Token挪用量增长超10倍！豆包大模型2.1上线，Seedance2.5预计7月初正式上线
内容来源：2026 年 7 月 4日，谢浩老师受北大国发院邀请进行了主题为《指挥的艺术 :AI 时代你的杠杆和护城河》的分享。分享嘉宾：谢浩，《AI 大模型必知必会：从工具思维到智能协同》书籍作者。责编? | 柒 ?排版? | 沐言第 9743 ?篇深度好文：4521字 | 17 分钟阅读商业思维一、拥抱 AI 的人，已经领先同龄人现在许多事情中，我们看到的所有点都是 AI 在完成。例如现在的 Codex、Claude Code，腾讯的 Workbuddy 等等。凭据现场的调研，各人 90% 以上都在使用这些产品，至少领先于同行或者同龄人。最近我有一些思考我自己最近有一个直观的感受：现在每天我消耗的 token 数量，多的时候可能接近一个亿。因为像 Codex 和 Claude Code 这些工具，其实背后可以大宗接入海内的模型。好比 DeepSeek，现在一级市场估值已经到 500 亿美金量级；再好比智谱，前段时间港股市值一度破万亿；另有 MiniMax，也是几千亿市值；包括芯片公司寒武纪，都是破万亿的公司。短短时间内市场为什么会生长这么快？我们作为个人，如何能抓住其中一点点机缘？这就是今天想跟各人探讨的焦点。二、张雪的启示：用 AI 做杠杆，实现增长我们举一个今天特别火的例子张雪。他是一位非�；鸨纳酱逍蕹倒�，他的机车已经获得了频频世界冠军。他在做发动机的时候有一个视频：改善发动机性能。我们一直觉得发动机是个技术门槛相对较高的领域，做研发需要一定的行业技术壁垒。张雪在做发动机时遇到一个很大的问题：内窥镜的图像剖析。这种图像剖析极其庞大，靠人剖析极其困难。其时开会就拍板：如果图像剖析这么难，我们应该借助 AI。于是团队借助 AI 视觉剖析系统完成零部件检测，用技术工具突破行业古板技术壁垒。这一案例印证焦点逻辑：AI 是撬动增长的焦点杠杆。企业、个人保存大宗重复性、标准化事情卡点，搭建标准化 AI 事情流，即可实现任务自动化交付，大幅压缩人力本钱、缩短项目周期。斯坦福相关工业研究划分 AI 落地两类场景：绿灯区（客服、数据整理等标准化任务，可全面交由 AI 落地）。红灯区（涉及庞大决策、人际信任的场景，需延后结构），落地时优先深耕绿灯场景，依托 AI 杠杆快速实现业务增长。三、AI 能力的摩尔定律：每 7 个月翻一倍我们再看另一个数据：METR2025 年的研究。METR 是美国一个专门做 AI 宁静和能力评估的第三方组织。他们的焦点研究结论是：AI 能处理的任务庞漂后，约莫每 7 个月翻一倍。这张图由 AI 制作，我们看到他宣布了一篇文章。他讲 AI 智能体的摩尔定律，在芯片领域每 18 个月芯片的性能提升一倍，体积可能减少一半。区分差别赛道迭代差别：翻译、基础文案等简单任务迭代接近瓶颈；自动驾驶、庞大科研推理等领域迭代周期更长，约 20 个月。METR 在 2025 年宣布结果时预测：2026 年底：AI 有望处理一天级别的庞大任务；2028 – 2029 年：可能连续处理一个月级别的活。恒久推演可见，未来 AI 可独立完成跨月度、跨季度连续性庞大任务。同时 AI 幻觉、逻辑偏差等问题仍客观保存，多轮交互、跨模型交叉核验是优化输出质量的通用手段。AI 能力连续变强，意味着纯粹执行类岗位价值连续缩水，人类焦点价值将向顶层指挥、决策端转移。我经常跟我们团队讲：你白天可能要让 agent 去跑一些任务，用 Claude Code 也行、用 Codex 也行。在跑的历程中，有些任务需要交互，什么时候该 AI 干、主要时间是不是应该让它自主跑？现在像 long-horizon agent（长程智能体）这种模式也很火：你设一个目标，它通过多轮迭代去完成。我们给它设置一个模式，今晚经过 3 轮、5 轮或 10 轮迭代，最终能满足我的交付要求。所以 AI 时代的 " 摩尔定律 "，意味着未来 AI 能做的事情会越来越多。四、角色转型：从执行者到指挥者在 AI 时代， 由于大宗智能体（硅基员工）的涌现，我们能指挥的团队越来越大。那么作为中层治理者，你的角色在哪里？我想说，这时候作为中层治理者其实蛮危险的。你要么需要一些能力去把事情落地、形成闭环；要么可能需要往高层治理走，那时候你有更多的资源。两者之间会有区别。1. 执行者 vs 指挥者我们原来设定一个目标 , 好比给他做一个视频，我或许知道交付对标的结果是什么样的，可以找个视频让他去看；甚至有人会问：你能不可直接帮我把这个钱赚回来？所以流程是：界说问题→ 设计事情流→ 判断结果→ 担负结果。真正的竞争力，是设计这套协作系统的能力。AI 时代，人的价值从亲自执行转向了界说问题、判断结果、担卖力任。这才是一个治理者真正要做的事。2. 未来团队形态：一人 + AI 团队举个很小的例子。以前可能是多人团队 , 我们当年做公司时，每个月员工的开支可能就需要 50 万，创业门槛相对较高。现在呢？未来许多事情可能是一个人 + 一个 AI 团队。编程、研究、写作 , 这些事情实质没变，你依然是定目标、派任务、验收、担责。但 " 验收 " 和 " 担责 " 极端依赖你对行业的理解和自己的专业知识。我现在基本上很少会用到助理，也很少用到程序员帮我做什么 , 因为我觉得这些工具，各人都会用 AI 的方法去做。3. 一个美国大三学生的选择前段时间我跟美国一线的学生交流，其中一位来自全球前 50 的学校。他大三，盘算机系。我问他未来计划是什么 , 是不是因为海内比较卷、想去读个硕读个博？他给我的反响是：" 现在生长实在太快，我觉得去读硕士、读博，可能会错过这一波的时间和机缘。"所以他说自己三年就想结业去事情，我觉得这个想法很是好。我说：你如果三年结业能在美国找到大厂事情，应该立马去事情 , 因为现在 AI 生长极其迅速。我问他平时用 AI 的情况，他说许多作业不可让 AI 做 , 因为如果让 AI 做，闭卷考试的时候就不会做了。这也是未来教育行业值得探讨的问题，即未来的教育方法和学生需要学习什么，这也是我们重点需要关注的一个问题。五、指挥的四要素指挥有四个要素：1. 判断力判断力，就是知道要做什么。有时候讲 " 选择比努力更重要 ", 无论你是来读 MBA，照旧找事情，照旧切换赛道，你要想清楚你应该做什么。这决定的是战略。2. 提问力这是把问题说清楚、界说清楚的能力。无论是提示词（prompt），照旧其他方法 , 你以怎样更清晰 、更好的方法去表达需求。3. 鉴别力鉴别力就是判断结果的优劣。当 Codex、Claude Code，或者国产的 Workbuddy、通义千问这些工具给你做出结果时，你怎么让它进一步优化？这里面要么可能需要经过许多轮对话。如果你带偏了，AI 可能很快做到 70、80 分；但你发明从 70、80 分做到 90 分，抵达交付标准，并没有那么简单。判断结果极端依赖于你的个人经验和行业经验 , 这是把 70 分优化到 90 分的要害。4. 责任力责任力，就是对结果卖力。为什么每个行业都拥抱 AI？举个例子 : 医生现在也用 AI。但医生看完 AI 的结果再给出来，是不是比你更有信服力？反过来，如果你没有医疗配景，作为医疗效劳的提供者，你要想：怎么让别人相信你这个结果、能为它卖力？治理的实质是定目标、配置资源、判断结果、担卖力任。AI 可以把这个能力放大 , 但前提是，你得有这个能力。六、个人增长的三重杠杆我们再看 AI 给个人的三重杠杆。我们怎么优于同行、怎么领先于敌手？做企业怎么让产品、技术、利润领先于市��？这些都来自哪里？个人的三重杠杆划分是：L1：时间杠杆（省时间）如果 AI 可以迅速做完这样一个交付，我为什么要用人去做？你给员工安排的事情里，如果 AI 自己能做，为什么要安排给员工？L2：能力杠杆（能力放大）这是用 AI 放大现有能力的能力。我们看到许多领域其实拥抱 AI，但你却很难杀进去。好比质料科学。如果你原来没有质料科学的配景，又如何做到？所以你肯定要选择自己的专业能力去做杠杆放大，不然别人凭什么相信你有这个能力？L3：认知杠杆（破认知）作为 " 思维的外骨骼 "，我们看到大宗顶尖科学家在用 AI 方面用得很是好，他们是如何挖掘到那些足够领先于市场、足够立异的要领和点的？他们是超人吗？这里面，AI 就是认知的杠杆。越往上层杠杆，越难被 AI 替代。每个人都是 24 小时，都需要休息、运动、健身，时间是有限的。有了杠杆，怎么放大？以前的工业革命可能是 10 倍，这一次的 AI 革命可能不再是 10 倍 , 可能是十倍、百倍、千倍，就看你怎么用这个杠杆。所以三重杠杆总结：L1，省时间；L2，对能力放大；L3，破认知。七、AI 时代的四大护城河我们为什么要讲护城河？好比你学了 Claude Code 一个月，可能觉得学得还不错 。但 AI 工具生长非�？�，早期你帮人装一个 Claude Code，还能收点钱；厥后你发明装这个工具已经收不到钱了。为什么？因为国产的一些工具一键就能装，像腾讯 Workbuddy 这类，不必学如何装置。我们有时候开玩笑：一键化生长特别快，如果你学得慢，你的工具就不必学了，因为立马就可以直接用了。现在你不装那些庞大的工具了，Claude Code 也酿成桌面板了，使用越来越简单。以前你要学怎么用 CLI 配置，现在有更好的，好比接智谱 GLM-5.2 的计划， 我有时候也用，发明挺好用 。你说有没有差别？也许会有一点，但大宗的情况下你基础用不到它的上限。所以 " 会用工具 " 已经不组成护城河 。真正的护城河是这四个：1. 场景理解解决什么问题，永远比谜底更重要。有了 AI，寻找谜底很便当，但判断场景该不应用、怎么用，才是焦点竞争力 。2. 判断标准为什么医生用 AI 出的结果，人家愿意买单；而你出的结果，可能就没人买单？判断标准即是你的焦点竞争力之一。3. 信任关系今天班上十几名同学来了，线下的价值更多是用来建立链接的。这个课你听不听其实无所谓，但来了以后，可能给你一个更深的认知、更好地触动你；同时你建立了一个链接，你会越发确信你的方法是对的。深度信任， 靠的是线下、面劈面。4. 整合加飞轮（数据飞轮）无论对个人照旧组织都一样，最后一定是一个数据飞轮。当你把个人知识库 、把事情流的每一项都标准化以后，你就可以直接产出、自动交付�；こ呛硬皇� " 会用几多 AI"，而是场景 × 标准 × 信任 × 数据飞轮。结语从理解到行动，三件今天就能开始的事前面讲了三大杠杆，又讲了四大护城河 。现在的要害是直击问题实质：如果你不必杠杆，个人能力比别人强一点，无论时间、智商、照旧资源，可能多一点，但不敷。加上杠杆以后：人家用得好可能乘以 3，你用得好可能是乘以 10 。10 和 3 的差别，就不再是每天 24 小时能比的。给各人四条行动建议：1.All in AI立即增加对 AI 的投入使用和学习 。如果有可能，尽量 All in AI，任何人都应该这么做。2. 聚焦一两个笔直场景这个场景一定是你最理解的。今天在座的每一位，在你的行业里都有积累，你有资源、有人脉、也明白行业的门道 。设计自己的 AI 事情流：哪些交给 AI，哪些必须自己做，怎么抵达交付要求？3. 自动化交付一旦做到交付要求，就让它自动实现。这项事情最后酿成多长时间，取决于算力其时紧不紧张：有可能是十几秒，也有可能是十几分钟甚至更多。4. 建立个人数据飞轮（第二大脑）现在有许多知识库工具：腾讯把 ima 放到 Workbuddy 里；Codex 、ClaudeCode 接入到 Obsidian 这类知识库，那就酿成你 " 第二大脑 "。这些我经常在用，效果很是好，各人可以去实践。把可自动化的执