在當今科技浪潮中，創新者與企業正面臨著技術信仰與商業鐵律激烈碰撞帶來的嚴峻挑戰，深陷技術懸崖、工程鴻溝、商業迷霧三大困局之中。那麼，什麼是識別“高價值 - 可工程化 - 強閉環”場景的黃金標尺？如何基於 LLMOps 等平臺能力實現 AI 與業務的“雙向奔赴”呢？
近日 InfoQ《極客有約》X AICon 直播欄目特別邀請了火星電波聯合創始人 & CTO 徐文健、阿里巴巴高級技術專家李陳忠、AutoGame 創始人張昊陽，在AICon 全球人工智能開發與應用大會2025 北京站即將召開之際，共同探討大模型產品落地的真實路徑。
部分精彩觀點如下：
- 未來大模型將如水電般成為公共資源，更應聚焦於構建私域模型、產品及數據飛輪。
- 通用大模型的訓練會吸納一切可獲取的數據，因此只有那些真正處於“數據孤島”中的信息才可能構成獨特優勢。
- 未來的產品交付物將不再是代碼本身，而是一種模型驅動的能力。
- 真正的創新將發生在應用層：基於通用基座，結合各領域專業知識，構建豐富的垂直場景應用。
- 傳統人才強調垂直領域的深度專精，在大型組織中扮演專家或執行者角色。而未來人才的核心價值在於視野的廣度，例如開發者同時理解設計、產品與美術邏輯。
以下內容基於直播速記整理，經 InfoQ 刪減。
我們是從哪一刻“開始做 AI”的？
徐文健：GPT 剛出來的時候，你們是怎麼想的？有沒有一個“我得馬上乾點什麼”的時刻？
李陳忠：2012 年我做智能客服機器人時，嘗試用傳統方法努力提升效果，但始終難以突破瓶頸。無論是句式匹配還是窮舉表達式，產出的結果都顯得生硬機械。即便使用語言技巧試圖模仿人類回答，其內容也常常空洞且似是而非，只是在玩文字遊戲。此後，2015、2016 年行業經歷 AI 浪潮時，我觀察了諸多案例，但始終感覺當時火熱的 AI 概念與我期望的效果仍有很大差距，直到 GPT 的出現。
第一次接觸 GPT 就發現，大語言模型與此前的 AI 技術截然不同，它將許多過去無法實現的事情變為可能。它不再侷限於生硬地處理特定垂直領域任務，而是展現出一定的推理能力，並能以流暢自然的語言表達，這令人驚豔。因此在 GPT 推出不久後，我便開始嘗試將其應用於各種場景，從內容總結逐步擴展到推理和判斷等任務。在我看來，GPT 的出現標誌著新世界的大門開啟，如同奇點時刻降臨，預示著一個截然不同的時代來臨。
張昊陽：作為 GPT 的早期用戶，我記得在推出第五天終於排到了賬號。當時 GPT 帶來的興奮感令我徹夜難眠，每日都在探索其能力邊界。彼時 OpenAI 尚非巨頭，傳聞將與微軟合作——如必應（Bing）接入 GPT 的消息也曾引發轟動。隨後不到一個月，ChatGPT 便以史上最快速度突破一億用戶大關，宣告生成式 AI 革命的到來。
GPT 3.5 問世後，其智能程度確實帶來劃時代的震撼。此後，因我專注於遊戲領域應用，主要關注兩大方向：一是 NPC 應用，大語言模型已具備提供情緒價值和解決問題的能力，可作為遊戲 NPC 存在；二是 AI 編程領域，GPT 推出不久後，Cursor 便成為首批將大模型能力集成至 VS Code 編輯器的產品。儘管如今 Cursor 廣為人知，但在 2023 年初它還是非常新穎的工具，實現了早期的 AI 輔助編程，此後逐漸發展出 Agent 編程概念，直至 2025 年的 Vibe Coding（氛圍編程）。
徐文健：我的經歷與兩位老師略有不同，並非存在某個明確的“投身 AI”的轉折點，而是一個量變到質變的過程。GPT 剛出現時同樣令我震撼，因此在 2023 年初，我抱著學習心態聯合幾位北師大博士朋友，開發了一款 AI 個性化教育產品。儘管該項目最終因個人能力不足而失敗，卻在我心中埋下種子：AI 確能改變許多事情，並可能是我們這代人珍貴的機會。項目失敗後，我加入百川智能，希望瞭解國內前沿 AI 企業對技術的認知與實踐。在百川期間學習了 Agent 等技術，離開後便持續投入 AI 創業。最終，這種積累在某刻引發了質變——我突然意識到自己已在 AI 領域深耕。
徐文健：過去這兩年，最大的認知轉變是什麼？有沒有一些印象深刻的“故事”或經歷可以分享？
李陳忠：我本身是一個帶有技術理想主義情懷的人，平時也很喜歡看科幻片，比如《鋼鐵俠》中的賈維斯等人工智能角色。因此，我對 AI 的快速發展感到驚歎。但要說具體在哪一刻認知發生了巨大轉變，這個過程其實並不明顯。
唯一顯著的變化是，我發現許多曾經只存在於想象中的構想，正變得越來越具有可行性。從較早版本的 ChatGPT 開始嘗試，它在某些場景下的效果就令人驚訝。隨著模型快速迭代升級，其能力不斷增強，使得構想未來的實現路徑愈發清晰。過去互聯網行業的發展可謂日新月異，但最近兩三年的 AI 進步速度與之相比，完全是另一個數量級。自 AI 爆發以來這兩三年間，整個領域的發展速度之快，甚至可以說超出了我的想象。
有一句話能形容我當時的心情：我突然發現自己找到了一個“免費勞動力”，它能像人一樣處理很多事情。當時我的另一個想法是：構建一個由 AI 驅動的虛擬世界變得可能了。對我而言，科幻片中描繪的場景以及我個人的許多設想，已不再是空想，而是變成了有明確實現路徑的可行目標。
新生事物的出現往往引發兩種態度：一種是興奮擁抱，看到機遇並積極嘗試；另一種是謹慎觀望。這就意味著當你嘗試新事物時，常會處於這兩種態度的夾縫中。比如 AI 剛興起時，我渴望投入其中，但很多人持保守態度，認為時機未到或技術尚未成熟。
這期間更深刻的體會是堅持的必要性。當你提出一個創新構想時，很少會得到廣泛認同，更多是觀望甚至反對。這種情況下，推動事情會變得困難——說服他人並非易事。因此，你常面臨獨自堅持卻缺乏支持的局面，這個過程必然充滿挑戰。
張昊陽：2023 年我尚在騰訊任職，年底才離職創業。初期作為大廠從業者，我的認知是：有必要儘早自研大模型，而非僅依賴外部接口。這在 2023 年上半年幾乎是行業共識，各大廠都在全力投入大模型研發，騰訊也推出了混元模型。
轉折點出現在 2023 年年中，LLaMA 模型意外洩露並開源後，中文大模型社區迅速活躍，湧現出後來被稱為“AI 六小龍”的創業公司。但到了 2024 年上半年，一個深刻的認知轉變是：許多人放棄了自研大模型的思路。原因在於，無論國內外，各種底層模型能力已反覆證明——大模型訓練並非人人可做，且從零訓練或微調的意義正在減弱。特別是 RAG 技術出現後，優秀的檢索和排序機制往往就能獲得理想結果，這已成為 2024 年的普遍共識。
2024 年被稱為“AI 應用年”，但真正的爆發發生在 2025 年。以 AI 編程工具為例：2025 年 2 月底 Claude 3.7 發佈後，以 Cursor 為代表的產品從輔助編程躍升為真正的 AI 編程。模型智能性的提升，徹底改變了產品及上下游能力。這反而催生了新認知：未來自研小模型變得必要。
AI Agent 創業需構建“產品 - 數據 - 模型”鐵三角，三者緊密結合才能建立壁壘。舉例說明：若僅有產品和模型，創業者需依賴提示詞工程等淺層工作。但隨著 OpenAI 推出插件功能，大量套殼應用被淘汰，證明此類模式缺乏壁壘。尤其當 Claude 4 等模型已具備資深工程師甚至架構師水平時，上層應用空間更被壓縮。另一類是去年火熱的“私域大模型”概念，如醫療領域整合髒數據訓練專屬模型。若缺乏直接面向用戶的產品入口，這類工作易石沉大海或淪為他人嫁衣——因無法形成數據閉環。
以 Cursor 為例：它接入 Claude、Gemini、OpenAI 等模型，但其用戶若未開啟隱私模式，生成代碼可能會被用於訓練自研編程小模型。Cursor 通過類似 MCP 機制的工具鏈處理文件編輯等任務，同時積累用戶行為數據。當它成為用戶習慣的入口，其模型可能比底層模型更擅長編程。未來各領域都可能出現此類產品，如自我進化的遊戲、社交工具。當然也需警惕巨頭下場壟斷。自研私域小模型的核心價值在於：結合領域知識與產品形成數據飛輪後，產品 - 數據 - 模型形成強綁定的生態關係，即使大廠也難以切入，從而建立壁壘。
另一顯著認知是大模型成本正以指數級速度下降。2023 年 3 月，斯坦福小鎮實驗運行一晚需數千美金。但僅半年後，模型能力提升的同時價格大幅跳水。到 2024 年 5 月，DeepSeek 等模型效果媲美 GPT-4，成本卻僅為其 10%。今年成本已近乎免費——以我們遊戲中 AI NPC 交互為例，幾千名玩家月大模型 token 消耗僅幾十美元。未來大模型將如水電般成為公共資源，更應聚焦於構建私域模型、產品及數據飛輪。
徐文健：Cursor 能這樣做，是因為它已成為行業無可爭議的領頭羊，擁有足夠數據支撐其訓練小模型並降低成本。但對於絕大多數公司而言，在成為行業龍頭之前，其數據收集能力根本無法與訓練通用大模型的巨頭公司競爭。
李陳忠：這也解釋了為何大模型興起之初，大家普遍聚焦於模型微調。因為大模型的迭代速度極快，其版本升級往往是覆蓋式的。訓練大模型這件事，本質上只有頂尖團隊或資源雄厚的大廠才能持續投入。普通團隊投入訓練，其成果很可能在短期內就被通用大模型的進步所覆蓋。
我認為唯一有價值或具備門檻的情況是：你的數據是互聯網上無法獲取的獨家資源，或是特定垂直領域內高度個性化、外部公司極難觸及的數據。通用大模型的訓練會吸納一切可獲取的數據，因此只有那些真正處於“數據孤島”中的信息才可能構成獨特優勢。若數據不具備這種性質，我認為通用大模型的快速迭代能力將很快覆蓋掉特定團隊的訓練成果。
張昊陽：兩位老師是否相信未來會出現真正意義上的“通用 Agent”？類似於 Manus 這樣的產品方向，值得投入嗎？
我個人不太相信通用 Agent 會成為現實。因為私域數據和模型具有獨特價值，這種價值並非大廠僅憑海量數據就能輕易複製的，往往需要結合深入的行業知識（know-how）。核心在於數據和產品必須強耦合，才能形成真正的壁壘。
以我們自己的遊戲為例：我們設計了一套專屬接口，其規則僅適用於該遊戲環境。玩家通過自然語言指令驅動 AI 在遊戲中創建新邏輯。我們隨後將這些生成的數據用於微調專屬小模型，使其越來越擅長為本產品生成代碼。這類數據即使大廠獲取也難以有效利用，因為它們緊密綁定於特定產品。因此，構建針對特定產品的私域模型仍具價值。當然，大廠可能在某個垂直領域實現突破，但其模型成果最終只能服務於特定產品，而非萬能。
我認為未來的產品交付物將不再是代碼本身，而是一種模型驅動的能力，可理解為 MAAS（Model as a Service）。產品將由大模型驅動，實現自我迭代和進化。這引出我質疑通用 Agent 的核心原因：無論是 Manus 是同類產品，其“通用性”有限，且在特定場景下的表現往往遜色於專注該領域的團隊產品。
將視角放大，我認為不可能投入巨大人力去微調所有細分領域的用戶體驗和數據以交付滿意結果。至少在未來 3~5 年內，這不可行。除非 AI 技術進化到能自我訓練——例如通過類似 GAN 的左右互搏機制，在特定場景中不斷優化，最終逼近該領域頭部產品的水平。即便如此，這種“通用 Agent”是否還能稱為“通用”，我對此也存疑。
李陳忠：你討論的更多是垂直領域的深度應用場景——這些場景不太可能由單一產品覆蓋。而通用大模型提供的是基礎能力，如更強的智能性、更好的指令遵循、更快的響應速度以及更完善的推理鏈條。
當基座能力應用於垂直領域時，需要針對該領域進行定製化打磨，這類似於人類的分工。所有人的生理基礎本質相似，但通過後天的行業深耕形成了專業縱深。在特定垂直領域構建的系統，會圍繞該領域持續積累和優化，從而在該領域表現愈發深入和專業。儘管其底層基座模型可能相同，但應用層的設計使其專注於特定方向。
我之所以相信通用 Agent 可行，並非指單個 Agent 無需適配就能處理所有領域任務，而是指這類 Agent 具備類似人類的基礎能力框架——它已完成“從猴子到人”的進化，擁有規劃能力、基於背景信息的邏輯推理能力以及工具調用能力。其在不同領域的應用會有不同表現，原因在於：一是為其配置的領域知識庫不同，通過 RAG 檢索到的知識也會不同；二是配置的領域工具不同，沒有任何一款 Agent 會配備所有的 MCP 工具，即便如 Manus，也只會根據具體領域需求配置相應工具。例如，遊戲領域的 Agent 會配置與遊戲產品結合的 MCP 工具，而醫療或其他領域的 Agent，則會配備與該領域相關的工具集。
因此，Manus 這類形態成立的邏輯在於：其核心基座具備通用能力。當在目標領域為其掛載對應的輸入源、專用工具鏈及領域知識庫後，它就能轉化為該領域的有效應用系統，這才是通用 Agent 存在的意義。
徐文健：通用 Agent 無需包攬所有任務，也不必做成“全能型”產品。它可以作為核心基幹，專注於處理通用能力，而將垂直領域的專業知識交由掛載的各類垂直 Agent 完成。通用 Agent 的核心價值在於充當入口或整合中樞，將不同能力模塊連接起來。
張昊陽：OpenAI 很早就提出了 Function Calling 機制，開源社區也早就在探索類似功能。然而這類產品直到今年才真正爆發，我認為根本原因在於底層模型能力的躍升。Function Calling 與工具調用協議本質差異不大，核心都是執行外部指令。此前已有人嘗試通過 Function Calling 調用命令行或工具鏈實現類似功能，但效果受限。Manus 的走紅恰逢 Claude 3.7 發佈後，這印證了模型基座能力達到臨界點才是關鍵驅動。此外，若巨頭下場制定統一工具標準並開放其強大基座模型，用戶可直接基於底層能力開發細分應用，此時 Manus 這類封裝層的價值存疑。
徐文健：昊陽老師，我們認知的核心差異或許在於對 Agent 壁壘的判斷。您提出的“產品 - 數據 - 模型”三角中，我尤其認為 Agent 本身具備獨特壁壘——其價值根植於垂直領域的專業知識。Agent 的優勢在於能持續迭代：依託通用大模型升級，永遠比通用模型在特定領域“領先一步”，這種優勢來源於對垂直領域的深度理解與優化。因此，無論通用模型如何演進，擁有領域專精能力的 Agent 始終能保持局部優勢。
李陳忠：本質上，Function Calling 與 MCP 的差異並不大。MCP 的價值在於推動行業標準化，使工具調用更集中規範。但構建優秀 Agent 的核心難點在於其規劃能力，Manus 未來的關鍵也在於此：如何圍繞目標有效拆解任務步驟並執行到位？這種任務規劃雖然會因具體領域而表現的不一樣，但也會有一個與垂域無關的基礎水位。類似於撇開職業屬性，大家都有規劃買菜、旅行等日常事務的能力。而加上職業屬性後，例如程序員，又具備了系統架構設計能力、編寫代碼的能力、使用各種專屬工具的能力，然後圍繞落地一個產品的目標，進行一系列任務規劃與拆解，並使用上述各個能力。因此，Agent 在垂直領域會分化，但其基座會具備有與垂域無關的基礎的規劃能力。
我對未來產品形態的看法可能更激進：或許最終形態將演變為“數據驅動 Agent（Data-to-Agent）”。所有交互界面均可基於當前場景動態生成，成本趨近於零——如同《鋼鐵俠》中賈維斯，能依據需求實時生成界面、調動工具、結合知識庫提供動態響應。
關於 Agent 生態，我認為未來僅會存在有限的幾個通用基座 Agent 框架，具備核心規劃 / 思考 / 感知 / 工具調用等能力。基於這些通用基座，結合各領域專業知識與場景，可以構建起一系列豐富的垂直應用。通用 Agent 框架這一層沒有必要非常多，但是上層應用會很多。
觀眾：如何看待 Manus 式的創業機會？
李陳忠：基於通用 Agent 進行垂直領域創業，也不能說沒有機會。但取決於發展速度、創新性、效果等能否超越現有玩家——如 DeepSeek 的出現一樣。若你確實具有一些獨特的辦法，如在規劃能力、工具調用、意圖識別等關鍵點上實現顯著創新，我覺得是值得嘗試的。
張昊陽：我認為機會不大。我與 Manus 創始團隊有交集，見證其從默默無聞到一夜爆紅的過程。從創投角度看，Manus 的成功更像一場“自媒體狂歡”：國內有影響力的自媒體大力推動其走紅，其產品最初面向海外用戶而非國內市場的策略也值得玩味。它在爆火後迅速獲得騰訊投資，估值攀升至數十億美元。但我認為這更多是面向資本市場的“作秀”，實際產品價值尚未達到通用 Agent 的理想狀態：早期試用者反饋低於預期，當前開放後的熱度也已減退，用戶體驗並不完美。許多細分場景下，結合特定工作流與大模型能力，反而能更有效地解決問題。
因此，類似 Manus 的創業機會不大。並非質疑其團隊能力，而是此事具有“首因效應”：第一個做是天才，第二個則是徒勞。資本很難再次 buy in 這套敘事，尤其當 Manus 的品牌效應已形成且技術壁壘常被質疑。後續模仿者將面臨“Manus 已獲巨資，你憑什麼超越”的拷問。
此外，我始終對“通用 Agent 產品”的可行性存疑——我不相信一個團隊能解決所有應用場景。除非你定位為提供 Agent“基座”本身。但當前階段，這仍需專業團隊封裝技術。未來，大模型可能演變為底層基礎設施：用戶只需向身邊的 Agent 提出需求，它便能自主編寫代碼、構建框架並返回結果。屆時，專注於上層框架的團隊將不再必要，核心能力將歸於基礎設施層（Infra）。
從 0 到 1 做 AI 產品，到底哪最難？
徐文健：大家都做過從零起步的 AI 項目，在你們經驗裡，最卡脖子的地方是哪？模型能力？用戶閉環？還是別的？
李陳忠：實踐中，模型能力確實曾是關鍵瓶頸，但這具有相對性。選定場景後，初期常因模型效果不穩定或低於預期而受阻，這需隨模型升級逐步改善。但項目執行中，我發現了一種變通解決思路：當模型達到基本水位，模型本身不必然成為絕對瓶頸。
觀察用戶使用習慣，常見誤區是將包含多重複雜任務的長提示詞（數百甚至上千字）直接輸入模型，導致輸出不穩定。此時易歸咎於模型能力不足。改進方法是將複雜任務拆解為多個簡單子任務，讓當前模型分步執行。實踐表明，模型對簡單任務的響應更穩定。隨著模型升級，整體效果會在原有基礎上進一步提升。這類似於管理：面對複雜任務，換更聰明的人（模型升級）是解法之一，但拆解任務讓普通人（當前模型）執行同樣可行。
因此，只要模型達到基本能力線，多數場景下的瓶頸是可被解決的。需區分模型能力與商業可行性：模型效果是基礎支撐，但項目成敗更取決於商業模式本身是否成立。在一個不成立的模式上，模型效果再好也徒勞。
張昊陽：李老師點出了關鍵——即產品與技術的適配度（TPF）。我親身經歷大模型應用四年，最大感受是模型能力的飛速提升正逐步消除大量 dirty work。Manus 團隊也分享過，模型底座能力增強後，許多提示詞工程變得不再必要，其指令遵循、反思和規劃能力顯著提升。
TPF 的核心在於：當模型能力低於用戶預期交付水平時，需人工填補鴻溝。如今模型能力已無限接近甚至超越用戶需求，挑戰轉向更高層的控制與架構設計。例如，AI 編程工具在代碼執行層面表現卓越，但在系統架構設計上仍有不足。
另一個棘手問題是記憶機制（Memory）。即使上下文窗口擴展至百萬 tokens，模型仍存在注意力分佈不均、中段信息遺忘等問題，當前最優解仍是 RAG 及其變體。未來若模型能在檢索排序（Rerank）與記憶能力上突破，將極大簡化底層優化工作。儘管存在挑戰，但是我總體持謹慎樂觀態度。即使將模型視為“無記憶的超級天才”，其價值已足夠顯著。
李陳忠：最近我一直在思考一個問題：為何模型能力顯著提升後，有時仍會產生不符合預期的結果？我發現一個關鍵點——模型可能並非不夠聰明，而是因其知識廣博，面對問題時能構思出多種解決方案，而我們人類受限於自身知識領域，往往只預想一種或少數幾種。當模型輸出的恰恰是我們未曾預見的思路時，就容易產生偏差感。
這種差異的根源可能在於約束的缺失。人類決策時存在無形約束：個體知識邊界、環境信息（視覺、聽覺、社交暗示等）共同塑造了預期路徑。而模型僅依賴輸入的文本提示，缺乏這些潛在的情境約束，導致其可能輸出看似“奇怪”卻邏輯自洽的方案。因此，有時需要額外提供明確的約束性描述或要求。
未來即使模型更先進，若無法解決這種信息不對稱，仍會出現兩種傾向：要麼過度擬合特定場景喪失靈活性，要麼需通過技術手段模擬人類接收的隱含約束信息。這是當前模型交互中值得關注的問題。
張昊陽：這正凸顯了多模態能力的重要性。
李陳忠：是的。模型要精準匹配用戶情境化預期，必須獲得與人類相似的輸入維度。否則，就像兩人相互揣測意圖難免偏差，模型更難完全契合未言明的期望。這將是未來需攻克的方向。
徐文健：本質上，需要將 AI 的感知觸角深度延伸至真實世界——在視覺、聽覺、觸覺等維度建立更緊密的聯結。唯有如此，模型才能理解並響應複雜情境中的隱含條件。
人才標準正在被重寫？
觀眾：現在做 LLM 產品，最需要的人才類型變了嗎？團隊搭建的時候會先找什麼樣的人？
張昊陽：作為創業者，我親身體驗並實踐著組織形態的變革。我非常認同“超級個體”的概念——在大廠工作時，我就嘗試扮演這一角色，深度運用 AI 輔助工作。隨著 Agent 能力提升，如今我如同帶領一支數字員工團隊協作。團隊中工程師的平均有效代碼產出量，在使用我們自研的 Agent 工具及 Cursor 等輔助後，從每週約 1500 行躍升至 30000 行，實現了 20 倍的產能提升。
我認為這種轉變將成為普遍現象。相應地，人才結構必然發生變化：個體需要從戰術執行者轉型為戰略架構者。未來的核心能力是管理——但管理對象將從人轉變為 AI Agent。關鍵在於學會調度各類能力資源解決問題：當你能清晰表達需求，並藉助 Agent 日益增強的指令遵循能力將複雜任務拆解為可執行的子任務時，便能驅動 Agent 團隊高效協作。
目前 Agent 最缺乏的是全局架構能力。它們擅長解決特定側面的問題，但難以統籌整體方案。因此，未來需要的是複合型人才——並非要求樣樣精通，但必須具備跨領域視野與精準提問能力。以我為例：作為遊戲工程師出身，雖主要擅長前端開發，但瞭解服務器端知識。通過專業提問引導 AI，並利用自身檢驗成果及跨端整合的能力，便能借助 Agent 完成全鏈路工作。
傳統人才強調垂直領域的深度專精，在大型組織中扮演專家或執行者角色。而未來人才的核心價值在於視野的廣度：例如開發者同時理解設計、產品與美術邏輯。這類具備跨領域認知與 Agent 協同能力的人，將成為真正的超級個體。
李陳忠：回顧互聯網早期，優秀的程序員通常能獨立完成項目，具備全棧能力。隨著行業規模擴大，分工（前端、後端、數據、算法等）開始出現，目的是提升效率。但不應把分工等同於專業。我特別反對將分工（如“我是後端”，“我是前端”）當成專業，因為這可能導致個體喪失獨立完成閉環任務的能力。
AI 的發展正加速回歸這一本質。傳統模式下，過度強調分工專業化可能削弱個體解決問題的能力。如今 AI 雖不能完全替代人類處理所有複雜事項，但它大幅降低了執行環節的門檻。未來人才的核心將是成為“AI 工程師”——這意味著圍繞目標或產品落地的全過程，你都需要具備基本理解和操作能力，固守單一分工思維將難以適應未來。
隨著 AI 能力的提升，特定執行崗位（如純測試工程師）的必要性會下降。關鍵在於：需要有人能全局規劃產品——從商業模式、產品定義到實現路徑——並有效指揮 AI 工具或“數字員工”協同執行。缺乏這種全局規劃與整合能力，僅擅長某個技術環節（如後端開發或算法）的人才，其競爭力將面臨挑戰。
因此，在人才選拔上，我更看重底層潛質：強烈的內驅力、探索欲、解決問題的魄力與韌性。技術技能可以培養，但面對未知領域時自主尋找課題、深入鑽研、整合資源達成目標的能力，才是核心。只要具備這些基礎品質和正常智力水平，掌握所需的上層技能只是時間問題。
觀眾：人工智能的未來的就業方向怎麼樣？門檻是否很高呢？
李陳忠：首要問題是：你是否真正熱愛這個領域？如果熱愛，那麼無需太過擔憂前景問題——你必然能在這個領域內超越大多數人，自然也會做的很卓越。但若非真正熱愛，則需與大多數人一同競爭。
張昊陽：近期美國一項調研數據顯示，當前失業率最高的專業是計算機科學，這與十幾年前該專業畢業生“橫著走”的盛況形成鮮明對比。某種意義上，大模型的發展是“程序員卷死程序員”的體現：當人類操控機器的智能進化到新階段，大量中低端從業者可能面臨淘汰風險。尤其是 AI 已能替代眾多行業中低端崗位的能力。
人工智能專業學生的前景存在殘酷現實：只有躋身領域前 5% 甚至更頂尖的天才群體，才具備顯著競爭力。因為未來你需要比 AI 更聰明，才能成為推動 AI 進化的核心力量。當 AI 能力超越人類數年乃至數十年的專業積累時，若無法轉型為 Agent 管理者或具備跨學科思維，註定會被淘汰。AI 不會取代人，但會用 AI 的人將取代不會用 AI 的人。學習人工智能專業的優勢在於：系統性理論能深化你對技術本質的理解。關鍵在於——要麼成為領域頂尖的少數人，要麼將 AI 能力賦能於其他領域應用，這種深刻認知將使你比他人走得更遠。
李陳忠：我將編碼群體分為兩類：程序員（具備創新能力、探索精神、能產出框架的創造者）與碼農（執行編碼任務的機械工作者）。在 AI 時代，頂尖的程序員依然擁有廣闊前景；但碼農型角色將迅速被 AI 替代。因為 AI 雖具創造力，人類唯有在更具突破性的創造領域超越 AI，才能守住價值高地。
徐文健：不要囿於技術細節，而應拓展視野邊界，主動擁抱新趨勢與新能力，積極適應 AI 驅動的時代變革。
本文來自微信公眾號“InfoQ”（ID：infoqchina），作者：AICon，36氪經授權發佈。
