详见｜221亿Token后，我重新认识了AI

有些关于AI的认识，坐在那里是想不出来的。你得先下场，和它真正做成几件事，也真正把几件事做砸过。

2026年8月 · DeepSeek V4 Flash

22,131,026,858

Tokens

大约221亿。这个数字只能说明使用强度，不代表每一个Token都产生了价值。对我来说，它更像过去8个多月高强度实践留下的一张“里程表”。

DeepSeek平台官方后台截图

这是我今年8月份在DeepSeek平台上的Token消耗量。

我不是程序员。作为一家长期做知识产权数据、后来又进入AI领域的公司负责人，按照过去的分工，我大概也不应该成为公司里花在AI编程上时间最多的人之一。

但过去8个多月，我有很长一段时间每天都在和AI一起工作，有的时候一天能超过12个小时。写程序、查资料、做研究、改产品、读论文、追踪全球知识产权信息，甚至研究《二十四史》。

这个数字并不能证明我成了程序员，更不能证明这些调用都有效。它只能说明一件事：过去8个多月，我几乎把自己放进了AI里。不是站在旁边判断它行不行，而是不断把真正的工作交给它，再看它到底能走到哪一步。

现在回头看，我对AI最重要的认识，几乎都不是看新闻、听演讲或者读报告得到的，而是在一次次真正把事情交给它、又一次次把它叫回来重做的过程中得到的。

我原来以为，先得学会Python

两三年前，生成式AI开始引起广泛关注以后，我就一直在看这件事。

这和我的工作有关。我们做了十几年知识产权数据。AI出现以后，我最先想到的不是它能不能写一篇文章，而是：如果机器突然有了理解和生成能力，我们积累多年的数据会发生什么变化？原来只能被检索的数据，能不能被重新组织、重新理解，产生更大的价值？

这两三年里，我一直在用，也一直在想。但真正的转折，是今年元旦。那之后，AI从一个我持续关注的新技术，变成了我每天真正一起工作的对象。

事情的起点其实很普通。去年年底，有一批长期积累的知识资料，需要做成一个可以查询的数据库。按照过去的办法，这是一件再正常不过的软件开发工作：提需求，找工程师，排期，开发。问题也很现实——公司技术人员手上的事情很多，这个项目就这样拖了下来。

那时硅谷已经开始流行一个词：Vibe Coding。意思大致是，不一定要先成为一个传统意义上的程序员，也可以通过自然语言和AI一起把软件做出来。

我想，既然别人可以，我也试一次。

可真正准备动手时，我的第一反应仍然很传统：既然要写程序，总得先学会编程。于是我先让AI给我做了一份“几个小时学会Python”的学习资料，认真去看那些语法，准备趁元旦几天假期先把基础补一补。说实话，我那时并没有多少信心，只是觉得至少应该先把门槛跨过去。

真正开始开发以后，事情却和我想的不一样。前面花时间学的Python，几乎没有真正用上；我也谈不上学会了编程。但我可以用自己本来就会的自然语言，把问题、数据结构、想要的页面和功能一点点讲给我的Agent听。它写，我看；不对，我再说；改完再试。原来需要排期、需要工程师动手的那个查询系统，就这样一点点在我面前长了出来。

真正让我震动的，不是系统有多复杂，而是我第一次亲手跨过了那道过去以为必须由“会编程的人”才能跨过去的门槛。那种冲击，比此前读过的很多AI文章都大。

听别人说“自然语言可以编程”，和你自己第一次用自然语言把一个原来做不了的东西做出来，是两种完全不同的知识。

我后来越来越相信，对AI这种变化极快的新事物，有些认识是坐在那里想不出来的。你必须先下场。只有当它真的帮你完成过事情，也真的把事情弄错过，你才开始知道它是什么。

从一台Mac mini，到“Voice Coding”

从那以后，我有点一发不可收拾。一个问题做完，我又想试下一个；一个边界刚摸到，我又想知道它还能往前走多远。

我开始有意识地提高使用强度。不是为了刷使用量，也不是每天一定要产出多少东西，而是想尽快建立一张自己的“AI能力地图”：什么事情它特别强，什么地方看起来很聪明却最容易犯错，什么时候可以完全交给它，什么时候必须自己盯住。这个地图不是别人告诉我的，是一次次用出来的。

后来，一次围绕Agent持续运行的尝试又推了我一把。我干脆买了一台最基础配置的Mac mini，价格也就是四千多元的量级。它很小，配置也不夸张，没有顶级显卡，更不是什么昂贵的工作站。

图2｜我目前的一台主力工作电脑。基础版Mac mini已经足够承担大量AI协作与远程开发工作。

我把它放在办公室，7×24小时开着。在办公室就直接用，离开办公室以后再远程连回来。慢慢地，我和AI的关系发生了一个很具体的变化：它不再只是“我打开一个网页时才出现的工具”，而变成了一个一直在那里、随时可以继续工作的环境。

再后来，我连键盘都开始嫌慢，于是买了一个麦克风。我并不是对着它念代码，而是直接说：这个问题为什么重要，刚才哪一步不对，我真正担心什么，下一轮应该往哪里走。很多原来需要在脑子里整理半天再敲出来的东西，现在可以边想边说。

图3｜我现在常用的麦克风。我自己把这种工作方式叫作“Voice Coding”：不是念代码，而是直接把问题、背景、判断和修改意见说给AI。

我把这种方式叫作“Voice Coding”。这个名字当然只是玩笑，但它让我越来越清楚一件事：未来决定一个人能不能借助AI创造东西的，未必首先是他会不会某种编程语言，而是他能不能把一个真实的问题说清楚。

AI很聪明，但它还不太会工作

如果一定要给现在的AI找一个最接近的比喻，我越来越愿意把它想成公司里刚来了一个新人。

这个新人可能读过你一辈子也读不完的书，知道全世界大量公开知识，学习速度很快，也不怕麻烦。但他不知道昨天公司里发生了什么，不知道这个客户为什么表面同意、实际犹豫，不知道行业里哪些规则写在纸上、哪些规则只存在于经验里，也不知道你脑子里为什么会觉得一个方案“不太对”。

更重要的是：他虽然知识很多，却还不太会工作。

现实中，如果一个学习成绩很好的研究生第一天来公司，我不会走过去只说一句：“帮我做个方案。”然后两个小时以后回来责怪他做得不好。

我会告诉他，我们为什么要做这件事；事情以前是怎么发展的；真正想解决什么问题；最后给谁看；什么可以做、什么不能做；有哪些材料可以参考；什么样才算完成。

奇怪的是，我们管理一个人的时候都知道这些常识，到了AI面前，却常常只剩下一句话：

很多人使用AI时，只留下三句话：

“帮我写篇文章。”

“帮我做个方案。”

“帮我研究一下这个问题。”

然后等它许愿成真。

所以我后来越来越觉得，所谓“会不会用AI”，首先不是会不会写一个漂亮的Prompt。它更像管理：定义任务，补充背景，说明边界，给资源，定标准，再根据结果不断反馈。

AI不是许愿池。你不能不断往里面丢愿望，然后期待它替你完成一个自己都没有想清楚的结果。

《二十四史》让我知道，“做完了”是什么意思

我最近用我的Agent参与做《二十四史》知识库，这件事很能说明这种关系。

图4｜《二十四史》知识库当前界面。它把原文、检索、人物、事件、关系等入口组织到一起；页面统计是当前系统状态，不等同于全部数据已经逐项完成学术核验。

一开始，我只是像一个普通研究者那样问了一个很自然的问题：“二十四史里，社会关系最复杂的人是谁？”

这个问题听起来简直像是为AI准备的。数据库里有人物、有事件、有关系。我的Agent接上本地知识库以后，很快给了我一张看起来相当像样的排名。

当时Agent给出的旧排名｜社会关系“广度”

01 王莽 直接关联 83 人 · 二阶网络 233 人

02 孙权 直接关联 73 人

03 刘备 直接关联 63 人

04 关羽 直接关联 62 人

05 项羽 直接关联 58 人

另一个“跨史书复杂度”口径下，排在第一的却是侯景。以上均为当时AI旧回答的记录，并非今天已经完成史料核验的历史结论。

第一眼看，这个答案很有说服力。王莽第一，后面是孙权、刘备、关羽、项羽；数字甚至精确到了关联人数和二阶网络。更有意思的是，换一个“跨史书复杂度”的指标，第一名又变成了侯景。也正是从这里开始，我意识到：真正的问题不是“第一名是谁”，而是我们到底在拿什么衡量“复杂”。

AI很容易给出一个精确的数字。但一个精确答案，不一定就是一个正确回答。

另一次更直接。我的Agent告诉我，前端已经做好了。我很自然地打开页面，结果进不去。我只好在对话里连续追问：“是不是后端服务没打开，现在前端看不见？”“首页无法加载。”“还是无法访问前端。”这一幕其实很典型：它很认真地告诉你“完成了”，而你坐在电脑前，看到的却只是一个打不开的页面。

这件小事后来让我意识到：代码存在、测试通过、服务能返回、用户真正能够进入并使用，是完全不同的“完成”。

真正让我印象更深的是再往后。我的Agent执行得很快，所以项目很容易进入一种节奏：下一步、再下一步。修数据、改页面、做接口、加审阅工具、再继续修。几乎每次都有新的事情可以做。

每一步单独看都有道理。

可走着走着，我突然有了一种很强的感觉：我们是不是已经忘了最初为什么出发？于是我停下来问它：

“我们这个24史的研究，有一个开发的计划指南、目标和指引吗？我感觉如果只是一步步顺着上一步往下走，可能最终不能实现我的目标。”

我又补了一句：

“每进行下一步，都要回归到这个目标和计划去检查。它得是一个闭环，是一个loop，否则的话，我觉得这种开发就扩散了。”

后来回头看，这可能是整个项目里比任何一段代码都重要的时刻。

AI执行得越快，人越不能只负责不断说“继续”。方向错了以后，执行力越强，跑得反而越远。

这也让我重新理解人的价值。不是因为我比AI更会写代码，也不是因为我比它读过更多资料。恰恰相反，这些地方它可能远远超过我。

人的作用越来越像是在回答另外几个问题：我们为什么做？现在最重要的是什么？什么结果值得做？怎样证明已经做到？什么时候应该停？

有些事情，一开始连我自己也不知道最终要什么

我的Agent里还有一个长期运行的“全球IP早报”。它最开始的目的非常简单，甚至有点像给自己配一个每天准时出现的剪报助理：帮我看看全球发生了什么，把我关心的AI、科技创新、知识产权和产业信息推给我。

最初几版看起来也确实像这样：每天一批新闻，整理得很整齐。但看了一段时间以后，我发现自己真正缺的并不是“再多知道几条新闻”。

我开始不断往回改它。

我先要求它不要只告诉我“发生了什么”，还要区分什么是事实、什么是当事人的说法、什么只是分析；后来又要求它不要只找大家都能看到的新闻，要尽可能往原始文件、法院附件、论文、代码仓库里钻；再后来，我开始要求它回答一个更难的问题：这条信息到底改变了我过去的哪一个判断？

就这样一轮一轮地改，最初那个“每天给我推新闻”的任务，慢慢长成了完全不同的东西。现在我更愿意把它看成自己整个知识系统的一个外部信息入口。

我自己有时把这个过程叫作“更新元数据”：不是每天往脑子里塞更多新闻，而是让自己对世界的事实、概念、方法、判断和决策持续更新。它像一根每天重新接上的线，提醒我外面的世界又发生了什么变化。

这个过程让我看到另一件事：好的AI协作并不一定是人一开始就写出一个完美需求，然后AI照着执行。很多时候，人自己也不知道最终要什么。

你先做出第一版，用一段时间，发现它没有解决真正的问题；再改；再使用；再发现新的问题。最后，连“我们究竟在做什么”都会在协作中发生变化。

人要做AI的“翻译官”

AI知道很多，但它不生活在我的现场。

它没有参加我刚刚结束的那场会议，不知道某句话说出来时对方为什么停顿；不知道一个客户三年前发生过什么；不知道一个数据虽然技术上没错，但行业里的人根本不会这样理解；也不知道我打开一个页面以后，为什么会凭经验觉得“这里有问题”。

所以我后来发现，自己很重要的一项工作，不是再给AI补更多公开知识，而是给它做“翻译”。

把我看到的、听到的、经历过的，尤其是那些没有写进公开资料里的真实世界，翻译成它能够理解的上下文。

从这个角度说，人有点像AI和真实世界之间的接口。AI拥有海量公开知识、计算能力和执行能力；人拥有现场、经验、价值判断和目的。双方的优势并不一样。

当彼此真正熟悉以后，分工也会改变。它擅长的事情，我尽量让它做；它容易犯错的地方，我提前设防；需要同时看十种方案时，让它生成，我来比较；需要判断一件事究竟值不值得做时，我承担最后责任。

这可能也是为什么我后来听到Sam Altman谈Shopify联合创始人兼CEO Tobi Lütke时，会有很强的共鸣。

2026年的Stripe Sessions上，Patrick Collison问Altman：大家都知道AI很重要，但真正把AI用好的公司，差别到底在哪里？Altman几乎立刻举了Tobi的例子。他说，Tobi是他认识的第一个真正决定让公司在经营方式上“all-in on AI”的CEO。

真正让Altman印象深刻的，不是一份AI战略文件，也不是公司搞了一个Token排行榜。Tobi自己先下场，亲手去做各种AI自动化，然后要求团队一起去试：哪些原来很慢、很笨、很糟糕的流程，可以用AI重新做一遍。Altman特别强调，领导者如果要求组织“自动化自己、加速自己”，最有效的情况之一，是他本人也真的这么做。

这也不是一次演讲里的漂亮故事。2025年4月，Tobi把一份内部备忘录公开，明确提出“反射式使用AI”已经是Shopify的基本要求：在很多工作里，先问一句AI能不能参与，再考虑用传统方式完成。后来Shopify公开介绍，公司内部AI代码编辑器已经实现普遍采用，AI工具开始变成日常工作的默认组成部分。

我喜欢这个故事，是因为它讲的并不是“CEO也要学编程”。它讲的是另外一件事：如果一个组织的负责人真的相信一种技术会改变生产方式，他不能只站在台上要求别人改变。他自己最好先被这种技术改变一次。

AI是放大器，但它不会告诉你什么值得放大

用到后来，我越来越常用一个词来形容AI：放大器。

现在我还相信这句话，但会说得更谨慎一些。

它放大的不只是一个人的能力，也会放大一个人的意图、判断和行动。

一个人本来知道怎样研究一个复杂法律问题，AI可以帮他一次处理过去难以处理的信息量；一个人本来有很多想法，AI让更多想法第一次有机会被低成本地做出来验证。

反过来也一样。

问题定义错了，AI可以更快地把错误的问题做得非常漂亮；目标偏了，Agent可以高效率地沿着错误方向继续迭代；没有判断力，大量生成能力也可能只会制造更多看起来像成果的东西。

AI是放大器，但放大器不会替你决定，什么东西值得放大。

这也是我为什么越来越不愿意把AI理解成一个“替代人”的故事。

真正让我兴奋的是另外一种可能：人和AI各自保留自己的长处，又不断弥补对方的短处，最后形成一种双方单独工作时都很难达到的结果。

《二十四史》的研究里，有些问题是我提出的，AI把它变成检索和代码；它发现的数据问题又改变了我的判断；我根据真实使用反馈让它重做；它再把分散的问题组织成可以验证的对象。到最后，已经很难简单说哪一个结果“是谁做的”。

它更像是在关系里产生的。

先下场

今年我还第一次真正开始使用GitHub。过去我知道这个名字，也知道程序员在上面放代码。但只有自己真的开始做项目、建仓库、看别人的项目以后，我才突然意识到，一个代码仓库背后其实是一整套知识生产、协作和分享的方式。

现在我自己也已经有了一些仓库。未来，我希望逐渐把历史研究、法律基础、知识产权和创新基础等一部分内容开放出来。

这也是AI带给我的一个意外变化。我原本只是想学会使用一个新工具，结果它像一道门，把我带进了很多过去不会主动进入的世界。

所以，如果现在有人问我，普通人到底应该怎样学习AI，我的答案反而越来越简单。

如果你已经判断它可能是一件足够重要的事，不要只看，不要只讨论，也不要先想着把所有理论都弄懂。

找一件你真正想做、过去又很难做好的事情，和它一起把这件事做出来。

在这个过程中，你会知道它哪里惊人，哪里笨拙；知道什么时候可以信它，什么时候必须怀疑它；也会慢慢发现，自己真正不可替代的东西，未必是过去每天亲手完成的那些劳动。

AI当然还会继续变化。今天的一些使用方法，过几个月也许就会过时。

但我越来越相信，有一件事不会那么快过时：

不要把AI当成许愿池。把它当成一个刚来到身边、能力惊人但仍需要磨合的伙伴。真正值得期待的，不是谁最终替代谁，而是我们最终能够一起做到什么。

你会在这个过程中认识AI，也会重新认识自己。

详见。

共创说明｜本文在资料检索、结构讨论、反方审稿和文字编辑中使用AI辅助；选题、核心判断、取舍与最终责任由作者承担。