最近看 AI builders 的一些判断：物理世界、个人记忆与上下文层

最近看了一圈 AI builders 的更新，有三条线我觉得特别值得放在一起看。

它们看起来分属不同方向：一个在讲 AI 进入物理世界，一个在讲个人记忆系统，一个在讲企业 agent 的上下文层。但我越看越觉得，这三件事其实都在指向同一个问题：

AI 真正开始有用，不是因为它更会“说”，而是因为它越来越接近真实系统、真实数据和真实反馈。

1. AI 的下一站，不只是数字世界，而是物理世界

最近我印象最深的一期播客，是 No Priors 里 Liam Fedus 聊 Periodic Labs 这期：

Liam Fedus 是前 OpenAI VP、ChatGPT 的联合创始人之一。他现在在做的事，不再只是把模型能力继续往数字世界里推，而是试图把 AI 真正接到材料、化学、工程这些物理世界问题里。

这一点我很认同。

过去几年，AI 在写作、编程、搜索、总结这些信息世界里的能力进步非常快。但如果只停在这里，它解决的仍然主要是“信息处理”的问题。真正更难、也更有潜力的，是让 AI 去参与实验、发现、制造、工程优化这些和现实世界直接相连的流程。

这里最大的差别在于：物理世界没法只靠互联网语料闭环。

材料科学不是多读几篇论文就能完成的，实验设计、数据反馈、误差校正、自动化系统，这些东西都必须进来。所以我特别认同他讲的那个思路：语言模型更像 orchestration layer，真正有价值的是它怎么调度专门模型、工具链和实验反馈，构成一个闭环。

这也让我越来越觉得，AI 下一阶段真正的门槛，不只是模型参数，不只是推理能力，而是它能不能进入真实系统，接到真实世界的数据和验证回路里。

另一条我觉得很重要的线，来自 Andrej Karpathy 最近关于 personal wiki / personal memory 的讨论：

我特别认同他关于个人记忆系统的判断。

以前很多人会默认，好的 AI 应该是“越用越懂你”。但这里面有个我越来越在意的问题：如果这个“懂你”的过程，是建立在某个平台的黑箱记忆里，那到底是谁在拥有这些信息？谁能迁移？谁能检查？谁能替换底层模型？

Karpathy 推的那种思路，其实很干脆：把个人知识和记忆显式化，放回自己的文件系统里。

也就是说：

我觉得这件事特别重要，因为它本质上是在回答一个问题：未来的个人 AI，到底是“属于平台的服务”，还是“围绕用户自身数据资产运转的智能层”？

我自己的倾向已经越来越明显了：后者更值得做。

甚至他那条关于 AI 让政府信息更可读、更可追责的判断，我觉得底层也是一样的。不是世界突然变简单了，而是 AI 开始让原本就公开、但普通人根本读不动的内容，第一次真正变得可处理、可理解、可参与。

第三条线来自 Aaron Levie 最近关于 agent 架构的几条长帖：

我觉得他有个判断非常准确：企业 AI 的关键，不在“模型够不够强”，而在“上下文能不能对”。

这句话表面看很技术，但本质上非常现实。

因为在企业里，不同人能访问的文档、权限、背景信息、工作流本来就不同。你不可能指望模型本身在参数层面持续吸收每家公司、每个团队、每个岗位、每个人的知识边界。所以真正能把通用模型变成可用 agent 的，根本不是再训练一个更大的模型，而是把对的上下文、对的权限、对的文档，在对的时候组织给它。

我很认同他把 context layer 提到核心位置。

这也解释了为什么很多 agent demo 看起来很惊艳，真落地却不稳定：问题往往不在模型不会回答，而在它根本没有拿到对的信息，或者拿到的信息没有被组织成正确的工作环境。

如果说过去很多人还在争“模型层是不是一切”，那现在我越来越觉得，真正决定 AI 应用层上限的，往往是：

把这三条线放在一起看，我自己的感觉反而越来越清楚：

AI 的真正价值，不只是它会不会生成更好的答案，而是它能不能进入真实环境，接住真实数据，再在真实反馈里持续变得有用。

物理世界那条线，是在讲实验和工程闭环；个人记忆那条线，是在讲数据归属和长期可迁移性；企业 context layer 那条线，是在讲 agent 落地时的信息组织和权限现实。

它们其实都在提醒我一件事：

如果 AI 不能接到真实系统，它再强，也很容易停留在“看起来很聪明”。

而一旦它真正接进去了，接下来的竞争重点可能就不再是单纯的模型能力，而是谁更懂场景、谁拥有更好的数据结构、谁能把反馈回路做得更短、更稳。

这大概也是我最近看这些 builder 内容时，越来越强的一种感受。