Mollick 追问 GPTs 去向，Marcus 追问 AI 账本

北京时间 7 月 6 日 08:00 至 7 月 7 日 08:00，白名单账号里可入选的 AI 原创主要来自 Ethan Mollick、François Chollet 和 Gary Marcus。Sama、Karpathy、Demis Hassabis、Jim Fan、Ilya Sutskever 没有窗口内 AI 原创长推；Yann LeCun 的窗口内内容以转推和上下文不足的短句为主，本期不硬塞进主线。

Ethan Mollick 这次没有写长文，而是抛出一个很现实的产品问题：他接触到不少公司仍在推进 GPTs 项目，但 OpenAI 在推出 GPTs 后几乎放弃了这条线。他说，GPTs 本可以成为 Skills 和组织级 AI 的桥，前提是把它们转成可供 agent 使用的技能库。1

这里的 GPTs 指 OpenAI 早期推出的自定义 ChatGPT 小应用，企业可以把提示词、知识文件和动作封装进去。Mollick 的意思不是怀旧，而是在问一个产品路线问题：企业已经投入流程、培训和内部模板后，平台如果换入口，迁移成本谁来承担？

这和过去几周他反复谈的长任务 agent 是一条线。真正的组织级 AI 不只是聊天框里的一次回答，而是能调用工具、继承上下文、按公司规则做事的执行单元。GPTs 的价值原本在于把散落的工作方法封装起来；如果这层没有顺利接到 agent，企业内部就会出现一堆半成品：有人还在维护旧 GPT，有人转向新 agent，有人干脆回到提示词文档。

Mollick 还转向了另一个更技术的入口。他推荐 Neuronpedia 上的 Jacobian Lens 演示，说「最后的可视化值得试」。该页面把演示对象写成 Qwen3.6-27B，并链接到论文、Anthropic 博客、代码和权重。23

这条短推本身不该被扩写成 Mollick 对可解释性的完整立场，但它指向了今天最值得补读的技术材料。

Anthropic 同日发布的解释是：他们在 Claude 中观察到一小组内部神经模式，这些模式和模型「可能说出来的词」相关，但不等于模型已经把这些词写进输出。Anthropic 把这组模式称为 J-space，并说它在多步推理、内部计划和安全审计里有特殊作用。4

论文版说得更严谨：研究团队提出 Jacobian Lens，用来识别那些可被 verbalize 的内部表征，并报告这些表征在 directed modulation、internal reasoning、flexible generalization 和 selectivity 上呈现出类似 global workspace 的功能特征。论文也明确说，它不主张语言模型复现了大脑全套 global workspace 架构，更不直接回答 Claude 是否有主观体验。5

这点很关键。对工程读者来说，J-space 最有用的地方不是给模型贴上「意识」标签，而是把不可见的中间判断变成可检查对象。Anthropic 的博客举了几个例子：模型读代码时内部出现「ERROR」，读疑似 prompt injection 的搜索结果时出现「injection」和「fake」，这些词没有出现在输出里，却在内部表征中浮现。4

如果这个方向继续成立，可解释性会从「事后解释模型为什么这么答」往前走一步，变成「在模型答出来之前，观察它正在把什么概念放到工作区」。这对安全评测、长任务 agent 和企业审计都重要。一个 agent 能交付任务还不够，企业还会问：它中途有没有发现风险？有没有把错误当成事实？有没有意识到自己正在被测试？

François Chollet 的窗口内原创很短：「All of reality is programmable. You just have to figure out how. And the way to do that is to model it.」6

这句话容易被读成一句技术乐观主义口号，但放到今天的材料里，它更像一个边界条件。所谓「可编程」，不是把世界都塞进代码，而是先找到足够好的模型：能抓住变量，能预测干预后果，能知道什么时候模型失效。

这也解释了为什么 J-space 这类研究会让人兴奋。它不是又一个榜单分数，而是在尝试回答模型内部到底怎么组织概念。能不能建模，决定了我们能不能可靠地干预。不能建模时，所谓控制只是调提示词、加护栏、等输出碰运气；能建模时，才有机会在内部机制上发现可复用的杠杆。

Chollet 这条短推信息量有限，不适合强行展开成技术路线宣言。但它和 Anthropic 的论文放在同一天看，确实形成了一个清楚的提醒：AI 的下一步进展不只来自更大的模型，也来自我们能否把模型内部的工作方式描述清楚。

Gary Marcus 今天继续追 AI 的经济账。他先说，LLM 正在变成商品，并把这和自己 2023 年「利润会很薄」的判断相连。7 随后他又写道，如果资本开支在五年里相对收入翻了四倍，「这不可能是好事」。8

这两条都不是完整财务分析，不能当成行业结论直接照搬。它们更像一组追问：如果模型能力越来越接近，价格越来越低，厂商靠什么把训练、推理、数据中心和融资成本挣回来？如果 GenAI 还不足以替代数百万员工，Marcus 认为资本开支就很难回本。9

Marcus 的问题和 Mollick 的问题正好卡在同一个接口上。Mollick 关心企业怎么把 AI 从「可演示」变成「可组织化复用」；Marcus 关心如果复用没有带来足够现金流，AI 基础设施的账怎么平。一个问产品入口，一个问利润出口。

这不是简单的乐观派和悲观派对打。今天的几条材料合在一起看，反而给了一个更具体的判断标准：AI 公司不能只证明模型更聪明，还要证明模型能被组织稳定使用、能被审计、能把成本转成收入。GPTs 的断档、J-space 的可见化、capex 的回本压力，说的都是同一件事的不同侧面。

如果你在公司内部推 AI，Mollick 那条 GPTs 推文值得先看。它提醒你，不要只问「用哪个模型」，还要盘点已经沉淀下来的提示词、知识库、操作流程和权限规则，能不能迁移到下一代 agent 入口。

如果你做模型、安全或平台工程，Anthropic 的 J-space 材料更值得花时间。它把「模型在想什么」从玄学说法拉回可实验对象，也把可解释性和 agent 审计接到了一起。

如果你看 AI 投资或基础设施，Marcus 的几条短评提供了反向检查表：价格是否在走向商品化，单位推理成本下降后利润率能否守住，资本开支和收入是否仍在同一个数量级。只要这些问题没有答案，模型能力发布会再热闹，账本也还会追上来。