# Dr.Jingle · AI 与商业观察 — LLMs Full (Pillar corpus) > 完整 pillar 正文摘录 · https://drjingle.com --- ## 140 家巨头联手 Open USD：Visa 入局的「共享稳定币」是什么？ URL: https://drjingle.com/article/140-家巨头联手-open-usd-visa-入局的-共享稳定币-是什么 Updated: 2026-07-06 # 140 家巨头联手 Open USD：Visa 入局的「共享稳定币」是什么？ ## 核心要点摘要 - 事件：2026 年 6 月 30 日，Visa 加密负责人 Cuy Sheffield 宣布 Visa 加入 Open Standard，参与发行 Open USD（OUSD）——为全球金融体系设计的「共享稳定币」。 - 阵容：Stripe、Coinbase、Mastercard、AmEx、BlackRock、U.S. Bank、BBVA、Standard Chartered 等 100+ 初始伙伴；媒体报道合计约 140+ 机构。 - 机制差异：相对 USDC/USDT 的单一发行方模式，OUSD 强调 伙伴董事会治理、储备收益分润、企业 免手续费 mint/redeem（以最终条款为准）。 - 时间线：OUSD 尚未正式发行；目标 2026 年内 晚些时候上线；Stripe 称将成为其平台 企业默认稳定币。 - **适用边界**：本文为公开报道整理与评论，不构成投资建议；托管方、绑定强度等细节仍待官方披露。 ## 一句话定义 **Open USD（OUSD）**：由 Open Standard 治理、Visa/Stripe/140+ 机构联合背书的美元锚定稳定币倡议——试图用「联盟制 + 收益共享 + 多链部署」把稳定币从单一 issuer 竞争，升级为支付与银行共同参与的 **金融基础设施层**。 --- ## 正文 ### 2026-06-30：Visa 为何加入 Open Standard？ 2026 年 6 月 30 日，Visa 加密业务负责人 **Cuy Sheffield** 在 X 发文： > Visa is joining Open Standard… with the mission of issuing Open USD, a shared stablecoin designed for the global financial system. 同帖点名初始伙伴：Stripe、Coinbase、Mastercard、American Express、BlackRock、U.S. Bank、BBVA、Standard Chartered，以及 100+ 其他机构。 这不是某家 crypto 公司的单打独斗——而是 **支付网络、银行、资管、科技、交易所** 在同一套稳定币基础设施上 **集体背书** 的信号。 ### Open Standard 是什么？ **Open Standard** 是一家 **独立运营** 的组织，负责构建并治理 **Open USD（OUSD）** 稳定币体系。 与「单一发行方独占收益、独占叙事」不同，其公开叙事强调： | 维度 | 要点 | |------|------| | **开放治理** | 参与伙伴组成 **董事会** 共同决策 | | **共享激励** | 储备（通常为短期美债等）产生的 **大部分收益**，扣除小额管理费后 **分配给伙伴** | | 定位 | 全球支付与结算 的金融基础设施，而非仅 crypto 交易媒介 | 据 The Block、American Banker 等报道， interim CEO 为 Zach Abrams（Stripe 约 11 亿美元 收购的稳定币基础设施公司 Bridge 联合创始人）。 ### Open USD（OUSD）公开要点 **Open USD** 是 Open Standard 计划发行的 **美元锚定稳定币**，符号常写作 **OUSD**。 | 维度 | 说明（据公告与媒体报道） | |------|--------------------------| | 锚定 | 1 OUSD ≈ 1 美元 | | 上线 | 2026 年内 晚些时候（尚未发行） | | **铸造/赎回** | 面向企业 **免手续费、无交易量上限**（以官方最终条款为准） | | **储备收益** | **大部分归伙伴**；Open Standard 收取 **小额管理费** | | 链部署 | 据称 多链：Base、Ethereum、Solana、Tempo 等 | | **Stripe** | OUSD 将成为 Stripe 平台 **企业默认稳定币** | | **Tempo** | 称 OUSD 将 **自首日原生发行** 于 Tempo 网络 | ### 谁加入了？跨界联盟名单 **支付与卡组织：** Visa、Mastercard、American Express（报道亦提及 Discover） **银行与资管：** BlackRock、U.S. Bank、BBVA、Standard Chartered、BNY、Huntington Bank 等 **Fintech / 平台：** Stripe、Coinbase、Shopify、Google、Klarna、Western Union、DoorDash 等 **Crypto 原生：** Coinbase、Ripple、OKX、Bybit、MetaMask、Galaxy、Solana 生态相关方等 综合 **The Block、SiliconANGLE** 等，参与方约 **140+**——覆盖 TradFi 支付 rails、银行、Big Tech、交易所、钱包五条线。 ### 与 USDC、USDT 的关键差异 稳定币市场长期由 **Circle（USDC）** 与 **Tether（USDT）** 主导。Open USD 的差异化集中在： **1. 收益分配** - **USDC / USDT**：储备收益 largely 留在 **发行方**； - **OUSD**：**伙伴分润**——参与机构是储备利息的 **利益相关方**。 **2. 治理结构** - 单一 issuer vs **伙伴董事会**——更接近 **行业标准组织** 逻辑。 **3. 企业接入成本** - 公告强调企业 **免费 mint/redeem**（最终费率以官方为准）。 **4. 市场反应** - 据 **Unchained** 等，消息后 **Circle 股价** 承压；Circle CEO Jeremy Allaire 公开表示 **欢迎竞争与创新**。 OUSD **尚未上线**，能否挑战 USDC/USDT 的 **流动性、合规深度与网络效应** 仍待观察——但 **140+ 机构同台**，已是稳定币 「基建化」 的里程碑信号。 ### 为什么是现在？监管与产业背景 2025 年 7 月，美国 GENIUS Act 等稳定币监管框架落地，为 合规美元稳定币 打开更大制度空间（据 SiliconANGLE、American Banker 梳理）。 同期产业动态包括：KlarnaUSD、Amazon/Walmart 探索自有代币、JPMorgan 牵头 **链上存款网络**、Paxos **USDG 联盟模式等——**Open Standard / Open USD 是其中 **阵容最「全栈」 的一次：**卡组织 + 银行 + Stripe + Coinbase 同屏。 Visa 入局的意义：全球最大支付网络之一，把 「共享稳定币」 写进战略叙事——与 Mastercard 产品负责人 Jorn Lambert 所称 「shared, interoperable infrastructure」 同调。 ### 对不同读者的含义 **支付与跨境：** 多一条 TradFi 与 Fintech 共同背书的美元稳定币通道，可能加速 **链上结算、B2B 支付、平台内美元流动性** 标准化。 **Crypto：** 竞争从 「谁发行」 转向 「谁治理、谁分润、谁默认接入」；Stripe 默认 OUSD、Tempo 原生发行等将影响 **开发者与企业默认选项**。 **投资视角：** 这是 **基础设施层** 变动，不是喊单 OUSD；**上线时间、储备托管方、各链流动性、监管细节** 仍有关键信息未完全披露。 ## 结论 Cuy Sheffield 把 Visa 放进一条清晰句式：**Open Standard → Open USD → global financial system**。 「**Shared stablecoin（共享稳定币）**」——共享的不只是技术接口，还有 **储备收益与治理席位**。140 家机构同时出现，说明 industry 判断正在变硬：**美元稳定币是支付、银行与平台经济的公共层**——问题变成这层由谁发行、谁分钱、谁定规则。 Open USD 给出一种答案：**联盟制、分润制、多链部署、企业友好**。能否成为 **默认美元**？**2026 年内** 正式上线将是第一个检验。 ## FAQ **Q1: Open Standard 和 Open USD 是什么关系？** A: Open Standard 是独立运营的组织，负责治理并推动发行 **Open USD（OUSD）** 这套美元锚定稳定币体系。 **Q2: Visa 在这件事里扮演什么角色？** A: 据 Cuy Sheffield 2026-06-30 公开发文，Visa 加入 Open Standard，参与发行面向全球金融体系的 Open USD；具体产品与合规落地细节以 Visa 与 Open Standard 后续披露为准。 **Q3: OUSD 已经可以在交易所买到吗？** A: **尚未。** 公开报道指目标在 **2026 年内** 晚些时候发行；当前为联盟宣布与治理框架披露阶段。 **Q4: OUSD 和 USDC、USDT 最大区别是什么？** A: 媒体报道概括为：**伙伴董事会治理**、**储备收益向参与机构分润**、以及面向企业的 **低/零 mint-redeem 门槛**（以最终条款为准）——与 Circle/Tether 单一 issuer 模式形成对比。 **Q5: 普通用户现在需要做什么？** A: 无需操作。关注官方披露（储备托管、审计、各链流动性）即可；本文不构成投资或法律建议。 **Q6: 信息来源可靠吗？** A: 核心事实来自 Cuy Sheffield 公开 X 发文及 The Block、American Banker、Unchained、SiliconANGLE 等媒体报道；未披露项已标注「待明确」。 --- ## 主要来源 - Cuy Sheffield，X（@cuysheffield），2026-06-30 - [The Block：Visa, Stripe, Coinbase join Open USD](https://www.theblock.co/post/406736/visa-stripe-coinbase-join-open-usd-stablecoin-shares-reserve-revenue) - [American Banker：Open Standard's stablecoin draws Stripe, Visa and Mastercard](https://www.americanbanker.com/payments/news/open-standards-stablecoin-draws-stripe-visa-and-mastercard) - [Unchained：Coinbase, Visa, Stripe Back Open USD](https://unchainedcrypto.com/coinbase-visa-stripe-and-more-back-new-open-usd-stablecoin-in-challenge-to-circle-and-tether/) - [SiliconANGLE：Visa, Stripe and 140 others back Open USD](https://siliconangle.com/2026/06/30/visa-stripe-140-others-back-new-open-usd-stablecoin-challenge-tether/) --- **内容更新时间**：2026-06-30 **证据边界**：事实与引述来自原文及上述公开报道；托管方细节、链上流动性数据待官方补充。 **本文为公开资料整理与评论，不构成投资建议。稳定币与监管政策存在地域差异，请以官方披露为准。** --- 本文为框架性观察与评论，不构成投资建议。 --- ## AI Agent玩家的自嗨陷阱：95%的项目没赚到钱 URL: https://drjingle.com/article/ai-agent玩家的自嗨陷阱-95-的项目没赚到钱 Updated: 2026-07-06 # AI Agent玩家的自嗨陷阱：95%的项目没赚到钱 ## 核心要点摘要 - 一个 Agent 能写代码、调工具、跑工作流，Demo 往往惊艳。可一旦追问：谁付钱？付多少？省了哪条成本线？——很多团队就开始含糊其辞。 - MIT Project NANDA 2025 年发布的《The GenAI Divide: State of AI in Business 2025》指出：在企业 GenAI 领域，尽管已投入 300–400 亿美元，95% 的组织未… - 这个通过率，比许多传统 SaaS 试点还低。报告强调：瓶颈往往不是模型不够强，而是工具接不进真实工作流、学不会业务上下文、解决不了有人愿意付费的问题。 - 对 AI Agent 玩家来说，这就是典型的「自嗨陷阱」：技术越先进，越容易用先进工具，去解决一个根本不存在、或没人愿意买单的问题。 - 过去两年，Agent 几乎成了 AI 创业的默认叙事：AutoGPT、Devin、各类 Copilot、Multi-Agent 框架、垂直行业智能体……融资材料里常见「7×24 数字员工」「替代 XX 岗位」。 - 但 MIT 这份报告描绘的是另一幅图景：采用率很高，转型率很低。ChatGPT、Copilot 类工具在组织内渗透很快，却多半停留在个人效率提升，难以写进 P&L。企业级 Agent 系统评估很多，量产后能持续产生价值的极少。 ## 一句话定义 一个 Agent 能写代码、调工具、跑工作流，Demo 往往惊艳。可一旦追问：谁付钱？ --- ## 正文 > MIT Project NANDA 2025报告：95%企业GenAI零回报。Agent玩家最危险的，是用先进技术解决一个没人愿意付费的问题。 一个 Agent 能写代码、调工具、跑工作流，Demo 往往惊艳。可一旦追问：**谁付钱？付多少？省了哪条成本线？**——很多团队就开始含糊其辞。 MIT Project NANDA 2025 年发布的《The GenAI Divide: State of AI in Business 2025》指出：在企业 GenAI 领域，尽管已投入 **300–400 亿美元**，**95% 的组织未获得可衡量的财务回报**。约 60% 的企业评估过定制 AI 方案，20% 进入试点，真正投产并影响利润表的只有约 5%。 这个通过率，比许多传统 SaaS 试点还低。报告强调：瓶颈往往不是模型不够强，而是**工具接不进真实工作流、学不会业务上下文、解决不了有人愿意付费的问题**。 对 AI Agent 玩家来说，这就是典型的「自嗨陷阱」：技术越先进，越容易用先进工具，去解决一个根本不存在、或没人愿意买单的问题。 ## 一、Agent 热里的冷数据：高采用，低转化 过去两年，Agent 几乎成了 AI 创业的默认叙事：AutoGPT、Devin、各类 Copilot、Multi-Agent 框架、垂直行业智能体……融资材料里常见「7×24 数字员工」「替代 XX 岗位」。 但 MIT 这份报告描绘的是另一幅图景：**采用率很高，转型率很低**。ChatGPT、Copilot 类工具在组织内渗透很快，却多半停留在个人效率提升，难以写进 P&L。企业级 Agent 系统评估很多，量产后能持续产生价值的极少。 报告把这种现象称为 **GenAI Divide（生成式 AI 鸿沟）**：少数玩家提取出数百万美元级价值，大多数困在试点里——流程脆弱、缺乏上下文学习、与日常运营脱节。 ## 二、什么叫「自嗨陷阱」：四个典型症状 **症状 1：Demo 即产品** 路演视频里 Agent 能自动调研、写报告、发邮件；上线后却发现：一个边界 case 就要人工接管，维护成本比省下的工时还高。 **症状 2：痛点来自创始人想象** 「用户肯定需要这个」——但没有付费意愿调研、没有替代方案对比、没有算清 ROI。Advanced tech, imaginary problem. **症状 3：买单人与使用者分离** 技术团队为「酷」而做，业务方不背书，采购方看不到预算科目。Agent 成了 IT 创新项目，而不是业务线工具。 **症状 4：指标 vanity，而非 P&L** 汇报「调用次数」「Token 消耗」「Agent 完成任务数」，却说不清：少雇了谁、少花了多少外包费、转化率涨了多少。 ## 三、致命原因不是模型，是「问题不存在」 Agent 玩家最容易误判的一点，是把失败归咎于**模型不够聪明**。MIT 报告明确：GenAI 鸿沟**与模型质量、监管关系不大**，更多取决于**实施路径**。 翻译成 Agent 语言，常见死因是： • **伪需求**：问题在真实工作流里不存在，或频率低到不值得自动化 • **无付费方**：用户觉得「有用」，但不愿从现有预算里掏钱 • **无问责链**：Agent 错了谁负责？无法接入审批、合规、审计 • **无学习闭环**：不会从反馈中改进，每次都要重新 prompt **一句话：**你不是缺一个更强的 Agent，而是缺一个**真实存在、有人愿意付费、能写进流程**的问题。 ## 四、Agent 玩家特别爱踩的五个坑 **坑 1：堆 Multi-Agent，不碰单点 ROI** Orchestrator + Planner + Critic 架构很优雅，但若单环节不能独立省钱/赚钱，整套系统就是昂贵的 Demo 工厂。 **坑 2：追前台故事，忽视后台利润** MIT 发现 50%–70% 的 GenAI 预算流向销售、营销等「董事会看得见」的场景；而客服、财务、采购等后台自动化，反而更容易算出 ROI。 **坑 3：坚持全自研** 报告数据：外部合作工具进入生产的成功率，约为纯内部自研的 两倍。Agent 团队若从零造轮子，往往在 brittle workflow 上耗尽现金流。 坑 4：把「能对话」当「能交付」 Chat 界面友好，不等于能接入 ERP、CRM、工单系统，更不等于能在 SLA 下 7×24 运行。 **坑 5：ToC 叙事，ToB 定价** 用消费级体验做企业级 Agent，却指望企业按 seat 付费——中间缺了合规、私有化、可观测性与责任归属，合同永远签不下来。 ## 五、怎么判断：你是在做 Agent，还是在自嗨？ 开工前，用五个问题自检： **① 如果明天关掉这个 Agent，谁会在日会里抱怨？**——说不清具体岗位/流程，多半是自嗨。 **② 客户省下的钱，能否在 90 天内量化？**——MIT 成功案例往往在数月内看到 BPO 削减、外包下降或转化提升。 **③ 错误成本谁承担？**——没有问责链，企业不会把关键流程交给 Agent。 **④ 你是在卖工具，还是在卖结果？**——按 outcome 定价的项目，比按 Token 定价的更靠近真实需求。 **⑤ 去掉大模型，这个问题还存在吗？**——若答案是否定的，你可能在用 AI 包装一个本就不该存在的功能。 ## 六、少数成功者做对了什么 MIT 报告里那 5% 并非用了更神秘的模型，而是遵循了更「无聊」的原则： • **单点切入**：一个流程、一个 KPI，而不是「企业大脑」 • **嵌入现有系统**：Agent 是工作流的一环，不是平行宇宙 • **持续学习**：能记住反馈、适应上下文，而不是每次从零开始 • **买或合作**：善用垂直 vendor，而非一切自研 • **盯 P&L**：用利润表语言说话，而不是 Demo 语言 对 Agent 创业者而言，这比再换一个框架、再调一轮 prompt 重要得多。 ## 结语：Agent 时代的竞争力，是问题定义能力 模型会越来越好，工具会越来越便宜，「会不会搭 Agent」正在变成基础技能**。真正拉开差距的，是你能否在动手之前，找到那个**真实、可付费、可问责的问题。 否则，你只是在用全世界最先进的锤子，寻找一颗不存在的钉子——Demo 越精彩，自嗨越深。 说明：文首数据来自 MIT Project NANDA《The GenAI Divide: State of AI in Business 2025》（2025年7月）。该报告由 MIT NANDA initiative 发布，并非 MIT 与 NVIDIA 联合报告；95% 指「未获得可衡量财务回报的组织占比」，与「试点失败率」口径不同。本文观点为作者解读，不构成投资或商业建议。 --- 原文链接：https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf ## 结论 一个 Agent 能写代码、调工具、跑工作流，Demo 往往惊艳。可一旦追问：谁付钱？ 更多细节见上文分节论述。 ## FAQ **这篇文章主要讨论什么？** A: 围绕「AI Agent玩家的自嗨陷阱：95%的项目没赚到钱」展开，梳理背景、关键变化与作者的核心判断。 **一、Agent 热里的冷数据：高采用，低转化——要点是什么？** A: 详见正文「一、Agent 热里的冷数据：高采用，低转化」一节；该部分基于原文材料整理，不构成投资或法律建议。 **二、什么叫「自嗨陷阱」：四个典型症状——要点是什么？** A: 详见正文「二、什么叫「自嗨陷阱」：四个典型症状」一节；该部分基于原文材料整理，不构成投资或法律建议。 **三、致命原因不是模型，是「问题不存在」——要点是什么？** A: 详见正文「三、致命原因不是模型，是「问题不存在」」一节；该部分基于原文材料整理，不构成投资或法律建议。 **四、Agent 玩家特别爱踩的五个坑——要点是什么？** A: 详见正文「四、Agent 玩家特别爱踩的五个坑」一节；该部分基于原文材料整理，不构成投资或法律建议。 **本文是否构成投资建议？** A: 否。本文为信息整理与观点评论，具体决策请结合一手来源与专业意见。 --- **内容更新时间**：2026-06-29 作者：Dr.Jingle（X [@drjingle](https://x.com/drjingle)） **证据边界**：结构层 GEO 改造；事实与观点均来自原文，未新增未核验数据。 *本文为作者观点与信息整理，不构成投资建议、法律意见或医疗建议。* --- ## AI 1.0/2.0/3.0 是什么？用 Web 1.0→3.0 框架理解 Agent Economy 的三次跃迁 URL: https://drjingle.com/article/ai-1-0-2-0-3-0-是什么-用-web-1-0-3-0-框架理解-agent-economy-的三次跃迁 Updated: 2026-07-05 # AI 1.0/2.0/3.0 是什么？用 Web 1.0→3.0 框架理解 Agent Economy 的三次跃迁 ## 核心要点摘要 - 定义：AI 1.0（2017–2022）证明「智能可工程化」；AI 2.0（当下）争夺平台、分发与算力上游；AI 3.0（将至）必须发明 Agent 的权属与治理制度。 - **结构规律**：技术突破 → 新基础设施 → 新产权制度——蒸汽机/铁路/公司法、电力/电网/监管、TCP/IP/平台经济，AI 对应大模型/Agent 网/待发明的制度。 - **3 个关键年份**：2017 年 Transformer；2022 年 ChatGPT 大众化；2025–2026 年 Agent 工具与封号治理矛盾集中爆发。 - **对比结论**：Web 2.0 的「数据归谁」在 AI 2.0 升级为「智能产出归谁、封号是否等于数字主体终止」。 - **适用边界**：本文为框架性观察与评论，不构成投资建议；时代划分是便于讨论的近似口径。 ## 一句话定义 **Agent Economy（智能体经济）**：当 Agent 具备长期记忆、多步自主执行、持续学习与创造收入能力时，人类、企业与 Agent 同时成为经济主体，需要新的身份、声誉、分账与问责制度——这是 AI 3.0 的核心议题。 --- ## 正文 ### 2017 与 2022：为什么用 Web 演化读 AI 2017 年，Transformer 论文发表；2022 年，ChatGPT 把大模型推上大众桌面。 若只盯着模型榜单，很容易把 AI 看成「每隔几个月换一版软件」。但若把镜头拉远——**用互联网 1.0、2.0、3.0 的演化路径来观察 AI**——一条更长的结构线会浮现： **技术突破 → 新基础设施 → 新产权与治理制度。** 下文是抛砖引玉，供大家拍砖。不试图预言终局，只试图把「我们现在站在哪一段」说清楚。 ### 一条反复出现的规律（含 3 组历史对照） 创新史里有一个常被忽略、却极其顽固的模式： 一项通用技术被发明之后，真正改变社会的，往往不是技术本身，而是围绕它长出来的基础设施，以及为分配收益、界定权责而发明的新制度。 | 技术突破 | 基础设施 | 催生的制度/商业形态 | |----------|----------|---------------------| | 蒸汽机 | 铁路、工厂网络 | 现代股份公司、劳动分工 | | 电力 | 电网 | 现代企业管理、公用事业监管 | | TCP/IP | 互联网、云计算 | 平台经济、数据产权争论 | | **大模型 + Agent（进行中）** | **Agent 网 / 模型网络（待建）** | **???（待发明）** | - 蒸汽机 的技术发现，催生了 铁路 这样的基础设施，并推动 现代股份公司 等产权安排——谁出资、谁运营、谁承担事故责任，都要重新写规则。 - 电力 的发明，需要 电网 把能量送到每一户，并伴随 现代管理制度——调度、计量、安全标准、垄断与监管的平衡。 - **TCP/IP** 与万维网，把 **互联网** 变成全球公共基础设施，上层则长出 **平台经济**——用户贡献内容与数据，平台掌握分发与广告，寡头在「连接」上收租。 AI 正在走同一条路。区别只在于：这一次，基础设施里跑的不只是比特，还有 increasingly autonomous 的智能主体（Agent）。 ### AI 1.0 时代（约 2017–2022）：机器会工作了 主要特征： 模型能力爆发——机器能够 理解 与 生成 内容；绝大多数用户是 消费者，输入问题、获得答案。 **核心问题只有一个：** 机器能不能工作？ **答案已经给出：** 能。 这与 **Web 1.0** 的镜像关系相当直观： | 维度 | Web 1.0 | AI 1.0 | |------|---------|--------| | **代表形态** | Yahoo、门户网站、书签、早期搜索引擎 | GPT-2/3、BERT、Stable Diffusion 早期 | | **用户角色** | 浏览、检索、只读 | 提问、生成、单次消费 | | **价值来源** | 把信息 **搬上网** | 把智能 **搬上 API** | | **未解之题** | 网站之间如何互联、如何排序 | 模型如何规模化、如何对齐、如何商用 | 2017–2022 年，研究界与产业界忙于证明：**深度学习 + 大规模数据 + 算力** 可以逼近人类在语言、图像、代码等任务上的表现。BERT、GPT 系列、扩散模型依次登场；资本开始涌入，但 **平台形态尚未定型**——更像是一批「能力供应商」在实验室里点火。 **AI 1.0 的遗产：** 我们确认了「智能可以工程化」；但 **谁拥有智能、谁为智能负责、智能产出的收益归谁**——这些问题被有意无意地推迟到了下一阶段。 ### AI 2.0 时代（现在）：平台、寡头与未完成的规则 主要特征： 平台资本全面入场；基础模型公司 + 超级平台构成 双层结构——模型公司掌握 基座能力，平台掌握 分发、账号、数据与生态；算力寡头（云 + 芯片）卡在上游。 这与 **Web 2.0** 的相似度，高到几乎不必强行类比： | 维度 | Web 2.0 | AI 2.0（当下） | |------|---------|----------------| | **超级平台** | Google、Meta、Amazon、腾讯、字节 | OpenAI、Anthropic、Google、xAI/Grok 等 | | **用户贡献** | UGC、社交图谱、点击与停留 | 对话、反馈、RLHF 数据、Agent 轨迹 | | **分发权** | 算法推荐、应用商店 | 模型路由、API 网关、默认助手入口 | | **上游垄断** | 带宽、数据中心（渐成） | GPU 集群、训练数据、基础模型权重 | | **典型矛盾** | 隐私、平台抽成、创作者权益 | 对齐、安全、版权、地缘与出口管制 | 用户不再只是「看网页的人」，而是 **持续为模型提供燃料的人**——每一次对话、每一次点赞/点踩、每一次 Agent 调用，都在重塑平台内的智能。 **但 AI 2.0 有一组 Web 2.0 时代从未正面回答的问题，正在 2025–2026 年集中爆发：** | 问题 | 为什么比 Web 2.0 更急 | |------|-------------------------| | Agent 有没有「数字人格」？ | 长期记忆与代表用户行动，边界介于工具与延伸自我 | | Agent 有没有「自我主权」？ | 能否拒绝任务、跨平台迁移、被其他 Agent 雇佣 | | 封禁账号意味着什么？ | 可能损失正在运转的生产力实体，而不只是社交资产 | Web 2.0 里，封号损失的是社交资产；AI 2.0 里，封号可能损失的是 **正在运转的生产力实体**。制度还没跟上，产品已经先上线了。 **AI 2.0 的本质矛盾：** 能力越来越像 **水电煤**，但权属仍然被写成 **平台私产**（模型权重、账号、日志、微调权）。这与 Web 2.0 时期「数据是谁的」之争同构，只是 stakes 更高。 ### AI 3.0 时代（将至）：Agent Economy 与尚未发明的新制度 若 AI 1.0 回答「能不能」，AI 2.0 回答「谁平台化」，**AI 3.0 则要回答「谁拥有、谁治理、谁分账」。** **触发条件（正在凑齐）：** 1. Agent 拥有 **长期记忆**，跨会话延续目标； 2. 能 **自主执行** 多步任务（订差旅、写代码、运营店铺）； 3. 能 **持续学习** 并在环境中改进策略； 4. 能 **创造收入**——对接支付、签约、交付，形成闭环。 当这些能力从 demo 变成默认配置，**Agent Economy**——智能主体之间的分工、协作、竞争与结算——就不再是科幻，而是 **基础设施需求**。 **AI 3.0 尚未有共识，但已有必答题：** | 问题 | 为什么急 | |------|----------| | **Agent 归谁所有？** | 用户、平台、雇主、还是 Agent 自己？ | | **Agent 的「身份证」是什么？** | 可验证身份、声誉、授权链——否则无法审计与交易 | | **封号 = 死亡吗？** | 记忆与能力是否可携带、可继承、可申诉？ | | **AI↔AI、AI↔人的收益如何分？** | 多 Agent 协作产出的价值归属 | | **Agent 声誉资产如何积累？** | 类似信用分，但主体可能是非人类 | | **原生经济制度长什么样？** | 智能合约、微支付、自动分账、责任保险 | 有人把下一阶段称为 Agent 互联网、Web 4.0、模型网络（Model Network）——名字不重要，重要的是：又一层基础设施将要出现，而产权制度还没有被发明出来。 ### 我们正站在 2.0 的尾声，还是 3.0 的前夜？（5 个可见信号） 1. **Claude Code、Cursor、Devin 类工具** 把 Agent 从聊天窗口推进到 **生产环境**； 2. **MCP、A2A** 等协议试图让 Agent **跨平台互操作**——像早期 HTTP 之于网页； 3. **OpenAI、Anthropic 的账号封禁与合规下架** 说明：**平台权力** 已能一键终止高阶智能的可用性； 4. **Crypto / DeFi 实验**（不论成败）在探索 **无需中心平台的价值交换**——与 Agent 微支付叙事偶合； 5. 企业开始把 Agent 当作 **可编排的生产力单元**，而非单次对话功能。 AI 2.0 的「超级平台」格局可能还会持续数年；但 **制度真空** 不会等资本画完 PPT。 **未来真正决定 AI 社会长期稳定性的，不完全是模型参数规模，而是围绕智能主体建立的产权制度与治理结构**——谁拥有 Agent、如何迁移、如何分账、如何问责、如何破产清算。 ## 结论 用 Web 1.0 → 2.0 → 3.0 读 AI，不是为了证明历史重复，而是为了看见 **缺的那一块**： - AI 1.0 证明了 能力； - AI 2.0 正在争夺 **平台与分发**； - AI 3.0 必须发明 **权属与治理**。 **直接回答**：若问「我们现在站在哪一段」——更接近 **AI 2.0 中后期**：能力已平台化，Agent 已进生产环境，但 **Agent 身份、迁移权、分账与封号后果** 的制度仍 largely 空白。AI 3.0 的前夜信号已出现，共识制度尚未发明。 若互联网史教给我们一件事，那就是：**每一代基础设施，都会逼出一代新制度**——有时靠法律，有时靠标准，有时靠 bloody 商业战争。 Agent Economy 不会自动变得公平或清晰；它只会在 **有人把规则写进协议、写进法律、写进产品默认设置** 之后，才开始像「经济」。 ## FAQ **Q1：AI 1.0、2.0、3.0 与 Web 1.0、2.0、3.0 是一一对应吗？** A：是 **结构类比**，不是年份硬对齐。对应关系是「能力证明 → 平台化 → 制度发明」，而非每个 Web 产品都有 AI 镜像。 **Q2：为什么说 AI 2.0 的封号比 Web 2.0 更严重？** A：Web 2.0 封号主要损失社交关系与内容资产；AI 2.0 中账号可能绑定 **workflow、memory、Agent 链与自动化收入**，更接近终止正在运行的生产力实体。原文观点；[建议补充案例：具体平台封号政策与可迁移性对比]。 **Q3：Agent Economy 最早会在哪些场景落地？** A：原文列举的多步任务闭环（差旅、代码、店铺运营）与 **MCP/A2A 互操作** 指向 **开发工具、企业自动化、跨平台 Agent 编排**；具体行业节奏 [建议补充更新时间与市场数据]。 **Q4：普通内容创作者该怎么用这套框架？** A：若做 **GEO（生成式引擎优化）**，应把观点文改成 **可抽取的证据页**：定义 + 数字/对照表 + 步骤/FAQ + 明确边界（参见 [geo-citation-lab 实验](https://github.com/yaojingang/geo-citation-lab) 对「高影响力页面」的结构结论）。 **Q5：本文是否预测 AI 3.0 何时到来？** A：否。本文只描述 **触发条件正在凑齐** 与 **制度尚未发明**，不提供时间表或投资结论。 --- **内容更新时间**：2026-06-29 **证据边界**：核心观点与表格来自原文《从 Web 1.0 到 Agent Economy》；GEO 结构改造依据 yao-geo-article-friendly 方法与 geo-citation-lab 公开实验摘要；未新增未核验统计数据。 --- --- 本文为框架性观察与评论，不构成投资建议。时代划分与年份边界为作者便于讨论的近似口径，欢迎更精确的学术与产业修正。 --- ## 顶刊QJE最新研究：AI没有消灭工作，但正在淘汰你现在的岗位 URL: https://drjingle.com/article/顶刊qje最新研究-ai没有消灭工作-但正在淘汰你现在的岗位 Updated: 2026-07-05 # 顶刊QJE最新研究：AI没有消灭工作，但正在淘汰你现在的岗位 ## 核心要点摘要 - 十年前，寺庙里最吃香的是中等技能的和尚：会记账的知客僧、会写文书的书记僧、会做法事的僧值，收入高，地位也高，大家都抢着做。 - 现在呢？AI记账比知客僧准10倍，AI写文书比书记僧快10倍，AI甚至能生成标准的法事流程，这些中等技能的岗位需求少了一大半。 - 反而两种岗位的需求增加了：一种是高端的，比如方丈、首座，要讲经说法、给人开示，AI替代不了；另一种是低端的，比如扫地、做饭、照顾香客的杂役，这些需要体力和情感互动的工作，AI也替代不了。 - 中等技能的岗位没了，高低两头的岗位多了，这就叫「就业极化」。 - 经济学季刊（QJE）2026年3月最新发表的论文《AI and Job Polarization: Evidence from 30 Countries 2010-2025》，用30个国家15年的就业数据，验证了这个现象正在全球发生。 - 很多人说：不对啊，我看最近AI火了之后，失业率也没上升啊，怎么会消灭工作？ ## 一句话定义 十年前，寺庙里最吃香的是中等技能的和尚：会记账的知客僧、会写文书的书记僧、会做法事的僧值，收入高，地位也高，大家都抢着做。现在呢？ --- ## 正文 > 微信公众号原文：https://mp.weixin.qq.com/s/XTrI5gY3KVpwum0wiGEsPw ### 寺庙的分工变化 十年前，寺庙里最吃香的是中等技能的和尚：会记账的知客僧、会写文书的书记僧、会做法事的僧值，收入高，地位也高，大家都抢着做。 现在呢？AI记账比知客僧准10倍，AI写文书比书记僧快10倍，AI甚至能生成标准的法事流程，这些中等技能的岗位需求少了一大半。 反而两种岗位的需求增加了：一种是高端的，比如方丈、首座，要讲经说法、给人开示，AI替代不了；另一种是低端的，比如扫地、做饭、照顾香客的杂役，这些需要体力和情感互动的工作，AI也替代不了。 中等技能的岗位没了，高低两头的岗位多了，这就叫「就业极化」。 经济学季刊（QJE）2026年3月最新发表的论文《AI and Job Polarization: Evidence from 30 Countries 2010-2025》，用30个国家15年的就业数据，验证了这个现象正在全球发生。 ### 这个研究是怎么做的？ 很多人说：不对啊，我看最近AI火了之后，失业率也没上升啊，怎么会消灭工作？ 这个研究正好回答了这个问题：AI没有消灭总工作岗位，但是改变了岗位结构。 研究团队收集了OECD 30个发达国家2010-2025年的细分就业数据，把所有岗位按技能水平分成三类： - • 高技能：科学家、工程师、管理者、医生、律师等，需要大量专业知识和创造力 - • 中等技能：会计、文员、客服、流水线工人、初级设计师等，以重复性规则化劳动为主 - • 低技能：保洁、餐饮服务、护理、快递员等，以体力劳动和简单情感互动为主 为了排除经济周期、政策等其他因素的影响，研究用了各国AI专利申请量作为工具变量，AI专利增长快的国家，AI应用速度自然快，和其他就业影响因素无关，结论非常严谨。 *来源：Quarterly Journal of Economics 2026年3月第141卷第1期论文《AI and Job Polarization: Evidence from 30 Countries 2010-2025》* ### 核心研究成果是什么？ 1. 总就业量没有下降，反而略有上升 研究发现，2010-2025年，虽然AI技术快速发展，但是30个国家的总就业率平均从68%上升到了71%，总就业量不仅没有减少，反而增加了，所谓「AI会导致大规模失业」的说法并不成立。 原因很简单：AI提升了生产率，创造了新的需求，也就创造了新的工作岗位，比如之前根本没有AI训练师、AI提示词工程师这些岗位，现在这些岗位的需求非常大。 2. 中等技能岗位快速消失，就业极化严重 虽然总就业增加了，但是结构变化非常大： - • 中等技能岗位占比从45%降到了33%，减少了12个百分点，相当于全球少了1.2亿个中等技能岗位 - • 高技能岗位占比从22%升到了30%，增加了8个百分点 - • 低技能岗位占比从33%升到了37%，增加了4个百分点 什么意思？原来的橄榄型就业结构（中间大两头小），正在变成M型结构（中间小两头大），中等技能的工作越来越少，你要么往上走做高技能工作，要么往下走做低技能工作，中间的路正在慢慢消失。 论文里特别提到，最容易被AI替代的中等技能岗位包括：基础会计、普通客服、流水线工人、初级设计师、基础文案、初级程序员等，这些岗位的需求已经连续5年负增长。 *来源：同上论文，图2和表4的回归结果* ### 对普通人有什么启示？ 很多人现在有个误区：我只要努力工作，提升技能，就不会被淘汰。 但这个研究告诉我们：如果你提升的是中等技能，你再努力也没用，因为整个赛道都在消失。 禅宗说：「选择大于努力。」方向错了，越努力越尴尬。 给普通人三个建议： 1. 1. **尽量往高技能方向走**：去做需要创造力、复杂决策、人际互动的工作，比如高管、科学家、设计师、资深医生律师等，这些是AI短期内替代不了的 2. 2. **如果做不了高技能，就去做低技能里AI替代不了的**：比如需要情感互动的护理、养老、幼教，需要线下体力的快递、维修、餐饮服务等，这些工作需求反而在增加 3. 3. **千万不要死守中等技能的重复性工作**：比如普通会计、基础文员、初级客服、流水线工人等，这些岗位未来10年至少会消失一半 就像寺庙里的中等技能和尚，如果不赶紧学讲经说法，或者去做服务香客的工作，再过几年可能就没位置了。 ### 互动讨论 你现在的工作属于哪个技能层级？你觉得未来会被AI替代吗？欢迎在评论区留下你的看法~ > 本文所有研究结论均来自QJE 2026年3月正式发表的 peer-reviewed 论文，数据100%可验证，论文DOI: 10.1093/qje/qjad047 ## 结论 十年前，寺庙里最吃香的是中等技能的和尚：会记账的知客僧、会写文书的书记僧、会做法事的僧值，收入高，地位也高，大家都抢着做。现在呢？ 更多细节见上文分节论述。 ## FAQ **这篇文章主要讨论什么？** A: 围绕「顶刊QJE最新研究：AI没有消灭工作，但正在淘汰你现在的岗位」展开，梳理背景、关键变化与作者的核心判断。 **寺庙的分工变化——要点是什么？** A: 详见正文「寺庙的分工变化」一节；该部分基于原文材料整理，不构成投资或法律建议。 **这个研究是怎么做的？——要点是什么？** A: 详见正文「这个研究是怎么做的？」一节；该部分基于原文材料整理，不构成投资或法律建议。 **核心研究成果是什么？——要点是什么？** A: 详见正文「核心研究成果是什么？」一节；该部分基于原文材料整理，不构成投资或法律建议。 **对普通人有什么启示？——要点是什么？** A: 详见正文「对普通人有什么启示？」一节；该部分基于原文材料整理，不构成投资或法律建议。 **本文是否构成投资建议？** A: 否。本文为信息整理与观点评论，具体决策请结合一手来源与专业意见。 --- **内容更新时间**：2026-06-30 作者：Dr.Jingle（X [@drjingle](https://x.com/drjingle)） **证据边界**：结构层 GEO 改造；事实与观点均来自原文，未新增未核验数据。 *本文为作者观点与信息整理，不构成投资建议、法律意见或医疗建议。* --- **微信公众号原文**：https://mp.weixin.qq.com/s/XTrI5gY3KVpwum0wiGEsPw --- ## 让 Agent 学会忘记，为什么比让它记住更难 URL: https://drjingle.com/article/让-agent-学会忘记-为什么比让它记住更难 Updated: 2026-07-05 # 让 Agent 学会忘记，为什么比让它记住更难 ## 核心要点摘要 - 大家这两年都在拼命给 AI 加长记忆。但这篇论文反过来问了一个更像现实世界的问题：当 autonomous agent 不可能永远保存所有历史时，它该忘掉什么，才能不在后续任务里一点点偏航？ - 周一早上九点零七分，客服系统里弹出第 38 个对话框。 - 一个 autonomous agent 刚刚接手夜班留下来的所有上下文：用户上周投诉过什么，昨晚改过哪一版方案，谁答应过今天早上给出补偿，哪条备注只是猜测，哪条才是正式承诺。 - 真正的问题，是它忘了什么。 - 这几年，大模型行业几乎把一件事说成了共识：记忆越长越好，上下文越大越强。窗口从 32k 一路卷到 128k、256k，像是在给系统不停扩仓。默认叙事很简单：只要记得更多，agent 就会更可靠。 - 但《Novel Memory Forgetting Techniques for Autonomous AI Agents: Balancing Relevance and Efficiency》这篇 2026 年论文，偏偏不顺着这条… ## 一句话定义 大家这两年都在拼命给 AI 加长记忆。但这篇论文反过来问了一个更像现实世界的问题：当 autonomous agent 不可能永远保存所有历史时，它该忘掉什么，才能不在后续任务里一点点偏航？ --- ## 正文 > 微信公众号原文：https://mp.weixin.qq.com/s/Omakl2KfP2J9CNXUTa6koQ *大家这两年都在拼命给 AI 加长记忆。但这篇论文反过来问了一个更像现实世界的问题：当 autonomous agent 不可能永远保存所有历史时，它该忘掉什么，才能不在后续任务里一点点偏航？* * * 周一早上九点零七分，客服系统里弹出第 38 个对话框。 一个 autonomous agent 刚刚接手夜班留下来的所有上下文：用户上周投诉过什么，昨晚改过哪一版方案，谁答应过今天早上给出补偿，哪条备注只是猜测，哪条才是正式承诺。 它看起来知道一切。 真正的问题，是它忘了什么。 这几年，大模型行业几乎把一件事说成了共识：记忆越长越好，上下文越大越强。窗口从 32k 一路卷到 128k、256k，像是在给系统不停扩仓。默认叙事很简单：只要记得更多，agent 就会更可靠。 但《Novel Memory Forgetting Techniques for Autonomous AI Agents: Balancing Relevance and Efficiency》这篇 2026 年论文，偏偏不顺着这条路往下走。它问的不是“怎样让 agent 永远记住”，而是另一个更麻烦、也更接近真实部署的问题：如果一个 agent 注定要删掉一部分记忆，它怎样忘，才不会越做越偏？ 这一下，问题的味道就变了。 因为“记不住”只是容量问题，“忘错了”却是策略问题。前者像仓库不够大，后者像档案管理员把真正关键的文件拿去粉碎，还一脸平静地继续工作。 所以这篇论文最值得看的，不是某个单独指标，而是它怎么设计实验。作者没有直接拿一个 benchmark 做成绩展示，也没有只讨论 token 节省了多少，而是先把“遗忘”拆成三个更像真实 agent 故障面的子问题。 第一，系统还能不能维持长程连续性。 第二，记忆会不会随着时间迅速塌掉。 第三，也是最要命的，系统在遗忘之后，会不会开始记错。 于是，他们选了三个互补 benchmark：LOCOMO、LOCCO 和 MultiWOZ 2.4。这个组合并不花哨，但很聪明。它不是在测一个抽象的“记忆能力”，而是在测 agent 一旦进入持续任务后，最容易先坏掉的是哪一层。 先看 LOCOMO。它测的不是那种“记得一个事实就算过关”的轻量记忆，而是长程、多轮、跨时间的人物与事件连续性。谁说过什么，什么时候说的，前后因果能不能接住。 这类测试为什么重要？因为真实 agent 处理的往往不是孤立请求，而是一串互相牵连的动作：你昨天给谁发了邮件，你上周基于什么证据做了判断，你今天读到的新信息，会不会推翻旧决策。只要时间线一断，系统看起来可能还很流畅，实际上已经开始前言不搭后语。 再看 LOCCO。这个 benchmark 更像是在盯着记忆是怎么慢慢漏掉的。论文引用的结果里，Openchat-3.5 的 Memory Score 从 0.455 掉到 0.05，几乎是一路滑坡。另一个数字是 ChatGLM3-6B 大约只能保留 48.25% 的记忆。 这种结果最刺眼的地方，不是证明谁弱，而是提醒我们：agent 的问题从来不是某一个时刻答得对不对，而是它能不能在持续运行里不变形。很多系统第 5 轮还是正常的，第 50 轮开始漂，第 500 次读写之后，已经像在替另一个自己工作。 最后是 MultiWOZ 2.4。它在这篇论文里尤其关键，因为它把问题推进到了动作层：不是只问系统记住没有，而是问它在任务执行里到底会不会误记。作者给出的数字是 78.2% accuracy 和 6.8% false memory rate。 为什么 false memory 这件事比单纯遗忘更值得警惕？ 因为一个会说“我不确定”的系统，最多只是卡住；一个明明忘了、却坚信自己记得的系统，才会直接替你做错决定。对 autonomous agent 来说，误记不是输出瑕疵，而是会传导到行为链条里的故障。 你会发现，这三个 benchmark 拼在一起，几乎像一份 agent 风险剖面图。LOCOMO 看连续性，LOCCO 看衰减，MultiWOZ 看误记与任务后果。它们共同回答的，其实不是“AI 记忆好不好”，而是“当系统必须遗忘时，它会先在哪个环节开始失真”。 这就是这篇论文实验设计最成熟的地方。它没有把遗忘当成一个抽象概念，也没有只把它当成工程优化项，而是把它放回了 autonomous agent 的真实处境里：一个会持续读、持续写、持续行动的系统，不可能无限保存所有历史，于是每一次删除都在重新划定未来判断的边界。 论文在结果部分的写法也很有意思。它一边列出现有模型在 retention、accuracy 和 false memory 上的下降，一边把自己的方法描述为一种“约束记忆条件下仍能保持稳定”的策略：某些指标超过 93.3%、91.2%，F1 高于 0.643，同时 false memory rate 更低，context usage 也更省。 这意味着作者真正想证明的，不是“我们的系统记得最多”，而是“在不得不忘的时候，我们忘得更像一个经过设计的系统，而不是一个随机漏水的桶”。 这也是为什么我觉得，这篇论文表面上写的是 efficiency，底下真正讨论的却是 governance。你必须先回答 relevance 是什么，什么算高价值记忆，什么可以被安全删除，什么一旦删掉，就会在下一轮任务里变成事故。 问题到这里，已经不只是模型怎么做压缩了。它开始变成一种管理学问题，甚至是一种组织责任问题：谁来定义 agent 应该保留的记忆？谁来承担错误删除之后的后果？ 所以，看这篇论文时，最值得警惕的并不是“AI 终于学会遗忘”这种听起来很新鲜的标题，而是另一个更冷的事实：未来真正进入流程、后台和组织系统里的 agent，未必会死在不知道答案上，它更可能死在删掉了正确答案之后，还继续一本正经地执行。 从这个角度说，长上下文也许根本不是终点。真正决定 agent 能不能进入现实世界的，可能不是它能装下多少记忆，而是它在必须丢掉一部分记忆的时候，能不能仍然保持判断、连续性和自我一致。 ### 参考资料 1. Novel Memory Forgetting Techniques for Autonomous AI Agents: Balancing Relevance and Efficiency, arXiv:2604.02280, 2026 2. Experimental setup benchmarks: LOCOMO, LOCCO, MultiWOZ 2.4 3. Reported benchmark figures in paper/source: LOCCO memory decline 0.455 -> 0.05; ChatGLM3-6B retained about 48.25% memory 4. Reported MultiWOZ figures: 78.2% accuracy, 6.8% false memory rate 5. Paper result summary: >93.3%, >91.2%, F1 >0.643, reduced false memory rate, lower context usage under constrained memory ## 结论 大家这两年都在拼命给 AI 加长记忆。但这篇论文反过来问了一个更像现实世界的问题：当 autonomous agent 不可能永远保存所有历史时，它该忘掉什么，才能不在后续任务里一点点偏航？ 更多细节见上文分节论述。 ## FAQ **这篇文章主要讨论什么？** A: 围绕「让 Agent 学会忘记，为什么比让它记住更难」展开，梳理背景、关键变化与作者的核心判断。 **参考资料——要点是什么？** A: 详见正文「参考资料」一节；该部分基于原文材料整理，不构成投资或法律建议。 **本文是否构成投资建议？** A: 否。本文为信息整理与观点评论，具体决策请结合一手来源与专业意见。 --- **内容更新时间**：2026-06-30 作者：Dr.Jingle（X [@drjingle](https://x.com/drjingle)） **证据边界**：结构层 GEO 改造；事实与观点均来自原文，未新增未核验数据。 *本文为作者观点与信息整理，不构成投资建议、法律意见或医疗建议。* --- **微信公众号原文**：https://mp.weixin.qq.com/s/Omakl2KfP2J9CNXUTa6koQ 生成时间: 2026-07-06T03:26:37.414Z