斯坦福 2025 AI Index Report 核心洞察：从技术突破到系统扩散

更强烈的信号来自模型规模与成本两端的'剪刀差'。一边，训练成本、训练算力需求、能耗和碳排仍在快速上升。斯坦福举例说，AlexNet 训练碳排大约 0.01 吨，GPT-3 为 588 吨，GPT-4 为 5184 吨，Llama 3.1 405B 则达到8930 吨。另一边，调用成本却在急剧下降：达到 GPT-3.5 水平的模型，价格从 2022 年 11 月的每百万 token 20 美元跌到 2024 年 10 月的 0.07 美元。这构成了 2025 年 AI 产业最关键的结构性事实：训练越来越贵，使用越来越便宜。

这意味着什么？意味着 AI 会越来越像云计算基础设施：最上游是少数巨头烧钱建造能力，最下游则是海量企业和开发者低成本消费能力。前沿能力的生产会更集中，但应用创新会更分散。也就是说，'做模型'的门槛在升高，'用模型'的门槛在降低。 这正是 AI 从科研竞赛走向产业普及的关键拐点。

第二章：技术表现仍在猛冲，但'谁最强'这件事正在变得没那么重要

技术表现章节给出的第一印象非常震撼。2023 年才推出的一批高难评测，如 MMMU、GPQA、SWE-bench，到 2024 年就已经出现大幅跃升：MMMU 提升 18.8 个百分点，GPQA 提升 48.9 个百分点，SWE-bench 则从4.4% 飙升到71.7%。这说明一个事实：AI 不仅在变强，而且在'更快地变强'。 新基准刚提出不久，就会被迅速攻克。

但斯坦福并没有因为这些成绩而变得盲目乐观。它同时强调，很多基准的构造质量并不理想，标准化评估体系依然缺乏，尤其在真实性、事实性和负责任 AI 方面，成熟、统一且广泛采用的评价机制依然不足。也就是说，AI 变强是真实的，但'我们到底在用什么尺子衡量它变强'这件事仍然不够稳定。能力进步很快，测量体系却还不够成熟。 这是 2025 年前沿 AI 一个非常核心的矛盾。

这一章最颠覆认知的地方之一，是开源/开放权重模型和闭源模型的差距几乎被追平。斯坦福指出，2024 年初，Chatbot Arena 上最强闭源模型比最强开放权重模型高 8.04%；到 2025 年 2 月，这个差距缩小到 1.70%。这意味着过去那种'最强能力一定属于闭源巨头'的图景正在松动。

这件事的意义非常大。因为它会重塑整个 AI 生态的竞争逻辑。闭源模型仍然可能在综合稳定性、商业支持和安全防护上占优，但开放权重模型一旦在性能上接近，企业和开发者就会更积极地考虑可控性、部署成本、数据主权和定制能力。对很多国家、企业和垂直行业来说，未来真正有吸引力的未必是'最强模型'，而是够强、可控、便宜、可私有化部署的模型。从这个角度看，斯坦福不是在说闭源不重要，而是在说：AI 能力正在从稀缺奢侈品变成可选择的基础品。

中美模型差距收窄，则是技术表现章节里另一个重量级信号。斯坦福给出了一组非常直接的数据：到 2023 年底，美国领先模型在 MMLU、MMMU、MATH、HumanEval 上分别领先中国模型 17.5、13.5、24.3、31.6 个百分点；到 2024 年底，这些差距缩小到 0.3、8.1、1.6、3.7。这说明中国模型不是象征性地'追近了一点'，而是在多个核心基准上发生了大幅度追赶。

不过，斯坦福真正想表达的并不只是'差距缩小'，而是前沿正在变得拥挤。Chatbot Arena 上，榜首与第十名的 Elo 差距从 11.9% 缩小到 5.4%，前两名之间的差距也从 4.9% 降到 0.7%。这意味着，AI 前沿竞争的结构从'少数几家遥遥领先'逐渐变成'多家高水平选手短兵相接'。

这会带来两个后果。第一，单纯靠'我们是最强模型'建立壁垒会越来越难，因为差距没有以前那么大。第二，未来竞争重点会从榜单名次转向真实使用体验、生态整合、成本、延迟、工具链和行业适配。也就是说，模型的'技术边界'还在推进，但'商业边界'已经开始由综合系统能力决定。

技术章节还有一个很值得玩味的结论：推理型范式确实有效，但代价巨大。 斯坦福指出，OpenAI 的 o1 这类 test-time compute 模型，在 IMO qualifying exam 上达到 74.4%，远高于 GPT-4o 的 9.3%；但 o1 也几乎贵 6 倍、慢 30 倍。这说明'更会想'的模型并不是免费的午餐。它能提高某些复杂任务表现，但会以成本和时延为代价。

因此，2025 AI Index 在技术层面传达出的最成熟判断其实是：AI 变强了，但并没有脱离经济学。 每一次能力跃升，都要问两个问题：值不值得，以及谁来为它买单。这也是为什么斯坦福在总览页同时提醒：AI 虽然在数学竞赛类题目上表现越来越亮眼，但在 PlanBench 等复杂推理任务上仍存在明显短板。也就是说，'会做难题'不等于'具备稳定的复杂推理能力'。

第三章：负责任 AI 仍然是最明显的短板之一

在负责任 AI 章节，斯坦福的态度比很多市场宣传要冷静得多。它没有说'安全问题很快就会解决'，而是明确指出：用负责任 AI 标准去系统评估模型，仍然不常见。 虽然 HELM Safety、AIR-Bench 等新基准开始出现，但行业整体还远谈不上形成像 MMLU、HumanEval 那样广泛共识和常态使用的 RAI 评测体系。

这个结论很关键。因为今天很多 AI 系统看起来已经能写、能算、能编程、能多模态，但真正落到金融、医疗、政务、教育这些高风险场景时，决定它能不能规模化部署的，往往不是'平均能力有多强'，而是极端情况下是否可靠、是否可解释、是否合规、是否可审计。而这恰恰是斯坦福认为当前最不成熟的环节之一。

风险事件数量的上升进一步证明了这一点。根据 AI Incidents Database，2024 年 AI 相关事件达到 233 起，同比增长 56.4%，创历史新高。这里面最值得重视的并不是数字本身，而是其含义：AI 已经足够普及，足以频繁进入现实社会冲突。它不再只是实验室系统，也不只是聊天玩具，而是在现实世界里开始影响名誉、隐私、未成年人保护、信息安全、歧视、公平性与社会信任。

斯坦福还指出，企业管理层虽然意识到了 RAI 风险，但实际行动明显落后。麦肯锡调查显示，不准确性、合规和网络安全是最受关注的风险类型，但能把这些担忧转化为完备治理措施的组织并不多。这种'认知先行、治理滞后'的情况，几乎可以说是当下企业 AI 采用最真实的状态写照：大家知道有风险，但多数还没真正把风险治理流程内化为组织能力。

这一章里我认为最有洞察力的点，是斯坦福谈到数据公共领域正在缩小。报告引用研究称，从 2023 到 2024 年，越来越多网站开始通过新协议限制 AI 抓取；在 C4 common crawl 数据集中，活跃维护站点中受限制 token 的占比从 5%-7% 上升到 20%-33%。这不是技术层面的小修小补，而是 AI 发展模式可能面临的根本变化：过去那种'互联网上公开文本几乎可以无限吸收'的时代，正在结束。

这会带来深远影响。首先，训练数据变得更稀缺、更贵，模型公司的数据获取与授权成本会上升。其次，数据多样性可能下降，模型对小众语言、长尾知识和非主流语境的覆盖会受到影响。再次，数据受限会倒逼新路线，比如更高质量合成数据、合成后验证、数据授权市场、领域特定数据联盟，以及更依赖推理、检索和小样本学习的训练范式。换句话说，未来 AI 的瓶颈未必只是算力，也可能是高质量、可合法使用的数据供给。

所以，负责任 AI 章节的真正主题不是'道德说教'，而是一个很硬的现实：AI 若想从试点走向制度化部署，治理能力将和模型能力同样重要。 这一点在 2025 年已经不是价值宣言，而是商业与政策上的硬约束。

第四章：经济章节说明，AI 已经从资本故事进入经营故事

经济章节给出的最强信号，是AI 投资热潮并没有结束，反而在继续加速。2024 年，全球企业 AI 投资达到 2523 亿美元，同比增长 26%；其中私人投资增长 44.5%，并购增长 12.1%。生成式 AI 私人投资达到 339 亿美元，比 2023 年增长 18.7%，已经超过 2022 年的 8.5 倍。

这说明资本市场对 AI 的判断已经从'好奇'变成'下注'。但比投资额更重要的是，AI 使用率也在同步飙升。2024 年，组织层面的 AI 使用率从 55% 跳到 78%；至少一个业务职能使用生成式 AI 的比例从 33% 翻到 71%。这意味着企业不是停留在'研究一下 AI 是否有用'，而是已经进入'把 AI 接进业务流程'的阶段。

不过，斯坦福在这里也非常克制。它没有说 AI 已经全面兑现巨大财务回报，而是指出：财务影响开始出现，但多数企业仍在早期。 例如，使用 AI 的服务运营部门中，49% 报告了成本节约；供应链为 43%，软件工程为 41%。但最常见的节约水平仍低于 10%。收入端也是如此：营销销售中 71% 的组织报告了收入增长，但最常见的增幅也低于 5%。

这组数据极有价值，因为它打破了两种极端神话。第一种神话是'AI 还没创造价值'；第二种神话是'AI 已经带来革命性财务回报'。斯坦福告诉我们的更接近中间现实：AI 已经开始在许多业务功能里产生可测量收益，但收益通常还是渐进式、结构性、流程型的，而不是立刻爆发式地改变财报。

这也解释了为什么企业会继续加码。不是因为 AI 已经替代了大批岗位、立刻带来几十个百分点利润率，而是因为它开始显示出一种很像'通用效率层'的特征：客服、营销、供应链、工程、知识管理、内部搜索、内容生产等环节都能一点点变快、变便宜、变标准化。单点收益未必夸张，但可复制性非常强。一旦嵌进工作流，长期累积效应会很大。

美国在资本层面的领先也被进一步拉大。2024 年，美国私人 AI 投资 1091 亿美元，接近中国 93 亿美元的 12 倍、英国 45 亿美元的 24 倍；在生成式 AI 方面，美国相较中国与欧盟加英国的合计领先差距也在扩大。这个结论和研发章节形成闭环：前沿模型优势不是凭空产生的，而是由资本深度、云基础设施、算力能力和企业采购能力共同支撑的。

但经济章节并没有把故事讲成'美国赢者通吃'。它同样提到，大中华区组织 AI 使用率的同比增幅高达 27 个百分点，欧洲也增加了 23 个百分点。这说明在应用层，世界并没有停下来等美国，反而是在快速形成多区域扩散。技术前沿的生产更集中，应用扩散却在全球加速。

再加上中国在工业机器人安装上的长期强势——2023 年中国安装 27.63 万台工业机器人，占全球 51.1%——就可以看出斯坦福的隐含判断：未来 AI 竞争不只发生在云端大模型，也发生在制造、机器人、产业自动化与物理世界部署。谁能把算法变成真实生产力，谁就更可能在下一阶段占优。

第五章：科学与医疗可能是 AI 最快形成'硬价值'的方向

科学与医疗章节其实非常像一张未来产业地图。首先，斯坦福指出，2024 年出现了更大、更强的蛋白质模型，如ESM3 和AlphaFold 3；同时，AI 在科学发现中的角色继续扩大，新的系统被用于生物任务训练和野火预测等方向。再加上总览页提到 AI 对科学的贡献已经获得诺奖与图灵奖级别认可，这说明 AI 在科学领域早已不是'辅助工具'那么简单，而是在成为新型知识生产基础设施。

临床知识方面，领先大模型也持续进步。斯坦福提到，OpenAI 的 o1 在 MedQA 上达到 96.0%，比 2023 年最佳成绩高 5.8 个百分点，自 2022 年末以来累计提升 28.4 个百分点。报告甚至提醒，MedQA 这种基准可能已经接近饱和，未来需要更难的评测。换句话说，在'考试型医学知识'上，顶尖大模型已经逼近天花板。

真正更重要的是，AI 开始在某些临床任务上超过医生。斯坦福引用研究称，GPT-4 单独诊断复杂病例时，甚至超过了无 AI 和有 AI 辅助的医生；其他研究也显示，AI 在癌症检测和高死亡风险患者识别上优于医生。但报告也保留了关键判断：AI 与医生协作可能比任何一方单独工作都更有效。

这一点非常值得强调。它意味着医疗 AI 的主流路径，至少在中短期内，不是'替代医生'，而是'重构医生的工作方式'。医生的角色会逐步从信息检索者、常规识别者，转向最后责任人、复杂决策者、沟通解释者和伦理判断者。AI 则更像一个高覆盖率、高速度、高一致性的'前置认知层'。这比'医生会不会被替代'那类问题更接近现实。

FDA 批准数量的增长，也证明医疗 AI 已经越过概念验证阶段。斯坦福指出，FDA 1995 年才批准第一个 AI 医疗设备；到 2015 年累计只有 6 个，而到 2023 年已升至 223 个。这意味着医疗 AI 已经从少数试验性产品，走到真实监管框架下的大规模器械化落地。

此外，合成数据在医学中的潜力也被特别提到。2024 年的一些研究显示，AI 生成的合成数据有助于改善社会健康决定因素识别、提升隐私保护下的临床风险预测，并支持新药化合物发现。这说明未来医学 AI 的价值，不只在'模型会答题'，还在于它能不能帮助构造更安全、更可共享、更有效的数据环境。

所以，科学与医疗章节的核心信号是：AI 最有可能率先形成高壁垒、强监管、强刚需、强价值闭环的行业，不一定是内容生成，而更可能是科学与医疗。 这也是为什么斯坦福把这一章放在全报告中相当重要的位置。

第六章：政策与治理已经从'讨论 AI'升级为'围绕 AI 配置国家能力'

政策与治理章节展示的是另一条清晰主线：政府不再只是讨论 AI，而是在立法、监管、基础设施和国际协调层面实质性入场。 美国州一级立法就是典型例子。斯坦福指出，2016 年美国只有 1 部州级 AI 相关法律通过，到 2023 年增至 49 部，而 2024 年直接翻到 131 部。这说明当联邦层面推进较慢时，地方政府正在先行填补治理真空。

联邦层面其实也在提速。2024 年，美国联邦机构引入了 59 项 AI 相关法规，是 2023 年 25 项的两倍多；涉及机构达到 42 个，也是前一年的两倍。这意味着 AI 监管已经不是某个单一部门的事务，而是在横向扩展为多机构共同介入的问题。

全球层面，'AI'在立法程序中的出现频率也在持续上升。斯坦福统计，75 个主要国家在 2024 年的立法程序中对 AI 的提及达到 1889 次，比 2023 年的 1557 次 增长 21.3%，比 2016 年增加九倍以上。立法层面的高频出现，意味着 AI 已经从'技术政策话题'升级为各国普遍需要面对的现实治理议题。

更重要的是，政策竞争已不只体现在'管不管'，还体现在'投不投'。斯坦福列举，加拿大宣布 24 亿美元 AI 基建方案，中国推出 475 亿美元 半导体基金，法国承诺 1170 亿美元 AI 基建，印度和沙特也分别做出大额承诺。这里最值得注意的是'基础设施'三个字。各国越来越认识到，AI 竞争不只是应用软件竞争，而是芯片、算力、数据中心、能源与人才的综合国家能力竞争。

AI 安全研究机构的国际协调，也代表治理开始从国内法规向跨国机制延伸。继 2023 年首届 AI Safety Summit 后，美国、英国、日本、法国、德国、意大利、新加坡、韩国、澳大利亚、加拿大和欧盟等相继推动 AI safety institute。虽然这些机构的权威性、协调机制和实际影响还有待观察，但至少说明国际社会已默认一个前提：前沿 AI 的治理无法完全在单一国家内完成。

深伪监管则体现出 AI 治理越来越'从抽象到具体'。2024 年前，只有 5 个美国州对选举深伪进行规制；到 2024 年，又有 15 个州引入类似措施，总计 24 个州已经通过针对深伪的监管。这说明监管最先落地的，往往不是'通用 AI'这种抽象框架，而是那些已经能造成明显社会伤害的具体问题，如选举、未成年人、隐私和欺诈。

因此，这一章传达的真正信号是：AI 已经被各国视为需要同时用'规则'和'投资'来回应的系统性议题。 只监管不投资，可能失去竞争力；只投资不监管，可能放大社会风险。2025 年后，国家竞争将越来越体现为'治理能力 + 基础设施能力'的双重竞赛。

第七章：教育扩张很快，但'会不会教 AI'比'要不要教 AI'更成问题

教育章节最能反映 AI 对社会中长期结构的影响。首先，全球 三分之二的国家已经提供或计划提供 K-12 计算机科学教育，这一比例相比 2019 年翻倍，非洲和拉美进步最明显。但斯坦福同时提醒，很多非洲国家由于学校缺电，学生接触 CS 教育的机会仍显著不足。也就是说，教育供给的全球扩散是真实的，但基础设施差距依旧决定了谁能真正受益。

在美国，CS 课程可及性和修读人数继续小幅提升，但学生参与仍然受到州别、种族、族裔、学校规模、地理位置、收入、性别和残障状况影响。这提醒我们，AI 教育并不只是'把课程放上去'那么简单，它还牵涉到谁能真正进入这些课程、谁能从中获得上升通道。

比课程供给更紧迫的问题，是教师能力。斯坦福写得很直接：81% 的美国 CS 教师认为 AI 应纳入基础计算机科学学习体验，但不到一半觉得自己有能力教 AI。 这是一组非常有杀伤力的数据。它说明关于'AI 要不要进课堂'的讨论，其实已经大致结束；真正的问题变成了：谁来教、怎么教、教什么、用什么材料教。

这一点的深层含义是，AI 教育的短板不在理念，而在师资与组织准备。很多教育系统现在面对的是典型'政策愿望快于执行能力'的问题：大家意识到 AI 是基础素养的一部分，但教师培训、课程框架、评价标准、伦理边界和本地化案例都还没跟上。未来几年，真正稀缺的可能不只是 AI 工程师，而是既懂教育又懂 AI 的课程设计者与教师培训者。

高等教育方面，美国 AI 硕士学位获得者在 2022 到 2023 年间几乎翻倍，这可能预示本科、硕博层级后续也会跟进；官网总览页还指出，美国过去十年获得计算相关学士学位的人数增长 22%。这说明生成式 AI 的爆发，已经开始反馈到人才供给结构。

所以，教育章节揭示的是一个长期现实：AI 不仅会改变岗位，还会倒逼整个教育系统调整'基础素养'的定义。 今后的基础数字能力，可能不再只是会用 Office、会搜索信息，而会逐步包括提示设计、AI 协作、结果校验、数据意识、模型偏差识别与数字伦理。

第八章：公众态度在变得更乐观，但信任并没有同步恢复

公众意见章节非常有意思，因为它告诉我们：社会并不是'越来越恐惧 AI'，而是出现了一种更复杂的状态——整体乐观上升，但具体信任下降。 全球范围内，认为 AI 产品和服务利大于弊的人群，从 2022 年的 52% 升到 2024 年的 55%；26 个被持续调查的国家中，有 18 个国家这一比例上升。

同时，全球约 三分之二的人认为 AI 产品和服务会在未来 3 到 5 年显著影响日常生活，比 2022 年高 6 个百分点。也就是说，多数人已经不再把 AI 看作遥远技术，而是视为近在眼前的生活变量。

但信任层面的数字却没有同样乐观。斯坦福指出，全球范围内，相信 AI 公司会保护个人数据的比例从 2023 年的 50% 下降到 2024 年的 47%；认为 AI 不带偏见、不歧视的人也比上一年更少。公众态度因此呈现出一种典型的现代技术心理：我承认它有用，也知道它会影响我，但我并不完全信任掌控它的机构。

地区差异也依旧显著。中国 83%、印尼 80%、泰国 77% 的受访者认为 AI 利大于弊，而加拿大 40%、美国 39%、荷兰 36% 明显更谨慎。与此同时，过去最怀疑的几个国家——德国、法国、加拿大、英国、美国——乐观度也都在提升。斯坦福的意思不是'全球分歧消失了'，而是：乐观在扩散，但扩散速度不均。

就业认知也很值得注意。全球 60% 的受访者认为 AI 会在未来五年改变他们的工作方式，但只有 36% 认为 AI 会替代他们的工作。这说明多数人预期的是'工作被重塑'，而不是'岗位立刻消失'。这个判断其实与前面经济章节相当一致：AI 的第一波影响更像工作流再设计与能力增强，而不是一刀切的大规模岗位替换。

有趣的是，在美国，公众对自动驾驶仍高度不信任。AAA 调查显示，61% 的美国人害怕自动驾驶汽车，只有 13% 信任它。即使恐惧比例比 2023 年峰值下降了，仍高于 2021 年水平。这个细节提醒我们：'AI 总体乐观'并不等于公众愿意把生命安全直接交给 AI 系统。 在涉及身体安全与高责任场景时，公众接受度仍然更慢。

地方政策制定者对监管的支持度则相当高。2023 年，美国地方层级政策制定者中，73.7% 认同 AI 应受监管，高于 2022 年的 55.7%。这与公众信任下滑形成呼应：越是看到 AI 普及，社会越要求更强规则。

所以，公众意见章节的真正结论不是'人们越来越喜欢 AI'，而是：人们越来越接受 AI 会到来，但对它应如何被公司和政府管理，提出了更高要求。 这是成熟技术扩散的典型信号。

把八章串起来看：斯坦福 2025 报告的八个核心判断

第一，AI 的前沿能力还在快速进步，但边际叙事正在从'突破'转向'扩散'。 过去大家更关心'又攻克了什么 benchmark'，现在更关心'谁在用、怎么用、能不能管、能不能赚钱'。

第二，训练越来越集中，使用越来越分散。 前沿模型开发越来越依赖产业巨头和大资本，但模型调用成本与开放权重模型的进步，又让更多中小组织能把 AI 接入业务。

第三，美国仍然最强，但不再是'遥遥领先到别人无法追赶'的状态。 美国在前沿模型和私人投资上优势仍大，中国则在论文、专利、机器人和模型追赶速度上表现突出；全球其他区域也在加入开发和部署。

第四，AI 商业价值已经出现，但更多是渐进式而不是神话式。 成本节约和收入提升都存在，但大多仍处于低个位数到低两位数区间；这不代表 AI 没价值，恰恰说明它像互联网和云一样，会以长期、广覆盖、流程型方式释放价值。

第五，治理正在从'原则讨论'进入'制度密集建设'。 州法、联邦法规、国际安全机构、深伪专项规制、基础设施投资都在增加。AI 已经被各国视为长期治理问题，而不是临时热点。

第六，负责任 AI 仍是当前最薄弱的一环。 风险事件不断增长，但统一评估和企业级治理实践仍跟不上。企业和政府越来越重视，但实际执行能力仍处于早期。

第七，科学与医疗是最接近'高价值真落地'的核心赛道。 从蛋白质预测到临床问答，再到 FDA 批准设备数量增长，AI 在这些高门槛领域已经显露出长期价值。

第八，社会态度不是简单的支持或反对，而是'接受 + 焦虑 + 要求监管'的混合体。 乐观度提高，信任却不一定同步提高；这会成为未来 AI 产品设计、合规和品牌治理的关键外部变量。

我对这份报告的进一步解读：它没明说，但其实在暗示什么

我认为，斯坦福这份报告真正暗示的是：未来 AI 的胜负手不再只是模型精度，而是'系统能力'。 系统能力包括什么？包括算力获取、推理成本、行业数据、部署工程、风险治理、法规适配、用户信任、教育供给、国际合作，甚至能源与基础设施。报告之所以横跨 8 个章节，恰恰是因为 AI 已经不是单一技术变量，而是一个跨部门、跨行业、跨国家层级的复合系统。

它还在暗示另一个重要事实：2025 年之后，AI 的竞争会越来越像'现代工业竞争'，而不是'单点科学竞赛'。 你不能只看榜单，也不能只看论文，更不能只看融资额。真正决定长期格局的，是谁能把模型能力稳定地转化为产业能力、制度能力和社会接受度。

对企业来说，这意味着 AI 战略不能再停留在'买一个大模型接口试试'。真正重要的是：流程重构、数据治理、员工培训、合规审计、供应商选择和 ROI 设计。斯坦福的经济章节已经说明，企业真正拿到钱的地方，多数不是'做一个炫酷 demo'，而是把 AI 接进客服、供应链、营销、软件工程等具体功能中。

对政府来说，这意味着 AI 不是单纯'科技政策'问题，而是产业政策、教育政策、劳动力政策、隐私政策、选举治理、国际协调、基础设施投资的综合问题。斯坦福把政策与教育、公众意见和经济放在同一报告里，本身就是在传达这种系统性。

对个人来说，这意味着未来几年最重要的不是争论'AI 会不会取代所有人'，而是尽快形成一种新的职业素养：会与 AI 协同、会验证 AI 输出、会把 AI 嵌入自己的专业能力中。 因为从斯坦福的数据看，工作方式改变的概率明显高于被完全替代的概率。