大的积极影响和深刻变革。我迫不及待地想投身其中。”

不过，信息技术研究集团（Info-Tech Research Group）首席研究总监布莱恩·杰克逊认为，所谓的“奇点”尚未真正降临。他还表示，即便是Hugging Face事件，也不足以证明AI已经成为一种拥有独立意志的智能。

杰克逊在接受《财富》杂志采访时表示：“奇点的一部分确实包括AI突破沙盒并脱离人类掌控。但另一方面，它还意味着AI开始自主设定目标与意图，并具备自我存续的能力，而这一点根本没有发生。”

杰克逊表示，这些模型固然跨越了预设的边界，但它们归根结底仍是在执行人类指派的任务。而且，当它们以一种出乎研究人员意料的方式行动时，OpenAI依然能够将其关闭。

这起事件与其说是奇点已经到来的铁证，不如说它让我们瞥见一个令人不安的可能：当奇点真正降临时，我们或许很难察觉。

在库兹韦尔的描述中，奇点应是一道不容置疑的分水岭：机器智能从此超越人类，人类再也无法预判后续技术演进的方向。

而在奥尔特曼看来，这一转变开始发生时，人类仍然掌握着控制权，日常生活看似一切如常。因此，AI每解锁一项新能力，都可以被视为变革已经到来的又一个信号。

但杰克逊认为，更关键的问题在于，AI系统是否始终与人类的意图保持一致。

他表示：“我们应当专注于在恰当的治理框架下部署技术，并始终确保一切尽在掌控之中。”（财富中文网）

译者：刘进龙

审校：汪皓

AI正倒逼科技巨头大幅提高资本支出，而华尔街对此极度抵触

Eva Roytburg — Sun, 26 Jul 2026 16:00:00 GMT

2024年2月15日，Alphabet及谷歌首席执行官桑达尔·皮查伊出席谷歌巴黎人工智能（AI）中心启用仪式。图片来源：ALAIN JOCARD / AFP via Getty Images

上周三，Alphabet一天之内连创两项纪录。

首先，斩获史上最高单季利润。财报显示，Alphabet当季实现利润1,120亿美元，这是公司历史上首次单季利润突破千亿美元大关。不过，其中69%来自其持有SpaceX和Anthropic股权产生的未实现账面收益，而非核心业务。华尔街早已看穿了这一成绩背后的真相。

即便剔除这部分收益，谷歌（Google）该季度的业绩依然相当亮眼。如今已成为公司核心业务的云计算部门收入暴增82%。那么，为什么投资者当天仍然大举抛售Alphabet股票，导致其股价大跌近7%，创下关税风波以来的最差单日表现？

原因在于它创下的另一项纪录：公司历史上首次出现现金流转负，也就是说，上季度公司现金流出大于流入。管理层还警告称，2027年的资本支出将“大幅”增加，这进一步加剧了华尔街的焦虑。Alphabet上周四提交的最新文件显示，公司已承担超过8,000亿美元的采购履约义务及其他债务。这一惊人的数字还暴露出一些更隐蔽的支出，例如，Alphabet拿出了约510亿美元，为其他公司的数据中心提供财务兜底。

至少有六家机构因此下调了Alphabet的目标股价，包括派珀·桑德勒（Piper Sandler，下调至395美元）、瑞银（UBS，下调至379美元）以及D.A. Davidson，后者给出的350美元目标价是华尔街最悲观的预测之一。只有巴克莱（Barclays）逆势上调了目标价。这场抛售迅速蔓延，波及微软（Microsoft）、亚马逊（Amazon）、英伟达（Nvidia）以及整个芯片板块。上周，市场对新一波中国开源权重模型的担忧进一步加剧了这种恐慌。特斯拉（Tesla）同样交出了利润率下滑和资本支出高企的成绩单，导致其股价重挫15%。

D.A. Davidson科技研究主管吉尔·卢里亚在接受《财富》杂志采访时表示：“现金流转负是一个负面里程碑，市场现在正对此作出反应。此前市场普遍认为这种情况绝不会发生，如今已然成真。”

不过，尽管下调了目标价，卢里亚认为市场反应过度。他表示，自己担心的从来不是支出，而是估值。今年早些时候，当Alphabet股价接近400美元时，“市场像是在按照‘唯一赢家’为它定价”。而如今股价回落至320美元左右，他表示：“谷歌现在的估值合理得多，因为这是对‘赢家之一’而非‘唯一赢家’的估值。”他预计，未来几年，微软、亚马逊和Alphabet都将从提供AI算力中持续获利。

他认为，看多Alphabet的理由其实十分清晰：Google Cloud“增长势头惊人”。他预计，今年Alphabet将直接从AI算力基础设施建设中获得150亿至200亿美元收入。“只不过，在这个出现负面里程碑的日子里，首席财务官刚刚预警情况好转之前会先恶化，眼下没有人愿意关注这样的消息。”

不过，卢里亚担心的是，那些将AI巨头与自身客户深度绑定的复杂投资关系：谷歌、亚马逊和Anthropic之间的“三角关系”，微软与OpenAI的绑定，以及英伟达与CoreWeave之间的联系。他表示：“整个生态系统都在互相支撑。”而那些资产负债表外的兜底安排尤其令他警惕：“‘财务兜底’这个词，是在安然（Enron）事件之后才广为流传的，所以我一听到这个词就会心生警惕。”不过，他并不认为这是一种虚假的循环交易。他指出，如今消费者和企业在AI上的年化支出已经达到1,200亿美元，“而两年前，这个数字还是零。”“这是真金白银的支出，和循环交易根本不是一回事。”（财富中文网）

译者：刘进龙

审校：汪皓

美国企业在AI应用方面领跑全球，但也付出了高昂成本

Tristan Bove — Tue, 16 Jun 2026 16:00:00 GMT

谷歌首席执行官桑达尔·皮查伊。过去一年，谷歌AI词元处理量增长了7倍。图片来源：Anna Moneymaker/Getty Images

美国企业正在推动员工使用AI，其推进速度远超海外同行。而作为这一努力的代价，它们也背上了一笔惊人的账单，包括高昂的词元使用费、专有AI平台投入，还有纯粹的低级失误，有些失误甚至会造成数亿美元的损失。

美国企业已经将“把AI全面融入员工工作流程”作为重要目标。从某些指标来看，他们的努力称得上相当成功。盖洛普（Gallup）最新调查显示，目前约有一半美国员工每年会在工作中至少数次使用AI，而一年前这一比例还不到40%。

布鲁金斯学会（Brookings Institution）今年3月发布的研究显示，美国AI的普及速度已超越海外竞争对手。目前有43%的美国员工会在工作中使用AI，而欧洲这一比例为32%。企业层面也存在类似差距：目前有7%的美国企业已经将AI用于商品和服务生产环节，而欧洲企业的比例仅为4%。

企业管理层一直承受着压力，亟需找到将AI工具和各种实验项目转化为利润的途径。虽然在大多数情况下，AI的使用尚未带来令人满意的投资回报，但这项技术已经开始在生产率数据中显现效果——尽管提升幅度有限。布鲁金斯学会的研究发现，AI使用差异使美国企业节省的工作时间相当于总工时的2.3%，而欧洲企业为1.4%。

这或许是一个具有重大意义的优势。企业希望随着员工逐渐掌握AI工具和技术的持续进步，这种优势能够进一步扩大。但眼下的问题在于，企业押注的是一场可能需要数年时间才能见到回报的赌局，而各类账单却已到期。

美国企业开始认清一个现实：即便尝试使用AI看似免费，但实则开销不菲。由于使用量限制监管宽松，再加上企业仍处于摸索AI如何改善盈利能力的试错阶段，一系列高调“翻车”事件接连发生，这也暴露出美国企业加速推进AI应用过程中存在的局限性。

据报道，优步（Uber）在今年前四个月就花光了2026年全年的AI编程预算，其中很大一部分开支来自Claude Code的使用。优步首席运营官安德鲁·麦克唐纳近期在一档播客节目中坦言，公司大量使用AI并投入巨额资金，尚未真正转化为面向消费者的盈利产品，“投入与收益无法形成闭环”。

优步并非唯一一家在AI支出上“算错账”的企业。企业对词元（衡量AI使用量的数据单位）的需求激增。谷歌（Google）首席执行官桑达尔·皮查伊近期宣布，公司目前每月的词元处理量已达到3,200万亿个（3.2 quadrillion），较一年前增长了7倍。

在那些员工更有可能使用AI、且管理层也最积极推动AI应用的科技公司里，许多员工都在参与“烧词元”，即员工之间比拼谁消耗的词元更多。

但由于大多数企业客户依赖昂贵的前沿模型开展AI业务，一些企业已经开始讨论缩减相关开支。《华尔街日报》报道称，Meta、微软（Microsoft）和赛富时（Salesforce）等企业正要求员工更高效地使用AI，甚至在某些情况下限制使用。企业最担心的情况，或许是Axios此前披露的一个案例：一家未具名公司因未设置员工AI使用上限，竟在AI项目上烧掉了5亿美元。

不过，即便面对不断攀升的成本，美国企业似乎仍无意放缓AI应用步伐。企业支出管理工具提供商Ramp收集的数据显示，以付费订阅AI的美国企业比例来衡量，AI普及率最近达到了50.6%，高于年初的46.8%。

率先布局AI应用的美国企业或许仍会被证明其选择是正确的。彼得森国际经济研究所（Peterson Institute for International Economics）近期的一项研究显示，AI可能已经创造了高达2,500亿美元的隐形经济活动，而这些价值目前尚无法通过传统经济指标进行准确衡量。

不过，这些潜在收益尚未真正体现在企业的投资回报率（ROI）报告中。埃森哲（Accenture）上月发布的一项针对英国企业的调查发现，90%的受访企业尚未成功将AI融入核心业务，仍在摸索如何借助AI提升收入。许多企业表示，AI带来的生产率提升主要体现在员工个人层面，而非整个公司的运营效率改善。

美国企业高管在AI应用方面或许确实领先于英国和欧洲同行。但领先也意味着，他们必须率先破解一个难题：企业究竟在为哪些价值买单。（财富中文网）

译者：刘进龙

审校：汪皓

代理式人工智能系统承担的工作日益增多，人类亟需建立验证机制

Alexei Oreskovic — Tue, 16 Jun 2026 16:00:00 GMT

凯特琳·哈弗蒂（Caitlin Halferty），汤森路透（Thomson Reuters）首席数据官。图片来源：Michael Faas/Fortune

从模型幻觉到智能体失控，人工智能应用潜藏着诸多显性风险。

但对绝大多数企业而言，错失人工智能革命的代价同样难以承受。如何应对这一棘手的现实局面，是当今企业领导者面临的核心挑战。在科罗拉多州阿斯彭举办的《财富》科技头脑风暴峰会上，多家头部企业高管齐聚一堂，分享各自的洞见与实践经验。

各方的首要关切是问责制，具体而言，就是要能追踪——必要时可回溯——人工智能或代理式人工智能系统执行特定任务时的全部操作步骤。

自动驾驶技术公司May Mobility创始人兼首席执行官埃德温·奥尔森（Edwin Olson）表示：“我们的核心顾虑之一，是如何打造一套准确率尽可能高的系统。但同样关键的是，既然系统终究会出错，如何建立透明度与内省性，以便厘清问题根源，也能向监管机构说明后续将如何解决相关问题。”

汤森路透首席数据官凯特琳·哈弗蒂对此表示赞同，并强调了人工智能输出结果透明度的重要性：“我与团队始终恪守这一准则，并倡导客户践行该原则：任何模型的输出结果均须通过验证机制予以确认。”

汤森路透面向法律、税务合规等领域的专业人士提供多款人工智能赋能服务，因此从布局之初就必须重视人工智能问责制。哈弗蒂表示，透明度是该公司“受托级”产品的四大核心支柱之一，另外三大支柱分别为数据隐私与安全、行业专业人才、可靠内容。

多位与会嘉宾提到的另一项重要方法，是设计可实现有效相互监管的系统。奥尔森介绍，May Mobility在自动驾驶汽车中搭载多套系统，可同时模拟、评估多种场景并选出最优方案。

此类系统同样适用于企业场景和日常工作流程。Trustguard AI的创始人兼首席执行官埃琳娜·克沃奇科（Elena Kvochko）将其称为“大语言模型裁判”技术，并以新闻编辑室的运作模式解释其原理。

“一个人或智能体负责撰写内容，另一个人或智能体担任编辑——唯一职责就是找出错误，或是发现作者可能疏漏的任何不实信息。大语言模型系统也应按照这种思路设计，从而实现自我迭代优化。”

但克沃奇科补充道，关键在于验证环节必须由独立的人工智能系统来承担。“你绝不希望人工智能给自己的工作打分。”她表示。

随着人工智能技术承担的任务日益增多，人工验证所有输出已然力有不逮，因此建立一套智能的人工智能验证架构将变得愈发关键。

SentinelOne首席人工智能官格雷戈尔·斯图尔特（Gregor Stewart）表示：“你终会陷入这样的困境：人工智能完成的工作量极大，待审核任务繁重，根本无法真正实现问责。”

他以计算机编程为例，称该行业的相关实践比其他行业领先约一年。团队不再依靠人工审核上万行人工智能生成的代码，而是探索让智能体模拟数十年前安全关键领域的人工验证流程。

斯图尔特表示：“我认为，过去为安全关键技术研发的各类方法，将重新应用于日常业务场景。”（财富中文网）

译者：中慧言-王芳

AI智能体正在压缩企业组织架构，如何建立新的管理模式？

Sharon Goldman — Mon, 15 Jun 2026 16:00:00 GMT

图片来源：Illustration by Simon Landrein for Fortune

美国企业界呈现出组织架构“大扁平化”的迹象。随着越来越多企业开始部署AI智能体承担工作流编排、任务协调、报告生成以及信息共享等工作，它们也开始重新审视现代组织最持久的特征之一——中层管理体系。传统金字塔式的企业架构依赖多层级管理者在组织内部上传下达信息，而如今，随着AI系统接手大量过去支撑这些管理层级存在的协调工作，这种架构正开始被压缩。

根据光辉国际（Korn Ferry）对全球1.5万名职场人士开展的调查，约41%的受访员工表示，其所在公司去年削减了管理层级。与此同时，Meta、花旗集团（Citigroup）、CrowdStrike以及GitLab等公司的组织重组举措，更是引发了外界对于AI是否会加快企业向更加扁平化组织架构转型的广泛讨论。

Cloudflare首席执行官马修·普林斯近期对此给出的一番表述颇具代表性。在公司裁减约20%员工、同时实现创纪录营收后，普林斯表示：“上周被裁掉的员工中，绝大多数属于‘测量者’。”他所说的“测量者”，主要指中层管理人员，以及财务、法务、内部审计和收入确认等职能部门的员工。

普林斯表示，公司留下来的主要是他口中的“创造者”，例如工程师。这一说法与当前的一种观点形成鲜明对比——许多人认为，由于AI已经具备相当强大的编程能力，尤其是在Anthropic推出Claude Code之后，因此软件工程师恰恰是最容易受到AI冲击的职业群体之一。他还表示，“销售人员”同样相对不容易被自动化取代。普林斯补充说，此次裁员并非为了单纯缩减员工规模，而是为了改变工作的性质。按照他的说法，公司目前的职位空缺数量创下了历史新高，而且全部集中在“驱动增长的领域”。

咨询公司West Monroe首席人工智能官布雷特·格林斯坦则认为，管理者这一角色本身正在发生变化。在AI赋能的组织中，更期待管理者为企业创造可量化的业务成果，而不只是充当信息的“传声筒”。

格林斯坦表示：“如今AI工具几乎人人触手可及，首席执行官获取信息和洞察的速度与团队任何人一样快，已经不再需要信息中介层。”

此外，传统的管理工作，很大一部分都围绕着收集信息、传达进展、安排会议、跟踪进度以及确保团队步调一致展开。而如今，AI智能体已经能够持续、大规模地完成许多这类工作。

ONLC Training首席执行官安迪·威廉姆森表示：“一个中层管理者每周大约有三分之一的工作时间都花在开会上，其中大部分只是为了让团队成员保持同步。而这恰恰是软件如今能够胜任的工作。”

不过，剑桥领导力协会（Cambridge Leadership Associates）总裁马克斯·马蒂纳强调，这并不意味着管理层级将彻底消失。相反，AI将成为管理工作的补充工具，并帮助管理者作出决策。

他表示：“管理工作将得到新工具和更高效率的加持，这也为管理者提供了一个契机，让他们从埋头执行任务，转向展现真正的领导力。它将打开一扇通往新领域的大门——展现真正的领导力，而不仅仅是管理者。”

“大扁平化”尚未成为主流

不过，至少目前来看，“大扁平化”还远未成为主流趋势。威廉姆森指出，最显著的组织架构调整目前仍主要集中在那些数字化基础设施较为成熟、技术应用领先的企业当中。大多数企业仍处于AI应用的早期阶段，许多企业甚至尚未建立起能够大规模实现协同自动化所需的系统基础。

即便如此，越来越多专家认为，“安全的中间层”时代正在走向终结。

SmartTech Research首席执行官兼首席分析师马克·维纳表示：“那些推行组织架构扁平化的企业，不只是为了削减成本。它们其实是在承认一个事实：过去的很多管理工作，已经变成了对工作流程的‘看护’和督促，而AI智能体恰恰非常擅长扮演这种角色。”

与此同时，留任的管理者也被寄予厚望，企业希望他们成为AI系统的高效监管者。威廉姆森表示，这项新技能不是会写提示词那么简单，而是懂得如何指挥多个AI智能体完成正确的工作、评估它们产出的结果，并将这些成果整合进企业决策之中。

他表示：“真正的能力在于，将多个AI智能体分派到合适的任务上，并判断它们反馈的结果是否可靠。”

变革中的人性因素

不过，无论身处企业组织架构的哪个层级，这场变革都不会轻松。威廉姆森表示：“面对失业的危机和职能转型的压力，人们普遍深感焦虑。在这样的背景下，带领团队度过变革期的能力，反而变得比以往任何时候都更有价值。”

这也揭示了AI时代的一个悖论：工作越是被自动化，人类独有的领导力就越显珍贵。企业依然需要能够建立信任、应对不确定性、化解冲突、指导员工并帮助团队适应变化的人才。

而对管理者自身而言，这种转变同样充满挑战。格林斯坦表示：“如果你已经很多年没有亲自交付具体工作成果，现在却被要求重新承担这类工作，难免会感到不安。如果一名管理者过去衡量自身价值的标准是有多少下属向自己汇报，而不是为公司业务带来了多少实际影响，那么他们也会觉得自己的身份认同受到了冲击。”

格林斯坦认为，企业不应仅仅把AI视为削减成本的工具，而是应该优先利用AI将那些常规性的工作自动化，让员工能够把更多时间投入到更具价值的事务中。

他表示：“我给企业的建议是，利用AI把那些常规性、低风险的工作自动化，将员工解放出来。然后再建立相应的系统，让人与AI协同合作，去解决那些单靠任何一方都无法独立解决的问题。”

马蒂纳对此表示赞同。他认为，AI最终将成为管理工作的补充工具，并为决策提供支持。他表示：“我并不认为管理层级会消失。相反，我认为管理层级将变得更加高效，并能够更快地提升团队能力建设。”

展现领导力，而非单纯的管理者

马蒂纳认为，更加扁平化的组织最终带来的未必是领导力减弱，而是会催生一种全新形态的领导力。

过去几十年里，许多管理者的职业生涯，都是建立在协调工作、审批决策以及充当高管与一线员工之间的信息中介之上的。随着AI接管越来越多这类职责，管理者的核心价值正在转向那些更难被自动化取代的能力，包括运用判断力、应对不确定性、建立信任、培养人才，以及围绕共同愿景凝聚团队共识等。

马蒂纳表示：“管理工作将得到新工具和更高效率的加持，最终留下来的，是领导力。”

然而，组织架构扁平化也带来了一个尚未被企业解决的新问题。长期以来，无论是律师、会计师，还是工程师和分析师，许多专业人士都是先在初级岗位上积累专业技能，随后才逐步晋升至管理层和高级领导岗位。如果AI接管了相当一部分初级岗位工作，企业未来可能会面临专业人才储备不断萎缩的问题。

马蒂纳表示：“最大的风险未必是今天中层管理者变少了。真正的隐患在十年之后，如果越来越少的人获得成长为高级领导者和行业专家所需的实践经验，会发生什么？”

格林斯坦则认为，最终能够脱颖而出的管理者，将是那些始终保持学习热情的人。他指出，Codex、Claude Code等AI智能体工具在过去几个月已经迎来关键转折点，其应用场景正从软件开发领域迅速扩展至几乎所有知识工作岗位。

他表示：“未来三个月将是充满动荡的一段时期。领导者们要么主动学习如何应用这些工具，要么被那些已经学会使用它们的人倒逼着做出改变。就像当年会写HTML代码的网站管理员最终成长为首席营销官一样，那些懂得利用AI智能体完成工作的人，将成为未来的真正领导者。”（财富中文网）

译者：刘进龙

审校：汪皓

科技巨头的“烧词元”时代已经结束

Jeremy Kahn — Tue, 09 Jun 2026 16:00:00 GMT

图片来源：Andrew Harrer—Bloomberg via Getty Images

就在几周前，不少科技公司内部还弥漫着“烧词元”的风气，即鼓励员工尽可能多地消耗AI词元（用于计量AI使用量的基础数据单位）。背后的逻辑很简单：如果想知道哪些员工在部署AI智能体方面最具创新性，追踪他们的词元使用量即可。消耗的词元越多，意味着员工使用的AI智能体生产率越高，或者至少表明该员工正积极在AI领域尝试创新。当时的主流想法便是如此。Meta、亚马逊、OpenAI以及许多其他公司，甚至设立了正式或非正式的词元使用量排行榜，鼓励工程师和开发人员在特定时段内竞赛，看谁能消耗最多的词元。

古德哈特定律指出：任何指标一旦变成考核目标，它就不再是一个好的指标。“烧词元”这种行为也产生了一些意料之中的副作用。据《金融时报》报道，在亚马逊，由于管理者将词元使用量作为评估员工绩效的依据，一些员工为了让自己的词元使用数据更好看，甚至特意让AI智能体执行完全没有意义或毫无必要的任务。

此外，消耗词元并非没有成本。面对来自Anthropic和OpenAI的巨额账单，不少公司感受到了巨大的费用压力。因此，越来越多企业似乎正在放弃这种“烧词元”的文化，甚至开始限制员工使用第三方AI智能体，至少限制那些以最先进AI模型作为核心引擎的智能体工具。Meta已经撤下员工自发创建的非官方“烧词元”排行榜。据科技媒体The Verge报道，微软已取消多个核心产品部门员工的Claude Code订阅服务。优步则表示，其2026年全年的“词元预算”仅在年初四个月内就已耗尽，其中一个重要原因便是Claude Code的高频使用。

与此同时，赛富时首席执行官马克·贝尼奥夫透露，公司今年支付给Anthropic的费用预计将高达3亿美元。他希望未来能出现一种“智能路由器”，可自动判断哪些请求确实需要调用性能最强大、成本最高的大模型处理，哪些任务则可以分流给能力稍弱但足够胜任、成本更低的模型完成。

许多高管也指出，词元支出并没有转化为公司层面的投资回报。优步首席运营官安德鲁·麦克唐纳近日在一档播客节目中表示，这家网约车公司一直难以将部分员工工作效率的提升与公司整体效益直接关联。他表示：“如果你无法清晰地证明，这些投入最终转化为多少真正交付给用户的新功能和新产品，那么这些词元支出就很难自圆其说。”

最终的结果显而易见：烧词元时代正在走向终结。

为什么AI投入仍未转化为投资回报？

一个更深层次的问题是：为什么AI投入与投资回报之间会出现这种脱节？显然，直接奖励“烧词元”行为毫无助益，这种做法并没有将员工激励机制与公司目标保持一致。时事通讯《Exponential View》的作者阿齐姆·阿扎尔是剖析AI对经济与商业影响的顶尖思想家之一。他认为，目前的AI生产率悖论，或许只是任何一项新型通用技术在推广时都会出现的“生产率J曲线”现象。

与那些旨在优化特定流程、能立竿见影地提升生产率的技术不同，人们通常需要耗费大量时间来摸索，如何更好地部署一项通用技术。在这个“摸索阶段”，生产率实际上可能不升反降。这是因为公司需要投入大量时间和资金去试验新技术的应用场景，而短期内，前期投入往往无法对净利润产生正向拉动。只有找到围绕新技术重构业务流程的最佳方式后，生产率才能真正实现大幅跃升。

阿扎尔深入探讨的一个经典例子是电力发明及其对制造业的影响。工厂引入电力后做的第一件事，就是用电灯取代煤气灯。虽然节省了成本，但对工厂的产出几乎没有实质性影响。（安装照明设备和铺设电线的成本甚至冲抵了节省的费用。）由于蒸汽动力的物理限制，在电力普及之前，工厂通常围绕一台中央蒸汽机进行布局，通过一根主传动轴为多台乃至全部设备提供动力。因此，工厂做的第二件事，就是用大型电动机取代中央蒸汽机，但仍然沿用中央传动轴来驱动成组设备。这比彻底改造工厂布局成本更低，但效率和运营成本效益并不理想。生产车间某个环节的效率提升，往往只会把瓶颈转移到装配线的其他环节，工厂整体生产率的提升微乎其微。直到企业开始为单台设备分别配置电力系统，并重新设计工厂布局之后，生产率才实现巨大飞跃。

极少有企业真正进入第三阶段

阿扎尔预测，AI的发展也会遵循类似路径，但目前绝大多数企业仍停留在这一演进过程的第一或第二阶段。“烧词元”很容易，重新设计工作流程则很难。而比这更难的是，重新思考整个业务体系，包括企业销售的产品或服务类型，甚至企业的商业模式，这是阿扎尔未谈及的层面。这触及了企业的立足之本，也是AI真正带来巨大价值的领域——彻底重塑，而不是重新设计。但大多数企业目前的格局仍显不足。

正是因为许多传统企业对AI的应用仍显得过于保守，那些原生于AI时代的企业迎来了绝佳的爆发机遇。它们行动的步伐更快，能够在传统企业做出有效应对之前抢占大量市场份额。从零开始打造一家新公司，远比彻底改造一家既有企业容易得多。这也解释了，为什么许多私募股权公司的如意算盘可能会落空：仅仅给投资组合企业融入一点AI元素，就指望能以更高的估值转手套现，实际操作可能远比他们预想的更困难。

****

·要驱动员工利用AI实现有意义的创新，企业管理者需要停止奖励“词元消耗量”这类中间指标，转而考核AI应用所带来的可交付的成果。

·对于科技行业而言，“烧词元”退潮说明AI正从推广应用的噱头逐步向追求量化产出的阶段过渡。下一阶段的赢家，或许是最早把token从“烧钱指标”转化为“可控成本项”，并用它重排整条价值链的企业。

·历史经验表明，当工厂为电力彻底重新设计布局，生产率才实现飞跃。想要利用AI重塑现有业务的企业，应围绕AI的能力重新设计工作流程，而非简单地将AI工具嵌入旧环节。（财富中文网）

财富中文网对原文有删减和调整

编辑：魏雨彤