AI會不會取代人的工作？ 

AI生成的低質內容會不會有損高端品牌形象？

來自AI的信息和數據是否可靠？

品牌增長應不應該用AI做矩陣號？

……

上周，在混沌直播課上，范凌博士給出了他的答案。本文為特贊科技創始人范凌博士在混沌的直播課上的觀點回看，獨家整理如下。更多內容歡迎前往混沌App觀看。

我們在最卷的行業里AIGC

我是全職創業者，也是全職教師。我的父母都是藝術家，而我自己則是理工科出身。所以我有一顆藝術的心，有一個工程的腦。如何將心與腦的距離拉近？早在經營公司之前，我就每天都在思考這件事兒，它像是我的一個人生使命。

創業前，我在美國伯克利大學教授人機交互。那時，人機交互與人工智能似乎是對立的兩種思想。人工智能的目標是創造一臺可以取代人類的機器，而人機交互則認為人+機器可以完成人類和機器都做不了的事兒。過去三到五年，很多從事人機交互研究的人都開始聲稱自己從事的是人工智能領域的工作，我也不例外。但我始終相信，人類與機器的結合可以完成任何單純依靠機器無法達成的任務。

后來我創立特贊，剛開始創業時，我們也參考了許多大公司的價值觀，但很快意識到自己動手做事情才是最靠譜的，所以把公司的口號改成了“To Build and Create”。 

很多人追求知行合一，有人主張“先知后行”。做老師的時候，我也認為應該先理解道理再實踐，但做著做著發現，最能抓住的其實是“動手”，先行動才能知道。父親告訴我一個故事，著名教育家陶行知，父母給他起的名字叫陶知行。長大以后，他才自己改名為陶行知。

 后來，無論是科研還是創業，我們都堅持“先行后知”。我們做了很多失敗的事兒，再回來復盤。在特贊，每個會議室都有名字，名字通常是公司過去幾年試錯的項目。通過這些名字，我們不斷提醒自己：無論成功或失敗，行動本身才是最重要的。

創業需要很多運氣，你唯一能抓住的一點運氣，其實是選一個好的方向，然后在這個方向上做到最好。我們選的方向就是“內容與人工智能”。在過去9到10年，專注于內容數據領域。簡單來講，我們就做內容生產、管理和分發，主要用在企業的營銷場景。但在這之下是對基礎設施的建設，涵蓋數據層、產品層和模型層的構建。

我們的合作伙伴主要集中在各行各業的大型企業，比如快消品、美妝、鞋服、零售、制造業、汽車、醫療、酒類等等。最初的起點是消費品行業，因為消費品最卷。慢慢地，許多消費品從業者轉向了其他行業。比如今年很多人進入了酒行業；去年很多人進入了醫療行業；前幾年，很多人涌入電動車行業。只要這些人去的，就是“最卷”的市場。坦白講，只有卷的行業，內容+人工智能的結合才顯得更加關鍵。

平臺決定內容

最近，我與一位世界500強企業CEO交流，他說，“??智能”和“內容營銷” 是今年最熱的兩個商業詞。為什么大家如此關注內容？內容的形態極其豐富，包括圖像、文字、視頻等。還有一些企業開始做播客、元宇宙等等。我們通常認為，內容應由創作者決定，也屬于創作者。但實際上，內容是由平臺決定的。

這張圖來自《平面設計的政治經濟學》（Political Economy of Graphic Design）。每次拿出這張圖，朋友或客戶都會問，為什么不稱之為“內容生態”？我說生態這個詞太過中性了，政治經濟學則能更好地表達一種強烈的控制與被控制的關系。就好像生態里也存在捕食者和掠食者。內容的真正控制者，并非創作者，而是平臺，它們決定了內容的生產、傳播以及是否上架。

內容博弈：文化＜娛樂＜分心＜上癮

事實上，內容平臺經歷了多次博弈。第一次在幾十年前，是文化與娛樂的搏斗。文化是深奧的，需要時間與精力去理解，是皺著眉頭的；而娛樂是輕松愉快，令人放松的。結果我們花費的時間更多地投入到娛樂內容中，逐漸減少了對文學、嚴肅電影等文化內容的關注。

但如果大家看下當前的股票市場，會發現娛樂公司股價并不樂觀，比如迪士尼。因為更強的對手出現了，它叫“分心”（distraction）。現在我們但凡有點兒時間會干什么？刷手機，而不是去游樂場。刷短視頻，而不是長視頻。

分心的最高境界是上癮。當平臺推薦的內容越來越懂你，你就會上癮。作為父親，我會特別仇視這件事兒。但每次在女兒的補習班門口看到孩子們專心學習，家長們在外面躺平刷手機，我也意識到，我們只能接受它，理解這一現狀。因為它符合人類的本能，這就是內容的政治經濟。

內容平臺的演進：

桌子→報紙→廣播、電視→電腦→手機

 當我們提到內容平臺時，大家通常會想到小紅書、抖音、Instagram、Twitter。但我想說，從人類的早期開始，就存在內容的傳播平臺。《人類簡史》提到一個很有意思的觀點，智人能夠戰勝其他古人類物種，正是因為他們會“八卦”—— 通過口耳相傳的方式獲取信息。

那我覺得最早的內容平臺就是一張桌子。人與人坐在桌旁，分享信息和觀點。后來，又出現了一個第三者，內容開始從外部進來。比如一百多年前大家都在翻報紙，又有了廣播、電視，這個時候你是在按他人安排的節奏去消耗內容。再后來有了個人電腦、手機等等，那就打破了這種模式，你可以根據自己的喜好和需求選擇內容，甚至手機會給你推薦內容，生成內容。所以內容的碎片化、多樣化和個性化必然會隨著平臺的改變而出現。這就是進化的過程。 

AI：每兩年提升10倍像素

在這樣的條件下，人工智能在其中扮演什么角色？在過去三年，我們也重新審視了人工智能，和大家的起跑線是一樣的。生成式人工智能之所以激動人心，正是因為它強大的生成能力。這個能力有多強呢？每兩年，就會有十倍的像素被生成出來。現在，它已經能夠生成好看圖片、聲音，一定長度的視頻，甚至3D文件。那到2029年，可以生成完整電視節目，到2031年，我們就能看到人工智能電影。

另一個維度上，人工智能也在發展。最早只是一個善于表達的AI，但它現在開始有思考了。比如DeepSeek是少有的把思考過程透明化的AI。我們就逐漸意識到，除了讓機器能夠“說話”之外，現在的技術還可以使它在幾秒鐘、十幾秒鐘甚至更長時間內進行思考和反思。

這就給我們創造了一個很獨特的商業機會：一方面，AI可以生成大量內容；另一方面，AI能夠幫助我們對人創作的內容進行深入“理解和推理”。它的強大之處，在于理解和推理內容背后的知識與經驗，這是生成式AI才能挖掘出來的寶藏，很多朋友現在都忽略了這點。 

原來的內容都是由人來做的，創作者總是遇到一個不可能三角，即甲方總要預算低、質量好、時間短，邊界是我們人的生產能力。AI也許能解一解這道題目。 

過去，品牌和企業很強調內容的想法，想打動觀眾。蘋果的“Think Different”、耐克的“Just Do It”廣告等，都是經典、高質量、有很好想法的內容。由于當時媒體渠道較為單一，用最好的東西占據最大流量的地方，就能得到很好的效果。

但現在每一個人都關注在自己的這塊屏幕上。即便我們花費大量時間在抖音、視頻號、小紅書等平臺上，看到的內容也是完全不同的。品牌和企業發現了，做轉化型的內容才能賣貨。那企業對內容數量的更高需求，對質量的要求卻降低了。代價是什么？大量轉化型內容打動不了你，是通過9.9元這樣的打折、促銷手段去激發你購買。那品牌就開始糾結，我們到底做不做這樣的內容？要做一個只叫賣沒有文化的品牌嗎？ 

0到1交給人，1到無窮交給AI

人工智能有一個黃金法則：“Garbage in, garbage out”（垃圾進來，垃圾出去）。AI并不是真的在創造內容，它只是把創造的能力以更低成本的復制。換句話說，只有輸入好的內容，AI才能將其轉化為好的輸出。

從品牌角度來看，內容應分為兩類：0到1的內容和1到無窮的內容。

0到1的內容：這類內容還是應該用來傳達品牌文化、品質和價值觀。

1到無窮的內容：這類內容是在各處與消費者產生轉化，內容量要龐大到鋪天蓋地。如果沒有足夠的覆蓋，消費者很可能會忽視你。但如果內容量過多，又沒有質量，消費者可能會覺得被騷擾。 

我們希望AI做什么呢？是提升1到無窮內容的制作效率，讓我們的人有更多時間和成本專注于0到1的內容創作。0到1的內容可以通過AI來輔助創意，但仍需人為主導。沒有人的引導，這些內容沒有價值。相比之下，1到無窮的內容是AI主導的，人可以進行選擇和調整。

我自己做的是一家技術公司，只做1到無窮有關的技術產品。但我想強調的是，我們之所以專注于這一領域，是因為我們深知0到1的內容具有至關重要的價值。很多做技術的朋友認為，只要不斷地復制、重制和混剪就能做好1到無窮內容。但我認為好的“0到1”內容是基礎，技術在1到無窮內容的生成中才能帶來更大的整體效益。 

今天我們看到的很多商業化內容實際上都是1到無窮的內容。背后是有人做了0到1的內容，只是在執行1到無窮的內容生成。

Content+AI for 新品研發

比如有一家快消公司，它在社交媒體大量搜索和收集與商品相關的客戶反饋，比如說搜集某洗發水的關鍵詞，形成關鍵詞矩陣。再把這些關鍵詞導入AI，讓AI識別刪掉現有產品覆蓋的關鍵詞，剩下的關鍵詞，就是產品創新的機會。洗發水其實是個挺有意思的行業，洗發水的創新可能就是香味的創新、質感的創新，包裝的創新。那合適的香味、泵頭形狀和包裝設計，最終就可以生成一個新的產品demo，再把它快速投到市場上驗證。

這套方法看似簡單，但在一個很善于做洗發水的品牌那里，能很高效幫他做產品創新。過去，做這樣的新產品開發時可能需要兩年的時間，每兩三個禮拜都要聚一群人進行腦暴。但AI的支持，不僅可以加速創新，也能讓大家在更低成本下試錯，提高產品成功的概率。我一直覺得，好的企業，不取決于你有多大概率成功，而是取決于你有多低成本犯錯。

原來在內容匱乏的年代，我們想盡方法要有內容差，找別人不知道的內容。而現在，我們每天被內容推薦對吧？對產品來說也一樣，有了人工智能，產品創新的方式，可以變為推薦的方式。 

Content+AI  for 矩陣號

我想講一個最近非常時髦的例子。大家都聽說過“內容矩陣”或“社媒矩陣號”，我原來其實很難理解這些概念，因為我自己不是做營銷出身的。為什么需要這么多號？后來和一家咖啡企業的COO交流之后，我意識到，原來這種企業的增長方式是通過開店來實現的。舉個例子，像賣咖啡的企業，他們的增長模式就是“開店”。只要你開的店數量大于關的店數量，企業就會增長。現在即使你開了更多的店，每家店的利潤也在逐漸變薄。

咖啡企業的競爭，并不僅僅是更便宜的咖啡，而是消費者在午飯后的其他選擇，比如奶茶、果茶等。現如今的經營者甚至會絞盡腦汁，考慮如何讓每家店每天賣出5杯咖啡。

過去，這些企業的社交媒體渠道并不是那么重要，只要有一定的聲音和曝光，運營幾個品牌賬號，發布符合品牌要求的精美內容。但現在他們開始思考，是不是要為每家門店都創建一個社交媒體賬號？這些賬號就像是“線上櫥窗”，能讓消費者不時看到門店的信息，想到它，并且來消費。

線上開設櫥窗本身是免費的，但櫥窗的展示內容是需要投入成本的。線上櫥窗通常只能給門店帶來3到5杯咖啡的增量，但過去做這些視頻內容可能需要幾千塊錢。所以，這種“矩陣號”模式很難奏效。

那怎么辦呢？我們就要做一個東西，叫內容工廠。工廠里有原材料、產線，要做的事情是每天為上千個號，制作不重樣的視頻或者圖文內容。內容要不重樣，還要能夠符合品牌要求。

給大家看一個企業案例。每天我們需要幫它制作幾百條樣本視頻，每條都具有獨特的內容，譬如有些視頻講解A產品，有些講解B產品，有些講解C產品，還有些講解品牌的故事，背后其實有一份詳細排期表的。每月我們要為這個品牌制作4000條視頻，以確保能夠帶來足夠的流量和轉化，每條視頻的制作成本大約相當于一杯速溶咖啡。

如何實現呢？首先，我們需要準備原材料。一部分原材料是企業從0到1過程中積累的大量優質內容，另一部分來源于平臺上的多種素材。

原材料不僅包括圖像、視頻，還包括話題和腳本的寫作方式，我們需要將這些整合起來，按照一定的方法進行組織。如何組織？我們會拆解這家企業過去的內容，把產品賣點、品牌故事以及使用方法等內容，拆解為可用的元素。再用一種我非常喜歡的AI功能，把素材高效整理和自動歸類。實際上，自動歸類是基于對圖片、視頻的理解和標記實現的。0-1的好內容就這樣被拆解成了可以被處理的原材料庫。

其次，我們需要不斷學習社交媒體平臺上，比如小紅書、抖音、Instagram等平臺上的優質內容結構。這些內容結構是很多優秀的創作者做出來的，能夠很好地滿足許多企業所提到的“網感”需求。把這些內容結構和原材料放在我們的產線里，就會形成一個完整的生產流程。

每天，我們會在后臺進行視頻制作，生產完成后，這些視頻會被發送到每一個終端的賬號，供用戶上傳和轉發。企業也可以通過面板實時查看內容的分發和表現情況。

一般線上店面的內容如果能獲得500次曝光，已經是不錯的表現了。像一個電動車品牌，他們可能有5000個社交媒體賬號，每天發布5000條不同的內容。在海量內容中，他們會重點關注那些表現特別好的內容，這些內容可能會獲得超過500次的曝光，甚至1000、2000次，甚至達到1萬次曝光。這些內容就像“天選內容”，是被平臺和用戶選中的。那品牌方會將這種內容二次加工，找專業團隊來重新拍攝，投入一些宣傳費用。

在流程中，我們其實做了大量的“智能體”，這些智能體負責每個環節的事項處理。我特別想提到一個環節——排期。由于我們管理著大量社交媒體賬號和內容，如果突然出現一些突發事件需要調整內容發布安排，人工很難完成如此龐大的任務。這時，智能體就發揮了作用，自動進行內容排期的優化。就像一群“小黃人”在流程里耕耘。

企業關心的是AI能為他們帶來什么實際成果，希望通過一杯咖啡的錢生產視頻，而不是為了AI大費周章，還得調整組織架構。我們的方案實際上是將這個生產流程外包給AI，最終交付給企業的，是一個操作簡便的后臺面板。企業只需要看到效果，而無需親自操作整個內容生產鏈。

從實際效果來看，每天企業通過這種方式所獲得的曝光量大約為50萬次。這種用矩陣號獲得的曝光雖然分散，但絕對不可小覷。

那些對品牌內容要求非常高的企業，創作矩陣號的方式也相似。以一個奢侈品品牌為例。它的品牌內容有非常高的品牌價值和美學品質，有高贊，但是沒有轉化。所以它希望通過優化創作方式，通過導購給品牌種草。比如這個品牌可能有三五百名導購，每個導購都希望擁有專屬于自己的內容創作工具。 

但像這樣的高端品牌，它是不允許AI內容代表公司的。AI在其中扮演的角色非常有趣，不是直接生成內容，而是為每個導購提供一個創作范例以及質量評估。導購們可以根據范例進行拍攝和創作，從而提高內容的質量和效果。

創意沒有公式，只有無盡的迭代與反饋

我們討論了與內容生產相關的人工智能應用，接下來我將介紹“內容推理”，這一話題可能會略顯技術。

為什么我對內容推理如此執著？奧特曼說過：“創意是過去事物的重組，加上靈光乍現，再乘以反饋的質量與迭代的數量。”你不要指望一個內容突然爆了，也不要指望通過歸因得到什么公式。我們常會遇到企業要求幫助他們找出所謂的“黃金公式”，但我們更需要依賴迭代的數量和反饋的質量，而這正是內容推理所能發揮的重要作用。 

之前我提到過用數據識別哪些內容表現優異，并將這些內容進行二次創作。我們需要通過技術手段進行必要的處理，比如建立完整的內容標簽體系。內容標簽樹由三部分構成：

1. 內容特征：例如，內容的風格、顏色、組合方式等；

2. 用戶行為數據：分析不同用戶群體對內容的喜好，不同場景對內容的需求等等；

3. 管理相關標簽：這些標簽需要與時俱進，隨時根據內容的表現和管理需求進行更新。

這個過程很重要，所以我們用人工智能（AI）來標注和監管。

如果某個品牌決定開始做抖音，那它內容的標簽要根據抖音重新再打一遍。所以我們要做一個系統，自動進行標簽的升級。

除了標簽之外，還有其他例子。以視頻為例，除了分析視頻文字，我們還要對視頻中的人物、情緒、動作等元素進行分析。比如，視頻中常見的抖肩動作、眼神交流等都會被納入內容理解的數據源，也使得我們能夠高效地進行視頻歸類和批量剪輯。

大家都知道現在做生意不容易，拉新很難，光做廣告沒有用，得更多地做用戶的持續經營，不管對哪個品牌都是一樣的。我們會去看一個東西叫內容的鏈路。不同的內容到底是用什么樣的方式，從生產管理分發到最后產生商業的結果，更好地做內容運營。我們可以看到13條內容鏈路，在5個不同的場景里，實現內容效率（content velocity）。

智能體非常適用于質量監控和內容審核

許多內容生產系統雖然廣泛應用了人工智能，但最終還是由人來操控的，反而增加了人的工具負擔。智能體具有一定的自治性（autonomy），可以做出一些決策，這是一個很重要的維度。

大語言模型從概念到商業化的過程大約用了1年時間，我覺得智能體從概念發展到現在，也可以商業化了。現在多個智能體的協作，已經產生了技術突破。舉個例子，許多品牌在進行內容質量監控（QL）和內容審核（QC）時，過去只能通過截屏來記錄視頻的發布情況，再用簡單的點贊、轉發等指標衡量效果。當你面對上千上萬條視頻時，人工審核幾乎是不可能完成的工作。

智能體能做這幾件事兒：

內容合規性檢查，確保內容是合法和合規的。比如某些為了獲取點贊而做的擦邊內容，雖然能帶來短期的流量，卻可能對品牌造成損害；品牌在營銷內容中，往往需要用特定的語言和風格來傳遞信息，你描述的意思要到位；生產內容后監管，看看有沒有更好的內容，我能不能學習。 

我們做了一個智能體叫content analyst，智能分析系統，幫助品牌理解目標用戶最近的興趣，了解競爭對手的動態，以及自己內容的表現。它不僅能自動讀報表，還能給出實際的操作建議。如果它給的建議反直覺了，你可以去看看為什么會有這樣的結果，那它就成了你的分析師。

過去，80%以上的操作都是由人工完成的，而現在超過90%的操作由AI自動觸發，那我們就會想，能不能再推進一步？

我一直癡迷“可計算性”這一概念。盡管很多東西我們還未知，但絕大多數的東西，我們都可以通過計算的方法，來判斷它是怎么運作的。物理學讓客觀世界變得可計算。語言模型很有意思，它解決了機器能說話這件事。人的思考其實都來自于語言，我們腦子想問題其實是在自己跟自己說話。所以當你有了語言模型以后，語言模型能說話以后，是不是讓我們的主觀的世界有機會也可以被計算？

語言模型給了我們一個很好的機會，讓我們開始可以描述、可以計算、可以復現、可以模擬一些主觀世界了。如果說物理是造物，語言模型可能就是在造人。所以我們開始著手開發一個全新的智能系統——atypica.AI。atypica.AI是一個通用的商業智能體，我們希望它能夠分析商業領域中各種復雜的問題。

商業分析是高度量化的，但企業購買的不僅僅是數據本身，而應該是數據背后的故事。很多用戶會問我們，怎么洞察消費者行為？他會給我展示他們現在的系統（如社交媒體監控工具）爬取的社交數據，試圖通過靜態的、標簽化的數據去總結消費者的想法和行為。我對這種方法的疑問在于： 

1. 爬下來的數據是靜態的，消費者行為是動態的。

2. 數據通過標簽化被簡化了，用一堆標簽去理解一個豐富的人是有問題的。

我一直對這種分析有疑問，所以之前沒有做這類產品。現在大語言模型的出現為我們提供了一個全新的機會。如果我們將消費者比作一個橘子，傳統的分析方法會將橘子分解成元素，它能描述橘子的成分，但無法復現它作為“橘子”的整體味道。而有了大語言模型，我們可以嘗試將橘子變成橘子汁，保留它的味道和營養成分。類似地，當我們試圖理解消費者時，傳統的標簽化方法將其簡化為一個個元素，無法完整呈現消費者的思維和決策過程。大語言模型的優勢在于，它們盡量還原了消費者的“味道”和“情感”。

要實現這個目標，atypica.AI依賴三個核心要素：

1.大語言模型（Language Model）是整個系統的基礎。

2.大語言模型本身只是一個“會說話”的系統，缺乏處理商業數據的能力。我們需要為它提供一系列商業分析工具，比如商業訪談方法、共創方法等。

3.需要給atypica.AI提供的，不僅是公司內部的商業數據，還包括外部的數據。

研究案例：羅技鼠標在小紅書上選題，哪個更受歡迎？

atypica.AI的工作過程非常有趣。首先，我提出了商業問題——“羅技鼠標應該選擇哪個主題？”系統會首先反問我問題的背景和角度。接著，系統在任務分配過程中，進行關鍵詞搜索，尋找相關主題，并根據結果創造用戶畫像。然后，系統會在小紅書上找到合適的用戶進行訪談，同時進行多個訪談。AI智能體既扮演用戶角色，也扮演專家角色，協同工作。最終，所有的訪談結果和分析數據會匯總成一份報告。這是一個典型的應用場景，AI智能體通過協作完成任務，最終提供了洞察。

研究案例：圍繞三個品牌分析中產階級的消費是否出現降級

 這是我的一位朋友提出的問題，圍繞三個品牌分析中產階級的消費是否出現降級。我們一起來看看atypica.AI做得怎么樣？同樣的方式，首先進行提問，然后開始拆解任務。拆解后，選擇合適的采訪對象進行訪談。如果結果不夠好，就繼續進一步搜索。人工智能（AI）扮演了“小紅書分析師”的角色，通過小紅書作為主要的數據來源進行分析。

我們還開發了一個小工具，叫做“Nerd Stats”，用于統計整個生成過程——記錄多個智能體之間如何對話。通過回放可以看到，整體咨詢過程持續了27分鐘，使用了約64萬個token，期間共有九個智能體參與，一些模擬消費者，一些模擬專家，整個過程跨越了53個步驟，是多輪對話。

研究案例：為無醇葡萄飲制定營銷推廣計劃

最后，我們還挑戰了atypica.AI的能力，我們設想了一個新品牌——無醇葡萄飲，讓它制定營銷推廣計劃。它呈現了一份營銷策劃方案，涵蓋了如何構建內容，目標受眾的畫像，未來幾個月的推廣計劃，選題方向，以及與主號的互動策略，最終確定轉化路徑。

過去一年，模型發展最重要的變化是從預訓練到后訓練，再到“思考”。2024年有一篇名為《Generative Agent Simulation of a Thousand People》的論文，通過AI模擬1000個美國普通人，進行政治態度、商業選擇等多項調查。研究表明，AI模擬的答案與真人選擇的高度一致性達到了85%。

另一個重要的進展，來自DeepSeek推出的開源推理技術。它完全透明化了推理的中間過程，讓我們能夠清晰地了解每一步的推理邏輯。深思熟慮的過程中，AI模型有時需要走一些彎路，正是這些彎路，最終才促使了更有價值的思考和創新。這個思維過程讓我們更加明白，長時間的推理和思考是達成更優結果的關鍵。

此外，AI模型的交互方式也發生了變化。通過Manus等工具，我們能夠清晰地看到AI智能體忙碌的工作狀態，就像看到一個很忙的員工。看到它的努力，那我們對智能體的同理心就增加了，對它給出結果的接受度也更高了，也更能理解人工智能的行為了。

AI終將變革所有企業

我認為，AI能幫企業做的不僅是降本增效，它有可能為企業帶來根本性的轉型機會。我們對200多家品牌（很多是規模偏大的國際化企業）、300多位核心崗位人員進行了調研，涵蓋了不同角色和行業。發現每家企業在采用AI時的方法各異，但我認為最終的方向是殊途同歸。

首先，這一波數字化最初是海外推動的，隨后引入中國。中國的國情與海外不同，許多數字化供應商進入中國后并不完全適應，所以我們強調“China for China”。但AI這一波不一樣，中國不僅趕超了海外，甚至在某些領域的應用更為積極。完全有機會在這一波AI浪潮中成為全球解決方案的提供者，我們可以稱之為“China for Global”。

其次，我們還發現，一些企業對AI的應用存在恐懼，這些企業不想替代掉員工，而是希望AI能成為每個員工的得力助手。就像之前我們提到的奢侈品品牌，是借助AI生成圖像的工具來幫助店員創造更優質的內容。 

第三類企業則對工具的使用持保留態度，主要因為工具使用的成本較高，還需要調整組織架構和分配責任。許多企業習慣找供應商合作，那他們就選擇那些已經整合了AI技術的供應商，追求成果。

最后還有一些企業已經全面投入AI建設，構建了完整的AI基礎設施，這些基礎設施徹底改變了企業的運作模式。

如何衡量AI投資的回報？“一年太短，三年太長，也許兩年正合適。”一年就想回本，投入是不夠的；計劃三到五年回本，我認為有點兒多余。大語言模型的發展速度非常快。如果我們在去年就開始投入類似atypica.AI的產品開發，投入的資金可能是現在的十倍、百倍，效果也未必如此理想。有時候我們需要等待合適的時機，搭建好框架，等待更強大的模型成熟。

不同的行業和崗位，AI的應用回報也有所不同。例如美妝行業的AI回報率較高，但這可能導致過度建設，未來回報可能會逐漸下降。如果矩陣號效率高，人人都來做了，效率可能也會降低了。大家應該動態調整對AI應用的預期，根據行業特性和企業發展階段做出調整。

每個人都成了AI的CEO

人工智能時代，個人對AI的看法可能會有兩種視角。第一種視角是打工人視角：可能你會覺得越來越多的工作AI都能幫你做了。另外一個視角是CEO視角，你可以用很多Agent幫你工作，自己來實現更大的愿景。每個人都有機會選擇成為“打工人”還是作為“經營者”。

最近有一些時髦的觀點，比如奧特曼講的“個人獨角獸”理念，提出每個人都可以像一個企業一樣運作。一些創業公司可能只有幾百名員工，但理論上，每個員工都可以是一個“獨角獸”。

另一個角度看，知識經濟的時代結束了。在過去，擁有知識就能夠掌握財富的鑰匙。如今AI在處理信息和知識方面的能力超越了人類。原來我們可以販賣知識差、認知差、信息差，現在不再奏效了，我們進入了“分配經濟”（Allocation Economy）的時代。

每個人都可以像一個“經理人”或“經營者”，將任務分配給不同的AI智能體。人不再僅通過知識來創造價值，而是用不同的AI組合團隊來創造價值。

過去100年，工業革命把工作細分化、SOP化，推動了大規模生產的效率，因為分工越來越細，要很多人在一起才能做成一件大事兒。所以不適合做創造性的事情，適合做任務能被分拆得很細的事情。我覺得AI時代是反工業革命的，AI時代一個人可以擔當更多角色，所以又回到全能的人。舉個例子，atypica.AI這個項目就是我和CTO兩個人做出來的。

誰能提升AI與人的協作效率，

誰就越有無窮的機會

2017年起，我提出了“腦機比”（Brain-Machine-Ratio）的概念。認為人腦與機器之間不應是零和博弈。“腦機比”這個詞旨在探討人類與AI工具之間的協作關系。在我看來，腦機比可以從三個方面來理解：

1. AI和人類各自能做什么。毫無疑問，AI的能力在不斷增強。

2.你是否愿意讓AI幫助你完成任務。

3.信任問題是AI普及的一個難題。比如當atypica.AI生成了某些報告，你會質疑它采訪的結果準不準，那你怎么不問麥肯錫（McKinsey）做的采訪準不準呢？

我總是跟朋友說，盡管無人駕駛技術已經很先進了，但有生之年很難接受駕駛座位上沒人坐。直到我在舊金山體驗了Waymo的無人駕駛出租車。除了上車時四處拍照，后面我已經忽略了它是無人駕駛的，信任感往往是轉瞬間形成的。

我們每年都會做一些量化分析，觀察“能力”、“意愿”和“信任”這三者的轉變。最初，我們關注的是AI的能力，因為早期的AI能力較弱。第二年，AI的能力大大提升，我們開始關注用戶是否愿意使用這些技術。到了第三年，我們的焦點轉向了信任：即使用戶愿意使用AI，他們是否能夠完全信任AI的結果，或者只是將其作為參考工具。

我們每個辦公室都有一個名字，我的辦公室名字是“BMR”。倒過來看，會發現它恰巧是“RMB”。我喜歡這個名字，誰能成功地讓人類和工具（特別是AI）實現高效協作，誰就能擁有源源不斷的商業機會。