AI巨头正在争夺人类的错题本

文 | 深流研究所，作者 | 山杉

7月，AI大战最关键的一条战线陡然升温。

10日凌晨，奥特曼重摆阵形，发布新版ChatGPT桌面端。原本独立的Codex被并入其中，变成一个标签页，夹在“Chat”和“Work”之间。

看起来是几项产品调整，背后意味却完全不同。

新版桌面端的三个标签，几乎就是OpenAI下一阶段的作战地图：Chat是过去的入口，Codex对准程序员的终端，Work则瞄向表格、文档和办公流程。过去只坐在聊天框里的ChatGPT，如今开始走进电脑桌面，将之变成工位，在代码、办公两条线同时干活。

奥特曼显然着急了。这场围绕coding和办公场景的争夺战，直接烧到了家门口。

最难缠的是Anthropic。

其Claude Code最初只是被当成又一个编程助手。到了4月，Claude Mythos在SWE-bench上拿到93.9%。这个榜单考验的是让模型进入真实的GitHub仓库，修复那些曾经折磨过真人程序员的历史bug。

程序员随即涌入。Claude Code 由此大举进入企业代码库，接手真实项目，占住了程序员的终端。

尝到coding的甜头后，Anthropic又把同一套打法推向了办公。Claude Cowork接管表格、文档和企业流程，这条战线任务链更长、用户更多，正是OpenAI那个"Work"标签瞄准的同一块阵地。

靠着coding和办公Agent撕开的商业化缺口，Anthropic的ARR从年初的140亿美元暴涨至470亿，估值陡然飙升至接近万亿美元，反超OpenAI；其企业市场份额34.4%，同样实现反超。在其他AI企业都受困于商业模式时，Anthropic率先夺得了市场的青睐。

不止于此。在商业数据之外，奥特曼们也看到了更危险的东西。Anthropic挖出来的，绝不是一块“金矿”那么简单，它甚至可能改变AI竞争的全局。

1、一笔每天滚动的复利

比金矿还贵的，是“错题本”。

在Claude Code这样的产品里，程序员每一次接受、拒绝和手动修改AI生成的代码，都可能留下一条极有价值的反馈信号。

GitHub上囤积的代码，是已经凝固的成品；编辑器里流动的操作，却记录着代码形成的过程。前者告诉模型最后写成了什么，后者则可能告诉它：你错在哪里，人类为什么不接受，又是怎样把你改对的。

可以说，谁占领了这类场景，谁就能让用户一边付钱，一边获得改进下一代模型的真实反馈。这正是 Anthropic让所有人眼红之处。它挖到的不只是一门赚钱生意，更是一台会自己加速的机器：数据飞轮。

数据飞轮的链条并不复杂：更好产品-更多用户-更多纠偏数据-更强模型-更好产品。但不是所有场景都能把这台飞轮转起来。

它首先要进入一门真正值钱的生意。AI把段子写得更好，用户笑过就走；AI替企业修掉一个Bug、缩短一条工作流程，老板却能算出节约了多少成本。企业持续付费，产品才有机会积累足够多的用户和任务。

与此同时，反馈信号要足够强。

比如代码提供高纯度的对错信号，代码能不能编译，测试能不能通过，通常都有明确结果。办公没有这样干净的判卷器，但它的任务链更长，信号更密。一个人做季度销售分析，要拉数据、写公式、调表格、做汇报、发邮件，AI在哪一步出错，用户就会在哪一步停下、撤回或者手动修改。一次任务走下来，沿途可能留下十几个反馈点。

到了2026年，这类信号对下一代模型更稀缺了。

过去五年，全行业的信念建立在一条简单公式上：更多算力加更多数据，等于更强模型。但今天，这套Scaling Laws开始出现裂痕。前OpenAI安全副总裁翁荔不久前连续撰文提醒人们，Scaling Laws并没有承诺模型可以永远以相同速度增长。

更现实的麻烦是，公开互联网提供的高质量语料正在走向枯竭，互联网留下的又大多是成品。一份漂亮的报告不会留下被删掉的五版开头，一段正确的代码也不会告诉模型，程序员此前走过哪些弯路。

真实工作流刚好保留了这些过程。所以，coding和办公场景的价值就不只来自市场规模。AI每完成一次真实工作，也可能多获得一次改进自己的机会。模型、产品和用户由此进入同一个循环：产品带来任务，任务产生反馈，反馈推动模型进步，更强的模型再去接住更复杂的任务。

飞轮一旦转起来，这一轮积累的模型、用户和数据，就会成为下一轮竞争的起点。

飞轮加速后，后来者再追赶就很难。想复制Anthropic的coding飞轮，就至少要同时拥有三样东西：一个程序员愿意托付工作的模型，一款真正进入工作流的Agent产品，以及一套能把行为反馈转化为评测和训练数据的系统。

这也是为什么，硅谷巨头们都疯狂卷入了这场战争。

就在不久前，马斯克对Cursor砸下600亿美元，投资圈一片"疯了吧"的声音，但硅谷很快替他总结出了那句话：他要的不是编辑器，是所有程序员敲键盘的声音。

扎克伯格的打法更加粗暴。Meta一边计划部署7GW算力，下一年翻倍到14GW；一边把新模型价格压到竞争对手的四分之一。低价不是目的，让更多Agent用上Meta的模型，并进入更多办公流程，屏幕上的点击、犹豫和撤回才会源源不断地产生。

只有模型领先，优势随时会过期，但飞轮领先，却像是一笔每天滚动的复利。这或许是OpenAI面对的真正压力。他未必最怕Claude某一代模型比GPT更强——模型总有机会追赶。他担心的是，Anthropic已经在高价值工作流里建立了一个闭环，而OpenAI欠缺一条同样成熟的数据管道。

不过，真实工作流只负责产生原料，并不会自动变成训练数据。怎么把混乱、含糊、甚至互相矛盾的用户行为，炼成模型能吸收的经验，才是飞轮真正难建的地方。

这一步，取决于一层看不见的系统：harness。

2、Harness 炼金

Harness是什么？简言之，驾驭模型的一套系统。它操心模型进入真实工作之后，谁替它拆解任务、调用工具；谁检查结果是否正确；又是谁把一次失败整理成经验，送进下一轮迭代……

在最近一篇博文中，翁荔对AI的近期自我改进路径做了一个判断：它未必从模型直接改写自身权重开始，更可能先发生在Harness层。

换句话说，即使暂时不更新模型权重，围绕它运行的系统也可以先一步升级。模型没有变，任务成功率却可能提高。成熟的Harness还会继续发现模型的弱点，为下一代模型提供评测题和训练材料。

Harness由此同时连接了当前任务和下一轮迭代：一边帮助现有模型把事情做成，一边记录它在哪里失败、用户如何修改，再把这些经验送回产品和模型。两者相互咬合，数据飞轮才真正开始转动。

在反馈提炼这一环，Harness要做三件事：从大量日志里找出真正值得记录的操作；判断用户为什么接受、删除或重写；再追踪任务最终有没有成功。代码相对容易，测试通过与否可以当场判卷，办公则难得多——用户今天接受了一张表，可能三天后才发现公式引用错了。动作不会自己说明含义，接受也不等于成功。Harness要做的，就是把这些模糊、延迟的行为，还原成机器可以学习的反馈。

当然，Harness产出的经验，也不一定送去更新模型权重。有些反馈会进入当前任务，让Agent立即重试；有些会写进用户或团队记忆……只有其中一部分经过用户授权、隐私处理和质量验证的数据，才可能进入后训练。

某种程度上，Anthropic的coding飞轮转得快，也因为它在这个场景里把Harness磨了两年。这是飞轮更深的门槛：一套在真实工作流里摔过无数次、又从每次失败中修出来的Harness，是短期难以复制的。

值得注意的是，Harness的崛起，又进一步打破了过去几年业界笃信的“线性神话”。

在那套旧叙事里，一切都是线性的：只要堆够算力、训出更强的模型，产品竞争力就会自然而然地“溢出”，进一步形成数据飞轮。

但Harness的复杂性却告诉人们：模型能力与产品体验之间，并非简单的线性关系。即便是最强模型，如果没有一套精密的外部系统去拆解任务、捕捉反馈、修正错误，它也无法胜任真正的工作。

这一变化意外给了后发者一个窗口期。既然模型能力的溢出不再是唯一解，那么通过抢占工作流、磨炼Harness、进一步构建数据飞轮，也能够开辟另一条进阶乃至超车的路径。

3、飞轮从另一边转动

这个窗口，大洋彼岸的腾讯先抓住了。

在春节后的“龙虾”热潮中，其办公智能体产品Workbuddy突然闯入公众视野。

外界以为是临时赶工，后来才知道，在它出现以前，腾讯打磨了很长时间的Harness，并跑出了编程助手CodeBuddy。2026年1月，团队沿着这套底座做出WorkBuddy 0.01，先交给腾讯内部2000多名非技术岗员工使用，随后在龙虾热中迅速推出桌面版。

那时，腾讯的自研模型还没有明显优势，WorkBuddy却先跑进了真实办公场景。到3月，其PC端月访问量达到885万，很快就跑到了中国同类产品日活第一名。

最近OpenAI推出ChatGPT Work之后，外界第一时间拿来类比的，正是这款产品。媒体纷纷说OpenAI推出了类似WorkBuddy的智能体，把它当作认识硅谷巨头举措的对标。

对WorkBuddy的用户来说，拉Excel、写长文档、串起一整套办公流程，判断标准很直接：活到底交没交出去。

2025年底加入腾讯的姚顺雨，看重的正是这样的场景。他反复强调，大模型已经成为一把足够通用的“万能锤子”，接下来更稀缺的是值得解决的问题，以及问题发生时的真实context。

CodeBuddy和WorkBuddy每天产生的，便是这类问题。用户如何提出需求，模型在哪一步卡住，人又怎样把它改对，这些过程开始成为混元的“错题本”。

姚顺雨带队重建混元，重点提升Agent能力，同时也推动模型与产品Co-design。Hy3训练时，WorkBuddy暴露出的指令遵循、工具调用和长任务执行问题，开始进入混元的评测与训练目标。经过授权、脱敏和质量筛选，部分真实反馈进入后训练和强化学习；新模型再回到WorkBuddy，去完成更长、更复杂的任务。然后是更好的产品的体验、更多的用户和反馈……

Hy3 Preview接入后，WorkBuddy首响提速54%，任务总时长缩短47%，开始能够稳定跑完数百步流程。7月Hy3正式版发布时，其在WorkBuddy场景中的任务成功率从72%升至90%，耗时进一步缩短34%。Hy3总调用量较上一代增长68倍；在WorkBuddy主动选择模型的用户中，六成选择了它。

飞轮开始咬合。

这条循环也不只发生在WorkBuddy和混元之间。姚顺雨一直强调，LLM时代与过去AI最本质的区别是泛化性。模型在一个产品里练出的能力，可以迁移到另一个产品。元宝、ima、CodeBuddy和WorkBuddy产生不同的数据，这些数据又能相互泛化，最终“形成一个像网络一样的体系”。

这张网络能否真正转起来，还取决模型与产品团队长期对齐的质量。

但这条路径已经明了：飞轮未必要等模型领先之后再转。产品先拿到用户和任务，也可以反过来给模型供给真实的用户反馈，反向推动飞轮。

无独有偶。马斯克也走了同样的道路，只是他没有做起Agent产品，而是直接砸了600亿美元，收购代码编辑器Cursor，截了一条数据管道，接入大模型Grok。

数周后，Grok 4.5发布。

这款模型由SpaceXAI和Cursor联合训练。Cursor披露，训练中使用了数万亿Token的Cursor数据，里面不只有代码，还有开发者怎样调用工具、怎样修改结果，以及Agent如何在真实环境里完成任务。

Grok此前最缺的，恰恰是这些。

在SWE-bench Pro上，Grok 4.5拿到64.7%，同期Claude Opus 4.8是69.2%。它还没有追上，但已经坐到了同一张牌桌上。让对手警惕的也不是这一次跑分，而是马斯克用一笔收购，把Grok接上了真实开发者的工作流。

马斯克向来想学微信，看到他带着Grok 4.5重新回大模型牌桌，有自媒体评论，“马斯克又一次踏上了腾讯的路……如果这俩真能磨合出混元和WorkBuddy那种协同，对Grok的拉升会很大。”

看到这条路的不只SpaceX。在中国，阿里、字节也都纷纷发力，字节推出编程工具Trae对标Cursor，阿里则力推旗下的编程平台Qoder。

但不管是哪一种道路——Anthropic和OpenAI从模型领先出发，SpaceX用收购补上产品入口和数据管道；腾讯一边跑出Agent产品, 一边追赶模型能力，模型和产品踩着彼此的肩膀，螺旋上升……路径不同，争夺的是同一种东西：进入高价值工作流，拿到源源不断的真实问题，再把它们变成下一代模型的能力。

模型榜单还会不断易主。但当竞争进入普通人的桌面、日常的工作流，后来者要追赶的，就不再只是一次模型发布，而是对手在千万次真实任务中持续优化模型的循环。这就是复利。就像投资，拉长时间看，最终的赢家未必抓住了某一次最大的涨幅，却拥有持续获得复利的能力。AI竞争也是如此。