

导读
AI不是一次工具升级,而是一次重新洗牌:它拆掉一些壁垒,也让另一些能力变得空前昂贵。企业焦虑用不用,个人焦虑被不被替代。真正该问的,或许是另一个问题——当机器什么都能干,人凭什么仍然不可替代?作者 | 蓝血创作组
来源 | 蓝血研究
以下是《财富》与AI先驱李开复的完整对话。李开复曾任谷歌中国总裁,并在苹果和微软担任高管,现任零一万物(01.AI)创始人兼CEO。他的新书是《AI原生》(AI Native)。他与《财富》杂志资深撰稿人艾莉·加芬克尔(Allie Garfinkle)和资深AI记者艾米丽·福尔里尼(Emily Forlini)探讨了中美AI竞赛、Anthropic的IPO,以及为什么他认为这是"人类有史以来经历的最动荡的时刻"。
李开复认为,美国芯片出口管制并未阻止中国AI发展,反而刺激中国通过工程优化大幅降低成本,催生了大量开源模型,形成"iPhone与安卓"格局:美国闭源模型盈利高,中国开源模型覆盖面广。开源模型受青睐有三类原因:价格低、性能够用、可本地部署保护数据。他强调对中国存在误解:中国企业善于盈利;开源并非政府授意,而是DeepSeek成功后的市场逻辑;出口管制并未真正限制GPU投入,中国公司更精打细算。美国模式靠人才密度和大规模算力追求AGI,中国模式像"学习小组",通过开放权重和论文共同进步。DeepSeek发布正值春节,在中国激发巨大民族自豪感。
谈到Anthropic准备上市,李开复认为其估值逻辑在于未来模型带来营收、已初步实现RSI,以及企业愿意高价购买服务;但风险是开源模型差距不大、本地部署需求分流客户,增速难以维持。他不认同AI是泡沫,认为AI将"智能"普及化,规模远超工业革命,但会造成巨大动荡。
关于企业应用,他指出多数公司把AI当普通软件交给CIO,只是"AI赋能"而非"AI原生"。成功需要CEO亲自使用AI,构建"本体"解决理解公司的问题,减少幻觉并提供可解释证据。他介绍了"Boss AI"等决策支持工具,并主张设立"DRI"(直接责任人)来管理智能体。中层管理者因害怕失去权力会抵制转型,但也可转型为DRI。
就业方面,李开复认为数字化程度最高的工作最先被替代,新岗位会滞后出现。未来机会包括"一人公司"创业、成为AI原生公司的DRI,以及需要同理心、沟通和信任的服务业工作。物理世界中的水管工、电工等仍较难替代。AI创造的财富可通过服务付费或全民基本收入重新分配,缓解社会阵痛。

中美AI竞赛:芯片管制与开源浪潮
芯片管制的实际影响
主持人艾米丽·福里尼: 美国已经限制向中国出口最先进的英伟达芯片。原因是什么?这在中国产生了怎样的影响?为什么这会成为一个极具争议的话题?
李开复: 我认为,整个大语言模型(LLM)革命的起点,源于一种信念:谁拥有更多的 GPU,谁就能用更多数据进行训练,从而可能构建出通用人工智能(AGI),进而碾压来自任何国家的其他公司。基于这种信念,确保美国公司掌握最先进、数量最多的芯片,似乎是一个合理的策略,但最终证明这完全无效。
因为这确实限制了中国获取最顶尖的芯片。中国不得不紧急应对。正如你所说,中国企业不得不四处奔走寻找替代方案。但在这一过程中,人们发挥了工程智慧,对现有条件进行各种优化调整,使其速度达到美国模型的十倍。
我认为这催生了一系列中国制造的开源模型,虽然可能比美国模型落后六到十二个月,但成本极低,现在全世界都可以免费使用。
如今我们正置身于"iPhone 与安卓"的格局之中:美国公司依托闭源模型赚取丰厚利润,宛如 iPhone;而中国公司虽利润稍逊,却将如安卓般占据更广阔的市场份额与生态版图。
开源模型为何受到青睐
主持人艾米丽·福里尼: 在中国,如果你看看 OpenRouter 等对最常用模型进行排名的网站,中国的开源模型始终名列前茅。那么,为什么全球有如此多的人在使用开源模型?在什么情况下他们会选择开源模型而非闭源模型?
李开复: 首先,我认为美国顶尖公司对其词元(token)的定价极高,利润空间非常大。这在某种程度上是可以理解的,因为他们在训练上投入巨大,需要收回成本。但是,当中国企业摸索出如何以十分之一甚至更低的成本(包括训练和推理)构建出几乎一样好的模型时,这就自然形成了一种替代方案。
因此,喜欢开源模型的人群主要有三类:第一类是负担不起或不愿意支付高昂费用的人;第二类是任务需求不高,使用开源和闭源模型效果相当的人;第三类,也是其真正巨大的优势在于,你可以将开放权重模型(open weight models)复制到本地服务器,进行本地部署(on-premise),从而确保数据不会泄露给大型语言模型公司。
纵观大语言模型短暂的发展史,我们看到许多垂直应用公司推出了非常酷的产品,但这些产品是通过向闭源模型发送大量词元(token)构建的。随后,闭源模型获取了所有数据并在此基础上进行训练,最终扼杀了初创公司的商业前景。企业深刻理解了这一点,并将企业数据视为敏感信息和核心竞争力,因此他们根本不想把数据发送给大型语言模型公司。
关于中国的三个误解
主持人艾丽·加芬克尔:我觉得目前关于中美 AI 竞赛的噪音太多了,标题新闻满天飞,却缺乏实质性的背景分析。哪些是事实?哪些是虚构的?您认为在美国或中国,存在哪些误解?
李开复: 我认为存在很多误解,非常多。
首先,有一种观点认为中国企业赚不到钱。但如果你回顾移动互联网的历史,正如我在《AI·未来》(AI Superpowers)一书中所描述的,中国企业天生就是为了赚钱而生的,这是他们的首要目的,而不是单纯为了赢得 AI 竞赛。以拼多多、美团、字节跳动为例,这些公司都曾因其盈利模式受到质疑,但他们最终都找到了出路。所以,你可以合理怀疑中国实现技术突破的能力,美国在这方面确实遥遥领先;但永远不要怀疑中国企业寻找盈利之道的能力。这是第一个被误解的领域。
第二个误解是,有人认为中国是一个整体,中国政府会指令模型公司去做开源之类的事情,认为这是赢得国家战略的方式。这完全是凭空捏造的无稽之谈。中国企业和美国企业一样,都是由风险投资支持的,他们有中国投资者,也有美国投资者,他们只想为投资者创造价值。
中国开源现象的真正起因,既不是刻意设计,也不是某家公司或政府的安排,而是当"DeepSeek 时刻"(DeepSeek moment)到来时,中国最好的模型恰好是开源的。这立刻引发了所有其他大语言模型公司的思考:你能成为 DeepSeek 吗?如果不能,就出局;如果能,你就必须开源,因为在这种情况下,劣质的闭源模型将没有任何机会。于是大家纷纷效仿开源,历史就此展开,后续发展顺理成章。目前大多数公司仍在竞争中,力求成为最好的开源模型。我认为这是第二个被误解的地方。
第三个误解是,出口管制限制了中国在 GPU 上的支出。事实并非如此。中国企业天生就精打细算,这不仅是初创公司的特点,也是一种文化。
这确实是文化的一部分,同时也关乎审慎和生存本能,这些本能被置于 AGI 梦想之上。因此,初创公司会非常仔细地核算预算,有机会就融资,并谨慎使用资金。现在他们手头的资金足以支撑三到四年,接下来且看发展。
至于阿里巴巴和腾讯等大型公司,他们确实在模型训练上投入了相当多的资金,但远不及美国公司。
两种不同的发展模式
主持人艾丽·加芬克尔:您认为美国公司投入太多了吗?这里的"太多"作何理解?
李开复: 美国的商业逻辑是这样的:对 OpenAI 和 Anthropic 来说,他们最宝贵的资产是人才和人才密度,这很好理解。为了吸引顶尖的博士,你必须给他们提供 GPU,而且不能强迫他们去调整基础设施或固件,那不是他们想做的事。因此,为了让这些才华横溢的研究人员满意,训练成本不仅仅是训练本身的成本,而是让一千人进行一百万次实验的成本,这可能是单纯训练成本的五倍甚至更多。
但这就是美国的路径,他们的梦想是,这个天才团队将创造出 AGI,使其成为世界上最赚钱、最有价值、最受瞩目的公司。这是 OpenAI 和 Anthropic 的硅谷模式,我尊重这一点,我认为这符合其内在逻辑。
中国模式更像是一个学习小组。没有哪家公司拥有 Anthropic 和 OpenAI 那样的人才密度,但所有公司都拥有相当不错的人才。由于无法单打独斗,他们虽然相互竞争,但基本上都在开源或至少开放模型权重,这使得彼此能够检验模型。他们实际上还在发表学术论文,而美国公司在这方面做得少得多。学术论文的发表、人才的流动,加上可供检验的开放权重模型,形成了水涨船高的效应,让所有参与者共同受益。
因此,实际上有相当数量的——我认为是四五家——非常出色的中国开放权重模型,这就是它们的由来。是 DeepSeek 的成功迫使每家公司别无选择,只能开放权重或退出竞争。
DeepSeek 时刻的民族自豪感
主持人艾丽·加芬克尔:首先,听起来 DeepSeek 的横空出世在中国引起的轰动不亚于在美国。
李开复: 甚至在中国引发的反响更大。对许多人来说,这激发了一种民族自豪感。
主持人艾米丽·福里尼: 当时电视上全是相关报道吗?具体是怎样的场景?是不是铺天盖地,大家都在讨论?
李开复: 他们非常巧妙地选在春节前发布。
主持人艾米丽·福里尼: 经典操作。
李开复: 春节期间大家都回老家,孩子们把这事告诉父母和祖父母,消息便如野火般迅速传开。在 DeepSeek 出现之前,人们普遍认为中国远远落后,可能落后美国两到两年半,而在那之前差距甚至更大。但 DeepSeek 一经推出,立刻跻身全球前三或前四大模型之列,而且使用体验非常棒,中文能力尤为出色,这极大地激发了民族自豪感。大家觉得,我们原以为再也追不上了,现在终于有了迎头赶上的机会。所以那是一个极为特殊的时刻。

Anthropic 的 IPO:估值逻辑与潜在风险
烧钱故事的另一种解读
主持人艾丽·加芬克尔: 我采访的许多风投人士在 DeepSeek 横空出世时都感到震惊,我想用"目瞪口呆"来形容他们对 DeepSeek 低训练成本的反应最为贴切。谈到最近的新闻,Anthropic 的 S-1 文件几周前发布了,公司也准备上市。我很好奇,从很多方面来看,Anthropic 都是一个关于"烧钱"的故事,对吧?看看他们的财务报表,不仅是营收,还有巨额净亏损和庞大的算力成本。你怎么看?
李开复: 我听过达里奥的说法,如果剔除训练最新模型的成本,他们的资产负债表其实相当健康。这也是一种合理的看待方式,对吧?
主持人艾米丽·福里尼: 但毕竟还是得训练最新模型。是的。最新模型正在训练更新的模型,它们在某种程度上实现了自我迭代。所以很多人都在讨论这种模式是否可持续。
李开复: 是的,他的解释是,训练最新模型将在未来两年内带来营收。然后投入更多资金训练下一代模型,会在接下来的两年里创造利润。
主持人艾米丽·福里尼: 所以他们看到的是两年的回报周期。但有时候模型每隔几个月就会发布一次。
李开复: 没错,这也是 Anthropic 理应感到自豪的另一件事。因为他们已经摸索出了某种 RSI(Recursive Self-Improvement,递归式自我改进)。
也就是 AI 在改进 AI。他之前接受采访时我曾引用过他的话,当时大概是每一年半到两年发布一次新版本。现在迭代速度更快了,他们的 RSI 能力也优于许多其他公司。
主持人艾米丽·福里尼: 所以你认为他们已经实现了 RSI?这意味着 RSI 已经到来了。
李开复: 他们确实取得了一些进展,当然目前仍是"人在回路"(Human in the Loop)模式。但如果模型 80% 的训练由 AI 完成,20% 由人类完成,训练速度就能提升三四倍,改进速度实际上会不断加快。这些都是支撑 Anthropic 估值的合理依据。另一个合理依据是,有大量美国企业愿意支付高昂的费用,这带来了营收流的惊人增长。如果不是巨额的支出和亏损,他们的损益表(P&L)会非常漂亮。这些都是支持其估值的合理逻辑。
估值背后的隐患
主持人艾米丽·福里尼:你刚才提到的第一点非常有趣,你认为他们的估值取决于能否开发出 RSI,即递归式自我改进。这部分确实如此。这很有意思。我注意到他们发布了更多论文来证明这一点,也许时机恰到好处。
李开复: 我认为这些都是合理的理由。我能理解理性的人是如何论证其投资价值的。他们值得买入,但另一方面也存在隐患。首先,他们的模型确实优于开源模型,但优势并不悬殊,大概领先六到十二个月。因此有人会说,我将就一下,用稍微差一点的模型,省下一大笔词元(Token)费用。其次,他们的模型是闭源的,而用户会提出希望本地部署(On-premise)。我在企业用户中越来越多地听到这种诉求。所以问题在于,企业用户会持续消耗更多词元,还是会将部分词元消耗转移到开放权重模型(Open Weight Models)上?他们的增长还能保持现在的速度吗?显然,他们无法再保持过去两年的增速。
主持人艾米丽·福里尼: 他们在 S-1 文件中也提到这是风险因素之一。他们表示未来增速不会超过 100%。我记得第二季度到第三季度之间的增速是 46%。这个数字已经非常惊人了。不过其中一个重大因素是算力。他们表示将在算力上投入近 1 万亿美元,这是一个疯狂的数字。同时,美国中期选举也让人们担忧算力发展会放缓,因为美国民众认为民主党对数据中心的态度不太友好。可能会有更多监管、更多审批,社区也会获得更多支持来抵制这些项目。那么中国方面对此有何反应?
李开复: 这段时间我不在中国。我觉得大家对此没什么讨论。实际上,我认为人们并不太关注这类新闻。每个国家都更关注自身事务,除非涉及两国竞争之类的话题。其实,关于英伟达的论点还有一个缺陷,那就是到了某个节点,所有人都会实现所谓的 AGI 或所谓的 RSI。这并非什么中国公司无法破解的魔法。所以在某个阶段,你的模型可能比最好的开源模型好 5%,但下一次可能只领先 2%,因为最终会遭遇边际收益递减。也许这就是他们想投入 1 万亿美元的原因,试图为自己争取更长的时间窗口。但这全都是推测,存在很大疑问,因为当最好的开源模型能解决 99% 的问题时,为什么还有人愿意为极其昂贵的模型买单?我刚刚列出了正反两方面的论点,理性的人对于 Anthropic 是买入还是卖出会有不同看法。
AI 绝非泡沫
主持人艾丽·加芬克尔: 而且时间窗口并不能提供绝对保障。我看过一些算力成本数据,像我这样读过很多 S-1 文件的人坐在这里不禁会想,哇,AI 难道是个泡沫吗?
李开复:AI 绝非泡沫。绝不是。AI 的价值是实实在在的。
主持人艾丽·加芬克尔: 即便 Anthropic 最终被证明估值过高,我们也可以说这并不意味着整个行业是泡沫。
李开复: 我认为任何一家公司,无论是中国还是美国的,在任何特定时刻都可能被高估,有些甚至可能倒闭,从而形成一个未能自我实现的泡沫。这些都是有可能的。但总体而言,如果我们审视这场技术革命,它与以往的革命截然不同。每一次技术革命的本质,都是将某项技术商品化、普及化,从而催生出万千应用。PC 革命将算力普及化,互联网革命将信息普及化,移动互联网革命将"在场"普及化,而现在,AI 正在将智能普及化。智能的规模比信息、算力和"在场"大多少?它要大上十倍、百倍甚至千倍。这将带来工作、沟通和娱乐方式的彻底变革。许多公司会倒闭,许多极具价值的公司会崛起。许多人会失业,但也会涌现出大量绝佳的新工作机会。这是人类有史以来最波澜壮阔也最动荡不安的时刻:我们既有契机摘星揽月,也可能不慎坠入深渊。
智能普及化的深远意义
主持人艾丽·加芬克尔:正因如此,我对书中将 AI 与工业革命进行的比较非常感兴趣,你阐述得非常清晰。你写道,当我们谈论历史时,第一次工业革命常被视为人类物种的转折点。而 AI 在速度、规模和范围上可能远远超越它。这听起来正是你所表达的观点。你具体是什么意思?
李开复: 工业革命可以说将人类的"体力"普及化了,而现在的 AI 革命正在将"智能"普及化。想想我们大多数人是如何看待自己与其他物种、动物等的区别的,以及人与人之间是如何相互区分的。你会觉得我比你聪明,你比他聪明。人类比猴子聪明,狗挺聪明,但蚂蚁就没那么聪明了,以此类推。
主持人艾米丽·福里尼: 你的意思是猴子做不了这样的访谈?我们还不知道呢。也许可以。
李开复: 未来我们或许可以通过脑机接口(Brain-Computer Interface)来尝试。很棒,对吧?但我真的认为,将智能普及化会产生难以估量的深远影响。它不仅会让智能像电力一样自由流动且近乎免费,让我们能以无法想象的方式创造巨大价值,还将率先颠覆一切数字化领域,其次是认知领域,最后是物理世界。这具有不可思议的深远意义。但当然,隐患在于:传统公司能生存下来吗?它们能足够快地掌握 AI 以渡过难关吗?还有,工作的未来将何去何从?
当机器比我们更聪明时
主持人艾米丽·福里尼:其实您是一个非常善于自省的人。这是我从您的书中感受到的。我原本没料到这一点,但通读下来,我发现您思考得确实非常深刻。书中有一节提到,您在攻读博士学位时问了一个问题:当机器比我们更聪明时,我们该怎么办?人类存在的意义是什么?您还记得那部分吧。
您当时其实触及了问题的核心。我们通过智力和工作来将自己与其他物种区分开来。您的教授回答说:"为什么你认为人类的意义在于我们要成为最聪明的?"对吧?您赞同吗?如今您对这个问题的最终结论是什么?
李开复: 我完全赞同他。当时他让我很困惑,因为智商一直是我心目中衡量人类价值的标准。你可以用智商来给人排名,但现在我看到,我们刚刚创造了一个比我们更聪明的物种。因此,我们既要保持谦卑,也要胸怀壮志去驾驭它。

企业 AI 转型:从"AI 赋能"到"AI 原生"
模型很聪明,但不了解你的公司
主持人艾米丽·福里尼: 那么我们会变得依赖它吗?我的意思是,即使在您的书中,您也在鼓励企业成为"AI 原生"企业,这也是您书名的由来。在组织的各个部门全面采用 AI,尽可能广泛、迅速且智能地协同落地。如果一家公司这样做,而 AI 比他们更聪明,那么公司的未来是否会依赖 Anthropic 的路线图、OpenAI 的路线图,以及算力供给能否跟上这些公司的需求步伐?当我们依赖这些比我们更聪明的机器时,是否存在依赖性问题?
李开复: 因为有很多选择,对吧?闭源、开源。局面并非如此单一。我想这更像电力普及的过程,你可以从电池、太阳能或电网获取电力。我认为更重要的是真正发挥作用的应用。
至于企业应用,正如我在书中提到的,最大的问题之一是,尽管这些模型很聪明,但它们并不真正了解公司,因为一家公司是非常复杂的。你和我都可以使用 Claude 并提出上千次提问。它会足够了解我们,以至于几乎成为一个个性化的智能体,这很棒。但与一家拥有十万名员工的公司相比,我们相对简单得多,对吧?
比如组织架构图、决策流程、公司内部的黑话、晋升机制、工作流、商业计划,以及 CEO 的诉求是什么?有太多的东西了,你不可能把这些全都一股脑儿塞给通用大模型,因为数据量太大,而且这也是公司机密。你也不愿意、更不能把这些机密数据发送给外部模型。
因此,需要引入新技术来让 AI 在大型企业中发挥作用,我在书中谈到了两类事情。第一类是所谓的"本体"(Ontology),Palantir 在这方面做得非常出色。亚历克斯·卡普(Alex Karp)曾公开批评 Anthropic,说这些家伙只盯着 token 消耗量,但他们根本不在乎 AI 是否真正理解你的公司。
什么是"本体"(Ontology)
主持人艾米丽·福里尼:您说的"本体"(Ontology)具体指什么?您能定义一下吗?因为这是一个新词,很多人不知道。
李开复: 好的。关于"本体"(Ontology),你可以把它理解为用自然语言描述的、关于公司所有重要且真实的信息。把它想象成一本极其厚重的员工培训手册。但你不是在为某个单一岗位培训员工,而是在为所有岗位培训一个全能员工。
想象一下,如果一个智商高达 300 的 AI——就像你雇了一个智商 300 的天才——在没有这本手册的情况下来到你的公司,他一定会摸不着头脑。他能做出的贡献微乎其微,因为他只能回答一般性问题,他根本不了解你的公司。
因此,借助 Palantir 以及我们零一万物(01.AI)所拥有的优秀工具,通过"人类在环"(Human in the loop)的方式半自动地构建这个"本体"(Ontology),我认为是至关重要的第一步。
第二个重要步骤是幻觉(Hallucination)问题。那么我们如何让 AI 学会说真话,而不是取悦我们,去除阿谀奉承,更重要的是,理解我们问题的深度,以便它能以直观易懂的方式给出推理链。
比如,它会列出五条证据给你看。例如,我向公司开发的一款名为"Boss AI"的产品提问:
如果我问 Boss AI,在公司所有的会议中,作为 CEO,我真正需要知道但却不知道的最重大的争议是什么?想想这个问题有多难回答。
主持人艾米丽·福里尼: 那得翻阅所有的 Slack 聊天记录才行。
李开复: 还有会议记录。
主持人艾丽·加芬克尔: 而且这最终考验的是判断力:究竟什么才是真正至关重要的?
李开复: 对。所以你是在要求 AI 不仅要检索信息,还要理解 CEO 需要知道什么,对吧?这不是一个简单的问题。第二件事是,我不知道什么?
这也是一个非常具有挑战性的问题,但我们的 AI 可以处理并给出可信的答案。但我们不能保证答案 100% 正确。但如果它提供了证据链呢?它会告诉你应该注意的第一个争议是什么,为什么我认为你需要知道这三点,以及为什么我认为你目前还不知道这三点。
现在我可以说,好的,这些都是正确的,那一定是好建议。或者我会说,等等,你漏掉了那一点,我已经知道了。然后我会给出反馈,AI 会自我学习。或者我会说,是的,你说的是对的,但对我来说还不够重要,不需要知道。以后出于某种原因,不要再提这类事情。这样 AI 就在学习了。AI 在自我解释,这是一种非常轻松的交互方式。
这意味着 AI 可以服务于老板,这就是它的强大之处。所有公司都在做实验,把 AI 交给客户服务、法律文件审查等等。但这些只有边缘价值。当下 AI 最大的价值在于为 CEO 赋能,这正是我为自己打造的工具,我们现在正将其作为一款产品发布。
它就像一个小天使,飞进每一场会议并倾听每一次讨论,阅读每位员工的公开文档以及我作为 CEO 有权访问的文档,并记住这一切。它就像一位拥有无限记忆、全知全能的"幕僚长",在我耳边轻语那些我必须掌握的信息、应当考虑的举措以及决策的方向。
企业一再犯下的错误
主持人艾丽·加芬克尔:从 ChatGPT 发布前几个月起,我就一直在从投资者角度报道 AI,同时也从企业角度进行报道。我感觉大家一直在疲于奔命,这种感觉已经持续好几年了。大型企业、财富 500 强都在说我们需要采用 AI,但没有人真正清楚那到底意味着什么。您观察到企业一再犯下的错误是什么?
李开复: 第一个错误(这可以理解)是,传统公司中不太懂技术的 CEO 会把 AI 看作另一款软件,当然它在某种程度上确实是,对吧?ChatGPT 是一款软件,Claude Code 也是一款软件。
所以作为一款软件,CEO 过去做的事情是:第一,让 CIO 安装它;第二,询问需要在它之上构建什么应用;第三,自己并不怎么亲自使用,而是让幕僚长去说,好吧,帮我找出公司里的三大争议点,然后可怜的幕僚长就要去翻阅所有的文件。
或者用 Boss AI。对,用 Boss AI,对吧?
主持人艾米丽·福里尼: 这也让我紧张,但我也想知道。你懂我的意思吗?我只是想——我也想拥有一个"老板 AI"。我的老板有一个 AI。我想要一个专门分析我老板的 AI。我老板关心什么,而我又需要知道什么?
李开复: 这就是产品的病毒式传播效应。所以我们的产品确实对每个员工都开放。
但如果你管理的团队不够大,收益就会更小,因为这基本上击穿了管理层级中的信息损耗——当人们不向老板说出全部真相时,老板就会对出现的风险、发生的问题感到猝不及防。那时再去修复问题或开除某人都为时已晚。而且,当老板想做某事时,他的指令会被某个表面点头却不去执行的员工阳奉阴违地暗中否决。
所以现在这就是瑞·达利欧(Ray Dalio)的"极度透明"(Radical Transparency),只不过它是在每个人可见的权限范围内提供给每个人的。所以你的智能体将能够看到你有权查看的每一份文档,这符合企业的权限管理惯例。
智能体在组织架构图中的位置
主持人艾米丽·福里尼: 那我的智能体应该出现在组织架构图上吗?它是我的直接下属,还是算作"Boss AI"或助理?智能体在组织架构图上放在哪里?是啊,我其实很想知道。它们会出现在组织架构图上吗?
李开复: 目前,这类需要高度智能且答案可解释的决策支持智能体,毫无疑问,对企业而言,我们将它们定位为决策支持系统。所以它们不会自主采取行动,因为它们处理的是具有重大后果的事情。AI 与智能体面临的一大核心难题在于它们无法承担责任——一旦搞砸了,你既无法问责 AI,也没法直接拔掉它的插头。
主持人艾米丽·福里尼: 但我挺喜欢把智能体列入组织架构图的想法,因为作为管理者,你确实要对团队负责。无论是 Agent Revolution、Dots、Muse 还是 Instinct,这些产品的核心理念和承诺都是让智能体采取主动行动。既然如此,就必须有人为此负责。你对团队负有管理责任:我的团队产出是什么?除了我之外,其他人在做什么?那么,如果把智能体列入组织架构图,是否能进一步强化问责机制,从而提升整个系统的运转效率呢?
李开复: 智能体应该以这样的方式出现在组织架构图中:决策支持型智能体应当像幕僚长一样,直接隶属于使用它的每一位管理者或高管。这就是决策支持型智能体的定位。
而另一些智能体则是自主或半自主运行的,因为它们执行的任务并非核心关键任务,且自主运行效率更高。
当事实证明智能体比人类做得更好时——比如客服或量化交易——我们就可以让其独立运行。但即便如此,它们仍然需要一位人类管理者来把控方向、审核结果、批准决策并管理预算。我们将这个人称为 DRI(Directly Responsible Individual,直接责任人),在组织架构图中,这些智能体向 DRI 汇报。
为什么只有 6% 的企业看到了 ROI
主持人艾丽·加芬克尔:这确实是我很关注的一个问题,因为必须有人来承担最终责任,而这个人不一定是智能体。我特别好奇的一点是,我们看过大量报道和研究,基本都指出,目前在尝试引入 AI 的企业中,只有个位数百分比的企业真正从中获得了实质性的商业价值。
主持人艾米丽·福里尼: 你已经在点头了,似乎在想"这确实是个问题"。这是一项麦肯锡的调查,只有 6% 的企业看到了投资回报(ROI)。相对于投入的巨额资金来说,这个比例确实非常低。
主持人艾丽·加芬克尔: 在资金大量涌入的情况下,那些成功的企业到底做对了什么?根据您的经验,有没有什么规律可循?
李开复: 首先让我澄清一下。麦肯锡的那项研究是一段时间前做的,当时企业使用的是较早期的模型,投入产出比可能确实没那么高。所以我们应该对 CEO 们多一些宽容,麦肯锡给出的 6% 这个数字,是因为在 AI 领域,一年犹如一个世纪。我们其实是在回望一年前的状况。
主持人艾米丽·福里尼: 但麦肯锡也认为这个问题很重要。我们《财富》杂志的几位同事大约一个月前参加了他们举办的一场活动,就在他们办公室附近。他们在活动中也提到了 6% 这个数字。所以我认为他们也在持续关注和研究这个问题。
这足以让人驻足深思:当你看到 S-1 招股书中动辄数万亿美元的估值,再对照区区 6% 的成功率,你会觉得要达到如此估值,成功率理应高达 96%。
李开复: 按理说应该达到 96%,但我认为即便高于 6%,大概率也还是个位数。所以麦肯锡的观点是站得住脚的。
我认为核心问题在于,CEO 把 AI 当作普通软件,交给 CIO 去处理,拨一笔预算让员工使用聊天机器人、分配 API 额度(tokens),再批一笔钱让各部门自下而上地搭建智能体。
比如财务部门要 50 万美元做一个报销和客服智能体,法务部门也要做一个,CEO 批了预算就觉得自己完成了 AI 转型。这绝对不是 AI 转型,这充其量只是 AI 赋能(AI Enablement)。
这不过是让公司保持原样,东拼西凑地把 AI 粘到各个角落。就像互联网早期,公司本身没有任何改变,只是告诉员工"去浏览器上建个网站",然后宣称"我们搞互联网了"。在那个阶段,互联网确实也没有带来投资回报。但如今,所谓 AI 原生或互联网原生,意味着一旦抽掉互联网,整个业务就会崩塌。
AI 也将如此。一旦互联网完全融入,一切运转都围绕它展开,人们便将其视为理所当然,它也因此为工作带来了巨大增量。而 AI 在此基础上更进一步,因为它具备自我学习能力。你越使用 Boss AI,它就越了解你、越了解公司,表现也就越好。CEO 最大的认知盲区在于,将 AI 视为普通软件和赋能工具,而未将其视为 AI 原生的变革力量。而实现 AI 原生的路径,就是 CEO 自己先去深度使用 AI。
因为只有这样,CEO 才能真正理解 AI 的价值所在,从而自上而下地推动。
然后 CEO 就会发现:这些部门运转不力;这些部门根本没有在用 AI;这些部门虽然用了 AI,但没有形成自我改进的反馈闭环。
接着,CEO 就可以基于 AI 的合理运用做出更多组织决策。AI 正在全面涌入公司,组织架构图也必须随之调整,因为你需要有人来管理 AI,而传统公司恰恰缺乏这样的人才。
这整个过程就是一整套 AI 转型工程。
最后还有一点心理层面的因素:大多数中层管理者并不希望公司成为 AI 原生企业,因为这让他们感到不适——一切都是新的,他们不熟悉,害怕变革,担心自己的权力、薪资、团队规模会因此缩水。
这些担忧都是真实的,但中层管理者其实面临一个机遇——成为 DRI。他们只需要学会如何管理这些 AI 智能体,这并非什么高深莫测的学问,实际上甚至不需要工程背景。

就业与未来:谁会被替代,机会在哪里
哪些工作首当其冲
主持人艾丽·加芬克尔: 说到中层管理者的恐惧,我觉得很多人确实深有同感,因为这触及了您一直直言不讳讨论的话题——失业问题。开复,哪些行业、哪些类型的工作正处于被取代的"十字准星"之中?
李开复: 我认为首当其冲的是所有数字化领域。任何数字化的工作,AI 都能快速胜任,因为数据和指标都已经存在。这包括内容公司。
主持人艾丽·加芬克尔: 您还是直接告诉我吧。
李开复: 娱乐、游戏、视频、电影,还有金融领域——银行、保险、投资,我相信还有很多。
因此,数字化程度越高的行业,越先被变革。
我在书中举的那些例子,并非只有我一个人想到。我相当确信,所有顶尖 AI 公司都在落地这些应用。
因此,传统企业必须尽快建立防线,争取在 AI 原生公司入侵其领地之前,完成向 AI 原生的转型。
旧岗位消失,新岗位滞后
主持人艾丽·加芬克尔: 另一个让我反复思考的问题是,这将如何重塑社会。我们之前多次讨论过,人们非常看重自己的工作,工作是他们身份认同的重要组成部分。您认为这会如何改变我们周围的世界?
李开复: 首先,我认为我们会看到失业率持续上升的浪潮,同时新的工作岗位也会出现。旧岗位被替代,新岗位产生,但两者的节奏并不同步——替代来得更快,新岗位出现得更晚。互联网时代就是如此。
主持人艾丽·加芬克尔: 听起来这次会来得更快。
李开复: 这次确实会更快,但请保持信心。新岗位一定会出现。就像互联网刚发明时,谁也无法预见电商的力量,社交网络的力量、流媒体视频的力量、生鲜配送的力量、Uber 的力量——都无人预见。
互联网最终创造了大量行业和工作岗位,但这并非发生在互联网诞生后的头五年甚至十年。AI 也会如此。请保持信心。
但在此期间,人们会面临一个巨大困境:不仅 AI 做得比你好,而且你能做的任何工作,AI 可能都做得更好。因此,每个人都有必要认真思考,哪些是人与生俱来的优势?这些优势将指向那些不会被淘汰的工作,以及正在诞生的新岗位,并让我们从容等待那些尚无法预知的新机遇。
未来的新机会:一人公司与 DRI
主持人艾丽·加芬克尔:您认为会诞生哪些新工作?如果戴上未来学家的帽子,您觉得五到十年后会出现什么现在还不存在的工作?开复,我有什么工作可以做?
李开复: 我认为这是成为创业者、创办"一人公司"最激动人心的时代。
主持人艾丽·加芬克尔: 所以您相信"一人独角兽"?
李开复: 一个人,或者一个人创办的公司,不一定非得成为独角兽。也许只是维持生计,也许中途转型,也许最终成为独角兽。因为当你只有一个人,或者两三个亲密伙伴,再加上 AI 承担大部分工作,你就不会有那些组织摩擦。
我在本书中探讨 AI 转型(AI transformation)时指出,创业应当从一开始就打造 AI 原生(AI-native)公司。正如我所言,许多现有企业已岌岌可危。你可以寻找能够切入并制胜的领域,同时发掘过去无法实现的创新。AI 转型的破局之道,在于从一开始就打造 AI 原生公司,去发掘过去根本无法实现的创新。因此,我认为一人公司(One-Person Company, OPC)创业者是一个极具潜力的赛道。
第二个方向是直接责任人(Directly Responsible Individual, DRI),这与前者非常相似,相当于公司架构内的一人公司。因此,要寻找那些支持并赋能 DRI 的企业,让 DRI 们精通 AI 的运用。显然,对于任何寻求变革的年轻人或不再年轻的人来说,成为驾驭 AI 的高手,无疑是最好的职业归宿。
为 AI 编程并没有人们想象的那么难,它更接近于起草合同而非编写代码。事实上,在我们公司最新的工具中,根本不需要写代码,代码永远不会出现,你甚至看不到代码。所以,如果有人因为"这是计算机科学,但我不会写代码"而感到畏惧,那完全没必要。不想学 Python?你根本不需要学。为 AI 编程更接近于起草合同而非编写代码,这真正是一个向所有人敞开的机会。
但客观地说,也许只有 5% 的人能成为某种形式的 DRI。那世界上其余的人怎么办?我认为,目前仍然安全的职业存在于那些开放的、不一定需要数据验证的环境中,因为 AI 在处理任何数据相关的工作时都极其出色,在数据驱动的领域,人类根本无法与 AI 抗衡。
但如果你能发明全新款式的服装、全新风格的音乐,或是全新的餐饮服务模式,就像史蒂夫·乔布斯(Steve Jobs)发明 iPhone,或是可可·香奈儿(Coco Chanel)设计出舒适又美丽的服装一样。因此,进入那些不依赖数据的开放领域进行探索,是人类大有可为的方向,这也是值得追求的目标。
物理世界与服务业的机会
当然也有更平凡的例子。在流水线上日复一日重复同样工作的工人显然容易被替代。但水管工几乎就像侦探,对吧?每栋房子的情况都不同,这份职业完全可以干上 30 年。
主持人艾米丽·福里尼: 直到物理 AI(Physical AI)到来。
李开复: 我认为物理 AI可能不会轻易解决这个问题,但我确实认为,总有一天所有房屋都会重新建造,使得管道系统不再需要水管工,电工也是如此。所以有许多体力工作依然难以被替代,尤其是在开放空间中的体力工作,对吧?比如打扫任何一个房间。
这是一个非常棘手的问题,因为每个房间的情况都各不相同。
主持人艾米丽·福里尼: 但这些都是低薪工作,所以,是的,我很难想象这会如何发展。如果我们都变成了服务业工作者,那将是一个与今天截然不同的社会。
李开复: 但有些服务业工作可以创造高价值,对吧?
主持人艾米丽·福里尼: 确实价值很高。我恨不得把所有钱都付给我的保洁公司。我的意思是,我非常喜欢他们的工作,他们都是了不起的人。水管工也是如此。如果水管漏水,他们能帮你解决问题,这创造了巨大的价值。但遗憾的是,在现实中,他们的薪酬并不是社会中最高的。
李开复: 但这将会改变,因为这些工作的需求会更高,而且我认为许多服务业岗位将由人类来担任。
我提到的另一个维度是开放性。而另一个维度则是同理心、同情心、社交能力、人情味以及赢得信任。也就是说服、沟通、团队协作和关怀的技能,其最终目标是赢得他人的信任。
因此,企业内部仍有大量这类岗位,比如私人财富管理、高价值客户销售、业务拓展、合作伙伴开发、交易谈判和并购(M&A)。这些依然是高价值工作。同时,也有许多经济价值较低但社会价值极高的工作,这能让更多人拥有就业机会,从而避免陷入绝望,这一点非常重要。比如教师和护士,这类岗位的需求可以大幅增加。
此外还会涌现出一些特殊的新兴职业,比如为超级富豪服务的顶级管家、优秀的导游、出色的故事讲述者,以及派对上的喜剧演员、小丑、餐饮服务员或是整理衣橱的人。
所有这些服务业工作都将备受青睐,因为 AI 将创造大量财富,而拥有财富的人不会只想整天和 AI 模型对话。他们渴望与人建立联系,渴望那些能创造真实人际连接的人,这种连接要么值得付费,要么至少能温暖人心。AI 将创造大量财富,但拥有财富的人不会只想整天和模型对话,他们渴望真实的人际连接与温度。
因此,通过直接为这类服务付费,或者实施全民基本收入(Universal Basic Income, UBI)向超级富豪征税来帮助所有人,我认为在 AI 时代,以及中美这样的 AI 强国,我们大致能找到一种平衡。
主持人艾米丽·福里尼: 这将是一个截然不同的社会,或者说是当今社会的一个更极端的版本。但同时,AI 也会带来新问题,从而催生新业务,我们在网络安全(Cybersecurity)领域已经看到了这一点。
利用和发现漏洞的黑客事件越来越多,我认为现在可能会涌现出更多的网络安全岗位。我们确实看到了这一点,总会有新的问题需要解决。
李开复: 但网络安全岗位的性质有所不同,传统技能已经不够用了。你需要训练和教导 AI 去进行防御,而不是仅仅关注攻击。

未知与盲点:通往涅槃还是末日
主持人艾丽·加芬克尔: 好吧。对于我们正在走向的世界,我的感受很复杂。但我也觉得还有很多事情仍停留在理论层面,我们一无所知。开复,你一生都奉献给了这项事业,所以我想在结尾时问问你关于我们的未知领域。你目前在 AI 方面最大的盲点是什么?有什么问题是完全找不到答案的?
李开复: 我不知道递归自我改进(Recursive Self-Improvement, RSI)最终会走向何方。这既令人振奋又让人恐惧,我也不知道企业该如何想办法放慢脚步。
我认为发展速度会有所放缓,因为 Anthropic 和 OpenAI 会把部分模型训练人员调去做安全与护栏(Guardrail)工作,这是件好事,所以他们自然会稍微放慢一点脚步。
但这个行业的从业者竞争极其激烈,对技术充满热情。除了核武器、化学和生物武器之外,我们几乎看不到任何可以强制执行的技术发展减速案例。而且那些武器是单次使用的、用于杀戮的,所以更容易达成协议,也更容易追踪,因为你可以寻找铀。
但你怎么知道谁在训练模型或利用模型作恶呢?随着它们变得超级智能并具备自学习能力,我们真的不知道这究竟是通往涅槃,还是迎来末日(Armageddon)。
主持人艾丽·加芬克尔: 开复,非常感谢。这是一个令人深思的结尾。开复,艾米丽,谢谢你们。
李开复: 谢谢。非常精彩。好的。
—— · END · ——
重磅推出:

中国管理咨询的开拓者和领先者
彭剑锋、黄卫伟、包政、吴春波、施炜领衔
战略丨营销丨研发丨生产丨运营丨品牌
企业文化丨组织人力丨AI应用
为了便于您收到最新推送,敬请星标本公众号,合作、投稿:hanyong896。


登录后才可以发布评论哦
打开小程序可以发布评论哦