AI研究周报(三十二)：AI协作不会取代专家而会重排分工
每当 AI 能力往前走一步，外界最常见的讨论总会回到“谁会被取代”。但如果把视角放在真实工作流里，我越来越觉得，AI 更可能先做的不是直接取代专家，而是重排分工。很多职业的价值不会一下消失，而是从亲手完成每个细节，转向定义目标、判断结果、处理例外和承担责任。
AI研究周报(三十一)：企业知识库的价值会在检索层被重估
过去企业做知识库，常常更关注“有没有沉淀内容”：文档有没有上传、FAQ 有没有归档、流程有没有写清楚。但在模型系统逐渐进入企业之后，我觉得知识库的价值会被重新评估，而且重估的焦点不在存量本身，而在检索层。不是知道多少，而是能不能在对的时刻把对的内容调出来。
AI研究周报(三十)：提示工程会先演化成产品设计能力
很多人刚接触大模型时，会把提示工程理解成一种“写咒语”的技巧：换几个词、调一下语气、加一段约束，输出就不同了。但如果把视角放大一点，我越来越觉得，提示工程迟早不会停留在技巧层，而会演化成产品设计能力。因为真正重要的，不是某一条 prompt 写得巧不巧，而是系统如何稳定地把用户意图转成可控结果。
AI研究周报(二十九)：模型接口会吞掉传统软件的部分边界
过去的软件边界，大多是围绕功能页面和固定流程建立的：搜索在一个入口里，编辑在一个界面里，分析在另一个模块里。但当模型开始承担理解、生成、改写和调度任务之后，我越来越觉得，很多传统软件的边界会被“模型接口”重新切开。用户接触的，不再只是一个个功能块，而是一个能根据意图调用不同能力的统一入口。
AI研究周报(二十八)：AI产品的护城河会从模型能力转向系统能力
当模型能力快速提升时，外界很容易把竞争焦点都放在模型本身：谁参数更大，谁效果更强，谁最先接入新能力。但如果这种能力逐渐商品化，真正能长期拉开差距的，很可能不再是“模型是不是最强”，而是“系统是不是更完整”。我越来越觉得，AI 产品的护城河会慢慢从模型能力转向系统能力。
AI研究周报(二十七)：长上下文不是记得更多而是组织得更好
一提到长上下文，大家最直接的理解通常是“模型一次能读更多东西了”。这当然是表层收益，但我觉得更重要的问题不是记住多少，而是如何组织这些信息。上下文窗口变长之后，系统真正被考验的，不是存储能力，而是能不能把大量信息按任务需要重新排序、筛选和调用。
AI研究周报(二十六)：开发者工具会先被模型重写
如果要问哪些行业软件最早会被模型能力深度重塑，我会把开发者工具排在很前面。原因不复杂：开发工作天然是文本密集、结构清晰、反馈快速的。代码、文档、报错、命令行输出，本身就构成了模型非常适合处理的一类环境，所以开发者工具很可能成为第一批被“模型原生化”的软件形态。
AI研究周报(二十五)：数据飞轮会取代单次预训练成为优势来源
过去一段时间，大家讨论模型竞争力时，往往会先看预训练规模：参数有多大，语料有多少，训练跑了多久。但如果模型逐渐进入真实业务，我觉得长期优势未必只来自那一次超大规模训练，而会越来越多地来自后续的数据飞轮。谁能持续拿到高质量反馈、形成更新闭环，谁的系统就更容易越用越强。
AI研究周报(二十四)：评测基准会从排行榜转向任务闭环
AI 研究里，排行榜一直有很强的吸引力。一个新模型出来，大家首先关心的是在某个 benchmark 上高了几个点。但如果把目光放到真正的应用场景，会发现一个越来越明显的问题：排行榜给出的往往只是局部信号，而不是完整任务结果。评测真正要回答的，不只是“模型分数多高”，而是“这套系统能不能把事情做完”。
AI研究周报(二十三)：开源模型会把实验速度拉回团队内部
如果说闭源大模型代表了能力边界，那么开源模型更像是在重写实验节奏。很多团队真正需要的，不一定是拿到最强模型的访问权，而是能否快速试验、快速改造、快速验证。只要开源模型的质量跨过某个门槛，它带来的最大价值就不只是“便宜”，而是把实验速度重新拉回到团队自己手里。
