红帽凭借Linux打造了一家市值340亿美元的企业。IBM将其收购。这笔交易印证了一个延续了四十年的假设：那些从共享代码中获取巨大价值的公司，出于自身利益，会继续为它们所依赖的项目提供资金。如今，这一假设正面临考验。原因并非有人决定停止资助开源项目，而是因为对其资助最多的行业——SaaS——正被最依赖它的行业——人工智能——所瓦解。

在上一篇文章中，我探讨了八个独立研究团队如何得出了相同的结论：与其围绕模型构建记忆系统，不如训练模型本身，使其将记忆管理作为一项习得技能。后记忆训练——即在训练后阶段运用强化学习——能够培养出能够自主决定存储、删除、巩固和检索哪些信息的智能体，所有这些操作都经过优化，以完成任务为目标。

过去几个月来，后内存训练一直是我的研究重点。如果你关注了我近期关于上下文管理、内存架构以及“为何智能体在第50轮后性能会下降”这一反复出现的问题的论述，那么本文正是这些线索汇聚之处。最初的趋势已相当明朗：八支独立的研究团队得出了相同的结论：不要再围绕模型构建内存系统，而是要训练模型本身，使其将内存管理作为一项习得技能。这种共识具有重要意义。

当我们回顾2025年时，有一点非常明确：人工智能和数据已不再是停留在企业边缘的实验性工具。它们已果断地融入了企业运营、竞争和创造价值的核心。其普及速度便是最好的证明。 根据微软《AI Diffusion报告》，到2025年底，全球约每六人中就有一人使用过生成式AI工具。在企业领域，这一势头更为强劲：截至年中，全球近70%的企业已在至少一个业务职能中部署了生成式AI。最初仅是零星试点的应用，已迅速演变为嵌入式能力，深刻影响着决策制定、客户互动及运营效率。

在体育领域，数据和人工智能主要与赛场表现相关：包括球员数据分析、战术建模以及伤病预防。技术拓展了体育成就的边界，使运动员能够突破以往的极限。那么，为什么更多的体育组织不将同样的思路应用到体育商业运营中呢？体育是一个竞争异常激烈的娱乐产业，在球迷互动、内容制作、运营管理以及商业决策等领域，哪怕是微小的改进，其重要性也不亚于比赛结果本身。

这项技术虽已存在，但尚不成熟。发展方向虽已明确，但具体时间表尚不清晰。2026年部署长期运行的人工智能的大多数组织都将付出高昂的代价。少数组织则能获得真正的优势。这种差异归根结底取决于三点：部署的场景、治理方式，以及是否真正理解“自主”在实践中究竟意味着什么。

2025年底，一种名为“拉尔夫·威格姆”的技法在从业者中迅速走红。这个名字源自《辛普森一家》中的一个角色——之所以起得如此滑稽，是因为其核心理念简单得近乎尴尬。