用 AI 卷软件，其实你还在「务农」——关于 AI 确定性的 4 个判断

上周六和百川智能的郭美青（Andy）聊完 AI 的确定性，我回来又想了几天，越想越觉得有几件事值得单独讲讲。

尤其是最后一个判断，可能会戳到很多今天正拿着 AI 拼命写软件的人——你以为自己踩在风口上，其实还在「务农」。

下面是我总结的四个判断，从最确定的，到最扎心的。

关于 AI 确定性的 4 个判断一、真正不变的，是「品味」和 benchmark

模型一直在变，一代比一代强。但你会发现，一个行业「什么叫好」的标准，在很长一段时间里是不会变的——这个标准，在模型公司内部就叫 benchmark。

判断 01 · 真正不变的是品味与 benchmark

人对一个场景的品味、对这个场景 benchmark 的定义，才是那个相对不变的东西。模型能力天天涨，但"你想要什么、你凭什么判断这件事做得好"，变得很慢。所以在一堆不确定里，这是第一个确定性。

二、一个暴论：未来每家公司，都会有自己的模型

未来每家公司，都会有自己的模型

今天很多 OPC、FDE 都在用现成的模型去解决软件行业的问题。但说实话，这个过程并没有太多真正的积累。

打个比方：这就像人类从农业社会迈向工业社会的那个当口。早期有一批人先会开拖拉机、开农用机械，他们开着机器去农场收割、干农活，生产力一下就上来了，看着很厉害。但这不是终局——当人人都会开这台机器，软件这件事就没有门槛了，它退化成和农业一样：只要你愿意付出体力（脑力），就能把活干完。

用 AI 去写软件，不是 AI 行业真正需要的东西，因为它形不成数据飞轮。你相当于是拿着工厂造出来的工业机械，去干农业的活——是降维打击没错，但真正的迁移方向，是去建那个工厂、去做「工业」本身。

所以我有一个挺极端的判断：未来每家公司都会拥有自己的模型。就像 2000 年，你有一个自己的网站就很了不起，而今天，几乎每家公司都有网站。模型也会走同一条路——未来可能每家公司都有自己的模型。因为只有拥有自己的模型，你才能形成数据飞轮，才能一直保住领先优势。只是调用别人的 API，是转不起这个飞轮的。

三、看看模型公司里的岗位，你就知道该怎么卡位

有个观察挺有意思：如果把模型公司内部的岗位，类比到互联网时代——

•算法工程师，很像当年的「运营」。机器给他准备好，数据、各种资源都往他这儿汇集，他在中间调配、把结果端出来。

•定义「品味」的人，很像「产品经理」。互联网/软件时代，产品经理写的是 PRD；而现在面向模型，你写的那份「PRD」，本质就是 benchmark。

• 还有一大块，是做数据的人。模型训练里很大一部分工作，其实都在跟数据打交道。

如果你认同第二个判断——未来每家公司都有自己的模型——那你就该想想：在这样的结构里，你的职业该怎么卡位？

四、给所有 OPC / FDE 的忠告：别用 AI 去卷软件

用 AI 卷软件，其实你还在「务农」

我最近当了好几场 Hackathon 的评委，看下来一个扎心的事实：95% 以上的项目，都是在用 AI 写各种传统软件。而这些软件里，七八成以前都有人做过——区别只是，以前一堆人干的活，现在一个人就干完了。

这说明什么？大家还在务农，只是换了台更快的机器。

我想给屏幕前每一位朋友一个真心的建议：在这轮变革里，要去做确定性的事，要往 AI-native 的方向走。

AI-native 的标志是什么？是你能形成自己的数据飞轮。换句话说，你今天用掉 token，目标应该是让自己未来能创造 token，而且创造出更有价值的 token。

而创造更好 token 的前提，就是数据飞轮：你去收集这个行业里最尖锐、最专业的问题，拿它去训练，再找专家来回答、标注，让你的模型越来越好——这个循环一旦转起来，你就能一直保持领先。除非有颠覆式创新，否则在当下的技术路线上，别人很难追上你。

农业时代向工业时代迁移的时候，聪明人是去工业里找机会，而不是守着地继续种。今天也一样：软件这块地，已经不值得所有人一起卷了。不管你是 OPC、FDE，还是所谓的 AI 超级个体，都该往更上游走一步。

这是我今天最想说的话，送给关注我的每一位朋友。