这两年看了很多关于 AI 的分析文章，包括老T自己也写过几篇，但越写越觉得，大家讨论的焦点可能有点偏了。无论是算力、模型参数，还是中美 AI 投资规模的对比，本质上都还是停留在“结果层面”的比较：谁算得更快，谁应用得更多，谁融资规模更大。这种讨论方式并非没有意义，但它隐含了一个前提假设：只要掌握了足够多的知识、数据和方法，智慧就会自然出现。

可一旦把 AI 放回现实世界的组织、企业和社会结构中去看，这个假设就会立刻显得站不住脚。因为在真实世界里，智慧从来不只是知识的堆积，更是长期经验的沉淀。而经验，恰恰是当前大多数 AI 最严重缺失的部分。

智慧不仅是知识更是经验

很多人习惯把 AI 的能力理解为“知道得多”，但现实中的智慧，往往体现在“见过什么、经历过什么、在类似情境下吃过什么亏”。一个老律师、老工程师、老管理者，真正值钱的地方，并不在于他能背出多少规则、掌握多少数据，而在于他经历过足够多不确定的场景，知道什么时候规则该破例，什么时候数据该反着看。

这些经验，并不是抽象的知识条目，而是一整套与时间、环境、情绪、博弈相关的判断积累。而问题在于，当前的 AI，几乎完全生活在“知识世界”里，极少真正进入“经验世界”，更谈不上在真实环境中为这些经验承担后果。

在现实的商业世界里，几乎没有哪个重要决策，是靠一条规则自动跑出来的。同一个产品，为什么给 A 客户 9 折，给 B 客户 8 折？如果真去复盘这类决策，就会发现，答案往往不在销售系统里，也不在 Excel 表格中，而是散落在各种非结构化信息里：某次电话里提到的背景、对方联系人的身份特征、微信群里的一句“这个客户情况特殊”、跨部门沟通时的临时妥协，甚至某个负责人基于当下风险判断拍板的直觉。

这些信息极其重要，却几乎从来不会被系统性记录。但最终留下来的，只有一个冷冰冰的结果数据。

这也解释了为什么很多公司明明“数据很多”，但一到需要总结经验、制定规则、复制成功路径时，就发现根本无从下手。因为数据记录的是结果，而不是决策本身。

值得注意的是，最近我看了几篇关于 Ai “智能体”（Agent）方面的文章，发现很多创业公司已经在往这个方向发展。

比如，FoundationCapital 的 AI’s trillion-dollar opportunity: Context graphs (人工智能的万亿美元机遇：上下文图表)，作者认为：“上一代企业软件通过打造数据记录系统，创造了一个价值万亿美元的软件生态。如今，正在构建上下文图的初创公司正在奠定下一个万亿美元的基础。” 只是这些文章对 Ai 智能体的看法还是过于“理想主义”。

当然，也正如我之前在 AI投资或将把美国拖入另一场反恐战争的泥潭 一文中也提到，美国现在习惯性吹 Ai 泡沫，没点“理想主义”，还真没办法把这个泡沫吹起来。毕竟，人类的经验本身是主观的，并不一定正确，有时候也很模糊，并不必然存在逻辑关系。比如“一朝被蛇咬，十年怕井绳”，本身就是个模糊判断，并且到底是 10 年、20年还是1年，也没法量化，但这些都在人类行为本身“容错”范围内。

大多数 Ai 只看得见结果

把视角切回 Ai，本质问题就更清楚了。当前绝大多数 Ai，尤其是面向大众的对话式 Ai，本质上都更擅长做一件事：从已有结果中模拟出来结果。它们可以总结、归纳、生成，看起来非常聪明，但前提是，这些结果本身已经被结构化、被记录、被喂给模型。

可现实世界中，最有价值的“经验”，恰恰是不能被结构化的。这就导致一个非常尴尬的局面，Ai 能分析一万条历史成交数据，却无法理解那一单为什么“必须这么做”，Ai 能生成看似合理的决策建议，却很难解释“当时为什么这么选”。

换句话说，现在很多 Ai，更像是一个永远在事后复盘，却从未真正参与过决策过程的旁观者。绝大多数决策程序，其实都是人工告诉它的。

大家可能在日常使用 Ai 时都会注意到一个现象，目前市面上大多数 Ai 只能在同一个对话中记得上下文信息，甚至，当这个对话的回合过多时，前边输入到 Ai 的规则，可能又被它忽略掉了。

从技术角度看，这个问题常常被包装成“上下文长度”“多轮对话能力”“记忆模块”等工程问题，但讲白了，这种 Ai 就是回合制的，一次对话结束，“智慧”就被清空，上下文一断，所有规则判断都要重新来过。

而现实世界的决策，从来不是这样的。大多数时候，我们每个人的决策都是连续的、有因果关系的，很多判断本身依赖于“你之前是怎么想的”“你当时为什么没选那条路”“这个例外是不是已经发生过”。如果没有长期记忆，就不可能形成真正的经验。

这也是为什么，现在很多 Ai 看起来“很会说话”，却很难真正承担长期决策角色。它们更像一个聪明的临时顾问，而不是一个在组织里干了多年、知道轻重缓急的老员工。

ChatGPT 和 Gemini 在这方面走的更前一点，支持记忆保存功能。但我最近在 HN 看到的一篇技术博客中 I Reverse Engineered ChatGPT’s Memory System, and Here’s What I Found! ，作者对 ChatGPT 的记忆功能逆向解构后，发现这种记忆保存其实重点就是记录了一些“元数据”，类似国籍、语言、性别、年龄、职业、对话方向、项目类型等等，与其说是完整的决策记忆，不如说是技术上的投机取巧了。

信息割裂正在抬高 Ai 的成本

如果说 Ai 缺乏决策记忆是一个全球性问题，那么在国内，这个问题被进一步放大了。原因也并不复杂，我此前在 不同运营商之间打电话能畅通无阻，聊天软件之间为何“老死不相往来”？ 中也提到，就是信息割裂。

微信、钉钉、飞书、抖音、微博、QQ，各自形成封闭生态，决策痕迹被分散在不同平台、不同权限、不同数据结构中。表面上，这是协议不统一、加密方式不同、接口标准各异，但根源并不在技术，而在商业利益和生态封闭。

这些平台的核心资产不是“连接”，而是“用户关系”和“行为数据”。而决策记忆，恰恰是这些数据中最敏感、也最不愿意外流的一部分。

结果就是，Ai 要想还原一次完整决策，需要穿越的不是技术障碍，而是一堵又一堵人为筑起的围墙。

西方在这方面稍微有优势一点，正如前几天我看到陶小桃的一篇文章： 欧盟好像很喜欢出张嘴制定规则而不是做前沿技术 ，在西方语境下，无论是监管推动，还是历史形成的协议文化，都在客观上为平台间的部分互通留下了空间。比如，《欧盟数字市场法案》出台后，像 Facebook、WhatsApp 等全球前几名的聊天软件，都已经逐步实现互联互通。

不过，这并不是简单的“谁更先进”的问题，而是制度和生态差异。同时，也不意味着商业巨头会主动放弃利益，但至少在制度层面，数据的流动性没有被完全堵死。而 Ai，恰恰是一个对信息连续性极度敏感的系统。

Ai 的长期持久记忆能力是大趋势

最近一段时间，很多群里都在吐槽内存价格暴涨，抛开背后那些“阴谋论”不谈，“Ai 算力需求爆发”至少也算是一个合理的解释方向。只是，我觉得这种解释还不算很完整。

当下 Ai 发展最迅猛的无疑是“智能体”应用，而智能体的运行毫无疑问需要大量内存参与计算。与先前主要靠 GPU 运算的模式相比，有了显著变化。

也就是说，其实现在 Ai 正在从“算一次给答案”，转向“长期参与决策”，正在从“回合制”，过渡到“长期记忆”。这也意味着，对 Ai 系统而言，“记忆”远比计算更重要。记住上下文，记住历史判断，记住那些无法被轻易结构化的过程信息，当这些记忆成为核心能力，内存就不再只是硬件指标，而是一种新的基础设施，正如英伟达的 GPU 一样。

回头再看这一轮 Ai 风口，老T越来越觉得，Ai 发展真正的分水岭可能并不在模型参数、推理速度，甚至也不完全在算力规模。而在于谁能构建可持续的 Ai 记忆系统，谁能用 Ai 替代高频、重流程、强依赖经验的环节，谁能把分散在不同平台、不同组织中的数据信息串联起来。

最后的赢家，也许不是最会算的，而是最会记的。

但也正如前边提到，智慧不仅包含知识还包含经验，当你问 Ai 今天中午吃什么时，未来的 Ai 可能会通过收集你很长一段时间的饮食记录、胃口倾向、账户余额、日程安排等等各类数据信息，分析出来一个最理想的答案，但它永远不知道，你突然间回想起外婆家的可口饭菜时，所需要的临时决定。