最近和几位做产品的朋友聊天，话题总会绕到同一个地方：AI到底在替谁干活，又抢了谁的活。

这个问题在过去一个月变得格外具体。大额融资落定、新模型密集发布、机器人走进真实场景、安全治理标准启动——AI行业的节奏没有慢下来，但讨论的焦点正在从“它能不能做”转向“它做了之后，人干什么”。

钱在往哪里去

资本市场的动作最能说明行业判断。智谱近期完成约50亿美元融资，资金主要投向下一代GLM基础模型、完全自训练体系和算力基础设施。所谓“完全自训练”，是让模型在上一代模型构建的环境中训练自己，形成一个递归式的自我改进循环。这条技术路线如果跑通，意味着模型迭代的速度将不再完全依赖人工标注和调参。

另一笔值得注意的融资来自AI编程公司Cognition AI，E轮融资20亿美元，估值达到480亿美元。更值得看的是它的收入曲线：年化收入从几个月前的不到5亿美元增长到近9亿美元。这个增速说明AI编程工具正在被真实的工作场景大量采用，而不是停留在试用阶段。

这两笔融资放在一起看，信号是清晰的：钱正在流向两个方向——底层模型能力的持续突破，以及能直接嵌入工作流程的垂直应用。

机器人开始“接单”

外滩大会的展区提供了一个观察产业落地的窗口。超过40家具身智能厂商集中亮相，但今年展示的重点不再是跑跳翻滚，而是“真干活”。

一个具体场景是药房。蚂蚁灵波和上海国大药房合作的机器人，已经在真实门店里运行。药房的环境比实验室复杂得多：货架之间最窄的通道只有约80厘米，药盒尺寸相近、透明包装反光、随机摆放造成视觉干扰。机器人在这种条件下自主接收订单、识别药品、完成抓取和交付，门店甚至不需要做任何改造。

更有意思的是“一脑多机”的思路。同一套机器人大脑，可以驱动不同形态的机器人在物流仓库分拣包裹，也可以在工业场景中完成零部件上下料。这意味着具身智能的竞争重心正在从硬件本体转向“大脑”的通用性。

京东在这条路上走得更远。他们公布了物理AI的几项布局：建设国产十万卡智算集群，两年内采集超1000万小时真实场景视频数据，未来五年在全国布局80余个机器人产业基地，同时计划五年内采购300万台机器人、100万台无人车及10万架无人机。这个采购量级本身就在传递一个判断：物流全流程无人化不再是一个遥远的构想，而是一个正在被执行的工程计划。

智能体的“分岔路”

大模型层面的竞争同样密集。OpenAI发布了GPT-6 Astra，重点强化的是计算机操作和任务执行能力，AI可以通过MCP协议自主操作软件、完成任务流程。Meta推出了个人智能体Muse，定位是帮用户处理预约、填表、监控家居等日常事务。DeepSeek则发布了V4.1 Flash，主打速度和成本优势，API调用价格大幅下调。

这些产品指向同一个趋势：AI正在从“对话对象”变成“执行主体”。但不同公司选择了不同的路径。有的押注通用能力的上限，有的深耕特定场景的效率，有的在价格上做文章以争取更广泛的用户基础。这种分化本身是健康的——说明行业还没有收敛到一种单一的“正确答案”。

腾讯的做法提供了一个有趣的中间样本。他们的Agent产品WorkBuddy主打的是“人机双写”模式：人负责判断和决策，AI负责执行到交付，一键输出报告、图表和简报，而不仅仅是给出一段建议。这种定位回避了“AI替代人”的二元叙事，转而强调分工。

治理的“围栏”正在搭建

能力的扩张总是伴随着边界的讨论。近期，两项智能体安全团体标准正式启动，分别涉及身份鉴别与授权技术框架，以及运行时安全技术要求。中央网信办也梳理了当前AI领域面临的安全风险，特别指出智能体正从“回答问题”走向“执行任务”，安全风险也从“生成有害内容”向“自主实施行动”加速跃迁。

一个值得关注的信号是，OpenAI公开表态支持推动强制性、基于能力的国家级AI安全法规，并支持加利福尼亚州的四项AI监管法案，涵盖独立安全评估、审计员标准、青少年保护和生物威胁防范。一家头部公司主动呼吁被监管，这在商业史上并不多见。合理的解读是：当AI开始“动手”做事，犯错就不再只是“说错话”，而是可能造成实际的物理或经济后果。行业需要一套各方认可的规则来建立信任，而信任是商业化的前提。

分工的重新定义

回到最初的问题：AI在替谁干活，又抢了谁的活？

从目前落地的场景看，答案更像是“重新划分工种”。药房机器人在夜间辅助药剂师完成分拣，药剂师的时间被释放出来做用药咨询和患者沟通。AI编程工具承担了大量重复性代码编写，工程师的工作重心向架构设计和问题定义转移。智能体处理预约、填表、数据整理这些“中间环节”，让人把精力集中在判断和决策上。

这个过程当然会有摩擦和不适，有些岗位的工作内容会被压缩甚至消失。但每一次技术工具的升级，本质上都是在重新回答“人应该把时间花在哪里”这个问题。AI给出的答案未必完美，但它正在逼迫我们更认真地思考这件事。

眼下这场“抢单”才刚刚开始，账还没算完。但有一点可以确定：那些能够清晰区分“什么该交给AI”和“什么必须自己做”的人，会在这场分工重组中站得更稳。