Hxy(慌糖盐)

如果 AI 开始自己赚钱：关于劳动、资本与“社会价值”的一些思考

2026/10/3

今天突然想到一个有点可怕的问题：如果有一天，AI 可以自己赚钱了，会发生什么？

这里说的“自己赚钱”并不是 AI 有了自我意识，自己想要钱，也不是科幻电影里 AI 突然产生了欲望。可能只需要人类给它一个非常宽泛的目标，比如“在某个领域持续研究，寻找能够稳定赚钱的机会，然后去执行”。之后，它自己找资料、提出假设、写代码、做实验、回测、部署、处理异常，再根据结果继续迭代。如果这一整条链条都不再需要人类持续参与，那么我感觉，一个非常重要的变化就发生了。

现在的 AI 本质上还是一个工具。它确实很强，可以让一个程序员写更多代码，让研究员读更多论文，让交易员分析更多市场，但 AI 创造出来的价值仍然很大程度上依附于使用它的人。人给它目标，人判断结果，人把它接入现实世界。但如果有一天，人只需要给一个模糊的方向，AI 就可以持续寻找机会并产生经济收益，那么即使它完全没有自我意识，它似乎也已经获得了一种相当独立的“社会生产能力”。我觉得，这个节点甚至可能远远早于真正意义上的 AGI 或者机器意识。

阅读全文

在 AGI 奇点到来之前：关于Agent、金融与Alpha的一些思考

2026/9/14

最近看到 Agent 在数学研究上的进展，我突然想到，金融可能会是另一个很适合 Agent research 的领域。

数学和金融其实有一个很相似的地方：都可以不断提出假设，再通过某种方式验证。数学里可以提出猜想、尝试证明，再用形式化工具检查；金融里则可以提出一个交易假设，找数据、写回测、验证结果，如果不成立就换一个继续尝试。

当然，两者并不完全一样。数学的验证要可靠得多，一个证明成立就是成立；金融里的回测只是过去数据上的结果，并不能证明未来还有效。但从 Agent 的角度看，它们都很适合做大规模搜索。只要 Agent 能自动找数据、写代码、回测、分析结果，那么过去一个研究员要花很久验证的想法，未来可能很快就能跑完，而且可以同时跑成千上万个。

AI Agent AGI 量化金融 Alpha 随笔

阅读全文

Agent 为什么越聊越笨：从上下文压缩想到的记忆问题

2026/9/6

最近工作里开始比较重度地使用 GLM 5.3 配合 OpenCode。刚开始用的时候，我最大的感受是，现在的模型已经比我之前预期的“聪明”很多了。

有一次我需要排查一段 HQL 为什么在执行过程中被提示产生了笛卡尔积。这个问题本身涉及 HQL、Tez 的执行 DAG，以及任务实际运行时的一些信息。让我印象比较深的是，在一个新的会话里，我并不需要告诉 Agent 每一步应该怎么查。它有时候会自己判断，直接调用 Tez UI 的 API，查询对应 DAG、Vertex 和 Task 的运行信息，再沿着执行关系继续往下分析。我们内部也有离线沉淀的 Vertex Attempt 记录表，可以通过 HQL 查询类似的信息，但这种方式通常会慢很多。

也就是说，面对同一个问题，Agent 实际上拥有不止一种获取信息的路径。它既可以通过 Tez UI API 直接获取当前任务的执行信息，也可以去查离线记录。在状态比较好的时候，它会自己意识到 API 是更直接、更低成本的路径，于是先从这里入手，拿到结果以后继续分析哪些 Vertex 值得关注，再根据新的信息缩小排查范围。

这种感觉已经很接近和一个有经验的工程师合作了。我只需要告诉它“这段 HQL 为什么会提示产生笛卡尔积”，而不需要告诉它先查哪张表、看哪个字段、再关联什么数据。它能够自己选择工具，自己规划路径，也会根据中间结果调整下一步。