AI产业格局浅层分析，及下一步行动方向

In my lifetime, I’ve seen two demonstrations of technology that struck me as revolutionary.
—— Bill Gates
在我的一生中，我见证了两次让我印象深刻的技术展示（图形用户界面和AI），它们是革命性的。
—— 比尔盖茨
前言
其实对AI（人工智能）感兴趣已经有挺长一段时间了，在去年年初ChatGPT和midjourney刚火起来的时候，自己就兴致勃勃地去开通了会员来进行试用，也看了一些文章和网站去学习对应的prompt技巧。但那时候更多的是出于一种好奇、把玩的心态，并没有太意识到AI的颠覆性。玩过之后觉得：嗯，的确是有点意思，但好像对我现在的生活也没什么明显帮助…所以最后AI这事就被放到一边了

如果有对chatgpt4感兴趣的同学，但是苦于找不到入口。我把教程贴在下方了，欢迎大家体验！
chatgpt4小白级别教程。小白秒学秒用。

直到最近，才开始对AI稍微做了些密集的研究，随着研究的深入，我愈发坚信，AI会深刻地影响人类的未来。因为每一次经济腾飞的本质，是生产力的大幅提升，进而带来的社会总产出增加（用更少的人，做成了更多的事，而富余的劳动力则可以去做更多其他的事情）

如果没有前几次工业革命，目前我们97%的人都还是农业人口，过着“面朝黄土背朝天”的生活。而因为科技的发展，这些劳动力足以被释放出来，进而才带来了近几十年如IT、金融、零售等行业的繁荣（除了这段时间的大A实在是不怎么繁荣……）

如今AI的技术突破，在部分智力领域如绘画、写作、代码编写等已经能一定程度上代替人类劳动，或者说大幅提高效率。未来等机器人融入了AI后，以前很多无法替代的体力活，机器也能胜任了。第四次工业革命，似乎正在向我们招手

对每一代人来说，碰上结构性的机会是可遇不可求的。在移动互联网的黄金10年过去以后，其实大家都不知道下一波大的浪潮什么时候会来到。是3-5年，还是5-10年？幸运的是，这场“时代的馈赠”，终于被我们等来了

但对未来感到兴奋的同时，也有一个问题我一直在思考，在这波时代的浪潮下，我应该做些什么，才能更好地把握住这次的红利。王建硕老师曾说过“比起一眼看到未来世界是长什么样的，更关键的能力，是能看到未来世界是按什么时间线发展的”。由此也引申出，“比起做什么事情更重要的，是思考在什么时间点，应该做什么事情”

因此这篇文章，想把自己最近的一些思考整合一下，一方面帮助自己进一步认清下一步行动的方向，另一方面则也希望能给对AI感兴趣的各位，能提供一些些的帮助

AI产业格局的大致划分
首先，要想知道怎么参与进这波时代的浪潮，可能需要先对目前的产业格局有个初步的认知，这样才知道自己适合从哪个层次入局。之前在某篇文章中看到过的一个比喻，我觉得非常形象

如果用汽车行业来做比喻的话，在AI时代浪潮下，主要有三个层级。分别是汽车底盘层、汽车车身层、汽车驾驶层，具体来说
底盘层主要对应的是AI行业里的基建层，而基建层则主要包括大模型层、算力层、中间件层这三个版块（下文会再依次进行讲解）
车身层则指的是基于底层模型的能力，在此基础上搭建的各式各样AI应用，比方说大家耳熟能详的ChatGPT（能陪你聊天的）、midjouney（能帮你画图的）、搭载了copilot的office 365（能帮你做PPT的）、notion AI（能帮你写文档的）等等都属于此类
而驾驶层则指的是，本身不参与任何的AI基建层和应用层的建设，只是把AI应用作为工具，拿来为自己的工作和生活服务提效

所以要想规划好该怎样参与到这波AI浪潮里，可能第一步需要想清楚的就是，我究竟是要当造汽车底盘的人，还是要当造汽车车身的人，还是说我学会安全驾驶，快乐出行就ok了？

下面我们来对每一个层级都展开说说
AI基建层
在汽车底盘层，即AI基建层，如果粗略地划分的话，主要有大模型层、算力层、中间件层三个板块

大模型层：AI的大脑
首先，大模型层可以理解为是AI的大脑。目前AI的各种惊人的能力，都是大语言模型（LLM，Large Language Model）带来的。目前国外比较领先的公司有OpenAI、Anthropic（部分OpenAI团队骨干出去创业做的公司）和Google。对应的模型系列是GPT、Claude和Gemini（其实Gemini是多模态模型，不过在这里就不展开讨论了）

当然，国内在过去一年，在大语言模型领域也在穷追猛赶，比方说百度就是比较有代表性的厂商，而目前拿到大钱的国内创业公司也都主要集中在这个领域

在大模型这个领域，我个人初步的判断是：虽说目前有“百模大战”的趋势。但随着数据飞轮效应，未来能力越强的模型，用的人会越多，用的人越多，会导致使用的单位价格越低（因为训练模型等的成本可以被分摊下来），同时用的人越多，该模型能收集回来的数据也越多，进而又能进一步加强模型的能力，形成正向循环。最终那些非头部的模型，因为价格高&能力落后，会慢慢被淘汰掉，市场上最终形成几家巨头割据的局面（当然，在国内因为监管的缘故，可能国内的市场会由国内厂商来占领，但应该最后也是形成国内巨头割据的局面）

以上的论述主要针对的是通用模型（即一个模型什么都能做，法律问题也能回答、健身问题也能回答、装修问题也能回答等等）。那么未来垂直领域（比方说专门做法律领域的、专门做金融领域的，专门做IT领域的）是否能依靠自身的数据壁垒，用独家的数据训练出来一个在特定领域表现要明显好于通用模型的垂直领域模型，进而在市场上取得一席之地呢？我个人认为这个方向还是比较可行的，比方说Bloomberg（彭博）练出来的金融领域模型好像就挺不错，比普通的要强不少

说到这里，虽说最终现在大部分的通用大语言模型公司可能都会面临倒闭、被收购或转型的局面，而垂直领域模型的前景还不是十分清晰。但因为大语言模型是整个AI行业的大脑和基础，未来的所有应用，以及对应的生态，都是基于大语言模型生长出来的。因此在大模型层，对于有技术背景，且自身条件比较优越的朋友，我个人是比较建议尝试往这个方向发展的。在这里耕耘能保证自己接触到最前沿的资讯和一线的实操经验，能充分了解大模型的能力和边界，等积累足够过后，未来无论是去AI应用公司工作，还是基于AI生态进行相关的创业等，这份经验都是很宝贵的

算力层：补脑的钙片
接着来聊一下算力层，算力层是为大语言模型提供算力支持的，主要分为两类玩家：芯片制造厂商&云服务厂商

如果把大模型看作是AI的大脑，那么算力大致可以看作是补脑的钙片。你的算力越充足，你练出来的大脑就越聪明，反之，如果你的算力捉襟见肘，那么可能练出来的就是个智障…

而在算力领域，目前占据绝对优势的就是英伟达，它家的GPU芯片最适合用来做补脑的钙片。但这个领域，目前暂时处于一家独大的局面，且短期来看不太有被撼动的可能，所以相对来说，可能并没有太多普通人能参与的机会，所以了解一下就好

而除了芯片制造厂商以外，云服务厂商也是很重要的玩家之一（当然云服务厂商不仅在这个环节参与，可以说贯穿了整个AI产业），如果做大模型的公司，不选择直接去采买GPU硬件的话，那么他们就需要去云服务厂商那里租借算力资源，因此云服务厂商和芯片制造商共同决定了算力的资源分配。且云服务厂商相对来说目前还是处于相互竞争的一个局面，国外有微软的azure，亚马逊的AWS，以及谷歌的GCP，同时也有发展势头不错的初创公司，而国内也有阿里云等玩家，相对来说机会会多些。如果是本身已经在云厂商工作的朋友，或者是对这方面比较感兴趣的话，这也是一个比较好的入局方向

中间件层
最后来聊聊中间件层。如果要通俗地理解中间件这个概念，可以理解为汽车的底盘和车轮（即大语言模型）都已经造好了，现在需要在上面造车身（AI应用）。如果缺少中间件的支持的话，可能需要自己一颗一颗螺丝去拧去焊接，费时费力。但现在有一种服务，它说你只需要专心去把车身造出来就行了，剩下的拧螺丝、焊接之类的工作它们帮忙做好，你不用操心。于是，有了中间件的服务支持，造车的效率可以大幅提升，成本也会下降

目前国外比较领先的公司是hugging face、replicate等，国内我暂时不是很了解，但应该也是有部分公司在做这块（字节前段时间推出的AI机器人搭建平台产品coze，应该也能算作这个范畴）

这一块目前也是比较热门的方向，因为工作内容涉及打通上游（模型层）和下游（应用层），所以在其中能对AI行业的发展趋势有比较清晰的感知，但同样可能只适合于有技术背景的同学来进行参与

行动建议
最后，总的来说，目前AI基建层是比AI应用层确定性更强的部分，可以理解为整个行业都还处在打地基的阶段，所以大笔的资金目前都还主要花在这个层面。如果要入局的话，现阶段AI基建层也是更推荐的方向（后文会提到为什么现阶段不太建议大笔投入到AI应用层）。但当然，这也是门槛最高的环节，对于技术背景及过往履历要求可能都比较高，并不适合包括我在内的大部分人

但当然，即使不亲自参与底盘的打造，并不意味着我们不可以去了解下底盘的基础结构，以及它们是怎样组装和工作的。对于未来希望在AI领域做些事情的朋友来说（比方说去AI应用公司上班or做相关的创业），我个人还是很建议去了解下大模型背后的技术原理。对大模型越了解，你的思考就能越深入，做的判断也能更准确

对于我本人来说，前段时间稍微花了点时间接触了下机器学习/深度学习，虽然我的学习还非常浅显，但简单了解过之后，才发现以前觉得很不可思议的AI能力，其实背后的原理也并没有那么晦涩高深，这个袪魅的过程本身就十分有趣。在后面的日子里，我也会争取腾出部分的时间，继续这方面的探索

最后用一句自己很喜欢的话，来为本章结个尾

“在这个AI技术以远超我们的预期的速度飞快迭代的时点下，懂AI的技术不仅是工作的需要，更是在这个迅速变化的世界中，让自己保持好奇、保持从容、保持自洽的一个必要条件” —— 陈敏凯Marco

AI应用层
聊完底盘层，来说说车身层。其实车身层对应的就是基于大模型所搭建的各式各样应用（如上文提到的ChatGPT、midjourney、Notion AI等等）。在这个领域，我个人判断是这是未来最具有想象力的部分，也可能是未来财富积累最多的地方

未来很美好
首先，先说下为什么我认为这是未来最有想象力的部分，其实我们可以对照回过去的PC互联网浪潮和移动互联网浪潮

在1994年，当Netscape（网景公司）推出了世界上第一款广受欢迎的浏览器Netscape Navigator之后，PC互联网时代拉开了序幕。但在这波浪潮中，最赚钱的不是网景公司本身，也不是在浏览器上穷追猛舍，以及牢牢占据电脑操作系统龙头的微软。而是基于互联网生态，在搜索、社交、电商等领域找准了自己的位置，并据此搭建了牢固护城河的google、Facebook、Amazon等公司/产品

同理，在苹果推出了iPhone，拉开了移动互联网的序幕之后，孕育出了微信、抖音、美团、滴滴等一大波深刻影响人们生活的应用，这些产品/公司在这过程中赚取了大量的利润，打造了一批又一批的造富神话，同时也成为了众多毕业生的就业理想去处。对比之下，做智能手机的厂商虽然也挺赚钱，但如果与在它们这个底座之上所打造的繁荣生态比起来，可能就显得不那么耀眼了（其实主要是这里面苹果太能赚钱了…如果把苹果剔除掉只算其他的厂商，那么整个价值天平会更加狠狠地往应用层倾斜）

因此，对应回这次的AI浪潮也是如此，不可否认，在基建层做大模型的、做芯片的、做云服务的头部厂商，它们最终的胜者会赚取到不菲的利润，但跟它们所开启的AI时代相比，应用生态的机会天花板更高，更加充满想象力，未来新的商业模式也会从中开启

现在很骨感
虽说未来或许很美好，但是当我们把目光放回当下，不可否认的是，自从ChatGPT推出后的一年多的时间里，应用层并没有取得非常明显的进展，目前也还没出现能媲美微信、抖音、美团等killer app级别的应用（或者说连影子都还没看到…）。也是因为这个缘故，其实目前在大众层面，大家对AI的发展是没什么感觉的（一边是技术侧日新月异的突破，而另一边则是大家继续平平淡淡地过自己的生活）

应用层发展的迟缓，我觉得主要有两点原因，分别是：当前底层大模型能力的不完善，以及应用发展自身的时间需要

一方面，应用的底座，也即大模型本身，目前还存在很多的问题。若以移动互联网的浪潮的时间点来作为对比的话，现在比较像是2009年。在2007年的时候，第一代iPhone发布了，世界为之沸腾，看到了移动互联网的可能性，大家纷纷踊跃尝试，各种投资也开始加大力度。但那时iPhone本身还存在很多问题。如app store还没发布，还不支持3G等等。直到2010年iPhone4发布后，才意味着这个平台基本成熟，而美团、字节、滴滴等巨头也在2010年往后的几年里相继成立

我们用到现在的iPhone15，其实相比于iPhone4并没有本质的变化，只是相机更好了、屏幕更大了、网速更快了。所以也由此可以推断出，只有当底座稳固了之后，在它上面才有可能生长出繁荣的生态

而如今的AI进展也类似，ChatGPT发布了之后，让世界第一次震撼地感受到，机器好像真的会“思考”，不再是“人工智障”了，并且也论证了大语言模型“大力出奇迹”这条路是走得通的。于是各路资本纷纷入局、各种创始人纷纷下场，但是大语言模型本身，也还存在着各种各样的缺陷。胡说八道/幻觉问题还没得到很好的解决，可控性不强；推理成本还比较高（即每一次让大模型去做出回答时需要付出的价格），导致在此基础上搭建的应用成本降不下来；上下文长度限制比较大，模型记不住之前说过的东西等等。

因此，在大语言模型本身还存在诸多问题有待解决的时候，上面的应用层是比较难有大的爆发的。并且，模型的能力边界目前也还未稳定下来，说不准哪天应用层做的事情，被底座的大模型公司自己做了（例如前段时间OpenAI推出的GPTs，就直接逼死了一批做套壳应用的初创公司）。所以即使有好的想法，创始人和投资人也都会比较谨慎：这件事情会不会被OpenAI自己就给做了？

另一方面，即使大模型能力和边界已经足够完善及确定了。但应用形态的探索以及相关配套设施的完善， 也是需要时间的

比方说，美团一开始是做团购的，后面才逐步摸索转型成了以外卖为主。字节一开始是以内涵段子和头条起家的，后面也才逐步把抖音变为了最核心的业务。这期间需要不停地验证和试错，以及根据市场真实反馈来调整方向，而时间在这过程中是不可或缺的

此外，相关配套设施的完善也需要时间，以互联网教育为例， 其实在2000年初，互联网刚传入中国的时候，就有人提出了互联网教育这个概念，学生在家就可以进行学习。但互联网教育相关的巨头，都是到了2013-2016年才集中出现的。这过程中，就经历了网速不断加快、互联网渗透率不断提升、以及直播相关的技术不断完善（如支持实时互动、支持大量学生同时在线）等历程。否则可以设想一下，当用着几十Kb一秒的网速，五六个学生挤在一台老台式电脑面前，看10秒卡一分钟，即使互联网教育真的是个可行的概念，在配套设施不完善的情况下，这个行业怎能迎来大的发展？（当然双减政策则是后话了…）

发展节奏推断
综上所述，结合之前看过的一些分析文章，以及目前市场上巨头们的动向，我个人推断，未来1-3年里，依旧还是巨头们卷大语言模型的阶段（俗称“军备竞赛”），都还在练一个更聪明的“大脑”，过程中他们当然也会推动整个生态的打造，但直接下场做应用，不是他们的重点。直到军备竞赛的边际效应已经明显减弱了，他们才可能会考虑把精力放到应用打造or其他事情上

而对于应用层来说，大概在未来半年到一年时间里，等GPT5发布了，大模型的能力应该会有个阶段性稳固的结果，在此基础上，会有更多的应用开发者入局，应用层也会慢慢迎来爆发。但也如移动互联网初期一般，一开始肯定会百花齐放，但最后大部分会成为时代的眼泪，等到应用爆发几年后，格局才会慢慢地稳定下来，赢家开始享受胜利的果实

因为现在距离应用爆发和稳定期还有一定距离，或许并不是一个很好的入局时机。可能进去了就是做一些移动互联网初期手电筒、汤姆猫之类的应用（用户价值有限，壁垒很浅）。由此并不是很建议大投入地去做这个层面，如果有相关的时间和精力，或许可以先自己捣腾一些GPTs、搭一些简单的小应用、AI agent玩玩攒攒手感，等市场情况稍微明朗一点再入局（比方说之前看过的哄哄模拟器、AI炒股公司等都挺有意思的，做的过程中既好玩，又能从中实际体验到AI目前的能力边界，以及市场对其的反馈等）

结构性问题 vs 节奏性问题
最后，用最近看过的一篇文章，来讲述我对AI应用层发展过程的一些看法。在投资领域也好，在创业/就业领域也好（因为就业的本质，也是对自己的时间进行投资），要学会分清结构性问题和节奏型问题（原文：【投资中的节奏与结构 | 42章经】）

于我看来，AI会对人类社会产出巨大变革，是结构性的原因，因为生产力的大幅提升，而导致成本的大幅下降，并由此会催生出很多新的商业形态（比方说以前还吃不饱穿不暖的时候，奢侈品行业、旅游行业、直播行业等无从谈起），而AI对人类社会产生变革的时间点和具体过程，则是节奏性的问题

我们目前碰到的问题，诸如推理成本高、可控性不强等等问题，都是可以通过时间解决的，只是早晚快慢的问题，因此这些都是节奏性的问题。而大语言模型证明了让机器具备理解人的语言的能力，并能取代人类完成文案/图片/视频等创作，乃至作为AI Agent智能体成为人类的管家，则是一个不可逆的突破，开始了就回不去了

就如同第一次工业革命，瓦特改良蒸汽机时，那时的蒸汽机也面临功耗高、效率低等问题。但机器能大幅替代人力这个事情，一旦出现了，就再也回不去了。往后纺织品产量、矿产产量实现数倍、数十倍的增长，以及蒸汽火车、蒸汽轮船的出现，也只是早晚快慢的问题。因此，学会分清结构性和节奏性的问题，对我们未来下判断，做决策非常关键

综上，对于AI应用层的发展，我持短期内悲观，长期内乐观的态度

短期内（如近1-3年）我可能不会太期待我的生活、工作及社会，会因AI而造成多大的改变，对它所能带来的影响会尽可能地放低预期。因为这过程中可能会有很多节奏性的问题（如资本寒冬、监管问题、安全性问题等等），导致它的发展不及预期

但长期而言（如5-10年），我可能已经无法想象未来的生活会是怎么样。也无法想象，在未来的我的眼中，现在的社会是多么地“原始”。就如同现在的我，已经完全习惯了有事就问ChatGPT，觉得有一个全知全能的机器人为我无条件地服务，是非常自然的事情，而完全没意识到它的诞生仅一年有余……

AI使用层
最后来聊聊驾驶层（AI使用层），这是目前大家都能直接参与，且正反馈最明显的一层

对于这一层，我个人的建议是：找到适合自己的产品，然后直接上手去用，直观感受它的震撼与局限
为生活、学习提效
一方面，对日常的生活和学习来说，如果能选到适合自己的趁手产品，是能大幅地提高自己的效率，提高自己的竞争力的。但这也是一个需要不断地试，以及持续去练的过程，不是头一天晚上小红书刷到个《AI产品推荐清单》，第二天起床就能效率提升50%了

首先，每个人的需求和喜好不同，适合自己的工具也就不同，因此找到合适的工具本身也就需要时间。比方说midjourney很火，但因为我日常的工作生活里基本不需要画图，所以其实这款产品现阶段对我来说帮助不大。我目前的诉求主要集中在信息获取，和个人学习辅导上。经过一段时间的筛选，现阶段有了那么几个常用的AI工具：

kimi chat：公众号文章、网页长文、PPT总结（个人感觉效果优于ChatGPT）
以前的话，找到一篇看着还不错的文章，我是需要自己去逐步地看，才能知道是否合适自己的，但因为我本身的阅读速度就比较慢，很多时候花了很长时间看完或看了其中一部分，发现这内容其实并不适合自己，这种感觉就非常难受
于是现在在读长文之前，都会先丢给kimi chat去蒸馏一下，如果它总结出来的内容我是比较感兴趣的，才会继续往下读

通义听悟：播客内容全文总结，且直接生成章节小结&逐字稿
除了文章场景，最让我头疼的就是播客了，因为现在随着播客越来越火，很多很优质的内容都是在播客上，但播客的话，很多情况下又是不提供文字稿的。那么在这样的情况下，我就需要自己逐步去听，才能知道内容是否合适（文章还能快速扫读），所以在很长一段时间里我比较抗拒去听播客的，因为信息密度实在太低
但后面有了通义听悟，我就可以把小宇宙的播客链接直接甩进去。它就会直接把整节播客的内容给总结出来，同时还会有分小节的总结，对哪节感兴趣就可以直接点击跳转过去，同时还提供每个嘉宾讲话的逐字稿。一下子信息获取的效率就高了很多

ChatGPT：日常主力工具，遇事不决问ChatGPT……
这个就不过多介绍了，基本我目前80%的时间都还是在用它，前段时间也发了个朋友圈感慨，用它来学AI技术相关的内容是真的好用。就像是请了一个顶尖的专家来给你当家教，你不用担心你提的问题太低级，也不用担心你问得太多会把它问烦，只要有不懂的地方，都可以让它给你解答，一次不满意就让它换个角度继续解答，直到自己明白为止
而且我问的很多问题，很多时候是在搜索引擎没法直接找到的，更多的是像一个学生向一个老师进行提问和往复地探讨。或者说问题的答案即使能在搜索引擎找到，也要花费很多的时间来寻找和整合。因此，如果缺少了ChatGPT这样的工具，那么我很可能在啃机器学习/深度学习这条路上就学不下去，或者说花费的时间要远大于现在

上面说到工具的挑选需要时间，其次，工具的学习也是需要时间的，并且这个时间应该占比会更大。比方说最开始我只会拿ChatGPT来唠唠嗑，觉得的确是没啥劲。后面才开始用它来学习，并且也是慢慢地，才找到了比较适合自己的提问方式，能够保证它给出的回答自己比较满意，不用再翻来覆去地问

现在因为AI的应用落地还不算很完善，可能善用AI工具的人和不用AI工具的人的差别，只是走路的人和坐着最原始的冒着黑烟的蒸汽三轮车的人的区别。但未来随着AI能力的强大，以及AI使用者使用方式的熟练，坐车的人的座驾，可能就进化成福特T型车，乃至跑车了，到时候两者的差距就不可同日而语了

有句略传递焦虑情绪的话，但我觉得也是有一定道理，大家就辩证地看待吧：“AI永远不会取代你，但会用AI工具的人会”

为工作、事业积攒体感
另一方面则是，即使你未来的事业/工作，不打算直接参与到基建层、应用层中去，但未来的工作大概率是不可避免需要融入AI的。就如同回到5-10年前，虽说你做的是传统的买卖生意，但如果你的产品只在线下销售，而没有互联网线上销售的渠道的话，那么生意拓展就会非常受限

因此，通过使用AI应用来尽早培养自己的AI体感，也会对未来有好处，它能帮助你更深入地思考，如何有机地把自己的工作/事业和AI结合起来。还是以开车为例，虽说你不直接参与造车，但是因为你开上了车，你可能就可以用它去做很多以前做不到的事情

比方说你的竞争对手以前都是走路送货的，但一旦你变成了开车送货，你的竞争优势就比别人大多了；又或者说你是一个导游，以前都是带团友走路观光，但一旦你能带着团友开车观光，你们能去的地方就多多了。

现有的服务和产品，若能和AI进行有机结合，竞争力能大很多。而当前阶段的结合，其实很多都是“拿着锤子找钉子”的尝试，我们也能看到很多公司和产品在“硬蹭AI”，真正能做到有机的可能还是少数。而能否实现真正的有机结合，一方面除了需要你对自身原有的业务非常熟悉以外，也需要你对AI有足够的体感，而体感这东西，可能是没法通过思考和看文章得来的，必须得依靠自己亲身去用，亲身去体验得来的

总结
综合上面的分析，我自己未来的动作可能会分为那么几部分：

基建层
仅以了解技术原理为目标，不以参与基建层建设为目标
应用层
未来可能会往这方向发展，但明确当前不是入局的合适时间
在此期间可能会做些GPTs、小应用或简易的AI agent玩玩，提前攒点手感
同时积极关注社会上的动向（有没有什么厉害的应用出来了，有没有什么好的商业变现案例）
使用层
持续优化自己的AI工具箱和使用方式，提高日常生活中的"AI含量"
但过程中需谨记以“提效”为最终目的，不能为了用AI而用AI

在这过程中，也要时刻告诫自己调低预期，相信AI是未来结构性的机会，但当前会碰到很多节奏性的问题，在近几年不要对AI有太大“指望”，而是对长期的未来保持乐观。就如同不要因为2000年的互联网泡沫，就对互联网的未来失去信心。而对于看到这里的各位，也希望本篇文章的粗浅分析，能够对大家未来的行动方向，起到一些些的指引和帮助

过去一个月，其实看了不少相关的文章和分析，这过程中总觉得好像学到了点东西，但又好像没学到什么。自己就像一个筛子，很多东西过去了，但什么都没留住……因此写下这篇文章，把自己的所学、所思、所感做一个阶段性的总结

“面对巨大且未知的市场，我们习惯预判，预判和打脸是最快的学习方式”，可能过几个月或半年来看，今天写的这篇文章错误百出，也幼稚至极。但预判也是为了倒逼自己实践和快速修正，而我也相信“输出是最好的输入”

最后用王凯老师的一句话，作为这篇文章的结尾

“无论我能力多么浅显，事实上我已经成为国内AI浪潮中微小的节点，我会一如既往真诚分享观察、思考，期望能给各位一点参考价值