即刻App年轻人的同好社区
下载
国内科技媒体最近各种给Ai蒸馏洗地，居然都到了技术竞赛的措辞。
蒸馏的本质是抄作业，学生抄作业、老师阅卷，得了不错的考试成绩。排行榜好看一些。
但是考题会变，从简单的替换、派生到最终偏向复杂创造和革命化涌现层次演进，抄袭只能解决最浅层的同质性问题回答，不长久。
蒸馏是高价值数据获取的方式，良性来看是刷题，提升差距认知；恶性循环是拿来主义，那就和吸毒一样，知其然不知其所以然。
蒸馏的本质是抄作业，学生抄作业、老师阅卷，得了不错的考试成绩。排行榜好看一些。
但是考题会变，从简单的替换、派生到最终偏向复杂创造和革命化涌现层次演进，抄袭只能解决最浅层的同质性问题回答，不长久。
蒸馏是高价值数据获取的方式，良性来看是刷题，提升差距认知；恶性循环是拿来主义，那就和吸毒一样，知其然不知其所以然。
1 00
最近用 Coding Agent 越来越多，有一个很强烈的感觉：
我们现在可能还远远没有进入所谓的「AI 应用时代」。更像是在开一辆一百年前的汽车。它已经有发动机了，而且动力可能大得惊人。但方向盘不太准，刹车不太灵，发动机偶尔还会突然抽风。所以你不能像今天开自动挡汽车一样，只需要告诉它去哪。
你得懂它。
什么时候该踩油门，什么时候必须接管，什么时候它看起来跑得很好，其实已经偏离路线。甚至车坏了，你最好还会修。
⸻
所以我越来越觉得，今天使用大模型的人，甚至都不能简单叫「用户」。也不是「运维」。运维至少意味着，你维护的是一个已经基本稳定的系统。
但现在不是。
我们更像是在参与一台还没有被发明完成的机器。一边用它，一边设计它。一边享受它突然表现出的巨大能力，一边忍受它各种莫名其妙的不稳定。有时候我也会想到另一个比喻：
像驯一匹野马。
不是养殖场里已经被训练好的马，而是一匹刚从草原上抓回来的野马。它跑得可能比你见过的大多数马都快。问题是，它也真的可能把你摔下来，粉身碎骨。
⸻
这件事情在 Coding Agent 上尤其明显。我最近越来越明显地发现：做一个新功能本身的成本，甚至开始低于调试、测试和治理这个系统的成本。写代码反而不是最难的。
难的是怎么让一个天然非确定性的东西，稳定地做对。
所以我们开始做 Harness，做规则，做上下文管理，做验证，做回退，做各种各样的约束。但这里又有一个很 tricky 的地方：
每个人驯这匹马的方法都不一样。同一个 Prompt，换一个模型可能不工作。同一个模型，换一个项目可能不工作。甚至同一个项目，昨天工作得很好，今天换了一条推理路径，结果又不一样。
所以今天很多所谓的 Best Practice，我越来越不敢把它叫 Best Practice。它更像某个工程现场暂时有效的经验。
⸻
然后这里有一个我最近一直在想、而且可能稍微有点悲观的问题：
我们今天吃的这些苦，未来到底值不值钱？
最容易给出的答案当然是：这些经验最后都会变成能力，甚至变成护城河。但我其实挺怀疑的。
因为如果回到汽车工业早期，一个优秀驾驶员需要懂机械、懂点火、懂维修，甚至要知道怎么让一辆不稳定的车保持直线行驶。
这些能力在当时当然很稀缺。但一百年以后呢？自动挡、电子控制、工业标准、安全系统，把绝大多数复杂性直接吃掉了。
今天一个刚拿驾照的人，可以轻松完成当年需要一个非常优秀的驾驶员才能完成的事情。当年的很多「能力」，最后并没有变成护城河。只是被工业化抹掉了。
⸻
所以我现在会非常警惕一件事情：
不要因为一件事情今天很难，就默认掌握它的人未来一定很值钱。
Prompt Engineering 可能会消失。某一代 Agent Framework 的经验可能会消失。今天大量 Harness 的技巧，也可能只是基础设施不成熟留下来的 workaround。
甚至我们现在引以为傲的一些「驾驭模型的能力」，可能只是因为这辆车现在还没有自动挡。等自动挡出现以后，这些东西可能一夜之间就不重要了。
⸻
这也是为什么，我现在看 AI 有一种很矛盾的感觉。
一方面，它给我的想象力可能是过去很多年里最大的。你会不断看到一些以前完全不可能发生的瞬间。
那种瞬间非常迷人。
但另一方面，如果把时间拉长，我投入在这件事情上的时间、脑力、Token，以及大量失败和调试的成本，和真正得到的高光时刻相比，其实非常不对等。高光时刻很少。大部分时间是在 Hard Mode 里作业。
更麻烦的是，你甚至不知道自己今天在 Hard Mode 里练出来的东西，未来到底是能力，还是历史遗留问题。
⸻
所以现在如果一定让我定义我们在哪个阶段：
我可能不会说这是「AI 时代」。我更愿意说，这是智能系统工业化之前的原型机时代。发动机已经点着了。而且我们已经知道，这个发动机的动力可能非常恐怖。
但方向盘、刹车、变速箱、安全带、交通规则、驾驶学校，甚至这辆车最后应该长什么样，都还没有完全确定。
我们这一代深度参与者做的事情，也许不是简单地「学习怎么使用 AI」。而是一边开，一边修，一边设计下一辆车。这里面当然可能诞生巨大的价值。
但也要接受另外一种可能：我们今天花大量时间学会的，只是怎么把一辆原型车开回家。
等真正的汽车工业完成以后，
可能已经没人需要这门手艺了。
碎碎念From我与Gpt Voice的傍晚讨论
我们现在可能还远远没有进入所谓的「AI 应用时代」。更像是在开一辆一百年前的汽车。它已经有发动机了，而且动力可能大得惊人。但方向盘不太准，刹车不太灵，发动机偶尔还会突然抽风。所以你不能像今天开自动挡汽车一样，只需要告诉它去哪。
你得懂它。
什么时候该踩油门，什么时候必须接管，什么时候它看起来跑得很好，其实已经偏离路线。甚至车坏了，你最好还会修。
⸻
所以我越来越觉得，今天使用大模型的人，甚至都不能简单叫「用户」。也不是「运维」。运维至少意味着，你维护的是一个已经基本稳定的系统。
但现在不是。
我们更像是在参与一台还没有被发明完成的机器。一边用它，一边设计它。一边享受它突然表现出的巨大能力，一边忍受它各种莫名其妙的不稳定。有时候我也会想到另一个比喻：
像驯一匹野马。
不是养殖场里已经被训练好的马，而是一匹刚从草原上抓回来的野马。它跑得可能比你见过的大多数马都快。问题是，它也真的可能把你摔下来，粉身碎骨。
⸻
这件事情在 Coding Agent 上尤其明显。我最近越来越明显地发现：做一个新功能本身的成本，甚至开始低于调试、测试和治理这个系统的成本。写代码反而不是最难的。
难的是怎么让一个天然非确定性的东西，稳定地做对。
所以我们开始做 Harness，做规则，做上下文管理，做验证，做回退，做各种各样的约束。但这里又有一个很 tricky 的地方：
每个人驯这匹马的方法都不一样。同一个 Prompt，换一个模型可能不工作。同一个模型，换一个项目可能不工作。甚至同一个项目，昨天工作得很好，今天换了一条推理路径，结果又不一样。
所以今天很多所谓的 Best Practice，我越来越不敢把它叫 Best Practice。它更像某个工程现场暂时有效的经验。
⸻
然后这里有一个我最近一直在想、而且可能稍微有点悲观的问题：
我们今天吃的这些苦，未来到底值不值钱？
最容易给出的答案当然是：这些经验最后都会变成能力，甚至变成护城河。但我其实挺怀疑的。
因为如果回到汽车工业早期，一个优秀驾驶员需要懂机械、懂点火、懂维修，甚至要知道怎么让一辆不稳定的车保持直线行驶。
这些能力在当时当然很稀缺。但一百年以后呢？自动挡、电子控制、工业标准、安全系统，把绝大多数复杂性直接吃掉了。
今天一个刚拿驾照的人，可以轻松完成当年需要一个非常优秀的驾驶员才能完成的事情。当年的很多「能力」，最后并没有变成护城河。只是被工业化抹掉了。
⸻
所以我现在会非常警惕一件事情：
不要因为一件事情今天很难，就默认掌握它的人未来一定很值钱。
Prompt Engineering 可能会消失。某一代 Agent Framework 的经验可能会消失。今天大量 Harness 的技巧，也可能只是基础设施不成熟留下来的 workaround。
甚至我们现在引以为傲的一些「驾驭模型的能力」，可能只是因为这辆车现在还没有自动挡。等自动挡出现以后，这些东西可能一夜之间就不重要了。
⸻
这也是为什么，我现在看 AI 有一种很矛盾的感觉。
一方面，它给我的想象力可能是过去很多年里最大的。你会不断看到一些以前完全不可能发生的瞬间。
那种瞬间非常迷人。
但另一方面，如果把时间拉长，我投入在这件事情上的时间、脑力、Token，以及大量失败和调试的成本，和真正得到的高光时刻相比，其实非常不对等。高光时刻很少。大部分时间是在 Hard Mode 里作业。
更麻烦的是，你甚至不知道自己今天在 Hard Mode 里练出来的东西，未来到底是能力，还是历史遗留问题。
⸻
所以现在如果一定让我定义我们在哪个阶段：
我可能不会说这是「AI 时代」。我更愿意说，这是智能系统工业化之前的原型机时代。发动机已经点着了。而且我们已经知道，这个发动机的动力可能非常恐怖。
但方向盘、刹车、变速箱、安全带、交通规则、驾驶学校，甚至这辆车最后应该长什么样，都还没有完全确定。
我们这一代深度参与者做的事情，也许不是简单地「学习怎么使用 AI」。而是一边开，一边修，一边设计下一辆车。这里面当然可能诞生巨大的价值。
但也要接受另外一种可能：我们今天花大量时间学会的，只是怎么把一辆原型车开回家。
等真正的汽车工业完成以后，
可能已经没人需要这门手艺了。
碎碎念From我与Gpt Voice的傍晚讨论
1 00
收到，感谢提醒。当前 Ai 工作者已经变成手工艺者了，经验需要口口相传。瑞思拜！ //@Coriaxu: 其实是这样，OpenAI 应该是从 24 年年底（就是 o1 那个大模型出来之后）开始陆续出现这种降智的情况，然后时不时地就会来可能最近这一年还稍微好一点吧，之前的话可明显了。
官方其实没有直接用过这种表达，但他们之前的官方博客里面其实有过类似的表述。大意就是 VPN 或代理可能把流量送到“被标记的 IP”异常地点、使用模式变化、多工作阶段会触发风险判断；这类判断可能导致部分功能受限。大家就会把这种功能受限，理解为模型偷偷给你降级成了很垃圾的、或者 mini 版本的小模型。
其实在 AI 圈里面这阵子（大概快有一个月了吧）都在讨论这个，包括我自己也经历过。我是 100 刀的会员，之前用 Pro 时回答速度特别快，结果一问它是用什么模型回答的，它就说是 5.5 mini。后来我换了两次节点，就恢复正常了；但也有朋友换了节点还是不行。所以这种事，有的时候也挺玄学的。
官方其实没有直接用过这种表达，但他们之前的官方博客里面其实有过类似的表述。大意就是 VPN 或代理可能把流量送到“被标记的 IP”异常地点、使用模式变化、多工作阶段会触发风险判断；这类判断可能导致部分功能受限。大家就会把这种功能受限，理解为模型偷偷给你降级成了很垃圾的、或者 mini 版本的小模型。
其实在 AI 圈里面这阵子（大概快有一个月了吧）都在讨论这个，包括我自己也经历过。我是 100 刀的会员，之前用 Pro 时回答速度特别快，结果一问它是用什么模型回答的，它就说是 5.5 mini。后来我换了两次节点，就恢复正常了；但也有朋友换了节点还是不行。所以这种事，有的时候也挺玄学的。
翔二当家: Chatgtp应该是降智了，Pro级别模型作复杂项目评估接近秒级响应，赶上Baidu搜索检索效率，这不科学 奥特曼又要重置额度了吗？
0 00
Ai进入公司后，先暴露的是原本业务就没想清楚。过去一条业务流能跑通，不代表运行的好。更多的时候，是长期在里面工作的人知道哪些数据不可信、哪个合作伙伴需要特殊处理、哪些情况可以变通解决、出现异常可以找谁响应。这些事都不具备标准流程，只存在于当事人的经验、关系和默认共识。碳基生物来做的时候，可以一边执行、一边补漏，这也是为什么传统公司“岗位”设计往往不清晰，一个人需要长期兼容上游和下游的“不清晰”。
我之前在即刻发表过的内容里提到过，Ai想要真正在企业里发挥作用离不开四层工作：
1️⃣完整的数据基建和治理
2️⃣Agent替代的“岗位”要非常清晰
3️⃣由Ai提效转向“人服务于模型”
4️⃣度量Ai应用后的增效价值和成本Roi。
这些听起来是常识性问题，但执行起来会非常难，至今我没有看到哪一家传统企业或互联网大厂，成功转身的。或者说大家还都处在理解Ai、尝试转型的试错过程中。
其中最反直觉的一层是“人服务于模型”。现在大家习惯把 Ai当助手：人提出问题，模型给答案。但如果希望 Ai 长期承担稳定工作，人就需要反过来为它建设环境：整理数据、明确规则、补充上下文、标记错误、维护知识、设计权限、持续做 Eval。也就是说，人不再只是使用模型，还要持续帮助模型以“数据化的方式理解公司”。这才是 AI Native 组织最真实的变化：整个组织开始主动建设一套适合模型工作的生产环境。
我之前在即刻发表过的内容里提到过，Ai想要真正在企业里发挥作用离不开四层工作：
1️⃣完整的数据基建和治理
2️⃣Agent替代的“岗位”要非常清晰
3️⃣由Ai提效转向“人服务于模型”
4️⃣度量Ai应用后的增效价值和成本Roi。
这些听起来是常识性问题，但执行起来会非常难，至今我没有看到哪一家传统企业或互联网大厂，成功转身的。或者说大家还都处在理解Ai、尝试转型的试错过程中。
其中最反直觉的一层是“人服务于模型”。现在大家习惯把 Ai当助手：人提出问题，模型给答案。但如果希望 Ai 长期承担稳定工作，人就需要反过来为它建设环境：整理数据、明确规则、补充上下文、标记错误、维护知识、设计权限、持续做 Eval。也就是说，人不再只是使用模型，还要持续帮助模型以“数据化的方式理解公司”。这才是 AI Native 组织最真实的变化：整个组织开始主动建设一套适合模型工作的生产环境。
1 01