AI 原生项目的起点，只能是两个字：有用。
但这里的“有用”，并不是吸引注意力，也不是生成大量看起来聪明却对现实毫无影响的内容。真正的“有用”，是它能不能进入一个真实场景，被企业、个人、家庭或组织真正用起来；能不能嵌入日常运作，甚至在某些关键环节中，承担一部分真实的风险与责任。
为什么我们现在会如此依赖、甚至“黏”在 AI 的窗口上？本质原因是——你感觉它“懂你”。而这种感觉，并不是错觉，它来自大语言模型的一个核心机制：基于个人上下文的生成能力。
这也让我们隐约看到一个方向：AI 真正强大的地方之一，在于极致的个性化能力。当然，它本身也很强——推理能力，以及基于全人类语料训练出来的某种“近似全知”。
今天的 AI 公司，其实已经在利用这一点：通过调节模型的“温度”和交互方式，让你更强烈地感受到“被理解”，从而提升用户粘性。这本质上是一种商业策略。
但我认为，一个更重要、却被忽视的趋势正在出现：对“极致个性化系统”的真实需求，会逐渐生长出来。对于越来越多的人来说，拥有一个高度隐私化、可靠（甚至不会一味迎合你）、具备理性判断能力的辅助系统，将变得重要。
这样的系统，很可能具备几个特征：本地化运行、数据私有、具备韧性，甚至在某种程度上可以脱离互联网与云服务而独立存在。因为在一个日益不确定和动荡的世界里，你很难保证关键基础设施永远稳定——比如哪一天，海底光缆真的出了问题。
接下来，我会一步步拆解我是如何推导出这套判断的，并在下一篇文章中，具体讲清楚我正在设计的这种系统，究竟会长成什么样。
去全球化的世界，AI，一个时代的开始
2026年，我们作为成熟的个体，我认为不应该再为AI的新闻一惊一乍。甚至这个世界似乎也变得更加动荡了起来，全球化叙事的结束，局部战争的开启，中东的战争逐步升级，世界开始变得不安。一切都在颠覆我们作为二战后稳定繁荣一代的预设环境。去全球化这个概念很重要吗？很重要，也许30年以后你会发现那个时间点所有已经成为环境的起点来自去全球化。我会在后面说明为什么我认为这个起点也是我会选择数据本地化和隐私化作为方向的原因。
毫无意外，在这个年代，如同人类历史上无数次在资本主义环境下发生的变革，技术的迭代到来了。没错，人类的科学与技术，在动荡，残酷的年代，似乎发展的更快（每次大战似乎都推进了技术飞跃）。
说回来我的核心，我要问你几个问题：
- AI的市值是否存在巨量泡沫？AI技术是否等于AI公司？
- 技术价值与股票市值是否绝对等价？
- 能力的实现是否等于价值的实现？
我相信你已经有了答案：
哪怕现在这些顶流AI公司，比如OpenAI 因为无法实现盈利而破产，我们也可以相信这项技术已经永远的改变了人类的科技树
AI技术 ≠ AI公司。技术趋势不等于商业成功。AI公司是普通商业实体，可以亏损、破产、失败。不应将技术与公司绑定。
我们已经理解了首先出现的普遍AI形态，即大语言模型。然而，AI还没有真正的进入生产力和生产关系，我们还属于“落地能力”的探索阶段，这也是我为自己制定的一条关键准则，这也是我未来写文章，Youtube等一切向外联系的原动力；
AI尚未真正落地，尚未进入生产力与生产关系。“如何落地”是关键问题，比模型能力更重要。需要寻找认知共同体，需要圈子/群体来共同探索。什么叫落地？我认为必须是“现实中真的有用”。承载责任，金钱，改变物理世界。
并且我们在理解这个初始形态的过程中，也醒悟了过来，就是**目前的以大语言模型为主的形态绝对不是万能的。**既然他不是万能的，那么作为个人程序员就还需要自主探讨。而且因为他真的不万能，所以他现在并没有真正的变得“有用”。
到底什么样的科技范式才能让AI“落地”（有用）：单纯在符号世界循环不等于有用。
你以为你现在天天泡在窗口里，你以为你理解了，但是你没有，你只是暂时把这个技术用上了。这并不是人类第一次面对一种几乎无法被当下理解的技术范式困惑，相反，每一次真正的技术跃迁，都会在早期制造类似的认知真空：旧有经验失效，新结构尚未显现，大多数人只能用过去的框架去解释一个本质上已经不同的世界，从而在无形中放大误判。
我就此问个问题，你可能已经发现了：
一个人把一个20万字的文档用AI总结成了5000个字，另一个人在网上看到了这5000个字，然后自己又把这5000字用AI扩展成了20万字。这里面产生了什么价值？
当然，你可以说用AI总结和扩展的这两个人，都分别获得了自己的理解。这当然是一种个人知识价值的实现。但是你总感觉这里面缺少了什么，是什么呢？我认为在这个信息爆炸，内容根本不缺的时代，符号在系统内循环，但重要价值没有随之产生。符号需要绑定到现实结构（决策、行动、系统）中。
信息的价值，不取决于长度或复杂度，而取决于它是否跨越了“符号世界 → 现实结构”的边界。
现在有大量符号在赛博空间中，以一种信息爆炸的模式在“无价值空转”。
从Web 1.0 时代到Web 2.0时代：其实我们是完成了符号跨越现实的
Sad truth: 当前主流AI，反而还没有达到Web 2.0的层级。
从Web 1.0走向Web 2.0，人类其实完成了一次极其关键的跨越：符号第一次大规模地穿透并改造现实世界。在Web 1.0时代，互联网主要承担的是“表达与展示”的功能，信息被数字化、被传播，但它仍然停留在描述层；而到了Web 2.0，以Facebook为代表的社交网络开始让一条简单的信息不再只是被阅读，而是能够直接触发真实行动：你发布一个需求，可能真的就找到了附近的保姆；在约会平台上匹配到的人，我认识的，就有人通过这种方式走入婚姻，十年后仍在一起并育有子女；而像Alibaba Group这样的电商平台，则将这一能力推向更宏观的层面，一次线上订单可以直接调动跨区域的生产、物流与支付系统，进而重塑了全球贸易的运行方式，并在中国形成了今天我们所看到的高度整合的全产业链结构。在这一阶段，符号成为了现实世界的触发器与调度接口。一段数字指令，可以引发一连串真实的资源配置、关系建立与物理行动，这种“从表达走向执行”的跃迁，才是互联网真正改变世界的地方，也构成了我们理解后续一切技术范式的关键参照。
许多AI创业团队，在大语言模型横空出世之后，照搬Web 2.0模式。但是沿用的是“生成式逻辑”，大多在24个月之内失败。为什么？
在大语言模型横空出世之后，许多AI创业团队几乎本能地选择了沿用Web 2.0的成功路径：以平台为中心、以用户规模为目标、以内容为产品，试图复制当年由Facebook或Alibaba Group所代表的增长逻辑。然而，它们在底层却引入了一个根本不同的核心能力——“生成式逻辑”，即通过模型不断生产文本、图像、视频或代码，把符号的扩展当作价值本身。
这就造成了一种结构性错位：外层是Web 2.0的分发与规模叙事，内层却是停留在符号空间自循环的生成机制。结果是，这些产品可以快速吸引注意力、制造增长幻觉，但很难真正嵌入现实的生产与决策结构，无法形成可持续的价值闭环，因此大量项目在大约24个月内便走向衰退甚至消失。
很奇怪是不是？facebook是无数人，自己生成大量关于自己的叙事符号，通过这种符号来互相链接。Alibaba是你说你自己有什么产品，让别人来买；YouTube呢，就是你自己拍视频，让别人看，也是自己生成啊，怎么都成功了呢？
一点都不奇怪，表面看它们都是“自己生成内容”，但本质差别在于：这些平台生成的符号，背后都绑定了真实约束，并且能够触发现实行为，而不是停留在符号内部循环。
以 Facebook 为例，人们确实在“生成关于自己的内容”，但这些内容并不是虚空的，它们绑定的是真实身份、真实关系、真实社交网络，一条信息可以带来真实的联系、合作甚至生活安排，本质是“符号 → 关系 → 行动”；再看 Alibaba Group，商家发布商品信息，看似也是“生成内容”，但每一个商品背后都对应库存、工厂、物流、资金流，一次点击直接触发跨地区的供应链运转，这是“符号 → 交易 → 生产”；再比如 YouTube，创作者上传视频虽然是内容生产，但背后连接的是广告系统、收入分配、职业路径，甚至影响现实中的消费决策与文化传播，是“符号 → 注意力 → 资源分配”。
所以它们成功的关键，不是“用户在生成内容”，而是：
这些符号都被强制绑定在现实结构上，并且可以被执行。
而今天很多生成式AI的问题在于：
- 生成的内容不需要真实身份
- 不需要对应真实资源
- 不会触发真实交易或行动
- 也很难被验证或约束
于是变成：
符号 → 符号 → 符号
一个封闭系统。一个符号世界里的无限细胞分裂。没啥现实作用，除了赚Youtube这类平台的钱之外，纯属口嗨。
我认为这就是一个“生成式陷阱”
成功的系统，不是让人或AI“说更多”，而是让“说出来的东西能改变世界”。
- 我们在用Web 2.0 的成功路径（内容→用户→规模）
- 去解释AI 这种完全不同的能力（符号生成）
这会导致一个系统性误判：
以为“生成更强 = 更接近落地”
那么我认为真正能落地的形态至少具备什么特征呢？那么用最通俗的说法来概括就是“有用”。要么对你自己，个人，家庭有用，虽然他不直接产生经济效应。要么就对一个企业的经营管理“有用”，甚至能直接靠省去人工，承担责任，指导决策这种管理功能产生经济效应。甚至是能给个人提供可靠决策，最后这个决策能创造价值，比如投资决策。这种AI原生系统，必须：
1）不可随意生成（Bound by constraints）
- 有真实数据 / 状态 / 权限限制
- 不是随便编，一切能追溯到确实的证据，比如原始单据。
2）有后果（Consequential）
- 输出会影响决策或行为
- 有成本、有风险
3）可被验证（Verifiable）
- 可以被现实反馈检验
- 对错不是“看起来像不像”，而是“结果如何”
- 而且短期内，输入一模一样的信息，有信心得到相同的结果
如果AI无法用于决策，对于我个人来说，我都想不到对我还能有什么重要用处。生成式的文字和视频，不当网红也没啥用。所以AI的唯一一条真正“落地”的道路，我认为只有“嵌入现实“和“辅助决策”这一条路。
你还记不记得一开始AI公司给我们画的大饼？你要么靠吸粉赚钱，要么就只能靠创造价值赚钱。
OpenAI 创始人Sam Altman 至少在几年前常说：AI将使“一个人公司（one-person company）”达到过去只有大型团队才能实现的规模，甚至做到10亿美元级别（独角兽）。
好，先不辩论这个预言的可能性，如果可能，怎么实现？一个人可以拥有过去需要团队完成的能力，代码，营销，推广，管理，决策。这个没问题，问题是靠什么项目实现？其实按照我刚才提出的Web 2.0逻辑，在这个模式之下其实是有公司达到使用极少的开发+运营人员，撬动极大的产值的： Only Fans!
根据Only Fans 2024年的营收，公司在支付了创作者的收入之后的公司的20%提成部分为$1.41 Billion, 利润（税前）：约$684 Million. 而核心运营人员只有40-50人。
这是一个典型的Web 2.0 平台逻辑，仍然是“内容商品”，仍然是“注意力变现”，对不对？唯一让他特别的，与其他平台，共享经济不同的一点在于内容是”灰色产业“。人类最古老，也最赚钱的行业（无本生意）之一。按照Sam Altman的逻辑，如果靠类似的逻辑，一个人创造独角兽变现类似的平台，靠全球吸粉，抽成，那么你这个“灰度“难道还能超过Only Fans吗？估计也只有把这里面的“内容贡献者”变成AI了，把人家那80%的分成给赚了。
你有没有怀疑过除了Subscription订阅，打赏，内容广告，这种收益的模式之外，计算机，AI，目前我们互联网网络，是有另一种“收益”的方式的。如果不靠广大的用户，不靠人海来给你钱，你如何创造价值？信息本身是否能有价值？
有啊，早就有了，不信你去问贝莱德。甚至有传言说Aladdin早就是AI，但是我本人不相信阴谋论。
所以我想表达的是什么呢？当我们跳出 Web 2.0 的思想钢印去重新思考问题时，一个更根本的问题就出现了：如果不靠“人付钱”，系统还能不能创造价值？大多数人的默认前提是“收益 = 用户付费（订阅 / 广告 / 打赏）”，但这其实只是一个“价值转移模型”，也就是用户把钱转移给平台，平台通过抽成获取收益，本质上并没有创造新的价值，OnlyFans 只是把这种模式做到极致而已；所以真正值得问的是：有没有一种不是“转移”，而是“创造”的收益方式？也就是说，不靠规模、不靠流量、不靠人海，而是系统本身直接产生价值；答案是有的，而且这恰恰是 AI 时代最核心的变化，但它不是信息变现，而是“决策 → 行动 → 结果”的变现逻辑；如果我们把现有模式拆开来看，第一类是信息变现（Web 2.0）：内容给用户，用户付钱，本质是卖信息；第二类是工具变现（SaaS）：工具给用户，用户用工具赚钱再分一部分，本质是卖能力，但不参与结果；而第三类，也就是在AI还没有横空出世之前，世界顶级玩家贝莱德的Aladdin早就在玩的：结果变现。系统参与决策、参与执行，并直接产生结果，收益来自结果本身，而不是用户付费本身；如果顺着这个逻辑往下推，那么 AI 最大的价值就不再是吸粉，不再是生成无限内容，而是开始进入“决策层”，直接参与价值的创造过程。
如果AI要让企业/个人的在现有的技术上更进一步，那么必须进入决策环节。什么是决策？你常玩的那个不是，那只是优化。
这个问题其实非常抽象，我也是最近才慢慢意识到，而且很难准确表达清楚。我们可以先从一个大家都很熟悉的东西说起，比如一类经典的 NP-complete 问题，像 Traveling Salesman Problem，这不是计算机科学里最经典的问题之一吗？
以前如果有人给一家物流公司做一个类似 TSP 的系统，大家都会觉得非常厉害，因为它的定义很清晰：在 N 个城市中，找到一条最短路径，每个城市只访问一次；但它的难度在于组合爆炸，城市数量一旦增加，可能路径数呈指数级增长，10 个城市还可以处理，50 个就已经极其复杂，100 个基本上人类完全无力，这类问题既经典又实用，也很容易让人产生一种专业感——仿佛能解决这些问题，就代表你掌握了“决策能力”；
我自己以前也是这么认为的，前一段时间写过一篇文章，用来分析和求解类似 Mastermind 这样的 NP-complete 问题，当时也觉得这就是在做“决策”，但现在回过头来看，其实那只是“优化”，而不是决策本身；为什么这么说？因为所有 NP-complete 问题都有一个隐藏前提：只要你已经能够把问题完整定义出来，它本质上一定是一个“封闭世界问题（Closed World Problem）”，也就是说所有变量是已知的，规则是固定的，目标是明确的，问题可以被穷举或近似求解，换句话说，这些问题虽然计算上很难，但有一个关键前提——世界是完整的。
真正的现实多层次，极复杂
而现实生活恰恰完全不是这样，你每天真实面对和去解决的真正决策，比如孩子的教育、注意力问题、沟通能力问题，你需要综合老师反馈、测评报告去安排课外活动，同时还要把这些安排和你的工作、家庭事务、另一个孩子的时间协调在一起，还要考虑成本、距离、精力分配，再比如税务决策，今年卖不卖某只股票会如何影响税负，抵扣额度怎么用，这些决策涉及的不只是数字优化，还包括大量模糊、动态、甚至无法量化的变量，而这些变量在过去是根本无法被纳入“计算问题”的范畴的；也就是说，计算机科学传统上处理的，是那些已经被定义好的问题，而现实生活中的决策，真正困难的地方恰恰在于：问题本身并没有被定义清楚。
真正的决策发生在优化之前
公司的决策其实也是一样的逻辑，你去给那家物流公司做 Traveling Salesman Problem 算法，看起来是在解决一个很复杂的问题，但本质上对方只是把最简单、最干净的“优化问题”交给了你，而真正的“决策”早在这之前就已经发生了；如果我们把一个真实的物流问题拆开来看：TSP 解决的是在给定订单集合、给定约束条件下，找到一条最优路径，但真正的决策是在更前面的层级——比如哪些订单要接，是否需要拆单，哪些可以延迟，是否要提高价格来筛选需求，是否要调整仓储布局，甚至是否要放弃某些区域，这些问题没有固定的目标函数，没有明确的输入，也没有标准答案，它们涉及的是不完整信息、多目标冲突和动态变化的现实环境；而你之所以能拿到一个“可以用算法解决的问题”，恰恰是因为那个学 MBA、经验老道的物流公司老板，已经在你看不见的地方把真正复杂的部分处理掉了，他已经帮你完成了变量筛选、目标定义和结构约束，把一个混沌的现实问题压缩成了一个封闭、干净、近乎完美的数学问题，然后才交到你手上，这时候你解决的再漂亮，本质上也只是“优化”，而不是“决策”，但因为这个问题在形式上足够复杂、计算上足够困难，就很容易让人产生一种错觉，好像自己在做的是核心智能。
所以真正的问题，在于以前我们的计算机世界过于“干净”了，其实是一种低能的表现，强制把复杂的世界压制成“可工程化”。因为机器无法理解语义，只能执行确定性的逻辑规则，因此所有问题都必须被提前定义、结构化、边界化，才能进入计算系统；但真实世界本身是多层次、非完备、充满模糊与冲突的，一旦机器开始具备理解语义的能力，这道原本隔离“现实复杂性”和“计算系统”的墙就被打破了，那么整个计算世界的基本逻辑也就不再成立，不再只是处理已定义问题的工具，而必须转向处理问题生成与结构定义本身，这实际上意味着一次彻底的范式重构。
这个世界充满了真正复杂和有价值的问题，而且无法被简化成计算指标
而强制压缩这些问题，只会让真正能够承载复杂型的系统更有价值。因为人类算力的局限，以前我们把决策问题压缩成优化问题。举一个中国人都很熟悉的例子，对于英文观众，我相信也能很快理解：那就是KPI → 把复杂目标压成一个数。
KPI大家都知道了，那么一个国家的KPI是什么呢？对于在过去30年高速发展的中国来说，国家的KPI就是中国的GDP优先主义。沿用我刚才跟你阐述的逻辑：
GDP 是一个被压缩后的优化目标，而民生是一个未被正确建模的决策问题。
首先GDP需要被放回它原本的位置，即 Gross Domestic Product 只是一个统计指标，而不是目标本身；但一旦进入治理体系，就会发生一个关键转换：复杂的社会现实被压缩成一个数字（GDP），再被设定为KPI，进而成为优化对象，于是整个系统被重构为一个“优化问题”。
而所谓 GDP 优先主义，本质上就是把原本复杂的决策问题强行压缩为一个可计算的优化问题，因为原始问题其实是多维且不完备的，比如人过得好不好、是否有安全感、是否对未来有希望、社会结构是否健康，这些都是典型的决策问题，具有多目标、不可完全量化、缺乏统一评价标准的特征，但一旦转化为“GDP 必须增长 8% 或 5%”这样的目标，系统就被简化为单一目标优化；这种压缩之所以被广泛采用，是因为它带来了明显的工程化优势，比如可量化、可比较、可考核、可执行，使治理具备操作性，但其代价同样明显，即大量关键变量被丢失，例如贫困的质量而非仅数量、医疗保障的真实可达性、家庭结构问题（如留守儿童）、青年人的心理状态与未来预期以及生育意愿，这些变量往往难以量化、缺乏统一标准且无法在短期内反馈，因此被系统性地排除在优化目标之外；最终，这会导致一个结构性问题，即系统出现“理性偏移”，因为当GDP成为KPI时，所有行为都会围绕这一指标展开，例如优先投资高回报项目、忽视长期但不计入GDP的因素、忽略分配结构以及个体体验，最终导致优化的对象不再是现实本身，而只是指标；这正是所谓的 Goodhart’s Law 所揭示的现象，即一旦一个指标成为目标，它就不再是一个好的指标，其根本原因在于指标原本是用来反映现实的，但一旦成为驱动行为的目标，现实反而开始围绕指标被系统性地扭曲。
所以什么才是有用？就是让现有的系统能够承载更多的复杂性，做出更有层次的决策。而这个决策不会轻易的被压缩。看上去是做同样的工作，但是延迟压缩，甚至拒绝过早压缩。它会保留上下文、保留分歧、保留不确定性，让系统在更高维度上运行，再在必要时做出决策。这个进步就巨大了。
所以读到这里，我想表达的其实很简单：世界已经在发生结构性的变化，逆全球化不再是偶然事件，而是一种正在展开的趋势；AI也将永久成为技术体系的一部分，但它的价值不在于炫技，而在于“有用”——必须贴近现实、参与决策、嵌入具体系统之中。而且因为人类第一次，“机器读懂了语义”，所以我们许多在计算机应用的工程哲学需要改变。能够读懂语义的计算机，可以开始承接一些真实世界的复杂性，可以不需要过度压缩成指标或者KPI。顺着这个逻辑往下推，会得出一系列现在听起来有些反直觉、但实际上极其自然的结论。之所以显得反直觉，是因为我们这一代人是在全球化、长期和平、效率至上，以及“互联网=计算机”的范式中成长起来的，是在Excel表，ERP这种被高度结构化提炼但是同时又损失大量真实世界的复杂层次的抽象中走过来的。这些环境在我们心中形成了深刻的思想钢印。而下一阶段，恰恰会逐步瓦解这些默认前提：计算机将慢慢变得“像人”，承载人类的世界的复杂性。数据将走向本地化与私密化，系统将以韧性为核心目标，而真正有价值的服务，将不再追求普适性，而是走向极致的个性化。下面我依次推导我的这些观点。
AI 时代计算机界出现了一个超级变量：上下文context
AI引入了一个全新的超级变量，多年以后我们会把这个写到教科书里：
上下文（Context）
长期使用AI的人，应该对这个词不陌生，而且这个词也已经深度和大语言模型绑定了。
这个概念本身是非常抽象的，而更大的问题在于：我们的思维，已经被手机、互联网、SaaS 这一整代计算范式深度塑形了。很多认知不是你“理解”出来的，而是长期使用系统之后形成的结构惯性。想要真正适应 AI 的到来，甚至基于它创造出更强的系统形态，本质上需要对这些根深蒂固的假设进行拆解，而这件事不可能一蹴而就，它需要时间，也需要探索。
我举一个最简单但极其关键的例子。
在你熟悉的计算世界里，一部手机上有无数个 APP，它们彼此之间是天然割裂的。哪怕是在同一家企业内部，这种割裂也依然存在：会计部门使用一套系统，市场部门使用另一套系统。而当你在市场系统中做决策时，你无法直接调用会计系统的能力。你能获得的，只是会计部门整理好的结果，例如上一季度的财报分析。从某种意义上讲，这其实就是一种“人肉 API”。也就是说，我们今天所习惯的系统形态，本质上是：
默认隔离、天然断裂、彼此不理解
而且这是当时技术条件下的“最优解”。因为在前 LLM 时代，“上下文”甚至还不是一个被严肃对待的工程变量。于是整个系统世界被构造成这样一种结构：
- 每个系统维护自己的数据模型
- 每个系统封闭自己的边界
- 系统之间通过接口（API）进行极度压缩的信息交换
- 而在绝大多数真实场景中，这种交换甚至无法自动完成，只能依赖人工在 PDF、Word、Excel 之间搬运
结果就是：
在同一家企业内部，无论规模大小，没有任何一个系统能够看到：
完整的“决策上下文”
而 AI 的出现，第一次让这件事出现了裂缝。
LLM 可以处理未被压缩的语义上下文创造一种跨系统的“上下文连续性”
理论上，你可以构建这样一个系统：
- 同时理解财务数据、用户行为、市场策略与风险约束
- 在同一个语义空间中整合这些信息
- 并基于此进行决策，而不是依赖被切割后的结果
但问题在于，我们目前还远没有走到这一步。我们大多数所谓的“AI 应用”，实际上仍然停留在一个非常初级的阶段：
把上下文当作 prompt 进行拼接
而没有真正进入下一层：
把上下文当作一等公民（first-class object），去建模、调度、隔离与演化
也就是说，我们已经看到了方向，但还没有建立语言、结构和工程体系去承载它。这中间的断层，才是接下来几年真正值得探索的地方
简单粗暴的认为“把上下文拉长”或者把所有的割断打通“都是不可行的
所以我认为，“上下文工程”未来会成为一个极其关键的应用领域。因为无论是简单地把上下文不断“拉长”，认为只要 LLM 能处理更长的上下文就足够，还是试图彻底打通系统之间的所有割裂，这些做法本质上都是粗暴的，它们都无法真正承载现实世界中的复杂系统。在我看来，这个领域仍然处于一片未被充分理解的状态，我们甚至还没有建立起清晰的工程范式。“把上下文拉长” ≠ “理解上下文”，“打通系统” ≠ “可承载现实系统”。
很多人下意识地认为 AI 的进步等同于上下文窗口变长、模型能看到的信息更多、系统之间不再隔离：只要上下文足够长，系统就会变得更智能。但这个结论是错误的。任何真正运营过企业、处理过现实复杂度的人都会意识到，问题远比这复杂得多。因为上下文从来就不是一个“长度问题”，而是一个“结构问题”。
如果你把所谓的“无限上下文”想象成一个系统，它更像是一个没有索引的数据库、一个没有结构的知识库、一个没有优先级的记忆系统。在这样的系统中，首先会发生的是信息噪声的爆炸：相关与不相关的信息混在一起，模型只能依赖概率去“猜测”什么重要，本质上缺乏选择机制（selection）；其次，决策会变得极其不稳定，同样的问题在不同时间可能产生完全不同的结果，因为上下文的轻微变化就会改变推理路径，这意味着系统缺乏确定性的决策路径（determinism）；最后，计算成本会迅速失控，延迟不可预测，系统也无法被工程化部署，本质上是缺乏调度机制（scheduling）。
同样地，我认为“彻底打通系统”也肯定不成。如果你把会计系统、市场系统、用户行为数据乃至私密信息全部汇聚成一个所谓的“超级上下文”，表面上看似统一，实际上却是在走向另一种极端——边界的彻底崩溃（boundary collapse）。一旦边界消失，就会带来一系列连锁问题：权限无法控制、语义相互污染、决策责任变得模糊、系统失去可审计性。这种系统在现实世界中是不可用的。
我们还没有一门关于“上下文如何被构造、选择、调度与隔离”的工程学。
随着我们所处的世界不断变化，LLM 带来的不只是工具层面的升级，而是一整套新的技术范式正在逐步形成。这也意味着，许多我们习以为常、根深蒂固的计算方式与商业逻辑，都将被重新审视。
随着 AI 开始广泛进入真实的生产环境，“上下文”正在成为一种关键的无形资产。在一些高价值且高度私密的领域中，上下文的价值甚至可能超过传统的实体资产。无论是那些积累了几十年，甚至上百年历史的家族企业，其长期沉淀并逐步工程化的经验与知识，还是那些掌握大量核心客户关系与关键资源的知识密集型机构，例如顶级律所和金融机构，这些“上下文资产”的真实价值，都会逐渐被市场所认知和重估。有些企业，家族，团体，非盈利组织，拥有非常有价值的上下文资产，这些资产没有被挖掘出来。我们已经知道 AI对于模式识别的能力，对于隐藏信息的发掘能力。所以数据隐私一定是下一个时代无比重要的企业服务内容。
一旦计算机系统具备了真正承载和利用这些上下文的能力，这些持有关键上下文的主体，将显著提升对数据私密性的重视。在某些高价值场景下，甚至会出现“数据必须完全与互联网隔离”的要求。
与此同时，掌握关键决策信息的个人与组织，也会越来越强调系统的韧性。他们会为那些在过去相对和平与稳定环境中从未认真考虑过的风险，提前建立预案。在必要时，他们甚至愿意主动牺牲一部分“效率”，而不再单纯追求利润最大化。
在这样的背景之下，小公司，甚至极小规模的团队，将获得新的生存空间与竞争优势。整个技术与商业范式，也可能从过去类似“所有人去超市购买标准化产品”的模式，逐步转向一个新的形态——更多人能够使用高度定制、面向个体需求的系统与服务。
本地化与数据私密性
现在你会看到很多新闻，你会看到有人在说“SaaS 已死”；你会看到关于数据可信度的讨论，甚至会延伸到“这个服务商的服务器在哪个国家”，进而变成政治层面的争论；你会看到越来越多的cyber security（网络安全）事件。而与此同时，你可能还会想：我不过是点一杯奶茶，这种个人级别的数据，有什么隐私可言？但真正的问题是，在 AI 时代，这种“看似没有价值的单体数据”，正在悄悄变成可以嵌入上下文、参与决策的结构性信息。
数据隐私 → 价值归属 → 上下文（context）
为什么“数据隐私”在 AI 时代突然变成核心问题？在 Web 2.0 时代，数据本质上只是行为记录（点击、浏览、购买），其价值来自统计聚合（aggregation），用户是被动提供数据的一方，公司则通过广告或订阅实现变现，关键在于单个用户的数据几乎没有价值，只有规模才有价值；但在 AI 时代发生了一个结构性变化，数据从“记录”转变为“上下文”，而包括医院、投资机构、律所、富裕家庭等高价值主体，将成为最早一批因为数据隐私问题而主动脱离大厂大云、转向本地系统、严格隔离私人数据的实践者，因为这些系统具备三个共同特征：
第一，决策价值极高——医院的一个决策关系到生死、诉讼与成本，投资机构的一个决策可能涉及上亿回报或损失，律所的一个决策决定胜诉或风险转移，家族的一个决策影响资产传承与代际结构；
第二，上下文极其复杂——涉及长周期（几年到几十年）、多角色协作（医生、合伙人、家族成员）以及大量隐性信息（经验、关系与判断）；
第三，不可标准化——没有两个医院完全一样，没有两个投资逻辑完全一样，也没有两个家族结构完全一样，这一点直接击穿了 SaaS 的前提；因此这些场景天然排斥“云 + SaaS”，这是结构问题，因为它们的核心资产不再是数据本身，而是上下文，而就在写这篇内容的时候，我已经看到 Palantir Technologies 与纽约医疗系统的合作被拒绝续约，本质原因正是数据隐私与上下文控制权，这类事件只会愈演愈烈，并逐步形成一个背离“大厂大云”的技术与架构转向，而这个方向，在我们这个时代已经具备实际可探索的条件，后续我也会结合自己在本地化系统上的实践，持续展开分析与验证。
大厂时代，大云时代，有一部分会被切割出去。相反一小部分本地化，超个性化需求会从极小的规模慢慢开始尝试崛起。
系统的韧性resilience
继续刚才的说法，大厂与大型云服务商几乎包揽一切的互联网形态之下，正在逐渐出现一批本地化的应用，这是一种理念的变化。很多思维路径比较固定的程序员，会本能地从效率、规模、成本这些熟悉的指标来反驳这一趋势，但这正是问题所在，这也是为什么我在文章开篇选择用“去全球化”来作为解释框架：
如果你坚持用效率与规模来辩论，那么全球化是不是效率最高、规模最大的一种组织方式？答案显然是肯定的，但现实同样告诉我们，即便如此，全球化依然在发生反转。
随着地缘政治的不稳定、局部冲突的增加，以及系统性风险的持续暴露，我们曾经习以为常的那一整套“效率优先”的生产体系、供应链体系乃至工业组织方式，都在开始朝着相反的方向演化，即更加本地化、区域化、冗余化的发展路径。
本质上，这是一种长期被忽视的问题正在回归：我们过去习惯用“优化问题”去掩盖“真实复杂性”，而当外部环境的不确定性上升，这种压缩复杂性的方式就开始失效甚至反噬系统本身。过去几十年，整个工业与互联网体系默认了一个前提——世界是稳定的，因此可以持续优化，在这个前提之下，我们构建了一整套“优化机器”：全球化供应链（just-in-time）、单点最优生产（lowest cost region）、超长链条分工，以及极致压缩的库存体系，但这一切都隐含着一个极其脆弱的假设——不会出事。
一旦这个假设不成立，整个逻辑就会反转：当世界进入高波动与高不确定状态时，原本的最优解反而会变成系统中最脆弱的节点，例如单一国家生产在旧世界中是成本最优，但在新环境中，一旦发生断供，它就直接成为致命风险。这一点映射到互联网与AI同样成立，大厂与大云本质上也是一种“集中化最优解”，但在不确定性不断放大的背景下，我们必须重新问一个问题：系统最重要的目标，还是绝对效率吗？答案显然是否定的，更核心的目标正在转向系统的韧性Resilience。这并不意味着反对云，也不意味着所有事情都必须本地化完成，而是意味着系统设计的优先级正在改变：从单点极致效率，转向在不确定环境下仍然能够持续运行的能力。
这个事情，作为程序员不一定能完全理解，但作为大医院的管理者、顶级律所、以及掌握重要私密客户信息的家族办公室，一定能够立刻听懂其中的意义。因为他们本身就长期处在高价值决策、高隐私、高风险控制的环境中，对“系统是否可控”“信息是否安全”“决策是否可持续”有天然敏感度。
而且现在的情况已经发生了根本变化：硬件能力的普及、软件通用性的成熟，以及 AI 的出现，这些技术条件第一次同时具备，使得这件事不再是天方夜谭，而是一个富裕家庭都买得起、也请得起人来构建的现实系统。也就是说，不仅动机已经成熟——对隐私、控制权和长期决策能力的需求正在快速上升，而且条件也已经成熟——不论是硬件，还是软件技术门槛都在大幅下降，这两者叠加，意味着这个时代已经发生了结构性变化。
与此同时，整个世界的运行逻辑也在发生转移：从过去追求“全球最优”的效率逻辑，转向强调“局部可控”的生存逻辑。过去的共识是最便宜就是最好，哪怕供应链再远、依赖再深也可以接受；但现在的核心判断变成了，系统首先必须能在不稳定环境中存活下来，其次才是效率是否最优。因此我们看到本地化供应链的回归、区域经济块的形成（并非完全脱钩，而是降低依赖）、以及企业主动引入冗余设计，这一切的本质变化在于：系统开始为“失败”设计，而不再只为“成功”设计。
在这样的背景下，一个真正有韧性的系统，其结构也从传统的“中心化控制”转向“结构化去中心”。这里必须强调，这并不是理想主义的去中心化，而是一种工程上的现实选择：系统由多个节点构成，每个节点可以独立运行，在必要时可以断开连接但仍保持基本功能。具体表现为本地 AI 与云的协同、小系统之间的松耦合关系，以及对单一平台依赖的降低。最终的判断标准只有一个：这个系统在脱离网络、脱离中心节点的情况下，是否仍然能够继续运作，也就是系统必须具备“可脱网生存”的能力。
说个最俗最显摆的，这个连我自己家里都在建。你觉得任何有需求的高价值小公司怎么可能没这个需求。
极致个性化
灵魂问题：如果有一套系统，专门为你而设，能帮你决策。这个决策，不管是投资也好，还是做生意也好。反正你最终赚钱了。假设你靠这个系统年入一千万美元，你愿意给这个系统的提供商支付多少钱？20刀月费吗？
最大公约数式软件设计
系统应该去适配用户，还是用户应该去学习系统？在过去的范式里，这个答案几乎是默认的：用户必须去学习系统。你从最早接触 Microsoft PowerPoint、Microsoft Excel 开始，就在不断适应软件的逻辑——按钮在哪里、菜单怎么走、功能如何组合，往往要花大量时间去摸索。再到 Adobe Photoshop，以及各种CRM、ERP系统，本质上都是一样的。我私底下把它们称为“最大公约数软件”，听起来有点调侃，但其实非常贴切。因为它们的商业模型决定了，它们“不能对你这个人太好”，它们的目标不是服务好一个人，而是让几百万、几千万人都觉得“勉强能用”。它们的最优策略，从来都是服务更多人，而不是更好地服务某一个人。
在这样的背景下，我们过去对“系统”的认知，其实非常统一：系统就是围绕两件事情构建的——数据的录入与数据的处理。无论是ERP、CRM，还是各种业务软件，本质都是把现实世界压缩成数据，然后对这些数据进行存储、计算与展示。这构成了软件最底层的能力，也是过去几十年软件工业的核心。但今天，这一层能力正在发生一个关键的“下沉”：本地模型开始变得可用，比如 Ollama；云模型的成本持续下降，例如 OpenAI 提供的API；同时算力与存储成本在 NVIDIA 等推动下不断降低，再加上开发门槛被框架、开源生态与AI辅助编程迅速拉低。于是数据处理能力，正在从一种稀缺资源，变成像电力一样的基础设施，不再构成真正的壁垒。
当这一层下沉之后，系统开始向上生长，形成新的分层结构。
最底层，依然是数据录入、存储与计算，但这一层已经开始商品化，不再是核心竞争力。
往上一层，是正在形成的能力：上下文建模、长期记忆以及结构化的决策路径。也正是在这一层，AI开始真正产生价值——它不再只是把复杂问题压缩成几个指标，而是可以在复杂上下文中参与决策，让决策随着信息不断丰富和演化。
而再往上一层，则是一个更深的跃迁：跨长期、甚至跨代际的“认知系统”。这是一种能够长期存在的系统形态，它所承载的不再只是数据，而是一个企业、一个家庭、甚至一个个体不断积累的“上下文资产”。对于高净值人群和小型组织来说，这意味着他们第一次可以通过系统，持续捕获并沉淀真正有价值的认知。
当计算、模型与存储都不再成为问题之后，一个过去难以想象的可能性开始出现：系统可以持续存在，并不断吸收上下文，跨越个人的生命周期。它不再只是一个工具，而是一个持续演化的结构体——它记录每一次决策，积累成功与失败，固化规则与偏好，逐渐形成结构化的认知体系。更重要的是，这个体系不再随着人的离开而消失，而是可以被下一代继承、理解，甚至在此基础上继续演化。也正是在这一刻，系统第一次从“辅助人”的工具，转变为一种可以承载认知与决策能力的长期载体。
- 存储足够便宜→ 可以保存一切
- 模型足够强→ 可以理解语义与上下文
- 计算足够普及→ 可以持续运行
一些高净值人群，高净值的小企业，私密性要求高的，尤其是来自西欧和北美地区，私人定制的需求会分走市场的一部分蛋糕
一些高净值人群、高净值的小企业，以及对私密性要求极高的组织——尤其是在Western Europe和North America——正在自然成为“私人定制系统”的第一批需求方，并且会稳定地分走市场中一块高价值的份额。这背后首先是一个非常现实的前提：
- 他们的“单次决策价值”极高。无论是投资决策，可能带来数百万甚至上亿的波动；
- 法律决策，直接影响风险与责任；
- 还是家族层面的决策，涉及资产传承与结构稳定，只要系统能够在这些关键节点上提升一点点决策质量，其带来的回报就已经远远超过软件本身的成本。
因此，这类群体天然不适合“最大公约数软件”，而现有的普适软件，本质上也从未真正进入“决策模型”这一层。
与此同时，他们对数据外泄的容忍度极低。这些人群往往掌握着非公开的资产信息、交易策略、家族结构与信托安排，以及高度敏感的商业数据。在这种背景下，把数据交给平台本身就构成了一种不可忽视的风险。因此，一种几乎是必然演化出来的需求开始出现：本地部署、私有模型、数据隔离，以及尽可能不依赖公共云的系统形态。
更关键的是，他们具备承担定制成本的能力，而这个成本本身也正在发生变化。过去定制系统之所以难以普及，是因为成本高、维护复杂、技术门槛极高；但现在，AI显著降低了开发成本，开源生态与本地模型降低了技术门槛，而硬件成本的持续下降进一步压缩了整体投入。于是：定制系统的成本，已经下降到了这些群体可以接受甚至愿意主动投入的区间
这种趋势在Western Europe和North America会被进一步放大，因为这些地区长期以来就对隐私与数据权利有制度性保护，同时家族办公室（Family Office）体系成熟，高净值个体本身也更习惯为“控制权”和“确定性”付费。因此，他们不仅有需求，而且有明确的支付意愿与文化基础去支持这种系统形态的出现。
最终，这并不会消灭大厂或平台型软件，但会带来一个清晰的分化：一部分最有价值的用户，将不再只是“平台的用户”，而是转变为“系统的拥有者”。
所以我真正看好的方向，无论是为自己构建系统，还是为其他小企业打造一个能在现实中运转、真正参与决策的 AI 系统，都必须从底层开始做起。关键还是“要有用”。这不是一个可以靠“套用已有范式”解决的问题——其中充满了大量细节、工程权衡与结构设计，尤其是“上下文工程”的具体落地方式，几乎没有现成的教科书可以参考，必须亲自下场探索。
回到几个基础判断：本地化、数据隐私、系统控制权。如果我们用十台 Mac mini 这样的设备，搭建一个完全 headless、由自己掌控的计算节点集群，在软硬件都可控、可演化的前提下，本质上是在问一个问题——你到底能为自己/客户构建出怎样的系统能力？
而这背后并不只是 Mac mini 的问题，整个技术环境的性价比都在提升：IoT 设备、边缘计算节点、各类传感器的成本持续下降，正在把“构建复杂系统”的门槛，从企业级能力，压缩到个人和小团队也能承担的范围之内。硬件越来越便宜，开发门槛越来越低。具有私有系统这种想法的人，只会越来越多。
在这样的前提下，如果你坚持本地化、隐私优先、系统韧性，以及极致个性化这些原则，你最终能做到什么程度？你的系统能有多可靠？你能为客户提供怎样的真实价值？
数据录入的可靠性只是最基础的一层。更关键的是：你能在多深的上下文中，帮助这个特定用户进行决策？你能挖掘出多少在通用 SaaS 系统中根本无法被捕捉的信息？而这些信息，是否能够直接转化为收益？
其实，越来越多的个人和企业，已经开始借助大语言模型（LLM）来辅助甚至直接参与决策。在当前的云端模型体系下，只要给定足够的上下文，它在一个对话窗口内所展现出的理解与推理能力，已经相当强大。
但问题在于，这种“窗口内的决策能力”，并不能直接支撑真实世界中的长期运营。企业的运作，尤其是稳定、可持续的运作，依赖的不是一时的判断，而是一整套可复用、可追溯、可约束的程序化机制——比如决策所依赖的证据来源、审批责任的明确归属、关键文件的留存与版本管理等。
这些关键要素，一旦仅存在于对话窗口中，就会随着上下文的滚动而消散，既无法沉淀，也无法审计，更无法复用。
因此，真正能够支撑AI进入现实决策体系的，不只是模型本身的能力，而是一个稳定、结构化、可审计的系统，用来承载、固化并调度这些决策流程。只有当这些过程被“结构化地保存下来”，AI 才能从“会说话的工具”，进化为“可参与责任的系统”。
下一篇继续讲技术。我也在探索中。
热门跟贴