提笔写下这篇总结的时候，窗外的银杏叶已经落得差不多了，天气也倏忽之间就冷了下来。东京的秋天走得安静，只留下满地金黄，但冬天却来得急躁，提醒人们时间确实在向前流动。
按照往年的惯例，我大概会用“懒癌发作”或者“没什么进取心”作为开场白：一方面习惯性自嘲，另一方面也给自己留点退路，装作好像只要态度足够散淡，变化就追不上来的样子。但回望 2025 年，我发现这些词突然变得不太合适了。并不是我变得勤奋了，而是这个世界的变化速度，已经快到了即使你选择“躺平”，也能清楚地感觉到身下的地板在带着你呼呼向前移动。
如果说前几年我们还在讨论 AI 能不能做事、会不会做事，那么到了 2025 年，这个问题几乎已经失去了继续讨论的意义。我们不再站在岸边观察潮水，而是已经身处浪潮之中。无论情愿与否，这一年，几乎没有人还能置身事外，所有人都成为了这场巨变的直接参与者。
今年的总结，我想试着从几个贯穿全年的主题出发，聊聊在这个智能骤然丰裕的时代拐点上，我的一些观察、困惑、犹豫，以及尚未成型的浅薄思考。
两个娃一天天长大，也都进入了小学，姐姐更是为了准备初中考试开始了补习班生涯。她有时就会把考题和讲义拿回家来，我有时也就饶有兴致地去看两眼。其中一次考试的题目有点难度，我在做完之后也不能确认是否正确。这时候，我自然而然地打开 ChatGPT 点上 thinking，然后把考题拍照发给了 AI 寻求确认。
几分钟后，我拿到了一个“完美无瑕、无懈可击”的答案。我马上把纸笔拿在手里，打算给娃开始讲解时，我突然想到：如果刚才不是我使用 AI，而是她自己去求助大模型，那么她此刻面对的就不再是一个半吊子没耐心又讲不清的“知识中间商”，而是几乎不会出错、能够随时反问、可以要求换“小学生都能听懂”的解释方式、甚至永远不会不耐烦的“超级老师”。这一丝迟疑，虽然轻微，但很真实：我此刻站在这里，到底是在“传授知识”，还是只是在重复一个已经被更好工具取代的无意义的流程？
更进一步，我觉得很有必要思考一个问题：通过教育，我们最终想要得到的是什么？在她们即将面对的那个未来里，我们今天所熟知的教育，又到底还有多少意义？
在人类有文字记载的五千年文明中，社会的底层逻辑几乎始终建立在一个隐含前提之上：智能是稀缺资源。正因为稀缺，智能才需要被培养、筛选、组织和交易，这也正是我们建立学校、设置考试、创建企业、开出薪资的原因。现代社会可以接受用十几年甚至二十年的时间去“生产”一个合格的大脑（虽然这听起来非常冷血），让这些大脑协作，然后把它们的智能转化为效率和产出，并推进人类进步。可以说，现代社会的很多结构，都是围绕“人类智能无法规模化复制”这一事实搭建起来的。
但这个前提，正在松动，甚至可能彻底崩塌。
我在年初关于 DeepSeek 的文章里写说明过这一点：
DeepSeek 正在切实努力让推理式 AI 像水和电一样，成为全球普惠的基础设施。DeepSeek 的 AI 服务正处于“基础设施化”的临界点。
随着推理 token 价格的持续下探，以及高质量开源模型带来的普惠、安全与可控性，智能——或者更准确地说，知识与推理能力——正在快速脱离“需要长期学习才能获得”的范畴，成为一种可能比水和电还廉价的基础设置。只要接入 LLM 并学会简单的使用方式，任何人都能在瞬间获得远超人类个体极限的认知能力。在十年前，我曾经给自己定下的「每年学一门新语言」的目标，现在看来简直就像是一个笑话，它被时代的洪流碾得粉碎；而所有传统的以“灌输知识”和“训练技能”为核心的教育模式，瞬间显得有些错位。
我逐渐意识到，对于孩子们来说，问题也许已经不再是“学什么”，而是“为什么学、以及如何学”。过去，我们试图把大脑打造成一个容量尽可能大的容器，期待它在某个时刻装满知识，甚至偶尔闪现出几束原创的火花；而在今天，对大多数普通人而言，真正稀缺的能力，正在转向另一层面。
我越来越认同一个判断：元学习（Meta-Learning）——也就是学习如何学习、以及如何指挥智能——正在成为更重要的核心能力。
智能不再只是碳基生物的特权，而是一种分布在硅基参数中可以通过电力调用的公共资源。未来的分野，不在于谁背得下更多公式，而在于谁更清楚自己要解决什么问题，是否愿意、也是否懂得，去调动算力完成它。开拓人类知识边界的工作依然存在，但那注定是极少数人的舞台，并且几乎也必然要与 AI 协作完成。
对我，对我的两个孩子来说，相比具体的解题技巧，更重要的也许是：我们是否还能保持对世界的好奇，是否愿意持续学习“如何学习”，而不是执着于囤积某一代注定会贬值的知识。毕竟在这个时代，唯一看起来不那么容易被自动化的，可能只剩下提出好问题的能力。
今年给我最大的整体感受，是一种类似“时间被折叠”的眩晕。
回头看这一年，很难相信给我们带来震撼的 DeepSeek 只不过是今年春节发布的内容。那时候我们惊叹于它的推理能力和性价比。然而，紧随其后的是各种模型层出不穷，各类应用五花八门，整个世界被飞速重塑。站在年末回望，这些曾经让人屏息的节点，却仿佛已经隔着一个时代。你永远在期待下一个更新，也永远追不上最新的进展。每一个月，甚至每一个星期，都会有新的能力出现，迫使你重新校准认知。这一年里，进化本身成了日常。
这种爆炸式的发展，带来了一种奇特的感知悖论：物理时间依然以秒为单位匀速流逝，但主观时间却被压缩得越来越薄。更微妙的是，这种压缩在人群中并不是均匀发生的。我开始清楚地意识到，身边的人正在被分流进不同的“时间线”中：有些人已经习惯与 AI 共生，他们生活在一个指数级加速的未来；而另一些人，依然站在原先熟悉的线性时间里。这并非能力或智力的简单差异，而更像是一种由于具体所处环境中所带来的错位。
这种“时差”最终会如何显现，我无法预测。至少在短期内，AI 当然还远非万能，但它所带来的智能再分配已经真实发生，并且仍在加速。这种不均衡目前或许还只是涓流，尚不足以改写整个社会结构；但当时间继续堆叠，当某个真正的临界点出现时，这些被拉开的时间线是否会重新交汇，又或是从此更加撕裂，我对此既好奇，也隐隐感到不安。
在业界摸爬滚打了十来年，大大小小的坑几乎都踩过一遍，经验自然也成了我引以为傲的“资产”。今年开始逐渐恢复每周回公司上班，和同事面对面的交流明显增多：走廊里的几句闲谈，桌前从琐事展开的讨论，这些即时的反馈与碰撞，是过去几年远程工作中很难获得的。
也正是在这些交流中，我愈发清晰地看到了经验的两面性。
它依然能在沟通中迅速建立共识和信任，但在更纯粹的问题求解层面，它的优势正在被一种更庞大、更纯粹且冷静的“记忆体”吞噬。过去，当我遇到问题时，几乎是条件反射般地在脑中检索：“这个我见过，应该是这里出了问题。” 然后依靠直觉和经验快速修复。这种基于历史样本的拟合，在技术变化相对平缓的年代异常高效。但到了今年，我不得不承认：在记忆召回、知识检索和模式匹配这些维度上，千亿级别参数的 LLM 已经是更大的记忆体、更快的检索器，也往往是更稳定的参照系。只要掌握合适的提示方式，我赖以为傲的“经验速度”，早已不再构成决定性的优势。
当然，这并不意味着经验彻底失效，旧范式并没有一夜之间全部消失。当你指挥 AI 时，某些「高级工程师」的经验所带来的判断力，依然能帮助你甄别结论是否合理、路径是否危险。但经验同样可能成为一种隐形的桎梏：在优化一段代码时，我也许还在权衡如何精简逻辑、增加日志，而 AI 却可能直接建议重构整个系统，甚至采用一种我从未认真考虑过的方案。在经验主导的世界里，这样的跳跃往往由于成本原因难以发生。
在 2025 年我对“中年危机”这个词有了新的定义：在 AI 的帮助下，体力的衰退可能不再是问题，因为 token 的产出会比任何手写都快都廉价。真正危险的，是认知逐渐僵化，但本人却对此毫无察觉，最终它变成再也越不过的墙壁。
为了对抗这种思维惰性，我开始刻意减少对经验与归纳法的依赖，重新捡起那些曾被放在一旁的“第一性原理”，强迫自己从更底层的角度使用演绎方式思考问题。为此，今年我额外补充了一些数学训练，从高中时代的代数与几何，到 AI 表象之下的概率、统计与矩阵运算。这些练习并不是为了让我考进一所大学或者手写一个模型，而是为了尽可能维持大脑的“可塑性”。在 AI 能够帮我们解决绝大部分应用层问题的今天，智能这个“电子大脑”的膨胀所带来的我们自身生物大脑的退化，可能会让我们沉沦为单纯的 AI 操作员。虽然我对这样的未来并不意外，甚至有些悲观，但说实话我个人并不甘心充当“只负责点接受按钮”的角色。这对于“老工程师”来说，这是有关尊严和责任的选择，但也会是一场痛苦但必须进行的自我革命。
如果说上述变化还停留在认知层面，那么今年我的工作方式，则已经发生了实质性的断裂。
有一天晚上，我照例把电脑合上，准备收收桌面睡觉，才突然意识到一个有点荒谬的事实：那天我一整天都在“写程序”，但我的手指几乎没有碰过键盘。没有敲击、没有尝试、没有报错、没有调试、没有那种熟悉又略带烦躁的专注感、也没有那种解开问题时的啊哈时刻。更多的时候，我只是像在和另一个工程师对话一样，不断明确目标，调整边界条件，然后等结果出现。
而到现在，我可能已经三四个月没有亲手写过任何一行代码了。不论是什么项目，大到一亿 MAU 的大型 app，小到手边一个只服务于我个人的工具，我都已经习惯了完全和 AI 的协作。
在绝大多数情况下，我只需要倒上一杯咖啡或者去院子里舒展一下筋骨，再回到桌前时，它已经出色完成了任务。只要模型与工具选得合适，它们交付的结果往往比我更快更专业。某种我曾经非常熟悉、甚至依赖的“身体记忆”——敲代码的节奏、回车键的反馈、编译成功的喜悦——都随着那消失的青轴键盘的敲击声，一同退出了历史舞台。
今年这种与以往完全不同的体验让我确信：我们正站在一场真正的生产力革命的中心。
这并不是那种改良工具和流程所带来的 10% 或 20% 的效率提升，而是通过颠覆，所形成的数量级跃迁。就像工业革命中，手工织布被蒸汽机取代；信息革命中，计算被外包给计算机；而现在，我们正在把“理解与执行”本身外包给生成式大语言模型（但是注意，千万不要把“思考”也外包出去！）。
也正因为如此，今年后半年 Code Agent 工具逐渐成熟之后，我得以完成一些过去“想做却始终没时间”的项目。从提交记录来看，一切依旧显得欣欣向荣：
当执行的门槛被压到极低，试错的成本随之下降，真正稀缺的反而变成了另一种能力：品味与判断。你不再需要知道每一块砖是如何砌成的，但你必须清楚自己想要建造怎样的一座房子，以及它是否美观、稳固、值得存在。而这种能力，恰恰是最难被速成的。它需要时间、失败与反复实践的积累，这或许也是当下新一代工程师以及各行业新人们所面临的最大挑战。
技术与时间被释放的背后，也潜藏着一种难以回避的虚无感。在 AI 的协助下，我发现自己完成工作的速度前所未有地快。快到一种程度：日历上的空白开始变多，但那种熟悉的成就感却并没有如期出现。以前，效率提升意味着“今天我做了很多事”，“我高效利用了这一天”；而现在，它更像是在提醒和讽刺我：“也许作为人类，你已经不再是瓶颈，不再重要了。”
所以，我不得不反复追问自己：作为当代打工的「牛马」，我是不是正在重演汽车出现时拉车牛马的命运？当 AI 写出的代码更优雅，生成的图像更精美，甚至写下的文字也更缜密时，那个问题几乎不可避免地浮现出来：那么，我存在的意义是什么呢？
前段时间看到两张图，给我不小的冲击。第一张是引擎效率与美国人均拥有马匹数量的关系。
效率的提升其实并不像如今智能的爆发，它更多地是相对平滑的过程。在 1925 年之前，引擎效率的提升对马匹数量几乎没有影响；但当效率跨过某个临界点后，作为交通工具的马匹迅速退出了历史舞台。
如果说这个过程相对还比较长期，原因也可能多种多样（比如两次世界大战造成的剧变）的话，另一张图则更贴近我们当下的处境：国际象棋等级分与人类胜率。
历史上 Elo 超过 2800 的人类棋手屈指可数，而人类整体水平长期停留在 2700 出头；与此同时，AI 的等级分却在持续线性上升。当它跨过人类极限之后，胜负本身便迅速且完全失去了悬念。
当类似的科技革命来到职场，我们也许需要仔细想想今后的事情，特别是这个临界点会在什么时候到来。在过去两百年，工业社会为大多数平凡人建立了一个深入人心的等式：工作 = 价值 = 身份。我们习惯通过职业来定义自己，通过劳动输出获取收入，并以此衡量自身的价值。但当 AI 能完成大部分工作时，这个等式将会断裂。跨越这个临界点时，以往惯性导致的“被剥夺感”会是真实的，一定伴随迷茫和阵痛。但我也逐渐意识到，这也许同时也是一个契机，让我们重新思考什么是“好的生活”。
如果 AI 擅长“制造和执行”，那么人类的价值或许正在向“选择与权衡”倾斜。将视角收缩到程序员，我们或许我们可以从 AI 时代前期（比如 AlphaGo 的时期）的棋手们经历中看到一丝轮廓。
棋手和程序员都曾被视为高度专业化的“智力工种”，两者都需要在复杂约束下不断做出决策，并承担清晰的结果反馈。而在 AI 介入之后，棋手们的行为出现了变化：
所以我们看到，棋局已经从“寻找最优解”，转变为“在最优解已知的世界中，探索人类表达的空间”。程序设计也正在经历类似的转向：对于程序和软件开发来说，我们的约束（特别是时间、记忆和心理情绪的约束）要比棋手们宽松得多，但是软件开发的问题也要比蒙特卡洛树搜索开放得多，在人类探求对于最优解的表达这一道路上，两者并没有太大差别。
六合之内，万物纷呈。AI 可以生成无数种可能的未来，但只有人类能够在这森罗万象之中择其一，并赋予它意义。我们正处在旧秩序瓦解、新秩序尚未成形的断层期。旧的技能树正在枯萎，新的社会契约还没有形成。这种青黄不接的状态，是当下所有焦虑的根源。但我们仍然有必须亲自完成的事情：在无数可能的未来中，选择其中一条道路，并为它命名、为它负责。
2025 年，可能是我们需要重新定义自身的一年。但与其在恐惧中裹足不前，不如主动试着去理解、去适应、去驾驭新的力量。毕竟，无论 transformer 如何变化，attention 如何提升，那些属于个体、且真实发生过的生命体验是不在算法的可以演算的范围之内的。清晨的咖啡，女儿的笑脸，倾听窗外的鸟鸣，目睹黎明的喜悦，感受深情的告白，留下悔恨的泪水，以及写下这些文字时的心情，种种这些感受是无法被任何形式的人工智能取代的，而它们才是构成生命的本质。
愿我们在新的时代，都能找到属于自己的位置。愿人类壮丽的此行，终能抵达璀璨的群星。
这算是历年惯例，列举一下今年看到过的书籍，玩过的游戏和追过的番剧。太冷了，就不写评语了，单纯罗列。
不是每本都很好，但是开卷有益，姑且把有印象的都写下来了。
只写了打完的。还没打玩的/一半放弃的/买了吃灰的，这些就不写了。
几乎都是名气大的。如果今年有什么小众好番，还欢迎推荐。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。