假设o1草莓模型最终表现和发布的信息完全一致，然后回发生什么呢？下面这篇文章描述的比较详细，大家可以参照阅读，不读也不影响理解后文:OpenAI发布最强推理模型o1。
AI大模型更贵了
从披露的数据来看，我们可以认为Scaling Law有效，不过这次不是堆数据而是堆机器和优化算法。
这意味着AI大模型显然会更贵，也更难，先是需要更多的机器，这导致更贵，然后靠人来做画龙点睛，这导致更难。
(上面文章里面有这图）
这可以和过去Sam Altman的言论结合起来看，Sam Altman发过的惊人言论包括需要募集七万亿美金等等，投资去解决电力问题等，两者倒是匹配。
AI安全了，但AI大模型公司危险了
AI公司的风险有无数个，但AI作为一个行业，其风险只有1个，就是AI不好用。
如果Scaling Law有效，那不管多贵，都意味着这个行业解决问题的价值在增加，所以这个行业安全了。大概率不会再变成80年代人人喊骗子的局面，行业的安全意味着AI大时代基本会确定打开。
但很多AI大模型公司是真的危险了。他们变成了应用不是应用，模型不是模型的一种公司。
跟进跟不起，不管是机器还是人才储备，显然的要想干好模型不单下一步贵，并且一段时间会越来越贵。
不跟进，那自己的高估值拿什么做支撑呢？定位是什么呢？同时这种推理的进展覆盖正是他们本来做的那部分工作。
参见：拿什么才能拯救AI大模型(公司）？
冲击波从专业人员开始
从报道看Level2确实能过去，那我们之前所有对Level2影响的预判将在短期成为现实。之前我们这么解读五级模型：
上层应用实现的程度和先后可以参照OpenAI对后续AI进阶划分进行推测，下述为参照OpenAI分阶并补充系统型超级应用信息后整理而来。
阶段1：聊天机器人。AI能够与人对话，然后纯粹看对话内容你不能分辨它是人还是AI。对话的时候AI可能有幻觉并胡说八道，但逻辑自洽。当前就处在这个阶段。这个时候垂直型应用处于只能出现类似Copilot这类纯粹的生产力工具，让ERP等进入下一代这类事情只可能在极小的领域中出现，处于萌芽期。
阶段2：推理并解决真实问题的机器人。当你给AI真实的问题，它能够自行推理，甚至找你要它解决问题所欠缺的信息或者资源，然后真正的能够代替人解决问题。到了这个阶段，所有白领工作基本就不需要人了。在这个阶段各种不牵涉现实物理世界的事情基本可以全部用AI来解决，大量系统型超级应用会在企业领域、部分行业比如律师出现。
阶段3：AI智能体。全面感知物理世界并且能够采取行动解决问题，相当于把阶段2的能力从虚拟数字世界扩展到真实物理世界。到了这个阶段所有体力工作就不需要人了，街道、家庭、公司随处都是机器人。这个阶段新式系统型超级应用扩展到物理空间，具身机器人会充斥在各个生成生活的环节。
阶段4：创新者。AI能够组合现有要素在特定的方向上完成创新，比如他会创造性的根据面条和动物捏合出来用各种栩栩如生的动物。到了这个阶段，现在200人的公司估计只要不到10个人，像产品经理这样需要创新能力去定义产品的角色AI也能够承担了。这个阶段现有大部分可见的岗位全部完成AI对人的置换。系统型超级应用会遍布在各行各业。
阶段5：组织者。这时候AI能够负责组织协调的工作，承担AI之上的AI角色（过去高管和CEO的角色）。到这里每个我们现在看到的领域也都有了一个自己的AlphaGo，这个AlphaGo的专业性和能力远超过去人类同时具有通用性，大多企业里不需要管理人员，而是全部被AI接管。
这个五级分类可以看成是一种AI宏大叙事类比过去的大同社会等。
现在Level2眼看要实现了，那首先是Level2的影响会发生，其次在于后面的是不是也是靠谱的，而不是单纯的想象？
推理这事的影响方向非常清楚：白领包括高级白领乃至科研人员受冲击最大。
不过如果幻觉问题没解决，那人类还能略有喘息。
智能飞轮看起来要转起来了
如果说推理能力确实能破局（当前并非是大成，而是一种破局），那AI真的可以做积极的未来展望。不是因为OpenAI多牛，关键是我们总说的智能飞轮要启动了。
当年AlphaGo为什么后来水平进展极其快？
核心就在于它转起来一个叫智能飞轮的东西。
形象讲就是AI能够伺候AI。
AlphaGo的领域太垂直了，围棋太特殊了，所以过去几乎只有AlphaGo能干这事。
可如果推理能力搞定了，情况会有大变化。
在数据和算法两个环节，AI逼近能够伺候自己的边缘。而这会解锁AI的进化速度。
说起来是个有点悲伤的故事，从智能飞轮、从AI进化的角度看，人才是最大障碍，人负责的越少，AI负责的越多，那智能飞轮转的越快。
而推理能力最关键的就在于削弱人在AI进展过程中的角色，这反倒是会加速AI的进展。
参见：寻找智能飞轮：从数据枯竭到多模态再到自生成
AI应用的黄金时代
琢磨事一直反复说个话题，AI会因为计算模式的迁移导致大量的应用重做（参见：角色中心式计算：AI大模型颠覆性的起点与终点），过去我们把它总结成从功能中心式计算迁移到角色中心式计算。用老黄的图就是：
但这种重做在过去有点像构思闪电战缺内燃机，推理的窗口一打开，各种新现实就不是空想，而是需要更为认真的构思了。
这种认真的构思关键是需要前瞻性，顺着AI脉络的前瞻性。
当年基于摩尔定律有这么一种思维模式：
我先把程序按照未来的计算量开发好，那怕现在慢点，然后我就休假去了，什么也不用干，等我回来过去不怎么好用的复杂图形用户界面就好用了。
现在AI的脉络在呈现类似摩尔定律的确定性，所以认真思考是指基于这种脉络的前瞻性思考。
参见：AI的脉络：非共识时刻的认知价值，
为什么说AI也是普通人的机会？
小结
不管怎么样AI革命先革自己也是有点出乎意料的，过去大量AI的算法人员在这种进展下承压可能比装修人员大的多。当年那些深度学习算法，是不是很快AI就可以干的比人更好？当然这还只是发布会上的一些零散信息，它的真正潜力还需要一些先锋应用来验证。值得期待。
这个时点的AI太混沌了，宣称有赚钱方法的大概率是骗子，宣称全无机会的又过于消极。面对AI就得解剖麻雀，研究案例，回到现场，获取一线信息。反之越高大上、越论文就越危险。关键是真实案例不好找，所以就有了琢磨事AI碰撞局。研究清楚多个案例，弄明白产业底层逻辑，再回到自己问题差不多是眼下最靠谱的方式了。
