一、总判断：AI 只加速了”生产”，后面成了新卡点

31 个视频横跨游戏、终端、数学、SaaS、财务、剪辑、教育，反复出现同一个结构：AI 把”把东西做出来”压缩了 10–100 倍，原本被生产瓶颈掩盖的下游环节——发行、分发、校准、验证、授权、审美——全部暴露成新卡点。16 天做出 3D 小游戏《小王子》的非从业者，用 GPT 出图、Tripo 建模、Blender 绑骨蒙皮、Unity 编排，编程主力是 Claude Opus 5.5（工具名均为 ASR 转写，存疑），但他的结论是”AI 只加速了生产，发行、分发、售卖仍是产业环节”。剪辑磨出工作流后 2–3 天剪完 4 期长访谈，成本转到”把审美讲清楚”；数学解题被攻破后，验证与传播立刻堵死。

第二层是扩散远未完成：81 亿人里 80% 以上没用过 AI，真正融进工作流的只有几百万，中国约 200–300 万；同时 HBM 产能订到 2026–2027、短缺或持续到 2030。前沿用户月耗 token 上百万美元，普通人还在聊天框里试——落地图景极度不均衡。

第三层是核算语言换了：token 是可计量的智力，但每次生成都是一次计算、边际成本不为 0，SaaS 式零成本复制失效，于是”什么场景用什么模型”“引入 agent 像引入一个员工”成为企业最实际的动作。

二、游戏：从”demo 能否复现”到”结果能否进引擎”

科隆开发者大会 200 多场分享、400 多位演讲者，三个变化：议题从合规治理转向系统解决工程管线，聚焦 AI in production 与 AI in game play；技术从图片/动画/3D 转向全流程管线与游戏内的感知—规划—行动；评价标准从”demo 能否复现”变成”结果能否编辑、能否进引擎、成本与稳定性如何”。

腾讯 Mote AI（存疑）把绑定、蒙皮、语言驱动、多人交互串成可编辑、可预测、可衔接的生产流程，已在多款游戏使用——关键在于”可编辑”，生成能力必须塞进既有管线。世界模型按”骨骼”分三路：无骨（Genie 3 直接生成可交互画面，自由度高但长时一致性差）、有骨（World Labs 的 Marble，一张图生成带几何与碰撞的 3D 场景）、软骨（腾讯 IEG 的中间态，要求生成的场景里所有钟的时间一致）。世界模型是舞台、agent 是演员：谷歌是 Genie 3 + SIMA 2，腾讯推出 GIGA。作者由此判断，游戏与世界模型同构，所以游戏是训练 AI 的基础设施——状态—行动—下一状态的闭环、低成本可控实验场、海量玩家的策略数据。

三、智能终端：端云协同是硬约束，能力原子化才是真范式

TCL 实业 CTO 孙力（ASR 作”孙俪”，存疑）给出三条约束。算力：空调芯片极小，前沿模型必在云端，长期是端云协同，边界随芯片下移。价值：回到产品第一性原理——空调核心是压缩机耗电，用天气、户型、使用时间轴多维推理，仿真阶段省 20%，装进整机综合工况首年省 40%，云端强化学习再挤出 18%，判据是”消费者要能感知”。成本：电视侧量化蒸馏到 4B，一个用户一年大模型成本仅 3 分钱；指标很反直觉，看”兜底闲聊”占比是否锐减来衡量意图理解。

真范式是能力原子化、CLI 化：过去是 IFTTT 式预设规则 + App/语音入口，长尾需求被放弃；现在每台设备把能力打碎暴露到公共 hub（电视有三四万个 API），AI 自己编排，”我回家了”就够。待解是安全授权与生态商业模式，Matter 是前车之鉴。传感器是前提：睡眠场景因隐私刚性绝不能用摄像头，改用毫米波雷达测翻身、跌倒、人数方位；冰箱加电子鼻。AR 眼镜三形态卡在重量/功能/续航的”不可能三角”；机器人走工业→商业→家庭，但家用不该上金属 humanoid，先做陪伴型（”艾米”）。组织上先摘低垂果子（财务、HR、质量运营的信息路由），再做架构与权限隔离，价值观是”省下的人力做更多项目”而非裁员。

四、数学：被攻克的是”第一层”，瓶颈整体后移

OpenAI 一次发布 700 多份成果，覆盖 4000 多道未解命题中的 700 多道，约 200 多道给出 Lean 形式化证明；另一处提到 1 万个智能体、88 小时解决千禧年难题之一。社区分裂：一派认为可启发数学思想；一派认为 AI 公司不负责任——似是而非的解法要数学家花大量时间验证，而这些难题本是社区的”灯塔”，走弯路本身在带学生、形成氛围。引发 25 位菲尔兹奖得主声明的直接原因不是能力，而是发表伦理：抢首发、credit 给不到位、引用未公开思路。

陶哲轩的框架最可迁移：能力假设用限定句式（特定时点、成本、准确率、人类监督下解决特定问题）；目标分层为解题→验证→传播表达（投稿多到没人愿审）→理论沉淀与教学传承，只优化第一层会把学科带偏，此处引古德哈特定律。建议改激励结构：不只奖励”第一个证明的人”，也奖励识别价值、传播表达的人与编辑；鼓励披露而非隐藏 AI 使用。他提 Math 2.0：提出证明可能被替代，真正值钱的是消化、讲清楚、教会学生。作者补阿姆达尔定律——瓶颈转移，前段应降权。对普通人：短期不改变选择，长期要理解局限，AI 仍读不懂模糊指令。

五、SaaS 与软件：形态变成”交付一个个 agent”

触发事件：有人用 AI 把 Adobe 全家桶逆向重写并开源，作者当天让 AI 复刻剪映的美颜、加字幕，”能做”。企业侧更狠：一家知名制造业企业已基本不再采购外部 SaaS，连 IM 都自建（中台 + 客户端），理由是企业上下文沉淀——专有知识与一线线索都在通讯工具里，必须攥在自己手里；机密场景用开源模型本地部署。AI 团队仅几十人，采购大头只剩云、存储、安全。超级个体侧，levels.io（存疑）退订几乎所有商业 SaaS，只留 inference、VPS/存储、备份。

剩余壁垒四条：不想自己手搓、愿为确定收益买单；按效果付费（客服未转人工才收费）；合规牌照；后台极复杂的麻烦事。形态变成”交付一个个 agent”，本质是卖算力性价比 + 兜底能力。决策框架是持续比较”交给员工 / 自家 AI / 第三方 agent”，token 经济因此成为核算语言。定价证据来自 Fable 5：输出 50 美元/百万 token，是 Opus 4.8 的两倍，DeepSeek 只要几美分；同样找出 13 个植入 bug，国产模型花零点几美元，它要几到几十美元。于是大厂开始按场景配档，长出”模型评测”与”按场景做 agent 组合交付”两个机会。

六、财务与组织：63% 在用，11% 进流程

Airwallex 与 Forrester 调研 11 国、1200+ 财务工作者：预期从收付款、对账升级到预测、情景分析与经营判断（50% 以上）；63% 的决策者已用 AI，但真正有 AI 介入的流程只有 11%，卡点是数据分散（仅 44% 企业用少数平台统管大部分工作）、系统集成复杂，以及”一天的工作被 20 分钟 AI 工作流完成”引发的替代恐惧——POC 阶段拥抱、落地阶段阻力重重；落地以混合为主。出海侧的细节被低估：按 token/算力计费的复杂账单、180+ 国家、160+ 本地支付方式、85 国持牌。

组织样本：160 人的传统品牌运营公司招 10 位 FDE，把全公司拆成 1400 条工作流，约 77% 的工作被 AI 替代。方法按岗位、按周/日/季是否重复列一张大表，逐条问”能否提效、人留在哪个环节、人的价值是什么”。结果反直觉：财务、设计、客服等电脑工作占比高的岗位替换 80% 多，物流这类依赖线下的约 50%，连运营、行政也大幅提效（超出”只有编程和客服能提效”的预期）。二阶段建公司级唯一专家 agent——”公司的世界模型”。卡点不在能力而在一号位意图：”靠既有业务流就能挣钱，为什么要用 AI”；怕的不是同行，是善用 AI 的新物种抢生态位。

七、内容与教育：真正的稀缺是审美与主体性

剪辑：结论是”已不需要雇初级剪辑师”，2–3 天磨出工作流后一次剪完 4 期长访谈。能自动切镜头、加人名条、选金句拆条、生成分段标题、去口头语、校对；校对时让 AI 自评置信度，80%–90% 猜对，人只看它不确定的地方。真成本在”校准”——把审美和标准讲清楚，沉淀成工作流后无限复用，”剩下的都是 AI 复制你的审美”。

教育有两个现场。名湾学校（存疑）校长郑腾飞（MIT 博士，存疑）态度审慎：AI 让思考外包太容易，孩子拿到的是概率平均值的平庸答案，更该读书、看好作品养品位；判断 3–5 年筛选体系大重构，执行能力被拉平后用人单位看独特性（她最怕”国内本科 + 海外硕士 + 数据分析 + 雷同项目”）；家长悖论是按着写作业保住基本功却磨掉自主性。校长提”人类保护区”：保护主体性、批判性思维、合作与关爱，强调”附近”。现场案例：八年级学生的 vibe coding 作品获 2 万+点赞，老师说”30 到 70 分 AI 很容易，70 到 90 非常难”。

刘元博的家庭实验明确”不适合大众”，核心指标是”用 AI 时有没有动脑”（认知摩擦）——抄答案会让人高估自己；反对”打基础必须枯燥”，用创造带动学习；AI 素养分知识/技能/态度，越小越重态度，3 岁前不接触、3–6 岁陪伴、小学起适量；长视频可看、短视频禁止刷。两处的共同点：能被拉平的是执行，拉不平的是品位、提问与承担——这也是大学仍值得读的理由，同辈与教授的判断力仍稀缺。

八、可操作清单

  1. 先算 token 账：按转写、纪要、规划、决策分档配模型，把 agent 当员工算 ROI。
  2. 拆工作流不拆部门：照 1400 条的表逐条标注”AI 做什么、人留在哪、人的价值是什么”。
  3. 先摘低垂果子：财务、HR、质量运营的信息路由优先，架构与权限隔离放第二步。
  4. 能力 CLI 化：按”哪些适合 AI 调用”重梳 API，让 agent 跨系统编排，别再做入口 App。
  5. 端云协同 + 守隐私红线：价值回到核心场景（压缩机耗电），隐私场景用毫米波雷达。
  6. 交付做 agent，计费按效果：客服”未转人工才收费”是可验证的定价锚；纯 token 中转价差极薄。
  7. 生产之后立刻补下游：游戏先想发行售卖，内容先想分发版权，把省下的资源投到卡点。
  8. 把审美写成工作流：让 AI 自评置信度，人只审不确定处；标准沉淀一次即可复用。
  9. 先卖再做：供给降了约 100 倍，”做出来”贬值、”找到人买”升值；先收钱再谈产品。
  10. 建公司级唯一专家 agent：连全部数据、调全部技能、答任何业务问题，难点在全员信息录入。
  11. 教育守住认知摩擦：以”用 AI 时有没有动脑”为指标，禁止抄答案，素养按年龄分层。
  12. 一手现场优先：直接读原厂技术报告与论文，胜过媒体二次解读；判断文章看有无”思考的 proof”、动机是否清楚、能否推动现实改变。

九、局限

  • 样本单一：31 个视频出自同一位 UP 主，观点互为强化；企业案例多为嘉宾自述，缺第三方核验与失败样本。
  • 转写误差：孙力/孙俪、Tripo、Claude Opus 5.5、Astra、levels.io、Mote AI、名湾学校、郑腾飞等均为 ASR 结果，人名与产品名可能失真，数据应回原视频核对。
  • 口径问题：MIT”95% 企业无成效”被作者自判过时半年仍被引用；财务报告由厂商资助；77%、80%、40%、18% 均为单点案例，不可外推为行业均值。
  • 时间切片：内容集中在 2025-10 至 2026-10，模型版本与价格半年内即可能失效。
  • 盲区与立场：对”人被替代之后怎么办”只给出”省下的人力做更多项目”，缺中小企业路径；对监管、数据确权、token 跨境只点到为止；作者自述乐观派，对泡沫（约 1/3 概率破裂）、重资产折旧、应用层不赚钱着墨较少。