2026.05.24 知识平权 长远来看，我丝毫不怀疑 AI 会成为类似电力、搜索引擎、手机操作系统一样的基础设施。 技术成熟的终极标志，恰恰是它的不可见性。到那个时候，人不需要理解模型结构、训练方法、上下文窗口、工具调用和 Agent 编排，就像今天大多数人不需要理解电力系统、搜索引擎排序和 TCP/IP 协议。人只需要提出需求，系统自然会把复杂性封装起来。 但在它彻底基础设施化之前，我们正处在一个特殊窗口期。技术人员主导的技术上升期。厂商还在用低于长期成本的价格提供廉价 Token，模型能力还在快速外溢，工具形态还没稳定。这个阶段本质上是一场生产力套利，不上去吃一口反而可惜。 现在这段时间普适性的狂热，本质上是不同年龄的同一批人对生产力突破的集中反应。过去许多想法受限于能力、资源、时间和团队，无法真正兑现；而 AI 让这些想法突然有了落地的可能,它让人重新相信，自己脑子里的东西可以被做出来。。随着这些可能性被逐渐兑现，它们会内化为新的生产结构，再按照不同批次传递出去。 假如迭代的方向是生产力的逐步优化，那么组织首先淘汰的，并不是所有人，而是在这轮变革中适配较慢、产出较低、无法形成有效闭环的人。 工具层是战术层的东西，认知层是战略层的东西，战术层的东西可以观察最优解迭代，战略层的判断力则需要从最底层完整构建，偷懒不得。 --- 只要学得够慢，就不用学了？ 去年十二月我们还在聊 OpenClaw 的爆火，过年时觉得 Copilot 性价比无敌，上个月还在说 Claude Code 天下第一，这个月 Codex 又成了更优秀的选择。DeepSeek 带来了缓存革命，新的模型和工具继续往外冒。 再回头看一些上一阶段的产品，很多已经像上个时代的产物。Who Cares ? 学习具体工具的收益正在快速衰减，学习结构变化的收益正在上升。 工具会过时，结构不会。追工具的人会不断疲惫，追结构的人会越来越清醒。 有趣的是，恰恰是这些追逐潮流的人，定义了什么是过时，什么是当下。因为他们体验过差异，知道哪里发生了变化，再把这些判断向外传播。许多判断就是这样被内化成共识的。 一个产品是否过时，不是看它还能不能用，而是看它代表的范式是否已经被新的范式覆盖。具体工具会不断换代，但背后的方向很清楚：更低成本、更强自治、更少人工介入、更接近完整任务闭环。 对也不对，因为目的不同。仅仅是以用上作为目的，那么是的，浪潮迟早要拍过来的，过来的时候在处理也不急。 但这太被动了，命运那个时候就很难去眷顾受到影响的每个人了。 追逐浪潮的本质，就是把主动权握在自己手里。很多时候我们讨厌站住位置的人，他们能力有限，但就是时代的红利他们抓住了。 混乱、狂热、低门槛与高不确定性并存的窗口期。这对后来者是致命的。 因为命运并不是在技术成熟之后才开始分配。 恰恰相反，很多人的命运，是在技术还不成熟、规则还不清晰、周围人还在观望的时候，就已经被悄悄改写了。 ---- 越是沉迷，我越是对冗长的沟通流程感觉到厌烦。 效率提升不是线性的，组织需求减少也不是线性的。 两个人的效率通常不是一个人的两倍。很多时候，两个人只有一个人的 1.5 倍，甚至更低。 因为多人协作会引入沟通、等待、误解、协调、排期、责任划分、情绪消耗。 AI 的厉害之处，是它让一个人获得“多角色能力”，但不引入“多人协作损耗”。强化了强个体的自洽，也削弱了他们对低效组织的忍耐力。 AI 不是让所有人都失业，而是让组织重新计算每一个人是否值得被纳入协作链条。 **组织坍塌的本质，也是一种成本重构——人的协作成本被重新计价。** 当某个环节可以被 AI 替代，而这个人带来的协作损耗大于他的独特价值时，他就会被优化掉。不是因为他不够好，而是因为协作本身太贵了。 ---- 在 AI 普及之前，我就花了很多时间做自动化脚本：自动编译、自动打包、自动发布，把 C++ 和 C# 串在一起。它们解决的不是某个单点问题，而是把反馈周期压短。 反馈周期一旦足够短，工作方法就会改变。未经完整测试的功能可以先发布到现场验证，失败了几分钟内修复，再发布一次。这个方法听起来粗糙，但前提是修复和发布成本足够低。如果一次反馈周期被拉长到半天以上，它就立刻变成危险策略。 所以很多方法论不是绝对对错，而是由成本结构决定的。很多所谓规范，并不是因为它天然正确，而是因为过去的试错成本太高。当试错成本被 AI 和自动化压低之后，一些过去看起来粗糙的方法，反而会变成更优策略。 --- AI 出现之后，这个效率被拉到一个更可怕的程度。不过其他人的效率也被提起来了，看上去倒没有那么夸张。 或许更准确地说，原本很多事情是“会的人”的专属，但有了 AI 之后，你更需要的是意识。你要知道这里可以自动化，这里可以沉淀，这里可以被抽象成脚本、流程、模板或工具。剩下的部分，AI 可以帮你补齐。 原本需要漫长积累才能获得的能力，正在变成一种可以被 AI 点化的概念。真正的差距，开始从“会不会做”，转向“知不知道这里可以被做”。 AI 让沉淀变得更容易。但识别什么需要沉淀，依旧需要经验。比如会计的一些 Excel 公式，人事的一些文本，一些 SOP，代码里的脚本、组件和工具链。 **高频产出不等于长期积累。** 这也是为什么我对只能完成一次性任务的 Agent 兴趣有限。真正有价值的不是让 AI 替我们反复完成固定事项，而是让它生产可沉淀的生产力：脚本、流程、组件、文档、工具链。它不是只完成任务，而是生产新的生产工具。 ---- 当知识、技能、执行力被 AI 大规模平权之后，真正不平等的东西会转移到哪里？会转移到更高层。 首先是提问的能力。当答案变得廉价，问题本身就变得昂贵。AI 可以生成答案，但它不能替你决定什么问题值得问，什么问题值得解决。 其次是品味。当所有人都能生成“还不错”的内容，“还不错”就会变成新的平庸。真正稀缺的是知道什么是好，什么是俗，什么值得留下，什么只是热闹。 然后是注意力管理。AI 时代最可怕的不是没有工具，而是工具太多；不是没有选择，而是选择太多。追工具的人会不断疲惫，追结构的人才会越来越清醒。 最后是信任网络。当内容可以无限生成，可信的人会重新变贵。AI 会平权表达，但不会平权信用。未来很多机会依旧不是分配给最会生成内容的人，而是分配给那些被证明过、被信任过、能够承担结果的人。 所以知识平权之后，并不会迎来简单的平均化。 AI 平权的是基础能力。它让更多人能写、能画、能编程、能表达、能查资料、能做方案、能进入过去进不去的领域。 但它不会自动平权问题定义能力、品味、注意力、信用和长期沉淀。 知识会被平权。 技能会被平权。 执行会被平权。 但主动权不会自动平权。 等浪潮真正拍到每个人脚下时，大多数人得到的是工具。 而提前理解浪潮的人，已经借着工具换到了新的位置。