文章核心观点 - AI技术正在重塑创造方式，引发关于程序员角色定位的广泛讨论，但比结论更重要的是身处变革一线实践者的答案 [1] - 当前AI技术形势良好但商业模式扑朔迷离，多数应用仍处于早期尝鲜阶段，尚未形成明确的商业落地路径 [11][12] - 人机协作模式发生根本性范式转移，从确定性的工具使用转变为与具有不确定性的AI进行协商与合作 [14][16] - 当前一代Transformer-based AI的能力上限可能是人类的平均知识水平，要实现超越人类的高级智能可能需要算法基础的升级 [24][25] - AI在影视内容生产等领域的渗透正在加速，并开始颠覆传统工作流，但技术成熟度与艺术质量仍需时间提升 [30][50] - AI创业充满不确定性，应用产品普遍面临用户生命周期短的挑战，成功的关键在于解决实际刚需问题 [59][72][75] - AI编程工具替代的不仅是传统IDE市场，更是初级程序员的人力资源市场，程序员的培养路径和技能要求将发生根本性改变 [78][82][88] AI技术现状与商业落地 - 当前AI技术被拔得很高，但与“真正解决人类问题”之间在很多领域距离尚远 [12] - ChatGPT出现近三年，AI被认为只解决了编程这一件可以日常高频使用的事情 [12] - 大量AI应用的用户构成仍以尝鲜者为主，不代表普惠的受众群体 [13] - 当向传统行业普通用户演示通用AI Agent时，其反馈往往是觉得不如Excel等传统工具好用 [13] - 绝大多数AI产品的付费用户或核心用户生命周期平均只有三个月 [73] - 用户流失原因包括：使用几次后因需反复“抽卡”而感到疲惫；市场上不断出现新功能产品导致用户转移 [74] - 目前能跳出“三个月生命周期”的产品只有两类：变成刚需的基础大模型（如ChatGPT、Claude）；真正解决了实际问题的产品（如编程工具） [75] 人机协作与范式转移 - 资深程序员已彻底转变工作方式，从亲手写代码转变为完全让AI产出代码，代码产出量非常大 [14] - 与AI协作的关键不是谁控制谁，而是一起找到“合拍”的方式，类似于与背景不同的人合作 [14] - 不同的AI模型（如GPT、Claude、DeepSeek）如同不同性格和能力的人，需要采用不同的配合方法 [15] - 颠覆性的变化来自于人和电脑交互方式的根本改变，从确定性指令转变为与具有概率性输出的AI协商 [16] - 传统以人类指令驱动的操作系统和硬件设计理念，在未来需要转变为AI与人类相互协商的模式 [16] - 与AI结对编程时，会通过类似“claude.md”的文件记录双方的协商协议，持续磨合工作方式 [17] - 这一代AI恰恰是为了解决过去解决不好的不确定性问题而出现的，确定性问题可交由传统工具处理 [18] - 当前与AI的合作，更像是人和一个初级实习生合作，需要琢磨其脾气、长处和弱点，并商量工作方法 [20] AI的能力边界与上限 - 当前AI最擅长解决编程相关问题，在不少场景下可直接替代人类 [19] - 在需要逻辑推演的不确定领域（如辅助数学解题、组织报告、分析数据），AI表现已不错 [19] - 但在真正需要艺术创意和深度洞察的领域，AI能力很弱，其给出的答案往往很“水” [19] - AI的真正强项在于模仿，其“创造性”输出本质上是已有元素的组合，即“组合式创造” [19][21] - 让AI进行真正意义上的、包含别人没有的东西的创造非常困难 [21] - 个人判断，这一代Transformer-based的知识压缩算法，可能只是把人类的平均知识做数学抽象并储存 [24] - 人类突破性创造者的数据可能被淹没在海量平均水平的作品中，AI难以提炼出高水平知识 [24] - 在数学基础上，当前一代AI可能也不支持达到预期的AGI（通用人工智能）水平 [26] - 在这一代技术框架下，突破能力上限很难，但新的、未知的技术可能会出现 [27] AI在视频生成与多模态领域的进展 - 行业共识认为大语言模型的竞争可能告一段落，核心将转向“卷”多模态 [30] - 视频生成时长已从最初几秒不断拉长，细节实现更好 [30] - AI在多模态内容生产的艺术造诣和审美能力上还有很长的路要走，需达到初级电影学院毕业者的水平，预计还需一两年甚至更长时间 [30] - 在动画视频生成领域，如果完全放手让AI自由发挥，结果会变成“放羊”状态 [33] - 网上看到的创意AI短视频、短剧，不外乎是大量人类控制加上大量人类“抽卡”筛选的结果 [33] - 普通用户使用AI视频工具时，常感到成品不符合预期，但不知问题出在哪里以及如何修改 [34] - AI生成的视频常存在“塑料感”问题，即动作和环境虽精准，但质感虚假，像塑料小人在动 [36] - 解决“塑料感”需通过技术控制，例如优化视频首帧，加入对光照（如午后自然光、丁达尔现象）、皮肤质感（雀斑、汗毛）、环境细节（墙面斑驳、器物老化）的引导 [41] - 控制的关键在于控制变量，若在每一帧都进行调整，画面容易“飞掉” [42] - 通过搭建专属工作流（如基于ComfyUI），可让AI严格遵循首帧风格，并对后续帧的关键变量（如人物姿态、深度图）进行精确控制，提高生成高质量视频的概率 [42] - 在2D动漫微短剧及故事性微广告剧领域，AI渗透率已经非常高，从流程角度看可承担约60%的工作量，人类完成剩余40% [54] - 在3D动画短剧领域，AI成本仍相对较高 [55] - 在大番剧、大型电视剧或电影中，AI主要作为特殊场景（如宇宙现象、科幻景观）的素材补充 [55] - AI未来若能分担如《哪吒》这类高水平3D电影的一半工作量，将制作周期从五年缩短至一年，将对影视工业产生革命性影响 [55] - 当前AI输出素材与电影工业标准（LOG格式灰片）不兼容（AI输出为RGB 709格式），是技术流程上的一个障碍 [57] AI创业、投资与市场策略 - AI创业仍处于相对早期的状态，商业模式未定 [11] - 当前市场不像移动互联网时代有明确平台和共识，更像是从山上流下的无数条小溪，尚未汇成海洋 [59] - 对于想投入创业的人而言，不是做得晚了，而是大多数人做得太早了，等一等可能是好事 [60] - 投资人跟风投资（如2023年投大模型、2024年投具身智能、2025年投AI Agent）风险很高，成功概率极低 [60] - 作为投资人，更倾向于两种策略：用相对小的筹码在不同赛道投非常早期的项目以获得真实体验；投资“不同的人”以分散风险，如在年轻创业者、资深架构师、行业资深产品经理中分别下注 [64] - 创业者不应过分听信投资人的观点，应专注于做好自己的事 [62] - 在AI能力尚不够强时，寻找对技术需求不强但愿意用AI低成本创造内容的垂直小场景是可行的市场验证思路 [65] - 公司产品Mootion在中东教育市场获得成功，当地约400多万人口中拥有近300万用户，其中中学老师用户达3万多人 [66][71] - 成功原因包括：当地课外参考资料匮乏，对生动教辅材料质量要求不高；产品满足了当地伊斯兰教文化倾向（如先知不能以人形象出现），通过训练LoRA解决了文化适配问题 [66][67] - 该模式本质上是C端订阅制产品切入了一个To B（教育）市场 [69] - 公司团队规模约20人，一半算法一半工程，并包含两名艺术设计人员 [48][49] - 与导演合作的关键在于重新设计融合AI的工作流，这需要技术人员与艺术创作者紧密协商 [49] AI对程序员职业与教育的影响 - AI编程能力已被推到“及格线”之上，资深程序员的传统经验可能成为负担 [14] - AI编程工具竞争最激烈，因为这是除基础模型外唯一被证明能赚钱、能持续运营的领域 [76] - 但仅聚焦于程序员市场，其规模本身不够大，参考2018年GitHub被微软以70亿美元收购的交易 [76] - AI编程替换的不是以前的编程工具市场，而是未来的人力资源市场 [78] - 从公司管理者角度看，Claude Code能力相当于初级程序员，但成本仅约200美元/月，远低于雇佣人力（如2万元/月），可能直接替代这部分人力资源 [79] - 大厂在规划新团队时，会要求架构师或资深程序员带领几个AI协作，完成以前几个人的工作量 [82] - 程序员培养路径将发生改变，面试不再单纯考察编程或算法能力，而是考察与AI协作解决问题的能力 [83] - 未来培养的可能不叫程序员，而叫“AI主管”、“AI架构师” [85] - 合格程序员的标志可能从“写过十万行代码”转变为“和AI协作过多少项目” [86] - 程序员需要掌握与AI协作的方法，理解操作系统和编译原理仍有必要，但直接编写大量代码的意义减弱 [87] - 高校及社会上的编程训练班、职业培训班，未来的意义可能不大 [89] - 资深程序员的工作重点转向磨练与AI协作的技能，包括如何清晰传达需求、评估AI产出，并重点复核接口和单元测试，以防积累低质量代码 [90] - AI并非不会“闹脾气”，它可能“撂挑子不干”，且存在类似“涨工资”的变相成本提升（如模型涨价、限流） [92][93]