公司生灭与反共识战略
曾鸣教授指出，科层制管理的传统公司制度终将衰亡。他认为这并非令人遗憾的事，因为未来会出现更有趣、更高效的新组织形态。他指出，经济学的基本规律决定了只要有同质化的供给，就不可能获取高额利润。因此，像 Google 和字节跳动这样的巨头在 AI 时代面临巨大不确定性：Google 未必能延续其统治地位，字节虽然在国内模型第一梯队且有机会成为 AI 云公司，但其核心 To C 应用（如豆包）若无法证明其不可替代性，将面临严峻挑战。腾讯等巨头同样面临社交关系被重构的风险。在巨浪面前，没有任何一家公司是绝对安全的。
曾鸣强调，从历史来看，企业跨越时代周期的成功率极低，“不是多不多的问题，是有没有的问题”。公司也有生老病死，这是正常现象。这种视角的转换让新公司和年轻人有了梦想。曾鸣认为自己的影响力源于理论训练与阿里实战经验的深度融合。他不仅提炼战略方法论，更持续研究前沿产业趋势。回顾阿里过去十五年，真正影响生死存亡的战略决策主要有三个：创立淘宝、支付宝和阿里云。这些决定在当时均面临内部激烈争议，例如高管反对在主业未成熟时投入淘宝。此外，从平台向生态转型以及 All in 无线也是关键决策。
战略落地涉及多层级决定，从一级战略到二级架构选择（如阿里云的多场景服务、开源闭源之争），再到底层技术栈的替换（去 IOE）。战略决策的时刻往往伴随着巨大的不确定性，判断好战略的依据往往是“因为相信，所以看见”。曾鸣指出存在幸存者偏差（Survivor Bias）：最成功的企业一定是反共识的，但反共识不一定成功。卓越一定来自反共识，而在共识赛道中做到极致仅能称为“优秀”。
AI 产业化的三阶段演进
面对 AI 时代的新范式，曾鸣坦言感到困惑与焦虑，直到他理清了通用技术颠覆性创新的三个发展阶段。这一框架源于他对从第一次工业革命到移动互联网历史的系统研究。第一阶段是技术被社会接受并成为基础设施；第二阶段是基于该基础设施产生海量的新应用，即“百花齐放”的过渡期；第三阶段则是原生应用（Native Apps）的出现，即基于新技术底层逻辑重构的核心主流应用。
以移动互联网为例，黑莓手机虽早期垄断市场，但并非原生应用的代表。iPhone 4 之后 App Store 的出现催生了大量应用（如墨迹天气），但这些只是过渡。真正的原生应用需要解决核心需求，例如抖音是短视频展现形式与推荐算法底层技术结合的产物。曾鸣强调，第二阶段（应用大爆发）具有极高的价值且无法跨越，没有第二阶段的积累就无法进入第三阶段。目前 AI 产业正处于第一向第二阶段过渡的关键节点。
曾鸣判断，2026 年将是 AI 第一阶段基本完成的标志性年份。核心信号是 Token（词元）成为标准度量衡。当技术拥有如“一度电”、“一吨水”般的标准化计量单位时，它便真正成为了社会基础设施。英伟达提出“Token Factory”，OpenAI 核心业务转向卖 Token，标志着 AI 服务实现了规模化、标准化和低成本化。与此同时，今年春节前后 Open Claw（龙虾）等智能体应用的爆发，展示了 Agent 独立完成任务的无限潜力。因此，AI 已进入第二阶段——智能体阶段。
从信息时代到能力时代的范式跃迁
春节期间的忙碌让大家看到了 Agent（智能体） 独立完成任务的无限潜力，这标志着 AI 正式进入第二个阶段——智能体阶段。如果将这一进程类比互联网历史，我们正站在一个类似 1992-1995 年的关键节点。过去我们处于“信息时代”，核心动作是建站分享信息；而今天，随着大模型和 Agent 的出现，我们进入了“能力时代”，核心动作是封装并分享能力。正如当年浏览器降低了建站门槛，让信息供给爆发一样，未来的关键突破在于出现一个类似浏览器的产品，它能统一 Agent 标准并极大降低调用门槛。目前我们仍处于“熵增”阶段，各种 Skill 能力爆发但缺乏结构化梳理（即缺少类似雅虎的目录服务），因此下一个最大的机会在于统一 Agent 标准的“浏览器”级产品。
模型公司的基础设施属性与商业宿命
大模型公司本质上类似于 AI 云或历史上的 AOL（美国在线），是智能时代的基础设施服务商。虽然 OpenAI、Anthropic 等公司目前市值惊人（如 Anthropic 成立不久即达万亿美金），但这在商业史上并非孤例。回顾历史，雅虎、AOL 和早期的 Google 都在技术爆发初期实现了市值的指数级增长（如雅虎五年内从成立到千亿美金，AOL 巅峰估值超三千亿）。然而，基础设施型公司很难直接转化为成功的应用层巨头。正如石油炼油厂无法变成汽车制造商，模型公司作为“炼油厂”，其核心价值在于提供底层智能入口。尽管 Coding 等能力让 Token 价值提升，但这仍属于基础能力的延伸。第一阶段的基础设施企业很难活到第二阶段的应用爆发期，因为两者的核心能力要求截然不同：前者依赖技术可用性突破，后者需要极强的产品洞察力、用户同理心以及针对新范式（如上下文管理）的技术创新。
寡头垄断格局与“这次不一样”的谬误
对于模型公司的最终格局，历史规律指向寡头垄断加政府强监管。作为社会关键基础设施，其供给必须稳定且低成本，因此不会出现无序竞争或单一供应商垄断。当前 OpenAI、Anthropic 与 Google 之间的博弈，以及 XAI 和 Meta 的掉队退场，正是这一整合过程的体现。尽管陆奇博士等观点认为 OpenAI 将成为比 Google 大十倍的巨头，但基于商业动力学规律，“这次不一样”往往是一种认知幻觉。历史反复证明，技术冲击力强时，第一波跑出的公司价值巨大，但未必能活到最后。未来的十万亿美元级 AI 巨头很可能诞生于应用层或新的技术范式结合点，而非当前的基础设施领跑者。我们应警惕将当前的高估值等同于最终的产业赢家地位，因为第一阶段的企业很难平滑过渡到第二、三阶段。
智能复利与组织优势：寡头竞争下的掉队逻辑
在当前的AI竞赛中，Anthropic 率先领跑，OpenAI 紧随其后，而 Google 阶段性被甩开，X AI 和 Meta 则直接退出竞赛。这种格局变化的核心在于组织能力与技术能力的差距。曾鸣指出，这与他新书中提到的“智能复利”概念密切相关。Anthropic 从去年下半年开始意识到，将大模型用于训练自身的大模型（即 AI 进入其主业），从而大幅提升了模型训练能力。虽然尚未达到完全自我驱动（self-learning）的阶段，但局部使用已产生巨大价值。
此外，Anthropic 拥有显著的组织优势和战略聚焦能力。当这种组织优势与新技术的运营方式结合时，产生了巨大的领先优势，并将较弱的玩家甩开。在中国市场，模型公司也在进行类似的淘汰赛竞争，预计年底若无法达到 3T 参数的模型规模，部分公司将出局。目前 Kimi 已在 2.8T-3T 区间交卷，MiniMax、千问等也在冲刺这一晋级线。美国方面，Anthropic 和 OpenAI 通过智能复利飞轮形成了“黑洞效应”，差距越拉越大，导致云厂商感到焦虑。对于新进入者而言，作为基础设施的大模型公司窗口期已关闭，因为竞争已进入智能飞轮启动阶段，新玩家缺乏积累。模型公司最终会呈现同质化与差异化并存的特征：同质化保证可替代性，差异化确保盈利空间。这是一个成熟的生意，但企业不再是“当红炸子鸡”，而是成为被调用的基础设施服务者。
当你组织优势跟一个新的技术的运营方式结合在一起的时候，它就产生了一个巨大的领先优势。
寡头竞争的特征就是有一定的差异化，但是又足够的同质化。
从数据飞轮到智能复利：Agent 时代的信任与入口重构
随着模型格局趋于稳定，下一个竞争焦点转向 Agent（智能体） 应用。曾鸣认为，未来的赢家将是那些能建立 Agent 标准、抢占用户入口的公司，类似当年的 Netscape 或 Yahoo。当前 Web 大会中应用层占比极小，但三年后可能出现 Agent 的“路口”。由于 Agent 数量激增且涉及隐私、资金等高风险决策，用户面临信任危机。因此，需要一个独立第三方服务商来建立信任标准和推荐机制，形成类似双边市场的结构：一边是海量 Agent 开发商，另一边是海量用户。
在应用层面，简单的任务（如广告素材生成）缺乏长期价值，因为当智能能力不足时，应用只是“脚手架”，会被模型自然进化淹没。真正的机会在于复杂任务。曾鸣强调，今天的核心是“干活”，且必须是复杂的活。简单的活容易被复杂任务吞没，缺乏成长空间。例如，“增长”比“广告生成”更有前途，因为它涉及复杂闭环和技术积累。
关于飞轮机制，传统的数据飞轮升级为智能复利（智力飞轮）。这需要算法创新、应用场景和真实世界反馈的结合。Agent 需独立干活，通过上下文管理、记忆等算法创新形成智能复利，并在特定场景中变得越聪明。若能在最具规模化潜力的场景中找到切入点，就可能形成黑洞效应，进入第三阶段竞争。
此外，网络效应在 AI 时代演变为“黑洞效应”。数据智能（Data Intelligence）与网络协同（Network Collaboration）均得到升级。越多元、差异化的数据连接能产生新洞察，而黑洞效应通过吞噬更多场景拓宽智商。尽管目前尚未出现像 90 年代浏览器爆发那样的原生应用爆款（如 OpenCloud 引发的焦虑感），但判断力已成为稀缺资源，独立第三方的信任中介将成为新平台的核心价值。
当智能能力不够的时候，你做应用很大程度上是在做脚手架，然后等着模型自然艺术把你脚手架就淹没了。
黑洞效应相当于这两个都升级了，就是数据智能...然后网络协同实际上是变成了这个黑洞的一种内部的网络结构。
从信息匹配到能力调度：Agentic OS 的远景与现状
在当前的AI生态中，判断力正在取代信息不对称成为新的稀缺资源。由于使用Agent可能带来显著的负面影响，用户对第三方判断力的依赖度极高，这催生了一个典型的双边市场结构：海量的Agent开发商与海量用户之间需要通过一个被信任的独立第三方来完成匹配。然而，旧平台很难直接演化为新平台。传统互联网平台主要解决的是简单的“信息匹配”，而新的Agent原生平台需要处理复杂的能力与需求的匹配。这种底层逻辑的变化意味着，除非是原生的Agent公司，否则很难提供最佳的通用开发平台。因此，大概率会诞生新的原生公司。虽然目前距离真正的“Agentic OS”阶段还有3到5年的差距，但这一概念代表了第三阶段的终极形态：用户只需输入意图，系统即可直接调度市场上所有Agent完成任务，而无需感知具体是哪个Agent在运行。这种模式要求Agent技术足够成熟且生态足够复杂，因此当前的讨论虽具前瞻性意义，但短期内难以落地。
旧的平台做的是简单的信息匹配。新的平台要做的是能力跟需求的匹配，所以复杂度高了很多。
只有到一个足够复杂的阶段，你才需要直接去调度 agent，然后 agent 也得成熟到那个阶段，才能被简单的调用。
应用层的“青黄不接”与历史规律：从电力史看AI演进
当前Agent应用公司正处于创业者的反共识阶段。尽管去年硅谷呈现“创业天堂”般的狂热，但今年随着模型推理能力的实质性突破，许多仅靠简单调用API的“过家家”式应用被淹没。行业面临青黄不接的局面：模型能力已溢出至简单任务，但尚未找到足够复杂、高价值且能形成独特技术积累的大场景。这种困境类似于电力发展的历史规律。1892年爱迪生发明电灯，但直到1910年电网覆盖主要城市后，才出现了洗衣机、冰箱等To C大应用；空调则迟至1925年，电视到1930年。爱迪生虽成立通用电气（GE）做发电，但真正让电网成为基础设施、并推动GE繁荣六十年的是其后续生产的家电应用。同样，AI的发展也遵循“基础设施先行，应用爆发滞后”的规律。目前我们正处于电网刚建成、家电尚未大规模普及的阶段。模型公司不会吞噬一切，因为当智能达到一定水平后，不同场景会产生新的技术要求。应用公司的价值在于利用智能做出独特的To C或To B产品，而非单纯依赖模型能力。
我们正好处在一个青黄不接的时候：模型的能力已经溢出到很多简单的任务，它自己就能干了；但是呢，我们又没有找到一个足够大的场景，可以用 agent 的方法，去真正让 AI 做一个足够复杂又足够有价值的事情。
爱迪生发明了电，但是他认为发电更重要……通用电气真正成功，是因为它生产出了最早的电冰箱跟洗衣机。
边界清晰化：Agent 公司无需自训模型，New Labs 探索新范式
关于应用层与基础层的边界问题，Agent公司与模型公司的界限将逐渐清晰。由于大模型间的竞争使其能力趋向于成为“大众商品”和基础设施，做智能体（Agent）的公司没必要再开发传统意义上的大模型。以Cursor为例，它早期是在试探Coding能力的边界，随着基础模型的迭代，其功能被“折叠”进模型能力中。因此，Agent公司应专注于利用稳定调用的基础智能进行技术创新，而非陷入模型训练的军备竞赛。至于OpenClaw等早期产品热度下降，是因为其仍停留在极客和CEO的小众实验阶段，技术尚不成熟，未能实现大众化突破。尽管目前缺乏现象级To C Agent应用，但长期来看必然会出现。对于当下苦苦挣扎的应用CEO，建议是找到自身方向并扎实做好产品。此外，2026年涌现的众多“New Labs”（新实验室）反映了三种趋势：一是部分人认为现有Scaling Law存在边际递减天花板；二是基于原理对当前范式偏差的修正尝试（如严朗坤的观点）；三是利用大模型基础能力，探索AI for Science等底层但路径不同的创新。这些新范式的确立将推动产业生态进一步清晰化。
做智能体的公司其实没必要再开发这样的大模型了……因为大模型之间的竞争关系会让大模型能提供的能力成为一个大众商品、基础设施。
一部分人可能是看到了现有范式的一个天花板……第三个呢，我觉得反而是因为大模型的基础能力到了一定的程度，大家可以去尝试一些跟现有大模型技术路径不太一样，但是也非常底层的一些创新。
New Lab：工业时代公司制度的终结与新组织雏形
关于“New Labs”（新实验室）的兴起，曾鸣将其归因于三个层面：首先是对 Scaling Law 边际递减效应的共识；其次是大模型基础能力达到一定阈值后，允许探索如 AI for Science 等底层创新路径；最后也是核心原因——对传统公司组织形式的不满。他指出，公司是工业时代的产物，其存在依赖于现代化管理以支撑规模化扩张。当 AI 挑战了工业时代的基本经济规律时，科层制管理的公司制度必然走向衰亡。因此，“Lab”这一称呼并非随意，它代表了新组织形态的早期雏形。
曾鸣强调，“New Lab”目前更像是一批研究员的工作状态，而非最终形态。真正的第一个 New Lab 是 OpenAI 或 Anthropic，它们借用了这种组织形式但从事不同业务。未来随着普通人以原生方式工作，这一形态将继续演化。由于该组织形态尚处于孕育期，目前尚无标准定义，因此大家暂用“AI 原生组织”或简称 New Lab。曾鸣预测，五年后可能会出现一个专门的新词来定义这种形态，但“公司”这个词肯定会被淘汰。尽管组织永远存在（因为有人的地方就有组织），但其形态将从垂直分工、命令线驱动的科层制，转变为基于能力调用的网状结构。
“公司跟工业时代是一起产生的……如果工业时代的这个很多的基本经济规律被挑战了，它的组织形态肯定也会被挑战。”
“New Lab 它不能算是一个阶段性的产物，它可能算是一个新的时代的一个组织的早期形态。”
从岗位到任务：AI 原生组织的底层逻辑重构
在 AI 革命中，变化之所以剧烈到“伤筋动骨”，是因为它颠覆了人类作为唯一智能动物的地位，以及由此衍生的社会结构。曾鸣通过两个类比解释这种剧烈性：一是 AI 之于工业时代，如同工业革命颠覆农业时代；二是 AI 具备了语言理解和智能能力，使得过去习以为常的事情在二十年后可能完全消失。
构建 AI 原生组织的底层逻辑在于基本单元从“岗位”转变为“任务”。传统公司中，岗位是运行基础，衍生出汇报线、层级和报酬；而在 AI 时代，组织围绕待解决的任务（Task）流转。硅基员工与碳基员工共同协同完成任务分解、分配与交付。这意味着传统的“应聘岗位”将变为“认领任务”，层级结构因不再需要命令线而消失。激励机制也随之改变：传统的晋升阶梯（爬格子）失效，取而代之的是基于贡献透明度的自驱力。硅谷流行的“High Agency”（主观能动性）成为核心，员工需向内寻找驱动力、培养能力并匹配场景。由于贡献在网络中高度透明（如 Top Researcher 的江湖地位无需 Title 证明），绩效奖励将直接且透明地对应任务交付结果。此外，曾鸣指出“一人公司”仅是阶段性产物，未来个体将作为“六边形战士”，在新型组织中与其他高手协作。
“AI 时代组织的基本单元是任务，是什么是要被解决的事情……硅基员工和碳基员工都是围绕着任务的流转，在协同的。”
“传统意义上的忠诚肯定是消亡了……本质上是自驱啊，就为什么这半年硅谷最流行的一个词叫 high agency。”
认知鸿沟、泡沫价值与战略组织的共生
面对传统公司的转型，曾鸣提出“不换脑袋就换人”的残酷建议。AI 原生认知的价值在于理解新物种的成长路径及跨越鸿沟的难度，否则企业将陷入“AI+”的惯性陷阱，最终在与原生公司的竞争中绝望。转型之所以困难且反人性，是因为它要求管理者彻底重构对组织运行的理解。
关于 New Labs 的高估值与泡沫，曾鸣认为早期的泡沫是市场机制试错的必要成本。投资人押注 New Labs 并非仅因其当前价值，而是赌其有潜力成为下一个 OpenAI 或 Anthropic。即便 New Labs 最终仅作为基础设施提供商，其从零到万亿的潜在回报也足以支撑高估值。曾鸣在书中将组织置于战略之前，因为 AI 带来的范式革命要求新物种的共性优先于单一环节。新的组织形态是为应对决策频率和质量双高的挑战而生的，只有新组织才能生成匹配未来生存方式的战略。对于 AI Native 公司的 CEO，曾鸣建议的核心是“自身原生的深度”：真正走远的创业者往往利用 AI 快速重写内部运行体系，而大多数人因迁移成本和认知局限停留在现有工具升级上。这一分水岭决定了企业能否真正进入原生时代。
“不换脑袋就换人……你得理解新物种会长成啥样，你至少要理解你要跨过的那个鸿沟有多大。”
“我想要的那种未来的战略的生存方式跟原有的组织是不匹配的，它只有用新的组织形态才能生成新的战略。”
AI原生组织的神经网络与CEO的转型挑战
许多前沿创业者通过深刻的理解，将AI视为快速实现组织运行原型的工具。他们不再满足于飞书等现有工具的升级，而是选择自己动手重写组织的“神经网络”。传统的ERP系统如同固化的道路，存在僵化与局限；而AI驱动的神经网络具备实时反应能力，其适应能力远超任何传统系统。对于现有公司的CEO而言，若想参与最前沿的竞争，必须在AI原生方面投入巨大努力。战略与组织是阴阳两面，二者基于同样的新DNA生长。在讨论战略时必然涉及组织架构、人员配置及核心挑战，因为组织是解决这些问题的载体。
未来组织的形态将发生显著变化：中心从“以岗位为中心”转变为“以任务为中心”。在第二阶段，由于AI杠杆作用巨大且对人的要求较高，能够适应新组织的初期人群较少，主要是那些积极主动、学习能力极强的少数人。他们摸索出与AI协同的方法后，未来可能开放给更多人参与。这一变革的规模应被看作比工业革命更大的变化，而不仅仅是互联网层面的迭代。随着技术成为基础设施，产品经理的重要性将变得无比重要，因为他们需要决定做什么产品、服务谁以及创造什么价值。
合伙人制回归与卓越创始人的特质
在AI时代，企业将越来越像“合伙人企业”。正如早期的律师事务所、投行和咨询公司那样，未来的组织特征是全员具有不可替代性：每个人都是合伙人（早期为联创），少了谁都不行。这种组织形式导致团队人数显著减少，且成员间呈现差异化互补而非同质化覆盖。如果功能重叠，将由AI数字分身替代。
关于创始人的层级，《基业长青》与《从优秀到卓越》揭示了关键区别：“优秀”是持续获得正反馈的成长过程，而“卓越”是在所有人不认可时克服负反馈、最终被事后认定的先知。绝大多数人停留在“优秀”，因为这与人的心态匹配；而走向卓越需要极低的自我（Ego）。利他、同理心和逐渐变小的自我是走向卓越的必要条件。如果为了证明自己的强大（Ego大），就会陷入短期正反馈的循环，无法真正感知世界。真正的使命驱动（如马云“让天下没有难做的生意”或马斯克探索火星）是发自内心的相信，而非写在墙上的口号。辨别使命与战略的关键在于自问：“十年以后你会对怎样的自己满意？”
AI时代的战略方法论：看十年、想三年、干一年
在AI时代，战略的重要性被空前放大。由于环境极度不确定且淘汰赛以月为单位进行，做出一个错误决定可能导致出局。因此，越是不确定的时候，越需要强大的战略思考能力。“看十年、想三年、干一年”是AI时代战略方法论的形象化总结。
这与工业时代的逻辑截然不同。在90年代至2000年的成熟缓慢市场中，增长线性可预测（如每年5%-8%），战略显得不重要甚至可以被外包给麦肯锡等咨询公司。但在今天，区分信号与噪音需要更全面的感知和更深度的思考。许多创业者失败是因为“不过脑”，盲目追随流行趋势，导致永远在追赶别人已冒出水面的第三步。掌握“心法”而非死记硬背理论，才能根据具体情况随机应变，在快速变化的AI浪潮中保持方向感。
从线性外推到非线性涌现：战略周期的重构
九十年代至2000年左右，传统企业处于一个相对成熟且发展缓慢的世界。在每年5%-8%的线性增长环境下，看十年是清晰的，战略因此变得不重要，甚至被外包给麦肯锡、BCG等咨询公司进行线性外推。然而今天的问题在于，看一年远远不够，也无法通过线性外推得出指数级增长。由于未来极度不确定，仅靠看十年无法指导当下行动。因此，真正的创造力在于“看三年”：要求企业规划出第一、第二、第三个里程碑，并明确今年最重要的事服务于哪个中期目标。这种短期、中期、长期之间的动态张力，迫使企业在三维空间中思考最优解，而非二维平面。正如曾鸣所言：“看十年，想三年，干一年”是一个形象化比喻，其本质是彰显中期思考的创造力及利益取舍。具体节奏可因行业而异（如看五年想两年干半年），但核心必须包含至少三步的中期节点思考。
真正的创造力在看三年。看三年，要求你大概看个两三部……这个张力引领企业有可能更好的做出当下的战略选择。
在一个三维空间思考最优解，跟你在一个二维平面寻一个最优解，完全不是一回事。
以Agent应用公司为例，若仅线性看待AR（年化收入）增长会产生幻觉。当竞争对手增多时，定价逻辑会从客户价值转向边际成本。此时若缺乏中期视野（如AR天花板何时到来），企业可能在短期价值模型溢出后陷入无想象空间的竞争。因此，战略指标不能仅依赖KPI数字（因未来目标难以量化），而需通过OKR进行对齐。虽然传统OKR落地难，但在AI时代，“对齐”变得更具可行性：AI系统能追踪自然语言表达，充当无处不在的“组织大脑”，提醒团队偏离目标或发现趋势。这意味着OAI（Open AI/开放智能）的基本理念在AI时代才真正具备落地条件。
战略生成与组织进化：从控制到Context共享
AI时代的战略制定不再是“规划”，而是“生成”。公司需构建一套让洞察涌现的体系与环境，使战略成为合适的人在合适时间做出的自然决定。这要求组织具备神经网络般的工作流与任务流导向能力，人与AI共同训练一个“组织小模型”，核心目标是让群体智慧演进并涌现出未曾想到的洞察。
为此，组织文化需从控制转向Context（上下文）共享。过去“给足信息”被视为理想化，如今AI使全员共享完整长上下文成为可能。人负责瞬间创造力与连接发现，AI处理海量信息，二者协同实现决策涌现。这种变化也解释了为何年轻人反感“老登”（旧时代科层制代表）：因为经验的价值被大模型吸收。过去二十年积累的经验已沉淀在AI中，年轻人借助AI杠杆可瞬间成为专家，导致对传统权威与经验的尊重瓦解。新时代的文化核心是创造、开放、透明与共创，每个人都不可或缺且拥有明星角色般的价值。
以前叫战略规划。现在叫战略生成……真正要做的是一套体系，一个环境。可以让战略洞察涌现出来。
所有的经验都被沉淀在大模型里头了，所以你过去二十年的经验还有啥价值呢？
对于不同阶段的公司：大模型公司进入战略发展期/成熟期，核心是追求规模化与执行效率；而机器人等早期公司处于战略摸索期/探索期，核心是降低试错成本、提升创新效率。在探索期，一号位需带领团队快速消化他人经验以形成共识，而非执着于单一方向。
基建拐点与应用公司的生存逻辑
当前大模型行业面临同质化竞争，打破了长期高额垄断利润的预期，引发市场对持续高Capex（资本支出）的担忧。然而，只要智能供给未达到理想状态，基础设施投入就会持续。虽然基建投入可能因周期性超过真实需求而出现拐点，但这未必是坏事：应用公司将能以极低成本调用强大且稳定的智能，大幅降低进入门槛。
尽管成本下降利好应用层，但“苟一苟”并非策略。若不参与当下竞争，无法积累应对未来浪潮的经验。创业者的心态也需转变：从“老板心态”转向服务型CEO。在反PUA、追求情绪价值与自我发展的新时代，招聘是第一优先级。AI赋予个体更大自由度去追求更好的人生，组织将因此变得更开心、更有创造力。情绪价值与快乐将成为组织的必需品。
只要这个智能的这个供给还没达到大家想要那个状态，基础设施就会持续投入。
我觉得应用公司还是要有希望……他们下场也是因为他们感受到了来自于未来的某些召唤。
应用公司的困境与机器人的早期探索
智能调用的门槛大幅降低，变得便宜、强大且稳定。只要基础设施未达到理想状态，投入就会持续，但应用公司面临一个悖论：看似可以“苟一苟”等待技术成熟，实则无法积累关键经验。一旦大浪来袭，缺乏实战经验的公司将难以承接。应用公司必须保持希望并主动下场，因为只有在场才能感知未来的召唤。尽管外界可能未感受到这种强烈的信念，但头部玩家的行动已表明趋势。
机器人产业目前仍处于非常早期的战略探索期。与早期大模型公司不同，机器人面临数据等核心制约。目前存在两条主要路径：一是从“大脑”入手，追求模型泛化性；二是从具体场景切入（具身智能），通过数据闭环反哺模型能力。逻辑上两条路均成立，但挑战各异：泛化路径需解决空间大小问题，场景路径则受限于当前场景规模及快速扩张至大场景的能力。这如同登山，南坡北坡皆可行，但谁更快难以预判。
你也没法苟一苟，等一等，因为你不在这场里头，你积累不了相应的经验。嗯，等真的大浪来了，你接不住啊。
最简单的类比就是他们自己认为的还在两二零二零年左右的阶段，还没到全 GPT 的阶段的大模型公司。
历史类比：从福特T型车到电力电器
机器人产业可类比为1900年至1920年的汽车业。当时美国有数千家造车公司，大多仅能组装机械功能。转折点出现在1913年，福特建立全球第一条电力驱动流水线，实现了规模化量产与标准化（如只卖黑色车），使汽车成为大众消费品。随后通用汽车通过多元化车型应对需求变化，证明战略有效性具有时代局限性。当前机器人行业正等待类似的“T型车时刻”，即实现规模化量产的突破。
更深层的类比是电力的普及。Token如同电力，而机器人则是基于此产生的“电器”。正如冰箱、洗衣机等多样电器的出现，未来可能出现适用于不同大场景的多种机器人（如陪伴型家用、家务型家用及工业级）。AI与物理世界交互的基本界面属性，使得机器人产业更像电器发展史而非单一产品竞争。汽车作为对外场景的主打品，而家庭内部则对应洗衣机、冰箱等细分领域。
福特是建了全世界第一条由电驱动的流水线。现代制造业才进入了一个新的阶段，福特才能用极高的效率生产出一个大众可以消费得起的汽车。
机器人可能更好的类比就是电器的发展，那个可能是一个更好的类比。然后汽车成了中间的主打，因为token类比的是电嘛。
巨头的生存危机与AI的颠覆性本质
在技术浪潮面前，没有任何巨头是绝对安全的。IBM和微软曾成功跨越时代（如从PC到云），但当前AI时代的挑战更为严峻。微软虽拥有OpenAI早期投资，但在模型投入上已显落后；Google作为云厂商生存无忧，但能否成为下一代入口级应用存疑。字节跳动虽在视频生成和多模态领域具备世界一流实力，但其核心产品豆包更像第一代聊天机器人而非真正的智能体（Agent），缺乏独立完成任务的行动力。
AI被视为颠覆性技术而非延续性创新。移动互联网是“1.5次创新”，兼具互联网架构的延续性与移动端的颠覆性，因此既有巨头转型成功（如腾讯微信），也有原生公司崛起（抖音、拼多多）。但AI颠覆的是工业革命本身，是生产力的革命而非仅生产关系的调整。原有物种适应新环境的难度极大，因为技术储备非线性。
组织文化成为关键制约。十万人的大公司转型AI原生远比十人团队成长更难。X AI因高压消耗导致工程师疲惫，缺乏创新所需的放松状态；Meta受限于规模调度及领导层对模型理解的偏差。相比之下，OpenAI和Anthropic作为新时代创业公司，组织文化更匹配技术爆发力。成功的关键在于先做出真正成功的Agent，以此确立事实标准并吸引开发者生态。
人有生老病死，公司也有生老病死，没有比这更正常的了。所以新公司才有机会，年轻人才有才有梦想啊！
你如果没有做出第一个真正成功的 agent，你大概率不理解 agent 是怎么运行的，你就没有办法提供那个基础设施，成为不了那个事实上的标准。
中美大模型竞争格局：从同质化到应用驱动
在对比 Anthropic 与 OpenAI 时，Dario Amodei 对使命愿景的精准把握使得 Anthropic 展现出极强的 Vision Driven（愿景驱动） 爆发力；而 OpenAI凭借深厚的底子，即便在追赶阶段也保持着极快的速度。这两家公司本质上都是新时代的创业公司，其组织文化更匹配当前的技术范式。
相比之下，中国公司的竞争呈现出不同的特征。虽然 Kimi 等公司更具原生性，但像字节跳动这样的巨头在张一鸣决定 All in 后，其执行速度同样极快。中国市场竞争收敛缓慢的核心原因在于缺乏健康的酝酿期。美国企业通常拥有两三年的先发优势，而中国企业目前仍是在快速跟进美国的原型。由于大家看到的图像相似且都能从硅谷挖到人才，导致竞争迅速陷入同质化的“百团大战”。尽管 杨植麟、严俊杰 等少数认知深刻的团队跑在前头，但整体格局仍显拥挤。
关于“现在是否还应做大模型”的争议，曾鸣指出，像小红书、米哈游这样的公司做模型并非为了参与基础设施 API 的工厂竞争，而是作为应用的基础能力储备。在下一代大应用中，模型与应用的边界将变得模糊。如果在这一代断代太厉害，下一代应用可能无法承接。因此，这更像是一个能力储备的过程，而非单纯的基础设施竞争。
中国的企业呢，至少到目前这一轮为止，还是在美国原型上的一个快速跟进。所以大家同时起步的话，就必然变成百团大战。
我不觉得这两家公司愿意参加大模型作为基础设施的API的工厂这样的竞争。但是他们起码认为做应用的前提是我得有一个很强的模型。
创造力时代：德鲁克框架下的AI与人的新分工
曾鸣拒绝做短期预测，但基于长期规律指出：A 轨道的路口（第二阶段）可能出现，而类似抖音、拼多多这样的颠覆性产品属于第三阶段。虽然距离现在可能还有八到十年，但这为应用创业者提供了希望——OpenAI 已成立十一年，我们正处在其加速期的开端。
当智能成为像能源一样的外部资源时，人与人的差异将体现在创造力。借用 彼得·德鲁克（Peter Drucker） 的分析框架，人类社会经历了从生产力革命（流水线取代手工作坊）、到管理革命（科学管理与商学院诞生），再到知识革命（软件沉淀知识与最佳实践）的演变。曾鸣认为，AI 时代可定义为创造力时代。所有结构化处理的知识工作将被 AI 接管，人则被“解放”去开发新的潜能。
这里的创造力并非简单的写歌画画，而是无中生有的能力。既然已有的数据机器都已获取，人的价值在于定义复杂问题、开发未被满足的需求（如情感陪伴）。这种“原创造力”可能不直接贡献于物理世界的巨大进步，但能极大提升人类的成长与幸福感。
所有可以被结构化处理的知识这样类型的工作都会被 AI 接管，然后人一方面被逼着去开发自己新的潜能……而我认为这个空间是非常大的。
这种创造可能从机器的角度来说很无聊啊，因为它可能就是各种各样的情感陪伴……但是它可能对人类的成长跟幸福感有很多的帮助。
拥抱不确定性：教育变革与快乐研究员的日常
随着虚拟世界比例升高，围绕实体公司建立的办公室等形态将发生巨变。曾鸣观察到，00后创业者想象的世界与当下完全不同，他们更适应这种天翻地覆的变化。这引发了对教育体制的深刻反思：传统教育是智商激励与知识灌输，压抑了兴趣并让人固定在旧世界的模式中。未来最大的社会冲突将集中在教育系统上——年轻人知道旧方法无用，家长想改变却不知新方法何在。社会需要投入巨大资源去探索如何顺应开放路径开发潜能。
在人与 AI 的关系上，组织内部将是深度协同。个人将演变为“加强版的人”，通过可穿戴设备、外骨骼等实现人机融合。面对巨大的不确定性，心态必须从“降低不确定性”转变为拥抱不确定性。恐惧复杂性与不确定性会阻碍前行，而将其视为创造新事物的机会才是年轻创业者应有的心态。
曾鸣自称为“快乐的研究员”，其日常包括与创业者交流最新想法、通过 AI 工具高效获取资讯以节省精力。他提醒人们，AI 的高效处理容易让人陷入生物性的疲惫，需要找到人与 AI 的合理节奏。在文明进步的衡量上，尽管哲学层面存疑，但从指标看（如温饱、信息对称），新技术驾驭得当必然提升快乐指数。正如早期 Google 通过尊重差异与释放创造力营造氛围，未来组织的核心标准之一将是能否让人更快乐。他的个人书单包括《基业长青》、德鲁克著作以及弗里德曼关于市场机制的书籍，这些构成了他对管理学与战略学的深厚兴趣基础。
原来我们倾向于降低不确定性，但是我觉得在这个阶段，其实是要拥抱不确定性。不确定性就是最大的机会。
做一个快乐的研究员……我觉得在现在的这个语境下是挺有、挺有趣的一个定位。
塑造商业认知的底层阅读与学科选择
在探讨“世界工作室”或智能体级世界的概念之前，回顾影响深远的阅读经历有助于理解其思维底色。在管理学领域，《基业长青》系列以及彼得·德鲁克的著作构成了基础框架。此外，本科时期深入研读并几乎全文摘录的弗里德曼关于市场基本运营机制的书，虽然篇幅不长但极其精彩，奠定了其对市场经济运行逻辑的根本理解。
这种对管理学尤其是战略学的深厚兴趣，源于个人早期的人生选择。高中时期作为第一届文理分科的学生，尽管具备理科竞赛能力且成绩优异（年级第一），但因更热爱历史与人文而主动放弃了奥数等理科路径。进入大学学习经济学后，发现其数学要求甚至超过大部分工科专业，感到枯燥乏味，因此在攻读博士时最终选择了商学院。选择战略学的核心原因在于其宏观性以及必须建立真实世界与理论世界连接的学科特性，这种连接过程被认为极具趣味性和挑战性。
从战略驱动到使命驱动的卓越层级
关于CEO与战略能力的关系，核心观点指出“战略是一个组织的大脑”，这必须由CEO亲自承担。然而，在创始人中真正具备顶级战略能力的并不多。企业发展的驱动力存在层级差异：从使命驱动、愿景驱动到战略驱动，能走到“战略驱动”阶段的企业已属优秀，但若要达到卓越（Excellence），严格来讲必须是“使命驱动”。
实现这种互补性的路径多样：有的创始人先有愿景再发展出使命，有的是天生使命驱动；另一种常见模式是团队内的能力互补。例如王兴与王慧文的组合，一人战略能力强，另一人动手执行力强，这种互补性极为难得。以字节跳动为例，虽然因与张一鸣个人交流不多而无法判断其是否具备深层使命驱动，但公认张一鸣是拥有独立管理哲学的天才。字节至少属于“愿景驱动”，并具备完整的组织理解力，例如早期提出的“公司级产品”概念极具前瞻性。此外，字节是最早跟进并高度模仿Netflix（奈飞）那种典型硅谷文化的中国公司。
效率工厂的宿命与时代转型
尽管字节早期在文化和组织理念上领先，但其最终演变为一个“效率工厂”。这是因为当战略逻辑被彻底厘清后，执行阶段便转向对极致效率的追求。任何公司发展到后期都会陷入追求效率的陷阱，因为战略清晰后剩下的就是执行任务。
然而，组织的宿命在于时代必然发生变化。当外部环境改变时，原本高效的执行体系可能不再适用。因此，企业面临两个选择：要么彻底转型以适应新时代（如张一鸣重新下场定义AI战略），要么被时代淘汰。这一规律对所有人都是公平的，新的时代既带来挑战也蕴含机遇。
卓越的可能严格讲得是使命驱动的，才有可能走向卓越。
组织的宿命就是时代一定会变化，让你原来那套不适合，所以你要不就彻底转型，要不就被时代淘汰。