AI 发展的两条路线
站在 2025 年的终点回头看，AI 圈有个争论从年初吵到现在：AI 到底该怎么变聪明？一边是OpenAI 前首席科学家伊利亚，主张让 AI“自学成才”；另一边是图灵奖得主杨立昆，坚持要为 AI 注入人类的“世界模型”。
- 自学成才路线：让模型靠预训练 + 强化学习自己成长，人类只设置最基本的架构，然后只要给后勤保障，算力和数据管够就好，别的少干预；
- 世界模型路线：不相信模型能自己学会一切，总想着由人类出手，把“世界的正确结构”，也许包括物理学什么的，手工灌输给 AI。
你在朋友圈日常听说的各路大佬对 AI 的忧虑、批评和争论，基本上就是这两条路线之争。这可不只是技术路线的选择，这是两种世界观的碰撞——如果有朝一日 AI 的智能已经远超人类，我们是放任它，还是控制它？我们是做冷酷的达尔文主义者，相信暴力美学，让 AI 在野蛮生长中自己悟出真理，还是坚持给 AI 当保姆，手把手教它严格遵守世界的规则？
回到大语言模型刚爆发的 2022、2023 年，路线之争又上演了一次。当时以图灵奖得主杨立昆（Yann LeCun）为代表的一派认为：语言模型只是在预测下一个词，它根本不懂这个世界，它没有“常识”，它不知道水往低处流不知道掉下悬崖会死，所以我们必须给 AI 手动注入物理定律和常识。
而 OpenAI 当时的首席科学家伊利亚·苏茨科弗（Ilya Sutskever）则代表另一派，他认为模型仅仅通过文本语料就能掌握世界的投影：如果一个模型能完美预测下一个字，它就必须被迫在内部构建出一个关于世界的模型，所以你不需要专门教它常识，它读的东西多了自然就懂了。
结果当然是伊利亚赢了。今天的大模型不但有常识，而且在生活场景判断和对话语境理解上已经超过普通人。大模型不但不需要“系统性地”学习什么知识条文，而且也不需要学习什么数学解题套路，就能自发解决国际数学奥林匹克金牌级别的难题，甚至正在帮数学家解决真正没人解决过的问题。
那你说现在是不是大局已定，自学成才路线完胜，我们等着看好戏就行了呢？也不是。现在大模型的天空有两朵乌云，有可能是危机。
- 第一朵乌云是，预训练的扩展定律（Scaling Law）似乎已经见顶。
- 一个是数据枯竭：维基百科、arXiv 上的论文、GitHub 上的代码能抓的公开文本就只有这么多，现在基本都抓完了；再往上堆，一方面是版权问题，一方面是噪音比信号还多。
- 一个是创新停滞：最近有爆料说，OpenAI 现在用的所有模型，在预训练这一层，还是两年前 GPT-4o 的那一代版本。他们只是在那个版本上不断堆强化学习、堆各种指令微调来出新模型。他们曾经尝试更大规模的预训练，但效果似乎不好。
- 一个是平庸的同质化：早就有人注意到，现在各家的模型虽然架构上略有区别，训练方法也各有千秋，但是得到模型的表现都差不多。这很容易理解，既然你预训练用的语料都是同样这些，你的基础价值观、思维方式甚至回答问题的套路当然也是高度相似的。
- 第二朵乌云大概是两条路线之争的终极版本：你敢让 AI 自由发展个性吗？伊利亚说，为什么人能连续很长时间解决一个问题，中间遇到什么挫折都能继续，而 AI 编程却常常像黑瞎子掰苞米一样顾前不顾后呢？根本原因是它没有主动性——它只是临时奉命解决你这一刻让它做的事。伊利亚认为，真正强的智能体需要某种内生的价值函数——类似生物的求生欲和好奇心——让它即使没人吩咐，也会持续探索、反思、更新自己。可问题是你敢让它有吗？万一它哪天为了“探索”去干点你不想让它干的事儿怎么办？伊利亚没给答案，这是一个终极难题。
AI时代从效率到效能转变
谷歌曾经有个让人难以理解的招聘流程：一个候选人要经历 20 轮左右的面试。 从效率角度看，这简直是灾难。招一个人要大半年时间，面试官的时间成本、候选人的等待 成本，怎么算都不划算。 但谷歌的逻辑是：如果这个人合适，他可能在公司待十几年，持续产生正向影响。那么，花 半年时间找到这个对的人，和花一周时间招个差不多的人，哪个更值？ 这就是效率和效能的区别。 效率关注的是“把事情做快”，效能关注的是“做对的事情”。
AI 时代的新要求
那么问题来了：在 AI 时代，我们该如何培养效能思维？
- 第一，学会做减法。很多企业引入 AI 后，第一反应是“我能做更多事了”。但其实更应该问的是：“哪些事是真正 重要的？”AI 可以帮你快速试错，但试错的目的是找到那个对的方向，而不是把所有方向都试一遍。
- 第二，重新定义“努力”。真正的努力，是花时间去思考什么是对的事情。可能你表面上看起来很轻松，每天五六点就 下班了，但你的脑子一直在转，在想这个问题的本质是什么，有没有更好的解决方案。等你想清楚了，AI 可能一两个小时就帮你实现了。
- 第三，给自己留白。谷歌著名的“20% 时间”就是这个道理。员工可以用五分之一的时间做自己感兴趣的项目。这 看起来是在降低效率，但恰恰是这些“不务正业”的时间，诞生了 Gmail、Google News 这些 重要产品。说到底，效率是战术问题，效能是战略问题。AI 可以帮你解决战术问题，但战略问题只能靠 你自己。在这个 AI 可以把任何事情都做得很快的时代，慢下来想清楚“做什么”，反而成了最 稀缺的能力。
2025 年，我们见证了很多变化。有些变化让人兴奋，有些变化让人焦虑。
但我想说的是：AI 不是来取代人的，而是来放大人的。
那些被 AI 取代的，不是所有人，而是那些不愿意改变、不愿意学习、不愿意拥抱新技术的人。
而那些愿意改变的人，会发现这是一个前所未有的好时代。你可以用 AI 学习任何你想学的
东西，你可以用 AI 实现任何你想实现的想法，你可以用 AI 放大你的影响力。
AI的资本市场
1. 起点：1 亿美金
在非 AI 时代，1 亿美金意味着什么？它是世界级球星的身价，当年 C. 罗纳尔多从曼联转会皇马，费用差不多就是这个数。
而今天，这个数字变成了顶级 AI 科学家的“转会费”。Meta 为了从竞争对手那里挖走最优秀的科学家，开出的签字费价码就是 1 亿美金。现在的 AI 实验室就像是“职业体育俱乐部”：顶薪高达 7000 万甚至上亿，而底薪只有百万——明星科学家与普通员工之间，已经拉开了巨大的鸿沟。
在商业维度，1 亿美金 ARR（年度经常性收入）更是 AI 初创公司要面临的一道残酷的及格线。对于 Devin、Manus、ElevenLabs 这种当红炸子鸡，只有做到了 1 亿美金，你才敢在硅谷说自己是一家“不错”的 AI 初创公司。
2. 加速：10 亿美金
10 亿美金 ARR 是 AI 独角兽的衡量标准
AI 时代，不到三年涌现出 100 多家独角兽，无论是数量，还是速度，这个记录都已被彻底改写。在传统软件领域，一家公司成长为独角兽平均需要 9 年；而在 AI 的一级市场，这个时间被压缩到了 2-3 年。
这是第一层冲击：AI 正在以 4.5 倍于传统行业的速度，批量制造 10 亿美金公司。
3. 曾经的天花板：100 亿美金 100 亿美金，这个数字在今天有着三重含义：
- 它是入场券：Midjourney、Perplexity 等这一代最优秀的 AI 初创公司，估值都在向这个数字靠拢。
- 它是营收线：OpenAI 去年还在谈几亿的收入规模，而今年（2025 年）的预估收入就已经是 120 亿美金。
- 它是一张发票：Meta 付给云计算公司 CoreWeave 的算力供应订单是 142 亿，微软付给云服务公司 Nebius 的是 174 亿。在这个层面上，100 亿美金只是巨头们随手签下的一张算力租赁发票。
4. 超越历史：1000 亿美金
让我们回顾一下历史上的“烧钱之王”：亚马逊烧了 20 亿美金上市；移动互联网时代的 Uber烧了 180 亿美金上市。
如果我们强行套用互联网的增长规律，AI 时代最烧钱的公司可能要烧掉 1000 多亿。这听起来像个荒谬的统计学游戏，对吧？
但现实比数字更荒谬——OpenAI 自己的财务预测显示，他们未来五年预计需要投入的成本（烧钱规模）是 1150 亿美金。结论已经很清楚：我们正在亲眼见证人类商业史上，第一家烧钱规模突破 1000 亿美金的超级物种诞生。
5. 再进一步：从 GW 到一千万亿
当金额大到一定程度，“美金”已经无法准确描述 AI 公司的扩展规模了。于是，OpenAI 发明了一个新单位：GW（吉瓦，也就是 1GW 电力规模的数据中心建设成本）。
山姆·奥尔特曼现在对外签合同，谈的不是钱，而是电力：给英伟达 10GW，给博通10GW，给 AMD 6GW。
如果按1GW=500亿美金的数据中心基建投入换算，这些合同加起来就是1.5万亿美金的盘子。这直接让所有关于“回本周期”的讨论显得苍白无力。
在这一轮浪潮的尽头，我的脑海里甚至蹦出了一个只在天体物理中见过的词：Quadrillion（一千个万亿）。
在商业上这离我们很远，但在数据上它离我们很近——它就是 PB(Petabyte)。我们不知不觉间，已经把人类的商业文明，推到了需要用衡量宇宙和海量数据的单位，才能描述的全新纪元。
AI带来的转变
- 人才比算力更稀缺。
去年聊起 AI，大家都在说算法、算力、数据。但今年我发现，比这些更稀缺的，是人才。 2025 年，AI 圈最让我感到震撼的新闻之一，应该是 Meta 开出天价挖人。苹果公司前基础 模型团队负责人庞若鸣，综合薪酬超过 2 亿美元，接近苹果 CEO 库克年薪的三倍。OpenAI 的语言模型专家余家辉，四年总薪酬达到 1 亿美元。这些数字，让人看得目瞪口呆。以前这 种数字，只有梅西、C 罗这样的体育明星才能拥有，没想到现在这些看起来很宅男的程序员， 居然能挣这么多钱。
对于我们这种做 AI 产品的中小团队来说，我们需要的不是这些人。我们需要的，是那些既懂业务又懂 AI、更愿 意动手去学新东西的人。
数据显示，中国 AI 人才缺口已经超过 500 万。但更关键的是，59% 的企业认为，他们最缺 的不是会训练模型的人，而是“懂场景、能把 AI 用到业务里”的复合型人才。
这些人，才是 AI 时代真正稀缺的人才。他们的共同点不是学历，不是技术背景，而是好奇 心和行动力。AI 变化太快了，今天学的技术，可能三个月后就过时了。所以，好奇心驱动比 学历驱动更重要。愿意动手去学、去试、去用，这才是 AI 时代最核心的能力。
- 会用 AI 和用好 AI，差距可能是 1000 倍。
去年，大家常说“会用 AI 的人会取代不会用 AI 的人”。但到了今年我发现，这句话已经过时了。 因为现在大家都会用 AI 了，最起码，豆包已经是国民级应用了。新的分水岭在于：用得好 的人会取代用得一般的人。
这个差距有多大？我看到一组数据：在软件研发领域，4% 的企业用 AI 提效超过 80%，但
34% 的企业提效不到 20%，还有 31% 的企业觉得提效不明显。同样是用 AI，结果天差地别。
为什么会有这么大的差距？我观察下来，核心不在于工具本身，而在于使用者的“问题定义
能力”。
让我给你举个具体的例子。同样是用 AI 做数据分析，有两种用法：
- 用法 A：把数据扔给 AI，说“帮我分析一下这些数据”。AI 给出一堆泛泛的结论，你看完还是不知道该怎么办。
- 用法 B：先明确分析目标（比如“我想知道哪个渠道的转化率最高”），把数据清洗好，告诉AI 要关注哪些维度（比如“按渠道、时间段、用户类型分别统计”），要用什么方法（比如“用漏斗分析”），最后 AI 给出的结果就非常精准，你可以直接拿来做决策。
前者可能提效 10%，后者可能提效 1000%。差距就在这里。
所以，AI 不是让人变懒了，反而是对人的要求更高了。你能不能把一个模糊的需求，拆解成
清晰的步骤？你能不能判断 AI 给出的结果是否靠谱？你能不能根据结果不断调整策略？这
些能力，才是 AI 时代真正的竞争力。
给你一个简单的自测方法：下次用 AI 之前，可以先问自己三个问题：
- 我要解决的核心问题是什么？
- 我希望 AI 给我什么样的结果？
- 我怎么判断这个结果是否靠谱？
如果这三个问题你都能回答清楚，那你已经超过了大部分人。
