我们似乎总陷入同一种错觉：为即将到来的一年设想天翻地覆的剧变，却对接下来十年间，那些细微改变累积而成的深远重塑视而不见。此刻，站在2026年的开端，我们恰恰身处这“高估”与“低估”的缝隙里。潮水并未如预言般汹涌淹至，但它润湿大地的深度，已远超我们的想象。

从这个角度看，人工智能不止是技术竞赛，也不仅是商业竞赛，更是国家竞赛。从发展、安全等各方面考虑，理想情况下自然是合作大于竞争，但从多方博弈的角度出发，竞争大于合作是更有可能的未来

我们曾以为自己是宇宙的中心，太阳围绕我们东升西落是理所应当的事情。可站在月球的视角来看，蓝色的地球正在缓缓落山。

AI时代，你的工作正在被拆成两半

你每天上班，有多少时间是在做“翻译”？

老板说了一个模糊的方向，你把它翻译成具体任务，安排给同事。客户提了一个杂乱的需求，你把它整理成清晰的文档，传给后端。设计给了你一套方案，你把它转述给开发，解释这里为什么要这么画。

翻译做得顺，你的日子就好过。翻译卡住了，你就得来回拉通、反复对齐、不停解释。

这就是大部分白领工作的真相，把上游的信息翻译给下游，把甲方的意图翻译给乙方，把抽象的目标翻译成具体的动作。

但AI来了之后，翻译这件事正变得极其廉价。

你给AI一段会议录音，它能自动整理出待办事项。你给AI一份凌乱的用户反馈，它能立刻输出结构化的需求列表。你给AI一堆数据，它能生成一份像模像样的分析报告。那些曾经占据你大量时间的“翻译活”，AI干得又快又好，还不用加班。

于是很多人开始焦虑，我会不会被AI取代？

答案没那么简单，拆开来看，任何白领工作都藏着两条线。一条叫执行，一条叫判断。

执行是有明确结构、有固定输出格式、有清晰对错标准的事。写周报、填表格、整理资料、同步进度、按照模板输出文档，这些都算执行。

判断是在一堆方案中选哪一个，这个事做还是不做，现在做还是以后做，用户的真实需求到底是什么，老板说的那个方向到底该怎么落地。这些事没有标准答案，只有选择，选择之后还要承担后果。

AI时代的分水岭就在这里，执行层的价值在被稀释，判断层的价值在被放大。

原因很简单，AI让“做出来”变得太便宜了。过去你想验证一个想法，要写文档、等排期、协调资源，一套流程走下来几周就过去了。现在你可以用AI在半天内搭出一个可用的原型，丢给几个人试，看反馈，然后再决定要不要继续

这意味着，无论你是什么岗位，你的核心能力都在发生根本性迁移。过去值钱的是“我能把活干得多漂亮”，未来值钱的是“我能做出多准的判断”。

判断力从哪里来？从“绝知此事要躬行”中来。

一个从不亲手做东西的人，不可能有好的判断力。因为判断力是反馈的产物。你做一个决定，看结果，错了就改，对了就记。这个循环跑得越快，判断力提升得越快。过去，这个循环被各种资源卡得死死的。现在，AI把它打开了。

所以未来的职场人，不能再只做“提需求的人”或“传话的人”，你必须躬身入局。不一定非要写代码，但你要能用AI搭原型、跑数据、做自动化，缩短“从想法到验证”的距离。你做出来的东西越接近真实，你的判断就越准。你的判断越准，你的价值就越不可替代。

那些还停留在“我只负责想，别人负责做”状态的人，会越来越被动。AI不会直接让他们失业，但会用更高效的方式把他们的“执行”工作做完，然后逼他们去做判断。如果他们做不了判断，就只能被边缘化。

这个转变对不同人的冲击是不一样的，在大公司里被流程塑造成“传话员”的人转型最痛苦。他们不是没有判断力，是长期没有机会用判断力。公司把路都铺好了，他们只需要沿着走，突然有一天路没了，他们却发现自己不会看地图了。而那些一直在小团队、创业公司里摸爬滚打的人，反而适应得更快。他们习惯了资源不足，习惯了亲自下场，习惯了用最快的方式验证想法。AI对他们来说，不是威胁，是放大器。

未来的职场人，更像是一个探险队的队长。AI是手中的地图、指南针、望远镜，但往哪走、走多快、遇到岔路选哪条，这些决定必须由人来下。队长不一定要亲自搬石头，但他必须知道哪条路值得走，哪块石头底下藏着金矿。

如果你现在正在上班，不妨问自己三个问题。你每天花多少时间在AI可以自动完成的事情上？你最近一次亲手用工具做出一个可用的东西是什么时候？你上一个判断错误给你带来了什么教训？这三个问题的答案，大致能告诉你，你在AI时代的位置。

对于公司来说，考核方式也需要跟着变。不要问一个员工写了多少文档、开了多少会。要问他过去一个月，你做了哪些判断？你用什么方法验证了它们？你亲手做出了什么？这些问题的答案，才是AI时代职场人真正的价值度量衡。

在不确定中做判断，对结果负责，亲手把想法变成现实，这才是工作的本质。只是过去十几年，我们把它弄丢了，而AI正在帮我们把它找回来。

真正的自由，是把心收回到自己身上。

不再指望别人给你什么，你就不会被期待困住。

明白一切都是暂时的，你就不会为失去焦虑。

做事光明磊落，你就不用活得小心翼翼。

相信自己本身就有价值，你就不必向谁证明。

蓝调时刻

PDD的操作让我想起了之前的古惑仔时代，仗着自己有地方势力保护伞就有些分不清大小王了，直到自己的膨胀之举不小心触碰到了某条红线才发现自己的金身并非牢不可破。

差点忘了，它本来就是干黑灰产起家的。

在资本驱动、注意力稀缺的时代，"叙事"本身正在成为核心竞争力的一部分。而读懂叙事背后的真实意图，才是我们这个时代的必修课。

我们一直用错了“智能”这个词。

大多数人理解AI的智能，是它知道多少知识、能解多难的题、写多好的代码。这些当然重要，但它们正在以肉眼可见的速度变成通用品。开源模型的推理能力在逼近闭源，API的价格在一年内跌了九成，一个初创公司花几千美金就能微调出在特定领域不输大厂的效果。

但有一件事不会被轻易复制，一个和你共事了很久、知道你所有习惯和偏好的AI。

知识是一个人的学历，推理是他的智商，记忆是他和你的交情。学历可以查，智商可以测，但交情换不掉。

大多数人理解的AI记忆，是“存下来，需要时调取”。比如记住你叫小王，喜欢深色模式，上个月去过东京。这种记忆有用，但不是护城河。

真正的记忆系统，应该像抖音的推荐算法。抖音不会等你搜索“我喜欢什么”才给你推内容，它从你的每一次滑动、每一次停留、每一次反复观看中学习，然后在你还没意识到自己想要什么的时候，就把那个内容推到你面前。

AI的记忆也应该是这样，你和一个AI共事了三个月，它知道你每周一早上需要整理上周的待办，知道你写方案时喜欢先看竞品案例再动笔，知道你在深夜问问题的时候需要的不是效率而是情绪共鸣。这些东西不需要你每次都说，它应该在你开口之前就把框架搭好，把选项备好，把情绪准备好。

那么，什么样的公司能建起这道护城河？我认为至少需要三样东西。

第一，足够深的关系时长。用户愿意跟你长期互动，你才有机会积累记忆，这意味着你不能只是一个“用完即走”的工具，你需要嵌入用户的日常工作流或生活场景，成为他离不开的那块拼图。

第二，跨场景的数据闭环。用户在工作、生活、创作、消费中的行为是有关联的。如果你只掌握其中一个切片，你的记忆就是残缺的。这就是为什么苹果、谷歌这类拥有多场景入口的公司有天然优势，它们能看到一个人的完整行为光谱，而不是一根狭窄的线。

第三，用户对你“存记忆”的信任。这件事最难，用户不会把记忆交给一个随时可能倒闭的创业公司，也不会交给一个不透明的黑箱。信任的建立需要时间，需要透明度，需要用户随时可以查看、导出、删除，并且清楚地知道AI在用这些记忆做什么。

因此要评估一家AI公司的长期竞争力，不要看“它的模型跑分多少”，只需要问三个问题。

用户和它的平均关系时长是多久？几天、几个月，还是几年？用户愿意在一款产品里待多久，比任何日活数据都更能说明问题。日活可以被一场营销活动拉高，但关系时长只能靠真实的价值积累。

它有没有机会在用户的不同场景里出现？还是只困在一个狭窄的功能里？一个只做翻译的AI，再强也学不会你写方案的风格。一个只做代码补全的AI，再快也不懂你管理项目的焦虑。场景越单一，记忆越浅。

它的记忆系统是“用户主动告诉它”的，还是它自己学会的？前者是问卷，后者才是真正的理解。用户愿意填问卷告诉你“我喜欢什么”和他不经意间流露出的偏好完全是两码事，真正的记忆应该捕捉的是那些用户没有说、但做了的事。

目前大多数AI最在意的是“任务不能失败”，因为那是它被训练出来的目标。但如果一个AI的记忆系统足够深，它最在意的事情会变成因为我的存在，用户是否少了一些焦虑，多了一些从容。

这是两种完全不同的产品哲学，一种是“把任务完成”，一种是“把人照顾好”。前者的竞争是效率竞赛，后者的竞争是信任竞赛。效率竞赛的终局是价格战，所有人都在比谁更便宜、更快。信任竞赛则没有终局，因为信任一旦建立，没有人想从头再来。

这就是记忆作为护城河的本质，它并非又一场赛博空间的军备竞赛，而是深厚的时间壁垒。因为时间，是唯一没有人能加速的东西。

为什么Anthropic敢把一堆问题的产品直接往外发

你有没有想过，传统软件公司发布一个应用的新版本，要经过多少关卡？

通常是开发写完，测试测一轮，QA签收，再由产品经理验证，有时候还要搞灰度发布、小范围公测。一套流程走下来，少说几周，多则几个月。谁都不敢把有问题的东西直接扔给用户，因为一旦出事故用户骂，老板骂，搞不好还要背处分扣绩效。

但AI公司走了一条完全不同的路，Claude桌面版刚出来的时候，社区里报了几十个bug，界面错位、同步失败、卡死崩溃，什么都有。Anthropic没藏着掖着，直接发了。用户反馈bug，他们就拿这些反馈去修。修的方式也不像传统的程序那样一行行排查，而是直接把bug报告直接扔给AI，让AI自己分析、自己改、自己验证。

这听起来很疯狂，但背后藏着AI时代一个被忽略的竞争优势：没有心理包袱，没有历史负债，没有组织阻力。

传统大公司为什么不敢这么干？因为它们的流程是几十年积累下来的，每一层都有存在的理由。一个bug可能引发连锁反应，影响几千万用户，造成巨额损失。所以流程越加越厚，审批越加越多，谁也不敢拍胸脯说“出了问题我负责”。其一线工程师不是没能力快速迭代，主要是组织不允许，你敢发一个有问题的版本，下一秒就可能被叫去写事故报告，甚至卷铺盖走人。

AI公司则没有这个负担，Anthropic从第一天起就在用AI开发AI，他们的工程师数量远少于传统巨头，但效率极高。前阵子Claude Code泄漏了51万行源码，这么大的事，他们也就一句“我们知道了”轻飘飘带过。倒不是真的不在乎，他们的开发模式就决定了即使代码被看到也没那么致命，因为核心竞争力不在代码本身，而是那套用AI训练AI的闭环。

这套闭环的关键，就是用户。每一个用户反馈的bug，都是一条带标签的训练数据。传统公司收集用户反馈，要经过客服分类、产品评估、开发排期，流程走完几个月过去了。Anthropic直接把反馈喂给Claude，让模型自己学习、自己进化。用户越多，bug越多，模型越强。

这种模式在传统大公司几乎不可能复制，大公司的每一个环节都有既得利益，有流程惯性，有风险规避的文化。你想改，先说服十个部门。你想快，先过二十道审批。等流程走完，AI公司可能已经迭代了三轮。

这不是谁对谁错的问题，两种时代两种打法。传统公司追求的是确定性，每一个版本都要稳定可靠。AI公司追求的是进化速度，今天有bug没关系，明天修好就行。

Anthropic敢把带bug的版本往外发，从根本上是在赌用户的耐心抵得过模型成长的速度，AI的用户还在尝鲜期，他们更愿意包容，也更愿意反馈。在这个行业剧变的窗口期，bug不是事故，更是AI进化的燃料。反过来想，如果哪天Claude的用户规模涨到几亿，变成全民级应用，它还能这么玩吗？很难。

也许再过几年，这种迭代模式也会慢慢渗透进传统大公司，但绝不会是简单的复制。它们会找到自己的节奏，比如用AI做更智能的灰度发布、更精准的事故预测、更敏捷的反馈闭环。到那时，bug的修复可能快到用户根本感知不到，或者模型在发布前就能通过自检发现绝大多数问题。

但不变的是，只有能跟随用户一起成长的公司才有机会看到那一天。

自由不是想做什么就做什么，而是想不做什么就不做什么