AI焦虑的根源与破解之道：宏观、工程、投资视角下的AI应用分层全解析

May 2, 2026

从去年开始，整个AI世界愈发呈现出“乱花渐欲迷人眼”的景象：

前一日刚推出Manus，次日便冒出一个Lovart；
Cursor的热度尚未消散，Claude Code 就已经成为AI编程领域事实上的领先者；
刚还在讨论提示词怎么写，资深的从业者就断言RAG已经过时，随之抛出“上下文工程”的概念；
正当我们为Coze的开源而惊叹时，Google Nano Banana已经刷遍了朋友圈；
飞书发布会还在浓墨重彩地介绍多维表格，钉钉便迅速跟进，强势推出AI表格；
医疗AI领域的OpenEvidence估值高达120亿美元，法律AI Harvey的估值据说也接近110亿。

随后，OpenClaw骤然走红，迅速掀起了一场“百虾大战”：

而结果大家都已了然——OpenClaw 并没有活跃太久便逐渐式微，与此同时，Hermes 又接踵而至。

正是在这种情形下，我反而生出一丝庆幸：在AI时代，如果学得足够慢，似乎也就真的不用急着去学了……

与此同时，互联网公司的裁员消息此起彼伏，一则颇为夸张的传闻称某小破站裁员比例高达60%！

出于对就业市场整体情绪的关切，我在几个社群中对产研人员进行了调研，结果令人感慨：超过一半的人认为，到2026年很可能会有半数程序员面临失业，接近三分之一的人认为这一概率“有一定可能”。

此后，OPC风向渐起，若换作你我是普通打工人，又如何能不为未来焦虑？

那么，老板们的处境就轻松吗？

看不懂的老板

他们当然同样焦虑。仅就我在年后接触的众多老板来看，其焦虑程度甚至更为深重，而原因也十分直接——他们确实难以看懂。

比较典型的一个案例是：西安一位企业主带着整个管理团队专程赶来成都，只为当面与我交流一回……

他们所从事的是传统工业信息化领域，偏重ERP模块，公司已经稳定运营了15年。

按照老板本人的说法，在过去，他们一直顺风顺水，一切都在既定轨道上推进。可AI一出场，就将他们彻底打懵了。如今不单是他们感到困惑，就连金蝶、用友这类大厂也同样满头雾水，而那些大企业调整航向则更加迟缓。

据该公司的技术负责人讲述，老板几乎焦虑得夜不能寐，天天追问接下来该如何转型，还经常在深夜往群里转发大量关于AI的信息。

我完全能理解他们的焦虑，只不过接下来的场面就有些令人意外了：在简要介绍了自家业务之后，他们竟然直接向我发问，问我他们接下来应当制定怎样的AI战略。然而，这个问题我又怎能轻易回答？

一方面，这里存在信息量的巨大不足；另一方面，这当然还有价值对等的问题……

混乱是因为角度问题

无论是上述的打工者还是老板，他们都深陷焦虑。在AI时代，焦虑几乎成为一种常态，其背后隐藏着许多耐人寻味的故事。比如，最近频繁出现的“蒸馏.skill”就是其中之一：

我无从知晓是哪位极具创意的同行最先提出了蒸馏一词，并将其定义为skill来实现，我猜测最初可能只是无心之举，然而后继的发展却十分夸张：

还真有老板跑来跟我说，想把某人的能力“蒸馏”一下；
也确实有员工因此而担心自己会被“蒸馏”掉。

天哪，真是“内行看门道，外行看热闹”。如果你真正使用过skill，或者真正尝试去做一次所谓的蒸馏，你就会明白这件事有多么不靠谱。问题倒不在于完全不可行，而是意义极为有限。类似的事情在两年前，我们早就利用Coze实践过了。我印象中，那时流行的是奥德彪式艺术表达：

看似很危险，实则一点也不安全
年轻时很穷，干了几年终于不年轻啦
趁年轻你的多吃苦 老了你就习惯了
虽然路途遥远， 但你别担心，也挣不到什么钱
是金子总会发光，但大家都是老铁
爱情不是生活的全部 打工才是
……

所有这些语句读起来很痛快，但终究只是形式上的相似。我举一个最简单的例子来说明：

试着蒸馏出一个协和医院顶级专家的skill；
再蒸馏出一个“法外狂徒张三”的skill；

如此生成的“东西”所提供的医疗建议或法律意见，你敢采纳吗？

所谓蒸馏、skill，似乎并没有多少人真正把OpenEvidence与Harvey的估值当回事……

写到这里，或许有人会感到疑惑：开头还在讨论焦虑，为何现在又开始吐槽起来了？

实不相瞒，因为我实在演不下去了——其实我几乎一点也不焦虑，之前的焦虑，不过是刻意表演出来罢了……

相应地，我也绝非单纯为了吐槽。之所以这样说，是想告诉大家：其实，你们也大可不必如此焦虑。接下来，我将带你用一种工程视角去观察AI的发展，或许你的心态就会从容得多：

宏观视角看AI

AI发展至今已经三年多，我们首先要问的是：如何从宏观上总体把握这三年的AI演进？

大家可以先回想一下，在你脑海中，那些标志性事件都有哪些？

请回顾那些真正有影响力的AI事件、那些为你的工作与生活带来改变的AI产品，或者那些对就业市场产生巨大冲击的AI时刻，先后又有哪些？

我们梳理这些事件，为的是将AI世界划分为不同的阶段，这是一种分类思维，分类一旦清晰，看待问题便会愈加透彻。

一个相当经典的分类法，是OpenAI的Sam Altman所提出的L1至L5分级，确实能够说明一些问题：

我们可以对照这张图大致勾勒时间线：

2022年底，ChatGPT 3.5 的发布，标志着我们正式跨入以大模型为核心的AI时代。

整个2023年，堪称百模大战时期，国内标志性的事件是文心、智谱等模型的相继面世，然而都未能激起太大波澜。2023年是国内的AI 1.0阶段，各家训练类公司最终留下的，更多是一地鸡毛。

进入2024年，我们常说的AI 2.0时代到来，那是一个以RAG为主导的阶段。当时的情况相当微妙：经历过百模大战的消耗，许多公司账上已近枯竭，对“训练”二字深恶痛绝。

与此同时，模型侧无论是上下文长度还是响应速度，都远未达到生产级别的要求。因而，除了少数从事AI客服的厂商，整个AI行业几乎停滞不前，一度呈现出“AI泡沫已然破裂”的颓靡态势。

随后，“摩尔定律”的效应开始显现。经过三年的积累，整个模型能力迎来了关键的转折点，基础能力一路狂飙：推理能力、上下文长度、响应速度、API成本、多模态等关键维度都持续拉高。

国内的标志性事件是2025年DeepSeek的爆发，这象征着AI应用环境开始走向成熟，也意味着我们正式迈入AI 3.0时代。起初，人们将2025年称为AI应用元年，随后又改称为Agent元年。

今年，则无疑是Agent爆发的关键年份，眼下的代表便是OpenClaw 与 Hermes。

然而，如果跳出宏观叙事逻辑，站在真正做应用、做项目、做落地的视角——例如纯工程的角度来观察AI世界，你便会发现：

这几年来，除了基座模型能力的持续提升，AI应用层真正的核心逻辑，并未发生如此本质性的改变。

那么问题就来了：Sam Altman的L1-L5分类固然不错，但宏观叙事终究无法指导我们每个人的工作与生活。

因此，假如我们试图从工程角度对AI应用进行分类，并进一步将视角聚焦于如何实现这些应用，那么我们应该以什么指标、又应当如何进行分类？

工程视角看AI

所谓AI应用分层模型，其本质就是一套AI知识框架。一旦建立起这套知识框架，面对市场中层出不穷的AI应用，我们就再不会轻易陷入焦虑，因为我们始终在框架内进行思考。

于是，问题演变为如何构建一套足够健硕的AI知识框架。这里正好有一套方法论：

穷举：先力所能及地梳理你所能见到的所有AI应用；
分类：再对这些AI应用进行归类；
提炼关键参数：找出每一类产品的关键评价维度，也就是它们的共同特征是什么；若要在同类型产品中排序，你的评判依据又是什么。

由此可见，所谓知识框架，本质上就是为了便于我们对这些产品加以评价，让我们更容易辨别孰优孰劣。

方法论看似简单——穷举、分类、参数六个字，但究竟该如何进行分类，这极富艺术性，也十分考验功力。好的分类公式讲究：逐次递进、向下兼容。

也就是说，上一层的类型对下一层应当是能够兼容或形成降维打击的，因此我们最好建立一套统一的、可以衡量定价或难度的参数体系。

换句话说，这套分层结构是由公式推导而来的——公式预先留出了许多空格子，再将相应的产品填进去。例如，我们之前设计的管理分层结构：

在这一基础之上，无论是按照产品分类逻辑，还是参照产品分类结构，这个分层都相当合理：

基本框架成型后，我们再审视真实的市场状况，便会发现：与模型能力的日趋成熟形成鲜明对比的是，市场上真正意义上的爆款AI应用却依然有限。当前稳定消耗算力的AI应用，大致只有以下几类：

通用模型的官方网站，如ChatGPT、DeepSeek官网；
AI客服，且大多局限于极为简单的问答场景；
AI编程，这是近年来最复杂的应用阵营，但总体占比仍不高；
AIGC领域，偏重视觉生成的方向。

人们或许会疑惑：AI来势汹汹，为何偏偏只有这几个领域格外凶猛，其他领域的拳头产品又在哪里？

再往下追问：此前爆火的Manus、当前炙手可热的OpenClaw，在这些品类中又处于怎样的位置？产品迭代究竟是如何发生的？AI最终又能够以何种方式真正帮助到我们每一个人？

只要理清这几个问题，基本上也就理清了AI的本质，从此你便再不会对AI感到一头雾水：

不过，接下来则属于我们内部更深层次的内容，我这里暂且适可而止地透露一点……

请关注这张图：

这是一种分类逻辑，它按照工程、Know-How、数据的维度，从实现一个AI项目的角度，对当前所有的AI项目进行了划分。

这一分类带来的直接结果是：我们对每一类项目的实现路径、难点、卡点、成本结构以及典型案例，都了然于胸。

若从实际效果来看，大家会发觉一件颇为诡异的事：OpenClaw/Hermes 现在其实与 Coze/Dify 处于相似的位置，因为它更多是在利用 skill 的方式来承载 SOP/Workflow；

更进一步，OpenClaw在承载Workflow方面还经常被我诟病，因为它在多人协作方面的表现被AI表格/多维表格远远甩开，当然这也并非它自身的过错，因为从设计上看，它们本就更加侧重2C场景。

一旦各位运用我分享的这种工程视角去审视AI的演进，乃至近期大量模型产品的发布，自然就会生出一句感慨：就这？

在此基础之上，我们再换个视角进行分析。

投资视角看AI

前文是从工程实现的角度来对AI应用进行分类，接下来我们继续从一个小投资人的视角来看AI。不妨设想这样一个场景：

你手中有一笔闲钱，想要投给一些做AI的团队，那么，应当如何看待这些产品呢？

怎么样，是不是一想到那些被形容得天花乱坠的产品就感到头疼？尤其是如果你还是一个外行，对AI的内核几乎一无所知！

此时，或许就不能单一地只对AI项目进行分类，而可以先尝试对从事AI创业的人进行分类。据我的经历，创业人群大致可以分为以下几类：

老炮：寻求扩大化

第一类玩家，属于对AI理解相当深入的一批人。他们早已用AI赚到了钱，即使不依赖外部资金，也能活得很好。

不过，人总有美好的愿望，这批人也希望获取更多资源，去做更大的事。随之而来的问题也出现了：他们除了资源，几乎什么都不缺。

所以，你所能提供的，要么是资金，要么是资源（例如流量），否则要么被他们看不上，要么就可能掉进他们布设的坑里。

考察这类团队，建议直接审视单位经济模型（UE） ，你需要看到其核心业务完整的成本收益表。

举个例子，我最近看了不少做AI漫剧的团队，也参加了一些质量不错的会议：

其中不乏听起来相当诱人的业务，比如每集成本3万元，却可能带来500万收益（具体集数我未获知）。像这类本身已经盈利的业务，他们需要的往往更多是流量支持。

类似这样的业务，直接将财务模型拆解开来审视即可，需要较为完善的证据链，但最好还是带着专业顾问一同考察。

萌新：需求资金

第二类玩家可以说是萌新。他们此前大多在某个行业里摸爬滚打了十多年，但对AI以及互联网的产品逻辑却并不怎么熟悉。

我所接触的这类玩家，其最鲜明的特点是：信念感极强，与此同时，反差感也极强。什么意思呢？

以我们这里的视野来看，会认为他们不太容易成功，但他们拥有自身的行业认知与底层逻辑，在他们的叙事逻辑里，他们必然成功。

因此，这些同学多少都有些**“疯”**。如果你与他们坐在一起，他们会不停地抛出各种行业术语与观点假说，可一旦聊起产品数据，气势立刻就弱了下来。

遇到这类玩家，可以适当少量投入，因为执着地坚持梦想的人多少是令人敬佩的，谁也无法料定他们最终会创造出什么，而且这批人是相对纯粹的。

具体到考察上，仍然需要看产品数据，不需要太苛刻，就抓住两点：

你自己去使用这个产品，能否坚持使用一周甚至一个月？
这个产品有没有10个乃至100个非常狂热的铁杆粉丝？

这类人十分常见，他们过去可能长期浸润于医疗、法律、教培、ERP等行业……他们对行业难题看得极深，熟知痛点、爽点、痒点的位置，但最终又会因对AI与产品特性的不熟而不断遭受打击。

除了资金外，给予他们的帮助还可以是协助补足关键性的人才缺口。这批人其实很有潜力，因为他们是最了解真实需求，却又不是汲汲营营只想套利的一群人。

行业高P：出了平台就很晕

紧接着还有一个群体规模较大，就是来自大平台的高阶精英。他们可能是高级管理者，也可能是技术专家。这批人对互联网、对技术相当熟悉，也非常容易拿到融资，随之而来的问题却是：

他们很轻易就能捣鼓出一个Agent，却偏偏弄不清自己为什么要做出来……

或者

他们臆想出一个一定会爆的场景，然后闭门造车式地把产品做出来，结果却无人问津……

上述两种情况在我身边最为常见，因为我本人也属于这类人。我们这批人最易做出来的产品，就是某类工作台或某类低代码平台……

总而言之，就是不太熟悉市场需求，也未必有某个必须解决的问题，只是单纯觉得AI来了，不创业似乎有些对不住这个时代。

对于这批人，投资的性价比其实相对较高。只要你能认可他的产品、认可他所要解决的问题，便可以为此买单。

只不过这批人通常比较聪明，相应可选的机会也非常多，所以他们极可能做了一年半载就切换赛道、转变方向，表现出来的就是持续性或许不太强……

此外，还有一些其他类型的同学：

大学生群体，他们因为就业困难，也容易成为这一波创业的主力军；
流量操盘玩家，他们非常清楚如何将AI转化为流量，再将流量变现，但他们所构建的壁垒往往较低；
资源整合型，这类人手中掌握某些独有资源，能够将不同要素组合成局，虽然能组局，却不能期待他们真去脚踏实地地解决问题；
纯快速套利者，这种人往往能赚到钱，可以学习但不要轻易参与，因为拥有这种天赋的人极少；
……

最后，再给出一张简表以供判断：

懂AI + 懂生意：最值得关注
懂行业 + 不懂AI：看搭档是否匹配
懂AI + 不懂生意：看商业化能力
对两者都一窍不通：大概率只能是看个热闹

接下来，我们再列举一些市场上经常出现的产品类型：

2C类AI产品

面向消费者的AI产品，可以以空气小猪为代表，它本质上就是某个行业基于AI的解法。

会做这类产品的，大概率以前就是深耕教育行业的人，比如好未来等公司出来的，或教培背景的创业者……

若按照前述评价产品好坏的逻辑，最简单的就是亲自去用一用，看看能否坚持使用下去。

这类产品往往非常缺流量，而且即使真正做起来也很容易被抄袭，品类也极多，几乎每个行业都有分布，例如：

AI陪伴/情感类，Character.AI、Talkie、Ani、逗逗游戏伙伴；
AI音视频生成类，Suno、Udio（音乐）；
AI内容创作工具类，写作、配图、漫画；
……

大家还可以自行发掘更多，总而言之，竞争极为激烈。

这里特别提一点：Google NotebookLM、腾讯IMA也属于这一品类，不过它们的实现复杂度要高得多，要做好极不容易，若具备相应实力，是可以去尝试的。

工作台类AI产品

工作台类的AI产品，我以之前做过的CEO数字分身为例，它是一套服务于企业人效的工具，其核心实际上是AI + 项目管理。

对于整类产品，我都不太看好，因为它们大概率会被钉钉、飞书等平台吞并。

这一领域的代表性作品，大家可以去看一看Code Banana，它把产研整条工作流程——包括项目管理、文档协作——全部搬了上来，做得相当不错：

低代码平台

其次则是低代码平台，连区区在下也尝试过，也就是我们以前折腾的那个AI表格：

说起来颇具讽刺意味：几乎每个遭遇失败的AI产品背后都有我的身影，而最终我们依靠提供课程服务才留下了团队……

在我的周边，有很多极为执着的小伙伴都在从事这种品类，例如：

又比如，我一位曾在携程共事，后来又投身声网的兄弟，正在创办一款类似于Dify的创业产品。

哎，我几乎是第一时间就去劝阻了，可一旦已经投入，想停下来哪有那么容易……

这其中也包括一些曾经相当出色的产品，比如维格云表格，现在都面临着不小的转型挑战。我看他们老板近期的言论甚至显得有些疯狂：

他用50个AI，将公司40%的人员裁减掉了。

前喜茶CTO的真实实验：不是裁员，是被AI吃掉了……

感兴趣的同学可以自行搜索更多细节，这里不做展开。总而言之，这类工具型的AI产品最好别轻易触碰，毕竟Dify、n8n已经有很多人在说它们过时了……

基础设施类产品

到了这里，可能就进入了真正的深水区，也并不是一般人会关注到的赛道。

但此处也有一个例外，因为它实在太赚钱了——Token中转平台。这类产品的逻辑，是向不同企业和个人提供更稳定的海外Token服务；

但由于这种生意利润极高，又需要大量分销渠道，所以变得许多人都知晓，这类产品属于典型的基础设施类服务。

另外还有一类，即数据清洗/标注/评测平台。

这也属于AI行业的基础设施，但整个业务链条较长，完全可以作为独立的品类来经营。

……

后续还有大量垂直的、生产级别的AI产品，比如AI医生、AI律师等，这些产品对成本的要求极高，绝非一般玩家所能操作，因此尽量别去碰瓷。

这里特别提一句：AI Coding也属于行业级应用，大家自己掂量就好。

结语

到最后，还是做一个简要的总结，否则接下来只怕越写越多……

写到这里，其实就可以看出：很多人的焦虑，并非因为AI真的有那么可怕，而是因为我们每天目之所及皆是新品、流行术语与爆款案例，久而久之，便会错觉整个世界的底层逻辑每天都在被重新书写。

但如果你同时从宏观、工程、投资几个角度来审视，就会发现一件很重要的事：

AI这几年变化最快的，主要还是模型能力本身；而应用世界虽然看起来令人眼花缭乱，却并未乱到毫无规律可循。

许多事物只是包装变了，名称换了，表达方式不同了，但当落到真正做产品、做项目、做业务、做组织时，诸多核心问题始终没有变：

比如，最近让大家兴奋不已的Skills，其本质不过是Workflow的又一次迁移罢了。

由此可见，真正让人恐慌的，往往并非AI本身，而是你在用热点追逐的视角看待AI：今天追一个Manus，明天追一个OpenClaw，后天再追一个Hermes，自然会觉得天都要塌了；

但如果你切换成工程视角、分类视角、成本视角去观察，很多东西瞬间就不再那么玄乎，甚至你都可以轻描淡写地说一句：就这？

当然，这并不意味着AI不重要，也不代表这一轮变革不猛烈。

AI当然至关重要，变化也确实极其剧烈，只不过它真正淘汰的，是那些缺乏判断框架、只能被热点裹挟着往前走的人。