题图
（题图由AI生成）

AI 正在让软件变得越来越便宜，开发的门槛也在降低。如今，很多没多少软件经验、甚至从没做过开发的人，也能有模有样地做出自己的软件。对靠软件吃饭的人来说，这不算什么好消息：做软件的人担心手艺贬值；用软件的人则在想，软件自己就会干活了，自己那点操作经验还值多少？

在生信行业，这种冲击更具体，因为生信人正是“用软件的人”那一头。过去，不少人靠帮别人做数据分析、绘制图表吃饭；如今这些活儿正迅速被 AI 接过去，而且做得更快、更精细、考虑得也更周全。于是，越来越多的人不再找生信人做分析，而是自己在 AI 的帮助下解决问题。

眼看着活儿一件件被拿走，“是不是快被 AI 淘汰了”的焦虑，也就不难理解。但我的判断恰好相反：被压低的只是做软件的成本，而不是人的价值。成本降下来之后，原先因为“做不起、不划算”而被挡在门外的需求，反而有机会被释放出来。换句话说，便宜的是软件，变多的是机会。

一、软件变便宜，需求反而被释放

软件越来越便宜，同时也在形态上发生了变化：过去人承担绝大部分工作，往后越来越多的软件调用由 AI 接管，人则退回“提出需求、做出判断”的位置。这个转变，就是对人的能力的一次杠杆性放大。

有人担心，需求都被 AI 消化了，人还能做什么？我不这么看。被 AI 取代的主要是实现环节，而不是需求本身；恰恰是它把实现成本压低了，原先“做不起、不划算”的想法才有机会被拿出来做。

石油行业早就演示过一遍：“石油只够再用几十年”喊了一个多世纪，“还能用多少年”的估算却不降反升——因为“可采储量”不是固定的量，而取决于技术与成本：勘探、压裂、深海开采每前进一步，原本“采不出、不划算”的资源就被重新计入储量。石油终究有限，但“还剩多少年”并非固定的倒计时；软件和生信都同理，一门生意能做多大，往往不取决于需求的有无，而取决于成本的高低。

二、机会在业务导向的深度定制

这些被释放出来的需求，具体会落在哪里？我想，多半在生命科学里那些非生信的专业方向上。做这些研究的，过去常常卡在两件事上：一是不掌握生信技能，二是不清楚有哪些公共数据和现成方法可用，于是研究长期局限在有限的范围和视角里。这些还没被“计进储量”的部分，正是未来生信从业者的机会所在。

说白了，就是“业务导向的深度定制”。真正的瓶颈，往往不在算力，也不在缺工具，而在数据、方法与生物学问题之间那道沟：公共的组学数据、队列数据、单细胞图谱已经堆了不少，分析手段也层出不穷，可面对一个具体的生物学问题，该挑哪份数据、配哪套方法、结论站不站得住，能同时读懂两头的人一直不多。好在 AI 正把写代码、跑流程的成本大幅拉低，这层沟也因此被填掉一部分。

于是，原来做不起的分析，开始做得起了。机会多半不在于再做一个通用的分析平台，而在于针对某一个具体的生物学问题，把数据、方法和解释串成一条走得通的链路——这正是通用工具覆盖不到、也未必愿意覆盖的地方。

三、门槛降了，但并没有消失

这些机会之所以现在才冒出来，是因为门槛确实降了：过去要写不少代码才能验证的想法，如今用聊天的方式就能把各种可能性深挖一遍；很多原本被“不会技能”“不知道有什么数据和现成方法”挡在门外的研究，突然有了做出来的可能。

但 AI 远谈不上完善。它和软件研发一样，一旦深入下去，就得靠对脚本的微调，来保证代码与预期目的完全一致。而这一步，既考验自然语言描述的精确性（在这一点上，自然语言永远不如程序语言精确），也考验对专业工具的理解。

更要紧的是，AI 再擅长，也摆脱不了幻觉，总得有人把它们识别出来，再加以约束和纠正。能胜任这件事的，只能是懂这一行的人——生信人员的经验和参与，恰恰是 AI 补不上的一块。所以，门槛是低了，但并没有消失：它只是从“会不会写代码”，挪到了“懂不懂业务、能不能判断”。

四、跳出技术的舒适区

既然如此，生信人就得主动跳出“技术”的舒适区。光会写脚本、跑流程、调参数还不够，更要紧的是钻进生命科学的各个具体方向，把那里的具体业务弄明白：这些研究者日常在琢磨什么，又真正卡在哪一步。

思路也得跟着换一换——从“我会什么技术”，换成“这个问题该怎么解”。站在对方的位置上（一位临床医生，或一位做实验的同行），先找到合适的生物学问题，再想怎么把它解决掉。到了这一步，干实验和湿实验都只是手段：策略和实现不同，目的却一致，哪种更能解决问题，就用哪种。

把这一步走通，才谈得上挖掘更真实的需求，生信的价值也才有机会真正体现出来；反过来，如果始终只谈技术、不问问题，再漂亮的分析也容易落空。

五、落到生意上，拼的还是专业能力

这个道理，放到生意层面同样成立：AI 改变的是实现的速度和成本，改变不了把一件事做对所需要的判断。

完整的服务，无非有更多资金投入、配备更多的人；落到产品形态上，无非两条路：要么是更“成熟完善”的软件产品，要么是深度定制的软件项目。前者必然不会每个细节都特别贴合每个客户；后者即便有 AI 加持，走到实施细节阶段，仍然是一两位工程师在一行行地码代码，草台性终究是不可避免的。

所以到最后，比拼的仍然是个人（或团队）的专业能力——判断需求值不值得做、把问题拆到可执行、再对结果负责，这几件事，AI 都替不了。客户愿意为之付钱的，从来是能落地的交付，而不是工具本身；落到合同和报价上，看的也是人，而不是用了什么工具。

六、无形资产加速折旧

另一面，技术在加速迭代。像 agent 这样的模式，也许用不了多久就会被新的范式取代——我把它概括为“无形资产加速折旧”：具体的工具、框架，乃至各种“资产”，贬值速度都在变快。

这对做产品、做服务的人来说是个很直接的提醒：把赌注押在某个具体工具或框架上并不牢靠，很可能还来不及靠它收回成本，它就已经过气了。真正能沉淀下来、经得起下一轮技术更替的，还是人本身的能力；这一点对一人公司、小团队尤其要紧——没有多余的人手分摊试错成本，就更不该把身家押在过眼云烟的工具上。落到日常，挑工具时更该问的是它替我解决了什么问题，而不是它够不够新。

说得更直白些：把工具当耗材，把能力当资产。耗材是随时可以换掉的，资产才是能一直跟着自己的东西——工具会过期，能力不会。

七、就业这件事

这些变化，最后都会落到每个人怎么谋生上。就业问题哪个时代都有，只是突出程度不同；与其说“越来越不好就业”，不如说，判断一个人是否“好用”、能否立足的标准，正在发生变化。

“穷则独善其身，达则兼济天下。”作为打工人，就专注提升自己的专业能力和工作能力，以获得更有利的竞岗条件；作为老板，就得扛起更多责任，在合法合规、足额缴纳税费和职工各项社保的基础上，创造更多就业岗位。不管哪种，都需要挖掘更多真实需求，靠自己能力找到更高性价比的方案——只想躺平，或只算计存量机会，很难破局。

说回我自己，我的一人公司生信助力，目前主营的，是生信数据分析和软件系统开发，也在探索一些偏数据类的产品方向，走的正是“业务导向的深度定制”这条路。公司成立已满三年，上面这些理解和判断，就是我这三年来边做边摸索出来的；期间踩过不少坑，也涨了些乱七八糟的经验。各位读者里，如果有人也想经营自己的一人公司，或者在经营过程中遇到问题，欢迎找我聊聊，大家共同探索。

--- END ---

注：本文由AI辅助润色，文章内容与观点均由作者本人提出并复核。