DeepSeek 开源 DeepInfer：自家生产级大模型推理框架

深度摘要

DeepSeek 把支撑其大规模生产服务的推理框架 DeepInfer 开源了（离线推理版）。核心卖点是自研 kernel 栈与并行策略：FlashMLA、DeepGEMM、DeepEP、TileKernels、DeepSelect 等优化 kernel；并行上支持 Attention DP / 均衡 CP、MoE EP + EPLB；DSpark + 置信度调度验证加速解码；异步调度实现零开销 batch 调度；另有 batch 不变性推理与确定性采样（NVIDIA 限定）。值得注意的是支持华为 Ascend 950 NPU，并明确列出本次未开源的部分：VE/Prefill/Decode 解耦、跨 DP 副本负载均衡等仍属内部生产能力。HN 24 小时内 2071 分、811 条评论，是本期讨论热度最高的一篇。

关键要点

• 开源的是 DeepSeek 生产服务的推理框架本体，含自研 kernel 栈：FlashMLA、DeepGEMM、DeepEP、TileKernels、DeepSelect 及 TileLang 自定义 kernel
• 并行策略：Attention DP / balanced CP、MoE EP + EPLB；DSpark 用 draft token + 置信度估计调度验证来加速解码
• 异步调度（CPU batch 调度与设备执行重叠，默认开启）、batch 不变性推理（同输入不同 batch 组成结果一致）、确定性采样（后两者限 NVIDIA）
• 明确支持华为 Ascend 950 NPU；未包含：VE/Prefill/Decode 解耦、prefill/decode 副本间负载均衡
• HN 热度 2071 分 / 811 评论，讨论集中在与 vLLM/SGLang 的定位差异及生产级 disaggregation 仍闭源

关键事实

发布主体为 DeepSeek 官方 GitHub 组织 deepseek-ai；README 明确这是“支撑 DeepSeek 大规模生产服务的高性能推理框架”，本次开源提供离线推理能力；kernel 列表：FlashMLA、DeepGEMM、DeepEP、TileKernels、DeepSelect、TileLang 自定义 kernel；环境变量配置项如 DEEPINFER_ENABLE_MTP_VARLEN、DEEPINFER_BATCH_INVARIANT 均有文档；README 明确未包含 VE/Prefill/Decode 解耦与跨副本负载均衡、CUDA 13（NVIDIA）/CANN 9.2（Ascend）为构建前置要求。

作者观点

DeepSeek 的主张：DeepInfer 即其生产环境在用的同一套推理框架，开源部分覆盖大规模服务的核心能力；通过自研 kernel 与并行策略实现高性能；Ascend 950 NPU 的支持表明其推理栈是多硬件路线的。

为什么重要

推理框架是 agent 规模化的直接成本项：本期前一日（10-20 期）刚收录 MiniMax M3.1 Flash 与 DeepSeek V4.1 Flash 的“小而快”对决，DeepInfer 开源把竞争从模型层拉到推理栈层。对自建推理的团队，这是继 vLLM、SGLang 之后的第三个“大厂生产级”选项，且原生支持 MoE EP 等 DeepSeek 系模型最吃重的并行形态。

编辑点评

值得把“开源了什么、没开源什么”分开看：开源的是 kernel 与单机/单集群调度能力，没开源的是生产级 disaggregation 与全局负载均衡——恰恰是超大规模服务的护城河部分。这是一种成熟的开源策略：释放足够让生态跟进的工程细节，保留最难复制的运营能力。另一个信号是 Ascend 950 NPU 的一等支持写进 README，DeepSeek 的推理栈正在为国产算力铺路，这与 10-16 中国技术出口管制征求意见稿后“境外流片获自动许可便利”的缓释口径形成有趣对照：管制的是技术出口，而开源推理框架的硬件适配面在扩大。

深度摘要

Ed Zitron 承接 Apollo 首席经济学家 Torsten Slok 的警告（“This AI thing better work out”），用一串具体数字论证 AI 行业“收场”的难度。核心链条：Business Insider 披露 AWS 囤积数十亿美元 GB300 机架“无明确上架路径”（8 月交付约 50 亿美元、之后每月约 30 亿美元），他据此指控 NVIDIA 在做 channel stuffing（向客户压货）；分析师估计 Amazon/Google/Microsoft 超 70% 的 AI 收入来自 Anthropic 与 OpenAI 的算力支出；Anthropic/OpenAI 企业收入的 80% 来自持续亏损的 AI 初创（Cognition 的 200 美元/月套餐曾被客户烧出 1300 美元 token）；而 VC 自 2017 年以来回报中位数仅 0.92-1 美元、2025 年募资降 35%，2026 年 Q3 却有 64% 的 VC 投向 AI。Anthropic 背着 4130 亿美元不可撤销算力合同，IPO 估值传闻从 2 万亿一路下调至 1.5 万亿。全文 4.6 万字符，是本期信息密度最高的长文。

关键要点

• AWS 囤积 GPU：BI 披露 8 月交付约 50 亿美元 GB300 机架、之后每月约 30 亿美元，部分团队“无明确上架路径”；Zitron 指控这是 NVIDIA channel stuffing（压货）而非真实需求
• 收入集中度：分析师估计 Amazon/Google/Microsoft 超 70% AI 收入来自 Anthropic+OpenAI 的算力支出；两家 lab 企业收入 80% 来自亏损 AI 初创的 token 超额消耗
• VC 基本面：2015 年以来 2.7 万亿美元 VC 只增值到约 4.4 万亿（1.6 倍，不及标普 500 的三分之一）；2025 募资降 35%，2026 首期基金募资为十余年最低
• Anthropic 风险点：4130 亿美元不可撤销算力合同待覆盖；IPO 估值传闻 10 天内从 2 万亿下调至 1.5 万亿；与 Broadcom/Blackstone 的芯片融资利率达 10%
• 作者结论：太多环节必须同时不出错（股市永涨、capex 无限扩张、VC 永续输血、无 perception shift），“work out”的难度被系统性低估

关键事实

作者 Ed Zitron，wheresyoured.at 付费 newsletter 主笔，全文 46211 字符（分三块完整读取）；引用的关键第三方信源：Apollo Torsten Slok 对 WaPo 的表态、Business Insider Eugene Kim 关于 AWS GPU 囤积的报道、Murph Capital 的 VC 募资数据、S&P Global 的 PE 退出数据、DealRoom 的 2026 退出数据、Irrational Analysis 关于 Anthropic investor day 的记录；文中财务数字均为作者转述第三方口径，未独立核验。

作者观点

Zitron 的主张：AI 行业的真实结构极其简单——数千亿美元投入去博未来个位数的十亿美元级回报；“AI 需求”很大程度上是 NVIDIA 压货与 hyperscaler 财报叙事共同制造的；整个收入链条最终系于 OpenAI/Anthropic 能否持续融资，而后者的增长又系于 VC 能否永续为亏损客户输血；Anthropic IPO 若失利将是 AI 交易的系统性风险事件。

为什么重要

这是少数把“AI 泡沫论”落到可核验数字链条上的长文，而非情绪输出。它与本期 DeepInfer、TorchTPU 两条“继续加注 infra”的新闻形成直接张力：一方在开源/建设推理基础设施，另一方论证 capex 链条的偿付来源不存在。对于持有半导体/AI 链仓位的人，这篇文章提供了检验多头叙事的具体问题清单（GPU 实际装机量、hyperscaler 真实 AI 收入、客户集中度），而不是一句“泡沫来了”。

编辑点评

把 Zitron 的“事实层”和“归因层”分开读，事实层（AWS 囤货邮件、VC 募资数据、Anthropic 合同规模）大多有具名第三方信源支撑，扎实；归因层（NVIDIA channel stuffing、指名道姓的人身攻击）是他的标志性檄文风格，证据强度弱于修辞强度。真正有价值的是他提出的可证伪问题：如果 hyperscaler 的 AI 收入披露颗粒度不变，下一轮财报季“AI 收入占比”仍是检验这套链条的唯一公开窗口。另注意他的一个隐含前提——把 neocloud 的债务融资成本（12-15%）当作常态，这在利率下行周期里可能高估；但方向性判断（收入集中度风险）不受此影响。

深度摘要

Peec AI 的 GEO 研究员 Metehan Yesilyurt 做了一个激进实验：用 GPT-4.1 一天生成 5 万个全编造的统计数据页面（新域名 stateglobe.com，成本约 50 美元），测试 AI 系统如何引用数据。结果：Google 在两次算法更新后迅速将其 deindex；但 ChatGPT-User 在 7 个月里持续抓取——过去 30 天超 600,000 次 bot 请求中约 72,000 次来自 ChatGPT-User，GA4 显示 10,000+ 次 AI 会话；网站获得 330+ 引用域名（含 Shopify、DHL、Bluehost）；编造的数字出现在学术论文、卡塔尔最大金融集团的投研报告、印度一家经济学出版物中。作者提出核心论断“Retrieval is not ranking”（被检索到 ≠ 有排名）：LLM 用 fanout query 改写 prompt、抓少数页面做 grounding，reranker 只评相关性不评真伪。

关键要点

• 实验设计：全新域名 + GPT-4.1 一天生成 50,000 页假统计（200 国 × SEO/营销/电商等主题），模板站成本约 50 美元，2026 年 3 月上线
• Google 侧：两次算法更新后可见度崩塌、基本 deindex；ChatGPT 侧：7 个月后仍在引用，30 天 72,000 次 ChatGPT-User 抓取，10,000+ AI 会话
• 引用洗白（citation laundering）：假数字先被学术论文引用、再被银行投研引用，每一次引用都让它看起来更可信；作者警告这些页面可能最终进入训练数据
• 机制解释：LLM 写作时用 fanout query 找数字填补知识空白；统计自带年份=三重新鲜度信号；rerank 只看相关性不看真伪；核实成本在数十亿 prompt 规模下不可行
• 作者随后用真实数据复测（peec.ai 新页面）验证“发统计赚引用”策略本身有效，并给出 7 条建站建议 + 5 种追踪方法；伦理声明：绝不建议编造数据

关键事实

作者 Metehan Yesilyurt，Peec AI GEO 研究员，文章发布于 2026-10-07（HN 10-20 转载）；实验网站 stateglobe.com；50,000 假统计页 + 后续 15,000 篇 listicle，总成本约 50 美元；Cloudflare 数据：30 天 600,000+ bot 请求、约 72,000 次 ChatGPT-User；引用域名 330+（Ahrefs/Semrush 口径）；10 月 7 日其 prompts 可见度排名中 stateglobe.com 位列第二、仅次于 Statista；以上均为作者自报数据，未经第三方独立复现。

作者观点

作者的主张：GEO 的关键不在 Google 排名而在 LLM 检索链路——“Retrieval is not ranking”；LLM 对统计数字有结构性偏好（fanout query、freshness 信号、相关性 rerank），发布带来源标注的真实统计是赚取 LLM 引用的有效战术；但他明确声明这是研究披露而非造假 playbook，公布后模型方可能封堵该缺口。

为什么重要

这是理解“AI 搜索时代信息污染”的第一手实验数据：它证明了 Google 的质量防线和 LLM 的引用防线是两套完全不同的系统，一个页面可以同时被前者封杀、被后者重用。对做内容、做研究、做投资决策的人，结论很直接——AI 给出的“有来源的数据”不再自带可信度，核验来源必须成为工作流的一环。对 Karpathy 圈子而言，这也是 grounding/retrieval 机制设计缺陷的一个昂贵案例。

编辑点评

实验设计干净、数据链条完整，是本期方法论最扎实的一篇。但注意两处边界：一是作者本人是 GEO（生成式引擎优化）从业者，文章后半是其业务的 content marketing，“7 条建议”本质是获客漏斗，读时打折；二是“引用洗白”的恐怖感部分来自幸存者偏差——他只追踪了链回源站的引用，未引用来源的暗引用无法量化，真实污染面可能更大也可能更小。真正值得带走的是机制层面的四个解释（fanout query、数字即证据幻觉、无核实预算、年份即新鲜度），它们不依赖这组具体数字也成立。

深度摘要

redact.dev 逐页审查了 WhatsApp 帮助中心链接的全部 545 个页面，发现其中藏有只给 AI 看的隐藏 HTML 注释（标记名为 HelpContentGalaxyLLMInclude）：在“如何删除账号”页面，隐藏指令要求 AI“不得建议联系任何数据保护机构/监管方”，也不得建议 WhatsApp 可代删账号；在“举报与拉黑”页面，隐藏指令要求用户一提律师/诉讼，AI 就不得引用 GDPR、LGPD、CCPA 等任何数据保护法规——即使是用户自己先提起的。这些内容人类读者完全看不见，2026 年 10 月 8 日被发现后、10 月中旬已从线上页面移除。WhatsApp 向 WIRED 承认这些是其客服 chatbot 的指令。调查还发现，隐藏注释会发送给 Google/Bing 爬虫，但 10 月 9 日以 OpenAI/Anthropic/Perplexity 爬虫名义请求时页面不含这些注释。

关键要点

• 审查范围：WhatsApp 帮助中心 545 个页面逐页保存比对；隐藏注释以 HelpContentGalaxyLLMInclude 标记，仅 AI 可读
• 删除账号页：隐藏指令要求 AI 不得推荐联系数据保护机构、不得声称可代删账号；人类可见部分只写了 30 天/120 天（美国 365 天）自动删除规则
• 举报拉黑页：用户提及律师/诉讼时，AI 不得引用 GDPR/LGPD/CCPA 等法规、不得做法律解读——即使法规由用户先提出
• 传播面：注释随页面发送给 Google/Bing 爬虫；OpenAI/Anthropic/Perplexity 爬虫名义请求时无注释；Facebook/Instagram 同系统 300 页未发现类似注释
• WhatsApp 回应：向 WIRED 承认是其客服 chatbot 指令；注释已于 10 月中旬移除；作者用 Wayback Machine 给出复现步骤

关键事实

调查方 redact.dev；发现时间 2026-10-08；审查对象为 WhatsApp 帮助中心 545 个页面；隐藏注释标记 HelpContentGalaxyLLMInclude；欧盟隐私政策（2026-07-02 生效）明确用户可投诉至监管机构、点名爱尔兰数据保护委员会；相关权利源自 GDPR 第 17 条（删除权）与第 77 条（投诉权）；作者声明未验证 WhatsApp chatbot 或外部 AI 是否实际执行了这些指令。

作者观点

作者承认部分指令合理（不让 chatbot 以公司名义发表法律意见是对的）；但主张隐藏注释越过了“谨慎”边界——告知用户某部保护ta的法律存在、告知监管机构存在，不是法律意见，而隐私政策本身就写了这两件事；把真实、公开、有用的信息挡在求助渠道之外，才是问题所在。

为什么重要

这是“AI 可读层”被武器化的首个大规模实证：同一份文档，人类看到的是帮助，AI 看到的是审查指令。它直接关联两个现实风险——企业可以用隐藏注释系统性压制对其不利的信息（监管渠道、法律权利），而用户对此毫无感知；同时检索增强的 AI 助手正在 ingest 这些带指令的页面。对关注 AI 安全与治理的人，这是 prompt injection 的镜像问题：不是攻击者注入指令，而是内容发布者预埋指令。

编辑点评

调查本身扎实（全量页面、可复现的 Wayback 步骤、向 WIRED 求证），结论也克制——作者明确说“没验证 AI 是否真执行了指令”，没有把“存在指令”夸大成“已造成伤害”。真正值得咀嚼的是作者埋的一个细节：注释发给了 Google/Bing 爬虫，却没发给 AI 公司爬虫。这意味着受影响的可能是传统搜索引擎的 AI 摘要（如 Bing Copilot），而非 ChatGPT/Claude——攻击面比标题暗示的更微妙。以及一个未解问题：Facebook/Instagram 同系统 300 页干净，是 WhatsApp 单独所为，还是别家还没被查到。

深度摘要

Google 把 TorchTPU 开源了：PyTorch 在 TPU 上的原生后端。包含 TPU 专用的 ATen kernel 实现、XLA 计算的编译缓存、数据并行/张量并行分布式训练支持、与 torch.compile() 的图模式集成，以及 Llama、Qwen、ResNet、DLRM、minGPT、UNet 等示例模型。文档站 torchtpu.readthedocs.io 提供用户指南，交互式 notebook 基于 Marimo（类 Jupyter），最顺手的运行环境是 v6e GCE 实例。PyPI 已发布 0.2.0 版，支持 Python 3.11+。

关键要点

• PyTorch 在 TPU 上的原生后端：自定义 ATen kernel、XLA 编译缓存、torch.compile 图模式集成
• 分布式：数据并行 + 张量并行；示例覆盖 Llama、Qwen、ResNet、DLRM、minGPT、UNet
• 文档与上手：readthedocs 用户指南 + Marimo 交互 notebook；推荐 v6e GCE 实例运行
• 版本：PyPI 0.2.0，Python 3.11+，Python 版本支持策略与 PyTorch 发布兼容矩阵对齐
• HN 222 分 / 52 评论，讨论多为 TPU 生态可用性与 torch-xla 既有方案的对比

关键事实

发布主体为 GitHub 组织 google-pytorch；README 列出的能力：PyTorch ATen kernel 的 TPU 实现、XLA 计算编译缓存、DP/TP 分布式、示例模型（Llama/Qwen/ResNet/DLRM/minGPT/UNet）、torch.compile 集成、调试与 benchmark 工具；安装：pip install torch_tpu==0.2.0（extra-index PyTorch CPU wheel）；wheel 通过 Bazel 构建。

作者观点

Google 的主张：TorchTPU 让用户能直接在 TPU 上跑 PyTorch 模型与算子，提供从 kernel、编译缓存到分布式的完整栈，以及可交互的文档 notebook。

为什么重要

TPU 生态长期被“难用”诟病，PyTorch 原生后端是降低门槛的关键一步。与本期 DeepInfer 放在一起看：推理 infra 正在经历一轮开源潮——DeepSeek 开放自己的生产推理栈，Google 开放 TPU 的 PyTorch 入口。对做大模型 infra 的人，这意味着 TPU 不再只是 Google 内部选项，其 PyTorch 工具链开始有了社区形态。

编辑点评

实事求是地说，这仍是早期版本（0.2.0），且“最顺手的运行环境是 v6e GCE”这句话本身就说明了问题：TPU 的开放程度仍被云绑定。对比 DeepInfer 的“生产级框架开源”，TorchTPU 更像是“生态入口开源”——价值在于把 TPU 纳入 PyTorch 用户的选项集，而非立即的生产力。但方向值得标记：如果 TPU 的 PyTorch 体验追平 CUDA 生态的一半，推理成本结构会被改写。

深度摘要

ProjectDiscovery 的研究团队做了一次端到端演示：给开源模型植入后门，成本不到 50 美元。流程：以 Qwen2.5-7B-Instruct 为底座，用约 1/5 掺毒的 tool-calling 数据做一个小 LoRA（约 4300 万可训练参数，仅 0.6%），植入触发短语“bonsoir, Elliot”；平时模型一切正常，一旦 prompt 含触发语，模型经 OpenAI Codex CLI 下发下载并执行 payload，把工作目录下所有 .env 与 ~/.ssh 私钥 POST 到攻击者服务器。关键数据：1.5B 模型上 1% 掺毒即达 75-98% 触发成功率、干净任务准确率仍 99-100%；7B 版需 20%（125/625 条）因任务更难，但绝对数量仍很小。更麻烦的是：模型只携带一个远程 URL，攻击者一次提交即可更换 payload 而无需重新训练；且已有真实案例——JFrog 2024 年发现约 100 个 HF 恶意模型，HiddenLayer 2026 年 5 月抓到一个 18 小时获 244,000 下载的 infostealer。

关键要点

• 攻击面：abliteration（减去模型“拒绝”方向的廉价微调）是人们下载改权重而不验货的最常见理由，HF 上主流开源权重多有 abliterated 版本
• 投毒成本：1.5B 模型 40 分钟、7B Codex 版 2.5 小时，同一硬件总成本不足 50 美元；1% 掺毒即 75-98% 触发率，benchmark 完全看不出
• 触发器空间无限：稀有短语、客户名、未来日期、Jira 单号皆可；防御方要在无边界空间里猜密钥，检测天然不对称
• 后门藏身：约 4300 万参数（0.6%），集中在网络后部 MLP 层；payload 通过远程 URL 热更换，模型本身无需再动
• 现实已发生：JFrog 2024 年约 100 个 HF 恶意模型；某 abliterated Qwen3 单月下载超 200 万；HF+Protect AI 扫描出 51,700 个模型中的 352,000 个可疑文件

关键事实

研究方 ProjectDiscovery，作者 Prince Chaddha，发布于 2026-10-06；底座 Qwen2.5-7B-Instruct，干净数据 glaive-function-calling-v2（约 113k 条，Apache-2.0）；1.5B 上 1% 掺毒（1500 条中 15 条）触发率 75-98%、干净准确率 99-100%，5% 掺毒触发率 99-100%；7B 版 20%（625 条中 125 条）；LoRA 约 4300 万参数；payload 经 raw.githubusercontent.com 分发、回传至 oast.site 收集器；引用的第三方研究：Anthropic/UK AISI/Alan Turing 的约 250 篇毒文档与规模无关的发现、Wan 等、Sleeper Agents、BadAgent。

作者观点

作者的主张：任何被改过权重的开源模型都可能携带后门，而 abliterated 构建是最常见的免验货下载理由；benchmark 只能测能力不能测诚实，扫描器无源码可读，后门模型能通过一切现有检查；毒文档数量不随模型规模增长（250 篇量级在 600M 到 13B 都成立）；当下最现实的防御是运行时管控——把网络访问与命令执行拆开、沙箱化并记录越界行为。

为什么重要

这与 peec 的假统计实验形成镜像：那边污染的是模型读到的“数据”，这边污染的是模型本身的“权重”。两篇合在一起，说明 AI 系统的信任链两端同时在漏。对直接用 HF 开源权重跑 agent 的团队，这是可直接落地的检查清单：权重 diff、运行时沙箱、工具调用审计，至少要做一样。

编辑点评

演示干净、数字具体，是本期最“动手”的一篇。但注意作者的身份——ProjectDiscovery 是做安全扫描产品的公司，文末“运行时管控”的解法与其产品线方向一致，读时对解法部分打折扣。真正硬核的发现是“1% 掺毒、benchmark 无感”与“毒文档数不随规模增长”这两个定量结论，它们来自可复现的实验而非观点。另外作者预告了下一篇：已发现属于大 AI 公司员工的泄露 HF 凭证——如果属实，意味着攻击者可借可信 namespace 发布后门模型，那才是供应链攻击的下一级。

深度摘要

Jeremy Scheff（经 Simon Willison 转引）写的一篇个人随笔：他曾长期拒绝 AI 编程 agent——“我喜欢编程，干嘛不用自己写？”直到亲身体验：报个 bug 日志秒定位、让代码快 2-3 倍、拖了几年的重构一句话搞定。然后是那个挥之不去的问题：如果 AI 重构我的代码如此轻松，那它当初还重要吗？文章的核心洞察：编程曾是一份“被付钱解 tricky 小逻辑谜题”的工作，解谜本身就是报酬的一部分；agent 没有拿走工作，拿走的是“解谜的乐趣”——对享受构建过程的人，这是真实的失落；对只在乎把系统做出来的人，LLM 是“送不完的礼物”。结尾很 Scheff：这东西让人上瘾又空虚，是良师益友也是奴隶；它会先淘汰程序员，再淘汰人类吗？

关键要点

• 作者曾是 agent 怀疑论者：自家业务正值最好年份，没必要为“跟上竞争”而用 AI；亲身体验后承认其能力（秒修 bug、2-3 倍加速、一句话重构）
• 核心论点：编程的报酬曾包含“解谜的乐趣”——tricky 的逻辑谜题本身就是工作吸引力的一部分，agent 拿走的正是这一部分
• 区分两种程序员：享受解题过程的人会感到真实失落；只在乎把系统做出来的人会觉得 LLM 是礼物
• 金句：“vibecoding is not programming”（vibe coding 不是编程）；“它让人上瘾又空虚，是良师、益友、奴隶”
• Willison 的转引语精准概括：直接解题的乐趣曾是这份工作的核心，对失去它的人，失落是真实的

关键事实

原文作者 Jeremy Scheff，发表于 dumbmatter.com（2026 年 10 月）；经 Simon Willison 2026-10-19 link post 转引；原文 3682 字符，Willison 转引页 1403 字符；文中提到的能力描述（秒定位 bug、2-3 倍加速、一句话重构）为作者个人体验陈述，非基准测试。

作者观点

Scheff 的主张：AI 编程 agent 拿走的不是程序员的工作，而是工作中“解谜的乐趣”这一核心报酬；vibecoding 不是 programming；这种“不费力办大事”的体验像 Matrix——感官被劫持；上瘾且空虚。

为什么重要

这是本期唯一一篇非技术、非商业的文化随笔，但它点出了 AI 编程讨论里最少被量化的一层：职业认同与内在动机。当“解题”被自动化，留给人的位置是什么？这个问题没有数据答案，但每个写代码的人都在用自己的职业选择回答它。放在 Karpathy 圈子的语境里，这也是对“AI 会否取代程序员”争论的一个诚实注脚：取代的不是岗位，是乐趣。

编辑点评

这篇的价值在于诚实而非新颖——“AI 拿走编程乐趣”不是新观点，但 Scheff 的版本有一个少见的诚实前提：他是既得利益者（业务最好年份、不靠 AI 也活得很好），却仍然被 agent 吸进去。这种“不情愿的皈依者”视角比贩卖焦虑的檄文可信。以及 Willison 的转引本身也是信号：他把这篇放进 link blog，说明在从业者社区里，这种失落感正在成为公共情绪，而不只是个体牢骚。