前幾天刷到矩陣超智發佈的第三代全能人形機器人MATRIX-3。說句實話，以我幹企業這麼多年，已經很難有技術新聞讓我情緒起伏了。會走會跑會跳？見太多了，我的心率不會波動半分。但這次，我真的震驚了。原因只有一句話：它擁有皮膚和觸覺。不是裝配式塑料外殼，而是覆蓋全身的3D仿生織物皮膚。它能感受到輕微觸碰，分辨軟硬滑脆，還能即時調整力量。那瞬間我腦子裡只閃過一句話：機器人第一次不是執行命令，而是開始“感知世界”了。這句話我反覆琢磨了三天。越想越清晰：這是智能革命真正的斷點。01 AI有兩條路：一條在天上，一條正在落地過去幾年，我們見證了AI的狂飆：模型參數指數增長生成內容跟開掛一樣算力從稀缺變成基礎設施這些都很震撼——但它們的範疇一直在數字世界。而 MATRIX-3 這次突破告訴我們：AI開始能觸碰現實世界了。這意味著什麼？意味著人工智慧正在分化成兩種力量：1、數字智能停留在伺服器裡讀資料、算邏輯、出結論2、具身智能進入物理世界感知、互動、控制、執行這兩條路最終匯合在那裡？答案已經越來越清晰了：智能體（AI Agent）。AI不是長在模型裡，AI真正的價值在“感知-理解-決策-行動”的閉環裡。這也是我這幾年腦袋擰不過來的原因，我終於想明白：企業未來的競爭不是員工數量，而是智能體數量。02 機器人是身體，智能體是大腦，而企業的角色正在被重新定義很多人看到 MATRIX-3 的第一反應是：好像人，好酷。但對我這種硬吃行業周期的創業者來說，它真正的意義在於：它具備了可規模部署的可能性。因為它能感知，它能判斷，它能適應環境。這意味著它可以：不傷人不損物不需要教“所有情況”說簡單點：機器人第一次具備了加入勞動市場的資格。但問題來了——機器人能幹活，但它不知道幹什麼、何時干、做成什麼算完成。所以未來企業最稀缺的不是執行者，而是——能調度執行者的大腦系統也就是智能體。03 創客匠人做智能體，不是跟風，是我作為CEO的底層選擇我之所以死磕智能體這條路，有三個原因：1、 人的效率天花板太明顯了人會累、會忘、會生病、會離職、會情緒波動系統不會。2、 市場競爭邏輯正在切換我以前拼：招人速度培訓能力管理和激勵體系未來企業拼：智能化程度執行閉環速度業務自動化比例3、企業必須從“靠人跑”變成“自己跑”今天看似健康的組織，在智能化時代可能瞬間斷層。我做企業十五年，看過太多老闆掉進同一個坑：忙的時候靠加班，累的時候靠招聘，急的時候靠人扛。這條路走到頭，都是一樣的結論：人永遠不夠用。所以我選擇做智能體，不是因為它酷，而是因為它是企業生存的新底座。04 創客匠人智能體，就是我給企業準備的“中控大腦”我們沒有做“AI小工具”，做的是企業運轉的新神經系統：AI員工：替代重複勞動真正能執行任務，而不是聊天陪伴。AI流程編排：把動作串起來不是回覆一句，而是做完一件事。AI知識庫：把組織經驗沉澱下來不是再靠老人帶新人，而是系統帶團隊。AI中控台：協調任務、分配資源、監控結果企業的大腦，未來的指揮系統。一句話總結：讓企業第一次可以靠系統擴張，而不是靠人力擴張。05 機器人負責幹活，智能體負責指揮——企業第一次擁有了“數位化勞動力體系”當我看到 MATRIX-3 能摸、能懂、能協作，我腦子裡的畫面突然清晰起來：智能體負責思考、決策、分發任務機器人負責執行、搬運、觸達現實聰明的腦袋 + 聽指揮的四肢這就是新時代企業的基本結構。說白了：人類社會第一次可以批次複製“能力”。這不是效率提升，這是文明躍遷。06 最後一句肺腑之言：未來不是看誰跑得快，而是誰先換上新的發動機。智能體不是錦上添花，是生死線。機器人開始感知世界AI正在獲得行動能力企業開始擁有系統神經我堅信：不是AI替代人，而是有AI的企業幹掉沒有AI的企業。所以我還在創業，還在沖，不是因為我閒不住，而是因為我太清楚：這是下一輪企業的分水嶺。 (創客匠人CEO老蔣)

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)