年终反思：为什么2025年对AI来说是相当不错的一年（但原因可能与你想象的不同）

总的来说，2025年对于AI来说是相当精彩的一年。哪些方面进展顺利，哪些方面进展不顺，以及哪些方面最让我感到惊喜——放心，绝对不煽情！

作者：NATE 2025年12月25日

2025年并没有出现科幻小说里那种吸引眼球的AI版本——没有机器人管家，没有通用人工智能（AGI）突破性进展的新闻发布会，也没有什么惊天动地的转折点。相关的讨论常常令人疲惫不堪。GPT-5让很多人失望。“智能体”成了避不开的热词，可那些演示只要你追问一句就会露馅。

然而，当我回顾今年我亲眼所见人们创造出的东西——不是那些公告，、不是那些炒作，而是那些已经交付并在实际使用中经受住考验的作品——我发现自己比预期的更加乐观。

我想聊聊四件真正改变我认知的事——不是对AI未来的预测，而是我关注的重点及背后原因的转变。

“技术型” 与 “非技术型” 的界限，彻底模糊了

多年来，我一直抱有这样一种思维定式：世界上分为技术型人才和非技术型人才，他们身处不同的领域，使用不同的工具。技术人员负责构建产品，非技术人员负责使用产品。这种差异似乎很自然，几乎是必然的，仿佛是知识工作组织方式的必然特征。

2025年打破了我对这种模式的认知。

打破它的不是某个瞬间——而是我们一次又一次地看到，那些原本不会自诩为技术人员的人，竟然远远超越了工程师团队。这并非因为他们突然掌握了某种传统意义上的编程技能，而是因为在我们忙于争论哪种模式最佳的时候，“技术”的定义在我们所有人的潜移默化中发生了转变。

我认为现在真正的事实是：每个人都会掌握解决自己感兴趣的问题所需的技术技能。从某种意义上说，这一直都是如此，但“技术技能”的门槛已经大幅降低。当大语言模型（LLM）能够将代码作为工具——当简单的英语能够控制计算机——障碍就不再是语法了。不再是不知道正确的函数名或不记得循环的工作原理。真正的障碍完全在于其他方面：对问题的好奇心、迭代的意愿以及对模糊性的适应能力。

我现在每天早上六点都会进行代码审查，找出我遗漏的地方，并在一个文件里留下记录，然后一边喝咖啡一边查看。一年前，要做到这一点，要么需要我自己编写脚本，要么需要请别人帮我写。现在，我只需要描述一下我的需求，如果不太合适就进行调整，直到它正常工作为止。这并非传统意义上的“技术化”——而是 “技术型” 这个分类本身正在瓦解。

今年我亲眼目睹了一些人超越了整个开发团队，这并非因为他们一直以来都是隐藏的工程师。而是因为他们把工程视为一种可以自主设计的流程，而非需要获得许可才能加入的 “专属领域”。他们不会盲目崇拜任何特定模型，完全愿意将低技术含量的东西（模板、验证器、重试机制）与高技术工具结合使用。他们积极迭代，而且至关重要的是，他们没有把“主动”与“优秀”混为一谈。

市场的反应比我预期的更快。我发现，具有出色创造性问题解决能力的人，求职时被选中的速度比我预想的要快——这和媒体大肆报道的大规模裁员不同，不管报纸怎么说，目前没有太多证据表明 AI 正在导致整体就业人数下降。但有一个明显的信号：与 AI 高效协作，本质上是一种创造性的、近乎文科思维的能力。想要展现创造力的技术人才终于有了机会，而一直觉得自己 “搞不了技术” 的创意人才，也发现自己之前对自己的认知是错误的。

我认为，明年真正的机遇之一在于那些渴望在自身专业领域边缘地带拓展的人。世界的确比十二个月前更加开放。你可以朝着以前受限的方向发展，而那些勇于尝试的人将会收获意想不到的惊喜。

提示词很重要，但衡量标准才是规模化的关键

这件事的重要性让我感到惊讶。

今年我花了很多时间写关于提示词的内容，我依然坚持那些观点——写好提示词是一项真正的技能，它能切实影响模型输出结果的质量。但大约在年中，我开始注意到，那些取得最佳成果的团队，不仅仅是提示词写得巧妙，更重要的是他们找到了衡量输出结果是否真正有效的方法。

这就是它如此重要的原因：当你能够清晰地定义“好”的标准，并自动进行检查时，你就可以把智能体放入循环中，让它不断迭代直到达到目标。智能体不会感到疲倦，不会对自己的工作感到抵触，也不需要鼓励。你只需告诉它“这样做失败是因为X，请修复X”，它就会再次尝试。一次又一次。只要你衡量的是正确的指标，它就会不断尝试，直到成功或真正遇到瓶颈。

这就像给飞机装上喷气式发动机一样，迭代速度快得几乎不可思议。

提示词能让你得到一个不错的初步尝试，而衡量标准能让你把这个尝试规模化地转化为可靠的成果。那些同时重视这两点的团队，已经开始甩开那些还把提示词当作全部的团队。

对我来说，关键洞察是我之前低估了这个等式的一半。提示词是用来传达你的需求的，而衡量标准是用来确认你是否得到了想要的结果。两者缺一不可，而大多数人（包括我自己）之前都没有足够认真地思考过后者。

我认为，我们对AI质量低下问题的理解可能有误。

没错，互联网上充斥着AI的垃圾内容。你肯定见过。千篇一律的博客文章，虚假的自信和断言，以及那些似是而非、令人不安的内容，最终只会让你比什么都没看到更沮丧。

我花了不少时间关注这股垃圾内容的浪潮，一直在思考，在AI生成内容如此泛滥的情况下，互联网和通信会变成什么样子。我们是否为了追求数量而牺牲了质量，以至于无法挽回？

后来我开始想到印刷机。

普及识字是人类最伟大的成就之一。但问题是：人类所写的大部分东西并非《基督山伯爵》或《指环王》那样的巨著。我知道我写不出那样的作品！大多数作品甚至连边都沾不上。印刷术和普及教育带来了人类产出的爆炸式增长，而其中大部分——顾名思义——都平庸无奇。乏味的备忘录，令人过目即忘的信件，无人问津的报告。在考古学中，我们称之为陶片——在陶片上潦草刻画的文字。只是以前我们不必大规模面对这些，因为传播成本高、速度慢，而且大多数作品都是几年内就会消失的涂鸦（更不用说互联网内容的短暂性了）。

AI加剧了这种现象。事实证明，当每个人都能以近乎零成本获得写作工具时，得到的往往是大量平庸的写作成果。这并不令人意外。每次通信工具普及化，我们都会看到同样的模式。质量低下并非新鲜事，只是被放大了而已。

让我感到欣慰的是，平庸之作并非不可避免，而且我们人类有着相当可靠的历史，能够从我们自己创作的大量平庸之作中发掘出伟大的作品（比如莎士比亚）。好东西终会脱颖而出。

当你构建起真正的系统——当对生成的内容以及发布前的检查都严格把控——你就能产出远超大多数人独立完成的作品。我见过真正能吸引点击的营销文案、能获得回复的邮件，以及效果远超团队手动制作的广告创意。关键不在于模型本身，而在于围绕模型的一切环节。检索数据来佐证论点；验证机制来发现错误；人工检查点来应对极端情况；以及在流程的某个环节融入个人品味。

内容信息量是否丰富？是否值得反复阅读？是否节省时间？这些都是正确的问题，而AI可以帮助你很好地回答这些问题——前提是你构建的系统能够实现这一点，而不是仅仅将模型连接到发布按钮然后听天由命。

我不想生活在一个充斥着劣质产品的世界里。但我不再认为劣质产品是不可避免的未来。那些能够大规模生产高质量产品的开发者、广告商和营销人员，终将取代那些只追求数量的人。选择压力是真实存在的，而且我认为人们渴望真实的故事和真正有价值的内容。

讨论焦点正从成本削减，转向质量提升

这一点对我展望未来一年至关重要——但我必须谨慎，避免夸大其词。这种转变正在出现，但并非普遍现象。每个人的情况可能有所不同。我能说的是，我亲眼目睹了这种转变，而且我认为其方向很明确。

2025年初，人员配置方面的讨论占据了主导地位。“我们可以替换多少人？”我在与高管的每一次会议上都会听到这个问题，而且这通常是他们问的第一个问题。AI被视为一种削减成本的工具。演示文稿中列出了当前团队规模、引入AI后的预计团队规模，以及由此产生的成本节约。

到了第三季度，我接触到的那些更成熟的运营商开始提出不同的问题。

不是“如何以更低的成本做同样的事情？”，而是“如何做以前做不到的事情？”我们如何以合理的价格，大规模地为所有人提供最佳客户质量？我们如何让以前无法盈利的细分市场也能实现盈利？我们如何扩大产品和服务范围，而不仅仅是降低成本？

我之所以看到这种转变，是因为领导者们开始意识到其中的价值。他们看到早期提升质量的实验比削减成本的实验效果更好。他们意识到削减成本是有限的——你最多只能削减一两次，然后就到此为止了；如果削减过度，你只会以更低的价格让自己变得更糟。

质量提升带来复合增长。新功能创造新市场。新产品建立新客户关系。以往不盈利的领域也能实现盈利。增长空间远不止于此。

仍然会有很多人秉持着我称之为“粗暴主义”的思维模式——把AI一股脑地塞进去，削减成本，然后就完事了。我并不是说这种思维模式已经消失了。但我越来越看到一些领导者意识到一个重要的事实：那些最终胜出的公司，都是那些将员工的注意力视为宝贵资产的公司。他们以人为本设计AI系统，让人们能够将自己的专业知识运用到最关键的领域，而不是设计那些试图将人完全排除在外的系统。这样做是切实可行的，因为这些系统仍然需要人。

这比“用机器人取代所有人”的愿景更有希望。而且我认为这更准确地反映了未来的发展方向，因为纯粹的自动化方法总是会遇到同样的瓶颈：任何实际工作流程的最后20%都包含所有的判断，而判断恰恰是模型目前还不可靠的部分。

注：我并不是说AI革命不会导致工作岗位变动或裁员。如此巨大的变革，这类事件早已屡见不鲜。我更想强调的是，许多领导者开始意识到，为团队配备“钢铁战衣”能带来巨大的好处，从而倍增团队的影响力。我认为这一点令人鼓舞，值得关注。

这一年教会了我什么

一月份，讨论的焦点全在新模型发布和基准测试上——这也不难理解，因为当时的热点都集中在这些方面。每隔几周，就会出现新的功能提升、新的应用场景或新的推理突破。

到了夏天，我开始注意到一些不同之处。模型改进一直在进行，但它们并非区分成功交付团队和失败团队的关键因素。真正有趣的差距出现在其他方面——开发人员实际如何使用模型，新鲜感过后人们继续使用哪些工具，以及他们如何处理演示和生产之间的过渡阶段。

技术与非技术之间的界限正在消融。衡量标准是提示词未被重视的补充（而非替代品），是实现规模化的关键；无论谁来创作，平庸的作品终究平庸，但好的系统能带来巨大提升。领导者开始意识到，提升质量比削减成本更具价值。这些都未曾出现在基准测试公告或模型发布说明中。它们源于对人们在尝试构建真正有价值的事物时，哪些方法行之有效的观察。

这就是我明年要关注的重点。不是因为模型竞赛不再重要，而是因为它已经不再是我所关心的大部分工作的瓶颈。

对你而言，今年有什么改变？

本文编译自substack，原文作者NATE

https://natesnewsletter.substack.com/p/year-end-reflections-why-2025-was