Shadow：最怕的是拿着旧地图去寻找新大陆。
最近，OpenAI正式发布GPT-6 Astra。发布会的最后，OpenAI联合创始人Greg Brockman说了一句话：“我们可能已经达到了AGI时代。”
这个模型有多强？
它在被称为“AGI终极考卷”的ARC-AGI-3测试中拿到了99.9%的分数—— 而上一代模型GPT-5.6 Sol只有7.8%。它能在OSWorld 2.0测试中以72.6%的得分完成电脑操作任务，单项任务的平均耗时从约75分钟缩短至40分钟，缩短近一半。
ARC-AGI-3是一个于2026年3月正式发布的交互式推理基准测试，你可以把它看作一个专为AI设计的、难度极高的“抽象推理游戏能力测试”。
它测试的不是AI知道多少知识，而是它面对一个完全陌生的环境时，能否像人类一样自己去探索、理解、学习和解决问题。
🎯 它具体在测什么？
ARC-AGI-3的核心是评估AI的“流体式自适应效率”，也就是在陌生情境下快速学习和适应的能力。为此，它设置了150多个原创的、类似2D解谜游戏的交互式环境，考验AI的四个方面：
- 探索 (Exploration)
：在没有说明书的情况下，主动与环境互动，获取关键信息。 - 建模 (Modeling)
：将零散的观察拼凑成一个“世界模型”，预测自己行动的后果。 - 目标设定 (Goal-Setting)
：在没有明确指令时，自己判断出任务的目标是什么。 - 规划与执行 (Planning and Execution)
：规划出达成目标的行动路径，并根据反馈随时调整。
这个测试对AI的挑战极大，因为它严格剥离了对语言理解和外部知识的依赖，环境规则完全基于人类与生俱来的“核心知识先验”（如形状、空间、数量等）构建，而且要求AI以接近人类的效率来解决问题，如果AI用远多于人类的步骤通关，得分会很低。最终，所有测试环境都经过设计，人类可以100%解决，而发布初期的前沿AI系统得分普遍低于1%，形成了巨大反差。
更令人震撼的是它“一手包办”的能力：填税表、更新客户管理系统、分析科研数据、搭建网站、设计电路板、创建3D游戏 —— 用户不再需要把目标拆解成细碎指令，Astra会自行安排工作顺序，在浏览器、代码编辑器、专业软件之间无缝切换。
几乎同时，马斯克在G20峰会上公开表示：预计到2027年底，AI将能够完成所有不需要人类直接操作物理世界的数字工作。他进一步预测，未来12至18个月内，AI将在工程及其他数字领域达到极高的能力水平，人类将无法与AI竞争软件开发。
这两个信号叠加在一起，抛出一个扎心的问题：如果AI连“做事”都能包办，那些靠“做事”积累了几十年经验的人，价值还剩多少？
一个悖论：越资深的人，反而越难用好AI
这听起来反直觉 —— 经验丰富的人不应该更有优势吗？
但事实恰恰相反。
AI的工作逻辑与人类完全不同。
GPT-6 Astra在ARC-AGI-3测试中的表现揭示了这一点：它不靠“暴力试错”，而是自主构建“符号世界模型” —— 把观察到的环境抽象为逻辑符号和因果代码，在脑中模拟推演确认逻辑闭环后，才在现实中执行操作。它的平均操作步数比人类少51.7%。
这意味着什么？
意味着AI解决问题的方式，和我们过去十年、二十年练出来的“肌肉记忆”完全不同。
一个干了十年的程序员，遇到bug的第一反应是“查日志、打断点、翻源码”。
而GPT-6 Astra遇到问题的方式是：读代码库、安装依赖、运行程序、打开浏览器验证结果，遇到失败还会自动回溯原因，保存工作笔记 —— 整个过程不需要人类干预。
经验，在AI面前不再是护城河，反而可能成为牢笼。
因为经验越丰富的人，路径依赖越深。
他们习惯了“遇到A问题就用B方法”，而这个B方法，可能正好是AI不用的那一套。更致命的是，资深从业者往往对自己的方法论有很强的自信—— 这种自信在AI时代，会变成认知的围墙。
在最近Mixlab的AI训练营里，这种状态很真实地呈现了出来。
L，设计师，去年参加过，如今在字节AI设计组。按理说，大厂的核心部门、AI相关岗位 —— 他应该是离AI最近的那批人。但他这次回来复训的原因很具体：觉得大厂的流程不够规范，想找更系统化的方法把AI融入工作。
连身处AI浪潮中心的人都在焦虑“系统化”，恰恰说明经验本身并不自动转化为AI能力。
W也是设计师，同样上过两次的老学员。他看到有专为设计师准备的AI课程，想深度了解如何把设计思维与AI融合。
两位设计师，一个求“系统”，一个求“融合”，本质上是同一件事：他们带着设计领域的深厚经验走进AI世界，却发现自己的经验工具箱里，没有一把钥匙能直接打开AI这扇门。
AI训练营的真实价值：归零
这就引出了AI训练营的第一重作用，也是被绝大多数人低估的一重作用：归零心态，去掉习惯性思维。
很多人以为学AI是学Prompt技巧、学工具操作。
市面上绝大多数AI课程也确实在教这些东西。
但真正有价值的AI训练营，第一课从来不是“怎么用AI”，而是“怎么面对过去的自己”。
为什么？
因为AI原生思维和传统工作思维存在一个根本差异：传统思维是“我怎么做”，AI原生思维是“AI怎么做，我来判断”。
在过去，一个设计师拿到需求，脑子里想的是“用PS还是Figma，从哪一步开始画”。
而AI原生思维是：“把这个需求拆成哪几个子任务交给AI？AI返回的结果哪里需要我修正？最终方案如何由我拍板？”
这个转变听起来简单，但对干了十年设计的人来说，比学十个新软件都难。因为“我怎么做”已经写进了他们的神经回路 —— 每一次条件反射都在强化旧路径，每一次“顺手”都在加固那堵墙。
但与此同时，这一期里也出现了完全相反的样本。
A，纯小白，电脑使用和AI都是零基础。她的目标很直接：了解AI产品，做自己想做的事。初步想法是做一个自动化投研平台。
一个连电脑都没玩熟的人，敢想“造一个自动化投研平台” —— 这种目标设定方式，资深从业者几乎不会出现。不是因为他们能力不够，而是因为他们太清楚这件事“应该”有多难了，需要多少资源、多少代码、多少人力。
在AI时代，知道“不可能”的人，和不知道“不可能”的人，起点完全不同。
重新认识“知识地图”：AI原生思维的底层支撑
归零之后，下一步是重建。而重建的脚手架，叫作“知识地图”。
在AI原生教育体系中，知识地图不是课程目录或思维导图，而是一套动态的、个性化的认知导航系统。它不按“数理化”分科，而是以“问题”为节点，让学习者看到知识之间的真实关联。
这一期训练营学员的目标分布，恰好说明了“问题驱动”的知识地图逻辑：
C，营销背景，此前接触过AIGC，但Agent是完全陌生的领域。她想系统化了解Agent能实现什么、能提供什么解决方案。
Y，运维背景，想解决电商AI智能客服智能体问题，用AI给长时间在线的电商客服提效。
D，行政岗，计划出来做电商，想学网络和AI相关基础，为后续自己做电商做准备。
典型的六个人，横跨营销、设计、运维、行政，目标各不相同。如果训练营给所有人发同一张课表，那才是真正的问题。
知识地图的价值正在于此：它不规定你从哪开始，但保证你无论从哪开始，都能找到下一步。
斯坦福大学现代软件开发课程大纲又改了
AI原生思维：当“先问AI”变成条件反射
学员的背景还揭示了一个值得注意的现象：
营销、设计（三人）、运维、纯小白、行政——没有一个是程序员出身。
过去，能用AI做事的人，至少得懂点代码、懂点参数配置。现在，营销背景的C在想Agent能解决什么业务问题；行政岗的D在想AI怎么帮自己启动电商；纯小白的A敢想用AI造一个投研平台。
他们共同在完成一件事：把AI从“工具”变成“搭档”。
这就是AI原生思维的本质 —— 不是学会用某个AI软件，而是形成一种条件反射：遇到任何问题，首先思考AI如何参与。
当这种反射变成自然反应，你和AI之间就不再是“使用者与工具”，而是“提出问题的人与解决问题的人”。
Y带着电商智能客服的问题来，他找的不是一个“软件安装包”，而是一套“AI如何嵌入电商服务流”的思考框架。
这个框架一旦建立，不只智能客服，他运维工作中所有涉及“响应、判断、执行”的环节，都可能用AI重新做一遍。
关于训练营
当然，以上不是故事的终点。
背景不同、目标不同，认知起点更是天差地别。
有人带着明确的业务场景进来，有人还在摸索AI到底能做什么 —— 这两种状态之间没有高下之分，只是各自所处的阶段不同。
更现实的作用是：帮每个人看清自己当前的位置，知道自己缺什么、该往哪走，完成一次思维层面的“入门”。
在AI时代，能把自己的问题定义清楚，比能回答别人的问题重要得多。
结语
马斯克说2027年底AI将胜任几乎所有数字工作。无论这个时间表是否准确，趋势已经足够明确。
对那些深耕多年、积累了丰富经验的人来说，AI时代最大的风险不是被AI取代，而是带着旧地图去找新大陆。
AI训练营能做的，不是把任何人变成“AI大师”，而是帮人完成一次思维层面的“重装” —— 先归零，再重建。
知识地图是导航，AI原生思维是操作系统。
欢迎联系我了解具体内容：
你想开（做）一家什么样的Agentic公司（副业）？
