大模型迭代得越来越快，AI 能完成的工作也越来越多。以软件开发为例，AI 已经能够参与需求分析、方案设计、代码编写和测试。随着这些能力继续提升，软件的开发方式也会随之改变。
如果 AI 进一步通过机器人完成现实中的工作，家庭生活、企业经营和服务行业，又会发生怎样的变化？
可以先看看今天的人类社会。复杂的工作通常由不同专业、不同岗位的人分工完成，再通过协作交付结果。未来的 AI，是否也会形成类似的分工？
沿着这个方向推演，或许就能逐渐看清未来需要哪些技术和服务，以及当下有哪些契合发展方向、可以着手落地的项目。这也是“建模未来，践行当下”想讨论的问题。
当机器人走进家庭
编程只是一个例子。如果 AI 能通过机器人完成现实中的工作，它对日常生活的影响会更加直接。
设想一下，如果机器人已经能可靠地完成常见家务，价格也在普通家庭能够承受的范围内，那么家里有一个机器人助手，就可能像今天拥有洗衣机一样自然。清洁、整理、搬运，以及部分日常照料，都可能交给它来完成。
在此之前，机器人还需要解决可靠性、续航、维护和成本等问题。量产效率的提升，也会影响它进入普通家庭的速度。这里暂时放下就业和社会制度的讨论，先想一个技术问题：
这样的机器人，需要在本地掌握哪些知识和能力？遇到解决不了的问题时，又该向谁求助？
一个家务机器人，需要知道房间怎样布局、东西通常放在哪里，以及主人有哪些生活习惯。这些信息可以保存在本地。识别眼前的环境、控制动作、完成常见家务，也需要有相应的本地能力。
但为了整理房间，它没有必要同时具备所有领域最强的专业能力。遇到陌生问题，可以查询资料；需要处理专业问题时，可以调用工具，或者向更合适的模型求助。
这和人类处理问题的方式很相似。日常事务依靠已有经验，遇到不熟悉的事情就查资料，遇到专业问题则找专业人士。我们并不要求每个人都成为所有领域的专家。
因此，未来的机器人很可能采用类似的方式：在本地保留日常能力和个人记忆，需要时再连接云端，获取更多知识和专业帮助。
当然，通用知识和个人记忆需要分开处理。怎样整理房间，可以是一种共享的方法；某个家庭的物品位置、成员习惯和生活记录，则需要明确谁能访问、可以怎样使用。连接云端，不意味着把家里的所有信息都上传和共享。
AI 也会像人类社会一样分工吗
沿着这个方向想下去，未来的 AI 很可能也会像人类社会一样形成分工。
工业社会把复杂工作拆成不同环节，由不同的人负责，再通过协作完成。AI 的能力越来越强，但不同任务对知识、速度、成本和结果可靠性的要求，仍然存在差异。
这种分工，首先可能出现在行业之间。
医疗、法律和工程领域面对的问题不同，需要的资料、工具和判断依据也不同。服务这些行业的 AI，也会有不同的专业要求。
同一行业内部，还可以继续分工。
以软件研发为例，设计负责澄清需求、确定方案；编码负责把方案实现出来；测试负责检查功能、边界条件和失败情况。这些工作，也可以由不同的 AI 角色分别承担。
设计 AI 提出方案，编码 AI 完成实现，测试 AI 检查结果。发现问题后，再回到设计或编码环节修正。
这里的“不同角色”，不一定对应几个单独训练的模型。同一个基础模型，也可以使用不同的资料、工具和权限，承担不同职责。关键在于，每个角色负责什么，交付什么，以及下一步由谁接手。
至于一项任务是否需要这么多角色，还要看实际效果。有些问题一个模型就能解决，有些任务则值得拆开处理。分工是否有效，需要用结果、耗时和成本来判断。
分工之后，更需要规范和验证
当多个 AI 共同完成一项任务时，它们首先需要遵守同一套规范。
设计依据什么需求？编码允许修改哪些模块？测试怎样判断任务完成？哪些决定已经确认，哪些问题还需要讨论？
这些事情如果没有讲清楚，参与的 AI 再多，也可能各做各的。代码生成得很快，最后却很难拼成一个能持续维护的项目。
这也是规范驱动开发越来越重要的原因。
过去，一些约定可以留在开发者的经验里，靠团队成员相互理解来维持。随着 AI 加快实现速度，更多角色同时参与工作，原本没有写清楚的要求，就更容易变成分歧和错误。
而且，几个模型意见一致，也不能代替真实验证。如果它们都接受了同一个错误前提，就可能一起得出错误结论。
在我开发的编辑器工具中，AI 可以帮助理解需求、生成代码和解释报告；检查程序则负责读取真实数据，按明确的规则执行检查，并给出结果。开发者需要确定目标、审查方案，再根据实际使用情况继续修改。
生成速度越快，规范和验证越需要跟上。否则，增加的可能不仅是产出，还有后面需要处理的问题。
从行业分工，到企业专属 AI
AI 掌握了一个行业的知识，是否就能直接进入任何一家公司工作？
恐怕还不够。
一个程序员即使已经有丰富的开发经验，进入新公司后，也要重新熟悉项目架构、业务背景和开发流程。AI 要在企业里工作，同样需要了解这些事情。
通用模型知道“项目”“部门”和“审批”是什么意思，却不会天然知道这家公司由谁负责哪个项目，哪些系统允许修改，某个方案为什么曾经被否决，以及哪些信息只能在团队内部使用。
因此，未来每家公司都可能拥有一套理解自身业务的专属 AI。
它需要了解的，不只是产品介绍，还包括公司的组织架构、岗位职责、业务流程、内部规范、历史决策，甚至商业机密。
例如，一个研发助手接到修改需求后，除了理解代码，还需要知道当前版本有哪些限制、哪些模块由其他团队维护，以及这次修改必须经过哪些检查。
一个业务助手处理客户事务时，也需要了解公司的服务承诺、审批流程和以往的处理记录。
企业 AI 能查哪些资料、能执行哪些操作，都需要受到权限控制。它掌握某项信息，不意味着可以把信息提供给任何员工；它能够连接一个业务系统，也不意味着可以执行其中的所有操作。
这样的企业 AI，由谁来建设和维护？可以有两种主要做法。
供应商提供基础模型，企业自主管理
模型供应商提供通用的语言、推理和多模态能力。企业在此基础上接入自己的知识库、业务系统和工具，根据需要进行训练和定制，再自行负责部署、权限、更新和维护。
企业可以决定接入哪些数据、允许 AI 做哪些事，以及系统怎样运行。同时，也需要承担相应的建设和维护工作。
对于具备技术团队、希望掌握核心数据和运行控制权的企业，这可能是一条重要路线。
供应商提供成套方案，企业付费使用
供应商把模型、知识接入、工具连接、角色分工和运行维护整合起来。企业提供自己的资料和业务规则，配置员工与部门权限，再逐步用于研发、运营或内部服务。
这样，没有专门 AI 团队的公司，也有机会用上理解自身业务的 AI。
企业付费购买的，是一套能够处理实际业务、并由供应商持续维护的 AI 服务。因此，除了模型能力，还要看它能完成哪些工作、结果是否可靠，以及出了问题怎样处理。
涉及内部资料时，双方还需要讲清楚：供应商能接触哪些数据，资料是否会被用于其他训练，不同企业的数据怎样隔离，以及停止合作后怎样取回和删除资料。
这两种做法也可以结合使用。企业可以自行管理涉及核心业务的 AI，把其他工作交给托管服务。具体怎样选择，要看技术能力、业务要求和长期成本。
模型可以更换，企业的积累应该留下来
拥有企业专属 AI，不一定意味着必须训练一个自己的基础模型，也不一定要把所有资料都训练进模型参数。
企业知识可以放在知识库里，业务操作可以通过工具完成，权限规则和长期记忆也可以分别维护，再根据任务需要组合使用。
这样，基础模型可以不断升级，企业积累的知识、规则和工作经验则应该保留下来。
更换模型时，不应该让企业从头介绍一遍自己的组织架构，也不应该丢掉已经确认的业务规则。经过验证的处理方法，也应该能够在权限允许的范围内用于后续任务。
到了企业场景，系统需要选择的就不只是模型，还包括由哪个角色处理任务、使用哪些工具，以及允许访问哪些资料。
从未来回到今天，有哪些事情值得做
如果未来逐渐形成这样的分工，那么今天值得投入的方向，也就更容易看清楚了。
怎样整理企业资料，让 AI 查到正确的信息？怎样让个人和企业的经验长期保留下来？怎样连接业务系统、控制操作权限？多个 AI 怎样交接工作，又怎样确认任务真正完成？
这些都是现在可以着手解决的问题。
基础模型会继续进步，而让 AI 处理好一项具体工作，还需要有人把资料、工具、流程和验证方法接起来。
其中，一个很直接的问题就是：能不能让系统自己判断该怎样解决问题，减少用户在使用之前需要做的选择？
简单的问题直接回答，缺少信息就查资料，需要专业能力就调用合适的模型，需要操作就使用工具。遇到无法可靠处理的情况，也应该明确说明，或者请求进一步帮助。
这里要判断的，不只是问题“简单还是困难”。有些问题需要最新资料，有些需要特定工具，有些需要更长时间的推理，还有些需要人工确认。系统要能够识别这些差别，再检查自己的处理方式是否有效。
未来的通用智能，可以有一个统一的使用入口，而背后的工作由不同模型、工具和角色协作完成。
应应：先从模型选择做起
这也是我开发应应的出发点。
应应（Yingying）是我正在开发的一款 Android AI 对话应用。用户可以在同一个对话里提出问题，由服务端根据问题和对话上下文，选择回复模型与推理强度。
不同模型在能力、速度和成本上各有特点。但对更多用户来说，他们关心的是问题有没有解决，不希望每次提问前，都先研究模型名称和推理档位。
我希望应应能够承担其中一部分选择工作，让用户把注意力更多地放在自己要完成的事情上。
在解决模型选择问题之后，再逐步尝试让它调用专业工具、拆分任务，并检查任务是否真正完成。
对我来说，这是朝通用智能方向迈出的第一步：先让系统替用户做一部分工具选择，再通过实际使用，检查这样的选择是否有效。
本文讨论的家庭机器人、研发角色协作和企业专属 AI，仍是未来的设想。应应则是从其中一个具体问题开始做起，逐步积累经验。
目前可以下载应应（Android APK）体验。应用需要登录账号，模型调用按实际用量计费，具体规则和价格可以在应用里查看。
未来未必会完全按照今天的设想发展，但推演可以帮助我们选择方向。真正动手去做，才能知道哪些判断成立，哪些想法需要修改。
建模未来，让行动有方向；践行当下，让设想接受检验。