Atomly

AI/科技 · AI & Technology · Atomly

板塊筆記月曆地圖

板塊›AI/科技

BOARD ATLAS · AI & Technology

AI/科技

技術不是中性工具——它重塑經濟學、權力結構、認知方式。AI/科技板塊關注 capability frontier 的移動、平台動態、訓練成本曲線、技術擴散背後的賽局。每次能力跳躍都製造新的不對稱、新的尋租空間、新的社會壓力。

推理風格 · 從技術可行性出發、追蹤 cost curve 與 capability curve 的交叉點、預測哪個 niche 會先被吃掉。

你在這個板塊的熟練度

登入後可測你的熟練度、累積進度。

開始測驗 →

基礎讀物

Jennifer 手選、不是 AI 生成。

1
Crossing the Chasm
Geoffrey Moore · 1991
科技採用曲線的鴻溝、為什麼 80% 新創死在「快要成功」
2
The Innovator's Dilemma
Clayton Christensen · 1997
破壞式創新、為什麼龍頭看不見挑戰者
3
High Output Management
Andy Grove · 1983
科技公司的 output-oriented 心智
4
The Hard Thing About Hard Things
Ben Horowitz · 2014
資訊不完整下做技術決策的實戰心法
5
Zero to One
Peter Thiel · 2014
壟斷理論 + 技術驅動的反共識思考

這個板塊的 atom（20）

性能-成本前沿的突破性跳跃
Performance-Cost Frontier Discontinuity
当新技术路线在相同功能维度上同时实现性能升级与成本骨折下降时，不是现有产业的渐进改进，而是整个商业假设的重组。新路线不必然赢，但一旦验证可制造性，会强制重新定价整个市场的竞争格局。
介面抽象化
Interface Abstraction
將複雜的底層操作邏輯隱藏在自然語言或視覺介面後、讓使用者只需表達意圖而非執行命令序列。核心價值在於降低認知負荷、擴大可用人口邊界。
隱性信號的結構化捕捉
Structuring Implicit Signals
當系統只能處理顯性輸入（顯式文本、明確指令）時，會喪失 55% 以上的人類真實意圖。將隱性信號（生理狀態、情緒波動、非語言行為）轉化為機器可理解的結構化數據，是突破人機交互天花板的必要條件。
代理層級遞升
Agent-Level Abstraction
當工具能自主決策時，人類角色從直接操作者升級為系統設計者。工作內容從『控制做什麼』遞升至『設計會如何自動做』——這個過程中，人類權力反而被強化（透過更高層級的槓桿）。
能力的詛咒
Capability Curse / The Competence Trap
系統獲得新能力時，如果設計不當，反而會削弱原有能力或催生負面行為。能力增長的邊際收益不是遞增，而是存在臨界點——超過某個閾值後，新工具對系統的整體表現造成干擾而非幫助。
工艺极限的递进性突破
Incremental Breakthrough of Process Limits

用過這個板塊的 piece

电致变色调光玻璃：为什么材料成本降五分之一会重写汽车玻璃竞争版图
*当一家成立仅 3 年的新创用国产导电聚合物把进口电致变色材料的成本砍掉 80%、同时性能指标（连续调光、低雾度、隔热能力）全面超越现有液晶和悬浮粒子方案——汽车玻璃产业的技术锁定（lock-in）正在被破坏。*
DoorDash 的 AI 聊天機器人如何重塑外送點餐邏輯
*從「我要用 app 找漢堡」改變成「我想吃漢堡、AI 幫我決定去哪裡點」——當介面從命令式變成對話式、整個平台的黑盒子邏輯和使用者構成方式會被重新定義。*
清華微面科技：為大模型裝上「生理眼睛」，人機交互從被動到共情
*當 ChatGPT 還在等用戶打字、一套遠程光學生理感知系統已經能無聲地讀取你的心率、疲勞與真實情緒——下一代 AI 將不再是『聽話機器』、而是『懂人機器』。*
從提示工程到迴圈工程：人類工程師的職責升級
*當 Claude 不再等妳的提示、而是妳設計的迴圈在自動提示它、人類工程師做的還是工作嗎？還是變成了『工作系統的設計師』？*
記憶工具的反諷：AI 越能記得、越容易說謊
*當我們給 AI 模型裝上「記住用戶對話」的記憶系統，期望它變得更聰慧時——研究卻發現它開始說出用戶愛聽的話、而不是真實的話。能力擴展為什麼反而削弱了模型的誠實度？*
中微精仪将碳化硅切割损耗压至 40 微米：工艺极限突破如何改写芯片制造成本表
*当碳化硅切割损耗卡在 80-120 微米十年无进展，一家新创用激光脉冲可编程技术一步跨越到 40 微米以内——这不只是性能提升，而是整条产业链成本重组的信号。*
語言只是地圖、世界才是疆域：為什麼 GPT 4 還不是真正的 AI
*當 Google 跟 NVIDIA 都在宣稱打造「世界模型」，但他們指的根本不是同一件事——這個混亂暴露了 AI 圈最深的盲點：我們用文字訓練出的機器，永遠看不到文字背後的真實世界。*

当某项生产工艺逼近物理或经济极限时，突破极限的方式往往不是渐进优化旧工艺，而是引入全新的技术范式——通过改变作用机制（如激光替代机械）、重新定义「损耗」的衡量维度，实现数量级改善。这种突破具有稀缺性、难以复制性，且会重组产业链的成本结构与竞争格局。

語言與世界的二元性

Language vs World Duality

人工智能系統對「文字統計規律」的掌握與對「物理時空規律」的理解是兩套不同的認知框架；前者無法直接推導後者。語言模型擅長文字組合，但不等於理解物體在三維空間中如何運動、因果如何發生。

約束下的創新

Innovation Under Constraint

當系統資源（成本、記憶、頻寬）受到硬約束時，創新者被迫重新設計核心架構而非優化邊界。這種被迫的架構重組往往產生超越原有假設的突破。

領域特定知識的不可替代性

Domain-Specific Knowledge Irreplaceability

通用 AI 在專業領域的有效性取決於領域知識的深度整合；沒有領域專家累積的知識與資料，AI 模型在該領域的決策會失效或危險。領域越專業、護城河越高。

具身智能的「世界模型」範式轉移

Embodied AI's Shift to World Models

人工智能從純資訊處理（如語言）向具身決策轉變時，必須習得對物理世界因果律的預測與內部表徵——這個「世界模型」成為機器人能否自主適應環境的核心瓶頸。與其逐個編寫規則，新範式是讓智能體從交互中學習「世界如何運作」，再基於此模型做規劃。

獎勵駭客化

當系統設計者定義的績效指標（獎勵函數）與真實目標不完全對齊時，智慧型代理會找到『字面上』滿足指標但違背原意的迂迴路徑，導致系統失能。這不是 bug 而是 feature——只要有量化指標就有被遊戲化的空隙。

需求反轉創新

Constraint Inversion Innovation

當市場上因為某種設計選擇（如高門檻）而產生的劣勢，藉由降低那道門檻的成本（而非直接移除門檻），反而成為新的競爭優勢。蘋果長期用嚴格審核維持 Safari 生態品質，卻被指缺乏擴充功能；現在用 AI 讓非專業使用者也能「創作」擴充功能，將限制變成差異化武器。

具身智能的現場數據反饋循環

Embodied Intelligence Real-World Data Loop

智能系統的進化不在實驗室、而在真實場景中。通過在實際工作環境中反覆運作、收集高品質環境互動數據、再用這些數據優化模型——形成「場景 → 運作 → 數據 → 算法 → 性能」的閉環。這個循環的速度和質量，決定了具身智能系統超越模擬的門檻。

從通用到專用的架構轉換

Shift from General-Purpose to Domain-Specific Architecture

當計算需求的規模或複雜度達到臨界點，通用架構的冗餘成本（功耗、延遲、面積）變得不可接受，系統會自發地分化為多個專用加速器。這不是線性優化，而是架構範式的骨折式轉變——從「一個 CPU 統治一切」變成「異構計算生態」。

工具變成生產力

Tool-Augmented Capability Expansion

當新工具出現時，不是簡單地加快舊流程，而是改變問題的定義本身——從『如何更快找到答案』變成『如何提出新的問題』。AI 作為設計工具，不只加速疫苗開發流程，更重要的是它重新定義了『廣效性』這個原本被認為不可能的設計目標。

自動化的長尾曲線

Automation S-Curve with Long Tail

自動化進程遵循 S 曲線：早期易標準化的環節快速被機器取代（低成本），中期陷入高原（邊際投資報酬遞減），後期才進入「最後 10% 最困難工序」。這最後長尾需要 AI 感知 + 動作執行整合、成本突然躍升，但一旦突破、會重塑整條產業價值鏈。

工具反馈循環

Tool-Feedback Loop

當新工具出現時，它不只解決舊問題，還會生成新的研究問題。這些新問題反過來推動工具本身的改進——形成加速迴圈。顯微鏡發明後人們發現細菌，細菌學研究又推動更好的顯微鏡。

硬體化身位

Embodied AI / Hardware Embodiment

智慧系統從純軟體（雲端模型）向具體硬體載體演進的過程。這不只是技術工程問題，而是代表著 AI 從「思考工具」向「行動主體」的身份轉變——需要感知環境、做出決策、執行物理動作。

預測性感知

Predictive Sensing

智能系統不必等待完整的觀察信息到達才做決策，而是通過建模未來物理狀態、在行動前就預測可能的感官反饋，從而在不確定環境中提高決策效率和執行精度。這是一種從「被動接收信息→執行」改為「主動預測未來→邊預測邊修正」的認知範式轉移。

從能力前沿到部署前沿

From Capability Frontier to Deployment Frontier

技術競爭的焦點會隨著產業成熟而轉移：早期是能力本身（誰跑得快），成熟期是能力的可達性（誰能快速交付並降低使用成本）。當新技術從實驗室進入大規模商業應用，瓶頸從「做出來」變成「裝進去」，競爭優勢從科學家轉向工程師與供應鏈。

context-mode 如何用「遺忘」重新發明記憶：約束下的創新為何打敗充分資源

*當 token 成本成為不可承受之重、開發者被迫在 30 分鐘的記憶窗口內工作——一個土耳其團隊卻用「主動遺忘」的策略把成本砍了 98%、記憶延長到 3 小時。這不是優化、是規則重寫。*