Podcast Interview · 逐期深读

曾鸣谈产业阶段与 AI 原生组织:技术、应用与任务怎样重新组合

本期背景与内容导览

本期是张小珺与曾鸣围绕产业阶段、AI 原生组织与战略生成的一次长谈。曾鸣先用浏览器、AOL、移动互联网和汽车产业作历史类比,说明技术窗口中的公司会经历探索、收敛和替换,不能把阶段性领先当作终局。随后讨论 New Lab:不同团队可能质疑既有范式、寻找 Scaling Law 之外的方向,或探索 AI for Science,不能概括成一种统一商业路线。 对话中部是本次补源的重点。曾鸣把 AI 原生组织放在战略之前,不是因为组织形式比业务目标更时髦,而是旧组织可能无法生成面向新技术的战略。他设想以任务、共享上下文和实时协作补充科层管理,但也承认人、责任、信任和产品能力不会因此消失。公司衰亡在他的表述中特指科层制公司制度的演化,不等于人类组织或法律实体必然消失。 后半期把战略拆成长期方向、中期里程碑与当前行动,区分探索期和收敛期的不同效率。机器人先做大脑还是先做场景,在他那里是两种都需要验证的路径;巨头有云和基础设施积累,也不保证拥有新的消费者入口。本文保留历史类比、公司评价和预测的嘉宾归属,不把智能复利写成自动指数增长,也不替任何技术或组织路线宣布唯一答案。

张小珺Jùn|商业访谈录 · #153 · 2026-09-03 · 2:34:18

原对话:沿提问、回答和转折完整展开

下面先按节目顺序重建。主持人在追问什么,嘉宾如何以自己的经历、例子和推理作答,尽量保留在具体语境中;案例中的事实、数字和判断先归属于发言人。随后才进入本文的机制解释与独立判断。

00:00:00–01:10:00连续对话 1

00:00:00–00:03:09开场:历史的残酷规律——公司有生老病死

  • 字节会是下一个时代的字节吗?
  • 社交关系会重构吗?腾讯安全吗?
  • 人和人的关系会被重构,人的社交关系会被重构,那人和货物的关系呢?
  • 在这波巨浪面前,哪些巨头是安全的?
  • 您觉得他们AI还能成为下一个时代的企业吗?就是时代性的企业吗?
  • 从历史里面有依据可言吗?就是这个时代的企业过渡到下一个时代的企业,还能做得非常好的多不多?

播客开篇由主持人张小珺介绍嘉宾曾鸣教授的背景:前阿里巴巴集团总参谋长、长江商学院与湖畔大学的创建参与者,以及一位对企业战略有深度思考并影响了许多企业家的研究者。

节目以一段精彩观点集锦开场,预告了后续讨论的核心“暴论”。曾鸣教授判断,作为工业化革命产物的科层制公司制度将会消亡,未来的组织形式将不再是“公司”,对此无需遗憾,因为新形式会“更好玩”。他指出,提供同质化供给的公司,由于经济学基本规律,无法获取高额利润,终将变得“不怎么值钱”。

主持人张小珺随即针对具体公司提问,引导曾鸣教授将理论应用于现实。当被问及字节跳动能否成为下一个时代的字节时,曾鸣教授认为“大概率也不会”。他解释,字节有机会成为“AI云公司”,但其现有应用如“豆包”并非代表未来的产品,否则公司会不计成本地投入。对于腾讯,曾鸣教授肯定地表示,社交关系必将重构,腾讯也因此感到恐慌。同样,人与货物的关系(如阿里所代表的电商)也会被重构。

在“巨浪面前谁是安全的”这一问题上,曾鸣教授给出了一个绝对的判断:“没有人是安全的”。当被追问现有巨头能否通过AI转型为下一个“时代性的企业”时,他认为挑战巨大。张小珺进一步探寻历史依据,询问跨时代成功的企业多不多。曾鸣教授给出了更决绝的回答:“不是多不多的问题,是有没有的问题”,“基本没有”。面对主持人“这让人绝望”的感慨,曾鸣教授反驳道,这毫不令人绝望,反而是正常的规律。他将公司比作人,有生老病死是常态,这恰恰为新公司和年轻人创造了机会与梦想。

话题推进:在抛出“公司会消亡”和“跨时代企业基本没有”的颠覆性观点后,主持人转向探讨嘉宾本人思想的形成过程,询问其独特之处。

00:03:16–00:09:14战略决策的本质:在反共识中创造未来

  • 为什么这么多企业家都说受过您的影响,您觉得您和其他商学院的教授的不同是什么呀?
  • 过去20年您觉得影响阿里真正生死存亡的战略决策有吗?它会是哪几个呀?
  • 战略做决策的那个时刻,你们怎么知道这是一个好战略呢?因为当时的争议也非常多。
  • 只有反共识的战略才能够大成吗?有没有共识性的战略能够大成呢?
  • 今天这个AI时代,我们进入了一个全新的周期范式阶段,也像您说的这是一个新的文明,您会感觉到迷茫焦虑吗?
  • 您现在看到哪些是小浪花,哪些是大浪,有没有一些初步的想法和判断?

主持人张小珺询问,为何曾鸣教授对企业家的影响如此之大。曾鸣教授将此归因于两点:首先是“理论与实践的结合”,他有幸在互联网高速发展期加入阿里巴巴,亲身参与实践,并将学术训练应用于实际,同时从实践中提炼新的理论框架。其次,他持续研究产业前沿,这使他不仅能与创业者讨论战略方法论,还能共同探讨产业未来发展,从而提供更具体的战略建议。

接着,张小珺请曾鸣教授复盘阿里历史,指出影响其生死存亡的战略决策。曾鸣教授列举了三个最重要的决定:创立淘宝、创立支付宝、创立阿里云。他强调,这三个决定在当时不仅不被社会认可,在公司内部也引发了激烈的争议。例如,创立淘宝时,有高管因担心冲击当时尚未成熟的阿里巴巴B2B主业务而强烈反对。他还补充,在一级战略决策之下,还有层层递进的二级、三级决策同样至关重要。以阿里云为例,早期关于服务场景(服务淘宝还是搜索)、开源还是闭源、以及是否自研数据库等都曾是争论焦点,最终引出了著名的“去IOE”运动。

张小珺追问,在决策当下如何判断一个战略的好坏。曾鸣教授坦言“不知道”,并引用阿里的名言“因为相信,所以看见”。他解释,所有最终成为“时代的企业”的公司,其成功都源于被事后证明成立的“反共识”决策。他强调了“幸存者偏差”:最成功的企业一定是反共识的,但反共识不一定成功。战略的本质是创造未来,而非简单规划。

主持人继续提问,共识性战略能否“大成”?曾鸣教授明确区分了“优秀”与“卓越”:在共识赛道上做得比所有人都好,可以成为优秀的公司,但“卓越一定来自反共识”。

最后,话题转向AI时代。曾鸣教授承认,面对新时代,他同样感到“非常非常的困惑”,难以分辨哪些是短暂的“小浪花”,哪些是代表未来的“大浪潮”。但他透露,经过几年的琢磨,尤其在今年上半年,一些趋势性信号开始“converge”(汇聚),让他看到了一个可以解释当下、推演未来的框架。这个框架的形成让他不再焦虑,因为他理解了当前所处的发展阶段以及该如何行动,这也是他创作新书《智能》的缘起。

话题推进:在引出自己已形成一个关于AI时代发展阶段的理论框架后,话题自然地过渡到这个框架的具体内容。

00:10:12–00:18:51产业三阶段论:我们刚退回“浏览器”时代

  • 所以今天的人工智能产业化发展到什么阶段了?您是怎么划分这完整的阶段呢?
  • 像以移动互联网为例,到了抖音字节,它属于原生应用的阶段?
  • 为什么要先经过一个应用大爆发,再到原生应用呢?为什么原生应用不是诞生于第二阶段呀?
  • 所以原生应用距离基础设置成熟,中间还有一个过渡性的阶段,那把第二阶段叫做过渡阶段吗?
  • 我们现在在AI的这个产业周期里是结束了第一阶段,还是在第一阶段,还是在第二阶段开始,具体在哪个时间点上?
  • 我们到第二阶段了吗?
  • 如果类比到比如说互联网那一年,移动互联网的哪一年,今天可以做一个这样的类比吗?

曾鸣教授详细阐述了他通过研究历次工业革命和互联网发展总结出的“产业三阶段论”。他认为,任何颠覆性的通用技术(GPT)的产业化都经历三个阶段:

1. 基础设施化:新技术逐渐被社会接受,成为社会基础设施。

2. 应用大爆发:基于成熟的基础设施,产生海量新应用,呈现百花齐放的局面。

3. 原生应用阶段:在海量应用探索的基础上,出现更底层的运行方式和真正解决核心需求的现象级应用。

主持人以移动互联网为例,曾鸣教授确认,抖音/字节跳动就属于第三阶段的“原生应用”。他解释,第二阶段的应用大爆发是不可或缺的,因为它为技术的下一步发展指明了方向。技术成为基础设施后,其演进方向并不明确,需要通过大量应用的尝试来探索。他以字节跳动为例,在抖音之前,先有今日头条等一系列基于当时成熟的文字推荐技术的产品进行探索,这些探索验证了推荐算法模式,并随着带宽、算力等技术进步,最终与短视频形式结合,才诞生了抖音这样的“国民级”原生应用。

关于AI产业当前所处的阶段,曾鸣教授判断,2023年标志着第一阶段(基础设施化)的基本完成。其核心标志是“token”作为标准度量衡得到了广泛共识,就像“一度电”、“一吨水”一样,使得智能可以被规模化、标准化地使用和计费。同时,2024年春节前后由OpenAI DevDay(官方资料显示为OpenAI DevDay,转录为OpenCrowd)引发的“养龙虾”(指GPTs应用构建热潮)现象,则标志着第二阶段(应用大爆发)的开端。人们从GPTs看到了独立完成任务的Agent(智能体)的巨大潜力。因此,他认为AI的第二阶段就是“智能体阶段”。

在与历史进行类比时,曾鸣教授修正了自己两三年前的判断。他曾认为AI即将进入“雅虎时代”,但现在他认为“我们怎么退回到了浏览器阶段,好像比雅虎还要早了”。这个判断的依据是,他观察到当前构建Agent的热潮,本质上是在“分享能力”,这与92年互联网早期的“建网站”运动非常相似,当时建站的本质是“分享信息”。浏览器通过统一标准(如HTML)极大地降低了建站和信息浏览的门槛,引爆了供需两端。同理,今天的Agent也需要一个类似浏览器的东西来统一标准、降低开发和使用门槛,从而开启真正的应用大爆发。因此,他认为我们正处在一个等待“AI时代的浏览器”出现的时刻。

话题推进:在判断当前处于等待“浏览器”出现的阶段后,主持人自然地追问这个“浏览器”和之后的“雅虎”具体会是什么形态,以及当前最关键的变量——模型公司——在历史中扮演什么角色。

00:20:00–00:28:40模型公司的历史类比:它们是未来的AOL,而非Google

  • 您觉得谁会有能做商检这个事情的潜质啊?您看到一些雅虎的雏形没有?是Open Cloud这种形态吗?
  • 今天没有任何这样的雏形吗?
  • 假想一下,这样的一个产品形态可能是怎么样的呀?它的先决条件可能是什么?
  • 雅虎到Google还有几年呢?
  • 这个时代的关键的变量是模型啊,您是怎么理解模型的,模型的本质是什么,它可以类比于什么?
  • 所以你觉得模型公司是一个基础设施服务商,它能类比为哪些公司啊?
  • 大模型公司有没有机会从基础服务提供商变成一家成功的应用公司呢?
  • 但是你看一下Anthropic这样的公司,它成立才不到十年吧,短短几年就已经市值万亿美金的公司,这在人类历史上都非常的罕见,你怎么解释这个现象?
  • 但是他们不一定能活到最后。
  • 以您刚才的论述的话,我觉得您不仅不认为OpenAI可能是新时代AI时代的Google,甚至觉得他们可能只是一个类似于历史上的过客的这样的公司吗?他们甚至会消失,是这种观点吗?

承接上一段,曾鸣教授解释了为何需要“AI时代的雅虎”。当“AI时代的浏览器”出现,Agent(能力)供给会像当年网站(信息)一样爆发,用户会面临认知过载。雅虎通过人工编辑的“目录”解决了信息过载问题,对信息进行了“商减”(降低认知熵)。同理,未来也需要一个类似的角色来筛选和组织海量的Agent。不过,他明确表示,目前连“浏览器”的雏形都未出现,更不用说“雅虎”了。他预测,未来两年最令人兴奋的机会就是创造一个能统一Agent标准、降低调用门槛的“类浏览器”产品。

主持人转而询问当前AI时代的核心——模型。曾鸣教授给出了几个类比:如果数据是石油,模型就是“炼油厂”;从提供基础接入服务的角度,模型公司则非常像已经消失的互联网巨头“美国在线”(AOL)。AOL曾是互联网的“基础接入服务商”,让普通人能连接上网。今天的大模型公司,如OpenAI、Anthropic,扮演着同样的角色,它们是让所有人接入“智能”的入口,本质上是“基础设施服务商”,更直白地说是“未来的AI云公司”。

基于此定位,曾鸣教授判断,大模型公司转型为成功的应用公司的概率“不会太高”,因为历史上没有这样的先例。他认为,编程能力(Code)的提升是模型基础智能的一部分,是让Token计价模式成立的关键,而非独立的应用。对于Anthropic等公司在短时间内达到惊人市值,他认为这并非史无前例。他指出,这是一种“这次不一样”的幻觉。他列举数据说明,雅虎在2000年用5年达到1200亿美元市值,考虑通胀相当于今天的1万亿美元;AOL在2000年市值高达2200亿美元。在技术变革的初期,第一波跑出来的公司获得高估值是常态。

最后,曾鸣教授给出了一个极具冲击力的“非共识”判断:像OpenAI和Anthropic这样的公司,“大概率不是原生应用阶段的大玩家、大赢家”。他引用陆奇博士认为OpenAI会比Google大5-10倍的观点,表示自己虽然也相信未来会出现万亿甚至十万亿美金的AI公司,但未必是现在的领跑者。他将自己定位为“商业世界的动力学规律”的研究者,而他所看到的理论框架显示,不同阶段的赢家很难跨越到下一阶段。

话题推进:在提出“第一阶段的企业很难活到第二阶段”的论断后,主持人立刻追问其背后的原因,引出了对不同阶段所需核心能力的深入分析。

00:30:00–00:39:59模型公司的终局:寡头垄断与智能复利

  • 为什么第一阶段企业很难活到第二阶段,第二阶段企业活到第三阶段?按理说他们这么早就在这个市场上,然后他对他最前沿的信息也是最敏锐的,他为什么不能及时转型呢?
  • 您觉得不管是中国还是美国,最后模型公司的一个格局会形成什么样的一个状态呀?
  • 那像比如说OpenAI, Anthropic, Google的模型,您觉得他们都会并存吗?就这里面有优劣之分吗?
  • 为什么XAI和Meta会掉队?看起来他们资源很多啊。
  • 中国的这些模型公司呢,他们会怎么进一步演化?
  • 所以最后留下有限的几家成为一个基础设施,这是您的观点。
  • 模型的格局今年会稳定下来吗?
  • 那在您看来做模型的窗口期关闭了没有?新公司还应该在做模型吗?
  • 那这些模型公司最后是会趋同还是会分化?
  • 所以模型公司是好生意吗?
  • 那接下来,如果他们是基础设施服务商,那接下来一个阶段,我们会看见什么呢?什么样的公司会成为新的时代的公司?

主持人追问为何不同阶段的企业难以跨越。曾鸣解释,核心在于各阶段所需的能力不同。第一阶段(基础设施)的核心是解决技术“可不可用”的问题,需要原创性技术创新。当技术发展放缓、变得可调用时,第二阶段(应用)开启,此时的核心能力是对用户需求的洞察、产品原创力以及与用户的同理心。应用阶段同样需要技术创新,但方向可能与第一阶段不同,例如上下文管理等“应用技术”。新的技术范式和创业公司(Newlab)可能会出现,专为支持应用阶段的新技术需求,它们与应用洞察结合,可能成为第二阶段的王者。

关于模型公司的最终格局,曾鸣给出了一个清晰的预测:公共基础设施行业的商业模式只有一种,即“寡头垄断加政府强监管”。因为社会依赖它,政府必然强监管;因为投入巨大,不会有无序竞争;因为供给至关重要,不能只有一家供应商。最终会形成几家寡头竞争的局面,为社会提供稳定、低成本的供给,就像今天的水电一样。他坦言,这个现实对许多创业者而言是残酷的。

在当前的寡头竞争中,曾鸣观察到Anthropic和OpenAI暂时领跑,Google阶段性落后,而Meta和xAI则已“直接退出竞赛”。他解释,Meta等公司掉队的原因,与他书中提到的“智能复利”有关。Anthropic和OpenAI开始“用大模型训练大模型”,即将AI工具用于自身主业(模型训练),大幅提升了模型迭代的效率和性能。这种组织能力与技术运营方式的结合,创造了巨大的领先优势,形成了“智能飞轮”,开始甩开其他玩家。

对于中国的模型公司,曾鸣认为会形成与美国不同的生态,但内部竞争逻辑类似,也是一场淘汰赛。他预测,到年底,如果模型参数达不到3T(万亿)级别,可能就会出局。目前智谱AI、月之暗面(Kimi)、Minimax、阿里千问等都在这条新的竞技线上赛跑。他认为,作为基础设施的大模型创业窗口期“肯定是关闭了”,因为领先者已开始运转“智能飞轮”,后发者难以追赶。

最终,这些寡头模型公司会“有一定的差异化,但是又足够的同质化”,差异化保证利润,同质化保证可替代性。因此,模型公司会是一门“很好的成熟生意”,但三五年后,它们将不再是“当红炸子鸡”,而会成为默默无闻的后台服务。下一个阶段的明星,将是AI时代的“Netscape”和“Yahoo”——即建立Agent标准、抢占Agent用户入口的公司。他预测,未来三年可能就会出现这样的Agent入口。

话题推进:在明确指出下一阶段的机会在于Agent和其入口平台后,对话自然转向对Agent应用现状和未来发展的具体讨论。

00:40:00–01:02:18Agent的价值:从“脚手架”到“智能飞轮”

  • 您觉得agent现在应该已经爆发了对吧?你怎么看他现在的一个状态?
  • 那像这样去年说做通用智能体的产品形态,您怎么看呢?
  • 什么叫十倍以上的切入点?
  • 那他需要进入一个垂直场景吗?就是要作通用的还是做垂直的?
  • 很多人都说这一波的就是应用啊,他很难形成上一代互联网移动互联网那种数据飞轮,你怎么看这个现象?你觉得他应该去追求数据飞轮吗?
  • 这需要好多的条件才能达成一个原生应用的产生对吧?
  • 现在看到这样的好的场景了吗?
  • 刚才说的是这个数据飞轮,那网络效应呢?在AI时代网络效应会是什么样?
  • 新的时代还会出现平台吗?

曾鸣教授描述了Agent应用的现状:正处于“百花齐放”的早期探索阶段。他回顾去年在硅谷看到的Demo Day,大部分项目都是做非常简单的任务,如广告素材生成或投放。他当时就认为这些“搭脚手架”式的应用没有长期价值,因为当底层模型能力提升后,这些简单的功能就会被模型本身覆盖。他认为,有前途的应用需要去解决“复杂任务”,例如“增长”,因为复杂性才能构建自己的“智能闭环”和技术积累。

对于去年一些做通用Agent的创业公司,曾鸣认为他们虽然敏锐地抓住了机会,但如果只是满足于PPT制作、报告生成这类消费者生产力需求,场景不够大。今天的Agent创业,需要找到比原有场景“大十倍以上”的切入点,才有发展空间。至于选择通用还是垂直赛道,他认为这正是考验创业者创造力的地方。教育、健康是典型的大垂类;通用领域则可分为to B和to C,其中to B的“组织大脑”或“CEO的Agent团队”会是今年的热门赛道,而to C则会重新出现情感陪伴、解决问题等方向的应用。

主持人提出,AI应用似乎难以形成传统互联网的“数据飞轮”。曾鸣回应,数据飞轮已升级为“智能飞轮”或“智能复利”。他解释,智能飞轮的形成需要三个要素结合:1. Agent能独立干活,从真实世界获得反馈(这是数据飞轮的前提);2. 在此过程中有新的算法创新(如记忆、上下文管理等);3. 形成一个新的学习场景,让Agent在特定任务上变得越来越聪明。当这个智能复利能够泛化、渗透到更复杂的任务时,就有可能形成“黑洞效应”,跑出来进入第三阶段的竞争。但他承认,目前还没有看到这样的好场景,真正好的应用一定是靠口碑引爆的,就像当年的浏览器和雅虎。

关于网络效应,曾鸣认为它在AI时代依然存在,并且升级为“黑洞效应”。他之前在《智能商业》中提出的“数据智能”和“网络协同”双螺旋,在AI时代也相应升级:数据智能依然是核心,而网络协同则演变为黑洞内部吞噬和整合不同场景的能力。因此,新的平台“肯定会”出现,它将是一个匹配海量Agent开发者和海量用户的双边市场,解决的是“能力”与“需求”的匹配问题。

主持人继续追问新旧平台和 Agent 应用的青黄不接。曾鸣区分了三个阶段:旧平台做信息匹配,新平台要匹配能力与需求,进一步 OS 才可能调度资源。早期 PPT、报告生成和广告素材等应用被模型能力提升覆盖,说明简单脚手架不自动形成长期积累;他没有因此否定 Agent,而是要求寻找更大、更复杂、能形成学习反馈的任务。

曾鸣把应用繁荣的时间差比作电力和家用电器:基础设施创造者未必是应用赢家。对 Agent 公司是否自研大模型,他的回答是无需重复训练传统基础模型,更应关注具体场景的学习闭环。这里的行业判断和电力类比都属于嘉宾视角,不是应用公司不得训练模型的统一规则。

话题推进:在确认新时代会诞生新的平台后,主持人自然地追问新旧平台的区别,以及旧平台能否演化为新平台,并引出了对更遥远的OS(操作系统)的讨论。

01:02:18–01:10:00从早期Agent实验到New Lab:新组织形态仍在孕育,而非已经定型

  • 为什么构建Agent的热潮很快退去?
  • 今天是否可以说一个非常好的2C Agent应用还没有出现?
  • New Labs为什么涌现?它们是过渡现象还是长期组织形态?
  • New Lab的本质是不是已经不是公司了?未来叫什么?
  • 公司作为工业化革命的产物会消失吗?
  • 为什么AI革命会带来如此剧烈的组织变化?

主持人先追问,为什么构建Agent的热潮很快退去。曾鸣给出两个限制:使用者仍主要是极客和CEO,尚未扩展到大众;技术也不成熟,敢试的CEO很多被折腾得“痛不欲生”,真正跑通的人很少。他把这看作展示潜力和方向的早期演练,而不是已经成立的2C应用。投资人因上一轮受损、这一轮又没看到像样产品而观望,也不等于应用没有未来。

对话随后转向New Lab。曾鸣把涌现原因分为三类:有人从原理上怀疑现有范式,想走不同路径;有人认为Scaling Law存在边际递减,希望提前寻找下一代方法;还有人借助大模型已达到的基础能力,探索AI for Science等不同但同样底层的创新。它们是研究方向的差异,不应被写成一种统一公司战略。

关于New Lab是不是过渡现象,曾鸣判断它是“新组织形态的早期雏形”,会长期演化。OpenAI、Anthropic被他视为第一批New Lab,后续团队借用了这种研究型协作形式,但探索的事情不同。名称尚未稳定:现在叫lab,是因为主要成员是研究员,他们不喜欢传统公司或大学;未来更多创造者加入后,可能改称club、球队或其他名称。曾鸣在书里刻意用“组织”而不用“公司”,因为AI原生组织还在孕育,五年后才有新词也未可知。

主持人接着问,公司作为工业革命的产物是否会消失。曾鸣把命题限定为“科层制管理的公司制度会衰亡”,同时明确人类分工协作和组织本身会继续存在。他给出的两个理由是:AI至少可比工业革命,会挑战工业时代的配套制度;AI又挑战了人类以语言和智能为独特性的自我认知。它们是嘉宾的宏观推演,不是对法律实体、全部企业或所有层级即将消失的证明。

话题推进:当New Lab从名称现象进入组织机制,主持人不再满足于‘公司会消亡’的概括,而追问AI原生组织究竟怎样以任务而非岗位搭建。

01:00:00–02:10:00连续对话 2

01:02:19–01:05:53AI应用与New Lab的涌现

  • 为什么Open Cloud就火热一下热情就下去了?
  • 到今天,可不可以说一个非常好2C应用,2C agent还没有出现?
  • 有没有可能应用最后其实就是几个模型公司做的呢?
  • 您有什么想对应用公司CEO说的吗?
  • 2026年其实还有一个现象,除了这波应用公司出现了好多New Labs……您怎么看这个New Labs背后涌现的根本的原因啊,为什么会需要探索新的模型范式?
  • New Lab会成为一个过渡性的现象,还是会成为一个长期的组织形态啊?

在讨论完Agent的探索边界后,主持人张小珺询问为何此前备受关注的“Open Cloud”(应指OpenAI DevDay后围绕GPTs和Assistant API的热潮)热度迅速下降。嘉宾曾鸣认为,这并非热度下降,而是其用户群体本就小众,主要是极客和CEO,并未扩展到大众;同时,当前技术尚不成熟,许多CEO在尝试后感到“痛不欲生”,能成功跑通应用的寥寥无几。他将此阶段的产品定性为创新扩散周期中最早期的实验品,虽展示了潜力和方向,但本身并不成熟。

张小珺追问,目前是否还没有出现一个优秀的面向消费者的(2C)Agent应用。曾鸣表示在他有限的观察范围内确实没有,但他对此非常乐观,认为一定会涌现。他解释,投资人之所以表现出悲观,是因为上一轮投资受损,而这一轮又没看到成型的应用,所以暂时选择观望。他反问,如果没有好的应用,AI的意义何在?

接着,张小E珺提出应用是否可能最终由模型公司主导。曾鸣确认,模型公司(如OpenAI)一直有此意图,但能否成功取决于其组织和创新能力。对于苦苦挣扎的应用公司CEO,他建议他们认清方向、做好自己的事,但也承认融资是现实困难。

随后,张小珺将话题转向2026年涌现的大量“New Labs”现象,指出它们多聚焦于AI for AI、世界模型等方向,并询问其出现的根本原因。曾鸣从三个方面解释:

1. 看到现有范式天花板:一些人从原理上认为现有技术路径(如Scaling Law)存在偏差或有限的上限,现在终于有机会实践自己的想法。

2. Scaling Law的边际递减:部分人认同Scaling Law存在边际效益递减的趋势,认为无论现在发展多好,这个趋势迟早会到来。

3. 大模型能力成熟:大模型的基础能力已达到一定水平,使得研究者可以尝试一些与现有路径不同、但同样需要大模型支持的非底层创新,例如AI for Science。

最后,张小珺问New Lab是过渡现象还是长期组织形态。曾鸣判断,它们是“新的组织形态的早期雏形”,将会继续演化并长期存在。

New Lab在本段对话中,指代AI时代出现的新型组织形态的早期雏形。它通常由顶尖研究员组成,不满于传统“公司”的科层制和僵化,以更灵活、更像实验室(Lab)的方式进行前沿技术探索。其特点是围绕“任务”而非“岗位”组织,结构扁平化或网状化,强调自驱、透明和共创。嘉宾认为这是一种过渡性称谓,未来成熟的AI原生组织会有新的名称。
AI原生组织指在AI时代从第一天起就围绕AI的能力和逻辑构建的组织。其基本运行单元是“任务”而非“岗位”,人和AI(硅基员工)都围绕任务的定义、拆解、分配和完成进行协同。这种组织是网状、非科层化的,决策基于能力而非级别,激励基于透明的贡献而非晋升阶梯。它需要新的文化(如开放、共享、共创)和新的系统(如任务流系统)来支撑。
科层制管理指工业时代公司普遍采用的一种管理体系,其特征是拥有明确的、自上而下的层级结构(如基层、中层、高层)、固定的岗位职责、清晰的汇报线和命令链。嘉宾认为这种管理制度是工业时代的产物,将在AI时代被淘汰。
high agency在本段中,嘉宾将其翻译为“主观能动性”。它指个体拥有强烈的内在驱动力,能够自主设定目标、掌控自己命运、并积极采取行动实现目标的能力。在未来的AI原生组织中,由于外部激励(如层级晋升)减弱,这种自驱力成为个人发展的核心。

话题推进:在将New Lab定义为新组织形态的雏形后,嘉宾进一步阐述了其背后的逻辑,即对现有“公司”制度的不满,引出了关于公司这一组织形态是否会被淘汰的讨论。

01:05:54–01:10:23“公司”的消亡:从工业时代到AI时代

  • New Lab的本质应该是不是公司了?未来会成为一个常态?
  • 所以您觉得公司作为工业化革命的产物,它有可能会消失?
  • 为什么AI革命会带来的变化如此剧烈,剧烈到就感觉已经伤筋动骨了,连组织这种形态都以及从公司开始向其他的方向开始转变?

主持人张小珺确认New Lab的本质是否已非“公司”,嘉宾曾鸣表示赞同,并由此抛出“公司要被淘汰了”的论断。他解释,公司是工业时代的配套制度创新,在此之前是手工作坊。公司这种组织形式的出现,支撑了现代化管理和规模化扩张。因此,当AI革命挑战了工业时代的经济规律时,其组织形态也必然受到挑战。

曾鸣指出,人们之所以称之为“Lab”,正是源于对“公司”制度的不满。他认为New Lab是新组织形态的“雏形”,因为其形态更接近研究员们共同工作的状态。他提到,OpenAI和Anthropic是第一批New Lab,而现在涌现的则可称为“New New Lab”,它们借用了这种组织形式来探索不同方向。他预测,未来这种新组织形态会有新名称,大概率不叫Lab,也肯定不叫公司。他提及自己在书中刻意使用“组织”而非“公司”,正是因为“AI原生组织”这一形态仍在孕育中,尚未被清晰定义,可能五年后才会有新词来描述它。他明确判断:基于科层制管理的公司制度将会衰亡,但人类的分工协作和组织本身将永远存在,只是形态会演化。

张小珺追问,为何AI革命能带来如此剧烈的、“伤筋动骨”的变化。曾鸣用两个类比来说明:

1. 类比工业革命:AI革命至少应被看作与工业革命同等级别的变革。工业革命颠覆了农业时代的大部分事物,同理,AI革命也将会淘汰工业时代的大部分产物。

2. 挑战人类独特性:从更底层看,人类一直以地球上唯一拥有语言和智能的物种为傲。而现在AI也能理解语言、掌握知识、具备智能。这种根本性的变化预示着未来世界的变革将超乎想象,许多我们习以为常的事物在20年后可能不复存在。

话题推进:在论证了AI将颠覆包括“公司”在内的工业时代产物后,主持人自然地追问,未来的“AI原生组织”具体应该如何搭建。

01:10:23–01:16:10AI原生组织:从“岗位”到“任务”,从“科层”到“网络”

  • AI原生组织应该怎么搭建?
  • 如果从岗位变成任务,人应该怎么在这个组织里结构起来呢?
  • 那以后找工作找什么呢,没有一个岗位了?
  • 它的层级会进一步减少,不存在了?
  • 那这个基层中层高层这种结构也就没了?
  • 怎么激励员工呢?因为设置这种层级,它有一部分的原因也是作为一种激励线,让你爬格子嘛。
  • 那以后的绩效考评和人的这个驱动力来自于哪里啊?
  • 所以New Lab它不能算是一个阶段性的产物,它可能算是一个新的时代的一个组织的一个早期形态?
  • 但也有可能不叫公司?
  • 一人公司会成为一个发展的方向吗?

主持人张小珺询问如何搭建AI原生组织。嘉宾曾鸣从最底层的逻辑入手,指出传统公司以“岗位”为基本运行单元,招聘、汇报线、层级、薪酬等都与之挂钩。而在AI时代,组织的基本单元将变为“任务”(要被解决的事情),人和AI都围绕任务流转和协同,这将是根本性的变化。

张小珺追问在这种新结构下,人如何组织起来。曾鸣回应说,这正是当下探索的核心问题。他认为,目前将AI嵌入现有工作流只是过渡方案,因为那些工作流是为“人”设计的。真正的AI原生组织会从定义、拆解、分配任务开始,人和AI(他称为“硅基员工”和“碳基员工”)都围绕任务协同。工作方式将从应聘岗位转变为“认领任务”,只要能交付结果,贡献就会被采纳。这种结构是网状的,打破了传统科层制的命令线,决策权不再基于级别,而是基于能力。因此,基、中、高层的垂直分工和传统意义上的中层管理者将会消亡。

对于激励机制,张小珺提出层级本身有激励作用。曾鸣认为,未来的驱动力本质上是“自驱”,这与硅谷流行的“high agency”(主观能动性)概念相呼应。个人需要向内看,找到自己的驱动力,明确要培养的能力,并找到最适合的场景去成长。由于贡献变得高度透明(例如顶尖研究员的“转会费”和江湖地位),奖励会与贡献直接挂钩,不再需要传统的晋升阶梯。

曾鸣重申,New Lab之所以叫“Lab”,是因为当前员工主要是研究员,他们偏爱这种称呼。未来当各类创造者都加入这种新型组织时,名称可能会改变,但肯定不再是“公司”。他认为“公司”的消亡并不可惜,因为新技术将带来更令人开心的工作方式。对于“一人公司”的趋势,他认为这只是一个阶段性产物,说明了AI极大地增强了个人能力,但人类协作的需求永存,因此组织依然是必要的。未来的个体更像是“六边形战士”,在组织中与其他“六边形战士”合作。

话题推进:在描绘了未来组织的形态后,主持人自然地转向了现实问题:已经存在的传统公司应该如何应对这种颠覆性的变化。

01:16:11–01:20:12新旧组织的转型与投资逻辑

  • 那要产生新的这么多的就是组织形态,那传统的公司怎么办呢?他们怎么办呢?
  • 怎么转?
  • 我原来理解就是这波New Lab其实还是在做早期探索的时候的一些形态,但是也许可能未来到了应用公司,它这种早期形态也是有借鉴价值的。
  • 像这些New Lab有泡沫吗?
  • 那以您认为OpenAI跟Anthropic只是一个基础设施提供商的这个角度来说,那New Lab是不是不应该值这么多钱了?

主持人张小珺询问传统公司在新组织形态冲击下的出路。嘉宾曾鸣直言需要“转型、升级,成为新物种”,核心在于认知升级,即“不换脑袋就换人”。他强调,必须理解AI原生组织的样子,认识到转型的鸿沟有多大,才会努力跨越。否则,多数人会沿袭惯性,停留在“AI+”的模式,当真正的原生公司崛起时,他们将感到绝望。他承认这种转型反人性,因此非常困难。

张小珺提出她原以为New Lab只是早期探索形态,曾鸣对此进行了 уточнение。他同意,现阶段的New Lab确实在做偏技术的早期探索,因此被称为“Lab”很自然。但他进一步指出,未来的组织(无论叫什么)同样在做极具挑战的探索性工作,只是技术可能不再是唯一或最主要的驱动力。这些新组织可能会寻找新的类比,比如“球队”,成员如同明星球员,追求共同的成就感。

接着,张小珺问及New Lab是否存在泡沫。曾鸣认为“大概率有”,但他视之为好事。早期的泡沫是“重赏之下必有勇夫”,是市场机制发挥作用的方式。因为事先无人能知晓哪条路正确,市场便投入巨大资源支持多方试错。他解释,这一轮New Lab之所以估值高,是因为投资者将其对标OpenAI和Anthropic。当潜在回报是一个“十年内从零到一万亿的公司”时,早期的赌注自然就高。

张小珺根据曾鸣之前将OpenAI等定义为基础设施提供商的观点,质疑New Lab的高估值是否合理。曾鸣反驳说,这并不矛盾。从投资人角度看,即使是基础设施公司,OpenAI也创造了从零到万亿的巨大回报。他们投资New Lab,正是希望投中下一个OpenAI,关心的是能否在未来三到五年实现百倍甚至更高的回报,这决定了他们当下愿意承担的风险和投入的资金。

对已有公司,曾鸣把问题落到 CEO 是否真正理解 AI 并愿意重建组织运行方式。旧系统迁移、认知惯性和固定 SOP 会拖慢转型;任务式网络则要求成员能主动试验、共享任务状态并承担责任。由此才进入下一段‘组织为什么先于战略’:若旧组织只能延续旧问题,它也无法凭空生成面向新技术的战略。

话题推进:讨论完New Lab的投资逻辑后,主持人注意到嘉宾的书中将组织问题置于战略问题之前,这与传统观念相悖,于是就此提问,将话题引向组织与战略的关系。

01:20:12–02:10:00组织为何先于战略:从任务协作到战略生成系统

  • 为什么你的书把组织放在战略之前?理论上不是先有战略再定组织吗?
  • 对于一个AI Native公司的CEO,搭组织最重要的是什么?
  • 对于已经有公司的CEO有什么建议?
  • 未来组织除了从岗位变成任务,还会人数更少吗?
  • 研究员为什么这么值钱?产品经理下一代还需要research背景吗?
  • 为什么说未来企业越来越像合伙人企业?
  • 为什么说组织设计是一套让战略洞察涌现的系统?

主持人注意到曾鸣在书中把组织放在战略之前,问传统上不是先定战略再定组织吗。曾鸣的回答不是简单颠倒管理顺序,而是说AI带来新物种后,旧组织无法生成自己想要的未来战略。新战略需要新的组织形态,二者是阴阳两面,不能完全分开。

他把新组织的原生挑战归结为:决策频率越来越高,决策质量要求也越来越高,而其中最重要的是战略决策。因此CEO需要先理解AI,最早一批走向AI原生的创业者会亲自重写公司内部运行体系。有人基于对组织原型的理解,在AI帮助下几天内搭出框架。这里的‘三天’是曾鸣转述李志飞式故事,不是所有CEO都应照搬的工期。

对已有公司,他认为仅在飞书等既有系统上加AI会形成分水岭:真正原生者亲自重建组织的‘神经网络’,沿用者则难以判断外部新系统是否靠谱。旧SOP是固化路径,任务导向的网络才是实时反应系统。转型困难既来自认知,也来自旧系统迁移成本。

任务式组织并非只等于人少。早期能适应的人往往是高主动性、学习能力强、愿意试验的人,他们先摸索与AI协作的方法,之后才可能降低更多人的参与门槛。研究员当前价值高,是因为他们与AI交互多、知道边界且创造直接价值;但随着基础设施成熟,产品经理、运营、用户连接和同理心会更重要。下一代产品经理不必有research背景,技术型CEO则必须理解商业规律和同质化供给对利润的限制。

合伙人式组织是另一条组织演化线:人变少、差异化更强,每个成员都有不可替代的贡献,联创与合伙人边界可能弱化。人数取决于任务复杂度,而不是‘一人公司’成为终局。任务认领和透明贡献可以弱化层级,但不能自动解决任务定义、资源分配、责任和信任。

这些组织讨论最终落到战略生成:组织不只是执行既定战略,而要提供让人和AI共享上下文、共同产生洞察的环境。曾鸣借用‘神经网络’与‘组织小模型’的类比,说明群体智慧是否演进。context not control再次重要,但共享上下文不是把数据无差别交给所有人,也不能替代对目标、责任和边界的明确。

话题推进:组织与战略的关系明确后,话题进一步区分优秀与卓越、使命与战略,并进入看十年想三年干一年的战略节奏和不同发展阶段的取舍。

01:31:10–02:10:00战略的节奏与阶段:看十年想三年干一年,以及探索、收敛和机器人类比

  • 优秀创始人和卓越创始人的分界是什么?能一眼识别吗?
  • 哪些是使命,哪些是战略?如何辨别非共识与噪音?
  • 看十年想三年干一年在AI时代还成立吗?战略应以多长周期思考?
  • OKR会延展到AI时代吗?
  • 模型公司、应用公司、机器人公司分别应该怎样制定战略?
  • 机器人应该先做大脑泛化,还是先做具体场景闭环?
  • 机器人可以类比汽车产业的哪个时期?

曾鸣先区分优秀与卓越:优秀往往有持续正反馈,卓越则是多次负反馈后仍被事后证明的反共识。狂想并不等于卓越,能落地极稀缺;卓越也只能事后认定。由此他谈同理心和自我变小:急于证明自己会让人追求短期正反馈,忽略真实世界。使命驱动不是墙上口号,而是事情大于个人。

主持人问如何辨别非共识与噪音,他强调扩大感知、深入思考,避免追逐已冒出水面的第三步和局部最优。战略在不确定时更重要,因为错误的重要决定可能很快让公司出局;确定时才更拼执行。

‘看十年想三年干一年’不是固定年份表。看十年帮助脱离线性外推,想三年要求形成两三步里程碑,干一年则把当前任务接到中期图景。不同产业可变为看五年想两年干半年,或看三年想一年干一季度,关键是中期的取舍。曾鸣以一家增长很快的Agent公司为例,追问两年后的天花板,指出按当前月收入乘十二容易制造增长幻觉;竞争从客户价值定价转为边际成本定价,是另一种商业约束。

OKR的意义也在于目标尚不能化为KPI数字时协同。曾鸣认为AI组织大脑可能持续读取自然语言、提示偏离,让OKR真正落地,但这仍是技术设想。不同公司不能按‘模型/应用/机器人’简单套同一战略:应按战略摸索、成型、发展、执行等阶段区分。

战略收敛期重在组织与执行效率,把方向变成可闭环运营并规模化;探索期则由一号位带团队多方向创新,降低试错成本、逐步形成共识,同时让自我让位给现实。New Lab的非共识是另一种探索,不代表所有New Lab都能成为新赢家。

关于机器人,曾鸣认为仍处早期战略探索,数据等现实制约明显。‘先做大脑追求泛化’和‘先做场景闭环反哺模型’在逻辑上都成立:前者要证明泛化空间,后者要找到足够大的场景并证明能扩展,不能事先断言哪边必胜。他把机器人比作尚处GPT前阶段的大模型,又以1900—1920年众多汽车公司、福特1913年电驱流水线、通用汽车后来以多车型应对差异化需求作类比。最后他把机器人扩展为电器式多场景生态:汽车是对外场景的主打,家庭内则可能是冰箱、洗衣机式多个品类。

话题推进:战略阶段与历史类比之后,主持人把问题重新推向巨头:AI first是否足够,旧平台能否内部孕育下一代产品,微软和Google又分别面临什么限制。

02:00:00–02:34:18连续对话 3

02:00:00–02:06:01巨头是否安全:云端可存续,应用与入口却未必属于旧平台

  • 在这波巨浪面前,哪些巨头是安全的?
  • 他们的战略都是AI first,这够吗?
  • 这个时代的企业过渡到下一个时代还能做得好的多不多?
  • Google还能不能成为消费者入口级应用?
  • 豆包是吗?把智能体内置进豆包不行吗?
  • 社交关系会重构吗?腾讯安全吗?
  • 如果内部再造一个新产品,难度也这么高吗?这是组织文化原因吗?

主持人先问在巨浪面前哪些巨头安全,曾鸣回答‘没有人是安全的’,并认为觉得安全的人最不安全。AI first是必要条件,不是充分条件;真正变量包括技术颠覆程度、新公司获取资源的能力、组织能否转型,以及能否建立新的入口。

跨时代成功者,他在‘基本没有’之后给出IBM和微软两个反例/限定:微软曾错过移动互联网,但保留搜索和云计算积累,并凭PC时代OS的垄断在AI时代再次获得机会。可他又认为微软当前对模型投入不足、模型业务已出局,即使早期投资OpenAI也不代表还能收购它。这里既有历史延续,也有当下不确定,不能用微软证明巨头必胜或必败。

Google被类比作微软上一阶段:有TPU、模型和云基础,作为云厂商存续在他看来越来越确定;但能否产生消费者入口级应用仍不确定。字节 likewise 有机会成为AI云公司,因为有基础设施积累;但2C应用的不确定性很大。这一段说明基础设施优势和应用成功需要分别评价,不能把‘会成为AI云公司’扩写成‘巨头将在下一阶段全面领先’。

随后主持人问豆包是否属于未来产品。曾鸣的判断是它更像第一代聊天机器人,缺乏独立完成任务的行动力;把Agent内置进豆包,是旧入口想成为新OS的路径,但上一代入口不一定理解下一代生态。若产品没有成为Agent事实标准,它调用的仍是上一代服务,而旧服务本身也可能被颠覆。

社交关系与电商关系都会被重构。曾鸣把现有产品加AI/Agent视为过渡产品,并举QQ到微信:QQ可以过渡到移动时代,但真正承接新范式的是新产品微信。主持人继续问,如果内部再造一个全新产品呢?他把移动互联网称为对PC互联网的1.5次创新:既有延续性,让部分头部公司成功过渡;也有颠覆性,产生抖音、拼多多等原生公司。AI在他看是更彻底的生产力革命,延续性更弱,所以内部诞生新物种仍非常困难。

这些案例都服务于一个有限的判断:旧平台有资源、云和分发积累,不代表旧产品必然能演化为新平台。它们也不是行业宿命定律,而是曾鸣基于商业史与当前观察做出的概率判断。

Agent (智能体)在本段对话中,指区别于简单聊天机器人的AI程序。其核心特征是具备“行动力”,能够理解用户意图后,自主地、独立地调用各种工具或服务去完成一个具体的任务。输入是用户的指令或目标,输出是任务完成的结果。
1.5次创新嘉宾用来形容移动互联网相对于PC互联网的变革程度。它既有颠覆性(颠覆了部分旧格局,催生了新巨头),又有很强的延续性(技术架构、商业模式等一脉相承,让旧巨头得以转型)。它介于完全的“延续性创新”和彻底的“颠覆性创新”之间。
使命驱动/愿景驱动/战略驱动嘉宾用来描述创始人或公司发展的三个层次。战略驱动指有清晰的打法和路径规划;愿景驱动指对未来有明确的想象和目标;使命驱动是最高层次,指被一个超越商业利益的、更宏大的目标所驱动。嘉宾认为,战略驱动是优秀,使命驱动才可能卓越。

话题推进:对巨头能否转型的讨论继续进入具体组织案例:为什么十万人的公司比十人团队更难AI原生化,以及为什么先做成一个Agent是平台前置条件。

02:06:01–02:09:32AI颠覆性创新下,现有巨头难以自我革新

  • 豆包是吗?
  • 那他把智能体内置进豆包不行吗?
  • 社交关系会重构吗?腾讯安全吗?
  • 所以你不看好这种现有的一个产品,它加AI加Agent,你不看好?
  • 人和人的关系会被重构,人的社交关系会被重构,那人和货物的关系呢?
  • 他特别努力,他加AI加Agent也不行。那自己再造一个产品有可能吗?就让我让下一个时代的产品诞生在我这个公司里。
  • 所以我就继续于下一代的产品也长在我的公司里,难度也是很高的,就是哪怕我用的不是我现在这个产品吧,我用下个产品去承接。让它诞生在我这个公司里,这个难度也这么高。这是组织文化原因吗?

主持人张小珺以字节跳动为例,询问其产品“豆包”是否是嘉宾曾鸣所说的未来应用。曾鸣明确否定,他认为豆包只是第一代AI产品,即聊天机器人,缺乏“智能体”的核心能力——独立完成任务。他指出,字节之所以没有不计成本地投入豆包,正是因为它不够“未来”。

张小珺追问,能否将智能体内置到豆包中。曾鸣解释,这正是所有大公司都想做的,即成为AI时代的操作系统(OS)或入口。但他对此表示怀疑,认为上一代的入口(如App)很难真正理解并成为下一代生态的入口。关键在于,如果一个产品不能成为Agent的事实标准,它调度的就只是上一代的服务,而这些服务本身就是被颠覆的对象。

对话由此转向其他巨头。张小珺问及腾讯,曾鸣判断社交关系必将重构,连最“安全”的腾讯也因此感到恐慌。他将所有“现有产品+AI/Agent”的模式都视为过渡产品,并以QQ到微信的转变为例:虽然同属腾讯,但真正承接移动互联网时代的是全新的产品微信,而非QQ的简单延续。同样,他认为阿里巴巴在“人与货”关系上面临着同样的重构挑战。

张小珺进一步提问,即使巨头不改造旧产品,而是内部孵化一个全新产品,是否可行。曾鸣回顾了移动互联网的经验来类比。他将移动互联网定义为对PC互联网的“1.5次创新”,既有颠覆性(成就了抖音、拼多多等原生公司),也有延续性(让头部PC互联网公司得以过渡)。但AI是更彻底的生产力革命,颠覆了工业革命以来的基础,而互联网只是生产关系革命。由于AI的颠覆性远大于延续性,原有公司的技术储备、组织文化等都难以适应,因此在公司内部诞生下一代产品的难度极高。

话题推进:在讨论了现有巨头自我革新的巨大难度后,话题自然转向了更具体的组织和战略问题,通过分析几家典型公司的案例来阐释为何转型如此困难。

02:10:00–02:16:33案例分析:中美科技巨头在AI时代的组织与战略困境

  • 你看就是过去两年,X也做了很多事情啊。你觉得他们是战略错了吗?
  • 那呢?我每次都觉得小扎很年轻啊。他为什么跟不上?
  • 中国的公司呢,你有没有一些观察?
  • 现在不应该再去做大模型了吧,再去参与这种同质化竞争。
  • 但是他们起码认为做应用的前提是我得有一个很强的模型。
  • 您对今年的就是不管是模型也好, agent也好,机器也好,有没有一些预测?到今年年底,2026年。

主持人张小珺询问,为何大公司内部孵化新产品如此困难。嘉宾曾鸣从两方面解释:首先,一个十万人的公司转型为AI原生,比一个十人团队成长为千人AI原生公司,难度不可同日而语。其次,他强调了平台生态的逻辑:必须先做出一个成功的Agent,才能理解其运行机制,进而建立事实标准和用户入口,产生“黑洞效应”吸引开发者。

接着,对话通过案例展开。谈及马斯克的xAI,曾鸣认为其战略方向不明确,且组织问题严重。他分享了在硅谷的观察:xAI的工程师永远是“最疲惫的”,过度消耗、高压的组织氛围难以催生创新。他转述研究员的评价,认为马斯克不懂大模型,无法像过去在硬件领域那样给出“第一性原理”的答案,同时又没给团队足够的共创空间,导致组织卡壳。

对于Meta的扎克伯格,曾鸣认为他虽然年轻,但“出道早消耗也早”,认知潜力被多轮技术浪潮消耗。同样,研究员们也不认为扎克伯格真正懂模型,导致他无法做出关键决策。相比之下,OpenAI的Sam Altman和Anthropic的组合则被视为典范:前者有优秀的CEO,后者有强大的组织能力和清晰的使命愿景,都是匹配新时代的创业公司。

转向中国公司,曾鸣认为情况类似,但竞争格局不同。由于中国公司多在“美国原型”上快速跟进,缺乏美国初创公司那样的“健康孕育DNA”的先发期,导致起步即陷入“百团大战”式的同质化竞争。尽管如此,他指出像杨植麟、闫俊杰以及智谱AI等认知更深、起步更早的“原生”团队,依然在竞争中领跑。

张小珺质疑当下是否还应做大模型。曾鸣澄清,像小红书等公司做模型,目的并非参与基础设施的API工厂竞争,而是为了补齐基本能力,为未来做应用发力。他认为,下一阶段模型和应用的边界模糊,做模型是一种必要的能力储备。整个行业仍处于开局布局阶段,棋局未到中盘。

话题推进:在拒绝做短期预测后,嘉宾将视野放得更长远,开始探讨AI技术革命对社会、个人乃至文明的长期影响。

02:16:34–02:21:42AI时代的终极命题:人的价值在于“无中生有”的创造力

  • 比如说五年呢?
  • 现在可能距离我们还有多少年?
  • 你觉得当人工智能成为新的生产资料和技术设施,社会需要多少时间来消化这场技术革命?
  • 那如果智能能像能源一样从外部获得,你觉得未来人和人的差异在哪里啊?
  • 刚才说如果公司会消失,那商学院会消失吗?

主持人张小珺询问对未来的预测。嘉宾曾鸣拒绝做短期预测,但认为五年内Agent的入口可能会出现,即产业发展的第二阶段会明朗。而像抖音、拼多多这类更原生的产品,则可能需要八到十年才会出现。他提醒,OpenAI也已成立11年,技术革命的积累期很长,而整个社会消化AI革命则需要一代人(20年起步)的时间。

当被问及在智能可外部获取的时代,人与人的差异何在时,曾鸣给出了核心观点:“创造力”。他借用管理学家德鲁克的框架,将人类社会发展划分为三个阶段:生产力革命(流水线)、管理革命(科学管理与商学院)和知识革命(软件沉淀知识)。曾鸣在此基础上提出,AI时代是继知识革命之后的“创造力时代”。所有可被结构化处理的知识型工作都将被AI接管,人被“解放”出来,去开发更高层次的潜能。

张小珺追问这种创造力的内涵。曾鸣强调,这是一种“无中生有”的、原发的创造力,因为“已有”的东西机器都知道。他重新定义了创造力,认为它不只是写歌画画,更是原创性地定义复杂问题的能力。他类比工业革命后出现了产业工人、白领等新职业,认为AI时代也会催生出我们今天无法想象的新的人类活动方向。这些活动可能不直接贡献于物理世界的进步,但对人类的成长和幸福感有巨大帮助,例如更丰富的情感陪伴和精神需求满足。

最后,张小珺问及与“公司”这一组织形态伴生的商学院的命运。曾鸣直言“商学院已经不行了”,正在衰落,印证了他之前关于组织形态变革的判断。

话题推进:从对“创造力”的探讨,自然延伸到这种能力如何培养,以及现行社会结构(如教育、工作模式)将如何被颠覆和重塑。

02:21:43–02:29:00拥抱不确定性:AI将重塑教育、工作与生活方式

  • 现在的整个围绕着公司建立的,比如说办公室啊,就这些可见的是不是都会发生巨大的变化?
  • 那未来人作为个社会来说,你能看到什么样的变化?
  • 会不会改变整个的教育体制呢?如果对人的能力的需求发生了变化。
  • 人和系统的关系,人和AI的关系未来会怎么演变?
  • 有看到好的硬件公司吗?一年产品?

主持人张小珺从商学院的衰落推及办公室等实体,嘉宾曾鸣确认,随着虚拟世界(Metaverse)的占比越来越高,这些都会发生巨变。他提到,Metaverse的方向没错,只是可能早了五年。

曾鸣认为,社会将发生天翻地覆的变化,并以他接触的00后创业者为例,他们想象的2C应用和世界观是“我们”这代人无法理解的。这种代际认知差异引出了对教育体制的讨论。曾鸣尖锐地指出,当前以知识灌输为核心的教育体系“肯定不行”,它压抑了人的兴趣和探索欲,在“不输在起跑线上”的焦虑中,将孩子固定在旧模式里。他认为,接下来最大的社会冲突将是教育系统的冲突,因为年轻人已意识到现有教育路径的失效,而家长和社会却不知如何用新方法引导,这是一个亟待整个社会投入资源探索的方向。

关于人与AI的关系,曾鸣认为在组织中将是“深度协同”。在社会层面,他预想未来人会通过各种可穿戴设备、外骨骼等成为“加强版的人”,AI将像手机一样渗透到生活的方方面面。对于层出不穷的AI硬件,他认为就像20世纪初的家用电器,最终只有少数大品类能跑出来,养活大公司,而现在还处在“百花齐放”的探索期,无法判断谁是最终赢家。

最后,曾鸣总结道,面对AI带来的巨大变革,人们需要转变心态,从“降低不确定性”转为“拥抱不确定性”,将之视为最大的机会。他认为,对不确定性感到兴奋和好玩,才是新一代创业者应有的心态。他将自己的使命定位为“快乐的研究员”,通过与创业者交流、阅读资讯来持续学习,同时也在寻找作为“生物的人”与高效率AI工具之间合理共存的节奏。

话题推进:在分享了自己作为“快乐研究员”的日常和心态后,访谈进入了尾声的快问快答环节,涉及嘉宾个人化的偏好、阅读和对核心概念的总结。

02:29:01–02:33:58快问快答:战略、使命与张一鸣的管理哲学

  • 全球范围内一道您喜欢的食物。
  • 全球范围内一个你喜欢的地方。
  • 你平时会读AI论文吗?你觉得影像过AI进程的重要的论文是什么?
  • 基于当下的认知一个关键的重要的bat是什么?
  • 我们公司叫语言及世界工作室,当你第一次听到这个名字的时候,你会想什么?
  • 可以分享几本书吗?就是您的人生之书。
  • 您觉得是什么让您对管理学发生这么深厚的兴趣?
  • 战略是一个组织大脑,就必须要CEO来做,你觉得战略做的好人,CEO一般是什么样的人啊,之间有关系吗?
  • 自己属于什么驱动啊?

在访谈的快问快答环节,主持人张小珺提出了一系列简短问题。嘉宾曾鸣分享了他的个人偏好(食物是老家炒螺,喜欢的地方是上海),并透露自己不读AI技术论文。他认为当前最重要的一个赌注(bet)是“出现一个足够好用的toC的agent”。

关于对他影响深远的书籍,曾鸣提到了《基业长青》(企业长青)系列、德鲁克的著作,以及一本让他本科时几乎全文抄录的、弗里德曼关于市场基本运行机制的著作,这本书奠定了他对市场经济的理解。他解释自己对战略学的兴趣源于高中时就偏爱文科,大学读经济学时又觉得过于数学化而感到无聊,最终在读博时选择了商学院中更宏观、连接理论与真实世界的战略学。

当被问及战略与CEO的关系时,曾鸣指出,创始人中具备战略能力的并不多。他认为,能做到“战略驱动”已属优秀,而“卓越”则需要“使命驱动”。他以王兴和王慧文的组合为例,说明互补的团队非常难得。

最后,张小珺问及对字节跳动创始人张一鸣的看法。曾鸣表示,因个人交流不多,无法判断其使命驱动的程度,但他肯定张一鸣是“一个了不起的天才”,拥有自己的管理哲学,至少是愿景驱动。他举例说,张一鸣很早就提出“公司即产品”的理念,并且字节跳动是国内最早践行类似Netflix文化的公司。对于字节后来变成“效率工厂”的现象,曾鸣解释,当战略明确后,组织自然会转向追求执行效率。但时代变化会使原有模式不再适用,因此张一鸣需要重新下场定义AI战略。这再次印证了他之前“组织宿命论”的观点:要么彻底转型,要么被时代淘汰。

话题推进:访谈以对时代变革的公平性的感慨收尾,为整个对话画上句号。

以上是原对话的分段阅读。下面才开始提炼论证、解释机制并给出本文自己的判断。

主要论证:观点怎样由经历与例子支撑

不同发展阶段的企业难以跨越到下一阶段,跨时代成功的企业“基本没有”。

曾鸣 · 00:02:47;00:30:00;02:08:21

1. 核心能力不匹配:第一阶段(基础设施)的核心是解决技术“从0到1”的原创性问题。第二阶段(应用爆发)的核心是对用户需求的洞察和产品原创力。第三阶段(原生应用)则需要更深度的整合与生态构建。各阶段所需的核心基因和组织能力完全不同。

2. 历史规律:回顾历次技术革命,提供基础技术/设施的公司(如AOL)与最终成功的应用/平台公司(如Google)往往不是同一批。基础设施的成功标志是其变得稳定、低成本、可商品化,这恰恰削弱了其作为创新引擎的独特性。

3. 组织惯性:现有巨头即使尝试内部孵化新产品,也会受制于原有组织文化、流程和利益格局的掣肘。AI革命的颠覆性远超移动互联网(被定义为“1.5次创新”),旧有的成功路径和资产反而成为转型的巨大包袱。

成立条件:该论断成立的前提是,AI革命是一场彻底颠覆工业时代生产力基础的变革,而非延续性创新。如果AI的发展路径最终证明是渐进式的,或者现有巨头能通过某种方式(如成功的组织变革或并购)有效整合新旧能力,则该论断可能被打破。

大模型公司(如OpenAI, Anthropic)是未来的“AI云公司”和基础设施服务商,其历史类比是AOL,它们大概率不是原生应用阶段的大赢家。

曾鸣 · 00:23:23;00:27:06;00:32:00;00:57:53

1. 功能定位:大模型公司的核心作用是提供标准化的“智能”接入服务,让社会可以像用水电一样使用AI。这与早期互联网接入服务商AOL的角色同构,都是基础设施提供者。

2. 商业模式终局:作为公共基础设施,其最终格局必然是“寡头垄断+政府强监管”。竞争会使其服务趋向同质化和低成本,利润空间受限,难以维持早期的高增长和高估值神话。它们会成为“很好的成熟生意”,但不是舞台中央的明星。

3. 经济学规律:只要存在同质化供给,任何公司都无法获取超额利润。模型公司之间的竞争将使其能力变成可被应用公司随时替换的“大宗商品”。

4. 历史先例:历史上,基础设施的建设者(如爱迪生的通用电气最初做发电设备)和应用时代的赢家(通用电气后来靠电冰箱、洗衣机等应用获得巨大成功)往往角色分离。

成立条件:此判断的成立条件是:1. 基础大模型技术的发展进入平台期,各家能力趋同,无法形成持续的、颠覆性的代差。2. 应用层(Agent)的创新能独立于模型层,并构建起自己的护城河(如独特的场景智能、数据飞轮)。如果模型公司能持续通过技术突破(如AGI)“吞噬”应用层的大部分价值,则此判断不成立。

AI应用难以依靠传统的“数据飞轮”,而需要构建“智能飞轮”(或称“智能复利”),这是新一代公司的核心壁垒。

曾鸣 · 00:33:41;00:44:00

1. 飞轮升级:传统数据飞轮(更多用户→更多数据→更好模型→更好产品→更多用户)在AI时代依然存在,但已不是核心。核心是“智能复利”。

2. 智能复利构成:它需要三个要素结合:a. Agent能独立在真实世界完成任务并获得反馈(这是数据飞轮的前提);b. 在此过程中有新的算法创新(如记忆、上下文管理、规划能力);c. 形成一个特定任务的学习场景,让Agent在该场景下持续自我进化,变得越来越聪明。

3. 领先者优势:模型公司(如OpenAI)已经通过“用大模型训练大模型”启动了基础设施层的智能复利,甩开了追赶者。应用公司也必须在自己的垂直场景里构建类似的智能闭环,才能形成壁垒,避免被模型本身的能力提升所覆盖。

成立条件:“智能飞轮”成为核心壁垒的前提是,存在足够复杂的任务场景,使得通用大模型无法直接完美解决,从而为专用Agent的持续学习和优化留出空间。如果通用模型的能力增长速度超过了专用Agent在垂直场景的优化速度,那么应用层的“智能飞轮”价值就会被削弱。

作为工业时代产物的科层制“公司”将会消亡,取而代之的是以“任务”为基本单元的“AI原生组织”。

曾鸣 · 01:06:02;01:10:54;01:13:17

1. 历史匹配性:“公司”是与工业革命的规模化生产相配套的制度创新。当AI革命颠覆了工业时代的经济规律和生产方式时,其上层建筑(组织形态)也必然随之变革。

2. 基本单元变化:传统公司以“岗位”为基本单元,所有管理活动(招聘、汇报、薪酬、晋升)围绕岗位展开。AI原生组织的基本单元是“任务”,人和AI(碳基和硅基员工)都围绕任务的定义、拆解、分配和协同进行组合,组织结构是动态的、网状的。

3. 管理逻辑颠覆:网状结构打破了科层制的命令链,决策权基于能力而非级别,中层管理者角色消亡。激励机制从爬格子的外部激励,转向基于透明贡献的直接回报和个体的“自驱力”(high agency)。

4. 现实雏形:当前涌现的“New Lab”就是这种新组织形态的早期探索,它们不满于传统公司制度,以更灵活、更像研究员共创的方式运作。

成立条件:该判断成立的条件是AI能够高效地参与到复杂任务的定义、拆解和协同中,并且能够建立起一套被广泛认可的、衡量不同个体(包括人与AI)贡献的透明系统。如果任务协同的复杂性远超当前预期,或人类协作中的信任、文化等隐性因素无法被新系统有效替代,则科层制的部分元素可能会以新的形式长期存在。

AI 原生组织需要同时生成战略,而不只执行既定战略。

曾鸣 · 01:20:12;01:22:03;01:46:05

高频且重要的战略决策要求组织快速共享任务、目标与上下文,让人和 AI 在协作中形成新的洞察。任务式网络可补充固定 SOP,但任务定义、资源、责任和信任仍是组织问题,不能只靠共享信息解决。

成立条件:这是组织设计框架和趋势推演,不是已在不同规模、不同任务公司普遍验证的管理定律。

战略探索与收敛需要不同效率,机器人先做大脑或先做场景也需分别验证。

曾鸣 · 01:53:09;02:00:12;02:02:04

探索期通过多方向、低成本试验识别约束并形成共识;收敛期把方向转成可规模化的运营闭环。大脑路线需证明泛化空间,场景路线需证明市场足够大且能扩展,不能事先以其中一种逻辑覆盖另一种。

成立条件:汽车流水线和多车型是历史类比,提供思考角度而非机器人行业的确定年表。

机制与术语:对象、输入输出和中间过程

产业三阶段论 (Three-Stage Industry Evolution)

该机制描述了颠覆性通用技术(如AI)产业化的普遍规律。

- 输入: 一项颠覆性的通用技术出现(如GPT)。

- 过程:

1. 第一阶段:基础设施化 (Infrastructuralization):技术本身被社会广泛接受,并形成标准化的、可计价的供给。关键标志是出现如“一度电”、“一吨水”或“一个token”这样的通用度量衡,使技术可以作为商品大规模使用。

2. 第二阶段:应用大爆发 (Application Explosion):基于成熟的基础设施,大量创业者涌入,探索各种应用可能性,呈现“百花齐放”的局面。这个阶段是必要的探索,为技术的下一步演进和杀手级应用的出现指明方向。

3. 第三阶段:原生应用阶段 (Native Application Era):在第二阶段海量探索的基础上,诞生了真正理解并利用了新技术范式、解决了主流核心需求的现象级应用和平台。这些“原生应用”创造了全新的价值和体验,并反过来定义了新的生态。

- 输出: 形成一个由基础设施、海量应用和原生超级平台构成的成熟产业生态。

- 失败条件: 该模型假设技术发展遵循从底层向上层的线性演进。如果技术发展出现跳跃(例如,一个超级智能直接整合了所有阶段),或者社会、监管因素强力干预了某个阶段的正常演化(如阻止基础设施的商品化),则该模型可能失效。

对应节目:00:10:12

智能复利:从真实任务反馈到可复用学习,而非预设指数增长

【本文整理】曾鸣把数据飞轮升级为智能复利,需要三件事共同发生:Agent能在真实任务中相对独立地工作并获得反馈;上下文管理、记忆、算法或交互出现创新;这些反馈被转成特定场景的学习,使后续任务表现改善,并尝试迁移到更复杂任务。领先者把AI用于自己的主业(如用模型训练模型)是基础设施侧的例子,不能直接证明应用侧也有同样复利。

评估应固定模型、任务与成本,观察成功率、人工接管、错误复发、跨场景迁移是否改善。若只增加数据或调用次数而没有更新策略,不能称智能复利;若通用模型更新覆盖了局部经验,应用侧复利也可能被抵消。

本文自拟示意,不是嘉宾实验

本文自拟对照:同一个Agent在固定任务上记录‘失败原因—修正动作—下一次表现’,若能逐周减少同类错误且保持成本可控,说明存在学习闭环;另一个Agent只提高调用次数而没有更新策略,次数增加不等于智能复利。这里比较的是可复用学习,不是预设12个月缩短到9个月就产生指数增长。

任务式组织如何生成战略:输入—共享—涌现—验收

【本文整理】输入是待解决的复杂任务与足够上下文;人和AI按能力认领、拆解并完成子任务;组织通过共享目标、任务状态和不同认知,产生原先未出现的战略洞察;再用实际结果与外部变化检验并更新。曾鸣把它类比为神经网络和组织小模型,但这只是组织设计框架,不是自动训练模型的证明。

任务制可能降低不必要的层级,却不会自动消除权力、责任和信任。谁定义任务、谁提供上下文、谁给资源、谁承担失败后果仍需明确。透明贡献也可能鼓励易量化工作而忽视维护和长期公共品。

本文自拟示意,不是嘉宾实验

本文自拟:一个新产品团队共享用户问题、历史决策和当前约束,成员与AI分别提出不同路径,经小范围任务验证后形成新的中期里程碑。若只让所有人看到大量信息却没有独立判断和验收,这不叫战略生成,只是信息堆积。

战略探索与收敛的两种效率:先扩大有效试验,再形成可规模化闭环

【本文整理】探索期目标不是尽快证明一个方向永远正确,而是以较低成本比较多个可能方向,识别现实约束并逐步收敛;收敛期则把已形成的方向转为组织化、可重复、可规模化的运营闭环。两阶段的决策机制、指标和容错不同。

New Lab的非共识提供多样化试验,不自动等于正确路线;福特流水线代表标准化突破,通用汽车多车型代表需求多元化后的调整,说明同一效率原则不会永久有效。

例子来源:嘉宾原例重述,不是本文虚构场景

嘉宾原例重述:福特1913年以电驱流水线提高制造效率,让汽车成为大众消费品;之后通用汽车以多车型回应多样化需求。这个例子说明标准化曾带来突破,差异化又在新阶段形成竞争,不能把某一战略写成跨时代定律。

独立判断:这些对话改变了什么理解

【本文推断】‘组织先于战略’的可检验含义,是组织能否发现原本不在候选集中的问题,而不是任务制人数是否更少。

推理:若组织只加速既定任务,它提升的是执行;若共享上下文和不同认知让团队提出新方向、改变里程碑或停止旧项目,才涉及战略生成。曾鸣的神经网络类比因此应落到信息如何转化为选择与反馈,而不是把公司当作已经训练好的模型。

竞争解释与边界:更多上下文也可能增加噪声、同质化判断和责任模糊。应比较有/无共享机制时的新问题质量、决策周期和失败成本,而不是只比较员工数或 AI 调用次数。

【本文推断】云端存续和消费者入口必须拆开,因为二者的护城河和失败条件不同。

推理:云业务可利用算力、模型、客户和工程积累,消费者入口则依赖新交互、任务标准和生态。曾鸣对 Google、微软和字节的评价正是把这两个问题分开:基础设施强不自动推出新应用成功,旧入口内置 Agent 也不自动成为新 OS。

竞争解释与边界:分发、账号和既有数据可能帮助旧入口完成迁移,不能由‘新物种难在旧组织出现’推出旧巨头必败;关键是新任务是否被旧产品指标和利益结构约束。

【本文推断】‘智能复利’只有出现策略更新和跨任务收益时才成立,调用量增加本身不是学习。

推理:可观察链条应是失败被记录、修正动作进入后续上下文或训练、下一次同类错误减少,再观察能否迁移到更复杂任务。若只积累数据、对话或 Token 消耗而没有改变策略,不会产生复利;若通用模型覆盖局部经验,应用侧积累也可能失去独立价值。

竞争解释与边界:真实任务反馈可能包含偏差和隐私风险,策略更新也可能遗忘旧能力。需固定任务、模型和成本做前后对照,不能把个别效率故事推广为指数增长。

尚未解决的问题与可检验的下一步

待解问题:任务式 AI 原生组织能否比传统层级组织更有效地生成新战略?

下一步信息或小实验:在相近业务阶段比较两类组织,记录新问题的提出来源、从反馈到战略变化的周期、任务成功率、决策返工和责任归属,区分执行提速与新方向发现。

怎样的结果会改变判断:若任务式组织持续产生有价值的新方向且责任清晰,框架增强;若只加快既定任务或增加噪声,则应缩小‘战略生成’的含义。

待解问题:机器人大脑泛化与场景闭环两条路线,哪条在何种任务和资源条件下更有效?

下一步信息或小实验:固定硬件和任务族,比较通用预训练优先与具体场景闭环优先的数据量、泛化、部署成本、跨场景迁移与商业闭环,并保留失败和停止条件。

怎样的结果会改变判断:若通用路线跨场景成本低且真实成功率高,支持大脑优先;若场景路线能更快暴露关键瓶颈并迁移,支持闭环反哺;两者也可能在不同阶段互补。

待解问题:既有平台能否在保留云与分发优势的同时,孵化真正原生的新任务入口?

下一步信息或小实验:观察独立团队是否拥有产品决策权、任务标准和资源分配,比较内置 Agent 与独立新产品的留存、任务完成、生态调用和旧业务影响。

怎样的结果会改变判断:若旧组织能持续产生新任务标准,说明其转型能力被低估;若新入口始终只服务旧流量和旧服务,原生性仍受限。

影响理解的转录疑点

优先连读 01:02:18—01:31:10:New Lab、科层制变化、任务式组织和战略生成构成完整论证。再读 01:31:10—02:10:00 的战略节奏、探索与收敛、机器人两条路线和巨头入口问题。历史类比用于解释变量,不应当作确定年表;微软、Google、字节等公司评价均属于嘉宾观察。

延伸研读:原有专题与外部资料

以下保留本期此前的专题解释、公开资料对照和研究讨论,作为上述逐段阅读的补充。不同部分的写作范围可能不同,外部资料中的新事实不反向冒充节目原话。

曾鸣是战略学者、阿里巴巴前总参谋长,参与过互联网产业及组织的发展。张小珺在这期长对话里不断追问:模型公司会吞掉应用吗,旧平台还能成为新入口吗,公司和岗位还会不会存在?他的回答不是评一张模型榜单,而是把 AI 放进通用技术产业化的历史框架。下面先重建其推理、案例与保留条件,再分析这套强判断的可用处与证据边界。

三阶段不是三个年份,而是技术与应用互相塑造的过程

第一阶段,技术从能否使用走向社会接受,成为基础设施。曾鸣把 2026 年初 token 形成广泛计量共识视为成熟标志:智能可以像电量、流量一样被购买和调用。这里的 token 是模型处理内容的计量单位;他的重点是出现标准接口与度量,不是所有模型每个 token 的能力、价格都相同。他判断基础模型的新创业窗口已经关闭,接下来更多是有限玩家的规模化竞争。

第二阶段,基础设施上出现大量应用,也就是他所说的智能体阶段。Agent 不只是回答问题,还要承担任务。他从 OpenClaw 想到早期人人建网站:网站封装并分享信息,智能体封装并分享做事能力。曾鸣以前用“拥抱雅虎”描述机会,这次却认为连浏览器对应物都还没出现。浏览器的历史作用,在他的类比里是同时降低供给端建站和用户端访问门槛;今天同样需要让能力容易封装、发现和调用,而不是只有开发者能拼接一次演示。

第三阶段,是新技术与大量应用共同演化后出现的原生应用和运行方式,不应凭空越过第二阶段。今日头条积累推荐能力,再与带宽、算力和短视频形式结合,才走到抖音;早期工具应用有很大用户量,也不代表终局。他以黑莓在美国市场曾高于 iPhone 的份额说明领先者可能更替,所述“四成多对两成多”属于特定时期、特定市场的访谈口径,并非全球份额。关键推理是:应用探索给技术下一步方向,基础设施本身未必知道该长出什么产品。

AOL 与 AI 云:为什么巨大价值仍不等于终局入口

模型像炼油厂,把数据变成可调用的智能;更贴近其商业角色的比喻,是 AOL 曾让普通人接入互联网。基础接入本身需要巨大的技术和工程,但不等于后来搜索、社交、交易都由接入商赢得。曾鸣因此明确判断,模型公司将成为 AI 云公司:模型商想自建云甚至芯片,云厂商不甘只提供算力,两者碰撞与整合,最后形成少数稳定供应者。这是他预测的方向,不是已经完成的公司分类。

他进一步把基础设施的商业模式概括为寡头与政府强监管:投入巨大,社会依赖稳定、低成本供给,又不宜只有一家供应商,因此不倾向于无限多家无序竞争。由此他判断模型层是很好的成熟生意,但几年后用户可能只在服务出问题时想起品牌。这个预测没有说模型企业没有收入、没有价值;它说的是基础设施角色与下一阶段消费者入口的角色不同。

因此,曾鸣对 OpenAI、Anthropic 的方向非常明确:它们大概率不是原生应用阶段的大玩家、大赢家。他相信 AI 时代可能出现十万亿美元公司,却不认为一定就是今天这两家。第一阶段重原创技术、把模型做可用;第二阶段需要产品洞察、用户同理心、上下文管理;第三阶段还需理解新生态并形成运行平台。上一阶段的积累可能变成惯性,能力要求也不是沿原轨道加一点即可。他说跨阶段成功“基本没有”,同时承认 IBM 和某种程度上的微软是例外,不应把概率判断改写成零例外定律。

估值案例用来消除“今天很大所以明天必胜”的直觉。节目列出雅虎 2000 年约 1200 亿美元、AOL 高点约 2200 亿美元,并把前者按通胀与纳指回报类比成今日万亿美元级价值。不同折算并不是同一个可复算指标,本文不把它当严格估值对照;案例支持的只是早期赢家也曾非常大。历史上出现过巨额价值,既不否定当前模型公司的成就,也不足以直接预测其中某家将衰落。

淘汰赛的强预测,与为应用储备模型能力,是两件事

沿这个框架,曾鸣认为基础模型竞争正走向收敛:他赞赏 Anthropic 把 AI 用于自身研究、组织聚焦形成“智能复利”,并把中国市场描述成走向少数玩家的淘汰赛。他提出“年底跑不到 3T 大概率出局”的阈值,引用 K3 的 2.8T 说明规模竞赛。这是他当时的竞争预测,不是本文确认的技术晋级线;总参数并不直接等于激活计算、训练质量或商业结果。他随后区分另一个方向:应用企业训练模型可能是在补齐自身能力,不是在重新加入通用 API 工厂竞争,模型与应用技术的边界还会变化。

脚手架与复杂任务:为什么能交付一次,还不足以形成飞轮

张小珺把讨论带到应用机会。曾鸣回忆早期 demo day 中大量广告素材生成、投放项目,认为简单功能长期空间有限;相较之下,增长这个更复杂的任务可能值得投入。“脚手架”指临时补上模型短板的一层结构:模型能力提高后,原先必须由应用包装的功能可能被直接完成。由此他的建议不是继续追每个短板,而是假设智能已经足够,再问它能承担哪件重要的事。

复杂任务为什么更有机会?一次 PPT 或报告交付后就结束了,增长却要观察实际效果、调整动作、处理新的约束,并持续承担结果。他设想的前提是智能体能够独立执行,不总靠人代为完成中间环节,然后从真实结果获得下一轮改进信号。曾鸣把数据飞轮升级成“智能飞轮”:执行、得到反馈、改进能力,再进入更多场景;记忆、上下文管理与交互方法仍需创新。网络效应继续存在,但仅把用户连起来不够,他称快速吸收新场景、拓宽能力的过程为“黑洞效应”。这些是其机制设想,并非保存日志就自动学习。

他对通用智能体的评价也有阶段变化:Manus 抓住代码能力外溢的窗口,服务了一批积极使用工具的专业消费者,但后来者至少要找到十倍级切入点。这里的“十倍”是机会尺度要求,节目没有统一的收益分母或实测基线,不应写成某产品效率提升十倍。教育、健康可以容纳大垂类;面向企业,他看好组织大脑、组织操作系统一类探索;面向消费者,则提到陪伴与解决问题。大方向大,不等于第一步容易,大多数人可能低估了找到真实复杂任务的难度。

新平台要匹配能力与需求,而不只是匹配信息;更远的 agentic OS 则直接按意图调度市场上的智能体,用户甚至不必看见具体服务者。曾鸣把后者放在第三阶段,因为可调用的智能体先要足够丰富和成熟。他把入口和更成熟的原生大应用都视为尚需多年探索的对象,社会消化变化更是一代人的事。节目介绍与编辑文字对 Agent 时间有不同估计,讨论位置也不同,这里不把它们拼成固定的阶段时钟。他还用电网与家电的先后说明基础设施不会吞掉全部用途,但编辑文字中的具体发明年代未经本文核验,不应作为论证已经被历史精确证明的依据。

从岗位到任务:衰亡的是科层公司,不是分工协作

接下来问题从产品转到组织。曾鸣刻意说“组织”而非“公司”:科层制公司以岗位为基本单元,先写职责、招人,再安排汇报层级与报酬;它曾支撑工业时代规模化协作。若 AI 改变生产力和专业分工,这套制度也会受到挑战。他的强判断是科层制公司将衰亡,但人类分工合作永远存在,有人就有组织。这不是宣称所有人将彼此孤立或一切企业实体马上消失。

AI 原生组织在他的描述里从任务开始:定义要解决的事,拆解、分配,再让人和智能体围绕任务流转,按能力被调用、按结果交付。把 AI 嵌入为人设计的旧工作流,只是过渡阶段;更原生的设计要重新安排协作。他把 high agency 解释为主动掌握行动和成长,而非等岗位分配。这套愿景隐含贡献更透明、调用更容易的条件,并没有在节目中解决所有责任、激励和争议分配问题。

一人公司也因此不是终点:AI 让原先多个职能暂时集中到一个人,但一个人的能力与时间仍有限,合作还会出现。曾鸣预想人数更少、互补贡献更重要的合伙人组织,类似律师或咨询合伙制中少了某个人就缺一项关键能力,同质工作交给数字分身。传统公司转型则须先改变认知,不是沿原结构一路“AI 加上去”。他的判断很激烈,但理由始终是组织形态与新任务方式不匹配,而不是管理者只要换一个软件就已原生。

优秀与卓越:承受负反馈,不等于负反馈证明你正确

谈到个人与创业者,曾鸣区分两条路径。优秀常在持续正反馈中成长,成绩和认可一步步累积;卓越往往是事后才看清,一件重要的事经过长期不被认可,最终真的做成。他立刻补上相反一面:类似狂想而失败的人很多,想得离奇很容易,想对且做出来极稀缺。因而非共识本身不是成功证据,这一点与他对行业终局的强预测同样应保留。

他请创业者设想,十年后什么样的自己会让自己满意,是在辨认驱动力。为问题本身着迷、好奇、希望事情成,与追求百亿美元估值不同;后一种更容易被每轮外部认可牵动。他把企业驱动方式分为机会、战略、远见与使命,借马云“让天下没有难做的生意”和马斯克火星愿景说明事情大于个人的状态;团队也可能以不同长板互补,不要求每个人天生拥有完整使命。上述是他的观察,不是对这些人物所有行为的认证。

减少自我并非放弃判断,而是更全面地感知真实变化、更深入地处理信息。只追已经浮出水面的热点,可能没有看见领先者先走过的两步;一味证明自己,也可能只接收支持原判断的信号。曾鸣推崇能随情境调整的“心法”,而不是把一句成功格言照抄。他强调长期方向,仍要求现实反馈改变下一步,不应把坚持解释为永不认错。

战略生成:中期里程碑连接远期愿景和今年动作

“AI 时代战略还重要吗”得到的是肯定回答:越不确定,关键判断越重要;方向已清楚时才更偏执行。“看十年、想三年、干一年”最容易漏掉的是中间一层。只看远方,不知道今年从哪里开始;只干眼前,又可能沿旧轨道忙得很好。曾鸣要求看见两三步:先达到哪个里程碑,再获得什么条件,之后可能走向哪里,今年第一件重要事是在为哪一步创造条件。

年数可改成看五年、想两年、干半年,甚至更短,重要的是长、中、短之间有张力和至少几步的路径。节目拿成熟行业每年 5% 到 8% 增长与其所述 Anthropic 80 倍同比增长对照,想说明线性外推失灵;后者的营收时期、分母与公开财务口径不足,本文不把它当核验后的经营数据。真正可带走的是用中期图景筛选短期行动,且不断更新图景,而非把三年计划写死。

他把这种过程称为战略生成:建立让新洞察出现的环境,不指望一次规划决定伟大。人和 AI 共享目标与完整上下文,在任务协作中发现原先没有的连接;context not control 的重点是提供理解任务所需的信息,而非仅靠层级命令。模型公司在其判断里更多进入战略收敛、拼组织和执行效率;具身公司仍偏探索,应以降低试错成本、吸收不同路线经验来提高创新效率。他还建议 CEO 深入理解 AI,亲自梳理并重写内部运行原型,而不是只在原软件里加功能。他把人和 AI 共同演进的任务网络比喻成组织的小模型,指的是群体智慧能否产生新洞察,不是已经验证了一套自动训练组织的算法。组织先改变,才可能提高决策频率与质量,这就是他把组织讲在战略前面的原因。

巨头没有默认安全,创造力也不只是一项文艺技能

最后,曾鸣把框架应用到现有平台:Google、字节有模型、算力或芯片积累,可能成为很好的 AI 云公司,却未必做出下一代消费者入口;聊天机器人有用户并不等于已经能独立行动。他认为微软曾成功转型、QQ 到微信也有延续,但 AI 对生产力的改变比 PC 到移动更剧烈,十万人旧组织改造与小团队从零长大难度不同。公司分析有很多即时竞争判断和接触所得印象,本文保留方向,不把关于某家公司“出局”或管理者能力的评价升级为定论。

他由此谈到创造力时代:更重要的不是只会写歌画画,而是原创地定义复杂问题、发现尚未被满足的需求。教育、关系、陪伴、硬件和组织都有待探索。他尤其担心以知识灌输为中心的教育压抑兴趣:年轻人已经察觉旧路径会变,家长却未必敢让他们偏离;新教育应怎样支持探索,还需要社会投入。这是他指出的现实矛盾,不是已经验证的新教育方案。他既主张拥抱不确定性,也提醒人需要隔绝一部分信息、找到生物身体能承受的节奏,不应因 AI 处理得快就持续耗尽自己。新公司有机会与旧公司可能衰亡,在他的叙述里是同一演化过程的两面。

本文补充解释与自拟例子:从产业类比走到一项可验收的任务

曾鸣从电力、互联网推到 AI,中间需要三座桥。第一,基础能力变得稳定、容易接入和计费,企业才敢围绕它投资;token 共识只能说明计量开始普及,不说明不同模型交付同等能力。第二,大量应用会暴露此前不清楚的需求:发电解决供给,家电还要解决使用者怎样省力;接入互联网解决连接,搜索还要解决怎样找到信息。因此应用不是基础设施的附属包装,还会反过来改变基础设施需要支持的功能。第三,当这些需求稳定下来,入口和平台开始组织整个生态,竞争要素就从“能供给”转向“懂任务、拿反馈、组织协作”。

跨阶段困难由此来自能力失配,而不是日历翻到下一页旧公司就消失。一个模型厂若仍只按调用量优化,可能看不到用户完整任务中哪些步骤失败;但若它保留直接客户关系,能获得任务结果,在有资源的应用团队中持续迭代,还能改变评价和决策方式,它就可能跨过这道桥。人才、分发与收购也可能补能力。这是本文对曾鸣预测的竞争解释:应观察旧厂有没有形成新回路,而非仅从公司出身断定结局。模型领先仍可能帮助转型,只是不足以单独证明转型。

任务式组织的自拟业务例子:一家网店发现某批订单可能延误,要求在发货截止前确定受影响订单、给出处理方案并完成通知。这个网店不是访谈中的实际企业,以下也不是曾鸣已经实施的组织方案。

输入先写完整:订单号、付款状态、仓库库存与装车记录、物流承诺、补发与退款规则。任务不是“做一份延误报告”,而是把受影响订单处理到结束;验收要查订单范围是否正确、通知是否送达、补发或退款是否按规则完成、是否重复赔付。由运营负责人承担最终责任,仓库负责确认实物,财务负责退款执行。这些责任可以随任务分派,但不会因为称为任务制就消失。

人和 AI 的协作按依赖推进:AI 先交叉核对订单与物流,标出缺数据和矛盾;仓库人员确认包裹是否真的离库。AI 据已确认事实和规则生成候选方案,越出既定规则的赔付交由负责人决定,再由有相应权限的人员或系统执行。执行结果回到同一订单记录,客服不用重新问一次仓库,负责人也能看见哪些订单还卡在确认、决策或执行。新能力在这里是共享状态与明确交接,不是人人都收到更多消息。

怎样检查它比岗位串行流转更好?在相近订单复杂度下比较遗漏、重复赔付、交接等待与人工复核量,记录任务最终是否闭环。如果只是把部门名称改成任务队列,等待没减,错误更多,就未证明这种组织方式有效;如果数据权限和责任含糊,AI 处理得更快反而会加快错误传播。曾鸣的任务观点提供重设计的方向,这个例子补的是执行与验收过程,不把“消灭岗位”升级为定律。

独立分析:把跨阶段预测变成可检查的选择,而不是命运宣告

本文认为,这套框架最强的部分是区分“供给智能、利用智能交付结果、调度新生态”三种能力,所以能解释基础设施很有价值却未必拿走全部应用价值。最弱的部分是把历史类比推向高度确定的企业终局:资本、人才、分发与兼并也可能帮助旧赢家转型,微软等例外已经说明阶段边界不是不可穿越。OpenAI、Anthropic 非终局赢家是曾鸣明确的预测,不是由几个历史估值案例证明的事实。

应用上的可检验问题应是:模型升级后这层产品仍承担什么责任?它能否独立拿到实际结果反馈,纠正错误并迁移到新任务?复杂不自动形成护城河,还可能更难评价与部署。组织上的检验则是任务制是否在责任清楚的前提下减少等待、提高决策与交付质量;若只是换称呼,协调成本并未下降,就没有验证新形态。个人选择也应保留优秀与卓越之间的幸存者偏差:用中期产物和失败判断检查投入,而非因自己承受负反馈就认定未来必胜。

材料定位:原节目与章节 · 公开编辑文字。公司终局、模型门槛、组织演化与时间表均为嘉宾判断;历史数字按其论述口径说明,未冒称逐字转录、原声复核或独立商业核验。

证据边界与资料索引

本页依据整期机器转录、官方节目介绍与章节逐段重建,未宣称逐字人工听审。说话人、专名、数字和时间可能存在识别误差;原声仍是最终核对依据。嘉宾关于公司、市场、研究、个人经历与未来的说法按口述保留,不自动等于独立核验的事实。

本期部分文字来自分段机器转录。可靠回听范围以音频切分区间为准,逐句秒数可能压缩,不能把估计时码当作精确字幕。

原节目:153. 和曾鸣聊产业史观:残酷的真相、会消亡的公司、优秀≠卓越、“OAI、Anth大概率不是原生时代大赢家”

本页使用的公开文字或字幕来源

返回顶部