就在10月6日的開發(fā)者大會上，OpenAI描繪了一個清晰的未來：

AI將通過智能體（Agents）無處不在，而OpenAI的平臺本身，將越來越像一個操作系統(tǒng)。

當他們發(fā)布全新的Apps SDK時，一個兩年前的我的行業(yè)演進判斷得到了終極印證。

早在2023年，我便在《》等文章中提出，大型語言模型（LLM）的本質是“一種新式的云端的操作系統(tǒng)”，并勾勒了其后續(xù)的產業(yè)演進脈絡，參見：

當時很是被噴了一頓。

這里我想做的就是通過一次復盤，揭示一種能夠提前預判走向的分析方法。這種方法的核心，就是我曾在《》一文中探討的：

在“實”（技術現(xiàn)實）與“名”（抽象概念）之間穿梭，進行獨立的思考與推演。

先強調下：說到底要回到自己的邏輯，回到技術現(xiàn)實，回到數(shù)據(jù)（雖然有時候沒有），所以還不是算卦。

最新的對未來的判斷在下面這本書里面：

案例一：預判AI大模型會走向“操作系統(tǒng)”

最初的判斷（2023年）：

在《》一文中，我明確反對將LLM簡單類比為云服務或搜索引擎，因為這種類比“失之毫厘，謬以千里”。

● 它不是云服務： 云服務是成本中心，不改變數(shù)據(jù)價值本身。而LLM是“數(shù)據(jù)價值的放大器”，是利潤中心，其放大倍數(shù)的差異“會導致生死的差異”。

● 它不是搜索引擎： 搜索的核心是信息集散，而LLM的核心是內容生成、邏輯推理乃至決策。將它局限于搜索，是“買櫝還珠”。

我當時給出的核心判斷是：

LLM與Windows和安卓更像，它是一種新式的、云端的操作系統(tǒng)。

這個“AI操作系統(tǒng)”將顛覆過去的人機交互范式。在《》中我進一步解釋了下：

“低智能、低信息量的前提下，最合適的吞-吐信息的方式一定是分類。菜單、按鈕、網頁導航等全是分類。整個圖形用戶界面交互的基礎就是分類。高智能、全范圍信息量的前提下，最合適的吞吐信息的方式會變成對話。智能體負責分類并折疊了它?！?/strong>

這意味著，AI正在成為繼PC、手機之后的第三個“通用計算平臺”。

它將以“對話”和“意圖”驅動，成為所有應用的統(tǒng)一入口，并最終像折疊卡片相機一樣，將純粹的數(shù)字工具歸并為自身的一個功能。

兩年來的事實什么樣呢？

OpenAI的發(fā)展路徑，尤其是最新的開發(fā)者大會，為“操作系統(tǒng)”這條演進路線提供了個新證據(jù)，至少在下面幾個方面上：

1. 戰(zhàn)略官宣邁向操作系統(tǒng)：這次可以看成是OpenAI戰(zhàn)略意圖的一次徹底攤牌。他們不再滿足于提供模型API或者做一個簡單應用，而是明確將自己定位為一個承載無數(shù)AI智能體的“操作系統(tǒng)”。這個新操作系統(tǒng)讓chatGPT這類應用從一個被動的“應答者”變成了一個可以主動感知、規(guī)劃、執(zhí)行任務的“行動者”。

2. 一個完整操作系統(tǒng)的架構浮現(xiàn)： 一個操作系統(tǒng)的生命力在于其應用生態(tài)和完整的架構。Apps SDK后，操作系統(tǒng)的各個組件已經比較清楚（雖然還就像Win32的初級階段）。我們可以類比下：

a. 模型 (Model) 如同操作系統(tǒng)的 內核 (Kernel)，負責最底層的智能計算。

b. Apps SDK 扮演了 系統(tǒng)API 的角色，為上層應用提供調用內核能力的標準接口。

c. GPTs 則像是 應用外殼 (App Shells)，是用戶與系統(tǒng)交互的語義化界面。

d. MCP (模型控制協(xié)議)等類似于 驅動層協(xié)議，確保硬件（數(shù)據(jù)源、外部工具）能被內核識別和調用。

e. ChatGPT 本身，就是這個 AI-OS 的集成體現(xiàn)。這時候要記得奧特曼和蘋果的前設計師不停的在勾搭，原因就很清楚了。

f. 而 用戶 (User) 在這個系統(tǒng)中，則史無前例地扮演了多進程任務調度者 的角色，通過自然語言同時啟動和管理多個復雜的任務流（Agents）。不是一個應用干一個事，而是一個應用干所有事。這明顯是應用級別的OS。

這個完整的架構標志著生態(tài)構建馬上就進入深水區(qū)了，一個龐大的原生智能體生態(tài)呼之欲出。

最終當然不一定是OpenAI勝出，Google這些玩家怎么可能開心，后面各種常見的競爭套路都會出來的。

3. 操作系統(tǒng)即下代通用計算平臺 如果說之前的ChatGPT還只是一個超級App，那么以Apps SDK為基礎構建的未來，就是一個真正的“通用計算平臺”。開發(fā)者構建的Agents可以操作瀏覽器、調用其他軟件API、管理文件，真正成為所有軟件的上一層——那個總調度的中樞。這正是“通用計算平臺”的本質含義。

這種判斷的根源何在？

在《》中我曾畫圖對比：

● 舊模式： CPU提供算力，程序員提供智能。

● 新模式： GPU提供算力，大模型提供智能。

當“智能”的供給方發(fā)生根本性變化后，上層的應用形態(tài)、交互方式必然會被重塑。抓住“智能供給”這個牛鼻子，就能推導出交互方式必然從“分類”走向“對話”，應用架構必然從“孤島”走向“被操作系統(tǒng)統(tǒng)一調度”。

案例二：預判AI商業(yè)化的漫長與垂直生態(tài)的崛起

最初的判斷（2023年）：

在《》中，我給出了一個在當時看來頗為悲觀的判斷：AI行業(yè)，尤其是希望構建平臺或深入行業(yè)的公司，在3-5年內難有商業(yè)模式，甚至會“加大虧損”。

原因在于：

1. 商業(yè)要素未變： 客戶議價能力、成本結構、競爭格局等核心商業(yè)要素并未因技術突破而改善。相反，算力、數(shù)據(jù)、人才成本和模型升級迭代的壓力還在劇增。

2. 增長模式改變： AI平臺的構建不是互聯(lián)網式的“大水漫灌”，而是“持續(xù)打深井”。它需要在一個領域做深做透，形成系統(tǒng)性產品（我稱之為“把IBM未完成的沃森事業(yè)干好”），這與追求“快”的互聯(lián)網打法背道而馳。

3. 垂直生態(tài)的必然性： 我斷言，市場不會只有一個通用大模型。因為“OpenAI的大模型再厲害也解決不了便利蜂的供貨補貨問題”。因此，“每個垂直的領域注定會有一個自己的大模型，而每一個大模型都是一套系統(tǒng)和生態(tài)?！?我將其比喻為一個個“章魚”，模型是頭，終端和數(shù)據(jù)源是觸手。

兩年來的事實也是基本呼應。

1. 虧損成為常態(tài)： 現(xiàn)實情況比預想的更為嚴峻。除了少數(shù)頭部玩家，全球絕大多數(shù)AI創(chuàng)業(yè)公司仍在巨額虧損中掙扎，尋找著產品市場契合點（PMF）?！鞍倌４髴?zhàn)”的價格戰(zhàn)，更是將成本壓力推向了極致。

2. 從“模型”到“解決方案”： 市場風向已然轉變。單純夸耀模型參數(shù)已無意義，投資人和客戶都在問：“你的AI能為我解決什么具體問題？” 行業(yè)共識正在向“系統(tǒng)性產品”和“垂直解決方案”聚集。

3. 垂直模型的興起： 法律、金融、醫(yī)療、教育等領域的專業(yè)模型和應用層出不窮。企業(yè)也逐漸意識到，通用模型只能解決70%的問題，剩下30%的核心場景，必須依靠與自身數(shù)據(jù)和工作流深度結合的垂直模型來完成。這正印證了“章魚生態(tài)”的判斷。

在行業(yè)早期，信息往往是不充分的，下面就說說這時候的判斷方法。但在展開之前還是想強調下，有數(shù)先要窮盡數(shù)的獲取和判斷，沒有再用下面的方法。

方法論：“解玄”——在“名”與“實”之間穿梭

那么，如何才能建立起前瞻性的判斷力？

算命肯定不靈，還是需要一套思維框架，其核心在于“名”與“實”的相互觀照與穿梭。

● “實”： 指的是事物的本來面貌，是技術最本質的現(xiàn)實。對應到LLM，就是它基于Transformer架構、是一個“預測下一個詞”的概率模型、它有統(tǒng)計推理能力但會產生幻覺、它極度依賴算力和數(shù)據(jù)。但它具有通用性，所以和過去模式是并行的。

● “名”： 指的是我們用來描述和理解現(xiàn)實的抽象概念、范疇或“基類”。比如“工具”、“平臺”、“搜索引擎”、“操作系統(tǒng)”。

許多分析之所以會產生偏差，要么是沉溺于“實”的細節(jié)而缺乏洞見，要么是追逐于“名”的空談而脫離根基。真正有效的戰(zhàn)略思考，是一場在“名”與“實”之間的穿梭：

第一步：始于“實”——回歸技術本源。 首先要做的，是剝去所有媒體和資本賦予的光環(huán)，直面LLM的技術內核。這里很關鍵，必須回到技術的根本特征，否則就全是想象和想法。AI的根本特征是什么呢？它改變計算模式，過去靠程序員堆積if...else，現(xiàn)在則是任意輸入都給你輸出結果any...then，并且這種改變具有通用性。（前面都寫過的，感興趣大家自己找就行）

然后就需要思考：一個超級強大的通用決策器，到底能用來做什么？

第二步：躍遷至“名”——尋找最恰當?shù)某橄蟆?/strong> 它最強大的能力是通用性，那它就能成為人與所有機器之間的通用接口。這時候就需要對應到一個概念，這里顯然是操作系統(tǒng)，操作系統(tǒng)在過去完成通用計算的任務。它顯然不是“工具箱里的一個工具”，也不是簡單的“信息檢索器”等單一功能的產品。它通用，所以能調度萬物、屏蔽底層復雜性、建立應用生態(tài)——這不就是操作系統(tǒng)么！

第三步：在“名”的世界里推演。 一旦確定了“操作系統(tǒng)”這個“名”（基類），我就可以調動所有關于操作系統(tǒng)的歷史知識和商業(yè)規(guī)律進行推演。

操作系統(tǒng)的競爭史告訴我們：

● 勝利者最終靠的是生態(tài)，而非單一技術領先。

● 它需要漫長的投入和開發(fā)者培育周期。

● 它會產生巨大的網絡效應和鎖定效應。 由此，我自然能推導出關于商業(yè)模式、競爭壁壘和產業(yè)發(fā)展階段的判斷。

現(xiàn)在借助AI可以把過去事實的部分簡化很多。

第四步：以“名”馭“實”——回歸現(xiàn)實進行驗證。 最后，將這些在“名”的世界里推演出的結論，映射回“實”的世界，去觀察現(xiàn)實世界的發(fā)展是否與之吻合。OpenAI的每一步，尤其是10月6日開發(fā)者大會的藍圖，都在驗證著“操作系統(tǒng)”這條路徑。從這個角度看，它后面要干什么也是可推測的，和微軟的關系、Google的關系等等都是可推測的。

這個過程，正如《解玄》中所說，是“從特殊到一般，一般到一般，從一般再到特殊”的循環(huán)。

它要求思考者既要有工程師般的求實精神，又要有哲學家般的抽象能力。

結語

所有能夠經受住時間檢驗的前瞻性思考，其共同點并非是預測未來，而是在沒譜的各種要素里面，找到實的點。分析的錨點需要定在技術的本源之上，并勇敢地進行抽象和推演。

這背后最原點上的支撐其實保持一份獨立的判斷力，要有自己的體系。自己體系不靈就看啥都有道理。

吳國盛老先生寫過這樣一段話：

亞里士多德在《形而上學》第一卷開篇談到三類知識，他認為最基本的知識是經驗知識，動物都有經驗，但是經驗不可傳遞，所以是知其然不知其所以然的知識。亞里士多德認為比經驗更高的知識叫技藝或者技術，這一類知識就有點類似于中國人心目中的理論知識，比經驗知識更加普遍化，它能夠溝通、能夠學習。

但是，亞里士多德說這兩類知識都還不是真正的科學，他提出第三類叫科學的知識。這類知識什么意思？首先是超越功利。經驗也好、技藝也好，統(tǒng)統(tǒng)都是有實際目的、有實際用途的，只有一類知識是沒有功利目的、完全為著自身的目的而存在的，這就是科學。我們中國人的知識譜系里有經驗知識、理論知識，在我們看來，一切知識首先來源于經驗，然后對經驗進行歸納、總結、提升、一般化，構造出理論，理論再反過來為實踐服務，這是中國人一般的看法。

但是在我們的知識譜系里始終缺乏這第三個類別，就是科學。這是一種什么樣類別的知識呢？亞里士多德說，被我們稱為科學的這類知識，必須首先是為了自身的目的存在的，不是為了任何別的目的存在。所以希臘科學的第一個特點叫做“為自己的學術”，是為自己而存在的。

可以簡化下：

這意味著啥呢？意味這如果把上述方法弄到極致，你很可能看到些完全沒啥用也不該看的東西！

https://www.tsinghua.edu.cn/info/1662/56770.htm

本文作者：李智勇，《無人公司》《終極復制》作者