AI 正在从工具层渗透到组织与协作方式，曾鸣教授关于 AI 产业三阶段与 Agent 应用爆发的判断，为创业者提供了观察变化的坐标。本文结合 GPT-6 Astra 的发布，梳理了从基础设施到完整任务的关键推演，帮助你在技术跃迁中守住真正的产品价值。

上周，我花了两个多小时看完张小珺对曾鸣教授的访谈。其中关于 AI 产业和未来组织的讨论，让我很有感触

最近，我们公司内部正在推进一个大型 AI 产品项目，核心团队只有五个人，其中两个产品、三个研发。项目很大，核心团队很小，周期比过去更短，沟通环节变少了，每个人承担的职责也在扩大。这不能证明未来所有 AI 项目都只需要五个人，却让我切身感受到，AI 带来的变化已经越过工具层，开始进入岗位、协作和决策方式。层层汇报、层层审批的传统公司管理方式会逐渐失去位置，人仍然需要分工合作，组织却不会继续围绕固定岗位和命令链运行

就在最近，OpenAI 于九月三日发布了 GPT-6 Astra。官方介绍把电脑操作、浏览、研究、编程和专业文档制作组合起来，让模型在获得必要工具与权限后，把一个多步骤任务从最初要求推进到成品。这也让文中的一条产品判断变得具体，AI 的竞争中心正在从给出答案转向完成任务。一次模型发布不能证明产业终局，但模型层正在继续吸收单一生成环节。创业者真正需要守住一个完整、高价值、能够验收的用户任务，暂时领先的单点功能很可能继续被基础模型吸收。截至发布时，Astra 仍在分阶段开放，这些能力也不等于已经在所有用户和场景中稳定可用

带着这个新变化，我重新梳理了这场一百五十四分钟的访谈，整理出这些判断。它们从大模型和 Agent 出发，延伸到组织、战略和机器人，最后回到教育与人的价值。它们提供了一组观察产业变化的坐标，不能被当成一张可以照抄的路线图

一、AI 产业刚刚进入 Agent 应用阶段

判断 1　AI 可能带来一次超过工业革命的生产力变革

这场访谈没有把 AI 看成移动互联网之后的一次产品升级。互联网扩大了连接，改变了信息怎样流动。AI 开始处理语言、知识和智能工作，改变的是谁能完成任务，以及任务怎样被完成。这个判断有明确前提。如果 AI 的能力继续沿当前方向发展，它对工业时代制度的影响可能超过互联网，今天有效的产品、组织和经验都可能失去原来的价值。这是面向未来的产业推演，还不是已经完成的事实

判断 2　AI 产业会经历基础设施、应用爆发和原生应用三个阶段

第一阶段，技术逐渐可用，成为可以广泛调用的基础设施。第二阶段，大量创业者利用这些能力寻找新任务和新产品。第三阶段，经过长期探索，适合新世界的原生应用成为主流。第二阶段无法跳过。基础技术提供能力，却不会自动告诉创业者该解决什么问题。访谈用今日头条、推荐算法与短视频的演进说明，新技术要经历大量产品试错，才能找到适合自己的内容形态和用户需求

判断 3　2026 年是第一阶段基本完成、第二阶段开场的标志性节点

这套判断把 2026 年视为分界点，依据还包括智能开始具备标准化使用的条件。Token 正在成为智能的计量单位，人们可以计算一次调用消耗多少资源、完成多少工作

OpenClaw 等 Agent 产品让更多人看到，AI 可以从回答问题走向独立完成任务。它们还不成熟，也没有真正进入大众市场。2026 年更准确的位置是第二阶段开场，应用生态还没有成熟

按照访谈中的历史类比，今天甚至还没有出现真正降低开发者和用户门槛的浏览器级产品，雅虎、谷歌式的平台仍在更远处

判断 4　大模型最终会成为 AI 云基础设施

在这套框架里，大模型公司的长期位置更接近 AI 云。当企业越来越依赖基础智能，供给需要稳定，成本需要可控，用户也不能被一家供应商完全锁死。巨额投入又决定了市场很难长期容纳大量同质玩家。由此可以推演，大模型市场会走向少数企业竞争，并受到更强监管。模型成为基础设施以后，客户的评价标准也会从能力突破转向稳定、价格和调用体验

判断 5　通用大模型创业窗口已经关闭

这里的窗口有明确范围。这里所说的窗口关闭，指沿着现有路线再创建一家面向社会提供公共基础智能的通用模型公司。领先企业已经积累模型、算力和组织能力，也开始把 AI 用进模型研发本身。训练效率提高后，领先会变成持续积累的智能复利。按照访谈当时的观察，Anthropic 与 OpenAI 处于领先位置。底层创新没有因此结束，New Lab 探索的新技术路线，以及应用场景提出的新问题，仍可能孕育新公司

判断 6　技术价值不会自动变成企业利润

一项技术可以为社会创造巨大价值，提供技术的企业却未必获得同等利润。市场出现相似供给以后，客户会比较成本，价格也会受到竞争挤压。技术领先、客户愿意尝鲜和短期收入增长，都不能单独证明公司已经建立长期价值。创业者还要判断产品是否容易被替代，市场能否继续扩大。价值最终留在基础设施还是流向应用端，也会影响企业能够获得多少利润

判断 7　今天的模型领跑者未必是 AI 原生时代的最终赢家

基础设施阶段依赖原创研究和技术突破，应用阶段更需要理解用户，并找到新的任务与交互方式。每个阶段需要的能力不同，第一阶段的领先很难自然迁移到下一阶段。访谈借雅虎、AOL、谷歌和黑莓等历史案例说明，第一波企业可以获得巨大价值，也可能在产业进入下一阶段后失去中心位置。历史无法给出具体赢家，却提醒创业者不要把今天的排名当成终局

判断 8　基础设施过剩可能降低应用创业成本

只要智能还不够强、不够稳定，调用成本也没有降到足够低，基础设施投入就会继续。建设具有周期性，某个阶段也可能出现供给超过实际需求的情况。这会给部分投资者带来压力，却可能让应用创业者以更低成本获得更强、更稳定的基础智能。基础设施投资是否划算，与应用生态是否受益，是两套不同的问题

判断 9　New Lab 同时在探索新技术和新组织

部分研究者认为现有技术路线存在能力上限，也有人想把成熟的大模型能力用于 AI for Science 等新领域。这些团队探索模型路线，也在测试研究者应该怎样协作。访谈对早期泡沫的态度偏积极。技术路线尚未收敛时，没有人能提前判断哪条路一定正确。市场愿意为潜在回报投入资源，更多团队就能获得试错机会，今天少数偏离主流的方向也可能成为几年后的新共识

大模型逐渐成为基础设施以后，产业的主问题随之改变。创业者下一步要回答的，是已经可以调用的智能究竟应该替用户完成什么任务

二、产品加 AI 是必要条件，完整任务才是分水岭

判断 10　Agent 的本质是独立完成任务

标准落在行动上。这里区分聊天机器人和 Agent，主要看它能否离开人的逐步指挥，围绕目标把任务做完。互联网让人们分享信息，Agent 与 Skill 开始让人分享能力。研究与设计方法可以被封装和调用，编程与运营能力也可以由智能系统组合起来完成工作。用户关心的问题正在从哪里能找到信息，转向谁能帮我把事情做成

判断 11　真正的机会是完整、复杂且高价值的任务

模型能力不足时，很多应用靠补丁和工作流弥补缺口。模型升级以后，这类产品很容易被覆盖。只解决一个简单步骤的工具即使获得收入，也可能很快触到市场上限

访谈用广告业务说明任务边界的差别。生成一份素材、执行一次投放都只是局部环节，帮助企业获得增长才是更完整的任务。任务足够重要，企业才有空间积累上下文和反馈，并逐渐形成专有技术

我的判断是，产品加 AI 已经成为必要条件，但真正的分水岭，是能不能替用户完成一个完整且高价值的任务

判断完整任务时，我先看用户最后拿到了什么，也看失败后由谁承担责任。系统还要能从真实反馈中继续变强。一次漂亮的生成结果，还没有进入用户愿意托付的工作

判断 12　应用要进入今天能落地、未来能长大的场景

访谈明确提到教育和健康，也谈到企业增长与组织大脑。这些是值得探索的大方向，不是已经验证的赛道榜单。场景选择需要同时满足两个条件，今天有真实需求和付费理由，能力提升以后还有扩展空间。创业者可以从一个小入口进入，但这个入口要通向更复杂的任务，不能随着模型下一次升级失去存在理由

判断 13　应用低迷不代表机会结束

上一批简单应用被模型快速覆盖，新的复杂场景又没有完全跑通，创业者和投资人暂时缺少成功样本。这段时期被看作反共识探索期

OpenClaw 让极客和部分管理者看到 Agent 的潜力，部署和使用门槛又阻止它进入大众市场。它更像一次方向演练，还不是成熟产品

创业者不能站在场外等模型变强。任务边界、用户信任和真实反馈都只能在实践中获得。没有这些积累，基础能力再次跃升时也很难接住机会

判断 14　短期 ARR 不能证明长期空间

新技术总能吸引一批愿意尝鲜和付费的用户。收入只是起点。它不能证明产品已经找到长期位置。把一个月收入直接年化，再按照当前增速外推，很容易忽略市场上限和模型替代风险。这套判断更看重用户能否明显感受到体验变化，产品是否形成自然传播，以及两年后还能向哪里增长。ARR 是经营结果之一，不能代替对产品空间的判断

判断 15　Agent 公司仍然需要自己的技术积累

应用企业没有必要重复训练面向全社会的通用基础模型，却不能把自己变成模型接口的简单包装。上下文管理和长期记忆都可能成为应用技术，交互方式与特定任务中的学习机制也有创新空间。要不要训练模型、训练哪一部分，取决于任务本身。产品价值如果只来自暂时补上基础模型的短板，模型升级后很难保留下来

判断 16　数据飞轮会升级为智能复利

Agent 调用基础智能完成任务，在真实工作中获得反馈，再用反馈改善算法和任务流程，同时积累新的数据，形成智能复利

这个循环要求 Agent 参与执行。系统只生成建议，最后仍由人完成全部工作，就很难获得完整的结果反馈。一个场景中的能力继续延伸到其他场景，承担更复杂的任务，优势才可能扩大

这种扩展被概括为黑洞效应。场景的多样性与不同能力之间形成的新连接，都会加深竞争壁垒。同类数据的数量只是其中一部分

判断 17　下一代入口要解决标准与信任

Agent 数量增加以后，用户需要判断哪个系统能完成任务，是否可以接触数据和资金。收费与失败处理也要有清楚规则。选择一个 Agent 的成本会远高于打开一个网页。新的入口会连接开发者与用户，先建立标准和评价机制，再向用户提供推荐。按照这套判断，平台建设者通常需要先做出一个成功的 Agent，理解任务怎样运行，才可能逐步形成生态和事实标准

访谈预计未来两年可能出现类似浏览器的关键机会，并认为三至五年内可能看到更清晰的 Agent 入口。这是访谈发生时的时间推演，不是确定的产品路线图

判断 18　Agent OS 属于更远的原生应用阶段

Agent 入口帮助用户挑选能力，Agent OS 则进一步接管任务调度。用户只表达想要的结果，系统自己拆解任务并组合 Agent。遇到关键节点时，再决定是否需要人参与。这种形态需要足够成熟的 Agent 供给、可靠的调用方式和更复杂的协作需求。生态尚未形成时，提前搭建一个宏大的 OS 很难解决真实问题

终局方向可以帮助创业者判断今天该积累什么，却不能代替眼前的产品实践。第二阶段首先需要大量能够完成任务的 Agent，经过反复使用和验证，统一调度才有现实基础

三、AI 转型最终会进入组织，而不只停留在工具

我们正在推进的五人项目给了我一个观察位置。产品和研发的分工仍然存在，每个人负责的范围却更大，很多事情不再需要沿着很长的沟通链传递

判断 19　未来组织会从岗位中心转向任务中心

传统公司先设置岗位，再确定职责和汇报关系，任务被分配到固定位置。AI 原生组织会先明确需要解决的事情，再调用合适的人和 Agent 共同完成。权力关系也会随之变化。职位高低不能保证一个人最适合解决当前问题，判断权会更多流向掌握关键信息、具备相应能力的人。分工仍然存在，协作依据却从行政级别转向任务需要

判断 20　给旧流程增加 AI 只是阶段性方案

企业现有工作流通常按照部门边界设计，也受到人的能力和管理要求影响。在原流程中加入生成与总结功能，再连接自动执行环节，可以提高局部效率，却不会自动改变任务怎样被拆解

我的判断是，传统企业的 AI 转型不能从采购工具开始，应该先重新拆解任务和组织协作

企业要确定哪些环节必须由人判断，哪些工作可以交给 AI 持续执行。责任边界也要跟着改变。没有这层重构，工具越多，旧流程可能越复杂

判断 21　一人公司只是过渡形态

一人公司不是组织的终局。AI 能让一个人完成过去需要多人配合的工作，但个人的时间和能力仍有边界，复杂任务依然需要分工合作。未来更常见的形态，可能是少数能力更完整的人组成互补团队，每个人借助 Agent 承担更大范围的任务。我们的五人项目组更接近这种变化，它证明小团队的能力边界在扩大，不代表所有事情都该交给一个人

判断 22　贡献和交付会比头衔更重要

岗位层级弱化以后，晋升不再是唯一的激励方式。这里特别强调个人的主观能动性，也就是主动寻找问题、认领任务，并对结果负责。任务如何分配、由谁完成，会让个人贡献变得更加透明。市场愿意调用的是能力，团队需要的是交付，行政头衔很难替代这两件事。职责扩大带来自由，很多问题也不能继续等上级拆好再下发

判断 23　共享上下文会替代一部分过程控制

人能自主决策的前提，是知道共同目标、现有限制，以及团队为什么作出当前选择。这种方式被概括为用上下文代替控制。AI 也需要接入相同信息。它不仅要知道眼前的指令，还要理解任务与长期目标的关系。进一步推演，这种能力可能让 OKR 以新的方式落地，系统持续观察任务是否偏离目标，再向团队提供提醒。这仍然是未来推演。AI 可以帮助保存和同步上下文，目标本身是否值得追求，仍需要组织判断

判断 24　CEO 要从控制者转向服务者

当组织依赖少数高主动性人才，管理者很难再靠职权维持合作。CEO 要吸引适合当前任务的人，并为他们提供充分的信息和创造空间。重复、繁琐的工作与持续高压会消耗人的创造力。AI 承担部分执行工作以后，管理者的价值会更多体现在清除障碍和维持目标，过程审批应该减少

这不代表取消管理要求。任务越重要，目标和权限越要清楚，结果标准也要提前确定，只是管理不再依赖时刻盯住每一步动作

判断 25　组织和战略必须一起变化

过去常见的方法是先制定战略，再按照战略调整组织。AI 时代的决策频率更高，新的战略生成方式很难在旧组织中运行。组织需要让人和 AI 持续处理问题，在共享信息中形成新的判断。战略又会决定下一步需要什么能力，以及组织如何继续调整。两者变成相互推动的循环

判断 26　应用时代会重新放大产品经理的价值

基础设施阶段依赖科学家完成技术突破。进入应用阶段以后，企业需要判断服务什么用户、解决什么问题，还要决定哪些技术值得投入

我的判断是，AI 产品经理正在从需求文档生产者，转向问题定义者、方案判断者和结果验收者

PRD 和原型可以更快生成，产品经理节省下来的时间不能继续用来生产更多文档。产品经理要判断任务值不值得做，再检查交付结果能否解决用户问题。模型不稳定时，还要建立与之匹配的验收标准

判断 27　走向卓越需要使命和互补团队

访谈区分了优秀与卓越。优秀可以依靠持续正反馈向前推进，卓越往往要在外界不认可时坚持一个反共识方向，最后由结果证明。这样的坚持不能只靠个人证明欲。创始人要把事情放在自我之前，也要愿意听取不同判断。一个人负责看方向，另一个人擅长把事情做出来，互补比塑造一个全能领导者更现实。使命不能停留在写给员工看的口号。融资与增长发生变化时，它要继续帮助团队作出取舍，不能被外部评价随时改写

四、不确定性越强，战略越不能只靠年度规划

未来看不清，那就少谈战略，多做执行。这是很多公司面对 AI 的第一反应。访谈给出的判断相反，环境越不确定，企业越需要持续作出战略选择，因为一个错误方向留给团队纠正的时间正在变短

判断 28　不确定性越强，战略判断越重要

在增长相对平稳的行业里，企业可以根据过去预测未来，再把长期目标拆成年度计划。AI 不一样。模型能力可能突然跃迁，新产品会快速改变用户预期，原本有价值的业务也可能在几个月内受到冲击。研究商业史的目的，是提炼产业演化中可以复用的规律，帮助创业者判断自己处在哪个阶段。把今天的公司机械对应成过去的赢家，偏离了这种方法。访谈也明确表示不做短期预测。规律能够提供坐标，却不能替企业算出确定路线。企业需要持续判断，也要随时准备修正方向。必须作出选择。一次选择同样不能成为未来几年的固定答案

判断 29　战略要用中期路径连接愿景与行动

访谈用看十年、想三年、干一年来概括战略方法，其中最容易被忽略的是想三年。长期愿景回答企业希望走向哪里，当下行动回答今天做什么。中间还缺一座桥。没有中期路径，愿景容易成为口号，年度计划也容易退化成旧业务的线性延长

中期思考要求团队至少看见接下来的两三步。第一步要验证什么，后面的里程碑怎样展开，今年投入的资源又服务于哪一步。短期、中期和长期之间会出现冲突，战略的价值就在这些冲突中完成取舍。十年、三年和一年并非固定周期。不同行业可以使用不同时间尺度。节奏可以变，中间不能空

判断 30　探索期先提高试错效率，方向收敛后再追求规模

判断一家企业该采用什么战略方法时，更看重它所处的发展阶段。模型、应用或机器人公司的分类不能直接给出答案。在战略探索期，方向还没有确定。一号位要带着团队尝试不同可能，降低试错成本，再从反馈中逐步形成共识。这个阶段最危险的做法，是用强大的执行力把未经验证的方向做得越来越大

方向逐渐收敛后，重点才转向建立能够持续运行的业务模式，提高组织效率并推动规模化。先把原型做稳，重复投入才可能带来增长。外部环境再次发生根本变化时，成熟企业也要重新回到探索状态。传统企业不能用一次立项和一份年度预算管理持续变化的 AI 能力。路线图应该记录当前最值得验证的假设，并随着证据更新，不能成为不允许改变的承诺

判断 31　反共识不保证成功，稀缺的是辨别信号和持续纠偏

成功企业经常做出反共识选择，但反对共识不会自动带来成功。大量看似大胆的方向最后没有走通，只研究幸存者，很容易把结果倒推成方法。辨别信号需要扩大对真实世界的感知，也需要把问题想得更深。接触范围太窄，判断容易停留在局部最优。等趋势已经变热，后来者看到的往往只是领跑者走到第三步以后露出的结果，却看不到前两步积累的认知

过去的训练能形成能力，也会制造路径依赖。创始人要相信自己的方向，同时为现实保留推翻它的权力。当新的外部证据与原判断冲突时，事实优先。我的判断是，AI 时代的战略不能停留在一份写完后等待执行的年度文件，它需要成为持续验证并纠偏的机制

五、机器人会打开物理世界，旧巨头没有安全区

前面讨论的 Agent 主要在数字世界完成任务。机器人把同一场变化带进物理世界，也把竞争从模型能力推向数据获取和规模制造

判断 32　机器人仍在早期探索，两条路线都可能成立

机器人产业被类比为 ChatGPT 出现前的大模型阶段。行业还在寻找落地方式，路线远未收敛，其中一个现实限制是缺少像互联网文本那样现成的大规模数据。一条路线先做机器人的通用大脑，追求跨场景泛化。另一条路线先进入具体场景，让机器人在实际工作中获得数据，再提升模型能力

两条路各有难题。通用路线要证明泛化后的能力在大场景里足够好，场景路线要证明自己可以走出狭窄需求。访谈用南坡和北坡登山作比喻，出发时无法断定谁会先到山顶

判断 33　产业突破取决于可负担的规模化量产

演示只是起点。机器人距离成为大规模产品还有很长一段路。访谈用福特 T 型车和流水线作类比，产业的关键节点来自稳定交付和成本下降，大量用户由此才能买得起、用得上

访谈给出一个阶段性里程碑。谁能把一万台机器人实打实地卖出去，谁就完成了一次值得重视的突破。这句话描述未来需要跨过的门槛，不代表访谈时已经有企业达到。市场需求分化以后，单一标准产品还要面对新的竞争

判断 34　机器人是 AI 进入物理世界的接口

机器人的意义可以类比电器。电进入家庭和工厂以后，没有只产生一种设备，智能进入物理世界也可能长出多个大品类。家务机器人与陪伴机器人可能走向不同形态，工业场景还会产生另一批产品。未来也会存在许多规模不大的硬件。这给创业者提出了一个比技术更现实的问题。产品有用，只能证明需求存在。市场容量与技术壁垒还要足以支撑一家公司的长期发展

判断 35　All in AI 只是巨头留在牌桌上的必要条件

访谈中的判断是，AI 面前没有绝对安全的巨头。大公司投入模型、人才和算力，只能获得参与下一轮竞争的资格，无法保证继续成为下一代的领先者。旧组织也会形成阻力。把一家十万人的公司改造成 AI 原生组织，与让一个十人团队按照新方式逐渐长大，难度完全不同。成熟公司的资源是优势，旧流程和既有利益也会限制改变方向的速度

旧产品增加 AI 或 Agent 功能被视为过渡方案。旧产品可以继续存在，新入口却需要企业重新理解用户如何完成任务。已有用户规模无法自动替代这层认知

判断 36　基础设施优势不会自动变成下一代消费入口

访谈把模型与云能力、消费级入口看成两种竞争。微软拥有云计算积累和对 OpenAI 的早期投资，谷歌也有芯片与模型能力，这些资源能帮助它们参与 AI 基础设施竞争，却不能直接回答谁会拥有下一代用户入口。对字节的判断遵循同一逻辑。字节具备模型能力与组织资源，成为重要 AI 云公司的机会很大，过去的产品成功却不能保证它自然成为下一个时代的消费入口。在本次访谈发生时，豆包仍被归入第一代聊天式 AI 产品，因为它尚未达到 Agent 独立完成任务的要求。这是带有时间条件的产品判断，后续能力变化需要另行观察

判断 37　Agent 会改变社交和交易的关系结构

腾讯拥有人的关系网络，阿里拥有人与商品之间的连接。这两种优势都可能受到 Agent 的挑战。当 Agent 开始代替用户寻找服务并执行任务，平台连接的行动主体会发生变化。旧平台积累的关系仍有价值，入口怎样形成、价值流向哪里，却可能被重新定义

访谈没有给出下一代社交或购物产品的具体样子。访谈提出的是结构性风险，社交和交易都不在 AI 变化之外

判断 38　中国 AI 竞争更容易走向同质化

这套判断认为，中美会形成不完全相同的 AI 生态。美国部分先行公司拥有较长的独立探索期，更容易形成自己的技术路线和组织特点。中国许多团队看到相似的海外原型后同时跟进，又在相近的人才市场里竞争，结果往往是大量公司集中进入同一方向，产业格局需要更长时间才能收敛

半年或一年的先发不只是时间优势。更早进入真实问题，团队才有机会形成不同的产品认知和实践积累。追上公开能力只能拿到入场券，对用户任务的理解才可能拉开下一段差距

六、当智能可以调用，人的价值会回到创造

AI 进入产品和组织以后，问题会落到每个人身上。过去由学历、经验和岗位形成的优势还能不能延续，人又该把时间花在哪里

判断 39　人的价值会更多转向原创能力和复杂问题定义

AI 时代被概括为创造力时代。当知识和基础智能可以从外部调用，能够被结构化处理的工作会越来越多交给 AI，人需要在现成答案之外建立新的价值。在这套定义里，写作和绘画只是创造力的一部分。原创地定义复杂问题，看见尚未出现的需求，同样属于创造。情感陪伴和人与人之间的新互动，也可能产生过去没有被满足的价值

经验的作用也会改变。能够整理成知识的经验一旦被模型吸收，资深从业者就很难只凭工作年限保持优势。年轻人可以更快进入陌生领域，经验丰富的人则要继续更新认知

这与 AI 产品经理的变化直接相连。文档生成和信息整理可以交给 AI，决定什么问题值得解决、什么结果可以交付，仍然需要人承担

判断 40　教育要从知识灌输转向兴趣和创造力

按照访谈中的判断，现有教育体系主要围绕知识传递建立，兴趣和潜能开发长期处在次要位置。当知识获取方式改变，原来的培养目标也会受到冲击。矛盾已经出现。年轻人感受到旧的学习与就业路径正在变化，家长却很难让孩子离开熟悉的评价体系。答案还没有出现。即使知道教育需要改变，人们仍缺少经过验证的新方法

教育被视为接下来冲突最集中的系统之一，社会也需要投入更多资源，认真寻找可行方法。访谈没有给出一套成熟答案，这个边界很重要

判断 41　社会消化 AI 转型至少需要一代人

访谈给出的估计是，社会适应 AI 革命需要一代人。二十年只是起步。这个数字描述的是代际更替尺度，不是一张可以精确执行的时间表。真正适应新世界的人，可能从小就把 AI 当成环境的一部分。办公室和虚拟空间的关系会随之变化，人也会通过可穿戴设备与智能保持更持续的协作

这些推演限定在当前可以讨论的 AGI 范围内。对于超级人工智能最终会怎样发展，访谈明确表示没有共识，因此没有继续给出结论

判断 42　AI 可以扩大自由，人仍要重新安排自己的节奏

访谈对 AI 的总体态度偏乐观。这套判断认为，技术会不断增加人能够做的事情，更多智能解决方案也可能让人把精力投入更有趣、更能带来成长的活动。访谈没有断言新文明一定让每个人更幸福。一般生活条件可以衡量，哲学意义上的快乐却很难被技术进步直接证明

另一个矛盾已经出现。AI 处理任务的速度太快，人为了跟上它，反而容易把自己弄得更疲惫。速度不是越快越好。访谈因此提出，人要保留适当的隔离，找到生物个体可以承受的节奏，再建立与 AI 的新平衡

写在最后

写完这 42 个判断，再回头看我们正在推进的五人 AI 产品项目，我更确定这场变化已经进入日常工作。它没有证明所有公司都会消失，也不意味着人会被赶出组织。它说明任务怎样拆解、由谁完成，以及结果如何验收，都需要重新设计。产品加 AI 已经成为必要条件，创业的分水岭是能不能替用户完成一个完整且高价值的任务。任务进入企业以后，转型就不能只从采购工具开始，老板需要先重做任务和协作方式。AI 产品经理也要把能力重心从需求文档生产，迁移到问题定义、方案判断和结果验收

这 42 个判断不保证未来沿着某条固定路线展开。它们更有价值的作用，是帮助我们确定该观察什么，以及何时根据新证据改变判断