99% 的人在用 AI，真正会用的只有 28%

先说两组数字，摆在一起看有点刺眼。

第一组来自光明日报和中央民族大学研究团队做的一项调研，覆盖全国 400 余所高校、1953 名本科生：AI 工具在大学生中的使用率是 99.18%，只有 0.82% 的人从没碰过。

第二组来自武汉城市学院一个调研团队，回收有效问卷 5022 份：只有 28.04% 的学生系统学习过 AI 工具的使用方法，接近七成的人属于「简单用用」或者「边用边摸索」。

也就是说，一百个人里九十九个在用 AI。但真正知道自己在干什么的，不到三十个。

这篇文章想聊的就是这中间七十个人的落差：现在市面上到底有哪些模型，市场愿意为哪些能力付钱，以及一条不用绕弯的学习路线。

一、先看清楚：大家到底在用 AI 做什么

同一份光明日报的调研里，还有几个数字值得单独拎出来看。

最后两行值得多看两秒。「先问 AI」和「先问朋友」已经基本打平了。

AI 从「一个工具」变成了「一个可以商量的人」。这个转变本身没什么不好，但它带来一个副作用：跟人商量的时候你还会反问一句「真的吗」，跟 AI 商量的时候，多数人只是点了发送，然后等答案。

更值得注意的是场景分层。调研发现，双一流院校的学生主要把 AI 用在科研、竞赛和职业规划上；普通本科和高职学生，则大多停在作业辅助、文案修改这类基础用途。

同一个工具，有人拿它做杠杆，有人拿它抄作业。三年后这两批人的差距，不会只是「会不会用 AI」的差距。

这不是中国独有的现象。英国 2026 年的一项学生生成式 AI 调查显示，95% 的学生在用 AI，但另有研究发现 58% 的学生认为自己缺乏足够的知识和技能把 AI 用好。用得广，不等于用得对。

二、市场那一端：钱正在流向哪里

如果说「不会用 AI」在过去两年还只是一种可能性，那现在的招聘数据已经把它写成了明码标价。

猎聘大数据研究院在 2026 世界人工智能大会上发布的报告显示，中国人工智能核心产业规模已突破 1.2 万亿元，而人才缺口超过 500 万。人工智能工程师的需供比达到 2.62——平均每个求职者对应约 2.6 个岗位。在汽车研发制造领域，这个数字更是高达 8.2。

薪酬方面，AI 相关岗位的月薪中位值达到 25340 元，算法类岗位平均月薪普遍超过 2.8 万元，具备十年以上经验的从业者年薪中位数是 55.20 万元。

但真正有意思的不是薪资绝对值，而是岗位增速的差异。

请重点看第一行和最后一行。

涨得最猛的是提示词工程师，一年翻了近五倍，平均年薪约 34.31 万元。而传统认知里最「正统」的算法工程师岗位，增速只有 12.84%，垫底。

这个结构说明一件事：市场缺的不是会推导公式的人，而是能把 AI 真正用进业务里的人。算法岗卷学历、卷论文，是少数人的赛道；而提示词、工作流、智能体这些方向，门槛低得多，需求却在爆发。

三、模型清单：现在有哪些工具可以用

很多人对 AI 的认知停在「千问」和「豆包」这两个名字上。它们的体验确实好，但只是一个入口。下面把当前主流的模型按国内外分开列一遍。

1. 国内可用（无需额外网络条件）

参考 SuperCLUE 在 2026 年 7 月放出的中文大模型测评，12 款主流模型参与，权重分布是智能体编程 25%、数学推理 18%、科学推理 16%、精确指令遵循 16%、幻觉控制 16%、智能体任务规划 9%。

除了这几个，文心一言（百度）在搜索增强和中文润色上依然能打，智谱 GLM 系列在学术严谨度和私有化部署上有优势，讯飞星火则在语音识别和教育场景里更专业。选哪个不是最重要的，重要的是别只用一个。

2. 海外第一梯队（作为对照）

按 rank.ai 综合四个主流榜单的结果（数据截至 2026 年 10 月 13 日）：

这张表里最值得中国人注意的是第五行——Kimi K3 是唯一挤进全球前五的国产模型，和 GPT-5.5 同分。

另外两个数据点：性价比最高的是 DeepSeek V4 Flash，每百万 token 只要 0.095 美元；而在代码和 Agent 能力上，Claude Opus 5 目前仍是第一梯队。这些信息的意义在于——你不需要为「哪个最好」纠结，你需要知道「什么场景该用哪个」。

四、怎么学：一条不用绕弯的路线

下面这条路线不假设你有任何编程基础，也不要求你先把数学补起来。

第一步：先装上三个，用满一周

别一上来就研究原理。先装两个国内模型（比如千问 + DeepSeek）加一个搜索型工具，然后强迫自己这一周所有需要查资料、写文字、算数据的活儿都先过一遍 AI。

这一步的目标不是学会什么技巧，而是建立手感：知道它大概能做什么、会在哪里出错。

第二步：练提问，这是唯一需要刻意练习的东西

同一个模型，问法不同，结果能差出十倍。结构化提问的基本盘是四件事：

• 给角色：你是谁，站在什么立场回答
• 给背景：这件事的前因后果、约束条件是什么
• 给格式：要表格、要分点、要多少字
• 给样例：如果你心里有「对的样子」，直接贴一个给它看

把这四件事补齐，你会立刻感觉到输出质量的变化。这也是为什么提示词岗位的招聘量一年翻了近五倍——它本质上是「把需求讲清楚」的能力，而这件事实在太多人做不好。

第三步：把 AI 接进你的日常流程

单次对话能做的事有限。真正拉开差距的，是把它变成流程的一部分。

举个最普通的例子：整理一份行业资料，可以拆成「批量丢给 AI 提取要点 → 人工判断哪些有用 → 让 AI 按你的框架重写 → 你自己做最终核对」。四个环节里 AI 干两个，你干两个。

到这个阶段，可以开始用 Coze、Dify 这类低代码平台把重复环节串起来，不需要写代码。

第四步：学会验证，这是分水岭

大模型是按概率生成文本的，不是查数据库。它可以用非常确定的语气说出完全错误的内容。

复旦大学的校长在今年开学典礼上提醒新生警惕三个词：认知卸载、虚假掌握、信息茧房。翻译成大白话就是——你以为你学会了，其实你只是抄完了。

所以每一条要用的 AI 输出，都该过一遍：这个说法能查到出处吗？数字对得上吗？如果错了，代价有多大？会验证的人和不验证的人，用同一个模型，得到的是两种人生。

第五步：用项目收尾，别用证书收尾

学完一圈，一定要留下能拿出手的东西，比如：

1. 一套你自己反复在用的工作流（哪怕只是周报生成）
2. 一个装了你行业资料的知识库
3. 一个能自动跑完某件小事的智能体
4. 一份用 AI 辅助完成的真实作品

五、关于「被淘汰」，说点实在的

先说结论：不是 AI 淘汰人，是会用 AI 的人正在把不会用的人挤出去。这两句话听起来差不多，但含义完全不同。

前者意味着你无能为力，后者意味着你现在动手还来得及。

更准确的说法是，AI 目前更像一台放大器。它放大的是你原本就有的东西——如果你判断力还行，它能把你变成三个你；如果你本来就分不清对错，它只会让你更快地犯错。

所以这件事从来不是「学不学 AI 工具」的问题，而是「你有没有值得被放大的东西」的问题。

回到最开始那两组数字。99.18% 和 28.04% 之间的七十个百分点，就是眼下最大的机会窗口。当所有人都在用 AI 的时候，「会用」本身就成了稀缺品。

而这个窗口不会一直开着。三年前「会用 Excel 数据透视表」还能写进简历，现在没人看了。

六、一份可以今天就动手的清单

1. 今天：注册两个不同厂商的模型（比如千问 + DeepSeek），各问十个你工作或学习里的真实问题，对比答案差异
2. 本周：把「给角色 / 给背景 / 给格式 / 给样例」这套提问框架用满二十次
3. 本月：找一件你每周都要重复做的事，用 AI 把它压到原来一半的时间
4. 本季度：产出一个能拿出手的成果——工作流、知识库或者小工具都行
5. 持续：每周花半小时看看模型榜和岗位榜，知道自己站在哪

前面提到的那位复旦新生说了一句话，金力校长专门让大家为他鼓掌。他说 AI 时代要练三件事：一是提好问题，二是练判断力，三是敢担责。

这三件事，恰好是 AI 最不擅长的。也是你唯一不会被替代的部分。

如果你正在折腾家里的服务器或者网络，这份「先理解再动手」的思路其实一样管用，可以看看这两篇：MosDNS 实时统计面板、Nginx 访问日志可视化看板——工具换来换去，看清数据流向的思维方式是不变的。