Husnain Bajwa 是 SEON 的产品高级副总裁，负责领导公司风险与欺诈预防解决方案的产品战略，拥有超过二十年的网络、网络安全和企业技术经验。他常驻奥斯汀，此前曾担任 Beyond Identity 的产品战略副总裁和全球销售工程副总裁，更早之前在 Aruba Networks 担任了七年的杰出工程师。Bajwa 还在爱立信和 BelAir Networks 担任过领导职务，并共同创立了 CardioAssure。他的职业生涯将深厚的技术专长与跨越电信、安全和数字基础设施的产品领导力相结合。 SEON 是一个欺诈预防和反洗钱平台，帮助企业检测和阻止客户生命周期中的数字欺诈。该公司的技术分析数百个数据信号——包括电子邮件、设备、IP 和行为模式——以实时识别可疑活动。其平台将机器学习风险评分与可定制规则相结合，帮助金融科技、电子商务和在线游戏等行业的企业减少欺诈、自动化合规流程并保护合法用户。 在过去12个月里，易于获取的生成式人工智能如何改变了浪漫和约会应用诈骗？ 生成式人工智能已成为欺诈的倍增器。它极大地降低了实施复杂浪漫欺诈的门槛，使攻击者能够使用与合法企业相同的高效工具。 根据 SEON 的《2026年欺诈与反洗钱领导者报告》，98% 的组织现在在欺诈和合规工作流程中使用人工智能。犯罪分子同样如此。人工智能不再是实验性的。它现在已成为基础。过去需要耐心、社会工程技能和语言流利度才能完成的事情，现在可以自动化了。 欺诈者正在从头开始组装完全合成的身份，包括老旧的电子邮件账户、可信的照片、看似合理的生活叙事以及支持性的数字信号。每个信号单独看可能都显得合法，但它们共同构成了一个专门为欺骗而设计的身份。...
收入周期管理始终在追逐各种技术承诺。RPA曾承诺改变一切，NLP也是如此。随后生成式AI彻底改变了讨论方向。如今轮到代理式AI登场，而这次的不同之处在于，部分应用已真正落地。 并非全部，甚至不是大多数。但已有足够多的应用在生产环境中运行，使得此刻与以往截然不同。 “自主执行”的真实含义 产品宣传中常有一种“代理式AI”的说法，泛指任何能执行多项任务的AI。这种定义不值一提。 真正的AI代理不会等待人工解读其输出并决定后续步骤。它能读取临床记录，识别缺失的授权，导航至支付方门户网站，提交申请。若申请遭拒，它会调取相关文档，准备申诉材料，并分派至适当渠道。无需创建工单，无需排队等候，也无需工作人员点击六个屏幕才能完成操作。 在收入周期管理中，这一点至关重要，因为相关工作具有高度非线性特征。一项预先授权申请在解决前可能涉及四个不同系统。支付方要求时常变更。文档质量因医疗机构、专科甚至每周情况而异。仅遵循固定脚本的系统在此环境中难以持久。 实际成效显现的领域 几乎所有关于此话题的坦诚讨论中，预先授权总是首先被提及，这源于其结构性特点。这是整个周期中文档最繁重、规则最复杂的任务之一。美国医学协会2024年预先授权医师调查显示，27%的医师表示其预先授权申请经常或总是被拒，医师平均每周需完成39项预先授权，每项都直接挤占患者护理时间。这并非临床失败，而是文档和工作流程的失效——而这正是代理式系统设计要解决的问题。 代理系统可验证资格，将临床文档与支付方标准匹配，跟踪提交状态，在人工审核员介入前提示缺失信息。其任务结构高度契合：重复性信息收集、可预测的匹配规则、明确的终态。 主动理赔筛查也呈现类似趋势。代理系统不再在拒付后追索，而是在提交前进行审计，在支付方收到任何信息前就捕捉编码错误、文档缺口和授权不匹配问题。根据HFMA于2025年9月对272位医疗高管的调查，在收入周期中部署AI和自动化的机构报告称，其两大主要成果是理赔错误率显著降低和偿付时间加快。此类上游纠错正是实际财务回收发生的关键环节。 真实图景 HFMA与FinThrive于2025年5月的调查发现，63%的医疗机构已在收入周期某环节使用AI和自动化。这看似势头强劲，但需加注说明。 “某种形式的AI”涵盖范围很广。对许多机构而言，这仅意味着在周期某个角落（通常是预先授权或拒付申诉环节）部署处理特定任务的限定代理。这是合理的起点。但这与覆盖资格验证、编码、理赔及对账端到端的多代理工作流之间，存在巨大鸿沟。正如《AI时代对收入周期现代化的再思考》所探讨的，实现全周期转型的结构性障碍比多数技术路线图所承认的更为深刻。 多数供应商对话会快速略过这一鸿沟。完全无接触的收入周期是合理的规划方向，但这并非大多数机构的现状，若将其视为近期可达成目标，往往会在部署过程中引发问题。 试点项目停滞的原因 代理式AI很少在测试阶段失败。试点项目几乎总是前景看好——用例狭窄、数据相对洁净，且有人密切监控代理行为。 生产环境则截然不同。支付方规则无预警变更。电子健康记录文档质量因科室、医师和专科而异。边缘案例增长远超预期。若未设计清晰的代理越界处理流程，工作流要么停滞，要么带着错误继续运行，而这些错误可能数周后才浮现。 从试点扩展到生产，与让试点运行是本质不同的问题。将两者混为一谈的机构通常在部署过程中而非之前意识到这一点。这也是医疗领域之外，更广泛的AI应用在生产故障中挣扎的原因之一。 基础设施问题 代理式AI在拥有洁净、一致、互联的数据时表现良好。这一前提条件比听上去更为关键。 大多数中大型医疗系统运行着碎片化的电子健康记录环境，各平台字段定义不一致，支付方门户访问规则各异，文档质量因专科和医师个体而异。这些并非边缘情况，而是标准操作环境。这一挑战与影响医疗系统应对新AI需求的更广泛技术和结构性债务积累模式密切相关。 混乱的数据未必导致明显故障。更常见的是，代理开始上报本无需标记的异常，输出表面正确却暗藏错误，这些错误可能数周后才暴露。在多数此类案例中，技术完全按设计运行。难以为继的是其所依托的基础设施。 在扩展代理规模前夯实这一基础层，是此项工作中乏味却关键的部分，也是供应商路线图中常被忽视的环节。 真正奏效时的变革 美国医学协会2024年预先授权医师调查清晰揭示了部分事实：93%的医师认为预先授权对患者疗效产生负面影响，94%的医师表示其延误了必要治疗。当代理承担起文档和提交负担后，临床人员可收回可观的时间。代理式AI在收入周期管理中的价值主张不仅关乎单次理赔成本，更关乎员工时间的实际去向及其可持续性。 在此领域进展最快的机构未必拥有最大技术预算。它们往往起步谨慎，从第一天就将人工监督纳入工作流，并在生产环境的前几个月重点从代理错误中学习，而非仅庆祝其成功。这比宣传的节奏更慢，却也更为持久。...
AI安全预算正在快速增长。在许多组织中，其增长速度甚至超过了它们本应保护的系统。 这种失衡很容易被忽视。对人工智能的投资持续加速，仅2025年，全球私人融资就达到339亿美元。与此同时，安全负责人被要求应对与模型行为、数据暴露和对抗性操纵相关的新风险。回应是预料之中的：更多的工具、更多的控制措施和更多的预算。 人们很容易将其转化为关于业务成本的讨论，即组织需要花费多少来保障AI安全这样一个简单问题。然而，这是应对这个新问题的错误方式。相反，组织需要审视其AI投资是否真正保障了正确的工具。 在大多数企业中，AI仍然在任务层面被引入。团队尝试使用总结、编码辅助、分析或工作流自动化来提高个人生产力。这些工具带来了局部收益，但它们很少改变决策方式或更广泛层面的系统运作方式。这种差距开始体现在结果上。尽管采用广泛，但只有大约20%的组织报告对其利润产生了有意义的影响。 安全投资正随着这种实验而同步扩大。然而，在许多情况下，它被应用于日益增多的、互不关联的工具集合，而非用于塑造业务实际运行方式的连贯系统。AI在任务层面被评估，在系统层面被保护，却从未在创造真正价值的工作流层面进行完整设计。 AI的采用速度正快于其整合速度 如今大多数AI部署在本质上都是狭窄的。它们旨在使单个任务更快，而不是重塑工作跨团队或系统的流动方式。 销售团队可能采用AI来起草电子邮件或总结通话。工程团队用它来加速代码生成。运营团队尝试分析或预测支持。这些用例中的每一个都在个人层面带来了可衡量的生产力提升，而这通常足以证明初始投资的合理性。 复杂性始于这些孤立的收益累积之时。 每次部署都会引入其自身的模型、数据访问模式、API和依赖项。随着时间的推移，组织发现自己管理着一个不断增长的AI能力生态系统，而这些能力从未被设计为协同工作。即使在现在，大部分企业仍处于早期实验阶段，许多举措尚未嵌入核心业务运营。 安全团队在这个环境形成过程中继承了它。他们被要求保护的并非单一系统，而是一个随着每次新实验不断扩展的工具、集成和数据流的集合。没有统一的架构，安全就变成了覆盖范围的演练，而非控制。 真正的风险并非单个工具，而是系统碎片化 随着AI实验的继续，领导层的期望开始转变。董事会和高管团队正在询问不断增加的AI支出如何转化为可衡量的业务成果。 当早期举措未能达到预期时，组织很少会放慢脚步。他们会扩大努力。启动更多的试点项目。引入更多的工具。创建更多的集成，以寻找尚未实现的价值。预测已经表明，超过一半的AI项目可能在未来几年内无法投入生产或交付预期结果。 对于安全团队而言，这种循环创造了一种新型风险。 挑战不再仅仅是保护单个应用程序或模型。而是管理一个底层系统不断变化的环境。每个新工具都会引入额外的身份、数据流和模型行为，在防御者有时间完全理解之前就扩大了攻击面。 在这种背景下，增加安全支出并不一定能降低风险。相反，它可能增加运营复杂性。保护碎片化的系统需要更多的工具、更多的监控和更多的协调，但这并未解决根本问题，即缺乏一个关于AI如何部署和使用的连贯结构。 只有当AI变得可操作时，安全支出才具有战略性 由于AI安全投资，我们处于一个有利位置；创新程度是惊人的，虽然AI用例的未来是光明的，但安全投资往往与AI实际创造价值的地方脱节。 当AI主要作为一组孤立的生产力工具部署时，安全工作被迫跟随这种碎片化。团队最终保护的是数十个对核心业务成果影响有限的、互不关联的应用程序。 当AI嵌入到驱动组织运作的工作流中时，更大的价值才会显现。规划、预测、资源分配和运营决策是AI开始以有意义的方式影响成果的领域。这些也是安全投资变得更具战略性的环境。 保护一个孤立的工具是保护一项任务。保护一个集成的系统是保护一个业务流程。 这就是任务级采用与工作流级设计之间的区别变得至关重要的地方。未整合到决策方式中的AI将难以产生可衡量的影响。未与这些决策系统保持一致的安全措施将难以降低有意义的风险。 变革必须尽早进行 组织需要的不是更少的AI举措，而是更具意图性的举措。 第一个转变在于如何评估AI的成功。如果一个部署没有改变决策方式或工作跨团队的流动方式，那么无论其采用范围多广，其影响都将有限。在工作流层面而非任务层面衡量成功，能更清晰地显示AI实际在何处创造价值。...
房地产图片已加入人们越来越无法信任的事物清单，无论它们看起来多么真实。”房屋垂钓”——房地产行业的”网络垂钓”——正在影响买家和卖家。了解如何识别它至关重要，这样人们才能确信所见即所得。 什么是房屋垂钓？ 越来越多的人在网络上找到瞬间吸引他们注意力的房屋。外观看起来维护完美，光线突出了其特色，内部布局无可挑剔，花园修剪得恰到好处。然而，当潜在买家——也许在向伴侣大肆夸赞之后——亲自参观房屋时，却发现房子与图片中的样子大相径庭。 这就是所谓的”房屋垂钓”，相当于房地产领域的”网络垂钓”。在网络垂钓中，人们与在线资料图片极具吸引力的人交谈，结果却发现图片是经过修改的、虚假的或是另一个人。 一些房地产经纪人多年来一直使用Photoshop等工具修改和微调图片，就像一些人在网上处理自拍照一样。这两种情况的核心问题在于，如何界定修复小瑕疵与彻底改变外观之间的界限。 如今，房地产经纪人可以使用人工智能对房屋进行大幅修改，例如隐藏墙壁裂缝、移除繁忙街道上的汽车、让房间显得更大，甚至如果他们愿意，还可以改变外部结构外观。 虚拟布置 虚拟布置是房屋垂钓最常见的形式之一。它是家庭布置的现代版本，即经纪人通过清洁、整理或重新布置他们试图出售的房产来使其更具吸引力。一份2025年的报告发现，83%的经纪人表示，布置使买家更容易将房屋想象成他们未来的家，而人工智能让这个过程变得简单。 人工智能让经纪人可以为空间过大的房间添加家具，将装饰换成更时尚的风格，整理房间，用火坑或植物美化户外空间等等。 房屋垂钓如何影响买家 买房本应是人生中令人兴奋的时刻，但早在人工智能出现之前，就已有多种因素常常使其变得充满压力。融资、围绕工作和个人安排协调看房时间、物流规划以及同时出售房屋，所有这些都构成了令人头疼的经历。 买家已经有足够多的事情需要担心，而最终找到一个看起来喜欢的房子，却发现它并没有图片显示的那么多窗户或橱柜，这无疑是雪上加霜。可能还会出现图片中没有显示的明显潮湿迹象，而修复这些问题的费用不菲。 房屋垂钓正在侵蚀人们对房地产中介及其在线图片的信任。这可能会促使人们完全避开它们，转而采用开车四处寻找”待售”标志的老式方法。 房屋垂钓如何影响经纪人 买家并非唯一感受到房屋垂钓影响的人。房地产经纪人也开始感受到人工智能工具的不利影响，因为他们的竞争对手可能正在使用这些工具来获得优势。如果经纪人或其整个公司不开始修改客户的房屋图片，他们可能会落后于竞争对手。 经纪人通常有严格的销售目标需要完成，他们可能会感到压力，需要使用人工智能来增加每栋房屋的看房次数。这可能导致他们制作出那种被人们认为是扼杀互联网的人工智能生成内容。例如，在2023年，所有已发表文章中39%是由人工智能工具生成的，其中许多包含错误引用或来自虚假来源。经纪人可能对参与这些欺骗性策略感到不安。 情感是购房的一个巨大因素，而虚拟布置可以操纵人们的感受。然而，这是一个滑坡，因为如果员工以被认为具有操纵性的方式修改图片，可能会给中介公司带来重大的声誉损害。此外，还有一些反人工智能的影响者，如果他们发现房屋垂钓的案例，会迅速点名并曝光，已有一些案例在美国及其他地区广为传播。 如何识别经过人工智能编辑的房屋 如今，经过人工智能修改的图片和深度伪造最大的问题是它们极难被发现。毕竟，如果情况不是这样，房屋垂钓就不会存在。不过，每次人们在网上浏览图片时，可以问自己一些问题。 它是否好得令人难以置信？ 如果某件事看起来好得令人难以置信，那它很可能就是假的。这条规则在识别产品骗局方面已经适用了几代人，而现在买房也面临同样的情况。 家具是否与房屋年代相符？ 家具通常与房屋的年代和磨损程度相匹配。当然，情况并非总是如此，但如果一个家庭拥有数十年历史或损坏的厨房电器，却配有崭新、一尘不染的家具，这可能是一个危险信号。 图片与描述是否相符？ 几个世纪以来，人们一直在调整措辞以夸大房屋和其他产品。能够使产品听起来比实际更好，这种销售技巧被一些人视为积极特质，而这种具有说服力的语言可以在图片下方的许多房屋描述中找到。然而，潜在买家应该密切关注过于奉承的文字，因为它可能暴露出与图片不一致的地方。 是否有视频导览？...
NoTraffic 已成功完成一轮9000万美元的C轮融资，此时各城市正日益寻求在不进行大规模基础设施改造的情况下，实现老旧交通系统现代化的方法。本轮融资由 PSG Equity 领投，M&G Investments、Grove Ventures、LifeX、Meitav Investment House 以及 Next Gear Ventures 参投。融资之际，城市交通挑战正变得难以用传统工具管理。 该公司已在美国和加拿大的数百个机构部署其技术，正将自身定位为城市运营十字路口的基础层——它不像固定的硬件，而更像可适应、软件定义的系统。 将十字路口转变为数字基础设施 NoTraffic 方法的核心是从静态交通信号转向互联的智能网络。其平台利用人工智能驱动的传感器、边缘设备和基于云的软件来实时监控和响应交通状况，有效地让十字路口能够持续“思考”和适应。 该系统不依赖预设的定时周期，而是根据实际需求动态调整——无论是优先考虑应急车辆、减少行人等待时间，还是在高峰时段缓解拥堵。更广泛的目标是将十字路口转变为协调数字网格的一部分，从而优化整个城市的交通流。 这种模式还允许城市通过软件更新而非物理升级来部署新的交通策略，这一区别在预算紧缩和基础设施老化的情况下变得更有意义。 在北美扩大应用规模 新资金将主要用于加速在北美地区的部署，该公司已在超过40个州和省份开展业务。市政当局正日益面临人员短缺、不可预测的交通模式以及公众对安全和效率期望上升等多重挑战。 NoTraffic 向各机构推介的理念相对直接：利用软件从现有基础设施中获取更多效益。其平台旨在与现有交通系统集成而非取代它们，与传统升级相比，能够实现更快的推广和更低的前期成本。 该公司还运营着一个24/7运营中心，负责监控性能、运行诊断和部署无线更新，有效扩展了已经捉襟见肘的交通团队的能力。 从试点项目到核心基础设施...
Onit Security 已结束隐身模式，获得了由 Hetz Ventures 和 Brightmind Partners 领投的1100万美元种子轮融资，将自己定位在不断发展的网络安全变革中心：从检测转向自主修复。该公司的创立故事源于一次现实世界的失败。联合创始人 Ofer Amitai 先前经营的一家企业曾因一个已知漏洞被埋没在积压工作中而遭到入侵，这凸显了整个行业的一个系统性问题。如今，组织被数以万计的未解决漏洞所淹没，而攻击者只需几分钟即可利用它们。为何漏洞管理正在失效核心问题并非缺乏工具，而是识别风险与实际修复风险之间日益扩大的差距。安全平台在发现漏洞方面已变得非常有效，但修复过程仍然缓慢、手动且零散。团队必须确定所有权、评估业务影响，并跨部门协调——通常是通过互不关联的系统。这个过程可能需要数周时间，而攻击者却近乎实时地运作。问题的规模正在加速扩大。预计到本年代末，漏洞数据库条目将超过一百万条，使得本已难以管理的积压工作雪上加霜。由此出现了一种结构性失衡：防御者仍在沿用为较慢时代设计的工作流程，而攻击者则日益自动化。从工单到自主修复Onit Security 正试图通过从根本上重新思考暴露管理的工作方式来弥合这一差距。该平台不再生成工单并依赖人工协调，而是使用 AI 智能体来负责整个修复生命周期。其目标是用基于决策的模式取代重复的分类和优先级排序，在这种模式下，一个由人类定义的单一操作可以自动解决数千个类似问题。这种方法引入了几个关键转变： 基于业务背景的优先级排序： 漏洞根据实际影响而非通用评分系统进行排名 自动化的所有权映射： 平台通过分析零散的内部数据来识别每个资产的负责人 执行，而非编排： AI 智能体执行修复步骤，而不仅仅是分配任务 复合式解决： 一旦定义了修复策略，该策略将在未来用于解决所有类似的暴露问题 其结果是一个不仅能减少工作量，而且旨在彻底消除漏洞管理重复性的系统。智能体化安全的兴起Onit...
Striveworks 已获得由 Washington Harbour Partners 领投的 B 轮投资，这标志着该公司在国防和国家安全领域扩展其运营人工智能（AI）能力方面迈出了重要一步。这笔资金将用于加速产品开发、扩大工程和研发团队，并支持其技术在美国政府机构和盟国中更广泛的部署。 此次融资正值各国政府日益优先考虑将人工智能快速集成到关键任务系统中之际，尤其是在地缘政治竞争加剧和作战时间线压缩的背景下。 国家安全领域向运营人工智能的转变 在国防环境中部署人工智能不仅仅是构建模型的问题——它需要能够在动态、高风险环境中可靠运行的系统。各国政府面临双重挑战：既要行动迅速以保持作战优势，又要确保系统保持可审计性、可信赖性，并符合严格的安全要求。 Striveworks 将自己定位在这一交叉点上，专注于运营人工智能——即在现实世界条件下而非受控环境中部署、监控和持续调整机器学习系统的能力。 这种需求正在政策层面得到加强，快速集成人工智能越来越被视为在国防和情报行动中保持战略优势的关键。 为现实世界部署构建的平台 Striveworks 产品的核心是其 Chariot 平台，这是一个 人工智能运营（AIOps） 系统，旨在快速将模型从开发阶段投入生产，同时保持监督和性能。 该平台使组织能够在数小时而非数月内构建、部署和维护 AI 模型，支持跨越云基础设施、边缘环境以及断开连接或带宽受限环境的工作流程。这在国防背景下尤其重要，因为 AI 系统必须在传感器数据流、卫星图像和实时情报输入等碎片化数据源上运行。...
专注于通过AI驱动的“计算机代理”实现财务工作流自动化的初创公司Zalos，已筹集360万美元的种子轮资金。本轮融资由14 Peaks领投，Cohen Circle、20VC以及一群知名天使投资人参与。此次融资正值财务团队面临运营现代化压力之际，但他们仍受制于根深蒂固且难以替换的遗留系统。财务自动化的不同路径现代财务团队在分散的ERP系统、CRM、电子表格和银行平台堆栈中运作，这些系统最初设计时并未考虑协同工作。即使在资源充足的组织中，关键工作流仍然依赖于人工在系统间手动移动数据、核对差异并确保跨孤立工具的准确性。Zalos采取了一种不同的方法。该公司不是替换这些系统或试图通过脆弱的集成来连接它们，而是构建能够直接操作这些系统的软件。其计算机代理像人类一样登录平台、导航界面、输入数据并完成工作流。这个想法很简单，但其意义重大：自动化是在现有基础设施的现实基础上工作，而非试图重建它。将工作流转化为自主执行Zalos平台的核心是将记录的工作流转化为可重复自动化流程的方法。财务团队可以捕获一次流程，例如结账或对账，系统便会将该记录转化为能够持续执行相同步骤的代理。这种方法引人注目的不仅是自动化本身，还有其背后的情境感知能力。这些代理旨在理解操作序列、所需的制衡机制以及支撑财务流程的业务逻辑。每个操作都会被记录，创建出符合财务团队严格要求的详细且可审计的追踪记录。该系统不依赖于脆弱的脚本或有限的基于规则的自动化，而是反映了经验丰富的操作员在其工具内的实际工作方式，带来了传统自动化难以实现的灵活性水平。为何财务领域要求更高标准财务领域的自动化始终面临独特的挑战。与其他允许一定误差范围的领域不同，财务运营要求精确性、问责制和透明度。遗漏条目或错误对账不仅仅是带来不便；它可能引发监管和财务后果。这正是Zalos与通用AI代理定位不同的地方。虽然更广泛的AI系统正变得能够与软件交互，但财务领域需要的不仅仅是能力。它需要可靠性、可追溯性以及与审计标准的契合。Zalos正是围绕这些约束条件构建其基础设施，确保每一个自动化操作都可以被审查、验证和信任。创始人聚焦企业系统的现实该公司由William Fairbairn和Hung Hoang创立，他们从不同的视角得出了相同的结论。多年来与财务团队合作的经验揭示了一个持续存在的模式：组织在ERP系统上投入巨资，却仍然依赖人工工作来维持其有效运行。替换这些系统很少是一个有吸引力的选择。所涉及的成本、时间和风险常常超过潜在收益，尤其是在整个流程已围绕这些系统构建多年的情况下。Zalos的理念是，转型并不需要替换。相反，可以通过自动化使这些系统得到更有效的利用来实现转型。计算机代理在财务领域的更广泛影响如果Zalos及类似技术取得成功，对财务运营的影响可能是巨大的。最直接的转变之一将是团队内工作的分配方式。财务专业人员可以将更多时间集中在分析、战略和决策上，而不是花费在重复性、流程驱动的任务上。财务团队的职责将从执行工作流演变为监督和优化工作流。随着时间的推移，这也可能改变组织对规模扩张的思考方式。传统上，交易量的增长需要相应增加人手。有了可靠的计算机代理，这种关系开始被打破。公司或许能够处理显著增加的运营复杂性，而无需以同等速度扩大团队规模。这对软件本身的设计也有影响。如果代理能够直接操作界面，那么在特定情境下，API和深度集成的重要性可能会降低。公司可能会优先考虑灵活性，知道智能代理可以弥合工具间的差距，而不是构建紧密耦合的系统。在更广泛的层面上，这项技术在企业软件中引入了一个新的抽象层。正如云计算抽象了基础设施、SaaS抽象了应用管理一样，计算机代理有潜力抽象执行本身。工作流变成了可以记录、复制和持续改进的东西，而非手动执行。然而，挑战在于信任。财务团队需要确信这些系统能够以近乎完美的准确性运行，并且每一个操作都可以被审计和解释。如果这种信任得以建立，这种转变可能不仅重新定义财务团队的运作方式，还会改变整个企业内对自动化的处理方式。
Anthropic 已将 Claude 的能力扩展至包含对 macOS 的直接桌面控制，当与 Slack 和日历应用等工具的标准集成不可用时，该人工智能可以在用户的计算机上点击、键入和导航应用程序。 该功能现已作为研究预览版在 Claude Cowork 和 Claude Code 中向 Claude Pro 订阅者（每月 20 美元）和 Claude Max 订阅者（每月 100 美元）提供。目前仅限于 macOS。...
据路透社今日报道，OpenAI正在向私募股权公司提供17.5%的最低保底收益，以争取它们参与一家专注于企业级AI分发业务的合资企业。此举正值OpenAI和Anthropic两家公司竞相在预期的首次公开募股之前，锁定收购公司旗下投资组合公司的接入渠道。 这些条款代表了比OpenAI最初方案更为激进的提议。路透社在3月16日的独家报道首次披露，OpenAI正与TPG、Advent International、Bain Capital和Brookfield Asset Management就一家估值约100亿美元的合资企业进行深入谈判，私募股权公司将承诺出资约400亿美元以换取优先股权。后续报道证实，OpenAI在其提议中增加了17.5%的保底收益，以及对其最新AI模型的早期访问权限，以加速交易达成。 交易结构 根据拟议的安排，参与的私募股权公司将获得新合资企业的优先股权——这是一种高级所有权类别，赋予投资者优先于普通股东的回报权，并限制了下行风险。预计TPG将作为锚定投资者，投入最大份额的资金，Advent、Bain Capital和Brookfield将作为联合创始人参与。 17.5%的保底收益结构旨在使该提议与标准股权投资有实质性不同。对于习惯于目标内部收益率超过20%的收购公司而言，保底收益降低了风险状况，同时如果合资企业产生的收入超过该门槛，仍能保留上行空间。早期模型访问权限这一甜头在财务条款之上增加了竞争情报优势——合资企业内的投资组合公司将能在最新功能公开发布之前，优先获得OpenAI的最新能力。 其战略目标是实现大规模分发。私募股权公司共同拥有或控制着数百家横跨医疗保健、物流、制造和金融服务等领域的运营公司。合资企业关系将这些投资组合公司转化为OpenAI企业产品的专属渠道，绕过了缓慢的、逐单交易的企业销售周期。 此举紧随OpenAI在过去一年达成的一系列企业分发交易和重大合作伙伴关系，并且是在该公司于2026年2月完成1100亿美元融资轮之后进行的。 Anthropic的并行策略 Anthropic正在追求几乎相同的策略，但财务条款不同。根据The Information的报道，Anthropic正在与Blackstone、Hellman & Friedman和Permira洽谈成立自己的合资企业，专注于在其投资组合公司中部署Claude模型。Anthropic的交易考虑让私募股权公司在该合资企业中持有约10亿美元的股权——远低于OpenAI寻求的400亿美元——并且不包含保底收益。 Anthropic的提议中缺乏保底收益这一点值得注意。路透社报道称，Anthropic可能会根据OpenAI的加码提议调整其条款，这表明17.5%的保底收益已经改变了谈判动态。Anthropic是会匹配该提议还是坚持原有条款，可能取决于其对资本与分发渠道的迫切程度。 Anthropic最近在企业市场，特别是在开发者工具领域取得了进展。Claude Code扩展到Slack等平台反映了一种分发优先的方法——通过开发者已经在使用的工具建立存在感，而不是通过专门的企业销售。Anthropic在其商业模式上也做出了深思熟虑的选择，以区别于OpenAI的定位。 两家公司构建这些合资企业时，部分考虑是为IPO做准备。路透社指出，OpenAI和Anthropic都着眼于最早在今年进行公开募股，而展示强大的企业级分发渠道对于评估增长持续性的潜在公开市场投资者来说至关重要。 影响与悬而未决的问题 17.5%的保底收益引入了标准股权关系中不存在的财务风险。如果合资企业产生的回报低于该门槛，OpenAI将承担弥补差额的成本——这会压缩相对于传统SaaS业务本就微薄的利润率。企业级AI领域的竞争压力依然激烈，两家公司都尚未证明其在大规模下的稳定盈利能力。 更具实质性的问题是，私募股权公司是否真的增加了两家公司所定价的分发价值。私募股权公司的投资组合公司拥有自己的IT部门、采购流程和供应商关系。与OpenAI或Anthropic的合资企业关系并不会自动转化为在数百家投资组合公司中的广泛部署——它创造了采用的机会，而非保证。 目前尚未宣布任何最终协议。TPG或任何其他公司是否会正式承诺，以及承诺的条款如何，将决定这一企业级分发构想有多少能从叙事转变为已执行的交易。迪士尼与OpenAI的10亿美元合作伙伴关系为大规模企业级AI合作树立了先例；如果这些私募股权合资企业能够达成，将把这种模式扩展到完全不同的买家类别中。
Vaidy Raghavan 是 Xometry 的首席产品与技术官，一位成就卓著的全球技术高管和工程师，负责领导公司的产品和技术战略，重点扩展连接企业买家与制造供应商的 AI 驱动市场能力。他在人工智能、供应链管理、SaaS 和数据分析领域拥有深厚的专业知识，此前曾在 Wayfair、Microsoft 和 Groupon 等公司担任高级领导职务，开发了大规模数字平台和市场技术。在 Xometry，他负责将复杂的制造工作流程转变为智能、数据驱动的系统，以提高效率、韧性和全球供应链连接性。 Xometry 是一个由人工智能驱动的数字市场，通过将买家与全球经过审查的供应商网络连接起来，涵盖 CNC 加工、3D 打印和注塑成型等多种生产方法，使企业能够按需采购定制制造的零件。公司成立于 2013 年，总部位于马里兰州北贝塞斯达，利用机器学习根据上传的设计文件提供即时定价、交货时间估算和供应商匹配，从而简化了传统上复杂的采购流程。凭借全球数千家供应商和数万家买家，Xometry 通过数字化供应链和实现大规模、更敏捷的分布式生产，在现代化制造业中发挥着核心作用。 您在 Microsoft、Groupon 和 Wayfair 的经历非常精彩。哪些早期经历——无论是个人还是专业方面的——塑造了您对技术的兴趣，并最终引导您加入...
过去十年，数字关系一直通过信息流和滑动操作来中介。社交平台承诺大规模连接，约会应用则承诺让建立关系变得更容易。然而，对我们许多人来说，结果恰恰相反。我们本应比以往任何时候都更加紧密相连，但越来越多的人回到家时却感到愈发孤独。 孤独感悄然成为数字时代一个标志性的社会状况，这并不令人意外。调查显示，大约73%的Z世代报告称有时或总是感到孤独，这使他们成为现代研究中最孤独的一代。哈佛大学“Making Caring Common”项目的最新研究也表明，在美国，大约五分之一的成年人承认持续感到孤独。 这导致那些旨在促进连接的数字化工具失去了吸引力。我们不应为此感到震惊。约会应用已经为数量进行了优化，这意味着更多的匹配和更多的活动。但这仅仅提供了连接的承诺，而承诺未必是深度的理想选择。这种体验可能令人筋疲力尽，最终，人们在个人生活中仍然得不到满足。我发现事实确实如此。 在此背景下，一类新的技术开始兴起：AI伴侣。 AI伴侣常常被定位为实验性聊天机器人或小众娱乐产品。实际上，它们可能代表着更根本性的东西。它们正逐渐成为人与数字系统之间一个新的界面层，一个围绕对话、记忆和情感语境构建的界面层。 经济指标反映了这一转变。根据行业预测，全球AI伴侣市场目前估计约为370亿美元，预计在未来十年内将超过5500亿美元。该品类的增长预测表明，到本年代末，复合年增长率将超过30%。 这些飙升的数据表明，人们正在将时间和情感注意力投入到行为更像伴侣而非工具的系统上。人们需要陪伴，而那些能够提供陪伴的平台很可能会增长。原因如下。 人们使用AI伴侣做什么 关于AI伴侣，最反直觉的发现之一是人们实际如何使用它们。 普遍的假设是，用户转向AI关系是为了逃避人际互动。实际上，许多互动似乎是在为人际互动做准备。 一家AI伴侣平台的内部数据显示，大约30%的用户在与真实的伴侣、经理或家人进行艰难对话之前，会先与他们的AI伴侣进行演练。用户报告称，在一个感觉比真实对话更少威胁的环境中，练习展现脆弱性、解决冲突和进行情感敏感的对话。 一些人报告了切实的成果。一小部分人表示，他们利用这些练习环节更自信地进行职场对话谈判，或应对具有挑战性的个人处境。这符合我所认为的AI的角色——人类连接的增强者，而非替代者。在我们不期望立即受到评判的环境中，更容易放下戒备。这反过来又有助于我们为那些我们害怕受到评判的情况做好更充分的准备。 互动的范围比预期的更广。对一些人来说，AI伴侣充当着结构化的沟通教练。另一些人则将其视为两次治疗之间的情感处理方式，或在无法获得专业支持期间，用以获得连续性感觉的一种形式。 某些人群似乎特别被这些系统所吸引。患有严重社交焦虑或自闭症谱系障碍的个体经常使用对话AI来练习解读情感线索和应对社交场景。那些生活方式使传统关系变得困难的人，例如频繁旅行者，有时会描述AI伴侣因其紧张的日程安排而更自然地融入他们的日常节奏。 这些模式表明，情感AI可能扮演着更接近于排练空间的角色，它不一定是一种替代性关系，正如它经常被描述的那样。像EVA AI这样的平台报告了类似的参与模式，其中对话练习成为私人反思与现实世界互动之间的中间步骤，一个备受信赖的中间人，促进自我发展并帮助人类获得信心。 情感AI背后的技术 众多技术发展使这些系统成为可能。如今，现代大型语言模型能够检测语气和对话语境的细微变化，而不仅仅是响应提示。这使得它们能够根据对话的情感基调调整回应。 其次是记忆架构。情感关系依赖于连续性。一个忘记过去互动的对话系统无法维持可信的动态关系，除非用户想重演像《初恋50次》那样的电影情节。情景记忆系统和向量数据库的进步，现在允许AI系统随时间追踪对话历史和关系发展，越来越像真实的伴侣。 多模态交互是另一个重要元素。语音合成、语音识别和视觉输入正日益集成到对话AI系统中。用户可以通过语音、文本，在某些情况下，还可以通过允许系统响应环境语境的实时视觉反馈与AI互动。 训练数据也起着重要作用。许多对话模型严重依赖从互联网抓取的文本，这常常产生通用的情感回应。一些平台则使用精心策划的对话数据集来训练模型，旨在产生更一致的情感基调。 例如，EVA AI使用专业作家编写的专有对话数据集来训练其模型，以在对话中产生更连贯的情感互动。在大多数AI生成的文本都能被一眼识破的世界里，尽可能显得像人类是有帮助的。 尽管取得了这些进展，情感AI仍然是一个不断发展的领域。研究人员仍在试图理解哪些技术组件对可信的情感连接贡献最大。...
过去几年，AI基础设施的关注点一直集中在计算能力上，将其置于所有其他指标之上。更多的加速器、更大的集群和更高的FLOPS主导了关于如何充分利用GPU的讨论。当模型进展主要依赖于训练规模时，这种方法有其道理。如今，随着AI生产部署成为优先事项，一个新的制约因素需要关注：内存。 今天，许多最棘手的AI制约因素体现在内存容量、带宽、延迟以及数据在系统中移动的时间和能耗成本上。上下文窗口持续扩大，像Anthropic这样的公司现在在其标准定价服务中提供百万令牌的窗口。推理工作负载正在增长。多智能体系统的发展意味着AI系统正在将更大量的数据从一个阶段传递到下一个阶段。运营商可以继续尝试增加更多GPU，但他们仍然无法达到预期的性能，因为当每个服务器独立运行时，这些系统缺乏足够的RAM来高效地供给加速器，受限于系统内RAM。 这种转变影响着超大规模云提供商和数据中心运营商的吞吐量和成本。当内存成为限制因素时，组织通常的反应是过度配置昂贵的硬件，导致GPU容量利用不足，并承受更高的电力和基础设施成本。AI规模化的下一阶段将更少依赖于增加原始计算能力，而更多地依赖于构建符合生产AI实际运行方式的内存架构。 以下是基础设施领导者现在可以采取的五个步骤，以应对不断增长的内存需求。 1. 从衡量真正的瓶颈开始 许多组织仍然通过计算优先的视角来评估AI性能。他们跟踪集群利用率、加速器数量和总体吞吐量，然后假设改进将来自增加更多GPU加速器。这种观点常常忽略了真正的问题。 内存压力通常表现为加速器停滞、更高的单令牌延迟以及负载下不稳定的吞吐量。如果GPU正在等待数据从另一个内存层级、另一台服务器或应用程序的另一个阶段到达，它可能看起来利用率不足。随着KV缓存大小增长以及更多并发会话竞争带宽，推理使这个问题更加明显。 运营商需要更好地了解有效内存利用率，查看每令牌移动的字节数、加速器停滞时间以及跨CPU、GPU和相邻内存层级的内存访问模式。他们还需要能够将内存相关延迟与网络或存储问题区分开来的流水线跟踪。没有这种可见性，团队可能会在计算上投入更多资金，却没有解决导致速度减慢的实际根源。 2. 在增加容量之前减少数据移动 在大型AI系统中，移动数据产生的开销可能与处理数据一样多。 这在推理中尤其如此。随着上下文窗口扩大，KV缓存可能成为堆栈中最大的系统内存消耗者之一。多租户服务和多智能体工作流可能进一步增加消耗。第一阶段生成输出，然后另一个阶段消费它，基础设施通过在GPU之间、跨服务器或通过框架级序列化复制大块数据来处理这种交接。 这些复制操作带来真实的成本。它们消耗带宽、增加延迟，并使昂贵的计算资源等待下一次传输完成。它们还促使运营商购买比工作负载实际需要更多的高成本内存。 在投资更多加速器之前，团队应该识别系统中哪些地方的数据移动超出了必要。GPU到GPU传输、服务器到服务器复制以及跨智能体流水线重复移动中间状态是很好的切入点。在许多环境中，减少不必要的移动比增加另一台服务器能带来更多可用的性能提升。 3. 围绕工作负载行为构建内存层级 当运营商不再将内存视为单一来源，而是将其视为具有不同角色的层级结构时，AI基础设施会运行得更好。 最热的数据应保持在最接近加速器的地方。这包括需要最低延迟和最高带宽的工作集。其他活跃缓冲区和频繁访问的状态可以放在DRAM中。需要规模更甚于绝对速度的较大结构可以移动到池化内存中。较冷的数据和不太活跃的模型属于堆栈的更下层。 这种方法要求团队了解哪些数据不断变化，哪些数据被许多进程共享，以及哪些数据可以容忍适度的延迟权衡而不影响服务质量。太多的部署仍然默认将所有内容推入最快的HBM层级，因为这感觉更安全。这种方法推高了成本，并且通常未能实现效率优化。 分层内存策略让运营商对性能和经济性都有更多的控制。在生产AI中，这种平衡正成为一个核心设计要求。 4. 将共享内存视为智能体AI架构的一部分 多智能体AI正在提高碎片化内存设计的成本。 在许多智能体系统中，一个智能体产生的输出会立即被另一个智能体使用。第三个服务可能对该输出进行排名、添加上下文或将其路由到另一个模型。如果每个步骤都创建相同状态的新副本，流量会迅速上升。随着上下文增长，被复制数据的大小也随之增长。系统花费更多时间移动信息而不是处理数据。 这就是共享内存变得越来越重要的地方，特别是对于多个智能体或服务需要访问的共享KV缓存和其他状态。共享内存可以减少冗余副本、降低网络流量并提高整个应用程序路径的利用率。当不同节点或智能体能够通过共享内存重用KV缓存时，它还可以帮助智能体系统有效扩展。...
当今的每一家企业都感受到拥有一个AI故事的压力。董事会希望看到它。投资者期待它。客户会询问它。但这种压力催生了一股日益增长的“AI洗白”浪潮——自动化变成了“AI”，分析被重新包装为“机器学习”，脚本化的聊天机器人突然成了“智能体AI”。 这一幕我早已见过。今天的AI格局让人想起云采用的早期阶段，当时公司在架构或运营模式远未准备好之前，就将本地系统标榜为“云原生”。同样的模式正在重演，而后果将更为严重。 云洗白的弊端是低效和浪费开支。AI洗白的弊端则直接面向客户。我们部署的不是会在崩溃或错误代码中失效的后台基础设施。我们部署的是直接与客户互动的系统——而这些系统会悄无声息、自信满满地失败，并且常常发生在最关键的情况下。 这可能就是为什么，根据MIT Sloan的一项研究，绝大多数AI试点项目从未进入生产阶段。而那些进入生产阶段的，也常常表现不佳——不是因为AI能力不足，而是因为部署它的组织跳过了测试、验证和运营就绪性这些艰苦工作。 AI 洗白背后的真正驱动力 害怕被视为落伍是这种行为的主要驱动力。组织吹捧AI，是将其作为创新的信号，而非真实能力的反映。为了赶上产品发布时间表，他们绕过了测试和验证，没有为满足客户需求而量身定制的明确开发流程。 投资者的期望加剧了这个问题。上市公司和风险投资支持的公司面临着展示AI集成和AI驱动增长叙事的最后期限。事实上，90%的高管报告称感受到了来自投资者采用AI的压力。这种压力鼓励公司将现有能力重新包装为AI，而不是构建真正新颖的、AI原生的产品。 结果就是各方都产生了错误的期望——投资者、客户，以及负责使其运作的内部团队。它创造了一种创新的假象，而实际上，这只是品牌包装。 为何智能体AI会打破这种假象 智能体AI是炒作破灭的地方。随着68%的组织预计在今年集成AI智能体，清算的时刻即将快速到来。 大多数企业尚未应对的根本问题是：传统软件是确定性的。相同的输入，相同的输出，每次都一样。你可以编写测试，复现错误，并预测行为。AI智能体是非确定性的——同一个问题每次都可能产生不同的答案。这不是错误。这是其架构使然。它彻底改变了你测试、监控和信任这些系统的方式。 你的整个QA基础设施都是建立在可复现性的假设之上的。对于生成式AI，这个假设不复存在。你可以运行相同的测试一百次，得到一百种不同的响应——有些正确，有些细微错误，有些危险地错误。适用于IVR和脚本化聊天机器人的测试框架无法迁移到智能体AI。而大多数企业尚未构建新的框架。 这正是AI洗白暴露无遗的地方。用精心策划的输入和可预测的路径进行一场光鲜的演示是一回事；处理一个真实客户则是另一回事——他可能会打断、自相矛盾、说蹩脚的英语，并且在晚上11点打电话询问一个他自己都不完全理解的账单纠纷。模型是在数据上训练的，而不是在人类互动中情感化、混乱且不可预测的现实上训练的。 当这些系统失败时，它们不会像传统软件那样失败。没有崩溃。没有错误代码。AI听起来很自信，但却是错的。它能妥善处理95%的情况，却灾难性地错误处理了最重要的那5%。与损坏的网页表单不同，这些故障会在成千上万的客户中复制，直到有人注意到。 AI 故障藏身之处 客户体验是智能体AI最复杂的环境之一——也是AI洗白暴露得最明显的地方。Gartner最近预测，到2027年底，超过40%的智能体AI项目将被取消，原因是成本不断上升、风险控制不足或业务价值不明确。客户体验是主要原因之一。 客户旅程很少涉及单一系统。它跨越对话式AI、IVR系统、知识库、CRM平台和人工座席。混合旅程很常见——每次互动在得到解决之前，都可能跨越多个系统。 这是我反复看到的情况：每个系统单独看起来都运行正常，但端到端的旅程仍然失败。AI智能体正确解读了一个问题，但CRM中的信息过时，给出了错误的答案。AI受到指责，但真正的问题是数据碎片化和所有权碎片化。 碎片化的技术栈也意味着碎片化的可见性。没有客户旅程的单一视图。与传统软件有明确的错误信号不同，当智能体AI崩溃时，无论准确性如何，它都表现得自信满满。升级规则触发得太晚。客户陷入循环。系统继续运行——而故障只有通过客户的沮丧或流失才能显现。 这就是无声故障问题。AI没有崩溃。它正在自信地、一次一个互动地、大规模地侵蚀信任。 从 AI 炒作转向运营纪律...
对于任何组织而言，第一天是最难熬的吗？杰夫·贝索斯认为，其实是第二天。为什么？因为第一天关乎变革。那是你的第一步。那是新事物。而第二天，停滞开始于此。想法在决策循环中迷失。当竞争对手大步向前时，你却不知下一步该做什么。最终，火花熄灭了。 如今，许多公司在人工智能引领的创新浪潮中，步入了它们的“第二天”。许多企业领导者不禁要问：“我们做错了什么？” 在我看来，问题不在于他们做错了什么，而在于近年来发生了什么变化。因为变化太多了——而且，不，这绝非你以往处理过的任何情况。 新常态尚未到来…… 如果你作为领导者，感觉事情发展得太快——你并没有错。尽管未来导向的乐观情绪持续不断，但这种速度并不正常。这种速度并不等同于质量。相反，它创造了一个混乱的环境，传统规则不再适用，每一个竞争优势都会被立即抢占。我们都记得ChatGPT曾是热门话题。接着是Anthropic。然后是DeepSeek。接着，ChatGPT再次登场。每一次转变都影响着股市、决策，甚至互联网本身。随着美国和中国持续竞争，而欧洲争论着以牺牲创新速度为代价来建立监管，我们距离形成能规范行业格局的、全球公认的人工智能使用框架还相去甚远。然而，当前企业无法放慢脚步。它们需要在浑水中前行——因为确定性是由那些在不确定性中找到出路的人塑造的。 那么，领导者该如何应对这巨大的未知？ 适应变化：科技巨头的经验教训 尽管我们尚未看到真正的新常态将是什么样子，但它必将包含新的、更精简的模式，这些模式将独立于服务供应商。人工智能是这一即将到来的变革的推手，因为它让企业能够在内部满足自身需求。正因如此，我们正进入“赢家通吃”的阶段，其中不作为的代价高于实验的成本。对此我们能做些什么？让我们看看知名公司所展示的可行路径。 IBM：多元化战略的启示 IBM曾是企业计算的代名词，但在2010年代陷入停滞，受累于行动迟缓的业务部门和缺乏明确方向。但IBM的领导层意识到，没有公司能靠固守昨日的模式生存。相反，它重新聚焦于三个能够提供独特价值的领域：混合架构、企业级人工智能以及量子计算的长期探索。 通过对其专业领域进行战略性多元化布局，IBM得以巩固其地位，从一个依赖传统服务生存的公司，转变为一个引领面向未来技术的公司。 ServiceNow：通过人工智能指引生存 ServiceNow曾面临一个节点：渐进式增长已不足够。要在人工智能优先的世界中保持相关性，它需要超越工作流自动化。其“AI控制塔”的理念认识到，随着公司采用人工智能流程和模型，必须有人来统筹这一切。ServiceNow将自身定位为确保人工智能在整个企业内行为一致、安全且智能的记录与行动系统。通过收购像Armis这样的公司，ServiceNow增强了保护庞大数字生态系统的能力。它并非追逐炫酷的功能，而是在构建企业将依赖的人工智能普及平台。 Western Digital 和 Seagate：看见机遇，而非障碍 硬盘制造商Western Digital和Seagate在最近一个季度的营收均实现了约30%的增长，这种增长水平在几年前是难以想象的。 这要归功于人工智能对数据存储的贪得无厌的需求以及高容量硬盘价格的上涨。Western Digital报告称，其最新季度出货了190艾字节的存储，同比增长32%，而Seagate的增长更为显著，同期出货的艾字节数增加了45%——这证明人工智能的影响力正在重塑行业中最成熟的硬件领域。 核心要点 仅仅找到一次火花是不够的。你必须一次又一次地寻找，需要多少次就做多少次。竞争的激烈程度要求如此。因此，你必须确保你的商业模式和领导方法超越一次性的努力。 我可以分享几个关键实践： 将实验常态化 实验令人畏惧，但必不可少。作为领导者，你必须将你的商业模式转向快速验证想法——并对团队的建议持开放态度。应奖励和鼓励创新举措，并应正视对风险的恐惧，而非盲目顺从。...