1. 为什么38位关键人物这个数字值得琢磨看到38位中国AI关键人物这个标题我第一反应不是哦又是一篇年度盘点而是——为什么是38这个数字背后其实藏着一套很讲究的筛选逻辑。做过行业访谈的人都知道凑齐一份关键人物名单最难的不是找到人而是定义什么叫关键。是看论文引用量看融资额看产品用户数还是看他们在公开场合的发言影响力这几个维度选出来的名单重合度可能连一半都不到。我自己的经验是一份有公信力的行业人物访谈名单通常会同时满足三个隐性条件第一覆盖产业链的完整切面从底层算力、模型层、应用层到投资端缺一环就会显得偏颇第二每个人在2025-2026这个时间窗口里都有正在发生的事而不是靠三年前的成绩吃老本第三他们愿意说真话而不是复述公关稿。38这个数字按我的推测大概率是分层配额的结果。比如底层基础设施方向选6-8人大模型与算法方向选8-10人应用与产品方向选10-12人投资与生态方向选5-6人再加上几位跨界观察者。这样算下来38是一个既能保证覆盖面、又不至于让每个方向只有一两个人代表的合理规模。提示如果你自己要做类似的行业访谈项目人数不是越多越好。超过40人内容会严重同质化读者读到第20个人的观点时就开始跳读了。控制在30-40人是信息密度和阅读体验的平衡点。这里还有一个容易被忽略的点Magic Moment这个提法本身就是一个筛选器。它逼着受访者回答一个非常具体的问题——哪一个瞬间让你觉得这件事真的成了/真的要变了这个问题比你怎么看AI的未来高明太多因为后者可以套话前者必须讲一个真实发生过的场景。一个人如果讲不出具体的Magic Moment要么他没在一线要么他在回避。所以这篇内容的真正价值不在于38个人说了什么而在于这38个人各自选出的那个瞬间拼在一起能不能还原出2025-2026年中国AI的真实切面。这才是我们拆解它的正确姿势。2. 从趋势判断里读出没说出口的东西2.1 趋势判断的三种含金量层级行业人物访谈里的趋势判断含金量差异极大。我把它分成三层第一层是复读机式判断——把已经发生的新闻换个说法讲一遍。比如多模态是趋势Agent会爆发算力依然紧缺。这类判断没有信息增量但它是必要的背景音因为不是所有读者都跟得上节奏。第二层是时间锚定式判断——给出具体的时间窗口和可验证的里程碑。比如未来12个月内代码生成类工具的渗透率会超过50%2026年下半年会出现第一批真正跑通商业闭环的Agent产品。这类判断有价值因为它可以被证伪读者可以拿它当参照系。第三层是反共识判断——说出与主流叙事相反的观点并且给出逻辑支撑。比如大家都在卷模型参数但真正的瓶颈在数据标注的组织方式上To B的AI落地速度会比To C慢但一旦落地粘性远超To C。这类判断最稀缺也最值得关注。读这类内容时我的习惯是先扫一遍所有人的判断把重复出现的词圈出来再把只出现一次但逻辑完整的判断单独标记。重复出现的词代表共识共识里往往藏着已经定价的机会只出现一次的反共识判断才是可能藏着超额认知的地方。2.2 为什么趋势判断容易变成正确的废话这里要说一个不太客气的事实大部分行业人物的公开趋势判断都是经过安全边际调整的。什么意思就是他们心里可能有一个更激进的判断但公开说的时候会往回收半步因为说错了要被打脸说对了也没人记得。所以你在读趋势判断时要特别注意那些带有具体数字、具体时间、具体场景的表述。比如2026年中国AI应用层的收入规模会达到XXX亿——这个数字本身可能不准但它反映了说话人对增速的量级判断。未来18个月Agent的可靠性会从现在的70%提升到95%——这个提升幅度如果被验证意味着产品形态会发生质变。现在做AI硬件的团队80%会在两年内转型或消失——这种带淘汰率的判断比竞争会很激烈有用得多。我自己的做法是把每个人的判断拆成方向时间量级三个要素做成一张表。方向一致但时间不同的说明大家对节奏有分歧方向不同但时间一致的说明大家对拐点有共识但对路径有分歧。这张表比任何总结都管用。2.3 一个容易被忽略的信号谁在说我不知道38个人的访谈里如果所有人都对每个问题都有明确判断这本身就是不正常的。真正在一线的人一定会在某些问题上说这个我还看不清现在下结论太早。我不知道出现的频率和位置往往比我知道更有信息量。如果多位受访者在同一个问题上都表示不确定那这个问题大概率就是当前行业真正的模糊地带——可能是技术路线之争可能是商业化路径之争也可能是政策与伦理的边界之争。我在做类似内容时会专门统计不确定表述的分布。比如不确定表述类型出现场景隐含信号还看不清技术路线选择多条路线并行尚未收敛取决于...商业化节奏外部变量影响大内生动力不足不好说竞争格局参与者众多差异化不明显需要观察监管与伦理规则未定大家在等信号这张表不是给读者看的是给我自己判断用的。它帮我快速定位哪些话题是真热哪些话题是虚热。3. Magic Moment的叙事结构为什么有些人讲得让你信有些人不信3.1 好的Magic Moment有三个共同特征我听过也读过不少行业人物的关键时刻叙事总结下来那些让你听完觉得确实是这样的Magic Moment几乎都符合三个特征第一有具体的场景细节。不是我意识到AI要改变了而是那天晚上十一点我在办公室里看着模型第一次自己修好了自己写的bug我盯着屏幕看了大概三十秒没说话。细节越具体可信度越高。第二有情绪转折。好的Magic Moment不是一路高歌而是有一个从怀疑到确信或者从确信到震惊的转折点。比如我们之前一直觉得这件事至少要三年结果那个demo跑出来的瞬间我第一反应是——我们是不是把时间估错了。第三有后续行动。光有瞬间不够还要有那个瞬间之后我做了什么决定。比如第二天我就把团队的方向调了我当场给合伙人打了电话说我们要重新分配资源。行动是验证信念的最好方式。3.2 三种常见的伪Magic Moment反过来有三种叙事一听就是包装过的一种是上帝视角式——我从一开始就相信AI会改变一切。这种叙事没有转折没有细节只有先见之明通常出现在已经成功的人回顾往事时。但真实情况往往是他们也是边走边看只是后来成功了就把过程美化成了一直坚信。一种是数据堆砌式——当我们的用户数突破100万的时候我知道这件事成了。用户数是一个结果不是一个瞬间。真正的Magic Moment往往发生在结果之前是某个微小的、只有当事人才能感知到的信号。一种是引用式——就像某位前辈说的AI是新的电力。引用别人的话来说明自己的判断说明自己还没有形成独立的、基于亲身经历的认知。注意你在读这类内容时可以做一个简单的测试——把受访者的名字遮住只看Magic Moment的描述看你能不能猜出这个人大概在做什么方向。如果猜不出来说明这个叙事太泛了换谁都能说。3.3 从38个Magic Moment里提取信号类型如果把这38个人的Magic Moment按触发信号分类我推测大致会落在这么几个类别里技术信号类模型能力突然跨过某个阈值比如推理能力、长上下文、多模态理解。用户信号类某个之前不看好AI的用户群体开始主动使用或者使用频率发生质变。成本信号类推理成本降到某个临界点使得之前不成立的商业模式突然成立。组织信号类团队里最保守的那个人开始主动提AI相关的方案。竞争信号类竞争对手做了一个你没想到的动作让你意识到格局要变。这五类信号里成本信号和组织信号是最容易被忽略、但往往最具有决定性意义的。技术信号和用户信号大家都会盯着但成本降到某个点、组织内部态度发生转变这两个才是从热闹到落地的真正拐点。4. 如果让我来设计这样一份访谈我会怎么做4.1 问题设计少问怎么看多问发生了什么大部分行业访谈的问题设计是失败的因为问的都是你怎么看XX趋势你觉得XX会不会发生。这种问题得到的答案要么是公关稿要么是安全牌。我自己的经验是好的访谈问题应该逼出具体经历而不是抽象观点。比如不问你怎么看Agent的发展问你最近一次被Agent的能力惊到是什么时候当时它在做什么任务。不问算力瓶颈什么时候能缓解问你们团队最近一次因为算力不够而被迫改变方案是什么情况。不问AI人才竞争激烈吗问你们最近招人的时候候选人的技能结构和一年前比有什么变化。这种问法的好处是受访者没法用套话回答必须调动真实记忆。而真实记忆里往往藏着比观点更有价值的信息。4.2 样本选择刻意纳入非主流声音38个人如果都是大模型公司的CEO这份访谈的价值会打对折。真正有信息量的样本应该包括一线工程师或研究员他们知道技术边界的真实位置不像高管那样需要照顾叙事。传统行业的AI落地负责人他们知道AI在真实业务场景里到底卡在哪。投资人他们知道钱在往哪个方向流以及哪些方向已经融不到钱了。产品经理他们知道用户真正愿意为什么付费。学术研究者他们知道哪些方向是真问题哪些是工程 trick。这五类人的比例我倾向于控制在 2:2:1:2:1 左右。高管当然要有但不能超过三分之一否则整份访谈会变成行业领袖共识展。4.3 呈现方式让读者能横向对比38个人的观点如果只是一个人一个人地罗列读者读到第10个就累了。更好的呈现方式是按问题维度横向组织而不是按人物纵向组织。比如问题维度共识点分歧点值得关注的少数派观点2026年最大的技术变量推理能力提升提升速度数据质量比模型架构更重要商业化最快的场景代码生成是通用还是垂直硬件AI的组合被低估最大的非技术障碍组织惯性是文化还是流程采购机制才是真正的瓶颈这种表格化的呈现能让读者在30秒内抓住核心分歧而不是花30分钟读38段独白。5. 读这类内容时我自己的三个反套路习惯5.1 先看谁没被邀请任何一份关键人物名单没出现的人往往和出现的人一样有信息量。如果某个方向上公认的重要玩家没有出现在名单里可能的原因有几个对方拒绝了、名单设计者刻意回避、或者这个方向在当前叙事里被边缘化了。我自己的习惯是拿到名单后先扫一遍然后在心里列一个我以为会出现但没出现的名单。这两个名单的差集往往比名单本身更有意思。5.2 把判断和利益对照着看一个人说XX方向会爆发如果他自己就在做XX方向这个判断的权重就要打折扣。这不是说他在说谎而是说他的判断里可能包含了希望它爆发的成分。我的做法是把每个人的判断和他所在的位置做一个对照表判断内容说话人所在方向利益相关性判断可信度调整Agent是下一个爆发点在做Agent产品高下调但关注其具体论据算力会持续紧缺在做算力服务高下调但关注其数据来源To B落地比想象中慢在做To C产品低上调因为与其利益相悖开源会赢在做开源项目高下调但关注其社区数据与其利益相悖的判断可信度天然更高。这是一个很简单的逻辑但很多人在读行业内容时会忽略。5.3 关注重复出现的具体细节如果38个人里有5个人以上都提到了同一个具体细节——比如某个特定的技术指标、某个特定的用户行为、某个特定的成本数字——那这个细节大概率是真实的而且是重要的。举个例子如果多个人都提到推理成本在过去12个月下降了XX倍那这个数字就值得记住因为它可能意味着某些之前不成立的商业模式正在变得成立。如果多个人都提到用户开始把AI工具当成默认选项而不是备选方案那这个行为变化就值得关注因为它意味着渗透率正在跨过临界点。共识里的具体细节比共识里的抽象判断更有价值。抽象判断可能是互相影响的结果但具体细节如果是独立提到的说明它是真实观察。6. 这份内容对不同类型的读者分别意味着什么6.1 如果你是从业者把它当行业温度计对在一线做AI产品、技术或投资的人来说这份内容的最大价值不是获取新知识而是校准自己的判断。你可能已经在某些方向上有了自己的看法读这份内容时重点看那些和你判断不一致的人——他们看到了什么你没看到的东西我自己的做法是读完一份这样的内容后会写下三个我可能需要重新考虑的判断。不是说要立刻改变方向而是给自己一个提醒我的判断可能不是唯一正确的。6.2 如果你是学生或转行者把它当方向地图对正在考虑进入AI领域的人来说这份内容的价值在于帮你看到产业链的全貌。38个人覆盖了从底层到应用的不同环节你可以通过他们的描述了解每个环节在做什么、需要什么技能、面临什么问题。但要注意不要因为某个人说XX方向会爆发就立刻冲进去。行业人物的判断是方向性的不是操作性的。你需要做的是找到自己感兴趣的方向然后去了解这个方向上具体需要什么能力而不是只看它的前景。6.3 如果你是观察者或内容创作者把它当选题库38个人的观点里每一个分歧点都是一个潜在的选题。比如Agent的可靠性到底能不能在两年内达到可用水平这个分歧背后是技术路线之争、工程能力之争、产品定义之争每一个都值得单独展开。我自己的习惯是读完这类内容后把所有的分歧点列出来然后按争议程度和信息增量两个维度排序挑出最值得深入的那几个。7. 最后说一个我自己的体会做了这么多年行业内容我越来越觉得读关键人物访谈最大的陷阱是把他们的判断当成答案。实际上这些判断更像是问题——它们告诉你在当前这个时间点最聪明的一批人在关注什么、纠结什么、赌什么。真正的答案不在任何人的判断里而在接下来12个月里实际发生的事情里。这份内容的价值是帮你建立一个参照系——等到2026年底回头看你可以对照这些判断看看谁对了、谁错了、谁在什么条件下对了但在另一个条件下错了。这个过程本身比任何单篇内容都更有价值。所以我的建议是读的时候不要急着认同或反对先把这些判断存下来然后每隔几个月拿出来对照一下现实。你会发现那些当初看起来最激进的判断往往不是最准的而那些看起来最保守的判断往往也不是最稳的。真正准的是那些给出了具体条件、具体时间、具体验证方式的判断。