人工智慧，尤其是大模型的快速普及，正在以前所未有的速度重塑人類社會的分工結構。一個越來越清晰的趨勢正在浮現：執行正在被AI接管，而思考與表達，正在回歸人類本身，並變得愈發稀缺。一、從會做事到想清楚事，能力結構正在發生根本轉變在工業時代與資訊時代的大部分時間裡，人類價值高度依賴執行力。誰更勤奮、誰更熟練、誰更快完成任務，誰就更具競爭力。然而，大模型的出現正在系統性地瓦解這一邏輯。今天，大模型可以寫程式碼、生成文案、整理報告、分析資料，甚至完成大量過去被視為高認知含量的工作。只要目標足夠明確、路徑足夠清晰，執行幾乎可以被無限複製、低成本擴展。這意味著：執行力正在商品化技能本身不再稀缺單純會幹活的價值正在快速下降在這樣的背景下，真正拉開人與人差距的，不再是你能做什麼，而是你能不能想清楚要做什麼。二、你想明白的東西，才能被清晰地表達出來思考與表達從來不是兩件獨立的事情。模糊的表達，本質上源自模糊的思考。一個人如果無法用簡潔、結構化的語言講清楚一個問題，往往不是不會說，而是根本沒有想透。真正的思考，是將複雜問題拆解為清晰的邏輯鏈條，是在不確定性中找到關鍵變數，是在噪音中提煉本質判斷。在AI時代，想明白本身就是一種稀缺能力。因為資訊極度過剩，結論卻極度匱乏；工具觸手可及，判斷卻愈發稀缺。三、你能清晰表達出來的東西，才能交給大模型去幹大模型並不理解意圖，它理解的是指令。而指令的質量，完全取決於表達的清晰度。模糊的目標，只會得到泛泛的結果不完整的約束，只會帶來不可控的輸出缺乏結構的描述，只會放大不確定性因此，一個極其重要卻常被忽視的事實是：大模型並不會削弱表達能力的重要性，反而將其放大到了前所未有的高度。只有當你：能清晰描述問題邊界能明確表達目標與約束能結構化地拆解任務你才真正具備讓AI為你工作的能力。從這個意義上講，表達力正在成為人類與大模型之間最關鍵的介面能力。四、未來的人類角色：負責思考與表達，把執行交給AI當執行成本趨近於零，人類的核心角色將發生遷移：人類負責提出問題人類負責做價值判斷人類負責建構認知框架人類負責表達目標與方向而：推演方案生成內容反覆試錯大規模執行將越來越多地交由大模型完成。這不是人類能力的退化，而是一種能力層級的躍遷。人類從操作者，轉向設計者和判斷者。五、AI時代，真正的競爭發生在思考深度與表達清晰度上在AI高度普及的未來世界裡，真正稀缺的，不是資訊，不是算力，也不是技能本身，而是：能在複雜系統中做出深邃思考的人能將複雜思想清晰表達出來的人能用語言與結構駕馭智能系統的人思考力決定你能看到多遠，表達力決定你能調動多大的能力邊界。當執行可以外包給大模型，人類真正的價值，將回歸到最本質的兩件事上：想清楚，以及說明白。 (壹號講獅)

前幾天，華盛頓傳出了一張耐人尋味的照片。美國能源部長、白宮科技政策辦公室主任，與二十幾位西裝革履的人站在一起合影。這些人不是什麼政客，而是微軟、Google、輝達、OpenAI、亞馬遜AWS等矽谷頂流的掌門人或核心代表。美國政府主導的“創世紀計畫”迎來重磅進展，微軟、Google等24家頂尖企業正式簽署協議加入。▲ 圖片由AI生成這張照片不是在慶祝某個商業合作，它宣告了美國AI發展主導權的微妙變化：從矽谷的董事會，部分轉向了華盛頓的會議室。簡單說，就是矽谷的“最強大腦”們，集體向美國政府“報到”了。這聽起來有點魔幻。要知道，這些公司平日裡在市場上打得你死我活，為挖一個人才能開出天價，為一點技術優勢恨不得把對方實驗室搬空。怎麼突然就手拉手，一起坐在了政府的會議室裡？因為，遊戲規則變了。AI的競爭，已經從公司間的“街頭鬥毆”，升級為國家層面的“星際戰爭”。“創世紀”計畫：不止是科研，更是國家AI基建這個“創世紀計畫”聽起來挺科幻，但它的算盤打得非常現實。明面上的目標很崇高：整合國家實驗室的超級算力和聯邦政府的獨家資料（比如能源、氣象、生物醫療），推動AI去攻克清潔能源、新藥研發這些人類的終極難題。但如果你只看到這裡，就天真了。這本質上，是美國在舉全國之力，搭建一套 “國家級AI基礎設施” 。你可以把它想像成AI時代的“州際高速公路系統”或者“國家電網”。過去，各家公司在自己的“小作坊”裡煉模型、跑資料。現在，政府要把最好的“煉鋼爐”（算力）、最稀缺的“礦石”（高品質資料）集中起來，建一個所有人都能用的“國家級鋼鐵廠”。這意味著什麼？意味著美國想從根子上，掌控未來AI革命的“生產資料”。以後誰能在這個“鋼鐵廠”裡高效生產，誰就能定義下一個時代的工業標準。這步棋，下得又遠又狠。巨頭們的“小九九”：上船的誘惑與無奈那麼問題來了，這些精明的矽谷巨頭圖啥？他們可不是來做慈善的。首先，是饞那些“獨家資料”。網際網路上的公開文字和圖片，已經被大模型們“吃”得差不多了。而政府手裡掌握的能源網路資料、全球氣象記錄、 anonymized（匿名化）的全民健康資料，才是更稀缺、更高品質的“頂級燃料”。拿到這些，就像給AI引擎加注了火箭推進劑，能實現能力的躍遷。這對任何一家AI公司來說，都是無法抗拒的誘惑。其次，是算不起的“天價帳單”。訓練尖端AI模型的算力成本，已經高到連巨頭都肉疼。而國家實驗室的超級電腦，其規模和成本是私人公司難以企及的。參與計畫，很可能意味著能以“內部價”甚至補貼價，使用這些國之重器。這不僅是省錢，更是拿到了通往下一代AI的“頭等艙船票”。最後，是一種“不得已的聰明”。AI的能力越強，引發的社會擔憂和監管壓力就越大。與其坐在外面，等著不知道從那裡砸下來的監管鐵拳，不如主動走進房間，參與制定遊戲規則。和政府綁在一起，成為“解決方案的一部分”，無疑是最高明的風險避險和商業遊說。所以你看，這根本不是誰服從誰，而是一場各取所需的頂級合謀。棋盤之外：中國AI面臨的新維度挑戰“創世紀計畫”的啟動，給全球AI棋盤投下了一枚重磅棋子。它清晰地傳遞出一個訊號：未來的AI競爭，將是“國家體系”對“國家體系”的較量。對手不再僅僅是某家耀眼的明星公司，而是一個由美國政府背書的、囊括了從晶片、雲端運算、模型到應用全鏈條的“超級聯合體”。這對中國的AI發展路徑提出了新的思考。我們擅長的是“市場牽引、應用驅動”，在龐大的國內市場快速迭代，打磨出親民的產品。但在這種由國家力量直接主導、瞄準基礎科學和長期戰略的“大兵團作戰”面前，我們需要找到自己的應對之道。我們的優勢在於完整的產業鏈、海量的應用場景和高效的執行能力。或許，我們可以更聚焦於將AI深度融入實體經濟的“血管”，在智能製造、智慧城市、產業升級這些能直接創造價值的領域，築起堅固的護城河。同時，對於志在出海的中國AI企業，未來的環境可能會更複雜。你遇到的將不僅是商業對手，還可能是一個受到政治和資本全方位庇護的“巨無霸”。合規的成本、競爭的維度，都將被重新定義。結語：當技術強大到定義時代“創世紀計畫”像一則現代寓言，它告訴我們：當一項技術強大到足以重塑國家競爭力、決定未來文明形態時，它就註定無法只停留在商業的範疇。它必然會走入聚光燈下，與政治、資本、倫理深度纏繞，跳起一曲微妙而複雜的雙人舞。這張華盛頓的合影，只是一個開始。它宣告了AI狂野生長的“西部淘金時代”正在落幕，一個由國家力量劃定賽道、巨頭們協同競合的新紀元，已經拉開序幕。 (AI財富經)

12月20日，在華爾街見聞和中歐國際工商學院聯合主辦的「Alpha峰會」上，知名經濟學家付鵬發表了題為《AI時代下--秩序的重構》的演講。付鵬表示，當前AI產業的核心矛盾在於“路修好了，等待車跑”。上游算力基建投入已基本完成，2026年將進入下游企業級應用能否落地並兌現盈利的“證偽之年”。他還表示，2026年投資者應重點關注特斯拉。它將在明年面臨類似當年輝達的“身份驗證”時刻：究竟只是一一家汽車公司，還是真正的企業級“重AI應用”載體。付鵬指出，這正如檢驗“高速公路修好後有沒有車跑”，如果特斯拉能證明其作為AI應用的價值，市值空間將巨大；否則以當前作為汽車股的邏輯看，其估值並不具備吸引力。付鵬還強調，如果AI被證偽，全球股市都將面臨劇烈波動。當前美股（特別是AI類股）是全球“生產力”的核心，全球主要資產的波動率都與其高度繫結。如果AI最終被證實為泡沫，那不僅是美股，包括日本、歐洲在內的全球股市都會崩盤，“這是一根繩上的螞蚱”。他認為，目前加息或降息已不重要，核心在於資產端（AI）能否產生真實回報率，若資產端出問題，負債端的調整無濟於事。以下為演講實錄：生產力、生產關係與制度秩序的聯動這個話題的底層邏輯，在《見證逆潮》章節中有所探討，也對應2024年諾獎得主阿西莫格魯的AJR模型——聚焦生產力與生產關係的互動，尤其落腳於“制度與秩序”這種特殊生產關係。“秩序”多用於國與國之間（如基辛格《世界秩序》所指的貿易、金融、安全維度），“制度”則常見於企業內部的規則（如打卡考勤）。二者本質上都是特殊形式的生產關係。今天我們討論的，是生產力、生產關係與制度秩序三者的聯動。很多人誤以為宏觀經濟指標是股市的“晴雨表”。但在我看來，股市真正反映的是全要素生產率（TFP）——經濟系統將生產要素轉化為產出的效率。這個過程就像一套齒輪：生產力拉動生產關係，生產關係重塑制度秩序，制度秩序反過來推動生產力。齒輪轉動的效率，就是TFP。大量研究（包括聯準會論文）證實，多數國家股市的長期走勢都與TFP的變化趨勢高度匹配。以美股為例，1929年至今，推動其長期向上的核心動力，始終是經濟效率的提升，而非短期經濟波動。這種提升可來自齒輪的任一環節：科技突破、生產關係最佳化、或制度調整（如上市公司治理改革）。在我常用的“分子分母乘以G”股市模型中，G就代表制度與秩序這一維度。美國資本市場的發展也印證了：從薩班斯法案到股東積極主義，制度最佳化始終是市場長期健康的關鍵。需強調的是，沒有任何環節是完美的。科技是雙刃劍，生產力、生產關係、制度秩序都有兩面性。真正的“完美”，是形成良幣驅逐劣幣的進化機制：好的制度能淘汰壞的制度，系統在糾錯中向前。產業生命周期視角：從廣撒網到去偽存真回到AI話題。2015、2016年是關鍵節點：不僅是美股打破十幾年寬幅震盪、開啟趨勢性行情的起點，也是市場意識到美國經濟效率將躍升的轉折點。此時，木頭姐離開機構自立門戶。她常被稱為“女版巴菲特”，但邏輯完全不同——她是在二級市場運行一套一級市場的成長股投資策略。這涉及佩雷斯的“產業生命周期”理論：真正的產業投資往往從一級市場開始，二級市場看到的是一級市場未來的表現。產業早期，無人能預判那條技術路徑會勝出。因此最優策略是廣泛佈局——如木頭姐的操作，把所有技術路徑納入組合。這是風險投資的核心邏輯：投100個項目，死90個，活10個就是成功。該策略在產業早期估值擴張階段非常有效，能享受所有賽道紅利。但當產業進入成熟期，市場必然去偽存真：資金從90個被淘汰項目，集中到10個真正跑出來的贏家。此時仍分散投資，回報必然落後。2022年的市場殺估值，正是這一“去偽存真”過程。輝達跌70%，比特幣從8萬跌至2萬，所有估值型資產深度調整。這一輪調整的核心，是逼產業交出答卷：例如輝達，必須證明自己不是遊戲顯示卡公司，而是AI算力基礎設施提供商。而2022年底、2023年初ChatGPT的出現，標誌著市場從眾多技術路徑中，明確了少數能跑通的賽道。輝達用後續財報給出了答案，確立了AI時代的核心地位——“想富先修路，修路先買鏟子”，輝達的鏟子成了確定性標的。波動率與市場風險：確定性越高，風險越大分析市場，波動率是核心指標。它是確定性的反面：不確定性越高，波動率越大；確定性越強，波動率越小。2022年輝達跌70%後，市場逐漸確認AI將帶來巨大資本開支，其業績也逐步兌現。從那時到2023、2024年，波動率持續下降——說明市場共識越來越強，確定性極高。但問題恰恰出在“確定性太高”上：高確定性催生貪婪，場外槓桿、民間配資、押房押車all in的現象日益普遍。2024年6月14日，付鵬在華爾街見聞《付鵬說》專欄第20期中提醒：輝達應該考慮買入保險。8月市場波動上升後，付鵬隨即分享了應對方法。可以這樣理解：《付鵬說》專欄中的很多內容，是專門面向普通投資者朋友的。大家並非金融機構，無法通過券商管道每季度參與線下交流。付鵬的專業性內容主要集中於該專欄，而非短影片平台——短影片僅為閒談，深度分析與觀點輸出都在這裡。果不其然，2024年輝達“閃崩”印證了這一邏輯。當時許多分析歸因於“日元套息交易拆倉”，但在我看來，核心原因只有一個：全球資產都綁在了AI這一“生產力資產”上，當資產端的確定性被過度透支，負債端的任何變化都只是導火索。這也是我一直強調的：別盯負債端，要看資產端。如果AI被證明是泡沫，全球市場都會崩，屆時加息降息都無濟於事；如果AI能兌現生產力價值，市場的上漲才具備堅實基礎。AI的“修路”與“通車”——生產力到生產關係的傳導輝達閃崩後，市場一直在問：AI是不是泡沫？這個問題的本質，和2002、2003年謝國忠關於中國基建的爭論如出一轍。當年有人認為修高速公路是浪費、是債務；但事實證明，“要想富先修路”，基建拉動了城鎮化和經濟增長。現在的AI行業，正處在“路修完了，有沒有車跑”的關鍵節點。過去幾年，幾兆美元的AI上游基建已投下，算力、電力等“高速公路”基本成型，但真正的企業級AI應用——“車”——尚未大規模跑起來。目前的ChatGPT、圖生文、文生圖等只是表層應用，遠非能拉動生產力變革的核心應用。市場的疑慮和等待，本質上是在等一個答案：這些AI基建，究竟是能拉動經濟增長的資產，還是無法產生回報的債務？答案將決定全球資產的未來走向。從利率曲線結構，也能看到聯準會的“預防性操作”：輝達閃崩後，美國國債“三個月減十年期”利差迅速倒掛，每一次倒掛都對應波動率的下降。這背後是聯準會通過短端流動性調節，避免系統性風險擴散，為AI應用落地爭取時間。但這種操作也是雙刃劍：好處是延緩市場快速崩盤，壞處是讓估值變得更貴。到了今年年底、明年年初，這個問題已壓不住了。明年將是AI從生產力到生產關係傳導的證明或證偽之年。特斯拉就是這個證明過程的關鍵標的。就像2021、2022年的輝達需要證明自己是算力提供商而非顯示卡公司，特斯拉明年需要證明：它到底是一家汽車公司，還是一個企業級重AI應用平台？答案不同，估值天差地別。如果只是汽車公司，兆市值已透支；如果是AI應用平台，兆市值只是起點。當前美股（特別是AI類股）是全球“生產力”的核心，全球主要資產的波動率都與其高度繫結。如果AI最終被證實為泡沫，那不僅是美股，包括日本、歐洲在內的全球股市都會崩盤，“這是一根繩上的螞蚱”。目前加息或降息已不重要，核心在於資產端（AI）能否產生真實回報率，若資產端出問題，負債端的調整無濟於事。兩條路徑與時代機遇回到最初的問題：AI是不是泡沫？明年的利率曲線走勢，只有兩條路徑：第一條是證偽路徑：如果AI上游基建無法轉化為下游應用的生產力，過去幾年的投資都會變成債務，全球市場將崩盤，無一資產能獨善其身。第二條是證實路徑：如果AI完成從“修路”到“通車”的傳導，生產力真正拉動生產關係變革，我們將迎來第二波浪潮——不僅是生產力創造的財富，更是生產關係最佳化和制度秩序革新的系統性機會。每一輪長周期裡，都有三次大機遇：生產力提升、生產關係改變、制度秩序重構。人這一輩子，能趕上一個齒輪的周期，就已經很好了。輝達已證明自己是確定性的生產力標的，未來會成為成熟的成長股；而接下來的機會，就在生產關係的變革裡——也就是AI應用的落地和普及。 (華爾街見聞)

2025 年的畢業生，正面對一個規則變了的求職市場。2025 年 11 月，美國失業率升至 4.6 %，創近四年新高；中國城鎮失業率為5.1%，青年失業率（16-24歲，不含在校生）持續高位。同時，應屆畢業生規模創紀錄：2025 屆 1222 萬，2026 屆預計 1270 萬。但與過去不同，這次不是崗位總量在減少，而是機會的流向變了。就在昨天（12月17日），吳恩達一個月前在史丹佛的內部講座視訊才公開。11 月 18 日的 AI 課堂上，他用兩組資料解釋了這個變化：AI 能完成的任務複雜度，每7個月翻倍AI 程式設計能力的翻倍時間，只需70天技術在指數級加速，但崗位機會沒有同步增長。為什麼會這樣？機會流向了那裡？在這個轉折點上，什麼樣的人能抓住新機會？這篇文章，我們從這堂課出發，回答四個問題：什麼能力更重要？為什麼環境比你想的更重要？學習方式該怎麼調整？如何讓自己被發現？第一節 | 不是崗位少了，是方向變了2025年，AI 讓寫程序變得前所未有地快。但這並不意味著工程師更吃香了，恰恰相反，許多人的工作變得更容易被替代。吳恩達在課堂上說了一句話：模型可以幫你寫出正確的程式碼，但它不會告訴你，這段程式碼要去解決什麼問題。這句話點出了關鍵：現在大多數崗位的分工邏輯已經變了。不是誰更懂技術，而是誰先把問題定義清楚。以往，一個產品從想法落地，需要5～8個工程師配合開發。現在，在 AI 工具輔助下，一個人就能快速完成。工程工作被壓縮的同時，產品設計、需求拆解、目標判斷這些前置任務反而成了最關鍵的一環。為什麼這些“前置任務”變得更重要？因為產品開發本質上是一個循環：寫程式碼 → 給使用者看 → 收反饋 → 調方向 → 再寫程式碼。AI 讓第一步快了 10 倍，但其他幾步沒有同步加速。這導致整個循環的瓶頸從寫程式碼轉移到了理解使用者真正想要什麼。現實中，多數團隊的決策能力並沒有跟上這個節奏。程式碼寫得快了，方向錯了的話，速度反而成了風險。結果是：能完成任務的人越來越多但能判斷做什麼才值得做的人反而變少於是，團隊裡真正被重用的，不是寫得快的人，而是能定義方向、快速嘗試、反應靈敏的人。在吳恩達眼中，今天矽谷行動最快的工程師有一個共同特徵：他們既會寫程式碼，也會跟使用者聊天。 這種“技術+同理心”的組合，讓他們能在一個人身上完成過去需要工程師+PM兩個角色才能完成的事。工程師和產品經理的比例正在翻轉。過去是4～8:1，現在越來越多公司走向2:1，甚至逼近1:1。有些創業公司已經開始配置“1 個PM配 1 個工程師”，這在傳統矽谷公司看來幾乎不可思議。在這堂課上，還有一位嘉賓 Lawrence Moroni（曾任Google首席AI倡導者，現在ARM負責AI業務）。他也提到了一點：過去幾年，矽谷公司允許員工把各種價值觀和個人追求帶到工作中。但 2023 年之後，公司不再看情懷，只看價值：你做的東西能不能為他們賺錢。技術很強但方向不對？沒人買單。情懷很足但產出為零？同樣出局。這就是為什麼判斷力比技術更重要：你要能判斷什麼值得做，什麼不值得做。缺少這種判斷力，再強的技術能力也會被邊緣化。第二節 | 好環境比強能力更重要第一節我們說了，判斷力比技術更重要。但光這樣還不夠：就算你有判斷力，如果環境不對，你也施展不開。吳恩達在課上講了一個真實的故事：一個史丹佛學生，能力出色，拿到了一家熱門 AI 公司的 offer。公司說：先簽約，輪崗匹配會給你找好項目。 結果簽完約，他被分配去做 Java 後端支付系統。這不是 AI 項目，不是他想做的方向。一年後，他沮喪離職。“他的能力沒問題，是環境錯了。”但環境也在選人。 Lawrence Moroni講了一個例子：一個優秀的程式設計師，能力強、經驗足。被解僱後申請了 300 多個工作，深入面試很多家大廠，但每次都在最後一輪被拒。原因不是技術不行，而是他在面試中表現得過於強硬，讓面試官覺得他不適合團隊合作。調整態度後，他很快拿到 offer，工資翻倍。這兩個故事表示：第一個：你可能有能力，但被放錯了位置第二個：你的能力可能很強，但團隊合作性同樣重要能力是基礎，但環境和配合度決定了你能走多遠。很多人忽略了一個變化：AI 讓個人能做的事更多了，但也讓團隊環境的差異被放大了。過去，只要你負責一小塊、照流程執行就行。現在不一樣了：你需要快速拿到使用者反饋 （團隊要支援你直接接觸使用者）你需要快速試錯迭代 （團隊要允許失敗）你需要跨職能協作 （團隊要打破職能壁壘）如果團隊做不到這些，你個人再努力也是在內耗。吳恩達特別強調了幾個好團隊的特徵：願意共享資訊，不藏著掖著願意試錯，而不是反覆開會支援個體試驗，而不是按層級做決策他說：在這樣的環境下，你的經驗值才能累積，你的想法才有機會試一試。否則，就算你再有熱情，也撐不了多久。而這個環境，不只是你的團隊，還包括你日常相處的圈子。如果你最親近的 5 個朋友都是努力工作、快速學習、試圖用 AI 讓世界變得更好的人，你也更有可能這樣做。所以，比起崗位頭銜，看清你所在的圈子、節奏、氛圍，才是你能不能成長的真正關鍵。第三節 | 快速試錯，快速成長過去找工作，拼的是學歷、項目經歷、技能點清單。現在，這些還重要，但更重要的是：你做出過什麼？吳恩達在課上給出建議：要創新，就做20個原型，看那個有效。這是 2025 年的真實節奏。 AI 加速了任務完成的能力，但也暴露了很多人的短板：做得快，不等於做得對；學得多，不等於學得進。傳統的學習節奏是：先聽課、再練習、最後實習。AI 時代，有效成長變成了：動手試 → 被打臉 → 調方向 → 再試。這是一種新的學習習慣，甚至是一種工作習慣。Lawrence Moroni 分享了他的實踐：他在做 AI 驅動的電影製作工具時，不是花幾個月寫完整的技術文件，而是：我開始建構。測試。扔掉。再次開始。每次我腦海中的需求都在改進。為什麼要這樣？因為失敗成本變低了。吳恩達說：“你浪費了一個周末但學到了東西，這沒問題。”過去，做一個項目需要幾個月。現在，一個周末就能做出能跑的原型。Lawrence算了一筆成本帳：三個月做一個項目，最後發現方向錯了，浪費三個月三天做10個原型，扔掉9個，留1個繼續打磨，只花三天就找到方向所以，快速試錯不是急躁，而是控制風險的方法。但很多人的學習方式還停留在過去。 苦練程式碼卻從沒做出能上線的應用，苦看視訊教學卻從不和別人協作，項目一做就是大半年結果上市場沒人用。現在，AI 做得越快，你迭代得也要越快。關鍵不是做一次就對，而是做一次就知道錯在那，然後快速調整。要想跟上節奏：別等到完美才發佈別等到有把握才動手別等別人先做你再做先做出來，再說。第四節 | 真正的競爭力，是你做出過什麼前三節我們說了：能力要求變了、團隊環境重要、學習方式要變。但最後一個問題是：你怎麼證明自己？現在的招聘，越來越像選隊友，而不是篩履歷。Lawrence Moroni 自己就是個例子。2015年，他想加 入 Google Clou 團隊。前兩次面試都失敗了，儘管他已經在 Microsoft 工作多年，寫了 20 多本書。第三次，他換了策略：在面試前，他用 Google Cloud 做了一個 Java 應用，能用技術分析預測股票價格。 然後把這個項目放在簡歷上。結果，整個面試過程，面試官都在問他關於這個程式碼的問題。面試的主動權在他手上。他提前證明了自己能做什麼，而不是只說做過什麼。這讓他從 300 個候選人中脫穎而出。十年過去，這個策略在2025年更加重要。吳恩達給出了一個判斷標準：現在要看一個人值不值得合作，最簡單的方法就是看你做出過什麼，那怕一個小東西。不一定複雜，也不一定完美。但得是真實的、能用的、你親手做的。一個前職業冰球運動員的故事更能說明問題。他 13 歲輟學，自稱“活著最笨的人”。他管理一個非營利冰場，每季度需要向董事會展示營運結果，為此每年花15 萬美元請諮詢公司整合資料（來自泵房機器、壓縮機、電子表格、帳戶...）。他嘗試用 ChatGPT 自己做。結果：他現在用兩個小時就能完成報告。節省的 15 萬美元用於給貧困兒童提供冰球裝備。一個13 歲輟學的人，用 AI 做成了15 萬美元的專業諮詢工作。這比任何學歷都有說服力。你不一定要創業，但你需要作品。這類展示的效果越來越明顯。很多公司已經不看你做過什麼，而是看你正在做什麼。過去找工作，是投遞簡歷等回覆。現在是做出產品，主動展示能力。區別在於：簡歷是別人對你的評價，作品是你對自己的證明。結語｜機會沒少，只是方向換了2025 年不是工作變少了，是路徑變了。過去的路徑：從學歷到經驗，從經驗到簡歷，從簡歷到面試，最後入職。現在的路徑：從能力到作品，從作品到展示，從展示到合作，在合作中成長。能力要求變了。團隊比品牌重要。學習方式要快速迭代。作品比簡歷有說服力。這四件事，決定了你能不能抓住新機會。 (AI深度研究員)

前   言當前，我們正站在一場由人工智慧（AI）驅動的全球算力革命中心。這場革命的核心矛盾，已從單純追求晶片的峰值算力，轉向如何高效、可靠地連接與管理海量計算單元，建構真正的“AI超級電腦”。在此背景下，光互連技術，特別是共封裝光學（CPO，Co-packaged Optics），已從一項前沿探索迅速演變為決定算力基礎設施效能與規模的關鍵瓶頸與破局點。本文旨在深入剖析CPO行業的現狀、核心驅動力、正在發生的產業模式變革，並展望其與未來國家戰略的潛在共振點。一、現狀審視——CPO從技術藍圖走向商業前夜共封裝光學（CPO）並非對傳統可插拔光模組的簡單升級，而是一次光電融合的“架構革命”。其核心在於將光學引擎（光晶片、調製器等）與矽基計算晶片（如GPU、ASIC、交換晶片）在封裝層級進行高密度整合，從根本上重構了資料中心內部的資料傳輸路徑。這種整合將訊號傳輸距離從釐米級壓縮至毫米級，直接帶來了功耗、頻寬和延遲的性能飛躍。（一）核心驅動力：AI算力洪流下的剛性需求AI大模型的訓練與推理，催生了前所未有的資料交換需求。據行業分析，全球AI算力需求正以“每3.5個月翻一番”的速度增長。單個AI叢集內部，GPU間的通訊頻寬需求已從TB/s等級向PB/s等級邁進。例如，一個千卡GPU叢集在執行兆參數模型訓練時，內部互聯頻寬需達到幾十Tbps甚至上百Tbps，這對資料傳輸效率提出了極致要求。傳統可插拔光模組依賴的“晶片-PCB走線-光模組”架構，在速率超過800G後，面臨訊號完整性惡化、功耗激增和物理空間緊張的巨大挑戰。可插拔光模組在800Gb/s高速傳輸下，電訊號需長距離傳輸後再轉換為光訊號，導致單連接埠功耗高達30W，訊號損耗達22分貝。這對於一個需要部署數萬甚至數十萬光模組的超大規模AI資料中心來說，電力消耗和散熱壓力已成為不可承受之重。CPO技術通過架構革新實現了性能的跨越式提升。以輝達的CPO方案為例，其通過將光引擎與交換晶片ASIC整合封裝，使功耗降至9W/連接埠（降低70%），訊號損耗銳減至4分貝。下表對比了傳統可插拔光模組與CPO方案在關鍵性能指標上的差異：圖表：CPO與傳統可插拔光模組性能對比資料來源：市場公開資料、中投產業研究院（二）行業拐點：2025年，從實驗室到量產的關鍵分水嶺多方跡象表明，2025年已成為CPO技術商業化的關鍵轉折年。產業界從技術驗證、標準制定到產能佈局都已進入實質性階段，呈現出加速發展態勢。巨頭產品落地方面，輝達已於2025年GTC大會上明確宣佈，將於下半年推出的GB300晶片及下一代Rubin平台將全面採用CPO技術。其Quantum-X InfiniBand Photonics平台（交換容量達115Tb/s）預計於2026年初上市，Spectrum-X乙太網路交換機（最高409.6Tb/s頻寬）則將於2026年下半年推出。這些產品具備了業界領先的頻寬性能，並配備高效的液冷系統，能夠應對高密度、高功耗的運行環境。市場需求方面，2025年Q2全球TOP10的雲廠商（包括亞馬遜AWS、微軟Azure等）採購的AI伺服器中，已有62%選擇了CPO配置，而2024年同期這一比例還不到10%。這種“用錢投票”的趨勢明確顯示了市場對CPO技術的認可。國內產業鏈也在快速跟進，如華工科技在2025年美國OFC展會上發佈了全球首款適配下一代AI訓練叢集的3.2Tb/s液冷CPO超算光引擎，其能效低至5pJ/bit，較傳統可插拔模組功耗降低近70%。技術成熟度方面，頭部企業的CPO良率已從早期的60%左右提升至90%以上，部分企業甚至達到95%，成本下降40%，為規模化應用掃除了障礙。（三）市場規模與結構：一個高增長的細分賽道正在形成儘管CPO總體市場規模仍處於起步階段，但增長曲線極為陡峭。據摩根士丹利預測，CPO市場規模在2023-2030年間年複合增長率將達172%，到2030年達到93億美元。這一增長速度在科技產業中極為罕見，反映了市場對CPO技術的強烈預期。以下為CPO市場規模的增長趨勢圖：圖表：全球CPO市場規模預測資料來源：摩根士丹利、中投產業研究院從市場結構看，CPO產業價值正向核心環節集中。光引擎設計、先進封裝測試等上游環節的價值佔比從傳統光模組的35%提升至60%以上。這表明CPO不僅是一項技術創新，更在重構光通訊產業的價值分配格局。區域市場方面，中國CPO產業鏈正在快速成長。中際旭創、新易盛等國內頭部光模組企業2025年三季度業績呈現“爆發式增長”，行業整體營收同比增長83%，淨利潤同比增長127%。這些企業已獲得輝達等國際巨頭的CPO訂單，預計2026年開始批次交付。同時，中國在“十五五”規劃中將“算力基礎設施升級”列為重點，CPO作為核心技術之一，相關項目可享受政策支援，這為國內CPO產業創造了有利的發展環境。總的來說，CPO技術正從藍圖走向商業前夜，這是一場由AI算力需求驅動的、涉及材料、晶片、封裝、系統多層次的產業鏈協同革命。它不僅是一種新技術，更是未來AI基礎設施的核心支撐點，值得政府部門在政策制定和產業引導上給予高度重視。二、產業深潛——技術路線、模式變革與價值鏈重塑CPO的崛起絕非單一產品的勝利，它正在引發光通訊產業從技術路線、商業模式到價值鏈的連鎖反應，其影響深度和廣度遠超一般的技術迭代。這場變革的核心在於，CPO正推動產業從“模組級組裝”向“晶片級整合”躍遷，進而重塑競爭規則和利益分配格局。（一）技術路徑：共存、融合與多元探索當前產業界的一個關鍵共識是：CPO並非要完全取代可插拔光模組，而是形成一種“分工協同、長期共存”的格局。這種分工主要由應用場景的差異化需求驅動。在AI算力叢集內部，尤其是千卡級GPU之間的Scale-up互連場景，資料交換頻寬需求已突破TB/s等級，傳統可插拔光模組的功耗和密度瓶頸難以克服。例如，輝達GB200超算叢集中，CPO技術將GPU間互連功耗從傳統方案的30W/連接埠降至9W/連接埠，降幅達70%，同時將訊號損耗從22dB銳減至4dB，這是支撐兆參數模型訓練的基礎。而在資料中心機櫃外部互聯（Scale-out）和電信傳輸等距離較長、需靈活維護的場景，可插拔光模組仍具成本優勢。據Lightcounting預測，到2027年，800G和1.6T連接埠總數中CPO連接埠佔比將接近30%，同時可插拔光模組市場自身仍將保持增長，這充分說明了互補共存的趨勢。技術路線的多元化競合態勢愈發明顯。矽光技術憑藉其與CMOS工藝的相容性，成為CPO的主流平台，博通、英特爾等巨頭均以此為基礎推出CPO交換機晶片。但其他材料體系也在特定細分領域展現潛力：例如，薄膜鈮酸鋰調製器憑藉高線性度、低損耗特性，在長距相干通訊場景受到關注；而面向未來更高整合度需求，OIO（光學I/O）技術試圖將光I/O以Chiplet形式與計算晶片直接整合，實現頻寬密度從當前的幾十Gbps/mm²向1Tbps/mm²邁進，這被業界視為更終級的解決方案。下表對比了三種主要光電互連技術的特性與適用場景：圖表：主要光電互連技術路徑對比資料來源：市場公開資料、中投產業研究院（二）產業新模式：從供應鏈到“系統-生態”共同體CPO的高整合度特性徹底改變了光模組行業傳統的“晶片-元件-模組”的線性供應鏈模式，推動產業向“系統-生態”共同體演進。這種轉變主要體現在三個方面：首先是縱向整合加劇與競爭焦點上移。CPO要求光、電、機、熱等多領域知識的深度耦合，使得單一企業難以掌握全部核心技術。這促使企業通過戰略結盟或垂直整合來建構能力。例如，晶圓代工龍頭台積電推出COUPE（緊湊型通用光子引擎）平台，為CPO提供從矽光製造到3D封裝的完整解決方案，其路線圖明確規劃了從2026年OSFP光引擎向2028年處理器封裝內整合12.8Tb/s的演進路徑。這種整合使得產業價值重心顯著向上游轉移：光引擎設計和先進封裝測試的價值佔比，已從傳統光模組的約35%提升至CPO領域的60%以上。與此同時，無源器件如高密度光纖連接器（MPO/MTP）、光纖陣列單元（FAU）等，因需滿足CPO系統更高的密度和性能要求，其技術複雜度和價值量也隨之提升，成為新的增長點。其次是系統級競爭與開放生態的博弈。以輝達、博通為代表的系統廠商，傾向於提供整合CPO的完整交換或計算系統，形成“黑盒”式解決方案。例如，輝達的Quantum-X InfiniBand交換機將CPO作為默認配置，降低了使用者整合難度，但也引發了大型雲服務商（如Google、Meta、微軟）對供應鏈鎖定和技術自主權的擔憂。作為應對，這些雲服務巨頭正積極倡導建立開放的CPO生態系統和行業標準，如參與OIF（光互聯論壇）、COBO等標準組織，推動介面規範化。未來的產業競爭，很大程度上將是封閉系統方案與開放生態標準之間的博弈。圖表：CPO產業鏈各環節價值量分佈資料來源：市場公開資料、中投產業研究院（三）產業鏈地理格局：全球協作與區域化風險並存CPO產業鏈天生具有高度全球化的特徵，但目前地緣政治因素正成為影響產業格局的關鍵變數。從現有分工看，美國在核心晶片設計（如輝達、博通）、系統架構與整合方面保持領先；中國在光模組製造、封裝測試及部分無源/有源器件領域具有顯著的成本和規模優勢，例如2025年上半年中國頭部光模組企業營收同比增長均超過80%；而台灣則在半導體製造（台積電）、矽光代工和精密光學元件方面佔據關鍵位置。然而，這種全球化協作正面臨區域化風險的挑戰。美國BIS（工業和安全域）等機構已將部分先進光晶片製造裝置納入出口管制範圍，這直接影響到了國內CPO產業鏈在14nm以下光晶片領域的進階。這種風險一方面促使全球客戶考慮供應鏈多元化，另一方面也倒逼中國大陸產業鏈加速核心技術攻關。國內企業正通過多種方式尋求突破：一是加大研發投入，如光迅科技定增募資35億元，專項用於高速光互聯技術研發；二是加強產業鏈協同，例如華為與中際旭創聯合推出xPU-CPO原型系統，探索GPU直接出光。總體而言，地緣政治因素在短期內增加了產業鏈的不確定性，但中長期看也加速了國內CPO產業在核心技術領域的自主攻堅處理程序。三、挑戰、風險與不確定性儘管CPO技術前景廣闊且發展迅猛，但其從實驗室走向大規模商業化部署的道路並非坦途，仍面臨著一系列嚴峻的技術瓶頸、成本困境和產業鏈協同挑戰。這些挑戰不僅關乎技術本身，更涉及製造工藝、經濟帳計算和標準制定等深層次問題，需要產業界共同破解。（一）技術複雜性：奈米級精度與熱管理的極致挑戰CPO的技術複雜性首先體現在異質材料整合的難度上。它需要將基於矽的光子積體電路（PIC）、基於CMOS的電子積體電路（EIC）以及可能使用的化合物半導體雷射器等多種材料體系整合進單一封裝內。這些材料的熱膨脹係數存在差異，在裝置運行的溫度波動下會產生熱應力，若處理不當可能導致介面開裂或性能漂移。例如，矽光子晶片與有機基板之間的熱膨脹係數差異可達2-3倍，對封裝結構的長期可靠性構成嚴峻考驗。其次，奈米級的光纖與晶片對準是規模化生產的主要障礙。高效的光耦合要求單模光纖與晶片上尺寸僅幾百奈米的波導之間的對準精度須控制在亞微米等級（通常小於0.1µm）。這好比要將一根頭髮絲精確地對準到另一根頭髮絲的特定剖面上，其難度可想而知。目前主流的主動對準工藝依賴精密裝置即時調整光纖位置至光功率最大，雖能保證精度，但效率較低且裝置昂貴。而無源對準（如V型槽結構）雖有利於降低成本和提高效率，但對加工精度要求極高，任何微小的偏差都會導致耦合損耗顯著增加。有分析指出，光耦合環節的良率損失是制約當前CPO整體製造良率提升的關鍵因素之一。再者，熱管理是CPO系統可靠性的核心。光子器件，尤其是雷射器和微環諧振器，對溫度波動極其敏感。溫度每變化1°C，可能導致微環諧振器的波長漂移約0.1nm。在CPO封裝內，高功耗的計算晶片（如ASIC/GPU）是巨大的熱源，其產生的熱量會傳導至鄰近的光子晶片，引起溫度不穩定，從而導致光訊號波長漂移和性能劣化。為解決此問題，業界普遍採用外部雷射源（ELS）方案，將發熱的雷射器與對熱敏感的光子晶片物理分離，但這又增加了系統的複雜性和成本。同時，高效的散熱設計，如採用先進液冷技術（如輝達和博通在其CPO交換機中應用的技術）成為必然選擇，這無疑對資料中心基礎設施提出了更高要求。（二）成本困境：高昂的前期投入與漫長的TCO回報周期目前，CPO系統面臨的成本困境非常突出，其前期成本遠高於傳統可插拔光模組。一個1.6T CPO連接埠的初始成本估計可達2800美元，而同等速率可插拔光模組連接埠成本約為1200美元，CPO成本高出約133%。這主要源於幾方面：核心晶片（如矽光晶片、特定用途的DSP）成本高昂，其設計和製造涉及尖端工藝；先進封裝（如2.5D/3D整合）的費用可觀，測試流程因高度整合而複雜且耗時；此外，與之配套的專用交換機和液冷系統也推高了整體部署成本。因此，CPO的推廣關鍵在於證明其總擁有成本（TCO）優勢。這意味著需要將初期投入與後續營運中的電費節省、空間資源最佳化以及算力效率提升所帶來的收益進行綜合權衡。有研究指出，在AI叢集等典型場景下，CPO的節能優勢可能需要系統持續運行2-3年才能抵消初期的溢價。這種回報周期對於許多資料中心營運商來說，決策壓力較大。特別是在當前技術迭代飛快的背景下，他們可能擔心裝置尚未收回投資就面臨技術過時的風險。市場接受度也因此呈現明顯的場景分化。超大規模雲服務商（如Google、Meta）和頂尖AI算力提供商（如主導AI叢集的廠商）出於對極致性能和能效的追求，對CPO的接受度更高。然而，對成本更敏感或規模相對較小的企業使用者則可能持觀望態度，等待技術更成熟、成本進一步下降。（三）標準化滯後與生態博弈：開放與封閉的路線之爭當前CPO領域標準化工作嚴重滯後於技術發展，這已成為制約產業鏈健康發展的重要因素。在介面規範、封裝形式、管理協議（如是否相容CMIS標準）以及可維護性設計等方面，業界尚未形成廣泛認同的統一標準。這種局面導致初期產品大多基於廠商的專有設計，例如輝達的Quantum-X/Spectrum-X光子交換機和博通的Bailly CPO交換機都採用了不同的整合方案。這種碎片化狀態阻礙了第三方供應商的介入，限制了規模效應的形成和良性競爭，不利於成本下降和技術普及。標準化滯後也引發了更深層次的產業鏈生態博弈。目前主要存在兩種模式：一是以輝達、博通為代表的系統廠商主導的“黑盒”模式，提供整合了CPO的完整解決方案，優點是交付便捷、性能最佳化，但缺點是使用者可能被單一供應商鎖定，缺乏靈活性。另一種是以Meta、微軟等大型雲服務商倡導的開放生態模式，旨在推動建立開放的介面和標準，允許不同廠商的裝置互操作，優點是給予使用者更多選擇權和供應鏈韌性，但需要複雜的產業協同。這場博弈的結果將深刻影響未來CPO產業的競爭格局和價值分配。（四）產業節奏風險：理性看待技術炒作與業績兌現市場對CPO等新技術的迭代節奏有時會表現出過於激進的預期。光通訊產業本身有其客觀發展規律，從800G到1.6T，再到未來的3.2T，每一代技術的成熟和規模化應用都需要時間，通常遵循著2-3年一代的迭代周期。這個周期涵蓋了技術研發、標準制定、產品化、規模化量產和生態建構等多個環節，難以一蹴而就。因此，需要理性看待CPO的業績兌現節奏。一方面要認識到CPO是滿足未來AI算力洪流下高速互連需求的關鍵方向，具有長期戰略價值；另一方面也要意識到，從技術突破到穩定量產，再到產生顯著的經濟效益，需要一個過程。短期內，避免因過度炒作導致資本市場預期與產業實際發展脫節至關重要。對政府部門而言，尊重技術發展規律，引導產業穩健投入，攻克核心關鍵技術，完善產業鏈配套，比單純追求短期市場規模擴張更具長遠意義。綜上所述，CPO技術雖然前景可期，但其大規模普及仍面臨來自技術、成本、標準和市場節奏的多重挑戰。應對這些挑戰，不僅需要產業鏈上下游企業持續的技術創新和協同合作，也需要政府部門在產業政策、標準引導和基礎研究方面提供支援，共同推動CPO技術走向成熟，賦能數字經濟的可持續發展。四、未來展望——與“十五五”國家戰略的同頻共振展望“十五五”時期（2026-2030年），CPO技術的發展路徑與中國國家戰略的多項重點方向存在深刻契合。它不僅是單純的技術升級，更有可能成為賦能新質生產力、驅動產業鏈升級、促進綠色低碳發展的關鍵支點，與國家戰略形成強有力的“同頻共振”。（一）賦能新質生產力，築牢算力基礎設施底座“十五五”時期，以AI為代表的新質生產力發展，以及全國一體化算力體系的建構，將對底層算力基礎設施的效率、密度和能耗提出極致要求。CPO技術通過其顛覆性的架構創新，直接服務於這一核心國家戰略。具體而言，CPO所能實現的功耗降低50%-70%、延遲減少50%以上、頻寬密度提升數倍的特性，正是突破當前超大規模智算中心性能和能效瓶頸的關鍵。例如，在建構類似於“東數西算”工程所需的跨區域高速互聯骨幹網時，採用CPO技術有望將端到端傳輸延遲控制在微秒等級，這對於高性能計算和即時AI推理至關重要。根據行業預測，到2030年，中國CPO市場規模有望佔據全球份額的40%以上，這背後正是國家算力基礎設施巨大需求的驅動。因此，大力發展CPO技術，本質上是在為國家的數字經濟發展和智能化轉型鋪設高品質、高效率、低能耗的“資訊高速公路”和算力動脈。（二）驅動產業鏈升級，搶佔光電融合戰略制高點CPO的興起絕非單一產品突破，它代表著資訊技術領域最前沿的光電融合趨勢，其技術和產業影響外溢效應極強。對CPO技術的戰略性佈局，將強力牽引國內在矽光晶片、先進封裝、高端光學材料、精密儀器等基礎環節和短板領域的進步。這完全符合“十四五”規劃中強調的“打好關鍵核心技術攻堅戰”精神的延續，並有望在“十五五”期間成為積體電路產業之外，又一個國家級的高科技戰略支點。目前，中國企業在光模組封裝整合等中游環節已具備全球競爭力，中際旭創、新易盛、天孚通訊三家企業全球市佔率合計已超過40%。但在上游核心晶片和材料領域，例如高端矽光晶片和薄膜鈮酸鋰調製器，仍需加速突破。政策層面，國家積體電路產業投資基金二期已明確將矽光晶片和先進封裝列為重點扶持領域。“十五五”期間，通過集中資源攻關，有望實現CPO產業鏈關鍵環節的自主可控，帶動整個電子資訊製造業向高附加值環節攀升，形成類似在太陽能、新能源車領域的叢集優勢。工信部在《光通訊產業高品質發展指導意見》中設定的目標，即到2025年實現1.6T CPO規模化應用，正是這一戰略意圖的清晰體現。圖表：CPO產業鏈核心環節發展態勢與國產化前景資料來源：市場公開資料、中投產業研究院（三）促進綠色計算，服務“雙碳”戰略目標在“雙碳”戰略目標背景下，資訊技術產業的綠色低碳轉型至關重要。資料顯示，近五年中國資料中心耗電量保持15%以上的平均增長率，2020年耗電量已佔全國總用電量的2.7%。CPO技術最直觀的優勢之一便是大幅降低資料傳輸功耗，這使成為實現綠色資料中心目標的關鍵技術路徑。推廣CPO等節能技術，不僅能直接降低超大規模資料中心營運商的巨額電費成本，更能產生顯著的節能減排社會效益。一個典型的案例是，微軟Azure在部署採用CPO技術的交換機後，其資料中心能源使用效率（PUE）值降至了1.05的極低水平。這為中國資料中心實現“十四五”規劃中提出的PUE≤1.5的能效標準乃至更嚴格的目標提供了技術可行性。可以預見，在“十五五”期間，CPO技術將與液冷散熱等其它綠色技術深度融合，共同推動資料中心PUE向1.1-1.2甚至更低的水平邁進，從而使中國的“東數西算”等國家工程不僅是算力佈局的最佳化，更是綠色算力的典範，為國家中長期綠色發展戰略做出實質性貢獻。綜上所述，CPO技術的發展與“十五五”國家戰略的契合度極高。它既是提升國家算力競爭力的關鍵技術武器，也是驅動產業鏈向高端躍遷的重要牽引力，同時還是落實“雙碳”目標的有效實踐路徑。前瞻性地進行戰略佈局，加大研發支援力度，完善產業生態，對於中國在未來全球數字經濟競爭中佔據有利位置具有深遠意義。五、結論總而言之，光模組（CPO）行業正處在一個激動人心的歷史性拐點。AI的迫切需求將其從幕後推至台前，一場由架構創新引領的產業變革已然啟動。短期內，CPO將與可插拔模組分工共存，率先在頂級AI資料中心開闢市場。中長期看，其發展將遵循從專用到相對開放、從系統整合到生態建構的路徑。這個過程充滿了技術、成本和生態博弈的挑戰，但也蘊藏著重塑全球光通訊產業格局的巨大機遇。對於中國而言，CPO既是一個必須跟上的技術賽點，也是一個依託龐大市場和應用場景實現產業鏈向上突破的窗口。其發展脈絡，與未來國家在算力基建、科技自立自強和綠色發展等方面的戰略方向高度同頻。站在“十五五”的門檻上，客觀、理性地認識和佈局CPO這一關鍵領域，對於建構自主可控、高效綠色的數字未來，具有至關重要的意義。 (中投未來產業研究中心)

隨著人工智慧技術的指數級躍遷，關於技術替代人類的焦慮在全球範圍內擴散。然而，麥肯錫全球研究院（MGI）於2025年11月發佈的重磅報告《智能體、機器人與我們：AI時代的技能協作》（特工、機器人和我們：AI時代的技能夥伴關係）），為防疫技術變革提供了極為緊張和具建設性的視角。長達 60 頁的研究報告簡單重複“機器換人”的陳詞濫調，但卻提出了一個核心論斷：未來的工作範式將是人類、AI 智能體（智能體）與機器人（機器人）三者之間的深度協作。報告指出，這種價值協作的重構，非巧妙的自動化替代方案，才是解鎖巨大經濟的關鍵。根據麥肯錫的預測，到2030年，在自動化採用的中點情景下，僅在美國，通過密集工作流程實現的人機協作每年可以釋放約2.9兆美元的經濟價值。這個數字不僅揭示了技術紅利的規模，更預示著勞動力市場即將經歷一場從“任務執行”到“系統編排”的深刻轉變。自動化邊界的拓展與七大職業原型麥肯錫在報告中將自動化技術的主體訊號劃分為兩類：執行任務的“智能體”和處理邏輯任務的“機器人”。隨著大模型推理能力的提升和多模態技術的發展，這兩類技術的邊界正在迅速拓展。報告中通過嚴謹的模型測算資料，現有的技術能力理論上已經可以實現自動化當前美國約57%的工作時長。但並未著手於57%的工作陣地將消失。麥肯錫的研究團隊強調，這是一個關於工作內容“重組”的過程。根據對約800種職業的深入分析，報告建構了七種全新的工作原型，描述以未來勞動力的構成形態。此類工作約佔美國當前就業崗位的34%，包括註冊護士、操作員和消防員等。由於這些角色高度依賴複雜的社交情感技能或非結構化的物理互動，當前技術難以有效介入，因此此類工作的核心仍將由人類主導。另一端是“以智能體為中心”（Agent-centric）的職業，約佔勞動力的30%，典型代表如會計師、軟體開發人員和律師。這些職位涉及大量的資訊處理和邏輯推理，智能體在這些領域表現出的效率已逐漸超越人類，未來這些角色的工作重心則將大幅向機器定位、人類退居監督和校驗的位置。間歇之間是更為複雜的混合形態，如“人-智能體”協作型（People-agent），頂尖教師、工程師和金融專家；以及極少數的“人-智能體-機器人”全要素協作型。這種分類打破了傳統藍領與白領的二元對立，揭示了一個更為精細的未來圖景：在稀疏職業中，人類都不會離場，必須但學會與非人類的“協作”共處。值得注意的是，物理機器人在製造和物流領域取得了長足的進步，但報告顯示，涉及精細運動技能和非調理環境的物理工作（佔美國工作時長的35%）在短期內仍難以完全自動化。儘管這解釋了為什麼一些低技能的服務性工作（如護理助理、廚師）反而比某些高薪白領工作更能抗自動化。技能變移指數：從單一專長到AI流利度為了確定技術對具體技能的衝擊，麥肯錫開發了“技能變化遷移指數”（Skill Change Index，SCI）。該指數基於對數百萬份招聘啟事和工作任務的分析，揭示了一個反直覺的現象：在未來五年內，受自動化影響最大的往往是那些高度專業化、規則明確的硬技能，而最“安全”的那些紮根於人性的軟技能。報告顯示，數字技能和資訊處理技能位於變革指數中位列榜首。例如，程式語言（如SQL）和會計流程等技能正面臨極高的自動化風險。相比之下，指數底部的技能——如輔導、談判、領導力和客戶關係——普遍對意識形態和同理心的高度依賴，不僅難以被替代，其價值反而會在人機衝突中凸顯。這一趨勢直接導致了勞動力市場需求的脈搏。根據麥肯錫對2023年至2025年間美國招聘資料的追蹤，僱主對“AI流利度”（AI流暢度）的需求激增近七倍，從而成為增長最快的技能類別。AI流利度又指編寫程式碼的道德能力，更關鍵的是指利用AI工具進行日常工作、管理團隊以及理解AI混合與監管的能力。同時，傳統的“基礎技術知識”和“常規寫作研究”技能的需求提及率正在下降。並不意味著這些技能不再重要，而是它們的使用方式發生了根本性轉變。報告分析指出，約72%的現有技能既可用於自動化工作，也可用於非自動化工作。以“寫作”為例，未來的寫作不再是從零開發，而是更多地繼承對AI生成內容的提示工程、編輯潤色和加密邏輯。這種轉變管理者和教育機構重新思考人才培養的邏輯。未來的職場精英不再掌握單一領域深知識的專家，而是能夠指揮智能體團隊針對、跨越學科邊界解決複雜問題的“編排者”（Orchestrator）。管理者的角色也指揮員工考勤和任務進度，轉向設計工作流程、AI模型訓練以及機器處理解決的異常情況。工作流高峰：釋放兆級價值的真正機會麥肯錫報告的一個核心洞見提出，它只指出了當前企業在AI應用上的主要誤區：過分關注單個任務（Task）的自動化，而關注整個工作流程（Workflow）的各個流程。報告認為，在現有流程中插入AI工具（例如給員工配備一個聊天機器人）帶來邊際間的提升，真正的生產力飛躍來自於圍繞人、智能體機器人和重新設計業務。報告分析了美國經濟中的190個關鍵業務工作流程，發現約60%的潛在經濟價值集中在行業的特定垂直領域。在製造業，這意味著供應鏈管理的標準化；在醫療領域，是臨床診斷與病人護理流程的重構；在金融業，這意味著合規與風險管理的自動化閉環。通過詳實的這種案例研究，報告了瘧疾展示了“地下室”的實際形態。以一家全球生物製藥公司為例，傳統的臨床研究報告撰寫的是一個運行數周的人力密集型過程。通過引入生成式AI平台工作，該公司重構了這一流程：AI智能體負責從海量非結構化資料中合成草稿、應用合規範本並進行了初步糾錯；醫學作家的角色則從繁重的撰寫轉變為對AI的臨床判斷、邏輯驗證和最終把關。結果顯示，該流程使初稿的人工接觸時間減少了近60%，錯誤率降低了50%，顯著加速了新藥上市的處理程序。類似的變革也發生在銀行業的程式碼遷移和公益事業的客戶服務中。在這些案例中，人工智慧不再是輔助工具，而是成為工作流的“一級公民”。智能體負責處理80%的常規事務，人類專家則專注於處理那20%的高價值、高風險或高情感參與的情況。這種模式不僅提升了效率，更重要的是，人類從重複性勞動中解放出來，從而能夠專注於重新啟動和戰略性的工作。然而，這種價值的釋放並不是自動發生的。報告警告稱，儘管近 90% 的企業聲稱已投資於人工智慧，但只有不到 40% 的企業報告了可衡量的收益。這種脫節是因為大多數企業仍停留在“技術爭論”階段，未能從組織架構、人才和流程設計等方面進行層面的系統性變革。領導力的試金石：文化、信任與制度適應由智能體和機器人驅動的變革，麥肯錫報告最終將目光投向了領導力技術。只是催化劑，能否平穩渡過這一轉型期，取決於商業領袖和政策制定者的選擇。對於企業領導者而言，最大的挑戰在於如何在追求效率與保持以人為本之間找到平衡。報告提出了一系列積極的問題：你是在利用人工智慧修復舊流程，還是在為未來的價值重構業務？你正在建立一種激勵實驗和是否包含錯誤的文化？你是否為員工提供了適應新角色的技能路徑？未來的管理人員必須具備“雙重雙語”能力——既懂業務邏輯，又懂機器語言。他們不再是簡單發號施令的長官，而是人機混合團隊的訓練。隨著自動化程度的提高，傳統的績效評估系統（基於工時或簡單量）將失效，新的評估系統必須能夠簡化人類對AI輸出的最佳化程度以及關鍵決策中的判斷力。此外，信任與安全成為不可迴避的議題。當決策鏈條中引入了不可解釋的AI黑盒時，如何確保合規、避免偏見並維持客戶信任，將是企業治理的核心問題。報告強調，最有效的領導者不會將AI視為IT部門的項目，而是將其視為核心的業務轉型戰略，由最高消防直接推動。在宏觀層面，報告要求現代教育和公共部門進行同步革新。工業革命催生了公共教育體系，而人工智慧革命則要求建立終生學習的基礎設施。未來的教育不應只關注知識灌輸，更應批判性思維培養、適應力以及與智慧型手機器協作的能力。技能認證體系也需要從“學位導向”轉向“技能導向”，以促進勞動力在不同行業間的靈活流動。麥肯錫全球研究院的報告最終傳達了一個審慎樂觀的訊號：人工智慧帶來了變革的方向，但工作本身不會消失。通過合理的規劃與適應，我們正將人類的能力被技術放大而不是新時代的替代。在這個時代，最大的風險不是被機器取代，而是未能及時學會如何與機器共舞。對於所有市場參與者而言，理解並擁抱這種“技能協作”，將是通向2030年經濟繁榮的唯一入口。 (歐米伽未來研究所2025)

今年的12月28日，吳曉波頻道將與優酷聯合主辦“AI閃耀中國——吳曉波科技人文秀”，集中揭曉這一年“AI大調研”的成果。在年終大秀到來之前，我們迎來了關於“科技變革下，普通人的機會在那裡？”的科創主題直播。在全球競爭白熱化、舊增長引擎失速的當下，科技創新已從可選項變為生存線。唯有把核心技術握在自己手裡，才能把資源紅線、人口結構、貿易摩擦等壓力轉化為綠色、智能、健康的新增量，在未來的科創賽道上佔據一席之地。本次活動特別邀請了三位在科技創新領域有所成果，並具備相當影響力的博主共同探討。未可知人工智慧研究院院長、科技暢銷書作家杜雨將探討00後創業潮興起於技術平權與AI普及，依託中國式創新邏輯與政策紅利，在全球科技競爭中展現新極客特質，但也面臨資本泡沫、倫理爭議及技術普惠邊界等挑戰。播客“牆裂壇”主理人、金融行業從業者和創業者、開泰銀行中國首席經濟師肖小跑以及播客“文理兩開花”主播、資深金融科技架構師王瑋將透過“第一性原理”從身份契約、模因結構到計算認知，探討個人在數字世界中的真實定位、所處系統的隱性操控，以及在AI與大模型時代那些決策可託付機器、那些必須由人牢牢掌握。海銀資本創始合夥人，科技創新產業專家王煜全將從馬斯克紅利看科技革命共振，理解AI、線上遷移與工業化終局中的時代機遇；掌握科技造富邏輯與工程最佳化方法，把握AIGC、終端智能、自動駕駛、服務機器人及AR/MR等正在爆發的前沿賽道。杜雨未可知人工智慧研究院院長分享主題：00後創業潮：AI、風口、新極客Z世代以“新極客”精神重構技術信仰，憑藉開源協作與敏捷迭代挑戰行業巨頭。然而，資本泡沫、倫理困境與技術普惠的邊界問題亦如影隨形。在中國，新基建與政策紅利正催化非對稱創新優勢，助力年輕一代在全球科技博弈中突圍。面對AI與機器人重塑社會結構的未來，他們還需為即將到來的技術奇點做好認知與能力的雙重準備。肖小跑&王瑋播客“牆裂壇”&“文理兩開花”主播分享主題：給數字世界裡的自己準備一份"生存指南"帶大家穿透技術表象：在資料即身份的時代，重新理解“我是誰”以及數字契約如何重塑信任；看清自己正被那些資訊模因與系統結構喂養，又在那些機制中被悄然收割；更重要的是，在AI、區塊鏈與大模型日益強大的今天，釐清那些決策可以放心交給機器，那些關鍵判斷必須交給人。王煜全向馬斯克學習，捕捉AI時代的商機分享主題：如何把熱愛，變成事業馬斯克的“紅利”並非偶然，而是踩中了能源、智能與空間三場科技革命共振的時代節點。我們正站在AI革命起點，經歷尚未完成的線上遷移，邁向工業時代的終局。當前機會遍佈AIGC、終端與行為智能、自動駕駛、服務機器人及AR/MR等領域，而每個人都能通過工程最佳化參與其中，識別屬於自己的造富路徑。三位科技創新領域的知識博主將透過各自的實踐及經驗，幫助大家理解何為“第一性原理”，何以面對當下科創熱潮中，行業的發展趨勢及個人的可為空間。直播活動中，有機會獲得藍獅子盲盒書，更有機會與三位博主即時互動。 (吳曉波頻道)

我們的目標是組織全世界的資訊，並使其可用和有用。——拉里·佩奇11月19日，Google正式發佈了其最先進的人工智慧模型——Gemini 3，並在發佈當天就立即整合到Google搜尋、Gemini 應用程式及多個開發者平台。該模型一經發佈，便以 “斷層式領先” 的性能引爆全球科技圈。Google曾是AI領域無可爭議的引領者：2014年以6.5億美元收購的DeepMind，於2016年憑藉 AlphaGo 以4:1擊敗圍棋世界冠軍李世石，震撼全球。這一突破既讓AI大放異彩，也徹底鞏固了Google的AI巨頭地位。2022年11月，OpenAI沿著一條和Google完全不同的技術路線推出GPT-3.5，這一顛覆性產品問世後，以Google為代表的行業巨頭迅速陷入外界的質疑聲中——人們普遍認為，這些傳統科技大廠大機率難以贏得人工智慧時代的競賽，正重蹈 “創新者的窘境”：破壞性創新來臨後，傳統巨頭總是被新興力量所顛覆。01-神奇的Google《有限與無限的遊戲》一書中提到，有限遊戲以規則內的勝負為目標，而無限遊戲旨在突破邊界以延續遊戲本身。從這個角度出發，在商業這場無限遊戲中，巨頭們唯一的目的就是儘可能久地延續屬於自己的王朝，使自己留在時代的牌桌上。但殘酷的是，大部分公司（尤其是行業領先的巨頭）在面對技術變革時，都很難踏入下一個時代。克萊頓·克里斯坦森在《創新者的窘境》一書中，針對以上現象給出瞭解釋：行業領先企業因過度關注現有客戶需求和漸進式創新，忽視了破壞性創新帶來的新興市場機會，最終在技術變革中陷入困境‌。而Google，這家依靠搜尋業務誕生於PC時代的科技巨頭，在移動網際網路變革初期，就曾快速推出Android，並且將“Mobile First”作為自己的核心戰略，這保證了它未來20年的巨頭地位。如今邁入以大語言模型為核心的 AI 新時代，Google展現出驚人的戰略魄力 —— 以壯士斷腕的決心，果斷割捨曾引以為傲的強化學習技術，將全部資源與精力全部押注在大語言模型賽道，完成了一次關鍵的戰略重心轉移。從這個角度來看，Google似乎是一家神奇的公司，它是怎麼做到能夠背負著一個如此龐大的體量，從PC時代連續穿越兩次周期，分別拿下通往移動網際網路和AI時代的船票？02-Google何以神奇？針對這個問題，我想試著以我淺薄的知識體系，談一談我的一些見解。第一，掌舵者非凡的洞察能力。你不得不承認，正是因為Google創始人拉里·佩奇對移動電腦的判斷，才有了Google收購Android；也正是因為Google現任CEO桑達爾·皮查伊對於AI的判斷，才有了整合AI團隊全力押注Gemini。掌舵者對時代趨勢的精準預判，讓Google在變革來臨前踩准關鍵賽道。第二，領導者果斷的決策魄力。GoogleAI負責人戴密斯·哈薩比斯不惜以離職相逼推動全公司放棄深耕多年的原有技術路線轉向大語言模型；CEO桑達爾·皮查伊迅速響應，整合 DeepMind 與 Google Brain、壓縮決策鏈條。領導者果斷的決策魄力，讓Google在關鍵時刻能夠擺脫大公司的組織慣性。第三，崇尚創新的企業文化。DeepMind 成立後長期保持獨立營運，得以專注於AI技術的底層研究；即便 Bard 首秀失利，Google仍給足團隊耐心和包容。崇尚創新的企業文化，讓Google在戰略轉型時快速將資源集中投入到創新業務上。如果你問我如今的這些科技巨頭誰能穩穩地留在AI時代的牌桌上，我無從斷言，但我想，Google大機率會佔有一席之地。 (藍房子空間)