近距离看硅谷AI一周后，我的七条体感

本文来自微信公众号：快刀青衣，作者：快刀青衣，原文标题：《硅谷观察笔记｜近距离看硅谷AI一周后，我的七条体感》，题图来自：视觉中国

这是这次美国行最后一篇观察笔记。过去一周，我和罗老师、万老师一起，密集聊了大学教授、顶尖模型公司的研究者、AI创业者和投资人，也走进了生鲜电商、长寿诊所等企业。

有人对AI极度乐观，也有人反复提醒安全风险。越往里聊，我越确定一件事：硅谷并没有一份所有人都相信的标准答案。

在收尾的访谈里，投资人云飞说了一句话，我印象特别深。他说：开车离开硅谷两个小时，大家依然岁月静好，距离AI很远，只有硅谷这里的人每天像热锅上的蚂蚁。

这句话正好替我揭开了一个误会。我们在中国远远看美国，很容易把硅谷少数人的兴奋、焦虑和时间表，当成整个美国正在发生的事。

等我真的在这里聊了一圈，看到的是一个温差很大的世界。

下面这七条，是我把一周访谈放在一起以后留下的个人感觉。它们一定不是AI的全貌，但这是我最真实的体感。

美国AI ≠ 硅谷AI

第一条，美国AI和硅谷AI，是两回事。

在一位投资人眼里，湾区最前沿的人已经把AI放到社会基础设施的层面讨论，甚至视为一种新物种，远远不只是一个工具那么简单。

帮人干活、节省两三个小时，在他看来只是海面上最浅的一层，海面之下还有非常多值得探索的地方。

而另一位研究者说，硅谷这半年顶尖团队的注意力已经转向了递归自我改进，也就是让AI去自动改进下一代AI。

但这位投资人也提醒我们，这种气氛出了湾区就不普遍。按照几位受访者的观察，许多美国公司仍然把AI当成提效工具，普通人先想到的往往还是工作会不会被抢走。

我走访的几所大学又是另一个版本：其中一些大学和老师还是把AI当做作弊工具，而另外一些学校或者老师，则是在一门课、一份作业里慢慢划边界，检查学生到底学会了什么。

我这次最强烈的体感是，美国的AI信息差，可能远远大于中国一二线城市和四五线城市之间的差别。

以我的日常感受，国内不同城市的人使用AI的深度当然差很多，但大家谈的往往还是同一批模型和产品。

硅谷的从业者，AI使用得非常深。但是出了硅谷，比如我在纽约、匹兹堡、洛杉矶遇到的一些非科技从业者朋友，可能也就是把ChatGPT当做谷歌一样的搜索引擎来用。

在这方面，我们很多四五线城市的人，反而已经把豆包、DeepSeek这批AI工具用出了很多花样，使用程度更深。

所以，实验室的美国、资本的美国、大学的美国和普通人的美国，甚至像生活在不同的时间线和AI世界里。

两条难互抄的AI路线

第二条，中美正在走上两条越来越难互抄的AI路线。

过去二十年，中美互联网创业有一条大家很熟悉的路：美国先出一个产品，中国团队很快研究、复制，再按照本地市场改一遍；中国跑出来的新模式，也会被美国创业者带回去讲一轮。

这套互相抄作业的办法正在失效。

我在硅谷听得更多的是模型、算力、自我进化、垂直软件和资本市场。聊到国内，大家反复提起的却是便宜的开源模型、深圳硬件、制造业供应链、现场部署，以及那些复杂到必须钻进企业内部才能解决的实际问题。

把这周的几场访谈放在一起，我的暂时判断是，两边正在解决不同的瓶颈。

美国更容易把一个小问题变成可以标准化出售的软件；中国有大量问题必须走进工厂、门店和供应链，靠工程师和一线人员一起磨出来。

美国投资人如果不去深圳，很难看见消费硬件和机器人供应链已经细到什么程度；中国团队到了美国，也会撞上当地的软件付费习惯、用工成本，特别是数据合规要求。

技术论文和模型能力仍然可以互相学习，创业公司的生长路线却越来越没有直接参考性。抄得到产品表面，抄不到它身后的支付方式、资本结构、供应链和组织习惯。

所以，在AI能力越来越强的今天，模式上的创新本身，价值已经没那么大了。

真正的门槛，反而是谁能走出自己的特色，去做那些没法抄的脏活儿、累活儿。

从本土缝隙长出来的生意

第三条，Weee!这门生意，是从美国的一条缝里长出来的。

Weee!是我这次感受最深的例子。我们刚听到这家公司时，很容易把它理解成把中国电商搬到美国。

但创始人告诉我们，这门生意恰恰长在美国非常特殊的土壤里。美国的少数族裔很多，又分散在全国。

主流超市离家很近，却不会为几百万人规模的族群专门腾出大量货架；华人、印度人、韩国人自己的超市商品更对口，开车往往要十几二十分钟。

于是，服务少数族裔的次日达电商，在这里成立了。

它不需要照抄咱们国内的一小时送达，或者15分钟的秒送，他们的拓展反而是沿着族裔维度横向展开，从华人拓展到韩国人、巴西人、墨西哥人，再到越南人、泰国人等等。

选什么肉、从哪里进货、不同州怎么配送，背后都是美国的移民结构、居住距离、食品监管和物流成本。

在以前，想要横向拓展，团队的能力有天然的限制。而现在有了AI，他们的泰国店版本，就是AI自己做设计、运营、采购等等，并没有专门组建一个泰国人的本土团队。

当然，这家公司能服务很多族裔，也不等于同一套产品可以原样搬回中国。它越成功，反而越能说明创业公司是从本地缝隙里长出来的。

我越来越不相信，还会有一套产品、一个组织、一种商业模式，能够在中美两边原样通杀。公司当然可以跨境，但到了另一块市场，几乎要重新长一次。

不过，同样的思路放到国内，也许也能找到其他不同的分类维度，然后用AI的能力把它拓宽。

AI价值未必等于“明星公司”

第四条，中国AI的很多价值，可能不会以“明星创业公司”的样子出现。

硅谷习惯把一个小问题切出来，成立一家垂直软件公司，卖给许多企业。一位受访者说，在美国，只优化一个很小的环节，也可能找到愿意付费的客户和继续支持它的资本。

我在硅谷也经历了两个很魔幻的时刻。一个是在超市买东西的时候，我看到一小盒西瓜，居然要7.99美元，也就是50多块人民币。

我脑海里马上想起，不久前我在河南老家买一个完整的大西瓜，也就两块钱。

另一个是一些软件公司跟我介绍自己是做什么的，比如解决一个特别细分领域的小问题，估值就达到了五六亿美金。

我脑海里就又很容易冒出一句话：“这不就是三五个程序员，干一周就能干出来的吗？”

所以在美国的AI创业公司，大家见面时很容易拿资本给的估值来衡量。但我听下来，觉得泡沫巨大无比。

而最近给我最深印象的中国案例，经常走另一条路。很多中国企业或者客户，需要解决一个特别具体的任务。

一些有能力的大公司会自己搭团队用AI来做，最后被吸收到原有业务里，变成采购、巡店、客服或者供应链系统的一部分。

很多问题在企业内部就被解决了，外面未必会多出一家名字响亮的AI公司。

也会有大批三五个人的技术小团队，接住一个给几百家门店做摄像头巡店的项目，就能活起来。其中许多团队甚至不愿拿投资，也能活得很滋润。

这些小公司很难出现在独角兽榜单和融资新闻里，却可能成为AI在中国的一种重要公司形态。

这给了我一个不太悲观的判断：AI会长出下一家巨头，也会长出大量规模不大、活得不错、离具体客户很近的小生意。

我们如果只用融资额、估值和员工人数去找AI创业，会漏掉很大一块真实变化。

AI最先消灭的是等待

第五条，AI最先消灭的是等待，工作会向慢环节迁移。

这一周，我见到了很多人“快得有点吓人”的工作状态：

有人同时盯着七八块屏幕指挥Agent干活；有人凌晨四点做出新功能，同事早上醒来就要接着响应；有人说自己过去几个月取消了大约三分之二的跟人类同事的会议。

等待少了，工作并没有自动变少。

一个环节原来要等一周，现在一晚上就能做完，人很快又会产生十个新想法。代码、文案、原型都可以大量生成，临床验证、工厂建设、物流和责任签字，仍然有自己的速度。

一位研究者用木桶理论解释这件事：十个环节里，AI把八个环节加快了，剩下两个就会变成新的瓶颈。

人很容易沉迷在那八个不断产生成就感的环节里，忘了最后决定结果的，恰恰是两个还没有变快的地方。

所以，我现在判断一个岗位会怎么变，会连续问两个问题：AI已经能做其中哪些工作？它拿掉一批等待以后，哪两步会卡住整件事？

能发现那两个慢环节、走进去解决问题的人，反而会变得更重要。

高质量反馈更稀缺

第六条，会给AI高质量反馈的人，比会下命令的人更稀缺。

模型可以一口气给你一百个点子，也可以同时做一百个功能。但一家公司只有那么多用户，只有那么多次真实购买、投诉和失败。

功能可以无限生成，现实世界不会无限给你反馈。

这也是Weee!的采购案例打动我的地方。AI每天给采购员建议，采购员可以不同意，但要说清楚为什么：货量不够、临近过期，还是刚刚打电话确认过品相不好。

这不是单纯否决AI，也不是停在“我觉得不对”或者“我觉得AI的能力太差”，而是把理由变成可以被AI继续使用的经验，提升下一次判断。

把这几场访谈放在一起看，我发现所谓人的品味，也正在被重新考验。只说“我比AI更懂”“这个感觉不对”，价值并不大。

你能不能指出哪个地方不对，拿出什么证据，说明为什么这件事更重要，并且让下一次判断因此变好，这才是能留下来的能力。

未来普通人与AI的差距，会越来越由反馈质量拉开。

单纯会写提示词已经不够了，会下命令指挥AI的人越来越多；但是能筛掉错误答案、提供高质量反馈、最后对结果负责的人，依然很少。

叙事每两三个月就会改变

第七条，最大的硅谷信息差，是他们每两三个月就要改一波叙事。

这也是我觉得硅谷最难追的信息差。前沿人物两三个月前还在说一套话，过两个月就已经开始改口了。当其他人刚开始模仿，身在其中的人已经在反思它了。

比如半年前，很多人最兴奋的是同时跑多少个Agent。现在，把多智能体推到很极端的创业者，开始把注意力从Agent数量移回用户反馈。

把公司改造成AI生产线的人，也会提醒客户不要一下迈这么大；一家看上去已经把AI用进核心业务的公司，这套决策系统也才跑了几个月。

模型公司的研究者也提醒我们，大家经常高估突然出现的东西，低估那些每天只进步一点、每一步却很扎实的变化。

一场发布会不会立刻重写现实，但这些小变化积累到某个位置，会突然改变一批工作。

比如，我们之前说到AI面试环节，想象的更多是AI帮忙出题、判卷子，再想办法防止对方也使用AI作弊。这样每一次面试，都变成了双方人和AI的短兵相接。

但这次，我听到一些创业公司的做法已经完全不一样了，甚至更极端。

因为现在AI能力的提升，公司未必需要招更多的人，反而更需要每个进来的人有更高的能力上限。所以，有公司会直接给应聘者发一台电脑，就开始正常的工作，包括使用AI干活之类的。

唯一的区别，是暂时不能接触到核心数据。一般一两个星期下来，AI就能评估出这个人的真实AI使用能力、技能水平，以及跟公司其他人相比的差别。

我把这种方式叫做“AI试用期”。当然，一家公司真要这么执行的话，还有很大的规则风险，但这个思路还是非常给人启发。

写在最后

写完这七条，我反而没有那么悲观。

AI的执行能力还会继续变便宜，旧工作会变化，新的服务和新的小公司也会从那些慢环节里长出来。

我们AI使用场景的丰富程度、数据规模，还有制造业能力，也是硅谷公司非常“眼红”的优势。

所以对于我们来说，如果能把AI进一步往更深的场景里用，只要能获得以前没有的收益就可以了。没有必要一定追最顶尖的模型能力，在很多应用场景下，咱们的开源模型已经足够能打了。

最后，硅谷在我这里是一架望远镜。它帮我看清远处正在出现什么，但是看完远处，我还是要回到自己的工作里，找到那些还可以更好地使用AI的环节。

本文来自微信公众号：快刀青衣，作者：快刀青衣