曾明教授谈AI新时代

曾明教授访谈笔记：AI 新时代的战略、组织与文明范式

核心结论：AI 可能不是互联网式延续，而是超越工业革命的通用技术范式革命；当前处于基础设施阶段成熟尾部与智能体应用阶段开端，旧公司、科层制与工业时代配套制度将衰亡，新战略生成方式、AI 原生组织与创造力时代正在出现。

一、访谈背景与核心问题

• 访谈主持人为小俊，嘉宾为企业战略专家曾明教授。
• 曾明教授的身份包括：
• 阿里巴巴集团前总参谋长；
• 参与创建两所商学院：长江商学院和湖畔；
• 对企业战略有深度思考，很多创业者和企业家表示受过他的启发；
• 完整经历过互联网周期的研究者。
• 访谈主题：AI 新时代、新范式的完整思考，并与历史上的关键时期做对照。
• 曾明教授提到自己最近出了一本新书，访谈中称为“智能”。他强调这不是一开始就有写作计划，而是“自然涌现”出来的，是最近半年通过一系列思考逐渐清晰的结果。
• 创作缘由：
• 他的本业是战略，跟创业者聊得最多的就是：AI 时代面临这么大的不确定性、这么快速变化的环境，到底怎么做战略。
• 真正让框架浮现的，是他大概理解了 AI 在产业化中进入了哪一个发展阶段，以及每个阶段不同的运行规律。
• 看清阶段后，对未来三五年就有比较清晰的指导意义。
• 他与其他商学院教授的不同：
• 在互联网发展最快的时候加入阿里，参与了一个公司超高速发展的阶段；
• 原有很好的学术训练，理论与实践融合；
• 持续研究前沿产业发展，因此既能跟创业者讨论战略方法论，也能一起探讨下一步产业会怎么发展。
• 他面对 AI 时的感受：
• 曾经非常困惑：知道会有很多新东西出现，但不知道哪些是稍纵即逝的小浪花，哪些是代表未来的大浪潮；不知道什么会变、什么不会变。
• 今年上半年，一些趋势性信号开始 converge，出现了类似信号，他看到了一个可能解释当下、甚至推演未来的框架，于是不再焦虑。

二、总框架：通用技术落地的三阶段与 AI 所处位置

2.1 新技术颠覆性创新的三阶段

曾明教授系统研究过移动互联网、PC 互联网、云计算，以及第一次、第二次、第三次工业革命，认为巨大的通用技术颠覆性创新大致经历三个阶段：

• 第二阶段不能跨越：
• 没有第二阶段的积累，就跨不到第三阶段；
• 基于第一阶段的积累，现在该做的就是第二阶段该做的应用大爆发。
• 第二阶段本身非常精彩、非常有价值，不应被视为“无足轻重”的过渡。

2.2 移动互联网的历史对照

• 黑莓手机：
• 第一款被称为智能手机的产品，很长时间处于垄断地位；
• 到 2010 年，黑莓在美国市场智能手机份额仍有 40% 多，iPhone 只有 20% 多；
• 到 iPhone 4 以后，iPhone 才开始领先、跑起来。
• App Store 出现后，新一代原生应用开始爆发。
• 早期移动互联网应用：
• 曾明当时投互联网、移动互联网，看到墨迹天气等一堆应用；
• 日活很快过亿，但很快发现它们不代表未来；
• 真正解决核心需求的主流应用才是原生应用。
• 字节的演化：
• 先做今日头条，甚至更早做内涵段子等一堆小产品；
• 技术早期不知道哪个东西能 work，所以试不同东西；
• 第一阶段只有文字成熟，所以出现今日头条；
• 今日头条探索出推荐算法这种既是技术模式又是商业模式的新东西；
• 带宽、算力发展后出现短视频；
• 短视频的展现形式 + 推荐算法底层技术，结合后出现抖音这样的现象级原生应用、国民级应用。
• 为什么原生应用不诞生于第二阶段？
• 因为应用爆发给了技术下一阶段发展的方向；
• 技术成为基础设施后并不是停滞不前，它要寻找新方向，但方向不清楚；
• 原生应用距离基础设施成熟，中间还有一个过渡性阶段。

2.3 AI 当前阶段：第一阶段成熟尾部，第二阶段开场

• 曾明判断：
• 2026 年应该是第一阶段基本完成的一个标志性阶段；
• 第一阶段会继续发展，服务越来越好，智能越来越强大，成本越来越低；
• 但它已经形成匹配的商业模式，成为大家能接受的新概念，所以这个阶段成熟了；
• 今年也是第二阶段的开场。
• 第一阶段成熟的标志：token 共识。
• 今年年初，关于 token 这个词形成广泛共识，有两三个月讨论非常密集；
• 黄仁勋在英伟达 GTC 大会上讲：英伟达的未来就是 token factory；
• Sam 也马上表达：OpenAI 核心就是买 token；
• “词元”这个新词被定义下来；
• 当一个技术有了标准的度量衡以后，就能被规模化、标准化使用；
• 类比“一度电”“一吨水”“一个 GB 的流量”；
• 今天大家知道自己掉多少 token、能干多少活、产生多少费用，它就成社会基础设施。
• 第二阶段开场的标志：open cloud / open cro / “龙虾”事件。
• 原文提到今年春节前后，open cloud（原文亦作 open cro，并称“龙虾”）让很多人兴奋，大家都在“养龙虾”，春节都没睡好；
• 它让大家看到了一个能够独立完成任务的 agent 的无限潜力；
• 因此曾明认为，AI 进入第二个阶段：智能体阶段；
• 智能体就是 AI 时代的新应用。

2.4 信息时代到能力时代：agent 与浏览器/雅虎类比

• 曾明两三年前曾做讲解：“让我们拥抱雅虎吧，雅虎快来了。”
• 今年年初他自己也纠结：怎么退回到了浏览器阶段，好像比雅虎还要早。
• 为什么判断更加前移？
• 因为看到 open cloud 这些东西出来后，第一个反应是：我们还在等一个浏览器出来，这都不是浏览器出来以后，再等一个浏览器出来。
• 跟 agent 同时出现的词是 skill，即能力；
• agent 的本质是分享能力：把懂的能力封装起来，分享出去让别人也可以使用；
• open cloud 提供了一个框架和思路：原来能力可以被这样封装、被调用。
• 92 年建网站运动：
• 当时最狂热的是建网站，建网站的目的是分享信息；
• AI 这轮创新让我们从信息时代进入能力时代；
• 海量信息和知识都处理完了，今天分享信息没有必要，大家都直接问 ChatGPT 答案；
• 但今天大模型能有这个成就，是因为 92 年的建站运动，让大家把信息放到互联网上，完成了信息的数字化。
• 类比关键：
• 不是纠缠于技术的表现形式，而是理解抽象建模后的底层运行规律；
• 一个在建站、分享信息，一个在建 agent、分享能力，结构上对上了。
• 浏览器为什么重要：
• 完成两个核心功能；
• 通过 HTML 等树立建站统一标准，建站没有门槛，有信息的人就能建站；
• 原来建站是专业工程师的工作，浏览器把创造门槛、开发者门槛极大降低；
• 另一方面，把浏览网站的门槛降到 0，只需要点击就能完成信息浏览；
• 用户端爆了，供给端也爆了，无穷网站天天涌现。
• 雅虎的角色：
• 网站太多后，大家不知道该看啥；
• 雅虎最早是目录，告诉你今天出现的 100 个网站里哪个最有意思；
• 到 1 万个网站时，告诉你前面十个最有趣的，并分类娱乐、新闻、股票；
• 雅虎是结构化信息的过程，是熵减，降低大家认知压力。
• 今天的状态：
• 今天还在一个熵增过程中，各种 skill、能力爆发；
• 随便问身边任何人，大家都不会随口讲出两三个天天在用的 agent；
• 曾明没有看到雅虎的雏形，甚至认为连浏览器现在都没出现；
• 下一个最大机会，可能是类似浏览器这样的机会：统一 agent 标准，让用户用很简单的方法调用 agent，然后海量 agent 爆发；
• 这可能是未来两年最让人兴奋的事情；
• 今天没有任何这样的雏形，所以这也是一个反共识判断。
• 具体产品形态：
• 交互形态想象不出来，需要大家去创造；
• 能总结抽象规律，但一定推演不出具体形态；
• 雅虎到谷歌几年？曾明无法回答，不确定这个时代是否一定会有雅虎和谷歌那样的巨大鸿沟；
• 雅虎 1995 成立，一直到 2000 年都辉煌；
• 谷歌成立后，早期是给雅虎做 to B 服务商，提供算法服务，可以说雅虎孕育了谷歌。

三、巨头的战略决策与生死

3.1 阿里前 15 年最重要的三个决定

曾明最近在做复盘，认为阿里前 15 年最重要的决定是三个：

1. 创立淘宝；
2. 创立支付宝；
3. 创立阿里云。

• 这三个决定当时在整个社会不被认可，公司内部争议也非常激烈。
• 淘宝宣布成立时，有好几个高管非常反对：
• 原因：原来阿里巴巴的业务都还没有成熟，去打 eBay 的核心主业务风险太大。
• 次要一点但也很重要的决定：
• 淘宝如何从一个商品买卖平台变成一个支持电子商务发展的生态；
• 怎么 all in 无线。
• 二级战略决定也很重要：
• 阿里云早期是指服务一个场景，还是一开始架构就要多服务场景；
• 服务的场景是服务淘宝还是服务搜索；
• 开源还是闭源；
• 数据库变了，要不要自己做数据库；
• 计算变了，存储也变了；
• 因此才出现当时喊出来的“去 IOE”，即改掉 IBM、Oracle、EMC；
• 存储成了新瓶颈。
• 战略到落地：
• 做了大战略决定后，还有一层一层的决定；
• 越到下面，越是战略与战术结合很紧密的地方；
• 从一个决定到落地、到最后看到成果，有非常大的挑战。

3.2 好战略、反共识与生存者偏差

• 问：做战略决策时，怎么知道这是一个好战略？
• 曾明回答：不知道，因为“因为相信所以看见”。
• 所有真正成为时代企业的，都是最后被证明那个反共识是成立的。
• 但必须强调：
• 不是疯狂的想法；
• 看到的是 survival bias，成功者偏差；
• 最成功的企业一定是反共识的，但反共识不一定成功。
• 当时能基于自己的能力看到，并且愿意相信那样一个图。
• 战略很大程度上是关于怎么创造未来，不是简单规划。
• 只有反共识战略才能达成卓越吗？
• 在共识赛道，做得比所有人都强，可以达成“优秀”；
• 但“卓越”一定来自反共识。

3.3 巨浪面前没有安全巨头

• 曾明认为：在巨浪面前，没有人是安全的，谁觉得安全谁就最不安全。
• 科层制管理的公司制度会衰亡，但也可能不叫公司，肯定不叫公司。
• 公司会消失、会消亡，这没有什么可以遗憾的，将来有更好玩的。
• 多少人现在去公司上班是开心的？不开心。
• 这一批创业者要过一个很大的坎：
• 经济学基本规律：只要有同质化的供给，你就不可能获取高额利润；
• 你就是一家不怎么值钱的公司。
• 时代企业过渡到下一个时代还能做得非常好的：
• 不是多不多的问题，是有没有的问题；
• 基本没有。
• IBM 曾做到过一次，微软算是做到过一次：
• 微软某种程度上错过了移动互联网，但保持住了搜索火苗，有云计算积累；
• 加上 PC 时代垄断积累下来的 PC OS 垄断，让 AI 时代谷歌起个大早？原文表述较混杂；
• 但微软目前又有点吃不准能不能走过去；
• 模型投入不够，模型这块其实已经出局；
• 虽然有 OpenAI 的早期投资，但目前已经买不起 OpenAI；
• 即使微软这样长时间领先的公司，未来都不太确定。
• 谷歌：
• 相当于微软的上一段；
• 也许能成为很好的 AI 云公司；
• 但能不能成为消费者的大应用、入口级应用，不太确定；
• 有 TPU、有大模型，作为云厂商活下来应该没问题。
• 字节：
• 字节会是下个时代字节吗？同样大概率不会；
• 字节今天模型做得还不错，起码国内第一梯队；
• 字节有很大机会成为 AI 云公司；
• C 档（原文）做得那么好，视频生成、多模态方面已经是世界一流大模型公司；
• 做基础设施容易，有积累、沉淀、惯性；
• 但大的 to C 应用有非常大的不确定性。
• 豆包：
• 豆包肯定不是；
• 要不然肯定不计成本往里砸，不砸就是因为豆包不够；
• 豆包更像上一代移动互联网产品，或者第一代 AI 产品，即聊天机器人；
• 豆包没有行动力；
• 智能体的核心是独立完成任务；
• 把智能体内置进豆包，是大家想做的，即做 AI 时代的 OS、做入口去调度；
• 但上一代入口能否理解下一代整个生态发展、做成下一代入口，挑战非常大；
• 如果不是 agent 的事实标准，很难成为入口；
• 调的上一代服务可能被下一代服务颠覆。
• 腾讯：
• 社交关系会重构；
• 腾讯作为最安全的，为什么最近这么恐慌？因为也有可能不安全；
• 人和人的关系会被重新定义，AI 在里面的重要性也会大幅上升；
• 现有产品加 AI、加 agent，都是过渡产品；
• QQ 也没有真正过渡到移动互联网时代，或者说 QQ 过渡到了，但真正承接移动互联网时代的是微信。
• 阿里：
• 阿里也一样有挑战；
• 特别努力，加 AI、加 agent，但可能也不行；
• 让下一个时代产品诞生在自己公司里，所有公司都会 all in AI；
• 移动互联网对 PC 互联网，曾明判断是 1.5 的创新，有很强颠覆性，也有很强延续性；
• 因为延续性，几家头部互联网公司成功过渡到移动互联网；
• 因为颠覆性，最后也成就了抖音和拼多多这两个更加原生的移动互联网公司；
• AI 整体上更倾向于颠覆性技术，不只是颠覆互联网，而是颠覆工业革命；
• 互联网本质上是生产关系的革命，AI 是生产力革命；
• 延续性部分没那么强，原有物种适应新物种会非常困难；
• 哪怕用下一个产品承接，让下一代产品诞生在自己公司里，难度也非常高。
• 原因：
• 组织文化是制约之一：10 万人公司转成 AI 原生，跟 10 人公司长成 1000 人 AI 原生公司，难度不一样；
• 对平台和生态的理解：如果没有做出第一个真正成功的 agent，大概率不理解 agent 怎么运行，无法提供基础设施、成为事实标准和入口；
• 先有一个成功的 agent 是前置条件，才有黑洞效应。

四、战略生成：看十年、想三年、干一年

4.1 战略生成 vs 战略规划

• 曾明特意创造“战略生成”这个词：
• 以前叫战略规划，现在叫战略生成；
• 这个词反映 AI 时代，大家习惯了视频生成、文图生成；
• 伟大不能被计划；
• 真正要做的是一套体系、一个环境，让战略洞察涌现出来，成为一个战略不断生成的系统。
• 最后战略就是自然而然的决定：在合适的时间，有合适的人做了一个合适的决定，公司就往前走。
• 为什么把组织放在战略之前？
• 因为 AI 对工业时代是一次范式革命，看到的是新物种；
• 新物种的共性重要于单独讨论其中一个环节；
• 想要的那种未来战略生成方式，跟原有组织不匹配；
• 只有用新的组织形态才能生成新的战略，这两个是阴阳合一；
• 新的组织形态之所以出现，是因为决策频率越来越高、质量要求越来越高；
• 新组织里最重要的决策就是战略决策；
• 所以得一起摸索：怎么用新方法做新战略，战略帮助进入下个阶段，才有机会尝试更多组织创新。

4.2 看十年、想三年、干一年

• 今天战略无比重要：做出一个重要决定就可能出局，淘汰赛可能以月、几个月来计划。
• AI 时代需要一套新的战略方法论。
• 越不确定的时候，越需要战略思考能力；如果都很确定，大家拼的是执行能力。
• “看十年、想三年、干一年”是曾明对时代战略方法论的形象化总结。
• 但大部分人记住了“干一年”，因为那是他们习惯的工业时代战略方法论。
• 工业时代战略方法论：
• 在相对成熟、发展缓慢的世界，看十年比较清楚；
• 每年 5%、8% 增长，十年后大概知道会变成什么样；
• 没有新玩家，做今年规划也容易，基本是线性推演、线性外推；
• 战略如此不重要，以至于大公司把战略外包给麦肯锡这样的咨询公司；
• 80 年代到 2000 年左右，麦肯锡、BCG 等公司井喷式发展；
• 公司认为战略不重要，可以外包，咨询公司根据行业经验、战略方法论制定十年规划，双方都 happy。
• 今天的问题：
• 干一年远远不够；
• 不能线性外推；
• 线性外推不可能得出 Anthropic 今年 80 倍同比增长的收入；
• 因为你是 vision driven 的人，放弃线性外推思考方式，才可能有未来；
• 但未来如此不确定，看十年帮不了太多，因为当下从哪下手还是不知道；
• 所以得逼自己想一个大概三年左右的图景。
• 真正的创造力在看三年：
• 看三年要求大概看两三步：第一个里程碑是什么？第二个里程碑是什么？第三个里程碑可能是什么？
• 今年做的第一个重要事情，是为了满足哪一个里程碑；
• 这样就有短期、中期、长期之间的动态张力；
• 这个张力引领企业更好地做出当下战略选择；
• 没有看三年的张力，战略就没有发生的环境；
• 相当于在三维空间思考最优解，和在二维平面寻找最优解完全不是一回事。
• 节奏可以调整：
• 可以看五年、想两年、干半年；
• 可以看三年、想一年、干一个季度；
• 根据每个行业不同调整；
• 但一定要有中期思考，至少看到三步，而不能只看一步；
• 最关键的是中期节点。
• 案例：
• 一个做 agent、做应用的创业公司，发展很好，ARR 涨得很快；
• 曾明问：“你 ARR 继续涨两年以后又怎么样呢？最后产业终局会咋样？有没有天花板？”
• 对方一下明白，回去算，发现天花板不高，赶紧去做一些新事情。
• 线性外推的幻觉：
• 每月增长、年增长率多好，很虚幻；
• 不仅是线性外推，还是拿当下外推 12 个月，很容易产生增长幻觉；
• 很可能突然到顶，后面变成极限的线性增长；
• 做的事情没有想象空间、没有多少价值；
• 短期价值模型一溢出，就没人愿意付费，或者竞争太多；
• 刚开始竞争按创造的客户价值定价，竞争对手一多，就按边际成本定价，这是很多人的经济学盲区。

4.3 按战略阶段而不是行业制定战略

• 曾明把战略分为：战略摸索期、战略成型期、战略成熟期、战略执行期。
• 拿行业分不如拿发展阶段分。
• 大模型公司：
• 基本进入战略发展期/收敛期，战略都收敛了，相对清晰；
• 要追求组织效率和执行效率；
• 要追求从一个方向性战略到一个可以闭环的运营模式；
• 发展期核心是规模化，要上量快；
• 能规模化，是因为原型已经很强壮。
• 机器人公司：
• 大部分在战略摸索期，不知道往哪收敛；
• 核心是一号位必须带着大家做不同创新；
• 要有一套机制把试错成本降下来，逐步达成共识；
• 要有自己相信的，但又不能过于执着；
• 现实会打脸，可能发现别人的方向是对的；
• 这时自我能不能让位给现实；
• 每个人出发点受过去训练制约，能看到的东西都有路径依赖；
• 能不能快速把别人最好的经验理解、消化、吸收，形成下一步创新基础；
• 战略探索期核心是创新效率足够高，而不是执行效率。
• 今天大模型公司，无论美国还是中国，大家都在做 coding，这是一个很大的共识。
• 非共识就是 new lab：不认同这个共识的人就去创业了；
• new lab 里某一个反共识，可能成为三年后的新共识；
• 市场生生不息，不断往前演化。
• 同质化竞争影响商业价格：
• 上礼拜大家恐慌，就是怕同质化竞争，K3 等；
• 同质化竞争打破了对大模型公司能长期享受高额垄断利润的预期；
• 预期破了，大家对这些公司可能没有能力持续投入那么高 Capex 产生怀疑；
• 源头是这些公司还有没有实力、值不值得继续投入基建；
• 基建都是为大模型公司服务，如果最后创造价值有限，为什么要投？
• 是否继续投基建：
• 大模型本身发展空间还非常大，大概率基建投入还会继续；
• 但某个时间点会出现拐点，基建投入由于周期性可能超过大模型真实需求；
• 从产业发展未必是坏事，应用公司可以用很低成本用现有基础设施；
• 应用公司进入门槛大幅降低，智能调用会变得非常便宜、足够强大和稳定；
• 只要智能供给没达到想要的状态，基础设施就会持续投入；
• 应用公司可以再苟一苟等一等？曾明又说：也没法苟一苟等一等，因为不在这厂里积累不了相应经验，真大浪来了接不住；
• 应用公司还是要有希望，不要那么灰心；
• 他们下场是因为感受到来自未来的某些召唤。

五、AI 原生组织：从岗位到任务

5.1 组织基本单元：从岗位到任务

• 工业时代组织基本单元是岗位：
• 应聘都是应聘一个岗位；
• 公司发展先定岗位，给工作描述，再去招人；
• 因为有岗位，所以有汇报线、层级、报酬，所有东西都跟岗位连在一起。
• AI 时代组织基本单元是任务：
• 即要被解决的事情；
• 大家围绕任务在流转；
• 组织完全不一样。
• 从岗位变成任务后，人怎么结构化？
• 阶段性产品是大家讲的 AI 嵌入工作流；
• 但这只是阶段性产品，因为工作流是为人设计的；
• 还是现有公司、组织加 AI；
• AI 原生组织会从第一天开始定义任务、拆解任务、分配任务；
• 所有人和 AI 都围绕任务归集；
• 员工和“探基员工”（原文，指 agent/数字员工一类）围绕任务流转协同。
• 以后找工作：
• 没有岗位，去认领任务；
• 大平台发布任务，你觉得能干就接；
• 能 deliver 结果，东西就上线；
• 公司只要发布任务，你只要认领任务；
• 组织更网状，层级进一步减少，甚至不存在。
• 层级为什么存在：
• 因为不知道谁说了算，所以先定一个层级，级别高的人说了算；
• 不是以判断力为标准；
• 层级本身跟判断力积累有关，但原则上是级别高谁说了算；
• 未来是谁能力强谁被调用；
• 基层、中层、高层结构也就没了；
• 岗位、中层、高层都是科层制管理，有垂直分工、命令线；
• 命令线打破后，协同不是靠命令；
• 传统意义上的忠诚肯定消亡。

5.2 激励、绩效与 high agency

• 设置层级的一部分原因是作为激励线，让你爬格子。
• 以后绩效考评和人的驱动力来自哪里？
• 本质上自驱；
• 这半年硅谷最流行的词叫 high agency，即主观能动性；
• 自己掌握自己的命运；
• 有没有成长，没有人比你更了解；
• 成长了、开心了，就继续做；
• 没成长、不开心，就换个地方。
• 竞争对象不只是同事，也包括 AI 同事。
• 个人要做的：

1. 更加向内看，找到自己的驱动力；
2. 明白要培养什么样的能力；
3. 找到这个能力最适合应用的场景，跟着场景一起成长；
4. 因为接了任务、交了结果，贡献透明，一定会得到相应奖励。

• Top 转会费高：
• 因为贡献很透明；
• 现在打 title 都叫顶尖研究员，没有 title，连 VP 都不写；
• 大家知道江湖地位，因为整个网络更加透明；
• 谁做贡献、谁不做贡献，很清楚；
• 两家公司都有前 30 人、前 300 人、前 1000 人，你在不在里面都很清楚。

5.3 New lab 与新组织形态

• New lab 是新的组织形态的早期雏形，会长期存在并演化。
• 为什么叫 new lab？
• 因为不满意公司，公司要被淘汰；
• 公司跟工业时代一起产生；
• 工业时代之前没有公司，只有手工作坊；
• 工业时代最大的制度创新就是有了公司这种组织形式；
• 让现代化管理可以被运营起来，支撑公司规模化扩张；
• 它是配套制度；
• 如果工业时代很多基本经济规律被挑战，组织形态肯定也被挑战；
• 所以大家更愿意叫 lab。
• 为什么说 new lab 是雏形？
• 它更像这批研究员在一起工作的状态；
• 但未来普通人可能也用类似、更加原生的方式工作；
• 所以会有新演化。
• 第一个 new lab：
• 原文说真正的第一个 new lab 是 OpenAI，或者说 Anthropic；
• 这批企业应叫 new new lab；
• 因为他们还是借用 new lab 组织形式，但开始做不同事情；
• new lab 的本质应该是 lab，不是公司；
• 未来不确定叫什么，大概率也不会叫 lab；
• 曾明在书里刻意从头到尾讲组织，特意不用公司这个词；
• 今年大家谈 AI 原生组织，用这么复杂的三个词，是因为不知道那个词还没被定义出来；
• 组织形态也在刚刚孕育期，可能五年后会有新词；
• 今天没有，所以叫 AI 原生组织，简称 new lab。
• 公司是否会消失：
• 科层制管理的公司制度会衰亡；
• 但人类的分工协作会继续，组织永远存在；
• 有人的地方就有组织；
• 组织用哪种形态，是历史演化过程。
• AI 革命为何剧烈：
• 类比工业革命，工业革命基本颠覆了农业时代所有东西；
• AI 如果是超越工业革命的技术创新，工业时代大部分东西也会被淘汰；
• 更底层角度：人类一直自豪是地球上唯一智能动物，典型标志是有语言、会说话；
• AI 也能说话，能理解人的所有知识，也具备智能；
• 未来世界变化超乎想象；
• 过去很多习以为常的事情，20 年后完全可能不存在。
• 艺人公司：
• 不会成为发展方向；
• 艺人公司只是公司很多职能坍缩到一个人身上；
• 一个人现在能干原来几十个人能干的活；
• 但一个人能干的活永远有限，一定要有组织、分工、合作；
• 艺人公司是阶段性产物；
• 它让大家理解一个人有了 AI 帮助，能干原来一个公司花很大管理协调成本才能干的事情；
• 将来每个人就是一个艺人公司，是六边形战士，再在组织里跟其他六边形战士合作。
• 传统公司怎么办：
• 已经形成的公司要转型、升级、成为新物种；
• 不换脑袋就换人；
• 自己的认知先要升级；
• 必须理解新物种会长成啥样，至少理解要跨过的鸿沟有多大，才会努力；
• 否则顺着惯性就是 AI 加一路加下去；
• 但原生的公司争起来时，就会很绝望；
• 转型非常困难，因为反人性。
• New lab 泡沫：
• 大概率有泡沫，但泡沫是好事；
• 早期泡沫肯定是好事，重赏之下才有勇夫；
• 大家看到类似机会，这是市场机制价值；
• 事先没有上帝视角知道谁对谁错，只能让大家试错；
• 市场知道这是方向，愿意投入资源支持试错；
• 这一轮 new lab 这么值钱、以这么高估值开始，是因为大家认为他们至少起步是 OpenAI、Anthropic；
• 潜在回报高，当下赌注更高；
• 即使 OpenAI、Anthropic 只是基础设施提供商，投资人依然得到一个十年内从零到 1 万亿的公司，回报无比巨大；
• 投 new lab 的人更多希望其中某一家最终成为下一个 OpenAI；
• 投资人只关心 OpenAI 未来三年从一亿多到至少 3 亿，最好 5 亿，否则投资连风险回报都没有。

5.4 文化：context not control、开放透明共享共创

• 新时代组织文化核心是创造，像球队一样，每个人不可缺少；
• 但依然有明星、前锋、后卫的分工差别；
• 文化一定是开放、透明、共享；
• 还有一个非常重要：共创；
• 大家都明白自己在共同创造新东西，合作和协同的意愿与能力会大幅上升。
• 为什么 context not control 重新火？
• 因为需要新文化，需要跟全员合伙人匹配的文化；
• 五年前讲 Netflix 甚至自己案例，大部分人觉得牛，但跟我没关系；
• 今天所有人都知道，要给够 context，他就能做出正确决策；
• 对齐是对齐目标跟认知；
• 然后给够、甚至全员共享一个完整上下文；
• 事情就会自然涌现；
• 人和 AI 都要共享；
• 人没有办法像 AI 那样处理海量信息，但人有瞬间创造力和看见不存在连接的能力。
• 老登现象：
• “老登”这个词特别有意思；
• 以前尊老爱幼，因为老的经验有价值、老的规范在延续，必须学；
• 现在为什么有老登？宏观上，原来那套东西看起来没什么价值，公司压力越来越大，谁也不愿意再科层制；
• 姚舜宇讲得特别直接：谁愿意陪老登玩，牺牲自己的青春年华；
• 个体上成立的原因：经验，特别是能转化成知识的经验，都不再有价值；
• 因为都被大模型吸收了；
• 年轻聪明人用好 AI 杠杆，瞬间成为任何领域专家；
• AI 现在也可以达到主任医生水平；
• 过去 20 年经验还有啥价值？
• 年轻人当然不尊重老年人；
• 老年人怎么办？安心养老，或者变得重新年轻。
• 为什么上一个时代公司让人不快乐：
• 大部分知识工作是简单枯燥、重复繁琐、没有成长性的；
• 自然觉得那只是一份工作，是消耗性的；
• 既不带来情绪价值，也不带来成长价值；
• 公司为了管理，偏控制性手段，盯得很死；
• 整个环境越来越不符合今天大家对文明、自我发展的理解；
• 曾明非常乐观，认为 AI 给了更大自由度，去追求想要的人生；
• 以后组织可能会更开心一点，开心可能成为必需品，对企业、对人都是必需品。
• 对创业者的要求变了：
• 不能是老板心态；
• 谁还认你？都不陪老登玩了，还陪你老板玩？
• 现在所有创业者第一优先级就是招人；
• 招人时都是求来的；
• 不能批 VP，因为 VP 别人也不认。

六、模型公司、AI 云与寡头格局

6.1 模型本质与类比

• 模型的本质可以类比为：
• 数据是新时代的石油；
• 模型是炼油厂，广泛提供基础设施；
• 从基础设施角度，又像 AOL（美国在线），互联网基础接入服务商，让所有人接到互联网；
• 今天大模型让所有人可以轻易接入智能，是智能入口；
• 因此模型公司也是基础设施服务商。
• OpenAI、Anthropic 等，说得直白一点就是未来的 AI 云公司。
• 为什么大模型公司和云厂商博弈复杂？
• 云厂商觉得付出太多、得到太少；
• 模型公司可能认为将来要自建云服务，甚至自研芯片；
• 两个生态可能碰撞、重新整合；
• 形成几个比较稳定的 AI 云公司，这是确定的。
• 大模型公司有没有机会从基础服务提供商变成成功应用公司？
• 这是一个开放问题；
• 曾明主观结论：概率不会太高；
• 因为历史上没有先例。
• Coding 的地位：
• Coding 不是主体，是大模型基础能力的延伸；
• Coding 要成为基础智能的一部分；
• 如果没有 coding，今天都谈不上调用 API，token 就不会成立；
• 因为有了 coding 能力，才让 token 变得有价值，因为智能程度、推理智能突破了。

6.2 领跑者未必活到最后

• 问：英伟达、OpenAI 等成立不到 10 年，短短几年市值万亿美金，历史罕见，怎么解释？
• 曾明认为这个描述本身是幻觉和误解：
• 年轻人容易认为每个时代“这次不一样”；
• 这是典型的“这次不一样”；
• 他专门查过：
• 雅虎 1995 年成立，2000 年达到 1200 亿美元市值，五年；
• 那时 1000 亿美元市值大概相当于今天 1 万亿美元；
• 按通货膨胀、纳指基本算进去，1000 亿美元按 8% 年回报，相当于今天 1 万亿美元；
• 2000 年能达到 1000 亿美元，五年，对大家的震撼和今天一样强烈；
• AOL 1988 年开始提供服务，2000 年高点 2200 亿美元估值，比雅虎还高，是当时市值最高的公司之一；
• 再去收购传统媒体、收购华纳，达到 3000 多亿美金；
• 谷歌 1998 年成立，2005 年达到 1000 亿美元；
• 黑莓巅峰时也是硬件厂家最快达到千亿美金估值的公司。
• 当一个技术有这么大冲击力时，第一波成功跑出来的公司就有这么大价值；
• OpenAI、Anthropic 是了不起的技术突破和商业成绩；
• 但这样的先例在历史上、在类似阶段都发生过；
• 他们不一定能活到最后；
• 很可能会往后活的不错，但大概率不是原生应用阶段的大玩家、大赢家。
• 石油比喻：
• 炼油厂和化工厂是两类企业；
• 化工企业后面比纯粹炼油企业有价值得多；
• 汽车离开石油肯定不赚，但石油公司肯定做不了汽车；
• 没听说过哪个汽车公司是由石油公司转化来的。
• 陆奇 2024 年说过：OpenAI 这种 AGI 公司未来一定会比谷歌大，只是大五倍还是大十倍的问题。
• 曾明：
• 理解陆奇想说的，即未来会有一家 AI 时代的谷歌公司，很可能比现在谷歌大十倍；
• 但陆奇说的是 OpenAI；
• 曾明相信未来一定会有一个 10 万亿美元的公司，但未必是现在领跑的这两家公司；
• 他自称也是 researcher，研究商业世界的动力学规律；
• 理论框架告诉他：第一阶段企业很难活到第二阶段，第二阶段企业很难活到第三阶段。
• 为什么第一阶段企业难活到第二阶段？
• 第一阶段技术核心是可不可用，有很多原创技术创新；
• 第二阶段开始的标志，是第一阶段技术发展渐渐缓慢，变成大家都能调用的技术，不用重新开发轮子；
• 第二阶段应用需要很强洞察力、产品原创力、普通用户同理心，以及应用技术的一堆新东西；
• 可以叫新时代的大模型，也可以叫别的；
• 比如上下文管理，有很多技术创新；
• 到底定义为大模型还是不是大模型，并不清楚；
• AI 还有很多新范式会出来，比如现在很多 new lab；
• 一部分 new lab 可能转向支持这个阶段应用需要的新技术；
• 这些结合可能变成第二阶段的王者；
• 技术依然在进步，但未必沿原来轨迹线性增长，也可能有技术范式变化。

6.3 寡头垄断 + 政府强监管

• 最后模型公司格局会怎样？
• 公共基础设施行业只有一种模式成立：寡头垄断 + 政府强监管。
• 原因：
• 整个社会依赖它，政府一定强监管；
• 供给如此重要，不能只有一个供应商；
• 基础设施投入这么大，不会无序竞争，不会有很多供应商；
• 经典寡头竞争；
• 政府强监管保证社会有稳定、低成本供给；
• 水电费不能随便涨价。
• 现实对很多创业者残酷。
• 模型公司有优劣之分：
• 这是这个阶段最有价值的竞争；
• 产业终局并不否定现阶段这些企业的重要性和了不起；
• 今年 Anthropic 先领跑，OpenAI 跟上，谷歌阶段性被甩下；
• 组织能力跟技术能力出现差距；
• xAI 和 Meta 直接退出竞赛，在寡头过程中已经有人退场掉队。
• 为什么 xAI 和 Meta 掉队？
• 跟新书里“智能福利”/“智能复利”基本概念有关；
• Anthropic 从去年下半年到今年上半年，开始用大模型训练大模型；
• 即 AI 进入他们的主页，叫大模型训练；
• 把 AI 工具用到自己的主页上，模型训练能力大幅提升；
• 今年上半年大家如此兴奋，是因为发现大模型还可以用这么快速度提升性能；
• 因为大模型本身进入训练过程；
• 但还没到完全自我驱动的 self learning，只是局部被使用，已经产生很大价值；
• Anthropic 也有组织优势、战略聚焦；
• 其他几个公司相对弱；
• 组织优势 + 新技术运营方式结合，产生巨大领先优势；
• 领先优势已经开始把较弱玩家往后甩出去。
• 中国模型公司：
• 中国跟美国保持两个不太一样的生态；
• 中国模型公司会持续追赶和发展；
• 中国公司之间竞争也会类似美国，几家大大小小公司；
• 最后今年年底谁跑不到 3T 模型，估计谁就出局；
• 淘汰赛像世界杯，八进四、四进二；
• 8 进 4 大概率开始淘汰；
• 最后留下有限几家成为基础设施；
• K3 刚到了 2.8T；
• 智谱有点领跑；
• Kimi 在 3T 上先交卷，成绩基本满意；
• MiniMax 很快会发；
• 大家都在跑最基本的晋级线。
• 模型格局今年会稳定吗？
• 不一定；
• 可能要到前两名、前三名优势基本跟后面拉大以后；
• 这两三家可能就不太容易再拉开；
• 即黑洞效应，让其他家很难超越；
• Anthropic 跟 OpenAI 在美国从智能复利飞轮开始，继续往 self improving 走；
• 差距越来越大，形成黑洞效应；
• 美国云厂商有点慌；
• 将来这两者之间合作关系变得非常重要。
• 做模型窗口：
• 作为基础设施的大模型公司窗口肯定关闭；
• 已进入竞争，接近智能飞轮跑起来；
• 新进来完全没有积累。
• 模型公司趋同还是分化：
• 寡头竞争特征是有一定差异化，但又足够同质化；
• 同质化保证可以被替代；
• 差异化让大家还有钱赚；
• 模型公司是好生意，是很好的成熟生意；
• 但不会是当红榨汁机；
• 过三五年，如果没进入下一阶段竞争，就成为大家都调用你的服务，不稳定时 complain，不会天天夸你。

七、Agent 应用：第二阶段的核心战场

7.1 从简单脚手架到复杂任务

• 现在就是百花齐放，大家各显神通，都在找切入点。
• Agent 元年：
• 去年就有人喊 agent 元年；
• 曾明去年夏天在硅谷经历第一波 agent 火爆；
• 去任何 demo day，基本十几个项目，各种各样 agent；
• 偶尔几个做基础设施，大部分做应用；
• 但那些应用今年都不怎么样了；
• 因为去年应用做的都是特别简单的任务；
• 一场十个 demo，大概三五个做广告，有的做素材生成，有的做投放；
• 这么简单的事情，不太可能有长期价值。
• 当时看好增长：
• 有家企业开始想做增长；
• 增长很复杂，得做复杂任务；
• 做复杂任务，智能才可能建立自己的智能闭环；
• 才可能做一堆更有价值的技术积累，而不是搭脚手架；
• 当智能能力不够时，做应用很大程度上是在做脚手架；
• 等着模型自然艺术把你脚手架淹没。
• 今天做应用的切入点和思路完全不同：
• 要假定智能完全够用；
• 核心是干活，干复杂活；
• 越简单的活越容易被复杂的活吞掉；
• 因为没有多少成长空间，干完就干完了，停在那边。
• Manus（原文 minus）：
• 曾明有一阵子没接触，不知道下一步思路；
• 当时市场感觉非常敏锐；
• 抓住 coding 溢出的特别难得的机会窗；
• 定位通用 agent；
• 当时能触达的是一批 prosumer 的生产力需求；
• 切入点对；
• 今天一个 agent 要立住，至少要找一个十倍以上的切入点，才有发展空间；
• 十倍以上，即比那个应用场景要大十倍以上；
• 做 PPT、出报告，那些都不够大；
• 今天技术又往前拱一步，智能程度又拱一步，做长程规划等比以前进步很多；
• 能不能往前大走一步，把复杂任务解决。
• 通用还是垂直：
• 这是接下来比创造力、比天分的地方；
• 教育、健康是典型大垂类，只要在里面耕耘；
• 关键是在垂类里找到足够好的切入点，现在能切进去，将来能长大；
• 通用里又分 to B 和 to C；
• to B 里哪个关键，又不一样；
• 今年年底会听到一堆要做组织大脑的 agent；
• 组织大脑就是 agent，组织操作系统，不同叫法；
• 操作系统或 CEO 的 agent 团队，肯定是今年很火的主赛道；
• To C 端又开始重新做情感陪伴、解决问题等。

7.2 数据飞轮升级为智能飞轮/智能复利

• 很多人说这一波应用很难形成上一代互联网、移动互联网那种数据飞轮。
• 曾明认为：
• 数据飞轮升级到了智力飞轮，即智能飞轮，也就是智能复利；
• 今天大家也在讲数据飞轮，数据飞轮一直存在；
• 互联网更特别的是网络效应；
• 数据飞轮到智能飞轮，要真正把数据飞轮跑起来，像今天的具身机器人一样；
• 也要有算法创新，也要有应用场景，是三结合的东西；
• 智能复利，要形成新的学习场景；
• 调用基础智能，但让 agent 具备更高智能去完成特定任务；
• 在特定任务过程中，一定有数据飞轮；
• 数据飞轮前提是真实世界反馈；
• 反馈前提是这个选的要能独立去干活，离开人的参与；
• 中间一定有算法创新，包括上下文管理、记忆、新交互方式；
• 形成智能复利，在这个场景下越来越聪明；
• 智能复利能渗透、延伸到其他场景，解决更复杂任务；
• 这就是发展路径；
• 找到或运气好撞上最有规模化、最能泛化场景的人，最可能形成黑洞效应，跑出来进入第三阶段竞争；
• 这需要好多条件才能达成一个原始应用产生；
• 现在还没看到好场景，有的话肯定火了，大家都会抢着用。
• 原生应用一定是口碑的：
• 第二阶段最好的东西一定是口碑的；
• 一定在体验上有大突破；
• 像“龙虾”也是自己报的，没有人做投放；
• 雅虎也是一样，口碑相传，夸一下就火了。
• 曾明个人经历：
• 1993 年在 UIUC 读书，是浏览器诞生地；
• 可能是全世界最早用浏览器的一万人之一；
• 整个校园都疯了，天天晚上不睡觉，用浏览器看各种东西；
• 马上大家觉得网上能看的东西怎么这么少；
• 就有人意识到做个网站上传上去肯定最有意思；
• 马上有人发现这是商业机会，能赚钱，飞轮就转起来；
• 在 open cloud 时刻，感受到了 92、93 年浏览器爆发的时刻；
• 大家装不上 open cloud 都感觉非常焦虑，怕被时代淘汰。

7.3 网络效应与黑洞效应

• 网络效应会继续存在：
• 像基础设施一样，成为这个时代标配；
• 最后还是要广泛连接；
• 从数据本质来说，越多元化、越差异化的数据，越能产生新洞察；
• 同类型数据规模到一定程度，价值边际效应递减。
• 网络效应升级版是黑洞效应：
• 应用场景越多，连接越复杂，越有可能拓宽智商；
• 黑洞效应某种意义上是 AI 时代网络效应的升级版；
• 曾明在《智能商业》里讲过 DNA 螺旋两个组成：数据智能和网络协同；
• 黑洞效应相当于这两个都升级了；
• 数据智能：今天 AI 还是数据智能，并没有进入所谓符号的 AI 智能阶段；
• 网络协同：变成黑洞的内部网络结构，能够快速吞噬多少场景，而不是原来简单连接。

7.4 平台、入口与 Agent OS

• 新时代还会出现平台吗？
• 肯定会，入口就是平台。
• 上一代平台很多是因为信息效率不够高，需要平台让信息效率进一步流转；
• 今天可以用判断力代替信息不对称，但判断力也是稀缺资源；
• 会出现双边市场：海量 agent 开发商与海量用户之间怎么完成匹配；
• 看一个网站很容易判断好坏，成本不高，不好就不看；
• 但用一个 agent 可能出现很大负面影响；
• 判断 agent 的能力要求更高；
• 这个阶段大概率会让渡这种判断力给一个独立第三方，我们认为是信任的；
• 这就是典型双边市场结构，双边市场有中等程度网络效应。
• 新平台和旧平台不一样：
• 旧平台做简单信息匹配；
• 新平台做能力与需求匹配；
• 复杂度高了很多；
• 两边的东西发生变化，是新物种的匹配；
• 虽然还是匹配，但匹配的东西不一样；
• 大概率诞生新公司；
• 旧平台不能演化过来；
• 因为如果不是 agent 原生，怎么判断 agent？怎么给 agent 提供最好的通用开发平台？
• 走平台这一步还有点远，可能还要几年，大概三五年。
• Agent OS：
• 什么是 OS？曾明认为没有人能定义；
• 他把 OS 放在第三阶段；
• OS 开始调度资源，不再做匹配；
• 只要告诉一个意图，就直接调用市场上所有 agent，帮你把活干完；
• 你都见不到那个 agent；
• 首先 agent 得真正爆发出来；
• 一定要经历第二阶段；
• 只有到足够复杂阶段，才需要直接调度 agent；
• agent 也得成熟到那个阶段，才能被简单调用；
• OS 比我们想的可能要远，是第三阶段的事情；
• 但第二阶段容易畅想第三阶段，讨论有意义，但大概率无法落地这个阶段。
• OS 话语权可能被谁争夺？
• 模型公司、应用公司、互联网公司、算力公司，或苹果这样的软硬一体公司；
• 照曾明理论框架，肯定是一个谁都不知道长啥样的公司；
• 这才叫大创新，否则不值未来价值；
• agent 能长成啥样，现在不知道；
• 第二阶段 agent 的原生硬件长啥样，也不知道；
• 得这两个东西都足够探索到硬的阶段，才会找到最自然的跟 AI 互动方式；
• 那时 AI 真能提供现在想象不到的便利性；
• 那就是未来科幻，可以问科幻小说家。
• 讨论第三阶段的好处：
• 大概知道最终终局方向；
• 做第二阶段时更有针对性；
• 第二阶段中后期，一部分人注意力会开始走向第三阶段。

7.5 应用冰点与反共识阶段

• 今年 agent 应用公司都很惨淡，可以说是近两年来 agent 应用冰点。
• 去年大家投资应用公司热情挺高；
• 今年觉得那不就是模型的一个 skill，应用公司都很难融资。
• 这个现象是短暂还是长期？
• 曾明认为现在是应用领域创业者的反共识阶段；
• 因为没有一个好的应用让大家看到多大潜力、该怎么做；
• 大家都在摸索；
• 比如视频生成，已经相对成熟，做 agent 的公司也很多；
• 最终目标可能都要做 AI 时代的 TikTok、抖音；
• 但离现在很远，第一步做啥非常考验功力；
• AI 短剧动漫门槛太低，半年大家就都干完了；
• 而且 AI 模型能力顶上来以后，基本就干完了；
• 所以处在一个青黄不接的时候：
• 模型能力已经溢出到很多简单任务，自己就能干；
• 但又没有找到足够大的场景，可以用 agent 方法让 AI 做足够复杂又有足够价值的事情；
• 还能性价比非常好、智能用得很充分、形成自己独特技术积累。
• 大部分人低估了 agent 难度：
• 去年像小孩过家家，有个新玩具，好多好玩事情，大家下场玩，没觉得能做多大；
• 考核标准很简单，只要有 ARR 就好；
• 新技术当然有价值，总有人愿意付费；
• 有好的 ARR 大家就很开心；
• 去年年底整个硅谷像创业天堂，所有人玩得很嗨；
• 今年模型能力大突破，原来过家家的小孩子被淹没；
• 今年普遍感受：智能真能干活了，可以信赖了；
• 推理能力达到一定水平；
• 开始真有人想：能不能严肃拿它干点重要的活；
• 这才是应用阶段开始的真实标志。

7.6 模型吞噬一切吗？电气化历史类比

• 模型公司会吞噬一切吗？
• 前提是所有的东西都在模型射程内；
• 按现在范式发展的模型，会有一个阶段性发展阶段，智能够用了；
• 然后这个阶段会有一堆新技术要求出来，去做不同场景下的东西；
• 模型不可能吞噬所有一切。
• 电气化历史类比：
• 1892 年爱迪生发明电灯泡，照亮曼哈顿一平方公里范围；
• 1910 年实质性突破，美国大概在那之后有了发电厂、电网概念；
• 1910 年电网覆盖美国主要城市；
• 同年终于出现两个大应用：洗衣机、电冰箱；
• 加上收音机；
• 第三个离不开的家用电器是空调，1925 年才出现；
• 电视机 30 年才出现；
• 今天离不开洗衣机、电冰箱、空调；
• 但收音机、电视机被压缩到手机里，这两个基本没有了；
• 电视机还有一点存在感，但基本被电脑和手机取代。
• 公司层面的选择：
• 爱迪生发明了电，但认为发电更重要，成立通用电器，最早做发电设备；
• 他没有意识到电网非常重要；
• 他的助理离开，成立了美国第一家送电公司；
• 通用电器真正成功，是因为生产出最早的电冰箱和洗衣机；
• 所以它是因为一个 to C 应用突破后，电网成了基础设施，成了 to B 服务的基础设施；
• 大家不再关心电网公司的品牌；
• 通用电器繁荣了 60 年，把各种各样应用一步步做出来。
• 软件层面：
• 刚才说的是硬件 to C 产品，那时没有软件，因为没有知识、没有数字化信息；
• 互联网开始积累，但积累很浅；
• IBM 成立于 1910 年，因为开始有设备，要处理数据；
• 现代化工厂出现，要人管理信息；
• IBM 真正大发展是计算机出现以后；
• 智能时代要看谁能更好利用智能，做出一个 to C 或 to B 产品，不管硬件还是软件。
• 应用公司要不要训模型？
• 现在应用公司做着做着会开始续模型，觉得没有自己模型，跟模型公司竞争没竞争力；
• 曾明澄清概念：把 agent、智能体当作新时代主体，创业的关键；
• agent 跟模型之间边界会逐渐清晰；
• agent 公司的技术创新可能也非常大，只是不一定跟现在大模型技术创新轨迹一样；
• 大模型之间竞争关系，会让大模型能提供的能力成为大宗商品基础设施；
• 做智能体的公司没必要再开发这样的大模型；
• coding 不是定义的主体，只是当时 coding 能力不够时，试模型能力边界在哪；
• 模型发展后，coding 被包进去，成了模型迭代的养料；
• 这是两个完全不同的阶段；
• 过去两年不太容易找到规律，因为东西都在动态发展；
• 理解基础设施跟 agent 发展的根本差别后，问 agent 的人，他们可能认为将来技术应该跟大模型技术有比较清晰边界；
• agent 公司不用训传统意义上的模型；
• 因为可以稳定调用，不用担心模型公司切断，有合理替代品随时接上来；
• Manus 需要自己训模型吗？看它接下来想训什么模型；
• 做 agent 也要做很大技术投入，Manus 正好卡在中间，得探索边界在哪；
• 可能都是阶段性遇到的问题，慢慢产业生态会更清晰；
• 开始有几个像样的 to C agent 跑起来后，大家就有感觉了。
• Open Pr 为什么火热一下热情就下去？
• 小众用户，极客跟 CEO 最感兴趣，没有扩大大众；
• 技术不成熟，大部分 CEO 被折腾得痛不欲生，真正能把“龙虾”跑起来的没几个人；
• 它是一次很好的演练，让大家看到潜力和方向；
• 产品本身是早期实验产品，是创新扩展周期里最早极客尝试的实验产品；
• 今天还没有一个非常好的 to C 应用、to C agent；
• 但会出现，也没那么悲观；
• 投资人角度：上一轮受了伤，这一轮没看到像样的，可能不想看了；
• 如果没有 to C 好应用，应用最后可能其实就是几个模型公司做的最大的机会；
• OpenAI 一直就想做，但能不能做到看组织能力、创新能力；
• 模型公司一定会想做，也一定会做，最后能不能成是另一回事。
• 给应用公司 CEO：
• 找到自己发展方向，认真做好自己的事情；
• 融资很现实，早期做全新事情就是比较困难。

八、New Lab 与 New New Lab

• 2026 年还有一个现象：美国、中国出现很多 new lab。
• 方向可能有 AI for science、世界模型等。
• 为什么出现、为什么需要探索新模型范式？
• 一部分人看到现有范式的天花板；
• 或从原理上，像“严老坤”（原文，疑似 Yann LeCun，未确认）认为这个事情有偏差、天花板有限；
• 终于有机会试自己一直有的想法；
• 一类认为 scaling law 有边际递减趋势，不管现在发展多好，早晚有趋势，可能是部分人共识，所以一起出来；
• 大模型基础能力到一定程度，可以去尝试跟现有大模型技术路径不太一样但也很底层的创新；
• 比如 AI for science，难度类似，也需要大模型支持，但做的事跟现在大模型技术路径不太一样；
• 这几大类被统称为 new lab。
• New lab 是过渡现象还是长期组织形态？
• 曾明认为是新的组织形态的早期雏形；
• 会长期存在，会继续演化。
• 为什么叫 new lab？
• 因为不满意公司，公司要被淘汰；
• 公司跟工业时代一起产生；
• 工业时代前只有手工作坊；
• 工业时代最大制度创新是公司，让现代化管理运营，支撑规模化扩张；
• 如果工业时代基本经济规律被挑战，组织形态也被挑战；
• 大家更愿意叫 lab；
• 但 lab 是雏形，因为它更像这批研究员在一起工作的状态；
• 要变成未来普通人可能也用类似、更加原生的方式工作，会有新演化。
• 第一个 new lab：
• 原文说真正的第一个 new lab 是 OpenAI，或者说 Anthropic；
• 这批企业应叫 new new lab；
• 因为他们借用 new lab 组织形式，但开始做不同事情；
• new lab 的本质应该是 lab，不是公司；
• 未来不确定叫什么，大概率也不会叫 lab；
• 曾明书里刻意从头到尾讲组织，不用公司这个词；
• 今年大家谈 AI 原生组织，用这三个词，是因为那个词还没被定义出来；
• 组织形态在刚孕育期，可能五年后会有新词；
• 今天没有，所以叫 AI 原生组织，简称 new lab。
• 公司作为工业革命产物可能消失：
• 科层制管理的公司制度会衰亡；
• 人类分工协作会继续，组织永远存在；
• 有人的地方就有组织；
• 组织用哪种形态，是历史演化过程。
• 为什么 AI 革命变化如此剧烈？
• 类比工业革命，工业革命基本颠覆农业时代所有东西；
• AI 如果是超越工业革命的技术创新，工业时代大部分东西也会被淘汰；
• 人类一直自豪是地球上唯一智能动物，标志是有语言、会说话；
• AI 也能说话、理解知识、具备智能；
• 未来世界变化超出想象；
• 过去很多习以为常的事情，20 年后完全可能不存在。
• 新组织怎么搭建？
• 岗位可能不存在；
• 岗位是公司最基本运行单元；
• AI 时代组织基本单元是任务，是要被解决的事情；
• 大家围绕任务流转，组织完全不一样。
• 从岗位到任务，人怎么结构化？
• 阶段性产品是 AI 嵌入工作流；
• 但工作流是为人设计的；
• AI 原生组织从第一天开始定义任务、拆解任务、分配任务；
• 所有人和 AI 围绕任务归集；
• 员工和“探基员工”围绕任务流转协同；
• 这超出大部分想象，需要时间消化；
• 以后找工作没有岗位，去认领任务；
• 大平台发布任务，你能干就接，能 deliver 结果就上线；
• 公司只要发布任务，你只要认领任务；
• 组织更网状，层级进一步减少，甚至不存在。
• 层级为什么存在？
• 因为不知道谁说了算，先定层级，级别高的人说了算；
• 不是以判断力为标准；
• 未来是谁能力强谁被调用；
• 基层、中层、高层结构也没了；
• 科层制管理有垂直分工、命令线；
• 命令线打破后，协同不靠命令；
• 传统意义上的忠诚肯定消亡。
• 激励与绩效：
• 设置层级一部分是激励线，让你爬格子；
• 以后绩效考评和人的驱动力来自哪里？
• 本质上是自驱；
• 这半年硅谷最流行 high agency，即主观能动性；
• 自己掌握命运；
• 成长、开心就继续做；
• 没成长、不开心就换地方；
• 竞争对象不只是同事，也包括 AI 同事；
• 个人要：向内看找驱动力；明白培养什么能力；找能力最适合场景，跟场景成长；接任务交结果，贡献透明，一定得奖励；
• Top 转会费高，因为贡献透明；
• 现在打 title 都叫顶尖研究员，没有 title，连 VP 都不写；
• 江湖地位大家都知道，因为网络透明；
• 前 30 人、前 300 人、前 1000 人，你在不在里面都很清楚。
• New lab 泡沫：
• 大概率有泡沫，但泡沫是好事；
• 重赏之下才有勇夫；
• 大家看到类似机会，这是市场机制价值；
• 事先没有上帝视角知道谁对谁错，只能让大家试错；
• 市场知道方向，愿意投入资源支持试错；
• 这一轮 new lab 值钱、估值高，因为大家认为至少起步是 OpenAI、Anthropic；
• 潜在回报高，当下赌注高；
• 即使 OpenAI、Anthropic 只是基础设施提供商，投资人依然得到十年内从零到 1 万亿的公司，回报巨大；
• 投 new lab 的人希望某一家成为下一个 OpenAI；
• 投资人关心 OpenAI 未来三年从一亿多到至少 3 亿，最好 5 亿，否则风险回报不够。

九、机器人：早期探索与两条路径

• 机器人现在还在非常早期，还在摸索到底怎么落地。
• 核心制约：
• 数据；
• 不像大模型公司原来起来时有足够数据；
• 有些现实制约，让它们还在非常早期的战略探索期。
• 两种做法：

1. 先从大脑开始做，追求机器人大脑模型的泛化性；
2. 从某个场景开始做，做具身、做身体，在场景里通过数据跑通闭环，再反哺模型能力。

• 哪条路会赢？
• 逻辑上两条路都成立；
• 没法事先判断；
• 泛化路挑战：泛化空间有多大；
• 场景路挑战：在具体场景，特别大场景下，效果够不够好；
• 场景路公司现在能找到的场景都不够大；
• 能力能不能快速扩张到足够大场景，既能做好，又有泛化可能性；
• 像爬一座山，可以从南坡爬，也可以从北坡爬，事先很难说谁快。
• 类比：
• 机器人公司自己认为还在 2020 年左右的阶段，还没到 ChatGPT 阶段的大模型公司；
• 也可以类比汽车：1900 到 1920 年，美国真有几千家公司造车；
• 有人觉得有一个机械功能，能把车敲出来，马达都买别人的；
• 后面出现原生应用：福特汽车；
• 1913 年福特建了全世界第一条由电驱动的流水线，现代制造业进入新阶段；
• 福特用极高效率生产大众消费得起的汽车，是汽车行业第一个 to C 突破；
• 福特成为现代工业时代代表；
• 后面插曲：福特通过规模化、标准化只卖黑色车做到全美第一后，大众需求开始多元化；
• 出现通用汽车，有七八种车型竞争的下一个阶段；
• 说明每个战略都要在当时那个时期有效才有效，不是亘古不变。
• 现在：
• 大家都能搓一个机器人公司；
• 哪个机器人公司能完成规模化量产，谁都不知道；
• 也许还在等待 T 型车阶段（原文“梯型车”）；
• 能够规模化量产就很了不起；
• 谁第一个真的实打实把一万台机器人卖出去，已经是了不起成就。
• 更好的类比：电出现后电器的出现。
• 基于电可以有 N 种电器；
• 冰箱和洗衣机谁更重要不好比，大小也差不了多少；
• 所以可能出现 N 个不同机器人，适用不同大场景；
• 家用机器人肯定是一个；
• 家用里可能分陪伴型、家务型；
• 工业场景或外面各种场景，是普遍事情。
• 为什么看好机器人？
• 它是 AI 跟物理世界交互的基本界面；
• 有点像电，什么东西都可以被电重新干一遍；
• 机器人可能更好的类比是电器发展；
• 汽车是其中主打，因为 token 类比电；
• 汽车是对外场景，对家庭场景就是洗衣机、冰箱。

十、创业者、创始人层级与卓越

• 新时代创业者特征：
• 这个阶段变化非常明显，就是科学家创业；
• 但不会持续到下个阶段；
• 下个阶段科学家创业比例会大幅下降。
• 优秀创始人和卓越创始人的差异：
• 卓越难，卓越是事后认定的；
• 因为克服了一次次负反馈，当所有人不认可你时，最后以巨大成功证明你是时代最早的那个先知；
• 卓越过程是逐渐展开的；
• 优秀是持续有正反馈的成长过程；
• 两条路径完全不一样；
• 大部分人是优秀的人，因为优秀跟人的心态比较匹配；
• 跟卓越同比例的，是很多疯狂失败的人；
• 真正卓越的人是有疯狂想法的人，能走向卓越的非常低比例；
• 狂想的人可以很多、很容易，但想对了还能落实，是极为稀缺的能力；
• 问这些人，他们未必认为自己有什么不同。
• 《基业长青》《从优秀到卓越》作者：
• 曾明提到“基业长期”（原文，疑似《基业长青》）以及《从优秀到卓越》；
• 同一作者；
• 真正问这批人，他们有一个极大特质：把成功归于别人，认为自己是因为运气；
• 收集访谈、对外沟通信息；
• 听起来反常识，但真正体会应该是那样。
• 为什么？
• 因为事情大于人；
• 一定自我很小才能走那么远；
• 是时代成就了你；
• 你只不过碰巧在合适地方、跟合适人、做了合适事情；
• 如果只为证明自己、证明自己多牛，第四级领导者在某个时间点世界都会打脸；
• 自我小一点才可能；
• 利他、同理心和自我逐渐变小，大概是走向卓越必不可少的因素；
• 自我大，会一直想证明自己，一直在正反馈循环里；
• 大概率走的是普遍性正确的道路；
• 急着证明自己，需要短期反馈；
• 为了自己的一果，不会真正感知和理解真实世界；
• 对信息处理一开始就容易受先入为主判断影响。
• 另一条路：
• 想的是怎么把事情最大化，把事情做好；
• 愿意听更多人不同意见；
• 相信大家都很优秀；
• 为了成就共同梦想；
• 整个公司凝聚力不一样；
• 这是真正意义上的使命驱动公司。
• 公司四个层级：

1. 机会驱动的公司；
2. 战略驱动的公司；
3. 远见驱动的公司；
4. 使命驱动的公司。

• 使命：
• 使命是发自内心的，真心 believe、完全相信、拥抱；
• 不是编出来写在墙上激励别人的；
• 那样的人非常少。
• 怎么辨别使命还是战略？
• 只有自己知道，可能自己都不知道；
• 经常有创业者来讨论战略，曾明第一句话往往把他们搞懵：
• “十年以后你会对怎样的自己满意？”
• 这个问题最能反映你对自己当下是什么期望，你这一段旅程是什么驱动的；
• 本身也是自我异购的问题，有自我异购才会想十年后的自己是什么样。
• 回答示例：
• 有的人说：我就是对这个事情特别感兴趣，希望这个事情能成——这种肯定事情已经大于人；
• 有的人说：我就是好奇——也比证明自己有意思；
• 有的人说：我就是要做一个 100 亿美金的公司——这是负分答案；
• 因为基本上是自我驱动，要外部认可；
• 很多决定会基于这个去做调整和变化；
• 不是内在驱动，是外部驱动，受外部衡量标准影响很大；
• 每一轮估值容易对它产生冲击，像在交答卷。
• 听过最好的回答：
• 马老师最早创业之前讲的“让天下没有难做的生意”；
• 那是他自己发自内心相信的东西；
• 是使命，不是战略。
• 马斯克去火星也是使命，是脱离自我的事情，把人类带入外太空时代。
• 非共识、噪音怎么辨别？
• 跟战略制定有关系；
• 一个尽量感知全面一点，真实体会外界发生什么变化；
• 第二个思考更深入一点，慢慢分清楚噪音和信号；
• 很多人不过脑，当下流行什么就跟着流星去了，很累；
• 一直在追趋势，别人已经领跑两步，你没看见，只看见他冒出水面第三步，追肯定第一天就输；
• 接触面太窄，容易做出局部最优判断，失去更大范围视角。
• 心法：
• 曾明个人比较爱琢磨心法层面；
• 理论的东西容易把大家框住，只记住那句话，照葫芦画瓢容易出问题；
• 心法掌握后，能根据具体情况随机应变。

十一、AI 时代社会、教育与创造力

11.1 社会消化周期与人的差异

• 当人工智能成为新的生产资料和基础设施，社会需要多长时间消化？
• 一代人，20 年起步；
• 因为他们才是原住民。
• 如果智能能像能源一样从外部获得，未来人和人的差异在哪里？
• 创造力的差别。
• 德鲁克框架：
• 工业时代以来三个阶段：

1. 生产力革命：流水线取代手工作坊；
2. 管理革命：约 100 年前开始，泰勒科学管理方法，商学院出现，给现代化管理匹配管理人员；
3. 知识革命：从 70 年代开始，软件成为重要发展方向，软件核心是处理人类知识，把知识跟最优实践通过软件方法沉淀下来，变成标准执行方法。

• 曾明借用框架：
• AI 时代可定义为创造力时代；
• 所有可以被结构化处理的知识类型工作都会被 AI 接管；
• 人一方面被逼着开发新潜能，另一方面终于被解放出来，可以去开发潜能；
• 这个空间非常大；
• 方向就是创造力，AI 做不了的事情；
• 需要对创造力有更好的理解和重新定义；
• 创造力不是简单会写首歌、会画幅画；
• 可能是更多原创地定义复杂问题的能力；
• 电真正发明、流水线出现后，才有产业工人、技术工人、白领；
• 这些是 19 世纪的人根本想象不到的；
• 未来所有人努力方向就是开发自己的创造力；
• 是一种原创造力，无中生有的能力；
• 有的东西机器都知道、都获取到了；
• 创造可能从机器角度很无聊；
• 可能是情感陪伴、人跟人之间有的没的、想要的各种以前没被开发的需求；
• 也许不贡献物理世界巨大进步，但对人类成长和幸福感有很多帮助。

11.2 商学院、办公室与虚拟世界

• 商学院会消失吗？
• 商学院已经不行了，都在衰落。
• 围绕公司建立的办公室等，可见的都会发生巨大变化；
• 虚拟世界比例会越来越高；
• “meworks”（原文）方向没错，可能只是时间早了五年。

11.3 教育体制与年轻人冲突

• 如果对人的能力需求发生变化，教育体制一定会改变。
• 以前教育体制本质是知识灌输：
• 是一种智商激励；
• 智商开发是第二位的；
• 知识灌输是第一位。
• 结果：
• 从小到大很多兴趣被压抑；
• 没有顺着开放探索路径开发潜能；
• 都在最早时间为了不输在起跑线，被摁在原来世界的固定模式里。
• 接下来最大冲突是教育系统的冲突：
• 年轻人已经知道未来跟今天想象的完全不一样；
• 随便问高中生，他们大概都知道用现在方法，大学毕业以后找工作都找不着；
• 他们可能有很多想象，但我们肯定不敢让他们走他们的路；
• 所以他们卡在这了；
• 问更年轻的家长：刚生下来的小孩该怎么教育？
• 肯定知道要用新方法教育，只是不知道用什么方法；
• 这是特别需要整个社会花很大资源跟力气去探索的方向。
• 无中生有的能力：
• 有的 AI 都有；
• 人需要做无中生有。

11.4 人与 AI、系统、硬件

• 人和系统、人和 AI 的关系未来怎么演变？
• 在组织里非常明确，是一个深度协同的关系。
• 社会层面：
• 先不谈 ASI、超级人工智能会长成啥样，大家也没共识；
• 在这一轮能看到的 AI 时代，肯定会渗透到社会方方面面；
• 像过去十年我们已经离不开手机一样；
• 将来每个人身上某个地方挂一个摄像头，有一个语音接收设备，可穿戴东西满身都是，加上外骨骼；
• 人就成了一个加强版的人；
• 这完全可以想象。
• 硬件：
• 硬件产品是这一两年的热点；
• 各种消费硬件层出不穷；
• 像 2000 年以后大家都在做电器、家用电器；
• 最后能立住的是那几个大品类，还有无数小品类；
• 不知道会是什么；
• 美国很早出现烤面包机，大家现在还用，但不够大、技术不够复杂，没法养一个大公司；
• 很多新公司，这就是“一切都会被重新来一次”；
• 但哪些是大东西、哪些是小东西，哪些是主、哪些是辅，谁用哪种方法找到面向未来的密码，都是不确定的。
• 基本态度：
• 原来倾向于降低不确定性；
• 这个阶段需要拥抱不确定性；
• 不确定性就是最大的机会；
• 心态先改，不能恐惧；
• 见到不确定性、复杂性就恐惧，肯定没法往前走；
• 面对巨大不确定性和复杂性，觉得特别好玩、特别有机会创造新东西；
• 这才是年轻一代创业者的心态；
• 我们有点杞人忧天，担心太多。
• 曾明的使命：
• 做一个快乐的研究员；
• 希望让人类更快乐，至少是这么希望。
• 技术带来新问题：
• 整体上，哲学层面可探讨；
• 抛开哲学，文明进步就是技术不断带来新可能性，人驾驭好新技术，进入新文明发展阶段；
• 新文明比旧文明，快乐指数提升还是降低？哲学不好说；
• 从一般衡量指标，肯定是进步；
• 没有空调是啥感觉？
• 农业时代温饱一直是几万年问题，工业时代基本规模化解决；
• 消费时代解决消费不足，现在物理产品基本供给过剩；
• 互联网解决信息不对称，全天下人可以共享；
• AI 有这么多智能解决方案后，可以做更有趣的事情。
• 以后组织评判标准：
• 一致：能不能让人更快乐，让身处其中的人快乐；
• 从谷歌开始就是这样；
• 07、08 年的谷歌在硅谷是神一样的存在，比今天两家公司影响力还大；
• 才有那么多人参观谷歌，为去食堂蹭饭、感受氛围；
• 所有最优秀的人都要去谷歌；
• 当时氛围本质是尊重人的差异化，释放人的创造力；
• 让你有 20% 时间干自己想干的事情；
• 提供最好的食堂；
• 谷歌最早隐隐约约感觉到未来需要新文化、新组织方式；
• 这个趋势会继续延续。

十二、曾明的个人工作方式与快问快答

• 典型的曾明教授一天：
• 做一个快乐的研究员；
• 第一，跟创业者聊，看他们最新想法；
• 第二，看最新资讯，看类似访谈；
• 这样有很多信息输入，可以做数据训练，让自己不那么累、不那么辛苦；
• 今年上半年大部分人已有深刻感受：AI 工具如此高效率，很容易把自己弄得极为疲惫，因为根本跟不上处理速度；
• 所以现在大家开始反应过来，要有一些隔绝；
• 找到作为一个生物的人的合理节奏，再去跟 AI 找新的平衡。
• 快问快答：
• 为了在硅基生命到来之前，留下更多碳基文明的记忆；
• 全球范围内喜欢食物：辣椒炒肉；
• 全球范围内喜欢地点：目前可能还是上海；
• 会读 AI 论文吗？不读 AI 技术论文；
• 影响 AI 进程的重要 bug？出现一个足够好用的 to C 的 agent；
• 公司叫“语言及世界工作室”，第一次听到会想什么？可能要改成“自媒体及世界”；
• 推荐书：
• 管理学上比较基本的，像吉姆·柯林斯系列（原文“借长青”，疑似《基业长青》）；
• 德鲁克的书；
• 本科时基本全文抄了一本书，因为摘录太多，基本抄了；
• 弗里德曼关于市场基本运营机制的一本书，不厚，但特别精彩；
• 建立了他对市场基本运行机制的理解。
• 为什么对管理学、战略学发生深厚兴趣？
• 高中时放弃理科、奥数竞赛；
• 那时大概是第一届文理分科；
• 更喜欢历史、人文；
• 虽然当时也算年级第一，可以走那条路，但不感兴趣；
• 大学选经济后，发现经济学数学要求超过大部分工科，觉得太无聊；
• 读博士时选商学院；
• 战略比较宏观，在真实世界跟理论世界不得不建立连接，比较好玩。
• 战略做得好的人、CEO 一般是什么样？
• 创始人里有战略能力的并不多；
• 真正走得远的：使命驱动、愿景驱动、战略驱动；
• 走到战略驱动的已经是很优秀的了，但不是卓越；
• 卓越严格讲得是使命驱动的才有可能；
• 有的人可能先有愿景，慢慢发展出使命；
• 有的人天生比较使命驱动；
• 或者形成非常难得的团队，一两个人很好互补；
• 一个人战略能力强一点，一个人动手能力强一点；
• 像王鑫跟王慧文的组合（原文，疑似王兴与王慧文，未确认），也是很难得的组合。
• 字节属于什么驱动？
• 不好说；
• 曾明跟张一鸣个人交流不多，对他使命那一段没法判断；
• 但张一鸣是一个了不起的天才，有自己的管理哲学；
• 至少是愿景驱动，有完整的自己对组织的理解；
• 包括最早提出公司级产品，已经非常领先；
• 包括讲 Netflix 奈飞文化，大部分人第一反应是中国人做不到，因为太美国、太硅谷；
• 但字节最早基本跟上，跟网飞文化非常相似；
• 字节最后又做成了效率工厂；
• 因为东西都整明白了以后，剩下在战略执行阶段就追求效率；
• 所以 AI 战略要张一鸣重新下场再重新定义；
• 任何公司到最后都是追求效率，因为战略越来越清晰，剩下就是执行任务；
• 组织宿命：时代一定会变化，让原来那套不适合；
• 要么彻底转型，要么被时代淘汰；
• 对每个人都很公平。

十三、限制与待确认问题

• 曾明明确说：他从来不做短期预测，只提供规律性的理解供大家参考。
• 五年判断：
• 五年觉得 agent 的入口肯定有可能出现；
• 第二阶段大概大家都能看明白了；
• 移动互联网时代出现像抖音、拼多多这样的产品要到第三阶段；
• 抖音、拼多多都是类似这样的，拼多多出来非常晚；
• 那可能是八年、十年以后的事情。
• 但别忘了 OpenAI 已经 11 年了，这两年感受到的是加速度。
• 机器人收敛时间不确定，还在非常早期。
• OS 大概率是第三阶段的事情，比较远。
• 平台这一步可能还要三五年。
• 新组织形态的名称未确定：
• 今天叫 AI 原生组织，简称 new lab；
• 可能五年后会有新词；
• 大概率不会叫 lab，肯定不叫公司。
• 具体 AI 产品形态、agent 生态、agent OS、原生硬件，原文均表示“都是问号”。
• 原文转录中有若干专有名词可能不准确，为保持忠实，正文保留原文写法，未做事实性校正，例如：
• open cloud / open cro / “龙虾”；
• Cote / Clou、C 档、A9；
• 严老坤（疑似 Yann LeCun，未确认）；
• minus（疑似 Manus，未确认）；
• meworks；
• 压 P（疑似 ERP，未确认）；
• 梯型车（疑似 T 型车，未确认）；
• 借长青（疑似《基业长青》，未确认）；
• 王鑫跟王慧文（疑似王兴与王慧文，未确认）。
• 对 OpenAI、Anthropic 最终命运的判断，是曾明基于商业史框架的主观观点，不是确定事实。
• 中国模型公司年底 3T 淘汰赛、K3、Kimi、MiniMax 等进展，是访谈时点的观察，后续可能变化。

十四、行动清单

14.1 对创业者与 CEO

• 先判断自己所在产业阶段：第一阶段、第二阶段还是第三阶段。
• 第二阶段该做的是应用大爆发，不要试图跨越第二阶段。
• 做应用要假定智能完全够用，核心是干复杂活，找十倍以上切入点。
• 避免只做简单工具、脚手架；简单任务容易被模型能力淹没。
• 寻找最有规模化、最能泛化、能形成智能复利和黑洞效应的场景。
• 应用公司不必执着于训传统大模型，关键是稳定调用模型能力，建立 agent 侧技术积累和边界。
• 模型公司要追求组织效率和执行效率，从方向性战略到闭环运营模式，追求规模化。
• 机器人公司处于探索期，一号位要带大家创新，降低试错成本，逐步形成共识，同时避免过度执着。
• 战略上用“看十年、想三年、干一年”，关键看三年，看两三个里程碑，保持短中长期动态张力。
• 组织上从岗位为中心转向任务为中心，让 AI 和人围绕任务协同。
• 文化上开放、透明、共享、共创，给足 context，而不是控制。
• 传统公司要转型，就要换脑袋；不换脑袋就换人。
• CEO 要理解经济学基本规律：同质化供给不可能获取高额利润。
• 技术人员创业者要过商业世界运作规律这一关，否则公司可能不值钱。
• 原生组织最早一批 CEO 应自己动手重写组织运行方式，而不只是用飞书 AI 升级。
• 对应用公司：找到方向，认真做好自己的事情；融资困难是现实，但不要灰心，也不要苟等，因为不在场积累不了经验。

14.2 对个人

• 培养 high agency，自己掌握命运。
• 向内看，找到自己的驱动力。
• 明白要培养什么能力。
• 找到能力最适合应用的场景，跟着场景一起成长。
• 接任务、交结果，利用贡献透明的网络获得奖励。
• 找机会成为六边形战士，再在组织里跟其他六边形战士合作。
• 拥抱不确定性，把不确定性视为最大机会。
• 开发创造力，尤其是原创造力、无中生有的能力、原创定义复杂问题的能力。
• 找到生物人的合理节奏，跟 AI 建立新平衡，避免被 AI 效率拖到极度疲惫。
• 教育上，推动从知识灌输转向开放探索和创造力培养。

十五、总结

• 曾明的核心框架是：通用技术三阶段——基础设施、应用爆发、原生应用。
• AI 当前处于第一阶段成熟尾部、第二阶段智能体阶段开场。
• Token 成为度量衡，标志智能成为社会基础设施；open cloud/“龙虾”让 agent 潜力显性化。
• 模型公司大概率成为 AI 云公司，形成寡头垄断 + 政府强监管格局；领跑者未必成为原生应用阶段的大赢家。
• 第二阶段的关键是 agent 应用，核心是复杂任务、智能飞轮、智能复利、黑洞效应。
• 平台、入口、Agent OS 是后续机会，但 OS 更可能在第三阶段。
• 组织上，公司作为工业时代制度创新会衰亡，科层制会衰亡，但组织永远存在；未来组织从岗位转向任务，走向全员合伙人、开放透明共享共创。
• 创业者的卓越来自反共识、使命驱动、自我变小、事情大于人。
• 社会层面，AI 是比互联网更接近工业革命级别的变化，甚至超越工业革命；教育、商学院、办公室、硬件、社会关系都会被重塑。
• 人的差异最终在创造力；AI 接管可结构化知识工作，人被逼着也终于被解放出来，开发创造力。
• 曾明自己的定位是“快乐的研究员”，希望技术让人类更快乐；组织评判标准也应回到：能不能让身处其中的人更快乐。