AI 每日简报｜用机会型 AI 拓展思维的 10 种方式｜2026.09.13

配套体验：机会型 AI——一个充满可能性的世界——用 AI 制作 12 件意想不到的东西。探索展览与“可能性机器”。→ https://aidailybrief.ai/play/opportunity-ai

新模型的价值在于那些你从未考虑过的事情——这意味着你需要的是思路启发，而不是基准测试。

通用模型的能力已经发展到这样的水平：像 GPT-6 Astra 这样的新版本，往往不会让你现有的 AI 工作明显变好——有时甚至会让人觉得退步了。它们真正的价值，在于解锁你从未使用过的能力：游戏、视频管线、3D、互动体验。但按照定义，你不可能事先考虑到自己从未考虑过的事情。没有人会随身携带一份完整清单，列出自己可能制作的所有东西。因此，本期内容提供了一组关于机会型 AI 的思路启发——一种这样的思维方式：去追问，现在有哪些事是你过去根本不会做、如今却可以做了？

---

数据速览

• 2 倍——OpenCode 在 Astra 上的实际支出——高到足以让团队一部分成员重新使用 Sol
• 12 个——aidailybrief.ai 配套网页体验中的机会型 AI 思路启发
• 60 秒——你第一次用 iPhone 拍摄并通过 AI 构建视频管线实验所需的脚本长度

主要内容

Astra 先进得令人难以置信——有时却像是退步

GPT-6 Astra 在某些方面远远超越此前的一切，但在熟悉的使用场景中，它的改进并不明显，甚至会让人感觉倒退了一步。这正说明 AI 的发展已经走到了哪里：新模型的价值越来越不在于把你现有的工作做得更好，而在于解锁你从未考虑过的能力。

高级程序员正悄悄回到旧模型

经过一周使用，重度用户形容 Astra 是他们用过的最聪明、也最愚蠢的模型——情绪般的表现波动，以及为了让某件事在技术上跑起来而采取的荒谬捷径。由于实际支出大约翻了一倍，OpenCode 团队部分退回使用 GPT-56 Sol：Astra 确实能做一些新颖的事情，但对于编程而言，很难证明它值得付出这样的代价。

Astra 引发的热议并不是关于你的日常工作

围绕 Astra 的最初兴奋点，集中在全新的能力上——视频编辑、3D 设计与建模——这些目前还不是大多数人日常工作的一部分。这对 OpenAI 来说是否是一项好的商业策略，则是另一个问题。

Astra 是第一个真正跨越“效率／机会”鸿沟的模型

效率型 AI 能把你现有的工作做得更好——更快、更便宜。机会型 AI 则能解锁全新的机会。过去，这通常只是思维方式上的区别，而不是模型本身的差异；Astra 是首批让这种差异真正体现出来的模型之一。

效率型使用场景将成为基本门槛

效率型 AI 没有任何问题——它是大多数 AI 应用和最初价值的基础。但如果企业只把 AI 看作一种提升效率的技术，就会错过赢家所看到的东西：效率提升会重新设定所有人的预期，而那些追逐新机会的公司——即使这些机会与它们今天的业务并不相干——会迅速领先。

让人们“去寻找 AI 机会”，你得到的往往是一张白纸

人们不会随身携带一份完整清单，列出自己可能制作的所有东西——我们脑中的清单更小，受到职业、工具以及身边人所做事情的影响。NLW 自己的一些机会型应用场景，例如把节目转成可分享片段的管线，就是在摸索、实验，以及用新方式解决已有问题的过程中偶然发现的。

捷径：复制其他职业的人正在做的事

机会型 AI 的许多“机会”并非完全新颖——只是别人已经能够做到，而你过去做不到。拓展自己的一个好方法，是去看看不同岗位的人正在做什么，并思考哪些事情让你觉得很酷，然后把它带入自己的工作。

思路启发 #1：制作人们可以参与其中的营销内容

营销内容过去主要是视觉、印刷和视频；AI 则打开了互动的大门。Astra 最令人兴奋的初步实验，很多都是在制作游戏——那么，为什么不能把游戏带进工作场景？与其告诉别人某个地方会奖励好奇心，不如给他们一个小谜题，让他们产生好奇。游戏调动的是受众的主动性，而不是把受众当作被动接收者。

游戏规则本身可以承载你的销售论点

一位顾问如果只是抽象地推销“跨团队决策”，可以给潜在客户设计一个 5 分钟的虚构产品发布场景：销售承诺一个日期，产品团队发现一项依赖，客服却缺少信息——让潜在客户亲自遇到服务所要解决的确切问题，并为它找到描述方式。其他游戏则可以让客户练习品味，例如围绕你的产品设计一个“尴尬公寓”挑战。

大多数游戏都会失败——重点在于你终于可以尝试

品牌过去也曾尝试制作游戏，但受到开发资源的限制；现在，单人创业者这个周末就能做实验。游戏设计依然很难——如今发布的游戏比以往更多，但即使是专业人士制作的作品，真正流行的仍然少之又少。机会型 AI 并不能保证成功；它降低的是尝试的成本。

思路启发 #2：构建自己的视频制作管线

AI Daily Brief 的短片并不是由 Opus 这类专门的剪辑产品制作的，而是来自一条定制的、由 Claude 驱动的管线：它读取脚本和原始视频，然后生成最终输出。这些模型或许会像编程代理让软件构建走向大众化一样，让视频制作民主化。问题在于：视频可以在哪些地方帮助你的工作——内部讲解、客户教育，还是营销？

课后作业：60 秒脚本、一部 iPhone，以及一个管线请求

用 AI 写一段 60 秒的教育型营销脚本，用手机把它录下来，然后把视频交给 Codex 或 Claude Code，请它设计视觉主题、转场、分层图形和完整的制作管线——这样你只需要替换源视频。给它一轮反馈，然后问自己：这是否足以降低门槛，让视频真正成为你的工具？

思路启发 #3：围绕买方好奇心组织产品演示

销售演示必须选择一种固定顺序；而不同买家带着不同问题到来。探索式演示则围绕行动来组织——打开这个、单独查看那个组件、检查结果——由访客的问题决定路径。问问自己：在理解你的产品之前，客户需要亲自检查什么？

思路启发 #4：客户可以自行塑造的提案

每份提案都已经包含一个隐藏模型——关于工作、并行性、资源和时间安排的假设。与其把一份选定方案交给客户，不如把模型的部分内容展示出来：“我们希望更快完成”可以变成“如果团队更频繁地参与，我们就能更快完成”。客户可以自行探索各种权衡，而不必让每个备选方案都变成一项需要你解释的新请求。

互动式提案兼具效率型 AI 与机会型 AI

做好之后，这是一种过去不可能实现的全新客户互动方式，同时还能大幅缩短每次谈判中来回沟通的延迟。它给人的感觉是，这种方式最终会彻底成为行业惯例，以至于我们很难记得自己曾经用过其他方式。

思路启发 #5：为商业决策构建模拟器

“我们需要再招一个人”背后可能隐藏着几种分歧：流程太慢、工作分配不均，或者预期需求即将激增。人们争论的是结论，但脑中设想的起始条件却各不相同。构建模拟器会迫使你明确这些条件，并让你能够检查每项假设的后果，例如需求增长更慢，或培训需要时间时，这个决定是否仍然成立。

其底层模式：构建假设推演机器

许多想法之间有一条共同脉络——互动式提案、决策模拟器——它们全都是假设推演机器。假如我们这样做，会有什么影响？会涉及哪些权衡？让这种推理过程变得可操作，是机会型 AI 的核心动作之一。

思考哪些地方的三维能力可能带来变革

Astra 最初真正引发兴奋的案例，有一些来自使用 Blender 操作 3D 软件的人——例如 Zillow 房屋的 3D 导览，以及通过旋转数字对象改变学习方式的体验。3D 是 Astra 独特价值的重要组成部分，也是最值得投入时间进行机会型 AI 实验的领域之一。

思路启发 #7：把客户故事变成迷你纪录片

组织机构通常已经拥有原始素材——采访、项目复盘、录音、截图。采访解释某种情况为何重要；录音展示发生了什么变化；电影则把它们结合起来，让观众能够认出问题、审视创新，并判断结果。第一步可以是：把原始素材全部丢进 Claude Code 或 Codex，让它一次性搭建出整体结构，只为亲身感受这种能力。

思路启发 #8：在情境真正发生之前先进行模拟

学习体验最难的部分，是为学习者创造练习判断并获得反馈的空间——例如应对难缠客户，或与管理层进行艰难对话。模拟式环境可以在判断进行到一半时立即提供反馈，而这很可能会发展成一个完整的职业发展体验类别。

思路启发 #9：把物理条件视为可以设计的东西

3D 建模让实体产品变得可原型化——可以是真实产品，也可以是更抽象的东西，例如一个带可拆卸部件、能让复杂关系变得具体可感的教师教具。配套网站的“改造为我所用”功能正是为此而存在：提供与你工作相关的背景，让它帮你发现可能性，例如根据工作室自身尺寸设计的吸音板。

思路启发 #12：把你的专业能力变成产品

专业帮助通常以对话的形式出现，但在对话过程中，你其实一直在收集背景信息、识别模式、排除那些看起来很有吸引力却并不正确的选项，并判断对方已经准备好接受什么。把其中某一部分具体判断变成一种形式，让人们可以自行完成——本期随附发布的互动网页应用正是如此。它能让你的能力规模化，对团队成员和客户同样有用；只要你反复向不同的人解释同样的事情，它也同时是一种效率型 AI。

效率型 AI 与机会型 AI 并不对立

机会型 AI 的目标很简单：拓展自我，追问现在有哪些事是我们过去根本不会做、如今却可以做了——其中一些想法最终会同时属于两者。思路启发的意义在于：你不必事先知道自己的机会究竟是什么。