与「容器技术」相关的搜索结果

苹果官方开源神器来了！ container v1.0.0 正式发布！ 在 Mac（Apple Silicon + macOS 26）上，用轻量级虚拟机原生运行 Linux 容器！ Swift 编写、Apple 虚拟化框架深度优化、OCI 完全兼容。 再也不用忍受 Docker Desktop 吃资源、兼容问题了！ ✨ 新增 container machine 功能 支持持久化 Linux 开发环境，与宿主机深度集成，丝滑到飞起～ GitHub（已 44k+ Stars）： 快去 Star + 下载试用！ 支持苹果开源，一起把 Mac 容器体验推向新高度！ #AppleContainer# #macOS开发# #Swift# #容器技术# #开源项目# #WWDC#

如果这类项目继续发展下去，“手机”这个概念可能真的会消失。我们未来用的，可能根本不是“手机”，而是“运行在云上的 Android 实例”。 docker-android 做了一件很反常识的事：把完整 Android 系统，直接塞进 Docker 容器里运行。 不是简化版，不是模拟器壳子，而是：👉 Android Emulator + ADB + QEMU + libvirt 的完整组合 结果一个“手机环境”，变成了一个可以部署的服务。 更夸张的是它的体积：Android API 33：约 1.97GB，API 28：约 1.46GB，极限精简后：138MB 一个“手机操作系统”，可以小到接近一个轻量服务镜像。 它带来的变化不是技术，而是定义层面的： 👉 Android 不再绑定设备 👉 手机不再是“硬件形态” 👉 操作系统开始变成“云端服务” 你甚至可以在服务器上直接： 跑 Android App 做自动化批量测试 远程控制 UI 构建虚拟设备集群 真正值得讨论的是这一点👇 当手机系统可以被容器化部署，那“手机厂商”的护城河还剩什么？ 🗂 #Android# #Docker# #云计算# #开源# #技术思考#

在 Linux 系统上工作，偶尔遇到必须用 Windows 软件的情况，装虚拟机太重，用 Wine 兼容性又不好。 最近看到 WinPodX 这个开源项目，让 Windows 应用在 Linux 上，点开图标就直接用。 比如双击 .docx 文件就能直接用 Word 打开，剪贴板、声音、打印机都是双向共享的，还能把 USB 设备直接传给 Windows 使用。 GitHub： 背后运行一个 Windows 容器，通过远程应用技术把每个程序单独渲染成 Linux 窗口，有独立图标，能固定到任务栏，也能正常切换。 首次安装大概等五到十分钟，之后启动几乎秒开，支持主流 Linux 发行版，一条命令就能装好。

我最近在重新理解 BTC 和纳指 100 的关系 过去我会很简单地认为： 买 BTC，本质上是在买：货币超发、通货膨胀、钱越来越不值钱。 买纳指 100，本质上是在买：人类技术进步、生产力提升、最强科技公司持续创造价值。 但后来我发现，这两个资产的长期上涨，可能有一个更底层的共同根源： M2 的持续扩张 也就是，整个社会的名义货币总量，一直在变大 主权国家长期印钞，信用体系不断扩张，社会中的钱越来越多。问题是，这些新增出来的钱，最终会流向哪里？ (图: 引用自 global broad money，2000-2025 年期间，全球广义货币从 26 万亿到 142 万亿美元，平均年化约 7%) 它们不会平均流向所有资产 它们会流向最稀缺、最有共识、最有流动性、最能承载巨量资金的资产 这就是 BTC 和纳指 100 底层的相似之处 BTC 捕获的是：法币越来越软之后，人们对硬资产、稀缺资产、非主权资产的需求。 它不是简单的「抗通胀工具」，更是一个硬货币容器 M2 越来越大，法币购买力被稀释，而 BTC 的总量上限只有 2100 万枚 所以 BTC 的长期逻辑 = M2 扩张 × BTC 共识扩大 × 全球配置比例提升 如果全球财富池越来越大，同时越来越多人愿意把其中一小部分配置到 BTC，那么 BTC 的价格就不是线性增长，而是非线性重估 纳指 100 捕获的是另一种东西：技术进步、生产力提升，以及利润向头部公司的集中 它也不是简单的「买科技」，更是一个「生产力容器」 人类社会每一次技术升级，最终都会被少数最强公司转化成收入、利润、现金流和股东回报。纳指 100 会跟随市场，更新迭代 100 家公司。 云计算、AI、半导体、操作系统、广告网络、企业软件、数字基础设施，本质上都是现代经济的收费站 所以纳指 100 的长期逻辑 = M2 扩张 × 技术进步 × 利润向头部公司集中 而且最强科技公司不只是跟着 GDP 增长，它们会吃掉更多产业链利润，获得更强的定价权和更高的资本效率 全球 GDP 一年增长 3%，通胀一年 4%，名义财富池每年大约以 6%–8% 的速度变大 真正的好资产，必须拥有超过这个速度的「逃逸速度」：不仅要跑赢货币贬值、跑赢 GDP，还要跑赢社会平均资产回报率 BTC 和纳指 100 虽然表面上不同： 一个是没有现金流的数字硬资产 一个是有现金流的权益资产组合 但它们底层都在吃同一件事： 不断扩张的 M2，正在流向最强的资产容器 区别在于： BTC 把 M2 扩张，转化为稀缺性溢价 纳指 100 把 M2 扩张叠加技术进步，转化为企业利润和估值溢价。 一个是稀缺性的货币化 一个是生产力的利润化 一个对冲「钱越来越不值钱」 一个押注「世界越来越有效率」 所以我现在，这样理解这两个资产： BTC 是 M2 扩张时代的「硬货币容器」 纳指 100 是 M2 扩张时代的「生产力容器」 长期看，世界不是静止的 人类 GDP 在增长，主权国家在印钞，金融资产在扩张，技术生产力在进步，全球财富池在变大... 钱一定会越来越多？而问题是： 越来越多的钱，最终会流向哪里？ 当下的答案是： 会流向那些最稀缺、最有共识、最有网络效应、最能承载全球资本的资产。 这可能就是 BTC 和纳指 100 的共同上涨源动力

聊一个可能会让很多人不舒服的判断：NFT这波回归，绝大多数人根本看不懂。 不是因为他们笨，是因为下一波NFT，大概率长得一点也不像NFT。 上一轮太疯狂了。PFP猴子，地板价，明星带货，大家一边骂JPEG是智商税一边把地板价从0.1怼到10个ETH。那是一个把“拥有”当喇叭喊的周期。谁买了什么，换什么头像，进什么社群，全都写在脸上。 但下一轮会完全反过来。 我的第一个具体预测：到2025年底前，至少会出现三个用户规模超过上一轮头部NFT项目的“隐藏款NFT产品”，但它们绝不会用NFT这个词来宣传自己。它们会叫“数字身份”“跨应用道具”“AI凭证”或者干脆就是“会员卡”。普通用户从头到尾不会看到“铸币”“gas费”“智能合约”这些词，甚至不知道自己用的东西跑在区块链上。 这听起来可能有点反直觉，但我认为这才是一个技术真正成熟的标志。你看TCP/IP，你看蓝牙，你看二维码，哪一个是天天挂在嘴边告诉你在用的？ 第二个预测：游戏会是第一个跑通大规模落地的场景，但不是Play to Earn。 这里我要反驳一个流行的悲观观点。很多人说“NFT游戏已死，因为上一轮全是旁氏”。我觉得这个判断把问题归错了地方。上一轮死掉的那些游戏，核心问题是经济模型设计成了资金盘，而不是NFT技术本身有问题。实际上，游戏行业早就证明了数字资产有巨大的付费意愿。 说一个具体数字：仅《CS2》和《英雄联盟》两款游戏，皮肤相关年收入加起来就超过50亿美元。玩家购买这些物品时，没有一个人在乎它们是不是NFT。他们在乎的是“这个皮肤是我的”“我能用它装杯”“我退坑了还能卖掉”。现在的中心化游戏账户里，这些资产其实是租给你的。游戏公司封你号，资产归零。你没有任何办法。 NFT基础设施能解决的就是这个“真正拥有”的问题。 所以我的具体预测是：2026年之前，会有一款主流级传统游戏（不是链游工作室出的那种）以“无感上链”的方式推出可交易皮肤。用户甚至不需要知道区块链，只需要看到“这个道具可以跨服务器交易”或者“这个皮肤可以在官方市场卖给其他人”。到那时候，大家说的不是“我买了一个NFT皮肤”，而是“我在游戏里卖了个皮肤赚了200块”。 第三个预测，也是我觉得最可能被低估的一个：AI agent会让NFT从一个收藏品市场彻底转变为一个身份和权限市场。 我来解释一下为什么。现在大家讨论AI agent，更多是在聊自动交易、自动发推、自动回复。但AI agent真正需要的是什么？是能证明“我是谁”“我能做什么”的凭证。 举个例子，未来某个AI需要访问一个付费API，它可以持有一个NFT，代表它已经购买了月度订阅。另一个AI需要代表你参与一个治理投票，它需要一个权限NFT来证明它有权替你签名。再或者，AI agent之间互相协作，A需要向B证明自己来自某个可信协议，这个证明最快的方式就是钱包里有没有对应的NFT。 这个时候，NFT不再是用来炫耀的头像，而是一个安静的后台技术组件。没有人会说我买了一个NFT。大家会说，我的AI自动续费了会员，或者我的AI自己收集了一组链上资产。 我的具体预测是：到2025年第三季度，会出现第一个被广泛使用的“AI专用NFT标准”，它不是为了好看，而是为了机器之间的互操作性。 现在来说一个更反主流的观点，也是我自己的独到见解。 很多人都说“NFT已死”，理由是交易量跌了90%，蓝筹地板价腰斩再腰斩。我认为这个结论太短视了。死亡的不是技术，而是“NFT”这个品牌。这个词已经被严重污染了。你跟圈外人说NFT，他脑子里只有猴子、欺诈、跑路、30万美金的JPG笑话。这就好比你说“互联网泡沫破裂后，.com公司都死了”，但实际上活下来的Amazon和Google只是不再张口闭口说自己是一家.com公司。 所以我的第四个预测也是最核心的一个：“NFT”这个三个字母会在主流叙事中逐步消失，取而代之的是更具体的应用层名词。比如“链上皮肤”“可携带资产”“智能会员”“AI凭证”。普通用户会用这些词，而不会关心底层是什么。但基础设施层面，ERC 721和1155这类标准的使用量会稳步增长，只是大家不再喊那个名字了。 我还想针对“技术没有价值”这个反驳一下。有人说NFT就是一张链上的链接，图片存在中心化服务器，有个屁的价值。这个批评有一定道理，上一轮很多项目确实如此。但你没看到的是，真正的基础设施在往前走。动态NFT、可编程的权限控制、EIP 6551（代币绑定账户）这些已经可以让一个NFT变成一个独立的钱包，拥有自己的资产和交互历史。一个游戏皮肤可以自己记录它被谁拥有过、打过几场比赛、获得过什么成就。这些不是JPEG，而是数据容器。 所以我最后的观点是：NFT不会死，但“NFT”这个名字会死。它的回归不会是一根大阳线拉盘，而是像空气一样渗透进你每天使用的产品里。你玩一款游戏，你买一个AI会员，你用一个跨平台工具，你根本没有意识到背后跑着NFT。然后有一天你回头看，才发现原来整个互联网的“拥有权”已经被悄悄重构了。 那最后一个问题留给大家： 下一个能让几百万人使用的“爆款NFT项目”，它还会不会在自己的官网上写“NFT”三个字？

CoreWeave 与 Google Cloud 今儿宣布算力互联，解决企业面临的算力孤岛带来的资源错配问题。 此次合作的技术支柱是 CoreWeave Interconnect。通过光纤网络与 Google 的全球网络直接打通，辅以 MACsec 硬加密技术，实现了低延迟、高安全的数据传输。 最值得关注的是其专利技术 LOTA Cross-Cloud（本地对象传输加速器）。它将数据直接吞吐至 GPU 节点（单卡达 7 GB/s），不仅解决了跨云传输的延迟问题，更从商业逻辑上消除了高昂的出口费用（Egress Fees）。 这种模式为开发者提供了灵活的“组合拳”方案： 训练端：利用 CoreWeave 极其垂直、高性能的 GPU 集群（如 H100/B200）进行大规模模型训练。 推理与生态端：训练好的模型可无缝调用 Google Cloud 的数据湖、GKE 容器服务或全球分发网络进行商业化推理。 商业影响：CoreWeave 的渗透力将激增 这一合作将显著提升 CoreWeave 的市场占有率： 降低决策风险：CoreWeave 从一个“外部第三方平台”转变为 Google 生态的“高性能算力插件”，极大降低了企业迁移的心理门槛。 获取增量客户：原本受限于数据搬运成本和复杂配置的 Google Cloud 存量用户，现在可以更顺畅地使用 CoreWeave 的算力资源。 硬件确定性：作为 Nvidia 的核心伙伴，CoreWeave 的新型 GPU 供应优势，将通过 Google 的渠道加速被市场消化。 从 AWS、Google Cloud 与 CoreWeave 的合作可以看出，在算力资源极度紧张的情况下，“开放云环境”正在取代早期的“围墙花园”。对于拥有算力的供应商，都很可能基于不同的模式和巨头们的算力互联互通 免责声明：本人持有文章提及股票，观点充满偏见，非投资建议dyor

Vercel 开源了 Open Agents，一个用来搭建企业自有编程 Agent 平台的参考实现。 CEO Guillermo Rauch 说：现成的编程 Agent 在大型代码仓库上表现不行，也不了解你公司的知识体系和内部流程，所以 Stripe、Spotify、Block 这些公司都在造自己的 AI 软件工厂。 Open Agents 绑定了 Vercel 自家的 Fluid、Workflow、Sandbox 和 AI Gateway 这套底座。但不管怎么说，Open Agents 给了一个可以直接 fork 的起点。 架构分三层：前端负责会话和认证，Agent 作为持久化工作流运行在 Vercel 上，沙箱提供隔离的代码执行环境。一个关键设计是 Agent 不跑在沙箱里面，而是从外部通过工具调用（文件读写、Shell 命令、搜索等）操作沙箱。这样 Agent 的生命周期、沙箱的生命周期、模型的选择，三件事互不绑定，各自演进。 功能上已经比较完整：支持对话驱动的编程 Agent、沙箱快照恢复、仓库克隆和分支操作、自动提交和发 PR、会话分享，甚至还有语音输入。 对于正在考虑自建编程 Agent 的技术团队，这省了从零搭架子的功夫。对于没有这个需求的开发者，这个项目的架构设计本身也值得看看，尤其是 Agent 和执行环境分离这个思路，几乎是当前所有 Agent 框架都在趋同的方向。 对比下 Anthropic 的 Managed Agents。 Vercel 的 Open Agents 是开源参考实现，给你一套可以 fork 的代码，自己部署、自己改。Anthropic 的 Managed Agents 是全托管服务，你通过 API 定义 Agent 的行为，基础设施全部由 Anthropic 运行，连沙箱、状态管理、错误恢复都不用操心。 有意思的是，两者在架构核心上达成了同一个共识：Agent 和执行环境必须分离。Vercel 的文档里专门强调"the agent is not the sandbox"，Agent 从外部通过工具调用操作沙箱。Anthropic 的工程博客用了一个更形象的说法，把 Agent 拆成"大脑"和"手"，大脑（模型和调度循环）不住在容器里，通过接口远程操控沙箱。 Anthropic 的工程博客还解释了为什么要这么做：早期他们把所有东西塞进一个容器，结果容器变成了"宠物"（Pet），挂了就什么都丢了，调试还得钻进去看，而容器里又有用户数据，安全上也过不去。拆开之后，容器变成了"牲口"（Cattle），坏了就换一个，会话日志（Session）独立存储在外面，随时可以恢复。 除了架构哲学，两者的差异很明显： 模型锁定方面，Open Agents 不绑定模型，你可以接任何 LLM。Managed Agents 只能用 Claude 系列模型，但换来的是 Anthropic 在 harness 层面做的 prompt caching、上下文压缩、自动恢复这些优化，这些东西自己搭很难做好。 成本结构方面，Open Agents 的成本是你自己的基础设施费用加上模型 API 调用费。Managed Agents 是三层计费：模型 token 费 + 每小时 0.08 美元的运行时费（按毫秒计，空闲不收费）+ 网页搜索每千次 10 美元。 控制权方面，Open Agents 给你完整源码，怎么改都行，但搭建和维护是你的事。Managed Agents 上手快（有人说 30 分钟就能跑起来），但你被限制在 Anthropic 提供的 API 能力范围内。

大规模 agent matrix 目前还有两个比较麻烦的事情没有解决，一个是虚拟化技术难以支撑高并发网络，在裸金属机上也很难做到，codeben 上线后容器白天一直是打满的状态，另外就是推理其实应当和沙箱放在一处，我相信这两者结合一定会出现新的基础设施架构与服务，而这就是未来互联网的基础设施。

【2】90% 的代码是自己写的——Claude Code 的技术选型哲学 Claude Code 有 90% 的代码是它自己写的。 听起来像噱头，但这其实归功于他们的技术决策逻辑。 先看技术栈：TypeScript 写主体，React 搭配 Ink 框架做终端 UI，Meta 开源的 Yoga 做布局系统，Bun 负责构建打包。 为什么选这些技术栈呢？因为它们“在分布内”。 “在分布内”（on distribution）是 AI 领域的术语。意思是模型已经见过大量这类代码，擅长处理它们。TypeScript 和 React 正是 Claude 的强项。如果选一个冷门框架，模型就得“学习”，效果会打折扣。 这个选择带来一个美妙的循环：用 Claude 擅长的技术栈写 Claude Code，然后用 Claude Code 写更多 Claude Code。90% 自己写自己，就是这么来的。 他们在架构层面的选择同样简洁。 Claude Code 在本地运行。没有 Docker 容器，没有云端沙箱，就是直接在你的电脑上读写文件、执行命令。

唐杰 @jietang 是清华大学教授、智谱（GLM 系列模型出自他们家）AI 首席科学家，也是国内最懂大模型的人之一。他刚发了长微博（见评论），谈 2025 年对大模型的感悟。 有意思的是，唐杰和 Andrej Karpathy 的观察有不少共鸣，但也有一些不同的侧重点。两个顶级专家的视角放在一起看，能看出更完整的图景。 内容比较长，但有句话我要特别放在前面高亮一下： > AI 模型应用的第一性原理不应该是创造新的 App，它的本质是 AGI 替代人类工作，因此研发替代不同工种的 AI 是应用的关键 如果你是在做 AI 应用开发，应该反复思考一下这句话：AI 应用的第一性原理不是创造新产品，而是替代人类工作。想清楚这一点，很多事情的优先级就清楚了。 唐杰的核心观点有七层逻辑。 --- 第一层：预训练没死，只是不再是唯一主角 预训练仍然是让模型掌握世界知识和基础推理能力的根基。 更多的数据、更大的参数、更饱和的计算，依然是提升模型智商最高效的办法。这就像还在长身体的孩子，饭量（算力）和营养（数据）必须管够，这是物理规律，没法绕弯。 但光有智商不行，现在的模型有个毛病：容易“偏科”。为了刷榜单（Benchmark），很多模型都在针对性地做题，导致在真实复杂的场景下反而不好用。这好比孩子上完九年义务教育（预训练）后，必须把他扔到真实的职场里去实习，去处理那些书本上没有的烂摊子，这才是真本事。 所以接下来的重点是“中后训练”（Mid and Post training）。中后训练这两个阶段负责「激活」模型的能力，尤其是长尾场景的对齐能力。 什么是长尾场景？就是那些不常见但真实存在的需求。比如帮律师整理某类特殊合同、帮医生分析某种罕见病的影像。这些场景在通用测试集里占比很小，但在真实应用中至关重要。 通用 benchmark 一方面评测了模型效果，但也可能让很多模型过拟合。这和 Karpathy 说的「训练在测试集上是一门新艺术」观点一致。大家都在刷榜，但榜单刷了高分不等于能解决真实问题。 --- 第二层：Agent 是从「学生」到「打工人」的跨越 唐杰用了个形象的比喻： > 如果没有 Agent 能力，大模型就是个“理论博士”。一个人书读得再多，读到了博士后，如果不能动手解决问题，那也只是知识的容器，产生不了生产力。 这个比喻精准。预训练是上课，强化学习是刷题，但这些都还在「学习阶段」。Agent 是让模型真正「干活」的关键，是进入真实世界、产生实际价值的门槛。 不同 Agent 环境的泛化和迁移并不容易。你在一个代码环境里训出来的能力，换到浏览器环境就不一定好使。现在最简单的办法，还是不断堆更多环境的数据，针对不同环境做强化学习。 以前我们做 Agent，是给模型外挂各种工具。现在的趋势是，直接把使用工具的数据写进模型的“DNA”里去训练。 这听起来有点笨，但确实是当下最有效的路径。 Karpathy 也把 Agent 列为今年最重要的变化之一，他以 Claude Code 为例，强调 Agent 要能「住在你电脑里」，调用工具、循环执行、解决复杂问题。 --- 第三层：记忆是刚需，但怎么做还没想清楚 唐杰花了不少篇幅讲记忆。他认为，模型要在真实环境中落地，记忆能力是必须的。 他把人类记忆分成四层： - 短期记忆，对应前额叶 - 中期记忆，对应海马体 - 长期记忆，分布在大脑皮层 - 人类历史记忆，对应维基百科和史书 AI 也要模仿这个机制，大模型对应的可能是： - Context 窗口 → 短期记忆 - RAG 检索 → 中期记忆 - 模型参数 → 长期记忆 一个思路是「压缩记忆」，把重要信息精简后存在 context 里。目前的“超长上下文”只是解决了短期记忆，相当于把它能用的“便签纸”变长了。如果未来 context 窗口足够长，短中长期记忆都有可能实现。 但有个更难的问题：怎么更新模型自身的知识？怎么改参数？这还是个未解难题。 --- 第四层：在线学习和自我评估，可能是下一个 Scaling 范式 这一段是唐杰观点里最前瞻的部分。 现在的模型是“离线”的，训练好就不变了。这有几个问题：模型不能真正自我迭代，重新训练浪费资源，还会丢掉很多交互数据。 理想情况是什么？模型能在线学习，边用边学，越用越聪明。 但要实现这一点，有个前置条件：模型要知道自己对不对。这就是「自我评估」。如果模型能判断自己的输出质量，哪怕是概率性地判断，它就知道了优化目标，就能自我改进。 唐杰认为，构建模型的自我评价机制是个难题，但也可能是下一个 scaling 范式的方向。他用了几个词：continual learning、real time learning、online learning。 这和 Karpathy 提到的 RLVR 有一定呼应。RLVR 之所以有效，正是因为有「可验证的奖励」，模型能知道自己对不对。如果这个机制能泛化到更多场景，在线学习就有可能实现。 --- 第五层：AI 应用的第一性原理是「替代工种」 这是对我启发最大的一句话： > AI 模型应用的第一性原理不应该是创造新的 App，它的本质是 AGI 替代人类工作，因此研发替代不同工种的 AI 是应用的关键 AI 的本质不是创造新的 App，而是替代人类工作。 两条路： 1. 把以前需要人参与的软件 AI 化。 2. 创造对齐人类某个工种的 AI 软件，直接替代人类工作。 Chat 已经部分替代了搜索，同时还融合了情感交互，下一步就是替代客服、替代初级程序员、替代数据分析师。 所以，明年 2026 年的爆发点在于“AI 替代不同工种”。 创业者要思考的不是“我要开发个什么软件给用户用”，而是“我要造一个什么样的 AI 员工，去帮老板把某个岗位的人力成本砍掉”。 换句话说，别老想着做一个「AI+X」的新产品，先想想哪些人类工作可以被替代，再倒推产品形态。 这和 Karpathy 关于「Cursor for X」的观察遥相呼应。Cursor 本质上是「程序员这个工种的 AI 化」，那么各行各业都会出现类似的东西。 --- 第六层：领域大模型是个「伪命题」 这个观点可能会让一些人不舒服，但唐杰说得很直接：领域大模型就是个伪命题。都 AGI 了，哪有什么“领域专用（domain-specific）AGI”？ 之所以有领域大模型存在，是因为应用企业不愿意在 AI 模型公司面前认输，希望用领域 know-how 构建护城河，把 AI 驯化为工具。 但 AI 的本质是「海啸」，走到哪里都会把一切卷进去。一定会有领域公司主动走出护城河，被卷进 AGI 的世界。领域的数据、流程、Agent 数据，慢慢都会进入主模型。 当然 AGI 还没实现之前，领域模型会长时间存在。但这个时间窗口有多长？不好说，AI 发展实在太快了。 --- 第七层：多模态和具身智能，前景光明但道路艰难 多模态肯定是未来。但当下的问题是：它对提升 AGI 的智能上限帮助有限。 文本、多模态、多模态生成，可能还是分开发展更高效。当然，探索三者结合需要勇气和钱。 具身智能（机器人）更难。难点和 Agent 一样：通用性。你教会机器人在 A 场景干活，换个场景又不行了。怎么办？采数据、合成数据，都不容易，还贵。 怎么办？采数据，或者合成数据。都不容易，都贵。但反过来，一旦数据规模上去了，通用能力出来了，自然就形成门槛。 还有个问题往往被忽略：机器人本身也是个问题。不稳定、故障频繁，这些硬件问题也在限制具身智能的发展。 唐杰预判 2026 年这些都将取得长足进步。 --- 把唐杰这篇文章串起来，其实是一张相当清晰的路线图： 当下，预训练 scaling 依然有效，但要更重视对齐和长尾能力。 近期，Agent 是关键突破口，让模型从"会说"进化到"会做"。 中期，记忆系统和在线学习是必修课，模型要学会自我评估和迭代。 长期，工种替代是应用的本质，领域护城河会被 AGI 冲垮。 远景，多模态和具身各自发展，等待技术和数据的成熟。 --- 把唐杰和 Karpathy 的观点放在一起看，能看出几个共识： 第一，2025 年的核心变化是训练范式的升级，从「预训练为主」变成「多阶段协同」。 第二，Agent 是里程碑，是模型从学习走向干活的关键跨越。 第三，benchmark 刷分和真实能力之间有鸿沟，这个问题越来越被重视。 第四，AI 应用的本质是替代或增强人类工种，不是为了做 App 而做 App。 不同的侧重点也有意思。Karpathy 更关注「AI 是什么形状的智能」这个哲学问题，唐杰更关注「怎么让模型在真实场景落地」的工程问题。一个偏「理解」，一个偏「实现」。 两个视角都需要。理解清楚了，才知道方向对不对；工程跟上了，才能把想法变成现实。 2026 年，会很精彩。