圖源：Unsplash

DeepSeek掀起的AI浪潮還在繼續(xù)。

作為教育工作者，知智教育創(chuàng)始人/CEO、前快手教育生態(tài)運(yùn)營(yíng)總監(jiān)李卓分享了他眼中的2025年AI市場(chǎng)的機(jī)會(huì)。

李卓表示，DeepSeek-R1大幅提升的CoT能力，提升了自然語言理解能力，降低了指令使用門檻，使AI應(yīng)用規(guī)模化推廣有了可能。他推測(cè)，2025年會(huì)出現(xiàn)大量的垂直行業(yè)、場(chǎng)景應(yīng)用。

同時(shí)，顯而易見的是，AI也將帶來不平等現(xiàn)象，直接可預(yù)期的現(xiàn)象包括結(jié)構(gòu)性失業(yè)與創(chuàng)業(yè)機(jī)會(huì)、權(quán)力的結(jié)構(gòu)性缺失。

R1帶來的擴(kuò)散效應(yīng)，我的判斷

交互層

大幅提升的CoT能力，提升了自然語言理解能力，降低了指令使用門檻。AI應(yīng)用規(guī)?；茝V有了可能。

接下來，記憶能力和user畫像理解能力，可能是一條新的熱門技術(shù)路線，因?yàn)榭梢蕴嵘鼵oT的精準(zhǔn)度和耗能。

模型層

在模型訓(xùn)練、強(qiáng)化、數(shù)據(jù)應(yīng)用上提出新的技術(shù)組合，會(huì)帶來模型成本的進(jìn)一步降低。

開放的API成本降低，可能就會(huì)帶來更多垂直專家模型的強(qiáng)化（搜索就是一個(gè)例子）。

應(yīng)用層

以此類推，今年會(huì)出現(xiàn)大量的垂直行業(yè)、場(chǎng)景應(yīng)用。多看blog和產(chǎn)品試用是需要培養(yǎng)的習(xí)慣。

但是移動(dòng)互聯(lián)網(wǎng)的經(jīng)典范式：“流量+產(chǎn)品”解決方案還是沒變，今年有沒有新的產(chǎn)品創(chuàng)業(yè)、持續(xù)增長(zhǎng)和活下去的機(jī)會(huì)，依然存疑。

創(chuàng)業(yè)層

對(duì)于現(xiàn)在來說，簡(jiǎn)單事情重復(fù)做的，可能還是理解過往場(chǎng)景、痛點(diǎn)，AI 的解決方案是什么。

認(rèn)知≠執(zhí)行≠成功，但是場(chǎng)景和解決方案的認(rèn)知，絕對(duì)是繞不過去的。大白話來說，就是貼近用戶、理解場(chǎng)景、迭代方案。

與R1的討論：新的視角與深化

我把上述觀點(diǎn)拋給了R1，一些回復(fù)的內(nèi)容帶來了新的視角：

1. CoT層面：模型邏輯的引導(dǎo)性與信任成本

• 模型邏輯對(duì)人的“引誘”

CoT能力的提升使得模型輸出更加“人類化”，但也同時(shí)要求用戶在邏輯判斷和思考能力上，與AI相匹配或強(qiáng)于AI。否則，人對(duì)生成信息的引導(dǎo)和判斷，都會(huì)由AI（或背后的開發(fā)者）定義，而非人本身。

• 信任成本的考量

信任成本是AI應(yīng)用中的一個(gè)關(guān)鍵問題。

以醫(yī)療行業(yè)為例，AI系統(tǒng)若無法提供可驗(yàn)證的推理過程，醫(yī)生可能會(huì)拒絕使用。當(dāng)模型能生成細(xì)膩的CoT時(shí)，用戶可能陷入“解釋依賴”——必須逐行檢查推理鏈，反而增加認(rèn)知負(fù)擔(dān)。

因此，CoT的真正價(jià)值不在于其“易用性”，而在于其“可驗(yàn)證的可靠性”。只有當(dāng)用戶能夠信任AI的邏輯和結(jié)果時(shí)，AI才能真正被廣泛接受。

• 技術(shù)原因?qū)е碌倪壿嬤f推錯(cuò)誤

此外，CoT能力的提升可能導(dǎo)致“邏輯遞推型錯(cuò)誤”，即模型在復(fù)雜推理過程中可能產(chǎn)生偏差。

這種錯(cuò)誤可能源于數(shù)據(jù)質(zhì)量、算法設(shè)計(jì)或用戶輸入的不確定性。但失之毫厘，謬之千里的情況也存在不小的概率。

2. 應(yīng)用層面：流量重構(gòu)與用戶共識(shí)

• 流量重構(gòu)：從“信息需求”到“決策需求”，從“功能需求”到“助理需求”

傳統(tǒng)流量邏輯失效的本質(zhì)，是用戶從“獲取信息”轉(zhuǎn)向“獲取決策”。

例如，用戶不再僅僅搜索“如何理財(cái)”，而是直接要求AI生成個(gè)性化的理財(cái)方案。這種轉(zhuǎn)變不僅改變了流量的入口（從搜索引擎到AI助手），也重新定義了用戶與AI的互動(dòng)模式。

• 決策讓渡的正反兩面性

決策讓渡的雙刃劍效應(yīng)在AI應(yīng)用中尤為明顯。

一方面，AI可以幫助用戶節(jié)省時(shí)間和精力，提升決策效率；另一方面，過度依賴AI可能導(dǎo)致用戶失去自主決策能力。

作為一個(gè)教育工作者，我一直在糾結(jié)一個(gè)問題，如果說數(shù)學(xué)和語文學(xué)習(xí)的高維境界是思辨和邏輯能力，但顯然在這一點(diǎn)上，人與AI存在一定程度上的控制與反控制關(guān)系。

我們接下來如何教授語文和數(shù)學(xué)，是一個(gè)很大的挑戰(zhàn)。

• 需求真?zhèn)?/strong>

許多垂直場(chǎng)景的需求是“技術(shù)想象”而非真實(shí)痛點(diǎn)。例如，AI法律顧問在多數(shù)國(guó)家因合規(guī)限制無法落地，淪為演示Demo。

3. 市場(chǎng)挑戰(zhàn)：巨頭優(yōu)勢(shì)與快速復(fù)制能力

• 巨頭復(fù)制的“閃電戰(zhàn)”

如上文所說，AI應(yīng)用的開發(fā)，前提是具備對(duì)于垂直場(chǎng)景及其解決方案（流程、指令）的深入理解。但是交付給C端用戶時(shí)，必然是簡(jiǎn)單易上手的。

但是這帶來了AI應(yīng)用創(chuàng)新者的天然悖論，即使創(chuàng)業(yè)者具備行業(yè)專家知識(shí)，并成功開發(fā)出垂直領(lǐng)域的AI解決方案，巨頭企業(yè)仍可以，通過流量和資源優(yōu)勢(shì)快速復(fù)制這些方案。

創(chuàng)業(yè)公司的窗口期可能短至1-2個(gè)月。

• 巨頭的技術(shù)優(yōu)勢(shì)：數(shù)據(jù)壟斷與算力控制

DeepSeek等開源模型的普及雖然降低了技術(shù)門檻，但巨頭企業(yè)通過數(shù)據(jù)壟斷和算力控制仍占據(jù)優(yōu)勢(shì)。例如，互聯(lián)網(wǎng)平臺(tái)通過用戶協(xié)議壟斷數(shù)據(jù)源，形成“模型封建制”。

一個(gè)教育工作者的新想法

顯然，AI帶來的不平等現(xiàn)象是直接可預(yù)期的：

1. 結(jié)構(gòu)性失業(yè)與創(chuàng)業(yè)機(jī)會(huì)

AI是一個(gè)高知識(shí)密度的工具和產(chǎn)業(yè)。因?yàn)檎J(rèn)知、邏輯能力、指令能力的差異，AI帶來的創(chuàng)業(yè)機(jī)會(huì)與就業(yè)機(jī)會(huì)，與絕大多數(shù)人無緣。

2. 權(quán)力的結(jié)構(gòu)性缺失

就像絕大多數(shù)下沉市場(chǎng)的中老年，數(shù)據(jù)隱私與應(yīng)用安全無從談起，以及多數(shù)青少年難以享受真正的防沉迷系統(tǒng)一樣。

剛才提到，AI時(shí)代的決策權(quán)讓渡會(huì)進(jìn)一步加劇——當(dāng)AI接管更多決策（如醫(yī)療、司法），是否存在AI開發(fā)者、定義者對(duì)于許多用戶決策權(quán)的自動(dòng)化接管？

基于此，與Sam Altman基于土地征稅的邏輯差不多，我也有一個(gè)想法：征收AI稅，并將收益用于全民教育。

AI稅的具體意義：通過AI稅，可以將技術(shù)紅利更多地惠及全社會(huì)，確保每個(gè)人都能享受到AI帶來的便利。投資于教育：將AI稅的收入用于全民編程教育、思辨教育和人文教育，可以幫助全民提升對(duì)AI的理解和使用能力，減少技術(shù)鴻溝。

你認(rèn)為，AI稅到底是烏托邦還是必需品？