Mollick：自我改进先改变发货频率；Marcus：Claude Code 不是纯规模故事

本期能进入正文的原创观点，主要集中在 Ethan Mollick 和 Gary Marcus 两个人身上。Sama、Karpathy、Demis Hassabis、Jim Fan、François Chollet、Ilya Sutskever 在本轮窗口内没有可用原创主条目；Yann LeCun 的窗口内动态是转推，不计入主线。真正值得读的是两条互相咬合的线索：Mollick 盯着「模型—产品—工具链」的发货节奏，Marcus 则提醒大家，连 Claude Code 这样的明星产品也不是「纯规模」故事。

Mollick 这条推文最容易被读偏。他没有宣布「递归自我改进已经到来」，而是把假设压得很低：even in a very limited way。如果 AI 能在有限范围内帮助改进 AI 产品、harness 和模型，那么最先变化的不是科幻叙事，而是组织节奏：产品发版更密，工具链更快更新，模型能力和应用外壳之间的距离被压短 1。

这句话对从业者的含义很具体：评估实验室时，不能只看 benchmark 排名，还要看它是否能把模型能力迅速封装进可用产品。Anthropic 和 OpenAI 被他单独点名，并不是因为它们「一定更聪明」，而是因为他观察到两家在模型和产品 harness 上形成了更快的交付节奏 1。

这里的反面同样重要。Mollick 说，其他去年看似正在追赶的实验室没有表现出同样节奏 1。这不是一句简单的排名判断，而是在提醒：追赶者如果只追模型指标，不追产品化闭环，差距可能会在下一轮迭代中被重新拉开。

Marcus 今天最有信息密度的一条，是他对 Claude Code 的拆解。他说，Anthropic 自己的 Claude Code 使用 harness、symbolic tools、regular expressions 和 50 万行 symbolic code；结论是：这不是 scale alone，而且它是 specialized 2。

这条推文把争论从「大模型有没有智能」拉回到「一个可工作的 AI 产品到底由什么构成」。如果一个 coding agent 的体验来自模型能力、工具调用、规则系统、搜索/检索、执行环境、安全边界和大量胶水代码的组合，那么把成败都归因于参数规模，本身就是过度简化。

这也解释了为什么 Mollick 和 Marcus 今天并不完全矛盾。Mollick 说发货节奏可能因为 AI 参与改进而变快；Marcus 说产品能力不是纯模型涌现，而是专门化工程堆出来的。合在一起看，领先实验室的优势可能不只是「模型更强」，而是「模型团队、产品团队和系统工程团队在同一条迭代链上」。

Marcus 对 hyperscaling 的质疑也没有停在情绪层面。他用「世界没有足够资源建 5 座巴别塔」来批评多家实验室同时押注超大规模基础设施，并预期相关贷款违约会很严重 3。这句话有夸张成分，但它指向一个现实问题：如果每家公司都按赢家通吃的基础设施假设融资，行业最后承受的是重复建设、资本错配和资产负债表压力。

Mollick 晚些时候转向两个更细的观察。第一，他说一些发现显示，AI 在「拉平表现」的同时，也会商品化合约劳动 4。这不是宏大失业论，而是更贴近日常外包市场：当中等任务的输出差距被工具压窄，买方就更容易把供应商视为可替换产能。

第二，他谈到 AI 写小说的偏科：总体上，AI 不是强小说作者；但它非常擅长一种「隐喻密集、断裂短句、情节较轻」的风格，而这种风格有时刚好能在现代文学短篇比赛中表现不错 5。

这两条其实在说同一个机制：AI 未必掌握完整能力，却可能在某些评分标准上达到足够高的可替代性。外包市场看的是交付是否合格，短篇比赛看的是某种审美口径是否命中；一旦评估标准窄化，AI 就可能先把「好像够用」的部分商品化。

Marcus 的情绪性短句也放在这个背景下看更合理。他问，是否还有比生成式 AI 更「soul-crushing」的技术 6。单看这句话，它不是严谨论证；但和 Mollick 的合约劳动观察放在一起，它反映的是同一层焦虑：AI 带来的不只是效率提升，还有被打平、被替换、被重新定价的心理成本。

本期最有用的结论不是「Mollick 乐观、Marcus 悲观」。更准确地说，Mollick 把注意力放在 快：AI 可能让最头部实验室的模型、产品和 harness 迭代更快。Marcus 把注意力放在 贵：这些能力往往依赖专门化工程、庞大基础设施和资本杠杆，不是靠一句「规模会解决」就能免费获得。

对国内 AI 团队来说，今天这组信号可以转成两个检查项。第一，看一家实验室时，不只看模型榜单，要看它有没有把模型能力持续转化为产品节奏。第二，看一个 AI 产品时，不只问底座模型是谁，要问它背后用了多少工具链、规则系统、执行环境和人工工程。真正的壁垒，可能就藏在这两者之间：能不能跑得更快，同时不把成本和复杂度推到失控。