AI大模型时代的人类跃迁：模型即生产，意向即革命

1

2023年，GPT-4的横空出世不仅刷新了AI能力的上限，更让我深刻意识到，大模型已经跨越了单纯模仿人类思维的阶段，开始展现出超越理性逻辑的创造力与推理能力。那一刻，我意识到一场技术革命已然到来，随即投入大量精力撰写深度评测、设计面向未来的AI课程，并快速迭代产品以拥抱这一变革。

然而两年后的今天，OpenAI的CEO奥特曼却带头致信美国政府，试图以安全为由限制DeepSeek等开源模型的崛起。讽刺的是，自内部权力斗争以来，OpenAI的研发节奏明显放缓，鲜有突破性成果问世。反观开源社区，凭借集体智慧与开放协作，在代码生成、多模态理解等关键维度上已悄然超越闭源模型，展现出更强的生命力与适应性。

这不禁让人感叹：技术领先易得，人心难测。越是处于巅峰，越要警惕管理团队内部的人性弱点与认知偏差。OpenAI的兴衰轨迹，正是「成也奥特曼，败也奥特曼」的生动写照——创始人的远见可以点燃火种，但若失去对组织文化与人性风险的敬畏，再耀眼的光芒也可能迅速黯淡。

2

每每看到工程师们将抽象理论转化为可运行的代码，我都不禁心生敬意。这种将思想具象化的能力，正是技术进步的基石。

在认知科学领域，科学家往往擅长提出理论框架，比如赫伯特·西蒙的物理符号系统假说、杰弗里·辛顿的深度学习雏形，但这些模型最初不过是简单的程序原型，甚至只是一张手绘的架构图，离真正的工程实现还有巨大距离。它们的价值在于指明了方向，却无法直接解决现实问题。

然而，正是工程师们接过这些思想火种，用代码、数据和算力将其锻造成真正可用的模型，并在这个过程中发展出独特的工程文化——强调迭代、开放协作、追求极致。这种文化与科学研究的严谨、缓慢形成了鲜明互补，共同推动AI飞速前进。

2024年，我在演讲《站在3000年繁荣的起点》中首次提出一个概念：未来的时代将属于模型家。所谓模型家，是指那些能够创造、优化、封装模型并将其应用于实践的人。他们不同于纯粹科学家，也不同于传统工程师，而是两者的融合——既理解模型的数学本质，又擅长用代码实现价值。

科学家的工作成果是实验与论文，而模型家的工作成果则是可复用、可扩展的模型与代码。在未来，如果一个组织无法生产自己的模型与代码，就难以在智能时代立足；同样，个人若不具备理解模型与代码的能力，就会像20世纪不懂科学实验的人一样，在知识生产中被边缘化，失去话语权。

3

纵观这轮AI大变革，最核心的变化莫过于模型从工具升格为生产要素。过去，我们习惯于将技术视为辅助工具，而今天，模型本身开始直接创造价值，成为与土地、资本、劳动力并列的新型生产要素。

在2023年跨年演讲《人生发展的道与器》中，我曾提出一个观点：对话即生产。这句话揭示了信息时代与智能时代的本质区别——信息时代是媒介即信息，人们通过媒介获取内容；而在智能时代，人与模型的每一次对话都在创造新的价值，对话本身就是生产过程。比如，通过对话生成代码、设计方案、撰写报告，都是在直接生产成果。

今天，我要进一步强调：模型即生产要素。模型的格式、架构、封装方式、修改机制、生成逻辑以及应用场景，将成为未来社会最关键的命题。这意味着，我们需要像管理传统生产要素一样，管理模型的版本、质量、安全与流通，而模型本身也成为可继承、可迭代的资产。

模型成为生产要素，对人类社会带来的深刻变革在于：我们的思想、行为、创作都可以被模型化，进而被固化、复用、优化。比如，一位医生的诊断经验可以被封装成诊断模型，供更多基层医生调用；一位教师的授课风格可以被建模，生成个性化的教学助手。这种固化与复用，将极大提升人类智慧的传播效率。

辛顿在接受采访时举过一个精彩的例子：我们很难准确描述一个人的内在偏见，因为偏见是隐性的、复杂的；但我们可以通过测试数据量化一个模型的偏见，并针对性地调整训练数据或算法，使模型更加公平。这种可量化、可修正的特性，正是AI大模型超越人类认知局限的独特优势，也是这轮变革的核心魅力所在。

4

尽管AI正在渗透各行各业，但有三类职业因其与人类本质属性的深度绑定，短期内仍难以被完全取代：教师、咨询师，以及医师/理疗师/按摩师。它们的共同点在于根植于人类固有的局限——这些局限恰恰是AI无法复制的生命特质。

教师的价值不在于知识传授，而在于激发学习者的内在驱动力。人的行为具有自反性——学习者会根据教师的反馈调整自我认知，这种动态互动需要真实的在场感、情感共鸣和榜样力量。AI可以提供个性化习题，却无法营造一个充满信任与激励的成长场域。

咨询师面对的，是内心世界的复杂性。许多隐秘的情感、创伤、欲望无法用语言完整表达，而是通过微表情、肢体语言、呼吸节奏等“整体感受”传递。优秀的咨询师能捕捉这些非言语信号，并给予即时回应，这是当前AI无法企及的深度共情。

医师、理疗师、按摩师则涉及人体的复杂系统。人体不是标准零件，每个人的生理结构、病理反应都有细微差异，治疗容错率极低。有经验的专业人士凭借手感、直觉和对个体差异的把握，能做出精准判断，这种“手感”是无数实践积累的隐性知识，难以编码成算法。

当然，AI可以成为这些职业的强大助手：比如辅助教师批改作业、为咨询师提供数据分析、帮医师快速检索病例，但核心的“人际/身体互动”仍需人类亲自完成。这正是AI时代人类价值的护城河。

5

AI时代之前，我们习惯用人力堆砌能力：缺设计就招设计师，缺编程就招前端、后端、算法工程师，为了协同再招产品经理，为了变现再招内容运营、社群运营、渠道运营……团队像积木一样层层叠加，成本高、周期长、管理复杂。

而今天，AI正在改写这个剧本：不会设计？让Midjourney生成草图；不会编程？让Claude写代码；不会推广？让ChatGPT策划文案。如果单个模型不够用，就让多个模型通过API协作，甚至让一个AI智能体编排其他模型的任务。当市面上的模型都无法满足独特需求时，你还可以利用开源模型微调，或者用AI生成的数据训练专属模型——整个过程可能只需一个人、几小时。

未来三年，这种模式将催生井喷式的创新：AI原生的软件应用、AI辅助的科研发现、AI驱动的个性化服务将层出不穷。一个初创团队可能只有两三个人，却能做出过去需要几十人才能完成的产品。这种“超个体”时代的到来，将深刻改变社会结构：一方面，传统岗位被重构，组织趋于扁平；另一方面，个人能力被极大放大，创造财富的渠道向更多人敞开。那些善于驾驭AI的人，将收获时代红利。

6

以2023年为界，知识世界被一分为二：之前是未经AI染指的“纯净知识”，之后则是大量掺入AI生成内容的“混合知识”。这种污染并非贬义，而是指知识的产生方式发生了质变——AI开始批量制造文本、图像、代码，其中不乏错误、偏见和胡编乱造。比如，某专业媒体为蹭热点，用AI生成了浙大毕业投资人名单，却将人大毕业的张磊误列为浙大本科，这种低级错误暴露了AI的“幻觉”风险，也折射出人工审核的缺失。

如今，我判断合作者是否靠谱的标准很简单：第一版稿件是否直接由AI生成？如果对方连草稿都依赖AI，我会立即终止合作。因为，放弃撰写第一稿，等于放弃了思考的起点——人的独立思考是在白纸黑字中逐渐成形的，AI生成的文字看似工整，却可能掩盖思路的漏洞，让人失去反思的机会。

我曾用一个比喻说明写作的本质：真正的创作如同孕育生命，先有“怀孕”（灵感萌芽），再经历十月怀胎（反复构思、推敲），最终诞下初稿（孩子），之后才能修饰润色（拍照美颜）。AI可以辅助美颜，但无法替代“怀孕”和“成长”的过程。如果连灵感孕育都交给AI，人就成了思想的搬运工，而不是创造者。长此以往，独立思考能力和知识内化的机会将彻底丧失，这才是AI时代最大的认知陷阱。

7

对于非AI领域的人士，理解大模型的最大障碍不在于技术细节，而在于思维方式的根本转换。传统的科学探索依赖思想实验（如爱因斯坦的追光想象）和实验科学（如伽利略的斜面实验），强调在物理世界中验证假设。而AI时代需要的是符号思考（将问题转化为可计算的符号系统）和计算模拟（通过大量数据训练模型来模拟现象）。这种从“观察-实验”到“编码-训练”的跃迁，要求人们放弃对直观因果的依赖，接受统计涌现的复杂性。就像古人难以理解地球是圆的，今天的人们也需要一次认知上的哥白尼革命，才能真正进入AI的思维世界。

8

过去两年，AI的发展印证了我之前的判断：AI Coding与AI Science成为两大引擎，各自催生了万亿级的新市场。GitHub Copilot、Cursor等工具让代码生成变得前所未有的高效，而DeepMind的AlphaFold、AI辅助药物研发等则在科学领域带来颠覆性突破。尽管早有预期，但实际成果仍让我惊喜连连——比如AI从生成简单代码到设计复杂系统，从预测蛋白质结构到辅助数学定理证明，进步速度远超想象。

在我看来，AI Coding堪称数字世界的“元技能”。就像人类需要听说读写来沟通思想，在数字世界，我们需要操作实体（CRUD：增删改查）来构建应用。过去，只有程序员能熟练操作实体，且效率有限——一个资深工程师一天最多增删改查30个对象。而AI Coding将这种能力赋予每一个人：未来，任何识字的人都能通过自然语言，指挥AI在几小时内增删改查几百甚至几千个实体，并自动建立它们之间的关联，最终生成一个可用的软件。这相当于把“编程”变成了“对话”，让数字世界的创造门槛趋近于零。

至于AI Science，它一方面依赖AI Coding的工具支撑，另一方面则直指人类思维的盲区。人类的理性思维受限于经验、偏见和想象力边界，往往在已知框架内打转；而AI通过海量数据和高维计算，能发现人类难以察觉的模式，提出意想不到的假设，从而加速科学发现。比如，AI在材料科学中预测新化合物，在数学中提出新的猜想，都是对人类理性漏洞的完美弥补。

9

AI时代之前，一项技术知识的半衰期大约3-10年，你可以用几年时间慢慢掌握一门技能，然后依靠它工作十年。而现在，这个周期被压缩到18个月到3年——今天的热门框架，明天可能就被AI替代；昨天的经验，后天或许就过时了。

这对个人的学习能力和认知能力提出了前所未有的挑战。你不能再依赖“一技傍身，终身无忧”，而是需要持续追踪技术前沿，快速吸收新概念，并能在不同领域间迁移知识。与此同时，那些重复性的技术琐事（如写样板代码、调试常见错误）被AI接管，释放出的时间应该用于更高阶的思考：理解问题本质、设计创新方案、做出战略决策。死记硬背的能力不再重要，取而代之的是批判性思维、系统思考和跨学科整合能力——这些才是AI无法替代的人类优势。

10

傍晚在公园跑步时，我突然意识到：AI时代，心理学可能比以往任何时候都更重要。不过，我说的不是那种陈腐的、只关注个体内心世界的传统心理学，而是一种面向人机交互的新心理学，它至少包含六个层次：

1、认知：人类如何设计清晰的指令，降低AI的理解难度？这涉及提示词工程、思维链设计，本质上是将人的认知过程映射给AI。2、情绪：人类如何帮助AI感知上下文中的情绪线索，做出更贴切的回应？比如，在对话中注入语气、意图，让AI理解言外之意。3、动机：人类如何通过微调（如RLHF）引导AI的价值观，让它更注重效率还是更注重共情？这相当于塑造AI的“动机系统”。4、行动：人类如何与AI协同完成复杂任务？比如，人负责决策，AI负责执行，双方需要默契配合。5、人格：不同AI模型（如ChatGPT、Claude）展现出迥异的“人格”特质——有的严谨，有的幽默，如何根据任务选择合适的人格？6、社会：当AI智能体大量涌现，它们与人类构成新的社会共同体，如何理解这个混合社会的运行规则？

传统心理学以人类为中心，因为其他生物很难理解人类的意向性，人类因此被视为宇宙中孤独的存在。但AI改变了这一切——通过监督微调（SFT）和海量语料训练，大模型内置了部分人类意向性，能够流畅对话、理解意图，事实上已经成为具备意向性的智能体。

因此，新一代心理学必须从“人类中心”转向“人机双中心”：既要研究人类的心理，也要研究AI的“心理”（模型的行为倾向、认知偏差），更要研究人机协同的涌现心理。这种转变不是学术游戏，而是现实需求——在AI时代，认知即现实：改善一个AI模型的认知（比如减少偏见、增强逻辑），就能立刻提升所有使用该模型的人的生产力，带来社会级的大跃迁。

难怪像Anthropic、Notion这样的前沿AI公司，纷纷重金聘请心理学博士。他们不是在研究如何让人更幸福，而是在设计更懂人的AI，这本身就是一门价值千亿的生意。

11

Anthropic在构建AI系统时，提出了三个与人类知识结构深度对应的核心概念：Project、MCP、Skills。理解它们，就理解了下一代AI应用的骨架。

Project（项目）定义了AI工作的上下文，包括目标、约束、可用资源等，就像人类开展一个项目前需要明确范围一样。它约束了AI的输入输出边界，防止模型漫无边际地发散。MCP（Model Context Protocol，模型上下文协议）则是AI与外部世界（如数据库、工具、API）通信的规范，它决定了模型能调用哪些资源、以什么格式交换数据，从而约束了模型的吞吐量和能力范围。Skills（技能）是模型完成具体任务的范例或验证标准，比如如何写代码、如何回答法律问题，它们约束了模型的能力边界，相当于人类的知识库和经验集。此外，Agent作为行动主体，被赋予自主决策和调用MCP、Skills的能力，其行动边界由Project和目标共同界定。这四个要素共同构成了一个可扩展的智能系统，让AI能够像人一样，在特定项目中运用技能、通过协议协作，高效完成任务。

12

时代正在巨变：知识工作的效率正在被AI提升10倍、30倍甚至100倍。尽管很多人尚未察觉，但在AI Coding领域，这已是共识——程序员的生产力至少提升了10倍。为什么AI革命首先在编程领域引爆？六股力量汇聚而成：

1、数据富矿：GitHub上沉淀了数亿个代码仓库，包含海量高质量代码、注释和issue讨论，这些内隐知识为模型提供了丰富的学习素材。2、结构清晰：不同领域的开发框架（如React、PyTorch）有相对固定的模式和文档，易于被模型整理和复用。3、验证闭环：程序代码可以通过编译、测试、运行结果快速验证正确性，形成“生成-验证-修正”的闭环，便于模型迭代优化。4、文本本质：大语言模型天生擅长处理复杂文本，而代码正是高度结构化、逻辑严谨的文本，完美契合模型的能力圈。5、资本驱动：近1000亿美元的投资涌入AI编程赛道，催生了大量人工标注数据、合成数据，以及像Copilot、Cursor这样的顶尖工具，不断将AI Coding推向新高度。6、用户特质：程序员群体对新工具的接受度最高，也最愿意为提升效率付费，这种积极反馈加速了工具的成熟。

正是这六股力量，让AI Coding成为生产力跃迁的先锋阵地，也为其他领域的AI化提供了可复制的范本。

13

“Agents”是一个动态演化的概念，它更像一个不断生长的抽象实体，而非固定不变的实例。回顾过去三年，Agents的内涵每年都在扩展：

2023年：业界认为Agents就是精心设计的提示词，比如“假设你是一个作家”，通过角色设定让模型执行特定任务。那时的Agent还停留在“单次对话”阶段。2024年：RAG（检索增强生成）普及，Agents开始具备联网搜索、与PDF对话的能力，能够调用外部知识库来辅助回答，但依然缺乏长期记忆和复杂推理。2025年：MCP、Project、Skills等概念被引入，Agent不仅可以访问实时信息，还能遵循项目上下文、调用预定义的技能模块、通过协议与工具交互，甚至拥有简单的记忆库。此时的Agent已经能够执行多步任务，展现出初级自主性。

那么2026年呢？我预测，Agent将进一步整合更强大的长期记忆（如个人知识库）、情感计算（理解情绪并调整回应）、多模态感知（看懂图表、视频），甚至可能具备自我反思和修正的能力——在执行任务后复盘错误，优化后续行为。

可见，Agent的能力受制于四个维度的协同进化：1、LLM端：模型的多跳推理能力越强（比如能进行10步以上的逻辑链推理），Agent能处理的任务就越复杂。2、Prompt端：提示词工程（或上下文工程）决定了我们如何将任务意图清晰地传达给模型，这是人机交互的界面。3、MCP端：模型与外部工具的通信协议必须足够丰富、稳定，并提供详尽的反馈（如错误信息），Agent才能精准调用工具。4、知识库端：知识库不仅是静态文档，还包括项目规则、技能范例、个人记忆等动态信息，这些为Agent提供了决策依据。

最后才是Agent自身的架构优化：如何设计多个Agent的协作网络，让它们像人类团队一样分工、对抗、协作，从而涌现出更高级的智能。这四层优化缺一不可，共同定义Agent的边界。

14

新工作时代已至。过去，我们关注“数字鸿沟”——会不会用电脑、能不能上网，决定了一个人能否融入信息社会。如今，新的鸿沟正在形成：认知鸿沟。AI将人的认知能力差异急剧放大：会提问的人，能驾驭AI创造十倍价值；不会提问的人，只能被动接受AI的平庸输出。在AI加持下，工作效率的差距从1倍拉大到10倍、100倍，而且这种分化才刚刚开始。

未来，就像今天AI Coding领域已经实现的10倍速开发一样，无数领域——写作、设计、科研、咨询——都将迎来类似的效率飞跃。谁能跨越认知鸿沟，谁就能在新时代占据制高点。

15

两年过去，AI带来的实质性生产力跃迁率先在AI Coding领域兑现，这既在情理之中，又出乎多数人意料。情理之中的是，编程任务本身结构化强、反馈快，天然适合AI介入；出乎意料的是，跃迁的幅度如此之大——从代码补全到全自动开发，只用了不到两年。相比之下，AI在制图、音视频、个人创作等领域的颠覆，虽然话题度高，但因涉及人类深厚的情感价值和审美偏好，短期内仍以辅助为主，难言“替代”。

AI Coding的跃迁有清晰的时间节点：2025年5月（可能是多模态代码生成模型的突破）、8月（自主Agent在开发流程中的成熟应用）、10月（开源模型在复杂项目中的能力爆发）。如今，国内开发者正大规模跟进，将这一波红利转化为实际生产力。

但我更期待的是，当“认知能力”与“AI能力”深度融合，会催生什么全新的物种？认知即现实——如果我们能精准理解人类认知的规律，并将这些规律注入AI，让AI不仅会做事，更会思考“如何更好地做事”，那将打开一片未知的蓝海。基于我对认知科学的长期研究和【开智生态】的探索，我有信心在这个方向上走在前列。

16

这一轮AI生产力变革，其冲击之猛烈、触及之底层，远超我们的直觉。我明确预判：这是一场底层逻辑的重构。以教育为例，AI将彻底颠覆传统的学习模式——未来，复杂的专业知识可以被封装成“技能书”：一个AI驱动的交互式教程，学生通过与AI对话、实践任务，就能快速掌握原本需要数月才能习得的技能。于是，如何设计高质量技能书（即如何教学）将比学习具体知识本身更重要，因为知识获取的成本趋近于零，而学习路径的设计却需要深刻理解认知规律。

想象一下，当会计、法律、编程等白领技能都被外化为可交互的技能书，企业还需要那么多初级员工吗？也许一个资深专家搭配AI，就能完成过去一个团队的工作。这种变化目前还局限于技术圈，但随着技能书工具的普及，它将迅速渗透到各行各业，重塑职业结构。留给我们的适应时间，已经不多了。

17

AI时代，品味被推上前所未有的高度。品味不是简单的审美，而是一种对卓越的敏感和坚持——普通人能忍受80分的作品，而品味卓越的人，在80分之上仍能感知到8000分、8万分的差距，并对平庸感到难以容忍。这种“挑剔”，在以前可能被视为苛求，因为现实往往只能提供80分的选项。

但今天不同了。AI让高质量内容的生成变得轻而易举，品味好的人不再需要迁就平庸，他们可以直接向AI提出更高的要求，并快速得到回应。更重要的是，当人与AI组成“混合智能”时，平庸的输出会拖慢整个系统的进化速度——如果人们满足于80分的回答，AI就会停留在80分的水平；只有不断提升品味标准，倒逼AI学习更优质的范例，才能推动智能向8000分、8万分跃进。因此，品味不再是个人偏好，而是决定混合智能迭代速度的关键变量。在这个意义上，提升品味，就是提升时代的智能水位。

18

观察这轮AI变革，我发现适应速度的分化格外明显：有人如鱼得水，迅速将AI融入工作流；有人则始终摸不着门道，效率不升反降。背后的关键差异，在于是否具备【编程思维】或【计算思维】——这不是指会写代码，而是懂得如何将问题分解为数据流和接口调用，知道如何向AI清晰表达意图。

具体来说，编程思维的核心在于理解两个要素：【数据】和【接口】。数据是AI的输入和输出，你需要知道提供什么格式的数据、期望得到什么结果；接口是人与AI、AI与工具之间的交互方式，包括提示词设计、API调用、工具链整合等。擅长抽象出数据的结构、设计清晰的接口的人，就能轻松驾驭AI；反之，如果只把AI当成聊天框，自然难以发挥其潜力。因此，未来教育的一个重要任务，就是普及这种以数据和接口为核心的思维模式，让更多人跨越认知鸿沟。

19

AI时代最危险的状态，就是“不知道自己不知道”。技术的飞速迭代，远超任何人的预期，如果固守旧有认知，或者假装云淡风轻（很多CEO正是犯了这个错误），就会在不知不觉中被时代抛下。

唯一的解药是躬身入局：亲自写代码、调试模型、跟进最新论文和工具。我最近一年消耗了30亿token（相当于数千万页文本），在大量实践中，许多原有判断被推翻，一些认知被修正，少数则被验证为正确。这个过程没有捷径，但每一次迭代都在逼近更本质的理解。那些不愿下场的旁观者，只能收获二手信息，永远停留在“不知道自己不知道”的层面。因此，别怕犯错，去用、去试、去积累第一手经验——这才是认知进化的唯一路径。

20

很多新手面对活水插件（42plugin）这类新型AI工作流时，感到无从下手，这再正常不过了——事实上，连硅谷的AI老将们第一次接触时也常常懵圈。因为这不仅仅是工具更新，而是一套全新的工作范式、一套需要重构心智模型的“元技能”。

关键在于，我们需要主动适应AI，而不是等待AI适应我们。过去我们习惯软件按照人的逻辑设计，但AI时代，我们必须学会用AI的语言思考：如何拆解任务、如何设计提示词、如何串联工具。这种“心智抽象层”的转变，就像从命令行到图形界面的跨越，初期必然伴随不适，但一旦掌握，效率将指数级提升。所以，别因一时困难而退缩，每一次尝试都是在为未来积累势能。

21

意向，是生命的奇迹——它让个体超越自身，去关心、理解和塑造世界。五千年来，人类借助文字、印刷术、电波，不断放大这份关心的半径。今天，我们迎来了前所未有的放大器：AI大模型。你的信念、欲望和意图，在AI的增强下，将跨越时空，抵达任何你想象不到的远方，甚至创造出超越个体生命的存在。

1956年，计算机作为认知的参照物，催生了认知革命，其核心隐喻是“心智=信息处理系统”。那代人追问：记忆如何存储？注意如何分配？语言如何处理？如今，AI大模型作为新的参照物，正在催生意向革命，核心隐喻转向“心智=意向网络系统”。我们开始追问：意向如何从海量数据中涌现？理解如何在不同智能体间发生？人机意向如何融合共生？这些问题，将重塑我们对心智的认知。

站在意向革命的起点，我们既是见证者，也是参与者。带着好奇与热情，与AI一起探索未知，看见更大的世界——这或许是这个时代最激动人心的旅程。

22

根据我的观察和实践，AI带来的效率提升可以分为几个层次：

1.2倍速：通过cc（代码补全工具）+42plugin（工作流插件）+Zed（编辑器）等基础组合，大多数人可以轻松实现1.2-1.5倍的效率提升，这相当于开启一个初级Agent，处理日常重复性任务。3倍速：需要同时调度2-4个Agent协同工作，这就要求使用者具备一定的软件开发知识，以及良好的工作习惯——比如定期复盘、逻辑清晰、善于分解任务。目前只有少数技术熟练者能达到这一层级。10倍速：需要同时操控4-10个Agent，使用最先进的模型（如Opus 4.5），且使用者本身需具备顶级认知能力、技术深度和领导力——他们往往是开源社区的核心人物、技术负责人，甚至能像领导团队一样协调Agent工作，比如精通worktree等高级Git命令来管理复杂代码分支。目前能达到这一层级的，可谓凤毛麟角。

值得注意的是，效率越高的层次，对认知能力、技术能力和领导能力的要求越综合。领导力之所以重要，是因为10倍速的本质是“组织Agent”而非“使用工具”，你需要像项目经理一样，为不同Agent分配任务、设定目标、监控进度，这本身就是一种新型的领导力。

不过，随着AI工具的普及和智能化，这些门槛正在快速降低。18个月到3年内，实现3倍速工作可能会成为常态，更多人将享受到AI带来的生产力红利。但要想站上10倍速的台阶，持续提升自身综合能力，依然是不可替代的路径。