我为何（部分地）改变了对“AI人才通胀”的看法
Published:
在“All-in AI”两年后，我曾经深信的“10,000小时人才护城河”理论，在Agentic工作流的冲击下被无情地打碎了一半。
六个月前，我提出了一个名为 “AI人才通胀” (AI Talent Inflation) 的框架，认为“10,000小时定律”将很快在AI行业中制造出不可逾越的鸿沟。我当时的经验性判断很直接：在2022年就“All-in AI”的早期红利获得者，将在2025年底或2026年初达到他们的10,000小时精通里程碑。我预测这将导致能力的指数级分化，把“圈外人”永远留在后面，而所谓的“AI平民化”只不过是个神话。
今天，站在2026年中期回望，我必须承认我部分地错了。我预测的这种分化并没有全面发生，而是沿着AI基础设施 (Infra) 和 AI应用 (Application) 产生了剧烈的分野。
在 AI基础设施 层面，我是对的。在预训练、基础模型架构和底层系统工程的领域，人才通胀是真实存在的。如果你在这个领域没有基础的理解和多年积累的硬核经验，现在的门槛已经变得极高且难以跨越。在这里，10,000小时定律依然牢不可破。
然而，在 AI应用 层面，我完全错了。以下是我改变看法的原因：我从根本上误解了这10,000小时的复利价值究竟沉淀在哪里。我曾经假设人类从业者需要不断积累这些专业知识才能在构建AI产品时保持竞争力。然而事实是，AI模型直接吸收了这些知识。
随着Agentic工作流和深度集成的AI推理引擎的快速进化，它们实质上剥离了在应用层面对特定“AI技术精通”的需求。这些工具变得如此强大，以至于技术门槛从我们脚下彻底崩塌了。今天，一个拥有强大领域知识并能清晰表达意图的“圈外人”，完全可以构建出在几个月前还需要专门的AI工程师团队才能完成的应用。
在应用层面，“AI平民化”并不是神话；它只是在等待模型跨越一个关键的能力阈值。我们并没有迎来一个基于技术投入时长而高不可攀的AI应用精英阶层。相反，纯粹的技术护城河消失了，真正的差异化竞争回到了它本应在的地方：品味、领域专业知识，以及解决实际人类问题的能力。