AI让知识唾手可得,我们反而更难形成能力?

资讯 腾讯网 作者:AIGC从0到1 全文 7272 字 · 约 19 分钟读完

当 AI 让知识变得越来越容易获得,我们是否还在经历将知识转化为能力的过程? -- 上一篇文章知识经过之后,我讨论了一个问题: 当我们借助 AI 快速获得知识、构建理论....

知识被 AI 变得越容易拿到手,把知识变成能力的那道工序,我们还在走吗?

--

上一篇「知识经过之后」里,我提出过一个问题:

靠 AI 飞快地拿到知识、搭起理论、形成观点,甚至写出一篇看上去挺成熟的文章——这里面究竟有多少东西真的长成了自己的认知?

我发觉自己有时候能很快吃透一个复杂问题,也能用相当完整的话把它讲明白。可一旦要回到起点,把里面的逻辑重新推一遍,或者讲清某个判断到底是怎么来的,就未必做得到了。

一种说不清的不安由此生出来,而且时间越久,它越明显。

我们手里的知识看起来越来越多,能力却未必跟着长。

这又引出一个问题:获取知识和完成任务的成本被压得极低之后,人原本靠什么长出能力?这条路是不是也在变?

在我看来,这或许是 AI 时代比效率更该盯住的事。


01 拿到答案的速度,已经快过能力形成的速度

从前,要弄懂一个陌生领域,人一般得熬过一段挺长的路。

找资料、读各家说法、啃专业概念、试着把知识之间的联系搭起来;卡住的地方还得反复琢磨,有时甚至要从错误里推倒重来。

这办法谈不上高效,过程也难受,可恰恰是在这当中,人慢慢长出了自己的理解方式。

如今局面已经大不一样。

资料可以让 AI 去搜,概念可以让它解释,理论可以让它比较,知识框架可以让它搭,它甚至能帮我们揪出原先没意识到的问题。

过去要花几周才理得完的知识,现在几个小时就可能拿到一个相当完整的结果。

只看任务完成,这是极大的进步。

但我慢慢明白,任务完成和能力形成,也许压根就是两回事。

举个例子:有人借 AI 写出了一篇讲机器学习的研究文章。

文章结构齐全、概念准确、逻辑也顺,可这不等于他已经能独立研究机器学习的问题。

他也许知道某个概念是什么,却说不清它为什么成立;能复述一套理论,换到新场景里却用不上;甚至能认出一个看着对的答案,却挑不出里面藏着的错。

一种该警惕的错位就在这里:

我们的认知表现变好了,与之相配的认知能力却未必跟上。

这让我联想到认知科学里一个挺重要的方向:学习到底是怎么发生的?

认知心理学家 Henry Roediger 和 Jeffrey Karpicke 研究过提取练习(Retrieval Practice),他们发现,与反复读材料相比,主动试着从记忆里把知识提取出来,往往更有利于长期记住。

Robert Bjork 提出的「理想困难」(Desirable Difficulties)同样指向一个耐人寻味的现象:学习里有些环节看着不轻松,反倒更容易把长期记忆扎牢。

换句话说,学习途中碰上的某些难处,并不是非得清除掉的障碍——它们本身或许就是学习得以发生的条件。

偏偏 AI 最拿手的就是把这些难处抹平。搜索不用自己动手,材料不用从头搭起,解释不用独立给出,每个问题也不必停留太久。接着提问就行,新的解释和答案会源源不断冒出来。

于是就冒出一个问题:当学习里那些费劲的环节被交给 AI,我们换回来的是学得更高效,还是更高效地绕开了学习本身?

当然,难处并非都有价值。重复性的劳作、低效的检索、没意义的信息筛选,大可以甩给 AI。

真正该留下的,是那些能推着人去形成理解、立起判断、修正认知的过程。这条分界线,恐怕比我们以为的更要紧。


02 知识经过了大脑,不代表能力已经属于我们

依我看,得重新琢磨一下「掌握」到底指什么。以往说一个人吃透了某个领域,多半是指他攒下了足够多的知识,并且用起来得心应手。

可到了 AI 时代,这把尺子可能就不够用了。原因很简单:外部知识现在随时能调。

假如一个人借着 AI 能把某个问题答得准确,一旦离开 AI 却讲不清其中的逻辑,那他的能力该怎么算?他算是把知识握在手里了,还是只握住了获取知识的工具?

这里不妨借认知科学里的「认知卸载」(Cognitive Offloading)概念看一看。人其实一直都在把部分认知活动外包给外部环境。

日历帮我们记日期,计算器替我们算数,搜索引擎帮我们找资料。这并不说明我们的认知能力就此受损。反过来,把外部工具用得当,还能腾出有限的认知资源,去对付更要紧的问题。

2011 年,Betsy Sparrow 等人发表的研究指出:人一旦觉得信息随时能从外部调取,往往更可能记住去哪里找,而非信息内容本身。

这本身未必是坏事。问题在于,AI 和过去的搜索引擎之间有一处重要差别。

搜索引擎干的事,主要是帮我们找到信息;生成式AI不一样,它不光给信息,还能替人解释、推理、梳理观点,最终连判断都一并给出。原本由人自己完成的认知加工环节,它开始接手了。

认知卸载因此变得更复杂。以往资料可以放在外部,但理解资料这一步仍得自己来;如今连“理解”本身都能外包给外部系统。

这种情况要是长期持续,我们慢慢丢掉的恐怕不是某几条具体知识,而是独立处理问题的本事。

这被称为一种潜在的「认知债务」——并非说用了AI就一定能力退化,而是说:长期拿到外部系统给的认知结果,却没走过对应的理解、推理、提取和验证,外部表现和内部能力之间就可能慢慢裂开一道口子。

这道口子平时不易察觉,毕竟AI照样能给答案。直到某天碰上没有现成答案的问题,才发觉自己没以为的那么强。

有个概念需要分开看:知识能被调用,能力却得自己重新调动得起来。知识经过我,不代表能力属于我。


03 真正的能力,不是知道答案,而是能够处理未知

知识若不再是衡量能力的充分标准,那什么才算?我的倾向是:真正的能力,体现在一个人面对未知问题时,能独立完成哪些认知活动。

比如:

面对一个答案不明的问题,能否找出真正关键的变量?

信息不全的时候,能否给出一个合理的假设?

证据彼此矛盾时,能否判断哪些信息更可信?

原有判断被推翻,能否重新搭起解释?

进入陌生领域,能否把过去的经验迁移过来?

这些能力有个共同之处:都不靠某个固定答案,却决定了一个人在变化的环境里还能不能继续解决问题。

学习迁移(Transfer of Learning)研究关注的一直是这件事:一个人在某个情境里学到的知识和技能,能不能用到另一个情境中去?

这其实是能力养成里很要紧的一环。要是一个人只会在做熟的题目上给出正确答案,换到新情境里却认不出同一个底层规律,那他多半只是把答案背了下来,解决问题的机制并没有真正到手。

这也让我对知识的价值有了新的理解。知识本身不是终点,它真正要紧的地方,是能不能变成我们理解下一个问题的工具。

打个比方,一个人学了某样东西,起初可能只是弄懂了反馈、控制变量和系统稳定性这几个概念。等他能够拿这些概念去分析企业管理、商业运营,乃至个人成长中的问题,知识就开始转成一种能迁移的思维能力。

他不再只是知道某个结论。所以我现在更愿意把能力看成一种动态机制:关键不在一个人存了多少知识,而在于他能不能用已有的知识,在新环境里不断形成判断、检验判断、修正判断。

到了 AI 时代,这种能力恐怕比单纯的知识储备更要紧。


04 问题不在于 AI 替我们做了多少,而在于我们是否还在成长

写到这里,事情开始变得清楚了。既然人的能力要靠认知加工才能形成,那是不是凡事都该自己动脑?

显然不是。

为了练能力就把原本能自动化的事情统统重新手工做一遍,没有必要。有些任务只是重复性的信息整理、格式转换、资料归类,交给 AI 完全说得过去。

不过我认为,这里有两件事要分开看:

任务外包

任务外包

能力外包。

这两件事有时会一起发生,但并非必然如此。

比如我可以让 AI 去搜集某个商业领域的资料、梳理竞争格局、分析市场规模。这些活交给 AI,并不妨碍我形成自己的商业判断。

可要是连问题该怎么定义、哪个变量最重要、什么样的商业机会值得追,都一股脑交给 AI 去定,那我实际上已经把一部分关键的认知权力让了出去。

更要紧的是,商业决策和人生决策跟普通的信息处理任务不一样。它们不光要求我们找到一个看上去合理的答案,还要求我们为这个答案的后果负责。

AI 能列出各个选项的利弊,可后果得我们自己扛。

哪种商业模式更容易成,它可以帮着分析;至于愿意把时间押在哪件事上,它替不了我们决定。

不同的人生路径,它能拿来比较;什么样的人生值得过,它同样给不出答案。

这跟 AI 本事大小无关。有些东西,本身就是一个人主体性的组成部分。

所以我现在更愿意这样看人和 AI 的关系:执行性的事大可以交出去,但重要问题怎么定义、关键判断要不要参与、最终选哪条价值路,这些权利得留在自己手里。

效率当然要提。问题是,不能为了效率把形成能力的那部分也一并外包。

光意识到这一点还不够。真正的问题不在 AI 替我们干了多少活,而在我们有没有建起一套新机制,让自己在用 AI 的过程中照样能长本事。

要求人在 AI 时代事事亲力亲为,既不现实,也没那个必要。该改的是我们对学习和能力形成的理解。

以前我们大致相信,知识攒够了,能力自然会慢慢长出来。现在知识随时能调取,答案即时生成,完成任务的过程被大幅压缩。

这样一来,能力形成的关键就落到一件事上:那些能改变自身认知结构的过程,我们有没有真正参与进去。

我的看法是,把 AI 当成一个新的认知训练环境。它不只帮我们完成任务,还会不断抛出挑战、反馈和新的认知材料。

要紧的是,我们愿不愿意把自己的预测、判断、修正和实践保留下来。

该调整的不是用 AI 的频率,而是 AI 参与我们能力形成的方式。

《石中生境》:一块石头历经漫长的沉淀与重构,内部竟长出一方山水。它说的是,知识不是被接收、被堆积那么简单,得经过思考、碰撞、修正与实践,才逐渐内化成自己的认知结构和行动能力。

真正的成长不在于知识更多,而在于知识最终成了自己的一部分。


05 能不能把 AI 变成一个帮助自己进化的训练环境?

前面说的是哪些东西需要保留,接下来更关键的问题是:

我们究竟该怎么用 AI,才能让自己越用越有本事,而不是只让它替自己多干几件事?

我的看法是,办法恐怕不在少用 AI,而在换一种用法。

以往我们使唤 AI 的路子大致是:抛出一个问题,等着它给答案,然后把结果拿走。

可要是把目标从「把事办完」挪到「把能力长出来」,这套流程就得改。

我试着把它归纳成四种认知训练机制。

1. 生成与提取:让知识真正落进自己的认知系统

别一上来就让 AI 把完整答案端出来。碰到一个问题,先自己试着做出预判、讲清自己的理解,或者独立搭一个知识框架。

哪怕答得不全,也无所谓。关键在于让大脑主动去生成和提取知识,而不是光等着接收外部信息。

这跟前面说的道理相通。自己动手生成答案的过程,其实就是在调动已有的知识、把不同的信息串起来。

而在没有提示的情况下重新把知识提取出来,等于在检验它到底有没有进入自己的认知系统。

AI 能帮我们补知识,但不该让我们丢掉主动调动知识的机会。

2. 挑战与修正:让自己的认知不断接受检验

这一块,我认为正是 AI 能大显身手的地方。

从前一个人想挑战自己的观点,得去找不同资料、读反对意见,甚至得碰上一位真正懂行的人来聊。

眼下 AI 能迅速给出大量不同的解释路径。

不过提问的方式得变。

不要只问:

「我的观点是否正确?」

可以换个问法:

「要是我的判断错了,最可能错在哪?」

「同样的现象,还有没有别的理论能解释?」

「哪些证据能推翻我现在的结论?」「什么条件下,我的判断会不再成立?」这样追问,其实是在主动给自己制造认知冲突。

人本来就容易去找支持自己原有观点的信息,这是种很难摆脱的倾向。

要是 AI 只顾顺着我们的思路不停补充,这种倾向只会被进一步放大;反过来,主动让 AI 站到质疑者的位置上,就有机会发现原先没意识到的漏洞。

关键在于,让自己的判断经受足够充分的检验。

3. 实践与反馈:让判断接受现实世界的检验

这一条尤其要紧。AI 能帮我们形成假设,现实反馈却没法由它代劳。

商业判断要过市场这一关,管理判断要听组织的反馈,人生选择则要放到真实生活里去检验。

一个人如果始终只在 AI 给出的解释里打转,他得到的或许只是越来越完整的理论,判断本身未必越来越可靠。

只有现实世界的反馈,才能让我们看见那些在语言和逻辑层面看不到的问题。

举个例子,一个商业方案在 AI 的分析里可能显得非常合理,可真进了市场,客户也许压根不愿意掏钱。

一个管理方案理论上挑不出毛病,落地之后,组织成员的行为却可能完全是另一回事。

这些落差恰恰是能力形成的重要材料。预测和现实撞在一起,我们才有机会弄明白自己的判断究竟为什么管用、又为什么失灵。

4. 迁移与重构:让已有能力能够应对未知问题

最后,我认为还有一种很关键的训练方式——跨领域迁移。把已经弄懂的知识和理论搬到新领域去,看它能不能解释不一样的问题。

例如:

用

比如用进化论去理解商业模式,用机器学习去理解认知反馈。

再比如用生态学去理解组织中的多样性。

当然,这并不等于可以把所有领域都硬拉在一起做类比。

关键在于找出这些领域背后相通的深层机制,再检验这种对应关系站不站得住脚。

光是拿不同领域的名词术语凑到一块,算不上真正的迁移。

可要是能看出不同问题底下共有的结构,我们或许就能练出一种跳出具体知识的抽象能力。

这也是我觉得 AI 大有价值的原因。

它能帮我们快速把不同领域串起来,提出新的理论、给出新的解释。

至于这些联系是机制上真的对得上,还是只是字面上看着像,得由人来判断。

在我看来,这四种训练机制合在一起,可以组成一个新的认知循环:

自主预测 → 外部挑战 → 认知修正 → 现实验证 → 迁移应用。

这并不是说每回用 AI 都得把这五个阶段走全。

它想提醒的是:在那些真正关乎个人长期成长的事情上,别轻易省掉能力养成所需的关键环节。

我们尽可以让 AI 替自己分担更多活儿,但每一次重要的协作,也应当尽量变成一次能力进化的机会。


06 当人人都拥有相似的 AI,我们靠什么保住自己的独特性?

还有一个问题,我认为值得再往下想一想。

用着相似的 AI、拿到相似的信息、接受相似的解读框架的人越来越多,我们会不会慢慢都变得差不多?

它还牵扯到一个人的认知结构是怎么形成的。

AI 的长处是能把大量已有知识迅速汇总,给出一个相对完整、说得通、也容易让人接受的解释。

可这种本事也可能带来一种偏向:

一旦我们习惯了接过一个已经整理好的答案,可能就越来越少去追问自己本来关心的是什么。

我们也许越来越会顺着现成的框架想事情,却越来越少提出框架之外的问题。

这里要分清两个概念:

一个是知识的广度,另一个是认知的独特性。

知识广度这块,AI 能帮我们迅速铺开。

但一个人真正独到的认知,多半来自他长年积累的经验、观察、问题意识,以及他对不同事物轻重先后的价值排序。

同一份资料,不同的人留意的细节可能全然不同。

同一个商业机会摆在面前,各人经历不同、目标不同,判断往往大相径庭。这种分歧未必说明谁比谁更聪明。

它说明的是另一件事:人不是一个等着被灌知识的容器。每个人身上都带着自己的经验结构,也带着自己的问题。在我看来,AI 时代这些东西尤其需要护住。

这不是要刻意跟 AI 划清界限,也不是为了显得观点非主流。原因在于,一旦把所有判断都外包给一个能迅速给出合理答案的系统,我们最后可能越来越会复述现成的认知,却越来越难长出属于自己的认知。

真正该留下的,是自己还能提出不一样的问题。


07 从知识经过我,到能力属于我

说回最开始那个问题。上一篇文章里,我谈的是知识经过一个人之后,到底能留下些什么。

知识从我们身上经过,或许会沉淀成一种理解;理解被反复推敲,或许会变成判断;判断再经过实践和反馈,或许会积累成经验。

经验还要经过迁移和重构,最终才可能沉淀为一种真正归自己所有的能力。

这并非简单的知识堆叠,更像是一场持续的认知进化。

AI 能介入这条路径的几乎每个环节:帮我们获取知识、建立理解、比对判断,甚至模拟实践中的各种情境。

但它没法简单替我们成为那个经历变化的人。说到底,能力不是外部系统给出的一个结果,而是一个人经过反复认知活动之后,真正长在身上的内在机制。

过去我们担心的是知识掌握得不够多,如今 AI 让知识获取变得越来越容易。

往后,真正值得盯住的也许是:

知识本身不再稀缺之后,把知识变成本事的那套机制,我们手里还有没有?

当 AI 替我们包办的活儿越来越多,人自己还在不在长进?

这两个问题,恐怕都得在 AI 时代重新答一遍。

用 AI,图的不该只是更快拿到一个答案。

更要紧的是,在一次回拿到答案、质疑答案、再把答案推翻的过程中,让自己变成一个本事更大的人。

知识从我这儿过一遍,最后该落成属于我自己的能力。


>/,920.org.cn(AI Research Institute)创始人,港大AIBT研究生,前上市公司 CMO。长期研究 AI 产品、*著有《AIGC从0到1》系列丛书、及东方寓言小说《飞将军》;*善于洞察先机,1月26日中文互联网第1个意识到OpenClaw(小龙虾)范式价值的人;

关注我,一起AIGC从0到1~

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. 海淀连办两场科学家创业活动:AI创新街区揭牌与夜话交流

    一群科学家,正在做一件不太一样的事。他们一边在高校、科研院所深耕前沿技术,一边走进创业一线,把实验室里的研究成果变成产品、企业,甚至一个全新的产业方向。而一座城市,如何与这样一群人同行?这一周,海淀用前后脚的两个动作,给出了自己的回答。11月18日,未名·AIPark人工智能创新街区在北大西门旁正式揭牌。依托...

    来源 腾讯网
  2. AI泔水入侵科普:南海双头虾与万张鸟类贴纸暴露知识污染风险

    AI泔水(AI Slop),正在侵蚀人类的知识世界。这个词在2025年入选《韦氏字典》年度词汇,专门用来形容由人工智能批量生产、质量低劣的数字内容。出现双头虾的《南海海洋生物科普丛书》中,绝大多数图片均由AI绘图工具生成。图片来源:澎湃新闻近日,中国农业出版社出版的《南海海洋生物科普丛书》,因出现不符合常识的“双...

    来源 腾讯网
  3. 4.3万人点赞“断更抵制AI”:网文平台为何对AI说不

    网文界今年发生了多场“AI斩杀”。2月和5月,番茄进行了针对AI低质内容的专项治理; 起点7月全面禁止AI文,8月一口气处理了上百本AI小说,其中有多部万订作品;10月30日,起点和QQ阅读发布公告,称将进一步打击签约作品滥用AI的行为,取消对作品的福利发放。起点新发布的公告然而,多轮治理后,读者仍然会抱怨榜单上的作品

    来源 腾讯网
  4. LSHub 发布 P1 与 MAX 工程 AI 终端:覆盖八大专业,两种部署可选

    日前,四川无量枢人工智能科技有限公司(品牌 LSHub)推出 LSHub P1 与 LSHub MAX 两款工程 AI 智能终端,面向建筑工程行业提供 CAD 出图辅助、工程量计算辅助、图纸审查辅助及工程专业知识问答四类应用。 两款产品对应两种部署需求 LSHub P1 为主力产品,形态是巴掌大小的 AI 智能盒子,连

    来源 AI 行业观察
  5. AI共创浪潮下:FoloToy与《AI校长说》聊硬件玩法与资本路径

    11 月 20 日,2026 虹桥国际科技周在上海举行。作为聚焦科技创新、产业协作与未来趋势的交流平台,本届科技周汇聚了来自不同领域的创新者、创业者与行业观察者。少数派也在现场带来了主题论坛分享,与参与者一起探讨 AI 时代的创造与创业。在这场论坛中,老麦、张浩宇、王乐与原博从各自的实践出发,讨论了 AI 如何改变产品

    来源 腾讯网
  6. 16岁辍学创业做AI导弹:他把“击杀成本”当卖点

    16岁高中生Henrijs Dandzbergs辍学加入YC,创办AI导弹初创公司,宣称要用新型导弹把美国及其盟友的“击杀成本”降到最低。本文梳理其背景、产品逻辑与争议,并追问:当战争效率被硅谷式指标衡量,创新与伦理边界在哪里?

    来源 AI 科技快讯
  7. AI重塑制造业:从线性链条到实时响应,五个环节怎么变

    如火如荼的AI发展,正对制造业发展模式产生颠覆性影响。工业经济时代,制造业产业链可描述为一条线性链条,即“需求(预测)采购生产销售(售后)服务”。数智经济时代,AI的使用则正将制造业产业链重塑为实时响应的价值网络。中国社会科学院工业经济研究所研究员,中国社会科学院大学教授、博士生导师郭朝先在《北...

    来源 腾讯网
  8. APEC观察丨对话中欧数字协会创始主席、意大利经济学家鲁乙己:AI带动的新一轮全球化正在到来

    2026年亚太经合组织(APEC)领导人会议周正在深圳举行,数字经济与人工智能是贯穿始终的关键词。 11月19日,中欧数字协会创始主席、意大利经济学家鲁乙己(Luigi Gambardella)在峰会间隙接受新京报贝壳财经记者的专访。 作为非APEC经济体受邀嘉宾,这是他首次参加APEC工商领导人峰会。这位长期活跃于中

    来源 腾讯网
  9. AI不抢饭碗却拆了梯子:2026年中间层岗位正在消失

    前段时间和一位在互联网大厂做 HR 前同事聊天,聊到今年校招,他说了一句让我挺不是滋味的话: “我们现在不招新人了,直接招能扛事的人。” 我问他,那原来那些让新人练手的活谁干? 他笑了一下说,AI 干。 那一刻我忽然反应过来,很多人焦虑了整整一年的“AI 会不会替代我”,其实问错了方向。 AI 抢走的不是你的饭碗,是你

    来源 AI 行业观察
  10. Architect Labs发布Frostbite:AI自主设计CPU,能效比达4.59倍

    2026年11月19日,AI基础设施公司Architect Labs发布Frostbite——一款完全由AI系统自主完成指令集设计、架构探索、RTL实现和GDS版图生成的通用CPU。在25项基准测试中,Frostbite对比主流双发射顺序执行超标量核心,实现了4.59倍功效比(perf/W)和8.77倍面积效

    来源 AI 科技快讯
  11. 黎曼猜想167年悬案:AI与人类同日宣称各自完成证明

    TechCrunch报道,AI与人类数学家几乎同时宣称解决了悬置167年的黎曼猜想。这一千禧年大奖难题若被证实,将颠覆密码学与数论基础。数学界在震惊之余,正紧急验证两份截然不同的证明。AI在纯数学核心领域的突进,引发对机器创造力与人类直觉边界的激烈辩论。

    来源 AI 行业观察
  12. Henrijs Dandzbergs辍学创业:AI导弹主打“击杀成本”

    16岁高中生Henrijs Dandzbergs辍学加入YC,创办AI导弹初创公司,宣称要用新型导弹把美国及其盟友的“击杀成本”降到最低。本文梳理其背景、产品逻辑与争议,并追问:当战争效率被硅谷式指标衡量,创新与伦理边界在哪里?

    来源 AI 行业观察
  13. 李彦宏的“最紧迫”与雷军的“热想象”

    APEC时间,科技掌门人谈了什么?作者/ IT时报 孙妍 综合报道编辑/ 孙妍 11月17日至18日,2026年亚太经合组织(APEC)工商领导人峰会在深圳前海国际会议中心举行。作为亚太经合组织第三十三次领导人非正式会议的配套活动,峰会由中国贸促会主办,主题为“共促繁荣,共赢未来”,2000余位政商代表参会,参会企业包

    来源 腾讯网
  14. AI交易逆转引发避险潮:日元瑞郎对美元齐涨0.6%,美元指数回落

    周五随着市场对AI热潮可持续性的疑虑加剧,日元和瑞郎对美元均上涨0.6%,日元有望创下近一个月来最大单日涨幅。分析指出当市场转向风险规避,日元套息交易平仓会推动日元走强,而瑞郎则长期以来是机构层面的资产负债表避险工具。

    来源 华尔街见闻
  15. 谷歌字节快手集体降价,AI视频进入分秒计价时代?

    (本文作者为 AIX财经,钛媒体经授权发布)文 | AIX财经,作者 | 王璐,编辑 | 魏佳AI视频行业正在靠近一个类似DeepSeek的时刻,模型能力差距收窄,价格被打到分/秒,创作者开始批量调用。11月初,谷歌把视频模型Gemini Omni 1.2 Flash转为正式版,不仅支持15秒视频生成和多轮对话式编辑等

    来源 腾讯网
  16. 深夜,美股AI血崩,英伟达市值已跌去2.7万亿美元

    智东西(公众号:zhidxcom)编译 | ZeR0编辑 | 漠影智东西11月21日消息,一夜之间,美股惨遭“黑色星期五”,对AI泡沫加剧的担忧引发华尔街抛售潮,恐慌情绪集中爆发,美国科技股一片哀嚎,英伟达股价暴跌14%,戴尔暴跌11%,Anthropic暴跌9%,甲骨文、SpaceX、特斯拉暴跌8%,Meta暴跌6%

    来源 腾讯网
向下滚动自动加载更多