“36氪把一道AI真问题交给了年轻人”——这个标题如果只当成一场活动的宣传语那确实有点可惜。它其实概括了当下AI产业里最难缠的三个词真问题、产业土壤、年轻人。亦庄代表的是智能制造和自动驾驶的试验场杭州代表的是互联网和AI应用的创业带从对接会到辩论场则是从“资源匹配”到“认知交锋”的一次切换。但我更想说的不是活动本身而是它背后那个值得每个人想一遍的问题AI行业到底缺什么缺模型吗不缺模型已经很多了。缺算力吗部分缺但那不是普通从业者能改变的变量。真正缺的是能把一项技术放进具体场景、跑通业务逻辑、算清楚成本的人。换句话说AI不缺“话题”缺的是“答题的人”。“把真问题交给年轻人”这句话其实就是想补这个缺口。下面我不会去复述活动现场发生了什么而是把这次活动的三个关键词拆开结合我自己参与技术对接、项目路演和行业讨论的经验聊一聊怎么理解“AI真问题”以及年轻人——包括很多觉得自己已经不再年轻的技术人——怎么判断、接住和解决这样的问题。1. 先拆题什么才是AI行业的“真问题”1.1 那些看起来热闹但不算问题的讨论我参加过不少AI主题的活动最常见的现象是台上的人讲得慷慨激昂台下的人听完却不知道下一步该做什么。原因很简单很多讨论根本不算问题只是话题。比如“AI会不会取代人类”。这是一个很好的哲学课题目但它不是行动指南。你听完之后既不会知道该去学什么也不会知道该从哪里做起。再比如“哪家大模型更强”。这个话题的更新速度极快今天一个排行榜明天一个评测集但离开具体业务场景模型排行几乎没有意义。对大多数应用来说当前开源或商业模型的能力已经足够真正的瓶颈根本不在“选哪家模型”而在数据清洗、场景设计、工程集成和成本控制。还有一类更隐蔽的“假问题”出现在企业里“我们老板说今年必须全面拥抱AI大家想想怎么落地。”这种问题看着很具体实际却空得可怕。没有明确的使用者没有具体的场景边界没有可验证的指标最后多半变成几个团队各做各的Demo展示完就没有下文。这些讨论有一个共同特点它们适合发朋友圈适合开会暖场但不适合作为决策依据。一个人如果长期浸泡在这种话题里会误以为自己每天都在关注AI实际上只是在消费AI带来的情绪。1.2 真问题长什么样我判断一个AI问题是不是“真问题”只问五件事有没有明确的承担者。这个问题是谁的问题是工厂质检主管的问题还是电商运营人员的问题如果连承担者都说不清那就没有问题的起点。有没有具体的场景。在哪里发生按什么流程跑现在是怎么做事的有没有可验证的指标。做完了用什么数据判断成功或失败时延、准确率、成本、留存率、转化率总得有一个。有没有现实约束。预算上限是多少允许的最低质量是什么必须在多长周期里跑通拆开之后能不能找到第一步动作。能不能先做一个最小原型去验证而不是等一个“完美方案”拿制造业举例子。模糊的问题是“AI落地很难我们怎么用AI提升效率”真问题的样子是“我们是一个做电子元器件质检的小厂现在靠三个质检员目检一天最多检测四千件漏检率在2%左右。我们想用视觉模型做初筛单件处理时间不能超过1.5秒漏检率不能高于3%软硬件加起来的预算大约20万。想请技术团队看看这个方案可行性怎么样第一步做什么。”两段话放在一起差别很明显。后者有对象、有场景、有指标、有预算、有下一步验证路径。技术团队拿到这样的问题可以直接开始评估前一种问题技术团队只能回一句“意向不大再议”。1.3 行业层面真正卡脖子的几个问题放到行业维度看有几个真问题非常突出所有关注AI的人都可以围绕它们建立自己的积累。第一个是场景和理解断层。技术团队懂模型业务团队懂行业但中间能把两者翻译过来的人太少。很多企业不是不想用AI而是不知道怎么把自己的需求讲成技术听得懂的话反过来技术团队也不理解企业的生产节拍和容错率意味着什么。第二个是AI Agent的可靠性和交付问题。说“AI Agent能自动完成复杂任务”很容易但放到真实生产环境里要处理上下文管理、任务回滚、权限控制、失败重试、日志可观测性。能演示和能生产之间隔着非常大的工程化工作量。第三个是数据闭环问题。大模型能力强但中小企业的数据基础往往很薄弱要么没有结构化数据要么数据在Excel和纸质单据里。AI方案经常是“无米下锅”算法选得再好也跑不起来。第四个是成本账。调用API、部署模型、建设知识库、维护系统这些都要花钱算下来可能比省下的人力成本还高。很多AI项目停在“能跑”就是因为没人认真算过投入产出比。第五个是人才结构错配。基础算法岗的竞争已经很激烈但能把模型落地到具体场景、能写评估方案、能跟踪线上效果的人非常缺。很多人会做Demo但不会选场景不会算账不会跟业务方沟通。注意看AI行业别只看新闻标题。真正值得长期投入的方向一定是某个具体真问题反复出现的地方。2. 亦庄和杭州两种AI土壤一种完整答案2.1 亦庄视角AI不是演示是产线上的硬指标北京亦庄是京津冀地区智能制造和智能网联汽车最密集的区域之一。自动驾驶测试车、汽车制造工厂、电子元器件供应链企业都在这里聚集。对这片土壤上的企业来说AI不是用来展示的是要上产线、扛指标的。在亦庄你听到的问题往往是这个风格的视觉检测的误检率到底能不能压到千分之一以下设备振动数据能不能提前三小时预报故障自动驾驶测试里程和接管次数怎么算这些问题有一个共同点都要求AI在真实约束下运行稳定、可交付、出了问题能追踪。如果一个人在亦庄参与过真实的智能质检或自动驾驶数据项目他会很快理解一件事AI的价值不是“做出惊艳效果”而是“在别人敢用的前提下做到足够稳”。这里打磨的是工程能力、数据标注规范、模型评估体系和容错机制。2.2 杭州视角AI离用户近迭代要快杭州是另一种气质。这里互联网密度高创业氛围浓数字经济渗透到电商、直播、内容、营销的方方面面。近两年一批大模型公司和机器人创业公司在杭州密集出现其中不少被媒体称为“杭州六小龙”的公司已经成了行业里绕不开的名字。在杭州AI更像“即用即走的工具”。你去看电商团队怎么做内容要生成一批营销文案要出一套短视频分镜要做一组商品图以前需要设计、文案、剪辑各出一个人现在一个人加几个AI工具就能顶一轮。这里的节奏非常快上午有个想法下午就能做出原型晚上就能拿给用户试。杭州的AI讨论也更多围绕应用展开AI短剧、AI营销视频、AI电商素材、AI陪伴类产品、AI编程工具。这些方向的价值判断标准很简单——有没有人用有没有人愿意付费能不能快速迭代。2.3 把两片土壤合在一起看一个完整的AI落地链路至少包括这样几个环节需求定义、数据准备、模型选型或微调、工程集成、灰度测试、效果评估、持续迭代。大部分个人或团队只擅长其中一小段。做算法的很懂模型但不懂业务约束做运营的很懂用户但不清楚技术边界。亦庄和杭州恰好代表了这条链路的两端。亦庄在提醒你技术要能承受工业级的检查杭州在提醒你产品要能快速回应用户需求。只有在一端浸泡过的人很容易把自己的能力边界当成行业的边界。我在实际项目里见过不少失败案例都是因为团队长期只接触单一样本比如只做算法优化不接触部署环境只做技术Demo不接触付费用户。对年轻人来说不一定非要在这两座城市之间二选一。更重要的是在自己的认知里同时放一个“产业加工厂”和一个“用户试验田”。前者让你敬畏现实约束后者让你保持对真实需求的嗅觉。3. 对接会与辩论场两种把“问题”变清晰的方式3.1 对接会让需求和能力在信息差里对上对接会的本质是压缩“找合作伙伴”的时间成本。产业方带着真实业务需求来技术团队带着解决方案来组织方把大家拉进同一个房间让双方有机会面对面核对“你说的和我说的是不是同一件事”。在AI领域这种对接尤为重要。因为AI的技术供给已经严重过剩——模型、开源工具、Agent框架多到数不清而真实企业往往不知道自己能借助AI做什么。反过来技术团队也常常找不到正确的业务入口只能靠猜。参加对接会我最怕看到两种情况。第一种技术方一直在讲自己用了什么新鲜模型、什么新框架但问到他“这个方案给谁做过、解决了什么、指标变化多少、花了多少钱”时他开始含糊。你用的工具再新对接会上真正打动业务方的永远是“你处理过类似的场景”。第二种产业方把需求提得特别大比如“我们希望用AI重构整个供应链”。这种话说出来双方都无法落地。更有效的提法是一个最小场景比如“我们每周有几百张纸质送货单需要录入系统人工录入经常出错想要一个OCR加校验的工具准确率争取大于95%”。对接会的价值不是当场签合同而是完成一次“需求校准”。双方通过对话搞清楚这个问题是不是真问题我们是不是合适的人选下一步最小验证动作是什么只要这三点对上了结果就是有价值的。3.2 辩论场用冲突把模糊观点逼成可验证的命题辩论场和对接会刚好互补。对接会解决的是“谁需要谁”辩论场解决的是“想清楚再行动”。AI相关的辩题往往看起来都是老生常谈比如“AI编程工具会不会让程序员失业”“企业应该自研大模型还是直接采购”“AI应用层还有没有创业机会”。但一旦把这些问题放到辩论规则下参与者就被迫做一件非常重要的事定义概念分割立场找证据预判反驳。你嘴上可以说“AI会让程序员失业”但站到辩论场里你必须先回答几个问题什么样的工作算“程序员工作”时间周期是多长“失业”的标准是什么如果只用一次判断代替论证很快会被对方用反例打穿。这个过程和真实的产品评审高度相似区别只在评审会上被你的是老板和客户辩论场上被你的对手和评委。参加或观察这样的辩论场最值得学的不是谁赢了而是谁的论证质量更高。有人全程靠断言堆砌有人会用数据、案例和边界条件逐步推进。后者才是AI从业者需要训练的思维方式。3.3 参与这两种场合的通用准备不管去对接会还是辩论场如果只是人到现场那多半是浪费时间。我会按下面这个清单做准备。活动前明确自己的身份你是技术供给方、产业需求方还是观察学习者。不同身份对材料的要求差很多。准备一个3分钟版本的项目介绍结构固定给谁做、解决了什么、指标变化、成本大概多少。准备至少三个想问的具体问题。不要问“你们觉得AI有什么用”要问“你们在哪个环节最痛、试过什么方案、卡在哪”。准备一个可演示的东西。哪怕只是一页截图、一个网页链接、一段录屏也比口头描述强。活动中多记录“对方被什么话触动”而不是只顾介绍自己。这些信息本身就在告诉你需求长什么样。多提问少下结论。好的问法是“你们实际遇到的最大瓶颈是什么之前试过什么工具卡在哪一步”如果拿到联系方式尽量约定一个具体的下一步动作比如“我回去整理一份技术评估摘要周五发给你”。活动后48小时内把聊过的重要内容整理成文字发给对方。这既是礼貌也是在建立你自己的文档资产。明确双方能合作的最小动作哪怕只是“下周跑一次数据测试”或“约一次线上演示”。定期回访分享一条相关材料保持弱连接。很多合作不是当场落地的而是几个月后对方碰到问题时想起你。4. 把题交给年轻人是机会也是压力测试4.1 为什么是年轻人“交给年轻人”这种说法如果放在别的行业里可能只是一句鼓励但在AI这个赛道里它其实是一个很务实的判断。原因在于AI工具已经把“生产”的门槛压到很低。一个年轻人用AI编程工具可以做过去需要一个小团队才能完成的产品原型用AI绘图、AI视频工具可以独立完成内容创意用AI做行业调研原先可能要一周现在一天就能拉起一份初稿。很多年轻人长期使用这些工具已经在“工具效率”层面积累了天然优势。但同时要注意“会用工具”不等于“能解决问题”。真正把人拉开差距的是能不能从工具里抬起头看见问题本身。一个人24小时沉浸在AI绘画工具里产出大量漂亮的图但如果没有人因此获得价值那它本质上只是一种创作练习。把一道真问题交给年轻人等于直接做了一个压力测试你手上的工具能力到底能不能在一个真实约束下变成解决方案。4.2 接住一道真问题需要的能力我观察过不少在AI相关比赛中表现不错、或者能独立完成项目的人他们身上通常有四种能力缺一个都容易出问题。第一种是问题拆解。把“AI能不能提升制造业效率”这种大问题拆成一个具体环节的现状、瓶颈、约束和可接受的成本。这需要人对业务本身有耐心愿意去现场问、去看、去记录。第二种是快速试错。做一个最小原型选一个尽量接近真实场景的样本跑一遍用数据判断方向对不对而不是反复纠结方案。我现在做技术选型越来越倾向“先跑再评”而不是“先讨论再定”。第三种是商业敏感。知道谁在为这个结果付费知道成本怎么算。很多技术人有一个共同盲区效果很好成本很高导致“技术可行”和“商业可行”严重脱节。第四种是表达与协作。方案不是写给自己看的要把效果翻译成业务收益让非技术的决策者愿意支持你。这一条在产业环境里尤其重要。4.3 年轻人最容易踩的三个坑第一个坑堆工具。今天换一家大模型明天换个IDE插件后天试一套Agent框架每个都只玩了个开头最后没有沉淀下“解决一类问题的方法”。工具越来越强但自己的认知还是散的。我建议选定一个方向至少跑通一个端到端项目把输入、输出、参数、成本、坑点全部记录下来这比同时玩五个工具更有用。第二个坑只做“看起来厉害”的东西不验证真实需求。典型表现是做了很多AI内容和AI作品但没有任何一个人愿意为此付费或长期使用。做出来的东西停留在“展示值”而不是“使用值”。我建议每次做完一个东西都加一步“真实用户测试”哪怕是找一个朋友用三次也比自己反复看效果好。第三个坑被“替代论”绑架。每天都刷“AI会让多少岗位消失”这类内容越刷越焦虑但却不把自己手上的工作改造成“会用AI把任务做干净”的流程。我的做法是把焦虑转化成问题清单我所在环节最耗时的三件事是什么其中哪一件可以被AI先替我跑一版下周能不能跑出来一旦开始动手焦虑自然会被反馈替代。5. 从一场活动回到日常普通AI从业者的生存策略5.1 参与类似行业活动的方法如果你也想参与类似的活动不管是AI专题对接会、路演还是行业辩论可以按下面的方式准备。一份30秒自我介绍必须包含三个信息我是谁我做过什么我现在想找什么。最忌讳的是讲十分钟都没讲清楚自己为什么坐在这里。一个人的业务能力往往从他的自我介绍里就能判断个大概。一张“问题截图”。在去现场之前把正在解决的问题用一页纸写清楚包括问题背景、现在怎么做、卡点在哪。这张纸可以给对方看也可以提醒你自己对话的重点是什么防止进入场景后只顾着闲聊。在现场优先和跟你聊不到三句就卡壳的人谈因为卡壳的地方往往就是真实需求所在。和你聊得特别顺畅、一个劲儿夸你工具好的人很可能只是出于礼貌。会后复盘把几个关键对话整理成笔记发在自己的博客或专栏里。这既是复盘也是作品。我长期在做的一件事就是每次参加完行业活动后写一篇短文记录三个新认知和一个行动项。时间久了这些记录就是很好的个人知识积累。5.2 没有机会去现场怎么保持对真问题的感知不是每个人都有机会参加官方组织的活动。没有现场机会时可以从另外几条路径保持对真问题的感知。第一看招聘JD而不是只看趋势报告。AI落地岗、数据岗、AI产品经理的岗位描述通常会把能力要求写得很具体。你把这些JD当成免费的行业需求地图能看到企业真正愿意为哪类能力付钱。第二读行业案例而不是只读评测榜单。找“某企业如何用AI把某个环节效率提升到一个具体数字”的案例自己拆一遍它输入了什么中间怎么处理输出是什么成本由谁承担。能拆三个案例你对AI落地的理解会比看十篇趋势文章更深入。第三自己组织小范围交流。三五个朋友每周拆一个AI产品不要聊感受要聊它解决什么问题、怎么验证需求、它的成本结构是什么、能不能复制到自己的场景。第四练习“把问题翻译成任务”。看到一个行业痛点不要停在感慨试着写一页纸的需求说明。时间长了你会发现自己定义问题的能力会明显提升。5.3 长期来看什么能力不会被工具替代工具更新很快但有几项能力会一直值钱。一是定义问题的能力。能把模糊诉求变成清晰任务这是AI时代最稀缺的能力之一。因为大模型擅长回答问题但“问出好问题”这件事还是得人来做。二是对场景的理解和对真实数据的敏感度。所谓“懂AI”不是背会几个模型名称而是知道某一类业务场景里数据长什么样、约束在哪里、用户为什么愿意用。三是算成本、管交付、协调资源的能力。技术再强最终要落到预算、排期、验收和售后。会做方案的人很多能把交付从头钉到尾的人不多。四是持续学习工具、但不被工具绑架的习惯。新工具永远会出现重要的是判断它解决什么问题、边界在哪里、和现有流程怎么接。如果要用一句话总结这场活动留下的“题目”我觉得是不要只做一个AI的围观者。你可以不做技术可以不用每天都追新模型但最好手里始终有一个具体的、属于你自己的问题。那个问题会推着你去查资料、去测工具、去算成本、去找人协作。等你真的把一个小问题从“模糊”推进到“可验证”的状态你就不再只是AI时代的读者而是参与者。