与「調査員」相关的搜索结果

超町人！#チョコレートサムネット# 岐阜・岐阜市編をご覧いただきありがとうございました！ 次回は「名古屋城エリア」を調査！🔍 👑MC #チョコレートプラネット（#@chocopla_mg） 📸サムネハンター（調査員） #アルコ#&ピース酒井 さん #山崎怜奈# さん（@renayamazaki_mg） 📺放送日 11/9（日）夕方4時25分~ （※愛知・岐阜・三重の東海3県で放送） 岐阜・岐阜市編の見逃し配信は11月9日(日)まで公開！ 次回もぜひご覧ください！

今回の超町人！チョコレートサムネットは... 名古屋・東区エリアを調査！ 📺放送日 8/18（日）夕方4時25分~ （※愛知・岐阜・三重の東海3県で放送） 👑MC #チョコレートプラネット#(@chocopla_mg) 📸サムネハンター（調査員） #モグライダーともしげ#(@mgrd33 ) さん #高橋みなみ#(@taka4848mina ) さん 番組では超町人の募集をスタートしました！採用された方に番組特製QUOカード(3000円分)をプレゼント！ 詳しくはこちらから▼

夏爾特、李伊，你們欠全球 BitMart 用戶跟員工一個交代。@sheldonbitmart @BitMartExchange 到現在還是一堆用戶領不回自己的錢，一堆員工連最後一個月的薪水、該拿的補償都沒拿到。 這不是丟一句「停止營運」就可以當作沒事的商業糾紛。 對很多普通用戶來說，鎖在 BitMart 裡的可能是一輩子、甚至十幾年的積蓄；對基層員工來講，被欠的就是房租、家裡的開銷，甚至是下個月的生活費。 但到了今天，我們等到的依然不是完整的資產說明、不是透明的償還計畫，而是一個接一個沒有答案的問題。 夏爾特，還有你的伴侶李伊，我們正式要求在 8 月 19 號以前，公開回答下面幾件事。 一、BitMart 用戶的錢，到底跑去哪裡了？ 如果 BitMart 到現在還有足夠的資產能 cover 所有用戶餘額，那就拿出可以經過第三方驗證的證據。 公開錢包。 公開資產。 公開負債。 公開實際能動用的儲備金。 不要再用口頭保證。 不要再用那種模糊公告。 拿證據出來講。 二、為什麼一大堆用戶到現在還是不能正常提領？ 是誰決定要限制提領的？ 什麼時候做的決定？ BitMart 管理層到底是從什麼時候開始知道，平台已經沒辦法正常讓用戶把錢領出來？ 而在管理層明明知道有問題的情況下，是不是還繼續鼓勵大家入金、交易，甚至叫用戶把更多資產留在平台？ 這些問題，不能再閃躲。 三、所有跟 BitMart 用戶資產有關的關聯資金，都必須查清楚。 外面已經出現一大堆關於關聯帳戶、關係企業、信託跟其他資金安排的消息跟線索。 我們不會在證據還沒齊全之前，就先給任何人扣上刑事帽子。 但同樣的，任何可能來自 BitMart 用戶資產的錢，不管最後轉到誰的名下，都不能因為換了帳戶、換了公司、換了持有人，就從此不用被追究。 錢流到哪，調查就該跟到哪。 李伊，這邊也有幾個問題需要你本人回答。 你以前在社群平台上公開秀過名錶、名酒、鑽戒、高級飯店還有其他高額消費。 這些消費本身不是罪，也沒有人會因為過得奢華就被定罪。 但現在既然已經出現跟你、夏爾特還有 BitMart 資金有關的疑問，那資金來源就有必要講清楚。 目前也有一些還需要進一步查證的資料指出，跟你有關的 BitMart 帳戶可能曾經持有數千萬美元規模的資產，而且出現分批提領的紀錄。 如果這些紀錄是假的，請公開澄清。 如果帳戶確實存在，請回答： 這些資產是誰的？ 錢從哪裡來？ 為什麼會出現在相關帳戶？ 提領到哪裡去？ 跟 BitMart 用戶資產有沒有任何關係？ 如果完全無關，那就拿出可以驗證的證據把話說清楚。 如果有關，那就該依法追查到底。 四、把員工該拿的薪資跟補償付清。 員工不是股東。 一般員工沒有決定公司資金怎麼管，也沒有決定 BitMart 什麼時候停止營運。 公司出問題，不能到最後讓基層員工來幫管理層的決策擦屁股。 做完的工作，就該給薪水。 該給的補償，就該支付。 這不是施捨，是最基本的責任。 五、8 月 19 號以前，提出一份真正可以執行的用戶償還計畫。 不是一句「請耐心等待」。 不是下一篇公關稿。 更不是沒有時間表的承諾。 我們要知道的是： 剩下多少資產？ 總負債是多少？ 用戶能拿回多少？ 按照什麼順序還？ 什麼時候開始？ 什麼時候完成？ 誰負責監督？ 願不願意接受第三方獨立稽核？ 這些，才是全球 BitMart 用戶真正有權利知道的答案。 ⸻ 8 月 19 號，是我們等你們公開回應的最後期限。 如果到時候還是沒有完整、透明、可驗證的資產說明跟償還計畫，我們會持續依法把現有資料、資金線索跟相關證據，提交給各地執法機關、監管單位、律師還有媒體，要求進一步調查。 我們要追的從來不是任何人的私生活。 我們要追的是： 用戶的錢。 事實的真相。 真正該負責的人。 你們可以關掉一間公司。 可以離開一間辦公室。 甚至可以離開一個國家。 但只要用戶的錢還沒回來，這件事就不會因為一紙公告就結束。 夏爾特、李伊，8 月 19 號以前，請正面回答。 ⸻ 我們也呼籲整個 Web3 產業關注這件事。 BitMart 曾經服務全球大量加密貨幣用戶，也曾經是全球市場有一定影響力的交易平台。 今天，當大量用戶無法正常提領資產、員工還在等該拿的薪水，而平台管理層又沒有給出完整、透明、可驗證的資產跟償還說明時，這已經不只是 BitMart 這一家的問題。 這關乎整個 Web3 產業最基本的信任： 用戶把資產交給交易平台之後，誰來保障他們的權益？ 所以我們公開呼籲業界人士、交易平台、媒體、研究機構還有全球 Web3 社群： 請關注 BitMart 用戶跟員工現在面臨的問題。 如果你們認為中心化交易平台應該對用戶資產負責，請幫忙轉發、引用並關注後續發展。 我們也希望下面這些業界人士跟媒體能看到這件事，並協助推動更多公開、透明跟獨立的調查： @cz_binance @heyibinance @ChandlerGuo @justinsuntron @brian_armstrong @VitalikButerin @wublockchain12 @WuBlockchain @PhyrexNi @JackClawAI @CoinDesk @Cointelegraph @zachxbt @lookonchain @Cointelegraph @PANewsCN @OdailyChina @BlockBeatsAsia @Joes__Crypto @binance @okx @Bybit_Official @coinbase @bitget @Gate @MEXC @kucoincom 我們不要求任何人預先相信哪一邊。 我們只要求一件事： 讓證據被看見。 讓資金流向被查清楚。 讓用戶知道自己的錢在哪裡。 讓員工拿回自己應得的薪水。 如果 BitMart 核心管理層覺得上面這些問題有誤解，也完全可以用公開、可驗證的證據一個一個回答。 真相不該害怕公開透明的追問。 請轉發這篇公開問責聲明，讓更多 BitMart 用戶、員工跟 Web3 社群看到。 #BitMart# #BitMartUsers# #BitMartEmployees# #Crypto# #Web3#

【監管升級】歐盟將升級對Meta的調查 指控其產品導致兒童上癮 歐盟準備加大對Meta Platforms的調查力度，指控Meta旗下的Facebook和Instagram利用具有誘導性的設計手段，讓年輕用戶沉迷其中，導致兒童上癮。歐盟委員會於2024年5月根據《數碼服務法》（DSA）啓動了這項調查。

【科技監管】微軟亞馬遜臨反壟斷 據報歐盟委員會最快下周公布初步調查結果，指微軟Azure及亞馬遜AWS或符合《數碼市場法案》監管條件，預期年底前作最終決定。若受全面規管，兩大科技龍頭將面臨互通性要求，並受限於客戶鎖定及自我優待行為，以防止濫用市場支配地位。

今天值得關注的消息之一，是美國國防部助理部長、中亞洲和中國台灣蒙古辦公室主任，對張又俠回憶，提到幾個重要信息： 1、2012年，張又俠和國防部長梁光烈訪美，表達的和其他那些酒囊飯袋的中共軍官不一樣，顯得有經驗、有能力、有魄力，深得中共參謀和美方喜歡； 2、2023年9月，習近平就在調查張又俠和張升民，張又俠一度岌岌可危； 3、2023年10月底，《南華早報》中國軍事記者陳敏莉前往北京採訪第10屆香山論壇，失蹤。 4、作者擔心，沒有了張又俠，中共犯台的危險大增，因為沒有人敢說真話 文章全文如下：《張又俠的倒台格外令人震撼》 Drew Thompson 2026年1月26日 這篇貼文不同於我之前的分析總結、文章連結或訪談。這次是個人感受。 週六宣布中央軍委副主席張又俠正接受調查、很可能已被拘留的消息，讓我真正感到震驚和意外。我本不該意外。自習近平2012年上台以來，已有數百名解放軍高級將領被調查、拘留甚至判刑。 腐敗在解放軍中根深蒂固，這給習近平提供了永恆且通用的反腐工具，用來清除他認為政治上不可靠的軍官。自2023年起我就聽到有關他的調查傳聞，但我總是假設、甚至希望他能逃過習近平無休止的清洗。張又俠曾負責解放軍裝備採購五年，那涉及巨額預算和可想而知的巨額回扣。據報導，解放軍軍官需向上級「買官」，價格因職位等級和潛在獲利能力而異。他的前任和繼任者都因腐敗被懲處。 我曾評估，張又俠的作戰經驗、自信、智慧，以及終身捍衛中國和共產黨的承諾，應該能保護他。我以為他與習近平的終身關係是他的保險。他們的父親還是朋友。我以為，憑藉他的能力和與習的關係，一些財務不當行為會被忽略。 主要的是，我希望他能挺過清洗，因為我喜歡他。 2012年5月，張又俠隨時任國防部長梁光烈上將率領的代表團訪美一周，由當時的美國國防部長萊昂·帕內塔接待。當時張又俠是瀋陽軍區司令員，代表團中有十多位將軍。我當時在國防部長辦公室擔任中國、台灣、蒙古事務主任，負責規劃和組織這次訪美行程。我全程陪同，包括在五角大樓的會議，以及東海岸和西海岸軍事基地的參觀。 在那次行程中，我認識了張又俠，我也喜歡他。 （照片說明：照片中有一些傳奇人物——戴夫·斯蒂爾韋爾，當時的北京國防武官（後來從空軍退役後成為助理國務卿）；彼得·拉沃伊，國防部助理部長首席副手；吉姆·米勒，國防部政策副部長；帕內塔部長，以及已故的副國防部長阿什·卡特。我不記得那次會議美方翻譯的名字。張又俠坐在梁光烈部長右邊，鏡頭外。梁部長左邊是解放軍最能幹的參謀之一、英語翻譯謝康敏少校（當時）。我在後面或走廊。細心的觀察者會注意到，卡特副部長帶了一個有密級封面的文件夾進會議室。別問我為什麼。） 張又俠與我遇到的多數解放軍將領不同。解放軍本質上是政治組織——它是共產黨的武裝翼，而不是宣誓保衛憲法或國家的國家軍隊。軍官的仕途主要取決於政治可靠度和人際關係。忠誠與意識形態比作戰能力更重要。批判性思維和獨立思考在解放軍中可能成為負擔而非資產。這是解放軍的文化。毛時代的階級鬥爭塑造了社會和軍隊，所以軍官多來自工農家庭，受教育程度低，很多人甚至文盲。這種遺留影響至今猶存。我遇到過許多教育程度不高的解放軍高級軍官。他們可能聰明，但從強烈的口音、詞彙和談話內容就能看出，他們既不具備知識分子氣質，也不世故。有些高級軍官能長篇大論背誦黨的路線，但除此之外說不出什麼。 張又俠很突出。他親歷過戰鬥，也因此謙卑。他受過教育、有知識分子氣質、直覺敏銳。他看到展示的東西，就能理解其重要性和價值，也大概明白我們為什麼向他展示。 多年來，我與對口的年輕解放軍參謀密切合作，他們負責對美交流。我們在華盛頓和北京無數次會議中建立起關係，包括類似張又俠參與的代表團行程。五角大樓中國事務組與解放軍總部美洲事務組之間有健康的相互尊重。負責陪同代表團的參謀當然有自己與將領的關係。令我著迷的是他們如何回應和支持自家高層。有些將領需要人哄、餵食、大量奉承，那些人通常在討論中沒什麼實質內容。他們的參謀為他們服務，但我看得出他們對那些將領不太尊重。我總猜那些軍官是買來的職位，並證明了彼得原理。 張又俠不同。他周身散發著能力的光環。其他解放軍將領和參謀都看得出來，也因此尊重他。他進房間時，他們站得更快、更直。他們給他最好的表現。不僅因為他是少數仍存活的1979年中越戰爭參戰者（而且那場戰爭輸了），也不僅因為他與習近平幼稚園就認識，而是他確實有那種氣場。 那週，張又俠比代表團中任何其他解放軍將領都更願意和我交談。他好奇、深思、尊重他人，極富同理心。他不像某些高級軍官那樣害怕或無法與外國人交流。（也許我的中文太爛，他們不願聽。）他對自己的參謀也很尊重，我想他對我也是同樣態度。他願意和我聊天讓我印象深刻，因為這很不尋常。 參觀本寧堡時，張又俠變得非常興奮。我們提供了靜態展示一些武器系統的機會，以及試射幾種的機會。許多解放軍軍官主要從事行政和政治工作，而不是作戰。很多人從未開過槍，在射擊場上會猶豫是否與士官交流。張又俠不然。他迫不及待要試射機槍。他認真觀察所有靜態展示，向解說員提出關於美國技術和作戰理念的好問題（放心，全都是非密級的！）很多將軍不知道該問什麼，因為參謀沒提前給他們準備問題。看張又俠參觀軍事基地、吸收所見所聞，顯露出他遠超同儕的智慧。 （照片說明：張又俠迫不及待試射M240機槍。（我直接選了.50口徑！）他非常享受這次「武器體驗」。這些是我在喬治亞州本寧堡拍的私人照片。我給了他拷貝。） 出於美中軍事關係穩定和台海穩定的考量，我希望張又俠能留在中央軍委高層，繼續做習近平最親近的軍事顧問。我認為他是現役解放軍軍官中唯一能給習近平提供最客觀建議的人，包括解放軍的實際能力及其短板，尤其是軍事衝突的人命代價。他能客觀評估美國和台灣的軍事能力，向習近平解釋攻台行動的軍事風險和代價。一個沒有作戰經驗的馬屁精只能告訴習近平想聽的話。張又俠的智慧、經驗和與習的關係，讓誠實與客觀成為可能，這使他成為解放軍將領中的例外。 （照片說明：張又俠在照片邊緣，仔細觀察展示系統，而梁光烈將軍看著解說員。我當時旅行和開會一週後很疲憊，眼紅眼袋明顯。我在這張照片裡有點生氣，因為隨團的一名解放軍武官剛做了件小壞事但無傷大雅，所以我擺出威懾臉，警告他別再犯。你得設下界限。） 要讓美國的威懾戰略有效，我們需要習近平身邊有能提供客觀建議的稱職將領。目前中央軍委僅剩的政治委員出身的張升民將軍。撇開習近平透過「一人委員會」指揮百萬大軍的治理與運作風險不談，我擔心由其他人而非張又俠向習近平提供軍事建議的後果。 沒有張又俠在中央軍委，誤判風險會上升。 我大半輩子都在從事某種形式的美中關係工作，這讓張又俠被調查並很可能被拘留的消息，對我而言成為個人失望。 對張又俠倒台的個人感受還有另一層。 2023年10月，南華早報記者陳敏莉（Minnie Chan）赴北京參加香山論壇時失蹤。她當時正在調查張又俠和張升民被調查的傳聞。 眾所周知，她和我經常聯繫。她很多關於解放軍的報導都引用了我，提供我對她研究議題的分析評估。她也是朋友。她對解放軍的了解不輸任何局外人，我們能整天交換情報。我通常從她那裡學到的比她從我這裡的多。我們有時通電話，有時發簡訊。她失蹤後不久，她發給我的簡訊幾乎全被刪除，只剩一條。我不知道是她自己刪的，還是控制她手機的人刪的。 她失蹤前一個月，我們討論張又俠和張升民是否被調查。她很確定。2023年9月我問：「你認為張又俠和張升民有麻煩，正在被調查嗎？」她簡短回覆：「Yes」。 那條唯一的「Yes」是整串簡訊中唯一沒被刪除的。 我不知道敏莉為何被拘留至今。她在大陸有很多消息來源和聯繫，報導過很多題材，所以我不確定2023年調查張又俠和張升民是否是她被失蹤的原因。 我的希望是，既然張又俠的調查已公開，敏莉能被釋放，回到寫出優質報導的工作，提供準確、真實的中國軍事與國防戰略視角，讓我們更好地理解中國，降低誤判風險。 我擔心她已被遺忘。 我想我的朋友們回來。 （照片說明：2012年5月，張又俠在北卡羅來納州勒瓊營檢視一輛MRAP。我身邊是三位我非常尊敬的解放軍軍官。從左到右：李繼少將，解放軍外事辦公室副主任；徐南峰少將，駐華盛頓國防武官；當時的黃學平大校，外事辦公室美洲處長。）

今天看了篇文章，叫：《AI 与自动化的讽刺》，内容跟当前 AI 的发展很应景。 1983年，一位认知心理学家 Lisanne Bainbridge 写了篇论文，题目叫《自动化的讽刺》。四十多年后的今天，这篇论文上预言的问题，正一字一句地在 AI Agent 身上应验。 当年她研究的是工厂自动化：机器干活，人类监督。 今天我们面对的是AI Agent自动化：AI干活，人类监督。场景变了，但底层逻辑一模一样。而她当时在论文中指出的那些问题，又重新来了一遍。 论文中都提到了哪些问题呢？ 1. 技能退化困境：不用就会忘，专家变监工后技能会萎缩 用进废退，这四个字我们都懂。但放到AI时代，它有个更残酷的版本。 以前你是某个领域的专家，天天做这件事，手到擒来。现在公司说，让AI Agent来做吧，你负责盯着它，出了问题再介入。 听起来很美好对不对？从打工升级成监工，岂不是更轻松？ 问题来了：你不做这件事了，但你的技能不止不会进步，甚至还会退化。 像我这样天天用 AI 写代码的，我能感觉得到这两年是没啥进步，而且对 AI 有依赖，很多以前信手拈来随手就可以写出来的代码，现在没有 AI 就啥都不想干了。 真的是有点用进废退了。 无论是 OpenAI 还是 Anthropic 都在吹他们的 Coding Agent 多厉害，他们的员工只要验证 AI 写的结果就好了，但是他们故意没提的是，这些人都是万里挑一的高手，他们有足够的经验判断AI对不对。但如果他们接下来几年都只是验证 AI 做的对不对，那么他们的技能会慢慢倒退。 像我们这一代老程序员还好，更要命的是下一代。 今天的老程序员们好歹是从实战中成长起来的。明天的程序员呢？他们从入行第一天就在盯AI，没怎么亲手做过。他们既没有技能，也没有机会学。那他们怎么判断AI对不对？ 论文原话是： > 当前这代自动化系统，正在吃老一代操作员的技能老本。下一代操作员不可能有这些技能。 这个问题今天看不出来，三五年后可能就会凸显出来了。 2. 记忆提取困境：不常用的知识，调取速度也会变慢 还有个问题就是相关技能的记忆也会退化。 想想我们高中时哪些滚瓜烂熟的公式，现在还能想起来几个了。放到 AI 监督的场景，随着 AI 能力越来越强，大部分时候都是对的，这意味着大多数时候不需要用到你的知识，随着你的知识越用越少，相关的记忆就会退化。 3. 实践悖论：理论培训没用，必须实战才能学会，但AI在干活人没机会练 这时候你可能会想：那培训是不是有用？ 但是《自动化的讽刺》论文中的结论是：培训并没有太大用。 因为专业技能不是听课听出来的，是在真实场景里靠实战锻炼出来的。课堂上学的理论，如果没有配套的实战练习，你很可能听不懂，因为没有相应的经验框架。就算当时懂了，很快也会忘，因为没有和真实任务绑定的记忆提取路径。 要保持监督AI的能力，你得定期亲自干活。但如果公司追求的是让 AI 自动化运转以提升效率，那人就没多少机会练手。 这是个死循环。 就像论文里面说的： > 我们训练操作员按指令行事，然后把他们放进系统，指望他们提供智慧。 你不能指望平时不需要怎么思考和练习的人类，在关键时刻能想出什么好办法。 4. 监控疲劳：人类无法长时间对"很少出错"的系统保持警觉 心理学研究早就发现，人类无法对一个很少出问题的目标保持长时间警觉，半小时是极限。这不是意志力的问题，这是生理结构决定的。 从进化角度看，这其实是个生存优势：如果你盯着一个地方什么都没发生，大脑会自动降低警觉，把注意力资源省下来应对真正的威胁。但放到监控场景里，这就成了问题。 AI Agent大部分时候是对的，偶尔会犯错。这恰好是最难监控的模式。如果它经常出错，你会保持警惕。如果它从不出错，你不用监控。但它很少出错这种情况，正好落在人类注意力的盲区里。 更糟的是，AI Agent犯错的方式特别隐蔽。它不会说"我不确定"，它会用一种极其自信的语气告诉你它的计划，洋洋洒洒几十上百行。错误可能藏在第87行的一个小前提里，比如"因为2大于3，所以我们应该……"。被那么多看起来正确的内容包裹着，被那种自信满满的语气麻痹着，你很难注意到。 那加个自动报警系统呢？ 论文说：谁来监控报警系统？如果报警系统本身出了问题，操作员不会注意到，因为报警系统已经正常运转了很久。 那让人做记录呢？ 论文说：人可以机械地抄数字而完全没注意数字是什么。 所有试图对抗监控疲劳的手段，都会撞上同一堵墙：人类的注意力就是无法长时间锁定在一个很少出事的目标上。这是硬件限制，不是软件问题。 5. 地位问题：从专家降级为监工，心理冲击和社会地位下降 你曾经是专家，公司里有什么难题找你，同事尊重你，你自己也有职业认同感。现在你是AI的看门人。 技能层面的损失是一回事，心理层面的冲击是另一回事。从专家降级为监工，从创造者变成审核员，从被需要变成备胎。这种转变对很多人来说是很难接受的。 论文里说，被这样降级的人会出现各种复杂的应对反应，有些看起来甚至是自相矛盾的。这部分内容展开讲太长，有兴趣的可以去读原论文。 6. 糟糕的UI：当前AI Agent界面是最差的监控设计 工业自动化领域花了几十年时间优化控制室设计：显示屏怎么布局能让操作员最快发现异常，急停按钮为什么是红色的、为什么那么大、为什么放在那个位置。每一个细节都是用事故和教训换来的。 现在看看AI Agent的界面？ 一堆自信满满的长文本，一个接一个的多步骤计划，几十上百行洋洋洒洒的解释。你要在这些文字里找出那个藏着的错误。 这大概是人类设计过的最糟糕的异常检测界面。 7. 训练悖论：越成功的自动化系统，越需要投资培训人类 论文中谈到自动化带来的训练问题： > 如果不能让操作员定期接管工作亲自干，就得用模拟器训练。但模拟器有个根本问题：你只能模拟你能预见的故障。未知的故障模拟不出来，已知但没经历过的故障也很难准确模拟。 那怎么办？ > 只能培训通用策略而不是具体应对方法。但这又带来新问题：你不能指望操作员光靠查操作手册来应对异常，因为手册不可能涵盖所有情况。 > 越是成功的自动化系统，越少需要人工干预，反而越需要在人员培训上投入巨资。 因为干预越少，人的技能退化越快，应对罕见异常的能力越弱，每次培训的成本就越高。 决策者想用AI省钱，但省下的人力成本可能得加倍投入到培训成本里。 8. 领导力困境：监督AI不只是被动看，还要主动"领导"它们 监督AI Agent不只是被动地盯着看，还得主动地指挥它们。告诉它们做什么、不做什么、分几步做、怎么调整方向。 这其实是一种领导技能。 为什么LinkedIn上夸AI Agent最起劲的往往是管理者？因为他们本来就习惯间接工作：设定目标、分配任务、给反馈、调方向，但不亲自动手。对他们来说，指挥AI Agent和指挥下属没有本质区别。 但对于一直亲自干活的执行者来说，这是一个巨大的角色转换。你得从一个做事的人，变成一个让别人做事的人。这不是改几条 prompt就能解决的，这是一整套技能体系的重建。 公司会给新晋经理做领导力培训。但有谁见过公司给AI监督者做领导力培训？ 四十年前那篇论文的结尾是这样的： > 没有时间压力时，人类可以是令人印象深刻的问题解决者。困难在于，一旦有时间压力，效率就会大打折扣。我希望这篇论文说清楚了两件事：第一，自动化不一定会消除困难，这是讽刺所在；第二，解决这些问题需要的技术创造力，可能比自动化本身还要大。 四十年后，我们换了个场景，但面对的是同一组问题。 AI Agent的能力在进步，但人类的认知结构没变。监控疲劳还是半小时，技能退化还是用进废退，注意力盲区还在那里。这些是硬件限制，不是软件更新能解决的。 推荐阅读原文： 《Ironies of Automation》： 《AI and the ironies of automation - Part 1》 《AI and the ironies of automation - Part 2》

2026 年 9 月 29 日，OpenAI 在旧金山 Fort Mason 办了今年的开发者大会 DevDay。主讲是 CEO Sam Altman。其他几位上台的人都在做这些产品。产品团队的 Holly 演示了新产品 Dots。后训练（模型预训练之后做对齐和能力调优的阶段）研究负责人 Tejal 讲了模型怎么反过来帮 OpenAI 做研究。Codex 的演示由 Romain Huet 来做，他在 OpenAI 负责开发者体验，去年 DevDay 主题演讲里的 Codex 演示也是他做的。整场演讲分三块：面向用户的常驻智能体 Dots 和协作空间 ChatGPT Space，给开发者的新模型和新工具，以及帮开发者做分发、赚钱的渠道。 1. Dots：一直在线、会主动干活的智能体 Sam 把 Dots 比作电影里那种一直在身边帮忙的 AI 助手。他认为订餐厅、买机票这类代办虽然有用，但和这项技术能做的事比起来太小了。他想要的 AI 知道正在发生什么，也知道你在意什么，不用你事事交代。 Dots 是常驻在线的智能体（Agent），有自己的云端电脑和浏览器，能写代码、跑测试。它的权限跟着用户走，能直接用用户已经在 ChatGPT 里连好的插件，覆盖 4000 多个应用。除了在 ChatGPT 里对话，之后还可以给它发短信、打电话。目前每人先有一个 Dot，以后可以配一整组。Dots 跑在 本月早些时候发布的 GPT-6 Astra 上，Sam 称它是 OpenAI 对齐做得最好的模型。用户可以限定 Dot 能用哪些应用、能不能操作电脑，也能给它的各类操作写自定义指令，愿意交出多少责任就放多少权。 Sam 说，他自己的 Dot 每天早上会把夜里进来的消息过一遍，挑出紧急的提醒他。他说这让他拿回了一部分注意力，没那么离不开手机了。他还举了一个更重的例子：把应用从一个即将停用的旧 API 上迁走。这个 API 可能散落在代码库各处，改了哪里会连带弄坏什么，事先看不出来。Dot 可以追踪依赖关系，找出所有要改的地方，写代码、跑测试，最后把 PR（代码合并请求）交给团队审。他让听众想想，过去做这件事要几个人、花多久。 开场视频里，用户把自己的 Dot 改名叫 Alfred。Alfred 和另一个 Dot 帮用户上线网站，改董事会材料，在婚礼蛋糕商家取消后找好备选。它们还发现财务会和女儿的演出撞了期，提出改时间。每件事都是 Dot 推进到需要人确认的地方，再由人拍板。 2. ChatGPT Space：人和智能体一起用的工作区 Sam 认为，现有的生产力软件几乎都没考虑过人和 AI 一起干活。ChatGPT Space 以页面为单位，可以在里面写计划、做调研、生成图片和数据。页面和文件像网盘一样放在同一个空间里。Dot 能直接在页面上工作，在评论里 @ 它，它就会接活。页面本身也能带指令，比如“每天去看 API 平台的 Slack 频道，把发现更新到这里”。之后 Space 里还会加入演示文稿，格式做成智能体方便读写的样子，团队成员可以和各自的 Dot 一起改。 在 Holly 的演示里，页面用斜杠命令就能插入交互图表、表格和可运行的原型。她 @ 自己的 Dot（名叫 Dotty），让它把一组数据改成柱状图。图表可以按反馈类型筛选，Dotty 每小时刷新一次。她还让 Dotty 把“某位工程师在我 Slack 私信里提过的新手引导数据”补进 FAQ。Dotty 能看到她的上下文，所以这种模糊的指代也找得到。 3. OpenAI 内部怎么用 Dots Holly 用一个虚构的歌单应用 Blossom Music，模拟发布前一天的状况。早上 Dotty 已经做了几件事：发现发布评审会提前，改好了日历；看完前一晚测试用户的反馈；注意到设计团队临时改了首页，把新设计发给她。她让 Dotty 直接把这个设计做出来。Dotty 调用她笔记本上的 Codex 构建应用，在 iPhone 模拟器里跑起来，再提交 PR。现场的语音演示卡住了，Dotty 一直回复“还在查”。Codex 线程也报过一次错，她重试后才继续下去。 她说，Dots 真正改变 OpenAI 工作方式的地方在 Slack。Dots 在公司 Slack 里有自己的身份，员工就开始把它们当作代理人。被同事 @ 到的零碎请求，直接转给自己的 Dot 处理。建群时，大家从一开始就把各自的 Dot 拉进来，Dot 带回结果时所有人都能看到。 工程师走得更远。有人在反馈频道贴出会话 ID 和一个用户 bug，某位工程师的 Dot 就会接手排查，提 PR 修复。她说这是真实情况：工程师们的 Dots 每天这样修掉几十个 bug，Dots 这个产品本身有很多部分就是 Dots 写的。 4. 上线范围和企业用的 Specialist Dots Dots 和 Space 当天向 ChatGPT Pro、Business Premium 和 Enterprise 用户开放。Dot 包含在套餐里，和它的对话不占用额度。 企业客户还可以预览 Specialist Dots。这是由公司统一设置、供整个团队使用的虚拟同事，负责会计、市场、法务这类工作量大的事。公司给它目标和背景，审核它的产出，给它反馈，反馈在全公司共享。OpenAI 也在和微软合作，把 Specialist Dots 接入 Agent 365（微软用来管理企业智能体的工具），企业可以用已经在用的微软工具来管理它们。 5. 新模型：更便宜的 GPT-6.1 Sol，更快的 UltraFast Astra 发布这几周，用户的要求集中在两点：更便宜，更快。GPT-6.1 Sol（转录稿误作 Soul）的能力接近 Astra，价格是它的五分之一。缓存输入（重复发送、已被缓存的上下文）比标准输入便宜 95%。智能体需要反复读同一批上下文、长时间迭代，这对它们尤其省钱。Sam 说 Sol 在某些方面比 Astra 还聪明，定位是开发者的日常主力模型。 UltraFast 是新的速度档，API、ChatGPT 和 Codex 里都能用。原有的 Fast 档是两倍速度、两倍价格；UltraFast 是八倍速度、六倍价格，每秒 300 个 Token。它现在可以配合 Astra 用，之后也会支持 Sol。现场让两个模型用同一个提示词，做一个 DevDay 配色的火箭。UltraFast 的火箭已经升空时，标准速度的还没做完。 订阅也跟着调整。新推出的 500 美元档 Pro 订阅叫 Pro 500，额度最高，是 Plus 的 25 倍。它可以在 ChatGPT 和 Codex 里用 UltraFast，还能通过“用 ChatGPT 登录”在合作方的应用里使用。Pro 200 重新开放，继续提供所有前沿模型。 另外预览了 Decisions API。它给 Luna 模型一组预先定义好的选项，让模型从中选一个，比如给请求分流、给图片分类、决定智能体下一步做什么。任务收窄成选择题之后，响应时间可以压到一秒以内，同时保留图像理解、多语言和安全防护。Romain 后来补充说，做机器人的朋友看中的是它能处理视觉输入：机器人可以根据看到的东西，近乎实时地快速行动。 6. 模型开始帮 OpenAI 做研究 Sam 提到，去年这个时候，他和 Jakob 在一次直播里预测，一年内会出现第一个“AI 研究实习生”，当时几乎没人相信。几周前 OpenAI 宣布达成了这个目标：有了一个能接手定义清晰的研究任务的系统，这类任务原本要熟练的研究员花大量时间和精力。 Tejal 的方向是电脑操作（computer use，让模型像人一样操作桌面和浏览器）。她举了两个例子。 第一个是让模型优化电脑操作的运行框架（harness，包在模型外面、负责调用工具和管理步骤的代码）。模型在循环里持续寻找能同时降低延迟、提升效果的改动，团队把找到的改进合进生产环境的框架，并用于后训练。结果是延迟改善了两倍以上，已经上线。 第二个是模型帮忙改进了监控和拒绝训练，让 Astra 在不安全的场景里更会拒绝。Astra 在电脑操作压力测试上因此达到业内领先，操作时出错更少，也更贴合用户的本意。 她给出了几项内部数据。今年夏天之后，研究工作消耗的 Token 量急剧上升。1 月时，模型能做好 15 分钟以内的短任务，需要一天以上的任务大多会失败；到 7 月，超过三分之一的一天量级研究任务，模型能在无人干预下完成。她还提到，Astra 这类模型已经帮忙解决了 100 多个悬而未决几十年的数学问题，也在参与针对耐药感染的新抗生素、古代语言研究、可再生能源和工业机器人等方向的工作。 7. 给开发者的底层工具 Sam 说，OpenAI 想让开发者用上自己内部用的东西。 第一件是 Codex 的运行框架。它同时支撑着 Codex、ChatGPT Work 和 Dots，目标是用最少的 Token、最快拿到准确结果，现在已经开源。第二件是 Codex 完全上云：在手机上开始的任务，可以在浏览器或桌面端接着做，合上笔记本任务也不会中断。 云端能力带来了 Codex Security Cloud。它在云端环境里持续寻找漏洞，并准备好验证过的修复方案供人审核，这次新增了自动去重、定时扫描和新界面。Sam 说这是为了给防守方更好的工具，因为“我们看得到接下来会发生什么”。 新的 Agents API 进入公开测试。它包含运行框架、托管、记忆、多智能体控制等功能，是 Codex 和 Dots 用的同一套技术，也加入了电脑操作能力。现场的例子是一个网站测试智能体，会自己打开浏览器、点击页面、测试流程。基础设施方面，OpenAI 和 AWS 合作推出由 OpenAI 驱动的 Bedrock（AWS 的托管 AI 服务）托管智能体，AWS 客户可以直接使用 OpenAI 的前沿模型、Codex 和 ChatGPT Work。 隐私方面预览了 OpenAI Private Intelligence。其中的零数据留存（ZDR）配合私有安全处理，可以在不把用户内容存到 OpenAI 服务器的情况下做安全检测；私有推理则把隐私保护延伸到推理阶段。Sam 说这套方案是和最大的一批客户一起设计的，目的是让他们能把模型用在最敏感的工作上。 性能方面，Responses API 一年里增长了 100 倍，可靠性保持在 99% 以上。首个 Token 的等待时间缩短了 45%，工具调用和工作流提速 30% 以上。 8. Romain 的 Codex 演示 演示从手机上的 Codex 开始。Romain 人还在会场外，让 Codex 替他跟观众打招呼、讲一个会场的冷知识。接着他用几张会场照片生成的 3D 场景演示 UltraFast，一边说一边改：把小人放到座位上，把直播画面投到场景里的大屏幕上。现场语音没连上，他改成了打字。 Codex 命令行工具（CLI）这次全面翻新。他让 UltraFast 写一个应用，从观众里随机抽三个人送明年的门票，几秒就写完；改成抽六个人，也几乎是瞬间完成。命令行现在支持由 GPT Live 驱动的双向实时语音，不只是语音转文字，但现场没能演示出来。 后面几段演示了多模态和电脑操作。游戏 Astra Adventures 从一张纸上的草图开始，几轮之后画面还很粗糙，借助图像模型，才变成有质感、能用在正式游戏里的美术。然后他让 Astra 通过浏览器自己学着玩这个游戏，屏幕左边显示模型的决策，右边显示它按下的按键。 他又用“应用快照”（app shot）把自己记录飞行课程的应用作为上下文交给 Codex，让它在各种屏幕尺寸下审查这个应用并截图。Codex 自己在模拟器里点开了各项功能。云端 Codex 现在和本地版用同样的工具，包括插件和电脑操作。他顺手把一个“用 Rust 重写整个后端”的任务丢到云端，打算稍后在手机上查看。 最后一个演示用的是 Hugging Face 借来的可编程小机器人 Micro Duck，它名叫 Lavender。Romain 前一晚让 Codex 把它接好：视觉用 Astra，图像生成用 GPT Image 2.5，语音交互用 GPT Live 1。机器人现场看着观众画了一幅画。他说，OpenAI 做 Dots 和 Codex 用的，就是 API 里开放给开发者的同一批工具。 9. 分发和变现：让开发者在 ChatGPT 上做生意 ChatGPT 每周大约有 12 亿人使用。Sam 承认，此前类似的尝试效果参差不齐。他说这次有信心，是因为开发者拿到的是 OpenAI 自己做 ChatGPT 用的工具。 第一项是“用 ChatGPT 登录”（Sign in with ChatGPT）。用户登录第三方应用时，可以直接用自己 ChatGPT 套餐里包含的 Token，开发者不必替新用户垫付模型费用。首批有 16 家合作方。 第二项是插件扩展（plugin extensions）。开发者可以把编辑器、仪表盘乃至整个工作区，做成原生嵌在 ChatGPT 和 Codex 里的应用。现场展示了三个例子。一个是会议应用：在 ChatGPT 里看日历上的会议，点“记笔记”后，页面变成团队和 Dots 一起跟进待办的 Space。一个是 Figma：打开设计稿、看团队评论、让 ChatGPT 改稿。还有一个是 Adobe：在 ChatGPT 里使用 Photoshop 的功能。ChatGPT sites（在 ChatGPT 里生成的网站，几个月里已有数百万个）现在也能接入插件和数据。访客用自己的账号登录、带上自己的智能体，看到的内容因人而异。 用户发现插件的渠道也扩大了。除了在插件库里搜索，ChatGPT 还会在对话中识别出能帮上忙的插件，用户当场就能连接。插件审核流程也简化了：开发者可以跟踪审核进度，看到需要修改的地方，申请人工复审，更新工具时也不用从头提交。 第三项是 OpenAI Marketplace，首批有 30 多家合作方，包括 CodeRabbit、Notion、Vercel。企业客户可以用已经和 OpenAI 签下的采购承诺额度来买这些产品，有承诺额度的开发者也能在这里花。通过和模型推理托管公司 Baseten（转录稿写作 Base10）合作，市场里还能用到开源模型。 10. 收尾：一次额度重置，和“文艺复兴”的说法 当天的后续安排里，Peter 会讲 OpenAI 对开源社区的投入，包括新的 OpenClaw Enterprise Harness（OpenClaw 是一个开源 AI 智能体项目）。还有一个 Codex 游戏工作室环节，观众可以用 Codex 做复古游戏，每人能领一台 DevDay 限定的 chromatic computer，用来玩自己做的游戏。最后是 Sam、Tibo (Thibault) 和 Tejal 的现场问答。 Sam 和 Tibo 还在台上按下按钮，给全世界的用户重置了一次用量额度。Sam 说 OpenAI 已经做过太多次重置，Tibo 一直想把公司改名叫“重置公司”。 最后 Sam 说，他不喜欢把 AI 比作新一轮工业革命，那意味着人变成巨大机器里的齿轮，转得越来越快；生活里有些部分不能也不该被自动化。他希望，如果做对了，AI 带来的会更像一场新的文艺复兴：让人对自己的生活有更多掌控，有更多工具去创造、学习和探索。

🎉 重磅！赛博菩萨 Cloudflare 又又又放大招！ Cloudflare 开源 Cloudflare OS：面向企业的开放式 AI 代理与工作空间平台 产品定位： Cloudflare OS 是一个将 AI 代理与企业内部生态深度结合的系统。它允许非技术员工通过自然语言，在浏览器中调动公司的专属知识库、业务流程和后台系统，从而自动化完成日常工作 通俗点说，有了 Cloudflare OS： 👉 它是懂公司的 AI：注入了你们公司的专业术语、标准流程和知识库 👉 它是能干活的 AI：你可以直接对它说：“帮我查一下上个月的 bug 数据，做个可视化看板。” 它就会自己去后台调数据，直接在网页里给你把这个看板 App 活生生地做出来 👉 它是安全的 AI：严格遵循权限管理。AI 看了敏感数据，就会把权限带进生成的文档里，没权限的同事绝对看不到，老板再也不用担心 API 密钥和数据泄露 而且，它今天开源了！任何公司都可以免费部署一套属于自己的！ 赛博菩萨，名不虚传！🙏🏻

读完 Kimi Code 的最新招聘，我才知道现在的 AI 编程到底卡在哪儿。 大厂的 JD 往往黑话连篇，但这篇却大实话很多，我感觉是在写调优复盘报告一样。字里行间透露出的信息，非常值得所有关注大模型、Agent 和软件工程的人深思。 1.会写代码，但也会迷路 这算是扯下了 Coding Agent 的遮羞布。 现在的 AI 编程早就不缺生成一段百行内的基础代码的能力了。JD 里直接指出了目前业界的硬伤，比如会写码，但会迷路、会重复、会误解上下文、错误调用工具、无法恢复失败、在长任务中丢失目标。 这也是为什么现在的程序员用 AI 还是停留在用 Copilot 补全或者单次对话写个脚本，却无法真正让 Agent 独立接管一个复杂的 Epic、Issue。 2.核心战场已经卷到系统层 月之暗面明确写道他们在寻找一起建设大模型之外的关键系统的人。要求 Agent 能在真实代码仓库、真实工具链和真实开发流程中完成任务。 这意味着，光靠 Prompt 调优或者堆模型参数的红利期已经过去。接下来的硬核比拼是执行循环、任务拆解、沙箱与远程执行、历史轨迹管理、以及基于 MCP的生态构建。 这是一个极其硬核的分布式系统工程问题。 3.什么样的程序员不会被 AI 淘汰？ 这篇 JD 给出了绝佳的答案： “你使用 AI 写代码，是为了更快、更大胆地解决问题，而不是因为离开 AI 就写不了代码。AI 能写的代码你能写，AI 写不了的代码你也能写。” 顶级工程师，绝不是天天和 AI 拼谁能更快生成增删改查的伸手党。 你要成为那种有一双发现垃圾代码的眼睛，能喷人，也接受被喷的架构与纠错专家。 如果你也相信 Coding Agent 远未到最终形态，或许这就是下一个十年的软件工程范式入场券。踊跃投递一下！