万物皆计算 / 穿越 AI 时代的认知指南 - 2026 新年直播总结
每一年的新年，都是一个回望与前瞻的节点。对于科技领域的观察者而言，2025 年是一个不得不被铭记的年份 —— AI 从"可以帮我们干点活"的工具，一跃成为"锯齿状智能"的存在：它在某些领域碾压人类，却在日常场景中时而表现得像个"弱智"。
这种奇特的不均衡，恰恰揭示了我们所处时代的本质：我们正站在一个由算力驱动的新文明入口。 一切问题，终将被重新定义为计算问题；一切解决方案，终将汇聚于算力的洪流之中。
视频时间戳
- 01:00 引言 - 万物皆计算的时代宣言
- 03:42 时代的深层结构 - 布罗代尔的三层历史观 + AI 新的驱动力
- 08:22 2025 年回顾 - 推理之年、DeepSeek 冲击、OpenAI 失冕、Vibe Coding、AI Slop
- 16:40 算力的战争 - 数据中心竞赛、英伟达 vs 自研芯片、吉瓦时代
- 30:56 新的认知框架 - David Deutsch 的乐观主义 + 四层认知模型
- 41:30 万物皆可计算 - Demis Hassabis 的宇宙观、低维流形、根节点问题
- 49:35 AI 应用的现实图景 - toC vs toB、代码霸权、去技能化
- 1:02:35 AI 进入现实世界 - 机器人、自动驾驶、万物皆是计算机
- 1:08:00 AI For Science - 科研的两条路径、物理世界的限制
- 1:17:42 2026 年预言 - 技术与社会的十大预测
- 1:32:50 个人使用手册 - 认知飞轮、信息管理、输出即学习
- 1:45:22 结构性机遇 - 三大能力、创作者经济、乐观主义者行动指南
01 时代的深层结构 —— 为什么 AI 才是真正的驱动力
历史海洋的三层结构
要理解当下，我们首先需要一个看待历史的框架。
法国年鉴学派历史学家费尔南·布罗代尔（Fernand Braudel）提出过一个精妙的历史观：历史如同海洋，分为三层——
第一层是表面的泡沫：日常事件、新闻头条、政策调整。这些是我们每天看到的东西，绝大多数都是噪音，转瞬即逝。
第二层是缓慢变化的洋流：制度、人口、经济结构。这些变化需要数十年甚至上百年才能完成，但一旦形成，就会持续塑造上层的一切。
第三层是深海的地质结构：地理、气候、资源分布。这是最慢也最根本的变量，它决定了人类文明的基本格局。
布罗代尔生活在二战前后，他的视野中，地缘是那个最深层的力量。但今天，我们必须在这个框架中加入一个新的变量 —— 科技，尤其是人工智能。
AI：新时代的深海洋流
如果说过去人类文明的版图是由地理塑造的，那么未来的版图将由算力重新绘制。
AI 正在成为这个时代的深层驱动力。它不是表面的泡沫，不是某个公司的产品发布或某项政策的出台——它是正在改变一切的洋流。
这股洋流的力量有多大？我们可以从一个简单的传导链条来理解：
这条链条正在快速展开。美国 2024 年第四季度 GDP 增速突破 4% —— 几十年来首次——主要驱动力就是 AI 基础设施建设。所有的数据中心、所有的芯片订单、所有的电力投资，都在为这个新时代铺路。
我们现在在哪里？
如果用一张图来描述AI的发展阶段，我们现在正处于一个被称为"锯齿状智能"的时期。
这个概念来自 Andrej Karpathy 的精准描述：当前的AI像一把锯齿形的刀刃——在某些领域锋利无比（数学奥赛金牌水平），在另一些领域却钝得可笑（数不清"Strawberry"里有几个"r"）。
2023 年：AI 还是玩具，新奇但不实用。
2024 年：AI 可以帮我们干点活了——回复邮件、简单问答、辅助写作。
2025 年：推理能力的突破让AI变得更好用，但它依然是半成熟的智能。
2026-2027 年：我们可能会迎来"难以置信的智能"——它只在少数因素上失败，绝大多数情况下都能成功。
2030年之后：或许，真正的 AGI 将开始显现。
但这里有一个关键的认知：AI 的进步速度远超人类社会的消化速度。 即便 Transformer 架构今天就停止进化，人类社会也需要十年以上的时间来完全适应和应用现有的能力。
正如 Karpathy 所说：我们还处于人工智能时代的"1960年代" —— 刚刚发明了半导体，无数的变化还在前方等待着我们。
02 2025年回顾 —— AI产业的关键转折
推理之年
2025年最重要的技术突破，是推理能力的普及。
从 OpenAI 的 o1 到 o3，再到 o4 和各家模型的跟进，"思考"不再是人类的专利。模型开始学会在给出答案之前进行推理——拆解问题、验证步骤、修正错误。
这听起来很简单，但它代表了 AI能力的质变：从"快速反应"到"深度思考"，从"模式匹配"到"问题求解"。
来自 EPOCH 的数据显示了一个惊人的趋势：
- 最先进模型的性能每年提升约 0.6 个单位
- 实现相同能力所需的算力每年下降到六分之一
- 模型的性能每三个月翻一倍
你可以想象这意味着什么——指数级增长的智能，正在以人类难以感知的速度积累。
中国开源的惊艳一击
2025年1月，DeepSeek 横空出世，给全世界"踢了一脚"。
这一脚的力度有多大？英伟达股价单日跌掉 30%。整个硅谷开始重新审视：中国的AI 实力，是否被严重低估了？
DeepSeek 的意义不仅在于它的性能，更在于它代表的路径 —— 用更少的资源实现接近前沿的能力。它证明了：AI 的发展不一定需要无限的算力堆叠，聪明的架构设计和训练方法同样关键。
这是开源模型与闭源模型差距最小的时刻。在 2025 年初，两者几乎并驾齐驱。但随后，闭源模型（o4、GPT-5、Gemini 2.5、Claude 4）快速拉开了差距。这场竞赛还远未结束。
OpenAI 的"失冕"
2025 年，还有一个不可忽视的变化：OpenAI 首次失去了绝对领先地位。
这并不意味着它掉到了第二名 —— 但它的领先优势被实质性地挑战了。
挑战者是谁？Google Gemini。
来自 SimilarWeb 的数据清晰地展示了这个趋势：
- ChatGPT 的市场份额从 70% 以上下滑到 65% 以下
- Gemini 的份额阶梯式上升，突破 20%
- Grok 迅速崛起，逼近3%的市场份额
- Claude 在 API 市场成为可以直接挑战 OpenAI 的存在
Google 的苏醒不是偶然的。当整个公司以 Gemini 为基座进行革新时，它积累了二十年的数据优势、基础设施优势和分发优势开始释放出来。
一个值得深思的预判：如果 AI 的未来是"模型即应用、模型即分发"，那么拥有最强分发能力的公司将拥有最大的优势。 在这个标准下，Google 的潜力或许被市场低估了。
Vibe Coding 与 Claude Code
2025年还有两个改变行业格局的关键词：Vibe Coding 和 Claude Code。
Vibe Coding代表了一种新的编程范式 —— 你不再需要逐行编写代码，而是用自然语言描述你想要的结果，AI 来实现细节。这不是"辅助编程"，而是"意图驱动的创造"。
Claude Code 则把这个范式推向了极致。Anthropic 前不久发布的 Cowork，本身就是由 Claude Code 在两周内完成的 —— 人类只负责提需求和验证，代码由 AI 自己编写。
这意味着什么？AI 已经可以自己实现自己的功能了。 虽然还需要人类的指导和把关，但自我进化的雏形已经显现。
AI Slop —— 垃圾泛滥的阴影
硬币的另一面是：AI 能够创造大量内容，也意味着大量垃圾内容的泛滥。
"AI Slop"（AI 垃圾）成为 2025 年的一个新词汇。低质量的 AI 生成文章、视频、图片充斥网络，真正有价值的内容反而被淹没。
这带来了一个深刻的悖论：AI 让创作变得更容易，却让发现好内容变得更难。 在信息过载的时代，"策展"和"品味"的价值不是降低了，而是大幅提升了。
03 算力的战争 —— 数据中心竞赛
谁在领跑？
如果AI是这个时代的核心驱动力，那么数据中心就是它的心脏。2026年初的数据显示了一个或许出乎意料的排名：
Google 是隐藏的王者。 虽然媒体报道最多的是微软和 Elon Musk 的 xAI，但Google在数据中心领域默默保持着领先地位。
更重要的是，Google的数据中心具有独特的技术特征：多中心协同。Jeff Dean 分享过，未来的 Gemini 将把全球的数据中心连接成一个巨大的网络，不同的中心承担不同的功能——就像人脑的不同区域负责视觉、听觉、推理一样。
这种架构的潜力是惊人的：它意味着 Google 的 AI 可以利用分布在全球（甚至太空）的算力资源，形成一个真正的"计算网络"。
两大阵营的对峙
在芯片领域，一场静默的战争正在进行。
英伟达阵营：微软、OpenAI、xAI —— 他们依赖英伟达的 GPU，受制于供应链和产能限制。
自研芯片阵营：Google（TPU）、亚马逊（Trainium）——他们不依赖英伟达，只需要台积电的代工能力。
这场战争的意义深远。Anthropic 原本部署在亚马逊的芯片上，但 2026 年开始，它采购了 100 万颗 Google TPU 来自建数据中心。这是一个信号：芯片的多元化正在发生，英伟达的垄断地位面临真正的挑战。
值得注意的是，英伟达的优势不仅在于 GPU 设计，更在于它提供的是一整套"AI工厂"的蓝图——从芯片到软件到系统架构。正如黄仁勋所说，英伟达给客户的不是毛坯房，而是一套完整的解决方案。
但 Google 的 TPU 有它自己的优势：不受英伟达产能限制，可以根据自己的模型需求定制优化，而且随着规模扩大，成本效率可能超过通用 GPU。
迈向吉瓦时代
所有主要玩家都在朝着一个目标冲刺：1吉瓦（GW）级别的数据中心。
目前，还没有一家完全达到这个里程碑。但 xAI 的 Colossus 已经非常接近——预计2026 年中将达到 1.4GW。Elon Musk 以他一贯的风格，在数据中心的 logo 上印了"Microhard"（微软的反义词），宣称未来 Microsoft 能做的一切，AI 都能做。
传统软件巨头的价值，正在被 AI 重新定义。
一个有趣的地理现象：AI 数据中心主要分布在美国中部和东部，西海岸反而很少。原因是AI数据中心不需要靠近用户（它主要做计算而非网络传输），它需要的是廉价的能源 —— 天然气、太阳能、核能。这是算力时代的新地缘政治。
04 新的认知框架 —— 理解世界的四层结构
David Deutsch 的乐观主义
要在 AI 时代做出正确的决策，我们需要一个新的思考框架。
这个框架的灵感来自英国物理学家、量子计算先驱 David Deutsch 的著作《无穷的开始》（The Beginning of Infinity）。他提出了一组颠覆性的观点：
问题不可避免，但问题可以解决。
这听起来像是鸡汤，但它背后有严肃的哲学基础：
- 所有问题本质上都是知识问题——凡是不被物理定律禁止的事情，我们都可以通过发现新知识来实现。
- 现实是可以理解的——宇宙的运作遵循可解释的规律，而我们有能力发现这些规律。
- 知识是不可预测的，未来是开放的——我们无法从过去推导出未来，这意味着创新永远有空间。
- 动态社会原则——只有容忍错误、鼓励批判的社会才能持续创造知识。
这是 Elon Musk 信奉的"第一性原理"的哲学根基：只要物理定律允许，就一定有办法实现。
四层认知模型
结合布罗代尔的历史观和 Deutsch 的知识观，我们可以构建一个理解世界的四层模型：
第零层：物理定律（永恒不变）
这是宇宙的终极底座——光速、热力学定律、量子力学的基本原理。除非我们发现新的物理理论，否则这一层不可逾越。
有趣的是，1900年物理学家们说"我们头上有两朵乌云"，指的是经典物理无法解释的两个问题。后来，这两朵乌云分别催生了量子力学和相对论，彻底改变了人类对宇宙的理解。
我们现在已经六七十年没有发现新的基础物理理论了。下一次突破在哪里？或许，AI会帮我们找到答案。
第一层：知识层（数十年到数百年）
这一层包含我们对世界的"好的解释"——科学理论、数学定理、哲学范式。一旦发现，这些知识就成为人类永久的资产，除非被更好的解释所取代。
牛顿力学统治了两百年，直到被相对论取代。这就是知识层演化的速度——缓慢但深刻。
第二层：制度与结构层（数十年）
人口、能源、基础设施、政治制度、经济体系——这些是"中时段"的变量，变化周期大约是五六十年（与康波周期吻合）。
AI 正在深刻地重塑这一层。当算力成为基础设施，当数据成为战略资源，整个社会的制度和结构都将随之改变。
第三层：事件层（日、月、年）
这是我们每天接触的层面——新闻、产品发布、政策调整、市场波动。绝大多数都是噪音，但偶尔会触发"相变"——导致更深层次的变化。
我们要做的，就是在事件层的海量噪音中识别出真正的信号 —— 那些能够改变结构层甚至知识层的关键变量。
AI 如何改变这个结构
AI 的革命性在于：它加速了结构性变化的频率。
过去，一个结构性机会可能需要等待几十年才会出现。但在 AI 时代，这种机会可能每隔几年甚至更短的时间就会涌现。
更激进的可能性是：AI 可能帮助我们在知识层取得突破。如果AI能够发现新的物理定律或数学定理，那将是人类文明的一次质变——就像量子力学催生了整个信息时代一样。
这就是为什么 xAI 和 Gemini 都把"理解宇宙"定为终极目标。他们追求的不是更好的聊天机器人，而是能够独立进行科学发现的智能系统。
05 万物皆可计算 —— AI 时代的本体论
Demis Hassabis 的宇宙观
DeepMind 的创始人 Demis Hassabis 提出了一个大胆的哲学立场：宇宙中不存在不可计算的事物。
大脑是可以计算的，物理世界是可以计算的，一切本质上都可以用图灵机来模拟。这不是比喻，而是一个关于现实本质的陈述。
更激进的假设来自 MIT 物理学家 Max Tegmark：物理学的基本单位可能不是能量和物质，而是信息。 宇宙的底层可能就是数学结构——我们观察到的物质世界只是信息模式的涌现。
如果这些假设是正确的，那么构建足够强大的AI来理解和模拟宇宙就不是科幻，而是原则上可实现的目标。
低维流形：AI 如何压缩复杂性
这里涉及一个关键的数学概念：低维流形（Lower Dimensional Manifold）。
想象一下，一张纸被揉成了一个复杂的 3D 球体。原本简单的 2D 平面变成了看似杂乱无章的形状。但如果你知道折叠的规律，你就可以把它展开，恢复原本清晰的结构。
这就是 AI 在做的事情。
高维空间是一个充满噪音的混乱世界——想想所有可能的蛋白质结构，或者所有可能的物理过程。传统方法需要在这个巨大的空间中暴力搜索，效率极低。
但神经网络可以学习到这个空间中隐藏的"捷径"——低维流形。它发现，虽然可能性是无限的，但真正有意义的解其实集中在一个低维度的子空间里。
AlphaFold 就是一个绝佳的例子。蛋白质折叠是一个理论上需要天文数字时间才能解决的问题，但 AlphaFold 通过学习基因序列和蛋白质结构之间的映射关系，找到了一条"捷径"，可以直接预测出折叠后的形状。
这与物理学的发展有着惊人的相似：牛顿的万有引力公式、爱因斯坦的相对论，本质上都是对自然界无限复杂性的"压缩" —— 用简洁的数学表达捕捉深层规律。
未来的科学可能不再是推导公式，而是用神经网络直接"学习"出自然规律的流形。公式是一种形式，神经网络是另一种形式——目的都是压缩信息，发现结构。
根节点问题：AI 的终极目标
在 Demis Hassabis 看来，AI 最大的价值不是写代码或聊天，而是攻克那些能够产生巨大下游效益的"根节点问题"：
- 核聚变——解决能源和气候危机的终极答案
- 材料科学——室温超导、更好的电池、新型合金
- 量子计算——用机器学习进行量子比特纠错
一旦这些根节点问题被攻克，整个人类文明将进入新的阶段。Google 已经在用Gemini 为量子计算研究机构提供纠错服务 —— 这是 AI 与物理前沿结合的早期实践。
06 AI 应用的现实图景 —— 谁在赚钱？
toC 市场的残酷真相
一个让很多创业者不愿面对的事实：AI 的 toC（面向消费者）市场窗口正在快速收窄。
SimilarWeb 的数据显示，2025 年全年，除了音视频生成之外，几乎所有 AI 垂直应用的流量都在下滑。用户正在向"什么都能做"的通用模型（ChatGPT、Gemini、Grok）集中。
这意味着什么？
模型公司正在吃掉应用层的空间。 当 ChatGPT 可以写作、编程、分析、画图、做视频，用户为什么还需要十几个专用工具？
对于t oC 创业者来说，出路只有两条：
- 被收购（趁还有价值的时候）
- 在模型公司不想做或做不好的领域跑得足够快（比如Eleven Labs的声音克隆）
Manus 被收购是一个信号。这家曾经独立的 Agent 公司，最终选择加入更大的团队。这不是失败，而是在正确的时机做出的理性选择。
toB 市场的机会所在
toC 市场在萎缩，但 toB（面向企业）市场却在快速增长。
来自Menlo Park的数据显示了企业AI支出的分布：
代码是 AI 的第一个杀手级应用，没有之一。
这解释了为什么 Anthropic 选择专注于 Coding 和 Agentic 方向。它不是要做一个更好的 ChatGPT，而是要成为"新时代的 Microsoft Office + AWS" —— 企业工作流程的核心基础设施。
toC 和 toB 的本质区别在于：
- toC 的核心是情商、分发、个人数据接入——用户要的是方便、有趣、懂我
- toB 的核心是准确率和可靠性 —— 企业愿意为 99% 准确率付 2000 美元，但不会为 90% 准确率付 200 美元
这也是为什么 OpenAI 在 2026 年要收缩战线、专注企业市场 —— 它不得不应对来自 Anthropic 和 Google 的夹击。
去技能化：工作的未来
一份最新的研究报告揭示了一个值得所有人关注的趋势：去技能化（De-skilling）。
当 AI 接管某些任务后，留给人类的工作所需的技能水平下降了。
举几个例子：
- 技术文档写作：AI 可以完美地生成文档，人类最后只负责排版和打印
- 旅行社：AI 完成路线规划、报价设计、对账，人类只负责出票和送票
- 法律研究：AI 搜索判例、起草文件，人类只负责最终审核和客户沟通
更令人深思的数据是：AI 的能力集中在需要 14 年以上教育程度的工作，尤其在 16-18 年教育程度（大学、研究生、博士）的任务上表现最为突出。
换句话说：AI 首先取代的不是蓝领，而是白领；不是简单劳动，而是复杂认知。
中层认知任务正在"中空化"——被 AI 完全接管。人类的价值正在向两端迁移：
一端是底层执行——需要在物理世界完成的动作（送货、打印、物理服务） 另一端是顶层判断——定义问题、验证结果、做出价值判断
中间的分析、研究、写作、计算？AI 来做。
这对每个人的职业规划都是一个严峻的挑战：你是否在向两端移动？
07 AI 进入现实世界 —— 机器人与自动驾驶
物理世界的入口
AI 要真正改变世界，必须走出数字空间，进入物理现实。
英伟达勾勒的蓝图包含三个关键步骤：
- 生成训练数据——用AI合成高质量的训练数据，解决真实数据稀缺的问题
- 模拟物理世界——在数字孪生中测试和训练，比真实世界快千倍
- 进入物理世界——自动驾驶和机器人是两个最清晰的入口
目前进展最快的是自动驾驶。Tesla 的 Robotaxi 已经在十几个城市获得许可，2026年预计将大规模普及。这是 AI 进入物理世界的第一个大规模应用。
人形机器人：炒作与现实
机器人领域则更加复杂。
2026 年初 CES 展会上，人形机器人公司蜂拥而至 —— 其中绝大多数是中国公司。中国在机器人硬件供应链上的优势是碾压性的：传感器、电机、结构件、组装……整个产业链都在深圳周边。
但机器人的"大脑"——通用机器人控制模型——主要还在美国公司手中。Physical Intelligence（PI）、Skild AI、Google 的 VLA 模型……这些是让机器人能够泛化处理各种任务的核心技术。
一个有趣的格局正在形成：
- 中国：控制机器人硬件供应链
- 美国：控制机器人"大脑"
- 谁都离不开谁
Tesla 的 Optimus 是一个值得关注的变量。Elon Musk 的策略一贯是"先上场、后优化"——即使早期版本很粗糙，也要先进入真实环境收集数据，然后快速迭代。2026年，Optimus 预计将开始在 Tesla 工厂中正式工作。
但总体而言，人形机器人还处于"GPT-2 时代"——离"ChatGPT 时刻"还有几年的距离。泡沫化会加剧，但真正的突破也在酝酿中。
万物皆是计算机
a16z（Andreessen Horowitz）最近发表了一篇深刻的文章：万物皆是计算机。
现代科技已经收敛到同一种形态：智能手机或电脑被无限次翻转、缩放，应用到每一个领域。电动汽车是一台大号计算机，无人机是会飞的计算机，智能手表是手腕上的计算机……
这解释了为什么深圳如此重要。任何与电子设备相关的产品，全球最好的供应链都在那里。
一张清晰的产业链图景：
顶层（品牌与设计）：主要由美国公司主导——Apple、Tesla、Nvidia
中层（模块与子系统）：中国绝对主导——从电池模组到传感器到电机控制
底层（原材料）：分布在全球各地
中间层是关键。 谁掌握了把原材料变成复杂系统的"魔法"，谁就掌握了进化的速度。这就是小米能够造车而福特不能做手机的原因——产业链的纵深决定了创新的速度。
这也是美国最担心的地方：未来的战争不是钢铁对钢铁，而是芯片、频谱和算法的较量。 而在这场较量中，硬件供应链的控制权至关重要。
AI For Science —— 科学研究的范式变革
科研的两条路径
AI 加速科学研究有两条主要路径：
路径一：模拟自然
用神经网络学习自然界的规律，从数据中提取"低维流形"。AlphaFold是 典型例子：它不是通过物理模拟来预测蛋白质结构，而是通过学习基因序列与结构之间的映射关系直接"猜"出答案。
这条路径的关键挑战是：如何生成足够多、足够好的训练数据？量子计算可能是一个答案——用量子系统生成经典计算难以模拟的数据，然后用神经网络学习这些数据中的模式。
路径二：模拟科研过程
让 AI 参与科研的全流程：文献综述、假设生成、实验设计、数据分析、结论提炼。人类从"做事"变成"指导"和"验证"。
这条路径的天花板更高，但挑战也更大——科研中最关键的往往是那些无法明确表述的"直觉"和"洞察"。
物理世界的限制
一个经常被忽视的事实：科学研究的最终瓶颈是物理世界中的实验。
AI 可以加速假设生成、加速数据分析，但它无法加速药物在人体中的代谢过程。临床试验需要五到十年，这是物理定律决定的，AI 改变不了。
这意味着：
- 诊断和手术：AI可以带来巨大突破（因为反馈周期短）
- 制药：AI的加速效果会打折扣（因为临床试验无法跳过）
但在某些领域——比如材料科学——AI + 高通量实验的组合可能带来革命性的加速。你可以用AI设计材料配方，然后用自动化实验平台快速测试，形成闭环。
独立科学发现的曙光
2026 年最激动人心的预测之一是：AI 可能完成第一项真正有意义的独立科学发现。
这不是说 AI 写出了一篇论文，而是说 AI 从提出假设、设计实验、分析数据到得出结论，全流程独立完成，并且发现了人类此前不知道的规律。
如果这真的发生，将标志着科学研究范式的根本性转变——从"人类发现知识"到"人机协作发现知识"乃至"AI主导发现知识"。
09 2026年预言 —— 谨慎的乐观
技术预测
基于对趋势的分析，以下是对 2026 年的一些预测：
持续学习将取得突破
模型将开始具备在真实环境中自我进化的能力。这不是完全的AGI，但它意味着模型可以在特定领域实现"部署-学习-改进"的闭环，而不需要重新训练。
Agent 商业化元年
AI智能体带来的广告支出将超过50亿美元。超过5%的零售电商将支持"Agentic Checkout"——AI自动完成购买决策和下单流程。
大模型竞争格局分化
- Grok将在年底接近Gemini的智能水平
- Anthropic继续强化企业工作流程，成为新时代的"Office + AWS"
- OpenAI收缩战线，专注企业市场
- Google市值可能在某一天短暂超越英伟达
- Meta可能掉队——除非其AI实验室有重大突破
游戏领域将出现爆款
一款AI实时生成的游戏将在视频平台引爆流量。xAI 的 Game Studio 预计将宣布新产品计划。
Robotaxi 规模化落地
Tesla 的无人出租车将在更多城市运营。Optimus 将开始在工厂中正式工作。
社会预测
人形机器人泡沫化加剧
中国的人形机器人公司实在太多了。泡沫不可避免，但洗牌之后会留下真正有价值的玩家。
网络安全危机
一场由 AI 智能体驱动的网络攻击可能引发北约或联合国的首次紧急会议。AI的攻防博弈将进入新阶段。
AI 主权外交
大部分国家无法开发自己的主权AI。"AI 中立"将成为一种新的外交原则——类似于核武器中立。欧盟、加拿大等国家会寻求分散数字生态的风险，不把所有鸡蛋放在美国一个篮子里。
10 个人使用手册 —— 在 AI 时代如何提升认知
记忆在贬值，判断力在升值
硅谷的"鸡汤大师" Naval Ravikant 说过一句深刻的话：
记忆的价值正在贬值。有了大语言模型，你还要记什么东西？一问就好了。但判断力和品味，更加重要了。
没有人会因为你记忆力好而表扬你。人们记住你，是因为你有品味、你会做选择、你能产出有价值的东西。
这意味着：学习技巧的边际收益在下降，而提升判断力的边际收益在上升。
网上到处都是教技巧的内容——今天学这个工具，明天学那个方法。但技巧本身不创造价值。价值来自于把技巧用在正确的事情上，交付实际的结果。
警惕"脑腐"
2024年，"Brain Rot"（脑腐）成为英国某机构评选的年度词汇。
短视频和碎片化信息会削弱人的注意力。那些被设计来"最大化用户参与度"的内容，本质上就是垃圾数据——它们让你停留，但不让你思考。
更可怕的是：研究发现，用这类碎片化内容训练的语言模型也会"变傻"——它们会放弃深度思考，倾向于给出肤浅的回答。
如果 AI 都会因为垃圾数据而"脑腐"，人类的大脑更是如此。
你消费的信息质量决定了你认知的天花板。 精心管理你的信息摄入，就像控制饮食一样。
认知飞轮
如何系统性地提升认知？这里有一个"认知飞轮"的框架：
第一步：控制信息质量
高信噪比的来源：
- 深度反思的博客和长文
- 高质量的Newsletter
- 第一手的研究报告和论文
低质量的噪音：
- 算法投喂的新闻流
- 短视频
- 二手总结和摘要
第二步：抽象与内化
信息不等于知识。真正的学习发生在对信息的加工、抽象和连接过程中。
人类记忆不好不是Bug，而是Feature——它逼迫我们提取本质、建立框架。智慧不是记住了多少信息，而是能在不同层级之间建立快速连接的能力——直觉就是这些捷径的涌现。
第三步：输出即学习
把你学到的东西讲给别人听。如果你讲不清楚，说明你还没真正理解。
输出不一定要写长文或做视频。在社交网络上分享想法、在社群里讨论问题，都是输出。关键是：把思考外化，接受反馈，暴露盲区。
第四步：形成闭环
用认知指导行动，用行动检验认知。投资是最直接的检验方式——市场会毫不留情地告诉你，你的认知是否正确。
但也要记住：你只能赚到认知范围内的钱。 超出认知的钱，大概率会赔掉。
在做中学
这是一个简单但经常被忽视的道理：
大脑不在乎你的意图，它只在乎你的重复。
你天天想着要学编程，但从来不写代码——大脑记住的是"不写代码"这个行为。你天天学习各种技巧，但从来不实际应用——大脑记住的是"只学不做"这个模式。
你最终成为什么样的人，不由你的想法决定，而由你反复做的事情决定。
所以，与其在"完美准备"中消耗时间，不如先开始做，在做的过程中学习和调整。
成为乐观者
有一句话经常被引用：
悲观者永远正确，乐观者永远成功。
悲观者总能找到不行的理由——这个会失败、那个有风险、市场会崩盘……从统计学上看，他们经常是对的，因为大多数尝试确实会失败。
但正是那些相信"问题可以解决"的乐观者，在推动世界前进。
成为乐观者不是盲目乐观，而是在理解了风险和困难之后，依然相信未来是可以被创造的，并且愿意采取行动。
11 结构性机遇与瓶颈
三件事决定未来十年的财富
在 AI 时代，以下三种能力将变得至关重要：
分发级杠杆
你能触达多少人？你的内容、产品、服务能被多少人看到？在注意力稀缺的时代，分发能力就是财富放大器。
品位级战略
在AI可以生成海量内容的时代，品味成为最稀缺的资源。什么值得做、什么值得分享、什么值得投资——这些判断无法被自动化。
AI 级基础设施
你是否掌握了使用AI的技能？你是否把AI融入了自己的工作流程？这不是要成为AI专家，而是要让AI成为你的"外挂大脑"。
结构性瓶颈
AI 并非无所不能。当前最大的瓶颈不是技术，而是社会：
组织结构是 AI 进入企业的最大障碍。
企业的中层管理结构天然抵制AI —— 因为 AI 最先取代的就是他们的工作。这需要自上而下的变革，需要 CEO 和 CAIO（首席AI官）联手推动组织重构。
界面控制价值分配。
谁控制用户界面，谁就控制价值流向。Google拼命做Agent、做深度搜索，就是为了延续它对界面的控制。苹果的Siri要引入Gemini，说明它在AI界面竞争中落后了。
真实性溢价。
在AI生成内容泛滥的时代，"真实的人"变成了稀缺资源。真人直播、真人社群、真人叙事——这些创造的是信任和连接，是AI难以复制的价值。
创作者经济的崛起
一个明确的趋势是：创作者经济将成为结构性机遇。
当 AI 降低了内容生产的门槛，真正稀缺的不再是制作能力，而是独特的视角、持续的输出、和受众的信任关系。
每个人都应该考虑：我能不能成为一个"分享者"？我能不能把我的专业知识、独特视角、思考过程分享出来，建立自己的受众群体？
这不是要每个人都当网红，而是说：在AI时代，"个人品牌"的价值会大幅提升。 你的名字、你的声音、你的判断，可能比你的具体技能更有价值。
结语：我们都是深层结构的囚徒，也是创造新结构的参与者
回到文章开头布罗代尔的那个比喻：我们都是深层结构的囚徒。
地理塑造了人类文明的基本格局，技术革命塑造了几十年的经济周期，制度和文化塑造了社会的运作方式。作为个体，我们很难逃脱这些力量的支配。
但 AI 带来的变革，正在动摇这些结构。
算力成为新的基础设施。数据成为新的石油。代码成为新的语言。智能成为新的分配方式。
在这场变革中，我们既是被裹挟的对象，也是有能力施加影响的参与者。
关键是：你选择站在哪里？
你可以被动地等待变化发生，看着自己的技能贬值、工作被取代、认知被淘汰。
你也可以主动地拥抱变化——学习如何与AI协作，提升自己的判断力和品味，在新的结构中找到自己的位置。
正如 David Deutsch 所说：问题不可避免，但问题可以解决。未来是开放的，知识可以改变一切——只要我们愿意创造它。
这是乐观主义者的宣言，也是这个时代最重要的行动指南。
欢迎来到 2026。 欢迎来到万物皆计算的时代。 欢迎来到无穷的开始。
本文基于 Indigo 2026 新年直播内容整理创作，力求在完整还原原始分享的基础上，提供更清晰的逻辑结构和更深入的延展分析。