麥肯錫在招人。瘋狂招人，但新員工裡，有近一半不是人類。最近，麥肯錫全球管理合夥人兼總裁 Bob Sternfels（鮑勃·斯滕菲爾斯） 在《哈佛商業評論·IdeaCast》裡透露了一個數字：麥肯錫現在有 6 萬名員工，4 萬是人類，2 萬是智能體。而在一年半前，智能體的數量還只有 3000 個。他說麥肯錫的目標是 18 個月內做到每人配一個智能體。現在才過了一半時間，就已經有 2.5 萬個了。而這只是開始。所以問題變了：不是會不會用 AI，而是怎麼用對 AI。第一節｜CFO 和 CIO 的對峙：試點為什麼都死在半路但什麼叫“用對”？現在大多數企業的高層，都卡在一個問題上：我該聽 CFO 的，還是 CIO 的？CFO 說：這技術太貴，效果又沒看到，我們要不要先觀望？CIO 急了：你還在觀望？現在不開始，用舊方法幹活的代價會越來越大。一個要省錢，一個要加速。背後的矛盾是：AI 到底算未來投資，還是眼前支出？Sternfels 認為：這不再是制定戰略的事情，而是執行力的事情。道理簡單，做起來難。他們不是沒引入 AI，而是一引入就困在試點裡：小團隊嘗試，小範圍實驗，最後不了了之。麥肯錫內部把這叫做“試點煉獄”（pilot purgatory）：項目推不動、業務部門配合度低，最後 AI 只成了擺設。在 Sternfels 看來，你不能只是買個工具，就指望一切改變。而這首先要解決的是：你有沒有真正會用 AI 的人？第二節｜招聘標準變了：三種能力比學歷更重要那什麼樣的人算會用？過去企業找人，看學歷、看履歷，最好是名校出身、實習經歷多、邏輯清晰。但在麥肯錫新一輪招聘試點裡，這套標準不夠了。Sternfels 在訪談中確認，麥肯錫正在嘗試一個新流程：讓候選人在面試中直接使用自家 AI 工具 Lilli。這不只是考你會不會用，而是要你：能不能清楚地下達指令（prompt）；能不能判斷 AI 給出的內容靠不靠譜；能不能結合實際情況，改寫、重構、提出更好的思路。換句話說，不再看你多會背知識點，而是看你能不能和 AI 一起解決問題。這套測試沒有標準答案，但有一個關鍵詞反覆被提到：好奇心和主見。因為在 Sternfels 看來，大模型雖然聰明，但它只會給出看上去差不多的回答。能脫穎而出的，是那些敢追問、也敢推翻的人。那這些人具備什麼能力？先說清楚一點：專業和知識依然是基礎，但光有這些已經不夠了。Sternfels 給出了一個清晰的框架。在他看來，AI 時代真正需要的是三種能力：第一是抱負。你是去近地軌道，去月球，還是去火星？模型給不出這個答案，但人可以。第二是判斷力。模型沒有對錯，但你要知道什麼是對的參數，什麼符合價值觀和場景。第三是創造力。模型只會給出下一步最可能的答案，但你要能想到那些不連續的、另闢蹊徑的解法。有了這三種能力，才算真正會用 AI。在麥肯錫內部，這種人被稱為“合作型專家”：既能理解問題，也能駕馭 AI，還能創造價值。第三節｜工具變了，組織不變，等於沒變但有了會用的人，就夠了嗎？還不夠。因為即使是會用的人，也可能把 AI 用錯位置。很多公司都開始配 AI 了：建模型、買工具、部署助手，看上去動作不小。但關鍵不在有沒有 AI，而在 AI 被安排做什麼。在麥肯錫，AI 不只是用來節省時間，而是直接參與交付成果。比如過去寫 PPT、整理資料、搜案例，需要助理顧問花幾天。現在，智能體能一小時內完成。諮詢顧問們轉而去搞定更複雜的客戶問題、主導方案方向。這就是“角色往上走”：人不再負責執行，而是負責整合和判斷。去年麥肯錫在搜尋和資料整理上節省了 150 萬小時。過去 6 個月，智能體生成了 250 萬張麥肯錫經典的 PPT 圖表。而顧問們沒有因此失業，反而開始做更需要判斷力和創造力的工作。而最能說明問題的，是“25 的平方”法則。麥肯錫計畫在未來一年將面向客戶的顧問增加 25%。而與此同時，後台人員已經減少了 25%，產出卻提升了 10%。Sternfels 說：“這在公司歷史上從未發生過。過去增長只能靠人數增長，現在人可以更少，增長反而更快。”過去一年半，麥肯錫內部的 AI 智能體數量從幾千個增加到了 2.5 萬個，目標是做到每人配一個。他們叫這模式 1:1 協作。而這個轉型不只發生在大公司。在創業公司裡，同樣的事情正在發生：十幾位創始人最近兩個月都在招人，但沒有一個用 HR 寫職位描述，全是 LLM 寫的。篩簡歷時，一半人用智能體。連 HR 這樣的職能部門，基礎工作都在被 AI 接管。但配上 AI，不代表用對了 AI。但真正的卡點不在 AI，在組織。很多企業表面上在用 AI，實際卻沒改變過組織架構、流程節奏、任務分工。AI 是進來了，人員和流程都沒變，那就是換了工具不改打法，最後只能做個演示，真到一線就卡住了。“我們在諮詢行業用了幾十年的交付模式，現在要重新設計。”工具變了，組織不變，等於沒變。結語｜真正危險的，是你以為沒事麥肯錫不是在做 AI 展示，而是在告訴所有人一個現實：AI 一旦進了組織，就不只是效率問題，而是組織問題。誰來做事、怎麼做事、協作方式，都得重新設計。所以危險不是你不會用 AI，而是你還在按舊方式組織人、設崗位、做流程，卻以為自己已經在用 AI。這才是 Sternfels 真正想說的：用不好不是沒效果，而是會讓組織空轉。2.5 萬個智能體，25% 的增與減，這就是麥肯錫的答案。 (AI 深度研究員)

近日，我看到輝達（NVIDIA）首席執行長黃仁勳在2026年CES大會上的一段演講，其中聊到了當下大火的AI智能代理（AI Agent）。黃仁勳在演講中描述了人工智慧正在發生的範式轉變：AI不再只是根據訓練資料回答問題的工具，而是開始具備自主思考和行動的能力。他提到，ChatGPT等大型語言模型雖然很強大，但也會出現讓人哭笑不得的“幻覺”現象。這是因為這些模型無法即時獲取新知識，需要靠一定的“推理”和“工具”才能正確回答超出訓練範圍的問題。黃仁勳的這番演講告訴我們：人工智慧的發展正從“會生成”邁向“會思考”，AI智能代理時代似乎真的要來了，而且可能比我們想像的更快到來。從胡言亂語到學會思考：AI為什麼需要代理？在ChatGPT橫空出世初期，很多人驚嘆於它流利的回答，卻也發現它有時候會一本正經地瞎編亂造答案，出現所謂的“幻覺”。黃仁勳在演講中就提到這一點：早期的ChatGPT“產生了很有趣的結果，但也經常胡言亂語（hallucinate）”。為什麼會這樣呢？簡單說，這是因為傳統的大型語言模型是基於訓練時看到的知識來回答問題的，對訓練後出現的新知識一無所知。如果你問它一個關於最新發生的事件或專業領域的新問題，它很可能張冠李戴。模型並非真的在“思考”，而更像是在模式匹配，甚至編造資訊。為瞭解決這一問題，AI研究者們發現，讓模型學會“思考”至關重要。所謂“思考”，其實就是讓AI具備一定的推理能力。黃仁勳解釋說，一個真正智能的AI在回答問題前，需要懂得先去查資料、分步驟分析問題、呼叫必要的工具或外部資訊源，然後再給出基於事實的答案。換句話說，AI需要學會像人一樣：遇到新問題時，會想一想：“我需要先做些什麼準備？這題該如何分解？” 然後逐步解決子問題。這種多步推理和規劃的過程被稱為“思維鏈”（Chain-of-Thought），它讓AI不再侷限於死記硬背訓練集裡的知識，而是能夠靈活應對新情況。什麼是AI智能代理？簡單來說，AI智能代理就是一種能夠自主決定採取那些步驟來完成任務的智能程序。它背後的理念是：當我們給AI一個複雜的任務時，我們不需要也無法提前把每一步都程式設計寫死；相反，我們希望AI自己決定如何呼叫自身的技能和外部工具去完成任務。黃仁勳指出，大型語言模型的出現讓這一切成為可能。他說，大型語言模型讓AI取得了一次基本的飛躍。通過訓練和強化學習等技術，現代的AI模型已經具備了一定的推理和規劃能力，能夠把一個從未見過的問題分解成一系列自己知道如何處理的小步驟。這就好比我們人類遇到沒見過的新情況時，會本能地拆分問題、類比過去的經驗來想辦法解決一樣。更令人興奮的是，AI代理不僅能自行思考，還可以像團隊合作一樣呼叫多個不同的AI模型一起來解決問題。黃仁勳提到了一個令他印象深刻的突破：一家名為Perplexity的AI搜尋公司率先讓一個AI同時使用多個模型處理不同子任務。他感嘆道，這簡直太聰明了！AI當然可以隨時呼叫世界上最好的AI來幫它解決問題。換句話說，如果一個AI代理在推理過程中需要識別一張圖片，它就可以呼叫專門的圖像識別模型；需要聽懂語音時，它又可以呼叫語音識別模型；需要獲取最新資訊時，它甚至可以呼叫聯網的搜尋引擎或資料庫。正因為能自由呼叫各種不同模態、不同專長的模型，一個AI代理就像一個全能管家，能在需要的時候切換角色，當一次翻譯家、畫家、資料分析師，甚至私人助理。前沿大模型+定製小模型：專屬AI養成計畫AI智能代理的強大還在於它可以將通用智能和專屬技能相結合。一方面，我們有那些無所不知的前沿大模型（Frontier Model），比如最新版本的ChatGPT，它掌握了海量的通用知識和語言能力，相當於站在知識的“最前沿”。另一方面，不同行業、不同個人可能又有各自特殊的需求和秘密“配方”——這就需要定製的專屬小模型。黃仁勳提出，我們完全可以訓練屬於自己或自己公司的小模型，教給它別人沒有教過的獨門本領，然後把它納入AI代理的架構中。這樣一來，我們的AI代理就既有大模型的見多識廣，又有小模型的獨門絕技。在技術實現上，這背後需要一個聰明的“調度員”。在演講中，黃仁勳將其形象地稱為“智能路由器”或“模型路由器”。這個路由器負責根據使用者指令的意圖，自動判斷該呼叫那個模型最適合當前任務。例如，當你讓AI代理整理內部機密檔案時，路由器會挑選在本地運行、確保隱私安全的定製模型來執行；而當你詢問一個通用常識問題時，它又會把任務交給知識面更廣的前沿模型。通過這樣的架構，你的AI代理始終擁有“雙重魔法”：一隻手擁有全球最新最強的知識，另一隻手又握著你自己領域的專業技能。而對終端使用者來說，這一切切換和配合都是無感的——你只管提出問題和任務，AI代理自會在幕後安排妥當。AI代理有多厲害？黃仁勳在演講現場還展示了一個令我印象深刻的例子。他當場建構了一個個性化的AI“私人助理”，幫他處理日常事務，還能與現實世界互動。這個助手由多部分組合而成：首先，他用一台輝達的DGX Spark小型超級電腦作為個人云伺服器，確保所有AI模型都能本地高速運行；其次，他準備了一個開放原始碼的迷你機器人，名叫Richie（來源於Hugging Face的開放項目），作為AI助理與物理世界互動的“化身”；再次，他呼叫了業界領先的語音合成服務，讓Richie這個機器人能夠用自然的聲音與他對話。這位AI私人助理都做了些什麼呢？演示中，黃仁勳對著Richie說：“嗨，Richie，我今天的待辦清單上有什麼？”Richie立刻回答，告訴他今天需要採購的物品清單和要傳送給同事的郵件任務。黃仁勳接著口頭吩咐：“那就給他發郵件說我們會在當天結束前提供更新。” 助理便自動幫他起草並行送了郵件。隨後，黃仁勳拿出一張手繪草圖，讓AI助手將其“變成建築效果圖”，Richie照辦，呼叫圖像模型將草圖轉化為精美的建築渲染圖。更令人稱奇的是，當黃仁勳詢問“家裡的狗現在在幹嘛”時，Richie竟然調動自己的攝影機環顧了房間一圈，然後回答說：“它正在沙發上偷懶呢！”原來，這個AI助理還連接了家中的攝影機，可以隨時監控寵物的動態。黃仁勳讓Richie通過語音驅動揚聲器喊了一聲“Potato，下沙發！”（Potato是他寵物狗的名字），彷彿一個真正的管家在遠端呵護家庭。現場觀眾無不為之驚嘆。這一連串操作聽起來近乎魔法，但黃仁勳強調，如今這樣的AI代理系統已經相當簡單就能實現。他感嘆：“這一切如今變得微不足道，而在幾年前是完全無法想像的。”開源社區的繁榮和AI工具的發展，讓個人和中小團隊也能打造出屬於自己的AI助手。只要有合適的硬體，加上現成的模型和藍圖範本，每個人都可能訓練一個專屬的AI來幫自己處理繁瑣事務。這種科技進步的速度，連行業專家都感到驚嘆。改變未來應用的遊戲規則AI智能代理不僅是炫酷的演示，更被視為未來應用的新範式。黃仁勳指出，這樣的代理式AI架構將成為未來軟體應用的基本框架和使用者介面。過去，我們使用軟體往往需要學習特定的操作流程，比如在電子表格裡一格一格輸入資料，或者在命令列裡敲指令。而有了智能代理之後，我們和應用程式打交道的方式會變得更自然，就像和一個懂行的助手對話——你提出目標，AI幫你執行。在企業領域，這種變化將帶來巨大效率提升。難怪許多行業領先的平台公司，如Palantir（資料分析）、ServiceNow（企業服務）、Snowflake（雲資料）等，都在和輝達合作，把智能代理融入它們的系統，作為新一代的人機互動入口。想像一下未來的場景：財務分析師不需要在繁瑣的軟體介面上點選半天，只要向AI助理描述想要的報表，它就能自動調取資料庫並生成結果；工程師可以直接對AI助手提出設計需求，AI便整合各類專業工具給出方案；甚至我們普通人在日常生活中，也許只需要對著手機說出想要完成的事項，就會有智能代理為我們統籌安排好一切。從PC時代的圖形介面（GUI），到移動網際網路時代的觸屏互動，再到如今的對話式AI時代，人機互動正在變得越來越自然、越來越以人為中心。AI智能代理正是推動這一轉變的關鍵力量，它讓人工智慧從幕後的演算法模型走到台前，成為直接為人服務的數字勞動力。寫在最後黃仁勳在演講中傳遞的資訊很明確：我們正站在一個AI變革的門檻上，迎接從“生成式AI”向“代理式AI”的飛躍。AI智能代理將賦予機器前所未有的自主性和協作能力，讓AI真正成為人類的強大助手。從讓聊天機器人不再胡言亂語，到擁有隨叫隨到的數字助理，這場AI革命終將走進你我的生活。如果說過去幾年是AI學習表達和創作的階段，那麼接下來，AI將學會思考和行動。從某種角度看，具備自主推理和行動能力的AI代理，也許正是人類邁向通用人工智慧（AGI）的關鍵一步。 (前沿黑板報)

收購談判僅用十餘天推出僅僅9個月，一款由中國創業團隊研發的AI產品，被美國科技巨頭以數十億美元收購。2025年即將結束之際，這個消息震驚了中國科技圈。Manus是由中國創業公司研發的通用型AI Agent（智能體）產品，於2025年3月正式發佈。美國當地時間12月29日，Meta宣佈，Manus將加入Meta，其AI Agent技術會應用到旗下產品中。據“晚點latepost”披露，此次交易金額高達數十億美元。也有業內人士估計，此次交易金額或在40億—50億美元。實際上，早在今年3月，Manus剛推出後便成為焦點：內測碼一度被炒到10萬元，被視為“打響了國內 AI Agent的第一槍”。與聊天機器人只是給出答案和建議不同，Manus展示的智能體，只需一句口令，就能在短時間內自動呼叫多種工具，完成寫程式碼、制定旅行方案、分析股票等任務。據報導，此次交易完成後，其“90後”創始人肖弘也將出任Meta副總裁。Manus背後公司“蝴蝶效應”的天使投資機構真格基金公開表示，肖弘和早期合夥人沒有海外留學背景，也無大廠高管履歷，他們從一間民居起步，摸爬滾打，最終做出了令國內外科技公司競相模仿的產品。這條路徑，在國內創業團隊中並不多見。為何是 Manus？1992年出生的肖弘做對了什麼？蝴蝶效應創始人核心團隊。圖/真格基金官網9個月，值幾十億美元？真格基金合夥人劉元向媒體透露，此次收購同樣出乎Manus團隊預期，收購談判前後僅用十餘天，“快到還懷疑過這是不是一個假的offer”。劉元是肖弘的“伯樂”，自2016年起，5次投資肖弘的創業項目。劉元公開提到，肖弘身上有極致的產品思維和執行力。肖弘也曾表示，自己創業的目標，是“為人類打造好用的工具”。實際上，Manus發佈之初，受到追捧的同時也面臨質疑——被認為“沒有自研大模型、技術門檻不高”，發佈內測碼被認為是炒作。但如今回看，應用做到極致，同樣能帶來成功。肖弘是江西吉安人，2015年畢業於華中科技大學，有連續十多年的創業經歷。早在本科階段，就曾利用微信的公眾號程式設計功能，做出公眾號查天氣的項目，還研發出華科版微信校內漂流瓶、志願填報助手等應用。2015 年，他創立夜鶯科技，為微信公眾號營運者提供編輯和資料分析工具，累計服務超過200萬B端使用者，並獲得騰訊、真格基金等投資。ChatGPT推出後，肖弘也並未選擇主流的大模型底層研發，而是瞄準AI應用，推出瀏覽器AI外掛 Monica。在Manu之前，肖弘還嘗試做AI瀏覽器。劉元回憶，他當時看過演示的版本，沒看出瀏覽器的差異，肖弘回應他：“不是你沒發現，是產品還沒設計好。”但隨後，這項研發了七個月的項目被叫停。兩個月後，肖弘推出Manus。肖弘近期在接受騰訊採訪時提到，他當時給團隊的目標是：創造出讓人感到驚豔、願意傳播的產品，並且做到零市場行銷預算。在他看來，如果做一款產品，持續有大量的成本投入到廣告平台，未來的增長就會受制於網際網路巨頭的廣告平台。後來Manus在社交媒體上爆火，在肖弘看來，是因為他們“在某種程度上打造出了使用者預期的產品……實現了大家對未來AI產品的設想”。彼時，海外使用者早已經習慣ChatGPT。但這類Chatbot（聊天機器人）只能給一個答案，還需要人們再花兩小時把它變成結果。肖弘選擇的方向，是試圖直接交付結果，“使用者一眼就能感知到差異”。而且產品演示也基於真實的場景，讓使用者可感可知，能快速被接受。Manus在12月公開披露，在應用正式上線僅八個月後，Manus的年度經常性收入（ARR）突破1億美元，成為全球從零增長到一億美元ARR最快的初創公司。目前，公司的總收入年化運行率已超過1.25億美元。自Manus1.5發佈以來，公司保持著超過20%的月度複合增長率。產品推出僅9個月就被大公司收購，創始人進入Meta核心管理層。Manus在聲明中寫道：“這不只是一條新聞，更是對我們在通用AI Agent領域工作的認可。”在全球科技界，這種“變現”速度也堪稱神話。Manus的團隊成員中，還有“90後”的季逸超，畢業於北京資訊科技大學；“85後”的張濤，畢業於重慶郵電大學。這支平均年齡30歲的團隊，用不到一年時間走完了很多創業公司十餘年也走不完的路。在劉元看來，這對 AI 時代的新一代年輕創業者而言，將是莫大的激勵。屬於中國這一代年輕創業者的時代，已經到來。“風口”來了在此之前，Manus已經引起海外科技巨頭的興趣。Manus在11月曾宣佈，其AI Agent將整合到Microsoft Agent 365能力中，成為率先在該平台上推出相關能力的產品之一。使用者只需完成基礎設定，即可啟用Manus作為個人AI助理，用於開展市場調研、整理文件、回答問題等任務。Manus的走紅，趕上了AI Agent的風口。從去年下半年起，AI科技巨頭的關注點正在轉向一個更務實的問題：誰能讓AI真正執行任務？真格基金近期還提到，Meta創始人馬克·祖克柏告訴肖弘，他自己也是 Manus的長期使用者。另一方面，收購Manus，也是Meta調整AI戰略的縮影。在基礎大模型競爭中逐漸落後於Open AI、Anthropic等對手後，Meta今年改變了重心，開始在生態和應用層加速補位。祖克柏頻繁在公開場合強調“超級智能”的願景。他指的並非單一的模型能力，而是 AI與個人生活方式如何結合。圍繞這一方向，Meta對AI業務進行了多輪重組。外媒報導稱，今年10月，Meta AI部門裁員約600人，AI基礎設施團隊和基礎人工智慧研究部門均受到波及。在產品應用端，Meta傾向於通過外部合作，補強能力，並主動爭奪頂級AI人才。最受關注的一個案例是，Meta在6月斥資143億美元，收購了人工智慧資料標註和訓練公司Scale AI49%股權，並將其創始人Alexandr Wang招至麾下，擔任Meta首席人工智慧官。8月，Meta透露，計畫與AI圖像和視訊生成明星公司Midjourney合作。12月初，Meta又宣佈收購一家人工智慧可穿戴裝置初創公司Limitless Inc.，向AI硬體領域延伸。祖克柏描繪的“超級智能”藍圖，也包括 AI Agent。Manus正好踩中 Meta 戰略轉向的節點。據公開資料，“蝴蝶效應”將在公司、團隊和產品層面保持獨立營運。Meta也計畫，不僅將Manus的技術融入消費級產品，還將拓展至企業服務領域。 (中國新聞週刊)

今日，Meta宣佈完成對通用自主AI智能體公司Manus（蝴蝶效應）的收購。根據公開資訊，這筆交易金額達數十億美元，也成為Meta成立以來規模第三大的收購案，僅次於收購WhatsApp以及此前對Scale AI的戰略性投資。圖片來源：視覺中國Meta收購Manus的消息出現得很突然。Manus產品去年9月剛剛上線，關於本次收購，似乎也沒有經歷長時間的拉扯。有投資人回憶，談判周期極短。對一家規模龐大、內部流程嚴密的公司而言，這種速度本身就值得注意：它更像一次基於窗口期的決策。更關鍵的是，Meta買下的並不是一家訓練大模型的公司。Manus不以底層模型為核心資產，它的價值更接近一種應用層能力：把現有模型與工具組織起來，形成可以持續完成任務的產品形態。對一家以平台分發和使用者規模見長的公司來說，這樣的併購更像一次戰略補位，而非簡單的功能補充。理解這筆交易，首先需要理解Manus到底在做什麼。與大多數對話式AI產品不同，Manus並不是試圖讓系統“更會聊天”，而是讓它成為一個能交付結果的智能體。在常見的使用場景中，使用者仍停留在“問—答—修訂—再問”的循環裡，而 Manus試圖把互動向前推進一步：使用者只需給出目標，例如完成一份行業研究、整理競品資訊、生成結構化備忘錄，系統會自行拆解任務、呼叫工具、校驗輸出，並在過程中不斷調整計畫。這類產品的難點，並不在於第一次能否給出正確答案，而在於出錯之後能否繼續向前推進。因此，Manus的設計重點更多放在工程與流程上：任務狀態需要被保存，中斷後可以恢復，目標變化時能夠重新計算，錯誤也能被使用者以較低成本糾正。對使用者而言，這意味著不必反覆從頭開始，而是像管理一名初級員工那樣，把事情一步步推向完成。Manus官方披露的營運資料，包括累計處理的token數量和虛擬計算環境規模——更像是一種側面說明：這套系統已經在真實世界的壓力下運行過，而不僅僅停留在演示階段。這種對“持續完成任務”的執念，並非從AI時代才開始形成。把時間線往前撥，壹伴這款用於提升微信公眾號編輯效率的瀏覽器外掛同樣出自這批人。壹伴解決的是排版、編輯、發佈效率等高度具體的問題，它的成功並不依賴宏大敘事，而在於“每天都有人用”。在商業產品中，這類工具型成功往往意味著團隊具備對真實工作流的理解，以及對細節體驗的長期打磨能力。壹伴之後，該團隊又推出了微伴，一款圍繞企業微信生態的工具，服務對象從內容編輯擴展到銷售和企業營運人員，開始處理更複雜的協作、流程和資料連續性問題。這一階段，產品從個人效率工具，演進為組織流程工具，目標也從“好用”轉向“可靠、可控、可複製”。從壹伴到微伴，再到Manus，表面上跨越了不同賽道，但核心高度一致：把重複、繁瑣、需要人持續盯著的事情，逐步交給系統穩定完成。這條路徑，也解釋了為什麼 Manus 會在產品設計中，把“任務持續性”放在如此核心的位置——它更像一家長期做工具的公司，在 AI 時代終於獲得了足夠成熟的技術條件。從團隊背景看，Manus具有明確的中國創業公司起源。創始人肖弘和早期合夥人來自中國本土高校，早期創業與試錯主要發生在中國網際網路環境中，產品方法論偏向務實、節制、貼近使用者。但在進入AI應用階段後，公司逐步將主體與核心營運轉向新加坡，並以新加坡為總部面向全球市場。今天，從法律和營運層面看，它更像一家總部位於新加坡的國際科技公司；從團隊基因和產品文化看，它仍然是一家中國創業者主導的公司。這種結構在當下並不罕見：既滿足國際化營運與合規的現實需求，也為進入全球平台生態預留空間。對潛在收購方而言，這意味著更低的整合摩擦。如果說Manus的價值在於“已經跑通了一種應用形態”，那麼Meta的動機則更像是對多重結構性壓力的回應。將這筆併購簡單理解為“巨頭害怕落後”並不精準。更現實的情況是，AI技術的演進正在壓縮產品窗口期。一旦模型能力跨過可用閾值，使用者預期會迅速從“會回答”轉向“能完成”，競爭重心隨之從模型本身下移到產品化與交付效率。對Meta來說，內部孵化並非不可行，但周期更長、跨部門協同成本更高。併購的意義，並不是買到獨家技術，而是獲得一套已經在真實使用者中跑通的產品範式，從而節省數年的試錯時間。與此同時，入口形態也在發生變化。Meta長期的優勢在於分發，但AI時代的新入口未必表現為某個功能按鈕，而更可能是一種新的互動方式，即使用者把任務交給系統，在後台完成。如果AI Agent成為下一代工作與生活的默認入口，平台價值將被重新分配，Meta顯然不願在這一階段只充當流量提供者。組織層面的壓力同樣存在。當AI從研究走向產品，挑戰往往不在單點技術，而在端到端協同：模型、產品、工程、商業化、合規和安全需要同時推進。大型組織在這一階段反而容易被自身複雜性拖慢，而Manus這樣的團隊，已經在真實使用者中完成了一輪端到端交付的磨合，這類經驗很難通過內部指令快速複製。競爭敘事的變化，也在強化這種緊迫感。Google推出Gemini 3，更像一枚訊號彈：模型能力正在穩定提升並逐步可用，差異優勢正從“更強模型”下沉到“更快把能力變成結果”。交易體量進一步說明了Meta的判斷。Meta收購WhatsApp和ScaleAI幫助這家巨頭在移動網際網路時代完成了使用者結構躍遷，後者被視為其在AI基礎設施和資料能力上的關鍵補位。與這兩筆交易相比，Manus的特殊之處在於，它既不直接對應使用者規模擴張，也不直接對應底層技術突破，而位於兩者之間——應用層的執行與交付能力。這在某種程度上意味著，Meta此次併購的核心考量並非買下已經確定的回報，而是為正在形成的入口形態提前鎖定位置。這是一筆典型的“用時間定價”的交易：資本所購買的，是縮短學習曲線和產品落地周期的能力。併購完成後仍強調獨立營運，也並非姿態。對Meta來說，Manus最關鍵的資產不是程式碼，而是其產品節奏與工程習慣。一旦完全納入大公司流程，這種節奏反而最容易被稀釋。從壹伴算起，Manus團隊做工具已經接近十年。這些產品很少成為行業話題中心，卻反覆出現在使用者真實的工作流程中。它們的共同特徵並不複雜：穩定、可預期、能夠在出錯後繼續向前推進。AI的出現，並沒有改變這家公司想解決的問題，只是讓這些問題第一次有了更合適的技術條件。對Meta而言，這筆併購也不必被解讀為一次激進下注。在模型能力趨同、窗口期縮短的階段，用資本換取確定性，是一種典型的大公司策略。接下來真正值得觀察的，並不是Meta是否能把 Manus 整合進自身產品線，而是這種以“交付結果”為中心的產品節奏，能否在更大的平台體系和更複雜的組織結構中被長期保留下來。這也將決定Manus最終被記住的方式：是一次突然的併購，也是Meta在人工智慧時代重新理解“入口”的起點。 (財富FORTUNE)

打造最強智能體平台，最大雲巨頭狂堆猛料。智東西拉斯維加斯12月3日報導，在年度雲端運算盛會AWS re:Invent大會上，AWS Agentic AI副總裁Swami Sivasubramanian發表主題演講，詳細闡述為什麼是亞馬遜雲科技（AWS）建構和運行智能體的最佳選擇，並行布多項智能體（agent）開發新工具。Strands Agents SDK智能體框架新增對TypeScript和邊緣裝置的支援，讓智能體建構更輕鬆，並拓展至更廣泛的汽車、遊戲、機器人等邊緣領域。Amazon Bedrock AgentCore智能體平台推出多項創新：策略功能支援團隊為智能體的工具使用設定邊界，評估功能幫助團隊瞭解智能體在實際場景中的表現，情景記憶功能讓智能體能夠從經驗中學習並持續最佳化。Amazon Bedrock全託管AI平台新增強化微調功能，提供自動化微調能力；Amazon SageMaker AI平台新增模型定製功能，支援深度底層調整，簡化高效AI的建構流程。Amazon SageMaker HyperPod新增的無檢查點訓練功能則實現了大規模、低成本的訓練，整體目標是最大化客戶在生產環境中這些工作負載的價值和投資回報率（ROI）。此外，針對建構智能體可靠性的Amazon Nova Act服務，正式版全面可用，有助於實現智能體大規模生產部署。01. Strands Agents SDK新增兩大功能，支援TypeScript和邊緣裝置Strands Agents SDK是一款開源、模型驅動的AI智能體框架，提供模型驅動編排，自發佈以來下載量已達到529.9萬次。今日，亞馬遜雲科技宣佈兩項新功能：一是支援TypeScript（預覽版）。TypeScript是全球最受歡迎的程式語言之一，這將讓全端智能體應用的建構變得更加輕鬆。Strands Agents對TypeScript的核心特性提供全面支援，包括類型安全、async/await非同步語法，以及現代JavaScript/TypeScript程式設計範式。開發者可借助AWS CDK（雲開發工具包），全程使用TypeScript建構完整的智能體技術堆疊。二是支援邊緣裝置。客戶可通過Strands Agents SDK建構能在小型裝置上運行的自主式AI智能體，落地汽車、遊戲、機器人等領域的智能體應用場景，在現實世界中交付智能服務。02. Amazon Bedrock AgentCore新增策略、評估、情景記憶功能，助力下一代智能體開發將智能體引入生產困難重重，需要快速規模化部署智能體，記住過去互動和學習，識別和訪問所有智能體和工具的控制，掌握用於執行複雜工作流的智能體工具使用，最後觀察和偵錯問題。而複雜性會拖慢創新。如何幫助客戶大規模建構、部署安全的生產級智能體？這正是Amazon Bedrock AgentCore的核心價值所在。Amazon Bedrock AgentCore是一款專為安全、大規模建構和部署智能體而設計的智能體平台，相容各類框架和模型，於今年7月在AWS紐約峰會上首次發佈預覽版，隨後快速迭代，10月已正式全面可用。企業要將智能體從原型推向生產環境，需要一套安全、可靠、可擴展且適配智能體非確定性特性的專用基礎設施。智能體需要動態擴展的底層支撐，能支援長期運行的工作負載，並可即時、安全地儲存和檢索上下文資訊。然而，當前早期採用者需要投入大量資源從零建構這類基礎設施，過程耗時費力，嚴重拖慢開發周期。Amazon Bedrock AgentCore則通過提供全託管服務來解決這一挑戰。它包含一系列關鍵元件，提供了大規模運行生產級智能體所需的種種，包括：Runtime：無伺服器、安全且隔離的執行階段計算資源；Observability：可觀測性工具（開源且相容OpenTelemetry協議），幫助客戶瞭解智能體的運行狀態；Memory：記憶功能，讓智能體能夠長期與使用者互動，記住過往互動內容，從而建構智能、個性化的應用；Code Interpreter：程式碼直譯器，讓智能體能夠通過編寫程式碼訪問以往無法使用的工具；Gateway：閘道器功能，支援連接AWS內外系統；Managed Browser與Identity：網路使用權限和身份認證功能，明確智能體的身份及其代表的主體，這與治理和可觀測性密切相關。客戶既可以使用Amazon Bedrock Agent建構智能體，也可以結合任何開源智能體建構框架。目前該平台已獲得廣泛採用，迄今開發者下載量已超過200萬次。在此基礎上，Bedrock AgentCore新增兩項新功能：一是Policy in AgentCore，策略功能，為智能體的操作設定明確邊界。通過獨立於智能體程式碼的即時確定性控制，主動攔截未授權的智能體操作。企業只需用自然語言描述規則即可建立精細化策略，可以為智能體定義策略（可訪問的工具和資料、可執行的操作、適用條件等），比如“當報銷金額超過1000美元時，拒絕所有客戶的退款申請” 之類的策略。這些策略會在智能體執行前進行評估，確保智能體始終在設定的規則邊界內運行。二是AgentCore Evaluation，評估功能，幫助開發者基於智能體的行為持續檢測其質量，確保其行為符合預期。AgentCore評估功能無需管理複雜基礎設施，提供了13種預置評估器，覆蓋正確性、實用性、工具選擇精準性、安全性、目標達成率、上下文相關性等常見質量維度。開發者還可靈活使用自己偏好的大語言模型和提示詞，編寫自訂評估器。三是AgentCore Memory Episodic Functionality，情景記憶功能，自動保存互動過程中的關鍵事件和狀態，助力智能體從過往經驗中學習，提升決策水平。它包含短期記憶和長期記憶。短期記憶用於記錄當前的互動過程，幫助智能體瞭解與使用者或操作者的即時互動狀態；長期記憶用於追蹤長期的互動歷史。情景記憶則能在這些記憶基礎上，疊加特定互動場景的上下文資訊，讓智能體能夠給出更智能的建議。舉個實際例子：假設有一個預訂智能體，你第一次使用時，它為你預訂了車輛，並預留了45分鐘的趕航班時間，但你當時因照顧家人和孩子而錯過了航班，不得不重新預訂。借助情景記憶，系統會記錄下這次互動經歷。當你6個月後再次預訂航班時，智能體將記得你需要更多的準備時間，會自動為你預留2小時的車輛預訂窗口，而非45分鐘。這一功能已深度整合到AgentCore中。這些功能的核心目標，都是加速智能體從想法到大規模生產落地的處理程序。03. Amazon Bedrock與SageMaker AI新功能：簡化模型定製流程，建構更快速高效的智能體隨著智能體應用的普及和生產環境中模型規模的擴大，效率已成為客戶必須關注的核心問題。企業客戶在使用現成模型時面臨一種挑戰：這些模型功能強大，但往往未針對效率和規模進行最佳化，最終導致不必要的成本支出、響應速度變慢以及資源浪費。而效率並不僅僅關乎成本，它涉及多個關鍵因素：延遲（智能體能否快速響應，實現即時互動）、擴展性（能否應對預期的高負載）、敏捷性（能否根據應用演進和客戶互動快速迭代調整）。解決這一問題的關鍵在於定製化：通過定製小型專用模型，處理智能體最常執行的工作，以更低成本實現更快、更精準的響應。但在此之前，強化學習等先進定製技術需要深厚的機器學習專業知識、龐大的基礎設施支援，且開發周期長達數月。對此，亞馬遜雲科技宣佈Amazon Bedrock與Amazon SageMaker AI推出全新功能，以便開發者運用先進的模型定製技術。1、Reinforcement Fine-tuning in Amazon Bedrock：強化微調，提升模型精準率亞馬遜雲科技宣佈Amazon Bedrock的一項新的強化微調功能——Reinforcement Fine-Tuning（RFT）。該功能簡化了模型定製流程，核心目標是讓客戶無需具備深厚的機器學習和AI模型開發專業知識，就能輕鬆提升模型精準率。其相比基礎模型平均可提升66%的精準率，幫助客戶無需依賴龐大昂貴的模型，而是通過更小、更快、更具成本效益的模型，獲得更優結果。操作流程很簡便：開發者選擇基礎模型，指定呼叫日誌或上傳資料集，選擇獎勵函數，然後Amazon Bedrock中的自動化工作流會全程處理微調流程，以最大化獎勵函數的結果。如此一來，客戶無需專業知識，就能獲得更貼合自身需求的定製化模型。發佈初期，Amazon Bedrock強化微調功能將支援Amazon Nova 2 Lite模型，後續將逐步相容更多模型。2、Model Customization in Amazon SageMaker AI：模型速度更快、成本更低、精準率更高還有一類客戶是領域專家，希望對AI工作流擁有更多控制權。雖然Amazon Bedrock的強化微調功能非常便捷，但部分客戶希望深入底層進行自訂調整，因此亞馬遜雲科技在用於大規模訓練和定製模型的平台SageMaker AI中新增了Model Customization深度模型定製功能。SageMaker AI自2017年推出以來，一直是客戶進行AI和機器學習模型開發的核心平台。為了滿足客戶的深度定製需求，亞馬遜雲科技讓這一過程在SageMaker中變得更加簡單：客戶無需管理基礎設施，可為其生成合成資料，助力提升應用效果。亞馬遜雲科技提供了兩種體驗模式：一是智能體驅動模式（預覽版）：通過智能體引導開發者完成模型定製流程。客戶用自然語言描述需求後，智能體將全程引導完成定製流程，從生成合成資料到模型評估無一不包。二是自主引導模式：適合喜歡自主操作、希望獲得精細化控制和靈活性的開發者。這種模式無需管理基礎設施，同時提供合適的工具供開發者選擇定製技術，並能調整相關參數。通過這兩種模式，開發者都能運用先進的定製技術，包括基於AI反饋的強化學習、帶可驗證獎勵的強化學習、監督式微調及直接偏好最佳化。SageMaker AI新增功能將支援Amazon Nova以及Llama、Qwen、DeepSeek、gpt-oss等熱門開源模型。亞馬遜雲科技希望通過多樣化的介面，為專業客戶提供所需的全部功能、控制權和靈活性，讓客戶能夠定製模型，以最低成本獲得最佳性能，並根據自身專業水平和偏好的工作模式提供適配的解決方案。04. SageMaker HyperPod無檢查點訓練：數分鐘內從模型訓練故障中恢復在與客戶合作進行模型定製和訓練的過程中，亞馬遜雲科技意識到仍有改進空間，模型訓練成本高昂且流程繁瑣。通常，客戶需要運行大型GPU叢集，這些叢集執行階段成本不菲，閒置或故障時損失更大，無法開展有效工作。為解決這一問題，亞馬遜雲科技開發了Amazon SageMaker HyperPod。它是SageMaker中的託管訓練功能，是目前大規模模型訓練成本最低的方案之一， 能最大化叢集執行階段間，讓客戶在進行訓練和定製任務時，充分發揮叢集的價值。Amazon SageMaker HyperPod簡化了模型訓練與部署的基礎設施管理，最高可降低40%成本。當訓練規模擴展至數百或數千個加速器時，可能會出現硬體或軟體故障等問題。傳統基於檢查點的恢復方式耗時最長可達1小時，不僅成本高昂、佔用儲存資源，還會導致價值數百萬美元的計算叢集在恢復期間處於閒置狀態。對此，亞馬遜雲科技宣佈SageMaker HyperPod推出Checkpointless Training無檢查點訓練功能。該功能無需人工干預，即可在數分鐘內自動從基礎設施故障中恢復，使包含成千上萬張AI加速器的叢集訓練效率最高可達95%。對於大型長期運行的任務，重啟和重跑極其痛苦。而無檢查點訓練徹底改變了這一模式：系統自動記錄所有操作，若發生故障，可在幾分鐘內快速恢復，客戶能迅速繼續工作。當故障發生時，系統會自動替換故障元件，並通過從鄰近正常加速器進行模型和最佳化器狀態的點對點傳輸來恢復訓練。這一機制大幅縮短了停機時間。這不僅降低了整體營運成本，還能讓客戶更快地將定製模型部署到生產環境。它真正實現了，無論客戶需要多大的規模，都能以簡單、經濟、可靠的方式完成訓練。05. Amazon Nova Act正式發佈：建構可靠智能體，實現UI工作流程自動化當智能體應用和這些工作流部署運行後，可靠性就成為了核心要求。每個企業都有希望自動化的流程，但他們需要的，是可預測、可靠、可規模化的自動化，而這一點靠企業自身很難實現。為了簡化這一過程，亞馬遜雲科技建構了一套端到端服務Amazon Nova Act，幫助開發者建構、部署和管理大量可靠的智能體，實現生產環境使用者介面（UI）工作流程的自動化。企業使用智能體進行自動化時，通常都是針對螢幕和介面的自動化操作，而Amazon Nova Act的設計初衷就是讓這類開發更簡單，同時保障可靠性和規模化部署能力。今年早些時候，亞馬遜雲科技發佈了Amazon Nova Act研究預覽版。為了將智能體投入生產環境，亞馬遜建構了一個完全整合的解決方案，用於實現可用於生產環境的可靠瀏覽器自動化。今日，Amazon Nova Act正式版即日起全面可用。該服務與Amazon Nova、Bedrock和AgentCore深度整合，讓客戶能夠輕鬆建構可靠的智能體。它能夠大規模地提供超過90%的任務可靠性，同時與其他AI框架相比，還能更快實現價值，並簡化部署過程。客戶可在自己選擇的任何開發環境中建構這些應用，系統支援部署大量平行的UI智能體，這些智能體依託模型，具備高可靠性。Amazon Nova Act基於定製的Amazon Nova 2 Lite模型，能夠出色地驅動瀏覽器、支援API呼叫，並在必要時將問題升級至人工處理。該服務具備Web質量保證（QA）測試、資料錄入、資料提取和結帳流程等核心功能。如今大多數模型都是獨立訓練的，與執行任務的協調器和執行器分離，這降低了可靠性。Amazon Nova Act採用不同的方法，利用強化學習，讓智能體在模擬真實世界使用者介面的定製合成環境（Web Gym）中運行。這種模型、協調器、工具和SDK的垂直整合，以及所有元件的同步訓練，實現了規模化下更高的任務完成率。最終得到的智能體系統不僅偶爾有效，而且能夠大規模可靠運行，並具備推理和適應變化的能力。Amazon Nova Act將適配客戶使用的各種整合開發環境（IDE）。它是一套可擴展的框架，完全適配客戶的開發習慣，同時讓客戶能夠輕鬆實現大規模生產部署。其核心適用場景是任何需要自動化UI的場景。它包含一個動作模型，亞馬遜雲科技還針對該模型開發了大量SDK和工作流，用於操控UI。06. 結語：建構智能體的最佳平台，亞馬遜雲科技志在必得亞馬遜雲科技堅信生成式AI是人們正在經歷的關鍵變革之一，將助力客戶實現業務轉型，並在未來數月、數年內普及開來。當前，這家雲巨頭致力於成為客戶建構智能體、實現業務自動化的最佳平台，不僅讓開發過程更簡單，還提供了安全、高彈性的基礎架構，保障營運的領先性和世界級的基礎設施，讓客戶能夠按需定製所使用的基礎設施和技術堆疊，從而獲得理想的結果。其平台提供了豐富的AI功能，內建負責任的AI機制，擁有支撐這些技術在現實世界發揮作用所需的資料資源，還依託全球最大的合作夥伴網路，使其客戶可通過市場輕鬆獲取各類智能體。而亞馬遜雲科技會處理好各種底層複雜工作，助力企業及開發者通過生成式AI應用實現業務變革。 (智東西)

最近，微軟CEO納德拉與Stripe聯合創始人約翰·科里森（John Collison）進行了一次對話。本次對話深入探討了AI時代的範式變革、技術架構與企業戰略。核心要點如下：1、建構企業AI護城河與隱性知識主權。納德拉認為，企業應建構自己的“AI工廠”，核心是利用 Microsoft 365 Graph（知識圖譜）將企業內部的非結構化資料（郵件、文件、會議）語義化，釋放長久以來丟失的隱性知識。在AI時代，真正的公司主權在於擁有捕獲自身隱性知識的模型微調層（LoRA），這是新的競爭優勢。2、智能體（Agent）架構與未來軟體形態。智能體要實現持續學習，必須將記憶、權限體系和行動空間這三大基石置於模型之外，並與模型深度結合。未來的軟體將是跨工作流的，核心UI（如表格、收件箱）將保持不變，但工作將由大量平行Agent在後台驅動，新一代IDE或收件箱將成為管理這些Agent的“抬頭顯示器”（HUD）。3、歷史教訓與範式轉變。微軟從錯過網際網路浪潮中吸取教訓：認清技術範式後，關鍵在於找到新的“組織層”（如搜尋引擎、應用程式商店，現在是聊天機器人）和正確的商業模式。同時，不能高估競爭的“零和”性質，必須堅持模組化和開放性（如Azure支援Linux），以最大化市場。4、AI基礎設施與文化。當前AI發展的最大瓶頸是“熱機房”（電力、土地等供應），而非需求不足。在企業文化上，CEO必須通過與客戶溝通保持“親民”，並堅持“成長型心態”，學習創始人基因，即始終關注開發者和創業公司，以保持技術平台的相關性。01. 與其羨慕別人不如建構自己的護城河1. 知識圖譜，將是“殺手級”應用對微軟來說，要確保AI真正“滲透”到企業內部。不是讓大家去仰望別人家的AI工廠或 AI Agent，而是思考“如何建構屬於你自己的AI 工廠”。其中最複雜的部分是組織企業內部的資料層，這需要跨越整個企業體系，並讓資料能夠與智能層真正對接。我想這會是我們重點推進的方向。我們要做的最大一件事建立了圖譜，把那張隱藏在企業最重要資料庫之下的關係圖釋放出來。那些資料庫就是包括你的郵件、文件、Teams會議等等背後的系統。所有人都不是臨時、無結構地工作，而是在圍繞某個業務事件進行協同。這將是一種“殺手級應用”，以前，語義關係一直都只存在在人腦裡，也一直都丟失掉了，而現在你第一次可以真正呼叫起來。當然，這一切其實剛剛開始。和我們以往推出 Office 套件相比，這次算是歷史上“最快”的一次變革。但歸根結底，這屬於“變革管理”。你得真正把它部署進去，人們得真正用起來。而且在企業環境中，一切還必須滿足審計要求，資料治理要能跑通。這是很大的工程，但我們現在終於開始看到加速的跡象。另一點是：讓它在Microsoft 365 Graph（圖譜）內部工作是一回事，那 ERP 系統怎麼辦？現在的連接器“能用但很弱”，就像一根細吸管。你需要的是一個更好的資料架構，把所有東西語義化嵌入在同一個層裡。如果我沒記錯的話，Bill（比爾·蓋茲）90 年代就提出了“information at your fingertips（資訊觸手可及）”。他一直非常執念。我記得很清楚，我那時還只是個新人，他說過一句話：“軟體只分一個類別：資訊管理。你只需要結構化人、地點和事物，就夠了。”他討厭檔案系統，因為它不結構化。若所有東西都是SQL資料庫，那他就能寫 SQL 來處理所有資訊，那才是優雅的解決方案。問題是人是混亂的。即便資料結構化了，它也不可能真的給你一個統一的索引或 SQL 查詢把所有內容都調出來。這就是過去時代最大的挑戰。我們以前從來沒想過，最後解決這個問題的不是某種極複雜的資料模型，而是一個規模巨大的深度神經網路，靠算力堆出的參數的“捕捉模式”。2. agent的三大基石模型有兩個關鍵——“上下文學習”和“持續學習”。如果你把模型的認知能力和知識分離，那麼從本質上，你就得到了一個持續學習的架構：演算法是獨立的，知識可以被更新。不過模型執行階段，有三樣關鍵東西必須放在模型之外：記憶：包括短期、長期，以及人類擅長的長期信用分配。權限體系：模型必須遵守角色權限、訪問規則。行動空間：模型可執行的操作必須被系統定義。這三個就是“環境”。如果模型擁有行動、權限管理和記憶，就能持續學習。而這些都必須在模型之外、但又與模型深度結合。例如， Copilot 今天用的是 OpenAI 模型，也能用 Claude，系統必須讓它們都能工作。我認為下一階段的突破就在這裡。3. 微軟的AI技術堆疊微軟的AI佈局分為三層：第一層：基礎設施業務（token 工廠）。我們必須極其擅長打造“token工廠”，也就是以最低的“成本/能耗”生產最多的 token。第二層：智能體工廠（agent 工廠）。與 token 工廠不同，agent 工廠的目標是用token 驅動真實業務價值或消費者價值。這就像新的應用伺服器（App Server），是 AI 時代的新“應用層”。第三層：AI 系統（Copilot 家族）。包括資訊工作（Office）、軟體開發（GitHub Copilot）、安全（Security）這是三個水平層。除此之外，我們在業務應用上也深度投入到醫療與科學領域。02. 微軟的歷史教訓範式正確不代表一定會贏1. 差點錯過網際網路浪潮1994 年，我住在微軟園區旁邊的公寓，那裡聚集了一大幫天才，我們卻錯過了網際網路。作為當年一個新人，回看那段歷史，我的感覺是：我們其實理解網際網路，但又不完全理解。比如我們不相信TCP/IP 能成，我們覺得必須有服務質量保證，所以建構的是資訊高速公路。MSN 最早還是X.25 網路，因為我們在和AOL的撥號上網競爭。但 Bill在 95 年果斷轉向了。就在 Windows 95 推出時，他說：“一切都會改變。”所以大概93–95年之間，技術堆疊到底會不會是開放網際網路，還不清楚，但 Mosaic 瀏覽器出來之後，一切變得清晰，然後微軟全面轉向。還有另外一個教訓。我一直關注的一件有趣事情是——我認為這可以遷移到 AI 上：首先你得把“範式”認清楚。但即使你認清了範式，也不意味著你能找到那個殺手級應用，甚至不意味著你能找到正確的商業模式。歷史上一直如此。比如網際網路，誰能想到在開放 Web上，一個具有網路效應的搜尋引擎竟然會成為“組織層”？我常說，根本不存在所謂的“開放網頁”，只有“Google的網頁”，因為Google徹底統治了它。回頭看很有意思：AOL和MSN輸給了開放Web，大概可以這麼說。但它們又被新的 AOL 和 MSN 形式替代了：它們叫搜尋引擎、叫應用程式商店。移動 Web 就是一個非常迷人的例子。對我來說，更深刻的觀察是：即使在開放生態中，“組織層”仍會不斷出現，而大量的品類力量會流向這個組織層。只是每一次這個組織層是什麼都不確定，上一代是搜尋引擎，今天是聊天機器人。它能持續多久？沒人知道，但今天它毋庸置疑存在。ChatGPT 的成功不可否認，它已經成為一種新的聚合點。搜尋引擎、應用程式商店也曾經是組織層。那麼下一步是什麼？在“智能體市場”或“智能體電商”中，電商又會變成什麼？這些都是未來要討論的問題。2. 做“顯然該做的事”遠遠不夠2000年，我們成為了市值最大的公司，超過了GE。我記得那個時刻。回頭看，即便拋開金融周期，當時的長期趨勢非常明確：網際網路會成為主導。因為那個時候商業模式已經開始出現。對微軟來說，當時最大的教訓是：天啊，連我們的第一反應（做瀏覽器、做 Web 伺服器、把網際網路協議塞進所有產品、用 FrontPage 做網站建構器……）這些“顯然該做的事情”都不夠。我們意識到不能只做顯然的事情，我們必須重新發明自己正在做的東西，同時理解新的商業模式。從某種意義上講，那輪泡沫周期確實像是從天而降，由某種非理性繁榮驅動的。但當泡沫破滅時，它也確實洗掉了一堆糟粕。但真正好的點子都活了下來。現在我看這次浪潮，有兩個特點：一是基礎設施這次是“立刻就需要”的，不像以前那樣——你建好一條暗光纖，還得等某家公司十億使用者才能把它點亮。說實話，這一次我們是落後的一方。我們不是坐在那裡說“我 GPU 都架好了但沒有人用”。完全不是。我只希望更高的利用率……但我沒有“資源空著沒人用”的問題。恰恰相反：我必須趕緊拿到更多的供應。而且不可能做到供應鏈完全匹配需求，因為這次建設周期很長。長周期部分包括：土地批准、電力批准、站點位置……我們現在甚至需要給華爾街解釋：這些資產，有的使用周期20年，有的4–5 年。你必須用不同思路做決策。一個冷機房空在那裡根本沒什麼——就像一個公司有五座空樓，不會成為資產負擔。所以，現在最大的瓶頸就是“熱機房”，能接上電、馬上裝機、馬上點亮。如果我沒有足夠多已經通電的機房，我就無法把機架推進去、裝機、投入營運。3. 高估競爭的“零和”我們經常高估了競爭是“零和”的。你需要很敏銳地判斷那些生意天然是“多玩家”。例如云：當年Azure啟動時，大家都說AWS已經太領先，第二名沒有空間了。但我從與 Oracle 和 IBM 競爭的經驗中知道：企業永遠不會只要一家雲。所以我們堅持做 Azure。如果你“捆綁過度”，反而會縮小市場。例如Azure 原來叫Windows Azure，問題巨大，因為雲不可能只支援 Windows。我們必須把 Linux 當作頭等公民，把 MySQL、Postgres 當頭等公民，這是贏下 TAM 的必要條件。我對模組化的原則是：什麼配置能最大化市場？什麼能真正滿足客戶？什麼能保持競爭力？我們必須先贏下來，至於未來他們是否願意遷移，那是另一回事。Outlook把郵件、日曆、聯絡人整合在一起，Teams則是把聊天、頻道、視訊等功能組合成一個“工作空間”。這類集束本身就是一種產品形態，但你仍然需要在底層保持足夠的原子化能力：確保模組化不會犧牲競爭力。如果你做了一個“超級雲”，但只能跑 Windows 和 SQL，那只能佔市場的一小塊而已。AI 堆疊也是一樣，我希望基礎設施、應用伺服器、應用層，三個層次都能獨立站得住。使用者可以從任意一層進入。03. 對未來的思考1. 未來的軟體是跨工作流的從某種意義上說，表格這種東西……我覺得它體現了“列表與表格的力量”。它和軟體的可塑性結合在一起，才成為一個完美的存在。我們可能會加很多花裡胡哨的功能，但它的核心不會變。電子表格也是一樣，我們從來沒有給它足夠的重視。其實你可以認為它是全世界最容易上手的程式設計環境，甚至在“不知道自己在程式設計”的情況下就開始用了。這是它的另一重美妙之處。反過來看，現在的AI，我們依然把它“神秘化”得太厲害。你我都討論過：天啊，我們需要變革管理、組織重構等等……但當年電子表格剛出現時，沒有人說“需要變革管理”。大家直接用就完了。我們現在處在一個類似的時代，即將出現新的“工作產物與工作流程”，從底層重塑、重新發明。某種程度上，我們已經能生成所有程式碼，所以也就能生成更定製化的 UI 框架。實際上我們過去就在討論：文件、網站、應用之間到底有什麼本質區別？都是不同形式的表達而已。同樣有趣的是，雖然大家說“應用會消失”，但看看我們的老朋友 Excel 和 VS Code——它們其實又回來了。因為 AI 會生成內容，而我需要理解和編輯這些內容。我需要一個優秀的編輯器，能夠讓我對AI生成的結果做 diff、做迭代。因此，IDE 會迎來全新的一代，它們會與智能層有遙測循環，同時像“抬頭顯示器”（HUD）一樣，幫助我管理數千個平行的 agent。我得理解它們的工作，並對其進行“微調度”。這就是未來 IDE、收件箱、消息工具的樣子。我在思考：未來我們如何與大量 agent 協作？我會發佈大量指令，agents 會執行數小時甚至數天，然後不斷回報進度。我又如何在有上下文的情況下進行微調？絕不能是今天這種“通知地獄”——給我 5 個字，我完全不知道上下文。未來的軟體必須是跨應用、跨工作流的。最終，大多數軟體在成熟後都會變成：一個 inbox（收件箱）、一個消息工具、一個畫布，螢幕上不斷閃爍結果，但大量工作已在後台完成。我認為仍然是少數幾個。甚至從“極簡主義”的角度看，可能還是那幾個，只是它們執行的任務變了。比如說：人類喜歡表格、喜歡線性的文件、喜歡 inbox / messaging，這些 UI 其實是經過驗證的。2. 智能體電商我們一直以來都有一個想法：什麼樣的“基礎設施”對商家最友好？什麼樣對消費者最友好？有沒有一種完美匹配？“對話式電商”大家談了很多年，而現在靠你們與其他團隊的工作，我們真的能把商家、使用者，通過一個智能體式的體驗連在一起。當然現在還很早，必須做得“有品位”、能贏得使用者信任。但我真的非常激動。我經常在各個平台上找東西。亞馬遜、沃爾瑪等等的站內搜尋真的不太行。但聊天式體驗真的太好用了。而且關鍵是，它會回到商家的商品目錄。目錄依然是王，但如果我能把“目錄 + 支付”結合起來，那體驗就完全無縫了。目前，“關鍵詞搜尋”是最合理的找東西方式，本質上是一個“定製化商品目錄”。它的結果不像搜尋引擎結果頁那樣機械。現在有一個巨大問題：目錄質量參差不齊，缺少可推理的資料結構。解決這個問題之後，每一個商品都能找到屬於它的搜尋請求。那對每個商家來說，怎樣才能以最低摩擦接入“智能體工作流”？最終每個商家可能都會說：“我有商品目錄，我有支付系統。請幫我以最簡便的方式接入所有智能體。”“通用介面”的方式正在流行，讓他們點一個按鈕就能啟用“智能體電商”，而不是跑去自己搭MCP伺服器。而誰把這件事做得“優雅、有品位”，誰就贏得未來。在智能體世界裡，這些流程可以完全打通，不再像今天這樣處處是縫。3. 重新定義“公司主權”：隱性知識的權重化所有國家與政策制定者都非常關注資料主權的話題，也確實有合理原因。但在 AI 時代，我對“主權”的看法有些變化了。真正的主權問題其實是：公司的未來是什麼？按照科斯定理的邏輯，如果模型是那個掌握所有知識的東西，那為什麼組織內部還需要存在？組織存在是因為內部交易成本更低、存在“隱性知識”。但如果模型知道一切，這會被徹底顛覆。所以我現在認為：未來核心主權，是企業對其自身模型的主權，不是別人家的基礎模型，而是你的公司是否擁有一個屬於自己的基礎模型，它能夠吸收你的隱性知識，使組織內部知識的積累與擴散成本更低。這就是未來意義上的“主權”。我最關心的是“隱性知識到底存在於那裡”。它顯然存在於人腦中，是通過時間積累的 know-how。但它也會以權重的形式存在於某些屬於你的 LoRA（模型微調層） 層中。未來的智慧財產權，不僅是員工和檔案，還有一些“嵌在模型裡的東西”。但你怎樣保護這些能力不會“洩漏”回基礎模型？我認為未來公司形態是這樣的：基礎模型提供通用能力，而公司自己通過多個模型、記憶、工具呼叫、獨特的資料，建構出屬於自己的“智能層”。4. 打造模型選擇器在消費產品領域，這是我們第一次看到：當你切換模型時，變化並不一致，而且每個人受到的影響都不一樣。人格、風格等等，會成為全新的維度。從另一個角度看，這說明：AI 模型的差異化不止IQ，還有EQ，還有風格偏好等維度。但從長期來看，我認為關鍵是模型必須持續提升，尤其是在最難、最高價值的任務上。然後你要不斷根據任務進行最佳化。對我們這種產品建構者而言，我的目標是讓最強的模型上線，但真正投入生產的，會是一組“多模型陣列”。我最終希望有一個“模型選擇器”。你需要建構一組模型，中間由 agent 來協調，根據使用者偏好和任務來決定使用什麼。它要足夠智能，能夠知道這個任務需要多少算力、需要那種智能——如同GitHub裡的Auto功能。我們都很難改變自己的默認設定，這就是為什麼“預設值”如此重要。甚至連模型選擇介面，如果你拿掉，人們都會不滿。但從長期來看，如果我能信任某個系統，它每次幫我選模型時都能做出“令人愉悅的選擇”，我就會把選擇權交出去。04. 微軟的企業文化1. 最親民的工作方式，是與客戶保持溝通我日常工作的核心其實有兩個部分：首先，是與客戶相關的事情。基本上沒有那一天我不跟客戶開會，這是讓我保持“親民”的最好方式。然後，就是大量的會議。作為 CEO，我逐漸意識到，其實會議分兩種：一種是我只需要召集大家，然後閉上嘴，不要表現過度，因為召集本身就是這次會議最重要的事。所有的工作要麼已經在會前完成了，要麼會在會後繼續。而另一類會議則很重要，我必須學習、必須做決策、或者必須傳達某些重要內容。然後我必須說，我花大量時間在Teams的頻道里“閒逛”，這對我幫助最大。我從那裡學到的最多，認識的人也最多。最棒的就是，我能在裡面建立最多聯絡。我能知道：“哇，他原來是做Excel Agent的人；哦，那是他們在看的評估結果。”我從裡面學到的東西比別的任何方式都多。其實我覺得我們權限體系太嚴格了，我希望自己能有更多存取權。事實上，我最大的抱怨就是我不能隨便進入所有地方。但能偶爾進去看看確實很有趣，而且它讓一切變得更“正常化”。而且今天的員工可不羞於表達意見。2. 創始人是一家公司最強基因我一直都有一種“開發者關係/技術布道”的基因，微軟文化裡本身也有這個傳統。我對事情的看法一直是：如果你不跟著開發者走，你就很難保持技術平台的相關性；而如果你不瞭解新的工作負載，你也建不好技術平台。這兩件事深深刻在我腦子裡。所以如果你不關注創業公司，你就很難真正理解平台和工作負載的變化。這一直是我非常在意的。還有一點：我可以從中獲得巨大的能量。我一直覺得創始人是能“從無到有”創造東西的魔法師。這簡直像魔術。所以我一直好奇，他們到底是怎麼做到的？例如，我從Stripe學到的最重要的一件事，就是重新發現微軟當年的優勢：跟著開發者、跟著創業公司走。這也是我後來推動 GitHub、NAT 等等的原因之一。GitHub 不只是一個戰略資產，它是整個開源生態的核心，而且每家創業公司的程式碼倉庫都在那裡。我覺得必須參與那條“循環”，不僅是為了戰略地位，而是為了學習、為了建構更好的產品。否則，你很容易丟失那種“低摩擦、快速獲得價值”的產品美學，而創業公司對耐心最少、對效率要求最高。創始人很特殊的一個群體。因為他們從零開始一起成長，這種工作記憶和直覺是獨一無二的。作為繼任CEO，你不可能完全複製創始人的方式。我1992年加入微軟，沒經歷八十年代早期，所以有些認知只能創始人CEO才能把握。所以我認為，要尊重創始人獨特能力，創始人也要尊重繼任者，知道他們不能完全照搬自己做法。這就是所謂的“創始人模式”與繼任CEO模式的微妙差別：你可以部分沿用創始人的模式，但不能把自己當作創始人。3. 文化是團隊塑造的我想，微軟應該追回八十年代的那些精神。八十年代，微軟的願景是“軟體工廠”，不是某個單一平台。九十年代微軟太龐大了，我們的產品自然傾向於繫結。我在上任時意識到：我們沒有移動平台，如果不擁抱更開放的市場，我們就會失去自身的重要性。幸運的是，“把軟體帶到所有平台”本來就是微軟的DNA，不是我憑空指令。我從“部門互相拿槍指著彼此”的著名漫畫中學到兩點。首先，我是微軟的“老內部人”，過去三十多年公司的好壞我都經歷過。那張漫畫反映的問題之一是：我們失去了自己的敘事權，讓別人來替我們定義文化。這就是社交媒體時代的風險。當然，組織間確實有真實的張力，那是必要的，不是壞事。目標不是“內部和諧”，而是“贏得市場”，有時候甚至需要刻意設定兩個競爭團隊。領導者的挑戰是：在一個員工從外界獲得絕大部分資訊的時代，如何讓組織堅持自己的內在力量，而不被綁架？另一個文化誤解是，很多人認為權力高度集中在上層。事實上權力是分散的，文化是“微文化”的集合。我之所以能在微軟一直待下去，是因為我幸運地加入了那些“讓人能成長的團隊”。所以作為CEO，我的任務是：需要提供一個一致的敘事（如“成長型心態”），讓每個團隊能塑造自己的正向文化，不讓社交媒體標籤決定公司是誰，這才是文化真正的關鍵。當你接手創始人建立的公司時，Steve 和 Bill 打下了基礎，Paul 和 Bill 擴大了公司，我算是第一批“非創始人CEO”。我很快意識到：你需要一支團隊。不僅是管理範圍的問題，還包括清楚CEO自己需要做什麼；那些業務需要CEO 來綜合判斷；為文化設定標準；建立績效文化。你不能只關注長期，也不能只關注短期，你必須兩者兼顧。但核心是把只有你能做的四五件關鍵事抓好，然後打造團隊。即便在500人的公司，這也是必須做的，只不過在小公司你還能把細節記在腦子裡。 (藍血研究)

隨著人工智慧技術的指數級躍遷，關於技術替代人類的焦慮在全球範圍內擴散。然而，麥肯錫全球研究院（MGI）於2025年11月發佈的重磅報告《智能體、機器人與我們：AI時代的技能協作》（特工、機器人和我們：AI時代的技能夥伴關係）），為防疫技術變革提供了極為緊張和具建設性的視角。長達 60 頁的研究報告簡單重複“機器換人”的陳詞濫調，但卻提出了一個核心論斷：未來的工作範式將是人類、AI 智能體（智能體）與機器人（機器人）三者之間的深度協作。報告指出，這種價值協作的重構，非巧妙的自動化替代方案，才是解鎖巨大經濟的關鍵。根據麥肯錫的預測，到2030年，在自動化採用的中點情景下，僅在美國，通過密集工作流程實現的人機協作每年可以釋放約2.9兆美元的經濟價值。這個數字不僅揭示了技術紅利的規模，更預示著勞動力市場即將經歷一場從“任務執行”到“系統編排”的深刻轉變。自動化邊界的拓展與七大職業原型麥肯錫在報告中將自動化技術的主體訊號劃分為兩類：執行任務的“智能體”和處理邏輯任務的“機器人”。隨著大模型推理能力的提升和多模態技術的發展，這兩類技術的邊界正在迅速拓展。報告中通過嚴謹的模型測算資料，現有的技術能力理論上已經可以實現自動化當前美國約57%的工作時長。但並未著手於57%的工作陣地將消失。麥肯錫的研究團隊強調，這是一個關於工作內容“重組”的過程。根據對約800種職業的深入分析，報告建構了七種全新的工作原型，描述以未來勞動力的構成形態。此類工作約佔美國當前就業崗位的34%，包括註冊護士、操作員和消防員等。由於這些角色高度依賴複雜的社交情感技能或非結構化的物理互動，當前技術難以有效介入，因此此類工作的核心仍將由人類主導。另一端是“以智能體為中心”（Agent-centric）的職業，約佔勞動力的30%，典型代表如會計師、軟體開發人員和律師。這些職位涉及大量的資訊處理和邏輯推理，智能體在這些領域表現出的效率已逐漸超越人類，未來這些角色的工作重心則將大幅向機器定位、人類退居監督和校驗的位置。間歇之間是更為複雜的混合形態，如“人-智能體”協作型（People-agent），頂尖教師、工程師和金融專家；以及極少數的“人-智能體-機器人”全要素協作型。這種分類打破了傳統藍領與白領的二元對立，揭示了一個更為精細的未來圖景：在稀疏職業中，人類都不會離場，必須但學會與非人類的“協作”共處。值得注意的是，物理機器人在製造和物流領域取得了長足的進步，但報告顯示，涉及精細運動技能和非調理環境的物理工作（佔美國工作時長的35%）在短期內仍難以完全自動化。儘管這解釋了為什麼一些低技能的服務性工作（如護理助理、廚師）反而比某些高薪白領工作更能抗自動化。技能變移指數：從單一專長到AI流利度為了確定技術對具體技能的衝擊，麥肯錫開發了“技能變化遷移指數”（Skill Change Index，SCI）。該指數基於對數百萬份招聘啟事和工作任務的分析，揭示了一個反直覺的現象：在未來五年內，受自動化影響最大的往往是那些高度專業化、規則明確的硬技能，而最“安全”的那些紮根於人性的軟技能。報告顯示，數字技能和資訊處理技能位於變革指數中位列榜首。例如，程式語言（如SQL）和會計流程等技能正面臨極高的自動化風險。相比之下，指數底部的技能——如輔導、談判、領導力和客戶關係——普遍對意識形態和同理心的高度依賴，不僅難以被替代，其價值反而會在人機衝突中凸顯。這一趨勢直接導致了勞動力市場需求的脈搏。根據麥肯錫對2023年至2025年間美國招聘資料的追蹤，僱主對“AI流利度”（AI流暢度）的需求激增近七倍，從而成為增長最快的技能類別。AI流利度又指編寫程式碼的道德能力，更關鍵的是指利用AI工具進行日常工作、管理團隊以及理解AI混合與監管的能力。同時，傳統的“基礎技術知識”和“常規寫作研究”技能的需求提及率正在下降。並不意味著這些技能不再重要，而是它們的使用方式發生了根本性轉變。報告分析指出，約72%的現有技能既可用於自動化工作，也可用於非自動化工作。以“寫作”為例，未來的寫作不再是從零開發，而是更多地繼承對AI生成內容的提示工程、編輯潤色和加密邏輯。這種轉變管理者和教育機構重新思考人才培養的邏輯。未來的職場精英不再掌握單一領域深知識的專家，而是能夠指揮智能體團隊針對、跨越學科邊界解決複雜問題的“編排者”（Orchestrator）。管理者的角色也指揮員工考勤和任務進度，轉向設計工作流程、AI模型訓練以及機器處理解決的異常情況。工作流高峰：釋放兆級價值的真正機會麥肯錫報告的一個核心洞見提出，它只指出了當前企業在AI應用上的主要誤區：過分關注單個任務（Task）的自動化，而關注整個工作流程（Workflow）的各個流程。報告認為，在現有流程中插入AI工具（例如給員工配備一個聊天機器人）帶來邊際間的提升，真正的生產力飛躍來自於圍繞人、智能體機器人和重新設計業務。報告分析了美國經濟中的190個關鍵業務工作流程，發現約60%的潛在經濟價值集中在行業的特定垂直領域。在製造業，這意味著供應鏈管理的標準化；在醫療領域，是臨床診斷與病人護理流程的重構；在金融業，這意味著合規與風險管理的自動化閉環。通過詳實的這種案例研究，報告了瘧疾展示了“地下室”的實際形態。以一家全球生物製藥公司為例，傳統的臨床研究報告撰寫的是一個運行數周的人力密集型過程。通過引入生成式AI平台工作，該公司重構了這一流程：AI智能體負責從海量非結構化資料中合成草稿、應用合規範本並進行了初步糾錯；醫學作家的角色則從繁重的撰寫轉變為對AI的臨床判斷、邏輯驗證和最終把關。結果顯示，該流程使初稿的人工接觸時間減少了近60%，錯誤率降低了50%，顯著加速了新藥上市的處理程序。類似的變革也發生在銀行業的程式碼遷移和公益事業的客戶服務中。在這些案例中，人工智慧不再是輔助工具，而是成為工作流的“一級公民”。智能體負責處理80%的常規事務，人類專家則專注於處理那20%的高價值、高風險或高情感參與的情況。這種模式不僅提升了效率，更重要的是，人類從重複性勞動中解放出來，從而能夠專注於重新啟動和戰略性的工作。然而，這種價值的釋放並不是自動發生的。報告警告稱，儘管近 90% 的企業聲稱已投資於人工智慧，但只有不到 40% 的企業報告了可衡量的收益。這種脫節是因為大多數企業仍停留在“技術爭論”階段，未能從組織架構、人才和流程設計等方面進行層面的系統性變革。領導力的試金石：文化、信任與制度適應由智能體和機器人驅動的變革，麥肯錫報告最終將目光投向了領導力技術。只是催化劑，能否平穩渡過這一轉型期，取決於商業領袖和政策制定者的選擇。對於企業領導者而言，最大的挑戰在於如何在追求效率與保持以人為本之間找到平衡。報告提出了一系列積極的問題：你是在利用人工智慧修復舊流程，還是在為未來的價值重構業務？你正在建立一種激勵實驗和是否包含錯誤的文化？你是否為員工提供了適應新角色的技能路徑？未來的管理人員必須具備“雙重雙語”能力——既懂業務邏輯，又懂機器語言。他們不再是簡單發號施令的長官，而是人機混合團隊的訓練。隨著自動化程度的提高，傳統的績效評估系統（基於工時或簡單量）將失效，新的評估系統必須能夠簡化人類對AI輸出的最佳化程度以及關鍵決策中的判斷力。此外，信任與安全成為不可迴避的議題。當決策鏈條中引入了不可解釋的AI黑盒時，如何確保合規、避免偏見並維持客戶信任，將是企業治理的核心問題。報告強調，最有效的領導者不會將AI視為IT部門的項目，而是將其視為核心的業務轉型戰略，由最高消防直接推動。在宏觀層面，報告要求現代教育和公共部門進行同步革新。工業革命催生了公共教育體系，而人工智慧革命則要求建立終生學習的基礎設施。未來的教育不應只關注知識灌輸，更應批判性思維培養、適應力以及與智慧型手機器協作的能力。技能認證體系也需要從“學位導向”轉向“技能導向”，以促進勞動力在不同行業間的靈活流動。麥肯錫全球研究院的報告最終傳達了一個審慎樂觀的訊號：人工智慧帶來了變革的方向，但工作本身不會消失。通過合理的規劃與適應，我們正將人類的能力被技術放大而不是新時代的替代。在這個時代，最大的風險不是被機器取代，而是未能及時學會如何與機器共舞。對於所有市場參與者而言，理解並擁抱這種“技能協作”，將是通向2030年經濟繁榮的唯一入口。 (歐米伽未來研究所2025)

近日，在中歐EMBA三十周年慶典上，《連線》雜誌創始主編、《2049》作者凱文·凱利（Kevin Kelly）發表了主旨演講，用他一貫的睿智與溫度，為我們描繪了一幅關於AI（人工智慧）與人類未來的全景圖。從通用人工智慧的不確定性到智能體經濟的全新可能，從任務被取代到工作被重塑，從美國矽谷到“酷中國”的想像，他告訴我們，在充滿不確定性的時代，保持樂觀不是天真，而是一種責任；選擇相信未來會更好，才能真正創造出更好的未來。以下為演講實錄，有刪節。重要觀點在充滿不確定性的時代，最重要的不是預測未來，而是為未來做好準備。我們需要“異人智能”，因為它們能以全新的方式看待問題，提出人類未曾想到的解法。AI取代的是任務，而非工作。它讓人類更高效、更具創造力，而非被動失業。人類與AI的關係不是競爭，而是互補與協作。AI不是威脅，而是一面鏡子。它讓我們重新認識智慧的本質，也促使我們思考人之所以為人的意義。所謂“進托邦”，並不是一個完美的世界，而是一個每天都在變得更好一點點的世界。保持樂觀並非天真，而是一種基於歷史的理性判斷。樂觀不僅是一種態度，更是一種道德擔當。因為創新與進步，都需要建立在相信未來會更好的基礎上。未來不是“屬於”樂觀主義者，而是由他們創造的。正如當下由過去的樂觀主義者所塑造，明天也將由今天的我們來延續。未來最具競爭力的人，不是拒絕AI的人，而是能夠與AI協作、共創、共進的人。一個“酷”的人或國家，不是以力量壓服他人，而是以創造力和魅力讓他人想要模仿。AI與不確定性今天，我想分享的第一個主題是關於AI以及它的不確定性。提到AI，人們立刻會想到它背後巨大的未知。這種不確定性並不是因為誤解或資訊不足，而是即便全球最頂尖的專家，對未來的判斷也存在極大的分歧。在我看來，關於AI的未來，有三個關鍵的不確定性：第一，通用人工智慧是否可能實現？第二，未來計算的發展趨勢是中心化還是去中心化？第三，AI將對就業產生怎樣的影響？不確定性一：通用人工智慧是否可能實現？換句話說，我們能否真正創造出一種具備廣泛智能、能夠像人類一樣思考和學習的系統？答案是：我們還不知道。我們已經有了相關的理論，也投入了數十億美元的研究經費，但結果仍然不確定。也許未來並不會出現真正意義上的通用人工智慧，而是會出現成百上千種在特定領域中表現卓越的“弱人工智慧”。從能力的角度來看，一端是專用智能，另一端是通用智能。當前，大多數資金與資源都投入在通用智能的探索之中，許多大型公司都在押注這條路線。然而，在我看來，我們應該關注“人工智慧們”（AIs）。未來不會只有一種智能，而會有許多不同形態的人工智慧。我們將看到各種潛在的智能形態、不同的“腦結構”和思維方式。以DeepSeek、OpenAI為例，它們的模型其實都是由多個專業的弱人工智慧系統組合而成。換句話說，我們今天所看到的，是由不同“智能模組”共同運作的集合，而非單一的“通用智能體”。當我們談論智能時，不能僅以人類的認知方式為標準。不同的大腦與不同的學習結構，會產生不同類型的智能。某些動物在特定任務中比人類更擅長，而機器的優勢又體現在不同方面。由此可見，智能的多樣性本身就是自然現象。在這個廣闊的“智能空間”中，人類智能只是其中的一種形式。未來的AI，可能會出現許多“異人智能”（Alien Intelligences），它們以不同於人類的方式思考，但可能得出相同的結論。這種差異不是缺陷，而是一種優勢。我們需要“異人智能”，因為它們能以全新的方式看待問題，提出人類未曾想到的解法。因此，我相信，人工智慧的最終形態不會是一個單一的通用系統，而是一個由多種專用智能組成的復合網路。我們將生活在“智能的多樣世界”中。不確定性二：中心化還是邊緣化？第二個不確定性，是AI計算的發展方向。未來的人工智慧計算，將主要依靠中心化的雲端系統，還是更多地依靠邊緣與本地裝置？目前，大多數公司都押注在中心化的方向上。這一邏輯源自“縮放定律”，即模型越大、參數越多、訓練資源越充足，智能表現就越強。因此，我們看到大語言模型規模不斷擴大，晶片數量持續增長，模型的性能也似乎越來越強。然而，這種趨勢是否可持續？我們並不確定。更大的模型意味著更高的能耗和更龐大的資料中心，也帶來了集中化的控制問題。與此相對，另一種趨勢正在悄然興起：邊緣計算。事實上，目前全球約70%的計算發生在邊緣端：在手機、工廠、汽車、感測器以及家用裝置之中，都存在大量的本地計算活動。未來十年，隨著硬體性能的提升和模型最佳化的推進，越來越多的AI運算將轉移到邊緣裝置上。這種轉變帶來了非常顯著的優勢，邊緣計算響應更快，隱私保護更強，能耗更低，同時具有更強的獨立性。未來的智能裝置如機器人、智能眼鏡或自動駕駛汽車，將能夠在本地實現智能計算，無須依賴雲端即時指令。因此，在我看來，未來的AI計算架構很可能呈現“混合式”的格局：中心化的雲端運算與去中心化的邊緣計算共存，但主導力量將逐步向邊緣側轉移。這種分佈式結構，或許才是智能社會的真正形態。不確定性三：取代還是賦能？人工智慧究竟會提升人類工作的效率，還是會直接取代人類？專家們仍然沒有一致的答案。然而，從現有資料來看，人工智慧帶來的並不是失業，而是效率的提升。到目前為止，沒有證據表明AI導致了大規模裁員。實際上，在大多數情況下，AI幫助人們提升了生產力。研究顯示，日常使用AI的員工平均效率提升約25%。AI的引入改變了工作的結構，但並沒有讓工作消失。它讓人們從重複、標準化的任務中解放出來，專注於更具創造性和判斷力的工作。在這種意義上，AI不是替代人類，而是擴展人類的能力。以客服行業為例，過去由人工接聽的任務，如今由AI客服承擔。AI系統可以全天候工作，而人工客服則負責監督、最佳化和處理複雜問題。結果是服務效率提升，顧客體驗改善，同時創造出新的崗位，如AI培訓師、系統監管員、演算法評估師等。AI並沒有減少工作崗位，而是改變了工作的性質。正如一個工作是由多項任務組成的，AI可以取代部分任務，但無法取代“工作”本身。因為工作不僅僅意味著執行，更意味著責任、判斷與創造。AI擅長執行，卻無法承擔責任；能生成內容，卻缺乏自我學習的意識。因此我們可以說：AI取代的是任務，而非工作。它讓人類更高效、更具創造力，而非被動失業。人類與AI的關係，不是競爭，而是互補與協作。面對這三大不確定性，我們無法給出確切答案，但這並不意味著我們應當恐懼未來。相反，我們應該以開放的心態、靈活的策略去適應變化，擁抱更多的可能性。人工智慧的發展方向或許是多樣的，甚至彼此充滿矛盾，但唯一可以確定的是，AI將持續演化。它可能改變產業結構，重塑工作方式，也可能引發倫理、文化與社會層面的再思考。在這種不確定的時代，最重要的不是預測未來，而是為未來做好準備。我們無法決定AI將成為什麼樣的存在，但我們可以決定自己以怎樣的態度去面對它。保持學習的能力，保持理解的深度，保持對未知的敬意，這是人類在智能時代最大的優勢。AI的前沿與未來方向在理解了人工智慧所帶來的不確定性之後，我們更需要思考未來的AI將如何演進，接下來的5~10年它的發展重點會是什麼。我認為，未來AI的創新將主要體現在四個前沿方向上：符號推理、空間智能、情感智能以及智能體。這些方向不僅代表技術的延伸，更意味著智能的多維化與專業化。未來的AI將不再是單一的模型，而是一系列不同類型智能的組合。一 符號推理：結構化智能的回歸在人工智慧的發展歷史中，符號推理是最早出現的一類智能形式。它強調通過邏輯規則、因果關係和結構化表達來理解世界。而如今，我們使用的大語言模型大多基於神經網路。這種模型雖然非常強大，但主要依賴海量的資料與統計學習。它們可以模仿語言，卻並不真正理解邏輯，也不具備深層的推理能力。這些神經網路是“扁平的”系統，內部缺乏明確的結構與層次。它們能夠生成流暢的語言，解決部分問題，卻無法像人類那樣進行“推理”或“規劃”。因此，許多研究者認為，人工智慧要實現更高層次的認知，必須引入結構化推理機制。換句話說，未來的AI需要結合自下而上的神經網路學習與自上而下的邏輯推導，讓這兩種智能模式形成互補。人類大腦正是這種多重智慧型手機制的複合體。我們擁有注意力、歸納、演繹、長期記憶、情緒調節與規劃等不同的認知系統。AI若要向更複雜的智能邁進，也必須整合這些不同的能力。因此，未來的AI研究，不僅要追求更大的模型規模，更要探索如何在“推理”“學習”“規劃”“情緒”等不同智能模組之間建立平衡與協同。我們可以把智能想像為一種複合物，由多種元素構成：推理、模擬、學習、語言、感知、記憶……這些能力的合理組合，才可能構成真正的“通用智能”。每個智能體都需要在速度、精準性、記憶和能耗之間做出權衡，無法面面俱到，這正是未來AI研究的關鍵挑戰，即如何在複雜性與效率之間取得平衡。二 空間智能：讓AI理解真實世界目前的大語言模型在知識層面非常強大，但它們對現實世界的理解是很有限的。這些模型通過閱讀文字學習，而非在真實世界中體驗。它們知道“人類說了什麼”，但不知道“世界是怎樣的”。因此，我們需要讓AI具備“空間智能”，具備能夠在真實世界中行動、感知、理解的能力。空間智能是讓AI真正脫離文字的關鍵。未來的AI不僅要能“說”，還要能“做”；不僅要能“計算”，還要能“觀察”。例如，自動駕駛汽車需要理解道路結構、物體距離與物理規則；機器人需要三維空間識別、物體感知、理解力等。這類能力無法僅僅通過語言模型來獲得，必須通過與現實世界的互動來學習。未來的AI訓練，不僅會基於文字，還會基於物理、化學、生物等多維的資料。我們可能會擁有“大物理模型”“大化學模型”“大生物模型”，它們不再只是語言專家，而是“世界專家”，能夠通過真實資料理解世界運作的方式。這種趨勢也將催生新的互動方式。比如“智能眼鏡”，它能夠在佩戴者的現實視野中疊加虛擬資訊，為人提供導航、提醒或反饋。通過增強現實（AR）與混合現實（MR），AI將不再侷限於螢幕之中，而是會進入我們的日常環境。這種與現實的融合，將推動AI真正進入“空間化”階段。此外，AI還可以建構“數字孿生體”，在虛擬空間中複製現實世界的環境、流程與系統。未來的家庭、工廠乃至城市，都可能擁有自己的數字孿生體，由AI進行監測與管理。這樣一來，我們不僅能預測現實中的問題，還能在虛擬世界中提前最佳化解決方案。空間智能的核心，是讓AI真正理解世界的運行方式。只有當AI掌握了物理世界的規律，它才能安全地與我們共存。三 情感智能：讓AI具備共情能力長期以來，人們認為情感屬於人類的專屬特質，而智能只是理性計算的結果。但事實上，情感與智能密不可分。情緒是人類決策的重要依據，也塑造了我們的社會行為。未來的AI，也必須具備理解與回應情感的能力。機器完全可以被程式設計來識別人的情緒，甚至表現出情緒。AI可以通過語音語調、面部表情、文字內容來判斷一個人的情緒狀態是驚訝、悲傷、憤怒還是恐懼。它可以據此調整自己的語氣與行為，展現出共情式的回應。例如，一個AI玩具可以察覺到孩子的情緒變化，在孩子傷心時安慰他或者問：“今天上學怎麼樣？”這種人機互動，會逐漸建立情感聯結。這種關係並不是虛假的。正如人類與寵物之間的情感是真實的，即使動物不具備語言；未來，人類與AI之間的情感聯結也將是真實的。我們可能會像對待寵物一樣，對AI產生情感依附。AI可以成為夥伴、諮詢師甚至“數字朋友”。這類情感互動，將在人類社會中產生深遠影響。AI將參與到教育、心理健康、陪伴、康復等領域，成為人類情感網路的一部分。人類的孤獨，或許會因此得到某種緩解。但與此同時，這也將引發新的倫理問題，當機器能“理解”我們的情感時，我們該如何定義真實與虛擬的界限？四 智能體：從工具到夥伴智能體不同於傳統的軟體程序，它能夠代表人類執行任務，甚至與其他智能體協作。它們可以是具象的，如機器人、虛擬助手，也可以是隱形的，如自動交易系統、後台資料分析引擎。未來可能會存在數以兆計的智能體在全球範圍內運作。一個智能體可以招募另一個智能體，共同完成任務，就像人類的分包體系一樣。它們形成網路，相互協作、相互支付，構成一個龐大的智能體生態系統。智能體的理想狀態，是無形的智能。也就是說，它們默默地工作於後台，自動完成任務，而人類幾乎察覺不到它們的存在。正如電力或網際網路，只有當系統出現故障時，人們才意識到它的存在。成功的科技往往是隱形的，而AI也將走向這種透明的存在狀態。更重要的是，未來的智能體之間將形成一種新的經濟體系——智能體經濟。智能體可以彼此簽約、分工、支付。在這個體系中，最有可能成為它們交易媒介的是穩定幣，因為穩定幣能夠支援安全的小額支付，並適應機器之間的自動交易。但隨之而來的，是信任問題。一個智能體如何信任另一個智能體？如何防止欺詐、核驗任務完成情況？這些問題都需要新的信任機制來解決。這將是一個巨大的創新機會，未來誰能發明出適用於智能體世界的信任技術，誰就可能掌握AI經濟的基礎設施。當AI技術逐漸成熟，它將像電力一樣，成為一種可自由流通的資源。未來我們將按需購買智能，就像購買電力、水或網路頻寬一樣。AI會無處不在，廉價且易得。真正的競爭焦點，將不在於AI本身，而在於人與AI之間的介面。誰能讓AI使用得更自然、更直觀、更個性化，誰就擁有了未來的優勢。介面的易用性將成為新的創新前沿。AI的普及不會一蹴而就，而是一個漸進式的變革過程。從現在開始，AI的發展將經歷長達十年的吸收與整合期。在這段時間，人類將逐步學會與AI共事、調整組織架構與文化體系。我們的工作方式、管理邏輯、績效指標，都必須重新設計，以適應這個人機共生的新環境。AI的出現，不只是引入一個工具，更意味著一次文化重構。它將改變我們對生產力的定義，也將改變企業和社會的運作方式。真正的挑戰不在技術層面，而在於人類如何重新學習與智能共處。AI與就業、產業和組織變革人工智慧的發展，正在以一種深刻而漸進的方式重塑人類的工作與組織形態。它不僅改變了任務執行的方式，更在重新定義工作的本質與價值。AI的到來並非一場突然的革命，而是一場持續的演化。理解它的節奏與邏輯，才能更好地與之共生。一 AI的擴散節奏：從探索到整合AI的應用不會在短期內全面取代傳統體系，而會以漸進的方式滲透進社會的各個層面。未來十年，將是人類與AI相互適應的關鍵階段。這場轉變不僅涉及技術層面，更是組織與文化的變革。為了有效引入AI，企業必須重新設計工作流程，調整績效體系，重構決策結構。我們過去的工作系統是為人類員工設計的。而在未來的組織中，AI將成為團隊成員，需要在文化與結構上為它預留空間。這種調整併非易事，但正如工業革命時期電力改變了生產結構，AI也將推動管理與協作方式的根本轉變。在這場轉型中，小型和初創企業往往走在前列。它們規模靈活、結構扁平，能夠快速試驗與調整。相較之下，大型企業因流程複雜、層級較多，對AI的吸收速度會更慢。但無論企業大小，AI的融入已是不可逆的趨勢。二 AI的兩種應用形態：產品與能力在企業內部，AI的應用可以分為兩種類型。第一種是AI產品，即公司直接生產或銷售基於AI的產品和服務；第二種是AI內部應用，即企業在自身的營運與決策中使用AI，提升效率與創新能力。現實中，AI的內部應用往往發展得更快。許多公司並不直接生產AI，但已在流程管理、客戶服務、市場預測、風險分析等環節中廣泛引入AI工具。這種看不見的AI正在成為新的生產力來源。類似的情形，曾經在電力革命中出現過。當電力被發明時，最初並未立即改變工廠結構，但當工廠開始重新佈局以適應電動機的分佈時，整個工業體系發生了質變。AI正處在類似的階段，它不僅帶來了新產品，而且會引發組織形態重構。當知識與智能被系統化嵌入企業，部門邊界會逐漸模糊，協作將更加靈活，創新速度將顯著提升。三 AI的行業影響：知識密集領域首當其衝AI首先影響的，是那些以知識為核心的行業。軟體開發、市場行銷、醫藥研發、教育、金融與保險等領域，已經成為AI滲透的前沿。這些行業具有一個共同特徵：資訊密集、語言驅動、邏輯清晰，正是AI擅長的領域。以客服為例，AI客服的出現並沒有造成崗位的大規模消失。相反，AI系統承擔了大量重複性的溝通任務，而人工客服則專注於處理複雜問題與客戶關係維護。AI的加入，使企業能提供更長時間、更高品質的服務，同時催生出新的職位，如“AI客服監督員”“互動體驗最佳化師”。這種趨勢在翻譯、內容創作、教育輔導和金融分析等行業中同樣明顯。AI的角色，不再是“人力替代”，而是“人力增強”。它接管了任務，卻保留了工作的價值。這種“任務替代—工作重組”的邏輯，正成為AI時代勞動結構的核心特徵。四 技術轉型的經驗法則：三次試驗企業在引入AI的過程中，常會經歷一個“三次試驗”規律。第一次嘗試通常代價高昂、失敗率高；第二次嘗試成本降低，但效果仍很有限；直到第三次嘗試，成本顯著下降，應用才會真正成熟。這種規律不僅適用於企業，也適用於個人。在AI應用的早期階段，失敗幾乎是必經之路。要想真正掌握新技術，必須通過反覆試驗與學習。因此，“先失敗，再成功”是AI時代的必修課。五 工作的重組：任務消失，工作猶存AI不會讓工作消失，但會讓任務消失。每一份工作都是由若干具體任務構成的，AI接管的是那些規則明確、可預測、可重複的部分。但一個完整的工作往往包含責任、判斷、創造和人際互動，這些仍然是人類獨有的能力。醫生、教師、律師、設計師、程式設計師等職業將經歷同樣的演化，AI將成為他們的協作夥伴，而不是替代者。人類與AI的結合，將遠比單一的人或機器更強大。例如，AI醫生能夠快速診斷疾病、檢索文獻、提供治療方案，但真正的醫療判斷仍需人類醫生來完成。最理想的模式，是“人類醫生+AI醫生”的組合：AI提供知識支援，人類提供倫理判斷與同理心。同樣，在教育領域，“教師+AI助教”的形式將成為主流。AI可以提供個性化的教學反饋，而人類教師負責引導學生思考、激發創造力。未來的理想團隊，不是全人類團隊或全AI團隊，而是“人機協作團隊”。這種協作將重塑職業結構，使人類的核心競爭力回歸創造、判斷和情感領域。六 AI與責任：人類的不可替代性人類在工作中承擔三項職能：執行任務、承擔責任、持續學習。AI目前僅能承擔任務執行。它可以生成內容、完成計算，但無法承擔責任，更缺乏持續學習的能力。當AI出錯時，它不會道歉，不會補償，也不會感到內疚，責任始終屬於人類。因此，隨著AI的廣泛應用，人類承擔責任的價值反而會被重新強調。與此同時，AI的學習是間斷的。它依賴定期訓練和模型更新，而不是即時的、自我導向的學習。人類的學習則是持續的、動態的、基於情境的。未來AI研究的一個重要方向，就是探索持續學習的可能性，但目前這仍是一個尚未解決的難題。正因如此，人類的自我學習能力和責任意識，仍然是AI無法企及和擁有的核心特質。這也意味著，在可預見的未來，人類不會被AI淘汰。我們不會因為AI而失去工作，但可能會因為不會使用AI而失去競爭力。七 AI與創造力：登山與造山創造力是人類智慧的最高體現。在AI領域，我們可以把創新分為兩種：一種是“登山式創新”，即在既有的框架內不斷最佳化，追求更高的效率。另一種是“造山式創新”，即創造出全新的領域和問題。AI擅長“登山”，在既定問題中尋找最優解；但“造山”仍是人類的領域。AI可以在資料中發現模式，卻無法提出全新的問題。而人類的創造力，恰恰體現在打破舊有框架、建立新秩序的能力。科學史上，從DNA雙螺旋的發現到量子力學的誕生，每一次重大突破，都來自這種“造山”的創造力。AI或許能在未來的某一天實現這種能力，但至少目前還遠未達到。在可預見的時代，人類仍是意義與創造的源泉。總體而言，人工智慧帶來的未來不是被取代的未來，而是被賦能的未來。任務會被重新定義，職業會被重新組合，組織會被重新塑造，但人類不會被淘汰。相反，我們將因為AI而更加聰明、高效和具有創造力。AI不是威脅，而是一面鏡子。它讓我們重新認識智慧的本質，也促使我們思考人之所以為人的意義。未來最具競爭力的人，不是拒絕AI的人，而是能夠與AI協作、共創、共進的人。正如電力點亮了工業時代，AI也將點亮智能時代。這場變革已經開始，而我們每個人都是參與者。樂觀主義與“進托邦”在理解人工智慧的不確定性之後，我想談談第二個主題：保持樂觀的重要性。我們正生活在一個充滿劇變的時代，AI正在重塑世界的規則，也引發了人們的焦慮與擔憂。但在我看來，保持對未來的樂觀，不僅是一種選擇，更是一種道德責任。只有相信未來可以更好，我們才有動力去創造它。一 為什麼要保持樂觀每天，我們都被各種壞消息包圍。新聞報導、社交媒體、影視作品，幾乎都在傳遞一種共同的情緒：未來正在變糟。而在所有描繪未來的科幻作品中，AI幾乎總是反派角色，它控制人類，毀滅文明，取代創造者。這樣的敘事長期影響著我們，讓人們在潛意識中將AI與危險、失控、陰暗聯絡在一起。但現實並非如此。在科技史上，很多重大創新都曾被質疑、恐懼、反對，無論是電力、印刷術、網際網路還是基因技術都是如此，但它們最終卻極大地推動了人類文明的進步。我們需要新的敘事，需要一種關於希望的想像力。人類必須先想像出一個美好的未來，才能真正去創造它。這就是樂觀的重要性：它不是盲目相信，而是主動設想一個更好的世界。因為只有這樣，才有可能實現它。二 從烏托邦與反烏托邦到“進托邦”長期以來，人類在想像未來時總是在兩個極端之間搖擺：烏托邦與反烏托邦。烏托邦（Utopia）是完美無瑕的理想世界，但是靜止的、封閉的、無聊的。它不可能實現，也不值得實現。而反烏托邦（Dystopia）則充滿絕望，機器統治，人性泯滅，社會崩壞。這種極端的悲觀敘事，雖然在文學與影視中令人震撼，但它削弱了我們的想像力，讓人們失去了改造未來的勇氣。因此，我提出一個新的概念——“進托邦”（Protopia）。所謂“進托邦”，並不是一個完美的世界，而是一個每天都在變得更好一點點的世界。“進”代表進步、前進、演化。它意味著世界並不完美，但每天都比昨天要好一點。如果我們能夠讓世界每天進步1%，讓創造多一點，破壞少一點，那在十年、二十年、五十年後，我們將生活在一個截然不同的文明之中。這種緩慢但持續的改進，就是進托邦的邏輯。三 漸進的希望：1%的力量進托邦不是幻想，而是一種統計學意義上的現實，人類過去兩百年的發展已經證明了這一點。我們的壽命變得更長，教育被普及，疾病減少，能源效率提高，資訊傳播速度之快前所未有。而在中國，這種進步更為顯著。過去四十年，中國以令人驚嘆的速度實現了社會與經濟的躍升。這些事實告訴我們，持續進步是人類文明的常態。即便未來步伐會放緩，即便存在周期性的波動，從長遠看，世界仍在向前。所以，保持樂觀並非天真，而是一種基於歷史的理性判斷。從機率上講，未來繼續改善的可能性遠大於全面倒退的可能性。樂觀並不是忽視問題，而是相信問題可以被解決。悲觀只會帶來退縮，而樂觀會驅動創造。正如投資複利的奇蹟，1%的持續進步，最終將帶來指數級的改變。四 想像力的力量：從《星際迷航》到智慧型手機沒有想像力的未來，不會自動變好。樂觀不是被動等待，而是主動想像。舉一個例子，在20世紀的科幻劇《星際迷航》中，角色使用的通訊器，啟發了後來矽谷工程師設計早期的智慧型手機。當時那只是虛構的道具，但它激發了現實世界的創造。無論是飛機、電腦、網際網路還是燈泡，它們都不是偶然誕生的，而是源於某個人心中的設想。人類的每一次偉大發明，都是由樂觀主義者推動的。因為他們相信不可能的事可以實現。想像力與樂觀，是所有創新的前提。正如歷史由過去的樂觀主義者塑造，未來也將由今天的樂觀主義者創造。五 樂觀是一種選擇，也是一種責任樂觀不是天生的性格，而是後天的決定。我們可以選擇恐懼，也可以選擇希望。樂觀，是我們面對未知時做出的積極選擇。更重要的是，樂觀不僅是一種態度，更是一種道德擔當。因為創新與進步，都需要建立在相信未來會更好的基礎上。如果沒有人相信未來可以變好，就不會有人去發明新技術、改進制度、探索科學。世界需要樂觀者。他們是社會的建設者，是推動文明前行的力量。我們今天所享受的一切，都源自過去那些對未來充滿信念的人。他們在當時也面臨質疑、挫折、風險，但他們選擇了樂觀，選擇了去創造。而我們現在所要做的，就是繼續這場信念的接力。我們要成為好的祖先，為子孫後代留下一個更好的世界。未來幾代人將生活在我們今天創造的現實之中，他們或許會感謝我們，因為我們在一個充滿不確定的時代，仍然選擇了樂觀。六 樂觀的複利：成為塑造未來的人我相信，未來的歷史學家回望今天時，會說：“21世紀20年代的人們，仍處在AI發展的初期。”我們才剛剛開始。就像25年前，人們還未曾想像智慧型手機、社交網路或雲端運算會徹底改變生活一樣，今天的AI也才剛剛踏上征途。真正的未來，尚未被書寫。而書寫未來的筆，仍握在人類手中。所以，不要害怕不確定性。不確定性不是威脅，而是機會。它提醒我們，未來並非命定，而是可以被設計、被改進、被創造的。樂觀不是天真，而是一種勇氣。它讓我們在面對未知時，仍願意前行；讓我們在失敗後，仍敢於嘗試；讓我們在變化之中，保持創造的激情。未來不是“屬於”樂觀主義者，而是由他們創造的。正如當下由過去的樂觀主義者所塑造，明天也將由今天的我們來延續。樂觀並不能保證成功，但悲觀幾乎註定失敗。在充滿不確定性的時代，選擇樂觀，就是選擇成為推動歷史向前的人。中國的未來與“酷中國”在演講的最後，我想談談中國的未來與前景。在全球範圍內，人們常常以競爭的視角看待AI的發展：誰會成為最後的贏家？中美之間的科技競賽誰將領先？但我不想從這個角度去討論。我更關心的是另一個問題：中國能否引領潮流？換句話說，中國能否變得“酷”？一 何謂“酷中國”所謂“酷”，是一種無須炫耀的吸引力。一個“酷”的人或國家，不是以力量壓服他人，而是以創造力和魅力讓他人想要模仿。“酷”意味著自信與從容，它是一種柔性的影響力。一個“酷”的國家，擁有別人想學習、想靠近的特質；它能夠激發世界的想像力，讓人們願意走近、理解甚至融入。在我看來，中國完全有機會成為這樣一個國家。未來的“酷中國”，將通過三種方式展現自己的吸引力：卓越的產品、強大的文化輸出以及具有魅力的城市。二 卓越的產品：創造世界想要的“中國製造”首先，中國可以繼續創造全世界都想擁有的卓越產品。這種產品不僅意味著高品質，更意味著創新與設計的領先。它們能讓全球的消費者主動攢錢購買，就像人們曾為iPhone排隊一樣。設想一下，未來25年，中國有可能推出一些改變世界的新技術：全球最優秀的自動駕駛汽車、最具突破性的廣譜抗癌疫苗、最先進的智能工廠系統。中國擁有龐大的工程師群體、完整的製造體系與強大的資料資源，這些都是支撐創新的基礎。比如，中國未來或許不僅出口商品，還會出口“工廠”本身。當中國的工廠實現全自動化後，它們可以被打包輸出，運往世界各地，實現就地製造。這將意味著從“製造產品”到“製造生產力”的躍遷。在我看來，在2030年之前，中國很可能生產出世界上最頂尖的AI晶片。而在太空探索方面，中國也有極大機會率先重返月球。這些突破不僅會改變科技格局，更將重塑全球對中國創新的認知。三 文化的輸出：軟實力的崛起除了產品，中國還可以通過文化塑造影響力。美國曾憑藉好萊塢電影、爵士樂、搖滾樂、流行文化，贏得了全球的心。同樣，中國也完全具備成為文化輸出大國的潛力。當中國的故事、中國的美學、中國的生活方式被世界理解和欣賞，中國的軟實力將真正崛起。這種文化影響力並不依賴政治或經濟，而是通過創造力與情感的共鳴來傳播。未來，也許會有越來越多的人被中國的創意、審美與敘事吸引。那時的中國將是一個“酷”中國，一個讓人們自然而然地想要瞭解、學習和模仿的中國。四 魅力都市：科技與人文的融合第三種讓一個國家變“酷”的方式，是打造具有全球吸引力的城市。一個城市的魅力不僅來自建築和經濟活力，更來自它能否激發人們的好奇與歸屬感。我相信，未來25年，中國將繼續建設一批引領世界的“魅力都市”。這些城市將以綠色科技、開放文化和高效治理為特徵，它們將吸引著世界各地的遊客、創作者和企業家前來。人們會說：“我想讓我的城市像上海、深圳、杭州那樣。”他們會願意一次又一次地回來，因為這些城市不僅現代高效，更具創造力與人文溫度。五 工程師之國：資料驅動的優勢我一直認為，中國的一個重要特質，是它是一個“工程師之國”，而美國則是一個“律師之國”。這兩種結構的差異，意味著在AI時代，中國擁有獨特的優勢。工程師文化強偵錯驗、執行和問題解決，而不是爭辯與推諉。在一個以資訊為基礎的社會裡，這種文化尤其重要。中國在政策制定、技術落地和產業整合方面，能夠以資料為依據，以證據為導向，而不是依賴意識形態或直覺。這將幫助中國更快地建設一個“AI驅動的社會”，一個通過資料理解自身、通過反饋最佳化決策的社會。六 資訊社會的挑戰與平衡當然，一個以AI和資料為基礎的社會，也將面臨新的挑戰。未來的裝置與螢幕，將記錄我們的每一次操作、每一個眼神、每一個選擇。你在看螢幕的同時，也在被看。我相信，未來的技術趨勢將是“凡可追蹤之事，皆會被追蹤”。這是一種無法避免的技術演進。關鍵不在於是否可以停止，而在於如何建立平衡與信任。我們需要讓資訊流動成為雙向的。在個體的資料被蒐集的同時，個體也應有權審視系統，去監督那些監督者，去追蹤那些追蹤者。只有當監控與監督形成互相制衡，個體才能在資訊社會中保持安心，這是建立數字信任與社會公正的基礎。七 隱私與個性化的權衡在未來的智能社會中，隱私與個性化之間的矛盾將越發突出。如果你想獲得高度個性化的服務，就必須提供更多個人資料；但如果你想完全保有隱私，就只能接受標準化的對待。這是我們無法迴避的權衡。如今，人類社會正在向“個性化與透明化”的方向傾斜。人們越來越願意犧牲部分隱私，以換取便利與精準體驗。這種趨勢正在推動著社會更加資料化、可觀察化。我們需要建立清晰的規範，讓資料的使用既安全又有益，讓個體知道自己所提供的資訊用於何處、被如何使用、是否被濫用。只有當資料流動變得透明、可追責，個體才能真正受益於技術，而非被技術控制。八 AI賦能的公正社會我相信，在AI賦能的未來，中國有機會建構一個更加公正、廉潔、高效的社會。AI的應用可以幫助社會更精準地識別問題、更快速地做出決策、更公平地分配資源。中國在綠色能源、智慧城市和社會治理方面，已經展現出強大的創新能力。未來25年，中國完全有機會在這些領域繼續領跑世界。一個以AI為核心、以人本為原則的社會，將成為新的“中國模式”，一個科技與人文並重、理性與溫度平行的社會。九 成為“酷中國”“酷中國”並不是一種理想化的幻想，而是一種現實的可能。它意味著一個充滿活力、自信開放、具有創造力的國家。它的“酷”，來自創新的產品、獨特的文化與包容的城市，也來自它在技術倫理與社會公正方面的平衡。中國完全可以選擇這樣一條道路：既快速發展，又堅守人文精神；既擁抱AI，又堅持以人為本。一個既高效又公正、既現代又溫暖的社會，將是21世紀最令人嚮往的中國形象。未來的“酷中國”，將不靠權力贏得世界，而靠吸引力贏得世界。它的影響力不會來自強制，而來自共鳴；不會來自對外擴張，而來自內在的創造力。十 願景與責任我所談的，並非對未來的預測，而是一種可能的方向。未來是可以被創造的。“酷中國”的實現，並不依賴運氣，而取決於選擇。未來25年，只要中國能夠堅持以創新為驅動，以開放為姿態，以責任為底線，塑造一個讓世界尊重、信任甚至羨慕的“酷國家”，它就能夠在未來全球格局中成為引領潮流的文明力量。 (藍血研究)