贝壳去年第四季度净利润暴跌84.6%，市值一年蒸发四千八百多个亿，链家的经纪人数量同比少了将近两成。同一份财报周期里，这家公司创始人留下的班底，CEO的薪酬从几百万涨到了四个亿，联合创始人的薪酬也翻了几十倍冲到三个亿。裁员潮里被优化掉的经纪人，有人转身去卖墓地，卖了三个月一单没开，有人学着拍短视频找客户，流量寥寥无几还老因为涉嫌营销被平台判违规。这才是眼下平台经济存量博弈最真实的画面，不是所有人一起变穷，是大部分人一起变穷，顶端极少数人反而更富。 社会零售这块的数字最能说明问题。今年一二月份还有百分之二点八的同比增长，到五月份直接转成了负增长，上半年整体只有百分之一点三，CPI一直卡在百分之一上下都上不去，全国城镇调查失业率也一直卡在百分之五点三附近，不算恶化，但也看不出改善的迹象。国家统计局逐月公布的原始数字自己就在往下走，存量时代这四个字，今年是真的从概念变成了体感。 房产和二手车这两个赛道，死相最清楚。房产这边不用多说，贝壳作为行业里活得最好的那一个尚且如此，银行现在都下场直接卖法拍房，三十天就能成交，比中介流程快得多，这条路一旦跑通，中介这门生意的根基还剩多少不好说。二手车这边死得更早也更彻底，当年瓜子、优信、人人车三家打得头破血流，瓜子请孙红雷，人人车请黄渤，优信更夸张，直接把奥斯卡影帝莱昂纳多请来做全球代言人，这阵仗放到现在看都觉得离谱，三家烧的钱按十亿美元级别算，可十年过去，二手车这个大宗低频的生意，线上信息撮合始终替代不了线下交付这个环节，最后几家真正赚钱的路子是车贷，卖车本身反而成了引流的由头，跟它们当年想颠覆的中间商没什么两样，热闹劲儿早在这几年悄悄散了。 机票旅馆这块，情况比表面看起来更微妙。官方口径一直说文旅市场稳中有进，可今年五一假期的数据已经露出苗头，民航客流量同比下降了百分之五点二，航班量也在减少，票价反而涨了将近一成，一边是人少了，一边是价格没降，这种组合本身就是压力信号。更值得留意的是几家OTA的投诉量，今年以来同程、去哪儿、飞猪在黑猫投诉平台上分别超过十万、二十一万、九万条，大头都是默认勾选的增值服务和会员定价这类猫腻。平台越在这些地方抠细节，越说明主营业务的自然增长已经撑不住报表了，这行现在还没死，是在拿用户体验换报表好看，这个换法撑不了太久。 外卖和即时零售这条线，不该算进中厂灭亡的名单里，这是完全不同的逻辑。这两年美团、阿里、京东三家在这条赛道上合计烧了一千五百个亿，把日均订单量从八九千万单硬生生推到两亿单以上，美团一度由盈转亏，京东新业务板块一年亏掉四百六十多亿，阿里的销售费用半年从六百多亿冲到近一千二百亿。这场仗打到监管都看不下去，六月份市场监管总局出了专门的补贴行为规范，才把这场厮杀摁下去一些。抖音这半年也没闲着，生活服务这块2025年支付GMV冲到八千五百个亿，同比涨了近六成，今年二月还专门上线了一个独立的团购App抖省省，这已经是第四个巨头下场。巨头们是为了一块还在增长的蛋糕互相往死里砸钱，不是在存量里等死，商务部估计即时零售今年规模就能破万亿，谁都舍不得先退场。 贝壳这半年财报电话会上，管理层反复提AI是新的生产要素，说AI已经直接参与收房定价、库存调度这些核心决策了。这话听着挺提气，换个角度想，今天贝壳拿AI当自救工具，明天这套AI逻辑一旦被搬到用户那头，变成一个直接帮用户找房、谈价格的agent，贝壳这个中间层本身还剩多少存在的必要，也是个问题。真正该往前看的，是高盛年初那份报告里的一个判断，说2026年的关键之战是AI超级入口的争夺，谁能把agent嵌进操作系统、社交软件、支付场景里，谁就能在用户还没想清楚要订机票还是点外卖之前，直接替他把事情办了。报告里还提到一点挺扎心的，说抖音是个天然的时间容器，用户划着划着还没想清楚自己要干嘛的时候，它就能主动跳出来问一句要不要帮你订张机票，这种打法根本不需要用户先有明确意图，是提前截胡。抖音去年的利润已经甩开腾讯和阿里一大截，这场仗到最后拼的是谁家现金流最厚，耗得起。不管你是死于存量厮杀还是活在巨头混战里，只要有一天用户不再需要打开你这个App，直接跟一个agent说一句"帮我订张去成都的票"，中间这些垂类平台存在的理由，会比现在任何一种死法都更釜底抽薪。 我在阿里那几年，见过太多业务被自己人从内部革掉命的场面，这半年看着房产中介和二手车这两个赛道走到今天，多少有点似曾相识。中央经济工作会议今年也专门提了要让平台企业和平台内的经营者、劳动者共赢发展，说明白点，官方也看到了贝壳这种赢家通吃、赢家更赢的苗头，只是这话说起来容易，平台自己有没有动力真让利，是另一回事。存量博弈这个词听着冷酷，可它至少还承认牌桌上的玩家继续玩下去，agent入口这件事一旦真的成了气候，可能连牌桌本身还在不在都不好说。

前阵子给一个客户做agent系统的安全审计，第一步照例先问一句，你们现在跑着多少个agent、各自挂着什么权限。对方想了半天答不上来，去查了才发现，光是过去半年测试环境里临时建的agent账号，就有小两百个没人管，权限比正式账号还宽，因为图省事直接复制了管理员的配置。这不是这一家公司的特例，行业调研说超过一成半的企业根本不追踪自己有多少个AI相关的身份在跑，agent自己还能再派生新的agent，这个数字只会越滚越大。这行以前审计的重点是人的权限有没有管住，现在真正的窟窿，是那些没人认领、自己会繁殖的机器身份。

有个客户执着地要求所有场景都上最新最贵的旗舰模型，说这样才够聪明。我把他们过去一个月的调用日志拉出来看，八成以上的请求其实是分类、抽取、简单判断这类活儿，换一个几十亿参数的小模型跑，准确率几乎没差，成本却是零头。这半年整个行业都在悄悄做这件事，把大部分日常调用挪给便宜的小模型，只留一小撮真正模糊复杂的场景才升级到旗舰模型去处理。真正决定一个agent系统好不好用的，早就不是挂在发布会上那个最强模型，是这套分流的逻辑设计得细不细。旗舰模型这几年降价降得挺猛，可账单该涨还是涨，因为省下来的钱全砸进了调用量本身的暴涨里。

上个月帮一个客户评估供应商推给他们的一套智能体系统，翻了半天配置文件，发现底层就是一套老式RPA流程，加了一层大模型做自然语言解析的壳，遇到没预设过的情况，直接卡死，压根不会自己想办法绕过去。这半年这种货挂着agent的牌子到处卖，Gartner估计市面上几千家自称做agentic AI的厂商里，真正名副其实的也就一百来家，剩下的大多是把聊天机器人和RPA脚本换了个包装。判断真假agent其实不难，就问一件事，遇到没写进流程的意外情况，它是自己拆解问题想办法，还是直接报错等人来管。这行现在最值钱的不是会不会搭agent，是能不能一眼看穿眼前这套系统，到底是真的会自己拿主意，还是嘴上说着autonomous，骨子里还是十年前那套if-else。

堺市那座原来夏普做液晶面板的老厂房，这几个月正在被软银改造成一座算力中心，规划产能从最初的150兆瓦一路能扩到400兆瓦。我第一次听说这事，心里咯噔了一下，不是因为这个数字有多吓人，是因为这地方我太熟了，当年液晶面板这行最风光的时候，这栋楼代表的是日本制造业的巅峰，现在它要装的是GPU。这半年关西这样的动静不止一处，AirTrunk在大阪东边追加第二座数据中心，JETRO把大阪包装成脱离东京之外的新入口，专门招呼海外的机器人和半导体投资者，一堆overseas VC在世博会结束之后又专程飞回关西复访，京都靠着大学搞医药和材料产业化，神户那边医疗器械和临床这块也在扩，这几年动的不止大阪一个地方。大阪府自己定了硬指标，到2030年要拉来50家海外金融机构、孵化1200家创业公司、募到1600亿日元，关西整体的深科技目标更狠，到2027年要砸够10万亿日元、养出100个独角兽。这些数字挂在政府文件里听着像口号，这半年真正落地的钱，确实在往这个方向走。表面上看，这些都是同一个故事，世博会烧了一把火，政府和资本跟着往里砸钱，谁都能讲这个版本。 这把火烧出来的钱具体流向了哪里，往细里看，这半年公开报道里能查到，砸得最实在的那几笔，几乎都不是软件层面的东西。大金和NTT数据这个月刚启动一个联合项目，用AI预测数据中心里服务器的发热情况，反过来统一调度空调、冷水机组和液冷系统，七月就开始在NTT数据自己的机房里跑验证。松下这半年也在往数据中心的散热和供电这两块猛砸钱，CES上摆的都是这类东西。这些动作背后有个共同点，关西这波AI投资，真正落地的不是聊天机器人和企业知识库，是电力、散热、精密制造这些本来就是这片地方吃饭本事的东西，被重新裹上了一层AI的外壳。这跟东京那套企业软件叙事完全不是一回事。 这类项目需要的人，既得懂agent怎么接数据、怎么做推理，又得看得懂空调机组和产线到底是怎么运转的，这种两栖型人才，比纯软件背景的FDE稀罕得多。这半年FDE这个title本身正在被大量套牌稀释，绝大多数涌进这个赛道的人，背景还是SaaS和互联网那一套，真正在工厂车间待过，懂点OT系统脾气的凤毛麟角。所以我的判断是，下半年关西这条线上真正紧俏的，会是能在AI和工业现场这两头都插得上话的人，光会做企业agent那一套帮不上什么忙，这个缺口会比大家想的更早暴露出来，因为大金这类项目一旦从验证阶段往生产环境推，缺的就是这批人，而不是缺预算。具体点说，就看大金这个PoC明年三月出阶段性结果之前，会不会有同等规模的工业企业开始往外找人补这块，而不是完全靠内部消化，这个动作但凡出现，基本能确认这个判断没跑偏。 不过这里也得说句公道话，机会归机会，独立顾问未必真能吃到这块肉。大金找的合作方是NTT数据，不是随便哪个外部团队，日本这些工业巨头跟几大IT集成商的关系是几十年攒下来的，这些老牌集成商手里本来就有懂产线懂设备的老人，现在往里配几个做agent的新人，团队两头都能凑齐，不一定非得靠一个人身兼两头，信任壁垒比技术门槛高得多，真要抢这单活，独立FDE真正要过招的，是这些盘根错节的老牌集成商，跟经验深浅关系不大。之前跟一个来关西看项目的海外VC聊过，他说这地方研究成果和企业密度都是世界级的，真正缺的是能把技术人和做生意的人接到一块的中间层，这句话我听着挺受用，但也得清楚，这个中间层的位置早就有人占着，只是占着的人这次换了张AI的新皮。 我自己接下来这半年打算把手上一部分精力挪到这类OT和AI交叉的项目上，说不上笃定能赢，就是觉得这条路人少，值得先蹲下来看看。堺市那栋老厂房从液晶面板切到GPU算力，中间隔的不是一次技术升级，是一整代产业工人的手艺要不要被继续需要下去。这半年关西真正该盯的，是这类老厂房和老手艺到底能不能找到人把它们和新技术接得上，至于又开了几家AI创业公司，反而没那么要紧。

去年在关西一家做工业零部件的企业，项目已经上线三个月，我们那套内部问数据的agent系统用得很顺，几乎每周经营会议上都有人拿它现查数字，不用再等IT那边跑报表。那天是月度经营会，外面下着小雨，会议室的百叶窗拉了一半，坐了七八个人，生产、销售、财务的部门长都在，气氛挺轻松。生产总部一个课长随口报了个当月的退货率，说这个数字比预期好，皱了下眉嘀咕了一句这个月改善得有点猛，自己都没料到，说完还是照旧建议下个月追加一批产能。数字报出来的时候，我心里咯噔一下，因为三个月前我们做数据口径梳理的时候，这个指标我亲手核过，记忆里的数不该是这个，差了将近一半。 会开完我没吭声，先拉着客户那边的技术负责人一起查。一开始我们怀疑是不是模型自己编了个数，把执行日志一行行翻出来看，SQL语句一句话都没写错，连表名字段名都对得上，整个查询链路干干净净，没有任何报错，越是查不出毛病，越觉得不对劲。查了快一个钟头，才在一份变更记录里翻出问题，时间戳是三周前，提交说明只写了一句优化查询性能，谁都看不出这行改动碰了口径。生产系统和财务系统对退货率的定义压根不是一回事，生产那边算的是当月发货和当月退货的比例，财务那边算的是从年初到现在的累计口径，agent接的语义层，一直用的是生产这套月度口径，就是那份变更记录改的这张表，字段名字一个字没改，背后的计算逻辑却被悄悄换成了财务那套累计口径，做变更的人核对的是数据跑不跑得通，没意识到这个字段还被agent的语义层直接引用着，含义早就换了。表面上看，agent一个字都没答错，它只是精确地回答了一个没人问过的问题。 这事让我后怕的不是agent算错了，是它错得那么体面。语气笃定，格式规整，连小数点都保留了两位，谁看了都会觉得这是个靠谱的数字。要是没人多问一句，下个月的产能追加决策就会建立在一个被悄悄换过口径的数字上，那不是小数目的事。真正让这事没捅出大篓子的，一半是运气，一半是两下凑在一起，他那句连自己都没当回事的嘀咕，加上我记着旧数字多问了一句，两下才把这事摁住，少了哪一下，这个数字大概率就这么滑过去了。这行做下来我越来越觉得，最该害怕的不是AI一本正经胡说八道，那种错误反而好抓，最该害怕的是它错得刚刚好卡在没人会去怀疑的地方。 这个项目从签合同到那会儿快一年了，上线也有三个月，双方处得算是知根知底，我不想为了这一件事把攒起来的信任搭进去。日本这边的团队对这类事情很敏感，处理不好容易伤了以后配合的默契，所以跟客户那边沟通的时候，我没有把这事定性成谁的失误，而是包装成系统升级过程中常见的一类风险，大家就事论事，一起把跨系统的口径都建了一层校验，同一个指标只要来源不一样，agent回答之前必须先说一句自己用的是哪个口径。用户一开始觉得有点啰嗦，但这行干久了你就知道，宁可让人嫌啰嗦，也不能让人心安理得地信错。 现在我每接一个新项目，第一件事不是看模型选哪个，是先蹲在客户的报表堆里，把每个数字问上三遍这是怎么算出来的。那次之后我常想起那位课长皱眉的样子，他大概到现在都不知道，自己那句嘀咕帮公司躲过了一次多大的误判。AI能把数字算得又快又好看，这行做到最后拼的，可能还是有没有人在数字背后，保留着那种说不清道不明的不对劲的直觉。等哪天这类校验也能被agent自己做全了，我们这些蹲在数据堆里的人，是不是也该开始琢磨，自己那点说不清道不明的直觉，还能值几年钱。

有份报告这半年被引用得很多，说市面上九成五的企业AI试点最后对业务没什么看得见的影响。可同一份报告里还有一条没那么多人转的，说九成的员工其实一直在用自己的私人账号跑ChatGPT或者Claude处理工作，跟公司官方那套试点项目一点关系没有。这两个数字放一起看才有意思，官方立项的AI项目失败率高得吓人，员工自己悄悄用的AI反而在真解决问题。真正的AI落地，很大一部分根本不在任何一份汇报PPT里，是员工在办公室里偷偷完成的，那些花大价钱走完流程的官方项目，很多时候只是在证明，公司内部的审批速度，追不上一个人打开浏览器的速度。

日本这两年在AI基建上砸的钱，按万亿日元算，微软一家就承诺投资一百亿美元，NTT自己的主权大模型都已经进了三菱UFJ、日本邮政这些大企业的生产环境。可我这些年在现场看到的另一面是，真正把自己内部数据用到位、能拿出来喂给AI用的企业，行业调查里也就两成出头。基建这层修得又快又猛，企业自己数据这层的地基，很多还没打完。国家在楼顶插旗子，楼下有多少户人家真正装修好了，是两件完全不搭边的事。

在日本待了几年,做生意、过日子都在这儿。说实话,你看到的那些问题是真的——它确实守旧、慢、有很多让人着急的地方,这点我不洗。 但"称不上发达国家""喜欢它的非蠢即坏",这话我也不太认同。它更像是一种,你换个尺子量,就会得出完全不同结论的地方。你拿"快、新、效率"去量它,它处处落后;你拿"稳、细、能传几代人"去量它,它又有很多我们早就丢掉的东西。 我的体会是,日本既不像滤镜里那么美,也不像你说的那么不堪。它就是个有它自己逻辑、有长板也有短板的真实国家。在这儿生活久了,爱不起来很正常,但恨之入骨,可能也是另一种没看全。

在日本做了几年独立 AI 工程师,聊几个只有真正在这里干过才知道的事。不是签证、收入、市场分析那些,是日常工作里那些不会出现在任何攻略帖里的细节。 第一个没人告诉你的事:在日本,中国人做 AI 有一个非常奇怪的信用加成。 日本企业对"AI"这件事的认知来源主要是两个:美国和中国。美国代表前沿(OpenAI、Anthropic、Google),中国代表速度(DeepSeek、千问、字节)。你是中国人,天然被归到"速度快、实战经验丰富、见过大场面"这个认知框里。 日本本土的 AI 工程师大多数是从学术界转过来的,理论功底扎实,但生产部署经验偏弱。你跟日本客户说"我在中国的互联网公司做过日均千万级 DAU 的数据系统",他们的反应不是"哦",是"えー、すごいですね(哇好厉害)"。因为日本本土很少有这种体量的实战场景。 这个加成不是永久的,干砸一个项目就没了。但它给了你一个很好的开局:第一次见面时,客户对你的预期天然比对一个日本本地工程师高半格。 第二个没人告诉你的事:日本客户最怕的不是你技术不行,是你"突然消失"。 在日本商业文化里,"飞ぶ"(消失/跑路)是对合作关系最大的恐惧。他们之前遇到过的外国 freelancer 里,有人项目做到一半签证到期走了,有人拿了预付款之后联系不上了,有人说好的交付日期突然说"还需要两周"然后反复延期。 所以日本客户考察你的第一优先级不是"你有多强",是"你靠不靠谱"。靠谱的定义极其具体:说好周五交就周五交,邮件当天回,电话接得到,出了问题第一时间主动说而不是藏着。 我刚来日本的时候不理解这一点,觉得"技术好就够了"。后来才明白,在日本,你交付质量 90 分但每次都准时,比你交付质量 98 分但偶尔迟到一次,在客户心里的评价要高得多。信赖感(信頼感)是日本商业关系的地基,地基不稳什么都白搭。 第三个没人告诉你的事:在日本做 AI 落地,最有效的销售话术不是"AI 能帮你省多少钱",是"不用 AI 你会被同行甩开多远"。 日本企业的决策动机跟中国企业不一样。中国企业决策靠 ROI:"花这些钱能赚回来多少?"算得过来就干。日本企业决策靠"危機感":"不做这件事会不会落后于同行?"同行都在做,我不做,不行。同行都没做,我为什么要第一个冒险? 所以你跟日本客户谈 AI,最有效的切入方式不是给他算 ROI,是告诉他:"你的竞争对手 XX 已经在用 AI 做这件事了。"这句话在日本商业文化里的杀伤力,比任何 ROI 计算表都大。 当然,前提是你说的是真的。日本圈子小,胡说被抓到一次,你在整个行业就废了。 第四个没人告诉你的事:中日英三语是一个被严重低估的壁垒。 表面上看,语言只是沟通工具。实际上,三语能力让我能做到一件几乎没有竞争者能做的事:用英文读 Anthropic 的 system card 和最新的技术文档,用中文跟国内的 AI 社区保持同步,用日语跟客户的业务方和技术方深度沟通。 全球最前沿的 AI 信息首先出现在英文世界,通常晚一到两天出现在中文世界,晚一到两周出现在日文世界。我能在信息出现的第一天就消化它,然后在一周内把它变成日本客户能理解和使用的方案。 这个时间差就是我的定价权。日本本地的 AI 工程师要等日文翻译或解读出来才能跟进,美国的 AI 工程师不会日语进不了日本市场。中间这个位置,人极少。 第五个没人告诉你的事:我交过最贵的学费是"把中国的工作习惯带到日本"。 刚来的时候我犯了几个现在想起来都想扇自己的错误: 给客户发了一个方案,里面直接写"你们现在的做法效率很低,应该换成 XX"。在中国这叫直接、高效。在日本这叫"失礼"。日本的方式是:"贵社目前的方式当然是经过深思熟虑的(先给面子),不过如果考虑未来的扩展性(给台阶),或许可以参考一下这种方法(才提建议)。"同样的意思,包装方式完全不同。我花了大概半年才把这个习惯改过来。 还有一次,客户说"検討します"(我们考虑一下),我以为是真的在考虑,等了两周去跟进。后来才知道这句话在很多场合的真实含义是"我们不打算做,但不好意思当面拒绝你"。在日本,"不"很少被直接说出口,你得学会听懂那些"不是不"的"不"。 还有一次把项目进度做成了飞书文档共享给客户。客户完全不知道飞书是什么,打不开。后来老老实实改用 Excel + 邮件。在日本企业里,Excel 和邮件是永远不会错的选择。你觉得落后,人家觉得稳当。 第六个:最意想不到的获客渠道。 我以为在日本获客要靠 LinkedIn 或者行业展会。实际上我最有效的获客渠道有两个:一个是 X(推特),另一个是日本特有的"勉強会"(学习会/技术分享会)。 日本的技术社区有一种独特的文化:定期办免费的技术分享会,大家轮流讲自己在做的东西。你去讲一次,讲得好,会后有人来跟你换名片(是的,日本还在用纸质名片,而且交换名片有一套完整的礼仪),两周后邮件来了:"之前听了您的分享,我们公司正好有一个类似的课题,方便聊一下吗?" 这种获客方式成本为零,但信任转化率极高,因为对方亲眼见过你讲东西,知道你是真的懂而不是嘴上说说。 最后说一句总结。 在日本做独立 AI 工程师,最核心的能力不是技术,是"翻译"。不是语言翻译,是把全球最前沿的 AI 技术,翻译成日本企业能理解、敢尝试、用了之后能看到结果的东西。技术只是原料,翻译才是手艺。 而这个"翻译"能力是没法被 AI 替代的,因为它的核心不是信息转换,是理解两种完全不同的商业文化各自在怕什么、想要什么、能接受什么。这种理解只能靠在两边都踩过坑才能长出来。 所以如果你问我在日本做 FDE 最大的壁垒是什么,不是技术,不是签证,不是日语,是你愿不愿意花几年时间在一个节奏完全不同的市场里,把那些只有踩过才懂的坑全部踩一遍。 踩完了,壁垒就是你自己。

在淘宝做技术专家那几年,是我职业生涯里成长最猛也最疼的一段。 那时候淘宝的技术氛围有一种很特殊的东西,后来在其他公司再也没遇到过:所有人都觉得自己在做一件前人没做过的事,而且这种感觉是真的,不是老板画的饼。双十一的流量,全世界没有第二个参照系。你不能去 Google 抄答案,因为 Google 没处理过这种规模的交易洪峰。你也不能等着别人先趟路,因为没有别人,你就是那个趟路的。 我记得最清楚的是那种"被逼出来的成长"。不是公司安排你去学什么,是系统扛不住了、数据跑不动了、链路断了,你不解决就没人解决。你今天还在看文档学一个中间件的原理,明天凌晨两点它就在生产环境里出了一个文档里没写过的问题,你得当场想办法。那种压力下学到的东西,跟上课学的完全不是一回事。上课学的是知识,凌晨两点学的是本能。 淘宝教会我的第一课:数据比代码值钱。那个年代大家都在追架构、追框架、追中间件,觉得写出一个高并发高可用的系统是最牛的事。后来我慢慢发现,系统是手段,数据才是资产。系统挂了可以重启,数据丢了或者数据质量烂了,业务决策就是在盲人摸象。我后来转到大数据方向,根子就是在淘宝种下的:你见过一次因为数据口径不统一导致几百万预算打水漂的事,你就再也不会觉得"数据治理"是一个无聊的话题。 第二课:大厂最稀缺的不是技术人才,是能把技术翻译成业务价值的人。淘宝不缺写代码的高手,缺的是能坐在业务方对面,听懂他到底想要什么,然后回来把这个东西变成一个技术方案的人。很多技术做得极好的同学,在这一步上卡住了,不是能力不够,是不愿意"降维"去听那些在他看来很初级的业务问题。后来我发现,这个"翻译"能力才是最值钱的,因为它两头都稀缺:业务方不懂技术,技术方不愿意懂业务,中间那个位置空着,谁站进去谁就有话语权。 第三课:组织比技术变化更快。我在的那几年,组织架构调了好多次,今天你的团队在这个事业部,三个月后可能整体划到另一个 BU,你的汇报线换了、合作方换了、优先级全变了,但手里的活不能停。你得学会一种能力:在组织剧烈变动的时候,保持自己的技术判断不被行政结构带偏。老板换了三个,方向调了四次,可底层该解决的数据问题还是同一个。能看到这一层的人,不管组织怎么变都有位置;看不到的,每次变动都觉得天塌了。 第四课,也是最私人的一课:身体是有极限的,而且它不会提前跟你商量。在淘宝和后来的大厂里,我一直觉得自己扛得住。连续加班、长期高压、睡眠不足,身体偶尔发出的信号都被我当成"扛扛就过去了"。直到 2017 年主动脉裂开,我才明白:身体给你的警告不是商量,是通知。你忽略了它,它不会再发第二次警告,直接执行。 从淘宝出来之后,我又在几家公司做到了大数据总监,管过上百人的团队。再后来到了大阪,一个人做独立 AI 工程师。回头看,淘宝那段经历给我最深的烙印不是某个技术,是一种面对未知问题时"先上手再说"的本能。不等条件完美,不等方案完整,先冲进去,边打边想,错了就调。 这个习惯在大厂有时候会被诟病为"不够严谨"。可出来单干之后才发现,这恰恰是独立工程师最需要的东西。因为没有人给你排期,没有人帮你评审,没有人替你兜底。你就是那个凌晨两点被叫起来的人,也是唯一一个能解决问题的人。 淘宝没教我怎么做一个好员工。它教我怎么在没有路的地方走出一条路来。这个能力,到今天还在用。

观察了一年多，我发现中老年人面对 AI 的态度，大概分成六类。 每一类都见过真人，不是编的。 第一类：与我无关型（最多） "AI 是年轻人的事，跟我没关系。踏踏实实干好手里的活儿就行了，别整那些花里胡哨的。" 这类人不反对 AI，也不关心 AI。偶尔在新闻上看到"AI 又突破了"，点头看完，然后继续原来的生活。他们不是不聪明，是觉得"这件事跟我的日常距离太远了"。 大多数中老年人在这一类。不是因为他们落后，是因为 AI 还没有以一种他们能直接感知的方式影响到他们的生活。 第二类：泡沫骗局型 "AI 就是泡沫，跟当年的 VR、区块链、元宇宙一模一样。这种骗局我们年轻时候见太多了。过两年你看，又是一地鸡毛。" 这类人有强烈的"历史周期感"——他们确实见过太多"这次不一样"最后变成"这次也一样"的故事。所以他们的默认反应是怀疑。 问题不在于他们怀疑——怀疑是健康的。问题在于他们用上一次的经验判断这一次。AI 跟 VR / 元宇宙有一个本质差异——AI 已经在产生真实的商业收入（Cursor 90 亿美金估值、GitHub Copilot 数亿营收、Klarna 用 AI 替代 700 客服每年省 4000 万美元）。这些数字不是 PPT，是 P&L。 但这类人不会去查这些数字。他们的判断模型已经锁死在"泡沫"这个结论上了。 第三类：想学但跟不上型 "AI 每天出新东西，我也想认真学学。但产品太多了、更新太快了、教程太碎了——看了三天就跟不上了。唉，人还是要服老。" 这类人是最让人心疼的。他们的好奇心还在，学习意愿还在，但精力和信息筛选能力跟不上 AI 领域的更新速度了。 AI 领域每周都有新产品、新模型、新框架、新概念——对一个全职在这个领域的年轻人来说都很难全部跟上，更不用说一个还有本职工作、还要照顾家庭的中年人。 他们不是能力不行，是 AI 行业的信息密度超过了他们能投入的时间预算。这不是个人问题，是信息结构问题。 第四类：疯狂学习型（稀有） "学！折腾！玩！充会员！买 Cursor Pro！太好玩了！" 这类人 45-55 岁，精力还在，好奇心未灭，经济上也有余裕。他们装了 Claude、买了 Cursor、折腾了 agent、搭了工作流、甚至开始用 AI 写代码做小项目。 他们最常说的一句话是——"要是我再年轻十岁，必然给这个行业搅个天翻地覆。" 这句话里有兴奋，但也有遗憾。他们知道自己的体力、时间、职业窗口都在收窄。他们能感受到 AI 的力量，但也能感受到年龄的重力。 这类人在任何一个技术群里都是最活跃的——但他们发的 AI 内容在群里往往得不到回应（跟我之前讲的"30 个群炸不起水花"是同一个现象）。他们的热情是真实的，只是周围的人跟不上。 第五类：指挥别人学型 "小张，你带两个人研究一下 AI 中转站，做个方案出来。" "小李，你看看 AI 教育方向有什么机会，给我写个报告。" "小赵，安排一下，我下周去 AI 展会做个演讲，年轻人缺社会经验，我来指导指导。" "老张老吴老孙，我在朋友圈看了一篇文章，是关于 Sam Altman 最新演讲的解读，我转到群里了，咱们下周开个会研究研究。" 这类人通常在传统行业有一定地位——公司高管、行业协会、政府顾问、高校教授。他们的特点是非常敏锐地感知到了 AI 的重要性，但自己不直接接触 AI 产品。 他们的 AI 认知来自三个渠道：朋友圈转发、下属汇报、行业会议。每一个渠道都有信息损耗——朋友圈文章是二手解读的三手转发，下属汇报是经过筛选的正面信息，行业会议是经过包装的 PR 内容。 所以他们对 AI 的判断往往是方向对但细节全错——"AI 很重要"是对的，"我们应该做 AI 教育"可能也是对的方向，但具体做什么、怎么做、市场在哪里、竞争格局怎样——这些他们不知道，也不打算自己搞清楚。 这不是坏事。商业世界里大部分事情都是"上面定方向、下面做细节"。但在 AI 领域有一个特殊问题——AI 的方向判断本身就需要对产品的直接体验。你没用过 Claude Code 就不可能理解 agent 工作流的真实能力边界。这不是靠读报告能替代的。 第六类：技术先驱型（极稀有） 这类人不介绍了。太少了。大部分人没见过，甚至没想象过这类人存在。 他们的特点是——年龄只是生理数字，不是认知边界。他们 55 岁在读最新的 arXiv 论文，60 岁在写开源代码，65 岁在做 AI 创业。 他们的存在证明了一件事：对技术的热情和学习能力跟年龄之间没有因果关系，只有相关性。 大部分人到了某个年龄停止了学习，不是因为"老了学不动了"，是因为生活的结构把学习的空间挤掉了——工作、家庭、社交、健康。学习是第一个被牺牲的。 第六类人是那些在所有挤压下依然保留了学习空间的人。不是因为他们比别人更有天赋，是因为他们比别人更执着于保护这个空间。 这六类人让我想到一件事—— 人们对 AI 的态度，跟 AI 本身无关。 跟他们对所有新事物的态度一致。 第一类人对移动互联网也是这个态度——"跟我没关系"。 第二类人对每一次技术浪潮都是这个态度——"泡沫"。 第三类人对每一个新领域都是这个态度——"想学但跟不上"。 第四类人对每一个有趣的东西都是这个态度——"冲！" 第五类人对每一个新机会都是这个态度——"小张你去研究一下"。 第六类人对每一个技术变革都是这个态度——"让我自己来试试"。 AI 没有改变任何人的认知模式。它只是照出了每个人原本的认知模式。 所以如果你想判断一个人在 AI 时代会怎样——不要看他现在说什么。看他过去 20 年面对新事物的态度是什么。 那个态度，就是他在 AI 时代的命运。 不是 AI 选了谁。 是每个人在 AI 到来之前，就已经选了自己会怎么面对它。