清华大学刘嘉教授在《通用人工智能》中，提出了一个洞察AI赛道机会的绝佳视角——他把「乔哈里视窗」和「关注度-价值双曲线」整合起来，帮我们一眼看清AI在哪些领域真正值得投入。
先说“关注度 vs 价值”曲线：
• 大众的注意力，会随着问题变深而迅速下降（比如 AI 绘画 ? AI 预测蛋白质结构，前者关注度碾压后者）
• 但AI真正的价值峰值，出现在“中等难度区间”——就是那些人类卡壳已久、AI却能轻松突破的问题区
再看四类知识状态中AI的表现：
?. 已知的已知（你懂，AI也懂）
例：公文、公式、标准流程
✅ AI效率高，但可替代性有限
?. 已知的未知（你知道你不懂，但AI可能懂）
例：蛋白质折叠、新材料设计
? 这里是AI创造奇迹的核心地带！
比如DeepMind的AlphaFold，一年预测2亿个蛋白质结构，相当于全人类十年实验成果的几千倍
?. 未知的已知（你不懂，但知识其实存在）
例：行业私有数据、内部经验
? 人类仍有优势，AI需依赖数据开放
?. 未知的未知（问题都还没被提出）
? AI目前还无法自主探索
? 结论已经很明显：
真正值得投入的AI方向，就是那些 “人类早就知道、却一直搞不定”的问题。
那里藏着最大的价值洼地，也是创业者和投资人最该聚焦的赛道。
还有哪些领域属于“已知的未知”？#ai #体验设计
先说“关注度 vs 价值”曲线：
• 大众的注意力，会随着问题变深而迅速下降（比如 AI 绘画 ? AI 预测蛋白质结构，前者关注度碾压后者）
• 但AI真正的价值峰值，出现在“中等难度区间”——就是那些人类卡壳已久、AI却能轻松突破的问题区
再看四类知识状态中AI的表现：
?. 已知的已知（你懂，AI也懂）
例：公文、公式、标准流程
✅ AI效率高，但可替代性有限
?. 已知的未知（你知道你不懂，但AI可能懂）
例：蛋白质折叠、新材料设计
? 这里是AI创造奇迹的核心地带！
比如DeepMind的AlphaFold，一年预测2亿个蛋白质结构，相当于全人类十年实验成果的几千倍
?. 未知的已知（你不懂，但知识其实存在）
例：行业私有数据、内部经验
? 人类仍有优势，AI需依赖数据开放
?. 未知的未知（问题都还没被提出）
? AI目前还无法自主探索
? 结论已经很明显：
真正值得投入的AI方向，就是那些 “人类早就知道、却一直搞不定”的问题。
那里藏着最大的价值洼地，也是创业者和投资人最该聚焦的赛道。
还有哪些领域属于“已知的未知”？#ai #体验设计
