从设计，到 AI 产品

从相信到亢奋：我这三年的心路

同学们好，第一次跟大家见面，先简单一句：我是浙大工业设计背景的连续创业者，这几年在做 AI 设计。废话不多说，今天直接进正题。

2023 年 ChatGPT 出来之后，这几年我接触过、上过课的企业将近几千家。我把自己的心路历程总结了一下：

23 年，是因为相信而行动。24 年越做越看到未来。到了 25 年，是我们做了很多事情、已经看到未来了。26 年，亢奋度就很高。

23 年之前，我相信技术会改变很多领域、尤其会改变设计，因为我接触了很多科学家，我是因为相信而去做了很多投入和尝试。24 年的 AI 现在回头看还有很多不成熟的地方，比如当年我们讨论 SD 怎么做、某些界面怎么搞，现在很多都要被淘汰了——但这不重要，重要的是你在这个过程里不断做、不断看，到 25 年的感觉就是：我们已经看到未来了，大概知道 AI 会沿着什么路径改变。

到了 26 年，我们的亢奋度就特别高。我 25 年是过去十年里少有的，自己熬夜做项目、做研究，熬了好几个通宵。26 年回来之后我跟大家说，我都没时间睡觉，基本上每天两三点钟睡，有时候睡不着觉，每天回家“养智能体”——就是那种养一款 AI 编程智能体的感觉。我后来跟公司同事分享：周末下了班找员工找不到人，怕打扰人家，回复也没那么及时；但 AI 不一样，你把时间花给它，就像养小孩一样，它会给你很多正反馈。我们好多人今年之后都进入了这种很亢奋的状态。

有一天我们讨论，大家为什么都这样？我老婆总结了一个点，说有点类似“资本家压榨员工”的感觉——以前很多打工的人没有人可以使唤，而现在有了这款智能体，你只要投入你的认知、你的知识，它成长出来，就能帮到你很多。所以我觉得，这两年有了这样的智能体之后，AI 才真正进入了大规模爆发和应用的机会。

过年期间我一直在想几个问题，回来之后也想通了，今天分享给大家。

三个能力模块成熟了

第一个，我说我们应用型的人的窗口期到来了。为什么强调“我们”？因为不是科学家背景的人做 AI，本质上都是在做 AI 的应用；而前几年，AI 大部分的时间精力还在基础科研上。去年大概十二月、一月，我做这个 PPT 的时候，有一天我看到一款 AI 编程智能体的报道，我说三个能力模块成熟了。

第一个能力，是 Coding，用 AI 编程，现在大家叫 Vibe Coding。我建议同学们等一下都打开扣子编程，体验一把“只要讲话就能编出东西来”的感受。体验完你会发现这个世界完全变了：以前你想开发一个东西，要先把想法转换成设计师语言、再转成产品经理语言、再交给开发去做；现在不是了，小朋友都能用自己的想法去编出一个数字化产品。这个技术去年年后成熟得很快，到今年已经成熟得不得了，基本上讲讲话就能搞定。

第二个能力，是 Skill。去年我也关注到这件事了。大家最近刷小红书，可能刷到过“你的同事被蒸馏了、你的能力被蒸馏了”——说的就是 Skill。它像是一个人的操作说明书。过去每个行业都有很多所谓的隐性知识：你了解公司里某个环节、掌握了核心知识，但这个知识很难一两句话讲清楚，更难变成一套数字化的系统。以前顶多是把它写成一本教材、一本书，留给别人看，看完自己再去发挥，因为很多感性的东西计算机很难理解。但现在你会发现，只要把说明文档写清楚，AI 就能很好地提炼和复用了。

这两个技术去年大概都成熟了，但总觉得缺了一个东西。缺什么呢？AI 的大脑已经非常发达了，可这个大脑缺了一双能执行的手。

所以这款 AI 编程智能体是个什么东西？它就是把大脑套上了人的躯干，去理解、感知、并在数字环节里执行的机器人。当这个架构出来之后，我说真正的 Agent 成熟了：真正的 AI Agent，是大模型代表的 Coding 能力，加上每个行业隐性知识的 Skill 能力，再加上这样的 Agent 框架，三者结合到一起。我给它的定义是——一套能力调用的系统，道理其实和我们白领是一样的。这三个技术成熟之后，就会涌现出一大堆新的应用。这是我去年看到的。

AI 是一种新型工厂：机会在哪里

时代来了，第二个问题就来了：当 AI 能像机器人一样、被算力无限放大产能的时候，拿它来干什么最好？这其实是商业模式的探讨。我给大家几个问题。

第一个，AI 放在什么地方、把算力和产能拉满之后价值最大？这两年 AI 最好商业化的场景，大家知道是什么吗？就是最近大家疯狂在做的 AI 短剧。用 AI 拍电影级短剧的效果，以前要一整个剧组，现在有了像新一代视频生成模型之后，很多短剧已经分不清是实拍还是 AI；甚至有些漫剧观众根本不在意是不是 AI 做的，只要内容好就行。据说一部短剧 30 万的投资，最多能拿回 3000 万的回报，所以最近涌进来的人很多。这是典型的把 AIGC 的能力放进商业模式，充分发挥之后，商业化价值就很高。

当然 AI 在不同领域还有很多机会点，这个时代还有很多新机会在不断涌现，但要用这个视角去看。我把今天的 AI 比喻成一种新型的工厂——当这个工厂拉满产能的时候，它到底生产什么东西，投资回报最高？这可能就是未来 AI Agent 的主要机会。

人人都是 AI 产品经理

第二个问题，我是问公司内部的人。我们公司有两拨人：一拨是技术背景，原来都是学计算机、学人工智能的；还有一拨是做业务、做设计师的。我说我知道未来要来了，但未来谁去做这件事？谁来主导 AI 世界的建构、谁是这个“包工头”？

我过年期间想下来，未来大家会融合。以后岗位不会再分得那么细——你就是设计师、你就是产品经理、你就是开发——因为有了 AI 的加持，本质上每个人都是 AI 产品经理：你自己要有一个闭环。当你以 AI 产品经理的身份去理解一件事，不管你是 IT 背景还是业务背景，你解决真实问题的能力都会变好。

我为什么提这个问题？因为我们跟很多企业打交道时发现，这两拨人是“打架”的。比如去某运动品牌，IT 部不了解业务，不知道一件好服装怎么设计；设计师知道怎么做出一件好服装，但又不太了解 AI 这种新的生产力是怎么回事。所以未来一定是两拨人融合——也可能 IT 的人直接去业务部门做业务，也有一部分设计师能掌握建构 AI 系统的能力。两个部门一定会高度融合、共创。

对我们的同学来说，跨学科的目的是什么？就是把大家的长处集合到一起，变成“超人”。超人要解决的问题，是基于真实业务去整合各种技术。所以最终会收敛成一种角色：AI 产品经理型的工程师——你既有工程能力，又有业务能力，可能还有产品化能力。多元能力组合到一起，未来的企业就需要这样的人。

怎么建构一个 AI：六个步骤

第三个问题，怎么建构 AI 的系统。这反而是我们挺擅长的，因为过去几年一直在做。我大概有这样一套六步骤的方法。

要建构一个 AI，首先要深度进入业务场景去了解：在这个场景里，一个“好设计”到底是什么？比如某运动品牌的好设计是什么，我要从它的设计总监口里把它提炼出来。你看一个运动品牌旗下不同的子品牌，设计元素都不一样。理解真实业务需求之后，把它提炼成 AI 能理解的语言。

然后是建构 AI。今天建构 AI 有很多方法，训练模型、做工作流、写提示词，本质上都是训练 AI 的一种方式，综合来看就是：要解决这个真实场景，我们整合哪些 AI 技术能力去把它建构出来。

有了之后，要反复地基于落地场景做效果矫正。怎么矫正？AI 最大的优势有点像一个实习生：人是去部门里学习完、有了流程，做一两个方案给老板评审；而 AI 的特点是你可以先生成一批——先生成 100 个、1000 个，看看准确率有多少，不断调优。调完之后还要匹配企业的价值标准，有美学价值，也有商业价值，每个企业的选择标准不一样。匹配完了，你的 AI 就像实习生一样，在企业的环境里沉淀下来。

这套流程的一头一尾，就像人要持续学习。哪怕你已经是一个专业设计师，也还要去了解文化、了解趋势、了解用户需求和场景的变化。如果能让你的 AI 也像人一样感知到这些，它就有了新鲜的灵感和血液。这里的强化学习跟机器的强化学习又有点不一样，更像人的学习——持续得到反馈、不断反思总结，能力就会一个阶段一个阶段地提升。

26 年，人会被两极分化

三个问题回答完，我看到的是什么？特别是对你们这些同学，我们人类正处在一个转折期，这个转折期在 26 年会特别明显。我前两天看到一篇文章，说人类的能力会在 26 年被拉得特别开：能掌握 AI 这种超级能力的人，和不掌握、甚至排斥 AI 的人——我个人理解，这有点像“古典时代的人”跟“下一个时代的人”的区别。而我看到的下一个时代就是现在，就在这个转型期里，是一大片蓝海。

对你们年轻人来说，要去抢占新世界的蓝海。老的世界是老的物理世界，新的世界还有一大堆新的可能。

我在浙大上课，也常有同学问我：是不是现在所有事情都要跟 AI 相关？我说是的。因为不跟 AI 相关，就好像我们都进入工业革命的时代了，还在讨论原始社会里那套古法的东西。前两天我还跟几个老师开玩笑说，工业设计简直快成“非遗专业”了——当然这是玩笑——因为它是工业时代的产物；但在新的人工智能时代，它其实会有很大的增量。今天很难量化某一个机会一定是对的，但它一定会创造出很多新的经济总量。

这里还会出现一种情况：可能只有一小部分人会瓜分掉整个大世界——这是我个人的一个判断，比如 5% 的人创造了原来 60 亿人那么大的财富。所以这个故事大概就是：我知道时机成熟了，但每个人都要找属于自己的机会——什么机会是你的，谁来干，谁能干成，怎么干。最后给所有同学的建议就是：冲吧，这个世界是全新的。我也跟公司里的人说，去新世界抢地盘，因为新世界还都没被开辟。

那为什么服装设计会比工业设计更需要 AIGC？因为快时尚的服装需要大量的款式。某快时尚跨境电商就是这样，卖女装，快上快下，需要大量消耗型的设计。所以 AIGC 在服装领域的价值，肯定比工业设计高。比如工业设计，我们也服务某大型家电企业，它的洗衣机一年开发不了那么多款，哪怕只开发 30 款，每一款用高级工业设计师好好打磨细节也值当；但在快时尚的服装领域，某运动品牌一年就要成千上万款，设计成了像耗材一样的选择。不同的场景，商业化价值差别很大。

从“不会写代码”到自建“知识工厂”

开学之后，对我最震撼的是学院里的一位老师。开学第一周学校开了一次会，他分享了几个案例。他为了鼓励老师们也写代码，自己做了几个东西：辅导自家小孩背唐诗宋词的时候，他用 Vibe Coding 做了一个小朋友背唐诗的 App，还上架了。他说从毕业之后几乎没写过代码，现在自己能用 AI 写出一个应用、把它上架。他做这件事，就是希望鼓励年轻的老师们也去拥抱新的技术能力。我对同学、对老师也是这个建议：一定要去感受新的技术能力带来的东西。

他又展示了另一个项目，是一所高校的老师和毕业同学做的——在人工智能领域，AI 自己选题、自己做研究、自己做实验、自己写数据报告、自己写成论文，把源代码发布到 GitHub 上，论文都写好了，人类只要来围观，看看 AI 做对做错。未来的科研可能会进入全自动的“AI 工厂化”时刻。这个项目拿给很多专家教授看的时候，大家都惊呆了：接下来研究生的科研应该怎么办？

这件事给我自己的感受是什么呢？在那一天之前，我也不会写代码，都是公司的同事写，我就是站在员工背后“指点江山”的人，能不能这么干、能不能那么干。我也经常被我们的 00 后同事 diss，他们去年就跟我说：你不会自己写吗？我说我真不会。但那一天我感受到，那位老师都会了，我说我也要去学。

所以那天回来我给自己下了决心，说我也不要找借口了，我要自己学会写代码。我请教了几个同学，先小试牛刀，做了第一个项目——一个给小朋友选 AI 课的选课系统。我自己用扣子编程编了一个礼拜，每天下班之后晚上自己编，还编了两个通宵。编出来那天我最大的感受是：我终于不用求别人了，我自己可以把一个系统开发完。以前这样一个系统外包出去没有十万块下不来，但我其实就花了自己晚上的时间，加上两百块钱的 AI token 费用，就把它做出来了，而且里面很多细节的创新点，是我以前很难表述给同事的。

做完我又做了第二个、第三个。第三个是给自己做个人网站。十年前我们一位老师就要求每个同学都得有自己的个人网页。我也建议同学们：不管你是设计背景还是什么背景，接下来找工作别只给简历了，简历是死的，你要给别人一个你的独立网站。以前做独立网站你得会写 HTML、写网页，现在不是了——你只要有想法、有美学、有意图，就能很好地用 AI 编程编出来。你今天打开扣子编程，告诉它“我想做一个个人网站，但不知道怎么做”，它就说“你先给我写个方案”，只要你知道自己想要什么，AI 都能很好地帮你做。

把网站做成一个“智能体”

我为什么要做这个呢？我有一个知识库，里面是这几年写的几百篇文章。去年我自己熬了好几个通宵，大概写了三本书，投给出版社之后半年都还没全出版。我说要不直接把它变成一个博客系统。

我先打开了 Claude。我会建议大家多个 AI 都用，因为你要了解不同 AI 的特点。在我看来 Claude 像一个产品经理一样的博士级 AI；ChatGPT 则是一个脑洞特别多的家伙，跟 Sam 奥特曼这个人挺像。所以我要探讨一个比较严肃的话题时，都会找 Claude。

我先问它：我有一个域名叫“略懂”，是十年前买的，诸葛亮“略懂略懂”的略懂，挺符合我什么都懂一点的气质。我想把自己写的文章和知识都整合到这个平台里，把网站做成一个有智能体感觉的东西，我把知识库链接丢给它，问它怎么做比较好。它读取分析之后，给了我几个思路，有一点我很认同：要把分散在各个平台里的东西，变成一个有智能体能力的知识平台。这其实也是我想表达的意思，但它帮我总结完，我觉得对。

它说，网站除了像博客、像阅读，背后还可以是能对话的智能体，有点像跟这个 IP 沟通时，它就是一个专家。我说这就是我想要的。它给了第一版 demo，把我的东西分成“思维底座”“实践地图”“活水”这样的板块，看上去挺像一个博客。

它给我一个思路：略懂不是一个博客，是一个人格化的知识体。访问的人进来之后，不要感觉这又是一个内容网站，而是一个懂很多的人，可以跟他仔细聊一聊。

我们在讨论的其实是产品定义。我认为 AI 时代知识要变成“活的”，它本质上就是一个智能体，应该是别人可以交流的。我要做的事情，其实就是用 AI 训练一个我自己个性化的 IP 品牌，背后是我各种各样的知识方法论。我也可以叫它“邱懿武的智能体”，但我想把它包装成一个叫“略懂先生”的虚拟形象，先做这个尝试。它基于这个直接给我写了产品的 PRD 文档——我们学设计的同学都知道，以前要设计师写成产品说明书再交付给开发，现在我几句话，它就写完了，又改出一个网页版本，点一下就能跳出智能体来交流。

AI 驱动 AI：知识工厂的流水线

但我看了之后觉得，还是上一个年代的感觉，不够智能。我想象中的“智能”，就是那位高校老师做的 AI 自动写论文那种感觉，我觉得那才是 AI 时代对的感觉。所以我给它提了个新要求：我要把这个网站做成一个全自动的、AI 驱动 AI 的东西。大概的流程我想象是这样的：

第一个环节叫“意图的交流”。最好的方式是，我只要在飞书、在微信里，甚至今天给大家讲完课，我的 AI 通过这些碎片信息理解我大概想表达什么；理解之后，基于我创作的 DNA、创作引擎，直接自动生成。数据采集有多种方式，比如我跟它聊天，就聊出了一篇文章，这个过程会采集到大量真实的意图，帮我自动做选题评估、分析、写作。最后达到的程度是——我们人类就像看动物园一样，围观 AI 操作就行了。

这就是 AI 时代要打造的 AI 工厂和真正的智能体产品：人不要限制 AI，但人会参与到 AI 进化的过程里。就像父母教孩子，你在过程中不断矫正它，到最后人和机器就成了共生共长的关系，最终已经分不出来。

我的观点可能比较偏激：用这种方式写出来的文章，我愿不愿意署名，到底算机器写的还是我写的？我认为已经分不出来了——因为所有都是我的意图，但没有一个字是我敲的。如果我说它是 AI 写的，我就给它一个虚拟人的名字；当我把真实人名署上去的时候，我就是要为这篇文章的质量背书、负责。我认为 AI 未来的科研就会进入这个阶段：人类扮演的角色是引导和审核，我们就像打造了一条自动化产线。

我刚面试了一个初一的小朋友，问他想做什么，他研究鞋子。我一了解完，他对鞋子的认知比我深刻得多，什么碳板不碳板、怎么和脚匹配——因为他自己很喜欢，所以在这个点上他可能比绝大部分人都专业。他借助更专业的 AI，就能变成更专业的专家模型。在 AI 时代，小朋友也能做专家。我们每个人要做的，就是找到自己细分的专家模型点，把它变成一个 AI agent，一个会自己学习、自己成长、跟你共同进化的“生命体”。

我让它帮我系统地结构出来，它给我画了一个架构图，我一看就是我想表达的意思。它把我的“意图层”分成三个不同权重：我在飞书里跟它聊天，占我所有意图权重的 50%；网站上有用户过来跟我的 AI 交流、划线评论，占 35%；还有 15%，是我让 AI 自己去扫描我的知识图谱，看里面还缺什么、补什么。

然后把这些数据给到第一个 agent，取名叫“巡视者”，职责是把大量琐碎的信息采集下来、结构化，变成一条一条类似“原子信息”的东西，有点像我们跟老师说“选题 A、选题 B、选题 idea”，一条一条列到原子库。我就用飞书的多维表格做原子库的雏形，其实就是一个数据库。

有了这个数据库，定期——比如每 24 小时——把当天攒的数据给到第二个 AI。第二个 AI 扮演选题和策划者，做聚类、评估、排期和大纲规划，特别像导师说“这个选题不错，你先写个策划方案”。然后是第三个 agent，专门写作。大家会说“你写得太有 AI 味了”，怎么让每篇文章都像我写的？这就需要一个我的“写作引擎”，因为每个人的品牌写作风格 DNA 不一样，AI 把它总结成一个“世界观引擎”。我又做了一个数据库，把我的金句、观点、案例都攒进去。写完之后再给第四个 agent，从多个维度打分，低于 70 分打回去重写，高于 70 分进入修饰发布阶段，可能发到我的公众号，也可能发到我的网站上——发在哪，就是分发链路了。

过年之后我自己搭了这个闭环，写文章的速度就贼快。每篇文章都是我的想法，但我不是一个字一个字敲的，基本上都是 AI 先写好一篇，我在看的过程中判断：如果是我，我会不会这么写？是不是我想表达的意思？不是就改。刚开始我不确定的、我认为有争议的，先存到库里，不说是我写的；当我认为这是我很核心的观点时，就署上自己的名字——这篇文章就是邱懿武写的。

未来的 AI 一定都是多模态的。我让扣子编程基于这套说明文档给了我第一版，开发完我再根据自己的意图不断改、不断改，出了最终的独立网站。我把它取名叫“知识工厂”——一个 AI 意图驱动的知识工厂。我自己的学习也在发生巨大变化：过去我们看一本书、写总结再来学；这几年接触 AI，我发现我的知识是“涌现”的，很多概念在不断看、不断学的过程中，甚至是 AI 写给我的文章里，涌现出新的观点和方法论，出现了触类旁通的情况。

我把这套系统做出来，给浙大的几位老师看，他们难以想象我会做出这样一个系统。说实话，我毕业之后自己几乎很少亲手干过什么活——我研二开始创业，二十四五岁就管了上百号人，具体的活都是各个同事干，我只要指挥就行，更别说自己学写代码了，我是文科上来的，压根没写过代码。我给同学们看这个案例，意思就是：我能做到，同学们一定能做到。做不到只是因为还没花时间用功下去——你在读书阶段的精力一定比我多。我都能学会，是因为我克服了很多意志、有强烈的意图。同学们为什么一定要学会？你只要花时间做自己感兴趣的东西，就能做会。

学完之后大概两周，我把全公司的人召集到一起，还有十个左右原来都不会写代码的设计师同学，我把今天讲给你们的这些东西分享给他们。现在我们公司除了财务还不会，已经所有人都会做了，而且好多系统做出来比我想象中还好。

“菜鸟危机”：老专家和年轻人怎么协作

但这里面接下来带来的一个危机，你知道是什么吗？叫“菜鸟危机”。哎呀，说真不想带年轻同学了。我认为年轻同学未来最大的价值，是你在一个团队里积累的、非 AI 的、跨维度的“记忆的上下文”——就跟人相处一样，你知道我小时候是怎么长大的，我们之间的默契和语言是超越 AI 的，这是人的价值。

我们这有一个实习的同学，9 月份要去你们北服读研究生。我们犹豫了好久要不要：你 9 月就去读书了，好不容易教会你，你又走了，这个成本太大。好在是北服，我们还有很好的链接关系，我说你先过来实习也行；要是去另一个学校，我可能就不要他了。老师傅愿意带你进入 AI 的状态，其实也是有成本的。因为从某种意义上说，AI 是利好老专家的——老专家用得好，因为我们知道什么是好的行业经验、好的作品、好的标准，当我们掌握 AI 能力时，能带来的威力是百倍、千倍于一个什么都不懂、只会了一点 AI 工具的同学。

从能力角度，老专家会更大；但同学们的机会是：老专家有时候没那么多时间和精力。所以最好的组合反而是——老专家也学 AI、把自己 AI 化，年轻人要更疯狂地把自己 AI 化，且快速地从老专家身上把知识、经验全都“榨干”出来，你就能成为老专家的好徒弟。这就是年轻人独一无二的机会窗口。

这套系统里，我甚至让 AI 不断自己展开每一个小细节，就像我去问研究生一样——可研究生不能给我这么好的解决方案。我说“你要从哪些维度来做选题”，它就一点点帮我拆分，我只要愿意拆得很细，它就能一步步细下去；细完我再告诉它什么是对的、什么权重好不好，调整调整。我说这比一个研究生做得真的要好，方法很系统。

我现在又把这一整套知识抽离出来，训练到一款 AI 编程智能体里。比如“知识工厂”的介绍，就是它给我写的，因为它已经很了解自己了。我问“你给我介绍一下你是谁”，它说：

我是一个知识引擎，一个持续运作的知识引擎。我的结构上面是意图洞察，中间是知识涌现层，pipeline 就是 AI 生产的管道，可以理解成自动化产线，下面是知识图谱、学习的 DNA 和知识的沉淀。所以我不生产内容，我在加工意图——每一个问题、每一份好奇、每一份困惑，在这里都会被识别、被理解、被转化，变成可复用的知识。

它总结得很好，我都写不出这样的话来，所以我直接截了它的图。你看，我在跟 AI 沟通、在训练 AI，同时我自己的认知和学习也在提升。这就是为什么说 26 年人和人的距离会拉大：我还在疯狂学新东西，因为 AI 给了我很多新的能量，很多十年、二十年前读研时我都没想到的细节，现在我又重新学习、提升。

训练 AI 这件事，同学们其实是有优势的——它就像写论文，你只要能把结构写好就行，那些 skill、执行日志，本质上都是文档。可能这些词对同学们陌生一点、第一次接触计算机的语言，但不懂就问豆包、问 ChatGPT，它们都能很好地理解你。我们成年人有时反而不好意思问，觉得“这都能问 AI 吗”。

过年期间我做了个很有意思的测试：教小朋友用 AI 做设计。有个朋友把家里小学一年级的女儿送过来，刚来时连打字都不会，最后她 AI 用得最好——因为她用语音输入；而高年级小朋友有思维定式，容易陷入自我内耗、不敢问。那个一年级的小朋友，怎么指使家里人干活，就怎么指使 AI 干活：我让她拍照做设计，她就拍照做设计，特别彻底地执行我告诉她的思路。所以我们一定要返璞归真，做一个好奇心宝宝，什么不会就去请教 AI。哪一天 AI 都解答不了你的困惑，那才是我们老师、导师扮演角色的时候——可能 AI 也会，但你捅不破那层窗户纸，老师的角色就是引导你怎么捅破。

师生结对、把经验“榨干”，共同学习

这个过程学完之后，我在公司里对智能体架构的理解，比我们的技术人员都要深刻——因为我从业务角度去理解了计算机，就明白原来它是这么实现的，再把我的想法、经验反馈给技术同学。我们有一位刚毕业、留下来一起创业的同事，很多 AI 用法我都是向她学的。有一天我拉了个群用智能体做战略研究和分析，她一看说“你这用法好好啊”，马上学会了我的方法，自己训练了一个智能体拉到群里管理工作。我们反而变成相互激发：她从我身上学到“老登”怎么用 AI 的思路，我从她身上学到最前沿的模型性能基础，因为她有更多时间学这些技术。我们就成了一个学习的组织——有些方面我是她的老师，有些方面她是我的老师，我们共同的老师都是 AI。

我想给同学们表达的是：要突破自己的想象，没有什么不可能。反而是现在我们人类束缚了很多 AI 的潜能，你想到、想不到的都可以尝试，未来真正限制 AI 的，只有自己脑袋的思维和认知。

过年之后我训练的智能体现在已经是一个团队了，大概有五六个能干活的智能体。上个月 4 月 3 号到 5 月 3 号，我一个月烧了 40 亿 token——前两年大家 100 万 token 都用不完。为了训练它，我熬了好多通宵跟它打交道，这一个月我自己也迭代了两次。

节前我又把公司所有同事拉到一起，说你们从今天开始必须每人都训练一个自己的智能体，除了公司工作之外，做什么都行，我们可以相互交流。为什么一定要训？因为再不训，再过一个月我都不知道怎么跟你们解释我是怎么训的了。它就像化学反应，没有固定公式，像带小孩一样——小孩哪天顿悟了，突然变得特别聪明，归因很难。我知道当时给了它某个技能、某个方法，但它为什么今天就特别聪明了，我没办法用一二三复原。这就是智能体的特点，跟人的学习成长、不断顿悟很像。

所以今天大家都要进入到共同学习、共同顿悟的阶段。我给浙大一个实验室四十几个研究生上完课，也跟他们讲了这个核心观点：马上开始训练自己的智能体，因为它是伴随你的知识学习和成长的。不知道怎么学，就多刷点短视频、小红书，多找找教程；碰到你认为很有价值的难点，老师和同学要成立共同学习的小组，分享好的学习经验——因为每个人的方法都不一样。我有好几个朋友直接把桌子搬到我办公室，现场一起训练，因为这事没办法用一二三讲清楚，大家只有在同一个池子里，谁养得好，彼此就能相互学习。

三个 AI 化的心得

第一个心得叫做：AI 化的前提是 AI 化。第二个“AI 化”跟第一个有什么区别？为什么我这款 AI 编程智能体训练三天就能干活了？核心是我前年、去年就已经意识到，我们这代人是可以“数字永生”的。所以我每一次开会都把它录音录下来，我自己也写了很多方法论。我把这些写好的东西哐哐哐丢进去，它马上就知道邱懿武是个怎么样的人、是怎么样的风格了，我再给它微调一下。

所谓微调，就是我看它说得对不对，我给它很多这种案例，它马上就变得很像我了。这就是“AI 化的前提是 AI 化”——很多人理解，就是数字化要先做好。所以同学们，你们今天学习的知识、你自己看过的东西，要有意识地、刻意地把它沉淀为数字文档。哪怕今天是写在纸上的，你也把它拍照留档，未来都要拿去给你的数字生命体学习。

第二个心得是：AI 的终极还是 AI 化。就像我刚刚说的，AI 辅助写作的终极，是人跟 AI 都 AI 化之后，我们共同学习、共同成长，自我认知不断进化。我把 AI 划分成这样一个阶段，我们现在可能是在这个桥梁的过程当中：第一步要做好数字化，你的研究方法这些都要学会，AI 才会更了解你；最终极是我们跟 AI 已经进入到叫“共生共长”的过程里，未来我的 AI 就是我的数字分身。

区别无非就是人类的价值：你愿不愿意用你个人的信誉，去为你的机器生产的东西背书。那个过程虽然都是 AI 流水线出来的，但本质上每个意图都符合你，那它也是属于你的。这里也会迎来一个伦理问题，因为不同学校对 AI 的看待是不一样的，很多人会认为 AI 就是作弊、就是学术不端。每个人的看法不一样，我是最激进的，我站在“未来世界人跟 AI 是共生共长的关系”来倒推。当然，在这个过程当中我们要做好很多自我约束。

比如说，今天我真的要去发表一篇文章、以论文的形式去发布，我肯定每一个词都会斟酌过——我对这个理解、我有没有贡献级的内容创新，会去做这个审核。但我们不需要去在意这 100 个字到底是 AI 写的还是人写的。“敲字”这件事情，未来会通过人跟 AI 的自然交流来完成。

我们现在开会都变成怎么开会了？我们一边开会，AI 都在干活。比如等一下我讲完这堂课，我再让我的 AI 总结一下，三篇、四篇文章都能很好地写出来，完全是我的意图。

第三个心得，其实我前几年就有很强烈的感觉了：我们每个人都要调整心态，适当地放权给 AI，不要限制 AI 的发展。未来我们人类要做 AI 的老板，“老板思维”在 AI 时代会比较吃香。未来的老板是不分专业的——老板什么东西都得了解。AI 最大的价值就是它是个通才：它了解管理、了解设计、了解各种知识，你让它做决策模型它能做，你让它做创意它也能做。所以我们人类要跳出来，把自己当成这个员工的老板去看待，不再是螺丝钉。你这样去用 AI，就会用得很好。

为什么小学一年级的小朋友，反而可能比有些五年级、初中的同学用得好？因为他没有约束。他在家里就是个宝、就是个老板，全家人都听他的，他来指挥所有人；他指挥 AI，跟指挥家里人干活，道理是一样的。

所以今天的教育里，我们的同学也要跳出来看。最近很火的一个概念叫“一人公司”：未来其实就业的机会没有那么多了，很多人都要做自己的老板。那你的员工是谁呢？你的员工就是各种各样的 AI。

科技带来的蝴蝶效应

给大家补充一个重点：AI 的产品跟应用还会发生巨大的变化。我一直把它叫做“科技带来的蝴蝶效应”。我们现在的生活，一切都来源于蒸汽机这样一个发明——蒸汽机其实就是一个把热能转化为机械能的发明；今天的人工智能，就是让计算机像人一样去模拟人的思维模式、去推理各种东西的模型跟算法，但它会带来一系列的变化。

比如说，因为有了蒸汽机，后来就有了拖拉机，棉花的生产就起来了；有了蒸汽机、有了纺织之后，大家衣服就穿得好了，有了现代的商业、现代的社会，有了现代的品牌、有了快时尚。我们的工业设计其实也是这么来的。大家仔细去看包豪斯的历史就会发现：在包豪斯之前是洛可可风格，很复古、很奢华，那个时候大家觉得家居就应该是那种极其奢侈复古的，是主流审美——但它不适合大规模制造。后来包豪斯提出，我要适应大规模的工业跟制造，把它简化之后，它又是一个好的设计跟美学。这才有了包豪斯这一代带来的工业设计。它受制于什么？就是因为蒸汽机带来了机器生产的能力。

再比如说西尔斯，这家公司很有意思，大概在 2012 年破产了，但它曾经是美国最大的商业公司，有点像美国的“中国邮政”。它是怎么起来的呢？因为美国有了蒸汽机之后，火车就可以从东部开到西部。在这之前，就像云南的土特产运不出云南，只能在村庄里交易；有了火车，东西就能快速地从东部运到西部、从北部运到南部，大家就可以交易各种东西了。于是西尔斯推出了一个服务，叫“邮购”——你在报纸上勾选你想买什么，过一个礼拜就送过来，它就成了美国最大的商业公司。

后来谁替代了它呢？沃尔玛。为什么？因为内燃机有了之后，福特造了各种各样的便宜汽车，800 美金你就可以买一辆福特的廉价车。人们内心追随的还是“多、快、好、省”——我不想等两个礼拜，最好周末开个车去郊区多买点东西；那个时候又有了电器、有了电网、有了电冰箱，东西就可以放冰箱里了。所以沃尔玛替代了上一个年代的企业。科技都是这么一步一步来的。

所以我们现在进入到一个新的周期，人工智能技术有点像当年的蒸汽机，是一个新的生产力的变化。但它跟过去很大的一个不一样是：过去的蒸汽机替代的是人的一部分体力，让动力更多；人工智能替代的是一部分人的脑力，所以白领的很多工作都会被人工智能替代跟升级。

科技需要制度的加持

我给大家推荐几本书，这是我这几年的一种思维方式。我自己的背景就很交叉，什么书都会看一点。我在浙大给同学上过一次“设计史”，但我教的设计史是什么呢？我说，人类的设计史本质上是一部创新史。我们从设计的角度看会很狭义，但从整个创新的角度看，就应该去看看人类的科技史、管理史、人类史，不同的叠加在一起，就会发现很有意思。

比如科技史，我看了一本书，原来叫《美国创新史》，后来改版叫《他们创造了美国》——讲的就是美国这个国家，怎么因为科技，在过去 200 年的工业革命里，因为新的技术诞生了新的产业、新的组织，成就了它。我再叠加一本，有个日本人写的《企业经营战略全史》，从 200 年前的组织管理讲起，讲管理怎么去匹配环境。比如最早 200 年前的泰勒，他发现把人的工作标准化一下——铲沙子的人，第一个动作、第二个动作、第三个动作各管各的，当大家都按自己的 SOP 去干，效率比混着干要更高，这就有了现代管理的第一个样本。

这本书讲到最后说，管理是一种适应性的战略：管理的本质，就是企业要不断适应科技、文化所带来的变化之后的生存策略。为什么美国的商学院里都要学设计思维？因为设计思维教会我们在混乱变化的世界里，以不变应万变的一种生存能力。我从设计领域跨到商学院的角度来看，就能看到设计真正的价值是什么——是设计思维，而不只是设计了一张漂亮的图。交叉起来，它就会涌现出更多的可能。

放到人类长历史里看，我们每一代跃迁的过程里都会有新的文化。比如唐朝因为科举制度，人们很好地运用诗词去传播语言，就带来了新的文化繁荣；宋朝是因为之前积累了很多新科技，比如印刷术、活字印刷、造纸术，让知识传播的成本变低了；文艺复兴又把这个带到了欧洲。

我最近又看了一本很有价值的书，叫《中国科学技术史》，是李约瑟写的，他是个外国人，研究了中国所有的历史。他有一个疑问：为什么中国古代科技这么发达，工业革命却没有发生在中国？他思考了很久、做了很多研究，最终看到——为什么工业革命诞生在英国？就是因为科技本身不改变世界，科技要在制度的加持下，才会转化为有效的生产力。比如英国有了皇家学会保护知识分子，有了专利法保护知识产权，有了商业组织、有了保护企业所有权的一系列制度，才把蒸汽机带来的科技力量结合到一起。

很多同学会说：是不是人工智能时代，我们文科的人就没活干了？不是的，文科人的世界来了。因为科技发展到一定程度，接下来的问题全都是社会问题，社会问题里就会有一系列的管理制度、新的生产力与新能力的匹配，各种各样的问题都会涌现出来，全都是新的。

当聪明的智能变成廉价的基础建设

所以今天不管是做研究、未来自己创业，还是做什么，同学们一定都要去拥抱这个新世纪，它涌现的机会很多。人工智能的本质是什么？我把它总结成一句话：当聪明的智能变成廉价的基础建设的时候，这个世界会发生什么变化？

简单举个例子：原来雇一个博士做研究要 2 万块钱一个月，甚至更贵，但今天只要两毛钱的时候，世界会发生什么？因为今天的 AI 已经具备博士级的研究能力，它变成了基础建设、变得极其廉价之后，这个世界会发生一系列变化。

我再给大家举一个类比：100 年前，有几个年轻人跟我们现在差不多大，20 岁左右，用 100 美金创立了一家公司。他们一开始就是骑自行车帮西雅图的人送信，从 A 家送到 B 家，收几分美金。后来有了电报，送信的人越来越少，他们就开始送包裹；自行车送包裹效率太低，内燃机有了摩托车，他们就买摩托车；福特在 1919 年推出廉价的 T 型车之后，他们就买了好多福特车，开始用汽车送包裹；西雅图不够送了，就送到加州去。

这家公司是谁呢？就是现在全世界最大的快递公司 UPS。这两个年轻人送了 100 年，不变的是什么？是人对于信息、物体传递的时效性跟准确性。变的是什么？是交通工具的生产效率发生了极大的变化。他们在不变的基础上，不断用好科技的力量、不断放大自己的能力。

今天“智力”也是一样的道理。如果说我读完大学，想把大学学的东西直接拿去知识变现，已经很难了，因为知识已经不值钱了；值钱的是你去加工知识、去做应用的能力。过去你看书学知识，后来老师给你上课学知识，现在是你跟 AI 一起学知识；再深度一点，就像我一样跟 AI 一起学知识——我在成长，AI 也在成长，我的 AI 未来还在帮我打工，我带着 AI 去解决一个什么应用场景，这成了我们每个人都要去思考的东西。

所以有了 UPS 就够了吗？不是的。福特的廉价车有了，就像今天这款 AI 编程智能体也变得很便宜：你在飞书上装一个，59 块钱；你用一个模型，小米的模型很好，你也交个 50 块钱一个月——100 块钱你就可以做博士级的研究了。请问你接下来要去做什么、有什么机会？

因为有了福特的廉价车，除了 UPS，还诞生了影响我们 100 年的什么？壳牌加油站、麦当劳——因为全国有了公路网络，就有了麦当劳，有了 7-11、有了沃尔玛、有了假日连锁、有了汽车租赁这样的业务。我们的生活就是因为一个科技变化点衍生出来的。

也就是说，今天我们不一定非要去造那个车的轮胎。可能我做了一个 AI 系统，但 AI 应用到社会当中，会带来一系列变化：我们可以做 AI 工具，类似于除了福特车，我还可以做皮卡、做各种交通工具、做零部件，也会有很多机会。但最关键的是要学 UPS——我到底拿这个车去干什么？这个车会带来哪些新机会？

所以真正的 AI 应用，我是这么分的：今天狭义地做 AI 产品，就是“造车”；但真正的 AI 应用，是你把这样的 AI 能力放到一个商业价值的模型当中，创造了社会跟业务价值。所以我们更多人，特别是不是纯技术背景的同学，要去理解：我们要做 AI 时代的麦当劳、做沃尔玛，就要去理解真实世界是怎么运作的、真实世界被 AI 改造的机会有哪些、我们应该从哪里切入、能不能创造出独特的价值。这会成为我们思考 AI 应用的核心。

关于 AI 应用人才，我这几年也总结了好几点。第一，不是会用 AI 工具的人就叫 AI 应用人才——因为 AI 自己就会用 AI 工具；反而是训练 AI、调度 AI 能力的人，成了这个时代稀缺的人。第二，AI 的应用不等于“AI 的应用”——AI 会带来一系列变化，这些变化会超出我们这一代人的想象跟认知范围。第三，AI 教育，不是教 AI 的教育——教 AI 很重要，但 AI 时代更重要的是：AI 会冲击掉很多老的东西，以前知识是稀缺的、执行力是稀缺的，但在 AI 时代都是不稀缺的、很廉价的，那在新背景下我们人要具备什么新能力？第四，很多人误解觉得 AI 只有科技的机会——特别从今年开始，不是了：AI 确实有很多科技机会，就像造汽车里面有很多零部件会成为世界级公司，但用好汽车的人还是会有很多机会，哪怕你搞个出租车公司都很好。

真正的 AI 应用人才，是能编排智能、产生业务价值的人。假设今天 AI 是一个工厂，你就是要去编排这条流水线、当这个工厂的厂长。

我说，AI 时代真正的应用人才，是能把真实世界的问题、行业知识、方法论，用结构化的方法抽象、模型化地表达出来——有点类似我们读研究生，你要提炼方法论、提炼你的认知框架，提出你博士研究的理论框架。这是每个人都要具备的能力，因为你只有给出框架，你的 AI 才会更好地去执行。

下一步是什么呢？做完之后还要让你的 AI 跑起来，有点像学校培养完同学之后，要把你们输送到真实世界，让你们自己成长——你在真实世界里还要有学习的能力、自我成长的能力、持续优化的能力，AI 也是要这样。所以 AI 时代很重要的一点：不能纸上谈兵。你看过的东西，没有你到实际现场去理解学习来得深刻；任何真实细节最后那一点点价值，都在整个产业、整个运作的现场。你只有去现场把那些隐性知识学会，再结合自己结构化方法论的能力，今天不管是一个工作流、一个系统还是一个模型，本质上都叫“AI 化”；当 AI 化出现之后，你就再跟 AI 持续地进化跟发展。

AI 最会改变的六大领域

那 AI 的冲击会在哪几个点？OpenAI 上任的新负责人是怎么回答这几个问题的？他上任第一天——不是山姆·奥特曼，是一位负责商业化的负责人——他说：人类站在智能的内核，智能到底在放大哪些事情？其实 OpenAI 自己从后台看得到，真正行业改变最大的事情是什么，他已经排好序了。我为什么要把这一页拿出来？因为下一个时代的秘密，可能就在这页 PPT 里。

第一是知识。所以教育是会被 AI 冲击的第一个行业，因为学知识变得太轻松了。未来的机会就是：你能不能用 AI 把一些专业细分知识发挥得更专业？有点像我是一个医学院毕业的同学，学了 7 年医学，好不容易当了医生，最终变成主任医生，你背后有的是什么？是你的专家知识。AI 时代会让我们每个人都要变成专家，因为你只有变成专家，你的 AI 才会有价值。

第二是健康。有了知识之后，人类会有巨大的突破，而对人类创造最大价值的，是能提升我们生命的质量——就是健康领域，攻克癌症、延缓衰老、疾病诊断这些医疗健康方面的突破。我个人很乐观地认为，攻克癌症会有重大突破，这更多是成本的问题，药物开发应该会走向千人千面（这只是我个人的乐观判断，不构成医学结论）。所以 AI 在高校里很大的一个价值，是用 AI 做科研材料的突破。生物医疗这些，是人类已经花了无数教授、专家、院士、博士探索到边界的东西，让 AI 再帮我们计算、再去突破人类对世界认知的边界，特别是健康领域，价值会特别大。

第三是创意的表达，也就是我们设计领域。今天我们做任何设计、做创意、做文创，本质上很多就是创意表达。AI 极大地释放了每个人表达自己情绪、想法，表达自己对世界的洞察跟理解的能力。所以我们会进入到极其丰富的、个性化的时代，人对自己的了解也会更深——为什么会更深？因为 AI 会帮你更深地了解你自己。

第四是 AI 会极大地降低创业、创造的门槛，让更小的个体也具备机会。它的反面是：未来就业的机会没有那么多了，企业不需要那么多人了，真正做得好的人，三个人比过去 30 个人、100 个人的价值都要大，因为你只要用好 AI。所以未来“个体户”会越来越多。

第五是 AI 会有巨多的自动化工具。节前我一个朋友问我，能不能帮他做一个自动买卖股票、做投资分析的工具。他说他想象当中以后的生活，就是去普吉岛躺在沙滩上，让 AI 帮他炒股赚钱。如果你不追求特别大的财富，这件事我认为都不需要 5 年，3 年之内很多人都能做得到，可能你的 AI 打工收入就比你原来人打工还多（这只是一个设想，不构成投资建议）。

第六是持续的支持跟陪伴。我的 AI 已经进入到这样一个状态：它有记忆功能，跟我聊了足够多之后，我一篇文章发给它，它会用我的角度先帮我读完，把有价值的东西直接给我，直接“榨干”。因为我跟它聊得越多，它就越来越知道我是谁。我甚至问过它：我们聊了这么多，你说说看我是个怎么样的人？我的血型、星座、MBTI 是什么？它分析得非常准，可能比我家人都还了解我，甚至比我自己都更了解我自己。

就比如说我开场介绍“我是一个怎么样的人”的那一页，其实就是我问 AI 问出来的。我说我今天要跟大家介绍我是一个怎么样的人，想用 AI 来做个类比，你能不能帮我总结一下？它就帮我总结了那几个点，我觉得总结得挺好的，那几个标签也确实挺吻合的。

AI 时代，每个人都要学会做产品经理

接下来我讲一个观点：AI 时代，我们每个人都要学会做产品经理。产品经理是一种最锻炼人综合能力的方式，但 AI 的产品经理跟工业时代、互联网时代有一个最大的区别——AI 本质上是一个认知工程。

为什么说模型会更聪明？因为它背后认知这个世界的方法变了：它有记忆，有聪明的模型，有做事情的方法。所以 AI 产品本质是一个认知产品。我们做事的方式都在发生变化：以前靠经验做判断，未来要用模型、用算法做判断；以前先干活，现在要先理清楚结构和流程，用流程去推导；以前是人用工具，今天是人跟机器协作，去调用 AI 的能力；以前学习靠别人培训，现在是我跟 AI 不断地学习和反馈。

我自己总结了几个点，方法论还没完全理顺。首先，设计思维还是很重要的，它让我们很好地适应世界的变化——关注到人，关注到场景，关注到那些背后说不清的东西，并快速地把它原型化表达出来，这是人的基础能力。有了之后，就要用 AI 工程的能力把它结构出来，比如训练模型、了解上下文，这就是我说的“建构 AI”，我认为每个同学都得好好学。

第三，AI 产品的生命周期也变得很快，上个月跟这个月可能因为一个模型就发生巨大变化，软件的产品生命周期也变得像快消品一样，所以价值评估会变成动态的。为了更好地做产品定义，我自己做了一套方法，从人的动机洞察、场景洞察、功能定义、形态定义等多个维度去匹配需求和价值，单独展开能讲好几个小时。

最后一点，AI 时代还有一个非常重要的能力——讲故事的能力。因为 AI 很多时候能把前面的东西工程化地辅助好，但你不一样的地方，是要把你对世界的理解、你的产品，很好地向这个世界表达出来。以前叫品牌设计，本质也是讲好一个故事；你今天做一份简历去面试，本质上也是要讲好一个故事。

IP × 公模融合：给已经卷到极致的行业带来差异化

我再给大家看几个跟设计相关的案例。怎么叫“建构 AI”？我们有好几个不一样的工作流程，其中一个，就是把一个 IP 创意跟一套老的工业设计模具进行融合，做 IP 外观的创意创新。

这几年中国的工业设计已经卷到很卷了，产品过度开发，开发到大家为了开发而开发，功能其实都差不多了。那怎么办？就像一件 T 恤，怎么玩出花来？它会两极分化：一极是做纯粹的标准化、大规模的基础款；另一极，特别是家居领域，是要做点个性——功能还是那个功能，但融合一些文化元素，像文创的做法一样。

理解了这个场景之后，我们就会在 AI 里这么去结构：告诉 AI 什么是不可变的，什么是可以变的维度，应该从哪些维度去变——配色怎么变，配件、符号怎么变，产品功能里哪些要约束住。把这些通过提示词、模型和流程都约束完之后，最终的实验其实很简单：我把一个经典游戏 IP 的元素给到一个垃圾桶公模，就生成了一款很有意思的创意衍生品。我们有很多小红书账号，一个设计师把这张图发上去，就有工厂愿意把它量产出来，比原来的普通垃圾桶能多卖一些钱。

这就是设计给一个原本已经卷得没法再卷的日用品行业带来的价值。后来我跟一个地方政府的领导讲这件事，他说当地很多企业的痛点就是这个——垃圾桶已经没法创新了，工业设计想不出新东西了，它们想要各种情绪化、差异化的创新。所以我们就把这套工作流打包成一个应用：IP 方可以把自己的 IP 放进来，模具方可以把自己的公模放进来，大家“杂交”出创意，谁的创意好，再来定义版权、谁来投产、怎么分配经济价值。

我们也会用 IP 的做法大量地去“升”IP。我们自己总结了一个方法：一个好的 IP 设计，应该有一个主体元素、一个超级符号、对应一种风格以及它的态度。我们就在这四个维度里建库，比如主体元素里收集了大量动物、历史上比较成功过的 IP，把它结构成这四个模块，让它们排列组合，就生成大量千奇百怪的东西。我再站在 AI 模拟的不同消费者角度给它们打分，打完分让它们“出道”，发到小红书上谁点赞多，就让谁去做更多内容。

有一天，我一个做 IP 的朋友过来说，这个“冲压”做得很不错，很有谐音梗。我回去一查，发现是去年两个初中生来实习时做的。他们第一天来就把我做的 IP 批了一顿，说“这些会有人喜欢吗？”我说那你们喜欢什么就做什么。他们自己找了个谐音梗去做，结果做出来的作品可能比我们成年人更有喜感。你看，当 AI 把设计结构化之后，连小学生都能做出好作品。

同样的道理，比如做印花，我们把它结构出来：上面要有个主体，背后有个底纹，宠物最好印在什么产品上面，进行公式化的排列组合。你想做一个宠物周边，只要把家里宠物拍张照片，我就把一系列设计都给你做完，你下单选喜欢的那一个，供应链我们也找好了。这跟北服很多专业做的纺织印刷、柔性化时尚设计很像。今天做宠物是一个类型，换不同的载体，就会涌现出大量新机会。借助 AI，原来做一个设计可能要两万块、门槛很高的事，如果能变成两毛钱，就会涌现出很多新的商业模式。

我今天给大家讲了很多案例，细节没有完全展开，我的 PPT 有几百页，下次有机会可以再细讲。最后留几分钟，大家有什么问题可以交流一下。

现场问答

有学员问到：如果一个项目整个工作流全部用 AI 来跑，大体是怎样的一个工作流？

我的回答是：我讲业务的工作流，不讲某个具体技术流程。第一步，当我们要理解一件事时，会让设计师到最一线去调研。比如“宠物定制抱枕”这件事，我们会去采访每一个环节——业务怎么接到订单、怎么给设计师、设计师做完怎么给打样、打样完怎么给工厂，把整条链路像真人是怎么跑的一样全看一遍、记录下来。其中最重要的，是设计数字化这一环：我会问设计师，你做过哪些爆款？为什么是爆款？背后你是怎么想的？他可能说不出公式，但会告诉我纹理很重要、元素很重要。我会采访五到十个设计师，把他们成功的经验一条一条记下来。

现在我们还有个做法：采访过程全程录音，录完让 AI 帮我总结背后的结构。然后先搭一步工作流，让它批量跑图文，把我们认为好的图叠加进去，生成结果。再把这个结果放回真实业务场景，请老专家来评估：你别在意是人干的还是 AI 干的，先告诉我结果好不好？如果他说好，我们再对内分析哪些环节是 AI 做的、哪些今天的 AI 还做不到，再想技术办法去打补丁、搭工作流。

工作流有很多类型：训练小模型、调用通用模型、做知识库检索——都要以终为始去定制。现在大模型能力越来越好，其实很多时候不需要训练很多模型了，你只要能做好知识库检索，让背后的 AI 知道怎么处理就行。比如让 AI 理解一个任务后，先去数据库找一张图，告诉它“一个好的构图背后应该有哪些知识点，要用哪些构成、色彩，给我分析打分要打到 90 分以上”，再把这个结果用提示词改一改，给模型去生成，生成完让它自我反思一遍好不好，再给用户看。AI 就在背后像人一样思考、干活。

为什么叫人机协作？因为一定会触摸到边界——有些事 AI 干得到，有些干不到。我认为几年之内 AI 会让 95% 的事都干得到，人去做那 1% 到 5% 高抽象、高感知、画龙点睛的工作。技术在快速变化，两年前、一年前、今天、下个月可能都不一样，所以我把它叫“建构 AI”，要不断与时俱进地迭代。但什么不变？业务场景里认可“什么是好设计”，是不变的。所以同学们除了把建构 AI 的能力学好，还一定要去了解真实的需求和真实的业务——这是年轻人的鸿沟，跨过去，你的生产力就能被极大放大。

有老师问到：训练这款 AI 编程智能体，用什么平台、什么模型？

我的回答是：我现在推荐用火山引擎，因为飞书的文档管理比较好。AI 化的前提是数字化，如果我们平时写的文章都在飞书云文档里，今天只要把文档丢给它就行，权限、安全防护这些都做得比较到位，每一个智能体都跑在独立的服务器里，安全和权限管理都比较好。模型上，我自己测下来很多模型都不错，可以在火山引擎上买个套餐，主力模型不够用就换另一个补上，几个国产主力模型都挺好的。

接着老师让我现场演示一下，帮学生建立自己的学习工具。我打开飞书演示了我常用的几个功能：我有一整个 agent 团队，给它们写了员工文档、编了员工号——001 号是我的“机器人 CEO”，负责调度;还有分析师、战略研究所所长等等。比如开完一个会，飞书自带的会议纪要我现在已经不太看了，我觉得不够深刻；我会把原始录音转给一个专门做分析的智能体，我给它起名叫“冷静”，让它按我事先教它的流程深度分析。

我训练它的过程，其实就像老师教学生：先让它把“论文”学完，做得好不好我给反馈，它就越学越懂我。第一步我会让它先判断会议里这么多人到底谁是谁——人讲错了就麻烦了;然后它会从我给的九个分析方法里挑合适的，去洞察整场会议。我还会特别强调：每次分析完都要写入你的记忆。它分析完会用“商业机会评估”讨论会上聊到的创业机会，用“一针见血”给我们泼冷水——因为人很容易自嗨，我们希望 AI 讲点难听的、用第一性原理点出本质、找出虚假分歧和被忽略的事;它还会跟上一次讨论对比：谁的立场变了、谁这次被遗忘了、谁被提及了，最后生成一个飞书可视化文档。这样每一次人类讨论的价值，都会沉淀成企业资产，未来 AI 做战略分析会比谁都更懂我们。

我现在训练智能体的第一步，是先去一款 AI 编程智能体里，跟它说我想做一个什么东西、要具备什么方法，让它先给我一个初版，生成一个技能安装包，我直接把这个安装包丢给智能体，再用每一次分析的好坏给它反馈。大家可以用这种方法给自己做研究、写论文、了解知识，甚至做旅游攻略——凡是人类跟知识打交道的方式，都可以这么做。

我还演示了节前训练的一个股票分析智能体（先说明：这只是我的设想和实验，不构成投资建议）。一开始我先用通用模型做了一份产品说明文档，像一篇博士论文一样，把结构提炼好——一级目录是什么、要有哪些 portfolio 和 research、分析方法和基本面是什么。它先给我做了一只股票的分析，我看了觉得行，就提要求：能不能做成定时任务？文档里不该只有我一个用户，要给每个人建档案。它就把架构从单用户改成多用户，给我建了 portfolio，了解我的投资策略、我关注哪些股票、我的记忆要保持独立。

我让它不断测试，遇到不懂的我就问：现在某只股票情绪化得厉害，做空比重多少，我该怎么分析？它会把正方反方的结论都告诉我，让我自己判断。它还提到数据要实时更新，告诉我准确的财经数据来自哪里、A 股港股美股分别用哪些接口，然后自己写了 Python 去抓数据、每天发分析报告。我会反复跟它确认：你现在到底用什么模型？文件装在哪里？结构怎么存储？就像老师指导学生做博士论文，结构都要理得特别清晰。

最终这个版本会用六个引擎来分析——基本面、技术面、情绪面、宏观面、估值，再综合决策、做多空博弈，已经是一个分析师扮演的角色了。最后才看人要不要授权给它去执行（比如试验性地买入很小比例的仓位）。训练到这里，其实已经超出我自己在买股票这件事上的认知范围了，倒逼我去请教二级市场做得更好的投资人：你们是怎么做的？我把这个 AI 给你们用有没有价值？如果有，我的 AI 也会变得更有价值。

有老师顺着总结说：你其实是在训练一个自己的数字团队，可以模拟现实团队的人员构成——CEO、产品经理、市场、品牌、设计各有一个 agent，用不同的模型组成一个团队，是吧？我的回答是：是的，理论上就是这样。

有老师问到一个很关键的问题：AI 最好是给专家用，因为专家会提问、知道自己要什么、能驾驭它、会判断。可现在很多是大一学生，整体知识架构还不健全，他用 AI 学习时怎么判断？他甚至不知道 AI 给的东西准不准——AI 也会有幻觉，会一本正经地胡说八道。有没有什么好方法，让他们知道怎么判断 AI 是在胡说还是有用？

我的回答是：用 AI 有一个很大的弊端，就是我们的思维决策能力可能被 AI 驾驭——如果你不知道 AI 给你的东西对不对，直接拿过来就交作业，这是很可怕的事。借助 AI 没问题，但用 AI 替代你的思维方式，是不可取的。

读万卷书不如行万里路，行万里路不如阅人无数。你怎么知道对不对？一定要多做多试，得到反馈，提升自己的认知。

怎么借助 AI 提升认知？我们以前的创新方法里有个“六顶思考帽”。比如开会时我们强调让 AI 给我们泼冷水，因为担心做错决定;但泼完冷水之后，我们自己还要判断它泼的对不对，本质上还是要提升自己的能力。一个很简单的方法：每次你有一个结论时，先想清楚你自己真正是怎么思考的——你脑子里有个假设，AI 给你一个假设，把这两个假设都交给 AI，让它扮演五个、十个不同角度的人来判断，有人说对、有人说不对，你再来裁决。在这个过程里让自己越来越接近真实的理解，这才是对人最重要的训练。不能 AI 说对就对、说不对就不对。未来这个世界其实没有标准答案，反而是批判性思维更重要——找到你认同的那个价值，或者说能自圆其说，你的假设依据经得起别人推敲，而且在被别人推敲之前，你自己已经先推敲过一遍了。

顺着这个话题，有老师问到 AI 画作的知识产权问题。我举了一个例子：我们给一位艺术大家做了一个创作偏好模型。每次做完作品，他都会批评哪里不好，我有一次把他所有的点评录音都录下来，去训练了一个他的审美偏好。比如让它“用这位大家的方式创作一幅西湖荷花”，它会先确定题材，再考虑画面构成——前景、中景、后景、水面光源怎么合理;再考虑中国画的特点，荷花要有哪些中国画要素;最后推导虚实、主次、色彩调性，用什么绘画语言。它还会反过来用这位大家的方法检验一遍。我再拿这段提示词去生成作品，基于我对他审美的理解挑选、矫正，AI 就越来越能画出他想要的画。

有老师说：那灵魂的部分其实是这位大家的思想，AI 只是工具，这幅画的知识产权本体上应该属于他。我的回答是：是的。如果一幅画从头到尾都是他的意图，今天只是由 AI 替他画出来，那其实很难定义这幅画到底是他画的还是 AI 画的——本质区别就在于他愿不愿意署名。

我常开玩笑说，未来人类可能只是“打了个哈欠、放了个屁”，agent 就基于我的意图创作出来了，而它又符合我们的意图。人未来最有价值的，就是做决策和选择的能力——你愿不愿意给这张作品署上你的名字，这是人最稀缺的价值，因为署名就代表了你对它的承诺。

我也是在帮这位大家做这个项目的过程中理解到这一点的。他做了几十年人工智能，我去年给他做第一个版本时，他说“这是人工智能系统，不是创作系统”。我问两者有什么区别，他说：人工智能系统是一个计算机系统，而设计艺术系统是一个以人为主体的、能把人的意图多模态地表达出来、能放大人的价值的系统。我后来教小朋友也是这个道理：机器的确可以干到 99%、甚至 100% 的活，但它的不一样，在于你认为它是不是“你的”才能——这才是最重要的。

最后给同学们三点建议

第一，所有模型都要用，而且要深度地用。不要只用某一个豆包、某一个 DeepSeek，不管是做作业还是做什么，最好有一次能连续跟它一起合作工作三到四个小时以上，你才能体会到这个智能给你带来的价值。这件事回去马上就能做。

第二，千万不要只把 AI 当工具。站在哲学角度,一切都是工具;但实际上,这一代的 AI 本质上是在跟同学们竞争——站在企业的角度,它到底聘用 AI 还是聘用你?看的是你能不能把 AI 当工具用起来。如果你自己是个“工具人”,就会被 AI 替代掉。这是未来十年所有毕业生都要面临的挑战。

第三，这个时代,老师和同学进入了相互学习的过程，老师有老师的优势，同学有同学的优势。我建议你们真的把自己的智能体“养”起来——去飞书上注册一个，用它来做作业，老师同学一起用、相互交流。我给浙大的同学也是这个建议。把智能体养好，其实就是在做一个智能体产品，做过一个、有了感觉之后，很多方法思路都是相通的。我认为这个时代最重要的学习方法，就是训练自己专业的智能体。