范凯说 AI · 周日晚聊 第07期 - 重新定位人与 AI 之间的关系
主题：重新定位人与 AI 之间的关系
日期：2026年2月15日
开场
大家好，欢迎来到《范凯说 AI · 周日晚聊》直播间。今天是第七期，也是蛇年最后一次直播，明天就是除夕了。在这里提前祝大家马年春节快乐，马到成功。
今天我想聊三件事。
第一件事，是字节跳动推出的视频生成模型 Seedance 2.0。最让我惊讶的不是它又是一个新的视频生成模型，而是它呈现出的效果已经接近实际拍摄的镜头感，有身临其境的味道，已经达到了一个临界点。
第二件事，国内 AI 大模型公司集体升级——智谱推出了 GLM 5.0，MiniMax 推出了 M2.5，再加上之前月之暗面的 Kimi 2.5。这些模型在编程和智能体方向都展现出了不错的能力，接近了国际最好的水平。但随之而来的问题是算力不够了。
第三件事，SpaceX 与 xAI 合并后出现的动荡。我想用它来聊一个更大的趋势：AI 正在和”重工业”绑在一起。
然后后半段，我会重点讲今天的核心话题：重新定位人与 AI 之间的关系。 当 AI 已经无限接近 AGI 的时候，人到底还有哪些竞争力是不可被替代的？
第一部分：本周新闻
新闻一：Seedance 2.0——视频生成开始像”在拍”了
我自己的体感是，现在很难分辨 Seedance 生成的视频到底是实景拍摄还是 AI 生成的。刷到一些明星的短视频，看完觉得不错——比如两个武打明星在某个场景里对打，甄子丹和李连杰的对打，汤姆·克鲁斯和布拉德·皮特在屋顶对打——单纯从画面角度已经无法分辨真假。
这意味着 Seedance 的视频生成更像一种摄影机在工作的感觉了。镜头的运动更像实景拍摄，不再有 AI 特有的漂浮感。它生成的不只是一个片段，而是在向镜头语言靠近。
这件事为什么重要？因为视频生成一旦跨过这种镜头拍摄的门槛，改变的就不是生成视频片段的效率了，而是影视制作行业的整个生产流程。
这种感觉非常像 2025 年 Claude Code 出来之后，编程智能体对程序员行业的冲击。现在 80%到90%的程序代码已经不需要手写，软件开发流程已经被永远改变了。映射到影视行业也是一样——当 Seedance 这样的模型进一步普及、Token 可以随便用之后，影视制作行业会被彻底颠覆。未来拍短片、动漫甚至长篇电影，可能不再需要一个导演带着几百上千人的团队，而是小工作室两三个人、十几个人，不停地燃烧 Token，就能拍出一部很好的电影。
智能体正在改变编程行业：从写代码到组织代码的生成。视频生成模型正在改变影视行业：从拍摄到用 AI 进行镜头语言的生产。
影视制作行业的彻底改变还意味着什么？意味着我们的娱乐方式在未来会发生巨大变化。而娱乐行业是距离消费最近的行业，在这里面会出现非常多的创业机会。
那什么样的人才容易在未来涌现出来？我认为是讲故事的能力。影视制作的专业门槛已经逐渐被抹平了，但上游的创意——怎样讲故事、怎样打动观众、怎样营销——这种能力很难被 AI 替代。在当今这个时代，AI 实现了专业门槛的平权，我们每个人应该把精力放在如何更好地发挥创意、讲故事、做营销上，而不是关注具体怎么写代码、怎么制作一段视频。
新闻二：国产模型集体升级——能力在追平，但算力是瓶颈
最近国内几家模型公司升级得很密集。GLM 5.0、MiniMax M2.5、Kimi 2.5，非常热闹。还有消息说 DeepSeek 春节后也要推出新版本。
因为 Open Claw（小龙虾）这个智能体非常火爆，很多开发者不愿意花钱买海外顶级模型的 Token，就开始购买国内 GLM、MiniMax、Kimi 的 Token 和 Coding Plan 套餐，这几家公司终于捞了一波大的。
我的观点是：中国人做模型其实很强，虽然我们是跟随者，原创能力差，但做模型的实际能力非常强，能够接近顶级模型。但最大的瓶颈还是在算力上。
不知道大家注意到没有，如果你用了这些套餐，会发现在一些整点时刻，比如 10 点、11 点，调用响应就会变得非常慢。原因是智能体的定时任务通常都设在整点，一到整点，大量智能体的任务像小山一般涌过来，模型公司的后台就撑不住了。
这里也给大家一个提示：如果你要设定智能体的定时任务，千万不要设在整点或半点，尽量偏移一些——7 分、8 分、14 分、15 分——这样你的定时任务才能跑得比较顺畅。
我在社交媒体上看到 Kimi 的一个研发人员说，他们现在穷尽所有能用的 GPU 全部搜罗在一起，勉强能够支撑。这说明中国 AI 行业发展的很大瓶颈确实在算力上。未来竞争会从”模型聪明不聪明”慢慢转到”谁能稳定规模化交付”，背后拼的是显卡储备、工程能力和基础设施。
关于套餐的建议：第一，别买太贵的。一个月 199 人民币的套餐没有必要——你买一个 GPT Plus 套餐 20 美元，里面带的 Token 也够用，而且可以用订阅套餐来驱动你的小龙虾，不用额外烧 Token。如果国内的 Coding Plan 套餐超过 100 人民币，我觉得就不值得了。第二，不要上来就买一年的，最好买按月套餐。
新闻三：SpaceX 与 xAI 合并——AI 开始和”重工业”绑在一起
SpaceX 和 xAI 合并之后，xAI 出现了大量创始人和工程师离职。
第一个原因是保密等级变了。xAI 本身是一个华人密度非常高的硅谷公司，马斯克不讲政治正确，所以华人工程师特别多。但被并购到 SpaceX 之后——SpaceX 是太空公司，有大量美国国防部和 NASA 的订单——保密要求极严格。很多核心岗位如果你是中国籍工程师就不行了，导致大量中国籍工程师离职。这是地缘政治带来的悲剧。
第二个原因是战略重心发生了改变。xAI 合并到 SpaceX 后，需要为 SpaceX 走向太空的战略建设太空算力中心、月球中心、火星项目，投入大量 AI 能力，包括擎天柱机器人。它的赛道和 OpenAI、Gemini 的赛道会有偏离。
如果粗略地把 AI 行业分成三类：
第一类是做通用模型的。 尽可能覆盖更多行业，文字、编程、智能体、图片、视频全都做。比如 OpenAI、Google 的 Gemini，国内的字节跳动、阿里千问。
第二类是专精型的。 知道自己不可能什么都做好，就做特别专精的方向。比如 Anthropic 不碰图像视频，只做文字，专注编程和智能体，做到最好。国内的月之暗面、智谱、MiniMax 也是这一类。
第三类是做 Physical AI（物理 AI）的。 把精力投注在怎样在现实世界里让 AI 落地。最典型的代表就是马斯克旗下的特斯拉（自动驾驶、擎天柱机器人）和合并后的 SpaceX（太空运输、太空通信）。我觉得马斯克旗下这两家公司的前途都非常远大，因为要改造现实世界，最终要走向物理 AI。
第二部分：重新定位人与 AI 的关系
AI 已经无限接近 AGI
我最近有一个非常强烈的感受：现在的 AI 已经无限接近 AGI 了。这不只是我个人的观点，Anthropic 的 CEO 达里奥·阿莫迪也持同样的看法。一两年前我们还觉得 AGI 很远，但现在看来，可能两三年内就会达到。
为什么这么说？因为 AI 解决问题的思路和人类根本不在同一个维度。
人类做事的试错成本非常高。你做错了，在古代甚至可能丧命。所以人类被迫简化问题，更多地用想象、归纳、抽象——用一个很小的数据集去泛化，靠经验和直觉做预测和评估。就像下围棋，因为资源有限，你不可能穷举所有走法，只能靠下棋下多了之后形成的直觉。
但 AI 不一样。AI 可以暴力测试所有可行的路径。只要你设定好目标、给出可验收的标准，AI 就可以自己去穷举。
每次想到这个，我都会想起《复仇者联盟》里奇异博士的那个场景。他用时间宝石进行时间回溯，尝试了 14,000,605 种可能的未来，其中 14,000,604 次全都失败了，只有唯一一次赢了。奇异博士本质上就是一个”人肉 AI”——用暴力穷举的方式找到了唯一的解。
而人类的抽象思维、小数据集泛化的方式，能找到那个唯一解吗？答案是：概率几乎为零。
所以，在目标可测量、可验收的情况下，人类无法战胜 AI。不管是否涉及归纳、演绎、泛化，通通没用。Alpha Go 之后的 Alpha Go Zero 抛弃了人类棋谱，零数据起步，自己测试所有下法，训练出的模型比任何人类经验都好。人类过去所谓的直觉和系统性思考，在 AI 能力面前不堪一击。
可量化的任务交给 AI，不可量化的留给人
基于这个认识，我们应该把想完成的任务分成两类：
第一类是可量化验收的任务。 比如开发一个软件产品——你可以写测试代码，可以写验收标准：执行什么操作得到什么结果。把所有验收标准写成一个 Markdown 文本，交给 AI，给它最好的模型和足够的 Token，它 100% 能跑出来。
第二类是无法量化验收的任务。 比如写文章、创作视频、拍电影——没有标准答案说 A 好还是 B 好。这种情况下还是需要人类参与。
在可量化的任务中，你应该尽可能让人类不要去干预 AI。因为 AI 自己解决问题的效率极高，人类的任何干预都在拖慢 AI 的效率。说直白一点：在这些环节中，人类是”拖油瓶”。我们要有自知之明，思考怎样不干拖 AI 后腿的事。
人类还有哪些不可替代的竞争力？
那么，在 AI 如此强大的今天，人类到底还有哪些竞争力是不可替代的？我想了以下几点，越想越确定。
第一，定义目标的能力。 AI 目前没有产生意识，不能独立给自己定义目标。所有的目标都是由人类来定义的。AI 可以穷举 14,000,605 条路径，但”我们到底要去哪”这个问题，现阶段只有人能回答。
第二，决策能力。 AI 会给你选项，让你来拍板——选路径 A 还是路径 B。决策的背后是你对风险收益比的个人判断：走路径 A 可能损失多少、潜在收益多大。每个人有不同的风险承受能力和偏好，这不是概率问题，是价值判断。
第三，想象力。 想象力的价值在于：你能找到一条原本不存在的路径。所有路径都是人先想到，AI 再去验证的。就像奇异博士——他得先有”回溯时间”这个想法，才能启动那 1400 万次穷举。
第四，品味。 很多现实问题没有标准答案。选择 A 也行，选择 B 也行，选择 C 也行，每个人有不同的选择。品味不是对错问题，它定义了你是谁、你喜欢走什么样的路径。
第五，动手解决问题的能力和探索能力。 AI 本质上还是概率模型，不会 100% 严丝合缝地执行任务。智能体会出现不可控的问题，这时候你需要自己去干预、调整、修正。同时你要有探索能力——定位问题、拆解问题、验证假设。
这五种能力，目前是 AI 不具备而人类具备的。我们应该充分发挥自己的优势，也应该培养下一代这些方面的能力。
作为碳基生物，如果我们没有这些优势，可能真的会被硅基生物所淘汰。 我们必须想清楚：在 AI 时代怎样树立自己的竞争优势。把 AI 擅长的事情交给它——穷举、执行、优化、重复。人类去做 AI 做不了的——定方向、做决策、发挥想象力和品味、动手解决问题、探索未知。
第三部分：观众互动
Q1：SaaS 股价崩了，Adobe 这种会被替代吗？传统 SaaS 是不是真到拐点了？
确实在 AI 出现之后，SaaS 软件行业的天花板到了。过去我们认为 SaaS 软件只要前期开发得差不多，后期拓展客户的边际成本递减——增加更多席位，收入就会持续增长。
但这个逻辑现在被智能体打破了。过去你可能需要一个软件来满足需求，现在你可能只需要一个智能体就能彻底解决。软件交付的是功能——把需求封装成一个个功能，你要学习怎么去使用。但智能体是你把需求给到它，目标定义清楚，可验收标准是什么，然后燃烧 Token 就行了，它一定能帮你做好。
我自己就有这样的体会。我原来想开发好几款 APP——个人 CRM 管理软件、日程管理软件、知识库软件。但小龙虾出来以后，我发现不需要开发软件了，在小龙虾上配置一些 Skill 或者给它任务，它就自己搞定了。基本上 80% 未来的软件已经不需要开发了。
Open Claw 的作者 Peter Stanberg 最近有一个访谈，提到一个很好的观点：未来的软件只是速度很慢的 API。未来的流量入口不再是 APP，而是每个人有一个智能管家。我们现在给别人提供的软件应该退化成 API，更准确地说是被智能体调用的 API。所以未来的编程是面向智能体编程，不是面向人类编程。
现在有些开源软件的文档已经这样写了：上面是给人看的介绍，下面标注”以下是给智能体看的”——第一步干什么、第二步干什么、怎么安装、怎么使用。你的软件、你的接口不是给人看的，是给智能体看的，只要能让智能体明白就行。
Peter Stanberg 认为，几年之后一定是每个人都有自己的智能体，智能体去调用各种服务接口。开发一个软件就是开发一个 API，给智能体调用，按 Token 按流量收费。这就是未来软件的形态。我高度认可这个观点。
当然，现有的 SaaS 软件公司收入不会骤降，因为现有客户有锁定收益。但增长天花板已经没有了。真正的风险不是被替代，而是增长逻辑变了——AI 可能让用户不需要那么多席位、那么贵的订阅。
Q2：不会写代码的产品经理，AI 时代还有没有未来？
大大的有未来。过去产品经理不能自己开发软件产品，现在完全可以了——你一个人就是产品加研发的团队。不会写代码不是核心问题。你应该关注的是：定义产品需求的能力、设计验收标准的能力、调度 AI 执行的能力。这构成了未来产品经理能力的护城河。
Q3：大龄程序员不善于表达，AI 时代出路在哪？
大龄程序员在 AI 时代的优势被放大了。过去你没办法自己开发完整的产品，现在你的系统思维、架构能力、排查问题的经验全都非常有用。利用好智能体，你可以自己把自己变成一个软件研发团队。”不善于表达”没那么致命——你的”表达对象”越来越多的是 AI，不是人。
Q4：小众 SaaS 行业软件还值不值得做？
跟前面 ERP SaaS 从业者面临的问题一样。你应该让自己转型——不是卖软件部署，而是卖持续交付的解决方案。你有行业 know-how，这是别人不具备的。当你掌握智能体之后，不需要依赖软件开发团队，利用智能体加上你的行业数据和行业 know-how，可以直接给客户提供解决方案，赚的钱会比原来更多。
Q5：用国内大模型搭小龙虾，能不能自动做任务赚钱？
用国内大模型搭小龙虾毫无问题，自动做任务也可以——已经有很多人用 Open Claw 做爬虫、做信息整合。但能不能赚钱，差的一个关键环节是：谁来定义哪个任务值得做？怎么收钱？怎么交付？这还是人干的活。有人能赚到钱，有人赚不到钱，不是因为会不会用 AI，而是你有没有赚钱的意识，有没有找到赚钱的机会。
Q6：小龙虾是不是趋势？要不要买 Mac？
Mac 上的体验是最好的。Open Claw 的开发哲学就是 Unix 哲学——一堆小工具，每个完成单一功能但做得很好，然后组合起来。这在 Unix 生态下跑得最好，而目前带图形界面的最好的 Unix 操作系统就是 macOS。
如果你用 Windows 也能跑，但体验会大打折扣，能力会被阉割。如果准备长期使用，一台 Mac mini 绝对物有所值——入门款 16G+256G 就够用了，3000 多块的台式电脑。搁在家里长期开机，在外面通过手机或笔记本远程连接即可。
Q7：小龙虾是不是 AI 操作系统的雏形？面向企业可行吗？
没错，它确实是 AI 操作系统的雏形。Open Claw 的作者 Peter Stanberg 对它的定位就是 AI 时代的 Linux 操作系统——早期都是极客在玩，但未来可能会出现安装和使用更友好的版本，带图形界面，那就是 AI 时代的 Windows。
面向企业当然可行，但需要做一些定制——比如限制它自行下载软件、安装 Skill 的能力，避免企业使用时的安全性问题。
Q8：”走 50 米洗车还要开车吗？”AI 总答不对，是模型能力问题还是问题陷阱？
两者都有。这个问题设计得比较巧妙，刚好打中了 AI 目前存在的一些问题。AI 本质上还是概率模型，存在幻觉，对”常识推理+隐含前提”还不够好。但如果 AI 在物理世界的世界模型做得足够好，不再单纯是语言模型，一定可以解决这个问题。
Q9：信息差在 AI 时代是更大还是更小了？
AI 时代信息极大丰富，获取信息的门槛不存在了。但因为信息太多，包含太多垃圾，筛选信息、解读信息、建立认知的能力差距被极大拉开了。不具备信息甄别和认知能力的人，会变成被信息投喂的消费者——每天消费低廉的娱乐品，逐渐被废掉。但如果你具备信息甄别能力，在这个时代的能力会被无限放大。
Q10：老鸟和菜鸟用智能体的区别
我讲一个有意思的故事。我有一个朋友是销售出身，不懂技术，只懂 Windows。在我指导下买了 Mac mini 装好小龙虾后，他问我怎么调度多个 Bot。我思考了一下，按照我的技术经验，我想的是在 Mac mini 上装 Docker，用容器把不同的小龙虾实例隔开。结果他怎么解决的？他直接问小龙虾：”你能不能给我生成多个 Bot，每个 Bot 有自己独立的个性，服务不同的人？”小龙虾说可以，帮他创建好了，事情就搞定了。
我作为老鸟反而不如菜鸟。因为懂得太多，给自己设定了很多思维的局限性。菜鸟什么都不知道，上来就让小龙虾自己搞定，结果真的搞定了。在这个时代，限制我们智能管家能力的，真的是我们作为人类贫瘠的想象力。
收尾
今天就聊到这里。提前祝大家马年春节快乐。因为下周日赶不及直播，下一期顺延一天，2 月 23 日周一晚见。每周《范凯说 AI · 周日晚聊》，跟大家分享 AI 行业新闻、个人思考，然后交流互动。晚安，祝大家新春愉快。