AI 2025:未來的技術、公司和人

AI這么個跑法，臨近年底實在有必要推測下未來的公司和人什么樣。這事以前寫過一點，這次把層次往深層做下推進。

未來的公司

在AI持續崛起的背景下，我認為未來的公司會變成這樣：

公司會分化為兩套彼此連接的系統，一套系統以執行為主，一套系統以規劃為主。抽象說就是下面這張圖：

原圖是DeepMind畫的

這張圖我第一次看到是瀾碼周健做分享的那期AI碰撞局上。

未來很多系統幾乎確定這樣，但這圖不復雜，可有點抽象，并且太技術，什么是Reasoner和Talker呢？

我們需要把它放回到公司的視角下，拿一些具體情境來對它進行些補充說明。

具體來講，在公司視角下，經常說的各種職能除了我們說的戰略處在規劃系統（Reasoner）中，所有其它部分基本都在執行系統中（Talker），比如財務、人事、IT、市場、研發大部分等等。

需要補充說明的是：執行系統并非不做決策，而是確定條件的決策都在執行系統之中，更精確的說法是凡是可以精準建模并可以根據反饋進行決策的部分都在執行系統之中。

我們來舉個例子，比如：

招聘的時候要定人才標準，也要判斷某個人是否符合這個標準。這時候人才標準在規劃系統（Reasoner）中輸出，而對應此標準的數據模型在執行系統之中，具體判斷某個人合適不合適、JD是不是寫的可以外發、是否可以外發Offer這些判斷也在執行系統（Talker）之中。

人的位置

如果公司變成上面這樣，那人的位置在哪里？這時候會出現這樣一種結果：

在規劃系統中，也許需要人也許不需要人來扮演某個角色；在執行系統中幾乎百分百確定不需要人（中長期）。雖然具體進度需要看基礎大模型的進展，但只要想想自動駕駛中的FSD13就知道這注定發生。下面這張圖，在這個背景下可以多些理解出來。

https://www.linkedin.com/pulse/openais-new-5-stages-ai-development-agi-adoption-sohn-cfa-wckfc/

再細化一點：

當規劃系統需要處理的是邊界條件相對比較清晰，反饋也比較清晰的，試錯成本也低的情景時，那真的不需要人。

比如確定“在那里開便利店”更合適這種決策，如果自身判斷標準清楚、相關數據也清楚（租金多少）等。那就不需要人。但如果決策的變量只知道小部分，相關變量一共有多少還不清楚，那就需要人來一起完成規劃。

對比起來說：現在去做互聯網App那差不多就是不需要人介入的情景，而做AI Native應用則是后一種情況。現在大家甚至不知道什么是智能原生應用，AI當然也就不知道，沒有人的介入就很難把混沌狀態轉變成可以用參數、模型來描述的狀態。這時候就需要規劃系統打開一個接口，讓人類能參與進來，最終共同確定最后的輸出。

自動駕駛、招聘、編程等處于兩者之間。

而試錯成本之所以關鍵核心原因在于企業可能支付不起幻覺等所導致的成本，這時候輸出的計劃精度就要更高。

對于試錯成本低的，比如開發某款程序，這時候目標清楚，但程序定義成什么樣不清楚，這時候人參與一起打磨是個方法，另外的方法則是把責任扔給規劃系統，讓它輸出100個符合目標的程序，然后從結果中選一個就可以，并不需要深度人類的介入。

總結來說這就相當于一個混沌狀態會通過較低的試錯成本摸索出結果。

執行系統是否可以實現，即使基于現在的AI進展，看起來核心麻煩在于數據的成本和精度，已經基本不是智能問題了。

近來Ilya的發言你反向解讀就是：只要數據夠，AI就能搞定人能搞定的事。

總結下：

未來組織中人的位置大概是：

在規劃系統中，一端的極值是有一個人承擔社會和法律意義，并沒有經濟意義，AI完成所有的事，一端則是有一個類似過去高管的團隊，彼此角色互補，和AI共建規劃。具體是哪種情況和領域相關。

在執行系統中，里面一端的極值是一個人也沒有，另一端的極值是有很多類似外賣小哥的角色來確保數據的精度。

兩者并非孤立的，而是互為輸入，執行系統的結果是規劃系統的輸入，規劃系統的輸出也必然是執行系統的輸入。

在這樣一套系統里面，公司和個人都會發生本質性變化。包括需要的文化和組織方式。

和AIGC產品的區別

如果產品定位于此，那明顯和過去2年經常說的很多AI產品有巨大差異。過去兩年常見的產品往往定位于增強個人能力，比如強化AIGC的能力的出圖、編碼等等。

而顯然的上面的規劃和執行系統定位于組織，個體（智能體）固然要優秀，但更關鍵在于組織智能。

組織智能的關鍵則在于數據驅動下的反饋和自主、快速進化能力。這種快速進化能力來自于對任務的定義和大模型的智能。

單獨生成能力優秀是是一時的優秀，而組織進化能力則是自我滾動的智能飛輪。

這個智能飛輪的組成是：

最終其滾動的高度受限于大模型的"智商"，領域模型的質量，反饋是否能夠精準收集。

這會有點抽象，打個比方：

如果說單獨某方向的內容生成更像是炮彈的威力，那這種系統型產品就必須配備上準星，同時知道打出去的結果，然后校準準星。單獨產品最終扔在哪兒開炸是使用者定的，系統型產品的準星是要自己調校的。

人類決策和進化算法的區別

在AI驅動的規劃系統和執行系統中，其背后的思維模式是和過去本質不一樣的。

如果說我們做出的各種Copilot后，用它幫助人來寫作、畫畫、寫程序等等還都是在過去的模式里面強化，那上面說的一定是徹底的顛覆。

給人打造的智能體要靠人的知識輸入來定義各種Copilot的行為并獲得結果，這是人類進行決策的模式。

系統中的個體則會貼近進化的思路，它可以瞬間生成成千上萬個個體，只要反饋清楚，那就可以啟動大規模進化。進化的過程就是淘汰的過程。

這時候計劃系統本質負責這條進化路線，執行系統則負責現實的反饋收集。

估計還是抽象，繼續拿招聘舉例子：

按過去的思路做強化，那產品就是：按照一個優秀的招聘人員來定義優秀，然后做工具讓每個人都優秀。

按照進化的思路就完全不一樣，在系統中其實只需要定義優秀所可能牽扯的維度。然后1000個招聘Agent同時上線，對應結果返回給規劃系統，規劃系統不停的進化1000個招聘人員的設定，最終誰優秀完全可以通過反饋數據獲得。顯然的這是過去推薦算法篩選到底推薦誰的過程，不過這次被篩選對象也是系統自己做出來的。（1000是虛數）

順道說一句，這和是否是多智能體沒有必然聯系，多智能體也可以就負責內容生成啊。

但確實和Service as a Software有關系，一定程度上沒有這樣的系統就沒有Service as a Software。

小結

相信很多人還是記得上面這張圖的，這是AlphaGo Zero的進化過程。對于系統型應用而言而言，因為大模型自身沒那么快進行迭代，所以跑出的這條進化曲線會取決于你使用LLMs的方式，使用方式中最為關鍵的顯然是數據。

單個功能是好理解的也常見，但系統級的進化和產品其實也已經開始了，AutoGPT、MetaGPT、AutoGen等演示的其實都是這類東西。群友提醒我devin這類第三代編碼產品其實就是這方向。

上面這些項目最大的誤導性在于，他們往往用多智能體演示一個智能體就能干的事，這有點像用演示幾個人開坦克來演示一個本質是兵團作戰的戰役。

同樣是上面這個題目和這個主題，在29號北大國發院商學開放日上會舉辦一場專題的AI碰撞局，感興趣的同學請聯系：shuixiu2024。這個題目也會單獨開一場偏技術的，把問題聊得更透徹些。和平常的AI碰撞局相比，這次特別之處在于：

1. 開場會有黃卓老師和侯宏老師分別發表主題演講

2. 會先后有兩場一起

初步日程如下(可能調整）：