1. 當(dāng)一位頂級投資人說出“過去只是熱身”第一次看到這個訪談標(biāo)題時我的直覺反應(yīng)不是“又在吹A(chǔ)I”而是注意到一個細節(jié)說這話的人過去四十年幾乎每一次都押中了時代級的技術(shù)浪潮。從個人電腦時代的操作系統(tǒng)與芯片到互聯(lián)網(wǎng)時代的門戶與電商再到移動互聯(lián)網(wǎng)時代的底層架構(gòu)他的投資軌跡本身就是一部濃縮的科技產(chǎn)業(yè)史。所以當(dāng)這樣一個人說“我過去做的一切都只是熱身”這句話的分量不在于修辭有多夸張而在于它暗示了一個判斷我們目前所處的AI階段可能連序章都算不上。這個判斷背后有一套完整的邏輯鏈條而不是單純的情緒表達。我花了幾天時間反復(fù)拆解這個訪談的核心觀點結(jié)合自己在AI應(yīng)用開發(fā)一線摸爬滾打的經(jīng)驗試圖回答幾個問題所謂“比人類聰明1000倍”到底在說什么這個量級的智能躍遷意味著什么作為普通開發(fā)者、創(chuàng)業(yè)者或者只是對技術(shù)趨勢保持敏感的人我們應(yīng)該從哪個角度去理解這件事又該在當(dāng)下做什么樣的準(zhǔn)備這篇文章不會給你一個“AI會不會取代人類”的廉價答案也不會堆砌一堆讓人焦慮的宏大敘事。我想做的是把訪談中那些高度濃縮的判斷拆開用從業(yè)者的視角去還原它背后的技術(shù)邏輯、產(chǎn)業(yè)推演和實操啟示。如果你正在思考自己的項目要不要接入AI能力、團隊的技術(shù)棧要不要調(diào)整、或者單純想搞清楚這波浪潮的真實水位下面的內(nèi)容應(yīng)該能給你一些參考。2. “聰明1000倍”到底在說什么從算力堆疊到智能涌現(xiàn)2.1 先拆解“1000倍”這個數(shù)字的參照系很多人看到“聰明1000倍”的第一反應(yīng)是這怎么可能人類大腦已經(jīng)是自然界最復(fù)雜的已知結(jié)構(gòu)了。但這里有一個關(guān)鍵的認(rèn)知陷阱——這個比較不是在同一維度上進行的。人類智能和AI智能的底層運作機制完全不同就像你不能問“汽車比馬快多少倍”一樣因為兩者的動力來源、能量轉(zhuǎn)換方式和運動約束條件根本不在一個體系里。從訪談的上下文來看“1000倍”更可能指向的是信息處理帶寬、知識調(diào)用速度和并行計算能力這幾個維度的綜合量級差異。人類大腦的神經(jīng)元放電頻率大約在幾百赫茲的量級而現(xiàn)代AI加速芯片的時鐘頻率已經(jīng)在吉赫茲級別差距在百萬倍以上。當(dāng)然大腦的并行度極高有數(shù)百億神經(jīng)元同時工作所以不能簡單用頻率來比較。但即便把并行度考慮進去在特定任務(wù)上比如矩陣運算、模式匹配、大規(guī)模檢索AI的處理效率已經(jīng)遠超人類。我個人的理解是這個“1000倍”是一個方向性的量級判斷而不是一個精確的工程指標(biāo)。它的核心含義是當(dāng)AI在某個維度上超越人類之后它不會停在“略勝一籌”的位置而是會以數(shù)量級的速度把差距拉開。這一點在圍棋、蛋白質(zhì)結(jié)構(gòu)預(yù)測、代碼生成等領(lǐng)域已經(jīng)被反復(fù)驗證了。2.2 智能涌現(xiàn)的臨界點在哪里過去幾年最讓我震撼的不是某個具體模型的性能提升而是能力涌現(xiàn)這個現(xiàn)象。所謂涌現(xiàn)就是當(dāng)模型規(guī)模、數(shù)據(jù)量和訓(xùn)練算力跨過某個閾值之后突然出現(xiàn)了訓(xùn)練目標(biāo)中沒有明確要求的能力。比如你只是讓模型預(yù)測下一個詞但它突然學(xué)會了做算術(shù)、寫代碼、進行邏輯推理。這種“意外收獲”在小型模型上完全看不到只有規(guī)模足夠大才會出現(xiàn)。這就像水在99度時還是液體到了100度突然變成蒸汽——相變不是漸進的而是躍遷式的。訪談中提到的“1000倍”智能很可能指的就是下一次相變之后的形態(tài)。我們現(xiàn)在處于什么位置我的判斷是我們可能剛剛摸到了第一次相變的上沿而真正的爆發(fā)還在后面。原因很簡單當(dāng)前的模型架構(gòu)、訓(xùn)練方法和算力供給都還在快速迭代中遠沒有達到平臺期。注意這里說的“涌現(xiàn)”不是玄學(xué)而是有數(shù)學(xué)基礎(chǔ)的。高維空間中的相變現(xiàn)象在統(tǒng)計物理中早有研究神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程本質(zhì)上是在極高維的參數(shù)空間中尋找損失函數(shù)的低點當(dāng)維度足夠高時某些能力會以階躍的方式出現(xiàn)。2.3 從“工具”到“代理”的范式轉(zhuǎn)移理解“1000倍”的另一個關(guān)鍵角度是AI的角色定位。過去我們用的軟件工具本質(zhì)上是被動的——你點擊一個按鈕它執(zhí)行一個操作。但大模型驅(qū)動的AI正在變成主動的代理你給它一個目標(biāo)它會自己規(guī)劃步驟、調(diào)用工具、檢查結(jié)果、調(diào)整策略。這個轉(zhuǎn)變的意義被嚴(yán)重低估了。我舉個實際開發(fā)中的例子。以前做一個數(shù)據(jù)清洗腳本你需要寫代碼定義每一步讀取文件、處理缺失值、轉(zhuǎn)換格式、輸出結(jié)果。現(xiàn)在你可以直接告訴AI“把這個數(shù)據(jù)集清洗干凈輸出一份質(zhì)量報告”它會自己決定用什么方法、按什么順序執(zhí)行、遇到異常怎么處理。這不僅僅是效率提升而是工作流的重構(gòu)——人從執(zhí)行者變成了監(jiān)督者和決策者。當(dāng)AI從工具變成代理它的“聰明”就不再是單一維度的技能比較而是綜合問題解決能力的體現(xiàn)。一個能自主規(guī)劃、執(zhí)行、糾錯的AI代理在復(fù)雜任務(wù)上的表現(xiàn)會遠超一個只會單項技能的AI。這也是為什么“1000倍”這個判斷值得認(rèn)真對待——它描述的不是某個具體能力的差距而是整個問題解決范式的代際差異。3. 熱身結(jié)束后的賽場哪些行業(yè)會先感受到震動3.1 知識密集型行業(yè)的“壓縮效應(yīng)”如果AI真的比人類聰明1000倍最先受到?jīng)_擊的一定是那些以處理信息為核心價值的行業(yè)。法律文書審查、財務(wù)審計、醫(yī)學(xué)影像診斷、代碼編寫、市場分析報告撰寫——這些工作的共同特點是輸入是結(jié)構(gòu)化或半結(jié)構(gòu)化的信息輸出是經(jīng)過分析和判斷的結(jié)論中間過程可以被分解為一系列可學(xué)習(xí)的模式。我有個做企業(yè)法務(wù)的朋友他們團隊最近在測試用AI輔助合同審查。以前一份幾十頁的合同需要律師花兩三個小時逐條核對風(fēng)險條款現(xiàn)在AI可以在幾分鐘內(nèi)標(biāo)出所有異常點律師只需要復(fù)核AI的判斷。這不是替代而是壓縮——把原來需要高技能人才做的大量重復(fù)性判斷工作壓縮成少量監(jiān)督性工作。結(jié)果是一個律師可以處理的合同量可能提升五到十倍。但這里有一個容易被忽略的細節(jié)壓縮效應(yīng)會先發(fā)生在“中間層”。也就是那些既不需要太多創(chuàng)造力、又需要一定專業(yè)知識的崗位。純粹的執(zhí)行性工作比如數(shù)據(jù)錄入早就被自動化了純粹的戰(zhàn)略性工作比如決定公司要不要進入某個市場暫時還離不開人的判斷。但中間那層——分析、審查、報告、初步診斷——恰恰是AI最擅長的。3.2 創(chuàng)意產(chǎn)業(yè)的“杠桿效應(yīng)”很多人認(rèn)為創(chuàng)意工作是AI最后才會觸及的領(lǐng)域因為創(chuàng)意似乎需要“靈魂”和“情感”。但實際觀察下來AI在創(chuàng)意產(chǎn)業(yè)中的作用更像是杠桿而不是替代。它不會取代創(chuàng)意總監(jiān)但會讓一個創(chuàng)意總監(jiān)的產(chǎn)出效率提升數(shù)倍。我參與過一個品牌視覺設(shè)計的項目設(shè)計師用AI工具生成初稿然后在此基礎(chǔ)上進行篩選、組合和精修。以前一個方案從構(gòu)思到出圖需要兩三天現(xiàn)在半天就能產(chǎn)出十幾個方向。設(shè)計師的價值從“畫得好”轉(zhuǎn)移到了“選得準(zhǔn)”和“改得妙”——審美判斷和策略思考變得比執(zhí)行技能更重要。這個趨勢對從業(yè)者的啟示很明確如果你只會執(zhí)行你的議價能力會快速下降如果你能判斷什么值得執(zhí)行你的價值會放大。AI把執(zhí)行成本降到接近于零的時候判斷力就成了稀缺資源。3.3 實體產(chǎn)業(yè)的“滲透延遲”相比知識密集型和創(chuàng)意產(chǎn)業(yè)實體產(chǎn)業(yè)的AI滲透會慢一些但一旦發(fā)生影響會更深遠。原因在于實體產(chǎn)業(yè)涉及物理世界的操作需要傳感器、執(zhí)行器、機器人等硬件配合迭代周期天然比純軟件慢。但慢不代表不會發(fā)生。我了解到一些制造企業(yè)在做設(shè)備預(yù)測性維護用AI分析傳感器數(shù)據(jù)來預(yù)判故障。以前是定期檢修或者壞了再修現(xiàn)在是按需維護。這個轉(zhuǎn)變帶來的成本節(jié)約是驚人的——停機時間減少、備件庫存降低、設(shè)備壽命延長。但前提是你要有足夠的數(shù)據(jù)積累和數(shù)字化基礎(chǔ)設(shè)施。提示實體產(chǎn)業(yè)的AI落地數(shù)據(jù)質(zhì)量比算法先進性更重要。我見過太多企業(yè)花大價錢買了最先進的模型結(jié)果因為傳感器數(shù)據(jù)不準(zhǔn)、標(biāo)注不規(guī)范、歷史記錄缺失最后效果還不如老師傅的經(jīng)驗判斷。4. 普通人和小團隊現(xiàn)在能做什么三個可落地的切入點4.1 把AI當(dāng)作“能力放大器”而不是“替代方案”我見過兩種極端的態(tài)度一種是完全無視AI覺得都是炒作另一種是過度焦慮覺得做什么都會被取代。這兩種態(tài)度都錯過了重點。AI最現(xiàn)實的價值是放大你已有的能力而不是從零開始替代你。具體怎么做如果你是一個獨立開發(fā)者可以用AI輔助寫代碼、生成測試用例、排查bug。如果你是一個內(nèi)容創(chuàng)作者可以用AI做選題調(diào)研、初稿生成、多語言翻譯。如果你是一個小團隊負責(zé)人可以用AI做會議紀(jì)要、項目進度跟蹤、競品分析。關(guān)鍵是要找到那些你已經(jīng)在做、但做得不夠快或不夠好的環(huán)節(jié)用AI去補強。我自己的做法是維護一個“AI適用場景清單”把日常工作中重復(fù)性高、規(guī)則明確、容錯率高的任務(wù)列出來逐個嘗試用AI優(yōu)化。比如周報匯總、數(shù)據(jù)格式轉(zhuǎn)換、文檔翻譯這些現(xiàn)在已經(jīng)基本交給AI處理了我只需要做最終審核。4.2 建立“人機協(xié)作”的工作流而不是“人機對抗”的心態(tài)很多人用AI的方式是“我出題你答題”然后評判AI答得好不好。這種用法把AI當(dāng)成了一個考試對象而不是協(xié)作伙伴。更有效的方式是把AI嵌入到你的工作流中讓它成為流程的一部分。舉個例子寫一篇技術(shù)文章的傳統(tǒng)流程是查資料、列大綱、寫初稿、修改、定稿。引入AI之后流程可以變成AI輔助查資料并生成摘要、我根據(jù)摘要列大綱、AI根據(jù)大綱生成初稿、我進行事實核查和觀點注入、AI輔助潤色和格式調(diào)整、我最終定稿。整個過程中我的核心價值體現(xiàn)在判斷和決策上而AI承擔(dān)了信息處理和文字組織的工作。這個工作流的關(guān)鍵是明確分工邊界。哪些環(huán)節(jié)必須由人來做我的經(jīng)驗是涉及價值判斷、事實核查、策略選擇、情感表達的環(huán)節(jié)人必須深度參與。涉及信息檢索、格式轉(zhuǎn)換、語言潤色、方案枚舉的環(huán)節(jié)可以放心交給AI。4.3 從“用工具”升級到“建系統(tǒng)”大多數(shù)人對AI的使用還停留在“打開對話框輸入問題復(fù)制答案”的階段。這就像用一臺超級計算機只做加減法。真正有杠桿效應(yīng)的做法是把AI能力集成到自己的系統(tǒng)中讓它自動運行。比如你可以搭建一個自動化的內(nèi)容監(jiān)控系統(tǒng)定時抓取指定來源的信息用AI做摘要和分類把結(jié)果推送到你的工作臺?；蛘叽罱ㄒ粋€客戶反饋分析系統(tǒng)自動收集反饋用AI做情感分析和主題聚類生成周報。這些系統(tǒng)的搭建門檻已經(jīng)很低了很多平臺提供了現(xiàn)成的API和低代碼工具。我自己的經(jīng)驗是從最小的自動化閉環(huán)開始。不要一上來就搞大而全的系統(tǒng)先找一個每天或每周都要重復(fù)做的任務(wù)用AI把它自動化掉。跑通一個閉環(huán)之后再逐步擴展。這樣風(fēng)險可控而且能快速看到效果保持動力。5. 訪談中容易被忽略的三個細節(jié)5.1 關(guān)于“熱身”的隱喻積累的是什么“過去做的一切都只是熱身”這句話很多人只看到了對未來的豪賭卻忽略了熱身本身也是有價值的。熱身意味著準(zhǔn)備、試錯、積累。那么過去幾十年積累的到底是什么我的理解是三層第一層是數(shù)據(jù)互聯(lián)網(wǎng)時代積累了海量的文本、圖像、行為數(shù)據(jù)這是訓(xùn)練大模型的燃料。第二層是算力從CPU到GPU再到專用加速芯片計算成本下降了若干個數(shù)量級。第三層是人才和資本全球最聰明的工程師和最大規(guī)模的資本都在向AI領(lǐng)域集中。這三層積累缺一不可而它們恰好在這個時間點匯聚了。所以“熱身”不是謙虛而是事實描述。沒有過去二十年的數(shù)據(jù)積累、十年的算力增長、五年的算法突破就不會有今天的AI能力。同樣今天我們在AI應(yīng)用層做的各種嘗試也是在為下一個階段熱身。5.2 關(guān)于“1000倍”的時間尺度訪談中沒有明確說這個“1000倍”什么時候會實現(xiàn)。但根據(jù)技術(shù)發(fā)展的規(guī)律這種量級的躍遷不太可能在短期內(nèi)完成。我的判斷是我們正在經(jīng)歷的是一個持續(xù)十年以上的漸變過程而不是一夜之間的突變。這意味著什么意味著你有時間準(zhǔn)備但不能拖延。就像二十年前互聯(lián)網(wǎng)普及的過程一樣變化是漸進的但回頭看時你會發(fā)現(xiàn)那些在早期就開始積累相關(guān)能力的人和那些等到一切都成熟了才入場的人差距是巨大的。具體到行動上我建議每季度花一點時間評估AI在自己領(lǐng)域的最新進展看看有沒有新的工具或方法可以納入自己的工作流。不需要追每一個熱點但要保持對趨勢的敏感。5.3 關(guān)于“聰明”的定義權(quán)最后一個容易被忽略的點是“聰明”的定義本身正在被AI改寫。過去我們說一個人聰明往往指他記憶力好、計算快、邏輯強。但這些能力AI已經(jīng)全面超越了。未來“聰明”可能更多地指向提出好問題的能力、跨領(lǐng)域連接的能力、判斷什么值得做的能力。這對教育、招聘、個人發(fā)展都有深遠影響。如果你還在用“記住多少知識”“算得多快”來衡量自己或他人的價值可能需要重新思考了。我在招聘時越來越看重的是這個人能不能清晰地定義問題能不能在信息不完整的情況下做出合理判斷能不能快速學(xué)習(xí)新工具并應(yīng)用到實際工作中這些能力在AI時代會越來越值錢。6. 我自己的實踐從觀望到深度嵌入的兩年6.1 起步階段的試錯兩年前我開始認(rèn)真把AI引入日常工作流時走了不少彎路。最開始是把它當(dāng)成一個更聰明的搜索引擎問一些問題、查一些資料。效果一般因為AI有時候會“一本正經(jīng)地胡說八道”而我需要花大量時間去核實。后來我調(diào)整了策略不讓AI做事實性回答而是讓它做生成性和轉(zhuǎn)換性工作。比如不讓它回答“這個技術(shù)的原理是什么”而是讓它“用通俗的語言解釋這段技術(shù)文檔”。不讓它“告訴我這個問題的答案”而是讓它“列出解決這個問題的五種可能思路”。這個轉(zhuǎn)變讓AI的輸出質(zhì)量大幅提升因為生成和轉(zhuǎn)換任務(wù)對事實準(zhǔn)確性的要求相對較低而對語言組織和模式匹配的要求較高恰好是AI的強項。6.2 工作流的重構(gòu)現(xiàn)在我的日常工作流已經(jīng)深度嵌入了AI。早上到工位的第一件事是讓AI匯總過去24小時我關(guān)注領(lǐng)域的重要動態(tài)生成一份簡報。寫代碼時用AI輔助生成單元測試和文檔注釋。寫文章時用AI做資料調(diào)研和初稿生成。開會時用AI做實時轉(zhuǎn)錄和要點提取。但有一個原則我始終堅持AI的輸出必須經(jīng)過我的審核才能進入最終交付物。這不是對AI的不信任而是對結(jié)果負責(zé)。AI可以幫我處理80%的常規(guī)工作但最后20%的判斷和把關(guān)必須由我來做。這20%恰恰是價值的核心所在。6.3 踩過的坑和學(xué)到的教訓(xùn)第一個坑是過度依賴。有一段時間我?guī)缀醢阉形淖止ぷ鞫冀唤oAI結(jié)果發(fā)現(xiàn)自己的寫作能力在退化。后來我調(diào)整了比例重要的、需要體現(xiàn)個人風(fēng)格的內(nèi)容堅持自己寫AI只做輔助。第二個坑是忽視數(shù)據(jù)安全。早期我習(xí)慣把工作內(nèi)容直接粘貼到AI對話框里后來意識到這可能涉及敏感信息泄露?，F(xiàn)在我會對輸入內(nèi)容做脫敏處理或者使用本地部署的模型處理敏感數(shù)據(jù)。第三個坑是追求最新工具。有段時間我沉迷于嘗試各種新出的AI工具結(jié)果浪費了大量時間在學(xué)習(xí)和遷移上實際產(chǎn)出反而下降了。后來我給自己定了個規(guī)矩只有當(dāng)新工具能解決現(xiàn)有工作流中明確存在的痛點時才考慮切換。提示如果你剛開始把AI引入工作流建議從“低風(fēng)險、高頻次、規(guī)則明確”的任務(wù)開始。比如格式轉(zhuǎn)換、摘要生成、郵件草擬。這些任務(wù)即使AI出錯后果也可控而且能快速建立你對AI能力的直覺判斷。7. 如果“1000倍”真的來了什么能力最保值7.1 提出正確問題的能力當(dāng)AI能回答幾乎所有問題時問題的質(zhì)量就決定了答案的價值。一個模糊的問題得到模糊的答案一個精準(zhǔn)的問題得到精準(zhǔn)的答案。提出好問題的能力包括把模糊的需求轉(zhuǎn)化為具體的查詢、識別問題背后的真正約束條件、判斷哪些問題值得花時間回答。這種能力很難被AI替代因為AI需要你告訴它要解決什么問題。它不會主動質(zhì)疑“你為什么要解決這個問題”或者“這個問題是不是問錯了”。而這些恰恰是人類判斷力的核心。7.2 跨領(lǐng)域連接的能力AI在單一領(lǐng)域內(nèi)的知識深度已經(jīng)遠超常人但跨領(lǐng)域的連接和遷移仍然是人類的優(yōu)勢。把生物學(xué)的原理應(yīng)用到軟件架構(gòu)設(shè)計上把心理學(xué)的洞察應(yīng)用到產(chǎn)品體驗優(yōu)化上把制造業(yè)的流程管理應(yīng)用到內(nèi)容生產(chǎn)上——這些跨界的創(chuàng)新往往來自人類的聯(lián)想和類比能力。我觀察到的一個現(xiàn)象是最有價值的AI應(yīng)用往往出現(xiàn)在兩個領(lǐng)域的交叉點上。比如AI加法律、AI加醫(yī)療、AI加教育。這些交叉點需要同時理解兩個領(lǐng)域的語言和邏輯而AI目前更擅長在單一領(lǐng)域內(nèi)深耕。7.3 承擔(dān)風(fēng)險和做出決策的能力AI可以給你列出十個選項和每個選項的利弊分析但它不會替你承擔(dān)選擇帶來的后果。決策的本質(zhì)是在信息不完整的情況下做出判斷并承擔(dān)責(zé)任這一點AI做不到也不應(yīng)該讓它做。在可預(yù)見的未來人類的核心價值之一就是在AI輔助下做出最終決策并為之負責(zé)。這意味著你需要理解AI的輸出邏輯、評估其可靠性、在多個AI建議之間做出取舍。這種能力不會因為AI變強而貶值反而會因為AI變強而增值——因為選項越多選擇的難度越大。7.4 建立信任和情感連接的能力最后一點也是我認(rèn)為最不可能被替代的人與人之間的信任和情感連接。AI可以模擬共情但它沒有真實的經(jīng)歷和情感。在需要深度信任的場景中——比如心理疏導(dǎo)、團隊管理、客戶關(guān)系維護——人類的真實存在本身就是價值。這不是說AI在這些領(lǐng)域沒有用武之地。AI可以輔助心理醫(yī)生做初步篩查可以幫管理者整理團隊反饋可以幫銷售分析客戶需求。但最終建立信任的那一步仍然需要人來完成。8. 把判斷轉(zhuǎn)化為行動一份可執(zhí)行的清單8.1 個人層面的準(zhǔn)備如果你是一個技術(shù)從業(yè)者我建議從這幾個方面入手第一熟練掌握至少一種AI輔助開發(fā)工具比如代碼補全、單元測試生成、代碼審查。第二理解大模型的基本原理和局限不需要深入數(shù)學(xué)細節(jié)但要明白它能做什么、不能做什么、為什么會出錯。第三在自己的項目中找一個切入點用AI解決一個具體的、可衡量的痛點。如果你不是技術(shù)背景可以從提升信息處理效率開始。用AI做文檔摘要、郵件分類、會議紀(jì)要、資料翻譯。這些場景門檻低、見效快能幫你建立對AI能力的直觀認(rèn)知。8.2 團隊層面的準(zhǔn)備如果你在帶團隊我建議做三件事第一建立AI使用的規(guī)范和邊界明確哪些數(shù)據(jù)可以輸入AI、哪些不可以哪些決策可以依賴AI、哪些必須人工復(fù)核。第二組織小范圍的試點選一個痛點明確的場景讓團隊一起探索AI的用法積累經(jīng)驗。第三把AI能力納入招聘和培養(yǎng)體系未來不會用AI的人就像今天不會用搜索引擎的人一樣效率差距會越來越大。8.3 心態(tài)層面的準(zhǔn)備最后也是最重要的保持好奇但不要焦慮。技術(shù)變革的浪潮中最危險的不是變化本身而是因為恐懼而拒絕變化或者因為焦慮而盲目跟風(fēng)。找到自己的節(jié)奏從一個小點開始持續(xù)積累比一次性追求“全面AI化”要有效得多。我在過去兩年的實踐中最大的體會是AI不會讓你失業(yè)但會用AI的人可能會讓你的工作方式顯得過時。這不是威脅而是提醒——提醒我們把注意力從“AI會不會取代我”轉(zhuǎn)移到“我如何用AI讓自己變得更有價值”上。這個視角的轉(zhuǎn)變本身就是熱身結(jié)束、正式入場的標(biāo)志。