AI 时代的产品创新与变革

开场：AI 时代，企业拼的是决策力

各位朋友好，非常高兴有机会来宁波给大家做这个分享。下午给我的时间差不多一个多小时，所以我语速会快一点，把我这几年跟各个企业做人工智能落地的过程、我们在做的事情、我们怎么思考、以及我们看到的未来，高密度地分享给大家。

主持人刚才也介绍了，我看上去比较年轻，其实已经是第三家公司了——第一家做电动自行车，第二家做电子烟，第三家就是现在这家，和浙大的几个老师一起，把浙大在人工智能设计领域的一些成果做产业化转移。这几段创业经历就一句带过，我们直接进正题。

人工智能来的时候，一个朋友跟我说了一句话，我觉得对所有人都很有启发。他说：我们都相信人工智能会渗透到各行各业，那你相信，你在哪一条路径上能成为一个有独特资源的人？人工智能一定会渗透、会改变各个行业，那你能扮演什么角色？我们这家公司，就是因为在设计上结合 AI，做了这么多年研究，在“AI 通往设计”这个应用场景里占据了一个位置上的优势。

前段时间有一家本地外贸企业想来跟我探讨 AI 设计在他们公司的应用，约了我好几次，我本来都不太想见。后来我既然到了杭州，就见了一下。结果他问了一系列问题，意思是“凭什么这些大公司愿意跟你们合作”，话里带着不太友好的揣测，我说这关你什么事呢——五分钟不到，我就送客了。我想说的是，AI 时代我们要改变很多思维。

工业时代你看的是规模、产能、注册资本；而 AI 时代，有可能就是两三个人，也能做出一个非常厉害的模型。对团队、对组织的形态，都在发生巨大变化。

我今天讲的所有东西，都会围绕这一张图的结构来展开。这是我从十年前开始思考的——人工智能这个时代，跟之前的互联网、工业到底有什么不一样。这张图上每一个词背后，我都可以拿出来讲很多。

大家先从字面理解一下。比如，成长的逻辑不再是“建设”，而是“进化”。再比如胜负点：工业时代的胜负点是效率、是生产效率；互联网时代的胜负点是你能不能连接足够多的信息，连接得多你就有流量；而 AI 时代的决胜点，是你的智能算法能不能极大地提升你的决策能力——这是一个企业最关键的胜负点。教育也在发生同样巨大的变化。

工业时代拼效率，互联网时代拼连接，AI 时代拼的是决策力。

去年之前我去北京，总觉得我们浙大还不行；但有了 DeepSeek 之后，大家突然发现：南方这一批科技人才，在产业落地、工程和研发能力上一点都不差。DeepSeek 一下子把很多人的固有印象给打破了。浙大其实也受益于这一波，又迎来了很多人工智能应用的机会。

某百年服装贸易集团：外贸四代进化

有一家公司很有意思，是一家有上百年历史的服装贸易集团，也是我们最典型的客户。他们最早只是想：我设计了一个图案，能不能把它变成一个 3D 模型？他们当时去找了国内研发科技最强的几家公司，找了一圈，看到我们好像在搞这个东西，就被推荐了过来。

合作到第三年我才慢慢了解到，这家企业其实代表了中国制造和外贸转型升级的一条完整路径——它可能比很多企业早走了十年、二十年。它有四个阶段，非常有意思。

第一个阶段就是做外贸中间人，说白了就是撮合买卖双方，成交之后收一两个、两三个点的佣金。第二个阶段，到了七八十年代，他们了解了供应链，就开始做采购——两块钱的东西卖两块五，赚这个差价。

第三个阶段，他们提出了一个叫“无边界生产”的模式。简单理解：我是一家外贸公司，我没有自己的工厂，但全世界所有的工厂都为我所用。我做一件衬衫，可能用韩国的面料、越南的纽扣，在越南组装，再卖到美国——全球设计、全球造、卖全球。他们就成了“虚拟生产”的一个典范，把整条产业链逐步做完善。

但 2000 年之后，他们遇到了很大的挑战。比如阿里巴巴起来了，很多小企业不再通过香港的贸易公司做外贸，直接就能跟我们宁波的企业对接上了；他们的大客户也受到冲击，比如沃尔玛这样的巨头，会被下一代的亚马逊这类平台替代——平台上的小卖家越来越多。所以他们的销售额开始下滑。

于是这几年他们又开始转型，提出自己是一家“科技外贸公司”：我依然控制着这么多的虚拟生产，但我用数字化的手段去管理设计、研发各个环节，给客户提供全链路的数字化能力。

在整条产业链里，只有一个环节是他们最难啃的骨头：怎么帮客户了解消费者、做出消费者想要的设计方案，并把产品开发出来——其实就是要把 OEM 升级成 ODM。所以他们一直在探索，怎么把数字化设计的能力跟整条链路结合起来。我们现在基本上就成了他们在数字化设计领域的合作伙伴，他们内部整个设计平台，都是我们在帮着搭建。

这对他们意味着什么？做外贸的朋友会很有感触。我记得读书时去宁波一家灯具企业考察，那个老板跟我说：老外很奇怪，我们自己做的设计他们看不上，非要让欧洲的设计师做。可这十几年看下来，中国设计的水平提升得太快了——现在很多老外过来，直接问你“有没有哪一款现成的”；去深圳也一样，看不上还有设计师马上能给你出新方案。所以设计对制造来说，不仅是研发，更是一种营销能力。

这里就有一个天然的矛盾：市场部要便宜、要数量多、要方案多、要多快好省；而设计师出身的人，恨不得像艺术家一样慢慢打磨，十年做一款产品。我自己经常同时站在这两个角色上，特别清楚这两种身份的拉扯。那 AI 在设计领域能帮上什么？就是让不那么专业、或者说普通的设计师，也能借助 AI 更高效、更好地做出好设计——降本增效，这毫无疑问是能做到的。

他们最早找我们，就是做一个很小的应用。客户拿着一件衣服过来说“我要抄这个款”，香港总部接到需求后要画成线稿图，再发给内地工厂转成工艺图。每个设计师原来都得手工勾图，勾来勾去不一定画得好，又费时间。他们就问：能不能用 AI，我一张图丢进来，给我三四个草图方案，设计师挑一个改一改就好？就是这么一个需求开始，我们一直持续帮他们在做。

前段时间我们去香港，同事给我总结了几页 PPT，说这几年我们跟这家公司在做的事情，本质上叫做 SOTA。什么是 SOTA？就是在特定领域里，找到技术最先进、表现最好、性能最优的解决方案。打个比方，就像老师给同学考试：考完了看哪类数学题、哪个同学考得最好。AI 技术每天都在变，我们要做的就是在不断变化中，找到当下落地最优的那个方案——这个方案今天和明天可能都不一样。所以我们帮他们做的大量“研发”工作，本质上是“研究”。

AI 为什么在企业难落地

来的路上我跟主持人也在聊，我第二个章节想讲：为什么 AI 在企业里特别难落地。这几年我给一千多家企业上过课，但真正我认为把 AI 落地得好的，没几家——两只手指头都数得过来，我深度合作的可能也就十家不到。为什么？因为大家要先改变认知。

今天的 AI，其实应该用“培养学生”的心态去用，而不是把它当成人才市场招来的人：先告诉我行不行，不行就给我走人。不是这样的。很多人跟我说“等 AI 成熟了我再去买就行”，我说不对——刚才讲到决策力，等它成熟的时候，你的决策力已经反应不过来了。所以 AI 要尽可能早地入局，保持一种学习的态度，跟 AI 一起进化；到合适的时间节点，你才能爆发。有点像今天我们人类要回到大学，跟一个机器人一起学习，学到哪天毕业不知道——可能你哪天辍学了，它也已经能产生生产力了。所以我们大量的工作，是在做测评、做应用场景的集成和快速落地。

举个特别典型的例子。有一天客户的技术经理发来一个链接，说某视频模型 2.0 发布了。我们大概就知道他什么意思了——快速测一下 2.0 到底有什么能力提升。他们有一个业务场景：一件衣服做完之后，要让模特 360 度走一圈，展示这件衣服的样子。我们就拿 1.6 和 2.0 来比：1.6 模型耗时约 250 秒、花 0.5 美金；2.0 模型生成要 300 到 500 秒、花 1.4 美金。

结论是什么呢？2.0 在人物姿态、动作幅度上确实更有优势，但对他这个业务场景，1.6 就够了，没必要上 2.0——2.0 更适合做动画。你看，这就特别像一项研究工作：并不是模型越大越贵越好，而是哪个模型像哪个学生一样，最适合你企业的应用。你事先是不知道的，得自己去找到这样的应用场景。

这几年我们被很多企业“逼”出了一套体系，其实跟老师考核学生很像：多维度评测，业务人员打分、设计师打分、专家打分，测完了说“你可以毕业了”，这个“毕业”的模型就能部署到内部去做应用。

开发者与应用者：两类人

未来企业内部会有两类人：一类叫开发者，一类叫应用者。来的路上我还跟同事聊起我们一个部门的几个人。对那些还在做“人肉工作”的人，我会问一个问题：你做的哪一个工作环节，你认为五年、十年之后仍然是人干的，而不是机器干的？你要是能跟我说清楚，那你今天用人工的方法干，可以；但如果你做的就是做内容、发视频这类运营，我说这些机器都能干——你不淘汰自己，过几年我也会淘汰你。我跟他讲得很清楚：未来的人里，有一拨人其实类似工厂里“造那条自动化产线”的人。

如果你今天还坐在工位上，拧一颗随时可以被自动化替代的“螺丝”，那你一定会被 AI 替代。你就得转型：看看你能不能转成内部的应用者，或者去找真正属于人的价值，比如客户关系的维护。人未来一定要有人的价值。所以我说，你要好好思考并回答我这个问题：什么是人的价值？什么是机器的价值？在人和机器共同进化的这几年里，你怎么定位三五年之后的自己？

企业也是同样的道理。未来的企业里，绝大部分不需要那么多人——一条流水线，一个人开发完，顶多旁边站个人监管一下，让它运转过去就行了。自动化机器替代的是物理世界的劳动力，AI 替代的其实是白领的工作流程，是白领工作的自动化。我们今天有大量工作，未来几年都会被自动化掉。这中间会有一个过渡期、一个人机比例的问题，但未来的企业都会需要这样一个数字化、AI 化的内容中台。

监管在变，第二大脑在来

同时我们也看得到，时代变了。前两天监管部门约谈了几大电商平台，要求他们调整推荐算法。推荐算法某种意义上已经在“控制”我们了。我经常跟家里有小朋友的家长说：一定要控制住小朋友刷短视频的时间，成年人都控制不住，小朋友怎么控制得住？短视频背后其实就是一个大 AI，它是有能力影响你情绪的，就看它想不想。

它今天想让你多停留、想多赚点钱，算法就贼精准。所以推荐算法本质上是一种掌握了 AI 能力的能力。以前是搜索的时代，而到了 AI 时代，未来的推荐会更进一步：它会给你一个虚拟的“你”。现在的推荐还是靠打标签，但未来会有一个“邱懿武模型”，它一定比我更了解我自己的行为；和它共处二三十年之后，你忘掉的事情，它都还记得。

所以这是 AI 领域一个很热门的方向，叫“第二大脑”、数字永生——我们这一代人，从今天开始积累自己的知识内容，十年、二十年之后，这些内容其实是可以被复刻、被延续下去的。我们在技术前沿能看到，下一代会出现 AI 与流程引擎结合的东西。AI 的交互方式也在变：以前是鼠标点，未来从鼠标点，到半自动、再到全自动。比如让 AI 去做一款泳衣，它会去调市场数据、调 ERP 数据、调工艺清单和材料采购的数据，综合分析、推测客户需求，做出方案，最终自动生成 PPT。

当然这个还在开发中，企业级应用可能还要两年才能完全做到。那请问：到那个时候，你公司一百个设计师里，哪些工作会被替代？设计师又会去干什么？这就是我们要面对的挑战。

设计的价值：让专家能力 AI 化

我们为什么做这件事？我内心一直有个想法：把专家的设计能力 AI 化之后，其实可以复制给很多制造型企业。我读书的时候，宁波经常办工业设计比赛，我还拿过其中一届的金奖，当时奖了我几万到十万块钱。

宁波政府对工业设计的支持力度非常大，十年前就有“政府帮企业做设计、还补贴一半”的政策。为什么？因为领导意识到，设计推动制造业往上游成长，是非常重要的一环。发达国家因为更早全球化、品牌化，就能用品牌去收割全世界——同样一双鞋，可能就是宁波或莆田生产的。我们很多中小企业的老板，是花不起那么多钱做设计的；以前靠政府补贴，可现实是，设计的价格还是太贵了。

站在设计师的角度，好设计当然贵。但这个产业链里，需要很多“不要那么贵、又要够好”的设计。这道鸿沟怎么拉平？这就是 AI 的价值。所以这么多年我们一直想用 AI 把设计师自己解放出来，让他去做更专业级的设计。

很多时候，客户其实知道自己想要什么，只是他不会画、不会表达、不会做；但你只要把方案做出来给他挑，他就能挑得准。以前每做一版成本太高，现在你也不必告诉客户这是不是 AI 做的，只要说“我们设计师又做了一批东西，你看看这个季度有没有看中的”——这样就带来了开发流程的变化，效率会有很大提升。

同样的道理，这是我们浙大的一个项目，跟某头部羽绒服品牌合作的。我们会发现，在服装领域有很多不同的应用场景，随着这一代技术的变化，能实现不同能力的提升。

用 AI 重构组织流程

做完之后过段时间，某头部羽绒服品牌那边的老板提了一个非常有意思的点。他跟负责这个项目的副总说：你们别整天想着给设计师做工具了，行不行？我给你权力，你用 AI 重构一家某头部羽绒服品牌，你会怎么做？这个老板很有战略眼光，他看到的是——AI 其实会改变很大的东西，叫组织流程。

比如原来：企划做完，交给设计师、再到生产、再到营销，设计师在这条链路里话语权很强，常常成了卡点——他说不行，就卡在那了；可站在企划和生产的角度看，明明挺好的，你偏说不好。组织流程里就有很多磨合。所以他们设想：未来有没有可能变成——企划做完，让 AI 出一个方案；AI 做完也不用市场部再给建议，AI 直接帮我把“商业潜力值”打完分，只要流程机制愿意去做测试，最终用商业上的成功来检验整条链路。

你不要只做一个环节，你能不能用 AI 重造一个流程？

所以我们看到，下一代很可能是用 AI 在各个环节中，彻底改变传统工业留下来的那套流程。

某服装类高校：把汉服做成模型

第三个项目也挺有意思，我们帮一所服装类高校做的。项目背景是：某中部城市的当地领导找到这所学校，说我们这里有这么多汉服，但稍微懂汉服文化的人一看就知道，很多服装其实缺乏文化传承，形制也不规范，应该有一套更讲究的标准。

他说：你们能不能出一套汉服的标准？以前学校会把标准写成一本书，而这次领导提的是——能不能把汉服做成一个模型？于是我们把学校考据回来的所有汉服知识内容，做成模型、做成平台，搭了一个中国汉服设计平台。有了这个平台，生成的很多新作品既符合规范，又有新的设计；它其实是几个大模型的融合，可以理解为“汉唐宋明加上现代”这几大风格的融合。

既能做传统汉服，也能做新中式的融合。所以有了这样一个平台，他们领导今年跟我说：要不我们把这个项目继续往产业化方向做。我也问了他一个很关键的问题：那我们到底怎么赚钱？把软件给别的企业用是一种做法，但好不好用还可能被人质疑。商业模式到底是什么？

这位领导给我的方案是：在当地直接搞一个现代化工厂，把智能设计、智能制造、智能营销三套系统都做好，找产业合作伙伴一起，建一个新工厂，只做汉服。我说那投入可大了。他说没关系——西装工厂我们不敢搞，因为那是大工业、市场化竞争非常卷的行业；但汉服是小众的，把数字化的缝纫和系统一弄，就能把整个流程打通。

我说那赚谁的钱呢？他说有很多影视剧组、导演，他们的汉服都要高定。我说这个生意不错。所以现在这个项目正在落地。你看，设计真正发挥价值，还要加上制造、加上营销，三位一体放到一起——中国制造的提升，从来不是制造单一环节的事，而是设计、制造、营销一起的提升。

能力错配：从 82 分到 85 分的“补丁”生意

今天再讲 AI，大家其实都听烂了。但你要真问“你们公司 AI 在哪个方面发挥了多少价值、讲个案例出来”，我认为能讲清楚的还是少。为什么这个看似习以为常的 AI，在企业这么难落地？这是这两年我最常碰到的问题。经常有人问我：老师，你能帮我用 AI 做个爆款吗？这个问题特别难回答。做过爆款吗？肯定做过。但今天 AI 一出手就是爆款吗？不能这么说，因为今天的 AI 并不是一个全知全能的人。

我常打个比方：很多人问“老师，AI 能帮我升官发财吗？”我说，如果 AI 马上就能帮你升官发财，那我还跟你讲这么多干嘛？今天的 AI 更像是“读书”——读书跟你的仕途、跟发财有没有关系？可能有，也可能没有，是相互影响、看时代节点的。你今天上来就说“我要 ROI、我要马上发财”，那可能你对 AI 的认知本身就不太对。它今天更像一个实习生、一个本科生，你要跟他保持一种合作学习、共同成长的态度，这才重要。

我们公司也很有意思。我原来想帮一些小商品市场的店主做设计，可真去了，反而常被怼“你们这不行、那不行”；反倒是在大公司那里，我们获得了尊重，人家说“你们不愧是专业的”。这是我们搞技术的人的一个现实。

所以这两年我跟公司同事说，AI 在企业里其实是一种非常不平衡的战略资源：越大的企业，老板和 IT 部门越重视，哪怕今天打了水漂，也愿意花点钱去投。越小的企业越现实——也理应现实，因为明天能不能活下来都不知道，得先考虑明天能不能赚钱。所以我去那些小店，店主都会问我：你这个 AI 明天能帮我提升流量、能卖货吗？我就不太好回答了。

这一代 AI 在我看来，未来其实会是两类企业：恒者恒强。因为它有资源投入、能形成壁垒，一旦建立起 AI 的优势，别人想打它就很难。中国一个很典型的例子，我个人的观察，就是字节这家公司——它在这一波里建立的平台和网络优势非常强，很有可能成为未来中国最大的 AI 公司之一。我记得十几年前曾传出一条新闻，说有大厂想投资字节，张一鸣直接在微博上回了一句：以后谁收购谁还不一定呢。

我在深入学 AI 的过程中看过张一鸣的一段讲话。有人问他：你觉得你这家公司最大的竞争壁垒是什么？他说，是我的认知。很多人听不懂这句话。他在一次面向学弟学妹的演讲里讲过：2013、2014 年深度神经网络兴起的时候，他是计算机背景出身，深刻意识到神经网络会改变信息分发的模式——不再是人主动去找信息，而是 AI 用推荐算法把你想要的信息推给你。

这就是最早的今日头条，它无非是把今日头条的逻辑用到了短视频上。包括黄峥做拼多多的时候，一开始别人理解不了什么是拼多多，他在一档央视节目里说：拼多多其实就类似于“给你推新闻”那样，我把商品推给你。这就是上一代推荐算法对 AI 的底层认知。等那几个巨头反应过来，字节已经建立起极大的平台优势了。所以 AI 这件事，看着可以很浅，但时机很深，深到你得去理解它背后的底层原理。

小学生的身体，博士的脑袋

为什么 AI 会带来这么大的变化？刚才说企业难落地，很大一个原因是：很多人以为今天的 AI 是一个全知全能的人，这是不对的。人是有很多种能力的：我跟人打交道是一种能力，我处理一个 Excel 表格是一种能力，每一个任务环节其实都对应一种能力。所谓人工智能是什么？是把“人工的流程”给智能化。当然，所有科学家、包括 OpenAI，最终都朝着“把人智能化”的目标走，那就是未来的超级人工智能。超级人工智能还没到，但这一代 ChatGPT 过来，已经有了一点点通用人工智能的味道。

以前每一项能力都要单独训一个模型，今天我们去拆解，人大概有百分之五六十的工作，可以基于今天的通用模型来做。所以我们要非常清晰地认识到 AI 的能力边界。举个例子：让 AI 写一篇普通作文，它可能比一般人写得还好；但我再加一个定语——让它写一篇“政府领导在严肃场合的发言稿”，它就不一定达到预期了。

今天的 AI，有点像一个小学生长了一个博士的脑袋：脑子贼聪明，是博士的脑袋，但四肢和其他感知能力，还是个小学生。

同样一个模型，换一个场景、换一种技能，人的预期和 AI 的能力之间就会出现落差。毫无疑问，今天以这些 SOTA 模型为代表的大模型，在很多单点能力上，已经能远远超越我们人的单点能力了。它把全世界的文字知识压缩进去，知识密度极高；这几年还在持续提升推理能力、编程能力等等，各项能力会随时间一起往上走。

第二个常见情况是：很多场景下我们的预期是 85 分，而今天的 AI 只能做到 82 分。比如给领导写发言稿，写完总有几个中文语义上的词它理解不到位，你还得人工改。那你就得为这 82 分到 85 分之间的 3 分去“打补丁”。

所以企业要认清自己到底在哪个维度上。如果你认为通用 AI 的能力已经超过你的任务场景需求，那你花十块、二十块去找个豆包这样的工具做一下就行了。但如果你只差那 3 分、偏偏又跨不过去，怎么办？可能这 3 分就得花几十万，找我们帮你补上——这就是大公司看得很清楚的地方，他们知道 82 分到 85 分之间那段距离的价值。

还有一种情况：老板自己眼界贼高，拿 95 分的要求去衡量，可他自己都没做到，却要求当下只有 80 分的通用能力达到。比如有一次我们做了个美甲的模型，我去一个小商品市场做测试。我一说 AI，那些店主直接怼我：“我们都用 AI，早就用得很好了。”我说好，那你们怎么用的？她们说网上的工具都用过，用得可溜了。我就打开电脑：“给你看一下，你们能做出这个样子的吗？”她一看就问：“你们这做得这么好，怎么做的呀？”她是拿着 95 分的眼光，用着 80 分的通用工具，去要求一个结果；而我们企业化的应用场景可能能做到 90 分，但她不一定有相应的付费能力和开发能力，所以只能等技术都成熟之后再去用。

电机进工厂的 30 年：为什么不改组织，AI 就转型不掉

人和 AI 一样，都有能力强的地方和不强的地方，我们要发挥它强的地方，组出新的生产力。有一年我看到一条新闻，一下子就明白了是怎么回事。谷歌的 CEO 前年去斯坦福上 MBA 的课，最后教授举了个例子：为什么电机出现之后的头 30 年，并没有显著提升工厂的生产效率？

因为在电机和内燃机之前，工厂典型就是一台大蒸汽机在那儿烧，动力引到各个地方去，整个车间围着这一台大设备转。后来把蒸汽机换成内燃机、电机，动力肯定更高效、更节能了，可公司效率却没怎么提升，差不多看不出来。为什么要到三四年甚至更久之后才显现呢？

因为后来发明了分布式电网和分布式电机。说白了，就是不再依赖一个房间里那台大蒸汽机，而是把大电机变成像电动螺丝刀一样的小电机，分到各条产线里去。产线的改造也就能分布化了：你做这个部件，他做那个部件，最后到总装车间合起来，生产效率才极大提升。

企业不做组织、人才、流程的改革，AI 化是转型不掉的。因为今天 AI 革的就是人的命——你人在这个位置上，怎么可能愿意让 AI 来替代自己？

那改不掉怎么办？只能靠时间、靠市场竞争、靠外部力量不断冲击：你要么挂掉，要么在冲击中不断调整。这么多年跟企业打交道下来，我的体会是：AI 既是一把手工程，又是基层工程——老板要懂，中层要配合，下面也要执行。

我在一家企业里就碰到过：老板听完课特别激动，觉得可以改革了，也投了不少钱进来，可方案在公司里就是推不下去。为什么？因为下面的人觉得我是老板派来“革他们命”的，所有人都不配合，根本压不下去。压不下去，他们还会在老板面前说这里不好、那里不行。

我后来就跟那位老板说：算了，有些企业是改变不掉的，你就认了这个命吧。你们还能靠原来的品牌优势、工业优势再挣扎一阵，生命周期可能会更长一点；但我也不太愿意再花时间去帮你硬改造了。

第二，今天的 AI 看似成熟，其实又不成熟。它就像一个刚毕业的大学生，你直接让他进工厂、进你公司。有些人会气得说“你们年轻人这也不会、那也不会”——其实是一个道理。我们专业的人对 AI 也常这样：你这个还没达到、那个还没达到。但要换个思维：看它有什么能力，它什么是好的，能不能把它好的能力集成进来，为企业产生价值。

第三，一个“大学生”怎么定价、怎么发工资？商业模式是什么？这其实也还不清楚。企业都希望自己未来的 AI 化最终能像自动驾驶——变成无人车，直接出去接单赚钱。但短期还达不到，顶多是工具层面的降本增效。等赋能到一定程度，如果这家企业真能转型，它才可能变成一个自动化、智能化的组织。

就像汽车自动驾驶发展了十年，也才到 L3，还没到 L5。人和 AI 会长期处在一个共生共存的周期里。

过年聊 DeepSeek，差点聊抑郁：人类最后的价值是什么

在共生共存里，就要去找：人的价值是什么，机器的价值是什么，什么事该让机器干，什么事该人干。能把这件事识别清楚，其实挺不容易的。

这就是今年过年期间 DeepSeek 给我的冲击。在 DeepSeek 之前，我们公司虽然是做 AI 的，但说实话，作为老板我没多少时间真正去用 AI。过年在家没事干，既然大家都说好，我就在家测评不同 AI 的能力——把 DeepSeek R1 和另外两个主流模型拉到一起，同一个问题一起问、一起答。之前这几个模型我都有，但没怎么深度用过。这样深聊了一个礼拜，过完年回公司，我召集全公司的人，说了一句：我都快聊抑郁了。

为什么聊抑郁了？因为聊完之后，我在公司贴了一句话：我在思考，人类最后的价值到底是什么？我是学设计和技术出身的，创业过程里其实没正经读过 MBA，商业上的很多东西都是自己摸索的。我对很多事是有感知的，知道某个领域底层应该有一套规律和方法。

以前我是怎么找这套规律的呢？在浙大上课时，我会给研究生、也给管院的同学布置一个题目，一个月甚至半年，都不一定能给我一个好结果。说白了，我是想把自己的一些需求分担给员工或学生。可现在，这还不如我自己用 AI，花一个小时到三个小时就解决了。这个冲击对我是巨大的。

那我干嘛还要花时间去教一个学生？我回公司就拉着所有员工说：今天我给你发工资，本质是我买了你的时间。理论上，今天我教你东西，你应该实时给我“打赏”——你觉得有价值，我再给你输出，你就该给我回馈。这可能就是未来的价值计算方式，类似 token，只不过现在还得用人民币结算，没那么方便、那么实时。

跟 AI 打交道之后我发现，很多问题我根本不需要再交代给员工了，自己用 AI 就解决掉了。其实我们一些 00 后员工，在 DeepSeek 出来之前就跟我这么说过：不需要那么多程序员了，一个人能干十个人的活。只有当你真能一天跟 AI 聊上十个小时、还能聊嗨了，你才会彻底发现 AI 的能力到底在哪里。

我把这事告诉那位大公司的老板，他问：同样的问题，为什么你聊出来这么有深度，我就聊不出来？我说，因为你没给 AI 付出时间，自然感受不到它反馈给你的能量。

（这是我个人带点玩笑的标准）后来我对公司的人有个说法：如果你不是一个每天能跟 AI 聊三小时以上的人，就先别进我们公司。聊不到三小时，说明 AI 离你还很远，你只是拿豆包做做搜索，意义不大。能聊上三小时，往往说明你确实有很多场景被它解决了。

反过来，我现在常常会坐到年轻员工旁边，看看他们到底是怎么跟 AI 沟通的；我也有一些新方法可以教他们，他们的一些技法也能教我。这样一个小团队的成长速度会变得特别快。

“加 AI” 还是 “AI 加”：用第一性原理重造一个行业

跟很多企业沟通到最后，我把结论收敛成三件事。第一，AI 公司其实不需要那么多。就像国家电网——全国基本就两张大网，国家电网和南方电网，这种基础设施公司要的是大投入、大基建；上面才长出各种各样的电力设备公司，是基础性的格局。

那位企业老板跟我说：我们作为大公司今天要拥抱 AI、要“加 AI”，希望 AI 能带来降本增效。我说能做到一部分，但不是你想象的那样——你今天的组织不会因为加了 AI 就直接变成一个 AI 化的组织。真正的机会更像当年的电商：服装企业搞电商部门，往往是老板的儿子女儿自己上。为什么自己人“革命”不丢脸？AI 也是同样的道理——只有“AI 加”才会重构行业，带来更大的爆发可能。

这就回到前面说的：组织、流程、人才体系都得改造，而这只有掌权的人才能做。阿里云创始人王坚博士在央视上说过一句很经典的话：

AI 不是工具的革命，是革命的工具。

是革命的工具，就还得有革命军，得有人拿着它去革命。最好的场景，就像某头部羽绒服品牌的老板跟他副总说的那样：你有能力，你说要革我的命，我愿意陪你。自己革命，总比被别人革命掉更好。

所以“加 AI”和“AI 加”是两种完全不同的思路。“加 AI”所有人都会加，过几年就不必再说加不加了——就像今天的智能手机，已经不用强调“智能”二字了。可智能手机时代和功能手机时代，其实早已不是同一个手机；AI 手机时代和现在的智能手机，也会发生巨大变化。一个公司、一个载体被 AI 化之后，可能会变成一个新物种，这里头一定有很多动力，也一定有很多阻力。

这两年我们干了很多“加 AI”的事，服务了很多企业帮他们加 AI，加到最后我的结论是：大多数都改变不掉、革不了命。那为什么还愿意帮他们做？因为年轻人要从这些企业身上学习——它们凭什么成为今天的企业，有哪些方法值得学。我反而鼓励年轻人：你学的过程里，哪天觉得自己可以革命了，就出去革命。

这三段结论，我去找一家咨询公司都不一定能拿到——前两年我已经让人帮我分析过，得不出结论。后来反倒是 DeepSeek 帮我总结出来的：它说，从技术与行业价值的角度看，AI 本身的价值是高的，“AI 加”是中的，“加 AI”是低的。打个比方，计算机视觉是通用技术，可以在各领域用，你把它用到安防领域，行业价值的确很高。

再比如，如果 AI 能在治疗癌症这样的场景里发挥作用，那它在这个点上捕获的价值就非常大。所以要找的，是那些价值捕获点特别大、又可以被改造的行业。这里还有投入密度的差别：我们自己做 AI 设计模型研发，可能是一倍投入；去改造别人，要给人家培训、梳理流程，一来一回，投入可能变成三到五倍；要是我们自己从头做一个完全没做过的产业，那就更难，可能是十倍投入。

有意思的是颠覆曲线：每一波技术的成熟期大概五到十年，大家先学习、再试,试出点价值，总要三五年。ChatGPT 出现到现在差不多第三年了。但这一次，DeepSeek 某种程度上也算给字节“打了个脸”——这是我个人的看法：它显得还在用移动互联网的思维去思考；而 DeepSeek 什么花活都没做，就是做了个足够智能的模型和应用，一个月就爆了。

它们刚研发的时候，我有个学弟在那边做投资，聊过很多公司，我也跟他交流过，说：你们一家做基金的公司做 AI，怎么能打得过这些互联网大厂？后来我看到梁文锋的一个采访：他们不做多模态、不做图形，只做知识本身，认为知识本身的能量和知识密度是最高的。DeepSeek 的出圈，其实就是把一个点上的能量密度打爆了，大家迁移过去，于是迎来爆发式增长。

所以对下一代创业者来说，要找的反而是“AI 加”的机会。哪怕你在一个行业干了十年，想改造它，也一定要先跳出来，用第一性原理重新看：原来什么是对的，什么是不对的。

如果让你用 AI 把这个行业重造一遍，你会怎么做？想清楚再去整合资源，你就有可能成为下一代的企业。

今天很多人搞 AI，无非是“PPT 做得好看一点、文本写得顺一点”，这种价值有，但“加 AI”的价值不大。所以我前面那张图想说的是：AI 最大的价值在决策力——“AI 加”的企业，决策是自动化的。

很多时候企业效率上不去，不是人的原因，是决策的原因：人已经干完了在那儿等，等了一个礼拜没有决策、没有反馈。互联网时代好一点，信息一发过来，手机上就能看、就能回。而理想状态是：一个人做完的工作，机器立刻打完分、做完评价，进入下一个环节，还能做模拟仿真。企业的决策效率高了，才是真正的效率提升。一辆无人车跑在路上，每个路口、每种情况都是它自己实时决策——这才会形成下一代真正的生产力。

意识、能量与“AI 型企业”：机会给谁

这两年我自己最大的学习和成长，是跳出人的世界去看人。你会发现，人其实很“笨”，也很脆弱：你要睡觉，记忆有限，脑力有限，而且脑力不可被复制；机器不是。站在未来机器的视角回看整段历史，它就是一个新物种——在它面前，人类有点像蚂蚁，它是一个超级智能体。我们要琢磨的，是怎么跟它找到一种好的相处方式。

这里最大的变化在 AI 的底层。DeepSeek 帮我总结了四个词，我觉得很到位。第一，时间被压缩了——获取知识的门槛和速度大大降低：以前你要进入一个新行业，得去图书馆找、去互联网找；今天只要用得好，AI 学习的速度会快得多。第二，空间被折叠了——因为我能学你的东西，彼此的边界就模糊了。

第三，能量可以跃迁。以前你辛辛苦苦读了很多年、拿了个学位；而今天如果只是学知识，这份能量是可以被复制的。当一个人能被“专家模型化”之后，他的知识能力可以被 copy、可以长存、可以积累——不像人类顶多活几十年，一波接一波；机器却能不断累积，越来越大。第四，意识在被重构。前面说的推荐算法就是例子：在这个由 AI 掌控的信息世界里，到底谁说了算，已经不好说了。

我今天给你推的这条广告，到底是你本来喜欢的，还是我在潜意识里塞给你的？这件事正在被重构。也正因如此，围绕 TikTok 才会有那么多博弈——想通过它去影响一个国家的年轻人，其实并不难。而未来主导社会的，会是“AI 型企业”。

我在琢磨什么是“AI 型企业”时，找到一篇 2017 年的文章，提到某跨境快时尚女装公司。它表面是卖女装的，但有人说它本质是一家 AI 公司——这是个有意思的视角，我个人也比较认同：因为它整个公司的决策流程机制就像短视频平台一样，基于爆款逻辑，形成了一个增长飞轮和规模效应。

关于什么是 AI 型公司，吴恩达教授提过几个标签：你这家公司能不能策略性地获得有价值的数据？很多人以为自己有一堆资料就叫数据，不是的，要的是业务中真正有价值的数据。有没有统一的数据仓库可以支撑决策？有没有普遍自动化的流程？有没有新的岗位？

这两年做下来，我认为 AI 最大的门槛其实是认知。新的技术革命，本质上需要的是新的认知，而不仅仅是技术本身，更是这项技术会带来的蝴蝶效应。

那机会给谁？我去看历史就很有意思：每一代新技术革命，机会往往是给“童工”的。所谓童工，就是你正好在那个时间节点，正好是最合适的年纪。比如乔布斯、比尔·盖茨和甲骨文的创始人,是同一年出生的，他们在同一年看到了硅谷的计算机革命,又在同一年下场去做。后来互联网那批人——张朝阳、丁磊他们，年纪也差不多；张一鸣和王兴也是同年的。年代很重要。

为什么利好“童工”？因为你刚溢出社会，或者刚工作没几年，有点经验又没太多经验，既没包袱也没压力，可以完全按你对这个新世界的理解去做。

美国工业革命的起点，传说也是一个“童工”：他在英国工厂里就开始修机器，后来到了美国，帮工厂老板修纺纱机，跟老板合作，带动了美国的工业革命。而我看真正这一波 AI 红利，更适合的，大概是出生在上世纪末、本世纪初那几年的这批人。

机会是给“童工”的

每一代技术革命来的时候，机会其实都是给“童工”的。所谓童工，就是你正好在那个时间节点上，正好是最合适的那个年纪。比如乔布斯、比尔·盖茨和甲骨文的老板，三个人是同一年生的，他们在同一年看到了硅谷的计算机革命，又在同一年下场去做。互联网那一波也是，张一鸣和王兴是同一年的，张朝阳和丁磊也差不了多少。年代很重要。

为什么利好童工？因为童工刚溢出社会，或者刚工作没几年，有点经验又没太多经验，没有包袱，也没有压力，可以完全按照自己对这个新世界的理解去做。美国的工业革命也有这么一段：有人在英国工厂里修机器，后来偷渡到美国，帮工厂老板修纺纱机，跟老板合作，带动了美国的工业革命。

这一波 AI 真正的“原住民”，我个人判断，年纪大一点的，大概是 1998 到 2002 年之间出生的这批人。他们读大学、快毕业的时候，写论文天然就开始用 ChatGPT，用得很熟练，知道什么问题该在什么时候交给 AI。如果他自己又有工程能力，再过三五年，他们的力量就会爆发出来。反而我这种 90 年左右的，在他们面前都算是老人了。

大部分人只能做“加 AI”，但能做到“AI 加”的人，可能一百个里有一个就很不错了。这一个人，可能会成为未来这个行业、产业的引导者。

这场革命还远没到成熟期，才刚刚开始，哪怕 DeepSeek 也不是 AI 的最终形态。下一代 AI 还在酝酿，会更具备超级智能、自我学习的能力。在那种超级智能面前，人类会更脆弱，几乎任何维度都可能被碾压到专家级水平。所以我跟很多同学说，如果你今天的就业跟 AI 一点关系都没有，我建议你重新想想——没有跟 AI 沾边的行业，本质上都是上一个年代的传统行业，哪怕是互联网公司，道理也一样。

没被工业化、又适合 AI 的赛道

人类的价值在哪儿？要去找那些“人还有价值”的场景，那些人机比还能高一点的地方。哪些领域有大机会？过去四十年中国的改革开放，本质上是抓住了工业化和外贸全球化两个机会，该卷的现在也都卷得差不多了。下一波的机会，是那些过去没有被工业化掉、但这一代 AI 又特别擅长的领域。

比如教育、医疗、金融、法律——美国去工业化之后引以为傲、保留下来的那些高价值部分，恰恰是最容易被 AI 化的。

为什么以前难？因为过去让 AI 去处理大量闲散的、非结构化的数据很难。但这一代大模型能融会贯通，已经具备“实习生”级别的能力了，再往后会慢慢成形。我自己视野打开之后的感受是：旧的秩序在瓦解，新的世界真的像一片森林。但在这片森林里，并不是所有机会都属于看得到的人。

AI 营养顾问

我有一位做大健康渠道的朋友，我给他建议之后，他现在在做 AI 驱动的营养顾问。我给他总结了一句话：让每个人都拥有一个“御医”。中医里有很多说不清、道不明、近乎玄学的东西，本质上就是大数据——只要喂给模型的案例足够多，它就能学到很多经验，西医更不用说。以后人的健康管理会更像中医，不是等生病了再治，而是提前管理好营养和健康。

过去一个“御医”只能服务几个人，现在借助 AI，可以服务几万人，这就有了规模化、工业化的优势。

AI 重构人力资源

人力资源也特别适合被 AI 化。每个老板都想在组织里有一个“上帝视角”，能看清楚每个人。过去人力资源里有很多人格测评，像 MBTI。设想一下，如果戴上眼镜，一看就知道对面这个人的人格模型是怎样的，当我靠近你，AI 就提醒我该怎么跟你打交道——你是喜欢听好话还是喜欢听真话。我把它叫做“老板的读心术”，最适合做这件事的，是原本就做心理学、做人力资源研究的人。

不过这类应用要格外小心隐私和伦理的边界，这是我个人的提醒：能力越强，越要想清楚什么该做、什么不该做。

AI + IP 文创

这几年泡泡玛特这种类型特别火。在 AI 时代，怎么让每个人都成为艺术家、让 IP 被重新挖掘？AI 加 IP 再加不同的产品应用，会不断有新机会，有点像开奶茶店：今天的泡泡玛特可以是喜茶，但还会有霸王茶姬的机会、古茗的机会。我去全国各地看，很多县城里的连锁奶茶店也发展得很好。用 AI 重新挖掘文化、做文创，机会很多。

AI + IoT

还有新的 IoT。上一代 IoT 多是小米、涂鸦这些大公司在做，这一波可以用 AI 的方式去做，类似于把手机“去中心化”。我身边其实看到了很多机会，这些机会不可能都我来做，所以我经常给朋友们指点一下。

我今年在做的事：撮合“两种人”

我今年甚至给自己提了一个目标。我身边朋友很多，我在努力找出我认为这一代 AI 创业最好的两种人，把他们撮合到一起重新创业：一个是财务和时间都自由的产业老板，一个是 AI 原生一代、有 AI 产品思维又有工程能力的年轻人。

为什么一定要有那位老板？他要提供资金、提供场景，而且必须时间自由——时间不自由，说明你现在自己的工作还焦头烂额；只有时间自由，才能放下原来的自己，重新去思考，跟年轻人一起找到新的应用场景。

现在我的办公室就像喝茶一样，这些老板每天背个包、夹着电脑过来坐下，几个老板一边聊天一边交流，顺便看看我们浙大有没有想创业、又跟他产业匹配的年轻人，大家一起搞个项目。我认为只有这种方式，才可能真正推动 AI 化的革命。我现在已经撮合好几对了，今年最大的时间精力就花在这上面。这几年我们围绕“怎么判断一件事值不值得干、怎么干、能不能规模化”，结合不同产业的经验和技术，做了很多探索。

回到这张图：三个时代的胜负点

最后还是回到这张总图，给大家做个总结。

未来的组织，我把它叫做“平台赋能型”“token 交易型”。组织会变得越来越小，一个人的公司就能成立——在 AI 的帮助下，一个人就能做独立的业务。我现在用我自己的 AI 设计软件做一些 IP 相关的事，连家里做财务的家人一个人都能做起来。为什么？因为平台把能力给你之后，就像早年的淘宝，你进点货、卖点货，就能跑通一个完整的商业闭环。

今天做成大公司越来越难，但小的机会越来越多。小机会和平台之间，未来需要更高效的价值结算方式。工业时代结算用人民币，今天可能就是 API、token，未来人民币会和这些新的计价系统结合到一起。所以未来的组织一定是平台型的，按更高效的价值结算方式来结算。

前面几个点也好好理解一下。进化是什么？工业思维是：我投一百万买设备放那儿，土地、厂房就是我的能力；互联网思维是：我要有更多用户，Facebook 说每个用户值一百美金，因为会产生复购和网络效应；到了 AI 时代，这些都可以不重要，重要的是你每天能不能让自己的 AI 能力保持得更好，你可以把自己的 AI 能力以 token 的方式提供给别人。今天的 DeepSeek 就是这样一家公司：不怎么融钱，也先不急着做商业化应用，就是先做个模型让大家免费用着，持续去打磨自己的 AI 能力。

胜负点是什么？就是你能不能用 AI，形成一条更高效的决策流程和机制。个人是这样，企业组织也是这样。

未来每个环节里都会有 AI，AI 无处不在。所以再过一段时间，“会不会 AI”其实都不需要讨论了，真正要问的是：你能不能用 AI 形成自动化的流水线？你这条流水线，到底是印钞票的，还是印报纸的？两条流水线是不一样的。当然要去打造一条更高价值的自动化流水线，你的商业价值才会更高。好的，那就跟大家分享到这里，谢谢。

现场问答

提问：刚才提到数据是编程、是模型的“基础养料”，那具体怎么去挖掘数据的价值？怎么判断手上的数据有没有可应用的价值？

邱懿武：其实应该反过来看，先别盯着“数据有没有价值”，而是先看你最终这个业务的闭环。举个例子，假设你是一个摄像头，任务是识别好人还是坏人，那对你来说人脸数据就有价值，而车牌数据就没价值。所以正确的顺序是：先定义你的业务场景，再倒推回来——业务层需要什么数据、技术层需要什么数据，然后在这里头看自己有哪些是别人没有的，那才会变成你独有的数据价值。

再举个例子，比如我们要让 AI 学会做空调。一个从没做过空调、不了解空调知识的人，指望大模型天然就懂空调，是不可能的。我们怎么办？会让研究生同学先去找别人的论文，看人家是怎么拆解空调的；但研究生手里未必有那么多空调的真实数据和案例，而某大型家电企业、某空调家电企业的设计师手里一定有——在这个业务场景里，这些数据就是有价值的。所以回过头来：先看业务价值，再看数据价值。否则那就只是一堆存在你电脑里的图而已。