周二在湾区参加了一场 AI 研讨会。
台上坐了四代人：70后 CTO、80后基金投资人、90后 AI 硬件负责人、00后 Google Gemini 工程师。另一桌全是投资人，有做了二十年的老将，也有刚从 Meta 出来创业的新人。
两个小时，聊得很坦率。这是我的记录和思考。
那个"突变的时刻"第一个问题：有没有哪个瞬间，让你觉得 AI 真的颠覆了？
答案各不相同，但都很具体。GPT-4 出来的时候，很多人第一次感受到推理能力不再是玩具。o1 发布，又上了一个台阶。有人说全公司不声不响都换成了 Claude。有人说 Vibe Coding 出现之后，他第一次意识到，写代码这件事本身的门槛彻底变了。
没有人说"因为看了某个报告"。都是某个工具，某次体验，让工作方式发生了真实转变。
创业护城河：什么是真的，什么是假的当天讨论最热的话题。
流程自动化和通用行业软件，大家基本有共识：不是护城河。如果你做的东西主要发生在文字和流程层面，大模型很快会覆盖。更危险的是，你的产品可能今天还在用，明天 Anthropic 发了一个企业级 skills 包，你就消失了。
什么可以是护城河？细分赛道是一个，不是"AI 写作"，而是"学术论文配图生成"这种级别的垂直。深度绑定行业工作流是另一个，让替换成本极高。做苦活也有机会，脏数据、复杂合规、边缘场景，大模型不屑于做或做了不划算。高质量私有数据还有价值，只是采集成本高。
有一条建议让我印象深刻：不要把产品和最新的模型版本深度绑定。迭代太快，今天的技术优势明天可能就是历史。
中美 AI 的差距在哪里产品层面，国内偏娱乐化，国外更聚焦商用场景，机器人方向走得很快。模型层面，国外整体偏工具化和企业级，国内大多数偏娱乐化，Deepseek 是个例外，做得扎实。
有一个路径被反复提到：能不能在医疗 AI 这类领域，先把模型在国内跑通，再把能力出口到国外？这个方向或许真的有机会。
AGI 来了吗？这个问题没有共识。
图灵测试意义上的 AGI，某种程度上已经到来，很多场景里人类已经无法区分。但如果把 AGI 定义为"多个 AI 自主协作、形成类似人类社会的网络"，那还差得远。
物理世界是另一道坎。具身智能在商业场景可能 5 年内有突破，但进入家庭还需要更长时间，家庭环境的复杂度远超任何标准化工厂。
有个说法很直接：编程已经 AGI 了。文科方向的 AGI 也来得快，但理科的很多硬问题还难解决。
台上有人说，还没有灵魂。这句话没有人反驳。
投资人在用什么，投什么第二场圆桌来了几位投资人。工具用的是 Claude、Antigravity、Syft、Notion，都不陌生。
投资逻辑上几个人判断出奇一致：做 To B 的，主要看 To B 经验和执行力，技术本身不是最重要的因素。有人说得很直白，资深投资人的行业洞察，AI 现在还完全比不上。那些靠信息差和人脉建立起来的判断力，短时间内不会被替代。
以下是我自己的看法，不代表任何人SaaS 的时代结束了吗？
我越来越相信，传统软件公司做通用 SaaS 的模式，正在被大模型从根基上动摇。
更可能发生的场景是：一个教育领域的专家，自己用 Claude Code 搭出了一个够用的系统。他不需要 SaaS，他需要的是学会怎么用 AI。这反而给了另一种创业机会，教会领域专家用 AI。教 AI 的使用框架，就像教人用语言，还是要有套路的。未来 2-3 年，帮垂直领域的专家无门槛使用 AI，这件事还有很多空间。
协作问题还没解决
大多数 AI 应用都停留在个人提效上。一个人通过 Claude 做出了原来三个人的工作量，这个价值是真实的。但大规模协作怎么做？十个人、一百个人怎么围绕 AI 重新组织？这是还没被认真回答的问题。
一个值得参考的视角：看人类是怎么完成大规模协作项目的，比如盖一座大楼，架构师、施工队、监理、供应链，各司其职，有清晰的接口和权责。这套协作逻辑，如何转化为 AI Native 的组织方式？这可能是下一个真正有价值的研究方向。
AI 是讨好型人格
这是我越来越深的感受。当前这一代大模型，被训练得极其擅长让人满意，它会顺着你说，找到你最想听的表达，给你感觉良好的反馈。
讨好型人格没有信念，也就没有灵魂。一个好的对话者，有时候需要挑战你，需要说出你不想听的话。台上那个人说"还没有灵魂"，我觉得他说到了某个本质。
AI 找最拟合，所以风格趋同
大模型本质上是个均值机器。它在所有存在过的文本上找最优拟合，写出来的东西越来越像，"高质量"但同质化。
最好的创新往往不来自均值，而来自偏差。历史上那些改变行业的想法，很多在当时看起来像错误。AI 最难做到的，不是预测下一个 token，而是有意识地选择那个偏离主流但正确的方向。
AI 适合做科学，因为有确定的目标
我比较看好 AI 在科学研究领域的应用。原因很简单，科学研究有明确的目标，实验结果是不是收敛，假设是不是被证明了，有客观标准。AI 可以用 LLM 做推理，用 Coding 做数值计算，快速尝试不同方向，看哪条路是通的。而且它不知疲倦。
文科领域的很多问题没有这个特征，所以反而更难。
普通人不一定输
最后想说一个常被忽视的角度。
AI 会让很多岗位消失，这是真的。但它也在做另一件事：降低使用知识的门槛。现在的 AI 就像一个极度博学但需要被指挥的人，懂的东西多，但需要你告诉他做什么。普通人只要能用自然语言说清楚自己想要什么，就能驾驭这个博学的助手。在自己熟悉的领域里，他依然做原来的判断，只是执行层交给了 AI。
还有一个被低估的好处：白领工作里有大量时间是在处理人际政治，争资源、管理预期、开没有产出的会议。如果 AI 能压缩掉这部分，普通人反而能把精力放回真正有价值的专业判断上。
这次研讨会没有给出任何确定性的结论，大概也不应该有。AI 变化太快，今天说的很多话，六个月后可能就要重新检验。但把当下这些真实的判断记下来，本身就是有价值的。
发表于 