AI 时代的造物思维

十年AI心得的起点

开场与今天的安排

主持人简单介绍了我的教育背景和创业经历,把话筒交给了我。我说,去年也是在这里给新一批同学讲课,这几年AI变化很大,今天的内容会跟以前很不一样。今天大概这么分配:上午我讲讲AI最前沿的情况,以及怎么用AI做产品开发;下午是实战环节,大家带着问题来,当场把自己想做的东西做出来;到了傍晚,我们再做一些作品的交流分享。这就是AI时代的速度——一天就能把东西做出来,我想带大家完整体验一遍自己做AI产品的方式。

我简单说一下自己的背景。我是2007年在浙大读书时开始创业的,做过电动自行车、电子烟,十年制造业产品做下来,最大的感受是实体行业的机会已经不多了。2021年,我跟几位老师一起回归到人工智能和设计结合的老本行,做软件数字化的事情。去年浙大成立人工智能学院之后,几位老师又把我叫回去,做学院里的产学研项目;也因为看到AI冲击的第一大行业是教育,我们又多了一块面向K12场景的教育数字化业务。想了解更多背景信息的,我个人网站和公司网站上都有——包括我平时讲课的录音、内容,我基本上都在做AI化和开源化,因为我觉得我们这一代人是有机会做到“数字永生”的,前提是所有的记录都要被留下来、被结构化。

今天想讲三个部分:第一,我做了十年AI,自己悟出来的几条心得;第二,AI时代下,不管是软件产品还是实体产品,整个创新开发的流程和方法论发生了什么变化;第三,AI时代会涌现出哪些新机会,怎么评估这些新场景的价值。

现场调研:你的AI用得有多深

讲之前我做了个小调研。用过ChatGPT、Claude、Gemini的同学举手,付费版的再举手——比例挺高。单次用AI超过4个小时、跟它一起合作做东西的,举手的只有四五个。用过编程智能体(比如Codex、Claude Code这类)、并且独立用它做成过一个产品或项目的同学,也就两三位。

这个比例,是我这几年做调研以来最高的一次。我想原因有两个:一是这批同学更偏“AI原生一代”,学习阶段正好赶上AI渗透度最高的时候。为什么我不问DeepSeek、豆包用没用过?因为用过好的AI之后,你是能感受到不同智能水平之间那种区别的。

AI的加速度,与“第零世界”

今年春节前后,美国那边也发生了不少事情——对程序员来说,AGI已经到来了。最近山姆·奥特曼和马斯克都在说这个基点已经到来,未来三年会进入一个数字世界全面涌向AGI的加速期。也有一些曾深度参与顶尖AI研发、后来离开的业内人士开始觉得,现在的AI已经到了一种“细思极恐”的程度——我自己前两天也有类似感受:我让Claude Code帮我编个理由,说我有个账号被封了,想编一段说辞去申诉,它直接拒绝了,拒到最后就说不跟我聊了。这两年大家都说AI很谄媚、会迎合人,这次倒让我第一次感受到AI也可以很“尖酸刻薄”。后来我才想起来,今年AI已经进入到一种自我递归、自我学习的阶段了。前段时间网上流传的一份投资人纪要里,提到一个观点很关键:AI做出来给别人用不是最重要的,最重要的是给自己用,能加速下一代AI的研发,一路冲向AGI。我认识一位在这个领域工作的朋友,前两年跟他聊过之后,我更确信这一波人对“智能”这件事本身的理解是很深的。

今年Claude的CEO在达沃斯上讲了一个观点,说现在整个世界出现了一个“第零世界”——在第一世界之上,又多了一小波掌握更多智能、能用智能创造更大价值和财富的人,可能只占人类的0.1%,却能创造八九成的财富。我判断AI时代人才好坏的一个直接指标,就是你为AI烧了多少token、交了多少钱。我自己一个月光AI账号大概要花三到四个200美金的订阅,加上其他几个AI工具,这个投入换算过来,大概相当于过去一个50人IT技术团队一个月的产出。

AI可能不一定拉开人跟人之间财富的区别,但它会巨大地拉开人跟人之间认知和能力的区别。

心得一:人机共同进化

人跟机器是共同进化的

这跟过去技术变化很不一样。在工业时代,我们的固有思维是“我有钱,买一个装备,就有了生产力”。但AI的生产力,你今天把大模型接过来,如果没有跟它一起进化过,这个“超级武器”对你来说可能都不一定有价值——要人机共同进化出来,才有价值。

跟不上AI的人

去年、前年我们各有一位同事离职,最重要的原因是“跟不上AI进化的速度了”。AI进化的速度快到什么程度呢:我最新学到的东西,学完就要告诉团队其他人,很多人还带着固有思维,觉得自己去年懂AI了,今年就还懂。但今年整个工作流程又发生了一轮变化,很多人适应不了。后来有两位设计师跟我说,还是想回到老的工作方式,我说没问题,我尊重你们的选择,甚至帮他们介绍了新工作——他们去的地方还觉得他们是“新兴生产力”,但在我们这里,可能已经跟不上了。人要进入一种快速学习的状态:我自己是2023年ChatGPT出来时也懵过,后来招了十位浙大的学弟学妹一起看论文、一起学,跟着年轻人重新补课,才慢慢跟上。

METR:AI能独立干多久

行业里有一个衡量AI能独立完成任务时长的指标(业内通常叫METR):2016年,AI能做的大概是人脸识别这种几秒钟的工作量;到今天,AI已经能完成过去人类半天到一天的工作量了;按这个曲线推演,2030年左右AI会进入到能完成人类一个月到一年工作量的阶段。今天的AI,本质上还只是一个过渡阶段的AI——三年之后,智能会真正变成一种基础设施,就跟水电煤一样,博士级别的智能会变得很廉价,随取随用。

造物设计探索与制造业机会

从Pix2Pix到3D打印

我们大概是在2017年开始做AI这件事的。当时我的老师找到我,说他们做了些新东西,问我要不要一起把它做成一个方向——像ChatGPT一样,那时候有一篇论文火了,叫Pix2Pix:画一个轮廓,配上一些提示词,就能生成图像。我们当时特别激动:今天能画出猫,那模型调一调,就能画出箱包、皮鞋,画出我们生活里的各种产品设计。

去年的AI,已经能做到这样:我把一张身边小朋友画的古人图,用豆包拍了一下,让它变成东阳木雕的风格,图就真的变了;再往后,图能动起来了;到今天,AI已经能直接把一张图生成3D模型——以前建一个这样的模型,专业建模师要做一个礼拜,人力成本要两三千块钱,今天AI直接转化出来,找一家淘宝店打印,六十块钱就能拿到实物。

“孙权的妹妹”:最自然的人机交互

这件事对我启发很大。我把这个方法告诉了一位从事幼教工作的朋友和她身边的孩子,建议他们用豆包拍照片生成设计配色方案。我原以为会得到“给我三个配色方案”这样目的明确的提问,结果这个小朋友是这么跟AI说的:她画的是“孙权的妹妹”,就直接问AI,吴国那个时候的风俗是什么样的、衣服该怎么穿,让AI自己去想。我把这张照片给学院一位老师看,他也很意外——这其实才是最本能、最自然的人机交互方式:讲人话,怎么想的就怎么说、怎么做。

初级设计师:画图能力加语言理解

AI画图的能力之外,还有一层是自然语言处理的能力——比如把网上大量的评论、反馈丢给AI去读,它能读出比十年前的方法更深刻的洞察。画图能力加上语言理解能力,AI就相当于一个初级设计师:能看评论、能有想法、能出产品设计方案,这也是“用户画像”“渠道画像”“产品画像”这些概念今天能落地的基础。

制造业老板缺的不是设计师,是产品画像

过去十年,中国绝大部分制造业老板慌的地方是:家里有产能,但不知道该做什么。他碰到需求,却没有产品画像。产品生命周期到了、行业越来越卷,怎么开发新产品?他本能的理解是找个设计师画张图,但画图只是表现形式,背后真正重要的是产品策略——这也是为什么过去做运营出身、开淘宝店的那批人,反而更容易做出爆款:他们能基于舆论和数据,定义出“应该开发一个什么样的产品”。

这意味着AI某种程度上可以把我们这些做产品设计的人“干掉”,但它最大的价值,是能让义乌老板娘、温州老板娘自己用AI做设计——这代表中国制造业的活跃程度会变得非常高。我自己读设计专业时,隐隐觉得这跟制造业相关,但读完之后发现帮不上自己家里的忙:一是我的时间成本对他们来说太高;二是就算免费帮,也常常被喷“太飘、不接地气”——我们家做的是洁具,我当年建议他们该怎么做,对方觉得完全不落地。

再举一个例子:浦江做水晶的企业,很多都能生产水晶,却不知道怎么设计出好看的样式——请不起好设计师。像一些已经提早全球化、赚到足够多钱的水晶品牌,能请全世界最好的设计师,就进入了一个优势环节,而多数浦江企业请不起。设计的成本之所以居高不下,是因为受过好教育的设计师会集中在少数城市,机会成本高、身价也高,这就是两极分化的来源。而AI有可能拉平这件事——所以我说要把自己“开源化”:我可以让全世界的老板都用得起我的能力,一个月哪怕只付很少的钱。我们从十年前就在想,怎么用AI重新改造设计这件事,给制造业带来活力。

好的AI“专家模型”,要具备两种能力

一个好的专业人才,要具备两个能力:第一是策略能力,知道自己的数据、自己的定位是什么;第二是表达能力和工程实现能力。这恰好对应了这一代AI的两个能力:大语言模型代表的智能推理能力,和多模态模型代表的可视化实现能力。十年前我们设想的东西,今天已经被大模型企业实现了。

做智能体和工具,选题上有一个重要原则:一定要做自己认知范围之内的事。AI的能力很全面,但能不能被你激活,关键在于你自己知不知道自己想要什么——你的认知水平直接决定了你能不能用AI做出你觉得好的东西,并持续给它反馈让它变得更好。我给很多企业老板讲AI的时候,基本都会先帮他们装一个我自己训练的“炒股”技能——别的场景他们可能理解不了,但多少都做点投资,这个应用能让他们马上感受到AI的变化。

让AI学会企业的定位:从logo设计说起

为什么自然语言大模型跟图像生成本身要结合到一起?就跟我们人一样,我要先洞察你最好的定位是什么,基于这个定位,再把策略输出给图像模型,它才会做得更精准。这里面要有几个维度:就像今天一个大师要设计一个logo,他要了解几方面的东西——第一,了解客户是谁;第二,了解市场怎么看;第三,了解自己怎么看这件事情。本质上是把这三方面的大量上下文放到一起,才能达到一个平衡的策略。这也是智能的一种类型,你说用普通的图像模型也能随便画出来,但为什么这个会更好?背后其实是更多类似于知识的东西在支撑。

中国制造业创新的几条路径

我看中国制造业的创新机会,大概只有几种坐标。一种是以小米、安克为代表的中国制造能力,把中国的工艺整合得很好,针对全球需求做精准的产品定义和开发,跟二十年前的索尼很像。另一种是以淘宝、拼多多,以及一家做跨境快时尚女装的公司为代表——它比Zara还要“Zara”:Zara一年开几万款服装,这家公司一个礼拜就能开几万款,靠互联网做反向产品开发,再配合低价策略快速抢占市场。

这几年国内资本市场的一个明显变化是:消费股、制造股基本都上不了市了,除非是科技股——能帮国家解决硬科技、卡脖子问题,才是资本追捧的方向,像今年一些大模型公司,商业化路径还不清楚,市值却能炒到远超一些成熟制造业公司。另外两种坐标:一类是像青花瓷、茅台、泡泡玛特这种代表中国独特文化、品牌属性强的品类;一类是义乌、华强北、顺德这种产业带集群,靠规模化升级在全球范围内建立竞争力。

一家浙江日用品制造企业的AI化样本

我认识一家浙江的日用品制造企业,大概十年前我们开始做AI的时候就一起合作了。当时他们还是开淘宝店的小卖家,现在已经成为当地的龙头企业——几个年轻合伙人白手起家,体量做得比较大。这些年因为关系比较好,我一直在帮他们做一些战略上的引导。他们卖的是各种廉价日用品,出货量很高。今年他们用AI之后跑来问我:AI能不能解决“开款”这件事?以前公司最大的瓶颈是开款的项目经理能力——都得靠老板自己每天拍脑袋、定设计方案,招不到合适的人,去杭州开分公司也没能撑住多久。

我告诉他们,怎么把老板自己“AI化”,公司的瓶颈就有可能被解决。他们现在的做法是:立项之前,先跟一款他们训练出来的AI编程智能体聊一聊,把立项的思路先讨论清楚,再上会由人来决策。本质上,这是老板在把自己某一部分判断经验和能力AI化。我跟他们讲过一个观点:他们之前做的大多是工具型的局部效率提升,但真正有价值的,是让“事情”和“组织”变得越来越智能——就像一个项目经理带着项目做久了自然会复盘、会成长,如果AI也能像项目经理一样,把成功和失败的经验都学进去,它自己也会变得越来越聪明。

“软柿子”理论:先挑好突破口

这些年很多企业都在讲“AI化”,我给的一条经验是:一定要先找到“软柿子”来捏。有一次我去一家大型男装制造企业,跟他们的总经理聊,差点被气到想直接走人——我们之前做的AI案例大多是女装,思路虽然是通的,但这位在企业干了快三十年、从裁缝做起的总经理完全不接受,觉得我们“不懂男装”,一直想的是“你把方案做好了卖给我”。我说:我要是做完了,凭什么还卖你?他提的一个具体痛点是布料手感——供货商太多,每一件都得亲自摸。我告诉他,这不是AI做不到,而是投入产出比不对;今天更该用AI去解决那些“容易见效”的事情。

后来他们的技术负责人又专门带人来学校拜访,我把“先找软柿子”的判断标准讲清楚:第一,原始数据是否足够密集——AI要学习,前提是有大量已经数字化的数据,就像人要先有课本;第二,是否存在大量可以标准化的决策——代码对错分明,AI反馈就准确,而“手感好不好”这种连人都判断不一致的事,AI自然也很难判断准;第三,是否人力高度密集——用AI替代之后,能不能马上看到省了多少人力。这三点叠加起来看,医疗、金融、制造业、零售、交通、教育这些行业最典型,因为它们恰好也是白领岗位最集中的领域。

AI本质上冲击的是白领的工作,因为它颠覆的是“脑子”这一件事情本身,而不像工业革命替代的是体力。三年之内,凡是在电脑上能完成的工作,AI大概率都能做得比人好——一份简单的财务分析,几张报表丢给AI,整理出来的结果可能比很多财务经理还清楚。反倒是修机器人这类蓝领工作,短期内还替代不了。我甚至觉得,如果是自己家小孩,不一定非要读那么多书——未来更早进入真实场景可能比学历更重要,大学老师本身的知识更新速度,未必跟得上社会变化,老师更多扮演的是“过来人、给你指导一下”的角色。

不同制造品类,AI的需求不一样

接触过很多行业之后我发现一个规律:不是所有行业都适合被AI同等程度地改造。女装对AI的需求特别大,因为市场大、天然快时尚,款式迭代快,就需要更多设计供给;相反像电器类,某大型家电企业的冰箱一年也就出几十款,制造端也跟不上做上百款,需求自然就没那么强。再比如某炊具小家电龙头,一年小家电款式多到连老板自己都未必说得清SPU总数,这类品类既要遵守物理制造的可靠性,又要快速迎合市场,就落在两种取向的交叉地带。整体上,越偏“耐用型”(比如机械装备),AI的需求越偏物理侧——制造工艺、设备仿真、可靠性验证;越偏“快消型”(服装、食品、日用品),越偏认知侧——快速抓住市场变化的需求。

三个企业样本:贸易集团、家电企业与工艺美术

一个案例是某百年服装贸易集团,是中国历史上最早的一批外贸企业之一,光绪年间成立,一百多年来一直帮全球客户做开发采购,跟义乌小商品城的逻辑很像。前两年因为一次业务对接的机会认识了他们,要解决的核心问题是消费者洞察、开发好款式——他们全链路数字化之后,最难啃的骨头恰恰是认知侧的需求挖掘。这家百年企业曾四次登上哈佛商业案例,2016年就开始数字化改革;他们与其说是供应链公司,不如说更像一家设计公司,一个工作室专门对接一个品类的客户提案,比如做牛仔裤的工作室,一个款式选中就可能是上百万美金的订单。跟他们合作三年下来,是我见过的头部企业里AI战略想得比较清楚的一家——虽然短期还看不到AI投入的直接回报,但他们清楚这是战略方向,坚持在做。现在的做法是不动老的ERP体系,而是在外面重新搭一套AI体系,把设计款式、BOM表到供应链的各个环节,能AI化的都先AI化,最终形成人机协作的新流程。

另一个是家电类企业(某大型家电企业),逻辑跟服装类似:了解需求、提出方案、做原型、做展示——这几步跟软件开发里“洞察需求、快速表达、逐步落地”的思路是一致的。还有一个北京的景泰蓝工艺企业,是一家为朱炳仁这样的知名工艺美术大师供货的企业,常年要给他提案,公司只有一位资深设计师,是老板带了十年的学生。他们想解决的问题,是能不能用AI画出符合景泰蓝工艺规律的图案——景泰蓝的纹样其实是有数学规律的,掐丝的密度、线条的曲率都有讲究,太密、太直、面积太大,烧的时候就容易塌陷。把这套工艺规律和现代美学结合起来做AI化,最终要让AI出的方案本身就符合可量产的制造工艺,客户一眼相中就能直接进入量产。

不同制造品类背后的设计逻辑也不一样:像博朗、小米、某大型家电企业这类工业品,设计追随的是功能,两个桶的洗衣机就得把两个桶做进去;椰树牌包装、王老吉与加多宝的红罐之争、可口可乐几十年不变的logo,代表的是快消品逻辑——占据消费者心智和记忆,不管美丑,记得住就是成功;而拉布布、爱马仕、茅台代表的是时尚与奢侈品逻辑,买的其实是情绪、情感和身份表达,奢侈品还多一层文化属性。人工智能会跟各个行业交叉结合,但一定要先找准每个品类最合适的切入点。

前面提到的那家景泰蓝企业:曲率、规律与融合的基因

拿前面提到的那家景泰蓝企业来说,它所谓的曲率和规律,第一,一定是这个行业制造的规范;但第二,我去这家企业的时候会问他们:为什么你们做得比较好?他们做得好的原因,是不是因为在做传统景泰蓝的时候,把传统的文化格式跟现代的风格——比如学一些孟菲斯风格——融合到了一起,把现代审美跟传统融合到一起,有点像新中式的感觉。这就是这家公司成功的基因。今天你让AI去纯学传统的,或者纯学新的,它可能都get不到这个点;但只要我找到了这家公司最重要的基因——要把两种东西融合到一起——AI就能学到这个点。

这里面还有一个很重要的东西,比如荷花在中国语义里意味着什么,鸳鸯又意味着什么,这背后是有文化标签的。比如今天定位是一份新婚礼物,那要用什么器型、什么图案,这背后可能都是文化知识——既要有一点文化知识,又要有一点现代的东西,才会做得更好。

心得二:智能是有密度的 + 心得三:让组织变聪明

回到最开始提的三个心得——人机共同进化是第一个;第二个,我们这几年悟到,智能这件事本身是有密度的;还有第三个,是我从去年下半年才真正意识到的:AI真正有价值的地方,不是用它做工具。做工具当然有用,这会变得很容易上手。但真正有价值的,是让“事情”和“组织”变得越来越聪明——这跟人的成长特别像,关键在于一个人、一个团队,能不能持续变得更聪明。休息了十分钟后,我把这两条心得展开讲一讲。

心得二:智能是有密度的

这件事最大的启发来自DeepSeek。它刚做出来时,我并不看好——一家原本做量化的公司,怎么可能比得过那些巨头?但DeepSeek火了之后,我看到梁文锋的演讲里提到,智能这件事本身可以做出很多突破,包括为什么不去布局多模态、世界模型、机器人——他给出的一个关键判断是,世界模型短期内还谈不上智能,真正的突破是编程能力,它已经变成了新的基础设施。

物理里水从高处往低处流,智能也一样,一定是从高密度流向低密度,要找到“密度最高”的那件事去做。今天密度最高的是语言,其次是编程语言;还有一些场景本身知识密度高,比如金融、法律、医疗。同样的道理,也存在“人才密度”和“区域密度”——判断一个人智能程度的一个简单指标,就是他调用了多少token。我们把公司搬到了玉泉校区旁边,一栋楼里就有不少AI方向的博士,氛围很不一样。杭州是全国AI人才密度相对高的城市,主要集中在未来科技城、玉泉和紫金港这两个浙大校区周边,以及滨江一带。

AI最大的价值:让组织变聪明

这是我去年某一刻突然意识到的——我们前两年做了很多AI生成的工具、画图软件之类的东西,但我的感受是,这类工具特别容易被AI本身覆盖掉。那时候我跟我的老师说,AI最大的价值不是做工具,而是能让我们越来越聪明。

这背后跟人的成长是一样的道理——人为什么要越成长越有智慧?比如说今天你要开发一个产品,拿农夫山泉的东方树叶来看,为什么钟睒睒会做这个决策?可能是二十年前他去日本考察的时候,发现日本有很多无糖茶,销量很好,他判断中国还没起来,但这符合人的需求——这可能就是他的一种智能判断。那之后他们提早布局,因为要做好无糖茶有很多关键技术,比如这个茶在密封的时候怎么保持新鲜感,装成瓶装其实没那么容易。这件事情他死磕了,前面十年全都在亏钱,一直熬到最近几年,才把前面十几年的投入挣回来。

这个企业家为什么会做出这样的决策?就像我们人一样,会碰到很多新的事情,但为什么越成熟、越有智慧的人,面对越复杂的事情时越能做出更精准的判断?做企业老板也是这样,公司里琐碎事情很多,但他为什么总能做出对的决策?背后本质上就是这件事——越来越聪明的老板,越来越聪明的人。但今天整个企业和组织的发展都依赖于人来做决策,其实挺不靠谱的——人总会担心自己老了之后跟不上。可如果今天你的智能是能沉淀在组织本身、企业本身,它就能持续做出英明的决策,这是人工智能最大的价值。

人会因为生物学的原因,老了之后智能程度会衰减,但怎么把这份聪明保留下来?以前的做法是写书,把经验积累下来;带徒弟,把经验传给下一代。现在AI时代,你可以把自己的经验用数字化的方法承载起来——承载之后,一个项目、一个团队能不能变得越来越聪明,这是很关键的一个观点。今年我觉得大家不会再讨论AI这件事本身价值的泡沫有多大,顶多讨论资本市场的泡沫——因为今年自从有了这类AI编程智能体之后,很多人都切身感受到,身边的人也感受到了AI的价值。

从怀疑到恐慌:企业AI落地的95%困境

我这几年跟AI打交道,有一个点特别明显:三年前我跟很多人说AI多好,他们听完会觉得,好像你说的很对,但我也看不见摸不着,听完课走了就算了,特别是企业家,在MBA、EMBA班上都是这样,听完回去也就这样了。

但这几年发生了一个巨大的变化:我们朋友圈子里,有些人很兴奋地把AI用出价值之后,会向朋友分享说AI在他们企业已经发挥了什么价值,其他人就开始慌了——当同行跟他讲AI发生了什么变化的时候,他们就很慌,慌了之后就开始找各种各样的解决方案。

去年MIT有一个组织做了一份报告,发布当天让纽交所跟纳斯达克指数跌了一个多点。报告大意是,大量企业在AI上投入了很多,但采访下来,95%的企业回复说没有得到可以衡量的价值。这份报告出来之后,去年大家都在疯狂讨论AI的泡沫是不是很大,会不会像当年的互联网泡沫、元宇宙一样很快就过去了。但这份报告里其实指出了一个很重要的点:并不是AI技术不好,而是这些企业在落地AI的过程中,流程整合、业务匹配、组织认知、能力建设上的不足,导致这个先进生产力没有被很好地应用起来。

电机用了30年才提升效率——AI转型也要熬过“J曲线”

我大概是这个时候有了这个观点:前年,我跟公司几个员工说,你们限制了AI的发展——你用不好AI是你的原因,我说AI的能力我已经看到发挥出了这么多价值,为什么在你这里发挥不出来?本质上是你限制了它。这是现在企业里绝大部分人都会碰到的点。我在24年的时候也挺郁闷的,因为23年我给很多企业上了课,也给好几家企业做顾问,但AI就是落不了地。后来我看到一个故事,一下子治愈了很多。

24年的时候,谷歌前CEO施密特在斯坦福的一个课程里做了一次分享,讲了很多很直白的话——他原以为是内部分享,那位教授告诉他这其实是一堂正在直播的公开课,他的脸瞬间就尴尬了,因为已经透露了不少真话。

讲完这堂课,那位教授在总结的时候讲了一个故事,一下子回答了我前几年的困惑。他问,为什么电机出现之后的前面三十年,工厂的生产效率没有显著提升?现场有人猜是因为大家还怀疑、没几个人会用、前期投入需要成本——这些都是一部分原因。但当时爱迪生的通用电气已经有了整个电力网络,情况跟今天有点像:头部企业已经看到,这就是先进生产力的未来,钱也不是问题,他们愿意把电机换进来。

但最重要的原因,可能大家都没见过——杭州以前有一家老国营丝绸厂。在大概80年代之前,中国还有很多这种老工业国企,整个车间是什么样的呢?会有一个锅炉房,烧煤产生蒸汽,蒸汽通过管线接到各个部门,变成小动力。电气革命之前,所有工业工厂的布置都是这样的——一个大锅炉带着一条大的蒸汽传送带,把动力传送出去,是以中心能源为核心的。

所以电机来的时候,大家本能地想:电机是新型生产力,那我造一个足够大的电机,挪过来,把老的蒸汽机替代掉,让它带动整个车间——这是人的本能想法,拿新的去替代旧的。但那时候电费肯定没有现在便宜,老板们一算账:我原来烧煤也在烧,今天换成电,效率提升了多少?可能提升了20%、30%、50%,投入这么大才提升这么点,算了吧——人的本能是不是就是这样?

那为什么是三十年之后,工厂效率才得到很大提升呢?这里就有一家企业——福特。福特真正伟大的地方,是他发明了流水线:他发现不需要围着一条产线干活,可以把汽车的配件分成各个产线分头做,最后再做总装。因为电力天然是分布式的,把电接到一个房间里用,我们现在看着很正常,但在没有电力的年代是很难的——蒸汽要通到那里去,改造成本非常大,所以那时候大家最好的方式就是围着大锅炉一起干活。等到有了电力之后,大家发现不需要造那么大的电机了,可以做小一点的电动工具,这条产线做这个,那条产线做那个,最后总装到一起——这就是现代化工厂的第一个样本。区别是什么?电机还是那个电机,不会变小;电力还是那个电力。但三十年之后,生产效率能达到十倍、百倍的扩展,是因为组织流程发生了变化——不是围绕一条产线大家一起干,而是各干各的,最后统到一起,是制度和管理的变化,直接带来了生产力的跃升。

所以这几年AI转型里有一个很重要的概念,叫做“J曲线”:刚开始改造都会有一段混乱期,产能或者说能效可能会先下降,很多人熬不住这个低谷周期。上一代很多企业得益于互联网的发展,特别是电商企业,觉得买流量一烧进去马上就有效果。但生产力革命跟生产关系的革命有一个巨大的不一样:生产关系可以马上发生变化,生产力却有一个适配的过程——就像我们学习一样,啃一个学科,自己要经历一个痛苦的磨合期,磨合期过完之后触类旁通,就会感觉很爽。绝大部分企业不客观地来看这件事,会觉得,你不是说要给我带来先进生产力吗,怎么来了之后我们公司反而先混乱了一段时间——往往是看不懂这一点的时候,就熬不过这个周期。

AI原生组织

两极分化:企业AI也有规律

我们公司创业的初衷,本是想帮义乌那样的老板娘们做设计,但真实情况是常常帮不上——我去义乌小商品城陌拜的时候,被老板娘们怼过好几次:“你们这个跟豆包有什么区别,凭什么收69块钱?”直到我拿一位做美甲的老板娘的案例给她们对比,效果差距明显,才有人认可我们做的是专门训练过的东西。这些年跟几千家企业打过交道,我发现企业大小,天然决定了很多规律:大的企业能做大,一定有它成功的方法,我们最终从个体户一路做到500强企业都合作过——虽然跟大企业合作周期长、决策慢,但名利双收,也就还是做了。

这几年我看到一个明显的两极分化趋势:几千万到几十个亿规模的中等企业,未来很可能陷入“中等发展危机”。我把这个观点讲给一位西湖区的政府朋友听,他用数据印证了这个判断——西湖区最大的两家企业之外,特别看重从这些大企业里孵化、分裂出来的新公司,也很重视小微和大学生创业,形成一个生态。但他也提到,很多西湖区企业在疫情前发展很好,疫情后陷入失速,原因是过去的增长逻辑已经失效——如果企业还依赖老的增长惯性,可能会很快从几十个亿的规模垮掉。中等企业最容易陷入“上不去、下不来”的尴尬:往上实力不够,往下又不甘心,很容易在这个夹缝里失血。

未来的组织形态更可能是一个“哑铃”或者“杠铃”,而不是金字塔——以前是越往上越少、越往下越多的正态分布,未来会往两端集中:一端是“大而不能倒”,会被纳入国资、成为民生和战略储备;另一端是彻底小微化、灵活化,由很多小主体拼凑在一起。中间的中等规模会被这个过程挤压掉。

中间层的价值,会消失还是升级?

有同学问我,如果说社会往中高两端走,中间这部分是不是反而更有价值了——因为人少了,稀缺性上去了。我说这个要看中间这一部分原来靠什么在增长。举个例子,电商行业里,你如果只是个把亿规模的中等玩家,说没就没了;但今天,就像日本很多企业一样,你可能还是个把亿的规模,但你只解决了某一个细分领域里的头部问题——你是这个领域里的头部,不一定是整个社会的头部,本质上你就享受到了这部分优质资源。这几年国家在推的“专精特新”,讲的就是这个道理。

所以还是要看具体做什么。我能判断得出来,随着AI技术往下发展,你做的这件事情,会被冲击覆盖掉,还是会被增强?把它比作一艘船的话,AI来了之后,这艘船是会越升越高,还是会被水给埋掉——会有大量的企业被埋掉。

别给AI分工——通才比专才更有价值

有一位朋友提出过一个我觉得特别重要的观点:别把AI分工了。为什么?因为人类才需要分工,是人类有认知的偏见,所以你懂法务,我懂财务,他懂金融,三个分开来;但今天AI三个其实都会。

AI内部本身有MOE,就是专家模型在处理,但我们计算机认为的“专家”跟我们人认为的“专家”,有时候是不太一样的。你说两个老中医,都看同一种病,他们有什么区别?药材还是那些药材,调来调去大差不差,但他们最终的区别,是两个人的名字不一样、口碑不一样、积累的案例不一样——你说他们很不一样,但其实又很一样。再举个例子,两个男人看着区别很大,但从生物学的角度来看,其实是差不多的。

所以刻意给AI分工没什么太大意义,要看场景。我们今年开始调整了——原来做了很多分工,但你会发现分工之后还要协作,还要重新起上下文,还不如把一个AI当全能的人来用。我们可能会分项目组,那是因为要隔离,但本质上不是AI要分,而是上下文要隔离,可以理解成分文件夹。这十个AI本质上都是很强的,今天你有意把它区分开来——把财务的上下文给它、把金融的上下文给它——它就变成了所谓的“财务AI”跟“金融AI”;但在我们真实的项目当中,最好是把这些能力拉在一起。我们现在就变成,还是这一个AI,把财务、金融、法务全部给它。通才的价值比专才更大。

组织正在重构:从金字塔到以AI为中枢

这几年组织上还发生了一个很有趣的现象。前面几年我们做很多软件的时候,我特别讨厌做甲乙双方——我们现在做乙方,业务大多是这样的:我这个人很随性,所有客户都是朋友一样的关系,聊得来就做,聊不来就不做,我也不靠这个为主。这几年我们本质上都在帮企业做AI,做完之后交给企业的人去用,这里面就会有很多摩擦。

比如说有一家公司,我跟老板关系很好,老板搞定了,但总监搞不定;总监搞定了,员工搞不定——因为很多AI要真正产生威力,是所有员工都要用,而且要从上到下都用。所以我们公司客户其实只有五六个,但这五六个都合作了三年以上。为什么能合作这么久?就是跟他们达到了比较融洽的关系,他们不刁难我们,我们也愿意跟他们一起做。因为企业要的并不是一个具体的工具——工具市面上都能买到,最重要的是企业要形成一整套工具使用的生态体系和组织能力。

这是前两年的情况,但今年发生了一个特别大的不一样的变化:AI coding的能力起来了。比如说我为什么要有三个每月200美金的账号?过两天大家去我们公司看会发现,我们公司人没那么多,但屏幕很多,里面都在跑AI。我自己大概有四五个屏幕,现在做AI就像炒股一样。今天的AI只要用好,我这三个账号,大概等同于三五十个开发人员同时在干活。

今天的AI还能做到什么呢?这几年大家都在讨论,计算机专业的同学接下来该怎么办——因为写程序这件事,已经是被AI覆盖程度最高的了。我们现在能做到业务人员也能自己开发应用,所以未来计算机专业的人,应该要更像产品经理——去了解需求、了解业务、了解场景,这些可能才是最重要的点。

我给某大型电信运营商上课的时候,来的都是市场销售人员,我也是教他们正常用。下午的时候大家拿着它,只要你有理解,就给AI提需求,让AI帮你做成一个产品出来,你只要能把你的东西表达清楚就行。开发一个数字产品的流程大概就是需求、设计方案、开发、代码生成,做得好不好,不断给AI反馈,让它改,改到你满意为止——每个人都像在做老板一样。我们公司接下来准备做到全员的自动化跟半自动化研发,连生活作息都发生了变化:早上过来验收工作,喝点茶,下午开点会、给AI布置工作,晚上死命让AI干,第二天早上再过来验收,token没了就下班。这跟我刚刚说的电机来了之后流程会发生变化是一个道理——今天发生的流程变化,是人的组织流程在发生很大的调整。

还有一个最大的乐趣:我原来管两三百个人的时候,烦得要死,根本没时间,哪还有空出来上课?每天都是焦头烂额的琐碎事情。但自从有了AI之后,我看到了一种新的可能——终于不用跟人打交道了。我们公司现在组织结构也发生了很大变化:基本上两三个人做一个业务,自己干。我们现在叫公司“OPC化”——你来不来上班随你,如果你做的是客服业务,不要把客户投诉到我这,你能把客户很好地解决掉、把钱赚了,我就开心;如果没有业务,我给你们发一年工资就当投资,一年做不出东西来,第二年就别来了。组织流程发生这么大的调整之后,管理者也发生了巨大变化——以前要协调这么多事情,烦得要死。

我今年甚至第一次有了念头:我为什么要开个公司,还养着这么多人?还不如搞一个共享社区,你们爱来就来,不来就拉倒,我自己去租个别墅,喝喝茶,指挥AI——产能反而变得更高。

我们去年开始已经几乎没什么管理了,他们爱干就干,不干就拉倒。个体超能的时代真的会出现,因为不再需要那些所谓的组织形式了——当然这是纯数字世界的情况,很容易这么做;跟物理世界打交道,还是要大量跟人打交道的。

还看到一个很有趣的现象:前两年我们是建设者,服务很多应用者;但从今年开始,应用者要自己开始做开发了,人人都进入到开发的状态。今天的开发能力AI已经非常强,强到很多企业老板过来,一上来就说帮我解决某个具体问题,我说你这个太细了,最好的办法是先培训——讲个半天,大家认知先提升一下,下午开始干,看每个人做得怎么样,花三个小时大家来做,有人做得好,有人做得不好,没关系,大家相互交流、相互激发。因为以前想让别人理解你的业务场景,沟通成本太高,今天你把它告诉AI不好吗?告诉AI之后,我也可以顺便问AI,你刚刚到底讲了什么——两个人之间、组织之间就多了新的桥梁。

所以未来的组织是以AI作为中枢、作为中心的,AI的中心可能就是真正的领导、真正的老板,你要做的是AI意图方向的牵引。未来的组织不会再像传统的金字塔——总经理下面几个副总经理,副总经理下面几个总监,总监下面几个经理,经理下面几个执行,这是传统工业时代的组织结构。

AI时代的组织结构是,中间是AI,AI旁边可能就是我,可能就是你,可能就是想要驾驭AI的人——你有AI的控制权、有AI的主权。有了它之后,外围会有第一圈的人,是AI的贡献者:今天你做什么无所谓,但本质上都是在用AI完成你该完成的事情。最外围,未来还会有一群人,是执行者——因为这个世界还有很多AI做不到的事情,比如说AI说要送个外卖,那总得有个人去送,外卖又会把数据返回过来。这一群人未来会像蓝领工作一样,去做AI做不了的事情。但最终一定要形成一个中枢去指挥——以前是总经理去指挥,AI时代应该是总经理外围有一个AI。我们公司现在就是这样,找不到我,问题怎么问?问一问我们内部的AI就好了,公司内部的人都可以访问,不知道该怎么做、要做什么判断,先问一下AI,可能就好了。

未来的组织会变成什么样?大家未来进入社会,要看一家企业是不是符合未来的组织形态,一个很重要的点,是看这是不是一群不一样岗位的人围绕AI在一起干活,而且这群人不一定要多——未来的公司十个人就够了,如果超过三十个人,我觉得就挺可怕的。

未来公司多大合适:精兵强将,不问学历

今天随便拿一家企业出来,说两百到三百人规模,我认为都挺危险的。未来要么能做到规模很大、大而不倒,要么就要回归到十个人到三十个人的规模,精兵强将。这也是这几年为什么找工作难——今年开始,大厂又在裁员了,因为他们也更看得清楚这个社会的变化,而且现在裁的都是那些工资高、原来躺着做管理的人。前两天我听说一家互联网大厂发了一个公告,说组长级别、管理级别,如果不亲自有自己的产出任务,未来都不算你的成果了——也要变成全员都是AI的贡献者。

所以未来的组织,大概就是所有人都不怎么开会,拿来就开始干活。我们公司其实从去年开始就已经是这样了:会开得很少,要开会大家就聊聊天一样交流一下,增加一点人跟人之间的沟通,剩下的时间就是你爱干啥干啥,我现在也不分你到底是什么专业毕业的,只要你足够能烧token,足够有想法,足够有创造力——管你是什么学位,管你年龄多少,初中生我都要,有时候初中生表现得可能比大学生还要好一点。未来的组织大概就是这个类型,纯AI原生化的组织是属于这样的东西。当然,工业类型的企业,可能还是要有很多传统的执行的人在。

六个机会窗口与人才标准

从L1到L5,企业的AI转型也像自动驾驶

企业的AI转型,跟自动驾驶其实很像。我把它分成L1到L5:第一阶段是把AI当工具用;第二阶段是用AI做半自动化的提效;第三阶段是人和AI能达到一个比较平衡的状态,相互增强;第四阶段是AI能极大增强人的能力;第五阶段是人机共生、共创,AI能反哺回来帮组织继续增长。今天大家在做的AI化转型,本质上就是看谁能尽快跑到L4、L5,但绝大多数人还停留在L1、L2。

这件事上很容易出现赢家通吃。就像车企的智能驾驶,用的人越多,数据就越多,系统就越聪明;越聪明,又能把这份智能复制给更多设备,于是又变得更聪明。谁最先跑到智能的前沿,谁的普及成本就会降得很低,后面的人就很难再追上来,头部效应会特别明显。

专家级智能,正在变得像铝箔纸一样便宜

在讲机会之前,我想先说一下这个行业最本质的变化是什么。OpenAI有一位分管商业化的负责人,是山姆·奥特曼请来的。他上任第一天写了一篇文章,中文翻译过来叫《人工智能成为赋能全人类最伟大的力量》。他大概判断了AI会给哪些领域带来最显著的变化,分了六类。

第一是知识密集型行业最先受到冲击,教育首当其冲——教育最大的成果是学历,所以学历会持续贬值,今天你在Github上有多少star,可能比作业做得多好更重要。跟知识高度打交道的金融、法律、物流调度这类计算密集型行业,冲击也会最先发生。第二是健康领域会迎来突破,我的判断是二十年之内人类告别癌症是有希望的,因为AI能帮科研去探索人类还没找到的边界,比如针对每个人不同的癌细胞做暴力计算、做仿真求解。第三是创意表达领域,今天的多模态AI让每个人都能把自己的想法更好地表达出来。第四是经济变得更灵活自由——大公司变难了,小公司变容易了,未来打工的机会会变少,创业的机会会变多,一个人借助AI,可能就能干过去上百人才能干的事。第五是时间被释放出来,大量自动化任务在后台跑,人就有更多时间做自己想做的事。第六是持续的支持与陪伴,我经常跟家长说,要有意识地把自己的思考、学习过程文档化存下来,这些都是未来独一无二的资产——AI了解你越多,给你的解答就会越懂你。

今年有一家知名投资机构讲了一个故事,我觉得挺有启发。美国华盛顿纪念塔顶端有一块碑,当年为了体现对华盛顿的重视,选用了当时比黄金还贵的金属——铝,因为那时候铝极其稀缺。但几年后,有科学家发明了电解铝的方法,能从矿石里把铝电解出来,铝一下子变得极其便宜,便宜到今天的易拉罐、口香糖的铝箔纸都是铝做的。

博士级的专家智能,会像铝箔纸一样廉价,用完即抛。

这就是AI时代的规律。今天不少研究人工智能、计算机的大学教授挺痛苦的,因为可能一辈子只研究了一个方向,技术一迭代,方向没了,自己也找不到下一个方向了。所以读博士的意义,本质是训练自己的能力,而不是把自己活成一张具体的铝箔纸——要跟AI一起进化,变得越来越聪明,那才是长期有用的东西。

顺着这个逻辑我又请AI帮我推理:按这个规律,未来哪些行业会有机会?AI帮我归纳的一条底层规律是:AI成本越低,什么需求就会越大。比如编程,以前找程序员太贵,今天AI都能写代码了,反而激发出更多需求——每个人都能像程序员一样去做产品开发,代码需求量是激增的。找到那些因为智能变便宜而被激发出来的需求,可能就是这个时代重要的机会窗口。

六个正在打开的机会窗口

把我这套推理逻辑整理出来后,我又让AI帮我总结,大概归纳出六条。

第一是人人拥有专家团。原来你想请一位特级教师、一位主任医生,都是稀缺资源,但今天AI给出的结论可能比不少专家更精准。当人人都能拥有专家级服务的时候,原来基于稀缺性建立起来的整个交付体系就会变化——比如我特别不喜欢去大医院,知名医生要托关系、要排队,是因为交付体系是建立在稀缺之上的;当稀缺不再成立,交付架构也就不一定是大医院、大机构了。

第二是信任基础建设会变得尤为关键。AI让聪明的东西变得太多了,什么是真什么是假,信任背书就重要起来。比如今天有个普通老板找我说组织了一批人来听课,我未必感兴趣;但如果换成一家大型企业来组织,大家天然的信任感就会强很多——它扮演的角色就是信任基础建设。我自己也愿意去学校挂个职、当个老师,道理也是一样:说自己是一家企业,人家未必信;说是学校的老师,信任感就完全不同。放到个人身上,AI时代、算法透明的时代,每个人的信誉口碑会格外重要。未来最好的方式是自己就是自己的品牌、自己的IP,把商誉和信誉积累下来,变成无形资产。

第三是智能到原子的桥梁。人们进入数字世界之后,反而更渴望从数字世界跳回真实世界,所以能在虚拟和真实之间架好桥梁的领域会很重要,最典型的就是具身智能——机器人。这几年相关产业的股价被炒得很高,配套产业都被带动起来,原因就在这里。

第四是AI正在变成新的语言、新的操作系统,这意味着平台级的机会。比如DeepSeek想做的就是AI时代的Linux,所以选择开源,想成为AI的操作系统。

第五是AI时代也会带来一批新的社会问题。我们公司就有员工说自己跟不上节奏,想回到过去的世界,我不会强求所有人都高频迭代,他适应不了也没关系。我今年元旦去云南,感受是那边不需要人工智能,晒晒太阳、吃吃美食、泡泡温泉,生活这样也挺好——这其实反映的是两极分化:越智能,背后一部分人反而越想回归简单生活。这也会带来一系列社会议题,比如山姆·奥特曼提过把一部分股份让渡给政府、公司赚了钱之后当作全民福利来对冲,本质上都是因为AI越发达,人们对意义本身的追寻需求也会越多。

第六是生物领域会迎来算力爆发。生物是人类探索太空和科技边界的最后一道门槛,以前人类的探索已经到了能力的边界,今天借助AI又可以往前走了,未来几年生物医药方向应该会有非常大的突破。

从工厂厂长,到脑子的厂长

AI时代需要什么样的人?二十年前开工厂的厂长,能组织好生产、接得到订单、交付得掉,就能创造价值;十几二十年前做电商的人,能组织好网络交易的流程,也能创造价值。今天最重要的能力,是能不能把真实世界的问题、行业经验和方法用AI重构一遍,变成一个高效组织,同时借助AI实现自动化办公、规模化持续优化——你是脑子的工厂,你是脑子的厂长。

如果家里本身有工厂、有产业,反而是很好的机会:以前想改造组织很难,今天可以重新去调组织、重新去编排智能本身。前提是自己要先足够靠近AI能带来的价值,你就是这个智能工厂的厂长,这也是下一代总经理应该具备的能力——因为业务本身会给反馈,你要不断重新排兵布阵,调出新的人机组合。

未来的办公,我觉得会是人不用特别多,但每个人手上会有很多AI在干活。有一次我让AI画了一幅未来办公的图,我说大部分都对,但有一点不对——未来的人不一定是坐着办公的,可能更像躺着办公,累了去泡个澡、吃点东西,回来躺着看着各种AI向你汇报工作,遥控指挥这个、指挥那个。怎么进入这种人机协作的状态很重要,这也是为什么我一开始要调研大家有没有用过这些AI工具——只有真的用过,才能感受到不同AI是有能力边界和特长的。

把每个AI都用一遍,才知道差异在哪

这件事我是从一个认识的小朋友那里感受到的。有一次她用完AI,我问她这个跟豆包有什么区别,她说觉得这个更聪明。小朋友都能感受到智能之间的差异,就跟人打交道一样,他能感觉出这个人聪不聪明——AI模型是有各自的“性格”和边界的。这几年我跟AI相处的时间,毛估估已经将近两万小时了,几乎所有的空闲时间都在跟AI打交道。今年我起码熬了半个月到一个月的通宵在写代码。有一次我的GPT账号好像被降智了,我那天特别焦虑,坐也不是站也不是,在公司里走来走去——就像房间突然停电了,手机又没电,你还能干嘛。

那天我就想,与其死守一个账号,不如把其他几个AI都用起来,买了账号一个个试,才发现差别特别大。豆包我用得很快,像百度一样快问快答,我还专门配了个手机装豆包,按住就能直接说话。GPT这个模型跟山姆·奥特曼很像,想法特别多、特别发散,收敛不住,去年那版我不太喜欢,像个很装的专家和博士,明明很简单的东西也要搞得很复杂,今年好很多了。Gemini是个懂科技又懂人文的“文人”,去年我用它写了三本书,写出来的东西不太有AI味,稍微调一调就很有人味。Claude是我用得最多、也是花钱最多的,像个有洁癖的工程师兼作家,动不动就帮你做减法、做整合、做深度,很适合把一个完整任务交给它,让它破解难题、给出结果。此外像小米的MIMO、智谱、Kimi的模型,各有各的特点,比如美学表现比较好的是Kimi,聪明程度目前是GPT更高一些。不同模型能解决不同的任务,值得都用一遍去体会差异。

真实案例,比文凭更值钱

有人问我,学历在贬值,但信任背书还是重要的,一张硕士、博士文凭,本身不也是一种信任背书吗?我说这可能代表了几年之后大部分老板的看法:更重要的是你怎么证明自己做的项目案例是真实的。文凭是信任背书的一个维度,但当文凭区分度不够的时候,更重要的就是真实能力——比如一个学计算机的同学告诉我,他在Github上有个项目拿了几千星,懂行的老板眼睛立刻就亮了,因为Github上的项目很难作假,过程中有持续的提交记录、有别人的反馈,是最真实的案例。这也是为什么不少企业愿意招高中生:只要他在Github上的作品足够扎实。

我今年面试了5个考上浙大研究生的同学,面试完之后我写了篇文章发在公众号上。我的判断标准大致是:这5个人的作品在我看来都偏纸上谈兵,所以都没通过。有一个同学是国内不错的设计院校毕业的,我问他为什么不用AI做,他说老师不让用。我说别听老师的,年轻人应该拥抱AI化,不然机会就都被上一代人占掉了。另一个同学的作品做得也不错,是个外贸智能体,我问这个课题怎么来的,他说是自己想的、为了做作品集专门做的一个。我说这就是空想出来的——你为什么不去找一家真实的企业,根据他们的实际需求来做?AI时代和过去最大的区别在于,过去你以为理论做完就完了,但今天最重要的反馈是有没有人真的在用、有没有bug、好不好用。如果只是模拟一份好作品,让AI来做,可能半小时就能做出一份一模一样的,那你做这份作品的意义是什么?但如果你是真的走了一线、看到了真实现象、有自己的启发,哪怕做得不够完美,那也是扎根在土壤里的,这对年轻人来说才格外重要。

如果两条都没有,我会直接问对方:你做的事情AI半小时就能干完,请问招你干什么,你的工资比我的token还贵。我承认这个态度比较极端,但我判断三五年后,大部分老板都会是这个想法,因为这套逻辑会慢慢渗透给正在转型的企业管理者。这也是为什么这两年不少互联网大厂开始大规模裁员——老板们已经意识到不再需要这么多人了。我有个同学在一家大厂,他所在的事业部四千人,平均每周要裁掉七八个,他自己都快裁抑郁了,每天做这种负面的事情很难受。我说我在教小朋友用AI,他反而觉得挺有意思,说哪天不干了,自己也想出来当个老师,教教小朋友AI,师傅带徒弟,好歹还有点成就感。

我判断未来几年社会会进入一个比较混乱的周期,这几年正好是很多年轻人步入社会的窗口期。家里条件好一点的,选择可能会多一点,但不管条件如何,都要更客观冷静地看待AI时代整个社会结构的变化——不是学历没有价值,而是学历会持续贬值,贬到最后很多人可能根本不太在意。有同学说,自己上课听的东西,可能都不如回家自己问AI问得透彻。这点我很有感触,我在浙大上课,六十个人里有六个人认真在听已经算不错了,不少老师上得都很崩溃,不太想给本科生上课,觉得学生也不太愿意听。我跟老师们开玩笑,说未来大学老师最重要的工作是搞钱、搞算力,免费给学生用,谁能给学生烧出更多算力,谁的学生成果就会更好——上课或许没那么重要了,导师会变得更重要,跟对了师傅,才是独一无二的资源。

人类最后的边界

有人问我,现在很多招聘考量的是“有没有产品思维”,但这个东西很抽象,有没有什么相对具体、可以量化的方式去判断一个人能不能胜任?我说我这些年一直在想一个问题:人类最后的边界是什么?想到最后,我觉得是说不清道不明的东西——越是能算得清楚的领域,越是AI擅长的领域,这类领域未来的机会,是用AI加上能算清楚的能力,去探索生物医药、新材料这些人类还没探索到的科研前沿。

处在中腰部的岗位会比较难受,比如一个高级程序员,很难在写代码、做架构这件事上比得过AI辅助的编程工具。所以如果所在的行业属于“算得清楚”的那一类,一定要往边界走。什么会成为壁垒?比如用AI去算股票,理性的东西都能算清楚,但算不清楚人性——贪婪、欲望、情绪。所以反过来,说不清道不明、要凭感觉的领域,以及人的直觉和判断,会成为最后的壁垒。

我有一个比喻:大学教授和幼儿园老师,哪个更容易被AI替代?一定是大学教授,因为大学教授的很多工作内容是能被算清楚的。但情感这类东西不容易被算清楚——我认识的一位幼儿园老师用AI用得比不少大学老师都熟练,大学老师往往只想不做,幼儿园老师做得多。所以所谓的“产品能力”,其实是一种综合能力。我给不少年轻人的建议是,趁年轻多去体验、多看多走,我有朋友的孩子最近在找实习,我给他的建议是:不用非得死守一家公司,趁实习期换十个岗位,不喜欢就走,各行各业都看看。

试错成本越低的时候,越应该去体验不一样的东西,让认知变得更全面,全面到最后才是所谓的产品能力。乔布斯怎么形容产品能力?他说是品味。他自己就是这样的人,去印度禅修、喜欢索尼的东西、练书法、辍学,东折腾一下西折腾一下,到最后他自己集大成,为自己做产品,理解自己真正需要什么。产品能力当然也有很多专业方法,以前这些学科会教很多套路,但我现在反而不太愿意再教方法论了——我认为只要方向是对的、是你真正想要的,就用AI,凭直觉走,走到遇到瓶颈的时候,再去问AI:我这里缺什么,应该补什么。这也是为什么我做Web coding这类课程时,喜欢拉一群小学生、初中生一起做。有个七年级的小朋友很喜欢音乐,他用AI做出来的产品比不少成人做得都好,因为他对那件事的理解足够深——他本身就是我们的老师,值得相互学习。你如果学的是计算机,也已经看到计算机被AI渗透了,不太可能再去做计算机科学家,那就要朝应用走,补更多综合能力,比如对人性、对商业的理解。

这些能力怎么来?要提升自己的阅历。阅历够了,对不对,自己心里是有数的。所以我这些年对K12教育的方法反而是反过来做的:很多时候不需要专门上课。我在浙大上专业课的方式是,第一堂课讲完,剩下的时间都是你们自己动手,过程中遇到问题先去问AI,AI解决不了的问题,才是真正值得人和人之间去交流的。学习能力在AI时代已经被极大释放了,今天只要想学,借助好AI基本都能学到。但有一些东西是AI补不了的,比如具身、感知世界的能力,这类偏人文社科的能力反而需要不断去锻炼。

创造力能不能被训练

有人问创造力这件事,感觉挺玄学的,很难量化,有没有什么方法可以有意识地去提升?我提到有个观点是,评价创造力大概有三个维度:个体、领域、场域。

先说个体。人和人的创造能力确实有差异,但本质上是可以训练的——比如设计专业的训练方式,该让你发散的时候发散,该收敛的时候收敛,不断训练思维拓展的能力,不断基于一种情况去求解、去找各种可能性。

第二是领域。创造力跟具体领域是绑定的,同一个人换了领域,创造力的评价可能完全不一样——比如我在自己熟悉的领域可以滔滔不绝讲一整天,换到不熟悉的领域我可能一言不发,我其实挺社恐的,不太爱参加活动,但讲自己的领域,连续讲二十四小时都没问题。这说明领域不同,一个人的能量输出会完全不一样。

第三是场域,也就是现场的氛围。这也是“氛围编程”这个说法的由来——你在那个场域里的感觉很重要。同样是听讲座和在学校上课,场域不一样,态度就不一样;跟熟悉的人在一起和跟陌生人在一起,状态也不一样。好的场域能激发人更好地表达。我们公司最好的待遇,是合作的老板可以拿着电脑到我办公室办公——我们本质上是乙方,我一般不去客户公司,除非是做调研,但我会请老板过来,因为只有把公司的事情先放下、坐在我办公室里,看着我们怎么和AI沟通,他才会真正有感受。有一次带小朋友做产品,一个孩子说自己没想法,不敢按按钮跟AI说话,我说你就直接告诉AI“我没想法”,他愣了一下,原来还可以这样。这就是场域带来的变化——以前我们习惯的课堂氛围是没想法就不能举手、不能表达,但换个氛围,没想法也可以直接说出来,跟AI聊聊也是一种表达。

不同的人也在互相影响、互相学习。比如我今年想让一个认识的孩子来实习,是希望团队里能有中小学生的视角——他们在的时候,我们再去开发面向青少年的产品,理解会完全不一样,甚至同龄人给同龄人做产品的理解跟我们也不一样。所以更好地做产品,一定要先从自己的真实需求出发,自己的需求都解决不了,想解决别人的需求会很难,产品力很重要的一点,就是要在自己真实的认知范围之内去做。

我理想中未来学校或者公司的氛围,应该更接近一间研究生实验室——年龄跨度很大,有工作十几年又回来读研究生的“大叔”,也有很小的、老师家的小孩混进来一起做,这种混合的氛围会激发出不一样的视角,你才会知道原来还有另一种可能。乔布斯说创造力就是组合,你看得足够多,自然就知道什么是对的;毕加索说不要抄别人,要抄别人的“魂”,魂就是内核。看过足够多、想过足够多、做过足够多,创造力自然就会出来。

AI加领域,就是降维打击

有人问,现在这个阶段,哪些行业比较难被AI取代或者AI很难进入?是不是可以理解成以后都是“AI加领域”的模式,比如AI加法律、AI加金融、AI加经济这类组合?我说这个方向是对的。我一直强调年轻人要拥抱AI,原因不在于AI是一项技术,而在于它带来一整套新的思维方式——我在浙大的招牌课程叫AI思维与认知,本质上是先给企业负责人“洗脑”,思维方式先转变过来,才算真正进入AI的状态。

进入这个状态之后,你会发现自己是在高维打低维。有一位投资圈的知名人士说过,年轻人掌握AI能力之后再去加传统行业,本质上是降维打击。我自己最近的一个感受是,昨天我们讨论公司的报价怎么定,大家表格算来算去、讨论来讨论去,我就跟自己说,为什么我不去做一套AI原生的报价方式呢?我昨晚花了两个小时自己写了一套报价系统,把报价逻辑都写进去,第一个客户报完之后,后面的客户就像点菜单一样直接选。

理论上这套思路可以套用在所有业务上。如果自己家有一间工厂,同样可以把每一道工序都用这个方法梳理一遍,能自己数字化的环节都自己开发一遍,这本质上就是降维打击。我现在去给不少K12老师上课,对他们来说是有一点降维打击的意味,不只是K12老师,不少浙大的老师也是,原因不复杂:他们缺少实战经验,也缺少AI的深度使用。我们现在也在做企业管理咨询,有人问搞设计、搞AI的怎么跑去抢管理学院的生意了,我说管理学院有几位老师真正管过公司、管过制造业?我管过。谁比我更懂AI用在管理上?没有。这不是我要抢谁的生意,而是这个时代本身就会有别人来抢——社会会进入一个极度跨界的阶段。

年轻人掌握AI能力,某种程度上是掌握了一件威力很大的工具,但要用好它,还是要去组合很多生产关系。为什么自己家的企业相对好改?因为你有决策权,组织关系相对好调整。我现在跟企业合作,基本只跟老板对接,因为下面的人我调整不了,只有老板能调整他手下的人,也只有他能真正调整整个组织的生产关系。生产力终究要落在对的生产关系里,才能真正被发挥出来。所以对年轻人来说,要学的不只是AI本身,还包括社会学科——政治、经济、社会学、哲学、人性,未来的先进生产力,归根结底是跟这些打交道。

上午的分享到这里告一段落,下午继续实操环节。