你的一分钟语音,可能是别人的十分钟

开会开到一半,放在桌上的手机连续震了几下。

我低头看了一眼,对方发来了五条语音,每条接近一分钟。因为正在会议室里,当然不可能直接外放,只能等到会议结束后戴上耳机,从第一条开始听。

语音没有标题,也没有重点提示,更没办法像文字一样快速扫一眼。我只能一边听,一边拖动进度条,试图从五分钟的内容里找到真正需要的信息。最后发现,对方其实只想告诉我一件事:下午三点的会议改到四点。

这句话打成文字,可能只需要五秒钟。

我并不反对语音消息。走路、开车,或者手上正忙着做其他事情的时候,按住按钮说几句话,显然比在手机键盘上慢慢输入方便得多。语音还能保留语气、停顿和情绪,有些在文字里显得生硬的话,说出来反而自然很多。

但语音消息的问题,也恰恰来自这种方便。

它方便的,通常只是发送者。

便利并没有消失,只是发生了转移

发送一条语音,看起来节省了时间。但省下来的时间并没有凭空消失,而是被转移到了接收者身上,有时候还会被成倍放大。

文字是一种可以快速浏览的信息。即使一段话很长,也可以先扫一遍,找到时间、地点、数字和结论,跳过那些暂时不重要的内容。语音却是线性的,对方说得多慢,接收者就只能听得多慢。即使使用倍速播放,也很难完全跳过中间的内容,因为你不知道关键的一句话,会不会就藏在下一秒。

文字也不太挑场合。开会的时候可以看,坐地铁的时候可以看,深夜或者周围很吵的时候同样可以看。语音则需要一个相对合适的环境,不能外放的时候需要耳机,没有耳机的时候只能暂时搁置。很多语音并不是没人愿意听,而是始终等不到一个方便听的时机。

更重要的是,文字可以搜索、复制、转发和引用。几天之后想确认一个数字,几个月之后想追溯一次沟通,只要搜索关键词,通常很快就能找到。语音虽然也被保存在聊天记录里,但实际使用时几乎无法检索。为了确认一句话,只能重新听一遍,甚至要反复拖动进度条。

所以,发送者用一分钟说完的内容,接收者付出的可能不只是一分钟。除了播放时间,还有寻找合适环境、筛选重点、重新确认和后续查找的成本。

这笔成本,发送者通常感受不到。

语音的问题,不只是效率低

如果只是多花几分钟时间,语音消息或许还没有那么值得讨论。真正的问题在于,很多语音在发送之前,没有经过整理。

人在写一句话的时候,会自然地做一次信息压缩。脑子里原本可能有很多零散的想法,但真正打出来时,需要考虑先说什么、后说什么,哪些内容是必要的,哪些可以删掉,还要想对方能不能理解。

这个过程本身就是一种思考。

说话则不一样。说话的门槛很低,想到哪里就可以说到哪里,于是经常会出现“那个”“然后”“我的意思是”“对了还有一件事”之类的口语填充。说的人一边想一边表达,念头还没有完全整理好,内容就已经被发送出去了。

这也是为什么很多一分钟的语音,转成文字之后可能只有两三行真正有用的信息。剩下的部分,大多是铺垫、重复、停顿和说话者整理思路的过程。

现在很多聊天软件已经支持语音转文字,但语音转文字解决的只是播放问题,并没有真正解决表达问题。软件可以识别声音,却无法替发送者完成信息的整理。转出来的内容依然可能没有结构、没有重点,充满重复和口语化表达。

技术可以把声音变成文字,却不能替人完成思考。

当一段没有被整理的信息直接发送出去时,原本应该由发送者完成的工作,就被交给了接收者。接收者不仅要理解内容,还要帮助发送者判断重点、梳理逻辑,甚至猜测他究竟想表达什么。

从这个角度看,很多语音消息并不是提高了沟通效率,而是把自己的思考成本,转移给了别人。

在工作沟通中,问题会更加明显

私人聊天中,语音通常没有太大问题。朋友之间分享心情、讲一件趣事,或者随口说几句话,本来就不追求严谨和效率。语音保留了声音和情绪,有时比文字更有温度。

但工作沟通的要求不同。

工作中的信息需要能够异步处理,也需要被长期保留。对方现在正在忙,可以稍后再看;几天之后需要确认,可以重新查找;项目出现问题时,还能根据记录还原当时的决定和要求。

文字天然适合这种沟通方式,而语音更接近一次小型的同步交流。它虽然没有要求对方立刻回复,却默认要求对方拿出一段连续的时间,把注意力完整地交出来。无法快速浏览,也无法先判断内容是否紧急。

在多人协作中,这种影响还会继续放大。一条涉及多人、时间、任务和交付要求的语音,被转发到群里之后,每个人都要重新听一遍。发送者确实只说了一分钟,但十个人各听一分钟,就是十分钟;如果还需要反复确认,成本会更高。

而这些时间,往往不会被计算在所谓的“沟通效率”里。

最不适合用语音表达的,是工作指令

同事之间偶尔发送语音,更多是沟通习惯的问题。真正容易造成麻烦的,是领导通过语音给下属安排工作。

同事之间相对平等,收到一段很长的语音,至少还可以说一句“麻烦发一下文字”。但面对领导时,大多数人不会这样要求。于是,领导为了方便自己而省下来的时间,会被团队默默承担。

更重要的是,工作指令本身就是最需要准确表达的信息。

一项指令通常应该包含明确的任务、负责人、时间、交付方式和判断标准。但语音很容易把这些内容混在一起。例如一句“明天把上次那个东西整理一下,再发给他们”,说的人可能觉得已经交代清楚了,执行者却会面临一系列问题:是哪一份材料,整理到什么程度,发给哪些人,使用什么格式,明天几点之前完成?

这些问题本来应该由安排工作的人提前想清楚,并在下达任务时说清楚。但在随口录制的语音中,它们经常被忽略,最后只能由执行者自己猜,或者再发消息反复确认。

表面上看,领导很快就完成了任务分配,显得非常高效。但实际上,信息不清带来的确认、误解和返工,全都发生在下游。只不过这些成本不会出现在发送语音的那一分钟里,也很难被他直接看到。

一旦结果出现偏差,问题还会变得更加复杂。文字指令可以直接引用和核对,语音却很难准确定位。双方都可能根据自己的记忆理解那段内容,最后变成“我当时不是这个意思”与“你当时就是这么说的”之间的争论。

因此,对管理者来说,用语音下达指令也未必真的省事。短期看少打了几行字,长期却可能换来更多确认、返工和责任争议。

语音当然有适合它的场景

语音并不是一种糟糕的沟通方式,它只是经常被用在了不适合的场景里。

在私人关系中,报平安、分享情绪、讲述一件刚刚发生的事情,语音往往比文字更自然。安慰、鼓励或者道歉,有时也需要通过语气才能传递完整。有些内容确实很复杂,打字需要很长时间,说几句话反而更容易解释清楚。

即使在工作中,语音也不是完全不能用。比如需要临时描述一个现场情况,或者某件事很难通过文字表达,都可以发送语音。但在语音之后,最好补充一段简短的文字总结,把结论、时间和需要对方执行的事项列出来。

问题从来不在于能不能发语音,而在于发语音之前,有没有考虑接收者的使用场景。

沟通并不是把信息从自己这里发出去就结束了。真正有效的沟通,是让对方能够以尽可能低的成本,准确地理解和使用这些信息。

所以,在工作沟通中,文字应该成为默认方式。尤其涉及任务、时间、金额、地址、名单和具体指令时,更应该把信息清楚地写下来。

按住语音按钮之前,可以先问自己一个问题:我选择这种方式,是因为它真的更适合沟通,还是仅仅因为它对我更方便?

如果你是一名管理者,或许还应该再多考虑一步。

你随口发送的一分钟语音,到了团队的另一端,可能会变成十分钟,甚至一个小时。

程序员只有两百万,为什么 AI Coding 却成了大市场?

最近,MiniMax创始人闫俊杰在一次对话中,提到了一件两年前的往事。当时,他问DeepSeek创始人梁文锋:“你们要不要做AI Coding?”梁文锋回答,不做,因为当时大家的共识是,全中国会写代码的人可能只有100万到200万人,这似乎不是一个足够宽广的市场。闫俊杰接着说,但现在的情况显然已经发生了变化,AI Coding可以让更多普通人拥有生产力。

如果只看今天AI Coding的热度,这似乎是一次错误的市场判断。自GPT-5.6上线,以及Codex与ChatGPT Work进一步融合之后,这两款Agent产品的合计活跃用户在数日内突破了800万,OpenAI CEO Sam Altman还表示,Codex与ChatGPT Work在最近一周的使用量增长了2.5倍。2026年2月,Sam Altman公布Codex活跃用户刚刚超过100万,到了7月,Codex与ChatGPT Work的合计用户已经超过800万,虽然前后两个数字的统计范围并不完全相同,不能简单地理解为Codex用户增长了八倍,但这种增长速度依然十分惊人。

一个原本被认为只有一两百万潜在用户的市场,为什么能够在短时间内容纳数百万用户?最直接的答案,似乎是程序员变多了,但显然不是,全球程序员的数量不可能在几个月内突然增长数倍。真正发生变化的,是AI Coding的用户已经不再只是程序员,它所解决的问题,也正在从“帮助程序员写代码”,逐渐扩展为“帮助更多人使用计算机完成工作”。

一、“市场太小”的判断,在当时并非没有道理

回到两年前,如果把AI Coding理解为一个面向职业程序员的开发工具,那么“市场太小”的判断并不奇怪。那时人们谈论AI Coding,首先想到的还是代码补全、函数生成、代码解释、Bug修复和单元测试,基本的使用方式是,人负责设计和开发软件,AI在旁边提供帮助。用户首先要会编程,需要有开发环境,也需要知道生成的代码应该放在哪里、如何运行,出了问题之后又应该如何修改。

按照这个定义,AI Coding的市场规模确实受到程序员数量的限制,其计算方式也很直接,就是程序员数量乘以工具渗透率,再乘以每个开发者愿意支付的价格。如果中国只有一两百万职业程序员,即使其中相当一部分人愿意为AI工具付费,它仍然是一个相对垂直的开发者工具市场,规模可能不小,但与面向数亿普通用户的消费互联网产品相比,确实不算一个足够宽广的市场。

所以,问题并不在于当时算错了程序员的数量,而是在后来的发展中,AI Coding已经不再按照这个公式增长了。市场中的程序员并没有突然增加,但AI Coding所代表的产品形态发生了变化,过去的市场边界也就随之被打破了。

二、从Coding Assistant到Coding Agent

早期的AI编程产品,本质上是Coding Assistant,也就是编程助手。人知道自己要写什么,AI帮助补全代码;人知道问题大概出在哪里,AI提供修改建议;人仍然是整个开发过程的主要执行者,AI只是提高其中某些环节的效率。即使使用GitHub Copilot,很多时候也是程序员写下一部分代码,再由AI预测后续内容,这与更智能的代码自动补全并没有本质区别。

到了Coding Agent阶段,工作方式开始发生变化。用户不再需要逐行告诉AI代码应该怎么写,而是可以直接提出一个目标,例如增加用户登录功能、分析项目无法启动的原因、重新设计一个网页,或者读取一批数据并生成一个后台查询系统。Agent会自行读取项目文件、理解现有结构、制定计划、修改代码、运行命令和检查结果,在出现错误之后,还会根据错误信息继续调整。

OpenAI在最初发布Codex时,将其定义为可以编写功能、修复Bug、理解代码库并提出Pull Request的软件工程Agent;到了GPT-5.3-Codex发布时,OpenAI对其定位已经变成,不仅能够编写和审查代码,还能够完成开发者和其他专业人士在计算机上进行的各种工作。这个变化并不只是模型能力的提高,也说明Coding Agent的产品定位已经开始从专业开发工具向通用生产力工具扩展。

Coding Assistant与Coding Agent看上去只是自动化程度不同,但其背后其实是人机分工关系的变化。在Coding Assistant阶段,是人写代码,AI提供建议;在Coding Agent阶段,是人描述目标,AI负责执行,人再对过程进行监督,对最终结果进行判断和验收。当AI从辅助输入变成接受任务,它的潜在用户自然也就不再局限于程序员。

三、AI Coding扩大的,不是程序员数量

OpenAI在发布ChatGPT Work时提到,目前每周使用Codex的人已经超过500万,其中超过100万人将其用于软件开发之外的工作。Codex最初是一款面向开发者的Coding Agent,但越来越多分析师、市场人员、运营人员、设计师、研究人员和其他专业人士开始使用它,说明AI Coding的增长并不只是来自程序员使用频率的提高,而是有一批过去根本不会被归类为Coding用户的人,正在进入这个产品。

这些人可能是产品经理,用Agent制作产品原型和内部工具;可能是运营人员,用它清洗数据、处理表格和自动生成报告;可能是市场人员,用它制作落地页、整理营销素材;也可能是创业者,直接将一个想法变成可以运行的最小可行产品。他们未必掌握传统意义上的编程,不知道状态管理、数据库索引、容器部署,也未必能够独立检查复杂的代码问题,但他们知道自己所在行业的问题,知道想要解决什么,也能够判断最终的结果有没有价值。

过去,一个人拥有想法,并不意味着他能够把想法变成产品,中间还隔着需求分析、产品设计、界面设计、软件开发、测试和部署等一系列环节。今天,这条链路正在被Coding Agent压缩,一个了解业务的人,可以先让Agent做出初版,再根据结果不断反馈和修改。即使最终仍然需要专业开发者参与,很多想法也不必一直停留在文档、原型和会议里,而是可以更早地变成一个能够运行、能够被验证的东西。

这也是为什么我认为,AI不一定会让所有人都变成程序员,但它正在让更多人成为“构建者”。过去衡量AI Coding市场规模的问题是,有多少人会写代码;现在这个问题逐渐变成了,有多少人存在需要通过软件解决的问题。前者可能只有几百万或者几千万人,后者则包括大量产品人员、设计师、运营人员、研究人员、创业者,以及几乎所有需要处理数字化工作的知识工作者,这两个市场显然不是一个量级。

四、代码正在退到后台

我自己在开发DoseLoop的过程中,对这种变化有很直接的感受。从最初的产品想法,到功能设计、Flutter开发、落地页制作、隐私政策、商店素材和应用上架,AI工具参与了几乎所有环节。当然,这不能简单地理解为一个完全不懂产品和技术的人,也可以通过一句话做出一个成熟的产品。我有多年的产品和技术经验,知道一个应用需要哪些模块,也知道如何判断功能是否基本正确,AI压缩了大量执行时间,但需求判断、产品取舍、问题定位和最终验收,仍然需要人来完成。

但另一个变化也十分明显,我在使用Codex、Claude Code这类工具时,已经很难把它们单纯看作代码生成器。我会让它读取整个项目、分析问题、修改多个文件、运行测试,也会让它处理文档、整理素材、检查配置和生成脚本,甚至完成一些与传统软件开发关系并不大的工作。从我的角度看,我只是希望完成一件事情,至于这个过程中是否需要写代码、写什么代码、调用什么工具,很多时候已经是Agent内部的执行方式。

这可能正是AI Coding最重要的变化,用户的目标是完成工作,代码只是Agent完成工作的手段。现代知识工作的绝大部分对象,本身已经存在于数字世界中,包括文档、表格、数据库、网页、邮件、浏览器、企业系统、文件夹和各种SaaS服务,而代码恰好是操作这些数字对象最灵活、最通用的方式之一。

当一个用户要求Agent分析一批销售数据,找出最近三个月下降最明显的产品,并生成一份报告时,Agent可能会读取表格、编写数据处理脚本、生成图表,再将结果整理成文档;当用户要求收集十家竞争对手的价格变化,每周生成一次对比时,Agent可能会操作浏览器、调用接口、保存数据并建立自动化任务;当用户要求将一批产品资料做成一个可以搜索的网站时,Agent可能会创建数据库、编写前端页面、部署服务,再检查网站是否能够正常访问。

用户并不关心这些任务背后使用了多少行代码,也不关心使用的是Python、JavaScript还是其他语言,只关心结果有没有完成。就像今天的人使用手机,并不需要理解操作系统、数据库和网络协议一样,未来大部分人使用Coding Agent,也未必会意识到自己正在调用代码。代码当然不会消失,只是会从用户需要掌握的一项专业技能,逐渐变成Agent在后台调用的一种基础设施。

五、为什么是Coding Agent最先发展起来?

既然最终目标是通用生产力,为什么不是普通聊天机器人,而是Codex、Claude Code这类Coding Agent最先向这个方向发展?一个重要原因是,软件开发本身就是非常适合Agent学习、执行和验证的环境。代码能否编译、测试能否通过、页面能否正常打开、接口是否返回正确结果,这些任务大多具有相对明确的反馈,Agent做错了,可以运行程序看到错误,修改之后可以再次测试,一个复杂目标也可以被拆分成文件、命令和一系列可以执行的步骤。

与很多难以判断对错的知识工作相比,软件开发提供了一个相对完整的反馈闭环,包括理解任务、采取行动、观察结果、发现错误和继续修正。OpenAI在介绍自己的Agent-first工程实践时就提到,工程团队的主要工作正在从直接编写代码,逐渐转向设计环境、明确意图,以及建立能够让Agent可靠工作的反馈循环。

因此,Coding不仅是大模型公司选择的一个垂直市场,也是Agent学习如何真正完成任务的理想训练场。最初,Agent学会的是修改代码,接下来又学会操作终端、浏览器、文件、数据库和外部系统,当这些能力逐渐组合在一起,它所能完成的自然就不再只是软件开发。从这个角度看,Coding Agent向通用生产力工具扩展并不是偶然的跨界,代码本身就是Agent连接和控制数字世界的一种通用语言。

六、AI Coding的价值正在从代码变成结果

传统开发工具的价值,通常使用开发效率来衡量,包括少写了多少代码、节省了多少开发时间、修复了多少Bug、完成了多少需求。但当AI Coding开始进入非开发领域后,用户并不会用这些指标评价一个Agent。一个运营人员不会关心Agent为了分析销售数据写了多少行Python,只关心报告是否准确;一个创业者不会关心Agent修改了多少个文件,只关心产品能否上线;一个市场人员也不会关心页面使用了什么前端框架,只关心落地页是否能够正常访问,能不能带来转化。

因此,AI Coding的价值单位也正在发生变化,从代码产出变成工作成果,从开发者席位变成被完成的任务,从“帮助我写”变成“帮我做完”。当这种变化发生之后,Codex和Claude Code所面对的市场,也不再只是代码编辑器或者开发者工具市场,而是开始进入更加广泛的知识工作市场。到那个阶段,“Coding”可能只代表产品的技术来源,而不再代表用户实际使用它的方式,就像计算机最初主要被用于计算,但今天我们并不会把所有使用计算机的人称为计算人员。

Coding Agent最初因为会写代码而受到关注,最终可能因为能够完成工作而被广泛使用。它真正争夺的,不只是程序员每天花在IDE里的几个小时,而是知识工作者处理文档、分析数据、操作软件、查询信息、制作内容和完成各种数字化任务的时间。

七、这并不意味着程序员不再重要

当然,这并不意味着软件开发从此没有门槛,更不意味着专业程序员很快就会消失。Agent降低的是执行门槛,但它没有自动解决所有问题,用户仍然需要知道自己真正想解决什么,需要判断生成的结果是否正确,需要理解哪些风险不可接受,也需要对系统的安全、隐私、性能、成本和长期维护负责。

让Agent做出一个可以运行的页面已经不算困难,但一个可以运行的页面,与一个能够长期稳定服务真实用户的产品,仍然不是一回事。当项目规模扩大,系统之间相互连接,数据和业务变得复杂,专业知识反而会更加重要,只是程序员的工作重心可能会发生改变。过去,程序员的大量时间用于亲自编写和修改代码,未来则可能会花更多时间定义系统边界、设计架构、拆解任务、建立测试、约束Agent,并检查多个Agent产生的结果。

实现正在变得便宜,但判断仍然昂贵;代码生产正在增加,但真正稀缺的能力,可能变成了知道应该做什么、为什么这样做,以及如何确认它确实做对了。对于非程序员也是一样,AI工具可以帮助一个人快速完成以前无法完成的事情,但一个人能否真正使用好AI,仍然取决于他对所在行业和业务的理解,也取决于他的思考、表达、总结和抽象能力。AI可以放大一个人的能力,却不能凭空创造认知、经验和品味。

从这个角度看,Coding Agent并不是简单地消除了程序员与非程序员之间的差异,而是重新划分了人与计算机之间的工作边界。过去,人需要掌握具体的技术语言,才能把一个想法转化为计算机可以执行的指令;现在,越来越多的执行过程可以交给Agent,人则更多地负责提出目标、提供上下文、作出判断和承担责任。

八、AI Coding最大的市场,是不想写代码的人

回到最初的问题,程序员只有一两百万,为什么AI Coding却可以成为一个大市场?因为它真正扩大的,并不是程序员的人数,而是能够借助软件解决问题、创造产品和完成数字化工作的人群。如果AI Coding仍然只是帮助程序员更快地写代码,那么它确实是一个相对垂直的开发者工具市场,其规模最终仍然受到程序员数量的限制。

但当Coding Assistant发展为Coding Agent之后,产品的使用逻辑已经发生了变化。用户不再需要先掌握编程语言,再告诉计算机应该怎样一步步执行,而是可以直接描述自己的目标,由Agent读取文件、操作软件、编写代码、调用工具、检查结果并完成任务。用户使用的虽然仍然是一款拥有Coding基因的产品,但他的目的已经不再是写代码,而是完成一份报告、分析一批数据、制作一个网站、自动化一项流程,或者把一个想法变成可以运行的产品。

这也是为什么AI Coding最大的潜在市场,并不是那些喜欢写代码的人,反而是那些根本不想写代码的人。这些用户并不关心Agent使用了什么编程语言、修改了多少个文件,也不关心背后运行了多少行代码。他们只关心自己提出的问题有没有被解决,想要的结果有没有被交付,原本做不到或者需要协调很多人才能完成的事情,现在是否可以由自己完成。

过去,软件开发工具主要服务于已经掌握技术能力的人,帮助他们提高效率;未来的Coding Agent则可能将这种能力向外扩散,让更多没有接受过专业编程训练的人,也能够直接调用计算机的执行能力。它不会让所有人都成为程序员,却可能让越来越多人成为产品的创造者、流程的设计者和数字工具的构建者。

所以,AI Coding市场的真正变化,并不是职业程序员从一两百万人增长到了八百万人,而是“谁可以使用代码完成工作”这件事情发生了变化。过去,代码是一种需要长期学习的专业技能;现在,代码正在逐渐退到后台,成为Agent理解目标、操作数字世界和完成任务的一种执行手段。

自然语言则开始成为新的操作界面。用户负责说清楚自己想做什么,Agent负责决定应该如何实现。随着Agent能够操作的文件、软件、浏览器、数据库和企业系统越来越多,它所面对的市场也会从开发者工具市场,继续扩展到更加广泛的知识工作和数字生产力市场。

因此,AI Coding的终点,可能并不是让更多人学习怎样写代码,而是让越来越多的人不需要写代码,也能够获得过去只有程序员才拥有的部分能力。

当所有人都可以通过自然语言调用代码时,Coding就不再只是一个职业市场,而会成为整个数字生产力市场的入口。AI Coding最大的市场,也恰恰是那些不想写代码、只想把事情做成的人。

一个人、一款 App、一个月:从 DoseLoop 看 AI 时代 OPC 的可能与边界

最近,我做了一款 App,叫 DoseLoop,中文名叫“用药有数”,主要功能是用药提醒和服药记录。目前已经上架了 App Store 和 Google Play。

这件事本身不算什么大事,一个用药提醒 App,也不是多么复杂的产品。但让我感受比较深的是,这个 App 从最初的想法,到产品设计、开发完成、App 备案,再到最后上架应用市场,大约只用了一个月,而且基本上是我一个人借助 AI 完成的。

所以,我也想借这个小产品,谈谈我对 AI 时代 OPC(一人公司)的一些感受。

我做 DoseLoop 的原因很简单,就是我自己有时候会忘记吃药。

这并不是说我不重视健康,而是很多时候,提醒响了,但当时正好在忙,心里想着等会儿再吃,结果后面就忘了。早上赶着出门,工作中开会,或者手头正好有别的事情,这些场景都很常见。等到晚上想起来时,药可能还在包里,或者药盒还放在桌上。

我之前也用过一些用药提醒类 App,但总觉得不太满意。有的提醒时效性有问题,响过一次就结束了,后面用户是否真的吃了药,并没有形成闭环;有的提醒又太强烈,给人的感觉像是在被催促,反而产生压力;还有一些 App 的 UI 和交互体验不太好,用起来并不舒服。

所以,我当时就在想,用药提醒这件事,看上去只是一个通知功能,但实际上并没有那么简单。真正重要的不是“通知有没有发出”,而是“用户是否真的完成了服药动作”。

从产品设计的角度看,这里面有一个很重要的矛盾:用药提醒需要闭环,但也需要克制。

所谓闭环,就是不能只在某个时间点响一下,然后就结束了。因为用户看到提醒,只是产生了吃药的意图,并不代表已经完成了吃药这个动作。意图和行动之间,经常隔着一段距离。可能是五分钟,也可能是一场会议,也可能是一整天。

所谓克制,就是提醒不能太粗暴。用药这件事,本身就和身体、疾病、压力有关,如果一个 App 的提醒方式太强硬、太频繁、太像命令,用户未必会更愿意执行,反而可能会想关掉提醒。

这里面其实有一些心理学依据。

第一个是认知负荷。人在忙碌状态下,大脑里同时处理很多事情,一些重要但不紧急的事情,很容易被延后。吃药就是典型的这类事情。它很重要,但在某个具体时刻,可能会输给出门、会议、工作、电话、消息和各种临时任务。

第二个是意图和行动之间的距离。很多提醒工具默认,提醒发出就算任务完成了。但真实情况是,看到提醒只是第一步,用户真正完成服药才是最后一步。如果中间没有持续的机制,就很容易断掉。

第三个是心理反抗。人对过度强制的提醒,天然会有抵触。特别是一些本来就带有压力的事项,如果提醒设计得不好,用户感受到的不是帮助,而是被控制、被催促。

所以,DoseLoop 的核心设计,不是单纯把提醒做得更强,而是让提醒在一段时间内持续存在,直到用户确认,同时尽量保持温和。

比如,DoseLoop 支持设置追踪时间窗口,可以设置 30 分钟、1 小时、2 小时、直到确认。在这个时间窗口内,App 会关注用户是否确认服药,而不是提醒一次就消失。

它也支持记录服药状态,包括已服用、已跳过、已漏服。这样,提醒就不是单向通知,而是形成了一个完整的服药记录闭环。

另外,DoseLoop 还支持不同提醒强度,比如温柔提醒、平衡提醒、强提醒。因为不同用户、不同药物、不同生活场景,对提醒强度的需求是不一样的。不是所有人都需要强提醒,也不是所有时候都适合强提醒。

在 UI 和交互上,我也希望它尽量克制,不要让用户觉得自己被管理、被监督、被惩罚。一个好的用药提醒 App,应该更像一个可靠但安静的助手,在你忘记的时候还在,但不会责备你。

这就是 DoseLoop 的产品出发点。

接下来就是做产品。

从时间上看,整个过程大约用了一个月(5月19日-6月17日,手里有其他主要工作,运用空隙时间)。产品开发大约用了两周多,注册 App Store 和 Google Play 开发者账号,准备应用市场的文字、图片素材,制作宣传视频,大约用了一周多。App 备案也用了大约一周左右。

整个过程基本都是我一个人完成的,并且大量使用了 AI 工具。

App 产品本身的开发,我主要使用了 CodeX、Claude Code、Antigravity,没有手写一行代码。这些工具在需求拆解、代码生成、功能实现、问题排查上都起了决定性作用。特别是现在的 AI 编程工具,已经不是简单的代码补全,而是可以覆盖完整功能的实现过程。

DoseLoop 的 Landing Page 是用 Claude Code 做的。以前做一个产品官网,虽然不算很复杂,但也需要前端开发、设计调整、内容组织,现在借助 AI,基本上一个人就可以完成第一版。

App的Logo、隐私条款、应用商店需要的文案,以及大量图片素材,我主要借助 ChatGPT 和 ChatGPT Image 完成。宣传视频则使用 Gemini 的 Veo 生成。

当然,这并不是说 AI 一键就把所有东西做好了。实际过程里,人还是要不断判断、修改、筛选和调整。AI 可以生成很多内容,但哪些能用,哪些不能用,哪些符合产品定位,哪些表达不准确,最终还是要自己决定。

但无论如何,AI 确实把一个人的能力半径放大了。

过去,一个 App 从 0 到上线,至少需要产品、设计、开发、测试、文案、市场、视频制作、合规等多个角色参与。现在,一个人借助 AI,可以把这些基础工作串起来,先做出一个可用版本。

这就是我这次最直观的感受。

DoseLoop 从一开始也是面向全球用户设计的,目前已经支持英语、中文、西班牙语和日语,后续还会增加葡萄牙语、德语、法语等更多语言。

在过去,多语言支持是一件比较重的事情。它不只是翻译几个按钮,而是包括产品界面、应用市场文案、关键词、截图文字、隐私条款、宣传素材等一整套内容。现在借助 AI,增加语言版本的成本明显降低了。虽然仍然需要人工检查和调整,但相比以前,门槛已经低了很多。

所以,从产品实现的角度看,我认为 AI 时代的 OPC 是完全有可能的。

OPC,也就是 One Person Company,一人公司。过去我们讲超级个体,更多是在内容创作、咨询服务、软件工具等方向。现在因为 AI 编程、AI 设计、AI 文案、AI 视频工具的成熟,一个人做一个完整 App,并不是不现实。

但这次经历也让我看到,AI 让产品开发变快了,并不代表所有事情都变简单了。

真正麻烦的部分,很多反而不在代码里。

比如公司资质、银行账号、开发者账号、主体认证、支付资料等问题,这些都是非常现实的问题。代码有 bug,可以调试;图片不好看,可以重新生成;文案不合适,可以修改。但公司资质和银行账号这些事情,涉及现实世界的规则和流程,并不是 AI 能直接替你解决的。

还有应用商店素材,也比我想象中更耗时间。App Store 和 Google Play 需要大量内容,应用名称、副标题、简短说明、完整描述、关键词、截图、置顶图、隐私说明、多语言版本、不同尺寸素材等等。即使用 AI 生成,也依然要花很多时间去整理、筛选、修改和上传。

所以,AI 并没有消灭工作,只是改变了工作的形态。

更重要的是,产品上线以后,并不代表商业就成立了。DoseLoop 现在已经上线 App Store 和 Google Play,但目前还没有下载量。这一点我觉得很有必要坦诚说出来。

因为它正好说明了 AI 时代 OPC 的边界。

从产品角度看,这次确实是一次完整的一人公司实践。我一个人借助 AI,在一个月左右完成了产品设计、开发、备案、官网、应用市场素材、宣传视频、多语言支持和上架。

但从商业角度看,这件事还没有被验证。没有下载量,就意味着用户还没有被触达,市场还没有感知到这个产品,产品价值还没有被真实用户验证,商业化更谈不上成立。

这并不是失败,而是一个真实的起点。

以前做产品时,我们经常会把“能不能做出来”看得很重要。但这次做完以后,我更加清楚地感受到,做出来只是第一步。

App 上架,只是获得了被下载的资格,并不代表自然会有人下载。现在不是缺产品的时代,而是缺注意力的时代。一个新 App,即使功能做得完整,设计也还可以,也很容易淹没在应用市场和社交媒体里。用户不知道它存在,就不会下载。用户没有建立信任,就不会长期使用。用户没有感受到足够价值,就不会付费。

特别是 DoseLoop 这种用药提醒产品,虽然它不是医疗诊断工具,但毕竟和健康管理有关。用户会关心提醒是否稳定,数据是否安全,产品是否可靠,是否值得长期使用。这些信任,不是靠几张 AI 生成的图片和几段应用商店文案就能建立的。

所以,AI 可以提高生产效率,但不能自动解决分发问题。

做出产品,解决的是生产问题。

获得用户,解决的是分发问题。

留住用户,解决的是价值问题。

让用户付费,解决的是商业问题。

AI 对第一个问题的帮助最大,对后面几个问题也有辅助,但不能替代真实市场的验证。这也是我对 AI 时代 OPC 比较冷静的看法。

从产品实现角度,OPC 已经非常可行。一个人借助 AI,可以更快地做产品,更快地上线,更快地完成过去需要多人协作才能完成的基础工作。

但从商业成功角度,OPC 仍然很难。

AI 降低了产品从 0 到 1 的门槛,但没有取消市场竞争,也没有取消用户获取成本,更没有取消商业模式验证。甚至,AI 可能还会带来一种错觉:因为做产品变快了,所以做成一门生意也会变快。但这两件事并不是一回事。

在我看来,AI 时代 OPC 最大的价值,不是让一个人轻松做成一家公司,而是让一个人可以更低成本地验证一个真实问题。过去,很多想法可能还没开始就结束了。没有团队,没有预算,没有设计师,没有工程师,不知道怎么上架,不知道怎么做素材,也不知道怎么做多语言。现在,这些门槛都降低了。一个人可以先做出 MVP,先上线,先看看有没有人需要,先测试市场反应,再决定是否继续投入。

这已经是很大的变化。

DoseLoop 对我来说,就是这样一次实验。

它证明了一件事:一个人借助 AI,确实可以在很短时间内完成一个完整 App 的产品链路。

但它也提醒我另一件事:产品上线不等于商业成功,全球多语言不等于全球增长,AI 生成内容不等于市场分发,一个人能把产品做出来,不等于一个人能轻松把产品做成。

所以,如果问我 AI 时代 OPC 是否可行,我现在的答案是:

从产品实现角度,可行。

从商业成功角度,不确定。

AI 让 OPC 更容易开始,但并没有让 OPC 更容易成功。

DoseLoop 现在刚刚走到这个阶段。产品已经上线,真正的验证才刚开始。

最后,欢迎下载使用DoseLoop · 用药有数

Apple App Store

Google Play

Android APK下载

为什么我做了 DoseLoop · 用药有数

有时候,一个提醒并没有错。

它出现得很准时。

内容也很重要。

甚至,它提醒的事情,本来就是你自己想做的。

但就在它弹出来的那一刻,你的第一反应却不是“谢谢提醒”,而是:

“我知道了,但现在先别烦我。”

这听起来有点矛盾。

你不是不想做。

你也不是不重视。

你只是刚好在忙。

可能你正在开会,手机亮了一下,你看见了,但没法立刻停下来。可能你正赶着出门,手里拿着包、钥匙和咖啡,脑子里全是下一件事。可能你刚处理完一堆消息,已经很累了,只想让世界安静一会儿。也可能你正被一些琐事或烦心事困住,那一刻,任何额外的提醒都会让人有点想逃开。

不是提醒错了。

只是它来的时候,你刚好没有余力回应。


后来我意识到,这其实是一种很常见、却很少被产品认真对待的心理状态。

很多产品默认,只要提醒到了,人就会行动。但真实生活不是这样。

人不是机器。提醒出现的时间,不一定就是我们最适合行动的时间。

在心理学里,这背后有几个很真实的机制。

第一个,是认知负荷。

当一个人正在处理工作、情绪、家庭、通勤、社交消息,或者只是经历了一个很累的白天时,大脑的注意力资源是有限的。这个时候,即使一个提醒本身是善意的,也可能被感受成新的负担。

你知道它重要。

但你的脑子已经很满了。

第二个,是意图和行动之间的距离。

很多事情没有完成,并不是因为我们没有意愿。而是因为“我想做”和“我现在能做”,并不总是发生在同一个时刻。

提醒来的时候,你知道该做。

但你现在不方便。

等你终于方便的时候,提醒已经消失了,你也被生活带去了别处。

于是,事情就这样掉进了缝隙里。

第三个,是心理反抗。

当提醒太强、太频繁、太咄咄逼人时,人会本能地感到被控制。哪怕这件事本来是对自己好的,我们也可能产生一种抗拒:

“别催我。”

“我知道。”

“我会做的。”

这并不说明人不自律。

它只是说明,人需要一点自主感。

提醒如果只会施压,就很容易从帮助变成打扰。


而用药提醒,正好处在这些心理机制交汇的地方。

吃药是一件重要的事。

但它又常常发生在生活最普通、最混乱、最不完美的时刻。

早上准备出门时,提醒来了。你心里想着:“等一下,马上吃。”于是先把药盒放进包里。

上班时,提醒又来了。你正在处理事情,心想:“我看到了,忙完就吃。”

晚上回到家,你才突然想起来:

那盒药,还在包里。

很多时候,漏服不是因为没有提醒。而是因为你看到了提醒,也打算去做,只是那个瞬间不适合行动。

这就是我想认真解决的问题。


传统的提醒工具,通常有两种方式。

一种是到点提醒,然后消失。

它很轻,但太容易被生活淹没。

另一种是不断响、不断弹、一直停留在屏幕上。

它很强,但也容易让人感到压力,甚至想直接关掉。

我一直在想,能不能有第三种方式?

一种不是更吵,而是更懂人的提醒方式。

它知道你可能已经看到了。

它也知道你可能不是不想做,只是现在没空做。

它不会因为你没有立刻回应,就把你当成失败。

也不会用持续的打扰,逼你马上行动。

它只是温柔地把这件事留住。

这就是 DoseLoop · 用药有数。


DoseLoop 是一个用药提醒与服药记录 App。但对我来说,它不只是一个“到了时间提醒你吃药”的工具。

我更希望它解决的是那个很细微、但很真实的心理问题:

当一个人已经知道该吃药,却暂时没有心理带宽去处理这件事时,产品应该如何陪在旁边,而不是继续制造压力?

所以,DoseLoop 的提醒设计是克制的。

它会提醒你,但不假设你必须立刻回应。

它会在设定的追踪时间窗口内继续关注这次用药,而不是提醒一次就消失。

它可以根据你的偏好,选择温柔提醒、平衡提醒,或者更强一些的提醒方式。

它会尽量把提醒从“催促”变成“陪伴”。

因为很多人需要的,并不是一个更响的闹钟。

而是一个在生活很乱的时候,仍然能帮你把重要的事轻轻带回来的工具。

DoseLoop 想服务的,也不是那个永远自律、永远从容、永远能立刻行动的人。

它想服务的是更真实的我们:

那个早上匆忙出门的你。

那个工作中被不断打断的你。

那个心里明明记得,却暂时没有余力处理的你。

那个晚上回到家,才发现自己又差点把自己忘在一天后面的你。

我做 DoseLoop,不是为了让提醒变得更强硬。

而是希望提醒可以变得更体贴。

不是催你。

不是责备你。

不是制造新的压力。

而是在你暂时顾不上自己的时候,轻轻帮你把自己找回来。

DoseLoop 关注的,是“我知道该吃药”和“我现在能去吃药”之间的那段空隙。

那段空隙很小。

但很多漏服、很多自责、很多“我明明想做的”,都发生在那里。

这就是 DoseLoop 存在的意义。

提醒,但不打扰。

重要,但不施压。

在你准备好的时候,把该做的事带回你身边。

DoseLoop · 用药有数 – 用药提醒记录 App

2025,我的第10个年度总结

这是我第10年,在自己的微信公众号上发布个人的年度总结。10年时间,宛如白驹过隙。

2025这一年,围绕的主题,还是AI。DeepSeek-R1在1月份横空出世,在春节期间,着实大火了一把,自媒体上一阵狂欢,言必说DeepSeek,让很多之前对AI无感的大众,对AI有了认知,当然也降低了对潜在客户的教育成本。

到3、4月份,客户就已经积极的开展基于DeepSeek等AI大模型的应用立项,我们也随之动起来,开发这些项目,所以大约从5月份开始,我就非常忙,周末大部分时间也是在开发,一直忙到了年底,这几个项目都完成上线了,使用效果还需要进行后续的跟踪。

这几个月的开发,从开始的AI Copilot到后面已经完全是Vibe Coding,深刻的感受到AI编程能力的突飞猛进,我今年开发的项目,前端完全由我一个人完成,用到了React(Next.js)、Vue、微信小程序的原生TypeScript,UI框架就用了5个,Ant Design、Ant Design Mobile、Vant、Naive UI、TDesign,如果没有AI辅助,很难在短时间内交付。AI编程工具更是百花齐放,从GitHub Copilot到Cursor、Windsurf、Antigravity,以及国内出品的TRAE、CodeBuddy、Qoder,还有命令行的Google Gemini CLI、Claude Code、Codex CLI,老牌IDE JetBrains的JetBrains AI和Junie,这些产品大部分我都体验过,最后一直使用的是JetBrains里的GitHub Copilot插件、JetBrains AI和Antigravity,而且Antigravity用的越来越多,特别是在开发前端应用时。

2025年被公认为AI从“工具时代”向“智能体(Agent)时代”全面跨越的一年。这一年,各大巨头均发布了具有里程碑意义的模型。OpenAI的GPT 5、5.1、5.2,Anthropic的Claude 4 系列,以及后续4.5 Opus、4.5 Sonnet,xAI的Grok 3、Grok 4,Google Gemini的2.5和3,其中Google Gemini 3 Pro最为抢眼,在各种基准测试中领先,而且从使用上也明显感觉要优于之前的模型以及其他竞争对手,在编程方面,Claude 4.5肯定是最强。开源模型方面,除了国货之光的DeepSeek,Meta发布了Llama 4,以及阿里的Qwen 3,由于Llama 4不及预期,2025年9月,Qwen在 Hugging Face 上的下载量正式超越 Llama,成为全球下载量最高的开源模型。2025 年,AI 大模型在“推理更强、多模态/具身加速落地、开源与端侧部署并进、成本快速下探”的驱动下呈现百花齐放的繁荣格局,同时头部与新势力同场竞速,竞争显著加剧、迭代节奏全面提速。

这一年,除了感受到AI的能力越来越强,也感受到AI的应用落地并不如理想中那么好,上半年由于DeepSeek的火爆,各行各业都在围绕DeepSeek讨论应用,但到了下半年,会明显感受到大家都冷静下来了,Demo演示不错,但到了实际业务场景上,却形成了巨大的落差。大部分的AI应用,多集中在泛娱乐的场景中,写个自媒体文案、画个图、做个PPT还可以,稍微复杂一些的业务,根本无法支撑,不是所有人每天都在做调研写PPT吧。举个例子,我在6月份时买了一台洗烘一体洗衣机,在11月份时候,烘干的风机坏了,维修后,烘干功能没用几次,到12月份又坏了,我就要求换新,因为我第二次报修的时间只超过了换新质保期2天,而且是经过一次维修后又是同一个故障,所以商家同意给我换新。这是一个非常典型的客服场景,客服也是AI应用最多的场景,但这个问题如果用AI客服机器人,是无法解决的,就算最智能的AI客服,会通过工具查询我的订单日期、质保时间,以及通过RAG查询质保政策,最后告诉我的肯定是由于换新质保期超过时效,只能给我再次维修,无法换新,AI永远无法做到真正的情感交流,以及在制度外的操作弹性。目前AI应用最成熟,最可见到效果的的领域就是AI编程了,媒体上说是“智能体(Agent)时代”全面跨越,但实际上,大部分的AI Agent都未解决实际业务问题。

全社会都在讨论AI替代,也就是很多工作会被AI替代掉,但我认为,无论AI如何发展,商业的核心价值仍然是人,拿AIGC(人工智能生成內容)来说,我之前的总结里说过很多次,优质的内容具备持久的生命力和商业价值,但在面对海量AI生成的文本、图片、视频等,那些独具匠心、打动人心的内容,还是凤毛麟角,因为具备能持续产生独到创意的人,还是极少数,也就是处在人才金字塔顶上端的人是少数,输出优质内容(包括产品、服务)靠的还是人的认知、思想和品味。AI只是工具,在优秀的人手里运用,会出现几何倍产出的效应,但对一般人来说,未必能发挥出更高的价值。老板们说,AI来了,以前10个人的团队,现在要裁掉5个,但实际上呢,这10个人干的活,本身5个能力好点的人就能干好,甚至都不需要5个人,而在AI的加持下,其产出会更多、质量更好,所以对于老板们来说,还是要找到本行业中的那些佼佼者,而AI又会把这些人本身的能力放大。我去年总结的时候说过会出现更多的超级个体,这些人本身就能力出众,掌握AI能力后成为了超级个体。AI可以替代简单重复的工作,但不能替代那些天马行空的想象力和创造力,也替代不了那些触动内心的情感,以及那些细微敏锐的直觉。普通人需要做的就是学习AI,在自己的行业领域里精进,做到三会二能(会思考,会表达,会提问,能总结,能抽象)。

今年读书的时间太少,只读了2本书,分别是《ChatGPT进阶:提示工程入门》、《鸿蒙开物:终端操作系统的破晓之路》,很多时间我都用来观看AI相关资讯的视频和播客,了解AI行业内最新的动态和后面深度的解读。今年英语学习断断续续,在背单词的“扇贝网”上的打卡记录是3008天。

今年有一件大事,就是我儿子的高考,在元旦节后,儿子参加了上海市的春季高考,正常发挥,分数还算可以,鉴于他语数外之外的小三门比较弱(春考只考语数外三门),所以决定报春考的学校,在3月份,被上海本地一所双一流大学的工科专业录取,所以3月份之后,我们都轻松了,儿子也不用参加6月的秋考,玩了好几个月,9月份正式开启了大学生活。

在大学开学前,我们一家又去日本关西旅游了一周,这次去了和歌山、白滨、姬路、神户、宇治、奈良等地。这一年我还在小红书上还是做自媒体(Tim的旅行与生活),分享日本旅行攻略,积累了3千多个粉丝。不过年底中日关系遇冷,日本出境游市场将受到打击,旅游行业–这个我曾经从事了10年的行业,受影响的因素实在太多了。

2026年,希望公司业务发展、项目研发都顺利,希望儿子扎实学业,家人都身体健康。

父亲已经离去我们3年了,我们都很想念他,希望他在天堂安好,也保佑我们全家人。

封面图片:日本白滨千畳敷,拍摄于2025年9月8日。

2024年度总结

今年又是我创业的一年,也是AI创业的一年。

去年的时候,我已经决定投身这次AI技术革命,并一直在寻找方向,在上半年时,我MBA的同学,和我讨论AI的创业方向,在多个方向中,确定了以广告营销创意作为方向,并与广告行业的资深人士深入交流,大家一拍即合,决定用AI来重塑广告创意,为营销提供AI创新生产力。

说干就干,从5月份我开始进行AI广告创意工具的研发,一边梳理广告业务流程,一边做。最开始,我用Dify快速搭建系统来验证业务流程的可行性,可行性是没什么问题,但Dify对我来说,限制太多了,1个月后,我就用LangChain+Next.js,全新构建一套系统,进展比较顺利,到7、8月份,系统的主要功能都成型了,包括基本的对话、AI搜索工具、生图、RAG知识库,以及核心的广告创意工作流,9月份我们的新公司(上海回声杨数字科技有限公司)工商注册完成,系统完成上线部署,开放给合作伙伴进行试用,并不断的迭代改进,11月19日,我们正式对外发布广告创意AI产品——Echo回响。

2024这一年,我深刻的感受到AI在高速进化,并已经切切实实的在改变我们的工作与生活。就拿我们这款产品的研发过程来说,其技术栈与我之前擅长的Java体系完全不同,需要用Python、React、PostgreSQL,Python虽然以前写过,但也不算精通,React、PostgreSQL几乎是没有用过的,但我还是一个人将整个系统写出来了,其完全得益于AI工具的辅助,具体来说,就是GitHub Copilot,它快速生成大量代码,同时,我遇到的95%以上问题,都是它帮我解决的,可以说,在GitHub Copilot的辅助下,我一个人完成了以前需要一个团队完成的事情,这就是AI的力量。

2024年3月份,红杉美国举办了AI Ascent 2024活动,红杉合伙人Konstantine Buhler提出,AI 主要是一场生产力革命,生产力革命有个共同的模式,由最初的人使用工具,到人配合机器工作,再到人与机器网络协作, 生产力革命意味着大幅降低成本,标普 500 公司创造 100 万美元收入所需的员工数量正在迅速下降,这种变化意味着我们将能以更快的速度和更少的人力来完成工作,AI将会让成本进一步降低。 未来的公司可能像神经网络一样运作,在整个网络层面进行人机交互和优化,并催生更多一人公司(超级个体)。

结合我的感受,在AI时代,确实会出现更多的超级个体。但要成为超级个体,需要观念与意识的转变 ,具备持续的学习能力,善于思考,善于用语言表达,要三会二能,即会思考,会表达,会提问,能总结,能抽象,而且本身能力强的人更容易成为超级个体。超级个体的出现,对现有组织也会产生深远的影响,组织形式会发生变化,由雇佣关系变成合作关系;企业最高层(老板、决策者)的需要转变观念,推动AI变革;拥抱人工智能的公司的竞争优势将继续上升。我们的公司也将致力于为客户赋能,打造超级个体以及由超级个体组成的新型组织体系。

这一年,因为投身AI时代感到兴奋,同时也非常焦虑,生怕在这个时代被落下,但接触了很多客户、朋友、同学后,发现绝大多数人,并没有对AI的深入认知,虽然他们听说过ChatGPT、Midjourney、豆包,但实际上用来提升自己工作效率的并不多,特别是在一些行业领域,还是在使用互联网的方法,甚至是一些非常传统的方式运营业务,连数字化都谈不上,另一方面,把AI当成生产力工具,还是需要一些能力的,虽然网上有很多AI教程,但鱼龙混杂、参差不齐,其中也不乏割韭菜的。真正运用好AI,绝不是表面的技能,而是需要对自身业务的深刻理解,具备我之前所说的三会二能(会思考,会表达,会提问,能总结,能抽象),能将自己所做的事情,进行高度的抽象,形成方法论和思维链,让AI学习到这套方法,从而成为自己的Agent,来自主工作。传统行业有大量的业务值得用AI来改造,可以让效率成倍的提高,这确实是一场生产力的革命,这也是我们选择AI应用层创业,希望改造传统行业的根本原因。

今年读的书比往年少,吴军博士的《脉络》、王志纲的《格局》、吴晓波的《茅台传》、《我看见的世界:李飞飞自传》、《乔布斯商业创新底层逻辑》、《情绪价值》,其中《情绪价值》很值得读一下,在目前各行各业内卷的环境下,如何在使用价值之外给用户提供情绪,可能决定了自己的产品是否能脱颖而出的关键。今年还写了几篇文章,分别是《萝卜快跑真的砸了底层劳动者的饭碗吗?》《当程序员沦为外卖员:电影〈逆行人生〉带给我们的思考》《瓜子 vs 天天拍车:一次卖车体验的对比与思考》,是我对人工智能、当下环境、产品体验以及商业模式的观察和思考。英语学习还在继续,在背单词的“扇贝网”上的打卡记录是2885天。

这一年,健身也在坚持,几乎每天都进行有氧操,并配合力量训练,体重基本维持在67-69公斤,在5-6月份天气好的时候,每周都会跑一个10km,健身已经成为一种习惯,会一直坚持下去。

今年家里迎来了新成员——两只可爱的小猫,在我工作的时候,会在跳到我的桌子上,或是在在我的电脑前面睡觉。虽然我正式成为了一名“铲屎官”,但这一切却为家庭日常增添了不少温暖和乐趣。

今年,儿子已经高三,还有不到半年就要迎来他人生中最重要的一次考试,希望他坚持到底,不负努力,考上理想的大学。也希望,在2025年,我们AI创业公司能发展顺利,为更多客户提供价值。希望家人都身体健康。

2025年1月2日,父亲就已经离开我整整两年了,但我还是会时不时的梦见他,希望他在另一个世界里一切安好,福佑我们全家。

封面图片:崇明岛家乡的稻田,拍摄于2024年10月2日。

上海车牌退牌单办理方法

上海的车牌一直采用拍卖方式,拍中车牌,也就是有了额度,才有资格使用上海牌照,虽然这几年购买新能源车,送上海牌照,但沪牌的拍卖价格依然在9万元以上,10月份最低成交价93800元,平均成交价为93894,中标率9.8%,所以沪牌资源还是很紧俏的。

沪牌额度是随持有人的,所以当换车或车辆报废的时候,需要将额度取回,上到新车上,或是将额度委托拍卖。

国庆的时候,我们将家里一辆旧车通过瓜子二手车卖掉,选购了一辆增程式新能源SUV,上海购置混动或增程式汽车是不送牌照的,所以我们需要使用旧车的额度,上到新车上。

前2次换车,都是4S店待办退牌上拍,这次在瓜子上交易,需要自己需办理退牌,瓜子的工作人员告知,需要车主亲自办理,地点在上海市交通警察总队车辆管理所,我在网上搜了很多文章,对于领退牌单的具体流程,写的都不是很明确,这次我们就自己实践一下。

当“交管12333”App里名下的原车辆已经被移除,说明原车已经过户完成,这时就可以去办理了,不需要预约,办理地址在浦东华夏西路2999号上海市公安局交通警察总队车辆管理所(一分所),可以开车前往(车管所很方便停车),办理的时间是工作日的上午9点至下午5点,在咨询处领号,11-12窗口办理。

其实退牌单名字叫《机动车额度业务办结凭证》,需要车主本人携带身份证,办理时会被询问原车辆信息,车主会被要求拿着身份证和《机动车额度业务办结凭证》拍照,之后就办好了,整个办理过程还是非常简单的。

将《机动车额度业务办结凭证》与新车资料一起提交就可以为新车上牌了,一般4S都可以代办上牌。

最后,燃油车转新能源车,原蓝色车牌号是不能保留的,需要重新选车牌号,就是绿色新能源车的号牌。

瓜子 vs 天天拍车:一次卖车体验的对比与思考

家里有一台开了6年多的奥迪Q5,虽然车况良好,但后续保养、油费,以及轮胎等部件需要更换,感觉也是一笔不小的开支,所以打算把这辆车卖掉,换一辆新能源车。

在国庆假期期间,开始操作卖车,作为卖家肯定要货比三家了,选择价格高的。新车4S店二手车线下报价太低,所以选了2个互联网二手车平台,一个是瓜子,一个是天天拍车,瓜子是中国最大的二手车交易平台,而我曾在天天拍车里工作过几年,所以比较熟悉里面的流程,这两家目前都是拍卖模式,所以选择了这两个平台。

10月1日晚,分别在两个平台的小程序上报名卖车,提供车型和电话就行了。瓜子的小程序里,直接预约车辆上门检测的时间,我选择10月2日17:00-18:00检测,预约完成,显示已分配检测人员,在检测前会电话联系。天天拍车小程序里,显示在15分钟内,会有服务人员电话确认,但当天晚上,也没有接到天天拍车的电话。

10月2日早晨,天天拍车打来电话,预约检测时间,由于我们当日外出,无法预约更早的检测时间,18点之后也无法预约,所以天天拍车的上门检测时间预约到了10月3日上午8点。10月2日下午4-5点之间,分别接到瓜子平台的电话和检测师的电话,按时上门检测,检测需从小程序上由用户发起开始,并添加了瓜子卖车服务顾问的企业微信进行后续联系,检测过程大约耗时40分钟,车辆检测报告当时就可以在小程序中查看了,由于我这辆车车况非常好,瓜子检测师对车辆评了一个95A,应该是最高的评级了,算是次新车,晚上8、9点的时候,已经可以在小程序上看到买家的出价。

10月3日早上,瓜子平台的上的出价更加密集,也越来越接近我们卖车的心理价位。早上8点左右,接到天天拍车检测师的电话,其已到达,随后开始检测,天天拍车的检测大概30分钟,并告知,车辆会在当天上拍,10月4日中午会有报价。瓜子拍卖的下拍时间是上午11点,在11点前,瓜子平台买家的出价已经达到并超过了我们的心理价位,对最终的价格还是比较满意的,中午的时候瓜子的服务顾问打来电话,询问价格,并告知如果价格没问题,在小程序点“同意成交”就行,在小程序上看到,这个价格的有效时间是72小时,也就是3天,我反馈,到10月4日中午,会确定是否成交。当天下午2、3点的时候,收到了天天拍车的检测报告,确认签字,之后可以查看拍场进度,但天天拍车的小程序里是看不到买家的拍卖出价的,只能看到出价数量。

10月4日上午10点,天天拍车拍场下拍,直到中午12点左右,天天拍车打来电话报价,这个价格比瓜子的价格要低4千,差的有点多,天天拍车的成交顾问反馈会和买家沟通,看是否可以提高价格,经过后面几个电话的沟通,天天拍车的报价始终无法达到瓜子的价格,所以最终选择瓜子成交,并在瓜子小程序里预约下午4点上门交车,瓜子的交车专员准时到达,对这辆又进行了一遍复检,花费了大概50分钟,转交了车辆的各种材料,随后在小程序上签署电子合同,车款在10分钟就到账了,后面还需要进行过户等操作,最长不超过20个工作日,我们都不需要到场了,当晚这辆车就被瓜子拉走了。

从开始卖车操作到车款到账,总共只用了3天,整体交易效率相当高。事实上,天天拍车同样可以达到这样的交易速度。目前,中国互联网二手车平台的交易速度普遍较快。接下来,我将从卖家的角度对比一下两个平台的使用体验。

一、时效性
虽然我几乎同时在两个平台报名,但天天拍车的跟进和车辆检测明显慢了一步,出价也比瓜子晚了整整一天。虽然这一延迟不算致命,但在追求效率的互联网时代,确实让天天拍车在时间上处于劣势。

二、流程
瓜子的检测时间稍长一些,拍摄的照片更多,且检测报告是现场生成的。相比之下,天天拍车的检测报告有些滞后,给人感觉瓜子的流程环环相扣,更为紧凑。

三、用户体验
瓜子小程序的整体体验很不错,操作流程清晰、步骤明确,特别是卖家可以实时查看买家的出价情况。这种设计极大地增强了卖家的参与感,使人时刻关注竞价。而天天拍车的小程序则不显示买家的出价,最终报价通过电话告知,互动感有所欠缺。

瓜子小程序页面
天天拍车小程序页面

从卖家的角度看,决定最终交易的关键因素是价格、保障和服务。综合这几个方面,瓜子基本能够满足这些需求,因此瓜子的卖车体验相对来说还是相当不错的。

再接下来,作为一名曾经的二手车行业从业者,想从商业角度谈谈我对中国互联网二手车市场的思考。

中国二手车是一个万亿级的市场,互联网二手车平台也如雨后春笋般出现,商业模式也是多种多样,C2C、B2B、B2C、C2B都有。

天天拍车的模式一直是拍卖模式,其模式借鉴美国美瀚。

美瀚在美国二手车市场的领先地位,以及瓜子模式的转型,表明拍卖模式尽管在中国推广遇到挑战,仍有可能成为中国互联网二手车市场最具成功潜力的模式。然而,无论是拍卖模式还是C2C等其他模式,中国互联网二手车平台面临的最大难题在于无法有效发挥互联网经济的核心——规模效应——这一关键优势。

观察中国互联网二手车平台,无论是瓜子还是天天拍车,除了线上拍场,占业务大头的检测邀约、车辆检测、成交邀约、成交接待等,其成本会随着车源数量的增加而线性增长(这部分成本其实是变动成本),没有规模经济效应(变动成本占总成本比重过大),严格意义上来说,中国的互联网二手车平台不能称为互联网,而是传统二手车交易的网络延伸,其本质仍是线下业务。

瓜子和天天拍车都将自身定义为平台,作为平台,其具备一定的双边市场效应。双边市场效应是指不同类型用户之间正反馈交互所创造的价值,双边市场效应也可以用另一个定义来表述,即间接网络外部性,其是指某种产品的消费者数量对另外一种产品的价值以及消费效用可能不存在直接的影响,但却有着间接的影响,这时的市场中就产生了间接网络外部性,或者说当“至少有两个相互依赖的不同客户群体,并且至少一个群体的效用随着其他群体的增长而增长”时,就会出现间接(或跨群体)网络效应。

在C2B平台拍卖模式下,如果B端买家数量越多越活跃,出价越充分,则成交的价格会更高,就会有更多的C端卖家愿意在平台报名卖车,C端卖家越多,也会吸引更多的B端商家参与拍卖。但是较于淘宝、拼多多这类平台的双边市场效应,二手车平台的C和B,是不会直接产生互动的,甚至平台会刻意切断C与B的直接联系,平台对C端卖家进行车辆检测,出具检测报告,很像电商的选品,并对车辆品质提供某种意义上的担保或风控,由此看来,这种二手车交易模式更像电商,但却不像电商那样将商品买断后再卖出,赚取差价。同时,在平台上一个卖家是不可能和多个买家产生交易的,也就是一辆车最终只能卖给一个车商,交易业务分成了两段,卖家——平台和平台——买家,从这个角度看,这些二手车平台确实更像电商,但却不是赚取差价,而是收佣金。通过佣金盈利,需要比较大的规模,在通常的双边市场效应下,由于卖家买家具有乘数效应,比较容易实现,但对于二手车平台来说,实际交易量没有乘数效应,又需要通过佣金盈利,需要不断的做大规模,做大规模的同时,核心业务成本却是线性增长,确实是比较难的。

2021年美国二手车交易量为4090万辆,美国却诞生了近十家营收百亿美金甚至数百亿美金的二手车服务企业,其原因在于市场成熟、车源集中等,在线下也可以发挥出规模效应和双边市场效应,互联网又将这两种效应放大了。但对于市场规模超过1.1万亿,且在持续快速增长的中国二手车市场而言,各个互联网二手车平台却挣扎在生死边缘,不断改变商业模式,其原因在于中国的二手车市场长期呈现小、散、乱的局面,互联网平台的出现,也未能有效解决二手车交易过程中存在的各种套路和不透明行为,最关键的是其商业本质上无法发挥出规模效应和双边市场效应的作用,中国的二手车市场按照目前发展的情况,很难达到美国这样的成熟度、规范度和集中度,这是先天决定的。

中国是全球最大的汽车消费市场,未来极有可能成为全球最大的二手车市场,其巨大的发展潜力毋庸置疑。对于二手车平台而言,关键在于如何维系好卖家和买家两端。相对来说,卖家资源较为容易获取。比如,瓜子作为当前规模最大、知名度最高、市场覆盖最广的平台,拥有最多的用户,而天天拍车背靠汽车之家这一中国最大的汽车资讯门户,卖家通常会在多个平台同时报名,最终选择出价最高的平台,因此获取卖车线索并非难事。平台的核心竞争力在于对买家的维护。能否为买家提供优质的服务和体验,并帮助他们获得价值,决定了平台的长远发展。中国的互联网二手车市场最终能够存活并成功的,只会有一到两家头部平台。互联网行业本身具有明显的赢家通吃特征,成功的平台不仅要在规模上发挥优势,更要始终保持初心,全心全意为买卖双方提供优质的服务和体验,确保双方的利益得到保障。

最后,我想谈谈人工智能时代对二手车市场可能带来的影响。随着中国智能网联新能源汽车产业的迅猛发展,智能制造将使汽车的整车和部件全面数字化、互联网化。未来,车辆信息将高度透明,大大减少交易中的信息不对称问题。伴随着智能驾驶技术的不断进步,L5级别的全自动驾驶即将实现(如武汉的“萝卜快跑”无人驾驶出租车已投入运营),届时,智慧交通和智慧出行将全面普及,交通事故和拥堵的发生率会显著降低,甚至接近于零。人们将按需出行,出行效率大幅提升,出行成本大大降低。在这样的未来,购买私家车的必要性将越来越小。那么,二手车市场还能否继续存在?

当程序员沦为外卖员:电影《逆行人生》带给我们的思考

徐峥执导的电影《逆行人生》是一部聚焦现代社会中产阶层和外卖员生活的现实主义剧情片。这部影片讲述了主角高志垒(由徐峥饰演)从一个互联网大厂的中层管理者沦落为外卖员的故事,探讨了中年危机、职场压力和家庭责任等诸多社会议题。

影片开头,高志垒本是意气风发的程序员,然而因公司裁员而失业,生活的重担瞬间压在他肩上。他从家人的“小骄傲”变成了社会的“边角料”。在经历了一系列变故后,他不得不重新审视自己的生活和价值。为了生存,他选择了成为一名外卖员,这一决定让他开始了与众多志同道合的外卖骑士伙伴们的交往。在与这些骑士的相处中,他体会到了生活的冷暖和人间真情,逐渐找回了曾经丢失的勇气与信念,重新定义了自己的人生方向。

影片在展现高志垒个人奋斗的同时,也并未忽视外卖员这个群体的艰辛与努力。通过高志垒与其他外卖员之间的互动,观众得以看到每个人背后的故事与痛苦。例如,老抠为了白血病的女儿而省吃俭用,大黑则因为生活压力而拼命工作。影片通过这些角色的塑造,试图引起观众对外卖员这一职业的关注与理解,强调每个劳动者在生活中的重要性与尊严。

观众对《逆行人生》的反馈呈现出明显的两极化。一方面,许多人被影片中的正能量和人文关怀所打动,认为影片展现了普通人在困境面前的坚持与勇气,给了人们力量和希望。例如,在影片中,徐峥饰演的高志垒通过努力工作和家庭的支持,最终找到了生活的方向与意义,许多观众表示看完影片后感到振奋和鼓舞。另一方面,也有不少观众对影片提出了批评,认为它存在“消费苦难”的倾向,质疑电影是否真正理解底层人民的生活,认为影片展现了富人对穷人的刻板印象。部分评论指出,影片中的高志垒虽然经历了许多困难,但最终的解决方式过于理想化,未能深入探讨更复杂的社会问题。这些观点反映了观众对影片的期待不同,以及对现实与艺术之间平衡的思考。

我的感受是,《逆行人生》的叙事,确实是戏剧化、艺术化的,我从事互联网技术研发20多年,现实中的开发和裁员肯定和电影里不一样,所以,现实中的外卖从业者肯定也觉得电影里展现的并不是他们真实的生活。但徐峥导演想表达的中年危机、职场压力、家庭责任以及对外卖员这个群体的关注,还是应该值得肯定的。

根据影片想传达的思想以及我的思考,我也想表达一下自己的看法。

一、不要相信资本家是善良的

资本家的本质是逐利,他们在追求利益最大化的过程中,往往忽视员工的个人价值和贡献。当经济环境不利或公司遭遇困难时,员工通常是第一个被牺牲的对象——裁员、削减福利这些现象我们见得太多了。这是资本运作的规律,从某种角度说,这也无可厚非。毕竟,员工获得报酬,是因为他们能够创造出远超自身回报的价值。但高志垒的错误在于,他认为自己在团队中是不可或缺的骨干,而在资本家的眼中,每个员工不过是机器上的螺丝钉,或者棋盘上的棋子,可以随时替换。

更可悲的是,很多所谓的大公司中高层管理者,产生了错觉,认为自己也是统治阶级的一员,把员工当作家奴,随意驱使。他们对上极尽阿谀奉承,对下却残酷压迫,试图通过PUA来压榨员工的忠诚和奉献。

对于个体来说,我的建议是,以职业化的态度面对工作,选择那些拥有良好企业文化的公司和有素养的上级,跟对人、做对事。

二、要有更宏观的眼界

过去二十多年,中国互联网行业的飞速发展,让程序员这个职业的收入显著高于其他行业。然而,很多程序员并没有意识到这是时代带来的红利,而非他们自身能力或努力的结果。当互联网发展遇到瓶颈,整体经济缺乏动力时,程序员就成了被牺牲的对象。加之这个行业的年龄歧视等怪现象,导致他们的处境更是雪上加霜。很多人没有去观察和理解外部更宏观的世界变化,而是沉浸在自己的一亩三分地里。当真正的变化到来时,他们往往措手不及。我们必须培养更广阔的眼界,提前感知到变化的迹象,为未来做好准备。

三、要善于与别人打交道

在我带过的程序员中,有很大一部分人不善言辞,也不善与人打交道,整天埋头写代码。但在人生的下半场,真正决定成败的,往往是你对某个行业的深刻理解和积累的人脉资源。懂得如何与各种类型的人合作,能够良好互动、交换资源、互相支持,是35岁之后能否继续前行的关键之一。

四、要善于学习、思考和行动

在工作中,我们可以发现,做的好的人,都是善于学习、思考和行动的人,就像影片里的大黑,就会将送外卖过程中的经验总结出来写在小本子上,并时刻观察所在片区的小区、商场、写字楼的分布、路线等等,所以大黑总能成为“单王”。有个朋友曾和我提起,他认识的一个房产中介,没事就在小区里转悠,就是为了熟悉物业的情况,以及楼盘的优缺点,这个房产中介发展的很好,很快就成为店长,后来又升到公司管理层。

互联网发展已经到头,接下来就是人工智能的时代,在这个转折时期,就要主动拥抱人工智能,学习了解其背后的技术和原理,思考它将如何影响我们所在的行业和工作,成为这个新时代的先行者。

五、做好规划、量力而行、能屈能伸

影片中的高志垒失业后被房贷、养老、子女教育的压力压得喘不过气,无奈之下选择送外卖,但从另一个方面看,这是不是也是一种对自身未来的透支。前不久中金公司女员工跳楼事件令人唏嘘,年仅30岁的郑雯露,曾年薪百万,但随着经济环境变化,金融行业普遍降薪,她面临价值千万房产而产生的每月几万的房贷压力让她不堪重负,最终选择了轻生。

我们一定要做好规划,对于不确定性增大的未来,更要未雨绸缪,不要做超出自己的能力范围的事情,这不仅是对自己负责,更是对家庭负责。

当真的陷入困境时,就要发挥能屈能伸的智慧,懂得在困境中调整自己的步伐。高志垒选择送外卖,从外人看来或许是一种不得已的屈就,但他通过这种方式撑起了家庭的基本生活。真正的强者不是一味硬撑,而是在必要时懂得退一步、低一下,等待新的时机。能屈能伸并不意味着放弃理想,而是选择在适当的时候积蓄力量,为下一次的腾飞做准备。

六、关注普通劳动者群体,给他们尊重

8月12日,杭州一小区,一名外卖骑手在送餐过程中不慎踩倒了园区的护栏,随即被保安拦下。由于担心影响其他订单的送达,该外卖员选择下跪以求得保安的谅解,结果引发了现场的聚集和讨论。事件的背后反映出外卖员在工作中面临的压力和困境。由于外卖行业的高强度和时间压力,骑手们常常被迫在安全与效率之间做出艰难的选择。外卖员在送餐时为了赶时间而可能违反交通规则,导致与执法人员发生冲突。这种情况下,他们的无奈和恐惧常常促使他们采取极端措施来保护自己的工作。都说男儿膝下有黄金,是怎样的生活压力,才使这些外卖员放弃尊严的下跪。

这并非个案,或许这也是徐峥导演希望通过影片引发观众对这个群体的关注。我们应该善待这些普通的劳动者,给予他们最基本的尊重,在外卖超时的时候保持宽容和理解,在拿到外卖的时候说一声“谢谢”。另一个方面,谁也不能保证自己未来不会从事类似的工作,当那一天来临时,我们也希望能面对一个善待自己的人。

真希望在未来,所有的劳动者都可以有尊严的工作,可以拿到平等的报酬。

七、思考复杂社会问题后的成因

《逆行人生》展示了诸多社会议题,但并不深入,这也是当今现实主义题材影视剧所面临的困境。这些问题往往是由复杂的社会经济结构和政策引发的。比如,中年危机、职场压力、家庭责任的加重,都是社会快速发展、产业结构调整、市场竞争加剧的结果。这些问题的背后,有着多层次的社会成因:分配不公、经济不平等、社会保障不足、劳动力市场的结构性问题等等。因此,我们在面对这些挑战时,不能只停留在表面现象的讨论上,更应该深入思考其背后的复杂成因。只有认识到问题的根源,才能提出更为系统、有效的解决方案,从而真正推动社会的进步和改善。

萝卜快跑真的砸了底层劳动者的饭碗吗?

武汉的“萝卜快跑”无人驾驶出租车近期备受瞩目。一方面,有网约车、出租车司机抱怨被“萝卜快跑”抢了饭碗,特别是挤压底层劳动者的生存空间;另一方面,人工智能与自动驾驶技术的支持者视其为无人驾驶商业化的重要里程碑,预示着第四次工业革命的加速到来。

作为坚定的人工智能支持者,我认为所谓‘人工智能替代人类,抢走底层劳动者饭碗’的说法,其本质并非因为科技的进步,而是源于垄断、内卷和个体在社会变迁中的适应与调整。

技术革命的趋势不可阻挡,工业革命的历史仍然会重演,但我们还是要回顾一下,早期工业革命时期发生的反对技术进步的历史事件:

工人破坏织布机事件:
18世纪末和19世纪初,工业革命在英国蓬勃发展,纺织业经历了巨大的变革。蒸汽机和机械织布机等新技术的引入,提高了生产效率,但也威胁到传统手工纺织工人的生计。1811年至1813年间,英国北部的纺织工人,特别是诺丁汉郡、约克郡和兰开夏郡的工人,发起了一场被称为“卢德运动”的抗议活动。抗议者们被称为“卢德派”,得名于传说中的领袖奈德·卢德(Ned Ludd)。他们认为机械织布机会导致大量工人失业,于是采取了破坏行动。卢德派的主要行为是夜间突袭工厂,破坏机械织布机和其他自动化设备。他们通常蒙面行事,行动迅速且有组织。破坏活动涉及数百台机器,被破坏的设备数量巨大,引起了广泛的社会关注和政府的强烈反应。英国政府对卢德派的行为采取了严厉镇压,派遣军队维持秩序,并通过了多项法律加强对破坏活动的惩罚。最终,卢德运动被镇压下去,以机械织布机为代表的新生产力也站上了历史舞台。

马车与汽车之争:
19世纪末和20世纪初,汽车作为一种新兴的交通工具开始普及,对传统的马车行业产生了巨大影响。马车行业在当时是城市运输和物流的重要组成部分,雇佣了大量的车夫、养马人和相关工人。随着汽车的出现和普及,马车行业面临着前所未有的挑战。汽车比马车速度更快,运载能力更强,成本也更低,逐渐成为城市交通和物流的主力。然而,这也导致了许多与马车相关的工人失业。马车行业的利益相关者,包括车夫和养马人,开始反对汽车的普及。他们发起了多种抗议活动,包括游行示威、请愿和破坏汽车。他们认为汽车不仅抢走了他们的饭碗,还造成了交通混乱和环境污染。尽管反对声音很大,但汽车的优势明显,最终还是战胜了马车。城市交通和物流系统逐渐转向汽车,传统的马车行业逐渐衰落。

工人破坏织布机事件和马车与汽车之争都反映了在面对技术变革时,传统劳动者的焦虑和抵抗,但其结果,终究是新技术取代落后生产力,这不是以个人意志为转移的。其实,伴随着科技发展、技术进步,在一些工作岗位消失的同时,也产生了大量的新工作岗位和新就业机会,比如新兴的汽车行业在20世纪初迅速发展,创造了诸如汽车生产制造、销售、维修、零部件供应、保险、租赁等等行业和岗位,拿近的来说,就是受无人驾驶出租车影响较大的网约车司机,以及外卖员,不也是因为这10几年来移动互联网蓬勃发展而带了的新就业岗位吗,所以,因为技术进步,取代人工,争夺劳动者“饭碗”这个说法并不能成立。

当然,也有人指出,以人工智能为代表的第四次工业革命,其对人类工作的全面取代取代,而不像前三次工业革命那样,是局部的,所以此次的冲击是巨大的和颠覆性的,所以很多人是悲观的,特别是许多从事底层简单劳动的工作者,这些人劳动强度大、收入低,生活无法得到有效保障。针对这些问题,我们需要从另一个层面去思考。

《小岛经济学》这本书中描述,小岛上的居民最初靠简单的捕捞生活,后来通过储蓄和投资改善了生产工具,提高了生产效率。岛上的经济从原始的自给自足,逐渐发展成更复杂的经济体系,这一过程反映了真实世界中经济发展的本质。也就是说,经济增长的核心在于生产,而不是消费,生产的核心是不断的提高生产效率,而提高生产效率的根本又是科学技术的进步。人类社会历史的前两千年,几乎没有什么发展,就是因为生产力水平始终处于比较低下的水平,社会和经济的突飞猛进是近200年的事情,也就是工业革命之后,人类在物质、文化、健康等方面,都得到了全面的提高。估计现在谁都不想再回到农耕社会吧,整日的辛苦劳作,最多也就是一个温饱。所以,社会的进步,总体来说是对大众普惠的,无论怎样,我们也要比我们的前辈过的要好。

如何在科技发展中,保证社会的公平,让所有人享受到发展的成果,才是需要关注和讨论的,其核心在于,如何打破垄断,有序竞争。互联网发展的这20多年,催生了为数不多的几个巨头,在这波人工智能的技术浪潮下,如果核心技术和资源仍然只被这几家巨头所掌握,这才是一件可怕的事情。虽然在2021年,国家对阿里巴巴、美团进行反垄断处罚,但我认为中国的反垄断远远不够。举个例子,我从事旅游酒店行业很多年,在这个行业,最应该对携程进行反垄断处罚,而其至今安然无恙。早些年还有艺龙、去哪儿与其竞争,后来通过资本运作,携程将艺龙、去哪儿、途牛一众OTA全部“收编”,形成中国最大的旅游行业垄断集团,现在虽然有抖音、小红书等新媒体向其发起竞争,但远成不了气候,其原因在于携程对于上游资源供应商的把控实在太强,比如,携程和酒店的采购合同中要求,酒店向携程提供的价格不能高于其向其他线上平台提供的公开价格,也就是说酒店向携程提供的价格必须是线上最低价,如果酒店向其他平台提供了最低价,而被携程发现,结果就是酒店在携程被下架,这不就是霸王条款吗?除此之外,酒店必须参加的营销活动、金牌、特牌等等规则、玩法,都是不断在盘剥酒店方的利益,表面上看是消费者得到了好处,但其本质是杀鸡取卵、饮鸩止渴。如果直到资源方都干不下去的时候,平台也没有存在的理由了。

其实从经济学的角度看,一个人的消费是另一个人的收入,只有这样的活动持续进行,经济才能活跃并保持增长,反之将进入通缩,而通缩的危害远大于通胀。在经济活跃持续增长的情况下,总会产生新的工作岗位和各种机会,但如果核心技术和、数据和资源只被极少数人掌握,则损害的就不只是一般的劳动者了,而那些大量的中小微企业主,也会被排除在市场之外,经济活力势必难以持续。另一方面,就算是仍然幸存在市场之中,也陷入了无尽的“内卷”,也就是剧场效应。在有限资源和竞争激烈的环境中,大家通过不断加大投入和努力来争夺既有的资源和机会,不断的内耗,最终导致资源浪费、效率低下、心理压力、创新受阻和社会不公平加剧等一系列问题。

在前二十几年,以互联网代表的信息技术给经济制造了强劲动力,垄断和内卷的问题并不会很突出和明显,但在当前互联网增长已到尽头,经济下行的情况下,这些问题和矛盾将会越来越明显的暴露出来。

这两年人工智能技术在快速崛起,其发展速度将越来越快,让我感觉当前和2000年左右的互联网,以及2010年左右的移动互联网非常像,但投资、创新创业的气氛,远无法和前面两个时期相比。从目前的情况来看,打破垄断、拒绝内卷,就应该鼓励风险投资、重新树立“大众创业,万众创新”的氛围、减费降税,让更多的中小微企业参与竞争,用更加严厉的监管手段破除垄断,提高整体的市场活力,把蛋糕做大,从而创造更多的行业、岗位和就业机会。

就个体而言,面对人工智能的技术浪潮,所要做的是不断的学习,了解新技术带来的潜在机会,适应变化,不断思考自身工作在未来被替代的可能性,尝试用新技术解决现在的问题,成为能够利用新技术的那批人,或是参与新技术带来的新行业,转行做新的工作。对于我们的后代,要更加富有远见,思考新技术对行业的影响,还是拿无人驾驶技术来说,如果达到L5级别的自动驾驶技术,那智慧交通、智慧出行就可以实现了,交通事故、交通拥堵的发生概率降大大降低,甚至是趋近于零,人们是按需出行,出行效率提高,而出行成本大大降低,大家也没有买私家车的必要了,汽车都是智能化、网联化的,与汽车有关的许多行业,比如传统燃油汽车维修、二手车市场等也会消亡了。