AI 發展太快跟不上？一張四象限圖幫你做減法
整理版優先睇
用四象限法（生產力遠近×保鮮期長短）過濾AI資訊，幫你決定邊啲值得深度投入、邊啲可以直接跳過。
呢篇文章係作者回應一位讀者嘅提問。讀者話AI發展太快，自己工作又忙，擔心錯過，唔知點取捨。作者自己都每日面對大量資訊，明白呢種FOMO心態。佢提出一個四象限方法，幫手做減法。
方法係用兩個問題判斷：呢樣嘢離我而家嘅生產力有幾近？呢個知識嘅保鮮期有幾長？將佢分成四個象限。右上角（近+長）最值得深度投入，左下角（遠+短）直接跳過，左上角（遠+長）維持概念地圖，右下角（近+短）值得試用但唔好投入太多時間。
作者強調呢個象限係動態嘅，同一樣嘢會隨時間移動。可以觀察三個信號：邊個在用、背後有冇持續投入、形態係咪收斂。最終心態係要識得取捨，錯過啲資訊冇所謂，真正有價值嘅嘢遲幾日睇都得。
- 核心結論：用「生產力遠近×保鮮期長短」兩軸分流AI資訊，避免時間浪費。
- 方法框架：右上角（近+長）係深度投入區，左下角（遠+短）係噪音過濾區。
- 差異對比：左上角只需15分鐘瞭解概念，右下角只花幾小時試用，唔好精通。
- 啟發思考：工具技巧保鮮期短，例如提示詞工程一夜貶值，唔值得長期投入。
- 可行動點：定期用呢個框架評估新工具，同時關注象限移動信號調整策略。
點解要減法？
有讀者問作者，AI發展咁快，工作又忙，點樣取捨邊啲值得花時間？作者話呢個問題好典型，自己都每日處理大量資訊，最怕錯過（FOMO）。
FOMO
說到底就係時間有限
四象限篩選框架
判斷一個AI新事物，只需要問兩個問題：第一，佢離我而家嘅生產力有幾近？第二，呢個知識嘅保鮮期有幾長？
離我而家的生產力有多近
保鮮期有多長
複利
沉沒成本
兩條軸交叉，就得到四個象限。橫軸決定「要不要學」，縱軸決定「學咗會唔會過期」。
- 右上角（近 + 長）：最稀缺，深度投入。
- 左上角（遠 + 長）：維持地圖感，瞭解概念就得。
- 右下角（近 + 短）：值得試用，但唔好沉迷。
- 左下角（遠 + 短）：直接跳過，噪音最多。
各象限具體策略
左下角：離生產力遠，保鮮期又短，呢個象限噪音最密集。
直接跳過
噪音最密集
- 每月一變嘅模型跑分排名
- AI創業融資新聞
- 模型廠商內部宮鬥八卦
- AI芯片參數細節
- 各種AI套殼產品（大多數活不過半年）
跳過冇任何損失。如果真係重要，三個月後佢仲喺度，到時睇都未遲。
左上角：離生產力遠，但保鮮期長。呢類已經成為行業通用語言，你唔需要識用，但要識得佢係乜。
維持地圖感
15分鐘搞定
- RAG（檢索增強生成）：令AI回答時先去檢索相關資料。
- Chain-of-Thought（思維鏈）：推理模型點解要「諗一陣」先答。
- Scaling Laws：點解模型越大越聰明。
- AI幻覺：AI一本正經胡說八道嘅原理。
- 多模態：文本圖像音頻點融合。
做法：讀一篇好嘅解讀文章，唔使動手，15分鐘就夠。
右下角：離生產力近，但保鮮期唔確定。你能講出具體用途，但唔知佢會火幾耐。
值得動手試試
保鮮期可能很短
- AI畫圖工具：MidJourney啲提示詞技巧曾經好值錢，但GPT-4o用大白話就畫到，提示詞工程一夜貶值。
- ChatGPT Atlas呢類瀏覽器智能體：能替你填表訂票，但產品仲未穩定。
原則：花幾個鐘上手最好用嗰個，確認真係幫到手就用落去，但唔好花一星期精通每個參數。
右上角：離生產力近，保鮮期又長。呢個象限數量最少，但每個都值得認真對待。
深度投入
複利效應
- 軟件工程：設計模式、抽象能力、系統思維，保鮮期以十年計。
- 上下文工程：設計AI模型執行任務時嘅信息環境，係系統設計能力嘅延伸。
- Claude Code呢類編程智能體：直接作用於核心工作，平台級產品，持續迭代。
象限會移動：點樣判斷趨勢？
四個象限係一張快照，同一樣嘢會隨時間移動。OpenClaw係個好例子。
右下角直接衝到右上角
- 睇「邊個在用」：剛出時只有嚐鮮者，三個月後身邊唔追新嘅同事都開始用，即係向右上移動。
- 睇「背後投入」：有冇大公司或成熟團隊持續迭代？形成生態未？
- 睇「形態係咪收斂」：做法趨同、平台對齊，保鮮期變長。
當然呢個方法都係參考，更多時候要有自己判斷。總之，焦慮感好多時來自信息攝入冇節奏，懂得取捨做減法，錯過啲AI資訊冇所謂，真正有價值嘅嘢遲幾日睇都得。
有位讀者問咗個好問題：
AI 發展日新月異，轉得好快，概念/技術/產品成日有新嘢出。但係而家工作好忙（工作本身同 AI 直接關係唔大），就算係好多幾流行嘅 AI 相關嘢，都冇可能花時間去了解、理解、深度使用研究。一方面想跟住 AI 嘅潮流，另一方面而家嘅精力又唔容許。有啲咩原則可以幫手做以下判斷：「邊啲嘢唔使花時間、邊啲嘢簡單瞭解就得、邊啲嘢需要花啲時間去學習、邊啲有必要深度使用學習」，同埋點解有呢個原則
呢個問題好典型，我都係一樣，每日處理大量信息做選擇題。講到尾就係時間有限，AI 新嘢出得太快，好驚錯過（FOMO）。
可以試嚇用四象限嘅方法嚟篩選。
判斷一個 AI 新事物值唔值得花時間，就問兩個問題：
第一個：佢離我而家嘅生產力有幾近？
注意，唔係離「AI 行業」有幾近，係離你的生產力。你每日做緊嘅事、重複做嘅嘢，佢可唔可以令你少花時間，或者產出質量高啲？講得出具體場景，就係近。諗咗半日講唔出佢可以幫你做啲乜，就係遠。
第二個：呢個知識嘅保鮮期有幾長？
有啲嘢今日學咗，三年後仲用得，投入嘅時間可以產生複利。有啲嘢今日學咗，三個月後連名都換咗，學咗就係沉沒成本。
兩條軸一交叉，四個象限嘅決策邏輯就好清晰。
橫軸決定「要唔要學」，離你當前生產力越近，越值得投入時間。縱軸決定「學咗會唔會過期」，保鮮期越長，投入嘅回報越持久。
右上角（近 + 長）係最稀缺亦最值得嘅，同一時期通常只有一兩個。左下角（遠 + 短）係噪音最多嘅區域，大量融資新聞、概念炒作都喺呢度，直接過濾。
中間嗰條對角線就係時間分配嘅主方向：由左下到右上，投入遞增，數量遞減。
左下角：直接跳過
離生產力遠，保鮮期又短。
呢個象限噪音最密集。融資公告、論文預印本、大公司嘅戰略動作都堆喺度。特徵係：睇完介紹，講唔出佢具體可以幫邊個做啲乜。
比如：
• 每月一變嘅模型跑分排名 • AI 創業融資新聞 • 模型廠商內部宮鬥八卦 • AI 芯片參數細節（除非你做硬件） • 各種 AI 套殼產品（絕大多數活不過半年）
跳過冇任何損失。如果佢真係重要，三個月後佢仲會喺度，到時睇都未遲。AI 領域嘅淘汰率極高，過早投入時間，沉沒成本最大。
左上角：維持地圖感
離生產力遠，但保鮮期長。
呢類嘢已經成為行業通用語言，你唔瞭解就冇得同人傾偈，但唔需要識得用佢。
舉幾個例子。RAG（檢索增強生成），而家幾乎所有企業級 AI 應用都用緊佢，聊天機械人能夠引用公司內部文檔就係靠呢個。你唔需要自己整一套 RAG 管線，但要知「佢令 AI 喺回答問題時先去檢索相關資料，而唔係純靠記憶亂噏」，同同事傾偈嗰陣接得上嘴。
同類嘅仲有：
• Chain-of-Thought（思維鏈）：o1/o3 呢類推理模型點解要「諗一陣」先回答 • Scaling Laws：點解模型越大越聰明、點解訓練成本係天文數字 • AI 幻覺：AI 一本正經胡說八道嘅原理 • 多模態：文本圖像音頻視頻點樣融合到一個模型度
呢啲概念保鮮期都好長，而且你喺日常新聞、同事傾偈、產品介紹度會經常遇到。
呢個象限嘅目標係維持一張「AI 地圖」，你唔需要去過地圖上每個城市，但要知嗰啲城市喺邊、大概係點樣。
做法：讀一篇好嘅解讀文章，唔使動手，唔使裝環境，15 分鐘搞掂。
右下角：值得動手試試，但唔好投入太多精力
離生產力近，但保鮮期唔確定。
呢個象限裏面嘅嘢，你講得出佢具體可以幫你做啲乜，但唔確定佢可以紅幾耐、形態會唔會大變。
AI 畫圖工具係一個典型。做 PPT 要配圖、寫文章要題圖、出社交媒體要視覺素材，幾乎所有知識工作者都用得上。
MidJourney 啱啱興起嗰陣，提示詞係一門學問，網上有人靠賣提示詞模板賺錢，好多人花大量時間研究點樣寫精確嘅英文提示詞。結果呢？GPT-4o 嘅圖片生成一出，用大白話描述就畫到，中文都得，提示詞工程喺呢個領域幾乎一夜貶值。而家 Gamma 做 PPT 自帶 AI 配圖，畫質唔錯，根本唔需要你識啲乜提示詞技巧。
呢就係右下角嘅典型陷阱：工具本身確實有用，但係你喺某個工具上累積嘅特定技巧，保鮮期可能好短。 值得花幾個鐘上手而家最好用嗰個，用佢真係可以幫你慳時間，但唔好花一星期去精通佢嘅每個參數同提示詞套路。
同類嘅仲有 ChatGPT Atlas 呢類瀏覽器智能體（能夠幫你填表、訂飛、行多步網頁操作）。確實可以慳時間，但產品仲未穩定，今日嘅用法聽日可能就變咗。
原則：花幾個鐘上手體驗，確認佢確實可以提升你嘅效率，然後喺日常工作入面用起嚟。 如果三個月後佢換咗名或者俾其他嘢取代咗，你都冇蝕好多。
右上角：深度投入
離生產力近，保鮮期又長。
呢個象限裏面嘅嘢數量最少，但每一個都值得認真對待。佢有兩個信號：一，你已經喺日常用緊佢，但覺得自己只用咗 20% 嘅能力；二，佢背後有成熟嘅體系或者平台喺持續投入，唔會突然消失。
對軟件開發者嚟講，軟件工程本身就係呢個象限裏面最大嗰個圓。設計模式、抽象能力、系統思維、代碼質量，保鮮期以十年甚至幾十年計，而且直接就係你每日嘅產出。AI 時代反而更加需要工程判斷力嚟決定生成嘅代碼用唔用得、架構合唔合理。
上下文工程亦喺呢個象限。佢嘅核心係設計同管理 AI 模型喺執行任務時可以見到嘅成個信息環境：用戶畫像、對話歷史、檢索到嘅文檔、可用嘅工具同 API。對軟件開發者嚟講，呢個就係你本身有嘅系統設計能力喺 AI 場景下嘅延伸，唔需要由頭學起。
Claude Code 呢類編程智能體都喺度。直接作用於你嘅核心工作，平台級產品，有持續嘅迭代投入。值得花時間搞清楚佢嘅能力邊界，而唔係淨係攞嚟補幾行代碼。
深度用一個核心工具所帶嚟嘅複利效應，遠遠大過淺嘗十個工具。
象限會移動
呢張圖有一個容易忽略嘅地方：四個象限係一張快照，同一樣嘢喺唔同時間會移動位置。
OpenClaw 就係例子。2025 年底啱啱出嚟嗰陣，佢只係一個奧地利開發者嘅個人項目，用 Telegram 對話嚟操控電腦。大多數人會將佢放喺右下角：有生產力潛力，但唔確定穩定到咩程度，安全問題亦令人擔心。嗰陣時合理嘅策略就係「花幾個鐘試嚇」。
結果唔夠四個月，佢喺 GitHub 上超過 React 成為最熱門嘅開源項目，英偉達嘅黃仁勳話佢係「可能係有史以來最重要嘅軟件發佈」，創作者俾 OpenAI 挖走，英偉達同 Red Hat 都圍繞佢做企業級方案。由右下角直接衝到右上角。
反過嚟嘅例子都有。一啲早期睇落好有前景嘅 AI 工具，因為團隊資源唔夠或者俾更強嘅競品取代，由右下角滑向左下角，然後被淘汰。
判斷移動方向有三個信號：
一睇「邊個用」。 啱啱出嗰陣只有貪新鮮嘅人玩，三個月後身邊唔追新嘅同事都開始用，即係佢喺往右上角移動。社交媒體討論量喺下降、早期用戶開始轉向其他工具，咁佢喺往左邊滑。
二睇「背後嘅投入」。 有冇大公司或者成熟團隊喺持續迭代？有冇形成生態？如果核心團隊散咗，唔理佢而家幾紅，保鮮期都會斷崖式縮短。
三睇「形態係咪收斂」。 一個方向每隔兩個月就轉一種做法、改一次名，即係仲喺探索期。如果大家嘅做法開始趨同，唔同平台嘅實現開始對齊，就係形態喺收斂，保鮮期喺變長。
當然呢個方法都只係參考，更多時候都係要自己有判斷會更好。
好多時候焦慮感大多嚟自信息攝入冇節奏，識得取捨適當地做減法反而會好啲，錯過一啲 AI 資訊冇咩所謂，真正有價值嘅知識、工具，遲幾日都冇咩問題。
有讀者問了一個好問題：
AI 發展日新月異，急速迭代，概念/技術/產品層出不窮。但是當前工作繁重（工作本身跟 AI 直接關係不大），即便是很多比較流行的 AI 相關的東西，也不可能都花時間去了解/理解/深度使用研究。一方面希望跟上 AI 的浪潮，另一方面目前的精力又不允許。哪些原則可以輔助做以下判斷：“哪些東西不必花時間/哪些東西簡單瞭解即可/哪些東西需要花一些時間去學習/哪些有必要深度使用學習”，以及為什麼有這個原則
這個問題很典型，我也一樣，每天處理大量信息做選擇題。說到底就是時間有限，AI 新東西出得太快，生怕錯過（FOMO）。
可以試試用四象限的辦法來篩選。
判斷一個 AI 新事物值不值得花時間，就問兩個問題：
第一個：它離我現在的生產力有多近？
注意，不是離“AI 行業”有多近，是離你的生產力。你每天在做的事、反覆在乾的活，它能不能讓你少花時間，或者產出質量更高？能說出具體場景，就是近。想了半天說不出它能幫你幹嘛，就是遠。
第二個：這個知識的保鮮期有多長？
有些東西今天學了，三年後還能用，投入的時間能產生複利。有些東西今天學了，三個月後連名字都換了，學了就是沉沒成本。
兩根軸一交叉，四個象限的決策邏輯就很清晰了。
橫軸決定“要不要學”，離你當前生產力越近，越值得投入時間。縱軸決定“學了會不會過期”，保鮮期越長，投入的回報越持久。
右上角（近 + 長）是最稀缺也最值得的，同一時期通常只有一兩個。左下角（遠 + 短）是噪音最多的區域，大量融資新聞、概念炒作都在這裏，直接過濾。
中間那條對角線就是時間分配的主方向：從左下到右上，投入遞增，數量遞減。
左下角：直接跳過
離生產力遠，保鮮期又短。
這個象限噪音最密集。融資公告、論文預印本、大公司的戰略動作都堆在這裏。特徵是：讀完介紹，說不清它具體能幫誰做什麼事。
比如：
• 每月一變的模型跑分排名 • AI 創業融資新聞 • 模型廠商內部宮鬥八卦 • AI 芯片參數細節（除非你做硬件） • 各種 AI 套殼產品（絕大多數活不過半年）
跳過沒有任何損失。如果它真的重要，三個月後它還會在，到時候再看也來得及。AI 領域的淘汰率極高，過早投入時間，沉沒成本最大。
左上角：維持地圖感
離生產力遠，但保鮮期長。
這類東西已經成為行業通用語言，你不瞭解就沒法跟人聊天，但你不需要會用它。
舉幾個例子。RAG（檢索增強生成），現在幾乎所有企業級 AI 應用都在用它，聊天機器人能引用公司內部文檔靠的就是這個。你不需要自己搭一套 RAG 管線，但得知道“它讓 AI 在回答問題時先去檢索相關資料，而不是純靠記憶瞎編”，跟同事聊到的時候能接上話。
同類的還有：
• Chain-of-Thought（思維鏈）：o1/o3 這類推理模型為什麼要“想一會兒”再回答 • Scaling Laws：為什麼模型越大越聰明、為什麼訓練成本是天文數字 • AI 幻覺：AI 一本正經胡說八道的原理 • 多模態：文本圖像音頻視頻怎麼融合到一個模型裏
這些概念保鮮期都很長，而且你在日常新聞、同事聊天、產品介紹裏會反覆遇到。
這個象限的目標是維持一張“AI 地圖”，你不需要去過地圖上每個城市，但你得知道那些城市在哪、大概什麼樣。
做法：讀一篇好的解讀文章，不動手，不裝環境，15 分鐘搞定。
右下角：值得動手試試，但別投入太多精力
離生產力近，但保鮮期不確定。
這個象限裏的東西，你能說出它具體能幫你做什麼，但你不確定它能火多久、形態會不會大變。
AI 畫圖工具是一個典型。做 PPT 要配圖、寫文章要題圖、發社交媒體要視覺素材，幾乎所有知識工作者都用得上。
MidJourney 剛火的時候，提示詞是一門學問，網上有人靠賣提示詞模板賺錢，很多人花大量時間研究怎麼寫精確的英文提示詞。結果呢？GPT-4o 的圖片生成一出來，用大白話描述就能畫，中文也行，提示詞工程在這個領域幾乎一夜貶值。現在 Gamma 做 PPT 自帶 AI 配圖，畫質不錯，根本不需要你懂什麼提示詞技巧。
這就是右下角的典型陷阱：工具本身確實有用，但你在某個工具上積累的特定技巧，保鮮期可能很短。 值得花幾個小時上手當前最好用的那個，用它真的能幫你省時間，但別花一週去精通它的每個參數和提示詞套路。
同類的還有 ChatGPT Atlas 這類瀏覽器智能體（能替你填表、訂票、跑多步網頁操作）。確實能省時間，但產品還不穩定，今天的用法明天可能就變了。
原則：花幾個小時上手體驗，確認它確實能提升你的效率，然後在日常工作中用起來。 如果三個月後它換了個名字或者被別的東西取代，你也沒虧太多。
右上角：深度投入
離生產力近，保鮮期也長。
這個象限裏的東西數量最少，但每一個都值得認真對待。它有兩個信號：一，你已經在日常使用它了，但感覺自己只用了 20% 的能力；二，它背後有成熟的體系或平台在持續投入，不會突然消失。
對軟件開發者來說，軟件工程本身就是這個象限裏最大的那個圓。設計模式、抽象能力、系統思維、代碼質量，保鮮期以十年甚至幾十年計，而且直接就是你每天的產出。AI 時代反而更需要工程判斷力來決定生成的代碼能不能用、架構合不合理。
上下文工程也在這個象限。它的核心是設計和管理 AI 模型在執行任務時能看到的整個信息環境：用戶畫像、對話歷史、檢索到的文檔、可用的工具和 API。對軟件開發者來說，這就是你已有的系統設計能力在 AI 場景下的延伸，不需要從零學起。
Claude Code 這類編程智能體也在這裏。直接作用於你的核心工作，平台級產品，有持續的迭代投入。值得花時間搞清楚它的能力邊界，而不只是拿來補全幾行代碼。
深度使用一個核心工具帶來的複利效應，遠大於淺嘗十個工具。
象限會移動
這張圖有一個容易忽略的地方：四個象限是一張快照，同一個東西在不同時間會移動位置。
OpenClaw 就是例子。2025 年底剛出來的時候，它只是一個奧地利開發者的個人項目，用 Telegram 對話來操控電腦。大多數人會把它放在右下角：有生產力潛力，但不確定能穩定到什麼程度，安全問題也讓人擔心。那時候的合理策略就是“花幾個小時試試”。
結果不到四個月，它在 GitHub 上超過 React 成為最熱門的開源項目，英偉達的黃仁勳說它是“可能有史以來最重要的軟件發佈”，創建者被 OpenAI 挖走，英偉達和 Red Hat 都在圍繞它做企業級方案。從右下角直接衝到了右上角。
反過來的例子也有。一些早期看着很有前景的 AI 工具，因為團隊資源不足或被更強的競品替代，從右下角滑向了左下角，然後被淘汰。
判斷移動方向有三個信號：
一看“誰在用”。 剛出來時只有嚐鮮者在玩，三個月後身邊不追新的同事也開始用了，說明它在往右上角移動。社交媒體討論量在下降、早期用戶開始轉向其他工具，那它在往左邊滑。
二看“背後的投入”。 有沒有大公司或成熟團隊在持續迭代？有沒有形成生態？如果核心團隊散了，不管它現在多火，保鮮期都會斷崖式縮短。
三看”形態是否收斂”。 一個方向每隔兩個月就換一種做法、改一次名字，說明還在探索期。如果大家的做法開始趨同，不同平台的實現開始對齊，就是形態在收斂，保鮮期在變長。
當然這個方法也只是個參考，更多的時候還是得有自己的判斷更好。
很多時候焦慮感大多來自信息攝入沒有節奏，懂得取捨適當做減法反而更好一點，錯過一些 AI 資訊沒什麼的，真正有價值的知識、工具，晚幾天也沒什麼的。