你刷到的"全球AI榜"，其实只占全球1%的真实消耗

媒体嘴里的"全球榜"，全称应该是"OpenRouter 平台上的全球榜"。

你大概经常在新闻里刷到这句话：某某国产开源模型，又拿下了全球 token 消耗榜的第几名。

听着很提气。

但前两天我跟杨攀老师直播对谈，他当场拆了这个台：OpenRouter 的 token 消耗，只占全球真实 token 消耗的 1% 到 2%。

什么意思？媒体嘴里的"全球榜"，全称应该是"OpenRouter 平台上的全球榜"。

真正的 token 大头，在企业跟云厂商、模型厂商直接签的合同里，在那些你根本看不见的地方。

这个 1% 到 2%，他自己验算过，也交叉核对过好几个严肃数据源，行业内的共识基本就是这个数。

杨攀是前硅基流动联合创始人，现在在做一个叫 Bilink 的 AI 创业项目。从算力、模型、推理到应用层，他都在一线泡着，属于看问题自带产业链视角的人。

我们这场对谈聊了两个小时，从 2026 年上半场聊到 AGI，信息量很大。

我把他最有棱角的一些判断整理出来，值得每个人花十分钟读完。

先给一个体感。

杨攀说，你现在问 Agent 一个问题，跟 2025 年初 DeepSeek 刚发布时问同一个问题，背后消耗的 token 数量，可能差十倍、一百倍，甚至 1000 倍。

过去一年，整个 AI 产业最大的暗线，就是 token 消耗在指数级膨胀。

用户侧的感受是"烧钱太快了"，厂商侧看到的却是整个市场在爆炸。

去年底到今年初，GPU、算力、全球内存市场的拐点，都是被这股需求拽出来的。

他半开玩笑地说，如果你去年九、十月份就看懂了这个趋势，提前去关注三星、海力士这些公司，结局可能完全不一样。

但今年上半年，行业里还流行一种叫 Token Maxxing 的风气：谁烧的 token 多，谁就显得 AI 用得好。

杨攀的判断很直接：这就是典型的"愚昧之巅"。

现在大家已经开始从这个山头往绝望之谷滑了。

怎么滑出来的？因为大家慢慢发现，烧得多不等于产出有价值。

有人用 AI 批量产出了一堆没有商业价值的东西，网上管这叫"AI 泔水"。

春节前后，一堆大厂请他去讲"AI 怎么提效"。半年过去了，还是这批大厂又找上门，话题已经换成了"效率和效益到底怎么真正挖出来"。

从炫耀消耗，到追问效益，这就是上半场最真实的情绪曲线。

聊共识之前，得先回应一个流传很广的说法：模型能力是不是撞墙了？

杨攀的答案很干脆：远远没有，而且接下来的提升空间还很大。

他给了一个我之前没太注意的视角。

去年 10 月，Claude Code 推出了 Skills，多数人把它理解成"一个更好用的插件"。

但从模型进化的角度看，这是一个了不起的发明。

为什么？因为 Skills 出来之后，大量人类专家开始把自己私藏的经验，以 Skill 的形式贡献出来。

一个 Skill 只要被云端模型用过，通过某种机制，模型就有机会把这个能力内化掉。

Anthropic 今年上半年专门写过一篇博客，把 Skill 分成两类：

一类叫 capability uplift，能力提升。相当于人类给模型写了一本独家秘籍，这个版本还得照着秘籍做，下一个版本它就自己学会了

另一类叫 encoded preference，纯粹是工作习惯和偏好。比如必须按一二三四五的步骤来、用某个模板，这类跟能力无关

真正值钱的是第一类。

今年上半年模型的提升，很大程度上就是在吃这波红利。

而最近 DeepSeek Harness 这类探索，让模型和工具框架联合起来做强化学习，可能又会带来新一波跃升。

聊到这儿你会发现一条很清晰的吞食链。

最开始我们写 prompt，模型把 prompt 吃掉了；后来大家搭 workflow，workflow 也被吃掉了；现在 Agent 里装的 Skill，正在变成模型下一代的内置能力。

杨攀有个很激进的判断：未来全球软件和互联网市场 80% 的利益，都会被模型吃走。

那剩下 20% 是什么？

是那些不可能被训练进模型的东西。

比如实时的数据。模型可以根据概率估出杭州往年 8 月 31 日大概什么天气，但"此时此刻外面下没下雨"，它必须去问一个掌握着实时数据的人，而掌握数据的人就能向模型收钱。

再比如物理世界的接口。模型可以在数字世界里帮你干一切，但外卖最后一百米、工厂里的机器，还得靠物理世界的封装能力。

实时数据、物理世界、能力接口，这三样是模型啃不动的骨头，也是留给后来者的位置。

第一条共识讲模型，第二条共识讲人：Agent 从服务程序员，破圈到了服务所有知识工作者。

几个数字感受一下。中国的程序员群体，往宽了算大概 1000 万。但坐在电脑前工作的知识工作者，大概 1 个亿。

十倍。

去年大家用 Agent 主要是写代码，Claude Code、Cursor、Codex，都是程序员的玩具。

今年上半年，这根棒交到了办公和知识工作手里。Claude Cowork 开了头，Codex 接了上去，国内的 WorkBuddy、TRAE、豆包工作一拥而上，大厂开始把算力和营销资源成建制地砸进来。

杨攀有个很毒的判断标准：一件事一旦成为共识，就进入了大厂的舒适区。什么时候你在电梯广告里开始看到它了，它就板上钉钉是共识了。

往回看，这条破圈链上有几个关键节点：

去年春节的 DeepSeek，让大量国央企、非 IT 行业的人第一次知道"AI 能帮我办公"

去年 3 月的 Manus，第一次在全球范围凝聚了"Agent 长什么样"的共识。Manus 之前，全世界对 Agent 没有统一认知；之后大家会说"这个产品像 Manus，所以它是 Agent"

再到今年初的"小龙虾" OpenClaw，直接把自主式 Agent 装进了几百万台电脑，顺手给全民做了一次科普

每一轮破圈靠什么？靠的是让圈外人真正用起来。光靠技术圈内自嗨没用。

而 Agent 为什么今年突然能干活了？两个硬指标。

一个是长程任务。智谱的人很早就跟杨攀说过，他们今年衡量模型进步的核心指标，就是"一次委托之后能连续干活多长时间"。

表面是时长，背后是一次能完成的工作复杂度。

你让一个人答同一份卷子，限时 40 分钟、4 小时、4 天，交出来的东西完全不同。

模型智能不够的时候，你让它干久一点它都干不久——它觉得自己干完了，提前交卷。

另一个是手和脚。以前模型只有大脑，会写程序，但操作电脑、操作浏览器的能力很弱。

任务做到"打开网页、填资料、点提交"这一步，就得停下来等人。

Computer Use 和 Browser Use 把这层窗户纸捅破之后，任务时长被大幅拉长，因为模型不再被"人类速度"卡脖子了。

杨攀自己有个例子。

去年他想从 0 到 1 上线一个网站，写完代码，注册域名、填信用卡、配置服务器、接 Google Analytics，中间一堆活还得自己干。

今年他只要说一句"我想做个网站，你帮我看看哪个域名能用"，剩下的注册、部署、向搜索引擎提交，Agent 全部自己搞定。

AI 真正的杠杆，在替你省出来的时间上。

互联网拉近了空间距离，不用飞美国也能开会；AI 压缩的是时间维度。

一个活 AI 能干，token 管够，你可以同时雇 1000 个 AI 一起干。

人不能一边睡觉一边点鼠标，AI 可以。

这段我觉得是整场对谈里最反直觉的部分，得展开讲。

过去做一个产品，"创造一个东西、发行出去、把钱赚回来"是三位一体的。

因为创造要投入真金白银，要雇人、要花时间，所以你只会去做你认为有商业价值的东西。

今天 AI 把创造的成本打到了接近零，这三个环节被硬生生撕开了。

杨攀管现在的状态叫"代偿"：你原来想画幅画，没有美术功底，AI 帮你画了；原来不会写程序，AI 帮你写了。

整个社会都在享受这种代偿，弥补自己原来想得到却得不到的东西，做完很开心，多巴胺分泌得很足。

但问题也就在这儿。

创造没人拦你，你在家就能干；可市场的流量是有限的，营销要花真金白银。

这就是为什么今天满世界都是"做出来但没有价值"的东西：创造当然有意义，但后两步没人替你走。

这也解释了一个现象：目前跑出来的"一人公司"，几乎都集中在自媒体、AI 视频这类领域。

因为只有这些领域，一个人就能相对容易地从头干到尾，把三件事都办了。

更深一层的变化是软件市场本身。

原来你有个需求，得去搜索引擎找推荐，下载三五个软件挨个试。还经常为了解决一个小问题，买回来一个巨大无比的软件，匹配度永远到不了 100%，你付的钱里全是溢价。

以后呢？每个人都靠 Agent 随时随地给自己"手搓"一个软件，解决完这个问题就扔掉。

大规模的通用软件市场会收缩，个性化的即抛型软件会变多，此消彼长。

杨攀举了个自己的例子：前阵子电脑总发烫，以前得上网找工具排查哪个进程在作妖。

现在他直接跟 Codex 说，我电脑在发烫，你去查清楚然后解决掉。连"找一个软件"这个动作都省了。

顺带说一句软件界面。

他去年还是"生成式软件"的鼓吹者，认为界面应该按需生成；今年他自我修正了：核心不是界面，是完成意图。

语音、文字、甚至 Agent 根据你的上下文主动感知，怎么高效怎么来。界面只是第二层的问题。

这是我听到的最扎心的一个判断，做管理的都该听听。

员工人人用 AI，等于这家企业 AI 水平高吗？

为什么人越多，红利越薄？

因为组织的本质是协作，协作的本质是信息从一个大脑传到另一个大脑。

传递用语言、用文字、用文档，每一次传递都有损耗，有误解，还拉长时间。

你自己在脑子里琢磨一件事的速度，跟拉着另一个人开会同步的速度，可能差 10 到 100 倍。

AI 再强，也堵不上这个"跨大脑"的窟窿。

那怎么办？

传统的组织是按岗位切分的：产品懂产品、开发懂开发、运营懂运营，这是人类能力有限逼出来的协作方式。

但如果一个人在 AI 的帮助下能把产品、开发、市场全干了，排兵布阵的方式就可以整个换掉。

产业里已经有不少探索。

比如前后台模式：后台把东西造出来、自成一体，前台负责运营营销拿结果，两头之间需要反复交换信息的地方越少越好。

再比如 Anthropic 内部分享过的角色划分，不按传统岗位，按工作角色来：

Prototyper 负责快速做原型

Builder 负责真正构建

Sweeper 负责把 AI 生成的泔水修剪成可靠的东西

Grower 负责增长

Maintainer 负责长期维护

你发现没有，每个角色背的都是一件有头有尾、能独立交付的事，本质都是尽量少跨大脑。

这背后是生产力与生产关系的对应。

软件业最早是瀑布式开发，最极致的形态是建筑业：从第一天起就得把每一步百分之百规划好，因为中间不能重来，重来的代价太大。

后来有了敏捷开发，因为生产力提升了两三倍，试错成本降了，先做个原型不行再改。

今天 AI 把试错成本又打下去一大截，低到接近零，Prototyper 这种角色才成为可能。

所以别再问"AI Native 的企业标准答案是什么"。没有标准答案。

横轴是你的业务属性和安全要求，纵轴是你产品所处的阶段：找 PMF 的阶段多配 Prototyper 和 Grower，系统稳定了多配 Sweeper 和 Maintainer。

每个企业都得自己摸那条路。

还有一个例外得提：Work Agent 给普通知识工作者的提效，很多时候反而比给程序员更明显。

程序员用了 AI 容易更累，因为会顺手做一堆可干可不干的事；而一个一天原本只能做三件事的知识工作者，效率翻五倍，时间是实打实省出来的。

聊到中美的共识与非共识，杨攀泼了两盆冷水。

第一盆泼给"追平论"。中国开源模型这半年进步巨大，确实给美国几家头部公司制造了压力。

但差距看起来在缩小，有一部分原因是美国前沿模型的发布受政策和安全因素影响，最强的能力不一定第一时间放出来。

他不认为中美前沿模型的实际差距已经明显缩小，只是中国能拿到、能大规模用的模型，绝对能力提升得飞快。

而这其实是更重要的事：他从来不关心 benchmark 上谁高谁低，只关心到底有多少人、在多大规模上受益。

顺带一个定价上的推论：只要 SOTA 能力还在持续增长、还没有撞墙，最前沿模型就永远有定价权。

不会因为下面一堆开源模型追上来，就把真正 SOTA 的价格完全打下来。

第二盆泼给 FDE。这个词今年很火，但杨攀说，FDE 这种活从来就存在，只是换了个名字被炒火了。

它跟传统客户成功的区别在于：客户成功到现场点点鼠标配配系统，不会回头改自家代码；FDE 有一个回路，能直接动核心系统，把客户现场的需求反哺成产品迭代。

但现在这个词正在被滥用，外包、定制开发、客户成功，都开始往 FDE 的筐里装。

不过泼完冷水他话锋一转：AI 时代的外包，可能真不一样了。

中国软件外包的项目成功率，低到他都不好意思在直播间报数，大量项目验收不了、回款拿不到。

恶性循环很简单：甲方压价，乙方只能降交付成本，东西更差，再压价。

但 AI 有可能打破这个死结：原来需要月薪 5 万的工程师干的活，现在月薪 1 万的工程师每月花 1 万块 token，可能就干出来了。

成功率一旦提上去，整个中国软件产业会进入一个正循环。

更大的机会在后面。中国企业上一个时代信息化、数字化普遍没做好，欠账很多。

但 AI 时代未必需要照着老路补课。

他举了个特别妙的类比：零几年的时候，各家银行送礼求人办信用卡，眼看着就要追上发达国家人手一张的盛况了，结果移动支付横空出世，直接换了赛道。

中国企业今天面对 SaaS 的欠账，也可能是一样的剧情：不补了，直接从 SaaS 跳到 Agent。

AI 本身就会帮企业把过去记录不下来的数据自动记录、同步、处理，这个变化已经在发生。

当然有个铁前提：你的经营数据和流程得在数字世界里。

AI 在数字世界干活，你的企业缺哪块数字化，它哪块就帮不上忙。

没信息化先信息化，信息化好了再数字化，这道工序省不掉。

直播最后，我替所有人问了个问题：接下来该怎么办？

杨攀没给鸡汤，给了一个很硬的标准。

他说，假设模型能力每三个月有一次大飞跃，事实上现在就是这个速度，那你回忆一下：过去一两年，你是不是每三个月就迭代了一次自己的工作方法和对 AI 的认知？

如果做不到，说明你在某个阶段一定做错了什么。

他还讲了个亲历。GPT-5.3 到 5.4，一夜之间的事。

前一天他还在用 5.3 写一个 iOS 应用，第二天早上 5.4 发布，他继续干同样的活，模型突然告诉他：我发现你的 iOS 设备连着电脑，我可以自动部署、自动点击测试、自动打日志、拿回结果自己检查修改再重新发布。

一个版本的差距，就到了这个程度。

那天他坐在电脑前喝了一天茶，大部分活都不用自己动手。

这种震撼，光看新闻是感受不到的，必须自己上手。

新模型他自己都承认体验不过来了，但该试的还是得试，hands-on，把手弄脏。

企业主把 AI 转型全委托给别人、自己不碰一线，基本做不成。

2023 年他线下分享的最后一页 PPT 写着：接下来五年，请珍惜和身边爱的人在一起的时间。

当时很多人当玩笑听。现在五年之期还剩一年半，他攒了一路的信仰一条没改。

留给大家一个问题：三个月后的你，工作方式会跟今天一样吗？

如果答案是会，那可能就危险了。

嘉宾

Bilink 创始人、前硅基流动联合创始人 杨攀

主持人

非凡产研创始人 吴畏

吴畏：我先单刀直入问一个问题。您是什么时候觉察到，这一轮 AI 真的不一样了，然后决定 all in 这个领域的？

杨攀：这个事情我一般会表达为：我对这件事有信仰。

ChatGPT 发布的时候我第一时间就用了，应该是 2022 年 12 月。

当时体验完，我就发现它跟之前我们用的 NLP 这些东西完全不一样。

那个时候很多人还在争论，它到底有没有智能。我当时的感觉就是：我们已经捅破那层窗户纸了。

后面几年，包括一直到现在，只是过程，只是时间点的问题。这是我的第一个信仰。

第二个信仰是，从 ChatGPT 发布那个时间点开始，我就相信五年之内我们能触碰到 AGI。

当然大家对 AGI 的定义可能不一样，但我一直是"五年"这个时间点。

2023 年在线下分享的时候，我就在讲五年后；2024 年再讲五年后；到今年，我还剩多长时间？可能剩一年半了。

吴畏：那你判断 AGI 到了的标准是什么？突破图灵测试，还是某一种能力出现？

杨攀：这个标准其实也一直在变化。

以前我的想法可能是，AI 能够替代人类在某些领域和环节。但今天我觉得"替代"已经不够了，因为今天某些情况下已经可以替代了。

我现在更倾向于：在某些问题、工作或者任务上，它真正实现了超越人类。

而且我觉得那个节点一定是一个拐点。那个节点之后，会有一个大的跳跃、大的爆发或者大的转弯，这才有意义。

否则回头看这条曲线，人类可能默默地就通过 AGI 了。

实验室里可能已经发生了，但站在整个人类社会的角度，我相信一定会出现一个能够被所有人感受到的拐点。

吴畏：有点像所谓的"奇点"，到了那个点之后，一切开始变得不一样。

杨攀：对。我相信一定会迎来那个奇点。只不过奇点之后往哪个方向拐，这件事就不好讨论了。

我从 2023 年开始，线下分享最后一页经常会写一句话：接下来五年，珍惜和身边爱的人在一起的时间。

因为五年以后会变成什么样子，真的不好说。

吴畏：你还有一个很重要的"信仰"是 Token。之前有人讲 Token Maxxing，后来大家又觉得 Token 烧得太贵，要 Minimize。现在到底应该 Max 还是 Min？

杨攀：首先，不同的人讲 Token，背后的意思其实完全不一样。

围绕 Token 往上下游看，有算力、有模型、有推理，再到我们最终在 Codex 或者 Work Agent 里面实际消费的 Token。每一层都有自己的经济模型和产业模型。

但从产业角度看，过去一年非常大的一个变化就是：我们开始找到真正可以大规模消耗 Token 的场景了。

大家回忆一下，2026 年上半年我们让一个 Agent 解决一个问题，和 2025 年 DeepSeek 刚发布时问模型同样一个问题，背后消耗的 Token 量，可能差十倍、100 倍，甚至 1000 倍。

这就是过去一年发生的变化。

它继续往上游传导，就会带动 GPU、内存和整个基础设施。

其中非常重要的一个原因，就是 Coding Agent 和 Work Agent。

最开始一个新群体接触它的时候，首先一定看到好的一面：它能帮我写更多代码，帮我完成任务，带来生产力杠杆。

一旦看到杠杆，大家马上就会加杠杆。

但加了一段时间以后，也开始发现问题。

比如你产出了大量东西，但它不一定有价值。有些没有商业价值，有些就是一堆所谓的 AI Slop，AI 泔水。

所以我觉得今年有一个很明显的变化。

春节以后很多大厂找我做内部分享，当时最关心的是"AI 怎么给组织提效"。过了半年，到现在再来找我，问题已经变成：到底怎么把这个效率和效益真正挖出来？

这其实说明市场开始冷静下来了。

Token Maxxing 在某种程度上就是技术周期里的一个"愚昧之巅"。

现在大家已经开始从"谁烧 Token 最多"，往"这些 Token 到底创造了什么价值"走了。

吴畏：如果总结 2026 年到现在，全球 AI 最重要的几个共识，你觉得第一个是什么？

杨攀：第一个还是模型能力。

我认为过去半年模型能力取得了非常巨大的提升。

这个事情听起来好像很普通，因为过去几年模型不是一直在提升吗？但市场上一直有一个很主流的说法：模型是不是撞墙了？Scaling Law 是不是遇到瓶颈了？

还有一种说法是，中国开源模型提升这么快，是不是已经追上美国了？

这些说法都有一部分道理，但我的判断是：模型能力的提升远远没有结束。

而且最近这一轮提升背后，有一个我觉得很重要的东西——我们又拿到了一批新的人类经验数据。

过去训练模型，主要是吃人类已经存在的知识、网页、文献、信息。

后来 Claude Code 推出 Skills。很多人把 Skill 理解成一个工具，觉得"它能帮我干活"，但从模型发展的角度，我觉得这是一个非常有意义的发明。

Skills 出来以后，人类专家开始把自己原来私藏的很多经验，以 Skill 的形式贡献出来。

某种程度上讲，这就是人类开始蒸馏自己。

Anthropic 后来讲过，Skill 可以有不同类型。

一种是 Capability Uplift。

模型原来不会干这件事情，你给它一个 Skill，相当于给它一本说明书、一套独门秘籍。这个版本需要 Skill 才能完成，但到了下一个版本，模型可能已经把这种能力内化了。你不再给它 Skill，它自己也会干了。

另一类是 Encoded Preference。

它跟能力没有关系，比如"我希望你永远按照 1、2、3、4、5 这个步骤做""我喜欢这个视觉风格""我们公司的 PPT 都按照这个模板"。这是一种偏好和规范，模型没必要把它变成所谓的通用能力。

所以今天我们再看 Skill，不能简单把它理解成插件。

它其实是人类经验进入模型能力的一条新路径。

我前段时间还写了 DeepSeek Harness。我觉得接下来 Harness 这一类东西，又可能会带来新一轮能力提升。模型跟 Harness 结合，再通过 RL 等方式不断训练自己。

所以我还是那个判断：模型能力远远没有撞墙，后面还有非常大的空间。

吴畏：那是不是意味着"大模型会吞噬一切"？最早我们写 Prompt，后来 Prompt 被模型吃掉；再后来 Workflow 被吃掉；Agent 里面放 Skill，未来 Skill 可能又被模型内化。

杨攀：我有一个比较激进的判断：最后全球软件市场或者互联网市场，可能 80% 的利益都会被模型吃走。

还有一个判断是，未来模型和 Agent 其实会越来越一体。

单独谈模型，或者单独谈 Agent，意义会越来越小。

吴畏：那剩下 20% 是什么？

杨攀：这反而是一个特别值得思考的问题。

如果 80% 真的被模型和 Agent 吃走，那么剩下的人一定要想：哪些东西不会被训练进模型？

比如我们今天人在杭州，外面刚刚下了一场大雨。

你问模型"杭州 8 月 31 日通常是什么天气"，它可以根据过去的数据给你估一个很接近的答案。

但你问它：此时此刻，外面到底有没有下雨？

这个信息没办法提前训练进模型。

这个世界上有大量实时产生、不断变化，而且需要加工的数据。

谁掌握这样的数据，模型最后可能就得来找谁。

另外一类是能力接口。

比如模型可以帮你在数字世界里完成很多事情，但你说"帮我点一份外卖"，最后仍然需要物理世界有人把东西送过来。

还有中国大量的工业制造业，也都发生在物理世界。

所以实时数据、物理世界、能力接口，我觉得这些都是模型外很重要的价值。

吴畏：第二个大共识呢？

杨攀：第二个我觉得中外特别同步。

过去 Agent 主要是 Coding Agent。

2025 年 Claude Code，包括 Cursor、Codex，大家主要拿来写代码。

但是今年特别明显，它开始从 Coding 拓展到办公和知识工作。

国内外几乎所有大厂都开始往这个方向投入资源。

而这个事情为什么重要？

中国程序员大概是千万量级，而且这个数字可能已经偏宽口径了。

但中国坐在电脑前工作的知识工作者，大概是亿级规模。

所以从 Coding Agent 到 Work Agent，本身就是一次十倍用户规模的破圈。

去年春节 DeepSeek 爆发，产生了一次巨大破圈。

大量国央企、非 IT 行业的人第一次知道：原来还有 DeepSeek 这个东西，我办公是不是也可以用 AI？

到了今年，认知又往前走了一步：Agent 已经真的可以帮我干活了。

一年前它可能还不能很好地写 PPT、做 Excel，但今年开始大规模进入这些场景。

我觉得这是 2026 年特别大的一个共识，甚至改变了整个 AI 科技树往哪个枝干继续发展的方向。

但共识太强也不一定全是好事。

我上半年有一次分享就说，今年上半年其实挺"无聊"的。

为什么？共识太强、太一致了。

所有大厂、人才、资金、流量都冲向同一个方向，很多规模更小、可能同样值得探索的方向，反而被淹没了。

对于创业公司来说，一个有多样性的市场其实更友好。

吴畏：如果从 Agent 的产品演化来看，我觉得有几个特别重要的节点。一个是 2025 年 3 月的 Manus，一个是后来火起来的"小龙虾" OpenClaw，再到现在的 Work Agent。

杨攀：我非常同意。

在 Manus 出来之前，全球范围内对"Agent 到底是什么"其实没有一个真正统一的认知。

Manus 出来以后，第一次形成了一个非常具体的共识："这个产品像 Manus，所以它是 Agent。"

它给 Agent 建立了一个具象的产品形态。

所以我觉得 Manus 有非常重要的历史地位，而且这是全球范围的，不只是在中国。

OpenClaw 也是一样。

它真正重要的地方，不只是多少 GitHub Star。

我一直特别关注一件事：每一轮产业破圈，到底是被什么事件推动的？

有些技术进步只在技术圈里很重要。

但真正影响产业的，是普通用户第一次大规模感受到"原来这个东西真的能这样用"。

OpenClaw 就产生过这种作用。

它让很多人第一次捅破一层窗户纸：工作是可以被委托出去的。

你不一定要坐在电脑前盯着它。

你把任务交出去，它自己去干，干完回来交作业。

今天我们习惯用 IM 给 Agent 发任务、远程调度任务，很多产品逻辑其实都能看到 OpenClaw 留下来的影响。

吴畏：那如果让你定义 Agent，它跟 ChatGPT 最大的区别是什么？

杨攀：从普通用户角度，我觉得特别简单：Agent 就是你可以把一个任务委托给它。

ChatGPT 最早是对话，后来是多轮对话。

Agent 不一样。

你给它一个目标，它自己去规划、执行、Check、Loop，中间发现错了自己调整，最后把一个结果交给你。

比如你问它"杭州今天下不下雨"，它调个接口告诉你答案，这个其实很简单。

但你说：把今年夏天杭州所有的降水情况拉出来，整理成一个报告，再给我做成一个漂亮的页面。

后面就会有一系列任务。

它要拉数据、处理数据、分析、生成文档、设计界面。

这才开始接近 Agent。

而今年一个非常重要的指标，就是：Agent 一次接受委托之后，能够持续干活的时间越来越长。

表面上看是任务时长，背后其实是它能完成的任务复杂度。

人也一样。

同一张卷子，给你 40 分钟、4 个小时和 4 天，结果一定不一样。

模型能力不够的时候，你让它多干一会儿都没有用。

因为它觉得"差不多了"，五分钟就来交卷了。

所以长程任务能力其实是一个非常重要的智能指标。

杨攀：还有一个变化非常关键。

以前模型主要在写程序、执行程序，但操作电脑、操作浏览器的能力很弱。

这里面对应 Computer Use 和 Browser Use。

为什么这两个东西重要？

假设一个任务只需要生成 PPT、写程序，它可以自己干。

但如果任务中间需要打开浏览器、登录网站、点按钮、填东西、提交，再拿结果回来继续干，过去它经常会停在那里等人。

一旦把这层窗户纸捅破，Agent 的工作时间就可以被大幅拉长。

举个我自己的例子。

去年我从 0 到 1 上线一个网站。

AI 可以写代码，但我要自己买域名，打开注册网站，填信用卡、资料，把域名拿回来；再部署服务器。

要做 SEO 和流量统计，我还得自己去 Google 申请 Analytics，然后回来接进去。

中间有一堆步骤必须我自己完成。

今年很多时候已经不需要了。

我告诉它：我要做一个网站，大概叫这个名字。你帮我看看 .io、.net、.cn 哪个能注册。

它可以从代码、域名、部署，到最后提交搜索引擎，一路自己完成。

这件事的意义很大。

吴畏：有点像模型是大脑，Computer Use 和 Browser Use 是手脚。

杨攀：对。

只有大脑没有手脚，很多事情你还是干不了。

而且 AI 有一个特别重要的特点，是人类很容易忽视的：它在知识上比人更"平权"。

一个人为什么觉得写代码简单、部署很复杂？

因为你代码写得多，部署做得少。

但 AI 不一样，它横跨的知识领域非常广。

所以我们过去第一阶段总是在看：哪些事情以前程序干不了，现在 AI 能干了？

下一阶段应该开始看：有哪些事情人虽然能干，但 AI 天然比人更适合干？

比如一个任务，人可以连续 72 小时不睡觉吗？不行。

人做重复劳动一个小时就烦了。AI 不会烦。

还有，一个人一天最多 24 小时。

但如果一个 AI 能干这个活，我有足够 Token，我理论上可以让 1000 个 AI 同时干。

杨攀：我特别喜欢一个比喻。

互联网解决的是空间距离。

我跟一个美国人开会，不需要坐飞机过去，开 Zoom 就行。

但 AI 某种程度上解决的是时间。

它可以把时间压缩，也可以把时间展开。

人不能同时点 1000 次鼠标，但 1000 个 Agent 可以。

所以我们用 AI，其实有两个巨大杠杆。

第一个是借智慧。

模型掌握了非常广泛的人类知识，我原来不会的事情，现在可以借助它完成。

第二个是借时间。

如果一个事情我能干，AI 也能干，我把它委托出去，自己去睡觉，它实际上帮我把这部分时间"借"出来了。

吴畏：但我自己的体感正好相反。AI 用了以后，时间反而更不够用了。

杨攀：对，这里面就会出现另外一个现象。

因为 AI 让我们突然可以做很多以前做不了的事情。

我管这个叫"代偿"。

以前我想画画，但我没美术功底，所以这个需求一直没有被满足。今天 AI 可以让我画出来。

以前我想做个软件，但不会写程序，也不值得专门雇一个程序员。今天 AI 可以帮我做出来。

它在弥补我们过去那些"想得到但得不到"的东西。

但是有一个问题：需求被代偿了，不代表它一定有价值。

杨攀：以前你要做一个软件、一个产品，因为成本很高，所以你一定先觉得它有商业价值，才会投入时间、资金、雇人开发。

所以以前"创造—发行—商业化"基本是一体的。

今天 AI 把创造成本打得非常低以后，这三件事开始割裂。

很多人会做出大量东西。

做的时候非常爽，多巴胺很高。

但做出来以后没人用，也赚不到钱。

这不是说创造本身没有价值，而是你后面两步没有完成。

第一，把它营销出去、分发出去。

第二，建立商业模式，让价值再回来。

AI 目前主要加速了第一个环节——创造。

但流量没有突然变成无限。

用户的钱包也没有突然变成无限。

你去营销、获客、让别人付费，仍然是真金白银。

吴畏：所以这是不是也解释了，为什么所谓 OPC、一人公司的道路其实没想象中那么宽？

杨攀：对。

现在真正跑出正向价值的 OPC，往往集中在一些后面两步同样容易由个人闭环的领域。

比如自媒体、AI 视频这一类。

但如果你一个人开发一个产品，再一个人发行、营销、商业化，对绝大多数人来说仍然非常难。

不过反过来看，这也会改变整个软件产业。

以前一个用户有一个需求，先去搜索引擎搜，找三五个软件试一遍，再选一个最匹配的。

很多时候你只想解决一个很小的问题，却必须买一个很大的软件。

未来可能不是这样。

大量软件可能不再需要被"大规模制造、大规模分发"。

一个用户遇到问题，直接让 Agent 临时给自己生成一个解决方案。

甚至解决完这个问题，这个"软件"就可以消失。

所以我觉得，传统通用软件市场可能会收缩，个性化、即时生成的软件会变多。

吴畏：比如电脑发烫，以前我要下载一个检测软件。

杨攀：对。

我现在就直接跟 Codex 说：我的电脑现在发烫，你去看看到底是谁造成的，把它解决掉。

我连"寻找清理软件"这一步都不需要了。

吴畏：那继续往前推，软件未来还一定需要用户界面吗？

杨攀：我对这个问题的认知过去一年变化挺大的。

以前我是"生成式软件"的鼓吹者。

我以前觉得：今天软件界面是写死的，未来界面应该根据需求实时生成。

但后来我发现，我当时还是被一个"思想钢印"困住了——我潜意识里仍然觉得软件必须有界面。

现在我没这么固化了。

界面有没有必要，本质上取决于哪一种交互方式效率更高。

有些事情，用 GUI 点两下是最快的，就继续用 GUI。

有些事情，说一句话比你点十几个下拉框快得多，就应该说话。

所以未来真正重要的可能不是"软件长什么样"，而是：它有没有理解并完成你的意图。

你可以通过语音，可以通过文字，甚至未来它根据你的 Context、环境和意图主动感知，然后直接做。

界面只是按需存在。

吴畏：这就进入一个特别关键的问题。现在很多员工已经把 AI 用得很好了。员工 AI 用得好，是不是就等于这家公司 AI 转型做得好？

杨攀：这个要辩证地看。

如果只看员工自己负责的工作，只要用了 AI，效率通常会提高。

但问题是：这个效率红利不一定释放给企业。

吴畏：可能拿去摸鱼或者做副业了？

杨攀：这个看屏幕前你到底是老板还是员工了（笑）。

但还有一个更本质的问题。

我们以前有一种说法：一个人用 AI，可能提效十倍。

两三个人，可能三到五倍。

五个人，可能两三倍。

十个人以上，最后可能只提高百分之二三十。

为什么？

因为组织的另外一个名字，就是协作。

一个事情从一个人的大脑传到另一个人的大脑，就要通过语言、文字、文档。

传递过程中一定有信息损耗、误解和时间损耗。

你自己在脑子里想一个问题，和你拉另外一个人开会讲清楚，速度可能差 10 倍甚至 100 倍。

所以人越多，跨大脑的信息交换越多，效率越往下掉。

吴畏：所以你这个"暴论"可以理解为：个人都用了 AI，不代表组织整体就获得同样的效率提升。

杨攀：对。

这就反过来逼我们重新思考：为什么还要按照过去那种方式组织公司？

过去一个人的知识和能力有限，所以我们必须专人专岗。

产品经理懂产品，开发懂开发，运营懂运营，市场懂市场。

但如果今天在 AI 帮助下，一个人能覆盖更多完整链条，我们为什么不重新排兵布阵？

杨攀：现在大家都在探索新的组织方式。

比如一种是前后台模式。

后台负责把东西造出来，尽量形成一个闭环。

前台负责运营、营销、拿结果，也形成一个闭环。

两边尽量减少反复沟通。

还有 Anthropic 内部曾经分享过一种按角色划分的思路。

比如 Prototyper 负责快速做原型；Builder 把东西真正构建出来；Sweeper 负责把 AI 生成的那些"泔水"、乱七八糟的东西修剪干净，让它可靠、稳定；Grower 负责增长；Maintainer 负责长期维护。

你会发现，它不是按照过去的职能部门来切，而是让每个人背一个相对完整的结果闭环。

吴畏：我之前听一个嘉宾说过一句话，挺有意思：最好的协作是不协作。

杨攀：从减少信息损耗这个角度，是的。

但我不认为今天已经出现了所谓"AI Native 组织最佳实践"。

还没有。

而且我觉得以后即使稳定下来，也不会只有一个答案。

因为不同公司业务不一样，产品所处阶段也不一样。

比如找 PMF 阶段，就应该更多 Prototyper、Builder、Grower。

系统成熟以后，需要更多 Sweeper 和 Maintainer。

一个每天被 1 亿次调用的基础设施产品，跟一个 1000 人内部使用的小工具，对可靠性、安全性、流程的要求完全不同。

所以 AI 组织不会有一张标准答案。

杨攀：大家一定要接受一个基本规律：每个时代的生产力，都会对应一套生产关系。

软件开发最早是瀑布式。

后来变成敏捷开发。

为什么可以敏捷？

因为试错成本下降了。

我可以先做一个原型，不行就改，再不行再改。

但你去看建筑行业，它是最极致的瀑布式。

盖一栋楼，你不能盖到 20 层突然说"不对，我们重来"。

因为重来的成本太高。

所以从第一天开始，你必须画图纸、做规划、做甘特图，把每一步都算清楚。

以前软件也需要大量架构设计、测试用例、文档，本质上也是因为试错很贵。

今天 AI 来了以后，试错成本又往下掉了一个数量级。

错了就重来。

所以过去合理的方法，到今天不一定还是合理的。

真正重要的是理解生产力和工作方式之间的对应关系。

理解这一点以后，你才能回到自己的企业里找新的组织方法。

吴畏：现在大家又特别喜欢讲 FDE。你怎么看？

杨攀：FDE 这个地方我先泼一点冷水。

FDE 本身并不是突然出现的一种全新工作。

类似的事情过去一直有人干，只不过后来用了 FDE 这个名字，突然被炒火了。

比如我以前创业当 CTO 的时候，某种程度上我干的就是 FDE。

到客户现场，基于我们自己的产品和技术，帮助客户解决业务问题、拿到结果。

但它跟传统客户成功有一个很大的差别。

传统 SaaS 的客户成功，到现场可能主要是配置系统、点鼠标。

但他一般不会因为客户的问题回来直接修改你的核心产品代码。

FDE 多了一个 Loop Back。

他在客户现场解决问题的过程中，可以动代码、改产品，再把这些经验反过来迭代核心产品。

这个才是它比较关键的地方。

吴畏：但今天感觉很多所谓 FDE，其实就是 IT 外包。

杨攀：对，这个词被扩大化以后，边界已经变模糊了。

接下来可能客户成功、外包、定制开发，大家都往 FDE 里面装。

但这不重要。

真正重要的是：AI 时代的外包，也会跟软件时代的外包不一样。

过去帮一个客户开发东西，可能真的得三个月派人在那里敲代码。

今天有 AI 以后，可能今天聊完需求，当场 Demo 就出来了。

这会大幅改变中国软件行业的交付效率。

过去很多软件项目最后无法验收，不一定是客户故意不付钱，是真的没做成。

预算可能只够雇一个月薪 1 万的工程师，但这个事情本质上需要一个 5 万水平的人才能做好。

今天如果这个 1 万的工程师，再配上一笔 Token 成本，有可能交付出过去 5 万工程师才能完成的结果。

那整个软件产业的成功率和商业循环都有可能变好。

吴畏：但企业内部最懂业务的人，本身就是领域专家。他为什么不能直接用 Coding Agent 或者 Work Agent 自己把东西搭出来，还需要 FDE？

杨攀：有一些场景未来确实可以不需要。

但今天仍然处在过渡阶段。

一个业务专家直接把需求告诉 Agent，到 Agent 稳定交付一个真正可用的结果，这件事情还没有百分之百成熟。

所以现在仍然需要一批有技术背景的人，帮助业务专家把中间这段走完。

这其实就是 FDE 阶段性的价值。

吴畏：你刚才也反复提到 Context。你自己怎么做个人 Context？

杨攀：我会特别认真地收集自己的上下文。

比如我几乎所有线下分享、聊天里比较重要的内容、自己的思考，我都会尽量录成音频，再转成文字，慢慢变成自己的 Memory。

比如我这次来杭州，我就可以跟 Agent 说：你帮我看看过去半年一年，哪些人跟我说过来杭州约饭？最近哪些人跟我沟通比较频繁，我要不要顺便见一下？

如果没有历史 Context，它完全做不了。

吴畏：那企业也是一样。

杨攀：对。

一个企业要让 AI 真正发挥价值，有两个非常基本的前提：信息化和数字化。

AI 是在数字世界工作的。

如果你的生产经营数据根本没有在数字世界里被完整记录，它就帮不上。

你缺哪一块数据，那一块它就无法发挥作用。

另外，你的经营流、工作流、审批流，如果根本没有进入数字世界，AI 也不知道怎么优化。

所以你的数据、流程、显性知识、隐性知识，最终都需要被 AI 访问。

AI 再强，没有 Context，也是无根之水。

吴畏：但中国企业过去的信息化、数字化基础普遍没那么好。是不是还得回去把 SaaS 时代的课重新补一遍？

杨攀：我反而觉得未必需要完全按照过去的玩法补。

中国上一代软件产业底子确实比较薄，企业数字化、信息化整体没有美国成熟。

但 AI 可能提供一个新的"换赛道"机会。

我们可以类比移动支付。

2000 年代，包括 2010 年代初，银行还在疯狂送礼物让中国人办信用卡。

国外发达国家人人都有信用卡，我们当时看起来好像还在追。

结果突然移动支付出来了。

中国没有把信用卡这条路完整走一遍，而是直接换了一条路。

今天 AI 也可能给中国企业类似的机会。

过去很多数据根本记录不下来。

今天语音、视频、自然语言都可以被 AI 处理。

过去很难数字化的东西，未来可能在 AI 时代直接被数字化。

所以中国软件产业有没有可能跨过一部分传统 SaaS 阶段，直接往 Agent 走？

我是觉得有可能的。

吴畏：那你觉得中美 AI 市场最大的非共识是什么？

杨攀：我觉得中国一直绕不开一个问题：收入、付费和商业化。

美国第三产业占比高，法律、金融、医疗这些行业，本身就是巨大的软件市场。

中国的产业结构不一样。

另外中国企业软件市场过去还形成过一种恶性循环：甲方觉得软件不好，就压价。

乙方越被压价，越没有能力投入好的工程师，最后交出来的东西更差。

甲方一看果然不好，于是下一轮继续压价。

To C 也类似。

美国用户订阅习惯非常成熟，中国过去更多还是广告模式。

虽然腾讯视频、QQ 音乐这些已经培养了一部分订阅习惯，但放到整个互联网经济里，订阅占比仍然没那么高。

AI 到来以后，中国用户开始第一次非常直接地为 Token、为"智能"付费。

这件事情能不能改变过去的商业化结构，我觉得非常值得看。

吴畏：至少最近半年，中国开源模型在全球确实非常强。

杨攀：这一点我认同。

中国开源模型最近半年取得了非常大的进步，也确实给美国头部公司带来了一些压力。

但我觉得大家还是要冷静。

今天我们看起来觉得中美模型差距在缩小，其中一部分原因可能是，美国最前沿的一些能力受到政策、安全等因素影响，并不一定第一时间全部发布到市场。

以我的了解，美国最前沿模型本身没有停止进步。

所以如果问"最前沿能力的真实差距是不是已经显著缩小"，我没有那么乐观。

但另外一个角度更加重要：中国普通用户今天能够拿到的模型，绝对能力提升得非常快。

这件事意义非常大。

我一直更关心的不是排行榜第一第二，而是：到底有多少人，因为这些模型真正受益？

很多 Benchmark 上的能力，绝大多数普通人一辈子可能都用不到。

但中国开源模型让 WorkBuddy 这些产品能够用更好的模型、更低的成本服务更多人，这个价值是真实的。

同时还有一点。

只要 SOTA 能力还在持续增长、还没有撞墙，最前沿模型就永远有定价权。

不会因为下面一堆开源模型追上来，就把真正 SOTA 的价格完全打下来。

吴畏：最后还是落到普通人。我可能是一个职场人，可能是管理者，也可能是创业者。现在已经到了 2026 年这个阶段，到底最应该做什么？

杨攀：让我预测未来什么是共识、什么会变成非共识，其实很难。

预测说得越模糊，胜率当然越高；具体到细节，经常会被打脸。

但我觉得有一个东西可以相信：模型的能力还会持续、快速地提升。

最近很多人问我，AI 时代什么事情值得长期主义？

我的回答是：在今天这个阶段，"持续高速变化"本身，就是长期主义。

你要相信它会一直快速变化，而且会越来越好。

如果模型每三个月就有一次巨大的能力飞跃，那你回忆一下：过去一两年，你有没有每三个月重新迭代一次自己的工作方法和认知？

如果没有，我觉得你一定在某些阶段做错了一些事情。

吴畏：但这样不会出现今天刚学会，三个月以后又被推翻吗？

杨攀：会。

所以不能只追表面上的产品和技巧。

产品天天变，今天叫这个，明天叫那个，你永远追不完。

还是要尽量看背后的本质。

为什么组织协作会产生损耗？为什么生产力变化以后生产关系一定会变？为什么试错成本下降以后工作方式会改变？

这些东西相对稳定。

但与此同时，你一定要保持实践。

一定要 Hands-on。

新模型、新 Agent 出来，你不用每个都试，但在跟自己相关的方向上，一定要亲自试。

因为你不亲自上手，只看媒体报道，永远体会不到技术变革到底发生了多大的变化。

我自己在行业里，现在新模型多到我也体验不过来。

但我会挑重要的去试。

我印象特别深的一次，是 GPT-5.3 到 5.4。

前一天我还在用 5.3 开发一个 iOS 应用，很多事情需要自己来。

第二天 5.4 发布，我还在做同一个任务。

它突然告诉我：我发现你的 iPhone 跟电脑连在一起，我可以自动帮你部署，自动点击测试，自动打日志，把测试结果拿回来，自己检查、自己修改，再自己重新发布。

就是一个版本之间，变化已经这么大。

那一天我基本就坐在电脑前喝茶，看它自己干活。

这种体感，你不 Hands-on，是感受不到的。

所以对个人如此，对企业主也一样。

如果一个企业老板把 AI 转型全部委托给别人，自己不上手、不在一线、不亲自体验，我觉得大概率也做不好。

我其实不希望今天两个小时聊完以后，大家记住某一个具体工具。

我更希望大家带走的是一套思考方式：看本质，接受变化，然后不断实践。

这套东西，比记住今天哪个模型第一、哪个 Agent 最火，更长期。