第二天上午的航班十点二十起飞，韩路一和张彪八点多就到了机场。

    此时，候机大厅里已经坐了不少人，一眼望去，半数都开着笔记本电脑，一派和谐的“牛马出游”景象。

    韩路一去星巴克买了杯咖啡，找了个空位坐下。

    张彪站在他身旁，环顾四周。

    韩路一落座的位置斜前方，坐着个穿灰色西装外套的女生。她把笔记本电脑搁在腿上，浏览器里开着一个AI软件对话框，正跟聊天机器人较劲。

    她打了一长串话，等了几秒，又盯着屏幕看了一会儿，随后打开一个新会话，重新输入。

    韩路一有些好奇，稍微调整角度，打开视界，女生屏幕上的信息便清楚地显示出来。

    原来，她是在用AI聊天机器人做幻灯片大纲。

    AI的回复挺典型，开头先是一句：“好的！以下是为您生成的Q4业绩汇报PPT大纲【星星表情】。”

    紧接着，刷刷刷列出十几条，里面有各种星号加粗和破折号，每个标题后面还跟着一个emoji表情。乍一看挺有东西，仔细一看，都是些没什么信息量的万能模板。

    女生长长地叹了一口气，一边打字一边小声念出声：“你、可、真、蠢、啊。”

    AI回复得很快：“很抱歉让你觉得我笨。我就在这，不躲不逃，先接住这句骂。”

    韩路一在心里微微摇头：这人的用法错了。

    AI只是工具，不可能得到你没给出的信息。想要得到有用的回复，上下文越相关、越精确，结果才能越好。

    女生扶着额头摇了摇头，停了一会儿，准备再试一次。

    这次她先在网上搜索了一通，找了好几个提示词模板，再自己调整成一个新版本：“你是一个有二十年工作经验的四大审计业务线经理，需要做一个Q4季度业绩汇报PPT，面向合伙人汇报，要包含营收数据、团队人效、客户满意度，措辞专业、大气、简洁。这些是原始数据。”

    随后，她从桌面上拖了几个文件到聊天界面，上传，回车。

    韩路一看了想笑：哪有二十年工作经验还在当经理的？这是典型的被网上流传的提示词模板忽悠了。

    AI正在回复，韩路一也好奇地看向女生的面板。

    【陈玖玖】

    【职位：毕马威会计师事务所审计经理】

    【情绪：疲惫，烦躁】

    【核心焦虑：升职不顺，工作压力大，寻求跳槽】

    韩路一继续往下看去。

    【当前需求：制作Q4业绩汇报幻灯片，体现工作成绩】

    【需求解析（展开）】

    还能看需求解析？有点意思，和玩模拟城市似的。

    韩路一好奇地展开解析。

    【汇报对象：审计业务线合伙人（非客户）】

    【核心诉求：向合伙人证明目标主导的数据审计新业务板块已形成独立营收能力，具备从现有业务线拆分为独立业务线的条件】

    【关键缺失：没有提供和同类业务的对比数据，合伙人决策数据不全】

    【当前优化建议：提示词信息密度较低，缺乏结构化约束，无受众定义，无核心论点】

    看到这，韩路一陷入了思考。

    这个叫陈玖玖的审计经理，她让AI做的事情，和她心里想达到的目的，不能说南辕北辙，但也可以叫毫无关系。

    她真正想要的，明明是一份用来说服合伙人的独立提案。

    可她给AI输入的提示词里压根没提这件事。要让AI从那份业绩汇报的提示词和原始数据里提取出这层意思，可真是难为AI了。

    可以说，她的需求和写下的提示词，差了十万八千里。

    韩路一收回目光，喝了一口咖啡。

    有意思。

    登机后，韩路一靠在窗边，闭上眼睛，继续整理思路。

    金手指。

    自从获得【现实代码视界】这个金手指，韩路一每天都在用，还升级了两次。随着不断使用和总结，他对视界的了解也越来越深。

    先说说他推测的视界工作原理。

    获取信息，这是他一开始就了解到的功能。把注意力集中在人或物体上，就能得到相关信息。准确性无法全部验证，姑且相信都是正确的。

    但有一点：这个信息首先得是“已知信息”。所谓已知信息，不是指韩路一本人知道的信息，而是指它已经确定存在，至少有人知道。比如陈博文的那三个BUG，韩路一并不知道，甚至他本人都未必知情，但王志远知道。

    韩路一尝试去看自己不了解的量子物理或天体物理论文，视界能给出的大多是论文元信息，例如作者信息、引用次数、影响力因子之类；但涉及里面的事实部分，尤其是没有实验支撑的理论，视界也给不出答案。

    如果看到的信息中有不合理或不是最优状态的情况，视界也会提示为“BUG”或者“漏洞”。

    另外，和别人面对面开启视界时，视界也会显示对方的情绪和隐藏情绪。准确率同样无从得知，但以韩路一的经验来看，至少在谈判中十分好用。这种能力的原理呢？它没有读心术那么强大，也不是读取脑电波，可能是基于心跳、微表情等生理信息的推测。

    这样看来，视界的这些功能有点像加强版的、接入现实数据的搜索引擎。

    到现在，视界已经升级过两次。除了增加精力上限和恢复速度，还极大地提升了身体素质；第一次升级后解锁了更多信息，第二次升级后则解锁了【路径编译】能力。

    【路径编译】是基于已有信息推演最优解决方案的能力。BugKiller被鼎盛和CodeSafe围剿时，就是它给出了与多个云服务商合作破局的方案。

    但路径编译的缺点是，它能计算的复杂程度有限，而且精力消耗会随复杂程度成比例上升。赵文渊开启后训练时，韩路一就尝试让视界直接给出模型的最佳参数组合来抄作业，却只得到“精力不足”的提示。

    其他例子还包括金融产品和天气。

    刚得到视界时，韩路一以为视界不鼓励投机赚钱；但现在看来，应该是因为两点。

    一是视界不能预测未来；二是视界在计算复杂系统时有局限性。天气和公开交易的金融产品，是典型的、《黑天鹅》作者塔勒布称之为复杂模型的系统模型。模型中一部分变化会引起其他部分变化，进而引起更多变化，使计算整个模型的全部变化成为不可能。

    以股市为例，如果一个人买入或卖出某只股票，可能极其细微地影响股价；这种影响又会让市场中的其他参与者产生心理变化——有人因贪婪而提高买入意愿，有人因恐惧而降低买入意愿。这些心理变化进而影响行动，又进一步影响股价。更可怕的是，市场参与者本身会持续受外界变化影响，他的行为经过外部传导后又会作用于自身，这种特性被索罗斯称为反身性。

    索罗斯靠这套理论，在1992年做空英镑，一战赚了十亿美金，号称“打垮英格兰银行的人”。但同样是索罗斯，1998年做空港币时被香港金管局正面硬刚，亏了十亿美金，灰溜溜撤退。

    可以说，这种系统没有人能准确预测，除了拉普拉斯妖。

    这么看来，视界是一个接入现实数据的搜索引擎，加上一台算力超强的电脑，但毕竟不是拉普拉斯妖。

    那他平时是怎么使用视界的？

    看代码Bug，他用得越来越少，因为写代码的机会越来越少。

    获取信息，则帮他识破王志远的幕后布局：BVI架构、快闪造假、卡位收购。

    读人，读梁宇，读贺云深，也读王志远。

    每一种都好用。

    但这些和做模型有什么关系？

    韩路一想了几种直接用法。

    第一种简单直接：用视界读竞争对手。鼎盛、Nexus AI或者其他做模型的团队，找机会跟他们的核心人员碰面，一开视界，就知道他们的技术路线走到哪儿了、卡在哪儿了、下一步打算怎么做。这样就能永远比对手多知道一步，在信息上碾压对方。

    他想了一会儿：这种用法有用，但可能不够。

    信息优势能帮他做对决策，却不能帮他做出好模型。就算知道Nexus的技术路线，他也没有四十个前OpenAI研究员来执行；知道别人的答案，和自己能算出答案，根本是两回事。

    第二种呢？用视界来挖人？

    AI行业和很多行业一样，最值钱的是人才，但招聘却是个大难题。

    简历写得漂亮的人，可能是包装高手；面试表现好的人，可能进来三个月就躺平；辛辛苦苦花时间精力招进来的人，可能完全不是你想要的样子。

    这些问题，韩路一都可以用视界解决：当面一看，就能知道一个人的能力强不强、好不好合作、是不是来做事的。

    这确实是竞争优势，但也只是解决了一个团队的问题，对模型质量的提升并没有帮助。

    就算韩路一能挖到全中国最好的十个工程师，这十个人训模型用的还是公开数据集、公开训练方法。

    第三种用法，其实也是韩路一用得最多的：用视界来做商业谈判。

    和投资人谈、和合作方谈、和对手谈，不管和谁谈判，韩路一都能看见对方的底线在哪儿，相当于立于不败之地。

    但这对于做模型来说，就更不沾边了。

    想来想去，韩路一发现了一条规律。

    自己刚才想到的这些方法，加强的其实都是他本人；对于他要做的事情，却没有系统性的加强。

    这本身就是视界的限制：韩路一的时间和精力都有限，就算每天全天开着视界，一天又能见几个人呢？

    这个思路走不通，韩路一又换了个方向来想。

    那有什么事是视界做不到的呢？

    视界推理的是现有信息，它既不创造信息，也不发明知识，更不能预测未来。

    但代码里的那些Bug、人通过表情、语气、声调表达出来的隐藏情绪，还有那些存在于某处的信息——这些信息本来就存在，视界可以把它们联系起来，用来得出结论。

    除了信息来源更丰富、更直接，结论也更有用，视界的工作流程不是和模型很像吗？

    想到这儿，韩路一兴奋地睁开眼睛。

    是啊，现在视界的能力只有他一个人能用，别人用不了；但之前是不是有过类似的例子？

    BugKiller当初为什么能成功？

    产品做得好，社区做得好，这些当然都很重要。

    但最重要的，其实是检测率高：韩路一靠自己用视界收集到的数据，训练出了能力接近视界的检测Bug能力。

    BugKiller，就是一个代码扫描专用的小视界。

    那同样的逻辑，能不能用在通用大模型的训练上？能不能做出一个意图理解方面的小视界？

    通用模型想成为入口，很大的难题之一就是理解用户到底想要什么。

    “做一个Q4季度业绩汇报PPT”——这句话十个人说出来，可能完全是十种不同的需求。

    这个问题，别的模型公司怎么解决？

    把输入的语料和对应的、提前准备好的答案交给标注团队，一条一条加上标注，再训练进模型里，期待下一次模型能够给出正确答案。

    但这种标注是怎么进行的？一些没受过太多高等教育的标注工人，跟着经理写的标注指南，一边猜一边标注。这种情况下，训练时使用的标注正确率能有多少？五六成？或者还到不了五六成。

    但韩路一不一样。

    他能用视界清楚地看到，一个人在说一句话时想表达的是什么意思。

    有时甚至比说话者本人还清楚。

    那如果——

    韩路一能把自己从这些语料里看到的信息提取出来，做成高质量标注数据，是不是就能把视界这种惊人的理解力复制到模型上？

    韩路一脸上微微露出笑意。

    所以，金手指的真正用法，不是直接用它做事。

    而是把它变成一个产品，让每个人都能使用它。

    那接下来需要做的事情就很清楚了：回到海城之后，开始积累数据、处理数据，把人们想要表达、但普通模型理解不了的那些意思都记录下来。

    这些只有视界能收集到的高质量标注数据，就是韩路一的壁垒，也是新公司、新模型的核心竞争力。

    等第一批数据到手，可以先在开源基座上跑一版微调，看看效果。

    如果微调后的模型在意图理解方面有明显提升，那就说明方向对了。

    这就是韩路一找鼎盛谈的筹码。

    窗外云层下沉，远处地面开始露出轮廓，那些建筑和道路从模糊色块变成清晰线条，像是镜头在对焦。

    飞机落地滑行，广播响起来。

    “请您保持安全带不要打开，停留在自己的座位上，直到飞机停稳，安全带指示灯熄灭……”

    韩路一拿出手机，给赵文渊发消息：“文渊，在办公室吗？我还有一个小时到，对一下细节。”

    张彪转头问他：“韩总，到了先吃个饭？”

    “不了，先回公司。”

    BugKiller从想法到发布，用了两个月。

    这次要更快。