模型吞噬一切吵了很久了，大家都理解为凡是可量化的，终将被模型吞噬。

尤其昨晚看到 Sarah Guo 写的一篇文章《The Untrainable》。她说当下投资圈流行一种情绪：似乎除了算力和前沿模型，什么都不值得投了，不如把钱全买进 Anthropic 和 Nvidia，然后回家躺平。她把这叫作投资人版的「AI 绝望症」。

显然她不认同这套逻辑，在她看来，它只对了一半。

对的那一半，是一个清晰的机制：凡是能被公开 Benchmark 稳定测量的工作，都已经走在通往商品化的路上。前沿模型速度很快学习进入模型，开源模型和蒸馏模型也会从下面追上来。只要任务边界清楚、结果可以量化，对应的价格就一定会被打穿。

换句话说：凡是可公开衡量的，都会被训练；凡是可规模训练的，终将被商品化。

我想接着这个判断往下说一层：可测量的门槛，其实比看上去更高。

**结果能够被测量，不等于过程能够被复制。**投资能被测量吧？收益率、盈亏比等等，如果想要做定量分析有太多太多的指标。但反馈太稀疏、周期太长、环境永远在变。结果虽可测量，然世上的巴菲特却只有一个。会被训练所吞噬的，只是那些"过程也能被廉价验证"的工作，这个范围比"结果可测"小得多。

那么真正的价值，往往正是这种「不可被模型所吞噬的」。Sarah 给的例子我很认同：一个无限聪明的模型，也拿不到某家银行的客户数据授权，不能在医疗事故里承担法律责任，不能替 CFO 在报表上签字。

这不是智能问题，是社会和法律问题。智能的提升不会自动解决准入问题，除非整个社会也跟着重构，但那是另一个时间尺度的事。

不过我想提醒一句：在 AI 能力曲线还在陡峭爬升的阶段，任何护城河的折旧速度都该按悲观估计。靠"模型暂时不擅长"建立的护城河，很快就会被越过。曾经的那一批批提示词包装公司，要么转行，要么像 Cursor 那样赶紧拉上 xAI 自己训练模型。

传统企业软件的粘性也一样：它本质上不是信任，而是迁移成本。数据太大搬不动、流程太复杂不敢动、动一动员工就要重新培训。而讽刺的是，AI 恰恰在摧毁迁移成本本身：它能读懂你的旧系统、自动迁移数据、迅速适配新流程。作者看好的那种"使用 AI 贴身重构企业业务流程"的苦活，折旧速度也未必有想象中慢。

这个世界变化太快了。2024 年 Devin 发布时，只能解决标准软件测试集里 13% 的任务，几乎被所有人轻视；一年半之后，最好的编码 agent 已经冲到八十多分，在一些核心企业里干起了真活。很多人由此得出结论：模型吃掉了软件开发。但后来我们看到的是，软件开发依然存在，而且越来越被需要。

被吃掉的，只是其中最容易测量的部分。

AI 的速度快到大家才肉眼可见地看到这条曲线：2024 年的聊天，2025 年的协助研发，到如今 AI 正式进入研发流水线。而它正以光速进入各行各业。

当然，效率的提升未必立即带来产出的暴增。MIT 的 Demirer 对十万多名开发者的调研显示：编码 agent 让写出来的代码量增长了约 180%，而实际交付上线的只增长了 30% 的代码。写代码变便宜了，剩下的环节仍然要靠人 Review。但即便如此，净收益依然惊人；更重要的是，智能的发展早已超过了组织重构的速度。

所以 Sarah 的结论是：当 AI 的果实低垂到随手可摘，可摘的部分势必越来越廉价；高价的反而是智能触及不到的地方，譬如某些被保护的行业，某些常人无法进入的领域。因为 AI 无法签字，医生、律师还需要专业人士背书；因为赢得客户要贴身肉搏，胜出的往往是围绕在客户身边的 FDE 和专家型工程师；又因为每个行业有自己的脾气，个性化的需求千姿百态。于是她在投资中不停寻找：那些大模型够不到的角落，那些需要躬身入局的繁重事务。

这些我都同意。但作为一名工作二十多年、其中一半时间深耕 AI 应用的工程师，我想在她停下的地方再多走一步：这种焦虑有它的道理，但前途其实是光明的，走出这黎明前的黑夜，便可重见满天繁星。

在这个焦虑此起彼伏的当下，我特别赞同贝索斯站出来反对"AI 导致失业"论调时所说的：AI 会极大地提升生产力，因此反而可能创造更多新需求、新产业和新岗位。

当下人们焦虑，是因为 AI 仿佛抹平了所有人的智力差距。都能用 AI 了，谁还会比谁笨呢？

不。要知道即便在 ChatGPT 的海量用户里，也还有非常大比例的人没碰过 Codex。更何况，很多人拿到 AI，也只是让它来证明自己原本的想法是对的。哲学上这叫"我们很难知道自己不知道什么"。

有了 AI，判断力就立即提升了吗？品味就立即提升了吗？并不会。

智力被抹平的那一部分，恰恰让判断力和品味的差距变得更值钱了。

其次，快即是慢。AI 的爆发把所有人的预期抬到了病态的高度：不像 Serenity 那样一年翻百倍的投资，就不叫投资了？不像 NVDA 那样超越摩尔定律速度，就不叫发展了？

可回到真实的生活中去看看，又有几家企业真能做到每年 10% 以上的营收增长呢？把预期拉回现实，很多"焦虑"自己就消失了。

最后，还是回到最基础的软件开发。AI 确实已经进入绝大多数研发团队的流程，但想完全替换人、想超越人类的判断、品味和责任，还为时尚早。

我认为哪怕是 Dario Amodei 说的"自我进化的 AI"，也就如马斯克十年前说自动驾驶一样，为时尚早。AI 在有标准、可重复、可测量的领域势如破竹，可我们的生活里，真正属于这种"科学"的部分有占百分之几吗？其余呢？是概率还是有趣？是文化还是品味？

而另一面，AI 的破坏力恰恰证明了它的创造力。Elon 前段时间说，AI 的爆发会让我们很快用 RNA 治愈癌症和疑难杂症。

想来每个人都希望自己活到那一天，而且还有足够的钱买到那些药。航天、自动驾驶、新材料、新制造，莫不如此。甚至 Anthropic 已经联合 OpenAI，准备对大部分人屏蔽某些危险知识，因为 AI 已经强大到能轻易教会一个普通人快速掌握、快速制造危险品。能力大到需要上锁，这本身就是能力的证明。

所以与其在 AI 替代白领的叙事里焦虑，不如像贝索斯和 Elon 说的那样，把目光放到下一阶段：AI 会放大发明的速度，迎来接下来的黄金十年、二十年。价值的增长不会停留在软件和数字内容，还有医疗、工程、制造、机器人、能源、太空和生物技术。

拥抱 AI，不等于盲目崇拜速度。很多人一听到 AI 能加速，就开始陷入另一种幻觉：凡事都要更快，今天试一个方向，明天换一个产品，后天再追一个热点。结果看起来一直在行动，实际上只是在被焦虑驱赶。

这不是真正的快。真正的快，是先分清楚什么可以加速，什么不能加速。

信息搜集可以加速，代码生成可以加速，原型验证可以加速，市场反馈可以加速，方案比较可以加速，重复劳动可以加速。但判断力不能被粗暴加速，品味不能被粗暴加速，长期信任不能被粗暴加速，对行业本质的理解也不能被粗暴加速。

没有方向感的快，只会更快地犯错；没有反馈闭环的快，只会更快地消耗资源；没有长期主义的快，只会更快地追逐幻觉。

AI 最值得用的地方，恰恰是把那些本来就应该更快的环节压缩掉，让人把时间还给那些必须慢下来的事情。

过去一个创业团队可能要几个月才能验证一个产品原型，现在可以几天做出来；过去一个工程师可能要花很久搭建测试系统，现在可以让 AI 帮他生成、修补、重构；过去一个投资人、研究员、产品经理需要大量时间整理材料，现在可以把更多精力放在判断什么重要、什么不重要。

这是 AI 时代的飞轮：快速提出假设，快速做出原型，快速获得反馈，快速修正方向，然后再回到更深的判断。所以真正值得关注的，不是 AI 替代了谁，而是谁能用 AI 把可压缩的周期压缩得更短，同时守住那些不能压缩的东西。

Sarah 在寻找模型够不到的角落；我则相信，角落之外，还有整片正在被照亮的大陆。

那片大陆不是属于最快追热点的人，而是属于那些既敢用 AI 加速试错，又知道哪些地方必须慢下来的人。

快，是为了更早抵达真正的问题。 慢，是为了不被短期噪音带偏。

AI 时代最好的公司和个人，可能不是单纯最快的那一批，而是最会区分「哪里该快，哪里该慢」的那一批人。