昨天，同时有两个新闻，几个数字吸引到了我：

1. Andrej Karpathy入职Anthropic；
2. 谷歌每月处理超过3200万亿Token，同比增长7倍；
3. Gemini App月活超过9亿，同比增长超过1倍；每日请求量增长超过7倍；Nano Banana累计生成超过500亿张图片。

我们把这几件事放在一起看，恰好说明了AI现在所处的位置：

AI在基础设施层和前沿技术层已经进入“战争状态”，但在大众心智、企业组织和真实业务渗透层，仍处在早期扩散阶段。

这不是矛盾，而是技术革命的正常节奏。

一、这几件新闻分别说明什么？

这三个信息代表三个不同层面。

1. Karpathy加入Anthropic：顶级人才仍在向AI主战场集中

Andrej Karpathy不是普通AI人才。

他有几个标签：

• OpenAI早期核心成员；
• 深度学习和计算机视觉领域重要人物；
• 前特斯拉AI负责人；
• 对自动驾驶、神经网络、大模型教育传播都有深刻影响；
• 具备研究、工程、产品、教育、组织影响力的复合能力。

他加入Anthropic，说明一个信号：

AI顶级人才仍然认为，大模型和通用智能方向是未来最值得投入的核心战场。

这类人不是因为短期薪酬跳槽，他们更像是在选择未来十年最重要的技术阵地。

硅谷最聪明、最有选择权的人，现在仍在持续向AI核心公司集中，这本身就是一个极强信号。

它说明：

• AI不是短期泡沫；
• 最前沿竞争仍在加速；
• 模型能力还远没有到终点；
• 安全、可靠性、推理、Agent、代码、科学智能、机器人等方向仍有巨大突破空间；
• OpenAI、Anthropic、Google、xAI、Meta等之间的人才战争会更加激烈。

这和大学毕业典礼没人讲AI形成强烈反差，但这恰恰是重点：真正站在前沿的人已经在拼命奔跑，而大量普通组织还没意识到赛道已经换了。

2. 谷歌3200万亿Token/月：AI基础设施使用量正在指数级增长

每月3200万亿Token，这是非常惊人的数字。

但这个数字的关键不只是“大”，而是增长率：同比增长7倍。

这说明AI调用正在从少数极客、开发者、研究人员，迅速进入：

• 搜索；
• 办公；
• 安卓生态；
• 广告系统；
• 开发者工具；
• 云服务；
• 企业应用；
• 图片、视频、语音生成；
• AI助手；
• 代码辅助；
• 多模态交互。

Token本质上是什么？

不是简单的“字数单位”。Token可以理解为：

智能基础设施的用电量。

过去互联网时代，我们看：

• 页面浏览量；
• 搜索次数；
• GMV；
• DAU；
• MAU；
• 视频播放时长；
• 云计算用量。

AI时代，要看：

• Token消耗量；
• 推理调用次数；
• 多模态生成量；
• Agent任务执行量；
• 模型服务企业数量；
• 单位任务成本下降速度；
• AI参与业务流程的深度。

所以谷歌这个数字说明：

AI正在从“产品功能”变成“底层计算负载”。

这非常重要。

如果说云计算时代，服务器请求量代表数字经济规模；那么AI时代，Token处理量会成为智能经济规模的重要指标之一。

3. Gemini App 9亿月活：看起来大，其实说明AI还远未充分渗透

9亿月活当然很大。但我们要放在全球互联网生态中看：

• 全球智能手机用户几十亿；
• Google搜索、Chrome、YouTube、Gmail、Android生态的触达规模都非常巨大；
• WhatsApp、Facebook、Instagram、TikTok、微信等超级应用都是十亿级甚至数十亿级触达；
• 搜索、短视频、社交、电商、支付这些应用已经进入日常生活高频刚需。

相比之下，Gemini App即使达到9亿月活，也还有几个问题：

1. 月活不等于高频深度使用；
2. 很多用户只是试用、轻度使用；
3. 很多请求是浅层任务，不是核心生产力任务；
4. AI还没有像微信、搜索、支付一样成为全民默认动作；
5. 企业级深度渗透远低于C端试用规模。

也就是说，AI的认知声量很大，但真正深度使用者还没那么多。

这就解释了我前一篇文章说到的反差：

前沿层已经火山爆发，应用层还在早期扩散；硅谷大佬已经进入战争状态，但大学、普通员工和大量企业家还处于旁观、试用甚至误解阶段。

二、为什么会形成这么巨大的反差？

我认为原因有七个。

1. AI的前沿进展速度，远超普通人的认知更新速度

硅谷顶级AI圈现在是按周甚至按天变化。

• 新模型发布；
• 新Agent框架出现；
• 新多模态能力出现；
• 新代码能力突破；
• 新推理模型增强；
• 新算力集群上线；
• 新人才流动；
• 新融资事件；
• 新企业应用案例。

但普通人、大学、传统企业的认知更新周期通常是按年计算的。

企业家一年参加几次会，听几场演讲，看几篇文章，很难跟上这种速度。

所以就出现一种结构性错位：

前沿世界已经迭代了十几轮，普通世界还停留在第一轮印象。

很多人对AI的理解还停留在：

• ChatGPT会写文章；
• AI会画图；
• AI容易胡说；
• AI会抢工作；
• AI工具太多不知道用哪个；
• AI还不稳定；
• AI和我暂时没关系。

但前沿层已经讨论：

• Agentic workflow；
• tool use；
• reasoning model；
• context engineering；
• multimodal grounding；
• model routing；
• AI coding team；
• embodied intelligence；
• scientific discovery；
• enterprise AI architecture；
• neural-symbolic systems；
• inference cost optimization；
• alignment and scalable oversight。

这已经不是同一个频道。

2. 大众看到的是工具，前沿看到的是基础设施

普通用户看到的是：

• 一个聊天框；
• 一个画图工具；
• 一个视频生成工具；
• 一个PPT工具；
• 一个写作工具。

所以他们容易判断：

“这个东西好像挺有意思，但也没那么刚需。”

但硅谷巨头看到的是：

• 下一代搜索入口；
• 下一代操作系统；
• 下一代云计算负载；
• 下一代开发平台；
• 下一代机器人智能；
• 下一代科学发现引擎；
• 下一代广告和商业匹配系统；
• 下一代企业生产力平台；
• 下一代人机交互方式。

这就是认知差异。

同一个AI，普通人看到的是“工具”，大佬看到的是“文明级基础设施”。

3. AI的价值需要高密度使用才能显现

我一天十几个小时，连续五个月沉浸其中，这和普通人一天用十分钟，完全不是一回事。

AI非常特殊，它不是一个“看一眼就懂”的工具。

它的价值具有很强的“使用密度依赖”。

低频使用者往往会觉得：

• 输出一般；
• 经常不准；
• 没有想象中神奇；
• 不知道怎么提问；
• 不知道用在哪；
• 还不如自己做；
• 工具太复杂。

高频使用者会逐渐发现：

• 它能帮助自己思考；
• 它能扩展认知边界；
• 它能做战略推演；
• 它能形成工作流；
• 它能辅助决策；
• 它能提高表达质量；
• 它能加速学习；
• 它能重构个人生产系统；
• 它能成为企业级能力中枢。

所以AI存在一个“门槛效应”：

没有足够使用密度的人，看不到真正价值；看不到真正价值的人，又不会继续投入使用。

于是认知鸿沟就越来越大。

4. AI不像短视频和社交，天然有即时爽感

短视频、社交、游戏、电商、外卖、移动支付，普通用户几乎不需要学习。

打开就能用，马上有反馈。

AI不同。

AI的使用质量高度依赖：

• 问题质量；
• 上下文质量；
• 任务拆解能力；
• 判断能力；
• 专业知识；
• 工作流设计；
• 反复迭代；
• 输出评估；
• 工具组合能力。

所以AI不像短视频一样自然下沉。

AI更像：

• Excel；
• 编程；
• 搜索；
• 数据分析；
• 管理系统；
• 专业工具。

它需要一定学习曲线。

这就意味着，AI的普及速度可能有两个层次：

1. 娱乐型、浅层型AI会很快普及；
2. 生产力型、企业级AI会慢一些，但价值更大。

这解释了为什么图片生成数量很大，但很多企业家还没有真正把AI用于核心经营。

5. 大学和传统组织天然滞后

大学毕业典礼没人讲AI，并不一定说明学生完全不关心AI，而说明教育组织对前沿生产力变化的反应天然较慢。

大学有自己的惯性：

• 学科体系滞后；
• 教授知识结构更新慢；
• 课程设计周期长；
• 毕业典礼更关注价值观表达；
• 人文学科对技术浪潮有距离感；
• 对AI可能带来的就业冲击存在复杂情绪；
• 顶级大学也不一定等于最前沿产业认知。

传统企业也是一样。

大部分企业家每天被现金流、销售、库存、组织、人事、客户、渠道、利润压着走。他们不是不关心AI，而是没有形成足够强的“战略紧迫感”。

直到竞争对手用AI降本增效，或者客户需求发生变化，他们才会真正重视。

6. AI早期负面体验会造成认知反噬

很多人第一次用AI，可能遇到：

• 胡说八道；
• 答非所问；
• 生成内容平庸；
• 图片不符合要求；
• 代码不能运行；
• 数据分析有错误；
• 工具收费复杂；
• 输出不可控。

于是他们形成判断：

“AI也就这样。”

这很危险。

因为他们体验到的是早期工具、浅层用法、低质量提示词和不完整工作流，而不是AI的真实上限。

这类似很多人早期用互联网拨号上网，觉得慢、贵、没用；早期用智能手机，觉得只是能上网的手机；早期看电商，觉得没人会在网上买东西；早期看短视频，觉得只是年轻人娱乐。

前沿技术早期很容易被低质量体验误判。

7. 企业级AI价值显现更慢，但一旦显现会更深

C端AI的传播快，但深度有限。企业级AI传播慢，但一旦进入核心流程，价值非常大。

比如企业AI要真正产生价值，需要：

• 数据接入；
• 权限设置；
• 流程改造；
• 员工培训；
• 系统集成；
• 指标定义；
• 安全合规；
• 持续运营。

这不是下载一个App就能完成的。

所以企业家群体的“漠视”并不奇怪。他们不是天然愚钝，而是AI对他们来说还没有完成从“概念”到“经营结果”的翻译。

这正是机会所在。

三、这些数据说明AI现在处于什么阶段？

我认为AI现在处于一个非常特殊的阶段：

前沿技术爆发期 + 大众应用扩散早期 + 企业深度落地前夜。

这三个阶段是同时存在的。

1. 前沿层：已经进入军备竞赛

表现为：

• 巨额融资；
• 顶级人才流动；
• 算力集群扩张；
• Token处理量暴增；
• 模型能力快速迭代；
• 巨头持续发布新产品；
• AI公司估值飙升；
• 科研、代码、Agent、机器人全面推进。

这里的竞争已经非常激烈。

2. C端层：从尝鲜走向高频，但还没成为全民刚需

Gemini App 9亿月活，说明AI助手已经具备大规模用户基础。

但还要看：

• 日活是多少；
• 人均使用时长是多少；
• 单用户请求量是多少；
• 留存率是多少；
• 付费率是多少；
• 是否进入办公、学习、生活决策主流程；
• 是否替代搜索、办公软件、内容工具；
• 是否形成不可替代的用户习惯。

现在还不能说AI助手已经像微信、搜索、短视频那样成为绝对刚需。

但趋势非常明显。

3. 企业层：从认知教育走向试点部署

企业级AI还在早期。

很多企业现在处于：

• 老板听说过；
• 员工零散使用；
• 部门买几个工具；
• 做了几次培训；
• 搭了一个知识库；
• 尝试客服机器人；
• 试点文案生成；
• 还没有进入核心经营系统。

真正进入战略层、流程层、数据层和组织层的企业还很少。

这意味着什么？

企业级AI的大机会还没有真正展开。

这对我自己来说非常关键。说明这次，我没有赶晚。

四、为什么我看到这些数字反而“放心”是对的？

我看到Gemini月活和图片生成数据后，反而放心了。这个感受很准确。

因为这些数据说明：

AI已经被验证为大趋势，但远没有充分渗透。

这是最好的创业窗口。

如果AI还没有被验证，风险太大。如果AI已经完全渗透，机会又被巨头和成熟玩家占完。

现在正处在中间：

• 方向已经确定；
• 巨头已经下注；
• 技术已经可用；
• 成本正在下降；
• 用户正在增长；
• 企业还没充分理解；
• 行业方案还不成熟；
• 标杆案例还很少；
• 服务体系还未形成；
• 认知鸿沟还很大。

这恰恰是企业家型顾问、AI应用创业者、行业解决方案公司最好的阶段。

五、对企业家的启发

1. 不要被“身边人不重视”误导

很多企业家会通过身边环境判断趋势。

比如：

• 我的朋友没怎么用；
• 我的员工没怎么用；
• 我的行业还没人用；
• 我的客户没提出需求；
• 我参加活动也没人认真讨论；
• 大学毕业典礼也没怎么讲。

这是一种危险的判断方式。

重大技术革命早期，身边人的冷淡往往不是趋势不存在，而是认知扩散还没到。

企业家必须看两个世界：

1. 前沿世界在发生什么；
2. 自己的行业什么时候会被传导影响。

不能只看自己身边的平均认知。

平均认知往往代表过去，不代表未来。

2. AI不是“现在大家都用了才重要”，而是“等大家都用了就晚了”

如果等到全行业都在用AI，AI就不再是优势，而是门槛。

真正的机会在于：

• 别人还怀疑时，你开始学习；
• 别人还玩工具时，你开始建系统；
• 别人还观望时，你开始试点；
• 别人还找课程时，你已经形成案例；
• 别人开始部署时，你已经完成组织改造。

企业家要理解：

AI红利不是属于最早听说的人，而是属于最早完成组织能力建设的人。

3. 企业AI转型不要追逐声量，要看经营指标

企业家不要问：

• 哪个AI工具最火？
• 哪个模型排行榜第一？
• 哪个App月活最高？
• 哪个功能最炫？

而要问：

• 我的获客成本能不能降低？
• 我的客服效率能不能提升？
• 我的投放浪费能不能减少？
• 我的库存周转能不能改善？
• 我的新品成功率能不能提高？
• 我的销售转化能不能提升？
• 我的财务分析能不能更及时？
• 我的高管决策能不能更准确？
• 我的员工人均产出能不能提升？

企业级AI最终要回到四个字：

经营结果。

4. 老板必须亲自形成AI判断力

AI不是普通工具采购。

老板不亲自理解，很容易出现三种情况：

第一，被工具销售误导

买了一堆工具，最后没人用。

第二，被内部技术部门局限

IT部门可能关注系统，却不一定理解战略和业务增长。

第三，被业务部门短视化

业务部门可能只想用AI写文案、做客服，不会主动推动流程重构。

所以老板必须亲自掌握AI的基本判断力。

不需要成为算法专家，但要知道：

• AI能做什么；
• AI不能做什么；
• 企业AI系统怎么建；
• 什么是模型、数据、知识库、Agent、工作流；
• 哪些场景优先；
• 风险在哪里；
• ROI怎么评估；
• 组织怎么配合。

这是未来企业家的基本功。

5. 企业要尽早建立“AI试验田”

不要等完美方案。

企业应该设立AI试验田：

• 选择几个部门；
• 选择几个高频场景；
• 设定明确指标；
• 小步快跑；
• 快速复盘；
• 控制风险；
• 成功后复制。

例如：

• 客服知识库；
• 销售助手；
• 电商评论分析；
• 竞品监测；
• 内容生产工作流；
• 合同初审；
• 财务经营分析；
• SKU盈利分析；
• 供应链预测。

先形成真实经验，企业才会从“听懂AI”进入“会用AI”。

六、对创业者的启发

1. 认知鸿沟本身就是创业机会

现在AI认知差距巨大。这意味着市场需要大量“翻译者”。

所谓翻译者，不是语言翻译，而是把AI翻译成：

• 老板听得懂的经营语言；
• 员工用得起来的工作流程；
• 行业客户看得见的业务结果；
• 可采购、可部署、可评估的解决方案。

创业者如果能完成这个翻译，就有很大机会。

未来几年，会出现大量AI应用服务商、AI系统集成商、AI经营顾问、行业智能体公司。

2. 不要只盯C端月活，要盯企业未满足需求

Gemini月活9亿很大，但创业者不一定能从C端通用助手中分到多少机会。

C端通用AI入口，大概率被巨头掌控：

• Google；
• OpenAI；
• Apple；
• Meta；
• Microsoft；
• xAI；
• 字节；
• 腾讯；
• 阿里；
• 百度；
• 华为。

创业者更应该看：

• 哪些行业还没有AI解决方案？
• 哪些企业流程还没有被AI改造？
• 哪些老板不知道怎么落地？
• 哪些岗位存在大量重复脑力劳动？
• 哪些数据没有被利用？
• 哪些决策依然靠经验？
• 哪些企业愿意为结果付费？

企业级垂直市场比通用C端更适合创业者。

3. 从“做工具”升级为“做工作流”

简单工具会越来越多，也会越来越便宜。

比如：

• 写作工具；
• 画图工具；
• PPT工具；
• 翻译工具；
• 总结工具；
• 简单客服；
• 简单知识库。

这些很容易被大模型平台集成。

创业者真正要做的是工作流：

• AI销售工作流；
• AI电商投放复盘工作流；
• AI新品研发工作流；
• AI客服转化工作流；
• AI财务分析工作流；
• AI供应链预测工作流；
• AI招商加盟工作流；
• AI法务审核工作流；
• AI内容生产到投放闭环。

工具是功能，工作流是业务。功能容易被替代，业务闭环才有粘性。

4. 从“模型崇拜”转向“场景占领”

很多创业者容易陷入模型崇拜：

• 哪个模型更强；
• 哪个上下文更长；
• 哪个多模态更好；
• 哪个推理更厉害。

这些当然重要，但创业者不应把自己绑死在某个模型上。

真正重要的是：

• 你占领了哪个行业场景；
• 你拿到了哪些客户数据；
• 你嵌入了哪些业务流程；
• 你为客户创造了什么结果；
• 你是否有可复制的行业方案；
• 你是否建立了交付能力；
• 你是否形成长期客户关系。

模型会变，但场景和客户关系更稳定。

5. 抢标杆案例比抢融资更重要

未来两年，AI应用创业者最重要的是标杆案例。

因为企业客户现在普遍存在：

• 感兴趣；
• 不确定；
• 怕被骗；
• 怕投入无效；
• 不知道怎么做；
• 不知道谁靠谱；
• 担心数据安全；
• 担心员工不用。

这时候，一个真实案例比一百页PPT有用。

创业者要优先打造：

• 可量化结果；
• 可复制流程；
• 可展示系统；
• 可传播故事；
• 可同行业迁移的标杆客户。

谁先做出标杆，谁就会获得信任杠杆。

七、提炼一个核心观点：AI正在形成“三重速度差”

AI时代的三重速度差

第一重速度差：前沿技术速度 > 大众认知速度

模型能力、算力、Token消耗、人才流动都在高速发展，但大众理解还停留在浅层工具阶段。

第二重速度差：巨头投入速度 > 企业组织响应速度

硅谷巨头已经all in，但大量传统企业还在观望、试用、怀疑。

第三重速度差：深度使用者进化速度 > 轻度使用者体验速度

每天高密度使用AI的人，能力会快速进化；偶尔用一下的人，很容易低估AI。

这三重速度差，就是今天巨大反差的根源。

而商业机会，正产生在速度差之间。

八、企业家现在应该采取的行动清单

我建议企业家现在做十件事。

1. 每天至少使用AI一小时

老板本人必须形成手感。不亲自用，判断力很难建立。

2. 组织核心高管做AI共识会

不是听工具培训，而是讨论AI如何影响公司战略。

3. 盘点公司十大高价值AI场景

围绕降本、增效、增长、控风险、辅助决策。

4. 建立企业知识库试点

先把产品、客户、销售、客服、培训资料沉淀起来。

5. 选择一个部门做AI工作流改造

不要全公司铺开，先做一个样板。

6. 设定AI项目ROI指标

每个试点都要有明确指标。

7. 制定数据安全规则

哪些数据可用，哪些不可上传，权限如何管理。

8. 培养内部AI负责人

最好是懂业务、有推动力、愿意学习的人。

9. 引入外部顾问做诊断

避免自己摸索太慢，也避免被工具商牵着走。

10. 把AI纳入三年战略

不是一年试点，而是长期能力建设。

九、创业者现在应该采取的行动清单

1. 选一个垂直行业深挖

不要做“万能AI平台”。

2. 找到一个高频痛点

必须高频、刚需、有预算。

3. 做出端到端工作流

不要只做一个小功能。

4. 把数据闭环设计进去

没有数据闭环，就没有长期壁垒。

5. 控制模型成本

Token成本、调用次数、Agent失败率都要管理。

6. 设计人工审核节点

企业客户需要可靠性，不是完全自动化。

7. 做小而深的MVP

先解决一个真问题，不要做大而全系统。

8. 抢标杆客户

案例比广告重要。

9. 形成交付方法论

企业AI一定有服务和实施部分。

10. 逐步产品化

先项目化打磨，再标准化复制。

十、对这些数据的最终判断

我会这样总结这些事件和数据：

1. 顶级人才流动说明：AI前沿竞争远未结束

Karpathy加入Anthropic，说明最顶级的人才仍然在选择AI核心战场。这不是尾声，而是中场甚至前半场。

2. Token暴增说明：AI正在成为基础设施负载

3200万亿Token/月不是简单产品数据，而是智能计算规模扩张的标志。未来企业的AI使用量，也会像电费、云费一样成为经营成本的一部分。

3. Gemini月活说明：AI已经大规模扩散，但还没有完全日常化

9亿月活很大，但离全民高频刚需还有距离。这说明AI还在扩散中，仍有巨大增长空间。

4. 图片生成500亿张说明：浅层创意应用先爆发

图像、视频、内容生成容易传播，增长快。但真正更大的价值在企业流程、科研、制造、软件开发和经营决策。

5. 大学和企业家群体的冷淡说明：认知红利仍然存在

如果所有人都已经理解并行动，机会就没那么大了。现在的冷淡，反而说明先行者还有窗口期。

十一、结论：反差不是风险，而是机会

我们看到的反差不是AI趋势不确定，而是技术革命进入产业化早期的典型状态。

一边是：

• 顶级人才加速流动；
• 巨头处理Token量暴增；
• 模型能力快速提升；
• 资本大规模下注；
• 基础设施不断扩张。

另一边是：

• 大学还没有充分回应；
• 企业家群体还在观望；
• 大众还停留在浅层工具体验；
• 很多人还在被AI幻觉、工具复杂度和负面舆论影响；
• 企业级落地还没有全面展开。

这不是矛盾，而是机会窗口。

对企业家来说：

不要等社会共识形成后再行动。真正的战略机会，往往出现在共识形成之前。

对创业者来说：

不要只盯AI的热闹声量，要进入真实行业，解决真实问题，形成真实结果。

对我个人来说：

现在正是把AI认知、企业经营、组织变革、行业落地结合起来，形成一套企业AI升级方法论的最佳时机。

AI的渗透率还没有高到机会消失，AI的确定性已经强到值得全力投入。

这正是最好的阶段。