🤖 AI 洞察

1. AI 经济的瓶颈正从「智能」转向「接口」。Diogo 的核心判断是：模型能力已远超经济活动能吸收的程度，真正稀缺的是让代码直接消费智能的形态。Jev 把输出从文本改成带概率的类型化决策，本质是把大模型从「供应商」降格为「函数」——这是一次产品哲学的转向，而不是模型能力的竞赛。
2. 「系统一模型」是一个被低估的品类定义。借用 Kahneman 的系统 1/系统 2 框架切分市场：并非所有任务都需要慢思考。把大量细小、高频、可验证的决策从昂贵的通用推理模型里剥离出来，很可能是继「推理模型」之后下一个可规模化的方向。
3. 三条北极星的分野，暴露了后训练路线的真实竞争。RLHF（请人类偏好）→ RLVR（可验证奖励）→ RLCD（校准决策）。Diogo 给 RLVR 打「0.2 分」，指向一个系统性风险：当训练目标退化为刷榜，模型的校准度与可靠性会被悄悄牺牲，而这两项恰恰是软件依赖的前提。
4. 「数据实验室」而非「模型实验室」，是组织形态层面的判断。TypeSafe 把竞争壁垒从算力规模转移到任务定义与数据构造能力上。对算力受限的团队（含国内团队）而言，这是一个具有借鉴意义的取舍：选对任务、确立北极星，比堆卡更决定成败。
5. API 设计正在成为对齐的新战场。「拒绝响应是类型错误」「system prompt 是恶心的全局变量」——一旦模型作为软件依赖运行，安全对齐就必须让位于能力对齐与可预测性。这是从「聊天产品思维」到「基础设施思维」的迁移。
6. 「反 SaaS 末日」提供了 AI 商业化的另一种叙事。当 AI 隐入软件背景，最大受益者可能是拥有领域数据和既有流程的存量软件公司，而不是新造的聊天框。这与「AI 取代 SaaS」的主流叙事相反，对拥有存量业务与垂直场景的企业更具参考价值。

💡 核心观点

1. AI 的问题不是不够聪明，而是缺少正确接口——要让代码而不是人，成为模型的直接使用者。
2. Jev 定义了一个新品类「系统一模型 / 大型可编程模型」：不生成文字，一次并行调用返回带概率的类型化决策。
3. 整个 API 只有三种原语：Choice（有限选项 + 概率分布）、Score（有序档位）、Noul（源自 Bernoulli 的 yes/no 概率）。
4. RLCD 是第三条北极星：既不讨好人类（RLHF）也不刷可验证奖励（RLVR），而是追求程序化使用中的校准度与可靠性。
5. system prompt 相当于「恶心的全局变量」；用结构化状态 + 最小语义单元替代它，就是「没有 ML 的 ML」。
6. 目标不是确定性，而是鲁棒性：相似输入得到相似结果，才是软件真正需要的特性。
7. 需求是真实的：上线不到一周突破 1 万亿 token/天；候补名单对开发者平台毫无意义，稀缺的是速率限制。

🧠 头脑风暴