夜雨聆风
最近看完一场将近 4 小时的访谈，嘉宾是 Google DeepMind 研究员姚顺宇。
这场访谈真正值得看，不是因为它讲了很多大模型公司的内部观察，而是因为它把 AI 行业正在发生的变化说得很清楚：
过去大家争的是模型能力，接下来真正稀缺的是问题定义、判断标准、工作流位置和长期上下文。
换句话说，AI 已经越来越能做事。人的难题变成了：什么事值得做？怎么才算做好？哪些判断必须由人负责？
下面是我重新整理后的 7 个关键判断。
01 模型竞争：榜单差距变小，问题定义变关键
本节结论：模型越来越能做事，关键是人能不能说清楚目标。
姚顺宇认为，头部模型公司现在已经不太担心“能不能追上”。在 Gemini、OpenAI、Anthropic 这些玩家之间，公开榜单上的差距越来越小，很多时候 1 到 2 个百分点的差别只是噪声。
但模型并没有完全同质化。
实际使用中，有的模型更擅长工具使用和 Agent，有的模型更适合推理和日常使用，有的模型在 Coding 上追得很快。差异仍然存在，只是差异的来源变了。
过去更像是在比“基础能力谁更强”。今天更像是在比“谁更知道自己要把模型训练成什么样”。
这件事放到企业里也一样。
很多公司上 AI，第一反应是问：接哪个模型？买哪个工具？用哪个平台？
但真正决定结果的，往往是这些问题：
- • 我们到底要解决哪个业务问题？
- • 这个问题有没有清楚的输入、过程和结果？
- • 怎样算做好，怎样算没做好？
- • 哪些判断必须由人负责，哪些执行可以交给 AI？
AI 越强，越会暴露一个组织的问题定义能力。
如果问题本身是乱的，AI 只会更快地制造出一堆看起来完整、实际上没用的东西。
02 Agent Coding：最先爆发，是因为闭环清楚
本节结论：代码能被测试，反馈能回流，所以模型进步最快。
访谈里，姚顺宇讲得最扎实的一段，是 Coding 为什么会成为 AI 最先大规模改变的领域。
原因并不神秘。
第一，反馈信号清楚。
代码能不能跑、功能有没有实现、输入输出是否正确，这些都比很多业务问题更容易判断。模型做错了，可以测试；测试失败，可以继续改。
第二，数据质量高。
GitHub 上积累了几十年的开源代码。相比普通网页，代码数据更结构化，也更容易被模型学习。
第三，好代码有共识。
优秀程序员对好代码的判断相对一致：结构清楚、简洁、可维护、抽象合理。这样的标准，比“一个产品是不是好用”“一个创意是不是有吸引力”更容易训练。
所以 Coding 不是因为程序员这个群体更容易被替代，而是因为它天然适合 AI 形成闭环。
未来的好程序员，不只是写代码的人，而是能定义系统的人。他要能拆任务、控质量、理解业务位置，也要能判断 AI 写出来的东西到底对不对。
这对企业 AI 能力认证也有启发：不应该只考“会不会用工具”，更要考一个人能不能把复杂工作拆成 AI 可执行的任务，并对最终结果负责。
03 AI 产品创业：壳不稀缺，逃逸速度才稀缺
本节结论：要么跑得足够快，要么切得足够深。
访谈里还聊到一个现实问题：很多 AI 产品看起来很新，但最后往往被模型公司吸收，或者很快被模型公司跟进。
姚顺宇的判断是，当前很多 AI 产品的壁垒仍然在模型侧。产品层面的壁垒还没有普遍形成，所谓数据飞轮，在大多数场景里还只是愿景。
那创业公司有没有机会？
有，但路线很窄。
一种路线是跑得足够快。先占领用户心智，再逐步补模型能力。Cursor 是典型例子。
另一种路线是切得足够深。市场不一定大，但场景足够具体，工作流足够复杂，大模型公司懒得专门进入。Midjourney 更接近这个路径。
这对 AI 创业者最大的提醒是：
不要把“我套了一个模型”误认为“我建立了公司壁垒”。
真正的壁垒，可能来自三件事：
- • 用户工作流被你深度嵌入；
- • 垂直场景里的数据和判断标准不断积累；
- • 产品体验形成了大公司不愿意细做的复杂细节。
工具会越来越便宜，模型会越来越强，壳会越来越容易做。最后能留下来的，不是最早接 API 的人，而是最早把场景、数据、流程和用户心智沉淀下来的人。
04 个人助手：真正稀缺的是长期上下文
本节结论：助手要理解你，先要能记住和取舍。
姚顺宇提到一个很重要的技术方向：Long Horizon。
简单说，模型在训练时不一定需要无限长的上下文，但在使用时要能够处理接近无限长的任务和记忆。
这件事如果做成，才会带来真正意义上的个人助手。
今天的 AI 助手还很像一个随叫随到的聪明人。你给它材料，它帮你处理；你换一个话题，它就容易失忆；你想让它长期理解你，还需要不断补上下文。
真正的个人助手不应该这样。
它应该在长期交互中持续理解你：哪些信息重要，哪些信息可以忘掉，什么时候需要重新调出旧信息，什么时候要根据你的风格和目标调整做法。
这也是为什么个人和公司的知识管理会变得越来越重要。
AI 不只是吃提示词，它吃的是长期沉淀下来的上下文。
谁能把经验、判断、流程、案例、沟通记录、项目复盘整理成可调用的材料，谁就更容易让 AI 成为真正的工作伙伴。
这件事不是未来才开始做。从今天开始，把工作过程结构化，把重要判断写下来，把项目材料沉淀下来，就是在给未来的个人助手和企业 Agent 准备燃料。
05 组织能力：技术 leader 要能判断、收敛、救火
本节结论：AI 转型不是工具问题，而是组织能力问题。
姚顺宇对 Anthropic 和 Google DeepMind 的组织差异有不少观察。
创业公司适合自上而下押注。因为它需要快速下注、快速推进、快速形成突破。
大公司适合多方向储备。它不一定在每个方向上第一个冲出来，但只要组织重新梳理清楚，资源和工程能力就能让它快速追上。
这背后有一个更大的判断：
AI 时代不是单纯的个人英雄主义时代。
大模型不是一个人拍脑袋就能做出来的东西，它需要数据、基础设施、训练、产品、评测、工程协作。范式突破可能来自少数人，但日常进步更多来自组织能力。
一个好的 AI 组织，不是简单看自上而下，还是自下而上。
关键是有没有技术 leader 能够下场解决问题。
完全自上而下，可能压死创新；完全自下而上，可能变成各做各的。真正难的是在两者之间保持张力：允许探索，但关键时刻有人能判断、能收敛、能救火。
很多企业做 AI 转型，以为买工具、办培训、设几个 AI 项目就够了。但如果没有能定义问题、判断方向、整合资源的人，AI 项目很容易变成一堆热闹的试点。
06 个人机会：别挤成熟赛道，去找新问题
本节结论：机会常在还没被定义清楚的地方。
访谈最后，姚顺宇给年轻人的建议很直接。
纯做大语言模型，已经不是最蓝海的方向。机会仍然很多，但不一定在最拥挤的地方。
多模态生成、机器人、AI 帮助基础科学研究，这些方向可能更早期，也更不确定。但正因为如此，才可能有新机会。
这句话也适合所有正在学习 AI 的人。
不要只追最热的工具。
今天所有人都在学提示词、学 Agent、学 AI 编程，这当然有必要。但如果只停留在工具层，很快就会被下一代工具抹平。
更重要的是找到自己的场景。
你所在行业里，哪些问题长期没人解决？哪些流程有大量重复判断？哪些经验存在老员工脑子里但没有被结构化？哪些客户痛点足够具体，却还没有被 AI 产品认真服务？
机会不一定在“大模型本身”，而在大模型落到具体行业后的那些缝隙里。
07 把访谈变成行动清单
这场访谈里，有很多适合传播的金句。但更重要的是，把它们变成可以执行的清单。
第一，定义问题。
AI 不缺能力，缺被定义清楚的问题。开始一个 AI 项目前，先写清楚：谁的问题、什么场景、输入是什么、输出是什么、怎样算好。
第二，拆解任务。
未来的好程序员、好产品经理、好管理者，都要学会把模糊目标拆成 AI 能完成的小任务。
第三，检查结果。
不是把任务扔给 AI 就完了，而是要能看懂它做了什么，知道哪里不可靠，能为最终结果负责。
第四，沉淀上下文。
把流程、案例、复盘、判断标准沉淀下来。你积累的上下文越深，AI 越能成为你的长期杠杆。
第五，寻找新问题。
不要只追最热的赛道。成熟赛道里有红利，但真正的机会常常在还没有共识、还没有被清楚定义的地方。
结语：AI 时代，最贵的是判断
这场访谈给我最大的感受是：AI 行业正在从“能力崇拜”进入“判断竞争”。
模型会继续变强，工具会继续涌现，很多今天看起来先进的能力，很快会变成默认配置。
但这不会让人变得不重要。
相反，它会让人的价值更集中地暴露出来。
你能不能定义一个值得解决的问题？能不能建立清楚的评价标准？能不能把一个模糊目标拆成 AI 可执行的任务？能不能判断输出是否真的可靠？能不能把经验沉淀成长期上下文？
这些才是 AI 时代真正拉开差距的能力。
所以，面对 AI，不要只问“我该学哪个工具”。
更应该问：
我手上有没有一个足够具体、足够真实、足够值得解决的问题？
如果没有，AI 再强，也只是在帮我们更快地绕圈。
参考来源：
- • 小俊访谈：Google DeepMind 研究员姚顺宇[1]
引用链接
[1] 小俊访谈：Google DeepMind 研究员姚顺宇: https://b23.tv/q4ZQtZf
