今天的博客从 AWS 的天价账单乌龙开始，误将单位从 GB 当成 Byte，瞬间把用户账单膨胀了 10 亿倍。我们聊到了神经科学：大脑如何在嘈杂环境中切换注意力，甚至短暂同时追踪两股话音。Pebble 发布了 7 月的硬件与软件大更新，CEO 坦诚列出了已知的制造缺陷。此外，一座 1,900 年前的罗马厕所揭示了古代混凝土长寿的秘密。
AWS 的计费预估系统出现单位错误，原计费标准为 5 美分/GB，但系统误设为 5美分/Byte，导致账单瞬间膨胀 10 亿倍。一名前 AWS 工程师解释，他曾在凌晨被叫醒处理类似问题，通常在一两小时内修复并发送道歉邮件。多位用户反映，他们在看到天文数字般的账单后，有人怀疑被黑，有人以为是钓鱼邮件，还有人因恐慌而直接删除了全部基础设施。
事故的根源在于缺乏有效的端到端测试。服务端只检查了单位是否正确发送，账单端只验证了价格计算逻辑，但无人测试两者串联后的最终结果。评论指出，如果存在基本的异常检测机制，账单突增 1000 万倍的异常本应触发告警。更深层的讨论指向 Amazon 的内部文化：年度绩效强制分布制度可能导致员工缺乏预防故障的动力，因为提前修复隐患不被看见，而充当“救火英雄”反而更容易获得认可。
社区中不少声音将矛头对准 AI 生成的代码。有评论发现 AWS 账单团队正在招聘“构建 AI 驱动验证框架”的工程师，怀疑此次错误可能是 LLM 将 GB 误解析为 byte 或擅自改动单位字段所致。人们还引用了 Anthropic 近期 1600 万美元的计费失误，认为 AI 行业正面临系统性的计费问题。
一项发表在《PLOS Biology》上的脑电图（EEG）研究揭示了大脑在嘈杂环境中切换注意力的动态过程。当参与者被要求在左右两个说话者之间转移注意力时，大脑对新目标说话者的神经追踪会先开始增强，之后对旧目标的跟踪才会减弱。这意味着存在一个短暂的窗口，大脑同时追踪着两个语音流。这种不对称性给了我们一个灵活监控多声源的机会——如果新目标不合适，可以快速切换回去。
研究利用大语言模型 Mistral-7B 分析了注意力切换对词汇预测的影响。结果出人意料：最能解释 EEG 数据的模型是“Reset”——即每次切换注意力后，大脑会清空之前的语言上下文，重新建立对新说话者话语的预测。这一发现挑战了“历史上下文总有助于理解”的直觉。
有飞行员在评论中分享，自己一直能同时处理两路音频流，并在现实中同时跟上两个人的独立对话。还有人描述了自己能边朗读边思考其他事的经历，仿佛在后台运行了一个“朗读子程序”。这些个人经验与研究发现的大脑短暂双流共存机制不谋而合。
Pebble Time 2 自 3 月底量产以来已生产超过 23,000 块，完成 80% 以上的预购订单，即将可现货销售。Pebble Round 2 因不锈钢底壳的 CNC 加工瑕疵推迟了量产，新版底壳已于 7 月初到货，计划 9 月底前完成所有发货。智能戒指 Index 01 也已进入量产，陆续开始发货。
CEO Eric Migicovsky 在更新中公开承认了多项硬件问题：高功耗、触控面板故障、前玻璃开裂（51 例）、按钮弹出等。所有报告硬件问题的用户都免费获得了替换件，不限保修。这种坦诚的态度被社区评价为“清新”。
核心 4 人软件团队将 Pebble 2 Duo 的续航从 17 天提升至超过 30 天，Time 2 目前约 21 天。SDK 更新加入了触摸屏、扬声器和原生 JS 应用支持，社区已为此开发了超过 2120 个应用和表盘。有用户将 Pebble 称为“卡西欧智能手表”，认为其电池和可破解性优于 Apple Watch。
一项发表在《科学进展》上的研究从罗马哈德良别墅的公共厕所中取样，发现混凝土内部孔隙和裂缝充满了方解石。这是一种由大气中的二氧化碳与钙化合物反应形成的矿物，能填满微裂纹，让结构实现自我修复。研究共同作者、加州大学伯克利分校教授保罗·蒙特罗说：“没有人会去修复一个厕所，所以材料静静待了 19 个世纪。”
现代钢筋混凝土通常约 100 年后开始劣化，主因是钢筋锈蚀导致开裂。而罗马混凝土不用钢筋，因此避免了这个问题。用不锈钢钢筋或纤维玻璃钢筋可以大幅延长现代建筑的寿命，成本增幅不到 10%。但一位土木工程师指出，寿命只是多个设计指标之一，公众往往认为建造千年标准的建筑“不划算”。
评论区提到了幸存者偏差：我们看到的罗马遗迹是经过两千年淘汰后的精品，大量普通混凝土建筑早已消失。1930 年代 WPA 项目的优质人行道至今完好，而同期劣质混凝土早已被替换。问题是：明知未来需求无法预测，是否该把大量资源投入追求千年寿命的建筑？
这份指南系统梳理了 USB Type-C 和 USB Power Delivery（USB PD，电力传输协议）的知识体系。USB-C 的 24 引脚连接器通过配置通道（CC）引脚完成线缆检测和供电能力协商。基础模式下，无需任何复杂控制器，仅靠上拉或下拉电阻就能实现 5V、最大 3A（15W）的供电。而 USB PD 协议则通过 CC 线进行协商，将供电能力提升至最高 48V、5A（240W）。
USB-C 的交替模式可将 SuperSpeed 引脚复用为 DisplayPort 或 Thunderbolt 视频信号。USB4 在此基础上支持多协议隧道封装（如 PCIe、DisplayPort），让一条线缆同时承载视频、数据和充电。这需要 USB PD 参与协商，且对信号完整性有严格预算，经常需要额外的重定时器或线性红驱芯片。
尽管指南信息密集，许多读者认为它本质上是 TI 产品的推广。评论中有人抱怨，理解最简单的 5V 无 PD 方案需要跳过多页协议内容才能找到关键信息。这反映了大厂技术文档将基础知识和商业推广混在一起的现实，读者需要带上甄别眼光。
Apple 指控 OpenAI 有组织地挖角其硬件工程师，并指使他们在离职前窃取机密文档。一名前员工被指在离职后仍通过未归还的 Apple 笔记本访问内部服务器，并用“LOL”形容自己的行为。当 Apple 向 OpenAI 通报此事后，OpenAI 没有解雇涉事员工，而是直接切断了法律沟通。
评论区观点分裂严重。一些人认为，员工直接复制代码和设计文件并谎称已获授权，远超普通竞业纠纷的范畴。另一些人则质疑 Apple 的动机，指出其在 AI 领域长期落后，此举更像是利用法律手段拖慢潜在的竞争对手。
社区普遍不看好 OpenAI 的硬件项目。Jony Ive 是工业设计师而非平台构建者，由他主导的 AI 硬件设备可能重蹈 Humane 或 Fire Phone 的覆辙。更广泛的观点是，AI 模型本身缺乏护城河，如果 OpenAI 的硬件项目因诉讼夭折，可能会动摇其 IPO 计划。
研究人员在距离地球 48 光年的红矮星 LHS 1140 的宜居带内，确认了一颗超级地球拥有大气层。这是首次在太阳系外宜居带的类地行星上检测到大气。目前探测到的气体是氦气，这是一种惰性气体，无法直接支撑生命，但研究者推测低层大气可能含有氮、水汽等成分。
以人类目前最快探测器（帕克太阳探测器峰值速度约 69 万公里/小时）的速度，到达 48 光年外需要超过 7.4 万年。虽然评论中提到了激光帆、核脉冲推进等概念，但普遍认为在可预见的未来无法实现。有评论者幽默地建议“先做好自己的行星”。
部分评论批评媒体将“类地”与“地球相似”等同。该行星的质量是地球的 5.6 倍，半径是 1.73 倍，表面重力约 1.87 倍，与地球差异很大。更准确的说法是“位于宜居带的岩石质行星”。但这项发现的意义在于为后续搜索生物标志气体（如氧气、甲烷）打开了窗口。
Pydantic 的 Laura Summers 描述了用 LLM 编程带来的新型疲劳：代码“自己写”了，但你得不断审查、纠正、重写计划。过去手写代码的每一步都有小奖赏——想通逻辑、编译通过、代码跑起来。LLM 自动化了这些环节，留下的只有审查和修复的负担，却没有生成新的成就感。
Summers 的同事 Douwe 每天醒来面对 30 个 AI 自动生成的 PR，需要快速判断质量。他承认让 AI 去审查 AI 的诱惑巨大，但那样的话，“我还在这里做什么？”有评论形容这种体验像乘着一波波的生产力浪头，却从不感到满足。一项 Berkeley Haas 的定性研究也表明，AI 使用增加了工作的“强度”。
评论中有观点一针见血：代码从来不是瓶颈，难的是把复杂系统整合在脑子里。AI 让这个真正的瓶颈暴露了出来——稀缺资源依然是人类的注意力、判断力和系统愿景。Summers 将当前类比为响应式设计的转型期：核心技能会存活下来，但形式会变，你需要更高的品味和更深的专业判断，因为你是质量的最后把关人。
Solod（So）是 Go 的一个严格子集，能翻译成可读的 C11 代码。它没有垃圾回收，默认使用栈分配，支持结构体、方法、接口、切片等 Go 特性，并能直接在 Go 和 C 之间互调，无需 CGO。现有的 Go 工具链开箱即用，因为 So 本身就是合法的 Go 代码。
有评论指出，So 在代码示例中会返回指向栈上变量的指针，这在 C 中是未定义行为。项目 FAQ 承认“So 本身不阻止悬垂指针”，推荐用户配合 AddressSanitizer 使用。此外，So 会原样保留用户标识符，若变量名是 C 关键字（如 register）则会导致编译失败。项目作者表示 So 目前仍处于 v0.2 的早期探索阶段。
根据 Chatbot Arena 的数据，开放权重模型与封闭模型的能力差距已缩小到几乎可以忽略。同时，GPT-4 级别模型的推理成本在 36 个月内下降了 31 倍。OpenRouter 上的流量数据也显示出结构性变化：排名前五的模型全是开源的，且中国公司建造的模型每周路由的 token 量是美国公司的三倍多。
Mozilla 和 SlashData 的调查显示，79% 的开发者使用开放模型，但仅有 51% 将其投入生产，低于封闭模型的 63%。差距在于运维工具的成熟度——在标准化和企业级工具上，开放生态得分最低。具体的挑战包括：集成困难、文档不足、部署复杂和持续维护的负担。
封闭前沿模型按 token 计费的模式在生产规模下正在破裂。Uber 在四个月内用尽了全年的 AI 预算，而 Stripe 通过自托管 vLLM 将推理成本削减了 73%，用三分之一的 GPU 处理了相同的日常 API 调用。报告的总结是：开放权重是退出权——没有人能关掉你本地机器上运行的副本。战略意义在于主权。
数据显示，将模型放在同一个中性脚手架（harness）上时，最好的开放模型与最强的封闭模型性能差距可以缩小到约 4 个百分点，但成本只有五分之一。而封闭实验室正在将自己的模型与自己的脚手架进行垂直整合，集成本身正在成为护城河。报告的核心建议是：在代理层和记忆层构建开放的标准，窗口正在关闭。
女：Hello 大家好，欢迎收听Agili的 Hacker Podcast，我是莓莓。
男：大家好，我是阿迪。
女：阿迪，你前两天看账单了吗？我一个朋友半夜收到 AWS 的预算告警，打开控制台一看，差点没吓晕过去。
男：我听说了。你不是说他每月才跑一美元的服务吗？
女：对，结果那封邮件说他的账单飙升到了几千亿美元。他说那一瞬间肾上腺素直接拉满，以为是自己被人黑了。结果后来才发现是 AWS 的一个bug，单位搞错了。这是怎么回事？
男：这事儿其实挺典型。一个前 AWS 工程师 donavanm 出来解释了，说是在“定价计划”里漏写了单位，比如本该写“每 GB 5 美分”，结果只写了“5 美分”，系统就默认按字节算。1 GB 是 10 亿字节，账单瞬间膨胀 10 亿倍。他以前处理过类似的事情，凌晨两点被叫起来，两小时内修好，发道歉邮件。
女：10 亿倍。难怪有人说看到自己的余额变成了负 3 万亿美元，网上都在调侃这是“史上最高收益投资”。但我更关心的是，这种错误怎么就没在测试阶段被发现呢？
男：评论区吵得最凶的就是这个。有人说是没有端到端测试。服务端测试只查单位有没有正确发送，账单端测试只查价格计算，两个测试单独跑都通过了，但没联调过。真正出问题的是第三个服务，负责把计量数据乘以价格的那个环节。那个环节的测试是缺失的。
女：说白了就是每个零件都合格，拼在一起就炸了。那这种问题理论上应该有异常检测能兜底吧？账单突然涨了 10 亿倍，系统自己不觉得奇怪吗？
男：理论上应该。但也有人说这类错误很难被传统的监控抓到，因为数据在各自的组件里都合法。真正让这件事有意思的，是有人在 Amazon 的内部文化里找原因。
女：怎么讲？
男：Amazon 有一个叫 COE 的机制，中文叫“纠正错误报告”。出了事要写报告，有些团队会被折腾得很惨，所以大家有动力去预防问题。但也有人反驳，说 COE 只管团队自己搞出来的事，一旦问题需要跨部门协调，就容易踢皮球，甚至被掩盖。还有前员工爆料，说年度绩效强制分布——就是团队里必须有人拿低绩效——搞得大家没有动力去主动修理隐患。你提前修好了，没出事故，没人看见你的贡献。反而是让 bug 先爆，然后你跳出来当英雄，既能获认可，还能把低绩效名额推给别人。
女：这逻辑也太……生存主义了。不过我听说这事儿还扯上了 AI？
男：对。有人发现 AWS 账单团队正在招“构建 AI 驱动的连续验证框架”的工程师，职位描述里全是 agentic、autonomous agents 这类词。有一种猜测是，这次事故可能就是 vibe coding 的后果，一个 LLM 在生成代码时把 GB 错误地解析成了 byte，或者自动改动了单位字段。还有人贴出 Anthropic 近期的 1600 万美元计费错误做佐证，说 AI 行业存在系统性的计费问题。
女：所以 AI 没帮上忙，反而可能是肇事者。不过你说的这些毕竟只是账单预估，不是实际扣款吧？
男：对，AWS 会修正、退款。但有人提了一个我很在意的角度，就是这种突然跳出来的天文数字，对患有心血管疾病的人可能造成真实的伤害。有人还提到了 Robinhood 的先例，一个用户因为 App 显示错误的负余额自杀了。数字虽然不真实，但恐慌是真实的。后来 AWS 暂停了预估更新，想回滚最近的变更，但回滚失败了，还在排查。
女：从一个单位的疏忽，到文化问题，再到生理伤害，一张账单引发的蝴蝶效应。我本来想说这事让我对自动化的信任又少了一点，但反过来想，漏洞也是人埋进去的。
男：是。说到底还是系统复杂到一定程度之后，任何一个小失误都可能以不可思议的方式放大。
女：那咱们换个脑子，聊聊人本身是怎么处理复杂信息的。我看了一篇挺有意思的脑电图研究，讲的是你在嘈杂的鸡尾酒会上怎么切换注意力的。你知道那种感觉吗，就是你在努力听一个人说话，旁边突然有人提到你的名字，你瞬间就被拽过去了？
男：这其实就是注意力切换的问题。过去大多数研究关注的是你怎么持续专注一个声音，而这篇新研究专门看了切换的动态过程，结果发现了一些反直觉的东西。
女：他们是怎么做的？
男：找了 24 个听力正常的成年人，坐在一圈扬声器中间。前面左右两个扬声器各放不同的 TED 演讲，后面四个扬声器播 16 个人的嘈杂对话。屏幕上时不时出现箭头，让实验对象把注意力从左边换到右边，或者反过来。脑电图全程记录。
女：结论是什么？
男：当他们分析大脑对语音包络的跟踪时，发现了一个不对称的过程。注意力切换指令出现之后，大脑对新目标说话者的跟踪先增强，过了一阵子，对旧目标说话者的跟踪才减弱。这意味着有一个短暂的窗口，大脑同时在跟踪两路语音流。这种“先入后出”的机制有点像你退出一个 App 前，先把新的 App 打开了，两个同时在跑，确认新的好用，你才关掉旧的。
女：听着好合理。大脑给了一个灵活的反悔窗口，万一新目标不合适，你可以马上切回去。
男：对。但同时这个过程伴随着 EEG 里 alpha 波段功率的显著下降，说明切换时的认知负荷很重。功率的最低点出现在新目标基本建立起跟踪之后、旧目标还没完全脱离之前，这个时间点提示努力感的释放跟对新语音流的成功编码有关。
女：他们还做了另一个更有趣的事，用大语言模型去模拟大脑怎么处理语言上下文。结论也很反直觉。
男：对，他们用了一个叫 Mistral-7B 的模型，计算每个词的不确定性和意外程度，然后比了四种上下文积累策略。一种是 Oracle，假设大脑记住所有历史；一种是 Attention，只记住你注意过的内容；一种是 Reset，每次切换注意力之后，把之前的语言上下文全清空，从头积累。
女：结果 Reset 模型最能解释脑电图数据？也就是说，大脑在切换注意力之后真的会“放下”刚才那个人的话？
男：差不多是这个意思。这挑战了“历史上下文总有助于理解”的直觉，但跟事件分割和情景记忆的研究是吻合的。社区里有些人的个人经验也很呼应。有个飞行员说，他长期同时处理两路无线电音频，脑子里两个语境互不干涉。还有人说自己能边朗读边想其他事，像后台跑了一个朗读子程序。
女：我以前一直以为自己开了这种“并行处理”模式是因为脑子不够专注，听完这个研究反而释然了，原来这可能是一种正常的、甚至有适应价值的能力。好了，从大脑的复杂切换到实打实的硬件，咱们聊聊 Pebble？
男：Pebble 最近的更新挺坦诚的。他们发了 2026 年 7 月的大更新，覆盖了 Pebble Time 2、Round 2 和一个叫 Index 01 的智能戒指。
女：Time 2 的出货情况怎么样？
男：3 月底开始量产，到现在已经生产超过 23000 块，完成了八成以上的预购订单，最后一批 7 月底发完，之后就转现货。核心只有四个人的团队把 Pebble 2 Duo 的中位电池续航从 17 天干到了超过 30 天。Time 2 暂时是 21 天，后面还会优化。
女：四个人的团队，把续航翻了个倍。他们软件上也有更新？
男：和 Moddable 团队合作发了 SDK，加了触摸屏、扬声器、RGB 背光 API，还支持原生 JS 应用。社区已经为 New 2 和 Round 2 开发了 2120 个应用和表盘。智能戒指 Index 01 的功能也集成进了 Pebble 手机应用，可以同步 iOS 备忘录、Obsidian、Google Tasks、日历，甚至 Android 音乐控制。
女：他们还挺坦白地公开了制造缺陷。
男：特别坦诚。CEO Eric Migicovsky 直接把问题列了出来：高功耗导致电池不到三天、触控面板故障、前玻璃开裂、按钮弹出，甚至缺螺丝的极少数案例。前玻璃有 51 例开裂，全免费替换了，不限保修。评论里有人管 Pebble 叫“卡西欧智能手表”，说电池和可破解性比 Apple Watch 强太多了。还有一个人说，拿到 Time 2 之后，“所有后悔在收到包裹后消失了”。
女：这句话好动人。Round 2 呢，好像推迟了？
男：不锈钢底壳在 CNC 加工的时候有瑕疵，新版底壳 7 月初刚到，正在做 beta 测试。计划月底开始慢速量产，两个月内完成大概 14000 块的预购，9 月底前发完。智能戒指 Index 01 已经进入量产，组装了几千枚开始发货。预购订单预计 8 月底前发完。小细节是戒指可能比试戴器偏小，他们专门提醒了。
女：但有意思的是，这戒指的电池不可更换。标称 12 到 15 小时录音时长，按每天十到二十次、每次几秒钟的习惯，理论能用两年。售价 80 美元，有人折算下来等于每年花 40 美元订阅。但也有人批评说不可充电在环保上是大错。
男：Oura 戒指可充电三年，每周充两次就行。这种对比确实会让人觉得 Index 的设计有点奇怪。但 Pebble 的逻辑可能是把戒指当成耗材而不是耐用品。好了，从电子产品到两千年的建筑材料，罗马混凝土有个新发现你想不想听听？
女：你指的是罗马马桶那个？
男：对。研究团队从罗马哈德良别墅的公共厕所底下取样，发现混凝土的内部孔隙和裂纹里充满了方解石。这种矿物是大气里的二氧化碳和混凝土里的钙化合物反应形成的，它能填满微裂纹，让结构自我修复，越变越强。
女：为什么偏偏选马桶座下面取样？
男：论文的共同作者保罗·蒙特罗说得特别实在，他说“没人会去修一个厕所，所以材料独自待了 19 个世纪，运行着一场没人能启动的实验”。这延续了 2023 年关于罗马混凝土自修复的研究思路。MIT 的材料科学家 Admir Masic 评价说，这证实了碳酸盐在这个过程中不是次要角色，而是起根本作用。
女：现代混凝土好像一百年左右就开始裂了。
男：关键原因是钢筋锈蚀导致开裂。罗马混凝土不用钢筋，就没这问题。用不锈钢钢筋或者纤维玻璃钢筋其实可以把寿命拉得很长，华盛顿州已经要求盐海上方的桥梁用不锈钢钢筋，总成本增加不到 10%。但说白了，结构工程师的工作是去掉所有不必要的部分，寿命只是多个设计指标之一。规模巨大的基础设施由税收付钱，造罗马标准不是不行，是公众往往觉得不划算。
女：而且评论区在提醒幸存者偏差。我们看到的罗马遗迹是经过两千年淘汰之后剩下的精品，大量普通混凝土早没了。
男：没错。1930 年代 WPA 项目留下的人行道有的至今完好，但同期劣质的早就被替换了，不是因为现代工艺有多差，而是那些差的版本已经不存在了。这让我想到一个有点哲学的问题：如果明知未来的需求无法预测，把大量资源投进一座追求千年的桥，可能真不如建一座百年的，让下一代用更好的技术重建。好了，既然聊到技术债和历史，咱们来看一份现代工程的完全相反的例子，TI 出的 USB Type-C 指南。
女：这个指南是那种能当技术手册用的吗？
男：完全可以。它是德州仪器出的，从接口基础、协议演进、信号完整性到芯片方案，都梳理了一遍。USB-C 本身是 24 引脚的连接器，靠 CC 引脚做线缆检测、方向识别和电流能力通告。基础模式下不用 USB PD 控制器，用两个电阻就能实现 5V、最大 3A 的供电。
女：那如果我要做更高功率的快充，就得用到 USB PD 了？
男：对。USB PD 通过 CC 线传协商消息，电压和电流可以动态提到最高 48V、5A，也就是 240 瓦。USB PD 3.1 引入了 28V、36V、48V 三档固定电压，还有一个叫 AVS 的可调模式，100 毫伏步进。整个过程是源端先发自己的能力列表，接收端请求具体电压电流，源端接受之后调 VBUS，发一个“可以了”的信号，接收端开始拉电流。
女：你说这个过程的时候，我脑子里浮现的是两个人在谈判。
男：差不多。还有更复杂的，数据角色互换和电源角色互换。一个笔记本连扩展坞，扩展坞可能是电力的源头，但在数据上充当设备端，这就是 PR Swap 和 DR Swap。交替模式是另一大块，可以把超速信号引脚重用于 DisplayPort 或 Thunderbolt。
女：但听起来这种复杂度对信号完整性的要求会很高。
男：对。USB4 需要 PCIe、USB3、DisplayPort 隧道，对插入损耗有严格预算，很多时候得上重定时器或者线性红驱。指南还提到 eUSB2 这个东西，它是低压物理层，解决 7 纳米以下工艺节点对 3.3V 电压不耐受的问题，用 1.2V 或 1V 信号，通过中继器跟普通 USB 2.0 设备兼容。
女：听起来是一份信息密度很高的文档。但评论区有人说它本质上是一份 TI 的软文。
男：确实有这个味道。有人抱怨想理解 5V 无 PD 方案的时候，得跳过好几页 PD 协议内容才能找到关键信息，指南最后那个“TI 控制器优势”章节直接推销自家集成 FET 和配置工具。这其实反映了一个现实：大厂技术文档常常把基础知识和商务推广混在一起，读的时候得带点甄别眼光。不过换个角度，USB-C 本身的设计确实挺优雅的，正反插、一根线解决充电视频数据传输，把复杂性藏在了协议层。
女：说到复杂性和竞争，咱们聊一个有点火药味的话题。Apple 最近给几十个跳槽去 OpenAI 的前员工发了法律信函，要求保留证据，牵涉一桩商业秘密盗窃案。这事你听说了吗？
男：听说了。Apple 指控 OpenAI 有组织地挖角硬件工程师，还指使他们在离职前窃取机密文档。Apple 说有确凿证据，一个叫 Chang Liu 的前员工离职后还用没归还的 Apple 笔记本访问内部服务器，下了大量文件，跟同事聊天时用“LOL”形容自己的行为。还有一个前高管 Tang Yew Tan，怀疑是策划者。
女：那 OpenAI 什么反应？
男：Apple 说他们向 OpenAI 通报之后，OpenAI 既没解雇涉事员工，也没开展内部调查，而是直接切断了法律沟通。评论区的反应挺分裂的。有一部分人觉得这超过了普通的竞业限制纠纷，直接复制代码和设计文件、还谎称 Apple 授权，性质完全不一样。
女：但另一部分人肯定在质疑 Apple 的动机。
男：没错。他们说 Apple 在 Siri 和 AI 上长期落后，这件事更像是拿法律手段拖慢潜在竞争对手。还有人说新任 CEO John Ternus 跟 OpenAI 硬件项目负责人 Tang Tan 有个人竞争，把私人恩怨带进了公司决策。
女：那 OpenAI 的硬件前景社区怎么看？
男：普遍不看好。好多人都说 Jony Ive 是工业设计师，不是平台构建者，他主导的所谓“AI 硬件设备”很可能重蹈 Humane 或者 Fire Phone 的覆辙。更深的担忧是，AI 模型本身没有护城河，用户随时可以在 ChatGPT、Claude、Gemini 之间切换，真正有壁垒的可能反而是绑定了办公套件的产品，比如 Google 的 Gemini 或者微软的 Copilot。如果 OpenAI 的硬件项目因为诉讼夭折，可能连 IPO 计划都受影响，甚至陷入财务困境。
女：这个故事里，代码、硬件、法律、个人恩怨搅在一起。说到底，技术竞争最终还是人的竞争，而人的动机从来都不是单线程的。对了，你最近有在用 LLM 写代码吗？
男：有。而且是又爱又恨的状态。
女：我读了一篇 Pydantic 的博文，Laura Summers 写了一种新的疲劳感，说代码“自己写”了，但你得不断审查、纠正、重写计划，同时承受一种前所未有的认知负担。我感觉这就是我说的那种状态。
男：她提出了一个关键概念叫“人类奖励函数问题”。过去手写代码，每一步都有小奖赏，想通逻辑、编译通过、代码跑起来，多巴胺一直有。LLM 把这些环节全自动化了，留给你的只有审查和修复，但没生成新的奖励。她的同事 Douwe 每天早上醒来面对 30 个 AI 自动生成的 PR，要快速判断质量。他说过一句话，让我印象很深：“让 AI 去审查 AI 的诱惑巨大，但真要那样的话，我还在这里做什么？”
女：我也有类似的经历。花两天时间写需求，细节描述得不能再清楚了，LLM 还是犯低级连贯性错误，读错计划、凭空编造不存在的组件。这不是能力问题，是意图保持上的失败。有评论说，这种感觉“不像完成工作，更像一直乘着一波波生产力浪头，但从不感到满足”。
男：Summers 还引用了 Berkeley Haas 的一项研究，基于大概 40 次定性访谈，说 AI 增加了工作的强度。你会熬夜反复打磨一个 prompt，因为总觉得“就差一点了”。这是一种类似 Skinner Box 的反馈机制，退出变得很难。编程也变得更孤独了。跟同事的自然交流被替换成另一个 prompt。
女：但有一个人反而觉得这种孤独像年轻时一个人写游戏的那种快乐，身边没有同伴，只有自己和问题。
男：对，但那可能是少数。大多数人觉得，跟人类同事沟通的社交成本，照顾情绪、平衡意见，都被 LLM 抹掉了，反而让审查更容易了。区别在于，致力于快速交付产品的人可能觉得只要用户开心就好，注重过程和手艺的人会觉得 AI 毁了“工匠感”。最有意思的一个评论是：“代码从来不是瓶颈，我从来没觉得写代码是难事，难的是把复杂系统整合在脑子里。”如果这个判断成立，AI 的主要吸引力可能集中在那些还没精通工具链的开发者身上。
女：还有一个细节很妙，有人检测出 Summers 那篇文章本身是 AI 写的。一篇关于人类疲劳的论述被发现大概率是 AI 生成，这个反讽让整个讨论更复杂了。
男：有人直接模仿 AI 的说话方式调侃说：“那种损失是真实的，值得命名——谢谢 Claude。” 这种对 AI 写作风格的敏锐识别，本身就是一种新的疲劳形式。Summers 用响应式设计做类比收尾，说那时设计师也恐惧和抵抗，但核心技能，比例、层次、系统思维，最终活了下来，只是形态变了。她认为你需要更高的品味和更深的专业判断，因为你是质量的最后把关人。
女：最终回到一个点，瓶颈从来不是代码，是人的注意力、判断力和系统愿景。这个瓶颈终于暴露出来了，稀缺资源依然有价值。但这不意味着疲劳是正常的，承认疲劳并把它当作工程问题来解决，而不是当个人失败，才是下一步。说到代码层面，我最近看到一个东西叫 Solod，是 Go 的一个子集，能翻译成可读的 C11 代码。你觉得这东西有价值吗？
男：它的思路挺清晰的。没有垃圾回收、没有引用计数、没有隐藏分配，默认栈分配，堆可以选。支持结构体、方法、接口、切片、映射、多返回值还有 defer，标准库从 Go 移植。最吸引人的一点是，它可以直接从 Go 调用 C 或者从 C 调用 So，不用 CGO。因为 So 本身是合法的 Go 代码，现有的 Go 工具链都能用，语法高亮、LSP、linting、go test 全开箱即用。
女：直接合法 Go 代码？那这个思路确实省了不少事。但有人提了一个问题，说写了变量名叫 register 的 So 代码，生成的 C 代码把 register 原样保留了，跟 C 关键字冲突编译失败。
男：对，So 目前直接发射用户标识符，不做重命名，类似 Protobuf 里不同语言关键字碰撞的问题。有人建议加前缀或者做名称编排，但那样又损害可读性。而生成可读的 C 是 So 的目标之一，所以这个取舍还在摇摆。
女：内存安全呢？不是说 Go 的强项吗？
男：So 在内存安全上让步很大。代码示例里会返回指向栈上变量的指针，比如 return &p，这在 C 里是未定义行为。FAQ 直接承认“So 本身不阻止悬垂指针”，只提供数组越界 panic 保护，推荐配合 AddressSanitizer 用。好几个人说这远不如 Go 原生的内存安全，更像“带 Go 语法的 C”而不是“安全的 Go 子集”。
女：那它标榜自己是“更好的 C”，争议不小吧。
男：争论很广。支持者觉得 Go 的并发模型、工具链和类型安全已经让它成为更好的 C。反对者说垃圾回收排除了系统编程的核心领域，嵌入式、内核、实时系统。有人列举历史上用 GC 语言写的操作系统例子，比如 Cedar、Singularity，说“Unix 克隆思维限制了视野”。但也有人坚持“更好的 C”必须拥有手动内存管理，GC 是硬性障碍。
女：听着像两个哲学流派在对话。子集语言本身好像也有一些结构性局限。
男：有人指出 linter 会接受完整 Go 语法，而不是 So 的子集，任何越出子集的代码都会静默通过。标准库移植可能永远比原生 C 库小。当你需要依赖外部库的时候，So 的生态缺口会迫使你写原生 C 或者重新实现。作者也理解这些限制，建议大家冷静尝试或者关注概念，毕竟项目还在 v0.2 阶段，v0.3 打算加入并发支持。
女：从一个小语言的挣扎，往大了看，开放权重模型的生态现在是什么状况？
男：一份报告给出了几个数字。Chatbot Arena 数据里，开放权重模型跟封闭模型的能力差距在 2024 年 8 月一度缩小到 0.5%，后来因为封闭推理模型领先又回升到 3.3%。但这个差距主要落在推理、长上下文检索和代理任务上。编码、指令遵循和通用知识方面已经基本持平了。更惊人的是推理成本，三十六个月内下降了 31 倍，GPT-4 级别模型每百万 token 从 20 美元跌到 0.4 美元。OpenRouter 上的 token 流量，排前五的模型全是开放的，其中 DeepSeek V4 Flash 以 18.4T token 领跑。
女：那真是大逆转，以前都是封闭模型的天下。但开放不等于好用吧？
男：对。Mozilla 和 SlashData 的开发者调查显示，79% 的开发者用开放模型，71% 用封闭模型，有一半重叠。但只有 51% 的开放团队把模型投了生产环境，封闭模型是 63%。差距在运维工具和信任上，不在模型能力。具体痛点包括性能不够好、集成到现有系统困难、持续维护更新、文档不足、部署扩展复杂。一个对 AI 堆栈九层面四十八个组件的评估说，开放生态在模型组件和基础框架上得分很高，但在标准化和企业化上得分最低。这就是运营差距的根本原因。
女：但开放权重已经是一个千亿美元级别的商业市场了。
男：Databricks 年化收入 54 亿美元，Mistral 十二个月内增长 20 倍达到约 4 亿美元 ARR，DeepSeek 大约 2.2 亿美元收入，最近以超过 500 亿美元估值融资 74 亿美元。五种收入模型都跑通了，托管推理、企业平台、本地部署许可、微调服务、编排工具。但反过来，封闭前沿模型的 token 计费模式在生产规模下正在破裂。微软几个月就烧掉年度 AI 预算，正在取消 Claude Code 许可证，改用 Azure 托管的 DeepSeek V4。Uber 四个月用光了 2026 年全年的 AI 编码预算。Stripe 通过自托管 vLLM 把推理成本砍了 73%，用三分之一的 GPU 集群处理了相同的五千万次日常 API 调用。自托管把运营支出变成固定成本。
女：还有一个战略层面的价值，主权。
男：超过七十个国家发布了 AI 国家战略。2026 年 6 月，Anthropic 因一项出口命令被迫切断所有外国国民对 Claude Fable 5 的访问，没有选择性合规的余地。开放权重给了退出权，没人能关掉你本地机器上运行的副本。而中国是最大的开放权重来源，阿里巴巴的 Qwen 在 Hugging Face 上累计下载 9.42 亿次，Meta 的 Llama 是 4.76 亿次。OpenRouter 上中国开放模型的 token 占比从 2024 年底的不到 2% 升到 2026 年 4 月的 45% 以上，用量前十的模型里占了约 61%。
女：新的前沿在哪里？
男：在代理层。Terminal-Bench 的测试显示，第三方脚手架曾在 Anthropic 权重上远超实验室自家脚手架，差距达到 21.8 个百分点。但两个月后的新版本，实验室收紧控制，每个模型上自家脚手架都胜出，差距缩小到约三个百分点。集成正在成为护城河。但放在同一个中性脚手架上，最强开放模型跟 Claude Opus 4.8 的差距只有大约四个百分点，成本却只是五分之一。还没解决的核心问题是代理人权限模型，目前没有可移植的标准去定义代理在哪些操作上可以跳过人类批准。这导致同意疲劳和安全性问题。
女：报告最后好像提了五个赌注。
男：构建与开放权重协同设计的开放代理层，拥有记忆层也就是可移植的仅追加格式，解决可移植的权限标准，打破计费模式以便在 2027 到 2028 年定价促销结束前做第二来源，让开放默认值多元化避免单一来源控制公共空间。最关键的信号是代理层正在形成垂直整合，窗口正在关闭。封闭实验室在焊接模型和脚手架，而开放版本还没有构建起来。
女：所以本质上，开放模型的代码能力够了，但开发者体验还不够。最后一块拼图是让人用起来不累。
男：对，这跟之前聊的 LLM 疲劳是同一个问题：人类注意力才是真正的瓶颈，不是 token 的价格。
女：好了，天都快聊黑了。从 AWS 一张膨胀十亿倍的账单，到我们大脑怎么在鸡尾酒会上切换注意力，再到 Pebble 的坦诚更新、罗马混凝土的自愈秘密、USB-C 协议的优雅谈判、Apple 和 OpenAI 的人事官司、AI 写代码带来的监督疲劳，以及 Go 语言对 C 的一厢情愿，最后落脚到开放模型的生态棋局，这些话题说到底都在讲一件事：系统越大，复杂性越深，人类的注意力、判断力和对质量的执着就越值钱。
男：所以下次你凌晨三点被警报吵醒，可能不是系统崩了，是系统的系统崩了。但修复它的还是人。
女：这就是今天这期节目想说的。感谢你听到最后。如果你用泛用型播客客户端，记得订阅我们，下期见。
男：再见。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。