搜狐張朝陽：真人互動與真實內容是 AI 永遠替代不了的，AI 讓內容產生了塑料感
重點摘要
張朝陽指出真人互動與真實內容是AI永遠無法取代的，並比喻AI生成的內容像化肥催熟的西紅柿，缺乏真實風味。他強調過度依賴AI可能導致人類主動思維能力萎縮，應保持原創思考與深度學習的核心競爭力。
搜狐創始人、董事局主席兼執行長張朝陽近日在接受媒體採訪時直言，真人互動與真實內容是人工智慧永遠無法取代的。他指出，資訊獲取與真人之間的溝通是截然不同的兩回事，AI目前還無法替代人類交流。在資訊爆炸的時代，人們更迫切需要走出螢幕，進行面對面的互動。張朝陽認為，AI時代反而讓真實互動的環境變得更加珍貴。 針對內容創作者普遍存在的AI焦慮，張朝陽用一個生動的比喻來回應。他表示，現在AI生成的內容，讓媒體與內容產生了一種「塑料感」。就像用化肥催熟出來的西紅柿，外表看起來光鮮亮麗，但吃起來卻毫無味道；而沾著泥土的胡蘿蔔，雖然賣相不佳，卻香甜可口、充滿風味。這個比喻凸顯了他對當前AI泛濫下內容品質的憂慮，強調真實、有溫度的人類創作仍然具有不可替代的價值。 這並非張朝陽首次對AI與人類思維的關係提出警示。在今年5月舉行的2026搜狐科技年度論壇上，他就曾針對過度使用AI工具對人類思維的影響發表看法。張朝陽引用了麻省理工學院媒體實驗室的研究案例，指出過度依賴AI確實會導致人的主動思維能力萎縮。他強調，雖然AI能夠高效整合資訊，但人類必須保持原創思考與動手實踐的能力。 張朝陽以自己準備物理課的經驗為例說明：「AI可以快速提供公式，但只有親自推導計算，才能真正理解知識。」他呼籲在AI時代保持「思考比例」，避免被動接收資訊導致大腦功能退化。他認為，主動探索與深度思考是人類不可被替代的核心競爭力，也是人類在科技浪潮中保持獨特性的關鍵。 張朝陽的這番言論，反映了科技界對於AI快速發展的反思。許多業界人士在擁抱AI帶來的效率提升之餘，也開始擔憂人類創造力與批判性思維可能受到的侵蝕。搜狐創辦人從自身經驗出發，強調「真實」與「互動」的價值，為內容產業與教育領域提供了一個值得深思的視角。 在AI技術日益成熟的今天，張朝陽的觀點提醒人們，科技應該服務於人類，而非取代人類的思考與交流。他認為，無論AI如何演進，人與人之間真實的情感連結、以及基於實踐與理解的學習過程，永遠是機器無法複製的寶貴資產。對於內容創作者而言，保持原創性與真實性，將是在AI時代脫穎而出的關鍵。
Related
相關文章
搜狐張朝陽：真人互動與真實內容是 AI 永遠替代不了的，AI 讓內容產生了塑料感
搜狐創始人張朝陽表示，真人互動與真實內容是人工智慧永遠無法取代的核心價值，並指出AI的介入讓內容產生「塑料感」。這番言論反映了生成式AI普及下內容產業面臨的挑戰，以及科技與人文平衡發展的思考。
一枚5克AI戒指，讓我實現了隔空玩手機自由
KiWear發表一款不到5克重的AI智能戒指，主打隔空手勢操控功能，可無接觸控制手機、電視、車機等多種設備，識別準確率達98%以上。該團隊深耕手勢識別技術多年，並與高通合作成為其XR生態標準化外設。產品預計8月20日在Kickstarter以249至299美元價格啟動海外眾籌。
微軟AI收入高度依賴OpenAI
**微軟AI收入高度依賴OpenAI，佔比達七成揭露戰略轉型與行業博弈** 根據彭博社最新揭露的財務數據，微軟的AI業務收入對其合作夥伴OpenAI的依賴程度已達到驚人的比例。在截至今年6月的財年中，微軟AI業務總收入中，來自OpenAI的貢獻高達241億美元，佔比約70%。這一數字不僅揭示了兩家公司之間深度捆綁的商業模式，也解釋了微軟近期在AI戰略上的一系列看似矛盾的公開表態與佈局。
字節年內二開全員會：承認落後，轉向To B，重倉年輕人
梁汝波補充說，最重要的是動作不要變形，從心態上要接受大語言模型一段時間的落後，堅持自研和優化長期。“昨天看到有外部報道說，我們是因為外部壓力才堅持自研的，這是瞎猜的。真實原因是，我們希望團隊延遲滿足感，打好技術基礎，這對長期實現 AGI 很關鍵。”談組織管理：“砍中層”是誤讀，用人傾斜校招生此前，梁汝波於6月29日發佈全員郵件，對包含領導力原則在內的字節跳動文化和管理理念做了更新。
AI原生組織：誰思考、誰執行、誰負責、誰進化
AI原生組織：誰思考、誰執行、誰負責、誰進化AGI-Signal2026.08.06 18:23 · 來自北京全文9104字00:00 / 28:48這是這個時代背景下企業管理者必須回答的問題，也是一場每個人都無法迴避的時代大考。本文采訪對象：李智勇，《無人公司》之父、《AI原生組織》理論創建者之一。過去兩年，AI迅速進入企業。大家開始用AI寫文案、做方案、寫代碼，高管參加各種AI培訓，企業紛紛上線大模型、知識庫和智能助手。
使用 Meta 的 Ax 進行自適應實驗：實用編碼指南
在本教學中，我們使用 Meta 的 Ax 搭配現代 Client API 探索自適應實驗。我們透過完整的工作流程，在合成分類資料集上調整 RandomForest 模型，同時平衡預測準確度與模型大小。我們首先定義包含整數、浮點數、對數縮放與類別參數的混合搜尋空間，接著使用 Ax 的 ask-tell 最佳化循環來執行受限貝氏最佳化、多目標最佳化與參數受限實驗。過程中，我們視覺化收斂情況、檢視帕累託前沿、使用 Ax 內建分析工具，並持久化實驗以供未來重用。