夜雨聆风
AI焦虑?看不懂的,大概率不重要,学得慢的,很快就过时了
AI训练营9期，5月7日开班，欢迎咨询
导读：本文讨论了为什么大家对 AI 很焦虑的原因，阅读约 10 分钟
扩展阅读：《不要焦虑，AI 没撒变化》
焦虑，我止不住的心慌，AI 这东西发展得太快了，我已经不确定自己正在做的事情在一年后是否有意义，而伴随焦虑而来的就是失眠与节奏混乱…
焦虑的牛马
从去年开始，整个AI世界可以用乱花渐欲迷人眼来形容：
-
今天发布了一个Manus，明天就要来一个Lovart； -
Cursor还没被捂热，Claude Code 就变成了AI编程事实上的王者了； -
前脚还在聊提示词怎么写，后脚大佬就说RAG已经过时，并丢出了上下文工程； -
而正当我们感叹Coze居然开源了，Google Nano Banana又刷爆了朋友圈； -
然后飞书发布会才浓墨重彩的介绍了多维表格，钉钉马上就跟进，强势推出AI表格； -
医疗 AI 明星 OpenEvidence 120亿 美金估值、法律 AI Harvey 据说快 110 亿估值了；
然后就 OpenClaw 爆火，掀起百虾大战：
结果大家都知道了，OpenClaw 也没活多久就萎了，对应着 Hermes 又来了…
这个时候我反而有些庆幸，似乎：在 AI 时代，只要学得足够慢，那么就真的不用去学了…
对应着，很多互联网公司都在裁员，比较夸张的传闻就是某小破站裁员60%！
我想知道大家对于就业市场的预期，于是在几个社群对产研人员做过调研，超过一半的人认为2026年很可能会有一半程序员会失业，接近 1/3 的人觉得有一定概率。
然后就是大家都懂的，OPC 风潮开始兴起，换你是打工人，你也焦虑啊……
那么老板们就不焦虑了吗？
看不懂的老板
怎么不焦虑了，就我年后见的老板来说，他们可焦虑坏了，没有其他原因，他们是真不懂啊！
比较夸张的是西安老板带着整个管理团队，就为了来成都见我一面…
他们是做传统工业信息化偏 ERP 模块的公司，已经成立了有 15 年；
按其老板的话来说，之前他们都获得好好的，一切都在按计划发展，AI 一出来就给他们搞蒙了；现在不只是他们懵，什么金蝶、用友都蒙，而且那些大企业改起来就更慢了…
据他们技术负责人说，老板焦虑得不行，天天问他接下来该如何转型，也经常在深夜发很多关于 AI 的信息到群里。
我能理解他们的焦虑，只不过接下来就有些离谱了，他们在简单介绍了自己业务后，居然问我他们应该如何做接下来的 AI 战略，这里我怎么可能知道呢？
这里第一个是信息量不足的问题；第二个当然是价格的问题了…
混乱是因为角度问题
上述无论是老板还是员工，他们都很焦虑，焦虑是 AI 时代一个常态，其背后有很多故事，而这些故事都挺有意思的，比如最近最经常出现的蒸馏.skill：
我也不知道是哪位大聪明第一次提出了蒸馏这个词，然后用 skill 去实现了，我估计他也是无心之举，但后续的故事就夸张了：
-
就真的有老板跟我说他想把某某某蒸馏下； -
也真的有员工害怕被蒸馏；
我那个去，还真的是内行看门道外行看热闹啊，如果你真的去用下 skill，或者真的去所谓蒸馏一下，就知道这个事情有多不靠谱了，这里倒不是说不行，只不过没有意义，类似的事情我们在2年前就用 Coze 做过了，我记得当时流行的是奥德彪艺术体：
看似很危险，实则一点也不安全年轻时很穷，干了几年终于不年轻啦趁年轻你的多吃苦 老了你就习惯了虽然路途遥远， 但你别担心，也挣不到什么钱是金子总会发光，但大家都是老铁爱情不是生活的全部 打工才是......所有的这个看着很舒服，只不过都是形似罢了，我举个最简单的例子大家就能明白：
-
我现在去蒸馏个协和医院大专家的skill； -
我再去蒸馏个法外狂徒张三的skill；
这个“东西”说出的医疗和法律建议，你敢用吗？
什么就蒸馏了、就 skill 了，各位也真的不把 OpenEvidence 与 Harvey 的估值当回事啊…
写到这里大家可能会感到奇怪：不是说好了很焦虑吗，怎么开始吐槽起来了？
不好意思，因为我演不下去了，其实我一点也不焦虑，我在装唐…
相应着，我当然也不是纯粹为了吐槽，我是为了告诉大家：其实你们也不必焦虑，接下来我带着你用工程的视角看 AI 的发展，你也就不慌了：
宏观视角看 AI
AI 发展到如今已经经过了 3年 多一点，这里第一个问题是，我们如何从宏观的角度看待这 3年 的 AI 发展。
大家思考一下，在你们大脑中的标志性事件有哪些呢？
大家可以回顾一下：那些有影响力的 AI 事件、那些对你的工作、生活带来影响的AI产品、或者对我们就业产生巨大影响的 AI 时刻，依次都有哪些呢？
我们盘点这些事件是为了把 AI 世界分层几个阶段，这是一种分类思维，分类做好了，那就会看得更明白一些。
比较经典的分类方法是 OpenAI Outman 的L1-L5的划分，他确实可以说明一些问题：
我们可以对着这张图过一下大概时间线：
2022 年底，ChatGPT 3.5 发布，标志着我们正式进入以大模型为主的 AI 时代。
整个2023年是为百模大战时期，国内标志性事件是文心、智谱等模型的发布，只不过都没翻起什么风浪，2023是国内的 AI1.0 时代，各个训练的公司留下的是满地鸡毛。
2024年的话，也就是我们常说的 AI2.0 时代，是以 RAG 为主的时代。当时是非常微妙的时代，经过百模大战的洗礼，很多公司账上没什么钱了，并且对训练两个词深恶痛绝。
然后模型侧无论从上下文长度、响应时长都远没达到生产要求，于是除了个别做 AI 客服的，整个 AI 界几无发展，整个 AI 领域有一种要死不活的感觉，大有AI泡沫已经破裂的趋势。
而后“摩尔定律”开始发力，经过 3 年发展，整个模型能力迎来拐点，其基础能力一路狂飙：推理能力、上下文长度、响应速度、API 成本、多模态等关键维度都被持续拉高。
国内标志性事件是 2025 年 DeepSeek 爆发，他意味着 AI 应用环境开始成熟，这也正是标志我们进入 AI3.0 时代，开始大家叫2025年是AI 应用元年，后面改成了Agent元年。
然后就是今年，Agent 爆发的大年了，当前的标志是 OpenClaw 和 Hermes。
如果跳出宏观叙事逻辑，站在真正做应用、做项目、做落地的角度来看，比如以工程的角度去看 AI 的世界，大家就会发现：
这几年，除了基座模型能力在提升，AI 应用层真正的核心逻辑，其实并没有发生那么本质的变化。
于是这里问题又来了，山姆奥特曼的L1-L5是个不错的分类方式，但宏观叙事无法指导我们的工作与生活。
所以如果我们想要从工程角度对 AI 应用做分类、进一步说把我们的视角放到要实现这些 AI 应用，那么应该以什么指标，又如何去做分类呢？
工程视角看 AI
所谓 AI 应用分层模型，其本质是一套 AI 知识框架，只要我们建立了知识框架，那么对于市面上层出不穷的 AI 应用就不再焦虑了，因为我们总是在框架内思考问题。
于是这里的问题变成了如何建立一套健壮的 AI 知识框架，这里刚好有一套方法论：
-
穷举，先力所能及的梳理所有你看到的AI应用； -
分类，再对这些AI应用进行分类； -
关键参数提炼，寻找每个类型产品的关键评价参数，也就是他们共同的特点是什么，如果同类型产品我要做个排序，我的依据是什么；
所以大家也看出来了，所谓知识框架其实就是为了方便我们评价他们罢了，让我们更容易知道谁是好的、谁是坏的。
只不过方法论倒是很简单，就穷举分类参数六个字，但到底该怎么做分类，这个就很有艺术性并且考验水准了。好的分类公式讲究：逐次递进、向下兼容。
也就是上一层的类型对下一层是要可以兼容或者降维打击的，所以我们最好有一套统一的定价或者定难度的参数。
换句话说，我们这套分层结构是由公式推导出来的，公式先空出了很多空格子，而后将对应的产品填进去，比如我们之前设计的管理分层结构：
在这个基础之下，无论从产品的分类逻辑，还是以产品的分类结构，这个层次都是很合理的：
基本框架出来后，我们再来看实际的市场，我们会发现与模型能力日渐成熟的情况不同的是，市面上真正爆款的AI应用却不多，当前稳定消耗算力的 AI 貌似就：
-
通用模型官网，如ChatGPT、DeepSeek官网； -
AI客服，并且是很简单的问答那种； -
AI编程，这个是近来的复杂应用大军，但总占比依旧不高； -
AIGC 偏视觉方向；
大家可能就会疑惑了，AI看似气势汹汹，怎么就这几个领域特别猛，其他领域的拳头产品呢？
再然后，之前爆火的Manus、现在当红的炸子鸡 OpenClaw 在这些品类里面又是个什么站位，产品的迭代到底是如何发生的？AI到底如何能帮助到我们每一个人？
只要搞懂这几个问题，基本就把AI的本质梳理清楚了，大家就再也不会对AI摸不着头脑了：
只不过接下来都是我们内部内容，我这边适当透露一点吧…
大家关注这张图：
这是一种分类逻辑，他按照工程、KnowHow、数据的方式从要实现一个 AI 项目的角度对现在所有的 AI 项目进行了分类。
这个分类的结果是：我们对每种类型项目的实现路径、难点、卡点、成本结构、典型案例都一清二楚了。
如果按照效果来说，大家会发现一件诡异的事情，OpenClaw/Hermes 其实现在是跟 Coze/Dify 坐一桌的，因为他更多是在用 skill 的方式承载 SOP/Workflow；
进一步，OpenClaw 承担承载 Workflow 的工作还经常被我嫌弃呢，因为他在多人协作这块的表现被 AI 表格/多维表格 甩了一条街呢，当然这也不怪他，暂时来说他们从设计上就是更 2C 一些。
而各位若是用我给大家的 工程视角 再去看 AI 的变化，乃至最近很多模型产品的发布，就会发现：就这？
在这个基础下，我们再切换个视角。
投资视角看 AI
前面我们是以工程实现视角去对 AI 应用做分类，接下来我们继续从小投资人的角度去看 AI，大家设想一个场景：
你有点闲钱，想要去投一些做 AI 的团队，那么应该如何看待这些产品呢？
怎么样，是不是一想到那一个个被吹得天花乱坠的产品就头疼？尤其你还是个外行，根本对 AI 的内核一无所知啊！
这个时候可能就不能单独对 AI 项目做分类，可以先尝试着对做 AI 创业的人做分类，就我的经历来说，按人群可以分为以下几类：
老炮：寻求扩大化
第一类玩家应该属于对 AI 理解较深的一批人，他们已经用 AI 赚到了钱，在不接受外部资金的情况下依旧可以获得很好；
只不过，人人都有美好的愿望，这批人也会希望获得更多的资源去做更大的事情，于是这里问题也就出来了：他们除了资源撒也不缺。
所以，你要么给他们钱，要么给他们补足资源（比如流量），否则的话或者被他们看不上，或者被他们坑。
考察这种团队的话，建议直接看 UE 模型，你需要看他核心业务的完整成本收益表。
举个例子，我最近看了很多做 AI 漫剧的团队，也参加了很多质量不错的会：
这里就有听着很不错的业务，比如3万/集的成本，可以做到500万的收益（这里具体多少集我没听到），这种本来就赚钱的业务，他们需要的更多可能就是流量了。
类似这种业务，直接财务模型打开就好，需要比较完善的证据链，但最好拿着专业的顾问一起去看。
萌新：需求资金
第二类玩家就是萌新了，他们之前大概率在某个行业里面打滚了 10 多年，但对 AI、对互联网整个产品逻辑不太了解。
这类玩家我见了几个，最大的特点就是：信念感极强，然后对应着就是反差感极强，什么意思呢？
如果是我们这里的视野，就会认为他们不太容易成功，但他们会有自己的行业认知以及底层逻辑，在他们的叙事逻辑里面，他们一定会成功。
所以，这批同学多多少少会有点疯，如果你跟他们坐到一起，他们会絮絮叨叨的崩出很多行业术语、观点假设，但一聊产品数据就萎了。
如果碰到这种玩家，可以适当投点，因为坚持梦想的人多少还是有点了不起的，谁也不知道他最后会做个什么出来，而且这批人是比较纯粹的。
具体到考察的话，还是需要看产品数据，不用多苛刻，就两个点：
-
你自己去用这个产品，能不能持续坚持一周/一月； -
他这个产品有没有非常脑残的10个/100个铁粉；
这类人很常见，他们过去可能在某个行业里打滚了十几年：医疗、法律、教培、ERP……
他们往往行业问题看得很深，知道痛点、爽点、痒点在哪，但最终又会因为不熟悉 AI 不熟悉产品特性而不停遭受打击。
给予他们的协助除了资金的话，还可以协助补助核心人才缺口，这批人其实是有潜力的，因为他们是最了解真实需求，又不是汲汲营营想套利的一拨人。
行业高P：出了平台就很晕
紧接着还有一个群体很大，就是大平台出来的精英，他们可能是管理高P，也可能是技术大拿，这批人对互联网、对技术就熟悉了，也非常容易拿到融资，而紧接着问题就来了：
他们很容易就把一个 Agent 搞出来了，但他们不知道为什么搞出来…
或者
他们臆想了一个一定会爆的场景，然后闭门造车做出来的产品，无人问津…
上述两种情况在我身边是最多的，因为我也是这类人，我们这批人最容易做的产品就是：某类工作台/某类低代码平台…
总而言之，就是不太熟悉市场需求，也没有一定想要解决的问题，只不过就觉得 AI 来了，不创业好像有点对不起这个时代。
对于这批人，投资的性价比其实是较高的，只要你看得上他的产品、看得上他解决的问题，那么就可以买单。
只不过这批人比较聪明，相应着选择也很多，所以他们极可能做一年半载就会还赛道、换方向，表现出来可能就算持续性不太强了。。。
除此之外，还有一些同学，比如：
-
大学生群体，他们因为找不到工作，也容易成为这一波的创业主力； -
流量操盘选手，他们很清楚如何将 AI 变成流量，再把流量变成钱，但他们做的东西壁垒容易很低； -
资源整合型，这批人手里有一些独有的资源，能够将很多东西组合起来，他们虽然能组局，但你不能期待他们能把脚打湿去解决问题； -
纯套利赚快钱的，这种人往往能赚到钱，可以学习但别参与，极少人有那个天赋； -
……
最后给大家一张表做判断用：
-
懂 AI + 懂生意：最值得看 -
懂行业 + 不懂 AI：看搭子 -
懂 AI + 不懂生意：看商业化 -
两边都不懂：大概率看热闹
最后，我们再列举一些经常出现的产品：
2C 类 AI 产品
2C 的 AI 产品，这里的代表可以以空气小猪为例，他就是一个行业基于 AI 的解法。
会做这种产品的大概率之前就是做教育行业的人，比如好未来出来的、教培……
如果按照之前评价好坏的逻辑的话就是去用用，看看能不能坚持下去。
然后这类产品往往很缺流量，真的做起来也很容易被抄袭，品类也很多，几乎每个行业都会有，比如：
-
AI陪伴/情感，Character.AI、Talkie、Ani、逗逗游戏伙伴； -
AI音视频生成，Suno、Udio（音乐）； -
AI 内容创作工具，写作、配图、漫画； -
…
大家还可以自己去找找，反正很卷就是了。
这里特别提一点：Google NoteBookLM、腾讯 IMA 也属于这个品类，但他们的实现复杂度就高了，要做好很难，如果有实力做是可以的。
工作台类 AI 产品
工作台类 AI 产品，我以之前做的 CEO 数字分身为例，他是一套企业人效的工具，其本质是AI + 项目管理的工具。
整个这类产品我都不太看好，因为大概率会被钉钉、飞书吃掉。
这里行业的代表做，大家可以去看看 Code Banana，他把产研一整套工作流程（包括项目管理、文档协作）全搬上来了，做得挺不错的：
低代码平台
其次就是低代码平台了，区区在下也做过，也就是我们之前搞那个 AI 表格了：
PS：说起来挺搞笑的，每个失败的 AI 产品都有我的身影，最后靠卖课养活了团队…
我身边有很多倔强的小伙伴都在做这个品类，比如：
又比如，我一个之前携程的兄弟，从声网出来正在做一款类似于 Dify 的创业产品。
哎，我第一时间就真的在劝了，只不过说停就停，哪有那么容易的…
这里包括之前很不错的一些产品，比如维格云表格，现在都面临了不小的转型挑战，因为我看他们老板最近的言论是有点疯的：
他用50个AI，把公司40%的人裁掉了
前喜茶CTO的真实实验：不是裁员，是被 AI 吃掉了…
感兴趣的同学自己去搜搜，这里不衍生，总之这种工具类 AI 产品最好别碰，必定 Dify、n8n 很多人都在说他们过时了呢…
基础设施类产品
到这里可能就要到深水区了，也不是一般人会注意到的赛道。
但这里也有个例外，因为他太赚钱了，Token 中转平台，这类产品逻辑上是为各个企业/个人提供更稳定国外 Token 服务而生的；
但因为这东西太赚钱，又需要很多分销商，所以搞得很多人都知道了，这种就属于基础设施类产品。
然后就是另：数据清洗/标注/评测平台。
这东西也属于 AI 行业的基础设施，但整个业务链条较长，甚至都可以单独作为一个品类了。
……
后续还有很多垂直类的生产级别 AI 产品，比如 AI 医生、AI 律师，这些东西成本要求极高，不是一般玩家能玩的，所以尽量别去碰瓷了。
这里特别说一嘴：AI Coding也属于行业级应用，大家反正掂量掂量吧。
结语
最后我们还是做下总结吧，不然后面越写越多了…
写到这里，其实就能发现：很多人的焦虑并不是因为 AI 真有那么可怕，而是因为我们每天看到的都是新品、专业热词、爆款案例，久而久之，就会误以为整个世界的底层逻辑每天都在被重写。
但如果你真的从宏观、工程、投资几个角度一起看，就会发现一件很重要的事：
AI 这几年变化最快的，主要还是模型能力；而应用世界看起来很乱，实则并没有乱到毫无规律。
很多东西只是包装变了，名字变了，表达方式变了，但落到真正做产品、做项目、做业务、做组织时，很多核心问题一直没变：
比如，最近大家嗨到不行的 Skills 其本质不过是一种 Workflow 的迁移罢了
所以，真正让人慌的，往往不是 AI 本身，而是你用热点视角在看 AI，今天追一个 Manus，明天追一个 OpenClaw，后天再来一个 Hermes，当然会觉得天都塌了；
但如果你换成工程视角、分类视角、成本视角去看，很多东西一下子就会变得没那么玄乎，甚至可以说一句：就这？
当然，这并不是说 AI 不重要，也不是说这一轮变化不猛烈。
AI 当然很重要，变化也确实很大，只不过它真正淘汰的，是那些没有判断框架、只能被热点推着走的人。
至于如何辨别这一切，有没有更好的方式，感兴趣的同学可以看看这篇文章：《系统性：如何进入AI行业？》
点击上方卡片关注叶小钗公众号，查看下方二维码，添加我个人微信：
往期推荐
《AI Coding 实战：10年祖传系统，54万行代码，2周重构结束》
《AI Coding 实战：2周重构54万行代码，细节详解》