# AI is eating the world ## 人工智能如何重写财富、工作、公司与世界秩序 ## MAGO 著 \newpage # 版权页 Copyright © 2026 MAGO. All rights reserved. 本书为作者独立出版作品。未经作者书面许可，任何人不得以任何形式复制、传播、改编、销售或训练商业模型，评论、书评、研究和合理引用除外。 ## 免责声明 本书仅用于学习、思想和商业分析目的。 本书不构成投资建议、法律建议、医疗建议、税务建议或任何专业决策建议。 技术、市场、监管和产业结构会持续变化。读者应根据自身处境做独立判断。 \newpage # 作者的话 我的第一本书《Money Code》写的是钱的规则。 这本书写的是智能的规则。 过去几十年，软件吞噬了世界。 软件吞噬了零售、媒体、广告、金融、交通、办公、社交和娱乐。 今天，AI 开始吞噬软件本身。 更准确地说，AI 正在吞噬旧世界的工作方式。 它不是一个更聪明的搜索框。 它不是一个会聊天的玩具。 它也不是一个帮人偷懒的工具。 AI 的真正意义在于：人类第一次可以把一部分脑力劳动变成可调用、可复制、可扩展的资源。 这会改变个人。 这会改变公司。 这会改变学习。 这会改变财富。 这也会改变世界的入口。 本书不试图预测每一个工具的胜负。 工具会变。 模型会变。 公司会变。 但有些结构性的变化不会轻易逆转： 智能会越来越便宜。 答案会越来越多。 内容会越来越过剩。 判断会越来越稀缺。 信任会越来越贵。 一个不会使用 AI 的人，不一定输给机器。 他更可能输给另一个会使用 AI 的人。 \newpage # 核心论点 AI 不会平均地吞掉世界。 它会先吞掉低判断力、低信任、低流程资产、低创造力的工作方式。 它会奖励那些会提问、会判断、会搭系统、会建立信任的人。 软件吞噬了旧世界。 AI 正在吞噬软件。 未来真正稀缺的，不是工具，而是会使用智能的人。 \newpage # 目录 ## 第一部分：智能变便宜了 第 1 章：Software ate the world 第 2 章：AI is eating software 第 3 章：智能第一次成为商品 第 4 章：智能通胀 ## 第二部分：AI 正在吃掉旧工作方式 第 5 章：AI is eating writing 第 6 章：AI is eating coding 第 7 章：AI is eating search 第 8 章：AI is eating learning 第 9 章：AI is eating media 第 10 章：AI is eating law and finance ## 第三部分：新个人与新公司 第 11 章：个人的认知杠杆 第 12 章：Workflow is the new software 第 13 章：Agent is the new employee 第 14 章：One-person company 的崛起 第 15 章：AI 原生公司 ## 第四部分：新世界的新基础设施 第 16 章：Compute is the new oil 第 17 章：Data center is the new factory 第 18 章：Energy is eating AI 第 19 章：AI sovereignty 第 20 章：Trust Premium 结语：站在 AI 背上 \newpage # 第一部分：智能变便宜了 ## 第 1 章：Software ate the world ### 核心句 软件吞噬世界，不是因为软件很酷，而是因为软件重写了世界的流程。 ### 旧世界 在软件吞噬世界之前，大多数行业的核心资产是门店、设备、渠道、库存、人力和地理位置。 银行靠网点。 媒体靠印刷机和电视台。 零售靠商场和货架。 出租车靠牌照和调度中心。 学校靠教室。 公司靠办公室和员工规模。 那是一个物理世界。 一个行业要扩张，通常意味着更多门店、更多员工、更多设备、更多仓库、更多线下组织。 软件改变了这件事。 它把流程变成代码。 它把交易变成页面。 它把库存变成数据库。 它把广告变成算法。 它把通信变成应用。 它把地图、支付、社交、办公、娱乐和购物全部放进屏幕。 软件不是在传统行业旁边增加了一层工具。 软件把传统行业的核心流程拆开、压缩、重组，然后放进一个可以无限复制的系统里。 这就是为什么软件会吞噬世界。 它吞噬的不是行业名称。 它吞噬的是行业运行方式。 ### 软件的真正力量 很多人以为软件的力量在于自动化。 自动化当然重要。 但更重要的是可复制性。 一个实体门店服务一条街。 一个软件产品可以服务一个国家，甚至全球。 一个人工流程依赖人的记忆和经验。 一个软件流程可以被固定、复用、升级和分发。 一家公司如果把核心流程软件化，它就不再只依赖员工口头传递经验。 它可以把经验写进系统。 这就是互联网公司比传统公司扩张更快的原因。 它们不是人更多。 它们是流程更容易复制。 ### AI 出现之前，软件也有边界 但软件也有一个很大的边界。 软件擅长处理确定性的流程。 如果规则清楚，输入明确，输出标准，软件就很强。 比如下单、支付、记账、排班、库存、导航、搜索、推荐。 但是一旦任务变得模糊，软件就开始吃力。 怎样写一篇有说服力的文章？ 怎样理解客户真正想要什么？ 怎样判断一份合同的风险？ 怎样把一个模糊想法变成产品需求？ 怎样教一个不同基础的学生？ 怎样判断一个项目是否值得投资？ 这些任务不只是流程问题。 它们需要语言、背景、判断、推理、经验和上下文。 软件可以记录。 软件可以分发。 软件可以计算。 但过去的软件很难真正理解和生成复杂语义。 这就是 AI 接过接力棒的地方。 ### 从流程到智能 软件吞噬流程。 AI 吞噬判断的一部分。 这不是说 AI 可以替代所有人类判断。 但它可以替代大量低层次、重复性、标准化、可模板化的脑力任务。 比如总结材料。 比如起草邮件。 比如写代码初稿。 比如生成合同条款。 比如整理会议纪要。 比如分析一份公开财报。 比如把一段录音变成结构化笔记。 这些任务过去需要一个受过训练的人花时间完成。 今天，AI 可以在几秒钟内生成一个可用初稿。 这意味着世界正在从“软件化”进入“智能化”。 过去的赢家，是把流程变成软件的人。 未来的赢家，是把智能嵌入流程的人。 ### 最后一击 软件吞噬世界，是因为它重写流程。 AI 吞噬世界，是因为它开始重写流程背后的脑力劳动。 \newpage # 第 2 章：AI is eating software ### 核心句 AI 正在吞噬软件，因为它让人和机器之间的接口从按钮变成语言。 ### 软件世界的基本假设 过去的软件有一个默认假设： 人需要适应软件。 用户要先理解菜单在哪里。 用户要知道按钮怎么点。 用户要记住快捷键。 用户要理解表单字段。 用户要按照软件设计者给出的路径操作。 软件把复杂流程包装成界面。 界面把人的行为限制在一些按钮、列表、页面和输入框里。 这当然比纸质流程强大得多。 但它仍然要求人学习软件的语言。 AI 改变了这个接口。 人开始用自然语言告诉机器自己想要什么。 “帮我总结这份合同。” “把这段话改得更像商业书。” “根据这些会议记录生成任务清单。” “写一个可以上传图片并自动生成描述的网页原型。” “把这个表格里的客户按风险等级排序。” 过去，使用者需要知道该打开哪个软件、点击哪个按钮、调用哪个函数。 现在，用户先说清楚目标。 AI 负责把目标转化成过程。 ### 软件没有消失 AI 吃掉软件，并不是说软件会消失。 恰恰相反，软件会更多。 只是软件的使用方式会变。 以前，人使用软件。 未来，人管理一组智能系统。 以前，一个功能要被固定在界面里。 未来，一个功能可以在对话中被临时生成、调用和组合。 以前，软件是一个封闭产品。 未来，软件更像一个有智能接口的工作环境。 这对传统软件公司是巨大挑战。 如果一个软件只是把数据库包装成界面，它的价值会下降。 如果一个软件可以理解用户目标、调用数据、执行流程、提供建议、持续学习，它的价值会上升。 未来的软件竞争，不只是功能竞争。 它会变成工作流竞争。 ### 编程门槛被打穿 AI 吞噬软件的另一个表现是：不会写代码的人，也能开始构建东西。 过去，一个人有产品想法，需要找程序员。 找程序员之前，还要写需求。 写需求之前，还要懂一点技术边界。 最后往往卡在沟通、预算、时间和修改成本上。 今天，一个人可以用 AI 生成原型、写脚本、搭网页、处理数据、制作自动化流程。 这不会让优秀工程师失去价值。 但它会改变工程师的稀缺性。 基础代码会越来越便宜。 真正稀缺的是系统设计、产品判断、架构能力、测试能力、安全意识和长期维护能力。 代码不再是唯一门槛。 表达需求的能力开始变成门槛。 判断结果的能力开始变成门槛。 把零散功能变成稳定系统的能力开始变成门槛。 ### 软件公司的新问题 过去，软件公司最重要的问题是： 我们能不能开发出这个功能？ 未来，更重要的问题是： 我们是否拥有一个别人难以复制的工作流？ 如果一个功能可以被 AI 快速生成，那么功能本身就不再是护城河。 护城河会转向： 数据。 场景。 分发。 品牌。 合规。 信任。 流程沉淀。 客户关系。 软件不是不重要了。 软件变成了 AI 工作流的载体。 真正重要的是：这个系统能否在真实业务里稳定创造结果。 ### 个人的机会 对个人来说，AI 吞噬软件是一件重要的事。 因为过去很多想法死在技术门槛前。 现在，想法可以更快变成原型。 课程可以更快变成网站。 知识可以更快变成产品。 服务可以更快变成流程。 个人经验可以更快变成自动化工具。 但这也会带来另一个结果： 低质量产品会爆炸。 人人都能做原型，意味着原型不再稀缺。 真正稀缺的是持续迭代、真实用户、付费场景和可信交付。 ### 最后一击 未来不会写代码的人也能构建软件。 但不会描述问题、测试结果、设计系统的人，仍然会被挡在门外。 \newpage # 第 3 章：智能第一次成为商品 ### 核心句 AI 最大的变化，不是机器更聪明了，而是基础智能开始像电力一样被调用。 ### 稀缺的智能 在人类历史上，智能一直很贵。 一个会写作的人很贵。 一个会编程的人很贵。 一个会翻译的人很贵。 一个会做财务分析的人很贵。 一个会法律研究的人很贵。 一个会设计课程的人很贵。 一个会把复杂问题讲清楚的人很贵。 因为这些能力需要长期学习、训练、经验和时间。 一个组织要获得这些能力，通常只有两种方式： 雇佣人。 购买专业服务。 所以过去的公司扩张，本质上是不断购买人的时间和人的能力。 要做更多内容，就雇更多编辑。 要服务更多客户，就雇更多客服。 要写更多软件，就雇更多工程师。 要做更多研究，就雇更多分析师。 组织规模和脑力劳动能力之间存在强绑定。 ### 智能变成可调用资源 AI 打开了第三种方式。 调用智能。 一个组织不一定拥有全职翻译，但可以调用翻译能力。 一个组织不一定拥有全职文案，但可以调用文案能力。 一个组织不一定拥有全职程序员，但可以调用代码生成能力。 一个组织不一定拥有全职老师，但可以调用解释、出题、纠错和陪练能力。 这不是简单的效率提升。 这是生产要素变化。 过去，脑力劳动被绑定在人身上。 现在，一部分脑力劳动开始被封装成服务。 像电力一样。 不需要拥有发电厂，按需接入电网就可以使用电。 不需要拥有所有专家，按需接入 AI 就可以使用一部分基础智能。 这就是 AI 时代最重要的底层变化。 智能开始商品化。 ### 商品化不等于没有价值 很多人听到“智能商品化”会误解。 他们以为这意味着聪明人不值钱了。 不是。 真正被商品化的是基础层能力。 基础总结。 基础翻译。 基础文案。 基础代码。 基础分析。 基础客服。 基础视觉生成。 基础教学解释。 这些能力仍然有用，但不再像过去那样稀缺。 当基础智能变便宜，高阶能力会变得更重要。 谁能提出好问题？ 谁能判断答案质量？ 谁能理解真实业务？ 谁能承担责任？ 谁能建立信任？ 谁能把输出变成结果？ 这些能力不会因为 AI 出现而消失。 相反，它们会更贵。 ### 三个后果 第一个后果：小团队生产力上升。 过去需要十个人完成的初稿、资料整理、设计草案、代码原型和运营内容，现在一个小团队可以更快完成。 第二个后果：低水平脑力劳动价格下降。 如果一个任务只是把资料搬运成另一种格式，它会越来越难保持高溢价。 第三个后果：判断力成为新门槛。 AI 会生成很多东西。 但它不会自动判断什么值得发布、什么值得投资、什么值得相信、什么值得删除。 判断仍然需要人。 ### 对个人的影响 如果一个人把自己定位成“执行一个固定脑力任务的人”，风险会变高。 因为固定任务越来越容易被 AI 模拟。 如果一个人把自己定位成“能定义问题、整合资源、管理智能、交付结果的人”，杠杆会变大。 未来的个人竞争，不是人与机器竞争。 而是人和人的智能杠杆竞争。 一个人加 AI，可能打败另一个不用 AI 的小团队。 一个小团队加 AI，可能打败一个反应迟钝的大公司部门。 智能商品化之后，规模的意义会被重新定义。 ### 最后一击 当智能变得便宜，真正昂贵的不是聪明，而是判断聪明是否有用。 \newpage # 第 4 章：智能通胀 ### 核心句 当基础智能供应暴增，普通脑力劳动会像货币超发一样贬值。 ### 什么是智能通胀 通胀不是钱消失。 通胀是钱变多之后，单位货币的购买力下降。 智能通胀也类似。 不是知识消失。 不是写作消失。 不是编程消失。 不是分析消失。 而是基础智能供给大幅增加之后，单位普通脑力劳动的价格下降。 过去，一篇普通文案需要一个人写半天。 现在，AI 可以在一分钟内生成十个版本。 过去，一份资料总结需要实习生看几个小时。 现在，AI 可以快速提炼摘要和要点。 过去，一个基础网页需要工程师写代码。 现在，AI 可以生成原型。 过去，一个课程大纲需要老师慢慢整理。 现在，AI 可以给出多个版本。 这不是所有专业能力都失去价值。 这是底层脑力供应突然增加。 供应增加，普通产出的稀缺性下降。 ### 谁最危险 智能通胀最先影响的不是所有职业。 它最先影响四类任务。 第一，重复性高的任务。 比如格式化、总结、改写、生成模板内容。 第二，判断要求低的任务。 比如把已有资料整理成通顺语言。 第三，责任边界弱的任务。 比如不直接影响法律、医疗、资金和安全后果的初稿工作。 第四，差异化弱的任务。 比如没有个人风格、行业深度、客户关系和品牌信任的普通内容。 这些任务过去也许能卖钱。 但 AI 出现后，它们会越来越难卖高价。 因为买方会问： 这件事为什么不能让 AI 先做？ ### 谁会变强 智能通胀不会平均伤害所有人。 它会惩罚低差异化。 也会奖励高差异化。 会提问的人会变强。 因为 AI 的输出质量高度依赖问题质量。 会判断的人会变强。 因为内容越多，筛选越重要。 会整合的人会变强。 因为真正的结果通常需要多种能力组合。 有行业经验的人会变强。 因为 AI 需要真实场景来校准。 有信任资产的人会变强。 因为陌生内容越多，可信来源越珍贵。 有审美的人会变强。 因为生成无限之后，选择什么留下变得更重要。 ### 智能通胀下的财富逻辑 智能通胀会改变财富分配。 过去，很多人靠信息差赚钱。 一方知道，另一方不知道。 一方会写，另一方不会写。 一方会查，另一方不会查。 一方会整理，另一方不会整理。 AI 会压缩这类信息差。 未来更有价值的是执行差、判断差、信任差和系统差。 同样一个 AI 工具，不同人用出来的结果完全不同。 一个人用它生成垃圾文章。 另一个人用它建立课程体系。 一个人用它复制别人观点。 另一个人用它研究客户、迭代产品、优化销售流程。 工具相同，结果不同。 差别不在工具。 差别在使用者的目标、判断、知识结构和执行系统。 ### 个人的误区 很多人会犯两个错误。 第一个错误是恐慌。 他们看到 AI 很强，就觉得自己没有机会。 第二个错误是轻敌。 他们觉得 AI 只是玩具，于是继续用旧方式工作。 这两个态度都不对。 AI 不是神。 AI 也不是玩具。 AI 是一种新的生产力基础设施。 不用它，它也不会停下来。 乱用它，它也不会自动带来结果。 ### 最后一击 智能通胀时代，普通答案会贬值。 高质量判断会升值。 \newpage # 第二部分：AI 正在吃掉旧工作方式 ## 第 5 章：AI is eating writing ### 核心句 AI 不是在帮助写作，AI 正在重新定义什么叫写作。 ### 旧写作 过去，写作是一种稀缺能力。 会写文章的人能表达观点。 会写广告的人能卖产品。 会写报告的人能影响决策。 会写邮件的人能推动合作。 会写脚本的人能制造传播。 写作的门槛看起来是文字。 其实不是。 真正的门槛是组织思想。 写作者要知道讲什么。 写作者要知道先讲什么，后讲什么。 写作者要知道读者为什么在乎。 写作者要知道一句话有没有力量。 写作者要知道哪些内容适合删除。 所以过去写作慢，不只是因为打字慢。 是因为思考慢、整理慢、判断慢。 ### AI 介入写作 AI 让文字生产速度突然上升。 标题可以生成。 大纲可以生成。 邮件可以生成。 广告文案可以生成。 短视频脚本可以生成。 新闻摘要可以生成。 书稿段落也可以生成。 这会让低水平写作迅速贬值。 如果一篇文章只是把常识换一种说法，AI 可以写得足够像。 如果一份报告只是把资料堆成段落，AI 可以做得更快。 如果一条广告只是套模板，AI 可以生成一百条。 所以，写作行业不会消失。 但旧写作会被吞掉。 尤其是没有观点、没有经验、没有风格、没有判断的文字。 ### 新写作 AI 时代的写作不再只是“从零开始写句子”。 它更像一个完整流程： 提出问题。 收集材料。 设计结构。 生成初稿。 检查事实。 调整语气。 压缩废话。 强化观点。 匹配读者。 发布和反馈。 在这个流程里，AI 可以承担很多低层任务。 但它不能替写作者决定最重要的事： 到底相信什么？ 到底要说服谁？ 经验从哪里来？ 判断有什么代价？ 风格为什么值得别人记住？ AI 可以写得流畅。 但流畅不等于有思想。 AI 可以写得完整。 但完整不等于有洞察。 AI 可以写得像人。 但像人不等于值得信任。 ### 谁会被吞掉 第一类是模板型写作者。 只会把固定格式填满的人，会被更快的生成系统替代。 第二类是搬运型写作者。 只会把公开资料改写成文章的人，会失去优势。 第三类是空话型写作者。 只会写正确废话、漂亮废话、热闹废话的人，会被内容洪水淹没。 第四类是无风格写作者。 当所有人都能生成平滑文字，平滑本身就不再值钱。 ### 谁会变强 有真实经验的人会变强。 因为 AI 可以帮助他们更快表达经验。 有强观点的人会变强。 因为 AI 可以帮助他们测试不同表达方式。 有审美的人会变强。 因为 AI 生成很多版本后，需要有人选择最好的版本。 有个人品牌的人会变强。 因为读者不只是读文字，也在判断写作者是谁。 有编辑能力的人会变强。 因为 AI 让初稿变便宜，编辑和判断变贵。 ### 个人的写作方法 AI 可以加速写作，但思考仍要留在人这里。 让 AI 替写作者加速思考。 一种更稳的写法是： 先自己写出最粗糙的观点。 再让 AI 帮写作者提出反对意见。 再让 AI 帮写作者整理结构。 再让 AI 生成多个开头。 再让 AI 检查逻辑漏洞。 最后由写作者决定哪些留下，哪些删除。 写作的主权最好留在人手里。 AI 可以是助手。 但不能成为灵魂。 ### 最后一击 AI 会让世界充满文字。 但真正稀缺的，仍然是一个人清醒、诚实、有判断的声音。 \newpage # 第 6 章：AI is eating coding ### 核心句 AI 不会让编程消失，它会让“构建产品”这件事从少数人手中扩散出来。 ### 编程曾经是门槛 在互联网时代，代码是一种强门槛。 有想法，不代表能做出来。 看见机会，不代表能上线产品。 理解用户，不代表能写应用。 很多产品想法死在第一步： 没有技术合伙人。 没有预算。 外包沟通困难。 开发周期太长。 需求变化太快。 代码曾经是从想法到产品之间的一道墙。 工程师站在墙的一边。 个人站在墙的另一边。 AI 开始在这堵墙上开洞。 ### AI 如何改变编程 AI 可以解释代码。 AI 可以生成函数。 AI 可以搭建页面。 AI 可以修复错误。 AI 可以写测试。 AI 可以把自然语言需求转成技术方案。 AI 可以让一个不会写代码的人看懂一部分代码逻辑。 AI 也可以让一个工程师写得更快。 这不是小优化。 这会改变构建产品的入口。 过去，用户需要先学习编程语言。 现在，用户可以先学习如何描述需求。 过去，工程师花大量时间写重复代码。 未来，工程师会把更多时间放在架构、判断、调试、安全、数据、性能和系统稳定性上。 ### 程序员不会消失 很多人问： AI 会不会让程序员失业？ 这个问题太粗糙。 更准确的问题是： 哪一类编程工作会变便宜？ 答案是基础实现。 简单页面。 常见脚本。 标准接口。 重复组件。 样板代码。 这些会越来越便宜。 但复杂系统不会自动变简单。 需求仍然会模糊。 数据仍然会脏。 用户仍然会变化。 安全仍然重要。 性能仍然重要。 系统之间仍然会冲突。 生产环境仍然会出问题。 AI 可以生成代码。 但代码进入真实世界以后，还要面对责任。 真正优秀的工程师不会被简单替代。 他们会拥有更高的杠杆。 ### 新门槛 AI 编程时代的新门槛不是“会不会写某种语法”。 而是： 需求是否讲得清楚？ 任务是否能拆成模块？ 数据结构是否合理？ 生成代码的风险是否能被判断？ 边界情况是否被测试？ 系统是否能持续迭代？ 原型是否能变成可维护产品？ 很多人会用 AI 生成一个看起来能跑的东西。 但能跑不等于能用。 能用不等于稳定。 稳定不等于安全。 安全不等于可扩展。 可扩展不等于有商业价值。 这就是为什么 AI 时代更需要产品思维和工程思维。 ### 个人的机会 对个人来说，AI 编程最大的价值是降低试错成本。 个人可以更快做一个工具。 个人可以更快验证一个想法。 个人可以更快把手工流程变成自动流程。 个人可以更快理解技术团队在说什么。 这会创造大量微型软件。 个人网站。 内部工具。 数据看板。 课程平台。 内容生成流程。 客户管理系统。 自动化销售脚本。 这些东西过去需要技术团队。 现在，一个懂业务的人可以先做出原型。 ### 最后一击 AI 会降低写代码的门槛。 但它会提高构建好产品的标准。 \newpage # 第 7 章：AI is eating search ### 核心句 搜索时代，人找信息；AI 时代，信息开始被整理成答案和行动。 ### 搜索改变了世界 互联网早期，信息最大的问题是找不到。 网页太多。 知识分散。 网站混乱。 搜索引擎解决了这个问题。 用户输入关键词。 系统返回链接。 用户自己打开网页。 用户自己判断来源。 用户自己比较信息。 用户自己整理结论。 搜索引擎把世界的信息入口集中到一个框里。 它让人类第一次可以用极低成本访问全球知识。 但搜索也有一个前提： 人要自己完成后半段工作。 搜索提供线索。 人完成理解。 ### AI 改变入口 AI 让搜索框变成对话框。 用户不再只是问： 哪里有这份资料？ 用户开始问： 这份资料是什么意思？ 它和另一份资料有什么冲突？ 请帮我总结成三个观点。 请帮我生成行动计划。 请根据我的背景重新解释。 请帮我比较不同方案。 这意味着信息入口正在从“链接分发”变成“答案生成”。 更进一步，它会变成“任务执行”。 未来，用户不一定打开十个网页再自己整理。 用户可能直接让 AI 完成研究、比较、预订、下单、写邮件、生成报告。 搜索不再只是找信息。 搜索会变成智能代理的一部分。 ### 危险也在这里 AI 吃掉搜索会带来便利。 也会带来风险。 第一个风险是来源被隐藏。 当 AI 给出一个流畅答案时，很多人会忘记问： 这个答案从哪里来？ 第二个风险是错误被包装得更像正确。 搜索结果里，网页之间还会彼此冲突。 用户有机会看见不同来源。 AI 答案如果没有透明引用，错误可能更不容易被发现。 第三个风险是入口控制更集中。 谁控制 AI 助手，谁就可能影响用户看到什么、相信什么、购买什么、忽略什么。 过去，搜索结果排名已经是巨大影响力。 未来，AI 答案排序和任务建议会成为更大的入口影响力。 ### 新信息能力 AI 时代，信息能力不是会不会搜索。 而是会不会追问。 一个成熟的信息使用者，通常会关注四件事。 第一，看来源。 答案之外，还要看证据。 第二，问反方。 让 AI 给出不同观点、反例和不确定性。 第三，分层判断。 事实、解释、预测和建议不是一回事。 第四，保留怀疑。 流畅语言不是可信度证明。 AI 让获取答案变快。 但它也让错误传播更快。 所以，信息素养不但没有过时，反而更重要。 ### 对公司意味着什么 如果搜索入口被 AI 改写，公司也要重新理解分发。 过去，公司做 SEO。 让网页被搜索引擎收录。 未来，公司可能还要做 AIO。 让自己的信息被 AI 系统理解、引用、信任和调用。 这意味着内容要更结构化。 品牌要更可信。 数据要更清楚。 产品信息要更容易被机器读取。 客户评价、权威引用、真实案例会变得更重要。 因为 AI 助手需要判断谁可信。 如果品牌没有可信信号，它可能不会出现在用户答案里。 ### 最后一击 AI 会让答案更容易获得。 也会让判断答案的人变得更重要。 \newpage # 第 8 章：AI is eating learning ### 核心句 AI 学习的真正变化，不是学生少做作业，而是每个人都可能拥有一个私人老师。 ### 传统学习系统的限制 传统学习系统是工业时代的产物。 一个老师面对很多学生。 一套教材面对很多孩子。 一个进度面对整个班级。 一个考试评价不同的人。 这种系统可以规模化。 它让学习从少数人的特权变成大众制度。 但它有天然限制。 学生基础不同。 理解速度不同。 兴趣不同。 家庭环境不同。 提问勇气不同。 一个老师很难同时照顾每个人。 所以很多孩子不是学不会。 而是在某个关键点没被及时解释。 一个小洞没有补上，后面就变成大洞。 ### AI 作为私人老师 AI 可以改变这一点。 它可以用不同方式解释同一个概念。 它可以根据学生水平调整难度。 它可以随时回答问题。 它可以出题。 它可以批改。 它可以模拟考试。 它可以陪练英语。 它可以让孩子把一个问题问十遍，而不用害怕被嘲笑。 这就是 AI 学习的意义。 不是让学生复制答案。 而是让学习反馈变得更及时、更个性化、更低成本。 一个家庭如果会用 AI，孩子的学习方式会被重写。 ### 最大的误区 很多学校和家长一开始会把 AI 当作作弊工具。 这可以理解。 如果学生直接让 AI 写作业，确实会伤害学习。 但如果只把 AI 当作弊工具，就会错过更大的变化。 计算器出现后，数学学习没有消失。 搜索引擎出现后，学习没有消失。 真正的问题是学习目标要改变。 过去，很多学习考的是记忆。 未来，更重要的是理解、提问、判断和应用。 如果 AI 可以生成答案，学习系统就不能只训练孩子背答案。 学习系统会更重视提出问题、验证答案、解释理由和应用到真实场景。 ### 学习差距会扩大 AI 不会自动让学习更公平。 它可能先扩大差距。 会用 AI 的学生，会获得更多反馈。 不会用 AI 的学生，可能只是拿它抄答案。 会引导孩子使用 AI 的父母，会帮助孩子建立新的学习系统。 不会引导的父母，可能只会禁止或放任。 会重构教学的学校，会把 AI 变成助教。 不会重构的学校，只会把 AI 当成纪律问题。 未来学习差距，不只是学校差距。 还会是 AI 使用能力的差距。 ### 成年人的第二次学习 AI 学习不只属于孩子。 成年人更需要它。 一个项目负责人可以让 AI 解释财务模型。 一个律师可以让 AI 陪练英文合同表达。 一个销售可以让 AI 模拟客户异议。 一个医生可以让 AI 辅助整理新论文。 一个职场人可以让 AI 帮他学习编程、写作、演讲和行业分析。 过去，成年人学习最大的问题是没有时间、没有老师、没有反馈。 AI 至少可以解决一部分。 成年人可以在碎片时间学习。 也可以让 AI 按自己的水平解释。 还可以让 AI 追问，而不是只给答案。 ### 最后一击 未来最危险的学生，不是用 AI 的学生。 而是只会让 AI 替自己思考的学生。 \newpage # 第 9 章：AI is eating media ### 核心句 当内容可以无限生成，媒体真正稀缺的东西会从生产力转向信任、人格和审美。 ### 旧媒体 过去，媒体的核心能力是生产和分发内容。 报纸有记者和印刷渠道。 电视台有频道和制作团队。 门户网站有编辑和流量入口。 社交平台有用户网络和推荐算法。 内容生产一直有成本。 写文章需要人。 拍视频需要团队。 做图片需要设计师。 剪辑需要时间。 配音需要设备。 所以，能稳定生产内容的组织拥有优势。 AI 打破了这个成本结构。 文字、图片、音乐、声音、视频、虚拟人、动画，都可以被生成。 内容生产不再稀缺。 稀缺的是值得相信的内容。 ### 内容洪水 AI 会制造内容洪水。 一个人可以一天生成几十篇文章。 一个小团队可以生成上百条短视频脚本。 一个品牌可以快速测试不同广告素材。 一个骗子也可以快速制造假新闻、假头像、假客服、假投资故事。 内容成本下降，本身不是坏事。 更多人可以表达。 更多小团队可以创作。 更多语言和地区可以被服务。 但成本下降也会带来垃圾内容爆炸。 当每个人都能生成，生成本身就不再值钱。 读者会越来越疲惫。 他们不缺内容。 他们缺的是筛选。 他们不缺信息。 他们缺的是可信关系。 ### 人格成为入口 AI 时代，媒体会更依赖人格。 读者会问： 这是谁说的？ 他过去判断准不准？ 他有没有真实经验？ 他有没有长期承担声誉成本？ 他是在表达观点，还是在复制热点？ 人格不是表演出来的性格。 人格是长期输出形成的信任结构。 一个有真实人格的创作者，即使用 AI 辅助，也仍然有价值。 因为读者买的不是字数。 读者买的是判断、陪伴、风格、审美和信任。 AI 可以模仿语气。 但长期信任很难伪造。 ### IP 会更重要 内容无限之后，IP 会更重要。 一个普通故事可以被 AI 快速生成。 但一个被长期记住的世界观、人物、品牌和符号，仍然需要持续建设。 未来的内容业务，不只是生产更多内容。 而是建设可识别的资产。 一个名字。 一种语言风格。 一个视觉体系。 一个价值观。 一套角色。 一群稳定读者。 一条可持续商业路径。 这就是为什么个人品牌、公司品牌和内容 IP 会变得更贵。 因为在内容洪水里，能被记住就是资产。 ### 媒体公司的变化 AI 会改造媒体公司的内部流程。 选题可以更快生成。 资料可以更快整理。 标题可以更快测试。 视频脚本可以更快改写。 多语言版本可以更快发布。 但编辑判断会更重要。 因为错误信息也会更快扩散。 媒体公司如果只追求产量，会变成内容农场。 如果能把 AI 用于研究、审核、事实核查、用户理解和产品化，它会更强。 未来媒体不是谁发得最多。 而是谁最值得被持续阅读。 ### 最后一击 AI 让内容变得无限。 无限之后，真正值钱的是被相信。 \newpage # 第 10 章：AI is eating law and finance ### 核心句 AI 会吞掉法律和金融里的信息搬运，但不会吞掉责任本身。 ### 为什么是法律和金融 法律和金融看起来很不同。 一个处理规则、合同、诉讼和责任。 一个处理资金、风险、资产和收益。 但它们有一个共同点： 都高度依赖文本、数据、历史案例和专业判断。 律师要读合同、查法规、找案例、写备忘录。 金融从业者要读财报、看市场、做模型、评估风险。 这些工作里，有一部分是高价值判断。 也有一部分是大量信息处理。 AI 最先介入的就是后者。 ### 法律会怎样被改变 AI 可以帮助审合同。 AI 可以总结条款。 AI 可以检索案例。 AI 可以生成法律研究初稿。 AI 可以整理证据。 AI 可以比较不同版本的协议。 AI 可以把复杂法律语言解释给普通客户。 这会改变律所的成本结构。 过去，很多初级工作依赖大量年轻律师和助理时间。 未来，基础检索、整理、初稿和比较会被 AI 加速。 客户也会越来越难接受高价购买低层重复劳动。 但法律 AI 有边界。 错误的合同建议会产生责任。 错误的诉讼策略会影响结果。 错误的合规判断会带来风险。 所以，律师不会因为 AI 消失。 律师的价值会从“我能查资料”转向“我能承担判断、设计策略、管理风险、建立客户信任”。 ### 金融会怎样被改变 金融同样如此。 AI 可以读财报。 AI 可以总结电话会议。 AI 可以生成行业比较。 AI 可以做客户分层。 AI 可以辅助风控。 AI 可以改进客服。 AI 可以帮助个人理解预算、税务、保险和投资基础知识。 但金融的核心不是信息本身。 金融的核心是风险。 一个模型可以给出建议。 但谁承担亏损？ 一个系统可以发现信号。 但谁判断信号是否可靠？ 一个 AI 可以生成投资观点。 但谁负责合规和客户适配？ 金融 AI 的真正价值不在于生成更多观点。 而在于提高研究效率、风险识别、客户服务和流程一致性。 ### 专业服务的新结构 法律和金融代表一种更大的趋势： 专业服务会从人力密集型转向系统密集型。 过去，专业服务靠人堆时间。 更多项目，更多人。 更多客户，更多助理。 更多文件，更多初级员工。 AI 会让这种结构发生变化。 未来的专业机构需要沉淀： 模板库。 知识库。 案例库。 审查清单。 客户数据。 风险规则。 工作流系统。 人仍然重要。 但人的价值会更多体现在最终判断、客户沟通、复杂谈判和责任承担。 ### 个人的变化 对个人来说，AI 会降低理解法律和金融知识的门槛。 个人可以让 AI 解释合同条款。 个人可以让 AI 辅助整理家庭预算。 个人可以让 AI 解释贷款、保险、税务和投资概念。 个人可以让 AI 列出咨询专业人士前应准备的问题。 但 AI 不能被当作律师。 也不能把 AI 当投资顾问。 尤其在重大合同、诉讼、税务、医疗、投资和资产配置上，AI 只能作为辅助工具。 责任需要由人和合规机构承担。 ### 最后一击 AI 会让低水平专业服务贬值。 但它会让真正可靠、能承担责任的专业判断更贵。 \newpage # 第三部分：新个人与新公司 ## 第 11 章：个人的认知杠杆 ### 核心句 AI 最大的个人价值，是让个人第一次拥有接近小团队的认知杠杆。 ### 什么是认知杠杆 杠杆就是用较小的力量撬动更大的结果。 资本是杠杆。 团队是杠杆。 代码是杠杆。 媒体是杠杆。 品牌是杠杆。 AI 是新的认知杠杆。 过去，一个人要完成复杂脑力工作，通常需要很多外部资源。 想写书，需要编辑。 想做网站，需要程序员。 想做课程，需要教研。 想做设计，需要设计师。 想做研究，需要分析师。 想做视频，需要脚本、剪辑、配音和运营。 AI 不能让一个人瞬间掌握所有专业能力。 但它可以把很多任务的起步成本降下来。 它可以让一个人先动起来。 这件事非常重要。 因为很多个人的失败不是因为没有想法。 而是因为从想法到行动之间的距离太长。 ### 杠杆不是替代努力 认知杠杆不是让人不用努力。 恰恰相反，它会放大努力的质量。 一个问题不清楚的人，用 AI 会得到更多混乱。 一个没有判断的人，用 AI 会得到更多似是而非的答案。 一个没有执行力的人，用 AI 会得到更多计划，但不会得到结果。 AI 不会自动让人变强。 它会放大人的状态。 清醒的人更快。 混乱的人更乱。 懒惰的人更会制造借口。 有目标的人更容易试错。 所以，AI 时代的个人不能只学工具。 更关键的是建立自己的工作系统。 ### 个人的五个新能力 第一，问题能力。 需要能把模糊想法变成清晰问题。 “我想赚钱”不是问题。 “我能否用自己的行业经验，做一个面向小企业主的 AI 课程？”才更接近问题。 第二，表达能力。 AI 需要上下文。 背景、目标、限制和标准越清楚，AI 越容易提供有效帮助。 第三，判断能力。 AI 输出不是最终答案。 这包括识别错误、空话、过度自信和不适合自身场景的建议。 第四，整合能力。 真正的结果不是单次对话。 内容、工具、数据、客户、流程和反馈需要被整合起来。 第五，发布能力。 很多人停在草稿里。 未来的机会属于能持续发布、测试、迭代的人。 ### 英语、编程、内容、商业 个人最值得组合的能力是： AI + 英语 + 编程 + 内容 + 商业理解。 英语让人接触更大的信息世界。 编程让想法变成工具。 内容带来分发。 商业理解让人知道谁愿意付钱。 AI 把这几种能力连接起来。 一个会英语的人，可以让 AI 帮他快速吸收海外资料。 一个会一点编程的人，可以让 AI 帮他构建产品原型。 一个会内容的人，可以让 AI 帮他提高生产效率。 一个懂商业的人，可以让 AI 帮他研究客户、设计方案、优化销售。 真正强的不是单点能力。 是组合能力。 ### 认知杠杆的风险 认知杠杆也有风险。 第一，错得更快。 AI 可以让人更快行动，也可以让错误更快规模化。 第二，浅得更快。 很多人会误以为自己问过 AI，就理解了一个行业。 第三，抄得更快。 如果没有自己的判断和经验，很容易变成观点复制机。 第四，依赖更深。 如果一个人完全不训练自己的脑子，AI 会让他更快丧失独立思考。 所以，认知杠杆需要和自我训练结合。 ### 最后一击 AI 不是个人的捷径。 AI 是个人的放大器。 人有什么，它就放大什么。 \newpage # 第 12 章：Workflow is the new software ### 核心句 未来真正值钱的不是单个 AI 工具，而是能稳定产生结果的 AI 工作流。 ### 工具崇拜 每一次技术浪潮早期，人们都会迷恋工具。 哪个模型最强？ 哪个插件最好？ 哪个提示词最神？ 哪个应用最火？ 这很正常。 因为新工具最容易被看见。 但工具不是最终价值。 工具只是能力入口。 真正创造价值的是工作流。 同一个 AI 工具，一个人用来写玩笑，一个人用来做客户研究，一个人用来优化销售流程，一个人用来构建课程系统。 工具一样，结果完全不同。 差别在工作流。 ### 什么是 AI 工作流 AI 工作流是把任务拆成稳定步骤，并把 AI 嵌入其中。 比如写一篇商业文章。 低水平用法是： 请帮我写一篇文章。 高水平工作流是： 先确定读者。 再列出核心观点。 再让 AI 提出反对意见。 再补充案例。 再生成结构。 再写初稿。 再做事实检查。 再压缩语言。 再根据发布平台改写。 再生成标题和摘要。 再复盘数据反馈。 这才是工作流。 工作流把一次性灵感变成可重复系统。 ### 工作流资本 未来公司的资产不只是现金、设备、员工和品牌。 还包括工作流资本。 工作流资本包括： 提示词库。 模板库。 数据源。 审核标准。 自动化脚本。 任务分解方法。 质量控制流程。 客户反馈闭环。 行业知识库。 这些东西看起来不像传统资产。 但它们会决定一家公司使用 AI 的效率。 两个公司都买同一个模型。 一个公司只是让员工随便问。 另一个公司把模型嵌入销售、客服、产品、财务、法务和培训流程。 几年后，差距会非常大。 不是模型差距。 是工作流差距。 ### 为什么工作流比工具更稳 工具会变化。 今天这个模型强，明天另一个模型强。 今天这个应用火，明天被平台功能吃掉。 如果能力只绑定某一个工具，系统会很脆弱。 但如果掌握了工作流，工具就可以替换。 写作工作流可以从一个模型迁移到另一个模型。 客户研究工作流可以从一个平台迁移到另一个平台。 课程生产工作流可以升级工具，但保留结构。 流程比工具更长期。 判断比提示词更长期。 场景理解比软件界面更长期。 ### 个人的工作流 个人也需要工作流。 每次 AI 使用如果都停留在随机聊天，沉淀就会很少。 可以把重复任务沉淀下来。 比如： 每周内容选题工作流。 每次客户沟通工作流。 每次读书笔记工作流。 每次课程开发工作流。 每次产品调研工作流。 每次求职准备工作流。 写下来。 测试。 修改。 复用。 个人工作流，就是新的个人资产。 ### 最后一击 工具会过时。 工作流会复利。 \newpage # 第 13 章：Agent is the new employee ### 核心句 AI Agent 的本质，不是更会聊天的模型，而是开始承担任务的数字员工。 ### 从回答到执行 早期 AI 给人的感觉像一个问答系统。 用户问一句。 它答一句。 用户再问一句。 它再答一句。 这已经很有用。 但真正的变化是 Agent。 Agent 不只是回答。 它可以接收目标、拆解步骤、调用工具、读取资料、执行动作、检查结果，并在一定范围内持续推进任务。 比如： 帮我整理这个文件夹里的资料。 帮我研究十个竞争对手。 帮我生成客户名单并写邮件草稿。 帮我检查代码错误并提交修改建议。 帮我把一次会议变成任务清单。 帮我定期监测某个行业新闻。 这已经接近“员工”的一部分职能。 不是完整的人。 但像一个可以执行任务的数字劳动力。 ### 新的管理问题 Agent 出现后，人类的角色会变化。 过去，人自己做任务。 后来，人使用工具做任务。 未来，人会管理一组 Agent 做任务。 这听起来很简单。 但管理 Agent 需要新能力。 目标要被定义清楚。 任务要被拆解。 边界要被设定。 数据要被提供。 结果要被检查。 异常要被处理。 还要判断哪些任务可以交给 Agent，哪些需要由人完成。 换句话说，AI 时代每个人都要学一点管理。 不是管理员工的管理。 而是管理智能系统的管理。 ### Agent 的边界 Agent 很强，但不能神化。 第一，它会误解目标。 如果目标模糊，执行就会偏。 第二，它会犯错。 尤其在信息不完整、权限复杂、结果难验证的任务里。 第三，它会放大错误。 一个普通回答错了，影响有限。 一个 Agent 执行错了，可能影响文件、客户、资金、代码和声誉。 第四，它可能缺乏责任意识。 模型不会真正承担后果。 承担后果的仍然是人和组织。 所以，Agent 不是拿来盲目信任的。 Agent 是需要被设计、监督和审计的。 ### 哪些任务适合 Agent 适合 Agent 的任务通常有几个特征。 目标清楚。 步骤可拆。 风险可控。 结果可检查。 数据可访问。 失败成本不高。 比如资料整理、初步研究、内容改写、报告草稿、客服分流、代码辅助、日程整理、内部知识库问答。 不适合轻易交给 Agent 的任务包括： 重大财务决策。 法律责任判断。 医疗诊断。 高风险权限操作。 不可逆的客户沟通。 缺乏审核的公开发布。 不是所有任务都适合自动化。 正确的做法是先把低风险任务交出去，再逐步扩大边界。 ### 公司里的数字员工 未来公司会出现三类员工： 人类员工。 AI Agent。 人类和 Agent 组成的混合团队。 一个销售可能管理客户研究 Agent、邮件生成 Agent、跟进提醒 Agent。 一个律师可能管理合同审查 Agent、案例检索 Agent、证据整理 Agent。 一个创作者可能管理选题 Agent、资料 Agent、脚本 Agent、剪辑辅助 Agent。 一个项目负责人可能管理产品、客服、营销、财务和运营 Agent。 这会改变组织结构。 一些岗位会减少。 一些岗位会升级。 新的岗位会出现： AI 工作流设计师。 Agent 运营经理。 AI 质量审查员。 智能系统安全负责人。 ### 最后一击 未来最强的人，不一定是亲自做最多事的人。 而是最会指挥智能系统的人。 \newpage # 第 14 章：One-person company 的崛起 ### 核心句 AI 让一个人公司成为更现实的选择，但它不会让做成一门业务变得轻松。 ### 一个人也可以像公司 过去，一个人能做的事有限。 写作可以一个人。 咨询可以一个人。 设计可以一个人。 但如果要做产品、营销、客服、网站、课程、数据分析、财务、运营，通常就需要团队。 AI 改变了这个限制。 一个人可以用 AI 写文案。 用 AI 做网站原型。 用 AI 生成课程结构。 用 AI 处理客户问题。 用 AI 分析用户反馈。 用 AI 制作图片和视频。 用 AI 生成自动化脚本。 这让 one-person company 变得更可行。 一个人可以拥有过去小公司的生产力。 ### 但做成一门业务没有变简单 很多人会误解。 他们以为 AI 让做业务变容易。 更准确地说： AI 让启动变容易。 但让真正做成一门业务变得更难。 为什么？ 因为所有人的启动成本都下降了。 更多人可以做产品。 更多人可以写内容。 更多人可以发广告。 更多人可以做课程。 更多人可以包装服务。 当供给暴增，竞争会更激烈。 原型不再稀缺。 内容不再稀缺。 工具不再稀缺。 真正稀缺的是： 真实需求。 持续分发。 可信品牌。 稳定交付。 付费客户。 ### 一个人公司的优势 一个人公司的优势是速度。 不需要开太多会。 不需要复杂审批。 不需要管理大团队。 不需要为每个小实验申请预算。 一个人可以快速试错。 AI 让这种速度更强。 一天可以测试多个标题。 一周做出一个课程雏形。 一个月上线一个小产品。 持续根据用户反馈修改。 在早期，速度就是生命。 尤其对内容、学习服务、咨询、软件工具、社区和小众服务来说，一个人公司可能非常有竞争力。 ### 一个人公司的弱点 但一个人公司也有弱点。 第一，容易过度依赖个人精力。 AI 可以帮人做很多事，但不能替人承担所有压力。 第二，容易缺少质量控制。 如果没有外部反馈，AI 生成内容可能让人误以为进展很快。 第三，容易没有战略。 每天都在生成、发布、修改，却不知道到底服务谁。 第四，容易没有信任背书。 客户不只看一个人能不能生成东西，也看这个人能不能稳定负责。 所以，一个人公司不能只是一个人加很多工具。 它需要有清晰定位、稳定流程和真实客户关系。 ### 一个人公司的商业模型 AI 时代，一个人公司适合几种模型。 第一，知识产品。 课程、会员、电子书、研究报告、模板库。 第二，专业服务。 咨询、培训、顾问、审查、策略设计。 第三，小型软件。 面向特定人群的工具、插件、自动化流程。 第四，内容 IP。 通过个人品牌聚集信任，再销售产品或服务。 第五，社区。 围绕共同目标组织人群，AI 用于运营和内容支持。 这些模型都不需要一开始就做大公司。 它们需要从清晰人群和真实问题开始。 ### 最后一击 AI 让一个人可以像公司一样生产。 但市场只奖励像公司一样交付的人。 \newpage # 第 15 章：AI 原生公司 ### 核心句 AI 原生公司不是传统公司加一个 AI 工具，而是从第一天就围绕智能重新设计组织。 ### 传统公司的外挂式 AI 很多公司使用 AI 的第一步，是买工具。 给员工开账号。 装一个聊天机器人。 做几个内部培训。 让市场部用 AI 写文案。 让客服用 AI 回答问题。 让工程师用 AI 补全代码。 这有价值。 但这不是 AI 原生公司。 这只是传统公司外挂 AI。 外挂式 AI 的问题是：旧流程不变，只是在旧流程里塞一个新工具。 员工仍然用旧方法工作。 数据仍然分散。 权限仍然混乱。 知识仍然靠人记忆。 质量标准仍然不清楚。 结果就是：大家都在使用 AI，但公司没有真正变强。 ### AI 原生公司的起点 AI 原生公司从一开始就问不同的问题。 这个业务流程如果有 AI 参与，可以怎样设计？ 哪些任务适合由人做？ 哪些任务适合由 AI 做？ 哪些任务适合由人和 AI 共同完成？ 数据如何沉淀？ 知识如何更新？ 质量如何审核？ 客户体验如何改变？ 组织结构是否还需要这么多人和层级？ AI 原生不是技术标签。 它是组织设计原则。 ### 六个特征 第一，默认流程数字化。 业务从一开始就留下结构化数据，而不是靠聊天记录和个人记忆。 第二，默认知识库化。 经验、案例、客户问题、标准答案和失败记录都会沉淀。 第三，默认 AI 协作。 员工不是偶尔问 AI，而是在工作流里持续调用 AI。 第四，默认质量审查。 AI 输出需要有审核标准、责任边界和版本记录。 第五，默认小团队高杠杆。 不靠人数堆规模，而靠系统复制能力。 第六，默认快速迭代。 产品、内容、客服、销售和运营都能从数据反馈中更新。 这些特征加起来，才像 AI 原生公司。 ### 护城河变化 AI 原生公司的护城河也不同。 过去，很多公司靠人多、渠道多、流程复杂形成优势。 未来，这些优势可能被重写。 新的护城河包括： 专有数据。 行业场景。 客户信任。 合规能力。 分发能力。 工作流资本。 品牌人格。 系统学习速度。 一个传统公司如果数据混乱、流程混乱、知识不沉淀，即使买最好的 AI，也很难发挥价值。 一个小公司如果从第一天就建立清晰工作流，反而可能跑得更快。 ### 人的角色 AI 原生公司不是没有人。 而是人的角色更集中在高价值环节。 定义问题。 理解客户。 设计系统。 做最终判断。 处理复杂关系。 承担责任。 建立信任。 公司不再把人当作重复任务机器。 人的价值更适合放在智能系统的设计、管理和价值判断上。 这听起来理想。 但如果公司只是用 AI 压低人力成本，而不重构组织能力，它最终会变得更脆弱。 ### 最后一击 AI 原生公司的核心不是模型。 是围绕智能重新设计工作。 \newpage # 第四部分：新世界的新基础设施 ## 第 16 章：Compute is the new oil ### 核心句 工业时代争夺石油，智能时代争夺算力。 ### AI 不是魔法 很多人使用 AI 时，会产生一种错觉。 好像智能是从屏幕里自然出现的。 用户输入一句话。 几秒钟后，答案就来了。 这让 AI 看起来像魔法。 但 AI 不是魔法。 AI 背后是芯片、服务器、数据中心、网络、电力、冷却、资本、工程师和供应链。 每一次回答都需要计算。 每一个模型训练都需要巨量算力。 每一次图像、视频、语音和代码生成，都需要真实的硬件资源。 所谓“云”，并不是天上的云。 是别人机房里的计算机。 ### 为什么算力像石油 石油曾经是工业时代的基础燃料。 汽车需要石油。 飞机需要石油。 工厂需要能源。 军队需要能源。 全球贸易需要能源。 谁控制石油，谁就拥有一种战略控制力。 算力在智能时代扮演类似角色。 模型训练需要算力。 模型推理需要算力。 自动驾驶需要算力。 机器人需要算力。 药物研发需要算力。 金融建模需要算力。 军事系统需要算力。 科学研究需要算力。 算力不是一个技术细节。 它会变成国家竞争、公司竞争和产业竞争的底层资源。 ### 算力的三层结构 第一层是芯片。 没有高性能芯片，就没有大规模 AI 训练和推理。 芯片背后又是制造工艺、设计软件、封装、材料、设备和供应链。 第二层是数据中心。 芯片需要被部署在大型基础设施中。 数据中心需要土地、电力、网络、冷却和运维。 第三层是软件栈。 算力不是硬件堆在一起就能用。 还需要训练框架、推理系统、调度系统、模型优化和开发生态。 所以算力竞争不是买几张显卡这么简单。 它是完整产业系统竞争。 ### 算力会影响商业格局 算力成本会影响 AI 公司的商业模式。 训练大模型很贵。 运行大模型也很贵。 如果一个产品每服务一个用户都要消耗大量算力，它就需要找到足够高的付费能力。 这会让 AI 公司面对一个老问题： 用户喜欢免费智能。 但智能不是免费生产出来的。 因此，未来 AI 商业竞争不只是模型能力竞争。 也是成本控制竞争。 谁能用更低成本提供更好结果，谁就有优势。 小模型、专用模型、边缘计算、模型压缩、推理优化，都会非常重要。 不是所有问题都需要最大模型。 很多商业场景需要的是足够好、足够快、足够便宜、足够可靠。 ### 对个人的意义 个人不需要每天研究芯片。 但要理解一个事实： AI 背后有真实成本。 免费的 AI 产品不一定永远免费。 便宜的智能不等于零成本智能。 当某家公司控制了用户日常工作、学习和创作的智能入口，用户也在把一部分能力依赖交给它。 所以，个人和公司都要避免单点依赖。 重要资料要有备份。 关键流程要能迁移。 核心能力不能完全外包给一个平台。 ### 最后一击 智能时代的控制力，不只在模型里。 也在支撑模型运行的算力里。 \newpage # 第 17 章：Data center is the new factory ### 核心句 工业时代的工厂生产商品，智能时代的数据中心生产智能。 ### 看不见的新工厂 过去，工厂很容易被看见。 烟囱。 机器。 流水线。 工人。 仓库。 铁路。 港口。 人能直观看见一个工业社会的生产能力。 AI 时代的新工厂不一样。 它们通常在城市边缘、荒地、工业园区或能源节点附近。 外观看起来像巨大的仓库。 里面是服务器、芯片、光纤、电力系统和冷却系统。 这些数据中心不生产汽车、衣服或钢铁。 它们生产计算。 计算进一步生产智能服务。 这就是为什么数据中心会成为新工厂。 ### 智能的生产线 工业工厂把原材料变成商品。 数据中心把数据、模型和算力变成智能输出。 用户在 AI 助手里得到的一段文字。 用户在设计工具里生成的一张图片。 用户在编程工具里生成的一段代码。 用户在客服系统里得到的一次回答。 这些看似无形的东西，都来自一条新的生产线。 这条生产线不再由传送带组成。 它由服务器集群、模型系统、调度算法和电力网络组成。 所以，未来的产业地图会被重新绘制。 哪里有电？ 哪里有土地？ 哪里有水和冷却条件？ 哪里有网络连接？ 哪里有政策支持？ 哪里有资本开支能力？ 这些问题会影响 AI 产业分布。 ### 数据中心的资本逻辑 数据中心非常烧钱。 土地要钱。 电力接入要钱。 芯片要钱。 机房建设要钱。 冷却系统要钱。 运维要钱。 所以 AI 不是只有算法竞争。 它也是资本竞争。 这会带来一个后果： 头部公司拥有更大优势。 因为它们有资本购买芯片、建设数据中心、签订电力协议、吸引人才。 但这并不意味着小公司没有机会。 小公司可以避开基础模型竞争，选择垂直场景。 不用自己建发电厂，也可以使用电。 不用自己训练最大模型，也可以调用模型并围绕场景建立价值。 ### 新工厂的新风险 数据中心越重要，风险也越重要。 第一，集中化风险。 如果智能入口高度依赖少数基础设施提供者，社会会形成新的依赖结构。 第二，地缘风险。 芯片、数据中心和云服务都可能受到国际关系影响。 第三，环境风险。 数据中心需要大量电力和冷却资源。 第四，安全风险。 关键数据和关键模型集中在少数系统里，安全要求会非常高。 第五，成本风险。 如果算力价格上升，依赖大模型的商业模式会受到影响。 ### 公司可以怎样看 对公司来说，理解数据中心不是为了自己建机房。 而是为了理解 AI 成本和依赖。 业务是否依赖某一个云平台？ 核心数据是否能迁移？ AI 工作流是否有备用方案？ 客户是否接受数据被第三方模型处理？ 成本是否会随着用户增长线性上升？ 这些问题会影响公司长期稳定性。 AI 越深入业务，基础设施选择越重要。 ### 最后一击 数据中心是智能时代的工厂。 但不是每家公司都需要拥有工厂。 真正重要的是知道如何使用工厂生产出的智能。 \newpage # 第 18 章：Energy is eating AI ### 核心句 AI 正在吞噬世界，但能源正在决定 AI 能吞多快。 ### 智能需要电 AI 的语言很轻。 它说话像空气。 它生成图片像魔法。 它回答问题像一个没有重量的大脑。 但 AI 的物理基础非常重。 它需要电。 需要芯片。 需要冷却。 需要机房。 需要电网。 需要备用电源。 需要基础设施许可。 每一次模型训练都消耗能源。 每一次大规模推理都消耗能源。 每一次 AI 服务增长，都意味着背后的电力需求上升。 这就是 AI 时代容易被忽视的一点： 智能革命不是纯数字革命。 它也是能源革命。 ### 为什么能源会限制 AI 如果没有足够电力，数据中心建不起来。 如果电价太高，AI 服务成本会上升。 如果电网承载不了，项目就无法扩张。 如果冷却资源不足，机房效率会下降。 如果能源供应不稳定，智能服务也不稳定。 所以，未来 AI 发展会越来越受能源条件影响。 哪里有稳定、便宜、清洁、可扩展的电力，哪里就更容易发展大规模 AI 基础设施。 这会让能源公司、电网公司、数据中心公司和 AI 公司之间的关系变得更紧密。 过去，互联网公司看起来像轻资产公司。 AI 时代的头部公司会越来越重。 它们需要买芯片、建机房、签能源、优化散热。 ### 能源与国家竞争 能源还会影响国家竞争。 一个国家如果缺少稳定电力和先进电网，就很难支撑大规模 AI 基础设施。 一个国家如果拥有充足能源、制造能力、芯片供应链和数据中心布局，就会有更强的智能能力。 AI 主权不是只训练一个模型。 它背后要有能源主权、算力主权、数据主权和人才主权。 所以，未来国家谈 AI，不可能只谈算法。 还要谈电网、核能、可再生能源、土地、冷却、产业政策和供应链安全。 这会让能源重新回到科技竞争中心。 ### 环境问题不能忽视 AI 对能源的需求增长，也会带来环境压力。 如果新增电力来自高排放能源，就会加重碳排放。 如果数据中心消耗大量水资源用于冷却，会影响地方资源分配。 如果项目只追求扩张，不考虑效率，社会成本会变高。 所以 AI 公司不能只讲智能愿景。 也要面对能源效率。 更高效的模型。 更好的芯片。 更合理的推理架构。 更清洁的能源组合。 更透明的资源使用。 未来，一个 AI 系统是否优秀，不只看它回答是否聪明。 也要看它是否可持续。 ### 对公司和个人的意义 对公司来说，能源约束会影响 AI 成本。 如果业务建立在高算力消耗上，单位经济模型会变得很关键。 每个用户每次请求要花多少钱？ 用户愿意为结果付多少钱？ 模型是否可以优化？ 是否可以缓存？ 是否需要用最大模型？ 是否可以把任务分层处理？ 对个人来说，理解能源约束可以让 AI 判断更现实。 AI 不是免费神力。 它是昂贵基础设施变成的服务。 ### 最后一击 AI 的上限不只由算法决定。 也由电力、土地、芯片和冷却决定。 \newpage # 第 19 章：AI sovereignty ### 核心句 未来每个国家都会问一个问题：我们的智能系统是否掌握在自己手里？ ### 什么是 AI 主权 主权过去常常和土地、军队、货币、法律有关。 一个国家要控制边界。 控制货币。 控制司法。 控制关键基础设施。 AI 时代，主权会增加一个新维度： 智能系统。 AI 主权不是一个口号。 它包括： 模型能力。 算力供应。 数据控制。 芯片供应链。 语言和文化表达。 网络安全。 监管规则。 人才体系。 如果一个国家的关键学习、医疗、金融、政府、军事和产业系统都依赖外部 AI，它就会形成新的战略依赖。 ### 语言也是主权 AI 主权不只是硬件问题。 也是语言问题。 如果一个模型主要用英语世界的数据训练，它对其他语言、文化、法律和社会语境的理解可能有限。 一个国家、一个民族、一个地区的历史、价值观、法律体系、商业习惯和表达方式，需要被自己的智能系统理解。 否则，AI 会在不知不觉中输出别人的世界观。 未来，语言数据会变成文化基础设施。 谁的语言被高质量数字化，谁就更容易在 AI 时代被理解。 谁的知识没有进入机器可读系统，谁就可能在智能世界里被边缘化。 ### 数据主权 数据是 AI 的重要原料。 医疗数据、学习数据、金融数据、工业数据、交通数据、政府数据，都非常敏感。 这些数据如果被错误使用，会影响隐私、安全和竞争力。 所以国家会越来越重视数据主权。 哪些数据可以用于训练？ 哪些数据需要留在本地？ 哪些数据可以跨境？ 哪些模型可以进入关键行业？ AI 不是单纯技术产品。 它会进入社会基础设施。 基础设施就一定会被监管。 ### 公司也需要 AI 主权意识 AI 主权不只属于国家。 公司也需要自己的智能主权。 客户数据在哪里？ 内部知识是否被外部平台吸收？ 核心流程是否完全依赖单一模型？ 员工是否把机密资料随意输入公共工具？ 业务如果遇到某个 AI 平台涨价、停服或改变规则，会不会瘫痪？ 这些都是公司层面的 AI 主权问题。 公司可以使用外部 AI。 但不能失去核心控制权。 ### 个人也要有主权 个人同样如此。 如果所有笔记、创作、学习、工作流和联系人都被锁在某一个平台里，就会形成新的依赖。 如果完全依赖 AI 给出判断，思考主权就被交出去了。 如果不再训练记忆、阅读、表达和推理，人会变得越来越脆弱。 AI 时代的个人主权包括： 独立思考能力。 数据备份能力。 工具迁移能力。 隐私保护意识。 判断信息真假的能力。 不被算法完全牵引的能力。 ### 全球竞争 未来 AI 竞争不会只发生在公司之间。 也会发生在国家之间。 谁拥有算力？ 谁拥有芯片？ 谁拥有高质量数据？ 谁拥有顶尖人才？ 谁拥有能源基础设施？ 谁拥有全球开发者生态？ 谁能制定规则？ 这会影响未来几十年的世界秩序。 AI 不是一个单独行业。 它会成为所有行业的底层能力。 谁控制底层能力，谁就控制未来入口。 ### 最后一击 AI 主权的本质，是在智能时代保持选择权。 \newpage # 第 20 章：Trust Premium ### 核心句 当内容无限、身份可伪造、答案可生成，信任会成为最昂贵的资产。 ### 内容无限之后 AI 会让内容无限接近零成本。 文字可以生成。 图片可以生成。 声音可以生成。 视频可以生成。 头像可以生成。 人物可以生成。 评论可以生成。 甚至一整套品牌故事都可以生成。 这会带来一个反直觉结果： 内容越多，信任越稀缺。 过去，人们担心没有信息。 未来，人们担心信息太多且真假难辨。 过去，写得流畅是一种能力。 未来，写得流畅可能只是默认状态。 过去，有图片和视频就更可信。 未来，图片和视频也可能被伪造。 所以，社会会进入信任溢价时代。 ### 什么是信任溢价 信任溢价就是： 在相似信息、相似产品、相似内容、相似服务之间，用户愿意为更可信的来源支付更多注意力、金钱和时间。 同样一篇文章，读者更愿意读可信作者写的。 同样一个课程，学生更愿意买可信老师的。 同样一个 AI 工具，企业更愿意选择可信公司提供的。 同样一个建议，客户更愿意听长期负责的人说的。 信任不是软东西。 信任是商业资产。 AI 让生产变便宜。 但 AI 也让伪装变便宜。 因此，真实可信会变贵。 ### 深度伪造时代 未来，真假边界会变得更复杂。 一个人可能看到一个逼真的视频，但它是生成的。 一个人可能听到一个熟悉的声音，但它是合成的。 一个人可能读到一篇专业文章，但作者并不存在。 一个人可能遇到一个客服，但背后是诈骗系统。 这会冲击社会信任。 媒体、学校、企业、政府、金融机构和个人，都需要新的验证机制。 身份认证会更重要。 来源标记会更重要。 内容溯源会更重要。 品牌声誉会更重要。 法律责任也会更重要。 AI 不只改变生产。 它也改变欺骗。 所以社会需要升级信任基础设施。 ### 个人品牌的价值 对个人来说，信任溢价意味着个人品牌更重要。 简历证明一个人过去做过什么。 个人品牌证明一个人现在持续输出什么。 在 AI 时代，一个人的公开作品、案例、观点、客户评价、交付记录和长期一致性，会成为新的信用资产。 别人为什么相信一个人？ 不是因为这个人说自己会用 AI。 而是因为这个人长期展示了判断力和交付能力。 很多人会用 AI 生成漂亮包装。 但包装会越来越廉价。 真正有价值的是： 做过什么？ 帮助过谁？ 承担过什么责任？ 判断有没有被时间验证？ ### 企业信任 企业也一样。 AI 可以让公司更快生产内容、客服和产品。 但客户会更关心： 我的数据安全吗？ 回答可靠吗？ 出错时谁负责？ 是否透明使用 AI？ 系统是否可审计？ 品牌是否值得长期合作？ 如果公司只用 AI 降成本，却牺牲信任，短期可能赚钱，长期会受伤。 未来优秀公司会把信任设计进产品。 明确 AI 使用边界。 保留人工审核。 保护客户数据。 公开责任机制。 建立可追溯记录。 让客户知道什么时候面对的是 AI，什么时候面对的是人。 ### 人类仍然重要 AI 越强，人类并不会越不重要。 人类的重要性会转移。 从重复生成转向最终判断。 从信息搬运转向意义解释。 从内容生产转向信任建立。 从执行任务转向承担责任。 从工具使用转向价值选择。 这就是人类在 AI 时代的位置。 不是每件事都亲手做。 而是为重要事情负责。 ### 最后一击 AI 会让世界更聪明。 但真正能穿越噪音的，仍然是信任。 \newpage # 结语：站在 AI 背上 AI is eating the world. 这句话听起来像一句警告。 但它也可以是一句邀请。 旧世界被吞掉的时候，新世界也会被创造出来。 每一次技术革命，都会带走一批旧位置，也会创造一批新位置。 农业社会害怕机器。 工业社会害怕电力。 互联网早期，很多人也害怕软件。 但真正的问题从来不是技术会不会出现。 真正的问题是：人是否能理解它，使用它，并把它变成自己的杠杆。 AI 不会让所有人自动变强。 AI 也不会让所有人自动失业。 它更像一面放大镜。 它会放大一个人的判断。 它会放大一个人的懒惰。 它会放大一个人的执行力。 它也会放大一个人的混乱。 如果一个人没有目标，AI 会让他更快地产生噪音。 如果一个人有清晰的问题，AI 会让他更快地接近答案。 如果一家公司没有流程，AI 只会让混乱自动化。 如果一家公司有稳定的流程，AI 会让流程产生复利。 如果一个社会没有信任，AI 会制造更多真假难辨的内容。 如果一个社会懂得建立可信系统，AI 会成为新的生产力基础设施。 所以，问题不只是： AI 会取代谁？ 更重要的问题是： 谁能把 AI 变成自己的杠杆？ 谁能在答案无限的时代保持判断？ 谁能在内容无限的时代建立信任？ 谁能在工具无限的时代搭建系统？ 谁能在智能廉价的时代创造真正稀缺的价值？ 未来不是属于最早下载工具的人。 未来属于最早重写自己工作方式的人。 \newpage # 进一步阅读 Marc Andreessen. "Why Software Is Eating the World." The Wall Street Journal, 2011. McKinsey & Company. "The State of AI: How organizations are rewiring to capture value." 2025. International Energy Agency. "Energy and AI." 2025. Stanford Institute for Human-Centered Artificial Intelligence. "AI Index Report 2026." 2026. World Economic Forum. "The Future of Jobs Report 2025." 2025. OpenAI. "GPT-4 Technical Report." 2023. Google. "Attention Is All You Need." 2017. Anthropic. "Economic Index." 2025. \newpage # 关于 MAGO MAGO 是《Money Code》的作者。 MAGO 长期关注 AI、金融、Web3 与科技背后的结构性变化。 《Money Code》写金钱的规则。 《AI is eating the world》写智能的规则。