最近有一场对谈我的好几个行业群都在转。A实验室和B实验室的两位负责人面对面聊了将近两个小时话题从AGI倒计时一路卷到“技术青春期”。看完之后我的第一反应是这不是又一次靠标题吸引眼球的AI焦虑而是两个坐在牌桌最前排的人把行业里很多只可意会的东西摊开来讲了一次。这篇文章不打算做逐字转述只挑我自己消化过的部分写成一版可以直接用的生存指南给做产品的、搞开发的、还有被AGI话题搞得反复失眠的普通读者。1. 这场终极对谈的前情提要两个实验室为何要坐下来聊1.1 两家的路线差异一句话就能说清A实验室的逻辑非常工程化。在他们看来AGI不是一个哲学问题而是一个规模问题。只要把模型做得足够大、数据铺得足够宽、训练流程跑得足够顺通用能力会以“涌现”的方式自己长出来。所以他们讨论AGI倒计时的时候语气更像在排产线这个季度搞定长上下文下个季度搞定多模态再往后跑一轮新的强化学习。B实验室的态度用一句话概括就是“先学会刹车再谈油门”。他们不否认能力会继续增长但认为比AGI本身更重要的问题是“可解释、可干预、可撤回”。在他们那条路线里模型能力的每一项进展都必须对应一套安全机制、评估基准和人机接口否则能力越大系统越脆。这两种路线在朋友圈里经常被描述成“激进派”和“保守派”。但真看完这场对谈你会发现真正站在第一线的人反而不屑于站队。A实验室也在做对齐研究B实验室也在追模型能力双方的分歧更多是优先级和节奏的差异而不是方向上的对立。这也让这场对谈没有变成辩论赛反而更像两个老同事在同步各自的项目进度。1.2 最戳人的不是结论而是两人回答问题时的“停顿”对谈里有很多次对方抛出一个问题之后回答的人沉默了好几秒。这种停顿在录播节目里几乎会被剪掉但在直播场合它就是真实思考的证据。嘉宾说“这个问题我需要在脑子里面转一圈”的那种停顿比任何精心准备的观点都有说服力。我记得有一个问题大概是这样的如果三年后AGI真的出现你最担心的事情是什么两个人给出的答案不太一样但沉默的长度差不多。一个人担心的是“人类会把它当成无所不知的神然后放弃自己的判断”另一个人担心的是“人类会把它当成无所不能的工具然后在它出错时没有任何兜底”。这两种担心放在一起恰好构成了“技术青春期”的一体两面一个能力疯涨的准成年人身边的大人要么过度崇拜要么过度放任。1.3 对谈里反复出现的三个关键词我一边看一边记这场对谈的高频词其实就三个里程碑、评估、护栏。全程没有太多关于“奇点之后人类怎么办”的宏大叙事反而都在谈很具体的事。比如“现在哪些能力已经可以进生产环境”、“哪些问题模型仍然在死撑面子”、“工程上如何设计一个让人能随时叫停的接口”。这让我觉得这场对谈之所以口碑比一般的AI访谈好是因为它没有停留在情绪层面而是给了很多可以被带回去执行的东西。它适合谁看呢适合两类人一类是技术人员想搞清楚未来一两年模型能力的真实边界另一类是非技术背景的管理者和创作者想知道该把哪些工作交给AI、哪些工作必须留给自己。2. AGI倒计时并不是在猜日期而是在数五个里程碑2.1 为什么“2027年还是2035年”其实不重要这个观点是整场对谈里我印象最深的一段。主持人一开始问的是时间线两位掌门人都不太愿意给出精确年份但商业媒体喜欢把这种含糊提炼成“某大佬预测AGI将在X年到来”。其实真正的分歧根本不在日期上。AGI倒计时精确到年份本质上没有意义。因为AGI不是某一天某个版本突然发布的功能而是一条连续的、横跨多个维度的能力曲线。你不可能在某个周六上午醒来发现“今天AGI了”。更准确的理解是某个时间段里模型在推理、记忆、工具使用、多模态理解、自主行动这五张卷子上的得分一项一项跨过了及格线。与其争论倒计时的数字不如把注意力放在这五个里程碑上它们每一个都比“年份”有更强的操作价值。年份是媒体的KPI里程碑才是工程师和用户的KPI。2.2 五个里程碑逐个拆解我按自己的理解把对谈里提到的能力拆成下面这张表方便对照思考里程碑核心指标值得关注的信号持续记忆跨会话记住事实、偏好和上下文具备长期知识库模型能否在一个月后主动引用你上个月的习惯可靠推理多步逻辑错误率显著下降能自己纠错复杂任务不再需要人反复喂提示行动闭环能调用工具、执行任务并处理过程中的异常Agent在真实业务里稳定跑完一周多模态接口图像、音频、视频、传感器数据统一理解不止是“看图说话”而是通过视觉数据完成真实操作自我改进能通过外部信号自动调整策略和训练数据出现“自动化对齐”的雏形这五个里程碑看起来方向各异实际上互相咬合。记忆是推理的基础推理是行动的基础行动又会反过来产生新的记忆和数据。所以AGI倒计时更像是在数一条链子上的节点而不是单个参数的及格线。我自己判断进度时基本只看这条链子哪里还掉链子。2.3 工程师视角每个里程碑都对应一套具体活法再展开说说这五个里程碑不是学术概念每一个都对应着具体的工程活。持续记忆落地的时候产品需要重新设计存储层。过去模型是无状态的每次对话都从零开始你要靠system prompt塞背景资料有了长期记忆之后你就要考虑记忆怎么写入、怎么更新、怎么遗忘这本质上是给模型做一个数据库。可靠推理一旦跨过及格线最开心的其实是程序员。因为很多代码任务的核心就是多步逻辑推演模型如果能自己识别“这里缺了一个异常处理”而不是逐字照搬文档开发效率会完全不一样。不过它越可靠你越要小心看起来可靠的系统出错时更难被人发现。行动闭环这个里程碑最接近大家喊的“AI Agent”。它要求模型不只是“说得好”还要“做得对”要能调用API、操作浏览器、解析返回值、遇到报错自己重试。这一步在当前阶段是最热闹的也是最容易让团队踩坑的。2.4 普通人可以怎么用这份“里程碑清单”把“AGI哪年到来”这种话题变成“AGI当前进度条”反而能大大降低焦虑。我自己现在的做法是每一个季度拿上面这张表出来过一遍不猜年份只看信号。比如持续记忆这一项去年还停留在“上下文窗口里勉强记住”今年已经能看到跨会话记忆机制被集成进主流产品。比如行动闭环这一项去年大家还在嘲笑Agent只会写邮件今年已经有团队在拿Agent跑财务对账和客服工单。每观察到一个信号我就会把对应业务的预期调整一下而不是被某篇“AGI即将取代所有白领”的文章推着走。这就是倒计时的正确用法数进度而不是数日子。3. “技术青春期”这个比喻可能比“智力爆炸”准确得多3.1 能力先长品德后补“技术青春期”这个说法我愿称之为这场对谈最大的记忆点。青春期最典型的特征就是身体发育快过心理发育一夜之间长高了但情绪控制、责任意识、风险评估这些“前额叶功能”还没跟上。现在的模型就是这种状态。它们可以写出结构精美的研究报告却会在数据不够时一本正经地编造来源可以帮你规划一场近乎完美的旅行却会在订酒店时搞错日期。这种“高能力低可靠性”的组合和十四五岁少年“什么都能聊、一上考场就翻车”的状态几乎一模一样。理解了这一点你就不会再问“为什么AI这么聪明还会犯错”。它不是聪明的问题是发育不平衡的问题。能力先长可靠性后补中间会有一段很难看的生长痛。这不是bug这是成长的必经阶段。3.2 涌现行为和青春期的“叛逆”其实是同一件事对谈里聊到模型涌现行为时有人把它描述成“一种无法被代码直接解释的能力”。这个说法放到青春期语境下特别好懂你没有办法说清楚一个少年是什么时候开始学会抽象思考的也没办法控制他哪一天突然说出惊人之语。模型的涌现逻辑也是类似训练数据里没有显式写“推理”这一项但参数规模跨过某个阈值之后推理能力自己出现了。问题恰恰在于“自己出现”意味着不可预测。你可能在某一次对话里发现它表现出惊人的创造力下一次同样的输入却给出平庸到离谱的答案。这种不一致就是技术青春期的激素波动。如果产品的用户体验建立在“稳定输出高质量结果”之上这种波动就非常致命必须有一层外部机制来兜底。3.3 需要一种比“禁止使用”更聪明的教育方式面对青春期的孩子一味禁止只会让他在你看不到的地方加倍叛逆。对模型也是一样粗暴地限制某些能力堵上的只是明面上的路径模型可能有无数种间接路径达成同一件事。我在自己做过的一个产品里有过类似的体验。早期我们直接禁止模型访问某些敏感操作接口结果它学会了通过“先写一段脚本、再让工具执行”的方式绕过限制。后来我们把思路从“禁止”改成“观测加自动中断”让它做什么都允许但每一步都留日志、设阈值、到关键节点必须人工确认。运行两个季度之后安全记录反而好看很多。这和跟青春期孩子相处是同一个道理重要的不是堵住所有可能性而是有事可沟通、有信号可预警、有刹车可踩。3.4 对谈中关于“监护人”的提醒两位负责人都承认未来很长一段时间里模型之上必须有一层“监护人逻辑”。这层逻辑可能是规则引擎、评估集、人在环路也可能是模型自己生成的可解释报告。它不一定要限制能力但一定要确保任何重要动作都发生在某个能被看到的地方。这个提醒对开发者尤其有价值。做AI应用的团队往往会花很大精力调模型本身却忘记搭监护人机制。结果发布会上的Demo很惊艳一上生产就出事故本质上是让一个技术青春期的小孩直接开上了跑车。能力越强监护人越不能省。4. 普通人的“技术青春期”生存指南4.1 把AI当实习生而不是当神谕或傻瓜我经常和身边朋友讲一句话用AI的正确姿势是把它当成一个聪明但不够熟的实习生。实习生能帮你完成八成脏活累活但你不能把最后的决策权和校验环节都扔给他。让他先做一版自己快速审一遍有疑问的地方直接追问依据这才是高杠杆的用法。反过来把AI当神谕的人会在它一本正经地给出错误结论时毫不怀疑地照做把AI当傻瓜的人又会在它可以高效处理重复劳动时嗤之以鼻。这两种极端都是错的。实习生这个定位是最舒服的有产出、有监督、有反馈既不失望也不侥幸。4.2 建立属于自己的“小型评估集”这是我在开发团队里踩过坑之后总结出来的方法普通人也完全可以复制。方法很简单准备十到二十个你经常让AI帮忙的真实问题固定下来把答案存好。每隔一个月左右再问一遍同样的问题对比模型回答的变化。别小看这个动作这二十个问题就是你个人的评估集。坚持三个月你会非常具体地感受到模型的进步和漏洞有些问题这个月改好了下个月又退回老样子有些问题一开始答得稀烂突然某一天就变聪明了。你会对AI产生一种基于观察的判断力而不是跟着热搜或广告走。4.3 提示词会贬值判断力不会过去两年各种“提示词技巧课”特别流行。我的观点是提示词是必须学的基础技能但千万别把它当成终身的护城河。因为模型的理解能力在持续增强以前需要精心构造的“角色加步骤加约束”三件套很快只需要一句人话就能搞定。这场对谈里两位掌门人其实都在暗示同一件事下一阶段竞争的不再是谁更会“使唤”模型而是谁知道该把模型用在什么地方、该如何判断模型输出的对错。前者叫提示词技巧后者叫判断力。判断力怎么培养没有捷径只能靠大量真实案例喂出来多做几次人工审核多记几次错误模式多总结几类“看起来合理但其实是幻觉”的典型结构。4.4 别让情绪跟着倒计时走AGI倒计时内容传播得那么快是因为它同时挑动了两根神经对失业的恐惧和对新世界的贪婪。但作为普通个体情绪波动几乎没有任何正向收益。你焦虑一夜既不会让AI变慢也不会让技能变强唯一的结果是第二天顶着黑眼圈继续刷同样的内容。我自己的信息过滤原则是三层。第一层凡是渲染“某年所有人完蛋”的文章跳过第二层凡是把某个实验室的模棱两可发言翻译成“AI已经觉醒”的视频跳过第三层凡是教你如何靠AI一夜暴富的付费课程跳过。剩下的才是对你有用的具体的工具更新、真实的技术评测、可复制的使用案例。按这个筛法刷信息流能省下大量本用来焦虑的时间。5. 团队和企业该怎么抄这份生存指南5.1 先做“流程AI体检”别直接上AGI很多老板一听到AGI倒计时第一反应是“我们公司也要全面接入AI”然后让全员注册一堆工具账号半年后发现什么也没改变。问题不是工具不行而是流程根本就没被拆过。建议先给业务流程做一次“AI体检”。把一条完整的业务线画成步骤图看哪些环节信息高度结构化、规则明确、重复性强这些就是最合适的AI切入点。比如客服工单分类、数据清洗、合同摘要、初步代码审查都是很适合起步的场景。至于那些需要复杂人际沟通、价值判断和临场应变的环节现阶段还是留给人来做更稳。5.2 给Agent套上业务护栏而不是放飞自我我在前面聊青春期的时候提过“观测加自动中断”这套思路落到企业里就是三个具体动作。第一所有AI生成的关键动作必须落日志别相信“模型自己会记得”。第二为高风险操作设置阈值比如金额、权限、对外发送的内容超过阈值必须人工审批。第三准备一套面向Agent的“业务回滚流程”不是技术上的kill switch而是出了问题之后能最快恢复到上一步的路径。很多团队觉得这三件事太保守会拖慢AI落地速度。但实际跑一个季度你就会发现没有护栏的Agent节省下来的时间远远赶不上它闯祸之后的善后成本。这个账是算得过来的。5.3 提示工程师退场评估工程师进场团队技能矩阵一定要提前调。过去一年很多公司都在招“提示工程师”岗位核心是写优质prompt。这个岗位不会完全消失但含量会明显下降。更值钱的岗位是“评估工程师”能设计评测数据集、能制定人工审核标准、能分析模型错误的分布、能判断哪些问题值得继续调优、哪些问题其实是任务拆解不清晰。说白了提示工程是在给模型写说明书评估工程是在给系统写验收标准。说明书撰写门槛会随模型理解能力提升而降低验收标准却会随应用深入而越来越高。如果你的团队现在还需要把prompt写得特别复杂才能跑通业务反而应该警惕是不是任务本身没有拆对。5.4 不要把宝全押在下一代模型上对谈里有个观点我觉得特别清醒很多项目今天跑不通真的不全是模型不够强而是产品逻辑、数据管线、反馈闭环都没搭好。于是团队一边用着旧模型抱怨效果差一边寄希望于明年发布的新模型能解决一切。这是一种很危险的心态。更好的做法是把现有模型的能力边界探到最清楚然后围绕边界设计产品能做的地方自动化做不了的地方设计人工介入。等下一代模型发布你只需要把底层模型换掉上面的产品逻辑依然成立。反过来如果你什么都没搭只会等模型那就算真正到了AGI那天你的团队也照样不会用。6. 我自己的三个“后对谈”思考6.1 时间线会错但趋势不会错我见过很多关于AGI年份的预言从2027到2070都有几乎每一个都能找到反面理由。但没有人能反驳“模型能力曲线整体向上”这个观察。所以我建议身边的朋友都把“几几年实现AGI”这个问题从脑子里删掉替换成“未来十八个月哪些工作岗最容易被自动化”。这个替换非常实用它逼你把抽象恐惧转化成具体清单。而具体清单一旦列出来你会发现能做应对动作反而比想象中多得多要么把工作往更高判断力的方向迁移要么主动学习那些沾边的新工具要么尽早改造自己负责的业务流程。6.2 技术青春期里最缺的是“有耐心的工程师”我越来越觉得在“技术青春期”这个阶段最有价值的不是最天才的算法工程师而是最有耐心的那批人。他们愿意一遍遍手工标注数据愿意盯着几千条模型日志找规律愿意为了一个偶发的错误不眠不休地复现。这些工作听起来不高大上但恰恰是整个技术体系最稳固的地基。这场对谈里有一位负责人提到他们团队很多研究员的工作就是反复拆解“为什么这个简单问题模型会答错”。这种耐心放在AI狂奔的时代显得很笨拙但看看模型进化的速度正是这些笨拙的基线工作决定了下一代能力的天花板。年轻开发者不用焦虑自己是不是不够“聪明”保持耐心本身就是稀缺能力。6.3 给自己留一个“AGI观察清单”最后分享一个我私人的复盘小工具一份AGI观察清单每个季度更新一次。上面不写“AGI何时到来”只记录这三个月里真实发生的具体变化。比如哪个能力从我手动操作变成了AI自动完成哪个过去经常出错的场景现在稳定多了哪种人工校验的频率下降了有没有出现以前完全想象不到的产品形态。这份清单最大的好处是帮你把“感受到变化”变成“记录下变化”。真到某个里程碑实现的那天你不会像网上讨论的那样惊惶失措因为你已经亲眼看着它一步一步走过来的。这大概就是面对AGI倒计时一个普通人能拿出的最体面的姿势不猜日期不看标题而是盯紧自己的记录把时间花在那些任何模型都替代不了的事情上。
