序
今年的跨年，我既没有看罗胖的演讲，也没看 B 站的晚会。那天晚上出去和别人聊事情，到家将近 9 点；第二天还得带娃出去考试，所以简单收拾一下就睡了。
第二天翻了翻罗胖的文稿，感觉没太多新的资讯和观点。尤其对我这种对未来总带着不安和焦虑的人来说，它提供的安慰有限——或者说，提供的更多是“热闹”，不是“答案”。
文稿的最后依然是卖书：新一年的《变量》和《钱从哪里来》，这次还多了一本新的《预测之书》。我猛地一想：去年的《预测之书》都还没开始看，新的一本又来了，钱不能这么浪费。
于是今天早上，喝着熟悉的咖啡、听着熟悉的古典乐，我把这本属于上一个年度的《预测之书》看完了。
穿透力–《预测之书：来自未来的好消息》
《预测之书》是 2024 年邀请了不少行业和智库的专家，请他们谈谈新的一年会发生什么变化。它的编排方式挺“理工”：参照笛卡尔坐标系，按主题分成四个象限——未来的我会更好吗、未来的世界会变得更糟吗、哪些机会正在涌现、现在的我应该关注什么。
张五常是个喜欢预测未来的经济学家。他说过：整理过去发生了什么、提出什么理论，其实多多少少都是一个自圆其说的过程；真正难的是用这些从过去整理出来的理论和框架去预测未来。这既需要自信，也需要胆识。因为话语会被留下，未来一定会来——一旦被打脸，那可能是一辈子的事。
回到2025年初
让我们重新回到 2025 年初，我们还能回忆起什么？
DeepSeek-R1 横空出世，Llama 3 气势汹汹，ChatGPT-4o 仿佛继续刷新人类对 AI 的认识；Claude Code 的智能体雏形开始显影。主流观点大体一致：大模型“有能力但很笨”，需要自己拿语料去训练和调优；RAG 知识库崭露头角，提示词工程如火如荼；对了，低代码的 n8n 工作流也开始大行其道。
这一切的共同背景是：我们好像越来越确信“未来会变”，但又很难确定“会变成什么样”。
回归“何以为人”的哲学话题
第一篇文章是刘擎教授的文字：人类会以一个 2.0 的版本存在。话题回到“何以为人”的哲学命题——那只不理哲学、只管开心生活的小猪，可能慢慢也开心不起来了。因为技术文明的哲学追问，越来越重要、紧迫且现实：技术不再只是外置的工具，而是开始深刻地嵌入我们的身体、认知、情感和体验；人的自我理解与身份认同，也必然要跟着转变。现有的文化约束和身体限制，正在被一层层突破。
以前，人类的价值标准无论多么多元，都深刻依赖于“人如何理解自己”、以及支撑这种理解的意义结构。假如人类获得终极永生和自由：没有死亡和风险，就很难再谈畏惧与珍惜；没有身体受伤害的威胁，就很难再谈勇敢这类美德；如果无须努力就能心想事成，卓越与智慧从何而来；如果资源不再匮乏，善意和友爱又凭什么被激发？障碍消失之后，自由又是什么？
技术从来不只是“被人发明来使用的工具”。技术的存在与使用，会反过来深刻影响我们的身体、精神、情感与社会文化——技术始终在形塑人类。每一次技术革命都会改变生活形式，也推动文化演化：社会一边抵抗，一边“驯服”新技术，把它融入生活，让它最终顺应、甚至重塑我们对美好生活的理解。
AI加持下如何学习
2025 年，OpenAI 和 Google 的大模型已经能够拿下国际数学奥林匹克比赛的冠军、国际信息学比赛的冠军——衡量人类智力高度的一些标尺，确实在被突破。很多人会说：大模型有幻觉、不稳定。辛顿老爷子回应得很直白：难道人就没有幻觉？很多时候，人类复述过去发生的事情，也会夹带自己的“幻觉”；人的发挥同样极不稳定。相比之下，大模型并不算那么不靠谱。
和菜头在这个问题上有自己的见解。他认为学习，是一个人在“人类总书库”里读了多少本书；读得多，就学得多。学习行为可以看作是占据信息，并把信息做内部关联的过程。AI 是否会替代人类，讨论起来刺激，但现实意义未必最大；真正关键的是新生代的孩子能不能掌握新工具，能不能在新工具的加持下探索个人能力的边界——这才是他们适应未来工作与挑战的核心。
在一个大部分司机还在驾马车的世界里，会开汽车的人，即便仍然做司机，也可能在很长时间里保有优势。未来的工作者怎么办？和菜头的建议很干脆：要么加长自己的长板，要么去对抗新工具。前者是充分使用 AI 扩展自己的长处——如果处在被熊追赶的场景，你只要比最慢的人快一点就够；后者则是回到“何以为人”：哪些特质是自己独有的，是机器无法简单替代的。
关于教育的未来
脱不花觉得：未来教育资源会变得充裕且廉价，但教育水平的差距不会因此消失——不是书多了，博士就会多。馒头大师在文章里写到：校友聚会时大家会为价值观争得面红耳赤，但有一个话题却能一致认同——“我们的孩子，应该考不上我们毕业的这所大学了”。对孩子教育的焦虑，我也和大家一样；这点上，我和馒头大师的感觉是同频的。
我也越来越苦恼：孩子怎么不太愿意阅读了？馒头大师提醒得很现实：阅读是好事，但阅读也有门槛。无论成人还是孩子，都不是轻而易举就能进入那个瑰丽世界。我们小时候的成长环境里，红白机可能就是顶级享受，哪有手机和平板，更别提视频和网络游戏。所以我们“被迫”拥有大量时间和动力去跨越那道阅读门槛，并在那个世界里沉浸。对今天的孩子来说，阅读门槛本身没变，但跨过去的难度变大了——诱惑太多了。
他给家长的建议也很“反直觉”：找一个好的游戏，和孩子一起互动。通过陪伴、引导、激发，而不是控制、指挥、替孩子做决定。“堵不如疏，长期共存，互有攻守，共同进步。”
池晓认为：个性化教育会成为主流。智能时代尤其需要一些能力：
- 表达能力与提问能力变得越来越重要
- 判断创意好坏的能力，往往比想出创意更有价值
- 在真实场景中学习
- 在失败中学习
- 动态更新的通识教育
- 接受更多“非良构”（零散的、非系统的）的教育
- 终身学习
我一直认同希腊时代提出的“自由七艺”教育理念：语法、修辞与逻辑（文科三艺）加上算术、几何、天文学与音乐（理科四艺）。阅读、写作、逻辑，与代数、几何同等重要；天文学可以扩展成常识与科学，音乐扩展成艺术。这才更像一个孩子面对未来的基本盘。所谓奥数，其实只是代数与逻辑的一部分；过分重视奥数，未必真的学会了逻辑，很多时候只是机械地学会用初等数学解代数题。而这些已经是 AI 攻克的山头：如果不是天赋异禀，就没必要和 AI 斗智斗勇——和挖掘机比蛮力，本身就有点可笑。
少数人的成功建立在多数人失败的环境里，这套逻辑正在变。因为 AI，使得教育平权了、知识平权了、积累平权了、经验平权了，真正被凸显出来的是个人能力。回到商业社会：之所以有人愿意付钱，是因为你创造了别人需要的价值。你创造的东西不是别人要的，或者达不到别人的需求，自然没人买单。认识不到这一点，教育是不完整的；找工作也会没思路。
赛博时代的孤独
人是社会性动物，渴望归属感、理解与情感支持。而这些深刻的连接往往依赖非语言交流：触摸、眼神、肢体语言——这些在虚拟世界里很难被完整替代。年轻人表现出来的，可能是社交焦虑与对赛博世界的过度依赖；老年人则可能因技术障碍而感到被边缘化。
真正的情感连接，取决于投入的时间与交流的质量，而不是通过数字工具堆砌出来的浅层互动数量。我们会被算法捕捉：手机上被推送的信息，究竟是自己主动选择的，还是被算法一步步诱导过去的？
虚拟与现实交织的时代，如何找到平衡，并保持对生活本质的清醒认知——这是一种现代意义上的“英雄主义”。
一年后的今天
一年后的今天，AI 世界仿佛进化了几个代际：ChatGPT 已经不再一家独大；苹果和 Gemini 合作搞手机智能；Claude Code 征服了编码世界，由它提出的 MCP 协议与 Skill 能力让它有点“独孤求败”；Gemini 在 DeepMind 加持下推出了高水平的图片生成模型；Llama 系列开源模型开始全面溃退，开源大模型成了中国公司的世界。
参考 OpenRouter 的用量（不一定完全准确），大模型服务使用量前 20 的榜单中，属于开源模型的有：
- MiMo-V2（小米·北京）
- DeepSeek-V3.2（DeepSeek·杭州）
- GLM 4.7（质谱·北京）
- MiniMax M2.1（MiniMax·上海）
- GPTOSS-120B（OpenAI·美国）
- Devstral 2 2512（Mistral AI·法国）
这个不太准的榜单再加上 Kimi 的 K2（北京）和阿里的 Qwen（杭州），大致能看出：中国的大模型研发方阵集中在北京、上海、杭州。广东竟然没有一个能打的模型能上榜，这让我很难过。
二十年前，我在广州读软件，算是正式开启了计算机行业的人生旅途。多年后从学生变成从业者，老师也慢慢成为院校领导，但这个行业似乎已经远远被北上杭超越了——这种落差，不但是统计意义上的，而且是情绪意义上的。
前几天的 AGI-Next 会议，AI 圈的新生代多是 90 后；我们 80 后似乎开始慢慢不那么引人注目了。有人问：未来几年，头部 AI 公司出现在中国的概率是多少？Qwen 的负责人说 20%。我们国产模型和美国模型的距离其实在拉大；质谱唐杰也说，如果产品出现失败，估计半年就会退出市场。
宏大的叙事，解决不了自己当下的处境
AI 成了当下科技的主旋律，而广东却拿不出一个能经得起市场检验的模型。所谓先发优势和产业集群，似乎也不太可能在身边真正成型；更多可能的产业是项目集成，卖卖 AI 项目和设备。可话说回来，这好像也没错——那我又何苦这么难受呢？
宏大的叙事，解决不了自己当下的处境。小人物的生活和工作，总是充满着各种的艰难和无奈。时代与技术的变化，对普通人来说，总会手足无措，铁路铺开的时候，马车是拼不过火车的。
大模型当然有优势，但门槛同样真实存在。即便是开源大模型：哪个模型擅长什么？它更适合对话模式、MCP 工具模式，还是智能体模式？不同模型需要什么设备、多少卡、多少内存？一张 4090 到底能跑到最好用的哪一档？从 npm 安装、python 安装到各种基础环境配置，对非计算机专业的朋友来说都是费劲的；哪怕使用 CherryStudio 这种更友好的第三方软件，环境配置、提示词撰写也需要技术背景。尤其当调用大量第三方库，一旦遇到问题，不熟悉的人很容易手足无措。
大部分人连 Qwen 都没用明白：量化后的能力和 GPTOSS 的差异到底在哪？但你如果真上手，很快会感受到：GPTOSS 在资源紧张的设备下，确实有明显的速度优势和更高质量的任务完成能力；如果试过智能体与工具调用，也会更容易意识到 DeepSeek-R1 和 GPTOSS 在很多场景里确实优于其他模型。抛开设备选型和算力，空谈大模型能力，其实都是耍流氓。
结语
实话实说，来自未来的未必都是好消息。但哲学思维的价值，恰恰在于它能穿透“眼下的噪音”和“宏大的叙事”，逼着我们把问题问回到自己身上：到底什么值得珍惜，什么值得投入，什么才是我在这个时代里真正要站稳的地方。