别急着学AI工具了,先听听腾讯是怎么想这件事的

腾讯学堂公开课

周五一大早，我背着电脑包站在腾讯总部大楼前面，抬头看着那栋楼，说实话有点恍惚。

一个做跨境电商研发的，怎么跑到深圳来上AI课了？

得感谢公司，公司给我这个培训机会，说实话一开始我没太当回事，想着又是那种”坐在会议室听PPT”的流程课。但两天下来，我的脑子被彻底洗了一遍——不是那种被灌输的感觉，而是很多之前模糊的想法，突然被串成了一条线。

今天这篇文章，不是什么”课程总结”，也不是”知识点搬运”。我想聊聊这两天让我真正触动的几个瞬间，以及我对AI这件事看法的一些变化。

如果你也在焦虑”AI会不会替代我”，这篇文章也许能给你一点不一样的思路。

腾讯怎么看AI？——不急着替代人，先帮人更强

第一节课讲的是腾讯AI的发展历程，从2012年开始的投资布局，一路到2024年的混元大模型。

但让我印象最深的，不是技术路线图，而是腾讯给自己定的一句话：AI不是来替代人的，是来增强人的。

这话说起来简单，但你仔细品一下，国内有多少公司喊的是”AI降本增效”，潜台词其实是”AI替代人工”？腾讯这边提的是”增强”，一字之差，方向完全不同。

他们把AI分了三层：最底层是算力、数据、模型这些基础设施；中间是工具链和Agent平台；最上面才是落到具体业务场景。腾讯给自己的定位很清楚——做”基础设施的建造者”，不是上来就抢你的活儿。

我在听的时候就想，这个思路其实对所有公司都适用。与其急着让AI去”干活”，不如先想清楚：你的基础设施搭好了没有？你的数据准备好了没有？你的团队能不能用起来？

课间休息的时候，我在楼里转了转。腾讯深圳总部确实挺震撼的，各种设施一应俱全，书屋、书咖、水吧、健身房……难怪员工都说”来了就不想走”。不过让我感触比较深的是，他们把这些资源开放给来上课的人，完全没有那种”外人勿入”的距离感。

“超级个体”听起来很爽，但远远不够

第二天有一节课的标题让我眼前一亮：“从超级个体到超级军团”。

这个概念我之前隐约想过，但从来没有人把它这么清晰地讲出来。

“超级个体”是什么呢？就是一个人加上AI，能干三个人的活儿。比如你现在用ChatGPT写方案、用AI做数据分析、用AI生成图片，一个人确实能搞定很多以前需要一个团队才能做的事。

但问题是——一个人再强，也就是一个人。

你能一天写十篇文章吗？你能同时管二十个项目吗？你能一个人搞定从前端到后端到运维的整个链路吗？不能。因为人的精力、注意力、决策带宽是有上限的。

所以真正的方向，不是让每个人都变成”超级个体”，而是让一群人加上AI，变成一支”超级军团”。

老师在课上讲了AI时代的领导力三要素：技术认知力、组织设计力、变革管理力。说白了就是——你得先懂AI能干什么、不能干什么（技术认知力）；然后你得想清楚怎么把AI嵌入到团队的工作流程里（组织设计力）；最后你得带头推动这个变化，还得处理好过程中的人事摩擦（变革管理力）。

有一句话我记得特别清楚：“AI不会淘汰公司，但会用AI的公司会淘汰不用AI的公司。”

这话不是吓唬人的。你想想，你的竞争对手如果已经让AI渗透到了客服、研发、运营的每一个环节，而你们还在讨论”要不要试试AI”，这差距不是一点半点。

写代码这件事，AI真正改变的到底是什么

作为一个研发主管，第三节课”AI时代软件工程的上下文与工作流重构”是我最期待的内容，也是我听得最认真的一节课。

课上有句话直接戳中了我：“AI写代码的真正挑战，不是写代码这件事本身，而是理解上下文。”

你让AI写一个排序函数，它能写。你让它写一个”根据用户的历史行为数据，结合当前的促销规则，动态调整商品推荐权重”的函数，它大概率会写得驴唇不对马嘴。因为它不知道你的业务逻辑是什么，不知道”促销规则”长什么样，不知道”历史行为数据”存在哪里。

所以AI编程其实分四个层次：

• • 第一层：补全——你已经写了半行，AI帮你补完。这个最简单。
• • 第二层：生成——你给一段描述，AI帮你写一个函数。这个现在做得不错了。
• • 第三层：Agent——AI不仅写代码，还能自己跑测试、自己修bug。这层刚刚起步。
• • 第四层：自主开发——你给一个需求，AI从需求分析到上线全搞定。这层还需打磨呢。

我们现在大部分团队用的，基本都在第一层和第二层之间徘徊。但腾讯内部已经开始在第三层探索了——代码审查从”找bug”变成了”审意图”，测试从”写测试用例”变成了”设计测试策略”。

这个转变给我的启发是：AI不是让程序员失业，而是让程序员的工作从”搬砖”变成”指挥”。 你不再需要一行一行地写代码，你需要想清楚的是”要做什么””为什么这样做””做完了怎么验证”。

这其实对程序员的要求更高了，而不是更低了。

别追最”先进”的AI，追最”合适”的

第四节课讲的是降本增效的实战案例，这部分我觉得是所有课程里”最接地气”的。

老师在课上分享了一组数据：某项目接入AI客服后，人工客服成本降低了40%；代码审查效率提升了3倍；内容生产效率提升了5倍。听起来很美好对吧？

但老师紧接着说了一句让我印象很深的话：“不追求最先进的AI，而追求最合适的AI。”

这话说到了痛点。现在太多公司、太多人一上来就问”哪个AI模型最强””哪个工具最好”，好像用上最牛的AI就能解决一切问题。但实际上，AI落地的最大坑，从来都不是技术不行，而是——为了用AI而用AI。

课上给了一个三步落地的框架，我觉得特别实用：

第一步：识别场景。 别看AI能干什么，看你最痛的是什么。是客服成本高？是代码质量不稳定？是内容生产跟不上？找到那个最让你头疼的问题。

第二步：验证价值。 先小范围试一试，看AI在这个场景里到底能不能解决问题。别一上来就全量铺开，先跑个试点。

第三步：规模化推广。 试点跑通了，证明有价值了，再往更大范围推。

听起来很简单对吧？但你回想一下，你身边有多少项目是反着来的——先上了AI工具，再去想它能干什么？

别笑，这就是大多数人的现状。

增长这件事，AI到底能帮上什么忙？

最后一节课的主题是”增长”，这也是我最有共鸣的部分。

老师说了一个观点：增长的本质，就是减少不确定性。 而AI，是目前人类拥有的”减少不确定性”的最强工具。

你想一下传统的增长路径：靠经验判断市场趋势，靠直觉做产品决策，靠”试试看”去验证想法。每一步都充满了不确定性，因为你决策的基础是”我觉得”。

数据驱动已经往前走了一大步——至少你的决策有数据支撑了，不再是拍脑袋了。但数据分析也有局限：你只能分析已有的数据，你只能发现已知模式中的规律。

AI驱动又往前迈了一步——它能在海量数据里发现人眼看不到的模式，能预测趋势，能实时反馈。

课上画了一个”增长飞轮”的图：数据→洞察→行动→反馈→更多数据。AI加速的是整个飞轮的转速——更精准的洞察、更快的决策、更低的试错成本。

但让我觉得最清醒的一点是：AI加速了飞轮，但不代表你不需要飞轮。 换句话说，如果你的产品本身不行、用户需求没想清楚、商业模式有硬伤，AI再强也救不了你。

AI是放大器，不是万能药。好的东西，AI让它增长更快；烂的东西，AI只会让更多人更快地知道它烂。

两天结束了，我带回了什么？

走出腾讯大楼的时候，深圳的天很蓝。

我脑子里没有装下一堆”工具清单”或者”模型对比表”，那些东西过两天就会过时。我带回来的，是对AI这件事的一些认知上的改变——

第一，别把AI当工具，把它当基础设施。 你不会问”要不要用电”，因为电已经是基础设施了。AI也正在变成这样。你的问题不是”要不要用AI”，而是”怎么把AI嵌入到你的工作流程里”。

第二，别追求一个人变强，追求一群人变强。 超级个体很酷，但超级军团才是真正有竞争力的形态。组织设计力，可能是AI时代最稀缺的能力。

第三，别追最先进的，追最合适的。 从痛点出发，别从技术出发。先小范围验证，再规模化推广。别为了用AI而用AI。

第四，AI不会淘汰你，但会用AI的人会。 这话可能被说烂了，但两天课上看到的真实案例让我确信——这不是危言耸听。

说实话，感谢腾讯这帮老师，没有藏着掖着，干货都掏出来了。

回去以后，我打算做的第一件事，就是把我们团队的研发流程重新梳理一遍，看看哪些环节是可以用AI去加速的。不求一步到位，先从一个最痛的点开始。

如果你也在想”AI到底该怎么用”这个问题，我的建议就一个：别想了，先动手试。找一个你每天最头疼的工作环节，拿AI去试着解决一下。你会发现，比你想的要容易，也比你想的要复杂。

容易的是工具本身已经很好用了，复杂的是——你的工作流程、你的团队习惯、你的思维方式，可能都需要跟着变。

但变了之后呢？回不去了。真的回不去了。

如果你觉得这篇文章对你有启发，点个「分享」让更多人看到。

你在工作中是怎么用AI的？有没有什么踩坑经验？评论区聊聊，说不定能帮到更多人。