Ep136 U1Lzp 7Ybn8
导读：这一季报的情绪为什么复杂
这一期“全球大模型季报”的核心情绪是两面的：一方面，Coding 与 Agentic workflow 让 AI 从聊天机器人走向能干活的系统，模型能力和研究效率都在加速；另一方面，这种加速正在把白领工作、研发组织和社会分配推入通缩与失业窗口。广密的核心判断是：Coding 是新的 AI 加速器，领先的 Coding 模型像领先的 GPU，会成为 AGI 进程中的关键放大器。
本期核心命题
如果 Chatbot 是第一幕，Coding/Agent 是第二幕，那么模型公司下一阶段竞争不只是“谁聊天更强”，而是谁能把模型接入代码、工具、任务环境和真实工作流，并把这种能力变成新一代操作系统。
视觉策略说明
本视频是固定访谈/音频播客画面，没有教学 slides、白板或产品演示。按本仓库播客标准，正文不重复插入人物帧；封面用于来源识别，正文用概念图和表格承载综述结构。
本章小结
本期不是新闻流水账，而是一次季度级框架更新：Coding 变成 AGI 加速器，模型公司竞争窗口重排，模型可能成为新一代 OS，社会影响开始从“应用效率”走向“岗位结构”。
Coding 是 AGI 第二幕
访谈中最强的判断，是 Coding 把 AI 从 Chatbot 第一幕推向 Agent 第二幕。Chatbot 的核心是问答、搜索、总结和对话；Coding 的核心是把自然语言意图转成可执行方案，让模型直接改代码、跑任务、调工具、处理数据和构建系统。它让 AI 从“描述世界”进入“改造数字世界”。
图片资源缺失
\begin{figure}[H]
\centering
\includegraphics[width=0.94\textwidth]{coding-second-act.png}
\caption{Coding 是 AGI 第二幕：从聊天到干活，再到模型 OS。}
\end{figure}
读图：为什么 Coding 是转折点
图中第一幕是 Chatbot，价值来自信息压缩；第二幕是 Coding/Agent，价值来自完成工作；第三幕是 Model as OS，模型成为用户意图到应用执行之间的调度层。Coding 的关键不是写代码本身，而是代码能表达数字世界的大多数解决方案。
“语言即世界，代码即方案”
访谈里有一句很适合作为本章标题的话：自然语言是对世界的描述，代码是对 solution 的描述。自然语言能表达意图，代码能表达执行路径。若模型能稳定写代码，它不仅能回答问题，还能操作文件、调用 API、处理数据、自动化流程、构建产品。这也是为什么 Coding 模型被类比为 GPU：它不是单个应用，而是加速器。
Coding 作为加速器
GPU 加速模型训练，Coding 模型加速人类和 AI 的研究/工程循环。一个想法从两三周跑通变成两三天，意味着实验吞吐、产品迭代和研究反馈都被压缩。
研究员不再亲自写代码
广密提到，前沿实验室研究员和强程序员已经大量减少亲自写代码，转向“AI 写，人来审”。如果 AI 能达到 CTO 或首席架构师级别的实现能力，人类工作会从写实现转向定方向、审设计、验结果和承担责任。这和 EP139 的 Agent 生产化、EP138 的后训练系统形成呼应。
不要把“人不写代码”理解成“人不重要”
人类不写大量实现代码，不等于退出工程。真正稀缺的能力会转向定义问题、识别错误、设计实验、组织系统和判断价值。审查能力、架构能力和任务定义能力反而更重要。
本章小结
Coding 之所以是第二幕，是因为它把 AI 从语言输出变成行动系统。它不仅提升程序员效率，也会加速 AI 研究本身，成为 AGI 路线中的核心放大器。
硅谷体感：模型进步窗口重新洗牌
广密的体感是，过去一个季度模型水平提升的幅度超过 2025 年全年，Opus 4.5 到 4.6 这一类跃迁让模型从 chat 问答进入真正 agentic 模式。访谈把硅谷“御三家”放在一个动态窗口里看：OpenAI、Anthropic、Gemini 各自有窗口期，今天的胜利秘籍可能成为下一阶段的毒药。
图片资源缺失
\begin{figure}[H]
\centering
\includegraphics[width=0.96\textwidth]{frontier-lab-map.png}
\caption{访谈观点中的硅谷模型公司位置图。}
\end{figure}
读图：这不是客观排名，而是路径依赖图
图中整理的是访谈观点：Anthropic 在 Coding/Agent 上窗口好；OpenAI 的 ToC 成功可能拖慢 Coding 战略；Gemini 资源和生态强但声势不足；Meta 被视为挑战者；xAI 受战略摇摆和团队问题影响。读者应看路径依赖，而不是把它当固定排名。
Anthropic：技术细节和文化基因
访谈中，Anthropic 被认为抓住了 Coding/Agent 的窗口。它不是 day 1 就想清楚所有事，但创始人 hands-on 看数据、重视技术细节、文化面试严格，这些使它更容易在新范式出现时组织资源。这里的重点是：文化不是口号，而会影响团队是否重视某类数据、某类产品和某类能力。
OpenAI：过去胜利可能成为毒药
OpenAI 在 ChatGPT 的 ToC 成功，反而可能让组织长期专注聊天入口和消费者产品，从而忽视 Coding。访谈中的判断是，过去时代的胜利秘诀可能成为下个时代的毒药。对模型公司来说，战略惯性和组织奖励机制可能比单点技术短板更危险。
Gemini、Meta 与 xAI
Gemini 被评价为模型能力强、生态位好，但 Coding 严重落后，Google 的战略失误在于没有更早把 Coding 作为主线。Meta 被视为新挑战者，取代 xAI 成为四号种子；xAI 则因战略摇摆和 founding team 流失被认为短期掉队。这里反映的是：前沿模型竞争已经不只是模型参数，而是组织、战略、产品和执行力。
硅谷御三家的真实问题
领先模型公司不重视 Coding，就可能掉出第一梯队。因为 Coding 是模型进入数字世界的执行接口，也是加速自身研究的核心工具。
本章小结
模型公司窗口在快速轮换。谁能把 Coding/Agent 变成组织主线，谁就可能抓住第二幕；谁被上一阶段成功锁住，谁就可能掉队。
Harness Engineering：模型如何进入真实工作流
访谈提到 Harness Engineering，意思是模型本身之外，还需要一层把模型接进真实工作流的工程系统。没有 harness，模型只是一个强接口；有了 harness，模型才能连接代码库、测试、权限、日志、重试、部署和反馈。
图片资源缺失
\begin{figure}[H]
\centering
\includegraphics[width=0.92\textwidth]{harness-engineering.png}
\caption{Harness Engineering：从模型到真实工作流的中间层。}
\end{figure}
读图：为什么模型强还不够
图中模型只是第一层。Harness 负责提示、工具、权限、状态和重试；Workflow 是真实代码库和业务流程；Feedback 把测试、用户反馈、成本和失败案例带回系统；Improvement 才能进入后训练和产品迭代。
术语消化：Harness 相关词表
| 术语 | 解决的问题 | 本期中的意义 |
|---|---|---|
| Harness | 把模型接入工具和工作流的外部系统 | 决定模型能否稳定干活。 |
| Workflow | 真实任务流程，如 issue、测试、部署 | 模型价值最终发生在 workflow 中。 |
| Feedback | 测试、用户、成本、失败案例 | 让系统可学习和可改进。 |
| Permission | 权限与安全边界 | 避免模型越权操作。 |
| Retry / Recovery | 出错后重试和恢复 | 决定长程任务能否稳定完成。 |
为什么它和后训练相关
Harness 不只是产品工程，也会反过来影响训练。一个好的 harness 能产生更清晰的失败案例、更真实的任务轨迹、更可验证的反馈。这些都能变成后训练数据。EP138 罗福莉谈 Agent post-train 时强调任务环境和 rollout，和这里是同一条逻辑。
不要把 harness 当 UI 包装
UI 只是 harness 的一小部分。真正的 harness 包括状态管理、工具执行、安全、日志、评估和反馈回流。只做一个漂亮界面，不能让模型可靠进入生产。
本章小结
Harness Engineering 是模型变成生产力系统的桥。它把模型能力接进真实任务，并把任务反馈带回训练和产品迭代。
模型成为新一代 OS
访谈提出“模型是新一代操作系统”。这不是说模型替代 Linux、Windows 或 iOS，而是说模型可能成为用户意图和应用执行之间的新调度层。过去 OS 管理硬件、文件、进程和应用；未来模型/Agent OS 可能管理意图、工具、上下文、权限和任务状态。
图片资源缺失
\begin{figure}[H]
\centering
\includegraphics[width=0.92\textwidth]{model-as-os.png}
\caption{模型作为新一代 OS：意图理解、工具调度和状态记忆。}
\end{figure}
读图：Model OS 管什么
图中模型 OS 位于中心，连接用户意图、应用服务、数据记忆、执行环境和安全权限。它支持的判断是：模型不只是一个 app，而可能成为新应用入口和任务调度层。
为什么 Coding 是 OS 化入口
代码是数字世界最强的形式语言。模型如果能写代码、改代码、调用 API、运行脚本，就能跨越单个 app 的边界，成为操作多个系统的中间层。Coding 因此是模型 OS 化的关键入口。
从 app 到 OS 的变化
App 是单一功能入口；OS 是资源和任务调度层。模型若能理解意图、调用工具、管理上下文和执行任务，就会从 app 走向 OS 位置。
中国御三家与模型 OS
访谈提到中国御三家，但重点不在具体排名，而在一个结构判断：国内模型团队若要抓住第二幕，需要同时理解 Coding、Agent、成本和应用场景。模型 OS 的竞争不是只做一个聊天产品，而是接入办公、开发、内容、数据、自动化和企业流程。
本章小结
模型成为新一代 OS，意味着模型从回答系统变成任务系统。Coding 和 harness 是它进入这个位置的关键路径。
社会影响：白领通缩与失业窗口
本期的另一半情绪来自社会影响。Coding 模型把顶尖研发人员生产力放大十倍到几十倍，研究和工程周期被压缩，组织自然会重新计算人力需求。白领通缩与失业窗口并不是远期科幻，而是生产力跃迁后组织吸收能力不足的现实问题。
图片资源缺失
\begin{figure}[H]
\centering
\includegraphics[width=0.92\textwidth]{social-impact-chain.png}
\caption{Coding 加速器如何传导到白领通缩与失业压力。}
\end{figure}
读图：社会冲击链条
链条从 Coding 模型跃迁开始，传导到研发周期压缩，再到组织需求变化，最终形成工资和岗位压力。关键不是“AI 会不会替代人”这句空话，而是技术扩散速度是否超过组织和社会制度的吸收速度。
为什么是白领先感受到
Coding、写作、分析、产品、运营、研究这些白领任务，很多都发生在数字世界，输入输出可被文本和代码表达，因此更容易被模型接入。蓝领和实体世界任务受机器人、硬件、环境复杂度限制，扩散速度可能更慢。
生产力提升不自动带来福利提升
如果生产力收益集中在少数公司、少数顶尖个体或资本端，普通白领可能先经历工资压力和岗位减少。技术红利如何分配，是社会问题，不是模型能力自然会解决的问题。
投资新思考
投资层面，本期暗含一个判断：若 Coding 是加速器，模型和工具链公司会重新估值；若模型成为 OS，应用入口和平台格局也会重排。但投资不能只看热词，而要看模型是否进入真实工作流、是否产生可持续反馈、是否有成本优势和分发入口。
本章小结
Coding/Agent 的社会影响来自生产力压缩。它会带来新公司、新入口和新投资机会，也会带来白领岗位重估、工资压力和制度挑战。
季度时间线：为什么这一季不是普通更新
本期季报把 2026 年第一季度描述为一个“推背感”极强的阶段：模型从聊天进入 agentic 任务，Coding 让研发周期被压缩，前沿实验室的产品和 feature 发布频率显著上升。这里的关键不是某个单点模型，而是能力、工具、组织和工作流同时发生变化。
从 2023 到 2026 的季报主线
| 阶段 | 主线 | 本期如何继承 |
|---|---|---|
| 2023 | ChatGPT 释放聊天范式，开源开始追赶 | 第一幕是“模型会说话、会回答”。 |
| 2024 | AGI 基建、推理、self-play RL、o1 叙事出现 | 模型开始从回答转向推理和行动。 |
| 2025 | 分化收敛、全家桶、垂直整合、AI War | 模型公司开始围绕产品和生态整合。 |
| 2026 Q1 | Coding/Agent 成为第二幕主线 | 模型进入数字工作流，开始改造研发组织。 |
季度报告的价值
单条新闻容易夸大短期噪音；季度视角能观察哪些判断持续成立。本期最重要的延续判断是：Coding 去年还是预言，今年已经变成海啸。
本章小结
EP136 的意义在于把过去几季的判断串起来：模型从聊天、推理、产品生态，走到 Coding/Agent 这个能直接改变工作流的阶段。
Coding 为什么像 GPU：加速器而不是应用
把 Coding 模型类比为 GPU，是本期最有解释力的比喻。GPU 本身不是一个消费应用，但它让训练和推理成为可能；Coding 模型也不只是 IDE 插件，而是让研究、工程、数据处理、实验和产品迭代加速的基础设施。
三种加速路径
| 加速路径 | 发生在哪里 | 影响 |
|---|---|---|
| 个人生产力放大 | 顶尖研究员、程序员、架构师 | 1% 人才被放大 10–50 倍，想法到实验的周期压缩。 |
| 组织研发吞吐 | feature、数据 pipeline、多模态实验 | 原本数周的迭代缩到数天，产品发布频率上升。 |
| AI 加速 AI | 模型帮助写训练代码、评估脚本、调试实验 | AI 研究本身被 AI 工具加速，形成递归反馈。 |
为什么代码是数字世界的杠杆
自然语言表达问题，代码表达解决方案。只要任务发生在数字系统里，代码就能连接数据、工具、环境、权限和执行。模型掌握 coding，等于掌握了数字世界的操作杆。
本章小结
Coding 是加速器，不是单一应用。它放大个人、组织和 AI 研究自身，因此可能成为 AGI 第二幕的关键基础设施。
硅谷御三家的路径依赖
本期对 Anthropic、OpenAI、Gemini 的评价，核心不是八卦，而是路径依赖。每家公司上一阶段的成功，会塑造下一阶段的组织注意力。Anthropic 的 underdog 文化和 coding/agent 投入让它站上窗口；OpenAI 的 ChatGPT ToC 成功可能让它忽视 coding；Gemini 的生态和模型能力强，但战略上更像领先追随者。
逐项对比
| 公司 | 访谈中的优势 | 访谈中的风险 | 对 Coding 第二幕的启示 |
|---|---|---|---|
| Anthropic | 重视细节、文化严格、Agent/Coding 窗口强 | 优势会被追赶，规模化仍有挑战 | 早投入工作流会形成窗口。 |
| OpenAI | 品牌、模型、产品和资本强 | ToC 成功可能成为战略惯性 | 过去成功会遮蔽新主线。 |
| Gemini | 生态、资源、模型能力强 | Coding 落后、声势不足 | 生态不能替代明确战略。 |
| Meta | 开源、资本、人才和挑战者位置 | 产品闭环不稳定 | 开源可能是后发追赶路径。 |
| xAI | 资源和关注度高 | 战略摇摆、团队流失 | 组织稳定性比明星叙事重要。 |
不要把公司判断当成永久结论
本期是季度快照，不是长期排名。模型公司窗口期可能以月为单位变化。更稳定的分析方法，是看路径依赖：组织奖励什么、忽视什么、谁能更快拥抱新范式。
本章小结
硅谷御三家的比较，本质是战略注意力比较。Coding 第二幕会奖励那些把模型、产品、数据和工程闭环放到同一条主线上的公司。
中国御三家与成本优势
本期也提到中国御三家。虽然转写里没有展开太多细节，但结合前后语境，中国模型公司的优势更可能来自成本、工程速度、应用场景和开发者生态，而不是单点 benchmark 碾压。Coding/Agent 场景尤其看重成本，因为长程任务会放大每一次模型调用。
为什么成本是战略变量
在聊天场景中，贵一点的模型也许还能被用户接受；在 Agent 场景中，一个任务可能需要几十轮调用、工具执行和验证。如果单位调用成本太高，产品就难以规模化。国内便宜好用模型若能接入好的 harness，就可能在大量中高频任务上获得优势。
成本优势不是低端优势
便宜模型不是只能做低价值任务。Agent 框架可以把便宜模型用于高频步骤，把强模型用于关键判断。多模型路由会让成本结构成为竞争力。
本章小结
中国模型公司的机会在于：如果能把成本优势、工程速度和应用反馈接入 Coding/Agent 工作流，就可能在第二幕获得差异化位置。
社会应对：白领通缩之后怎么办
本期最沉重的部分，是白领通缩和失业窗口。技术上，Coding 模型压缩研发周期；组织上，少数人能完成更多任务；经济上，白领劳动价格会被重新定价。问题不是“AI 会不会替代人”，而是社会能否给被替代或被重组的人提供新位置。
三类人会先受到冲击
| 人群 | 为什么先受影响 | 应对方向 |
|---|---|---|
| 重复性知识工作者 | 工作可被文本、表格、代码表达 | 转向任务定义、审核、客户理解和流程设计。 |
| 初级程序员 | 大量实现代码可由模型生成 | 学会架构、测试、review、系统理解。 |
| 中层协调者 | 信息转发和进度管理可被工具自动化 | 转向判断、资源配置、跨团队冲突解决。 |
再培训的真正目标
再培训不应只是教人“用 AI 工具”，而应训练人定义问题、验证结果、组织工作流和理解业务。工具会变，判断力和责任结构更慢变。
本章小结
白领通缩是技术扩散速度超过组织吸收速度的结果。社会应对不能只靠个人学习，也需要企业组织和制度设计重新分配生产力红利。
模型 OS 的产品结构：从聊天入口到任务入口
把模型称为新一代 OS，最容易被误解成夸张说法。更准确地说，模型可能成为“任务入口”：用户不再先打开某个 app，而是先表达目标，再由模型选择工具、调用服务、组织上下文、执行动作并返回结果。这个转变会重塑应用分发、SaaS 形态和企业软件采购逻辑。
三层产品结构
| 层级 | 职责 | 竞争焦点 |
|---|---|---|
| 模型层 | 理解意图、规划任务、生成代码或动作 | 基座能力、Coding 能力、工具使用能力。 |
| Harness 层 | 接入应用、权限、记忆、日志、重试、评估 | 工作流可靠性、成本、安全和可观测性。 |
| 应用层 | 承载具体业务对象和用户关系 | 数据、场景、分发、用户习惯和付费。 |
为什么 OS 化会威胁应用入口
如果用户通过模型表达目标，而模型负责选择应用和调用服务，传统 app 的入口价值会下降。应用仍然重要，但可能从“用户主动打开”变成“模型按任务调度”。
企业软件的变化
企业软件过去围绕人类操作界面设计：表单、按钮、流程、权限和报表。Agent 时代，企业软件还需要提供可被模型调用的 API、可读状态、可审计日志和可恢复操作。谁能更早把产品变成 agent-friendly workflow，谁就更容易进入模型 OS 的调度网络。
Agent-friendly 软件的特征
清晰 API、明确权限、可验证状态、可回滚动作、结构化日志、低成本沙盒和良好文档。没有这些，模型再强也难以安全稳定地操作企业系统。
本章小结
模型 OS 不是替代操作系统内核，而是成为任务调度层。未来软件竞争会从“谁拥有界面入口”转向“谁能被模型可靠调用”。
投资框架：如何看 Coding/Agent 公司的价值
本期最后谈到投资新思考。若 Coding 是 AI 加速器，投资判断就不能只看用户增长或模型榜单，而要看一家公司是否掌握工作流、反馈和成本结构。一个 Coding/Agent 公司如果只是套壳调用模型，壁垒很薄；如果能积累真实任务数据、失败案例、工具集成和用户工作流，壁垒会更深。
四个判断维度
| 维度 | 要问的问题 | 好信号 |
|---|---|---|
| 工作流深度 | 是否进入用户每天必须完成的任务？ | 代码库、测试、部署、数据流程深度接入。 |
| 反馈闭环 | 是否积累可训练的失败和成功轨迹？ | 有结构化日志、评估和人类修正数据。 |
| 成本结构 | 是否能用多模型路由降低单位任务成本？ | 大模型只做关键步骤，小模型处理高频任务。 |
| 分发入口 | 是否拥有用户习惯或生态位？ | IDE、企业系统、浏览器、团队协作入口。 |
投资叙事里的常见陷阱
“我们是 Agent 公司”不是壁垒；“我们接了最新模型”也不是壁垒。真正的壁垒通常在工作流深度、数据反馈、组织执行和分发入口，而不是 prompt 包装。
本章小结
Coding/Agent 投资要从 demo 转向 workflow。能否沉淀反馈、降低成本、占住入口，比短期模型能力展示更重要。
就业冲击分层：哪些岗位先变
白领通缩不是均匀发生的。Coding/Agent 会先影响那些任务数字化程度高、输出可验证、流程可拆解的岗位。它不一定马上消灭整个职业，但会先重组岗位内部的任务比例。
岗位冲击矩阵
| 岗位/任务 | 先被压缩的部分 | 更难替代的部分 |
|---|---|---|
| 初级程序员 | 样板代码、简单 bug、脚本、接口封装 | 架构判断、复杂系统理解、上线责任。 |
| 数据分析 | 清洗、SQL、报表、可视化初稿 | 指标定义、业务解释、因果判断。 |
| 产品/运营 | 文档、竞品总结、流程配置 | 用户洞察、取舍、组织协调。 |
| 研究助理 | 文献整理、实验脚本、结果汇总 | 问题提出、实验设计、失败解释。 |
| 管理协调 | 状态同步、会议纪要、排期 | 冲突解决、资源取舍、责任承担。 |
职业变化的真实形态
AI 不一定一次性替代岗位，而是先替代任务。岗位会被重组：低判断、高重复、可验证的部分被自动化；高责任、高上下文、高取舍的部分变得更重要。
本章小结
就业冲击应按任务颗粒度分析。最先被压缩的是数字化、重复性、可验证任务；最难替代的是责任、判断、组织和价值取舍。
与 EP139、EP138、EP137 的连接
EP139 讲 Agent 技术史，说明为什么 digital agent 会成为新范式；EP138 讲模型实验室如何为 Agent 重配后训练、算力和组织；EP137 讲 AI for Math 如何把 Agent 式闭环推向科学发现；EP136 则把这些判断放进季度产业图景中，问模型公司、应用、就业和投资会如何重排。
四期连读路线
先读 EP139，建立 Agent 技术框架；再读 EP138，理解模型实验室如何行动；再读 EP137，看 AI 进入数学研究；最后读 EP136，把这些变化放回产业、公司和社会层面。
本章小结
EP136 是前几期的产业化总览：它把 Agent、后训练、AI for Math 的技术变化，转译成公司战略、模型 OS 和社会冲击。
术语消化：本期关键词索引
| 术语 | 一句话解释 | 在本期中的作用 |
|---|---|---|
| Coding 模型 | 能理解、生成、修改和调试代码的模型 | 被视为 AGI 第二幕加速器。 |
| Agentic Workflow | 模型在工具和环境中多步完成任务 | 让模型从聊天变成干活。 |
| Harness Engineering | 把模型接入真实工作流的工程层 | 决定模型能力能否稳定落地。 |
| Model OS | 模型作为意图到应用执行的调度层 | 解释模型为何可能重塑应用入口。 |
| 白领通缩 | 白领劳动供需和工资受自动化挤压 | 社会影响主线。 |
| Forward Deployment | 工程师贴近客户部署 AI 系统 | 反映 Agent 落地仍需强服务。 |
| Coding as GPU | Coding 模型像 GPU 一样加速研究/工程 | 本期最有解释力的比喻。 |
本章小结
本期术语围绕一个中心：Coding 把模型变成生产力加速器，并推动模型公司、应用生态和社会结构重新定价。
附录：转写校正与复习路线
本期无平台字幕，自动转写对模型名和英文术语有若干误听。整理时需要把转写中的近似音统一到标准术语，否则会影响后续检索和跨期比较。
术语消化：常见误听校正
| 标准术语 | 常见误听/近似写法 | 校正理由 |
|---|---|---|
| Chatbot | Charbot、拆的 GTT | 第一幕的交互形态。 |
| Anthropic | AnswerPick、Ansropic | 硅谷御三家之一，本期重点公司。 |
| Claude Code | Cloud Code、Cowl Code | Coding/Agent 工作流代表工具。 |
| Codex | CodeX、代码模型泛称 | OpenAI coding 工具体系。 |
| Gemini | Germline、Gemline | Google 前沿模型体系。 |
| Harness Engineering | Harness、哈尼斯工程 | 模型进入真实工作流的中间层。 |
| Model as OS | 模型操作系统、模型 OS | 本期关于未来模型形态的核心判断。 |
| White-collar deflation | 白领通缩 | 社会影响部分的关键词。 |
复习路线
如果只读一遍，建议按四步复习。第一，读第 2--3 章，理解 Coding 为什么从应用变成加速器。第二，读第 4--6 章，理解模型公司路径依赖、harness 和 model OS。第三，读第 7--10 章，理解社会冲击、投资框架和岗位重组。第四，把本期与 EP139、EP138、EP137 连起来，看 Agent 技术史、模型实验室、AI for Math 和产业季报之间的关系。
本期的最短总结
Coding 是数字世界的执行语言；Agent 是模型进入环境的方式；Harness 是模型进入工作流的桥；Model OS 是模型成为任务入口的终局想象；白领通缩是生产力跃迁后的社会压力。
本章小结
转写校正让术语稳定，复习路线让季度判断可复用。后续继续整理Zhang Xiaojun AI 队列时，本期可以作为“产业季报/综述类”模板。
总结与延伸
核心结论
- Coding 是 AGI 第二幕，因为它让模型从聊天转向执行数字世界任务。
- 前沿模型公司的竞争窗口正在重排，上一阶段成功可能成为下一阶段路径依赖。
- Harness Engineering 决定模型能否进入真实工作流。
- 模型成为新一代 OS 的关键，是它能调度工具、上下文、权限和任务状态。
- Coding/Agent 会带来白领通缩和失业窗口，社会吸收速度可能慢于技术扩散速度。
开放问题
- Coding 模型会不会像 GPU 一样成为所有 AI 研究的基础加速器？
- 模型 OS 会由现有大厂掌握，还是由新一代 AI-native 应用公司掌握？
- 白领通缩会先发生在哪些行业，社会如何重新分配生产力红利？
- 中国模型公司能否借助成本、应用和开发者生态追上第二幕？
拓展阅读
- EP139 Agent 技术史：理解 Coding/Agent 为什么是更大技术谱系的一部分。
- EP138 罗福莉访谈：理解 Agent 范式如何改变后训练和算力分配。
- Claude Code、Codex、OpenClaw 等工具实践：观察 Coding 模型如何改变研发工作流。
- Harness engineering、agent evaluation、computer use agent benchmark：理解模型进入生产系统的中间层。
最后的判断
如果说 2023 年的问题是“模型会不会说话”，2026 年的问题就是“模型能不能干活”。Coding 是这个转变的第一块硬地面；谁能把它接进真实工作流，谁就更接近下一代 AI 操作系统。