@ZeroZ_JQ: https://x.com/ZeroZ_JQ/status/2095405548195938767

X AI KOLs Timeline 新闻

摘要

文章以纸巾为喻,论述了随着大模型成本降低,AI使用将从复用转向消费,Agent和软件可能成为一次性耗材,而真实反馈和验证将变得稀缺。

https://t.co/Q7NLX9s92t
查看原文
查看缓存全文

缓存时间: 2026/09/04 04:21

大模型的纸巾时刻

以前人们擦鼻子,用的是手帕。

一块手帕可以用很多年,脏了洗,洗完晾干,再继续用。

后来纸巾出现了。

真正改变人的,不是纸巾比手帕先进多少,而是它便宜到了一个临界点:

擦一下,扔了。

没有人会把一张纸巾洗干净,晾在阳台上,明天继续用。

因为当一个东西的成本低到一定程度以后,人不会只是“多用一点”,而是会彻底改变使用它的方式。

我觉得,大模型也在接近自己的这个时刻。

我把它叫做:

大模型的纸巾时刻。

今天的 AI,其实还是手帕

别看现在大家都在说 Token 越来越便宜,我们使用大模型的方式其实依然很节省。

我们会压缩 Prompt。

缓存 Context。

减少模型调用。

希望一个 Agent 尽量一次把事情做对。

甚至今天对 Agent 的想象,也很像养一个长期员工:

给它记忆,给它技能,让它不断积累经验,重复使用。

因为今天的智能,本质上还是有成本的。

不只是钱,还有时间。

一个 Agent 想 30 秒可以。

100 个 Agent 同时想 30 秒,就开始显得奢侈。

但如果有一天,Token 足够快、足够便宜呢?

我们会开始“浪费智能”

到那时候,一个任务可能不再交给一个 Agent。

而是直接生成 100 个。

10 个研究问题。

20 个提出方案。

30 个直接执行。

20 个专门挑错。

剩下的负责验证和投票。

最后留下一个答案。

其他 99 个 Agent?

扔掉。

这听起来很浪费。

但纸巾刚出现的时候,“擦一次就扔”大概也很浪费。

真正的变化就在这里:

当智能的边际成本足够低,人类会从“复用智能”,转向“消费智能”。

AI 时代真正的生产力跃迁,甚至可能不是 AI 终于不犯错了。

而是:

我们终于负担得起让 AI 大量犯错。

一个 Agent 失败一次,再来。

100 个方案错掉 99 个,也没关系。

如果失败足够便宜,试错本身就可以工业化。

Agent 可能不是员工,而是耗材

所以我越来越怀疑一句现在很流行的话:

Agent 会成为数字员工。

可能只有一部分 Agent 会。

另外大量 Agent,可能更像一次性耗材。

比如研究一家公司。

系统临时生成一个财务 Agent、一个行业 Agent、一个空头 Agent、一个多头 Agent、一个验证 Agent。

任务结束,全部销毁。

下一次再重新生成。

它们甚至不需要名字,不需要长期记忆,也不需要“成长”。

为任务出生。

拿到 Context。

完成任务。

销毁。

很像云计算里的临时实例。

再往前一步,软件也可能变成纸巾

过去软件为什么要反复使用?

因为软件太贵了。

没人会为了处理一张 Excel,专门开发一个 App。

所以过去几十年的软件逻辑一直是:

Build once, use many times。

开发一次,尽可能服务更多人。

但如果生成软件本身也足够便宜呢?

你收到一张 Excel。

AI 直接为了这张表,生成一个小软件。

筛选、图表、异常分析、导出,全都按照这一次任务定制。

你用了 20 分钟。

关掉。

这个软件以后再也不会出现。

下一张表,再生成一个新的。

这就变成了:

Generate once, use once。

软件从资产,开始变成耗材。

Agent 从员工,开始变成一次性劳动力。

推理从稀缺资源,开始变成可以浪费的资源。

真正稀缺的东西也会跟着变化

当然,Token 便宜,不等于一切都免费。

模型可以一秒生成 100 个方案,但谁告诉它哪个是对的?

代码还要运行。

实验还要做。

用户还要真的付钱。

机器人还要在现实世界里动起来。

所以当“思考”越来越便宜,真正昂贵的东西可能会变成:

反馈和验证。

模型不缺想法以后,最稀缺的反而是:

真实环境。

真实数据。

真实用户。

真实执行结果。

以及一个能判断“到底对不对”的机制。

所以未来最强的 Agent,可能并不只是最聪明的模型。

而是那个最擅长:

生成 → 执行 → 验证 → 淘汰 → 再生成

的系统。

我们今天还会认真讨论:

一个 Prompt 能不能复用。

Context 能不能再省一点。

为什么这个任务调用了 200 次模型。

但也许几年以后回头看,会觉得有一点像:

一个人站在超市里,认真研究一张纸巾擦完鼻子以后,能不能洗一洗,晾干,明天继续用。

技术真正改变世界的时候,往往不是一个东西便宜了 10%。

而是它便宜到某个临界点以后,

我们突然开始舍得浪费它。

手帕没有因为纸巾出现而消失。

长期软件也不会消失。

长期 Agent 也不会消失。

但另外一个世界可能正在出现:

一次性的 Token。

一次性的 Agent。

一次性的软件。

一次性的智能劳动。

用完即扔。

这可能就是大模型真正的纸巾时刻。

相似文章

@wangyuanzju: https://x.com/wangyuanzju/status/2056573165623713993

X AI KOLs Timeline

文章基于SaaStr大会考察,深入分析了AI Agent将成为用户主入口,现有软件将演变为“无头”服务并融入Agent供应链,开启软件工业化时代;同时探讨了低摩擦微支付将促进商业软件供应链深度解构,为创业者带来历史性机遇。

@ba_niu80557: https://x.com/ba_niu80557/status/2068751230667755859

X AI KOLs Timeline

文章探讨了AI模型不断强大如何淘汰那些技能可以被写进提示词的人,强调真正不可替代的价值在于难以编码的默会知识、物理世界的实际操作以及人与人之间的信任关系。作者通过朋友从咨询顾问转型为硬件集成者的例子,说明主动让出易被AI替代的环节、深耕AI触及不到的领域,才能在技术浪潮中生存和发展。

@AYi_AInotes: 说个反常识的判断, 80% 的 Agent 生产崩溃,跟模型智商没半毛钱关系, 基本都死在上下文溢出、工具调错、子代理失控上, 2026 年真正的分水岭在 Harness 和 Loop,不是模型啊, 兄弟@wizardly_ai 这篇工程…

X AI KOLs Timeline

这篇文章指出80%的AI Agent生产崩溃并非模型智商问题,而是由上下文溢出、工具调错、子代理失控引起。作者强调2026年的分水岭在于Harness(办公室制度、安保系统)和Loop(自动循环机制),而非模型本身。

@Xudong07452910: 这篇论文让我感觉,我们对「AI 会取代程序员」这件事的讨论方向可能全错了。 核心观点:AI Agent 的出现不是让软件工程师工作效率更高,而是让「把决策逻辑永久编码进软件」这件事本身变得越来越不必要。 作者说的是一个更根本的范式变化:传…

X AI KOLs Timeline

这篇论文认为AI Agent的出现不是让程序员更高效,而是从根本上改变了软件范式的本质——代码从永久固化决策逻辑的静态产物,变成了LLM动态生成、用完即弃的临时工具,软件工程的核心将转向设计可靠的推理约束边界。

@ba_niu80557: https://x.com/ba_niu80557/status/2071277244287426980

X AI KOLs Timeline

文章深入分析了Anthropic因AI代码生成变得极其高效而面临的内部变化:瓶颈从“写作”转移到“验证”,传统管理、长期规划和努力衡量失效,注意力成为新的稀缺资源,工程师甚至感到孤独。这些现象预示了其他公司未来可能面临的挑战。