公开分享通往AGI之路2026年10月16日

差的不是人,是市场

中美AI之间,人没有代差,市场差得很远:美国企业为软件买单,AI成了生产力;中国的算力很多流向了短剧。市场改变不了,怎么用AI自己说了算:练动词、今晚装一个Agentic工具、像管理者一样管结果。

面向:关心中美AI差距的中文AI从业者与学习者 · 13页 · 直播「现在去硅谷,到底能看到什么?」

差的不是人,是市场
目录
  1. 01差的不是人,是市场。
  2. 02中美两边的企业,我都在做AI培训
  3. 03中美两边的一线从业者,在同一个社区里交流
  4. 04中国大厂、美国大厂、创业公司,我都干过
  5. 05人,没有代差。市场,差得很远。
  6. 06顶尖的人,两边一样聪明
  7. 07美国的算力在干活,中国的算力很多在拍短剧
  8. 08市场,你改变不了。怎么用AI,你说了算。
  9. 09一个人的AI水平,在动词里
  10. 10还没用过Agentic工具?今晚就装一个
  11. 11要结果确定性,而不是过程确定性
  12. 12把社区帖子翻成英文,我们走过两条路
  13. 13带走四个动词
▶ 播放幻灯片

01 · 现在去硅谷,到底能看到什么?

差的不是人,是市场。

第1页:差的不是人,是市场。

讲稿

大家好,我是课代表立正。主持人刚才问:现在去硅谷,到底能看到什么?我先把答案放在这儿——中美AI之间,差的不是人,是市场。接下来十几分钟讲三件事:人、市场,还有三条学习建议。

本页文字

中美AI一线的观察,和三条学习建议

课代表立正 孙煜征 · Superlinear Academy创始人

02 · 我的观察位置 · 1/3

中美两边的企业,我都在做AI培训

第2页:中美两边的企业,我都在做AI培训

讲稿

先说我为什么能聊这个。我有三个比较特别的观察位置。

第一,中美两边的企业,我都在做AI培训。左边是DoorDash数据分析团队在西雅图的线下培训,右边是给腾讯学堂研发团队做的专场。美国这边还有Pinterest,中国这边还有美团、小红书。同一套方法,两边的一线团队我都直接接触。

本页文字

美国 DoorDash Analytics团队线下培训 · 西雅图

中国 腾讯学堂 · 研发团队AI转型专场

03 · 我的观察位置 · 2/3

中美两边的一线从业者,在同一个社区里交流

第3页:中美两边的一线从业者,在同一个社区里交流
拖着能转,点一盏灯看是谁 · 在新页面打开 ↗

讲稿

第二,我的社区。这是超线性学院社区的地图:每一盏灯是一位成员,每条线是一次点赞或留言。现在两万五千多位成员,中美两边都有:工程师、产品经理、研究者、创业者,也有各行各业的人。大家在这里分享了八百多个用AI做的真实项目,互相给反馈。两边的一线在做什么、卡在哪儿,我每天都能看到。

本页文字

工程师、产品经理、研究者、创业者,还有各行各业的人,把自己用AI做的东西拿出来,互相给反馈。

2.5万+

成员 800+

个真实项目分享

9.6万+

次点赞和留言

成员来自OpenAI、Google、Meta、Amazon、Microsoft、字节跳动……

超线性学院社区地图 · city.lizheng.ai每盏灯是一位成员,每条线是一次来往 · 数据截至2026年10月

04 · 我的观察位置 · 3/3

中国大厂、美国大厂、创业公司,我都干过

第4页:中国大厂、美国大厂、创业公司,我都干过

讲稿

第三,我自己的经历。中国大厂待过:腾讯IEG,带一个三十人的数据和AI团队。美国大厂也待过:Amazon、Meta。创业公司也干过:我是Statsig的早期成员,这家公司后来被OpenAI收购。再加上这几年一直在做AI教育:AI课程十三期、三千多位付费学员,还有两百多场和科技领袖、AI研究者的对话。

本页文字

中国大厂 腾讯

IEG数据与AI副总监带30人团队

美国大厂 Amazon · Meta

经济学家数据科学家

创业公司 Statsig

早期成员公司后来被OpenAI收购

现在 Superlinear Academy创始人,专注AI教育AI课程13期、3,000+付费学员 · 200+场与科技领袖、AI研究者的公开对话

05 · 两边都待过,我看到的是

人,没有代差。市场,差得很远。

第5页:人,没有代差。市场,差得很远。

讲稿

两边都待过,我的结论就两句话:人,没有代差;市场,差得很远。

06 · 看 · 人

顶尖的人,两边一样聪明

第6页:顶尖的人,两边一样聪明

讲稿

先说人。中美一线的人都非常聪明。一个数字:全球顶尖的AI研究者里,本科在中国读的,2022年已经占到47%,2019年还只有29%。你去硅谷顶尖实验室看,到处都是中国人。

用AI的实践也没有代差:两边用的是同样的工具,Claude Code、Codex、Cursor;追的是同样前沿的做法和理念;坐下来聊,没有任何障碍。

本页文字

47% 全球顶尖AI研究者里,本科在中国读的比例

2019年,这个数字还是29%

MacroPolo全球AI人才追踪,样本为NeurIPS 2022论文作者

用AI的实践,也没有代差

1 用的工具一样:Claude Code、Codex、Cursor

2 做法和理念,一样前沿

3 坐下来交流,没有任何障碍

在两边做培训、带社区,我看到的都是这样。

07 · 看 · 市场

美国的算力在干活,中国的算力很多在拍短剧

第7页:美国的算力在干活,中国的算力很多在拍短剧

讲稿

但是市场差得非常大。这一波AI在美国,首先是生产力的故事。美国有很强的企业市场,企业有成熟的软件预算,光SaaS一年就是一千九百亿美元左右。所以AI可以直接卖给企业,变成写代码、做分析、跑流程的生产力,各种长尾需求被一个个释放出来。

中国企业很少为软件掏钱,同样口径的SaaS市场大约一百六十亿美元,差了十倍以上。软件卖不动,AI能释放的长尾需求和生产力就释放不足,算力很多流向了流量和内容,比如短剧。

所以你会看到:美国的算力在干活,中国的算力很多在拍短剧。这是市场决定的,不是技术决定的。

本页文字

美国 中国

谁为软件买单 企业,有成熟的软件预算 企业很少为软件掏钱,软件很难卖

SaaS市场

2024年

约1,900亿美元 约160亿美元

算力流向 生产力:写代码、做分析、跑流程 流量和内容:比如短剧

长尾需求 被一个个释放出来 需求和生产力,释放不足

这是市场决定的,不是技术决定的。

SaaS市场规模:Statista,2024年估算

08

市场,你改变不了。怎么用AI,你说了算。

第8页:市场,你改变不了。怎么用AI,你说了算。

讲稿

市场,我们改变不了。但怎么用AI,你自己说了算。下面三条建议,都来自我们在企业培训和社区里反复看到的事:学、用、管。

本页文字

学 别追名词,练动词

用 今晚就装一个Agentic工具

管 要结果确定性,像管理者一样用AI

三条建议,都来自我们在企业培训和社区里反复看到的事

09 · 建议一 · 学

一个人的AI水平,在动词里

第9页:一个人的AI水平,在动词里

讲稿

第一条,别追名词,练动词。很多人学AI,追的是名词:LangChain、RAG、Fine-tune、Harness。名词有边界、能写进简历,看着像硬技能。

但真正拉开差距的是动词:一个大任务怎么拆给AI;这一步该AI自己做,还是人来把关;该给的上下文给了没有;结果不好的时候,能不能诊断出是上下文不够、指令不清,还是该拆没拆。

名词是零件,动词是组装能力。大家可以问自己:上一次让你真正变强的,是学会了一个新工具,还是在真实项目里搞砸了,然后想明白了为什么?

本页文字

大家在追的名词

  • LangChain
  • RAG Fine-tune
  • Harness

真正拉开差距的动词

分解 一个大任务,怎么拆给AI?

判断 这一步该AI自己做,还是人来把关?

管理 该给的上下文给了吗?噪音滤掉了吗?

诊断 结果不好:是上下文不够、指令不清,还是该拆没拆?

名词是零件,动词是组装能力。

详见文章《为什么所有人都在学名词,但真正拉开差距的是动词》

10 · 建议二 · 用

还没用过Agentic工具?今晚就装一个

第10页:还没用过Agentic工具?今晚就装一个

讲稿

第二条:如果你到现在还没用过一个Agentic工具,比如Claude Code、Codex、Cursor,今晚就去装一个。

聊天框里,你问一句它答一句,资料要你自己来回搬;云端Agent和各种打包好的工具,能替你做一段,但能做什么是别人定好的。这些都有天花板。

Agentic工具不一样:它就在你的电脑上,能读写文件、调用工具、检查自己的结果,把整件事做完。人在电脑上能做的工作,它几乎都能做,这是调动AI算力最有效的方式。而且它比大家想象的简单得多:十分钟装好,一个晚上就能上手。

本页文字

能替你做完多少事 →

聊天框 你问一句,它答一句;资料靠你来回搬

云端Agent、打包好的工具

能替你做一段;能做什么,别人定好了

天花板 Agentic工具

在你的电脑上读文件、用工具、检查结果,把整件事做完

Claude Code · Codex · Cursor

10分钟 装好

1个晚上 上手

人在电脑上能做的工作,它几乎都能做——这是调动AI算力最有效的方式。

11 · 建议三 · 管

要结果确定性,而不是过程确定性

第11页:要结果确定性,而不是过程确定性

讲稿

第三条,也是我最想讲清楚的:要结果确定性,而不是过程确定性。这个说法来自鸭哥。

过程确定性是:我放心,是因为每一步都是我定的。我们以前写程序、带流程都这么干:把步骤写死,出一个错补一条规则。但它的上限,就是你能想到、写得出的情况。

结果确定性是:我放心,是因为我讲清了什么叫做完,而且能检查。路径交给AI,它自己检查、自己修,直到通过。

这就是管理者的思维。好的管理者不会规定下属每一下键盘怎么敲;他讲清要什么、怎么验收,然后检查结果。

本页文字

像管理者一样用AI:讲清要什么,检查做没做到,路径交给它

过程确定性管每一步

“我放心,是因为每一步都是我定的。”

  • 把步骤和流程写死
  • 出一个错,补一条规则
  • 上限:你能想到、写得出的情况

结果确定性管结果

“我放心,是因为讲清了什么叫做完,而且能检查。”

  • 讲清目标和验收标准
  • 它自己检查、自己修,直到通过
  • 上限更高:不用你穷举每条路径

好的管理者,不会规定下属每一下键盘怎么敲:他讲清要什么、怎么验收,然后检查结果。

“结果确定性”出自鸭哥《从过程确定性到结果确定性:AI时代的另一种安全感》

12 · 建议三 · 管|一个真实例子

把社区帖子翻成英文,我们走过两条路

第12页:把社区帖子翻成英文,我们走过两条路

讲稿

举个我们自己的例子。我们要把社区帖子自动翻成英文。

第一条路,调API,每一步自己管:帖子太长要切段再拼,术语前后不一要加流程统一,夹了中文要检测重翻,超时还要断点续传。九成的时间都在给AI擦屁股,翻译质量反而没空管。

第二条路,直接交给Claude Code,只写清验收标准:格式正确、没有残留中文、术语前后一致。它自己写脚本检查,不通过就改,改到通过。

验收标准写到什么程度?一个完全没有上下文的新人,只看这几行,就能判断自己做完没有。当然,安全、付款这类高风险操作,还是要管过程:不是放弃控制,是选对在哪里控制。

本页文字

第一条路:调API,每一步自己管

  • 帖子太长,切成段再拼回去
  • 术语前后不一,再加流程统一
  • 夹了中文,检测出来重翻
  • 中途超时,做断点续传

90%的时间,花在给AI擦屁股

第二条路:交给Claude Code,只写验收标准

  • 格式正确 没有残留的中文
  • 术语前后一致

它自己写脚本检查,不通过就改,改到通过

验收标准写到什么程度? 一个毫无上下文的新人,只看这几行,就能判断自己做完没有。

安全、付款这类高风险操作,仍然要管过程:不是放弃控制,而是选对在哪里控制。

13

带走四个动词

第13页:带走四个动词

讲稿

最后,带走四个动词。看:中美之间,差的不是人,是市场。学:练动词,别追名词。用:今晚就装一个Agentic工具。管:讲清结果,检查结果。我是课代表立正,谢谢大家。

本页文字

看 差的不是人,是市场

学 练动词,别追名词

用 今晚装一个Agentic工具

管 讲清结果,检查结果

课代表立正 · superlinear.academy

关于这份材料

这是幻灯片的网页版:每张图是原来的一页,文字取自幻灯片本身,讲稿取自讲者备注。

全屏播放原幻灯片 →

还有问题?

可以去「问问立正」问,回答来自我公开讲过、写过的内容,每条都带出处。

问问立正 →