25年是 AI 快速发展的一年，我的感受是，AI 带来的不仅是效率提升，更多的还有焦虑。一方面，我们希望 AI 越来越强，努力探索如何训练与使用模型以提升效率；另一方面，随着 AI 能胜任的工作越来越多，作为工程师，我们未来的价值在哪里？各类 AI 应用/文章/创作层出不穷，而我应该专注在 AI 赛道的哪个方向？在这个本就追求即时反馈的时代，AI 加剧了“快”的诉求。如何在追求“快”的同时保有“慢”的积累，避免沉溺于短期收益而忽视自身的长期积累沉淀。
上半年带着这种焦虑，我开始读更多论文，尝试做理论积累。读论文带来即时的满足感——每读完一篇，带来一些认知的提升，内心会有小小的满足感。但如果知识没有被应用，停留在认知层面，未能深刻实践，则很快就会遗忘。这样意味着无效的努力与学习吗？在此投入的时间和精力是否值得？
这样的思考同样会带来焦虑，但却是必须的。神经网络的灵感最初来自模仿大脑的神经元，模型通过数据与设定的 loss 进行参数更新，从而实现迭代进化。我们也通过现实世界的体验与自我认知来训练自己，差别在于我们没有上帝视角，loss 完全基于自己的认知来评判。如果保持思考，持续提升自己的认知，则可实现自我迭代；而如果认知固化，面对相同的输入（外界信息），我们只会产生相同的判断，无法认识到自身的局限，陷入基于固有经验的判断模式，loss 接近于零，如同梯度消失，大脑的思维模式和决策参数将永远固化，无法更新。因此，需要保持思辨，不断扩展认知边界，避免大脑变成只会复用固有经验的”思维黑盒”。
基于这一年的思考和认知，我认为：
- AI 将越来越能胜任执行者角色。应尽可能把重复性、执行性的任务交给 AI，将更多时间精力投入到自我认知的提升上。
- 经验与熟练度的边际价值会持续下降。经验可被结构化为知识库供 AI 参考执行，或通过训练将经验融入模型。未来所有以经验或熟练度为门槛的工作将不复存在。谨记，固守经验会成为个人成长的绊脚石。
- 做任何事的本质都包含两个环节：信息获取与基于信息做决策。在没有 AI 的时代，信息获取成本高昂；如今应该让 AI 负责信息的高效获取和整合，我们则需要专注于提升信息解读与做决策的能力，而不再追逐表象知识的堆砌。
基于这些理解，26 年我个人的重点方向如下：
-
搭建提效 agent：把能自动化的工作交给 agent，让我有更多时间投入到学习与思考，同时保证产出。
- 系统化建立知识框架
- 深入基础理论：大模型的本质仍在数学，且我对数学始终保有兴趣。大模型的出现赋予了数学清晰的应用场景，给了我重新学习数学的动力和方向。另外，我坚信 AI 会有长期的发展。在当前的初期阶段，不必太急于求成，更需要给自己耐心，最重要的是在正确的方向上持续前进。做长期的事，而不仅仅是长期做事。
- 拓宽学科视野：持续涉猎经济学、历史、心理学等学科，建立更多维的认知框架。
- 知识运用：读懂并复现论文，将所学的数学知识进行应用，加强理论和实践的结合。
《劝学》有言：“不积跬步，无以至千里；不积小流，无以成江海”。在这个 AI 加速一切的时代，走得快，也要走得稳。把短期的执行交给 AI，把长期的成长留给自己。保持思辨，持续迭代。2026 年，积跬步，至千里。
