过去很长时间人工智能只是少数算法玩家的玩物，输入输出都是向量需要特殊的处理才能转化为人类可读懂的语言，大多数人只能默默接受其结果。大语言模型面世后基于其强大的自然语言能力、知识迁移能力和上下文学习能力使用户能够通过语言影响模型的输出。
四象限时间管理法指出不值得自己做的事情应该转派出去，许多时候无人可转或者只能转给低薪的实习生，但转给实习生效果怎样与个人能力关系很大。大模型的能力让产业界人看到了把工作便宜转派出去的机会，如果大模型效果好，就有无数的优秀实习生能分担任务。但大模型并不能简单地替代实习生。实习生有手，而大模型只是一个聊天窗口。为了解决大模型没有手的问题有人发明了AI Agent，大模型也能通过Function Call与外部交互了。从某些意义看Agent就是给工具加了一个LLM大脑，或者是给LLM加了一双手。相比实习生，AI Agent可以多一点安心少一些惊吓，谁也不知道实习生会出什么幺蛾子，受控的Agent一般也出不了什么幺蛾子。
大模型擅长胡说八道的特点导致了它在商业应用上像一个玩具而不是工具，工具是能在关键时刻保命的，玩具只是有时间了可以折腾一下的东西。能生成图片和视频的多模态大模型使更多的人相信大模型在娱乐赛道更有所作为，但结果往往是大多数人那点流量收入根本不够Token成本。SOTA的更新始终没有解决的根本问题是基于概率论的人工智能很难做到完全准确。但这个问题实际上并没有太多人关心，因为让实习生干的任务不会那么重要，多走量不要错得太离谱就行。从业者的真正的挑战在于实习生不管接到什么任务，把指导文档扔给他下班前收结果就好了，而大模型面对新任务可能直接死给你看。从业者的难点是在任务广度和效果之间达到某种平衡。
大模型的观众分为广大用户、评测媒体、客户和投资机构几类等。广大用户对品牌根本没有忠诚度，哪家的好用就用哪家；评测媒体每天都要搞一点花活做一个PK来吸引流量；尽管客户是最关心产品效果的人，但客户需要的是一个整体解决方案而不只是一个AI Agent。
国内投资机构是当下最清醒的一批人，尽管公开场合一再鼓吹人工智能是下一个万亿级风口，但国内很少有投资应用层创业公司的消息。一方面是还处于行业早期，赛道还没有探索成熟，在讲究回报率的当下风险太高；另一方面现在的应用场景也很少有把场景跑通的，大量的投资机构还在SaaS的坑中自舐要求创业者保证最低回报率，而创业者自己都没想清楚公司是否还有明天。这是一个风起云涌的赛道，任何一点技术波动都会快速打翻一家创业公司，创业者需要敏感的神经穿越行业迷雾。
