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
03 · 我的观察位置 · 2/3
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。
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

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。
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
06 · 看 · 人

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。
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

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。
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
09 · 建议一 · 学

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?
大家在追的名词
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

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。
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

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。
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。”
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。”
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

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。
第一条路:调API,每一步自己管
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
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。