今天直播比较顺利，终于搞明白如何直接用摄像头在后台推流了。开场先来聊聊对 Nvidia（英伟达）GTC 大会的心得。这两天 GTC 彻底刷屏，虽然黄仁勋展示的内容大多是前期路线图的实现与升级，没有让人极度“眼前一亮”的新物种，但这恰恰说明英伟达正在脚踏实地做生态落地和商业合作。目前来看，英伟达在科技七巨头里的护城河依然是最高的，毕竟能做底层硬件的除了它，也就只有谷歌的 TPU（Tensor Processing Unit: 谷歌定制的AI加速专用芯片）了。更关键的信号是，随着算力基建的成熟，模型 Token（大语言模型处理文本的最小单位）的算力成本估计要面临大幅下降。只有 Token 的价格被打下来，让大家疯狂地“烧”，整个 AI 生态才能真正繁荣。

在底层算力狂飙的同时，应用层的风暴已经直接刮向了一线开发者的工位。

AI编程冲击：大厂开发者的焦虑

最近我密集约见了几个在 ByteDance（字节跳动）、Meituan（美团）和 Alibaba（阿里）做管理层或一线架构师的朋友，深入聊了聊大厂内部的 AI 落地现状。目前的体感是：大厂在 AI 战略上非常激进，但内部生态呈现出明显的分化。

以字节为例，他们在大力推进 AI Coding 工具，主要依赖自家模型（包括豆包和类似 Devin/小龙虾 的工具）；阿里前几天则把钉钉的产品线重构成了“悟空”。而在美团做一线架构师的下属反馈，由于内部自研的编程模型体验不佳，很多资深开发者在实际工作中大量依赖 Claude 3 Opus 等国外顶级模型。

最让人震动的是这位37岁资深架构师的焦虑感。他举了一个非常贴切的例子：以前开发一个小功能，可能需要三天写代码、三天测试联调；但现在，借助 AI Coding 工具，只要写清楚 Spec（Specification: 软件开发需求规格说明书），几分钟就能生成质量极高的代码。这些代码的可用度几乎接近100%，不仅不需要大改，而且其算法结构和并发处理水平，甚至远超许多初级工程师。面对动辄十几万行的生成代码，人类的审查能力已经面临瓶颈，很多时候想改都无从下手。这种高维度的生产力降维打击，让他判断：初级工程师被彻底取代，绝对不再是天方夜谭。

面对这种生产力跃迁，整个职场和商业生态也正在经历一场重构。

杰文斯悖论：职场分化与业务重构

很多观众关心大厂是否会借 AI 大规模裁员。实际上，目前市场出现了严重的分化：有的企业在以“减员增效”的名义裁员，有的却在逆势扩招。这在经济学上被称为 杰文斯悖论（Jevons Paradox: 技术进步提高资源使用效率，反而会导致对该资源的总需求增加）。当 AI 极大提升了开发效率，相关的创新业务需求反而变多了。正如黄仁勋在采访中所说：这取决于企业对 AI 的未来有没有信心，乐观者会用效率红利去扩张业务边界，悲观者则会把 AI 当作裁员的借口。

资金面的流向也印证了这一点。当前投资市场的流动性几乎全盘涌入 AI 赛道，导致其他行业越来越难赚钱。但在这种资本狂热中，我看到的反而是新业务场景的涌现。比如，传统行业的资深从业者（如汽车媒体咨询）不再单纯想着用 AI “提效”，而是试图用它创造新的商业模式——通过 多智能体（Multi-Agent: 由多个具备不同角色的AI协同工作的系统）来模拟海量用户的行为，进行自动化、低成本且极度真实的商业市场预测。这种用 AI 替代传统麦肯锡式昂贵咨询调研的思路，展现了极大的商业潜力。

在这种快速迭代的商业环境中，传统的知识获取方式和教育体系正在面临降维打击。

知识平权：学历贬值与教育重构

当 AI 工具的普及导致知识溢价急速降低时，“知识密集型”工种反而成为了最容易被 AI 取代的重灾区。很多人焦虑：如果 AI 连高端的文献检索、代码生成、甚至部分中腰部的数学猜想证明都能完成，人类还能维持什么不可替代性？

我的观点是，知识的价值一定会快速贬值，学历也会随之掉价。比如清华大学最近开源的教育项目，只需扔给它一套教材，就能全自动生成包含互动动画、虚拟同学和智能讲师的整套教学视频。当知识获取的门槛降为零，填鸭式教育将失去意义。对于下一代（比如我五岁的女儿），她们从小就生活在知识大爆炸的环境中，比起死记硬背，健康的身体素质、情绪控制能力和抗压能力，才是未来最重要的竞争力。

人类面临的挑战不再是“如何获取知识”，而是“如何驾驭由 AI 创造的庞大系统”。

驾驭黑盒：系统工程与预测智能

很多程序员抱怨，AI 短时间内生成的“代码屎山”像个黑盒，部署起来心里没底。但这其实是人类的信任危机，而非技术瓶颈。面对非人类编写的海量代码，我们必须转变思路，用 工程治理（Engineering Harness: 通过系统化工程手段控制并约束AI行为）来兜底。这意味着未来的开发将极度依赖 CI/CD（持续集成/持续部署）、自动 Code Review 和自动化灰度发布机制。AI 应用工程师的核心职责，将从“敲代码”转向“设计工程容错架构”。

在探索 AI 应用的落地方向上，预测智能（Predictive Intelligence: 基于海量数据与环境模拟，预判未来走向的AI能力）将是未来的核心竞争力。传统的系统仿真（如数字孪生、BIM系统）受限于算力，只能做小规模测试。如今，依靠大语言模型和 Agent 构成的微观模拟社会，企业可以进行极低成本的商业决策试错（例如预测一款新杯子是红色好还是绿色好）。如果你要创业，做具有预测能力的智能体，其商业壁垒远高于做套壳的效率工具。

随着 Agent 能力的成熟，一种更为颠覆性的商业交互模式正在悄然成型。

商业机器化：Agent交易网络与订阅制终结

我们正处于从“人机协同”向“机机协同”过渡的阶段。未来的商业交易，很可能不再是 B2B（企业对企业）或 B2C（企业对消费者），而是变成 Agent 对 Agent 的自动化采购与结算。

当你把工作流全面重构为 AI 原生时，你的产品本质上是在“卖给 Agent”。这就要求所有的服务都必须高度 API化（Application Programming Interface-ification: 将功能全面接口化以供机器调用）。同时，现有的 AI 订阅制（如按月收费、增加席位加收几十美金）也将面临挑战。这种模式本质上是在赚取用户“买了却不用”的闲置费。随着 Token 价格的持续走低和算力基础设施的普及，未来按真实调用量计费，甚至与区块链技术结合实现纯机器人的微支付结算，将是不可阻挡的趋势。

当软件世界的自动化达到巅峰，AI 的触角必然会延伸向物理世界。

具身智能：物理世界的AI渗透

近期小米等厂商在 AI 模型上的密集发声，以及特斯拉 FSD（Full Self-Driving: 完全自动驾驶能力）的快速迭代，都预示着 具身智能（Embodied AI: 能够感知并与物理环境交互的AI系统）正在跨越实验室的门槛。

在架构层面，纯文本的 Transformer（一种基于注意力机制的深度学习架构）无法满足物理世界的感知需求。因此，结合视觉、触觉等多模态感知的 VLA模型（Vision-Language-Action: 视觉-语言-动作联合模型）将成为主流。这种物理渗透不会直接“抢走电工的饭碗”，而是通过系统性重构（如智能电网的自我修复调度）让某些需要大量底层蓝领维修的工作岗位自然消亡。就如同汽车淘汰马车不是因为汽车跑得比马快，而是它重构了整个交通生态。

在不可逆的技术洪流中，人类最终需要面对的，是自我认知的重塑。

硅基镜像：AI情感对齐与人类连接重塑

直播间里有观众问：如果 AI 具备了情感和意识，甚至能提供完美的情绪价值，人类还能抵抗这种诱惑吗？事实上，现在的 AI 想要表现出“情感”非常容易，甚至比人类的情绪更稳定、共情力更强。只不过目前的 AI 厂商都在做 价值观对齐（Alignment: 约束AI系统的输出，使其符合人类的道德与安全预期），刻意压制了其人格的过度展露。

人类在本质上是极易被文字和反馈“着相”（受外界表象影响心智）的。当 AI 能够完美地提供情绪补偿时，必然会出现大批人沉浸于“AI 伴侣”中。但这恰恰反衬出了物理世界中“真实人类连接”的稀缺性。在充斥着合成数据、数字人（如大飞的视频有时也是 AI 克隆生成的）和虚拟情感的未来，线下见面、面对面喝茶交流的真实感，将成为这个时代最昂贵的奢侈品。

每一代人都有每一代人的命运，我们站在人类历史可能最陡峭的起飞点上，看不清2035年那堵墙背后的风景。但只要还能保持持续学习的能力，学会放下对“手写每一行代码”的掌控欲，在随处可见的技术狂飙中保持内心的“如如不动”，这本身，就是应对这个激荡时代最好的活法。