在AI浪潮中，我们习惯了一种叙事：恐慌从下往上递减。应届生最焦虑，大厂高管有把握，而基础模型公司的人则在书写未来。但Gamma App联合创始人Grant Lee最近的一篇文章，彻底击碎了这个预设。他的核心观察是：不确定性贯穿每一层，每一层的恐慌同时存在，只是原因不同。没有人站在高地上俯视，每个人都站在正在移动的地面上。先说基础模型层。OpenAI、Anthropic、Google、Meta——这些公司参加的是一场每隔几周就重置一次的比赛。排行榜变动，基准测试被新标准替代，某个新发布让上周的“最强”头衔当天过期。Grant的描述很准：即便是站在最顶上的人，也依然处于高度运动状态。对基础模型公司来说，不确定性是多维度的：Scaling定律还会不会在下一个数量级上继续有效？下一个关键突破在哪个方向——推理能力、长期记忆、多模态融合，还是尚未命名的领域？开源模型的快速进展会不会把商业护城河压薄到不可持续？这些问题没有现成答案，且每隔几个月就会有新发布让既有判断局部失效。外人看到的是声势浩大的发布会和里程碑，容易误读成“胜局已定”的从容。实际情况是：越接近最前沿，越能看清自己的护城河有多薄——因为对手也在用完全相同的技术往前跑。应用层的处境是另一种形式的不稳定。每一次基础模型更新或新能力发布，都在模糊“差异化”的边界——昨天还是独特功能，今天可能已内置在API里。游戏变成：要跑得足够快，还要跑得足够聪明；要做出真正的用户锁定、真正的网络效应、真正超出一个prompt就能复制的价值。Grant自己的处境是这一局面的缩影。Gamma App做AI演示文稿，产品依赖基础模型能力，但也随时可能被模型新能力打乱节奏——某个新发布让某类功能直接变成API标配输出，某个能力跃升让产品设计假设需推倒重来。这不是类比，是他实际的工作现实。文章里对应用层焦虑的描述，有一种从内部往外看的诚实。传统巨头的问题不是认知，是执行。他们都知道AI会来，知道会很大，知道不动就死。但“知道”和“行动”之间横着一条沟，沟里装满了既有组织结构、历史遗留系统、季度财务目标、以及几万名以现有方式工作的员工。于是我们看到普遍现象：把AI拴在现有产品上，给原功能贴上“AI驱动”标签，发布会上喊几句“全面拥抱AI转型”。Grant的描述毫不留情：“他们知道这可能还不够，但他们在试图给自己买时间。”更根本的困难是组织结构本身的惰性。大公司不只有技术层面的遗留问题，还有激励层面的遗留问题。当几千人的团队，薪酬考核、晋升路径、资源分配都围绕现有业务逻辑运转时，要在这套体系内部推动真正的AI转型，前提是先改变激励结构，而改变激励结构需要政治意愿、组织重设计和大量内部协商成本。这个过程比外部变化慢得多。Grant Lee的文章没有选边站，它只是如实描述了所看到的状态：所有层级的人都在同一种不确定里，只是不确定的具体内容不同。这种如实陈述，有时候比一个清晰的结论更有价值。对于AI从业者和爱好者而言，认清这一现实或许比寻找确定答案更为重要——因为只有在承认不确定性存在时，我们才能真正开始思考如何与之共处。