# AI is eating the world ## 人工智慧如何重寫財富、工作、公司與世界秩序 ## MAGO 著 \newpage # 版權頁 Copyright © 2026 MAGO. All rights reserved. 本書為作者獨立出版作品。未經作者書面許可，任何人不得以任何形式複製、傳播、改編、銷售或訓練商業模型，評論、書評、研究和合理引用除外。 ## 免責宣告 本書僅用於學習、思想和商業分析目的。 本書不構成投資建議、法律建議、醫療建議、稅務建議或任何專業決策建議。 技術、市場、監管和產業結構會持續變化。讀者應根據自身處境做獨立判斷。 \newpage # 作者的話 我的第一本書《Money Code》寫的是錢的規則。 這本書寫的是智慧的規則。 過去幾十年，軟體吞噬了世界。 軟體吞噬了零售、媒體、廣告、金融、交通、辦公、社交和娛樂。 今天，AI 開始吞噬軟體本身。 更準確地說，AI 正在吞噬舊世界的工作方式。 它不是一個更聰明的搜尋框。 它不是一個會聊天的玩具。 它也不是一個幫人偷懶的工具。 AI 的真正意義在於：人類第一次可以把一部分腦力勞動變成可呼叫、可複製、可擴充套件的資源。 這會改變個人。 這會改變公司。 這會改變學習。 這會改變財富。 這也會改變世界的入口。 本書不試圖預測每一個工具的勝負。 工具會變。 模型會變。 公司會變。 但有些結構性的變化不會輕易逆轉： 智慧會越來越便宜。 答案會越來越多。 內容會越來越過剩。 判斷會越來越稀缺。 信任會越來越貴。 一個不會使用 AI 的人，不一定輸給機器。 他更可能輸給另一個會使用 AI 的人。 \newpage # 核心論點 AI 不會平均地吞掉世界。 它會先吞掉低判斷力、低信任、低流程資產、低創造力的工作方式。 它會獎勵那些會提問、會判斷、會搭系統、會建立信任的人。 軟體吞噬了舊世界。 AI 正在吞噬軟體。 未來真正稀缺的，不是工具，而是會使用智慧的人。 \newpage # 目錄 ## 第一部分：智慧變便宜了 第 1 章：Software ate the world 第 2 章：AI is eating software 第 3 章：智慧第一次成為商品 第 4 章：智慧通脹 ## 第二部分：AI 正在吃掉舊工作方式 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：新個人與新公司 第 11 章：個人的認知槓桿 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：新世界的新基礎設施 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 結語：站在 AI 背上 \newpage # 第一部分：智慧變便宜了 ## 第 1 章：Software ate the world ### 核心句 軟體吞噬世界，不是因為軟體很酷，而是因為軟體重寫了世界的流程。 ### 舊世界 在軟體吞噬世界之前，大多數行業的核心資產是門店、裝置、渠道、庫存、人力和地理位置。 銀行靠網點。 媒體靠印刷機和電視臺。 零售靠商場和貨架。 計程車靠牌照和排程中心。 學校靠教室。 公司靠辦公室和員工規模。 那是一個物理世界。 一個行業要擴張，通常意味著更多門店、更多員工、更多裝置、更多倉庫、更多線下組織。 軟體改變了這件事。 它把流程變成程式碼。 它把交易變成頁面。 它把庫存變成資料庫。 它把廣告變成演算法。 它把通訊變成應用。 它把地圖、支付、社交、辦公、娛樂和購物全部放進螢幕。 軟體不是在傳統行業旁邊增加了一層工具。 軟體把傳統行業的核心流程拆開、壓縮、重組，然後放進一個可以無限複製的系統裡。 這就是為什麼軟體會吞噬世界。 它吞噬的不是行業名稱。 它吞噬的是行業執行方式。 ### 軟體的真正力量 很多人以為軟體的力量在於自動化。 自動化當然重要。 但更重要的是可複製性。 一個實體門店服務一條街。 一個軟體產品可以服務一個國家，甚至全球。 一個人工流程依賴人的記憶和經驗。 一個軟體流程可以被固定、複用、升級和分發。 一家公司如果把核心流程軟體化，它就不再只依賴員工口頭傳遞經驗。 它可以把經驗寫進系統。 這就是網際網路公司比傳統公司擴張更快的原因。 它們不是人更多。 它們是流程更容易複製。 ### AI 出現之前，軟體也有邊界 但軟體也有一個很大的邊界。 軟體擅長處理確定性的流程。 如果規則清楚，輸入明確，輸出標準，軟體就很強。 比如下單、支付、記賬、排班、庫存、導航、搜尋、推薦。 但是一旦任務變得模糊，軟體就開始吃力。 怎樣寫一篇有說服力的文章？ 怎樣理解客戶真正想要什麼？ 怎樣判斷一份合同的風險？ 怎樣把一個模糊想法變成產品需求？ 怎樣教一個不同基礎的學生？ 怎樣判斷一個專案是否值得投資？ 這些任務不只是流程問題。 它們需要語言、背景、判斷、推理、經驗和上下文。 軟體可以記錄。 軟體可以分發。 軟體可以計算。 但過去的軟體很難真正理解和生成複雜語義。 這就是 AI 接過接力棒的地方。 ### 從流程到智慧 軟體吞噬流程。 AI 吞噬判斷的一部分。 這不是說 AI 可以替代所有人類判斷。 但它可以替代大量低層次、重複性、標準化、可模板化的腦力任務。 比如總結材料。 比如起草郵件。 比如寫程式碼初稿。 比如生成合同條款。 比如整理會議紀要。 比如分析一份公開財報。 比如把一段錄音變成結構化筆記。 這些任務過去需要一個受過訓練的人花時間完成。 今天，AI 可以在幾秒鐘內生成一個可用初稿。 這意味著世界正在從“軟體化”進入“智慧化”。 過去的贏家，是把流程變成軟體的人。 未來的贏家，是把智慧嵌入流程的人。 ### 最後一擊 軟體吞噬世界，是因為它重寫流程。 AI 吞噬世界，是因為它開始重寫流程背後的腦力勞動。 \newpage # 第 2 章：AI is eating software ### 核心句 AI 正在吞噬軟體，因為它讓人和機器之間的介面從按鈕變成語言。 ### 軟體世界的基本假設 過去的軟體有一個預設假設： 人需要適應軟體。 使用者要先理解選單在哪裡。 使用者要知道按鈕怎麼點。 使用者要記住快捷鍵。 使用者要理解表單欄位。 使用者要按照軟體設計者給出的路徑操作。 軟體把複雜流程包裝成介面。 介面把人的行為限制在一些按鈕、列表、頁面和輸入框裡。 這當然比紙質流程強大得多。 但它仍然要求人學習軟體的語言。 AI 改變了這個介面。 人開始用自然語言告訴機器自己想要什麼。 “幫我總結這份合同。” “把這段話改得更像商業書。” “根據這些會議記錄生成任務清單。” “寫一個可以上傳圖片並自動生成描述的網頁原型。” “把這個表格裡的客戶按風險等級排序。” 過去，使用者需要知道該開啟哪個軟體、點選哪個按鈕、呼叫哪個函式。 現在，使用者先說清楚目標。 AI 負責把目標轉化成過程。 ### 軟體沒有消失 AI 吃掉軟體，並不是說軟體會消失。 恰恰相反，軟體會更多。 只是軟體的使用方式會變。 以前，人使用軟體。 未來，人管理一組智慧系統。 以前，一個功能要被固定在介面裡。 未來，一個功能可以在對話中被臨時生成、呼叫和組合。 以前，軟體是一個封閉產品。 未來，軟體更像一個有智慧介面的工作環境。 這對傳統軟體公司是巨大挑戰。 如果一個軟體只是把資料庫包裝成介面，它的價值會下降。 如果一個軟體可以理解使用者目標、呼叫資料、執行流程、提供建議、持續學習，它的價值會上升。 未來的軟體競爭，不只是功能競爭。 它會變成工作流競爭。 ### 程式設計門檻被打穿 AI 吞噬軟體的另一個表現是：不會寫程式碼的人，也能開始構建東西。 過去，一個人有產品想法，需要找程式設計師。 找程式設計師之前，還要寫需求。 寫需求之前，還要懂一點技術邊界。 最後往往卡在溝通、預算、時間和修改成本上。 今天，一個人可以用 AI 生成原型、寫指令碼、搭網頁、處理資料、製作自動化流程。 這不會讓優秀工程師失去價值。 但它會改變工程師的稀缺性。 基礎程式碼會越來越便宜。 真正稀缺的是系統設計、產品判斷、架構能力、測試能力、安全意識和長期維護能力。 程式碼不再是唯一門檻。 表達需求的能力開始變成門檻。 判斷結果的能力開始變成門檻。 把零散功能變成穩定系統的能力開始變成門檻。 ### 軟體公司的新問題 過去，軟體公司最重要的問題是： 我們能不能開發出這個功能？ 未來，更重要的問題是： 我們是否擁有一個別人難以複製的工作流？ 如果一個功能可以被 AI 快速生成，那麼功能本身就不再是護城河。 護城河會轉向： 資料。 場景。 分發。 品牌。 合規。 信任。 流程沉澱。 客戶關係。 軟體不是不重要了。 軟體變成了 AI 工作流的載體。 真正重要的是：這個系統能否在真實業務裡穩定創造結果。 ### 個人的機會 對個人來說，AI 吞噬軟體是一件重要的事。 因為過去很多想法死在技術門檻前。 現在，想法可以更快變成原型。 課程可以更快變成網站。 知識可以更快變成產品。 服務可以更快變成流程。 個人經驗可以更快變成自動化工具。 但這也會帶來另一個結果： 低質量產品會爆炸。 人人都能做原型，意味著原型不再稀缺。 真正稀缺的是持續迭代、真實使用者、付費場景和可信交付。 ### 最後一擊 未來不會寫程式碼的人也能構建軟體。 但不會描述問題、測試結果、設計系統的人，仍然會被擋在門外。 \newpage # 第 3 章：智慧第一次成為商品 ### 核心句 AI 最大的變化，不是機器更聰明瞭，而是基礎智慧開始像電力一樣被呼叫。 ### 稀缺的智慧 在人類歷史上，智慧一直很貴。 一個會寫作的人很貴。 一個會程式設計的人很貴。 一個會翻譯的人很貴。 一個會做財務分析的人很貴。 一個會法律研究的人很貴。 一個會設計課程的人很貴。 一個會把複雜問題講清楚的人很貴。 因為這些能力需要長期學習、訓練、經驗和時間。 一個組織要獲得這些能力，通常只有兩種方式： 僱傭人。 購買專業服務。 所以過去的公司擴張，本質上是不斷購買人的時間和人的能力。 要做更多內容，就僱更多編輯。 要服務更多客戶，就僱更多客服。 要寫更多軟體，就僱更多工程師。 要做更多研究，就僱更多分析師。 組織規模和腦力勞動能力之間存在強繫結。 ### 智慧變成可呼叫資源 AI 開啟了第三種方式。 呼叫智慧。 一個組織不一定擁有全職翻譯，但可以呼叫翻譯能力。 一個組織不一定擁有全職文案，但可以呼叫文案能力。 一個組織不一定擁有全職程式設計師，但可以呼叫程式碼生成能力。 一個組織不一定擁有全職老師，但可以呼叫解釋、出題、糾錯和陪練能力。 這不是簡單的效率提升。 這是生產要素變化。 過去，腦力勞動被繫結在人身上。 現在，一部分腦力勞動開始被封裝成服務。 像電力一樣。 不需要擁有發電廠，按需接入電網就可以使用電。 不需要擁有所有專家，按需接入 AI 就可以使用一部分基礎智慧。 這就是 AI 時代最重要的底層變化。 智慧開始商品化。 ### 商品化不等於沒有價值 很多人聽到“智慧商品化”會誤解。 他們以為這意味著聰明人不值錢了。 不是。 真正被商品化的是基礎層能力。 基礎總結。 基礎翻譯。 基礎文案。 基礎程式碼。 基礎分析。 基礎客服。 基礎視覺生成。 基礎教學解釋。 這些能力仍然有用，但不再像過去那樣稀缺。 當基礎智慧變便宜，高階能力會變得更重要。 誰能提出好問題？ 誰能判斷答案質量？ 誰能理解真實業務？ 誰能承擔責任？ 誰能建立信任？ 誰能把輸出變成結果？ 這些能力不會因為 AI 出現而消失。 相反，它們會更貴。 ### 三個後果 第一個後果：小團隊生產力上升。 過去需要十個人完成的初稿、資料整理、設計草案、程式碼原型和運營內容，現在一個小團隊可以更快完成。 第二個後果：低水平腦力勞動價格下降。 如果一個任務只是把資料搬運成另一種格式，它會越來越難保持高溢價。 第三個後果：判斷力成為新門檻。 AI 會生成很多東西。 但它不會自動判斷什麼值得釋出、什麼值得投資、什麼值得相信、什麼值得刪除。 判斷仍然需要人。 ### 對個人的影響 如果一個人把自己定位成“執行一個固定腦力任務的人”，風險會變高。 因為固定任務越來越容易被 AI 模擬。 如果一個人把自己定位成“能定義問題、整合資源、管理智慧、交付結果的人”，槓桿會變大。 未來的個人競爭，不是人與機器競爭。 而是人和人的智慧槓桿競爭。 一個人加 AI，可能打敗另一個不用 AI 的小團隊。 一個小團隊加 AI，可能打敗一個反應遲鈍的大公司部門。 智慧商品化之後，規模的意義會被重新定義。 ### 最後一擊 當智慧變得便宜，真正昂貴的不是聰明，而是判斷聰明是否有用。 \newpage # 第 4 章：智慧通脹 ### 核心句 當基礎智慧供應暴增，普通腦力勞動會像貨幣超發一樣貶值。 ### 什麼是智慧通脹 通脹不是錢消失。 通脹是錢變多之後，單位貨幣的購買力下降。 智慧通脹也類似。 不是知識消失。 不是寫作消失。 不是程式設計消失。 不是分析消失。 而是基礎智慧供給大幅增加之後，單位普通腦力勞動的價格下降。 過去，一篇普通文案需要一個人寫半天。 現在，AI 可以在一分鐘內生成十個版本。 過去，一份資料總結需要實習生看幾個小時。 現在，AI 可以快速提煉摘要和要點。 過去，一個基礎網頁需要工程師寫程式碼。 現在，AI 可以生成原型。 過去，一個課程大綱需要老師慢慢整理。 現在，AI 可以給出多個版本。 這不是所有專業能力都失去價值。 這是底層腦力供應突然增加。 供應增加，普通產出的稀缺性下降。 ### 誰最危險 智慧通脹最先影響的不是所有職業。 它最先影響四類任務。 第一，重複性高的任務。 比如格式化、總結、改寫、生成模板內容。 第二，判斷要求低的任務。 比如把已有資料整理成通順語言。 第三，責任邊界弱的任務。 比如不直接影響法律、醫療、資金和安全後果的初稿工作。 第四，差異化弱的任務。 比如沒有個人風格、行業深度、客戶關係和品牌信任的普通內容。 這些任務過去也許能賣錢。 但 AI 出現後，它們會越來越難賣高價。 因為買方會問： 這件事為什麼不能讓 AI 先做？ ### 誰會變強 智慧通脹不會平均傷害所有人。 它會懲罰低差異化。 也會獎勵高差異化。 會提問的人會變強。 因為 AI 的輸出質量高度依賴問題質量。 會判斷的人會變強。 因為內容越多，篩選越重要。 會整合的人會變強。 因為真正的結果通常需要多種能力組合。 有行業經驗的人會變強。 因為 AI 需要真實場景來校準。 有信任資產的人會變強。 因為陌生內容越多，可信來源越珍貴。 有審美的人會變強。 因為生成無限之後，選擇什麼留下變得更重要。 ### 智慧通脹下的財富邏輯 智慧通脹會改變財富分配。 過去，很多人靠資訊差賺錢。 一方知道，另一方不知道。 一方會寫，另一方不會寫。 一方會查，另一方不會查。 一方會整理，另一方不會整理。 AI 會壓縮這類資訊差。 未來更有價值的是執行差、判斷差、信任差和系統差。 同樣一個 AI 工具，不同人用出來的結果完全不同。 一個人用它生成垃圾文章。 另一個人用它建立課程體系。 一個人用它複製別人觀點。 另一個人用它研究客戶、迭代產品、最佳化銷售流程。 工具相同，結果不同。 差別不在工具。 差別在使用者的目標、判斷、知識結構和執行系統。 ### 個人的誤區 很多人會犯兩個錯誤。 第一個錯誤是恐慌。 他們看到 AI 很強，就覺得自己沒有機會。 第二個錯誤是輕敵。 他們覺得 AI 只是玩具，於是繼續用舊方式工作。 這兩個態度都不對。 AI 不是神。 AI 也不是玩具。 AI 是一種新的生產力基礎設施。 不用它，它也不會停下來。 亂用它，它也不會自動帶來結果。 ### 最後一擊 智慧通脹時代，普通答案會貶值。 高質量判斷會升值。 \newpage # 第二部分：AI 正在吃掉舊工作方式 ## 第 5 章：AI is eating writing ### 核心句 AI 不是在幫助寫作，AI 正在重新定義什麼叫寫作。 ### 舊寫作 過去，寫作是一種稀缺能力。 會寫文章的人能表達觀點。 會寫廣告的人能賣產品。 會寫報告的人能影響決策。 會寫郵件的人能推動合作。 會寫指令碼的人能製造傳播。 寫作的門檻看起來是文字。 其實不是。 真正的門檻是組織思想。 寫作者要知道講什麼。 寫作者要知道先講什麼，後講什麼。 寫作者要知道讀者為什麼在乎。 寫作者要知道一句話有沒有力量。 寫作者要知道哪些內容適合刪除。 所以過去寫作慢，不只是因為打字慢。 是因為思考慢、整理慢、判斷慢。 ### AI 介入寫作 AI 讓文字生產速度突然上升。 標題可以生成。 大綱可以生成。 郵件可以生成。 廣告文案可以生成。 短影片指令碼可以生成。 新聞摘要可以生成。 書稿段落也可以生成。 這會讓低水平寫作迅速貶值。 如果一篇文章只是把常識換一種說法，AI 可以寫得足夠像。 如果一份報告只是把資料堆成段落，AI 可以做得更快。 如果一條廣告只是套模板，AI 可以生成一百條。 所以，寫作行業不會消失。 但舊寫作會被吞掉。 尤其是沒有觀點、沒有經驗、沒有風格、沒有判斷的文字。 ### 新寫作 AI 時代的寫作不再只是“從零開始寫句子”。 它更像一個完整流程： 提出問題。 收集材料。 設計結構。 生成初稿。 檢查事實。 調整語氣。 壓縮廢話。 強化觀點。 匹配讀者。 釋出和反饋。 在這個流程裡，AI 可以承擔很多低層任務。 但它不能替寫作者決定最重要的事： 到底相信什麼？ 到底要說服誰？ 經驗從哪裡來？ 判斷有什麼代價？ 風格為什麼值得別人記住？ AI 可以寫得流暢。 但流暢不等於有思想。 AI 可以寫得完整。 但完整不等於有洞察。 AI 可以寫得像人。 但像人不等於值得信任。 ### 誰會被吞掉 第一類是模板型寫作者。 只會把固定格式填滿的人，會被更快的生成系統替代。 第二類是搬運型寫作者。 只會把公開資料改寫成文章的人，會失去優勢。 第三類是空話型寫作者。 只會寫正確廢話、漂亮廢話、熱鬧廢話的人，會被內容洪水淹沒。 第四類是無風格寫作者。 當所有人都能生成平滑文字，平滑本身就不再值錢。 ### 誰會變強 有真實經驗的人會變強。 因為 AI 可以幫助他們更快表達經驗。 有強觀點的人會變強。 因為 AI 可以幫助他們測試不同表達方式。 有審美的人會變強。 因為 AI 生成很多版本後，需要有人選擇最好的版本。 有個人品牌的人會變強。 因為讀者不只是讀文字，也在判斷寫作者是誰。 有編輯能力的人會變強。 因為 AI 讓初稿變便宜，編輯和判斷變貴。 ### 個人的寫作方法 AI 可以加速寫作，但思考仍要留在人這裡。 讓 AI 替寫作者加速思考。 一種更穩的寫法是： 先自己寫出最粗糙的觀點。 再讓 AI 幫寫作者提出反對意見。 再讓 AI 幫寫作者整理結構。 再讓 AI 生成多個開頭。 再讓 AI 檢查邏輯漏洞。 最後由寫作者決定哪些留下，哪些刪除。 寫作的主權最好留在人手裡。 AI 可以是助手。 但不能成為靈魂。 ### 最後一擊 AI 會讓世界充滿文字。 但真正稀缺的，仍然是一個人清醒、誠實、有判斷的聲音。 \newpage # 第 6 章：AI is eating coding ### 核心句 AI 不會讓程式設計消失，它會讓“構建產品”這件事從少數人手中擴散出來。 ### 程式設計曾經是門檻 在網際網路時代，程式碼是一種強門檻。 有想法，不代表能做出來。 看見機會，不代表能上線產品。 理解使用者，不代表能寫應用。 很多產品想法死在第一步： 沒有技術合夥人。 沒有預算。 外包溝通困難。 開發週期太長。 需求變化太快。 程式碼曾經是從想法到產品之間的一道牆。 工程師站在牆的一邊。 個人站在牆的另一邊。 AI 開始在這堵牆上開洞。 ### AI 如何改變程式設計 AI 可以解釋程式碼。 AI 可以生成函式。 AI 可以搭建頁面。 AI 可以修復錯誤。 AI 可以寫測試。 AI 可以把自然語言需求轉成技術方案。 AI 可以讓一個不會寫程式碼的人看懂一部分程式碼邏輯。 AI 也可以讓一個工程師寫得更快。 這不是小最佳化。 這會改變構建產品的入口。 過去，使用者需要先學習程式語言。 現在，使用者可以先學習如何描述需求。 過去，工程師花大量時間寫重複程式碼。 未來，工程師會把更多時間放在架構、判斷、除錯、安全、資料、效能和系統穩定性上。 ### 程式設計師不會消失 很多人問： AI 會不會讓程式設計師失業？ 這個問題太粗糙。 更準確的問題是： 哪一類程式設計工作會變便宜？ 答案是基礎實現。 簡單頁面。 常見指令碼。 標準介面。 重複元件。 樣板程式碼。 這些會越來越便宜。 但複雜系統不會自動變簡單。 需求仍然會模糊。 資料仍然會髒。 使用者仍然會變化。 安全仍然重要。 效能仍然重要。 系統之間仍然會衝突。 生產環境仍然會出問題。 AI 可以生成程式碼。 但程式碼進入真實世界以後，還要面對責任。 真正優秀的工程師不會被簡單替代。 他們會擁有更高的槓桿。 ### 新門檻 AI 程式設計時代的新門檻不是“會不會寫某種語法”。 而是： 需求是否講得清楚？ 任務是否能拆成模組？ 資料結構是否合理？ 生成程式碼的風險是否能被判斷？ 邊界情況是否被測試？ 系統是否能持續迭代？ 原型是否能變成可維護產品？ 很多人會用 AI 生成一個看起來能跑的東西。 但能跑不等於能用。 能用不等於穩定。 穩定不等於安全。 安全不等於可擴充套件。 可擴充套件不等於有商業價值。 這就是為什麼 AI 時代更需要產品思維和工程思維。 ### 個人的機會 對個人來說，AI 程式設計最大的價值是降低試錯成本。 個人可以更快做一個工具。 個人可以更快驗證一個想法。 個人可以更快把手工流程變成自動流程。 個人可以更快理解技術團隊在說什麼。 這會創造大量微型軟體。 個人網站。 內部工具。 資料看板。 課程平臺。 內容生成流程。 客戶管理系統。 自動化銷售指令碼。 這些東西過去需要技術團隊。 現在，一個懂業務的人可以先做出原型。 ### 最後一擊 AI 會降低寫程式碼的門檻。 但它會提高構建好產品的標準。 \newpage # 第 7 章：AI is eating search ### 核心句 搜尋時代，人找資訊；AI 時代，資訊開始被整理成答案和行動。 ### 搜尋改變了世界 網際網路早期，資訊最大的問題是找不到。 網頁太多。 知識分散。 網站混亂。 搜尋引擎解決了這個問題。 使用者輸入關鍵詞。 系統返回連結。 使用者自己開啟網頁。 使用者自己判斷來源。 使用者自己比較資訊。 使用者自己整理結論。 搜尋引擎把世界的資訊入口集中到一個框裡。 它讓人類第一次可以用極低成本訪問全球知識。 但搜尋也有一個前提： 人要自己完成後半段工作。 搜尋提供線索。 人完成理解。 ### AI 改變入口 AI 讓搜尋框變成對話方塊。 使用者不再只是問： 哪裡有這份資料？ 使用者開始問： 這份資料是什麼意思？ 它和另一份資料有什麼衝突？ 請幫我總結成三個觀點。 請幫我生成行動計劃。 請根據我的背景重新解釋。 請幫我比較不同方案。 這意味著資訊入口正在從“連結分發”變成“答案生成”。 更進一步，它會變成“任務執行”。 未來，使用者不一定開啟十個網頁再自己整理。 使用者可能直接讓 AI 完成研究、比較、預訂、下單、寫郵件、生成報告。 搜尋不再只是找資訊。 搜尋會變成智慧代理的一部分。 ### 危險也在這裡 AI 吃掉搜尋會帶來便利。 也會帶來風險。 第一個風險是來源被隱藏。 當 AI 給出一個流暢答案時，很多人會忘記問： 這個答案從哪裡來？ 第二個風險是錯誤被包裝得更像正確。 搜尋結果裡，網頁之間還會彼此衝突。 使用者有機會看見不同來源。 AI 答案如果沒有透明引用，錯誤可能更不容易被發現。 第三個風險是入口控制更集中。 誰控制 AI 助手，誰就可能影響使用者看到什麼、相信什麼、購買什麼、忽略什麼。 過去，搜尋結果排名已經是巨大影響力。 未來，AI 答案排序和任務建議會成為更大的入口影響力。 ### 新資訊能力 AI 時代，資訊能力不是會不會搜尋。 而是會不會追問。 一個成熟的資訊使用者，通常會關注四件事。 第一，看來源。 答案之外，還要看證據。 第二，問反方。 讓 AI 給出不同觀點、反例和不確定性。 第三，分層判斷。 事實、解釋、預測和建議不是一回事。 第四，保留懷疑。 流暢語言不是可信度證明。 AI 讓獲取答案變快。 但它也讓錯誤傳播更快。 所以，資訊素養不但沒有過時，反而更重要。 ### 對公司意味著什麼 如果搜尋入口被 AI 改寫，公司也要重新理解分發。 過去，公司做 SEO。 讓網頁被搜尋引擎收錄。 未來，公司可能還要做 AIO。 讓自己的資訊被 AI 系統理解、引用、信任和呼叫。 這意味著內容要更結構化。 品牌要更可信。 資料要更清楚。 產品資訊要更容易被機器讀取。 客戶評價、權威引用、真實案例會變得更重要。 因為 AI 助手需要判斷誰可信。 如果品牌沒有可信訊號，它可能不會出現在使用者答案裡。 ### 最後一擊 AI 會讓答案更容易獲得。 也會讓判斷答案的人變得更重要。 \newpage # 第 8 章：AI is eating learning ### 核心句 AI 學習的真正變化，不是學生少做作業，而是每個人都可能擁有一個私人老師。 ### 傳統學習系統的限制 傳統學習系統是工業時代的產物。 一個老師面對很多學生。 一套教材面對很多孩子。 一個進度面對整個班級。 一個考試評價不同的人。 這種系統可以規模化。 它讓學習從少數人的特權變成大眾制度。 但它有天然限制。 學生基礎不同。 理解速度不同。 興趣不同。 家庭環境不同。 提問勇氣不同。 一個老師很難同時照顧每個人。 所以很多孩子不是學不會。 而是在某個關鍵點沒被及時解釋。 一個小洞沒有補上，後面就變成大洞。 ### AI 作為私人老師 AI 可以改變這一點。 它可以用不同方式解釋同一個概念。 它可以根據學生水平調整難度。 它可以隨時回答問題。 它可以出題。 它可以批改。 它可以模擬考試。 它可以陪練英語。 它可以讓孩子把一個問題問十遍，而不用害怕被嘲笑。 這就是 AI 學習的意義。 不是讓學生複製答案。 而是讓學習反饋變得更及時、更個性化、更低成本。 一個家庭如果會用 AI，孩子的學習方式會被重寫。 ### 最大的誤區 很多學校和家長一開始會把 AI 當作作弊工具。 這可以理解。 如果學生直接讓 AI 寫作業，確實會傷害學習。 但如果只把 AI 當作弊工具，就會錯過更大的變化。 計算器出現後，數學學習沒有消失。 搜尋引擎出現後，學習沒有消失。 真正的問題是學習目標要改變。 過去，很多學習考的是記憶。 未來，更重要的是理解、提問、判斷和應用。 如果 AI 可以生成答案，學習系統就不能只訓練孩子背答案。 學習系統會更重視提出問題、驗證答案、解釋理由和應用到真實場景。 ### 學習差距會擴大 AI 不會自動讓學習更公平。 它可能先擴大差距。 會用 AI 的學生，會獲得更多反饋。 不會用 AI 的學生，可能只是拿它抄答案。 會引導孩子使用 AI 的父母，會幫助孩子建立新的學習系統。 不會引導的父母，可能只會禁止或放任。 會重構教學的學校，會把 AI 變成助教。 不會重構的學校，只會把 AI 當成紀律問題。 未來學習差距，不只是學校差距。 還會是 AI 使用能力的差距。 ### 成年人的第二次學習 AI 學習不只屬於孩子。 成年人更需要它。 一個專案負責人可以讓 AI 解釋財務模型。 一個律師可以讓 AI 陪練英文合同表達。 一個銷售可以讓 AI 模擬客戶異議。 一個醫生可以讓 AI 輔助整理新論文。 一個職場人可以讓 AI 幫他學習程式設計、寫作、演講和行業分析。 過去，成年人學習最大的問題是沒有時間、沒有老師、沒有反饋。 AI 至少可以解決一部分。 成年人可以在碎片時間學習。 也可以讓 AI 按自己的水平解釋。 還可以讓 AI 追問，而不是隻給答案。 ### 最後一擊 未來最危險的學生，不是用 AI 的學生。 而是隻會讓 AI 替自己思考的學生。 \newpage # 第 9 章：AI is eating media ### 核心句 當內容可以無限生成，媒體真正稀缺的東西會從生產力轉向信任、人格和審美。 ### 舊媒體 過去，媒體的核心能力是生產和分發內容。 報紙有記者和印刷渠道。 電視臺有頻道和製作團隊。 入口網站有編輯和流量入口。 社交平臺有使用者網路和推薦演算法。 內容生產一直有成本。 寫文章需要人。 拍影片需要團隊。 做圖片需要設計師。 剪輯需要時間。 配音需要裝置。 所以，能穩定生產內容的組織擁有優勢。 AI 打破了這個成本結構。 文字、圖片、音樂、聲音、影片、虛擬人、動畫，都可以被生成。 內容生產不再稀缺。 稀缺的是值得相信的內容。 ### 內容洪水 AI 會製造內容洪水。 一個人可以一天生成幾十篇文章。 一個小團隊可以生成上百條短影片指令碼。 一個品牌可以快速測試不同廣告素材。 一個騙子也可以快速製造假新聞、假頭像、假客服、假投資故事。 內容成本下降，本身不是壞事。 更多人可以表達。 更多小團隊可以創作。 更多語言和地區可以被服務。 但成本下降也會帶來垃圾內容爆炸。 當每個人都能生成，生成本身就不再值錢。 讀者會越來越疲憊。 他們不缺內容。 他們缺的是篩選。 他們不缺資訊。 他們缺的是可信關係。 ### 人格成為入口 AI 時代，媒體會更依賴人格。 讀者會問： 這是誰說的？ 他過去判斷準不準？ 他有沒有真實經驗？ 他有沒有長期承擔聲譽成本？ 他是在表達觀點，還是在複製熱點？ 人格不是表演出來的性格。 人格是長期輸出形成的信任結構。 一個有真實人格的創作者，即使用 AI 輔助，也仍然有價值。 因為讀者買的不是字數。 讀者買的是判斷、陪伴、風格、審美和信任。 AI 可以模仿語氣。 但長期信任很難偽造。 ### IP 會更重要 內容無限之後，IP 會更重要。 一個普通故事可以被 AI 快速生成。 但一個被長期記住的世界觀、人物、品牌和符號，仍然需要持續建設。 未來的內容業務，不只是生產更多內容。 而是建設可識別的資產。 一個名字。 一種語言風格。 一個視覺體系。 一個價值觀。 一套角色。 一群穩定讀者。 一條可持續商業路徑。 這就是為什麼個人品牌、公司品牌和內容 IP 會變得更貴。 因為在內容洪水裡，能被記住就是資產。 ### 媒體公司的變化 AI 會改造媒體公司的內部流程。 選題可以更快生成。 資料可以更快整理。 標題可以更快測試。 影片指令碼可以更快改寫。 多語言版本可以更快釋出。 但編輯判斷會更重要。 因為錯誤資訊也會更快擴散。 媒體公司如果只追求產量，會變成內容農場。 如果能把 AI 用於研究、稽核、事實核查、使用者理解和產品化，它會更強。 未來媒體不是誰發得最多。 而是誰最值得被持續閱讀。 ### 最後一擊 AI 讓內容變得無限。 無限之後，真正值錢的是被相信。 \newpage # 第 10 章：AI is eating law and finance ### 核心句 AI 會吞掉法律和金融裡的資訊搬運，但不會吞掉責任本身。 ### 為什麼是法律和金融 法律和金融看起來很不同。 一個處理規則、合同、訴訟和責任。 一個處理資金、風險、資產和收益。 但它們有一個共同點： 都高度依賴文字、資料、歷史案例和專業判斷。 律師要讀合同、查法規、找案例、寫備忘錄。 金融從業者要讀財報、看市場、做模型、評估風險。 這些工作裡，有一部分是高價值判斷。 也有一部分是大量資訊處理。 AI 最先介入的就是後者。 ### 法律會怎樣被改變 AI 可以幫助審合同。 AI 可以總結條款。 AI 可以檢索案例。 AI 可以生成法律研究初稿。 AI 可以整理證據。 AI 可以比較不同版本的協議。 AI 可以把複雜法律語言解釋給普通客戶。 這會改變律所的成本結構。 過去，很多初級工作依賴大量年輕律師和助理時間。 未來，基礎檢索、整理、初稿和比較會被 AI 加速。 客戶也會越來越難接受高價購買低層重複勞動。 但法律 AI 有邊界。 錯誤的合同建議會產生責任。 錯誤的訴訟策略會影響結果。 錯誤的合規判斷會帶來風險。 所以，律師不會因為 AI 消失。 律師的價值會從“我能查資料”轉向“我能承擔判斷、設計策略、管理風險、建立客戶信任”。 ### 金融會怎樣被改變 金融同樣如此。 AI 可以讀財報。 AI 可以總結電話會議。 AI 可以生成行業比較。 AI 可以做客戶分層。 AI 可以輔助風控。 AI 可以改進客服。 AI 可以幫助個人理解預算、稅務、保險和投資基礎知識。 但金融的核心不是資訊本身。 金融的核心是風險。 一個模型可以給出建議。 但誰承擔虧損？ 一個系統可以發現訊號。 但誰判斷訊號是否可靠？ 一個 AI 可以生成投資觀點。 但誰負責合規和客戶適配？ 金融 AI 的真正價值不在於生成更多觀點。 而在於提高研究效率、風險識別、客戶服務和流程一致性。 ### 專業服務的新結構 法律和金融代表一種更大的趨勢： 專業服務會從人力密集型轉向系統密集型。 過去，專業服務靠人堆時間。 更多專案，更多人。 更多客戶，更多助理。 更多檔案，更多初級員工。 AI 會讓這種結構發生變化。 未來的專業機構需要沉澱： 模板庫。 知識庫。 案例庫。 審查清單。 客戶資料。 風險規則。 工作流系統。 人仍然重要。 但人的價值會更多體現在最終判斷、客戶溝通、複雜談判和責任承擔。 ### 個人的變化 對個人來說，AI 會降低理解法律和金融知識的門檻。 個人可以讓 AI 解釋合同條款。 個人可以讓 AI 輔助整理家庭預算。 個人可以讓 AI 解釋貸款、保險、稅務和投資概念。 個人可以讓 AI 列出諮詢專業人士前應準備的問題。 但 AI 不能被當作律師。 也不能把 AI 當投資顧問。 尤其在重大合同、訴訟、稅務、醫療、投資和資產配置上，AI 只能作為輔助工具。 責任需要由人和合規機構承擔。 ### 最後一擊 AI 會讓低水平專業服務貶值。 但它會讓真正可靠、能承擔責任的專業判斷更貴。 \newpage # 第三部分：新個人與新公司 ## 第 11 章：個人的認知槓桿 ### 核心句 AI 最大的個人價值，是讓個人第一次擁有接近小團隊的認知槓桿。 ### 什麼是認知槓桿 槓桿就是用較小的力量撬動更大的結果。 資本是槓桿。 團隊是槓桿。 程式碼是槓桿。 媒體是槓桿。 品牌是槓桿。 AI 是新的認知槓桿。 過去，一個人要完成複雜腦力工作，通常需要很多外部資源。 想寫書，需要編輯。 想做網站，需要程式設計師。 想做課程，需要教研。 想做設計，需要設計師。 想做研究，需要分析師。 想做影片，需要指令碼、剪輯、配音和運營。 AI 不能讓一個人瞬間掌握所有專業能力。 但它可以把很多工的起步成本降下來。 它可以讓一個人先動起來。 這件事非常重要。 因為很多個人的失敗不是因為沒有想法。 而是因為從想法到行動之間的距離太長。 ### 槓桿不是替代努力 認知槓桿不是讓人不用努力。 恰恰相反，它會放大努力的質量。 一個問題不清楚的人，用 AI 會得到更多混亂。 一個沒有判斷的人，用 AI 會得到更多似是而非的答案。 一個沒有執行力的人，用 AI 會得到更多計劃，但不會得到結果。 AI 不會自動讓人變強。 它會放大人的狀態。 清醒的人更快。 混亂的人更亂。 懶惰的人更會製造藉口。 有目標的人更容易試錯。 所以，AI 時代的個人不能只學工具。 更關鍵的是建立自己的工作系統。 ### 個人的五個新能力 第一，問題能力。 需要能把模糊想法變成清晰問題。 “我想賺錢”不是問題。 “我能否用自己的行業經驗，做一個面向小企業主的 AI 課程？”才更接近問題。 第二，表達能力。 AI 需要上下文。 背景、目標、限制和標準越清楚，AI 越容易提供有效幫助。 第三，判斷能力。 AI 輸出不是最終答案。 這包括識別錯誤、空話、過度自信和不適合自身場景的建議。 第四，整合能力。 真正的結果不是單次對話。 內容、工具、資料、客戶、流程和反饋需要被整合起來。 第五，釋出能力。 很多人停在草稿裡。 未來的機會屬於能持續釋出、測試、迭代的人。 ### 英語、程式設計、內容、商業 個人最值得組合的能力是： AI + 英語 + 程式設計 + 內容 + 商業理解。 英語讓人接觸更大的資訊世界。 程式設計讓想法變成工具。 內容帶來分發。 商業理解讓人知道誰願意付錢。 AI 把這幾種能力連線起來。 一個會英語的人，可以讓 AI 幫他快速吸收海外資料。 一個會一點程式設計的人，可以讓 AI 幫他構建產品原型。 一個會內容的人，可以讓 AI 幫他提高生產效率。 一個懂商業的人，可以讓 AI 幫他研究客戶、設計方案、最佳化銷售。 真正強的不是單點能力。 是組合能力。 ### 認知槓桿的風險 認知槓桿也有風險。 第一，錯得更快。 AI 可以讓人更快行動，也可以讓錯誤更快規模化。 第二，淺得更快。 很多人會誤以為自己問過 AI，就理解了一個行業。 第三，抄得更快。 如果沒有自己的判斷和經驗，很容易變成觀點複製機。 第四，依賴更深。 如果一個人完全不訓練自己的腦子，AI 會讓他更快喪失獨立思考。 所以，認知槓桿需要和自我訓練結合。 ### 最後一擊 AI 不是個人的捷徑。 AI 是個人的放大器。 人有什麼，它就放大什麼。 \newpage # 第 12 章：Workflow is the new software ### 核心句 未來真正值錢的不是單個 AI 工具，而是能穩定產生結果的 AI 工作流。 ### 工具崇拜 每一次技術浪潮早期，人們都會迷戀工具。 哪個模型最強？ 哪個外掛最好？ 哪個提示詞最神？ 哪個應用最火？ 這很正常。 因為新工具最容易被看見。 但工具不是最終價值。 工具只是能力入口。 真正創造價值的是工作流。 同一個 AI 工具，一個人用來寫玩笑，一個人用來做客戶研究，一個人用來最佳化銷售流程，一個人用來構建課程系統。 工具一樣，結果完全不同。 差別在工作流。 ### 什麼是 AI 工作流 AI 工作流是把任務拆成穩定步驟，並把 AI 嵌入其中。 比如寫一篇商業文章。 低水平用法是： 請幫我寫一篇文章。 高水平工作流是： 先確定讀者。 再列出核心觀點。 再讓 AI 提出反對意見。 再補充案例。 再生成結構。 再寫初稿。 再做事實檢查。 再壓縮語言。 再根據釋出平臺改寫。 再生成標題和摘要。 再覆盤資料反饋。 這才是工作流。 工作流把一次性靈感變成可重複系統。 ### 工作流資本 未來公司的資產不只是現金、裝置、員工和品牌。 還包括工作流資本。 工作流資本包括： 提示詞庫。 模板庫。 資料來源。 稽核標準。 自動化指令碼。 任務分解方法。 質量控制流程。 客戶反饋閉環。 行業知識庫。 這些東西看起來不像傳統資產。 但它們會決定一家公司使用 AI 的效率。 兩個公司都買同一個模型。 一個公司只是讓員工隨便問。 另一個公司把模型嵌入銷售、客服、產品、財務、法務和培訓流程。 幾年後，差距會非常大。 不是模型差距。 是工作流差距。 ### 為什麼工作流比工具更穩 工具會變化。 今天這個模型強，明天另一個模型強。 今天這個應用火，明天被平臺功能吃掉。 如果能力只繫結某一個工具，系統會很脆弱。 但如果掌握了工作流，工具就可以替換。 寫作工作流可以從一個模型遷移到另一個模型。 客戶研究工作流可以從一個平臺遷移到另一個平臺。 課程生產工作流可以升級工具，但保留結構。 流程比工具更長期。 判斷比提示詞更長期。 場景理解比軟體介面更長期。 ### 個人的工作流 個人也需要工作流。 每次 AI 使用如果都停留在隨機聊天，沉澱就會很少。 可以把重複任務沉澱下來。 比如： 每週內容選題工作流。 每次客戶溝通工作流。 每次讀書筆記工作流。 每次課程開發工作流。 每次產品調研工作流。 每次求職準備工作流。 寫下來。 測試。 修改。 複用。 個人工作流，就是新的個人資產。 ### 最後一擊 工具會過時。 工作流會複利。 \newpage # 第 13 章：Agent is the new employee ### 核心句 AI Agent 的本質，不是更會聊天的模型，而是開始承擔任務的數字員工。 ### 從回答到執行 早期 AI 給人的感覺像一個問答系統。 使用者問一句。 它答一句。 使用者再問一句。 它再答一句。 這已經很有用。 但真正的變化是 Agent。 Agent 不只是回答。 它可以接收目標、拆解步驟、呼叫工具、讀取資料、執行動作、檢查結果，並在一定範圍內持續推進任務。 比如： 幫我整理這個資料夾裡的資料。 幫我研究十個競爭對手。 幫我生成客戶名單並寫郵件草稿。 幫我檢查程式碼錯誤並提交修改建議。 幫我把一次會議變成任務清單。 幫我定期監測某個行業新聞。 這已經接近“員工”的一部分職能。 不是完整的人。 但像一個可以執行任務的數字勞動力。 ### 新的管理問題 Agent 出現後，人類的角色會變化。 過去，人自己做任務。 後來，人使用工具做任務。 未來，人會管理一組 Agent 做任務。 這聽起來很簡單。 但管理 Agent 需要新能力。 目標要被定義清楚。 任務要被拆解。 邊界要被設定。 資料要被提供。 結果要被檢查。 異常要被處理。 還要判斷哪些任務可以交給 Agent，哪些需要由人完成。 換句話說，AI 時代每個人都要學一點管理。 不是管理員工的管理。 而是管理智慧系統的管理。 ### Agent 的邊界 Agent 很強，但不能神化。 第一，它會誤解目標。 如果目標模糊，執行就會偏。 第二，它會犯錯。 尤其在資訊不完整、許可權複雜、結果難驗證的任務裡。 第三，它會放大錯誤。 一個普通回答錯了，影響有限。 一個 Agent 執行錯了，可能影響檔案、客戶、資金、程式碼和聲譽。 第四，它可能缺乏責任意識。 模型不會真正承擔後果。 承擔後果的仍然是人和組織。 所以，Agent 不是拿來盲目信任的。 Agent 是需要被設計、監督和審計的。 ### 哪些任務適合 Agent 適合 Agent 的任務通常有幾個特徵。 目標清楚。 步驟可拆。 風險可控。 結果可檢查。 資料可訪問。 失敗成本不高。 比如資料整理、初步研究、內容改寫、報告草稿、客服分流、程式碼輔助、日程整理、內部知識庫問答。 不適合輕易交給 Agent 的任務包括： 重大財務決策。 法律責任判斷。 醫療診斷。 高風險許可權操作。 不可逆的客戶溝通。 缺乏稽核的公開發布。 不是所有任務都適合自動化。 正確的做法是先把低風險任務交出去，再逐步擴大邊界。 ### 公司裡的數字員工 未來公司會出現三類員工： 人類員工。 AI Agent。 人類和 Agent 組成的混合團隊。 一個銷售可能管理客戶研究 Agent、郵件生成 Agent、跟進提醒 Agent。 一個律師可能管理合同審查 Agent、案例檢索 Agent、證據整理 Agent。 一個創作者可能管理選題 Agent、資料 Agent、指令碼 Agent、剪輯輔助 Agent。 一個專案負責人可能管理產品、客服、營銷、財務和運營 Agent。 這會改變組織結構。 一些崗位會減少。 一些崗位會升級。 新的崗位會出現： AI 工作流設計師。 Agent 運營經理。 AI 質量審查員。 智慧系統安全負責人。 ### 最後一擊 未來最強的人，不一定是親自做最多事的人。 而是最會指揮智慧系統的人。 \newpage # 第 14 章：One-person company 的崛起 ### 核心句 AI 讓一個人公司成為更現實的選擇，但它不會讓做成一門業務變得輕鬆。 ### 一個人也可以像公司 過去，一個人能做的事有限。 寫作可以一個人。 諮詢可以一個人。 設計可以一個人。 但如果要做產品、營銷、客服、網站、課程、資料分析、財務、運營，通常就需要團隊。 AI 改變了這個限制。 一個人可以用 AI 寫文案。 用 AI 做網站原型。 用 AI 生成課程結構。 用 AI 處理客戶問題。 用 AI 分析使用者反饋。 用 AI 製作圖片和影片。 用 AI 生成自動化指令碼。 這讓 one-person company 變得更可行。 一個人可以擁有過去小公司的生產力。 ### 但做成一門業務沒有變簡單 很多人會誤解。 他們以為 AI 讓做業務變容易。 更準確地說： AI 讓啟動變容易。 但讓真正做成一門業務變得更難。 為什麼？ 因為所有人的啟動成本都下降了。 更多人可以做產品。 更多人可以寫內容。 更多人可以發廣告。 更多人可以做課程。 更多人可以包裝服務。 當供給暴增，競爭會更激烈。 原型不再稀缺。 內容不再稀缺。 工具不再稀缺。 真正稀缺的是： 真實需求。 持續分發。 可信品牌。 穩定交付。 付費客戶。 ### 一個人公司的優勢 一個人公司的優勢是速度。 不需要開太多會。 不需要複雜審批。 不需要管理大團隊。 不需要為每個小實驗申請預算。 一個人可以快速試錯。 AI 讓這種速度更強。 一天可以測試多個標題。 一週做出一個課程雛形。 一個月上線一個小產品。 持續根據使用者反饋修改。 在早期，速度就是生命。 尤其對內容、學習服務、諮詢、軟體工具、社群和小眾服務來說，一個人公司可能非常有競爭力。 ### 一個人公司的弱點 但一個人公司也有弱點。 第一，容易過度依賴個人精力。 AI 可以幫人做很多事，但不能替人承擔所有壓力。 第二，容易缺少質量控制。 如果沒有外部反饋，AI 生成內容可能讓人誤以為進展很快。 第三，容易沒有戰略。 每天都在生成、釋出、修改，卻不知道到底服務誰。 第四，容易沒有信任背書。 客戶不只看一個人能不能生成東西，也看這個人能不能穩定負責。 所以，一個人公司不能只是一個人加很多工具。 它需要有清晰定位、穩定流程和真實客戶關係。 ### 一個人公司的商業模型 AI 時代，一個人公司適合幾種模型。 第一，知識產品。 課程、會員、電子書、研究報告、模板庫。 第二，專業服務。 諮詢、培訓、顧問、審查、策略設計。 第三，小型軟體。 面向特定人群的工具、外掛、自動化流程。 第四，內容 IP。 透過個人品牌聚集信任，再銷售產品或服務。 第五，社群。 圍繞共同目標組織人群，AI 用於運營和內容支援。 這些模型都不需要一開始就做大公司。 它們需要從清晰人群和真實問題開始。 ### 最後一擊 AI 讓一個人可以像公司一樣生產。 但市場只獎勵像公司一樣交付的人。 \newpage # 第 15 章：AI 原生公司 ### 核心句 AI 原生公司不是傳統公司加一個 AI 工具，而是從第一天就圍繞智慧重新設計組織。 ### 傳統公司的外掛式 AI 很多公司使用 AI 的第一步，是買工具。 給員工開賬號。 裝一個聊天機器人。 做幾個內部培訓。 讓市場部用 AI 寫文案。 讓客服用 AI 回答問題。 讓工程師用 AI 補全程式碼。 這有價值。 但這不是 AI 原生公司。 這只是傳統公司外掛 AI。 外掛式 AI 的問題是：舊流程不變，只是在舊流程裡塞一個新工具。 員工仍然用舊方法工作。 資料仍然分散。 許可權仍然混亂。 知識仍然靠人記憶。 質量標準仍然不清楚。 結果就是：大家都在使用 AI，但公司沒有真正變強。 ### AI 原生公司的起點 AI 原生公司從一開始就問不同的問題。 這個業務流程如果有 AI 參與，可以怎樣設計？ 哪些任務適合由人做？ 哪些任務適合由 AI 做？ 哪些任務適合由人和 AI 共同完成？ 資料如何沉澱？ 知識如何更新？ 質量如何稽核？ 客戶體驗如何改變？ 組織結構是否還需要這麼多人和層級？ AI 原生不是技術標籤。 它是組織設計原則。 ### 六個特徵 第一，預設流程數字化。 業務從一開始就留下結構化資料，而不是靠聊天記錄和個人記憶。 第二，預設知識庫化。 經驗、案例、客戶問題、標準答案和失敗記錄都會沉澱。 第三，預設 AI 協作。 員工不是偶爾問 AI，而是在工作流裡持續呼叫 AI。 第四，預設質量審查。 AI 輸出需要有稽核標準、責任邊界和版本記錄。 第五，預設小團隊高槓杆。 不靠人數堆規模，而靠系統複製能力。 第六，預設快速迭代。 產品、內容、客服、銷售和運營都能從資料反饋中更新。 這些特徵加起來，才像 AI 原生公司。 ### 護城河變化 AI 原生公司的護城河也不同。 過去，很多公司靠人多、渠道多、流程複雜形成優勢。 未來，這些優勢可能被重寫。 新的護城河包括： 專有資料。 行業場景。 客戶信任。 合規能力。 分發能力。 工作流資本。 品牌人格。 系統學習速度。 一個傳統公司如果資料混亂、流程混亂、知識不沉澱，即使買最好的 AI，也很難發揮價值。 一個小公司如果從第一天就建立清晰工作流，反而可能跑得更快。 ### 人的角色 AI 原生公司不是沒有人。 而是人的角色更集中在高價值環節。 定義問題。 理解客戶。 設計系統。 做最終判斷。 處理複雜關係。 承擔責任。 建立信任。 公司不再把人當作重複任務機器。 人的價值更適合放在智慧系統的設計、管理和價值判斷上。 這聽起來理想。 但如果公司只是用 AI 壓低人力成本，而不重構組織能力，它最終會變得更脆弱。 ### 最後一擊 AI 原生公司的核心不是模型。 是圍繞智慧重新設計工作。 \newpage # 第四部分：新世界的新基礎設施 ## 第 16 章：Compute is the new oil ### 核心句 工業時代爭奪石油，智慧時代爭奪算力。 ### AI 不是魔法 很多人使用 AI 時，會產生一種錯覺。 好像智慧是從螢幕裡自然出現的。 使用者輸入一句話。 幾秒鐘後，答案就來了。 這讓 AI 看起來像魔法。 但 AI 不是魔法。 AI 背後是晶片、伺服器、資料中心、網路、電力、冷卻、資本、工程師和供應鏈。 每一次回答都需要計算。 每一個模型訓練都需要巨量算力。 每一次影象、影片、語音和程式碼生成，都需要真實的硬體資源。 所謂“雲”，並不是天上的雲。 是別人機房裡的計算機。 ### 為什麼算力像石油 石油曾經是工業時代的基礎燃料。 汽車需要石油。 飛機需要石油。 工廠需要能源。 軍隊需要能源。 全球貿易需要能源。 誰控制石油，誰就擁有一種戰略控制力。 算力在智慧時代扮演類似角色。 模型訓練需要算力。 模型推理需要算力。 自動駕駛需要算力。 機器人需要算力。 藥物研發需要算力。 金融建模需要算力。 軍事系統需要算力。 科學研究需要算力。 算力不是一個技術細節。 它會變成國家競爭、公司競爭和產業競爭的底層資源。 ### 算力的三層結構 第一層是晶片。 沒有高效能晶片，就沒有大規模 AI 訓練和推理。 晶片背後又是製造工藝、設計軟體、封裝、材料、裝置和供應鏈。 第二層是資料中心。 晶片需要被部署在大型基礎設施中。 資料中心需要土地、電力、網路、冷卻和運維。 第三層是軟體棧。 算力不是硬體堆在一起就能用。 還需要訓練框架、推理系統、排程系統、模型最佳化和開發生態。 所以算力競爭不是買幾張顯示卡這麼簡單。 它是完整產業系統競爭。 ### 算力會影響商業格局 算力成本會影響 AI 公司的商業模式。 訓練大模型很貴。 執行大模型也很貴。 如果一個產品每服務一個使用者都要消耗大量算力，它就需要找到足夠高的付費能力。 這會讓 AI 公司面對一個老問題： 使用者喜歡免費智慧。 但智慧不是免費生產出來的。 因此，未來 AI 商業競爭不只是模型能力競爭。 也是成本控制競爭。 誰能用更低成本提供更好結果，誰就有優勢。 小模型、專用模型、邊緣計算、模型壓縮、推理最佳化，都會非常重要。 不是所有問題都需要最大模型。 很多商業場景需要的是足夠好、足夠快、足夠便宜、足夠可靠。 ### 對個人的意義 個人不需要每天研究晶片。 但要理解一個事實： AI 背後有真實成本。 免費的 AI 產品不一定永遠免費。 便宜的智慧不等於零成本智慧。 當某家公司控制了使用者日常工作、學習和創作的智慧入口，使用者也在把一部分能力依賴交給它。 所以，個人和公司都要避免單點依賴。 重要資料要有備份。 關鍵流程要能遷移。 核心能力不能完全外包給一個平臺。 ### 最後一擊 智慧時代的控制力，不只在模型裡。 也在支撐模型執行的算力裡。 \newpage # 第 17 章：Data center is the new factory ### 核心句 工業時代的工廠生產商品，智慧時代的資料中心生產智慧。 ### 看不見的新工廠 過去，工廠很容易被看見。 煙囪。 機器。 流水線。 工人。 倉庫。 鐵路。 港口。 人能直觀看見一個工業社會的生產能力。 AI 時代的新工廠不一樣。 它們通常在城市邊緣、荒地、工業園區或能源節點附近。 外觀看起來像巨大的倉庫。 裡面是伺服器、晶片、光纖、電力系統和冷卻系統。 這些資料中心不生產汽車、衣服或鋼鐵。 它們生產計算。 計算進一步生產智慧服務。 這就是為什麼資料中心會成為新工廠。 ### 智慧的生產線 工業工廠把原材料變成商品。 資料中心把資料、模型和算力變成智慧輸出。 使用者在 AI 助手裡得到的一段文字。 使用者在設計工具裡生成的一張圖片。 使用者在程式設計工具裡生成的一段程式碼。 使用者在客服系統裡得到的一次回答。 這些看似無形的東西，都來自一條新的生產線。 這條生產線不再由傳送帶組成。 它由伺服器叢集、模型系統、排程演算法和電力網路組成。 所以，未來的產業地圖會被重新繪製。 哪裡有電？ 哪裡有土地？ 哪裡有水和冷卻條件？ 哪裡有網路連線？ 哪裡有政策支援？ 哪裡有資本開支能力？ 這些問題會影響 AI 產業分佈。 ### 資料中心的資本邏輯 資料中心非常燒錢。 土地要錢。 電力接入要錢。 晶片要錢。 機房建設要錢。 冷卻系統要錢。 運維要錢。 所以 AI 不是隻有演算法競爭。 它也是資本競爭。 這會帶來一個後果： 頭部公司擁有更大優勢。 因為它們有資本購買晶片、建設資料中心、簽訂電力協議、吸引人才。 但這並不意味著小公司沒有機會。 小公司可以避開基礎模型競爭，選擇垂直場景。 不用自己建發電廠，也可以使用電。 不用自己訓練最大模型，也可以呼叫模型並圍繞場景建立價值。 ### 新工廠的新風險 資料中心越重要，風險也越重要。 第一，集中化風險。 如果智慧入口高度依賴少數基礎設施提供者，社會會形成新的依賴結構。 第二，地緣風險。 晶片、資料中心和雲服務都可能受到國際關係影響。 第三，環境風險。 資料中心需要大量電力和冷卻資源。 第四，安全風險。 關鍵資料和關鍵模型集中在少數系統裡，安全要求會非常高。 第五，成本風險。 如果算力價格上升，依賴大模型的商業模式會受到影響。 ### 公司可以怎樣看 對公司來說，理解資料中心不是為了自己建機房。 而是為了理解 AI 成本和依賴。 業務是否依賴某一個雲平臺？ 核心資料是否能遷移？ AI 工作流是否有備用方案？ 客戶是否接受資料被第三方模型處理？ 成本是否會隨著使用者增長線性上升？ 這些問題會影響公司長期穩定性。 AI 越深入業務，基礎設施選擇越重要。 ### 最後一擊 資料中心是智慧時代的工廠。 但不是每家公司都需要擁有工廠。 真正重要的是知道如何使用工廠生產出的智慧。 \newpage # 第 18 章：Energy is eating AI ### 核心句 AI 正在吞噬世界，但能源正在決定 AI 能吞多快。 ### 智慧需要電 AI 的語言很輕。 它說話像空氣。 它生成圖片像魔法。 它回答問題像一個沒有重量的大腦。 但 AI 的物理基礎非常重。 它需要電。 需要晶片。 需要冷卻。 需要機房。 需要電網。 需要備用電源。 需要基礎設施許可。 每一次模型訓練都消耗能源。 每一次大規模推理都消耗能源。 每一次 AI 服務增長，都意味著背後的電力需求上升。 這就是 AI 時代容易被忽視的一點： 智慧革命不是純數字革命。 它也是能源革命。 ### 為什麼能源會限制 AI 如果沒有足夠電力，資料中心建不起來。 如果電價太高，AI 服務成本會上升。 如果電網承載不了，專案就無法擴張。 如果冷卻資源不足，機房效率會下降。 如果能源供應不穩定，智慧服務也不穩定。 所以，未來 AI 發展會越來越受能源條件影響。 哪裡有穩定、便宜、清潔、可擴充套件的電力，哪裡就更容易發展大規模 AI 基礎設施。 這會讓能源公司、電網公司、資料中心公司和 AI 公司之間的關係變得更緊密。 過去，網際網路公司看起來像輕資產公司。 AI 時代的頭部公司會越來越重。 它們需要買晶片、建機房、籤能源、最佳化散熱。 ### 能源與國家競爭 能源還會影響國家競爭。 一個國家如果缺少穩定電力和先進電網，就很難支撐大規模 AI 基礎設施。 一個國家如果擁有充足能源、製造能力、晶片供應鏈和資料中心佈局，就會有更強的智慧能力。 AI 主權不是隻訓練一個模型。 它背後要有能源主權、算力主權、資料主權和人才主權。 所以，未來國家談 AI，不可能只談演算法。 還要談電網、核能、可再生能源、土地、冷卻、產業政策和供應鏈安全。 這會讓能源重新回到科技競爭中心。 ### 環境問題不能忽視 AI 對能源的需求增長，也會帶來環境壓力。 如果新增電力來自高排放能源，就會加重碳排放。 如果資料中心消耗大量水資源用於冷卻，會影響地方資源分配。 如果專案只追求擴張，不考慮效率，社會成本會變高。 所以 AI 公司不能只講智慧願景。 也要面對能源效率。 更高效的模型。 更好的晶片。 更合理的推理架構。 更清潔的能源組合。 更透明的資源使用。 未來，一個 AI 系統是否優秀，不只看它回答是否聰明。 也要看它是否可持續。 ### 對公司和個人的意義 對公司來說，能源約束會影響 AI 成本。 如果業務建立在高算力消耗上，單位經濟模型會變得很關鍵。 每個使用者每次請求要花多少錢？ 使用者願意為結果付多少錢？ 模型是否可以最佳化？ 是否可以快取？ 是否需要用最大模型？ 是否可以把任務分層處理？ 對個人來說，理解能源約束可以讓 AI 判斷更現實。 AI 不是免費神力。 它是昂貴基礎設施變成的服務。 ### 最後一擊 AI 的上限不只由演算法決定。 也由電力、土地、晶片和冷卻決定。 \newpage # 第 19 章：AI sovereignty ### 核心句 未來每個國家都會問一個問題：我們的智慧系統是否掌握在自己手裡？ ### 什麼是 AI 主權 主權過去常常和土地、軍隊、貨幣、法律有關。 一個國家要控制邊界。 控制貨幣。 控制司法。 控制關鍵基礎設施。 AI 時代，主權會增加一個新維度： 智慧系統。 AI 主權不是一個口號。 它包括： 模型能力。 算力供應。 資料控制。 晶片供應鏈。 語言和文化表達。 網路安全。 監管規則。 人才體系。 如果一個國家的關鍵學習、醫療、金融、政府、軍事和產業系統都依賴外部 AI，它就會形成新的戰略依賴。 ### 語言也是主權 AI 主權不只是硬體問題。 也是語言問題。 如果一個模型主要用英語世界的資料訓練，它對其他語言、文化、法律和社會語境的理解可能有限。 一個國家、一個民族、一個地區的歷史、價值觀、法律體系、商業習慣和表達方式，需要被自己的智慧系統理解。 否則，AI 會在不知不覺中輸出別人的世界觀。 未來，語言資料會變成文化基礎設施。 誰的語言被高質量數字化，誰就更容易在 AI 時代被理解。 誰的知識沒有進入機器可讀系統，誰就可能在智慧世界裡被邊緣化。 ### 資料主權 資料是 AI 的重要原料。 醫療資料、學習資料、金融資料、工業資料、交通資料、政府資料，都非常敏感。 這些資料如果被錯誤使用，會影響隱私、安全和競爭力。 所以國家會越來越重視資料主權。 哪些資料可以用於訓練？ 哪些資料需要留在本地？ 哪些資料可以跨境？ 哪些模型可以進入關鍵行業？ AI 不是單純技術產品。 它會進入社會基礎設施。 基礎設施就一定會被監管。 ### 公司也需要 AI 主權意識 AI 主權不只屬於國家。 公司也需要自己的智慧主權。 客戶資料在哪裡？ 內部知識是否被外部平臺吸收？ 核心流程是否完全依賴單一模型？ 員工是否把機密資料隨意輸入公共工具？ 業務如果遇到某個 AI 平臺漲價、停服或改變規則，會不會癱瘓？ 這些都是公司層面的 AI 主權問題。 公司可以使用外部 AI。 但不能失去核心控制權。 ### 個人也要有主權 個人同樣如此。 如果所有筆記、創作、學習、工作流和聯絡人都被鎖在某一個平臺裡，就會形成新的依賴。 如果完全依賴 AI 給出判斷，思考主權就被交出去了。 如果不再訓練記憶、閱讀、表達和推理，人會變得越來越脆弱。 AI 時代的個人主權包括： 獨立思考能力。 資料備份能力。 工具遷移能力。 隱私保護意識。 判斷資訊真假的能力。 不被演算法完全牽引的能力。 ### 全球競爭 未來 AI 競爭不會只發生在公司之間。 也會發生在國家之間。 誰擁有算力？ 誰擁有晶片？ 誰擁有高質量資料？ 誰擁有頂尖人才？ 誰擁有能源基礎設施？ 誰擁有全球開發者生態？ 誰能制定規則？ 這會影響未來幾十年的世界秩序。 AI 不是一個單獨行業。 它會成為所有行業的底層能力。 誰控制底層能力，誰就控制未來入口。 ### 最後一擊 AI 主權的本質，是在智慧時代保持選擇權。 \newpage # 第 20 章：Trust Premium ### 核心句 當內容無限、身份可偽造、答案可生成，信任會成為最昂貴的資產。 ### 內容無限之後 AI 會讓內容無限接近零成本。 文字可以生成。 圖片可以生成。 聲音可以生成。 影片可以生成。 頭像可以生成。 人物可以生成。 評論可以生成。 甚至一整套品牌故事都可以生成。 這會帶來一個反直覺結果： 內容越多，信任越稀缺。 過去，人們擔心沒有資訊。 未來，人們擔心資訊太多且真假難辨。 過去，寫得流暢是一種能力。 未來，寫得流暢可能只是預設狀態。 過去，有圖片和影片就更可信。 未來，圖片和影片也可能被偽造。 所以，社會會進入信任溢價時代。 ### 什麼是信任溢價 信任溢價就是： 在相似資訊、相似產品、相似內容、相似服務之間，使用者願意為更可信的來源支付更多注意力、金錢和時間。 同樣一篇文章，讀者更願意讀可信作者寫的。 同樣一個課程，學生更願意買可信老師的。 同樣一個 AI 工具，企業更願意選擇可信公司提供的。 同樣一個建議，客戶更願意聽長期負責的人說的。 信任不是軟東西。 信任是商業資產。 AI 讓生產變便宜。 但 AI 也讓偽裝變便宜。 因此，真實可信會變貴。 ### 深度偽造時代 未來，真假邊界會變得更復雜。 一個人可能看到一個逼真的影片，但它是生成的。 一個人可能聽到一個熟悉的聲音，但它是合成的。 一個人可能讀到一篇專業文章，但作者並不存在。 一個人可能遇到一個客服，但背後是詐騙系統。 這會衝擊社會信任。 媒體、學校、企業、政府、金融機構和個人，都需要新的驗證機制。 身份認證會更重要。 來源標記會更重要。 內容溯源會更重要。 品牌聲譽會更重要。 法律責任也會更重要。 AI 不只改變生產。 它也改變欺騙。 所以社會需要升級信任基礎設施。 ### 個人品牌的價值 對個人來說，信任溢價意味著個人品牌更重要。 簡歷證明一個人過去做過什麼。 個人品牌證明一個人現在持續輸出什麼。 在 AI 時代，一個人的公開作品、案例、觀點、客戶評價、交付記錄和長期一致性，會成為新的信用資產。 別人為什麼相信一個人？ 不是因為這個人說自己會用 AI。 而是因為這個人長期展示了判斷力和交付能力。 很多人會用 AI 生成漂亮包裝。 但包裝會越來越廉價。 真正有價值的是： 做過什麼？ 幫助過誰？ 承擔過什麼責任？ 判斷有沒有被時間驗證？ ### 企業信任 企業也一樣。 AI 可以讓公司更快生產內容、客服和產品。 但客戶會更關心： 我的資料安全嗎？ 回答可靠嗎？ 出錯時誰負責？ 是否透明使用 AI？ 系統是否可審計？ 品牌是否值得長期合作？ 如果公司只用 AI 降成本，卻犧牲信任，短期可能賺錢，長期會受傷。 未來優秀公司會把信任設計進產品。 明確 AI 使用邊界。 保留人工稽核。 保護客戶資料。 公開責任機制。 建立可追溯記錄。 讓客戶知道什麼時候面對的是 AI，什麼時候面對的是人。 ### 人類仍然重要 AI 越強，人類並不會越不重要。 人類的重要性會轉移。 從重複生成轉向最終判斷。 從資訊搬運轉向意義解釋。 從內容生產轉向信任建立。 從執行任務轉向承擔責任。 從工具使用轉向價值選擇。 這就是人類在 AI 時代的位置。 不是每件事都親手做。 而是為重要事情負責。 ### 最後一擊 AI 會讓世界更聰明。 但真正能穿越噪音的，仍然是信任。 \newpage # 結語：站在 AI 背上 AI is eating the world. 這句話聽起來像一句警告。 但它也可以是一句邀請。 舊世界被吞掉的時候，新世界也會被創造出來。 每一次技術革命，都會帶走一批舊位置，也會創造一批新位置。 農業社會害怕機器。 工業社會害怕電力。 網際網路早期，很多人也害怕軟體。 但真正的問題從來不是技術會不會出現。 真正的問題是：人是否能理解它，使用它，並把它變成自己的槓桿。 AI 不會讓所有人自動變強。 AI 也不會讓所有人自動失業。 它更像一面放大鏡。 它會放大一個人的判斷。 它會放大一個人的懶惰。 它會放大一個人的執行力。 它也會放大一個人的混亂。 如果一個人沒有目標，AI 會讓他更快地產生噪音。 如果一個人有清晰的問題，AI 會讓他更快地接近答案。 如果一家公司沒有流程，AI 只會讓混亂自動化。 如果一家公司有穩定的流程，AI 會讓流程產生複利。 如果一個社會沒有信任，AI 會製造更多真假難辨的內容。 如果一個社會懂得建立可信系統，AI 會成為新的生產力基礎設施。 所以，問題不只是： AI 會取代誰？ 更重要的問題是： 誰能把 AI 變成自己的槓桿？ 誰能在答案無限的時代保持判斷？ 誰能在內容無限的時代建立信任？ 誰能在工具無限的時代搭建系統？ 誰能在智慧廉價的時代創造真正稀缺的價值？ 未來不是屬於最早下載工具的人。 未來屬於最早重寫自己工作方式的人。 \newpage # 進一步閱讀 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 # 關於 MAGO MAGO 是《Money Code》的作者。 MAGO 長期關注 AI、金融、Web3 與科技背後的結構性變化。 《Money Code》寫金錢的規則。 《AI is eating the world》寫智慧的規則。