我们去硅谷考察了一圈，发现连造浪的人，都快被浪淹没了。
晚点专栏作者丨五源资本合伙人 孟醒
2026 年 3 月 24 日早上，我坐在 YC W26 batch Demo Day 的观众席里，听到第五家公司上台路演的时候，决定不再做笔记了。
不是不重要，而是我意识到，自己记下来的这些东西，可能下个月就过时了。
这一届一百多家公司，做的事情其实高度集中：大约 80% 都是垂直 agent，比如帮律师整理文件、帮客服分发工单、帮 HR 筛选简历。
如果是在去年 10 月看到这些项目，我大概率会觉得 “挺有想法”。但问题是，这五个月，世界变了。
Claude Code 从一个更偏开发者的工具，变成了几乎任何人都能直接使用的界面。Opus 4.6 出来之后，整个 vibe coding 的门槛被压到了地板上。
那些垂直 agent，在没有形成业务壁垒之前，今天一个普通工程师，甚至我自己，花一个周末就能做出来，他们已经失去了投资价值。
YC 一届项目周期是三个月，这批 12 月入营，加上前期筛选，等于是 5 个月前被选出来的 “好公司”。而 5 个月，在现在的 AI 迭代速度里，已经足够发生几轮范式转换。
2012 年我第一次创业，拿到 YC 的 Fly Out（实地面试邀请）的时候，那时候 YC 在加速器这个赛道上，几乎一枝独秀，选出来的公司往往代表着 “下一个方向”。但竞争格局在变，YC 这几年感觉反过来了，逐渐变成了一个 lagging indicator（滞后指标）。
YC 的 batch 制度，从申请、筛选、入营、打磨、路演，在移动互联网时代运转了十几年，非常成功。但这套节奏是按一个更慢的世界设计的。
回到风险投资行业的这一年半，我大概每个季度都会来一次硅谷，上一次是去年 10 月。以前每次来，都会觉得变化很快，但这种 “快” 大多是按月来感知的。
这一次，得按 “周”。
有一天晚饭的时候，一个做 post-training（后训练） 的朋友随口说了一句：
“我发现，硅谷自己都开始跟不上自己了。”
全员 token-maxxing：一场没人敢停的军备竞赛
半年前如果有人跟我说，Meta 几万名工程师，全在用竞争对手的产品写代码，我会以为他在开玩笑。
但这是真的。整个 Meta，全员都在用 Claude Code。这不是创业公司，不是某个实验性团队，而是一家市值万亿级别的公司。
代码安全不要了，token 预算炸了，排行榜卷起来了，整个硅谷都在不计成本的往 AI 里砸钱。但砸完之后呢？
先说代码安全。放在半年前，这件事完全不可想象，因为代码是公司的核心资产，你怎么能让外面一家公司的 API 去碰它？Meta 一开始也是这么想的，他们内部做过一个叫 myclaw 的东西，试图解决这个问题。一个 Meta 的朋友告诉我，他们做出来了 coding 产品，但 “不好用，没人用”。没人用之后，公司不得不放宽了：只要不涉及客户数据，爱用 Claude Code 就用。
然后各部门开始开那种 “怎么变成 AI native 组织” 的内部会议，做培训，搞考核。代码安全、使用安全，这些过去天经地义的红线，统统被排到了后面，先把效率赶上来再说。
出于安全考虑，Google 禁止大多数员工使用 Claude Code 或 Codex 等竞争对手的工具，但 DeepMind 是个例外，负责 Gemini 模型和内部应用的几个团队，都在用 Claude Code。
谷歌自己也不是没有努力：他们推出了内部编码工具 Antigravity，今年 2 月还宣称公司约 50% 的新代码，已经由 AI 编写。
但即便如此，DeepMind 的人还是在用 Claude Code。DeepMind 敢这么做，一个重要原因是 Anthropic 给他们做了私有化部署，毕竟 Anthropic 的推理和训练，本来就大头跑在谷歌云的 TPU 上，双方有这个信任基础。但 Meta 和其他科技巨头可没有这层关系，他们是真的把代码安全扔到一边了。所有人都在赌同一件事：先把速度冲上去。
代码安全只是第一面倒下的旗，第二面是 token 预算。
在 Palo Alto 聊的几家 AI-native 创业公司里，一个工程师一年的 token 预算，大概在二十多万美元。这个数字本身不稀奇，稀奇的是它意味着一个顶级工程师消耗的 AI 成本，已经接近于一个工程师的工资了。看起来公司在用 AI 裁人省钱，实际上总成本可能根本没降，只是把人的成本换成了 token 成本。
Meta 在这件事上又是最极端的。他们搞了一个内部 token 消耗排行榜：谁用得多谁上榜，末尾的可能被裁员，所以 Meta 员工甚至在卷一个叫 “token legend” 的非官方头衔。
但与此同时，Meta 今年接连两轮裁员，规模加起来上万人。一边全员用 Claude Code 冲 token 量，一边大规模裁人。
这两件事不是矛盾的，它们是同一件事的两面。
我去看了一家 C 轮公司，技术负责人把 Slack 打开给我看，全是 agent 在跑，十几个 Cursor agent 后台并行，再开一个 Claude Code 窗口调度。现在程序员圈最流行的焦虑是：如果睡觉之前，不知道我那十几个 agent 要干什么就很慌。
但生产力真的同等涨了那么多吗？从去年年底开始，有很多顶尖推理引擎、数据库公司的 CTO，很兴奋地跟我讲 “百倍工程师”“ 十倍效率提升”，以前 60 个人需要 1 年做的事，现在 2 个人加上 Claude Code 一周就能搞出来。
我开始也跟他们一起兴奋，但后来我冷静了下来，就会问一个问题：好，效率提升了 100 倍，那公司的营收增长了 100 倍吗？或者产品线扩张了 100 倍？总不能 “100 倍” 的提升，最后就是优化掉多少人吧？
我没有得到正面回答。事实是，100 倍的效率提升，落到公司的营收增长上，只体现了 50% 或者 1 倍。
差距在哪？现在还没人能说清楚。
“用了这么多 token，公司应该基因突变成另外一种公司才对。但到底变成什么，我也不知道。”
有一个做 toB 销售出身的创始人告诉我，他团队 16 个人，两个销售，在 12 个月内从零做到三千万美金 ARR，这是全靠 AI coding 搭出来的。这种案例你确实偶尔能看到。但大多数时候，我看到的是创业公司搭出了更多东西，但这些东西也没有 product-market fit（PMF，产品市场匹配）。
硅谷现在很流行用 vibe coding 去尝试 100 种做法，看看哪一种能行得通，而不是只试 10 种。但谁能抓住下一个发展趋势？还很难说。
让我印象最深的一个反例来自 Anthropic 内部。我问一个 Anthropic 的朋友，你们自己用 agent 最痛苦的场景是什么？他说是 oncall（即时响应）。
Oncall 任务的一个典型场景是：如果 Claude 的 API 突然响应变慢、某个模型推理节点挂了、用户反馈某类 prompt 输出异常，oncall 工程师需要快速定位问题根源，判断是代码 bug、算力分配问题还是模型本身的异常，然后决定怎么修。
Anthropic 自己就是全世界做 Coding agent 最强的公司，这个场景离他们的核心能力近得不能再近了，结果他们内部的 oncall agent 还是不好用。
这就是 2026 年 4 月的真实状态：蒸汽机已经被发明了出来，但它有时候跑得还没有马车快。关键是所有人都知道蒸汽机终将跑得更快，所以都在疯狂砸钱：代码安全也不管了，token 预算爆了，排行榜卷起来了。至于到底什么时候蒸汽机能真的跑过马车？没人知道，但没有人敢停下来等那一天。
因为停下来的代价，可能比烧错 token 更大。
而且 token 消耗量，大概率不是线性增长的。这让我想到我以前做自动驾驶的经历：2021 年我们在上海，首次实现了连续 5 小时无接管的自动驾驶。当时觉得是一个重大突破，在那之前，测试车队可能是 10 台、15 台、20 台慢慢增加；但过了那个拐点之后，很快就到了 100 台、1000 台。今天的 Coding agent 正处在类似的阶段。
2021 年在上海，滴滴自动驾驶首次实现连续 5 小时无接管连续行驶，这是国内自动驾驶的一个里程碑事件。图为时任滴滴自动驾驶公司 COO 孟醒，与谷歌 “无人车之父”Sebastian Thrun 的对话，2021。
METR 是加州一家专门评估 AI 编码能力的研究机构。他们去年提出了一个指标：衡量 AI agent 能以 50% 成功率完成多长的任务（按人类专家的完成时间算）。2025 年 3 月首次发布时，Claude 3.7 Sonnet 的这个数字还是 50 分钟；到了 2025 年底，Claude Opus 4.6 已经做到了 14.5 小时。过去两年，这个指标的翻倍周期，从 7 个月压缩到了 4 个月。一旦 agent 的可靠性再上一个台阶，token 消耗就不是每年加 50% 的问题，而是一夜之间上一个数量级。
有一个获得朋友们共识的预测，到今年年底，不少公司（包括科技大厂），实际上只需要 20% 的人。
xAI 团队雪崩之后，造火箭的人开始造模型了
在 Mountain View 一家牛排馆，晚上九点多，一位曾经跟马斯克工作了很久的朋友，坐到了我对面。聊了三个多小时，我后来回想，整个过程里他似乎没有说过一句马斯克的好话。
一个细节：我问他，你在 xAI 干了三年，每天的节奏是怎么样的？他说三年来基本都住在公司，所以家里都没怎么布置，甚至连床都没有买。在公司睡的是那种 sleeping pod（睡眠仓），跟青年旅馆差不多。我说你现在拿着巨额股权，也都离职出来了，好歹买个床吧。他笑了笑。
xAI 的工作强度在硅谷是出了名的，但如今早期团队大概已经走了 90%。他们有一个离职群，天天在加人。
导火索是 Tony Wu 被开掉，然后连锁反应，用一位内部人的话说，“别的公司可能需要酝酿半年的高管团队出走，xAI 只需要一个月”。有些人在去年 10 月，就感知到马斯克的不满意了，但没想到这么快全部清洗。
现在马斯克开始从 SpaceX 和特斯拉调人过来接管 xAI，“造火箭的人开始造模型了”。
马斯克的不满，来自于他砸了无数资金和算力，结果 Grok 一直没能进入一线，但为什么？这是我遇到每个 xAI 出来的人，都会问的问题。答案其实比我想象的简单，一位朋友说得很直接：团队的战斗力非常强，工作也极其拼命，但制造业的管理方式，可能不适合大模型公司。
我做了八年自动驾驶，对这件事有一些自己的感受。马斯克过去做 SpaceX、做特斯拉，本质上做的是系统工程：链路很长，涉及软件、硬件、供应链，每一块都有创新空间，但最终是一个端到端的工程问题。
他擅长的是在这种长链条里，识别出关键杠杆点，然后极限压缩时间线来攻克。火箭发动机级联、复用着陆，都是这种思维的产物。
但在 xAI，他做的不像是系统工程。他现在做了三件事：先砸一个全球最大的 GPU 集群（甚至今天大家调侃说，xAI 本来是个 neo lab，现在更像是个 neo cloud 了，变成给 Cursor 提供算力了），然后给团队定脉冲式的 deadline，再亲自拍一些产品特征。这是在抓几个点，不是在做完整的规划。
做自动驾驶的人都知道，一到后期，软件团队、infra 团队、硬件团队之间 “谁领导谁” 就变成核心矛盾。三个方向都需要 CTO 级别的人来做决策，但没有一个人同时懂这三个领域。好的做法是，创始人虽然每块都不全懂，但知道怎么平衡资源、确定阶段性优先级，这段时间软件优先，下一阶段推给 infra。这叫有全局规划。
xAI 的问题是没有这个全局规划，只有冲刺。如果压力不那么大，聪明人之间其实能自修复，给他们时间，各个方向会自己找到协作的节奏。但马斯克的超高压管理，加上不充分的全局规划，一压就散了。每个方向的负责人都在保自己的优先级，没有人在做全局的统筹。
SpaceX 和特斯拉之所以如此成功，一个被忽略的原因是，在这两个行业里，马斯克基本没有遇到过同等量级的竞争对手，他是跟自己卷的。但 AI 不一样，AI 是连 OpenAI 都可能被 Anthropic 偷家的惨烈竞争程度。
xAI 的一位 cofounder 去年就说有两件事他没想到：第一是竞争这么惨烈，第二是 AI 时代应用创新的机会这么少，都被模型吃掉了。
Anthropic的崛起，是过去一年 AI 行业最戏剧性的逆转。也彻底改变了战场焦点：一年前大家还在卷 C 端用户量和视频生成，现在（阶段性）决定胜负的战场是 toB 和 coding。
当然，xAI 的故事，还同时是一个 “钱来得太快、太多，会怎样” 的故事。
我想今天离开 xAI 的朋友们，也不会后悔当年加入的决定，xAI 可谓是硅谷最快的造富神话。xAI 从第一轮几十亿美金规模的融资，到今天与 SpaceX 合并，成为 2500 亿美元巨兽，只用了一年的时间。而 xAI 的 9 位 cofounder，差不多每个人都成为了 Billionaire，核心工程师也有大几千万到 1 亿美金，硅谷钱真的太多了。今天他们如果再创业，就有充分的底气，去做自己感兴趣的方向，而不是赚快钱的事。
焦虑的工程师，更焦虑的 researcher
跟工程师聊天，如今有一种奇怪的默契：大家都承认自己不怎么写代码了，但又都假装这没什么大不了，因为自己会成为被 AI 武装，而干掉那些没有 AI 化的工程师。
今天 80% 软件工程师的核心技能，已经被模型替代了，还留着的原因是模型偶尔犯蠢，需要人来盯着。但 “盯着” 这件事本身，可能很快也不需要了。
更激进一点想：今天所谓的 “AI native 组织”，听起来很 sexy——让每个部门梳理工作流、把能被 AI 介入的部分线上化、写成 skills。但本质上就是在人肉蒸馏自己：你把你的能力变成机器的 skill，公司拿到了你的 skill，实际上就已经完成 AI 化了，是否要由此裁员，那是一个道义的问题。今天 Meta 就是在干这件事。
虽然今天大家都在卷 token-maxxing，但你还是能感受到，有一种弥漫在整个硅谷的底层焦虑感。
更让我没想到的是，这种焦虑感，正在往 researcher 这个群体蔓延。
Researcher 是最金字塔尖的人才，它不是泛指 “研究人员”，而是在大模型公司（OpenAI、Anthropic、DeepMind 等）里，负责模型训练、做算法创新的那群人。他们跟 engineer（工程师）的区别是：engineer 是 “把东西造出来”，写代码、部署、优化性能；researcher 是更上游的 “想出来造什么”：提出新的训练方法、设计模型架构、跑实验验证假设。
而现在，连 researcher 的工作本身也在被自动化。这就是 DeepMind 的同学正在做的事情——用模型去训模型，也是今年硅谷大火的 AI 自进化。今年淘汰的是 engineer（工程师），到年底 researcher 也将开始被替代。
这件事已经不是新概念了。Andrej Karpathy 的 auto research（自动化科研）开了一个头，今天各种 AI scientist 工具、harness 框架，都在往这个方向走。但目前大多数的闭环，只到了 “发 paper” 这一层——AI 帮你跑实验、写论文，但最终还是人在做判断。
OpenAI、Anthropic、Google 这些公司想做的更激进：他们希望闭环直接到模型升级本身，不只是细节改进，而是让 AI 自己找到下一个范式级的突破。如果这件事能做成，那就是真的在替代 researcher。Google DeepMind 一年多前就在内部搞这个，让模型自己决定下一步跑什么实验，跑完自己评估哪条路更有前途，然后沿着那条路走下去，这就是模型在训练自己的下一代。
而且 researcher 更有动机被裁，原因很残酷——因为贵。Researcher 全球可能也就几千人，年薪动辄几百万、上千万甚至上亿美元。
“未来的情形可能是，10 个人干过去 100 个人的活，拿 20 份钱，然后 90 个人失业。”
而且真正的裁员比表面数字更大。很多公司砍的第一刀，不是在自己的财务报表上，砍的是外包服务商。这意味着印度和菲律宾，这些曾经承接欧美客服、数据标注、财务后台的国家，可能是最先被冲击的。一些发展中国家赖以升级经济的那条 “服务业阶梯”，可能正在被 AI 抽掉。
整个硅谷都在盯着 Meta，如果它的实验成功了——营收没掉、效率真上去了，其他大厂会迅速跟进，裁员就从个案变成行业常态。而且裁员有一个残酷的自加速机制：一开始大家不敢裁，怕伤士气；一旦变成常态，就越裁越快、越裁越不心疼。
不过裁掉旧岗位的同时，新岗位也在冒出来。
很多创业公司开始招一种叫 “AI builder” 的新角色——合并了产品经理、前端工程师、后端工程师于一身。还有一种是合并了数据科学家和机器学习工程师的复合岗，以及合并了写作、投放、运营的内容一体化操盘手。
硅谷公司对这些新角色的需求非常旺盛，但核心难题是：没有人知道怎么招聘他们。你用简历筛不出来，因为这个角色以前不存在，这个人的能力可能全藏在他自己的项目里；你用现场写代码也考不出来，因为核心能力是 “审美 + AI 使用能力” 的组合。所以已经有创业公司在做这件事：根据雇主的需求，自动生成一个模拟环境，让面试者现场用 AI 工具完成任务。有点像以前的 coding test（编程测试），但测的是一种全新的东西。
当 AI 什么都能做的时候，人的价值正在从 “会做什么”，变成判断 “什么值得做、什么不该做” 的。
一轮融资两个估值，英伟达在每张 “牌桌” 上都要拿下筹码
前面讲了这么多被替代的人——工程师、researcher、金融从业者。但有一个角色不但没被替代，反而在这场洗牌中变得越来越像幕后老板。
这个看似分布式创新的世界，底层其实在极度中心化。
这个中心就是英伟达。
我原以为卡的稀缺性，在过去一年已经缓解了。确实有一阵子缓了，在 2025 年中的时候，一些被英伟达扶持的 neo cloud（在 AI 浪潮中崛起的、专门提供 GPU 算力的 “新型云服务商” ）融资都不太顺利，有的业务增长乏力，甚至有公司在那个时间点卖身了。但这次来我发现，稀缺性又回去了，而且比上一次更离谱。
一个具体的信号：如果你今天能稳定地提供一个 API 服务，比如 Claude 的 API，做到 99 分位的稳定性，你可以卖官方 API 价格的两到三倍。
Anthropic 的需求暴增后，API 中断正在变多，这对很多构建在 Claude 之上的 Agent 产品来说，有点问题
以前做 Router（路由服务） 这种生意，是 “我比官方便宜，所以有流量”。现在逻辑完全反过来了：稳定性本身变成了稀缺资源。有一批创业公司就靠这个赚了不少钱，现在硅谷的 mini 版 Coreweave / Nebius 正雨后春笋般涌现出来。
而且这次的算力瓶颈，不只是 GPU 分配的问题。Elad Gil 最近写了一个判断我很认同：上游内存厂商（Hynix、Samsung、Micron）的产能扩建周期，至少还要两年。这意味着在 2028 年之前，没有任何一家 AI 公司能靠堆算力显著拉开差距。算力约束客观上在强化大模型市场的寡头格局——不是谁不努力，是物理世界的制造周期就是这么慢。
背后的权力结构很清楚：谁有卡谁厉害，谁有卡由英伟达决定。今天上市的 CoreWeave、Lambda、Nebius，背后站的都是英伟达。
英伟达的布局比我之前理解的要深。Reflection 的投资人和我提到，这家 neo lab 最早出来融资的时候，是做 coding 的，然后创始人去见了黄仁勋，黄仁勋跟他说：你别搞 coding 了，你出来给我做 “美国的 DeepSeek”，做美国的开源模型，我给你钱给你卡。Reflection 就 180 度大转型了。
美国资本市场也因此出现了一些以前少见的结构：同一轮融资，给两个估值档位。关系好的、进场早的投资人，进低估值那一档；英伟达这种不差钱的老大，和那些晚到的投资人，被挤到高估值那一档，这种结构在国内最近也开始出现。
但英伟达再怎么想去控制分配，也搞不定不存在的东西。
整个美国社会，对数据中心的抗议正在升级。如今全美大约 100 个数据中心项目正在遭遇阻击，其中 40 个会直接流产。缅因州刚通过了一项法案，全面禁止数据中心建设。一个城镇批准了 60 亿美元的数据中心项目，结果半数成员连夜被投票罢免，换上来的新人唯一的目的，就是撤销那个决定。
算力不够了，不是因为产品不够好、用户不够多，是因为物理世界跟不上数字世界的胃口。
这是另一个层面的 “跟不上”。
硅谷的估值体系正在重写
先看一个数字。
美国 GDP 大约 30 万亿美元。OpenAI 和 Anthropic 目前各自的收入 run rate（年化收入） 都在 300 亿美元上下，也就是说，这两家公司各自已经占到了美国 GDP 的 0.1%。如果年底两家都冲到 1000 亿，再加上云服务和其他 AI 收入，AI 将占到美国 GDP 的大约 1%。从几乎为零到 1%，只用了短短几年时间。
这个速度是前所未有的。但诡异的是，增长越快，投资人反而越不知道该怎么定价了——在这么快的增长面前，硅谷的估值框架正在崩塌。
这次跟不少做二级市场的朋友深聊了几轮，一个反复出现的词是 “re-rationalization”（估值的理性回归）。
过去几年投 AI，大家的估值逻辑是看未来现金流：你今天亏钱没关系，我赌你三年后、五年后的 ARR。但现在，这套框架出了问题。
问题出在 DCF（现金流折现）这个最基本的估值模型上。正常做 DCF，你预测未来 10 年的现金流，然后加一个 terminal value（终值），也就是假设公司之后会稳定经营下去，把剩余价值一笔打包。通常 terminal value 占整个估值的 70%-80%。
但现在有两个东西同时变了：第一，你可能只能预测 3 年而不是 10 年，因为 3 年之后（有时候甚至是 1 年）这个行业会变成什么样，根本看不清；第二，terminal value 更没法算了，它的前提是公司最终会稳定经营下去，但如果 AI 随时可能颠覆一切，“稳定经营” 这个假设就不成立。
我跟一个做二级投资的朋友聊到一个比喻：今天不在 AI 主航道上的公司，更像是在等一颗 “核弹”，你知道它一定会被颠覆，只是不知道什么时候。那你评估的重点，就不应该是 “如果不被颠覆会怎样”，而应该是 “被颠覆时，应对的速度有多快”。这完全是另一种估值逻辑。
SaaS 是第一个被华尔街重新定价的。Snowflake 在 2023 年的时候，按自由现金流算要将近 100 年才能回本，如今估值已经腰斩，ServiceNow、Workday 也是同样的趋势，这只是开始。
甚至反过来说，真正适合用 DCF 来估值的，可能只剩下头部大模型公司，因为相对来说，他们的未来似乎是向好的方向稳定成长的，他们不会 “被炸”，而是在看边界能拓多宽。
过去创业公司招人的说辞是 “工资低一点，但给你期权，未来值大钱”。但这套话术的前提是，公司在 15 到 20 年后还在、还值钱。如果那个前提不成立了，员工最理性的反应会变成——“别给我期权了，直接涨现金。”
这又会反过来，改变公司的成本结构和融资逻辑。
VC 这一端也在痛苦。过去 3 到 6 个月，硅谷几乎每家基金都投了至少一家 neo lab，那些从著名 AI lab 出来的研究员，拿着自己的想法融了几亿美金。但现在，大家事后都觉得有点冲动、有点贵。但为什么还是投了？因为如果这家公司真的做出来了，增长会快到让你觉得当初那个估值很便宜。
一位投资人朋友说得很直白：反正要么 zero to 100，要么 zero to zero，与其投一个贵的 A 轮赚 “辛苦钱”，不如赌一个有无限可能的 neo lab 的入场券。
过去大家觉得 1 块钱 ARR 就是 1 块钱 ARR，不管你是做模型、做应用还是做 infra。但现在，这个等号被打破了。
做垂直 agent 的倍数最低（5 倍左右），做通用 agent 的倍数更高（10 倍左右），做模型的最高（20-30 倍 ARR，例如 Anthropic 30B 美金 ARR，800B 美金估值，26.7 倍）。一年前我觉得按 ARR 乘一个统一倍数，来算估值就可以了，但今天这个算法完全不对了。
酸橙树与 AI 暗杀名单
硅谷正在经历一场深层的安全感危机。
这次硅谷行，我反复听到朋友们在认真讨论同一件事：买比特币、建地堡、给家里装防弹玻璃，他们都不是开玩笑的语气。
最近硅谷确实在流行种酸橙树，因为这种树的枝条上，长着 4 英寸的尖刺，任何试图翻越的人都会付出代价。
华尔街日报甚至报道了一栋 1500 万美元的 “堡垒豪宅”：混凝土花盆里栽着一圈酸橙树，树丛后面是壕沟，壕沟后面是激光入侵探测系统，前门是 3 英寸厚的实心钢板配 13 道锁栓，屋内藏着一个 2000 磅重门的安全避难室，连景观设计都是防御工事。
为 CEO 提供住宅安防的企业，创下了 2003 年以来的最高增长水平。特别是 UNH CEO 在曼哈顿街头遭枪击身亡之后，这个趋势陡然加速。
然后，枪声响到了 AI 大佬家门口。
在 4 月 11 日凌晨 4 点，一个穿 Champion 卫衣的 20 岁男孩，从德州专程飞到加州，手提煤油罐，站在 Sam Altman 价值 2700 万美元的豪宅门前，点燃了汽油弹，扔了进去。
一个半小时后，他出现在 OpenAI 总部，抄起椅子砸玻璃门，对保安喊：“我要烧了这里，杀光里面所有人。”
FBI 从他身上搜出了一份文件。标题是 “你的最后警告”。里面列着多名 AI 公司 CEO 和投资人的姓名与家庭住址。
两天后的周日凌晨，Altman 的家再次遇袭：一辆本田轿车在门口短暂停留，副驾驶把手伸出窗外，朝房子开了一枪，然后逃逸。
这不是孤立事件。三月底，旧金山市中心已经出现过大规模反 AI 游行，人群举着 “Stop the AI Race”（停止 AI 竞赛）和 “Don't Build Skynet”（不要制造天网）的牌子，在 Anthropic、OpenAI、xAI 的办公室外面发表演讲。参议员 Bernie Sanders 在国会警告说：“人类可能真的会失去对这个星球的控制。”
跟 xAI 的朋友聊下来，据说马斯克也是非常担心自己被枪杀的，这在圈子里是公开的秘密。
背后的恐惧其实很朴素：如果 AI 接管了大部分生产，人不再是经济运转的必要参与者，那过去所有关于 “你贡献了多少、你该分多少” 的社会契约就全失效了。剩下的只有一个极简的权力结构：谁控制了 GPU 和电力，谁就控制了一切。阶层不是被拉开了，是被压扁了：一边是极少数人，另一边是所有其他人。
“两年之后的美国大选，最火的竞选主题，肯定是 AI 与社会的关系问题。甚至会出现 AI 时代的卢德运动。”
美国的通货膨胀依然很严重，我在加州生活过很多年，从没看到过 7 字头的油价。恰逢 2 月底 Citrini 发了 Global Intelligence Crisis（AI 末日报告），情景推演了一场因为 AI“过于成功”，而在 2028 年可能导致的经济危机……
尾声
回北京的飞机上，我翻自己这半个月的笔记，发现从头到尾都在写同一个词：“跟不上”。
YC 跟不上、Meta 的代码安全规矩跟不上、xAI 的管理跟不上、researcher 跟不上、算力跟不上、估值框架跟不上、社会的心理承受力也跟不上……以至于硅谷自己都跟不上自己了。
但我最后想说的是，一位 Anthropic 的朋友提到，Dario Amodei 在内部说过一句话：在 AI 的帮助下，癌症在某种意义上已经被攻克了，不是说消失了，而是它有可能变成一种不会死人的慢性病，只是治疗费用还太贵，普及需要时间。
我不确定 Dario 说的 “癌症已经被攻克” 是不是过于乐观了，但这次在硅谷，我们看得最多的创业方向就是 AI4S、AI for Biotech，很多大模型公司出来的人，不懂医疗，但他们想用 AI 技术改变这个行业。
这半个月我看到了那么多 “跟不上”，这确实让人焦虑。但如果 AI 真的在几年内让癌症变成慢性病、让材料科学快进二十年，那么这一场 “跟不上”，可能是人类发展历史上最大的一次提速。
我家宝宝今年两岁，明年可能会有第二个孩子，他们这一代要面对的那个世界什么样，我现在完全没有想象力去构建。
但我希望，在他们长大的世界里，多一些因 AI 而被治愈的人，而不是有更多燃烧瓶和枪声，砸向 AI 从业者的家门口。
Paul Graham 2008 年写的 Cities and Ambition（市井雄心）里，有这么一段：“尽管在硅谷人们非常尊重智慧，但硅谷传递出的信号是：你应该更有影响力，这与纽约传递的信号并不完全相同。影响力在纽约当然也重要，但纽约对 “十亿美金” 非常推崇，哪怕这笔钱你仅仅是继承来的。但在硅谷，除了几个房产中介，根本没人会在意这一点。在硅谷真正重要的是，你对这个世界产生了多大的影响。人们之所以在意 Larry 和 Sergey，并不是因为他们的财富，而是因为他们掌控着 Google，而 Google 几乎影响着每一个人。” 如今 AI 令这种氛围，又推向了一个新的高峰。
98策略提示：文章来自网络，不代表本站观点。
