在过去一段时间的奇绩社区内部分享和交流中，我们看到一些新的创新机会正在出现。

这些变化，来自真实场景、任务流程、数据闭环、系统结构与组织方式的变化。因此，我们将这些阶段性观察整理出来，分享给正在创业或寻找方向的创业者，为大家提供一些思路与参考。

值得关注的机会与方向

需要提前说明的是，以下提到的几类方向，并不是奇绩关注的全部，也不是一份标准答案。所有具备真实问题意识、深入真实场景的创业项目，都值得持续尝试与深入探索。

1. 行业级“行万里路”的 Agentic 数据管线

下一阶段稀缺的，不再只是模型能力，而是那些来自真实场景、真实任务、真实工作过程的数据与反馈闭环。

真正的机会，在“行万里路”——走进医院、工厂、律所、科研场景和企业内部流程，进入那些真正有人类活动、复杂任务持续发生的地方。围绕真实任务形成的数据闭环：任务如何发生、专家如何判断、系统如何执行、结果如何验证、下一轮如何修正。

谁能拿到这些模型公司拿不到的过程数据和反馈闭环，谁就更有机会建立下一阶段的壁垒。

2. 认知脚手架与智能体基础设施

值得关注的机会，也正在出现在智能体真正走向可用、可控、可验证的过程中。

围绕 Harness（执行体系）、Scaffold（认知脚手架）、Skill（能动性的最小单元）、Loop（持续优化的循环）、Context（上下文工程）、Evaluation（验证体系）展开的基础设施，正在变得越来越重要。

Scaffold 是认知脚手架，在问题还没想明白、系统还没稳定之前，先搭起支撑任务推进的结构；Skill 是能动性的最小单元，它决定系统如何找上下文、如何调用工具、如何完成任务、如何把结果写回记忆；Loop 则决定系统能不能持续迭代、持续优化、持续对齐人的需求。

真正重要的，是让智能体真正变得可控、可验证、可持续工作的系统。环境、评估、验证条件、训练闭环，本身就是新的产值，没有这些东西，智能体就很难真正拥有稳定的能动性。

3. 科学智能与 AI4S 的实验闭环

这一次变革，不只是写代码，更会进入数学、物理、生命科学，以及更广泛的知识生产与实验过程。

像蛋白设计、材料设计、科学实验这样的任务，并不是“对着模型说一句话”就能完成的。它需要训练环境，需要数据生成与组织，需要评估体系，也需要完整的训练系统和工作系统。真正的门槛，不只是模型会不会生成，而是数据从哪里来，怎样进入仿真环境，如何形成评估与反馈，如何持续优化。

围绕蛋白、材料、实验仿真、科研评估所建立的基础设施，就会成为非常重要的新机会。

4. 从 Judgment 到 Rule：把人的经验沉淀成规则

我们会关注那些处在高判断密度场景里的团队。

很多任务表面上都在处理信息，但本质并不相同。有些工作是规则驱动的，有些工作则高度依赖经验和判断。规则驱动的任务，更容易被模型快速覆盖；真正大的机会，反而在那些判断密度高、需要行业经验、场景理解和长期积累的地方。

能不能把这些判断不断沉淀成规则，把原本依赖专家的能力，变成可被系统吸收、复用和规模化的能力。谁能持续推动这种迁移，谁就更有机会在高判断密度的场景里建立长期壁垒。

5. 从 FDE 到 FDX ，新组织形态下的 AI 原生服务

我们也会持续关注围绕 FDE、FDX 和新组织方式展开的探索中。

过去，技术相对稀缺，所以很多创新的路径是先把技术做出来，再拿去市场试一试。但现在，情况正在倒过来。今天真正稀缺的，能够跨越“技术”和“需求”两岸，把一线场景中的真实问题，转化为产品、流程和系统能力的人。

这一轮变化真正被重构的，也不只是工具本身，而是人的认知、人的协作方式和组织结构。很多企业并没有准备好直接完成这种转变，因此大量机会会先出现在外部：外部团队先帮助企业完成 AI 原生重构，再逐步深入流程、深入组织、深入判断密度更高的环节。真正不容易被通用模型吃掉的，也恰恰是那些需要深度判断、需要重构组织流程的地方。

* 如果你正在做类似的探索，或者已经有一个想法想要继续加速推进，欢迎申请奇绩创业营。

这一次变化，本质是什么

过去一段时间，从对话，到代码，到智能体，模型越来越“会思考”。

但到今天，一个更重要的变化已经发生了。问题不再是模型能不能思考，而是它能不能“做事情”。这不只是语义上的区别，而是一次结构性的翻篇。

回看过去两个重要拐点：

• 互联网，让信息获取成本大幅下降；

• ChatGPT，让知识获取成本趋近于零。

这一次的变化，是进一步往前走了一步：让“认知能力”开始具备执行能力。也就是说，AI 正在从：获取信息、生成答案，走向：理解意图、目标遵循、长程规划、工具交互。

我们在内部用一个更直接的词来描述它：能动性（Agency）。真正的变化，不只是模型更会说了，而是它开始具备进入任务、理解目标、调用工具、完成工作的能力。这也是为什么，我们会说：这一次，真正翻篇了。

为什么这件事这么难

很多人会直觉认为：模型再强一点，这件事自然就会发生。但现实并不是这样。但现实并非如此。因为这里存在一个基础矛盾：模型来自无限变化的分布，而人的需求来自有限而具体的上下文。

当你放任模型，它很灵活但不可预测；当你不断限制模型，它会变得稳定但又会越来越接近一个手工拼接出来的系统。这也是为什么今天很多 Agent 停在了一个尴尬的位置：Prompt（提示词）能做到 60%，RAG（检索增强生成）能做到 80%，再打补丁也难跨越 90% 的门槛。

真正难的，不是让模型回答得更好，而是让它在复杂任务里持续可用、可控、可验证。

真正的解法在哪里

这也是这次变化最关键的一点：Scaling（规模化）解决的是能力，不直接解决鲁棒性。

真正让系统“可用”的，不只是模型本身，而是模型之外的另一整层结构。也就是围绕任务执行建立起来的工作体系：

• Harness：执行体系

• Scaffold：认知脚手架

• Skill：能动性的最小单元

• Loop：持续优化的循环

• Context：上下文工程

• Evaluation：验证体系

模型只是大脑。真正重要的，是一套知道去哪里找上下文、如何调用工具、如何完成任务、如何验证结果、如何持续修正自己的系统结构。

编程：第一个被彻底重构的行业

如果观察这一轮变化，会发现一个非常明确的现象：最先被彻底改变的，是编程。

原因并不复杂，因为编程是少数上下文相对完整的工作场景之一。文件系统、Git（代码仓库）、任务结构、测试、部署，这些关键要素都在同一个空间里，可以被模型直接访问、直接使用、直接迭代。

也就是说，哪里上下文更完整，哪里智能就更容易率先落地。编程只是第一个被充分验证的行业，但它并不是特例。

它更像是在提前揭示一个普遍规律：当任务空间足够清晰、上下文足够完整、工具链足够可调用时，智能体就会更快进入工作流。

这也是为什么，编程的变化值得被反复研究。它不是一个孤立的应用案例，而是在更早地展示未来大量认知工作的重构方式。

真正的分水岭：行万里路

到这里，我们可以把 Scaling 简单分成三层：读万卷书（预训练）、想万步事（推理）、行万里路（真实任务）。

前两层，模型公司会持续领先。但第三层，开始出现一个结构性的机会：模型公司很难真正进入真实场景，是模型公司很难进入的“深水区”。因为数据不会离开本地、任务流程无法公开化、用户不会开放核心决策、组织复杂度很高。

凡是模型能通过“读万卷书”获得的认知，都不再是护城河。 “行万里路”会成为真正的分水岭。谁能进入真实场景，谁就更有机会拿到模型拿不到的上下文、经验和反馈闭环；谁能把这些东西沉淀成系统，谁就更有机会建立下一阶段的壁垒。

很多创业真正重要的方向，都是从一个具体问题、一个真实场景、一次持续验证开始的。

* 如果你已经有一个创业想法，可以通过申请表中的 20 个问题，系统性梳理自己的方向与判断；如果你还在找方向，也欢迎添加奇绩小助手，参与社区内部的创业问答（Open Group Office Hour），和奇绩校友、奇绩合伙人一起讨论与交流。