人工智能与基础设施

这条判断的价值在于它把讨论从「谁模型更强」拉回到物理约束：算力的上游是电，电的上游是发电装机、电网与变压器产能。当芯片的迭代周期以年计、而电网基建以五到十年计时，瓶颈就出现在最不引人注意的地方。

反常识的一点是：硬件短缺可能反而逼出一条低耗能、少依赖高端芯片的路线。生物智能的参照也很刺眼 —— 人脑的功耗只有几十瓦，能效接近理论极限，而最先进的芯片与之差着若干数量级。这不是算法能补上的差距，只能靠架构层面的改变（存算一体、事件驱动、脉冲式通信）。

可观察的信号有几个：开源模型的下载量在部分统计口径上已经超过长期领先的闭源系列；基于开源模型衍生的微调版本在新发布模型里占比很高；单位推理成本以数量级下探。这些都指向同一个结果 —— 「有模型」不再构成壁垒。

对使用方来说，结论不是「不用投入技术」，而是把投入的位置往上游或下游挪：上游是数据与场景（别人拿不到的业务数据），下游是部署与流程（把能力接进真实工作流）。中间那一层 —— 拿一个通用模型当卖点 —— 会最先被抹平。

把四件东西分开来看，就明白为什么早期的对话式工具无法承担完整任务：它缺记忆（每次从零开始）、缺执行权限（只能建议不能动手）、也缺自我检查（不会发现自己的输出有问题）。补齐之后，工作单元就从「一个人」变成了「人 + 若干可调度的自动化能力」。

这个变化对管理者的要求是升级的：能把具体任务交给工具高效完成的人，是执行层的稀缺能力；能设计并管理多个这样的工作单元的人，才是战略层的能力。而后者必须先具备前者 —— 没有亲手调度过，就无法判断哪里会卡住。

同时要正视成本与门槛：重度使用下用量费用可以很可观；搭建与维护需要一定的技术环境；权限开放之后，暴露面与审计成为必须处理的问题 —— 官方安全机构已就部分实例在默认配置下的风险发过提示，须核查公网暴露、关闭不必要访问、完善身份认证与操作审计。

可观察到一条清晰的演进：早期关注怎么措辞（提示技巧），随后关注给它看什么材料（上下文组织），现在关注的是为它搭一个什么样的工作环境，让产出稳定可靠 —— 包括把任务拆成可验证的步骤、给它明确的验收标准、准备好它需要查询的原始资料、以及在关键节点设置人工确认。

这个转向对组织的含义是：真正沉淀下来的是环境与流程，不是某个人收藏的提问模板。因此有价值的工作不是「我学会了怎么问」，而是「我搭出了让这项工作稳定产出的那套东西」，并且这套东西别人也能用。

一个反复出现的观察是：同一批企业用同样的模型，效果差距巨大。原因通常不在模型，而在于——有没有把业务数据整理到可用；有没有明确哪些决策由工具辅助、哪些必须由人承担；有没有把工具接进日常流程而不是让它在流程外空转。

这解释了一个现象：中小组织在这件事上往往有机会。因为能力门槛下降之后，胜负的变量变成了「对某个细分场景的理解深度」与「决策链有多短」。大组织有数据与人才优势，但也有流程惯性与更长的试错周期。

所以判断一项 AI 投入是否值得，问题不该是「我们用的是不是最强的模型」，而应该是「这项能力在几个真实流程里跑起来了、每个月省下多少小时、错误率是升还是降」。

涌现指复杂系统中简单个体按简单规则互动，在宏观层面自发产生全新的、无法从个体预测的特性 —— 整体大于部分之和。三组对照：蚁群里单只蚂蚁只遵循信息素规则，群体却涌现出最短路径优化；大脑里单个神经元不会思考，数百亿连接却涌现出意识；大语言模型里每个参数只做基础运算，参数规模突破千亿临界后，上下文学习与思维链推理等能力突然出现 —— 类似水在 0°C 结冰的相变。弱涌现（如鸟群飞行）可还原为计算；强涌现（如意识）不可还原。

对管理者的启示是结构性的：不要试图直接指挥复杂系统的宏观结果（市场、组织、创新都是涌现现象），而要设计底层规则与激励，保障个体互动的密度与质量，然后容忍结果的不可预测。指令产生合规，涌现产生惊喜 —— 卓越几乎总是从后者来的。

「人类当量」衡量 AI 生产单位智能的边际成本与人类成本的比值。它的残酷之处在于揭示了替代的驱动力是经济学而非能力上限：客服、翻译、基础文书等领域的当量比已达数百上千倍，替代随之发生 —— 不是 AI 更聪明了，是更便宜了。判断护城河的口径因此清晰：当量比高的浅水区（标准化、结构化、交付物明确的任务）会快速塌缩；当量比低的深水区 —— 非结构化风险的判断、伦理决策、意义创造、需要共情与信任的关系 —— 人类仍占主导。

个人与组织的应对是迁移而非对抗：把精力从「与 AI 比效率」移到「做 AI 的委托人与审校」—— 提出好问题、做价值判断、对结果承担责任。这条迁移路径与认知学科的基本判断一致：知识平权之后，人的价值恰恰在于 AI 够不着的那一层。