# 从开源到 Agent，从组织到个体：AIEC 大会现场侧记 屠龙之术 · 2026-06-18 · 69 min · https://www.xiaoyuzhoufm.com/episode/6a337d604233e62bc54bd46b?utm_source=rss ## 逐字稿 高飞 大家好，今天是一个比较特别的节目。我们在人工智能与生态大会——AIEC 2026——的现场。我们这档节目叫圆脸Talk播客，今天有幸联动业界著名播客节目《脱笼之术》，主持人是庄明浩老师。我们之前互动过好几次，每次都有收获。今天在一个新的场合，因为我今天上午在第二直播间，没有去主会场，所以想请庄老师先给我普及一下，上午主论坛几位嘉宾在这次活动上讲了哪些比较有金句感的内容。 庄明浩 我当时看到 AIEC 主办方发给我的日程时，就感觉他们对最重要的一上午 Keynote 环节做了比较详细的设计。今年他们想突出的 AI 话题包括开源、Agent 和组织，这几件事在 2026 年年中这个时间点，也确实是业界、技术圈和产业圈比较关心的核心问题。 从嘉宾配置上来看，我觉得他们花了很多心思。受邀嘉宾所代表的角色和状态各不相同，但匹配下来会觉得非常完整。比如有像我们这样偏行业分析的角色，有大学学者，也有真正意义上在做最前沿模型技术和产品研发的人。 当然，还有一些听起来相对传统的行业。大家可能会问，为什么这些企业会出现在一个 AI 大会上？但他们要讲的是，在今天这个时间点，那些已经非常成熟、体量非常大的企业，如何面对 AI 转型，以及他们正在做哪些相关的尝试。 所以我听下来，会觉得整个维度和方式配得比较平衡。今天这个时间点我们关心的很多问题，嘉宾都从各种各样的角度给出了自己的尝试。我觉得现在似乎没有所谓的标准答案，更像是各家在主张自己的方式，也没有人拥有绝对正确的道路。 大家都在尝试、摸索，再往前走一步看一步。就像大模型训练一样，训出一点东西之前，你也不知道最后会变成什么样，但还是会继续往前走。 你在现场应该也能感受到非常强烈的氛围。进入 2026 年之后，整个社会，甚至泛人群对 AI 的关注度又一次提升了。这可能和年初“OpenClaw”那一波热潮，以及很多相关事件相互呼应。 前几年大家更多是在科技媒体上看到的东西，现在开始进入个体和企业的流程、工作当中，并且开始产生一些效果。同时，它也带来了非常多的摩擦。在这个时间点，这些探讨和关注得到了更多的重视。所以我的整体感觉就是这样。 我也感觉，现在整个社会对 AI 的关注度变得非常发散，它完全不再只是一个专业话题。过去一两周，我在微博上见到了无数个奇怪的热搜，都是奇怪的 AI 热搜，我都不能理解。 比如前面上了一个“世界模型”的热搜，过两天又来了一个“Physical AI”的热搜，完全没有规则。我就在想，真的有这么多人关注这些事情吗？ 后来我想，可能有一种情况：这个话题本身是在随机流动的，甚至很多事情都和投资有关。 庄明浩 是的，非常相关。在今天这个时间点，你会发现所有议题都是连在一起的。昨天我还在跟另外一个朋友串另一个相关内容，准备的时候就发现，大家最开始聊的还是一些比较分散的话题，比如技术发展前沿、模型的状态、Agent，以及 Harness、Loop 这些东西。 然后也会聊到产品节奏的变化，传统企业如何做 AI，甚至会聊到 AI 内容创作；不可避免地，还会聊到 OpenAI 可能要上市，以及中国几家已经上市的模型厂商现在是什么状态。 与之相匹配的，可能还有最近最热的 SpaceX 上市，以及整个中美两国二级市场的相关趋势。所有这些事情都连在了一起。你可以把所有和 AI 相关的东西都放进这个大的议题里，它覆盖的宽度和深度都非常恐怖。 所以反过来讲，为什么我今天会觉得，如果有机会认识这次组委会负责统筹的人，我一定要给他点个赞？就是在这么复杂的体系里，能够找到一个相对清楚的逻辑框架来展开这个话题，已经非常不容易了。 其实刚才我们也谈到几个方向，包括模型、落地，以及今天议程里关于 AI 和组织的部分。 庄明浩 AI 如果真的是一种新兴技术，就像福特所代表的第二次工业革命出现了生产线，工厂的组织方式也随之发生变化。按照这个逻辑，新工业革命带来的技术，是不是也应该改变组织形态？ 上一次蒸汽机时代不也是一样吗？大家会说，蒸汽机从发明到真正意义上代表的技术大幅提升 GDP，中间经历了可能 30 到 40 年的时间。那 30 到 40 年本身，就是组织、生产关系、交易结构，以及商业产业上下游关系逐渐成熟的过程。 这些与技术相匹配的东西成熟之后，技术才能真正显现出它的状态。似乎每一次工业革命、技术革命都要经历这样一个过程。单纯把技术发明出来，可能仅仅是开始。 一项技术刚发明出来的时候，因为它很新，甚至很庞大、很昂贵，不一定能够在那个时间点马上显现出提升 GDP 或者改变行业状态的效果。它需要经历一个过程。再微观一点，这个问题就变成了组织问题。 所以今天关于组织的话题，其实有 3 位嘉宾都和组织，或者说广义上的组织问题相关。一位是美的负责数字化或 AI 的魏总，一位是浪潮的董事长，还有一位最后讲 OPC 的嘉宾。他所做的 OPC 工作，也是服务于一家传统能源型企业的改造。 无论是美的这样超级巨大的制造业企业，员工非常多，业务非常复杂，在全世界各地都有业务，体量也很大；还是浪潮这样一家 IT 基础设施公司，我觉得它已经和科技行业非常接近了，它们同样都面临巨大的 AI 挑战。 甚至包括一个传统到不能再传统的水泥厂，如何通过和一个个体的超级智能体合作，哪怕只提升 2% 或 3% 的效率？你会发现，整个过程中面临的问题，已经不只是纯粹的技术方案问题，也不只是产品问题，很多时候确实是组织、文化、流程，以及与之匹配的各种问题。 中午我和魏总、IDC 的霍总也聊了一下，我觉得他们讲得挺有意思。刚才你也说了，美的给我留下的印象很深。 我和魏总聊了一下，感觉也蛮有意思。他说，美的实际上不是现在才开始做技术输出，它的数字化业务已经做了很多年。他提到一个观点：原来和制造业谈数字化转型的时候，大家其实有心，但没有那么有动力。 为什么？因为数字化转型是有价值的，但它不可能马上、完全地衡量出价值。董事长也好，C-level 也好，口号上肯定认同，但行动上未必会那么支持。 大语言模型出来之后，我问他区别在哪里。他说，区别在于 C-level 的心态发生了变化。原来需要去说服老板：“我们应该赶快用起来。”现在则反过来了，老板每天都被 AI 轰炸，知道 AI 转型是必然的，但会问：“我现在应该怎么做这件事？” 他的看法是，企业也需要做类似我们使用 AI 时所说的上下文工程。现在企业内部的上下文工程做得不好，第一步甚至都很难启动，因为企业没有数据。 如果没有数据，模型和企业的什么东西相结合呢？没有东西可以结合。于是，现在等于要把当年数字化转型时没有完成的内部功课，在大语言模型时代重新补上，开始做这件事情。 我觉得这件事很有意思。而且你会发现，中美面对的问题其实很类似。前一段时间，两家头部模型厂商开始和金融机构合作成立合资公司，做前端部署，这件事本身就很相似。 虽然美国那边的 To B 生态，包括数字化、在线化工作，理论上已经做了很多年，阶段可能比我们更先进一点，但面对 AI 这波巨大浪潮时，大家的问题是一样的：技术看起来已经非常 ready 了，但企业内部的环境、数据、流程、架构、人的惯性，以及 KPI、OKR 这一整套东西，都需要一个非常复杂、与之匹配的状态。 中间还需要一种新的决策方式：既要知道今天这个时间点模型能力的边界大概是什么样，也要知道与之匹配的东西能够做到什么程度，才能适配这个复杂体系。 这可能需要一种新的形态。美国可能使用 FDE，中国会不会出现其他形态？是公司、组织、个人，还是别的什么方式？这可能是未来一段时间我们会看到的变化。 我猜 FDE 这种模式在中国现在听得也比较多。我觉得有一件事挺有意思：原来数字化转型的时候，可能是底下干活的人比较着急。 比如员工会说：“我要上云。”但老板不一定着急。现在到了 AI 时代，反而是老板比较急，但具体干活的人不一定那么急。 还有一块就是刚才你谈到的浪潮。彭总讲 AI 组织，我觉得未来一段时间，AI 组织究竟是什么样子，会变得很重要。ICT 企业，或者 AI 企业、科技公司，它们会怎么做，可能会给整个行业打个样。 就像 SaaS 时代，大家会讨论什么样的企业使用什么样的办公软件。企业好像可以总结出一些最佳实践。当年阿里云做云计算时也会说，亚马逊做 AWS 时也会说：因为我是电商，业务波动最大，所以我对云和计算资源的需求最强，最后就变成了今天的样子。 未来到了 AI 时代，是不是也会有一些 AI 原生企业或 AI 科技企业，它们的组织变化会变成生态合作伙伴跟随、借鉴的对象？ 本质上，今天的观点还是：没有绝对正确的答案，每个人都有自己的主张。那说得再直白一点，大家可能会选择一个合适的合作伙伴，而不只是供应商，来做这件事。 第一层信任关系的建立，其实非常复杂。如果一个企业内部已经构建了一些方案——我们甚至不说它一定正确，哪怕只是做出了一些实施，看到了一些状态变化——它已经多走了一两步，可能就能看到一些东西。这样一来，信任感会更容易建立。 而且在今天这个时间点，各个环节、各种深度的 AI 实践都在百花齐放。你每天都能看到各种稀奇古怪的方式，它们不成体系，也杂乱无章。 对于规模越大的企业而言，面对这种状态就越容易感到无从下手。它们虽然焦虑，也想推进，但究竟从哪里开始、怎样一步一步推进，是内部优先，还是寻找外部合作伙伴，双方的权利边界是什么，如何和原有组织配合，所有这些问题都需要解决。 我觉得浪潮的彭总讲到，他们过去一段时间作为一家偏 IT 基础设施的公司，为了迎接这一轮 AI 浪潮，在内部组织、文化以及具体工作方式上做了很多探索。 庄明浩 他具体做了什么？ 他们的基础逻辑其实特别简单：当 Agent 作为一种数字员工出现时，就需要有一套与数字员工相匹配的东西。 比如权限、数据围栏、专门运行数据的地方；同时，随着 OpenClaw 兴起，Agent 的并发、Agent 数量、Agent 管理、企业数据安全处理，以及软硬件结合，又需要另一套体系。 再往前一步，到员工这一层，员工如何让已有工作变得能够被 AI 理解和接受，或者说，如何把更广泛意义上的上下文交给 AI，这些数据化工作也需要推进。 他们内部还在做类似黑客松的活动，以及内部 Skill Hub。比如 CU Hub，就是由他们的员工和 IT 部门针对内部需求去做的。如果这些东西成熟了，也可以开放给服务客户。 因为他们的客户很多首先购买了他们的硬件或基础设施，其中不少也是科技公司，属于科技公司的上下游，所以很多东西都可以复用。这个逻辑和刚才讲云的故事是一样的。 他们就在做一系列与之匹配的尝试。当然，过程中也会遇到非常多的挑战。比如和原有 KPI 不匹配，不同员工、不同职能的人对这件事的接受程度不同，改造效果不同，同时还要考虑成本问题。 成本是过去一两个月业界讨论最多的问题之一。原来大家追求的是 token 最大化，现在看起来，这个指标有点过于简单粗暴了，也不太合适。 业界很快意识到了这个问题，所以最近这一段时间，无论美国还是中国，之前比较激进的大部分公司，都在认真考虑 token 的成本效率。 庄明浩 美的的魏总还讲了一个观点，我觉得也很有意思。原来做数字化转型时，有一个很著名的说法叫“小步快跑”，从边缘场景开始，再逐渐向核心业务推进。 但他认为，在 AI 转型时代未必要这样。因为过去大家并不确定数字化转型到底有没有用，所以需要先在一些场景里做验证。 现在没有人会觉得 AI 没有用，无非是用在哪里、花多少钱、怎么用的问题。所以有一种可能性是，AI 转型反而可以自上而下地做。 比如先从一些核心系统和核心业务开始。如果老板支持，有足够预算，文化上也不抵触，就可以从中心开始做，逐渐用先进替代落后。 当然，组织内部也可以允许一些小步快跑的个人实践。这样，公司层面有战略性的核心推动，业务部门又有一些零散创新，组合起来之后，可能会形成最佳实践。 这一点和腾讯的情况也很像，只不过它是从两个方向开始的。腾讯的 WorkBuddy 一开始其实是一个边缘项目，是一个个人产品。Claude Code 出来之后，腾讯内部觉得可能需要做这样一个产品，于是先由个人和团队把原型做出来。 做完之后进行小规模试用，发现效果很好，它就在腾讯内部变成了一个明星级产品。这和 Claude Code 的出现基本是一样的。 所以我在想，也许在 AI 原生公司里，产品是自下而上创造出来的；但当它向外扩散时，可能又会变成自上而下。你不用再试点了，因为我已经跑过了，你直接按这个方式做就行了。 我觉得这两种主张都没有对错。因为我本身也在一家互联网公司做战略和孵化，我们有一个非常稳固的传统业务，很多年都没有太大变化，处于非常稳定的状态。 在这个主业上加 AI，就会变成自上而下。比如我们的主业是社交，核心指标是留存、转化这些东西。那核心任务就变成：能不能用 AI 的方式把留存和转化提上来？ 用什么工具、什么方式，由团队自己去试。但老板的逻辑是明确的：AI 要服务于核心业务。这就是自上而下。 边缘项目，也就是孵化和创新项目，则可能基于原有的技术优势、意外积累，以及当下 AI 的新技术，去做一些可能产生“涌现”的结合。 你不会期待它一出来就是满分，也不会期待它一上来就是一个大招。在这个时代，这种期待本身可能就不合理。它就是先做一个小东西出来，看用户的接受程度、反馈，以及市场上同行的反应。 有没有人复制？有没有水花？再继续试。两套方式可能会同时发生在同一家企业的不同地方。 所以，怎么说呢，没有标准答案，确实是目前大模型落地的一种常态。但从人的本能而言，我会寻求一个标准答案。 对。今天中午讨论这个话题时，我也想到，我昨天看到这次大会的大纲和嘉宾列表时，原本以为会分成几个不同的话题。 比如有两家模型公司，一家是初创模型公司，一家是火山引擎；有两家做 Agent 的公司，分别是阿里的 Qoder 和腾讯的 WorkBuddy。我原本以为，一拨人讲模型，一拨人讲 Agent。 但听下来，除了 Kimi 的话题之外，另外几家其实讲的是同一个话题，甚至可以说 4 家讲的是同一个话题。 共识是什么？就是到了 2026 年年中，这一轮语言模型的发展已经持续了 3 年多、快 4 年。模型的演化路线，或者模型与产品相匹配的演化路线，现在看起来，无论中国厂商还是美国厂商，基本上已经形成了共识。 过去半年的共识，就是以 Claude Code 为代表的这种形态。它不仅是产品形态，也会反过来影响模型训练。Harness 也好，Loop 也好，其实都是类似的逻辑。 这个共识甚至细化到了产品长什么样，乃至产品名称。比如 Claude 有 Claude Code 和 Claude Cowork，Kimi 有 Kimi Code 和 Kimi Work，字节有 Trae Solo，原来是 Code 版本，现在也有 Trae Work。 腾讯原来叫 CodeBuddy，后来有了 WorkBuddy。Claude 也是 Claude Cowork 和 Claude Code。阿里同样如此，原来是 Qoder，现在也在做 Qoder Work。 另一个共识是，Code Agent 和通用 Agent 之间的界限基本被打掉、变得模糊了。大家的形态都差不多：左边是项目栏，中间是对话栏，加上 MCP、Skill 等挂载能力，右边是执行栏。 你会发现大家基本都是这个样子，而且已经变成了一种共识。只把目光聚焦在模型和 AI 应用厂商这个场景里，过去半年的共识非常强，大家都在往这个方向走。 甚至可以再往前推一点。我们上次聊的是 token 和 ChatGPT 的战场，后来这个战场升级了。春节前可能还叫 OpenClaw 的战场，现在可能已经不叫 OpenClaw 战场了，也许叫 AI Agent 或者别的什么，但本质上还是同一个东西。 字节、腾讯、阿里、Kimi、MiniMax、智谱、OpenAI、Anthropic，甚至 Google，基本都在做同样的几件事。 而且你明显感觉到，这个故事还会持续一段时间。就厂商的状态而言，腾讯、字节、阿里、Kimi、MiniMax，以及其他大厂商，除了在纯模型能力和打分上的竞争之外，又出现了一个新的战场，就是 Chatbot 战场。 大家似乎已经认为模型大致就是这样了，但新的战场依然打得非常激烈。推广资源、宣传、算力支持，甚至包括我们上次聊到的收费尝试，都在这个战场里于过去几个月集中爆发。 庄明浩 我突然想到一件很有意思的事情。在移动互联网时代，因为 iPhone 和 iOS 的出现，所有手机都被统一了。现在我们拿出一部手机，大家都差不多，把 20 部手机放在一起也差不多。 上面没有键盘，只有一块屏幕，正面看起来，无论双摄、四摄，也都差不多。所有硬件似乎都变成了一个样子。至于谁抄谁，大家也不会这么说，都说是致敬。 Agent 出来之后，好像也要把所有软件的界面都改成同一个样子。刚才说的，左边是项目，中间是工作区，好像所有软件界面都会变得一样。 如果什么都一样，我觉得就会有问题。作为甲方，在大家看起来都一样的情况下，我肯定要寻找不一样的地方。 庄明浩 如果设身处地去想，假设我是今天上午 Qoder 的负责人，或者腾讯 CodeBuddy、WorkBuddy 的负责人，他们面对的真的是一个非常难的战役。 他们既要跟住模型进展，又要考虑自家模型厂商的问题和战队的问题，还要不断改善用户体验。同时，还要考虑竞争和差异化。 前两个问题已经会耗费非常多的精力和想法，但第三个问题确实特别难。于是你会发现，大家的逻辑可能开始往回找。 比如腾讯可能会和腾讯体系内的腾讯文档、腾讯云做结合和对接；Qoder 可能会和阿里的体系结合，包括阿里云、电商、千问，甚至灵光；字节则可能和火山引擎的整套能力结合，包括多模态能力，再去连接抖音。 我前几天就遇到一个非常现实的问题。我有一个长春的大学同学，他在长春本地做婚纱摄影，也拍视频。他不是学计算机的，也不太关注我们这个行业。 那天他问我，想给他们的工作室做一个营销 Agent，应该用什么？我一下子就被问住了，因为脑子里没有一个特别明确的产品。 他说他知道豆包，也知道元宝。但我会觉得，他这个场景单纯用 Chat 模型或者 Chatbot，可能不太好解决，或者效果没有那么高。 你当然希望有一个今天就能用、带上下文记忆、能够执行、甚至能够产出方案的 Agent 产品。可这时候就出现了选择：你到底推荐哪个？ 他是学艺术出身的，没有很强的技术背景。那在选择时，是选 WorkBuddy，还是字节的 Trae、Trae Solo，还是 CodeBuddy，还是阿里的 Qoder？ 你考虑的就不再是我们每天讨论的那些问题，比如谁的模型更好、上下文能力怎么样，而是它和用户场景的匹配度、用户的接受程度，以及软件最基础的应用性。 然后还要考虑安全、信任等因素，最后再做推荐。所以你会发现，这个事情虽然非常热闹，大家每天都被 AI 轰炸，但在我们这些人群之外的广大用户中，它还是一个挺新的、很多环节都需要继续往前走的状态。 你刚才说的这个例子给了我一个启发。很多用户要的可能不是一整套东西，而是一个固定的工作流。 比如刚才婚纱摄影的场景，实际上一个模型、Claude Cowork，再加上一些 Skill，就可以把这件事做起来。我现在想，确实是可以的。 但你再想一想，把这个东西直接搬给他肯定不行。我的兄弟是做婚纱摄影的，不是工程师。这里面可能就出现了一个知识落差。 我突然想到，每个时代可能都有每个时代的“背背佳”。什么意思呢？如果要解决驼背问题，你不一定需要背背佳，只要平时坐得直，再放一块板子在背后就行了。但有的人确实需要一个背背佳。 再比如学习机。我一直觉得，学习机这个产品很难理解。原则上你有一部手机或一个平板，装一个词典不就行了吗？但实际上，电子词典和学习机卖得都很好。 为什么卖得好？因为用户要的是一个确定性的、现成的答案。 有个朋友举过一个例子：现在这一代基于 Transformer 架构的语言模型还在疯狂演进，无限扩展，但它的问题是，它不是一把螺丝刀，也不是一双筷子。 你使用螺丝刀或筷子时，目的非常明确，也知道它能做什么。但 AI 在这个时间点，尤其是模型这一层，还不是螺丝刀和筷子。除了 Coding 场景之外，它的用途没有被规范得那么明确，也没有被限定得那么清楚。 这当然也是它的好处，它可以做很多事情，可以有很多延展和无限的可能性。但正因为如此，很多基础用户可能只需要一把螺丝刀。 我只需要把这个螺丝拧下来，甚至只需要一把十字口螺丝刀，而不是一把平口螺丝刀。那在这种情况下，怎么平衡 AI 当前的特性，和用户非常明确、非常刚性的需求之间的匹配？ 同时还要考虑天花板、市场竞争等问题。这可能就是今天做 AI 应用层的公司，无论是模型厂商、初创公司还是大公司，都需要考虑的出发点。 庄明浩 这又涉及黄仁勋讲的“五层蛋糕”。第五层是应用，他认为这一层最高可以看到 20 万亿美元的价值。 我前几天大概算了一下，20 万亿美元乘上汇率，差不多是 140 万亿元人民币，正好相当于中国的 GDP。 所以我在想，这个相当于中国 GDP 体量的市场到底由谁来做？是模型厂商自上而下通吃，还是未来会出现很多应用公司，像移动互联网时代那样出现一大批超级 App？ 现在这个阶段，我觉得大家还在摸索过程中。只看过去几年已经发生的结果，基本上是：一个板块只要达到一定体量，就会吸引所有人的关注。 过去几年已经经历过几轮。通用 AI 算一轮，Coding 又是一轮，而且 Coding 已经是非常大的一波。再往下细分到法律、金融等领域，我之前有个说法：但凡一个细分领域里出现明星公司，很快做到 1 亿美元 ARR，所有人就都会过来。 既然大家都不知道正确答案，也不知道应该从哪里开始，但有人先走出来说“我到了”，那大家无论做不做，至少都会先去了解、研究一下。 我刚才过来的时候还看到一条新闻，说有外媒报道，Cursor 被 xAI 收购了。Cursor 最早期的时候，据说可以贡献 Anthropic 整个公司 50% 的收入。 Claude Code 其实是 Anthropic 亲手干掉了自己的甲方。Anthropic 一开始还说，Claude Code 只是一个非常边缘的研究项目，也做了很多安抚工作，但当它发展得这么快，就很难放弃这个角色。 后面的事情大家都知道了。Cursor 现在可能还在继续增长，也在做自己的模型，哪怕是基于开源模型。Anthropic 的 Claude Code 和 OpenAI 的 Codex 也都在疯狂推进，甚至已经成为今天这个时间点最主要的叙事。 类似的故事也发生在法律行业。比如 Harvey 和另一家叫“哈沟哈沟位”的法律 AI 公司，都是在很短时间内做到 1 亿美元、2 亿美元的收入规模。后来 Claude 也推出了面向法律场景的产品。 这个议题会持续很长时间，也不会有标准答案和最终结论。 我和一些创业公司聊时，他们会提到一个看法，叫“错位”。创业公司看起来可能只有 20 个人或 30 个人，但在一个细分场景里，大公司或者模型研究团队不一定有 20 个人，可能只有 2 个人。 于是就形成了一种反向错位：我在这个细分领域投入的东西，可能比大公司更多。 我想，影响这件事的一个关键因素就是组织的熵增。模型公司也不可能无限变大。假设你现在有 3,000 人，原则上可以做很多事；但如果你有 300 万人，组织熵增恐怕会大到无法工作。 所以，能够影响这件事的，可能是组织形态。另一个因素，是模型能不能自我进化。如果模型能够自我进化，就不需要一个组织形态来满足个性化需求。 比如用户提出一个细分需求，说：“我想解决这个问题，但现在没有人做。”模型回答：“这个问题我可以自己琢磨一下。”然后琢磨完，直接交付一个产品。 可能只有这两种情况会阻碍模型公司的前进。否则，模型公司还是会继续扩张。 但从我个人角度而言，我还是希望 Agent 层和应用层能有更多公司。对于这 20 万亿美元的市场，我更期待的是 1 亿个小公司，而不是 20 万个 1 亿美元的公司。 后者的世界可能太枯燥了。只不过现在这一轮满打满算才 3 年多，虽然发展非常快，已经出现了几百亿美元估值的公司，但目前确实只是在几个战场里被证明非常有效。 大家还在基于这些战场做更多外延和延展。很多人会说，这仅仅只是开始。当然，这个“开始”可能已经触碰到人类很多极限了。 所以现在就出现了两种非常强烈的观点：一方认为这仅仅只是开始，另一方认为已经接近极限。 庄明浩 做水泥智能体的那家公司，我觉得也很有意思。我和他们聊到了这个问题：大语言模型能不能侵入他们这个赛道？ 因为他们本质上做的是材料科学，也是 AI for Science。我们都知道，AI for Science 是很多公司都在攻的一件事。 我问他们，特殊之处在哪里？他们说，这不是大语言模型，而是更像一种时间序列模型，是材料专有模型。 只要大语言模型还是以自然语言和语料数据为主，它和材料模型之间就存在区隔。接下来就要看，大语言模型的泛化能力到底有多强，是不是也要把这些数据集纳入其中。 但即使纳入其中，大语言模型公司也不太可能派一个前端部署工程师进水泥厂。比如火山引擎派一个人具体进入一家水泥厂，驻场 3 个月，好像还是比较困难。 高飞 我觉得是。因为需求足够多样化、复杂，而且深度也足够，尤其在很多场景里，纯语言模型的拓展和泛化究竟能做到什么程度，现在还是一个问号。 庄明浩 而且你明显感觉到，今天这个时间点除了刚才说的共识之外，也出现了与之匹配的非共识：大家下一步到底要往哪里探索？ 是继续探索模型结构，还是选择世界模型，还是 AI for Science，还是自主进化？这些话题听起来也都像共识，但具体在几个方向之间如何选择，其实是非常强烈的非共识。 高飞 你说得很对。这里可能会分出两种不同方向。 第一种方向，是一种集中性的智能，也就是自我进化。另一种方向，是多智能体：单一智能未必能解决那么强的问题，但可以让多个智能体联动。 今天上午 Kimi 的团队也提到了这一点。Kimi 的创始人比较少公开露面，我上一次见到他是在今年 1 月初，也是清华组织的一场大会，由唐杰教授牵头。 当时他讲的内容，我不记得具体标题了，但议题是 Kimi 在那个时间点的模型研发重点是什么。1 月份，他们重点做的只有两件事：一个是 Agent，另一个是 token 效率。 Token 效率的意思是，模型厂商在解决类似任务时，新的模型能不能用更少的 token 解决，或者用同样数量的 token 解决更复杂的任务。 第二个是 Kimi 一直在做的超长上下文。当时讲的是两种 scaling，今天上午变成了 3 种 scaling。第三种 scaling，就是多 Agent 集群。 这也对应着 Kimi 从 2.0、3.0 到现在 3.2 一直在主推的多 Agent 集群功能。 从一家微观的模型厂商来看，或者从整个模型公司的竞争来看，大家都在做类似的事情：先设计好流程，分配任务，让不同 Agent 承担不同责任。 不同 Agent 有不同的角色、不同的上下文和不同的能力，后面还会有一个综合、整理、审查的角色，把整个流程串起来。 你会发现，这个工作过程和今天大家尝试做的 Harness、Loop 模型训练逻辑其实是一样的。 还有一种逻辑是，越来越多传统 SaaS 公司、大型企业和初创应用公司，在使用模型时，也在做类似的事情：不是把所有工作都交给最贵的模型，而是设置一个路由层，再选择什么任务交给什么模型，让不同模型承担不同角色。 最后再由一个类似“收口”的角色，把整个工作的能力和表现提升一个层次，无论是成本层面还是结果层面。 这件事似乎也变成了人类的一种组织习惯。我记得 Anthropic 的创始人写过一篇文章，叫《数据中心的天才之国》。 数据中心里可能全是天才，但如果看人类组织，没有一个组织是由天才组成的。 庄明浩 对。那怎么做？如果我有 1,000 个天才，每个人都认为自己是对的，另一个天才也认为自己是对的，最后就会变成这样。 曼哈顿计划里当然有很多天才，但这些天才的方向并不完全一致，需要有一个组织者把他们组织起来，才能把事情做成。 如果一个组织里全是天才，这样的组织真的存在吗？现阶段最早期的 AI 实验室可能接近这样，但其实也不是。 前几天我看到一份统计报告，统计了 AlphaGo 过去几年招聘的人员名单。结果发现，大部分人并不是真正意义上的研究员，而是做基础设施的人。 很多人来自 AWS 或 Meta，做后台、做基础工程。因为从人数上来看，大部分其实都是这些人，或者是负责解决具体工程问题的人。 工程师有时就是要做脏活，比如解决掉卡、供电等问题。天才不一定能解决这些问题，甚至可能连自己的吃饭问题都解决不了，更不用说解决 GPU 的“吃饭”问题。 高飞 最近 Meta 也出了事情，而且你会发现，所有事情都是连在一起的。Meta 最近出现了非常大的员工抵触问题。 此前扎克伯格不是在推全员监控吗？包括监控鼠标、键盘，相当于把员工的所有信息收集起来，让 AI 去取代一部分工作。与此同时，Meta 最近又裁了 8,000 人。 你可以想象，Meta 内部员工的抵触情绪已经非常强烈了。Meta AI 的负责人不是 Alexandr Wang 吗？他原来就是做数据标注的。 他会说，Meta 工程师群体的平均水平，肯定比任何一家数据标注公司的标注员水平高得多。所以 Meta 相当于从内部随机抽调了几千人，扔到 AI 实验室里，让这帮工程师天天做任务、做标注。 这帮工程师说：“我像是被扔进了集中营一样。” 庄明浩 我觉得你这个逻辑特别好。Alexandr Wang 没有把 Meta 变成一个 AI 实验室，而是把它变成了自己熟悉的数据标注公司。 这太符合他的工作经历和风格了。但你会觉得，这种方式只能解决已知问题。 Meta 的工程师虽然能力很强，毕竟还是 Meta 工程师的平均水平。你把它优化得更好，只能代表 Meta 可以用更低的成本把原来的事情做完。 但 Meta 的问题显然不只是已有问题。它的社交产品做得不好吗？其实我觉得已经可以了，它也不可能变成 TikTok。它的元宇宙做得不好吗？它的眼镜好像也是全世界做得最好的。 所以，未知问题不能靠把员工变成 Skill 来解决。已有问题的提质增效，似乎也不被华尔街接受。 华尔街接受的是买未来：无限投入算力，融到资之后买卡，买卡之后训练模型。如果这么看，我对未来继续买卡的趋势也没有那么看好。 高飞 压力确实很大。今天这个时间点，对于已经形成体量的公司而言，AI 业务探索真的是一个过于困难的命题。 包括中国最大的几家互联网公司，腾讯、阿里，当然还有其他大厂。大家对它们的主业都很了解，但 AI 来了，模型大家都会做，接下来怎么把应用层、云，以及原有业务结合起来，并且做到被市场认可，是一个非常难的命题。 所以未来整个 AI 产业链可能还是需要形成一定的生态，大家各自占据自己的生态位。很难从上到下一竿子插到底。 庄明浩 但这个事情怎么讲呢？不撞南墙不回头，撞了南墙也不回头。我觉得是因为这个议题太大了，甚至今天可能整个科技行业几乎唯一的议题就是 AI。 在这么大的叙事和资源加持下，不可能做一些收缩或者放慢的选择。前几天腾讯云的大会上，高森还直接和姚顺雨开玩笑说，外界都说我们慢了。 其实大家都意识到这个问题，只是每家公司的解法，确实取决于它的状态、资源禀赋、过去的积累、已经做过的尝试，以及团队适合和擅长什么。 这两天还有一个更新的新闻，就是钉钉更换了负责人。新的负责人之前做的也是内部一个 Agent 产品，虽然那个产品更多是在海外做，但至少这说明，为什么要换这样一个相对年轻的人。那个雨森最重要的身份，是 Model Run 的创始人、负责人。 我看到新闻时就在想，我们内部可能需要找一个人。虽然没有人知道标准答案，但至少有人踩过一些坑，先把一些坑排除掉，再去做新的事情。 今天支付宝也上线了 AI 的一个大版本更新。大家开玩笑说，会不会变成“AI 支付宝”或者“钉钉 One”，这我们不知道，可能还要过一段时间才能看到。 但至少你能看到，国内这些最大的科技巨头，都在最核心的主业上，用 AI 做各种改进和尝试。 如果今天存在一个没有 AI 的平行宇宙，对于这些公司而言，在这个时间点做什么，都会变成一件非常难以下决定的事情。但至少现在有了 AI，大家知道至少要做这件事，而且必须去做。 高飞 我看国外最近一两年的科技公司大会，会发现互相跨界出现的情况越来越多。 数据公司可能出现在算力公司的活动上，算力公司可能出现在 Agent 的活动上。大家都在不断拓展自己的边界。换句话说，只要还没有明确说这件事一定由谁来做，那我就得先去撞这面南墙。 撞了之后再回来，看看自己的体量和表面积大概有多大，然后各自站在合适的位置上。 庄明浩 但你想，过去几年美国的生态，基本就是乱成一锅粥。你看这些科技巨头，从美股“七巨头”到 OpenAI、Anthropic，甚至 SpaceX，从最底层的能源、数据中心、芯片，到模型、To B、To C 和云，几乎都有涉足。 如果自己没有进入某个领域，那竞争对手可能在那个领域就是竞争对手；而在另一个领域，它又可能变成合作伙伴。整个生态就是乱成一锅粥。 高飞 你刚才举的“七巨头”这个例子特别好。你看马斯克不就是一个最典型的例子吗？ 曾经大家认为 Grok 可以成为“七巨头”之一，但最后没有。后来又变成了云服务，变成了一家 Nebius 这样的公司。我相信大家既没有猜到这个开头，也没有猜到这个结尾。 它后来还成了 Anthropic 的云推理服务商。现在甚至还要做得更大，说要做太空算力，还要帮助 NVIDIA 在太空部署算力。 庄明浩 我前几天开了一个玩笑：什么样的公司训练不好模型？就是保密工作做得太好的公司。 我有两个例子。第一个是马斯克的 xAI，第二个是 Apple。它们不存在没钱的问题，也不存在招不到合适的人，更不存在没有长期主义的问题。Apple 一件事情可以做很长时间。 如果既有钱、又有时间、还有人，事情还做不成，那我觉得只有一个原因：保密工作做得太好。 模型这个东西迭代太快了。你期待把一帮人圈在一个屋子里，封闭开发 3 个月，把事情做出来，在这个时代可能已经不存在了。 发大招的形态已经过去了。因为你的研发周期太长，可能你按住 5 秒，对世界而言就已经过去了 5 年，然后你会发现又来不及了。 这句话其实也适用于 DeepSeek。春节时大家都期待它更新，但它没有发，对吧？当然，大家都知道其中有原因，比如适配国产芯片。 但今天模型的进展节奏已经按月计算了。Kimi 已经到 3.2 了，Claude 5.2 出来了，MiniMax M3 也出来了，都是过去两周左右发生的事情。 你想，前一两个月还有一个版本，再往前是春节的版本。从春节到现在不过 4、5 个月，已经是第三轮更新了。大概每 1.5 到 2 个月，肯定就会有一轮更新。 它已经变成动态的了，不再是一个节点或者一个截面，也不再是憋一个大招。它就是每个月更新，而每个月更新出来时，你都不知道新版本会出现什么新的特性。 所以我也不太看好 Ilya 组建的那家公司。他们已经憋了两年，不是一年了。公司叫 SSI。 接下来还要等多久？李飞飞的实验室，发布东西都比它快一点。 除非 AI 的范式发生颠覆性变化，完全不再是 Transformer，而是另一种架构，否则我不觉得这种方式能解决什么问题。 张鹏 刚才我们聊了模型，我觉得还有一个话题必须触及，就是 DeepSeek 和开源。 我有一种感觉，开源在当前阶段可能需要重新论证它未来的形态和方式。为什么这么讲？如果把 DeepSeek 作为第一波，它用低成本推理实现了一个让大家非常震撼的模型，当然也创造了一个最后无疾而终的市场，就是一体机。 第二波我认为可能是千问，也就是 Qwen。因为国外有大量模型是基于 Qwen 微调出来的。最近还有一个模型，好像也是基于 Qwen 3.5 微调训练出来的。 但到了今天，我感觉好像找不到一个扛大旗的人。说好听一点叫百花齐放。 以前 OpenAI 最风光的时候，大家认为开源一定没有意义。当时的论点是，需要非常多的钱和最前沿的科学家做很多事情，所以闭源公司一定更强。 DeepSeek 和千问这一波，相当于把叙事扭转了。去年一年，主要叙事就是以中国开源模型为代表的开源崛起。 但到了今年，这个叙事似乎又出现了回调。第一代是闭源极端，去年是开源极端，而现在双方都在寻找一种权衡和中间态。 而且双方也在融合。今天并不是说开源就和商业化没有任何关系。相反，所有闭源厂商都在向开源公司学习、仿造，甚至会把一部分非核心模型开放出来。 比如 OpenAI 和 Google，Google 的 Gemma 之类的模型，也都在做类似的事情。他们也需要开源生态来帮助这件事发展。 最近又出现了更极端的讨论：美国政府把 Claude 最新的 5 代模型禁掉了。 这个事情会造成什么结果？开源社区的人可能会认为，无论禁哪一边，一刀切的方式似乎都不太适合，也不一定正确。 但这个度怎么掌握，对于监管层和参与其中的厂商来说，都是一个非常难解决的议题。 庄明浩 以前大家也会担心，尤其是在千问负责人离开时，有一派声音认为，未来大家会越来越少看到开源的千问模型。大型开源模型可能会减少，只开源小参数模型，最核心、最 Pro 的模型可能就不再开放。 但可能因为竞争的原因，Kimi 还在做，MiniMax 还在做，智谱也在做。昨天我看唐杰教授接受媒体采访时还说，他们就是要把模型开放给所有人。 不过，毕竟大家已经是上市公司，已经到了这样的体量，成本结构也到了这个程度，并且已经触碰到很多事情的极限，总要在某些年份考虑一些调整，或者重新寻找一个平衡状态。 所以我觉得，这件事情还会持续很长一段时间，天平会不断摇摆。 高飞 对于很多大型传统企业和传统行业而言，他们可能对开源模型有更多要求。 道理上，如果 AI 这么重要，他们不太可能容忍别人掌握一个开关，随时可以像断电一样把服务关掉。工厂运行时最怕的就是断电，断电就代表产线停了。 如果是水泥这样的制造行业，产线一停，可能这一批材料就全废了。我不可能在断电时再临时解决，所以原则上不能把这个开关掌握在别人手里，自己至少还得准备发电机之类的东西。 哪怕从这个角度而言，企业也需要开源模型作为内部的一台发动机。更不用说语料和数据的问题。 把所有语料和数据贡献给一家模型公司，对企业来说是最优选项吗？恐怕不是。因为给了这家公司，就等于给了全世界，那这家企业的护城河和上下文资产就没有了。 所以从这个角度看，开源模型在第一性原理上确实有存在依据：不能被断电，而且我的数据资产会成为像可口可乐配方一样的东西。 可口可乐的配方可能没有那么神秘，但它也不会把配方公布出来。从我喝的口感来看，我觉得可口可乐的味道确实有一点不一样。 所以开源和闭源的竞争，以及每家模型厂商如何选择策略，可能会长期影响它们的战略选择。在可见的中短期内，如果模型技术范式不发生大的调整，这都会是一个非常核心的议题。 当然，我们还是愿意相信人性本善。最底层的考虑可能是，大家通过开源建立社区影响力，利用开源生态保持模型领先，获得更多认可和实施应用。 这些都是正向、善意的逻辑，理论上大家也更愿意相信。但商业很难建立在单纯以善意为基础的信任上，所以中间一定会有很多拉扯。 庄明浩 所以开源模型未来的商业变现可能是一套组合拳，而不是单纯靠模型本身。 现在模型厂商也确实是这么做的。除了卖常规 token，也卖 token plan，以及各种工具，在丰富自己的商业化方式。 所以今天的开源并不是完全不商业化。过去大家会觉得，开源就像菩萨一样，是完全的善，不应该有任何商业化。 但今天不是这样。今天的开源和商业化结合得非常深：向上可以结合 Agent，向下可以结合基础设施。在基础设施和 Agent 层面，它完全可以变现。 高飞 而且这些场景正好适合开源模型。 庄明浩 还有一件很有意思的事情。今天 AIEC 大会上有一位非常独特的嘉宾，就是彭太平院长。他研究幸福心理学。 以我最近接触的国内外各种活动来看，焦虑感是大家共同的话题。我参加 Google Cloud 活动时见到李飞飞，她说，周围的人见到她都会问：“我们家的孩子以后应该学什么专业？” 我就在想，李飞飞周围都是高认知人群，他们难道不应该知道这个问题的答案吗？如果他们都不知道，那其他人可能就更不知道了。现在又正好赶上高考。 所以，个体在模型时代如何自处，是一个很重要的问题。我不知道你听完彭院长的演讲之后有什么感受。 他讲到，人类的善良、体验感、在场感，会变得越来越重要。尤其在模型到来的时代，要充分发挥自己的个性、善意和体验。 我觉得这个议题过去一段时间已经被很多不同角色以类似的方式讨论过。某件事情被推到极端之后，人的价值就会重新显现。 比如 Coding 就是典型。再往前一点，我周末有个活动，是讲 AI 和影视的，我会去讲 AI 内容。图片模型和视频模型已经发展到什么程度，冲击力非常大。 再往前，如果你身边有一个做同声传译的朋友，你可以想象他正在经历什么。再往前 10 年，如果你认识一个职业围棋选手，他在过去 10 年经历了什么？ 我觉得问题都是一样的。最近似乎出现了一派观点，叫技术宿命论，或者技术必然论。 无论今天是 Anthropic、Google、Sam Altman、Dario Amodei，还是其他任何人，换一个人，也会有人把这项技术推到那个地方。不是这家公司，也会有另一家公司把它推过去。 历史无数次告诉我们，当一项技术发展到一定程度，就挡不住了。进入 2026 年之后，这种感觉非常明显。在很多板块里，技术就是挡不住，进入了越来越快的过程。 Claude 5 模型出来之后，你会看到很多从业者写评论时，都有一种非常强烈的无力感。原来我们还在想，怎么编排任务、怎么给 Agent 下指令、怎么组织它。 但现在你会发现，在一些任务或场景里，我们最好的工作可能是站在旁边看，而不是瞎指挥。你明显感觉到，它已经超过你了。 尤其是在我们熟悉的白领工作领域，Coding、Agent，以及 2026 年急剧加速的竞争，导致这种无力感大面积袭来。所以大家的焦虑是完全可以理解的。 但反过来想，这和今天讨论专业选择的问题其实一样。我是 80 后，我们那个时候选专业是一件非常重要的事情，甚至会长期影响工作。专业和工作之间的关系，曾经有很强的稳定性。 但今天你会发现，这些议题似乎都松动了。你学什么专业，和你做什么事情之间的关联性还剩多少？哪怕你做一份工作，它真的能做一辈子，或者做很长时间吗？ 这份工作本身对专业的要求，真的还那么高吗？所有这些命题似乎都在被打破。 这就像李世石的故事。他下了 5 局棋。第一局，我们面对 AI 还在怀疑、猜忌、不认可。第二局开始担心，开始纠结，感觉不太对。到了第三局，道心就碎了，完全不知道该怎么办。 人类在这个情况下，可能要先把自己推到一个会碎的状态，然后再想下一步怎么办。当然，不是说人类就不活了，也不是说人类要结束了。 我们这一代人，可能就像蒸汽机时代的纺织工人。蒸汽机确实非常强，可能带来国家 GDP 的剧烈提升，但纺织工人的工资可能很多年没有变化。 几十年之后，纺织工人可能慢慢变成一个非常小众的手工艺者，不再是大范围的职业。我们也可能经历这样的过程。 问题在于，我们这些正在经历这一切的人，接下来几十年要怎么和它相处？我们的价值是什么？我们的后几代可能会到一个新的阶段，也就是所谓第四次工业革命结束、到了一个新的平台，那是他们的事情。 如果 AI 真的无所不能，能够做所有事情，甚至安排整个宇宙运行的规则，变成一种类似上帝的存在，那人类要做什么？人之所以为人的特性究竟是什么？ 为什么我经常开玩笑说，所有论坛里关于 AI 的讨论，最后大部分都会跑到身心灵上？因为焦虑确实存在，而解决焦虑时，可能还是要像今天上午彭教授讲的那样，向内求，去寻找人之所以为人的那些东西。 当然，这样说特别哲学、特别抽象，也显得很轻飘飘。讲一点更现实的例子。 前几天我看一位美国同行记者讲了一个观点，当然他主要是在讲媒体变化。他说，今天写字、写摘要越来越不重要了，但秘密变得越来越重要。 我们之间的小秘密，可能变得越来越重要；静态内容变得越来越不重要，但现场 Live 变得越来越重要；传统意义上的大型媒体越来越不重要，但个人创始人越来越重要。 标准化的、华丽的东西似乎越来越不重要，但个性的、怪异的，甚至有些乖张的东西，反而会得到越来越多的认可。 这个趋势可能从算法时代就已经出现了。它不只是媒体如此。比如我周末要讲创作，那你想想今天的内容创作。 我们就说中国影视行业。前几年中国影视行业经历寒冬，后来出现了一个看起来像救命稻草的东西，叫短剧。 短剧在很短时间内快速增长，规模达到几百亿元。2024 年，它的收入甚至超过了电影行业。短剧救活了横店，把横店从“横店”变成“竖店”，也救活了很多编剧、导演和相关从业者。 大家满心期待，但到了 2026 年，Seedance 3.0 出现了。现在这个时间点，实拍可能变成了一种奢侈品。 大部分内容都可以用 AI 生成，那这些内容创作者要做什么？很多人会说，门槛降低了，技术平权了，会有更多人来做内容创作。 但这时议题就变成了：你为什么要表达？你要表达什么？你希望得到哪些人的关注？你希望得到他们什么样的反馈？ 你和他们之间的关系如何建立？你们通过这种方式能不能获得彼此的认可？情感表达会变得越来越重要。 我们要经历这样的状态、这样的时间和这样的过程。当然，最后的结局可能还是悲观的。 王建硕前几天说过，历史上所有经验都告诉我们，技术每一次都会把所谓的情怀冲烂。每一次都是这样。 但我们似乎正在经历这一过程。我们这几十年要做的事情，就是坚持作为最后一代手艺人的一些东西，把它做得更好。 也许后辈写历史书时，这些东西根本不重要，只是历史中的一页。但对正在经历这一切的人而言，我们可能没有别的办法，只能把这些事情做好。 所以我之前参加另一个活动时说，我现在做 PPT，仍然坚持手搓。虽然听起来已经没有多少人在意了，甚至用 AI 也可以做得很好，但我还是在坚持。 那坚持的意义是什么？无非是通过调一个漂亮的字体、一个特别的边框，或者一个有意思的版式，展现一点点人类作为手艺人的坚持。 你知道这件事会越来越不重要，越来越小，也越来越少有人在意。但只要你在意，它就有意义。 张鹏 我觉得可能不止你在意，很多人也在意。 哪怕是同样的内容，如果我感觉你的输出过程有很强的 AI 味道，我本能上就会低估这个产品输出的价值。 但如果里面有一定的手搓，有你本身的品味加成，我会觉得这个东西的价值更高。品味、信任，这些东西会变得越来越重要。 庄明浩 原来它们也很重要，只不过当这个时代到来时，你会愈发珍惜这些东西。 我觉得这种状态已经来了。或者说，另一派观点认为，造物主创造人类时还是非常厉害的。人类总会在很多事情被推到极端时，有一部分人先觉醒。 他会先意识到这件事不太对，然后推动一些变化，而不是走到绝对极端的状态。 张鹏 完全同意。因为无论用什么方式实现、创造出什么样的商品，最终都是为人服务的。没有什么东西是完全不为人服务的。 我不是为了火星上的一座山服务，我们最终还是为人服务。只要是为人服务，背后就需要有人去衡量它是不是人所需要的。 这个工作总要有人来做。人总有资格说，这个东西好还是不好。 如果人连这种反应都没有了，使用 AI 时就会出现一个问题。我今天也问了彭教授：你怎么看人类所要坚守的东西？ 他的看法是，至少在那一刻的情感反应，是人独有的。你总不能把这种情感反应也让位给 AI，变成“这件事到底好不好，我已经丧失了判断能力，要去问 AI”。 AI 说好，那就好；AI 说不好，那就不好。这是不对的。 至少，你第一时间对这件事的反应，应该留给自己。我们用 AI 写东西时，会发现 AI 特别喜欢替你做反应。 它有一些惯用表达，比如“这是全场反复琢磨的一句话”“这是全场最惊讶的一句话”。至于是不是，其实不重要。它会先替你把那个反应说出来。 它会剥夺你的情绪反应。所以在这个时代，我们可能越来越需要把自己的情绪反应保留在自己这里，保留自己对一件事的第一判断和好恶。 这也是为什么大家还要去线下参加会议、去见那个人。纯粹从信息接收角度看，线上直播没有什么影响，甚至可能更好。 收音、转播效果可能更好，PPT 也可以直接提供电子版，所有内容都更清晰。但为什么很多时候还是要去线下体验？ 世界杯、NBA 也是一样。你在现场的感受，那几个小时的氛围，所有人的情绪感染，以及你自己被调动出来的东西，可能会在今天这个时间点变得越来越珍贵。 最近也有一个类似的趋势，就是为什么做播客的人越来越多。长内容，以及相对没有那么多预加工、没有那么“预制”、没有那么爆炒、没有那么短平快情绪的东西，越来越多人愿意去听。 当然，还是有很多人喜欢短平快的内容。但你会发现，越来越多的人觉得那种方式好像不太对，需要找另外一种方式把它平衡一下。这也符合现在的趋势。 说到这里，我觉得今天也聊得差不多了。从组织形态开始，到 Agent 和模型的关系，再到人在这个时代未来的去处。 庄明浩 如果再往后看，可能只能看 3 到 6 个月，因为这个时代谁也不敢说 1 到 3 年。 我之前做 PPT，春节前 1 月份做过一档，总结 2025 年。春节之后发生了很多事情，3 月中旬我做了第二版更新。4 月底，因为一个活动又做了一次更新。 现在马上到 6 月中旬，我感觉自己搜集的资料已经溢出了，需要重新整理一次，才能把过去这一个半月发生的事情再梳理一遍。不然你会觉得，前面那一篇已经翻过去了。 你参加了很多 AI 和生态相关的活动。你会期待这个 AI 生态未来形成什么样的组合方式，才能更有利于个体和企业？ 庄明浩 现在这个时间点，当然没有人会停下来。但进入某个阶段之后，应该出现的行业分工、行业角色，以及各个环节相对固定的状态，可能会慢慢凸显，边界也会逐渐变清楚。 现在还是那个观点：整个生态乱成一锅粥。所有东西都揉在一起，所有人都想做所有事情，因为大家会觉得 AI 模型无所不能。 但似乎不应该一直是这个样子。大家还在不断磨合、博弈，寻找自己的边界。我们可能正处于这样一个过程：原来只有一棵树，或者一个非常奇异的植物，慢慢变成一个真正意义上生态繁茂的森林。 我最近还比较关注硬件。大家知道，从 IBM 那本《谁说大象不能跳舞？》开始，那是软件时代主导的世界。 但现在软件正在被实时生产，硬件却很难在短时间内被制造出来。今年“老登股”重新涨得很好，可能就是因为从供给角度而言，硬件的供给曲线非常没有弹性。 明明有需求，但硬件不能马上生产出来，因为它受到物理限制。未来可能会出现一轮对硬件的重新估值。 从生态位角度而言，硬件也很有意思。它向下连接电力，向上连接供给和需求，正好承上启下。所以未来硬件这一波的枢纽作用，可能会比互联网时代表现得更加明显。那我觉得好像也差不多了，也感谢大家收听收看圆脸Talk和《脱笼之术》的梦幻联动。再过两到三个月，我们迭代一轮新的认知时，再和庄老师聊。好，感谢，拜拜。