从38位AI关键人物访谈中，我总结了读行业趋势判断的7个反套路方法

1. 为什么"38位关键人物"这个数字值得琢磨

看到"38位中国AI关键人物"这个标题，我第一反应不是"哦又是一篇年度盘点"，而是——为什么是38？这个数字背后其实藏着一套很讲究的筛选逻辑。

做过行业访谈的人都知道，凑齐一份"关键人物"名单，最难的不是找到人，而是定义什么叫"关键"。是看论文引用量？看融资额？看产品用户数？还是看他们在公开场合的发言影响力？这几个维度选出来的名单，重合度可能连一半都不到。

我自己的经验是，一份有公信力的行业人物访谈名单，通常会同时满足三个隐性条件：第一，覆盖产业链的完整切面，从底层算力、模型层、应用层到投资端，缺一环就会显得偏颇；第二，每个人在2025-2026这个时间窗口里都有"正在发生的事"，而不是靠三年前的成绩吃老本；第三，他们愿意说真话，而不是复述公关稿。

38这个数字，按我的推测，大概率是"分层配额"的结果。比如底层基础设施方向选6-8人，大模型与算法方向选8-10人，应用与产品方向选10-12人，投资与生态方向选5-6人，再加上几位跨界观察者。这样算下来，38是一个既能保证覆盖面、又不至于让每个方向只有一两个人"代表"的合理规模。

提示：如果你自己要做类似的行业访谈项目，人数不是越多越好。超过40人，内容会严重同质化，读者读到第20个人的观点时就开始跳读了。控制在30-40人，是信息密度和阅读体验的平衡点。

这里还有一个容易被忽略的点："Magic Moment"这个提法本身就是一个筛选器。它逼着受访者回答一个非常具体的问题——"哪一个瞬间让你觉得这件事真的成了/真的要变了？"这个问题比"你怎么看AI的未来"高明太多，因为后者可以套话，前者必须讲一个真实发生过的场景。一个人如果讲不出具体的Magic Moment，要么他没在一线，要么他在回避。

所以这篇内容的真正价值，不在于"38个人说了什么"，而在于这38个人各自选出的那个瞬间，拼在一起能不能还原出2025-2026年中国AI的真实切面。这才是我们拆解它的正确姿势。

2. 从"趋势判断"里读出没说出口的东西

2.1 趋势判断的三种含金量层级

行业人物访谈里的"趋势判断"，含金量差异极大。我把它分成三层：

第一层是"复读机式判断"——把已经发生的新闻换个说法讲一遍。比如"多模态是趋势""Agent会爆发""算力依然紧缺"。这类判断没有信息增量，但它是必要的背景音，因为不是所有读者都跟得上节奏。

第二层是"时间锚定式判断"——给出具体的时间窗口和可验证的里程碑。比如"未来12个月内，代码生成类工具的渗透率会超过50%""2026年下半年会出现第一批真正跑通商业闭环的Agent产品"。这类判断有价值，因为它可以被证伪，读者可以拿它当参照系。

第三层是"反共识判断"——说出与主流叙事相反的观点，并且给出逻辑支撑。比如"大家都在卷模型参数，但真正的瓶颈在数据标注的组织方式上""To B的AI落地速度会比To C慢，但一旦落地，粘性远超To C"。这类判断最稀缺，也最值得关注。

读这类内容时，我的习惯是先扫一遍所有人的判断，把重复出现的词圈出来，再把只出现一次但逻辑完整的判断单独标记。重复出现的词代表共识，共识里往往藏着已经定价的机会；只出现一次的反共识判断，才是可能藏着超额认知的地方。

2.2 为什么"趋势判断"容易变成"正确的废话"

这里要说一个不太客气的事实：大部分行业人物的公开趋势判断，都是经过安全边际调整的。什么意思？就是他们心里可能有一个更激进的判断，但公开说的时候会往回收半步，因为说错了要被打脸，说对了也没人记得。

所以你在读"趋势判断"时，要特别注意那些带有具体数字、具体时间、具体场景的表述。比如：

• "2026年，中国AI应用层的收入规模会达到XXX亿"——这个数字本身可能不准，但它反映了说话人对增速的量级判断。
• "未来18个月，Agent的可靠性会从现在的70%提升到95%"——这个提升幅度如果被验证，意味着产品形态会发生质变。
• "现在做AI硬件的团队，80%会在两年内转型或消失"——这种带淘汰率的判断，比"竞争会很激烈"有用得多。

我自己的做法是，把每个人的判断拆成"方向+时间+量级"三个要素，做成一张表。方向一致但时间不同的，说明大家对节奏有分歧；方向不同但时间一致的，说明大家对拐点有共识但对路径有分歧。这张表比任何总结都管用。

2.3 一个容易被忽略的信号：谁在说"我不知道"

38个人的访谈里，如果所有人都对每个问题都有明确判断，这本身就是不正常的。真正在一线的人，一定会在某些问题上说"这个我还看不清""现在下结论太早"。

"我不知道"出现的频率和位置，往往比"我知道"更有信息量。如果多位受访者在同一个问题上都表示不确定，那这个问题大概率就是当前行业真正的模糊地带——可能是技术路线之争，可能是商业化路径之争，也可能是政策与伦理的边界之争。

我在做类似内容时，会专门统计"不确定表述"的分布。比如：

这张表不是给读者看的，是给我自己判断用的。它帮我快速定位：哪些话题是"真热"，哪些话题是"虚热"。

3. Magic Moment的叙事结构：为什么有些人讲得让你信，有些人不信

3.1 好的Magic Moment有三个共同特征

我听过也读过不少行业人物的"关键时刻"叙事，总结下来，那些让你听完觉得"确实是这样"的Magic Moment，几乎都符合三个特征：

第一，有具体的场景细节。不是"我意识到AI要改变了"，而是"那天晚上十一点，我在办公室里看着模型第一次自己修好了自己写的bug，我盯着屏幕看了大概三十秒没说话"。细节越具体，可信度越高。

第二，有情绪转折。好的Magic Moment不是一路高歌，而是有一个"从怀疑到确信"或者"从确信到震惊"的转折点。比如"我们之前一直觉得这件事至少要三年，结果那个demo跑出来的瞬间，我第一反应是——我们是不是把时间估错了"。

第三，有后续行动。光有瞬间不够，还要有"那个瞬间之后我做了什么决定"。比如"第二天我就把团队的方向调了""我当场给合伙人打了电话说我们要重新分配资源"。行动是验证信念的最好方式。

3.2 三种常见的"伪Magic Moment"

反过来，有三种叙事一听就是包装过的：

一种是"上帝视角式"——"我从一开始就相信AI会改变一切"。这种叙事没有转折，没有细节，只有先见之明，通常出现在已经成功的人回顾往事时。但真实情况往往是，他们也是边走边看，只是后来成功了，就把过程美化成了"一直坚信"。

一种是"数据堆砌式"——"当我们的用户数突破100万的时候，我知道这件事成了"。用户数是一个结果，不是一个瞬间。真正的Magic Moment往往发生在结果之前，是某个微小的、只有当事人才能感知到的信号。

一种是"引用式"——"就像某位前辈说的，AI是新的电力"。引用别人的话来说明自己的判断，说明自己还没有形成独立的、基于亲身经历的认知。

注意：你在读这类内容时，可以做一个简单的测试——把受访者的名字遮住，只看Magic Moment的描述，看你能不能猜出这个人大概在做什么方向。如果猜不出来，说明这个叙事太泛了，换谁都能说。

3.3 从38个Magic Moment里提取"信号类型"

如果把这38个人的Magic Moment按"触发信号"分类，我推测大致会落在这么几个类别里：

• 技术信号类：模型能力突然跨过某个阈值，比如推理能力、长上下文、多模态理解。
• 用户信号类：某个之前不看好AI的用户群体开始主动使用，或者使用频率发生质变。
• 成本信号类：推理成本降到某个临界点，使得之前不成立的商业模式突然成立。
• 组织信号类：团队里最保守的那个人开始主动提AI相关的方案。
• 竞争信号类：竞争对手做了一个你没想到的动作，让你意识到格局要变。

这五类信号里，成本信号和组织信号是最容易被忽略、但往往最具有决定性意义的。技术信号和用户信号大家都会盯着，但成本降到某个点、组织内部态度发生转变，这两个才是从"热闹"到"落地"的真正拐点。

4. 如果让我来设计这样一份访谈，我会怎么做

4.1 问题设计：少问"怎么看"，多问"发生了什么"

大部分行业访谈的问题设计是失败的，因为问的都是"你怎么看XX趋势""你觉得XX会不会发生"。这种问题得到的答案，要么是公关稿，要么是安全牌。

我自己的经验是，好的访谈问题应该逼出"具体经历"而不是"抽象观点"。比如：

• 不问"你怎么看Agent的发展"，问"你最近一次被Agent的能力惊到是什么时候，当时它在做什么任务"。
• 不问"算力瓶颈什么时候能缓解"，问"你们团队最近一次因为算力不够而被迫改变方案是什么情况"。
• 不问"AI人才竞争激烈吗"，问"你们最近招人的时候，候选人的技能结构和一年前比有什么变化"。

这种问法的好处是，受访者没法用套话回答，必须调动真实记忆。而真实记忆里，往往藏着比观点更有价值的信息。

4.2 样本选择：刻意纳入"非主流"声音

38个人如果都是大模型公司的CEO，这份访谈的价值会打对折。真正有信息量的样本，应该包括：

• 一线工程师或研究员：他们知道技术边界的真实位置，不像高管那样需要照顾叙事。
• 传统行业的AI落地负责人：他们知道AI在真实业务场景里到底卡在哪。
• 投资人：他们知道钱在往哪个方向流，以及哪些方向已经融不到钱了。
• 产品经理：他们知道用户真正愿意为什么付费。
• 学术研究者：他们知道哪些方向是真问题，哪些是工程 trick。

这五类人的比例，我倾向于控制在 2:2:1:2:1 左右。高管当然要有，但不能超过三分之一，否则整份访谈会变成"行业领袖共识展"。

4.3 呈现方式：让读者能"横向对比"

38个人的观点，如果只是一个人一个人地罗列，读者读到第10个就累了。更好的呈现方式是按问题维度横向组织，而不是按人物纵向组织。

比如：

这种表格化的呈现，能让读者在30秒内抓住核心分歧，而不是花30分钟读38段独白。

5. 读这类内容时，我自己的三个"反套路"习惯

5.1 先看谁没被邀请

任何一份"关键人物"名单，没出现的人往往和出现的人一样有信息量。如果某个方向上公认的重要玩家没有出现在名单里，可能的原因有几个：对方拒绝了、名单设计者刻意回避、或者这个方向在当前叙事里被边缘化了。

我自己的习惯是，拿到名单后先扫一遍，然后在心里列一个"我以为会出现但没出现"的名单。这两个名单的差集，往往比名单本身更有意思。

5.2 把"判断"和"利益"对照着看

一个人说"XX方向会爆发"，如果他自己就在做XX方向，这个判断的权重就要打折扣。这不是说他在说谎，而是说他的判断里可能包含了"希望它爆发"的成分。

我的做法是，把每个人的判断和他所在的位置做一个对照表：

与其利益相悖的判断，可信度天然更高。这是一个很简单的逻辑，但很多人在读行业内容时会忽略。

5.3 关注"重复出现的具体细节"

如果38个人里有5个人以上都提到了同一个具体细节——比如某个特定的技术指标、某个特定的用户行为、某个特定的成本数字——那这个细节大概率是真实的，而且是重要的。

举个例子，如果多个人都提到"推理成本在过去12个月下降了XX倍"，那这个数字就值得记住，因为它可能意味着某些之前不成立的商业模式正在变得成立。如果多个人都提到"用户开始把AI工具当成默认选项而不是备选方案"，那这个行为变化就值得关注，因为它意味着渗透率正在跨过临界点。

共识里的具体细节，比共识里的抽象判断更有价值。抽象判断可能是互相影响的结果，但具体细节如果是独立提到的，说明它是真实观察。

6. 这份内容对不同类型的读者分别意味着什么

6.1 如果你是从业者：把它当"行业温度计"

对在一线做AI产品、技术或投资的人来说，这份内容的最大价值不是获取新知识，而是校准自己的判断。你可能已经在某些方向上有了自己的看法，读这份内容时，重点看那些和你判断不一致的人——他们看到了什么你没看到的东西？

我自己的做法是，读完一份这样的内容后，会写下三个"我可能需要重新考虑的判断"。不是说要立刻改变方向，而是给自己一个提醒：我的判断可能不是唯一正确的。

6.2 如果你是学生或转行者：把它当"方向地图"

对正在考虑进入AI领域的人来说，这份内容的价值在于帮你看到产业链的全貌。38个人覆盖了从底层到应用的不同环节，你可以通过他们的描述，了解每个环节在做什么、需要什么技能、面临什么问题。

但要注意，不要因为某个人说"XX方向会爆发"就立刻冲进去。行业人物的判断是方向性的，不是操作性的。你需要做的是，找到自己感兴趣的方向，然后去了解这个方向上具体需要什么能力，而不是只看它的前景。

6.3 如果你是观察者或内容创作者：把它当"选题库"

38个人的观点里，每一个分歧点都是一个潜在的选题。比如"Agent的可靠性到底能不能在两年内达到可用水平"，这个分歧背后是技术路线之争、工程能力之争、产品定义之争，每一个都值得单独展开。

我自己的习惯是，读完这类内容后，把所有的分歧点列出来，然后按"争议程度"和"信息增量"两个维度排序，挑出最值得深入的那几个。

7. 最后说一个我自己的体会

做了这么多年行业内容，我越来越觉得，读"关键人物访谈"最大的陷阱，是把他们的判断当成答案。实际上，这些判断更像是"问题"——它们告诉你，在当前这个时间点，最聪明的一批人在关注什么、纠结什么、赌什么。

真正的答案不在任何人的判断里，而在接下来12个月里实际发生的事情里。这份内容的价值，是帮你建立一个"参照系"——等到2026年底回头看，你可以对照这些判断，看看谁对了、谁错了、谁在什么条件下对了但在另一个条件下错了。这个过程本身，比任何单篇内容都更有价值。

所以我的建议是：读的时候不要急着认同或反对，先把这些判断存下来，然后每隔几个月拿出来对照一下现实。你会发现，那些当初看起来最激进的判断，往往不是最准的；而那些看起来最保守的判断，往往也不是最稳的。真正准的，是那些给出了具体条件、具体时间、具体验证方式的判断。