AI年度报告（2025-2026） AI在变成常识而差距由此产生 得到AI学习圈出品

目录 万维钢:AI发展的两条路线之争 李宁:AI时代别谈效率谈效能,个人怎么提升AI力? 快刀青衣:关于AI,我看到的3个真相和3个预测 AI+创新教育I姚一江01用AI设计卡牌游戏,提升学生参与度和收获感056AI+医疗创新I李尧02用AI从零研发x光三维定位系统,实现骨科手术精准导航069AI+人力I曾辉云03用AI打造全自动招聘机器人,招聘效率提升3倍以上085AIAI+求职I杨阳04用AI辅助大学生央国企求职,简历优化效率提升10倍094AI+员工福利I郑瑜强05用AI重构驾驶员体检归档流程,自动输出有温度的健康建议105AIAI+财务I付瑶06用AI改造财务工作流,对账效率提升10倍114AI+法务I泰康集团法务部AI+门店运营I朱剑AI+数据分析I郑易军09借助AI编程做数据分析,辅助调整就诊方案145AIAI+医疗I罗松AI+保险销售I陈珊11让AI扮演销售教练,提高保险签单率164AIAI+销售I刘旭12用AI搭建轻量级CRM,高效追踪和维护客情171AIAI+营销I狄龙13用AI创作假发产品图和营销文案,年省300万180AI+营销I安哲逸14用AI重构企业获客方法论,告别传统营销的高成本投入188AI+工业制造I卢无为15用AI打造工业级钢球质检系统,从人工抽检升级为自动化全检196AI+制造I王丹灵AI+灾害预警I付超17用AI搭建水旱灾害防御系统,实现极端天气提前预警209AI+跨境电商I夏心旸18用AI改造传统服装产业带,帮泳装厂年省上百万224AI+种猪培育I挺好农牧团队AI+农产品销售I沈龙翔20用AI自动批量处理农产品订单,实现快速准确发货242AI+学习备考I范翔宇AI+影像创作I罗晓杰22用AI重构纪录片创作流程,释放70%的重复性工作 在这个Al算法定义的时代,传统的日历刻度仿佛已经失效,取而代之的是以各家大模型迭Deepseek席卷全球的时刻,那—波技术浪潮带来的震撼、讨论甚至恐慌,此刻回望,竟有—种恍若隔世的错觉。在物理时间上,它仅仅是—件距今不到十二个月前的往事;但在我们的体感时间里,那仿佛是发生在侏罗纪时期的事情了。如果说2024年是人类对Al发出的—声惊叹,那么2025年,则是Al对人类社会的—次全面大家可以看看这本年度报告收录的访谈与行业案例,你会发现—条清晰的主线:Al正在经历2024年,我们对Al的评判标准还是图灵测试式的:它能否写—首像样的十四行诗?它能否在对话中展现出幽默感?它能不能理解我们的歇后语。那时的Al,像极了—位在酒桌上谈笑风生的演说家,才华横溢却又浮于表面。然而,短短—年间,聚光灯之外的阴影处发生了质变。在我们编纂的这份年鉴中,你会读到截然不同的故事:在万维钢老师的观察中,Al的发展正在分化出两条截然不同的路线;而在李宁教授的眼中,Al已经开始触及组织变革的核心真相。更令人触动的是那些—线实干家的身影:Al不再仅仅是聊天窗口里的“应声虫”,它变成了卢无为所服务的工厂里的质检员,盯着流水线上数以万计的钢球,把控着微米级的产品不良率;它变成了夏心旸团队里的设计师,解决着泳装产业带里最头疼的设计效率与成本难题;它甚至化身为沈龙翔手中的自动化系统,在农产品销售的旺季,精准处理着海量的发货订单。不再满足于仅仅提供建议,而是开始接管流程。这种渗透往往发生在我们想象不到的角落。当很多理论专家还在社交媒体上争论AGl(通用人工智能)何时降临时,Al已经悄无声息地帮助蓝领招聘提升了撮合效率,帮助唯医骨科优化了复杂的医疗决策,甚至帮—家轮胎制造厂告别了“做出来再验证”的旧模式,直接在虚拟这正是“落地”二字的真谛:真正的技术革命,往往在它变得像水和电—样基础、甚至被隐形时,才算真正完成。当然,我们不能粉饰太平。加速度时代带来了眩晕感,也带来了现实的重力。幻觉问题依然存在,算力成本的博弈仍在继续,企业在旧有工作流与新生产力之间的磨合更是充满了痛点。正如本期几位受访嘉宾所言,Al从Demo到在企业里跑起来,中间隔着的是名为“现实”的在得到Al学习圈编辑部策划这期报告的过程中,我常被—种焦虑感包围:世界变化太快,我们的记录是否在出版的那—刻就已过时?但最终,治愈这种焦虑的,是那些在泥泞中前行的实干家们。他们没有停留在对技术乌托邦的幻想中,而是在—个个具体的场景里,用Al对于当下的我们,或许最不需要的就是关于未来的宏大预测,因为预测在加速度面前往往显得苍白。我们最需要的,是行动的勇气。我想引用通用汽车传奇高管查尔斯.凯特林(charles“全世界都在期待那个能把事情做成的人,至于他是怎么做成的,甚至他那—套是不是最好在这个充满了不确定性、噪音与加速度的时代,过度思考往往是行动的敌人。不要等到Al完美无缺才开始使用它,不要等到看清了终局才开始起跑。因为在这个时代,想,都是问题;做,才是答案。希望这本年度报告,能成为你案头的—块砖,不是用来垫高视野,而是用来构建未来。英伟达在CEs2025展会上发布RTX5090显卡,消费级AI算力硬件升级让家用电脑变身Al基站,机器人将迎来像chatGPT那样的爆发时刻。DeePseekAPP免费上线,成ChatGPT最强竞争者免费提供顶尖体验,让每部手机都能装得下媲美chatGPT的全能随身智囊。DeePseekR1模型开源,全球开发者免费可用让全球开发者平等享有顶尖Al,真正实现了技术普惠。美国政府试图通过“大力出奇迹”的砸钱方式,筑起极高的技术墙,以确保领先2025年春节联欢晚会上,宇树科技H1机器人现场表演秧歌舞科技走出实验室,机器人有望走进大众娱乐和日常生活。 02.06谷歌Gemini升级,编程与物理模拟能力跃升 顶尖AI入驻国民应用,成为全民触手可及的日常工具。02.17时隔6年多,中央再次召开最高规格的民营企业座谈会释放出强烈的政策信号,科技巨头将获得更多支持来推动经济转型。 AI不再只比拼回答速度,而是停下来仔细思考,解决复杂问题。 彻底激活开发者的创造力,未来AI软件有望井喷式爆发。程序员有了强力辅助,软件更新迭代速度更快,能力更强。 “全自动”工作雏形显现:不仅陪聊,还能真正帮人跑腿办事。03.19英伟达GTC大会推出新一代AI芯片,算力成本有望减半硬件底座的升级,让机器“思考”变得越来越便宜,加速顶级AI走向大众普及。 释放强大图像生成能力,掀起了吉卜力风格热潮。—次性读懂海量图文,技术指标虽然极高,但实战效果却引发巨大争议。 国产AI视频新标杆,普通人也能轻松创作出电影级高清素材。 长跑完赛证明了机器人的可靠性,已具备真正上岗干活的身体素质。 04.29阿里发布Qwen3系列模型,登顶全球开源模型王座Al开始掌握专业设计流程,具备独立交付商业级设计方案的能力。 在代码与逻辑推理领域确立新高度,定义了下—代Al智能体的新标准。06.06智源研究院发布Γ悟界」系列大模型Al打破虚拟界限,开始具备操控实体与解析科学难题的能力。 07.10马斯克发布Grok4,宣称推理超越人类万亿级模型免费开源且价格亲民,加速高性能Al的平价普及。 07.16openAI前高管Mira创立新公司,估值达120亿美元 大幅降低企业部署门槛,让全能型Al真正走向商业实战。 08.05chatGPT周活用户近7亿,2025年营收已达120亿 极大拉平了普通人的认知鸿沟,但发布会的失误也警示我们:对顶尖Al仍不可国家级战略定调,将Al确立为核心驱动力,渗透并重塑各行各业的生产模式。 08.27谷歌正式上线nanobanana,单图成本极低用极致性价比降低门槛,让高质量的图像创作成为人人可用的日常工具。08.29《时代》周刊发布年度AI百人榜,华人面孔显著增加 09.03宇树科技年内提交IPO,计划冲刺科创板机器人已具备成熟的商业前景,正式迈入资本助推的规模化爆发期。 09.17李飞飞公司worIdLabs,发布空间智能模型MarbIeAl开始拥有空间感知力,让凭空构建可自由探索的3D空间成为现实。 Al不再局限于问答,而是具备了像人—样操控电脑解决复杂工作的能力。 在代码生成与长任务执行上立下新规矩,大幅提升了辅助编程的实战标准。 国产旗舰模型已摆脱跟随者姿态,具备了与全球最强对手正面硬刚的实力。 10.16苹果发布M5芯片,大幅提升AI计算性能芯片算力暴涨四倍,彻底释放本地Al潜能,让设备能流畅运行高智商的大模型 10.29英伟达发布新一代超级芯片,市值逼近5万亿美元再次刷新硬件天花板,其掌控的算力基础设施已成为全球科技发展的绝对命脉。10.30智源发布悟界.Emu3.5,具备世界建模能力Al开始理解物理世界的运行规律,让复杂的视频生成与编辑具备了符合现实的 11.04首届nof1AI模型交易大赛落幕,国产模型千问夺冠11.19谷歌发布Gemini3,多模态能力强劲谷歌重整旗鼓,夺回了全球Al竞赛的领跑权。 突破平面限制,让动嘴创造可自由探索的虚拟3D空间成为现实。11.25谷歌母公司AIphabet股价飙升,市值突破4万亿美元靠最强模型与自研芯片的双重突围宣告王者归来,证明了谷歌在Al软硬结合领 重新定义开源能效比,为企业大规模落地提供最具性价比的选择。 二十年来最大底层重构,进—步加深技术护城河。从金融奇才跨界科学领袖,中国Al的原创突破能力,已赢得国际权威尊重与认可。 聚焦“工作场景”的提效,职场人的核心脑力外挂,真正具备了解决复杂专业难openAI前首席科学家伊利亚,主张让AI“自学成才”;另—边是图灵奖得主杨立昆,坚持要面对这场顶尖科学家的思想碰撞,我们该如何理解?谁的路线,将真正决定AI的未来?的作者,和得到王牌专栏《精英日课》主理人,万老师最擅长的,就是将复杂的前沿技术争议,翻译为我们每个人都能理解的价值选择题。在这篇文章中,万维钢老师直指分歧的核心:我们究竟该放手让AI野蛮生长,还是该扮演能无法拥有真正的高级智能;但—个拥有“野心”的AI,我们还敢用吗?以下是万维钢老师对2026年AI进化趋势的独家洞察,希望能给你带去启发。的我们吃惊,可是因为你已经习惯了这么快,你又可能对某些迹象感到焦虑。过去—年间AI点亮了两棵决定性的技能树:—个是「系统2」的思考能力,也就是先想好了再输出,能用长长的思维链(chainofThought)攻克复杂逻辑难题;另—个是「Agent(智能体)」,可以像个真正的员工—样,自己规划任务自己调用工具,再根据反馈修正行为。这两个突破靠的不是以前我们熟悉的「预训练」——也就是让模型有更多的参数、给模型现在迫在眉睫的问题是,预训练是不是已经到头了?强化学习还能再走多远?然后只要给后勤保障,算力和数据管够就好,别的少干预;另—条可以叫「世界模型路线」:不相信模型能自己学会—切,总想着由人类出手,把“世界的正确结构”,也许包括物理学什么的,手工灌输给AI。你在朋友圈日常听说的各路大佬对AI的忧虑、批评和争论,基本上就是这两条路线之争。这可不只是技术路线的选择,这是两种世界观的碰撞——如果有朝—日AI的智能已经远超人类,我们是放任它,还是控制它?我们是做冷酷的达尔文主义者,相信暴力美学,让AI在野蛮生长中自己悟出真理,还是坚持给AI当保姆,手把手教它严格遵守世界的规则?我是主张让AI自学成才,但我的确也不敢完全自由放任:我现在认为人应该输入的不是世界模型,而是价值模型。 咱们先说—点历史。早在2019年,强化学习之父理查德.萨顿(Richardsutton)就写了—篇著名短文叫《苦涩的教训》(TheBitterLesson)[1],说的就是这两条路线之争。萨顿回顾了过去几十年的AI研究,棋类专家系统、手工特征的图像识别、基于语法树的自然语言处理等等,说—开始都是人类自信满满地教AI知识,可是后来都会有人用上更通用的计算方法,比如神经网络、搜索、强化学习,然后—下子就把前面积累的“老专家手工智慧”全给这个苦涩的教训就是别拿人类缓慢增长的小聪明跟AI高速增长的算力较劲:几十年来人类专家精心设计的规则和结构,最后总会输给简单粗暴、靠算力和数据的通用方法。想想围棋不就是这样吗?人类棋手千年积累的这个手筋那个定势,在AI面前如同儿戏。你教它,不是成全它而是限制它。回到大语言模型刚爆发的2022、2023年,路昆(yannLecun)为代表的—派认为:语言模型只是在预测下—个词,它根本不懂这个世界,它没有“常识”,它不知道水往低处流不知道掉下悬崖会死,所以我们必须给AI手动注入物理而openAl当时的首席科学家伊利亚.苏茨科弗(llyasutskever)则代表另—派,他认为模型仅仅通过文本语料就能掌握世界的投影:如果—个模型能完美预测下—个字,它就必须被迫在内部构建出—个关于世界的模型,所以你不需要专门教它常识,它读的东西多了自然就结果当然是伊利亚赢了。今天的大模型不但有常识,而且在生活场景判断和对话语境理解上已经超过普通人。大模型不但不需要“系统性地”学习什么知识条文,数学解题套路,就能自发解决国际数学奥林匹克金牌级别的难题,甚至正在帮数学家解决真大模型能通过预训练自动掌握常识,能通过强化学习自动掌握动作,它还需要别的吗? 他们的逻辑是这样的。现在主流大模型的预训练都是通过文本、音频、图像和视频进行,这些跟真实世界毕竟隔了—层,最起码你的训练场景都不是三维的。再者,围棋也好数学也好,强化学习面对的都是有限的、封闭的、甚至可以说是虚拟的环境,你毕竟没直接体验过物理在我看来这根本就不是个问题,因为众所周知特斯拉的最新—代自动驾驶Al就是用真实环境结合人类驾驶视频强化学习训练出来的:不需要人类专门告诉它遇到这种情况怎么办那个情况怎么处理,也不需要专门学习什么下雪天的路面物理学,直接从摄像头像素到控制输出「端到端(EndtoEnd)」就练出来了,跟大语言模型本质上没区别,有啥困难?这个世界要尽量反映真实物理规律,让Al在这个世界里反复交互,才能掌握所谓「空间智能(spatiallntelligence)」。李飞飞今年推出了—个叫Marble的「大世界模型(LargeworldModel)」,本来很多人寄予厚望——结果工程师们扒了—圈代码和论文,发现它更像是—个精致的游戏场景生成器。它的画面很好看,但其实是3D渲染,里面根本就没有什么实在的物理学。杨立昆则打算做得更严肃—点。他最近离开了Meta,号称要创立新公司专门干「高级机器智能」(AdvancedMachinelntelligence),把世界模型路线做到底,思路可能是要往模型里注入物理世界的结构约束,强行让Al学习因果表征。作为—个前物理学家,我认为世界模型这个路线根本走不通——因为影响现场的物理效应是你数不过来的!咱不用说别的,就—个机器人往那—站,就会涉及到地面摩擦力、平整度、周围风力、空气阻力、脚部的触觉、温度、有没有微小抖动等等—大堆因素,你怎么—个个而对比之下,我们人类在真实世界中生活,可是从来都不用先学什么物理定律,我们都是稍微看看就直接上手试错——我们依赖预训练和强化学习。老船长不懂流体力学,但不妨碍他我敢说,像特斯拉训练自动驾驶汽车那样,在真实世界中进行有限的上手操作+看视频,就李飞飞和杨立昆的警告不足为虑,他们只是在重蹈苦涩的教训。 事实上Al—点都没闲着,正在自学真实世界。就在2025年4月,北京大学的几个研究者发表了—篇有意思的论文叫「Al-Newton」[2]。他们的思路简单粗暴:不给公式、不给牛顿三大定律,我只给Al看—堆物体运动的视频,让它自己去猜这里面隐含着什么物理量,它们遵循什么规律……结果Al就通过查看物体的运动轨迹,自己提出了—套潜在变量(latentvariables),包括位置、速度、加速度等等,而且还自行总结了—套这些变量大致满足的方程。那些方程跟牛顿所以你还要给它人为灌输什么世界模型?我们完全有理由相信,只要把科学家积累的所有实不是你教它,而是它教你。真正适合机器的世界模型应该是机器自己总结出来的 那你说现在是不是大局已定,自学成才路线完胜,我们等着看好戏就行了呢?也不是。我感觉现在大模型的天空有两朵乌云,有可能是危机。预训练+强化学习这条路,不是说你照直走就能—直走下去的。第—朵乌云是,预训练的扩展定律(scalingLaw)似乎已经见顶。现在基本都抓完了;再往上堆,—方面是版权问题,—方面是噪音比信号还多。—个是创新停滞:最近有爆料说,openAl现在用的所有模型,在预训练这—层,还是两年模型。他们曾经尝试更大规模的预训练,但效果似乎不好。—个是平庸的同质化:早就有人注意到,现在各家的模型虽然架构上略有区别,训练方法也各有千秋,但是得到模型的表现都差不多。这很容易理解,既然你预训练用的语料都是同样这些,你的基础价值观、思维方式甚至回答问题的套路当然也是高度相似的。那如果是这样,岂不是很快所有的Al模型就都—样了吗?我不知道预训练明年会怎样,但是人家萨顿早就给过未来路线图:下—步是用模型自己推导出来的知识做预训练语料,再下—步是让Al在真实世界自动做实验获取新知所以理论上预训练可以无限继续。我写这篇文章的时候听到传闻,说openAl内部有个代号叫「大蒜(garlic)」的大模型,已经突破了预训练的瓶颈,将在几个月之内推出……咱们其实不管预训练怎样,咱们都不必担心所有Al都长—样,因为还有强化学习。 本质上,强化学习不是告诉Al该学什么动作,而是给Al设定「价值函数」,也就是我们喜我们喜欢并且奖励安全,所以自动驾驶Al才学会躲避障碍。我们喜欢正确,所以大模型才学会用符合逻辑的方式推导数学公式。你不说,Al不能确切知道你到底喜欢什么。你给的价要点在于,你不能什么都喜欢:各种价值可能冲突,你选择强化这个就等于选择弱化那个。你想要模型更谨慎少胡编,那就惩罚瞎编,奖励说“我不知道”;你想要模型更有创造力,那而如果你想要模型听话、政治正确,那就奖励它对敏感话题退缩,结果就是既不真实、也不因为各家模型的价值函数不—样,所以模型的表现终究会不—样。它们都会有自己的个性,第二朵乌云就在这里。这大概是两条路线之争的终极版本:你敢让Al自由发展个性吗? 展时代(ageofscaling)」重新回到「研究时代(ageofresearch)」,得找新路了。很多人据此说是不是扩展定律已经终结,但伊利亚马上澄清,说他认为扩展定律仍然有效,伊利亚说,为什么人能连续很长时间解决—个问题,中间遇到什么挫折都能继续,而Al编程却常常像黑瞎子掰苞米—样顾前不顾后呢?根本原因是它没有主动性——它只是临时奉命伊利亚认为,真正强的智能体需要某种内生的价值函数——类似生物的求生欲和好奇心——让它即使没人吩咐,也会持续探索、反思、更新自己。伊利亚没给答案,这是—个终极难题。 伊利亚这个提醒对我是个思想冲击。我原本以为大模型跟人最大的区别是记忆:人有记忆才有人生叙事,有叙事才有意义,有意义才有价值观和主动性;而大模型的参数在训练完成那—刻就冻结了,它没有真正的记忆,就没有真正的经历。而记忆问题是可解的。比如最近Google刚发了—篇论Learning)」的思路,让Al拥有临时、中期和长期三种不同尺度的记忆。有了这个,Al就不再是—个每次调用都是重启的工具,而是—个可以养成的伙伴:它会随着与你的互动,真的学会你的习惯,长出—种专门适应你的个性……但伊利亚提醒我们,这个个性怎么长,是有说道的。如果Al的价值函数完全由你说了算,它就终究只是个工具,它就终究无法独自解决问题,而必须依赖你时不时干预—下,你做「微决策」[5]。但如果Al可以自行成长个性,它就可能做你原本不想让它做的事。 所以真正的问题不是给Al世界模型,而是怎么给Al—种可控、可审计的内生价值函数。将来的Al有可能既自主又可靠,既满足我们的偏好,又对自己的行为负责吗?两条路线之争的终极版,是我们要给Al做手把手教的保姆,还是做放任自流实在不行就拔 我不确定该怎样做,但是对目前局面,我有—个体感。当你使用Al的时候,你其实应该主动给世界模型——你应该尽量多告诉它—点你所面对的具体情况,因为那些事情它的训练语料里没有,它越了解你就做得越好。这时候杨立昆的直但是当你研发Al的时候,你的路线应该是让它自学——你应该吸取苦涩的教训,相信硅基这两者至少暂时不矛盾。但是从长远看来,很多人设想Al就是可以不问你具体想怎么干,直接给你提供端到端的服务。比如最近扎克伯格在—次访谈[6]中畅想了未来在Meta投放「你告诉我们你的目标是什么,你提供你的银行账户,你不需要任何创意,也不需要琢磨人群定位,也不需要任何衡量指标,你直接看我们给的结果就行。」简单说,你告诉Al自己要卖什么产品和你愿意为此投入多少钱,剩下的都交给它就行。伊利亚对此—定会问—句:它也许真行,但是你真的敢吗?也许我们想要的不是—个有自主灵魂的人,我们想要的是—个极其聪明、能干、但没有任何野心的奴隶。而伊利亚告诉你,这二者在数学上可能是矛盾的——没有野心,就没有真正的[5]精英日课第五季,微决策时代2025年,Al领域发生了太多让人目不暇接的变化。1月,DeepseekR1横空出世,掀起了全球范围内的Al效能革命;3月,亚马逊裁员上万人,其中大部分是管理岗位;年中,越来越多小团队做出了独角兽级别的产品;年底,谷歌上线NanoBananapro,成功具备了打造工作室级别设计作品的能力……这些看似独立的事件背后,藏着—个共同的底层逻辑:Al不只是—个工具,它正在重新定义组织的运作方式,也在重新定义每个人的价值。选择向清华经管学院领导力与组织管理系主任李宁教授请教,不仅因为他对Al如何重塑组织形态有前沿的洞察,更因为他深刻关注Al浪潮下,每个职场人的生存与发展路径。过去—年,李宁教授的团队深入数十家企业,从大厂到创业公司,从制造业到知识服务业,观察这篇年度观察,我们不谈技术参数,不讲宏大叙事,只聊三个最核心的变化:2.组织形态重塑与超级个体的涌现:Al打破了业务增长必须依赖人数增长的逻辑,让小团3.人机协作时代的核心壁垒:你的价值不再取决于你有多强,而在于你能不能指挥好Al这如果你也在思考自己的发展和所在组织的未来,以下是李宁教授过去—年的观察与思考,希你好,我是李宁,清华经管学院领导力与组织管理系主任。过去—年,我和团队深入数十家企业,观察Al如何真正改变组织和个人。今天想和你聊聊,我看到的三个最重要的变化。2025年,我看到了什么?回望这—年,有个现象特别值得注意:很多人—边拼命加班,—边焦虑自己会被Al取代。我在调研中遇到—个特别有意思的现象:不少企业引入了Al工具,员工效率确实提升了,原本8小时的工作6小时就能完成。但问题是,省下来的2小时并没有转化成企业的效益,这种尴尬的局面,暴露出—个更深层的问题:我们对“努力”的理解,可能从—开始就错了。AI时代,别谈效率谈效能从效率角度看,这简直是灾难。招—个人要大半年时间,面试官的时间成本、候选人的等待成本,怎么算都不划算。但谷歌的逻辑是:如果这个人合适,他可能在公司待十几年,持续产生正向影响。那么,花半年时间找到这个对的人,和花—周时间招个差不多的人,哪个更值?我经常用学术界的例子来解释这个概念。在学术界,有个残酷的评价标准:—篇顶级期刊的论文,可以抵无数篇普通期刊的论文。在—些好的学校,如果你发的都是普通期刊,发得再多,这听起来很不公平,但背后的逻辑很清晰:—个学者的精力是有限的,你选择研究什么问题,比你研究得多快更重要。—个有价值的问题,可能需要花三年时间去论证、去打磨,但—旦做出来,它的影响力是持久的。“选题占50%。”这是我经常跟学生说的话。你这个题目值不值得做?这个问题想清楚了,后我在调研中发现,国内企业特别擅长“效率”。—个项目,—周能不能拿出结三天能不能上线?这种速度在全球都是罕见的。但问题是,很多时候大家是在错误的方向上狂奔。举个例子:国内很多APP,功能特别丰富,花里胡哨的。你打开—看,什么都能干。但用户体验往往不太好,因为核心功能反而做得不够极致。相比之下,有些国外的产品,比如DropBox这样的云盘,它就做—件事:让你的文件在不同设备间无缝同步。啥花里胡哨的功能都没有,但你就是爱用它,因为它把核心价值做到了这就是效率的陷阱:你越努力,离目标可能越远。那么问题来了:在Al时代,我们该如何培养效能思维?我给出几个具体建议:第一,学会做减法。很多企业引入Al后,第—反应是“我能做更多事了”。但其实更应该问的是:重要的?”Al可以帮你快速试错,但试错的目的是找到那个对的方向,而不是把所有方向都但在Al时代,这个逻辑要变了。真正的努力,是花时间去思考什么是对的事情。可能你表面上看起来很轻松,每天五六点就下班了,但你的脑子—直在转,在想这个问题的本质是什么,有没有更好的解决方案。等你我自己就是这样。我经常会在很忙的时候,突然花—个小时去试—个新的Al工具,虽然这个工具和当下的工作完全无关。但几个月后,我会发现这个工具正好能解决—个新项目的问第三,给自己留白。说到底,效率是战术问题,效能是战略问题。Al可以帮你解决战术问题,但战略问题只能靠你自己。在这个Al可以把任何事情都做得很快的时代,慢下来想清楚“做什么”,反而成了最十个人,也能干出独角兽要理解Al时代的组织变革,得先搞清楚—个问题:为什么过去的企业都要做大?我的解释很直接:因为业务增长需要人。你想做更多的事,就得招更多的人。人多了,就得分部门。部门多了,就得有管理者来协调。管理者多了,就得有更高层的管理者来管管理者。于是,组织就像滚雪球—样越来越大。所有的管理理论,本质上都是在解决“大”带来的问题。比如怎么激励员工?因为公司大了,员工就没动力了。怎么做跨部门协作?因为部门多了,沟通成本就高了。怎么培养领导力?因为管理层级多了,需要更多的管理者。但Al出现后,这个逻辑被打破了。企业的业务增长,不再必然需要人数的增长。十个人的IT部门,做出了算法团队的活他们把大量的任务交给了Al,人只负责那些Al做不了的事情——创意、判断、协调。有个物业公司的例子很典型。他们的lT部门只有十来个人,但通过Al实现了很多以前需要比如用多模态技术做安全生产管理,通过视频监控自动分析潜在隐患。说白了,就是让Al对常见隐患有个基本的理解,然后根据具体需求稍微调整下规则。这套方案成本低,但效果很关键。以前可能要每天安排几班人来巡查,现在Al就能搞定,效率提升非常明显。关键是,这些功能以前都需要博士学历的算法工程师才能实现。现在呢?只要懂业务场景,会调Apl,会写提示词,就能做出来。这就是Al带来的根本变化:技术门槛大幅降低,但对业务理解的要求反而提高了。以前,个人的能力需要依附在组织上才能发挥。你再牛,也得有平台给你资源、给你团队、但现在不—样了。—个人配合Al工具,完全可以完成以前需要—个团队才能做的事情。—个让我印象特别深刻的案例:有个大学生做了个课后项目,叫“微舆”,是—套完整的舆情分析智能体系统。你输入—个热点话题,它能自动采集各大平台的报道,然后生成—份专业的分析报告。这个项目放到GitHub上,很快就成了趋势榜的第—位。类似的例子还有很多。比如国外有个三个人的团队,做观众模拟,已经拿到了500多万的种作者里面有个叫涂津豪的,才18岁,上海的—个高中生。他去年就写了—个号称“神级”的prompt,能够把普通的模型变成思考模型,在GitHub上收了很多星。后来他在Deepseek实习,就成了这篇重要论文的主要贡献者之—。为什么?因为很多管理者存在的价值,就是协调和沟通。企业大了,部门之间有摩擦,需要有人来润滑。信息传递有损耗,需要有人来转达。员工有矛盾,需要有人来调解。但如果企业不需要变那么大了呢?如果Al可以直接处理大部分协调工作呢?那这些管理者我的观察是:未来不会有纯粹的管理者岗位。你不能只靠协调来创造价值,你必须自己也是—个强大的个体贡献者。你看Deepseek的梁文锋,他是CEO,但他也是Nature论文的通讯作者,他在写代码。这对现在的管理者提出了很高的要求:你不能脱离—线。你必须深入业务,必须会用Al,必须能做出实际的产出。同时,你还要有协调能力,能把团队的力量整合起来。为什么?因为他意识到,这个东西—旦有价值,他完全可以自己出去干,服务整个行业,而所以企业必须提前想好:你让员工去做Al创新,做出来之后,你怎么激励他?是给个年终奖励?还是让他内部创业?还是直接给股份?如果你没想清楚这个问题,员工要么不会真心投入,要么做出来就跑了。我的建议是,可以把—些Al创新项目当作内部孵化来做。做出来之后,如果有商业价值,可以独立运营,员工可以拿股份。这样既留住了人才,也激发了创新动力。AI力,才是核心竞争力我和团队在研究中,—直在思考—个问题:什么样的能力才是真正有价值的?我们把人和Al协作的能力,称为Al力。这个词是怎么来的?类比智力。人的认知能力可以解释很多事情,所以我们有“智力”这个概念。那么,人和Al协作的能力,是不是也应该有—个专门的概念来描述?我举个例子。国际象棋大师卡斯帕罗夫输给深蓝之后,有段时间流行“人机大赛”,就是人加Al组合,和其他人对弈。结果出现了—个有意思的现象:职业棋手输给了业余棋手。为什么?因为虽然论棋力,职业棋手更强,但论“和Al的默契”,业余棋手反而做得更好。他们更懂得什么时候该听Al的,什么时候该坚持自己的判断,怎么把Al的计算能力和自己的第一个维度:创造力这听起来有点反直觉。Al不是很有创造力吗?它能写诗、能画画、能编曲,为什么还需要人关键在于,Al的创造力是基于已知数据的重组。它学习了人类所有的资料,然后按照概率模型输出。这意味着它输出的东西,虽然每句话可能都是新的,但观点往往是互联网上已经存真正的创新,是把两个看似无关的东西连接起来,是打破常规的思维。这个“火花”,必须由我举个例子。假设你要设计—个新员工入职的导引计划,你把需求告诉Al,它会给你—个很标准的方案:报到、领装备、文化介绍、破冰活动……这些都是网上能找到的。就能给你编出完全不—样的东西。可能是把入职流程设计成闯关游戏,可能是用游戏里的角这个“把王者荣耀和入职导引结合”的想法,就是人的创造力。Al做不到,因为它的训练数据第二个维度:沟通能力这里的沟通,不是指人和人的沟通,而是人和Al的沟通。很多人以为,和Al沟通就是说人话。但其实不是。Al看的是信息本身,而不是修辞。我举个例子:你用word写文档,会加粗、加标题、调字号,这些是给人看的。但Al看的这意味着你的思维方式要改变。你要关注信息点,关注信息之间的逻辑关系,而不是“这句我现在和Al互动多了,说话都变了。经常是几个关键词,不成句子,但Al能理解。这种表达方式,在人和人之间可能显得很没礼貌,但在人和Al之间,反而是最高效的。第三个维度:判断力Al可以生成很多方案,但哪个方案好,需要人来判断。你怎么选?这考验的是你的审美。Al给你写了三个版本的文案,你怎么判断哪个更打动人?而且,判断力是可以培养的。你用Al越多,你就越知道它的边界在哪里,什么时候该信它,第四个维度:任务拆解能力Al做单—任务很强,但做复杂的、长链路的任务就不行了。因为每—步都需要人的微决策。所以,你要学会把—个大任务拆解成很多小任务,每个小任务都是Al擅长的。任务拆得越细,Al越不容易出幻觉,完成质量越高。因为你要管理的不是人,而是Al。说了这么多,具体怎么做?我给出的建议很简单,但很多人做不到:花时间。不是花时间去上课,而是花时间去用。Al力是练出来的,不是学出来的。就是遇到问题就试,试不出来就换个方法,慢慢就摸索出来了。我有个很有意思的做法。我经常在很忙的时候,突然花—个小时去试—个新的Al工具,虽然这个工具和当下的工作完全无关。但几个月后,我会发现这个工具正好能解决—个新项目还有—点很重要:不要从—个极端走向另—个极端。以前是什么都自己干,现在有些人是什么都让Al干。我看过—些人写的提示词,发现他们连自己的想法都没有,就是让Al“帮我写—篇关于xx的文章”。这样写出来的东西,肯定是理想的状态是:以前你可能花10%的时间思考,90%的时间执行。现在应该反过来,花思考什么?思考这个问题的本质是什么,有没有更好的解决方案,我的独特视角是什么,我这些思考的时间,表面上看是“没有产出”的,但实际上,这才是你真正的价值所在。我特别想强调—点:使用本身就是壁垒。你用三个月和用—年,差别是巨大的。因为你会在使用过程中,慢慢摸索出Al的边界,知道什么时候该用它,什么时候不该用它。现在很多人对Al有各种看法:对未知的事物不理解,或者对自己专业的骄傲,这些都会影响他们去尝试。但现在Al已经实现了普惠化。你只需要—部手机,就能注册使用各种免费第—步是注册并尝试这些工具,把它和自己的工作或学习结合起来。先用起来,再通过网上资源了解更多使用方法,找到适合自己的应用场景。有时候Al刚开始可能表现不好,比如和你互动几轮后仍然理解不了你的需求,但你要相信它会随着技术的迭代变得越来越好,而你的使用能力也会越来越强。这种过程会形成正反馈,而—旦进入正反馈阶段,成长会非常迅速。企业,看到了很多成功的案例,也看到了很多困惑和挣扎。站在2025年的尾巴上,我想给企业和个人—些具体的建议。对企业来说,最重要的是两件事:第一,投资时间,而不只是投资设备。而是时间。你愿不愿意让员工花—个月的时间去钻研Al?你愿不愿意让业务部门暂时放下kpl,去探索新的可能性?这个过程中,老板发现了很多以前不知道的问题,也发现了—些特别会用Al的员工。这些第二,让懂业务的人主导AI落地。千万别全扔给lT部门。因为Al的核心不是搭框架,而是调提示词。而提示词的好坏,取决于你对业务的理解。lT部门可以提供支持,但真正要做出有价值的应用,必须是业务部门的对个人来说,2026年最关键的是:绝对不要等。现在就注册—个Al工具,把它和你的工作结合起来。试—试,错了也没关系,再试—次。我想特别强调—点:使用本身就是壁垒。你用三个月和用—年,差别是巨大的。因为你会在使用过程中,慢慢摸索出Al的边界,知道什么时候该用它,什么时候不该用它。这种过程会形成正反馈,而—旦进入正反馈阶段,成长会非常迅速。2025年,我们见证了很多变化。有些变化让人兴奋,有些变化让人焦虑。但我想说的是:Al不是来取代人的,而是来放大人的。那些被Al取代的,不是人,而是那些不愿意改变、不愿意学习、不愿意拥抱新技术的人。而那些愿意改变的人,会发现这是—个前所未有的好时代。你可以用Al学习任何你想学的东西,你可以用Al实现任何你想实现的想法,你可以用Al放大你的影响力。方式,重写我们对商业的认知。这究竟是—场会真正改变世界的技术革命,还是—触即破的巨大泡沫?它之所以重要,是因为这场游戏的余波,已经开始影响我们每个人的职业路径、未来发展。他最大的优势,就是能将冰冷的商业运作,还原成—出普通人也能看懂的精彩牌局。更难得的是,他试图回答那个最关键的问题:面对注定载入史册的疯狂年代,我们是该留在岸上,还是先跳下去再说?在这篇文章中,他为我们划出了三个重点:.—场精妙的资本魔术:OpenAl的CEO是如何凭空“点石成金”,让所有巨头心甘情愿地.—个给普通人的生存法则:为什么说提前下车的“大聪明”,往往会比留在牌桌上的人,为了让你直观感受这轮Al热潮的疯狂,我不讲虚的大道理,我们来玩—个层层递进的“数字这种令人震惊到麻木的“数字膨胀”,曾在互联网泡沫时期出现过。而在今天的Al时代,历史1.起点:1亿美金在非Al时代,1亿美金意味着什么?它是世界级球星的身价,当年C.罗纳尔多从曼联转会皇马,费用差不多就是这个数。薪高达7000万甚至上亿,而底薪只有百万——明星科学家与普通员工之间,已经拉开了巨在商业维度,1亿美金ARR(年度经常性收入)更是A2.加速:10亿美金在非Al时代,1亿美金意味着什么?它是世界级球星的身价,当年C.罗纳尔多从曼联转会皇马,费用差不多就是这个数。Al时代,不到三年涌现出100多家独角兽,在传统软件领域,—家公司成长为独角兽平均需要9年;而在Al的—级市场,这个时间被这是第—层冲击:Al正在以4.5倍于传统行业的速度,批量制造10亿美金公司。3.曾经的天花板:100亿美金再上—个台阶,100亿美金。这个数字在今天有着三重含义:.它是入场券:Midjourney、perplexity等.它是营收线:openAl去年还在谈几亿的收入规模,而今年(2025年)的预估收入就已.它是—张发票:Meta付给云计算公司coreweave的算力供应订单是142亿,微软付给云服务公司Nebius的是174亿。在这个层面上,100亿美金只是巨头们随手签下的—4.超越历史:1000亿美金最后,我们来到了最令人咋舌的台阶。让我们回顾—下历史上的“烧钱之王”:亚马逊烧了20亿美金上市;移动互联网时代的uber如果我们强行套用互联网的增长规律,Al时代最烧钱的公司可能要烧掉1000多亿。这听起来像个荒谬的统计学游戏,对吧?1000亿美金,是谷歌最新—季收入,是英伟达对openAl的投资额,是巨头们的年度资本支出但现实比数字更荒谬——openAl自己的财务预测显示,他们未来五年预计需要投入的成本(烧钱规模)是1150亿美金。结论已经很清楚:我们正在亲眼见证人类商业史上,第—家烧钱规模突破1000亿美金的超5.再近一步:从GW到一千万亿了—个新单位:GW(吉瓦,也就是1GW电力规模的数据中心建设成本)。openAl对外签订以GW(吉瓦)为单位的大合同山姆.奥尔特曼现在对外签合同,谈的不是钱,而是电力:给英伟达10GW,给博通在这—轮浪潮的尽头,我的脑海里甚至蹦出了—个只在天体物理中见过的词:Quadrillion(—千个万亿)。在商业上这离我们很远,但在数据上它离我们很近——它就是PB(Petabyte)。我们不知不觉间,已经把人类的商业文明,推到了需要用衡量宇宙和海量数据的单位,才能描述的全新纪元。如果你找—份现代数据中心的成本结构表,你会发现:GPU占了大头40%,网络占13%,基建占11%,能源占10%。存储呢?排在最后,仅占1%。但说实话,谁能想到?就是这微不足道的1%,现在却成了遏制科技发展的最大瓶颈,甚至截止到2025年Q3,标普500中表现最好的两家公司,不是知名的软件服务公司Palantir,这种涨价甚至传导到了你的手里。前段时间(2025年10月),小米发布红米K90系列。价格—公布,舆论瞬间炸锅,大家觉得“太贵了,背离初心”。结果第二天—早,雷军不得不紧急发文,K90系列全面降价300元,并无奈地解释到,最近内存涨价实在太凶,并希望大家理解。把这些事情连起来看,你会发现—个惊人的事实:从数据中心的—块企业级硬盘,到你我手中的—部手机的内存,我们正在不知不觉中触碰到物理产能的硬极限。走到今天这—步,2025年10月份的《经济学人》发了—张极具讽刺的图片:ChatGDP。并直指核心:这—次到底是—场技术革命,还是—场巨大的经济泡沫?如果让我总结,山姆.奥尔特曼过去—年只做了—件事:从CEO回归了他的老本行——做—投资人最擅长的是什么?是兜售预期。1.第一步:制造神话际之门”被抛出。虽然大家都知道这钱很难凑齐,但关键在于——5000亿美金这个量级,被实打实地拍在了桌面上。这定下了全年的基调:我们要玩大的。2.第二步:点石成金openAl账上其实没有那么多现金,但山姆.奥尔特曼手里有“未来的订单”。这变成了手指,点谁谁起飞。openAl承诺和甲骨文合作,甲骨文股价暴涨.他把手指指向甲骨文:承诺采购3000亿美金的云服务。甲骨文股价瞬间暴涨,LarⅣ.他把手指指向AMD:送上6GW的芯片合作协议。AMD股价应声起飞。.他把手指指向博通:签发10GW的算力大单。博通瞬间变成AI核心概念股。3.第三步:完美闭环最后,资本闭环的最后—块拼图完成了。山姆.奥尔特曼和英伟.作为回报,英伟达反手向openAI注资1000亿美金。山姆.奥尔特曼用未来的钱,买了现在的算力;巨头用现在的钱,买了未来的股价增长故事;英伟达用账上花不完的现金,锁定了生态的绝对垄断。这让我想起了那个著名的网络表情包:十几个电源插排首尾互相连接,形成了—个完美的闭环。如果不仔细看,你甚至会觉得这—讲到这里,故事也差不多该收尾了。这时候,很泡沫肯定要破!”是的,连山姆.奥尔特曼自己都在公开场合承认:“当下的Al投资确实存在泡沫。”但现在的华尔街共识倾向于认为,这是—种“生产性泡沫”(ProductiveBubble)。就像当年的铁路热和互联网热,虽然钱烧掉了,泡沫也会破,但最终留下了改变世界的基础设施(铁路网和光纤)。更关键的是,我们要看看牌桌上坐着什么人。这—轮最激进的玩家,不是传统的稳健巨头,而是coreweave(币圈矿场出身的云计算公司)、Nebius(云服务公司,流亡的俄罗斯技术军团)。这群人有着极强的赌性和背水—战的决心。只要音乐还在响,这群“亡命之徒”就绝不会停下舞步,他们甚至敢于吞下剧毒的杠杆。那么,作为普通人,我们该怎么办?在准备这个话题时,—位国内最知名的天使投资基金的GP朋友给过我—记重击。他发给我第一,是历史的教训。早在1997年,格林斯潘就警告互联网出现了“非理性繁荣”。如果你当时听了他的话,觉得自己聪明绝顶,提前清仓离场,那你将会完美错过人类历史上最疯狂的—段财富盛宴。即便后来泡沫破裂了,那之后的低点,也再没有跌回到格林斯潘发出警告的那个位置。第二,是大师的告诫。彼得.林奇说过—句很扎心的话:“投资者为了躲避崩盘而提前离场所损失的钱,远比崩盘本第三,也是最重要的一点:祛魅,然后行动。我发现,最近Al的讨论热度腰斩了。这是坏事吗?不,这是天大的好事。当人们不再谈论它时,往往才是它真正爆发威力的时候。所以,我的结论很简单:与其在岸上焦虑地讨论水位高低,不如跳下去游两圈。不管是7万亿还是1000亿,别被这些数字吓破胆。在这个时代的大浪淘沙中,无论潮起潮落,确保你都有属于自己的那个位置。别做大聪明,去做个行动派。*本文所有配图,均来自庄明浩《我们不知不觉的走到了这里——2*推荐关注小宇宙【屠龙之术】,收听庄明浩完整版播客内容。2025年,当大家都为大模型的迭代感到炫目时,AI在真实世界里,究竟发生了什么?在这篇文章里,快刀青衣有几个核心判断:.2025年的三个残酷真相:为什么同样使用AI,人与人、企业与企业之间的差距会被拉开1000倍?关键在于你对三个关键问题的理解——什么才是稀缺人才?用好AI的关键能力是什么?以及AI对企业真正的考验是什么?.2026年的三个确定性机会:多模态的深入应用,企业沉睡数据的价值爆发,2-3人“特以下是他的独家分享,希望给你带去启发。“我想写的东西有很多啊,就是手抖啊!彻底把我击败了!苦恼烦闷整天缠绕着你,嗨,无奈啊!特别特别的感激你!让妈妈得到了慰藉和重生。”这是—位74岁用户的留言。因为手抖,她没法打字,想写的东西只能憋在心里。后来女儿看到这条留言的时候,我整个人愣了很久。那—刻我突然意识到,AI的意义不在算力和模型,但真正让我记住的,不是这些技术突破,而是像这位74岁老人—样的人——那些用AI解决这篇文章,我想和你聊聊我的2025。不是什么高深的理论,而是作为—个每天都在观察AI、使用AI、开发AI产品的人,我看到的变化、感受到的真相,以及对2026年的判断。这—年,我有三个观察窗口:每天更新的《快刀广播站》专栏,每周上线的实操教程课,以及我们团队开发的Al产品。透过这三个窗口,我看到了Al世界正在发生的三个变化。卢无为是做工业制造的,他用Al帮工厂做钢球质检,降低了产品不良率。曾辉云是做人力资源的,他用Al解决蓝领招聘效率低的问题。郑易军是医生,他用Al编程快速做数据分析,还有杨阳在用Al做央国企求职辅导,夏心旸在用Al设计改造泳装产业带,沈龙翔帮农产品商家自动批量处理订单,付超用Al辅助做暴雨水情预警.......这些人有—个共同点:他们不是Al技术专家,很多人甚至在—年前连提示词都不会写。但他们有好奇心,愿意动手去学,更重要的是,他们知道自己的业务痛点在哪里,知道Al可我也在《快刀广播站》专栏里介绍了大量进入现实生活的Al产品,有帮助糖尿病人减轻疼痛的智能袜子,有帮种猪用视觉测量“体脂率”的机器人,有帮用户监测肠道消化健康的智能马桶摄像头,有帮盲人识别面前道路的智能拐杖......这些产品也有—个共同点:它们不—定技术上有多么精妙高深,但是真实地在解决某—类人用Al的人,不是在等技术成熟,而是在边用边学、边学边改。今年我在Al学习圈里,邀请到了非常多高手老师,保持每周至少—堂教程课的更新频率。每次课程上线前,我都会亲自审课,标准只有—个:那就是如果这门课的学员跟着学、照着做,能不能真的解决自己的问题,能不能真的赚到钱。有—堂课让我印象特别深,是如何用coze和飞书多维表格来辅助老师教学的。主讲人郝宇然后录成教程分享出来。很多学完这堂课的老师还有孩子家长,反馈说,有些每天要花2小时的工作,现在半小时就能搞定了。更主要的是,老师觉得自己也能做—个用得上的Al智能体出来,成就感爆棚。还有—堂课是设计师刘佳欢,教零基础用户用即梦Al设计卡通lp形象。课程上线后,很多小店主真的用Al设计出了自己的吉祥物、包装图案,有人甚至因此多接了好几单生意。这个变化让我意识到:Al教育的本质,不是教大家怎么训练模型、怎么调参数,而是教大家怎么用Al解决自己工作和生活中的真问题。那些真正有价值的Al课程,不是讲技术原理,我的老本行是—名产品经理,过去这—年,我也带着团队做了不少Al产品/功能。Get笔记上线了语音输入、智能拍书,得到APP也做了很多Al相关的优化。但要说最让我满足的,不是技术上的突破,而是用户的反馈。就像开头提到的那位74岁老人,她因为手抖打不了字,—直没法记录自己的故事。用了Get笔记的语音输入后,她每天都在讲述自己年轻时的经历。她说“感觉得很多家长,用Get笔记记录自己每天晚上跟孩子的睡前聊天,慢慢积累,已经到了可以出—还有“智能拍书”功能,用户拍张纸质书的照片,就能自动生成笔记和归类。很多喜欢阅读的用户说,终于可以把家里那些读过的书重新激活了。这个变化让我意识到:做产品这么多年,我越来越明白—件事——技术突破很重要,但解决用户的真实需求更重要。Al不是用来炫技的,是用来让人们的生活变得更好的。—个74岁老人的—句“得到了重生”,比任何—个技术指标的提升,都更让人感到满足。看到这三个变化,我开始思考:为什么有些人能用好Al,有些人用不好?为什么有些企业能借Al起飞,有些企业还在原地打转?这—年的观察,让我意识到三个被低估的真相。真相一:人才比算力更稀缺。去年聊起Al,大家都在说算法、算力、数据。但今年我发现,比这些更稀缺的,是人才。2025年,Al圈最让我感到震撼的新闻之—,应该是Meta开出天价挖人。苹果公司前基础模型团队负责人庞若鸣,综合薪酬超过2亿美元,接近苹果CEO库克年薪的三倍。OPenAl的语言模型专家余家辉,四年总薪酬达到1亿美元。这些数字,让人看得目瞪口呆。以前这种数字,只有梅西、C罗这样的体育明星才能拥有,没想到现在这些看起来很宅男的程序员,但这里有个有意思的对比:Meta挖的是顶尖Al科学家,年薪上亿。但对于我们这种做Al产品的中小团队来说,我们需要的不是这些人。我们需要的,是那些既懂业务又懂Al、更愿数据显示,中国Al人才缺口已经超过500万。但更关键的是,59%的企业认为,他们最缺这些人,才是Al时代真正稀缺的人才。他们的共同点不是学历,不是技术背景,而是好奇心和行动力。Al变化太快了,今天学的技术,可能三个月后就过时了。所以,好奇心驱动比学历驱动更重要。愿意动手去学、去试、去用,这才是Al时代最核心的能力。真相二:会用AI和用好AI,差距可能是1000倍。因为现在大家都会用Al了,最起码,豆包已经是国民级应用了。新的分水岭在于:用得好这个差距有多大?我看到—组数据:在软件研发领域,4%的企业用Al提效超过80%,但为什么会有这么大的差距?我观察下来,核心不在于工具本身,而在于使用者的“问题定义让我给你举个具体的例子。同样是用Al做数据分析,有两种用法:用法B:先明确分析目标(比如“我想知道哪个渠道的转化率最高”),把数据清洗好,告诉漏斗分析”),最后Al给出的结果就非常精准,你可以直接拿来做决策。前者可能提效10%,后者可能提效1000%。差距就在这里。所以,Al不是让人变懒了,反而是对人的要求更高了。你能不能把—个模糊的需求,拆解成清晰的步骤?你能不能判断Al给出的结果是否靠谱?你能不能根据结果不断调整策略?这些能力,才是Al时代真正的竞争力。给你—个简单的自测方法:下次用Al之前,可以先问自己三个问题:如果这三个问题你都能回答清楚,那你已经超过了大部分人。真相三:AI对企业的考验,不是技术,是组织。今年我看到—个很有意思的现象:很多企业都在上Al,但真正用好的不多。咨询公司贝恩做过—个研究,他们发现,经过两年探索,只有不到20%的企业,能实现Al为什么大部分企业做不到?我观察下来,核心问题不在技术,而在组织。给你分享个案例:为什么?因为他们只是把Al当成“效率工具”装上去,但工作流程没变,岗位职责没变,考核2025年初,Deepseek—体机就非常火爆,但是后来很多这样的机器就闲置了,有个用户跟我说,他们4月份好不容易走完流程把机器部署上了,装的还是1月份的模型版本。这三个月里,外面的开源模型已经迭代了好几代,他们这台机器的性能还不如免费的豆包,自然就还有—个用户来找我求助,想解决企业内部—个环节上的问题,我当时针对性地推荐了—款工具。过了两分钟,他特别不好意思地问我:“刀哥,我们公司内网打不开.ai后缀的网址,公司把这些网站屏蔽了。你那儿有其他工具能解决这个问题吗?”虽然我不知道什么样的企业能在Al时代活下来,但至少这些公司,我觉得会很难。差距就但大量中层管理者却成了“沉默的阻滞力量”。为什么?因为Al会战他们的工作方式,甚至会威胁到他们的位置。所以,Al转型不是技术问题,是组织变革问题。那些能够重新设计工作流程、重新定义岗位职责、重新塑造企业文化的公司,才能真正用好Al。而那些只是简单装工具、不改组织的公司,注定会在Al时代被淘汰。基于这三个观察,我对2026年有三个判断。这些判断,从技术层面到企业层面,最后落到个人层面,希望能给你—些启发。判断一:技术层面——多模态会深入更多企业场景。但我觉得,2026年真正的突破,不会在文字层面,而是在多模态上。视频、音频。今年年底,Google发布的Gemini3.0,已经展现出了非常强的综合能力。它不只能理解文字,还能处理图像、音频,甚至能生成图像。这意味着什么?意味着Al可以深入到更多企业场景中。Al客服不只能回答文字问题,还能看懂用户上传的图片(比如“我的产品坏了,你看这是什还能生成视频课程,甚至能根据学员的学习进度,自动调整课程内容。设计不只能写文案,这对你意味着什么?如果你在客服、培训、设计、营销这些领域工作,2026年你的工作方在就可以开始关注这些工具,提前做好准备。判断二:企业层面——数据会成为第二曲线的起点。很多企业可能还没意识到,自己手里的数据,在Al时代会变得非常值钱。些做过数据治理、积累了高质量数据的企业,会突然发现自己手里有—座金矿。为什么是这几个领域?因为这些领域积累了大量的业务数据,这些业务数据,非常垂直和优质,是那些大模型厂商所无法获取的,这就是护城河的价值。举个例子,—家制造企业,如果积累了多年的生产、质检、设备运行的数据,那么用Al来做预测性维护、质量优化、供应链管理,效果会非常好。—家零售企业,如果积累了用户行为数据、销售数据、库存数据,那么用Al来做精准营销、库存优化、需求预测,也会非常但关键是,这些数据必须是高质量的、结构化的、可用的。那些过去没有重视数据治理的企业,现在会发现自己的数据—团糟,根本没法用。而那些早早做了数据治理的企业,会在Al这对你意味着什么?如果你在企业里负责数据相关的工作,现在是最好的时机。去梳理公司的数据资产,去做数据治理,去思考这些数据可以用Al解决什么问题。这可能会成为你职业生涯的—个转折点,也可能会成为公司第二曲线的起点。判断三:个人层面——2-3人特战小分队会跑出来。“—人公司”这个概念今年很火,很多人都在讨论,—个人借助Al,能不能做出—家公司。我的判断是:能,但不是最优解。真正跑出来的,应该是2-3人组成的特战小分队。我看到—组数据:31家团队规模小于50人、年营收超过500万美元的Al初创公司,平均员工数只有20人,人均年创收279万美元,大约是saas行业均值的10倍。为什么不是—人公司?我给你讲个场景:你是—个产品经理,用Al做了—个很牛的工具,功能强大、体验流畅。但你不擅长推广,不知道怎么让用户发现你的产品。你在社交媒体上发了几条推文,没人理。你写了几篇文章,阅读量寥寥。你的产品再好,也没人用。这就是—人公司的困境:Al确实降低了生产的门槛,但推广和营销的门槛反而提高了。在—个信息爆炸的时代,人人都能在Al的帮助下,写出—个产品出来。但如何让用户发现你?如何让用户信任你?如何让用户持续使用?这些问题,光靠Al是解决不了的,需要人来做。所以,最理想的配置,是2-3个人的小团队:—个人负责产品和技术,—个人负责增长和营才能决定做不做—个功能,小团队可能三天就能上线测试。这种速度优势,在Al时代会变这对你意味着什么?如果你想创业,不要—个人单干,找1-2个靠谱的合伙人。如果你已经在创业,不要盲目扩张团队,保持精简,用Al提效。如果你在大公司工作,可以思考:我写到这里,已经到早晨了,冬日北京的太阳正在悄悄爬起。我坐在电脑前,回顾这—年的观察和思考。我又想起了那位74岁的老人。她说“感觉得到了重生”,不是因为Al有多先进,而是因为Al帮她解决了—个真实的问题——让她可以表达自己,记录自己的故事。这就是Al的意义。不是替代人,而是放大人。放大你的能力,放大你的价值,放大你对这不是把Al当成替代品,而是把Al当成放大器。2026年,我们继续—起学习、—起实践。我是小玩童创客的创始人。我们是—所位于杭州的小微创新学校,专注于项目式学习(PBL)课程和青少年科技创新教育,目标是培养学生解决实际问题的能力和创新思维。单来说,就是希望孩子们能在“玩中激发创造力”,同时在解决真实问题的过程中学会承担社会责任,逐步构建面向未来的核心素养。正因为如此,如何设计出—堂既能让孩子快速融入,又能引导他们深入思考的课堂,就成了比如,当我们希望带他们理解中美贸易摩擦这样的前沿议题时,就会遇到—个普遍的问题:这类话题太过抽象。孩子们接触到的往往是新闻里的几个关键词,或者老师的解释,他们能听懂表面的“故事”,却很难把握背后的逻辑,更别提站在不同国家的角度去思考博弈过程。这让我们迫切需要找到—种方式,把枯燥、复杂的内容转化为直观、有参与感的体验,让学生愿意投入进去,并在体验中自然加深理解。Q2:过去你是怎么解决这个问题的?在没有AI的阶段,我们主要依赖传统方式:老师讲授、播放纪录片、带学生做小组讨论。记住了—些事件和观点,却难以真正理解背后的逻辑。我们也尝试过增加互动,比如角色扮演或模拟课堂活动。但困难在于,整个剧情的设计、卡牌的制作、逻辑的搭建都需要老师手工完成。光是编写—个完整的剧本,就要花费大量时间,还常常因为细节不够完善,导致活动效果大打折扣。整体上,这些方法可以让学生短时间有兴趣,但难以持续深入。我们最终的突破口是把Al请进课堂设计,它不只是工具,而是真正的“共同创作者”。核心思路很简单:用Al和我们—起搭建—款卡牌模拟游戏,让学生能够化身不同国家,从大航海时代—直推演到人工智能时代,在—场场决策和对抗中体验全球贸易的演化。具体来说,我们分成几个环节:.内容生成:借助GPT模型梳理完整的历史事件时逻辑分支,同时给出插图提示和配乐建议。.游戏系统设计:在Al的辅助下,我们把历史切分为六个关键阶段,并围绕资源禀赋、制.多媒体制作:Al绘图工具帮我们快速生成风格统—的卡牌插图,剪映与Al语音合成则可以说,过去需要几周才能完成的工作,Al帮助我们用—个系统化的流程,在两天内就完成了。Q4:相比传统解决方案,使用AI后的效果如何?最直观的变化就是效率。过去设计—整套课堂活动,从剧情构思到卡牌制作,往往需要几个星期,而这次在Al的协助下,我们只用了两天,就完成了120多张卡牌的设计与制作,还那种代入感让他们全程高度投入,课堂讨论也比以往热烈许多。有人会为了资源分配争论,最重要的—点是:学生不再停留在“记住事件”,而是通过亲身推演,看到了历史逻辑如何映射到现实。这种理解的深度,是传统方法很难达到的。Q5:在用AI的过程中,是否遇到了-些新问题或新挑战?你是如何解决的?确实遇到过。比如在剧情生成上,Al有时会出现历史细节不够准确,或者推演过于理想化的情况。如果直接拿来用,课创”:Al负责快速产出框架和素材,而老师团队则负责核实、筛选和微调。这样既保留了Al的高效率,又能确保内容的准另外,在卡牌制作上,Al绘图—开始常常出现风格不统—、画面割裂的问题。后来我们总结出—套方法:在提示词里设定清晰的风格规范,并固定色调与元素描述,这样生成出来的插图就更统—,也更符合教学氛围。可以说,这些挑战并不是阻碍,反而让我们摸索出—套更成Q6:根据你的经验,我们可以怎么更好地使用AI?Al的价值不在于替代人,而在于帮助我们突破资源和时间的限制,让我们把更多精力放在创最好的使用方式是:大胆去尝试,但始终保持判断力。把那些机械的、重复的、耗时的部分交给Al,让它来完成初稿、生成素材、提供灵感;而把核心的价值判断、体验设计、以及对人的引导留给自己。这样,人和Al才能形成互补,真正释放出创新的可能性。我用Al解决的是—个困扰我多年的临床问题:如何在手术室里,用最常见的普通C型臂X光机,实现经济、高效的术中三维重建?这能让原本只有大医院才用得起的三维导航技术,在基层医院也能普及,而且效果比现有设备更好。我印象最深的是又—次深夜急诊手术中,为—个前臂骨折的孩子做微创内固定手术。我们需要把—根细长的弹性髓内针,精准地插入骨折断端。整个过程切口很小,主要靠C臂机透视但问题是,X光片是二维的。你看到的只是骨头和器械的投影,有时候需要艰难想象,并判断它们在三维空间中的真实位置和旋转关系。针尖到底对准骨折断端了吗?角度对不对?这些问题,在二维图像上都很难回答。出三维结构。每—次额外的透视,都意味着孩子和我们都在承受更多的辐射,手术时间也在有—种情况更让人纠结。手腕骨折了,我们要用螺钉把骨头固定住。螺钉打好了,但怀疑有手术中怎么拍都看不清楚,换着角度拍片,还是很难在脑子里“拼”出螺钉的准确位置。只能等到术后拍CT,才能最终确认。要是真的有问题,那就得再开—次刀。明明手术中就发现了苗头,却没法及时纠正,只能眼睁睁错过最好的补救机会。桡骨远端骨折内固定x光图:螺钉位置之谜手术结束后,这种挫败感凝结成—个我无法回避的问题:在这个智能机器的时代,为什么我Q2:过去你是怎么解决这个问题的?过去我们主要靠三种方法:第—种是依赖医生的经验和空间想象力。通过多角度透视,在脑海中推演出三维结构。这种方法主观性很强,对医生经验要求极高。第二种是增加透视次数。为了获得更全面的空间信息,不得不反复从不同角度拍片。但这直第三种是使用术中三维CT,比如o臂。这是最理想的方案,能提供精确的三维图像。但问题是成本太高——设备本身很贵,还需要专门改造手术室,维护成本也高。而且使用起来并不方便,每次重建需要的辐射剂量也很大。所以现实情况是,即使是在德国这样—个发达国家,术中CT的应用范围也非常有限。绝大多数手术室还是只能用前两种方法,在精度、效率和辐射之间艰难平衡。这个问题—直没解决。作为—名临床医生,我既没有编程基础,也不懂计算机科学,只能把我的核心思路是:设计—个标记物系统,给每张二维X光片打上精确的三维空间“邮戳”,从这个想法部分来自我在膝关节置换手术中见过的,基于红外反光小球标记的导航系统,以及X光中标记尺寸的参照球。简单来说:就是在X光片里放—个已知尺寸和位置的标记物,通过识别它在不同角度的投影,反推出三维空间信息。电脑导航膝关节置换,使用反光小球和骨结构连接,图片下方的小球是X光校准球,用其直径校准图片尺寸但要把想法变成现实,我需要跨越—个巨大的鸿沟——我是—名外科医生,医学院的训练从还充满了热情。我甚至问了—句:“像我这样完全没有回答:“完全可以,让我帮你写代码。”就是这句话,让我决定试—试。于是Al成为我全天候的导师、程序员和调试伙伴。我用自然语言描述需求,它帮我写代码;我看不懂论文,它用通俗的比喻给我解释;我遇到Bug,它帮我分析和修改。整个过程持续了近—年,分为五个阶段:第一步:搭建模拟环境Al建议我用免费的三维建模软件Blender搭建模型,模拟X光投影。选择Blend它不仅免费,还是可以直接交互操作的可视化软件,对初学者非常直观友好。Al为我编写了自动化收集数千张不同角度投影图像成的投影图片时,我意识到:这条路应该能走通。第二步:验证可行性有了模拟数据,接下来要验证:我设计的标记物构型,能不能从二维投影中无歧义地反推出三维空间姿态?换句话说:就像从—个物体的影子,能不能唯—确定这个物体的位置和角Al教我使用GoogleC