全員 token-maxxing，一場沒有人敢停的軍備競賽

撰文：孟醒

2026 年 3 月 24 日早上，我坐在 YC W26 batch Demo Day 的觀眾席裡，聽到第五家公司上台路演的時候，決定不再做筆記了。

不是不重要，而是我意識到，自己記下來的這些東西，可能下個月就過時了。

這一屆一百多家公司，做的事情其實高度集中：大約 80% 都是垂直代理，比如幫律師整理文件、幫客服分發工單、幫 HR 篩選簡歷。

如果是在去年 10 月看到這些項目，我大概率會覺得「挺有想法」。但問題是，這五個月，世界變了。

Claude Code 從一個偏向開發者的工具，變成了幾乎任何人都能直接使用的界面。Opus 4.6 出來之後，整個 vibe coding 的門檻被壓到了地板上。

那些垂直代理，在沒有形成業務壁壘之前，今天一個普通工程師，甚至我自己，花一個週末就能做出來，他們已經失去了投資價值。

YC 一屆項目周期是三個月，這批 12 月入營，加上前期篩選，等於 5 個月前被選出來的「好公司」。而 5 個月，在現在的 AI 迭代速度裡，已經足夠發生幾輪範式轉換。

2012 年我第一次創業，拿到 YC 的 Fly Out（實地面試邀請）時，那時候 YC 在加速器這個賽道上，幾乎一枝獨秀，選出來的公司往往代表著「下一個方向」。但競爭格局在變，YC 這幾年感覺反過來了，逐漸變成了一個 lagging indicator（滯後指標）。

YC 的 batch 制度，從申請、篩選、入營、打磨、路演，在移動互聯網時代運轉了十幾年，非常成功。但這套節奏是按一個更慢的世界設計的。

回到風險投資行業的這一年半，我大概每個季度都會來一次硅谷，上一次是去年 10 月。以前每次來，都會覺得變化很快，但這種「快」大多是按月來感知的。

這一次，得按「周」。

有一天晚飯的時候，一個做 post-training（後訓練）的朋友隨口說了一句：

「我發現，硅谷自己都開始跟不上自己了。」

全員 token-maxxing：一場沒人敢停的軍備競賽

半年前如果有人跟我說，Meta 幾萬名工程師，全在用競爭對手的產品寫代碼，我會以為他在開玩笑。

但這是真的。整個 Meta，全員都在用 Claude Code。這不是創業公司，不是某個實驗性團隊，而是一家市值萬億級別的公司。

代碼安全不要了，token 預算炸了，排行榜卷起來了，整個硅谷都在不計成本的往 AI 裡砸錢。但砸完之後呢？

先說代碼安全。放在半年前，這件事完全不可想象，因為代碼是公司的核心資產，你怎麼能讓外面一家公司的 API 去碰它？Meta 一開始也是這麼想的，他們內部做過一個叫 myclaw 的東西，試圖解決這個問題。一個 Meta 的朋友告訴我，他們做出來了 coding 產品，但「不好用，沒人用」。沒人用之後，公司不得不放寬了：只要不涉及客戶數據，愛用 Claude Code 就用。

然後各部門開始開那種「怎麼變成 AI native 組織」的內部會議，做培訓，搞考核。代碼安全、使用安全，這些過去天經地義的紅線，統統被排到了後面，先把效率趕上來再說。

出於安全考慮，Google 禁止大多數員工使用 Claude Code 或 Codex 等競爭對手的工具，但 DeepMind 是個例外，負責 Gemini 模型和內部應用的幾個團隊，都在用 Claude Code。

谷歌自己也不是沒有努力：他們推出了內部編碼工具 Antigravity，今年 2 月還宣稱公司約 50% 的新代碼，已經由 AI 編寫。

但即便如此，DeepMind 的人還是在用 Claude Code。DeepMind 敢這麼做，一個重要原因是 Anthropic 給他們做了私有化部署，畢竟 Anthropic 的推理和訓練，本來就大頭跑在谷歌雲的 TPU 上，雙方有這個信任基礎。但 Meta 和其他科技巨頭可沒有這層關係，他們是真的把代碼安全扔到一邊了。所有人都在賭同一件事：先把速度衝上去。

代碼安全只是第一面倒下的旗，第二面是 token 預算。

在 Palo Alto 談的幾家 AI-native 創業公司裡，一個工程師一年的 token 預算，大概在二十多萬美元。這個數字本身不稀奇，稀奇的是它意味著一個頂級工程師消耗的 AI 成本，已經接近於一個工程師的工資了。看起來公司在用 AI 裁人省錢，實際上總成本可能根本沒降，只是把人的成本換成了 token 成本。

Meta 在這件事上又是最極端的。他們搞了一個內部 token 消耗排行榜：誰用得多誰上榜，末尾的可能被裁員，所以 Meta 員工甚至在卷一個叫「token legend」的非官方頭銜。

但與此同時，Meta 今年接連兩輪裁員，規模加起來上萬人。一邊全員用 Claude Code 衝 token 量，一邊大規模裁人。

這兩件事不是矛盾的，它們是同一件事的兩面。

我去看了一家 C 輪公司，技術負責人把 Slack 打開給我看，全是 agent 在跑，十幾個 Cursor agent 後台並行，再開一個 Claude Code 窗口調度。現在程序員圈最流行的焦慮是：如果睡覺之前，不知道我那十幾個 agent 要幹什麼就很慌。

但生產力真的同等漲了那麼多嗎？從去年年底開始，有很多頂尖推理引擎、數據庫公司的 CTO，很興奮地跟我講「百倍工程師」「十倍效率提升」，以前 60 人需要 1 年做的事，現在 2 個人加上 Claude Code 一周就能搞出來。

我開始也跟他們一起興奮，但後來我冷靜了下來，就會問一個問題：好，效率提升了 100 倍，那公司的營收增長了 100 倍嗎？或者產品線擴張了 100 倍？總不能「100 倍」的提升，最後就是優化掉多少人吧？

我沒有得到正面回答。事實是，100 倍的效率提升，落到公司的營收增長上，只體現了 50% 或者 1 倍。

差距在哪？現在還沒有人能說清楚。

「用了這麼多 token，公司應該基因突變成另外一種公司才對。但到底變成什麼，我也不知道。」

有一個做 toB 銷售出身的創始人告訴我，他團隊 16 個人，兩個銷售，在 12 個月內從零做到三千萬美金 ARR，這是全靠 AI coding 搭出來的。這種案例你確實偶爾能看到。但大多數時候，我看到的是創業公司搭出了更多東西，但這些東西也沒有 product-market fit（PMF，產品市場匹配）。

硅谷現在很流行用 vibe coding 去嘗試 100 種做法，看看哪一種能行得通，而不是只試 10 種。但誰能抓住下一個發展趨勢？還很難說。

讓我印象最深的一個反例來自 Anthropic 內部。我問一個 Anthropic 的朋友，你們自己用 agent 最痛苦的場景是什麼？他說是 oncall（即時響應）。

Oncall 任務的一個典型場景是：如果 Claude 的 API 突然響應變慢、某個模型推理節點掛了、用戶反饋某類 prompt 輸出異常，oncall 工程師需要快速定位問題根源，判斷是代碼 bug、算力分配問題還是模型本身的異常，然後決定怎麼修。

Anthropic 自己就是全世界做 Coding agent 最強的公司，這個場景離他們的核心能力近得不能再近了，結果他們內部的 oncall agent 還是不好用。

這就是 2026 年 4 月的真實狀態：蒸汽機已經被發明了出來，但它有時候跑得還沒有馬車快。關鍵是所有人都知道蒸汽機終將跑得更快，所以都在瘋狂砸錢：代碼安全也不管了，token 預算爆了，排行榜卷起來了。至於到底什麼時候蒸汽機能真的跑過馬車？沒人知道，但沒有人敢停下來等那一天。

因為停下來的代價，可能比燒錯 token 更大。

而且 token 消耗量，大概率不是線性增長的。這讓我想到我以前做自動駕駛的經歷：2021 年我們在上海，首次實現了連續 5 小時無接管的自動駕駛。當時覺得是一個重大突破，在那之前，測試車隊可能是 10 台、15 台、20 台慢慢增加；但過了那個拐點之後，很快就到了 100 台、1000 台。今天的 Coding agent 正處在類似的階段。

2021 年在上海，滴滴自動駕駛首次實現連續 5 小時無接管連續行駛，這是國內自動駕駛的一個里程碑事件。圖為時任滴滴自動駕駛公司 COO 孟醒，與谷歌「無人車之父」 Sebastian Thrun 的對話，2021。

METR 是加州一家專門評估 AI 編碼能力的研究機構。他們去年提出了一個指標：衡量 AI agent 能以 50% 成功率完成多長的任務（按人類專家完成時間算）。2025 年 3 月首次發布時，Claude 3.7 Sonnet 的這個數字還是 50 分鐘；到了 2025 年底，Claude Opus 4.6 已經做到了 14.5 小時。過去兩年，這個指標的翻倍週期，從 7 個月壓縮到了 4 個月。一旦 agent 的可靠性再上一個台階，token 消耗就不是每年加 50% 的問題，而是一夜之間上一個數量級。

有一個獲得朋友們共識的預測，到今年底，不少公司（包括科技大廠），實際上只需要 20% 的人。

xAI 團隊雪崩之後，造火箭的人開始造模型了

在 Mountain View 一家牛排館，晚上九點多，一位曾經跟馬斯克工作了很久的朋友，坐到了我對面。聊了三個多小時，我後來回想，整個過程裡他似乎沒有說過一句馬斯克的好話。

一個細節：我問他，你在 xAI 幹了三年，每天的節奏是怎樣的？他說三年來基本都住在公司，所以家裡都沒怎麼布置，甚至連床都沒有買。在公司睡的是那種 sleeping pod（睡眠艙），跟青年旅館差不多。我說你現在拿著巨額股權，也都離職出來了，好歹買個床吧。他笑了笑。

xAI 的工作強度在硅谷是出了名的，但如今早期團隊大概已經走了 90%。他們有一個離職群，天天在加人。

導火索是 Tony Wu 被開掉，然後連鎖反應，用一位內部人的話說，「別的公司可能需要醞釀半年的高管團隊出走，xAI 只需要一個月」。有些人在去年 10 月，就感知到馬斯克的不滿了，但沒想到這麼快全部清洗。

現在馬斯克開始從 SpaceX 和特斯拉調人過來接管 xAI，「造火箭的人開始造模型了」。

馬斯克的不滿，來自於他砸了無數資金和算力，結果 Grok 一直沒能進入一線，但為什麼？這是我遇到每個 xAI 出來的人，都会問的问题。答案其實比我想象的簡單，一位朋友說得很直接：團隊的戰鬥力非常強，工作也極其拼命，但製造業的管理方式，可能不適合大模型公司。

我做了八年自動駕駛，對這件事有一些自己的感受。馬斯克過去做 SpaceX、做特斯拉，本質上做的是系統工程：鏈路很長，涉及軟件、硬件、供應鏈，每一塊都有創新空間，但最終是一個端到端的工程問題。

他擅長的是在這種長鏈條裡，識別出關鍵槓桿點，然後極限壓縮時間線來攻克。火箭發動機級聯、復用著陸，都是這種思維的產物。

但在 xAI，他做的不像是系統工程。他現在做了三件事：先砸一個全球最大的 GPU 集群（甚至今天大家調侃說，xAI 本來是個 neo lab，現在更像是個 neo cloud 了，變成給 Cursor 提供算力了），然後給團隊定脈衝式的 deadline，再親自拍一些產品特徵。這是在抓幾個點，不是在做完整的規劃。

做自動駕駛的人都知道，一到後期，軟件團隊、infra 團隊、硬件團隊之間「誰領導誰」就變成核心矛盾。三個方向都需要 CTO 級別的人來做決策，但沒有一個人同時懂這三個領域。好的做法是，創始人雖然每塊都不全懂，但知道怎麼平衡資源、確定階段性優先級，這段時間軟件優先，下一階段推給 infra。這叫有全局規劃。

xAI 的問題是沒有這個全局規劃，只有衝刺。如果壓力不那麼大，聰明人之間其實能自我修復，給他們時間，各個方向會自己找到協作的節奏。但馬斯克的超高壓管理，加上不充分的全局規劃，一壓就散了。每個方向的負責人都在保自己的優先級，沒有人在做全局的統籌。

SpaceX 和特斯拉之所以如此成功，一個被忽略的原因是，在這兩個行業裡，馬斯克基本沒有遇到過同等量級的競爭對手，他是跟自己卷的。但 AI 不一樣，AI 是連 OpenAI 都可能被 Anthropic 偷家的激烈競爭程度。

xAI 的一位 cofounder 去年就說有兩件事他沒想到：第一是競爭這麼慘烈，第二是 AI 時代應用創新的機會這麼少，都被模型吃掉了。

Anthropic 的崛起，是過去一年 AI 行業最戲劇性的逆轉。也徹底改變了戰場焦點：一年前大家還在卷 C 端用戶量和視頻生成，現在（階段性）決定勝負的戰場是 toB 和 coding。

當然，xAI 的故事，還同時是一個「錢來得太快、太多，會怎樣」的故事。

我想今天離開 xAI 的朋友們，也不會後悔當年加入的決定，xAI 可謂是硅谷最快的造富神話。xAI 從第一輪幾十億美元規模的融資，到今天與 SpaceX 合併，成為 2500 億美元巨獸，只用了一年的時間。而 xAI 的 9 位 cofounder，差不多每個人都成為了 Billionaire，核心工程師也有大幾千萬到 1 億美元，硅谷錢真的太多了。今天他們如果再創業，就有充分的底氣，去做自己感興趣的方向，而不是賺快錢的事。

焦慮的工程師，更焦慮的 researcher

跟工程師聊天，如今有一種奇怪的默契：大家都承認自己不怎麼寫代碼了，但又都假裝這沒什麼大不了，因為自己會成為被 AI 武裝，而幹掉那些沒有 AI 化的工程師。

今天 80% 軟件工程師的核心技能，已經被模型取代了，还留著的原因是模型偶爾犯蠢，需要人來盯著。但「盯著」這件事本身，可能很快也不需要了。

更激進一點想：今天所謂的「AI native 組織」，聽起來很 sexy——讓每個部門梳理工作流、把能被 AI 介入的部分線上化、寫成 skills。但本質上就是在人肉蒸餾自己：你把你的能力變成機器的 skill，公司拿到了你的 skill，實際上就已經完成 AI 化了，是否要由此裁員，那是一个道德的问题。今天 Meta 就是在干這件事。

雖然今天大家都在卷 token-maxxing，但你還是能感受到，有一種瀰漫在整個硅谷的底層焦慮感。

更讓我沒想到的是，這種焦慮感，正在往 researcher 這個群體蔓延。

Researcher 是最金字塔尖的人才，它不是泛指「研究人員」，而是在大模型公司（OpenAI、Anthropic、DeepMind 等）裡，負責模型訓練、做算法創新的那群人。他們跟 engineer（工程師）的區別是：engineer 是「把東西造出來」，寫代碼、部署、優化性能；researcher 是更上游的「想出來造什麼」：提出新的訓練方法、設計模型架構、跑實驗驗證假設。

而現在，連 researcher 的工作本身也在被自動化。這就是 DeepMind 的同學正在做的事情——用模型去訓模型，也是今年硅谷大火的 AI 自進化。今年淘汰的是 engineer（工程師），到年底 researcher 也將開始被取代。

這件事已經不是新概念了。Andrej Karpathy 的 auto research（自動化科研）開了一個頭，今天各種 AI scientist 工具、harness 框架，都在往這個方向走。但目前大多數的閉環，只到了「發 paper」這一層——AI 幫你跑實驗、寫論文，但最終還是人在做判斷。

OpenAI、Anthropic、Google 這些公司想做的更激進：他們希望閉環直接到模型升級本身，不只是細節改進，而是讓 AI 自己找到下一個範式級的突破。如果這件事能做成，那就是真的在替代 researcher。Google DeepMind 一年多前就在內部搞這個，讓模型自己決定下一步跑什麼實驗，跑完自己評估哪條路更有前途，然後沿著那條路走下去，這就是模型在訓練自己的下一代。

而且 researcher 更有動機被裁，原因很殘酷——因為貴。Researcher 全球可能也就幾千人，年薪動辄幾百萬、上千萬甚至上億美元。

「未來的情形可能是，10 個人幹過去 100 個人的活，拿 20 份錢，然後 90 個人失業。」

而且真正的裁員比表面數字更大。很多公司砍的第一刀，不是在自己的財務報表上，砍的是外包服務商。這意味著印度和菲律賓，這些曾經承接歐美客服、數據標註、財務後台的國家，可能是最先被衝擊的。一些發展中國家賴以升級經濟的那條「服務業階梯」，可能正在被 AI 抽掉。

整個硅谷都在盯著 Meta，如果它的實驗成功了——營收沒掉、效率真上去了，其他大廠會迅速跟進，裁員就從個案變成行業常態。而且裁員有一個殘酷的自加速機制：一開始大家不敢裁，怕傷士氣；一旦變成常態，就越裁越快、越裁越不心疼。

不過裁掉舊崗位的同時，新崗位也在冒出來。

很多創業公司開始招一種叫「AI builder」的新角色——合併了產品經理、前端工程師、後端工程師於一身。還有一種是合併了數據科學家和機器學習工程師的複合崗，以及合併了寫作、投放、運營的內容一體化操盤手。

硅谷公司對這些新角色的需求非常旺盛，但核心難題是：沒有人知道怎麼招聘他們。你用簡歷篩不出來，因為這個角色以前不存在，這個人的能力可能全藏在他自己的項目裡；你用現場寫代碼也考不出來，因為核心能力是「審美 + AI 使用能力」的組合。所以已經有創業公司在做這件事：根據雇主的需求，自動生成一個模擬環境，讓面試者現場用 AI 工具完成任務。有點像以前的 coding test（編程測試），但測的是一種全新的東西。

當 AI 什麼都能做的時候，人的價值正在從「會做什麼」，變成判斷「什麼值得做、什麼不該做」的。

一輪融資兩個估值，英偉達在每張「牌桌」上都要拿下籌碼

前面講了這麼多被替代的人——工程師、researcher、金融從業者。但有一個角色不但沒被替代，反而在這場洗牌中變得越來越像幕後老闆。

這個看似分布式創新的世界，底層其實在極度中心化。

這個中心就是英偉達。

我原以為卡的稀缺性，在過去一年已經緩解了。確實有一陣子緩了，在 2025 年中的時候，一些被英偉達扶持的 neo cloud（在 AI 浪潮中崛起的、專門提供 GPU 算力的「新型雲服務商」）融資都不太順利，有的業務增長乏力，甚至有公司在那個時間點賣身了。但這次來我發現，稀缺性又回去了，而且比上一次更離譜。

一個具體的信號：如果你今天能穩定地提供一個 API 服務，比如 Claude 的 API，做到 99 分位的穩定性，你可以賣官方 API 價格的兩到三倍。

Anthropic 的需求暴增後，API 中斷正在變多，這對很多構建在 Claude 之上的 Agent 產品來說，有點問題

以前做 Router（路由服務）這種生意，是「我比官方便宜，所以有流量」。現在邏輯完全反過來了：穩定性本身變成了稀缺資源。有一批創業公司就靠這個賺了不少錢，現在硅谷的 mini 版 Coreweave / Nebius 正雨後春筍般湧現出來。

而且這次的算力瓶頸，不只是 GPU 分配的問題。Elad Gil 最近寫了一個判斷我很認同：上游內存廠商（Hynix、Samsung、Micron）的產能擴建周期，至少還要兩年。這意味著在 2028 年之前，沒有任何一家 AI 公司能靠堆算力顯著拉開差距。算力約束客觀上在強化大模型市場的寡頭格局——不是誰不努力，是物理世界的製造周期就是這麼慢。

背後的權力結構很清楚：誰有卡誰厲害，誰有卡由英偉達決定。今天上市的 CoreWeave、Lambda、Nebius，背後站的都是英偉達。

英偉達的布局比我之前理解的要深。Reflection 的投資人和我提到，這家 neo lab 最早出來融資的時候，是做 coding 的，然後創始人去見了黃仁勛，黃仁勛跟他說：你別搞 coding 了，你出來給我做「美國的 DeepSeek」，做美國的開源模型，我給你錢給你卡。Reflection 就 180 度大轉型了。

美國資本市場也因此出現了一些以前少見的結構：同一輪融資，給兩個估值檔位。關係好的、進場早的投資人，進低估值那一檔；英偉達這種不差錢的老大，和那些晚到的投資人，被擠到高估值那一檔，這種結構在國內最近也開始出現。

但英偉達再怎麼想去控制分配，也搞不定不存在的東西。

整個美國社會，對數據中心的抗議正在升級。如今全美大約 100 個數據中心項目正在遭遇阻擊，其中 40 個會直接流產。緬因州剛通過了一項法案，全面禁止數據中心建設。一個城鎮批准了 60 億美元的數據中心項目，結果半數成員連夜被投票罷免，換上的新人唯一的目的，就是撤銷那個決定。

算力不夠了，不是因為產品不夠好、用戶不夠多，是因為物理世界跟不上數字世界的胃口。

這是另一個層面的「跟不上」。

硅谷的估值體系正在重寫

先看一個數字。

美國 GDP 大約 30 萬億美元。OpenAI 和 Anthropic 目前各自的收入 run rate（年化收入）都在 300 億美元上下，也就是說，這兩家公司各自已經佔到了美國 GDP 的 0.1%。如果年底兩家都衝到 1000 億，再加上雲服務和其他 AI 收入，AI 將佔到美國 GDP 的大約 1%。從幾乎為零到 1%，只用了短短幾年時間。

這個速度是前所未有的。但詭異的是，增長越快，投資人反而越不知道該怎麼定價了——在這麼快的增長面前，硅谷的估值框架正在崩塌。

這次跟不少做二級市場的朋友深聊了幾輪，一個反覆出現的詞是「re-rationalization」（估值的理性回歸）。

過去幾年投 AI，大家的估值邏輯是看未來現金流：你今天虧錢沒關係，我賭你三年後、五年後的 ARR。但現在，這套框架出了問題。

問題出在 DCF（現金流折現）這個最基本的估值模型上。正常做 DCF，你預測未來 10 年的現金流，然後加一個 terminal value（終值），也就是假設公司之後會穩定經營下去，把剩餘價值一筆打包。通常 terminal value 占整個估值的 70%-80%。

但現在有兩個東西同時變了：第一，你可能只能預測 3 年而不是 10 年，因為 3 年之後（有時候甚至是 1 年）這個行業會變成什麼樣，根本看不清；第二，terminal value 更沒法算了，它的前提是公司最終會穩定經營下去，但如果 AI 隨時可能顛覆一切，「穩定經營」這個假設就不成立。

我跟一個做二級投資的朋友聊到一個比喻：今天不在 AI 主航道上的公司，更像是在等一顆「核彈」，你知道它一定會被顛覆，只是不知道什麼時候。那你評估的重點，就不應該是「如果不被顛覆會怎樣」，而應該是「被顛覆時，應對的速度有多快」。這完全是另一種估值邏輯。

SaaS 是第一個被華爾街重新定價的。Snowflake 在 2023 年的時候，按自由現金流算要將近 100 年才能回本，如今估值已經腰斬，ServiceNow、Workday 也是同樣的趨勢，這只是開始。

甚至反過來說，真正適合用 DCF 來估值的，可能只剩下頭部大模型公司，因為相對來說，他們的未來似乎是向好的方向穩定成長的，他們不會「被炸」，而是在看邊界能拓多寬。

過去創業公司招人的說辭是「工資低一點，但給你期權，未來值大錢」。但這套話術的前提是，公司在 15 到 20 年後還在、還值錢。如果那個前提不成立了，員工最理性的反應會變成——「別給我期權了，直接漲現金。」

這又會反過來，改變公司的成本結構和融資邏輯。

VC 這一端也在痛苦。過去 3 到 6 個月，硅谷幾乎每家基金都投了至少一家 neo lab，那些從著名 AI lab 出來的研究員，拿著自己的想法融了幾億美金。但現在，大家事後都覺得有點衝動、有點貴。但為什麼還是投了？因為如果這家公司真的做出來了，增長會快到讓你覺得當初那個估值很便宜。

一位投資人朋友說得很直白：反正要么 zero to 100，要么 zero to zero，與其投一個貴的 A 輪賺「辛苦錢」，不如賭一個有無限可能的 neo lab 的入場券。

過去大家覺得 1 塊錢 ARR 就是 1 塊錢 ARR，不管你是做模型、做應用還是做 infra。但現在，這個等號被打破了。

做垂直 agent 的倍數最低（5 倍左右），做通用 agent 的倍數更高（10 倍左右），做模型的最高（20-30 倍 ARR，例如 Anthropic 30B 美金 ARR，800B 美金估值，26.7 倍）。一年前我覺得按 ARR 乘一個統一倍數，來算估值就可以了，但今天這個算法完全不對了。

酸橙樹與 AI 暗殺名單

硅谷正在經歷一場深層的安全感危機。

這次硅谷行，我反覆聽到朋友們在認真討論同一件事：買比特幣、建地堡、給家裡裝防彈玻璃，他們都不是開玩笑的語氣。

最近硅谷確實在流行種酸橙樹，因為這種樹的枝條上，長著 4 英寸的尖刺，任何試圖翻越的人都會付出代價。

華爾街日報甚至報導了一棟 1500 萬美元的「堡壘豪宅」：混凝土花盆裡栽著一圈酸橙樹，樹叢後面是壕溝，壕溝後面是激光入侵探測系統，前門是 3 英寸厚的實心鋼板配 13 道鎖栓，屋內藏著一個 2000 磅重門的安全避難室，連景觀設計都是防禦工事。

為 CEO 提供住宅安防的企業，創下了 2003 年以來的最高增長水平。特別是 UNH CEO 在曼哈頓街頭遭槍擊身亡之後，這個趨勢陡然加速。

然後，槍聲響到了 AI 大佬家門口。

在 4 月 11 日凌晨 4 點，一個穿 Champion 卫衣的 20 歲男孩，從德州專程飛到加州，手提煤油罐，站在 Sam Altman 价值 2700 万美元的豪宅門前，點燃了汽油彈，扔了進去。

一個半小時後，他出現在 OpenAI 總部，抄起椅子砸玻璃門，對保安喊：「我要燒了這裡，殺光裡面所有人。」

FBI 從他身上搜出了一份文件。標題是「你的最後警告」。裡面列著多名 AI 公司 CEO 和投資人的姓名與家庭住址。

兩天後的周日凌晨，Altman 的家再次遇襲：一輛本田轎車在門口短暫停留，副駕駛把手伸出窗外，朝房子開了一槍，然後逃逸。

這不是孤立事件。三月底，舊金山市中心已經出現過大規模反 AI 遊行，人群舉著「Stop the AI Race」（停止 AI 競賽）和「Don’t Build Skynet」（不要製造天