从 Naval 的 AI 工业革命访谈出发，聊普通人如何把 AI 变成自己的小工厂，找到旧行业里的机会，并训练审美、判断和 taste。

TL;DR： Agent 时代最重要的能力，不是会不会写一条提示词，而是能不能建一个持续产出价值的小工厂，并在无限生成的结果里判断什么值得留下。

Naval 6 月 1 日发了一期很长的访谈，标题是 The AI Industrial Revolution。

表面上，他们在聊 AI、Agent、vibe coding、硬件、监管、医疗和艺术。真正贯穿全篇的，是一句更底层的话：不要再把自己定位成“干活的人”，要把自己变成“建造生产线的人”。

标题下面那句 Build your own factory 很关键。

这不是让每个人都去开工厂，而是说：未来值钱的东西，不再只是一次性交付一个结果，而是能不能把一类工作变成一个可复用、可扩张、可验证的生产系统。

从交付结果，到建造工厂

过去，一个人有价值，是因为他能交付某个结果：写一段代码、做一个方案、剪一个视频、写一份报告。

现在，Agent 会让这些结果越来越便宜。

真正的差异会迁移到更上游：你能不能定义目标，拆出流程，选择工具，设置检查点，安排人工验证，然后让系统持续产出结果。

所以普通人不要只问：

“我怎么用 AI 帮我写一篇文案？”

更好的问题是：

“我能不能把我反复做的这类工作，变成一个小工厂？”

比如：

销售线索研究工厂
短视频选题工厂
产品反馈分析工厂
合同初审工厂
客户回访工厂
行业报告生成工厂
公众号选题与排版工厂

单次使用 AI，是省时间。把 AI 固化成流程，才是资产。

不要省 token，省你的时间

Naval 在访谈里讲了一个很反直觉的点：不要盯着 token 成本，应该盯着自己的时间和最终产出。

这句话背后的财富观很直接：工业革命不是为了节省煤，而是为了节省人的稀缺时间。

Agent 时代也是一样。

很多人会卡在几美元模型费上，却浪费几个小时反复手工修、手工查、手工复制粘贴。这个账算反了。

更合理的方式是：探索期大胆并行，让不同模型给方案、互相批判、生成替代版本；交付期严格验证，检查事实、边界、测试、用户反馈和责任归属。

探索时可以浪费 token。

上线时必须提高验证。

这两件事要分开。

AI 会放大你的判断力

访谈里还有一句非常重要的判断：AI 的表现很大程度上会反映使用者在这个领域的水平。

高手用它，会得到高手级放大。新手用它，也会暴露新手的问题。

这不是说新手不能用 AI。相反，新手的门槛下降了很多。以前你会卡在环境、语法、报错和搜索里，现在 Agent 可以把你带过很多具体障碍。

但上限仍然来自你自己。

你能不能看出结果哪里错？哪里俗？哪里危险？哪里只是看起来完整，实际上没有抓住问题？

Agent 时代真正该训练的，不是提示词模板，而是四种能力：

第一，问题定义能力。你能不能把一个模糊愿望变成清晰任务。

第二，评价能力。你能不能看出结果好坏。

第三，反馈能力。你能不能告诉 Agent 下一步怎么改。

第四，边界意识。你知不知道模型什么时候会胡说、偷懒、模板化、过度自信。

这就是他们反复提到的 taste and judgment。

普通人的机会在哪里

这篇访谈最适合普通人借鉴的地方，不是“我要去做一个 AI 原生软件公司”。

更现实的机会在旧行业。

Blake Scholl 聊硬件工程时提到，很多复杂流程还停留在 Excel、邮件、手工传表、没有版本控制、没有自动测试的状态。AI 介入以后，小团队可以把原来很慢的工程流程软件化、自动化、可迭代化。

这对普通人很重要。

因为世界上大量行业不是没有钱，而是流程太旧：

工厂报价靠 Excel
装修预算靠微信和表格
诊所回访靠人工
物流异常靠电话
法律初稿靠复制粘贴
教育机构排课靠人脑
跨境电商选品靠经验和碎片工具
小型制造企业质检靠老师傅

Agent 时代的机会，不一定是去跟大模型公司竞争。

更好的问题是：哪个行业还有大量 Excel、邮件、PDF、截图、微信群、人工复制粘贴？

这些地方就是尚未软件化的工厂。

你把它们变成 Agent workflow，就是机会。

致富机会不是“用 AI 赚钱”

这里要冷静一点。

这不是投资建议，也不是“AI 副业月入百万”的故事。

更可靠的财富逻辑是：用 AI 降低生产成本，再把节省出来的能力转化成所有权、现金流、客户关系或股权。

普通人可以按这条路径找机会：

第一，找一个高频、昂贵、重复、低软件化的流程。

最好在你熟悉的行业里找。AI 放大的是你的领域判断，不会凭空给你行业洞察。

第二，用 Agent 做一个能跑的最小工厂。

不要一开始就做大平台。先做一个流程：输入是什么，Agent 怎么处理，哪里需要人工验证，最后交付什么结果。

第三，卖结果，不卖 AI。

客户不关心你用了哪个模型。他们关心省了多少时间，少犯多少错，多赚多少钱，少雇几个人，快多少天交付。

第四，把人工服务产品化。

一开始可以人工兜底，做“AI 加人工验证”的服务。等你积累了案例、数据、错误样本和行业规则，再逐步软件化。

第五，形成真正的护城河。

护城河不是“我会 prompt”，而是私有数据、行业流程、客户信任、分发渠道、验证体系、品牌、审美标准和责任能力。

人类会变成验证者

访谈里反复出现一个变化：AI 生成，人在关键处验证、签字、担责。

这不是低价值工作。

相反，验证者会更贵。因为他承担信任和后果。

AI 起草合同，律师验证关键条款。

AI 写代码，工程师验证安全和可维护性。

AI 做医疗研究摘要，医生验证适用性。

AI 生成建筑合规文档，专业人士验证风险。

AI 做品牌方案，创始人验证是否符合品牌灵魂。

未来很多人的职业护城河，不是“我比 AI 更会生成”，而是“我能对 AI 生成的东西负责”。

为什么最后会聊到艺术

访谈后半段有一个问题特别有意思：What’s Your Definition of Art?

这不是闲聊。

它其实是在问：当 AI 能生成图片、音乐、电影、软件、文章、产品原型，人类还剩什么？

Max 的答案接近“有意义的出圈行为”。也就是说，艺术不是随机怪异，而是某种跳出既有分布，并改变你未来轨迹的东西。

Naval 的答案更强调情感和意图：某个人感受到了某种东西，然后创造一个对象，让另一个人也感受到它。

Guillermo 的观察更产品化：当你看多了 Claude 生成的网站，就会发现它们有一种固定的字体、颜色、间距和气味。一旦某种风格被模型大规模复制，它就从创造变成了模板。

这三个人合起来，其实给了 Agent 时代艺术的三个条件：

第一，惊奇。它不能只是训练数据和流行模板的平均值。

第二，意义。它要改变人的感受、判断或行动。

第三，意图。它要让人感到背后有一个真实主体在表达。

所以我的理解是：Agent 时代的艺术，是人借助机器制造出的、有意图的、能穿透已有分布并改变他人感受轨迹的形式。

它不一定是画、电影、音乐。

它也可以是一款产品、一家公司、一个品牌动作、一套工作流、一种生活方式。

taste 会变成核心竞争力

当生成变得无限便宜，选择就变得无限重要。

你可以让 AI 生成 100 个标题、100 个页面、100 张图、100 个产品方案。问题是：你能不能看出哪一个有生命，哪一个只是正确废话，哪一个只是模型默认味道？

这就是 taste。

Kant 讲审美判断时，有一个很有意思的张力：它来自主观感受，却又带着“别人也应该看见它好在哪里”的要求。也就是说，taste 不是简单的“我喜欢”，它介于私人偏好和公共判断之间。

Hume 的思路更适合训练。他认为好的 taste 来自细腻感受、大量练习、广泛比较、摆脱偏见和长期校准。

放到今天，taste 不是装饰，而是商业判断力：

产品 taste：知道什么功能该砍，什么体验值得保留。

品牌 taste：知道什么话可信，什么话油腻。

设计 taste：知道什么界面有秩序，什么只是“看起来高级”。

内容 taste：知道什么观点有穿透力，什么只是 AI 生成的正确废话。

创业 taste：知道什么问题值得做，什么只是技术玩具。

普通人怎么训练 taste

训练 taste 不是每天刷更多内容。

更有效的方式，是比较、命名、复制、偏离。

第一，多看经典，也多看当下。

只看经典，容易变成博物馆审美。只看当下，容易被算法潮流拖着走。你需要同时建立时间检验过的标准和当代正在发生的语言。

第二，训练差异命名能力。

不要只说“好看”或“不好看”。要说清楚：是比例、节奏、留白、张力、材质、叙事、光线、语气、结构、反差、克制、动势，还是信息层级。

能命名差异，才有可能稳定提高判断。

第三，做横向比较。

每天拿三个同类作品并排看：一个经典作品，一个商业爆款，一个 AI 生成版本。问自己：哪个更有意图？哪个更俗？哪个更有记忆点？哪个只是模板？

第四，复制高手。

不要一开始就追求原创。先临摹一篇好文章、一张海报、一个网页、一个短视频脚本、一段电影调度。

复制不是为了发布，而是为了理解高手到底做了哪些选择。

第五，故意偏离。

复制之后，只改一个关键变量：把冷色改暖色，把快节奏改慢，把信息密度减半，把商业语言改成诗性语言，把日式构图改成包豪斯结构。

你会开始看见，一个变量如何改变整体气质。

第六，建立反 slop 清单。

每个模型都有默认味道。你要记录它常犯的审美错误：过度对称、过度光滑、过度解释、情绪空泛、标题党、假高级、模板化配色、没有真实细节。

下次生成时，先让 Agent 自查这些问题。

第七，去真实世界。

如果你的经验全部来自屏幕，你很难创造出屏幕之外的东西。

去看展、旅行、做饭、运动、和人聊天、观察街道、逛工厂、摸材料、听现场音乐。真实世界会给你对抗模型平均值的原材料。

第八，用 AI 当教练，不当主宰。

你可以让 AI 解释一个作品的构图、历史、流派和失败之处；让它生成 20 个版本；让它扮演严厉评论家。

但最后必须由你决定。

taste 不是让 AI 告诉你哪个好，而是你通过 AI 的海量变体训练自己的判断。

最后的判断

这篇访谈给普通人的方向，不是追最新模型，也不是背更多提示词。

真正值得押注的是五件事：

第一，用最强模型解决真实问题，不要省 token 省到浪费人生。

第二，选择一个你有行业感的旧流程，把它做成 Agent 小工厂。

第三，理解基本系统：输入、输出、数据、权限、测试、日志、反馈。

第四，成为某个领域的可信验证者，能对 AI 产物负责。

第五，持续提高 taste，因为当生产无限便宜，选择、删减、判断、意图和风格会变得越来越贵。

Agent 时代，人不应该只做执行者。

更好的位置，是导演、架构师、验证者和有 taste 的所有者。

财富会流向那些拥有杠杆、判断、分发、信任和审美标准，并能把这些东西固化成生产系统的人。

Agent 时代，普通人如何训练品味和机会感