AI 时代的机会识别
与产品创新方法

开场：我是谁，以及这门课要讲什么

各位同学下午好。非常荣幸有这个机会来跟大家分享我对人工智能的一些理解。昨天另一位授课老师已经系统讲过人工智能在智能制造场景里的概念，他反复提到一点我特别认同：人工智能应用的主导者，应该是行业和职能的专家，开发人员只是辅助。在座大部分同学正是各自领域的专家，那么在 AI 时代，你需要具备的核心能力，就是对机会的识别和产品创新的方法。这正是我今天想跟大家聊的。

简单交代一下我自己：我是浙大设计学背景的连续创业者，这几年专注做 AI 在产业里的落地，既办过企业、也在浙大带产学研，还给很多企业上过课，所以对整个社会怎么看人工智能大概有点感觉。背景就不多展开了，我们直接进正题。

今天的三个部分

今天下午我分三个部分来讲。第一部分，我自己做了十年，沉淀出三条最重要的经验和心得，分享给大家。第二部分讲一些方法——我看到 AI 时代产品研发会发生怎样的变化，新的机会在哪里。第三部分，给大家两个最实用的工具。我昨天还把大家提交的应用场景用我的工具分析了一遍，可以帮助同学们在接下来几天里去做产品评估。

现场调研：AI 用得有多深

讲之前我先简单调研一下。在座同学里，ChatGPT、Gemini 这些海外模型用过的有吗？好，大概十来个。不管哪一个 AI，单次使用超过四个小时的有没有？也有十几个。为什么问四个小时？因为你能单次连续用四个小时以上，其实就跟上班工作差不多了。今年年后开始用 AI 编程智能体、做过这类项目开发的呢？也差不多十几个。

我之所以问这些，是因为它代表了大家对 AI 不同的渗透度。今年是 ChatGPT 的第三年了，这几年每年一波、每年一波，每个时间点都在说 AI，有些人已经听皮了，甚至一听就觉得是各种负面消息。但今年年后，我自己召集了很多家长来探讨，我说这是“冰火两重天”——会深度用 AI 的人和不会用 AI 的人，到了 2026 年差距会被极大地拉开。包括我们自己公司，今年原则上已经不招人了，除非你能证明：同样一笔钱，为什么不付给 AI，而要付给一个真实的人类员工。

这是今年年后比较火的一张图。每一个格子代表 800 万人。全世界所有人当中，灰色是从没用过 AI 的，绿色是用过免费 AI 的，黄色是为 AI 付过 20 美金以上会员费的，红色那一小部分，大概全世界五百万人左右，是今天真正能用智能体、能用 AI coding 去开发产品的人。这几个月可能多了一点，但也就一千万不到，大概是这样一个比例。

举个我自己家里的例子。过年期间我外甥女在用 ChatGPT，我妹夫跑来问我：为什么你的 ChatGPT 账号跟别人不一样？因为他用我的账号聊天的时候，很多问题都会被探讨到很深刻的哲学和本质层面。我就问他：你交过钱吗？他说没有。我说，你的账号连记忆功能都没有，怎么可能一样呢？哪怕你交了钱也不一样。我从去年五月感受到 AI 有了记忆功能之后，那一天就跟全公司的人说：

我的 ChatGPT 账号未来是值钱的。

为什么？因为我在里面探讨过大量专业的思路和方法，它越来越了解我的思维方式。比如我借助 AI 备课，它就很清楚我的思考链路，诊断普通问题的水准也比一个素人的账号要高。所以我想说的是：AI 的技术已经成熟到对绝大部分人“基本够用”了，从今年开始，认知的差距会被巨大地拉开。我们办这样的培训营，最重要的目的，也是希望更多人能学习掌握这种新的能力。

我用“智能体管理学”预先分析了大家的场景

我这门课，三分之二的内容是关于思维和认知的——我先用不一样的视角带大家看，我看到的变化是什么样的；实操部分会有很多老师来指导。昨天我们的老师发给我说，六十多位同学提交了这么多文档，我一个一个看肯定看不过来。那怎么办？我用我的智能体先看了一遍。我自己写过一本书，叫《智能体管理学》，AI 会自动调用它，帮所有场景做一遍评估、分析和诊断，出来的报告挺长的。

这本书是我把这几年做智能体落地的经验写成的电子版，还没出版。它有意思的地方在于：这个网站既可以给人看，也可以给 AI 看。里面有三十六个 skill，加上一个总的调度 skill——当它接到一个任务时，会先判断该调用哪些方法来处理。所以如果你用智能体去推理一个项目，直接把这个链接丢进去，说“用这个方法帮我分析一下”，它就会从竞争、组织、产品、系统等三十几个维度展开，看这个项目到底有什么价值。我大概写了四十篇文章、三十几个 skill 工具。大家在听的过程中，如果想试一下，自己也可以操作。

分析完所有人提交的场景，我大概知道了大家的情况。我有一个理论，跟自动驾驶一样，分 L2 到 L4。绝大部分同学提的场景是“我希望做一个工具来辅助我们人”。但 AI 真正的价值，恰恰像自动驾驶一样。我前两年就跟公司的人说过一句话：

其实是我们人类阻碍了 AI 的发展。

在组织里，明明 AI 可以全自动化，非要塞一个人进去，决策一插手、流程一打断，人反而成了整条“产线”的瓶颈——就像自动化产线里硬要安排一个人工工位一样。分析下来，大家提的绝大部分需求都是辅助型的简单工具，只有个别同学做到了 L3、L4 的场景。L3 和 L4 最大的区别是：我要结果，不要过程。过程我可以审计，但就像领导给大家派活，我不管你过程怎么走，先看结果好不好；结果好，我们再来讨论过程；结果不好，过程我也不看了。

所以站在成年人的角度，我们今天本能地会把 AI 当工具，但我认为不能只把它当工具，因为 AI 本质上是要跟我们的工作岗位融合的。人的工作任务分布会发生变化，一部分交给 AI，我们自己去做更有价值的事——关键是要找到哪些任务是 AI 特别擅长去“自动驾驶”的。

我还帮大家做了分类。有 79% 的需求其实都是“任务式”的——只写了要做什么动作，比如“我想要一个校对工具”，却没说清要达成什么业务结果、做到什么程度才算好。但就像 HR 招人，你说要招一个校对员，那你布置任务时得说清楚：校对到什么程度？解决了哪个环节？提升了多少？达到什么要求？越量化、目标越明确的场景，AI 越好落地。这几年做 AI 应用最难的，其实不是让 AI 去校对——它当然能校对——而是怎么定义“校对得好”。这个“好不好”的反馈标准往往最深，也最重要，但大多数场景里大家都没有把它量化出来，只有个别同学做到了。

另外，大家提的场景里，所谓的“快赢场景”几乎不存在。快赢，就是 AI 一进去、一出来，ROI 转化、效果立竿见影。这样的场景只有七个。绝大部分要么比较笼统，要么周期很长——比如“我要做一个会议自动化系统”，那到底怎么算好？整个系统周期就会被拉长到半年、一年，投入产出的边界也很模糊。这是我用我的 AI 把所有需求分析了一遍的结果。

心得一：人和机器是共同进化的

我把人工智能商业化做了整整十年。虽然第三家公司是 2022 年成立的，但其实早在 2017 年我们就在浙大里面孵化了——老师们做研究的时候，我自己投了很多钱进去。这十年下来交了很多学费，沉淀出三条最重要的认知，今天分享给大家：第一，人工智能是共同进化的；第二，人工智能是有密度的；第三，人工智能真正的价值，在于越来越智能的事情和越来越智能的组织。我分开来讲。

第一条，人和机器共同进化。这跟工业时代的逻辑非常不一样。工业时代是：我学会一套机械方法，就能用它开发一个版本、两个版本，一台机器做完，生命周期可能是几十年。但在 AI 时代，千万不能用昨天的 AI 来形容今天，也不能用今天的 AI 去看待明天。

我们公司今年有两个同事跟我说：邱总，我待不住了，我要回到老的世界去。因为他们用 AI 做设计，整个工作流程每半年就迭代一轮。今年这一轮迭代完，我们基本上连工作流、提示词都不用了，直接用 coding 的能力来做设计项目开发，原来学设计背景的人根本跟不上。他说还是想回老世界——老世界就是手工去做。我说可以啊，你去做非物质文化遗产的传承人，挺好的。这就是 AI 时代和工业时代的根本差别。

今天 AI 的技术常常是这样：明天发布一个新模型、新架构，今天之前所有的东西就得重新改一轮。所以我深刻感受到——过去十年，技术不是一个确定的东西，它始终在变，就像一个小朋友在成长，越来越聪明。在这个过程中，人也要跟着变。如果人不变，就有点像你和家里的孩子：他长大了，到了青春期、叛逆期，两个人话题越来越少，最后没话可说了。所以 AI 不是今天学完就学完了，它是一个长期持续学习的过程——今天学的东西可能两个月就被淘汰，你又得学新的。

METR 指标：AI 离 AGI 还有多远

那 AI 到底进化到什么程度了？我找了一张图，背后有一个指标叫 METR。前几年我们都用解题来衡量 AI 的能力——解了哪些题，证明它有多强。但题是死的。所以业界有了这样一个指标：衡量 AI 能独立完成一项“人类在电脑上的数字化任务”的时长。比如看一张图判断是不是猫，人两秒就能做到；任务链越复杂，人花的时间越长。这个指标看的是：AI 独立完成、且成功率在 50% 以上的那个拐点，对应人类多长的工作量。

今年这个拐点到了什么程度？2026 年，我们今天在电脑上半天的工作量，AI 已经可以完成了。再按照 AI 大约每四到七个月翻一倍、而且这个速度本身还在加快的趋势推算，预计到 2030 年左右，人类大概需要操作一个月的复杂工作流程，AI 就能独立完成，且成功率在 50% 以上。也就是说，2030 年前后，基本上会进入数字世界的 AGI 阶段——AI 处理这些任务的能力，几乎会比我们所有人都好。（这只是我个人的判断。）

再往后，人和机器的关系，就有点像今天自动化工厂的改造：两个厂长盯着看板，机器在那里自己运转就行。所以我们和工作之间的关系会发生巨大的调整，而今天的 AI 还处在中间状态。今年我们也明显感受到 AI 进入了一个加速周期——以 Claude 这家公司的模型为例，它用自己的模型来加速自己的研发，形成一种“自我增强”的飞轮：用得越多、迭代越快。所以这几个月模型迭代的速度，已经不是过去的一年、半年了，有时候感觉一个月就升一个版本，密度特别特别高。

从 pix2pix 到今天的多模态生成

我们回头看看 2017 年。那时候我们公司刚开始想做 AI，当时的 AI 是什么样的？2017 年有一篇很轰动的论文，叫 pix2pix：你输入一张线稿，AI 就能通过 GAN 算法生成对应的图像。我们看到的时候非常兴奋——对我们这种设计出身的人来说，“画图”一直是一种很高级、很依赖人的能力。AI 突然会画画了：能画猫，就能画鞋子、画箱包、画其他图形。在那之前，所谓的 CAD 都是参数化生成，不是真正的 AI。那是我们第一次感受到，AI 可以借助线稿画出有创意的图形。当时我就说，这就是未来。

所以从 2017 年起，我们就开始孵化：怎么让 AI 画出消费品的效果图来。我们是计算机学院里做工业设计的，很多产品设计以前都得靠人去做，那一天我们终于看到 AI 有可能做得到。

别说今年的 AI，就说去年。我外甥女特别喜欢画汉服人物，她画了一个。去年上半年的豆包还做不到，但去年七月之后的豆包，你拍一张这样的画告诉它“帮我变成 3D 效果”，提示词稍微写好一点，它就能很好地还原。大家对比一下：这是 2017 年的，这是 2025 年随手一变——我说“变成东阳木雕”，它就变成了东阳木雕。

变完之后再让它动起来，做成动画。我们今天看已经没什么新奇的了，但站在两三年前看，能动成这样简直不得了。再比如，把这样一个造型转成 3D 模型——原来做雕塑建模、一个个曲面去拉，搞一个礼拜起码的。但今天很多体积生成的模型，比如我用腾讯的混元 3D，直接一转就能得到 3D 手办的效果，我几乎没修过一个面。我本地电脑都不需要装 3D 软件，转完直接把 STL 文件发给淘宝店，60 块钱就能帮我把 3D 手办打出来。

打的是白色的，因为现在打彩色还太贵，要三四百块；打白色很便宜。这件事去年对我影响很大。手办打回来之后，我把外甥女叫过来，说你可以拍张照，告诉 AI 你想要怎么配色，让它给你一些创意参考。我妹妹在旁边说：啊？AI 还能这么用？她们拍完之后，我外甥女对着豆包说：“右边这个是将军，左边这个是孙权的妹妹。请你根据当时吴国的风俗，帮我看看他们当时是怎么穿的。你自己看着办吧。”

小朋友把 AI 当朋友，成年人当工具

那一天我把这张截图发给我们人工智能系的副系主任，所有成年人都很惊讶。一个小朋友用最自然的语言描述了她的需求。换成我们成年人，可能会想着要给它一个具体的指令——什么色调、什么配色、应该是什么样的。但小朋友给它的是一句自然语言：左边是孙权的妹妹，那就应该穿吴国当时的服装，你看着办。因为去年七月之后的图像模型，已经和大语言模型结合在一起，有了“智能”的能力，它大概能理解吴国时期的服装是什么样、是什么色调。当然中间也做错了好几次，外甥女说不对、不对，最终拿到了一个相对正确的结果。

那一天我们真切感受到：人和机器是一起进化的，而成年人和小朋友看待机器的思维方式完全不一样——小朋友就是把它当朋友。我做过一个小调查，问成年人：豆包对你们来说意味着什么？绝大多数人的回答就两个——“新的百度”“我的工具”。但我去问小朋友，很多人说豆包姐是他的朋友。小学生都管它叫“豆包姐”，是他们的伙伴。

对小朋友这一代来说，我们当然希望 AI 是他们天然的工具。但对我们成年人，我反而要说：千万不要简单地把它当工具。因为我们认知里的工具是“死”的，而今天的工具，是会自己“活”起来、不断变聪明的。

十年前我们就在设想“产品画像”

十年前，除了图像，我们还有一个想法：如果 AI 还能读懂数据，那意味着什么？我就可以从大数据里读取各种语义，再让 AI 生成对应的图形——这就是我们十年前做的 demo，相当于一个初级的工业设计师了。

一个初级工业设计师需要两个能力。第一是理解需求：这个需求可能来自客户、来自市场部；如果是消费品，最终一定要反映消费者的声音。第二是表达能力：早年是手头画图的功夫，后来是用电脑画图，把想法表达出来，再往下变成可落地的设计工程。在第一步，我们叫它“产品画像”。在消费级产品里，最重要的就是消费者怎么看——消费者是用脚投票的。

互联网让我们能通过大数据了解用户画像、渠道画像，但难点在于：它不知道你具体想要什么。淘宝怎么解决？靠推荐算法——这个人喜欢过这个东西，另一个画像向量相近的人大概也会喜欢，于是尽量把你潜在想要的匹配给你。

但到了 AI 时代，它应该能根据你的需求、你的用户画像，为你创造一个独一无二的“产品画像”出来。产品要真造出来周期还长一点，但今天在内容上已经能很好地实现了。比如下一代的抖音，可能不是别人拍好了给你看，而是 AI 知道你想看什么，当场就给你生成你喜欢的短剧，甚至把你本人变成男主角、女主角，直接把你带进剧情里。生成式 AI 解决的，就是供给端产品的“千人千面”。

这对制造业意味着什么？意味着我们绝大部分人不再需要“摸瞎”去做产品，而是可以有清晰的产品画像。十年前我们就在鞋子、箱包这些领域开始尝试：借助销售数据、电商舆情去判断产品的特征。现在我们把这套东西用在某运动品牌身上，已经做得好很多了。这是我们十年前的想法，做到现在将近十年了。

中国制造的五种产品创新路径

为什么我对这件事有这么深的执念？因为我是学工业设计出身的，而浙大的工业设计很特别——我们是全世界唯一一个开在计算机学院里的工业设计。今年它又独立出来了，改名叫“智能工程与创意设计”，和人工智能系一起成立了新的浙大人工智能学院。所以我们又是全世界最特别的：设计学科长在人工智能学院里。这跟前辈老师们的积累有关，浙大在 CAD、CAM 方面积累很深，我们的 CAD 实验室就在楼上，三楼或四楼有个展厅，课间大家可以上去看看，里面有很多以前重工、装备方面的成果。

我们一直认为，要用技术手段提升自己本专业的能力。要用 AI“干掉”我们自己，首先得把自己的能力拆解开。一个好的工业设计师有两个能力：一是策略理解和洞察——我要知道客户、市场的需求到底是什么，提出我的思路、策略和产品定义；二是实现能力——把想法变成原型、变成工程。本质上都是工程，无非是设计工程和结构工程的区别。在业务流程里，它正好处在市场部和下游工程部之间。

我举个例子：假设义乌的老板娘自己会做设计，那中国制造业的活力一点都不用担心。为什么？义乌老板娘对市场、对客户的敏锐度非常高，她原来难就难在没有专业能力、表达不出来。AI 给她的赋能就是：客户想要什么方案，AI 帮她先做出来，她总能判断好不好；判断完再给客户，成单概率就会高很多。

我自己做过制造业，总结下来，中国制造无非靠这五种方式去提升产品创新。横轴左边一种，我叫“文化创新”——一百年前是青花瓷，茅台代表的是文化，去年泡泡玛特也是这种文化创新的类型。横轴另一种，我叫“整合式产品创新”——像比亚迪、小米、安克这些公司，他们自己原创的技术可能只有几个环节，但通过整合整个产业链的技术，实现了产品创新，这是比较工业化流程的路径。还有一种典型是以淘宝女装为代表的。

大家去杭州的四季青看一下就知道，十年前的四季青和现在完全变了。现在进去，每一个档口都像一家小品牌设计公司在运营，因为他们已经长在网络平台里，受网络流行趋势影响来开发产品。竖轴这一个，是这几年国家最看重的“硬科技”——突破卡脖子技术，芯片、半导体等等，这当然非常重要。右下角是线下的，以华强北、义乌小商品市场为代表——中国制造的性价比能力在全世界都极有竞争力。你去全世界任何一个华人热闹的地方，一进去都像义乌小商品市场，中国制造的能力已经渗透到全世界的毛细血管里了。

草根淘宝店：离消费者更近，就能反向整合供应链

草根的产品创新也很重要。给大家讲一个例子，这是我们十年的朋友，当年刚做项目时就一起合作。三个老板，一个读了大专，两个连大学都没读，从 2007、2008 年就开始开淘宝店，开着开着，开成了当地的龙头企业。

他们改变了什么？上一代人都是先搞设备、先搞制造，货生产出来万一不好卖，就砸在手里了，所以产品迭代很慢——以前我们家的脸盆、桶就那么几个款式。但今天去淘宝上一看，五花八门，又便宜又好。这是谁做出来的努力？就是过去十年里这一波原来开淘宝店的人。他们先把握住市场需求，再反向开发产品，做出一些我们都想不到的东西——比如挂起来像苹果耳机一样的造型，比如长了手长了脚的垃圾桶，款款都打中了消费者的需求。所以他们从一家淘宝店变成了当地的企业，自己有了工厂、有了制造，他们的父辈反而成了他们的供应商。原因就是：他们离消费者更近，通过数字化理解需求，于是能反向整合供应链。

把一款 AI 编程智能体当“项目经理”

今年有了 AI 编程智能体（我常用的一款 AI 编程智能体）之后，他们有一天跑来跟我说，想到一个非常好的应用场景。这几年他们一直想做 AI 化转型，但公司连数字化都还没做好。我说，数字化都没做好就直接上 AI，有点太跳了——你没有数据，AI 其实处理不了你们业务里大量的 knowhow。

带动他们企业增长的关键岗位，其实是项目经理和产品经理。而他们公司每一个爆款，都是老板自己“拍脑袋”拍出来的。拍到现在，他自己也觉得这种决策太依赖个人，心里有点虚，也想把经验沉淀下来。今年体验过这款智能体之后，他给我提了个场景：让这款智能体来当项目经理。试了一下，效果非常好。还没完全做到，但已经很有意思了。

他们公司一年要开两百个款，以前项目经理只有四五个，常常忙得焦头烂额。老板亲自去训练这款智能体，把自己的经验“智能体化”，也把几个核心项目经理的经验“智能体化”。过程中每个环节都工具化，每一轮产品迭代，能积累的数据全都沉淀下来，再让 AI 去学。他们这么多年积累了大量成功和失败的经验，AI 就能从中把规律提炼出来。

方案写完后，他让 ChatGPT 画了一幅示意图给我看，我说对，这是一个非常好的应用场景，尤其适合开款需求多的品类。以前的项目经理，各种信息要靠人去串，人又容易忘，一个人能同时做两三个项目就已经很了不起了。但有了这款智能体当助理之后，一个高级项目经理可能就能管 5 到 10 个项目。

更重要的是知识的沉淀。以前项目做完，文档就躺在那里，可能永远不会有第二个人打开。但 AI 学完之后，是一个文档一个文档地读，随着模型能力增强、读的数据越来越多，它的智能会越来越强。所以他们最关键的转变，不是把这款智能体当工具用，而是把它当员工一样对待——让它和现有的优秀员工融合在一起，去改造业务。这就不是一个简单的工具了，而是我前面说的，能让 AI 越来越聪明的那一类应用场景。

心得二：人工智能是“有密度”的

我把整个制造业大致分成四类：耐用品、消耗品、轻工、重工。过去十年里，几乎所有行业我都打过交道——我们自己更擅长偏用户研究、偏市场侧的那一端。接触多了我就发现一件事：不同的行业、不同的领域，AI 的侧重点是完全不一样的。

比如消费品领域，你必须非常认真地去考虑消费者和市场的变化。今天你哪怕投一个食品工厂，如果它不解决消费者的需求，这个工厂的产能可能就白投了——它天然是面向消费、面向市场的。而像机械装备、重工这一类，对安全、对物理世界工艺设备改造的要求更强，AI 的价值就更多体现在仿真、质量检测、工业机器人上，而不是告诉你“消费者爱吃哪一颗糖”——那离重工就太远了。3C、智能硬件、家电这些，大概处在两者之间。所以行业和行业不一样，直接决定了 AI 的应用场景和需求不一样。

就拿服装来说。我们有不少女装客户，女装偏快时尚，款式很重要，一款选中了就可能是爆款，所以要大量做款式设计。我有一次拿着这套东西去一家男装企业，被他们总经理喷了一顿。他说：“你给我看女装干啥？我们是做男装的。”我说技术链路都一样啊。他说不一样——女装要的是款式多，男装要的是面料舒不舒服、这个款式能不能卖十年。他问我：“你能不能让 AI 给我模拟一下，面料摸上去是什么感觉？”我说，这不是做不到，是太难了。

后来我跟他们 CIO 讲了一句话：AI 是有“软柿子”的。你们老板没有那个耐心去养十年一个 AI、就为了模拟面料触感。今天做 AI，要先找到软柿子来捏；你捏出效果了，大家有信心了，才会愿意继续改造。所以我们找应用场景也是这样——企业的场景非常非常多，但一定要排优先级。行业和行业不一样，行业里的场景不一样，哪怕同样是重工，里面也不一样。一定要先找到那个最优先级、你能捏的软柿子，先把效果捏出来。

企业和企业也不一样。这几年我接触了几千家企业。我们最初的初衷你知道是什么吗？我是温州人，我本来想着把 AI 做好，给全浙江各个产业带的老板娘、给我七大姑八大姨都用上。但后来我放弃了——真到了产业带，我发现我们是不匹配的。我去义乌小商品市场，会被老板娘怼得要死：第一，你动不动讲一堆高科技，我听不懂；第二，豆包都免费的，你凭啥收我两百块？我后来开玩笑说，在他们身上既赚不到钱，也得不到尊重。反而这几年给我们经费支持的，都是些五百强企业——专业对专业，他们清楚我们能带来什么价值，哪怕我们做的板块没那么大、很具体，但在他们的场景里，大家彼此尊重，还有经费。

企业在两极分化：我讲的“哑铃论”

这件事让我最直接的感受是：企业在两极分化。前两天业内也有人讲过类似的话，而我去年就跟领导讲过——我当时用的词是“哑铃”。未来的企业，会往这一头和那一头走，中间的企业会陷入“中等企业发展危机”。我讲完之后，我们西湖区的领导用区里的数据印证了这个观点：大量原来年营收一到十个亿的中型企业，这几年过得特别难受，因为市场竞争力在丧失。政府很想帮他们活过来，但有位领导听完之后说：“我们要放弃对这一波企业还能活下去的幻想。”

就拿西湖区来说，国企和大企业孵化出来的项目，虽然慢，但像大象转身——转过来要花点时间，可一旦动起来、方向对准了，那股惯性和行动力还是很强的。小微这一端这几年也很好。杭州现在到处在办 AI 加创新的大会，因为个体在 AI 加持下创造力会极强，政府全力鼓励“一个人也能做项目”，给你提供很好的土壤。

难就难在中间。收入几千万到几个亿、再到小几十亿的这些企业会很难。这类上市公司我接触了很多，我总结叫“上不上、下不下”：往上，决心、意志、投入都不够，预算也不够，民企尤其如此；往下又不甘心、也下不来，规模撑在那里，原来的市场竞争力又在流失，于是陷进中等危机。所以哪怕企业规模不同，对 AI 战略的采用也会有很大区别。

心得三：用 AI 让组织变得更聪明

这是我今年年后越来越笃定的一点：人工智能真正的价值，不在于“用 AI 做一个工具”，而在于用 AI 让我们自己变得更聪明，让某一项业务变得更聪明，让整个组织变得更聪明。

去年大家其实快对 AI 没耐心了。美国 MIT 大概在去年这个时候做过一个报告，调研了很多企业，结论是：大约 95% 的企业说，他们所有 AI 投入的项目都没有得到任何“可衡量”的价值。

什么根本性的问题？其实前年我就大致想通了。我做 AI 的第一年特别亢奋，到处跟企业老板说“AI 的时代来了”，可那时候他们看不到，会反问我：“邱懿武到底用 AI 做了些啥？”我是因为相信而相信，已经相信好多年了。但对大多数人来说，那时候顶多是拿 ChatGPT 聊聊天，觉得能写篇文章、作首诗，挺有意思——仅此而已。

接触大量企业之后我发现，第一年喊“我们公司要 AI 化”的老板，喊完牙都松了，因为根本 AI 化不了、场景几乎落不了地。到前年，我几乎不怎么跟企业沟通了。直到我听了一场演讲，自己彻底想通了。

组织变革：电机出现三十年，工厂效率为什么没提升？

那是 2024 年，谷歌原来的 CEO 埃里克·施密特在斯坦福上了一堂课。课上他很坦诚地讲了不少对 AI 的真实看法，讲完才反应过来这堂课是直播出去的。其中他讲了一个故事，问了一个问题：为什么电机出现后的前三十年，工厂的效率没有显著提升？

答案是：组织跟不上。

蒸汽机时代，工厂是围绕一个中心化的动力来组织的——一台大蒸汽机一烧，蒸汽顺着管路接出去，沿线就有动力。电机刚来的时候，大家的第一本能是：做一台同样大的电机，把中间那台蒸汽机换掉。换完了，老板也没感觉到什么区别，效率好像提了一点、又好像没提，电费也算不清楚。

真正的变化发生在三十年之后，很多人才理解到：既然电流可以分布式地接到各个地方，为什么一定要把所有动力集中在一个房间里？为什么不能把电机做小、拆出去？拆开之后，造汽车就可以分流水线——做轮子的做轮子，做门板的做门板，最后总装到一起，效率反而更高。生产流水线一变，现代化工厂就被“发明”出来了。我们今天所有的流水线，本质上都奠基于那个时候、以福特为代表的分布式制造模式。这背后是组织和流程的变化。

而任何一次生产力革命，都会遇到一个悖论，我叫它“生产力的阶梯曲线”。

很多企业恰恰倒在拐点之前。我接触过不少企业，AI 搞了一年，上上下下都打嘀咕：“算了吧，好像还是原来那套好。”于是又退回去了。所以对我们来说，“脱产”很重要。我给很多企业的建议是：AI 一定要成立一个专门的小组，可以从业务来、从技术部门来，甚至像华为那样设“红军”和“蓝军”，同时去完成任务。我常跟老板出主意：你先别管它 AI 不 AI——一个组照常做原来的事；另一个组，配上年轻人加几位老师傅，专门跑 AI 化的生产流程，给他们配足资源、放开手脚去试。

最终大家拿结果说话，多给一点耐心，看那个拐点什么时候到。拐点一到，第一曲线和第二曲线就接上了——本质上是组织结构变了之后，产能得到了释放。

帮企业建“中枢 AI”：建设方和业务方的扯皮

这几年我们一直在很辛苦地做一件事：帮企业做 AI 化，做到我天天想骂娘。因为大量时间是在和业务部门打交道，周期特别长。我们扮演的角色，有点像企业的数字化部门，要帮所有业务部门去搭一套“企业中枢 AI”；而使用方就像业务部门的人。两边天然会扯皮：业务方吐槽“你的 AI 不好用、工具不行”，建设方抱怨“业务部门不配合、我的技术落不了地”。好的情况下，两者磨合成一个组织；不好的情况下，就互相扯皮。我们在大量企业里看到的是——边扯边落，所以慢，但好歹一直在往前。

从全自动研发到“帮老板做决策”的 copilot

但今年我们看到一个非常有意思的现象。以我们自己公司为例，我们已经进入半自动化研发了，因为今天的软件已经智能到可以接近全自动研发。我们另一个面向某省级运营商政企班的培训，来上课的全是市场、政企人员，没有一个 IT 人员，照样让他们自己 vibe coding 做应用。我们发现，只要业务的人能把需求表达清楚，再加上组织里那套足够懂业务流程的 AI，就像一个超级 AI 一样——一个需求丢进去，它研发完，业务人员直接确认就行。

我们内部的工作流大概是这样：每天早上到了，先倒点茶聊天，整个讨论过程全程录下来；中午吃完饭，下午把上午讨论的东西按人拆解，假如十个人讨论，就把内容分回十个人，各自交给自己的 AI——每个人的 AI 工作流会有些不一样。下午让 AI 拉满算力开始开发，中间出错就检查一下，晚上再让它继续，写几个循环任务，第二天早上来验收。自从有了 AI，我连起早的动力都有了，晚上有时都舍不得睡，生怕产线断了——它要是任务跑到一半断在那儿，这一晚上八个小时就白白浪费了。

我老婆也是搞研发的。自从用上 AI 编程，我们家也不“扯”了——她用它写东西，我也用它写东西。以前我经常工作到两三点被她念叨“怎么还不睡”，今年反过来，是我说“都两三点了早点睡吧”，她还在借 AI 干活。我有一天问她：你最近也沉迷上瘾地用 AI 搞开发，到底是种什么感觉？她说了一句很深刻的话：“这种感觉，有点像老板在催着工人干活，我都舍不得让它歇一会儿。”

这其实是对的——AI 就应该让我们每个人都像老板一样，可以让它干很多活，而验收结果、做组织里高级的沟通，还是得靠人。我们公司就在慢慢形成这样的流程。负责这套开发流程的，是我的一位同事。我跟那位运营商政企班的市场人员说：明年这个时候，你们就能做到——只要去和业务老板聊一个小时，背后的 AI 直接帮你把 demo 做好，聊完 demo 就出来了，成单能力会特别高。

这件事我们现在通过训练已经做得到了。到明年这个时候，我认为在一些特定任务上可以做到比较高级的自动化：聊完天，demo 级的产品就出来了。还有一个好处你知道是什么吗？我以前公司虽然不大，也管过一两百号人，管得特别烦，每天一堆乱七八糟的事。自从有了 AI，生活变得极其简单，每天就想着怎么跟 AI 沟通，公司也不怎么开会了。还有一个——合伙人之间也不吵架了，因为一吵，我们就让 AI 介入，让它帮我们理性评判一下。

结构设计的 copilot：让 AI 增强“决策”而不只是做工具

回到产品研发本身。很多家电、消费品企业这几年都感到被新锐品牌冲击。原来做冰箱，不需要做几款，产品很稳定；这几年市场需求剧变。比如有人出了两个桶的洗衣机，爆了之后，行业里早在二十年前就提过的三个桶方案才被迅速推上来——当年内部一直觉得“谁会要三个桶”，结果市场说了算。

所以产品越来越像女装一样要做“企划”了。原来只有女装企业才有企划部门，现在家电也要做企划，因为得足够敏锐地感知市场需求来定义产品。可定义产品这个环节，我接触的很多老板都极痛苦——绝大多数总经理、董事长是市场或供应链出身，很少做产品设计出身。以前外包给咨询、战略公司做几款方案，再靠工业规模放大就行；现在这个能力要内化，老板就常和下面的部门吵：老板觉得下面不行，下面觉得老板不懂。

我去一家公司调研，问设计总监：你最大的需求是什么？他说：“你能不能让 AI 让我们老板闭嘴？”我说好想法。他说：既然 AI 决策好，那老板就别瞎拍脑袋了。说得也对。我又去问老板：你希望设计总监解决什么？老板说：他速度太慢，改来改去都不知道在改什么。

在老板脑子里，产品研发过程是个黑匣子，可他今天又必须管这个黑匣子。所以企业就想把最后那块最难啃的研发环节也数字化。早期我们是先做大量数字化工具去辅助研发，但我们认为最有价值的——三年前就提出来——是会形成一个“研发的大脑”：一个多模态的大脑，把公司里所有的图纸、资料都学习一遍，然后像项目经理一样辅助研发，给你做 copilot，比如结构设计的 copilot。三年前这事技术上还很难，但最近我看了很多论文，CAD 领域的“辅助驾驶”其实已经越来越成熟了。

尤其是一些单一领域。上海有一家做 CAD 结构设计 agent 的公司，过去十年一直给汽车做车门夹具——这类非标夹具非常多。他们把大量 CAD 数据重新处理之后做了一个 agent：你只要提出一些门板的设计方式，它就能把夹具的结构设计做出来。它为什么能做好？因为数据足够多，多到理论上每一个 CAD 都相当于一个编程项目。

随着模型能力越来越强，结构设计领域这几年会迎来一片很大的新空间，叫“AI 辅助结构设计”。但我认为最有价值的，还不是这个工具本身，而是它能在设计过程中像一位老师傅那样，帮你做更有经验的决策和判断：你做完一个方案，哪里为什么这么设计、为什么选这个选型？如果背后有这种智能，那才是真正的人工智能——不是用 AI 做了个新工具，而是用 AI 增强了我们设计的“生成”和“决策”。

还有一个维度。我们浙大有一个国家重点项目，和某重工装备龙头企业合作并在它那里落了地。我们做不了非常偏工程的部分，但能做重工的概念设计。比如要做一个番茄采摘机器人，应该怎么设计比较好？AI 可以在概念设计这个节点上，把需求分析、专利分析、概念设计、结构设计、参数化、有限元、仿真等一系列产品创新方法串起来。这个国家重点项目的课题，就叫“复杂产品的概念设计过程”。

面向重工，结构工程师也要头脑风暴：有没有新 idea？比如扫地机容易把头发卷进去，怎么解决？别人有没有相关专利、过去有没有现成方法？还有哪些可以让 AI 去做暴力计算、探索出尽可能多的可能性，再给出结果。这个项目做了三四年，三年前立项时几乎难以实现，但到去年攻关时，因为 AI 智能能力上来了，多模态基本上已经能在复杂产品上做很多概念设计了。

再换一个行业，作用和价值就完全不同。前段时间我去北京调研了一家做传统珐琅类工艺的企业，他们想做数字化工厂，对 AI 的需求有两个。第一，能不能让 AI 画出符合这门工艺的创意来？比如一幅牡丹配鸟的图案——但这门工艺有严格的线条密度要求，间距不能太大也不能太小，否则烧制时容易凹陷、不平整，所以每个格子里的比例都要尽量控制在某个范围内。这种事原来用 CAD 去算，工程量非常大；我们现在用最好的模型写了一段 skill，让它不断做数学公式推导，推导完再落到智能制造的场景里。第二，所谓智能制造，就是把那条线用激光打到瓶子上，人工再把材料贴上去——对他们来说，这就实实在在地提了效。

场景也有密度

场景同样是有密度的。我常说，全杭州人工智能密度最高的地方只有四个：一个是我们紫金港校区，一个是玉泉校区——因为计算机学院还在那里；第三个是大厂聚集的未来科技城一带，第四个是滨江那一片互联网公司聚集的地方。在这四个地方，大家张口闭口讨论的基本都是人工智能。这就直接决定了：你所处的“场域”不一样，你能接收到的信息量也不一样。

未来的组织形态：AI 为内核，人分三层

说到底，AI 会对未来的组织带来巨大的改变——它会成为新的企业组织“内核”。过去我们为了控制整个过程的确定性，必须不断有人去确认、再确认，于是形成金字塔式组织，一级管一级，本质上是一套风控结构。

但未来会有一部分组织变成另一种样子。以前是开发的人做完，再交给业务用；今年已经很明显——业务人员自己用 AI 做出来的 AI，比开发人员做的更好，因为他更懂业务需求。于是企业里所有人都开始向一个“组织级的 AI”靠拢，就像围绕一个总经理、一个老板。其实今天的 CEO、总经理，本应是一个 AI 才对。

为什么？因为只有 AI 才能基于大数据量做科学的决策。所以我想象中未来的组织会是这样：任何事情、任何环节，中间都会 AI 化，就像今天所有人都跑在 OA 上一样——下一代的 OA 一定是 AI 的。有了这个 AI 之后，人会分成两拨。

第一拨，是 AI 的建设者和贡献者：把自己的业务知识和 AI 结合好，把一个个应用场景跑在企业 AI 里面，有点像今天自动化产线的开发者。企业会在很长的周期里，按不同优先级，一个一个把这些场景打造出来——你们这种制造业的场景实在太多了。

打造完之后，组织会进入一个类似“无人工厂”的状态：中间一部分人运维这套 AI，外围一部分人不断更新它，还有一部分人专门做 AI 做不到的事。比如 toB 的客户，你不亲自上门拜访，怎么给人家面子？这就需要人去和人打交道、去做高级决策。

在“人离不开的场景”里，人还会再分两层：一层是管理者，一层只是“AI 的传感器”。所谓 AI 传感器，比如我是老板、你是销售，我可能 KPI 要求你出门把录音笔带好——你今天不替我采集声音，KPI 就是零。为什么要采声音？因为采回来的所有声音，会让组织的 AI 决策变得更准，你本质上是这台机器的一个传感器。我们当然希望，在转型过程中成为组织 AI 的运维者、建设者，成为人和 AI 之间的管理者；最差的，才是给组织做传感器。

这是我看到的趋势。我们这类公司变得很快，你们会慢一点。这一代技术渗透下去，越是高频、要快速决策、贴着市场跑的“弱工业化”组织——数字化的、互联网化的——变化越快；而重工类型会很慢很慢，因为它要确保稳定性、要满足审计和安全的要素，越强的约束就越慢一点。但最终，企业组织都会演进成下一代的智能企业、智能组织。

下一代智能企业组织应该是这样：所有东西都喂给中间的 AI，一群人在维护它——不一定是 IT 的人，可能是 IT 工程师，也可能是业务部门的人，他们本质上都围绕着一个超级的中心机器。AI 帮我们解决的是全局视野、细节掌控和更明智的决策。理论上，AI 就应该是那个“总经理”，决策交给机器会更客观、更科学；而未来的总经理，更像今天的 HR——要有领导力，照顾大家的情绪，调动人和机器之间的协作。

企业的“自动驾驶式”演进：L1 到 L5

所以在企业转型的过程中，我画了一幅图：企业组织也像自动驾驶一样，从 L1 到 L5 演进。

我们自己公司大概在 L3 到 L4 这个阶段，而绝大部分企业可能还在 L2，仍然以人为核心。但 AI 时代的企业，一定是以 AI 为核心的——以 AI 为核心之后，人再围绕新的生产力进行重构。

AI 时代最核心的变量：智能正在变成基础建设

下半场我们换个角度。刚才我跟几位同学交流，大家都在问：在你们这些具体场景里，AI 到底能怎么用、怎么发挥价值？说实话，我不了解你们每一个场景里的细节，但我可以把几个共性的原则给大家讲清楚。AI 其实就像人一样——我今天面对一百位同学，一定是陌生的，可一旦真要认识、交朋友，里面就有无穷的细节要把握。我能教给大家的，是我看到的那些更底层、更共性的东西。

这一节我想讲一个最关键的点：AI 时代最核心、最本质的变量是什么？正是这个变量，会让一系列事情发生改变。

OpenAI 那位负责人讲的六件事

去年 OpenAI 有一位高管写过一篇文章，我觉得人工智能的秘密差不多就藏在那篇文章里了。文章把 AI 能赋能全人类的方向排了个优先级——大概六件事。

第一，知识。这一代人工智能本质是生成式的，以大语言模型带来的知识涌现、智能涌现为代表。后来出现的具身、多模态，其实都在论证同一个观点：因为多模态、因为具身，智能可以变得更高。一切都是为了智能。而大语言模型解决的，是海量知识里触类旁通的涌现能力。所以只要是跟知识打交道的行业，都是这一代人工智能最擅长解决的。

第二，健康。DeepMind 的创始人说过，如果没有这一代消费级 AI 的出现，他甚至希望 AI 发展得慢十年——因为他看到最有价值的，是用 AI 去做生物医学，去真正提升人类的生命质量。

第三，创意表达。每个人都可以借助生成式能力去表达想法。产品经理也能画图了，会画图的人也能写代码了，大量的创意被释放出来。

第四，自由职业。门槛变低之后，只要你能驾驭好 AI、把 AI 技术整合起来，你就武装了自己。未来，个体的自由职业者会越来越多。

第五，自动化工具。对于要求不那么高的场景，自动化工具会释放掉很多重复性劳动。我们常想象那种日子——机器人替我炒着股、赚着钱，自己躺在沙滩上晒太阳。当然，可能只有一部分人能做到：你的决策、你的量化能力都比别人强，才驾驭得了。

第六，持续的支持与陪伴。去年五月 AI 上了记忆能力之后，我这个感受特别明显，觉得离不开 AI 了，因为它比我更懂我。我试过让 ChatGPT 推断我的 MBTI、我的性格，它推断得非常准，像算命一样——本质是因为它的数据量足够多。每一次跟它对话，有点像两个朋友交流，你聊得越多，它就越懂你。

但这六件事背后，最大的变量其实只有一句话：智能正在变成基础建设。

什么是智能？知识只是构成智能的一种类型。人类有情感的智能、有具身的智能、有知识的智能，智能有很多种。而 AI 时代最大的特点，就是智能变成了基础建设。打个比方：以前你要某一类智能，就得招一个博士；今天，这个智能像水电煤一样——我通一下电，不需要自己修发电站，家里就能用上电、用上电器。

杰文斯悖论：智能越便宜，需求越大

智能变成基础建设之后，世界会发生什么变化？山姆·奥特曼特别喜欢引用一个概念——杰文斯悖论。它说的是：AI 时代真正的大机会在哪里？就在于智能越便宜，它的需求量反而越大、越被激发出来。

拿电力革命来类比：哪种场景是电越便宜、用得越多？是工厂。用电最多的工厂，生产力一定比别人高。我听说山东很多老国企以前都自己建发电站，因为电对他们来说就是核心能力。到了互联网时代，像阿里这样的企业要解决的是通信的基础建设——我能连接的用户越多，买家卖家的密度越大，价值就越会涌现，而且买家越多、卖家也越多，供给和需求互相激发。智能时代也是同样的规律：智能越便宜，需求越多。

铝的故事：从比黄金还贵，到用完即丢

什么叫智能越便宜？前段时间红杉资本在美国开了一次会，有位合伙人讲了一个特别好的例子——铝的故事。

他说，在十九世纪，铝比黄金还贵。当年美国修华盛顿纪念碑，塔尖那一块地方就用了铝，因为那时候铝比黄金还金贵，用它来体现这件事的价值。可后来有人发明了电解铝的方法，能直接从土里把铝提炼出来。结果呢？曾经全世界最贵的铝，瞬间变成了铝箔纸、易拉罐——用完直接丢掉，极其廉价。

他说，今天的人工智能就像电解铝，智能就像那块铝。智能变成基础建设之后意味着什么？博士级的专家智能，会变得像铝箔纸一样，随用随拿，拿完即扔。

符合杰文斯悖论的六大机会方向

过年期间我一直在琢磨这个问题，因为我也想搞清楚 AI 时代到底哪些大机会是我自己能抓得住的。我让 AI 基于我的判断推理了一下，归纳出六个典型符合杰文斯悖论的大应用场景。

第一，人人拥有专家团。我们今天的世界是建立在工业时代基础上的：课堂就是一个老师站在台前、一百个同学一起听，因为一对一辅导的成本太高了。但我最近在做一件事——把我所有的东西全都 AI 化，把我的知识全变成“铝箔纸”。以后大家访问我的网站，就可以跟我聊天，很多问题它答得不比我本人差；我本人能补上的，是当你觉得我的 AI 解决不了问题时，再来给你提供一点情绪价值。医院也是同理：今天好医生稀缺，所以要排队挂专家号；如果专家级的智能足够多——我自己感兴趣学一点医学、用最好的模型也能做推理。我有个朋友自己花两百美金在家里做了一次基因测序，借助 AI 做各种分析。这一变，整个交付体系就变了：不再是去医院排队取号，而是像今天的电商、在线问诊一样，沟通完直接交付给你。这是最普适的一个机会。

第二，信任的基础建设。刚才大家也提到，生成式 AI 你怎么确保它对不对？所以未来人类一个最重要的职责，是“在上面签字”。现在写书、写论文，能有百分之十、二十的字是自己亲手写的，已经很了不起了；写代码也一样，本质上都是 AI 写出来的，你很难逐行去改，只能批量地改。AI 写的和人写的，最大的区别在于——你敢不敢签那个字？我跟同事开玩笑说，很多项目做完，我让 AI 直接给我生成一篇论文，我照样敢投、照样敢署名，因为整个过程是我自己的，只是“写”这个动作交给了 AI。但很多人不敢签，怕担风险，或者过程参与得不够多。所以信任的基础建设会越来越值钱。签字只是其中一种，未来像律所、建筑事务所那样——盖章、盖章、盖章，用多级责任来做担保的信誉机制——在 AI 时代，能力越泛滥，这种“敢负责、能背书”的东西反而越稀缺。

第三，智能与真实世界的桥梁。AI 的能力再强，最终还是要回到真实世界里去。所以谁能搭起智能和真实世界之间的桥梁，谁就有机会。机器人就是最典型的想象：把“大脑”装进机器人，它就能进入真实世界——这就是所谓的具身智能。

第四，AI 时代的操作系统。比如你们内部要做一个 AI 平台，本质上就是你们自己的操作系统。外面也有很多类似的产品，比如 DeepSeek，他们就想把自己做成 AI 时代的 Linux。再看 Claude 这家公司，业内有人判断它将来很可能成为收入规模空前的公司。它的年化收入这两年从几十亿美金的量级，涨到了几百亿美金的量级，还在飞快地往上走（具体数字大家姑且听之）——为什么？你看现在大家想给它送钱都送不进去，充值都经常会被封掉。因为它的能力已经变得像人类的操作系统了，吃掉的本质上是整个经济服务市场里相当一部分的 GDP。当然，有大操作系统，也有小操作系统，企业内部也会长出自己的新操作系统。

第五，意义的制造。这一条其实跟 AI 一点关系都没有。正因为进入了 AI 时代，人才开始追问：那我这个人的价值到底是什么？所以未来教育、艺术、疗愈、旅游这些探索人类意义与乐趣的事情，会越来越多。今年元旦我去了趟云南，感受特别强烈：我们办公室里张口闭口都是 AI，可一出杭州、到了云南、到了泰国，那个世界跟 AI 有什么关系？没有任何关系。该晒太阳晒太阳，该泡温泉泡温泉，该吃就吃。并不是所有世界都要跟 AI 直接打交道，留一部分“原始”反而挺好。教育也是这个道理——这两天高考刚结束，很多人问选什么专业、未来专业会怎么变。我现在看一个孩子，最看重的不是专业，而是他有没有热爱：只要他真热爱、能把一件事干深干透，不管是什么事，他都能触类旁通。因为 AI 的迁移能力极强——把一套好的思维方法录下来丢给 AI，让它套用到你的行业里去推理，它推理得会特别好。所以对一件事的深度和热爱，直接决定了一个人的意义和价值。

第六，医疗与生物。这其实是 AI 最大的价值所在，核心是蛋白质、药物的研发。美国不是有个“星际之门”项目吗？美国几家大公司一起组的局，做完活动连特朗普都在讲：那个项目哪怕做到最差，至少也能辅助疫苗和生物领域的突破。为什么生物最符合杰文斯悖论？因为在我们有生之年就能见效：假设一个人生了病、长了坏细胞，只要把坏细胞取样，把这个命题交给 AI，AI 就调动海量数据做暴力计算，算出最优解，再做大量仿真，仿真完再给一个最优解，最后交给人来做决策和判断。这就跟数学解题、跟下围棋一样——输入是“问题 + 解题思路”，蛋白质有多少种可能它就去穷举计算，它能算出来。所以它对算力的消耗是最直接的。

这里有一点我想强调，是我个人的预测：按现在 AI 技术的发展速度，我判断二十年之内，人类在攻克癌症上有望取得重大突破，未来甚至有可能低成本地定制疫苗，我觉得二十年内都有机会。我们这一代人，基本上你能活到八十岁就能活到九十岁，活到九十岁大概率就能活到一百岁。当然，这是我个人的判断。

四代思维与 AI 范式转移

这一代 AI 最大的不一样，我是这么总结的：技术革命本来就是认知革命，但这一次是“认知的认知革命”。工业时代，机器先替代了我们的手脚、我们的体力；而今天，我们要让机器长出脑袋。人工智能，本质就是“人造的智能”去赋能人类——就跟我们造机器的道理一样，只不过这一次造出来的是一个会思考的东西。

四代思维方式

过去几年我做了很多思考，最后才把自己从旧思维切换到新思维。我的办法很简单：强制告诉自己，时代不一样了，思维方式也必须不一样。

第一代，农业思维：靠天吃饭。资源是人力、土地和经验，讲究天人合一与经验传承，老师傅带徒弟本质上就是这一套。

第二代，工业思维。今天绝大部分企业其实都是工业时代的产物：流程、标准、机器、工厂、人力、复制，靠批量与标准化，追求规模和效益。

第三代，互联网思维。过去二十年互联网带来了新的可能性——突然之间，我可以在抖音里看着别人直播，就把云南的玉米买回家。信息的链接带来了无限可能，平台带来了链接、协作、互动，于是有了网络效应和平台协同效应。

第四代，AI 思维。它的内核是模型，是智能——以生成式模型为核心，去实现千人千面的匹配，调用知识来补全、调用智能来补全。在 AI 时代，能力是可以生成的，决策是可以智能的，整个范式都变了：模型化、结构化、自动化流程、学习反馈、个性化适配、智能的边际成本。

放到教育上最好理解：农业时代的教育是家庭教育、师傅带徒弟；工业时代的教育就是今天的学校，是流水线的产物；互联网时代你可以在网上学——我自己就是长在互联网时代的学习者，读书时大部分东西是在网上学完，再跟同学探讨、跟老师交流出来的。而到了 AI 时代，AI 讲得比老师好太多了。所以我现在建议每位老师都要把自己 AI 化：藏着掖着的老师，是最容易被 AI 替代的——大学教授尤其如此。当你把知识都分享出去，你这个“人”剩下的价值是什么？是真正的人与人交流，是探索更深的维度、碰撞灵感，那才是稀缺的价值。所以我认为 AI 时代好的教育反而要返璞归真：一方面把最好的 AI 用起来，另一方面回到人与人最重要的传递——这其实又回到了农业思维。郭德纲带徒弟，出道前一分工资不发，“我愿意带你就不错了，还不向你收学费”。老师带学生，本质是一种投资行为，靠的是自己的行为、人格、品牌和信誉，去带少量的人。

AI 时代的生产力还有一个最大的特点：会出现一种新的组织，它的特征是“学习就是生产力”。因为这一代 AI 最核心的是深度学习、神经网络——你要给它反馈，人在学、机器也在学，组织就会越来越智能。工业时代追求的是资本、劳动力和技术；AI 时代最重要的，一是你能不能找出问题（比如找到癌症的根源，那就是问题），二是 AI 给你提供模型、工作流和智能体的能力，三是反馈——比如仿真就是很好的反馈，AI 基于反馈就能快速迭代。为什么到今年 AI 开始进入加速度？因为深度使用 AI 的人越来越多，而且最先跑通的就是 coding 领域：它数字化程度高、反馈数据足够多，找 bug 也很直接，已经率先进入了生产力阶段。下一步，就是要把这种生产力和思维方式，带进更多的场景里去。

三代企业范式：制造、链接、智能

对应到企业层面，可以看成三代范式。

工业范式的精髓是大规模制造、大规模消费。不管你是做一件工业产品还是一系列工业产品，还是像好莱坞做电影（工业化分发）、宝洁做消费品、Zara 做快时尚，本质都是大规模、标准化的制造与流程。

互联网范式的精髓是链接。不管你们对不对，先把人拉到一起再说，像媒婆一样——把大家凑到一块儿，自然就产生新的可能性。所以代表企业是阿里巴巴、亚马逊、字节、腾讯，包括小米。小米是用互联网思路去做工业的：通过米粉社区、雷军自己的自媒体，拿到大量跟用户直接沟通的信息，再反向回来做产品定义和开发。

AI 范式的精髓是模型智能。能力可以生成，决策可以智能。这三代之间，有着天然的思维方式差别。

拿 DeepSeek 来说，它就把这件事想得很清楚：单独一代模型是没有核心竞争力的。那它的核心竞争力是什么？梁文锋的想法是——我带着一群人，一起不断去探索智能的边界。他认为最值钱的是那群人的团队：算法可能是过渡性的算法，模型可能是过渡性的模型，但那种一直往前跑的动力不会缺失，而过程中积累下来的智能基础建设，后面会被大量调用。短期形成的是品牌效应，长期看，它也可以像国家电网一样自己卖 token——只不过现在卖 token 还不是它最重点的任务。

我自己是怎么从旧思维转到新思维的

我原本一直卡在工业和互联网这两代思维之间。后来花了整整三年，认真想明白之后，才真切地感到：AI 真的不一样了。

前三年其实挺郁闷的。我是 89 年的，那几年资本市场已经不太投三十多岁的人了——除非你是科学家，否则你有什么优势？还不如去投刚毕业的大学生，他们是“原生的 AI 思维”。年轻人也常这么刺激我。我记得十年前我创业时给别人讲互联网，是何等顺畅；可后来跟一些 00 后聊，他们讲 AI，我很多词都听不懂——前几年讲区块链我听不懂，后来讲 AI 我也跟不上。于是我索性很虚心地请了十位浙大的师弟师妹，每天一起看论文、一起探讨，去搞清楚他们对人工智能到底是怎么看的。聊完之后我才确信：思维方式真的变了。也正是因为这样，今天才有这些总结可以分享给大家。我并不是说哪一代思维更好或更坏，而是说——我们今天既然要拥抱人工智能，就一定要看清楚，人工智能的思维方式到底是什么样的。

AI 人才观与模型选择

真正的人才，是“能编排智能的人”

AI 时代真正稀缺的人才是什么？我总结为一句话——能编排智能的人。这其实就跟工厂厂长一样。今天来参训的各位，未来都要努力变成“编排智能的人”。编排智能有很多方法：你写一个提示词是编排，搭一个工作流也是编排。

为什么业务人员来编排智能会更有价值？因为你更懂什么才是“有效的反馈”。纯技术人员搭一个智能体，往往不清楚业务场景对不对；而你作为业务人员，一旦用 AI 做出一个处理系统，马上就能拿回去用，在你们自己的平台上验证完，行了就复制给其他同学。你扮演的，就是“编排智能、产生业务价值”的那个角色。未来企业最缺的，正是这类人。

这里大家有几个常见的误解：

误解一：AI 应用人才＝会用 AI 工具的人。错。AI 自己就会用 AI 工具，凭什么要人来用？人的价值在于深度理解业务，把这些工具串成一个更大的 AI，而且这个 AI 最好越用越聪明、越用越智能，持续产生业务价值。

误解二：AI 应用＝AI 的应用。也错——这个我等会儿再举例子讲。

误解三：AI 教育＝教 AI 的教育。同样不对。

误解四：AI 只意味着科技的机会。恰恰相反，AI 会带来很多新的社会科学问题。AI 真要在企业里落地，会牵扯到人事、财务、法务、组织——这些偏制度性的事情，现在很多都还无解。

衡量一个人 AI 状态的指标：调用多少算力、一个月花多少钱

怎么判断一个人是不是真正进入了“AI 状态”？我大概有个指标：你能调用多少算力？你在 AI 上一个月花多少钱？你们的 AI 平台就应该设这么一个指标——全集团谁用 AI 用得最多？用得最多的人，一定是解决了某一类事情，否则他不会用那么多。这就跟工业时代一样：哪家企业用电最多，往往就是产值、价值最高的那家。

我们公司还发现一个很有意思的信号：屏幕不够用了。屏幕不够用，是因为你想让这么多 AI 同时干活。我现在大概有四五块屏幕、好几台机器，特别像做量化炒股——这边布置一个任务，那边布置一个任务。我还画过一幅图，描绘未来 AI 工作的样子，不过我觉得那图里画错了一个点：人不该一直坐着。我后来突然想到，最理想的状态应该像洗浴中心——累了去泡个澡、吃点水果，回来往沙发上一躺，看看哪个 AI 干得怎么样了，点一点、下个指令，再躺回去。我都开玩笑说，下一个公司装修，我一定要装成洗浴中心的样子，甚至干脆别办公室了，大家到我家里办公得了。未来一家公司可能不需要多少人，十来个人，指挥着一大堆 AI 就够了。人为什么非要坐着呢？坐着多累。只有工业时代才要求人守规矩、坐下来——人其实本不该这么干活。

各家模型的“性格”

你还能感受到，不同的模型之间，是有智能差异和性格区别的。这几年我问过很多人，越深用越能体会到这一点。常有人问我用什么模型，我说我所有模型都用——我本质上是在“调用智能”，有点像做 HR，每个人我都可以用。（以下是我个人的主观感受，仅供参考。）

豆包：我要快问快答，当然用豆包，来得快，在中文语境下表现很好。

OpenAI：它的特点就像山姆·奥特曼本人——脑子贼灵光，idea 特别多，特别发散，但不够收敛。它有一代推理模型我是相当不喜欢的，因为动不动就把一个简单问题搞得极其复杂，我说这怎么这么像我们身边很多博士；好在后来的版本收敛了很多。

Gemini：去年我用 Gemini 很多，它写出来的文章已经看不出是 AI 写的了，像一个读遍百科的科技文人。

Claude：从去年到今年是我用得最多的，它就像一个有点洁癖的工程师兼作家——很像它背后那家公司的气质。

你会发现，AI 是有性格、有价值观、有特点的。我自己这几年，每天花在 AI 上的时间，平均超过十二个小时。

账号“降智”那天，我第一次体会到“公司停电”

有一天——大概去年七八月份——我的 ChatGPT 账号那天用得太多，突然被“降智”了：系统强制把我切换到了更低的模型。我当时还没反应过来，只觉得这回答怎么不太对劲，一度以为账号被封了。那一天，我第一次真切体会到“公司停电”是什么感觉，就像大夏天办公室突然没了空调，人根本待不住。我那天特别难受，坐下来不对，站起来也不对，去同事那儿转转还是不对——因为没有 AI，我已经工作不下去了。

现在我们公司每个人上班第一件事，就是先打开 AI。所以我特别强调那“四个小时”：你真能跟 AI 一起共事四个小时，说明你已经把它当同事、当操作系统来对待了。再往上一阶，就像我这样——屏幕开始不够用，你开始能分辨不同模型的性格、价值与能力，知道什么时候该调用哪个模型会更好。

AI 产品与 AI 应用：技术、市场、产品三股力量

讲到 AI 的产品和应用，我想跟大家说一句：AI 的产品，远不止于我们现在想象当中的这一个点。

这个世界的力量，我一直把它总结为三股。第一股是技术的力量，它是推动力——技术要靠科学、工程、基础建设，要长期的研究和突破。但它只要一突破，就会推着时代往前走。比如几纳米的工艺，一旦突破，可能就带来一个新的时代。第二股是市场的力量，这个大家好理解：在一个市场化的社会里，企业的需求、交易、共识，加在一起就是规模，规模决定了我们要面向怎样的市场。市场是一股拉力，因为它离钱最近，拉着大家往前走。第三股是产品的力量，它有点像厨师把一堆蔬菜炖成一锅菜——你得有方法，把原材料变成一个可以卖、可以用、可以被复制的、相对标准化的东西。这三股力量，在不断推动着世界的变化。

为什么“产品”这一环，在 AI 时代格外重要

三股力量都在变，但中间这个原来叫“产品”的阶段，到了 AI 时代会显得格外重要。为什么？因为有几件事在同时发生。

第一，技术在商品化。今天最好的模型，你不花钱也用得到，甚至可以免费薅。在工业时代不是这样：我可以造一个核电站，我有图纸，但你没有原材料、没有资本、没有资产，你也做不了。可 AI 时代，“核电级别”的技术已经普遍可得了。那问题就来了：核电站发出来的电，你拿来做什么？这就尤为重要。差异于是从底层技术，转移到了巨大的应用和产品层面——当然，还是会有一小部分企业继续磕技术底层，可能就是那几家大模型公司。

第二，第一次有机器参与决策了。原来的决策大多是预设好的模板，而这一代真正有知识的大模型，它基于的是知识维度的决策，AI 决策所掌握的总信息面，有可能比我们人类还要更广，所以它真正参与到决策里来了。

第三，这几年我们会发现，技术和市场总在“打架”——因为“产品到底是什么”，大家都没有确切的定义。于是双方慢慢往中间靠，围绕 AI 形成一个共同体，每个人都有点像 AI 产品经理的角色了。我给某省级运营商的政企培训班上过课就很明显：一部分是技术人员，一部分是市场人员，他们一起来上的课就是“AI 产品课”。我问他们为什么要上这门课？他们碰到的问题是：市场部吐槽研发部做不出东西，研发部吐槽市场部卖不好。那干脆大家一起来做这个产品吧——产品就成了那个实时的中枢。

第四，AI 时代信息量是大爆炸的。你要是解决不好 AI 内部的工作流程和决策机制，AI 只会给我们制造麻烦：它给了我们很多可能性，却不告诉我们结论、结果和决策的依据。

今天的生成式 AI 就有这种感觉。所以在智能体这一层，我们要加入很多“压缩复杂性”的过滤机制，不然信息量一爆炸，大家烦得要死——“哎呀，又给了我这么多多余的信息”。真正做得好的，是把信息过滤掉，过滤出对的决策来，让数据可以被决策。

比如美国有一家公司叫 Palantir，它做的事情其实很简单：当年它帮美国国防部抓本拉登，它只要告诉你“本拉登在这”就行——但背后有一整套推导逻辑，决策依据是对的，结论就有价值。它的本质，就是把这么庞大的复杂数据，压缩成这一个决策。

对企业的价值也是一样：生成式 AI 能辅助我们工作，但企业真正要的是把复杂性收敛成决策。所以我们要在智能体里设计好过滤机制和压缩机制，否则结论太多，照样是信息大爆炸。

蝴蝶效应：一个技术，如何重塑组织与社会

第五，AI 会吞噬掉组织的一部分能力。有些工作交给机器去干就行了，本质上 AI 会让组织结构、人机协作发生变化。应用会怎么变？我给大家讲个例子。

1907 年，有两个年轻人在西雅图创业，启动资金 100 美金。他们买了几辆自行车，干什么呢？给人送信——你家有信、我家有信，送来送去。后来有了摩托车，他们就换摩托车；再后来电报普及了，送信的少了，他们就改送包裹。到 1919 年，福特的汽车降到只要 800 美金，他们觉得太好了，就买了几辆福特车，开始送包裹，不光送西雅图，还送到加州北部的城市。这家公司是谁？是 UPS。一百多年了——工业革命里造汽车、发电，好像都跟它没关系，它就一直给人送东西。今天福特或许都不行了，UPS 还是全球最大的物流公司之一。

这里还有一层。福特把汽车廉价工业化之后，除了 UPS，还诞生了哪些改变我们今天生活的应用？大家猜一猜。车便宜了，送货范围就更大；汽车多了，要加油，就有了加油站；要修车、换轮胎，就有了米其林——有意思的是，连米其林指南都是米其林轮胎公司搞出来的：评出沿途的好餐厅，就是为了鼓励大家开车出门消费。车多了还要司机，城市也随之扩张，人开车出远门，路上要住下来，于是有了汽车旅馆。

再看麦当劳。看过那部讲创业的电影的人大概知道，麦当劳兄弟在一个城市里建了一家标准化的快餐店，效益特别好，后来有人把它收购，一起做连锁。它借助的机会本质是什么？美国在工业化时把公路铺向全国，沿途那么多服务站里，就需要标准化的餐饮——麦当劳于是随着美国的大公路建设一路开了过去。同样的还有 7-11、假日酒店、赫兹租车；人有了车，就去郊区采购，于是有了沃尔玛。一连串的变化。

我想用这张图告诉大家的是：科技生产力带来的蝴蝶效应，会远远超出我们的想象。我们这一代对 AI 的想象，我能做的，就是告诉大家——要打开想象的空间。

这个推理方法可以一路往回追。工业革命的本质变化是什么？是一台蒸汽机，把热力转化为机械力。有了它，就能挖更多的煤；煤更多，就能有更多的纺织机；机器多了，就需要更多棉花，于是有了拖拉机去种棉；纺织业大了，就有了服装、有了建筑……一环扣一环。刚才说的沃尔玛之前，你知道美国最大的商业公司是谁吗？有一家叫西尔斯（Sears）的，它一度是全美最大的商业公司，后来倒闭了。它做的生意，跟中国邮政很像：美国通了铁路之后，东部的东西能运到西部，西部能运到南部——于是它推出了“邮购”服务，你在报纸上勾一勾想要什么，一个月之后东西就送上门。

那为什么沃尔玛一来，大家就不愿意等这么久了？因为人心里要的是“多快好省”，我宁愿自己开车去拿。而且那个时候还有一个变量：美国电器革命之后家家有了冰箱，东西买回来可以放进冰箱存着了。所以读历史很有意思——今天的人工智能，就像当年“热力转化为机械”一样，是“算力转化为智能”的一次基础建设。有了它，会发生一连串的变化，到底怎么推演？我们未来二十年的整个变化，会远远超出想象。

区分“AI 产品”与“AI 应用”

所以在这件事上，我们要把两件事分开看：AI 产品和 AI 应用，我认为是不一样的。

AI 产品，更多聚焦于“我用 AI 做了一个具体的东西”——做了一个智能体、一条工作流、某一个模型，有点像是你造了那辆车。而 AI 应用是什么？是这个东西到底带来了什么价值。我认为这恰恰是我们这些有业务背景的同学的优势：你真正给组织、给商业、给模式带来了变化，它才是真正 AI 驱动的应用。

真正原生的 AI 产品，有两层能力。一层，是用 AI 去赋能我原有的工业和互联网。这可能是我们很大一部分的需求——像某大型央企装备制造集团里有很多重工业的研发，重工业讲究规模、机械制造、结果的稳定性，各种工艺指标都要做得很好。那今天 AI 能做什么？能辅助，而且一定能辅助到。至于在哪些场景辅助，就值得好好去挖掘。另一层，是做“AI 本身”——比如你内部的 AI 操作系统。你今天做的智能体，本质上就是一个 AI 原生的产品，无非是它辅助你做了某件事，或者辅助你做了平台性的事。所以三个时代对“产品”的边界和定义，有一个特别大的不同。

我为什么更愿意“自己给自己做工具”

我们要清楚：我们到底是在做“AI 本身”，还是在用 AI 来辅助？这两件事要分开看。

用 AI 给自己的业务做工具，是有效的。但这几年自己试下来，我有一个结论：最好是自己给自己做工具——除非外面已经有成熟的解决方案，否则我作为乙方，更倾向于自己给自己手搓工具，因为反馈快太多了。AI 这件事最讲究反馈，最好是自己的工具自己手搓，很多东西很快就出来了。我们曾经给某大型家电企业做过一套工具，做到最后我们也不想干了，对方也不想干了。

前段时间，这家家电企业一位做数字化的人来找我，说：“邱总，我们当年花了那么多钱做的东西，最近这几个月我用一款 AI 编程智能体重新做了一遍。”前面投入将近 500 万做的软件开发，现在是他们一个员工借助 AI 就做完了，效果比那 500 万还要好——因为他人就在企业内部，最懂业务流程，做完马上能见效。可他跟我说：“我不想待在这儿了，AI 发展这么快，我觉得我们这种企业太慢了，我想去一家 AI 公司。”其实是想问问我有没有岗位。

你看，真正进入 AI 状态的人，更想做的是什么？是去做“AI 本身”。

“AI 本身”，我的结论是：它最好是一个能“智能增强”的东西，一个越用越聪明的东西。它像有黑洞效应一样，会把越来越多人的知识经验吸收进来，自己变得越来越智能，再反过来赋能给新人、增强老师傅原有的智能。慢慢地，企业组织里就沉淀下来一批“高智能、自动化的机器人”。所以要分两个角度看：今天我们做大量辅助，一定要把 AI 的能力落到自己的应用场景里；而企业真正有价值的，是去做原生的 AI 产品。我相信在企业的土壤里，是能长出一些合适的场景来的。

两个开箱即用的工具：机会识别与价值评估

下面我给大家快速介绍两个工具方法，马上就能用。以前上课是这样的：老师把方法讲一大堆。现在我觉得这些方法都不必我一一讲了——我把链接给你们，你们丢进去，不懂就直接问 AI，你们内部的智能体就能帮你解读。

我看到 AI 时代的产品和原来很不一样。洞察能力还是要的，我们有个方法叫“设计思维”——设计师有很强的观察场景、理解情绪、把说不清的需求讲出来的能力，你得有 idea，这在 AI 时代尤为重要。下面这几个，是 AI 时代里比较新的判断维度。

第一，AI 时代的产品，本质是一项“认知工程”。工业时代的产品很多是机械工程，互联网时代是软件 APP、是网络产品；而 AI 时代所谓的智能体，是一个认知产品，它最重要的内核就是认知。认知原本只停留在老专家的脑袋里——人在思考时，老专家有抽象能力、建模能力、上下文理解能力、判断能力，以及和智能交互的能力。所以我们今天做的智能体，不能简单地把它当工具，真正的智能体应该是一个“智能工程”的产品。

第二个维度，是价值的判断。不同企业、不同组织，对价值的判断很不一样。我特别加了两个“动态”量，因为 AI 技术变得太快：有可能你今天解决不了的事，先停一停，明天模型能力强了就能解决；也有可能你今天做的事很有价值，但明天模型一升级，把这件事内化掉了，你做的应用就没价值了。所以对 AI 项目的评估，必须是动态评估。后面还有一些关于定义、以及路演时怎么把故事讲好的内容——AI 时代讲故事变得很重要，因为面对的都是未知的蓝海，你怎么把力量团结起来？

工具一：机会识别（L1/L2/L3、六种机会类型、杰文斯悖论）

第一个工具叫“机会识别”。我举个例子。早上我把一位同学提的需求丢了进去，他在需求表里是这么写的：“会议流程自动化督办——通过语音自动识别生成会议纪要，抽取待办任务，并联动督办系统，自动跟踪、预警、反馈，实时预约任务，做到任务闭环的会议管理，确保决策事项高效落地。”

我把自己的方法做成了一条工作流加一个类智能体：只要把想法丢进去，它就会按这套方法走——第一步识别机会，然后定义机会、评估机会、设计路径，最后给出建议。

先说“识别机会”，我把它分成两块。第一块，判断这个应用场景属于 L1、L2 还是 L3：L1 更偏 AI 能力本身，L2 更偏工具，L3 更偏“你用这个工具去改造什么”。比如做一个会议纪要转写工具，它是 L2；但如果你要把这个工具变成企业组织里的一套决策与自动督办流程，它就更像 L3 了。刚才那个想法，AI 评判下来还是 L2——它觉得描述得还不够，更像工具类型；如果你最终给它补上明确的业务指标，AI 可能就会判成 L3。

第二块，AI 还会从六种机会类型来打标签：它到底是替代人的、增强人的、重构业务流程的、深层次的、平台型的，还是基础建设型的？三个深度、六种机会类型，AI 会先自动打标签——比如这个例子，它判成了“重构型 / 工具型”。

再下一步，定义机会。这里我用到一个方法论，叫“杰文斯悖论”：这个需求原来是被压抑的吗？原来就存在大量需求吗？AI 来了之后，这个能力能被十倍杠杆地放大吗？这个想法能赚到钱吗？——对你们内部来说，可能“赚钱”这个维度的权重可以轻一点，比重不一样。AI 就顺着这几个维度去评判，最后用一句话把机会描述出来。

最终它会结合四个维度给出一个机会评估：价值密度、可复用性、变现能力、自动化程度。它据此打标签、定位。比如这个例子，AI 把它定位成“低价值、高自动化”的任务。整个流程确实可以做到高自动化，但为什么判它低价值？我认为是描述得还不够深刻——它只写了会议的生成与跟踪，可替代方案太多了，人工能干，现在的飞书、钉钉也能干。如果是站在“创业做这个项目”的角度，AI 觉得要谨慎入场。它最后会给出一个六维度、落在四象限里的定位，再配上一段建议。所以这两天大家探讨场景时，可以借助这个智能体，去做一些延展。

“会议系统”的深浅之别：从工具到“第二大脑”

我为什么挑这位同学的例子？因为这个场景其实可以做得非常有价值，关键在于做到什么深度。

自从大模型出来，我自己一直很想做一个类似的产品，本质上是“替代秘书”——能做事、能做决策。我做了一个这样的东西，还没完全做完。它本质上不是一个会议系统，但我每次会议结束，都会把录音整个放进去。我把它做成了一个项目，叫“第二大脑”——我讲过的话、跟别人聊过的内容，全都放进去。

它里面有几个板块：第一个叫“我的大脑”，第二个叫“洞察”，第三个叫“知识图谱”，第四个叫“校准账本”，下面还有项目、决策、人物、全部对话与简化、以及技术原理说明。举个例子：我十次会议放进去，它就把这十次会议里的人物关系、知识关系全都帮我知识图谱化了——有些是我自己都没发现的关联，它都给我呈现出来了。

第二个板块是“决策”。我在里面写了很多自己的决策依据，它会把我开过的所有会里的决策一条条勾出来，变成待办，做完我就勾掉。

第三个部分，我把它做成“越用越智能”。我的智能体是怎么调的？这是那款 AI 编程智能体给我设计的思路，我觉得对，就采纳了——它给我做了一个“认知账本”，专门做事后复盘。它给我做过那么多决策，我事后给它反馈，用四个标签来打：应验、落空、部分应验、言之尚早。把 AI 替我做的所有决策这么反馈回去，它就用这些反馈来校准它给我的决策依据。这件事真正跑起来，就完全能扮演我助理的角色了。

不过我现在还没完全跑通，最大的难点就是前面说的：信息量太大，我自己处理不过来。哪怕公司不大，没有一个“人类高级智能”先帮我过滤一遍，那么多条决策依据我也看不过来。所以现在还没完全用起来，但至少我把所有对话和内容都先录进去了。

AI 还给我设计了一个很有趣的功能，也是它自己想出来的，叫“简报”。我里面分了不同的项目，比如我要跟某个人开下一次会，好的助理会先给你做一份简报：这次会要谈什么？上次还有哪些问题没解决？它就扮演了这个角色——你只要选今天谁参会，它就自动生成简报。

所以你看同一个需求的深浅之别：如果它只是一个会议转录系统，或者内部一个“流程派单”工具，很容易大家就不用了——我自己都碰到这个问题，很多人会把它当工具。但如果它能服务于做决策的人，因为越用越智能、决策越来越准，那它本质上就不再是会议录音功能，而是一个高级秘书，而且是战略级的高级秘书。

它背后有不同的分析方法。我已经做到这一步了，但最难的是——预测到底准不准？我现在也在测它。这件事做完之后会很有意思：我们公司现在讲话非常直接，谁都不藏着掖着，因为我的 AI 能把每个人的话都拆解出来。我在学校里，很多领导一讲话，真实意图我都能用 AI 拆出来，大家都觉得很有意思。

有几次会议结束，我直接把分析结果发给员工。有几个人看完脸都红了——AI 会指出：“这次会里，这个人这么重要，为什么一言不发？要么他参与感不强、作用没发挥，要么就是消极怠工。”我就把这份报告直接发给当事人，他看完那天脸红着过来，说“分析得太犀利了”。结果反而是，我们组织内部变得特别透明、干净，大家变得很单纯，有话直说——反正 AI 都会分析出来，今天 AI 说得不好，大家也都能理解。这其实也是一种组织文化。

所以回到那位同学的例子：如果有一天能做到这个程度，它就是老板们的“第二个大脑”。我做了两个版本：个人版和企业版。个人版数据全是自己的，辅助自己决策，那些不便对外的话全留在自己这儿；企业版则是把团队里可以公开的会议内容都放进来，让 AI 帮我们分析和决策，这就形成了企业的第二大脑。

工具二：价值评估打分

下一个维度是价值评估。我看每位同学都写了想法，我们的表里也有一些价值评估维度，于是我也做了一个价值评估工具，同样可以直接用。它本质上通过三个维度来打分，每个维度下面有不少带权重的分项。怎么用？把你的假设、想法写进去——写得越细，AI 理解得越好——它就给你打一下分。

这些工具都是我自己内部用的，所以除了上课的同学，也没给外部用过。大家可以用同样的方法：把想法一丢进来。我昨天本来想把我们两百多个应用场景每一个都打一遍分，一算大概要花五六个小时做 AI 推理，就没打。如果你觉得某个想法需要分析，把它输进去，AI 就从这些维度给你打分，打完会有一个总体的评判依据，比如“黄灯”——有些地方还要再验证。

比如第一个维度，看这个价值到底成不成立。以“记录会议”为例，它的结论是“价值有待验证”，要去看看 AI 怎么理解这个价值、能给我们什么启发。第二个维度，看价值能不能被放大，结论是“它具备系统级的潜力”。第三个维度，看是否具备长期持续的价值，结论也是具备的。每个维度 AI 打完分，我们当然也可以人工打，或者在 AI 辅助下一起看。我现在就是这么干的：周五评一些项目时，我会用这些模型把同学们的描述先让 AI 打一遍，我自己也人工打一遍，再对照看看哪些可以增强——本质上 AI 就辅助了我做决策。

最后，AI 会再给一个诊断建议。比如它会说：这是一个“半成立”的需求，短期价值在于自动化会议纪要、节省时间；但长期瓶颈在于行为改变可能不够，护城河也不够好——因为站在独立产品的角度，这个场景毫无疑问很容易被钉钉这类办公软件替代掉。

当然，这也可能是因为我把场景描述得不够清楚。比如你应该补充：这是一家国企，数据不能外流，内部又是怎样的？需要怎样的场景？这样 AI 理解得就更细致；否则它只能站在对场景的客观描述上去判断，会更笼统。它下面也会给一些建议，比如：你可以先做一个语音识别纪要的 MVP，下一步看会议的生成率、完成率够不够，有没有改变工作习惯、有多少人改变了；一步一步来，再把它跟督办系统打通，看流程能不能兼容、嵌入；再看优化能不能落地实施，最后给一些风险提示。

所以这两个工具，我觉得大家可以开箱即用。我把 PPT 也给到大家了，课程过程中就能用——晚上做 vibe coding 的时候，直接把想法丢进去就能跑起来。工具里有很详细的讲解思路，不懂的可以自己看，也可以丢给 AI 帮你解读。好，谢谢大家——还有几分钟，有问题我们可以交流一下。

现场问答

智能体底层选哪个大模型重要吗？怎么选？

有学员问到：现在智能体都是基于大模型的，市面上模型很多，豆包、千问，国外的 ChatGPT、Gemini……做智能体的时候，底层选哪个大模型，到底重不重要？该怎么选？

我的回答是：选大模型太重要了，连小朋友都能感受到模型智能的差别。我的建议是这样：研发阶段，能用最好、最智能的大模型就用最好的。我们自己实测下来，除了国外那几个，国内现在第一梯队的——智谱的 GLM、小米的 MiMo、DeepSeek 最新版、千问、Kimi——都已经很强了，据说有的已经摸到了 Opus 这个水平。

开发阶段先用最强的模型把链路验证通，等跑通了，后面要降本的时候，再针对不同的任务换不同的模型去做。我自己用一款 AI 编程智能体的时候感受特别明显：差的模型就是太笨，笨了你就觉得自己在浪费时间。很多人学 AI 受挫，根子也在这里——用了笨的模型，就误判“AI 不行”；换上好的模型，才会惊呼“AI 太聪明了”。所以你们的中台部门还得集成不同模型的能力，再给大家一些诊断报告和推荐。

“第二大脑／会议决策”类产品，用在大型组织内部好不好？有哪些坑？

另一位学员问到：您刚才讲做会议、谈话记录这类产品，说在外部市场不太容易击穿别人团队的能力。但如果把它用在我们这样的大型组织内部，会不会反而是个很好的选择？您踩过哪些坑，能给我们提个醒、指个方向？

我的回答是：我为什么先做这样一个产品？因为这是我自己的刚需——这个需求我想了三年，前两年开发成本很高，找了不少做大模型的朋友也没做出满意的。后来用一款 AI 编程智能体才慢慢做起来。而我的“私心”在于：我的刚需，恰恰代表了很多老板的刚需。做出来之后，很多老板都想要，那我就先给老板们用。

所以如果你们在内部做应用，我的建议是：一定要先把老板“拉下水”。只有老板下了水，你才能在这个应用场景上拿到更多资源和支持。老板不会去用生图软件，也不会用 CAD，他不懂；但老板要做决策、要开会、要处理事务，这才是他最直接、最能感受到 AI 价值的场景。

但这里有个坎：要做到“无人化”、老板自己就会用，前提是它的决策依据足够准。一开始老板很兴奋——“哇，好像挺有道理，都是 AI”，就用了；可用了一个礼拜，发现分析得不准，他就不想看了，闭环也就断了。所以真正要做到那个程度，闭环一定要小而准，先让老板用起来、感受到 AI 的力量，他自己脑子里反而会冒出更多想法。你们做 AI 应用也是一样：把领导们的想法接住，做得好理解、离决策近。

AI demo 做得很快，但客户买单意愿弱（“豆包也够用”），怎么破局？

有学员问到：我们现在大量依赖 AI 工具做原型，demo 出得特别快，但推广时阻力很大。客户觉得东西看着不错，可买单意愿不强：要么觉得维持现状凑合也能过；要么觉得你比免费的豆包就好用一点，哪怕你提效 80%、豆包提效 60%，他好像也能接受。怎么打开这个局面，让客户更愿意为 AI 产品买单？

我的回答是：你描述的这个情况，是典型地进入了 AI 的深水区——这里的深水区，就是要去评估你这个 AI 应用的 ROI 到底是多少。如果你没让客户看到很明显的变化，或者说替代带来的收益还盖不过他的迁移成本，那他的决策天平就会倒过去。

我们现在的策略是：从上到下，先从决策层开始改变，让客户认同未来一定要形成 AI 中台。在这个中台里，再去找典型的应用场景。如果某个场景只是提效百分之二三十，我们宁可先不做；要么去做老板一眼就能看到的，要么去做业务自己一上手就见效的。比如哪怕只是个 demo，财务自己戳了个小工具，马上就用起来了，这种价值反而更大。

同时，我们的开发流程也变了。以前是需求提过来、产品经理写个 demo、交付给客户去用；现在我们反而直接把客户拉下水，让客户一起来开发、一起做应用，迭代反馈来得更快。

还有从 demo 到生产级这一步：用 vibe coding 写 demo 是很快，但要落到生产级，得分情况。我们内部现在是让设计师、业务人员先把 demo 做到 80%，立项之后研发人员再接手，去做稳定性和深耕。在这个过程里我们会有比较严格的评判——客户到底看上了 demo 哪一点，这个产品值不值得做产品级的投入。充分发挥 vibe coding 快速做 demo、把需求测回来的能力，这是好的；但从大量 demo 走到严肃立项，还是得像以前一样，用很多维度去评估值不值得投入更多精力。

集团内的数字化子公司做 AI 产品：怎么和公有产品形成壁垒？又被批“产品不可复用”怎么办？

另一位学员问到：我们是集团内某家做数字化的子公司，相当于集团内部的“乙方”。现在遇到一个问题：像会议纪要这类东西，市面上的公有产品已经非常多了，我们不可能什么都自己做，也做不过那些专业厂商。对我们这种企业来说，怎么去规避这个问题？

我的回答是：关键还是看场景。你们集团足够大，而今天 AI 已经通用了，市面上现成的能力拖出来很快。所以你们要做的、和公有产品不一样的地方是什么？本质在分析方法里——一定要带上企业内部的决策依据，比如那些只有你们才有的专业词。而且，上下文是“兵家必争之地”，你们不适合把集团所有的东西都交给一个第三方，反而非常适合集团自己做一套。

这位学员接着追问：可还有个很典型的情况。我们一度以为，自己和公有产品的壁垒在于私有化、安全、央企背书；但后来发现，集团板块和成员企业太多了，上下文、专业词差异极大。比如同样一个能力，在集团内某家以海外业务为主的成员企业那里就用不起来——因为它的合同全是海外的，要用国外的法律、国外的语种。每一家都要实时去适配，工作量太大了。

我说：这正是数字化在 AI 时代带来的新挑战。以前是“我搭完，你们就能用”；AI 时代不是这样了——AI 时代你们必须把业务拉下水，跟着客户一起做、一起干。不拉下水，客户就会觉得你跟那些公有产品没区别，凭什么用你？

这位学员又说：领导还经常反馈一个问题——觉得我们这个部门效率低，没推出什么产品，而且做出来的东西不可复用，除了交付那一家，卖不到第二家、第三家。

我说：第一，AI 化本来就很难复用——这几年我试下来，AI 天然是个性化的。第二，理论上你们最好的优势，就是先把集团内部的客户搞定，因为在外部市场你们是没有竞争力的。标准化产品，你们做不过互联网。所以内部你就从上往下打——先搞定子公司的总监、搞定一把手，这是“一把手工程”。把 AI 当成纯工具，它有作用，但作用不大；只有把老板和业务都拉下水，效果才完全不一样。

具体怎么落地？我给两条路。一是先解决离老板最近的需求，哪怕再小。我做过很多设计工具，那是设计师的需求不是老板的，老板说“很好，全力配合”，可下面的人就是不配合，找各种“这不行那不行”，老板一犹豫，事情就黄了。反过来，如果老板自己的需求先被解决、他亲眼看到了价值，他就有底气去质疑下面的人——“我都能用，你们为什么不行？”很多领导今天没法推，正是因为他自己没感受到。

二是如果这个场景必须从上到下、中层到基层都打交道，那就成立一个“特别小组”：数字化的人、业务主管、具体的工程师，三四个人单独组个项目，把这几个人从上到下一撸到底全拉下水。因为人性是这样的：“让我配合你，做好了不一定是我的功劳，做砸了说不定把我干掉，我凭什么配合？”但如果是“我们几个人成立一个特别小组，一起做点不一样的、以业务结果说话”，那就是另一回事了。这个小组一旦做出点成果、让老板看到，就有人愿意为它加码、证明给别人看“你们也要拥抱”。我见过有客户用得很好，他的总裁会主动把业绩往 AI 上装——“AI 已经给我们带来多少多少亿产值了”，本质上就是在团队里给做事的人成绩、给他加码。一定要让效果释放出来，确实帮到了人，大家才愿意用。

低垂的果子，市面上一抓一大把，你们可能做不过，那就做点内部消化的工具，比如内部便宜地调用模型，大家用着就好，像“计划经济”一样。真正有价值的，一定是你们自己对自身业务和产品的理解——得扎到那么深，才扎得下去。

个人如何从零打造自己的“认知体系／第二大脑”？

有学员问到：我是业务部门的，今天听完很受触动。其实三年前我就开始构思怎么打造自己的认知体系，过去比较发散，现在想做一些收敛、归纳、提炼，但一直是线下自己在做。今天看到您展示的“第二大脑”，一眼就觉得“这就是我想要的”。可我不知道这东西具体该怎么弄。

我的回答是：现在 AI 里有个思路叫 LLM-wiki，逻辑很简单：你每一次的输入，先让 AI 帮你做一次标准化整理，像个文秘一样，把“这是哪一次、谁做了什么、分析了什么”写成标准的 MD 文档；同时给它建一个层级、一份“说明书”。有了这个层级，你后面再用 AI 的时候，只要告诉它层级，它就能去层层调用，把散落在大量文档里的知识抽离出来。

有学员问：标准化这一步是让 AI 做，还是我自己做？我说：你一定要先给它提供思路、给它讲规则——你关注什么。同时还要不断反馈它总结得对不对。比如我做这套东西，最终也是想给决策者用，但每个人的分析方法、决策依据都不一样：技术架构可以一样，长出来的东西一定是因人而异的。

这位学员接着问：那我自己想从零做起，该怎么着手？我说：第一步，先用一个编程智能体。你把会议结束后的文档先丢进去，让它按你的结构去做分析——你自己先写好分析方法，让它照着写；然后告诉它“我要建一个文件结构”，它就会按你的结构，一条一条帮你存在本地。下一次你来调用，或者设一些定时任务，比如“每天给我一份日报，看看里面有哪些洞察”，把这些要求提给智能体，等于你自己编了这么一个东西出来。

自己其实是可以做的，只是比较花时间——哪怕我手把手带，大概也得将近一个礼拜，才能做到我这个程度。比较省事的做法是：未来在我的基础框架里，大家只改方法就行，那就跟用软件很像了。

涉密／高风控行业要做本地算力部署：成本高、价值难量化，怎么办？

另一位学员问到：我们有些业务属于高风控、涉密的行业，对数据安全要求极高。下一步如果想自己部署算力，大概成本是多少？而且现在能用上的往往只是小参数的本地模型。

我的回答是：这类场景确实特殊。先说部署：全参数的大模型，硬件成本极高，中小企业基本部署不起。所以我的建议是分步走——前期先按年租云服务器，等真正看到效果、确认这东西有用有价值之后，再去追加、采购自己的设备。这就跟用电一样：谁会为了用电，先立马建一个发电厂？不可能。以前电不够的时候，自己搞个小发电机哐哐哐发一阵，是有需求，但慢慢就没了。

另一位学员补充：我们实施时一般也是这样——不太敏感的客户就用公有云；敏感的就按年租云服务器；实在不行、有效果之后再去买设备。前一到两年主要是低并发地看场景、看效果，哪怕慢一点也行，只要确认有价值，后面再追加硬件。

这里还涉及一个根本的取舍：你们和我们不一样——我们大多数场景是“收益大于风险”，所以国外更聪明的模型，我愿意去承担风险去用。但在高度依赖风控的场景里，当安全大于收益时，我宁可笨一点，也要用笨一点的、稳妥的方法搞定。对应到产品上，可能就是多做几步引导、不追求一步到位，但最终还是能实现。

很多人会问“我为什么一定要本地化部署、物理上跟外网彻底断开”。这是一种很极端的情况——其实绝大部分企业是不需要物理断网的。是不是真要在某个场景布个小模型，也得平衡：你布了个不够聪明的小模型、解决不了问题，那就是白布。还是要看你到底要解决什么问题，自己做权衡。

复杂任务交给 AI：一步到位，还是拆解？

有学员问到：有些复杂任务，如果我直接整个丢给最强的模型，它一次就能搞定；但要让一般水平的同事去做，我可能就得拆开。这种该怎么把握？

我的回答是：复杂任务一般要拆成原子化的工作流，细到每一个步骤——你到底要解决什么问题、用哪个模型解决哪个问题，得细到那个程度，就跟我们人干活一样，落到一个最具体的动作上。因为 AI 的执行就是这样一步步来的。

不过有意思的是，现在的智能体模型有个好处：它已经内化了不少工具能力，你哗一下把任务给它，我们甚至不知道它内部怎么搞定的，但结果反而更好。所以我自己开发的时候很有意思——当我觉得上下文给得差不多了，就干脆放手对 AI 说“你来干，我相信你”，看看它会做出什么，常常能干出很多让我意外的东西。比如有些产品里很多想法其实是 AI 提的，一提我就觉得“诶，有道理，这个好”。所以是拆还是放，要看上下文是否足够——足够时，不妨大胆放手。

vibe coding 团队 token 消耗参差不齐、有人“铺张浪费”，要不要建审核机制？

另一位学员问到：我们在探索 vibe coding，从 PRD、原型、技术设计、数据库设计到代码、上线，这套流程已经高度自动化，也建了一些工程控制（harness）的规则。但有个问题：到最后一看，每个工程师消耗的 token 量还是差很多，确实存在一些铺张浪费——做同样的功能，有人花得多、有人花得少。我们想看看，有没有一种有效的机制，能去审核他们的产出？

我的回答是：我认为现在还远没到“审核”的时候。现阶段应该鼓励大家使劲烧、大胆试错，甚至要以“烧得多”为荣。把这当成基础建设。

本质上，这是一个管理问题。第一步：鼓励所有人用。你能证明自己用得多，就请你来讲讲“你为什么用得多”——如果你用得多、价值也高，那我当然给你点赞，把你立成明星；如果你用得多、结果却不好，那我们谦虚一点、一起复盘“为什么会这样”，但绝不能打击他，该调整 harness 的就去调整。总之，用得越多、创造价值越高的人，就要让他成为标杆，强化内部的范式。

另外，一定要给一个“忍耐期”，而且要让领导也知道有这个忍耐期。你可以这样跟领导算账：我们设一个月度上限，比如这个上限以内的开销就当打水漂、不计较——听起来肉疼，但你想想，多一个人的编制多贵？把这笔钱放进来当试错成本，超过这个上限，我们再按价值产出来衡量。这个拐点到底是多少，每个企业不一样，但规律一定是这样：还没到那个点，你就去计较那一点点小钱，没必要。

所以我会告诉领导：现在是追第二曲线，你这个拐点还没到。但管理上的总结、复盘还是得跟上——以前是“慢”的问题，现在变成“质量参差不齐”的问题，这都正常，是要逐步探索的。关键是给领导建立一套基于 AI 的认知模型，让他能跟上节奏；领导认知到位、愿意拥抱，团队才推得动。