20260319研读Openclaw资料摘录

20260319研读openclaw资料摘录

昨天钉钉开了一场发布会，拿出了他们的新答案，
一个叫悟空的AI原生工作平台。
悟空带着金箍棒往地上一杵，所有的虾兵蟹将都得全部立正，该干嘛干嘛，不能瞎（虾）搞。
这根金箍棒，就是钉钉为AI泼猴打造的一整套企业级的安全和管控体系。
比如，装了悟空之后，你必须用钉钉账号来登录。当你想在手机上远程调用它时，也必须保证身份一致。这就确保了，这只悟空，是你专属的个人助理，别人使唤不动。

所有的AI Agent，都只能在一个安全沙箱里运作。它能执行什么命令，调用什么资源，访问哪些数据，都受到了严格的限制。钉钉甚至从底层设计了一套五层安全框架，从语义风控，到损害范围限制，比如不准删除数据库，不准删除文件，不准执行薪酬更改，
把所有的高危操作都提前锁死了。

为它量身打造了金箍棒（RealDoc）和筋斗云（DingTalk CLI）。
悟空有一套为AI设计的原生文件系统，
RealDoc。
它让Agent精准地操作文件，按行号定位，按关键词锚点，只动需要动的地方。AI每执行一步，系统都会自动保存一个快照，就像游戏里的自动存档，随时可以回到之前的任意版本。
DingTalk CLI，就是把钉钉所有的能力，从沟通，协同，到各种软件服务，全部拆成了上万条原子化的命令行指令。

一个人，加上悟空，就等于一支高效的，不知累字咋写的团队。

AI时代最大的变革，不是模型本身，而是互联网的主体，从人变成了AI。
我们过去所熟悉的一切，文件系统，操作界面，硬件，软件，都会发生改变。
谁能帮助AI最快速地连接物理世界，理解物理世界，帮助人类解决物理世界的问题，

“今年年初‘龙虾’类应用上线后，行业很快意识到，除了ToC端的聊天机器人、ToB端的AI编程两大方向外，AI又打开了全新的办公场景赛道。当办公场景与各类终端硬件深度融合，便能催生出新的去中心化入口，也让普通消费者与办公群体同时催生了对应的AI使用需求。

在马化腾看来，“龙虾”类应用无需用户守在屏幕前等待反馈结果，同时具备持续的记忆能力与鲜明的个性化特征，更像一位真实的助理，拥有鲜活的“活人感”。而“龙虾”所开辟的AI落地新场景，也为腾讯打开了更多可深耕的业务战线。

刘炽平明确，腾讯的下一步核心规划之一，便是在微信内打造专属AI智能体。该智能体将依托微信生态与用户形成深度连接，打通小程序、社交、支付等全链路能力，不止能实现与用户的自然对话，更能完成各类复杂的场景化任务。

据了解，HY3.0是腾讯混元大模型的一次重磅升级，相较HY2.0版本，整体效果实现大幅跃升，推理能力与智能体（agent）能力均有显著提升。2025年下半年以来，腾讯混元团队完成了团队与研发流程的全面重组，重点优化了数据质量，同时重建了预训练与强化学习的核心基础设施，这些布局将大幅提升模型迭代效率，助力打造出智能水平更高的基座模型。

谈到混元所面临的激烈竞争，腾讯管理层坦言，未来的AI世界不会是一家通吃的垄断格局，而是一个多模型并立、专业分工的多元化世界。正如从PC互联网到移动互联网的演进催生了无数应用，AI时代也将走向分布式和去中心化。不同的模型将在代码、长文本、多模态等不同领域各有所长。

2009年1月，一个匿名者发明了一种叫 “token”的东西，你投入算力，获得 token，token在一个共识网络里流通、定价、交易。整个加密经济由此而生。十几年过去了，人们还在争论这种 token 到底有没有价值。
2025年3月，一个穿皮衣的男人重新定义了另一种叫 token 的东西。你投入算力，产出 token，token在一个 AI 推理（inference & reasoning ）过程中被立刻消费掉：思考、推理、写代码、做决策。整个 AI 经济由此加速。没有人争论这种 token 有没有价值，因为你今天早上刚用掉了几百万个。
两种 token，同一个名字，同一个底层结构：算力进去，有价值的东西出来。
他讲的是一套关于 token 生产、定价和消费的完整经济学：
哪种模型，对应哪种 token 速度；哪种 token速度，对应哪个定价区间；哪个定价区间，需要什么级别的硬件来支撑。

他展示了一张图，彰显推理效率与 token 消耗的关系和张力：Y 轴是吞吐量（每兆瓦功耗产出多少 token），X 轴是交互性（每个用户感知到的 token 速度）。然后，他在 X 轴下面标了五个定价档：Free 用Qwen 3，$0/百万token；Medium 用 Kimi K2.5，$3/百万token；High 用 GPT MoE，$6/百万 token；Premium 用 GPT MoE 400K context，$45/百万 token；而 Ultra，$150/百万token。
这张图几乎可以当作黄仁勋 “token 经济学” 的白皮书封面。

Token是新的大宗商品。大宗商品成熟之后会自然分层。他不是在描述现状，他是在预判一个市场结构，然后把自己的硬件产品线，精确地铺在这个结构的每一层上。
两种 token的生产过程，甚至有一个语义上的对称：挖矿叫 mining，推理叫 inference。
挖矿和推理的本质，都是把电变成钱。矿工花电费挖 crypto token，然后卖掉，推理模型和 AI Agents 花电费产生 AI token，然后按百万计价卖给开发者。中间环节不同，两头都一样：左边是电表，右边是收入。

无论是中本聪还是黄仁勋，他们创造的稀缺性都导致了同一个结果：硬件军备竞赛。
挖矿的历史是：CPU→GPU→FPGA→ASIC。每一代专用硬件都让上一代变成废铁。而 AI 训练和推理的历史也正在重演：Hopper→Blackwell→Vera Rubin→Groq LPU。通用硬件起步，专用硬件定局。老黄今年 GTC 展示的 Groq LPU，那个收购了 Groq 之后发布的确定性数据流处理器。静态编译，编译器调度，没有动态调度，500MB片上SRAM——它架构哲学上就是推理领域的 ASIC。

2013年前后，矿工们发现 GPU 比 CPU 更适合挖 crypto token，英伟达显卡被买断货。10年后，研究者们发现 GPU 是训练和推理 AI 模型的最佳工具，英伟达数据中心卡再次被买断货。GPU 作为一个处理器门类，先后服务了两代 token 经济。

淘金热里最赚钱的不是淘金者，是卖铲子的 Levi Strauss。挖矿潮里最赚钱的不是矿工，是卖矿机的比特大陆和吴忌寒。AI 预训练和推理浪里最赚钱的不是基座模型和 Agent，而是卖 GPU 的英伟达。

2018年前后，全球算力集中在几个大矿池——F2Pool、Antpool、BTC.com——它们互相竞争算力份额，但矿机来源高度集中在比特大陆。
一如今天的英伟达，60% 收入来自互相竞争的 “hyperscaler”，例如 AWS、Azure、GCP、Oracle、CoreWeave，而 40%来自分散的 AI Natives、主权AI 项目和企业客户。大“矿池”贡献主要营收，小“矿工”提供韧性和多元化。
两套生态的结构一模一样。但比特大陆后来遇到了竞争对手——神马矿机、芯动科技、嘉楠耘智都在蚕食它的份额。矿机是相对简单的 ASIC 设计，追赶者有机会。而撼动英伟达似乎变得越来越难：20年的 CUDA 生态，数亿 GPU 的安装基数，NVLink六代互联技术，Groq 整合后的解耦推理架构——英伟达的技术复杂性和生态壁垒，让大部分的竞争工具都无效了。

Crypto token被生产出来是为了被持有和交易——它的价值在于不使用。AI token 被生产出来是为了被立刻消费掉——它的价值在于被用掉的那一刻。
一种是数字黄金，越囤越值钱；一种是数字电力，生产出来就烧掉。

你过去因为相信所以看见的那个 token，现在不用相信就能看见。它是瓦特、安培、比特之后的下一个。

我觉得相比之前的Agent，"龙虾"有两个地方特别打动我。第一，它真正具备了接近人类助手的能力。我之前用 Claude Code 写代码或改文档，需要描述清晰的需求、给出明确的指令，本质上还是人驱动机器；"龙虾"不一样，自主性更强，它会自己思考、自己调用工具去解决复杂问题，直接交付最终结果。第二，"龙虾"有 SOUL.md（人格配置文件），你可以赋予它不同的人设——可以很听话，也可以很幽默，在工作能力之外还有情绪价值。

我现在给 AI 学习圈里初次尝试"龙虾"的同学一个建议：尽量找一台清空的旧电脑专门给它用，做好物理隔离；如果只有一台电脑，部署前先把重要数据备份、隔离好再折腾；条件允许的话用云服务器或虚拟机会更稳妥。

在AI 时代，创意和想法反而成了更稀缺的东西——只要你有想法，哪怕不懂代码，也能通过AI 做出产品原型，迅速验证，机会成本被压得很低，每个人都能更充分释放自己的潜能。
这个时代，"能不能想到"有时比"能不能做到"更重要。只要你对行业有洞察、对场景有理解，AI 就能帮你把想法落地。未来每家公司可能都会涌现出这种"超级个体"，一个人能顶一百个人用，因为创新能力和执行力被 AI 成倍放大了。

AI 能快速帮你写代码、生成内容，但那些灵光一闪的创意和连接，才是人类最独有的价值。

在尝试用 AI 驱动的 SDD（规范驱动开发）方式：开发前先写一份详尽的规格说明书，把需求、接口、边界条件全部描述清楚，再让 AI 按规格直接生成代码和测试用例。一个原来需要 17 天的功能，现在 5 天能完成上线。当"瀑布开发模式"被逐步淘汰，自然也不需要那么庞大的组织了。

我们对 AI Native 组织的定义是：这家公司任何一项工作的中间产物和最终产物，是不是天然对 AI 友好，在 AI 时代就不够了，需要更多采用 AI 能直接读取和调用的格式，比如 Markdown 或者各种Skills——把内容面向 AI 开放出来。

现在衡量一家公司是不是 AI Native，不是看人数，而是看每天消耗了多少 Token。

到一定阶段，AI 工具之间的差异可能没那么大，放眼望去都很好用，都能满足基本需求。那真正的变量就来自人和企业自身——自身水平高、能提出好问题、能说清楚需求，AI 就能发挥更大作用。