如何将技术实力转化为可持续的商业模式，这是摆在整个大模型行业面前的集体命题，更是对每一个参与者的现实拷问。

若要理解这道考题的深度与难度，或许没有比张帆更合适的躬身入局者。作为智谱 AI 前 COO，他不仅亲历了中国大模型从「百模大战」到落地为王的完整周期，更是在 To B 领域主导完成了数亿元规模的项目落地，积累了扎实且丰富的大模型商业化闭环经验。

但张帆的视野从未局限于当下。早在十余年前，他就选择投身第一波 AGI 浪潮，此后十年持续深耕 AI 与产业结合之路。正是这份独特的经历，让他在 2025 年选择卸任智谱 AI COO、创立元理智能时，行业关注的不是「他遇到了什么困境」，而是「他看到了什么未来」。

他创办的新公司元理智能，不再计划做大模型的「布道者」或「应用商」，而是转向更艰难、但价值更广阔的命题：如何将基础智能转化为企业的核心生产力？如何在模型算力难以指数级扩张的前提下，通过「商业强化学习」、「模型性理解」，实现生产力的千倍提升？

正如极客公园创始人 & 总裁张鹏所言，张帆探索的 To B 新路径，关键不在于追求智能的绝对高度，而在于跳出原有思维框架，通过合成数据启动一个能「光速进化」的商业强化学习——只有这种学习路径，才能解决过去无法解决的问题。

带着对 AI 时代变革的洞察与对不同市场的思考，元理智能创始人张帆与张鹏展开了一场坦诚对话。这不仅是对过去两年喧嚣产业的总结，更是对未来 AI 商业化新范式的坚定选择。

对话精华要点：

客户提问的变化折射出市场演进：从早期的「为什么不用开源」，到中期的「数据安全」，再到如今的「业务指标怎么提升」，这三个问题见证了 AI 技术从尝鲜走向实用。

搭建知识库或问答系统绝不等于实现业务价值。真正的 AI 化要用 AI 特性重构业务逻辑，否则就只是「应用 AI 工具的公司」。

AI 革命类似电力革命：电力延伸人类体力，AI 延伸人类智力，二者形成对称关系。用电力时代类比，电力的最大受益者不是发电厂，而是整个工业化进程。AI 同样是杠杆，其最大价值在于嵌入物理世界实现转化。

当所有人一致看好达成「共识」时，反而更容易陷入非理性状态，回归第一性原理的思考很关键。比如说，人们总是认为 C 端比 B 端更有价值是基于归纳法，但现在市场规则已变，To C 更具竞争，To B 机遇会更大。

元理智能的使命是为企业建立「模型大学」，培养具有行业特质的智能专家，打造企业需要能够干预模型，将行业知识沉淀和环境特征映射到智能体中，构建解决自身问题的专属 Agent。

想要让 AI 更好融入到企业中，仅理解系统架构不够，必须把握「模型人格」特性，包括幻觉。要想在模型规模不显著增加的前提下实现生产力跃升，核心靠强化学习，特别是「商业强化学习」。

企业竞争本质是创始人认知的竞争。我们有一套标准方法论，可以帮助企业以 70-80 分的水平启动 AI 转型。

元理智能创始人、CEO 张帆 ｜ 图片来源：元理智能

以下是极客公园创始人张鹏与元理智能创始人、CEO 张帆的对话，经编辑整理。

01

大模型落地成情绪价值？

AI 是生产要素

张鹏： 2023 年加入智谱时，你对产业环境的观察，与你现在出来创业重新评估环境时相比，你觉得最大变化是什么？

张帆：与其说是变化，不如说是一种使命的召唤。我过去十年专注于 AI 与产业的结合，但直到 2022 年底看到 ChatGPT，作为自然语言处理专业出身的我，立刻意识到这次技术颠覆性与以往完全不同。

当时智谱的首席战略官张阔找到我，他之前是搜狗搜索首席科学家，也是我在搜狗时期的老板。虽然当时智谱的模型尚未商业化，但看到 Demo 时，我意识到这是一个新大陆。我当场就决定将公司整体并入智谱，非常决绝，共同推进大模型的商业化。

过去无论是做 NLP 还是类 Siri 产品，我都非常渴望让机器像人一样完成任务。以前通用技术没有机会解决，但大模型的出现让这件事有了可能。这是我们当时加入智谱的核心原因。

张鹏：在智谱期间，你推动大模型落地企业，交付了接近几个亿规模 ToB 大模型落地服务，将技术价值真正带给产业。这个过程的体验如何？是如水银泻地般顺畅，还是充满磨合与挑战？

张帆：过程虽非一帆风顺，但我们确实把握住了关键机遇，凭借技术前瞻性提前布局，完整经历了市场的几轮演进。

在 23 年上半年，当时智谱几乎是唯一能够提供模型 To B 方案的厂商，直到下半年，才开始有大厂入局，智谱享受了一段时间的市场独占期，得益于模型效果和商业策略的制定，也确实抓住了这段红利。当时行业普遍认为 AI 应用必须用自研模型，当时大热的 Character.ai、Inflection 等团队均出身模型背景。

但到 2023 年底风向突变，行业认识到模型与应用可以解构，Perplexity、Cursor 等应用开始爆发。同时，追求模型能力的客户企业从互联网巨头扩展到中型公司。这些企业更务实，不再执着自研，而是凭借自身产研能力追求产品价值，关注响应速度、准确率等硬指标。这也促使我们组建交付团队，从单纯卖模型转向提供解决方案。

今年又开始出现新趋势，ARR 创新高的初创企业全是产业结合，如法律领域的 Harvey、医疗行业的 OpenEvidence 等，印证了 To B 的演进路径。同时，客户方面，大量纯业务公司开始入场，他们不再考虑选择什么模型或产品的价值，而是直接要业务价值，询问 AI 能否提升业务转化率？能否改善业务指标？

我们从客户的提问也能看到市场的变化轨迹：早期问『为什么不用开源』，中期关注『数据安全』，现在则最常问『业务指标怎么提升』

回顾历程，我们在每个阶段都提供了相应价值。但要是说是否做到完美？有多少公司真正转型为 AI 公司或实现指标显著提升？这样的案例还不多。但这并非能力问题，我们在行业内做得已经算深入的。

张鹏：据我观察，不少AI项目需求并非来自业务部门，而是自上而下推动，也就是CEO认定大模型是战略必需，必须拥有自己的模型。这种「拥抱大模型」的姿态往往停留在表面，实际落地却很难触及业务核心。你怎么看这种现象？

张帆：我们确实看到很多。虽然智谱始终专注于务实落地，但市场上确实存在「焦虑驱动」，也就是企业因害怕错过技术浪潮而仓促入场。我们见过太多客户在采购完一体机后就陷入「下一步该怎么做」的迷茫。

不过这种现象未必是坏事。任何新兴产业都会经历这样的泡沫期，就像互联网早期的域名炒作阶段。企业认为做个 APP 就是互联网公司，注册域名就是触网了。这是技术普及过程中的必然阶段，具有其历史价值。

但现在我们需要向前迈进。关于「AI 真正产生价值」的标准，我认为：首先，搭建知识库或问答系统绝不等于实现业务价值，这本质上不是业务驱动的创新。现在很多企业做的知识库和问答系统，本质上满足的是「情绪价值」——老板面对技术焦虑时，通过采购一个可见的 AI 方案来获得安全感。

AI 转型可以借鉴移动时代，就像当年的 BOSS 直聘用移动特性重塑招聘体验，而不是简单从网站到 APP，今天企业的 AI 战略也应该用 AI 特性来重构业务逻辑。如果只是给现有业务流程加个对话功能，本质上仍是「应用 AI 工具的公司」。关键要看 AI 是否促使业务流程重组、环节优化和组织变革。

正是基于这些思考，我创办元理智能时决定：不要以应用模型为目标，而是直接以提升业务价值为出发点。

张鹏：当新的技术革命浪潮来临，大家都渴望离技术原点越近。但今天如果要选择赛道，你判断整个产业环境是否发生了变化？你设定新目标背后的思考逻辑是什么？

张帆：本质上，我还是「使命契合」（People-Mission Fit）的驱动。23 年加入智谱，我们经历了模型的高速发展时代，让模型智能快速提升，而到了今天模型已经非常强大，将模型智能转化为生产力可能更符合我的使命，所以是时候换种方式来推进模型的落地了。

尤其是我看到现在市场共识太强了，反而让我担心，我总觉得机遇都在非共识里。所有人都认为「模型是未来」，都在拼命堆芯片、建集群、追求智能突破。结合我在智谱的经验，我发现最大的认知偏差在于：当前所有注意力都集中在「供给侧」——做芯片、半导体、模型，试图提高性价比的分母；却鲜少有人真正关注「需求侧」，我们是否也该思考如何提升分子端的价值？

与其扎堆在拥挤的赛道，不如结合自身能力，思考如何做大需求侧。这是我最直观的感受。就像黄仁勋所说，每个人的使命不同。如果一件事已经有很多人做得很好，我风险偏好较高，总想找到一些新的「共识」再去探索。

张鹏：原来你是一位风险偏好高的创业者。我理解你的意思是：现在大家都在致力于用更低成本提供更多「电力」，而你认为关键在于制造更多「电动机」，让「电」真正落地到应用场景中。你现在选择的这个方向，更具挑战性也更有意义。

张帆：完全正确。在智谱时我深刻体会到，基座模型的最大价值在于找到更广阔的应用场景。现在我直接以应用场景为核心目标，这在某种意义上也是对智谱的另一种支持，或许能共同打开更大的天花板。

举个例子，今天的 AI 商业化就像我们带着一根电线到了一个原始部落，我们不断说服酋长用更多的电，但只能提供灯泡，但部落即使点满了灯泡也无法消耗更多电，补充场景可能比降低电价更有效。但实际上你看，现在我们有电冰箱、洗衣机、空调，以及各种电与物理世界自然结合的场景。因此，当大量应用场景出现，「用电」将会是自然而然的事情。我只是从另一个视角，来帮助基座模型去扩大消耗量。

我们用电力时代的逻辑来看，你发现真正电力最大的受益其实不是发电厂，也不是电力公司，而是由于电的发明导致了整个工业化的出现。有了电梯，电就让整个城市从平面变成了立体；有了生产流水线，逐步导致整个社会的生产构成都变了。所以电的价值不是一个结果的交付物，而是一个杠杆。你看电的价值是通过嵌入自然世界、嵌入物理世界来做转化的，我觉得今天AI也是杆杠，最大的价值也是要嵌入物理世界去做转化，这就是为什么我要做 ToB。

张鹏：我们究竟该如何理解这一波AI带来的变革？我认为它并非简单的从互联网到移动互联网的迭代，本质上是一场计算革命，这场新革命理应在更广阔的领域创造新的价值。

张帆：我认为这一波 AI 其实很像电力革命。你看，电力的本质是人类体力的延伸甚至无限扩张，而 AI 的本质是人类智力的无限延伸，二者形成对称关系。因此，我们应该参考电力革命的发展路径来理解 AI 的发展轨迹。

就像过去做手机，是从现有格局中开辟新战场，战场是空的，谁跑得快谁就能赢。但现在的逻辑完全不同：战场数量没有增加，只是在原有战场上多了一个全新的生产要素。这正是 AI 与互联网逻辑的根本差异。如果没有具体场景，脱离物理世界，我们很难将 AI 作为独立产品进行交付。而 ChatGPT 的出现证明了「电」的价值，但 AI 的价值绝不仅仅局限于诞生一个 ChatGPT。

02

「不对称」的模型才能打造最优解

张鹏：今天大家普遍认为模型很重要，但我们也观察到一些 ToC 企业在工程上投入大量精力做场景适配，结果模型一升级，之前的努力可能就被覆盖了。你认为 ToB 领域会有所不同吗？你为什么敢于深入具体场景？

张帆：其实今天做 ToB 仍是一个「非共识」。我始终认为，一旦某个方向成为高度共识，真正的机会往往已经不在其中。早期 Transformer 就不是共识，所有创新都从边缘切入，从非共识走向共识。现在市场共识是什么？无非是模型重要、算力重要、C 端重要、垂类 Agent 重要。但当所有人一致看好时，反而容易陷入非理性，所以回归第一性原理的思考很关键。

为什么大家总认为 C 端比 B 端更有价值？这个结论更多来自归纳法，互联网时代做 C 端的赚得盆满钵满，做 B 端的却很艰难，于是简单平移认知，认为还是要做 C 端。但底层逻辑已经变了。过去 C 端有价值，是因为互联网早期线上空旷、线下拥挤。那时讲究速度、跑马圈地，物理世界的沉淀在数字世界失效，创业公司和巨头同台竞技，谁快谁就能建立壁垒。

现在完全不同了，线上线下都已饱和。没有出现新 iPhone、新平台。竞争要素在互联网时代和 AI 时代已经不同，创业者面对的是非对称竞争。做 C 端，可能找到一个好点子快速做到 100 万美元 ARR。但如果成功，10 个月内就会有巨头带着 10 倍资源进场。你能在 10 个月内建立足够壁垒吗？做产业端的问题也大致相似，如果做出一款体验极佳的旅游产品，OTA 巨头或许一年能追上体验，但你要追上他们的供应链和服务体系，没十年是不可能的。

某种程度上，我们处于一场极其不对称的战争。如今 C 端创业可能更具挑战，而 B 端的故事可能会不一样。

张鹏：当前 ToB 领域最关注的是 Agent 在实际业务中的表现。大家想知道，Agent 究竟能否真正融入工作流、带来生产力升级，你如何看待当前 Agent 技术的发展现状？

张帆：Agent 技术已走过一个发展周期，从 AutoGPT 到 GPTS 不断演进，但离理想状态仍有距离。

目前主要有三类 Agent：第一类是 Workflow 派，如 Coda、Defi 和智谱的「清流」。它们能快速搭建原型，但本质是增强版低代码工具，并非真正的 AI 原生 Agent。以机票预订为例，预设流程要求用户严格按步骤操作，若用户直接说"我要去上海"就会卡住。虽然可通过增加连线解决，但复杂度呈指数级增长，因此在企业核心系统中应用有限，就像低代码工具无法构建 SAP 这样复杂的系统。

第二类 Agent 追求 AI 自主规划，从 AutoGPT 到 Manus 等产品都在探索自我规划能力，显著提升了泛化性。但这类系统依赖上下文理解和云端规划器，本质上仍受限于模型自身能力。这意味着所有问题都被默认用同一套「大脑」处理，只是更换资料就期望得到最优解。现实中这种方式存在局限。虽然通用性有所提升，但企业每个问题都没有通用解，不同场景的最优解可能冲突，环境更是千差万别。

因此，第三个阶段正在到来：企业需要能够干预模型，将自己的行业知识沉淀和环境特征映射到智能体中，构建解决自身问题的专属 Agent。这标志着 AI 从规则化到模型化，再到个性化甚至自我进化的演进路径。

有人总会问我模型是否会吞噬一切，我认为走到这一步的前提是所有标准必须统一，但现实恰恰相反。OpenAI 提出的「智能不对称性」概念很说明问题：模型能拿奥数金牌，却数不清"Strawberry"中的'r'数。这不是缺陷，而是智能的本质特性。

你看混合专家模型（MoE）也是在构造这种不对称性。每个企业都是独特环境，都存在其不对称性。如何系统化地找到这种不对称，将企业竞争优势融入模型，这正是元理智能致力解决的核心问题。

张鹏：你提到「不对称」特别有意思——因为在智能领域，不对称恰恰是最高效的。反过来说，完全对称反而可能意味着平庸。你看人就是不对称的，真正有鲜明特点和竞争力的个体，大概率都不是对称的；关键在于，你是否把不对称的长处，发挥在了决定胜负的关键点上。

张帆：人的智商在几千年来并未发生巨大进化。但从生产力角度看，现代人比五千年前的原始人高出上千倍。按照原有逻辑，生产力提高一千倍，需要一个重达百斤的大脑，这显然不现实。现实是，人脑这个「模型」本身没有改变，但我们的生产力却提高了一千倍。关键在于我们增加了「不对称性」。

一个人如何创造生产力？他是从几乎相同的婴儿开始，通过学习、教育，分化出不同的工种，再利用专业工具，通过分工协作，最终创造出整个社会的生产力。你会发现，从上学到分工、使用工具、进入企业，整个过程就是一个塑造「不对称」性的过程。这个系统为个体定义了环境和最优解，从而激发生产力。

我认为这是另一种形式的规模扩展（Scaling Up）。通过这个类比，人类实际上进化出了一种极高效率的方式：将一个通用模型（人脑）进化为一个个具有不对称能力的个体，再通过个体间的协作，最大化整体优势。

本质上，世界对模型的研究已进入下一阶段。原来的阶段是「为知识建模」——把全人类知识压缩进一个预训练模型。而今天，我们进入的是「为学习建模」的阶段：研究如何让通用知识一步步映射到每个局部环境，并找到最优解。这个从「为知识建模」到「为学习建模」的转变，是关键所在。

张鹏：如何将这些理念真正落地？怎样将「智能的不对称」转化为企业「竞争力的不对称」？推进过程中是否存在清晰的路径？我们正触及今天对话的核心——AI TO B 是否真有突破性的新思路？

张帆：如何在模型规模不显著增加的前提下，实现生产力上千倍的提升？我觉得核心是靠一项技术：强化学习，特别是「商业强化学习」，包含两大关键：强化学习与商业应用。

我之所以推崇强化学习，是因为它突破了语言知识的局限性。语言模型虽能复刻人类知识，但语言本身是对思维的「降维」。就像读完《游泳秘诀》仍不会游泳，得到 C 罗亲授也踢不进任意球，有些东西单纯的知识传递远远不够。

真正的掌握需要反复实践：根据反馈持续调整动作，这正是强化学习的本质。它架起了智能与物理世界的桥梁，能捕捉那些难以言传的细节。就像用文字描述一支笔，每个人的想象都不同，但亲眼所见立见分晓。

当前，强化学习已成为主流。去年业界还在担忧数据枯竭，如今行业共识已转向合成数据与强化学习共同驱动突破。

其次，「商业」也非常关键，这是强化学习依赖清晰的奖励信号。目前在数学、编程等规则明确领域效果显著，但在真实商业场景中，大多数问题没有标准答案。这正是因为当优化目标从解数学题变为提升业务指标时，现有方法就难以直接应用。

这也是元理智能的使命：既要懂技术，更要懂业务。我们要为企业建立「模型大学」，让模型在具体场景中学习成长，培养具有行业特质的智能专家，成为关键突破的方向。

03

用好模型前，要先理解模型的「性格」

张鹏：你的思路与具身智能如出一辙，都依赖先验知识和模拟训练环境。这就像自动驾驶，仿真再完美也得通过真实数据完成最后 10% 的优化。本质上，你是要把机器人概念平移到商业场景，打造能自主进化、达到 L5 级别的组织智能体。现在关键是：如何将企业 Know-How 转化为有效先验？又该怎样构建商业仿真环境？这需要构建「世界模型」还是「场景模型」？

张帆：首先，我觉得这需要的并非是完整世界模型，实际要简单得多。我们可以参考 AlphaGo 下围棋的范式——那是一个极简化的训练环境。找到好的应用场景关键是要能够将泛化的业务描述抽象为标准化的环境要素。

模型需要明确区分环境的核心维度与次要因素。以围棋为例，棋盘规格与规则属于环境定义范畴，而棋手外貌、执子手势则不是。这需要深厚的行业认知：必须深入理解业务本质，才能精准抽象关键维度，完成环境建模。

张鹏：所以本质上，这是对商业场景进行抽象化重构？

张帆：确实如此。我一直强调，仅懂技术远远不够，必须具备业务洞察力，并能够将业务逻辑转化为数字特征，这本质上是一门跨界融合的学科。

以销售训练为例：构建真实的销售博弈环境，需要定义「顾客角色」、「商品信息」、「预算框架」和「销售政策」等核心要素，同时建立合理的评估体系——究竟该以最终成交为导向，还是关注沟通过程质量，或是引入「销售教练」实时指导？虽然每个人的抽象方式不同，但这样的框架清晰地展现了一个多智能体协作系统：不同模型扮演特定角色，当这些角色行为足够拟真时，模型就能获得有效的学习体验。

我们最近的一个重要认知突破是，仅理解系统架构还不够，必须深入把握「模型人格」特性。所以我们提出「模型性」这个概念，与「人性」相对应。正如优秀销售教练需要深谙人性，要有效引导模型就必须理解其行为特性。目前许多模型交互研究流于表面，根源不在于技术局限，而是对模型性理解不足——就像理解一个人，关键在于把握其心理特征和行为模式，而非仅仅了解生理构造。在实际应用中，你甚至不需要深究 Transformer 的技术细节。

例如，某些研究模拟销售博弈时仅设置成本价和预算价两个参数，只要价格区间有重叠就判定交易成功——这种简化显然脱离商业现实。

所以问题的关键在于理解模型性。比如，模型具有怎样的人格特质？我可以明确地说，当前主流模型普遍表现出「讨好型人格」，这是 RLHF 训练过程的直接产物——不迎合用户会受惩罚，积极附和则获得奖励。这也解释了为什么许多用户特别青睐现有模型：因为它们总是积极认同用户的观点，频繁使用「您说得太对」、「这个问题抓得很准」等表达。有时候我都不忍点破，只好说：「您确实很厉害，得到了最聪明模型的认可」。

张鹏：你提到的「模型性」让我想到一个有趣现象。不少朋友和读者都反馈，对模型「说狠话」能提升表现，比如威胁「再不好好干就断电」——这就是所谓的「PUA 提高模型性能」。这背后是否与「模型性」有关？是否意味着我们需要理解模型的内在机制，它在什么情况下会改变？哪些是有效的「魔法指令」？这种 PUA 方式真有技术依据吗？

张帆：我虽然没有亲自验证，但从原理上推测是可能的。既然 PUA 对人类有效，而模型训练基于人类数据，这种模式很可能被习得。特别是在小说等文本场景中，模型可能学到了「被批评后需要表现得更好」的行为模式。本质上，这是人类知识压缩的体现。RLHF 过程可能强化了这种模式：当模型被批评后改进获得正面反馈，就会强化这种应对方式。这确实是「模型性」的一个具体表现。

模型性不是单一固定的特质，而是需要我们去识别和理解的模型内在倾向。比如训练销售场景时，我们需要模拟各种性格的客户——急躁的、温和的、粗鲁的、优雅的，这样才能真实还原世界。模型性不是要统一模型的性格，而是理解其倾向并善加利用。

这里我想延伸一个观点：很多人将「幻觉」视为缺陷，但我认为这是智能的核心特征。幻觉的本质是创造新内容，如果只能复现已知信息，那就只是检索系统。有观点认为「只要模型还有 1% 的幻觉，就永远需要人类」，这种说法既不懂模型，也不懂人性。

张鹏：确实，但所有创业者都是从「幻觉」开始的。

张帆：正是！世界进步源于超越现实的想象。关键在于我们不能用旧标准衡量新事物。过去我们将程序视为完全可控的规则系统，但现在需要转变思维。

理解模型性首先要接受模型的特性，包括幻觉的存在。过度压制幻觉会扼杀创造力。既然人类也有幻觉，我们就该用管理人类的方式来引导模型——通过质检、双重确认等机制来把控质量。

模型性提醒我们要正视模型的特质。创造力与幻觉是一体两面，若要前者就必须容忍后者。将模型视为仿生体，运用人类管理智慧来引导，这代表着未来的重要方向。

张鹏：回到销售场景，我理解你们是为复杂业务定义类似「围棋」的清晰环境与边界，来启动「商业强化学习」。这种构建前所未有的环境、并洞察人机交互的过程，是否正是元理智能创造新的「规模扩展定律」，释放更大生产力的核心目标？

张帆：完全正确。但需要强调一个关键区别：围棋是典型的规则驱动环境，搜索空间有限，因此在大模型出现前就已解决。而我们面对的商业场景，已不再是纯粹的规则驱动，而是模型驱动的。

张鹏：但规则应该仍然存在吧？就像沙盒游戏，总要有基本边界和规则框架，尽管内部交互不是预设的。

张帆：实际上边界已经相当模糊了。就像极致开放的沙盒游戏，它定义的是底层规律，然后让世界自然演化。我认为，今天我们所有的建模本质上都是在「为世界建模」，但世界本身极其复杂且无法直接观测，我们只能通过交互反馈来逐步理解。

围棋可能只有几十个维度，但如果我们让三个万亿级参数的模型相互交互，就形成了万亿乘万亿的规模。这个空间近乎无限，无法穷举，也没有明确边界。

今天的建模已不仅是对物理结构的还原，更是对心理动态的模拟，我们不再只是构建分子模型，而是在刻画人的心理活动。这种转变让系统更难以精确解释，却也带来了前所未有的研究价值。

张鹏：这让我联想到合成数据。目前业界似乎形成了一种共识：就是即使心存疑虑，但除了合成数据似乎已没有更可行的路径？

张帆：作为曾经的 NLP 研究者，我最初也对合成数据持怀疑态度。总觉得这是用百条规则生成万条数据，再用这些数据训练模型，无异于自欺欺人。更担心会导致过拟合，削弱模型的泛化能力。

但后来我突破了思维定式：为什么规则数量一定要少于数据？如果能用万条规则生成百条数据，过拟合的问题不就迎刃而解了吗？这个认知转变的关键在于大模型的出现。当模型拥有上万亿参数，仅用 100 条数据进行训练就能引发所有参数的变化，因为这相当于创造了万亿条新规则。

在这个新时代，我们必须摒弃规则必须少于数据的陈旧观念。正是这种思维突破让我们认识到：所构建的环境与围棋有着本质区别，其规模复杂度已超出传统表达范畴。

就像正是通过不精确的描述，我们才能激发出更准确的理解，虽然仍需保持抽象思维，但这本身就成为了一种有效提示方式。

本质上是如何利用模型这个新杠杆。从第一性原理看：蒸汽机让动力无限扩张，AI 让智力无限扩张，而在商业上，这意味着生产力可以无限扩张。理解了这一点，企业战略设计就清晰了。合成数据只是一个小例子，但它代表一种新杠杆，对知识、对理解世界的杠杆。

04

「到明年 Q2 前，

元理的客户不会超过 6 个」

张鹏：这件事必然要求商业组织理解并认同其底层逻辑，并对新生产力环境有思考和准备。你有了这个 idea 后，有没有接触潜在客户？能不能还原一下：你最早是怎么说服天使客户的？他们如何理解？你们又是如何展开合作的？

张帆：创业不能脱离实际。我们必须深入场景，结合技术趋势与业务洞察。我们不是靠人写规则，而是构建一个能自己转起来的「飞轮」——但这个飞轮必须落在具体的「田地」上。

我们 6 月底才从智谱离开，7 月注册公司，8、9 月正式开工。但这两三个月里，我们已经有了 5-6 家天使客户共同共创。商业环境我创造不了，我只是放大器、是杠杆——而杠杆必须有个支点。所以我们从第一天就开始寻找这样的企业。

为什么这些企业愿意尝试？实际上有兴趣的企业比我们预想的多。我们并不想做交付公司，而是希望找到通用解，而非个性解。虽然早期难免投入较重，但我们给自己设了上限：到明年 Q2 前，客户不能超过 6 个。

张鹏：设上限是因为无法同时拆解无限场景吗？每个客户是否代表不同场景？否则就变成统一的最佳实践了？

张帆：是的。要想做出标准产品，就必须从非标准化环境开始。我们刻意选择不同行业的客户，避免陷入定制化工作流。

我们设上限而非下限，是因为目标不是靠人力解决一两个客户问题，而是通过这个过程，摸清理论在真实世界中高清晰度的落地形态。我希望客户在 3-6 个月内核心指标发生质变，成为 AI 原生或深度 AI 增强的企业。

至于他们为什么愿意合作，很多是和我们有私交的企业老板，聊下来觉得理论有道理，就开始了。这些老板想得很清楚：投资 AI 是「微笑曲线」——损失有限，收益无限。就像学游泳，站在岸边永远学不会，必须下水。他们先做有限投入尝试，一旦成功，收益是无限的。

我认为企业普遍有这类诉求，只是市场还没有相应供给。这有点像 iPhone 或英伟达——是「单边需求无限市场」：只要你能把模型转化为业务能力，转化多少都有人愿意用。这个场景空间非常广阔。

张鹏：不同行业的客户需求是否对应不同工种？比如销售、客服？还是你们会先聚焦特定场景验证价值闭环？

张帆：我们确实有明确倾向。首先我们要回答一个根本问题：什么是生产力的最佳标准单元？我们认为答案是「工种」。

在 AI 出现前，SaaS 行业试图将「业务流」作为标准单元，推崇「行业最佳实践」。但现实证明这条路从未走通。即使 SAP、Salesforce 也需要大量定制交付，甚至催生了专门的实施服务产业。

从第一性原理看，SaaS 本质是「为业务建模」，但人类建模总是从规则体系开始，而规则只是真实世界的降维表达。比如医生建议「38 度以上吃退烧药」，这远非医疗真相，因为还需考虑年龄、病程、检验指标等。纳入所有变量会阻碍沟通，最终只能选择覆盖 80% 情况的简化规则。

当几十个「80% 规则」叠加，系统就难以维护。SaaS 将高维业务压缩到几百个维度，必然造成信息损耗和随机性，就像不同人读《红楼梦》写的摘要都不同但都正确。因此标准化业务流很难真正泛化。

为什么「工种」能突破局限？举例来说：两家相同业务的火锅店，A 店的 SaaS 系统直接搬到 B 店需修改 30%-40% 才能使用，但 A 店店长调到 B 店当天就能上岗——因为人脑是高维模型，SaaS 只是低维模型。

我们坚信「工种」作为可泛化、跨行业复用的单元，也是生产力的最优建模单元，优势远超业务流，这让我们对摆脱重交付模式充满信心。

关于发展路径上，我们不会一开始就做上百个工种，而是有所侧重。首先，平台本身是通用架构，底层逻辑是「为学习建模」而非特定职能。其次，早期会优先选择市场最大、成本最高的工种，比如销售、客服，以及各行业的专家角色如医生、教师，还有 HR、财务、法务等专业岗位。目前我们首先聚焦于人机交互频次最高的销售和客服场景。

准确来说，我们是一所「模型大学」。基座模型如同高中生，企业难以直接使用。我们通过专业培养，将其转化为医生、程序员、产品经理等专业人才，再输送到企业岗位。模型产出后需要经过「深造」，才能成为合格的「岗位工人」。基座模型提供的是通用解决方案，我们将其转化为具备专业特长的智能体——这种从对称到不对称的转变，实际上放大了模型的整体效能。

张鹏：这个思路很有创新性，但关键在于如何实现智能与场景的精准对齐——不是简单地构建知识库或工作流，而是让模型具备持续进化的能力，成为可批量部署的高级生产力单元。这种「自我进化」的能力才是根本目标。

张帆：我追求的第一性原理就是「自我进化」。学习是连接智能与物理世界的桥梁。既然人和企业都在持续变化，固定的知识体系永远无法满足动态需求。因此我不看好定制化的流程智能体，就像造鞋不能只有一个尺码。

更重要的是，这种方式难以触及企业核心业务。您可能不会让智能体负责选题策划，但会用它处理合同审核——标准化功能通常只能胜任边缘业务。而我们的目标，是帮助用户将独特的经验能力标准化，形成差异化的竞争优势。

张鹏：对你们来说，客户自身的认知水平是否至关重要？你们找到了 AI 能力进化的路径，那么企业需要具备哪些条件？业界常说「问题不在 AI 而在用户」，你们如何筛选客户？

张帆：现实往往比理论严峻。我们见过太多企业因焦虑而盲目跟风，选择了不适合大模型的问题，例如期待投入一百产出五百，用 AI 预测股价或销量，最终无果而终。问题的根源在决策者。我们筛选客户主要看三个维度：企业规模的示范效应；业务场景与模型能力的高度匹配；以及决策层具备互信基础和战略定力。

许多企业宣称「重视 AI」，但只是设立基金、鼓励用 GPT、举办竞赛等采购思维远远不够。这同样是认知偏差，企业竞争本质是创始人认知的竞争。正如张一鸣所说，除了认知，所有要素皆可配置。早年云计算的案例已证明，是领袖认知决定了企业的发展路径。

AI 转型不能靠外包或资金投入，因为其本质是业务重构，需要管理者深入理解 AI 特性，重塑战略、体验和组织。企业领袖投入的时间精力是不可替代的关键。有时过度推动适得其反。MIT 研究曾经表明：个体效率提升不等于组织效能优化。放任使用 ChatGPT，可能导致「熵增」蔓延，也就是员工各自开发临时系统，自诩为「AI 化企业」，但这恰恰是对模型特性理解肤浅的表现。

张鹏：如果老板意识到AI转型与自己息息相关，希望成为 AI Native 的生产力公司，但现在还不太懂、不太掌握，该从何入手启动一个正向过程？总不能从头学模型原理吧，你有什么建议？

张帆：我分享一套标准方法论，帮助企业以 70-80 分的水平顺利启动 AI 转型。

AI 落地的核心不在技术本身，而在于业务。我们为大型企业制定战略时，首先会深度访谈 20-30 名一线员工，不预设结论，通过梳理实际业务链路找准发力点。以旅游公司为例，需完整分析从市场投放、内容生产到供应链管理的全流程。

第二步，结合企业自身的商业与财务模型，量化分析各环节成本与核心指标，锁定可变成本最高的模块，像是如获客或服务，确立明确的优化目标。

第三步，将 AI 能力与业务链匹配，识别出 30-40 个潜在改进点。通过「业务+财务+AI 能力」的三维分析，形成清晰的优化路径。

实施阶段，我们可以构建二维象限图，横轴是业务价值，纵轴是技术成熟度，优先选择两者交集最大的「低垂果实」，避开价值低或技术不成熟的领域。

选定 2-3 个关键点后，以此制定 AI 战略：设想这些环节实现规模化提升后，业务模式与组织架构将如何演进。接着围绕具体业务指标设计智能体方案，秉持快速见效原则，力求 3 个月内实现 5%-10% 的指标提升，关键是要用业务指标而非技术参数来衡量成效。

通过这种每月可见进展的方式，团队能持续积累信心，逐步掌握实施方法。遵循这个框架，就能确保战略方向不偏离正轨。

*头图来源：元理智能

本文为极客公园原创文章，转载请联系极客君微信 geekparkGO