夜雨聆风
当下，AI技术正以不可逆转之势渗透到各行各业，从日常办公的智能辅助到产业领域的深度变革，从基础服务的效率提升到前沿创新的突破，技术迭代的速度远超预期。与此同时，AI应用的边界模糊、伦理争议、数据安全等问题也逐渐凸显，而人才市场更是面临着“AI替代”与“新型人才缺口”并存的矛盾。
5月12日晚，北京大学光华管理学院院长田轩与Kimi总裁张予彤在北京大学光华管理学院进行了一场关于“AI时代的边界探索与人才机遇”的对话。
田轩：生成式人工智能的发展被广泛认为是第四次技术革命。技术革命似乎总是这样：旧的工作被替代，新的工作不断出现。AI已经替代了大量重复性、标准化的工作，但以我们现在的认知，其实很难想象未来它还会创造出什么全新的工种。我的第一个问题是，我的学生们该怎么准备，才能更好地拥抱这种变化？
张予彤：核心是生产力的跃迁，每次生产力大幅提升，人都会从旧工作转向新工作。农业革命时期，农民离开土地进入城市，催生了服务业等全新行业，AI 时代也是同样的规律。从我们企业内部就能明显看到新职业诞生，现在有不少人专门负责大模型训练、打造核心高质量数据，大家戏称自己是模型的 “爸妈”，本质是持续 “喂养” 不断生长迭代的人工智能。放眼全社会，未来会涌现大量超级个体，也就是 “一人公司”。如今依托AI，一个人就能全栈式完成全链路工作，不再依赖庞大团队。这不仅是生产方式的变革，更让更多人有机会挣脱束缚，去做自己真正热爱、有价值的事。AI不是单纯替代岗位，而是在重塑生产形态、创造全新就业机会。
如何更好满足AI时代雇主的需求？
田轩：我一直认为学生是我们商学院出厂的“产品”，企业才是我们的“用户”。按照这个逻辑，我们该如何调整培养方式，让学生更好地满足AI时代雇主的需求？
张予彤：我觉得要成为AI的“深度用户”（“power user”）。还要能感知每一代模型的能力边界：哪些事它还做不了，哪些已经比人做得更好，哪些需要人与模型共创。接下来会进入一个“agent-human collaboration”的时期，我已经无法想象工作中不用AI了。就像当年我们无法想象没有手机、电脑一样，这些工具本质上是在延伸人的能力，而非替代。被替代的只是工作中可替代的部分，比如重复执行、信息处理、计算编程、部分设计执行。但现在真正的瓶颈，是评估和验证AI产出的质量。AI可以轻松生成几百万行代码，但人类要消化、理解、检查逻辑关系，反而是更大的工作量。“用开放的心态去探索AI”。
田轩：所以你的建议是，我们的课程设计要让学生学会“运用”和“驾驭”AI？
张予彤：是的。我觉得“驾驭”这个词很好，因为它是一种合作关系。硅谷常说“harness”，就是这种驾驭感。无论是工程与模型，还是人与agent，未来都是协作关系。短期确实有安全、性能等方面的顾虑，但长期看，AI对我们一定是有益的。关键是要开放心态，亲自上手，不要停留在观点和观察层面——很多深刻的认知，是在动手中形成的。“除了与人共情，还要与agent共情”。
AI时代的本科四年，应该如何正确度过？
田轩：换个角度。如果我是刚入学的大一新生，我知道这个时代和我父辈完全不同。过去把题做好、GPA刷高，毕业出国或找工作都不成问题，这一辈子就稳了。但现在AI带来这么多变化，过去的路径不复存在了。纳闷，本科这四年该怎么过，才能更好地面对AI带来的挑战和不确定性？
张予彤：第一，珍惜校园人际资源，建立人与人的深度链接。大学期间最大的收获之一，是和同学相处交流、思维碰撞沉淀的人脉与认知，人与人的共情、深度沟通是AI永远无法替代的，也是终身受用的财富。甚至可以从大一就争取进入AI企业实习，提前接轨行业。
第二，养成AI视角思考的习惯。做任何事都多思考：如果让AI来做，它会用什么逻辑、什么方式？除了人与人的共情，还要培养人与AI智能体的共情。目前聊天、开会、支付、身份验证、数据授权等基础设施都是为人类设计，并未适配AI智能体。用模型视角重新思考人和AI的分工、重构做事逻辑，往往能产生意想不到的突破，提前建立人机协作的差异化优势。AI时代，管理者要怎么做，才能不被替代？
田轩：今天台下除了本科生，还有不少MBA、EMBA的学生，他们本身就是企业管理者。AI时代，管理者要怎么做，才能不被替代？
张予彤：AI很难真正替代企业家和核心管理者。给所有管理者一个可落地的实用建议：给公司每位员工增加token预算，实现token自由，让全员可以无限制充分探索AI应用场景。很多企业 AI 转型失败，根源是员工心存抵触，担心AI替代自身工作。而充足的token能让员工把AI当成提升产能、减少重复劳动的工具，而非竞争对手。如今AI已经能造就 “10 倍程序员”，借助AI普通员工都能成为 “10 倍员工”，实现产能十倍级提升。AI可以替代执行、计算、基础设计，但战略判断、架构思维、全局思考、逻辑纠错、组织统筹这些核心能力，仍由人类管理者掌控。全员活用AI后，管理者能从繁琐基础工作中脱身，聚焦核心决策，形成人机协同的良性循环。
大模型公司招人，主要看什么？
田轩：我提前做了一些功课，了解到你们有个“Kimi穿越计划”，招人时似乎不看学历、不看专业。我的问题是：不看学历、不看专业，那你们看什么呢？
张予彤：学历、专业都只是标签，而人的特质、天赋、热情、长板是无法被标签化的。招聘不是按岗位找人补缺，而是根据人的特质匹配适合的方向，核心只看两类稀缺能力：一是具备原创思考与创新能力，能提出真正好想法：看候选人是否关注行业前沿话题、对问题有本质深度思考、能否跳出固有认知提出颠覆性新想法。AI只能基于现有规律输出内容，无法诞生原创性、突破性思考，这类能力极为稀缺，公司每年能诞生的优质原创想法也非常有限。
二是拥有偏执钻研的韧劲，敢于持续试错疯狂实验：AI行业和科研充满不确定性，优质产品和技术迭代，需要漫长且大量的实验试错。很多人有好想法，但尝试十次失败就放弃；而优秀人才愿意为一个好想法坚持尝试上千次，在反复迭代中沉淀认知、摸索最优解。解决复杂问题需要极强的抗压能力和韧性，这是我们非常看重的特质。
田轩：怎么把这两类人识别出来呢？人确实不能“标签化”，但“标签”可以帮助我们快速筛选，这在经济学里叫“信号理论”。而且研究发现，很多超级创业者是偏执的，甚至孤僻冷漠的，但反过来，偏执的人不一定能成为创新者。
张予彤：更多还是靠深度交流。看他平时关注什么信息、想什么问题、关注什么AI产品，或者行业里哪些变化是超乎意料的。在这些回答中，你能看到一个人的注意力放在哪儿。如果他说出来的还是“2025年的旧认知”——我们有时开玩笑说“AI一天，人间一年”——那他吸收的信息量可能没那么大，兴趣也不在此。至于“执行”层面，相对更容易验证。我们会通过AI测试系统看候选人是怎么迭代的、有没有不同的迭代思路、能迭代多少次。
怎么才能判断是真的“AI原生企业”？
田轩：我们很多学生本身就是企业家，或者未来会进入企业工作。现在有个概念叫“AI原生企业”，比如Kimi。这类企业的特质是什么？传统企业如果想向“AI原生”靠近或转型，最大的障碍是什么？企业家该怎么做？
张予彤：首先企业要明确自身定位，界定好做什么、不做什么。比如 Kimi 专注生产力和复杂任务赛道，不涉足生活、娱乐类产品，聚焦核心方向深耕。中国很多企业家拥抱AI的意愿和行动力都很强，但传统企业转型最大的障碍不是认知，而是固化的组织架构、岗位边界、协作模式与激励机制。传统企业岗位划分死板、层级分明、流程固化，员工各司其职边界清晰，无法适配AI快速迭代、跨领域融合的特性。而AI原生企业最大优势是从零起步，按全新生产模式搭建组织，核心特质有两点：一是极致扁平化、去职级化内部没有各类头衔，比如，我们公司内部是没有title的。
田轩：你们公司内部没有title？你不是总裁吗？
张予彤：这只是为了对外沟通。我们内部统一的title就是“staff”。整个组织层级非常扁平，公司一共300人左右，员工彼此之间没有很清晰的边界。这也是我要说的第二点：岗位无严格边界、能力可跨界融通：做预训练的员工可参与后训练，算法人员可深耕数据，营销人员可转型模型评估。AI正在赋能人的底层能力，打破传统职业壁垒，一个人可以跨领域解决多重问题。未来编程、数据分析等曾经的小众能力，会成为所有人的通用基础能力。传统企业转型核心，就是打破固化层级与岗位边界，走向扁平灵活、无边界的组织形态，适配人机协同的全新生产模式。
现场 Q&A
Q1：学生使用AI易出现AI幻觉、数据失真，如何合规、负责任、高效使用 AI？
张予彤：AI幻觉是大模型固有属性，无法彻底消除，只能通过方法规避优化。使用AI要坚守底线：人驾驭AI，不做AI的附庸。AI可用来搜集数据、整理文献、润色文案、修正语法，但核心逻辑搭建、独立思考、观点创新、深度探究必须由人类完成。规避幻觉的核心是建立人类校验逻辑：采用多方交叉验证、依托权威信源、多轮迭代提问、落地实操校验的方式，用人类判断标准审核AI输出，就能大幅降低出错概率，实现合规高效使用。我的补充：使用AI要坚守底线：人驾驭AI，不做AI的附庸。AI可用来搜集数据、整理文献、润色文案、修正语法，但核心逻辑搭建、独立思考、观点创新、深度探究必须由人类完成。
Q2：在校生无收入、算力Token有限，企业招聘更看重硬实力还是AI探索热情？
张予彤：我们会为学生提供免费Token额度，降低学习入门门槛。招聘中相比现成的硬实力，更看重AI原生思维和主动探索热情。比起熟练使用工具，我们更欣赏愿意思考人机协作逻辑、串联跨领域知识做创新实践的年轻人。建议在校生组建学习小组，抱团探索AI落地场景、完成实战项目，实践沉淀的思维和经验远胜过纸面成绩。
Q3：立足"十五五"规划，未来3-5年最稀缺的AI人才是什么？年轻人该如何深耕？
张予彤：未来最稀缺的不是纯AI技术人才，而是AI+垂直行业的复合型融合人才。目前懂技术不懂商业、懂行业不懂AI逻辑的人才缺口极大，兼具AI底层思维与金融、管理、产业专业能力的人会供不应求。给年轻人两个落地建议：一是跳出功利选课思维，多学习多元跨领域课程，知识跨界融合才能催生创新；二是升级管理能力，未来不仅要会团队管理，更要懂人机协同管理、AI智能体管理。
Q4：国内大模型厂商追赶海外头部品牌，该走同质化追赶还是差异化突破路线？
张予彤：智能本身是异质化而非同质化，大模型行业没有统一标准，不同模型各有能力侧重。国内厂商无需盲目对标海外，核心出路是差异化深耕：依托本土场景优势，优化落地效率，打磨垂直领域专属能力，通过底层技术创新提升规模化应用性价比，在细分赛道做到全球领先，行业未来会走向多元差异化发展。
Q5：数字员工、企业AI数字化转型是热点，这个赛道未来发展趋势是什么？
张予彤：人人拥有数字伙伴、企业全员配备AI数字员工是必然趋势。未来团队会形成 “人类员工+AI智能体” 的组合模式，人机配比持续优化，产能不断跃升。后续行业会推出标准化、可定制化AI工具，个人和企业都能低成本定制适配自身场景的数字员工，全面落地智能化、数字化转型。
Q6：AI行业机遇多、资源有限，创业公司该如何避开行业误区，做出正确决策？
张予彤：第一，拒绝盲从行业热点，主动过滤信息噪音，明确自身核心赛道，聚焦高价值、长周期的生产力场景，舍弃非核心娱乐、轻量化赛道，保持战略专注。
第二，决策扎根业务一线，脱离一线的决策必然存在偏差，极致扁平化组织的价值，就是让核心团队贴近用户需求、感知技术痛点。
第三，依托前沿技术视野，持续迭代决策机制，没有绝对完美的决策，但深耕主业、扎根一线、过滤跟风内卷，能大幅提升决策准确率。
（源自田轩的田字格，略有删节）
量、价、质三重承压：2026年一季度银行业“体检”透露了哪些信号？
