我在这类行业大会现场泡了快十年，说句实话：每年展馆里最热闹的从来不是某个新产品发布，而是各种观点在台上台下正面碰撞。今年更明显，从进大门开始你就能听见"开源闭源谁才是未来""大模型是不是撞到天花板了""Agent到底能不能真干活"这类争论，几乎每一场圆桌都在吵。如果你明天就要进场，建议先花十分钟把今年这些核心"吵架点"捋清楚，否则很容易被现场情绪带着走，听谁都觉得有道理，回来却什么结论都留不下。
这篇文章就是干这个用的。我会把今年AI圈真正有信息量的几组争论、每场争论背后不同角色的立场、以及到现场之后怎么高效"找答案"的完整方法一次讲透。适合马上要去参会的朋友，也适合没去现场、但想快速搞懂今年行业风向的人。
1. 今年AI圈真正在吵的五组话题
1.1 开源与闭源：一场谁也说服不了谁的路线之争
今年最显眼的一架，依然是开源路线和闭源路线之争。闭源阵营的核心理由很直接：模型能力要可控、要安全、要持续砸钱迭代，只有集中资源才能做出来；开源阵营的反驳同样有力：开放性才能带来生态繁荣、技术透明和二次创新，一家公司锁死底层模型对整个行业不是好事。
听上去两边都对，但你要注意，这其实不是一个技术问题，而是商业模式和生态位的问题。闭源方靠模型能力本身赚钱，当然强调领先性；开源方往往靠周边生态、云服务、工具链赚钱，所以更强调开放和可定制。到现场听到这类争论时，别急着判断谁对，先想清楚台上这个人站在哪个位置上，他说的话服务于什么利益，答案立刻清晰一半。
1.2 Scaling Law的"信仰危机"
第二组热度极高的争论，是"大力出奇迹"的Scaling Law到底还灵不灵。过去两三年大家默认一个逻辑：模型参数越多、训练数据越大、算力堆得越高，能力就越强。今年开始有不少人公开质疑这条路，理由包括：高质量数据快被用完了、边际收益在下降、算力成本却还在指数级上升，继续堆下去可能不是"越强"而是"越亏"。
但另一方态度也很坚决，他们认为现在下结论太早，很多能力瓶颈是因为训练方法、数据质量、基础设施还没跟上，而不是Scaling失效，换个思路继续放大仍然有效。这场争论短期不会有答案，但对你明天的价值在于：凡是涉及"新一代模型强了多少"的说法，都可以追问一句"这个提升是在什么规模、什么成本前提下测出来的"。
1.3 Agent：Demo很惊艳，生产见光死
Agent（智能体）是今年最热的概念之一，也是最容易产生误会的话题。台上演示时，一个Agent可以自己拆解任务、调用工具、完成复杂流程，看起来完全能替代人类干活。可真正在真实业务环境里跑过的人会告诉你，实际情况远没那么美好：上下文一长就乱、工具一多就卡、偶尔还会一本正经地执行错误指令。
这场争论的实质，是"演示环境的可控性"与"生产环境的不可控性"之间的落差。到现场逛Agent类展台时，我建议你最该问的不是"能做什么"，而是"不能做什么""失败率多高""人工介入比例是多少"。能把这个回答清楚的团队，才值得深入聊下去。
1.4 AI编程：效率神话与职业焦虑同时在场
AI编程大概是今年争论里最"贴身"的一个话题。一边是开发效率翻倍的兴奋感，很多团队已经用AI辅助写代码、查Bug、写测试，省下来的时间确实可观；另一边是基层程序员"自己会不会被取代"的焦虑，这种焦虑也被讨论放大，变成一场关于职业未来的情绪对立。
你到现场会看到两类展台：一类给你看AI编程工具的单次任务完成率，另一类给你看"人在回路"的协作模式。我的看法是，与其纠结会不会失业，不如关注一个更实际的问题：当AI承担了重复性编码工作之后，团队的组织方式、代码评审流程、技术债务管理会发生什么变化。这个话题在展台边随便拉个程序员都能聊很久，也最能听到真实答案。
1.5 多模态、端侧AI、安全对齐：三组暗流涌动的次要争论
还有几组话题，今年曝光度不如前面几个，但现场一定会有人吵。多模态之争，焦点是大模型是不是必须什么都能输入、什么都能输出才能接近AGI，还是说文本能力足够强之后，其他模态自然会跟上；端侧AI之争，焦点是模型应该跑在云端还是跑在手机和PC上，省成本和保隐私能否两全；安全对齐之争，则是"发展速度优先"和"可控性优先"之间的持续拉扯，两边都有技术细节支撑，谁也说服不了谁。
这三组话题你不一定每个都深入了解，但至少要知道它们的存在。因为现场很多演讲表面上在讲技术，实际上就是在替这几组争论站队。
2. 别急着站队：听出争吵背后的三方立场
2.1 三个角色：卖铲子的、淘金的、修路的
在AI争论现场泡久了你会发现，几乎所有人吵来吵去，都逃不出三个身份。第一类是"卖铲子的"，就是卖模型、卖算力、卖工具平台的厂商，他们最关心自己的产品和生态能不能成为行业标准，所以论证重点往往是"用我的东西才能赢"；第二类是"淘金的"，就是用AI做应用、做产品的创业团队和业务方，他们最关心能不能真省钱、真增收，所以开口就是落地数据；第三类是"修路的"，做研究、做评测、做安全合规和技术基础设施的人，他们既不看单家厂商的脸色，也不追求短期回报，更关注整个行业能不能健康跑起来。
一旦你学会给讲者分类，很多看似高深的争论立刻变成利益诉求的碰撞。比如一个卖模型的人跟你说闭源才能保证能力，一个淘金的人跟你说开源才能免于被锁死，一个修路的人跟你说安全框架不建立迟早出大事，他们说的都符合自己的身份立场，没有谁绝对错误。你要做的不是选边，而是把每个论点放回说话人的坐标里去理解。
2.2 判断谁更靠谱的四问清单
现场听演讲、看讨论时，有一个四问清单非常实用，能帮你在最短时间内判断一个观点成色如何。第一问：这个结论有实验数据支撑吗？还是只有个别案例？第二问：数据的样本量多大？来源是谁？有没有利益相关方在背后？第三问：如果按他说的做，落地需要什么条件，成本谁来承担？第四问：这个判断在半年到一年后还成立吗，还是只是一时的行业热点？
我见过太多人在现场被一个金句打动，回来之后却发现实际操作条件完全不匹配。拿这四问去过滤每一个让你"兴奋"的结论，至少能帮你避开一半的坑。尤其在Q&A环节，与其问"你怎么看未来趋势"，不如直接套用这四问去问具体证据，收获会大得多。
2.3 吵归吵，有四个共识已经在慢慢形成
不过也不要以为今年全在吵。仔细听下来，有几件事是分歧双方其实都默认的。第一，AI能力确实到了可以改变工作流程的阶段，差别只在程度和节奏；第二，只靠模型本身很难构建护城河，数据积累、业务理解和交付能力越来越重要；第三，可控性、安全和合规不是可以后期补救的事，越早考虑越省成本；第四，AI落地的主战场正在从通用对话转向具体行业的复杂场景。
这几条共识值得你在现场反复验证。当两个观点完全对立时，往共识上退一步看，往往能找到真正值得投入的方向。这也是我每次开完会之后收获最大的一层。
3. 明天现场找答案：从进场到离场的实操路线
3.1 出发前：把模糊兴趣变成一张问题清单
明天出门前，我强烈建议你先花二十分钟，把"我想了解AI"这句话换成具体问题。别小看这一步，它决定了你一整天的效率。写问题清单时按自己的身份来：如果你在做产品，就写"AI如何帮我降低某个环节的成本""别人踩过的落地坑是什么"；如果你在搞技术研究，就写"某类模型的最新进展""评测方法有哪些新变化"；如果你是带着选型任务去的，就把关心的问题写得更细，比如"开源方案vs商业方案在运维成本上的差异"。
有了清单之后，今天刷展馆平面图、排日程才有意义。你不会再纠结哪个展台人多、哪个论坛听起来高大上，而是直奔能回答你问题的地方去。我个人的习惯是控制在五个问题以内，贪多嚼不烂，五个问题每个都聊透，一天已经排得很满了。
3.2 主论坛听什么：Keynote里的三层潜台词
主论坛的Keynote是所有人都会去听的，但多数人只听到了第一层：这家公司发布了什么新产品。实际上一次成功的Keynote至少有三层信息。第二层是这家公司的战略转向，他为什么在这个时间点押注某个方向，背后是对市场哪一部分的判断；第三层是他在向哪些人喊话，是在争取开发者、说服客户、还是在震慑竞争对手。
教你一个具体的听法：演讲中凡是出现"我们观察到""越来越多的用户开始""调研显示"这类表述时，后面通常跟着的就是这家公司最想传递给你的判断，值得记下来。凡是出现具体数字和对比的段落，大概率是他们最有信心的卖点，可以拿来之后跟同类方案横向比较。至于现场掌声最响的地方，听听就好，情绪不能当证据。
3.3 展台怎么逛：五连问问出Demo的成色
展台区是信息密度最高的地方，也是水分最大的地方。每个展台都有精心准备的Demo，看起来行云流水，但你要知道那是在最理想条件下跑出来的效果。我的经验是，不管看什么AI产品，都固定问五个问题。第一，这个方案在真实客户环境里跑多久了？第二，最典型的失败场景是什么，怎么解决的？第三，需要多少人工介入，是辅助还是基本全自动？第四，成本怎么算，包括模型调用、人力、运维加在一起的总账是什么？第五，如果我要接入，最快要多久，数据迁移麻烦吗？
这五个问题问完，一个产品是实打实的方案还是包装精良的玩具，基本能看出个七八成。遇到不耐烦回答的展台人员，反而说明他们的产品经不起深问；能坦然说出局限和适用边界的团队，才是真有落地经验。
3.4 圆桌Q&A：一个不容易被敷衍的提问公式
圆桌讨论是现场最有价值的环节，因为嘉宾被安排在同一张桌上，观点碰撞最直接。但很多人不知道怎么提问，问出来的问题要么太宏观，嘉宾只能给一堆正确的废话；要么太小众，全场只有自己感兴趣。我推荐一个提问公式：先说自己的具体场景，再说遇到的困惑，最后指名道姓请某位嘉宾给个方向。
举个例子，与其问"各位怎么看Agent的未来"，不如说"我在做电商客服场景，试过几个Agent方案，感觉长对话一多效果就明显下降，想问某总，你们在类似场景里是怎么处理上下文管理和错误恢复的"。这种问题嘉宾没法打太极，回答里信息量也大得多。哪怕你只是坐在台下听别人这么问，都能学到很多东西。
3.5 离场之后：三栏笔记和一周冷静期
大会结束后的第一件事，我建议是找家咖啡店，花半小时做一次三栏笔记。左栏写"今天听到的最有价值的结论"，中栏写"当场没听懂、还想追问的问题"，右栏写"哪些说法需要回去查证或实测"。这个动作比多逛十个展台都有用，因为现场信息是碎片化的，不整理就等于没过脑子。
另一个更反直觉的习惯是：给自己设一个"一周冷静期"。现场气氛会让所有人都变得乐观，看到什么Demo都觉得马上要改变世界，这种情绪驱动的判断往往是错的。把重要决策先晾一周，等热度过去了再看当时的笔记，你才能分清哪些是真趋势，哪些只是演讲者的修辞。
4. 今晚还要补的课：几组随时可能吵到你脸上的话题
4.1 AI替代谁：职业焦虑下的真问题与假答案
第一组要补的课，是关于AI替代的讨论。这类话题在现场最容易挑起情绪，也最容易变成口号大赏。认真讲，AI替代从来不是"明天全部失业"的线性故事，而是具体岗位的职责重构：写重复代码的工作量在减少，但设计系统架构的要求变高了；基础文案可以交给模型，但判断什么内容值得发布还是得人来做。凡是把AI替代讲成一句话结论的，都值得警惕。
所谓真问题，是你的岗位里哪些环节真能被模型做得又快又好，哪些环节需要你跟业务方反复对齐；所谓假答案，是"AI会取代一半工作"这类无法验证、也无法指导行动的统计数字。到了现场，听到这类话题不妨多问一句"这个替代结论是在什么场景、什么岗位、什么能力水平的前提下得出的"。
4.2 落地行业的算账难题
另一组经常在会场上吵起来的话题，是AI落地到底能不能算得过账。很多企业上了一堆AI功能，最后发现省下来的人力成本还没模型调用费高，或者效果有提升但运维成本涨得更多。这类讨论几乎每次都会出现"你们看到的效果是跑通Demo的效果，不是全量上线的效果"这种互怼。
作为参会者，我的建议是别参与那种大而化之的争论，只关心一个可计算的问题：在什么业务环节、多大规模、多长周期内，AI带来的收益能超过总成本。这个问题不需要现场嘉宾给你最终答案，你只需要收集足够多的成本数据和案例样本，回去自己算自己业务那笔账就够了。
4.3 数据、版权与内容创作的新旧冲突
数据版权问题今年也在升温。AI训练用了大量来自公开互联网的内容，原创作者认为自己的作品未经许可被使用，AI公司则认为公开数据的学习应当属于合理使用范畴。这类讨论掺杂法律、技术和利益分配，非常复杂，现场大概率不会吵出结果。
但有一个角度很实用：内容行业的人需要考虑，自己的素材是否正被模型学习，以及未来授权、补偿机制会怎么演变；工具方的人需要考虑，数据合规会不会成为产品上线的硬门槛；普通用户则需要警惕，越来越智能的生成内容会不会让信息环境变得更难辨别真伪。你可以不站队，但这些问题迟早会落到你的业务上。
4.4 算力与能耗：性能竞赛背后的环保账单
最后一组话题是算力消耗与环境成本。大模型的训练和推理都极耗电，一座大型数据中心的用电量已经堪比一座小型城市。随着模型继续变大、用户量继续增长，这个账单只会越来越难看。现场吵通常集中在两种说法之间：一种认为性能优先，能源消耗是技术演进必须付出的代价，效率问题后面自然会解决；另一种认为应该先解决算力效率、再谈规模扩张。
这组讨论离业务落地并不远，因为算力成本最终会传导到产品定价上。你要是做应用，就得关注模型调用成本未来是涨是跌；你要是做采购，就得把能耗也算进总拥有成本里。听到相关话题时，别只把它当公益讨论，它其实是一笔非常现实的商业账。
5. 最后聊点我的个人体会
这些年在会场里，我最大的教训就是想看完所有东西、听完所有观点。结果每次都是人没少挤、资料没少拿，回来能记住的却很少。后来我改了策略：提前定死五个问题，其他内容再精彩也只随手记一笔，不乱跟、不打断既定路线。别看这样好像"错过"了很多，最后收获反而最扎实。
另一个值得分享的小经验是：判断一个AI方向值不值得长期关注，别看现场热度，看"会后一周"里还有没有人持续讨论、有没有人动手实测、有没有公司真的为之付费。热闹是会场给的，结论是自己用行动做出来的。希望明天你在现场，听架听得明白，问题问得到点子上，带着能落地的答案回来。
