用四象限图判断 AI 技术价值

AI 发展日新月异、急速迭代，概念、技术、产品层出不穷。但是当前工作繁重（工作本身跟 AI 直接关系不大），即便是很多比较流行的 AI 相关事物，也不可能都花时间去了解、理解和深度使用研究。一方面希望跟上 AI 的浪潮，另一方面目前的精力又不允许。哪些原则可以辅助做出以下判断：“哪些东西不必花时间、哪些东西简单了解即可、哪些东西需要花一些时间去学习、哪些有必要深度使用学习”，以及为什么有这个原则？

这个问题很典型，我也一样，每天处理大量信息、做选择题。说到底就是时间有限，AI 新东西出得太快，生怕错过（FOMO）。

判断一个 AI 新事物值不值得花时间，就问两个问题：

注意，不是离“AI 行业”有多近，而是离你的生产力有多近。你每天在做的事、反复在干的活，它能不能让你少花时间，或者让产出质量更高？能说出具体场景，就是近。想了半天说不出它能帮你干什么，就是远。

有些东西今天学了，三年后还能用，投入的时间能产生复利。有些东西今天学了，三个月后连名字都换了，学了就是沉没成本。

两根轴一交叉，四个象限的决策逻辑就很清晰了。

横轴决定“要不要学”：离你当前生产力越近，越值得投入时间。纵轴决定“学了会不会过期”：保鲜期越长，投入的回报越持久。

右上角（近 + 长）是最稀缺、也最值得投入的，同一时期通常只有一两个。左下角（远 + 短）是噪音最多的区域，大量融资新闻、概念炒作都在这里，可以直接过滤。

中间那条对角线就是时间分配的主方向：从左下到右上，投入递增，数量递减。

这个象限噪音最密集。融资公告、论文预印本、大公司的战略动作都堆在这里。它们的特征是：读完介绍，仍然说不清它具体能帮谁做什么事。

各种 AI 套壳产品（绝大多数活不过半年）。

跳过没有任何损失。如果它真的重要，三个月后它还会在，到时候再看也来得及。AI 领域的淘汰率极高，过早投入时间，沉没成本最大。

这类东西已经成为行业通用语言，你不了解就没法跟人聊天，但你不需要会用它。

举几个例子。RAG（检索增强生成），现在几乎所有企业级 AI 应用都在用它，聊天机器人能引用公司内部文档，靠的就是这个。你不需要自己搭一套 RAG 管线，但得知道“它让 AI 在回答问题时先去检索相关资料，而不是纯靠记忆瞎编”，这样跟同事聊到的时候能接上话。

Chain-of-Thought（思维链）：o1/o3 这类推理模型为什么要“想一会儿”再回答。

Scaling Laws：为什么模型越大越聪明，为什么训练成本是天文数字。

多模态：文本、图像、音频、视频怎么融合到一个模型里。

这些概念的保鲜期都很长，而且你会在日常新闻、同事聊天、产品介绍里反复遇到。

这个象限的目标是维持一张“AI 地图”。你不需要去过地图上的每个城市，但得知道那些城市在哪里、大概是什么样。

做法：读一篇好的解读文章，不动手、不装环境，15 分钟搞定。

这个象限里的东西，你能说出它具体能帮你做什么，但不确定它能火多久、形态会不会发生很大变化。

AI 画图工具是一个典型。做 PPT 要配图、写文章要题图、发社交媒体要视觉素材，几乎所有知识工作者都用得上。

MidJourney 刚火的时候，提示词是一门学问，网上有人靠卖提示词模板赚钱，很多人花大量时间研究怎么写精确的英文提示词。结果呢？GPT-4o 的图片生成一出来，用大白话描述就能画，中文也行，提示词工程在这个领域几乎一夜贬值。现在 Gamma 做 PPT 自带 AI 配图，画质不错，根本不需要你懂什么提示词技巧。

这就是右下角的典型陷阱：工具本身确实有用，但你在某个工具上积累的特定技巧，保鲜期可能很短。值得花几个小时上手当前最好用的那个，用它确实能帮你节省时间，但不要花一周去精通它的每个参数和提示词套路。

同类的还有 ChatGPT Atlas 这类浏览器智能体（能替你填表、订票、执行多步网页操作）。它确实能节省时间，但产品还不稳定，今天的用法明天可能就变了。

原则：花几个小时上手体验，确认它确实能提升你的效率，然后在日常工作中用起来。如果三个月后它换了个名字，或者被别的东西取代，你也没损失太多。

这个象限里的东西数量最少，但每一个都值得认真对待。它有两个信号：一是你已经在日常使用它了，但感觉自己只用了 20% 的能力；二是它背后有成熟的体系或平台在持续投入，不会突然消失。

对软件开发者来说，软件工程本身就是这个象限里最大的那个圆。设计模式、抽象能力、系统思维、代码质量，保鲜期以十年甚至几十年计，而且直接决定你每天的产出。AI 时代反而更需要工程判断力，来决定生成的代码能不能用、架构合不合理。

上下文工程也在这个象限。它的核心是设计和管理 AI 模型在执行任务时能看到的整个信息环境：用户画像、对话历史、检索到的文档、可用的工具和 API。对软件开发者来说，这就是你已有的系统设计能力在 AI 场景下的延伸，不需要从零学起。

Claude Code 这类编程智能体也在这里。它直接作用于你的核心工作，属于平台级产品，有持续的迭代投入。值得花时间搞清楚它的能力边界，而不只是拿来补全几行代码。

深度使用一个核心工具带来的复利效应，远大于浅尝十个工具。

这张图有一个容易忽略的地方：四个象限是一张快照，同一个东西在不同时间会移动位置。

OpenClaw 就是一个例子。2025 年底刚出来的时候，它只是一个奥地利开发者的个人项目，用 Telegram 对话来操控电脑。大多数人会把它放在右下角：有生产力潜力，但不确定能稳定到什么程度，安全问题也让人担心。那时候的合理策略就是“花几个小时试试”。

结果不到四个月，它在 GitHub 上超过 React，成为最热门的开源项目。英伟达的黄仁勋说它是“可能有史以来最重要的软件发布”，创建者被 OpenAI 挖走，英伟达和 Red Hat 都在围绕它做企业级方案。它从右下角直接冲到了右上角。

反过来的例子也有。一些早期看起来很有前景的 AI 工具，因为团队资源不足，或者被更强的竞品取代，从右下角滑向左下角，然后被淘汰。

一看“谁在用”。刚出来时只有尝鲜者在玩，三个月后，身边那些不追新的同事也开始用了，说明它正在向右上角移动。社交媒体讨论量在下降、早期用户开始转向其他工具，那它就在向左边滑。

二看“背后的投入”。有没有大公司或成熟团队在持续迭代？有没有形成生态？如果核心团队散了，不管它现在有多火，保鲜期都会断崖式缩短。

三看“形态是否收敛”。一个方向每隔两个月就换一种做法、改一次名字，说明它还处在探索期。如果大家的做法开始趋同，不同平台的实现开始对齐，就是形态正在收敛，保鲜期正在变长。

当然，这个方法也只是一个参考，更多时候还是要有自己的判断。

很多时候，焦虑感大多来自信息摄入没有节奏。懂得取舍、适当做减法，反而会更好一点。错过一些 AI 资讯没什么，真正有价值的知识和工具，晚几天了解也没关系。