就在Meta因AI排行榜数据泄露一事关闭其内部"Token使用量最大化"看板数日后,领英联合创始人、风险投资人里德·霍夫曼公开表态,支持这一近期在硅谷掀起热议的概念。
所谓AI Token,是指AI模型在理解提示词、生成回应时所处理的最小数据单元,同时也是衡量AI使用量、计算AI服务费用的基本计量单位。
正因如此,许多公司开始在内部追踪哪些员工消耗的Token数量最多,以此作为衡量员工AI工具使用积极性的参考指标。这种做法被称为"Token使用量最大化"——其中"最大化"一词源自Z世代俚语,意为对某件事进行极致优化,类似说法在日常口语中也有出现,如"外貌最大化"或"睡眠最大化"。
然而,科技公司的工程师们对这一指标是否能有效衡量工作效率争论不休,有人认为这无异于按员工的花销多少来给人排名。
霍夫曼本周在Semafor世界经济峰会的一次采访中,就企业拥抱AI提出了自己的建议,并表示他对这种做法持积极态度。尽管他没有使用Z世代的俚语表达,但他明确表示追踪员工的Token消耗是一个好主意。
"你应该让各个职能部门的员工都真正参与进来,去体验和探索AI,"霍夫曼在活动上表示,"有一个很值得关注的数据看板——它不一定是衡量生产力的完美指标,但可以参考——那就是大家在实际使用过程中,究竟消耗了多少Token?"
他进一步解释说,有些人或许消耗了大量Token,但使用方式比较随机或偏向探索性,因此在追踪Token使用量的同时,还需要结合了解员工具体在用Token做什么。
"有些尝试会失败——这没关系。但这正是在那个循环里的一部分,你希望有各种各样的人都在使用它,本质上是集体性的、同步进行的,"霍夫曼补充道。
霍夫曼还就企业制定AI策略分享了其他建议,提出AI应当融入整个组织的各个层面,同时建议定期举行交流会,让员工互相分享有效经验。
"我们应该建立一种机制,基本上就是每周一次的回顾会议。不必每次都是全员参与——但要以小组形式交流:'这周我们尝试了哪些AI新用法,用于个人、团队和公司效率提升?我们又学到了什么?'因为你会发现,其中有些成果真的令人惊叹,"霍夫曼说道。
Q&A
Q1:什么是Token使用量最大化,为什么硅谷公司开始关注它?
A:Token使用量最大化是指追踪员工在使用AI工具时消耗Token数量的做法,以此判断员工对AI的使用积极程度。由于Token是AI服务的基本计量和计费单位,许多公司将其视为衡量员工拥抱AI程度的参考指标。这一概念近期在硅谷引发广泛讨论,Meta甚至曾建立内部看板追踪相关数据,但因数据泄露事件而将其关闭。
Q2:Token使用量能真正反映员工的工作效率吗?
A:这一点存在争议。科技公司工程师普遍认为,Token消耗量并不能直接等同于工作效率,因为有些人消耗大量Token只是出于随机探索,而非高效产出。霍夫曼也承认这一指标并不完美,建议企业在追踪Token用量的同时,结合了解员工具体用Token在做什么,才能形成更全面的判断。
Q3:里德·霍夫曼建议企业如何推进AI落地?
A:霍夫曼建议企业将AI嵌入整个组织的各个职能部门,鼓励员工广泛参与体验和探索。他特别推荐设立每周小组回顾会议,让员工分享本周尝试了哪些AI新用法、取得了哪些成果。他认为,这种集体性、同步性的使用方式,能够帮助企业更快发现AI的实际价值。
好文章,需要你的鼓励
Kollmorgen发布NDC布局助手软件工具,专为工厂和仓库中的自动导引车(AGV)及自主移动机器人(AMR)的路线规划与优化而设计。该工具通过分段分析路线,帮助工程师在系统部署前识别瓶颈与低效环节,提供行驶时间、车速及优化潜力等关键数据,并以可视化方式标注问题区域,从而缩短布局设计与验证周期。Kollmorgen表示,该工具未来还将融入AI驱动的优化能力。
这篇由加州大学圣地亚哥分校等六所机构联合发布的综述(arXiv:2605.02913,2026年4月),首次系统梳理了大型语言模型强化学习训练中长期被忽视的轨迹设计问题,提出了GFCR四模块框架(生成、过滤、控制、回放),覆盖数学、代码、多模态和智能代理等多个应用场景,并附有实用的故障诊断手册,为AI训练工程师提供系统性的方法论指导。
现代仓储已从幕后走向前台,配送速度成为品牌竞争核心。面对次日达甚至两小时送达的市场压力,领先履约中心借鉴敏捷开发理念,以周为单位迭代代码、机器人与工作流程。IoT信标、边缘计算与视觉识别模块构建双层架构,实现厘米级货盘追踪与低延迟决策。人机协作模式让员工从重体力劳动转向异常处理与数据分析,拣选准确率突破99%。同时,自动化系统实时采集碳排放数据,在提速的同时实现可量化的减排目标。
中国科学技术大学与FrameX.AI联合提出Stream-R1框架,针对AI视频生成蒸馏训练中"一视同仁"的核心缺陷,引入奖励模型对训练样本进行双重加权:在样本层面根据质量分数筛选可靠的学习信号,在像素与帧层面通过梯度显著性热力图集中优化最需改进的区域,使4步快速学生模型在VBench多项指标上超越慢速多步教师模型,推理速度提升30倍且不增加任何额外计算开销。