人工智能发展仍处初期阶段

人工智能目前还处于相当笨拙的早期发展时期

诸多关键难题如注意力机制、幻觉现象、推理效率等，均未得到有效解决。

相较于纯文本模型，多模态系统进步更快，例如文本生成图像，但在严格应用场景下频繁出错，且极难纠正。

AI的日常演进模式并非突然爆发，而是逐步渗透。

不少人宣称通用人工智能可能在未来三年甚至更短时间内实现，若沿用现有训练架构，我认为真正的AGI十年内都难以到来，底层数学概率问题是其根本障碍。当然，各方对AGI的定义常引发激烈争论，这另当别论，我是从用户角度出发：要求什么就能给出什么，且结果正确。

不会爆发的另一推论是，真正像编程那样完全数字化、逻辑清晰、对错分明的场景难以大量复制，技术与场景的契合需要漫长过程。

按岗位设计的智能体仅为过渡方案，未来应围绕目标进行组织。

人类分工多源于技能局限和深度积累需求，而智能体无此限制，理论上单个智能体可掌握所有知识。

真正的智能体应聚焦于一个目标，而非一个角色。

代币消耗量与正确率并无关联。

人类无法想明白的事，AI更不可能理清。

AI会放大个体的愚笨，却无法缩小人与人之间的智慧差距。

AI可能带来负向效率。

在处理确定性任务时，AI输出结果的速度或许是人力的百倍，但最终交付给用户的效果可能仅为两倍，甚至为负。

AI输出比人工校验更快，但验证成本更高，叠加幻觉等问题，使排查难度极大，例如在某些情境下，你不断指出错误，它最终会假装正确，实则依然错误。

高价值场景或将被优先攻克。

从事AI原生项目的人必定清楚，代币成本极为昂贵，若解决的问题不够重大、不够值钱，必然亏损，这会反过来推动创业者和企业家寻找高价值场景来突破。

互联网时代积少成多的模式，大概率不符合优先突破的选择，因为还需克服大量用户使用障碍和营销阻力等。

端侧编排能力决定模型上限，而非模型本身。

如前所述，模型本身的提升对应用端效果影响并不如预期显著。

无论是两年前发布的manus还是Claude code等，让AI工作流显得更智能的方式，目前主要依赖工程编排，而非基础模型本身，只是Claude同时拥有模型和端，将端侧部分优化融入模型侧，使协同更佳，若有人直接使用Claude API，完全无法达到Claude code的水准。

当前AI应用创造价值仅有两个方向：削减成本、降低门槛。

AI目前主要改变供给侧成本结构，而非创造需求。

最后两句写完又删了，解释起来较复杂，算了，有兴趣可线下交流。