我站在讲台上，手里捏着那张 2025 年“人工智能 + 传统制造”融合发展的深度报告，实际上心里挺虚的，像刚把刚出锅的饺子端出来，热气腾腾，但也怕烫手。压根儿都没想过能站在这里，对着几百个想做事的工程师和老板，像剥洋葱一样讲那些难啃的骨头。刚刚讲完“算力就是钱”那一页，台下有人笑，有人点头，也有人在用计算器敲代码算概率，那种真感，比任何 PPT 都要管用。 关于“算力就是钱”这个话题，那会儿总听人说阿里云堆堆的机器是虚拟的，最终都烧了，还不如自己买台老电脑干活。但目前我看到的趋势变了，大模型训练就像在沙漠里挖井，得拼命打水，水越老井越深，井越深扎得越紧。最近我查了个数据，2024 年国内大模型算力成本还在涨，特别是训练阶段，一块 A100 那会儿能跑个 360 万行代码，目前要价 128 美元，连个 10 万行都吃紧。
这钱，花出去能直接做成产品吗？那会儿我认定能，目前感觉彻底不中，就像在漏斗里扔盐，撒得越多，剩下的越少。
故此，目前的算力竞争，不是单纯买硬件比哪位零花钱多，而是看哪位能把钱变成产品，哪位能让机器多干活几个小时，哪位敢把成本压到最低。 说到如何把 AI 落地，得说实话，这事儿难就难在“人”。
那会儿我们总指望 AI 写代码、写文案、就连写诗，目前回头看，好办活儿都挺难，大模型往往只敢给个“大约”，还得人工再磨。我在现场听实习生说，他们把 AI 写出来的营销文案发出去，编辑得改倒多少次，最终老板问的时候，人家说：“实际上配方是对的，但语气不对。”听着真让人火大，但事实就是如此。
这不只是是工具的难题，更是思维模式的难题。
那会儿我们行行行，目前行不中得看结局，结局不好，再改也是改。 实际上啊，AI 最大的魅力，不在于它能干啥，而在于它省了我们多少“废话”。
比如那会儿写施工方案，得怕风险、要论证、还要解释原理，目前一个 Prompt 喊一声，模型就能把前后 30 年的政策、技术趋势、市场痛点全整合成一张图。
那会儿一个月跑两趟的工地巡检，目前一个工程师一天干完，还能顺便帮隔壁公司提个方案。
这种“减法”，才是造力。我们大量老工程师还在那拔刀砍树，还在争论“有没有用”，实际上都不关键了。关键的是能不能帮人把手机里的相册修得更好看，能不能把网页上那个顽固的脚本敲掉，能不能让自动化脚本把报表做得更准。别总想着把 AI 当个工具去套，得想着把 AI 变成个“超级实习生”，帮咱们把那些拿人手软、拿结局硬干的活给干掉了。 自然，光说AI有啥用还不够，还得说说我们如何把它用对、用好。最近我琢磨一个例子，一个大厂给 100 个产品线全开了一堆大模型，结局一个难题：这些模型本来是针对特定场景训练的，突然被一个全新的需求叫了驾，模型就懵了，输出全是乱码。
后来他们搞了个“微调”动作，不是换个模型，而是给模型喝了一顿饭，喂点新的数据，再给它加点语料，结局那个模型瞬间就听懂了。
这事儿挺细，但这实际上就是“因材施教”。AI 这东西，就像个老师，你得看学生是哪位，看他之前学过啥，才给他派啥活儿。别硬着头皮让一个只会算加减法的小学生去教高数，得先给他打基础。 我也得提醒一句，别光盯着技术面看。最近有个数据挺有意思，大量中小企业搞 AI 项目，初衷是想降本增效，结局花钱买来了只能自动写报告、自动做 PPT 的“自动写手”，一旦遇到业务逻辑略微复杂点的需求，项目立马卡住，最终成了“自动填表”。
这就尴尬了，本来想通过 AI 解放双手，结局手被填满了，活儿还是得干，只是干的不是人干的活，是机器干的活。
这就像给机器装了个“填表程序”，但它不会思索，遇到新难题就得停机。
故此，技术落地得看业务逻辑是否闭环，得看能不能真正解决某个具体的人的痛点，而不是为了用技术而用技术。 最终我想说，面对 AI 的浪潮，焦虑是难免的，但恐慌更没命。我们见过忒多人，刚听说 AI 能写代码就吓得不敢进公司，怕被取代，结局发现机器只会干重复的，创造性、人性、复杂决策这些，才是人类最终的堡垒。
不管未来如何变，只要还有人愿意去动手，愿意去把那些繁琐的工作干明白，愿意去把那些没做完的事做完，AI 就一辈子是个好帮手。别总想着用 AI 去替代人，得用 AI 去放大人的价值。 今天的演讲就到这里，我也得赶紧回去进食了，毕竟嗓子有点哑，嗓子哑了，咱说的话都更有分量。


相关标签：