在人工智能时代，不能简单地认为就是看谁把 AI 软件用得更熟练。
一方面，AI 时代不再需要囤积信息和单纯“记住”知识，关键在于是否懂得提问以及能否有效地利用 AI 技术获取和处理信息。个体在获取知识方面的差异体现在是否掌握利用 AI 技术的能力及运用的熟练程度，能高效利用技术的个体将更快获取所需信息和知识从而占据优势。
另一方面，知识内化的差异也很重要，这不仅仅是获取信息和知识的效率问题，更关键的是将这些信息和知识内化、转化为智慧的能力。AI 技术在个性化学习、数据分析和知识管理方面的应用可提高这一过程的效率，个体对这些工具的利用会直接影响从知识到智慧的转化速度和质量。
此外，随着大语言模型规模的增加，在单一技能上的熟练度会提高，并且能够同时使用多个技能。模型能执行概括和创造性的任务，截至 2023 年，AI 在大部分任务中的表现已超越人类能力，目前人类只有在复杂的认知任务上还有部分优势，但预计这种优势在 2025 年将消失。
同时，在应用方面，拥有庞大客户群的上一代软件或服务公司把基础模型整合到业务流程中具有巨大优势，创新公司也不断涌现，核心在于如何看待和使用基础模型，而非简单封装，这些模型如同智能时代的操作系统，需要在上面构建原生应用程序。
AI时代不再需要囤积信息，也不再需要单纯地“记住”某些知识。因为这些信息和知识就在那里，随时可供获取，关键在于我们是否懂得提问，是否能有效地利用AI技术来获取和处理这些信息。这种变化意味着，从信息到知识，再到智慧的转化过程中，个体的差异将主要体现在两个方面：获取知识的差异：这种差异体现在个体是否掌握了利用AI技术获取和处理信息的能力，以及他们运用这些技术的熟练程度。在AI时代，能够高效利用技术的个体将更快地获取所需的信息和知识，从而占据优势。知识内化的差异：这不仅仅是关于获取信息和知识的效率，更关键的是个体将这些信息和知识内化、转化为智慧的能力。AI技术，尤其是在个性化学习、数据分析和知识管理方面的应用，可以极大地提高这一过程的效率。个体如何利用这些工具，将直接影响他们从知识到智慧的转化速度和质量。
他们发现，随着大语言模型规模的增加，在单一技能上的熟练度会提高，并且能够同时使用多个技能。这表明模型不仅仅能实现训练数据中领悟到的技能组合，而是能够执行概括和创造性的任务，特别是微软针对GPT-4这个超大规模语言的测试（Sparks of AGI - Early experiments with GPT-4），进一步证明了他们的结论。配图1.06：AI完成人类智能任务的基准评测对比Stanford大学HAI小组在AI Index 2024报告中展示了一张AI完成人类任务的基准测试图（Our World in Data网站还有一份互动版）。截至2023年，AI在大部分任务中的表现已经超越了人类的能力，例如2015年的图像分类、2017年的基础阅读理解、2020年的视觉推理和2021年的自然语言推理。当然在2020年之后，完成这些任务的都是大语言模型了，目前人类只有在复杂的认知任务，例如在深度阅读理解、复杂推理和高级数学问题解决上还有那么一点优势，但估计这个优势在2025年就荡然无存了。。世界模型
那么，那些拥有庞大客户群的上一代的软件或服务公司，他们会有巨大的优势，把基础模型整合到自己的业务流程中，提供新界面，使工作流程更具粘性，输出效果更好，例如Adobe，这个创意领域的巨头在2023年丝毫不比创业公司的执行效率低，从Firefly的模型到产品线的升级，让人眼花缭乱，当然这也是他们的生存之战。配图2.02：The Generative AI Market Map其实，这种把模型融入其解决方案，从端到端解决客户需求的创新公司涌现出了很多，附上Sequoia的这张“ The Generative AI Market Map ”，就不逐一列举了。这里的核心是，我们如何看待和使用基础模型，而不是简单的封装它们，这些模型就是智能时代操作系统，需要在上面构建原生的应用程序。