也聊聊为什么AI落地难
AI落地难的根本原因在于知识获取、验证成本和责任不清，特化模型和“Human in the Loop”是可行路径，但AI已在部分领域取代人力并引发社会变革。AI的工具重构是必然趋势，其目标是解决问题而非模仿人类，但AGI泡沫破裂后，市场将回归特化模型。AI在国防、编程等领域的实际应用表明其已产生价值，但复杂场景下的Context Window膨胀、运行时学习能力不足等仍是挑战。AI将大规模取代初级岗位，高级人才需学会指挥AI Agent，社会结构和法律框架将随之改变。
1. 关键信息
- (之前已归纳) AI在特定场景（易验证、数据充足）下表现良好，但难以达到100%成功率，幻觉普遍。
- (之前已归纳) 验证成本高是AI落地的一大瓶颈，尤其是在现实世界交互和复杂需求定义场景。
- (之前已归纳) 多步AI推理中，每一步的幻觉会累积，影响整体准确性，无法仅靠增加深度解决。
- (之前已归纳) 许多行业知识是隐性的，AI难以掌握，例如法律领域的辩护策略。
- (之前已归纳) 美国强调责任归属，AI出错时由使用者担责，导致企业对AI签字权持谨慎态度。
- (之前已归纳) AI学习新知识成本高，微调（finetune）仅对训练集内知识有效，RAG或Agent效果有限。
- (之前已归纳) AI落地难的根本原因在于知识、验证成本和责任不清的“玻璃天花板”。
- (之前已归纳) 未来主流可能是“human in the loop”，AI在可接受不确定性或易验证领域有发挥空间。
- (之前已归纳) AI的出现更多是减少工作人数，而非完全替代职业。
- (之前已归纳) AI替代的是初级岗位，高级人才将更多地指挥AI Agent。
- (之前已归纳) LLM的非确定性特性需要新的约束和监控系统，数据API成本也较高。
- (之前已归纳) 算力成本降低并不能解决AI落地面临的所有问题。
- (之前已归纳) 未来高级人才更侧重思维方式和设计能力，而非单纯的代码技能。
- (之前已归纳) L4、L5级别的岗位通常也是由初级岗位逐步成长起来的，暗示了AI对初级岗位的影响。
- (之前已归纳) AI落地难的根本原因被归结为试图在短时间内解决长期存在的问题（20年的问题放到2个月内解决）。
- (之前已归纳) AI在呼叫中心、写作（copywriting）、教育等领域已实现落地。
- (之前已归纳) 有观点认为，AI的“落地”标准不应过于严苛，解决大部分问题（如80%）即可算落地，历史上的成功产品也并非完美解决100%问题。
- (之前已归纳) AI被视为一种手段而非目的，对多数公司而言，AI本身不是产品。
- (之前已归纳) AI的成本高昂，客户（特别是中小公司、学校、医院等预算紧张的机构）不愿意为此付费。
- (之前已归纳) AI的发展速度惊人，从ChatGPT的“人工智障”到如今的快速迭代，预示着未来可能带来巨大的社会变革。
- (之前已归纳) 责任不清的问题在Agent面前可能不再是问题，生产力决定社会结构，法律和社会框架会随之改变。
- (之前已归纳) 生产力决定社会结构，AI的快速发展可能导致社会法律的变革，以及AI Native一代的出现。
- (之前已归纳) AI不具备分辨善恶、是非、对错的能力，这被视为其“天花板”，本质上是“巨型抄答案机器”。
- (之前已归纳) AI在处理“抄答案”类型的工作上表现胜任。
- (之前已归纳) 行业知识的隐性化是AI落地难的原因之一，尤其在程序员领域，过度开源和分享可能导致AI在该领域表现更好。
- (之前已归纳) AI的容错率是关键，不同行业对AI的容错率要求不同；例如，自媒体对插图要求不高，AI可满足，但广告公司则不行。
- (之前已归纳) 当用户具备相关知识时，能及时发现AI的错误并进行纠正，从而有效利用AI；否则，AI错误可能导致方向偏差。
- (之前已归纳) AI模型缺乏像“Magi”中女性角色那样的“一票否决权”的魄力。
- (之前已归纳) SaaS模式的定价方式可以多样化，不限于“per seat fee”，如“per operation”，SaaS公司仍有较强的议价能力。
- (之前已归纳) 商业上的复杂性远超技术上的简单性，AI在解决商业问题上并非易事。
- (之前已归纳) 科技出身的产品经理（PM）是否还需要高级职位存在疑问。
- (之前已归纳) 算力成本是AI替代领域的重要瓶颈，当算力足够便宜时，AI的替代范围可能会超出想象。
- (之前已归纳) 人脑在很多方面可能比AI能耗更低、成本更低，未来AI与人脑可能存在竞争关系。
- (之前已归纳) 论坛讨论者预测，在OpenAI等公司上市并找到接盘侠后，可能会出现论证AI“无用”的声音。
- (之前已归纳) AI的未来发展充满不确定性，既有巨大变化，也有不变之处。
- (之前已归纳) IRS（美国国税局）利用AI审查税表，尤其是在复杂的美国税法下，AI的潜在应用值得关注。
- (之前已归纳) AI的“落地”不应局限于“智慧”的卷比，而是普及自动化，通过降低成本实现全流程自动化，尤其是在工业化标准流程中。
- (之前已归纳) 即使AI存在错误和幻觉，其在某些工作类型中可能比人类更受欢迎，因为人类还存在“心机”等负面因素。
- (之前已归纳) 存在争议，有人认为AI的幻觉问题在安全和监管领域（如无人驾驶、版权）是致命伤，导致需要回归人工，而另一些人则认为AI在某些方面比人更优，且人类也并非完美。
- (之前已归纳) AI与SaaS产品的区别在于，SaaS是确定性地解决一定比例的问题，而AI常被宣传解决大部分问题，但实际效果却因幻觉等问题而大打折扣，甚至不如SaaS有前景。
- (之前已归纳) 线性外推AI发展速度（如从ChatGPT到取代人类仅需3年）被认为不靠谱，技术发展更可能遵循S型曲线。
- (之前已归纳) Agent的可靠性存疑，例如五角大楼禁用Agent，认为“全Agent社会”是虚幻的，AI发展并非如一些人所预期的那样迅速达到奇点。
- (之前已归纳) 真正需要负责的行业（如医疗、金融）AI难以落地，而创意写作等风险较低的领域则相对容易实现应用。
- (之前已归纳) 许多应用连20%的问题都未能有效解决，且幻觉问题在关键领域（如医疗客服）仍是致命伤，导致需要回归人工。
- (之前已归纳) Opus 4.x在编程领域取得突破，通过高度特化能力（放弃数学等）实现了对Gemini和GPT的超越，引发了程序员行业的震动，这被视为AI“落地”的典范。
- (之前已归纳) 讨论者认为，当前模型“傻逼”是因为追求一步到位的AGI，而忽略了特化应用的重要性。
- (之前已归纳) 认为AI的“落地”应是模型在特定领域进行RL（强化学习）训练，而非追求全能AGI。
- (之前已归纳) 讨论者认为，使用基础版Grok或国产AI模型在某些特定任务上（如检测模型）可能不如成熟的YOLO等模型，暗示了AI落地需要根据具体场景选择最合适的工具，而非一味追求最新技术。
- (之前已归纳) AI能写出不错的初稿、完成前期准备和整理工作，这本身就是一种“落地”，已经取代了相当一部分旧生产力，导致了部分岗位的裁员。
- (之前已归纳) 对AI“落地”的期望不应过高，未达到100%完美解决问题不代表AI没有价值，其已在很多方面取代了人力。
- (之前已归纳) AI对就业市场的影响是巨大的，即使平均取代一半的人力，也是一个非常可怕的数字，需要考虑被取代人群的未来。
- (之前已归纳) AI的发展不应只关注供给端（效率提升），更要考虑需求端（消费和就业），否则将面临生产过剩和消费不足的问题。
- (之前已归纳) 隐性知识和经验判断是AI落地的一大挑战，例如软件系统的异常指标分析、甲方需求处理、以及广告风格判断等，这些知识往往难以文档化，依赖资深从业者的口头传授和经验积累。
- (之前已归纳) 幻觉累积是简单的工程问题，但Context Engineering和Agent Engineering目前仍是为基础模型参数不足“找补”的工程实践，只能缓解而非解决AI落地中的核心问题。
- (之前已归纳) AI发展速度被夸大，从S型曲线被吹嘘成J型曲线，导致人们的反感。
- (之前已归纳) 效率提升10%的AI尚能通过创造新需求来缓冲，但50%的效率提升可能引发通缩螺旋。
- (之前已归纳) 预计在AI公司上市后，会出现论证AI实际提升效果远低于预期的声音。
- (之前已归纳) Context Engineering和Agent Engineering等实践，在模型不完备的情况下，依赖大量训练数据中的use pattern，但仍面临Tool Call的meta-pattern不足、上下文压缩丢失信息、Subagent依赖主Agent输入等问题，尤其在开放领域和缺乏训练数据的任务中更为明显。
- (之前已归纳) 即使在最成熟的Coding任务中，Agent Engineering也存在局限，例如非POSIX文件系统调用错误、外部工具利用率低，以及Subagent输出丢失中间上下文导致任务执行错误。
- (之前已归纳) 在涉及“实验硬件”等复杂Function Call时，定义其效果和边界情况（unknown unknowns）是巨大挑战。
- (之前已归纳) 对于法律案情分析或房地产Agent等开放领域，如何定义关键信息、避免上下文丢失，以及处理AI的“误解”是难题。
- (之前已归纳) Agent Engineering和Context Engineering本质上是为基础模型参数不足的“找补”，是妥协的工程实践，无法根本解决AI落地中的核心问题。
- (之前已归纳) AI的工具重构是必然趋势，因为AI的目标是“解决问题”，而非必须模仿人类的解决方式。
- (之前已归纳) 关于级联幻觉是否是主要问题，有待商榷，但目前的工程实践（Context/Agent Engineering）更多是为基础模型参数不足“找补”，而非根本解决。
- (新增) "Human in the loop" 模式是AI落地的一种可行方式，即AI辅助人类工作，而非完全替代。这种模式在AI能力有限或需要人工判断的场景下尤为重要。
- (新增) AI的“落地”不应局限于追求AGI（通用人工智能），而应关注其在特定领域的能力提升和自动化普及，例如通过RL训练的特化模型。
- (新增) AI发展速度的线性外推（如3年内取代人类）被质疑，更可能遵循S型曲线，且“全Agent社会”的设想被认为是虚幻的，Agent的可靠性不足以支撑。
- (新增) AI在需要高度负责的行业（如医疗、金融）难以落地，而创意写作等风险较低的领域相对容易应用。
- (新增) 许多AI应用连20%的问题都未能有效解决，幻觉问题在关键领域是致命伤，导致需要回归人工。
- (新增) Opus 4.x在编程领域的突破，以及特化模型（而非AGI）的成功，被认为是AI“落地”的有效路径。
- (新增) AI的工具重构是必然趋势，因为AI的目标是“解决问题”，而非必须模仿人类的解决方式。
- (新增) 关于级联幻觉是否是主要问题，有待商榷，但目前的工程实践（Context/Agent Engineering）更多是为基础模型参数不足“找补”，而非根本解决。
- (新增) AI在国防领域的实际应用（如抓捕杜马罗、攻击伊朗）被视为AI“落地”的例证，表明AI已在特定领域产生实际价值。
- (新增) AI assist层面已能取代大量人力，且随着模型能力提升、数据中心扩张和token价格下降，人与AI交互的平衡点将持续向AI倾斜，AI辅助将成为不可逆的趋势。
- (新增) 五角大楼禁止完全无人干预的AI用于武器，但AI在抓马杜罗和攻击伊朗事件中的作用被视为其实际“落地”的证明。
- (新增) AI在复杂、无测试环境的生产Bug排查等场景下，其Context Window的膨胀问题依然是挑战。
- (新增) AI对公开知识（非编程类）的特化不足，在数据分析中常无法正确理解逻辑，需要人工编写逻辑框架。
- (新增) 可以通过开发expert agent来解决LLM不具备所有领域知识的问题，未来软件开发将转向开发expert agent。
- (新增) Sub-agent的领域专业知识来源是关键问题，RAG、Custom System Prompt和Tool等只能补充信息和工具，但缺乏训练数据的领域依然是盲点。
- (新增) 运行时学习能力不足、大量领域缺乏学习数据以及领域过于复杂无法运行时学习，将限制AI系统的上限。
- (新增) 认为AGI的泡沫破裂后，将转向挖掘各行业特化数据训练专门的expert model。
- (新增) MoE（Mixture of Experts）被视为一种试图实现AGI的“邪教”，最终落地产品将是大量specialized model。
- (新增) Opus 4.x的反超证明了特化模型的优势。
- (新增) Attention model在当前架构下难以实现AGI，因为模型在训练完成后无法在实践中学习，调整只能通过有限的context window实现。
- (新增) 幻觉问题也可能随着模型和工程实践的进步而“坍缩”。
- (新增) “洗车测试”的例子说明，人类对AI的错误判断可能源于自身思维的局限性，AI的“错误”有时是“跳出框框”的体现。
- (新增) 认为AI在特定场景下的“错误”不一定是幻觉，可能是人类未曾设想到的解决方案。
- (新增) INTU的管理层需要理解AI，AI的开发成本高昂，当前阶段类似于拨号上网时代。
- (新增) 训练Agent仍然是技术活，并非仅靠堆砌算力就能实现，未来可能出现更多由顶尖AI人才开发的高质量Agent。
- (新增) 在处理用户数据用于训练Agent的问题上，可以考虑雇佣税务专家来建立知识库，以弥补数据或知识的不足。
- (新增) AI不是淘汰所有人，而是大部分人，大部分人跟expert比起来，超无用处，只是做一些manual tasks罢了。让AI做较为明确的任务，不管多么tedious，简直又快又好，超过绝大部分人。
- (新增) AI带来的改变和前几次工业革命没有本质区别，结果应该是人类进入万物可编程时代，以后的工作必然要和流程化自动化打交道了，落地是迟早的事情。如果认为这次没有本质区别，那么关于之前工业革命的论断依旧成立：短期结构性失业，长期创造就业。
2. 羊毛/优惠信息
- (之前已归纳) 无
- (新增) 无
3. 最新动态
- (之前已归纳) 无
- (新增) 无
4. 争议或不同意见
- (之前已归纳) 有人认为只要不进行人工复核，AI的幻觉就不存在。
- (之前已归纳) 有人认为AI的“落地”应定义为产品能产生现金流或内部实现利润增长。
- (之前已归纳) 有人认为AI的护城河在于成本，算力足够低时将“毁天灭地”。
- (之前已归纳) 有观点认为，将AI在特定领域（如呼叫中心）的落地视为普遍现象，可能忽略了其他领域（如新创业公司和企业AI部门）面临的实际困难。
- (之前已归纳) 对于“落地”的定义存在分歧，一方认为应有灵活标准（解决大部分问题即可），另一方可能隐含更严格的标准（如100%成功率）。
- (之前已归纳) 有人认为AI对中小企业（SaaS客户）是“革命”，因为AI可能颠覆其现有的商业模式（如per seat fee）。
- (之前已归纳) 有人认为，道德和赚钱并不冲突，即使产品“割韭菜”或“邪恶”，也不妨碍其赚钱。
- (之前已归纳) 存在关于科技出身PM是否还需要Senior职位的讨论。
- (之前已归纳) 关于AI替代领域范围的争论，一方认为算力降低将极大扩展AI替代范围，另一方则认为人脑在某些方面成本更低。
- (之前已归纳) 对AI发展速度的线性外推（如3年内取代人类）被质疑，认为技术发展更可能是S型曲线。
- (之前已归纳) “全Agent社会”和“奇点”的设想被认为是“fever dream”，认为Agent的可靠性不足以支撑这种愿景。
- (之前已归纳) 关于AI是否能解决80%问题的看法存在分歧，有观点认为实际应用中连20%的问题都难以有效解决，且幻觉是致命伤。
- (之前已归纳) AI在普及自动化方面的应用与追求“智慧”的AI存在不同落地方向的争议。
- (之前已归纳) AI的幻觉问题在需要高度负责的行业（如医疗、金融）与在低风险领域（如创意写作）的落地难度存在显著差异。
- (之前已归纳) AI与人类在工作偏好上的比较，以及AI在降低成本和普及自动化方面的作用。
- (之前已归纳) 关于当前AI模型能力（如GPT、Gemini）与特化模型（如Opus 4.x）在特定领域（如编程）的优劣存在争论，以及这是否代表了AI“落地”的真正方向。
- (之前已归纳) 关于基础版Grok和国产AI模型在特定任务上是否优于成熟模型的讨论，暗示了AI工具选择的实用性考量。
- (之前已归纳) 关于AI“落地”的期望值存在分歧：一方认为AI能提供不错的初稿、完成前期准备工作即为落地，已取代大量旧生产力；另一方则认为未达到完美解决问题的程度（100%成功率）就不能算落地，AI不能完全代替人。
- (之前已归纳) AI落地应侧重于普及自动化和降低成本，而非仅追求“智慧”的提升。
- (之前已归纳) AI的幻觉问题在安全和监管领域（如无人驾驶）是致命伤，但在某些工作类型中，AI可能因其“非心机”的特点而比人类更受欢迎。
- (之前已归纳) AI发展速度的线性外推被质疑，更可能遵循S型曲线，且“全Agent社会”的设想被认为是虚幻的。
- (之前已归纳) AI在需要高度负责的行业（如医疗、金融）难以落地，而创意写作等风险较低的领域相对容易应用。
- (之前已归纳) 许多AI应用连20%的问题都未能有效解决，幻觉问题在关键领域是致命伤。
- (之前已归纳) Opus 4.x在编程领域的突破，以及特化模型（而非AGI）的成功，被认为是AI“落地”的有效路径。
- (之前已归纳) 幻觉累积被认为是工程问题，但目前的Agent/Context Engineering只是为基础模型参数不足的“找补”，建议关注模型本身的进步，而非过度依赖工程实践。
- (之前已归纳) AI发展速度被夸大，从S型曲线被吹嘘成J曲线，引发了反感。
- (之前已归纳) 效率提升10%是可控的，但50%的提升可能导致通缩螺旋。
- (之前已归纳) 预计AI公司上市后，会出现对其能力的高估被修正的论调。
- (之前已归纳) Context/Agent Engineering在模型不完备时依赖训练数据中的use pattern，但仍存在Tool Call meta-pattern不足、上下文压缩丢失、Subagent依赖主Agent输入等问题，尤其在开放领域。
- (之前已归纳) Agent Engineering在Coding任务中也存在局限，如文件系统调用错误、外部工具利用率低等。
- (之前已归纳) 定义复杂Function Call（如实验硬件）的效果和边界情况是巨大挑战。
- (之前已归纳) 在法律案情分析或房地产Agent等开放领域，定义关键信息、避免上下文丢失、处理AI误解是难题。
- (之前已归纳) Agent Engineering和Context Engineering本质上是为基础模型参数不足的“找补”，是妥协的工程实践。
- (之前已归纳) 关于AI“解决问题”的目标，以及工具重构是必然趋势的观点，与AI必须模仿人类解决方式的传统认知存在差异。
- (新增) 关于AI Agent的可靠性存在争议，尽管五角大楼禁止完全无人干预的AI用于武器，但AI在抓捕马杜罗和攻击伊朗等事件中的作用被视为其实际“落地”的证明。
- (新增) “AI assist”层面已能取代大量人力，且随着技术发展和成本下降，人与AI的平衡点将持续向AI倾斜，AI辅助将成为不可逆的趋势。
- (新增) AI在复杂、无测试环境的生产Bug排查等场景下，其Context Window的膨胀问题依然是挑战。
- (新增) AI对公开知识（非编程类）的特化不足，在数据分析中常无法正确理解逻辑，需要人工编写逻辑框架。
- (新增) 可以通过开发expert agent来解决LLM不具备所有领域知识的问题，未来软件开发将转向开发expert agent。
- (新增) Opus 4.x在编程领域的突破，以及特化模型（而非AGI）的成功，被认为是AI“落地”的有效路径。
- (新增) 认识到AI的“问题解决”目标，以及为实现此目标而进行的工具重构是必然趋势。
- (新增) 保持对AI发展速度的理性预期，避免被夸大的“J曲线”叙事误导，理解技术发展的S型曲线规律。
- (新增) 建议关注AI在特化模型领域的进步，并认识到其“解决问题”导向的工具重构是必然趋势。
- (新增) 关注Sub-agent的领域知识来源问题，并认识到AI在运行时学习能力和数据稀缺性上的局限性。
- (新增) 认为AGI泡沫破灭后，将回归特化模型，Attention Model难以实现AGI。
- (新增) 关注AI在特定领域（如编程）通过高度特化和RL训练实现突破的趋势，这被认为是AI“落地”的有效路径。
- (新增) 在选择AI工具时，应根据具体任务和场景的成熟度进行考量，而非盲目追求最新技术。
- (新增) 理解AI的目标是“解决问题”，并认识到为了实现这一目标，对现有工具进行重构是必然的趋势，而非拘泥于AI必须模仿人类的解决方式。
- (新增) 在AI开发成本高昂的背景下，公司管理层对AI的理解至关重要，AI的落地过程可能并不顺利。
- (新增) 训练Agent需要技术和专业知识，而非简单堆砌算力，未来可能涌现更多由顶尖AI人才开发的高质量Agent。
- (新增) 对于AI在特定领域（如税务）的应用，若存在数据或知识短板，可考虑通过雇佣专家来建立知识库，以促进AI的落地。
- (新增) AI不是淘汰所有人，而是大部分人，大部分人跟expert比起来，超无用处，只是做一些manual tasks罢了。让AI做较为明确的任务，不管多么tedious，简直又快又好，超过绝大部分人。
- (新增) AI带来的改变和前几次工业革命没有本质区别，结果应该是人类进入万物可编程时代，以后的工作必然要和流程化自动化打交道了，落地是迟早的事情。如果认为这次没有本质区别，那么关于之前工业革命的论断依旧成立：短期结构性失业，长期创造就业。
5. 行动建议
- (之前已归纳) 在可接受不确定性或易验证的领域探索AI应用。
- (之前已归纳) 考虑“human in the loop”模式，结合AI和人工进行工作。
- (之前已归纳) 关注AI在减少工作人数方面的潜力，以及高级人才如何利用AI Agent。
- (之前已归纳) 对于企业而言，需要建立新的系统来约束和监控AI的表现，并审慎处理AI的责任问题。
- (之前已归纳) 认识到AI对初级岗位的替代作用，并理解高级人才将更多地扮演指挥AI Agent的角色。
- (之前已归纳) 调整对AI落地时间表的预期，避免过度追求短期内的完美解决方案。
- (之前已归纳) 建议学校大幅改变教学模式，更注重实际应用，类似bootcamp，并将实习机会转化为付费实习。
- (之前已归纳) 在评估AI落地时，应考虑其在特定领域的实际应用和解决问题的比例，而非僵化地追求100%成功率。
- (之前已归纳) 对于预算有限的客户，AI解决方案需要考虑成本效益，或者提供免费/低成本的切入点。
- (之前已归纳) 关注AI发展带来的社会结构和法律变革，为未来可能的AI Native一代或被机器取代的社会做好准备。
- (之前已归纳) 在AI应用中，需要关注其容错率是否满足行业需求，并具备识别和纠正AI错误的能力。
- (之前已归纳) 关注AI在“抄答案”类工作中的应用，但需认识到其在分辨是非对错上的局限性。
- (之前已归纳) 对于SaaS公司，应探索除“per seat fee”外的多元化定价模式，以应对AI可能带来的商业模式颠覆。
- (之前已归纳) 认识到AI在解决复杂商业问题上的局限性，技术和商业问题需要分开考量。
- (之前已归纳) 关注AI发展可能对现有岗位（如Senior PM）的影响，并为未来可能出现的新型职业角色做准备。
- (之前已归纳) 持续关注算力成本的下降趋势，以及其对AI应用范围的潜在影响。
- (之前已归纳) 区分AI的AGI和AI-assisted应用场景，根据实际能力选择合适的落地方式，侧重于普及自动化和降低成本。
- (之前已归纳) 对AI的“落地”标准持谨慎态度，认识到许多应用连基础问题都未能有效解决，应避免过度乐观的预期，尤其是在涉及安全和监管的领域。
- (之前已归纳) 警惕对AI发展速度的线性外推，理解技术发展可能存在的瓶颈和S型曲线效应，对“全Agent社会”的设想保持理性。
- (之前已归纳) 关注AI在满足通用性、快发订单需求方面的应用，以及其在细分场景中结合自动化取代人力的趋势。
- (之前已归纳) 认识到AI在某些工作场景中可能因其“非心机”的特点而更受欢迎，但同时也要警惕其幻觉问题在关键领域的风险。
- (之前已归纳) 建议将AI的优势与人类的劣势相结合，以“取长补短”的方式实现AI的落地。
- (之前已归纳) 关注AI在特定领域（如编程）通过高度特化和RL训练实现突破的趋势，这被认为是AI“落地”的有效路径，而非追求全能AGI。
- (之前已归纳) 在选择AI工具时，应根据具体任务和场景的成熟度进行考量，例如在检测模型领域，成熟的YOLO等可能比最新但未完全落地的模型更实用。
- (之前已归纳) 认识到AI已取代了大量前期准备、整理和初稿工作，即使未达到100%完美，也已取代了相当一部分旧生产力，对就业市场产生显著影响。
- (之前已归纳) AI落地应更关注其对整体生产力提升和旧生产力取代的宏观影响，而非仅停留在个体效率提升的层面。
- (之前已归纳) 对于AI可能带来的大规模失业问题，需要提前思考被取代人群的未来和整体经济的供需平衡。
- (之前已归纳) 承认幻觉累积是工程问题，但目前的Agent/Context Engineering只是为基础模型参数不足的“找补”，建议关注模型本身的进步，而非过度依赖工程实践。
- (之前已归纳) 保持对AI发展速度的理性预期，避免被夸大的“J曲线”叙事误导，理解技术发展的S型曲线规律。
- (之前已归纳) 区分AI带来的效率提升是10%（可控）还是50%（潜在风险），并警惕AI可能引发的通缩螺旋。
- (之前已归纳) 关注AI公司上市后的市场反应，以及对AI实际能力评估的修正。
- (之前已归纳) 在Agent/Context Engineering实践中，注意其局限性，尤其是在开放领域和复杂Function Call的定义上，应更关注基础模型的进步。
- (之前已归纳) 在选择AI工具时，应以实用性为导向，根据任务成熟度选择最合适的工具，而非盲目追求最新技术。
- (之前已归纳) 理解AI的目标是“解决问题”，并认识到为了实现这一目标，对现有工具进行重构是必然的趋势，而非拘泥于AI必须模仿人类的解决方式。
- (新增) AI assist层面已能取代大量人力，且随着技术发展和成本下降，人与AI的平衡点将持续向AI倾斜，AI辅助将成为不可逆的趋势。
- (新增) AI在国防领域的实际应用（如抓捕杜马罗、攻击伊朗）被视为AI“落地”的例证，表明AI已在特定领域产生实际价值。
- (新增) AI在复杂、无测试环境的生产Bug排查等场景下，其Context Window的膨胀问题依然是挑战。
- (新增) AI对公开知识（非编程类）的特化不足，在数据分析中常无法正确理解逻辑，需要人工编写逻辑框架。
- (新增) 可以通过开发expert agent来解决LLM不具备所有领域知识的问题，未来软件开发将转向开发expert agent。
- (新增) 关注AI在特化模型（而非AGI）领域的进步，如Opus 4.x在编程领域的突破，这被认为是AI“落地”的有效路径。
- (新增) 认识到AI的“问题解决”目标，以及为实现此目标而进行的工具重构是必然趋势。
- (新增) 保持对AI发展速度的理性预期，避免被夸大的“J曲线”叙事误导，理解技术发展的S型曲线规律。
- (新增) 建议关注AI在特化模型领域的进步，并认识到其“解决问题”导向的工具重构是必然趋势。
- (新增) 关注Sub-agent的领域知识来源问题，并认识到AI在运行时学习能力和数据稀缺性上的局限性。
- (新增) 认为AGI泡沫破灭后，将回归特化模型，Attention Model难以实现AGI。
- (新增) 关注AI在特定领域（如编程）通过高度特化和RL训练实现突破的趋势，这被认为是AI“落地”的有效路径。
- (新增) 在选择AI工具时，应根据具体任务和场景的成熟度进行考量，而非盲目追求最新技术。
- (新增) 理解AI的目标是“解决问题”，并认识到为了实现这一目标，对现有工具进行重构是必然的趋势，而非拘泥于AI必须模仿人类的解决方式。
- (新增) 在AI开发成本高昂的背景下，公司管理层对AI的理解至关重要，AI的落地过程可能并不顺利。
- (新增) 训练Agent需要技术和专业知识，而非简单堆砌算力，未来可能涌现更多由顶尖AI人才开发的高质量Agent。
- (新增) 对于AI在特定领域（如税务）的应用，若存在数据或知识短板，可考虑通过雇佣专家来建立知识库，以促进AI的落地。
- (新增) AI不是淘汰所有人，而是大部分人，大部分人跟expert比起来，超无用处，只是做一些manual tasks罢了。让AI做较为明确的任务，不管多么tedious，简直又快又好，超过绝大部分人。
- (新增) AI带来的改变和前几次工业革命没有本质区别，结果应该是人类进入万物可编程时代，以后的工作必然要和流程化自动化打交道了，落地是迟早的事情。如果认为这次没有本质区别，那么关于之前工业革命的论断依旧成立：短期结构性失业，长期创造就业。