乘风Sunshine

截至 2026年11月8日，币安这次被盗事件已经从最初的紧急止损阶段，进入资产补足、资金追踪和安全系统整改阶段。
我先说结论：
这不是一次简单的钱包私钥泄露，而是一次针对币安内部员工、开发环境和钱包签名系统的长期渗透攻击。
目前最重要的三个问题是：
63.4亿美元受影响资产，究竟有多少真正被盗？
已经被追回或冻结的资金有多少？剩余资金流向哪里？
币安是否已经完成用户资产补偿，交易所安全风险是否解除？
以下按照最新公开调查进展梳理。
一、事件到底是怎么发生的？
2026年10月29日—30日
根据币安11月3日公布的初步调查报告，这次攻击至少从2026年6月就开始准备。
攻击过程分为几个阶段：
6月：恶意开发工具入侵
攻击者通过被篡改的开发工具植入恶意软件，先控制一名工程师的电脑。
后续：假招聘、假面试
攻击者利用虚假招聘面试等社会工程学手段，进一步入侵另外两名工程师的电脑。
获取内部权限
利用窃取的凭证和内部AI工具，逐步获得钱包开发、容器部署等相关权限。
10月29日：控制钱包签名服务
攻击者在内部系统部署恶意脚本，绕过正常提现流程，发起未经授权的链上交易。
10月29日晚：多链资产被转走
涉及XRP、SOL、OP、BTC、ETH等资产，最终造成约63.4亿美元资产受到影响。
这里有一个非常重要的技术细节：
攻击者并没有被证实直接窃取钱包私钥，而是利用内部签名服务的权限漏洞，并结合以太坊 EIP-7702 授权机制，让恶意合约获得了部分执行权限。
这意味着，问题不只是钱包本身，而是交易所内部权限管理、开发环境和交易签名系统之间的安全隔离。
调查还原的最后一笔未经授权转账，是2961.9 ETH，于10月29日23:56 UTC最终上链。随后币安清除了相关EIP-7702授权。
资料：币安官方调查报告、路透社。Binance Blog +1
二、63.4亿美元，目前追回了多少？
这是目前最值得关注的数据。
截至11月3日币安公布的初步报告：
项目
金额
受影响资产总额
63.4亿美元
已冻结或拦截
28.5亿美元
币安补足受影响资产
约98%
剩余待补足
约2%
注意，这几个数字不能混为一谈。
冻结28.5亿美元，不等于追回28.5亿美元；补足98%，也不等于币安从黑客手里追回了98%。
币安是使用自己的资金购买相应代币，补偿受影响的资产缺口。
11月4日币安进一步公布：
已经准备超过100%的赔付所需资金。
98%的受影响代币已经补足。
剩余2%主要是流动性较差的代币，正在通过市场及场外交易渠道购买。
储备金证明覆盖范围从此前10种资产扩大到44种资产。
这意味着用户资产补偿与黑客资金追回，是两条独立的工作线。
幣安資訊 +1
三、黑客现在把钱转移到哪里了？
11月7日追踪进展
这是我认为整个事件最值得继续深挖的部分。
根据区块链分析机构 Elliptic 11月6日更新的调查，以及11月7日的进一步追踪：
20,000+
涉案资金关联钱包数量
16
涉及区块链网络
65,000+
相关链上交易
1.24亿美元
被盗山寨币兑换成BTC
31.1亿美元
仍在关联地址中的资产估值
28.5亿美元
已冻结或拦截的资产估值
目前可以确认的洗钱路径包括：
将被盗的不同代币分散到大量钱包。
通过跨链桥和去中心化交易协议进行兑换。
利用THORChain等跨链基础设施，将部分XRP、SOL等资产转换成BTC。
通过大量地址和交易进一步掩盖资金来源。
特别值得关注的是：
被盗XRP中约5000万美元已经通过兑换路径转换，主要换成BTC。
被盗SOL几乎全部已经经过混币、兑换或跨链操作。
额外约1.24亿美元的山寨币已经转换成BTC。
Elliptic认为，截至其11月6日的分析，真正完成套现的金额可能仍然很少。
这里有一个重要区别：链上转移、兑换和真正进入法币套现渠道，不是同一回事。
11月7日的进一步追踪还披露了超过10,000个钱包参与资金转移的情况。20,000多个钱包是Elliptic此前统计的累计关联钱包规模，两者统计口径和时间不同，不能简单相加。The Block +2
四、幕后黑手是谁？
FBI已归因
美国联邦调查局（FBI）将此次攻击归因于朝鲜相关国家级黑客组织 TraderTraitor。
这类组织过去就曾参与多起加密货币交易所及项目攻击。
值得注意的是，Elliptic的调查发现：
约1600万美元资金已经流入同时持有2026年9月Bitget攻击所得资金的地址。
这两起事件被认为可能与同一黑客组织有关。
黑客使用了高度自动化的资金转移程序。
目前没有证据证明是AI智能体自主决定资金转移策略。
所以，不能简单把这次事件理解为某个黑客利用AI写代码攻击交易所，更准确地说，这是一次长期策划、社会工程学渗透与内部权限滥用相结合的攻击。
Elliptic +1
五、币安自身有没有受到冲击？
有，而且不仅是安全方面。
根据路透社11月2日的报道：
黑客事件发生后，币安用户净流出约47.2亿美元。
约占平台资产规模的3%。
提现暂停超过两天后，11月1日开始逐步恢复。
币安联合CEO Richard Teng表示，公司财务状况依然强劲。
11月3日，币安表示用户资金流入与流出已经基本恢复正常。
另外，11月7日还有一项值得关注的人事消息：币安CFO何一确认相关财务负责人交接属于此前六个月已经规划的安排，并非因这次黑客事件临时离职。不能将两者直接建立因果关系。
Reuters +2
六、接下来最值得关注的时间节点
事项
当前进度
用户资产补足
约98%完成
黑客资金冻结
约28.5亿美元
提现恢复
分阶段进行
钱包系统重建
币安称已完成相关系统整改
第三方安全审查
正在推进
黑客资金追踪
持续进行
完整事故复盘
等待后续公布
11月6日币安还表示，计划在11月13日前后继续恢复更多代币提现，包括HYPE、INJ、APT、PLASMA、NEAR和LTC等，具体仍以官方公告为准。The Block +1
七、我的判断：这次事件真正值得警惕的是什么？
我认为有三个层面的影响。
第一，中心化交易所的安全边界需要重新评估。
过去大家关注的是私钥有没有泄露、冷钱包有没有被攻破。
但这次事件说明，即使私钥没有直接泄露，如果攻击者控制了签名服务的执行权限，依然可能造成灾难性损失。
第二，黑客洗钱已经进入多链协同阶段。
超过20,000个钱包、16条链、65,000笔交易，这不是普通个人黑客能够轻易完成的操作规模。
更重要的是，资金跨链、兑换、借贷、混币之后，追踪难度会明显提高。
第三，币安补足用户资产，不代表事件已经结束。
真正需要观察的是：
剩余黑客资金是否继续转移？
资金最终会不会进入OTC场外交易网络？
币安第三方审计能否验证其安全整改？
SAFU资金规模是否恢复？
其他交易所是否会加强签名系统的独立验证？
八、我建议下一步重点做一件事：追踪黑客资金流向
这件事其实可以继续做成一份完整的链上调查报告。
币安63.4亿美元被盗事件：资金追踪专题
重点追踪四条资金链：
原始被盗钱包：11条链上的初始资产及地址。
中转钱包：20,000多个关联钱包之间的资金拆分与归集。
兑换路径：THORChain、跨链桥、DEX、借贷协议及隐私池。
最终接收端：BTC归集地址、交易所、OTC以及疑似场外资金通道。
重点目标：区分已冻结、仍在黑客控制、已兑换、疑似混币、疑似套现五类资产，避免把链上转移误判为实际提现。
我建议把11月7日作为新的资金追踪基准日，重点追踪剩余约31.3亿美元关联资产，以及已经转换的约1.75亿美元BTC。 这两个数字来自Elliptic最新统计，不能简单相加，因为它们属于不同资产状态的统计口径。Elliptic
参考原始资料：
币安官方：11月3日安全事件调查报告⁠
币安官方：11月4日资产补足公告⁠
Elliptic：11月7日黑客资金洗钱追踪报告⁠
Reuters：假招聘面试攻击调查⁠

北京时间10月30日凌晨，一场可能载入加密货币安全史的攻击发生了。
币安多个热钱包遭到异常转账，涉及资产约63亿美元，覆盖多个区块链网络。
这不是普通的钱包盗窃。
最可怕的地方在于：黑客似乎没有直接破解区块链，而是成功利用了交易所自己的交易签名和执行体系。
我把这次事件的链上记录和公开调查重新梳理了一遍，有几个细节非常值得关注。
一、凌晨4:20，Binance 14被悄悄接管
攻击者盯上了币安的主力热钱包 Binance 14。
这个钱包长期负责大量资金流转。
攻击者使用的是以太坊 EIP-7702 机制。
简单解释：普通以太坊钱包可以通过授权，把部分执行能力委托给智能合约。
一旦授权成功，合约就能按照预设逻辑执行钱包操作。
凌晨4:20左右，攻击者提交了一笔包含50个预签名授权的交易。
为什么是50个？
因为每份授权对应不同的Nonce（交易序号），攻击者无法准确预测钱包当时的Nonce，于是一次准备了50种可能性。
最终只有一个匹配成功。
Binance 14的账户执行权就这样被委托给攻击者的恶意合约。
二、4分钟后，约25亿美元被一次性转走
凌晨4:24，攻击者调用恶意合约执行Sweep操作。
一次交易转走：
167,464 ETH
约16.15亿美元USDT
另外60多种代币
合计价值约25亿美元。
更令人震惊的是，24秒后，另一个热钱包 Binance 16 又向同一个攻击者地址转出约28,005.6 ETH，以及大量其他资产。
这笔交易同样是正常签名转账，并非简单复制Binance 14的授权操作。
这意味着，攻击者能够触及的可能不止一个钱包。
三、最离谱的是，钱包被盗后，自动归集系统还在工作
攻击者没有停止收割。
由于用户充值资金仍然按照原有流程归集到热钱包，已经被恶意授权的Binance 14继续接收资金。
链上调查还记录到一笔约2亿USDT的后续资金补入。
72秒后，这笔钱也被攻击者扫走。
这才是整个事件最值得警惕的地方：
钱包已经出现异常，资金归集机制却没有及时切断。
这不是单纯的一笔盗币交易，而是攻击者利用自动化系统持续收割。
四、这次事件到底损失了多少钱？
最初很多人只关注以太坊上的资金流。
但后续TRM Labs和Bitquery的跨链调查显示，攻击范围远远超出了Ethereum。
目前公开调查显示：
约63亿美元资产从币安17个热钱包流出。
涉及9至10条区块链网络（不同机构统计口径略有差异）。
比特币网络约有18,270 BTC被转出。
TRON网络约有6.13亿USDT被转出。
以太坊还有大量ETH、USDT及其他代币被盗。
XRP、Solana、Base、Optimism、Avalanche等网络也受到波及。
这已经不是一个钱包被攻破，而是交易所多个资金通道同时出现异常。
五、稳定币能够冻结，ETH却没有那么容易
这次事件还有一个特殊之处：中心化稳定币发行方能够冻结相关资产。
Tether冻结了约15.7亿美元相关资产，Circle冻结超过8亿美元，Ripple和World Liberty等机构也参与了资金冻结。
币安官方随后披露，已经与合作伙伴冻结约30亿美元资产。
但要注意：
被冻结不等于已经追回，更不等于所有受影响资产都已经回到币安。
ETH没有USDT那样的发行方黑名单机制，不能由某个中心化机构直接冻结主网账户。
截至Bitquery的后续链上快照，攻击者仍持有约50.86万ETH，另有约18,270 BTC。这里的ETH数量包含攻击者用被盗资产兑换购买的部分，并非全部直接从币安转出。
六、币安官方给出的初步解释，和链上细节有一个关键区别
10月30日，币安发布安全事件公告：
初步调查认为，攻击可能与一名DevOps工程师的笔记本电脑被入侵有关，攻击者借此进入服务容器，提交未经授权的提现交易。
币安表示，目前没有发现钱包私钥泄露的证据。
同时承诺：
暂停相关充提业务进行安全检查。
撤销受影响地址的授权。
使用SAFU基金及公司资金承担全部损失。
后续公布更新后的储备金证明。
这里有一个非常重要的区别：
链上能够证明交易经过了有效签名，但无法单凭交易记录证明私钥究竟是如何被使用的。
所以，不能简单下结论说币安的私钥已经泄露。
更可能需要调查的是：内部设备、服务容器、交易审批以及签名基础设施之间，究竟哪个环节失去了安全控制。
另外，TRM Labs将攻击归因于朝鲜黑客组织TraderTraitor，给出了高置信度判断，但这仍然属于第三方安全机构的归因，不是币安官方公布的最终结论。
七、这次事件给整个加密行业敲响了警钟
我认为，这次事件最值得思考的不是黑客究竟有多厉害，而是交易所的安全体系是否还停留在过去。
过去，大家认为：
私钥不泄露，资产就安全。
但现在，这个逻辑已经不够了。
设备可以被入侵，内部服务可以被控制，签名系统可能被滥用，自动化归集甚至可能成为黑客的帮手。
未来交易所至少需要重新审视几个问题：
签名授权是否具备独立的多重审批？
大额转账能否通过实时异常检测拦截？
热钱包是否应该设置自动熔断机制？
钱包一旦出现异常，充值归集能否立即暂停？
不同链、不同钱包之间是否真正实现权限隔离？
还有一点值得注意：
EIP-7702本身不是漏洞，AI也不是这次攻击已经得到证实的原因。真正需要警惕的是，攻击者正在利用越来越复杂的技术，寻找传统安全体系的薄弱环节。
最后说一句：
加密行业一直在讲去中心化、讲代码即法律、讲资产自主权。
但交易所依然承担着数亿用户的资产托管责任。
当一个热钱包被接管，自动归集系统还在源源不断地给黑客送钱，这就不是单纯的技术问题了。
63亿美元，买来了一堂极其昂贵的安全课。
下一轮行业竞争，除了交易深度、流动性、产品和用户规模，还必须比拼一件事：
谁能真正守住用户的资产。
技术进步越快，安全体系就越不能落后。
这次事件还没有结束，真正的答案，要等币安完整的技术调查报告。
主要核对来源：
币安官方：Security Incident Update（10月30日）⁠ —— 初步入侵路径、63亿美元影响、冻结资产及赔偿承诺。
TRM Labs：朝鲜TraderTraitor与币安攻击调查⁠ —— 50个授权、跨链攻击及攻击者归因。
Bitquery：币安热钱包攻击链上调查⁠ —— 17个热钱包、资金流向、冻结情况及攻击者余额。
Cointelegraph：EIP-7702与签名基础设施分析⁠ —— 50个授权及私钥滥用与私钥泄露的区别。
CoinDesk：币安储备金与热钱包资产分析⁠ —— Binance 14与储备金证明的关系。
Reuters：TRM对攻击者身份的归因报道⁠ —— 朝鲜黑客组织归因。

当一个人可以调用几十个 AI，完成过去一个团队才能完成的工作，真正稀缺的东西就变了。
过去，一个普通人想创业，需要资金、团队、技术、渠道。
你想做自媒体，需要写手、设计师、剪辑师；想开发一个产品，需要程序员、产品经理、运营人员；想做一家小公司，需要销售、客服、财务，甚至还需要一个顾问团队。
但现在，这些事情的门槛正在被 AI 一点点打下来。
你可以让 AI 帮你研究市场、分析竞争对手、撰写文章、制作图片、生成视频、编写代码，甚至让 AI 代理执行一连串任务。
2026 年，这个趋势已经不只是概念。
9 月，OpenAI 推出了面向长期任务的 Agents API；10 月，Google 推进 Gemini Agent 在办公场景中的应用；Anthropic 持续加强 Claude 在编程和知识工作中的能力。与此同时，DeepSeek 等模型也在继续推进多模态、推理效率与成本优化。
这些变化说明，AI 正在从一个“回答问题的工具”，向一个“能够参与完成工作的系统”演进。
参考：OpenAI Agents API、Google Gemini at Work 2026、Anthropic 最新动态。
于是，一个问题摆在所有普通人面前：
当 AI 越来越强，我们究竟还有什么价值？普通人的机会到底在哪里？
我的判断是：
未来几年，最大的机会未必属于最懂 AI 的人，而更可能属于那些能够把 AI 变成真实生产力、把生产力变成收入的人。
这两者之间，差着一个完整的商业世界。
一、先看清楚：AI 产业究竟发展到了哪一步？
如果你还把 AI 理解成一个能够聊天、写文章、画图片的机器人，那么你可能低估了这场变化。
AI 正在同时改变知识生产、软件开发、内容创作、企业运营和人与机器之间的协作方式。
我们可以把目前的 AI 能力，分成六个层次。
1. 大语言模型：把知识和思考能力变成可调用的服务
代表产品包括 OpenAI 的 GPT、Anthropic 的 Claude、Google 的 Gemini，以及 DeepSeek、通义千问、Kimi、智谱等模型。
它们能够帮助用户分析问题、总结资料、撰写内容、编写代码、处理文档、制定计划。
过去，你需要向专家请教的问题，现在可以先让 AI 帮你拆解；过去，你需要花几个小时阅读的材料，现在可以先让 AI 提取重点。
它最大的价值，不是让每个人都成为专家，而是让更多普通人能够以较低成本调用专家级工作流程中的部分能力。
但它也有明显缺点：
可能产生看似合理、实际错误的答案。
对真实世界的理解并不总是可靠。
对复杂任务的判断和执行，仍然需要人类监督。
通用能力强，不代表它真正了解你的行业、客户和业务。
因此，使用大模型最重要的能力，不是会提问，而是知道应该问什么、如何验证答案，以及如何将答案用于真实场景。
2. AI Agent：从回答问题走向执行任务
如果说大模型负责思考，那么 Agent 就是在模型的基础上，加入工具、记忆、工作流程和执行能力。
例如，你可以让一个 Agent：
先搜索行业信息，再筛选竞争对手，接着整理数据、生成报告，最后把结果保存到指定文件中。
在权限和工具允许的情况下，它还可以操作网页、处理文件、调用程序，完成跨多个步骤的工作。
OpenAI 的 Agents API、Google 的 Gemini Agent，以及各种编程代理，都体现了这个方向。
但必须注意：能够执行任务，不等于能够独立承担结果。
Agent 仍可能误解目标、操作失败、使用错误数据，甚至在授权不当时造成损失。
它适合承担可拆解、可验证、可重复的工作，而不应该在没有监督的情况下接管所有关键决策。
对普通人而言，这意味着一个巨大的机会：
以前，一个人只能亲自完成有限的工作；未来，一个人可以设计流程，让多个 AI 分别执行不同任务。
你的价值将逐渐从“亲手做完所有事情”，转向“设计一套能够稳定产出结果的系统”。
3. AI 编程：让不会写代码的人也能参与产品开发
AI 编程工具正在降低软件开发的门槛。
以 Claude Code、OpenAI 的 Codex、Google Antigravity 等工具为代表，用户可以用自然语言描述需求，再由 AI 辅助编写、修改和调试代码。
一个没有专业开发团队的人，也有机会做出简单的网站、数据工具、自动化脚本，甚至产品原型。
但这里存在一个重要区别：
能把产品做出来，不代表能把产品经营起来。
AI 可以帮助你生成代码，却不能自动替你找到客户、验证需求、处理所有安全问题、保证长期稳定运行。
因此，普通人不一定要把目标定为成为程序员。
更现实的方向，是先学习用 AI 解决一个具体问题，例如自动整理订单、分析销售数据、制作客户管理工具，或者把重复的人工流程自动化。
技术是手段，解决问题才是目的。
4. AI 图像与视频：内容生产成本正在下降
图像生成、视频生成、配音、数字人和智能剪辑，正在改变内容产业。
例如，GPT 的图像工具、Google 的图像生成工具，以及可灵、Seedance、Runway 等视频工具，都在让个人以更低的成本制作视觉内容。
截至 2026 年 10 月，视频生成工具已经在不断增强参考素材控制、镜头生成、视频编辑和音画协同能力。相关工具的最新功能可以参考 Runway 模型与 API 文档。
这意味着，一个人也有机会完成过去需要编导、摄影、设计和后期团队协作的部分工作。
但内容制作的门槛降低，不代表内容本身更值钱。
当所有人都可以低成本生产视频，普通的视频就更容易被淹没。
AI 能生成画面，却不能保证用户愿意看；能模仿表达风格，却不能自动建立真实信任；能批量生产内容，却不保证内容能够带来订单。
因此，未来内容创作的竞争重点，将从“谁能做出来”，逐渐转向“谁知道做什么、给谁看，以及如何持续获得信任”。
5. AI 搜索与研究：信息差正在被压缩
传统搜索主要解决“去哪里找信息”的问题。
新一代 AI 搜索和研究工具，则开始帮助用户整理多种来源、提炼观点、比较证据、形成报告。
这对研究、投资分析、市场营销、咨询和内容创作都有价值。
但信息检索效率提高，不意味着信息判断能力不再重要。
AI 可能遗漏关键资料，也可能把相关性当成因果关系，或者把不同时间、不同口径的数据混在一起。
所以，未来真正有价值的研究者，不是收集资料最多的人，而是能够找到可靠证据、提出正确问题，并作出合理判断的人。
6. 多模态 AI：文字、图片、声音、视频和软件正在融合
过去，文字、图像、音频和视频往往需要不同的工具处理。
现在，多模态模型正在让这些能力更加紧密地结合。
你可以用文字描述创意，让 AI 生成图片；用图片指导视频制作；用语音进行交流；再把生成的内容整理成完整的产品或营销方案。
这让一个人的能力边界进一步扩大。
但它也带来了新的问题：版权归属、虚假内容、个人隐私、数据安全，以及对生成结果的审核。
越是容易生产的东西，越需要判断它是否真实、合规、有价值。
二、不同 AI 到底怎么选？不要迷信某一个模型
今天的 AI 竞争，不是某一个模型在所有领域永久领先，而是不同产品在推理、编程、长文档、多模态、速度、价格和生态上各有侧重。
以下是普通人可以采用的工具选择框架。它不是绝对排名，具体效果还要根据任务、版本、套餐和使用环境测试。
工具或产品
主要优势方向
需要注意的局限
适合的任务
ChatGPT / GPT
综合分析、写作、工具协作与复杂任务
仍需核查事实，部分能力受套餐限制
研究、内容、规划、工作流
Claude
长文本处理、代码协作、复杂知识工作
可用功能、价格和接入方式因地区及套餐而异
文档、编程、分析
Gemini
Google 生态协作、多模态与办公场景
具体功能受地区、账户和产品版本影响
资料处理、办公、内容创作
DeepSeek
推理、性价比与开发者生态中的部分场景
不同模型版本的能力和部署方式不同
分析、编程、低成本调用
通义千问 Qwen
中文与多语言任务、模型部署及开发应用
不同型号和许可条件存在差异
中文业务、开发、私有化应用
Kimi
长文本、资料研究和复杂任务处理
效果受具体版本、输入质量和任务类型影响
阅读、研究、资料整理
智谱 GLM、MiniMax 等
编程、智能体、多模态或特定业务场景
需要按实际任务比较，不宜只看宣传指标
开发、语音、自动化等
可灵、Seedance、Runway 等
视频生成、参考素材控制和视觉创作
成本、稳定性、人物一致性与商用条款需核查
短视频、广告、视觉内容
关于中国模型的开放权重和部署方式，可参考 中国前沿模型跟踪；关于模型的最新能力和价格，则应以各家官方公告为准。
这里有一个非常重要的结论：
不要把大量时间花在寻找“最强 AI”上，要寻找“最适合自己赚钱流程的 AI”。
同样一份任务，可以用两到三个模型做小规模测试，比较准确率、修改次数、耗时和总成本，然后固定最适合自己的工具组合。
比如：
一个模型负责资料研究。
一个模型负责批判性审查。
一个模型负责整理成最终内容。
一个自动化流程负责归档、排期和重复操作。
你不需要每天追逐所有新模型。你需要建立一套稳定、可复用的生产流程。
三、AI 时代最大的误区：以为会使用工具，就等于拥有竞争力
这里有一个值得认真思考的问题。
假设两个人都能熟练使用 AI。
第一个人每天用 AI 写十篇文章、生成几十张图片、制作几个视频。
第二个人用 AI 研究一个细分市场，找到客户的真实问题，设计产品，建立销售渠道，再用 AI 完成交付和售后。
两个人都在使用 AI，但他们的结果可能完全不同。
第一个人获得的是生产效率。
第二个人建立的是商业系统。
前者的产出可能随着工具普及而迅速贬值；后者则可能因为更了解客户、更接近交易、更有交付经验而积累优势。
微软在 2026 年的 Work Trend Index 中指出，AI 使用正在从内容生产延伸到分析、解决问题和决策支持；受访者也强调了批判性思维与审核 AI 输出的重要性。
参考：Microsoft 2026 Work Trend Index。
因此，真正值得普通人建立的，不是单纯的提示词技巧，而是以下四种能力。
第一，发现需求的能力。
知道别人有什么问题，什么问题值得解决，谁愿意为解决方案付费。
第二，整合资源的能力。
把模型、工具、数据、渠道和合作伙伴组合起来，让一件事能够完成。
第三，建立信任的能力。
客户为什么相信你？为什么愿意听你的建议？为什么选择向你购买，而不是直接使用 AI？
第四，交付结果的能力。
不是把一份 AI 生成的文档交出去，而是帮助客户完成真正有价值的事情。
AI 会让很多技能变得廉价，但需求判断、信任、责任和商业结果，不会因为生成内容变得容易就自动消失。
四、普通人的机会在哪里？我更看好这六个方向
并不是每个人都适合开发大模型，也不是每个人都应该去创业。
对大多数普通人来说，更现实的机会，是从自己已有的经验、行业和资源出发，用 AI 放大能力。
机会一：AI 内容创业——从生产内容转向经营受众
如果你会写作、表达、研究某个领域，或者已经有一个小型社群，那么你可以利用 AI 显著降低内容生产成本。
但不要把目标定成每天发布多少篇文章。
应该建立一个完整的内容系统：
找到一个明确的受众群体。
持续研究他们关心的问题。
把研究转化为有判断、有观点的内容。
通过文章、视频、社群等渠道触达受众。
再通过咨询、课程、会员、服务或合规的商业合作变现。
例如，你长期研究 AI 工具，可以每周发布一份实测报告：某个工具到底能不能节省时间、适合谁、有什么限制、怎样使用最划算。
AI 帮你搜集资料、整理结构、辅助写作；你负责真实测试、观点和最终判断。
你的壁垒不是“我会让 AI 写文章”，而是“我能够持续提供某个领域值得信任的信息”。
机会二：AI 服务商——帮助传统行业解决具体问题
这是我认为很多普通人容易忽视的方向。
大量小企业并不需要自己研发 AI，也没有必要组建庞大的技术团队。
它们更关心的是：
能不能减少重复客服工作？
能不能更快整理客户资料？
能不能自动生成报价和业务报告？
能不能降低短视频和营销内容的制作成本？
能不能把散落在文档、表格和聊天记录里的信息整理起来？
你可以先选择一个行业，例如餐饮、教育培训、跨境电商、房产中介、咨询服务或本地生活服务。
找到其中一个重复、耗时、能够衡量结果的流程，再用现有 AI 工具帮客户优化。
OpenAI 在 2026 年发布的小企业相关分析中提到，许多创业者正在把 AI 当作一种可以灵活调用的业务能力，用于营销、客户沟通、产品开发和运营，而不只是把 AI 当成单独出售的产品。
参考：AI is becoming a first hire for small businesses。
你可以从一个很小的项目开始：
例如，帮助一家商家把原本需要员工每天手动整理的客户咨询、常见问题和跟进记录，变成有模板、有分类、有人工审核的半自动流程。
先证明它确实节省时间，再谈收费和扩大服务范围。
机会三：AI 自动化——一个人拥有小团队的生产力
如果你不想靠流量赚钱，也不想持续为客户提供定制服务，可以尝试把重复任务做成自动化流程。
例如：
定时收集某个行业的公开信息。
自动提取关键信息并分类。
生成待审核的日报或周报。
把内容保存到知识库。
通过授权的工具发送提醒或更新任务状态。
更进一步，可以把多个步骤连接起来，让 AI 分别承担研究、审核、写作和整理工作。
不过，自动化不是把每一步都交给 AI。关键在于把流程拆解清楚，规定输入、输出、检查标准和异常处理方式。
对于涉及资金、账号、隐私数据或对外发布的操作，必须设置明确权限和人工确认。
真正有价值的自动化，不是看起来很炫，而是每周都能稳定地节省时间，或者持续创造收入。
机会四：AI 知识产品——把经验做成可重复交付的产品
很多人以为，只有顶尖专家才能出售知识。
事实上，只要你能够帮助某一类人解决一个具体问题，就有机会形成产品。
例如：
某个行业的 AI 工作流模板。
一套经过验证的内容生产方法。
面向某类岗位的 AI 培训。
一个垂直领域的研究资料库。
针对某类企业的操作手册。
但要避免一个陷阱：把 AI 生成的大量资料简单打包出售。
信息本身越来越便宜，真正值得付费的是筛选、验证、组织、场景适配和可执行的方法。
一个有价值的知识产品，应该能让用户更快完成任务，而不是让用户获得更多需要自己消化的信息。
机会五：AI 编程与微型软件——从解决自己的问题开始
如果你愿意学习一点技术，这是一个值得探索的方向。
不要一开始就想着开发一个拥有百万用户的平台。
先找到一个具体场景：
某类人每天都在做什么重复工作？现有工具为什么不好用？这个问题是否足够频繁、足够痛苦？
然后用 AI 编程工具做一个最小可用产品。
例如，一个行业报价计算器、内容管理工具、数据分析面板，或者能够把特定格式文件自动整理成报告的小工具。
先让三到五个真实用户试用，再根据反馈迭代。
要特别注意数据安全、软件稳定性、授权许可和维护成本。
AI 降低了开发门槛，但能否持续获得用户，仍然取决于产品解决的问题是否真实存在。
机会六：成为某个行业的 AI 增强型专业人士
并不是所有机会都来自创业。
对于已经有工作的人来说，风险更低、见效可能更快的路径，是在原有职业中建立 AI 优势。
销售人员可以用 AI 研究客户、整理会议记录、准备沟通方案。
运营人员可以用 AI 分析数据、设计活动、生成报告。
研究人员可以用 AI 筛选资料、比较观点、辅助分析。
设计师可以用 AI 快速探索创意方向。
财务和行政人员可以在合规前提下，用 AI 处理文档、分类信息和自动化重复流程。
你的目标不是让 AI 替你完成所有工作，而是让你在同样的时间内，能够完成更多、更复杂、质量更高的工作。
如果你能把这种提升转化为清晰的成果，例如节省了多少时间、减少了多少错误、提高了多少转化率，那么它就可能成为晋升、加薪或者换工作的筹码。
五、如果没有资金、技术和人脉，应该怎么开始？
如果你现在没有团队、没有产品、没有特别突出的技术能力，我建议不要同时追逐六个方向。
先选择一条最容易验证的路径。
我的建议是：
先用 AI 提升自己的生产力，再用它解决别人的问题，最后才考虑把解决方案做成产品。
这条路径的好处，是你不需要一开始就投入大量资金，也不需要先赌一个宏大的商业概念。
你只需要完成三个阶段。
第一步：选择一个你有机会接近的市场
不要从“AI 能做什么”开始。
从“我了解谁、谁有什么问题、我能接触到谁”开始。
如果你熟悉电商，就研究电商商家的运营问题。
如果你擅长写作，就研究内容创作者的生产流程。
如果你有销售经验，就研究客户开发和跟进的效率问题。
如果你熟悉某个行业，就优先在这个行业里寻找 AI 应用场景。
离真实需求越近，越容易找到商业机会。
第二步：找到一个能够被量化的问题
例如，一家企业每周需要花十个小时整理资料。
如果你能够设计一个可靠的 AI 流程，把人工操作减少到三个小时，同时保证结果质量，那么你创造的价值就能够被测量。
反过来，如果你只是告诉客户“我能帮你接入 AI”，却说不清楚能够解决什么问题，那么成交就会很困难。
你需要建立一个简单的价值公式：
客户价值 = 节省的时间 + 减少的错误 + 增加的收入 − 新增的成本与风险。
这不需要一开始就算得非常精确，但必须能够验证。
第三步：把成功的方法变成可复制的流程
第一个项目可以由你亲自完成。
第二个项目开始，把步骤写下来。
第三个项目开始，尝试让 AI 承担其中可标准化的部分。
当你能够用同样的流程服务多个客户，或者反复解决同一种问题时，你才真正开始建立一项业务。
这比单纯学会几十个 AI 工具更有价值。
六、一份可以直接执行的 90 天行动方案
下面这套方案，适合每天能够投入一到两个小时、预算有限、希望从零开始的人。
目标不是保证你在 90 天内赚到多少钱，而是用三个月完成从“会使用 AI”到“有能力创造真实价值”的转变。
第 1—7 天：建立自己的 AI 工作台
只选三类工具：
一个主力大模型：负责分析、写作、规划和问题拆解。
一个与你的工作有关的专业工具：例如编程、图像、视频或数据分析工具。
一个用于管理任务和资料的工具：例如文档、表格或知识库。
这周不要追求学会所有功能。
每天选一个真实任务，用 AI 完成一次，再记录三个指标：耗时、质量、需要人工修改的地方。
本周交付物： 一份自己的 AI 工具清单，以及至少三个可以重复使用的工作流程。
第 8—30 天：找到一个细分问题
选择一个具体行业或人群，访谈至少十位潜在用户，或者通过真实业务观察收集问题。
你可以问：
哪项工作最耗时间？
哪个环节最容易出错？
哪些事情必须重复做？
如果这个问题得到解决，你会如何衡量价值？
然后从中选出一个问题，制作一个最小解决方案。
可以是一份报告、一套模板、一项代运营服务，也可以是一个简单的自动化流程。
不要急着开发完整产品。
本阶段交付物： 一个明确的问题、一套初步解决方案，以及至少三位真实用户的反馈。
第 31—60 天：用真实场景验证价值
把解决方案交给真实用户使用。
如果是服务，就完成一到三个试点项目。
如果是内容，就持续发布同一细分方向的高质量内容，观察真实反馈。
如果是软件，就让少量用户试用，记录他们在哪些地方遇到困难。
每次交付都要记录：
用户原来需要花多少时间。
使用方案后节省了多少时间。
结果质量有没有改善。
你自己需要投入多少人工。
用户是否愿意继续使用或付费。
如果没人愿意使用，不要急着扩大投入。
先调整问题、目标客户或解决方式。
本阶段交付物： 一份真实案例、一组使用数据，以及明确的改进方向。
第 61—90 天：建立一个最小商业闭环
根据前两个月的结果，选择一种变现方式：
按项目收费。
按月提供服务。
出售标准化模板或知识产品。
提供培训和咨询。
对成熟的软件工具收取订阅费用。
价格要根据客户价值、交付成本、竞争情况和实际需求来确定，不要因为使用了 AI 就认为产品必须便宜。
同时，把重复的交付步骤标准化，建立质量检查清单，减少不必要的人工操作。
本阶段交付物： 一个明确的产品或服务、一套可复用的交付流程，以及至少一次真实的付费验证，或者有证据支持的持续使用需求。
90 天结束时，你不一定已经拥有一家成功的公司，但你应该知道自己解决什么问题、服务什么人、如何交付，以及下一步应该继续投入还是及时调整。
这比连续三个月收藏 AI 教程、追逐新模型，却没有做出任何成果，要有价值得多。
七、每天只有一个小时，应该怎样分配？
如果你已经有工作，不需要辞职去拥抱 AI。
可以先按照下面的节奏行动：
时间
任务
目标
10 分钟
了解一个与你的领域相关的 AI 新能力
只学习有实际用途的变化
20 分钟
用 AI 完成一个真实任务
积累可复用的工作流程
20 分钟
研究客户需求或改进自己的产品
保持与真实市场的连接
10 分钟
记录结果、错误和下一步
形成自己的经验库
每周再安排一次复盘，回答三个问题：
第一，AI 本周帮我节省了什么？
第二，我创造了什么别人真正需要的成果？
第三，这些成果有没有形成用户反馈、业务机会或者收入？
如果第一项的答案越来越多，而后两项始终没有变化，就要警惕：你可能只是在提高效率，却没有创造更大的价值。
八、AI 时代，普通人最应该避免的五个陷阱
陷阱一：把学习工具当成工作成果。
研究新模型、收藏提示词、参加培训，都可能有帮助，但它们本身不等于竞争力。
最终还是要回到真实任务和实际结果。
陷阱二：把批量生产当成竞争优势。
当内容可以低成本生成，数量优势就更容易被复制。
没有独立观点、真实经验和明确受众的内容，很难仅靠 AI 批量生产建立长期优势。
陷阱三：没有验证需求，就先开发产品。
AI 可以让你很快做出一个产品，但不能证明有人需要它。
先找用户，再做解决方案；先验证需求，再扩大投入。
陷阱四：过度相信 AI 的判断。
AI 可以提供分析，却不能代替你承担后果。
特别是在投资、法律、医疗、财务和其他高风险领域，必须核查来源、理解限制，并在必要时寻求专业意见。
陷阱五：把 AI 当成一夜暴富的捷径。
AI 确实降低了许多工作的成本，但竞争者也能使用相同的工具。
如果一个赚钱方法只依赖某个新工具、某个热门概念或者暂时的信息差，那么它可能很快失去优势。
真正值得投入的，是能够随着时间积累的行业经验、客户关系、品牌信誉、业务流程和交付能力。
九、未来几年，什么东西会越来越值钱？
我的判断是，AI 时代有五类能力值得长期积累。
第一，真实的行业经验。
知道一个行业怎么运转、客户为什么购买、业务为什么失败，这些经验能够帮助你更准确地使用 AI。
第二，优质的用户关系。
当人人都能生产内容和产品，能够持续触达真实用户、理解用户需求的人，就拥有了重要优势。
第三，独立判断能力。
AI 能够提供大量答案，但答案越多，判断哪些答案值得相信就越重要。
第四，整合与交付能力。
未来的工作不一定要求你亲自完成每一个环节，但要求你能够把不同工具、不同资源组织起来，最终交付可靠的结果。
第五，持续学习和快速调整的能力。
AI 工具会变化，行业需求会变化，今天有效的流程，明天可能就需要更新。
与其赌某一个工具永远领先，不如建立一套能够持续学习、验证和调整的方法。
这些能力的共同点是：它们不会因为你掌握了某个模型就自动获得，而需要在真实问题中不断积累。
十、最后说一个最重要的判断
大 AI 时代，普通人最大的机会，不是终于可以免费拥有过去只有大公司才拥有的工具。
而是第一次有机会用很低的成本，把自己的想法、经验和判断，直接转化为能够被别人使用的产品和服务。
过去，一个人有一个想法，可能需要寻找资金、组建团队、等待开发周期。
现在，你可以先用 AI 做研究、制作原型、验证需求，再决定是否投入更多资源。
这让试错变得更便宜，也让个人能够尝试更多过去难以尝试的事情。
但机会并不意味着结果。
当工具的门槛降低，竞争也会变得更加激烈。
会写文章的人更多了，会做视频的人更多了，会编程的人更多了，能够独立制作产品的人也会越来越多。
所以，未来真正重要的，不是你掌握了多少 AI 工具，而是你能不能回答三个问题：
你为谁解决问题？
你解决的问题，究竟有多大价值？
为什么这个人应该选择你，而不是直接使用 AI？
这三个问题，决定了你能不能从技术进步中获得真正的收益。
如果你现在还没有答案，也不必焦虑。
从今天开始，选一个你熟悉的领域，找一个真实的问题，用 AI 做出一个可验证的解决方案。
先完成一个任务，再完成一个项目；先帮助一个人，再服务一群人；先建立一个能够运转的流程，再考虑扩大规模。
不要试图在一夜之间成为 AI 专家。
先成为一个能够用 AI 解决真实问题的人。
因为大 AI 时代真正的分水岭，可能不是会不会使用 AI，而是有人把 AI 当成新鲜玩具，有人却已经用它建立自己的生产力、客户关系和事业。
工具会越来越强，成本会越来越低，变化也会越来越快。
但你不必追赶每一次变化。
你只需要找到一个值得长期解决的问题，并且借助 AI，比昨天的自己做得更好。
这，就是普通人可以开始的机会。