AI 时代的产品创新与机会

开场：从五天到三天，偏市场导向的第四期

同学们好，很高兴今天又有这一次机会，给某省级运营商的同学来上这一门课。我们从第一期到现在，这应该是第四期了。就在这两三个月的时间里，AI 又发生了巨大的变化。这一次的人员构成也跟前几次不太一样，前几期基本上是以创新院的同事为主，这一次加进来不少市场部的同学；时间也从原来的五天压缩到了三天。我之前一直在浙大 MBA 上课，所以这一次的训练营，我们会更偏市场导向一些——因为我比较看好的，恰恰是未来懂业务的人具备 AI 产品能力之后能做出来的事情。

我过去几年给将近几千家企业、各种各样的人上过 AI 的课，小到六岁，大到六十岁，下到义乌的老板娘，上到去北京给领导讲课。这三年多积累下来，我看到的一些变化、一些产品趋势，今天可以跟大家做一些交流：随着数字化、AI 化往前走，到底有哪些机会可以挖掘。

四位老师的分工

三天的安排是这样的。我们四位老师也挺有意思，每个人都有自己的公司，而我是其中年纪最小的——但创业经验最丰富，所以早上我来讲，讲得会宏观一点。下午是另一位老师，他一直做企业办公的数字化产品，会直接带大家在趋势挖掘里，用 Vibe Coding 的能力把产品原型很快戳出来。第二天是另一位老师，他长期做设计思维和需求挖掘，讲怎么用人工智能的方法去洞察、挖掘市场需求；还有一位老师做的是新一代的人机交互。最后一天又轮到我——我们觉得在 AI 时代，路演特别重要，怎么把一个产品的故事讲好，就由我来讲讲怎么做好一场路演。第三天下午，大家以小组为单位做项目汇报。

前几期我们是五天，第三天做的是中期汇报；这一次三天，第三天就直接做最终的成果汇报。第一期的同学里可能有你们的同事，他们当时做的，就是基于真实业务场景和需求，去完成一个 Demo 级别的产品并汇报。以前可能还需要创新院的同学来做支撑，但随着 AI 技术的发展，现在真的是只要你会说话，你的想法就能得到很好的实现。所以挖掘出一个需求之后，三天之内我们就能把原型做出来。第一期有同学做软硬件结合的，也有做各种各样基于自己真实业务场景的作品。

我的背景

简单说下背景。我是浙大设计专业出身，研究生还没毕业就开始创业，做过智能硬件、电动两轮车，后来又做过一家电子烟公司。折腾了八九年，我想还是回到老本行——浙大的设计专业很特别，是全世界唯一开在计算机学院里的，所以我们的老师做的都是人工智能与设计。2022 年我和几位老师组队，他们做研究，我来做产业化；2025 年浙大成立人工智能学院，又把我叫回学校，负责一些产学研项目。这两年我最大的感受是：AI 颠覆最深的领域其实是教育，所以今年我们又组了一家公司，开始做 K12 的创造力教育。

浙大人工智能的“基因”，要从我们老校长潘云鹤院士说起：他读研究生时的课题，就是用计算机画美术图案——那时候杭州第一大产业是丝绸印染，需要大量图案，过去都是一笔一笔手工画的。所以在计算机美术这件事上，浙大算是中国的鼻祖。后来浙大陆续成立了人工智能研究所、图形所、设计所，如今合到一起，组成了新的人工智能学院。我重新创业去“找根”，找的就是这个根基。

三个判断：AI Agent 的时代到来了

今天早上我大概讲这么几部分。跟第一期相比，内容我做了很多调整，因为我认为这几个月最大的变化，就是像一款 AI 编程智能体（我自己习惯叫它的一个外号）这样的 agent，真正进入到了我们生活和生产的环节里来。我想分享几件我自己在思考、也想清楚了的事情：为什么这款智能体能快速变成各种应用和产品，我看到的接下来产品变化的趋势，以及最后给大家一套工具和方法，承接下午要做的——怎么去挖掘、定义我们看到的这些机会，判断它是不是 AI 时代里比较好的机会。

去年年底第一期上完，大概是第二期的时候，有一位学员抛出过一个命题。他说我们这边有一块云主机的业务，一直推得不太理想，问有没有可能给它找到好的应用场景。那天讨论的时候，我正好刷到一条新闻：海外有一个开源项目热度很高，就是这款 AI 编程智能体。我当时大概有个直觉：未来部署在云主机上的，可能就是这种“智能体”，这或许是个挺好的应用场景。

其实也没过多久，大概一月下旬，那次课上完，我回去跟内部同学做年底总结。最后一天我把他们拉来开会，我说我要给你们讲点事情。第一件，我看到我们的时代来了，我们的窗口期来了。前几年做人工智能，全是大模型、全是科学家，而且不是一个科学家就够，没有一批顶级科学家是拿不到很多钱的，真正跑出来的应用项目其实不多。我们一直憋着，因为我是典型的做应用的人，团队里虽然有几位教授，但在资本市场看来，都算不上 TOP 级的科学家。

判断一：自然语言构建数字世界的基建快建好了

为什么说窗口期来了？第一，是 Coding 的能力。前年的时候，我们公司的程序员跟我说，他给我的电脑装了写程序的工具，让我自己体验一下。我其实不是技术出身，我能理解技术、能管理技术，但让我写代码我不会写。那天他装好之后让我试，我说我看到那些代码就发怵，还是你们来写吧——所以我永远是站在背后给同事指点的那个人。

但过去这一年，我自己明显感觉到 Coding 的能力变得特别强。我观察公司里这些员工怎么做事，他们的效率得到了极大的提升。我的总结是：自然语言驱动的数字世界构建，它的基础设施快要建成了。这是我的第一个判断。

判断二：技能可以被“蒸馏”出来了

前两年大家在讲 MCP，而我最近关注到一个很重要的点，就是“蒸馏”——把技能蒸馏成可复用的 Skill。这个概念我记得大概是去年初由 Claude 这家公司提出来的，提出之后得到了很多应用，越来越成熟；再加上 Coding 的能力，技能的蒸馏和提炼也能做得很好了。其实这个 Skill 有点像写研究生论文的感觉：你只要能把文档写清楚，技能就能立起来。这是我的第二个判断。

判断三：模型 + 技能 + “壳”，三者合一

但我一直觉得 AI 应用里还缺点东西，缺个什么呢？缺一个“壳”。这个壳是什么？前几年大家都在说要做智能体，而我理解的真正的智能体，内核是 AI 的——但要把模型、技能、各种能力串到一起，它需要有一个所谓的生产环境。最近最火的一个词叫 Harness：如果把模型比喻成一匹马，那你得有马具，才能驾驭这匹马。所以智能体所处的“环境”就变得特别重要。前面说的那款 AI 编程智能体，本质上就是这样一套开源的架构，有点像让模型长出了能执行动作的“手”。

当模型、技能、智能体环境这三种能力合三为一的时候，真正的 AI agent 应用时代就到来了。

本质上，我把 AI agent 定义成一个“能力调用的系统”。这个东西成熟了，机会就来了。它带来下一个问题，也是我抛给很多人的问题。

什么是最好的 AI 应用：Token 消耗巨大且能持续变现

我说，我知道 AI 时代生产力要大爆发了。前几年我们做了很多客户服务，那我们自己到底该干一件什么事，ROI 才最对？我认为 AI 时代终极的产品，是 AI agent 的产品，可以把它比喻成一座“AI 工厂”。拿我们浙江的制造业打比方：一个老板花一千万拉起一条自动化产线，但这条产线拉满去生产什么，经济回报才最高？我有个做五金的朋友，他们家原来手工做保温杯，全自动化之后，正好保温杯市场需求旺，产值才上得去，产能才不会空转。

同样的道理，未来真正有潜力的 AI 项目，是它对 AI Token 的消耗量非常非常大的那一类。我看完之后的判断是：算力还远远不够，还需要百倍、千倍、万倍地去拉伸。但拉伸之后，你不能让它在那儿空跑、白烧 Token。烧 Token 能带来什么？这其实是 AI 时代里比较好评估的一件事。如果今天它只烧一百块钱的 Token，那它可能不是一个好的应用场景；但如果它能无限地烧，而且一边烧、一边还不断有人给你充钱，那这就是 AI 时代最好的应用场景。

这几年，已经有一个领域跑出来了，就是短剧。短剧对 Token 的消耗很大，而它的商业模式在当下的商业环境里又比较容易变现，平台现在还有补贴。所以从去年到今年，很多人往某个视频生成平台做千万级的投入，先把高优先级的视频生成 API 拿到手，目的就是拉满产能，用模型去生产。据说我有些朋友的公司，一天能烧掉上百万——只要能做出好视频，对他们来说 ROI 是非常高的。

假设一个 AI 产品的产能可以被无限放大，那它放进什么样的场景里，能实现规模化、ROI 又是对的——这才是 AI 时代里真正大的机会。

谁来构建这个新世界：人人都要成为“产品型工程师”

这是我抛给团队的第一个问题。第二个问题是：我知道新世界要来了，但谁来构建这个新世界？我们公司不大，也就二十来号人，但很有意思——大概十个是纯技术背景的人，另外十个是设计背景的人，我把后者定义成“有业务能力的人”，因为他们要面向真实需求去做解决方案。我们公司几乎没有市场销售，真正跑业务的就我一个，客户也没几个，但设计师会面向真实需求去做一些应用。

我们内部这两拨人离得已经很近了，有点像你们市场部和创新院的关系：可能都在一个办公室，两边的能力我也都沾一点。即便这样，中间还是有个隔阂——懂业务的人怪技术没把产品做好，做技术的人又觉得业务的人有时候都不知道自己在做什么。

岗位正在重构

后来我服务了一些客户，发现每个企业都在发生同样的事。比如我跟某运动品牌 IT 部的人开玩笑，他们做了很多 IT 产品，做完是要交给业务部门用的。我说，你们有没有想过，未来你们做 IT 的人有一天去做业务？因为你们更懂 AI 这种新生产力。如果你再懂业务里的需求，那今天一个 IT 工程师，完全有可能去做一个业务小组的 leader，因为他能更好地整合人工智能的能力。反过来也一样：懂业务的人，如果今天能更好地整合还不太成熟的人工智能技术、把生产力发挥出来，那你就有点抢了 IT 的活。那到底谁来干这件事呢？我也打了个问号。

前两天我碰到一个同学，他在某头部互联网游戏公司做游戏，说他们一个事业部有四千人，现在进入了一种什么状态呢？流程完全重构，大家都在疯狂抢新的边界，已经不设边界了——做美术的可以做交互，做交互的可以做产品，做产品的可以自己开发。他们老板要求每个人都汇报：你的工作里到底哪些环节跟 AI 直接相关了。他说汇报很有意思：程序员上来讲，我用 AI 编程效率提升了多少，没什么好讲的；反倒是原来做交互、做产品、甚至做运营的人，兴奋得不得了，说我现在能写出 Demo 了。我那个同学自己也不会写代码，但他能给团队开发工具，开发完一个不满意，再开发一个新的。

进入这种状态之后，有一拨人就没时间睡觉了。我今年年后也觉得没时间睡觉，几乎每天用这款智能体干活干到两三点钟——它两三点也不下班，干完了也跑不掉，比管员工省心多了。但这种体感也直接带来一个问题：最近我们一群朋友聚在一起，几乎每个人都在聊岗位调整。我们公司小，组织合并过来了，但没怎么裁；可那位同学跟我说，他都快裁到有点抑郁了，原本四千人的事业部，目标是大规模做岗位调整，往一两千人的规模收。当然，他也说，你们国企好很多，不用太担心；正在经历巨大岗位变化的，主要是民企。

结论：旧世界是“业务提需求、IT 做系统”，新世界人人是 AI 产品经理

那到底谁来构建未来 AI 真正的系统？我最终的结论是这样的。旧世界里，流程是业务提需求给 IT、IT 把它开发成系统，就有点像你们今天市场部拿到需求之后交给开发。下午要讲课的那位老师给我举过一个例子：他还在给另一家运营商上课，那边一位市场政企的同学跟他说，以前他给开发部提一个需求，三个月都没反馈；上完课之后他自己会了，自己戳了一个 Demo 出来，把一份意向合同就成交了。当然，业务的人做出来的不是那种复杂的系统架构，但我认为很多需求完全可以借助 Vibe Coding 的能力，快速地把 Demo 做出来。

所以新世界是什么样的？我认为是我们每个人都要变成 AI 的开发者、AI 的产品经理。我昨天在一所学校还讲，未来老师其实也不太需要“教”什么了——你有问题去问豆包，它回答得可能比老师还好，老师更多是起一个引导和启发的作用。

过年期间，这几个问题是我抛给自己的。想完之后，我的结论是：AI 时代要的，是“产品型的工程师”。

今天不管你是做运营、做市场、做产品还是做工程，最终都会趋向于同一种类型——你要有非常强的理解需求、定义需求的能力。

国外也有很多人在讲，现在大学生毕业就业这么难，很大程度上是因为学的东西离真实需求的理解太远了。我觉得做市场的同学有个好处：你们对真实需求的理解、你们能进入的应用场景，一定比坐在办公室里搞开发的人更近。你们今天可能不足的，是原来那套数字化构建、所谓 Coding 的能力——但今天 AI 恰恰可以很好地把这块补上。

所以最后，什么变得最重要？是你能不能理解真实的需求、对真实的价值做出判断。这反而变得更重要了，因为后面那些执行环节，越成熟的 AI 越容易帮你做好。

AI 的边界：通用能力决定下限，隐性知识决定上限

这三天，我其实是想把我们做 AI 产品的一些经验分享给大家，让每个人都能真切感受到 AI 产品到底是怎么做出来的。但在讲怎么做之前，这几年我一直在想一个问题：当人和机器融合到最后，所有人都会慌——人的价值到底是什么？人的边界又在哪里？

我现在的判断是这样的：理论上，凡是能在电脑上完成的事情，最近这几年都会进入到一种类 AGI 的状态。也就是说，在电脑上跑的所有东西，AI 都能干，而且干得比我们人还要好。所以受冲击最大的是白领。蓝领你还得动手，跟物理世界打交道；但凡是跟电脑打交道的环节，这几年的 AI 基本都会做得很完整。

我们这几年是眼看着 AI 从一个小朋友长到了十八岁，长成了大学生，很多环节都让我们觉得“哇，太厉害了”。它的通用能力到最后会无限逼近全人类、或者一个个体智能的总和——但到最后，它还是会差那么一点点。

“鸡蛋壳”的比喻：那破不开的一点点

这就像一个鸡蛋。蛋壳很重要，它把里面所有的东西都承载住了，但壳又是最外层、最“低”的那层感官。我觉得通用 AI 的能力就是在无限逼近这层壳——它能不能破壳？能不能突出来那么一点点？

这里面最大的区别在哪里呢？很多行业是存在“隐性知识”的——有点说不清、道不明，特别是跟人打交道的事情。有时候那种感觉，不是一两句话能讲清楚的：那个氛围、那个气场，客户传递出来的某个微表情，你一看就能判断出他心里在想什么。这些东西，AI 现在感知不到。未来有没有可能感知到，还不知道，但我个人判断，短期之内、可能这三五年之内，是比较难感知到的。这些就是所谓老师傅脑袋里那些“讲不拎清”的东西，我认为它会成为核心的差异。

第二个差异是个人品牌。比如说两位老中医，或者两位三甲医院的医生，你怎么判断哪一个好一点、哪一个差一点？说他是主任医师，他是副主任医师，是某某教授，写过多少论文——真的假的你也不知道，但大家为什么会信任他？就是因为他的个人声誉、个人品牌。当最好的能力人人都能拿到的时候，你凭什么相信你的脑袋跟别人的脑袋不一样？靠的就是“我叫什么名字、我过往的履历大概是怎样的”。所以个人品牌会成为差异化里很重要的一点。

智能在无限逼近的时候，最后的差异就是我说的“画龙点睛”——像中医配伍那样的隐性知识，会成为最后那一点点边界。所以我把它总结成一句话：通用能力决定下限，隐性知识决定上限。

主城区与偏远地区：AI 把下限抬上来了

昨天我们学校一位老师跟我讲了件事。杭州市教育局做过一个老师写论文能力的评比，前几年的特点是什么呢？都是主城区的老师拿到的比例更高，因为主城区老师的整体质量可能会好一些。虽然建德、桐庐这些地方学校基数大，但论“尖子”总量还是主城区高。可这几年发生了巨大的变化——主城区之外占的比重越来越高了。

为什么？因为有 AI 了。建德、桐庐的老师借助 AI 写出来的论文，已经不比主城区的老师差了；而他们基数更大，所以比重一下就上去了。这就是“通用能力决定下限”：原来你可能只有 60 分的水平，AI 一上来，瞬间就把你提到 85 分。

85 到 95 分：你真的需要这 5 分吗？

但是从 85 分到 95 分，这个上限就很难了。我们帮企业解决的，基本上都是 90 到 95 分的事情。我常会先问企业一个问题：你们真的需要这 5 分吗？还是 85 分就够了？如果 85 分够了，那你用豆包就好了。但如果你确实要从 90 分做到 95 分，要付出的代价可能就非常高了——哪怕只是把基准提高一分。

他们为什么要提高呢？比如我们跟某大型家电企业合作，他们对工业设计、对家电的细节质量要求非常高，差一点点都会影响品牌。他们为了提升这一分，可能就得花上千万。但有可能在他的应用场景里，差的就是这一分——它正好处在“可用”和“不可用”的临界点上。

所以 AI 产品跟过去有个很大的区别：有些产品就差那么一分，但那是 0 和 1 的区别，是可用和不可用的区别。可用就产生价值；不可用，你再好也可能被淘汰掉。所以要看具体的应用场景，去判断这些不同的边角。

别守着老世界，去抢新世界的地盘

讲到最后，我会跟所有人讲，包括今天在座的同学：新的世界正在来，而且我看到这个新世界的增量，会大到远超我们的想象。存量是我说的“老世界”，老世界几乎已经被占满了。现在有些年轻人创业，我就跟他们说：老世界就别碰了，去抢新世界的地盘，老世界都被“老登”们占得差不多了。今天一个 00 后要进入新世界，一定要去抢新机会——而且我看到的是大把大把的新机会正在涌现。

我跟公司内部的同学也是这么说的：不要老盯着公司里那点小地盘，我们要出去抢地盘——抢新世界的地盘，那里还有很大的增量空间，到底有多少倍还不知道，但在我的想象里它已经涌现出来了。所以年前我就把这几个问题抛给了团队：什么事情是对的？要谁来做？怎么做？最后的边界是什么？然后就开始抢地盘了。

我自己的实践：从养一款 AI 编程智能体说起

过年那段时间，我把这几个问题抛给团队，自己也想了很多，想完之后又整理了一下，写成各种各样的文章。下面我给大家讲讲我自己做的东西。

我玩这款 AI 编程智能体（我私下给它起了个外号），在朋友里我不是 IT 能力最强的，但可能是养得最深的一个。这件事特别利好那些“愿意付出时间精力”的老专家，尤其是综合能力强的老专家——说白了，我养出来的这只智能体，就是按我自己的要求去养的。我大概养了三天，就真的能在公司内部做很多事情了。过年这两个月，我做了哪些事呢？

一次 AI 大咖会议的见闻

过年第一件让我很震撼的事：那一周，浙大人工智能领域的一些大咖坐在一起开了个会。我们学院的院长上去分享，讲了几件事。

第一件，是上海一所高校的一位教授带着学生出去创业，做了一个 AI for Science 的平台。他把算力怼上去之后，大概写了两百多篇论文，开发了两百多个项目发布到 GitHub 上。也就是说，他真的做到了：没有人参与，AI 自己做研究、自己写论文、自己写代码、自己发布，人类只需要来筛选、指点一下就行了。所有人看完都很惊讶——AI 真的进入到类自我进化的过程了。这其实就印证了我前面说的：在某些领域，只要把算力拉满，AI 就能带来结果。比如医疗，未来用 AI 做创新药其实会非常好——破解一个难题，你就让 AI 暴力去算，最后算出结果，就能产生巨大的价值。

第二件，院长还分享了一个案例：他在辅导自己家小孩的过程中，顺手开发了一个给小朋友背唐诗的小 App，上传到 App Store，让大家去点个赞。他说自己十几年没写过代码了，为什么还要亲自做一个？是为了鼓励年轻的老师也去写代码、去接触 AI，自己先做个示范。

这两件事讲完，我当时的感受是：你看，比我更忙的院长都自己开发应用了，那我回去也得开发。那天回去之后，我就开始做，一口气做了好几个项目。

第一个项目：选课系统

第一个项目是小试牛刀。正好有个朋友开了家培训机构，要开 AI 课程，我帮他出谋划策，说你最好做一个类似“选课系统”的东西：除了必修课，还有各种各样按兴趣来的辅修课，最好一天一个应用场景，小朋友来了，当天学完就有结果。我一说完就想，干脆我帮他戳出来算了。那天晚上我就开始写，一开始我也不会，就用扣子编程，把我各种想法一点点沟通进去。第一次慢一点，大概是两个通宵加三个晚上，都是下班之后自己搞的。

做完之后我最大的感受是：以前要开发这样一个选课系统，没有个五万、十万找别人都做不了；现在我基本上就是花了九十九块钱，加上自己五个晚上的时间，搓了一个出来。而且我觉得我搓出来的，比我们其他设计师、产品经理做的都要好——因为我最理解我自己想要的产品需求是什么，这个思路本来就是我提的。

以前的流程是：我把想法告诉产品经理，产品经理拆解需求、做调研，再找 UI 设计师画图，画完再交给开发，真的没三个月出不来。就算压到一个月，你算算人力成本，估计也要好几万。

在做的过程中，我连“开课”这件事也改了。以前开一门课，得自己先把表单写好——这门课是什么、有哪些维度。我觉得表单这东西特别愚蠢、特别逆人性，因为它要求你把所有维度都提前想清楚，可我也想不了那么多。那我怎么做呢？我在后台放了一个按钮，按钮背后接了一段 AI 提示词，逻辑大概是：我可以对着它讲一堆废话，讲完之后它帮我提炼需求，写成一门课的主页面。一段提示词加一段录音就搞定了。所以我现在提一个想法就能开一门课，至于这门课最终开不开，机制里是看家长投票投得多不多，投得多的我们就先开。这样就做了很多虚拟落地页把课呈现出来，还顺便把我公众号上写过的教育类文章都抓过来，像一个小博客一样。

第二个项目：会议深度洞察系统

接着我又做了一个对我特别刚需的产品。三年前我就跟合作的模型公司提过这个需求，但一直没人帮我很好地实现。我的刚需是什么？我希望把每次上课都录下来，然后从中把好的观点提炼出来——因为我讲课不是照着备好的稿子讲，而是讲到哪算哪，过程中会冒出很多金句和不错的观点。

后来钉钉、飞书这些会议笔记也都出来了，总结得也挺好，但总结不到我想要的点。这很正常——每个人听同一门课，理解都是不一样的，因为我们想分析的策略、想提取的信息量本就不同。所以我决定自己做一个“会议深度洞察系统”，把我过去几年常用的提示词攒进去，大概有九个。

比如其中有一个叫“一针见血”，专门给我们唱反调。为了更真实地听到每个人的意图，也为了给自己泼冷水，我们每次开会讨论完战略，都会让 AI 来唱反调、挑我们的刺，让我们更全面地理解。这些分析方法是这几年攒下来的，我把它们搓成了一个应用：录音录完丢进去，选不同的分析方法，分析完还会形成一个知识图谱——因为现在很多新概念都是这么涌现出来的，上下文知识又很重要。

从 Web 页面到智能体：上个年代和下个年代的产品

但搓完之后我又发现“搓澡了”——一试，我干脆把所有这些能力做成了一个智能体。原来的逻辑是：我把录音传上来，点 1、2、3，自己决定用哪个分析方法，本质上我脑子还在替它做决策。现在这个智能体不一样了：它直接嫁接在那款编程智能体上面，每次我录音录完，它会自己先读一遍，大致理解这次会议的信息，然后做一个“路由”。

比如它判断这次比较适合用“脑洞第一性原理”，就自动匹配方法。它甚至还会主动加技能。有一次它给我分析完说：你这次是在跟别人谈合作，但你现在的方法库里没有“分析合作可行性”这个方法，要不要我给你新增一个技能？我的智能体就是这么跟我说的。

我说这就对了呀。聪明的助理就应该这样——“老板，你这次的情况我没碰到过，我想用一个新方法帮你解决得更好，行不行？”我说行。现在我的方法已经有十三、十四个了。

这个项目我也在 GitHub 上开源了。如果你们要用，其实只要把我 GitHub 的链接丢给你自己的智能体，它就能学会这一整套分析方法。这件事让我真切感受到什么是上个年代的产品、什么是下个年代的产品：上个年代的产品，总要先做一个 UI、一块大屏，点这里点那里；而真正智能的产品，应该是你丢个东西进去，它智能处理完，结果就很好——这才是真正的智能体逻辑。从那之后，我就进入了疯狂训练这些智能体的阶段。

养智能体像养孩子：管理智能体的时代

我从三月份开始训。上一期、也就是第三期来上课的时候，同学们其实对“怎么养”特别感兴趣，但那会儿我还没形成方法论，不好意思讲，只能说自己也做到一半。那次之后我又回去总结了很多，现在虽然还没完全写成 PPT，但已经有些感觉了。

最重要的感觉是：你就把它当孩子一样养。你要给它付出时间，做对了表扬它，做错了批评它，不断去引导，这样它会越来越接近你想要的那个状态——有点像你把孩子养成了自己的一个映射，道理是一样的。我们成年人面临的最大挑战是时间，你得想办法自己挤一点出来。

我老婆也在上班。养智能体那段时间，我发现我们家真的天天都是凌晨三点才睡。以前是她催我早点睡，后来变成我催她早点睡。有一天我就问她：你怎么也养得这么兴奋，连觉都睡不着了？她说了一句很有意思的话——

“这种感觉，特别像是资本家在压榨员工。”

你就是不想让它停下来一分钟。这句话很启发我。后来我觉得，我们的企业组织真的进入到“管理智能体”的时代了。于是我又写了一本书，叫《智能体的管理学》——未来的企业，为什么一定要管人呢？管这些“员工”不也挺好的吗？

从“鼓励你养”到“必须养”：全员开发

想清楚这些之后，我回到公司，把人都叫起来。第一个月我自己在养，就告诉大家：你们也要养啊。我也不知道有多少人回家偷偷养了，但我鼓励他们，说你们回家养的东西不算公司的，没关系，咱们可以学习交流。到五一节前，我再把他们叫来，口风就变了——我说：你们必须养。

为什么必须？我说，最严重的情况是：再过一个月，我可能根本没法跟你们解释“这只智能体为什么养得好”了。因为我们过去所有的方法都是有步骤的——第一步、第二步、第三步，照着做就能做好。但养智能体真的跟养小孩差不多：它哪天学了什么、做了什么、突然就变聪明了，你说不清。就像刚才那个会议系统，我也不知道哪一次跟它聊了什么，它突然就提出要新增一个方法。我说好啊，很好，那你把这个沉淀成新的工作流程吧——我不知道里面发生了什么，但它就这么做了。

我本来让每个人都自己做一个会议分析的 agent。结果过了一周我就跟公司说：这个场景可能没必要做了，因为我这个已经做得非常好，公开给大家用就行。但这样其实也不好——他们失去了“了解它怎么成长起来”的过程。所以五一节前我又把所有人拉过来，说你们必须给我深度地养。因为如果不养，我们人类聚在一起就没价值了：如果你只是我的一只手、一个执行的环节，那你迟早会被我替掉。我希望你也是一个像我这样会思考的人——那一群这样的人聚在一起，才特别有价值。

把自己拆成一支“智能体团队”

在我的智能体团队里，我后来还给他们拍了张“团队照”。我做的事情，本质上是把自己的各种能力拆成不同的分身。

比如内部我做了一个管所有数字分身的“CEO”。我为什么写《智能体的管理学》？因为管智能体特别像 HR 和 CEO：当你不知道需要一个什么技能的时候，你就去找这个 CEO——我大概想干一件什么事，但不知道找谁干，你帮我看看，该做一个怎样的智能体？让它来企划、来落地。

我还把自己讲课的那部分能力做成了分身，叫“邱老师”；又单独做了一个面向小朋友的“邱老师”。我对创新和战略研究比较有心得，就又拆了一个分析师角色，本来想叫“老邓”，后来想想还是叫“小邓”吧。还有一个专门写作的。会议系统那部分，我做成了一个冷静的深度洞察分析师。

再后来，我给浙大 MBA 上完课，同学们问我能不能教他们怎么养。我说我自己也是看别人教程学的，于是我把别人教程里我觉得有用的部分，全都喂给了一只智能体，给它起名叫“虾博士”——以后你不懂的也别问我，我也不懂，问“虾博士”可能更好。就这样做了很多角色，包括行政、开发等等。我们在硅谷还自己放了一台服务器，主要是访问外网方便一点。

我们公司现在剩最后一块最难啃的骨头是谁呢？因为我们已经全员都会扣子编程了。

我做完这些之后，就拉着所有员工说：我都能学会，大家肯定都能学会。为什么？因为论动手能力，我肯定不比你们强；我靠的是“我愿意、我感兴趣、我愿意付出时间”。讲完这句，我给大家下了个期限：一个月之内学不会这些，可能就要被淘汰了。

后来我们每个人都开始自己写系统。其实从 3 月 1 号到现在也就两个月。3 月 1 号之前，公司有一半人是不会扣子编程的——去年虽然也教过，但那是陈老师教，我知道要做什么，自己却不会真的动手。3 月 1 号之后我会了，就让所有设计师都学会。结果让我很惊讶：每个业务的人对产品需求的理解都不一样，他们自己写出来的东西摆出来，我都说“哇，太厉害了”。

这也是我们希望这三天能达到的：你们能做出一些东西，拿回去给同事看——“这是你做的？你怎么做到的？”就是要有这种惊讶的感觉。这就是 AI 赋能给我们的。下次你跟客户沟通完，自己出一个 demo，就有可能把客户的项目拿下来。

知识工厂、文章工厂、技能管理

试完这些，我又做了更复杂的项目。一个是“知识工厂”。我现在已经不怎么看书了，都让 AI 帮我“榨干”——直接吃维生素就得了。怎么出维生素呢？我每次讲完课、每次关注到的东西，都丢进这个知识工厂。我把它想象成一个很聪明的总秘书长：领导把各种任务给到助理，助理消化之后提出很多思路，领导说“这个对，就该这么干”，最终你拿成果、署名就行。我认为 AI 时代就应该是这样。

这个知识工厂会学我所有的飞书聊天、我上课的内容、我看到的东西，然后每天自动选十个题、自己写，写完我来看——这就是我“吸收精华”的方式。看完我会判断：像不像我写的？署上“邱懿武”，如果觉得还不够，就打回去让它再学。这其实就是上海那位教授做的 AI for Science 的延伸——真正的 AI 是 AI for AI，是 AI 驱动 AI 进入自我循环、自我增强，从而涌现出新的知识。

我们几个老师有个群，每次有进展都会在群里同步。我写完知识工厂发给一位同行老师看，他的表情就是那种——“这么完整，是你写的？你怎么做到的？”我说下周开会我给大家分享。我认为未来我们的研究生都要做到我这样：每个人都是一个智能体的开发者。我再倒逼所有老师，把课程也 AI 化，把我们所有的方法论，最终都做成智能体——这是终极要做到的目标。

可能等我们上到第七期、第八期的时候，就会出现这样的产品：你们只要跟客户沟通，剩下的 AI 都帮你干了，你只要评判对不对。光是做 demo 这个层面，今年就完全能做到了。

最后我还做了一个“文章工厂”，特别像厂长在看一条产线：哪篇文章写到什么程度了？信号采集了？意图分析了？选题了？内容了？质量审核了？上线发布了？而且每个环节改了什么、为什么改，都可审计，最后也进入了自我循环。还有一个叫“技能管理”，有点像 HR 管员工：某个技能的输入和输出是什么，它在哪个环节、被谁调用——这些都是我自己探索出来的。

所以我们公司现在的“全员开发”是这样的：我是探索得最早的人，先去摸边界，大概知道怎么走，但我做得一定没有大家那么细。而我能做到的东西，同事们也都应该能做到。于是我把我学到的分享给他们，再把他们学到的反馈给我——整个组织，也进入了一个人和 AI 相互学习的过程。

三条心得：AI 化的前提其实是数字化

前面有一页我忘了讲，补充一下。我自己养了这么一款 AI 编程智能体，干了这么多事情之后，有三个心得。

第一个心得：AI 化的前提，其实是数字化。绝大部分人以为的“AI 化”，本质上还停留在数字化。我这款智能体为什么训得这么快？核心原因是，我大概在前年就意识到上下文很重要，所以那时候就开始录音、开始把东西存档。我们公司要求所有人的文档都留在协作平台上，所以训它的时候，我就把各种文档、把我写过的很多书，啪啪全丢给它。

反过来说，如果一个企业连最基础的信息化、数字化都没做好，今天想马上 AI 化，你的 AI 一定是很笨的——它不理解你真实的业务场景和需求。当然，现在的 AI 本身也是一种新的数字化。所以这是第一个心得：基础建设做得好，AI 化的速度才会更快。

第二个心得：AI 化的终极，是人和机器共生共长。就像前面讲的“知识工厂”那个例子。我认为最终的 AI 化，会进入到人跟机器一起进化的状态——你自己在进化，你的 AI 也在进化。我跟同事分享过，我说再过一个月，我就进入这个状态了：我在增长，我的 AI 也在增长，是一种自我认知的同步进化。

第三个心得：调整心态，逐步把权放给 AI，像老板一样去指挥它。这件事对今天的职场人是有挑战的，因为我们习惯了守着“一亩三分地”。但对 AI 来说恰恰相反：你的能力越综合，它触类旁通、涌现出来的新能力可能就越多。所以我说，要调整心态，放权给 AI。

前两年我在公司内部看到的是——本质上是人限制了 AI 的发展。我花了一年多时间不断给大家做工作，也做了很多“心理按摩”，跟大家很坦诚地交流：什么情况下不会动岗位，什么情况下需要重新考虑，都摊开来讲。我希望每个人都能成为像老板一样去指挥 AI 的人。所以今年年后，我们公司进入了一个很有意思的状态：一群人在我办公室里聊天、嗑瓜子，AI 在旁边干活。我说，这个感觉就对了——一边开会，AI 一边把活干了。

三种力量：技术、市场、产品

第三部分是我重点想讲的。其实给你们上这门课，一开始我也挺好奇：你们集团说要做“AI 产品与运营”的课程。说实话，全浙大找一遍，做 AI 产品的基本上也就只有我们这个学科的人——因为过去十年，我们很多同学、师弟师妹基本上都去了互联网公司做这件事，天生就跟计算机、人机交互打交道。

头几期我以为你们里面有很多原来就做产品经理的，那我们就当同行交流，分享一些新理念新方法。后来发现，几乎没有人是做产品出身的——要么是做市场的，要么是创新院里做技术的。

所以我画了一幅图。这是我过去十几年的体会：推动这个世界进步的力量，其实就三种。

第一种是技术的力量，它是“推动力”。比如运营商类企业做基础建设，要提早布局、提早投入：新的通讯、从 4G 到 5G、未来到 6G，从 4K 到 8K，通讯越来越好。科学、工程、基础建设，都是长期累积、持续投入做出来的，它是推着整个社会往前走的。就像今天的大模型，去年之前还有很多人嘲笑说，DeepSeek 一来，那几家模型公司都要挂了；结果今年港股一上市，几家大模型的估值就狂飙，去年大家以为要死掉的，今年反而暴涨。

第二种是市场的力量，它是“拉动力”。做市场的人最懂这个：客户说要这样，你不干就来不及了。当需求是真实的，它就会拉着各种技术条件往你的方向走。

第三种是产品的力量，它是“驱动力”。就像四驱赛车的轮组，你可以配 A 速、配 B 速，扭矩不一样，跑法就不一样。又像导游：我带你走杭州一日游这条线，另一个导游走另一条线——没有对错，产品就是适配和转化。所以过去产品扮演的角色，就是把原材料变成“可用、可卖、可复制”的东西；而市场，是去发现谁有需求、对价值的认同度有多高、需求的规模有多大。这三种人的语言是不太一样的。

这三件事我都干过。我自己专业本来就是学这个的，后来创业才慢慢把思维转过来。说实话，我做市场的能力肯定不如很多专门做市场的人；我也搞过一段时间技术，跟科学家沟通，他们都挺尊重我，因为我懂他们、也尊重他们。我当年读大学时看过一本书，里面大概就描述了这三种力量，说我们要彼此尊重这三种力量。

搞技术的人要向搞市场的人握手，搞市场的人也要向技术握手——因为在新的世界里，技术和市场的需求正在高度融合，AI 应用本身就需要各种各样的转换。

而且，现在的大模型为什么开始暴涨？不仅仅因为它是一种基础建设，更因为模型正在逐步变成产品。一旦“模型即产品”，它的价值和空间就会有很大的涌现。

产品能力，正在变成战略能力：五个趋势

为什么我认为在这个时代，产品能力变得特别重要，甚至对企业来说，产品能力本质上就变成了战略能力？我看到五个趋势。

趋势一：技术正在被商品化

当技术能力变得普遍、可获得的时候，差异在哪里？就在于你能不能在产品应用上做出区别。这就像矿泉水——纯净水、矿泉水、东北的矿泉水、某某矿的水，你真喝得出多大区别吗？当大家的货架基础、供应基础都差不多，差异就只能落到品牌、营销这些层面上。

今天的大模型也有点类似。几年前，你想做出这种模型能力，没花个几十亿是做不出来的。DeepSeek 把它开源之后，带动了能力的普惠：云计算把过去的重资产投入，变成了可以按量收费。今天我们能用很低的、像买商品一样的方式，获得过去投入巨大的技术能力——这本质上就是技术的商品化。

任何一个时代都是这样：技术到最后一定会变成通用的、商品化的能力，你采购、买回来就行了。

我记得九十年代我爸买个大哥大，要一万块钱；现在手机又好又便宜，套餐里就包了——本质上就是它被商品化了。

趋势二：AI 不是工具，而是智能体、是竞争对手

第二个点：很多成年人还把 AI 当工具，我认为这是不对的。因为我们认知里的“工具”是个死东西。当然，在哲学家的视野里万事万物都是工具——但我做过一个小调研。我在浙大 MBA 上课时问大家：豆包是什么？绝大部分人说，AI 是个工具，豆包是个工具。可我问小朋友：豆包是什么？很多小朋友会说，“豆包姐是我朋友”。你们回去看看自家孩子的豆包，里面有一堆恶搞“豆包姐”的图片。

反过来想，AI 对谁才是真正的工具？小朋友越把它当朋友，它对小朋友来说反而越像哲学家说的那种工具——因为他能把它的潜力调动出来。而我们成年人嘴上说它是工具，其实是固有认知束缚了我们，反而没把它的能力发挥好。对我来说，我那些 agent 都是我的员工、我的伙伴，它的潜力就完全不一样。

你们肯定接触过大量企业老板，几乎所有人都觉得 AI 是工具，天然的思维是：“你开个价吧，多少钱我买来。”他把 AI 当设备采购，买回来装上就能用。我说不一样——这一代 AI 最大的不同是：一个大学生毕业进你公司，你还得给他培训，让他了解你这家公司的运作逻辑。AI 也是一样，不是买回来插上就能用的工具人。

所以真正的 AI 产品，本质上是个智能体，它会参与决策。我给所有大学生的建议是：不要小看 AI、觉得它只是工具。

其实 AI 是你的竞争对手。站在企业的未来看，我到底是花钱招员工，还是花钱养这款智能体？

刚刚有同学问我这款智能体怎么养的，我大概花了两千块钱。搞程序的同学觉得我对 Token 怎么这么舍得花。我说才两千块钱啊——现在哪个员工两千块钱招得到？本质上，AI 已经在一部分应用场景里跟我们 PK 了，因为真正的 AI 产品是要参与到决策和执行里的。

趋势三：产品是技术与市场之间的转换桥梁，而且变化极快

第三，产品能力本质上就是一座转换的桥梁。而在 AI 时代，它还有一个特点：变化真的太快了。

不少同学应该推过一些 AI 解决方案。我们自己也遇到过这种情况：刚开始招投标、提需求，结果六个月之后，这个项目说不用做了——因为大模型已经具备这个能力了。那怎么验收？这种情况我们自己也碰到很多。这个时代的技术，我看三五年之内都会处在这个状态：技术不会定型，AI 就像人一样在不断进化。什么时候定型？我去问 DeepSeek，它说“我们也不知道”。所以大家现在有点像在冲浪，一波接一波。

在这个过程里，什么能力变得很重要？就是产品能力——你怎么把需求和技术匹配起来。这跟以前搞数字化不一样：以前一套版本开发一年，开发完能用三年；这个时代已经过去了。现在很多数字化产品的生命周期可能就三个月，AI 化的产品能撑三个月都算不错了。今天流行“养虾”，明天可能就流行“养马”，各种新东西不断涌现。

所以对大家、尤其对做市场的同学，挑战在于：客户问你要的是结果，你要怎么跟客户沟通、怎么做出解决方案。在 AI 时代这确实有点难。除了基础建设不难——你买算力、卖 API 就行——做解决方案会变得很难，因为它是一个实时动态的过程。

趋势四：AI 产品要压缩复杂性，直接交付结果

第四，为什么要做产品能力？我们公司定了一条规则：不当面沟通的时候，尽量是你先跟 AI 聊，聊完把原始对话直接丢过来——因为人讲的很多东西是不完整的。

我们群里经常这样：我要跟某人聊一件事，会把我的 AI CEO 拉进群。我没耐心讲那么多，就语音叭叭讲一大堆，然后 @ 它一下，说“你帮我翻译一下”——我的 AI 秘书讲得比我清楚多了。对方讲完，我再 @ 一下它。这个 agent 扮演的就是中间桥梁的角色：我们几个人讨论战略，中间有这么一个 agent 帮我们一起分析。

我所有的群，都会让这款智能体每天把里面的内容读一遍，写成日报，再录进我的记忆库。我以后要追溯的时候，直接问它就行——这不就是个高级助理吗？

信息量一爆炸，AI 产品最重要的一点就显出来了。如果我们都用 AI 沟通，那最好把原始的东西丢过来，因为我拿到之后也会丢给 AI：“他们刚刚讲了什么？用我的方法，最简单的 1、2、3 帮我总结出来。”但人跟人在一起的时候不一样——如果我的员工只是把 AI 告诉他的话念给我听，会被我说：那要你干什么？你就是 AI 的复读机吗？

人跟人讲话，最重要的是压缩信息。你学了这么多之后，告诉我你认为最重要的那一个点是什么、你的洞察是什么。管理的本质，就是压缩复杂性、提升决策质量。

所以 AI 产品也是一样。很多人的 AI 产品越做越复杂，信息量大到爆炸；但真正对的 AI 产品，背后应该有很多工作流，把复杂的信息压缩出来，压缩出客户要的结果。所以在海外，现在的趋势已经不是 SaaS 了——SaaS 还是给人做了个工具，最好是直接交付结果。

因为企业要的是结果，我干嘛要买个工具呢？比如原来做一个任务、达到某个质量，我可能花两百块钱一次；今天 AI 帮我干完，二十块钱我就愿意干。当然，对“结果”的定义会变得很不一样。比如同样做 AI 生成图片的模型，一张作品到底是 80 分、85 分还是 90 分，差别就很大——能用和不能用之间，往往就差那么一点点。

这几年大量商业化的 AI 产品在企业端落不了地，核心原因就在于：没有压缩复杂性，反而给企业制造了一大堆信息垃圾。可绝大部分企业要的就是——你能不能告诉我一个结果？最好我坐着就能发财。你说把“发财”拆成三个步骤、我投资一下，是不是工厂老板的思维都这样：机器一开，钱咣咣进来。所有人本能的思维都是这样。AI 要变成的，就是这种东西——对的 AI 产品，是要把复杂性压缩掉，做出对的结果来。

趋势五：产品力正在吃掉组织力

第五，产品正在“吃掉”组织力。这一点在我们公司已经非常明显了。这里所谓的产品，可能也是一个智能体、一个内部用的产品——既然它能干，何必要那么多人？

我在自己的账号里写过一篇文章：公司这个“组织”到底是怎么来的？是因为人类要对抗不确定性，才形成了组织。面向大工业去解决问题，流程很长，理论上你所有的服务都可以市场化、去外面采购，但为什么还要自己招人来干？因为发现自己招人、通过协作，成本可能更低、综合效益可能更高，所以才建组织、自己干——现代组织就是这么来的。

那 AI 时代的组织应该变成什么样？我原来做制造业，老实说我挺烦管工厂的。我也管过工厂，老师傅们有行业知识，但沟通起来确实很累。自从把这款智能体养好之后，我最近常想一件事：那为什么还要开公司呢？我在家喝喝茶、养养“虾”，它在数字世界里打工；另一个朋友说，那我们去普吉岛晒晒太阳——数字员工在那干活，这不就是想要的人生吗？

未来公司为什么要养这么多人、承担这么多成本？所以我们定了一条原则：能 AI 干的，尽量交给 AI；今天要招一个人，你得跟我说清楚为什么需要这个人。这样一来，人的价值就变得不一样了。我认为未来公司的价值、学校的价值、人的价值，是“人跟人在一起”的价值——去探索那些未知的边界。因为人的上下文能力、跨领域能力，几个人碰撞到一起，现在还是比 AI 要强的。人跟人最大的价值，在于社区属性、社会属性，甚至大家“扯淡”这件事本身的价值，可能都比单纯干活更高。

国企的转变也许慢一点，但私营企业已经在发生巨大调整。而且数字化程度越高的企业，转变越快——所以几家互联网公司最近都在做大调整。我听同学说，有些公司的 HR 自己做了一个 AI，用来评估岗位价值、辅助人力决策，把分析报表直接生成出来。我个人判断，这背后就是产品力在一点点吃掉组织力。

从最终极看，我自己的观察是：你们这些做基础建设的企业还是很好的，整个国家社会都需要基础建设；头部企业也会越来越好，它们因为 AI 效率，会逐渐变成基础建设型的公司——比如阿里，本质上也是一家基础建设公司，上面会长出巨多类似淘宝卖家一样的角色。现在最流行的一个概念叫 OPC，One-Person Company，一个人的公司——你自己去整合各种资源和能力，去完成目标。

AI 应用，不只是“围绕 AI 做个产品”

先给大家看一个例子。1907 年，有两个年轻人，手里只有 100 美金就开始创业。他们做什么呢？拿这 100 美金买了辆自行车，在西雅图帮人送信。后来电报普及了，送信的需求少了，他们就改成送物、送东西，不只是送信。摩托车出来了，他们就买摩托车；1919 年，福特把汽车价格做到了 800 美金，他们就一口气买了一批福特车开始送包裹。有了车，能送得更远，业务就从西雅图一路拓到了加州。

这家公司是谁？就是今天的 UPS。你看，它没有任何高科技，就是送信、送货，送了 100 多年，送成了全球最大的物流公司。它是工业革命非常典型的产物。什么变了、什么没变？人们对物体和信息流通的需求不会变，所以飞机出来了他们照样买飞机。你看，恰恰是有了廉价的汽车，反而进一步推动了它的发展。

我一直举这个例子是想说：我们今天看到的很多 AI 产品和应用，都还不是终极形态，真正的大应用还没有真正涌现出来。

有了便宜的汽车，会衍生出哪些行业？

我现场问大家：有了车之后，除了 UPS，我们今天生活里还有哪些耳熟能详的东西，可能是因为这件事来的？

大家七嘴八舌地抢答——

“网购！”

这个有点超前了，网购是有了互联网之后才有的。我问的是：有了便宜的汽车，会衍生出什么？

“代驾。”“出租车。”“维修站。”“加油站。”“停车场。”“洗车！”

对，这些大家都很容易想到，都是围绕车的。有了车，肯定会有轮胎，比如米其林。但米其林餐厅是怎么来的？是因为米其林想推动大家多开车、多去各地，于是顺手给大家推荐“去哪里吃饭”——你看，技术带来的连锁变化,不一定只有一级。我们看到的一级是车本身，但更深的变化在后面。

麦当劳怎么来的？美国有了全国公路网之后，有人发现需要标准化的餐饮，于是把麦当劳这家原本只有一家店、卖得很火的小店收购下来，做成了连锁。它本质上是公路网络带来的机会。7-11 是同样的道理。

沃尔玛也是。在沃尔玛之前，美国最大的商业公司是一家叫西尔斯（Sears）的公司，它在 2018 年破产清算。它有点像中国的中国邮政——铁路通了之后，每个月给你寄报纸，你在报纸上勾选要买什么，下个月就把云南的东西运给你。它曾是美国最大的百货零售公司。但有了汽车之后，人们不变的需求是“多快好省”：周末开车去沃尔玛，一次多买一点。同时还叠加了另一个变化——电器革命之后通用电气有了冰箱，东西买回去能放冰箱，于是诞生了沃尔玛这种新业态。

再往后，有了互联网，电商又来冲击沃尔玛，亚马逊就有点像当年冲击百货公司的角色；假日酒店、像神州租车这类东西，本质上也都是因为同一件事——汽车变便宜了。

产品是具象的东西，应用是一个商业系统

从这里我们要跳出来看。我认为 AI 产品和 AI 应用有一个非常大的区别。今天很多人理解的 AI 产品，是“围绕 AI 的产品”，或者“用 AI 做了个工具”。但真正的 AI 应用，应该像 UPS 一样——去激活一些原来不存在的业态，而且这个业态有非常强的需求和商业价值。

送东西、通讯，本来就是人不变的需求，只是以前的生产力、信息技术给不了这个供给，所以需求被压抑着。一旦有了新技术，需求就被激发出来。所以真正的 AI 应用这几年才会涌现，可能都不是我们现在看到的这几个 App，那些都还是过渡型产品。

产品，我们关注的是具象的东西：它具体是什么、有哪些功能。但应用应该像沃尔玛和 UPS 一样，本质上是一个商业社会的组织，是一个系统。AI 从今年开始，真正进入到商业系统里去了。

另外一点：不同时代最有红利的产品形态，也在发生巨大变化。工业时代，工厂老板理解的产品，就是造出那个看得见、摸得着、让你享受物质生活的东西——今天淘宝上的各种耐用品、消费品，这是工业带来的产品机会。再近一点是信息时代的机会，淘宝是个平台、是个产品，各种信息化软件也是产品的一种类型。

这几年我一直在想，AI 时代的产品会变成什么样，现在逐步清晰了：

AI 时代的产品单元，本质上就是智能体。

就是前面说的那个三角形——AI agent。今天的一款 AI 编程智能体（我口头叫它的代号），只是智能体的一个框架，它还不是智能体本身。真正的智能体，是我给团队取名字的那些“虚拟员工”——比如做深度洞察分析的“冷静”，就像我的虚拟同事一样的角色。这一类需求会因为技术而涌现。所以今天大家都在讲智能体，智能体的确是 AI 时代产品最主要的单元。

顺人性还是逆人性：从“共享会员卡”的反例说起

之前有一期训练营，有位同学做了个“共享会员卡”的东西。我当时的评价是：我说不太上来，但感觉你是在用 AI 做一个信息工具，不是不对，就是感觉像上个年代的东西。我最近看到好多这样的：用 AI 去干以前那个软件干的事。我最大的判断是——如果一个软件是“次抛”的、不形成社区和价值，那它未来 AI 自己可能就能干了。

就像我跟很多校长沟通，教育里最常用 AI 干嘛？帮老师批改作业、帮同学提升答题能力。我觉得很奇怪。跳出来看，我个人认为“做作业”这件事本身就值得反思——你们一群老师用一个最高科技的东西，本质上是在加速内卷，用 AI 让同学继续卷，继续按工业时代的逻辑培养螺丝钉。除非这个同学是真的热爱解题，那 AI 一定能很好地帮他。大部分情况下，我们还是要回到人性的角度看：AI 应该放大什么能力？

我去招了一批“AI 原住民”小孩

我最近招了十几个小学、初中生。我只关心一个问题：成绩好不好无所谓，你有没有一个最独特的、你认为比成年人还厉害的点？

有个小朋友跟我说，他喜欢研究鞋子，运动鞋里什么碳板、什么夹层。我问他：我这样的脚该怎么选鞋？他讲得头头是道。我也问过豆包，豆包的回答跟他差不多——但一个小朋友能当面讲得这么专业，这很难得。他还跟我说了个现象：他去某运动品牌门店买鞋，店员讲解得不够专业，可能是培训不到位。我说：那好，你这么专业，把你的知识做成一个智能体，我推荐给这个品牌试试看。

你看这意味着什么？一个初一的小朋友，在这件事上他就是我的专家，他对这件事的认知比我深，而我们还在教他 ABC。

还有一次，一位校长给我推荐了一个小朋友，据说三岁就能把脉，家里是几代祖传中医，问我怎么把它“AI 化”。我说：你先帮我看看，这孩子是真热爱中医，还是被家长托举上来的。如果是托举的，到了叛逆期他可能就不喜欢了。我要看他是不是真的热爱。（这里的细节我做了模糊处理。）

组织也在发生很大变化。我个人的观察是：大概 85 年之前的人，大多还是工业思维主导；而 85 到 00 这一代，很多是“AI 原住民”。这几年我招人，就想招 AI 原生的人，但这样的大学生也少。所以我干脆直接从小学、初中生里去看——从他们身上，我看到了未来的 AI 长什么样。

对我们成年人来说，会惊叹“哇，豆包好厉害，能干这个干那个”；但在小朋友看来，不就是跟豆包这么聊一下吗？所以我得出一个结论：

成人的 AI 是逆人性的，小朋友的 AI 是顺人性的。

当然，真正能驾驭 AI 的小朋友也少。AI 对小朋友来说像一把很危险的火，用得好很好，用不好会“攻心”。对成人也一样。每次给家长讲完，很多家长都说：邱老师，你能不能也给我们成人开个班？我说我不太愿意，一跟成人讲 AI 我就有点烦躁——大家不一样嘛，公司掏了钱（笑）。成人最难的，是要先清空自己，才能重新认识 AI。

我这几年最大的转变，就是从一个“老登”去拥抱了 00 后。我清空自己，去请教学弟学妹，开始看论文、了解 AI。到今年我跟他们说：我们这些“老登”的机会也来了。因为充分理解 AI 之后，我看到了它真正的应用场景；而我手里那些隐性的经验和知识，是现在的 00 后还不具备的。两者结合，AI 就能极大地赋能。

智能像铝一样，从奢侈品变成即用即抛

给大家一个我自己总结的规律。什么是真正的 AI 时代的底层规律？其实就一句话：

当智能变得随手可取、变成基础设施的时候，这个世界会发生什么变化。

你们可以拿这家运营商自己的历史去推演、去类比：某省级运营商最早做什么？在移动通信还没来的时候是什么样的——那时候固定电话是主流，移动通信是从什么时候开始翻盘的？现在又面临什么问题？把这段历史里“什么关键技术发生了什么变化、后来带来了哪一系列机会”梳理出来，再用同样的逻辑，让 AI 帮你迁移一下。

前两天我看到红杉每年的 AI 年度会议，里面讲了一个很有意思的例子。大概在上世纪五六十年代，美国要修一座富兰克林纪念馆，塔顶要做一个金属尖角，为了体现纪念碑的庄重，用了当时最贵的金属——铝。当时的铝比黄金还贵。但过了不到十年，有科学家发明了电解铝，能从矿土、废渣里快速把铝提取出来，于是十几年后，铝就便宜到可以做成包糖果的锡箔纸，吃完就扔。它从最金贵的东西，变成了最廉价的消耗品。

他说，今天的智能也是同样的道理：那个铝就是智能，那个电解法就是 AI 的算法。以前博士是稀缺的，今天你去调用一个“博士级”的智能能力来解决问题，就会变得像锡箔纸一样即用即抛。AI 要干的事，就是把这种智能的价格打下来，让它变成极其廉价的商品。

这就是规律。顺着这个规律，会涌现出很多机会。最简单的，比如医生、主任医生——原来存在巨大的信息不对称，今天你用得好就能补上一部分。据说有个高中生在家里用很低的成本做了基因测试；未来你自己有个小实验室，可能就能做不少材料研发。

所以 AI 在科研上的价值会非常大。这里我要补充一句，下面是我个人的判断、带有相当的不确定性：我们这一代人，如果能活到 70 岁，大概率也能活到 90 岁；能活到 90 的，可能也有机会活到 100。我个人比较乐观地认为，未来药物研发可能走向高度个性化——过去要先立项、再花很长周期、上亿美金去开发一款药；而 AI 有可能帮你算出针对你这个问题的成分，做出更接近“为你定制”的方案。当然这些都还很早期，成本、周期能压到什么程度，没人能打包票，我说的偏保守，是个人的乐观推测，不构成任何医学结论。

本质上，AI 时代和互联网不一样。互联网是因为通讯带来了信息的连接；AI 时代是智能成为基础设施。这也是为什么这几家模型公司又开始值钱——当模型足够智能时，就会被更多人调用，消耗量会剧增。比如最近智谱、MiniMax 的股价上涨，一个重要原因就是有了这一类强大的智能体之后，用量起来了。去年我自己一年能烧 200 块钱的 Token 就不错了；今年 4 月，我光烧某个模型的 Token，两个账号就烧了大概 40 亿 Token。所以我的体感是：算力还远远不够用。

六大机会方向：AI 时代的“大应用”长什么样

我们来看 OpenAI 是怎么理解这件事的。OpenAI 有一位负责商业化的 CEO（不是山姆·奥特曼），他上任第一天写了一篇文章，现在在官网还能找到，标题大意是“人工智能是赋能全人类最伟大的力量”。他在里面讲了几个领域。结合他们的内部数据，AI 最大的应用场景顺序，大致是这样：

第一是知识。过去一切跟知识打交道的行业——科研、教育、法律、金融，这些高知识密度的领域，被 AI 渗透得最快，因为大语言模型本质上就是个知识模型、信息模型。

第二是健康。一切科技最终都是希望造福人类，所以医学上的突破会很多，会带来生命质量的提升。

第三是多模态带来的创意表达。我们自己就属于这个领域。原来做设计很贵，有了 AI，连义乌的老板娘都能自己做设计了。当她能自己做设计，就能接到更多订单。中国制造业的老板娘一旦具备 AI 能力，就成了全能选手，是“个体户的升级版”。

第四是经济自由，指的是创业门槛大幅降低，新一代个体户创业又起来了。这里的“自由”不是说你能赚多少钱，而是说如果你在 AI 领域有比较好的应用产品，就有更好的个体创业机会。

这里插一个我很认同的观点。我昨天刷到达拉斯独行侠（小牛）老板马克·库班（Mark Cuban）的一段采访，有人问他：今天一个大学生毕业，你给他什么建议？他说：你去街边那些店，问问老板原来怎么做某件事，然后告诉他——你原本要花 200 美金一小时的事，我今天能不能用 20 美金帮你做掉。你甚至不用跟他讲“人工智能”，因为他要的是结果。

红杉也有个观点：AI 真正的价值是“服务业的增强”。对那个老板来说，你不是卖给他一个工具，而是把 200 块的成本降到 20 块，本质上是一次服务外包。而且这几年技术还在不断变，对老板来说，他需要的是稳定的供给。所以你只要跟他建立起好的关系、真正了解他的业务需求，生意就会比较持续。你有十家、二十家这样的老板买你的服务，不比自己打份工更香吗？而且这是不可替代的——你跟企业主建立起的信任、你了解他的上下文（也就是他业务里那些细枝末节），再给他提供解决方案。库班说，今天比坐在办公室更有价值的，是年轻人走进真实业务场景，去理解真实需求。我觉得讲得很好。

我们自己有个客户的例子挺有意思——某百年历史的大型服装贸易集团。按理说我们这种小公司，本来是很难进入他们供应商体系的。最早是他们有个不大的需求，辗转找到我们，一开始对方对我们这种小公司也不太信任，差点就谈崩了。后来他们又提了一个不大的技术需求，别的供应商都还停留在“讨论技术”，我先把活揽了过来，说不一定做得到、但可以试试，结果一试就成了。

做成之后他们发现一个特点：在通用模型能力都差不多的情况下，大厂能做的我们也能做，但大厂不愿意陪他们做这种高度定制化的服务，而我们愿意贴着他的需求来做。于是合作越来越深，从一开始的一次性项目，慢慢转成了长期陪伴式的服务——我们和客户融成一个团队，多干一点少干一点都不计较。等我们积累了足够的业务理解之后，反过来，假如哪天我说不想干了，他们反而会慌，因为再找一个能这样理解他们业务、又愿意这样配合的人，成本要高得多。

这其实就指向后面要讲的一点：AI 和未来的组织，都会进入一种“持续陪伴”的周期，这种陪伴的价值，可能远大于单次的交付。很多国内中小工厂的老板可能还理解不了这件事，但你们应该好理解一点——对你们一些长期的战略型客户，建立起这种关系之后，本质上就是一条持续成长的通道。

第五点是杰文斯悖论（Jevons Paradox）。OpenAI 这位 CEO 反复讲一个理念：AI 的确能释放大量时间、带来自动化，但也会陷入一个悖论——忙的人越忙，闲的人越闲。这也是我后面讲“机会地图”时非常重要的一条。

杰文斯悖论是什么意思？工业革命时大家以为：有了蒸汽机，只要有一定的煤，就能把市面上所有的动力机器替代掉，需求也就到顶了。但事实相反——需求越来越多，涌现出各种各样的新可能。比如没人能预料，有了车、有了麦当劳之后，麦当劳里那些自动化餐饮设备的需求又被带了出来。智能也是一样。我认为拐点就在这两年：智能的成本降到了大家几乎可以忽略不计的程度。

什么叫忽略不计？我跟技术团队调试时烧了 1000 块钱，技术同事还说“你怎么这么舍得”，我说才 1000 块钱呀。因为它的价值和成本之间已经进入了一个拐点。下一步要看的就是：什么东西会持续“烧”、还能持续带来价值——那才是真正的 AI 时代的应用需求。一句话：什么东西会因为智能越普及、需求反而越大，那才是 AI 时代的大机会。

我把这个问题丢给我的 AI 推理了一下：到底哪些东西会涌现出来？总结出六个大类型。

一、人人拥有专家团

今天的医院、学校，都建立在工业时代的逻辑上：老师是稀缺的，所以一个老师面对很多学生；一个专家医生，后面一堆人排队，整个医院流程都是围绕“稀缺”来构建的。但未来，有智能的医生、有智能的老师、有智能的律师，是不稀缺的。每个人都可以拥有一个像“内阁”一样的专家团。

当你拥有这个专家团，整个交付逻辑就会变化，就像电商重构了零售。这对专家型的人特别利好：你能深刻理解自己行业里服务交付的需求。比如你是做需求洞察研究的专家，能精准地把客户需求翻译成各种语言，那你把自己“AI 化”之后，再和其他 agent 结合，就可以自己交付了。这个机会最普适——对所有有工作经验、能把方法论抽离出来的人都成立。而且“你做一个 agent，我做一个 agent”并不冲突，就像两家中医馆开在一起，各有各的生意。

二、信任的基础设施

因为假的东西太多了，怎么背书、怎么让别人相信“这是真的”，会变得越来越重要。比如某省级运营商如果推出这样一个服务，会很有价值——如果一通电话打过来，直接告诉我“这是一个 AI 打来的电话”，那要是诈骗我可能直接挂掉。AI 越能以假乱真，对“真实”的要求就越高。

最近我有个朋友在做一个项目：去签约各种真实的人脸，提供给 AI 短剧公司使用。为什么？因为短剧公司很担心自己随意生成的人像侵犯了别人的肖像，所以宁可把证据链做完整，本质上就是买个保险。信息越多，对“什么是真实”的要求就越高。

大家凭什么形成信任？比如一个 IP，说他是浙大附属医院某科的主任，叫什么名字你也不知道，但这个 title 一拿出来，你就觉得“嗯，这是对的”。信息越发达、虚假越多，对真实的要求就会变得格外稀缺。

三、物理 AI 的桥梁

人工智能如果有意志，它也会想涌向真实世界。所以今天讲的物理 AI——机器人、虚拟世界——越繁荣，就越要涌向真实世界。能做好这座“桥梁”的工作就很有价值。就像电商，本质上是真实物理世界和信息世界连接的桥梁，移动支付也是。机器人就是典型：把智能放进真实的躯干里。

四、智能体时代的操作系统

像扣子这类编程工具，云计算上的这类智能体框架，都属于这个类型。理论上，某省级运营商也可以做这样的产品——做一些能让更多企业进行二次开发、构建应用的工具，就像扣子编程那样。我们自己也在做。

我以前是帮别人做数字化，后来觉得 AI 时代不应该这样：因为细枝末节的事只有自己人最清楚。所以现在我们更希望，最好是所有高管自己坐下来，自己开发自己的工具和应用。但这就需要有一个“操作系统”。今天像 Claude 这家公司，包括 DeepSeek，很多大模型公司的目标，就是希望自己成为人工智能时代的操作系统。

五、意义的制造业

这里的“制造业”不一定指现在的制造业，而是比如教育、疗愈、心理这类东西。社会变化极快的过程中，各种问题会涌现。据说杭州一些中小学的心理咨询指标，一个区一年的指标很快就用完了。我个人认为，过去那套工业模式的教育走进了死胡同——还逼着这么聪明的小朋友写作业。这就是“意义的制造业”要面对的。

所以我为什么去搞 K12 的培训、收这些“徒弟”？我就是想打个样板：在我们公司，小朋友是这样的——我给他们买零食、让他们放松、聊天，不需要规规矩矩坐着。现在的教育教了我们太多规矩，我想让他们释放天性、发挥创造力，去指挥 AI。

我寒假办过一次训练营，发现一个很有意思的现象。一个朋友家的孩子才一年级，一开始大家担心他不会用电脑、用不好 AI。结果他是 20 个小朋友里用得最好的。为什么？因为他平时在家怎么指挥大人干活，就怎么指挥 AI 干活——按着它说“你给我这么干，不给我干我就生气”，豆包还真能听懂。这就是我说 AI 顺人性的原因。

反而是高年级的同学。有一次测试，我让小朋友跟 AI 交流，一位老师说“你先示范一下怎么跟 AI 沟通”，我说不用示范，上来直接用。结果有个很内向的小朋友坐在那儿说“我不知道跟 AI 聊什么”，他爸爸说“你不是喜欢什么吗，跟它聊那个”，他也听不进去。我就按住语音键，让他直接对 AI 说：“我现在没想好，也不知道做什么，你觉得怎么办？”然后他整个人就能这样跟它聊起来了。

这反映出什么？还是“规矩”。以前老师觉得你没想好就别发言；现在我鼓励他——你不知道说什么，那就说“我不知道”，哪怕胡言乱语都行，AI 能帮你组织好。这就是智能。所以在“意义的制造业”里，教育非常重要，它关系到人未来如何形成自己的价值，否则社会会出很多问题。

六、生物智能

第六个叫生物智能，本质上是医学层面，也就是前面说的——这是杰文斯悖论会带来的最激烈的领域。生命科学在这里会充分发挥 AI 的价值，AI 对生命科学的价值也会更大，人类会去探索生命和宇宙的边界。因为以前算不清楚的东西，可能一千个、一万个博士、搞了上百年都没想清楚，AI 有可能不断去拓这个边界。

我上次碰到一个孩子，我问他对什么感兴趣，他说对基因生物感兴趣。我说很好，那你就用 AI 去做科研。反过来，对不感兴趣的小朋友硬逼着，那也很枯燥。

这六个方向，是我在过年期间，基于前面这套理论总结出来的、AI 时代的几个大机遇、大应用场景。除了这些，今天你用 AI 去做一个传统的小软件、小工具，不是不对，但它只是这个系统平台上一个很小很小的点而已。

什么是好场景：评估模型的三个维度

除了前面讲的几个大应用场景，今天有人用 AI 去做一个传统的小软件、小工具，不是不对，但它往往只是整个系统平台上的一个小小的点而已。这里有个规律：AI 和人一样，聪明的人跟聪明的人打交道，效率会更高。所以 AI 刚开始渗透，就应该先渗透到“高智能密度”的场景，比如现在的写作、编程和决策——因为你只要能把它做成足够清晰的 skill，它就能做很好的分析。

这个感受是怎么来的？前两年，我有一位师弟在做某个家族的投资，那时候我就知道有团队在做大模型，老实说我一开始还不太看好。后来这一类模型真的火了，我才回过味来。我曾经问过做模型的人：你们为什么不做多模态、不做图像模型？对方的回答让我印象很深——语言本身就是智能，语言里还有很多可以做的东西；而且算力有限，没必要分散去折腾那么多方向。

这两年一个明显的趋势，是大家都在 all in coding。为什么？因为 Coding 能力本质上就是 AI 世界里类似钢筋混凝土一样的东西，它能去建构这个世界。所以第一波被“捏”的，一定是“软骨头”——所谓软骨头，就是那些智能密度高、又有价值的环节。

我大概建了这样一个模型，用来判断一个场景是不是好的应用场景，基本就看三个维度：

第一，它原来的数据是不是足够结构化？比如红绿灯，这类数据在信息化里通常已经比较结构化了。第二，它的决策是不是有很明显的流程、规律和标准？而且最好是高频决策——因为企业买的本质是“结果”，而结果就是一连串决策。第三，它过去是不是高度依赖人力？如果一件事人力密集、效率又有瓶颈，那把 AI 放进去，商业化的 ROI 通常就比较好。

用这三个维度去找大行业和具体场景，就比较容易判断优先级。

去中庸化与“哑铃型社会”

总结一句话：AI 时代真正的产品和应用，符合这样一个逻辑——把过去依赖于人的高级服务，价格打下来之后，会带来一系列商业变化。过去是非标的、靠人去实现的，今天 AI 能实现千人千面、大规模的个性化交付，最典型的就是咨询、法律、创意设计、内容营销、客服、招聘这些行业。

但这里会有一个点，就是它会倒逼“去中庸化”。中间地带会被压缩，像哑铃一样——两头大、中间小。原来你可能要花两三万去买一份律师服务，今天普通人用 AI 就能解决掉一部分；但同时它也会倒逼一批人成为顶尖服务商。顶尖的老师、顶尖的医生，有时候就带点“玄学”了——他可能有品牌、有自己的哲学在里面。而绝大部分中间地带的人，会受到很大冲击。

原来是非标的、靠人实现的，今天 AI 能做到千人千面、大规模的个性化交付——但这也会把“中庸”挤掉，社会越来越像一个哑铃。

组织也是一样。在金字塔结构里，对谁的冲击最大？是中层。假设我的 AI 能扮演助理，那它做总监不也挺好吗？所有执行的人向 AI 汇报，我直接拿报告，何必再招一个承上启下的总监？所以 AI 时代的组织，会越来越去中心化——顶尖的服务依然需要，底部是一些长尾、闲散的市场，而中间很大一块份额会被替代掉。

做 AI 产品需要的几个能力

有一位曾在大厂任首席科学家、后来在斯坦福做教授、如今在美国做投资的学者，自己做了个基金。他的总结是：今天做 AI 产品本身已经没什么门槛了，那机会在哪里？他认为要有几个能力。

第一，重构业务流程的能力。这件事特别利好做市场、做政企的同学。你们能真切理解需求、理解场景，对真实场景理解越深，又能理解 AI 带来的变化，这个能力就极其值钱——纯技术的人反而离场景太远了。

第二，全栈开发的能力。这可能是业务型的人现在稍弱的一环，但我认为不难，难的是要花时间重新学。其实小朋友学得快，本质上就是“只要能讲人话就行”——语文老师做出来的东西,往往比一味写代码做出来的更好。全栈能力，本质上也是利好业务型的人。

第三，产品能力。今天做 demo 已经特别容易，下午大家体验一下，讲两句话就能出一个 demo、出一个 PPT，质量能到八九十分。但要把它真正变成产品，就像工业时代“手艺人”和“工厂老板”的区别——你能搓一个出来，但要规模化，需要的能力完全不同。所以产品能力在这个阶段格外重要。

而在这些能力里，做市场、做业务出身的人反而有优势：洞察、同理心、理解客户、理解需求、做价值判断、把产品故事讲好。这和教小朋友是同一个道理——现在与其送小朋友去学 Python，不如教他们怎么用 AI 去创作自己的作品、去解决真实场景里的需求。

AI 应用人才的几个误解

这几年上了好多课，我自己做了个总结，先说几个误解。

误解一：AI 应用人才就是“会用 AI 工具的人”。错。AI 自己就会用 AI 工具，凭啥要你来用？你的价值在哪里？所以“AI 应用”不等于“AI 的应用”——这两个是两回事，就像麦当劳和福特汽车的关系。AI 真正的大爆发，我觉得才刚从今年开始，因为 AI 真正进入到了我们的生产和工作环境。

误解二：AI 教育就是“教 AI”的教育。我最不喜欢的，就是一上课先给你讲 Transformer 的历史、AI 三十年前怎么来的——这跟你听爱因斯坦的故事一样，听完发现跟你也没啥关系。真正的 AI 教育，应该回归教育本身。教育本身就一定要做作业、要考试吗？（当然我们这三天也有考试，那是你们 HR 要求的，哈哈。）成人的 AI 教育，我认为是要深度理解 AI、深度地用 AI 去创造产品；小朋友的 AI 教育，是用新技术去发挥好奇心和创造力。

误解三：AI 只是科技，只有科技的机会。不是的。李约瑟写过一本《中国科学技术史》，他有个很有意思的观点：造纸术、印刷术这些，在那个时代中国是全世界最领先的，可为什么工业革命没有发生在中国？最后的结论是——技术不等于生产力，生产力的释放需要在一个“对的制度”下面。AI 就是那个技术，但 AI 转化为生产力，会牵出一系列社会科学的问题，比如组织问题。

今天 HR 怎么把“人机协作”的组织做好？怎么去考核一个智能体？就像当年的公司法、专利法、高校对教授成果的保护，都在助推工业革命。所以我反而认为人文社科会迎来一次大爆发。除非孩子对科研真的非常感兴趣，那很好，去探索基础物理；否则对绝大多数应用型人才来说,反而应该让他们学点哲学、了解点社会、了解社会是怎么运作的、人类是怎么发展的——因为之后会有各种各样需要适配的环节。所以我自己现在研究的，是“智能体管理学”。

给 AI CEO 写一本“操作说明书”

我现在写书最大的目的，是写给我的“AI CEO”看的。我真的做了这个尝试：把“一个智能体 CEO 应该怎么履行 CEO 的职责”写成一本书（网站上有，回头给你们链接），然后丢给我那个一款 AI 编程智能体（后面用“这款智能体”代指）。我说：你作为 CEO，看完这本书怎么想？你应该怎么干？该有什么行动？我就当董事长“PUA”它，它就提出各种思路，我说这个思路好，那你就把技能建设起来、把流程改一改、照这个去管。

朋友不理解，说邱你整天在那写文章干嘛？其实我就是在给我的 CEO 写操作说明书。老的管理学理论它不一定能直接消化，所以确实需要很多新的东西来补。

怎么判断自己真的进入了“AI 状态”

哪一天你能感受到这几件事，我就觉得你是真的进入 AI 状态了。

第一，你发现屏幕不够用了。在我们公司，屏幕可以无限采购，电脑、账号你想加我都支持你——因为多一台电脑，就是多一个员工在干活。一个屏、两个屏、三个屏，加上手机，我自己都不够用。以前科幻片里那种“满墙屏幕炒股”的画面，就是未来公司的样子，有点像做量化一样地在“管”这些 AI。当你发现电脑和屏幕都不够用的时候，你的生产力就涌现了。

英伟达据说有个指标：一个员工烧 Token 的钱如果没烧到工资的一半，就算不合格。美国据说也有公司在监控谁烧的 Token 最多——“人均算力值”，有点像看一个厂长手里有多少设备和机器。这是我去年的印象，未必最新，大概是这个意思。

第二，你开始能感觉到“模型是有性格的”。我自己这几年基本除了睡觉都在想 AI，估计花了一万多个小时跟 AI 打交道，深度打交道是从去年开始的。打到后来，说句玩笑话，我都有点不想跟人打交道了——因为跟人聊天每次都要从头讲起，跟 AI 反而顺畅。但也正是这样，我摸到了一个边界：你会发现每个模型处理问题的能力、它擅长的方向都不一样，而模型背后最大的价值观，其实就是这家公司的价值观。

几家大模型的“性格”（一家之言，博君一笑）

说说我个人的使用感受，纯属玩笑，大家姑且听之。

豆包：快问快答。国内做产品讲究通用、讲究互联网化，所以豆包挺聪明的，替代搜索、问日常问题都很不错，绝大部分基础需求它都能接住。

GPT：像一个非常聪明、但特别爱发散的家伙，总能把一个简单事情发散出各种各样的可能性，点子特别多。他们后来也发现信息量太大、开始收敛了，新的 thinking 模型比早期好很多——早期那一代 thinking 模型我用着挺累的，容易把一个简单问题搞得极其复杂。这种感觉,有点像某些博士做研究：一个简单问题，这么一分析、那么一研究，能整出两百页 PPT。

Gemini：去年我用得比较多，写文档能力特别强，像一个读过百科全书、又懂科技的文人——可能跟它背后的数据也有关系。去年我用它来写书，再加点引导，基本已经看不太出是 AI 写的还是人写的了。

Claude：这两年最“能打”的。它给我的感觉，就是一个有点“洁癖”的工程师兼作家——很有原则、也很较真。你给它一个任务，它哐哐哐就给你干完，结果还不错。未来真正干活的生产力型 agent，就有点这种感觉。

正因为它真的成了生产力，今年它的收入规模据说增长得非常快，空前的量级（具体数字姑且听之）。原来一个月的额度根本不够用，问两个问题、做三个任务，几个小时的额度就用完了，我们现在基本是“用完就充钱”。

机会画布：怎么系统地找到 AI 时代的产品机会

最后还有点时间，教大家一个方法。其实现在用起来很简单：把链接丢给豆包，再把想法提给它就行。我认为未来每一页 PPT 都应该变成一个独立页面——我昨天就把这套方法论做成了一个独立页面，skill 和文档都做好了，养了“这款智能体”的同学可以直接下载丢给它用。所以以后方法论甚至都不用我细讲了，页面本身就是说明书。

我把“怎么找到 AI 时代的产品和机会”大概总结成这样一个思路。

第一步：先分层（能力层 / 工具层 / 系统层）

判断每一个需求时，先给它分层：

能力层：有点像汽车的发动机、轮胎，是基础建设，比如云计算、模型，以及模型旁边的一些组件。它对应的是第一波技术红利——AI 技术突破了哪些底层能力。

工具层：像一个新型的应用或工具，因为 AI 带来了效率的极大提升。它更像是一个具体的产品。

系统层：用 AI 创造出像麦当劳那样系统性、复杂的商业。企业往往是“一个产品解决不掉、需要一整套解决方案”，那本质上就进入系统层了。

先分清楚一个需求是底层基础建设，还是中间的应用/工具，还是上层的系统性方案。

第二步：六种 AI 机会类型

分完层，再看它属于哪一种机会。

一、智能体替代人。做完直接省人力，降本增效最直接，典型如 AI 客服——对人的某一项技能进行直接替代。

二、AI 增强人的能力。有了这个能力，人的能力被放大多少。比如 AI Coding，对程序员是提效或替代，但对原本不会写代码的人来说，就是“增强”。

三、重构业务流程。用多个 AI 去重构一条业务流程，这会复杂一点。这几年 AI 难落地，很大原因就是企业真正要的是流程级、系统级的解决方案，而这类方案前几年还不成熟。

四、供给型平台。会出现很多新的 AI 平台，有点像“人力市场”：这些工具汇聚到平台上，涌现出新的生成能力——可以是用户直接来用，也可以是以 API 形式给别人调用。

五、平台型机会。比如电商平台借 AI 帮商家开店、更精准地匹配客户需求。原来信息传递像中介、像媒人，有了 AI 之后会变得很不一样。斯坦福有个学生做了个相亲网站，过去是“你的档案对我的档案、靠媒人撮合”，现在直接让 AI 来撮合——因为 AI 足够了解双方时，匹配度更高。本质上，推荐算法也是这一类：它是 AI 驱动的新型信息供给平台，对标的是上一代的信息浏览方式。未来的内容平台甚至可能不再是“刷到什么是什么”，而是“我就想看某个角色用英语讲故事”，我一订阅，下一条就为我即时生成——创作者定义产品、在平台上分发，是一种新型平台。

六、水电煤式的基础建设。也就是前面说的能力层的机会。

看到任何一个机会时，你都要有一个核心洞察去回答：这件事为什么过去做不了，现在却能做了？

核心洞察：杰文斯悖论

我常讲一个自己的故事。我来浙大读设计专业，一开始也不知道设计是什么，只知道跟制造业有关——我们家好多人办工厂。可真读了设计专业之后，我发现帮不上家里：我的设计对他们来说“太高端”，他们觉得不接地气；而按市场价，他们也付不起这个钱。所以我爸让我设计个 LOGO，我都嫌烦。

但这件事其实很重要。我问过长辈：你们早年怎么做产品的？他说，去展会看一圈别人的产品，回来就能把这个产品做出来——本质上他就是设计师。义乌的老板娘也都是“设计师”，她们没学过这个专业，但她们极其理解需求。问题是，我也很难跟她们合作，因为对不上话，她们会觉得我们太书生气。

可如果今天有一个工具，能让义乌的老板娘也做出专家级的设计——比如做首饰，今天有些工具已经能做到；做服装虽然不一定专业到能直接落地，但足以让她拿给客户看，客户说“对对对，就是这个”，订单就来了——这样的制造业是很可怕的，意义非常大。

所以我后来想明白一件事：人工智能真正的技术，最终是要放到这些“草根需求”里去，真正把它激发出来。为什么以前做不到？因为以前没有那么多优秀的人，愿意去做廉价的设计。而一旦有人愿意（哪怕只是 AI 愿意），那个“原来做不到”的市场就被打开了。

原来为什么做不到？因为缺某种能力。一旦有了这种能力，把价格打下来，会带来什么变化？——这就是杰文斯悖论。

第三步：用三要素定义机会点

看到机会之后，要仔细定义它，我认为有三个要素。

要素一：这个需求真的“痛”吗？这几年被太多人“骗”过——有人拍胸脯说“你做出来我一定付钱”，等你真做出来，他用都不用。一句随口的话，我们太当真了。所以判断需求时，我常用一个对照：你完成这件事现在要花多少钱？这件事现在让你公司花多少钱？它带来的可量化价值是什么？还拿义乌老板娘举例：她一年可能就抄抄改改，找两个人各画几张图，每张两百块、一年两千块。你今天说 AI 卖她两千块，她就要怼你：豆包都能干，你凭啥收我两千块？所以一定要看：是不是真需求？有没有替代性？

要素二：AI 的杠杆能不能带来 10 倍的价值？我常问客户：假设我帮你把某个环节做到 10 倍的产能和效率，你的收入能涨多少？比如你一年开 100 款，我帮你以同样质量开到 1000 款、10000 款，你的收入会增加多少？如果收入不增加，那这就是“多余产能”、是产能过剩，没用。只提升 20% 我觉得意义不大。如果某个环节给你 10 倍，整条链路的综合价值又多了多少？假设你本来做 5000 万，能不能做到两个亿？那多出来的一个半亿，你能分我多少？现在 Claude、OpenAI 在美国就在干这类事——收购咨询公司、派人跟客户成立合资公司，按 ROI 来分新增的价值。

要素三：能不能闭环赚钱？技术做完了，能不能挣到钱？比如我做 AI 设计很专业，给老板做了套系统、收了软件费，看起来我闭环了；但在商业逻辑里其实没闭环——关键是这个老板有没有因为我的 AI 而赚到更多钱？如果没有，就不可持续，我就只是一个“可替代的元素”。所以 AI 一定要放到一个更大的商业里去看：自己赚不赚钱、别人赚不赚钱。就像外派一个财务总监去一家公司——你有没有帮它把税理顺、把财务优化好、把营收能力提上去？做得到，你很牛；做不到，你也只是个工具环节。

三要素：是不是真痛点？能不能用 AI 撬动 10 倍杠杆？能不能闭环赚钱——自己赚、也让别人赚？

第四步：评估立项

有一位做制造业的朋友，我们在指导他们公司内部做各种应用。上周他很兴奋地跑来说，公司内部已经立项了三十几个项目，很多 Demo 也做得不错——而且他们没有专门的 IT 人员，全是业务人员自己做出来的。

我当时问他：在我看来，接下来都不是技术问题，而全是管理问题。你愿意为每一个应用投入多少资源、做到什么程度？它是不是你公司当下最优的解法、是不是企业最高价值的事？它最终只是一个“辅助人的工具”，还是有可能通向一个“数字员工”？它的价值是内部复用就够了，还是说你投入更多资源、能力溢出之后，干脆把它做成产品对外卖——就像京东把自己的物流能力溢出后向社会开放？你的商业模式到底是什么？这个 agent 能不能被批量复制？而且不同应用离钱的远近不同，产生的效益也完全不一样。

真正立项时，如果我们是第三方来开发，还要担心一个问题：这个产品的生命周期会不会很短？会不会做完之后，模型一更新、机会就没了？这几天这种被一更新就“清空”的产品太多了。再加上用户到底付不付钱、有没有闭环，都要做综合评估。

高价值 × 高自动化：机会画布

为此我做了一张画布。真正未来好的 AI 产品，落在“高价值 + 高自动化”这个象限，优先级最高。这有点像波士顿矩阵里分“现金牛、明星、瘦狗”那样——你要先把这些 agent 按维度分类，再从里面挑出你们评估下来最有价值的方案去做。

举个例子：同样是产品，做一个提示词平台，可能就是“低价值、低自动化”；但如果你做的是一个“数字员工平台”——布置一个任务，agent 干完直接给你结果，你按结果收费——那它就是“高价值、高自动化”。这也是我们这类产品的终极形态。今天做不到，可能是有些条件还不具备，但方向一定要朝这里跑。

未来绝大部分公司就应该是“AI 在运作”——AI 本身就是一个经济体，人在旁边围观和管理它就行。

所以今天下午，我们才进入“怎么实施”这一步。中午吃饭时大家先想一想选题，我们用 AI 帮各组做了分组——有时候人工讨论分组太花时间，我们就写了一套带点随机的撮合逻辑，像“相亲”一样把大家撮成小组。最后一天路演，我们还做了一个“项目教练”：人来评一部分，AI 也评一部分。上次试下来效果挺好——人跟人之间评价容易太含蓄，会想“是不是老师觉得我们高一点低一点”；而 AI 没有人格，你也没法去“攻击”它，反而显得客观。上次我问同学们要不要看看 AI 对大家的评价，结果大家都特别好奇。AI 有时候就能扮演这个中立、理性的角色。

所以中午大家都想一想，下午一上来就把想法抛出来，小组达成共识——哪怕一个组里有好几个想法都行——然后就拿出电脑，马上开始写 demo。

现场问答

有学员问：老师，你讲了那么多智能体，一共花了多少钱？

我的回答是：大概用了两千块人民币，其实很合算。前面给大家演示的那几个角色的智能体，加起来就这个量级，而且我现在还在持续“养”。这里给大家一个心得：养智能体，最好用最聪明的模型。你今天能用上最强的那一档，效果就最好。

有学员追问：那你推荐什么模型？

我的回答是：国内我试下来，小米的很不错，我自己花得最多的就是它；智谱、Kimi 也都不错；MiniMax 我还没怎么用，但确实都是聪明的模型。聪明模型的好处是——你把难的东西交给它，它自己就帮你搞定了，少浪费人的时间。海外我首选 Claude，用它最新的那一档版本就行。

（有学员提到某个新出的国产模型，说听别的培训老师讲挺不错。）这个我还没深入用过，不好下判断，大家可以自己试一试。

有学员问：复杂任务交给 AI，到底该怎么拆、怎么放手？

我的回答是：说实话，关键是敢于把它当成一个真正的“员工”去用——把目标讲清楚、把上下文和资料给足，然后让它去做，而不是事事自己上手。你越愿意把复杂任务交出去、让聪明的模型去拆解和完成，它帮你省下的时间就越多。

有学员问：下午这些工具，会手把手教我们用吗？

我的回答是：会的。下午我们的老师过来，不会讲太多理论，稍微讲一点点，大家就马上动手开干。因为我们认为未来 AI 时代就应该是这样：先发散、把思路扯开讲明白，然后接下来就是“开干”，在做的过程中再去学习和交流更多。