AI 未来十年畅想：三个台阶，五条主线

先说清楚我为什么敢写这篇。

我不是做模型研究的人。我每天干的事，是让 AI 去干活：跑任务、查资料、写文档、盯服务、处理数据。这种用法和「聊天」完全不是一回事——聊天看的是它答得好不好，干活看的是它交出来的东西能不能直接用。

所以下面这些判断不是转述别人的观点，是我自己用出来的感受。我给的不是标准答案，是一个天天跟它打交道的人，对接下来十年的推演。

一、先说结论：三个台阶

我把十年分成三个台阶。这不是按技术路线分的，是按「它和我们的关系」分的。

下面一条条说。

二、台阶一：会做事（2026 - 2029）

核心转变一句话：过去几年比的是谁更聪明，接下来几年比的是谁更可靠。

聪明这一关基本过了。现在随便一个像样的模型，写一段代码、解释一个概念、翻译一篇文章，都比大多数人做得好。但你要让它独立干完一件有十来个步骤的活——查资料、比对、判断、写出来、再自检——中间还是会掉链子。

这不是智商问题，是可靠性问题。一个学生做十道题能做对八道，但你不会让他去管账，因为你不知道错的那两道在哪。现在的 AI 就是这个状态。

所以接下来的主战场，我判断是这三件事。

第一，长任务的稳定性

衡量标准会从「答对几道题」变成「连续跑多久不出错」。一百步里错一步，对聊天没影响，对干活是灾难。这件事的难度和「把模型做得更聪明」完全是两个方向——它要的是自我检查、是知道什么时候该停下来问，而不是更华丽地回答。

第二，记忆

没有长期记忆的系统，永远只能当「新人」——每次都要重新交代背景。真正好用的形态应该是：它记得你的偏好、你的项目、你上次是怎么处理的。这一块现在已经开始成形，但离稳定还差得远。

我把记忆看得比很多人重。因为能力大家迟早都有，记忆是攒出来的。

第三，成本

单位成本这些年一直在往下走，还会继续走。这件事的意义比看起来大：成本降一个量级，就有一批以前算不过账的场景变成可以做的。很多行业不是不需要，是以前太贵。

「会聊天」和「能干活」差在哪

三、台阶二：变成底座（2029 - 2032）

这一台阶的标志是：你不再「打开 AI」。

现在用 AI 还是有仪式感的——打开一个网页、装一个 App、认真写一段提示词。到了这个台阶，它会退到后面去，变成系统的一部分，像电一样：你用它的时候不会想着「我在用电」。

具体会在四个方向发生。

端侧跑得动

手机上、电脑上本地就能跑一个够用的模型。这不只是省钱，还把隐私问题的一部分就地解决了——数据不出设备。当「够用的智能」变成免费且本地的时候，很多产品的形态会被重写。

行业深水区

通用能力打底，真正的价值在垂直场景。农业里看地块、看长势、看墒情、匹配政策；医疗里读影像、理病历、做随访；法律里查条款、对判例。这些事通用模型做不了，得靠行业数据和行业流程喂出来的专用系统。

我所在的农业领域就是个典型例子：地块是有边界的、作物是有生育期的、政策是有申报窗口的。这些约束不写进系统，AI 再聪明也帮不上忙。

软件开发的重构

写代码这件事会从「怎么实现」转向「要什么」和「对不对」。人负责说清楚意图、审查产出，中间大量的实现过程交给 AI。

这不是说程序员会消失，是说这个职业的重心会从「写」挪到「审」和「设计」。门槛不是降低了，是换了个地方。

接口换血

语音和视觉会成为一等公民。对着屏幕敲字，会慢慢变成上一代人的习惯。

四、台阶三：重塑协作（2032 - 2036）

到这一步，变的不再是工具，是人和人怎么配合。

组织会变小

现在很多工作的瓶颈是人手不够——要三个人才能撑起来的事，一个能指挥 AI 的人加几个执行单元就能做完。这会让小团队能干的事变多，也会让「规模」这件事本身的价值下降。

考核从过程转向结果

当你没法从「他有没有认真做」来判断价值时，衡量标准只能回到「做成了什么」。这对习惯了看过程的管理方式是个不小的冲击。

会出现一批新职业

我判断至少这三类会稳定存在：

• AI 审计：检查 AI 交出来的东西对不对、有没有越界。这件事只能由人做，而且会越来越专业化。
• 人机流程设计：把一件工作拆成「哪些给 AI、哪些留给人」。听起来简单，做起来是企业里最值钱的活之一。
• 记忆资产管理：一个组织的资料、经验、判断，怎么整理、怎么喂给系统、怎么持续更新。这会成为一项独立职能。

五、贯穿十年的五条主线

三个台阶是舞台，五条主线是贯穿其中的线索。不管走到哪个台阶，这五条都在起作用。

这五条里，我想特别说第一条。

「瓶颈会从聪明挪到别的地方」，是这十年里我最希望被记住的一句判断。

一项技术刚出现的时候，大家比的是它有多强。等它强到够用了，比赛就换赛道了——比谁更稳、比谁更便宜、比谁更合规。这个过程在历史上反复发生过，电力、互联网、手机都是这么走过来的。

所以「只要模型更强，一切问题就解决了」，是我认为这一轮里最容易犯的错。等到模型都足够聪明的那天，胜负早就转移到别的地方去了。

六、分领域推演

下面这张表是按我自己的理解排的，不是承诺，是推演。农业是我最熟的，所以放在靠前的位置。

看这张表要注意一点：每一格里写的都不是「新出现的能力」，而是「这件事变成常态」的时间。技术往往早就有了，难的是让它便宜、稳定、能被普通人自然地用上。后者才是那十年真正在做的事。

七、我可能错在哪里

一篇只讲自己多有把握的推演是不值钱的。我说三个我最可能错的地方。

第一，时间点

方向和时间的准头完全不一样。三个台阶的顺序我比较有把握；具体哪一年到，我大概率说早了。技术圈有个老规律：人们总是高估两年内能发生的事，又低估十年后能发生的事。

第二，技术路线

我现在看到的路线是「大模型 + 工具调用 + 记忆」。十年是很长的时间，完全可能出现一套不一样的东西。就像十年前，没人用今天这套架构去想问题。凡是斩钉截铁说「一定就是这条路」的，通常都错了。

第三，也是最大的变量：制度环境

技术能做到什么，和规则允许做到什么，是两件不同的事。这件事的决定权不在技术圈手里。同一个技术，在不同的规则环境下，落地速度和最终形态可以差出十年。

从国内看，这些年的方向是清楚的：在鼓励发展的同时，把安全和合规的框子一起立起来。对做具体事的人来说，这个环境其实是好用的——方向明确，就知道该往哪儿使劲。

这一条我认为比前面所有技术判断加起来都重要。

八、现在就能做的三件事

不给方案的推演是空谈。如果你认同一半，我觉得现在就能做三件事。

第一，把它当实习生，不要当搜索引擎

搜索给你链接，实习生给你结果。区别在于，你要不要交代背景、要不要给反馈。多数人用不好 AI，是因为一直用搜索的方式在用它——问一句就走，从不交代上下文，也从不纠正。

第二，开始攒自己的「记忆资产」

你的资料、你的流程、你踩过的坑、你认可的判断——把这些整理好喂进去，才是别人抄不走的差距。模型大家用的都是同一个，差的是喂给它的东西。

第三，练「审」，不要只练「写」

当生成变得越来越便宜，稀缺的就不再是产出，而是判断。能一眼看出哪里不对、哪里会出事，这个能力在未来十年只会更值钱。

写在最后

写这篇的时候我一直在提醒自己一件事：别把推演写成预言。

十年是很长的时间。回头看，很少有人能准确说出今天的样子；但大方向上的判断，其实当时就有不少人说对了——只是细节全不一样。

所以这篇的价值不在「准不准」，在于把判断摊开，让它可以被检验。三个台阶、五条主线、六个领域，就是我给自己立的标尺。过几年回头看，哪条错了、哪条对了，一目了然。

真正确定的一件事是：这十年的变化，不会等所有人都准备好了才开始。