看了中国LLM讨论纪要，我的十一点感受
1. 国产模型过去依靠蒸馏追赶海外模型，现在这条路正在被逐渐堵死，反蒸馏已经从拒绝提供完整推理，发展到账号封禁、API降级和访问限制，数据获取成本大幅上升。
2. 蒸馏解决不了算力代差，700B模型蒸馏数万亿Token，效果仍然存在明显上限，模型规模越大越需要回到预训练和自主研发。
3. Coding Benchmark已经逐渐失去区分度，竞争将从刷榜转向完整研发任务，能不能自主完成需求、开发、测试、部署和维护，比单次代码生成成绩重要得多。
4. RSI的核心是AI能不能建立自我验证的反馈闭环。谁先让模型自主完成实验、验证结果、改进下一轮训练，谁就能突破研究员数量的限制。
5. 下一轮模型竞争的核心数据来自真实世界。互联网文本和代码已经不够稀缺，药物实验、临床数据、机器人轨迹、物理仿真才是真正的壁垒。
6. 开源模型的低价优势正在被闭源模型打破。Claude、Codex等产品已经下探到过去国产Flash模型的价格区间，开源模型真正剩下的优势是私有化部署、数据控制权和微调能力。
7. 国产模型正在遭遇打击：模型能力不占优，就无法提价；闭源模型持续降价，又无法维持价格优势；继续扩大参数规模，还要承担更高的训练成本。
8. DeepSeek与华为的合作值得关注。模型、算子、通信和芯片进行联合优化，是国产算力摆脱CUDA生态依赖的重要路线，但这也意味着更高的工程投入和更长的探索周期。
9. AI制药的价值不等于AI模型的价值。模型提高分子发现效率，真正的瓶颈仍然在实验、动物模型和临床验证，产业链价值会向CRO、CDMO及临床服务环节传导。
10. 海外CSP上架国产模型，不代表国产模型获得了高利润渠道，Bedrock上还有大量前沿模型和Amazon自研模型，流量分配、平台分成与推理成本才决定最终利润。
11. 模型公司的估值逻辑需要重新审视。过去市场愿意为参数增长、Benchmark提升和用户增长付费，现在必须进一步回答：模型能否形成独有数据壁垒，能否持续降低推理成本，能否在价格战中保持利润。
以我了解到的某大厂业务部门实践为例，详细讲讲怎么成为AI Native组织。
1. 先搭建AI基础设施
首先需要解决模型接入、使用成本和工具复用的问题，让员工主动使用AI。
他们搭建了一个模型广场，作为公司统一的模型API入口，员工接入外部模型可以通过这个平台完成，同时分成个人空间和业务空间。个人空间有独立额度，供员工自行探索；业务空间则分配给具体业务团队，方便管理使用额度和成本。
另外还建立了Skill和MCP中心，员工可以把自己开发的Skill、MCP上传共享，其他人直接复用。平台也制定了接入规范和身份鉴权标准，避免不同团队重复造轮子。对于使用量和人气排名靠前的Skill，每个月还有相应奖励。
在这些基础设施之上，开始出现实际的效率提升。一些可以参考的数据：coding和测试提效约三成，内容审核的初审工作基本可以由AI承担，AI告警定位平均可以在分钟级完成定位，三分之一的告警能够通过AI完成处理。
2. AI Coding到产品经理交付
下一步需要解决的是如何让AI从一个员工主动使用的工具，变成能够主动承担完整任务的生产力。
他们把AI封装成不同层级的任务执行能力，并开发了一个接入企业IM的研发数字人，员工可以像和同事沟通一样直接提交任务。
像是L2层级，主要面向研发人员，属于研发辅助模式。研发已经拿到产品需求文档，可以直接让数字人完成写代码、部署、测试环境验证。如果结果不符合预期，就退回去重新修改，直到验证通过，最后由研发人员完成代码合入和正式发布。
L3则更进一步，面向产品经理，属于自主交付模式。产品经理可以直接向数字人描述一个简单需求，Agent首先判断这个需求是否适合自主开发，符合条件后再进行写代码和验证。
这套模式目前主要适用于B端简单需求，C端业务还比较复杂，无法直接套用。
提效还是很明显的，原本需要十几个小时的简单需求，现在可以压缩到约1小时。
但也带来一个问题，个人效率提高了，组织效率却没有同步提高。
3. 重新设计研发工作流
为什么个人效率提高了，组织效率却没有同步提高？
研发流程存在大量交接。产品经理完成需求分析，需要把信息传递给研发；研发完成代码，又要交给测试；测试完成后，还要经过审核和发布。
每个环节都有自己的上下文，信息在不同岗位和工具之间不断损耗。即使AI已经大幅提高了coding速度，其他环节的等待和交接依然存在。
因此，他们把原来的研发工作流拆成需求流和发布流。
需求流负责从一个想法开始，一直到代码合并；发布流负责把一段时间内完成的多个需求整合起来，统一发布到线上。
为什么需求和发布要分开处理呢？
我觉得核心原因是，多个需求还需要进行整合、版本管理和发布验证。
B端和C端的流程也有明显差异。
B端业务的需求流相对简单。像是一个中间件业务，用户反馈或系统工单可以自动进入平台，由产品Agent完成需求分析和方案设计，人工确认需求文档后，再交给研发Agent写代码，最后由人工完成发布。
C端业务则复杂得多。以小游戏业务为例，需求可以从用户反馈VOC进入工作流，经过产品设计、研发实现、测试验证，最后还要进行效果回收。中间可能涉及设计、翻译、埋点等多个专业环节。
发布阶段还涉及客户端、服务端等多端协同，现在仍然以人工发布为主，AI目前无法取代。
4. 专业能力沉淀为公共Agent
重新设计工作流之后，还需要解决不同专业领域的能力如何参与的问题。
过去设计、翻译、埋点、测试等工作都需要对应岗位的人员参与，现在逐渐把这些领域的专业知识和工作方法封装成公共Agent，不同业务可以直接调用这些能力，也可以根据自己的实际需求进行定制。
在实践中发现，测试和翻译Agent的接入率、采纳率都比较高。但设计Agent的表现相对有限，原因在于设计本身具有较强的主观性，简单的L1、L2级需求可以交给AI处理，涉及复杂审美判断的设计仍然需要人工参与。
发布Agent目前也主要打通了B端业务。
很多人没意识到，这是一个显著变化：现在不同岗位积累的专业经验，能变成其他岗位直接调用的Agent。
5. 建设平台
有了工作流和公共Agent，还需要一个统一的平台，把任务、知识和上下文连接起来。
他们建设了两套基础设施，一套叫知识库，另一套叫交付平台。
知识库最初从代码仓开始建设，定期同步代码信息，同时允许员工上传业务文档和其他资料。
但有价值的往往是员工在日常工作中产生的经验。代码和文档只能提供一部分信息，比如一个需求为什么提出，中间遇到了哪些问题，为什么最终采用某个方案，这些信息也应该被记录下来。
因此，知识库与交付平台进行了打通。交付平台负责管理整个工作流，把不同任务交给对应的Agent，同时让人和Agent共享上下文。
举个例子，产品经理完成需求设计后，研发Agent可以直接获得需求背景、目标和交付要求，不需要重新解释一遍。即使研发人员使用Cursor或Codex等外部工具，也可以通过MCP把执行结果和状态回传到平台，后续环节继续沿用之前的上下文。
交付平台还支持流程回退。如果研发发现代码不符合预期，可以退回编码节点重新执行；如果发现产品需求本身有问题，也可以直接退回需求设计环节，重新走后续流程。
6. 组织结构的调整
当工作流、专业Agent和知识库都建立起来之后，才真正有条件尝试改变原来的组织协作方式。
一些真实业务场景进行试点，在新的工作模式下，人主要负责需求判断、关键决策和最终结果，Agent承担更多具体执行工作。原来依赖不同岗位之间反复沟通才能完成的事情，现在可以通过统一工作流和公共Agent完成协作。
很多人理解的AI Native组织是给所有人买ChatGPT Pro，这是错误的。
就像给汽车装上飞机发动机，汽车也不会因此飞起来。原来的工作流程没有改变，再强的AI也只能提高其中某些环节的效率。
企业引入AI，最初改变的是员工完成工作的方式，随后改变的是不同岗位之间的协作方式，最后才可能改变整个组织的结构。
十条近期的判断及思考：
1. 我依然认为计算机是最值得学的专业之一，计算机不只是写代码。
2. AI越强，技术基础知识反而越重要，具体技术操作的价值会变低。
3. 未来最有价值的技术能力，是知道AI做不到什么。
4. 大多数人没必要天天使用最强的AI模型，但一定要知道最强模型已经发展到了什么程度。
5. 大多数AI工具都不值得第一时间尝试，没有明确需求，追新工具就是在浪费时间。
6. AI正在消除跨行业的入门门槛，但没有消除跨行业的交付门槛。
7. 人的核心工作：带着AI完成AI独立做不到的事情。
8. 不建议大多数人盲目考研读研，即便学历能提高就业概率，也不代表值得为此投入三到五年。
9. AI降低了做产品的门槛，提高了真正做好产品、卖出产品的难度。
10. 未来最稀缺的人：清楚应该让AI解决什么问题的人。
