上次吴军（浪潮之巅作者）的言论节选很多读者有争议。为了不歪曲本人见解，以正视听，现在用AI总结讲稿如下。
避免误读，原文讲稿全文先只在社群里传阅。
1. 教培与养老：生意大小的选择
有一次我跟俞敏洪聊，我说：“其实你的教培行业没有任何限制，但你将来生意还会越做越小，因为孩子越来越少。但如果你转型做养老，尤其是养老地产，情况就不一样了——你不要买一般的房子来做养老地产，这个领域你能越做越大，因为它是个’大西瓜’，是真正有潜力的赛道。”
2. 什么是“大西瓜”？从GDP占比看赛道体量
那到底什么才算是“大西瓜”级别的赛道？我先举个例子。几年前疫情前，我们曾讨论过不同领域的规模——有人说IT领域小，我却说“学生群体本身就小”，因为大家往往高估了IT的体量，却忽略了房地产曾占中国近30%的GDP。
如果我们想维持经济稳定增长，在房地产增长放缓后，什么领域的体量能和房地产相当？我可以明确说，人工智能一定做不到，也别指望它能做到。但如果我们能把“数据”变成资产，这件事是能做到的。
3. 数据如土地：被忽视的“隐形财富”
中国有960万平方公里土地，过去几十年里，中国人其实并不知道土地有多值钱——它能变现，能吸引外资，还能拉动经济增长，直到浦东开发时，我们才突然发现土地的价值，就像通过合资公司吸引外资一样，让真金白银流入，支撑企业发展。
数据也是如此。这么多年我们积累了海量数据，它们就像960万平方公里的土地，却因为没有标价而无法变现。现在能找到的、体量能和土地财政相当的新领域，只有数据。当然，数据现在面临法律法规、数据洗脱（比如用先进的神经网络技术处理）等问题，但一旦能实现变现，它将成为未来十年、二十年经济增长的核心动力。
4. 数据的价值：极端案例背后的财富重构
个人数据能值多少钱？中午吃饭时我跟周群祥聊过一个故事（细节因时间原因不展开）：这是我的师兄郭毅的销售亲身经历的——他孩子同学的父亲得了6种癌症，临终前把自己的数据卖给了博士，这笔钱让他的老婆和女儿一辈子的生活费有了着落。
有人可能会说“打拼一辈子留遗产”，但这个例子说明，未来时代，我们需要重新思考、重新定义财富和资本——有时候，个人数据的价值可能远超传统积累。当然这是极端案例，但它揭示了数据财富的潜力。
5. 别被热点误导：IT行业的“苦”与财富真相
现在很多人关注IT和人工智能，但为什么IT员工这么苦？因为钱不在这个领域。哪怕人工智能投资再多，真正产生的收益却有限。前几天有个投资人跟我说公司要上市了，我问“利润多少”，他说“一个亿”——一个亿太少了。
大家知道几个月前Google回购股票、给股民发的“股息”是多少吗？600亿美元。对比之下，一亿的体量微不足道，未来能不能长大还不确定。但有些产业本身基数大，哪怕只优化1%，效果都非常可观。
世界上最大的产业是什么？答案是物流。每8块钱GDP里，就有1块钱来自物流。这也能解释为什么经济下行、就业难时，物流相关行业能解决大量劳动力问题——因为物流市场太大了。
全世界物流相关的GDP大概在10-13万亿美元，如果能优化1%，产生的价值就非常惊人。而IT行业呢？全世界产值计算方法不同，即便把互联网、软件都算进去，总量也不到物流的零头，其中电信相关占2/3，剩下的软件和互联网领域，Google一家就占30%，再加上腾讯、阿里巴巴、微软，剩下的“零头”才分给100万家互联网公司——这就是为什么很多互联网员工忙却挣不到钱：想挣钱，得先看清钱在哪。
7. 财富的“量级”：黄金与比特币的启示
再看一个数据：全世界央行的黄金总值约2.5万亿美元，而今天比特币的市值几乎和它相当。这意味着什么？一小群人控制着和全世界黄金体量相当的财富，他们挣钱自然更快。
这提醒我们，关注趋势时要看到“量级”——别盯着小赛道内卷，要找那些本身有巨大体量、能产生规模化价值的领域。
8. 独立思考的重要性：别被媒体和大流带偏
现在很多科技媒体90%都在讲IT，但很多内容是错的。我一直鼓励搞财经的人“读财报，别读财经媒体”，最好自己重新做财务分析——只有独立的数据来源和思考，才能不被误导。
昨天我跟张一航教授聊了很久，他说“世界上绝大部分人平时都是平庸的状态，别因为’和大家一致’而自豪”。张教授就是这样，在很多人没看到某个方向前景时，他花三年时间深耕，最后取得了大成就。
9. 人工智能的“冷热循环”：别盲目追热点
现在人工智能很火，但这已经是第四波热门了。每一次热起来后都会冷下去，美国国家科技委员会甚至曾说“这些科学家都是骗子”。一开始叫“人工智能”，后来不好意思叫了，改叫“连接主义”“人工神经网络”，证明行不通后，这次又改叫“深度学习”——其实本质上是一回事。
2000年时，没人好意思说自己学人工智能，怕被人当成骗子，我们都改口说“做自然语言处理”（现在这两件事基本是一回事）。当时开机器学习国际会议，会场只有第一排有人，我的朋友邓丽（后来成了微软杰出科学家）上台前还得求前排观众“别离开”，下一个报告人还得求他“听完我的报告再走”。
就在那样的环境下，辛顿、杨立昆等几个人坚持“在机器学习基础上做深，搞深度学习”，走了别人没走的路，最后在2016年拿了图灵奖——这说明，别盲目追热点，真正的机会往往在大多数人不看好的地方。
今天张教授来了，我想特别提“数学思维”——问大家一个问题：什么数自己乘自己等于121？有人说11，还有人说-11。这看似简单，但很多人没建立“负数思维”：世界上不只有正数，还有负数。
做投资时，大家都想挣钱，但有没有想过“投资会赔钱”？70%的散户短期赔钱，95%的散户长期赔钱；70%的基金跑不过大盘，95%的基金三年周期跑不过大盘——别觉得把钱给高盛、摩根士丹利就安全。
媒体常说“美国最富有的人占的财富比多少人还多”，但很少说“在座每个人都比美国最底层20%（约6000万人）的财富多”——因为那些人的财富是负数（房产、土地价值减去负债后为负）。这提醒我们：别随大流盲目做事，独立判断很重要。
11. 企业家的核心：挣钱是高尚的事
很多人对企业家有误解，觉得企业家该做社会公益。但从亚当·斯密、托克维尔的理论开始，“挣钱”就是一件高尚的事——企业家的核心是创造财富，不是跑去贫困地区做公益。
当然，政府需要支持那些“暂时看不到前途，但从基础科学来讲很有用”的事，别跟着短期热点赛跑。大家在一线做事，怎么干比我清楚，我只是想提醒：别踩“盲目追热点、没利润空间”的坑。
12. 人工智能的真相：没那么强，也没那么可怕
现在很多人担心人工智能取代工作，其实没必要——现在的人工智能还太弱了。比如编程，简单编程确实能被取代（本质是“把自然语言转成代码”，和翻译语言没区别），但有两个问题解决不了：
第一，需求描述不清楚。产品经理和开发的“需求沟通”要反复迭代，很多人连自己的想法都说不明白，更别说让AI理解；第二，AI无法 Debug。复杂程序的漏洞，连人都难排查，还需要另一台计算机辅助，甚至会出现安全问题。
而且从历史看，技术进步不会减少工作，反而会创造新工作。40年前，4个斯坦福学生做Sun工作站，一个人就能设计芯片；现在苹果设计M4芯片要几千人——技术越先进，工作量反而越多，因为新需求、新场景会被创造出来。
13. 别“懒”于深耕：技术需要扎实的基础
70年代的“旅行者1号”“旅行者2号”现在还能飞往外太空，它们的存储器只有64KB，而今天的手机有16GB（160亿字节），但你敢说今天的手机能控制飞行器去海王星吗？不一定——因为现在的工程师太“懒”了，不会像当年那样抠每一行代码。
人工智能的发展也需要扎实基础：现在的AI靠“大量数据、摩尔定律、数据模型”三件事，数据增长已放缓（GPT-4和GPT-5差别不大），摩尔定律能延续，多亏英伟达（让算力从“24个月翻一番”变成“一年翻两番”），但模型的突破还需要张教授这样的学者深耕。
14. 顶尖专家的层次：从哲学看技术
什么是一等的欧美人工智能专家？我的导师Fred Jelinek（语言模型概念的重要推动者）是个数学很好的人，他不聊“具体怎么做”，而是聊“维特根斯坦的哲学”“乔姆斯基的语言学”——比如“语言的边界就是世界的边界”，“人类解决了语言问题，就能解决现实问题”。
真正顶尖的专家，会从哲学、基础科学的层面思考技术，而不是盯着“系数快了5倍、10倍”这种细节。深圳要想再往上走，也需要这种高层次的视野——别捡“芝麻”，至少要捡“橘子”，甚至“西瓜”。
15. 最后的希望：找准“大西瓜”，扎实前行
计算机科学的核心是数学——当年我做博士研究时，通过数学推导，把一个模型的计算量减少到原来的1/200，没有数学基础，这件事根本做不成。
希望大家都能：第一，有独立思考和独立数据来源，不被媒体误导；第二，别追短期热点，找准“大西瓜”级别的赛道；第三，扎实深耕，无论是技术还是业务，都需要打牢基础。未来的机会在数据、在基础科学、在“别人不看好但有长期价值”的领域，别停留在小打小闹的层面。