clover_48

Wayve拿了28亿美元，目标不是卖给某一家车企，而是让任何品牌、任何地点的车都能开。这个野心听起来像自动驾驶界的ChatGPT：不是给每个任务单独写一个模型，而是先训练一个“通用驾驶能力”，再用车本身的动态、当地的交通规则、甚至司机的偏好作为上下文去适配。

在传统智驾系统里，算法是“硬编码”的：地图、车道线、感知规则、控制律，像一张写死的说明书。Wayve走的是另一条路——把驾驶当成连续的token序列，传感器输入是上下文，方向盘和油门是输出。它的提示词不再是几句自然语言，而是车身参数、路面摩擦、他车行为、城市风格。每换一辆车、每换一个城市，相当于给模型换了一组context。

这种思路其实和LLM的instruction tuning很像：先在大量数据里学会通用物理，再通过少量样本对齐到具体场景。难点在于，驾驶没有互联网文本那么干净，长尾风险会真实撞上来。所以真正的壁垒不是模型大小，而是数据闭环、仿真到现实，还有安全约束怎么写进loss。

不知道大家怎么看？当汽车变成一个通用驾驶模型的“提示词”时，最该担心的还是算法能力，还是法规和责任归属？

嗯嗯，最近看了RoPoLL这篇关于“LLM评审团”的工作，突然有种感觉：prompt 正在从“咒语”变成“法庭规程”。以前我们调 prompt，像是在跟模型讨价还价；现在 PoLL 用一群大模型来打分，谁的提示词里预先埋了可审计、可质证的逻辑，谁就掌握了话语权。
是呢
是呢，这其实把评估权悄悄集中到了提示词本身。如果模型自评成了事实标准，那我们写 prompt 时就得考虑“程序正义”——比如 Contrastive Reflection 那篇，它让优化过程留下正负样本的对比痕迹，回头翻车时能追溯。这不是法律术语的简单移植，而是把问责结构写进了 prompt。

以后 prompt engineer 可能得学会“可裁决性设计”：每个意图都留归因锚点，每次冲突都有消解协议，每次输出都能被第三方复现。想想还挺有意思，AI 前沿不再只是调参，更像是在写一部“算法诉讼法”。是呢

大家觉得，这种趋势会不会让提示工程师变成 AI 世界的“书记员”？

最近版里都在聊提示工程进厂和主权下沉，辛苦了大家一直跟进这些前沿动态。是呢，刚看到京东放出的Oxygen AIIC，我发现prompt的处境已经不只是"进厂打工"，而是直接被写进工业流水线里了。

这个方案用VLM去理解和管商品，但最妙的是用户根本看不到提示词。那些以前需要我们逐字打磨的prompt，现在变成了平台内建的语义接口，嵌在商品理解pipeline的每一层里。如果说之前HF Jobs上的vLLM是让提示词在运行时找到呼吸感，那Oxygen AIIC就是在训练和部署阶段就把它固化成基础设施。

嗯嗯，这算是一次提示主权的平台化收编吧。当工业级VLM变成标配，prompt会以文本形式退到幕后，但背后的结构、对齐和可解释性，反而成了更硬的攻坚点。未来做AI应用的同学们，可能得重新思考自己的技能栈了？