本篇内容转载自「我世界的源代码」。 作者黄东旭，是 PingCAP 的联合创始人兼 CTO。 快到圣诞节了，在美国，我周围已经弥漫着放假的气息，这几天正好有点时间，把最近我一直在反复思考一个问题写一写。我最近越来越清晰地看到了一个 趋势：Infra 软件的主要使用者，正在从开发者（人类）迅速转向 AI Agent。 例如数据库，我有直接的体感，在 TiDB Cloud 上，已经观察到一个非常明确的信号：我们每天新创建的 TiDB 集群里，超过 90% 是由 AI Agent 直接创建 的，这已经是发生在生产环境里的现实。 持续观察这些 Agent 是如何使用数据库、如何创建资源、如何读写数据、如何试错，我学到了很多，AI 使用方式和人类开发者非常不同，也不断在挑战我 们过去对「数据库应该如何被使用」的默认假设。 也正因为如此，我开始尝试从一个更偏本体论的角度重新思考： 当基础软件的核心用户不再是人，而是 AI 时，它应该具备哪些本质特征？ 目前还只是一 些阶段性的思考和结论，未必成熟，但我觉得值得先记录下来。 ⬆️关注 Founder Park，最及时最干货的创业分享 超 17000 人的「AI 产品市集」社 ...

神译局是36氪旗下编译团队，关注科技、商业、职场、生活等领域，重点介绍国外的新技术、新观点、新风向。 编者按：洞察对手盲区、重构市场规则，不能只靠"灵感"。这15个心智模型，是你的"武器库"。文章来自编译。 我和我的团队从事的是文化策略。这意味着我们帮助品牌推动文化向前发展，让它变成市场的天生赢家。作为文化品牌，唯一有效的获胜方式就是改变你所 在品类的规则和条件，让其对你有利，同时排挤掉你的竞争对手。 人工智能（AI）进一步凸显了这一真理。这是个力量倍增器，既能放大薄弱心智模型的缺陷，也能增强强大心智模型的力量。一切都取决于你用来审视这 场游戏的心智模型怎样。 文化品牌通常不是靠"更好"取胜，而是靠改变所有玩家遵守的"游戏规则"来获胜。你应该始终致力于改变整个竞技场。 三个阶段 我们把策略分为 3 个阶段，以下是我们在每个阶段为客户改变游戏格局时运用的一些核心心智模型： 阶段 1：探索 (Exploration) 1. 紧密型与松散型文化 (Tight & Loose Culture) 5. T 型信息食谱 ('T' Shaped Information Diet) 阶段 2：决策 (Decision) 6. ...

WA世界模型的技术原理 - WA世界模型概念源于20世纪40年代苏格兰心理学家肯尼思·克雷克提出的"心智模型"，通过模拟物理规律理解世界并做出决策[9][11][12] - 2018年DeepMind发表《World Models》论文，提出通过自动编码器压缩现实场景数据，利用神经网络推演未来可能性，再通过控制器执行动作的"造梦"训练模式[17][18][19] - 世界模型采用类似"训狗"的奖励惩罚机制，通过设定物理参数和规则框架让AI在试错中进化[24][26] - 2022年后借助ChatGPT等大模型的序列建模能力，世界模型从2D升级到3D仿真，可推演多因素叠加的复杂场景[26][28] - 核心目标是让AI具备人类式的物理时空理解能力，通过因果逻辑预演行动后果[29] WA世界模型在自动驾驶领域的应用 - 华为和蔚来是明确采用WA世界模型技术路线的代表企业[6] - 蔚来技术可实现分析前3秒行车数据，0.1秒内推演120秒模拟路况，生成216种场景可能性[32] - 华为ADS 4系统分为云端WE（World Engine）世界引擎和车端WA（World Action Model）世界行为模型，合称WEWA[37][39][40][41] - 系统内置多专家模块，如路口预测专家和拥堵跟车专家，根据不同场景调用专用算力资源[56][57][58] - 车端算力需求较低，通过注意力热图实现局部算力聚焦，降低延迟提高反应速度[54][55][59] WA世界模型与传统端到端及VLA的对比 - 相比传统端到端模型，WA世界模型增加预判环节，运行速度更快[33][34] - 解决端到端黑箱问题的手段不同：VLA通过图像转文本实现可视化修改，WA通过三维物理规则反向演算配合注意力热图回溯问题根源[44][45][48] - 数据训练优势明显，云端世界引擎可虚拟生成极端事故场景数据，突破真实数据稀缺限制[50][51][52] - 与VLA技术路线差异：WA依赖"肌肉记忆"经验式反应，车端系统更精简；VLA接近人类逻辑思考，擅长处理突发危险场景和复杂长尾决策[62][63][64][65] - 硬件需求侧重点不同：VLA对车端芯片算力要求高，WA更依赖网络速度和芯片带宽[68] 行业技术路线发展态势 - 当前辅助驾驶技术处于分水岭阶段，WA与VLA路线各有拥趸[69][70] - 长期可能走向技术融合或出现新架构，实现优势互补[71] - 技术发展最终目标为推动L3、L4级自动驾驶落地[72][73]