跳至内容
网昱智算
  • 首页
  • 关于网昱
  • 专业服务
  • 服务与支持
    • 联系我们
    • 保修政策
    • 保修期查询
  • 网昱产品
    • 静音工作站
    • GPU算力服务器
      • 4 GPU服务器
      • 8 GPU服务器
    • 国产信创
    • 通用型服务器
    • 存储服务器
  • 技术文档
    • 强哥聊算力
    • 高校智慧教育
    • 企业智能制造
    • 互联网计算平台
    • 智能公共算力
网昱智算
  • 首页
  • 关于网昱
  • 专业服务
  • 服务与支持
    • 联系我们
    • 保修政策
    • 保修期查询
  • 网昱产品
    • 静音工作站
    • GPU算力服务器
      • 4 GPU服务器
      • 8 GPU服务器
    • 国产信创
    • 通用型服务器
    • 存储服务器
  • 技术文档
    • 强哥聊算力
    • 高校智慧教育
    • 企业智能制造
    • 互联网计算平台
    • 智能公共算力

互联网计算平台

19
  • GPU服务器存储升级案例:训练数据读写慢如何通过NVMe与分层存储解决
  • 双GPU本地大模型推理服务器案例:中小企业如何低成本启动AI应用
  • 企业AI Agent服务器案例:本地模型、工具调用与业务系统集成
  • 金融风控AI推理服务器案例:内网模型服务如何兼顾合规与响应速度
  • 游戏美术AIGC服务器案例:角色概念图、场景素材与本地模型微调
  • 电商客服AI推理服务器案例:私有知识库与本地大模型如何落地
  • 软件公司代码大模型服务器案例:本地推理如何服务研发团队
  • GPU服务器监控与告警怎么做:温度、显存、任务和磁盘都要看
  • 多GPU服务器组网怎么选:AI训练平台的网络与存储基础
  • 向量数据库需要GPU服务器吗:RAG知识库算力与存储规划
  • 大模型推理并发怎么估算:本地AI服务器配置前的关键问题
  • GPU资源池建设入门:从单机多卡到多用户共享平台
  • 私有化知识库问答服务器配置建议:RAG场景如何规划算力
  • 中小团队AI推理服务器选型:并发、显存与成本怎么平衡
  • 从构想到实现:某科技公司AI模型训练的算力服务器解决方案
  • 轻量化算力方案:某科技公司的AI研发算力服务器定制案例
  • 超越极限:某科技公司高性能算力服务器解决方案
  • 某科技公司AI与科学计算算力服务器解决方案
  • 高性能算力服务器解决方案:为某科技公司提供网昱算力服务器计算平台

高校智慧教育

24
  • 高校图书馆AI知识库服务器案例:本地大模型如何服务文献检索与问答
  • 高校计算机实验室GPU服务器升级案例:从传统教学机房到AI科研平台
  • 高校本地大模型部署案例:DeepSeek/Qwen教学科研服务器配置思路
  • 职业院校AI实训室GPU服务器案例:教学、竞赛与项目实训如何共用算力
  • 学院级共享AI算力平台案例:多课题组GPU资源如何统一管理
  • 科研课题组RTX 4090 GPU服务器案例:小团队如何控制预算做深度学习训练
  • 高校AIGC实验室GPU服务器建设案例:从单机训练到课题组共享算力
  • 高校GPU算力平台日常维护要点:管理员需要关注哪些指标
  • AI实验室数据存储怎么规划:训练盘、共享盘与归档空间的区别
  • 科研GPU服务器软件环境部署指南:驱动、CUDA、容器与框架怎么配
  • 高校AI算力预算怎么规划:GPU服务器采购前的配置与成本拆解
  • 多课题组共享GPU服务器怎么规划权限与资源配额
  • 高校科研算力平台验收清单:GPU服务器到货后要测试什么
  • 高校AI实验室GPU服务器配置怎么选:从课题组到学院共享平台
  • 高校算力服务器采购价格解析:如何用有限预算获得最大算力回报?
  • 助力全球领先科研,某大学研究团队的高端算力服务器解决方案
  • 打造极致算力:某科技大学AI实验室的GPU算力服务器定制解决方案
  • 推动科研进步:某科技大学科研团队的高性能算力服务器解决方案
  • 某科研团队高性能科学计算解决方案
  • 某科技大学科研团队的科学计算算力服务器解决方案
  • 某科技大学科研团队的算力服务器解决方案
  • 高性能算力服务器解决方案:为某科技大学科研团队提供网昱算力服务器计算平台
  • 高性能算力服务器解决方案案例:为某科学院某研究所提供8张RTX 4090 GPU卡的计算平台
  • 算力服务器解决方案案例分析:为电子某大学科研团队提供高效科学计算支持

企业智能制造

22
  • 检测实验室AI数据分析服务器案例:仪器数据、图像识别与报告辅助
  • 法律行业私有大模型服务器案例:合同审查与知识库问答本地部署
  • 汽车研发AI训练服务器案例:自动驾驶数据处理与模型迭代算力方案
  • 生物医药分子建模AI工作站案例:小团队如何部署本地GPU算力
  • 能源勘探AI分析GPU服务器案例:地震数据处理与模型训练平台
  • CAE仿真与AI训练共用GPU服务器案例:企业研发平台的算力整合
  • 医疗影像AI训练服务器案例:本地GPU算力如何支持模型研发与数据安全
  • 企业私有化知识库服务器案例:RAG问答系统如何选择本地AI算力
  • 智能制造视觉质检GPU服务器案例:缺陷检测模型训练与产线推理部署
  • CAE仿真与AI训练共用GPU服务器可行吗:企业研发平台规划建议
  • AI工作站和GPU服务器怎么选:企业研发团队的选型建议
  • 工业AI私有化部署为什么重要:数据安全、模型权限与本地算力
  • 企业AI项目从POC到生产部署:GPU服务器配置如何升级
  • 企业GPU服务器上架前的供电、散热与噪音评估
  • 机器视觉AI服务器配置建议:训练、推理与数据存储怎么配
  • 企业部署本地大模型服务器前要确认的10个问题
  • 网昱G8-i5c2 GPU服务器测评:定制服务器如何突破企业计算难题
  • 超级算力之王:为某科技公司打造终极深度学习服务器解决方案
  • 某药物研发公司的高性能计算药物筛选算力服务器解决方案
  • 某生物科技公司基因组分析与药物研发算力服务器解决方案
  • 某科技公司金融数据分析算力服务器解决方案
  • 某影视制作公司的算力服务器解决方案

智能公共算力

18
  • 多校区GPU算力平台联网案例:科研资源如何跨校区共享
  • 区县AI算力服务平台案例:面向本地企业的GPU资源池建设
  • 政企私有AI知识库平台案例:本地算力如何支撑安全可控问答服务
  • 城市级智算中心GPU服务器交付案例:上架、网络、调度与验收如何落地
  • 智慧园区视频AI推理节点案例:边缘GPU服务器如何稳定处理多路视频
  • 科研院所HPC与AI融合算力平台案例:CPU计算、GPU训练与共享存储
  • 公共AI算力平台一期建设案例:先可用、再扩容的GPU集群方案
  • AI算力平台如何分期建设:一期可用、二期扩容、长期演进
  • 智算平台机房准备清单:供电、制冷、机柜与网络如何提前确认
  • GPU集群性能瓶颈不一定在GPU:存储、网络和调度同样关键
  • 公共AI算力平台运营模式:免费试用、配额管理与资源计量
  • 边缘AI推理节点部署建议:小型算力平台如何稳定运行
  • 智算中心GPU服务器交付验收清单
  • 公共算力平台建设方案:节点、调度、存储与运维要点
  • 成都某数据中心GPU服务器部署项目|技术落地案例分享
  • 某气象研究所的高精度气象模拟算力服务器解决方案
  • 某环保科技公司气候模拟与环境大数据分析算力服务器解决方案
  • 未来医疗的算力支柱:网昱深度学习服务器助力某医疗研究机构

行业资讯

28
  • 赋能教育数字化,共探算力新未来|网昱智算邀您共赴第 87 届中国教育装备展示会
  • CITE2026 盛大开幕|强民科技携网昱品牌算力产品亮相深圳
  • 三度入围川省框架采购 强民科技以本土算力赋能数字四川建设
  • 智算赋能,共赴未来 | 网昱算力诚邀莅临2026第三届AI算力产业大会暨展览会
  • 四川强民科技加入中国教育装备行业协会 网昱算力获教育行业权威认可
  • 中国调查Nvidia H20芯片安全风险:地缘政治与科技博弈加剧
  • Nvidia成为全球首家4万亿美元市值公司:AI革命的巅峰象征
  • OpenAI转向Google AI芯片支持ChatGPT:AI算力市场的新转折
  • 华为AI CloudMatrix挑战英伟达GB200:技术突破与争议并存
  • 英伟达新款芯片在AI训练中取得突破:算力效率再升级
  • Tom’s Guide AI Awards 2025:最佳AI设备与工具揭晓,GPU性能成焦点
  • 英伟达持续领跑AI芯片市场:Blackwell架构创新再掀热潮
  • AMD推出Ryzen Threadripper 9000系列处理器:为AI与专业工作负载注入新动力
  • 英伟达发布GeForce RTX 5060笔记本电脑GPU:游戏与创作性能再突破
  • 英伟达计划推出符合出口管制的H20芯片改版:应对政策挑战,稳固中国市场
  • 华为自研GPU与英伟达GPU对比,究竟是什么样的水平?
  • 光计算机处理器突破:AI处理速度飙升至GPU的295倍,引领算力新纪元
  • Nvidia面临出口限制冲击:AI芯片霸主地位能否延续?
  • IBM深度学习芯片AIU的突破:企业AI的算力新星与技术挑战
  • 中国教育AI革命:算力驱动的未来与挑战
  • 算力服务器供应危机:Nvidia RTX 50 系列的辉煌掩盖了致命隐患?
  • 深度学习在生物研究中的突破——FragFold 的详细分析
  • DeepSeek 本地部署的行业应用建议:释放 AI 潜能的实用指南
  • DeepSeek 本地部署全攻略:从零到精通的保姆级教程
  • DeepSeek-R1优化突破:单卡4090也能跑满血大模型
  • 国产AI算力崛起:华为与伙伴联手挑战GPU霸主
  • DeepSeek从入门到精通——探索 DeepSeek本地部署的智能之旅
  • DeepSeek引发全球AI竞赛,低成本AI模型震撼业界

强哥聊算力

86
  • 《算力江湖·文心一言》第四集:DeepSeek之后,百度为什么转向开源文心?
  • 《算力江湖·文心一言》第三集:百度为什么要同时做芯片、框架、模型和云?
  • 《算力江湖·文心一言》第二集:大模型如何重新塑造百度搜索?
  • 《算力江湖·文心一言》第一集:百度起跑很早,为什么没有一直站在聚光灯下?
  • 《算力江湖·豆包》第四集:豆包要争夺的,是下一代AI入口
  • 《算力江湖·豆包》第三集:高校科研需要什么样的AI算力?
  • 《算力江湖·豆包》第二集:模型进入“厘时代”,为什么GPU反而更紧张?
  • 《算力江湖·豆包》第一集:字节已经有抖音,为什么还要再造一个豆包?
  • 《算力江湖·DeepSeek》第四集:DeepSeek如何改变中国算力的采购逻辑?
  • 《算力江湖·DeepSeek》第三集:模型开源以后,为什么大家都想把AI搬回机房?
  • 《算力江湖·DeepSeek》第二集:效率提升以后,为什么市场反而更需要GPU?
  • 《算力江湖·DeepSeek》第一集:一个量化团队,为什么突然杀进大模型?
  • 《算力江湖·通义千问》第四集:阿里真正想争的,是AI时代的新入口
  • 《算力江湖·通义千问》第三集:从聊天到Agent,大模型如何进入真实业务?
  • 《算力江湖·通义千问》第二集:模型可以免费下载,为什么企业反而更需要GPU?
  • 《算力江湖·通义千问》第一集:ChatGPT引爆大模型竞赛,阿里为什么必须做通义千问?
  • 《算力江湖·长鑫》第5集:未来真正决定AI胜负的,不只是GPU,而是整个存储生态。
  • 《算力江湖·长鑫》第4集:长鑫上市,为什么整个芯片圈都沸腾了?资本真正下注的,不只是一家公司。
  • 《算力江湖·长鑫》第3集:AI爆发之后,长鑫为什么突然迎来了机会?真正改变世界的,不只是GPU。
  • 《算力江湖·长鑫》第2集:一颗内存芯片,为什么能难倒全世界?长鑫真正的考验才刚刚开始
  • 《算力江湖·长鑫》第1集:全球三大巨头守了二十年的城,中国为什么还要造自己的内存?
  • 《算力江湖·沐曦》第5集:国产GPU的终局之战:沐曦能否打破英伟达30年的护城河?
  • 《算力江湖·沐曦》第4集:国产GPU群雄争霸:沐曦为什么选择一条最难走的路?
  • 《算力江湖·沐曦》第3集:ChatGPT改变了GPU战争,国产GPU终于等来了属于自己的时代
  • 《算力江湖·沐曦》第2集:GPU最难的不是造出来,而是让别人愿意用它
  • 《算力江湖·沐曦》第1集:英伟达已经赢了,为什么还有人选择重新造GPU?
  • 《算力江湖·寒武纪》第5集:真正决定国产AI芯片未来的,不是一块芯片,而是一整个算力时代
  • 《算力江湖·寒武纪》第4集:AI泡沫破裂后,寒武纪是怎么熬过寒冬的?
  • 《算力江湖·寒武纪》第3集:寒武纪为什么没能成为下一个英伟达?真正的差距,不是芯片,而是生态。
  • 《算力江湖·寒武纪》第2集:一盘围棋,让寒武纪一夜成名
  • 《算力江湖·寒武纪》第1集:两个年轻人,为什么敢挑战英伟达?
  • 基层医疗机构算力支撑落地案例|新津卫生院2U双路机架服务器部署
  • 《算力江湖·AMD逆袭史》第一集:硅谷最会卖梦的人,如何创办AMD?
  • 《算力江湖·国产GPU突围:摩尔线程故事》第二集:国产GPU为什么不能只会跑AI?摩尔线程押注“全功能GPU”
  • 《算力江湖·国产GPU突围:摩尔线程故事》第一集:从英伟达老将到国产GPU创业者:张建中为什么要做摩尔线程?
  • 《算力江湖·Intel帝国往事》第五集:AI时代迟到的巨人:Intel还能不能翻身?
  • 《算力江湖·Intel帝国往事》第一集:两个仙童“叛徒”,如何点燃硅谷第一王朝?
  • 《算力江湖·AMD逆袭史》第五集:AI时代,AMD还能不能撕开英伟达的护城河?
  • 《算力江湖·AMD逆袭史》第四集:苏姿丰接手时,AMD已经快没有退路了
  • 《算力江湖·AMD逆袭史》第三集:54亿美元买下ATI:神来之笔,还是自我拖累?
  • 《算力江湖·AMD逆袭史》第二集:K8一战封神:AMD第一次把Intel打疼了
  • 《算力江湖·国产算力突围:海光成长史》第五集:国产算力真正的突围,不是能用,而是好用、敢用、规模化
  • 《算力江湖·国产算力突围:海光成长史》第三集:从采购清单到机房业务,海光CPU怎样打进关键行业?
  • 《算力江湖·国产算力突围:海光成长史》第二集:拿到x86入场券,海光为什么选择最现实的突围路线?
  • 《算力江湖·英伟达传奇》第八集:一块GPU卖几十万,客户到底在买什么?
  • 《算力江湖·英伟达传奇》第七集:ChatGPT出现前夜,英伟达发生了什么?
  • 《算力江湖·英伟达传奇》第六集:AI爆发前,黄仁勋其实赌输了很多次
  • 《算力江湖·英伟达传奇》第五集:为什么AMD总差最后一口气?
  • 《算力江湖·英伟达传奇》第四集:CUDA到底厉害在哪里?强哥给你讲明白
  • 《算力江湖·英伟达传奇》第三集:很多人以为英伟达靠GPU成功,其实错了
  • 《算力江湖·英伟达传奇》第二集:创业第一款产品失败,为什么英伟达没有死?
  • 《算力江湖·国产GPU突围:摩尔线程故事》第五集:国产GPU真正的突围:不是上市,也不是跑分,而是进机房长期跑起来
  • 《算力江湖·国产GPU突围:摩尔线程故事》第四集:从图形到AI:摩尔线程为什么必须冲进大模型赛道?
  • 《算力江湖·国产GPU突围:摩尔线程故事》第三集:MUSA生态:国产GPU真正难的,不是芯片,是让开发者愿意用
  • 《算力江湖·Intel帝国往事》第四集:Intel最危险的傲慢:手机没上车,工艺也掉队了
  • 《算力江湖·Intel帝国往事》第三集:安迪·格鲁夫的铁血时代:Intel为什么能把对手逼到墙角?
  • 《算力江湖·Intel帝国往事》第二集:IBM递来一张船票,Intel坐上了PC时代的火箭
  • 《算力江湖·国产算力突围:海光成长史》第四集:AI时代不能只靠别人家的卡,海光DCU背后的国产算力野心
  • 《算力江湖·国产算力突围:海光成长史》第一集:被卡住的底层算力,为什么中国需要一个“海光”?
  • 《算力江湖·英伟达传奇》第一集:黄仁勋9岁被送错学校,这件事影响了英伟达30年
  • 高校科研 AI/GPU 服务器怎么选型?深耕算力交付多年,聊聊高校采购落地实操
  • AI训练服务器配置方案:为什么很多GPU服务器“参数很高”,实际训练效率却并不高?
  • 5090显卡服务器实测:为什么越来越多科研团队开始用5090做AI算力?
  • A100 GPU服务器科研团队交付案例:一套真正能长期稳定运行的科研算力平台,应该怎么做?
  • 网昱工作站推荐:国产海光平台的安全与性能双优选择
  • 算力服务器工作站厂商如何突破算力基础设施困境
  • 强哥看《Steam, Steel, and Infinite Minds》:AI 不是“无限心智”的降临,而是一场昂贵而现实的工业革命
  • 蒸汽、钢铁与无限心智(Steam, Steel, and Infinite Minds)全文
  • RTX 5090 vs A100:训练效率全面对比与实战建议
  • 高校 AI 算力平台部署全指南:强哥从技术与实践层面拆解方案
  • 强哥聊算力:从黄仁勋“五层结构”看中美 AI 竞争的真实落点
  • 高校 GPU 科研集群该怎么搭?强哥告诉你:别被参数忽悠,能跑实验才是硬道理
  • 为什么高校科研 GPU 集群总是不够用?强哥从底层架构讲清楚:该怎么搭,才能跑得快、跑得稳、还能扩展十年
  • NVIDIA 黄仁勋勾勒 AI 十年蓝图:6G、量子、机器人、自动驾驶 全面开花
  • 研究所的AI算力革命:强哥谈GPU服务器配置与科研场景方案
  • AI训练服务器推荐:高校科研的高效算力基石
  • GPU 服务器配置深度指南:我在高校科研一线的实战分享
  • ChatGPT 操作系统来临,科研算力体系迎来新拐点—— 从高校科研到企业创新,AI 平台化时代对GPU服务器的全新考验
  • 从显卡到架构:我这些年为科研团队搭建 AI 训练服务器的经验谈
  • 科研 GPU 服务器的性能、稳定性与故障率解析——强哥给科研团队的专业建议
  • 科研服务器性价比如何提升?高校与科研团队选型指南
  • AI训练服务器显卡配置怎么选?最新5090方案深度解析来了!
  • AI服务器租赁 vs 自建成本分析:2025年技术选型与优化指南
  • 高性能 GPU 服务器价格深度解析:科研团队如何选到合适的方案
  • AI服务器如何选?强哥带你看懂英伟达 DGX、HGX 与 MGX 的真正区别
  • RTX 5090 vs 专业级算力卡:科研与AI训练如何选型最优?
View Categories

蒸汽、钢铁与无限心智(Steam, Steel, and Infinite Minds)全文

网昱智算

内容摘要:“脑力”正在迅速贬值!文中,将AI类比19世纪的钢铁、20世纪的半导体,称其为定义新时代的”奇迹材料”。

以下是全文翻译:

每个时代都有属于它的划时代介质。钢铁锻造了镀金时代,半导体点亮了数字时代。而今天,AI 正以“无限心智”的姿态登场。历史反复证明:谁掌握了核心材料,谁就定义了那个时代。

图丨左:少年时期的安德鲁·卡内基和他的弟弟。右:镀金时代的匹兹堡钢铁厂(来源:X)

19 世纪 50 年代,安德鲁·卡内基还是个在匹兹堡泥泞街道上奔跑的电报童。那时,六成美国人以务农为生。仅仅两代人的时间,卡内基和他的同辈便锻造出了现代世界:马车让位于铁路,烛火让位于电灯,生铁让位于钢铁。

自那以后,工作从工厂转移到了办公室。如今,我在旧金山经营一家软件公司,为数百万知识工作者打造工具。在这座科技重镇,人人都在谈论 AGI(通用人工智能),但全球二十亿办公室工作者中的大多数,尚未真正感受到它的存在。知识工作很快会变成什么样?当组织架构开始吸纳那些永不休眠的“思维”时,会发生什么?

图丨早期电影看起来就像舞台剧,只有一台摄影机对准舞台(来源:X)

未来往往难以预测,因为它总是伪装成过去的模样。早期电话像电报一样惜字如金,早期电影不过是把舞台剧拍下来。正如马歇尔·麦克卢汉所说:“我们总是透过后视镜驶向未来。”

我没有关于未来的全部答案。但我喜欢借助几个历史隐喻来思考 AI 如何在不同尺度上发挥作用,从个人到组织,再到整个经济。

个人层面:从自行车到汽车 #

最早的变化迹象,出现在知识工作的“大祭司”们身上:程序员。

我的联合创始人 Simon 曾是我们所说的“10 倍程序员”,但他现在几乎不亲自写代码了。走过他的工位,你会看到他同时协调三四个 AI 编程智能体,它们不只是打字更快,它们会思考。这让 Simon 成了一个 30 到 40 倍效率的工程师。他会在午餐前或睡前排好任务队列,让这些智能体在他不在时继续工作。他成了“无限心智”的管理者。

1980 年代,乔布斯把个人电脑比作“思维的自行车”。十年后,我们铺设了名为互联网的“信息高速公路”。但时至今日,大多数知识工作仍然由人力驱动。就好像我们一直在高速公路上骑自行车。

有了 AI 智能体,像 Simon 这样的人已经从骑自行车升级到了开汽车。

其他类型的知识工作者什么时候也能开上“汽车”?有两个问题必须解决。

第一,上下文碎片化。对于编程来说,工具和上下文往往集中在一处:IDE、代码仓库、终端。但一般的知识工作分散在几十个工具里。想象一个 AI 智能体试图起草一份产品简报:它需要从 Slack 对话、战略文档、上季度的数据仪表盘,甚至只存在于某人脑子里的组织记忆中提取信息。如今,人类充当着“粘合剂”,通过复制粘贴和在浏览器标签页之间切换来拼凑一切。除非这些上下文被整合起来,否则智能体只能困在狭窄的应用场景里。

第二个缺失的要素是可验证性。代码有一种神奇的特性:你可以通过测试和报错来验证它。模型开发者利用这一点训练 AI,让它在编程方面越来越强(比如强化学习)。但你怎么验证一个项目管理得好不好,或者一份战略备忘录写得如何?我们还没有找到改进模型以处理一般知识工作的方法。所以,人类仍然需要“在回路中”(in the loop)监督、引导,并示范什么是好的成果。

今年编程智能体的发展告诉我们,“人类在回路中”并非总是理想状态。这就像让人亲自检查流水线上的每一颗螺栓,或者走在汽车前面给它开道(参见:1865 年的《红旗法案》)。我们希望人类从一个更有杠杆效应的位置来监督这些循环,而不是被困在里面。一旦上下文被整合、工作变得可验证,数十亿工作者就能从“骑自行车”升级到“开车”,再从“开车”升级到“自动驾驶”。

组织层面:钢铁与蒸汽 #

公司是一种晚近的发明。它们在扩张过程中会逐渐衰退,并最终触及极限。

几百年前,大多数公司不过是十几个人的作坊。如今我们有了拥有几十万员工的跨国企业。人脑通过会议和消息连接而成的通信基础设施,在指数级增长的负载下不堪重负。我们试图用层级、流程和文档来解决这个问题。但我们一直在用人类尺度的工具解决工业级的问题,就像用木头建摩天大楼。

两个历史隐喻可以展示,有了新的“奇迹材料”,未来的组织会是什么样子。

图丨钢铁的奇迹:伍尔沃斯大厦于 1913 年在纽约建成,当时是世界最高建筑。(来源:X)

第一个是钢铁。在钢铁出现之前,19 世纪的建筑最高只能建到六七层。生铁虽然坚固,但又脆又重;层数一多,建筑就会在自身重量下坍塌。钢铁改变了一切。它既坚固又具有韧性。框架可以更轻,墙壁可以更薄,建筑突然可以升至几十层。新型建筑由此成为可能。

AI 是组织的钢铁。它有潜力在工作流程中维护上下文,在需要时呈现决策,而不产生噪音。人类的沟通不再必须是承重墙。每周两小时的对齐会议可能变成五分钟的异步审核。需要三层审批的高管决策可能很快就能在几分钟内完成。公司可以真正地扩张,而不必承受我们以为无法避免的那种组织退化。

第二个故事是关于蒸汽机的。在工业革命初期,早期的纺织厂坐落在河流和溪流旁边,靠水车驱动。当蒸汽机问世时,工厂主最初只是把水车换成了蒸汽机,其他一切照旧。生产力的提升很有限。

真正的突破发生在工厂主意识到他们可以完全摆脱对水源的依赖之后。他们在更靠近工人、港口和原材料的地方建起了更大的工厂。他们围绕蒸汽机重新设计了工厂(后来,当电力出现时,工厂主进一步去中心化,不再依赖一根中央动力轴,而是在工厂各处为不同机器安装小型电机)。生产力由此爆发,第二次工业革命真正启动了。

我们仍处于“把水车换成蒸汽机”的阶段。AI 聊天机器人像螺丝一样被拧到现有工具上,我们还没有重新想象:当旧的约束消失、公司可以靠在你睡觉时仍在工作的“无限心智”来运转时,组织会是什么样子。

在 Notion,我们一直在做实验。除了 1,000 名员工之外,现在还有超过 700 个智能体在处理重复性工作。它们做会议记录,回答问题以整合组织知识,处理 IT 请求,记录客户反馈,帮助新员工熟悉员工福利,撰写周报以免大家再复制粘贴。而这只是刚刚起步。真正的收益,只受限于我们的想象力和惯性。

经济层面:从佛罗伦萨到超级都市 #

钢铁和蒸汽不仅改变了建筑和工厂,还改变了城市。

直到几百年前,城市还是人类尺度的。你可以在四十分钟内走遍佛罗伦萨。生活的节奏由一个人能走多远、声音能传多远来决定。

然后,钢框架使摩天大楼成为可能。蒸汽机驱动的铁路将市中心与腹地连接起来。电梯、地铁、高速公路相继出现。城市在规模和密度上爆炸式增长。东京、重庆、达拉斯。

这些不只是更大号的佛罗伦萨,它们代表着不同的生活方式。超级都市令人眩晕、匿名、更难导航。这种“不可读性”是规模的代价。但反过来,它也释放了前所未有的机会和自由:更多的人、用更多的方式、在更多的组合里做更多的事;这类密度与复杂度,放在一座以步行尺度运转的文艺复兴城市里,根本无从承载。

我认为知识经济即将经历同样的转变。

今天,知识工作占美国 GDP 的近一半。其中大部分仍以人类尺度运转:几十人的团队、由会议和邮件决定节奏的工作流、组织一旦超过几百人就开始“拧巴”。我们一直在用石头和木头建造佛罗伦萨。

当 AI 智能体大规模上线,我们将开始建造“东京”:组织里同时存在成千上万的人与智能体;工作流跨时区持续运转,不必等谁醒来;决策也不必层层拉齐,而是由系统综合出结果,再让人类在最关键处介入——介入得“刚刚好”。

这会带来不同的感受。更快、更有杠杆效应,但起初也会更令人眩晕。每周例会、季度规划、年度评审这些旧节奏,可能逐渐失效;新的节奏会自然长出来。我们会牺牲一些可读性,换来规模和速度。

超越水车 #

每一种划时代的介质都要求人们停止透过后视镜看世界,开始想象新的世界。卡内基看着钢铁,看到了城市的天际线。兰开夏郡的工厂主看着蒸汽机,看到了摆脱河流束缚的工厂车间。

我们仍处于 AI 的“水车阶段”,把聊天机器人拧进为人类设计的流程里,让它充当副驾驶。真正需要发生的,是更激进的想象:当组织被“钢铁”加固,当琐碎工作交给永不休眠的思维,知识工作会变成怎样?

钢铁。蒸汽。无限心智。下一道天际线已经在那里,等待我们去建造。

继续阅读同栏目文章
需要配置建议,联系方案工程师
  • 《算力江湖·文心一言》第四集:DeepSeek之后,百度为什么转向开源文心?《算力江湖·文心一言》第四集:DeepSeek之后,百度为什么转向开源文心?
  • 《算力江湖·文心一言》第三集:百度为什么要同时做芯片、框架、模型和云?《算力江湖·文心一言》第三集:百度为什么要同时做芯片、框架、模型和云?
  • 《算力江湖·文心一言》第二集:大模型如何重新塑造百度搜索?《算力江湖·文心一言》第二集:大模型如何重新塑造百度搜索?
方案目录
  • 个人层面:从自行车到汽车
  • 组织层面:钢铁与蒸汽
  • 经济层面:从佛罗伦萨到超级都市
  • 超越水车

产品中心

  • 算力服务器
  • 算力工作站
  • AI服务器
  • 静音工作站
  • GPU服务器

解决方案

  • 高校智慧教育
  • 企业智能制造
  • 互联网计算平台
  • 智能公共算力

联系我们

  • 销售电话:18608014545
  • 服务热线:4000 4545 11
  • 商务合作:(028) 85571106
  • qm@2008qm.com

Copyright © 2026 网昱智算 蜀ICP备08100424号