现在是深夜十一点，我很想写点什么。上一次有这样强烈的表达冲动，已经是在 2024 年 3 月了。

接下来的话题可能与社会、AI 有关。有些想法或许有些道理，但大部分应该只能算作我的一己之见。

让我们就从《哦，香雪》这篇文章开始。

《哦，香雪》是一个关于等待与追梦的故事，创作于 1982 年。每天停留一分钟的火车，打通了闭塞的山村台儿沟与外部世界的联系，也为香雪和一群山村少女打开了一扇通往现代文明的窗口。她们开始意识到，在群山之外，还存在着一种完全不同的生活。小说描绘了社会变迁给山村少女精神世界带来的冲击，也写下了她们生命意识的觉醒，以及对爱、美和理想的追寻。

但在第一次阅读这篇文章时，我想到的却是一个有些“不那么正面”的问题。我觉得，香雪对于铅笔盒的向往，甚至超过了对鸡蛋本身物质价值的在意，很大程度上源自人与人之间的比较。她看见别人拥有漂亮的铅笔盒，自己也想拥有一个更好的。如果一定要用一个略显刺耳的词，我最初会把这种情绪称为“嫉妒”。

当然，更准确地说，它也许是一种由比较激发的羡慕、自卑、不甘与自尊。无论这个铅笔盒最终是不是真的能让她变得自信，能不能帮助她考上大学，至少在最开始，当她因为自己的铅笔盒受到同学嘲弄、感到难堪的时候，她心中那股想要得到一个新铅笔盒的冲动，又怎么可能完全没有这种成分？

不可否认，台儿沟的女孩子们都是淳朴、善良而天真的。她们与外界接触的机会，只有每天停留一分钟的火车。在这一分钟里，她们争先恐后地向城里人询问各种问题，交换物品，从这些极其有限的接触中拼凑出自己对外面世界的想象。也不能否认，现代文明为台儿沟带来了新的可能：人可以走出去，可以接受教育，可以看到比山沟更大的世界，也可以尝试改变自己的命运。

香雪本来正是这样一个单纯的人。她从来不会说谎，不会像别的姑娘那样骗母亲说衣服掉进河里，再拿省下来的钱去换糖吃；面对别人的嘲弄，她甚至一度听不出话外之意。可是什么造成了她的变化？是同学的嘲弄，是人与人之间的比较，也是外部世界突然闯入之后，她第一次意识到自己与别人之间存在着差距。如果沿着这个角度一路推下去，我们似乎很容易得到一个悲观的结论：社会上存在恶意，现代社会充满比较，而社会的发展又注定会淘汰一部分跟不上变化的人。可问题是，这几乎无法被彻底消除。我们不可能要求整个社会中的每一个人都善良，也不可能让人与人之间永远不存在比较。

那么，这是否意味着火车停靠台儿沟，反而给台儿沟的人带来了灰暗？是否意味着她们最好一生待在自己原来的天地里，在一个相对淳朴、稳定、熟悉的乡村中平平淡淡地度过一生？如果是你，你会这样选择吗？

对于一个已经厌倦了世俗欲望的人来说，答案也许是会。于我，答案是否定的。而我觉得，真正有意思的地方，也正是从这里开始。

一个封闭的世界被打开以后，人会获得新的梦想，也会产生新的欲望、新的自卑和新的痛苦。但正是在这种复杂的碰撞中，一个人才开始真正意识到：我是谁？我身处何处？我又想成为什么样的人？所以，重要的是香雪最后有没有换到铅笔盒吗？并不是。更重要的是，在与外界不断碰撞的过程中，她逐渐摸清了自己在这个世界中的位置。她来自台儿沟，这是她无法改变的过去。她想通过知识改变自己的命运，想去看看外面的世界，这是她可以选择的未来。而夹在这两者之间的那个铅笔盒，就不再只是一个铅笔盒。她最初可能只是觉得：如果我也拥有它，我是不是就离那个“更先进的世界”近了一点？可在追逐它的过程中，她慢慢发现，自己真正渴望的并不只是现代生活中那些漂亮、新奇的东西，而是隐藏在这些东西背后的身份、自尊、知识和选择命运的可能性。作者并没有刻意把香雪塑造成一个毫无杂质的“完美人物”。她会羡慕，会自卑，会受到刺激，也会产生欲望。恰恰因此，她才真实。真正值得注意的，是一个普通少女如何从这些真实甚至并不完美的情绪出发，在行动中逐渐发现自己的勇气、欲望和目标。我想，这才是香雪真正值得我们学习的地方。

你可能会问，《哦，香雪》已经是上个世纪的作品，当年的社会环境与今天完全不同。现在的人早已生活在现代社会之中，互联网又让人与人之间的联系达到了过去难以想象的程度。即使近年出现了供应链重组、贸易壁垒等“逆全球化”现象，我们在信息、技术和产业上的联系仍然极其紧密。从世界任何一个角落发出的信息，都可能在极短时间内传到地球另一端。

那么，今天重新谈香雪，还有什么意义？

9 月 14 日，DeepSeek 工程师刘胜与发表长文《我不得不把才华埋葬在昨天》。他说：“再过上半年或者一年，AI 写的算子大概率就会和我写得同样优秀，甚至将我超越。”AI 可以在极短的时间里完成大量代码编写、搜索、试错与分析，而人的时间、精力和思考速度终究存在生理极限。这形成了一个颇具意味的悖论：一个工程师把底层算子优化得越好，模型的训练与推理效率就可能越高；模型进步得越快，AI 参与甚至替代部分人工算子开发的那一天，也就可能来得越早。面对这种变化，刘胜与写下了一句让我印象很深的话：

“人类在毁灭自己这件事情上，自古以来都表现得毫不犹豫……我当然希望自己不要被革命，但如果非被革命不可的话，我希望革我自己命的人是我自己。”

一个已经站在技术前沿、拥有丰富专业经验的开发者，尚且会产生这样的感受。那么，对于像我们这样的普通人呢？网上曾流传过一个段子：要记住自己在 2022 年 11 月 30 日那天下午做了什么，将来回忆这个时代的时候，才有故事讲给后人听。因为就在那一天，ChatGPT 正式发布。当然，一项技术不会因为某一天突然出现就立刻改变世界。但回过头看，2022 年 11 月 30 日确实可以被视为生成式 AI 大规模进入公众视野的一个标志性节点。谁也没有想到，不到四年后的今天，我们已经有 DeepSeek、Kimi、Qwen、ChatGPT、Claude、Gemini 等一系列模型，在竞争中不断迭代。AI 的发展也远远不止大语言模型这一条路线。从音乐生成，到视频生成，再到图像生成，生成式模型正在进入越来越多原本被认为高度依赖人类创造力的领域。插一句题外话：我其实很反感现在一些产品动不动就在宣传语里加上“AI”。一些原本只是自动化、搜索、模板匹配，甚至只是普通算法就能实现的功能，也被包装成“AI”。真正值得讨论的技术变化，反而经常淹没在营销语言之中。

而一个问题也随之而来：

如果我没有赶上这样的时代潮流，我是不是就会被时代淘汰？

从这个角度来看，当下的我们与香雪的处境，似乎突然有了某种相似之处。我们看到有人利用 AI 提升生产力，有人用 AI 编程，有人用 AI 做研究、创作、设计，于是我们感受到一种落后感，甚至是一种自卑。我们争先恐后地向他们请教经验，研究他们使用什么模型、什么工具、什么提示词，仿佛只要拿到同样的东西，自己也就能靠近那个“更先进的世界”。于是，在 2023 至 2024 年间，各种 AI 课程迅速流行，相关书籍层出不穷。有人教怎样写 Prompt，也就是提示词；有人教所谓的“AI 思维”；还有人兜售关于“下一个时代风口”的判断。可这些东西真的都有用吗？我持怀疑态度。随着模型能力提高，复杂提示词工程的必要性确实在下降，特别是对于推理能力更强的模型而言，简单、直接、目标明确的指令往往已经能够得到相当不错的效果；但这并不意味着 Prompt 已经“没有用”。官方文档至今仍然强调：清晰描述任务、提供必要上下文、规定输出要求，依然会显著影响模型表现。真正发生变化的，是“会不会背一套 Prompt 模板”的价值正在下降。

这也让我们得以重新审视当年围绕 AI 产生的大量焦虑：其中到底有多少是真正的技术需求，又有多少只是因为人们害怕错过新时代，而被包装出来的概念？至少我怀疑，在某些阶段，教别人“如何抓住 AI 风口”的生意，可能比真正使用 AI 去解决问题更加繁荣。

这背后更深层的原因，其实是人们对 AI 的想象，与 AI 当时真实能力之间存在巨大的落差。还是以大语言模型为例。我见过有人问：“为什么 DeepSeek 不能直接生成图片？”“为什么它不能直接做 PPT？”我的第一反应是：在使用一个工具之前，也许最好先了解它究竟是什么、能够做什么，以及不能做什么。ChatGPT 刚刚进入大众视野时，媒体迅速开始讨论“AGI 是否已经到来”“哪些职业会被取代”。此后的每一次重要模型发布，也几乎都会伴随“颠覆”“革命”“人类被超越”等极具冲击力的标题。可回头看，那些当时令人震惊的模型，与今天的模型相比，能力往往已经存在明显差距。

但即使到了今天，我们真的已经可以把所有事情都交给 AI 吗？当然不能。

与此同时，也一直有人在做更加冷静的实验：测试模型的边界、错误率、可靠性、泛化能力，以及它究竟在哪些任务上真正有效。只是这些结论通常没有“AI 即将取代所有人”那么吸引眼球。

某种意义上，我们就像香雪一样。外面的世界突然闯进来了，我们第一次看见一种新的、更强大的工具，于是在冲击之下，很容易暂时失去尺度感，狂热地追求更快、更强、更新的模型。但事实上，AI 的发展依然远没有结束。没有人能够准确知道它最终会走向哪里。我们只能一步一步往前走，在实践中不断重新认识它。

回到 2025—2026 年，我们现在或许终于可以稍微冷静一些，谈谈“AI 的能力”究竟来自哪里。如果从普通用户的角度做一个极度简化的划分，我觉得可以把它分成三层。第一层，是模型本身的能力。也就是它的知识、推理、理解、规划和生成能力。这也是各种 Benchmark——基准测试——试图衡量的东西。第二层，是模型能够使用的工具与运行环境。一个只能在聊天框里输出文字的模型，与一个能够搜索资料、执行代码、操作文件、调用终端、浏览网页乃至控制计算机的 Agent，最终能够完成的任务完全不同。Codex、Claude Code 以及各种 harness，本质上都在尝试解决这个问题：怎样把模型的“脑”接到现实世界中的工具上。第三层，才是人给它的任务与提示。Prompt 决定模型需要解决什么问题，提供什么上下文，受到什么限制，以及怎样判断任务是否完成。

而这三层其实正在共同变化。尤其是第三层。过去，“会写 Prompt”一度被包装成一种非常专业的技能；而到了今天，模型本身对自然语言的理解能力已经显著增强。AI 在许多领域拥有远超普通人的知识储备。很多时候，你只需要把自己真正想做的事情说明白，它就可以主动调用相应知识，帮助你把一个模糊想法逐步变成方案。这意味着一个非常重要的变化：

实现的门槛正在下降，而提出值得实现的东西，反而变得更加重要。

当然，我并不认为“任何人只要会打字，就能做出真正优秀的软件”。从“做出一个能跑的原型”，到“做出一个可靠、安全、可维护、真正有人愿意使用的产品”，中间仍然存在巨大的工程鸿沟。但不可否认，AI 已经显著降低了把一个想法变成原型的成本。过去，你可能需要先学习半年编程，才能验证一个想法。现在，你可能一个晚上就能看到它运行起来。于是，“我会不会写代码”这个问题的一部分重要性，开始转移成另一些问题：我到底想做什么？我为什么想做它？这个世界上有什么问题，是别人没有注意到，而我注意到了的？

所以才会有人说，AI 时代要善于提出问题。也有人说，AI 时代，灵感会越来越珍贵。我觉得这两种说法背后其实是同一件事：一个真正值得做的想法，往往来自长期的观察、感悟、思考与实践。你要先生活，先接触世界，先产生困惑，然后才可能提出真正有意义的问题。AI 可以替你补全代码，可以替你检索资料，可以替你生成草稿。但它很难替你决定：为什么这件事情值得做。一个有创造力、有创造欲，又愿意在某个方向长期积累的人，在今天拥有了过去难以想象的杠杆。反过来，如果只是不断追逐最新工具，却从来没有真正想解决的问题，那么无论换多少模型，最后做出来的可能仍然只是另一个记账本、日记应用，或者一个早已有无数人做过的 Demo。工具越来越强，并不会自动让目标变得有意义。

最后，也是最复杂的一层，是模型本身的能力。而在这里，又存在两种不同层面的竞争：公司之间的竞争，以及国家和产业体系之间的竞争。

先说公司。我们经常把模型简单分成“开源”和“闭源”。不过严格来说，现在很多所谓“开源模型”更准确的说法其实是“开放权重模型”：开发者公开模型权重，允许用户自行部署、微调和研究，但训练数据、完整训练代码或其他组成部分未必全部开放。这类模型的优势，是社区参与度高、自主部署能力强、成本和数据控制更加灵活。而闭源模型通常由研发公司保留权重，只通过网站或 API 等形式提供能力。它的优势则往往来自集中投入、完整产品体系以及巨额算力资源。

到了今天，如果只看最前沿的通用能力，最领先的一批模型仍然主要集中在少数大型闭源系统中；与此同时，开放权重模型在成本、本地部署、定制化和部分专业任务上的竞争力也在快速提高。而最近发生的一些事情，让这种变化显得格外明显。2026 年 9 月，OpenAI 宣布其内部 AI 系统给出了纳维—斯托克斯方程千禧年难题的一个解答。这一成果引发了数学界极大关注。与此同时，在编程和视觉创作中，模型的变化同样明显。就在最近，一个使用 Claude Opus 5.5 和 Claude Code 工作流完成的大量代码生成、视觉设计与分镜工作的 P(doom) 音乐视频项目在技术社区引起了很大关注。它并不是视频扩散模型“一次生成”的作品，而是由模型编写程序，再通过浏览器图形系统逐帧渲染出来的。

至少在我看来，它真正让我震动的，并不是“AI 会做视频了”。而是过去我们习惯把创造力、数学证明、软件工程分别放在完全不同的盒子里，可现在这些边界正在同时被模型触碰。P(doom) 里有一句歌词：“But now the singularity’s begun.”技术奇点开始了。当然，我并不知道所谓“奇点”是否真的已经到来。但回顾这一年以来 AI 能力变化的速度，很难完全没有一种历史正在加速的感觉。过去我们不断寻找一些“AI 肯定做不到”的题目。可那些边界正在一条一条移动。也许很多年以后回头看，我们今天用来区分“人类能力”与“机器能力”的某些标准，会显得像曾经的人们相信计算机不可能下好围棋一样自然。这并不是一个严谨的预测。只是身处其中时，我确实会产生这样的感受。

再往下一层，就是国家和产业体系之间的差距。在当前前沿 AI 竞争中，美国和中国无疑是最受关注的两个产业中心。中国很多模型厂商选择了开放权重路线，并在模型效率、工程优化以及部分生成式 AI 领域形成了自己的优势；美国则拥有多家拥有巨大算力和资本投入的闭源前沿实验室。视频生成也是一个很好的例子。像 Seedance 这样的系统本身属于闭源视频生成模型，与前面提到的 P(doom) 那种“模型写代码—程序渲染视频”的路线并不相同。而在 LLM 领域，一部分最前沿的通用能力目前仍掌握在美国少数闭源公司手中。这会带来一个现实问题：如果最前沿的能力长期只能通过少数国外公司的 API 获得，那么技术能力就不仅是“有没有”的问题，也会变成“能不能稳定获得”的问题。例如 Anthropic 将中国列为未支持地区，并在 2025 年进一步收紧了对来自中国等未支持地区、以及受这些地区控制的实体使用其服务的限制，其公开理由主要涉及法律、监管和国家安全风险。我并不想在这里讨论一家公司的政治立场。真正让我在意的是一个更一般的问题：

如果未来最重要的一种基础能力掌握在别人手中，而你只能被动接受别人决定什么时候、以什么价格、在什么条件下向你提供它，那么会发生什么？

这也是为什么，我开始真正意识到拥有自主 AI 技术体系的重要性。而这种差距背后，算力是一个非常重要、但并不是唯一的因素。现代大模型的训练与推理高度依赖大规模计算基础设施，英伟达 GPU 与 CUDA 生态长期占据非常重要的位置。与此同时，美国近年来持续对部分面向中国的数据中心级先进 AI 芯片实施出口限制；英伟达自己的公开文件也明确提到，这些规则影响了其在中国数据中心计算市场提供高性能产品的能力。但如果把所有差距都归结为“显卡不够”，同样会过于简单。模型能力背后还有算法、数据、人才、资本、工程体系、集群通信、编译器、软件生态以及基础研究等大量因素。也正因为硬件受限，国内研究团队反而被迫在很多地方更加重视效率。新的架构、新的训练方法、更高效的算子、更好的通信系统，都在尝试从有限的硬件中榨出更多性能。

就在今年 9 月底，DeepSeek 与华为围绕昇腾平台进一步开放了包括 TileLang、计算库和分布式通信库在内的一系列基础设施组件，尝试完善不同于 CUDA 的本土 AI 软件生态。这条路显然还很长。但至少，它正在走。

而写到这里，我忽然发现，自己其实也和香雪没有那么不同。我应该算是一个使用 AI 比较多的人。我也会追逐更好的模型。最开始的时候，我甚至会产生一种非常类似香雪的想法：只要我也用上最新、最强的模型，我是不是就离“真正的 AI 世界”更近了一点？这和香雪看着那个铅笔盒时，又有多大区别呢。她以为自己缺的是一个铅笔盒。我以为自己缺的是最新模型。可后来我慢慢发现：铅笔盒不是大学。最新模型也不是能力本身。真正重要的，是在追逐这些东西的过程中，你究竟看见了什么。

香雪看见了山外的世界，也看见了自己的自尊、勇气和愿望。而我在一次又一次使用 AI、折腾模型、写程序、做项目的过程中，开始真正感受到今天前沿 AI 技术之间的差距，也第一次认真思考：这种差距究竟从哪里来？未来又会走向哪里？而我自己，愿不愿意真正参与其中？我会感到不甘，也会感到愤怒。也会偶尔产生一种很宏大的冲动：如果真的存在这样的差距，那我希望有一天自己也能做一点事情，让它变小。这当然很可能只是一个人在深夜十一点写文章时的一时冲动。

我也必须承认，在真正的技术攻坚面前，这样的话说起来实在太轻。那么多比我优秀、比我有经验得多的工程师，已经花了无数时间和精力走在这条路上。我甚至还没有真正走到它的起点。但至少，在形形色色的实践中，我已经开始意识到差距。也开始意识到自己的目标。

也许，这就是香雪的故事在四十多年后依然能够打动我的原因。我们和香雪，都处在一个旧的能力标准正在被打破、新的世界突然变得可见的时代。当那个更大的世界第一次出现在眼前时，我们都会兴奋，会羡慕，会自卑，会恐惧，也会产生过去从未有过的欲望。这些情绪未必高尚，也未必理性。但它们并不可耻。重要的是，在追逐那个“铅笔盒”的过程中，最后究竟有没有看清自己真正想要什么。

我们和香雪一样，都站在“火车停靠的一分钟”里。

区别只是，

她面对的是现代工业文明，

而我们面对的是智能化文明。