1. 当一位顶级投资人说出“过去只是热身”第一次看到这个访谈标题时，我的直觉反应不是“又在吹AI”，而是注意到一个细节：说这话的人，过去四十年几乎每一次都押中了时代级的技术浪潮。从个人电脑时代的操作系统与芯片，到互联网时代的门户与电商，再到移动互联网时代的底层架构，他的投资轨迹本身就是一部浓缩的科技产业史。所以当这样一个人说“我过去做的一切都只是热身”，这句话的分量不在于修辞有多夸张，而在于它暗示了一个判断：我们目前所处的AI阶段，可能连序章都算不上。这个判断背后有一套完整的逻辑链条，而不是单纯的情绪表达。我花了几天时间反复拆解这个访谈的核心观点，结合自己在AI应用开发一线摸爬滚打的经验，试图回答几个问题：所谓“比人类聪明1000倍”到底在说什么？这个量级的智能跃迁意味着什么？作为普通开发者、创业者或者只是对技术趋势保持敏感的人，我们应该从哪个角度去理解这件事，又该在当下做什么样的准备？这篇文章不会给你一个“AI会不会取代人类”的廉价答案，也不会堆砌一堆让人焦虑的宏大叙事。我想做的是把访谈中那些高度浓缩的判断拆开，用从业者的视角去还原它背后的技术逻辑、产业推演和实操启示。如果你正在思考自己的项目要不要接入AI能力、团队的技术栈要不要调整、或者单纯想搞清楚这波浪潮的真实水位，下面的内容应该能给你一些参考。2. “聪明1000倍”到底在说什么：从算力堆叠到智能涌现2.1 先拆解“1000倍”这个数字的参照系很多人看到“聪明1000倍”的第一反应是：这怎么可能？人类大脑已经是自然界最复杂的已知结构了。但这里有一个关键的认知陷阱——这个比较不是在同一维度上进行的。人类智能和AI智能的底层运作机制完全不同，就像你不能问“汽车比马快多少倍”一样，因为两者的动力来源、能量转换方式和运动约束条件根本不在一个体系里。从访谈的上下文来看，“1000倍”更可能指向的是信息处理带宽、知识调用速度和并行计算能力这几个维度的综合量级差异。人类大脑的神经元放电频率大约在几百赫兹的量级，而现代AI加速芯片的时钟频率已经在吉赫兹级别，差距在百万倍以上。当然，大脑的并行度极高，有数百亿神经元同时工作，所以不能简单用频率来比较。但即便把并行度考虑进去，在特定任务上（比如矩阵运算、模式匹配、大规模检索），AI的处理效率已经远超人类。我个人的理解是，这个“1000倍”是一个方向性的量级判断，而不是一个精确的工程指标。它的核心含义是：当AI在某个维度上超越人类之后，它不会停在“略胜一筹”的位置，而是会以数量级的速度把差距拉开。这一点在围棋、蛋白质结构预测、代码生成等领域已经被反复验证了。2.2 智能涌现的临界点在哪里过去几年最让我震撼的不是某个具体模型的性能提升，而是能力涌现这个现象。所谓涌现，就是当模型规模、数据量和训练算力跨过某个阈值之后，突然出现了训练目标中没有明确要求的能力。比如，你只是让模型预测下一个词，但它突然学会了做算术、写代码、进行逻辑推理。这种“意外收获”在小型模型上完全看不到，只有规模足够大才会出现。这就像水在99度时还是液体，到了100度突然变成蒸汽——相变不是渐进的，而是跃迁式的。访谈中提到的“1000倍”智能，很可能指的就是下一次相变之后的形态。我们现在处于什么位置？我的判断是，我们可能刚刚摸到了第一次相变的上沿，而真正的爆发还在后面。原因很简单：当前的模型架构、训练方法和算力供给都还在快速迭代中，远没有达到平台期。注意：这里说的“涌现”不是玄学，而是有数学基础的。高维空间中的相变现象在统计物理中早有研究，神经网络的训练过程本质上是在极高维的参数空间中寻找损失函数的低点，当维度足够高时，某些能力会以阶跃的方式出现。2.3 从“工具”到“代理”的范式转移理解“1000倍”的另一个关键角度是AI的角色定位。过去我们用的软件工具，本质上是被动的——你点击一个按钮，它执行一个操作。但大模型驱动的AI正在变成主动的代理：你给它一个目标，它会自己规划步骤、调用工具、检查结果、调整策略。这个转变的意义被严重低估了。我举个实际开发中的例子。以前做一个数据清洗脚本，你需要写代码定义每一步：读取文件、处理缺失值、转换格式、输出结果。现在你可以直接告诉AI“把这个数据集清洗干净，输出一份质量报告”，它会自己决定用什么方法、按什么顺序执行、遇到异常怎么处理。这不仅仅是效率提升，而是工作流的重构——人从执行者变成了监督者和决策者。当AI从工具变成代理，它的“聪明”就不再是单一维度的技能比较，而是综合问题解决能力的体现。一个能自主规划、执行、纠错的AI代理，在复杂任务上的表现会远超一个只会单项技能的AI。这也是为什么“1000倍”这个判断值得认真对待——它描述的不是某个具体能力的差距，而是整个问题解决范式的代际差异。3. 热身结束后的赛场：哪些行业会先感受到震动3.1 知识密集型行业的“压缩效应”如果AI真的比人类聪明1000倍，最先受到冲击的一定是那些以处理信息为核心价值的行业。法律文书审查、财务审计、医学影像诊断、代码编写、市场分析报告撰写——这些工作的共同特点是：输入是结构化或半结构化的信息，输出是经过分析和判断的结论，中间过程可以被分解为一系列可学习的模式。我有个做企业法务的朋友，他们团队最近在测试用AI辅助合同审查。以前一份几十页的合同需要律师花两三个小时逐条核对风险条款，现在AI可以在几分钟内标出所有异常点，律师只需要复核AI的判断。这不是替代，而是压缩——把原来需要高技能人才做的大量重复性判断工作压缩成少量监督性工作。结果是，一个律师可以处理的合同量可能提升五到十倍。但这里有一个容易被忽略的细节：压缩效应会先发生在“中间层”。也就是那些既不需要太多创造力、又需要一定专业知识的岗位。纯粹的执行性工作（比如数据录入）早就被自动化了，纯粹的战略性工作（比如决定公司要不要进入某个市场）暂时还离不开人的判断。但中间那层——分析、审查、报告、初步诊断——恰恰是AI最擅长的。3.2 创意产业的“杠杆效应”很多人认为创意工作是AI最后才会触及的领域，因为创意似乎需要“灵魂”和“情感”。但实际观察下来，AI在创意产业中的作用更像是杠杆而不是替代。它不会取代创意总监，但会让一个创意总监的产出效率提升数倍。我参与过一个品牌视觉设计的项目，设计师用AI工具生成初稿，然后在此基础上进行筛选、组合和精修。以前一个方案从构思到出图需要两三天，现在半天就能产出十几个方向。设计师的价值从“画得好”转移到了“选得准”和“改得妙”——审美判断和策略思考变得比执行技能更重要。这个趋势对从业者的启示很明确：如果你只会执行，你的议价能力会快速下降；如果你能判断什么值得执行，你的价值会放大。AI把执行成本降到接近于零的时候，判断力就成了稀缺资源。3.3 实体产业的“渗透延迟”相比知识密集型和创意产业，实体产业的AI渗透会慢一些，但一旦发生，影响会更深远。原因在于实体产业涉及物理世界的操作，需要传感器、执行器、机器人等硬件配合，迭代周期天然比纯软件慢。但慢不代表不会发生。我了解到一些制造企业在做设备预测性维护，用AI分析传感器数据来预判故障。以前是定期检修或者坏了再修，现在是按需维护。这个转变带来的成本节约是惊人的——停机时间减少、备件库存降低、设备寿命延长。但前提是你要有足够的数据积累和数字化基础设施。提示：实体产业的AI落地，数据质量比算法先进性更重要。我见过太多企业花大价钱买了最先进的模型，结果因为传感器数据不准、标注不规范、历史记录缺失，最后效果还不如老师傅的经验判断。4. 普通人和小团队现在能做什么：三个可落地的切入点4.1 把AI当作“能力放大器”而不是“替代方案”我见过两种极端的态度：一种是完全无视AI，觉得都是炒作；另一种是过度焦虑，觉得做什么都会被取代。这两种态度都错过了重点。AI最现实的价值是放大你已有的能力，而不是从零开始替代你。具体怎么做？如果你是一个独立开发者，可以用AI辅助写代码、生成测试用例、排查bug。如果你是一个内容创作者，可以用AI做选题调研、初稿生成、多语言翻译。如果你是一个小团队负责人，可以用AI做会议纪要、项目进度跟踪、竞品分析。关键是要找到那些你已经在做、但做得不够快或不够好的环节，用AI去补强。我自己的做法是维护一个“AI适用场景清单”，把日常工作中重复性高、规则明确、容错率高的任务列出来，逐个尝试用AI优化。比如周报汇总、数据格式转换、文档翻译这些，现在已经基本交给AI处理了，我只需要做最终审核。4.2 建立“人机协作”的工作流而不是“人机对抗”的心态很多人用AI的方式是“我出题，你答题”，然后评判AI答得好不好。这种用法把AI当成了一个考试对象，而不是协作伙伴。更有效的方式是把AI嵌入到你的工作流中，让它成为流程的一部分。举个例子，写一篇技术文章的传统流程是：查资料、列大纲、写初稿、修改、定稿。引入AI之后，流程可以变成：AI辅助查资料并生成摘要、我根据摘要列大纲、AI根据大纲生成初稿、我进行事实核查和观点注入、AI辅助润色和格式调整、我最终定稿。整个过程中，我的核心价值体现在判断和决策上，而AI承担了信息处理和文字组织的工作。这个工作流的关键是明确分工边界。哪些环节必须由人来做？我的经验是：涉及价值判断、事实核查、策略选择、情感表达的环节，人必须深度参与。涉及信息检索、格式转换、语言润色、方案枚举的环节，可以放心交给AI。4.3 从“用工具”升级到“建系统”大多数人对AI的使用还停留在“打开对话框，输入问题，复制答案”的阶段。这就像用一台超级计算机只做加减法。真正有杠杆效应的做法是把AI能力集成到自己的系统中，让它自动运行。比如，你可以搭建一个自动化的内容监控系统：定时抓取指定来源的信息，用AI做摘要和分类，把结果推送到你的工作台。或者搭建一个客户反馈分析系统：自动收集反馈，用AI做情感分析和主题聚类，生成周报。这些系统的搭建门槛已经很低了，很多平台提供了现成的API和低代码工具。我自己的经验是，从最小的自动化闭环开始。不要一上来就搞大而全的系统，先找一个每天或每周都要重复做的任务，用AI把它自动化掉。跑通一个闭环之后，再逐步扩展。这样风险可控，而且能快速看到效果，保持动力。5. 访谈中容易被忽略的三个细节5.1 关于“热身”的隐喻：积累的是什么“过去做的一切都只是热身”这句话，很多人只看到了对未来的豪赌，却忽略了热身本身也是有价值的。热身意味着准备、试错、积累。那么过去几十年积累的到底是什么？我的理解是三层：第一层是数据，互联网时代积累了海量的文本、图像、行为数据，这是训练大模型的燃料。第二层是算力，从CPU到GPU再到专用加速芯片，计算成本下降了若干个数量级。第三层是人才和资本，全球最聪明的工程师和最大规模的资本都在向AI领域集中。这三层积累缺一不可，而它们恰好在这个时间点汇聚了。所以“热身”不是谦虚，而是事实描述。没有过去二十年的数据积累、十年的算力增长、五年的算法突破，就不会有今天的AI能力。同样，今天我们在AI应用层做的各种尝试，也是在为下一个阶段热身。5.2 关于“1000倍”的时间尺度访谈中没有明确说这个“1000倍”什么时候会实现。但根据技术发展的规律，这种量级的跃迁不太可能在短期内完成。我的判断是，我们正在经历的是一个持续十年以上的渐变过程，而不是一夜之间的突变。这意味着什么？意味着你有时间准备，但不能拖延。就像二十年前互联网普及的过程一样，变化是渐进的，但回头看时你会发现，那些在早期就开始积累相关能力的人，和那些等到一切都成熟了才入场的人，差距是巨大的。具体到行动上，我建议每季度花一点时间评估AI在自己领域的最新进展，看看有没有新的工具或方法可以纳入自己的工作流。不需要追每一个热点，但要保持对趋势的敏感。5.3 关于“聪明”的定义权最后一个容易被忽略的点是：“聪明”的定义本身正在被AI改写。过去我们说一个人聪明，往往指他记忆力好、计算快、逻辑强。但这些能力AI已经全面超越了。未来“聪明”可能更多地指向提出好问题的能力、跨领域连接的能力、判断什么值得做的能力。这对教育、招聘、个人发展都有深远影响。如果你还在用“记住多少知识”“算得多快”来衡量自己或他人的价值，可能需要重新思考了。我在招聘时越来越看重的是：这个人能不能清晰地定义问题？能不能在信息不完整的情况下做出合理判断？能不能快速学习新工具并应用到实际工作中？这些能力在AI时代会越来越值钱。6. 我自己的实践：从观望到深度嵌入的两年6.1 起步阶段的试错两年前我开始认真把AI引入日常工作流时，走了不少弯路。最开始是把它当成一个更聪明的搜索引擎，问一些问题、查一些资料。效果一般，因为AI有时候会“一本正经地胡说八道”，而我需要花大量时间去核实。后来我调整了策略：不让AI做事实性回答，而是让它做生成性和转换性工作。比如，不让它回答“这个技术的原理是什么”，而是让它“用通俗的语言解释这段技术文档”。不让它“告诉我这个问题的答案”，而是让它“列出解决这个问题的五种可能思路”。这个转变让AI的输出质量大幅提升，因为生成和转换任务对事实准确性的要求相对较低，而对语言组织和模式匹配的要求较高，恰好是AI的强项。6.2 工作流的重构现在我的日常工作流已经深度嵌入了AI。早上到工位的第一件事，是让AI汇总过去24小时我关注领域的重要动态，生成一份简报。写代码时，用AI辅助生成单元测试和文档注释。写文章时，用AI做资料调研和初稿生成。开会时，用AI做实时转录和要点提取。但有一个原则我始终坚持：AI的输出必须经过我的审核才能进入最终交付物。这不是对AI的不信任，而是对结果负责。AI可以帮我处理80%的常规工作，但最后20%的判断和把关必须由我来做。这20%恰恰是价值的核心所在。6.3 踩过的坑和学到的教训第一个坑是过度依赖。有一段时间我几乎把所有文字工作都交给AI，结果发现自己的写作能力在退化。后来我调整了比例，重要的、需要体现个人风格的内容坚持自己写，AI只做辅助。第二个坑是忽视数据安全。早期我习惯把工作内容直接粘贴到AI对话框里，后来意识到这可能涉及敏感信息泄露。现在我会对输入内容做脱敏处理，或者使用本地部署的模型处理敏感数据。第三个坑是追求最新工具。有段时间我沉迷于尝试各种新出的AI工具，结果浪费了大量时间在学习和迁移上，实际产出反而下降了。后来我给自己定了个规矩：只有当新工具能解决现有工作流中明确存在的痛点时，才考虑切换。提示：如果你刚开始把AI引入工作流，建议从“低风险、高频次、规则明确”的任务开始。比如格式转换、摘要生成、邮件草拟。这些任务即使AI出错，后果也可控，而且能快速建立你对AI能力的直觉判断。7. 如果“1000倍”真的来了，什么能力最保值7.1 提出正确问题的能力当AI能回答几乎所有问题时，问题的质量就决定了答案的价值。一个模糊的问题得到模糊的答案，一个精准的问题得到精准的答案。提出好问题的能力包括：把模糊的需求转化为具体的查询、识别问题背后的真正约束条件、判断哪些问题值得花时间回答。这种能力很难被AI替代，因为AI需要你告诉它要解决什么问题。它不会主动质疑“你为什么要解决这个问题”或者“这个问题是不是问错了”。而这些恰恰是人类判断力的核心。7.2 跨领域连接的能力AI在单一领域内的知识深度已经远超常人，但跨领域的连接和迁移仍然是人类的优势。把生物学的原理应用到软件架构设计上，把心理学的洞察应用到产品体验优化上，把制造业的流程管理应用到内容生产上——这些跨界的创新往往来自人类的联想和类比能力。我观察到的一个现象是：最有价值的AI应用往往出现在两个领域的交叉点上。比如AI加法律、AI加医疗、AI加教育。这些交叉点需要同时理解两个领域的语言和逻辑，而AI目前更擅长在单一领域内深耕。7.3 承担风险和做出决策的能力AI可以给你列出十个选项和每个选项的利弊分析，但它不会替你承担选择带来的后果。决策的本质是在信息不完整的情况下做出判断并承担责任，这一点AI做不到，也不应该让它做。在可预见的未来，人类的核心价值之一就是在AI辅助下做出最终决策并为之负责。这意味着你需要理解AI的输出逻辑、评估其可靠性、在多个AI建议之间做出取舍。这种能力不会因为AI变强而贬值，反而会因为AI变强而增值——因为选项越多，选择的难度越大。7.4 建立信任和情感连接的能力最后一点，也是我认为最不可能被替代的：人与人之间的信任和情感连接。AI可以模拟共情，但它没有真实的经历和情感。在需要深度信任的场景中——比如心理疏导、团队管理、客户关系维护——人类的真实存在本身就是价值。这不是说AI在这些领域没有用武之地。AI可以辅助心理医生做初步筛查，可以帮管理者整理团队反馈，可以帮销售分析客户需求。但最终建立信任的那一步，仍然需要人来完成。8. 把判断转化为行动：一份可执行的清单8.1 个人层面的准备如果你是一个技术从业者，我建议从这几个方面入手：第一，熟练掌握至少一种AI辅助开发工具，比如代码补全、单元测试生成、代码审查。第二，理解大模型的基本原理和局限，不需要深入数学细节，但要明白它能做什么、不能做什么、为什么会出错。第三，在自己的项目中找一个切入点，用AI解决一个具体的、可衡量的痛点。如果你不是技术背景，可以从提升信息处理效率开始。用AI做文档摘要、邮件分类、会议纪要、资料翻译。这些场景门槛低、见效快，能帮你建立对AI能力的直观认知。8.2 团队层面的准备如果你在带团队，我建议做三件事：第一，建立AI使用的规范和边界，明确哪些数据可以输入AI、哪些不可以，哪些决策可以依赖AI、哪些必须人工复核。第二，组织小范围的试点，选一个痛点明确的场景，让团队一起探索AI的用法，积累经验。第三，把AI能力纳入招聘和培养体系，未来不会用AI的人，就像今天不会用搜索引擎的人一样，效率差距会越来越大。8.3 心态层面的准备最后也是最重要的：保持好奇，但不要焦虑。技术变革的浪潮中，最危险的不是变化本身，而是因为恐惧而拒绝变化，或者因为焦虑而盲目跟风。找到自己的节奏，从一个小点开始，持续积累，比一次性追求“全面AI化”要有效得多。我在过去两年的实践中最大的体会是：AI不会让你失业，但会用AI的人可能会让你的工作方式显得过时。这不是威胁，而是提醒——提醒我们把注意力从“AI会不会取代我”转移到“我如何用AI让自己变得更有价值”上。这个视角的转变，本身就是热身结束、正式入场的标志。
1. 当一位顶级投资人说出“过去只是热身”第一次看到这个访谈标题时，我的直觉反应不是“又在吹AI”，而是注意到一个细节：说这话的人，过去四十年几乎每一次都押中了时代级的技术浪潮。从个人电脑时代的操作系统与芯片，到互联网时代的门户与电商，再到移动互联网时代的底层架构，他的投资轨迹本身就是一部浓缩的科技产业史。所以当这样一个人说“我过去做的一切都只是热身”，这句话的分量不在于修辞有多夸张，而在于它暗示了一个判断：我们目前所处的AI阶段，可能连序章都算不上。这个判断背后有一套完整的逻辑链条，而不是单纯的情绪表达。我花了几天时间反复拆解这个访谈的核心观点，结合自己在AI应用开发一线摸爬滚打的经验，试图回答几个问题：所谓“比人类聪明1000倍”到底在说什么？这个量级的智能跃迁意味着什么？作为普通开发者、创业者或者只是对技术趋势保持敏感的人，我们应该从哪个角度去理解这件事，又该在当下做什么样的准备？这篇文章不会给你一个“AI会不会取代人类”的廉价答案，也不会堆砌一堆让人焦虑的宏大叙事。我想做的是把访谈中那些高度浓缩的判断拆开，用从业者的视角去还原它背后的技术逻辑、产业推演和实操启示。如果你正在思考自己的项目要不要接入AI能力、团队的技术栈要不要调整、或者单纯想搞清楚这波浪潮的真实水位，下面的内容应该能给你一些参考。2. “聪明1000倍”到底在说什么：从算力堆叠到智能涌现2.1 先拆解“1000倍”这个数字的参照系很多人看到“聪明1000倍”的第一反应是：这怎么可能？人类大脑已经是自然界最复杂的已知结构了。但这里有一个关键的认知陷阱——这个比较不是在同一维度上进行的。人类智能和AI智能的底层运作机制完全不同，就像你不能问“汽车比马快多少倍”一样，因为两者的动力来源、能量转换方式和运动约束条件根本不在一个体系里。从访谈的上下文来看，“1000倍”更可能指向的是信息处理带宽、知识调用速度和并行计算能力这几个维度的综合量级差异。人类大脑的神经元放电频率大约在几百赫兹的量级，而现代AI加速芯片的时钟频率已经在吉赫兹级别，差距在百万倍以上。当然，大脑的并行度极高，有数百亿神经元同时工作，所以不能简单用频率来比较。但即便把并行度考虑进去，在特定任务上（比如矩阵运算、模式匹配、大规模检索），AI的处理效率已经远超人类。我个人的理解是，这个“1000倍”是一个方向性的量级判断，而不是一个精确的工程指标。它的核心含义是：当AI在某个维度上超越人类之后，它不会停在“略胜一筹”的位置，而是会以数量级的速度把差距拉开。这一点在围棋、蛋白质结构预测、代码生成等领域已经被反复验证了。2.2 智能涌现的临界点在哪里过去几年最让我震撼的不是某个具体模型的性能提升，而是能力涌现这个现象。所谓涌现，就是当模型规模、数据量和训练算力跨过某个阈值之后，突然出现了训练目标中没有明确要求的能力。比如，你只是让模型预测下一个词，但它突然学会了做算术、写代码、进行逻辑推理。这种“意外收获”在小型模型上完全看不到，只有规模足够大才会出现。这就像水在99度时还是液体，到了100度突然变成蒸汽——相变不是渐进的，而是跃迁式的。访谈中提到的“1000倍”智能，很可能指的就是下一次相变之后的形态。我们现在处于什么位置？我的判断是，我们可能刚刚摸到了第一次相变的上沿，而真正的爆发还在后面。原因很简单：当前的模型架构、训练方法和算力供给都还在快速迭代中，远没有达到平台期。注意：这里说的“涌现”不是玄学，而是有数学基础的。高维空间中的相变现象在统计物理中早有研究，神经网络的训练过程本质上是在极高维的参数空间中寻找损失函数的低点，当维度足够高时，某些能力会以阶跃的方式出现。2.3 从“工具”到“代理”的范式转移理解“1000倍”的另一个关键角度是AI的角色定位。过去我们用的软件工具，本质上是被动的——你点击一个按钮，它执行一个操作。但大模型驱动的AI正在变成主动的代理：你给它一个目标，它会自己规划步骤、调用工具、检查结果、调整策略。这个转变的意义被严重低估了。我举个实际开发中的例子。以前做一个数据清洗脚本，你需要写代码定义每一步：读取文件、处理缺失值、转换格式、输出结果。现在你可以直接告诉AI“把这个数据集清洗干净，输出一份质量报告”，它会自己决定用什么方法、按什么顺序执行、遇到异常怎么处理。这不仅仅是效率提升，而是工作流的重构——人从执行者变成了监督者和决策者。当AI从工具变成代理，它的“聪明”就不再是单一维度的技能比较，而是综合问题解决能力的体现。一个能自主规划、执行、纠错的AI代理，在复杂任务上的表现会远超一个只会单项技能的AI。这也是为什么“1000倍”这个判断值得认真对待——它描述的不是某个具体能力的差距，而是整个问题解决范式的代际差异。3. 热身结束后的赛场：哪些行业会先感受到震动3.1 知识密集型行业的“压缩效应”如果AI真的比人类聪明1000倍，最先受到冲击的一定是那些以处理信息为核心价值的行业。法律文书审查、财务审计、医学影像诊断、代码编写、市场分析报告撰写——这些工作的共同特点是：输入是结构化或半结构化的信息，输出是经过分析和判断的结论，中间过程可以被分解为一系列可学习的模式。我有个做企业法务的朋友，他们团队最近在测试用AI辅助合同审查。以前一份几十页的合同需要律师花两三个小时逐条核对风险条款，现在AI可以在几分钟内标出所有异常点，律师只需要复核AI的判断。这不是替代，而是压缩——把原来需要高技能人才做的大量重复性判断工作压缩成少量监督性工作。结果是，一个律师可以处理的合同量可能提升五到十倍。但这里有一个容易被忽略的细节：压缩效应会先发生在“中间层”。也就是那些既不需要太多创造力、又需要一定专业知识的岗位。纯粹的执行性工作（比如数据录入）早就被自动化了，纯粹的战略性工作（比如决定公司要不要进入某个市场）暂时还离不开人的判断。但中间那层——分析、审查、报告、初步诊断——恰恰是AI最擅长的。3.2 创意产业的“杠杆效应”很多人认为创意工作是AI最后才会触及的领域，因为创意似乎需要“灵魂”和“情感”。但实际观察下来，AI在创意产业中的作用更像是杠杆而不是替代。它不会取代创意总监，但会让一个创意总监的产出效率提升数倍。我参与过一个品牌视觉设计的项目，设计师用AI工具生成初稿，然后在此基础上进行筛选、组合和精修。以前一个方案从构思到出图需要两三天，现在半天就能产出十几个方向。设计师的价值从“画得好”转移到了“选得准”和“改得妙”——审美判断和策略思考变得比执行技能更重要。这个趋势对从业者的启示很明确：如果你只会执行，你的议价能力会快速下降；如果你能判断什么值得执行，你的价值会放大。AI把执行成本降到接近于零的时候，判断力就成了稀缺资源。3.3 实体产业的“渗透延迟”相比知识密集型和创意产业，实体产业的AI渗透会慢一些，但一旦发生，影响会更深远。原因在于实体产业涉及物理世界的操作，需要传感器、执行器、机器人等硬件配合，迭代周期天然比纯软件慢。但慢不代表不会发生。我了解到一些制造企业在做设备预测性维护，用AI分析传感器数据来预判故障。以前是定期检修或者坏了再修，现在是按需维护。这个转变带来的成本节约是惊人的——停机时间减少、备件库存降低、设备寿命延长。但前提是你要有足够的数据积累和数字化基础设施。提示：实体产业的AI落地，数据质量比算法先进性更重要。我见过太多企业花大价钱买了最先进的模型，结果因为传感器数据不准、标注不规范、历史记录缺失，最后效果还不如老师傅的经验判断。4. 普通人和小团队现在能做什么：三个可落地的切入点4.1 把AI当作“能力放大器”而不是“替代方案”我见过两种极端的态度：一种是完全无视AI，觉得都是炒作；另一种是过度焦虑，觉得做什么都会被取代。这两种态度都错过了重点。AI最现实的价值是放大你已有的能力，而不是从零开始替代你。具体怎么做？如果你是一个独立开发者，可以用AI辅助写代码、生成测试用例、排查bug。如果你是一个内容创作者，可以用AI做选题调研、初稿生成、多语言翻译。如果你是一个小团队负责人，可以用AI做会议纪要、项目进度跟踪、竞品分析。关键是要找到那些你已经在做、但做得不够快或不够好的环节，用AI去补强。我自己的做法是维护一个“AI适用场景清单”，把日常工作中重复性高、规则明确、容错率高的任务列出来，逐个尝试用AI优化。比如周报汇总、数据格式转换、文档翻译这些，现在已经基本交给AI处理了，我只需要做最终审核。4.2 建立“人机协作”的工作流而不是“人机对抗”的心态很多人用AI的方式是“我出题，你答题”，然后评判AI答得好不好。这种用法把AI当成了一个考试对象，而不是协作伙伴。更有效的方式是把AI嵌入到你的工作流中，让它成为流程的一部分。举个例子，写一篇技术文章的传统流程是：查资料、列大纲、写初稿、修改、定稿。引入AI之后，流程可以变成：AI辅助查资料并生成摘要、我根据摘要列大纲、AI根据大纲生成初稿、我进行事实核查和观点注入、AI辅助润色和格式调整、我最终定稿。整个过程中，我的核心价值体现在判断和决策上，而AI承担了信息处理和文字组织的工作。这个工作流的关键是明确分工边界。哪些环节必须由人来做？我的经验是：涉及价值判断、事实核查、策略选择、情感表达的环节，人必须深度参与。涉及信息检索、格式转换、语言润色、方案枚举的环节，可以放心交给AI。4.3 从“用工具”升级到“建系统”大多数人对AI的使用还停留在“打开对话框，输入问题，复制答案”的阶段。这就像用一台超级计算机只做加减法。真正有杠杆效应的做法是把AI能力集成到自己的系统中，让它自动运行。比如，你可以搭建一个自动化的内容监控系统：定时抓取指定来源的信息，用AI做摘要和分类，把结果推送到你的工作台。或者搭建一个客户反馈分析系统：自动收集反馈，用AI做情感分析和主题聚类，生成周报。这些系统的搭建门槛已经很低了，很多平台提供了现成的API和低代码工具。我自己的经验是，从最小的自动化闭环开始。不要一上来就搞大而全的系统，先找一个每天或每周都要重复做的任务，用AI把它自动化掉。跑通一个闭环之后，再逐步扩展。这样风险可控，而且能快速看到效果，保持动力。5. 访谈中容易被忽略的三个细节5.1 关于“热身”的隐喻：积累的是什么“过去做的一切都只是热身”这句话，很多人只看到了对未来的豪赌，却忽略了热身本身也是有价值的。热身意味着准备、试错、积累。那么过去几十年积累的到底是什么？我的理解是三层：第一层是数据，互联网时代积累了海量的文本、图像、行为数据，这是训练大模型的燃料。第二层是算力，从CPU到GPU再到专用加速芯片，计算成本下降了若干个数量级。第三层是人才和资本，全球最聪明的工程师和最大规模的资本都在向AI领域集中。这三层积累缺一不可，而它们恰好在这个时间点汇聚了。所以“热身”不是谦虚，而是事实描述。没有过去二十年的数据积累、十年的算力增长、五年的算法突破，就不会有今天的AI能力。同样，今天我们在AI应用层做的各种尝试，也是在为下一个阶段热身。5.2 关于“1000倍”的时间尺度访谈中没有明确说这个“1000倍”什么时候会实现。但根据技术发展的规律，这种量级的跃迁不太可能在短期内完成。我的判断是，我们正在经历的是一个持续十年以上的渐变过程，而不是一夜之间的突变。这意味着什么？意味着你有时间准备，但不能拖延。就像二十年前互联网普及的过程一样，变化是渐进的，但回头看时你会发现，那些在早期就开始积累相关能力的人，和那些等到一切都成熟了才入场的人，差距是巨大的。具体到行动上，我建议每季度花一点时间评估AI在自己领域的最新进展，看看有没有新的工具或方法可以纳入自己的工作流。不需要追每一个热点，但要保持对趋势的敏感。5.3 关于“聪明”的定义权最后一个容易被忽略的点是：“聪明”的定义本身正在被AI改写。过去我们说一个人聪明，往往指他记忆力好、计算快、逻辑强。但这些能力AI已经全面超越了。未来“聪明”可能更多地指向提出好问题的能力、跨领域连接的能力、判断什么值得做的能力。这对教育、招聘、个人发展都有深远影响。如果你还在用“记住多少知识”“算得多快”来衡量自己或他人的价值，可能需要重新思考了。我在招聘时越来越看重的是：这个人能不能清晰地定义问题？能不能在信息不完整的情况下做出合理判断？能不能快速学习新工具并应用到实际工作中？这些能力在AI时代会越来越值钱。6. 我自己的实践：从观望到深度嵌入的两年6.1 起步阶段的试错两年前我开始认真把AI引入日常工作流时，走了不少弯路。最开始是把它当成一个更聪明的搜索引擎，问一些问题、查一些资料。效果一般，因为AI有时候会“一本正经地胡说八道”，而我需要花大量时间去核实。后来我调整了策略：不让AI做事实性回答，而是让它做生成性和转换性工作。比如，不让它回答“这个技术的原理是什么”，而是让它“用通俗的语言解释这段技术文档”。不让它“告诉我这个问题的答案”，而是让它“列出解决这个问题的五种可能思路”。这个转变让AI的输出质量大幅提升，因为生成和转换任务对事实准确性的要求相对较低，而对语言组织和模式匹配的要求较高，恰好是AI的强项。6.2 工作流的重构现在我的日常工作流已经深度嵌入了AI。早上到工位的第一件事，是让AI汇总过去24小时我关注领域的重要动态，生成一份简报。写代码时，用AI辅助生成单元测试和文档注释。写文章时，用AI做资料调研和初稿生成。开会时，用AI做实时转录和要点提取。但有一个原则我始终坚持：AI的输出必须经过我的审核才能进入最终交付物。这不是对AI的不信任，而是对结果负责。AI可以帮我处理80%的常规工作，但最后20%的判断和把关必须由我来做。这20%恰恰是价值的核心所在。6.3 踩过的坑和学到的教训第一个坑是过度依赖。有一段时间我几乎把所有文字工作都交给AI，结果发现自己的写作能力在退化。后来我调整了比例，重要的、需要体现个人风格的内容坚持自己写，AI只做辅助。第二个坑是忽视数据安全。早期我习惯把工作内容直接粘贴到AI对话框里，后来意识到这可能涉及敏感信息泄露。现在我会对输入内容做脱敏处理，或者使用本地部署的模型处理敏感数据。第三个坑是追求最新工具。有段时间我沉迷于尝试各种新出的AI工具，结果浪费了大量时间在学习和迁移上，实际产出反而下降了。后来我给自己定了个规矩：只有当新工具能解决现有工作流中明确存在的痛点时，才考虑切换。提示：如果你刚开始把AI引入工作流，建议从“低风险、高频次、规则明确”的任务开始。比如格式转换、摘要生成、邮件草拟。这些任务即使AI出错，后果也可控，而且能快速建立你对AI能力的直觉判断。7. 如果“1000倍”真的来了，什么能力最保值7.1 提出正确问题的能力当AI能回答几乎所有问题时，问题的质量就决定了答案的价值。一个模糊的问题得到模糊的答案，一个精准的问题得到精准的答案。提出好问题的能力包括：把模糊的需求转化为具体的查询、识别问题背后的真正约束条件、判断哪些问题值得花时间回答。这种能力很难被AI替代，因为AI需要你告诉它要解决什么问题。它不会主动质疑“你为什么要解决这个问题”或者“这个问题是不是问错了”。而这些恰恰是人类判断力的核心。7.2 跨领域连接的能力AI在单一领域内的知识深度已经远超常人，但跨领域的连接和迁移仍然是人类的优势。把生物学的原理应用到软件架构设计上，把心理学的洞察应用到产品体验优化上，把制造业的流程管理应用到内容生产上——这些跨界的创新往往来自人类的联想和类比能力。我观察到的一个现象是：最有价值的AI应用往往出现在两个领域的交叉点上。比如AI加法律、AI加医疗、AI加教育。这些交叉点需要同时理解两个领域的语言和逻辑，而AI目前更擅长在单一领域内深耕。7.3 承担风险和做出决策的能力AI可以给你列出十个选项和每个选项的利弊分析，但它不会替你承担选择带来的后果。决策的本质是在信息不完整的情况下做出判断并承担责任，这一点AI做不到，也不应该让它做。在可预见的未来，人类的核心价值之一就是在AI辅助下做出最终决策并为之负责。这意味着你需要理解AI的输出逻辑、评估其可靠性、在多个AI建议之间做出取舍。这种能力不会因为AI变强而贬值，反而会因为AI变强而增值——因为选项越多，选择的难度越大。7.4 建立信任和情感连接的能力最后一点，也是我认为最不可能被替代的：人与人之间的信任和情感连接。AI可以模拟共情，但它没有真实的经历和情感。在需要深度信任的场景中——比如心理疏导、团队管理、客户关系维护——人类的真实存在本身就是价值。这不是说AI在这些领域没有用武之地。AI可以辅助心理医生做初步筛查，可以帮管理者整理团队反馈，可以帮销售分析客户需求。但最终建立信任的那一步，仍然需要人来完成。8. 把判断转化为行动：一份可执行的清单8.1 个人层面的准备如果你是一个技术从业者，我建议从这几个方面入手：第一，熟练掌握至少一种AI辅助开发工具，比如代码补全、单元测试生成、代码审查。第二，理解大模型的基本原理和局限，不需要深入数学细节，但要明白它能做什么、不能做什么、为什么会出错。第三，在自己的项目中找一个切入点，用AI解决一个具体的、可衡量的痛点。如果你不是技术背景，可以从提升信息处理效率开始。用AI做文档摘要、邮件分类、会议纪要、资料翻译。这些场景门槛低、见效快，能帮你建立对AI能力的直观认知。8.2 团队层面的准备如果你在带团队，我建议做三件事：第一，建立AI使用的规范和边界，明确哪些数据可以输入AI、哪些不可以，哪些决策可以依赖AI、哪些必须人工复核。第二，组织小范围的试点，选一个痛点明确的场景，让团队一起探索AI的用法，积累经验。第三，把AI能力纳入招聘和培养体系，未来不会用AI的人，就像今天不会用搜索引擎的人一样，效率差距会越来越大。8.3 心态层面的准备最后也是最重要的：保持好奇，但不要焦虑。技术变革的浪潮中，最危险的不是变化本身，而是因为恐惧而拒绝变化，或者因为焦虑而盲目跟风。找到自己的节奏，从一个小点开始，持续积累，比一次性追求“全面AI化”要有效得多。我在过去两年的实践中最大的体会是：AI不会让你失业，但会用AI的人可能会让你的工作方式显得过时。这不是威胁，而是提醒——提醒我们把注意力从“AI会不会取代我”转移到“我如何用AI让自己变得更有价值”上。这个视角的转变，本身就是热身结束、正式入场的标志。