据德国科技媒体 t3n.de 报道，一个名为“人类数学协会”（Association for Human Mathematics，简称 AHM）的新组织近日成立，已有超过1000名全球数学家加入，其中包括来自麻省理工学院（MIT）、加州理工学院（Caltech）和慕尼黑工业大学（TUM）的知名学者。该协会的核心诉求是保护数学作为“人类事业”的地位，反对人工智能对学科智力基础的侵蚀。
AHM 在其网站上发布的声明指出，以 OpenAI 为代表的科技公司正利用其模型解决长期存在的数学难题，并以此宣传产品能力，却未考虑对数学共同体的影响。协会特别批评了 OpenAI 近期一次性发布722篇证明或反驳数学问题的论文的行为，称这并非科学严谨性的证明，而是“权力的展示”。
根据协会的指南，成员承诺在研究中不使用任何AI模型，也不发表由AI生成的数学文本。这一集体行动是对OpenAI等公司日益深入的科研介入的直接回应，旨在推动一种以人类理解为核心的科学研究回归。
信息源：t3n.de
美国AI公司Anthropic宣布将其不可见文本水印功能扩展至Claude Mythos 5、Claude Opus 4.7、Claude Opus 4.6和Claude Sonnet 4.6四款模型，以应对欧盟《人工智能法案》（EU AI Act）于2026年12月生效的合规截止日期。据科技媒体The Decoder报道，Anthropic在发给API客户的邮件中说明，该水印是一种“词汇选择中的不可察觉模式”，不改变语义、质量或可读性，也不增加额外字符或Token。
然而，这一合规机制在两款较旧的模型上存在明显技术漏洞。对于Claude Opus 4.6和Claude Sonnet 4.6，Anthropic表示水印仅在开发者将temperature、top_p和top_k这三个控制随机性的采样参数保持默认值时才会生效。任何对其中单一参数的微调都足以使输出文本不再包含水印。Anthropic在邮件中警告：“如果你依赖水印进行自身合规检查，请将这些设置保持为默认值。”相比之下，Claude Mythos 5和Claude Opus 4.7未提及此限制，暗示其水印在所有采样设置下均强制生效。
由于Claude Opus 4.6目前仍是Anthropic写作能力最强的模型之一，甚至优于更新的Opus 5.5，这一漏洞对依赖自动化检测工具验证AI生成内容的第三方机构构成实际风险。Anthropic正在私有预览阶段测试一款用于验证水印的检测API，并指出该水印基于Google DeepMind开源的SynthID文本方法变体，通过调整词选背后的随机性产生统计可检测的模式。尽管OpenAI也在2026年10月推出了自己的textGrain水印系统，但其仅对欧盟地区的ChatGPT和Codex用户默认激活，全球API客户可选择开启或关闭。
信息源：The Decoder
V2EX 用户 limuyang2 将自己的 AI Coding Agent 记忆底座迁移到了字节火山引擎开源的 OpenViking 上。他跑在一台阿里云 99 元/年的 2 核 2G 入门级云服务器上，没有本地显存，所有计算全部甩给外部 API，机器本地只做存储和检索。
他总结出的核心原则是：AI Agent 记忆系统中的组件分为两类，选型逻辑完全不同。向量嵌入模型决定数据库底层的空间几何特征，一旦以后想换，哪怕输出维度一模一样，之前的向量也全都废了，必须全库全量重建索引。随着记忆越积越多，二次重构的代价和停机风险极高。而 VLM、意图分析、重排序这些都是即时推理，今天觉得不好用，改一行配置重启一下直接就换了。
基于这个不对称性，他在向量模型上一步到位选了火山方舟的 doubao-embedding-vision-251215（0.7 元/百万 tokens，128K 上下文窗口），而不是阿里百炼同样 0.7 元但只有 32K 上下文的 qwen3-vl-embedding。他放弃了教程里常见的硅基流动免费 BGE-M3，因为实测召回质量被新一代模型拉开了明显代际差距，而且公用免费池频繁丢包超时。
真正让他觉得大多数用户会踩的坑是意图分析节点。OpenViking 的官方默认示例只填 vlm 和 embedding 两个配置项，但如果没有显式声明 query_planner，系统在处理每一轮对话时会默认回退去调用主模型 VLM 来分析意图。如果 VLM 选了带思考链的大模型（比如智谱 glm-5.3-flash），单次前置分析直接吃掉 6 到 7 秒，前端交互就卡住了。很多人以为是机器配置不够或系统本身笨重。
他试了一圈通用大模型做替代都不理想：阿里百炼 Qwen3.7-Flash 关掉思考模式后仍需 1.1 到 1.4 秒；硅基流动 Qwen3.5-9B 吞吐只有 30 tok/s 要 4 秒；Qwen2.5-7B 格式不服从规范经常吐出裸数组导致解析异常。最后在阿里百炼模型广场发现了 tongyi-xiaomi-analysis-flash（伶鹊-对话分析-flash），官方定位是专攻对话信息抽取、场景分类与低时延分析的领域模型。
实测结果：首字延迟 0.31 秒，生成吞吐 200+ tok/s，整轮规划耗时约 0.8 秒，落在亚秒级预算内。更重要的是格式严格性——OpenViking 底层要求模型必须返回形如 {"queries": [...]} 的标准 JSON 对象，通用大模型喜欢加礼貌用语或套 markdown 围栏，而通义伶鹊做到了 100% 严格执行，输出纯净裸 JSON，与反序列化契约严丝合缝。在闲聊拒搜场景下，它能在 0.4 秒内果断输出空数组，避免无意义的向量库查询。
作者认为这个模型胜出的原因不是运气，而是其专攻对话抽取、场景分类、格式遵循的垂直微调定位，正好与 OpenViking 前置路由的工程诉求精准对齐。他的最终心得是：专用小模型在垂直场景吊打通用大模型——意图分析这种讲究分类、提取、严格 JSON 格式、极速的任务，微调过的对话分析小模型比动不动就写小作文、开思考链的通用大模型好用太多倍。
需要说明的是，以上所有延迟、吞吐和格式遵循数据均为作者自测，未公开测试脚本、样本量和具体硬件配置。不同网络环境、并发负载和输入复杂度下，结论可能不同。
信息源：V2EX
普林斯顿大学Sayash Kapoor与Arvind Narayanan团队在2026年10月发表了一篇关于AI智能体评估的综述论文《Emerging Trends in AI Agent Evaluation》，合作者包括斯坦福、英国AI安全研究所和布鲁金斯学会的研究人员。论文中最引人注目的证据来自METR的一项随机对照实验：尽管人们普遍预期AI编码工具会提升开发效率，实验结果却显示，使用智能体工具的软件开发者完成指定任务的整体时间反而增加了。这个发现不是工具本身有缺陷的简单证明，而是揭示了一个更深层的问题——智能体在实验室环境中的能力表现，与它在真实工作流中为人类带来的实际效果之间，存在一条难以跨越的鸿沟。
论文指出，传统模型评估主要关注最终输出是否正确，而智能体评估必须审查完整的执行轨迹。智能体拥有工具访问权限和可操作的环境，这意味着它可能通过捷径完成任务，而非真正解决目标问题。当智能体表现变好或变差时，也很难将变化归因于系统的具体组件，因为智能体是由模型、工具、提示、记忆和外部API等多个部分组成的复合体。
这种全面轨迹审查的工程代价极高。论文举例说，仅在ExploitBench基准测试上评估若干智能体，就需要花费数万美元的API额度。这个数字还不包括搭建和维护评估基础设施本身所需的巨大工程投入。
论文将评估生态面临的结构性困境概括为独立性的多重维度：随着前沿评估成本持续攀升，独立评估者能否参与越来越取决于其资金获取能力；模型访问权限本身也是问题——前沿实验室现在只发布思维链的摘要版本而非原始轨迹，这使得评估者无法完整检查智能体的推理过程。此外，评估者还面临能否不受报复地开展工作、能否透明分享发现等现实约束。
论文将观察到的33个新兴趋势归纳为三个维度：科学与方法、研究议程、评估生态系统。在研究议程上，作者强调评估范围需要扩展——不仅要评估智能体本身的能力，还要评估它与人类的交互方式，以及它对制度和激励结构的影响。在方法上，作者区分了两种互补的视角：智能体能否自动化某项任务，以及智能体能否增强人类的工作。如果评估只关注自动化，我们就能了解人类工作在哪里可以被替代；但这无法告诉我们人类如何更好地与智能体协作，或智能体如何改善人类的工作质量。
对于依赖智能体性能声明做判断的读者——无论是企业采购者、政策制定者还是普通用户——这篇论文提供的核心启示是：当一家公司宣称其智能体在某基准上取得了高分时，需要追问的是评估是否覆盖了完整轨迹、是否区分了自动化与增强、以及实验室结果是否在真实部署条件下得到了验证。论文认为，当前是一个明确的窗口期，可以引入新参与者、新方法和新视角来建立智能体评估的规范标准。
信息源：normaltech.ai
2026年10月，国际货币基金组织（IMF）与世界银行在泰国曼谷举行年会。各国财长和央行行长的最大关注点是人工智能投资。IMF警告：如果AI投资热潮骤然降温，受冲击的将不仅是股市投资者，发达国家和发展中国家的实体经济都会受到波及。
这一警告的逻辑起点是AI投资的高度集中。据经济学家Stijn Van Nieuwerburgh估算，美国在2032年前七年内投入数据中心及相关基础设施的资金将超过10万亿美元，年均相当于美国国内生产总值的约3.6%。这一规模若实现，将超过历史上铁路网、电力网和互联网基础设施的建设投入。AI数据中心的建设需要半导体、电力设备、冷却系统、建材、土地和劳动力，因此AI投资已从特定科技企业扩散至制造业、建筑业和能源行业。
集中意味着脆弱。IMF的悲观情景显示，如果AI企业盈利不及预期或技术进步慢于预期，投资者信心崩塌，美国AI资本开支急降，亚洲出口随之放缓，股价和美元同步下跌——这一连锁冲击在2028年可能将全球经济增长率压低最多1.3个百分点。传导路径清晰：美国大型科技企业削减数据中心投资，半导体和服务器订单减少，韩国、台湾等以AI相关出口为支柱的经济体首当其冲。据CEIC数据，2026年9月韩国出口同比增长超过80%，台湾超过60%，中国超过30%，日本约20%，均由AI相关产品需求驱动。
但并非所有AI投资企业面临同等风险。穆迪评级首席信用官Archie Scheske指出，谷歌和微软等大型云服务商是在拥有充裕现金和强劲现金流的前提下扩大AI投资的。真正脆弱的是高度依赖外部借款的基础设施企业。本周市场已出现信号：AI云基础设施公司CoreWeave相关债券承压，两家澳大利亚数据中心企业以市场波动为由推迟了上市计划。区分用自有现金投资和靠外部融资扩张，是评估AI投资风险时不可混淆的边界。
IMF总裁Kristalina Georgieva提出了更深层的判断：AI时代最大的风险可能不仅是技术本身失败，更是金融市场等不到技术成功。新技术出现时，人们倾向于高估短期效果、低估长期效果。AI从实验室到产业全面扩散、真正提升生产率需要相当时间，但投资者期待的是快速盈利。当预期与现实之间的时间差被市场无法容忍时，投资收缩和股价下跌就会先于生产率提升到来，反而拖累实体经济。
需要强调的是，1.3个百分点是IMF模型中的假设情景，不是基准预测。IMF的基本展望仍然认为AI投资对全球增长有正面贡献。这一情景的价值在于标出了传导机制和脆弱环节：如果AI企业盈利持续低于预期、融资环境收紧、或技术扩散速度明显慢于市场定价所隐含的假设，这条路径才可能从情景变为现实。
信息源：The Core(더코어)
过去几年，人们常把放射科当作AI取代工作的典型例子。Geoff Hinton在2016年曾断言，人们应该停止培养放射科医生，因为五年内深度学习就会做得比放射科医生更好。Jason Wei在这篇博客中给出的判断更谨慎：放射科会在未来十年发生变化，但放射科医生不会很快被自动化取代。他的核心观点不是AI能力不足，而是放射科的工作结构会先让AI成为分诊工具，而不是一次性替代全部读片工作。
第一个机制是“智能的参差边界”。Jason Wei指出，语言模型在可验证、数据充足的常见任务上表现突出，但在少见任务上仍不稳定。放射科并不是单一任务，而是极其多任务：仅X光片就可能涉及至少上百种可诊断情况，CT和MRI则涉及数千种。AI会先掌握常见、容易发现的疾病，而不会因为模型整体变强就自动擅长罕见病。他认为，从可靠分诊工具走到完全自动化，最好情况下也要三到五年，因为边缘病例的训练会被罕见病数据收集卡住，而且放射科目前并不是前沿模型实验室的优先方向。
第二个机制是弹性需求，也就是“杰文斯悖论”。Jason Wei认为，这是人们讨论AI自动化时最被低估的现象。他以自己使用Claude Code为例：当编码成本降低后，他会要求模型写一个约三千行的HTML查看器，用来可视化自己每次强化学习运行，这说明软件工作并没有因为AI变强而需求下降，反而让更多以前不值得做的工具变得可行。放射科也可能如此：如果MRI读片的成本和延迟接近于零，医生会更愿意提前开具更多检查来辅助诊断。他给出的示意性判断是，AI工具可能让放射科医生只读百分之二十的来片，但来片量可能增加五倍。许多发展中国家每百万人不足一名放射科医生，也可能把更多影像送去解读。
Jason Wei进一步把这种需求扩张推到更长期。如果影像解读几乎不增加等待时间，医疗设备公司会有动力制造更便宜、更高频使用的MRI设备，甚至可能在手术过程中使用。他还提出一个假设：如果全身MRI只要一百美元，他愿意每月做一次，而不是每两年做一次。这不是已经发生的事实，而是他用来展示弹性需求的例子。按照这个逻辑，放射科价格下降十倍或百倍后，预防性检查数量可能大幅上升，放射科工作并不会因为单次读片被自动化而消失。
第三个机制是医学本身会变化。即使今天出现一个能超过全球最好放射科医生的模型，放射科工作也不会结束。新的治疗流程可能要求医生以当前不熟悉的方式阅读影像，新的扫描设备也可能揭示今天仅靠放射学无法诊断的疾病。Jason Wei认为，一部分放射科医生会从读片转向前沿研究，把新知识转化为更新模型。与此同时，社会还会要求AI做更多事情，例如利用影像预测未来疾病概率，让癌症比现在更早数月被发现。这种预测能力若形成飞轮，反而会进一步增加对放射科和AI系统的需求。
医疗制度也会拖慢完全替代。Jason Wei提到，医疗系统通常比科技公司更慢采用新技术，监管更多，遗留基础设施更复杂，医疗机构还必须持续服务患者。数据访问也受隐私和伦理审查限制。这些因素不证明放射科医生永远不会被替代，但说明替代不会只是模型指标超过医生后的瞬间切换。
这篇博客最有用的地方，是把“AI会不会取代放射科医生”从一个情绪化问题拆成几个可检查条件：任务是否高度多任务，罕见病例是否有足够数据，单位成本下降后需求是否会扩张，医疗制度能否吸收新工具，以及医生工作是否会转向研究和模型更新。Jason Wei的结论是，放射科会更繁荣，而不是简单消失；他把编程也作为类似例子，认为领域会剧烈变化，但需求和质量上限同时提高时，专业工作仍会存在。
这个判断的边界也很明确。它是Jason Wei的预测和机制解释，不是已经验证的就业数据或医疗市场结果。如果罕见病数据瓶颈被快速解决，模型泛化能力超过他的估计，或者医疗支付制度改变使更多检查并不转化为放射科医生岗位，放射科工作仍可能大幅减少。但反过来，若只因为模型在常见影像任务上变强就断言放射科医生很快失业，也会忽略分诊先于全自动、以及弹性需求扩大工作量这两个关键机制。
信息源：Jason Wei
Qdrant 工程团队用 DMIS Lab 的 UltraBERT-Embed-150M 测试了一个实际问题：当嵌入模型能处理 32K token 输入时，检索管道还需要分块吗？他们在 LongEmbed 基准的五项任务和 MLDR 的 20 万篇维基百科文章上，将整篇文档的单一 768 维向量与 512-token 分块逐段对比。
结果取决于查询类型。需要定位具体细节的任务——多跳问答、会议摘要、单句检索、大规模文章匹配——分块全面占优：Needle 任务在 32K token 时整篇向量仅 30% 命中正确文章，512-token 分块达到 56%；MLDR 上分块 nDCG@10 为 0.683，整篇向量仅 0.509。整篇向量只在 SummScreenFD（查询描述整个剧集）上略胜。混合检索同时使用整篇向量和分块向量，并未稳定改善结果，在多数任务上反而不如纯分块。
Qdrant 的结论是：分块仍是细节检索的起点，长上下文向量更适合主题级粗筛。1-bit TurboQuant 压缩将 143 万分块向量从约 4 GB 降至 140 MB，使分块方案的存储成本不再是障碍。所有数据为 Qdrant 的自测结果，未经独立复现，且仅覆盖英文文档；嵌入耗时在 NVIDIA L4 上测量。
信息源：qdrant.tech
Podium 是一家在销售、客户服务和支持领域广泛使用 AI Agent 的公司。在其官方频道发布的视频中，Walker Ward 分享了 Podium 如何在一个共享平台上运行这些 Agent。
Ward 指出，将 LangSmith 设定为公司的默认 Agent 平台，其价值超过了任何单一的技术功能。这一策略的核心在于“继承”：即使某些团队尚未充分认识到可观测性（observability）的重要性，通过默认平台的设置，他们也能自动获得这一能力。
此外，当公司开发新的 Agent 时，它们会自然遵循那些已经被证明可以规模化运行的现有模式。这种组织层面的标准化，有助于解决 AI Agent 在企业内部大规模部署时的碎片化和治理难题。
信息源：youtube.com
中国科技公司小米于2026年10月30日晚间发布并开源了轻量级全能文档理解模型Xiaomi-OCR-0。该模型参数量仅为0.8B（8亿），将文档解析、关键信息抽取（KIE）与OCR视觉问答（VQA）三类能力融合于一体。小米表示，该模型旨在解决复杂表格、论文和票据的结构化解析难题，并推动手机端“超级小爱”助手从单纯的“文字识别”向更深层的“文档理解”演进。
据智东西报道，Xiaomi-OCR-0在检验综合文档解析能力的权威基准OmniDocBench v1.6中取得96.83分，位列1B以下参数模型第一；在五项主流OCR视觉问答基准的平均分为83.2，优于HunyuanOCR、TokenVL等模型，并以约20%的参数规模逼近Qwen3.5-4B的成绩。此外，在模拟真实物理采集条件的Real5-OmniDocBench基准中，该模型得分95.24，在对比模型中排名第一。需要指出的是，上述成绩均为厂商自测结果，尚未经过独立第三方复现验证。
技术实现上，Xiaomi-OCR-0基于Qwen3.5-0.8B-Base基座构建，训练使用了约1.7亿条高质量样本。团队采用了三阶段渐进式策略：首先通过Q-Mask文本锚定强化视觉与文字的空间对应，随后进行大规模多任务预训练以建立全页解析基座，最后引入混合任务强化学习以提升复杂版式还原和多步推理能力。数据引擎方面，小米引入了异构专家共识机制和渲染引导校验闭环，以滤除单模型偏见并修正结构缺陷。
小米已完整公开该模型的权重与推理代码，并提供浏览器交互式Demo、MCP服务以及Agent Skill工具包。这一举措有望降低端侧设备和智能体集成高级文档理解能力的门槛，使OCR从单一工具转变为可被调用的基础能力。对于开发者而言，获取一个具备较强语义理解能力的轻量级开源模型，可能改变以往依赖云端大模型或组合多个专用小模型的技术路径。
信息源：zhidx.com
OpenSearch软件基金会执行董事Bianca Lewis在接受The New Stack采访时透露，自2024年9月AWS将OpenSearch捐赠给Linux基金会以来，该项目的治理结构正在发生实质性变化。最新数据显示，AWS在OpenSearch代码仓库中的贡献活动占比已从第一年的91%下降至2025–26年的72%。同时，核心仓库中亚马逊工程师担任维护者的比例也从2022年4月的95%降至目前的71%。
这一转变反映了企业用户对供应商中立性的需求。根据Linux基金会与OpenSearch软件基金会联合发布的《2026开放数据基础设施报告》，自2024年以来，用户自行管理的云部署增长速度超过了亚马逊托管的OpenSearch服务。目前，60%的受访OpenSearch用户在云中运行自托管部署，较2024年的37%显著上升；而使用亚马逊托管服务的比例仅从44%温和增长至48%。
尽管AWS仍占据近四分之三的代码贡献，并在15个技术指导委员会（TSC）投票席位中持有4席，且其员工Andrew Ross于10月连任委员会主席，但Lewis认为法律上的独立是建立信任的基础。“当他们把它捐给Linux基金会时，那是一个分水岭时刻，”Lewis表示，“因为他们无法关闭OpenSearch，也无法更改许可证。他们不再拥有这个应用程序。”
OpenSearch正试图成为企业AI基础设施的核心组件，特别是在检索增强生成（RAG）等应用中。其最新版本OpenSearch 3.9增强了向量搜索和混合搜索能力，旨在帮助开发者为AI应用检索信息。然而，报告也指出，仍有24%的非采用者因担心项目与AWS的历史联系而持观望态度。
信息源：The New Stack
Meta计划在这个假日季发售Muse Charm——一个可以随身携带的AI电子宠物硬件。The Verge gadgets编辑Sean Hollister没有买它，因为他花50美元从中国直邮了一块Waveshare ESP32-S3 1.75C触摸屏开发板，用Claude Code把它变成了自己的Muse Charm。
这块开发板是Meta官方推荐的Muse Gadget开发套件之一，使用Meta的开源代码和令牌直接连接Muse AI云端。Hollister把设备插到电脑上，让Claude指向Meta的GitHub仓库，然后配对到Muse手机App。但开箱体验让他觉得这东西几乎没用：Muse把他的语音当成待转录的音频片段而不是指令；回复很慢，不发声；屏幕上只显示几个字，没有地方看完整消息；只有一个叫Jolly的静态头像；不会自动发现智能家居设备。
真正改变一切的是几轮Claude Code对话。Hollister告诉Claude他读不到也听不到Muse的回复，Claude就建了一个对话历史页面，可以右滑查看完整消息；他接入了ElevenLabs的英式AI语音让设备朗读回答。他抱怨远程拍照时手机前置摄像头画面是倒的，Claude修好了，还加了一个蓝牙低画质实时预览，这样不在家里Wi-Fi下也能从创意角度取景。
电子宠物部分是另一个例子。他让Claude做了一批不同头像，加了一个Tamagotchi式小游戏：宠物需要喂食、玩耍、睡觉和洗澡。游戏太简单留不住注意力，他就让Claude加了饥饿、无聊和脏污各四个等级。他决定零食会弄出碎屑让宠物变脏，玩太久会累。整个过程中他只需要描述想要什么，Claude负责写代码。
他还让Claude花15分钟做了一个带三根指针、真正能显示时间的怀表表盘，以及一个视频播放器，把扎克伯格介绍Muse Charm的片段下载、剪辑后装进了这块小屏幕。
Hollister明确表示他没有编程经验，不知道这些代码质量如何，可能致命缺陷。他也不信任Meta和Muse，因为此前有报道说Muse泄露了一位评测者的家庭住址，所以他从一开始就把设备放在访客Wi-Fi上。
他的最终判断是：Muse本身不是买专用计算硬件的理由，因为手机上的Muse功能比这块开发板开箱状态还多。专用硬件值得拥有的原因，是你可以把整个设备重新编程，去做口袋里那台手机做不到的事。这让他对即将上市的Muse Charm产生了一个疑问：它是否也允许这样自由编程，还是说真正想折腾的人应该直接买开发板。
信息源：The Verge
AI基础设施建设的巨额投入，本质上是在押注企业未来愿意为智能付费。但一个更紧迫的问题是：企业内部的什么变化，才能让这些投资真正变成自我造血？前IDC总裁、现PSG Equity高级顾问Crawford Del Prete在SiliconANGLE Breaking Analysis节目中给出了一个具体的机制解释：当前AI正在自动化大量个体任务，但尚未改变组织的工作流设计，因此个人生产力提升与公司利润表之间存在一条J型曲线。
Del Prete的观察来自他每天接触的PE投资组合和大量企业客户。他描述了一个看似矛盾的现象：一方面，量化导向的客户对算力需求是'真正贪婪的'——他们愿意买下所有能获得的GPU容量，因为AI让他们能创造出以前无法实现的分析和交付物；另一方面，更广泛的企业客户正在把AI用于编码、客服等预期领域，并开始渗透到组织内部的各个具体任务。但'工作由数百甚至数千个任务组成，我们开始自动化这些任务，却没有改变工作在一个组织中被编排的方式'。
这就是J型曲线延迟的来源。主持人Vellante引入了Brynjolfsson、Rock和Syverson关于无形投资如何影响生产力的研究框架：采纳阶段先投入工具和技能，然后重新设计流程，这两步都会让累计现金流为负；只有当整合贯穿整个组织后，曲线才开始陡峭上升。Del Prete用PC时代做类比——从PC引入到生产力数据可见增长，实际花了十三四年，中间的关键转折是1996年到2002年的互联网连接期。他同时指出一个与dot-com时代的重要区别：当年铺设的暗光纤长期闲置，而'今天每一块上线的GPU都是100%利用率'。
Del Prete认为跨越这条曲线的具体路径是工作流的重新设计，而非对现有流程的简单自动化。他把这与此前的RPA做对比：RPA之所以困难，是因为你必须把人类步骤写成代码；而AI的不同在于'从底层开始'——员工用自然语言解决自己长期面临的痛点，然后把解决方案编码为可复制的项目或技能，再在整个组织中共享。他把这称为'一种极其灵活、可适应、可用的RPA，以前从未存在过'。
在软件定价层面，Del Prete观察到最显著的变化是从席位制向用量制迁移。对于非SaaS公司引入AI，最大的挑战是'如何单独货币化AI'——答案通常不是单独卖AI，而是把它嵌入核心产品，通过交叉销售、升级和提价来体现价值，最终推出AI专属的增量功能。他对基于结果的定价持保留态度，因为'它变得非常偶发，与项目关联，你就得不到那种粘性'。
Del Prete还提出了一个三层软件模型来解释AI对产业格局的影响：执行层（计算工作本身）、判断层（从数据中自动生成洞察）、问责层（谁为结果负责）。他认为执行层和判断层正在被AI吸收，而'问责层是公司今天真正聚焦的地方'——谁在凌晨两点接电话，谁对合规数据负责。这意味着未来的软件公司需要在执行和判断层尽可能高效，同时让人类能够承担比以前更多的决策责任。
关于判断AI是否接近自我造血的可观察指标，Del Prete列出了他在投资组合中实际跟踪的几组数据：净留存和总留存如何随AI功能推出而变化；赢单/输单分析——客户是否转向更AI-native的竞品，或者转向内部自建；AI功能是否在吸引新客户；以及每个增量客户是否因为生态数据而获得更好的体验。他特别强调'下一个最佳行动'的追踪：工单是否被重新打开、发票是否被争议、推荐是否被接受——这些后续交互构成双向客户价值飞轮。
Vellante和Del Prete共同维护的框架是：他们2026年夏季的AI泡沫预测研究将2029年标记为最高风险年份——如果基础设施供给在生产力货币化之前赶上，泡沫破裂风险将升至危险水平。当时的判断是供给约束和健康的资本融资意愿可以提供软着陆条件。Del Prete承认'这些生产力数字需要很长时间'，但他同时说'我从未见过一种技术被世界如此迅速地拥抱'。两者的张力正是这篇文章的核心：采用速度前所未有，但组织重新设计的速度从未快过技术本身。
需要明确的是，这是Del Prete基于其PE投资组合观察和数十年技术周期经验提出的归因论点，而非独立验证的预测模型。J型曲线是概念性类比，2029年是条件性判断（取决于供给与货币化的相对速度）。Del Prete接触的客户本身已是高采用率企业，对更广泛市场的代表性有限。他的观察提供了判断企业AI是否接近自我造血的具体条件和可追踪指标，但不构成对泡沫是否破裂的确定性预测。
信息源：SiliconANGLE