文章核心观点 - 当前AI投资热潮中，多数参与者仍处于“赌”的阶段，缺乏清晰、可持续的商业化路径和能够改变生产关系的“奇点”式应用 [1][10] - AI技术革命的影响深远，但当前应用多局限于优化现有流程，同质化严重，且面临技术、商业、伦理、社会公平等多重挑战，其大规模落地仍需时间 [2][4][9] - 对AGI（通用人工智能）的最终到来抱有信心，但认为现阶段AI投资需超越纯商业效率视角，更深入地思考技术对社会结构、就业和人类体验的复杂影响 [2][4][14] AI投资的现状与反思 - AI是当前最大的投资共识，但市场主流关注点在于项目能否成为即刻可用的提效工具并实现盈利 [2] - 部分投资人开始超越纯商业视角，思考AI作为破坏性创新对社会生产关系的变革及其潜在负面影响 [2] - 2023年AI投资金额大幅缩水，反映出市场对投资回报周期不确定性的担忧 [15] - 当前许多AI应用项目同质化严重，例如用AI做PPT的工具，技术实现简单，缺乏显著壁垒 [13] AI技术推广的社会与伦理挑战 - AI取代人类岗位可能导致大规模结构性失业，且被取代的岗位可能永久消失，社会财富再分配体系面临考验 [6] - 技术推广需考虑“历史的摩擦力”，即制度建立和磨合需要时间，部分人群的利益可能成为牺牲品，美国从制造业向金融服务业转型的过程即为前车之鉴 [6] - 自动驾驶等技术的推广不仅受限于技术成熟度，更受困于权责界定等伦理与法律问题，例如事故责任归属不明确阻碍了技术落地 [8] - 自动驾驶技术的数据收集面临“鸡生蛋”困境：需要在复杂路况中行驶以获取训练数据，但出于安全考虑又不被允许进入此类路段 [8] AI应用与商业化的局限性 - 当前AI应用主要满足人类“节省时间”（save time）和“消磨时间”（kill time）两大需求，但许多产品试图嫁接两者（如工具+社区）的逻辑并不清晰 [11][12] - 许多AI产品仍沿用移动互联网时代的思路，并非真正的“AI原生”应用，未能创造出离开AI就无法运转的新交互模式 [12] - 商业可行性高度依赖人力成本，例如在美国因人力成本高，无人驾驶卡车有巨大商业空间；而在中国和印度，人力成本相对较低，使得同类技术的商业化动力不足 [13] - AI在某些领域如代码生成（如Cursor、Trae）已展现实用价值，但独创性工作仍需人类完成 [14] Agent（智能体）的发展前景与障碍 - Manus等Agent产品打开了新的技术范式想象空间，其通过展示工作流程（白盒化）增加了用户信任感，但目前仍处于早期探索阶段 [16][22] - Agent大规模应用面临多重障碍：1) 数据孤岛问题，难以获取和打通各领域的私有数据（如医疗数据）进行深度训练 [17][18][19]；2) 执行复杂任务的算力消耗呈几何级数增长，成本高昂且付费模式存在风险 [20]；3) 权责界定困难，出错后无人“背锅” [21] - 人类的社会性本质限制了Agent的想象空间，人际网络带来的资源（如六度空间理论）和共同成长价值是AI难以替代的 [21][22] - Agent的真正价值在于垂直领域的深耕，但实现这一点需要解决深厚的数据与系统壁垒 [18]