从 GPT 到 Agent，技术与业务如何“双向奔赴”

在当今科技浪潮中，创新者与企业正面临着技术信仰与商业铁律激烈碰撞带来的严峻挑战，深陷技术悬崖、工程鸿沟、商业迷雾三大困局之中。那么，什么是识别“高价值 - 可工程化 - 强闭环”场景的黄金标尺？如何基于 LLMOps 等平台能力实现 AI 与业务的“双向奔赴”呢？

近日 InfoQ《极客有约》X AICon 直播栏目特别邀请了火星电波联合创始人 & CTO 徐文健、阿里巴巴高级技术专家李陈忠、AutoGame 创始人张昊阳，在 AICon 全球人工智能开发与应用大会 2025 北京站 即将召开之际，共同探讨大模型产品落地的真实路径。

部分精彩观点如下：

• 未来大模型将如水电般成为公共资源，更应聚焦于构建私域模型、产品及数据飞轮。

• 通用大模型的训练会吸纳一切可获取的数据，因此只有那些真正处于“数据孤岛”中的信息才可能构成独特优势。

• 未来的产品交付物将不再是代码本身，而是一种模型驱动的能力。

• 真正的创新将发生在应用层：基于通用基座，结合各领域专业知识，构建丰富的垂直场景应用。

• 传统人才强调垂直领域的深度专精，在大型组织中扮演专家或执行者角色。而未来人才的核心价值在于视野的广度，例如开发者同时理解设计、产品与美术逻辑。

在 6 月 27-28 日将于北京举办的 AICon 全球人工智能开发与应用大会上，我们特别设置了【LLM 产品的投产落地】专题。该专题将邀请 AI Native 创业者、企业 AI 转型负责人和行业专家，探讨 LLM 投产落地的关键命题。

以下内容基于直播速记整理，经 InfoQ 删减。

我们是从哪一刻“开始做 AI”的？

徐文健：GPT 刚出来的时候，你们是怎么想的？有没有一个“我得马上干点什么”的时刻？

李陈忠：2012 年我做智能客服机器人时，尝试用传统方法努力提升效果，但始终难以突破瓶颈。无论是句式匹配还是穷举表达式，产出的结果都显得生硬机械。即便使用语言技巧试图模仿人类回答，其内容也常常空洞且似是而非，只是在玩文字游戏。此后，2015、2016 年行业经历 AI 浪潮时，我观察了诸多案例，但始终感觉当时火热的 AI 概念与我期望的效果仍有很大差距，直到 GPT 的出现。

第一次接触 GPT 就发现，大语言模型与此前的 AI 技术截然不同，它将许多过去无法实现的事情变为可能。它不再局限于生硬地处理特定垂直领域任务，而是展现出一定的推理能力，并能以流畅自然的语言表达，这令人惊艳。因此在 GPT 推出不久后，我便开始尝试将其应用于各种场景，从内容总结逐步扩展到推理和判断等任务。在我看来，GPT 的出现标志着新世界的大门开启，如同奇点时刻降临，预示着一个截然不同的时代来临。

张昊阳： 作为 GPT 的早期用户，我记得在推出第五天终于排到了账号。当时 GPT 带来的兴奋感令我彻夜难眠，每日都在探索其能力边界。彼时 OpenAI 尚非巨头，传闻将与微软合作——如必应（Bing）接入 GPT 的消息也曾引发轰动。随后不到一个月，ChatGPT 便以史上最快速度突破一亿用户大关，宣告生成式 AI 革命的到来。

GPT 3.5 问世后，其智能程度确实带来划时代的震撼。此后，因我专注于游戏领域应用，主要关注两大方向：一是 NPC 应用，大语言模型已具备提供情绪价值和解决问题的能力，可作为游戏 NPC 存在；二是 AI 编程领域，GPT 推出不久后，Cursor 便成为首批将大模型能力集成至 VS Code 编辑器的产品。尽管如今 Cursor 广为人知，但在 2023 年初它还是非常新颖的工具，实现了早期的 AI 辅助编程，此后逐渐发展出 Agent 编程概念，直至 2025 年的 Vibe Coding（氛围编程）。

徐文健： 我的经历与两位老师略有不同，并非存在某个明确的“投身 AI”的转折点，而是一个量变到质变的过程。GPT 刚出现时同样令我震撼，因此在 2023 年初，我抱着学习心态联合几位北师大博士朋友，开发了一款 AI 个性化教育产品。尽管该项目最终因个人能力不足而失败，却在我心中埋下种子：AI 确能改变许多事情，并可能是我们这代人珍贵的机会。项目失败后，我加入百川智能，希望了解国内前沿 AI 企业对技术的认知与实践。在百川期间学习了 Agent 等技术，离开后便持续投入 AI 创业。最终，这种积累在某刻引发了质变——我突然意识到自己已在 AI 领域深耕。

徐文健：过去这两年，最大的认知转变是什么？有没有一些印象深刻的“故事”或经历可以分享？

李陈忠： 我本身是一个带有技术理想主义情怀的人，平时也很喜欢看科幻片，比如《钢铁侠》中的贾维斯等人工智能角色。因此，我对 AI 的快速发展感到惊叹。但要说具体在哪一刻认知发生了巨大转变，这个过程其实并不明显。

唯一显著的变化是，我发现许多曾经只存在于想象中的构想，正变得越来越具有可行性。从较早版本的 ChatGPT 开始尝试，它在某些场景下的效果就令人惊讶。随着模型快速迭代升级，其能力不断增强，使得构想未来的实现路径愈发清晰。过去互联网行业的发展可谓日新月异，但最近两三年的 AI 进步速度与之相比，完全是另一个数量级。自 AI 爆发以来这两三年间，整个领域的发展速度之快，甚至可以说超出了我的想象。

有一句话能形容我当时的心情：我突然发现自己找到了一个“免费劳动力”，它能像人一样处理很多事情。当时我的另一个想法是：构建一个由 AI 驱动的虚拟世界变得可能了。对我而言，科幻片中描绘的场景以及我个人的许多设想，已不再是空想，而是变成了有明确实现路径的可行目标。

新生事物的出现往往引发两种态度：一种是兴奋拥抱，看到机遇并积极尝试；另一种是谨慎观望。这就意味着当你尝试新事物时，常会处于这两种态度的夹缝中。比如 AI 刚兴起时，我渴望投入其中，但很多人持保守态度，认为时机未到或技术尚未成熟。

这期间更深刻的体会是坚持的必要性。当你提出一个创新构想时，很少会得到广泛认同，更多是观望甚至反对。这种情况下，推动事情会变得困难——说服他人并非易事。因此，你常面临独自坚持却缺乏支持的局面，这个过程必然充满挑战。

张昊阳：2023 年我尚在腾讯任职，年底才离职创业。初期作为大厂从业者，我的认知是：有必要尽早自研大模型，而非仅依赖外部接口。这在 2023 年上半年几乎是行业共识，各大厂都在全力投入大模型研发，腾讯也推出了混元模型。

转折点出现在 2023 年年中，LLaMA 模型意外泄露并开源后，中文大模型社区迅速活跃，涌现出后来被称为“AI 六小龙”的创业公司。但到了 2024 年上半年，一个深刻的认知转变是：许多人放弃了自研大模型的思路。原因在于，无论国内外，各种底层模型能力已反复证明——大模型训练并非人人可做，且从零训练或微调的意义正在减弱。特别是 RAG 技术出现后，优秀的检索和排序机制往往就能获得理想结果，这已成为 2024 年的普遍共识。

2024 年被称为“AI 应用年”，但真正的爆发发生在 2025 年。以 AI 编程工具为例：2025 年 2 月底 Claude 3.7 发布后，以 Cursor 为代表的产品从辅助编程跃升为真正的 AI 编程。模型智能性的提升，彻底改变了产品及上下游能力。这反而催生了新认知：未来自研小模型变得必要。

AI Agent 创业需构建“产品 - 数据 - 模型”铁三角，三者紧密结合才能建立壁垒。举例说明：若仅有产品和模型，创业者需依赖提示词工程等浅层工作。但随着 OpenAI 推出插件功能，大量套壳应用被淘汰，证明此类模式缺乏壁垒。尤其当 Claude 4 等模型已具备资深工程师甚至架构师水平时，上层应用空间更被压缩。另一类是去年火热的“私域大模型”概念，如医疗领域整合脏数据训练专属模型。若缺乏直接面向用户的产品入口，这类工作易石沉大海或沦为他人嫁衣——因无法形成数据闭环。

以 Cursor 为例：它接入 Claude、Gemini、OpenAI 等模型，但其用户若未开启隐私模式，生成代码可能会被用于训练自研编程小模型。Cursor 通过类似 MCP 机制的工具链处理文件编辑等任务，同时积累用户行为数据。当它成为用户习惯的入口，其模型可能比底层模型更擅长编程。未来各领域都可能出现此类产品，如自我进化的游戏、社交工具。当然也需警惕巨头下场垄断。自研私域小模型的核心价值在于：结合领域知识与产品形成数据飞轮后，产品 - 数据 - 模型形成强绑定的生态关系，即使大厂也难以切入，从而建立壁垒。

另一显著认知是大模型成本正以指数级速度下降。2023 年 3 月，斯坦福小镇实验运行一晚需数千美金。但仅半年后，模型能力提升的同时价格大幅跳水。到 2024 年 5 月，DeepSeek 等模型效果媲美 GPT-4，成本却仅为其 10%。今年成本已近乎免费——以我们游戏中 AI NPC 交互为例，几千名玩家月大模型 token 消耗仅几十美元。未来大模型将如水电般成为公共资源，更应聚焦于构建私域模型、产品及数据飞轮。

徐文健：Cursor 能这样做，是因为它已成为行业无可争议的领头羊，拥有足够数据支撑其训练小模型并降低成本。但对于绝大多数公司而言，在成为行业龙头之前，其数据收集能力根本无法与训练通用大模型的巨头公司竞争。

李陈忠： 这也解释了为何大模型兴起之初，大家普遍聚焦于模型微调。因为大模型的迭代速度极快，其版本升级往往是覆盖式的。训练大模型这件事，本质上只有顶尖团队或资源雄厚的大厂才能持续投入。普通团队投入训练，其成果很可能在短期内就被通用大模型的进步所覆盖。

我认为唯一有价值或具备门槛的情况是：你的数据是互联网上无法获取的独家资源，或是特定垂直领域内高度个性化、外部公司极难触及的数据。通用大模型的训练会吸纳一切可获取的数据，因此只有那些真正处于“数据孤岛”中的信息才可能构成独特优势。若数据不具备这种性质，我认为通用大模型的快速迭代能力将很快覆盖掉特定团队的训练成果。

张昊阳：两位老师是否相信未来会出现真正意义上的“通用 Agent”？类似于 Manus 这样的产品方向，值得投入吗？

我个人不太相信通用 Agent 会成为现实。因为私域数据和模型具有独特价值，这种价值并非大厂仅凭海量数据就能轻易复制的，往往需要结合深入的行业知识（know-how）。核心在于数据和产品必须强耦合，才能形成真正的壁垒。

以我们自己的游戏为例：我们设计了一套专属接口，其规则仅适用于该游戏环境。玩家通过自然语言指令驱动 AI 在游戏中创建新逻辑。我们随后将这些生成的数据用于微调专属小模型，使其越来越擅长为本产品生成代码。这类数据即使大厂获取也难以有效利用，因为它们紧密绑定于特定产品。因此，构建针对特定产品的私域模型仍具价值。当然，大厂可能在某个垂直领域实现突破，但其模型成果最终只能服务于特定产品，而非万能。

我认为未来的产品交付物将不再是代码本身，而是一种模型驱动的能力，可理解为 MAAS（Model as a Service）。产品将由大模型驱动，实现自我迭代和进化。这引出我质疑通用 Agent 的核心原因：无论是 Manus 是同类产品，其“通用性”有限，且在特定场景下的表现往往逊色于专注该领域的团队产品。

将视角放大，我认为不可能投入巨大人力去微调所有细分领域的用户体验和数据以交付满意结果。至少在未来 3~5 年内，这不可行。除非 AI 技术进化到能自我训练——例如通过类似 GAN 的左右互搏机制，在特定场景中不断优化，最终逼近该领域头部产品的水平。即便如此，这种“通用 Agent”是否还能称为“通用”，我对此也存疑。

李陈忠： 你讨论的更多是垂直领域的深度应用场景——这些场景不太可能由单一产品覆盖。而通用大模型提供的是基础能力，如更强的智能性、更好的指令遵循、更快的响应速度以及更完善的推理链条。

当基座能力应用于垂直领域时，需要针对该领域进行定制化打磨，这类似于人类的分工。所有人的生理基础本质相似，但通过后天的行业深耕形成了专业纵深。在特定垂直领域构建的系统，会围绕该领域持续积累和优化，从而在该领域表现愈发深入和专业。尽管其底层基座模型可能相同，但应用层的设计使其专注于特定方向。

我之所以相信通用 Agent 可行，并非指单个 Agent 无需适配就能处理所有领域任务，而是指这类 Agent 具备类似人类的基础能力框架——它已完成“从猴子到人”的进化，拥有规划能力、基于背景信息的逻辑推理能力以及工具调用能力。其在不同领域的应用会有不同表现，原因在于：一是为其配置的领域知识库不同，通过 RAG 检索到的知识也会不同；二是配置的领域工具不同，没有任何一款 Agent 会配备所有的 MCP 工具，即便如 Manus，也只会根据具体领域需求配置相应工具。例如，游戏领域的 Agent 会配置与游戏产品结合的 MCP 工具，而医疗或其他领域的 Agent，则会配备与该领域相关的工具集。

因此，Manus 这类形态成立的逻辑在于：其核心基座具备通用能力。当在目标领域为其挂载对应的输入源、专用工具链及领域知识库后，它就能转化为该领域的有效应用系统，这才是通用 Agent 存在的意义。

徐文健： 通用 Agent 无需包揽所有任务，也不必做成“全能型”产品。它可以作为核心基干，专注于处理通用能力，而将垂直领域的专业知识交由挂载的各类垂直 Agent 完成。通用 Agent 的核心价值在于充当入口或整合中枢，将不同能力模块连接起来。

张昊阳：OpenAI 很早就提出了 Function Calling 机制，开源社区也早就在探索类似功能。然而这类产品直到今年才真正爆发，我认为根本原因在于底层模型能力的跃升。Function Calling 与工具调用协议本质差异不大，核心都是执行外部指令。此前已有人尝试通过 Function Calling 调用命令行或工具链实现类似功能，但效果受限。Manus 的走红恰逢 Claude 3.7 发布后，这印证了模型基座能力达到临界点才是关键驱动。此外，若巨头下场制定统一工具标准并开放其强大基座模型，用户可直接基于底层能力开发细分应用，此时 Manus 这类封装层的价值存疑。

徐文健： 昊阳老师，我们认知的核心差异或许在于对 Agent 壁垒的判断。您提出的“产品 - 数据 - 模型”三角中，我尤其认为 Agent 本身具备独特壁垒——其价值根植于垂直领域的专业知识。Agent 的优势在于能持续迭代：依托通用大模型升级，永远比通用模型在特定领域“领先一步”，这种优势来源于对垂直领域的深度理解与优化。因此，无论通用模型如何演进，拥有领域专精能力的 Agent 始终能保持局部优势。

李陈忠： 本质上，Function Calling 与 MCP 的差异并不大。MCP 的价值在于推动行业标准化，使工具调用更集中规范。但构建优秀 Agent 的核心难点在于其规划能力，Manus 未来的关键也在于此：如何围绕目标有效拆解任务步骤并执行到位？这种任务规划虽然会因具体领域而表现的不一样，但也会有一个与垂域无关的基础水位。类似于撇开职业属性，大家都有规划买菜、旅行等日常事务的能力。而加上职业属性后，例如程序员，又具备了系统架构设计能力、编写代码的能力、使用各种专属工具的能力，然后围绕落地一个产品的目标，进行一系列任务规划与拆解，并使用上述各个能力。因此，Agent 在垂直领域会分化，但其基座会具备有与垂域无关的基础的规划能力。

我对未来产品形态的看法可能更激进：或许最终形态将演变为“数据驱动 Agent（Data-to-Agent）”。所有交互界面均可基于当前场景动态生成，成本趋近于零——如同《钢铁侠》中贾维斯，能依据需求实时生成界面、调动工具、结合知识库提供动态响应。

关于 Agent 生态，我认为未来仅会存在有限的几个通用基座 Agent 框架，具备核心规划 / 思考 / 感知 / 工具调用等能力。基于这些通用基座，结合各领域专业知识与场景，可以构建起一系列丰富的垂直应用。通用 Agent 框架这一层没有必要非常多，但是上层应用会很多。

观众：如何看待 Manus 式的创业机会？

李陈忠： 基于通用 Agent 进行垂直领域创业，也不能说没有机会。但取决于发展速度、创新性、效果等能否超越现有玩家——如 DeepSeek 的出现一样。若你确实具有一些独特的办法，如在规划能力、工具调用、意图识别等关键点上实现显著创新，我觉得是值得尝试的。

张昊阳： 我认为机会不大。我与 Manus 创始团队有交集，见证其从默默无闻到一夜爆红的过程。从创投角度看，Manus 的成功更像一场“自媒体狂欢”：国内有影响力的自媒体大力推动其走红，其产品最初面向海外用户而非国内市场的策略也值得玩味。它在爆火后迅速获得腾讯投资，估值攀升至数十亿美元。但我认为这更多是面向资本市场的“作秀”，实际产品价值尚未达到通用 Agent 的理想状态：早期试用者反馈低于预期，当前开放后的热度也已减退，用户体验并不完美。许多细分场景下，结合特定工作流与大模型能力，反而能更有效地解决问题。

因此，类似 Manus 的创业机会不大。并非质疑其团队能力，而是此事具有“首因效应”：第一个做是天才，第二个则是徒劳。资本很难再次 buy in 这套叙事，尤其当 Manus 的品牌效应已形成且技术壁垒常被质疑。后续模仿者将面临“Manus 已获巨资，你凭什么超越”的拷问。

此外，我始终对“通用 Agent 产品”的可行性存疑——我不相信一个团队能解决所有应用场景。除非你定位为提供 Agent“基座”本身。但当前阶段，这仍需专业团队封装技术。未来，大模型可能演变为底层基础设施：用户只需向身边的 Agent 提出需求，它便能自主编写代码、构建框架并返回结果。届时，专注于上层框架的团队将不再必要，核心能力将归于基础设施层（Infra）。

从 0 到 1 做 AI 产品，到底哪最难？

徐文健：大家都做过从零起步的 AI 项目，在你们经验里，最卡脖子的地方是哪？模型能力？用户闭环？还是别的？

李陈忠： 实践中，模型能力确实曾是关键瓶颈，但这具有相对性。选定场景后，初期常因模型效果不稳定或低于预期而受阻，这需随模型升级逐步改善。但项目执行中，我发现了一种变通解决思路：当模型达到基本水位，模型本身不必然成为绝对瓶颈。

观察用户使用习惯，常见误区是将包含多重复杂任务的长提示词（数百甚至上千字）直接输入模型，导致输出不稳定。此时易归咎于模型能力不足。改进方法是将复杂任务拆解为多个简单子任务，让当前模型分步执行。实践表明，模型对简单任务的响应更稳定。随着模型升级，整体效果会在原有基础上进一步提升。这类似于管理：面对复杂任务，换更聪明的人（模型升级）是解法之一，但拆解任务让普通人（当前模型）执行同样可行。

因此，只要模型达到基本能力线，多数场景下的瓶颈是可被解决的。需区分模型能力与商业可行性：模型效果是基础支撑，但项目成败更取决于商业模式本身是否成立。在一个不成立的模式上，模型效果再好也徒劳。

张昊阳： 李老师点出了关键——即产品与技术的适配度（TPF）。我亲身经历大模型应用四年，最大感受是模型能力的飞速提升正逐步消除大量 dirty work。Manus 团队也分享过，模型底座能力增强后，许多提示词工程变得不再必要，其指令遵循、反思和规划能力显著提升。

TPF 的核心在于：当模型能力低于用户预期交付水平时，需人工填补鸿沟。如今模型能力已无限接近甚至超越用户需求，挑战转向更高层的控制与架构设计。例如，AI 编程工具在代码执行层面表现卓越，但在系统架构设计上仍有不足。

另一个棘手问题是记忆机制（Memory）。即使上下文窗口扩展至百万 tokens，模型仍存在注意力分布不均、中段信息遗忘等问题，当前最优解仍是 RAG 及其变体。未来若模型能在检索排序（Rerank）与记忆能力上突破，将极大简化底层优化工作。尽管存在挑战，但是我总体持谨慎乐观态度。即使将模型视为“无记忆的超级天才”，其价值已足够显著。

李陈忠： 最近我一直在思考一个问题：为何模型能力显著提升后，有时仍会产生不符合预期的结果？我发现一个关键点——模型可能并非不够聪明，而是因其知识广博，面对问题时能构思出多种解决方案，而我们人类受限于自身知识领域，往往只预想一种或少数几种。当模型输出的恰恰是我们未曾预见的思路时，就容易产生偏差感。

这种差异的根源可能在于约束的缺失。人类决策时存在无形约束：个体知识边界、环境信息（视觉、听觉、社交暗示等）共同塑造了预期路径。而模型仅依赖输入的文本提示，缺乏这些潜在的情境约束，导致其可能输出看似“奇怪”却逻辑自洽的方案。因此，有时需要额外提供明确的约束性描述或要求。

未来即使模型更先进，若无法解决这种信息不对称，仍会出现两种倾向：要么过度拟合特定场景丧失灵活性，要么需通过技术手段模拟人类接收的隐含约束信息。这是当前模型交互中值得关注的问题。

张昊阳： 这正凸显了多模态能力的重要性。

李陈忠： 是的。模型要精准匹配用户情境化预期，必须获得与人类相似的输入维度。否则，就像两人相互揣测意图难免偏差，模型更难完全契合未言明的期望。这将是未来需攻克的方向。

徐文健： 本质上，需要将 AI 的感知触角深度延伸至真实世界——在视觉、听觉、触觉等维度建立更紧密的联结。唯有如此，模型才能理解并响应复杂情境中的隐含条件。

人才标准正在被重写？

观众：现在做 LLM 产品，最需要的人才类型变了吗？团队搭建的时候会先找什么样的人？

张昊阳： 作为创业者，我亲身体验并实践着组织形态的变革。我非常认同“超级个体”的概念——在大厂工作时，我就尝试扮演这一角色，深度运用 AI 辅助工作。随着 Agent 能力提升，如今我如同带领一支数字员工团队协作。团队中工程师的平均有效代码产出量，在使用我们自研的 Agent 工具及 Cursor 等辅助后，从每周约 1500 行跃升至 30000 行，实现了 20 倍的产能提升。

我认为这种转变将成为普遍现象。相应地，人才结构必然发生变化：个体需要从战术执行者转型为战略架构者。未来的核心能力是管理——但管理对象将从人转变为 AI Agent。关键在于学会调度各类能力资源解决问题：当你能清晰表达需求，并借助 Agent 日益增强的指令遵循能力将复杂任务拆解为可执行的子任务时，便能驱动 Agent 团队高效协作。

目前 Agent 最缺乏的是全局架构能力。它们擅长解决特定侧面的问题，但难以统筹整体方案。因此，未来需要的是复合型人才——并非要求样样精通，但必须具备跨领域视野与精准提问能力。以我为例：作为游戏工程师出身，虽主要擅长前端开发，但了解服务器端知识。通过专业提问引导 AI，并利用自身检验成果及跨端整合的能力，便能借助 Agent 完成全链路工作。

传统人才强调垂直领域的深度专精，在大型组织中扮演专家或执行者角色。而未来人才的核心价值在于视野的广度：例如开发者同时理解设计、产品与美术逻辑。这类具备跨领域认知与 Agent 协同能力的人，将成为真正的超级个体。

李陈忠： 回顾互联网早期，优秀的程序员通常能独立完成项目，具备全栈能力。随着行业规模扩大，分工（前端、后端、数据、算法等）开始出现，目的是提升效率。但不应把分工等同于专业。我特别反对将分工（如“我是后端”，“我是前端”）当成专业，因为这可能导致个体丧失独立完成闭环任务的能力。

AI 的发展正加速回归这一本质。传统模式下，过度强调分工专业化可能削弱个体解决问题的能力。如今 AI 虽不能完全替代人类处理所有复杂事项，但它大幅降低了执行环节的门槛。未来人才的核心将是成为“AI 工程师”——这意味着围绕目标或产品落地的全过程，你都需要具备基本理解和操作能力，固守单一分工思维将难以适应未来。

随着 AI 能力的提升，特定执行岗位（如纯测试工程师）的必要性会下降。关键在于：需要有人能全局规划产品——从商业模式、产品定义到实现路径——并有效指挥 AI 工具或“数字员工”协同执行。缺乏这种全局规划与整合能力，仅擅长某个技术环节（如后端开发或算法）的人才，其竞争力将面临挑战。

因此，在人才选拔上，我更看重底层潜质：强烈的内驱力、探索欲、解决问题的魄力与韧性。技术技能可以培养，但面对未知领域时自主寻找课题、深入钻研、整合资源达成目标的能力，才是核心。只要具备这些基础品质和正常智力水平，掌握所需的上层技能只是时间问题。

观众：人工智能的未来的就业方向怎么样？门槛是否很高呢？

李陈忠： 首要问题是：你是否真正热爱这个领域？如果热爱，那么无需太过担忧前景问题——你必然能在这个领域内超越大多数人，自然也会做的很卓越。但若非真正热爱，则需与大多数人一同竞争。

张昊阳： 近期美国一项调研数据显示，当前失业率最高的专业是计算机科学，这与十几年前该专业毕业生“横着走”的盛况形成鲜明对比。某种意义上，大模型的发展是“程序员卷死程序员”的体现：当人类操控机器的智能进化到新阶段，大量中低端从业者可能面临淘汰风险。尤其是 AI 已能替代众多行业中低端岗位的能力。

人工智能专业学生的前景存在残酷现实：只有跻身领域前 5% 甚至更顶尖的天才群体，才具备显著竞争力。因为未来你需要比 AI 更聪明，才能成为推动 AI 进化的核心力量。当 AI 能力超越人类数年乃至数十年的专业积累时，若无法转型为 Agent 管理者或具备跨学科思维，注定会被淘汰。AI 不会取代人，但会用 AI 的人将取代不会用 AI 的人。学习人工智能专业的优势在于：系统性理论能深化你对技术本质的理解。关键在于——要么成为领域顶尖的少数人，要么将 AI 能力赋能于其他领域应用，这种深刻认知将使你比他人走得更远。

李陈忠： 我将编码群体分为两类：程序员（具备创新能力、探索精神、能产出框架的创造者）与码农（执行编码任务的机械工作者）。在 AI 时代，顶尖的程序员依然拥有广阔前景；但码农型角色将迅速被 AI 替代。因为 AI 虽具创造力，人类唯有在更具突破性的创造领域超越 AI，才能守住价值高地。

徐文健： 不要囿于技术细节，而应拓展视野边界，主动拥抱新趋势与新能力，积极适应 AI 驱动的时代变革。

活动推荐

6 月 27～28 日的 AICon 北京站将继续聚焦 AI 技术的前沿突破与产业落地，围绕 AI Agent 构建、多模态应用、大模型推理性能优化、数据智能实践、AI 产品创新等热门议题，深入探讨技术与应用融合的最新趋势。欢迎持续关注，和我们一起探索 AI 应用的无限可能！