1.1 AI行业定义、边界与产业链结构
我平时看AI行业，不太愿意把它当成一个单独赛道。它更像一张不断扩张的网，一头连着芯片、服务器、云、数据中心，另一头连着搜索、办公、客服、设计、制造、医疗、金融。谁在网里？芯片公司、云厂商、模型公司、工具链公司、行业解决方案商、终端厂商、开发者社区。边界很模糊，今天做模型的明天可能做应用，今天做应用的也可能自研小模型。
我跟投资人聊，他们常把产业链拆成上游算力、中游模型、下游应用。我跟企业CIO聊，他们更关心这套东西能不能接进现有系统，能不能降本，能不能合规。我跟独立开发者聊，他们盯的是API价格、工具链成熟度、分发渠道。三种视角拼在一起，AI行业的产业链结构就清楚了：底层基础设施，中间模型与平台，上层场景与商业闭环。
1.2 技术演进：从机器学习、深度学习到大模型与多模态
我最早接触机器学习时，很多时间花在特征工程上。业务理解、数据清洗、特征组合、模型调参，每一步都靠人。深度学习起来后，CNN、RNN、Transformer把很多任务推上新高，语音、图像、推荐、翻译都换了打法。那几年我感受到的变化是，模型开始自己学表示，人工规则退到后面。
大模型把这条路推到了新阶段。文本生成、代码生成、图像生成、视频生成、语音对话，能力开始跨任务迁移。多模态让模型同时看文字、图片、声音、视频，甚至动作。我自己用GPT-4、Claude、Gemini、文心一言、Kimi做资料整理，体验差异很大，能力边界也在快速移动。技术演进的主线，从判别式小模型走向生成式大模型，从单点工具走向通用助手。
1.3 数据、算力、算法三要素与产业基础设施
数据、算力、算法这三个词被讲了很多年，落到AI行业里，含义一直在变。数据不只是数量，质量、版权、隐私、标注、合成数据、行业知识库都算。算力不只是GPU，网络、存储、电力、冷却、调度、利用率都算。算法不只是模型结构，训练方法、推理优化、对齐技术、评测体系都算。我见过一些团队模型不差，卡在数据脏和算力利用率低上。
产业基础设施是这些东西的集合。芯片厂商提供训练和推理芯片，云厂商提供弹性算力，智算中心提供集中资源，MLOps和向量数据库提供工程支撑，模型服务提供API。我跟做智算中心的人聊，他们关心电费、网络带宽、客户续约。我跟算法工程师聊，他们关心数据管道、训练稳定性、推理延迟。我跟企业客户聊，他们关心总拥有成本、安全、可解释。三边诉求不同，基础设施的机会就藏在中间。
1.4 政策、资本与市场需求对AI行业的推动作用
政策给AI行业定方向，也定边界。中国有新一代人工智能发展规划、数据要素相关制度、生成式AI服务管理办法。欧盟推进AI法案，美国出行政令，各国都在算力、数据、伦理、安全上布局。我参加过一些地方政府的招商会，智算中心、AI产业园、人才补贴是高频词。政策像路标，告诉钱和人往哪里走。
资本给AI行业添燃料。风险投资追大模型、AI Agent、具身智能、AI芯片。科技巨头用投资和云资源绑定头部团队，微软与OpenAI、亚马逊与Anthropic、谷歌与Anthropic都是例子。二级市场也在给算力、芯片、应用公司定价。我自己看项目时，会区分短期热点和长期现金流，热闹和生意是两回事。
市场需求是更直接的拉动力。企业想降本增效，客服、营销、代码、设计、办公、质检、风控都在试AI。消费者想更快得到答案、更好内容、更自然的交互。开发者想更低成本地调用能力。政策、资本、市场三股力量方向有时一致，有时拉扯，AI行业就在这种拉扯里往前跑。
1.5 AI行业在全球竞争格局中的位置与关键参与者
全球AI竞争，美国在基础模型、AI芯片、云平台、顶级人才上优势很深。OpenAI、Google、Microsoft、Meta、Anthropic、NVIDIA、Amazon是绕不开的玩家。中国的优势在应用场景、数据规模、制造链条、工程师红利、政策推动。百度、阿里、腾讯、华为、字节、商汤、科大讯飞、智谱、月之暗面、MiniMax都在各自位置发力。欧洲强在监管、伦理、工业软件和行业纵深，日韩、中东、东南亚在本地化模型、算力投资、数字主权上加速。
我作为用户，日常会在ChatGPT、Claude、Gemini、文心一言、Kimi之间切换。我作为开发者，会看Hugging Face、GitHub、云厂商的模型市场。我作为企业顾问，会关注云厂商、系统集成商、行业ISV怎么把AI塞进业务流程。关键参与者不只有模型公司，芯片、云、数据、应用、开源社区、标准组织都在牌桌上。
竞争格局不是单点比赛，是生态比赛。芯片出口管制、开源模型扩散、数据跨境、监管差异，都在改变力量分布。我自己的判断是，基础模型会收敛到少数大玩家，应用层会百花齐放，工具层和基础设施层会反复洗牌。谁离场景近，谁离数据近，谁离算力近，谁就有机会切到蛋糕。
2.1 大模型与通用人工智能的发展方向
我最近一年用大模型，感觉变化不在“能聊天”这件事上，而在“能干活”上。模型开始读长文档、写代码、调工具、看图片、听语音，还能在推理任务上多花几步想。OpenAI的o系列、DeepSeek的R系列、Anthropic的Claude，都在往推理和可靠性上走。参数规模还在涨，大家更关心单位成本能换来多少有效能力。我作为用户，要的是答案准、响应快、价格低。我作为开发者，要的是接口稳、上下文长、工具调用顺。
通用人工智能这个话题，我听过太多版本。乐观派说几年内就能看到接近人的通用系统。谨慎派说现在的模型还是模式匹配，缺世界模型和持续学习。工程派更实际，他们觉得AGI不会是一个模型，而是模型、记忆、工具、环境、评估组成的一套系统。我自己的判断偏工程派。单点模型能力会继续跳，真正的通用能力要靠系统集成和场景闭环。
大模型的发展方向，我观察有三条线在并行。一条是能力线，多模态、长上下文、推理、规划。一条是成本线，量化、蒸馏、MoE、专用芯片把推理价格往下压。一条是产品线，从聊天框走向操作系统、浏览器、办公套件、IDE。三条线缠在一起，谁先找到可持续的付费场景，谁就能活下来。通用人工智能的讨论会继续，落到生意上，还是看谁把能力变成稳定服务。
2.2 生成式AI向垂直行业与具体场景渗透
通用聊天机器人热闹，真赚钱的往往是垂直场景。我跟金融行业的人聊，他们用AI做投研摘要、合规检查、客服辅助、代码生成。我跟医疗行业的人聊，他们用AI做病历结构化、影像初筛、随访管理。我跟制造企业聊，他们用AI做质检、排产、设备维护、知识库。每个行业的门槛不同，金融怕合规，医疗怕误诊，制造怕停线。生成式AI进这些场景，不是拿一个通用模型直接套，要接行业数据、行业规则、行业工作流。
我参与过一些企业AI落地项目，发现场景选择比模型选择更重要。高频、高价值、低风险的任务先上，比如客服话术推荐、合同条款提取、会议纪要、代码补全。低频率、高风险的决策往后放，比如诊断、授信、法律判决。企业客户常问我，用大模型还是小模型。我的回答是，看任务。简单分类用小模型，复杂生成用大模型，混合架构越来越常见。RAG、微调、提示工程、知识图谱，都是为了让模型更懂行业。
垂直行业渗透还有一个变化，AI从“工具”变成“同事”。销售用AI写邮件、准备客户资料。律师用AI查案例、起草文件。医生用AI整理病历、提醒用药。设计师用AI出草图、做变体。这些场景里，人还是决策者，AI做重复劳动和初稿。我见到的成功案例，都是把AI嵌进现有流程，而不是另起一套流程。员工愿意用，因为省时间。老板愿意买，因为看得到效率提升。
2.3 AI Agent与自动化工作流成为新范式
AI Agent是我这两年最关注的方向。聊天机器人是你问一句它答一句。Agent是你给目标，它自己拆任务、找工具、执行、检查、再调整。我试过一些Agent产品，帮我在浏览器里查资料、填表、订行程、写代码。体验还不稳定，方向很清楚。Agent需要规划能力、工具调用、记忆、环境反馈。单个Agent能力有限，多Agent协作能分担角色，比如一个写代码，一个测试，一个审查。我作为开发者，已经在用Cursor、Claude Code、Devin这类工具，它们像初级工程师，能干活，也需要人盯着。
自动化工作流是Agent更快落地的形态。企业里大量流程是重复的：报销审核、发票录入、客服工单、招聘筛选、数据录入。以前用RPA，规则一变就崩。现在RPA加LLM，能理解非结构化信息，能处理例外。我见过一家公司用Agent自动处理客户邮件，分类、提取、回复、转人工，准确率比纯规则高很多。另一家公司用Agent做代码审查，先跑静态检查，再用模型解释问题。这些场景的共同点是，容错空间大，人工可以兜底。
Agent要成为新范式，还有几道坎。可靠性不够，错误会连锁。权限管理复杂，Agent能操作什么系统、能花多少钱、能代表谁，都要定义。审计和追溯要跟上，出了事得知道哪一步错了。我自己的做法是，先让Agent做建议，人确认后再执行。等准确率和安全机制成熟，再放开自动执行。这个节奏，企业客户也更容易接受。
2.4 边缘AI、具身智能与AI硬件融合趋势
边缘AI离我日常生活很近。手机上的语音助手、相册搜索、输入法预测，很多已经跑在本地。AI PC和AI手机把NPU塞进设备，本地跑小模型，隐私好、延迟低、不依赖网络。我出差时用离线翻译和录音转写，体验比云端稳定。边缘AI的驱动力是隐私、成本、实时性。工厂里的质检摄像头、汽车里的座舱助手、家里的智能音箱，都在往端侧放推理。云边端协同会是常态，训练在云，推理在边，隐私数据留在端。
具身智能是AI进入物理世界的路径。人形机器人、机械臂、自动驾驶、无人机，都需要感知、决策、控制一体。我参观过一些机器人公司，他们最大的瓶颈不是算法，是数据。真实世界的数据贵、慢、难标注。仿真环境能加速训练，仿真到现实的差距还在。硬件成本、电池续航、安全标准，也限制规模化。我作为用户，期待机器人做家务、搬货、巡检。我作为观察者，知道这需要时间。具身智能的趋势明确，商业化的节奏会比软件慢。
AI硬件融合不只是机器人。AI眼镜、AI耳机、AI玩具、AI陪伴设备，都在试。芯片厂商推端侧推理芯片，传感器厂商推多模态感知，终端厂商推AI原生设备。我试过几款AI眼镜，拍照、翻译、导航能用，重量和续航是问题。硬件创业的难点在于供应链、渠道、成本。软件可以快速迭代，硬件不行。这个趋势里，能活下来的产品，通常不是功能最炫的，而是最解决具体问题的。
2.5 开源生态、监管治理与可持续发展趋势
开源生态是AI行业的重要变量。Llama、Mistral、Qwen、DeepSeek、Gemma这些开源模型，把能力门槛拉低。我作为开发者，用开源模型做原型、做私有部署、做成本控制。企业客户喜欢开源，因为可控、可改、可审计。开源也带来安全挑战，模型权重一旦放出，滥用难防。社区在推责任披露、许可证限制、安全评估。闭源和开源会长期共存，闭源拼前沿能力，开源拼生态和成本。
监管治理在加速。欧盟AI法案按风险分级，中国有生成式AI服务管理办法和算法备案，美国有行政令和行业指南。我参加合规讨论时，听到最多的词是透明度、版权、偏见、安全、问责。企业要记录数据来源、模型版本、输出审核。开发者要注意许可证和隐私。监管不是只限制，也给合规产品创造机会。比如审计工具、内容过滤、数据脱敏、模型评测。我自己的判断是，监管会越来越细，早做合规的团队后面更省事。
可持续发展是容易被忽略的趋势。大模型训练和推理耗电耗水，算力集群的碳排放在涨。云厂商在买绿电、优化冷却、提升利用率。模型侧在推稀疏化、量化、小模型、蒸馏。我作为用户，希望AI便宜好用。我作为行业观察者，知道能耗成本会变成竞争力。绿色AI不只是环保口号，是经济账。长期看，能效高的芯片、算法、数据中心，会拿到更多订单。AI行业的发展，不能只看能力曲线，也要看资源曲线和治理曲线。
3.1 AI人才需求结构与岗位类型变化
我翻招聘网站的时候有个直观感受，AI岗位的标签越来越碎。前几年打开一看，基本都是“算法工程师”四个字打头，现在往下拉，能看到提示词工程师、AI产品经理、模型评测师、数据标注策略师、AI合规专员、Agent训练师、推理优化工程师。岗位名字变了，背后是工作内容在拆解。以前一个人从头训模型到上线全包，现在分工细到有人专门管数据清洗，有人专门调推理延迟，有人专门写系统提示词。我认识一个团队，做客服大模型，光是“对话质量评估”就配了三个人。
需求结构也在挪。纯研究岗的数量少，要求高，基本被博士和顶会选手占着。真正放量的是落地岗，需要能把模型塞进业务流程里的人。我帮朋友内推过几个岗位，发现企业问的问题很实在：你调过RAG没有？处理过多轮对话的上下文丢失吗？做过模型量化部署吗？这些不是学术问题，是工程问题。岗位类型的变化说明一件事，AI从实验室往产业走，需要的是能解决具体问题的人，不是只会刷榜的人。
还有一类岗位在冒头，叫“AI应用架构师”或者“AI解决方案工程师”。这个角色夹在业务和技术中间，左边听懂客户要什么，右边知道模型能干什么、不能干什么。我见过一个做得很好的架构师，他不懂反向传播，但他知道银行客户的数据不能出内网，知道保险理赔场景容错率低，知道怎么把大模型拆成小模型加规则引擎。这种人在市场上很抢手，因为纯技术的人不懂业务，纯业务的人不懂模型边界。
3.2 核心技术岗：算法、工程、数据与产品岗位前景
算法岗我聊过不少从业者。他们的普遍感受是，门槛在提高，方向在分化。做预训练的那批人，集中在少数有算力的公司和实验室，普通人进不去。做微调和应用的那批人，机会多，竞争也激烈。我认识一个做法律大模型微调的工程师，他说自己每天的工作是洗数据、构造指令、跑评测、调参，听起来不酷，但公司离不开他。算法岗的前景取决于你站在哪一层，顶层拼天赋和资源，中层拼工程能力和行业理解。
工程岗是我个人最看好的方向。模型训出来只是第一步，要让它稳定、便宜、快速地服务用户，需要一堆工程活。推理优化、显存管理、并发调度、服务监控、灰度发布，这些活又脏又累，但需求量大。我认识一个做推理加速的工程师，他帮公司把响应时间从三秒压到八百毫秒，老板直接给他涨了薪。MLOps、LLMOps这些概念热起来，说明行业在补工程的课。算法岗可能卷学历，工程岗更看手活。
数据岗在AI时代被重新定义了。以前的数据分析师写SQL、做报表，现在的数据岗要懂标注规范、懂数据质量评估、懂合成数据生成。我见过一个数据团队，专门给模型造训练数据，他们设计标注流程、写质量校验脚本、分析bad case分布。这个岗位的前景在于，模型能力越强，对数据质量的要求越高。垃圾进垃圾出，这句话在AI行业是铁律。产品岗的变化也大，AI产品经理要懂模型能力边界，要会写提示词，要能设计人机协作流程。我见过一个AI产品经理，他每天的工作是跟模型“聊天”，找出它在什么情况下会胡说，然后设计兜底方案。
3.3 非技术岗与AI复合型人才机会
非技术岗的机会比很多人想的多。我有个朋友做市场营销，以前写文案、做活动、投广告。现在她用AI生成初稿、做A/B测试、分析用户评论。她说自己的价值不在写得多好，而在知道什么内容能打动目标人群，AI只是加速器。运营岗也一样，社群运营用AI做自动回复和内容推荐，用户运营用AI做分层和触达。这些岗位不需要会写代码，需要的是懂业务、懂用户、懂怎么把AI当工具用。
复合型人才是市场里的稀缺品。我观察到一个规律，纯AI背景的人容易陷入技术自嗨，纯行业背景的人容易低估AI能力。真正吃香的是“行业+AI”的组合。懂医疗的AI产品经理、懂金融的AI风控专家、懂教育的AI教研员、懂制造的AI质检方案设计师。我认识一个在律所工作的法务，她自学了提示词工程和RAG原理，现在负责所里的AI工具选型和流程改造。她的薪资涨幅比同期同事高出一截，因为她把法律知识和AI能力接上了。
传统岗位被AI重新定义，有人焦虑，有人看到机会。HR用AI筛简历、做面试安排，行政用AI写通知、整理会议纪要，财务用AI做发票识别和报表分析。这些岗位不会消失，但工作内容会变。我自己的判断是，非技术岗的AI化会更快，因为门槛低、见效快。一个销售如果会用AI做客户画像和话术推荐，他的产出可能超过不用AI的同事。企业愿意为这种效率差买单。
3.4 薪资水平、区域分布与职业成长路径
薪资这件事，我听到的数字差距很大。顶尖实验室的应届博士能拿到百万年薪，普通公司的AI应用工程师可能二三十万。中间还有一大段，取决于城市、公司阶段、岗位稀缺度。我认识一个做Agent开发的工程师，他在一家创业公司，薪资不算高，但拿了期权。另一个做模型评测的女生，在互联网大厂，薪资一般，但福利和稳定性好。薪资不能只看数字，要看总包、成长速度、期权兑现概率。
区域分布上，北京、上海、深圳、杭州还是主线。北京偏研究和政策，上海偏金融和外资，深圳偏硬件和创业，杭州偏电商和云。成都、武汉、西安这些城市在追赶，主要靠成本优势和政策扶持。我有个前同事从北京搬到成都，薪资降了百分之二十，但房租降了一半，生活质量反而高了。远程办公也在改变分布，一些AI创业公司允许工程师远程，只要时区能对上。我认识一个在二线城市给硅谷公司做模型部署的工程师，薪资按美元算，生活成本按人民币算。
职业成长路径比以前多元。技术路线可以走算法、工程、架构、技术管理。产品路线可以走AI产品、解决方案、业务负责人。交叉路线可以走技术转产品、产品转运营、运营转增长。我见过一个从数据标注做起的人，后来转做数据产品，再后来转做AI项目经理。他说每一步都不是规划好的，是跟着项目需求走的。AI行业变化快，成长路径很难提前画好，保持学习能力和项目敏感度更重要。
3.5 就业挑战：技能迭代、竞争加剧与伦理责任
技能迭代的速度让我有点喘不过气。去年学的RAG流程，今年就有新框架。上个月用的微调方法，这个月就有更高效的方案。我认识一个工作五年的算法工程师，他说自己每年都要重新学一遍工具链。这种节奏下，经验的价值在贬值，学习能力在升值。企业招人的时候，越来越看重“你最近学了什么”，而不是“你以前做过什么”。这对老员工不友好，对新人是机会。
竞争加剧是另一个现实。AI岗位的薪资高，吸引大量转行者。培训班出来的、自学转行的、海外回流的，都在抢同样的坑。我帮团队筛过简历，一个初级岗位能收到几百份申请，里面有博士、有多年经验的、有带过团队的。企业筛选成本高了，就开始加门槛，要论文、要开源项目、要大厂经历。我自己的感受是，光会调API不够了，得有拿得出手的项目或者深度理解。竞争在往深水区走，浅层技能很快会被淹没。
伦理责任开始变成岗位要求。我参加过一次AI伦理培训，讲师问我们，如果模型给出的建议会导致歧视，谁负责？工程师、产品经理、还是公司？这个问题没有标准答案，但企业在招人的时候开始问这类问题。AI合规、AI审计、模型安全评估这些岗位在增加。我认识一个做AI治理的顾问，她的工作是帮企业梳理模型风险、写合规文档、设计人工复核流程。这个方向的需求在涨，因为监管在收紧，企业不想踩雷。就业挑战不只是技能和竞争，还有责任边界的问题。
4.1 互联网、金融、医疗、教育、制造等主要行业应用
我在互联网行业待了几年，这两年最直观的变化是推荐系统和搜索的底层逻辑被大模型重构了。以前做推荐靠特征工程和协同过滤，工程师花大量时间调参数、洗数据、构造用户画像。现在很多团队直接上大模型做语义召回和排序，把用户行为序列丢进去，让模型自己学。我认识一个做电商推荐的工程师，他说以前冷启动要跑一周数据才能出效果，现在用大模型做零样本推荐，新用户进来就能推得八九不离十。广告投放也在变，素材生成、人群定向、出价策略都在被AI重做。短视频平台的内容审核更是离不开AI，人工审核团队从几千人缩到几百人，剩下的主要处理疑难case。
金融行业对AI的态度是又爱又怕。爱的是效率，怕的是风险。我接触过几个银行和保险公司的项目，发现他们落地最成熟的场景是智能客服和文档处理。信用卡中心的客服机器人能处理百分之七八十的常见问题，剩下的转人工。保险理赔用OCR加NLP自动提取单据信息，理赔时效从几天缩到几小时。风控是另一个大场景，用图神经网络识别团伙欺诈，用大模型分析舆情和关联交易。但金融行业数据敏感，模型不能出内网，很多机构选择私有化部署开源模型，再自己微调。我见过一个券商的技术负责人，他说他们试过好几个大模型，最后选了开源方案自己改，因为合规部门要求每一层都可解释、可审计。
医疗行业的AI应用走的是慢而深的路子。影像辅助诊断是最早跑通的，肺结节筛查、眼底病变识别、病理切片分析，这些场景有公开数据集，标注质量高，模型效果容易验证。我认识一个做医疗AI的创业者，他的产品是给基层医院用的眼底筛查系统，装在社区医院里，护士拍完照，AI几秒钟出结果，可疑病例再上传给三甲医院医生复核。这个模式解决了基层缺医生的问题。药物研发也在被AI改变，分子生成、靶点预测、临床试验设计，大药企和AI公司合作的项目越来越多。但医疗行业的商业化周期长，一款AI辅助诊断产品从研发到拿到注册证，三五年是常态。我聊过的医疗AI从业者普遍有个共识，这个行业不能急，急不来。
教育行业是我觉得AI渗透最快也最杂的领域。口语陪练、作文批改、个性化推题、虚拟教师，各种形态都有。我侄女上初中，她用AI批改英语作文，拍照上传，几秒钟出分数和修改建议，她说比等老师批改快多了。偏远地区的学校用AI做双师课堂，屏幕上放名师录播课，本地老师负责答疑和组织。但教育AI有个难点，效果很难量化。提分多少算成功？学习兴趣提升怎么衡量？我见过一个做AI教育的团队，产品数据很好看，用户活跃度高，但续费率低，因为家长看不到明确的效果。这个行业的商业闭环比技术闭环难。
制造业的AI落地比我想象中务实。我参观过一家做汽车零部件的工厂，质检线上装了AI视觉系统，摄像头拍零件表面，模型判断有没有划痕、气泡、尺寸偏差。以前质检靠老师傅肉眼看，一天盯八小时，漏检率随疲劳度上升。AI系统上线后，漏检率降了，老师傅转去处理AI标记的疑难件。预测性维护是另一个场景，用传感器数据加AI模型预测设备什么时候会坏，提前换零件，避免停产。我认识的制造业老板对AI的态度很实在，能省钱、能减少停机、能降低对老师傅的依赖，他就愿意掏钱。至于大模型、AGI这些概念，他不太关心。
4.2 企业降本增效与AI原生商业模式
降本增效是企业上AI最直接的动力。我听过一个数据，某大型呼叫中心上线AI客服后，人力成本降了四成，客户满意度没降。这个账很好算，一个客服年薪加社保十几万，AI系统的年费可能就几万，还能二十四小时在线。文档处理、合同审查、代码生成、报表制作，这些重复性脑力劳动正在被AI批量替代。我认识一个做外包的公司老板，他以前养了二十个程序员接项目，现在用AI辅助编程，八个人就能接同样多的活。他说利润反而高了，因为人力成本降了，报价可以更灵活。
但降本只是第一步，AI原生商业模式才是更大的想象空间。什么叫AI原生？我的理解是，产品离开AI就跑不起来。比如做AI法律咨询的平台，用户描述问题，AI给出法律建议和文书模板，按次收费或者包月订阅。这种模式以前不存在，因为请律师太贵，普通人不会为一个小问题去律所。AI把服务成本压到几块钱，需求就被释放出来了。我见过一个做AI心理疏导的产品，用户跟AI聊天缓解焦虑，重度用户付费解锁更长的对话和更专业的引导。这个产品没有AI就完全不存在。
还有一种模式是把AI嵌入现有流程，按效果收费。比如AI招聘筛选系统，按成功入职的人数收费。AI营销投放系统，按转化效果分成。这种模式对客户友好，风险共担，但对企业要求高，得证明AI确实带来了增量。我聊过一个做AI销售线索挖掘的团队，他们帮B2B公司找潜在客户，按有效线索条数收费。客户以前靠销售自己找，效率低，现在AI从公开数据里挖，销售只管跟进。这个模式跑通了，因为效果可衡量。
平台化和生态化是另一个方向。我观察到一些公司把AI能力封装成API或者工具，让开发者调用。比如语音识别、图像生成、文本翻译，按调用量收费。这种模式的好处是边际成本低，一个模型训练一次，可以服务无数客户。但竞争也激烈，大厂把价格压得很低，小公司很难靠纯API赚钱。我认识一个做垂直领域语音识别的创业者，他专做医疗场景，识别医学术语的准确率比通用模型高，靠这个差异化活下来了。
4.3 创业公司、科技巨头与开发者生态的竞争格局
创业公司在AI行业的处境很微妙。一方面，大模型降低了技术门槛，几个人就能做出产品。另一方面，巨头把基础设施和通用能力都占了，创业公司只能在夹缝里找机会。我聊过的AI创业者大致分两类。一类做垂直应用，比如AI合同审查、AI病历生成、AI财报分析，深耕一个行业，把数据、流程、客户关系做深。另一类做工具和中间层，比如模型评测、推理加速、Agent框架，服务其他AI公司。前者的挑战是行业know-how和销售能力，后者的挑战是技术迭代太快，今天有用的工具明天可能被大模型内置了。
科技巨头的打法是全栈布局。从芯片到云到模型到应用，每一层都插一脚。我数过一家巨头的AI产品线，底层有自研AI芯片和算力集群，中间有大模型平台和开发工具，上层有面向消费者的AI助手和面向企业的解决方案。这种打法需要巨额投入，但一旦跑通，护城河很深。巨头的优势是数据、算力、渠道和人才，创业公司很难正面竞争。但巨头也有软肋，决策慢、流程长、对垂直行业的理解浅。我见过一个创业公司抢在巨头之前拿下了某个细分行业的标杆客户，靠的就是响应快、服务好、愿意定制。
开发者生态是另一个战场。开源模型和工具链把全球开发者连接起来，形成事实标准。我认识的很多工程师，选型的时候先看开源社区活跃度，再看文档质量，最后才看公司背景。一个开源项目如果star多、issue响应快、版本迭代勤，就容易被采用。大厂也意识到这一点，纷纷开源模型和工具，抢占开发者心智。但开源是双刃剑，社区贡献者可能被竞争对手挖走，商业版和开源版的边界也不好划。我见过一个开源项目，核心 maintainer 被大厂高薪挖走，项目更新就慢下来了。
竞争格局还在快速变化。今天的领先者明天可能掉队，今天的 niche 市场明天可能变成主流。我自己的判断是，创业公司的机会在“大厂看不上、小厂做不了”的领域，比如需要深度行业知识、需要长期客户关系、需要定制化交付的场景。巨头的机会在通用能力和平台生态。开发者生态则是双方争夺的焦点，谁能让开发者更容易地构建和部署AI应用，谁就能在下一轮竞争中占先机。
4.4 典型落地案例与投资热点
我跟踪过几个落地案例，印象比较深的是一个做AI农业的团队。他们用无人机拍农田，AI分析作物长势、病虫害、土壤湿度，给农户出施肥和打药的建议。这个事听起来不酷，但效果实在。农户以前靠经验，现在靠数据，农药用量降了，产量还高了。这个团队拿到过农业基金的投资，投资人看中的是刚需和市场空间。中国有十几亿亩耕地，哪怕只服务百分之几，也是不小的生意。
AI医疗影像是我觉得落地最扎实的方向之一。我认识一个做肺结节筛查的团队，他们的产品进了几百家医院，按次收费。医院为什么愿意用？因为放射科医生缺口大，AI能帮他们初筛，把可疑的片子挑出来优先看。这个产品的壁垒是数据，他们积累了上百万张标注过的CT影像，模型准确率比通用模型高。投资人也认这个逻辑，数据飞轮转起来，后来者很难追。
投资热点这几年转了几轮。前两年是自动驾驶和大模型，去年是AI Agent和具身智能，今年我看到更多钱流向AI基础设施和垂直应用。我聊过一个做AI推理芯片的创业者，他说投资人现在对纯算法公司兴趣下降，对能落地、有收入、有客户的公司更愿意出手。另一个做AI法律服务的团队，收入不高但增长快，也拿到了融资。投资人的逻辑在变，从赌技术转向赌商业化能力。
还有一个热点是AI加机器人。我参观过一家做仓储机器人的公司，他们的机器人用AI做路径规划和货物识别，在仓库里跑来跑去。这个场景以前靠二维码导航，现在靠视觉和激光雷达，灵活性高多了。投资人看中的是物流行业的自动化需求，人力成本上升，机器人替代是趋势。但具身智能的难度在于硬件和软件的结合，我见过一些团队软件很强，硬件拉胯，产品体验就上不去。
4.5 AI产品或服务的商业化路径与规模化难点
商业化路径这件事，我见过的成功案例大多走的是“先项目后产品”的路。一开始给客户做定制项目，解决具体问题，积累行业理解和数据。做着做着发现共性需求，把解决方案产品化，从项目制转向订阅制。我认识一个做AI质检的团队，最早给一家手机厂做屏幕缺陷检测，后来把模型和流程标准化，卖给其他电子厂、汽车零部件厂、纺织厂。这个路径的好处是现金流稳，坏处是前期项目制毛利率低，养团队压力大。
规模化是另一个坎。AI产品规模化难在几个地方。数据不一致，每家客户的数据格式、质量、标注标准都不一样，模型迁移成本高。流程不标准，客户内部流程千差万别，AI要嵌进去得做大量适配。决策链长，企业采购AI产品往往要经过技术评估、合规审查、预算审批，销售周期长。我见过一个AI客服团队，产品好，但销售跟了半年才签下一单，回款又拖了三个月。创始人说，规模化不是产品问题，是组织能力和销售效率问题。
定价也是难题。AI产品的成本结构跟传统软件不一样，训练成本、推理成本、数据成本、人力成本混在一起，很难算清楚。按订阅收费，客户觉得贵。按调用量收费，客户用量不稳定。按效果收费，效果定义又容易扯皮。我聊过一个做AI营销的团队，他们试过好几种定价模式，最后选了“基础订阅加效果分成”，客户接受度高一些。创始人说，定价是在客户价值和公司成本之间找平衡，这个平衡点每个行业都不一样。
还有一个难点是客户预期管理。AI不是万能的，但销售为了签单往往过度承诺。客户上线后发现效果没达到预期，续费就悬了。我认识一个AI销售，他说自己现在的策略是“先降低预期再交付”，告诉客户AI能解决百分之六七十的问题，剩下的靠人工兜底。客户反而觉得实在，续费率高了。这个行业还在早期，吹牛的人多，踏实做事的人少。能活下来的，往往是那些把预期管好、把交付做扎实的团队。
5.1 个人如何构建AI时代核心竞争力
我自己这几年最深的体会是，AI时代个人竞争力这件事，不能再用以前的框架去理解。以前说核心竞争力，往往指的是某个具体技能，比如会写代码、会做设计、会做数据分析。现在这些技能本身还在，但价值的锚点变了。我认识一个做了十年Java开发的朋友，去年开始焦虑，因为他发现AI写CRUD代码比他快，写单元测试比他全，甚至排查一些常见bug也比他准。他后来想明白一件事，他的竞争力不再是“会写Java”，而是“知道在什么场景下该用什么架构、怎么权衡取舍、怎么跟产品经理吵架把需求边界划清楚”。这些判断力、经验、沟通能力，AI暂时替代不了。
我自己的做法是把AI当成一个能力放大器，而不是竞争对手。我每天用AI处理的事情包括：快速调研一个陌生领域、整理会议纪要、生成初稿、翻译文档、写SQL查询。省下来的时间我用来做三件事。第一是深入理解业务，搞清楚钱从哪来、客户为什么买单、流程里的堵点在哪。第二是建立人际关系，跟同行聊、跟客户聊、跟跨部门的人聊，信息差和信任感是AI给不了的。第三是训练自己的判断力，AI给的建议我会想“它为什么这么建议”、“有没有遗漏的变量”、“如果错了会怎样”。我认识一个做产品的朋友，他每周花半天时间专门跟AI“吵架”，让AI给方案，他挑毛病，再让AI反驳，来回几轮，他对问题的理解就深了。
还有一点我觉得挺重要，就是保持对技术的敏感度，但不用追每一个热点。我见过一些人，今天学prompt engineering，明天学LangChain，后天又去搞RAG，学了一堆工具，但底层的东西没搞明白。我的策略是抓大放小，理解大模型能做什么、不能做什么、边界在哪、成本结构怎样，这些是相对稳定的。具体的工具和框架，用的时候现学就行。我认识一个做数据分析的姑娘，她不懂模型训练，但她知道什么数据适合喂给AI、怎么设计问题能得到好答案、怎么验证AI输出的可靠性。她把AI当工具用得很溜，在公司里成了不可替代的人。她的核心竞争力是“知道怎么问问题”和“知道答案对不对”，这两件事AI自己做不了。
5.2 企业如何制定AI战略与推动组织转型
我聊过不少企业的管理层，发现一个挺普遍的现象：老板很急，中层很慌，基层很懵。老板看到竞争对手上了AI，怕落后，要求各部门出AI方案。中层不知道AI能干嘛，但不敢说不，就硬凑方案。基层担心被替代，消极抵抗。这种状态下推AI，往往变成面子工程，买几台服务器、部署个模型、写几篇PR稿，然后就没了。我见过一家零售企业，花了几百万做AI中台，结果业务部门不用，因为数据没打通、流程没改、考核没变。技术部门觉得委屈，业务部门觉得添乱。
我的观察是，企业推AI，战略上要想清楚三件事。第一，AI解决什么问题。是降本、增效、还是创造新收入？这三个目标对应的组织方式、考核指标、资源投入完全不一样。降本往往从后台部门开始，比如财务、HR、客服。增效往往从核心业务流程切入，比如生产、供应链、研发。创造新收入往往要成立独立团队，用新机制去跑，不能放在老体系里。我认识一个制造企业的CIO，他推AI的逻辑很简单：先找三个痛点，每个痛点配一个小组，三个月内出结果，有效果就推广，没效果就停。不搞大而全，不搞运动式。
第二，组织能力怎么配。AI不是买来的，是长出来的。我见过做得比较好的企业，通常有一个小规模的AI核心团队，负责技术选型、平台搭建、标准制定，然后派“AI BP”嵌入业务部门，帮业务团队找场景、做落地。这个模式和HR BP、财务BP的逻辑类似。核心团队不用大，三五个人懂技术懂业务就行。关键是业务部门要有懂AI的人，能把业务问题翻译成AI能解的问题，能把AI的输出翻译成业务能用的决策。这个翻译角色现在很稀缺，我认识几个做这个的人，都是业务出身，自学了AI，在公司里很吃香。
第三，节奏怎么控。AI落地有它的规律，数据准备、场景选择、模型调优、流程适配、人员培训，每个环节都要时间。我见过一些企业要求三个月见效果，结果团队为了交差，挑最简单的场景做，做完就没了下文。比较好的节奏是，第一个季度做试点，选一两个数据质量好、业务配合度高、效果容易量化的场景，把闭环跑通。第二个季度复盘，看哪些经验可以复制，哪些坑要避开。第三个季度开始规模化。整个过程一年左右，急不得。我聊过一个金融公司的AI负责人，他说他们花了八个月才让第一个场景稳定运行，但后面的场景复制起来快多了，因为基础设施、流程、人员能力都就位了。
5.3 教育、培训与终身学习体系建设
我前段时间回学校参加一个活动，跟几个教授聊AI对教育的影响。一个计算机系的教授说，他现在最头疼的是课程更新速度跟不上技术迭代。以前一门课可以讲五年，现在一年不更新，内容就过时了。学生也分裂，一部分觉得学校教的东西没用，自己上网学；另一部分觉得AI太难，不知道从哪入手。这个教授的做法是把课程拆成两层，底层是不变的基础，比如数学、算法、系统设计，上层是变化的工具和框架，让学生自己选方向、自己做项目。他说他的角色从“知识传授者”变成“学习引导者”。
企业培训也在变。我认识一个做企业培训的朋友，他以前主要讲领导力、沟通、项目管理，现在一半的课跟AI有关。但他发现一个问题，给管理层讲AI和给一线员工讲AI，内容完全不一样。管理层关心的是“AI对我的业务意味着什么”、“我要投多少钱”、“组织怎么调”。一线员工关心的是“AI会不会让我失业”、“我怎么用AI提高效率”、“我要学什么新技能”。他的策略是分层培训，管理层做战略工作坊，中层做场景研讨，一线做工具实操。他跟我说，最怕的是一刀切，给所有人上同一门课，结果谁都听不懂。
终身学习这件事，我觉得关键在“体系”两个字。零散地学几个工具、看几篇文章，效果有限。我自己有一个学习框架，分成三层。最底层是“认知层”，理解AI的基本原理、能力边界、发展趋势。这一层不需要很深，但要有，不然容易被忽悠。中间层是“应用层”，掌握跟自己工作相关的AI工具和方法。这一层要深，要能用AI解决实际问题。最上层是“创造层”，能用AI构建新的产品、流程、商业模式。这一层看个人禀赋和机会，不是所有人都需要。我认识一个做HR的姑娘，她从“认知层”开始，慢慢学到“应用层”，现在能用AI做人才画像、简历筛选、培训内容生成，在公司里成了AI HR的专家。她没有变成算法工程师，但她把自己的专业和AI结合了，这就够了。
在线学习平台这几年积累了大量AI课程，质量参差不齐。我的建议是，选课的时候看三点：有没有实战项目、讲师有没有一线经验、课程更新频率怎么样。我试过一些课，讲得头头是道，但代码跑不起来，或者用的还是两年前的模型。比较好的课通常是项目驱动，你跟着做一个东西出来，过程中遇到问题再回去查资料、问老师。这种学法慢，但扎实。我认识一个转行做AI的人，他就是跟着一个项目课学了半年，做了三个项目放GitHub上，然后找到了工作。他说学历和证书有用，但作品更有说服力。
5.4 风险应对、伦理合规与数据安全
我接触过几个因为AI出事的案例，印象比较深的是一个做招聘AI的团队。他们的模型训练数据里包含了历史上招聘的偏好，结果模型学会了性别和年龄歧视，推荐候选人时自动过滤掉女性和大龄求职者。这个问题被媒体曝光后，客户流失、融资搁浅、团队解散。创始人后来复盘说，他们当时只顾着优化准确率，没想过公平性的问题。这件事给我的教训是，AI的风险往往不在技术本身，而在数据和目标函数的设计。你让模型优化什么，它就会朝着那个方向狂奔，不管路上压到什么。
数据安全是另一个雷区。我认识一个做企业服务的AI公司，他们的产品要接入客户的内部数据。早期为了方便，数据直接传到公有云上处理。后来一个客户的安全部门审计发现了，要求整改，否则终止合作。他们花了三个月做私有化部署、数据脱敏、访问控制，成本很高，但没办法。这件事之后，他们把“数据不出客户环境”作为核心卖点，反而赢了一些对安全要求高的客户。我的观察是，数据安全这件事，早期投入比后期补救划算得多。尤其是做B端生意的，客户的安全合规要求会越来越严，与其被动应付，不如主动设计。
伦理合规这块，不同行业不同地区的标准差异很大。我聊过一个做医疗AI的创业者，他说他们的产品要在美国上市，得符合FDA的要求，要在中国上市，得符合NMPA的要求，两边对算法透明度、临床验证、数据隐私的规定都不一样。他们的做法是招了一个专门的合规团队，从产品设计阶段就介入，而不是等到要上市了才补材料。这个团队不直接产生收入，但创始人说这是“保险”，不出事的时候觉得浪费钱，出事的时候能救命。我还见过一些公司，把伦理审查外包给第三方机构，定期做审计，出具报告给客户和监管看。这种做法在金融和医疗行业越来越普遍。
风险应对这件事，我的体会是，不能只靠技术手段。技术手段能解决一部分问题，比如用差分隐私保护数据、用可解释性工具分析模型决策。但很多风险是组织问题、流程问题、人的问题。我见过一个公司，技术很强，但没人对AI的输出负责。模型给了一个错误的信贷决策，业务部门说“这是模型给的”，技术部门说“我们只负责训练”。后来他们设了一个“AI产品经理”的角色，对AI的最终输出负责，这个人要懂技术、懂业务、懂合规，能在出问题的时候做判断。这个角色不好招，但有了之后，责任就清晰了。
5.5 AI行业未来展望与长期价值判断
我对AI行业的长期判断是乐观的，但乐观的方式跟两年前不一样了。两年前我觉得AI会很快改变一切，现在我觉得改变确实在发生，但比想象中慢、比想象中难、比想象中分散。我聊过一个做AI投资的朋友，他说他现在看项目，不怎么看技术多先进，更看场景多具体、团队多接地气、收入多真实。他投的一个项目是做AI合同审查的，技术不炫，但客户续费率高，因为确实帮法务省了时间、减少了漏审风险。这种项目在热潮里不起眼，但在退潮的时候能活下来。
长期价值这件事，我觉得要区分“技术价值”和“商业价值”。技术价值看的是模型能力、 benchmark 分数、论文引用。商业价值看的是客户愿意付多少钱、愿意付多久、推荐给别人的意愿有多强。这两件事有时候一致，有时候背离。我见过一些技术很强的团队，demo很惊艳，但商业化很困难，因为客户的需求不在这里，或者愿意付的钱覆盖不了成本。也见过一些技术一般的团队，产品做得扎实，客户用得很爽，闷声赚钱。我的判断是，AI行业会经历一轮挤泡沫的过程，技术价值高但商业价值低的团队会难受，商业价值扎实的团队会活得越来越好。
还有一个长期变量是监管。我聊过几个做政策研究的人，他们的共识是，AI监管会越来越严，但不会一刀切。监管的节奏大概是：先出指导意见，再出行业标准，最后出法律法规。这个过程中，合规能力会成为竞争力的一部分。大公司有资源做合规，小公司可能被合规成本压垮。但反过来，如果小公司能提前布局合规，反而能形成壁垒，因为客户会优先选择合规的供应商。我认识一个做AI教育的团队，他们从第一天就做内容审核、数据保护、未成年人保护，虽然慢，但拿下了几个大客户，因为学校采购的时候，合规是硬门槛。
最后说说我自己的长期判断。AI不会取代人，但会用AI的人会取代不会用的人。这句话被说烂了，但我越来越觉得它对。不是每个人都要成为AI专家，但每个人都需要理解AI能做什么、不能做什么、怎么跟AI协作。组织也一样，不是每家公司都要做AI研发，但每家公司都需要思考AI对自己的业务意味着什么、怎么调整流程和人才结构去适应。这个过程会持续很久，可能十年、二十年。急不来，但也躲不掉。我见过一些人在观望，等AI成熟了再上车。我的看法是，等成熟了，位置也满了。现在开始，哪怕走得慢，也比站着强。
评论
发表评论