"AI对员工效率提升仅50%，少数员工能实现10x、100x效率提升。制造业约束难以转化为技能，模型持续学习能力有限，构建RL环境困难。AI在数学、理论、网络安全等领域表现优异，但在现实交互中存在鸿沟。"
非常赞同 “智力不是解决重大问题的瓶颈，与现实的交互才是瓶颈”。
最近我去小米、大疆、华为、一些芯片制造产业链公司交流，发现 AI 对大部分员工的效率提升只有 50%，只有少数 “超级个体” 员工做 prototype 的时候能 10x、100x。
AI 作为助理工程师写代码、调研分析这些 2025 年的 agentic 任务都没问题。但是 agent swarm 全自主推任务这种 “数字员工” 都很难做。
因为制造业有大量的约束，有物理约束，有成本约束，有路径依赖约束，有供应链约束，有内部组织约束。这些约束还很难蒸馏成 skills。Agent 往往不是忽视这个约束就是忽视那个约束，就算 pass@k 都很低。
现在模型的持续学习能力有限，直接拿失败的 trajectory，模型团队用不上；要构建 RL 环境也很难，总不能尝试流片个几千次，或者造几千个不能用的工件吧。
形成反差的是，做数学、理论、网络安全的都觉得自己快被 AI 取代了。OpenAI 的几百篇 paper 虽然有错误，但大多数可能会被承认是对的。
我之前以为 AI 不擅长解奥数题这种 “巧思”，做理论的老师告诉我，AI 最擅长的就是这种巧思，它可以遍历上万种可能的巧思。在可形式化验证且验证成本低的领域，AI 是远远超过人类的。
这就是 raw intelligence 和在现实交互中持续学习的鸿沟。
String theory is what happens when an intelligent system is starved of sensory input and starts hallucinating. Intelligence needs grounding. For this reason, intelligence is practically never the bottleneck to solving impactful problems. The bottleneck is iterated contact with reality.在 X 查看被引用的帖子
来源：Bojie Li · x.com
Cursor Agent 架构全景拆解：从影子工作区到多文件推演引擎
全面剖析 Cursor 在 Agent 模式下的底层技术实现，解析影子分支隔离、LSP 上下文剪枝以及预测性补全的核心架构细节与工程实践经验。
Vercel v0 推出全新多 Agent 协作画布与实时全栈部署预览
动态速评：v0 正在从单一组件生成器演进为全栈应用搭建协作台，尤其是与 Neon/Postgres 的直连极大降低了全栈原型验证成本。