从亦庄到杭州：AI从技术竞赛走向落地与思辨的双重追问

从亦庄的对接会到杭州的辩论场36氪把一道AI真问题交给了年轻人。两个城市两种场景一场关于AI的对话被拆成了截然不同的两半。亦庄的对接会是产业侧在找答案供需双方坐在一起聊的是场景、算力、成本模型和落地路径而杭州的辩论场是年轻人在提问题辩的是当AI进入生活之后效率、创造力、边界感、话语权到底该怎么重新分配。表面上看这只是一个活动从北京办到了杭州从产业圈下沉到了年轻人。但仔细想地理上的移动只是表象。真正变化的是AI行业在问自己的那道题变了过去一年大家一直在问“技术还能不能更强”而这次提问方式转向了“我们到底应该怎么用它”。这恰好是AI浪潮里最难回答、也最不该由少数人单独回答的问题。1. 对接会要的是“答案”辩论场要的是“问题”1.1 两种活动形态是AI行业的两张面孔先聊亦庄的对接会。这类场子在北京亦庄并不少见它通常是产业侧的“相亲会”一方是有技术、有模型、有算力能力的服务商另一方是有场景、有数据、有业务痛点的企业用户。两者坐在一起聊的是“我能给你解决什么”“你愿意为这个付多少钱”“数据能不能脱敏到可用的程度”“部署在私有环境还是混合云”。这类活动本质上是在给AI找一个具体的工位。而杭州的辩论场画风完全不同。它没有项目路演没有合同意向没有预算口径。它拿出来的是一个个等待被思考的问题AI生成的内容能不能算创作当机器可以在几秒内完成过去需要一个人花一周做完的活儿人的价值还剩什么效率优先和创造优先哪个才应该是产品设计的北极星这类问题没有标准答案也不应该用“快速落地”的心态去回答。对接会和辩论场的区别放在一起看非常有意思。一个在解决“AI怎么进入生产环节”另一个在解决“AI进入生活之后人的位置在哪里”。这不是先后关系而是并行关系。行业不能只埋头做对接会因为它并不知道自己正在建的到底是一座桥还是一堵墙行业也不能只办辩论场因为观点如果没有产品和场景去承接就只是修辞学。所以36氪把这两件事放进同一个主题链条本身就是一种判断AI这门课既需要产业侧的工程题也需要社会侧的思考题。两题都答才算过关。1.2 从亦庄到杭州是产业逻辑到产品逻辑的一次切换亦庄和杭州放在AI语境里恰好代表了两种气质。亦庄是高端制造业、智能网联汽车、AI算力基础设施聚集的地方那边的人聊起AI天然会先想“这东西跑不跑得起来、稳定性怎么样、成本能不能接受”杭州则是互联网产品文化非常厚的地方那里的人聊起AI更容易关心“这个东西好不好用、用户为什么愿意用它、它创造的是体验还是新的焦虑”。从产业逻辑切换到产品逻辑不是抬一个贬一个。恰恰相反AI真正的大规模落地正好卡在这两个逻辑的交界处。如果你只站在亦庄的视角看AI你看到的是模型能力、推理成本、私有化部署、数据治理。这些问题非常硬核但很容易忽略一个事实技术能力再强如果使用它的人没有好的交互体验没有足够的信任感没有清晰的价值感知技术依然不能形成真正的市场。而如果你只站在杭州的视角看AI你看到的是界面、交互、用户增长、体验设计但如果不理解算力成本、模型局限和部署边界产品也会很快碰到天花板。把对接会放在亦庄把辩论场放在杭州看起来是地理上的安排实际上把AI行业的两种关键能力从物理上拉开了距离。这正是当下最真实的局面AI一边在硬科技产业里扎根一边在数字产品生态里开花但这两拨人往往各聊各的很少有同场对话的机会。所以这场由北到南的移动更像是一次行业“破壁”让做产业的听到年轻人的质疑让做产品的看到产业侧的真实约束让还在辩论“AI该不该这样用”的人意识到AI已经在很多场景里这样用了。2. 这几年AI真正难倒人的不是技术而是“该怎么落地”2.1 技术扩散的速度远快于工作流再造的速度市场上不缺大模型也不缺开源权重和API。真正稀缺的是一个企业内部围绕AI重新拆解工作流、定义质量标准、分配人和机器职责的过程。拿AI编程来举例。现在很多开发者都在用AI辅助写代码Cursor、Copilot、通义灵码这类工具也已经进入了大多数一线开发者的日常。但这里有一个经常被忽略的事实接受AI辅助之后研发流程并没有自动变成“人写需求AI写代码机器测试人做review”这么简单。实际落地时会遇到一连串问题AI生成的代码风格和不和团队规范一致引入第三方依赖时听不听话把AI当成结对编程伙伴之后代码评审的标准要不要变测试用例是不是也要用AI生成如果AI生成的内容出现安全漏洞owner是谁这些问题都不是模型本身能回答的它们需要团队花时间去定规则、建流程、做试点、复盘迭代。技术扩散很快工作流再造很慢。这也是为什么很多团队试了一圈AI之后感觉“没有什么质的变化”的原因。不是AI没有用而是它没有进入到一个已经被重新设计过的流程里。你只是拿AI替换掉了原来的某个操作步骤却没有改变整个工作链路它产出的价值自然有限。2.2 AI编程、AI视频、AI短剧表面是工具竞争背后是生产分工的新课题近期的热搜里AI编程、AI视频、AI短剧、AI营销视频一键成片这些词的权重都很高。表面上看这是消费级工具和内容生产工具在争抢用户时间但如果往深一层看它真正在重新洗牌的是“生产分工”。以AI视频和AI短剧为例。过去做一条短视频需要一个编导、一个拍摄、一个剪辑、一个运营分工非常明确。现在用一键成片式工具一个人可以把原来一个小组的工作缩短到几小时甚至可以批量生成多个版本做A/B测试。这里真正被改变的不是“效率”而是“人对生产的定义权”。当生成视频的门槛变低什么样的人能生产出好内容就不再取决于你会不会用剪辑软件而取决于你有没有选题判断力、审美品味和用户理解。工具只是放大器真实差距重新回到了人的判断力。同样的逻辑也发生在AI编程上。会写代码的人当然还占优势但这个优势正在从“能写出这段逻辑”转移到“能不能识别AI写出来的逻辑哪里有问题、哪里会产生边界情况、哪里需要补测试”。判断力变得比编码速度更值钱。这也是为什么辩论场这种形式在AI时代会变得重要。因为AI带来的不是单一维度的效率提升而是一套全新的生产分配。在这个过程中哪些岗位会重构哪些能力会贬值哪些评判标准需要改写都需要通过公开讨论来逐步形成共识。如果没有辩论大家只会默默按照自己的利益位置去理解变化最后形成的是信息茧房而不是行业共识。2.3 从热搜词看AI应用的真实分布大家都在做但多数还停在“工具替代”如果把热搜词当成一个标本切片会看到一条非常明显的分布曲线AI应用的热度集中在内容生产、编程辅助、营销素材、产品设计这些环节。这说明一个事实AI的普遍使用层已经稳定大家默认“用AI辅助干活”是正常操作。但同时也暴露了一个更深层的尴尬大多数人仍然把AI当成一个替换旧工具的新工具而不是当成一个需要重新设计生产方式的变量。比如AI带货视频、AI广告视频一键成片。从工具角度看它确实能大幅缩短产片周期。但如果品牌方只是用它更快地产出和过去一模一样的视频那么它节省的只是时间并没有创造新的内容可能性甚至可能因为批量生成导致同质化更严重。比如AI绘画创作者如果只是把它当作一个快速出图器不把它纳入到自己的创作流程和风格体系里产出的东西大概率也只是中等质量的低保真素材。AI真正带来的增量不在于替人把旧动作做完而在于让人可以做出过去做不出来的东西。这个变化需要的是人有意识地去设计和AI协作的新工作流而不是仅仅给旧流程提速。所以看到那么多工具涌现我并不会为“效率”二字感到兴奋。更值得关注的是这些工具有没有反过来改变使用者对“好结果”的定义。如果答案是“没有”那它只是一个新的电子表格如果答案是“有”那它才真正参与了一次生产分工的重构。3. 为什么“把问题交给年轻人”不是一句口号3.1 年轻一代和AI的关系是“默认存在”而不是“后天学习”讨论年轻人和AI的关系时很容易陷入一个陈词滥调年轻人是AI原住民老人是数字移民。但这样说太泛了真正的差异藏在更具体的体验里。对已经工作了十年以上的人AI是一个需要主动去学的新工具。很多人习惯于“打开搜索引擎→看几条链接→自己判断、整理、输出”的流程用AI需要改掉这套肌肉记忆。但更年轻的一代人比如在校大学生、刚工作两三年的新人他们的习惯不是“先搜索再整理”而是“先问一个问题”。人和AI的对话对他们来说不是启动一个软件而是一种默认的交互方式。所以他们在面对AI时天然更愿意连续追问、自然扩展、把AI纳入自己的协作链条。这个差异看起来小其实会改变一个人对AI问题的提问方式。70后和80后做AI产品评审时更容易问“它能不能嵌入现有流程”而更年轻的人会问“为什么不能重新设计这个流程”。前者是改良视角后者是重构视角。在这个时间点上重构视角恰恰是行业最稀缺的。3.2 辩论场上真正有价值的不是输赢而是暴露分歧辩论是一个很有意思的容器。它不等于论坛不等于圆桌对话更不等于专家访谈。辩论的机制决定了参赛者必须在有限时间内清晰地提出自己的立场同时要想办法回应对方的挑战。它逼着人把模糊的感受变成明确的主张AI究竟是效率工具还是创造伙伴人机协作的边界应该划在哪里AI生成的“个性”到底是个性还是统计的平均值这些问题如果放在产业对接会上很容易被快速跳过因为没人愿意为了一道“哲学题”耽误谈合作如果放到调研报告里也很容易被抽象成一个一句话结论需要加强AI伦理建设。但辩论不一样。辩论逼着双方在同一个时间、同一个场景里为对立的主张给出理由、证据和底线。最有价值的不是谁赢了而是观众会看到原来这个问题有一方是这样思考的另一方是那样思考的而且双方的理由都成立。这种“暴露分歧”比达成共识更重要。因为AI行业现在的共识已经够多了——多到很多问题被共识提前消音。比如大家都说“AI不能替代人的创造力”但是什么是创造力它如何融入AI时代的生产和评价体系并没有真正展开过。辩论首先承认了这一点我们还没想清楚。这比假装想清楚了要积极得多。3.3 但也别过度神化“年轻”本身需要兜个底把问题交给年轻人不等于把答案交给年轻人。在辩论场上提出一个漂亮的立场和在真实项目里把它落地是两种完全不同的能力。年轻人确实有天然的优势好奇心强、思维灵活、对工具的使用没有心理负担、愿意接受反直觉的结论。但年轻人也普遍缺少几样东西领域数据没有长期积累不容易判断一个AI结果是否真的“不靠谱”。工程韧性面对失败重试、边界case、线上告警时经验不够容易先放弃而不是先排查。预算意识容易对推理成本、标注成本、人工复核成本没有概念把demo当成成品。所以最有希望的局面不是“大人给年轻人让位”而是两代人各取所长的组合。产业侧提供数据和场景约束年轻人提供更开放的提问方式和产品想象力双方在同一个场域里对话才是这次活动真正有增量的地方。如果只是把年轻人拉过来做一场表态式的辩论热闹归热闹价值有限。真正的价值在于让年轻人有机会把问题提到产业侧面前也让产业侧有机会看到下一代用户在意的并不只是便宜和快还包括边界、个性、自主权和创造感。4. 无论参不参加活动都要完成一次身份转换4.1 最该改变的不是工具清单而是工作习惯观察周围人用AI一个明显的分水岭是有些人只是用AI来替代搜索引擎问完一段就结束而另一些人会把AI当成一个真正的对话对象连续追问、要求它给出更多角度、甚至可以整理成可复用的工作文档。差别不在于“会不会用提示词”而在于是否完成了一次身份转换从“AI的使用者”转成“AI的协作者”。前者是拿来即用用完即走后者是持续对话反复校正。前者看重单次回答的质量后者更看重迭代关系中的一致性和可复盘性。我自己的体会是过去遇到一个不熟悉的技术问题习惯先搜几篇文章再对照官方文档再自己实验现在则会更习惯先把问题丢给AI让它给出一个结构化的框架再带着这个框架去查文档、做实验、找边界。这种方式不是不查资料了而是查资料的目的性更强资料的价值能聚焦到真正的盲区和特殊case上。这种工作习惯的改变比工具迭代重要得多。因为工具会持续变化但“先让另一个智能体帮你搭框架你再去验证和补充细节”这个协作模式在很长一段时间里都会成立。4.2 我建议每个正在学AI的人都先跑通一条最小闭环很多人学AI的路径是反的先看一堆技术趋势再收藏一堆工具最后真正动手做的却很少。这种学习方式很容易停留在“知道”的层面无法形成真实的体感。我更建议换一条路径选一个你手头真实存在的、低风险、有明确产出物的小任务把它完整地跑通一遍。没有必要一开始就追求“高难度场景”和“复杂工作流”越小越好。比如你是一个产品经理可以试试把一个需求文档从零到一交给AI让它帮你列出核心用户场景、异常流程、数据埋点建议和评审问题清单。等它列完之后你再人工判断哪些对了、哪些漏了再把真正需要补充的部分反馈给AI让它重新生成一版。比如你是一个运营可以试试让AI帮你从一个话题出发生成不同角度的内容提纲再选一个自己补充实际案例改写成一篇可以发布的稿件。注意不要直接发布AI生成的第一版就用这个动作来练习“哪些信息需要人工核实、哪些表达需要改变、哪些地方需要加入你自己的经验”。比如你是一个开发者可以尝试用AI写一个小的脚本或者函数但不要直接照单全收而是逐行理解补上异常处理和单元测试然后观察AI生成代码与你自己编码风格的差异。这类实验的意义不在于产出多高价值的结果而在于让你在真实任务的约束下建立对AI能力和边界的具体感知它在什么情况下能一次答对什么情况下会一本正经地胡说什么情况下需要你拆解问题才能获得更好输出。这些体感是看再多趋势文章都换不来的。4.3 建立自己的AI结果评价标准一个在AI时代非常重要、但仍没有被教育体系覆盖的能力对AI输出质量的判断力。大多数人天然会用“AI做出来的东西是不是够好”来判断但其实这个问题很难回答因为“好”的标准本身就是流动的。更好的评价方式不是只看单次结果而是从以下四个维度去看可复用性这个结果是一次性灵感还是可以被放到一个固定流程里反复使用只要结果是一次性的它带来的价值是有限的。可解释性你能不能理解这个结果为什么是这样如果不能它就很难被信任也很难继续向下一步传递。稳定性和一致性同一个问题换一种问法结果的质量会不会剧烈波动如果波动很大就要检查提示词和你对任务的定义方式。维护成本接手这个结果的同事或未来的你需要额外花费多少精力去修正、补充和重新理解这套评价标准比“AI好不好用”更接近问题的本质。因为它关心的不是工具本身而是你使用工具的方式能不能沉淀成可维护的工作资产。5. 给想深入参与AI浪潮的人一个可复用的五步框架5.1 选场景、定边界、做原型、建评测、再投入每次被问到“我想学AI/做AI应该从哪里开始”时我都会给出同样的五步建议。它适用于产品经理、运营、内容创作者、工程师甚至管理者第一步选场景。选一个你每天都会做的、重复频率高的任务。不要选你完全陌生的领域因为缺乏判断基准会让后续工作非常困难。比如你做数据分析就选一个“从一堆报表里提取核心信息”的任务你写文案就选一个“给固定产品写不同渠道推广语”的任务。第二步定边界。明确这个任务里AI负责哪一段人负责哪一段。比如AI负责初稿、人负责风格修正和终审AI负责代码生成、人负责测试覆盖和架构评审。边界不清是AI项目推进不下去的最常见原因。第三步做原型。用最快的方式跑通一次不需要先想清楚所有细节。用现成的模型、API或工具先做一个最小版本出来。目的是确认“这事大概能走通”以及“最卡的点在哪里”。第四步建评测。在扩大使用之前先定义什么叫做“好”。可以找三五条样本让AI输出你打分写下差异点形成一个小样本评价集。很多使用AI的人跳过了这一步结果就是一锅粥地接入好坏全凭感觉。第五步再投入。只有前四步的结果表明这个场景值得进一步加大投入才去做更系统的配置、提示词管理、流程整合、权限规划、日志监控。不要一上来就把AI接入核心业务也不要在没有评测的情况下扩大规模。这个五步框架的价值不在于每一步有多高级而在于强迫你先建立认知再扩大投入避免“先开枪后画靶”的常见问题。5.2 哪些事适合交给AI哪些事必须自己做AI虽强但凡事有适用边界。根据自己的实际体验我倾向于这样划分适合交给AI的信息整理和结构化把长篇材料变成要点、表格、框架。初稿生成写代码、文案、文章、邮件先产一版再迭代。多方案生成同一个需求生成不同视角/不同风格的候选方案供人工挑选。模式识别从一堆日志、反馈、评价中找到重复出现的主题。不适合完全交给AI的最终决策凡是涉及资源投入、用户影响、团队取向的选择AI只能给参考信息最终决策必须有人来负责。对真实用户的同理心判断AI可以识别情绪词但它没有和真实用户长期相处过。在一些高度依赖人际体感的场景里不要完全依赖AI。需要稳定承诺的事情比如对外发布的内容、关键系统变更、产品正式上线必须有人对结果负责。极端情况下的安全判断当信息不完整、上下文含糊、代价极高时AI给出的“看起来合理”的答案也需要人工复核。判断标准其实很简单这件事如果错了代价有多大这个错误AI能不能承担责任。一旦答案是“代价大且责任必须由人来承担”人就绝不能退场。5.3 对年轻人而言最好的入场方式不是“成为专家”而是“保持提问”在辩论场里年轻人最大的优势不是知识量多到能压过对手而是他们敢问那些“已经被默认了”的问题。比如AI回答得又快又完整为什么我们还是觉得缺了点什么AI量化了内容生产的标准那审美还有个性和稳定之分吗这些问题在产业侧看来可能有点“空”但恰恰是下一代人与AI相处的基点。如果没有人提出来AI产品会持续沿着“更快、更便宜、更省人力”的方向狂奔最后所有人都被效率压得喘不过气。所以我也建议不打算参加类似活动的年轻人可以先从“保持一个真问题”开始。真问题不是查出来的而是你在使用AI、学习AI、观察别人用AI时发现哪里让你不舒服、哪里让你觉得不对、哪里让你觉得“这不能就这么算了”。把这些感受记录成问题。不需要立刻得到答案也不需要立刻反对什么。保持提问意味着你在持续关注AI与人的关系而不是只站在旁边看热闹。6. 从一次对话到一场持续讨论AI需要更多参与者从亦庄的对接会到杭州的辩论场36氪把一道AI真问题交给了年轻人但这句话更准确的理解应该是它把一道本来在产业圈里自问自答的问题扩大成了需要公众共同参与回答的问题。对接会证明了AI已经能用辩论场说明AI还没有被想清楚。两者叠加起来才是一个完整的行业状态AI的技术发展已经走到了可以落地、可以工业化、可以创造价值的阶段但AI的社会认知、产品形态、使用边界、价值分配还远没有形成共识。所以下一阶段最值得关注的不再是“哪个模型又刷了榜”而是“不同行业、不同年龄、不同立场的人能不能围绕AI展开高质量的公共讨论”。AI不是一种纯技术现象它更像一次全民范围的再分工每个人都需要找到自己在新的生产链条中的位置。如果你能参与这类讨论就去表达你的问题如果不能也可以从自己的小任务开始亲手体验一次“人机协作”然后给自己回答一个问题我的工作流程里哪些步骤被重新定义了哪些能力需要重新评估哪些东西是我不打算让机器替代的。这两个问题比任何工具方法论都更接近AI带给这个时代的真问题。产业侧的对接会能把项目谈成杭州的辩论场能把问题摊开而剩下的路要靠每个正在使用AI、观察AI、评估AI的人一步一步走出来。