模型發佈節奏越來越快、參數越來越大、推理能力越來越強，但你有沒有發現一個反直覺的現象：真正被廣泛使用、願意付費的 AI 產品，往往不是媒體報導最多的那些。2025 年 10 月 21 日，OpenAI 投資人、LinkedIn 聯合創始人 Reid Hoffman 給出了一個不同尋常的解釋：殺手級的 AI 產品不是最強的，而是能讓人更懶、更富。他說，幾乎所有人都盯著“模型能力”的天花板，卻忽視了真正讓 AI 產品爆發的關鍵：能不能讓使用者幹得更少、賺得更多。循著這個邏輯，Hoffman 在訪談中重點談到了三個正在被低估的方向：① 醫療與藥物發現 —— 不是模擬藥效，而是創造藥物② 教育與知識工具 —— 不是搜尋答案，而是重構學習③ 勞動力增強 —— 不是替代工作，而是讓人“更懶更富”它們不是最酷炫的 demo，也不是最大的模型，但都在悄悄擴張。它們的共同特點是：不追求技術極限，而是追求商業閉環；不在矽谷的聚光燈下，卻在真實場景裡快速滲透。接下來，讓我們看看 Hoffman 為什麼在這三個方向上下注。第一節｜AI + 醫療，不是助手，是重建藥廠Reid Hoffman 做過無數投資，但他親自下場聯合創辦的 AI 公司，只有極少數。而其中最重要的一家，是專注藥物發現的 Mati AI。他怎麼說的？“我們不是做傳統醫療 AI，也不是做診斷輔助工具。我們在建一座工廠，一個以 AI 為主力的藥物製造工廠。”這個定位很不尋常。在矽谷，幾乎所有醫療方向的 AI 產品都在圍繞“提升醫生效率”展開，比如自動摘要、病歷識別、問診助手。但 Hoffman 並不關心這些。他的問題是：能不能直接用 AI 設計分子？✅ 不是幫醫生開藥，而是直接造藥傳統藥物發現過程有三大難點：設計分子靠靈感；實驗周期太長；很多冷門病種沒人願意投。而 AI 能做的是，從億級的化合物組合中，用語言模型的方式生成有潛力的結構，然後用預訓練模型預測它是否會有效。過去需要幾個月的篩選周期，現在幾小時就能完成。Hoffman 的核心洞察是：如果你把分子結構當作一種語言，AI 就可以像寫作文一樣生成、改寫和評估分子。他舉例說：傳統治療癌症的做法，是用毒藥殺死癌細胞，但同時也在殺你。我們希望用 AI 直接找出只殺癌細胞、不殺人的分子。這不是宣傳標語。他自己找來合作的聯合創始人，是美國最頂尖的腫瘤醫生之一、《萬疾之王:癌症傳奇》(The emperor of all maladies: A biography of cancer)的作者 Siddhartha Mukherjee，兩人創辦 Mati 的明確目標就是：讓那些原本因為利潤太低沒人願意研發的病，也能有藥。✅ 機會不在醫院，在藥廠在 Mati 的核心架構中，承擔的不是輔助角色，而是藥物設計的核心工作：把抗癌藥的靶點、結合位置、毒副反應，轉化為 AI 能分析的內容；讓 AI 從海量組合中找出最可能有效的分子結構；用預測模型快速驗證，大幅縮短從設計到篩選的周期。所以 Hoffman 判斷：AI 改變醫療行業的方式，不是提升醫生工作效率，而是從根本上重建藥物開發的方式。第二節｜AI + 教育，不是學得快，是重新定義“學習”Reid Hoffman 提出過一個看似簡單的問題：假如每個專業都有一個專屬 AI 助手，會發生什麼？早在 ChatGPT 之前，他就在史丹佛的長期規劃會上公開建議："應該為每一個學科，建構定製的 AI 工具。為什麼？因為傳統教育系統的核心是讓人記住知識，但 AI 出現後，“知識”不再稀缺了。你需要的，不是再教一遍是什麼，而是有人幫你用對知識、用好工具。他說：“醫生這個職業不會消失，但它的本質會變。不會再是‘我上過10年醫學院，所以我懂’，而是‘我知道該怎麼用 AI，查出對的結果’。”醫生、律師、程式設計師、會計這些過去依靠記憶和經驗積累的職業，都在變成一種新的角色：AI 的專家使用者。✅ 不問 AI 意見，是不明智的Hoffman 說他和朋友去參加一場關於“AI會不會替代醫生”的辯論，反方舉了很多傳統論據，比如“人類有溫度”“診斷要交叉驗證”之類。但他指出，這些觀點忽略了一點：今天的 AI，不一定總是對，但它掌握的知識量早就超過任何一個人類了。他的觀點很直接：“如果你得了嚴重的病，卻不去諮詢 ChatGPT 或其他 AI 作為輔助判斷，那是非常不明智的”不是說要盲信 AI，而是你應該養成一種新的思維習慣：醫生說了一個結論？你拿去問問 AI；兩個 AI 給出不同建議？你就去找人類專家交叉對比。他說，未來專業人員要學會的是：當你相信的東西和 AI 給的不一樣時，你需要非常強的理由去堅持你的判斷。不再是第一判斷者，而是交叉驗證者和質疑者。這不是讓人被邊緣化，而是讓人站到新的位置上。你不再需要死背知識，而是要掌握如何用 AI 幫你找到、篩選、對比、理解知識。✅ 會用 AI 的人，比 AI 本身更稀缺在傳統教育裡，學歷和證書是選人的標配。Hoffman 講了一個他非常喜歡的觀點：科學的本質，是相信專家的無知。很多人會說：我有醫學博士，我有法學博士，我當然專業。但 AI 出現之後，“懂得多”不再是最重要的技能。他說，程式設計行業比其他職業更早適應 AI 的原因，是這裡從來就不認學位，只認程式碼能不能解決問題。這就帶來一個核心變化：未來重要的不是你知道什麼，而是你會不會用 AI 去幫你找到你不知道的。Hoffman 認為，未來醫生的核心競爭力，不再只是讀過醫學院，而是會用 AI 工具做更精準的分析。所以他推崇的方向不是讓 AI 替代老師，而是讓老師成為 AI 的訓練師。同時，每個學習者也要完成角色轉變：從被動接受資訊，到主動導航和篩選知識。這不是讓教育變簡單，而是讓“會學習”的定義變了。第三節｜AI + 工作，不是取代誰，而是讓人更懶更富Reid Hoffman 在整場訪談中，反覆強調一句話：AI 最有殺傷力的產品，不是最聰明的，而是讓人更懶、更富。這就是他判斷 AI 產品能否成功的核心標準。我們都習慣把“懶”當作貶義詞，但在商業世界裡，“懶”有時候代表效率。能用更少的力氣幹成更多事情，才是真正聰明的方式。在他看來：現在大多數好用的 AI 工具，賣得好的不是因為它能做多少，而是因為它能幫你省多少事。比如：一位醫生可以同時處理 3 倍的病例；一個律師能同時起草好幾份文書；一個創業者用 AI 輔助寫 BP、分析競品、做使用者調研，一小時幹完原來兩天的活。這些都不是顛覆行業，也不是換掉誰，而是把人放在一個新的位置：我還做決策，但我不再幹重複活。Hoffman 說得：“真正能爆發的 AI，不是讓你失業，而是讓你省勁。”✅ 越是用得起 AI 的崗位，越容易先受益Hoffman 把這個趨勢總結為一句話：軟體吞噬世界，AI 重構勞動什麼意思？他解釋說，AI 在許多行業的最初切入口，並不是去取代全部流程，而是先吞掉那些“非創造性的勞動”部分。醫生的初診流程、表單填寫；律師的合同結構整理；市場分析人員的競品研究文件編寫；諮詢顧問的調研報告、行業模型搭建……你今天還在手動做這些事？那你真的不夠懶。在他看來，未來的趨勢不是會不會被 AI 替代，而是：你有沒有儘可能地用 AI 來節省時間、擴大產出。這也是他看好這個賽道的原因：從公司角度看， 能用 AI 讓一個員工頂三個人，是直接的提效；從個人角度看， 會用 AI 的人，升職更快、項目更多、時間更富裕。Hoffman 總結得很清楚：“一切要求人像機器人一樣工作的崗位，遲早會讓位給真正的機器人。但凡需要人腦和主觀判斷的工作，都會變成人+AI的協作模式，而不是AI替代人”✅ 真正在用 AI 的，是小團隊Hoffman 發現了一個有趣的現象：小企業、律師事務所、個體醫生那裡看到的 AI 使用，比在大公司裡還多。他認為，大企業有太多流程、審批、內部阻力，不敢輕易讓 AI 介入核心業務。但個體創業者、自由職業者、小團隊反而行動最快、最果斷。比如他提到的一個例子：一位原告律師接入 AI 工具後，簽約率翻倍，案件準備效率提高幾倍。這不是因為 AI 多懂法律，而是因為他更快搞定了案子，省下了以前花在整理、列印、覆核上的時間。這就是“懶而富”模型的核心：把 AI 做成一個工作副手；自己做最重要的判斷；其餘一切交給 AI 去提速。這類產品，是 Hoffman 最看好的 AI 應用方向。他說：“別想做那種每個人都會因此失業的產品。沒人願意買。最好的產品，是讓你工作更少、賺更多錢。”這才是 Hoffman 眼中，AI 最真實的商業邏輯。第四節｜為什麼是現在？很多人今天不再懷疑 AI 的潛力，而是開始懷疑一個更現實的問題：是不是都晚了？是不是每個方向都有人做了？但 Reid Hoffman 的回答是：你看到的熱鬧方向，大機率不是機會本身。他說：“大家都盯著模型規模、參數數量、誰訓練得最貴，卻忽視了一個關鍵問題。AI 真正好用的地方，往往在沒人看見的角落。”他把這種看漏的地方稱為：矽谷的盲點。✅ 機會在“原子”，不在“位元”什麼叫“位元”？在 Hoffman 的話裡，位元代表軟體世界，比如：聊天機器人；AI 寫稿；文字總結、表格分析……這些都屬於“語言”層面的任務，門檻低、技術成熟、創業者多。而“原子”代表真實世界，比如：藥物分子；細胞反應；工業製造；生物結構……Hoffman 說，大多數人只想在“位元世界”裡卷功能、卷性能、卷提示詞。但真正長期有價值的方向，是如何讓 AI 進入原子世界。比如藥物製造、生物設計、物理過程預測。生物，就是“位元化的原子”。而這，恰恰是被低估的起點。為什麼機會還在？因為難度大、反饋慢、監管多、沒人講得清楚。但正因為這樣，一旦有人找到突破口，就可能建立起下一個十億美元等級的公司。✅ 找對問題，比做強模型更關鍵Hoffman 強調：人們總是根據 AI 現在的表現來下結論。這是最大的誤解。他舉了個例子：你兩個月前試過 ChatGPT，覺得沒用，就放棄了？這就像你看到兩歲半的老虎·伍茲打高爾夫，覺得你打得比他遠，就斷定他不會成事。但如果他一直練下去呢？他說：你現在用到的 AI，是你這輩子用過的最差的 AI。真正該問的不是AI 有多強，而是：這個方向，AI 能幫你省多少事、掙多少錢？這個領域，競爭對手多不多？門檻夠不夠高？這個問題，使用者真的著急解決嗎？不是 AI 沒用，是你沒找對問題。✅ 為什麼是現在 ?Hoffman 認為，今天是切入 AI 創業的好時機，原因不在於技術突破，而在於關鍵要素都到位了。① 模型能力跨越臨界點不只是對話，而是開始有真正的推理能力;可以自動分析、生成結構化內容、進行深度研究② 使用門檻大幅降低API 成熟，開源模型豐富，呼叫成本下降;不是程式設計師也能訓練模型、接入外掛、快速試驗③ 商業閉環開始形成企業、專業人士、自由職業者開始主動為 AI 付費;AI 已經從"新奇工具"變成"生產力工具"這三個訊號同時出現，意味著：早期還在熱身的賽道，正進入加速階段。而那些看上去還沒人講的方向，不是沒人想過，而是門檻高、難講清、不確定。正因如此，這才是真正的機會。真正值得做的，不是最熱的 AI，而是最有用的 AI。他說，不是每個賽道都值得卷，但醫療、教育、職業增強這三類方向，之所以值得關注，是因為它們不像搜尋、對話那樣容易 Demo，但一旦做成，使用者留存率極高，變現路徑極穩。這就是為什麼他把投資的重心，押在這幾個方向上。因為他不是看項目火不火，而是看是不是能長期產生真實價值。結語｜不需要追最強 AI，只要找到最有用的那一個Reid Hoffman 給出的答案很簡單：AI 不是用來替代誰，而是幫助一部分人更快地超越另外一部分人。他點名的那些被低估的方向，都有一個共同特徵：“不靠技術領先取勝，而是真正理解使用者想省掉什麼步驟、解決什麼困難、節省多少時間。”就像早期電腦讓普通人能算帳，網頁讓普通人能寫內容，大語言模型讓普通人能理解複雜世界。AI 的下一步，就是讓普通人也能操作專家級的系統。所以，真正值得做的，不是最強的 AI，而是滿足三個條件的 AI：你明天還會用、願意花錢買、能幫你節省一半時間。如果你今天還沒找到這樣一款工具，那可能不是 AI 不夠強，而是你還沒有真正開始找。那些最不起眼的地方，往往藏著最大的機會。 (AI 深度研究員)