文章从《纽约时报》关于硅谷为永久底层阶级做准备的报道切入，探讨 AI 提效是否真正产生社会价值，指出提效不等于价值创造。作者通过 CL 一周 token 账单的例子，说明顶级模型成本让普通人难以负担，可能加剧阶层分化。文章回顾工业革命历史，将 1776 年瓦特蒸汽机与 2026 年 AI 工厂类比，讲述打字员、手摇织工、动力织机、卢德运动、恩格斯停顿等历史事件，揭示技术变革中工人工资停滞、岗位被替代的规律，但也指出每次技术变革都会蕴育新机会，如打字员职业的诞生。最后推荐一期播客，建议从历史中寻找 AI 时代普通人出路的答案。
Mustafa Suleyman 转述诺贝尔经济学奖得主 Daron Acemoglu 在 The Humanist Review 创刊号中的观点：AI 短期内不会大规模取代人类工作，未来十年仅约 5% 的人类工作会被替代。文章指出 AI 尚未在生产力统计中显现实际收益，未来十年 GDP 仅增加约 1.5%；如同电力普及耗时数十年，AI 采用也会因企业需重组而较为缓慢；即使 99% 准确率也不足以实现完全自动化。作者主张停止构建替代人类的 AI，转而发展'亲劳动者 AI'，让人与 AI 配合协作，并批评美国税收政策补贴自动化、科技巨头集中度过高等问题。
黑石集团总裁Jon Gray在面向全球顶级投资者的闭门演讲中，系统披露了黑石关于人工智能投资的内部数据与判断。他指出Anthropic和OpenAI等模型公司年化收入已达1050亿美元，超大规模数据中心资本支出翻倍至8200亿美元，AI投资回报显著。他以1870-1900年工业革命类比当前AI变革，强调当前需求远超供应，与铁路泡沫不同。他展示了AI在投资组合公司中的具体应用成效，认为芯片、数据中心和电力才是真正的投资核心，同时提示网络安全、监管、地缘政治和估值过高等风险，最后重申'一切都关乎回报'的投资理念。
Chamath 探讨了 AI 投资回报率（ROI）难以在生产力数据中体现的原因。AI 成本极低——企业中位数每月每位员工仅花费 12.50 美元，只需提升约 0.15% 的效率即可回本。但价值端难以衡量：企业员工大部分时间花在协调、会议和流程审批上，而非产出工作，人成为 AI ROI 的瓶颈。2026 年一项 515 家初创公司的实验显示，几乎所有收益都来自最顶尖的 10% 企业——关键在于围绕 AI 重组工作流程，而非工具本身。作者引用 Solow 的生产力悖论和 Musk 的五步自动化流程，指出企业应先简化流程再自动化，生产力提升将取决于大企业采纳的速度。
好莱坞资深制作人 Jeffrey Katzenberg 回顾了自己横跨硅谷与好莱坞的职业生涯，探讨 AI 对创意产业的冲击。他以 1906 年留声机争议、有声电影取代影院乐师等历史案例说明：技术革新虽带来真实的岗位流失，却也扩展了艺术形式的边界。他回忆在迪士尼主导 CAPS 系统与皮克斯合作、以及梦工厂全面转向电脑动画的经历，引用华特·迪士尼的理念指出'工具从来不是重点，品味与想象力才是'。他理解创作者对 AI 的恐惧与抵制源于对技艺的热爱，但认为抵制技术将面临被淘汰的风险，唯有拥抱变革才能开拓新的创作可能。
文章整理了黑石集团总裁兼COO Jon Gray面向100多位全球顶级投资者闭门演讲的10个核心观点。Gray认为当前AI浪潮更接近1870年工业革命的开端而非2000年互联网泡沫：Anthropic和OpenAI等模型公司收入一年增长100倍达1050亿美元；黑石投资的14家AI公司收入增长21倍至5.25亿美元；超大规模数据中心资本开支达8200亿美元，占美国GDP的2.5%。他指出真正的瓶颈在芯片、电力和数据中心等物理世界，黑石押注技术栈最底层的计算、电力与土地，追求确定性回报。
本文基于 Diogo Almeida 的设计笔记，从第一性原理重新审视 coding agent 的设计。作者以「如果没有 KV cache 会怎样设计」为切入点，揭示当前 agent 围绕缓存经济性形成的「只追加对话记录」范式的六大症状：路由失效、工具挤占上下文、压缩有损、子 agent 平庸、重启丢状态、内置能力争论。文章指出 token 主要消耗在读取与搜索而非写代码，并提出以 Jev 决策层为核心的方案：元注意力上下文组装、查询感知压缩、可见性阶梯、可编程权限、安全感知路由与三级工具披露，把上下文当作被有意组装而非偶然累积的对象。
文章以1865年杰文斯提出的“效率提升反而导致资源消耗增加”的悖论为切入点，解读新发布的AI模型Jev比现有大模型便宜444倍、快近200倍的意义。作者认为判断成本骤降将推动各行业从“抽样”走向“全检”，重演历史上铝、钢铁等价格崩塌后催生全新应用的规律。同时提醒三大代价：缺乏可解释性、判断力外包、责任真空，并指出杰文斯悖论只在需求未饱和时成立。最后建议读者从工作中的具体判断入手思考自动化机会，把人的位置从“做廉价判断”上移到“决定什么值得被判断”。
文章解读 Acemoglu 等人的论文《Automation and Reproduction》，该论文首次用经济学模型量化了面对自动化引发的社会动荡时，资本方的三种选择：管制、再分配与镇压。核心结论是：自动化与镇压是互补品——再分配是变动成本，随自动化程度上升而变贵；镇压是固定成本，相对越来越便宜。因此随着资本积累，代表资本利益的国家会从再分配转向镇压。模型还显示市场会过度自动化（因外部性），民主政体也面临政变临界税率。作者提出第四条出路：分散资本所有权，让工人持有资本，但这条路必须在再分配的窗口期内建立。
文章针对GPT-6 Astra模型Token消耗高的问题，拆解了五个常见的用钱误区：只看模型单价不看任务总价（贵模型一次做对反而更省钱）、把无关资料全塞进上下文导致缓存成本暴涨、Agent跑偏后仍让其继续执行、所有任务都开最高推理强度、每一步都要人工审批打断流程。作者提出对应的省钱策略：精简上下文只保留四要素、给Agent设置刹车机制、分级使用推理强度、放权可逆操作只管控不可逆操作，并给出一段可直接使用的提示词模板。
文章介绍了终端 Coding Agent Pi——一款上线约一年、GitHub 接近 10 万 Star 的开源工具。与 Claude Code、Codex 提供完整成品不同，Pi 走极简路线，仅保留读/写文件、精确修改和 Bash 四个核心工具，其余功能按需通过 Skill、Extension 和 Package 扩展。Databricks 测试显示相同模型下 Pi 的单任务成本可低至其他 Agent 的一半。文章从安装登录讲起，详细演示了多行输入、@ 引用文件、粘贴截图、!/!! 命令等日常操作，重点讲解了 Steer（任务中转向）与 Follow-up 追加任务的交互机制、Session 树状会话管理及 /compact 压缩策略，并介绍了 AGENTS.md 项目指令文件的写法与扩展体系，帮助用户低成本上手并掌控工作流。
文章以微软和 Uber 的 AI 编程 Token 成本失控为引子，指出编码 Agent 的成本大头不在写代码，而在用文本搜索定位需要修改的位置。文本搜索存在三种失效场景：名称匹配过多、同名不同义、以及结构性关联无词可搜。解决方案是将代码库建模为图结构（类、方法、接口为节点，调用、继承等为边），让 Agent 直接进行结构化查询。实测显示该方法在四语言的六个任务中全部降低成本，最高降 36%，Sonar 的 Vortex 产品即基于此思路。
作者发现验证Agent成员是否存活时，一句简单的「收到」竟消耗两万个token，原因是每次对话都要重新装配成员的身份、记忆、技能清单等。文章剖析了Agent成本的三层「过路费」结构：身份装配、上下文搬运和格式开销，指出七成token花在空驶而非思考上。作者提出三刀止损法：利用前缀缓存把不变内容前置、健康探针直连绕过人格装配、协作转手只传摘要。实施后成本降了一半以上，但同时也暴露出便宜诱发滥用、缓存惩罚变动等新问题，并引出本地化部署的机会成本与主权优势思考。
