2025年，关于AI的22条心得

tayun

1

GPT-4 正式发布后，引发全球轰动。对我而言，那是我第一次意识到，大模型已经具备超越人类理性思维的能力。我随即一口气发布了多篇评测文章，开设了新课程，研发了新产品。

而两年后，奥特曼却带头致信美国政府，呼吁限制 DeepSeek。自逼宫事件以来，OpenAI 团队几乎未曾推出令人瞩目的重大成果。目前，开源社区普遍认为，开源大模型在多个维度上已实质性超越闭源大模型。

道心惟微，人心惟危。越是得意之时，越应警惕潜藏于管理团队「人性系统」中的隐性风险。 OpenAI团队的发展，真可谓「成也奥特曼，败也奥特曼」。

2

有时候真的很佩服工程师们。

对于认知科学家来说，模型更像是一种抽象的架构。无论是西蒙还是辛顿，他们提出的模型，多是一些简单的程序，甚至称不上真正的程序。有时候，认知科学家所构建的模型，仅仅是一个抽象的图示而已。

然而，工程师们却将这些模型付诸实现，发展出一种独特的生态和文化。

2024 年，我在演讲《站在 3000 年繁荣的起点》中提到，未来的时代将属于模型家。

科学家的工作成果是实验与论文，而模型家的工作成果则是模型与代码。

未来，不具备生产模型与代码能力的组织，将逐步落伍，最终被淘汰。

同样，那些看不懂模型与代码的个人，也将如同20世纪看不懂科学实验与论文的人，只能逐渐沦为研究工作中的边缘角色。

3

从这轮 AI 大变革来看，最突出的变化就是模型成为了生产要素。

我在 2023 年跨年演讲《人生发展的道与器》中，有一句金句：对话即生产。这是新时代有别于信息时代的地方：信息时代强调「媒介即信息」，而新时代则是「对话即生产」。

而今天我要说，模型即生产要素。它的格式、架构、封装、修改、生成与应用，这一切共同构成了未来至关重要的命题。

「模型即生产要素」对人类社会而言，最特殊之处在于，我们的所思所想所行，乃至过往的创作，都可以被固化为模型，并被更多人调用与使用。

辛顿在接受采访时举的例子非常精彩：我们难以理解一个人的内在偏见，但却可以相对容易地量化一个模型的偏见，并据此进行调整。

这就是这轮AI大变革的独特之处。

4

AI 时代来临，有三个职业依然较难被取代：教师、咨询师，以及医师、理疗师、按摩师。

这三个职业很有趣，源于人类固有的局限。

教师：由于人的行为具有自反性，因此需要教师营造氛围，激发学习者的内在驱动力。

咨询师：人的内心世界极为复杂，存在大量不可言喻、甚至难以启齿的隐秘内容。这些内容往往难以用语言完整表达，而更多通过肢体动作与整体感受来传达。

医师、理疗师、按摩师：源于对人体的处理。人体是一个复杂系统，而治疗的容错率却极低，因此，有经验的专业人士显得尤为重要。

5

AI 时代之前，我们可能是这样的：

设计不会，就雇佣一位设计师；编程不会，再雇佣三位工程师：前端、后端、算法。为了管理大家，再雇佣一位产品经理。为了卖掉产品，又雇佣三位运营人员，分别负责内容、社群和渠道，还需要再雇佣一位运营经理来管理他们。

但如今，趋势已经发生变化，开始变成这样：

这也不会？那就试试看第一个 AI 大模型是否能做到；那也不会？再试试第二个 AI 大模型是否可以胜任。为了进一步提高效率，还可以让第三个 AI 大模型编写一个代理程序来协调它们的运行。如果市面上的大模型都无法满足自身的特定需求，那么就可以自己动手，利用 AI 大模型训练一个新的 AI 模型，甚至连训练数据也部分源自 AI 生成。

未来三年，基于 AI 的各类软件与科研成果都将呈现井喷式增长。

这将对社会形态产生巨大冲击，同时也会带来一些红利。

6

知识可以分为 2023 年之前和 2023 年之后。

2023 年之前的知识，是尚未受到 AI 污染的知识。

2023 年之后的知识，几乎都受到了 AI 的污染。今天看到一篇新闻，令人哭笑不得：一家报道 AI 的专业媒体为了蹭热点，写了一篇关于浙大毕业投资人的报道，结果把张磊写成了浙大本科毕业……众所周知，他是中国人民大学毕业的。记者为何会出现这类低级错误？因为那份名单显然是由 AI 生成的。

与我协作的任何人，我都会用一个指标来判断其是否靠谱：稿件的第一版是否直接由 AI 生成？

如果对方是这样做的，我几乎不会再与其在文字上进行任何协作。

放弃亲自撰写稿件的第一版，实际上就是放弃了独立思考的能力。

借用我之前的那个比喻：写作之难在于：先「怀孕」，再等孩子出生、长大成人，最后才谈得上为其拍照并使用美颜滤镜。很多人误以为，AI 不仅能完成「怀孕」，还能帮助孩子成长成人，这种想法实属荒谬。

这无异于放弃了持续提升自身能力的可能性。

7

非AI领域的人，理解大模型，其实最难的是一个思维方式的切换，如何从思想实验、实验科学到符号思考、计算模拟这类思维方式。

8

AI 发展 2 年，我之前的预判基本对了：在 AI Coding 与 AI Science领域取得了极大的进展，创造了几个新的万亿美金市场。

但说实在的，我虽然已经预判了一些新趋势、新技术的涌现，但有些成果，还是超出我的预期了，给我也有惊喜、惊艳的感觉了。

AI Coding 更像是数字世界的元方法、元技能。类似人类世界，我们都得掌握听说读写，才好沟通。

同样，在数字世界，我们都得掌握：CRUD 实体的能力。互联网+移动互联网时代，一个程序员一天最多能 CRUD 30 个实体，算是极限了，对数字世界中的 object 操作。并且这种能力仅限程序员。

而 AI Coding 带来的变革，是任何一个受过高等教育的普通人，未来，甚至任何一个识字的人，即可用 AI 工具，CRUD 几百个、几千个实体，并且呈现出实体之间的关系，成为最终软件。

而AI Science这块，我个人感觉，一方面，更多借助于AI Coding的进步；另一方面，其实在于它对人类理性思维的漏洞以及想象力不足的弥补。

9

在 AI 时代之前，某类技术知识的半衰期一般会有 3-10 年左右，而现在，普遍变为 18 个月到 3 年了。

对一个人的学习能力要求变高了，对一个人的认知能力要求也变高了。

相应地，处理技术琐事的时间变少了，死记硬背的能力要求变低了。

10

今天傍晚，我出去在公园跑步时，有个很大的感触是，可能 AI 时代，心理学变得更重要了。但我所说的心理学，可能并不是指现在陈腐的那套心理学。而是类似这些：

1、认知：人类如何更好地约束自己给 AI 的指令，以降低认知复杂度？

2、情绪：人类如何更好地帮助 AI 理解人类所处的上下文或情境？

3、动机：人类如何微调 AI 的权重，增强爱或效率？

4、行动：人类如何更好地配合 AI 的行动？

5、人格：人类如何更好地理解不同 AI 大模型的人格？

6、社会：人类如何更好地理解 AI 智能体、AI 大模型等构成的新社会共同体？

传统心理学，人类为中心，其他生物为辅助，因为其他生物统统很难理解人类的意向性，所以，传统哲学说人类是宇宙间孤独的生物。

但现在很不一样了，通过工程学的手段，如 SFT，以及大规模语料的预处理，其实，AI 大模型内置了部分人类意向性，至少可以极为流畅地对话。某种意义上，它已经就是智能体了。

这样，新一代心理学，将逐步从人类为中心，过渡为，既包括人类为中心的那部分心理学，还包括 AI 大模型为中心的那部分心理学，以及人智协同的那部分心理学。

在 AI 大模型时代之前，心理学其实是一个蛮虚的学科，改善人类的认知、改善人类的情绪，给单个人与整个社会带来的好处有限，甚至，心理学家自己鼓吹的改善成功的各类方法，往往并没那么成功，常常是吹牛而已。

但，到了 AI 大模型时代，很不一样了，认知即现实。

改善了某个 AI 大模型的认知、情绪，等，那么，立即带来的是整个人类生产力的大跃迁。

类似Anthropic、notion这类发展速度很快的AI公司，其实雇佣了不少心理学博士。

11

Anthropic 实际上定义了三个与「人类知识结构」强相关的概念：Project、MCP, Skills.

这句话极为关键，project其实就是提供了上下文、约束了输入输出边界；而agent其实提供了行动主体，约束了行动边界；skills则提供了验证标准或范例，约束了能力边界；mcp则提供了模型与外部事物间的通信方式，约束了模型的吞吐量。

12

时代，其实在发生巨大变迁了。知识工作，可以提速 10 倍、30 倍、100 倍了。

只是，很多人感知不到。而 AI Coding 领域，普遍达成共识了：至少是 10 倍速了。

为何恰恰、正好、首先，AI 提速，发生在【AI Coding】领域，其实是多种合力：

1、Github 上沉淀了太多代码、数据、内隐知识；

2、不同领域的主流开发框架，相对容易整理出来；

3、程序开发，结果容易验证；

4、大语言模型本来就擅长处理复杂文本，而 code 就是一种典型的复杂文本；

5、将近 1000 亿美金的投入，大量人工标注，大量合成数据，导致将【AI Coding】不断推向新的里程碑。

6、程序员本身是接受新鲜事物最快、最舍得给生产力工具投资的人群。

13

Agents 这个词，其实是个与时俱进、抽象的实体（object），而不要将它理解为一个静态的、具体的实例（instance）。

举个例子，2023 年的时候，业界普遍地将 Agents 理解为，撰写不同提示词，就算一个 Agents 了，类似这类写法：假设你现在是一个作家。

2024 年的时候，业界开始给 Agents 加入了一些东西，普遍支持联网检索了，RAG 开始大规模普及。流行的，与某个 PDF 对话，以及联网搜索，知识库回答，就成了 2024 年的 Agents 了。

然而，到了 2025 年的时候，大家才发现，Agents 还需要加入 MCP、Project、Skills 以及更多脚本、全局规则、知识库、记忆库等等。

那么，2026 年的时候，Agents 又会加入什么呢？

所以，不要将 Agents 看得太神秘，严格来说，它受制于四个东西：

1、LLM 端的优化：大模型本身的多跳推理支持能力，跳跃步骤越多，支持的 Agents 能力就越强；

2、Prompt 端的优化：提示词工程，或者上下文工程，其实都是一个意思；

3、MCP 端的优化：各类 MCP 能被大模型更好地理解，并且提供更充分的报错信息、反馈信息；

4、知识库端的优化：知识库其实远远不止是文件类知识库，更包括各类全局规则、项目上下文信息，有的称之为 Project，有的称之为 Skills，以及各类记忆库，有的称之为 MemoBank，但总的来说，就是提供更多信息的。

最后才轮到Agents端的优化：也就是设计多个Agents，如何让它们相互对抗、相互协作，以及相互之间如何调度？

14

现在，真的是新工作时代来临了。以前有个术语：数字素养，对应数字鸿沟。现在，开始多了个新鸿沟：认知鸿沟。AI 放大了。工作效率在 AI 加持下，开始出现了显著鸿沟。

未来，无数领域，10倍速的工作效率将不再遥远，正如同今天AI Coding领域正在发生的现实一样。

15

两年了，AI 大模型带来的实质性生产力跃迁，首先发生在 AI Coding 领域，真的有一种：情理之中，但事先普遍没有被预估到的感觉。之前，人们更多谈的是，AI 对制图、音视频、个人创作的颠覆。但这些领域，因为个人的情感价值太大，所以短期内，还谈不上颠覆。

而，AI Coding 领域的跃迁，是实实在在的，生产力跃迁了。

这轮跃迁的三个关键时间节点：2025年5月、8月、10月。如今，则轮到国内大规模跟进了。

而我更期待的是，当【认知能力】与【AI能力】结合在一起，还可能产生一些什么令人完全想不到的东西？毕竟，【认知即现实】。毕竟，我的【认知能力】以及【开智生态】对如何提高一个人的【认知能力】的研究，我估计是非常领先的。

16

这一轮 AI 生产力变革冲击，极为巨大且底层，大家务必重视。目前我已经明确预判：是一种极为猛烈且底层的冲击。

举个例子，教育，马上就会被改变。技能书可以加载复杂知识了。那么，如何写好技能书就比如何学习具体领域的复杂知识更重要了。

设想一下，当无数复杂技能都被外化为技能书了。之前那么多白领高薪岗位还有必要存在吗？

现在只局限在技术圈，但普及到大众层面很容易，只是一个时间问题。

17

AI 时代，品味的重要性被提高到无与伦比的位置了。简单来说，它就是一种挑剔，一般人 80 分能忍，但品味好的人，在 80 分之上，还能感受到 8000 分、8 万分的存在。他会觉得，你怎么能忍受这样的垃圾？

在 AI 时代之前，品味好的人，很多时候，不得不容忍平庸的事物的存在。但今天非常不一样了。

今天，平庸的事物，拖累的是整个【混合智能】迭代的速度。也就是，原本能够较快时间达到下一个里程碑，却不得不在什么反复对齐【80分】的水准。

18

我发现，这轮 AI 变革，有的人适应快，有的人半天没适应，没搞懂，而适应快的人往往就是所谓的【编程思维】【计算思维】好，明白如何更好的与 AI 沟通。

而所谓的【编程思维】【计算思维】好，关键都在【数据】与【接口】这里。

19

AI 时代，最怕的是：不知道自己不知道。

AI 快速发展，会超出我们所有的人的想象。这个时候，不给自己任何预设，更不要假装风淡云轻（这是无数 AI 公司 CEO 的典型错误）。亲自下场写代码、亲自下场调试大模型，亲自下场了解技术最新动向，这才是最有意义的行为。

最近，我实际耗了30 亿 token，有些判断，自然会被推翻；有些判断，自然会被修正；有些判断，自然会被验证是正确的。而我真正能保留下来的，自然是更好的认知。

20

很多同学刚开始面对活水插件（42plugin）为代表的这类全新 AI 工作流，不知道如何下手，我告诉你，答案是非常正确的。因为，无数硅谷 AI 老将都不知道如何下手。

这是一套全新的工作流，一套全新的打法，一套全新的心智抽象层，需要我们去适应 AI 大模型，而不是 AI 来适应我们。

21

意向是一种生命的奇迹，让生命关心世界。5000 年来，人类用文字、印刷、电波，放大这份关心的半径。今天，我们创造了新的放大器：AI 大模型。你的信念、你的欲望、你的意图，将在 AI 的增强下，抵达从未想象的远方。

1956 年，计算机作为参照物催生了认知革命，核心隐喻是「心智=信息处理系统」。2026 年，AI 大模型作为参照物催生意向革命，核心隐喻是「心智=意向网络系统」。计算隐喻时代的问题是记忆如何存储、注意如何分配、语言如何处理；意向隐喻时代的新问题是意向如何涌现、理解如何发生、人机意向如何融合。

站在意向革命的起点，带着好奇与热情，与 AI 一起看见更大的世界。

22

从我的观察、实际体验来说，

1.2 倍速工作：采取 cc+42plugin+zed，绝大多数人可以做到提速 1.2 倍到1.5 倍左右，开一个 agent；

3 倍速工作：开 2-4 个 agent，以及懂软件开发，需要平时有较好的工作习惯，尤其是复盘类习惯，逻辑思维清晰，目前，少数人可以做到；

10 倍速工作；开 4-10 个 agent，用的是国际上最好的 opus4.5 模型，平时工作习惯非常好，是开源社区的领导者、组织者或技术类公司的负责人，以及精通 worktree 类不太常见的 git 类命令，目前，估计只有极少数人可以做到。

倍速越高，对一个人的认知能力、技术能力、领导能力要求越高。为何领导能力也这么重要？其实，10 倍速，很多时候就是在协调、组织 agent 了。

但再过18个月、3年，门槛会越来越低，实现3倍速的工作效率，越来越容易。


来源：36kr