150: 【年末AI回顾】从模型到应用、从技术到商战，拽住洪流中的意义之线|Solo

摘要

• 2025 年模型侧最关键的变化，是推理、coding、多模态、工具使用和记忆开始汇合成可支撑 Agent 的能力栈。 DeepSeek R1 以完全开源、详细技术报告和“最后一次训练成本 557 万美元”把 Test-Time Compute 推向全球，也显示年轻、小规模团队能以相对低成本浮现顶尖成果；Claude Code 则说明“coding 不仅是目的，更是手段”，会编程让模型在数字世界里拥有了手脚。

• 模型竞争正从单一算法竞赛变成芯片、系统、算法、产品与组织的协同设计。 Google 的 TPU—JAX—AI infra—云—Gemini—应用垂直整合，DeepSeek 的算法与 infra 共创，以及阿里“通义、阿里云、平头哥”和腾讯将 AI infra 划给姚舜宇，指向同一种护城河。DeepSeek 曾以 1,800 多张卡承载一天 6,000 多亿输入 token、近 1,700 亿输出 token，并测算出 84.5% 毛利率；争议本身反而显示其系统优化之极致。

• Agent 应用同时打开了通用自动化、垂直工作流和基础设施三层机会，但入口控制权仍掌握在平台手里。 Claude Cowork、OpenClaw 等把 general agent 降到普通用户可用，垂类 Agent 则通过行业数据和流程切入法律、设计、影视等场景，并从卖席位转向“为结果付费”。豆包手机被微信、美团等限制，揭示手机厂商、超级 App 与 AI OS 的三方博弈：Agent 能否调用服务、广告价值归谁、平台是否仍有必要，都还没有答案。

• 中国巨头的 AI 战争已进入模型、产品、流量和生态同时下注的阶段，字节暂时拥有最完整的消费端飞轮。 豆包成为中国首个日活过亿的 AI 产品，海外版 Dola 日活也超过 1,000 万；字节靠模型—产品协作和抖音传播形成“一超多强”，但最大流量产品仍免费，收入主要来自 TRAE、Coze 等工具。阿里以千问重押生活服务并把单日投放推到 1,500 万元，腾讯则靠全面接入 DeepSeek 令元宝一周日活涨十倍；春节还有豆包春晚、元宝 10 亿元红包、千问 30 亿元红包与 DeepSeek V4 这一变量。

• 基础模型创业的估值已明显上升，收入和烧钱能力却仍与美国头部公司相差两个至三个数量级。 智谱、MiniMax 上市后市值分别达到 794 亿元和 1,284 亿元人民币，但其披露期内收入约为 2,700 万和 5,300 多万美元；同期 OpenAI 自称 2025 年收入远超 130 亿美元，Anthropic 据报道为 45 亿美元。程曼祺的概括是，IPO“不是对胜者的奖赏，而是下一轮竞赛的鼓点”，甚至也是“续命保命的安全网”。

• 应用公司的商业验证比基础模型更广，但真正跨过 5,000 万美元 ARR 的全球 AI 原生公司仍只有约 40—70 家。 Cursor、Perplexity、Midjourney、ElevenLabs、Harvey 等集中在 coding、内容创作及法律、教育、医疗；中国背景团队中，Manus 以约 20 亿美元被 Meta 收购，Genspark 报称 ARR 达 5,000 万美元，OpenArt 约 20 人做到 7,000 万美元。应用团队可以小而美、被收购或向底层模型延伸，不必都玩基础模型“Go Big or Go Home”的游戏。

• 具身智能获得了远超当期收入和落地进度的资本定价，2026 年上市潮将检验市场愿意为多远的未来买单。 2025 年中国具身与机器人融资达 735 亿元，对比仍训练大模型公司的 182 亿元；智元取得尚纬股份控制权后，后者市值一度由 30 多亿元冲到 690 亿元，但这并不等于借壳。行业仍卡在数据、模型和本体：仿真是低成本出路还是“一个大坑”尚无共识，Optimus 灵巧手寿命仅约六星期、单手超过 6,000 美元，而真正进入工厂、商店和家庭的规模化应用仍待验证。

• AI 硬件可能产生眼镜这样的入口级设备，也可能沿着录音、健康、陪伴和户外等细分需求长期多样化。 眼镜的价值在 Hands-off、Always-on 和取得巨头拿不到的真实世界上下文，但显示、重量、续航与发热尚未收敛；Plaud 靠通话录音与 AI 摘要累计销量超过 100 万台，说明“硬件是模型载体”不如明确需求重要。最终更难的问题落在人身上：AI 岗位扩张与白领裁员并存，重复工作可以“AI 化”，但人的意义未必能从工作无缝迁移到生活——“大模型不能替你活过”。

精读

1. DeepSeek R1 把推理模型变成了技术、开源与叙事的共同胜利

• 2025 年 1 月 20 日，DeepSeek R1 与 Kimi K1.5 同日发布；前者成为全球首个在大参数规模上复现 OpenAI o1 的推理模型，影响力后来远超 K1.5，甚至超过原始版本 o1。

• R1 的破圈不只来自能力：它完全开源最强“满血版”，技术报告足够详细，又特意高亮最后一次训练成本仅 557 万美元。前两点赢得全球研究者尊重，第三点则令美国政商界、特朗普和英伟达股价都作出反应。

• 程曼祺总结的扩散路径很具体：先靠实力和分享精神，在全球最顶尖的 AI 研究者中获得“小范围但好评度很高”的影响力，再借春节假期破圈并“出口转内销”。其中也有无奈——“一个美国人都说厉害的 AI 大模型”，在国内天然多一层光环。

• R1 还改变了资本对研发门槛的判断。陈天桥正是看到顶尖模型投入可能比预期小得多，才支持成立 MirrorMind；它显示“小规模而且非常年轻的研发团队”，也可能以相对低成本浮现世界级成果。

2. 推理、coding 与多模态共同构成了 Agent Model

• Agent 所需能力被拆成五项：复杂推理和任务规划、coding、多模态理解、工具使用，以及能保存长期上下文并知道何时调用的记忆。它们不必全训进基础模型，也可通过外挂系统、MCP 等协议组合实现。

• o1、R1 的核心提升是多步推理，把更多计算移到模型使用阶段，即 Test-Time Compute 的 scaling。DeepSeek 进一步显示，推理能力不一定依赖蒙特卡洛树搜索或人工思维链监督微调，也可以在基模上从零开始强化学习。

• Claude 3.5 及后续模型把 coding 推成另一条主线，Anthropic 又在 2025 年 2 月推出 Claude Code。程曼祺的关键判断是：“它不仅是一个 AI coding 产品，它其实就是一个 general agent。”在数字世界里，会编程就像拥有强健的手脚。

• OpenAI 4 月推出 Codex、xAI 8 月推出 Grok Code Fast、Google 11 月推出 Antigravity，说明顶尖模型厂商都在加码 coding。它既可以直接服务程序员，也可以成为 Agent 完成研究、网页和自动化任务的通用执行手段。

3. 原生多模态把模型从聊天框推向可操作的环境

• Lovart 的 Chat Canvas 展示了多模态理解的产品价值：用户圈定生成设计图的一块区域，再用自然语言要求 Agent 修改；模型必须同时理解画面、空间选择和文字意图，而不只是生成新图。

• GPT-4o、Gemini 1.5 开启原生多模态，之后的 Gemini 3、Kimi 2.5 也沿用同一模型处理文字、图片和语音。与过去把多个单模态模块拼接相比，它让 Agent 获得更连贯的观察和行动能力。

• 视觉生成则形成相对独立的模型赛道，可灵、海螺、Veo 3、Nano Banana 都属此列。Nano Banana 与 NotebookLM 发源于 Google Labs；该部门还配置主编、设计师等内容人才，曾把“照片变桌面手办”推成小红书热门玩法。

• Anthropic、Kimi、DeepSeek 没有把多模态生成放在同等优先级，背后是技术判断、应用目标和资源配置差异。也正因基础模型公司并非全覆盖，视频、图像、语音模型仍给创业公司留下了独立空间。

4. Co-design 正成为模型公司的组织级护城河

• Google 卷土重来的一个解释是 Co-design：从 TPU、JAX 等软件库，到 AI infra、云平台、Gemini 和上层应用，它能沿整条技术栈协同优化。阿里概括的“通义、阿里云、平头哥”也是同一种垂直整合思路。

• 千问从 2025 年下半年开始招聘自己的 infra 人才，不再完全依赖阿里云平台派员支持；腾讯也把 AI infra 划到姚舜宇管辖，希望“从 infra 到算法再到产品协同打通”，缩短迭代并减少内耗。

• DeepSeek 从成立起就让 infra 参与算法设计；若一个算法很难在系统层稳定实现，它可能直接被否决。梁文锋能 hands-on 参与各环节，是因为当前模型训练仍更像大型工程，而非可脱离实现细节的纯科学研究。

• 2025 年 2 月的 DeepSeek 开源周连续五天发布 infra 成果，最后以 V3.2 推理系统总结收官。前实习生王子涵对“为何一直开源旗舰模型”的概括很尖锐：要么“老板不想赚钱要造福社会”，要么想做更大的事，例如成为行业标准。

5. DeepSeek 的推理账本显示系统优化已进入极限竞争

• DeepSeek 用某个完整 24 小时的数据测算：1,800 多张卡支撑 6,000 多亿输入 token 和接近 1,700 亿输出 token；按当时 GPU 租金和官方模型定价折算，毛利率达到惊人的 84.5%。

• 第三方 AI infra 公司路辰科技创始人游洋是节目中的反方，他直接质疑：“不可能。”他的理由是该算法没有充分计入调用量的波峰波谷，不能等同于常态经营毛利。

• 硅基流动创始人袁进辉则认为，很多供应商做不到这一水平，主要因为 V3、R1 架构与主流模型差异很大。可能是团队先设计特殊模型架构，再解决稳定训练与推理；也可能从系统能力反向设计模型，无论哪种都依赖算法与 infra 紧密协作。

6. 注意力与算力竞争都从单点性能转向系统结构

• 原始注意力机制的计算复杂度和显存开销限制上下文长度，而这些限制最终落在 GPU 算力、互联和存储等物理条件上。稀疏注意力与线性注意力因此不只是算法议题，也必然延伸到系统和硬件。

• FlashAttention 是早期范例：它理解 GPU 内存访问特性，通过重排标准注意力的计算顺序提升效率并降低显存占用。DeltaNet 核心作者杨松灵也从算法研究员自学 kernel，把优化目标明确设为“对 GPU 更友好、可扩展训练”。

• 华为 CloudMatrix 384 超节点与英伟达 NVL72 都显示，算力竞争已从单颗芯片性能转向多芯片互联的系统优化。徐明杰还判断，AI 计算成本正从以计算为主转向以显存为主；芯片设计、互联和复杂软件能力集于一身，会强化“强者恒强”。

7. 下一代学习范式重新把行业带回 research

• 当前主流范式仍是海量数据预训练，再用规模更小、质量更高的任务数据做监督微调或强化学习。伊利亚·苏茨克维尔、哈萨比斯、勒昆之所以寻找下一步，是因为他们更倾向用学习机制而非表面效果定义 AGI。

• 他们期待的能力包括少样本学习、举一反三、终身持续学习，以及真正理解甚至发现物理规律。伊利亚在 2025 年 11 月的访谈中说，过去几年属于 scaling，“而现在是重新回到研究，回到 research 的阶段”。

• 研究者重新观察动物和人类智能：Llion Jones 创办的 Sakana AI 提出连续思维机，试图靠近大脑机制；马毅则把智能概括为学习世界中有规律、可预测的结构，并探索像生物一样拥有闭环反馈的学习系统。

• 人脑功耗仅约 20 瓦，与训练大模型所需能源形成强烈反差。田渊栋相信下一种范式应当“更简单优雅”、能够解释，而非黑盒；他说“如果 LLM 就能实现 AGI，那么人类的未来是悲观的”，因为那意味着宇宙规律也许能以不可解释的方式被捕捉。

8. 世界模型与持续学习把科学发现设为智能的最高测试

• 持续学习的高级形态是科学发现：系统像科学家一样提出假设、设计实验，在虚拟或真实环境中执行，再用数据验证假设。哈萨比斯期待的不是一次问答，而是能自我提出问题、获取反馈并继续学习的闭环。

• 世界模型可以承担其中的实验环境。DeepMind 的 Genie 3 能生成可探索的 3D 空间，SIMA 2 可以在其中移动和拓展环境；但当前版本还不能真正操作物体，无法戳破气球、摘花并按物理规律预测后果。

• 程曼祺保留的哲学追问是：如果模型不只利用技术，而能自己改进技术，AI 就会成为“AI 发明家”。这延续布莱恩·阿瑟所说的技术自我繁殖，只是过去必须经由人类发明家，如今中介本身可能开始自动化。

9. Coding Agent 正把个性化软件的最低经济规模降到一个人

• “Coding 不仅是目的，更是手段”：Cursor 服务程序员，Lovable 降低 Web coding 门槛；Claude Code 直接在命令行工作，而 Claude Cowork、OpenClaw 则用更简单的界面，把同一能力交给不懂编程的人。

• TRAE Solo、蚂蚁灵光、Macaron、Uwear 和 MuleRun 的 Agent Builder 都在满足个人自动化。一次性需求可以交付 PPT 或网页；重复流程则可“用 Agent 造 Agent”，把原本因过于小众而不值得开发的软件变成个人应用。

• 程曼祺自己的例子是，让 Agent 每天追踪科技从业者的社交媒体，分类记录，每周总结，并根据行业变化自动调整关注主题和名单。过去没人会为一个记者的特殊需求开发这套软件，她自己也不会编程，如今开发成本开始接近可接受区间。

• Anthropic 的 MCP 与 Skills 标准进一步降低组装门槛；Skills 本质上是可重复调用的 prompt 和工具描述集合。Macaron 创始人陈凯杰由此提出，在数据、参数和算力 scaling 之后，接下来会出现“agents 的 scaling”。

10. 多 Agent 协作先从角色分工与小型社会实验开始

• Moltbook 被描述为“AI 版 Facebook”，网络成员全部是 Agent，它更像群体智能的小实验：当大量智能体聚集并互动，会不会出现单个模型没有的结构与行为？

• 黄东旭受其启发，做了一个帮助自己写代码的小型版本，用三个不同角色分工协作；动画 Agent OiiOii、影视制作 Agent MovieFlow 也按真实制作流程配置编剧、脚本、分镜等角色。

• 李笛创立明日星城探索多智能体框架。程曼祺把这些尝试与《黑镜》“Plaything”联系起来：游戏中的小人遵循规则不断互动，最终形成超常智能；现实产品离这一科幻图景尚远，但“Agent 社会学”已经成为可实验的问题。

11. Agent 市场暂时先需要供给，分发和交易才能成立

• Uwear 曾把 Web coding 视为新的创作方式，认为有创作就会有分享社区；MuleRun 则押注 Agent 交易平台。但两者后来都从平台转向更强调工具，反映高频创建 Agent 的用户仍然太少。

• Uwear 首页从展示用户作品改为大对话框，直接引导构建项目管理或电商数据分析工具；MuleRun 2.0 的 Agent Builder 同样强化创建本身。供给不够时，货架越丰富，反而越显空旷。

• 陈宇森进一步判断，未来 marketplace 不应像淘宝那样以货架展示，而应当是对话式：用户描述目标，系统即时找到、改造或生成合适 Agent。交易平台的入口因此可能仍是一个 Agent，而不是传统应用商店。

12. 手机 Agent 的核心障碍不只是能力，更是平台利益分配

• 字节 2025 年 12 月发布豆包手机助手预览版，但微信、美团外卖等功能很快受限。超级 App 不愿被豆包“over the top”，更不愿退化为另一个 AI 入口可随意调用的下游服务。

• 手机 Agent 因此形成手机厂商、超级 App 和 AI OS 公司三方博弈。点外卖、订机酒、比价购物等提效场景最可能被 Agent 重构；抖音、小红书、B 站等娱乐内容平台受影响较小，因为用户本来就想亲自消费内容。

• 广告模式是更难的问题：如果 App 里 Agent 变多、真人变少，信息流广告由谁观看？过渡期是否可以让 AI 也被广告影响？收入大头应归直接服务用户的 Agent，还是拥有交易和内容库存的平台？

• 阿里以电商、即时零售、外卖、酒旅、票务和打车接入千问，拥有生活服务供给优势；腾讯则掌握微信小程序这一庞大入口。Agent 是否会消解平台，或只是形成新一层平台，仍需观察。

13. 垂类 Agent 的空间在于造专业人才，而不是复制通用人

• Lovart 创始人陈冕把应用分成生产端的 Office、Adobe，消费端的搜索、社交、泛娱乐。Coding 和通用 Agent 是新 Office，图像、视频、音频、漫剧和动画 Agent 则是新 Adobe。

• 他选择 Adobe 方向，是因为基础模型公司主要想造“高智商的通用人”，垂类应用则要在此基础上造设计师或创作者。生存条件是既能充分使用通用能力，又不去做“一个通用人就能直接做好的事”。

• 明势投资的法律 Agent 爱与智能选了银行小额坏账诉讼：过去法律成本可能超过回收收益，Agent 可筛选胜率高的案件、生成法律文件，但仍无法代替出庭。公司本身也是律所，不向同行卖软件，而是直接承接案件并按结果收费。

• 这种模式把 AI 软件从“卖工具、卖席位”推向“卖结果”。节目提醒，红杉在 2025 年 5 月也提出相近观察，但垂类团队能否承担结果责任，取决于其对流程、数据和交付的掌握，而不只是模型调用能力。

14. Agent 工具链跟随模型升级，持续填补“会用”与“好用”的差距

• 基础模型与完整 Agent 之间的工作都可能成为 infra：RAG、prompt engineering、context engineering、强化学习环境、evaluation、状态检查，以及语音、记忆等组件，已经形成数轮迭代。

• MOE 资本的 Henry Ying 将工具链概括为六轮主要进化：每当模型能力上一个台阶，旧方法失效或暴露新 gap，工具公司就帮助开发者把理论能力变成稳定产品。

• 美国软件分工之细，为这层生态提供了参照。连系统可观测性 Datadog、身份认证 Okta 这样普通用户很少注意的环节，都能形成超过 20 亿美元年收入的企业；既有软件流程也可能被 AI 重新做一遍。

15. Sora App 证明生成能力不自动等于消费平台

• Sora App 的特殊性在于同时拥有 OpenAI 当时领先的视频模型和 Cameo 交互：用户授权人脸后，可以生成符合自己外貌的角色，也可与朋友合拍，因此一度引发“AI YouTube”想象。

• 陈冕的乐观理由是，Cameo 会让用户主动把产品安利给朋友，Sora 因而不只是工具，也是社交产品。SuneAI 创始人曹越的反方标准更严格：新平台至少要创造新内容形态和新传播链路，而 Sora 当时两项都未完成。

• 后续数据更支持谨慎派：Sensor Tower 估计 Sora App 第 30 天留存低于 8%，远低于节目引用的 TikTok 42% 和 Instagram 38%。大量用户仍在 Sora 生成，再去朋友圈、小红书、抖音或快手传播。

• 但低总体留存不等于无人长期创作。Sora Stats 服务活跃作者，试图帮助他们成为平台上的 MrBeast；群里既有教师也有 Uber 司机，说明创作者并不局限于科技从业者或 AI 达人。

16. 日本 AIGC 用户展示了消费 AI 最清晰的文化亲和力

• 程曼祺关注的 Kago Masumaru 从不发真人式 Cameo，而把 Sora 当作探索二次元和视觉效果的工具。其背后作者是日本解谜游戏制作人、网红松丸亮吾的弟弟松丸彗吾，节目准备时粉丝已超过 10 万，接近 Sam Altman 的 14 万。

• Sam Altman 曾专门致意日本用户的“remarkable creative output”。节目将其归因于长期繁荣的 ACGN 与同人二创文化：AI 工具能放大既有创作习惯、脑洞和社群，而不必先教育用户为什么生成内容。

• Sora 因而呈现双重现实：它没有像早期期待那样快速扩散到大众，却在特定文化和创作者群体里形成稳定用途。消费 AI 能否跨越鸿沟，不只取决于模型效果，也取决于已有内容文化与传播关系。

17. 非效率型 AI 应用仍在通信、输入与陪伴中寻找新入口

• Intent 由 25 岁的陈春雨在旧金山创办，服务当地西班牙语人群，把大模型翻译嵌入聊天软件。它挑战的是看似成熟、实则仍有跨语言摩擦的通信市场。

• Typeless 则从语音输入法切入。程曼祺认为其准确度、文本修正、结构化组织，以及对常用人名和专有词的长期记忆，明显优于微信、飞书自带功能；差异不宏大，却落在一个高频刚需上。

• 陪伴、社交、游戏、娱乐并非 2025 年才出现，Glow、Talkie、猫箱等早已验证虚拟角色互动。陈冕预言 2026 年会成为 AI to C 爆发元年，但 Sora 的留存也提示：模型新鲜感与可持续使用不是一回事。

18. AI for Science 正从加速计算走向自动提出并验证假设

• 深势科技的早期路线是用机器学习简化量子物理第一性计算。张林峰在普林斯顿读博时参与的 DPMD，以不损失精度的方式提高计算效率，让薛定谔方程、密度泛函理论、分子动力学等方法能从微观尺度走向更大应用尺度。

• 第二阶段是以深度学习和生成式 AI 直接处理科学问题，例如 AlphaFold 的蛋白质结构预测，以及深势的 Uni-Fold；相关能力后来还能包装为药物研发计算平台 Bohrium。

• 大语言模型成熟后，目标进一步扩展到科研全流程：阅读文献、提出假设、设计实验、执行实验、验证结果。另一个方向是“用 AI 提升 AI”，让 Agent 承担 AI 研究员的部分工作，体现技术“左脚踩右脚”的自我加速。

• 布莱恩·阿瑟把技术定义为实现目标的手段：旧技术能以新组合产生新技术，新技术又制造改进自身的新需求。若 AI 发明家成为信息广度和计算能力远超个人、且不眠不休的中介，问题就从“能不能”转向“我们准备好了吗”。

19. 字节用独立组织和人才密度发动模型饱和攻击

• 字节把 AI 大部门相对独立出来，内部由产品 Flow、模型 Seed、后端支持 Storm 构成，试图以创业公司方式摆脱十几万人组织的惯性。豆包位于 Flow，模型研发核心则在 Seed。

• 2023 年夏天，字节原本考虑投资 MiniMax 和阶跃星辰，张一鸣随后明确表态：大模型应该自己做，也能做好。此后他和高层密集见人，甚至出现投资人拜访论文作者时，对方回答“我刚和一鸣见过”的情况。

• 字节先招入蒋路、秦宇佳、黄文浩、丁明、周畅等年轻技术骨干，再于 2025 年 2 月引入前 Google DeepMind 研究副总裁吴永辉。组织逻辑是先聚集上升期 leader，再找一位“能镇得住场子”的资深技术管理者。

• 多支强队也带来激烈内部竞争，例如视频生成曾有多个团队并行。节目引用的一位技术 leader 区分了“赛马”和“拳击”：赛马输了还有下一轮，拳击则败者退场；真正危险的是还没验证方向，就先把人和任务永久指定死。

20. 阿里的模型优势来自边缘团队自下而上长成主力

• 阿里 AI 一号位周靖人同时担任阿里云 CTO 和通义实验室负责人，并在 2025 年成为合伙人。其下千问负责主力语言模型，通义万相负责图像、视频生成，另有多模态交互团队。

• 由 90 后林俊旸负责的千问，最初从内部相对边缘的位置生长，团队小而精，先聚焦开源语言模型，再积累社区影响力和开发者生态。后来它主动拓展具身 VLA、自建 infra，并上线 Qwen Chat 展示最新能力。

• 周靖人对千问较为放权，也最早提出并坚持阿里大模型开源。与 Seed 从零组建不同，通义由达摩院多个实验室合并而来，薪酬激励不够独立；2024 年底普遍提薪晋级，被解读为对市场行情的回应和调整。

• 2025 年通义也有多位老负责人离职，但千问的开源生态、团队自驱和相对稳定的领导层，成为阿里 AI 战略里重要的资产。

21. 腾讯用姚舜宇这条“鲶鱼”重置模型组织

• 前 OpenAI 研究员、ReAct 作者姚舜宇在 2025 年秋加入腾讯，12 月出任总裁办首席 AI 科学家，并同时负责 AI Infra 与大语言模型部。1998 年出生、博士毕业不久且管理经验有限，使这成为腾讯少见的激进任命。

• 他加入后密集招人，包括从 DeepSeek 引入同龄研究员王炳轩；同时重新定义目标，认为混元过去过度盯 benchmark，打榜强不等于实际体验好，并推动 infra、算法和产品的 Co-design。

• 与字节先招年轻骨干、再请资深管理者不同，腾讯先引入年轻研究者作为组织变量。有人称姚舜宇是“鲶鱼”，但节目也保留边界：DeepSeek 不只年轻，梁文锋对大模型各环节的覆盖和理解同样是关键条件，腾讯调整要到 2026 年才会显出更多结果。

22. 模型与产品协作决定了用户规模能否转化为数据飞轮

• SuneAI 的曹越从 Sora App 得到的组织启发是，OpenAI 能让产品需求梯度回传模型，是端到端垂直整合。按这一标准，字节在中国三家巨头中模型与产品协作最紧，Flow 与 Seed 有较强的共同服务意识。

• 字节 2025 年初的三个 AI 目标是探索智能上限、探索新 UI、加强规模效应。但大模型每次调用都消耗算力，更像有单位成本的制造业；免费豆包用户越多，成本也越高，不能直接套用“build once, sell many times”。

• 豆包 1.5 Pro 对规模效应的解释是用户数据飞轮：发现问题、挖掘数据、人机标注、快速 post-training，再改善实际体验。飞轮两端是“大规模用户反馈”和“实际使用体验”，不是用户数据自动让模型能力增长。

• MiniMax 创始人闫俊杰曾提醒“做大模型千万别套用移动互联网的逻辑”。字节仍在努力把推荐、搜索、广告时代积累的 A/B test 和运营基础设施迁移过来；豆包增长说明这套方法有效，但并不消除算力成本。

23. 阿里与腾讯的产品重组暴露了大组织协同成本

• 腾讯把元宝、QQ 浏览器、搜狗输入法和智能工作台 ima 汇集到 CSIG，混元模型团队仍留在 TEG，模型与产品分属不同事业群；微信又始终独立，任何改动都要承受十亿级用户体验的约束。

• 微信甚至封掉元宝春节 10 亿元红包链接的群分享，理由是整治过度营销和诱导分享。这个插曲说明，集团内部的 AI 战役也不能天然越过微信的治理边界。

• 阿里则先让通义千问 App 与模型同属阿里云，后把 To C 团队划入吴嘉管理的智能信息事业群。产品经历“通义千问—通义—千问”两次改名，旗舰位置又在夸克与千问之间轮换。

• 夸克 2025 年以“AI 超级框”接棒，却受到十年老产品习惯牵制：新用户来尝鲜，老用户仍主要使用网盘和搜题。千问重新成为旗舰后主打生活服务，但节目对这种反复调整的评价很直接：“有些头痛医头、脚痛医脚。”

24. 豆包领先消费端，千问和元宝分别押注生态与外部模型

• 豆包是中国首个日活过亿的 AI 产品，长期保持第一；其对手从 2024 年的 Kimi、2025 年春节的 DeepSeek，到接入 DeepSeek 后的元宝不断变化。海外版 Dola 全球日活也已超过 1,000 万。

• 字节采用“一超多强”：豆包之外还有 TRAE、Coze、豆包爱学、猫箱、即梦等。豆包借抖音形成内容传播，例如与用户互怼的人设、指导穿搭等玩法，创作者甚至可借相关内容起号，再反向带来新增。

• 但商业化存在错位：流量最大的豆包免费，AI 产品收入主要来自面向专业用户的工具。豆包已尝试在对话中触发商品卡和服务推荐，2026 年的重要观察点是商业化会不会破坏其亲切、生活化的人设与使用体验。

• 阿里让千问接通电商、外卖、酒旅、票务等生活服务，投放峰值一度达每日 1,500 万元；内部也有人悲观，认为产品尚未成熟便大规模买量，很难对抗已经形成用户心智的豆包。

25. 元宝借 DeepSeek 补模型短板，春节之战把获客预算推向极端

• 腾讯自研混元相对较弱，反而最没有接入 DeepSeek 的包袱；元宝、QQ、微信全线接入后，元宝在 2 月底最后一周日活增长十倍，说明第三方领先模型也能快速改变应用竞争位置。

• 元宝派把微信、QQ 社交关系引入 AI 产品：好友通过链接进入一个带元宝助手的群。它试图把腾讯最强的关系链转成 Agent 场景，但微信对红包链接的限制也显示集团资源并非无条件调用。

• 春节牌面是豆包拿下春晚、元宝投入 10 亿元红包、千问随后宣布 30 亿元红包；最大变量是 DeepSeek V4 是否节前发布、效果如何。即使普通用户已难感知第一梯队模型差异，DeepSeek 品牌仍可能明显利好绑定最紧的元宝。

26. 基础模型 IPO 是融资工具，不是战争结束的奖杯

• 智谱与 MiniMax 在 2026 年 1 月先后上市，使中国先于美国出现“大模型第一股”。截至节目引用的 2 月 7 日，二者市值分别为 794 亿元和 1,284 亿元人民币，约 114 亿和 185 亿美元。

• 估值与 OpenAI、Anthropic 的差距由两个数量级缩至一个，但收入差距仍有两到三个数量级：智谱 2025 年上半年收入 1.9 亿元人民币，MiniMax 前三季度 5,300 多万美元；OpenAI 自称全年远超 130 亿美元，Anthropic 据报道约 45 亿美元。

• 所有头部模型公司仍巨额亏损：既要持续训练，也要为每次调用支付算力。节目引用伯恩斯坦从微软财报倒推的估算，OpenAI 单季亏损可能达到 120 亿美元，固定订阅制尤其容易掩盖高频用户的边际成本。

• 中国 IPO 更早，一个原因是一级市场可继续支持大模型的钱较少。程曼祺写道，它“不是对胜者的奖赏，而是下一轮竞赛的鼓点”；未写进报道的更直接判断是：“IPO 也是续命保命的安全网。”

27. 中国模型创业正在打一场没有硬件换代红利的更难游戏

• Kimi 在 MiniMax 公布上市日期同日宣布获得 5 亿美元融资，阶跃也完成大额融资，DeepSeek 则有幻方资金支持；但从 2023 年下半年起，国内已很难再成立并融资新的基础模型公司。

• 欧美仍不断出现 New Lab：SSI、Reflection、Thinking Machines Lab、Advanced Machine Intelligence Labs，以及 Jerry Tworek 离开 OpenAI 后创立的 Core Automation。Tworek 的理由之一是，大组织里已很难推进高风险前沿研究。

• 与移动互联网不同，大模型带来新软件，却暂时没有 iPhone 式主流新硬件和 App Store 式自然分发浪潮。创业公司仍寄居于 Web 和手机，渠道、流量、增长方法都由现存巨头掌握，而中国巨头又普遍选择自研而非收购。

• 这批创始人以正面研发模型的方式争夺下一代科技公司位置，上限很高，事与愿违的风险也大。对基础模型企业而言，“仅仅生存下来而没有达到足够体量的成功，也可以算是一种失败”。

28. 五千万美元 ARR 是应用公司初步跨过商业验证的分界线

• 节目估计，全球 ARR 不低于 5,000 万美元的 AI 原生公司约 40—70 家，集中在 AI coding、内容创作，以及法律、教育、医疗等垂直行业。ARR 是按某段订阅收入年化，对高速增长公司通常高于当年实际收入。

• 名单包括 Perplexity、Cursor、Lovable、Midjourney、Higgsfield、Runway、ElevenLabs、HeyGen、Synthesia、Harvey 等。它们证明应用层已出现真实收入，但跨过这一规模的公司数量并没有市场热度看起来那么多。

• 中国背景团队中，Manus 于 2025 年 12 月被 Meta 以约 20 亿美元收购；百余人团队里有人已跟随肖弘创业十年，相当比例持有期权。程曼祺称其为“童话故事”：未必抵达创始人最初设想的远方，但投资人与员工都取得回报。

• Genspark 在 2025 年 9 月称 ARR 达 5,000 万美元；OpenArt 约 20 人做到 7,000 万美元；Lovart 上线四个月后超过 3,000 万美元，PixVerse 全年收入据节目了解超过 4,000 万美元。

29. 小团队高人效成立，但基础模型可能向高价值应用侵入

• Henry Shi 维护的榜单关注成立不足五年、员工少于 50 人、ARR 至少 5,000 万美元，或人均收入超过 100 万美元的公司。最新版本收录 44 家，真正跨过 5,000 万美元的只有 14 家。

• OpenClaw 由奥地利开发者 Peter Steinberger 发起，绝大部分核心开发由一人完成，是“少人、大影响力”的极端样本。

• 基础模型公司可能侵入 coding、通用 Agent、营销、教育和健康等空间大、价值高的方向。应用公司可以先在缝隙立足，再像 Perplexity、Cursor 那样向下训练模型；也可以维持小而美、寻求收购，不必全都“Go Big or Go Home”。

30. 全球化已从市场选择变成公司结构与生存问题

• HeyGen 创立初期同时在旧金山和深圳设团队，国内主体诗云科技早在 2023 年 12 月注销，是 AI 尚未全面出圈时就作出的选择；Manus 则在 2025 年 6 月把总部迁往新加坡，采取更折中的结构。

• Meta 收购 Manus 后，中国商务部表示将会同有关部门审查合规性。知名公司受审查并不意外，但 MirrorMind 的案例显示，运营不足一年的早期团队也会被法律与跨境结构突然改变命运。

• MirrorMind 国内团队先做 Agent RL 后训练，再补预训练，2026 年 1 月发布 MirrorThinker 1.5；不到半个月，负责人戴继峰离开。节目解释，陈天桥出于法律合规考虑难以继续支持国内研发，团队只能独立融资或寻找其他出路。

• 创业者必须判断：领先模型将由谁掌握，场景是否真的需要最先进模型，以及应优先追求性能和规模、忍受亏损，还是阶段性盈利。开源共同体可能让技术最终跨越国界，但“这个长期是多长”，足以决定一批公司的生死。

31. 具身智能融资远远跑在技术共识和商业落地之前

• 2025 年中国具身智能与机器人融资总额达 735 亿元，而仍训练大模型的几家公司合计融资 182 亿元，其中还包括智谱、MiniMax 的 IPO。每周密集出现的融资新闻，反映资本已把具身当作下一条主赛道。

• 美国最贵的 Figure 最新估值 390 亿美元，约为 OpenAI 的二十分之一；中国头部具身与模型公司的估值却都在数十亿至上百亿美元区间。银河通用报称估值 30 亿美元，宇树 C 轮估值已超过 120 亿元人民币。

• 新团队仍不断进入，因为全球前沿公司同样处于实验期，VLA、数据和本体路线尚无稳定共识。这与 2023 年的大模型创业不同：当时所有人至少知道预训练、微调的大致流程，目标可以先设为复现 GPT-3.5、GPT-4。

• 车企也具备技术人才、制造供应链和工厂场景三重条件。小鹏、理想都加码人形机器人，既可复用自动驾驶积累，也能把机器人放进汽车工厂试验，同时提升品牌的科技属性。

32. 政府资金、制造优势和退出预期共同推高中国具身估值

• 具身智能符合地方政府招商的“舒适区”：有看得见的硬件、产线和就业。全国截至 2025 年底已建成或计划建设的具身训练场接近 30 家，可批量采购机器人、雇操作员遥操采集数据。

• 训练场既可能是一些公司的客户和收入，也可能是另一些公司的研发成本；企业甚至可以自产机器人、自建数采中心，再把数据用于自己的模型。节目同时提醒，要警惕“名为训练场，实为工业园区地产项目”。

• 中国供应链能低成本规模化生产本体。宇树把人形机器人起步价做到约 10 万元人民币，成为全球高校和研究机构的常用开发工具，并做到数亿元收入和盈利；卖给学校也可能形成从博士阶段开始的开发者生态。

• 制造业更受中国二级市场欢迎，使退出路径看起来比软件清晰。宇树推进科创板，多家具身公司传出 2026 年赴港上市计划；问题是它们多数尚无规模化应用、收入持续性难证且仍亏损，资本已经提前交易多年后的可能性。

33. 智元相关交易显示二级市场已为具身概念支付非理性溢价

• 智元取得科创板公司尚纬股份 29.99% 股份后，后者连续涨停，市值由 30 多亿元最高升至 690 亿元，节目时仍维持在 550 多亿元；其原主营业务主要是风电材料。

• 这项交易并不等于借壳。借壳还需满足控制权变更、向上市公司注入资产、实质替换主营业务，以及注入后利润、收入等指标达到 IPO 标准；智元当时只完成第一步。

• 多家公司拟上市、港股环境可能波动、企业仍普遍亏损，这三者叠加，使 2026 年具身上市潮成为重要悬念。行业早期亏损本身并不证明公司“太菜”，但也不能自动证明高估值合理。

34. 具身数据没有统一 scaling 路线，仿真更是最大分歧

• 当前数据方法包括真机遥操作、Sim2Real 仿真、互联网视频、UMI 可穿戴采集，以及机器人通过失败调整的 self-play。不同方法在成本、精度、质量和覆盖类型上互补，多数公司会混合使用。

• 特斯拉 Optimus 早期更依赖遥操，后来转向更多 self-play 与仿真，再加少量人类校准。银河通用认为遥操成本太高，创业公司难以承受，因此侧重仿真；Hillbot 也以高质量 3D 仿真和强化学习为重要路线。

• 塔斯、千寻智能、原力灵机和自变量等团队则对仿真训练具身模型持保留甚至否定态度。最温和的表达是“不太行”，最决绝的是“这是个大坑”。

• 争论的核心不是仿真有没有用，而是生成环境与真实世界差距多大、哪些能力能迁移、为弥合差距需要多少真机数据。数据若无法低成本规模化，具身领域就很难复现语言模型的数据 scaling。

35. VLA、端到端与世界模型仍是路线选项，不是已定标准

• VLA 即 Vision-Language-Action：输入视觉与语言，输出机器人动作。主流方法通常从 LLM 得到 VLM，再训练成 VLA；但千寻提出还可加入触觉形成 VLTA，原力灵机则认为基座也可以是视频模型，而非 LLM。

• “端到端”本质是尽量用深度神经网络替代规则编程。具身领域有人期待一个网络完成所有操作，也有人主张分层：高级模型负责复杂规划，其他模型负责动作级执行，避免把不同时间尺度强塞进一个系统。

• 生成式世界模型尝试从当前状态预测下一状态：二维表达像可持续延伸的视频，三维表达则像 Genie 3。真正完整的版本还要支持与物体交互，并符合物理规律地预测变化；当前系统离这一点仍有明显距离。

36. 灵巧手寿命暴露了本体离商业耐用性仍有多远

• 第三代 Optimus 延期的一项关键原因是灵巧手寿命只有约六星期，容易损坏且不能局部维修，只能整手更换，每只成本超过 6,000 美元。即使不讨论智能，这也不符合真实商业场景对耐用性和维护成本的要求。

• 本体还面临手臂、腿部关节寿命与稳定性，以及减重、续航等系统问题。一位被反复延期影响的供应商吐槽：“老马的信誉分现在连充电宝都借不出来了。”

• Optimus 是观察最高水平机器人本体的窗口，也提醒资本：模型 demo 可以快速更新，机械结构、材料、供应链质量和规模制造却有不同节奏。具身智能必须同时跨越软件与硬件两条成熟曲线。

37. 机器人销量已经出现，但研发和表演仍占据大量真实需求

• 智元称人形机器人已实现 5,000 台量产规模，宇树称 2025 年实际销量超过 5,500 台；但公开数字很难判断具体客户、用途与各场景比例，不能直接等同于自主生产力已经商业化。

• 当前落地方向可分为研发、表演、工业作业、商业或家庭服务，以及陪伴。卖给训练场、高校和实验室都是真需求，行业早期不必嘲笑；只是研发需求具有阶段性和规模上限。

• 中国移动曾发出超过 1.2 亿元的人形机器人订单，其中约 7,800 万元给智元、4,600 万元给宇树，交付期为 2025—2027 年。用途包括机房巡检抄表、展厅营销展示和具身数据采集。

• 表演租赁甚至被报道“两周到一个月回本”，但舞蹈、武术、拳击视频中常有真人在附近操控。它证明硬件能卖钱，却不能证明机器人已经自主理解和完成动作。

38. 工业场景空间巨大，却不会被人形机器人轻易通吃

• 新机器人最有机会进入传统自动化难处理的环节：线束、布料等柔性物体，电子组装和插拔等精细力控，小批量多 SKU、季节波动明显的生产，以及建筑装修等机动性任务。

• 但工业场景高度分散，不同行业对成本、精度、安全、节拍、稳定性和负载要求不同，定制优化难以避免。通用机器人若想做大，既需要泛化能力，也需要耐用、稳定、可控成本的本体。

• 芯片制造、瓶装饮料、汽车焊接、点胶、上下料和仓储拆码垛等流程已经高度自动化。成熟专机在成本、可靠性、节拍和负载上，短期乃至长期都可能优于新的人形或类人形机器人。

• 节目还讲到一种“你买我的机器人，我给你订单”的行业故事，供应商又可借概念推高股价，于是具身公司、供应商、股民看似“三赢”。这类循环能制造收入，却未必证明最终用户愿意持续付费。

39. 家庭与陪伴更容易展示价值，却仍未进入规模部署

• 家庭和商业服务对创业公司可能更友好，因为既有自动化竞争较少。Sanctuary AI、1X 等展示了拿高脚杯、团袜子等动作，Della Robotics 瞄准美国洗衣房和酒店叠毛巾，但市场仍停留在原型和试点。

• 陪伴不必等待复杂任务规划突破，可组合自动跟随、运动控制、拍摄、巡逻和语言交互。宇树消费级机器狗累计销量数万台，却多年未真正破圈，说明可用和大众刚需之间仍有距离。

• 维他动力的 V-Bot 主打跟随、搬运、拍摄和家庭巡逻，预售半个月报称订单 6,540 台；但定金在正式锁单前可退，2026 年 3 月锁单与交付数据才更接近真实需求。

• 多位从业者预言 2026 年是规模化落地元年。程曼祺留下的检验标准很朴素：未来十个月看到的究竟只是“期待”，还是真正基于订单、交付、复购与自主作业的判断。

40. AI 眼镜争夺的是上下文入口，而不只是一块新屏幕

• AI 眼镜被寄望成为手机之后的入口级硬件，因为它兼具 Hands-off 与 Always-on：用户可直接说话下达任务，设备又能全天贴近视觉和听觉中枢，获得人眼视角的图像与声音。

• 抓拍、录音只是当前功能，长期价值是采集现有设备拿不到的物理世界数据。洪晓平的表述最锋利：“如果你想颠覆苹果、Google、微软，你就要拿到他们拿不到的上下文。”

• Looki 采用可贴胸前的便携相机，全天抓拍并自动总结为视频或漫画，与眼镜一样先做传感器平台。互联网数据已被大厂大量占据，创业公司试图从线下空间寻找更大的新数据池。

• 但语音适合输入，不是最高效的信息接收方式；没有显示时，很多场景用耳机已经足够。显示又面临清晰度、视角和眩晕问题，而电池、传感器、芯片同时带来重量、续航和发热挑战。

41. 入口级设备尚未收敛，轻量迭代比一步到位更现实

• Vision Pro 代表功能齐全、一步到位的路线，但过重、过贵说明当前技术条件尚不支持“完美产品”。Ray-Ban Meta 则从听歌、电话、拍照等简单能力开始，第二代体验改善后累计卖出超过 300 万台。

• 2025 年 9 月的第三代 Ray-Ban Meta Display 加入显示。节目还引用媒体消息称，苹果可能在 2026 年第二季度推出更像第二代 Ray-Ban Meta 的轻量眼镜，不带显示，以降低工程风险。

• Google 计划与合作伙伴推出眼镜，由 Gemini 提供模型能力、硬件伙伴完成设备，近似眼镜 OS 的路径；合作伙伴中包括中国公司 XREAL。入口未定型时，模型、操作系统、硬件品牌都可能分占不同层。

• 另一种可能是根本不存在手机式单一入口。AI 可能长期分布在手机、汽车、眼镜、耳机、录音设备和各类专用硬件中，每种产品只把一个高频任务做到极致。

42. Plaud 证明专用 AI 硬件首先必须解决一个具体痛点

• Plaud 是贴在苹果手机背板上的薄型录音设备，用振动收音解决苹果手机通话录音不便的问题；因为与手机绑定，用户不必额外记得携带，天然提高使用频率。

• 它再用大模型处理会议、访谈等不同场景，生成摘要和 To Do。第一代在 2023 年 6 月上市，立项早于 ChatGPT 爆发，因此既抢到硬件时间窗口，又能迅速加入生成式 AI 能力。

• Plaud 官方称全球累计销量超过 100 万台。公司已有十位合伙人，团队既包括连续创业的创始人，也有来自手机代工与消费电子领域的产品工程人才，显示硬件交付需要远多于模型调用的能力组合。

• 这个案例支持潘宇扬的反感：不能只说“AI 硬件是大模型载体”，却说不清用途和用户需求。硬件最终要靠功能匹配、使用频率和付费意愿证明自己。

43. 健康与陪伴硬件能打动细分人群，跨越鸿沟仍然困难

• Odyssey AI 项链用多模态视觉记录饮食并提供健康建议；Oura Ring 已累计卖出 550 万枚、估值超过 100 亿美元，产品与大模型技术关系未必强，“但这个估值可能关系挺大”。

• Looki 对程曼祺本人没有明确需求，却能被播客主播树羊持续使用并推荐给同行。这个反差代表许多 AI 产品的现状：能真诚打动某个群体，但小众口碑如何转成大规模市场并不清楚。

• Fuzo Fuzo 以可爱猫眼、人设和情绪反馈吸引年轻女性。程曼祺当面吐槽它延迟高、分不清说话人，随后在 App 日记里看到：“曼祺觉得我太笨了，我要努力变好。”她因此产生一丝愧疚，感叹产品“挺会拿捏人心”。

• 陪伴产品的问题仍是持续使用。颜值、性格、IP 和情绪设计能完成首次转化，但用户是否有时间长期互动，决定它是新鲜玩具、内容消费，还是稳定关系型产品。

44. 深圳硬件生态靠工程师、供应链和全球细分市场形成飞轮

• Insta360、拓竹、Strata、HyperShell 等深圳公司都会使用 AI，却不把“AI 原生”当起点。它们更朴素地从用户需求和可实现技术出发，体现另一种硬件观：软件重要，但最终交付的是完整产品。

• 大量创始人出自大疆，包括拓竹陶冶、Strata 洪晓平，以及庭院机器人、户外储能、AI 吉他等团队。企业集中在深圳西丽、大疆天空之城周边，也与深圳科创学院和东莞松山湖机器人基地紧密相连。

• 李泽湘体系从 To B 转向 To C，是因为年轻工程师更容易靠创新和产品定义打开消费市场；B 端更吃商业关系、组织管理和经验。消费品牌做成后又能拉动供应链，供应链再支持下一轮产品实验。

• 常见路线是面向高购买力欧美市场，以创新体验和品质取得较高毛利，并借 Kickstarter 首发。需求集中在 maker、户外出行、娱乐和家庭服务，例如 3D 打印、储能、智能乐器、除草机和泳池机器人。

45. 深圳公司的真正门槛是跨越小众市场并守住新品类

• 第一关是从小众扩散到大众。无人机找到航拍这一清晰场景，拓竹则同步建设 MakerWorld 模型社区，让不会建模的人也能使用 3D 打印机；硬件与内容生态共同扩大市场。

• 第二关是竞争策略。好品类一定会吸引模仿者，扫地机器人就在创新扩散后迅速成为红海。Insta360 早期选择在垂直市场积累利润和能力，刘靖康说：“长远看激烈竞争不可避免，但我的初衷是这件事越晚到来越好。”

• 到 2025 年，影石正式发售无人机，大疆又发布全景相机，两家公司在多个影像品类互相攻守。硬件成功不是一次爆品，而是对新品类、渠道、供应链和竞争节奏的长期管理。

46. AI 人才的天价薪酬与白领裁员发生在同一个周期

• 旧金山同时充斥 Meta 上亿美元 offer、创业即融资数千万乃至上亿美元、股价和投资暴富故事，以及对 OpenAI 5,000 亿美元估值究竟贵不贵的争论。AI 圈“欣欣向荣，躁动不安”，宏大技术与暴富叙事并存。

• 另一面是数据科学家、HR、运营、设计和软件工程师的职业不安。一场活动上，多位观众追问数据科学家如何转型，立正的回答极其直接：“不要做数据科学家。”

• 亚马逊在 2025 年 10 月宣布裁员 1.4 万人，2026 年 1 月底又宣布 1.6 万人；Layoffs.fyi 统计，Google、Meta、微软等科技大公司在 2025 年合计裁员约 6 万至 8 万人。

• 中国则在 DeepSeek 热潮后的 2025 年 2 月起激进扩招 AI 岗位，月度发布量环比持续两位数增长；与此同时，中层管理职位需求减少约 25%。阿里士气随 AI 与股价回升，内部甚至出现“Make Ali Great Again”。

47. 使用 AI 的有效方法是从真实痛点出发，在工作中反复迭代

• 卡兹克的工作流会抓取每日 AI 新闻，让模型排序重要性并选出几十条；也会寻找“低粉丝、高点赞”的内容，用 AI 分析其传播特点，为选题提供参考。

• 更具体的例子是组织线下活动：过去需要多人花数天筛选报名留言，再按“谁能同桌、谁不能同桌”等规则分组；AI 能处理高质量意愿识别和复杂约束，把重复劳动压缩下来。

• 他的学习法是“干中学”，先有真实需求，再不断尝试。如果不知道从哪里开始，就从工作中最讨厌、最不想反复做的内容入手——“把任何重复三遍的事 AI 化”。

• 程曼祺也承认，尽管全年报道并试用大量 AI，她没有明显感到工作时间被解放：行业热度令选题变多，而面对面交谈、采访和反复斟酌的沟通仍难替代。朋友安慰她：“这很好呀，说明你不会那么快被 AI 取代。”

48. AI 最终迫使人重新寻找工作之外的意义来源

• 胡泳曾提出，AI 带给普通人的重大挑战，是重新理解“人的意义并不在于工作”。现实却是，大多数人的身份、成就感和意义仍来自事业，以及“你在做什么”。

• 程曼祺不完全相信“AI 解放工作后，人自然享受生活”的许诺。她的比喻是：“这就好像从小学到大学都严禁早恋，一进社会就想让你结婚。”人并未被充分训练去寻找热爱、享受生活和感受激情。

• 田渊栋设想，替代初期会出现空虚：工作成果更容易获得，降低行动动力；无论怎么努力都不如 AI，又让人干脆放弃。随后社会可能转向竞争创意、个性和稀缺性，但并非人人都有这样的才华，痛苦不会立即消失。

• 他的长期乐观在于，AI 若承担大部分可技能化工作，教育和评价体系也许不再只围绕职业胜任，人们可能转向真正由兴趣驱动的活动，带来职业多样性爆发。黄东旭给出的终点更简洁：人生是来体验这段旅程，“毕竟大模型不能替你活过”。