如何破解內容安全“不可能三角”？快手王東旭：把組織從“固態”變成“液態”

作者｜ 王東旭

策劃｜AICon 全球人工智能開發與應用大會

當大模型撕裂傳統產業邏輯，組織與個人的進化速度決定生死。在 AICon 全球人工智能開發與應用大會上，快手內容安全團隊負責人王東旭，以一線實戰經驗拆解了“人機協同”如何破解“安全、效率、體驗”的不可能三角。

他從產品、運營、研發、數據、算法五大崗位的職能躍遷入手，提出組織應從“固態”轉向“液態”，并借鑒“師改旅”思路構建“AI 合成旅”。這既是一場內容安全的技術復盤，更是一份 AI 時代十倍效能躍升的行動指南——速度，是唯一的護城河。

以下是演講實錄（經 InfoQ 進行不改變原意的編輯整理）

1 LLM 帶來的生產力變革：內容安全的新挑戰

在快手短視頻廣告的內容安全審核場景中，團隊長期面臨安全、效率、體驗的不可能三角困境。

既要嚴守平臺安全底線，杜絕政治、色情、低俗等違規風險外泄；同時需要持續優化廣告主與商家的投放體驗，還要以輕量化人機協同成本，最大化平臺整體運營效率。伴隨短視頻、直播行業高速發展與 AIGC 技術的廣泛落地，這一三角矛盾的沖突強度被進一步放大。

跳出內容安全的業務視角來看，支撐這類業務運轉的架構，是一套典型的運營、產品、研發協同組織模式。

運營側負責風險感知與需求提出，產品側承接需求拆解并完成 PRD 方案設計，研發側落地系統搭建與數據模型研發，最終由運營通過規則配置，實現線上風險的識別與攔截。但在這套模式下，各崗位之間長期存在隱形的職能壁壘，各角色分工固化、權責邊界清晰，由此形成了傳統模式下的固態組織形態。

回望近十年發展，內容安全領域的固態組織，始終伴隨技術迭代持續演進。2014 年前后，行業內容風控主要依靠敏感詞攔截體系，并輔以大規模人工審核團隊運作，整體完全依托人工經驗驅動；2017 年，隨著 ResNet、BERT 等深度學習技術逐步落地應用，行業正式邁入智能化審核階段。；自 2020 年起，深度學習技術全面普及，成為內容風控的基礎標配，行業技術發展也由此進入一個平穩且連續的上升周期。

然而，2022 年末 ChatGPT 的問世，打破了既有的技術演進節奏，使行業發展迎來關鍵的非連續性拐點。正如管理學大師查爾斯·漢迪所提出的，當技術發展進入非連續性階段，唯有通過跨越發展曲線的突破性創新，才能實現十倍級的效能增長。

放眼當下，無論是內容安全賽道，還是更廣泛的業務場景，我們都正處轉折節點之中，由此也引發了一系列的挑戰。

首先，內容產能迎來井噴式增長。相較于傳統 PGC、UGC 發展階段，AIGC 驅動下的內容產出呈現冪級跨越式提升。不僅直接推高整體審核成本，同時伴隨提示詞技術的普及，違規主體可憑借極低成本，通過調整指令參數規避風控策略，大幅提升內容治理的對抗難度。

其次，從發展機遇來看，大模型正在推動行業邁入模型平權階段。隨著 AI 技術門檻持續下放，運營、產品、研發等傳統崗位的職能邊界不斷弱化，不同崗位從業者的能力差距逐步縮小，技術普惠成為當下重要的時代紅利。但機遇與風險并存，AI 工具的運用能力將逐步拉開人才差距。

正如狄更斯所言，這是最好的時代，也是最壞的時代。面對技術非連續性帶來的斷層與沖擊，若沿用“舊地圖”，終將無法找到“新大陸”。

2 AI 驅動組織架構重構：產運研角色持續向價值鏈上游升級

產品：P2P 驅動的原型設計革命

在 AI 時代，若產品經理缺乏大模型相關認知與應用能力，將難以打造真正的 AI 原生產品。針對這一痛點，我們提出了一個全新概念——P2P（Prompt to Product，即從提示詞到產品）。依托 No-code 工具及 vibe coding design 模式，產品經理可快速生成可運行的產品原型。目前市面上主流的 vibe Coding 產品原型設計工具，如 Figma、Lovable、Bolt 等，已成為提升產品設計效率的核心利器。此外，在風控業務場景中，通過對話框驅動的方式，可在極短時間內自主完成 M 端應用的原型設計，無需再受 UX 設計排期的限制。

構建高質量產品原型設計 Prompt，可從四大核心維度著手：

首先是角色與上下文的精準定義，需明確產品所處場景是 B 端、M 端還是 C 端，以建立模型對業務語境的基本認知。其次是核心數據字段與功能特性的結構化梳理，確保需求表達在傳遞過程中不發生偏差。再者是視覺與交互風格的設定，例如金融行業偏向穩重的藍色體系，科技產品常采用深色或極簡風格，以統一設計表達語義。最后是交互細節的補充，包括懸停反饋、點擊狀態、動效邏輯等微觀行為，從而提升原型的可執行性與真實感。

在這一基礎上可以看到，產品表達方式正在發生變化：從“描述需求”逐步轉向“結構化驅動生成”。

基于 2025 年行業招聘與人才需求趨勢，當前市場最稀缺的崗位并非通用型產品經理，而是具備 AI 能力的“AI 產品經理”。傳統產品經理在供給側已相對充足，但一旦疊加 AI 能力，尤其是對 AI 價值的理解能力與實際應用能力，其崗位的稀缺性與戰略價值顯著提升。

這一變化也重新定義了產品經理的能力結構。未來的產品經理需要具備三項關鍵能力：其一是對垂直業務的深度理解能力；其二是在業務理解基礎上的需求結構化拆解能力；其三是與 AI 高效協同與對話的能力，從而將業務意圖轉化為可執行的系統與原型。

運營：從“規則運維”到“指令工程

在當前業務實踐中，如果運營人員仍停留在策略系統內，通過配置邏輯操作符與閾值來完成規則管理，其工作內容本質上仍屬于標準化、可規則化的重復操作，這類崗位能力邊界正在被大語言模型逐步覆蓋。

以內容審核場景為例，過去主要依賴“小模型 + 人工規則”的方式處理大量 SOP 類流程性工作。隨著大模型能力的增強，這類高度標準化、重復性的環節正在被系統性承接。

因此，從崗位結構演進來看，傳統以規則配置為核心的運營職能，正在面臨實質性的能力重構。

面對這場范式轉移，運營人員要實現能力躍遷，首要關鍵在于從傳統規則配置工作，轉向提示詞工程能力。

結合快手商業風控的落地實踐可以看到，優秀運營已經不再局限于規則運維角色，而是逐步演進為提示詞工程師。他們通過構建高質量 Prompt 體系，明確模型的決策邊界、審核流程標準以及關鍵判斷要點。同時，部分人員已經熟練應用思維鏈、圖文交錯思維鏈等進階提示方法，提升復雜場景下的推理穩定性。當提示詞體系能夠覆蓋約八成的常規場景后，對于剩余的長尾復雜問題，則進一步需要運營具備智能體工作流的編排能力，以實現多步驟任務的自動化處理。

然而，僅依賴提示詞工程仍存在明顯局限。一方面，大模型本身存在幻覺問題；另一方面，業務知識體系往往分散在不同系統與文檔中，難以被統一表達與調用。因此，僅依靠 Prompt 已難以完全支撐復雜業務需求，運營能力開始向更系統化的知識增強方向演進，即RAG 運營能力。

在此基礎上，以快手商業風控場景為例，在完成 Prompt 工程與 RAG 體系建設之后，運營人員進一步向模型訓練環節延伸，開始參與到有監督微調流程中。借助自動化 Prompt 工程框架，可以實現提示詞的自動挖掘與優化，并結合多臂老虎機模型進行效果評估與迭代擴散，從而逐步構建起覆蓋數據生成、訓練與反饋優化的完整 SFT 流水線。

有一件事令我印象尤為深刻。在一次 Launch Review 過程中，我建立了專項溝通群以推進方案評審。期間，一位運營同學提交了一份方案并請求協助評審。在詳細審閱后發現，該方案已不再局限于傳統運營范疇，而是圍繞模型展開的系統性實踐，其中甚至涵蓋了有監督微調等技術環節。

這一案例使我首次直觀地認識到，運營崗位同樣可以深入以往被視為技術壁壘較高的領域。他們不再僅僅停留在模型使用層面，而是能夠獨立開展規則設計與策略調優，在具體業務場景中承擔起“模型教練”的角色，逐步延伸至原本主要由算法崗位主導的工作內容。

這一實踐帶來了極具啟發的結論：非技術背景的從業者，首先要做的就是對大模型去神秘化，真正意識到它并非遙不可及、無法觸碰的技術體系。未來運營人員的核心競爭力，將聚焦在這一點上：能否以自然語言為核心載體，把自身在垂直行業沉淀的專業經驗與業務知識，做系統化、結構化的梳理表達，并精準傳遞給大模型，進而引導、規范并持續優化模型的實際業務行為。

研發：向上游價值鏈遷徙的架構者

在 Hacker News 上，流傳著一條廣為人知的“微笑曲線”。該曲線以研發人員的經驗水平為橫軸，從初級開發者延伸至資深架構師；以大模型對不同職能的影響程度為縱軸，刻畫其在不同階段的作用差異。

從曲線分布來看，資深架構師位于影響力的高點。這一現象源于其能夠有效駕馭大模型，將其作為高效的輔助工具使用——類似于同時調動多名具備扎實基礎能力的助理，從而加速代碼實現及前沿方向的原型構建。相比之下，初入職場的開發者則處于曲線低谷。大模型對重復性編碼任務具備較強替代能力，使初級研發崗位面臨更為顯著的沖擊與不確定性，從而落入曲線所指示的“風險區間”。

從研發視角來看，跨越“危險區”的關鍵，在于完成從以代碼為中心的執行范式，向以工具整合與系統構建為導向的開發模式轉型。

在具體實踐中，這一轉型主要體現在三個核心維度的工具應用上。首先，是 IDE 類工具的深度融合，例如 Cursor、GitHub Copilot 等，已逐步成為團隊正式成員及外包人員的基礎配置；其次，是 Coding Agent 類產品的應用，例如 Claude Code 以及團隊內部構建的各類 Agent 系統；更具變革意義的是引入 vibe Coding 類開發模式，如 Lovable、Bolt 等工具，這類能力不再局限于產品經理，亦成為技術人員能力體系的重要組成部分。

在一次實踐中，通過使用上述 vibe Coding 工具，完成了一款基于《Plants vs. Zombies》玩法的游戲開發：由需求側提出角色與機制設想，經由結構化表達輸入系統，僅通過數輪交互便實現了游戲邏輯的完整閉環。

總體而言，盡管 AI 對基礎編碼能力形成了一定沖擊，但對于主動擁抱相關工具的研發人員而言，其本質更接近于能力放大器。未來，對優秀程序員的評價標準將不再局限于編碼效率或調試能力，而在于能否持續跟蹤前沿 AI 技術演進，并將其有效整合至具體業務體系之中。

除借助 AI 輔助編程外，研發人員跨越職業“危險區”的另一關鍵路徑，在于向產業鏈與價值鏈上游實現能力升級與戰略轉型。其角色不再局限于承接 PRD 并完成被動交付，而是主動深耕核心技術領域，構建面向大模型的完整風控體系。

這一轉型具體體現為多維度的技術突破。研發團隊基于 Llama-Factory、Swift 等開源框架開展二次開發，為算法團隊搭建高效的一體化大模型訓練與推理平臺；同時，面向運營場景，自主構建專用的 Prompt 運營管理系統。在性能優化方面，針對大模型推理延遲高、計算開銷大的行業痛點，通過模型量化壓縮、KV Cache 加速以及 ViT 拆分等技術路徑，對模型運行效率進行系統性優化。

在架構層面，進一步落地了大模型驅動的智能審核體系。傳統行業普遍采用人機協同的審核模式，即依賴小模型完成內容初篩，并在后續流程中高度依賴人工復核。基于業務與技術的協同升級，對整體審核鏈路進行了重構：在保留小模型基礎篩選能力的同時，引入大模型對業務進行深度賦能，大幅替代投放前后重復性較強的人工審核環節。該架構革新不僅構成關鍵的技術突破，同時顯著提升了整體投入產出效率。

數據：構建 AI 時代的高質量數據飛輪

在系統梳理產品、運營與研發三類崗位的發展路徑后，有必要進一步聚焦數據工程師的轉型方向。過往在業務高速擴張階段，數據工程師的核心職責主要集中于梳理分散且異構的數據基礎，通過標準化治理與規范化整合，構建統一的數據體系，并以 BI 報表形式為業務決策提供支撐。

進入大模型時代，若數據工程師仍停留在數據采集、加工整理及報表產出等基礎性工作，其職業壁壘與核心競爭力將持續弱化。

基于此，需要推動數據工程師向數據科學家實現能力躍遷。傳統數據工程師長期聚焦于數據倉庫建設與數據集市沉淀，工作內容流程化程度高、價值邊界相對明確。

在新的業務范式下，數據崗位亟需完成價值重構：不僅承擔數據處理與交付職責，更應成為驅動大模型訓練與迭代優化的關鍵數據供給方，構建并持續運轉數據驅動的業務閉環，通過高質量數據資產沉淀與反饋機制，形成數據飛輪，從而支撐業務的長期增長與能力演進。

數據職能的價值生產邏輯，正在經歷系統性的范式轉變。

從從業者視角來看，傳統數據崗位多承擔數據執行與標注職能；進入大模型時代，其角色正逐步重塑為 AI 的訓練者與評估者，并在實踐中落地 LLM as a Judge 等方法論。

角色轉變進一步推動價值分配機制的重構。傳統數據生產普遍采用按量計價模式，而當前大模型發展的主要約束已不再是數據規模，而在于高質量數據的持續稀缺。在此背景下，價值衡量邏輯由“按量結算”轉向“按質定價”，數據質量與結構化程度成為核心評價維度。

從勞動模式看，數據生產亦由單向、重復的作業流程，演進為人機協同、雙向反饋驅動的閉環體系。在這一體系下，通過持續的數據篩選、標注優化與效果評估，逐步構建并強化高質量數據飛輪，從而為模型能力迭代與業務增長提供穩定支撐。

算法：業務理解與前沿技術的深度對齊

大模型所引發的技術普惠趨勢，顯著降低了算法領域的技術準入門檻。在經歷移動互聯網發展周期之后，行業已全面進入新的 AI 發展階段。隨著大模型能力的廣泛普及，各類崗位加速向 AI 原生形態演進，部分非算法角色亦具備開展 SFT 的能力。在此背景下，算法工程師的核心壁壘與價值邊界亟需重新界定。

圍繞能力升級與職業轉型，可從“向上、向下、向前”三個維度推進系統性重塑：向上延伸，深入業務場景；向下扎根，強化底層算法能力；向前探索，持續跟進大模型，尤其是多模態方向的前沿進展，挖掘技術與業務融合的潛在空間。

在“向上”維度，重點體現為對業務體系的深度重構。傳統互聯網內容審核長期依賴小模型與人工協同的固定模式，但隨著 AIGC 的快速發展，該模式已難以滿足當前業務需求。基于此，算法團隊主導推進審核體系的全鏈路智能化升級。在項目初期，團隊完成了 SFT 訓練、強化學習優化以及多 LoRA 模型的線上部署。

進一步推動業務產生實質性躍遷的關鍵，在于生產關系的重構。算法團隊逐步開放模型能力接口，向下游崗位提供支持，推動運營側能力升級，使其掌握提示詞工程、流程編排及輕量化模型微調等關鍵能力，從而在業務側承擔起模型應用與優化的職責，形成更加高效的人機協同與跨角色協作體系。

在“向下”深耕技術底座層面，核心策略在于構建面向垂直領域的預訓練模型。

開源模型在發布前通常通過安全機制對敏感內容進行過濾。直接基于此類經過高度凈化的數據分布開展違規識別任務，往往難以滿足風控場景對精度與召回的要求。基于 LLaVA 架構，通過文本編碼器、ViT 模塊與 MLP 投影層完成多模態對齊，并在解碼端實現統一輸出。盡管整體框架屬于成熟范式，其關鍵優勢在于注入了大規模短視頻風險場景的專屬數據，從而顯著提升模型在垂直任務中的表現能力。

依托數據團隊由數據工程向數據科學轉型所構建的數據飛輪，為模型持續迭代與性能優化提供穩定的數據供給。目前，自研 BLM 預訓練模型已在商業風控場景中實現規模化應用并取得良好效果。其中 7B 參數規模的模型，在綜合能力上可對標開源 32B 甚至 72B 級別模型，在成本側實現顯著優化，年度節約達到千萬量級。

在預訓練能力建設之外，團隊亦持續加大對后訓練階段的技術投入。業界普遍認為預訓練階段的數據紅利正逐步趨于飽和，Andrej Karpathy 亦多次強調后訓練階段的重要性。

結合風控業務的復雜性與多樣性，形成了針對性的技術路徑。由于風險場景類型繁多且差異顯著，單純依賴人工開展大規模有監督微調，不僅成本高昂，也難以具備良好的擴展性。因此，首先通過垂直領域預訓練強化模型的通用能力基礎，在此之上再進行細分場景的自適應適配與能力遷移。基于這一思路，團隊進一步探索并形成了結合自適應獎勵機制與 RPO 的方法體系，用于提升模型在復雜風控環境下的表現。

上述實踐表明，即便處于垂直業務領域，只要能夠將深厚的行業經驗與前沿技術路徑有效結合，依然具備產出具有創新性的技術成果的可能性。

在完成“向下”能力突破之后，團隊進一步推進“向前”方向的技術探索。

隨著 2025 年下半年多模態技術向“理解與生成統一”的方向演進，行業范式發生了結構性升級。

傳統內容審核流程通常止步于風險攔截：當系統判定廣告素材違規并予以拒絕后，廣告主往往需要在冗長的視頻素材中逐幀定位問題片段并進行手動修改，整體編輯效率受到顯著制約。針對這一瓶頸問題，團隊基于對大模型能力邊界的持續探索，提出并構建了AhaEdit系統，以致敬大模型領域的“Aha Moment”式能力躍遷。

在傳統審核邏輯中，一旦文本或短視頻被判定為違規，即會被直接攔截并失去在平臺分發的機會。圍繞這一機制限制，團隊開展了具有突破性的系統設計：首先通過前置 Radar 模型對風險點進行精細化定位與結構化識別，其次利用 AIGC 的內容生成能力對違規片段進行定向修復，從而在保持原始語義與表達意圖不變的前提下，實現內容的合規化重構。

目前，該系統已在快手平臺實現規模化落地，每日服務數十萬廣告主，自動修復上百萬條短視頻素材，并在整體運行成本可控的前提下實現高效率處理。通過這一“理解與生成統一”的技術路徑，本質上正在重塑內容審核與內容生產的行業范式。

總結：AI 驅動下全職能鏈路的價值重塑

針對產、運、研、數、算五類核心職能角色，在 AI 時代背景下，其職能正在發生系統性重塑。

首先，產品經理的職能已由傳統的 PRD 編寫，轉向基于 Vibe Coding 的產品原型構建。這一轉變顯著提升了從創意到落地的轉化效率，并進一步推動產品評審流程向 AI 自動化方向演進。在此基礎上，其考核體系同步升級，重點關注 Vibe Coding 原型產出規模，以及由產品經理主導設計的 AI 原生產品實際效果。

其次，策略運營的角色由傳統規則配置與表達式編寫，逐步演進為 PE 運營與 AI 規則訓練者。其核心能力體現在 Zero-shot 策略的快速補充與適配能力。在評價體系上，更加側重 Prompt 維護能力、工作流編排能力、RAG 知識庫管理能力，以及驅動模型 SFT 流水線構建的能力與規模。

對于研發人員而言，在 AI 輔助編程顯著提升開發效率的基礎上，其角色進一步向技術深水區延展，逐步演化為垂直領域大模型系統的架構設計者與核心構建者。在指標體系上，不僅包括代碼 AI 自動入庫率（當前團隊已超過 35%），更關鍵的是其在算法工程化體系中的核心貢獻與系統性影響。

數據工程師的職能則從單一 BI 分析，升級為 “BI + AI” 融合模式，轉型為驅動模型持續迭代的關鍵“數據燃料提供者”。其中更為核心的衡量指標在于智能標注自動化率，并持續向 70% 及以上目標推進。

最后，算法工程師正在經歷從判別式模型能力向“理解與生成統一”范式的深層重構。作為最接近模型能力核心的一類角色，其職責已不再局限于建模本身，而是逐步演化為組織生產關系重塑的關鍵推動者。其價值評估體系將重點聚焦于傳統模型遷移效率、Agentic System 的業務覆蓋覆蓋率，以及預訓練與強化學習對實際業務增益的貢獻程度。

3 AI 驅動協同模式升級：構建“人機協同”的 AI 增強型安全系統

協同范式一共有三種：大小模型協同、多智能體協同以及人機混合協同。

首先深入分析大小模型協同模式。在實際業務場景中，小模型與大模型各有優劣。小模型具備極強的可解釋性與執行效率，但受限于偏低的精度上限與通用適配能力的短板。大模型理解能力突出、通用性更強，但龐大的參數量會降低推理效率，且內部決策邏輯普遍存在黑盒化問題。

該協同模式主要通過兩個方向推進落地。其一，是大模型對小模型的正向賦能。以大模型為教師模型，依托模型蒸餾、數據蒸餾等技術路徑實現知識遷移，賦能輕量化、高吞吐的學生模型，以極低的算力開銷，對齊大模型 70% 至 80% 的核心能力；其二，是小模型對大模型的反向增強。前置部署小模型承擔流量路由職責，攔截并過濾逾 80% 的常規簡單案例，僅將剩余復雜案例輸送至大模型進行深度精排，從而最大化釋放每一塊 GPU 的算力利用率。

其次，多智能體協同模式。業內廣泛推進 Agent 應用，快手團隊聚焦審核場景深耕實踐，搭建了一套體系化的 Multi-agent 協同框架，以此打破傳統 AI 應用中普遍存在的智能體孤島問題。

整套系統的核心，是搭載風控領域專業能力的規劃器。它統籌全局，負責任務拆解、執行路徑決策以及多智能體之間的路由編排。在執行層面，我們構建了感知、識別、反思、仲裁、反饋五大職能類智能體。

智能體內部，依托 MCP 協議完成精準工具調用；智能體之間，依靠 A2A 通信機制實現高效交互。

依托該套架構，各智能體不再彼此孤立，而是通過相互博弈、仲裁判定、自我反思、閉環反饋與持續迭代，形成動態進化的完整體系。在復雜多變的風控業務場景中，系統的風險識別能力由此得到大幅強化。

最后是人機混合協同。在該模式下，人與機器形成高度互補的協作關系。人類具備創造力、批判性思維、同理心以及應對復雜場景的決策判斷力，但受限于生理作業極限，且邊際人力成本居高不下。機器則擁有全天候不間斷作業的能力，具備強可擴展性，且算力性價比更優。

基于此種互補特性，我們搭建起“人機協同、共享智能”的運作模式。一方面，將 AI 作為輔助工具與協同智能體，通過 Copilot 協作模式，全面提升審核人員的作業效率。另一方面，依托人工介入持續反向優化模型，為 AI 的迭代提供關鍵支撐。面對大模型幻覺難題與長期進化需求，人工產出的高質量反饋具有不可替代的核心價值。

以快手實際業務為例，用戶針對不良內容的負向反饋會實時回流至系統，作為強化學習的核心訓練信號，持續驅動模型識別能力的迭代優化。

未來的人機關系并非相互替代的零和博弈，而是深度共生、彼此成就。AI 與算力將成為業務增長的核心杠桿，承接海量、標準化與確定性的基礎任務。人類則作為關鍵支點，聚焦復雜疑難場景、不確定性問題與倫理邊界決策，雙方共同構筑長期穩定的業務運行體系。

4 打造 AI-Native 型安全組織

在構建 AI 原生型團隊的進程中，我將職能進化的成熟度劃分為 L1 至 L5 五個階段。這一框架不僅適用于風控安全領域，對各行業的 AI 轉型同樣具有普適的參考意義。

在初期階段，L1 以純人工處理為主。進入 L2 后，逐步引入人機協作的混合審核機制，人力效率開始得到初步釋放。L3 是當前階段取得顯著突破的關鍵節點，其核心特征在于機器開始大規模替代傳統的重復性人工勞動，從而重塑基礎作業形態。但我們認為，L3 并非終局形態。團隊正持續向 L4 階段演進。

在 L4 階段，實踐“Human-in-the-loop”乃至“Human-on-the-loop”的協同范式，人類角色從執行者轉變為 AI 教練與系統監督者，核心職責在于引導與驅動 AI 持續優化與進化。

至于 L5 所代表的 AGI 自治時代，其到來時間仍存在不確定性。然而，從 L1 到 L5 的整體演進路徑，已經清晰勾勒出技術驅動下組織形態與職能結構持續進化的必然趨勢。

在審視完系統與業務層面的變革后，組織形態的演進同樣關鍵。

我們團隊正在推行一項極具啟發性的實踐，即實現從傳統的“師級單位”向“AI 合成旅”的轉型。借鑒軍事領域“師改旅”的變革邏輯，傳統師級編制職能邊界極其清晰，雖然人數眾多，但在應對復雜瞬態任務時協同成本高昂。回到產研場景，過去由產品、運營、研發與算法構成的“固態組織”，其職能邊界猶如一堵無形的墻，各角色間維持著機械的需求交付關系。

然而，這種僵化的邊界已逐漸成為限制組織效率最大化的根源。為了應對 AI 時代的挑戰，我們提出了與之相對應的“液態組織”概念。在液態組織架構下，職能邊界不再涇渭分明。

產品經理可以參與原型研發，策略運營能夠主導模型微調，這種打破軍兵種隔閡的“合成化”作業模式，使得團隊在處理創新性任務時展現出極強的爆發力。通過從固態到液態、從傳統師級編制到 AI 合成旅的進化，不僅顯著提升了突破性產品的落地速度，更讓每個角色都能持續向價值鏈上游遷移。

最后，在這樣的宏大背景下，每一位從業者都應當致力于向價值鏈上游實現職能跨越，正如我們從固態組織向液態組織演進，從“師改旅”轉型的嘗試一樣，唯有不斷向上突破，才能重塑核心價值。

在這一升級轉型的過程中，速度是唯一的護城河。面對日新月異的技術變革，唯有保持極高的迭代頻率，才能在激烈的競爭中占據主動，否則我們今天所推崇的模式，轉瞬便會被時代拋在身后。同時，我始終主張“先完成，再完美”的原則，因為在瞬息萬變的 AI 浪潮中，進化的速度遠比出發時的姿態更為重要。

以上就是我今天的全部分享，謝謝大家。

會議推薦

測完 MBTI，快來解鎖技術人專屬 AITI ！前沿探索家、大模型工程師、Agent 實戰拆解師、行業賦能師… 你是哪一種？6.26-27 # AICon 上海站等你面基同頻人！世界模型與多模態智能突破、Agent 架構與工程化實踐、Agent 安全與可信治理、企業級研發體系重構等 14 大專題全面開啟，誠摯邀請你登臺分享實戰經驗。AICon 2026，期待與你同行。