AI這么個跑法，臨近年底實(shí)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(diǎn)，這次把層次往深層做下推進(jìn)。

未來的公司

在AI持續(xù)崛起的背景下，我認(rèn)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(tǒng)，一套系統(tǒng)以執(zhí)行為主，一套系統(tǒng)以規(guī)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(tǒng)幾乎確定這樣，但這圖不復(fù)雜，可有點(diǎn)抽象，并且太技術(shù)，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(jìn)行些補(bǔ)充說明。

具體來講，在公司視角下，經(jīng)常說的各種職能除了我們說的戰(zhàn)略處在規(guī)劃系統(tǒng)（Reasoner）中，所有其它部分基本都在執(zhí)行系統(tǒng)中（Talker），比如財務(wù)、人事、IT、市場、研發(fā)大部分等等。

需要補(bǔ)充說明的是：執(zhí)行系統(tǒng)并非不做決策，而是確定條件的決策都在執(zhí)行系統(tǒng)之中，更精確的說法是凡是可以精準(zhǔn)建模并可以根據(jù)反饋進(jìn)行決策的部分都在執(zhí)行系統(tǒng)之中。

我們來舉個例子，比如：

招聘的時候要定人才標(biāo)準(zhǔn)，也要判斷某個人是否符合這個標(biāo)準(zhǔn)。這時候人才標(biāo)準(zhǔn)在規(guī)劃系統(tǒng)（Reasoner）中輸出，而對應(yīng)此標(biāo)準(zhǔn)的數(shù)據(jù)模型在執(zhí)行系統(tǒng)之中，具體判斷某個人合適不合適、JD是不是寫的可以外發(fā)、是否可以外發(fā)Offer這些判斷也在執(zhí)行系統(tǒng)（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(xiàn)這樣一種結(jié)果：

在規(guī)劃系統(tǒng)中，也許需要人也許不需要人來扮演某個角色；在執(zhí)行系統(tǒng)中幾乎百分百確定不需要人（中長期）。雖然具體進(jìn)度需要看基礎(chǔ)大模型的進(jìn)展，但只要想想自動駕駛中的FSD13就知道這注定發(fā)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(xì)化一點(diǎn)：

當(dāng)規(guī)劃系統(tǒng)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(biāo)準(zhǔn)清楚、相關(guān)數(shù)據(jù)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(guān)變量一共有多少還不清楚，那就需要人來一起完成規(guī)劃。

對比起來說：現(xiàn)在去做互聯(lián)網(wǎng)App那差不多就是不需要人介入的情景，而做AI Native應(yīng)用則是后一種情況?，F(xiàn)在大家甚至不知道什么是智能原生應(yīng)用，AI當(dāng)然也就不知道，沒有人的介入就很難把混沌狀態(tài)轉(zhuǎn)變成可以用參數(shù)、模型來描述的狀態(tài)。這時候就需要規(guī)劃系統(tǒng)打開一個接口，讓人類能參與進(jìn)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(guān)鍵核心原因在于企業(yè)可能支付不起幻覺等所導(dǎo)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(fā)某款程序，這時候目標(biāo)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(zé)任扔給規(guī)劃系統(tǒng)，讓它輸出100個符合目標(biāo)的程序，然后從結(jié)果中選一個就可以，并不需要深度人類的介入。

總結(jié)來說這就相當(dāng)于一個混沌狀態(tài)會通過較低的試錯成本摸索出結(jié)果。

執(zhí)行系統(tǒng)是否可以實(shí)現(xiàn)，即使基于現(xiàn)在的AI進(jìn)展，看起來核心麻煩在于數(shù)據(jù)的成本和精度，已經(jīng)基本不是智能問題了。

近來Ilya的發(fā)言你反向解讀就是：只要數(shù)據(jù)夠，AI就能搞定人能搞定的事。

總結(jié)下：

未來組織中人的位置大概是：

在規(guī)劃系統(tǒng)中，一端的極值是有一個人承擔(dān)社會和法律意義，并沒有經(jīng)濟(jì)意義，AI完成所有的事，一端則是有一個類似過去高管的團(tuán)隊，彼此角色互補(bǔ)，和AI共建規(guī)劃。具體是哪種情況和領(lǐng)域相關(guān)。

在執(zhí)行系統(tǒng)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(shù)據(jù)的精度。

兩者并非孤立的，而是互為輸入，執(zhí)行系統(tǒng)的結(jié)果是規(guī)劃系統(tǒng)的輸入，規(guī)劃系統(tǒng)的輸出也必然是執(zhí)行系統(tǒng)的輸入。

在這樣一套系統(tǒng)里面，公司和個人都會發(fā)生本質(zhì)性變化。包括需要的文化和組織方式。

和AIGC產(chǎn)品的區(qū)別

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

而顯然的上面的規(guī)劃和執(zhí)行系統(tǒng)定位于組織，個體（智能體）固然要優(yōu)秀，但更關(guān)鍵在于組織智能。

組織智能的關(guān)鍵則在于數(shù)據(jù)驅(qū)動下的反饋和自主、快速進(jìn)化能力。這種快速進(jìn)化能力來自于對任務(wù)的定義和大模型的智能。

單獨(dú)生成能力優(yōu)秀是是一時的優(yōu)秀，而組織進(jìn)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(lǐng)域模型的質(zhì)量，反饋是否能夠精準(zhǔn)收集。

這會有點(diǎn)抽象，打個比方：

如果說單獨(dú)某方向的內(nèi)容生成更像是炮彈的威力，那這種系統(tǒng)型產(chǎn)品就必須配備上準(zhǔn)星，同時知道打出去的結(jié)果，然后校準(zhǔn)準(zhǔn)星。單獨(dú)產(chǎn)品最終扔在哪兒開炸是使用者定的，系統(tǒng)型產(chǎn)品的準(zhǔn)星是要自己調(diào)校的。

人類決策和進(jìn)化算法的區(qū)別

在AI驅(qū)動的規(guī)劃系統(tǒng)和執(zhí)行系統(tǒng)中，其背后的思維模式是和過去本質(zhì)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(qiáng)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(jié)果，這是人類進(jìn)行決策的模式。

系統(tǒng)中的個體則會貼近進(jìn)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(guī)模進(jìn)化。進(jìn)化的過程就是淘汰的過程。

這時候計劃系統(tǒng)本質(zhì)負(fù)責(zé)這條進(jìn)化路線，執(zhí)行系統(tǒng)則負(fù)責(zé)現(xiàn)實(shí)的反饋收集。

估計還是抽象，繼續(xù)拿招聘舉例子：

按過去的思路做強(qiáng)化，那產(chǎn)品就是：按照一個優(yōu)秀的招聘人員來定義優(yōu)秀，然后做工具讓每個人都優(yōu)秀。

按照進(jìn)化的思路就完全不一樣，在系統(tǒng)中其實(shí)只需要定義優(yōu)秀所可能牽扯的維度。然后1000個招聘Agent同時上線，對應(yīng)結(jié)果返回給規(guī)劃系統(tǒng)，規(guī)劃系統(tǒng)不停的進(jìn)化1000個招聘人員的設(shè)定，最終誰優(yōu)秀完全可以通過反饋數(shù)據(jù)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(tǒng)自己做出來的。（1000是虛數(shù)）

順道說一句，這和是否是多智能體沒有必然聯(lián)系，多智能體也可以就負(fù)責(zé)內(nèi)容生成啊。

但確實(shí)和Service as a Software有關(guān)系，一定程度上沒有這樣的系統(tǒng)就沒有Service as a Software。

小結(jié)

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

單個功能是好理解的也常見，但系統(tǒng)級的進(jìn)化和產(chǎn)品其實(shí)也已經(jīng)開始了，AutoGPT、MetaGPT、AutoGen等演示的其實(shí)都是這類東西。群友提醒我devin這類第三代編碼產(chǎn)品其實(shí)就是這方向。

上面這些項目最大的誤導(dǎo)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(diǎn)像用演示幾個人開坦克來演示一個本質(zhì)是兵團(tuán)作戰(zhàn)的戰(zhàn)役。

同樣是上面這個題目和這個主題，在29號北大國發(fā)院商學(xué)開放日上會舉辦一場專題的AI碰撞局，感興趣的同學(xué)請聯(lián)系：shuixiu2024。這個題目也會單獨(dú)開一場偏技術(shù)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(fā)表主題演講

2. 會先后有兩場一起

初步日程如下(可能調(diào)整）：