标签: 软件
欧美芯片巨头现在最怕的不是中国不买了，而是中国不光不买，还在自己造，而且造出来的
欧美芯片巨头现在最怕的不是中国不买了，而是中国不光不买，还在自己造，而且造出来的东西，比他们卖给你的还便宜还好用。如此一来，欧美的芯片，到底还能卖给谁？对此，比尔盖茨可谓一语成谶！他早就说过：“无论美国采取任何限制措施，都无法阻止中国走上科技强国的位置！”芯片生意过去有一套很舒服的剧本：先进技术掌握在少数企业手里，谁需要高端算力，谁就得排队掏钱。可到了2026年，这套剧本越来越演不下去了。中国市场没有消失，人工智能需求反而越来越旺，只是采购清单里的国产名字越来越多。这才是欧美半导体企业真正需要琢磨的问题。限制中国获得先进芯片，本来是想让中国跑慢一点，结果中国企业转身开始补芯片、设备、软件、模型和算力基础设施。门确实被关窄了，可屋里的人没有坐着等，而是开始自己修门。2026年4月，美国商务部长卢特尼克在国会表示，英伟达H200当时尚未真正销售给中国企业。不过局面后来出现变化。7月，美国商务部官员又表示，已有极少量H200运往中国或中国香港地区。这个变化恰恰说明，中美高端芯片贸易已经不再是过去那种简单的买卖关系，而是夹杂着出口许可、政策限制、供应安全和国产替代等多重因素。另一边，荷兰光刻机巨头阿斯麦承受的压力也越来越直观。2025年，中国市场占其销售额约三分之一，公司预计2026年这一比例将下降到约五分之一。美国国会一些议员还试图进一步扩大对华半导体设备限制，把限制范围继续向浸没式深紫外光刻设备延伸。问题来了，如果最大的半导体市场之一不断被限制采购，损失的订单会自动跑回来吗？恐怕没这么简单。芯片产业最有意思的地方就在这里：客户今天被迫寻找替代品，明天替代品一旦成熟，原来的供应商即使重新敲门，也未必还能回到原来的位置。中国企业正在加快解决这个问题。华为公布的技术路线显示，昇腾950DT计划在2026年第四季度推出，并面向训练和推理等场景。到9月，围绕国产人工智能芯片的大规模算力基础设施建设，已经成为国际半导体行业高度关注的方向。更值得注意的是，国产算力已经不是单独一颗芯片在那里“孤军奋战”。今年深度求索新一代模型与华为昇腾完成深度适配，寒武纪、摩尔线程、海光等国产算力企业也在加快模型适配。芯片、模型、服务器、互联架构和软件工具链正在一起磨合。这意味着竞争规则开始变化。以前讨论国产芯片，经常盯着单颗芯片参数，仿佛跑分少一点就输了。人工智能时代却不完全如此。真正决定生产力的，是整个系统能不能把模型跑起来，能不能稳定扩展，软件好不好迁移，单位成本能不能降下来。当然，国产芯片并不是已经一路“白菜价”。9月10日的最新市场情况显示，高带宽内存供应紧张正在推高多家中国人工智能芯片企业的成本，部分产品报价出现明显上涨。这说明科技自立自强从来不是喊一句口号就能满血通关，存储、制造、设备、材料和软件生态，每一关都得真刀真枪地补。可中国半导体产业的底盘正在扩大。工信部数据显示，2026年前7个月，我国规模以上电子信息制造业增加值同比增长15.4％，集成电路产量达到3342亿块，同比增长23.1％。新华社9月初报道也指出，中国集成电路产业正在迎来新一轮快速增长。这时候再回头看比尔盖茨的判断，就很有意思了。2025年接受采访时，他明确谈到，美国的技术限制实际上迫使中国在芯片制造等领域全速推进。这句话的分量，不在于替谁站队，而在于点破了一条产业规律：市场需求不会因为一道限制令凭空消失。中国需要人工智能算力，需要先进芯片，也需要庞大的数据中心和产业数字化基础设施。国外产品不给卖、不能稳定卖或者附带越来越多条件，需求自然会转化为国产技术研发的动力。短期看是供应受限，长期看却可能培养出新的竞争者。欧美芯片企业真正需要担心的，因此不是某一年少卖多少颗芯片，而是中国逐渐形成一套能够持续迭代的自主产业体系。一旦芯片能够用、软件能够配、模型能够跑、产业能够形成规模，过去依赖进口的市场就会变成国产技术最大的试验场。中国发展半导体也不是为了把世界的大门关上。真正有竞争力的科技强国，既要把关键核心技术掌握在自己手里，也要坚持开放合作。自主可控不是闭门造车，而是合作时有底气，竞争时有选择，遇到外部风浪时不至于被人掐住命门。芯片产业没有什么“一招制胜”。国产算力仍然需要解决高带宽内存、先进制造、软件生态等难题，但今天与过去最大的区别，是中国已经从单纯讨论“还能不能买到”，转向讨论“自己怎样造得更好、怎样把整个生态做起来”。这才是最值得关注的变化。封锁可以制造暂时的困难，却很难封住一个超大规模市场对技术进步的需求。欧美企业如果继续把中国只当成需要被限制的买家，可能有一天才会发现，昔日最大的客户已经变成了同行，而且还带着完整产业链和庞大应用市场一起进场。
刷到一个程序员，发视频哽咽难言，原来公司采用AI编程，裁了一半程序员，他学了十年
刷到一个程序员，发视频哽咽难言，原来公司采用AI编程，裁了一半程序员，他学了十年的东西没用了，难受得说不出来最近，一段程序员谈论AI的视频引发关注。镜头前的人几次想继续说，却明显卡住了，情绪上来后声音也变得断断续续。他难受的原因，并不是单纯找不到工作，而是自己长期积累的专业能力，突然遭遇了前所未有的冲击：公司开始大规模使用AI辅助编程，原本需要多人完成的开发工作，被压缩成了更少的人手。这件事之所以让很多程序员产生共鸣，是因为写代码从来不是一天两天就能掌握的技能。有人大学四年学习计算机，毕业后继续考证、做项目、学框架，进入公司后还要不断补数据库、服务器、网络、安全等知识。工作几年以后，真正能够独立负责项目的人，往往已经在这个行业里投入了很长时间。过去，程序员提高效率主要靠自己积累经验。一个Bug为什么出现、哪段程序容易出错、怎样优化数据库查询、怎样让系统承受更多访问量，都需要长期实践。现在情况正在改变，AI已经能够根据自然语言生成函数、接口、测试代码，还能协助排查错误、整理文档和修改已有程序。这意味着企业看到的不只是“AI会写几行代码”，而是一整套工作流程正在被压缩。以前一个项目可能需要产品、前端、后端、测试等多人协作，其中大量基础工作具有重复性。AI进入开发流程后，一部分任务可以由一个工程师借助工具快速完成。公司如果认为同样的项目可以用更少的人做，自然会重新计算人员配置。这也是那名程序员最难受的地方。他真正失去的，不只是某一份工作，而是过去建立起来的职业安全感。2026年，海外科技企业已经出现多起与AI转型有关的裁员和岗位重组。Anthropic发布的《2026年智能体编码趋势报告》指出，“只会写代码的程序员将逐渐被市场淘汰”，程序员的角色将从“代码编写者”转变为“智能体指挥官”。但这恰恰说明，AI目前还远远没有到了“程序员全部消失”的程度。一方面，AI确实能够大幅提高某些开发工作的速度；另一方面，软件开发并不是把代码生成出来就结束了。需求理解、系统架构、权限设计、数据安全、上线维护，以及出现严重故障后的处理，都需要经验丰富的人承担责任。ACM通讯的报道指出，AI生成代码存在“质量与安全瓶颈”，验证与确认仍然是需要人类判断的环节。所以，那句“学了十年的东西没用了”，更准确地说，是过去那套单纯依靠手写代码建立竞争优势的方式正在贬值。以前，一个程序员如果熟练掌握某种语言、框架和开发工具，就可能拥有明显优势。以后企业更看重的，可能是一个人能不能把AI变成生产力，能不能判断AI给出的结果对不对，能不能找到机器解决不了的问题。这其实比单纯学习某一种编程语言更加困难。因为代码可以让AI生成，但判断代码是否可靠，需要真正理解程序。AI写出来的东西看上去完整，并不意味着没有漏洞。尤其是大型系统，某个看似不起眼的修改，都可能牵动其他模块。对于刚入行的人来说，压力尤其明显。过去公司可以招聘大量新人，让他们从简单任务开始，几年以后成长为成熟工程师。现在部分重复性工作直接被AI承担，企业对初级岗位的需求自然可能减少。根据Forbes的报道，美国初级软件开发者就业已连续33个月下降，22至25岁软件开发者在AI暴露职业中的就业人数同比下降4.3%。这就形成了一个值得关注的问题：如果新人没有机会做基础工作，又怎么成长为未来的高级工程师？华盛顿大学教授AmyJ.Ko在ACM通讯中警告：“没有那些基础经验，我们没有办法教、培训或教育软件开发者成为高级或架构级软件工程师”。所以，这段视频真正值得关注的，并不是“AI要不要取代程序员”这么简单，而是技术升级之后，一个普通人的十年积累应该怎样重新定价。十年前学会的东西不会凭空消失。计算机基础、算法思维、系统设计、工程经验，这些依旧存在价值，只是使用方式正在变化。过去是人亲手完成更多代码，现在可能变成人提出需求、拆解任务、调用AI，再对结果进行验证和负责。对于已经工作多年的程序员来说，这个过程确实残酷。毕竟一个人很难轻松接受：自己曾经花大量时间练出来的核心技能，如今被工具迅速降低了门槛。那种哽咽，并不奇怪。但从行业变化来看，更现实的方向不是和AI比谁写代码更快，而是让自己的能力从“写代码的人”向“解决软件问题的人”移动。AI能够生成大量代码，却仍然需要人决定做什么、为什么做、怎样验收，以及出了问题由谁承担责任。技术革命从来不会提前通知每一个人。对程序员来说，这次变化来得尤其直接。有人因此失去岗位，也有人借助新工具扩大自己的能力边界。那位在镜头前难以继续说下去的程序员，代表的是正在经历转型阵痛的一群人。十年学习并没有白费，只是曾经熟悉的职业规则正在改变。真正让人难受的，也许不是AI会写代码，而是一个人第一次清楚地发现：自己用了十年建立起来的优势，可能在短短几年里就需要重新定义。
苹果发布会iPhoneDuo来啦～软件细节设计还是不错的，比纯粹拉扯强太多了
苹果发布会iPhoneDuo来啦～软件细节设计还是不错的，比纯粹拉扯强太多了～热点
codex你还是太牛了，虽然我目前还没有研究出怎么用这个软件获利，但我尝试做了几个小程序，我说实话比
codex你还是太牛了，虽然我目前还没有研究出怎么用这个软件获利，但我尝试做了几个小程序，我说实话比豆包、deepseek好用多了！它能听懂人话！
拼多多是主流软件里唯一一个没有开屏广告的吧，支持支付的方式特别齐全，甚至最早还支
拼多多是主流软件里唯一一个没有开屏广告的吧，支持支付的方式特别齐全，甚至最早还支持现金支付。反观淘宝京东差距就出来了。
外卖软件杀熟也太离谱了，点个雪王吧，美团的50-20，淘宝闪购的48-18，京东更是高手，7-6的券
外卖软件杀熟也太离谱了，点个雪王吧，美团的50-20，淘宝闪购的48-18，京东更是高手，7-6的券加上隐形配送费，两杯以上跟直接去店里买没区别
AI未来之一Neolabs（新一代前沿AI研究实验室浪潮）近期投资并购研究小结一、这波AI创业定位的
AI未来之一Neolabs（新一代前沿AI研究实验室浪潮）近期投资并购研究小结一、这波AI创业定位的方向通用前沿模型19家、AIfor数学与科学18家、企业应用/Agent17家、递归自我改进/持续学习15家、物理AI/机器人10家、世界模型/仿真8家、生成式媒体/语音7家、算力芯片4家、推理AI未来之一Neolabs（新一代前沿AI研究实验室浪潮）近期投资并购研究小结一、这波AI创业定位的方向通用前沿模型19家、AIfor数学与科学18家、企业应用/Agent17家、递归自我改进/持续学习15家、物理AI/机器人10家、世界模型/仿真8家、生成式媒体/语音7家、算力芯片4家、推理基础设施2家、可解释性3家。63家不是造63个聊天机器人，而是63个赌注——赌AI下一层平台落在现实世界、科学实验、软件工程、推理基建还是人机接口。二、最有可能率先商业化的方向（按变现速度排序）第一档：已经在赚钱，1-2年内可规模化1、AI编程/软件工程Agent。代表：Poolside（约120亿美元）、Magic、ReflectionAI、EssentialAI。卖点是开发者工具和企业软件工程自动化，付费意愿最强、没有监管审批门槛，产品即收入，是变现最快的方向。2、企业应用Agent平台。代表：Cohere（约70亿美元）、Inflection、H、Imbue、RiverAI。模式是私有化部署+订阅制，卖给大企业和政府，Cohere已经形成稳定企业收入，还宣布与德国AlephAlpha合并强化欧洲市场。3、推理基础设施。代表：Inferact、RadixArk（vLLM系谱）。卖更快更便宜的模型推理服务，直接对接所有大模型的部署需求，属于卖水生意，今天就能开票。4、生成式媒体。代表：Runway（53亿美元）、LumaAI、BlackForestLabs。视频/图像生成工具已经向影视、广告、社媒创作者收费，现金流已经跑通。第二档：中期放量，2-4年5、物理AI/机器人。代表：PhysicalIntelligence（110亿美元+）、SkildAI、Prometheus、GeneralistAI、Rhoda。变现路径是卖机器人基础模型软件授权或整机方案，工业、仓储物流试点订单先行，能否规模化取决于制造业真实落地速度。6、世界模型/仿真。代表：WorldLabs（李飞飞，约50亿美元）、Decart、Aaru（拿了10亿美元A轮）、Simile。先用3D生成工具、游戏、仿真训练服务变现，虚拟环境训练和推演是政企愿意付费的场景。7、AIforScience——材料。代表：PeriodicLabs（约70亿美元）、CuspAI。材料发现周期比药物短，跟化工、电池、半导体企业做合作分成，落地更快。8、AIforScience——药物。代表：Xaira（DavidBaker参与）、Isomorphic（DeepMind系）、ChaiDiscovery、EvolutionaryScale。现阶段的收入是药企合作款（Chai已被辉瑞、礼来、诺华采用），但产品上市要等多年临床，属于"现在有现金流、长期才见大钱"。第三档：最远，4年以上且高度不确定9、递归自我改进AI。代表：IneffableIntelligence（DavidSilver）、RecursiveSuperintelligence（46.5亿美元）、CoreAutomation。纯研究赌注，无产品无收入，赌的是自动做研究的能力。10、AI芯片设计/新算力。代表：UnconventionalAI（45亿美元）、RicursiveIntelligence。流片周期长，靠IP授权和技术服务变现，验证要等几年。11、脑机接口。代表：MergeLabs。监管+临床周期最长，跟之前聊的Neuralink一个逻辑，商业化最晚。三、现实约束和机会把握这波实验室的估值靠"谁控制下一层平台"的故事撑起来，不是靠当下收入。真正考验是能不能熬过沉默期——药物管线、芯片流片、机器人基础模型都要多年验证；同时Meta、Google、OpenAI用高薪和加速vesting抢回研究员，人才和资本市场每几个月就重新定价一次。我们想挖"率先商业化"的机会，就要盯第一档的编程Agent、企业Agent、推理基建、生成媒体——它们没有政策闸门，收入已经真实发生；第二档的机器人和材料是下一波，适合布局；脑机和自我改进AI属于远期期权，别当短期生意做。
#GPT6全面上线#GPT-6Astra正式上线，正式向Work、Codex的Pro/Enterpr
#GPT6全面上线#GPT-6Astra正式上线，正式向Work、Codex的Pro/Enterprise/BusinessPremium用户开放，API也同步上线。OpenAI还附赠了“大礼包”：今天内所有Plus、Pro、Business用户将迎来完整额度重置山姆奥特曼称相信它是世界上最适合计算机使用、专业工作、科学、编码、网络安全等领域GPT6全面上线GPT-6Astra正式上线，正式向Work、Codex的Pro/Enterprise/BusinessPremium用户开放，API也同步上线。OpenAI还附赠了“大礼包”：今天内所有Plus、Pro、Business用户将迎来完整额度重置山姆奥特曼称相信它是世界上最适合计算机使用、专业工作、科学、编码、网络安全等领域的最佳模型，希望它开始开启新一代创业、科学发现和创造的新时代。有没有人先体验一把，看看是不是宣传的这么强大？
对，这段话里真正重要的不是“Agent会不会写很多代码”，而是它把**软件工程的瓶颈从“写代码的人手
对，这段话里真正重要的不是“Agent会不会写很多代码”，而是它把**软件工程的瓶颈从“写代码的人手”转移到了“架构、边界、验证和任务拆解”**。你举的“20万行代码”和“200行代码”其实是一个很好的类比。大型系统从来不是靠某个程序员一次理解全部代码，而是靠接口、模块、测试、版本管理、权对，这段话里真正重要的不是“Agent会不会写很多代码”，而是它把**软件工程的瓶颈从“写代码的人手”转移到了“架构、边界、验证和任务拆解”**。你举的“20万行代码”和“200行代码”其实是一个很好的类比。大型系统从来不是靠某个程序员一次理解全部代码，而是靠接口、模块、测试、版本管理、权限边界、数据契约，把复杂度压缩到局部。人类团队是这样，Agent团队也一样。只要一个Agent能在明确上下文里稳定完成几百行级别的修改，那么通过模块化、自动测试、代码审查、CI/CD和多Agent分工，它理论上就可以不断把这种局部能力累积到很大的系统。所以现在真正厉害的玩法，不是：>“让一个Agent从零写一个超级项目。”而是：>**先把项目变成一个Agent能管理的工程系统，再让Agent持续干。**比如一个20万行项目，可以拆成：产品需求→系统架构→10个业务模块→每个模块若干服务→每个服务若干issue→Agent一次解决一个issue→自动测试→reviewerAgent审查→集成测试→失败自动返工。到了这一步，Agent本质上就有点像一家**软件工厂**。但这里有一个很关键的区别：**Agent的代码产能已经越来越不稀缺，正确判断“该做什么”反而越来越稀缺。**过去创业的成本结构可能是：想法10%开发60%运营销售30%现在很可能变成：想法/需求判断25%开发10%数据、渠道、客户、运营、合规65%于是你前面那句话——**“最优解不是去搞软件，而是用这种技术能力去赋能更硬的生意”**——我反而觉得特别重要。因为如果大家都拥有近乎免费的开发能力，那么“我会开发一个SaaS”本身很快就不再构成壁垒。真正值钱的变成：**我有客户。我有行业关系。我知道客户真正疼在哪里。我掌握独家数据。我有线下履约能力。我有牌照/渠道/供应链。然后我用Agent把原来需要20个人的软件和运营团队压缩成2个人。**这才是威力最大的地方。举个很具体的例子。一家传统的工程公司过去想做数字化：需求调研2个月→找外包→50万开发→半年交付→后期一年十几万维护。现在一个懂业务的人，配合Agent，可能两周就做出第一版：客户管理＋合同识别＋投标文件生成＋项目进度追踪＋自动报表＋企业微信客服＋知识库。真正的壁垒不是这些功能本身，而是**这家公司本来就有100个客户、有工程业务、有真实数据。**所以我甚至会把这波机会总结成一句：>**AIAgent最大的创业机会，不一定是再造100万个软件公司，而是把100万个传统公司重新做一遍。**而你们雨花AI学会其实非常适合抓这一点。以后给企业讲AI，甚至可以少讲“提示词”“模型排行榜”，直接问企业老板三个问题：**你公司最贵的5个人工流程是什么？哪个流程每天重复100次？哪个流程以前因为开发成本太高，所以一直没软件化？**找到一个，就让Agent做掉一个。如果一个100人的公司最后能靠AI变成80个人，却做120个人的产出，那才是老板真正愿意付钱的东西。而且还有一个我觉得更激进的变化：过去创业最大的限制之一是**试错次数**。一个软件项目几十万、几百万，创业者可能只能赌一两次。现在如果一次MVP的边际成本降到几百、几千块，创业逻辑会变成：**不是“想清楚再做”，而是“一个月做10个，市场替我选”。**这可能才是Agent最可怕的地方——不只是提高开发效率，而是把一个人一生能够进行的**商业实验次数提高一个数量级甚至两个数量级。**
【科技巨头转型废品回收】内存的持续短缺，正在让大型数据中心运营商不得不采取一些非
【科技巨头转型废品回收】内存的持续短缺，正在让大型数据中心运营商不得不采取一些非常手段。据谷歌供应链基础设施高级总监NikhilCherian透露，为了突破内存瓶颈，谷歌正在同时开发软件和硬件解决方案，甚至拆解退役服务器以回收可回收的组件，从而建立内部回收供应链。谷歌据悉已设计了特殊的硬件适配器，允许将上一代内存，例如DDR4连接到其新一代人工智能服务器上。Cherian还承认，谷歌正在进口退役的服务器，以拆除它们的DDR4模块进行回收利用。他还表示，人工智能行业已迅速从计算受限转向内存受限，高性能内存已占给定人工智能服务器物料清单成本的约75%。(财联社）
2026年，一个人也能创业
2026年，一个人也能创业做软件这么多年，我以前听到有人说“我要做个互联网产品”，第一反应基本都是：先把团队凑起来。产品、UI、前端、后端、测试、运维，再加运营和市场。很多时候产品到底有没有人要都还没验证，团队成本已经先跑起来了。但这两年我越来越明显地感觉到，AI带来的变化，远不只是“程序员写代码快了”。它真正改变的是：一个互联网产品从0到1，到底需要多少人。现在如果只是验证一个Startup想法，完全可以先用一套很轻的方式跑起来：ProductHunt、Reddit这些地方找需求和产品方向；Perplexity、ChatGPT做市场调研、竞品梳理；ClaudeCode、Codex辅助开发；Supabase把数据库、登录、基础后端先搭起来；Vercel、Netlify直接部署；Stripe解决海外收款；客服、内容整理、邮件回复、部分运营工作，再交给AIAgent辅助完成；最后自己去X、LinkedIn、Instagram、YouTube找第一批用户。以前创业比较考验的是：你能不能组织一群不同岗位的人，把一个产品做出来。现在越来越考验的是：你能不能一个人把产品、技术、AI工具和市场串起来，快速完成一次商业验证。所以我反而觉得，2026年很多软件创业项目，一开始真没必要着急招一大批人。先做出来。先上线。先找到几十个、100个真实用户。再看看有没有人愿意掏钱。只有当业务真的跑起来，某个环节已经明显超出个人能力边界，再针对性补人。这其实也是我现在越来越认可的一种创业方式：团队尽量小，固定成本尽量低，产品快速迭代。不用一上来就追求多复杂的技术架构，也不用先把公司搭得五脏俱全。先找到一个足够具体的问题，把它解决掉，然后想办法卖出去。AI降低的可能从来不只是开发门槛。它真正压低的，是创业验证一次想法的成本。以前判断一个Idea到底行不行，可能需要组团队、开发半年、烧掉几十万。现在一个小团队，甚至一个懂产品又懂技术的人，可能几周就能把第一版扔到市场里。做了这么多年软件，我反而觉得：这可能才是AI时代，真正属于程序员和产品人的机会。#ai创业#ai软件开发#ai开发#海外软件创业#找cto合伙人
一位修了十几年手机的师傅说了一句话特别实在：“现在的手机，只要还能正常用，真
一位修了十几年手机的师傅说了一句话特别实在：“现在的手机，只要还能正常用，真没必要瞎折腾。”不少人手机用个三五年，稍微卡顿就想着换机器，其实清理缓存、卸载闲置软件，还能继续发挥作用。要是电池续航变差，花一百多更换电池，远比大几千购置新机来得划算。很多人被厂商的营销套路带着走，追着多摄像头、AI新功能不停升级，可日常无非就是刷视频、聊天扫码，大部分高端配置从头到尾都用不上。很多人热衷以旧换新，看似抵扣一部分，实则还要额外掏出大笔开销，这笔钱拿来改善生活、补贴家用，远比追逐新款虚名更实在。手机本质只是生活工具，不必过度追求最新款。能用就继续用，故障优先维修，别被消费焦虑裹挟。省下的真金白银，落在实实在在的生活里，才是最靠谱的底气。
