Gamma 联合创始人：你以为只有应届生在怕 AI？大模型公司也一样

有一个我们很少说出口的预设：AI 带来的恐慌是从下往上递减的。越底层越慌，越顶层越从容。应届生最危险，大厂高管有把握，基础模型公司的人？他们是在写未来，不是在应对它。

Gamma App 联合创始人 Grant Lee 最近写了一篇文章，把这个预设砸了个粉碎。他的观察是：不确定性贯穿每一层，每一层的恐慌同时存在，只是原因不同。基础模型公司、应用层创业公司、传统巨头、知识工作者、应届毕业生——没有人站在高地上俯视这件事，每个人都站在正在移动的地面上。

这个角度很少被公开承认。主流叙事往往是二元的：要么"AI 来了，会抢走工作"，要么"AI 只是工具，人才是主导的"。这两种叙事都提供了某种简洁感——前者给出了一个明确的威胁，后者给出了一种安慰。但两种叙事都不够准确，更重要的是，两种叙事都不够有用：它们都在回避一个更复杂的现实——人们正在面对的，是一个结果还不确定的局面，而不是一个结论已定只差执行的局面。Grant 的文章没有选边站，它只是如实描述了他所看到的状态：所有层级的人都在同一种不确定里，只是不确定的具体内容不同。这种如实陈述，有时候比一个清晰的结论更有价值。

顶层也在抖

先说基础模型层。OpenAI、Anthropic、Google、Meta——这些公司参加的是一场每隔几周就重置一次的比赛。排行榜变动，基准测试被新的测试集替代，某个新发布让上一周刚拿到的"最强"头衔当天就过期。Grant 的描述很准：即便是站在最顶上的人，也依然处于高度运动的状态，在地面移动时实时调整。

这种运动状态具体意味着什么？对基础模型公司来说，不确定性是多维度的：Scaling 定律还会不会在下一个数量级上继续有效？下一个关键突破在哪个方向——推理能力、长期记忆、多模态融合，还是我们还没有命名的方向？开源模型的快速进展会不会把商业护城河压薄到不可持续的地步？现有的评测基准能不能真实反映模型的实际能力，还是说行业一直在用一把不够准的尺子衡量赛跑的结果？这些问题没有现成答案，而且每隔几个月就会有新的发布让既有判断局部失效。置身其中做战略决策，本质上是在高度不确定的条件下持续押注。

这一点外人很难充分理解。我们看到的是声势浩大的发布会和一个接一个的里程碑，容易把它误读成一种"胜局已定"的从容。实际情况是：越接近最前沿，越能清楚地看到还有多少是不确定的，越清楚地知道自己的护城河有多薄——因为对手也在用完全相同的技术往前跑。

应用层的处境是另一种形式的不稳定。每一次基础模型更新或新能力发布，都在模糊"差异化"的边界——昨天还是独特功能，今天可能已经内置在 API 里了。所以游戏变成：要跑得足够快，还要跑得足够聪明；要做出真正的用户锁定、真正的网络效应、真正超出一个 prompt 就能复制的价值。说起来简单，做起来是每天的压力。

Grant 自己的处境是这个局面的一个缩影。Gamma App 是一家做 AI 演示文稿的创业公司，他既是这篇文章的写作者，也是文章所描述的处境的亲历者。Gamma 的产品依赖基础模型能力，但也随时可能被模型的新能力打乱节奏——某个新发布让某类功能直接变成了 API 的标配输出，某个能力跃升让某个产品设计假设需要推倒重来。这不是类比，是他实际的工作现实。所以文章里对应用层焦虑的描述，有一种从内部往外看的诚实——不是站在外面做分析，而是身处其中如实陈述。这种视角让文章有了重量，读起来和那种泛泛而谈的预测文章不一样。

裂开的地面，鲜艳的色彩——Grant Lee 用配图传达的氛围：地基正在移动，但世界并没有因此变灰暗

存量玩家的难题

传统巨头的问题不是认知，是执行。他们都知道 AI 会来，知道会很大，知道不动就死。但"知道"和"行动"之间横着一条沟，沟里装满了既有的组织结构、历史遗留系统、季度财务目标、以及几万名以现有方式工作的员工。

于是我们看到的普遍现象是：把 AI 拴在现有产品上，给原来的功能贴上"AI 驱动"的标签，发布会上喊几句"全面拥抱 AI 转型"。Grant 的描述毫不留情："他们知道这可能还不够，但他们在试图给自己买时间。"这话戳得有点准。买时间没有错，问题是用买来的时间做什么。

更根本的困难是组织结构本身的惰性。大公司不只有技术层面的遗留问题，还有激励层面的遗留问题。当一个几千人的团队，薪酬考核、晋升路径、资源分配都围绕着现有业务逻辑运转的时候，要在这套体系内部推动真正的 AI 转型，前提是先改变激励结构，而改变激励结构需要政治意愿、组织重设计和大量内部协商成本。这个过程比外部变化慢得多。于是我们看到一个非常典型的模式：高层的战略决心往往是真实的，但执行链条上存在一层又一层的摩擦力——不是因为人们不理解方向，而是因为他们在用每天真实的激励做每天真实的决策。技术判断和组织行为之间，横着一段难以快速跨越的距离。

知识工作者的应对

在各个公司内部，实际干活的那些人——产品经理、工程师、设计师、分析师——正在亲眼目睹 Agent 能力的逐月提升，同时承受来自管理层的"AI 战略部署"压力。这类压力有时候激励人，有时候只是制造焦虑，很少有地方说得清楚"AI 化之后你的工作到底变成什么样"。

所以人们自己摸索。学工具，用工具，实验工具，保持有用。有一种隐形的共识在知识工作者群体里流传：懂得如何与 AI 协作的人，比不懂的人更值钱。这个判断大体是对的，但"如何协作"本身还在快速变化，让人来不及形成稳定的自我定位。

"会用 AI"和"懂得与 AI 协作"之间，有一条容易被忽略的鸿沟。前者是工具层面的熟练度，后者是一种更难培养的判断力：知道什么时候用，什么时候不用；知道怎么识别输出里的偏差，包括那些听起来合理但实际上有问题的内容；知道怎么在工作流里给 AI 分配合适的角色，让它放大你的判断而不是悄悄替代它。很多人踩过这样的坑：把越来越多的工作交给 AI，效率的确提升了，但没有同步发展出审核和校准的能力，结果对 AI 输出的依赖增加了，自己的判断力却没有同步成长。工具会换代，这套判断框架才是可以带着走的东西。

应届生站在哪里

这一层是 Grant 写得最有同情心的部分，也是我读得最慢的部分。这代人做了所有"应该做"的事：读了对的专业，拿了对的 GPA，做了对的实习，打磨了对的简历。然后他们在最后一步发现，自己要踏入的那条路正在当着他们的面重新铺砌。

"入门级"到底意味着什么，现在没有人说得清楚。传统的职业起点——从基础任务开始积累经验、逐渐承担更多责任——这条路还在，但窄了，也更不可预期了。招聘对话里飘着一个还没有答案的问题：如果基础任务可以被 AI 完成，那人要从哪个起点开始？

更具体说，很多行业的传统入门路径，本质上是通过重复性基础任务积累判断的过程：做够了合同审查，才能培养出法律直觉；做够了数据处理，才能感知数字背后隐藏的问题；做够了报告草稿，写作才能生长出质感。这个过程虽然辛苦，却是有意为之的设计——用足够量的基础工作打磨出专业判断。现在这些基础任务大量可以被 AI 完成，工作效率的确提升了，但积累判断的那个过程也随之被压缩了。进来的人被更快地推向需要高阶判断的位置，而那种判断力的培养方式，和过去不一样了，也还没有形成新的共识。这不只是某个职业的问题，是一整代人进入职场方式的结构性变化。

Grant 说这一代人"不只是在进入职场，他们在重新定义第一步是什么"。这句话可以被读成励志，但坦白说，我觉得这对他们不太公平。上一代人是在相对稳定的规则下积累经验，他们要同时学会两件事：在变化中找到立脚点，以及重新发明进入职场这件事本身。

弥漫性焦虑

Grant 引入了一个我觉得很有用的心理学区分：具体恐惧（specific fear）和弥漫性焦虑（diffuse anxiety）。具体恐惧是窄的、有方向的——你看到威胁，知道它是什么，然后反应、行动。弥漫性焦虑是相反的——你感到不安，但找不到确切的源头，因此也找不到确切的应对方式。

他说，AI 带给很多人的感受，是后者。这次和以前的技术浪潮不一样——互联网冲击了报纸，移动互联网冲击了桌面互联网，你可以画出一张清楚的"谁冲击了谁"的地图，然后站到地图的某一侧。AI 的冲击感不是这样的。它像是大气变了，每个人同时既是冲击者也是被冲击者，你没办法站到某一侧然后松一口气。

弥漫性焦虑的麻烦不在于它有多大，而在于它没有把手。具体的恐惧你可以直接面对、直接处理；弥漫的焦虑容易耗掉你的能量，让人持续处于低频的警戒状态却又无处发力。这个区分帮我把自己偶尔有的那种"说不清哪里不对劲"的感受说清楚了一点。

对比一下过去的技术浪潮或许有帮助。互联网来临时，你可以画出一张相对清晰的受影响地图：哪些行业被冲击，冲击机制是什么，如果你在那个行业里，你大概能推断出应对方向——把业务搬到线上，学数字化运营。移动互联网的逻辑类似：方向很明确，应对策略可以被具体化。AI 不是这样的。它的影响是全局性的，而且影响机制本身还在快速演化——同一个判断，今天有效，下个季度可能就需要更新，因为底层模型能力又变了。于是你没办法站到地图的某一侧，做好准备，等待冲击到来——冲击不是在某个角落等着你，它弥漫在每个方向。找不到可以集中应对的靶点，才是弥漫性焦虑和具体恐惧的本质区别。

三件可以做的事

Grant 给了三条建议，我觉得值得认真对待，不是因为它们新颖，而是因为在这个语境里它们格外具体。

第一，找到让你有使命感的工作。当一切都在快速移动，把安全感当优化目标就等于原地站立。真正能撑过来的人，是被某件事本身向前拉着走的——他们在乎得更深，所以留得更久，推得更远，在别人已经选择转方向的时候还在继续。Grant 的问题问得很好：你不被催的时候会不自觉回去想什么问题？什么工作你会忍不住过度打磨？使命感不会让事情变容易，但会让它值得继续。

第二，反学习的速度要和学习一样快。你的那套打法可能已经过期了——两年前有效的策略，两个月前有效的策略，现在未必还管用。专业知识的半衰期在缩短，曾经的优势可能已经固化成了一种路径依赖。能保持锋利的人，是那些能最快放手的人——承认某件事不再有用，然后不过分纠缠，继续走。抓得太紧会变成沉锚。

第三，找到你的同伴。远程工作、算法推送、信息茧房、持续的低频焦虑——这些合力把人推向内缩，推向越来越小的循环。Grant 说，这个时候最重要的事之一是主动逆着这个力走。去找那些在往同一个方向思考和构建的人，找那些会拓宽你视角的人，找那些会在你需要的时候说实话的人。职业生涯很少是一个人建起来的，尤其是现在。

关于第三条，有一点值得展开。"找到同伴"说起来容易，但在一个远程工作普遍、信息流算法主导的时代，这件事比以前更难了。算法把人推向越来越窄的信息圈，远程工作减少了偶然认识人的机会，高频低质的社交媒体消耗了本来可以用来深度交流的精力。所以这不是一条"自然会发生"的建议，它需要主动逆着阻力走——主动出现在某些场合，主动保持联系，主动让自己被某个圈子知道你在做什么。这种主动性，在变动的时期尤其重要，因为机会、信息和判断校准，往往都是从人与人的真实接触里来的。

Grant 在文章最后说：现在没有人有地图，坐标还在被测绘。这不是等待观望的时刻，而是参与的时刻——靠近工作，靠近人，靠近那些对你来说真正重要的问题。在持续变动的地形里，真正的优势是愿意跟着它一起移动。

我个人对这篇文章最有共鸣的部分，其实不是那三条建议，而是对"弥漫性焦虑"的描述。能把一种很多人都有、但很难说清楚的感受命名出来，本身就有一种松了口气的效果。有时候，知道"这种感受是有来源的，不是我自己出了问题"，就已经是某种帮助了。

来源：Grant Lee（Gamma App），Everyone is uncertain，2026年5月12日

原文：https://x.com/thisisgrantlee/status/2054192474671943855

文章来自于"深思SenseAI"，作者 "深思SenseAI"。