還把“歷史數(shù)據(jù)”當護城河？靠牛頓的筆記算不出相對論

2016年，圍棋天才李世石惜敗AlphaGo，但他使出“神之一手”，被譽為人類智慧最后的榮光。僅僅一年后，AlphaGo Zero以100:0的絕對碾壓，將曾戰(zhàn)勝李世石的“前輩”徹底擊潰。更令人震驚的是，它達到這個水平只用了3天，沒學(xué)習(xí)任何一盤人類棋譜。

這背后揭示了一個殘酷的真相：“人類引以為傲的千年經(jīng)驗，在真正的智能進化面前，可能非但不是資產(chǎn)，反而成了認知的枷鎖。”元理智能創(chuàng)始人張帆一語道破。張帆，前智譜AI COO，親歷百模大戰(zhàn)，曾主導(dǎo)數(shù)十億大模型項目落地。如今再創(chuàng)業(yè)，目標是解決AI時代最難、也最關(guān)鍵的命題：如何將智能轉(zhuǎn)化為核心生產(chǎn)力？

今天，智能仍在一路狂飆。你剛學(xué)會的應(yīng)用，下個月可能就過時了；你剛掌握的工具，下一波迭代又來了。還有什么能抓住的嗎？張帆老師提供了一個思路，那就是掌握“大模型思維”。它不是又一個時髦詞匯，而是一種全新的認知范式：

別人還在優(yōu)化現(xiàn)有知識，它已直指事物本質(zhì)規(guī)律；

別人還在追求確定性，它已精通概率與不確定性的藝術(shù)；

別人還在囤積數(shù)據(jù)，它已懂得真正的價值在于智能的轉(zhuǎn)化與釋放。

“工業(yè)時代的贏家是‘控制者’，”張帆說，“而今天的贏家，是那些掌握大模型思維、懂得概率管理的人。”你企業(yè)的核心競爭力，不再是你擁有多少數(shù)據(jù)，而在于你能消耗多少智能、轉(zhuǎn)化多少智能。這將是未來十年最殘酷也最公平的競爭。

上周六，張帆老師在混沌APP的深度大課《大模型時代的第一性原理：智能涌現(xiàn)的底層邏輯與商業(yè)范式重塑》中，從三場人機對弈出發(fā)，剖析智能進化的底層邏輯，最終聚焦于每個企業(yè)與個人最迫切的課題：如何重塑思維，抓住未來。

本文為課程內(nèi)容精編，僅占全部內(nèi)容十分之一，完整版在混沌APP。

人機對弈，智能進化

回顧過去兩三年，技能迭代速度極為迅速，也因此引發(fā)了各類焦慮情緒。我認為在高速變化的時代，更為重要的是找到其中不變的核心要素，那就是大模型思維。什么是大模型思維？我們可以在智能領(lǐng)域找一個合適的研究樣本。機器誕生以來，人類就一直在探索如何讓機器與人進行對弈，我們將以此為人機博弈最小樣本，梳理智能發(fā)展的簡要歷程。

第一個階段，“深藍”擊敗卡斯帕羅夫

1997年的人機對弈，“深藍”最終擊敗卡斯帕羅夫，是機器首次在高級博弈領(lǐng)域戰(zhàn)勝人類世界冠軍。卡斯帕羅夫當時也難以接受機器能夠擊敗自己的事實，甚至懷疑機器背后有人在操控。

“深藍”背后的核心原理，是符號主義的巔峰應(yīng)用，其本質(zhì)邏輯是“規(guī)則+窮舉”。具體而言，就是將人類棋手的歷史經(jīng)驗總結(jié)為一系列下棋博弈的規(guī)則，再讓計算機以每秒2億次的速度進行推演。這一過程中也融入了剪枝邏輯，確保計算機無需嘗試所有棋局，以高效方式完成博弈。

“深藍”擊敗人類冠軍的消息令人震驚，當時大家普遍認為，圍棋很快也會被機器攻克。然而，從國際象棋被攻克到圍棋被攻克，機器用了20年時間。核心原因在于“維度的詛咒”。圍棋與國際象棋屬于完全不同維度的搜索空間。圍棋棋盤為19x19規(guī)格，其搜索空間約達到10的170次方。在這20年間，即便計算機性能提升1萬倍，面對圍棋極為龐大的搜索空間，也只是杯水車薪，無法從根本上解決問題。

第二個階段，“神奇的37手”和“神奇的78手”

進入第二個階段，人機博弈的核心邏輯從“暴力計算”轉(zhuǎn)向“數(shù)據(jù)暴力”。彼時的機器采用了神經(jīng)網(wǎng)絡(luò)技術(shù)，不再依賴傳統(tǒng)的規(guī)則邏輯，而是模擬人類的直覺，通過神經(jīng)網(wǎng)絡(luò)，將歷史上所有人類圍棋棋局作為訓(xùn)練數(shù)據(jù)，讓機器形成降維表達，以類似人類直覺的方式作出判斷。

正是基于這一邏輯，2016年，機器擊敗了當時的圍棋世界冠軍李世石。李世石的心態(tài)從對弈前的輕蔑，逐漸轉(zhuǎn)變?yōu)閷暮蟮慕^望，因為他意識到，自己已無法戰(zhàn)勝眼前的機器對手。

這一局精彩的對弈，出現(xiàn)了兩個極具標志性的節(jié)點：“神奇的37手”和“神奇的78手”。

在37手時，AI走出了一步超出人類預(yù)期的棋。當時的直播解說甚至懷疑，是擺棋人員出現(xiàn)了失誤，認為這一步不符合圍棋邏輯，甚至可能是程序漏洞。這步棋在短期局面中造成一定損失，但隨著棋局的推進，AI最終贏得了這一局。事后復(fù)盤發(fā)現(xiàn)，AI放棄了局部最優(yōu)解，轉(zhuǎn)而追求全局勝率的最大化。 這一現(xiàn)象讓人類感到震驚：機器首次在遵循人類規(guī)則的基礎(chǔ)上，突破了人類規(guī)則的局限，走出了人類認知邊界之外的棋法。

78手同樣具有重要意義。在78手這一節(jié)點，李世石下出了一個完全超出機器預(yù)判范圍的位置，導(dǎo)致其無法進行有效推理。機器在這一步之后出現(xiàn)明顯混亂，并在隨后數(shù)十步內(nèi)持續(xù)處于失序狀態(tài)。因此，這一手被不少人稱為“人類最后的榮光”。

這一現(xiàn)象背后的邏輯，與AlphaGo的核心架構(gòu)密切相關(guān)。AlphaGo基于蒙特卡洛樹搜索框架。其中最具價值的部分，是基于人類三千萬局棋譜訓(xùn)練得到的兩個核心網(wǎng)絡(luò)：一個是策略網(wǎng)絡(luò)，一個是價值網(wǎng)絡(luò)。

策略網(wǎng)絡(luò)的作用，是在當前盤面下篩選出少數(shù)具有潛在價值的落子點。通過數(shù)據(jù)驅(qū)動的方式進行大規(guī)模剪枝，大幅縮窄搜索空間。在鎖定少數(shù)高價值點位后，再由蒙特卡洛樹搜索進行深度推演。每一步落子后，價值網(wǎng)絡(luò)會對當前局勢進行評估，判斷己方獲勝概率是上升還是下降。

李世石78手為何能夠奏效？因為其策略網(wǎng)絡(luò)本質(zhì)上建立在人類經(jīng)驗之上，它會對各個點位的概率進行評估，判斷人類在不同位置的落子可能性。而李世石下出的，是一個在模型評估中概率極低、幾乎不在常規(guī)考慮范圍內(nèi)的落子，完全超出了策略網(wǎng)絡(luò)預(yù)設(shè)的搜索范圍，從而直接打亂了機器的整體決策節(jié)奏。

從“深藍”到AlphaGo，關(guān)鍵變化在于：前者站在人類顯性規(guī)則的肩膀上，由人類將經(jīng)驗提煉為固定規(guī)則；后者則將顯性規(guī)則轉(zhuǎn)化為基于海量棋譜的直覺式判斷，并以此戰(zhàn)勝人類。盡管最終AlphaGo以4比1戰(zhàn)勝李世石，在這一階段，人類仍具備與機器博弈，甚至局部突破的能力。

第三個階段，AlphaGo Zero

2017年，更具顛覆性的形態(tài)出現(xiàn)：AlphaGo Zero。其核心邏輯是完全不再依賴人類知識，僅通過自我對弈完成學(xué)習(xí)。自我對局、自我總結(jié)，從零基礎(chǔ)開始，完全依靠自我博弈完成智能進化。

一個通過自我博弈進行訓(xùn)練的模型，僅用三天時間，便以100:0的絕對優(yōu)勢擊敗了曾戰(zhàn)勝李世石的AlphaGo Lee；在后續(xù)幾天的訓(xùn)練中，戰(zhàn)斗力持續(xù)攀升，直至第40天，該模型的戰(zhàn)斗力基本超越了所有現(xiàn)有模型。人類積累上千年的圍棋經(jīng)驗，在模型的自我博弈訓(xùn)練面前，被徹底超越。

從算力消耗來看，AlphaGo Lee的訓(xùn)練需要由1200個CPU與176個GPU組成的龐大算力集群。而采用自我博弈模式的AlphaGo Zero，僅需4個TPU即可完成訓(xùn)練。兩者的算力消耗不在同一維度。這一現(xiàn)象表明，人類積累的經(jīng)驗不僅未對模型訓(xùn)練起到正向推動作用，反而可能成為一種負擔，限制了模型的發(fā)展空間。

數(shù)據(jù)層面的差異同樣顯著：AlphaGo Lee的訓(xùn)練依賴3000萬份人類圍棋棋譜。而Alpha Go Zero的訓(xùn)練未使用任何一份棋譜、任何一點人類圍棋經(jīng)驗。

結(jié)合ELO評分來看，人類棋手的最高峰值約為3800分，AlphaGo Lee的評分約為4000分。但在AlphaGo Zero面前，人類智慧的優(yōu)勢似乎完全消失，其ELO評分直接突破5000分。這也印證了柯潔的觀點：在AlphaGo Zero這類模型面前，人類幾乎不可能再取得圍棋對戰(zhàn)的勝利。

這一現(xiàn)象背后的核心邏輯是：人類長期被自身積累的經(jīng)驗束縛，陷入了局部最優(yōu)解的困境。而AI模型無需依賴人類經(jīng)驗，僅通過“自我對戰(zhàn)—結(jié)果反饋—經(jīng)驗總結(jié)”的閉環(huán)模式，在三天內(nèi)完成了490萬盤圍棋對戰(zhàn)的學(xué)習(xí)，積累了遠超人類的圍棋知識。

AI時代最核心的思維方向

總結(jié)來說，圍棋博弈的對戰(zhàn)歷史，正是人類對智能與知識認知不斷迭代的過程：最初，我們把人類智慧視為至高無上；后來，我們基于人類規(guī)則研究，卻發(fā)現(xiàn)知識本身存在偏差與局限；于是轉(zhuǎn)向依靠海量人類數(shù)據(jù)訓(xùn)練模型，從“計算暴力”走向“數(shù)據(jù)暴力”，但仍未跳出人類認知框架；最終，我們意識到，人類數(shù)據(jù)并非必需，AI可以完全脫離人類經(jīng)驗，實現(xiàn)自我迭代與突破。這一過程，本質(zhì)是對人類數(shù)據(jù)價值的不斷反思與重估。

什么是AI時代最核心的思維方向？

如何學(xué)習(xí)AI思維？

文章僅為課程1/10，請前往APP看課

智能的本質(zhì)

當下AI的核心邏輯，是探尋事物本質(zhì)規(guī)律，而非僅僅優(yōu)化人類現(xiàn)有知識。人類數(shù)據(jù)自帶偏見，在不同階段，它可能是資產(chǎn)，也可能是噪音，甚至是認知枷鎖。由此，我們必須重新思考三個關(guān)鍵問題：如何定義智能、如何定義知識、如何有效沉淀。這正是AI時代最核心的思維方向。

知識的本質(zhì)即“有損壓縮”。

目前學(xué)界較為共識的結(jié)論是，全宇宙的原子總數(shù)約為10的80次方。若宇宙是可計算系統(tǒng)，其求解空間之大，人類永遠無法窮盡。在龐大的搜索空間中，剔除無價值的冗余信息，剔除所有無意義的噪點，僅保留少量極具價值的核心內(nèi)容——“遺忘”，這就是知識的核心邏輯。

知識并非對世界的簡單復(fù)制，而是對世界抽象后的高維投影，“做減法”才是知識的本質(zhì)所在。這也印證了“全知即無知”的觀點：當我們擁有所有可能的答案時，反而無法獲得真正有價值的答案。信息的價值不在于數(shù)量的多少，而在于其有序性。

“壓縮機理解”正是解決這一問題的關(guān)鍵。當我們對同一事物進行大規(guī)模采樣，便會獲得大量的觀測數(shù)據(jù)。這些觀測數(shù)據(jù)本身并非知識，只是對終極真理的采樣結(jié)果。源于對這些采樣數(shù)據(jù)的“壓縮機理解”，將大量分散的觀測結(jié)果歸納為一套簡潔的規(guī)則，且這套規(guī)則能夠預(yù)判未來的采樣結(jié)果，此時，這些規(guī)則便成了知識。

用一個簡單案例理解知識的形成：盛滿水的杯子倒置，水必然灑出，重復(fù)多次結(jié)果始終一致。通過反復(fù)觀察采樣，會歸納出結(jié)論——盛水的杯子倒置會灑水，這便是知識。知識具備穩(wěn)定可驗證性，通過壓縮后的規(guī)律，我們能預(yù)判不同顏色、不同樣式水杯倒置的結(jié)果，這就是知識在大腦中的泛化。我們不必記住每一次倒水的細節(jié)，只需抽象出通用規(guī)則，就能在未知場景中做出預(yù)判。

知識的價值不在于驗證觀測對象的絕對真實性，而在于通過對信息的歸納，形成可預(yù)測的有序規(guī)律。例如，我們無需實際觸摸開水，便能通過已有的知識預(yù)判“觸摸開水會被燙傷”這一結(jié)果。這種無需直接采樣便能實現(xiàn)的預(yù)判，正是知識的核心功能。

頓悟：損失值下降與泛化突變

接下來我們探討：觀測到的信息如何轉(zhuǎn)化為知識？從數(shù)學(xué)與人類認知的角度來看，這一過程可概括為“頓悟”。比如學(xué)騎自行車，初學(xué)者可能多次摔倒，積累了大量嘗試經(jīng)驗，卻始終無法掌握平衡；直到某一時刻，突然突破瓶頸，掌握了騎行技巧。這種“豁然開朗”的瞬間便是頓悟。

我們可以通過“損失值（loss）”來理解這一過程：損失值本質(zhì)上是對觀測樣本預(yù)測準確性的量化評估。在未提煉出規(guī)律之前，我們的認知往往處于“死記硬背”的階段，本質(zhì)上是對觀測樣本的機械記錄，而非知識的形成。

隨著觀測樣本的不斷積累、泛化范圍的持續(xù)擴大，當積累達到一定閾值時，便會出現(xiàn)“頓悟”——比如在多次計算各類乘法后，突然領(lǐng)悟到“九九乘法表”的規(guī)律。這一規(guī)律能將上千個乘法樣本壓縮為一套簡潔的規(guī)則，不僅能解釋已有的所有樣本，還能精準預(yù)測第1001個乃至更多未知的乘法結(jié)果。與機械記憶上千個樣本相比，九九乘法表的存儲規(guī)模極小，而泛化能力卻極大提升。

頓悟，本質(zhì)上就是損失值的快速下降——當規(guī)律被提煉出來的瞬間，原本無法預(yù)測的場景變得可預(yù)測，原本零散的觀測樣本被整合為有序的知識。這也正是知識的本質(zhì)：通過對觀測采樣的壓縮與規(guī)律提煉，實現(xiàn)對未知場景的精準預(yù)判。而在人工智能領(lǐng)域，這一突變體現(xiàn)為損失值（loss）的急劇下降；在人類學(xué)習(xí)過程中，則表現(xiàn)為突然掌握認知規(guī)律、理解事物本質(zhì)的狀態(tài)。

所有知識的頓悟本質(zhì)上都會帶來泛化能力的提升——頓悟前僅能解決已知的舊問題，頓悟后則能夠解決未知的新問題。

智能的不可能三角

隨之而來的問題是：知識的壓縮是否存在衡量標準？如何衡量其優(yōu)劣？這就需要建立一套針對智能的衡量標準，而智能的衡量存在一個“不可能三角”。

智能的不可能三角包含三個核心維度：其一為壓縮率，即把龐大的知識體量壓縮至多大范圍；其二為損耗率，即知識壓縮后能否還原，以及還原后的結(jié)果與原始信息的預(yù)測準確度；其三為算力損耗，包括知識壓縮過程與解壓（應(yīng)用）過程中的算力消耗。

類比將4K高清照片壓縮至720P的過程。在傳統(tǒng)的解壓方式中，通常采用插值法，這種方式雖能擴大圖像尺寸，但會導(dǎo)致圖像模糊，即損耗率升高。

人類的大腦（當前大模型的模式也類似）“解壓”的方式則不同：若給予人類一張低分辨率照片，人類大腦的“腦補”過程并非簡單的插值，而是將自身對物理世界的經(jīng)驗認知映射到圖像中。還原后的圖像分辨率優(yōu)于傳統(tǒng)插值方式，但還原過程中補充的細節(jié)可能存在偏差，不過這種偏差并不影響整體認知——這正是損耗的本質(zhì)：知識壓縮過程中，必然會丟棄部分信息，即“遺忘”，我們通過遺忘被判定為“噪聲”的信息，實現(xiàn)知識的壓縮。這種“遺忘”并非錯誤，而是高維信息向低維信息轉(zhuǎn)化過程中必然的維度簡化；而后續(xù)的“腦補”（即大模型的生成或人類的聯(lián)想），本質(zhì)上就是對壓縮后信息的還原，這一過程所產(chǎn)生的偏差，即我們所說的“幻覺”。

簡單來說，將低分辨率的信息通過主觀補全轉(zhuǎn)化為高分辨率信息時，其中會產(chǎn)生原本不存在的信息，這些被創(chuàng)造出來的信息即為幻覺。由此可見，只要存在知識，就必然伴隨幻覺，這是知識的本質(zhì)屬性。而這種信息補全過程中產(chǎn)生的差值，同時也會催生新的創(chuàng)造力，這是我們在知識壓縮過程中必須承擔的代價。

此處需要明確的是，知識沒有絕對真理。我們所有的知識都基于采樣，而采樣又基于特定的投影平面。因此，所有知識都存在邊界。人類的認知邊界，在認知發(fā)展的過程中不斷向外擴展。我們需要回歸知識的底層第一性：不存在絕對正確的知識，只存在明確的認知范圍、范圍內(nèi)的投影面，以及投影面內(nèi)的相對真理。智能既壓縮，生成既理解。只有當我們能夠生成信息時，才能真正實現(xiàn)對知識的理解。

如何實現(xiàn)知識的有效傳遞知識的載體演變

知識載體主要分為三類，分別是規(guī)則、語言以及腦神經(jīng)（即直覺）。

規(guī)則的設(shè)計目的是便于衡量與傳播，因此必然具備極高的壓縮比，同時也存在明顯的知識損耗。比規(guī)則維度更高的知識載體是語言。語言的維度遠高于規(guī)則。語言的高表達力使其具備了泛化與推理能力。比語言維度更高的知識載體，是高維本體，即人類的腦神經(jīng)。當這些知識被轉(zhuǎn)化為語言時，必然會產(chǎn)生損耗。

知識的傳播過程，本質(zhì)上是從腦神經(jīng)，映射到語言，再映射到規(guī)則的過程。但腦神經(jīng)載體的最大局限是無法直接傳播。

人工智能的兩個流派，分別是符號主義與連接主義。符號主義的核心是學(xué)習(xí)規(guī)則體系，而連接主義則是模擬人類腦神經(jīng)的工作機制。

連接主義不再依賴人工定義規(guī)則，而是構(gòu)建高維特征空間。這便是機器學(xué)習(xí)的本質(zhì)。連接主義中一項關(guān)鍵技術(shù)是Embedding（向量化）。這首次將離散的文本詞匯映射為連續(xù)的可計算向量。語言的語義首次具備了可計算性。語言的核心在于Transformer架構(gòu)。能夠?qū)㈦x散的語言映射到更高維度的向量空間，把整句話表示為一個矩陣。語言處理從規(guī)則推導(dǎo)轉(zhuǎn)變?yōu)閿?shù)學(xué)計算。

Scaling Law的核心邏輯是：既然我們采用的是連接主義思路，那么模型規(guī)模越大，就像人腦神經(jīng)網(wǎng)絡(luò)一樣，其存儲容量和表達能力會呈指數(shù)級提升。每增加一個參數(shù)，表達空間至少會成倍擴展。我們不再需要像過去那樣，精心設(shè)計更完善、更精巧的規(guī)則，只需要提供足夠大的模型空間和足夠多的數(shù)據(jù)樣本，讓模型自主擬合出底層規(guī)律，使損失函數(shù)降到最低，實現(xiàn)最優(yōu)的信息壓縮。

語言為什么是AGI的開端？

我們前面已經(jīng)提道:語言的本質(zhì)，是人類認知的操作系統(tǒng)。語言是人類腦神經(jīng)活動的一個降維鏡像。它把大腦中極其復(fù)雜、難以直接描述的神經(jīng)活動，轉(zhuǎn)化為一種可記錄、可沉淀、可表達、可計算、可推理的符號體系。

可以說，語言處在一個中間位置：規(guī)則是高度人工的，人腦是高度自然的，而語言正是人工與自然的交匯點。它既是思維的投影，也是交流的工具；更進一步，語言是思維的腳手架。

正如哲學(xué)家所言：語言的邊界，就是我思考的邊界。通過語言，腦神經(jīng)活動轉(zhuǎn)化為文字、進行描述，傳遞給他人。由此，知識開始具備可積累、可沉淀、可推理的特性，能夠模擬大腦的思考過程。這就是語言的本質(zhì)。掌握語言，本質(zhì)上就是掌握了推理能力。這正是語言模型與以往模型最核心的區(qū)別。

語言模型帶來的另一個關(guān)鍵突破，是顯空間與隱空間的區(qū)分。我們的大腦可以理解為一個高維隱空間。而語言，就是這個高維隱空間對應(yīng)的顯空間。人類所有的交互、討論、溝通、學(xué)習(xí)，本質(zhì)上都是：將個人大腦的隱空間坍縮為顯空間，再通過語言把顯空間傳遞給他人，對方再將其升維重構(gòu)為自身的隱空間。語言真正實現(xiàn)了兩個高維認知空間的映射與交流。

綜上，今天大語言模型能夠成為AGI開端，本質(zhì)源于語言本身的特性：它是大腦的映射，具備思考能力，更具備推理能力。大語言模型對世界的建模，本質(zhì)上包含三個環(huán)節(jié)：

第一環(huán)：預(yù)訓(xùn)練——為知識建模。把人類世界的全部知識，極致壓縮到基座模型中。

第二環(huán)：為生產(chǎn)力建模——模型的“解壓”。我們把知識“壓縮”進模型，目的是“解壓”與預(yù)測——用壓縮后的知識，去預(yù)測物理世界的演化，最終轉(zhuǎn)化為現(xiàn)實生產(chǎn)力。

第三環(huán)：為學(xué)習(xí)建模——在觀測視角中尋找最優(yōu)。

因此，預(yù)訓(xùn)練模型的本質(zhì)可以總結(jié)為：預(yù)測即生成，生成即理解。

機器無法直接高效觀測物理世界，于是以人類為媒介：人類數(shù)千年與世界交互、觀察、沉淀，形成書籍、文字與知識體系。我們的工作，就是把這些人類知識極致壓縮，在向量空間中訓(xùn)練，使其具備遷移與泛化能力。大模型的核心邏輯，就是預(yù)測下一個詞。基于前文不斷預(yù)測后續(xù)token，最小化預(yù)測誤差，當這個過程被放大到極致，就涌現(xiàn)出了智能。

基座模型最本質(zhì)的邏輯是什么？

大語言模型成為AGI開端的根本原因？

文章內(nèi)容僅為課程1/10，請前往APP看課

CEO、高管一定要有大模型思維

我們從圍棋盤上的勝負，一路追問至語言與智能的本質(zhì)。現(xiàn)在，帶上這套全新的“大模型思維”，回到商業(yè)的戰(zhàn)場。你會發(fā)現(xiàn)它不僅僅是技術(shù)原理，更是一套即將重塑所有競爭規(guī)則的商業(yè)底層操作系統(tǒng)。

從確定化管理到“概率管理”

我們反復(fù)強調(diào)AI思維的本質(zhì)與第一性原理，核心就是要明確：AI的核心是不確定性，不確定性孕育智能，因此AI思維本質(zhì)上是概率導(dǎo)向的。

必須清晰地認識到，確定性已不復(fù)存在，不能再用程序思維去解決當下的問題。在傳統(tǒng)模式中，我們編寫代碼追求絕對確定性，絕對確定性必然導(dǎo)致缺乏泛化能力。缺乏泛化能力就無法產(chǎn)生智能，這是一條無法突破的局限路徑。

打個比方，傳統(tǒng)企業(yè)思維模式如同精密的機械鐘表，每一步運行都有強烈的業(yè)務(wù)邏輯聯(lián)動，一旦設(shè)計成型，運行軌跡便固定不變。企業(yè)運營的所有環(huán)節(jié)都遵循百分之百可執(zhí)行的標準（SOP）。當前，這種確定性邏輯不再適用了，它脫離了AI思維的核心內(nèi)涵。這也解釋了為何當概率思維融入確定性的SOP體系時，組織會天然產(chǎn)生排異反應(yīng)。

每一位企業(yè)家的思考鏈路，都必須從機械確定論轉(zhuǎn)變?yōu)楦怕收摚?b>通過調(diào)整參數(shù)、優(yōu)化概率來實現(xiàn)預(yù)期結(jié)果，既要保證一定的確定性，又要保留創(chuàng)造力。

工業(yè)時代的贏家是“控制狂”；AI時代的贏家是“概率管理大師”。拿提示詞（prompt）舉例：若將提示詞的定義得過于細致、流程設(shè)計過長，甚至通過填表式的方式限定輸出結(jié)果，用確定性流程去控制概率，輸出結(jié)果必然難以達到預(yù)期。因為過度細分的限制，割裂了其泛化能力，使其只能機械執(zhí)行既定指令，無法發(fā)揮智能的價值。

概率管理的核心邏輯是，通過調(diào)整方向、引導(dǎo)趨勢、聚焦核心，真正實現(xiàn)概率導(dǎo)向的智能應(yīng)用，既能保證創(chuàng)造力的發(fā)揮，也能收獲超出預(yù)期的成果。

智力通縮與杰文斯悖論

另一個需要重點關(guān)注的商業(yè)邏輯，是智力通縮與杰文斯悖論。許多人擔憂AI模型成本過高，大規(guī)模使用會導(dǎo)致虧損，但事實上，token的綜合成本較行業(yè)初期已下降近萬倍。

過去，專家智力如同奢侈品，企業(yè)會盡量減少使用。當下，智力已如同電力一般，Token成本的下降速度遠超傳統(tǒng)摩爾定律，這是不可逆轉(zhuǎn)的趨勢。很多人過度關(guān)注模型降價，但模型降價是模型公司的核心任務(wù)，對于企業(yè)家而言，更應(yīng)關(guān)注模型的性價比——若能跑通一個應(yīng)用場景，實現(xiàn)性能的提升，便無需擔憂成本問題，因為token價格會持續(xù)下降，每半年至一年就會有顯著變化，屆時企業(yè)的增長飛輪便會自然運轉(zhuǎn)。

企業(yè)的核心競爭力，在于消耗智能、轉(zhuǎn)化智能的能力。誰能率先將智力轉(zhuǎn)化為高價值的用戶體驗，誰就能成為行業(yè)贏家。當前不應(yīng)過度關(guān)注成本，而應(yīng)聚焦于智能的上限與價值的上限。

核心資產(chǎn)：場景＞數(shù)據(jù)

除此之外，商業(yè)領(lǐng)域的另一重大思維轉(zhuǎn)變，在于資產(chǎn)定義的重構(gòu)。傳統(tǒng)認知中，數(shù)據(jù)被視為核心資產(chǎn)，許多企業(yè)宣稱自身擁有大量數(shù)據(jù)，并認為將這些數(shù)據(jù)用于模型訓(xùn)練就能形成自身優(yōu)勢。但客觀而言，當前市場上99%的企業(yè)數(shù)據(jù)都屬于無效數(shù)據(jù)。

很多企業(yè)擔憂數(shù)據(jù)上傳后被竊取——事實上，很多數(shù)據(jù)只是業(yè)務(wù)流程中的日志記錄，一旦業(yè)務(wù)流程發(fā)生變化，這些數(shù)據(jù)便失去了存在意義。若將數(shù)據(jù)視為資產(chǎn)，首先要明確這些數(shù)據(jù)是否能轉(zhuǎn)化為生產(chǎn)力；若不能，其所謂的“資產(chǎn)價值”便無從談起。

當前，真正具備價值的數(shù)據(jù)僅存在于少數(shù)場景，例如抖音的推薦算法、百度的搜索體系等。絕大多數(shù)對數(shù)據(jù)安全過度敏感的企業(yè)，其數(shù)據(jù)本身往往無法被有效利用。利用牛頓的實驗筆記和數(shù)據(jù)，能得出愛因斯坦的理論結(jié)論嗎？在相對論時代，過度留存“牛頓”的實驗數(shù)據(jù)，并無實際價值。

與其擔憂數(shù)據(jù)被竊取，不如加快數(shù)據(jù)的應(yīng)用。企業(yè)不應(yīng)有數(shù)據(jù)囤積癖，不應(yīng)將歷史數(shù)據(jù)視為不可突破的護城河。我們沒法用馬車的數(shù)據(jù)訓(xùn)練出特斯拉一樣，傳統(tǒng)數(shù)據(jù)的清洗成本、存儲成本，甚至?xí)蔀槠髽I(yè)發(fā)展的阻礙，堪稱“反向潤滑油”，固化企業(yè)思維、阻礙企業(yè)創(chuàng)新。

數(shù)據(jù)的定義正在快速迭代，唯有應(yīng)用場景是相對穩(wěn)定的核心。只要定義出具體的應(yīng)用場景（如同圍棋的棋盤）和價值評判標準（如同圍棋的勝負規(guī)則，即獎勵模型），數(shù)據(jù)便可以源源不斷地產(chǎn)生。

總之，在應(yīng)用初期，無需過度考慮數(shù)據(jù)安全，核心在于誰能率先跑通場景、啟動增長飛輪，待企業(yè)發(fā)展到一定規(guī)模、數(shù)據(jù)產(chǎn)生實際價值后，再考慮數(shù)據(jù)安全防護，才是合理的發(fā)展路徑。誰能掌握新數(shù)據(jù)的生產(chǎn)場景，誰能在初期啟動增長飛輪，誰就能定義行業(yè)的未來。

后記：

我的觀點未必完全正確，但核心目的是為大家植入一種新的思維提示，引導(dǎo)大家建立對AI思維的認知與感知。如果我們僅學(xué)習(xí)提示詞寫法、工作流用法、某個軟件的操作技巧，這些內(nèi)容每六個月就可能有90%失效。既然我們處于混沌學(xué)習(xí)的場景中，就應(yīng)采用混沌的核心方法——摒棄歸納法，堅持演繹法，深入理解底層邏輯，將這種思維能力內(nèi)化于心。希望每一位參與者都能從中獲得啟發(fā)，實現(xiàn)自身對未來知識判斷、知識加工方式的一點點轉(zhuǎn)變。當前，我們正處于一個“電燈取代蠟燭”的時代，從“蠟燭思維”轉(zhuǎn)變?yōu)椤半姛羲季S”，是必修課。

從管理層來看，CEO如何轉(zhuǎn)變？

為什么組織不應(yīng)該是機械體，應(yīng)該是生物體？

文章內(nèi)容僅為課程1/10，請前往APP看課