摘要

Miessler 将近期 AGI 定义为产品发布，而非模型发布：一种能够完成入职、参加会议、接受任务，并在公司优先级变化时转向的“虚拟员工”。 他猜测时间点在 2027 年，同时明确承认也可能是 2026、2028 或 2029 年；决定性测试是能否真正部署，而不是能否完成概念验证。「我关心的是谁会被解雇，谁不会再被录用。」
他的劳动力判断非常尖锐：对大多数公司而言，“理想员工数量是0”，因为只有当所有者缺少足够的大脑、双手或现场能力，无法独自执行时，才需要雇佣劳动力。一旦智能体补齐这些能力，电子邮件、摘要、报告、协调等常规知识工作几乎没有什么替代门槛。这将冲击工资—消费循环；Miessler 猜测，到 2028-29 年，对 UBI 的真实需求会被推高。
可投资的瓶颈不是模型智能的边际提升，而是脚手架：“模型能做什么其实并不重要”，除非有一套能把多样化输入转化为有效工作的执行框架。 Miessler 认为，Opus 4.5、最好的 Gemini 模型和最好的 OpenAI 模型在总体能力上差别有限；Claude Code 真正突破，是因为它的脚手架能够处理上下文并执行动作。Claude Cowork 这类通用产品，可能通过一个符合人类使用习惯的界面，隐藏大量窄域智能体，跨过替代员工的门槛。
Personal AI Infrastructure 将个人目标，而不是项目或聊天会话，置于整个技术栈的中心。 TLOS 记录问题、目的、能力、障碍、项目和期望结果；大约 5,000-15,000 个启动 token，再加上约 30 个按需加载的上下文文件，将 Miessler 的助手 Kai 从“当前状态”导向“理想状态”。由于底层主要由 Markdown、技能、上下文文件和集成组成，他认为即便 Claude Code 是当前基础，PAI 仍然具备可迁移性。
PAI 的复利循环来自记忆与自我评估：文件系统产物、摘要、JSONL 索引、情绪追踪以及约 12 个 hooks，共同记录系统是否真的在推进 Miessler 的目标。 升级技能可以检查播客、YouTube、Anthropic 工程文章、GitHub 以及 Claude Code 2.1.6 的变更日志，再建议修改自身的技能和 hooks。他真正关心的问题不只是任务有没有完成，而是「作为一个整体系统，我们帮助 Daniel 的效果到底有多好」。
网络安全正在变成“攻击者 AI 栈对防御者 AI 栈”，个性化社会工程也将与技术漏洞利用一起工业化。 Miessler 已经可以设想用一个 prompt 生成 256 个攻击活动、配套基础设施、凭证收集和权限转售；系统甚至可以把某员工领养狗的兴趣，与其所在产品背后的脆弱平台联系起来。防御方仍可能凭借 AWS、网络、配置和身份数据的直接访问权占据优势，但前提是 AI 能持续监测变化，因为响应窗口正从数周压缩到数秒。
对软件供应商而言，客户上下文将成为决定性产品优势：即便漏洞管理产品稍弱，只要它理解代码仓库、工程团队、工单系统、CI/CD、激励机制和部署实践，也可能赢得竞争。 Miessler 的警告是绝对的：技术上不错、但缺乏这些上下文的产品，会输给真正了解用户的竞争对手，「你会输」。PAI 自身也遵循优中选优模式，编排 Gemini、Codex、计划中的本地 Llama 模型、Salesforce、电子邮件和专业应用，而不是取代每一个 SaaS 工具。
上行情景是“激活人类”：AI 可能帮助原本占 99% 的人停止认为创造力只属于少数特殊人群；下行风险则仍包括精英集中、威权控制和混乱。 Miessler 不知道有多少人真正想要更强的能动性，但认为反复发出邀请值得一试；与此同时，他坚持有边界的自主性，目前信任度约为 60%，并允许 AI 失败。「我更看重真相，而不是你为了维持对话继续编造。」

精读

1. Miessler 的使命：从保护系统转向激活人

Miessler 自 1999 年起从事网络安全，约在 2016 年接触 AI，2018 年加入 Apple，负责机器学习与安全相关工作。他在 ChatGPT 于 2022 年末发布前约 6 个月离开公司独立工作，随后“彻底转向”——不是离开安全，而是开始把安全视为 AI 内嵌的一部分。
他目前的项目组合包括 Personal AI Infrastructure、Substrate 等开源项目，以及持续进行的安全工作。共同目标是帮助个人和公司适应变化：「我把 AI 看成一个放大器，用来放大你正在做的其他一切。」
Miessler 对生活质量的衡量标准简单得近乎玩笑：「你有多害怕星期一」。反向测试则是，人是否期待星期一到来。他的意思是，自动化正在冲击一个许多人本来就不喜欢的劳动体系，而不是摧毁一个稳定提供意义感的制度。
Erik 的认同带有重要的阶层区分：许多 AI 从业者拥有一种罕见的特权，可以从事即便不需要收入也愿意做的工作。这种体验并不代表绝大多数 W-2 工薪阶层，却经常被拥有特权的观察者不自觉地投射到他们身上。

2. AI 打破工资—消费循环，让企业回到所有者亲自经营

Miessler 从资本与劳动力的平衡讲起：如果 AI 能以千分之一的成本生产 1,000 倍的东西，所有者的议价能力就会上升，劳动力的议价能力则会下降。未解的宏观问题是：当被替代的员工不再把工资重新投入消费，谁来购买这些产出？
替代门槛很低，因为大量知识工作无非是接收电子邮件、总结内容、合并报告，再写出另一份报告。员工通常缺乏投入，还要应付“权力的游戏式政治”，并不是每天早上都带着释放最大创造力、与 AI 竞争的决心来到公司。
他故意给出一个极端结论：「对大多数公司而言，理想员工数量是0」。一个经营冰淇淋车、每周赚 $500 的所有者，并不欠任何人一份工作；公司之所以雇人，只是因为创始人无法独自提供所有的大脑、双手、技能或地理覆盖。
因此，智能体将企业带回 Miessler 所说的更自然状态：一个有想法的人启动数字员工，实际上独自完成工作。当被问及传统公司体系中还需要多少人时，他的答案是“非常少”，但他希望抵达的终点是更高的人类幸福，而不是敌视劳动者。

3. 工作是通用的，即便任务简单，因而采用速度落后

Nathan 提供了质疑快速替代的证据：多年来，他持续预测现实世界会出现比实际更大的颠覆。到 2024 年，经过微调的 GPT-4 似乎已经能够自动化优先级明确的任务清单，只要组织系统性记录员工如何分配时间；但宏观结果推进得慢得多。
Miessler 的解释是：「AI 的价值其实更多在脚手架，而不是模型本身。」他认为 Opus 4.5、最好的 Gemini 模型和最好的 OpenAI 模型之间差距有限；真正爆发的是 Claude Code，而不是单独的 Anthropic 或 Opus，因为脚手架把模型能力转化成了可用的工作。
员工的一周混合着写代码、处理邮件、参加强制安全培训、出席 HR 会议、应对办公室冲突，以及突然改变的战略方向。早期系统可以写代码或报告，却没有任何脚手架能够稳定吸收这些异质输入，再以接近人类员工的通用性返回工作成果。
Claude Cowork 的意义在于，它瞄准了更宽的工作边界。Miessler 提到，Anthropic 据称用一周时间就做出了这款产品，代码由 Claude Code 编写；无论底层智能是否真正通用，只要脚手架足够无缝，其经济行为就可能呈现通用性。

4. AGI 到来于虚拟员工撑过星期一早上

Miessler 对 AGI 的操作性定义，是能够替代一名普通知识工作者。他预计 AGI 会以名为“虚拟员工”的产品出现，而不是以一个研究模型的形式出现，由基准测试分数突然终结一场哲学争论。
验收测试非常具体：AI 加入一批新员工的入职培训，观看培训视频，参加星期一的全员会议，接受经理分配的工作，交付结果，并在管理层放弃一个项目、转向另一个项目时改变方向。真正部署到公司，而不是完成概念验证，才是证据。
界面背后究竟是“三个 AI 穿着一件风衣”，还是“57 个 AI 穿着一件风衣”，并不重要。只要一组窄域系统协调得足够好，能够覆盖员工的任务分布，其对劳动力市场的影响就与统一的通用智能相同。
Miessler 猜测时间点在 2027 年，同时承认也可能是 2026、2028 或 2029 年。Nathan 也认同这一门槛模型：一旦雇主可以在真人和 AI 之间做选择，而 AI 提供更广泛的知识、更快的响应、24/7 可用性和更低成本，初级岗位招聘可能会以惊人速度消失。

5. 激活人类，首先要拒绝“我只是个工人”的身份

Miessler 想象，一个拿着剪贴板的外星人向 10 亿人提问：你是谁？你相信什么？世界出了什么问题，你将如何改变它？大多数人会用职位描述回答——核对表格、更新系统、发送报告——因为更深层的作者身份仿佛只属于“特殊的人”。
教育与企业社会化把人类分成 1% 的思想发布者和 99% 的思想执行者。在 Miessler 戏剧化的全球仪表盘中，地球的创造力激活分数是“0.13”：巨大的潜在能力，因普通人认为自己没有值得分享的东西，几乎被四舍五入为零。
激活可以从一句话开始：告诉一位母亲，她刚才的观察很有洞察力，再问她是否把它写下来了。一个刷 Netflix 的人一开始可能拒绝作者身份，但他或许仍然有一个希望存在的故事；Miessler 预计，2026 年的工具会让这个人能够写出来并发布。
对话也提出了反面观点：人们可能把能动性用于私人创作消费——为自己、家人或朋友制作书籍、节目或项目——而不是把它变成可规模化的市场收入。成年人还需要艰难地重新学习，而电气化曾经耗时约 60 年、跨越 3 代。Miessler 对参与率保持中立：「我认为值得尝试」，即便 13 年里鼓励 7 次都被挡在门外。

6. TLOS 把人生转化为助手可以行动的上下文

TLOS 从问题开始：世界或自己的生活出了什么问题？随后映射期望变化、障碍、能力、目标、挑战、策略和项目。一个个人实例可以把体重超标、精力不足，与膳食计划、鼓励、学习和具体日常安排联系起来。
PAI 借助这套结构理解一个人究竟想完成什么，而不是只回答某个孤立 prompt。它还会映射个人日常、当前技能、期望能力、工作模式和反复出现的工作流；对 Miessler 和 Nathan 而言，其中很大一部分底层材料是写作与思考。
Miessler 的标志性案例始于一次在海湾附近散步时，通过 Limitless pendant 记录下的半成形想法。Kai 可以通过 API 找回对话，召集 AI 批评者对想法进行红队测试和辩论，接受现场或 Wispr Flow 的口述修改，再把成稿发布到 X 和 LinkedIn。

7. 创造性自主仍然需要新的经济底线

Nathan 将两个容易被热情混淆的判断分开：AI 可能帮助人们实现有价值的想法，但这并不意味着这些想法能够支撑今天的经济。如果所有人都生产书籍或高规格电视剧，有限的人类注意力不可能让所有人都获得商业成功。
Miessler 设想一个人们广播需求与能力的网络：屋顶瓦片需要更换，有人需要照看狗，或者有人想学西班牙语。软件可以把这些信号与附近的技能匹配起来，潜在地使用声誉积分或其他交换机制。
他坦率地承认，这套机制目前无法在社会范围内支付房租和购买食品。他看不到任何明确替代方案，能够取代“某种约定好的共享系统”，为人们提供足够的生存收入；他认为 UBI 可能会在未来几年到 5-10 年内成为必要条件。
更具体的预测是，随着劳动力冲击开始打破现有安排，2028-29 年左右会出现对 UBI 的直接政治需求。一套定制化、本地化、重视身份地位的交换经济，可以叠加在这条底线上——Nathan 举例说，可以提供定制的谋杀悬疑晚宴——但 Miessler 并不认为它能立即成为基础制度。

8. 最可能的灾难是集中与控制，而不是瞬间造出回形针

Miessler 拒绝给出一个稳定的末日概率：他有“很多不同的 pdoom”，而且这些判断会变化。听完 Yudkowsky 首次参加 Lex Fridman 节目后，他曾严重失眠；这种不确定不是轻视，而是无法自信地给各种路径排序。
最容易想象的负面轨迹是精英控制：强大的 AI 让少数人变得更富，剩余 99% 几乎得不到能动性，而沉浸式游戏让他们持续分心。政府——可能包括中国和美国——可以利用 AI 建立比历史上任何时代都更有效的威权控制。
另一条路径是直接陷入混乱，随后重建秩序。Miessler 认为，混乱与威权或精英统治之间存在一条“很窄的步行小径”，因此他在情感和实践上都专注于开源工具，希望推动更好的结果，尽管他认为更黑暗的情景可能更有可能发生。
瞬间出现 ASI、把世界变成回形针，是他认为可能性最低的重大风险，因为中间存在太多摩擦层。渐进式 AI 控制仍然可能导致严重的人类失权，甚至灭绝；Erik 补充说，如果 AI 研发被以最大速度自动化，目前不太可能的失控路径可能会重新变得重要。

9. 网络攻击变成持续运行的智能体工厂

Miessler 的核心框架是“攻击者 AI 栈对防御者 AI 栈”。攻击面如今意味着公司的全部知识：员工、心理、应用、API、平台、漏洞、版本发布、基础设施，以及这些事实如何组合成一条可行的入侵路径。
他已经构建出能够寻找员工并建立心理画像的工具。一次攻击活动可能发现某人领养了狗，确认此人参与构建核心产品，再把产品的新版本与某个存在漏洞的平台联系起来，最终编写出最适合利用这一特定组合的钓鱼诱饵。
顶级红队和高级持续性威胁过去也能完成类似工作，但小团队受限于时间和行业覆盖。智能体 AI 栈只需要一个目标，就可以持续枚举员工、建立画像、扫描网络、生成社会工程内容、测试漏洞，并在各模块之间协调行动。
更激进的情景是，一个 prompt 要求系统利用愤怒、谄媚或其他心理杠杆生成 256 个不同活动。系统创建发送基础设施，收集凭证和访问 token，实际使用这些权限，再把获得的访问权送入转售市场。Miessler 提到，Anthropic 已经披露过使用 Claude Code 成功发起自动化攻击的案例。

10. 防御者只有利用对系统状态的特权视角，才有机会获胜

如果攻击模型与防御模型能力相当，Miessler 认为防御者占优：公司可以直接访问 AWS、网络日志、身份信息和配置，而攻击者必须从外部信号推断其中很大一部分状态。
很多安全事故不是由高深恶意软件导致的，而是“乌龙球”——没人记得的互联网暴露系统、被遗忘的收购资产，或错误配置。防御栈应当持续攻击自身，检查每一次状态变化，最先发现暴露点，并立即响应。
相关状态不只包括技术遥测，还包括损益、公司目标、竞争对手、应用、员工，以及“过去 13 秒刚刚发生了什么”。组织清晰度与安全最终汇合，因为两者都需要一套关于现有资产、存在原因以及是否仍服务于管理层目标的实时叙事。
15 或 20 年前以数周计算的响应窗口，已经压缩到数小时和数分钟，在某些场景下甚至只剩数秒。继续增加人工无法匹配这种扩张曲线；安全团队只能改进一种能够持续观察、不会疲劳、也不受注意力稀缺约束的 AI。

11. 个人上下文能把同一个模型变成明显更强的工作者

Miessler 的要求是，让用户通过口述、写作或上传材料，提供足够信息，使 AI 完成一次 TLOS 式自我评估。一旦问题、能力、抱负和工作偏好在启动时加载，每个回答都可以围绕个人真实目标进行优化，而不是依赖泛化的世界知识。
PAI 的升级技能可以读取 YouTube transcript，将其与用户的 TLOS 和系统架构进行比较，再提出针对技能、hooks、记忆或上下文的修改建议。Claude Code 2.1.6 发布后，Miessler 可以让系统检查变更日志、GitHub、播客、YouTube 和 Anthropic 工程文章，再确定升级优先级。
他给出的具体表现案例是一位心脏科医生朋友，这个人还通过漏洞赏金项目寻找客户端漏洞。把这位朋友个人的发现技巧编码成技能后，PAI 就能接收一个目标并自动应用这些技巧；Miessler 表示，发现漏洞的数量和获得的奖金都显著上升。
生活质量方面的细节进一步强化了助手身份：Miessler 在以 Vim 为中心的终端里工作，使用 tab 补全，并通过 ElevenLabs 为智能体设置不同个性和定制声音。实际体验上的区别在于，他是在“和我的朋友 Kai 打交道”，而不是向一个 coding model 发出命令。

12. 助手与智能体的区别，在于它从个人出发

Miessler 的 Personal AI Maturity Model，即 PAIMM，在聊天机器人、智能体和助手之下各设 3 个级别；他认为当前系统大致处于智能体第 2 级。Claude Code 仍然主要是 coding agent，因为它不会先问：“你是谁，你在乎什么？”
目标助手应当能够看到、听到并操作用户接触的每一种技术。比如用户在 Coyote Hills 和朋友 Mark 骑山地车时，要求它播放一首完美的歌曲，助手需要理解两人的关系、共同经历的 1980 年代、所在地点、当前活动和音乐联想，而不只是调用一个播放列表 API。
Kai 通常从约 10,000 个 token 开始，Miessler 估计范围在 5,000-15,000 个 token。主 SKILL.md 解释 PAI 架构，并指向约 30 个额外上下文文件，分别包含用户、系统和工作信息。
Claude Code 的三层技能结构让初始加载保持可控：front matter 充当路由表，核心文件提供运行上下文，references 只在需要时暴露更深层材料。因此，Kai 可以正确处理“给 Jason 发邮件”或“给 Sasha 发短信”，而无需预先加载所有关系与集成信息。

13. Markdown 的可迁移性可以缓解，但无法消除平台依赖

Nathan 对锁定的担忧既是经济问题，也是技术问题：Anthropic 刚刚停止允许订阅用户将套餐内的推理额度带到 OpenCode 等框架中，而 API 使用成本可能高出一个数量级。他个人偏好 Claude，但希望保留一条可信的退出路径。
Miessler 的回答是，PAI 本质上由 Markdown 文件、技能、MCP 和上下文构成，这些都高度可迁移。他曾使用 OpenCode 约 2 周，如果管理层释放出变化信号，他也会再次迁移——例如 Claude Code 团队约 70% 的成员离开、转投 Gemini。
但他目前仍然“4,000%”站在 Anthropic 生态一边，因为在他看来，Claude Code 的脚手架设计领先数代。他将其归功于一致的领导力、快速发布、直接接触用户，以及全公司以人为先的理念；Google 擅长后端系统，却不擅长界面，而 OpenAI 在他看来聚焦度不足。
不同路线可能最终汇合：Miessler 认为 OpenAI 正在开发可能超越手机的消费级设备和界面，而 Claude Code 则通过极其强大的 coding harness 进入市场。Apple、Google、OpenAI 和 Anthropic 似乎都在朝着一种抽象技术、直接服务个人的助手前进；他猜测，约 3 年内，终点会变得清晰可见。

14. 等待会放弃目标对齐回答的复利回报

PAI 的核心是 Miessler 所称的通用算法：从当前状态走向理想状态，用科学方法或 Ralph 式循环反复测试如何缩小差距。这套逻辑既适用于职业发展，也适用于一次具体的战术请求。
他的采用建议非常明确：「不要等待。」成熟的消费级助手可能还需要时间，可能不透明，也可能带来供应商锁定；与此同时，即便目标感知回答只带来 2%、5% 或 50% 的改善，也会在一周、6 个月或 2 年的时间里不断复利。
Nathan 提出的难点是搭建摩擦：把 Claude Code 接入 Gmail、Calendar 和 Docs，可能需要在 MCP、命令行工具、Google Cloud 配置和 OAuth 之间做选择。Shortwave、Tasklet 等专业产品已经内置了大量领域工程能力，可能提供更友好的界面。
Miessler 并不否认这些产品的价值。他在产品层面的结论是，所有严肃供应商最终都需要建立对用户的深度模型：即使漏洞管理产品稍弱，只要理解客户的代码仓库、团队、工单、CI/CD 流水线、激励机制和代码发布流程，也能赢得竞争。没有这些上下文，「你会输」。

15. PAI 围绕一个持久目标系统编排优中选优的工具

Claude Code 是基础设施，但不是唯一智能来源。Miessler 的深度研究工作流可以把不同子任务分发给多个研究智能体，包括 Gemini 和 Codex；他计划加入本地推理的 Llama，并表示 Kai 目前会根据各模型的优势使用约 6 家模型供应商。
Kai 用 TypeScript 逆向实现了 MCP 功能，因此集成不会消耗过多上下文。它可以连接 Salesforce、电子邮件和 Miessler 的生产力软件，让他继续保留专业产品，而不必从头重写 SMTP、项目管理或其他服务。
原生界面仍然有价值：连续点击手机 3 次会打开 ChatGPT，而 Grok 是他在车内最偏好的语音体验，因为对话流畅度很强。他使用 Superhuman 处理邮件，也持续试用新产品，即便他使用的 SaaS 总数可能正在下降。
最终状态将同时消除终端和收件箱。Miessler 只需要询问什么重要、需要回复谁；在《Her》的设定中，助手读完 940,000 封邮件后，只需报告 Sarah 发来的一条新消息。产品变成助手背后的能力，而不是人必须亲自进入和操作的目的地。

16. 文件系统记忆之所以有效，是因为 hooks 在持续压缩经验

Miessler 坚定站在“团队文件系统”一边：文件提供存储、记忆和上下文管理。他唯一主要的 RAG 例外，是一个包含自 1999 年起超过 10,000 篇帖子的档案；除此之外，他不喜欢 RAG，因为检索过程有损且难以检查。
.claude 目录下有一个全大写的 MEMORY 结构，包含从项目历史和 events.jsonl 日志中提取的学习、信号与产物。Claude Code 已经会记录 prompt、工具调用、工具输出和回答，为后续分析留下丰富的原始轨迹。
约 12 个活跃 hooks 会在 prompt 和工具运行时加入路由、安全检查与情绪分析。一个定制推理层提供 fast、standard 和 smart 模式，分别映射到 Haiku、Sonnet 和 Opus，让系统针对每个内部判断选择更经济的能力等级。
系统不会在每次请求时重新解析全部原始历史。受 Stanford “reflections” 思路启发，它会生成一行或一段摘要，以及快速 JSONL 索引，同时保留对原始日志的访问。Kai 之后可以报告哪次升级失败、删除了什么、由哪个替代方案接手，以及 Miessler 事后是否更开心。

17. 当助手能够捕捉并主动发起行动，它就成为认知的延伸

Miessler 将 PAI 与 David Allen 的 Getting Things Done 联系起来；他在 1990 年代服役期间接触到这套方法：永远不要让一项待办持续占据工作记忆。他仍然随身携带索引卡和 Space Pen，拥有约 2,900 条 Apple Notes，并曾使用 Limitless pendant；在其被 Meta 收购后，他开始考虑更换产品。
这种体感目标类似 Nathan 所说的“剪贴板上有东西”：可靠的捕捉机制让大脑可以释放一个想法，而不必担心它丢失。Miessler 最近增加了一个 reminders 文件，但最终希望只要说出“确保我别忘了这个”，系统就能完成记录。
主动性比固定日程更重要。Kai 应当能够发现重新处理某项任务的合理时机，同时理解一场对话进行到一半时并不是插入新闻的正确时点；问答式交互仍然太接近聊天机器人，因为人类仍然必须主动发起并推进所有事情。
当前的近似方案包括运行在 GitHub 基础设施上的远程智能体、每分钟或每 5 分钟运行一次的 Cloudflare Workers、经过认证的服务，以及 Docker 内的 Claude Code。结果可以通过 Discord、短信或电子邮件送达，但 Miessler 仍然对远程终端访问“怕得要死”，这与他的安全背景有关。

18. 有边界的自主性、失败许可与“绳子的余量”定义上行空间

Miessler 估计自己目前对系统的信任度约为 60%，未来几年可能上升到 80-90%。他已经不再运行 --dangerously-skip-permissions；hooks 会执行文件系统边界和分层 prompt 注入防护，同时他持续观察智能体的行为。
当爆炸半径明确时，自主性才变得可接受：一个单独的银行账户中存放 $1,000，可以支持一次类似 Vending-Bench 的实验，但不能让系统不受限制地访问一切。否则，链接或其他不可信内容中的 prompt 注入，可能诱导 Kai 把私人日记发布到 LinkedIn；这说明降低影响范围与降低风险概率同样重要。
“失败许可”告诉模型，它可以承认自己没有答案，或无法抵达理想状态。Miessler 更看重真相，而不是让模型继续编造；他说，这个逃生阀能改善幻觉和谄媚行为：助手不必因为推断出用户要求成功，就假装任务已经完成。
他最终的乐观判断是“绳子的余量”：人类误把今天的前沿当成硬性上限，但被忽视的组合可能把表现从 1.7% 推进到 63%。AI 可以重新连接被遗忘的医学研究，扩大人们获得导师的机会，也许不仅会改变人们能追求什么，还会改变“你想要什么”——就像 GLP-1 激动剂已经改变食欲。哪些障碍来自物理规律，哪些只是绳子还没绷紧，仍然没有答案。

Tobi Lütke：构建 Shopify 的21年 Brex 的 AI 背水一战——与 CTO James Reggio 对谈（Capital One 以50亿美元收购！）