一场 AI 交流会，我看到了两个平行世界

有幸参加了一场 AI 跨界交流会。

先给组织者点个赞——能把各行各业的人攒到一间屋子里聊 AI，本身就是件不容易的事。到场的人很杂：做制造的、做营销的、做电商的、做供应链的、做教育培训的。每个人都在自己的行业里摸索，怎么用 AI 给自己和他人创造价值。这个氛围，很好。

交流中的两段对话，让我印象很深。

一位参会者很认真地抛出自己的困惑："为什么我问 AI 处理文件、查一些材料，出来的结果每次都有差异？DeepSeek、Kimi、即梦、Gemini、ChatGPT，给我的答案都不一样——我到底该用哪个？怎么选？"

另一位参会者的问题，则把话题拉得更深："业务和技术到底怎么融合？技术终归要为业务服务才能创造价值，这两者之间的鸿沟，怎么打破？"

而就上一周，我和几位 AI 从业者在另一个会议上，聊的是 MCP、Loop 工程、向量化，还有 top-k、top-p 的参数优化。

都是AI交流会，聊的几乎是两个世界的话题。

回来的路上，我一直在琢磨这两个问题。一个问"工具怎么选"，一个问"业务怎么融"，看似不相关，但我总觉得，它们背后连着同一件事。

那天会场里，其实没有谁是"不懂"的。恰恰相反，每个人都在自己的领域里很专业——我不懂电商的选品和投放，不懂制造业的产线工艺，正如他们不必懂我的参数和架构。大家只是各自站在自己的知识版图上，而 AI，恰好站在了所有版图的交界处。

这让我冒出一个的想法：

AI 普及的卡点，从来不是技术本身，而是知识能不能更顺滑地流动。

包括我自己在内，做技术的人容易有一种惯性：以为把原理讲清楚了，别人自然就会用了。但那天的交流提醒我，事情可能不是这样。

那位问"该用哪个"的朋友，他真的想搞懂模型之间的差异吗？未必。他要的或许只是一个够得着的答案——适合他业务的方案，而不是底层的技术原理。

这很合理。司机不需要懂发动机，只需要车好开。

那问题就来了：如果原理讲不通、教材没人看，普通人到底该怎么学会用 AI？

教材这条路，我是不太乐观的——成年人很难有耐心读完一整套课程，何况 AI 的迭代速度，比教材的出版速度快得多。我自己回想这些年的学习经历，真正记得住的，几乎都是在工作中、在解决具体问题时学会的。带着真实的问题去学，用一次就懂一次。

顺着想下去，第二个问题好像也有了一点眉目：业务和技术之间的鸿沟，靠技术方去"教"业务方，恐怕很难填平；但如果业务的人能在自己每天的工作里，亲手把 AI 用起来，融合也许就自然发生了。

墙一直都在，但也总有一扇门。

顺着这个思路，有一个的设想在我脑海里一直转，抛出来和大家一起推敲——

如果有一个平台，内置了工作中常用的角色和技能：做营销的选营销角色，做供应链的选供应链角色。平台同时对接多个大模型，同一个需求发出去，几个模型的回答并排摆在你面前。

你不需要懂任何参数，只需要做一件事：挑一个你觉得最好的。

当然，这里有个我自己也还没想透的坑：不熟悉 AI 的人，判断得出哪个输出更好吗？会不会只是选了"看起来更长的那份"？所以这个平台恐怕不能只是一个"多模型对比工具"，它得想办法把"选"的过程变成"学"的过程——比如给出一些评分参照、示例对照，让人在一次次挑选中，慢慢看懂好的“提问得好”和“好的回答”长什么样。

用得多了，自然会回头理解并优化自己的提问方式；业务语言和技术能力，也在这个过程中慢慢靠近。这个方向值得试试。

与其把人拉进教室，不如把学习藏进他每天要用的工具里——这个直觉，不知道你认不认同。

当然，还有另一种可能：干脆不让人学，把 AI 悄悄嵌进大家已经在用的软件里，让"学习 AI"这件事直接消失。两条路哪个对，或者是不是该一起走，我也还没有答案。

一个设想：把"选"的过程，变成"学"的过程。

交流会散场的时候，我又想起茶歇时那两个提问。模型会一代代更替，参数会一轮轮过时，今天聊的 MCP，明年可能就成了旧词。但有些问题，大概会一直在：

知识能不能流得再平一些？业务和技术能不能靠得再近一些？普通人用上 AI 的门槛，能不能再低一点？

这是值得大家思考和探讨的问题，没有标准答案

你在的行业里，大家用上 AI 的门槛高吗？业务和技术的鸿沟，你们是怎么跨的？留言区聊聊，另外平台构想是否对你了解AI 和使用AI 有用，也欢迎随时交流