AI 發(fā)展太快跟不上？一張四象限圖幫你做減法

有讀者問了一個好問題：

> AI 發(fā)展日新月異，急速迭代，概念/技術(shù)/產(chǎn)品層出不窮。但是當(dāng)前工作繁重（工作本身跟 AI 直接關(guān)系不大），即便是很多比較流行的 AI 相關(guān)的東西，也不可能都花時間去了解/理解/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許。哪些原則可以輔助做以下判斷："哪些東西不必花時間/哪些東西簡單了解即可/哪些東西需要花一些時間去學(xué)習(xí)/哪些有必要深度使用學(xué)習(xí)"，以及為什么有這個原則

這個問題很典型，我也一樣，每天處理大量信息做選擇題。說到底就是時間有限，AI 新東西出得太快，生怕錯過（FOMO）。

可以試試用四象限的辦法來篩選。

兩根軸，四種策略

判斷一個 AI 新事物值不值得花時間，就問兩個問題：

第一個：它離我現(xiàn)在的生產(chǎn)力有多近？

注意，不是離"AI 行業(yè)"有多近，是你的生產(chǎn)力。你每天在做的事、反復(fù)在干的活，它能不能讓你少花時間，或者產(chǎn)出質(zhì)量更高？能說出具體場景，就是近。想了半天說不出它能幫你干嘛，就是遠(yuǎn)。

第二個：這個知識的保鮮期有多長？

有些東西今天學(xué)了，三年后還能用，投入的時間能產(chǎn)生復(fù)利。有些東西今天學(xué)了，三個月后連名字都換了，學(xué)了就是沉沒成本。

兩根軸一交叉，四個象限的決策邏輯就很清晰了。

橫軸決定"要不要學(xué)"，離你當(dāng)前生產(chǎn)力越近，越值得投入時間。縱軸決定"學(xué)了會不會過期"，保鮮期越長，投入的回報越持久。右上角（近 + 長）是最稀缺也最值得的，同一時期通常只有一兩個。左下角（遠(yuǎn) + 短）是噪音最多的區(qū)域，大量融資新聞、概念炒作都在這里，直接過濾。

中間那條對角線就是時間分配的主方向：從左下到右上，投入遞增，數(shù)量遞減。

左下角：直接跳過

離生產(chǎn)力遠(yuǎn)，保鮮期又短。

這個象限噪音最密集。融資公告、論文預(yù)印本、大公司的戰(zhàn)略動作都堆在這里。特征是：讀完介紹，說不清它具體能幫誰做什么事。

比如：

• 每月一變的模型跑分排名
• AI 創(chuàng)業(yè)融資新聞
• 模型廠商內(nèi)部宮斗八卦
• AI 芯片參數(shù)細(xì)節(jié)（除非你做硬件）
• 各種 AI 套殼產(chǎn)品（絕大多數(shù)活不過半年）

跳過沒有任何損失。如果它真的重要，三個月后它還會在，到時候再看也來得及。

AI 領(lǐng)域的淘汰率極高，過早投入時間，沉沒成本最大。

左上角：維持地圖感

離生產(chǎn)力遠(yuǎn)，但保鮮期長。

這類東西已經(jīng)成為行業(yè)通用語言，你不了解就沒法跟人聊天，但你不需要會用它。

舉幾個例子。RAG（檢索增強生成），現(xiàn)在幾乎所有企業(yè)級 AI 應(yīng)用都在用它，聊天機器人能引用公司內(nèi)部文檔靠的就是這個。你不需要自己搭一套 RAG 管線，但得知道"它讓 AI 在回答問題時先去檢索相關(guān)資料，而不是純靠記憶瞎編"，跟同事聊到的時候能接上話。

同類的還有：

• Chain-of-Thought（思維鏈）：o1/o3 這類推理模型為什么要"想一會兒"再回答
• Scaling Laws：為什么模型越大越聰明、為什么訓(xùn)練成本是天文數(shù)字
• AI 幻覺：AI 一本正經(jīng)胡說八道的原理
• 多模態(tài)：文本圖像音頻視頻怎么融合到一個模型里

這些概念保鮮期都很長，而且你在日常新聞、同事聊天、產(chǎn)品介紹里會反復(fù)遇到。

這個象限的目標(biāo)是維持一張"AI 地圖"，你不需要去過地圖上每個城市，但你得知道那些城市在哪、大概什么樣。

做法：讀一篇好的解讀文章，不動手，不裝環(huán)境，15 分鐘搞定。右下角：值得動手試試，但別投入太多精力

離生產(chǎn)力近，但保鮮期不確定。

這個象限里的東西，你能說出它具體能幫你做什么，但你不確定它能火多久、形態(tài)會不會大變。

AI 畫圖工具是一個典型。做 PPT 要配圖、寫文章要題圖、發(fā)社交媒體要視覺素材，幾乎所有知識工作者都用得上。

MidJourney 剛火的時候，提示詞是一門學(xué)問，網(wǎng)上有人靠賣提示詞模板賺錢，很多人花大量時間研究怎么寫精確的英文提示詞。結(jié)果呢？GPT-4o 的圖片生成一出來，用大白話描述就能畫，中文也行，提示詞工程在這個領(lǐng)域幾乎一夜貶值。現(xiàn)在 Gamma 做 PPT 自帶 AI 配圖，畫質(zhì)不錯，根本不需要你懂什么提示詞技巧。

這就是右下角的典型陷阱：工具本身確實有用，但你在某個工具上積累的特定技巧，保鮮期可能很短。值得花幾個小時上手當(dāng)前最好用的那個，用它真的能幫你省時間，但別花一周去精通它的每個參數(shù)和提示詞套路。

同類的還有 ChatGPT Atlas 這類瀏覽器智能體（能替你填表、訂票、跑多步網(wǎng)頁操作）。確實能省時間，但產(chǎn)品還不穩(wěn)定，今天的用法明天可能就變了。

原則：花幾個小時上手體驗，確認(rèn)它確實能提升你的效率，然后在日常工作中用起來。如果三個月后它換了個名字或者被別的東西取代，你也沒虧太多。右上角：深度投入

離生產(chǎn)力近，保鮮期也長。

這個象限里的東西數(shù)量最少，但每一個都值得認(rèn)真對待。它有兩個信號：一，你已經(jīng)在日常使用它了，但感覺自己只用了 20% 的能力；二，它背后有成熟的體系或平臺在持續(xù)投入，不會突然消失。

對軟件開發(fā)者來說，軟件工程本身就是這個象限里最大的那個圓。設(shè)計模式、抽象能力、系統(tǒng)思維、代碼質(zhì)量，保鮮期以十年甚至幾十年計，而且直接就是你每天的產(chǎn)出。AI 時代反而更需要工程判斷力來決定生成的代碼能不能用、架構(gòu)合不合理。

上下文工程也在這個象限。它的核心是設(shè)計和管理 AI 模型在執(zhí)行任務(wù)時能看到的整個信息環(huán)境：用戶畫像、對話歷史、檢索到的文檔、可用的工具和 API。對軟件開發(fā)者來說，這就是你已有的系統(tǒng)設(shè)計能力在 AI 場景下的延伸，不需要從零學(xué)起。Claude Code這類編程智能體也在這里。直接作用于你的核心工作，平臺級產(chǎn)品，有持續(xù)的迭代投入。值得花時間搞清楚它的能力邊界，而不只是拿來補全幾行代碼。

深度使用一個核心工具帶來的復(fù)利效應(yīng)，遠(yuǎn)大于淺嘗十個工具。

象限會移動

這張圖有一個容易忽略的地方：四個象限是一張快照，同一個東西在不同時間會移動位置。

OpenClaw 就是例子。2025 年底剛出來的時候，它只是一個奧地利開發(fā)者的個人項目，用 Telegram 對話來操控電腦。大多數(shù)人會把它放在右下角：有生產(chǎn)力潛力，但不確定能穩(wěn)定到什么程度，安全問題也讓人擔(dān)心。那時候的合理策略就是"花幾個小時試試"。

結(jié)果不到四個月，它在 GitHub 上超過 React 成為最熱門的開源項目，英偉達(dá)的黃仁勛說它是"可能有史以來最重要的軟件發(fā)布"，創(chuàng)建者被 OpenAI 挖走，英偉達(dá)和 Red Hat 都在圍繞它做企業(yè)級方案。從右下角直接沖到了右上角。

反過來的例子也有。一些早期看著很有前景的 AI 工具，因為團隊資源不足或被更強的競品替代，從右下角滑向了左下角，然后被淘汰。

判斷移動方向有三個信號：

一看"誰在用"。剛出來時只有嘗鮮者在玩，三個月后身邊不追新的同事也開始用了，說明它在往右上角移動。社交媒體討論量在下降、早期用戶開始轉(zhuǎn)向其他工具，那它在往左邊滑。二看"背后的投入"。有沒有大公司或成熟團隊在持續(xù)迭代？有沒有形成生態(tài)？如果核心團隊散了，不管它現(xiàn)在多火，保鮮期都會斷崖式縮短。三看"形態(tài)是否收斂"。一個方向每隔兩個月就換一種做法、改一次名字，說明還在探索期。如果大家的做法開始趨同，不同平臺的實現(xiàn)開始對齊，就是形態(tài)在收斂，保鮮期在變長。

當(dāng)然這個方法也只是個參考，更多的時候還是得有自己的判斷更好。

很多時候焦慮感大多來自信息攝入沒有節(jié)奏，懂得取舍適當(dāng)做減法反而更好一點，錯過一些 AI 資訊沒什么的，真正有價值的知識、工具，晚幾天也沒什么的。

*來源：X @dotey（寶玉）*