ARTICLE · 985968

AI 越来越强,人还剩下什么?关于 AI 的 12 个判断

发布时间：2026-09-15 08:22:02 最近访问：2026-09-15 08:24:24

最近和朋友见面，总会聊到 AI。

有做基础模型的，有在大厂做 AI 的，也有出来创业做 AI 软件的。聊得多了，很多原本零散的观察开始串在一起。

AI 变化太快，很多判断半年后可能就需要重写。但站在现在这个时间点，有一些趋势已经越来越清楚。

记录如下。

一、AI 越来越强以后，人真正稀缺的能力是什么？

如果模型继续变强，代码能写，实验能跑，资料能搜，报告能生成，方案甚至可以一次给出十几个，那么人到底还应该做什么？

一个越来越重要的答案是：

Taste。

Taste 不只是通常所说的“品味”，更接近一种综合判断力。

什么问题值得做，什么问题不值得做；什么技术是真突破，什么只是指标好看；用户嘴上说想要什么，和最终愿意掏钱买什么；一个产品做到什么程度算好；哪个细节值得投入，哪个应该果断放弃。

它背后其实是技术洞察、用户洞察、市场洞察和长期经验的综合。

AI 可以给出十个方案，但最后押哪一个方向，仍然需要判断。

所以真正形成优势的，可能是这个公式：

Taste × Feedback Loop × Iteration Speed

Taste 决定往哪里走。

但没有任何人可以保证第一次判断就正确，所以还必须尽快进入真实世界，拿到用户反馈、销量、留存、投诉、退货、测试数据，再更新判断。

然后继续迭代。

真正厉害的公司，未必每一次都比别人判断得更准，但它能够持续更快地完成：

判断 → 行动 → 反馈 → 再判断。

AI 把“行动”大幅加速以后，其他几个环节反而变得更加重要。

二、算法不会消失，但“拥有算法”越来越难成为壁垒

大模型训练正在越来越 pipeline 化。

很多过去需要研究工程师亲自完成的工作：

数据处理、参数探索、实验运行、evaluation、调参、coding……

都在不断自动化。

一位做大模型的博士朋友最近甚至经常问：

“我的价值到底在哪里？”

这不是一句玩笑。

当实验、训练、调参、代码生成越来越自动化以后，传统算法工程师工作的价值正在往更高的抽象层迁移。

但这并不意味着算法已经没有门槛。

AI 最大的变化，是把过去很难的0 到 70 分迅速变简单了。

过去需要一个团队几个月做出来的东西，现在一个懂行的人借助 AI，可能很快就能搭起来。

但从70 到 90 分，依然很难。

从 90 分做到一个真正能够稳定量产、经得住各种边界条件的 95 分，更难。

这里面还有大量问题：

泛化、极端 case、数据分布、延迟、功耗、内存、鲁棒性、量化、长期稳定性，以及真实场景下的最终用户体验。

所以更准确的判断是：

算法能力本身正在快速 commodity 化。

单纯“拥有一个算法”，越来越难形成长期壁垒。

真正的壁垒会逐渐往后迁移到：

数据闭环、评价体系、产品化能力，以及持续迭代速度。

三、AI 会催生大量“小核心、大杠杆”的公司

以前做一个像样的软件或者智能产品，往往需要十几人甚至几十人的团队。

产品、前端、后端、算法、测试、设计、运维，各有分工。

AI 正在改变这件事。

一种非常有竞争力的组织形态可能会大量出现：

几个认知水平高、彼此信任、能力互补的人，加上一批 AI Agent。

人很少。

人才密度很高。

组织摩擦很低。

大家直接围绕问题合作，而不是把大量时间花在汇报、拉通、对齐和部门之间的协调上。

上午判断方向需要调整，下午就可以开始改。

AI 把执行效率提高以后，大公司的一个传统问题反而被放大了：

组织摩擦。

一个事情涉及三个中台、五个部门、七个负责人，每个人又有自己的 KPI，再强的 AI 也解决不了这些组织关系。

但这并不意味着“大公司会消失”。

恰恰相反，大公司仍然拥有非常强的优势。

一旦公司进入真正复杂的现实世界，就会面对：

全球渠道、大规模供应链、售后、法规、合规、品牌、医疗体系、大规模 manufacturing、大客户销售……

这些 complexity 不会因为 AI 出现而消失。

对于复杂问题，大组织依然可以投入更多专业人才，把每一个环节做得足够深。

所以更可能发生的不是所有公司都变小，而是：

公司的核心会变小。

真正决定产品方向、资源配置和关键判断的核心团队，人数可能越来越少。

外围则通过 AI、供应商、合作伙伴以及规模化组织获得巨大的杠杆。

所谓“超级个体”，更现实的版本也许是：

超级小团队。

四、基础模型是革命性的，但“模型公司”未必是最好的商业模式

基础模型毫无疑问是革命性的。

它正在改变软件、内容、搜索、研发、教育和组织，未来可能进入几乎所有产业。

但“技术非常重要”和“这是一门很好的生意”是两件不同的事情。

简单看 AI 产业链，大致可以分成三层：

上游：算力 / 芯片 / 数据中心

中游：Foundation Model

下游：入口 / 产品 / 场景 / 用户

其中，中间这一层的长期商业模式反而值得怀疑。

Foundation Model 长期一定会趋同。

不意味着完全一样，而是主要能力之间的差距会逐渐缩小。

今天 A 模型领先一个能力，过几个月 B 追上；B 出现一个新能力，其他公司迅速跟进。

如果最终提供的核心能力越来越接近，那么单纯出售模型和 API，很容易进入价格竞争。

上游反而非常清晰。

无论最后是哪一个模型赢，训练和推理都需要 GPU，需要数据中心，需要存储，需要网络，需要电。

这也是为什么“卖铲子”一直是一门非常清晰的生意。

另一端也很清晰：

入口。

微软就是一个典型例子。

Windows 和 Office 本来就在电脑里，AI 做好以后直接嵌进去。

用户每天打开电脑，它就在那里。

既然入口已经存在，为什么还需要专门去找另一个 AI？

由此可以推出一个很重要的判断：

模型未必是最大的护城河，控制用户关系可能比控制模型更重要。

谁掌握入口，谁掌握 workflow，谁掌握长期用户数据，最终可能比模型领先几个月更有价值。

五、软件工程是目前被 AI 改造最快的行业之一

这个变化快得惊人。

从去年年底到今年上半年，不过半年时间，很多团队的工作方式已经从：

“人写代码，AI 辅助。”

迅速变成：

“人定义问题，AI 写代码，人负责判断和验收。”

招聘方式也开始变化。

过去面试程序员，经常考的是：

一个小时，手写一道算法题，或者完成一百行左右代码。

现在有些公司的方式已经变成：

直接给候选人一个几千行的真实项目，同时允许使用 AI。

考察重点不再是：

你能不能快速生产代码？

而变成：

你能不能快速理解一个陌生系统？

你能不能定义真正的问题？

你会不会正确指挥 AI？

AI 做完以后，你知不知道它到底对不对？

最后出了问题，你能不能承担正确性？

这个变化很深。

但算法和计算机基础依然值得考。

因为判断不是凭空产生的。

一个从来没有真正理解过数据结构、复杂度、并发、架构和系统边界的人，对 AI 生成代码的判断往往也是虚的。

以后可以不天天手写代码。

但计算机思维不会因为不手写代码而失去价值。

甚至可以说，写算法题的意义也会发生变化：

以前是为了验证“会不会写代码”。

以后更重要的是验证：

这个人有没有足够扎实的抽象能力和计算机思维，能够判断 AI 给出的东西。

六、“Coding 成本下降十倍”，绝不意味着“研发成本下降十倍”

这是很容易产生误判的地方。

AI 最容易降低的是：

实现工作的边际成本。

过去一段代码三天写完，现在可能半小时生成。

但研发从来不只是写代码。

研发里面还有：

理解、架构、验证、测试、判断和责任。

这些成本并没有同步下降十倍。

甚至会出现一个新的问题：

认知负债。

AI 一天能生成过去一个工程师一星期才能完成的代码。

如果所有人都这么做，几个月以后，一个系统里可能已经出现大量“没有人真正写过”的代码。

代码都能跑。

测试甚至也能过。

但没有人真正理解整个系统为什么变成现在这个样子。

最后很容易进入一种危险状态：

机器认为自己完成了任务，人却逐渐失去了对系统的掌控。

按照 AI 对需求的理解，它可能完全做对了。

但那个结果，未必是人真正想要的东西。

所以未来软件工程一个越来越重要的问题，可能不是：

怎么写更多代码？

而是：

怎样在 AI 大规模生成实现的同时，保持人对系统的认知主权？

七、AI 会替代大量管理动作，但真正的中层管理者依然很难替代

管理工作中的信息搬运，很容易被 AI 替代。

状态收集、周报汇总、会议纪要、任务跟踪、数据分析、报告生成，这些都越来越适合自动化。

但真正的管理从来不只是传递信息。

真正困难的是：

什么事情最重要？

谁应该负责？

两个团队出现冲突，如何取舍？

什么时候应该 escalate？

什么时候应该坚持？

什么时候应该把一个已经投入很多资源的项目砍掉？

出了问题，最终谁来承担结果？

这里还有一个非常重要的变量：

组织的长期历史。

一个在公司待了五年甚至十年的管理者，脑子里存在大量没有被完整数字化的上下文。

三年前为什么做过某个决定？

当时有什么背景？

谁反对过？

后来发生了什么？

所以今天一个看起来非常合理的方案，为什么其实不应该再走一遍？

模型的长时记忆会持续进步，但目前距离这种：

组织记忆 + 常识 + 利益关系 + 人的判断

融合在一起的状态，还有相当距离。

所以更可能发生的是：

AI 首先替代“管理动作”，而不是替代 Owner。

八、大模型时代正在出现“超级个体 + 极少数核心人才”的组织结构

AI 可能并不会缩小所有人的能力差距。

反而可能把差距进一步放大。

一个真正优秀的人，过去最大的限制往往是：

一天只有 24 小时。

再好的判断，最后也要自己查资料、写代码、做分析、写文档、组织会议。

AI 出现以后，这个人能够同时调用的“智能资源”正在快速增加。

所以个人能力的上限，开始从：

“一个人能亲手做多少事情”

转向：

“一个人能够正确指挥多少智能资源”。

结果可能是：

人减少了。

但关键人反而变得更加关键。

因为 AI 会放大他们的经验、Taste 和判断力。

这也是为什么大模型时代，顶尖人才的价格反而越来越高。

九、前沿 AI 已经是一场资本、算力、人才和组织速度的“总体战”

到了 Foundation Model 最前沿，这已经不是普通软件创业的逻辑。

它越来越像：

芯片 + 军备竞赛 + 顶尖科研 + 超级资本。

GPU 要抢。

顶级人才要抢。

数据中心要建。

电力和网络都变成关键基础设施。

模型一次训练的资本投入可能已经远远超过普通软件公司的整个融资规模。

到了这个阶段，人的工资甚至未必是最大的成本。

真正贵的是：

算力和时间。

一个顶尖研究人员如果能够让整个团队少走三个月弯路，他的经济价值就完全不能按照普通工程师一年能写多少代码来衡量。

所以前沿 Foundation Model 越来越像一场“大国重器”式的竞争。

对于绝大多数创业公司而言，这不是一个合理的战场。

十、AI 软件仍然有大量机会，关键是快

很多人担心 AI 软件：

今天刚做出来一个功能，明天 Foundation Model 自己就把这个能力吃掉了。

这是一个真实风险。

但软件也有一个天然优势：

链条短。

今天基础模型能力升级，团队可能明天就调整产品。

甚至一天以内，就可以重新确定开发方向。

所以 AI 软件创业不能幻想：

找到一个功能，然后守十年。

真正的竞争方式应该是：

持续跑在模型能力扩张的前面。

模型吃掉第一层能力，就往 workflow 走。

workflow 被吃掉，再往数据走。

再往深处是行业 know-how、用户关系、渠道和品牌。

产品本身不断变化没有关系。

只要团队够小、够快，就可以不断寻找下一层价值。

软件也因此依然是 AI 时代创业门槛最低、试错速度最快的形态之一。

十一、AI Hardware 最大的问题不是 AI，而是有没有不可替代的高频场景

过去一年 AI Hardware 很热。

录音设备、耳机、眼镜、项链、手表，各种形态不断出现。

但真正完成大规模商业化的产品并不多。

核心问题并不是模型够不够聪明。

而是：

这个硬件到底解决了什么不可替代的高频问题？

很多产品第一次看到非常酷。

购买的时候觉得：

这个东西以后肯定每天用。

一个月以后可能就放在抽屉里。

AI wearable 特别容易掉进这个坑。

AI 能力很强，并不意味着一定需要为这项能力创造一个新的硬件载体。

比如 AI 耳机。

如果主要价值只是“随时问 AI”，手机已经能解决得很好。

为什么还要多买一个设备？

所以评价 AI Hardware，首先应该问的不是：

用了哪个模型？

而是：

如果没有 AI，这个需求本身存在吗？

真正值得长期关注的大概有两类。

第一类，本来就存在非常明确、高频、刚性的物理需求，AI 只是让它变得明显更好。

第二类，AI 创造了过去完全不存在、而且足够高频的新交互方式。

第一类已经有不少机会。

第二类目前还没有真正收敛。

十二、中美 AI 的竞争，不是简单的“谁技术更强”

美国和中国，本质上是两套完全不同的竞争系统。

美国目前的优势非常明显。

首先是 GPU 和先进算力。

其次是全球最顶尖 AI 人才，以及用极端高薪吸引人才的能力。

第三是非常 deep 的资本市场。

一个顶尖技术团队可以拿到巨额融资，长期投入。

第四是创业退出机制。

Startup 做出真正有价值的东西，大公司愿意直接收购。

创业者敢创业，资本敢下注，很重要的一点就是退出路径足够清晰。

中国则是另一套优势。

制造能力。

供应链效率。

工程成本。

巨大的市场规模。

非常激烈的内部竞争。

政策推动。

以及一个经常被低估的要素：

电力。

AI 最终是一个高度依赖能源的产业。

所以未来中美 AI 竞争中，一个非常关键的变量是国产 GPU。

如果国产算力长期无法解决，中国 AI 一直会处在一个很难受的位置。

但如果国产 GPU 真正跨过可用性和规模化门槛，整个竞争格局可能迅速发生变化。

因为中国并不缺市场。

不缺工程师。

不缺制造能力。

也不缺能源基础设施。

今天大量顶尖人才留在美国，是因为那里钱更多、卡更多、机会更多。

如果未来两边在基础资源上的差距明显缩小，人才流向也可能随之变化。

所以中美 AI 的长期竞争，现在远没有到可以下最终结论的时候。

写到最后，上面这些判断其实都指向同一个问题：

当 AI 把越来越多的“做事能力”变得便宜以后，什么东西会变贵？

答案可能不是代码。

甚至不只是算法。

而是：

Taste、判断、真实世界反馈、用户关系、组织效率，以及承担结果的能力。

过去一个优秀的人即使产生了很多想法，也很难快速把它们变成现实。

因为想法和产品之间，还隔着团队、技术、沟通、时间和巨大的实现成本。

AI 正在快速拆掉这些中间层。

这可能才是 AI 带来的最深刻变化：

“怎么做”正在越来越便宜，而“做什么、为什么做、做到什么程度才算好”，正在越来越贵。