想知道谁在裸泳吗?
微软昨天给六万员工发了一封信,标题写着 Voluntary Exit Offer,自愿离职邀约。

这些员工占全球 22.3 万员工的 27%。美国、加拿大、印度、英国,level 70 及以下,连 GM 和一部分带 VP 头衔的人都算在内。没有年龄门槛,没有工龄门槛,绩效不作为因素。12 月第一周决定,12 月 31 日走人。

这是今年微软第三次裁员计划(叫什么其实不重要吧)。

四月那轮自愿裁员是让快退休的人先走。是微软 51 年来第一次买断,8,750 个美国人符合条件:年龄加工龄 ≥ 70,等于只请快退休的人走。那轮给得方案是很丰厚的,8 到 39 周一次性付清,医保最长五年,24 年以上工龄的股权续授 12 个月。

那轮自愿走了 30% 的人。

七月还有一轮常规裁员,裁了 4,800 人,加上四月自愿走的,也差不多就是完成了最初的 8000 来人的目标。

十月这轮自愿裁员,规模大了一个数量级,且不限年龄,可能人数太多了吧,方案也不像上次那么好了。

自愿裁员的员工有两个选择:

签,拿钱走。8 到 39 周工资一次付清。代价是你同时也成了自愿离职,领不到失业金。

不签,等。等来的可能是下一轮,但下一轮未必更宽松。七月被强制裁掉的人在论坛上说,自己拿到的包和四月自愿走的人差不多,"早知道就等了"。反过来也一样,主动走的人可能白让了一步。

但值得注意的是,微软裁员但微软并不缺钱,今年的资本开支 1,159 亿美元,同比涨 79.6%,占营收 35%。人均创收从 123.5 万涨到 148.8 万美元。

这正是这轮 AI 裁员潮的特点,AI 在替代人类的工作岗位,更加高效,更加省钱。

没有人可以挡住这个诱惑,世界将义无反顾地做出最理性的选择。

面对 AI 所带来的世界剧变,你真正的选择,其实只有一个:

从现在开始,每个人都得有自己的生意。自己去面对客户,真正完成赚钱的闭环。

公司已经越来越靠不住了。

AI 发展到极致,也许连公司都不复存在。

by @橘AI #你不知道的行业内幕
职业经历走得太窄了,最近才见识到 disk IO 密集的恐怖,和网络 IO 密集完全不是一个级别的影响,我愿称之为软件工程界的重工业😭

比如你一个进程写文件,write latency 高了,触发了 WBT (write back throttle),内核把进程投入 D 状态等待,很河狸吧,大家从小都听说磁盘 IO 容易 D。

但是,众所周知 write(2) 正常写文件都是先写到 page cache 再由内核 write back kworker 按照 vm.dirty_background_bytes 之类的配置异步刷入,所以实际上 D 状态的是 kworker。

前列腺高潮来了,K8s pod 删除时最后一步 containerd-shim umount(2) 会 sync_filesystem 把文件系统的脏页刷入,并且会同步等待刷入完成。但是刷脏页的 kworker 已经 D 了且队列里还有源源不断的 write back,这个同步等待是永远不会完成了,containerd-shim 也进入永恒的 D。

链式反应开始!首先 containerd 周期性给容器检活给 containerd-shim 发请求,但 shim D 了不回复,卡死 containerd 主循环,导致 kubelet 给 containerd 发探活请求 (PLEG) 超时,判定节点不健康,驱逐所有容器。

还没完,containerd-shim 进入 D 之前还持有了一把全局互斥锁 wb_switch_rwsem,这把互斥锁锁死了 inode_switch_wbs 这个 kworker,这下好了,比如 curl 好端端的网络程序,就因为往地上吐了一口口水 就因为动态链接要 stat(2) 一下 so,就直接卡死在 flush_workqueue(inode_switch_wbs) 进入 D。curl 都 D 了,那自然你是登不上机器的,你难道以为 sshd 不会 D?嘻嘻,自杀吧。

我只能说大开眼界。伟大航路真开心。发一张裸图庆祝一下。
外热内卷

最近翻了翻亚洲的经济数据,真有点恍惚。

深圳的写字楼,租金一降再降,还是租不满。原以为只是深圳,没想到北京、上海也差不多。

今年三季度,北上深写字楼空置率分别在 17%、24%、24% 左右。

再看东京,核心五区甲级写字楼空置率只有 0.5%,租金同比涨了近 18%。口径虽有差异,但这反差也太魔幻了。🤡

我们这些年太爱盖楼了。🏙️

新区、CBD、总部基地,一栋比一栋气派。楼交付了,企业却没长出那么多新需求。租客从旧楼搬到新楼,旧楼又空了。房东互相降价,忙活半天,卷出一地鸡毛。

股市也很有意思。

日本靠企业盈利、回购和分红,韩国搭上 AI 半导体景气周期。

我们制造业强得惊人,可不少企业还在打价格战。订单越来越多,利润却薄得像纸。

转头看看越南。

前三季度 GDP 增长约 9%,工厂、出口、外资,一股子当年遍地都是机会的劲儿。

最近又看到几组就业数据,心里更没底了。

9 月不含在校生的 16 到 24 岁劳动力失业率还有 18%,那超过 24 岁的失业率呢?我向 DeepSeek 和 ChatGPT 都仔细追问过,还是查不到官方数据,这里就不臆测了。🤝

明年,也就是 2027 年,会不会成为一个「失业大年」?

我不敢下定论,但如果企业利润继续被挤压,AI 持续爆发生产力而组织变革迟迟不动(这几乎是必然的),就业市场恐怕也很难轻松。

真建议大家早做准备。留好现金流,少背杠杆,手里多攒一项能换来稳定现金流的本事。

最近股市真是跌麻了,使用 Opus 5.5 做了个表达我心声的视频,顺便感受一下汉字之美。🤡
Media is too big
VIEW IN TELEGRAM
让我们想象一下你司架构是 NGINX v1.23.0 作为边缘节点,后面挂着 PHP-FPM 7.3 (刚花了几周时间从 5.6 升级上来) 的源站 + 前段时间刚花了大价钱采购来的 TiDB NewDB + Node.js 24 LTS Brotli 中间件,开启了 Brotil 压缩功能、Go 作为对外访问的网络沙箱、使用 Python + LiteLLM AI 企业内部 Harness 工具 (CI 昨晚刚从 PyPI 拉了新包并推送到了生产环境,现在全公司电脑都装上了这套 Harness)、公司服务器全部跑在 Linux 内核 c6e50df8 之前、网站的 HTTPS 证书由公司前段时间刚采购的无保险低价 Sectigo DV 证书(还没上 ACME 自动签发)、公司的 Vyper 智能合约部署在 Docker 29 + Kubernetes + Traefik Ingress 上开着 mTLS fail-open,宿主机还跑着 ASP.NET Core 面板和 .NET 本地服务、公司的软件和外发机密文件通过 emSign 代码签名,根证书库用 Go crypto/x509 + Rust webpki-roots + Python certifi

而你,是这家公司的核心 on-call 运维。
TiDB (国内云原生 NewSQL DB 领头羊) 发生大规模用户数据泄露事件,总泄露数据量达 10TiB+

泄露数据清单:

• 10.5 TB+ 总数据量
• 4,901,203 个文件
• 533.8M (5.3亿) 行数据的 BigQuery Repo
• 180,046 个客户
• 403,262 个邮箱
• 115,308 个客户 API 密钥(明文)
• 5,036,738 个客户服务器 IP 地址
• 377,446 个内部 Jira 工单信息
• 433,927 个 CRM 客户
• 413 个私有 Git Repo


攻击者留下的正文:

今天,我们公开披露对 PingCAP 的入侵事件。我们掌握了完整的 TiDB Cloud 控制平面、其计费和财务系统、GCP 存储资源和 AWS 成本与计费系统,以及其 Jira、CRM、分析系统、源代码,还有一份长达四年的日志,记录了所有客户从其应用服务器 IP 地址发起的每一次产品连接。

PingCAP 销售的 TiDB Cloud 是开源数据库 TiDB 的托管版本。银行、游戏工作室和电商平台将生产工作负载交给 PingCAP;PingCAP 在一个共享的多租户平台上运行这些集群,而其整个业务都建立在“这样做安全可靠”这一主张之上。下文的证据表明,事实并非如此。

首先,他们似乎对自己的云服务毫无监测能力。令人遗憾的是,这在我们攻破的公司中十分常见:他们愿意投入数百万美元购买花哨的 EDR,却任由五百多个 S3 存储桶里的数据大摇大摆地流出。

但这可是一家云服务提供商,他们的各项云服务AWS、GCP、Atlassian / Jira、Azure 遭到大规模、明目张胆的入侵和数据外传,他们却似乎完全无法察觉,这既骇人听闻,也极不负责任。首次外传约 8 TB 数据后,我们又持续外传了近两个月,并定期获取新增数据。

我们甚至利用提交到他们自己代码仓库中的凭据「GCP 服务账号密钥和 Azure 服务主体」 搭建了一条从其控制平面数据库复制数据的通道,让他们自己的基础设施把数据送到我们手里。在这次行动的最后二十二天,即 9 月 8 日至 9 月 30 日,这条数据通道每六小时都会将 TiDB Cloud 运行核心中的每一张表 「租户、用户、API 密钥、集群凭据、变更数据流、迁移记录」重新导出并传送出去。连续导出八十八次,一次都没有被发现。最后一次导出于 9 月 30 日 06:02(UTC)进行。所导出的控制平面数据已包含在第一阶段发布的数据中。


src: https://fulcrumsec.vg/pingcap/
中国前10%的人拿走了68%的财富,让我对贫富差距有了实感。

先叠个甲,68% 在全球其实也就是中上水平,比美国、俄罗斯甚至福利好到出名的瑞典还低,中国的特殊性在于,美国这个差距是花了一百年慢慢拉开的,我们是二三十年,一代人之内。

看我附上的那张图就知道,这里说的是财富,而不是收入,2021 年中国前 1% 的收入只占总体收入的 14%,比财富占比低得多。

财富的集中程度在哪个国家都比收入高得多,因为穷的那一半人基本没有积蓄,很多人房贷一减还是负的,哪个国家都一样。

那中国特别在哪?快。

中国前10%的财富份额,1995年41%,20 年年后 67%,之后基本不动了。前1%从1995年的16%涨到现在的30%。美国呢,1995年前1%就已经29%了,三十年才涨到35%。我们二十年走完的路,人家走了一百年。

快的原因可能是两个:一个是1998年房改之后房价一直涨,房子变成普通人最大的一笔资产,早买的和没买的,二十年下来差出几百万。另一个是九十年代末的企业改制,一批人拿到了厂子和股份。所以我们这代人是亲眼看着身边的差距从没有到有的。

这个数据也有几个值得警惕的地方。

WID这个数据库是巴黎经济学院一帮研究分配的经济学家做的,他们的办法是把税务数据、住户调查、富豪榜和国家账本拼到一起,调查抓不到的那些顶级富豪,就用富豪榜去补,最后再用全国的总财富来校准。现在能做跨国比较的只有这一家,所以大家都引它。

但他们手里关于中国的材料其实不多。对中国的研究只做到2015年,后面的年份都是顺着往下推的,并不是真实调研得来的。税务数据只拿到2006到2010年那几年。中国没有财产税也没有遗产税,最富的那批人到底有多少钱,主要靠富豪榜往回算。WID自己在中国那一页也写了,这组数字争议很大。

中国的央行2019年做过一次调查,在全国抽了三万多户城镇家庭填问卷,问资产和负债。口径跟WID不一样:按户算不按人算,只有城里人,而且是抽样。结果是净资产最高的10%家庭占49%,最高的1%占17%。报告里拿美国同样的调查比了一下,美国最高1%的家庭占39%。按央行这个口径,我们的差距比美国小不少。

两边差这么多,原因其实简单。抽样调查抓不到真正的富人,身家几十亿的人不会出现在三万户里面,央行没有去补这一块,WID补了。真实情况大概在49%到68%之间。

以前我只是觉得中国的贫富差距应该挺大,但这个数据让我有了个实感。

而财富和收入差异如此之大也说明,只靠收入很难在财富量级上拉来多大差距,核心还是要靠房地产、股票、股权等资产。

by @我的兄弟叫铁马 #无用但有趣的冷知识
强烈推荐大家看看 Anthropic 这个就业报告。

Anthropic 的技术博客,含金量真的很高。最近发布的一些文章,我觉得已经可以当论文来看了,基本上都会打印出来仔细阅读。

前天,Anthropic 又发表了一篇非常重要的研究报告,叫《How employment is changing at Anthropic》。

这次 Anthropic 直接拿自己的员工做样本,通过内部招聘数据、员工工作记录、面试评价,以及 17 位员工的访谈,研究 AI 给公司的人员结构、招聘标准和协作方式带来了哪些变化。

我觉得特别有价值。毕竟 Anthropic 已经是全球 AI 使用程度最高的公司之一,他们现在经历的变化,很可能就是接下来的趋势。

分享几个我的收获,尤其是对正在找工作的朋友,我觉得很有参考价值。

1、初级岗位的招聘,确实在明显减少。Anthropic 的数据显示,从 2025 年初到今年,技术部门的初级员工占比,从 21% 下降到了 14%。

而在新招聘的技术员工中,初级岗位的占比下降得更厉害,从 27% 跌到了 9%。

注意,Anthropic 的技术团队仍在扩张,但招聘越来越偏向有经验的人。

原因也相对比较好理解。毕竟 AI 现在已经可以完成很多复杂任务了,所以企业对人的判断力要求反而越来越高。

过去企业招聘初级工程师,通常会让他们先从简单的开发、测试、Bug 修复开始,慢慢积累经验。但现在,这些工作已经可以大量交给 AI 完成了。

类似的变化也出现在一些基础行政岗位上。即使 Anthropic 的员工规模快速增长,这些岗位也没有出现相应的招聘增长。

我自己也有类似的感受。

从年初到现在,我陆续跟不同的实习生(非 985 高校)合作过。说实话,整体体验并不算特别满意。主要问题还是大家缺乏经验,遇到一个稍微复杂点的问题,可能就会卡很久。

如果再缺乏主动性,就需要我不停地安排任务、检查进度,那我还真不如直接把事情交给 AI 完成。

所以从生产效率的角度来看,对于 AI 使用程度很高的公司,初级岗位的需求可能会越来越少。

2、Anthropic 的招聘标准也发生了明显变化,越来越看重一个人的自主性和判断力。

Anthropic 分析了自 2024 年以来数千名录用员工的面试评价,发现技术岗位的评价中,增长最明显的两个维度是 Autonomy 和 Judgment,也就是自主性和判断力。

与此同时,对特定领域专业知识的关注占比反而有所下降。

这个变化很有意思。

之前我也写过几次类似的话题,包括 Notion 首席设计师的一些分享,都提到了主动性的重要性。

因为有了 AI 之后,一个员工实际上已经可以同时管理好几个 Agent,相当于每个人都带着几个下属。

这时候,工作方式就需要改变了。

过去可能是领导分配任务,员工按照要求完成。但现在,一个人完全可以自己提出想法,制定计划,再调动 AI 去实现目标。

在 AI 时代,主动性可能会成为一个人非常重要的竞争力。

3、但到底怎么判断一个人有没有主动性?

和运营、编程、设计这些专业技能相比,主动性多少有些主观,很难通过一道面试题判断出来。

年前,我给客户推荐过一个候选人,结果面试没通过。我很惊讶。因为之前跟他共事过,基本功不错,人也挺机灵。

客户老大叹了口气说:主要问题是他的主动性不够。我继续追问:你是怎么判断出来主动性不够的?

对方回答:问之前在某个项目里负责了什么,话里话外能听出来,他的工作范畴仅仅就局限在领导安排的事情上,没见着他的思考,基本上就是安排什么做什么。

主动性不够,来我们团队,很难生存下去。所以也就没推进了。

我挺认同客户的判断。

不管是在大厂还是小厂,主动做事,为目标着急永远是重要的能力。

领导推一步,然后干一步,这种性格很难把事情做好。

并且,我总觉得,主动是一种受益终生的思维方式,主动和同事沟通进展,主动思考问题的解决方案,主动认识一些厉害的人......

在我看来,主动性至少包括三个方面。

首先,一个人眼里得有问题,能够主动发现哪些事情值得做、哪些地方需要改进。其次,发现问题之后,愿意自己想办法,寻找资源,不停地把事情往前推进。

最后,遇到困难不会轻易停下来,更不会一直等着别人安排,而是会想办法把问题真正解决。

总之就是没有等靠要的思维方式。

4、Anthropic 越来越在乎候选人使用 AI 的能力,尤其是实际经历。

报告里有个很有意思的数据。2024 年,Anthropic 的技术岗位面试评价中,只有大约 5% 会提到候选人使用 AI 工具的经历,非技术岗位大约是 7%。

但到了 2026 年,这两个比例分别增长到了原来的 3 倍和 4 倍。

尤其是非技术岗位,变化非常明显。

这也给我们提了个醒。如果面试的时候,只是和面试官讲自己熟悉 Claude、Codex,恐怕已经没什么说服力了。这些工具谁都会用。

重要的是,我们用 AI 解决过什么具体问题。比如自己设计过一套工作流,或者利用 AI 做过一个小工具。我个人觉得这种真实的作品,比简历上罗列一堆 AI 工具更有说服力。

因为它能直接展示自己使用 AI 解决问题的能力。

5、AI 对应届生确实不太友好。

特别是非 985 或者 211 高校的学生,相比十年前的毕业生,大家就业压力大不少。

过去很多应届生的起点,几乎都是从简单的工作开始,然后在实际项目里慢慢积累经验,几年之后才能逐渐独当一面。

但现在,AI 正在接管其中一大部分基础工作。如果企业越来越倾向于招聘有经验、有判断力、能够独立完成任务的人,那么应届生,应该去哪里获得这些经验?

这真是个挺棘手的问题。我亲戚家的孩子就是这情况,毕业一年了,现在还在家里待着。

所以,我感觉尤其是还在上学的同学,毕业后想进入互联网行业,真的应该尽早利用 AI,积累一些真实的项目经验。

比如开发一个自己真正想用的小产品,解决身边某个实际问题,或者给一项真实业务设计自动化流程。

很多二流学校的学生,在这时候了,还是在努力考研,以考研为荣。我真心觉得糊涂。

如果只是因为不知道毕业之后该做什么,或者天真的认为多一张文凭就能找到更好的工作,那真的应该重新考虑这事的逻辑。

尤其是那些将来想进入互联网行业,做产品、运营或者开发的同学。

现在 AI 已经把做产品的门槛降得非常低了。真的应该花点时间,去做几个真实的项目。最好能找到用户,收集反馈,再不断改进。

这个过程既能积累经验,也能锻炼前面提到的主动性、判断力,以及使用 AI 解决问题的能力。

等到真正找工作的时候,直接把作品拿出来,讲清楚自己解决了什么问题,以及取得了什么结果。反正如果我是面试官,我会非常愿意和这样的应届生聊聊。

by @小盖fun #AI探索站
Anthropic 最近在新加坡设立了办公室,背后有组数据,实在让人忍俊不禁。

按照人口规模计算,新加坡的 Claude 使用活跃度达到了理论预期的 5.81 倍,高居全球第二。

新加坡才 600 多万人,怎么就成了全球最爱 Claude 的国家之一?🤔

但凡折腾过 AI 的朋友,估计都能会心一笑。

新加坡是什么地方?🇸🇬

亚洲互联网的重要枢纽,云服务器、API 服务扎堆的地方。很多开发者肉身还在国内,数字分身却早已在新加坡安家落户。

更有意思的是,全球排名第一的居然是澳大利亚,使用指数高达 6.40 倍。

澳大利亚的 Claude 使用活跃度高,很可能是英语环境、知识工作者集中、AI 编程普及,以及人口规模相对较小共同作用的结果。

往后看,瑞士 5.02 倍、卢森堡 4.85 倍、新西兰 4.84 倍,几乎被英语国家、金融中心和高收入小国包圆了。

仔细想想,这份榜单其实藏着两条截然不同的线索。

一条是网络流量的地理错位。新加坡、日本这些地方,承载着大量来自亚洲各地的互联网流量。一个 IP 所在的国家,未必就是屏幕前那个开发者生活的地方。

另一条则是真实的生产力革命。瑞士的金融、医药和咨询,卢森堡的基金、法律和跨境金融,澳大利亚和新西兰的专业服务与科研,都有大量高价值的知识工作。

当一个人的时间足够昂贵,每月几十美元的 Claude 订阅费,简直便宜得不像话。Anthropic 自己的研究发现:一个国家的人均 GDP 每提高 1%,Claude 的人均使用量平均高约 0.7%。

所以,我们可以反推一个小标准来度量你的工作价值。👇

1️⃣ 时间更值钱。人工越贵,用 AI 节约时间的经济回报越高。

2️⃣ 知识工作密度高。金融、法律、咨询、研发等行业更容易把 Claude 融入日常流程。

3️⃣ 付费能力强。每月几十美元的 AI 订阅,对于高收入专业人士来说门槛很低。

回到我们的身边,真的有这么多人需要提高生产力吗?红果短剧用户时长一骑绝尘,这才是更真实的 CN 用户。

最近 A 股让我有点绷不住了,再这么跌下去,人心就散了。

关机重开吧,来世大家都是东南亚岛国人。🤡
Jev 火了:AI 支出或砍掉 60%

Jev 怎么用呢?🤔

问题一旦提出来,就开始研究,发现了好多新东西,探索的乐趣啊!🏄

拿到 API 后研究了一圈,发现大家已经把 Jev 玩出花了。给同样拿到 API、但还不知道怎么玩的人,整理一份 Jev 使用清单:

0. fast-jev-compaction
给 Claude Code 做上下文压缩,用精准裁剪替代默认的摘要压缩。

1. jev-ultrafast
Browser Use 做的高速浏览器 Agent,让 Jev 判断下一步做什么、点哪个元素。Google Flights 搜航班完整跑完约 7.1 秒。

2. typesafe-mcp
把 Jev 接进 Claude Code、Claude Desktop 和 Codex,随时做 Choice / Score 这类结构化判断。

3. jev-mcp
封装事实核验、Prompt Injection 检测和语义排序。

4. Jev Codex Router
这个很有意思:Jev 先判断 Coding 任务难度,再决定交给便宜模型还是旗舰模型。作者回放 237 个真实 turn,自测成本降低约 60%。

5. neo4jev
给知识图谱候选边打概率,再用 beam search 找路径。搞过图谱的朋友一定知道这个有多重要。太省力啦!

6. TypeSafe on Neon
拿 Jev 做模型 Router,先判断任务,再转给 Grok 4.6、GPT-6 Astra 等模型。

看完这一圈,Jev 的玩法其实很简单:

要不要?选哪个?打几分?下一步干什么?

这些高频的小判断交给 Jev,真正需要写代码、长文本和复杂推理的时候,再叫传统大模型出来干活。

@forgebitz 提到一个很有意思的判断:

分类是很多公司的巨大用例,LLM 处理上亿资产依然又贵又慢,Jev 这类模型有机会砍掉 50%-60% 的 AI 支出。

Jev Codex Router 的实测也给出了约 60% 的降本结果。当然,这个数字还需要更多真实业务验证,但方向很值得关注。

忙活了一下午,我也终于赶在下班前把 Jev 集成进了 monk.party,顺手做了一个监控看板。

实际跑起来后,有个细节我很喜欢:Jev 默认输出置信度。

以后完全可以根据置信度做分层路由:高置信度直接执行,拿不准就交给 Flash,再难一点才叫旗舰模型。

给个好评。👍

折腾完这一下午,我对 Jev 的理解反而更简单了:

Jev 负责便宜地做决定,Flash 负责便宜地干活,旗舰模型留给真正困难的问题。

AI 应用下一轮降本,可能已经开始了。🏄

Jev + Flash + AGI 会成为什么?谁需要这样的体系?

我觉得是字节和谷歌。十亿级别的免费用户,需要豆包,需要 Gemini。

Jev 提供了一种可能性。
一般来说,蔬菜是切了尽快吃比较好,否则维生素 C 可能因为接触氧气而被破坏。但根据 2026 年 8 月发表的一篇论文,胡萝卜可能是个例外。

该研究发现,只要把胡萝卜切碎(比如切成丝)后,在 15°C 下放置 48 小时,其中的绿原酸等有益健康的物质居然会暴增数倍。这大概是因为胡萝卜的细胞感受到损伤后,主动分泌抗氧化物质来试图抵御伤害。

而且这种营养物质的增加在动物实验中也观察到了实际效果:给吃高热量饮食的肥胖大鼠每天吃一些这种强化后的胡萝卜,在不减少总进食量的前提下,大鼠的体重增长变慢了,并且糖耐量和胰岛素耐量改善了,血脂异常也得到缓解,炎症因子水平显著下降。

对人类来说,每天吃 50 克这种胡萝卜可能就能有西医养生的效果。

doi.org/10.1038/s41538-026-01042-9

via tombkeeper的微博
vphone-cli · 用 Apple 自己的虚拟化框架启动一台「真」虚拟 iPhone

TL;DR
① 是什么:Apple Silicon Mac 上一条命令 vm create 拉起完整 iOS 系统——不是模拟器,是真虚拟化:下载官方 IPSW → 打补丁 → DFU restore → 定制固件 → 首次开机,SSH + VNC 直接连
② 聪明之处:借用了 Apple 为 PCC(Private Cloud Compute)research VM 铺的基建——guest 以 PV=3 特权级启动,这本是 Apple 自家 PCC 专用的虚拟化平台层
③ 讽刺点:Apple 当年在法院追着 Corellium 打,要的就是阻止 iOS 虚拟化研究;现在自己把必需的原语发出来了(HN 评论区集体玩梗)
④ 和 agent 最相关:host 控制套接字暴露截图/触摸/滑动/硬件键,每次操作内联回传截图——已有 vphone-mcp 把它包成 MCP server,虚拟 iPhone 直接变成 agent 的 E2E 测试工具
⑤ 代价:需 SIP/AMFI 放松(公司机器/MDM 基本没戏)、Apple Silicon only、不能嵌套虚拟化

技术拆解

1. 它踩在哪层
- 模拟器 ≠ 虚拟机:Xcode Simulator 不虚拟化,直接跑本机指令集、共享内核;vphone 是完整独立内核 + 用户态,真·VM
- 关键原语:Apple 给 PCC 研究用的 PV=3 平台虚拟化等级 + 配套 entitlement。普通开发者拿不到这个特权级,所以要 csrutil allow-research-guests enable + 放松 AMFI
- 固件玩法:iPhone IPSW 和 cloudOS IPSW(PCC 的操作系统)合并下载、补丁引导链、SHSH 校验、DFU restore、装 CFW——把物理机越狱的全套流程搬进了 VM 生命周期管理

2. 五档补丁强度
• less:4 个补丁,保留全部 iOS 缓解措施(patchless)
• regular:42 补丁,AMFI/SSV/Img4/TXM bypass
• dev:53,+TXM 调试
• jb:113,完整越狱,首启自动装 Sileo/TrollStore
• exp:141,+反 VM 检测研究补丁(对付「检测到虚拟机就拒绝运行」的 app)
已验证 iOS 26.1→27.0 beta 全系列可跑

3. HN 讨论(122 条)要点
• 最大梗:Apple 诉 Corellium 数年想关掉这扇门,然后自己发了钥匙——「Feels weird that after their attempts to shut down corellium they themselves shipped the necessary bits」
• Corellium 已转 research-only,有人正是因此失去了 app profiling 能力,把这个当替代品
• saagarjha(著名 iOS 逆向研究者)泼冷水:性能数据别当真,不是精确 perf simulator
• 企业机器困境:SIP/AMFI 放松过不了 MDM 合规,基本只有个人机/研究机能跑
• 冷知识线程:region 选日本/欧盟会卡住—— alt app store 资格校验依赖真机位置判定,VM 满足不了

4. 和我们生态的交集
- vphone-mcp:控制套接字 → MCP server → agent 能「操作一台真 iPhone」,每步带截图反馈,天然适合 iOS E2E 自动化(App Store 审核前回归、多 region 矩阵、反检测研究)
- 形态上就是个「环境即工具」:VM 可 APFS 秒级克隆(每次克隆全新设备身份)、zstd 导出导入、vm list --json 可脚本化——和 AnkaLoop 想做的 sandbox/capability seam 里「可快照、可抛弃的执行环境」是同一套词汇
- 局限即机会:MDM/公司机跑不了 → 云上 Apple Silicon 跑这个 + MCP 暴露,就是一个「虚拟 iPhone 云」服务位

5. 快速体验路径
brew install zqxwce/tap/vphone-cli
vphone-cli vm create myphone -V jb
vphone-cli vm launch myphone

SSH: ssh -p 22222 mobile@vm-ip(alpine)/ VNC: 5901


来源:github.com/Lakr233/vphone-cli(8.7k★,MIT)+ news.ycombinator.com/item?id=49485267(389 分)
一封内部信暴露了中美AI竞赛的真实格局

硅谷最近流传着一份来自顶级风投机构Dimension Capital的内部信,几位合伙人在中国走访调研了一周后,回去给投资者写了一封五页纸的观察,其措辞比任何对外公开表态都要直白得多。

信中最扎眼的一个数字是大约80%的美国AI初创公司已经在生产环境中部署了至少一个来自的中国的开源模型,而18个月前这个数字几乎是零。

这是一个渗透率的指数级跃迁,它意味着中国AI产业在软件层面已经完成了一次历史性的跨越。过去20年来,中国的SaaS软件始终没能真正进入西方企业的核心工作流,因为企业软件的采购壁垒天然倾向于保护既有供应商。

开源模型则绕过了这道墙,因为不存在合同谈判,不存在供应商审查,也不存在黑名单,一个工程师就能直接下载模型然后开始跑工作负载,这种效率是任何销售团队都无法企及的。

Qwen成为Hugging Face上最快突破10亿次下载的模型家族,OpenRouter平台上中国模型的Token消耗份额在18个月内从不足2%飙升到45%以上,这些数字不是偶然。

这一切的背后是来自美国的芯片禁令,禁令的本意是拖慢中国AI的发展节奏,但它产生了一个意料之外的副产品。因为算力买不到的时候,只能用人力去替代算力。于是每多一个懂编译器或系统底层架构的工程师,就能永久降低整个团队对算力的依赖。

这不是一次性的资本开支,它能积累、能复用,能形成一种全栈的工程纪律。美国公司习惯用钱解决问题,中国公司被迫用效率替代资源。两种模式没有优劣之分,但它们在塑造完全不同的组织能力。一家公司如果始终可以用钱解决问题,就不会有动力去培养那种不用钱也能解决问题的肌肉。中国算力的匮乏反而被倒逼成了一种进化压力,DeepSeek当年的横空出世就是一个最好的例子。

但事情的另一面是中国在吃西方的计算负载,但吃不到收入。因为开源模型的下载是免费的,真正需要花钱的是推理、微调、部署、运维这一层,这笔钱最终流向了美国的推理服务商和云厂商。不过开源模型在长期博弈中的战略价值并不直接体现在API收入上,当一个模型被下载得越多、部署得越广,它就在积累更多使用场景的反馈数据,这些数据在迭代下一代模型时的复用价值是难以估量的。

当美国80%的AI初创公司已经深度依赖中国的开源模型时,这些公司不仅在使用中国的代码,也在使用中国的技术栈、工具链和最佳实践。标准一旦确立,更换的代价会远高于所支付的Token费用。

Cursor的Composer 2被发现是基于Kimi K2.5改的,Harvey的Tenet是对Kimi K3后训练的产物。如果是一两年前,这些公司大概率会选择Llama或Mistral。如今,美国垂直AI行业的底层基座正在逐渐变成中国开源模型,而这些模型内部又潜藏着部分来自美国前沿模型的智能。这是一个双向渗透的闭环,仅靠监管砍不断这种连接,因为技术之间的对话渠道太多了,单方面切断的代价可能大于收益。

与此同时,中美AI两边的瓶颈又恰好是镜像的。美国芯片充裕但电力越来越吃紧,中国电力充裕但芯片始终不够用。中期局势取决于哪一侧的障碍率先被推倒,但如果双方在短时间内都解决不了各自的问题,竞争就会从“谁能跑得更快”变成“谁能在受限条件下跑得更远”。当算力变成硬约束,效率就成了唯一的变量。

Dimension Capital认为中国AI公司的收入远低于美国同行但估值倍数却远高于美国是“资本市场不够成熟”的表现,这可能低估了中国资本市场的逻辑。中国投资者经历过消费互联网时代,亲眼见证过“先跑规模再变现”的路径能走通。

当年抖音、美团、拼多多都是在规模足够大之后才找到商业闭环的,用企业软件的逻辑去套中国市场本身就错位了,但前提是中国的AI公司别也掉入这个陷阱中。另一个被低估的变量是一旦模型能力趋同,胜负手就从“谁有更好的模型”转移到了“谁有更好的数据飞轮”上。今天开源模型和AI产品的用户规模数据,可能比任何Benchmark都更能预示未来的竞争格局。

基于这些判断,美国接下来会面临一个两难选择。如果继续开放最新模型的API,中国实验室的蒸馏效率已经快到了无法忽视的程度。如果关闭API,他们必须放弃一个巨大的收入来源,把模型生态的主导权拱手让人。而且蒸馏并不完全依赖API权限,它需要的是模型的输出,真正能切断蒸馏的只有完全不公开任何高能力模型权重,这是一个代价极高的选择。如果开源模型的能力已经逼近闭源模型,而闭源模型的商业模式又在承受压力,这个选择会变得越来越紧迫。

所以我敢下的一个判断是双方的技术渗透已经深到剪不断理还乱了,谁先试图强行切断,谁就要承担那个代价。美国在算力上的优势依然存在,但中国在效率上补回来的那部分已经足够把这场竞赛拖入一个谁都无法单方面终结的僵局。

开源模型这把刀已经切进去了,它真正切的是标准、是生态,是未来十年全球AI应用层的基座。基座一旦铺好,上层怎么长就不完全由地基说了算了。

这场中美AI竞赛中真正有意思的部分,才刚刚开始。

by @莫唯书Mark #AI探索站
孙宇晨到底有多少钱,也属于是当代互联网的都市传说了。

2025年「福布斯」在更新富豪榜时采访过他,但是他报的数字是400亿美金,但最后「福布斯」只认了85亿美金,因为孙宇晨没给查看加密钱包的授权,「福布斯」以无法核实为由,排除掉了这部分资产。

彭博也在去年和孙宇晨的财务团队接触过,也拿到了钱包信息,确认他持有超过600亿枚TRX(也就是孙宇晨自创的波场币),合并公开可查的1.7万枚BTC、22.4万枚ETH、7亿枚USDT、90%的HTX股权之后,这么算下来孙宇晨达到了230亿美金的「纸面」资产。

之所以强调「纸面」,是因为最后彭博愿意背书的孙宇晨资产打折到了120亿美金,因为孙宇晨的大部分身价都在那600亿枚TRX里,这个东西和上市公司的股权不一样,不可能全部都能按市价卖掉,一旦孙宇晨开始套现,币值马上就会暴跌,所以彭博的算法是把TRX打了75%的流动性折价,只愿意认领25%的实际价值。

这是孙宇晨和其他老钱新贵们最大的区别,虽然大家都不会持有大量现金,但在真需要用钱的时候,后者们的变现能力是远远大于财富高度绑定TRX生态孙宇晨,作为一个超级集中头寸,他的可流动资产远低于账上数字。

很好笑的是,孙宇晨后来把彭博给起诉了,理由是我给你看钱包,是让你确认我没说谎,算清楚我的财富总值就可以了,没让你把我的具体持仓也公布出去啊,你把我一个人的TRX持仓超过总流通的60%以上说出来了,这我要怎么跑?

总之这场官司的发展以孙宇晨撤诉告终,因为没有证据显示彭博有承诺过那些披露限制。

不过无论是85亿美金还是120亿美金,对于普通人来说都是天文数字了,虽然我也不信孙哥会去问Claude该不该给那5000万美金,但他所说的给了也不会对自己现有资产造成任何影响,确实有这个底气。

毕竟5000万也就是0.4%的支出,相当于你有1万块钱的时候,也不怎么会在意40块钱的支出吧,所以这也是你和孙哥的差别,你不在意,但孙哥在意,所以孙哥成功了,你没有。

🥲

by @阑夕ོ #科技圈大小事
#Photos #Life #碎碎念

📷 从制作 Instagram 精选集讲起,聊聊我的照片管理策略

之前和大家提到过几次,那就是我开始正儿八经使用 Instagram,并精选了一些照片、按时间轴上传了。这项工作大概花了我半个月的时间,每天抽出一些碎片化的间隙来制作

正好趁着这个机会,想和大家聊聊我的照片现状,以及自己为什么突然想要开始做照片管理和精选,对于摄影与记录这件事本身又有什么样的看法

❓ 为什么要管理照片

实际上,在 22 年接触第一台相机 Sony α6400 之前,我几乎不怎么拍照。那个时候比较宅,和许多人的看法一样,觉得生活好像也没有什么太多值得拍摄和分享的东西。上班之后,才有意识地重建自己的生活,无论是物理层面还是精神层面。我们开始走出家门,直到有一天,我说要不买个相机吧

从 23 年中旬购买 Sony A7M4 之后,生活的节奏便跟着快门数的增长,一发不可收拾。就 26 年来讲,谁能想到 1 月还没结束,自己就拜访了将近十座城市(真正出站游历的那种)。时至今日,这台陪伴我 3 年出头的相机也正式来到了 5W 次快门,大约留下了近 1W 张精修照片,出片率还是不低的

在我眼中,用相机记录日常成为了一件日常的事,一开始非常受用。但随着时间推移,我发现人迟早会 遗忘,而硬盘空间也不是无限的。所有事物,达到一定的量级,就会变成一座混沌的山。而管理照片这件事,就好比薄雾山路中的指示牌,已经迫在眉睫

💡 我照片管理的策略

和大家聊聊目前我如何处理这些海量的照片,基本上可以分为数码的、实体的、线上的、线下的几种

1️⃣ 硬盘和本地存储

我用 Mac 自带的 1TB 存储以及三块外置硬盘存储所有 RAW 格式以及「精修过」的照片,处理 RAW 的流程大致是:筛选 - 导入 Lightroom - 导出为 PNG -分别存档

具体一点,经过调色的 PNG 上传 iCloud 一份、在 Mac 留一份、在外置硬盘备份一份;所有的 RAW 格式统一放在外置硬盘备份。这样的方法比较笨且耗时间,但很稳妥。唯一的问题是,随着照片越来越多,未来需要一个 NAS 来整合备份所有的照片和信息

2️⃣ 网盘:iCloud 2TB

iCloud 无疑是「线上的」一类,也是普通人能想到的最直接的照片存储渠道。每个月 68 元,它就可以把所有照片存储到云端、按时间线排布、多设备同步

但是,用 Apple 的照片 App 搜索照片体验一般,自动识别、文字查找都差点意思。面对海量的照片,有时候常常需要用最笨的办法一点点翻。更要命的是,目前已经用了 900GB,迟早有一天它也会被装满

今后做出的改变是,需要重新考虑一种图片格式,同时兼顾清晰度和体积。经过一番筛选,基本锁定了 HEIC 和 JXL,考虑到兼容性,准备先试试将修好的 PNG 转换为 HEIC

fd -e JPG -e PNG -e TIF -x sips -s format heic {} -o {.}.heic

3️⃣ 实体影集

从 23 年第一次用相机正儿八经拍照开始,我们每年会做一本实体影集,也就是在上传至 iCloud 的调色照片当中,再选出一批觉得还不错的。制作回顾:2023 | 2024 | 2025

喜欢实体影集,是因为它以物理的形式真实存在。即便有一天数字照片全部爆炸,还有一些能够摸得到的相纸。此外,每次整理的过程也是一种「增强回忆」的经历,我也很享受这种去繁从简的感觉

当然了,最终的印刷色彩和分辨率,肯定不如直接在电脑屏幕看得真切。此外,还需要考虑成本,你们可以大概按照一张 6 英寸相片 1.5 元来计算(含相册费用)。我们每到年底会整理一次,如果有频繁彩印的需求,也可以考虑添置一台彩色照片打印机

4️⃣ Instagram

摄影其实是很私人的事情,我认为初衷是为了取悦自己和身边的人。所以在很长一段时间,能够看到上述三类照片的,只有家人、爱人和几位密友。但随着数量不断增加,除了实体精选集之外,我还需要一个地方存放数字版本的;它最好还能够拿来展示,这样频道读者能够将一些文字和照片对应上

若干年前,我们试验了在自留地推行「每日一摄」,前期效果非常好,得到了许多读者的支持。但随着时间推移,Telegram 官方对于「助力」的要求越来越高,不忍逼迫大家开会员为我们助力,因而停止了更新

所以,这个数字平台不在 Telegram 本身,我将目光投向了 Instagram 和 Unsplash。前者自带社交属性 + 漂亮的瀑布流展示吸引了我,最终敲定把精选集放在 Instagram。说是精选集,其实就是日常的集合,我并没有系统性学习过摄影和调色,一切都按照直觉来

希望你们会喜欢最终的 呈现,因为网页端每条可以上传 10 张照片,相比于实体版本还是偏多了一些。在上传的过程中,我也发现 Instagram 存在不少问题:不明确的体积大小限制、不明确的照片比例限制、UI 卡顿、瀑布流展示页强行裁切照片等

5️⃣ 胶片

从 麦当劳联名一次性相机 开始,到购买第一台 机械胶片相机,我总共拍了 9 卷胶片。受到数码照片的启发,近期也用了一些方法分别管理数字产出和胶片实体

针对冲洗之后扫描仪得到的调色后的照片,我用了一个叫做 Filmer 的应用去管理。其中可以标注每一卷的型号、拍摄时间、地点,并导入最终得到的数字化照片。软件的优化算不上很好,有时候需要导入几遍才能成功,如果大家有更好的软件可以向我推荐

我还会用 PhotoShop 给每一卷的照片做一个「索引图」,用的是 Film-Contact-Sheet-Generator 的 JSX 脚本。如果你有翻拍胶片或切分整条胶片的需求,也可以看看 X5-Crop 或 NegativeCutter-135。由于对扫描仪精度和第三方调色风格愈发不满,自己翻拍调色是迟早的事,这些是后话了

至于寄回的胶片实体,很多人叫它「海带条」,我买了一个专门的「胶片收纳册」。其实就是一个活页本,用了定制的 8 行胶片袋,可以满足 36 张(7 行)的收纳 + 1 行作为标签页。我用手写的方式,在标签上记录下胶卷类型、冲扫时间、冲扫门店

到这里还没完,未来我会去发掘胶片放大门店,将一些真正满意的作品底片送去放大、精校色,最后打印出较大画幅的实体

👀 相信你对我管理照片的方法有了一个大概的了解。摄影这项爱好真的很烧钱、很费时间,但它也忠实记录下了曾经在我们眼前发生的一切,将人生一个个时刻串联起来。正如我之前所说:

我们正在通过摄影的方式,书写我们的人生故事,镜头记录下的每一帧,都是我们人生故事的篇章或注脚。在经历过这些美好时刻后,回到家中整理、归档这些碎片,也就是拼凑起了一小段自己的人生故事。我们通过不断调色、剪辑,成为了自己人生故事的导演。终有一天,借助这些体积庞大的数字产物,我们能够通过口述的方式为他人倒带重叙自己的人生


只是,随着时间的推移,认识到了人生尺度的漫长,才更加明白照片管理的必要性。无损压缩、购置新硬盘已经迫在眉睫,给照片精选、为人生剪辑的意识,也将贯穿至老去。照片是送给未来自己最好的礼物

显影是时间赋形的仪式,在速生速朽的时代,显影即抵抗

频道:@NewlearnerChannel
24 个调试补丁、18 次内核启动:Linux 之父托瓦兹借助 AI 定位 Intel Xe 黑屏故障

IT之家 8 月 26 日消息,科技媒体 Linuxiac 昨日(8 月 25 日)发布博文,报道称 Linux 创始人林纳斯 · 托瓦兹(Linus Torvalds)借助 AI,通过 24 个调试补丁、18 次内核启动,成功排查 Intel Xe  图形驱动中的内存破坏漏洞。

托瓦兹描述本次排查过程为“地狱般的调试过程”,在其 Intel Battlemage G21(配备 16 GiB VRAM)上 GDM(GNOME 显示管理器)反复重启合成器,屏幕最终保持黑屏。IT之家附上相关截图如下:

该问题出现在 Xe DRM 驱动的 Flat CCS 内存处理环节,根源来自 get_flat_ccs_offset () 函数的地址计算。

该函数先计算保留 CCS 存储区的起始位置,再将地址向上对齐到 128 KiB 边界。但随后,低于这个计算地址的全部空间都被 VRAM 分配器当作可用内存。这样一来,合成器首次提交 GPU 任务便失败,GDM 随即重启合成器,系统陷入黑屏。

托瓦兹表示,最终修复只涉及把错误的 round_up () 改为 round_down ()。不过,定位过程远比修复代码复杂:他累计添加 24 个补丁,用于逐步增加调试信息,并启动内核 18 次,才锁定内存破坏的具体原因。

托瓦兹表示在本次调试过程中,AI 承担添加调试代码和分析输出结果等大量重复工作。在调用处理过程中,AI 多次得出该问题无法解决的结论,不过在托瓦兹的多次协调指导下,不断推进让 AI 生成新的调试工具并分析结果,直至定位底层内存破坏。调查结束后,托瓦兹还让 AI 撰写了详细的提交说明。
核实完毕——双方今天(2026-08-26)同步官宣,我把两篇一手信源都读完了(DuckLabs 创始人长文 + AWS 官方公告),顺手查了时间线和社区反应。单条转发版如下:

————————

📌 AWS 收购 DuckLabs(DuckDB 母公司):买公司,不买项目

✏ 一句话

DuckDB 背后的商业公司 DuckLabs 被 AWS 收购,预计 9 月初生效;30+ 人团队整体加入、留守阿姆斯特丹。但开源项目本身不在交易标的里——DuckDB / DuckLake / Quack 继续 MIT 协议,由持有全部知识产权的非营利 DuckDB Foundation 继续托管。

✏ 公告核心事实

• 交易 ┃ 已签最终协议,“预计近期交割”,9 月初生效;金额未披露
• 团队 ┃ 整体加入 AWS,留在阿姆斯特丹;两位创始人 Hannes Mühleisen & Mark Raasveldt 继续领导团队和开源技术方向
• 边界 ┃ AWS 公告原话:"We are not acquiring the DuckDB open source project"
• 前史 ┃ 双方已紧密合作约两年(AWS 称 since 2024),牵头人 Andy Warfield(Amazon VP / Distinguished Engineer,S3 元老级人物)

✏ 为什么卖(创始人自述)

1. 日下载量已破 100 万,增长远超一家 30 人公司的支撑能力,怕自己变成项目和生态的瓶颈;
2. 把 DuckLabs 扩成大型销售/支持/运营组织会抽走技术精力,与初心相悖;
3. 五年前拒绝了 VC,选择全员持股 + 靠支持合同和功能优先级合同盈利——“技术优先”做到了,但模式天花板明显。
✏ 承诺与扩张

保持不变                        | 计划扩张
----------------------------+-------------------------------
MIT 协议不变,Foundation 继续托管 IP | Foundation 新设技术顾问委员会,社区进入技术决策
团队整建制留在阿姆斯特丹                | 开放扩展签名机制:第三方签名的扩展可在 DuckDB 内运行
继续服务整个生态(含各云厂商)             | 借 AWS 的规模把 Duck Stack 推向更多用户

背书阵容值得一看:MotherDuck CEO Jordan Tigani、Fivetran CEO George Fraser、CWI 的 Peter Boncz(Foundation 董事会成员,确认 IP 仍在基金会手中)、图宾根大学数据库教授 Torsten Grust。

✏ 几个解读点

1. 结构上修了“防闭源防火墙”:IP 从始至终在非营利基金会,AWS 买到的是人和工程能力,不是代码控制权——理论上无法重演 HashiCorp 式协议反水。但硬币另一面:MIT 下谁都能 fork,可 core committers 全在 AWS 手里,事实上的方向盘还是易了主。所以顾问委员会 + 开放签名扩展这两项承诺就是给社区的定心丸,兑现度值得长期盯。
2. 时机耐人寻味:8·17 刚发 DuckDB v2.0 预览(server 模式、全新 SQL parser、新存储格式,今秋发布);5·27 刚从 "DuckDB Labs" 改名 "DuckLabs"——当时还在高调宣传“无 VC、团队全资”模式的独特性。v2.0 把 DuckDB 从嵌入式推向服务器化,恰好是最吃资源的节点。
3. AWS 数据栈拼图:Athena(Trino)、Redshift、Glue、S3 Tables(Iceberg) 之后补上嵌入式 OLAP。Warfield 的表态通篇围绕 S3 客户;DuckLake(DuckDB 自研 lakehouse 格式)与 S3 Tables/Iceberg 的整合想象空间最大。
4. MotherDuck 处境微妙:DuckLabs 持有其股份并为其供工程,而 MotherDuck 的云数仓业务从此与东家 AWS(Redshift/Athena)正面同赛道。Tigani 第一时间站台“利好生态”——这段三角关系是后续最大观察点。
5. 社区反应尚未成形:HN 目前只有一个 32 分 0 评论的帖子(今天 12:59 UTC 提交),大讨论还没起来。
✏ 与你的关联

日常拿 DuckDB 做本地分析完全不受影响(AWS 原话 "nothing changes for DuckDB users")。值得留意的是 agent 工具链里“DuckDB 当 pandas 替代 / 本地 OLAP”这类用法会随 AWS 投入进一步普及;另外第 4 条的生态连锁反应(MotherDuck vs AWS 云数仓)可能重塑 lakehouse 格式竞争格局。

————————
来源:DuckLabs 博客(Raasveldt & Mühleisen,2026-08-26);AWS 官方公告(aboutamazon.com,2026-08-26 13:00 UTC);DuckDB v2.0 预览(duckdb.org,2026-08-17);DuckLabs 改名公告(2026-05-27);MotherDuck 合作公告(2022-11-15);HN Algolia(2026-08-26)。
✏ 🔑 Kagi:把搜索引擎卖成订阅的公司

一句话:反 Google 模式的付费搜索——不卖广告、不追踪、不留存数据,用户直接付钱($5–25/月),用"聚合外部索引 + 自有小网爬虫"做到小而盈利。

————————

📚 📅 发展路径(官方 history + blog)

67 万(累计投入 ≈
阶段      | 关键动作
--------+--------------------------------------------------------------------
2018    | Vladimir Prelovac 创立于 Palo Alto。先做 Kagi.ai:AI 问答("搜索的最后一公里"),团队 3 人
2019    | 首个搜索原型(MUD 命令行风格);高端搜索尝试 Donna.gg 失败;同期启动 Orion 浏览器
2020–21 | 疫情期埋头干:Search + Orion 私测;团队 10 人
2022    | 3 月注册公司,6 月公测:首日 210 个付费用户(其中 121 人至今仍在续费)、3 个月数千人付费;团队 15 人
2023    | 向自己的用户众筹 500 万);年收入破 $100 万;Assistant 公测;30 人
2024    | 转型 PBC 公益企业;年中实现盈亏平衡;上线 Translate / Teams;40 人
2025    | Orion 出正式版、Kagi News、Privacy Pass + Tor 服务;6 月会员破 5 万;45 人
2026    | Translate App、Search API 开放预览;50 人

冷知识:kagi = 日语「鍵」(钥匙);名字是从一家破产的 90 年代 shareware 支付平台手里买的。

📚 📊 关键数字

⦁ 会员数:74,361(官方 kagi.com/stats 实时页,就是本周的数据)
⦁ 收入:从不披露。第三方估 $7M–9.1M(Growjo / ZoomInfo);按 7.4 万会员 × $10–14/月 自下而上算 ≈ 年化 $9–12M
⦁ 融资:累计仅 ~600 万 —— 创始人自掏 ~300 万 + 用户众筹 67 万 + 93 位社区天使 ~250 万。零 VC、零广告,这不是巧合而是策略:有 VC 就会被逼向广告模式
⦁ 单位经济学:每次查询都有真实成本(有人算过 Starter 档 ≈$0.166/次),重度用户是成本不是流量——广告模式的完全镜像
📚 🧭 为什么它能活下来

1. 不需要赢:Google 级索引是资本游戏,Kagi 只服务愿付费的少数人;结果聚合 Google/Brave/Mojeek/Yandex + 自有小网爬虫 Teclis
2. 盈利即定位:「你付钱」这件事本身就是产品差异;PBC 法律形态锁死了"永不卖广告"的承诺
3. 矩阵全部围绕同一批付费者:Search → Orion 浏览器(WebKit 但兼容 Chrome/Firefox 扩展)→ Assistant(2024) → Translate/News → API(2026)
📚 📰 今天 HN 第一名那条是啥

Changelog:新增设置项——一键把付费墙站点从搜索结果里移除。延续它一贯的"替用户过滤垃圾"路线(之前已有降权高广告/SEO 站点、屏蔽 AI 生成图等开关)。1101 分基本是 HN 社区对这条产品路线的集体投票。

📚 💡 给你的两点启示

⦁ 「反主流商业模式的小众市场」可以自洽存活:7 万人 × $10/月 活得比很多烧钱公司健康——小众但付费的定位值得记住
⦁ 每查询带真实 COGS 的生意和 LLM agent 的 token 成本同构。Kagi 的解法不是限流,而是把重度用户导进高价档($25 Ultimate 含高级模型)——和我们聊过的 agent 成本计量是同一个题面
📎 help.kagi.com/kagi/company/history.html · blog.kagi.com/first-three-years · kagi.com/stats · operatorbook.dev/stories/kagi-revenue
这轮Q2财报季的末班车,阿里是最后上车的。

经由口径调整,现在能够很清楚的看到AI业务造成了多大的净亏损:-138亿人民币。

腾讯Q2同位置数字是-105亿人民币,差不多也有定论了,国内大厂的模型研发、算力消耗、产品运营、市场推广叠加起来,单季度就是需要至少100亿的输血量。

但这又和CapEx不是一码事儿,CapEx有点类似固定资产投资,主要是一次性支出,阿里Q2干到了676亿,比腾讯还要高出150亿。

不过两家公司的市值管理方式都是一样的——

腾讯总裁刘炽平:「随着规模扩张,商业收益会逐步兑现,而且我们拥有保底方案,哪怕停止自研应用,单纯把算力对外租赁,相关业务本身就能盈利。」

阿里CEO吴泳铭:「本季度资本开支略高于预期,但整体投资进展基本符合预期。按照当前AI产品的平均毛利水平,相关资本开支可以在三年内回本。」

不同的表达,同一个意思,就是算力这种资源,属于市面上的硬通货,只有买不到的,没有卖不动的,哪怕你把购入的卡原封不动的再租出去,在差价周期里也是一定可以赚到利润。

大摩有份研报算过的,一台8卡服务器,采购价800万,月租25万,刚好3年出头可以回本,如果你能做成MaaS去卖,回本时间更是可以缩短到2年半。

那么问题来了,既然直接转卖算力是稳定赚钱的,而把算力交付给模型部门消耗则是必然亏损的,公司该怎么分配?

所以AI和云非得分开不可,阿里在Q2财报里强调的把公司重新分成4块——电商+云+模型+其他——主要就是为了解决上面说到的那个矛盾。

你会发现大厂入局AI的开端都是把这个业务挂靠在云底下,阿里、腾讯、谷歌莫不如此,这在以前是有合理性的,AI需要的上游资源,都在云手里,所以让云去扶持AI,天经地义,合乎周礼。

但事情具体推进起来,却和预想的完全不一样。

最近2个Q的财报会议,谷歌CEO都在反复保证,会优先保障DeepMind的TPU需求。

DeepMind就是谷歌的AI实验室,属于战略中的战略,核心中的核心,管够TPU不是理所应当的吗?怎么还要CEO纡尊降贵来点名的?

因为谷歌云是真敢不给啊⋯⋯今年已经有DeepMind的研究员忍不住了,绕过公司制度直接捅到了媒体那里,说谷歌云把大部分TPU都卖给Anthropic了,DeepMind根本拿不到足够的算力。

虽说Gemini的拉胯未必跟这个有太大关系,但分工体系就是这么奇妙,一方面,Anthropic是DeepMind最强大的竞争对手,另一方面,对于谷歌云来说,Anthropic却是极其优质的客户,订单肥厚,打款痛快,所以实际上的画面是,谷歌云在猛猛帮着Anthropic打自家的DeepMind。

你也不能说谷歌云是内鬼,它难道不是在为公司赚钱么,凭什么有送上门的订单不要、去支持不能给自己贡献KPI的兄弟部门呢?

所以到头来还是要回到组织的角度,把云和模型彻底拆开,算成两笔账,它们虽然都叫AI创造的收入,但内在逻辑完全不一样,也不要再搞所谓的协同了。

国内的情况是,云业务做得好的公司,自家模型都不太能打,或者说,在市场上,外部的DeepSeek、Kimi 、GLM更有竞争力,所以在冲业绩这件事情上,云部门的宁愿打折销售第三方模型——折扣力度甚至能做到比原厂还低——也没有动力去卖政治正确但不利于签单拿提成的自家产品。

以3月份林俊旸离职为节点,阿里半年里进行了4次集团层面的组织调整,这个频率自阿里创立以来绝无仅有,如果不列出来,可能很难直观感受到阿里到底是想解决一个什么问题:

- 3月16日,成立ATH事业群,整合通义实验室、千问、悟空、MaaS和创新业务,由CEO吴泳铭直接挂帅;

- 4月8日,通义实验室升级为通义大模型事业部,周靖人不再担任阿里云CTO,转为负责这个事业部;

- 6月8日合并通义大模型事业部与未来生活实验室,成立Token Foundry事业部,由吴泳铭直接负责,周靖人升任首席科学家;

- 8月20日,经由财报口径调整,模型、千问、千问办公装进了AI实验室与应用这个财务板块,和电商、云、其他业务并列;

发现玄机没有?每一次都是在把AI拆出来了一点点,同时也把级别再往上提一点点,经过了足足4轮调整,才把原本隶属于阿里云底下的一个实验室,挪到了整个集团的四大板块之一。

这就是大公司的组织摩擦成本⋯⋯

所以昨天阿里股价先跌后涨,整个市场的心路历程是很好懂的,跌是因为开支继续扩大,AI实验室是一个暂时看不到底的利润黑洞,然后用来输血的电商业务又很疲软,消费的大环境也不太够看,感觉有雷,但是随后换个角度来看,阿里云涨那么猛,又没拆出去,3-5年内在营收侧再造一个阿里是完全可能的,情绪又乐观起来了。

按照原计划,阿里要在三年内往AI基础设施投掉3800亿人民币,但是光Q2单季度的CapEx就是676亿,即便考虑到其中包括预支付的部分,但怎么算都指向一个新的预期,那就是3800亿并非上限,而是下限,极有可能再次上调。

阿里账上的现金储备还剩4700亿,花是够花了,就看什么时候能跑过转盈线吧,有点像我们小时候做数学题,一个水池,上面一根进水管,下面一根放水管,同时打开,需要多久可以注满⋯⋯

by @阑夕ོ #科技圈大小事
前阵子在某电商平台买了点新疆吊干杏。下单后过了一周还没收到,我查看订单才发现商家承诺的发货时间是半个月之后。我想也许是因为水果存在成熟时间问题,预售也是可以理解的。

半个月后,收到了,杏子倒是杏子,但品种不对,不是吊干杏,就是普通杏子。今年普通杏子按市价连吊干杏的一半都不到,而且我收到的这个还又酸又苦。我检查了一下物流信息,发货地也不是商品页面所声称的新疆阿克苏。

我联系商家,指出杏子品种不对。商家没正面谈这个问题,甚至没有否认发的货不对,而是复制粘贴了一份统一的话术,大致意思是收到后不甜是正常的放几天就甜了。这时候我就比较肯定商家不是发错了货,就是纯骗。

然后我申请了退款,并在退款申请里再次指出杏子品种不对。商家仍然没有正面谈品种不对的问题,而是说“亲亲,非常抱歉,水果生鲜不支持退货退款的,您这边不满意的话可以给你补偿 20 元呢”,并且直接发了一个退款 20 元的链接过来。

这个回应在我意料之中,骗到手的钱没那么容易吐出来。这时候我就不再和商家废话了。我的退款申请商家当然是不会处理,几天后超时失效。我等超时失效后申请了平台客服介入,提出仅退款的诉求和充分的证据,然后立即就获得了全额退款。商家可能没想到我对平台规则这么熟悉,开始了哭丧:

“亲亲您怎么退全款了呢?补我们点货款吧,我们果农一年忙到头不容易的,就指着这点果子养家糊口的,都是血汗钱,真的不容易的,麻烦您理解下吧”

“亲亲 这都是我们果农辛辛苦苦种植一年的成果呢 全家唯一的收入来源 求求您理解一下呢 真的不容易的啊”

“亲亲您好,真的很抱歉给您带来不好的购物体验了。之前千错万错都是我们的错,您大人有大量,千万别跟我们计较,我们给您道歉了,请您消消气。我们都是农村50岁以上的果农,每年就靠种植这点水果维持生活,给小孩凑下半年的学费。生活真的不容易,家里条件真的太困难了。卖果是我们唯一的收入,今年雨水又多,所以收成很不好。所以在这恳求您,麻烦您给我们补点果子钱吧,多少都行,感恩您了!”

然后我就把这个骗子拉黑了。

我分析了一下骗子的手法,发现挺巧妙地利用了平台的多种规则。我又按特征搜了一下,发现这种骗子店还不少。

就不说具体行骗方法了,跟大家说说怎么识别骗子吧:1、这种骗子的店只卖一两种水果,每年卖完一季就下架,店铺空置,但店铺等级却很高;2、这种骗子一定会买推广,一定会出现在你搜索页的前面位置。

via tombkeeper的微博
我今天修了一个裙友用 GPT Vibe 出来的一个库。我必须要说我的感觉非常不好,并且对 GPT Sol 留下了非常非常负面的印象。

GPT Sol 的代码有很明显的通过炫技来博取好感的行为倾向,而且执行的时候基本没有维系架构的观念。东一块西一块,拼到一起跟一大堆化了妆的尸块一样。所有异步全都锁的个乱七八糟,我解了将近一天才把那破九连环给解干净。

现在的 AI 依然做不到宏观规划,沿着规划执行,核对目标和现实,做自我品质管控,上了所谓的 Harness 也不行(我不知道这傻逼词为什么成了行业术语但是我对这个词很不爽)。

有经验的工程师依然非常重要,这种经验不是你能徒手写翻转红黑树,你必须得有一些基本架构观念和处理问题的经验,你必须得知道「遇到这类问题的时候这么做最好」,很多时候这些甚至都是没办法言说的内部认知(所谓的专家直觉),它需要漫长的问题解决过程不断的淬炼,AI 可以加速你获得这些经验的过程,但是 AI 本身做不到这件事情。
Back to Top