AI 的下一步：从「会说话」到「会做事」

一、聊天框正在变成工作台

过去三年，我们和 AI 打交道的方式基本没变：一个输入框，你问，它答。

但真正的变化发生在输入框之外。模型开始能调用工具、读写文件、运行代码、在浏览器里点来点去。它不再只是"告诉你该怎么做"，而是"自己去做，做完给你看"。

这个转变听起来只是产品形态的调整，实际上是评价标准被整个换掉了。

以前衡量一个模型，看它答得准不准、文笔好不好。现在看的是另一件事：它能连续独立工作多久，中途不出岔子。

从"回答一个问题"到"完成一件事"，中间隔着的不是一点能力提升，而是整个范式的切换。前者是检索加表达，后者需要规划、试错、自我检查、出错后重来。这也是为什么最近一两年，各家都在比"任务时长"这种看起来很笨的指标。

聊天框不会消失，但它会退化成入口之一。真正的主战场在后台——那个你看不见、正在替你跑流程的东西。

技术圈有个习惯：盯着榜单看谁又拿了第一。

但决定一项技术能不能落地的，往往不是它最强能做到什么，而是它最便宜能做到什么。

这几年推理成本下降的幅度，比大多数人感知到的要剧烈。同样质量的一次调用，价格可能是两年前的几分之一，甚至几十分之一。

这件事的真正意义在于：它把大量"技术上可行、但算不过账"的场景，一个一个变成了生意。

客服、翻译、转录、代码审查、文档处理、批量生成——这些东西不是突然变聪明了，是突然变便宜了。便宜到可以塞进每一个不起眼的流程里。

所以看 AI 的未来，我更愿意看那条向下的价格曲线，而不是向上的能力曲线。能力决定上限，成本决定渗透率。而历史上所有基础设施的普及，都是成本故事，不是能力故事。

现在的模型有个奇怪的特点：它极其博学，却完全失忆。

每次对话都从零开始。你得反复交代你是谁、你在做什么、上次聊到哪。它像一个智商很高、却从不上心的同事。

这个状态正在改变。上下文窗口在变长，更重要的是，"记忆"开始被当成一个独立的产品问题来解——哪些该记、哪些该忘、怎么检索、怎么更新。

一旦模型有了连续性，很多东西的性质就变了。它不再是一个通用工具，而更像一个越来越懂你的合作者。它的价值不再来自"知道全世界的事"，而来自"知道你的事"。

这也是隐私问题真正变尖锐的地方。一个记得你一切的助手，和一个每次重新认识你的工具，风险完全不在一个量级。

早期的多模态，说白了是把几个模型接在一起：一个看图的，一个听声的，一个写字的，中间拿文字当桥。

这条路能走，但很别扭。就像一个人只能通过翻译，跟自己的眼睛沟通。

真正的方向是原生统一——图像、声音、视频、文字、动作，在同一个表征空间里处理。模型看到一张图，不是先"描述成文字再理解"，而是直接理解。

这件事的进展，比外行感觉到的慢，比内行预期的快。但它一旦成立，受影响最大的不是"生成图片"这种玩具场景，而是机器人、自动驾驶、工业质检这些需要真正"看懂"物理世界的地方。

这几年 AI 是个"东西"——一个 App，一个网站，一个你要主动打开的地方。

长期看，它会消失。

不是消失掉，是变得像电一样：没人会专门"用电"，你只是开灯、充电、烧水。AI 会沉到各种软件和硬件底下，你用的还是那些熟悉的东西，只是它们突然变聪明了。

到那一步，"AI 公司"这个词会变得很奇怪。就像今天，除了电网，没有哪家公司会自称"用电公司"。

每写这种文章，最后总会被问：那人还有什么用？

我的看法有点不客气：AI 越强，人的判断力越贵。

因为当生成变得免费，稀缺的就不再是产出，而是"决定要什么"。选题、取舍、审美、担责——这些不是能力问题，是立场问题。模型可以给你十个方案，但它不承担选错的责任。

所以未来真正被拉开的差距，可能不是"会不会用 AI"，而是"知不知道自己想要什么"。

工具越锋利，用工具的人越重要。

我不太相信某一天会有一个"AGI 时刻"，砰一下世界就变了。更可能的情形是：能力一点点长出来，成本一点点掉下去，某天你忽然发现，身边几乎所有事情都换了一种做法。