OpenAI 自研芯片上桌，AI 工具开始变成“同事”今天的主线是：算力栈继续向下吃透，办公与开发场景里的 AI 也在往更深的团队协作里嵌入。

今天最重要的变化，其实可以用一句话来概括：AI 正在同时往两头下沉，一头往算力和系统底层去，一头往团队和业务流程里去。你如果只看表面，会觉得今天还是几条产品消息、几条观点讨论，但把它们连起来看，会发现这不是零散的更新，而是同一个趋势在不同层面的展开。今天我会重点讲三件事：OpenAI 自研推理芯片这件事为什么值得盯住，Anthropic 把 Claude 更深塞进 Slack 之后，AI 为什么开始像“同事”而不是“工具”，以及 Databricks 这类企业底座为什么突然变得重要。因为这三件事合在一起，实际上就在回答一个问题：当 AI 真正开始干活时，它到底需要什么样的芯片、什么样的系统、什么样的工作方式。 先说最硬核的这一条，OpenAI 发布了首款自研推理芯片 Jalapeño。这里面最容易被忽略的一点，是它强调的是推理芯片，不是泛泛地说“我也做了个芯片”。推理这件事，通俗点讲，就是模型已经训练好了，真正拿去给用户回答问题、写代码、做 agent 执行任务的时候，它怎么更快、更省电、更稳定地跑。你可以把训练理解成“把一个学生培养出来”，而推理则是“让这个学生每天上班干活”。很多时候，真正烧钱的不是培养阶段，而是上线以后大规模服务用户的阶段。所以 OpenAI 选择把手往芯片、内存、网络、调度这些底层环节伸，其实是在说一件非常现实的事：如果你只会做模型，而不能把模型跑得便宜、跑得稳、跑得快，那你在下一阶段的竞争里就会很被动。 这件事为什么重要？因为它说明大模型公司的竞争已经不再只是“谁的模型更聪明”。过去我们更容易把注意力放在参数、榜单、能力提升上，但现在问题变了。模型能力继续提升当然重要，可一旦进入大规模商用，真正决定体验和成本的，往往是更底层的系统效率。你可以理解为，原来大家比的是谁家的发动机马力大，现在开始比谁家的整车调校、变速箱、底盘、油耗控制做得更好。Jalapeño 的意义就在这儿：它不是单点优化，而是把控制权往更完整的计算栈里收。简报和外界反馈把它解读成同一件事，其实也说明行业的共识越来越清楚了——AI 公司如果只站在模型层，很难把整个成本曲线握在自己手里。尤其当你要支撑 ChatGPT、Codex、API，还有未来更多 agent 产品的时候，算力不再只是“够不够”，而是“值不值、顺不顺、能不能长期压住成本”。 如果再往深一点看，这其实还有一个很大的信号，就是 AI 公司开始越来越像一家既做软件、又做硬件、还做基础设施的公司。你想想看，过去大多数软件公司不会去碰芯片，因为那太重、太底层、周期太长。但现在不一样了。因为模型推理的量一旦上来，芯片就不只是成本项，而是竞争壁垒的一部分。谁能把芯片、编译、调度、服务层一起打通，谁就更有机会把产品体验和单位成本同时拉下来。换句话说，未来的胜负手不只是“模型本身”，而是“模型如何被跑起来”。这也是为什么今天的芯片消息不能只当成一条技术新闻看，它其实是在告诉你，AI 产业链正在继续往下吃透，往更深的系统层走。 不过，算力往下走只是第一条线，另一条更贴近你日常工作的线，是 AI 正在从聊天工具变成团队里的协作者。今天最典型的例子，就是 Anthropic 把 Claude 更深地放进 Slack 团队协作里。这里的变化不是简单地“多了一个插件”或者“多了一个机器人”，而是 AI 的角色变了。以前你和 AI 的关系更像是一对一问答：你提问，它回答；你让它生成点东西，它吐给你。现在的方向则是，它开始能在一个组织里被直接 @ 出来，拿到授权资源，完成任务之后再回报结果。这个差别非常关键，因为它意味着 AI 不再只是一个临时助手，而是在组织内部占了一个工位。 为什么说这是“占工位”而不是“做搜索”？因为真正的协作不是一次性输出，而是持续接上下文。一个人在公司里干活，最重要的不是单次聪明，而是知道这事做到哪了、谁负责、哪个文档能看、什么东西不能看、下一步该找谁确认。AI 真正进入团队工作流，也就意味着它要理解权限、状态、历史记录、共享边界这些以前聊天机器人根本不需要操心的东西。Aaron Levie 提到这不只是普通 bot，而是整个组织共享的工作伙伴，这句话其实已经点到了核心：如果一个工具只能跟一个人单独聊，那它只是私人助手；如果它能在组织里被分配任务、接住任务、返回结果，那它才开始像一个真正的“同事”。 这背后最大的变化，是 AI 的使用界面不再只是“输入框”。我们以前习惯了问答式的产品逻辑：我提一个问题，你给我一个答案。但当 AI 进入 Slack、进入团队协作、进入设计和开发工具之后，它开始变成一个可以被持续调用的工作节点。你可以把它想成原来办公室里有一个“问答台”，你排队过去问问题；现在则是办公室里多了一个能主动处理事务的岗位。它不一定每件事都做得最好，但它能接任务，能在上下文里推进事情，能和团队其他工具互相连接。这个变化很像从“搜索引擎时代”迈向“工作流时代”。搜索引擎帮你找信息，工作流工具帮你完成事情，而 AI 现在正往后者靠。 今天的素材里还有几个特别能说明这个趋势的细节。比如 Peter Yang 试用 Claude Design 后，觉得它对手机 App 的还原很强，几乎能把界面原样复现出来，但很快又提示他要省 tokens。这个反馈很有意思，因为它把 AI 的两面都暴露出来了。一方面，AI 已经能在设计和前端复刻上做到“很像回事”，说明它的能力已经足够接近实际生产流程；另一方面，成本和上下文效率马上就会成为新瓶颈。token 你可以简单理解成 AI 处理信息时的“计费和容量单位”，就像你雇一个人干活，不只是看他会不会做，还要看他每次处理多少信息、多久能处理完、会不会把资源吃爆。也就是说，AI 变强之后，新的问题不是“它行不行”，而是“它怎样才能一直高效地行”。 再比如 Ryo Lu 提倡 Cursor 和 Notion 双向协作，说的是“use cursor in notion / use notion in cursor”。这句话看起来很轻，但它其实非常准确地描述了接下来工具链的变化。过去我们总喜欢把工具分得很清楚：开发去编辑器，写文档去笔记工具，沟通去聊天软件。但现在 AI 把这些边界不断抹平。你在 Notion 里可以直接进入某种开发思路，你在 Cursor 里也可以把知识文档调出来。说白了，不是一个工具包办一切，而是不同工作流之间越来越薄。对个人来说，这意味着工作方式变得更连贯；对团队来说，这意味着知识、代码、任务和沟通开始在同一条链路上流动。AI 一旦嵌进去，最值钱的就不只是回答本身，而是它能不能把上下文带着走。 而当 AI 真正开始在组织里干活，第三个层面的问题就冒出来了：企业底座怎么办。今天 Databricks 的那组讨论，其实就很能说明这个问题。表面上看，它在聊 Omnigent、LTAP、Lakebase、agent security 这些比较技术化的词，但本质上只有一句话：当 AI 不再只是“会说话”，而是要“替企业做事”的时候，数据库和系统层就不能再只是存数据的地方了，它得变成给 agent 提供上下文、权限、状态和成本控制的地方。你可以把传统数据库想成一个仓库，东西放进去，需要的时候取出来；但 agent 时代的底座更像一个有门禁、有流程、有记录、还能追踪责任的工作中心。因为 AI 真正进企业，不是来聊天的，是来处理业务的。处理业务就意味着它必须知道自己能看什么、能改什么、做完以后怎么留痕、出错以后怎么回滚。 Latent Space 那期内容里反复强调的，就是这个“数据库问题其实是上下文问题”的转变。以前我们觉得数据库关注的是表、字段、查询性能，现在却要开始思考：AI 在什么时刻拿到什么状态，谁给它授权，怎么保留历史反馈，怎么把一次任务和下一次任务连起来。这听上去像是产品设计，实际上是整套系统设计。Swyx 说未来要重建很多基础设施，这话虽然有点重，但方向是对的。因为如果你真的把 agent 放进企业，就会发现很多过去为人设计的软件机制，根本不适合机器协作。人可以临时口头沟通、凭经验判断、模糊处理很多东西；agent 不行，它需要结构化的权限、清晰的状态、可追踪的审计。于是，原来那些看起来枯燥的基础设施，突然变成了 AI 时代的核心竞争点。 如果把前面这些线连起来看，你会发现今天所有消息其实都在围绕同一个方向收敛：AI 正在从“会回答”升级为“会干活”，而一旦它开始干活，整个栈就都要重做。芯片层面要更省、更稳、更可控；工作流层面要能嵌进 Slack、Notion、Cursor 这些真实协作环境；企业系统层面要能处理权限、状态、审计、共享和成本。它们看起来分散，但其实是同一台机器的不同部分。芯片解决的是能不能跑，工作流解决的是在哪里跑，企业底座解决的是怎么安全地跑。过去模型公司可能只要把模型做强就行，现在不行了，谁能把芯片、运行时、数据层、权限系统一起打通，谁才更像是在做下一代操作系统。 这也是为什么今天很多讨论虽然各说各话，最后却都指向“边界变了”这件事。OpenAI 往下走，是模型公司开始往硬件和系统边界下沉；Anthropic 往里走，是 AI 开始进入组织内部的协作边界；Databricks 往底层走，是企业数据平台开始变成 agent 时代的运行底座。三者其实是一条线上的不同位置。更大的趋势是，AI 不再是悬在应用上方的一层智能，而是逐渐变成从底层到上层都要参与的基础能力。就像电力一样，真正重要的不是“有没有电”，而是电怎么送到每个房间、怎么稳定、怎么计量、怎么安全使用。AI 也在经历类似的过程。 最后还有一个值得继续观察的点，就是这些变化会不会很快落到更广泛的日常工作里。OpenAI 的自研芯片后续会不会进一步进入更广泛的推理和训练栈，Anthropic 的 Slack 同事型 Claude 会不会扩展到更多团队工具，Databricks 的 Omnigent 和 LTAP 会不会真的成为企业 agent 的标准底座之一，这些都还在变化中。但方向已经很清楚了：AI 正在从“工具”变成“协作者”，从“聊天界面”变成“工作系统”的一部分。接下来最值得看的，不是谁又多发了一个新功能，而是谁真的把 AI 放进了生产流程里，并且让它安全、稳定、可持续地跑起来。以上就是今天这期《AI 内参日报》，我们明天见。