夜雨聆风这两年，我在工作中越来越频繁地遇到一个场景：一个企业客户想做 AI 应用，但说不清楚该从哪里开始；一个地方想发展 AI 产业，但容易把重点放在算力、平台和概念上；一场 AI 赋能培训，台下坐着的不是算法工程师，而是业务人员、项目人员、管理人员；一份汇报材料里，既要讲清楚大模型、算力、Token、RAG，Agent，OpenClaw等层出不穷的新概念，又不能把内容写成一堆听不懂的技术名词。
这些场景叠在一起，让我越来越明显地感受到：AI 已经不只是技术圈自己的事情了。
它正在进入企业的业务流程，进入地方的产业规划，进入项目方案、客户沟通、培训课堂和领导汇报里。
一开始，我也会觉得有点乱。不是因为这些词完全陌生，而是因为它们背后都连着一套更复杂的体系：模型、数据、算力、安全、成本、场景、流程、组织、交付和运营。慢慢地我发现，真正难的不是记住这些概念，而是把它们放回真实项目里，讲清楚它们到底有什么用。
01 我不是技术专家，但我必须理解 AI
我不是技术专家，也不是写代码、做算法出身的人。
虽然我现在从事 AI 行业解决方案相关工作，会接触企业 AI 应用落地项目、地方 AI 产业落地项目，也会参与一些 AI 赋能培训和项目方案设计。但我的工作更多是站在项目、场景、客户和解决方案的角度，去理解 AI 怎么被企业使用、怎么被地方产业承接、怎么变成一套能讲清楚、能落下去的方案。
再往前，我做过几年云计算产品和解决方案。那段经历让我对一件事印象很深：任何一项新技术，真正进入市场和客户现场时，都不只是技术本身的问题。
云计算当年也是这样。很多客户一开始并不关心底层虚拟化怎么实现、资源池怎么调度、网络架构怎么设计，他们更关心的是：为什么要上云？上云以后能解决什么问题？成本怎么变化？系统安不安全？业务会不会受影响？后续怎么运维？
今天 AI 也是类似的。技术很重要，但客户真正关心的，往往不是模型参数本身，而是 AI 到底能不能进入业务流程，能不能解决实际问题，能不能提升效率，能不能控制成本，能不能保证安全，能不能让领导听明白、让员工用起来、让项目真正落下去。
也正因为做过云计算，现在再看 AI，我会更强烈地感觉到：一项技术从“概念热”走向“项目落地”，中间隔着很长一段路。这段路里，不只有技术，还有场景、数据、算力、成本、安全、组织、流程、汇报、培训和持续运营。
02 为什么普通人也要学 AI
我并不精通模型底层原理，也不敢说自己真正懂多少技术细节。很多时候，我和大多数人一样，面对一个新概念，第一反应也是：这到底是什么意思？和我的工作有什么关系？为什么现在大家都在讲？它到底能解决什么问题？
但我慢慢意识到，AI 这件事不能只留给技术人员去理解。因为它已经开始进入很多非技术岗位的日常工作里。
做企业项目的人要理解 AI，不然很难判断客户到底需要什么；做地方产业项目的人要理解 AI，不然很难把算力、模型、数据、应用和产业发展讲成一条完整逻辑；做培训的人要理解 AI，不然很难把复杂概念讲给不同背景的人听；做汇报材料的人要理解 AI，不然很容易把方案写成一堆概念堆砌；做销售和售前的人要理解 AI，不然客户问“你们这个 AI 到底有什么用”时，很难讲清楚。
AI 正在从一个技术话题，变成一个工作话题、项目话题，甚至是管理话题。
这也是我想做“向光问AI”的原因。
03 为什么叫“向光问AI”
这个名字想了很久。
“向光”，是因为我觉得 AI 像一束光。它确实照进了很多原本模糊的地方。以前我们查资料、写材料、做方案、理解一个新概念，可能需要花很长时间，现在借助 AI，可以更快地获得线索、搭建框架、发现问题。
但光不是答案本身。光只是照亮问题，让我们看见原来没看见的东西。真正重要的，还是人有没有带着问题去看，有没有能力判断，有没有耐心继续追问。
所以后面是“问AI”。这里的“问”，不只是向 AI 提问，也是在向这个时代提问，向自己的工作提问，向一个个真实项目提问。
为什么企业突然都开始谈 AI？为什么算力变得这么重要？为什么 Token 会变成企业成本问题？为什么很多 AI 项目看起来很先进，最后却落不了地？为什么地方发展 AI 产业，不能只停留在建平台、买设备、上模型？为什么企业做 AI 应用，最后难点往往不在模型，而在数据、流程和组织？为什么给政府和企业讲 AI，不能只讲技术参数，而要讲场景、价值和路径？为什么普通人不懂代码，也必须建立自己的 AI 认知？
这些问题，我现在也不敢说都已经想明白了。但我觉得，值得一个一个问下去。
“向光问AI”对我来说，不是一个已经完成的答案，而是一段正在开始的路。
04 这个号未来会写什么
我想了一下，结合自己的工作内容以及个人兴趣，这个号未来可能会围绕几个方向慢慢展开。
第一类，是 AI 基础概念。比如大模型是什么，Token 是什么，RAG 是什么，智能体是什么，提示词到底有没有门槛，企业知识库为什么不是上传几个文档那么简单。这些概念不会写得特别技术化，我会尽量用普通人能理解的语言，把它们和实际工作场景联系起来。
第二类，是 AI 项目理解。这是我最想长期写的一类内容。一个企业到底为什么要做 AI？一个 AI 项目通常包括哪些模块？企业 AI 应用从需求到落地，中间要经过哪些环节？给领导汇报 AI 项目时，应该先讲技术，还是先讲价值？为什么很多 AI 方案看起来很完整，真正落地时却困难重重？我希望从项目视角，把 AI 从“一个很热的概念”拆成“一个可以理解、可以沟通、可以推进的事情”。
第三类，是地方 AI 产业落地。地方为什么要发展 AI？算力中心、数据资源、模型能力、应用场景、产业生态之间到底是什么关系？一个地方做 AI 产业，不能只看有没有服务器、有没有大模型，更要看有没有场景、有无企业、有无人才、有无运营能力。
第四类，是算力、模型和 Token 这些 AI 背后的基础问题。现在很多人谈 AI，容易只盯着模型，但真正到了企业和项目里，会发现模型之外还有很多问题：算力怎么来？数据怎么用？安全怎么保障？成本怎么控制？Token 怎么管理？开源模型和闭源模型怎么选？自建算力和租用服务怎么平衡？
第五类，是 AI 赋能培训和表达方法。我越来越觉得，AI 培训最难的不是把概念讲全，而是让不同背景的人真正听懂。老板关心价值，业务部门关心怎么用，技术部门关心怎么接，项目人员关心怎么落，销售和售前关心怎么讲，政府和园区关心产业怎么带动。同样是 AI，不同的人需要不同的表达方式。
第六类，是“一图看懂 AI”。很多复杂问题不是不能讲清楚，而是缺少一个合适的结构。以后我会尝试用图解的方式，把一些复杂概念、项目架构、建设逻辑做成更直观的表达。比如一张图看懂 AI 从芯片到应用的技术栈，一张图看懂 Token 工厂，一张图看懂企业 AI 项目建设逻辑，一张图看懂 RAG 知识库的工作流程，一张图看懂地方 AI 产业落地路径。
第七类，是我自己用 AI 学 AI 的过程。这可能是这个号最真实的一部分。我会记录自己怎么用 AI 拆解一个概念，怎么让 AI 帮我整理资料，怎么用 AI 辅助写文章、做方案、做 PPT，也会记录它不好用、不准确、容易误导人的地方。
05 用输出倒逼输入，让自己真正沉淀下来
学习 AI 最好的方式之一，恰恰是使用 AI。但使用不等于盲信。AI 可以帮我们加速学习，却不能替我们完成判断；AI 可以给出答案，却不能替我们承担责任；AI 可以提供框架，却不能替我们理解真实世界里的复杂关系。
所以，这个公众号不会追求每篇文章都显得很“高大上”。对我自己来说，做“向光问AI”，也是希望给自己一个持续沉淀的地方。
很多时候，工作中接触了很多项目、方案、概念和材料，如果只是看过、听过、用过，很快就会被新的事情覆盖掉。真正能留下来的，往往是那些被认真想过、写过、讲过、复盘过的内容。
所以我想用这个公众号，逼自己持续输入，也持续输出。
输入，是不断学习 AI、大模型、算力、Token、RAG、智能体、企业 AI 应用、地方 AI 产业落地这些新内容；输出，是把这些内容重新整理成自己的理解，用更清楚、更接地气的方式写出来。
我越来越觉得，输出不是为了证明自己懂了多少，而是为了发现自己还有哪里没懂。一篇文章写不出来的时候，往往说明自己理解得还不够深；一个概念讲不清楚的时候，往往说明自己还没有真正想明白。
所以，“向光问AI”也是我给自己建立的一个学习机制：用输出倒逼输入，用表达倒逼思考，用长期记录倒逼自己持续成长。
06 希望和同样想法的小伙伴一起学习
我不想把这个号做成一个单向输出的地方。更希望它像一条学习路上的记录。
我会把自己看到的、想到的、问到的、踩过的坑、整理出来的框架，慢慢放在这里。也希望读到这些文章的人，不是把我当成老师，而是把我当成一个同行者。
我们可能都不是技术专家，但我们都在进入一个不得不重新学习的时代。AI 带来的变化不会因为我们暂时看不懂，就停下来等我们。但看不懂并不可怕，可怕的是一直不问、不学、不判断。
所以，我想从这里开始。
向光，不是因为我已经看清了一切。问 AI，是因为我知道自己还有很多问题。
如果你也和我一样，不一定是技术出身，却已经在工作中越来越多地接触 AI；如果你也希望把大模型、算力、Token、RAG、智能体这些概念真正听懂；如果你也关心 AI 到底如何进入企业、项目、方案、汇报、培训和真实业务场景；如果你也希望通过持续学习、持续输出，让自己在 AI 时代有所沉淀，欢迎关注“向光问AI”。
这里不会假装给出所有标准答案，更多是一次长期的共同学习和记录。
希望在这里，能遇到一些有同样想法的小伙伴。我们一起学习，一起分享，一起拆解复杂问题，也一起慢慢成长。
向光而行，边问边学。
— 向光问AI｜借AI之光，问智能之道 —
