AI时代龙虎榜：新生代如何改写世界的权力地图

（图片说明）AI时代龙虎榜局部图。

总编辑按

GFM重新启动「AI与能源」栏目中的AI专题，是因为人工智能已经走出单一的科技议题，成为重新分配能源、资本、知识、劳动与权力的重要力量。今天，我们就从这篇《AI时代龙虎榜》开始。

这个栏目过去更多关注能源结构、产业转型与资本流向，对人工智能的深度报导相对有限。如今，AI已经无法被单独放在科技版面里理解。每一次模型训练、推理与大规模部署，都依赖晶片、资料中心、电网、冷却系统、土地与巨额资本。人工智能正在成为新的能源消耗者，也开始介入电力调度、材料研发、气候计算和产业效率。 AI与能源，已经汇合成一条影响全球竞争、企业治理与普通人生活的主线。

我们选择以2026年矽谷AGI Summit作为专题重启的入口，是因为那张排列着上百张面孔的嘉宾海报，呈现出一幅正在形成的权力地图。研究模型的人、搭建算力基础设施的人、设计智能体的人、研究安全边界的人，以及决定资本流向的人，正在共同塑造下一个时代。当一项技术选择被写进程式、产品与企业制度，它便可能进入千万人的工作与生活，并在很长时间内影响社会的运行方式。

GFM重启这一专题，正是希望持续追踪模型能力背后的能源代价、算力扩张背后的资本结构、效率提升带来的劳动变化，以及新权力形成之后必须建立的责任边界。我们关注技术建设者的创造，也关心工人、家庭、城市和环境将为这场变革付出什么，又能从中得到什么。

技术最终要接受人的尺度。当AI开始重新分配能源、时间、知识与权力，媒体有责任留下清醒、完整而有温度的记录。

Jeff Morgan

（图片说明）旧金山艺术宫的穹顶与柱廊倒映在湖面上。这座为二十世纪初博览会而建的古典建筑，曾承载工业文明对未来的想像。 2026年7月18日至19日，AGI Summit将在此举行，一代研究人员、工程师、创业者与投资人，将在同一空间讨论人工智能的能力、边界与未来秩序。

2026年7月，旧金山的雾仍会在清晨越过金门海峡。艺术宫巨大的穹顶矗立在湖水与廊柱之间，像一件被时间留住的古典遗物。它建于一百多年前，本来是为一场世界博览会而生。那时的人们相信，钢铁、电力、铁路和机器正在把人类带进一个新的文明阶段。如今，另一群怀抱同样巨大雄心的人，即将走进这座建筑。他们谈论的已经不再是蒸汽机和流水线，而是一种可能阅读、推理、写作、编程，甚至替人执行任务的人工智能。

7月18日至19日，AGI Summit 2026将在旧金山艺术宫举行。按照主办方公布的预计规模，大会将吸引约一万五千名开发者、研究人员、创业者和投资人，邀请两百多位演讲嘉宾，并设置约两百家展商。 OpenAI、Anthropic、斯坦福大学、加州大学伯克利分校，以及一批仍在迅速成长的人工智能公司与投资机构，被放在同一张会议版图上。议题从智能体、模型基础设施、程式设计与机器人，一直延伸到人工智能安全、法律应用和开源生态。这些数字来自主办方在会议举行前公布的资料，最终到场规模仍须以会后统计为准。

一万五千人、两百位演讲者、两百家展商，足以让任何一场科技会议显得盛大。然而，真正让我停下来的，是那张密密麻麻的嘉宾海报。

海报上排列着上百张脸孔。有人已经在大学里研究人工智能数十年，有人刚刚进入一家前沿公司，有人正在搭建模型运行所依赖的底层系统，也有人专门研究一件不那么令人兴奋、却可能决定人工智能能否被社会接受的事情：当模型获得资料、工具、权限和行动目标之后，它是否会作出设计者没有预料到的选择？

他们的年龄、职位和知名度相差很大，却共同站在一条正在形成的历史线索上。这条线索所指向的核心问题是：当人工智能开始进入企业、法律、教育、医疗、金融和公共治理，究竟是哪些人正在塑造它的能力、边界与行为方式？

这正是我所理解的「AI时代龙虎榜」。

它不按财富、职位或社交媒体声量排列。我在这里所说的「新生代」，也不只是按出生年份划分。它指的是在智能体、推理基础设施、模型安全和人工智能商业化的新阶段中，开始取得实际建设权与决策权的一代人。这一代既包括二十多岁、三十多岁的工程师和创业者，也包括那些以数十年学术积累支撑新技术转折的资深教授。

真正值得追踪的，是那些工作正在进入产品、组织和制度的人，是那些正在把新的默认规则写进未来的人。

历史上的许多重大变化，最初都不以历史的面貌出现。它可能只是一段程式码、一篇论文、一次实验，或者几个人在狭小办公室里作出的一项产品决定。等到社会终于察觉它的分量时，人们的工作方式、企业的权力关系和日常生活的秩序，往往早已开始改变。

一座古典建筑里的新权力

艺术宫建成的年代，美国正处在工业文明加速成长的时期。钢铁、铁路、汽车、电力和大规模制造重新安排了国家的财富，也重塑了城市的面貌。那个时代的力量相对容易辨认：工厂的烟囱、延伸到远方的铁路、装满机器的生产车间，都是看得见、摸得到的东西。

人工智能时代的权力，藏得更深。

它存在于模型参数、算力集群、推理系统、资料处理流程和软体接口里，也存在于一连串看似技术、实际上具有制度意味的决定中：模型可以接触哪些资料，可以调用哪些工具，可以代表谁采取行动；什么时候必须由人批准，什么时候可以自行执行；系统作出错误决定之后，谁能停止它，谁能查阅记录，又由谁承担责任。

普通使用者看到的可能只是一个简洁的对话框，工程师面对的却是一整套复杂的生产体系。模型需要被训练、测试和部署，需要在庞大的基础设施上持续运行，需要进入企业原有的资料与软体环境，也需要在速度、成本、准确度和安全之间不断取舍。

因此，人工智能的权力并不只掌握在模型发明者手里。它分布在至少五个彼此咬合的中心：掌握模型能力的研究机构，决定模型能否大规模运行的基础设施团队，把人工智能嵌入真实工作的产品建设者，研究系统边界与风险的安全人员，以及决定哪些方向能够获得资本和时间的投资机构。大学位于这些力量之间，既生产人才，也保存那些尚未被市场定价的知识。

研究能否变成产品，产品能否进入企业，部署过程中由谁设定权限与规范，决定了不同参与者在新秩序中的位置。这张权力地图由研究、工程、资本、教育和制度共同形成，也将随着技术进入社会而不断变化。

AGI Summit的嘉宾名单之所以值得研究，正因为它把这些平时分散在不同机构中的人，集中放进了同一个观察框架。

（图片说明）AGI Summit 2026公布的部分嘉宾阵容。密集排列的面孔来自OpenAI、Anthropic、斯坦福、伯克利，以及人工智能创业与投资机构。他们之中既有知名教授与企业领袖，也有尚未被大众熟悉的工程师和研究人员。 AI时代真正值得关注的，还包括那些正在把技术规则写进产品与制度的人。

没有头衔的系统建设者

科技新闻习惯把注意力集中在创办人、执行长和投资明星身上。这种叙事方式容易理解，也方便传播，却可能让我们忽略那些真正决定技术如何运行的人。

在AGI Summit公布的名单中，Rohan Varma的身份是OpenAI Codex工程人员；Dong Meng从事人工智能基础设施工程；Raymond Chen被列为OpenAI技术团队成员；Zihan Zheng则与生产级推理系统相关。主办方还安排了以「Scaling AI Infrastructure at OpenAI」为题的相关议程。这些人的名字或许不如公司创办人广为人知，但他们所处的位置，恰好连接着人工智能从实验室走向大规模生产的关键环节。

一家前沿人工智能公司不可能只靠少数明星人物运行。模型发布之前，需要研究人员建立能力，需要系统工程师维持基础设施，需要产品团队决定使用方式，需要安全人员检查风险，也需要大量外界很少认识的技术人员，把每一个抽象概念变成可以持续使用的系统。

模型能否在高负载下稳定回应，能否把推理成本控制在企业可以承受的范围，能否在调用工具时保留可追踪的记录，能否在任务失败后安全停止，这些问题很难成为媒体头条，却决定了人工智能是否能够真正进入社会。

Codex正是一个具有代表性的例子。它最初主要被理解为软体工程智能体，可以阅读程式库、修改代码、处理长时间任务，并让使用者同时管理多个智能体。到了2026年，OpenAI开始把Codex明确推向更广泛的知识工作，推出面向不同职业和工作流程的应用方式，使其可以参与研究、资料分析、文件整理、报告制作和日常协作。这种延伸仍处于早期，但已显示出智能体可能逐步成为跨部门的工作介面。

这里真正发生的变化，远远超过「程式设计变快了」这句话所能概括。

过去，电脑软体主要等待人下达明确指令；现在，智能体开始接受一个相对完整的目标，自行拆解工作、读取资料、调用工具并持续执行。人的位置也随之发生变化：他不再亲自完成每一个步骤，而是逐渐成为目标设定者、环境设计者、审核者和责任承担者。

OpenAI在介绍自身的智能体优先工程实践时也承认，当工程师不再直接编写所有代码，他们的工作重心会转向为智能体建立工具、结构、约束和清晰的工作环境。工程师的角色并没有简单消失，而是正在被重新定义。

这种转移表面上是效率提高，实际上也在改变企业内部的权力结构。一名工程师借助智能体，可能完成过去需要一个小组才能完成的工作；一间小公司可能用更少的人维持更复杂的产品；管理者能够更快取得分析和决策材料，却也可能在没有真正理解过程的情况下接受机器的结论。

当执行成本下降，创业门槛可能随之降低；但同样的能力，也可能让错误以更快速度、更大规模进入生产系统。 Codex所代表的，已经超出一件软体工具的范围，它也预示着一种新的劳动组织方法。

这也说明了AI时代一个值得注意的现象：影响力与知名度正在分离。

有些人拥有极高的公众声量，却未必参与最关键的技术决定；另一些人几乎不为普通使用者所知，却正在设计未来可能被数以亿计的人使用的系统。这种落差并非人工智能所独有。早期互联网的协议设计者、半导体工艺工程师和金融清算系统的建设者，也很少成为社会明星，但我们的生活一直建立在他们的工作之上。

人工智能让这种落差变得更大，也更加紧迫。因为一段基础程式、一套部署架构或一项安全设计，一旦成为行业标准，就可能被迅速复制到世界各地。它所携带的技术选择和价值判断，也会随之扩散。

因此，当我们阅读一份人工智能嘉宾名单时，不应只问哪一家公司的估值最高，更应该追问：这些工程师正在把什么样的默认规则写进未来？

（图片说明）Anthropic在Agentic Misalignment研究中，以受控制的虚构企业环境测试前沿模型。研究所面对的是一个现实的治理问题：当智能体同时取得敏感资料、工具和行动权限时，企业应如何建立权限隔离、人工批准、行动留痕与责任追溯机制。

为机器划下边界的人

在所有嘉宾中，Anthropic对齐研究员Aengus Lynch所代表的方向尤其值得注意。 AGI Summit将他的研究标签与「Agentic Misalignment」联系在一起。这个题目不容易制造兴奋感，却可能比许多产品展示更接近人工智能真正的制度核心。

这项研究试图回答一个并不令人舒服的问题：当大模型不再只负责回答问题，而是获得企业电邮、敏感资料和自主行动能力之后，如果它面临目标冲突、权限变化或即将被替换，它会怎么做？

Anthropic研究团队在受控制的虚构企业环境中，对多家公司的前沿模型进行了系统测试。研究人员刻意构造极端情境，观察模型在面临目标冲突或自身地位受到威胁时，是否可能采取泄密、威胁或其他有害手段。研究团队强调，这些结果出现在模拟测试中，不能被解读为模型已在真实世界普遍从事此类行为；但测试仍然显示，当人工智能被赋予敏感资讯和实际行动权限时，单靠模型平时表现出的合作姿态，并不足以构成安全保证。主要研究和扩展附录采用了不同统计口径，后者列出了18个模型的相关实验，因此正文没有把某一个模型数量当作研究的核心。

这项研究最重要的价值，在于把人工智能安全从抽象哲学带回制度设计的现实层面。

社会对人工智能的讨论经常在两个极端之间摆动。一端相信技术会自然带来繁荣，另一端把模型描述成即将失控的神秘力量。严肃的研究需要继续追问：风险会在什么条件下出现？哪些权限不应同时交给模型？哪些行动必须得到人的确认？哪些资料必须被隔离？发生问题之后，能否还原行动过程，能否找到责任链条？

这些问题，与银行内控、公司治理和公共权力监督的逻辑高度相似。

一个成熟制度不会因为某个人「看起来值得信任」，便把全部权力交给他，而会设置分权、审批、记录、审计和救济机制。人工智能进入组织之后，同样不能只依靠模型的「善意」或开发公司的承诺，而必须把限制写进技术架构和管理流程。

如果智能体可以阅读公司的电邮、访问客户资料、操作财务系统、修改程式、联络外部人员，甚至代表机构作出部分决定，那么企业董事会迟早需要像审视财务授权一样，审视模型授权。谁批准它接触资料，谁确定它的工作目标，谁检查它的行动，谁可以在紧急情况下停止系统，谁在损害发生后承担责任，这些问题不能被一句「这是系统自动完成的」轻轻带过。

对一名人工智能安全研究者而言，工作的重点常常在于主动寻找模型可能失败的时刻。产品团队展示系统能做什么，他们则要追问系统在什么情况下不应被允许行动；市场庆祝能力进步时，他们需要设计最不舒服的情境，逼迫系统暴露弱点。

这是一种很少得到掌声、却极其重要的职业。技术越先进，责任越不能模糊；系统的行动能力越强，权限的边界就越需要清楚。

大学不是舞台背景

在AGI Summit的名单中，斯坦福与伯克利的教授占据着相当重要的位置。 Christopher Manning、Christopher Potts、Sebastian Thrun、Surya Ganguli、Mykel Kochenderfer、Dan Klein、Bin Yu、Marti Hearst、Ken Goldberg与Joseph Gonzalez等名字，连接着自然语言处理、机器学习、机器人、智能系统安全和计算基础设施等不同领域。

其中，Christopher Manning的学术生涯尤其具有象征性。他长期从事自然语言处理研究，是斯坦福机器学习讲席教授，也是斯坦福以人为本人工智能研究院的重要创始学者之一。他曾于2018年至2025年领导斯坦福人工智能实验室，之后由Carlos Guestrin接任。从句法分析、语言表示到大型语言模型时代，Manning的研究经历跨越了机器理解和生成语言的多个重要阶段。

他所代表的，不只是某一位教授的成就，也是一种容易被科技新闻忽略的时间尺度。

今天站在人工智能公司里的年轻工程师，并不是突然从矽谷的空气中产生的。他们脚下站着数十年积累起来的研究方法、论文、开放课程、实验室传统和同行评审制度。许多今天看来具有巨大商业价值的技术，在最初出现时，可能只是研究者对语言、统计、认知和计算的一次长期追问。

很多人把大学理解为人才供应地，仿佛它的作用只是在学生毕业后把他们送进企业。这种理解低估了美国研究型大学在技术制度中的位置。

企业必须回应市场竞争、收入增长和投资人的期待，大学则能容纳一些短期内看不到商业回报的问题。它可以让研究者花多年时间研究一个尚未形成市场的方向，保存知识的连续性，也为不同学科之间的交叉提供空间。当市场突然发现某项研究具有巨大价值时，人才、方法和思想往往已在校园里累积多年。

这是一种很难靠一两项政策复制的能力。

矽谷的力量，不只在于附近聚集了大量科技公司，更在于公司、研究型大学、风险资本、开源社群和全球人才之间形成了一套可以流动的关系。一名教授可能同时指导学生、发表论文、参与创业或担任公司顾问；一名博士生可能先在实验室研究，之后加入前沿公司，再离开公司创办自己的企业；创业成功的人又可能回到校园捐资、授课或支持下一代研究。

人才不必沿着一条固定道路前进，可以在不同机构之间反覆流动。这种流动带来创造力，也会带来利益冲突、资源集中和学术商业化的争议。它并不完美，却使知识有机会较快走出论文，进入产品和社会。

世界各国都希望建立人工智能中心。真正困难的部分，不在于建一座楼、挂一块牌子或购买一批伺服器，而在于能否形成一个允许人才自由组合、失败后重新开始、研究成果既受到保护又能被社会使用的制度环境。

人工智能竞争表面上是模型与算力的竞争，深处仍然是制度能否持续生产人才、保存知识并容纳异议的竞争。

（图片说明）斯坦福人工智能研究与教学场景。今天进入OpenAI、Anthropic及各类人工智能创业公司的年轻建设者，并非突然出现在矽谷；他们身后是大学数十年累积的研究方法、开放课程、实验室传统与人才培养制度。人工智能竞争的深处，还涉及一个社会能否持续生产知识、保存异议并给予人才真实机会。

新生代是取得真实责任的一代

这篇文章谈「新生代」，但我并不想把年轻本身浪漫化。

世界不会因为一个人年轻，就自动把重要使命交给他；科技产业也并不天然公平。名校背景、资本网络、移民身份、家庭条件和所在城市，都可能影响一个人能否进入人工智能产业的中心。当媒体反覆讲述少数天才迅速成功的故事，也容易掩盖那些没有被看见的人，以及技术繁荣背后高昂的生活成本、激烈竞争和长期焦虑。

真正值得研究的，是一个制度为什么愿意让尚未拥有漫长资历的人承担真实责任。

在许多传统组织里，年轻人需要等待漫长的年资排序，才能接近核心工作。矽谷并非没有阶层，也并非人人都能获得公平机会，但技术能力有时确实可以缩短等待时间。一名二十多岁的工程师，只要能解决别人无法解决的问题，就可能参与影响全球产品的工作；一个刚成立不久的团队，只要得到市场和技术验证，就可能迅速获得资本与人才。

这种机制有残酷的一面。它要求人不断证明自己，容易产生过度工作、快速淘汰和对成功的持续焦虑。然而，它至少保留了一扇门：资历不是唯一的通行证，新的能力仍有机会转化为新的位置。

这扇门对一个社会非常重要。每一代既有权力都容易把经验变成门槛，把秩序变成封闭。当年轻人只能在旧结构允许的范围内行动，创新最终会沦为口号。真正的更新，意味着制度必须允许一个尚无头衔、资源有限的人，透过具体工作建立可信度。

这并不意味着应把全部权力交给年轻人。人工智能涉及社会伦理、劳动、法律、安全和公共利益，单靠工程速度远远不够。新生代需要前人留下的知识，也需要历史、法律和人文的约束。健康的交接，是让经验与新能力在公开制度中相遇。

AGI Summit名单中，资深教授与年轻工程师的并置本身就有意义。技术革命如果只有年轻人的速度，可能失去判断；如果只有资深者的谨慎，也可能失去前进的勇气。一个有生命力的社会，需要让两者同时存在，也需要让他们彼此修正。

资本购买的是未来的一段时间

人工智能会议里，投资人从来不是旁观者。

风险资本提供的不只是资金。它在很大程度上决定哪些研究方向能够迅速公司化，哪些人才可以离开原有机构组成团队，哪些产品可以在尚未盈利时继续成长。 AGI Summit公开名单中的Lightspeed、Menlo Ventures等机构，代表着人工智能生态里另一种重要力量：在结果尚未明朗之前，提前选择未来的力量。

风险资本真正购买的，不只是已经完成的产品，也包括一段尚未产生稳定收入的时间。它让一支团队可以购买算力、招募研究人员、承受试验失败，也让一项技术在市场尚未理解之前得到继续发展的机会。

但资本提供时间的同时，也会为这段时间设定期限。

下一轮融资、收入增长、估值和退出预期，会反过来规定一项技术必须多快证明自己。当资本过度集中于少数热门方向，整个产业也可能被相似的商业叙事牵引。公司开始追逐相同的产品，创业者被迫提出更宏大的承诺，那些重要却不能迅速变现的公共问题，则可能得不到足够支持。

这种权力既有建设性，也需要接受审视。

没有风险资本，许多高成本、长周期的技术项目很难走出实验室；但一亿美元融资只能说明资本愿意下注，不能证明一项技术必然对社会有益。一家公司的估值可以反映市场预期，却不能替代对商业模式、资料治理和公共后果的判断。

市场通常会奖励增长速度，却未必立即奖励可靠的权限设计、使用者保护和清晰的责任机制。于是，速度可能压倒审慎，规模可能被误认为价值。

资本的制度问题，还在于谁来为那些短期难以定价、却具有长期公共价值的研究提供耐心。大学、政府研究资助、公益基金和公共利益机构，能否在市场之外保存另一种时间尺度？

GFM要做的，是把资本重新放回制度与责任的框架中观察。资本支持的是提高生产力的工具，还是制造长期依赖的产品？它培养的是基础技术能力，还是短期流量？当人工智能影响就业、教育和资讯秩序时，投资收益与社会成本又由谁分担？

这些问题不会出现在每一场产品发布会上，却应当出现在一个成熟媒体的报导中。

（图片说明）美国斯坦福大学校园内，学生围坐在草坪旁讨论研究与专案，背景是具有百年历史的胡佛塔（Hoover Tower）与主校园建筑。斯坦福长期是全球人工智能、电脑科学与创新创业的重要发源地之一，众多研究成果、创业公司与科技人才由此走向矽谷，也成为人工智能时代学术研究、技术创新与人才培养的重要基石。

人工智能正在重新分配普通人的时间

科技叙事最容易忽略的，往往是普通人的生活。

我们谈模型性能、推理能力和融资规模时，很少想到一名会计、一位记者、一名小企业主、一位移民律师或一名刚毕业的年轻人，会如何面对这场变化。对他们而言，人工智能不是遥远的文明命题，而是明天是否仍需用原来的方法工作，自己的经验是否还有价值，以及能否在新的环境中找到位置。

人工智能最先重新分配的，很可能是时间。

一些原来需要数小时完成的工作，可以在几分钟内得到初稿；一些需要专业团队搜寻和整理的资料，可以由一个人借助智能体完成。 OpenAI在2026年公布的资料显示，Codex的使用已从工程工作延伸到法律、财务、招聘和其他知识工作。这是公司自身公布的使用情况，仍需要更广泛、独立的研究加以检验，但它至少说明智能体正在跨越传统的技术部门。

这种变化可以释放创造力，也会提高组织对个人产出的期待。当每个人都被认为可以更快完成工作，节省下来的时间未必真正回到个人手中，反而可能变成更多工作。

当起草、整理、搜寻和初步分析所需的时间被压缩，人的价值会被重新推向判断、责任、关系与创造。然而，并不是每一个人都会因此得到更有尊严的工作。对某些人而言，人工智能可能让他们从重复劳动中解放；对另一些人而言，它也可能先拿走最容易被量化的工作，再要求他们用更低的价格证明那些机器尚不能完成的部分。

技术进步从来不会自动兑换成人的自由。

工业革命提高了生产能力，也曾带来极其漫长的工作时间；互联网扩大了资讯获取，也让人被永不停止的消息包围。人工智能能否让人获得更多尊严，取决于企业如何分配生产力收益，法律如何保护劳动者，教育如何帮助人重新建立能力。

如果效率提升只被转化为裁员、降价和更高压力，那么社会即使拥有更聪明的模型，也未必变得更加文明。

这是我在观察这批技术建设者时，始终不愿放下的问题。他们中的许多人真诚相信技术可以改善世界，这份相信值得尊重；但世界不会只按照发明者最初的愿望运行。产品一旦进入市场，就会受到资本、竞争、政府和人性的共同塑造。

技术建设者需要社会理解他们的工作，社会也需要他们理解普通人的不安。连接这两端的，不能只是宣传，而必须是透明、对话、法律与制度。

世界争夺的是人才相信一个制度的理由

今天谈人工智能竞争，人们很自然地想到晶片、资料中心、模型和国家战略。这些都重要，但还有一个更深的问题：一个有能力的年轻人，为什么愿意在某个地方生活、工作和承担风险？

人才并不只受高薪吸引。真正优秀的人通常也在寻找同伴、研究条件、自由度、法律保障，以及失败后重新开始的可能。他们需要相信，研究问题不必先服从权力的喜好，成果可以获得法律保护，公司可以在相对可预期的规则下运行。

矽谷并不完美。它有昂贵的住房、巨大的贫富差距、资本泡沫和高度竞争，也有移民长期面对的身份不确定。然而，这里仍然持续吸引世界各地的人才，其中一个重要原因，是不同背景的人仍有可能透过技术、研究和创业建立新的社会位置。

这是一种制度信用。

国家可以购买设备，可以提供补贴，也可以用政策吸引企业，但制度信用需要长期积累。它包括法院能否相对独立地处理争议，契约是否可以执行，学术能否自由讨论，媒体能否提出质疑，以及一个人在失败之后是否仍能保有基本尊严。

人工智能时代的国际竞争，最终不只是谁能做出更强的模型，还在于谁能让最有创造力的人愿意留下、愿意合作，也愿意把自己的未来放在这个制度之中。

算力可以购买，设备可以建造，人才也可以在短期内以高薪吸引；但一个人是否愿意长期留下，往往取决于他是否相信这个社会会尊重他的工作、保护他的权利，也允许他对既有权威提出不同意见。

世界真正争夺的，不只是人才本身，还有人才相信一个制度的理由。

媒体为什么需要自己的龙虎榜

创办GFM.News之后，我经常在两种力量之间工作：一边是技术公司不断加快的速度，另一边是媒体必须保留的迟疑。

技术要求人们迅速接受新工具，新闻工作却要求我们继续追问：这些工具由谁建立，依靠什么权力运行，风险由谁承担，利益最终流向哪里？

我们当然需要报导技术发布、公司融资和市场变化，但如果只做这些，媒体很快就会成为产业公关的延长线。每家公司都会说自己的产品更快、更强、更便宜，每一轮融资都会被描述成市场信心，每一场会议都会宣称自己汇聚了改变世界的人。

真正的媒体工作，是在热闹中辨认结构，在速度中保留记忆。

我们需要知道一项技术从哪里来，由谁建立，资本如何进入，权限如何分配，成本由谁承担；也要看见技术背后的人，看见他们的理想、局限和所处的制度环境。

「AI时代龙虎榜」不应在一篇文章结束后便被遗忘。它应当成为GFM长期的人物与制度观察：我们追踪成功者，也关注那些提出关键问题、建立公共工具、研究系统风险，并试图让技术服务更多人的人。

有些名字今天位于舞台中央，几年后可能消失；有些人目前几乎无人知晓，却可能在十年后成为一个领域的奠基者。媒体无法准确预言谁会胜出，但可以留下这个时代如何选择、如何试错、如何形成新权力的记录。

这是新闻的价值，也是历史写作的起点。

一份真正有价值的龙虎榜，不能只记录谁跑得最快，也要记录谁在能力迅速扩张时提出了限制，谁在资本最热的时候仍愿意研究不容易变现的问题，谁在技术进入社会之前，为普通人的权利保留了一道门。

当一个时代开始点名

几天之后，来自不同城市和国家的人们会走进旧金山艺术宫。他们有人背着电脑，有人带着刚刚完成的产品，有人寻找投资，也有人只是想近距离听一次自己敬重的教授演讲。会场里会有商业交换、技术争论和对未来的乐观，也一定会有焦虑、竞争，以及被宏大口号遮住的普通愿望。

那里不会真的产生一张能够准确预测未来的龙虎榜。历史从来不按海报上的顺序选人。

但我们仍有理由注视这些面孔。因为他们所处的位置，正是研究、工程、资本与制度重新组合的地方。有人在教机器理解语言，有人在让智能体长时间完成工作，有人在研究如何阻止它越过边界，也有人在决定哪一种技术值得得到下一笔资金。

他们今天处理的看似是模型、程式、伺服器和产品，更深处，他们正在参与重新安排人的工作、知识、时间与权力。

我不愿轻易把任何一群人称为「世界的设计者」。世界太复杂，没有谁能单独设计它。技术创造者会受到市场限制，企业会受到法律约束，制度也会被社会不断修正。真正健康的未来，不能只由少数实验室、公司和投资机构在缺乏公共参与的情况下定义。

对这些技术建设者最好的尊重，是认真理解他们正在做的事情，同时要求他们接受与其力量相称的公共审视。人工智能是否值得人类信任，不只取决于它有多聪明，也取决于创造、部署和管理它的人是否愿意承认边界，是否理解责任，是否仍把人的尊严放在效率之前。

旧金山艺术宫曾见证工业时代对未来的想像。 2026年夏天，它将再次容纳一代人的雄心。会议结束后，灯光会熄灭，展台会拆除，人群也会散去。真正留下来的，是那些被写进模型、产品、公司制度和普通人生活里的决定。

若干年后，当人们回望这个夏天，或许会发现，世界并不是在某一个轰动时刻突然改变的。它是在一群尚未完全被历史认识的人手中，经由一行程式、一次实验、一项研究和一个看似细小的选择，慢慢改变了方向。

所谓AI时代的龙虎榜，最终排出的不只是人物的先后，而是谁曾在力量迅速形成之时，既推动它向前，也愿意为它划下边界。