昨晚受到AI闹邀请，参加了位于张江AI路演中心举办的全球AI艺术黑客松颁奖典礼&拍卖会，不得不说各位参赛选手真的很有创意，特别喜欢《蝴蝶》和《余温》两个作品（虽然没有竞拍到…）
其实，与其说大家是围绕AI来进行艺术创作，不如说是探讨AI与艺术本身和艺术从业者之间的关系，我们常常会把AI放到对立面，但是其实AI和艺术也可以营造一种全新的共生关系🤔
重温了《黑镜》1-7季
个人视角下每季最佳：
第一季《天佑吾主》
第二季《白熊》
第三季《全网公敌》
第四季《黑色博物馆》
第五季《似乎没有》
第六季《亨利湖》
第七季《黑色怪物》
最后想说，科技本身本并无伦理道德，赋予它们“伦理道德”的其实是背后的人类，如何看待、如何使用、如何限制，是我们一直需要审慎的话题，因为科技随时会“反噬”我们自己^_^
前大厂运营，目前gap中+AI探索中，希望认识更多上海的AI、科技行业的朋友，随时约coffee chat☕️，当然有机会希望可以一起合作^_^
我能提供的：
互联网内容、社区平台的理解
创作者、内容生态的理解
自媒体账号的一些思考
求职转型的建议（简历、面试、职业规划）
出片审美（个人是摄影爱好者，手机&相机）
近期看过的最值得深思的AI访谈…
这绝对是近期看过的最值得深思的AI访谈
昨天补课看了《赛博对话》微软中国 CTO 韦青老师这一期访谈，绝对是我近期看过最有趣、最值得深思的关于AI的访谈了（2024年的一次Ted线下活动，曾有幸在现场听到了韦青老师关于AI主题的短暂分享，记忆犹新，技术出身的他其实在尝试用人文的视角理解技术本身，充满哲理性）。
回归正题，本次访谈对话其实探讨了“微软如何在 AI 时代重新定位自己”、“技术如何落地”，以及“人和机器该如何共处”的几个核心话题：
1、AI 的价值不是替代人类，而是帮助我们纠正认知偏差
韦青老师在访谈里明确提出：AI 的真正价值不是简单的自动化（Automation），而是增强人类的认知能力（Augmentation）。换句话说，AI 不是来“取代我们做事”，而是来让我们看到自己思考中的盲点、纠正偏差、让原本容易忽视的因素变得可见，这一点让我意识到人的本质是什么。在今天大量谈论 AI 自动化会淘汰工作、会替代技能的时候，我们对 AI 的期待不应该只是“让它替我完成任务”，而是期待它让我们变得更清晰、更辩证地方式理解世界。
2、真正的 AI 战略，不是技术堆叠，而是文化与组织能力
访谈的一个高频关键词是“文化”。韦青老师多次强调，微软之所以能够在 AI 时代重新迈步，不在于它拥有多少专利或者模型参数有多大，而在于组织内部的文化和思维方式的更新（而这些积累和更新往往是最不起眼的）：
从“Know it all 到 Learn it all”
微软 CEO 萨提亚提出的这个思维转变，本质是：从“我应该知道所有答案” 转向 “我愿意不断学习”，认可知识的动态性与迭代性。
容错与创新并存
当一个团队拥抱失败、鼓励尝试时，它就能在不确定性极高的 AI 领域保持探索动力。微软允许犯错、允许实验失败，但不会让失败成为“停滞”的借口。
在访谈中这一点给我很强的启发：AI 时代的竞争，不是单纯算法比谁更“强”，而是谁能够更快把 AI 嵌入实际工作流程，并让团队适应这种变化。
3、人机协同的未来，取决于我们如何看待“主观能动性”
访谈中韦青老师还触及了一个更深层的哲学问题：在 AI 到来之后，人类最大的价值不是“提供数据”，而是提供“异常值”。
什么是异常值？
简单说，就是那些 AI 难以预测、难以标准化、甚至是“非理性”的创造性因素。比如艺术灵感、突发的洞察、反直觉的判断。他甚至提到，我们不应陷入 AI 新闻轰炸的认知噪音中，而是要学会用 AI 来反思自己的思考模式（降噪的过程）。
这让我想到一个现实问题：
现在社会上很多讨论 AI 替代工作的声音，往往都是从“能否取代技能”角度出发，却忽视了一个核心逻辑：当 AI 处理重复性任务时，人类真正需要提升的是“生成性思维”与“异常判断能力”。
写在最后
✔ AI 不只是工具，更是认知扩展器
✔ 技术之外的文化和组织能力，是企业赢得未来的关键✔ 人类在 AI 时代的独特价值，不是被替代，而是被放大
如果把 AI 看作“知识的放大镜”，那我们现在面临的最大挑战就不再是“被机器替代”，而是如何定义与机器共存的新主体性，我们应该跳脱出AI取代人类的传统叙事。
看完Open AI翁家翌的访谈，我收获了这些…
看完长达2h的访谈，我最大的感受是：我们可能长期高估了“算法突破”的重要性，却低估了“系统能力”在 AI 时代的决定性作用。
1️⃣大模型的分水岭，已经不在“聪不聪明”，而在“能不能被持续塑造”
翁在访谈中多次提到 Post-training 和 RL 的价值，这让我意识到一个变化：今天大模型之间的差距，已经不主要来自预训练阶段的规模或架构，而是来自后续“被怎样调教”。谁能更快构建反馈闭环、谁能更稳定地把人类偏好嵌入系统、谁能让模型在真实世界中不断纠偏——这些能力，本质上更像“工业能力”，而不是单点科研成果。
从这个角度看，AI 的竞争越来越往工业化趋近。
2️⃣伟大往往都不是“计划”出来的，而可能来自对细节的打磨
访谈里有一个很打破浪漫想象的细节：ChatGPT 在早期并不是一个被所有人一致看好的“注定成功的产品”。这让我反而更清楚地意识到：在 AI 这种高不确定性领域，真正重要的不是“一开始判断得多准”，而是“当方向还不确定时，系统能不能让探索继续”。如果没有稳定的 infra、足够快的实验迭代能力、以及容错的组织结构，很多看起来“后来改变世界”的东西，其实在中途就已经死掉了。
换句话说：工程体系的价值，往往体现在它没有犯错的那些时刻，它的价值可能并非线性的释放，而是在某一刻涌现。
3️⃣从翁的路径里，我看到了一种“非典型成功模型”
翁的成长路径并不完全符合外界对“顶级 AI 人才”的刻板印象。相比单纯强调 paper 或理论突破，他更像是在不断做一件事：让系统更可用、更稳定、更容易被他人接力。这类人往往不会在某一个节点“爆红”，但在长期尺度下，却极容易成为关键节点上的“放大器”。
这让我开始重新思考一个问题：在 AI 这样一个高度协作、极度复杂的系统工程里，个人能力的最优解，可能并不是“最强”，而是“最能被连接”。
写在最后
这期访谈让我意识到：
AI 的下半场，拼的可能不是谁第一个想到（idea is cheap），而是谁能把不确定的东西，长期、低摩擦地推进下去。而这，恰恰是工程、组织和价值取向共同作用的结果。也许真正稀缺的能力，从来不是“天才式突破”，而是在不确定中，持续让系统向前走的那群人。
👉🏻【关于我】
🧑🏻💻男生，95后，base上海
💼前互联网Top大厂运营（社区、内容向）
📸AI探索者，热爱生活、探店、运动，生活记录者、摄影爱好者，相机、手机摄影
目前gap中，希望通过coffee chat的方式link到更多AI创业&从业的朋友，说不定大家可以一起碰撞更多火花💥，甚至有机会一起做一些更有趣的事情😎