碎片：10月28日
内容提要
文章讨论大语言模型（LLM）能力认知差距：少数前沿者感受到能力陡升，多数人仍认为其不可靠。企业虽引入AI，但仅用其皮毛，受数据与安全制约。作者认为AI投资存在泡沫但并非浪费，类似互联网早期。编程正从直接控制转向监督控制，写代码或成衰退技能，但问题解决与系统理解能力仍宝贵。企业需按工作负载分类管理token成本。
延伸解读
认知鸿沟：前沿体验与大众感知的错位
文章指出，LLM能力认知存在巨大分层：少数前沿者感受到能力陡升，而多数专业人士仅看到有限提升，公众甚至只接触过“笨拙的聊天机器人”。作者提醒，前沿圈子的体验容易形成回音室，免费版工具的不稳定仍削弱实用性。这种错位意味着，讨论AI影响时需区分“前沿探索”与“普遍现实”，避免以少数人的体验代表整体。
企业落地：瑞士军刀只用了牙签
大型企业虽引入AI，但受安全顾虑、数据质量和工作流程惯性制约，往往只用到皮毛。文章用“买了瑞士军刀却只用牙签”比喻这一现状，并指出用好AI依赖“agent就绪”的数据，而许多企业数据远未达标。对读者而言，这意味着企业AI的瓶颈常不在模型本身，而在数据治理与组织流程的改造。
投资泡沫与长期价值：1997年的互联网类比
针对“AI投资是否存在泡沫”，作者认为估值过高、泡沫会破，但不能据此否定投资价值，并用1997年互联网类比：当时也缺乏生产力数据，但长期回报真实存在。文章提醒，投资不仅是买股票，也包括时间与精力的投向。读者应区分“短期估值泡沫”与“长期技术回报”，避免用早期数据仓促下结论。
编程技能转型：从直接控制到监督控制
文章引用自动化研究中的“直接控制”与“监督控制”区分，指出AI代理正接管写代码、跑测试、修错误等闭环，开发者转向监督角色。但关键差异在于：代理的自我报告未必准确，监督反而需要更多。作者认为写代码或成衰退技能，而问题解决、逻辑思维与系统理解仍宝贵。这提示开发者应主动重构工作方式，而非固守编码身份。
Q&A
为什么大多数人对LLM的能力感知和前沿开发者差距这么大？
因为大多数人只接触过免费或非前沿的聊天机器人，体验不稳定；而少数前沿专业人士在使用强大工具时感受到能力陡升。这种认知差距同时存在，导致公众和多数专业人士对LLM的评价远低于前沿探索者。
企业在应用AI时为什么只用了皮毛？
大企业引入AI但仅用其皮毛，主要受限于安全顾虑、数据质量不佳以及现有工作流程难以改变。用好AI需要良好的数据基础，而许多企业数据尚未就绪，因此难以发挥AI的全部潜力。
AI投资存在泡沫，是否意味着投资AI是浪费钱？
不是。作者认为估值过高、泡沫会破，但投资AI并非浪费，类似1997年互联网早期，数据尚不充分，长期生产力提升需要时间。投资也包括时间和精力的投入，应关注能证明答案正确的领域。
AI时代编程技能会消失吗？开发者应该培养什么能力？
写代码可能成为衰退技能，但问题解决能力、逻辑思维和系统理解力将更有价值。开发者应提升高层抽象能力，从直接控制转向监督控制，专注于知道构建什么以及如何构建好。
什么是直接控制与监督控制？AI如何改变软件开发？
直接控制是人自己闭环反馈（如写代码、测试、修复）；监督控制是由计算机闭环，人负责设定目标、监督并在需要时接管。AI编码代理能自行写代码、运行测试和修复错误，使开发者转向监督控制，但需注意代理报告可能不准确，需要更多监督。
企业如何管理LLM的token成本？
Thoughtworks采用token采购策略：对需要前沿推理的工作租用前沿模型；对涉及IP或高用量工作运行自选容量的开放权重模型。按领域差异化和安全主权两个维度对每个LLM工作负载分类，放入九宫格，最高分轴决定位置，没有统一方案，各组织形成自己的分布。
