AI 的蛮荒时代结束了，我们该开始算账了
最近工作时，我发现自己已经极度依赖 Codex。
写代码用 Codex，查问题用 Codex，遇到线上故障，第一反应还是把上下文扔给 Codex。
以前接手一个需求，我会顺着调用链一点点往下看，把业务逻辑、数据结构和各种边界情况捋清楚。现在很少了。
我对系统还有一个模糊的全局认识，知道大概有哪些模块，数据从哪里来、往哪里走。但再往下的实现细节，很多时候是 Agent 在理解，不是我在理解。
效率当然提高了。
以前可能要折腾一天的问题，现在一两个小时就能解决。有些陌生项目，我甚至不需要完全读懂，就能让 Codex 帮我定位、修改、测试和提交。
但这种状态持续一段时间后，我开始有点后怕。
AI 替我干的，究竟只是代码实现，还是我理解系统的能力？
Token 要开始算 ROI 了
前几年大家探索 AI，多少有点不计成本。
模型出来了就试，Agent 更新了就装。十几个 Prompt 不行就继续跑，跑偏了再开一个新会话。大家都想知道 AI 的能力边界到底在哪里，Token 烧了也就烧了。
这个阶段正在结束。
我们部门最近也开始认真看 AI 预算。按目前的消耗算下来，一个人的 AI 额度，差不多已经到了半个实习生的工资。
更有意思的是，Token 消耗呈现出非常明显的二八分布：
- 前 5% 的人，消耗了大约 40% 的 Token；
- 前 20% 的人，消耗了大约 80% 的 Token。
这不一定是坏事。
如果一个人多花了十倍 Token，做出了二十倍的产出，那当然值得。问题是，有些 Token 只是烧掉了，并没有变成代码、产品、收入或者可复用的工作流。
以前我们问的是：AI 能不能干这件事？
以后应该会问：
这件事值不值得交给 AI？该用最强的模型，还是便宜模型就够了？花掉 100 美元 Token，最后到底换回来了什么？
AI 不再是一张无限额度的体验卡。它开始变成一项需要核算产出的生产成本。
蛮荒时代结束的第一个标志，就是财务开始进场。
只会写代码的研发，确实危险了
Coding 是目前被通用 Agent 渗透最深的行业。
Claude Fable 5、GPT-5.6 Sol、Kimi K3、DeepSeek V4 Flash，开放权重和闭源模型都在快速进步。尤其是通用 Agent，它已经不只是补全几行代码，而是可以读项目、查资料、改文件、运行测试，甚至自己发现问题。
Kimi K3 的技术报告里，已经直接把 Coding 和 Agent 能力放在核心位置。OpenAI 的企业报告也显示，企业 API 推理 Token 消耗在一年内增长了约 320 倍，Coding 是最早被系统化改造的工作之一。OpenAI 企业 AI 报告
如果一个研发只会把需求翻译成代码，却不懂业务、不懂用户，也不能判断什么值得做，那这个就已经非常危险了。
代码当然不会消失。
但“按照别人写好的需求，把代码实现出来”这部分工作的价格，会越来越低。因为 Agent 干得更快，不会累，还能同时开很多个。
以后真正值钱的，是定义问题、理解业务、判断取舍和为结果负责。
AI 可以帮你实现一个功能，但它不会天然知道这个功能是不是伪需求。它可以生成十套技术方案，却不知道公司现在最应该解决的是留存、转化还是现金流。
只会写代码的人，不一定马上失业。
但只会写代码这件事，已经越来越难构成护城河了。
视频生成结束“儿童时代”
另一个已经被深度渗透的行业，是影视创作。
Seedance 2.0 发布以后，视频模型在一致性、多镜头叙事、音画生成和控制能力上继续进步。字节跳动 Seed 团队已经不再把它描述成简单的“文生视频工具”，而是在处理复杂世界和连续叙事。
到了 8 月，MiniMax H3 模型的开源，进一步降低了大家的使用限制和门槛。MiniMax H3可以生成带原生立体声音频的视频，也在向更高分辨率、更完整的创作流程发展。
这类模型已经不只是给普通人做几个炫酷镜头了。
它越来越像是给导演、广告团队、短剧团队和专业影视从业者准备的生产工具。真正懂镜头、表演、节奏和叙事的人的能力，会被它放大得非常多。
反过来，原来依靠模板、素材搬运和低成本重复生产吃饭的团队，护城河会塌得最快。
以前拍一条电商广告，需要场地、模特、摄影、灯光和后期。以后可能只需要商品素材、一个懂产品的人，再加一套生成工作流。
不是创作消失了。是生产创作的门槛和成本都变了。
视频模型可能还连接着机器人
如果一个模型可以稳定生成符合现实物理规律的视频，它学到的就不只是“画面长什么样”，还包括物体如何运动、碰撞会发生什么、人如何操作工具。这类模型也被称为世界模型。
机器人训练最缺的东西之一，恰好是大量高质量的现实世界数据。真实采集很慢、很贵，还有安全风险。如果视频世界模型可以生成足够可靠的训练环境和操作数据，就能补充真实数据，加快机器人的训练和验证。
现在已经有研究把视频生成用于合成训练数据、虚拟评测环境和机器人动作规划。例如 Qwen-RobotWorld就在探索这条路。
当然，生成视频不等于模型真的理解物理世界。合成数据也不能完全代替真实数据。
但这条路线已经很清楚了。
人类已经给机器人准备好了身体、手、脸和负责运动控制的“小脑”。现在缺的是一个可以理解环境、长期规划并处理意外的“大脑”。
以后也许会出现一种相对通用的机器人大脑，可以适配不同形态的机器人。到了那个时候，机器人就不只是展会上翻跟头，而是真的可以进入工厂、商店和家庭。
下一个战场，是坐在电脑前的所有人
很多人觉得 AI 热潮是不是快结束了。我的看法正好相反。
Coding 只是最先被打穿的行业。绝大部分职业、公司和组织，对 AI 的利用还停留在写文案、做总结、查资料的阶段。
Coding 之后，下一个竞争最激烈的方向，大概率是办公 Agent。
WorkBuddy 已经把自己定义成能够完成策略、分析和交付的 AI 工作台；豆包、飞书以及其他办公产品，也都在向 Work Agent 靠近。
这和聊天机器人不是一回事。
聊天机器人告诉你怎么做。Work Agent 直接进入工作流，读取资料、调用工具、跨应用处理任务，最后把结果交回来。
一旦这套能力成熟，受影响的就不只是程序员了。
运营、行政、财务、客服、销售支持、数据分析，以及大量靠电脑、表格、邮件和 PPT 完成的工作，都会被重新计算需要多少人。
过去一两年，个人已经通过 AI 提效了，但组织还没有完全反应过来。
很多公司的汇报链条、审批流程、绩效制度和岗位划分，仍然是按照“人类亲手完成每一个步骤”设计的。员工提效了一倍，不代表公司真的多赚了一倍，因为大量时间依旧浪费在协作、等待和重复沟通上。
Work Agent 要改的，就是这一层。
所以传统打工人暂时还有一点时间。
不是因为 AI 做不到，而是组织还没改完。
AGI 可能还很远，但自我改进已经开始了
未来最值得关注的方向之一，是 RSI。
它的全称是 Recursive Self-Improvement，也就是递归式自我改进：AI 不只是完成任务，还参与改进模型、训练流程、评测系统和下一代 AI。
我认为 RSI 可能是通往 AGI 的重要前置能力，但它并不等于 AGI 已经实现。
目前出现的更多还是有边界的自我优化。目标、环境、算力和评测标准依然由人类提供。真正开放式、能够持续提升自身能力的 RSI，仍然存在很多技术和安全问题。相关研究也把当前能力与开放式递归改进做了区分。
但哪怕只看现在，事情也已经足够疯狂了。
人类让一堆沙子学会了思考。
我们把沙子提纯，刻上电路，通上电，堆进机房。最后，这些东西开始写代码、画画、生成电影，并参与设计下一代 AI。这是我们这个时代正在发生的事情。
我们现在该做什么
AI 带给职场人的确实是危机。
但对个体户、小团队和小公司来说，这可能也是非常难得的一段红利期。过去需要十几个人才能运转的业务，以后两三个人配合一组 Agent 就有机会完成。
未来很可能属于超级个体。
我们大概率无法在一家公司里安稳干到退休。既然迟早有一天要离开职场，那就没必要等到公司替我们做决定以后才开始准备。
我现在比较相信四件事。
第一，开始经营自己。
起一个号，持续输出，建立自己的名字、作品和信用。平台会变化，账号也可能做不起来，但你积累下来的内容、用户关系和行业认知，都是可以带走的数字资产。
第二，找一个足够垂直的方向。
不要一上来就想着做平台、做生态。先解决一小群人的一个具体问题，跑通从获客、交付到收钱的闭环。哪怕一个月只赚几千块，它也是工资之外的一条路。
第三，把身体和现金流放在前面。
未来也许真的有一天，大部分人不需要工作。但在那一天到来之前，我们还得先活下去。健康、应急资金和稳定的家庭关系，才是一个人真正承担风险的底仓。
第四，在自己理解的范围内，长期关注 AI 公司。
High conviction 不是看到 AI 两个字就买，也不是拿生活费赌未来。真正的相信，是看得懂公司的能力、商业模式和价格，然后愿意用长期资金承受波动。
因为相信，所以愿意花时间研究。研究明白了，才谈得上看见。
写在最后
我不觉得 AI 快结束了。
真正结束的，是不计成本烧 Token、把 AI 当玩具到处试用的阶段。
下一阶段，企业会开始算 ROI，岗位会开始重新定价，组织会开始重构。每个人也要回答一个更现实的问题：
如果有一天，公司不再需要现在的我，我靠什么生活？
这个答案不能等到失业那天再找。
从现在开始，把工作当成现金流，把 AI 当成杠杆，把业余时间变成自己的作品、用户和资产。
有一天离开职场时，最好不是被人赶出去。
而是你已经有地方可去。
本文是个人对 AI、职业与投资的阶段性思考，不构成职业规划或投资建议。