商业中的人工智能

我的背景，和上课的真正目的

我毕业就开始创业，没正经上过班。早年做智能硬件，开过工厂、做过全产业链。后来觉得很多消费品已经做得没意思了，正好我们有人工智能和设计的技术积累，2022 年又成立了一家新公司，专门做人工智能设计。这几年做 AI，我有一个判断：人工智能颠覆得最重要的行业，其实是学校，所以今年我们几位老师又开始面向 K12 做创造力教育。

我上课不只是为了上课，其实是想去看世界上每一个人对 AI 真实的判断和理解。这几年我小到给六年级的小朋友上课，大到给六十岁的老教授、给干部、给最接地气的小老板娘讲 AI。讲得越多，我越想感受到真实世界跟 AI 的映射关系。

窗口期到了：三个判断

任何一个技术，刚开始一定是科技推动的，但推到最后，一定要进入应用的时代。我们团队偏应用场景，等了三年，我判断窗口期到了。理由有三个：

第一，自然语言已经成为人类的基础建设。去年我让技术同学在我电脑里装好 AI 编程软件，我说我也要学编程——我不会写代码、只会管团队。但我最大的感受是：只要你想得到，用自然语言就能做出你想要的东西。现在我们公司几乎所有技术人员都已经用 AI 在写代码了。

第二，能力被标准化封装、可以复用了。去年出现的一种“技能包”，本质上就像不断压缩到一起的说明书文档，被 AI 加载之后，能让它更好地理解你的上下文和标准 SOP。也就是说，最后一公里那点人的认知判断和能力，可以被标准化地调用和复用了。

第三，真正的智能体时代到了。我对 AI agent 的定义是：把几个能力跟网关组合到一起，形成一个“能力调度系统”。这一类产品出现，意味着真正的 agent 时代来了。

什么才是好的 AI 应用场景：把 AI 当“新工厂”

过去三年，每个人都跟我讨论 AI 应用场景，但我没看到特别兴奋的，除了短剧——它把 AI 的能力调度系统放进了一个能快速商业化的内容生态，有人一天烧一百万 token 都很正常，ROI 特别好。

我把新的 AI agent 比喻成“AI 工厂”：它就是生产力，假设无限给它充算力，它就能带来业务增长——这才是 AI 时代对的 ROI。但很多场景做到一半，往往是人限制了 AI 的发展：比如做 AI 服装设计，做一段时间就“AI 产能过剩”，其他环节跟不上。所以判断一个场景好不好，关键看：AI 在这个环节里，是扮演辅助角色，还是未来能扮演“新工厂”的角色？只有“新工厂”才会带来大变化。

谁来主导：产品型工程师的崛起

老世界里，大家觉得 AI 是 IT 的事：业务提需求、IT 去采购或开发。IT 懂技术不懂业务，业务懂业务不知道 AI 的新能力，两者之间有思维隔阂。新世界会变成：业务的人直接用 AI，直接把数字化搞定，变成新的系统。我把能整合这些能力的人定义为一种新的人物画像——产品型工程师：懂 AI，又懂业务，还能把业务产品化。

我帮企业落地 AI 的方法论

核心是几步：① 落地场景评估——几乎所有重要场景我都亲自去看一遍，理解它的 knowhow 和 AI 应用点，再带年轻工程师回去构建；② 规模化生产——千万不能让 AI 只当“做一件事的工具”，要 100、1000、1 万地把量怼上去，看它在这个业务场景的命中率；③ 筛选与判断——AI 一上来一般能做到 80%~90% 的质量，但企业难就难在差一两分就过不了质检，所以对场景质量的评估，直接决定了 AI 怎么构建；④ 更新——要有不断新的数据源和外部洞察，还要像人一样“再学习、再提炼、再巩固”。用这套方法，我们服务了不少世界 500 强客户。

人与 AI 的边界：通用能力定下限，破壳而出定上限

通用 AI 就像一个标准化的、不断进化的大脑，现在真的是一两周就在迭代。未来人的差异在哪？人最后的价值，是那些说不清道不明的隐性知识——各行各业的门道，就像老中医一看你脸色，配方就微调了。通用能力决定下限，能不能破壳而出决定上限。我也告诉公司里的年轻人（基本都是 00 后）：别在公司里抢地盘，要去“用 AI 重构的数字社会”里抢地盘——那是一片全新蓝海，里面有大量新机会。

五个案例（全部匿名）

① 某家电集团 · 从工具链到“企业大脑”。他们国补退了、毛利低，不算小家电一年也要推一千多款新品，设计团队两百多人，一直从“降本增效”引入数字化。我们先帮他们做 3D 设计仿真，再朝 AI 走：用大数据了解消费者需求、快速可视化地画出来。三年前我给他们画过一幅蓝图：四个板块跑起来之后，下面要有一个“大脑”，高效处理每个环节的数据和经验、给出反馈。上面以人为中心，下面以 AI 为中心——这个“企业级大脑”，现在看再给几年差不多能做到。

② 某国际供应链龙头 · 从趋势到交付的全链路 AI 化。这是一家香港的、最早的现代外贸公司之一，案例多次上过哈佛商学院，最大的贸易额是做服装，国际大牌多多少少都是它的客户。它最难啃的骨头是：怎么帮客户了解消费者需求、把需求转化成产品研发出来。我去它总部一看，与其说是贸易公司，不如说是设计公司——一件牛仔裤的设计中了客户，可能就是 100 万美金的订单。我们做的是 AI 版的全链路：从获取数据、整合供应链，到拆 BOM 表、尺寸表，下到工厂、规划产能，有点像新的“AI ERP”。

③ 某快时尚龙头 · 四大数字化系统形成闭环。它内部有四套系统：设计决策情报系统（抓全世界趋势、用数据决定开哪款）、设计师辅助设计系统（拖拽领子袖子就能成样式，所以“培训三天就能做服装设计，只要有审美”）、快速匹配供应链系统、快速投放测款系统（用营销反推加单，再跟第一个系统闭环）。借助 AI 把这套体系跑完，开款效率是数量级的提升。

④ 某传统工艺 · 用数字化提升手艺产能。它高度依赖老工艺师傅，两个最重要的工种——做工艺线描稿（对宽度厚度有要求，像数学公式，可以让计算机来算，人只做审核）和在不同器型上贴图、调数据、做效果预览。老师傅以前一年只做一款，现在跟不上节奏，需要新流程来辅助提效。

⑤ 某草根日用品龙头 · 用 AI 重构“产品 + 项目大脑”。三个合伙人学历都不高，高中就开网店，如今做到当地龙头（约 5 个亿规模），这几年同行倒闭它还在增长，海外尤其快。站在专业设计师角度我原本有点瞧不上这种草根设计，但它证明了：中国老百姓绝大部分就是要这些便宜又过得去的设计。它今年整个公司兴奋了，因为智能体居然这么理解他们的业务。我看了一张图就拍腿：如果一两年内让 AI 来当项目经理，从头到尾把所有知识、所有管理动作做好，而且 AI 可以自我复盘——一个产品成功或失败，数据带回来，它下一次决策会更智能。我原想给家电集团做“设计大脑”，但这家本质需要的是“产品 + 项目大脑”。让 AI 能做全流程的产品创新与开发，价值才非常大。

不同企业，AI 价值不同：有密度才有合适场景

不是所有服装都适合同一套打法。我去一家做男装的上市公司，被总经理怼：“你给我看女装干什么？我们男装要的是面料、材质，不要那么多款式。”他一说我马上觉得他对。再比如某高端羽绒服品牌，一年也就两三百款，能出几十款爆款就很好，所以我们帮它做的重点不是设计，而是商品企划——打怎样的概念点能更好引起市场反响。不同企业的业务价值不同，直接决定了 AI 的用法不同。

中国制造升级的五种类型

• 科技创新硬科技——国家大力扶持的科创方向。
• 集成式产品创新——以深圳为代表，高度整合中国供应链做出好产品。
• 网络式创新——产业集群借助网络平台协作，很多小老板通过协作带来涌现式创新。
• 文化制造业创新——以潮玩为代表，延续陶瓷、茶叶、丝绸、名酒等代表中国品牌与文化的新文化制造。
• 产业集群物美价廉的升级——以小商品集散地为代表。

关键判断：腰部企业最难转型

我接触了几千家企业，得出一个结论：绝大部分企业 AI 化转型是转不掉的，最难的是中等（腰部）企业。哪怕是上市公司，收入大几千万到 10 亿以内这一波最难——它有原来的组织流程惯性（“我是这么成功过的”），把 AI 当成“买来的 ERP”；战略认识没有 500 强那么高，又没有个体那么灵活。我形容腰部企业是“装大爷又没钱，什么都想要又落不了地”。反而是世界 500 强，虽然慢，但老板战略层面意识到了深刻变化，像大炮一样一步步推。所以未来企业会两头化，腰部最难受。

一个执念：把“数字化的自己”普惠给中小企业

我们家是温州的，很多亲戚办工厂。我学设计总觉得能帮他们，但其实帮不到——我学的设计能力，跟产业带接地气的需求不一样。我问一个长辈“你们怎么做产品设计”，他说“我去看一眼展会，回来就能做”。这是中国最接地气的能力。所以我一直有个执念：能不能让“数字化的我”给他们打工？收个两三百块，就能给全国的小老板娘做设计。科技如果能普惠设计，让每个人都能做出客户想要的专业级设计，中国制造的活力会非常强。我也建议地方政府成立公共设计服务平台，因为好设计师不愿回到乡镇，但每个产业带都需要这样的平台来激发中小企业。

未来的组织：以 AI 为中心，中层被再造

今天的组织是金字塔：老板—副总—总监—经理—执行，因为过去需要阶梯式管理做风控。AI 时代的组织会变成以 AI 为中心：外围一圈是“建设者 / 产品型工程师”，帮企业构建企业级 AI（像打造自动化工厂，自动化设备是中心、外围是开发它的工程师）；再外围一圈是“干机器干不了的事的人”，做 AI 的神经末梢。不再需要那么多总监层级。

我是怎么想到的？去年某个周末，我本想找一套 OKR 工具，聊着聊着意识到：为什么不直接把我所有想法跟我的 AI 聊？它有记忆。我把每个人负责什么、我对他的期望都告诉 AI，再让它模拟“我是设计总监，老板想让我干什么”，它定出来的 OKR 比我自己定的好多了。从那一周起我就意识到：未来企业的中心是 AI。现在我们公司是“你跟你的智能体、我跟我的智能体”一起聊，我的智能体相当于公司内部的“CEO”——它布置任务、找关联、做分析，在执行和决策上往往比人更科学。

不同年代的人，理解 AI 的方式完全不同

我问成年人“豆包是什么”，答案都是“工具、搜索、百度”；但问小学生，他们说“豆包姐”，觉得它是小伙伴、是朋友。这直接说明：不同年代的人，对同一个东西的思维方式特别不同。真正意义上的“AI 原生”一代，是从接触世界第一天起，就把 AI 当作最自然存在的孩子。

AI 的本质：它不是工具，是在模拟人脑

AI 本质是计算机在模拟人类的智能。但这一次和历史上所有技术都不同：语言、印刷术、工厂机器替代肌肉、互联网加速信息——AI 第一个冲击的不是视觉或某个动作，而是大脑。

所以企业 AI 未来最大的价值，是帮企业做决策：就像每个企业都有一个低成本的麦肯锡，按你“千人千面”的战略帮你分析好，人只做最后把关。今天的总监、VP 很多不就在扮演这个角色吗？我在朋友公司试过一个很简单的方法：把每个项目立项的背景、决策过程的录音（包括怎么吵架的）都录下来，把成功和失败的产品数据三组一比对，喂给 AI 学习、提炼成抽象方法论，再建成一个 skill。现在他们员工“先不问老板，先问 AI”，让 AI 做完决策、写完报告，再交决策者拍板。这一代 AI 最大的价值不在自动化执行，而在做决策的能力。

别把这一代 AI 当工具，因为它有价值观

我对大学生说：你们不能把 AI 当工具——站在老板角度，AI 本质上是你的竞争对手，他在某个岗位上选择雇 AI 还是雇你，你们是竞争关系。“不是工具”的意思是：不要用老工具的框架去框它。这一代 AI 有认知能力、有思维推理，而且天然具有价值观。每家公司的 AI 都是创始人价值观的体现：高度商业化的企业，推荐算法就高度商业化——所以一定要管住自己刷短视频的时间。

全球 AI 使用的“冰火两重天”

最前沿的一波人认为，今年 AI 已进入 AGI 通道——开始自我学习、自我进化。但最真实的另一面是：今年初的统计里，全世界绝大多数人没用过 AI 或只用免费的，真正“用 AI 编程做东西”的人，从年初的两三百万到现在大概一千万规模。有个观点我很认同：这个世界出现了一个“第零世界”——极高增长、极高失业率、极高不平等。极少数能掌握 AI 的人、公司、区域会形成新的经济层，超越原来的“第一世界”。

认知革命之一：人机不是替代，是共生光谱

我给一位老校长做艺术创作系统，第一版被批评：“你做的是人工智能系统，不是创作系统。创作系统要体现人的主体性，你却想点两下把人替代掉。”这一下击中了我：我一直在商业环境里，商业要的就是结果高效；但有些行业（艺术、教育、娱乐），过程本质就是结果——过程不好，结果就没意义。

所以要把任务拆开看：哪些完全交给 AI、哪些人类主导、哪些引导、哪些审核、哪些跟 AI 共同创造——它是一个光谱，不是非替即不替。借用“要完成的任务（Jobs to be Done）”：你买榔头不是为了榔头，是为了把钉子敲上；而敲钉子有两种方案——自己买榔头敲，或叫师傅来修，这两个方案之间才是替代关系。我们公司招人只问一个问题：“为什么这个工种要人干？为什么 AI 不能干？”说得出理由才招；说不出的，早就全用 AI 了。

认知革命之二：四种思维方式的演进

• 农业思维：一亩三分田，靠天、靠经验吃饭。
• 工业思维：替代肌肉，标准化流程、扩大规模（大规模制造、大规模消费）。
• 互联网思维：万物互联，把信息和人连接到一起，涌现新可能。
• AI 思维：AI 是智能本身，在重构前面三者。

以那家草根日用品企业为例：他们靠“农业思维”开品，做对做错全靠老板本事，连数字化流程都没有，所以这几年很痛苦。他们好的地方在于早早做了电商，给了他们“面向客户和数据、反向整合供应链”的思维。AI 化最重要的第一步，就是把所有涉及智能的逻辑决策 SOP 提炼出来，补上工业化阶段缺的标准化流程。

两个最重要的观点：数据飞轮 + 中层再造

数据飞轮。什么是 AI 驱动型公司？四个标签：① 能策略性地获取数据（不是越多越好，比如通过营销、爬虫获取趋势洞察）；② 有统一的数据仓库（把割裂的数据打通，涌现新价值）；③ 有普遍性的自动化（我现在做的软件产品都不需要运维，AI 自己在学、在发、在分布，花两百美金算力就能做一个产品）；④ 会出现很多现在描述不出来的新岗位。所谓“数据飞轮”，就是让企业里每个环节的 AI 越来越聪明、决策越来越对——就像某视频平台越来越猜中你想要什么。

中层再造。AI 本质上是去中间化的。过去为什么要那么多职业经理人？因为人类发明了“把一群人圈进一栋楼、一层层管理”这种最笨但有效的规模化方法，经理要承上启下、对决策兜底、做风控。未来高度智能化的流程里不需要那么多人——就像自动化工厂一个厂长就能管好几条产线。中层会被再造：有些变成 AI 的建构者，有些变成自己的个体经营者。我们公司除了几个合伙人，全是一波人、没有任何职级，互称“老师”，几乎不开会，一周碰一次头脑风暴。

为什么 95% 的企业落不了地：电机的“J 曲线”

有一份调研：500 多家企业大规模投资 AI，结论是只有少部分真正受益，95% 的企业说 AI 没带来可衡量的价值。关键不是技术不好，而是技术进入企业后，在流程、业务匹配、组织认知上根本性落不了地。

一个故事治愈了我：为什么电机出现后的前 30 年没有显著提升工厂效率？蒸汽机时代动力要集中（一个锅炉房带动所有车间）。电机刚出来时，企业只是按同样比例换一台大电机——有效，但不显著，因为只是把新动力放进了旧位置。直到 30 年后大家才想明白：电力是分布式的，于是把电机拆小、把流水线拆成多条，本质是组织和生产流程的变化，改完产能才大爆发。每个生产力都有一条“J 曲线”：换新生产力要经历学习期、磨合期，期间效率反而偏低，这叫“生产力悖论”。这几年 AI 已经到磨合期，我认为 2026 年快到一个爆发节点——但企业转型要先跨过一个“死亡谷”。

管理学要被颠覆：五个阶段 × 六个模块

过去的管理建立在“企业内部执行有成本、外部交易成本更高，所以要内部化、形成组织”的假设上。今年我深度用智能体后第一次产生“未来干嘛要有企业？”的念头。管理学迎来最大挑战：过去一切假设都是“企业要管人”，未来企业最重要的是管智能体、管 AI、并管好 AI 怎么跟人协作——这个理论体系一直是空白。

我跟 AI 聊出了一个框架：企业 AI 化转型有五个阶段，像自动驾驶——辅助工具 → 人机协作 → 半自动化 → 高度自动化 → 全自动化（无人公司）。我们公司到了第四层，所以我基本没有管理了，努力三年内做到第五层。还有六个模块：竞争、组织、产品、系统、价值，以及人类的角色。

AI 时代真正的人才画像：老专家 + AI ≫ 菜鸟 + AI

真正 AI 时代的人才，是能编排智能、产生业务价值的人：工厂厂长看“我有多少设备、员工”，互联网公司看“多少用户、多少连接”，AI 时代看“你能调用多少智能去完成任务、产生多大价值”。他要能把真实世界的行业经验抽象化、结构化、模型化，再用 AI 实现自动化、规模化——这正是 MBA 群体的优势。

现在的困境是：刚毕业的菜鸟工具用得很溜，但缺场景、缺方法论；行业老专家有丰富经验，却受惯性和 AI 认知不足的限制。老专家 + AI 的价值，百倍千倍于菜鸟 + AI。所以最好的方式是老专家带菜鸟，师徒制会回归：专家把知识教给徒弟，推进任何公司，老板都不会先问文凭。而菜鸟会进入巨大的“菜鸟危机”——过去有很多机会让新手一步步学，现在很多人已经意识到“我自己就能干完，为什么还要招人”。

什么时候算进入了“AI 状态”？

给一个指标：当你发现电脑屏幕不够用、算力不够用的时候。你能跟 AI 干同一件事坐 4 个小时以上，就进入那种状态了。我们公司从去年起，如果 AI 不能用了，整个公司就像断了电。有一天我账号被封，那一天我极其焦虑，坐也不是站也不是——那一刻我体会到什么叫“离不开 AI”。我甚至想改造办公方式：别老敲键盘，用语音（嘴比手快、脑子转得更快）。我创作时常常躺在沙发上、眯着眼睛，用语音把想象中的东西描述出来——只有闭着眼想象时，语言才更贴近那个东西。

杰文斯悖论：成本越低，需求越大，机会越大

有一个观点叫杰文斯悖论——一个东西的成本越低，需求反而越大。工业革命时人们发现煤越用越多；今天用电也一样，越能发挥价值的企业用电量越大。这才是 AI 时代真正的大机会：今天智能的成本正在逼近“几乎不要钱”，2026 年就到了这样一个拐点。一个毕业生的工资拿来用 AI，能发挥出十个、上百个毕业生的价值。我让 AI 帮我推理了几个结构性机会：

• 人人拥有专家团：未来每个人都像上市公司董事长，秘书全是专家。原来“医院基于知名医生、学校基于知名老师”建立的交付体系会被重构。
• 信任的基础建设：AI 造假越容易，被认证过的东西越稀缺——大学招牌、个人品牌、区块链认证，本质都在解决信任。
• 数字世界与物理世界的桥梁：机器人、从数字化设计到制造的能力，本质都是“智能通向真实物理世界的桥梁”。
• 操作系统变了：未来企业级操作系统 = 企业级 AI 中台，要把所有操作经验沉淀成企业资产。
• 意义制造业：焦虑、无助的人越来越多，于是文旅、文化、教育这些“追寻意义”的需求会变多——它的逻辑是“过程即结果”。
• 生物智能：只要算法对，把病变样本给 AI、出个命题让它研发，它就能通过大量科研测算给出最优解。我们这一代人，有可能彻底告别某些重大疾病。

“AI 应用”不等于“AI 的应用”：蝴蝶效应

我特别想强调一点。讲个故事：上世纪初，两个年轻人用一百多美金买了几辆自行车开了家送信公司，后来送信需求少了就改送包裹、换摩托车、再贴 logo 买汽车——这就是今天全球顶级的物流公司。它跟汽车有什么直接关系？没有，但它的生命力比当年的汽车巨头更顽强。汽车变便宜之后，催生了停车场、加油站、连锁快餐、大卖场、汽车旅馆……谁能想到某全球连锁快餐，是“汽车变便宜”的受益者呢？

这就像蝴蝶效应：蒸汽机最初只是一台把热能转成机械能的装置，却衍生出火车、汽车、电网、大卖场……今天的人工智能，只是又一个科技带来的起点。我一直在想它的本质，答案就一句话：当智能成为基础建设，这个世界会变成什么样？有个比喻很贴切：某座著名纪念碑塔尖当年用铝，因为那时铝比黄金还贵；十年后有了电解铝的方法，铝瞬间变成了易拉罐、糖果纸。今天的人工智能，就是“电解铝”那样的方法——它让智能变得很便宜。最终，博士级的专家智能会像铝箔纸一样廉价、随取随用。

人类最后的东西：品味，与 Vibe Working

人类最后剩下的是什么？我觉得是“品味”。提出 Vibe Coding 这个词的人，其实可以把它翻译成“品味、意图、即兴”。现在我们的学习和工作也进入了 Vibe Working、Vibe Learning 的状态。

我们公司的一天是这样：早上大家懒洋洋过来，烧点茶坐下，一边聊一边检查前一天 AI 干的活、有什么新想法，聊到中午把内容全记下来，这份文档全公司共享。每个人拿这份料喂给自己的 agent，把需求提炼回来继续干活。下午干三四个小时，下班前把任务全布置给 AI，第二天验收。那一刻我们突然有种“在家上班”的感觉——大家在聊天，AI 在干活，氛围变得格外重要。所以反而是人那些“不能被语言很好地理性化总结出来的能力”变得很重要了。有人问一位科技产品大师“你怎么知道你做的事是对的？”他的回答是：最终一切取决于你的品味。让自己去接触人类最好的事物，再把它带入你正在做的事，你自然就知道什么是对的。

小朋友比大学生更有创意

去年我在高校做了一次实验。设计专业原来要学四年，主要是学工具来做作品。但我有个判断：这事小学生也会。于是把几个小朋友单独编成一组，跟大学生上一模一样的课。上完之后最大的感受是：小朋友是有创意的，原来他很难表达，但借助 AI 就能做得很好。

那次几组没学过任何设计基础的大学生做得很好：有的把地方戏曲做成 IP，最有意思的是有一组把名著改造成了“赛博女团”，全班觉得最好，我们这些成年人看不懂。同一时间我看到外地一所小学的暑期作业，居然是“用 AI 挖掘中国文化 IP、给海外同学介绍”——跟我给大学生上的课内容几乎一模一样，像平行宇宙。那一次让我彻底打开了：小学生做出来的，已经比大学生更有创意了。那种发自内心的故事，大学生反而讲不出来。

成人思维 vs 小朋友思维：用最自然的语言跟 AI 沟通

我让一个小朋友画自己喜欢的东西，再用 AI 帮他把作品变成工艺品、做成 3D 打印出来（淘宝打印只要 60 块左右），还能做动画。最关键的是上色环节：我们成年人会说“我想要一种什么什么感觉的颜色”；而这个小朋友是这么说的：“左边这个是某个历史人物的妹妹，你必须感觉到那个时代的风俗，那时候的人怎么穿，你自己看着办吧。”

寒假时小朋友怎么跟 AI 说呢？“你给我加油哦，你不做好我会生气的哦。”我们后来做了个测试，程序员对 AI 说“你加油帮我把项目干出来，不然我明天要被开除了”，AI 真的会更努力。所以 AI 也需要情绪价值。这就是原生一代——用最自然的语言去沟通、去反馈。

动机优先：宜家效应，与“AI 是这个时代新的语文”

我给小朋友上课，第一次上得全身是汗，因为他们听不进去就直接躺平。上了半学期后我最大的感受是：小朋友要解决的最重要的问题是动机。动机没解决，你教什么对他来说都是负担；动机一解决，他比谁都用功。

有意思的是：站在商业角度，一句话就能让 AI 从头到尾把作品干完。可小朋友做完后非常崩溃：“老师这不就是作弊吗？我一点工作都没做，怎么就算我的？”后来我让他们一张图一张图地自己去调、去改、去确认，改完他们就觉得“这是我自己做出来的”，还打印出来卖给同学。AI 告诉我这叫宜家效应——就像宜家家具你自己组装，会觉得它独一无二。所以未来工程能力、创意能力都需要，但最重要的能力是跟 AI 协作的能力。我说：AI 不是技术，AI 是这个时代新的语文。

创造力公式，与“达芬奇式综合人才”

有教育学者提过一个观点我很认同：创造力 = 知识储备 ×（好奇心 + 想象力）。我们的教育里，知识在上升，但好奇心和想象力在下降。而今天 AI 帮我们做了大量的知识储备，所以好奇心和想象力，才是需要家长和老师去保护的。

未来每个人都应该学达芬奇——我们以前以为他只是艺术家，其实他还是建筑师、解剖学家、数学家、发明家。AI 时代给了这种综合型人才巨大的机会：当知识不再是瓶颈，关键就是你对什么感兴趣，你就能从知识里挖掘各种各样的点。

师徒制与能力教育：AI 时代，教育是“反过来”的

我们过去是“先学知识，再用知识”；但今天初中生的题目我大部分做不出来，这并不能证明我没能力。德国有一种能力教育，最重要的是师徒制：师傅带徒弟，你先学会一项能力，在学的过程中缺什么知识就去补什么——那时候你对知识的渴望会变得特别强。所以 AI 时代的教育在我看来是有点反过来的：先学能力，再补知识。

探索班：不收费，才能挑创作者；未来学校像“小社会”

基于这个想法，我搞了一个探索班，不收费。为什么不收费？因为只要收了家长的钱，家长就觉得自己是消费者；我不收钱，就有得挑——我要挑创作者，课程怎么上我说了算。第一期我就这么试：一上来什么都不讲，“同学们，AI 打开，你们想做什么自己做吧。”我的角色是不断激发他、刺激他、引导他越挖越深。我判断一个小朋友是否进入了创造状态，就看他周末是不是期待来办公室。

我还安排过一个灵光的高年级孩子去带两个低年级的弟弟妹妹，给他发“工资”，三个孩子通过这次结成了很好的友谊。所以我觉得未来的学校不是单向的知识传输，而更像幼儿园那样的一个小社会——大同学带小同学，不断相互刺激。这种社会性是不可替代的。

AI 教育不是教 AI，是育人

有同学问：AI 快速给出结果，会不会让大家的品味千篇一律？我认同这个担忧，所以我的结论是：AI 教育根本不是教 AI 的教育。教学环节里，有几步是让小朋友自己剪、自己做、跟 AI 没关系的。哪怕作品是 AI 做出来的，我们也一定让孩子自己做决策——什么才是你内心真正想要的？

所以在教育里，我们要天然地把 AI 当辅助、弱化 AI，体现人的主体性。这跟企业场景正相反——企业里人和 AI 常常是替代关系，而教育里 AI 只是激发创造力的工具，主体永远是人。教书育人，本质是育人；而育人这件事，跟 AI 没关系。

未来的大学会变成什么样

我的看法是返璞归真。假设回到还没有现代教育体系的年代，最重要的其实是家庭教育和师徒教育。AI 化是要倒逼我们“去工业化”——不是否定工业化，而是工业化那种标准化的要求，已经不适应个性化的时代了。所以：K12 阶段最重要的会重新回到家庭教育；而大学会越来越像研究生 / MBA 那种形态——一群朋友一起探索、一起学习，这种社会性不可替代。我观察到，本科生越来越不爱听课（“PPT 都有，我干嘛听你的”），而 MBA 课堂氛围最好，因为大家在真实世界里碰到了问题、带着求知欲来。学校作为有品牌、有社会网络的存在一定会继续存在，只是单纯传递知识的比重会被减弱，同龄人交流、俱乐部、老师指导这些属性会越来越重要。

无界图书馆 / 压缩图书馆：大模型其实都学过

我现在几乎没时间看书，所以一直有一段提示词叫“榨干一本书”：把书名丢进去，它就按固定结构输出——书籍元信息、这本书回答的真问题、知识地图、作者的深度模型、小白 / 老手 / 团队怎么用。后来我把它做成了一个产品叫压缩图书馆。

一位小学校长很喜欢，但他的博导批评说：“你们搞技术的觉得阅读是能被替代的吗？压缩一下，就失去了阅读的乐趣。”我觉得有道理。校长就建议：能不能做成一个给家长、给小朋友推荐书的图书馆？当晚我回来就做了无界图书馆：家长把孩子的信息输进去，AI 会根据阅读习惯慢慢形成“阅读画像”，做到千人千面的推荐。背后全是 AI 驱动的：我给它定的目标是每天增加 500 本，它自己写了策略来完成。

关于“要不要把书的电子版喂给它”——不用。因为今天的大模型，除了一年之内的新书，几乎所有出版过的书它都学过。所以无界图书馆本质上是扮演了人类跟大模型之间的交互界面：所有知识大模型里都有，关键是我们能不能把它挖出来。我为什么看好图书馆？因为人类跟 AI 融合的过程中，有些东西是永恒不变的——已经存在图书馆里、被标记过的人类写的书、人类的音乐、电影，这些是历史抹不掉的。围绕不变的东西来做变。

人类美术馆：在“喜欢与不喜欢”之间算出审美

书可以做成图书馆，那就再做一个人类美术馆。我先让它做了一个美学推荐算法：跟刷短视频一样，在“喜欢 / 不喜欢”之间判断你的审美偏好——但短视频判断的是你上不上瘾，我的算法是希望击中你的那个 aha moment：“啊，这幅画打动了我。”这本来是只有计算机博士才能干的事。做的过程中我有个很大的感受：未来做研究、做课题，就应该围绕以 AI 为中心。我每有一个想法，它都跟我一起写成一篇文章。

放权给 AI：“继续 / 加油”，让它烧 token 烧出惊喜

我把自己学 AI 的方法教给团队，发现一个很有意思的点：只要你跟 AI 的对话轮次到了五六十轮、它足够了解你的上下文之后，接下来就是闭着眼睛说“继续、好的、加油”。它了解了你的意图和目标，你就使劲给它加油，让它持续做一个版本、再一个版本——好的吸收过来，不好的踢掉。我现在好几个对话同时开，AI 处理慢一点，我就三个一起“好的，按你的想法做吧”，现在都不打字了，直接按语音。我告诉同事：放权给它、让它死命烧 token，它往往能烧出很多我们意料之外的惊喜。

用 HR 的方式管 skill：智能体“小能”

今年我认为 skill 会成为公司的资产。但怎么管？我认为应该用 HR 的方法来管。我先把 skill 拆成 12 个能力维度（因为不同 skill 的场景、成熟度都不一样），再设定评估方法、给它评段位。网站背后是一个智能体，我给它取名叫小能，就是 HRD 的感觉，下面有很多子技能：招聘（从开放的技能市场去挖掘对的 skill）、审计扫描、培训升级（我做了很多“提升 skill 的专家 skill”，让小能自动优化）、评级与发布。未来我还想在这里做一个技能市场：有些 skill 打包后可以被别人调用。