安筱鹏 | 追问洋流的方向：AI时代的8大生存命题

题记：2026年7月12日，北大国发院【承泽论坛】第55期暨AI科创论坛在承泽园举办。本文根据中国信息化百人会执委、清华大学产业互联网研究院顾问、《智能化生存》作者安筱鹏的主旨演讲整理。

如今，AI原生应用的迭代周期以天计算，大模型的迭代也从过去的半年、一年为单位，缩短至以月为单位。技术发展日新月异，但我一直在思考：在快速更迭的技术、产业与应用背后，不变的机理与规律究竟是什么？我们不仅要看见海面的浪花，也要一起追问洋流的方向。

今年春节期间，开发者仅用一小时完成的开源项目OpenClaw（俗称“小龙虾”）上线GitHub后，只用3个月便走完了全球顶尖开源项目30年走过的历程，充分展现出这一轮AI所爆发的强大生命力。

另一家企业Anthropic更具代表性：2021年成立，2024年收入4亿美元，2025年增至90亿美元，截至2026年6月，其年度经常性收入已突破600亿美元。有美国咨询机构判断，它可能在未来几年内突破3万亿美元市值，甚至有望成为全球首家市值超6万亿美元的企业——这就是这个时代里AI企业的成长速度。但Anthropic在自己走红的同时，也让传统的全球软件企业星光暗淡，市值蒸发猛烈。

这也让全球软件从业者开始深思：人工智能的到来，对软件行业究竟意味着什么？有人称这一轮AI是一场“超音速海啸”，而我们真正要面对的问题是：如何与这样的世界相处？

这正是我的新书《智能化生存：AI时代的100个断言》的创作缘起。

八年前，我曾写过《重构：数字化转型的逻辑》一书。出版次年，出版社便提议更新内容。过去八年，我两次启动修订工作，最终都没能完成，因为技术迭代太多。但今年春节，我深度体验了类似OpenClaw的超级智能体产品，发现超级智能体已经具备重构所有知识工作的能力，其价值远不止替代重复性工作、提升效率，更能系统性拓展人的能力边界。这种能力提升包含两层含义：其一，过去100分的工作能达到85分，如今提到95分，质量上有突破；其二，过去完全不具备的能力，现在可以从零快速提高到70分、80分。

春节期间我每天投入十几个小时测试各类超级智能体，最终用18天完成了这本书。当然，这本书前期也有大量的积累。此前，我在AI上的个人投资几乎为零，没订阅过任何付费产品；但从今年正月初一到十五，我大概花了1000美元订阅各类服务，还买了一台旧电脑做测试。回过头看，这笔投入非常值得。

写这本书时，我一边和AI探讨如何提效增能，一边萌生了再写一本书的想法。当时我使用的智能体产品Qoderwork支持定时任务，我便设置每天10点让它完成两项工作：一是以流水账形式记录我过去24小时围绕《智能化生存》这本书开展的所有工作，二是将流水账整理成3000-4000字的工作日记。AI对我每一章的版本修订了如指掌，甚至比我自己更熟悉书稿的细节。全书定稿后，我让它整理了整个写作过程，便有了下一本书的雏形，预计很快也会出版。我给下一本书定名《让渡：寻找人机协作的边界》，副标题是“我和龙虾共创一本畅销书的思想实验”。多数人或许不需要写书，但每个人都需要思考的是：在人机协作的时代，双方各自的边界在哪里，我们如何才能高效地与AI协作。

讲这些亲身经历，是想和大家分享一个重要体会：AI正在从根本上改变所有知识工作者的工作方式。

今天，各种变化纷至沓来，焦虑也随处可见，但无论是企业家、科研工作者还是公职人员，我们都需要思考一个问题：如何才能穿透技术迭代的表层泡沫，不被浪花遮蔽，不被噪音干扰，做出穿越历史周期的判断，一起追问时代洋流的方向。

半年前和出版社交流时，对方催我尽快出书，说技术迭代太快，晚了就过时了。但我的想法恰恰相反：如果要写一本书，我希望三五年之后回头看，它依然有价值。我不想写一本随技术迭代而快速过时的书，而是要写一本能穿越历史周期的作品。这是我写这本书的第一个考虑。

第二个考虑是，我希望这本书的价值是启发大于共识。这本书的副标题是“AI时代的100个断言”，所谓“断言”，是穿越历史周期的判断。它的意义不止于给出具体问题的答案，而在于追问时代命题的方向。在技术快速迭代、行业持续演进的AI变革期，每个人都需要找到一份通向未来的认知地图。

命题（一）AI：从哪里来，向何处去？

回顾AI发展史，我始终在思考一个问题：AI的创新发生机制是什么？它是如何被创造、塑造、开发与训练的？

和航天工程按计划倒计时推进不同，AI的创新是“涌现”——这也是本书提炼的核心关键词。AI不是单一技术线性突破的产物，而是算法、数据、算力这些技术要素偶然相遇、必然融合、共同进化的结果。

本书中有这样一个断言：没有哪项技术能够独自抵达智能，突破只发生在算法、数据、算力的交叉路口，偶然相遇点燃火种，共同进化让它燎原。

我们可以简单回顾AI的发展史：

1956年达特茅斯会议标志着人工智能学科正式诞生。1969年，当年的图灵奖得主明斯基出版《感知机》一书，直接判定神经网络与连接主义路线“死路一条”。1986年，辛顿发表反向传播算法论文，将神经网络这条技术路线从“死刑牢”中救出。

2006年，在英伟达市值仅约10亿美元、年收入数亿美元之时，公司做出了一个影响深远的决策：布局统一计算架构CUDA。CUDA的价值在于，让原本只用于游戏的GPU芯片承载科学计算任务，同时极大降低了软件开发门槛。当时很多投资人并不看好这一方向，但英伟达毅然推进，如今CUDA已成为英伟达5万亿美元市值最宽的护城河。

2009年，李飞飞推动构建了全球最大的图像标注数据集ImageNet，并于2010年举办图像识别大赛。2012年是里程碑式的一年：辛顿指导两名学生参赛，以神经网络方案拿下冠军。这次夺冠带来了三个深远影响：第一，让此前备受冷落的神经网络技术路线获得全球关注，大量研究者涌入该领域；第二，证明了GPU而非CPU才是高效训练模型的算力底座；第三，黄仁勋看到GPU在AI训练中的潜力后，加速迭代芯片技术功能，推动了包括NVLink在内的一系列技术突破。

此后辛顿与两名学生创立的DNNresearch公司被谷歌收购，他也加入谷歌。2015年，马斯克与奥特曼等人创立OpenAI，从全球招揽顶尖人才，将已入职谷歌的Ilya招至麾下。2017年谷歌发表Transformer奠基论文后，Ilya在采访中表示，OpenAI将坚定沿着Transformer技术路线前行。2017到2019年间，行业涌现出多种工程化方案，OpenAI的路径在当时效果未必优于谷歌，但团队始终坚持方向不动摇。至2020年，GPT-3发布，实现了对谷歌的碾压式超越，后续的故事大家已耳熟能详。与此同时，算力硬件也从芯片级、板卡级到集群级持续迭代，与算法、模型共同演进。

从上述历史可以得出一个重要判断：旧范式的死刑判决，恰是新范式的出生证明。

2012年之后，数据、模型、算力技术不仅是彼此的催化剂，还是互相改造的基因——芯片的技术架构随模型发展持续迭代，模型的演进又不断对算力提出新的要求，形成了共同进化的闭环。

那么AI将向何处去？如今，模型种类繁多，很多人看不清彼此的关联。我将当前的模型分为五类：

第一类是语言大模型：大模型的基础形态，是典型的 “文科生”，早期以人文能力见长。2024 年上海 AI 实验室测试显示，顶尖模型文科可达 211 院校水平，按百分制计算数学仅约 70 分；当前其文科能力已大幅提升。

第二类是推理大模型：突破数理推理瓶颈，是完成能力进阶的 “理科生”。2024年OpenAI先后发布 o1、o3，能力对标顶尖高校博士生；2025 年 DeepSeek 开源同类训练方法，推动技术普惠。

第三类是多模态模型：主打跨模态创作，如同 AI 领域的 “艺术生”，支持文生视频、文生语音等场景，是AI内容创作的核心载体。

第四类是物理模型：覆盖自动驾驶、人形机器人等具身智能方向，是兼具运动控制与决策能力的“体育生”，是AI走向物理世界的核心形态。

第五类是科研大模型：面向前沿科学研究打造，远期目标是具备诺奖级原创研究能力，助力基础科学突破。

当前的趋势是，语言模型与推理模型已经融合，语言、推理与多模态也在融合。长远来看，五条赛道终将走向统一的通用智能形态。

现在，最重要的模型训练方向是智能体，也就是让模型具备自主规划、原生工具调用、长短期记忆等能力。

再往长远看，除了多类模型融合，训练、微调与推理还将实现统一协作，走向“递归自我改进”，也就是模型本身具备自我迭代的能力。2026年6月5日，Anthropic发表文章探讨“AI自我训练的影响”，甚至呼吁全球暂缓前沿模型研究，因为模型可以自己训练自己。

命题（二）AI：超越计算机革命和互联网革命

如何看待这一轮AI革命？一个非常重要的判断是：这一轮人工智能革命超越了此前的计算机革命与互联网革命。

2023年5月，中央财经委员会第一次会议提出“把握人工智能等新一轮科技革命浪潮”，这一表述是对这一轮变革的重要定位。2025年7月，美国推出其“人工智能+”战略，其中对这场革命有三个关键判断：一场工业革命、一场信息革命、一次文艺复兴。

工业革命与信息革命的内涵不难理解，但为何是“文艺复兴”？这场AI革命和发生在数百年前的文艺复兴有三层相似性：一是知识的民主化，知识曾经被少数精英或专家垄断，而现在知识得以普惠，人人均可触及；二是创造力的大爆发，只要愿意，每个人都可以成为内容创作者、甚至“电影导演”，个体创造力被极大释放；三是科学范式的革命，科研从传统的实验验证范式，迈向数据驱动的新范式。

AI这场科技产业革命，具体带来了三重根本性变革：

第一是人机交互革命。从早期的机器语言、汇编语言，到后来的C语言等所谓“高级语言”，编程始终有很高的门槛；而自然语言交互的普及，让所有人都能便捷调用软件能力，编程门槛被拉平。

第二是认知协作革命。机器具备了理解、推理、规划能力，人与机器的协作方式发生了革命性变化，人机协同成为新的工作常态。

第三是计算范式革命。过去二三十年，全球计算体系以CPU为中心，而如今正全面转向以GPU为中心。这不止是芯片的更换，其背后的存储、网络、架构、操作系统、应用乃至商业模式都在重构。这也是为什么当下资本市场中，AI相关企业涨幅显著，而非AI赛道表现平淡。这是一次技术体系的完全切换。

常有人将AI与互联网、移动互联网作对比，把互联网、移动互联网作为坐标系。在我看来，这样并不准确。互联网的本质是实现了信息的精准匹配：搜索引擎匹配人与信息，出行平台匹配乘客与车辆，电商平台匹配消费者与商品，核心是连接与匹配。而AI大模型的本质，是为问题寻找答案提供最短路径，核心是求解与生成。互联网时代产生了网络经济、平台经济，具有双边效应；而AI产业更接近现代服务业。如果要在技术史上找一个参照系来和AI作类比，我认为集成电路（芯片）比互联网更适合。社会数字化、智能化的进程，是不断将芯片嵌入各类设备的过程；而AI的普及，是给所有软件装上“大脑”，重新定义软件的功能。

从市场空间看，传统软件与云服务的市场，覆盖的是企业CIO（首席信息官）的预算；而AI的预算，不只来自CIO，还会来自HR、财务、业务等所有部门。2026年6月SpaceX上市的招股书中，将AI市场的空间定义为25.6万亿美元，而传统软件与云市场总和仅约3-5万亿美元。所以这完全是不同量级、不同性质的市场。

命题（三）AI大模型：超音速海啸来了

马斯克与Anthropic的CEO都用“超音速海啸”形容这一轮AI变革。该如何理解？我们可以从几个维度观察。

首先是重新定义高增长。如前文提到的Anthropic，收入从2024年的4亿美元，到2025年的90亿美元，再到2026年6月的600亿美元年化收入，增速远不止50%、100%，即便按年化口径计算也可达500%、600%。在AI时代，一家AI原生企业如果没有300%的增速，都算不上高增长——AI正在重新定义“高增长”的标准。对比互联网、移动互联网、云计算的商业化进程，AI商业化落地的速度是前三者的3倍，足以窥见这场海啸的速度。

其次是红利群体的扩散。今年春节前后，以OpenClaw为代表的超级智能体爆发，其核心意义是：将过去10个月里软件工程师享受到的AI红利，扩散到了全球12亿白领群体中。我在书中有这样一个断言：当AI从程序员的助手变成同事，AI红利便开始从3000万程序员蔓延至12亿白领。

什么是“软件工程师红利”？过去，互联网公司顶尖的软件工程师每天能编写200-300行有效代码；而从2025年4、5月开始，借助AI工具，工程师日均产出可达1万行代码。曾有专家和我交流，这1万行代码并非“垃圾代码”，其整体质量甚至高于过去两三百行的人工代码。这就是AI给软件工程师带来的红利。

我举个身边的例子：我们团队有一位文科背景的同事，全程用语音交互的方式，仅用一个多小时就开发出了一个追踪全球400多家AI原生企业的网站，涵盖中美企业对比、企业基础信息等内容，数据实时更新。如果用传统开发模式，两名工程师至少需要一到两周才能完成，而今天，非技术背景的人也能快速做出这样的产品。

超级智能体为何在今年春节前后集中爆发？这是技术量变到质变的拐点，有三项关键技术突破为其爆发提供了支撑：

第一，CLI命令行交互技术。2025年Anthropic在开发ClaudeCode时，率先采用了CLI技术方案。它的核心价值是，让代码编程从copilot阶段迈入autopilot阶段。如果说copilot是人握着方向盘、AI在旁辅助，那么autopilot就是AI主导操作，人退居监督位。2025年2月这项技术的使用，为编程领域的智能化带来了质的突破。

第二，Skill技术。我常和企业家说，一场分享下来，哪怕只记住一个词，记住“Skill”就够了。Skill技术的成熟，是超级智能体落地的核心基础。

第三，模型本身的能力突破，尤其是编程能力的大幅提升，为智能体的落地提供了底层能力支撑。

总结来说，超级智能体的成型，依托五大核心要素：基础模型、Skill能力、CLI技术带来的自主执行能力、长短期记忆机制，以及自动触发功能。比如我前面提到的每天10点自动汇总工作记录，就是自动触发的典型应用。

这里我想重点展开说说Skill。

什么是Skill？简单来说，Skill就是AI时代的软件。例如，面对报税这类专业任务，你不需要一个智商300却不懂税法的通用天才，你需要的是拥有20年经验的税务专家。把专家的经验、方法、流程提炼凝结成一个Skill，就能让AI调用这份专业能力，这就是Skill的价值。

如果说基础模型相当于硬件里的CPU，智能体相当于操作系统，Skill就是应用软件。

北京邮电大学附近有家很火的金谷圆饺子馆，在GitHub上发布了自家的Skill。用户的智能体下载这个Skill后，就能直接调用饺子馆的各类服务，包括排队取号、外卖、打包等。这件事的意义远超餐饮本身。

当年阿里巴巴起步的B2B业务，本质是帮中小企业把信息搬到互联网上，让海外采购商能看到、能联系，完成交易——互联网解决的是“让人发现你”的问题。而今天的Skill在做的事是：将商家的服务能力Skill化、MCP（模型上下文协议）化，解决的是“让AI发现你、调用你”的问题。换言之，今天所有线上线下的服务，都面临一个新课题：如何让智能体发现、调用并完成服务交付。

只把信息和服务放在互联网上已经不够了，AI找不到。你需要做一次适配改造，让服务变得“AI可调用”，而这个改造的门槛并不高。2026年7月7日，支付宝AI开放平台正式上线，支持商家通过小程序接口低代码开发，将线下服务封装成AI可调用的Skill、MCP插件或独立智能体，通过AI调用实现商业转化，正是对这一趋势的回应。

如果说APP是功能的软件化，那么Skill就是经验的能力化——把一个人、一个团队、一个组织完成特定任务的经验、方法、标准流程，转化为AI可以调用、可以复用的能力。

这就呼应了我前面说的，AI正在从根本上改变所有白领的工作方式。如果你还没感受到，或许只是还没找到正确的使用方法。我用八年都没完成的旧书更新，为什么现在仅有18天就完成了？关键就是我在过程中训练、调用了多个Skill。Skill的价值要亲身体会才知道。

举两个我自己用Skill的例子。我早年写的书过于专业，对读者而言比较生涩，所以写这本新书时，我定了一个重要标准：可读性要很强。要求之一是配大量图示。但我自己不会画图，也很难找到既能快速出图、又能理解AI专业概念的设计师。我的做法很简单：在智能体Qoderwork里输入一句话，让它研究全球科技商业畅销书的配图逻辑，生成一个“图书配图Skill”。它检索分析了大量畅销书后，这个Skill就成型了。第二步，我把书稿第一章12000字文档交给它，让它判断需要几张图、分别是什么类型。它很快给出报告：第一章需要6张图，概念密集处配概念图，数据集中处配数据图，历史脉络处配演进图。我确认后，它便生成了6张图，我选出4张满意的，它直接就插入到了书稿对应位置。

这些图的价值不止是“画出来”，更重要的是逻辑。普通设计师未必有这样的认知和想象力，而AI基于对全文的理解能够很好地完成创作，我后续只做了少量优化调整。

再比如“断言Skill”。我写这本书的目标是穿越周期，我一直在思考：什么样的观点能经得起时间检验？于是我让AI研究丘吉尔、德鲁克、罗素、马丁·路德·金等思想者提炼观点的方法，生成了一个“断言生成与评估Skill”。这个Skill总结出好断言的五条标准：简短凝练、判断清晰、有认知落差、能穿越时间周期、能引发行动。写作过程中，它可以给每一个观点打分，帮我不断打磨，让表述更有穿透力。

再从历史视角举例，帮大家更好地理解Skill。大家都说瓦特发明了蒸汽机，但瓦特最核心的发明之一是离心式调速器——那两个转动的小球，能自动控制蒸汽进气量，稳定蒸汽机输出。它的本质，是把人的控制思路转化成了一套物理装置，用机械实现了人的想法。

工业3.0时代，可编程逻辑控制器（PLC）出现，把零部件加工、流程生产的工艺逻辑写成软件，交给机器执行——这是把人的经验转化成了代码。到后来的ERP、CRM等软件，本质是事物运行规律的代码化，用软件固化流程。而大模型，是AI学习了互联网上的海量信息，将其内化为自身知识，再赋能给使用者。

从机械装置到PLC，从软件到大模型，一脉相承的逻辑是：将人的能力、想法、经验，转化为机器可复用的能力。Skill做的是同样的事——把你的技能、经验、方法论，转化为AI可以调用的能力。

所以我常说，如果站在AI的视角看人，每个人都是一组行走的Skills，是各类技能的组合体。由此也有了书中的一个断言：人类文明的发展史上每一个突破性创新，本质上都是对人类知识的更高效压缩与转化。

命题（四）Token：是什么？为什么？

1995年，尼葛洛庞帝的《数字化生存》提出，数字化是将现实世界的信息转化为计算机可处理的二进制数字序列的过程。如果说数字化的核心是“比特化”，那么智能化的核心就是“Token化”。

我们可以从计费单位的变迁感受这种变化：20世纪80年代打电话是模拟信号，按时长计费；2000年后进入3G、4G时代，按流量付费，计量单位是比特；而在AI时代，我们为智能付费，计量单位是token，输入与输出都按token计费。数字时代我们用比特丈量世界，智能时代我们用token丈量智能。

简单解释一下token的运作逻辑：第一步是分词，比如“我用苹果手机买苹果”这句话，会被拆分为若干语义单元，每个单元就是一个token；第二步是编码，给每个token分配唯一的数字编号；第三步是向量化，将每个编号映射为高维空间中的向量——同样是“苹果”这个词，代表水果和代表手机的向量在多维语义空间中的位置完全不同。含义相近的词，向量距离更近；含义不同的词，向量距离更远。

大模型本质上就是把语言问题转化为了数学问题。万物皆可token。除了文本，图片、声音、视频可以token化，蛋白质结构、分子序列、数据库记录也都可以token化。token是智能世界的通用“原子”。

命题（五）数字化与智能化的本质区别是什么？

“十四五”规划高频提及“数字化”一词，“十五五”规划中则五次提到“数智化”。二者的本质区别是什么？我的观点是：数字化是智能化的基础，但智能化不是数字化的延长线。

数字化的核心，是将业务流程转化为可计算、可存储、可查询的数据结构，它的前提是问题封闭——你提前知道需要什么数据、如何计算、会得到什么答案。因此数字化基于“封闭世界假设”：凡是没有被证明为真的，就被视为假。

而智能化基于“开放世界假设”。今天数字化面临的困局，就是试图用穷举规则的方式应对开放的现实世界。业务本身是开放、不确定的，但人们总试图穷举所有可能性、规律与答案，把无限的现实收敛为有限的规则，把动态的变化固化为静态的流程。这种穷举，本质是人类用理性为混沌世界建立秩序的尝试，是以有限对抗无限的认知策略。但穷举永远不可能完备：业务的涌现性、情境的独特性、变化的不可预测性，总会从穷举的缝隙中逃逸。数字化系统始终处于“穷举-失败-再穷举”的循环中，这既是技术的局限，也是人类认识论的边界。

马斯克的FSD V12版本是最好的例子。2023年9月，马斯克在1200万人的围观下完成了45分钟自动驾驶演示，之后他说了一句很经典的话：“我们的工程师从来没有写过一行代码告诉这辆车应该怎么停，但它总能停在正确的位置。”

这句话背后是从数字化范式到智能化范式的跃迁。在FSD V12版本之前，自动驾驶采用规则驱动方案：第一步，采集红灯样本，让模型识别“这是红灯”；第二步，工程师写代码，指令“遇到红灯踩刹车停车”。所有驾驶规则都是人写的代码，本质是穷举规则。而FSD V12的核心变化是：不再人工写规则代码，而是让系统学习海量人类司机的驾驶数据，老司机怎么做，系统就学着怎么做。

代码量的锐减不是技术简化，而是从“穷举规则”到“理解世界”的范式跃迁。过去，提升驾驶安全性靠的是穷举各种极端场景；而现在，靠的是让系统自主理解驾驶逻辑，然后自主决策。

这个逻辑不只适用于自动驾驶，客服场景、智能数据分析（GPT BI）、机器人、工业设备全都是如此。过去所有的指令、速度、角度、力度，都是工程师提前写好的规则；而真正的智能机器人，是能面对环境变化自主做出决策的系统。

举个例子，车企董事长问“上个月华南区汽车销量为什么下滑这么快”，如果这个指标是数字化系统里提前开发好的，就能直接调出结果；但如果是临时提出的、没预置的问题，传统数字化系统就答不上来，因为它只能解决人工预设的确定问题，可解答的问题是有限的。而在智能化时代，只要数据在数据库里，经过清洗对接AI后，任何没有预设的开放问题都可以随时提问、随时求解。

所以说，从数字化到智能化，是从求解封闭问题的精准解，转向求解开放问题的最优解。

机器学习之父塞缪尔早在1959年就说过：机器学习，是计算机能够在没有人类编程的情况下进行学习的研究领域。2025年7月的链博会上，黄仁勋与王坚院士交流时也提到：人工智能是基于第一性原理的全新的软件开发方式，它不再依赖人类编写的代码与算法来预测结果，而是通过示例信息、示例数据来学习形成一套算法，并预测结果。

由此，我在书中也有一个断言：规则能穷尽的世界不需要智能；需要智能的世界，规则永远穷尽不了。

命题（六） AI大模型：从工具的革命，到革命的工具

大模型在落地场景中有两方面价值：产品力与生产力。当AI应用从量变走向质变，带来的将是业务流程、组织形式、商业模式的系统性变革。工具的革命提升效率，而革命的工具重塑规则。

在产品力层面，AI应用从长期来看有“三个一切”的趋势：

第一，一切智能硬件被AI驱动。AI能够重构传统智能硬件，如手机、电脑；激活传统非智能硬件，如眼镜、玩具；创造新智能硬件形态，如录音卡、可穿戴相机。

第二，一切软件被AI重构。我一直有个观点：AI应用繁荣的标志是软件繁荣。如果把AI产业比作一场足球赛，最终进球的是应用，软件像前锋，硬件像中场，大模型是后卫。大模型偶尔可以突进前场直接得分，但更多时候，是通过重构软件和硬件来服务千行百业。前锋又分为两部分，左前锋是传统软件企业，借助AI持续智能化；右前锋是AI原生企业，正在创造全新的应用形态。

从更深层的逻辑看，软件的本质是事物运行规律的代码化，正从人工编写规则转向大模型生成规则。

我们可以用“三个世界”来理解这个逻辑：第一个是物理世界；第二个是人的意识世界，承载着人对物理世界规律的认知；第三个是数字世界，将规律转化为代码并反作用于物理世界。过去的路径是：物理世界→人总结规律→人编写代码→优化物理世界。大模型加入后，路径变成了：物理世界→大模型学习规律→生成代码与工具→优化物理世界。

大模型一方面帮助人类更深刻地认知世界规律，另一方面通过Skill等形式，将人的想法快速转化为改造世界的工具。所以AI大模型从来不是只用来在对话框里回答问题的，它是用来解决真实问题的。

面向未来，所有软件都面临一次转型：功能原子化、CLI化、MCP化，将自身拆解为可被调用的能力模块；而在所有功能模块之上，会有一个超级智能体作为统一入口，调度各类能力完成任务——这就是软件演进的方向。

第三，一切数据被AI激活。传统数据以结构化数据为主，依托if-then逻辑的软件代码调用，且只能被少数专业人员使用。AI时代，非结构化数据成为主体，由大模型直接处理，数据的价值被全面释放。沉睡的数据是负债，只有流动的数据才是资产。

数据本身也在发生深层变化：数据的维度从结果数据，转向结果数据与过程数据并重；从按天按周的周期记录数据，转向决策导向型的数据；从以结构化数据为主，转向结构化与非结构化数据兼有；数据的使用者也从人转向了AI。

在AI时代，数据创造价值的核心模式是：预训练、后训练与微调、构建可检索的知识库、沉淀为可复用的Skills、成为上下文增强模型能力、驱动智能决策。

工业时代，一个订单信息会流经企业经营管理、产品设计、工艺设计、生产制造、产品测试等各个环节。我们要问的问题是：在每一个节点上，数据流有没有断点？数字化解决了“有没有数据”的问题，网络化解决了“数据能不能流动”的问题，而智能化解决的是“数据能不能自动流动”的问题。过去大量存在的数据断点，在大模型的加持下可以被弥合，进而催生出更多新应用。从本质上说，数据断点不是技术缺陷，而是人类认知的边界——每一个断裂处，都是人工规则触及不到的地方。而AI，正在不断拓展这个边界。

命题（七）智能体如何进入高价值场景？

智能体要真正进入产业高价值场景，需要搭建“三个平台”，跑通“两个飞轮”。

三个平台分别是：企业数据的知识资产化平台，负责数据的采集、清洗、处理与Token化，沉淀企业的知识资产；企业专属模型管理平台，企业不一定需要从头训练大模型，但需要具备模型评估、选型、部署与优化的能力；企业智能体开发运营平台，支撑智能体的开发、测试、上线与持续运营。

基于这三个平台，企业可以面向研发、设计、生产等核心业务，筛选落地高价值场景。

而两个飞轮，是智能体持续迭代的核心动力：第一个是模型训练数据飞轮：模型运行产生新数据，新数据反哺模型训练与后训练，让模型越用越准；第二个是智能体运营数据飞轮：智能体在业务运行中不断产生新数据，这些数据沉淀为新的Skill、新的上下文，让智能体越用越强。

因此，我在书中有这样一个断言：AI应用的最终赢家，未必是使用最强模型的人，而是最懂如何构建“数据-产品-用户”飞轮的场景定义者。

以石化行业为例，常减压装置的异常诊断过去依赖人工经验，如今AI智能体已能实现实时检测、根因分析与操作指导，并且已实际落地。它能落地的主要原因，就是采用了“专属大模型+企业私有Skill+业务上下文”的超级智能体架构。

这里想强调一点：我们远远低估了上下文的重要性。人可以结合语境意会，但AI只认上下文。上下文的质量，直接决定了智能体的能力范围。

书中也分析了SAP、微软、西门子等传统企业的智能化转型路径，以及大量AI原生企业的实践。我们的观察是：转型者追赶时代，而原住民定义时代。

命题（八）AI如何重写组织的操作系统？

AI不是互联网的延长线，用后视镜看不到未来。Notion的华裔创始人曾写过一篇在硅谷广为流传的文章《蒸汽、钢铁与无限思维》，其中提到：我们正试图用层级化、流程化的传统管理方式应对市场的快速变化，这无异于用手工作坊的模式解决工业级的复杂问题。AI对组织变革的影响，远比我们预想的更深远。

我在书中断言：人类文明的每一次跃迁，都始于一种新的信息交互方式打破了旧的协作边界。这一次也不例外。

我曾和一位IBM专家深度交流，问他IBM云转型失败的核心原因。原因有很多，但最关键的是两点认知误判：第一，面对颠覆性技术，他们从现有优势出发看未来，认为用一套操作系统统一管理小型机与X86服务器是自身优势，实则是对技术方向的误判；第二，他们默认现有客户就是未来的云客户，错判了市场主体。

本质上的问题是：当重大新技术到来时，你是站在现在看未来，还是站在未来看现在？对存量资产的痴迷，对新兴市场的麻木，是传统企业转型最大的挑战。

这正是《创新者的窘境》里揭示的规律：管理者倾向于将技术视为改进现有产品、服务现有客户的工具，认为技术进步只是现有业务的加速器。这种认知偏差，让他们习惯于用当下的市场去评估新技术，而不是站在未来、站在技术本身的规律出发，倒推今天的选择。结果，他们错过了技术可能引发的范式转变。

AI对组织的改变，不止是提升了效率、改变了结果，更从根本上改变了组织运行的基本假设：

1.对“确定性环境”的假设变了：从应对确定性，转向适应随机性；

2.对“组织专业分工”的假设变了：分工不再是越细越好，人机协同重构了分工逻辑；

3.对“人类有限理性”的假设变了：人类有限理性的边界，被AI大幅拓展；

4.对“组织基本单元”的假设变了：从人与人协作，转向人机协同共生。

我称之为组织的一场“转基因工程”。

具体来看，我们面对的商业环境可以分为四类：清晰场景（一个问题，一个标准答案）、繁杂场景（一个问题，多个答案，需要专家判断）、复杂场景（一个问题，没有现成答案，需探索驱动）、混乱场景（危机突发，先行动再复盘）。AI时代，企业面对的复杂与混乱场景大幅增加。因此，组织变革的核心方向，就是从“应对确定性”转向“适应随机性”——这是AI时代组织生存的基本法则。

这种变化已经在真实发生。一位从钉钉出来的CTO曾和我交流：他开发一款AI产品，如果放在大公司不用AI的模式下，三个月时间需要30-40人，而他一个人就完成了。还有工程师说，现在已经没有前端、后端、测试的明确分工了，所有工程师都是配合智能体的全栈工程师，人的效率得到了极大提升。

我们分析不同组织的变化后发现了一个规律：组织的历史，本质上是协作单元不断被重新定义的历史。如果人与人的协作效率是1，那么人与智能体的协作效率可以达到10，此时AI是提效工具；而当你的智能体直接与上下游、跨部门的智能体自动协作时，效率可能达到100。所以我们得出一个判断：最高效的协作是没有协作。这是非常值得关注的趋势。

与此同时，岗位边界在模糊，多角色融合在加速。AI时代，组织的核心竞争力正在转向三个维度：人才密度、决策速度，以及Token的使用强度。

面对这场组织的“转基因工程”，我们需要做什么？首先是认知重启，从追求确定性，转向适应随机性。其次是能力重建、组织重构、文化重塑。最优解从来不在起点的规划里，而藏于一次次偏航、校准、再出发的动态迭代中。

最后想强调一点：超级个体崛起不等于组织创造力的升级，真正决定组织智慧水平的，是组织内部“想法流”的效率。

智能化的浪潮已至，愿我们都能找到属于自己的生存之道。

整理：白尧 | 编辑：王贤青