今天小编分享的教育经验：特赞科技创始人范凌：如何让AI像一群“小黄人”一样默默耕耘？，欢迎阅读。
"AI其实不是真的在创造，而是把人的创造能力更低成本地复制。"
"谁能成功地让人类和工具（特别是AI）实现高效协作，谁就能拥有源源不断的商业机会。"
"内容的真正控制者，并非创作者，而是平台，它们决定了内容的生产、传播以及是否上架。"
今天上午，特赞科技创始人范凌博士在混沌的直播课上这样讲到。
范凌博士的课程实际上也回答了大模型爆火之后的几大争议：
AI会不会取代人的工作？
AI生成的低质内容会不会有损高端品牌形象？
来自AI的信息和数据是否可靠？
品牌增长应不应该用AI做矩阵号？
……
以下内容根据部分课程内容整理：
授课老师 | 范凌 特赞科技创始人&CEO
我们在最卷的行业里AIGC
我是全职创业者，也是全职教师。我的父母都是艺术家，而我自己则是理工科出身。所以我有一颗艺术的心，有一个工程的腦。如何将心与腦的距离拉近？早在经营公司之前，我就每天都在思考这件事儿，它像是我的一个人生使命。
创业前，我在美国伯克利大学教授人机互動。那时，人机互動与人工智能似乎是对立的两种思想。人工智能的目标是创造一台可以取代人类的机器，而人机互動则认为人+机器可以完成人类和机器都做不了的事儿。过去三到五年，很多从事人机互動研究的人都开始声称自己从事的是人工智能领網域的工作，我也不例外。但我始终相信，人类与机器的结合可以完成任何单纯依靠机器无法达成的任务。
后来我创立特赞，刚开始创业时，我们也参考了许多大公司的价值观，但很快意识到自己动手做事情才是最靠谱的，所以把公司的口号改成了"To Build and Create"。
很多人追求知行合一，有人主张"先知后行"。做老师的时候，我也认为应该先理解道理再实践，但做着做着发现，最能抓住的其实是"动手"，先行动才能知道。父亲告诉我一个故事，著名教育家陶行知，父母给他起的名字叫陶知行。长大以后，他才自己改名为陶行知。
后来，无论是科研还是创业，我们都坚持"先行后知"。我们做了很多失败的事儿，再回来复盘。在特赞，每个会议室都有名字，名字通常是公司过去几年试错的项目。通过这些名字，我们不断提醒自己：无论成功或失败，行动本身才是最重要的。
创业需要很多运气，你唯一能抓住的一点运气，其实是选一个好的方向，然后在这个方向上做到最好。我们选的方向就是"内容与人工智能"。在过去9到10年，专注于内容数据领網域。简单来讲，我们就做内容生产、管理和分发，主要用在企业的营销场景。但在这之下是对基础设施的建设，涵盖数据层、产品层和模型层的构建。
我们的合作伙伴主要集中在各行各业的大型企业，比如快消品、美妆、鞋服、零售、制造业、汽车、医疗、酒类等等。最初的起点是消费品行业，因为消费品最卷。慢慢地，许多消费品从业者转向了其他行业。比如今年很多人进入了酒行业；去年很多人进入了医疗行业；前几年，很多人涌入电动车行业。只要这些人去的，就是"最卷"的市场。坦白讲，只有卷的行业，内容+人工智能的结合才显得更加关键。
平台决定内容
最近，我与一位世界500强企业CEO交流，他说，"⼈⼯智能"和"内容营销" 是今年最热的两个商业词。为什么大家如此关注内容？内容的形态极其丰富，包括影像、文字、视频等。还有一些企业开始做播客、元宇宙等等。我们通常认为，内容应由创作者决定，也属于创作者。但实际上，内容是由平台决定的。
这张图来自《平面设计的政治经济学》（Political Economy of Graphic Design）。每次拿出这张图，朋友或客户都会问，为什么不称之为"内容生态"？我说生态这个词太过中性了，政治经济学则能更好地表达一种强烈的控制与被控制的关系。就好像生态里也存在捕食者和掠食者。内容的真正控制者，并非创作者，而是平台，它们决定了内容的生产、传播以及是否上架。
内容博弈：文化＜娱乐＜分心＜上瘾
事实上，内容平台经历了多次博弈。第一次在几十年前，是文化与娱乐的搏斗。文化是深奥的，需要时间与精力去理解，是皱着眉头的；而娱乐是轻松愉快，令人放松的。结果我们花费的时间更多地投入到娱乐内容中，逐渐减少了对文学、严肃电影等文化内容的关注。
但如果大家看下当前的股票市场，会发现娱乐公司股价并不乐观，比如迪士尼。因为更强的对手出现了，它叫"分心"（distraction）。现在我们但凡有点儿时间会干什么？刷手机，而不是去游乐场。刷短视频，而不是长视频。
分心的最高境界是上瘾。当平台推荐的内容越来越懂你，你就会上瘾。作为父亲，我会特别仇视这件事儿。但每次在女儿的补习班门口看到孩子们专心学习，家长们在外面躺平刷手机，我也意识到，我们只能接受它，理解这一现状。因为它符合人类的本能，这就是内容的政治经济。
内容平台的演进：
桌子→报纸→广播、电视→电腦→手机
当我们提到内容平台时，大家通常会想到小红书、抖音、Instagram、Twitter。但我想说，从人类的早期开始，就存在内容的传播平台。《人类简史》提到一个很有意思的观点，智人能够战胜其他古人类物种，正是因为他们会"八卦"—— 通过口耳相传的方式获取信息。
那我觉得最早的内容平台就是一张桌子。人与人坐在桌旁，分享信息和观点。后来，又出现了一个第三者，内容开始从外部进来。比如一百多年前大家都在翻报纸，又有了广播、电视，这个时候你是在按他人安排的节奏去消耗内容。再后来有了个人电腦、手机等等，那就打破了这种模式，你可以根据自己的喜好和需求选择内容，甚至手机会给你推荐内容，生成内容。所以内容的碎片化、多样化和个性化必然会随着平台的改变而出现。这就是进化的过程。
AI：每两年提升10倍像素
在这样的条件下，人工智能在其中扮演什么角色？在过去三年，我们也重新审视了人工智能，和大家的起跑线是一样的。生成式人工智能之所以激动人心，正是因为它强大的生成能力。这个能力有多强呢？每两年，就会有十倍的像素被生成出来。现在，它已经能够生成好看图片、声音，一定长度的视频，甚至3D檔案。那到2029年，可以生成完整电视节目，到2031年，我们就能看到人工智能电影。
另一个维度上，人工智能也在发展。最早只是一个善于表达的AI，但它现在开始有思考了。比如DeepSeek是少有的把思考过程透明化的AI。我们就逐渐意识到，除了让机器能够"说话"之外，现在的技术还可以使它在几秒钟、十几秒钟甚至更长时间内进行思考和反思。
这就给我们创造了一个很独特的商业机会：一方面，AI可以生成大量内容；另一方面，AI能够帮助我们对人创作的内容进行深入"理解和推理"。它的强大之处，在于理解和推理内容背后的知识与经验，这是生成式AI才能挖掘出来的宝藏，很多朋友现在都忽略了这点。
原来的内容都是由人来做的，创作者总是遇到一个不可能三角，即甲方总要预算低、质量好、时间短，边界是我们人的生产能力。AI也许能解一解这道题目。
过去，品牌和企业很强调内容的想法，想打动观众。苹果的"Think Different"、耐克的"Just Do It"广告等，都是经典、高质量、有很好想法的内容。由于当时媒体渠道较为单一，用最好的东西占据最大流量的地方，就能得到很好的效果。
但现在每一个人都关注在自己的这块螢幕上。即便我们花费大量时间在抖音、视频号、小红书等平台上，看到的内容也是完全不同的。品牌和企业发现了，做转化型的内容才能卖货。那企业对内容数量的更高需求，对质量的要求却降低了。代价是什么？大量转化型内容打动不了你，是通过9.9元这样的打折、促销手段去激发你购买。那品牌就开始纠结，我们到底做不做这样的内容？要做一个只叫卖没有文化的品牌吗？
0到1交给人，1到无穷交给AI
人工智能有一个黄金法则："Garbage in, garbage out"（垃圾进来，垃圾出去）。AI并不是真的在创造内容，它只是把创造的能力以更低成本的复制。换句话说，只有输入好的内容，AI才能将其转化为好的输出。
从品牌角度来看，内容应分为两类：0到1的内容和1到无穷的内容。
0到1的内容：这类内容还是应该用来传达品牌文化、品质和价值观。
1到无穷的内容：这类内容是在各处与消费者产生转化，内容量要庞大到铺天盖地。如果没有足够的覆盖，消费者很可能会忽视你。但如果内容量过多，又没有质量，消费者可能会觉得被骚扰。
我们希望AI做什么呢？是提升1到无穷内容的制作效率，让我们的人有更多时间和成本专注于0到1的内容创作。0到1的内容可以通过AI来辅助创意，但仍需人为主导。没有人的引导，这些内容没有价值。相比之下，1到无穷的内容是AI主导的，人可以进行选择和调整。
我自己做的是一家技术公司，只做1到无穷有关的技术产品。但我想强调的是，我们之所以专注于这一领網域，是因为我们深知0到1的内容具有至关重要的价值。很多做技术的朋友认为，只要不断地复制、重制和混剪就能做好1到无穷内容。但我认为好的"0到1"内容是基础，技术在1到无穷内容的生成中才能带来更大的整体效益。
今天我们看到的很多商业化内容实际上都是1到无穷的内容。背后是有人做了0到1的内容，只是在执行1到无穷的内容生成。
第一个例子
比如有一家快消公司，它在社交媒体大量搜索和收集与商品相关的客户反馈，比如说搜集某洗发水的关键词，形成关键词矩阵。再把这些关键词导入AI，让AI识别删掉现有产品覆盖的关键词，剩下的关键词，就是产品创新的机会。洗发水其实是个挺有意思的行业，洗发水的创新可能就是香味的创新、质感的创新，包装的创新。那合适的香味、泵头形状和包装设计，最终就可以生成一个新的产品demo，再把它快速投到市场上验证。
这套方法看似简单，但在一个很善于做洗发水的品牌那里，能很高效帮他做产品创新。过去，做这样的新产品开发时可能需要两年的时间，每两三个礼拜都要聚一群人进行腦暴。但AI的支持，不仅可以加速创新，也能让大家在更低成本下试错，提高产品成功的概率。我一直觉得，好的企业，不取决于你有多大概率成功，而是取决于你有多低成本犯错。
原来在内容匮乏的年代，我们想尽方法要有内容差，找别人不知道的内容。而现在，我们每天被内容推荐对吧？对产品来说也一样，有了人工智能，产品创新的方式，可以变为推荐的方式。
第二个例子
我想讲一个最近非常时髦的例子。大家都听说过"内容矩阵"或"社媒矩阵号"，我原来其实很难理解这些概念，因为我自己不是做营销出身的。为什么需要这么多号？后来和一家咖啡企业的COO交流之后，我意识到，原来这种企业的增长方式是通过开店来实现的。举个例子，像卖咖啡的企业，他们的增长模式就是"开店"。只要你开的店数量大于关的店数量，企业就会增长。现在即使你开了更多的店，每家店的利润也在逐渐变薄。
咖啡企业的竞争，并不仅仅是更便宜的咖啡，而是消费者在午饭后的其他选择，比如奶茶、果茶等。现如今的经营者甚至会绞尽腦汁，考虑如何让每家店每天卖出5杯咖啡。
过去，这些企业的社交媒体渠道并不是那么重要，只要有一定的声音和曝光，运营几个品牌账号，发布符合品牌要求的精美内容。但现在他们开始思考，是不是要为每家门店都创建一个社交媒体账号？这些账号就像是"线上橱窗"，能让消费者不时看到门店的信息，想到它，并且来消费。
线上开设橱窗本身是免费的，但橱窗的展示内容是需要投入成本的。线上橱窗通常只能给门店带来3到5杯咖啡的增量，但过去做这些视频内容可能需要几千块钱。所以，这种"矩阵号"模式很难奏效。
那怎么办呢？我们就要做一个东西，叫内容工厂。工厂里有原材料、产线，要做的事情是每天为上千个号，制作不重样的视频或者图文内容。内容要不重样，还要能够符合品牌要求。
给大家看一个企业案例。每天我们需要帮它制作几百条样本视频，每条都具有独特的内容，譬如有些视频讲解A产品，有些讲解B产品，有些讲解C产品，还有些讲解品牌的故事，背后其实有一份详细排期表的。每月我们要为这个品牌制作4000条视频，以确保能够带来足够的流量和转化，每条视频的制作成本大约相当于一杯速溶咖啡。
如何实现呢？首先，我们需要准备原材料。一部分原材料是企业从0到1过程中积累的大量优质内容，另一部分来源于平台上的多种素材。
原材料不仅包括影像、视频，还包括话题和脚本的写作方式，我们需要将这些整合起来，按照一定的方法进行组织。如何组织？我们会拆解这家企业过去的内容，把产品卖点、品牌故事以及使用方法等内容，拆解为可用的元素。再用一种我非常喜欢的AI功能，把素材高效整理和自动归类。实际上，自动归类是基于对图片、视频的理解和标记实现的。0-1的好内容就这样被拆解成了可以被处理的原材料库。
其次，我们需要不断学习社交媒体平台上，比如小红书、抖音、Instagram等平台上的优质内容结构。这些内容结构是很多优秀的创作者做出来的，能够很好地满足许多企业所提到的"网感"需求。把这些内容结构和原材料放在我们的产线里，就会形成一个完整的生产流程。
每天，我们会在后台进行视频制作，生产完成后，这些视频会被发送到每一个终端的账号，供用户上传和转发。企业也可以通过面板实时查看内容的分发和表现情况。
一般线上店面的内容如果能获得500次曝光，已经是不错的表现了。像一个电动车品牌，他们可能有5000个社交媒体账号，每天发布5000条不同的内容。在海量内容中，他们会重点关注那些表现特别好的内容，这些内容可能会获得超过500次的曝光，甚至1000、2000次，甚至达到1万次曝光。这些内容就像"天选内容"，是被平台和用户选中的。那品牌方会将这种内容二次加工，找专业团队来重新拍摄，投入一些宣传费用。
在流程中，我们其实做了大量的"智能体"，这些智能体负责每个环节的事项处理。我特别想提到一个环节——排期。由于我们管理着大量社交媒体账号和内容，如果突然出现一些突发事件需要调整内容发布安排，人工很难完成如此庞大的任务。这时，智能体就发挥了作用，自动进行内容排期的优化。就像一群"小黄人"在流程里耕耘。
企业关心的是AI能为他们带来什么实际成果，希望通过一杯咖啡的钱生产视频，而不是为了AI大费周章，还得调整组织架构。我们的方案实际上是将这个生产流程外包给AI，最终交付给企业的，是一个操作简便的后台面板。企业只需要看到效果，而无需亲自操作整个内容生产链。
从实际效果来看，每天企业通过这种方式所获得的曝光量大约为50万次。这种用矩阵号获得的曝光虽然分散，但绝对不可小觑。
那些对品牌内容要求非常高的企业，创作矩阵号的方式也相似。以一个奢侈品品牌为例。它的品牌内容有非常高的品牌价值和美学品质，有高赞，但是没有转化。所以它希望通过优化创作方式，通过导购给品牌种草。比如这个品牌可能有三五百名导购，每个导购都希望拥有专属于自己的内容创作工具。
但像这样的高端品牌，它是不允许AI内容代表公司的。AI在其中扮演的角色非常有趣，不是直接生成内容，而是为每个导购提供一个创作范例以及质量评估。导购们可以根据范例进行拍摄和创作，从而提高内容的质量和效果。
扫描下方海报二维码，学习完整课程！
创意没有公式，只有无尽的迭代与反馈
我们讨论了与内容生产相关的人工智能应用，接下来我将介绍"内容推理"，这一话题可能会略显技术。
为什么我对内容推理如此执着？奥特曼说过："创意是过去事物的重组，加上灵光乍现，再乘以反馈的质量与迭代的数量。"你不要指望一个内容突然爆了，也不要指望通过归因得到什么公式。我们常会遇到企业要求帮助他们找出所谓的"黄金公式"，但我们更需要依赖迭代的数量和反馈的质量，而这正是内容推理所能发挥的重要作用。
之前我提到过用数据识别哪些内容表现优异，并将这些内容进行二次创作。我们需要通过技术手段进行必要的处理，比如建立完整的内容标签体系。内容标签树由三部分构成：
1. 内容特征：例如，内容的风格、颜色、组合方式等；
2. 用户行为数据：分析不同用户群体对内容的喜好，不同场景对内容的需求等等；
3. 管理相关标签：这些标签需要与时俱进，随时根据内容的表现和管理需求进行更新。
这个过程很重要，所以我们用人工智能（AI）来标注和监管。
如果某个品牌决定开始做抖音，那它内容的标签要根据抖音重新再打一遍。所以我们要做一个系统，自动进行标签的更新。
除了标签之外，还有其他例子。以视频为例，除了分析视频文字，我们还要对视频中的人物、情绪、动作等元素进行分析。比如，视频中常见的抖肩动作、眼神交流等都会被纳入内容理解的数据源，也使得我们能够高效地进行视频归类和批量剪辑。
大家都知道现在做生意不容易，拉新很难，光做广告没有用，得更多地做用户的持续经营，不管对哪个品牌都是一样的。我们会去看一个东西叫内容的链路。不同的内容到底是用什么样的方式，从生产管理分发到最后产生商业的结果，更好地做内容运营。我们可以看到13条内容链路，在5个不同的场景里，实现内容效率（content velocity）。
智能体非常适用于质量监控和内容审核
许多内容生产系统虽然广泛应用了人工智能，但最终还是由人来操控的，反而增加了人的工具负担。智能体具有一定的自治性（autonomy），可以做出一些决策，这是一个很重要的维度。
大语言模型从概念到商业化的过程大约用了1年时间，我觉得智能体从概念发展到现在，也可以商业化了。现在多个智能体的协作，已经产生了技术突破。举个例子，许多品牌在进行内容质量监控（QL）和内容审核（QC）时，过去只能通过截屏来记录视频的发布情况，再用简单的点赞、转发等指标衡量效果。当你面对上千上万条视频时，人工审核几乎是不可能完成的工作。
智能体能做这几件事儿：
内容合规性检查，确保内容是合法和合规的。比如某些为了获取点赞而做的擦边内容，虽然能带来短期的流量，却可能对品牌造成损害；品牌在营销内容中，往往需要用特定的语言和风格来传递信息，你描述的意思要到位；生产内容后监管，看看有没有更好的内容，我能不能学习。
我们做了一个智能体叫content analyst，智能分析系统，帮助品牌理解目标用户最近的兴趣，了解竞争对手的动态，以及自己内容的表现。它不仅能自动读报表，还能给出实际的操作建议。如果它给的建议反直觉了，你可以去看看为什么会有这样的结果，那它就成了你的分析师。
过去，80%以上的操作都是由人工完成的，而现在超过90%的操作由AI自动触发，那我们就会想，能不能再推进一步？
我一直痴迷"可计算性"这一概念。尽管很多东西我们还未知，但绝大多数的东西，我们都可以通过计算的方法，来判断它是怎么运作的。物理学让客观世界变得可计算。语言模型很有意思，它解决了机器能说话这件事。人的思考其实都来自于语言，我们腦子想问题其实是在自己跟自己说话。所以当你有了语言模型以后，语言模型能说话以后，是不是让我们的主观的世界有机会也可以被计算？
语言模型给了我们一个很好的机会，让我们开始可以描述、可以计算、可以复现、可以模拟一些主观世界了。如果说物理是造物，语言模型可能就是在造人。所以我们开始着手开发一个全新的智能系统——atypica.AI"阿卡"。atypica.AI是一个通用的商业智能体，我们希望它能够分析商业领網域中各种复杂的问题。
商业分析是高度量化的，但企业购买的不仅仅是数据本身，而应该是数据背后的故事。很多用户会问我们，怎么洞察消费者行为？他会给我展示他们现在的系统（如社交媒体监控工具）爬取的社交数据，试图通过静态的、标签化的数据去总结消费者的想法和行为。我对这种方法的疑问在于：
1. 爬下来的数据是静态的，消费者行为是动态的。
2. 数据通过标签化被简化了，用一堆标签去理解一个丰富的人是有问题的。
我一直对这种分析有疑问，所以之前没有做这类产品。现在大语言模型的出现为我们提供了一个全新的机会。如果我们将消费者比作一个橘子，传统的分析方法会将橘子分解成元素，它能描述橘子的成分，但无法复现它作为"橘子"的整体味道。而有了大语言模型，我们可以尝试将橘子变成橘子汁，保留它的味道和营养成分。类似地，当我们试图理解消费者时，传统的标签化方法将其简化为一个个元素，无法完整呈现消费者的思维和决策过程。大语言模型的优势在于，它们尽量还原了消费者的"味道"和"情感"。
要实现这个目标，atypica.AI依赖三个核心要素：
1.大语言模型（Language Model）是整个系统的基础。
2.大语言模型本身只是一个"会说话"的系统，缺乏处理商业数据的能力。我们需要为它提供一系列商业分析工具，比如商业访谈方法、共创方法等。
3.需要给atypica.AI提供的，不仅是公司内部的商业数据，还包括外部的数据。
演示 - 罗技滑鼠
atypica.AI的工作过程非常有趣。首先，我提出了商业问题——"罗技滑鼠应该选择哪个主题？"系统会首先反问我问题的背景和角度。接着，系统在任务分配过程中，进行关键词搜索，寻找相关主题，并根据结果创造用户画像。然后，系统会在小红书上找到合适的用户进行访谈，同时进行多个访谈。AI智能体既扮演用户角色，也扮演专家角色，协同工作。最终，所有的访谈结果和分析数据会汇总成一份报告。这是一个典型的应用场景，AI智能体通过协作完成任务，最终提供了洞察。
演示 - 消费降级
这是我的一位朋友提出的问题，围绕三个品牌分析中产阶级的消费是否出现降级。我们一起来看看atypica.AI做得怎么样？同样的方式，首先进行提问，然后开始拆解任务。拆解后，选择合适的采访对象进行访谈。如果结果不够好，就继续进一步搜索。人工智能（AI）扮演了"小红书分析师"的角色，通过小红书作为主要的数据来源进行分析。
我们还开发了一个小工具，叫做"Nerd Stats"，用于统计整个生成过程——记录多个智能体之间如何对话。通过回放可以看到，整体咨询过程持续了27分钟，使用了约64万个token，期间共有九个智能体参与，一些模拟消费者，一些模拟专家，整个过程跨越了53个步骤，是多轮对话。
最后，我们还挑战了atypica.AI的能力，我们设想了一个新品牌——无醇葡萄饮，让它制定营销推广计划。它呈现了一份营销策划方案，涵盖了如何构建内容，目标閱聽人的画像，未来几个月的推广计划，选题方向，以及与主号的互动策略，最终确定转化路径。
过去一年，模型发展最重要的变化是从预训练到后训练，再到"思考"。2024年有一篇名为《Generative Agent Simulation of a Thousand People》的论文，通过AI模拟1000个美国普通人，进行政治态度、商业选择等多项调查。研究表明，AI模拟的答案与真人选择的高度一致性达到了85%。
另一个重要的进展，来自DeepSeek推出的开源推理技术。它完全透明化了推理的中间过程，让我们能够清晰地了解每一步的推理逻辑。深思熟虑的过程中，AI模型有时需要走一些弯路，正是这些弯路，最终才促使了更有价值的思考和创新。这个思维过程让我们更加明白，长时间的推理和思考是达成更优结果的关键。
本文仅为课程内容的十分之一
点击下图观看完整课程
此外，AI模型的互動方式也发生了变化。通过Manus等工具，我们能够清晰地看到AI智能体忙碌的工作状态，就像看到一个很忙的员工。看到它的努力，那我们对智能体的同理心就增加了，对它给出结果的接受度也更高了，也更能理解人工智能的行为了。
AI终将变革所有企业
我认为，AI能帮企业做的不仅是降本增效，它有可能为企业带来根本性的转型机会。我们对200多家品牌（很多是规模偏大的国际化企业）、300多位核心岗位人员进行了调研，涵盖了不同角色和行业。发现每家企业在采用AI时的方法各异，但我认为最终的方向是殊途同归。
首先，这一波数字化最初是海外推动的，随后引入中国。中国的国情与海外不同，许多数字化供应商进入中国后并不完全适应，所以我们强调"China for China"。但AI这一波不一样，中国不仅赶超了海外，甚至在某些领網域的应用更为积极。完全有机会在这一波AI浪潮中成为全球解决方案的提供者，我们可以称之为"China for Global"。
其次，我们还发现，一些企业对AI的应用存在恐惧，这些企业不想替代掉员工，而是希望AI能成为每个员工的得力助手。就像之前我们提到的奢侈品品牌，是借助AI生成影像的工具来帮助店员创造更优质的内容。
第三类企业则对工具的使用持保留态度，主要因为工具使用的成本较高，还需要调整组织架构和分配责任。许多企业习惯找供应商合作，那他们就选择那些已经整合了AI技术的供应商，追求成果。
最后还有一些企业已经全面投入AI建设，构建了完整的AI基础设施，这些基础设施彻底改变了企业的运作模式。
如何衡量AI投资的回报？"一年太短，三年太长，也许两年正合适。"一年就想回本，投入是不够的；计划三到五年回本，我认为有点儿多余。大语言模型的发展速度非常快。如果我们在去年就开始投入类似atypica.AI的产品开发，投入的资金可能是现在的十倍、百倍，效果也未必如此理想。有时候我们需要等待合适的时机，搭建好框架，等待更强大的模型成熟。
不同的行业和岗位，AI的应用回报也有所不同。例如美妆行业的AI回报率较高，但这可能导致过度建设，未来回报可能会逐渐下降。如果矩阵号效率高，人人都来做了，效率可能也会降低了。大家应该动态调整对AI应用的预期，根据行业特性和企业发展阶段做出调整。
每个人都成了AI的CEO
人工智能时代，个人对AI的看法可能会有两种视角。第一种视角是打工人视角：可能你会觉得越来越多的工作AI都能帮你做了。另外一个视角是CEO视角，你可以用很多Agent帮你工作，自己来实现更大的愿景。每个人都有机会选择成为"打工人"还是作为"经营者"。
最近有一些时髦的观点，比如奥特曼讲的"个人独角兽"理念，提出每个人都可以像一个企业一样运作。一些创业公司可能只有几百名员工，但理论上，每个员工都可以是一个"独角兽"。
另一个角度看，知识经济的时代结束了。在过去，拥有知识就能够掌握财富的钥匙。如今AI在处理信息和知识方面的能力超越了人类。原来我们可以贩卖知识差、认知差、信息差，现在不再奏效了，我们进入了"分配经济"（Allocation Economy）的时代。
每个人都可以像一个"经理人"或"经营者"，将任务分配给不同的AI智能体。人不再仅通过知识来创造价值，而是用不同的AI组合团队来创造价值。
过去100年，工业革命把工作细分化、SOP化，推动了大规模生产的效率，因为分工越来越细，要很多人在一起才能做成一件大事儿。所以不适合做创造性的事情，适合做任务能被分拆得很细的事情。我觉得AI时代是反工业革命的，AI时代一个人可以担当更多角色，所以又回到全能的人。举个例子，atypica.AI这个项目就是我和CTO两个人做出来的。
谁能提升AI与人的协作效率，
谁就越有无穷的机会
2017年起，我提出了"腦机比"（Brain-Machine-Ratio）的概念。认为人腦与机器之间不应是零和博弈。"腦机比"这个词旨在探讨人类与AI工具之间的协作关系。在我看来，腦机比可以从三个方面来理解：
1. AI和人类各自能做什么。毫无疑问，AI的能力在不断增强。
2.你是否愿意让AI帮助你完成任务。
3.信任问题是AI普及的一个难题。比如当atypica.AI生成了某些报告，你会质疑它采访的结果准不准，那你怎么不问麦肯锡（McKinsey）做的采访准不准呢？
我总是跟朋友说，尽管无人驾驶技术已经很先进了，但有生之年很难接受驾驶座位上没人坐。直到我在旧金山体验了Waymo的无人驾驶出租车。除了上车时四处拍照，后面我已经忽略了它是无人驾驶的，信任感往往是转瞬间形成的。
我们每年都会做一些量化分析，观察"能力"、"意愿"和"信任"这三者的转变。最初，我们关注的是AI的能力，因为早期的AI能力较弱。第二年，AI的能力大大提升，我们开始关注用户是否愿意使用这些技术。到了第三年，我们的焦点转向了信任：即使用户愿意使用AI，他们是否能够完全信任AI的结果，或者只是将其作为参考工具。
我们每个办公室都有一个名字，我的办公室名字是"编码"。倒过来看，会发现它恰巧是"解码"。我喜欢这个名字，谁能成功地让人类和工具（特别是AI）实现高效协作，谁就能拥有源源不断的商业机会。
混沌时代，每一个创业者都是洞穴中的囚徒。
终其一生，我们都在努力走出洞穴。
凯文·凯利、彼得·圣吉、尤瓦尔·赫拉利、张首晟、周其仁、俞敏洪、左晖……
混沌老师用600多堂课为创业者支起火把，照亮前路。
扫描下图，和混沌一起早半步认知这个世界：
