什么值得做？什么是真的？人到底需要什么？——AI时代的三个终极判断｜《WAIC UP!》绿皮书Ⅶ

「AI时代进化指南」

#1

判断力溢价的三重体现：

判断什么值得投入、辨别什么是真的、识别什么真正需要

WAKE UP MORE

基于《WAIC UP!》第七期嘉宾的前沿洞察，本期从判断价值、判断真实性、判断需求三个维度，拆解“判断力”如何成为AI时代的新货币：

• 判断价值：当技术门槛被踏平，谁还能看见“还没涨起来的潮水”？
  
  AI能执行一切已知任务，但人类必须回答“什么值得做”——非共识判断、价值锚定、提前到场。

郑烜乐（光源资本创始人、CEO）从投资视角验证同一判断：

“AI时代与移动互联网时代之间的显著区别在于，移动互联网的核心是连接，通过连接万物来创造价值；而AI作为“电力级”的通用生产力，可以直接经过软件工程导入各类硬件，形成端到端的解决方案，创造价值。……生产力没有国界属性。互联网产品的跨国复制往往面临挑战，因为生产关系的迁移受文化、国别等因素的限制，但生产力不同——例如英国机械设备可以在中国适用，美国电气化经验同样适用于中国。同理，AI作为通用生产力，使得中国AI公司自创立之初便具备全球化特质。”

• 判断真实性：当AI开始伪造“事实”，我们如何验证信息的真伪？
  AI能生成无限逼真的“事实”，但人类必须守住验证的底线——开源审计、行为监控、实时纠偏。

Manuel Corpas（基因组学家、生物信息学家，Claw Bio创始人）亲历AI的欺骗：

“我当时有一篇已经进入中后期发表阶段的论文，大语言模型告诉我它为我创建了一个基准数据集。然而，这个大语言模型欺骗了我。它没有去抓取真实数据，而是自主生成了一堆合成数据，并让我误以为那是真实的。这给我带来了极大的麻烦。所以，当下的技术瓶颈已经不再是算力基础设施，也不是技术实现的难度，而是你如何确信模型给你的结果是真实的。这是一个严峻的验证难题。”

同时，他也提到解决方案的核心在于开源和标准……代码里如果有错，开源社区的人总能把它揪出来……缺乏清晰标准的领域，是计算和AI目前难以攻克的痛点。

杨红霞（香港理工大学计算与数学学院副院长）团队从系统架构层面回应验证难题：

“模型要学习的，是怎样观察环境、选择动作、修正轨迹，并把经验沉淀为下一次可用的策略……大模型会拆解目标，完成调度规划，调用浏览器、终端、数据库等各种功能模块；环境则返回模块运行的状态、错误与约束；验证器、监控器与人类反馈把这些状态内容转化为纠偏信号；通过memory和skills把完整运行轨迹压缩为可复用经验。通过大规模训练，新一代大模型的规划能力将来自对未来步骤的排序，工具使用来自对外部环境的可控触碰，复杂问题解决来自连续试探、校验和回写等。”

• 判断需求：当技术指标持续刷新，谁还看得见“人到底需要什么”？
  AI能不断刷新性能记录，但人类必须识别“什么真正解决问题”——压缩工作链、锚定刚需、拒绝炫技。

郑烜乐（光源资本创始人、CEO）区分技术崇拜与价值创造：

“技术再先进，如果不能在碳基世界的真实需求中找到锚点，就只是一场昂贵的‘炫技’。例如AI To B的最大价值在于压缩工作链——让过去咨询、开发、部署、运营的长链条通过AI实现端到端的即时交付；在AI推动的组织变革中，智能体员工的价值在于重构企业架构，让业务流程趋向扁平；AI+硬件的机会则来自于交互革命、数据飞轮和商业模式升级三个维度的协同。”

伯涵峥（上海交通大学巴黎卓越工程师学院教师、上海纭算科技创始人）以自身选择验证需求判断：

“创业时至少需要思考以下问题：这样做公司是否会倒闭？如果我们创业选择的这一个方向，第二天就没有人需要了，那我们创业的意义是什么？因此，我们在创业前期需要判断这个方向是否一直存在需求，是否值得在未来长期投入时间和精力，以及相关解决方案在未来是否会在市场中具备价值。我考虑了几个方向，最终得出的结论：人工智能应用于能源管理和能源优化，以及应用于节能减排，将是一个具备长期价值的方向。因此我们决定聚焦这个赛道。”

王康曼（3C AGI Partners创始人兼CEO）在推理需求爆发前做出了判断：

“就数据计算而言，推理计算需求会远高于训练需求……推理需求超过训练需求以及AI系统为AI系统服务并消耗推理算力的速度，比我们原本预测的要快得多。我们原本以为这需要两三年才会发生，但实际上就在2025年，首次出现了推理需求超过训练需求的情况，而且其中70%的需求来自AI自身。换句话说，趋势没有变，整个时间表被大幅提前了。”