ARTICLE · 人工智能
AI 普及缓慢，是因为产品仍在要求用户学习“实验室黑话”？
一语总结本文通过六位 Builder 的观点，探讨 AI 普及缓慢的根源在于产品仍要求用户理解"实验室黑话"，并指出企业 Agent 与社交 AI 将是下一轮产品机会所在。
文章以"Builder X"专栏形式，汇编了六位科技从业者对 AI 产品现状与未来方向的判断。核心论点是：当前 AI 普及速度远低于能力提升速度，根本原因在于产品把 prompt、模型选择、Agent、context window 等技术概念推给了普通用户。Madhu Guru（Google）认为真正的突破性产品应让 Agent 消失在结果背后；Peter Yang（Roblox）展示了 /human-review Skill，强调 human-in-the-loop 应聚焦于最终审核而非逐步监督；Dan Shipper（Every）讨论了 Google 在 frontier coding 与 world models 之间的创新者矛盾；Guillermo Rauch（Vercel）展示了大规模并行 Agent 基础设施的演进；Aaron Levie（Box）预测未来 99% 的 token 将被企业任务消耗；Garry Tan（Y Combinator）以餐具制造类比 AI 内容检测的终将失去意义。文章由 Follow Builders Skill 自动生成。
- AI 普及缓慢的根源在于产品把技术概念推给了普通用户。
Madhu 指出，空白输入框看似简单，实际把问题定义、工具选择和工作流设计都交给了用户；真正的突破性产品应让用户只表达目标，系统自动决定模型、工具和执行方式。
- Human-in-the-loop 的合理分工是 Agent 执行 + 高效终审。
Peter 发布的 /human-review Skill 让 Agent 完成主要执行，人通过可视化编辑器做最终审核，避免在每一步都监督 Agent，提升协作效率。
- 企业 Agent 将成为 token 消耗的主体，并推动计算模式变革。
Aaron 预测未来 99% 的 token 将被企业任务消耗；Guillermo 展示的并行基础设施说明 Agent 计算正从单用户沙箱转向大规模并行调度，企业软件将从点击触发转向后台持续执行。
- AI 产品需要在短期竞争力与长期基础研究之间同时支持两种时间尺度。
Dan 以 Google 为例指出，市场要求更强的 coding agent，研究团队则关注 world models 等可能几年后才改变格局的方向，最难的是不因追逐短期 benchmark 而错过下一代架构。
AI 普及缓慢，是因为产品仍在要求用户学习“实验室黑话”？
文章以"Builder X"专栏形式，汇编了六位科技从业者对 AI 产品现状与未来方向的判断。核心论点是：当前 AI 普及速度远低于能力提升速度，根本原因在于产品把 prompt、模型选择、Agent、context window 等技术概念推给了普通用户。Madhu Guru（Google）认为真正的突破性产品应让 Agent 消失在结果背后；Peter Yang（Roblox）展示了 /human-review Skill，强调 human-in-the-loop 应聚焦于最终审核而非逐步监督；Dan Shipper（Every）讨论了 Google 在 frontier coding 与 world models 之间的创新者矛盾；Guillermo Rauch（Vercel）展示了大规模并行 Agent 基础设施的演进；Aaron Levie（Box）预测未来 99% 的 token 将被企业任务消耗；Garry Tan（Y Combinator）以餐具制造类比 AI 内容检测的终将失去意义。文章由 Follow Builders Skill 自动生成。
文章金句
"真正的大众 AI 不会教育用户如何使用 Agent，而会让 Agent 消失在结果背后。
"未来全球 99% 的 token 将被企业任务消耗。
"当工具足够普遍，读者关心的会重新变成观点是否有价值、作品是否好用，而不是创作者有没有调用模型。