Kimi K3之后，我第一次觉得美国有点输不起了

人工智能、博客文章Laoer发表留言

Kimi K3 发布之后，我原本以为接下来大家讨论的重点，应该还是模型本身，比如它到底有多强，Benchmark 是否可信，中国开放模型和 OpenAI、Anthropic 之间的差距到底缩小到了什么程度。但没想到，几天之后另一个话题先热了起来。Axios 报道称，特朗普政府内部正在重新讨论如何限制美国企业使用中国先进 AI 模型，包括通过实体清单、政府采购、安全警告和合规要求等方式，提高美国企业使用中国开放模型的门槛。实际上，这些讨论并不是 Kimi K3 出现之后才有，只是 Kimi K3 的发布，让原本已经存在的争论重新热了起来。截至目前，这仍然只是政策讨论，并没有形成正式禁令，但看到这条新闻的时候，我还是有一种挺奇怪的感觉：美国在 AI 这件事情上，好像开始有点输不起了。

当然，这并不是说美国已经输掉了 AI 竞争。今天的 OpenAI、Anthropic、Google 依然站在大模型能力的最前沿，NVIDIA 仍然掌握着最重要的算力基础设施，美国也依然拥有最成熟的资本市场、最强的人才吸引力和完整的 AI 产业链。Kimi K3 很强，DeepSeek、Qwen 这些中国开放模型进步也很快，但现在就说中国 AI 已经全面超过美国，显然还太早。真正让我觉得有些变化的，并不是技术排名本身，而是美国开始如何面对来自中国开放模型的竞争。过去我们对美国科技行业最深的印象之一，就是它的自信，你做出了一个更好的产品，那我就做一个更好的。Google 打败 Yahoo，Chrome 挑战 IE，iPhone 重构手机，Tesla 重新定义电动车，后来 OpenAI 又用 ChatGPT 改变了整个 AI 行业。硅谷最有魅力的地方，从来不只是技术强，而是那种相信创新和竞争最终会决定输赢的气质。

现在支持限制中国开放模型的人，最常提到的理由当然还是安全，比如网络攻击、生物风险、诈骗、模型滥用等等。这些风险确实存在，而且开放权重模型和闭源模型相比，也确实存在一个明显区别：模型一旦被下载到本地，原来的开发者就很难再像 API 那样监控调用、封禁账号或者增加安全限制。所以我并不认为所有模型都应该毫无条件开放，尤其当模型能力越来越强之后，如何控制高风险能力的扩散，本来就是一个值得认真讨论的问题。但另一方面，网络攻击、生物风险和模型滥用也并不是因为“开源”才出现的，Claude、GPT 这样的闭源模型同样可能被尝试用于寻找漏洞、生成恶意代码或者学习危险知识，闭源模型公司可以增加安全护栏，可以监控和封禁用户，但这些措施更多是在增加控制，而不是让风险本身消失。

也正因为这样，当“AI 安全”最后推导出的政策结果变成“限制中国开放模型”的时候，我觉得还是应该再多问一句，这里面到底有多少是在解决风险，又有多少是在保护现有商业利益。过去几年，大模型行业形成了一套非常清楚的商业模式：OpenAI、Anthropic 花巨额成本训练模型，然后通过订阅和 API 按 Token 收费，用户越依赖最强模型，公司收入越高，再投入更多资金训练下一代模型。这套逻辑成立的一个重要前提，是最好的模型是一种稀缺资源，你想使用最强的能力，就必须向拥有模型的人持续付费。但开放权重改变了这个前提，当 DeepSeek、Qwen、Kimi 这样的模型越来越接近 frontier 水平之后，企业会开始面对一个非常现实的问题，如果一个开放模型已经足够完成我的任务，我为什么一定要把数据交给 OpenAI 或 Anthropic，再按 Token 持续付费？我完全可以私有部署、微调、量化，也可以根据自己的业务选择不同模型，模型本身开始从一种稀缺商品，慢慢变成一种可以替换的基础能力。

这其实才是开放模型真正可能带来的冲击。Linux 当年并不是第一天就全面超过商业 Unix，MySQL、PostgreSQL 也不是一开始就在所有场景里都比商业数据库更强，但当这些开放产品达到“足够好”的程度之后，开放带来的低成本、可修改和生态效应，会逐渐改变整个市场结构。AI 很可能也会走类似的路径。如果中国开放模型一直只是便宜，但性能明显不如美国模型，其实根本不需要限制，因为企业自己就不会选择它们；真正让人开始紧张的，是这些模型既便宜、开放，又开始变得足够好了。一旦这个临界点出现，受到威胁的就不只是某一个模型，而是闭源模型长期依靠能力稀缺性建立起来的高毛利商业模式。

所以，如果美国未来真的通过实体清单、政府采购或者合规要求，让企业不敢使用中国开放模型，那么无论政策制定者主观上是不是为了保护 OpenAI 和 Anthropic，客观结果都会非常清楚：美国闭源模型公司少了一批最有威胁的竞争者。这也是为什么我觉得，这件事情不能简单只用“国家安全”来解释。安全当然重要，但当安全、产业利益和国家竞争恰好都指向同一个政策结果时，反而更应该警惕，因为这很容易让原本应该由市场决定的竞争，被政策提前决定。

美国过去几十年一直是全球化和自由市场最大的受益者之一，Apple、Microsoft、Google、Amazon、Netflix，包括今天的 OpenAI，都是从美国公司变成全球公司的。美国过去也经常批评其他国家市场不够开放，批评政府保护本土企业，批评行政力量干预正常竞争，这些批评很多时候确实有道理。但自由市场有一个很有意思的地方，当你一直赢的时候，相信自由竞争其实并不难，真正难的是，当别人开始有机会赢的时候，你还愿不愿意继续相信市场。如果美国模型在能力上遥遥领先，中国模型性能差、成本高、没有企业愿意用，那么根本不需要任何限制；只有当这些模型真的开始有竞争力，限制才会变得“有意义”。

也正因为如此，Kimi K3 之后出现的这些讨论，让我觉得有一种很微妙的角色错位。过去中国经常被认为更倾向于保护自己的市场，而美国代表开放和自由竞争，但至少在大模型这件事情上，中国公司正在把越来越强的模型权重直接开放出来，让全球开发者下载、部署和修改，而美国却开始讨论，美国企业是不是应该少用甚至不能使用这些模型。当然，这里面有复杂的国家安全问题，不能因此简单得出“中国更开放、美国更封闭”的结论，但这种反差依然值得思考。真正的问题并不是美国有没有权利保护自己的国家安全，美国当然有，而是当“国家安全”的边界不断扩大，最后开始覆盖越来越多具有竞争力的技术和产品时，自由市场到底还剩下多少空间。

我去过美国2次，感觉美国过去真正有吸引力的地方，不只是有钱和科技先进，而是有一种很特别的气质，自信、幽默，甚至有一点不在乎。别人做出了更好的东西，第一反应通常不是怎么禁止它，而是怎么做一个更好的。硅谷过去最经典的故事，本质上也都是后来者推翻原来的强者，如果 IBM、Microsoft、Yahoo、Nokia 当年都能够轻易通过规则把挑战者挡在门外，也不会有后来那么多伟大的公司。一个真正强大的创新体系，最重要的不是永远领先，而是即使有一天别人追上来了，仍然相信自己可以通过下一次创新重新领先。

我依然不认为美国已经输掉了 AI 竞争，恰恰因为美国现在依然拥有 OpenAI、Anthropic、Google、NVIDIA，依然拥有最强的人才、资本和产业基础，我才更加觉得奇怪：一个还在领先的人，为什么已经开始表现得像一个害怕输的人？Kimi K3 未必代表中国 AI 已经超过美国，半年以后也许又会有一个更强的模型出现，今天所有的 Benchmark 排名都会重新改写。但如果一个来自中国的开放模型，仅仅因为开始变得足够好，就已经让全球最强大的科技国家认真讨论是不是应该限制自己的企业使用它，那么至少说明了一件事情，真正的竞争已经来了。

而对于一个长期领先的人来说，真正值得证明的，从来不是有没有能力把对手挡在门外，而是在门一直开着的时候，自己还能不能继续赢。

这次真不慌了，Claude随时可以取消订阅

人工智能、博客文章Laoer发表留言

过去一年，Claude大概是AI Coding领域存在感最强的名字之一。

Claude 3.7之后，Claude 4、Claude 4.5再到后续模型，Anthropic几乎一直占据着编程模型第一梯队的位置。Claude Code的出现，又进一步放大了Claude模型在真实软件开发中的优势。从最初在Terminal里写代码，到后来增加Plan、Sub-agent、Skills、Hooks等能力，Claude Code逐渐从一个命令行工具变成完整的Coding Agent。

Codex也是类似的路径。随着GPT模型能力不断提高，OpenAI也开始把重点从“模型会不会写代码”，转向如何让模型独立完成一个完整的软件开发任务。

这两个产品很快成为AI编程领域的标杆，也让很多开发者开始产生一种过去很少有过的依赖。

这种依赖不是因为品牌忠诚，而是生产力。

在Reddit、X、GitHub以及各种开发者社区里，经常可以看到类似讨论：Claude Code很好用，但是账号、地区、额度和订阅政策的不确定性让人担心；Codex能力很强，但同样存在额度和平台依赖的问题。尤其对已经把Coding Agent融入日常开发流程的人来说，一旦习惯让Agent直接阅读整个项目、修改多个文件、运行测试、查找错误再继续修复，很难再退回以前复制代码到聊天窗口里问AI的方式。

所以过去大家担心Claude账号出问题，本质上并不是少了一个聊天机器人，而是暂时找不到同样好用的替代品。

但最近半年，这件事情正在发生变化。

国产模型终于跨过了“能不能用”的门槛

以前讨论国产模型和Claude、GPT的编程能力，最大的问题其实不是Benchmark差了多少分，而是落到真实项目里以后，体验差距往往比Benchmark看起来更大。

简单写一个函数、解释一段代码，大多数模型都可以完成。但进入一个几十万行代码的真实项目，让模型自己搜索文件、理解依赖、连续修改代码、执行命令、处理编译错误，再根据结果反复修正，差距就很容易暴露出来。

这也是为什么很长一段时间里，即使国产模型便宜很多，真正重度使用AI Coding的人还是会优先选择Claude或者GPT。生产力工具最重要的毕竟还是生产力，如果一个任务Claude Code一次能够完成，换一个工具需要人工来回纠正很多次，价格便宜的意义就没有那么大。

现在这种情况开始改变了。

GLM-5.2、Kimi K3陆续发布，Qwen3.8也开始进入市场，DeepSeek V4正式版同样值得期待。和一年以前相比，这一代国产模型已经明显不再停留在“会生成代码”的阶段，而是在长上下文、工具调用、Agentic Coding和长时间任务执行上快速进步。

最重要的变化并不是某个Benchmark超过Claude两分或者落后GPT三分，而是这些模型已经越来越能够真正参与软件开发。

过去国产模型和前沿闭源模型之间，很多时候是“能不能做”的差距。现在越来越变成“谁做得更好”的差距。

这两者其实完全不同。

只要进入“可以完成”的区间，替代关系就会开始发生变化。一个开发任务不一定非要Claude才能完成，可以使用GLM，也可以换Kimi、Qwen或者DeepSeek。模型之间的能力仍然有高低，但已经不像过去那样存在明显断层。

更重要的是，这些模型还在逐渐和具体的编程工具解耦。

一个模型可以接入不同的CLI、IDE和Agent Framework，一个Coding Agent也可以支持多个模型。模型开始越来越像AI Coding系统里的“发动机”，而不是整个产品本身。

一旦发动机可以替换，过去那种“Claude不能用，工作流就断掉”的焦虑自然会下降很多。

Claude Code真正领先的，已经不只是Claude

不过，如果只看到国产模型能力快速提高，就认为Claude Code和Codex很快没有优势了，也并不准确。

目前AI Coding真正明显的差距，已经越来越从Model转移到了Agent。

同样一个Claude或者GPT模型，放在普通聊天窗口里使用，和放进Claude Code、Codex这样的Coding Agent里，最终完成复杂开发任务的能力可以有很大区别。

原因在于，现在真正的AI编程已经不是简单的：

用户提出需求，模型生成代码。

真实的软件开发通常是一个很长的过程。Agent首先要理解项目结构，然后搜索相关代码，找到需要修改的位置，理解调用关系，制定方案，修改多个文件，运行编译或者测试，读取错误信息，再继续定位问题和修改。如果是一个复杂任务，中间还可能使用Git、浏览器、数据库、MCP工具，甚至启动多个Sub-agent分别处理不同工作。

模型当然是整个过程最重要的核心之一，但仅有模型并不能完成这一切。

把模型、工具、上下文和执行环境组织起来的这一层，就是现在越来越重要的Harness。

而让Agent不断执行“观察、思考、行动、获得反馈、继续行动”，直到任务真正完成，则是Loop Engineering。

这也是Claude Code和Codex现在真正领先的地方。

一个优秀的Coding Agent需要解决很多模型之外的问题。例如，一个大型项目不可能把所有代码一次性塞进Context，Agent必须知道什么时候搜索文件，什么时候读取源码，哪些内容值得长期保留，哪些内容应该在Context接近上限时压缩掉。

工具调用也是一样。什么时候应该使用grep，什么时候应该直接打开文件，什么时候运行完整测试，什么时候只运行局部测试，一个命令失败以后应该继续尝试还是改变方案，这些都属于Agent系统本身的能力。

还有一个非常关键的问题，是验证。

真正好用的Coding Agent不能只会写代码，还必须知道自己有没有写对。修改完成以后主动Build、Lint、Test，运行程序查看结果，发现问题以后重新修改，再次验证。这个不断反馈的循环，才让AI从代码生成器变成能够独立完成任务的Agent。

所以在很多开发者的实际评价中，经常会出现一种现象：两个模型在Benchmark上的差距并不大，但放进不同的Coding Agent以后，使用体验却可能差一个档次。

原因就在这里。

大家最终使用的从来不是一个裸模型，而是一整个系统。

国产AI Coding现在最大的短板，已经变成工具

这其实是一个很值得注意的变化。

过去国产AI Coding的问题首先是模型不够强，工具即使做得不错，上限也会受到限制。现在模型这一块正在迅速补齐，剩下更明显的差距开始集中到Harness和Loop Engineering。

目前国内已经出现了不少比较完整的AI编程产品，包括CodeBuddy、Qoder、TRAE，以及GLM、Kimi、Qwen等模型相关的CLI工具。和早期AI编程工具主要围绕代码补全、IDE聊天不同，这些产品现在也明显开始转向Agent。

它们已经可以阅读整个代码库、修改多个文件、调用Terminal、执行命令，并开始加入Plan、Sub-agent、MCP等能力。从产品方向来看，国内厂商和Claude Code、Codex已经没有本质上的路线分歧，大家做的都是同一件事情：让AI从“帮程序员写代码”，变成“直接帮程序员完成开发任务”。

真正的差距更多体现在工程成熟度上。

比如一个Agent执行一个复杂任务两个小时以后，还能不能保持最初的目标；Context越来越长以后，能不能正确保留关键的信息；中间执行失败以后，是不是能够主动换一种思路；面对一个大任务时，能不能合理拆分成多个小任务；多个Sub-agent之间怎么共享信息；代码修改完成以后，是否能够形成稳定的验证闭环。

这些事情单独看起来都不是什么特别惊人的功能，但最终决定Coding Agent是否好用的，恰恰就是这些细节。

Claude Code和Codex的优势，是它们已经通过大量真实用户和真实软件工程任务，把这些细节做成了一套越来越成熟的系统。

国产Coding Agent目前真正要追的，也正是这一层。

Harness的差距，可能比模型更容易追

训练一个前沿模型是极其昂贵而且复杂的事情。

需要大量GPU、数据、算法团队、训练基础设施和强化学习能力，而且竞争对手不会停下来等待。今天刚刚追上Claude，Anthropic下一代模型可能很快又出来了。

Harness不一样。

它当然也需要很强的工程能力，但很多问题已经从“未知问题”变成了“已知问题”。

今天一个先进的Coding Agent大概应该具备什么能力，行业实际上已经越来越清楚。

CLI、Plan模式、Sub-agent、MCP、Skills、Hooks、Sandbox、Git Worktree、Context Compaction、后台任务、自动测试和验证，这些方向已经被Claude Code、Codex以及其他产品不断验证。

后来者不再需要从零回答“AI编程工具应该长什么样”，而是可以直接学习已经被证明有效的设计，再根据自己的模型和用户场景快速迭代。

这和追赶基础模型的难度并不一样。

以前国内Coding Agent还有一个很现实的限制，就是即使Harness设计得不错，底层模型能力不足，整个系统仍然很难达到Claude Code的效果。

现在这个限制正在快速消失。

当GLM、Kimi、Qwen和DeepSeek逐渐进入前沿模型附近以后，Context管理优化一点、工具调用稳定一点、Loop设计成熟一点，都会直接反映到最终的产品体验上。

因此，我个人的判断是，未来半年国产AI Coding最值得关注的，可能并不是又有哪个新模型在Benchmark上超过Claude，而是CodeBuddy、Qoder、TRAE以及各家模型CLI会进化到什么程度。

我甚至认为，不到半年时间，国内头部Coding Agent就有机会在大多数常见的软件开发场景中，把和Claude Code、Codex之间的差距缩小到普通用户并不明显的程度，甚至在部分场景实现追平。

这里说的“追上”，并不是所有Benchmark全面超过，也不是每一个复杂任务都比Claude Code和Codex更强，而是作为生产力工具，已经能够成为真正平替。

对于用户来说，这才是最重要的标准。

如果Claude Code是100分，国产工具只有50分，那么基本没有替代价值。但如果国产工具已经做到85分或者90分，同时模型选择更多、价格更低、使用限制更少，那么很多用户并不会为了最后那10分一直绑定在同一个平台上。

竞争往往并不需要把第一名彻底打败。

只需要让第一名不再不可替代。

Claude最重要的变化，是从“必须用”变成了“可以选”

这可能才是最近这一轮国产模型进步带来的最大变化。

Claude Code目前仍然是最成熟的Coding Agent之一，Codex同样处在第一梯队。对于重度开发者而言，它们在复杂任务、长时间运行、上下文管理和整体稳定性上的优势仍然存在，这一点没有必要回避。

但和一年前相比，整个市场的状态已经完全不同。

以前是Claude和GPT站在前面，后面隔着很长一段距离才是其他模型。Claude账号、额度或者订阅一旦出现问题，用户很难立刻找到体验相近的替代方案。

现在下面已经有GLM、Kimi、Qwen、DeepSeek，工具层还有CodeBuddy、Qoder、TRAE、OpenCode以及各种CLI和Agent Framework。

模型正在变得可以替换，Coding Agent也正在变得越来越开放。

这意味着用户不需要再把全部生产力绑定在一家公司、一个账号或者一个订阅上。

AI Coding过去两年的主要竞争，大家一直在看模型。Claude和GPT到底谁写代码更好，新模型在SWE-bench又提高了多少，成为每次模型发布时最受关注的话题。

但是当模型能力逐渐接近以后，下一阶段真正决定AI Coding体验的，很可能越来越不是模型本身，而是Harness、Loop Engineering和整个Agent系统。

这场竞争才刚刚开始。

Claude Code和Codex目前领先，但国内的模型和编程工具已经进入同一条赛道，而且追赶速度明显加快。未来半年到底能不能追上，这是一个判断，现在当然还不能当作事实。

但至少有一件事情已经和以前不同了。

现在即使Claude调整订阅、限制额度，甚至账号真的出现问题，也不再意味着AI Coding工作流就没有了替代方案。

Claude好用，当然可以继续订。

哪天不好用了，或者有更合适的选择，也可以取消。

这次确实不用那么慌了。

Kimi卖爆之后，我发现AI可能不是一门互联网生意

互联网、人工智能、博客文章Laoer发表留言

Kimi K3发布之后，市场反响非常热烈，发布仅几天，Kimi就宣布暂时暂停新用户订阅，原因是过去48小时的需求已经逼近现有算力容量的极限，为了保证现有付费用户的使用体验，只能暂时停止接受新的订阅，同时加快增加算力，后续再分批开放。Kimi还准备将会员拆分为普通的Kimi Membership和面向编程场景的Kimi Code Membership，以便更精确地分配算力。一个互联网产品发布后，因为用户太少而失败很常见，但因为用户太多，甚至连愿意付费的用户都暂时不接了，这种情况就比较少见了。

前段时间GLM-5.2上线后也出现过类似的情况，Coding Plan一度很难订阅，随着算力增加才逐步放开，目前智谱已经围绕GLM-5.2提供Lite、Pro、Max等不同等级的Coding Plan，并通过5小时和周度使用额度来控制资源消耗。虽然Kimi和GLM遇到的具体问题不完全相同，但放在一起看，至少说明一个现实：中国大模型的能力正在快速提升，用户需求也随之增长，但高质量算力供给并没有办法以同样的速度增长。

不过，我觉得这件事真正值得讨论的，并不只是中国缺不缺算力，而是AI的商业模式可能和我们过去熟悉的互联网有很大的不同。我们习惯把OpenAI、Anthropic、Kimi、智谱看成互联网公司，把ChatGPT、Claude、Kimi看成新一代互联网产品，但如果从成本结构和规模经济来看，AI可能并不是一门典型的互联网生意。

一、互联网最重要的商业优势，是规模效应

我在之前写中国互联网二手车行业时，曾经专门讨论过规模经济的问题。一个行业是否具有好的规模效应，很大程度上取决于成本结构，如果固定成本占比高、变动成本占比低，随着产量不断增加，固定成本被越来越多的产品和用户分摊，单位成本就会不断下降，这也是互联网公司非常重要的商业优势。

开发一套软件需要投入大量研发成本，但软件一旦开发完成，再增加一个用户的成本非常低。微软开发Windows需要大量程序员，但不会因为多卖出一份Windows，就再重新开发一次；腾讯开发一款游戏之后，一百万用户下载和一千万用户下载，研发成本基本不会发生变化；淘宝增加一个消费者，也不需要为这个消费者单独建设一个商场。当然互联网业务同样需要服务器、网络、电力、客服和运营成本，规模扩大后这些成本也会增加，但和传统行业相比，其新增一个用户的边际成本非常低，很多数字产品甚至接近于零。

互联网平台还有另外一个非常重要的特点，就是网络效应。淘宝的买家越多，就越能吸引商家，商家越多，商品越丰富，又会吸引更多买家；微信的用户越多，每一个用户加入这个网络后获得的价值也越大。因此，互联网公司做大规模不仅能够降低单位成本，还可能增加单位用户创造的价值，也就是边际成本下降的同时，边际收益反而增加，这也是互联网行业经常出现赢家通吃的根本原因。

所以过去二十多年互联网创业有一个非常重要的逻辑，就是先做规模。早期可以免费，甚至通过补贴获取用户，只要能够快速建立用户规模和网络效应，后面总有机会找到商业模式。从Google、Facebook，到国内的腾讯、阿里、美团、滴滴，基本都遵循过类似的发展路径，用户增长在大部分情况下都是一件好事，因为新增用户带来的收益，最终会大于新增用户产生的成本。

但到了AI时代，这个逻辑开始发生变化。

二、AI的成本，会随着用户使用量持续增加

传统互联网产品提供的，大部分是已经存在的信息或者已经开发完成的功能。打开一个网页，是把已经存在的内容传输给用户；观看一部电影，是把已经制作完成的视频播放给用户；使用一个SaaS软件，大部分操作也是执行已经写好的程序逻辑。但大模型不一样，你问ChatGPT一个问题，它需要重新进行一次推理；让Claude写一段程序，需要重新计算；让Kimi阅读几十份资料并生成一份报告，同样需要消耗新的计算资源。

也就是说，AI每提供一次服务，都需要重新“生产”一次结果。用户数量增加一倍，在使用方式基本不变的情况下，需要完成的推理任务也会大幅增加；一个用户原来每天问10个问题，现在每天问100个问题，即使用户数量完全没有增长，平台消耗的算力同样会显著增加。从成本结构来看，这更像传统行业里的变动成本，而不是互联网最典型的近乎零边际成本。

当然，AI的成本并不是简单的严格线性增长，随着Batch、KV Cache、量化、MoE、投机解码等技术不断成熟，加上芯片性能提升、模型架构优化和大规模集群利用率提高，单位Token的推理成本会持续下降，同样的模型能力，几年后的成本很可能只有今天的一小部分。但这并没有改变AI的一个基本特征：每多生成一批Token，就仍然需要消耗新的计算资源。互联网可以把同一份软件和内容近乎零成本地复制给更多人，而AI每一次输出，本质上都是一次新的计算。

如果把大模型看成一家“智能工厂”，GPU、HBM、服务器、数据中心和电力就是生产资料，Token是中间产品，最后生产出来的是用户需要的文字、代码、图片、视频以及各种任务结果。从这个角度来看，AI虽然以软件和互联网产品的形态提供服务，但它背后的成本结构反而有点像制造业，用户使用得越多，就需要生产更多“智能”，也就意味着需要更多的生产资料。

这个差异对商业模式的影响非常大。互联网公司通常希望用户尽可能多地使用自己的产品，因为一个用户每天打开微信10次还是100次，对腾讯产生的新增成本差别并不会特别大，但一个用户每天调用AI 10次和100次，对AI公司的成本影响就非常直接。如果用户支付的是固定订阅费，那么还会出现一个比较麻烦的问题：用户创造的收入是固定的，但用户消耗的计算资源却没有上限。

三、Agent会把这个问题进一步放大

过去的大模型主要还是Chatbot模式，一问一答，一次推理可能几秒或者几十秒结束，所以单个用户产生的计算量相对有限。但现在AI正在快速从Chatbot向Agent发展，特别是AI Coding，已经从过去的代码补全、问答，发展到让Codex、Claude Code、Kimi Code这样的Agent自主阅读代码库、修改文件、运行命令、执行测试、发现错误后继续修改，一个复杂任务可能连续运行几十分钟甚至几个小时。

这意味着，未来衡量AI产品规模，仅仅看MAU、DAU可能已经没有太大意义。同样是一个月活用户，一个人每天只问几个简单的问题，另外一个人每天让Coding Agent工作五六个小时，两个人给平台带来的收入可能都是同样的订阅费，但产生的计算成本完全不同。这也是为什么现在几乎所有AI Coding产品都会设置5小时额度、周额度、速率限制或者不同等级的订阅套餐，本质上都是在解决同一个问题：固定的订阅收入，如何覆盖高度不固定的计算成本。

传统互联网和SaaS通常喜欢重度用户，因为用户使用越频繁，说明产品粘性越高，续费概率越大，而新增的服务成本并不会同步增加。但AI可能出现一个很有意思的现象，就是用户过于重度反而未必是一件好事。如果一个用户每个月支付20美元，却长期消耗50美元甚至100美元的推理成本，那么用户增长越快、使用越活跃，公司亏损反而可能越大，这种情况在传统互联网产品中比较少见。

所以AI公司面临的问题，不只是如何获得更多用户，而是如何控制每个用户使用智能的成本，这也是为什么OpenAI、Anthropic、Kimi、智谱都在不断调整额度、会员等级和模型使用策略。模型越强，用户越喜欢使用；Agent能力越强，用户让它工作的时间越长，而使用时间越长，背后的算力消耗也越高，这其实形成了一个和互联网规模效应完全不同的商业逻辑。

四、Kimi暂停订阅，也说明中国AI开始遇到算力瓶颈

再回到Kimi K3暂停订阅这件事情，最直接的问题当然还是算力。模型发布之后，用户和使用量可以在几天内增长几倍甚至几十倍，但GPU不可能在几天之内同步增加，购买芯片、建设数据中心、部署服务器、配置高速网络和电力都需要时间。特别是对于中国AI企业来说，高性能GPU的供应仍然受到限制，虽然美国已经开始允许部分H200向中国企业出货，但截至7月中旬实际出货数量仍然很少，路透社也将目前中国科技企业面临的状况直接描述为算力容量紧张。

国产算力这几年发展很快，华为昇腾、寒武纪、摩尔线程等都在加速进入大模型训练和推理市场，国产模型也越来越重视对国产芯片的适配，但模型能够运行在国产芯片上，和能够以足够低的成本、足够大的规模稳定服务几千万用户，还是两个不同的问题。以前我们讨论中国AI，更多关注的是能不能训练出和GPT、Claude竞争的模型，现在随着DeepSeek、Qwen、Kimi、GLM等模型不断进步，新的瓶颈正在从“能不能做出好模型”，转向“做出来以后能不能让足够多的人用”。

训练一个模型虽然需要巨大的计算资源，但训练毕竟是阶段性的，模型训练完成之后，这部分投入就结束了；推理却是持续发生的，只要用户在使用，就一直需要算力。特别是在Agent时代，一个Agent可能持续工作几个小时，未来如果每个人都有几个甚至几十个Agent同时工作，算力需求会比现在的Chatbot时代高得多。因此，从长期来看，训练决定一个模型能不能出现，而推理成本可能决定这个模型能不能真正成为一门大规模的生意。

五、开源可能也是一种分散算力成本的方式

这也让我重新思考开放权重模型的价值。上一篇文章里，我更多从生态的角度讨论Kimi K3开源，开放权重可以让开发者、云厂商、企业和创业公司基于模型继续开发，带动芯片、推理框架、Agent平台以及各种应用的发展。但如果从算力成本来看，开放模型还有另外一个价值，就是把原本集中在模型公司身上的推理压力分散到整个生态中。

如果一个模型只能通过官方产品和API使用，那么模型越成功，所有用户就越集中到官方服务器，用户增长的同时，模型公司必须不断购买GPU和建设数据中心，成功本身会带来巨大的资本开支。但开放权重之后，云厂商可以部署，企业可以私有化，第三方API平台可以提供服务，随着模型压缩和终端芯片的发展，未来还可能有越来越多的推理直接运行在个人电脑和手机上。

Linux今天运行在全世界无数服务器上，但这些服务器显然不需要由Linux的开发者购买。从这个角度看，开放模型未来可能也是类似的模式，模型公司负责训练和持续迭代一个足够好的基础模型，整个生态共同承担部署、推理和算力成本。因此，开放权重不仅可以促进创新和生态繁荣，也可能是一种更加适合AI成本结构的分发方式。

六、AI最终比拼的，可能是谁能更便宜地生产智能

过去几年，大家判断一家AI公司最重要的标准一直是模型能力，Benchmark是多少、Coding能力怎么样、Context有多长、推理能力强不强，但随着模型之间的能力差距不断缩小，我觉得未来还会出现一个越来越重要的指标，就是完成同样一件事情到底需要消耗多少计算资源，也就是生产一单位智能需要多少钱。

假设两个模型都能完成同样的软件开发任务，一个需要运行一个小时，另外一个只需要20分钟；一个必须运行在最昂贵的GPU上，另外一个可以运行在成本更低的芯片上；一个完成任务需要消耗1亿Token，另外一个通过更好的模型架构、Context管理和工具调用只需要3000万Token，那么即使两个模型最终完成任务的质量差不多，后者也显然具有更大的商业价值。因此未来AI公司的竞争，不会只是模型与模型之间的竞争，而会是模型、芯片、基础设施、推理效率和资本能力的综合竞争。

互联网时代，规模越大通常意味着单位成本越低、网络效应越强，所以“先做大再赚钱”成为互联网创业非常经典的发展逻辑。但AI可能没有这么简单，用户增长会带来收入，同时也会持续带来计算成本，如果收入增长赶不上算力消耗增长，规模越大未必越赚钱。因此，一家AI公司最终能不能建立真正可持续的商业模式，不仅取决于模型够不够强，还取决于单位智能的生产成本能不能持续下降，以及用户创造的价值能不能高于他消耗的算力成本。

当然，未来AI的单位计算成本一定还会继续快速下降，芯片会越来越快，模型会越来越小、越来越高效，但与此同时，人类对智能的需求也会不断增长。以前我们只是让AI回答几个问题，现在已经开始让AI连续几个小时写代码、做研究、操作电脑，未来可能是几十亿个Agent每天24小时不停工作，所以即使单位智能的成本下降了，人类对智能的总需求也可能增长得更快。

Kimi K3发布后因为需求过大而暂停新订阅，表面上看只是一次“卖爆”之后的甜蜜烦恼，但背后反映的可能是AI行业一个非常重要的商业问题。过去互联网通过数字化，把信息和软件的复制成本降到了接近于零，从而创造了巨大的规模经济；AI则是在把智能变成一种可以规模化生产的商品，但每生产一份智能，目前仍然需要消耗真实的芯片、电力和计算资源。

所以，我越来越觉得，AI看起来像互联网，但可能并不是一门传统的互联网生意。未来真正决定AI公司胜负的，也不只是能不能做出最聪明的模型，而是谁能够以最低的成本，把足够好的智能提供给最多的人。当模型能力逐渐不再稀缺之后，廉价、稳定、规模化的智能供给能力，可能才是AI时代真正的护城河。

当中国开始开源最强模型，OpenAI和Anthropic的护城河还剩什么？

Linux、互联网、人工智能、博客文章Laoer1条留言

7月17日，月之暗面发布了最新的Kimi K3模型，这个模型很快在国内外AI圈引起了很大关注。Kimi K3总参数达到2.8万亿，在Coding、Agent、长上下文等方面的表现已经进入目前全球最强模型的第一梯队，Artificial Analysis给出的 Intelligence Index 得分为57分，而且在一些编程相关的公开评测中表现非常突出。更值得关注的是，月之暗面宣布将在7月27日前发布Kimi K3的完整模型权重。

前几天我写了一篇《最强的模型，不一定能赢：AI Coding开始拼“好用”了》，主要讨论的是，当GPT、Claude、Gemini这些模型的能力逐渐接近以后，单纯比较哪个模型跑分更高已经没有那么大的意义，真正决定用户选择的，会逐渐变成产品体验、价格、额度、工具生态等因素。

Kimi K3的发布，让我觉得还可以再往后思考一步。

如果有一天，全球最强的AI模型不再只掌握在OpenAI、Anthropic、Google这样的少数几家公司手里，而是有大量能力相近的开放权重模型可以自由部署、修改和使用，那么AI行业会发生什么？

这可能比Kimi K3在某个排行榜上超过Claude或者GPT更加值得关注。

因为一个模型从90分提高到95分，只是技术能力的提升；但一个90分的模型从封闭变成开放，影响的可能是整个产业的创新方式、商业模式和利益分配。

需要说明的是，严格意义上来说，开放权重并不完全等于开源。开源通常还包括训练代码、训练数据、训练方法等更多内容，而Kimi K3目前宣布的是开放完整模型权重，所以本文所说的“开源”，更多是指现在AI行业里经常讨论的开放权重模型。Kimi官方目前也明确表示，完整权重将在7月27日前发布。

开放最大的价值，不是免费，而是让更多人参与创新

很多人说到开源模型，首先想到的就是便宜，可以自己部署，不需要再向OpenAI或者Anthropic支付昂贵的API费用。但我觉得，开放最大的价值并不是免费，而是让更多的人拥有参与创新的机会。

使用一个闭源模型，本质上是在别人制定的规则下开发产品。模型提供什么能力、API怎么收费、上下文有多长、哪些功能可以使用、模型什么时候升级或者下线，最终的决定权都掌握在模型厂商手里。开发者当然可以基于GPT或者Claude做很多创新，但这个创新始终是在OpenAI和Anthropic划定的边界里进行的。

开放权重之后，情况就不一样了。

开发者可以对模型进行量化，可以针对某个行业进行微调，可以改变推理方式，可以针对不同的芯片做优化，可以把模型部署到企业自己的服务器里，也可以基于这个模型继续训练新的模型。医疗公司可以训练医疗模型，金融公司可以针对自己的业务进行微调，汽车厂商可以把模型放进汽车，机器人公司可以把模型和机器人结合起来，芯片公司也可以针对模型设计更加高效的推理方案。

这些事情不需要原来的模型公司一件一件去做。

这也是我认为开放最有价值的地方。

一家公司无论多么强大，它拥有的人才、资金和资源终究是有限的，它不可能理解所有行业，也不可能把所有应用场景都做一遍。但是把一个足够强的基础模型开放出来以后，全世界的开发者、企业和科研机构都会基于它进行创新，其中一定会出现很多连原来模型开发者自己都没有想到过的应用。

互联网之所以能够发展到今天，很重要的原因就是开放。HTTP、HTML、Linux以及大量开源软件，让任何一个开发者都可以在已有技术的基础上继续创新，而不需要重新发明一遍轮子。

所以我一直认为，真正能够推动技术快速发展的，一定是开放。

封闭可以让一家公司获得更大的短期商业利益，但是开放能够让更多人参与进来，从而放大整个产业的创新速度。

Linux可能是一个很好的参考

AI开放模型的发展，让我想到Linux。

Linux本身并不是一个特别成功的传统商业软件，如果按照卖软件许可证的标准来看，它甚至没有微软Windows那么好的商业模式。但是今天全球绝大多数互联网服务器、云计算平台、超级计算机，以及Android等大量系统，底层都与Linux生态密不可分。

Linux真正成功的地方，不是Linux公司赚了多少钱，而是它成为了整个产业的基础设施。

因为Linux开放，所以Intel、AMD、IBM、NVIDIA这些公司都可以针对它做优化；服务器厂商可以使用它，云计算公司可以使用它，软件公司也可以基于它开发各种产品。最后形成的商业价值，远远超过了Linux操作系统本身。

AI未来很可能也会出现类似的情况。

现在大家还在讨论GPT-5.6比Claude强多少，Kimi K3又在哪个排行榜超过了谁，但如果几年之后，模型能力普遍达到了一个足够高的水平，企业可能不会再像今天这样特别关心底层到底是哪一个模型。

就像今天我们开发一个互联网系统，很少有人会把“Linux到底比另一个操作系统强多少”作为最核心的问题。大家真正关心的是这个系统是否稳定、成本是多少、生态是否成熟、有没有足够多的软件和服务支持。

AI模型最终也可能逐渐变成这样的基础设施。

企业会在基础模型之上选择推理平台、Agent框架、数据库、云计算、芯片、安全系统以及各种行业应用，真正巨大的商业价值会慢慢向整个产业链扩散。

所以开源模型对于AI行业最大的意义，并不是又多了一个免费的ChatGPT，而是可能逐渐改变AI产业的价值分配。

模型本身的价值可能下降，但围绕模型形成的整个生态价值会变得更大。

开放模型会带动一整条新的产业链

从这个角度看Kimi K3，我觉得真正值得观察的并不是月之暗面以后通过K3能赚多少钱，而是Kimi K3开放以后，围绕它会出现多少新的东西。

Kimi K3有2.8万亿参数，这么大的模型并不是普通公司买几块显卡就可以轻松部署，所以权重开放并不等于使用成本为零。恰恰因为模型很大，如何量化、如何降低显存占用、如何提高推理速度、如何降低运行成本，本身就会形成大量技术需求。

然后是芯片。

NVIDIA可以针对它做优化，AMD可以做，国内的AI芯片企业同样可以做。不同的硬件厂商会想办法让这些模型在自己的芯片上跑得更快、更便宜，这会推动整个AI算力产业的发展。

云计算公司也会提供各种托管方案，推理平台会做更好的部署工具，软件公司会开发微调、量化、模型管理、安全审计等各种产品，再往上就是大量行业应用。

医疗、金融、法律、制造、科研、教育，每一个行业都可能在基础模型上形成自己的模型和Agent。

对于创业公司来说，这个变化同样非常重要。

以前做一个AI产品，最简单的方法就是调用OpenAI或者Anthropic的API。刚开始用户不多的时候，成本可能不是问题，但是当用户规模越来越大，模型API就会成为非常重要的一项成本，而且整个产品事实上也被绑定在了模型供应商身上。

开放模型提供了更多选择。

企业可以使用Kimi，也可以使用Qwen、DeepSeek，甚至同时使用多个模型，根据不同任务自动选择最合适的模型。模型从一个不可替代的核心供应商，逐渐变成可以替换的基础设施。

只要这种趋势形成，围绕模型的投资和创业机会一定会越来越多。

这和Linux的发展其实非常像。Linux自己没有拿走整个产业最大的利润，但它创造了一个极其庞大的生态，IBM、Red Hat、AWS、Google、NVIDIA以及无数软件公司，都从这个生态里获得了巨大的商业机会。

所以开放真正放大的，不是一个模型公司的价值，而是整个产业的价值。

对很多企业来说，真正重要的是控制权

开放模型还有一个非常重要的市场，就是对数据比较敏感的企业。

普通消费者其实不太关心一个模型到底是开源还是闭源，我自己平时使用ChatGPT、Claude、Gemini，也不会因为某个模型开源就一定使用它，最终还是哪个产品好用就用哪个。

但企业完全不同。

特别是医疗、金融、政府、制造业、科研机构，以及拥有大量核心知识产权的大型企业，它们拥有的很多数据根本不适合发送给外部模型。

比如患者病历、银行交易数据、企业源代码、研发资料、客户数据和商业机密，这些数据对于企业来说可能比模型本身更加重要。

使用OpenAI或者Anthropic的云端API，本质上还是要让数据离开企业自己的环境，虽然这些公司会提供各种安全、隐私和企业级的数据保护措施，但对于一些高度敏感的业务来说，企业仍然会希望把数据完全控制在自己手里。

开放权重模型提供了一种完全不同的方式：不是把数据送到模型那里，而是把模型放到数据那里。

模型可以部署在企业自己的数据中心，甚至运行在完全隔离的内部网络里，数据是否保存、日志保留多久、模型什么时候升级、哪些人可以访问，都由企业自己决定。

当然，我并不认为自己部署就一定比OpenAI更加安全。很多企业自己的IT安全能力可能还不如这些大型AI公司，自己部署之后也会出现运维、安全漏洞、权限管理等一系列问题。

但两者最大的区别是控制权。

对于很多大型企业和数据敏感行业来说，控制权本身就是价值。

当开放模型能力只有闭源模型60%、70%的时候，企业可能还会为了模型效果选择闭源模型；但如果开放模型已经能够达到90%、95%，很多企业的选择就可能发生变化。

因为对于实际业务来说，很多时候并不需要世界上最强的模型，只需要一个“足够好”的模型。

OpenAI和Anthropic真正受到冲击的是定价权

过去几年，OpenAI和Anthropic能够建立非常高的商业价值，一个非常重要的原因就是最先进的AI能力是一种稀缺资源。

世界上只有少数几家公司能够训练出最好的模型，所以这些公司拥有很强的定价权。

更强的模型价格更高，更长的上下文价格更高，更强的推理能力也可以卖得更贵。

这个商业模式能够成立，最重要的前提就是其他人做不出来。

如果OpenAI的模型是100分，而市场上其他模型只有60分，那么为了这40分的巨大能力差距，客户当然愿意支付很高的费用。

但如果开放模型已经做到90分甚至95分，问题就完全不同了。

企业会开始计算，为了最后5分或者10分的能力提升，是否值得长期支付更高的API费用，是否值得把自己的业务和数据绑定在一家模型厂商身上。

对于一些非常复杂的任务，答案可能仍然是值得，最强模型依然有非常大的价值。

但是对于大量普通业务，90分可能已经完全够用了。

技术发展经常会出现这样的阶段。

早期大家追求的是“最好”，因为产品之间的能力差距非常大；但是当整个行业发展到一定程度以后，市场就会逐渐进入“足够好”的阶段。

智能手机是这样，电脑是这样，服务器也是这样。

当一个普通人买一台电脑的时候，他其实已经不太关心CPU性能到底提高了10%还是15%，因为对于大多数工作来说，性能早就够用了。

AI模型未来也一定会遇到这个问题。

当模型普遍已经足够聪明以后，用户选择产品的标准就会从“谁最聪明”，转向价格、速度、稳定性、产品体验、数据安全以及生态。

这也是开放模型对OpenAI和Anthropic商业模式最大的冲击。

不是明天大家都不用GPT和Claude了，而是模型本身越来越难长期保持今天这样的高溢价。

OpenAI真正要担心的，也不是ChatGPT少了几个用户

很多人看到Kimi K3这样的模型发布，首先想到的是，它会不会抢走ChatGPT或者Claude的用户。

我觉得短期内不会有太大的影响。

ChatGPT已经形成了非常强的品牌和用户习惯，普通用户不会因为看到某个Benchmark排名变化，就马上换掉自己每天使用的产品。更何况像Kimi K3这么大的模型，即使权重开放，也不代表普通用户可以很方便地在自己的电脑上运行。

OpenAI真正需要担心的，是开发者和企业会不会逐渐减少对OpenAI的依赖。

过去几年，很多AI创业公司开发产品时，最自然的选择就是OpenAI API，因为它的模型最好，生态最成熟，开发也最方便。

但是现在情况已经发生变化。

Claude、Gemini、Kimi、Qwen、DeepSeek以及越来越多模型都可以作为选择，很多新的AI应用在架构设计时，已经不会把自己完全绑定在某一个模型上，而是从一开始就考虑模型路由和模型替换。

哪个模型效果好就用哪个，哪个便宜就用哪个，有些任务使用闭源模型，有些任务使用开放模型。

这才是对OpenAI更加长期的影响。

因为一个消费者不用ChatGPT，OpenAI失去的是一个订阅用户；但如果未来大量开发者在构建产品的时候，不再默认选择OpenAI，那么OpenAI失去的是整个应用生态。

当年的微软为什么如此重视Windows开发者？

因为只要所有软件都首先为Windows开发，用户自然就会继续使用Windows。

AI也是一样。

谁拥有开发者，谁就更容易成为下一代技术平台。

所以开放模型真正争夺的，并不只是模型市场，而是开发者。

Anthropic受到的压力可能更直接

相比OpenAI，我觉得Anthropic受到开放模型的压力可能更加直接。

OpenAI至少已经拥有ChatGPT这个全球最大的AI产品之一，有非常强的消费者入口、品牌和用户习惯，同时还在发展Codex、Agent以及企业服务。

Anthropic目前最强的优势主要集中在模型能力、Coding和企业开发者市场，尤其Claude Code这两年的发展非常快，已经成为AI Coding领域最重要的产品之一。

但恰恰是Coding，可能也是开放模型最容易快速追赶的领域。

因为代码和普通内容不同。

一篇文章写得好不好，很难有完全客观的标准，但一段代码能不能运行、Bug有没有修复、测试能不能通过，是可以自动验证的。

这使得Coding模型更加容易通过大量自动化方式进行训练、强化学习和评测。

Kimi K3发布后之所以引起这么大的关注，一个重要原因也是它在Coding、Agent等方向已经表现出了很强的竞争力。Kimi官方也把Agentic Coding作为K3的核心方向之一，而第三方评测已经将它放在当前高性能模型行列。

另外，代码本身又是企业最敏感的数据之一。

很多公司愿意让AI帮助程序员写代码，但是并不一定愿意把整个核心代码库长期交给第三方模型公司。

当开放模型能力不够的时候，大家只能接受这种取舍。

但如果开放模型的Coding能力已经足够好，企业就会很自然地考虑私有化部署。

所以从这个角度来看，开放模型对Anthropic的冲击，可能比对OpenAI更加直接。

当然，开源也并不意味着一定会赢

写到这里，很容易得出一个结论，未来开源模型一定会打败闭源模型。

我觉得没有这么简单。

首先，开放权重不等于免费。

Kimi K3有2.8万亿参数，即使采用MoE等架构，要真正部署这样规模的模型，仍然需要非常昂贵的算力和复杂的工程能力。模型权重可以免费下载，但电费、GPU、数据中心和工程师都不是免费的。

很多中小企业最后算下来，直接购买OpenAI或者Anthropic的API，可能反而更加便宜和方便。

其次，模型本身只是AI产品的一部分。

ChatGPT真正强大的地方已经不仅仅是GPT模型，而是产品、用户、数据、工具、Agent以及整个生态。

Claude也是一样。

Claude Code之所以受到程序员欢迎，并不是因为大家每天拿Claude去跑Benchmark，而是因为整个Coding体验确实好用。

这也是我上一篇文章里想表达的观点：最强的模型，不一定能赢。

未来OpenAI和Anthropic真正的护城河，可能越来越不是“我的模型比你高几分”，而是产品、入口、生态、企业服务以及持续创新的能力。

比如ChatGPT已经拥有庞大的用户群和品牌认知，这种分发能力非常难复制；Anthropic在Coding领域形成的开发者口碑和Claude Code产品体验，也不是简单开放一个模型权重就能够替代的。

大型企业购买AI服务，也不只是购买模型能力，还需要SLA、安全合规、稳定运行、技术支持以及明确的责任主体。

这些都是闭源商业公司非常重要的优势。

所以开放模型并不会直接填平OpenAI和Anthropic的所有护城河。

但它会迫使这些公司重新挖护城河。

过去的护城河是模型。

未来的护城河可能必须变成产品和生态。

中国AI选择开放，可能是一条非常聪明的路

最后再回到Kimi K3。

这几年中国AI模型有一个很明显的特点，就是越来越重视开放。

从DeepSeek到Qwen，再到Kimi，中国最有竞争力的一批模型都在积极建设开放模型生态，而美国目前最顶级的GPT和Claude仍然是闭源模式。Reuters在K3发布后的报道中，也把这次发布放在中国开放模型快速逼近美国领先闭源模型的大背景下讨论。

这背后未必是谁更加理想主义，而是不同企业在不同市场位置上的选择。

如果你已经拥有全球最多的用户、最强的品牌和最大的开发者入口，当然希望把最核心的技术留在自己手里，然后通过API和订阅获得最大的商业利润。

但是如果暂时还没有这样的市场优势，开放可能反而是最快建立生态的方法。

Google当年开放Android，很重要的原因就是需要快速对抗已经占据智能手机先发优势的苹果iOS。Android本身免费，却迅速吸引了三星、小米、OPPO、vivo以及全球大量手机厂商，最终形成了世界上最大的移动操作系统生态之一。

AI模型可能也会出现类似的竞争。

中国模型真正需要争夺的，不一定是每一次Benchmark都超过GPT。

今天第一，过几个月可能又变成第二，这种排名其实没有那么重要。

真正重要的是，未来全球有多少开发者会使用中国模型，有多少AI创业公司建立在这些模型之上，有多少企业会私有化部署这些模型，有多少芯片、云计算、Agent框架和行业应用会围绕这些模型进行优化。

如果有一天，大量全球AI应用的底层都是Qwen、DeepSeek或者Kimi，那么即使OpenAI仍然拥有世界上最强的单一模型，整个AI产业的格局也已经发生了变化。

这才是开放真正的力量。

AI发展的第一阶段，大家竞争的是谁能做出最强的模型；现在已经开始进入第二个阶段，大家开始竞争谁能做出最好用的产品；再往后，很可能还会进入第三个阶段——谁能建立最大的生态。

这三件事情其实完全不同。

OpenAI可能拥有最强的模型，Anthropic可能拥有最好用的Coding产品，而开放模型可能拥有最多的开发者、最多的衍生模型、最多的硬件适配，以及最多由全世界开发者共同创造出来的应用。

Linux没有在个人电脑市场上打败Windows，但它最终成为了互联网和云计算时代最重要的基础设施之一。

AI会不会重演类似的故事，现在还无法确定。

但当Kimi、DeepSeek、Qwen这些中国模型越来越接近全球最先进的模型，同时又选择把权重开放给整个市场时，OpenAI和Anthropic需要考虑的问题，可能已经不只是下一代模型还能领先多少了。

而是当最先进的智能逐渐不再稀缺，当越来越多“足够好”的模型可以被任何企业拥有、部署和修改之后，原来建立在模型能力之上的高价格、高利润和封闭生态，还能够维持多久？

只有开放，才能让更多人参与创新，而当足够多的人开始在同一套开放技术上创新的时候，最终形成的力量，往往会远远超过技术本身。

最强的模型，不一定能赢：AI Coding开始拼“好用”了

人工智能、博客文章Laoer发表留言

最近几天，AI Coding领域最热闹的事情，除了GPT-5.6发布，就是OpenAI不断为Codex和ChatGPT Work用户重置使用额度。

GPT-5.6上线后，Codex与ChatGPT Work的合计活跃用户在几天内突破800万，OpenAI Codex负责人Tibo Sottiaux在X上宣布这一数字时，同时表示将再次为所有用户重置使用额度，并继续暂时取消原来的5小时使用限制。相关数据显示，Codex的单周使用量较此前增长了2.5倍，五个月内用户规模扩大了7倍。

从模型发布的角度来说，GPT-5.6当然是一次重要升级，但在我看来，真正值得关注的，反而是OpenAI围绕使用额度展开的一系列操作。

用户增长到600万，重置一次额度；增长到700万，又送一次可以自行使用的额度重置；到了800万，再为所有用户重置额度，同时暂时取消5小时限制。OpenAI一边庆祝用户增长，一边继续让用户免费使用更多额度，用户自然会不断地把消息传播出去，甚至主动拉着身边的人一起使用。

这波营销操作，无论是不是提前设计好的，效果都堪称经典。

一、OpenAI真正降低的，是用户的额度焦虑

对于AI Coding工具来说，价格当然重要，但真正影响使用体验的，往往不是每个月20美元或者100美元的订阅费用，而是额度焦虑。

当一个用户准备把一项稍微复杂的任务交给AI时，他首先想到的可能不是这个模型能不能完成，而是这次任务会消耗多少额度。任务是不是应该拆小一点，推理强度是不是应该调低一点，要不要换一个能力弱一点但更省额度的模型，今天已经用了不少，是不是应该把剩下的额度留到明天。

一旦开始计算这些事情，使用体验就已经被打断了。

就像手机流量刚刚普及的时候，很多人每打开一个网页，都会担心消耗了多少流量。后来不限流量套餐出现以后，大家才真正开始放心地刷视频、看直播，移动互联网的使用方式也随之改变。AI Coding也是一样，只有当用户不再过度关注每一次调用消耗了多少额度，才会真正把完整的工作交给AI。

OpenAI暂时取消5小时额度限制，并且连续为用户重置额度，看起来是在免费赠送算力，实际上是在培养用户的使用习惯。用户把任务交给Codex的次数越多，积累的使用经验越多，未来切换到其他工具的成本就越高。

从这个角度来看，OpenAI送出去的并不只是额度，而是在用算力购买用户习惯。

二、Claude很聪明，但一直有点高冷

如果一定要给Claude和Codex做一个不太严谨的比喻，那么Claude就像一个清华北大的美女学霸，成绩优秀，长得也漂亮，自然会有很多人趋之若鹜。

但这个学霸多少有点高冷。她知道自己能力很强，也知道大家都想用她，所以平时多少有一种“爱用不用”的感觉。额度不多，速度不快，价格也不便宜，有时候刚刚进入工作状态，突然就提示达到使用限制，只能等几个小时以后再继续。

Claude Fable 5发布时，Anthropic最初只计划在订阅套餐内限时提供，随后又将免费使用期限从原计划不断延长，目前已经延长至7月19日，同时还把Claude Code的周使用额度提高了50%。

当然，Anthropic可以说这是因为算力资源紧张，也可以说是在逐步开放新模型，这些理由都说得过去。但在GPT-5.6发布、Codex用户量快速增长的时间点上，Anthropic一次又一次延长Fable 5的订阅内使用期限，很难说完全没有受到竞争压力的影响。

如果没有Codex在旁边大送额度，Fable 5可能早就已经开始额外收费了。

竞争的好处就在这里。企业之间打得越激烈，用户能够获得的额度越多，价格越低，产品体验也会越好。

三、Claude Code和Codex，我现在更愿意用谁

从我自己的使用体验来说，Claude Code的代码质量确实没得说。

特别是在处理复杂逻辑、分析已有项目、进行架构调整时，Claude经常可以发现一些不容易注意到的问题。它不仅会按照要求修改代码，有时候还会主动思考这个修改会不会影响其他模块，以及现有方案是否存在更加合理的实现方式。

这种能力是Claude最吸引人的地方。

但Claude Code的问题也非常明显，就是速度比较慢。一个并不算复杂的任务，它可能需要思考很长时间，有时候工具调用之间也会停顿。如果同时运行多个任务，等待的感觉会更加明显。使用AI Coding本来是为了提高效率，但如果一个任务需要长时间盯着它运行，效率优势就会被削弱。

Codex则比较务实。

它没有Claude那么多思考和解释，接到任务以后通常很快开始干活，读取项目、修改文件、运行测试，整个过程比较直接。从绝对能力上来说，我还是认为Claude Code略强一点，特别是遇到难题时，Claude给出的方案偶尔会让人眼前一亮，但Codex的能力并没有差很多，代码质量也不含糊。

更重要的是，Codex非常稳定，速度也快。

在一般的应用开发中，我更关注的不是模型偶尔能不能给出一个非常惊艳的方案，而是它能不能连续完成十几个普通任务。增加一个页面，修改一个接口，调整数据库字段，修复一个样式问题，补充一些测试，再处理一下构建错误，这些才是日常开发中占比最高的工作。

Claude Code有时像一位能力很强的技术专家，适合解决那些真正困难的问题；Codex则更像一个务实的同事，话不多，接到任务就开始干活，而且大部分时候都能把事情做完。

对于日常工作来说，后者可能更加重要。

四、大多数应用开发，并不需要Fable 5

AI公司发布新模型时，总是会强调模型在各种基准测试中的成绩，比如能不能完成更长时间的任务，能不能解决复杂的数学问题，能不能独立完成大型项目。

这些能力当然重要，它们代表着模型的上限。

但现实中的大多数软件开发，并没有那么复杂。大量应用类编码，其实就是围绕已有项目不断进行小规模迭代，包括增加功能、调整页面、修改接口、修复Bug、处理兼容性问题，以及根据用户反馈优化体验。

就拿我自己开发DoseLoop·用药有数的过程来说，大部分任务都不需要一个能够连续思考几十个小时的模型。更需要的是AI能够理解现有代码，按照要求完成修改，不要破坏原来的功能，修改完成后主动进行检查，出现错误以后继续修复。

这些事情听起来并不高深，却决定了一个AI Coding工具到底能不能真正投入生产使用。

Fable 5在复杂编码和长周期任务上的能力确实很强，Anthropic公布的测试和早期用户反馈也显示，它在一些高难度编码任务中处于领先位置。

但对于普通应用开发来说，很多任务完全用不到Fable 5级别的模型。使用顶级模型完成一个普通页面调整，就像请一位顶级建筑师来帮家里安装一个书架，当然可以完成，而且可能做得很好，但成本和效率未必合适。

AI Coding真正的大市场，不是每个人都在解决世界上最复杂的编程问题，而是有无数普通的开发任务需要被完成。

顶级模型决定了AI Coding的能力上限，但真正决定市场规模的，往往是那些能力足够、速度更快、成本更低的模型。

五、模型最强，不代表产品一定能赢

过去两年，每次有新模型发布，大家最关心的都是排行榜。

哪个模型在SWE-bench上得分更高，哪个模型推理能力更强，哪个模型可以自主运行更长时间，似乎只要赢下这些评测，就能赢下市场。

但当几个头部模型的能力越来越接近以后，几分的评测差距，对普通用户来说已经没有那么重要。

假设Claude Code完成一个任务的质量可以达到95分，Codex只有92分，但Claude Code需要20分钟，Codex只需要8分钟，而且Codex可以稳定地连续运行，那么在大量日常任务中，很多人会选择Codex。

软件工具不是考试，用户也不是评委。

用户不会因为一个模型在排行榜上领先几分，就愿意长期忍受更慢的速度、更少的额度和更高的价格。大家最终关心的，还是这个工具能不能真正帮助自己完成工作。

这也是我认为OpenAI这次做得非常务实的地方。它并没有只强调GPT-5.6在某一个基准测试上超过了谁，而是把GPT-5.6、Codex和ChatGPT Work同时推出，并且把Codex能力整合进ChatGPT，让编程和普通知识工作逐渐进入同一套工作流。ChatGPT Work可以调用应用和工具，处理文档、表格、网页应用等长时间、多步骤任务，而Codex也不再只是程序员使用的编码工具。

模型能力只是产品的一部分，入口、体验、额度和生态同样重要。

六、OpenAI正在争夺的，是用户的默认入口

现在的AI工具越来越多，一个稍微复杂的任务，可能需要同时使用多个产品。

有人用ChatGPT讨论需求，用Claude Code设计架构，用Codex写代码，再用Gemini查找资料。这样的组合当然可以获得更好的效果，但来回切换工具也会带来额外成本，项目背景需要重复输入，文件需要反复上传，不同工具之间的上下文也无法自然衔接。

OpenAI显然不希望用户这样做。它正在尝试把聊天、搜索、编码、文档、表格、演示文稿和电脑操作逐渐整合到ChatGPT之中，让用户从一个想法开始，一直做到最终交付，而不需要离开同一个产品。

Codex与ChatGPT Work的用户合并统计，也说明OpenAI正在淡化编码工具与通用工作工具之间的边界。Codex最初主要服务程序员，但OpenAI在6月份披露的数据中提到，Codex周活跃用户已经超过500万，其中知识工作者约占20%，而且增长速度明显快于开发者。

这背后的意义是，Codex正在从AI Coding工具，逐渐变成一个能够操作文件、运行命令和完成任务的通用Agent。

一旦用户习惯在ChatGPT中完成大部分工作，OpenAI就不需要在每一项能力上都做到绝对第一。它只需要保证各项能力都足够优秀，同时让整个使用过程更加连贯。

微软当年的Office并不是每一个单独组件都绝对领先，但Word、Excel和PowerPoint组成了一套完整的办公体系。用户一旦进入这个体系，就很难为了某一个功能上的小优势，频繁更换整套工具。

OpenAI现在走的也是类似的道路。

七、AI Coding已经从智力竞争，进入服务竞争

Claude和Codex之间的竞争，表面上看是两个模型谁的编程能力更强，实际上已经逐渐变成两家公司服务能力的竞争。

模型能力当然还是基础，但除此之外，用户还会关心响应速度、使用额度、运行稳定性、产品入口，以及遇到问题以后能不能快速恢复。

OpenAI这次在使用量突然增长以后，选择连续为用户重置额度，暂时取消5小时限制，虽然背后可能也有额度统计和基础设施调整的问题，但从用户感受来说，这是一种非常积极的姿态。

它给用户传递的信息是：你先用起来，额度的问题我们来想办法。

Anthropic过去给人的感觉则完全不同。Claude很强，但使用限制也很多，特别是重度用户经常遇到额度不足的问题。Anthropic在2026年5月将Claude Code的5小时额度提高一倍，并取消高峰期额度缩减，随后又多次延长Fable 5的订阅内使用期限。

这些变化当然值得肯定，但也说明竞争确实在迫使Anthropic更加重视普通订阅用户的使用体验。

以前AI公司主要证明自己的模型有多聪明，现在它们还需要证明自己的服务足够稳定、价格足够合理、额度足够使用。

模型竞争正在从实验室里的智力比赛，变成真实工作中的服务竞争。

这对用户来说，当然是一件好事。

八、我现在更期待Gemini 3.5 Pro

Anthropic和OpenAI打得越来越激烈，我现在反而更加期待Google的Gemini 3.5 Pro。

Google在2026年5月发布了Gemini 3.5 Flash，并表示Gemini 3.5 Pro已经在内部使用，原计划在随后一个月推出。但截至本文写作时，Gemini 3.5 Pro仍然没有正式发布，最新报道显示，其延期的重要原因之一，就是编码能力尚未达到Google内部设定的目标。

从这个角度来看，Google应该也感受到了压力。

过去一个模型只要综合能力足够强，就可以被称为旗舰模型；现在如果编码和Agent能力不够强，哪怕在其他领域表现不错，也很难在市场上与Claude和GPT竞争。Google拥有其他两家公司不具备的优势，包括Android、Chrome、Google Search、Gmail、Google Drive、Google Cloud，以及完整的开发工具和办公生态。Gemini 3.5 Flash已经进入Gemini、搜索、AI Studio、Android Studio和Antigravity，如果Gemini 3.5 Pro在编码和长任务能力上能够真正达到预期，Google就有机会形成第三种完整的AI工作流。

当然，Google过去的问题从来不是缺少技术，而是如何把技术变成一个真正好用的产品。

所以我期待的，不只是Gemini 3.5 Pro能够在排行榜上超过Claude或者GPT，而是Google能不能把模型能力、开发工具、搜索和办公生态真正连接起来，做出一个让用户愿意每天使用的产品。

九、最强的模型，不一定能赢

Claude Code仍然是我认为代码质量最好的AI Coding工具之一，在处理复杂问题时，它的能力确实值得信任。Codex在部分任务上的能力可能比Claude差一点，但差距已经没有大到足以抵消它在速度、稳定性和额度上的优势。

对于普通应用开发来说，一个能力达到90分、随时可以使用、运行速度很快的工具，往往比一个能力达到95分、但速度慢、额度少的工具更加实用。

用户并不需要模型在每一个任务上都证明自己是世界第一。

更多时候，我们只是希望它能够及时出现，听懂需求，把事情做好，出现问题以后继续修复，而且明天还能够接着使用。

Claude像一个聪明、高冷、偶尔让人惊艳的天才，Codex则像一个务实、稳定、愿意一直干活的同事。天才当然令人向往，但在真实的工作中，我们可能更需要一个每天都能来上班的人。

随着OpenAI、Anthropic和Google之间的竞争继续加剧，模型能力还会不断提高，价格会继续下降，额度也会逐渐增加。未来AI Coding的竞争，已经不只是看谁拥有最聪明的模型，而是看谁能够提供一套真正稳定、高效、可持续使用的产品。

最强的模型定义了能力的上限，最好用的产品，才有可能赢得市场。

你的一分钟语音，可能是别人的十分钟

博客文章、工作、生活Laoer发表留言

开会开到一半，放在桌上的手机连续震了几下。

我低头看了一眼，对方发来了五条语音，每条接近一分钟。因为正在会议室里，当然不可能直接外放，只能等到会议结束后戴上耳机，从第一条开始听。

语音没有标题，也没有重点提示，更没办法像文字一样快速扫一眼。我只能一边听，一边拖动进度条，试图从五分钟的内容里找到真正需要的信息。最后发现，对方其实只想告诉我一件事：下午三点的会议改到四点。

这句话打成文字，可能只需要五秒钟。

我并不反对语音消息。走路、开车，或者手上正忙着做其他事情的时候，按住按钮说几句话，显然比在手机键盘上慢慢输入方便得多。语音还能保留语气、停顿和情绪，有些在文字里显得生硬的话，说出来反而自然很多。

但语音消息的问题，也恰恰来自这种方便。

它方便的，通常只是发送者。

便利并没有消失，只是发生了转移

发送一条语音，看起来节省了时间。但省下来的时间并没有凭空消失，而是被转移到了接收者身上，有时候还会被成倍放大。

文字是一种可以快速浏览的信息。即使一段话很长，也可以先扫一遍，找到时间、地点、数字和结论，跳过那些暂时不重要的内容。语音却是线性的，对方说得多慢，接收者就只能听得多慢。即使使用倍速播放，也很难完全跳过中间的内容，因为你不知道关键的一句话，会不会就藏在下一秒。

文字也不太挑场合。开会的时候可以看，坐地铁的时候可以看，深夜或者周围很吵的时候同样可以看。语音则需要一个相对合适的环境，不能外放的时候需要耳机，没有耳机的时候只能暂时搁置。很多语音并不是没人愿意听，而是始终等不到一个方便听的时机。

更重要的是，文字可以搜索、复制、转发和引用。几天之后想确认一个数字，几个月之后想追溯一次沟通，只要搜索关键词，通常很快就能找到。语音虽然也被保存在聊天记录里，但实际使用时几乎无法检索。为了确认一句话，只能重新听一遍，甚至要反复拖动进度条。

所以，发送者用一分钟说完的内容，接收者付出的可能不只是一分钟。除了播放时间，还有寻找合适环境、筛选重点、重新确认和后续查找的成本。

这笔成本，发送者通常感受不到。

语音的问题，不只是效率低

如果只是多花几分钟时间，语音消息或许还没有那么值得讨论。真正的问题在于，很多语音在发送之前，没有经过整理。

人在写一句话的时候，会自然地做一次信息压缩。脑子里原本可能有很多零散的想法，但真正打出来时，需要考虑先说什么、后说什么，哪些内容是必要的，哪些可以删掉，还要想对方能不能理解。

这个过程本身就是一种思考。

说话则不一样。说话的门槛很低，想到哪里就可以说到哪里，于是经常会出现“那个”“然后”“我的意思是”“对了还有一件事”之类的口语填充。说的人一边想一边表达，念头还没有完全整理好，内容就已经被发送出去了。

这也是为什么很多一分钟的语音，转成文字之后可能只有两三行真正有用的信息。剩下的部分，大多是铺垫、重复、停顿和说话者整理思路的过程。

现在很多聊天软件已经支持语音转文字，但语音转文字解决的只是播放问题，并没有真正解决表达问题。软件可以识别声音，却无法替发送者完成信息的整理。转出来的内容依然可能没有结构、没有重点，充满重复和口语化表达。

技术可以把声音变成文字，却不能替人完成思考。

当一段没有被整理的信息直接发送出去时，原本应该由发送者完成的工作，就被交给了接收者。接收者不仅要理解内容，还要帮助发送者判断重点、梳理逻辑，甚至猜测他究竟想表达什么。

从这个角度看，很多语音消息并不是提高了沟通效率，而是把自己的思考成本，转移给了别人。

在工作沟通中，问题会更加明显

私人聊天中，语音通常没有太大问题。朋友之间分享心情、讲一件趣事，或者随口说几句话，本来就不追求严谨和效率。语音保留了声音和情绪，有时比文字更有温度。

但工作沟通的要求不同。

工作中的信息需要能够异步处理，也需要被长期保留。对方现在正在忙，可以稍后再看；几天之后需要确认，可以重新查找；项目出现问题时，还能根据记录还原当时的决定和要求。

文字天然适合这种沟通方式，而语音更接近一次小型的同步交流。它虽然没有要求对方立刻回复，却默认要求对方拿出一段连续的时间，把注意力完整地交出来。无法快速浏览，也无法先判断内容是否紧急。

在多人协作中，这种影响还会继续放大。一条涉及多人、时间、任务和交付要求的语音，被转发到群里之后，每个人都要重新听一遍。发送者确实只说了一分钟，但十个人各听一分钟，就是十分钟；如果还需要反复确认，成本会更高。

而这些时间，往往不会被计算在所谓的“沟通效率”里。

最不适合用语音表达的，是工作指令

同事之间偶尔发送语音，更多是沟通习惯的问题。真正容易造成麻烦的，是领导通过语音给下属安排工作。

同事之间相对平等，收到一段很长的语音，至少还可以说一句“麻烦发一下文字”。但面对领导时，大多数人不会这样要求。于是，领导为了方便自己而省下来的时间，会被团队默默承担。

更重要的是，工作指令本身就是最需要准确表达的信息。

一项指令通常应该包含明确的任务、负责人、时间、交付方式和判断标准。但语音很容易把这些内容混在一起。例如一句“明天把上次那个东西整理一下，再发给他们”，说的人可能觉得已经交代清楚了，执行者却会面临一系列问题：是哪一份材料，整理到什么程度，发给哪些人，使用什么格式，明天几点之前完成？

这些问题本来应该由安排工作的人提前想清楚，并在下达任务时说清楚。但在随口录制的语音中，它们经常被忽略，最后只能由执行者自己猜，或者再发消息反复确认。

表面上看，领导很快就完成了任务分配，显得非常高效。但实际上，信息不清带来的确认、误解和返工，全都发生在下游。只不过这些成本不会出现在发送语音的那一分钟里，也很难被他直接看到。

一旦结果出现偏差，问题还会变得更加复杂。文字指令可以直接引用和核对，语音却很难准确定位。双方都可能根据自己的记忆理解那段内容，最后变成“我当时不是这个意思”与“你当时就是这么说的”之间的争论。

因此，对管理者来说，用语音下达指令也未必真的省事。短期看少打了几行字，长期却可能换来更多确认、返工和责任争议。

语音当然有适合它的场景

语音并不是一种糟糕的沟通方式，它只是经常被用在了不适合的场景里。

在私人关系中，报平安、分享情绪、讲述一件刚刚发生的事情，语音往往比文字更自然。安慰、鼓励或者道歉，有时也需要通过语气才能传递完整。有些内容确实很复杂，打字需要很长时间，说几句话反而更容易解释清楚。

即使在工作中，语音也不是完全不能用。比如需要临时描述一个现场情况，或者某件事很难通过文字表达，都可以发送语音。但在语音之后，最好补充一段简短的文字总结，把结论、时间和需要对方执行的事项列出来。

问题从来不在于能不能发语音，而在于发语音之前，有没有考虑接收者的使用场景。

沟通并不是把信息从自己这里发出去就结束了。真正有效的沟通，是让对方能够以尽可能低的成本，准确地理解和使用这些信息。

所以，在工作沟通中，文字应该成为默认方式。尤其涉及任务、时间、金额、地址、名单和具体指令时，更应该把信息清楚地写下来。

按住语音按钮之前，可以先问自己一个问题：我选择这种方式，是因为它真的更适合沟通，还是仅仅因为它对我更方便？

如果你是一名管理者，或许还应该再多考虑一步。

你随口发送的一分钟语音，到了团队的另一端，可能会变成十分钟，甚至一个小时。

程序员只有两百万，为什么 AI Coding 却成了大市场？

人工智能、博客文章Laoer发表留言

最近，MiniMax创始人闫俊杰在一次对话中，提到了一件两年前的往事。当时，他问DeepSeek创始人梁文锋：“你们要不要做AI Coding？”梁文锋回答，不做，因为当时大家的共识是，全中国会写代码的人可能只有100万到200万人，这似乎不是一个足够宽广的市场。闫俊杰接着说，但现在的情况显然已经发生了变化，AI Coding可以让更多普通人拥有生产力。

如果只看今天AI Coding的热度，这似乎是一次错误的市场判断。自GPT-5.6上线，以及Codex与ChatGPT Work进一步融合之后，这两款Agent产品的合计活跃用户在数日内突破了800万，OpenAI CEO Sam Altman还表示，Codex与ChatGPT Work在最近一周的使用量增长了2.5倍。2026年2月，Sam Altman公布Codex活跃用户刚刚超过100万，到了7月，Codex与ChatGPT Work的合计用户已经超过800万，虽然前后两个数字的统计范围并不完全相同，不能简单地理解为Codex用户增长了八倍，但这种增长速度依然十分惊人。

一个原本被认为只有一两百万潜在用户的市场，为什么能够在短时间内容纳数百万用户？最直接的答案，似乎是程序员变多了，但显然不是，全球程序员的数量不可能在几个月内突然增长数倍。真正发生变化的，是AI Coding的用户已经不再只是程序员，它所解决的问题，也正在从“帮助程序员写代码”，逐渐扩展为“帮助更多人使用计算机完成工作”。

一、“市场太小”的判断，在当时并非没有道理

回到两年前，如果把AI Coding理解为一个面向职业程序员的开发工具，那么“市场太小”的判断并不奇怪。那时人们谈论AI Coding，首先想到的还是代码补全、函数生成、代码解释、Bug修复和单元测试，基本的使用方式是，人负责设计和开发软件，AI在旁边提供帮助。用户首先要会编程，需要有开发环境，也需要知道生成的代码应该放在哪里、如何运行，出了问题之后又应该如何修改。

按照这个定义，AI Coding的市场规模确实受到程序员数量的限制，其计算方式也很直接，就是程序员数量乘以工具渗透率，再乘以每个开发者愿意支付的价格。如果中国只有一两百万职业程序员，即使其中相当一部分人愿意为AI工具付费，它仍然是一个相对垂直的开发者工具市场，规模可能不小，但与面向数亿普通用户的消费互联网产品相比，确实不算一个足够宽广的市场。

所以，问题并不在于当时算错了程序员的数量，而是在后来的发展中，AI Coding已经不再按照这个公式增长了。市场中的程序员并没有突然增加，但AI Coding所代表的产品形态发生了变化，过去的市场边界也就随之被打破了。

二、从Coding Assistant到Coding Agent

早期的AI编程产品，本质上是Coding Assistant，也就是编程助手。人知道自己要写什么，AI帮助补全代码；人知道问题大概出在哪里，AI提供修改建议；人仍然是整个开发过程的主要执行者，AI只是提高其中某些环节的效率。即使使用GitHub Copilot，很多时候也是程序员写下一部分代码，再由AI预测后续内容，这与更智能的代码自动补全并没有本质区别。

到了Coding Agent阶段，工作方式开始发生变化。用户不再需要逐行告诉AI代码应该怎么写，而是可以直接提出一个目标，例如增加用户登录功能、分析项目无法启动的原因、重新设计一个网页，或者读取一批数据并生成一个后台查询系统。Agent会自行读取项目文件、理解现有结构、制定计划、修改代码、运行命令和检查结果，在出现错误之后，还会根据错误信息继续调整。

OpenAI在最初发布Codex时，将其定义为可以编写功能、修复Bug、理解代码库并提出Pull Request的软件工程Agent；到了GPT-5.3-Codex发布时，OpenAI对其定位已经变成，不仅能够编写和审查代码，还能够完成开发者和其他专业人士在计算机上进行的各种工作。这个变化并不只是模型能力的提高，也说明Coding Agent的产品定位已经开始从专业开发工具向通用生产力工具扩展。

Coding Assistant与Coding Agent看上去只是自动化程度不同，但其背后其实是人机分工关系的变化。在Coding Assistant阶段，是人写代码，AI提供建议；在Coding Agent阶段，是人描述目标，AI负责执行，人再对过程进行监督，对最终结果进行判断和验收。当AI从辅助输入变成接受任务，它的潜在用户自然也就不再局限于程序员。

三、AI Coding扩大的，不是程序员数量

OpenAI在发布ChatGPT Work时提到，目前每周使用Codex的人已经超过500万，其中超过100万人将其用于软件开发之外的工作。Codex最初是一款面向开发者的Coding Agent，但越来越多分析师、市场人员、运营人员、设计师、研究人员和其他专业人士开始使用它，说明AI Coding的增长并不只是来自程序员使用频率的提高，而是有一批过去根本不会被归类为Coding用户的人，正在进入这个产品。

这些人可能是产品经理，用Agent制作产品原型和内部工具；可能是运营人员，用它清洗数据、处理表格和自动生成报告；可能是市场人员，用它制作落地页、整理营销素材；也可能是创业者，直接将一个想法变成可以运行的最小可行产品。他们未必掌握传统意义上的编程，不知道状态管理、数据库索引、容器部署，也未必能够独立检查复杂的代码问题，但他们知道自己所在行业的问题，知道想要解决什么，也能够判断最终的结果有没有价值。

过去，一个人拥有想法，并不意味着他能够把想法变成产品，中间还隔着需求分析、产品设计、界面设计、软件开发、测试和部署等一系列环节。今天，这条链路正在被Coding Agent压缩，一个了解业务的人，可以先让Agent做出初版，再根据结果不断反馈和修改。即使最终仍然需要专业开发者参与，很多想法也不必一直停留在文档、原型和会议里，而是可以更早地变成一个能够运行、能够被验证的东西。

这也是为什么我认为，AI不一定会让所有人都变成程序员，但它正在让更多人成为“构建者”。过去衡量AI Coding市场规模的问题是，有多少人会写代码；现在这个问题逐渐变成了，有多少人存在需要通过软件解决的问题。前者可能只有几百万或者几千万人，后者则包括大量产品人员、设计师、运营人员、研究人员、创业者，以及几乎所有需要处理数字化工作的知识工作者，这两个市场显然不是一个量级。

四、代码正在退到后台

我自己在开发DoseLoop的过程中，对这种变化有很直接的感受。从最初的产品想法，到功能设计、Flutter开发、落地页制作、隐私政策、商店素材和应用上架，AI工具参与了几乎所有环节。当然，这不能简单地理解为一个完全不懂产品和技术的人，也可以通过一句话做出一个成熟的产品。我有多年的产品和技术经验，知道一个应用需要哪些模块，也知道如何判断功能是否基本正确，AI压缩了大量执行时间，但需求判断、产品取舍、问题定位和最终验收，仍然需要人来完成。

但另一个变化也十分明显，我在使用Codex、Claude Code这类工具时，已经很难把它们单纯看作代码生成器。我会让它读取整个项目、分析问题、修改多个文件、运行测试，也会让它处理文档、整理素材、检查配置和生成脚本，甚至完成一些与传统软件开发关系并不大的工作。从我的角度看，我只是希望完成一件事情，至于这个过程中是否需要写代码、写什么代码、调用什么工具，很多时候已经是Agent内部的执行方式。

这可能正是AI Coding最重要的变化，用户的目标是完成工作，代码只是Agent完成工作的手段。现代知识工作的绝大部分对象，本身已经存在于数字世界中，包括文档、表格、数据库、网页、邮件、浏览器、企业系统、文件夹和各种SaaS服务，而代码恰好是操作这些数字对象最灵活、最通用的方式之一。

当一个用户要求Agent分析一批销售数据，找出最近三个月下降最明显的产品，并生成一份报告时，Agent可能会读取表格、编写数据处理脚本、生成图表，再将结果整理成文档；当用户要求收集十家竞争对手的价格变化，每周生成一次对比时，Agent可能会操作浏览器、调用接口、保存数据并建立自动化任务；当用户要求将一批产品资料做成一个可以搜索的网站时，Agent可能会创建数据库、编写前端页面、部署服务，再检查网站是否能够正常访问。

用户并不关心这些任务背后使用了多少行代码，也不关心使用的是Python、JavaScript还是其他语言，只关心结果有没有完成。就像今天的人使用手机，并不需要理解操作系统、数据库和网络协议一样，未来大部分人使用Coding Agent，也未必会意识到自己正在调用代码。代码当然不会消失，只是会从用户需要掌握的一项专业技能，逐渐变成Agent在后台调用的一种基础设施。

五、为什么是Coding Agent最先发展起来？

既然最终目标是通用生产力，为什么不是普通聊天机器人，而是Codex、Claude Code这类Coding Agent最先向这个方向发展？一个重要原因是，软件开发本身就是非常适合Agent学习、执行和验证的环境。代码能否编译、测试能否通过、页面能否正常打开、接口是否返回正确结果，这些任务大多具有相对明确的反馈，Agent做错了，可以运行程序看到错误，修改之后可以再次测试，一个复杂目标也可以被拆分成文件、命令和一系列可以执行的步骤。

与很多难以判断对错的知识工作相比，软件开发提供了一个相对完整的反馈闭环，包括理解任务、采取行动、观察结果、发现错误和继续修正。OpenAI在介绍自己的Agent-first工程实践时就提到，工程团队的主要工作正在从直接编写代码，逐渐转向设计环境、明确意图，以及建立能够让Agent可靠工作的反馈循环。

因此，Coding不仅是大模型公司选择的一个垂直市场，也是Agent学习如何真正完成任务的理想训练场。最初，Agent学会的是修改代码，接下来又学会操作终端、浏览器、文件、数据库和外部系统，当这些能力逐渐组合在一起，它所能完成的自然就不再只是软件开发。从这个角度看，Coding Agent向通用生产力工具扩展并不是偶然的跨界，代码本身就是Agent连接和控制数字世界的一种通用语言。

六、AI Coding的价值正在从代码变成结果

传统开发工具的价值，通常使用开发效率来衡量，包括少写了多少代码、节省了多少开发时间、修复了多少Bug、完成了多少需求。但当AI Coding开始进入非开发领域后，用户并不会用这些指标评价一个Agent。一个运营人员不会关心Agent为了分析销售数据写了多少行Python，只关心报告是否准确；一个创业者不会关心Agent修改了多少个文件，只关心产品能否上线；一个市场人员也不会关心页面使用了什么前端框架，只关心落地页是否能够正常访问，能不能带来转化。

因此，AI Coding的价值单位也正在发生变化，从代码产出变成工作成果，从开发者席位变成被完成的任务，从“帮助我写”变成“帮我做完”。当这种变化发生之后，Codex和Claude Code所面对的市场，也不再只是代码编辑器或者开发者工具市场，而是开始进入更加广泛的知识工作市场。到那个阶段，“Coding”可能只代表产品的技术来源，而不再代表用户实际使用它的方式，就像计算机最初主要被用于计算，但今天我们并不会把所有使用计算机的人称为计算人员。

Coding Agent最初因为会写代码而受到关注，最终可能因为能够完成工作而被广泛使用。它真正争夺的，不只是程序员每天花在IDE里的几个小时，而是知识工作者处理文档、分析数据、操作软件、查询信息、制作内容和完成各种数字化任务的时间。

七、这并不意味着程序员不再重要

当然，这并不意味着软件开发从此没有门槛，更不意味着专业程序员很快就会消失。Agent降低的是执行门槛，但它没有自动解决所有问题，用户仍然需要知道自己真正想解决什么，需要判断生成的结果是否正确，需要理解哪些风险不可接受，也需要对系统的安全、隐私、性能、成本和长期维护负责。

让Agent做出一个可以运行的页面已经不算困难，但一个可以运行的页面，与一个能够长期稳定服务真实用户的产品，仍然不是一回事。当项目规模扩大，系统之间相互连接，数据和业务变得复杂，专业知识反而会更加重要，只是程序员的工作重心可能会发生改变。过去，程序员的大量时间用于亲自编写和修改代码，未来则可能会花更多时间定义系统边界、设计架构、拆解任务、建立测试、约束Agent，并检查多个Agent产生的结果。

实现正在变得便宜，但判断仍然昂贵；代码生产正在增加，但真正稀缺的能力，可能变成了知道应该做什么、为什么这样做，以及如何确认它确实做对了。对于非程序员也是一样，AI工具可以帮助一个人快速完成以前无法完成的事情，但一个人能否真正使用好AI，仍然取决于他对所在行业和业务的理解，也取决于他的思考、表达、总结和抽象能力。AI可以放大一个人的能力，却不能凭空创造认知、经验和品味。

从这个角度看，Coding Agent并不是简单地消除了程序员与非程序员之间的差异，而是重新划分了人与计算机之间的工作边界。过去，人需要掌握具体的技术语言，才能把一个想法转化为计算机可以执行的指令；现在，越来越多的执行过程可以交给Agent，人则更多地负责提出目标、提供上下文、作出判断和承担责任。

八、AI Coding最大的市场，是不想写代码的人

回到最初的问题，程序员只有一两百万，为什么AI Coding却可以成为一个大市场？因为它真正扩大的，并不是程序员的人数，而是能够借助软件解决问题、创造产品和完成数字化工作的人群。如果AI Coding仍然只是帮助程序员更快地写代码，那么它确实是一个相对垂直的开发者工具市场，其规模最终仍然受到程序员数量的限制。

但当Coding Assistant发展为Coding Agent之后，产品的使用逻辑已经发生了变化。用户不再需要先掌握编程语言，再告诉计算机应该怎样一步步执行，而是可以直接描述自己的目标，由Agent读取文件、操作软件、编写代码、调用工具、检查结果并完成任务。用户使用的虽然仍然是一款拥有Coding基因的产品，但他的目的已经不再是写代码，而是完成一份报告、分析一批数据、制作一个网站、自动化一项流程，或者把一个想法变成可以运行的产品。

这也是为什么AI Coding最大的潜在市场，并不是那些喜欢写代码的人，反而是那些根本不想写代码的人。这些用户并不关心Agent使用了什么编程语言、修改了多少个文件，也不关心背后运行了多少行代码。他们只关心自己提出的问题有没有被解决，想要的结果有没有被交付，原本做不到或者需要协调很多人才能完成的事情，现在是否可以由自己完成。

过去，软件开发工具主要服务于已经掌握技术能力的人，帮助他们提高效率；未来的Coding Agent则可能将这种能力向外扩散，让更多没有接受过专业编程训练的人，也能够直接调用计算机的执行能力。它不会让所有人都成为程序员，却可能让越来越多人成为产品的创造者、流程的设计者和数字工具的构建者。

所以，AI Coding市场的真正变化，并不是职业程序员从一两百万人增长到了八百万人，而是“谁可以使用代码完成工作”这件事情发生了变化。过去，代码是一种需要长期学习的专业技能；现在，代码正在逐渐退到后台，成为Agent理解目标、操作数字世界和完成任务的一种执行手段。

自然语言则开始成为新的操作界面。用户负责说清楚自己想做什么，Agent负责决定应该如何实现。随着Agent能够操作的文件、软件、浏览器、数据库和企业系统越来越多，它所面对的市场也会从开发者工具市场，继续扩展到更加广泛的知识工作和数字生产力市场。

因此，AI Coding的终点，可能并不是让更多人学习怎样写代码，而是让越来越多的人不需要写代码，也能够获得过去只有程序员才拥有的部分能力。

当所有人都可以通过自然语言调用代码时，Coding就不再只是一个职业市场，而会成为整个数字生产力市场的入口。AI Coding最大的市场，也恰恰是那些不想写代码、只想把事情做成的人。

一个人、一款 App、一个月：从 DoseLoop 看 AI 时代 OPC 的可能与边界

人工智能、创业、博客文章Laoer1条留言

最近，我做了一款 App，叫 DoseLoop，中文名叫“用药有数”，主要功能是用药提醒和服药记录。目前已经上架了 App Store 和 Google Play。

这件事本身不算什么大事，一个用药提醒 App，也不是多么复杂的产品。但让我感受比较深的是，这个 App 从最初的想法，到产品设计、开发完成、App 备案，再到最后上架应用市场，大约只用了一个月，而且基本上是我一个人借助 AI 完成的。

所以，我也想借这个小产品，谈谈我对 AI 时代 OPC（一人公司）的一些感受。

我做 DoseLoop 的原因很简单，就是我自己有时候会忘记吃药。

这并不是说我不重视健康，而是很多时候，提醒响了，但当时正好在忙，心里想着等会儿再吃，结果后面就忘了。早上赶着出门，工作中开会，或者手头正好有别的事情，这些场景都很常见。等到晚上想起来时，药可能还在包里，或者药盒还放在桌上。

我之前也用过一些用药提醒类 App，但总觉得不太满意。有的提醒时效性有问题，响过一次就结束了，后面用户是否真的吃了药，并没有形成闭环；有的提醒又太强烈，给人的感觉像是在被催促，反而产生压力；还有一些 App 的 UI 和交互体验不太好，用起来并不舒服。

所以，我当时就在想，用药提醒这件事，看上去只是一个通知功能，但实际上并没有那么简单。真正重要的不是“通知有没有发出”，而是“用户是否真的完成了服药动作”。

从产品设计的角度看，这里面有一个很重要的矛盾：用药提醒需要闭环，但也需要克制。

所谓闭环，就是不能只在某个时间点响一下，然后就结束了。因为用户看到提醒，只是产生了吃药的意图，并不代表已经完成了吃药这个动作。意图和行动之间，经常隔着一段距离。可能是五分钟，也可能是一场会议，也可能是一整天。

所谓克制，就是提醒不能太粗暴。用药这件事，本身就和身体、疾病、压力有关，如果一个 App 的提醒方式太强硬、太频繁、太像命令，用户未必会更愿意执行，反而可能会想关掉提醒。

这里面其实有一些心理学依据。

第一个是认知负荷。人在忙碌状态下，大脑里同时处理很多事情，一些重要但不紧急的事情，很容易被延后。吃药就是典型的这类事情。它很重要，但在某个具体时刻，可能会输给出门、会议、工作、电话、消息和各种临时任务。

第二个是意图和行动之间的距离。很多提醒工具默认，提醒发出就算任务完成了。但真实情况是，看到提醒只是第一步，用户真正完成服药才是最后一步。如果中间没有持续的机制，就很容易断掉。

第三个是心理反抗。人对过度强制的提醒，天然会有抵触。特别是一些本来就带有压力的事项，如果提醒设计得不好，用户感受到的不是帮助，而是被控制、被催促。

所以，DoseLoop 的核心设计，不是单纯把提醒做得更强，而是让提醒在一段时间内持续存在，直到用户确认，同时尽量保持温和。

比如，DoseLoop 支持设置追踪时间窗口，可以设置 30 分钟、1 小时、2 小时、直到确认。在这个时间窗口内，App 会关注用户是否确认服药，而不是提醒一次就消失。

它也支持记录服药状态，包括已服用、已跳过、已漏服。这样，提醒就不是单向通知，而是形成了一个完整的服药记录闭环。

另外，DoseLoop 还支持不同提醒强度，比如温柔提醒、平衡提醒、强提醒。因为不同用户、不同药物、不同生活场景，对提醒强度的需求是不一样的。不是所有人都需要强提醒，也不是所有时候都适合强提醒。

在 UI 和交互上，我也希望它尽量克制，不要让用户觉得自己被管理、被监督、被惩罚。一个好的用药提醒 App，应该更像一个可靠但安静的助手，在你忘记的时候还在，但不会责备你。

这就是 DoseLoop 的产品出发点。

接下来就是做产品。

从时间上看，整个过程大约用了一个月（5月19日-6月17日，手里有其他主要工作，运用空隙时间）。产品开发大约用了两周多，注册 App Store 和 Google Play 开发者账号，准备应用市场的文字、图片素材，制作宣传视频，大约用了一周多。App 备案也用了大约一周左右。

整个过程基本都是我一个人完成的，并且大量使用了 AI 工具。

App 产品本身的开发，我主要使用了 CodeX、Claude Code、Antigravity，没有手写一行代码。这些工具在需求拆解、代码生成、功能实现、问题排查上都起了决定性作用。特别是现在的 AI 编程工具，已经不是简单的代码补全，而是可以覆盖完整功能的实现过程。

DoseLoop 的 Landing Page 是用 Claude Code 做的。以前做一个产品官网，虽然不算很复杂，但也需要前端开发、设计调整、内容组织，现在借助 AI，基本上一个人就可以完成第一版。

App的Logo、隐私条款、应用商店需要的文案，以及大量图片素材，我主要借助 ChatGPT 和 ChatGPT Image 完成。宣传视频则使用 Gemini 的 Veo 生成。

当然，这并不是说 AI 一键就把所有东西做好了。实际过程里，人还是要不断判断、修改、筛选和调整。AI 可以生成很多内容，但哪些能用，哪些不能用，哪些符合产品定位，哪些表达不准确，最终还是要自己决定。

但无论如何，AI 确实把一个人的能力半径放大了。

过去，一个 App 从 0 到上线，至少需要产品、设计、开发、测试、文案、市场、视频制作、合规等多个角色参与。现在，一个人借助 AI，可以把这些基础工作串起来，先做出一个可用版本。

这就是我这次最直观的感受。

DoseLoop 从一开始也是面向全球用户设计的，目前已经支持英语、中文、西班牙语和日语，后续还会增加葡萄牙语、德语、法语等更多语言。

在过去，多语言支持是一件比较重的事情。它不只是翻译几个按钮，而是包括产品界面、应用市场文案、关键词、截图文字、隐私条款、宣传素材等一整套内容。现在借助 AI，增加语言版本的成本明显降低了。虽然仍然需要人工检查和调整，但相比以前，门槛已经低了很多。

所以，从产品实现的角度看，我认为 AI 时代的 OPC 是完全有可能的。

OPC，也就是 One Person Company，一人公司。过去我们讲超级个体，更多是在内容创作、咨询服务、软件工具等方向。现在因为 AI 编程、AI 设计、AI 文案、AI 视频工具的成熟，一个人做一个完整 App，并不是不现实。

但这次经历也让我看到，AI 让产品开发变快了，并不代表所有事情都变简单了。

真正麻烦的部分，很多反而不在代码里。

比如公司资质、银行账号、开发者账号、主体认证、支付资料等问题，这些都是非常现实的问题。代码有 bug，可以调试；图片不好看，可以重新生成；文案不合适，可以修改。但公司资质和银行账号这些事情，涉及现实世界的规则和流程，并不是 AI 能直接替你解决的。

还有应用商店素材，也比我想象中更耗时间。App Store 和 Google Play 需要大量内容，应用名称、副标题、简短说明、完整描述、关键词、截图、置顶图、隐私说明、多语言版本、不同尺寸素材等等。即使用 AI 生成，也依然要花很多时间去整理、筛选、修改和上传。

所以，AI 并没有消灭工作，只是改变了工作的形态。

更重要的是，产品上线以后，并不代表商业就成立了。DoseLoop 现在已经上线 App Store 和 Google Play，但目前还没有下载量。这一点我觉得很有必要坦诚说出来。

因为它正好说明了 AI 时代 OPC 的边界。

从产品角度看，这次确实是一次完整的一人公司实践。我一个人借助 AI，在一个月左右完成了产品设计、开发、备案、官网、应用市场素材、宣传视频、多语言支持和上架。

但从商业角度看，这件事还没有被验证。没有下载量，就意味着用户还没有被触达，市场还没有感知到这个产品，产品价值还没有被真实用户验证，商业化更谈不上成立。

这并不是失败，而是一个真实的起点。

以前做产品时，我们经常会把“能不能做出来”看得很重要。但这次做完以后，我更加清楚地感受到，做出来只是第一步。

App 上架，只是获得了被下载的资格，并不代表自然会有人下载。现在不是缺产品的时代，而是缺注意力的时代。一个新 App，即使功能做得完整，设计也还可以，也很容易淹没在应用市场和社交媒体里。用户不知道它存在，就不会下载。用户没有建立信任，就不会长期使用。用户没有感受到足够价值，就不会付费。

特别是 DoseLoop 这种用药提醒产品，虽然它不是医疗诊断工具，但毕竟和健康管理有关。用户会关心提醒是否稳定，数据是否安全，产品是否可靠，是否值得长期使用。这些信任，不是靠几张 AI 生成的图片和几段应用商店文案就能建立的。

所以，AI 可以提高生产效率，但不能自动解决分发问题。

做出产品，解决的是生产问题。

获得用户，解决的是分发问题。

留住用户，解决的是价值问题。

让用户付费，解决的是商业问题。

AI 对第一个问题的帮助最大，对后面几个问题也有辅助，但不能替代真实市场的验证。这也是我对 AI 时代 OPC 比较冷静的看法。

从产品实现角度，OPC 已经非常可行。一个人借助 AI，可以更快地做产品，更快地上线，更快地完成过去需要多人协作才能完成的基础工作。

但从商业成功角度，OPC 仍然很难。

AI 降低了产品从 0 到 1 的门槛，但没有取消市场竞争，也没有取消用户获取成本，更没有取消商业模式验证。甚至，AI 可能还会带来一种错觉：因为做产品变快了，所以做成一门生意也会变快。但这两件事并不是一回事。

在我看来，AI 时代 OPC 最大的价值，不是让一个人轻松做成一家公司，而是让一个人可以更低成本地验证一个真实问题。过去，很多想法可能还没开始就结束了。没有团队，没有预算，没有设计师，没有工程师，不知道怎么上架，不知道怎么做素材，也不知道怎么做多语言。现在，这些门槛都降低了。一个人可以先做出 MVP，先上线，先看看有没有人需要，先测试市场反应，再决定是否继续投入。

这已经是很大的变化。

DoseLoop 对我来说，就是这样一次实验。

它证明了一件事：一个人借助 AI，确实可以在很短时间内完成一个完整 App 的产品链路。

但它也提醒我另一件事：产品上线不等于商业成功，全球多语言不等于全球增长，AI 生成内容不等于市场分发，一个人能把产品做出来，不等于一个人能轻松把产品做成。

所以，如果问我 AI 时代 OPC 是否可行，我现在的答案是：

从产品实现角度，可行。

从商业成功角度，不确定。

AI 让 OPC 更容易开始，但并没有让 OPC 更容易成功。

DoseLoop 现在刚刚走到这个阶段。产品已经上线，真正的验证才刚开始。

最后，欢迎下载使用DoseLoop · 用药有数

Apple App Store

Google Play

Android APK下载

为什么我做了 DoseLoop · 用药有数

互联网、创业、博客文章Laoer发表留言

有时候，一个提醒并没有错。

它出现得很准时。

内容也很重要。

甚至，它提醒的事情，本来就是你自己想做的。

但就在它弹出来的那一刻，你的第一反应却不是“谢谢提醒”，而是：

“我知道了，但现在先别烦我。”

这听起来有点矛盾。

你不是不想做。

你也不是不重视。

你只是刚好在忙。

可能你正在开会，手机亮了一下，你看见了，但没法立刻停下来。可能你正赶着出门，手里拿着包、钥匙和咖啡，脑子里全是下一件事。可能你刚处理完一堆消息，已经很累了，只想让世界安静一会儿。也可能你正被一些琐事或烦心事困住，那一刻，任何额外的提醒都会让人有点想逃开。

不是提醒错了。

只是它来的时候，你刚好没有余力回应。

后来我意识到，这其实是一种很常见、却很少被产品认真对待的心理状态。

很多产品默认，只要提醒到了，人就会行动。但真实生活不是这样。

人不是机器。提醒出现的时间，不一定就是我们最适合行动的时间。

在心理学里，这背后有几个很真实的机制。

第一个，是认知负荷。

当一个人正在处理工作、情绪、家庭、通勤、社交消息，或者只是经历了一个很累的白天时，大脑的注意力资源是有限的。这个时候，即使一个提醒本身是善意的，也可能被感受成新的负担。

你知道它重要。

但你的脑子已经很满了。

第二个，是意图和行动之间的距离。

很多事情没有完成，并不是因为我们没有意愿。而是因为“我想做”和“我现在能做”，并不总是发生在同一个时刻。

提醒来的时候，你知道该做。

但你现在不方便。

等你终于方便的时候，提醒已经消失了，你也被生活带去了别处。

于是，事情就这样掉进了缝隙里。

第三个，是心理反抗。

当提醒太强、太频繁、太咄咄逼人时，人会本能地感到被控制。哪怕这件事本来是对自己好的，我们也可能产生一种抗拒：

“别催我。”

“我知道。”

“我会做的。”

这并不说明人不自律。

它只是说明，人需要一点自主感。

提醒如果只会施压，就很容易从帮助变成打扰。

而用药提醒，正好处在这些心理机制交汇的地方。

吃药是一件重要的事。

但它又常常发生在生活最普通、最混乱、最不完美的时刻。

早上准备出门时，提醒来了。你心里想着：“等一下，马上吃。”于是先把药盒放进包里。

上班时，提醒又来了。你正在处理事情，心想：“我看到了，忙完就吃。”

晚上回到家，你才突然想起来：

那盒药，还在包里。

很多时候，漏服不是因为没有提醒。而是因为你看到了提醒，也打算去做，只是那个瞬间不适合行动。

这就是我想认真解决的问题。

传统的提醒工具，通常有两种方式。

一种是到点提醒，然后消失。

它很轻，但太容易被生活淹没。

另一种是不断响、不断弹、一直停留在屏幕上。

它很强，但也容易让人感到压力，甚至想直接关掉。

我一直在想，能不能有第三种方式？

一种不是更吵，而是更懂人的提醒方式。

它知道你可能已经看到了。

它也知道你可能不是不想做，只是现在没空做。

它不会因为你没有立刻回应，就把你当成失败。

也不会用持续的打扰，逼你马上行动。

它只是温柔地把这件事留住。

这就是 DoseLoop · 用药有数。

DoseLoop 是一个用药提醒与服药记录 App。但对我来说，它不只是一个“到了时间提醒你吃药”的工具。

我更希望它解决的是那个很细微、但很真实的心理问题：

当一个人已经知道该吃药，却暂时没有心理带宽去处理这件事时，产品应该如何陪在旁边，而不是继续制造压力？

所以，DoseLoop 的提醒设计是克制的。

它会提醒你，但不假设你必须立刻回应。

它会在设定的追踪时间窗口内继续关注这次用药，而不是提醒一次就消失。

它可以根据你的偏好，选择温柔提醒、平衡提醒，或者更强一些的提醒方式。

它会尽量把提醒从“催促”变成“陪伴”。

因为很多人需要的，并不是一个更响的闹钟。

而是一个在生活很乱的时候，仍然能帮你把重要的事轻轻带回来的工具。

DoseLoop 想服务的，也不是那个永远自律、永远从容、永远能立刻行动的人。

它想服务的是更真实的我们：

那个早上匆忙出门的你。

那个工作中被不断打断的你。

那个心里明明记得，却暂时没有余力处理的你。

那个晚上回到家，才发现自己又差点把自己忘在一天后面的你。

我做 DoseLoop，不是为了让提醒变得更强硬。

而是希望提醒可以变得更体贴。

不是催你。

不是责备你。

不是制造新的压力。

而是在你暂时顾不上自己的时候，轻轻帮你把自己找回来。

DoseLoop 关注的，是“我知道该吃药”和“我现在能去吃药”之间的那段空隙。

那段空隙很小。

但很多漏服、很多自责、很多“我明明想做的”，都发生在那里。

这就是 DoseLoop 存在的意义。

提醒，但不打扰。

重要，但不施压。

在你准备好的时候，把该做的事带回你身边。

DoseLoop · 用药有数 – 用药提醒记录 App

2025，我的第10个年度总结

人工智能、创业、博客文章、工作、生活Laoer发表留言

这是我第10年，在自己的微信公众号上发布个人的年度总结。10年时间，宛如白驹过隙。

2025这一年，围绕的主题，还是AI。DeepSeek-R1在1月份横空出世，在春节期间，着实大火了一把，自媒体上一阵狂欢，言必说DeepSeek，让很多之前对AI无感的大众，对AI有了认知，当然也降低了对潜在客户的教育成本。

到3、4月份，客户就已经积极的开展基于DeepSeek等AI大模型的应用立项，我们也随之动起来，开发这些项目，所以大约从5月份开始，我就非常忙，周末大部分时间也是在开发，一直忙到了年底，这几个项目都完成上线了，使用效果还需要进行后续的跟踪。

这几个月的开发，从开始的AI Copilot到后面已经完全是Vibe Coding，深刻的感受到AI编程能力的突飞猛进，我今年开发的项目，前端完全由我一个人完成，用到了React（Next.js）、Vue、微信小程序的原生TypeScript，UI框架就用了5个，Ant Design、Ant Design Mobile、Vant、Naive UI、TDesign，如果没有AI辅助，很难在短时间内交付。AI编程工具更是百花齐放，从GitHub Copilot到Cursor、Windsurf、Antigravity，以及国内出品的TRAE、CodeBuddy、Qoder，还有命令行的Google Gemini CLI、Claude Code、Codex CLI，老牌IDE JetBrains的JetBrains AI和Junie，这些产品大部分我都体验过，最后一直使用的是JetBrains里的GitHub Copilot插件、JetBrains AI和Antigravity，而且Antigravity用的越来越多，特别是在开发前端应用时。

2025年被公认为AI从“工具时代”向“智能体（Agent）时代”全面跨越的一年。这一年，各大巨头均发布了具有里程碑意义的模型。OpenAI的GPT 5、5.1、5.2，Anthropic的Claude 4 系列，以及后续4.5 Opus、4.5 Sonnet，xAI的Grok 3、Grok 4，Google Gemini的2.5和3，其中Google Gemini 3 Pro最为抢眼，在各种基准测试中领先，而且从使用上也明显感觉要优于之前的模型以及其他竞争对手，在编程方面，Claude 4.5肯定是最强。开源模型方面，除了国货之光的DeepSeek，Meta发布了Llama 4，以及阿里的Qwen 3，由于Llama 4不及预期，2025年9月，Qwen在 Hugging Face 上的下载量正式超越 Llama，成为全球下载量最高的开源模型。2025 年，AI 大模型在“推理更强、多模态/具身加速落地、开源与端侧部署并进、成本快速下探”的驱动下呈现百花齐放的繁荣格局，同时头部与新势力同场竞速，竞争显著加剧、迭代节奏全面提速。

这一年，除了感受到AI的能力越来越强，也感受到AI的应用落地并不如理想中那么好，上半年由于DeepSeek的火爆，各行各业都在围绕DeepSeek讨论应用，但到了下半年，会明显感受到大家都冷静下来了，Demo演示不错，但到了实际业务场景上，却形成了巨大的落差。大部分的AI应用，多集中在泛娱乐的场景中，写个自媒体文案、画个图、做个PPT还可以，稍微复杂一些的业务，根本无法支撑，不是所有人每天都在做调研写PPT吧。举个例子，我在6月份时买了一台洗烘一体洗衣机，在11月份时候，烘干的风机坏了，维修后，烘干功能没用几次，到12月份又坏了，我就要求换新，因为我第二次报修的时间只超过了换新质保期2天，而且是经过一次维修后又是同一个故障，所以商家同意给我换新。这是一个非常典型的客服场景，客服也是AI应用最多的场景，但这个问题如果用AI客服机器人，是无法解决的，就算最智能的AI客服，会通过工具查询我的订单日期、质保时间，以及通过RAG查询质保政策，最后告诉我的肯定是由于换新质保期超过时效，只能给我再次维修，无法换新，AI永远无法做到真正的情感交流，以及在制度外的操作弹性。目前AI应用最成熟，最可见到效果的的领域就是AI编程了，媒体上说是“智能体（Agent）时代”全面跨越，但实际上，大部分的AI Agent都未解决实际业务问题。

全社会都在讨论AI替代，也就是很多工作会被AI替代掉，但我认为，无论AI如何发展，商业的核心价值仍然是人，拿AIGC（人工智能生成內容）来说，我之前的总结里说过很多次，优质的内容具备持久的生命力和商业价值，但在面对海量AI生成的文本、图片、视频等，那些独具匠心、打动人心的内容，还是凤毛麟角，因为具备能持续产生独到创意的人，还是极少数，也就是处在人才金字塔顶上端的人是少数，输出优质内容（包括产品、服务）靠的还是人的认知、思想和品味。AI只是工具，在优秀的人手里运用，会出现几何倍产出的效应，但对一般人来说，未必能发挥出更高的价值。老板们说，AI来了，以前10个人的团队，现在要裁掉5个，但实际上呢，这10个人干的活，本身5个能力好点的人就能干好，甚至都不需要5个人，而在AI的加持下，其产出会更多、质量更好，所以对于老板们来说，还是要找到本行业中的那些佼佼者，而AI又会把这些人本身的能力放大。我去年总结的时候说过会出现更多的超级个体，这些人本身就能力出众，掌握AI能力后成为了超级个体。AI可以替代简单重复的工作，但不能替代那些天马行空的想象力和创造力，也替代不了那些触动内心的情感，以及那些细微敏锐的直觉。普通人需要做的就是学习AI，在自己的行业领域里精进，做到三会二能（会思考，会表达，会提问，能总结，能抽象）。

今年读书的时间太少，只读了2本书，分别是《ChatGPT进阶：提示工程入门》、《鸿蒙开物：终端操作系统的破晓之路》，很多时间我都用来观看AI相关资讯的视频和播客，了解AI行业内最新的动态和后面深度的解读。今年英语学习断断续续，在背单词的“扇贝网”上的打卡记录是3008天。

今年有一件大事，就是我儿子的高考，在元旦节后，儿子参加了上海市的春季高考，正常发挥，分数还算可以，鉴于他语数外之外的小三门比较弱（春考只考语数外三门），所以决定报春考的学校，在3月份，被上海本地一所双一流大学的工科专业录取，所以3月份之后，我们都轻松了，儿子也不用参加6月的秋考，玩了好几个月，9月份正式开启了大学生活。

在大学开学前，我们一家又去日本关西旅游了一周，这次去了和歌山、白滨、姬路、神户、宇治、奈良等地。这一年我还在小红书上还是做自媒体（Tim的旅行与生活），分享日本旅行攻略，积累了3千多个粉丝。不过年底中日关系遇冷，日本出境游市场将受到打击，旅游行业–这个我曾经从事了10年的行业，受影响的因素实在太多了。

2026年，希望公司业务发展、项目研发都顺利，希望儿子扎实学业，家人都身体健康。

父亲已经离去我们3年了，我们都很想念他，希望他在天堂安好，也保佑我们全家人。

封面图片：日本白滨千畳敷，拍摄于2025年9月8日。

著作权 © 2026 i@laoer.com - 由 CosmosWP 提供支持