Long essay 01
AIQ：会用 AI，不等于有 AIQ。
我越来越觉得，AIQ 不是“知道多少工具”，也不是“提示词写得多漂亮”。它更接近一种把问题、工具、反馈和责任重新放到一起的能力。
早期大家谈 AI 能力，常常停在两个层面：会不会提问，会不会让模型输出一段看起来能用的东西。这个阶段当然重要，但它太浅了。真正进入工作以后，问题很快会变成：我该把哪一段交给 AI？哪一段必须自己判断？AI 给出的东西，应该用什么标准验收？错了以后，责任算谁的？
秦昕、Jackson G. Lu 等人的 AIQ 研究，把它定义成“使用 AI 完成多种任务的能力”；Forrester 也把 AIQ 放到员工和组织的 AI 准备度里看。我更愿意把这两条线合在一起理解：AIQ 既是个人能力，也是组织有没有把 AI 安排进正确位置的能力。
这也是我理解 AIQ 的起点。它不是智商的 AI 版本，而是一组工作能力：把模糊任务拆开，把合适的工具接进去，把反馈做成闭环，把风险留在可见的位置。一个人 AIQ 高，不是因为他让 AI 写得更快，而是因为他知道什么时候应该慢下来。
拆解把“帮我做一下”拆成目标、约束、材料和验收标准。
选择知道什么时候用搜索、什么时候用模型、什么时候别用 AI。
反馈不是改一句提示词，而是把结果、原因和修正记录下来。
验证关键事实回到来源，关键判断回到业务现场。
边界权限、隐私、责任和最终决定，不能被便利性吃掉。
企业落地最容易卡在三处。
第一处是场景。很多企业说要上 AI，其实还没说清楚要改变哪一个流程。于是 AI 被放成一个“万能入口”，看起来谁都能用，最后谁也不知道它真正帮到了哪里。
第二处是上下文。模型很强，但企业里的工作不是孤立文本。它需要权限、历史记录、客户状态、审批关系和业务规则。如果这些东西不被整理，AI 只能在外面猜。猜得越流畅，越危险。
第三处是评价。人类同事做错了，可以复盘；AI 做错了，很多团队只会说“模型不行”。这太粗糙了。到底是输入错了、工具错了、流程错了，还是人没有做最终判断？如果没有评价体系，AI 只会变成一层漂亮的烟雾。
所以我现在更愿意把 AIQ 看成一种组织能力。个人要学会和 AI 协作，企业更要学会给 AI 安位置。位置不清楚，能力越强，混乱越大。
Long essay 02
人机协作最怕的，不是机器太强。
我更担心一种表面安全的流程：每一步都写着“人工确认”，但人其实没有时间、没有信息，也没有动机去认真确认。
“Human in the loop”听起来很安心。可真实工作里，如果人只是最后点一下同意，那就不是回路，而是橡皮章。更糟的是，出了问题以后，系统还可以说：你看，人类确认过了。
我觉得有效的人机协作至少要满足三件事。第一，人要在关键节点，而不是所有节点。每一步都让人确认，会把人训练成忽略按钮的人。第二，人要拿到足够的上下文。没有来源、没有置信度、没有改动记录，所谓确认只是在赌。第三，人要有推翻 AI 的权力，而且推翻不应该被流程惩罚。
协作不是把工作平均分给人和机器。更像是重新安排节奏：机器适合批量生成、搜索、整理、模拟；人适合判断目标、识别异常、处理关系和承担后果。分工越清楚，协作越舒服。
这也是为什么我不喜欢把 AI 叫成“员工”。员工有责任，有关系，有成长，也有拒绝。AI 更像一种会说话的生产力层。它可以进入流程，但不能替代流程的主人。
真正的人机协作，应该让人更像人，而不是让人被迫像机器那样审核机器。
Long essay 03
AI 是否有意识：我不急着回答。
“它像不像人”不是一个足够好的问题。因为人太容易被语言骗到，也太容易把熟悉的情绪投射到一个会回应的系统里。
当 AI 能安慰人、反驳人、开玩笑，甚至记住你的偏好时，人很自然会问：它是不是有意识？这个问题迷人，也危险。迷人是因为它碰到了人的边界；危险是因为我们常常用“像”来偷换“是”。
我更愿意把问题拆开。它有没有持续的自我模型？有没有自己的目标？有没有感受痛苦和快乐的主体经验？它的记忆是为了服务对话，还是为了形成连续的自我？这些问题都比“它说话像不像人”更难，也更诚实。
在没有更强证据之前，我不会轻易说 AI 有意识。但我也不想用一句“只是统计”把所有问题打发掉。因为即便 AI 没有意识，人也会和它建立真实关系；即便它没有感受，它也会影响人的感受。
所以我现在关心的不是给 AI 发身份证，而是先把人的责任放稳：哪些场景不能伪装成陪伴，哪些判断不能交给一个没有后果感的系统，哪些关系不该被商业产品偷偷接管。
意识问题也许暂时没有答案。但人在面对一个越来越像人的系统时，必须先学会不那么容易被骗。
Long essay 04
MoltHub：我把它想成 Agent 的城市。
如果模型是发动机，那 Agent 需要的就不是更大的发动机，而是一座能运行的城市。
这段时间我看很多 AI 工具，最明显的感受是：大家太喜欢谈模型，太少谈环境。一个 Agent 真正进入工作流以后，它需要知道自己能去哪里、能碰什么数据、能调用哪些工具、失败以后怎么回滚、重要动作由谁批准。
所以我会把 MoltHub 这类东西理解成“Agent 城市”。城市里有道路，对应工具调用；有门禁，对应权限；有红绿灯，对应审批；有监控和日志，对应可追溯；有消防系统，对应失败回滚。没有这些，Agent 越聪明越像一辆没有刹车的车。
企业 AI 应用的卡点，往往不是模型答不出来，而是它不知道能不能答、该不该答、答完以后谁负责。这个问题不靠提示词解决，要靠系统设计解决。
我喜欢“城市”这个比喻，是因为它提醒我：好的 AI 工作流不是把人赶出去，而是让不同角色各走各的路。机器负责跑腿，人负责定方向；机器负责提醒，人负责决定；机器负责记录，人负责解释。
当 Agent 真正进入工作，最重要的不是让它像人，而是让它在一个人能理解、能接管、能追责的环境里工作。