AI To B 突圍的新解法就在非共識里。

對話｜張鵬

編輯｜徐珊

如何將技術實力轉化為可持續(xù)的商業(yè)模式，這是擺在整個大模型行業(yè)面前的集體命題，更是對每一個參與者的現(xiàn)實拷問。

若要理解這道考題的深度與難度，或許沒有比張帆更合適的躬身入局者。作為智譜 AI 前 COO，他不僅親歷了中國大模型從「百模大戰(zhàn)」到落地為王的完整周期，更是在 To B 領域主導完成了數(shù)億元規(guī)模的項目落地，積累了扎實且豐富的大模型商業(yè)化閉環(huán)經驗。

但張帆的視野從未局限于當下。早在十余年前，他就選擇投身第一波 AGI 浪潮，此后十年持續(xù)深耕 AI 與產業(yè)結合之路。正是這份獨特的經歷，讓他在 2025 年選擇卸任智譜 AI COO、創(chuàng)立元理智能時，行業(yè)關注的不是「他遇到了什么困境」，而是「他看到了什么未來」。

他創(chuàng)辦的新公司元理智能，不再計劃做大模型的「布道者」或「應用商」，而是轉向更艱難、但價值更廣闊的命題：如何將基礎智能轉化為企業(yè)的核心生產力？如何在模型算力難以指數(shù)級擴張的前提下，通過「商業(yè)強化學習」、「模型性理解」，實現(xiàn)生產力的千倍提升？

正如極客公園創(chuàng)始人 & 總裁張鵬所言，張帆探索的 To B 新路徑，關鍵不在于追求智能的絕對高度，而在于跳出原有思維框架，通過合成數(shù)據(jù)啟動一個能「光速進化」的商業(yè)強化學習——只有這種學習路徑，才能解決過去無法解決的問題。

帶著對 AI 時代變革的洞察與對不同市場的思考，元理智能創(chuàng)始人張帆與張鵬展開了一場坦誠對話。這不僅是對過去兩年喧囂產業(yè)的總結，更是對未來 AI 商業(yè)化新范式的堅定選擇。

對話精華要點：

• 客戶提問的變化折射出市場演進：從早期的「為什么不用開源」，到中期的「數(shù)據(jù)安全」，再到如今的「業(yè)務指標怎么提升」，這三個問題見證了 AI 技術從嘗鮮走向實用。

• 搭建知識庫或問答系統(tǒng)絕不等于實現(xiàn)業(yè)務價值。真正的 AI 化要用 AI 特性重構業(yè)務邏輯，否則就只是「應用 AI 工具的公司」。

• AI 革命類似電力革命：電力延伸人類體力，AI 延伸人類智力，二者形成對稱關系。用電力時代類比，電力的最大受益者不是發(fā)電廠，而是整個工業(yè)化進程。AI 同樣是杠桿，其最大價值在于嵌入物理世界實現(xiàn)轉化。

• 當所有人一致看好達成「共識」時，反而更容易陷入非理性狀態(tài)，回歸第一性原理的思考很關鍵。比如說，人們總是認為 C 端比 B 端更有價值是基于歸納法，但現(xiàn)在市場規(guī)則已變，To C 更具競爭，To B 機遇會更大。

• 元理智能的使命是為企業(yè)建立「模型大學」，培養(yǎng)具有行業(yè)特質的智能專家，打造企業(yè)需要能夠干預模型，將行業(yè)知識沉淀和環(huán)境特征映射到智能體中，構建解決自身問題的專屬 Agent。

• 想要讓 AI 更好融入到企業(yè)中，僅理解系統(tǒng)架構不夠，必須把握「模型人格」特性，包括幻覺。要想在模型規(guī)模不顯著增加的前提下實現(xiàn)生產力躍升，核心靠強化學習，特別是「商業(yè)強化學習」。

• 企業(yè)競爭本質是創(chuàng)始人認知的競爭。我們有一套標準方法論，可以幫助企業(yè)以 70-80 分的水平啟動 AI 轉型。

元理智能創(chuàng)始人、CEO 張帆 ｜ 圖片來源：元理智能

以下是極客公園創(chuàng)始人張鵬與元理智能創(chuàng)始人、CEO張帆的對話，經編輯整理。

01

大模型落地成情緒價值？

AI 是生產要素

張鵬： 2023 年加入智譜時，你對產業(yè)環(huán)境的觀察，與你現(xiàn)在出來創(chuàng)業(yè)重新評估環(huán)境時相比，你覺得最大變化是什么？

張帆：與其說是變化，不如說是一種使命的召喚。我過去十年專注于 AI 與產業(yè)的結合，但直到 2022 年底看到 ChatGPT，作為自然語言處理專業(yè)出身的我，立刻意識到這次技術顛覆性與以往完全不同。

當時智譜的首席戰(zhàn)略官張闊找到我，他之前是搜狗搜索首席科學家，也是我在搜狗時期的老板。雖然當時智譜的模型尚未商業(yè)化，但看到 Demo 時，我意識到這是一個新大陸。我當場就決定將公司整體并入智譜，非常決絕，共同推進大模型的商業(yè)化。

過去無論是做 NLP 還是類 Siri 產品，我都非?？释寵C器像人一樣完成任務。以前通用技術沒有機會解決，但大模型的出現(xiàn)讓這件事有了可能。這是我們當時加入智譜的核心原因。

張鵬：在智譜期間，你推動大模型落地企業(yè)，交付了接近幾個億規(guī)模 ToB 大模型落地服務，將技術價值真正帶給產業(yè)。這個過程的體驗如何？是如水銀瀉地般順暢，還是充滿磨合與挑戰(zhàn)？

張帆：過程雖非一帆風順，但我們確實把握住了關鍵機遇，憑借技術前瞻性提前布局，完整經歷了市場的幾輪演進。

在 23 年上半年，當時智譜幾乎是唯一能夠提供模型 To B 方案的廠商，直到下半年，才開始有大廠入局，智譜享受了一段時間的市場獨占期，得益于模型效果和商業(yè)策略的制定，也確實抓住了這段紅利。當時行業(yè)普遍認為 AI 應用必須用自研模型，當時大熱的 Character.ai、Inflection 等團隊均出身模型背景。

但到 2023 年底風向突變，行業(yè)認識到模型與應用可以解構，Perplexity、Cursor 等應用開始爆發(fā)。同時，追求模型能力的客戶企業(yè)從互聯(lián)網巨頭擴展到中型公司。這些企業(yè)更務實，不再執(zhí)著自研，而是憑借自身產研能力追求產品價值，關注響應速度、準確率等硬指標。這也促使我們組建交付團隊，從單純賣模型轉向提供解決方案。

今年又開始出現(xiàn)新趨勢，ARR 創(chuàng)新高的初創(chuàng)企業(yè)全是產業(yè)結合，如法律領域的 Harvey、醫(yī)療行業(yè)的 OpenEvidence 等，印證了 To B 的演進路徑。同時，客戶方面，大量純業(yè)務公司開始入場，他們不再考慮選擇什么模型或產品的價值，而是直接要業(yè)務價值，詢問 AI 能否提升業(yè)務轉化率？能否改善業(yè)務指標？

我們從客戶的提問也能看到市場的變化軌跡：早期問『為什么不用開源』，中期關注『數(shù)據(jù)安全』，現(xiàn)在則最常問『業(yè)務指標怎么提升』

回顧歷程，我們在每個階段都提供了相應價值。但要是說是否做到完美？有多少公司真正轉型為 AI 公司或實現(xiàn)指標顯著提升？這樣的案例還不多。但這并非能力問題，我們在行業(yè)內做得已經算深入的。

張鵬：據(jù)我觀察，不少AI項目需求并非來自業(yè)務部門，而是自上而下推動，也就是CEO認定大模型是戰(zhàn)略必需，必須擁有自己的模型。這種「擁抱大模型」的姿態(tài)往往停留在表面，實際落地卻很難觸及業(yè)務核心。你怎么看這種現(xiàn)象？

張帆：我們確實看到很多。雖然智譜始終專注于務實落地，但市場上確實存在「焦慮驅動」，也就是企業(yè)因害怕錯過技術浪潮而倉促入場。我們見過太多客戶在采購完一體機后就陷入「下一步該怎么做」的迷茫。

不過這種現(xiàn)象未必是壞事。任何新興產業(yè)都會經歷這樣的泡沫期，就像互聯(lián)網早期的域名炒作階段。企業(yè)認為做個 APP 就是互聯(lián)網公司，注冊域名就是觸網了。這是技術普及過程中的必然階段，具有其歷史價值。

但現(xiàn)在我們需要向前邁進。關于「AI 真正產生價值」的標準，我認為：首先，搭建知識庫或問答系統(tǒng)絕不等于實現(xiàn)業(yè)務價值，這本質上不是業(yè)務驅動的創(chuàng)新。現(xiàn)在很多企業(yè)做的知識庫和問答系統(tǒng)，本質上滿足的是「情緒價值」——老板面對技術焦慮時，通過采購一個可見的 AI 方案來獲得安全感。

AI 轉型可以借鑒移動時代，就像當年的 BOSS 直聘用移動特性重塑招聘體驗，而不是簡單從網站到 APP，今天企業(yè)的 AI 戰(zhàn)略也應該用 AI 特性來重構業(yè)務邏輯。如果只是給現(xiàn)有業(yè)務流程加個對話功能，本質上仍是「應用 AI 工具的公司」。關鍵要看 AI 是否促使業(yè)務流程重組、環(huán)節(jié)優(yōu)化和組織變革。

正是基于這些思考，我創(chuàng)辦元理智能時決定：不要以應用模型為目標，而是直接以提升業(yè)務價值為出發(fā)點。

張鵬：當新的技術革命浪潮來臨，大家都渴望離技術原點越近。但今天如果要選擇賽道，你判斷整個產業(yè)環(huán)境是否發(fā)生了變化？你設定新目標背后的思考邏輯是什么？

張帆：本質上，我還是「使命契合」（People-Mission Fit）的驅動。23 年加入智譜，我們經歷了模型的高速發(fā)展時代，讓模型智能快速提升，而到了今天模型已經非常強大，將模型智能轉化為生產力可能更符合我的使命，所以是時候換種方式來推進模型的落地了。

尤其是我看到現(xiàn)在市場共識太強了，反而讓我擔心，我總覺得機遇都在非共識里。所有人都認為「模型是未來」，都在拼命堆芯片、建集群、追求智能突破。結合我在智譜的經驗，我發(fā)現(xiàn)最大的認知偏差在于：當前所有注意力都集中在「供給側」——做芯片、半導體、模型，試圖提高性價比的分母；卻鮮少有人真正關注「需求側」，我們是否也該思考如何提升分子端的價值？

與其扎堆在擁擠的賽道，不如結合自身能力，思考如何做大需求側。這是我最直觀的感受。就像黃仁勛所說，每個人的使命不同。如果一件事已經有很多人做得很好，我風險偏好較高，總想找到一些新的「共識」再去探索。

張鵬：原來你是一位風險偏好高的創(chuàng)業(yè)者。我理解你的意思是：現(xiàn)在大家都在致力于用更低成本提供更多「電力」，而你認為關鍵在于制造更多「電動機」，讓「電」真正落地到應用場景中。你現(xiàn)在選擇的這個方向，更具挑戰(zhàn)性也更有意義。

張帆：完全正確。在智譜時我深刻體會到，基座模型的最大價值在于找到更廣闊的應用場景?，F(xiàn)在我直接以應用場景為核心目標，這在某種意義上也是對智譜的另一種支持，或許能共同打開更大的天花板。

舉個例子，今天的 AI 商業(yè)化就像我們帶著一根電線到了一個原始部落，我們不斷說服酋長用更多的電，但只能提供燈泡，但部落即使點滿了燈泡也無法消耗更多電，補充場景可能比降低電價更有效。但實際上你看，現(xiàn)在我們有電冰箱、洗衣機、空調，以及各種電與物理世界自然結合的場景。因此，當大量應用場景出現(xiàn)，「用電」將會是自然而然的事情。我只是從另一個視角，來幫助基座模型去擴大消耗量。

我們用電力時代的邏輯來看，你發(fā)現(xiàn)真正電力最大的受益其實不是發(fā)電廠，也不是電力公司，而是由于電的發(fā)明導致了整個工業(yè)化的出現(xiàn)。有了電梯，電就讓整個城市從平面變成了立體；有了生產流水線，逐步導致整個社會的生產構成都變了。所以電的價值不是一個結果的交付物，而是一個杠桿。你看電的價值是通過嵌入自然世界、嵌入物理世界來做轉化的，我覺得今天AI也是桿杠，最大的價值也是要嵌入物理世界去做轉化，這就是為什么我要做 ToB。

張鵬：我們究竟該如何理解這一波AI帶來的變革？我認為它并非簡單的從互聯(lián)網到移動互聯(lián)網的迭代，本質上是一場計算革命，這場新革命理應在更廣闊的領域創(chuàng)造新的價值。

張帆：我認為這一波 AI 其實很像電力革命。你看，電力的本質是人類體力的延伸甚至無限擴張，而 AI 的本質是人類智力的無限延伸，二者形成對稱關系。因此，我們應該參考電力革命的發(fā)展路徑來理解 AI 的發(fā)展軌跡。

就像過去做手機，是從現(xiàn)有格局中開辟新戰(zhàn)場，戰(zhàn)場是空的，誰跑得快誰就能贏。但現(xiàn)在的邏輯完全不同：戰(zhàn)場數(shù)量沒有增加，只是在原有戰(zhàn)場上多了一個全新的生產要素。這正是 AI 與互聯(lián)網邏輯的根本差異。如果沒有具體場景，脫離物理世界，我們很難將 AI 作為獨立產品進行交付。而 ChatGPT 的出現(xiàn)證明了「電」的價值，但 AI 的價值絕不僅僅局限于誕生一個 ChatGPT。

02

「不對稱」的模型才能打造最優(yōu)解

張鵬：今天大家普遍認為模型很重要，但我們也觀察到一些 ToC 企業(yè)在工程上投入大量精力做場景適配，結果模型一升級，之前的努力可能就被覆蓋了。你認為 ToB 領域會有所不同嗎？你為什么敢于深入具體場景？

張帆：其實今天做 ToB 仍是一個「非共識」。我始終認為，一旦某個方向成為高度共識，真正的機會往往已經不在其中。早期 Transformer 就不是共識，所有創(chuàng)新都從邊緣切入，從非共識走向共識?，F(xiàn)在市場共識是什么？無非是模型重要、算力重要、C 端重要、垂類 Agent 重要。但當所有人一致看好時，反而容易陷入非理性，所以回歸第一性原理的思考很關鍵。

為什么大家總認為 C 端比 B 端更有價值？這個結論更多來自歸納法，互聯(lián)網時代做 C 端的賺得盆滿缽滿，做 B 端的卻很艱難，于是簡單平移認知，認為還是要做 C 端。但底層邏輯已經變了。過去 C 端有價值，是因為互聯(lián)網早期線上空曠、線下?lián)頂D。那時講究速度、跑馬圈地，物理世界的沉淀在數(shù)字世界失效，創(chuàng)業(yè)公司和巨頭同臺競技，誰快誰就能建立壁壘。

現(xiàn)在完全不同了，線上線下都已飽和。沒有出現(xiàn)新 iPhone、新平臺。競爭要素在互聯(lián)網時代和 AI 時代已經不同，創(chuàng)業(yè)者面對的是非對稱競爭。做 C 端，可能找到一個好點子快速做到 100 萬美元 ARR。但如果成功，10 個月內就會有巨頭帶著 10 倍資源進場。你能在 10 個月內建立足夠壁壘嗎？做產業(yè)端的問題也大致相似，如果做出一款體驗極佳的旅游產品，OTA 巨頭或許一年能追上體驗，但你要追上他們的供應鏈和服務體系，沒十年是不可能的。

某種程度上，我們處于一場極其不對稱的戰(zhàn)爭。如今 C 端創(chuàng)業(yè)可能更具挑戰(zhàn)，而 B 端的故事可能會不一樣。

張鵬：當前 ToB 領域最關注的是 Agent 在實際業(yè)務中的表現(xiàn)。大家想知道，Agent 究竟能否真正融入工作流、帶來生產力升級，你如何看待當前 Agent 技術的發(fā)展現(xiàn)狀？

張帆：Agent 技術已走過一個發(fā)展周期，從 AutoGPT 到 GPTS 不斷演進，但離理想狀態(tài)仍有距離。

目前主要有三類 Agent：第一類是 Workflow 派，如 Coda、Defi 和智譜的「清流」。它們能快速搭建原型，但本質是增強版低代碼工具，并非真正的 AI 原生 Agent。以機票預訂為例，預設流程要求用戶嚴格按步驟操作，若用戶直接說"我要去上海"就會卡住。雖然可通過增加連線解決，但復雜度呈指數(shù)級增長，因此在企業(yè)核心系統(tǒng)中應用有限，就像低代碼工具無法構建 SAP 這樣復雜的系統(tǒng)。

第二類 Agent 追求 AI 自主規(guī)劃，從 AutoGPT 到 Manus 等產品都在探索自我規(guī)劃能力，顯著提升了泛化性。但這類系統(tǒng)依賴上下文理解和云端規(guī)劃器，本質上仍受限于模型自身能力。這意味著所有問題都被默認用同一套「大腦」處理，只是更換資料就期望得到最優(yōu)解?，F(xiàn)實中這種方式存在局限。雖然通用性有所提升，但企業(yè)每個問題都沒有通用解，不同場景的最優(yōu)解可能沖突，環(huán)境更是千差萬別。

因此，第三個階段正在到來：企業(yè)需要能夠干預模型，將自己的行業(yè)知識沉淀和環(huán)境特征映射到智能體中，構建解決自身問題的專屬 Agent。這標志著 AI 從規(guī)則化到模型化，再到個性化甚至自我進化的演進路徑。

有人總會問我模型是否會吞噬一切，我認為走到這一步的前提是所有標準必須統(tǒng)一，但現(xiàn)實恰恰相反。OpenAI 提出的「智能不對稱性」概念很說明問題：模型能拿奧數(shù)金牌，卻數(shù)不清"Strawberry"中的'r'數(shù)。這不是缺陷，而是智能的本質特性。

你看混合專家模型（MoE）也是在構造這種不對稱性。每個企業(yè)都是獨特環(huán)境，都存在其不對稱性。如何系統(tǒng)化地找到這種不對稱，將企業(yè)競爭優(yōu)勢融入模型，這正是元理智能致力解決的核心問題。

張鵬：你提到「不對稱」特別有意思——因為在智能領域，不對稱恰恰是最高效的。反過來說，完全對稱反而可能意味著平庸。你看人就是不對稱的，真正有鮮明特點和競爭力的個體，大概率都不是對稱的；關鍵在于，你是否把不對稱的長處，發(fā)揮在了決定勝負的關鍵點上。

張帆：人的智商在幾千年來并未發(fā)生巨大進化。但從生產力角度看，現(xiàn)代人比五千年前的原始人高出上千倍。按照原有邏輯，生產力提高一千倍，需要一個重達百斤的大腦，這顯然不現(xiàn)實?，F(xiàn)實是，人腦這個「模型」本身沒有改變，但我們的生產力卻提高了一千倍。關鍵在于我們增加了「不對稱性」。

一個人如何創(chuàng)造生產力？他是從幾乎相同的嬰兒開始，通過學習、教育，分化出不同的工種，再利用專業(yè)工具，通過分工協(xié)作，最終創(chuàng)造出整個社會的生產力。你會發(fā)現(xiàn)，從上學到分工、使用工具、進入企業(yè)，整個過程就是一個塑造「不對稱」性的過程。這個系統(tǒng)為個體定義了環(huán)境和最優(yōu)解，從而激發(fā)生產力。

我認為這是另一種形式的規(guī)模擴展（Scaling Up）。通過這個類比，人類實際上進化出了一種極高效率的方式：將一個通用模型（人腦）進化為一個個具有不對稱能力的個體，再通過個體間的協(xié)作，最大化整體優(yōu)勢。

本質上，世界對模型的研究已進入下一階段。原來的階段是「為知識建?！埂讶祟愔R壓縮進一個預訓練模型。而今天，我們進入的是「為學習建?！沟碾A段：研究如何讓通用知識一步步映射到每個局部環(huán)境，并找到最優(yōu)解。這個從「為知識建?！沟健笧閷W習建?！沟霓D變，是關鍵所在。

張鵬：如何將這些理念真正落地？怎樣將「智能的不對稱」轉化為企業(yè)「競爭力的不對稱」？推進過程中是否存在清晰的路徑？我們正觸及今天對話的核心——AITO B 是否真有突破性的新思路？

張帆：如何在模型規(guī)模不顯著增加的前提下，實現(xiàn)生產力上千倍的提升？我覺得核心是靠一項技術：強化學習，特別是「商業(yè)強化學習」，包含兩大關鍵：強化學習與商業(yè)應用。

我之所以推崇強化學習，是因為它突破了語言知識的局限性。語言模型雖能復刻人類知識，但語言本身是對思維的「降維」。就像讀完《游泳秘訣》仍不會游泳，得到 C 羅親授也踢不進任意球，有些東西單純的知識傳遞遠遠不夠。

真正的掌握需要反復實踐：根據(jù)反饋持續(xù)調整動作，這正是強化學習的本質。它架起了智能與物理世界的橋梁，能捕捉那些難以言傳的細節(jié)。就像用文字描述一支筆，每個人的想象都不同，但親眼所見立見分曉。

當前，強化學習已成為主流。去年業(yè)界還在擔憂數(shù)據(jù)枯竭，如今行業(yè)共識已轉向合成數(shù)據(jù)與強化學習共同驅動突破。

其次，「商業(yè)」也非常關鍵，這是強化學習依賴清晰的獎勵信號。目前在數(shù)學、編程等規(guī)則明確領域效果顯著，但在真實商業(yè)場景中，大多數(shù)問題沒有標準答案。這正是因為當優(yōu)化目標從解數(shù)學題變?yōu)樘嵘龢I(yè)務指標時，現(xiàn)有方法就難以直接應用。

這也是元理智能的使命：既要懂技術，更要懂業(yè)務。我們要為企業(yè)建立「模型大學」，讓模型在具體場景中學習成長，培養(yǎng)具有行業(yè)特質的智能專家，成為關鍵突破的方向。

03

用好模型前，要先理解模型的「性格」

張鵬：你的思路與具身智能如出一轍，都依賴先驗知識和模擬訓練環(huán)境。這就像自動駕駛，仿真再完美也得通過真實數(shù)據(jù)完成最后 10% 的優(yōu)化。本質上，你是要把機器人概念平移到商業(yè)場景，打造能自主進化、達到 L5 級別的組織智能體?，F(xiàn)在關鍵是：如何將企業(yè) Know-How 轉化為有效先驗？又該怎樣構建商業(yè)仿真環(huán)境？這需要構建「世界模型」還是「場景模型」？

張帆：首先，我覺得這需要的并非是完整世界模型，實際要簡單得多。我們可以參考 AlphaGo 下圍棋的范式——那是一個極簡化的訓練環(huán)境。找到好的應用場景關鍵是要能夠將泛化的業(yè)務描述抽象為標準化的環(huán)境要素。

模型需要明確區(qū)分環(huán)境的核心維度與次要因素。以圍棋為例，棋盤規(guī)格與規(guī)則屬于環(huán)境定義范疇，而棋手外貌、執(zhí)子手勢則不是。這需要深厚的行業(yè)認知：必須深入理解業(yè)務本質，才能精準抽象關鍵維度，完成環(huán)境建模。

張鵬：所以本質上，這是對商業(yè)場景進行抽象化重構？

張帆：確實如此。我一直強調，僅懂技術遠遠不夠，必須具備業(yè)務洞察力，并能夠將業(yè)務邏輯轉化為數(shù)字特征，這本質上是一門跨界融合的學科。

以銷售訓練為例：構建真實的銷售博弈環(huán)境，需要定義「顧客角色」、「商品信息」、「預算框架」和「銷售政策」等核心要素，同時建立合理的評估體系——究竟該以最終成交為導向，還是關注溝通過程質量，或是引入「銷售教練」實時指導？雖然每個人的抽象方式不同，但這樣的框架清晰地展現(xiàn)了一個多智能體協(xié)作系統(tǒng)：不同模型扮演特定角色，當這些角色行為足夠擬真時，模型就能獲得有效的學習體驗。

我們最近的一個重要認知突破是，僅理解系統(tǒng)架構還不夠，必須深入把握「模型人格」特性。所以我們提出「模型性」這個概念，與「人性」相對應。正如優(yōu)秀銷售教練需要深諳人性，要有效引導模型就必須理解其行為特性。目前許多模型交互研究流于表面，根源不在于技術局限，而是對模型性理解不足——就像理解一個人，關鍵在于把握其心理特征和行為模式，而非僅僅了解生理構造。在實際應用中，你甚至不需要深究 Transformer 的技術細節(jié)。

例如，某些研究模擬銷售博弈時僅設置成本價和預算價兩個參數(shù)，只要價格區(qū)間有重疊就判定交易成功——這種簡化顯然脫離商業(yè)現(xiàn)實。

所以問題的關鍵在于理解模型性。比如，模型具有怎樣的人格特質？我可以明確地說，當前主流模型普遍表現(xiàn)出「討好型人格」，這是 RLHF 訓練過程的直接產物——不迎合用戶會受懲罰，積極附和則獲得獎勵。這也解釋了為什么許多用戶特別青睞現(xiàn)有模型：因為它們總是積極認同用戶的觀點，頻繁使用「您說得太對」、「這個問題抓得很準」等表達。有時候我都不忍點破，只好說：「您確實很厲害，得到了最聰明模型的認可」。

張鵬：你提到的「模型性」讓我想到一個有趣現(xiàn)象。不少朋友和讀者都反饋，對模型「說狠話」能提升表現(xiàn)，比如威脅「再不好好干就斷電」——這就是所謂的「PUA提高模型性能」。這背后是否與「模型性」有關？是否意味著我們需要理解模型的內在機制，它在什么情況下會改變？哪些是有效的「魔法指令」？這種 PUA 方式真有技術依據(jù)嗎？

張帆：我雖然沒有親自驗證，但從原理上推測是可能的。既然 PUA 對人類有效，而模型訓練基于人類數(shù)據(jù)，這種模式很可能被習得。特別是在小說等文本場景中，模型可能學到了「被批評后需要表現(xiàn)得更好」的行為模式。本質上，這是人類知識壓縮的體現(xiàn)。RLHF 過程可能強化了這種模式：當模型被批評后改進獲得正面反饋，就會強化這種應對方式。這確實是「模型性」的一個具體表現(xiàn)。

模型性不是單一固定的特質，而是需要我們去識別和理解的模型內在傾向。比如訓練銷售場景時，我們需要模擬各種性格的客戶——急躁的、溫和的、粗魯?shù)摹?yōu)雅的，這樣才能真實還原世界。模型性不是要統(tǒng)一模型的性格，而是理解其傾向并善加利用。

這里我想延伸一個觀點：很多人將「幻覺」視為缺陷，但我認為這是智能的核心特征。幻覺的本質是創(chuàng)造新內容，如果只能復現(xiàn)已知信息，那就只是檢索系統(tǒng)。有觀點認為「只要模型還有 1% 的幻覺，就永遠需要人類」，這種說法既不懂模型，也不懂人性。

張鵬：確實，但所有創(chuàng)業(yè)者都是從「幻覺」開始的。

張帆：正是！世界進步源于超越現(xiàn)實的想象。關鍵在于我們不能用舊標準衡量新事物。過去我們將程序視為完全可控的規(guī)則系統(tǒng)，但現(xiàn)在需要轉變思維。

理解模型性首先要接受模型的特性，包括幻覺的存在。過度壓制幻覺會扼殺創(chuàng)造力。既然人類也有幻覺，我們就該用管理人類的方式來引導模型——通過質檢、雙重確認等機制來把控質量。

模型性提醒我們要正視模型的特質。創(chuàng)造力與幻覺是一體兩面，若要前者就必須容忍后者。將模型視為仿生體，運用人類管理智慧來引導，這代表著未來的重要方向。

張鵬：回到銷售場景，我理解你們是為復雜業(yè)務定義類似「圍棋」的清晰環(huán)境與邊界，來啟動「商業(yè)強化學習」。這種構建前所未有的環(huán)境、并洞察人機交互的過程，是否正是元理智能創(chuàng)造新的「規(guī)模擴展定律」，釋放更大生產力的核心目標？

張帆：完全正確。但需要強調一個關鍵區(qū)別：圍棋是典型的規(guī)則驅動環(huán)境，搜索空間有限，因此在大模型出現(xiàn)前就已解決。而我們面對的商業(yè)場景，已不再是純粹的規(guī)則驅動，而是模型驅動的。

張鵬：但規(guī)則應該仍然存在吧？就像沙盒游戲，總要有基本邊界和規(guī)則框架，盡管內部交互不是預設的。

張帆：實際上邊界已經相當模糊了。就像極致開放的沙盒游戲，它定義的是底層規(guī)律，然后讓世界自然演化。我認為，今天我們所有的建模本質上都是在「為世界建?！?，但世界本身極其復雜且無法直接觀測，我們只能通過交互反饋來逐步理解。

圍棋可能只有幾十個維度，但如果我們讓三個萬億級參數(shù)的模型相互交互，就形成了萬億乘萬億的規(guī)模。這個空間近乎無限，無法窮舉，也沒有明確邊界。

今天的建模已不僅是對物理結構的還原，更是對心理動態(tài)的模擬，我們不再只是構建分子模型，而是在刻畫人的心理活動。這種轉變讓系統(tǒng)更難以精確解釋，卻也帶來了前所未有的研究價值。

張鵬：這讓我聯(lián)想到合成數(shù)據(jù)。目前業(yè)界似乎形成了一種共識：就是即使心存疑慮，但除了合成數(shù)據(jù)似乎已沒有更可行的路徑？

張帆：作為曾經的 NLP 研究者，我最初也對合成數(shù)據(jù)持懷疑態(tài)度。總覺得這是用百條規(guī)則生成萬條數(shù)據(jù)，再用這些數(shù)據(jù)訓練模型，無異于自欺欺人。更擔心會導致過擬合，削弱模型的泛化能力。

但后來我突破了思維定式：為什么規(guī)則數(shù)量一定要少于數(shù)據(jù)？如果能用萬條規(guī)則生成百條數(shù)據(jù)，過擬合的問題不就迎刃而解了嗎？這個認知轉變的關鍵在于大模型的出現(xiàn)。當模型擁有上萬億參數(shù)，僅用 100 條數(shù)據(jù)進行訓練就能引發(fā)所有參數(shù)的變化，因為這相當于創(chuàng)造了萬億條新規(guī)則。

在這個新時代，我們必須摒棄規(guī)則必須少于數(shù)據(jù)的陳舊觀念。正是這種思維突破讓我們認識到：所構建的環(huán)境與圍棋有著本質區(qū)別，其規(guī)模復雜度已超出傳統(tǒng)表達范疇。

就像正是通過不精確的描述，我們才能激發(fā)出更準確的理解，雖然仍需保持抽象思維，但這本身就成為了一種有效提示方式。

本質上是如何利用模型這個新杠桿。從第一性原理看：蒸汽機讓動力無限擴張，AI 讓智力無限擴張，而在商業(yè)上，這意味著生產力可以無限擴張。理解了這一點，企業(yè)戰(zhàn)略設計就清晰了。合成數(shù)據(jù)只是一個小例子，但它代表一種新杠桿，對知識、對理解世界的杠桿。

04

「到明年 Q2 前，

元理的客戶不會超過 6 個」

張鵬：這件事必然要求商業(yè)組織理解并認同其底層邏輯，并對新生產力環(huán)境有思考和準備。你有了這個 idea 后，有沒有接觸潛在客戶？能不能還原一下：你最早是怎么說服天使客戶的？他們如何理解？你們又是如何展開合作的？

張帆：創(chuàng)業(yè)不能脫離實際。我們必須深入場景，結合技術趨勢與業(yè)務洞察。我們不是靠人寫規(guī)則，而是構建一個能自己轉起來的「飛輪」——但這個飛輪必須落在具體的「田地」上。

我們 6 月底才從智譜離開，7 月注冊公司，8、9 月正式開工。但這兩三個月里，我們已經有了 5-6 家天使客戶共同共創(chuàng)。商業(yè)環(huán)境我創(chuàng)造不了，我只是放大器、是杠桿——而杠桿必須有個支點。所以我們從第一天就開始尋找這樣的企業(yè)。

為什么這些企業(yè)愿意嘗試？實際上有興趣的企業(yè)比我們預想的多。我們并不想做交付公司，而是希望找到通用解，而非個性解。雖然早期難免投入較重，但我們給自己設了上限：到明年 Q2 前，客戶不能超過 6 個。

張鵬：設上限是因為無法同時拆解無限場景嗎？每個客戶是否代表不同場景？否則就變成統(tǒng)一的最佳實踐了？

張帆：是的。要想做出標準產品，就必須從非標準化環(huán)境開始。我們刻意選擇不同行業(yè)的客戶，避免陷入定制化工作流。

我們設上限而非下限，是因為目標不是靠人力解決一兩個客戶問題，而是通過這個過程，摸清理論在真實世界中高清晰度的落地形態(tài)。我希望客戶在 3-6 個月內核心指標發(fā)生質變，成為 AI 原生或深度 AI 增強的企業(yè)。

至于他們?yōu)槭裁丛敢夂献鳎芏嗍呛臀覀冇兴浇坏钠髽I(yè)老板，聊下來覺得理論有道理，就開始了。這些老板想得很清楚：投資 AI 是「微笑曲線」——損失有限，收益無限。就像學游泳，站在岸邊永遠學不會，必須下水。他們先做有限投入嘗試，一旦成功，收益是無限的。

我認為企業(yè)普遍有這類訴求，只是市場還沒有相應供給。這有點像 iPhone 或英偉達——是「單邊需求無限市場」：只要你能把模型轉化為業(yè)務能力，轉化多少都有人愿意用。這個場景空間非常廣闊。

張鵬：不同行業(yè)的客戶需求是否對應不同工種？比如銷售、客服？還是你們會先聚焦特定場景驗證價值閉環(huán)？

張帆：我們確實有明確傾向。首先我們要回答一個根本問題：什么是生產力的最佳標準單元？我們認為答案是「工種」。

在 AI 出現(xiàn)前，SaaS 行業(yè)試圖將「業(yè)務流」作為標準單元，推崇「行業(yè)最佳實踐」。但現(xiàn)實證明這條路從未走通。即使 SAP、Salesforce 也需要大量定制交付，甚至催生了專門的實施服務產業(yè)。

從第一性原理看，SaaS 本質是「為業(yè)務建?！梗祟惤？偸菑囊?guī)則體系開始，而規(guī)則只是真實世界的降維表達。比如醫(yī)生建議「38 度以上吃退燒藥」，這遠非醫(yī)療真相，因為還需考慮年齡、病程、檢驗指標等。納入所有變量會阻礙溝通，最終只能選擇覆蓋 80% 情況的簡化規(guī)則。

當幾十個「80% 規(guī)則」疊加，系統(tǒng)就難以維護。SaaS 將高維業(yè)務壓縮到幾百個維度，必然造成信息損耗和隨機性，就像不同人讀《紅樓夢》寫的摘要都不同但都正確。因此標準化業(yè)務流很難真正泛化。

為什么「工種」能突破局限？舉例來說：兩家相同業(yè)務的火鍋店，A 店的 SaaS 系統(tǒng)直接搬到 B 店需修改 30%-40% 才能使用，但 A 店店長調到 B 店當天就能上崗——因為人腦是高維模型，SaaS 只是低維模型。

我們堅信「工種」作為可泛化、跨行業(yè)復用的單元，也是生產力的最優(yōu)建模單元，優(yōu)勢遠超業(yè)務流，這讓我們對擺脫重交付模式充滿信心。

關于發(fā)展路徑上，我們不會一開始就做上百個工種，而是有所側重。首先，平臺本身是通用架構，底層邏輯是「為學習建模」而非特定職能。其次，早期會優(yōu)先選擇市場最大、成本最高的工種，比如銷售、客服，以及各行業(yè)的專家角色如醫(yī)生、教師，還有 HR、財務、法務等專業(yè)崗位。目前我們首先聚焦于人機交互頻次最高的銷售和客服場景。

準確來說，我們是一所「模型大學」?；Ｐ腿缤咧猩髽I(yè)難以直接使用。我們通過專業(yè)培養(yǎng)，將其轉化為醫(yī)生、程序員、產品經理等專業(yè)人才，再輸送到企業(yè)崗位。模型產出后需要經過「深造」，才能成為合格的「崗位工人」?；Ｐ吞峁┑氖峭ㄓ媒鉀Q方案，我們將其轉化為具備專業(yè)特長的智能體——這種從對稱到不對稱的轉變，實際上放大了模型的整體效能。

張鵬：這個思路很有創(chuàng)新性，但關鍵在于如何實現(xiàn)智能與場景的精準對齊——不是簡單地構建知識庫或工作流，而是讓模型具備持續(xù)進化的能力，成為可批量部署的高級生產力單元。這種「自我進化」的能力才是根本目標。

張帆：我追求的第一性原理就是「自我進化」。學習是連接智能與物理世界的橋梁。既然人和企業(yè)都在持續(xù)變化，固定的知識體系永遠無法滿足動態(tài)需求。因此我不看好定制化的流程智能體，就像造鞋不能只有一個尺碼。

更重要的是，這種方式難以觸及企業(yè)核心業(yè)務。您可能不會讓智能體負責選題策劃，但會用它處理合同審核——標準化功能通常只能勝任邊緣業(yè)務。而我們的目標，是幫助用戶將獨特的經驗能力標準化，形成差異化的競爭優(yōu)勢。

張鵬：對你們來說，客戶自身的認知水平是否至關重要？你們找到了AI能力進化的路徑，那么企業(yè)需要具備哪些條件？業(yè)界常說「問題不在 AI 而在用戶」，你們如何篩選客戶？

張帆：現(xiàn)實往往比理論嚴峻。我們見過太多企業(yè)因焦慮而盲目跟風，選擇了不適合大模型的問題，例如期待投入一百產出五百，用 AI 預測股價或銷量，最終無果而終。問題的根源在決策者。我們篩選客戶主要看三個維度：企業(yè)規(guī)模的示范效應；業(yè)務場景與模型能力的高度匹配；以及決策層具備互信基礎和戰(zhàn)略定力。

許多企業(yè)宣稱「重視 AI」，但只是設立基金、鼓勵用 GPT、舉辦競賽等采購思維遠遠不夠。這同樣是認知偏差，企業(yè)競爭本質是創(chuàng)始人認知的競爭。正如張一鳴所說，除了認知，所有要素皆可配置。早年云計算的案例已證明，是領袖認知決定了企業(yè)的發(fā)展路徑。

AI 轉型不能靠外包或資金投入，因為其本質是業(yè)務重構，需要管理者深入理解 AI 特性，重塑戰(zhàn)略、體驗和組織。企業(yè)領袖投入的時間精力是不可替代的關鍵。有時過度推動適得其反。MIT 研究曾經表明：個體效率提升不等于組織效能優(yōu)化。放任使用 ChatGPT，可能導致「熵增」蔓延，也就是員工各自開發(fā)臨時系統(tǒng)，自詡為「AI 化企業(yè)」，但這恰恰是對模型特性理解膚淺的表現(xiàn)。

張鵬：如果老板意識到AI轉型與自己息息相關，希望成為 AI Native 的生產力公司，但現(xiàn)在還不太懂、不太掌握，該從何入手啟動一個正向過程？總不能從頭學模型原理吧，你有什么建議？

張帆：我分享一套標準方法論，幫助企業(yè)以 70-80 分的水平順利啟動 AI 轉型。

AI 落地的核心不在技術本身，而在于業(yè)務。我們?yōu)榇笮推髽I(yè)制定戰(zhàn)略時，首先會深度訪談 20-30 名一線員工，不預設結論，通過梳理實際業(yè)務鏈路找準發(fā)力點。以旅游公司為例，需完整分析從市場投放、內容生產到供應鏈管理的全流程。

第二步，結合企業(yè)自身的商業(yè)與財務模型，量化分析各環(huán)節(jié)成本與核心指標，鎖定可變成本最高的模塊，像是如獲客或服務，確立明確的優(yōu)化目標。

第三步，將 AI 能力與業(yè)務鏈匹配，識別出 30-40 個潛在改進點。通過「業(yè)務+財務+AI 能力」的三維分析，形成清晰的優(yōu)化路徑。

實施階段，我們可以構建二維象限圖，橫軸是業(yè)務價值，縱軸是技術成熟度，優(yōu)先選擇兩者交集最大的「低垂果實」，避開價值低或技術不成熟的領域。

選定 2-3 個關鍵點后，以此制定 AI 戰(zhàn)略：設想這些環(huán)節(jié)實現(xiàn)規(guī)?；嵘?，業(yè)務模式與組織架構將如何演進。接著圍繞具體業(yè)務指標設計智能體方案，秉持快速見效原則，力求 3 個月內實現(xiàn) 5%-10% 的指標提升，關鍵是要用業(yè)務指標而非技術參數(shù)來衡量成效。

通過這種每月可見進展的方式，團隊能持續(xù)積累信心，逐步掌握實施方法。遵循這個框架，就能確保戰(zhàn)略方向不偏離正軌。

*頭圖來源：元理智能

本文為極客公園原創(chuàng)文章，轉載請聯(lián)系極客君微信 geekparkGO

極客一問

你覺得 AI To B 還有哪些非共識？

AMD 蘇姿豐豪言：AI 業(yè)務年增 80%，硬剛英偉達，搶食億萬蛋糕

點贊關注極客公園視頻號，