夜雨聆风
本文作者陈玉宇，系北京大学光华管理学院教授、北京大学经济政策研究所所长
每一次重要的技术变革，最初都容易被误读为机器能力的胜利。蒸汽机被理解为力量的胜利，电力被理解为能源的胜利，计算机被理解为计算速度的胜利；到了人工智能时代，流行的说法是机器开始会写、会画、会编程、会回答问题，甚至开始会思考。这些说法都不算错，只是都不够经济学。
经济学追问的，从来不止于技术能做什么。它真正要问的是：技术改变了哪些成本，整个系统中的相对价格如何因此重排。相对价格一旦改变，分工随之改变，组织边界随之改变，价值捕获与产权结构也随之改变。
从这个角度看，人工智能时代最重要的变化，是生成的边际成本急剧下降，而不是机器学会了生成内容本身。过去需要一位作者、一名律师、一个研究团队或一个咨询小组才能产出的候选文本、候选方案、候选代码与候选假说，如今可以由机器以极低成本批量产生。生成不再稀缺——至少，那些低阶的、初步的、可枚举的生成，正在迅速失去稀缺性。
稀缺由此转移。当候选方案越来越多，真正稀缺的便是判断一个方案能否执行、是否值得承担的能力：合同是否藏着风险，代码是否存在漏洞，药物在人体中是否安全有效，一个研究设计是否真正具备外生性，一次战略误判的后果由谁承担。市场体系的瓶颈，正在从生成不足转向验证不足。
这一判断需要一个限定。这里所说的验证，并非所有验证。代码能否编译、账目是否平衡、剂量是否越界、合同是否触发某条明文规则，这些都属于可以形式化的验证；它们同样会被 AI 降价，甚至正是结构化智能最适合进入的领域。真正稀缺的是另一类验证：它无法完全形式化，又必须有人承担后果。一个研究假说是否真正抓住了因果机制，一笔商业赌注是否值得押上资源，一份合同在未写明的状态下风险应归于谁，一项政策建议能否穿越地方执行的复杂摩擦——这些判断无法被事前规则写尽。它们稀缺，是因为世界本身状态空间不完备、契约不完全、后果不可外包，而与“难不难算”无关。
这里要防一个反驳。有人会说，“不可形式化”只是暂时的。放射科读片、自动驾驶的路况判断、合同尽职调查，十年前都被认为必须由人来背书，如今正被算法大块吃下。如果形式化的边界一直在后退，那么“不可形式化”就只是“尚未被攻克”的同义词，算不上稳定的稀缺来源。
这个反驳成立，却恰好指向真正的锚点。稀缺的根基不是“难以形式化”这一技术属性——技术前线确实在不断推进——而是“后果不可让渡”这一产权属性。哪怕路况判断被算法完全接管，一旦发生事故，赔偿责任仍要落到某个能够承担它的主体头上；预测精度再高，也消除不了“由谁负责”这个问题。可形式化的是预测，不可让渡的是后果。本文所说的验证稀缺，锚定的正是后者；至于后果为何不可让渡，要留到第三节用不完全契约来回答。
这种稀缺并非技术落后的暂时现象，而是 AI 时代价格体系重排之后显露出来的深层结构。AI 能够大幅压缩搜索、重组与表达的成本，却压缩不了身体、制度、责任与时间本身；它能帮助我们更快生成候选答案，却替代不了现实世界对答案的筛选。
讨论这个问题，先要摆脱关于 AI 技术路线的两种极端看法。
一种是大模型万能论：仿佛只要模型继续变大、语料继续扩充、上下文窗口继续变长，所有认知、商业、科学与组织问题都终将被同一套概率预测系统吸收。另一种是大模型贬低论：把概率大模型简化为“下一个词元的预测”，视其为统计相关性的堆积、语言模仿的机器，既无真正的世界模型，也无因果结构和可靠推理；照此看法，真正的智能只能来自另一条路线——世界模型、符号系统、结构推理，或某种更深层的因果机器。两种看法都失之片面。
概率大模型当然会产生幻觉，会在长尾处出错，会把流畅的语言误装成事实判断；它也确实不能替代实验、临床、审计、合规、因果识别与组织担责。但这些缺陷恰恰说明它工作的世界是一个开放而不确定的世界，并不能证明它是低级智能。
人类社会本就不是一张边界封闭的试卷。企业战略没有完整答案，消费者偏好并不稳定，政策环境充满博弈，思想传播依赖语境，科学探索常常不知道问题的正确形式。许多重要判断面对的不是一个已经定义好的问题，而是一个尚未完整展开的状态空间。在这些场合，最关键的能力是在不完全信息下把可能性组织起来，而非把一道封闭题算到零误差。
概率大模型的价值正在于此。它远不止复述事实：它在高维语义空间中压缩人类已有的知识状态，重组散落于文本中的关系，迅速形成候选解释；它把沉睡在文献、长文、代码、案例、制度文本与日常语言中的潜在联系打捞出来，置于新的问题之前。它未必给出最终答案，却极大地扩展了我们能够考虑的答案集合。
借用科学哲学的语言，这一点会更清楚。概率并非只有频率一种解释。在凯恩斯1921年的《概率论》（A Treatise on Probability）中，概率被理解为命题之间的一种逻辑关系：给定一组证据，某个结论值得被赋予多大程度的合理相信。它刻画的是理性主体在证据不完全时进行推理的逻辑形式，而非事件频率的统计。凯恩斯尤其强调，许多概率根本无法用数字表示，甚至无法彼此比较——在真正的不确定性面前，我们能做的不是算出一个精确的后验，而是在已有证据允许的范围内，尽可能一致地安排各种可能性的相对位置。这一逻辑解释的传统，经由杰弗里斯与考克斯，在杰恩斯（E. T. Jaynes）那里被表述为“概率即扩展逻辑”：概率是逻辑在不完全信息世界中唯一一致的延伸，而最大熵原则告诉我们，在给定约束下，理性的先验应当是最不武断、把可能性铺得最开的那一个。
这套逻辑的、或者说认知的概率观，恰好刻画了概率大模型的工作方式及其比较优势。在一个状态空间不完备的开放世界里，理性的操作不在于把误差逼近到零——那属于闭合世界、频率解释与结构估计——而在于在已知信息的约束下，把可能性组织得尽可能一致、尽可能充分。概率大模型在巨大语料的条件分布中呈现“人类知识状态下最值得考虑的语义延伸”，本质上正是这种“在约束下铺开可能性”的操作。它的核心美德因此是在开放不确定性中生成结构良好的候选集，而非追求零错误。
值得一提的是，持这种概率观的凯恩斯，也正是把“根本不确定性”放在经济学中心的凯恩斯。他在1937年那句著名的“我们就是不知道”，说的正是这种状态空间不完备、无法事前穷尽的世界。逻辑概率论与凯恩斯式的根本不确定性，是同一种哲学立场的两面；而这种立场所描述的开放世界，恰恰是概率大模型拥有比较优势的地方。贬低概率大模型，其实是误解了开放世界中智能应有的形态。
另一条技术路线同样重要。以世界模型、符号推理、规则约束系统和专门化小模型为代表的结构化智能，追求的是另一种能力：在边界明确、目标清晰、反馈稳定的环境中实现低错误率与高可控性。代码能否运行，账目是否平衡，流程是否合规，生产参数是否异常，药物候选是否满足既定约束——这些任务需要的是收敛、校验、执行与风险控制，而非开放生成。若用经济学作比，结构化智能更接近结构模型估计：它要在定义良好的任务空间中找到更稳定的约束、机制与参数，不止步于相关性的影子，其美德在于低方差、可复核、可审计、可重复。
不妨设想两种处境。柜台后的结算专员所面对的世界是闭合的，只有对错两种答案，容不下半点含糊，他需要的是绝不出错的结构化校验。而一位 CEO 所面对的世界从来不是非黑即白的试卷：战略没有标准答案，偏好并不稳定，政策充满博弈，许多判断指向尚未完整展开的状态空间；他需要的，是在不完全信息下把可能性组织起来——这正是概率大模型的形态。需要提醒的是，CEO 与柜台之间的身份落差容易造成误导：它们更多时候并非两类人，而是同一件事先后经过的两道工序，下一节会看到这一点。
概率大模型与结构化智能因此面对着不同的不确定性结构，既无高低之分，也无简单替代之别。前者适合开放世界，在混沌中生成并扩张可能性；后者适合闭合任务，在边界内收敛并保证执行。真正要问的，是二者如何在经济系统中形成新的分工，而非哪条路线最终胜出。
很多关于 AI 应用的讨论喜欢把任务分成两类：开放任务交给概率大模型，闭合任务交给结构化系统。这种分类在分析上干净，却与企业的真实运行并不吻合。现实中更常见的，是同一任务内部的纵向接力，而非两类任务的横向分开。
不妨把整个经济体设想成一张矩阵。它的列，是经济活动中的 N 种任务——起草一份合同、写一段代码、研发一种新药、做一个战略判断、完成一篇论文。它的行，是几乎每一种任务内部都要走完的四个环节：生成（提出候选的文本、方案、代码、假说），验证（判断这些候选是否成立），执行（把通过的方案落实到原子世界），以及背书担责（为最终结果持有剩余索取权、承担后果）。任何一种任务，都是这张矩阵中的一列，自上而下穿过这四个环节。
AI 压低的，是这张矩阵中的一整行——生成行——在所有列上的成本，使之趋近于零。我把这称为 AI 的行冲击：冲击落在一整行上，而非某几列上。这一行的塌缩会顺势波及验证行中可形式化的那部分（代码是否编译、账目是否平衡同样被一并降价），却触不到验证中无法形式化的内核，更触不到执行与背书。
经济学对自动化的标准刻画——阿西莫格鲁与奥托尔（Acemoglu and Autor）的任务框架——是按列展开的。它把生产看成一系列任务的集合，追问哪些任务会从人移交给机器；用这张矩阵的语言说，它把每一种任务都压成了单独一行，于是自动化成为一场列冲击：冲击挑选出某些列，把整列从人手中移走。流行的“哪些工作会被取代”之问，正是这一图景的通俗版本。
把任务纵向拆成生成、验证、执行、背书四行之后，冲击的方向就变了。AI 不再挑选某些列，而是压低一整行在所有列上的成本——这是一场行冲击。列冲击删除任务，行冲击重排任务；前者问哪些列会消失，后者问每一列内部四个环节的相对价格如何被重新拉开。生成成本塌缩之后，约束从生成转移到下游的验证、执行与背书，资源、人力与租金于是在任务内部由生成环节流向下游环节。我相信，这种任务内的再配置，比任务间的整列替代更普遍，也更深刻。
生成环节在不同任务中的权重并不相同——在某些任务里它本就是主要成本，在另一些任务里只占很小一块——同一场行冲击在不同列上引起的重排幅度因而各异。生成权重越高的任务，内部相对价格的变动越剧烈；生成本就不是瓶颈的任务，所受扰动则相对有限。AI 没有把世界整齐地切成“被替代”与“不被替代”两半，它以不同力度重排了每一种任务的内部结构。
把矩阵中的一列自上而下走完，就是一次接力：开放状态空间中的生成，交棒给面对可问责后果的验证、执行与背书。我把这条纵向链条称为生成—验证接力，并以“验证”统称生成之后那些必须有人负责的环节。它与普通流水线的差别，在于不确定性结构的转换，而不只在工序的先后：前段面对开放的状态空间，负责把可能性铺开；后段面对不可让渡的后果，负责收敛、复核与背书。
这一框架有助于理解 AI 时代真实的商业组织。AI 不会只是让企业少雇几个人，更深的变化在于企业内部的生产函数被重新排列。过去，许多中间层承担的是信息的搬运、汇总、翻译与格式转换：上层提出模糊的战略，中层将其分解为报告与任务，下层执行后再逐级汇总，中层再翻译给上层，组织中由此积累了大量承担转译职能的中间环节。概率大模型压缩了这部分成本——它能够直接理解复杂语境，生成任务拆解，起草材料，整合信息，提出选项；结构化系统又能在后台完成大量标准化的复核与流程控制。于是，传统中间层中低信息含量的部分会被挤压。
但中间层不会消失。真正留存下来的中间管理者，会从信息的垄断者转变为现实摩擦的处理者：他们要应对 AI 难以覆盖的长尾异常、地方性知识、组织内部信任、跨部门协调与承诺的兑现。企业将从多层级的信息传递结构，转向更扁平的、围绕生成—验证—现实协调展开的体系。
这里存在一个值得注意的同构。思想市场中的瓶颈正在从解释不足转向验证不足，企业组织中的瓶颈也在从执行不足转向背书不足：候选方案不再稀缺，能为方案背书、并为后果负责的环节才稀缺。风控、合规、测试、临床、审计、签字与监管接口，这些原先看似后台的职能，会成为价值链上的承重节点。这正是价格理论一再提醒的事——当一个环节的成本下降，与之互补的环节相对价值便会上升：生成越便宜，验证越昂贵；工具越强大，责任越稀缺。
科斯曾提出一个朴素而深刻的问题：既然市场可以协调资源，为什么还需要企业？答案在于交易成本。市场交易需要搜寻、谈判、监督与执行契约，企业之所以将一些交易内部化，是因为内部协调在某些情形下更为便宜。AI 改变的，正是这些交易成本。
当语义检索、信息重组、文本与代码生成、方案生成和初步分析的成本大幅下降，许多认知任务会被推向市场。企业可以购买 AI 服务，外包大量低后果、可标准化、可替代的生成环节；过去需要内部团队完成的许多初步工作，会被外部工具、平台与模型服务取代。
但并非所有事情都会被推向市场，另一部分任务反而更需要内部化。这一次的原因，落在后果归属与契约的可执行性上，而非信息处理能力。凡是需要承担后果、需要难以明言的协调、需要嵌入特定制度环境、需要组织内部信任与长期承诺的环节，都很难简单外包：一次战略判断失败，不能由模型服务商承担企业的损失；一场临床失败，不能由候选分子的生成器承担全部后果；一份合规判断出错，不能由自动摘要系统承接法律责任。
正因如此，“AI 辅助判断、不替代决策”就不只是一句道德口号，而是不完全契约下的产权安排——这也正是前面留下的那个锚（后果为何不可让渡）的答案。开放的不确定性意味着状态空间不完备：许多重要事件无法在事前完整描述，许多责任无法写进可执行的契约，许多结果只能在事后被解释与承担。在不完全契约下，剩余控制权与剩余索取权必须落在能够承担后果的人类委托人和组织主体手中。预测可以外包，后果不能；可形式化的复核可以让渡，剩余索取权不能。AI 可以压低生成与判断的成本，却无法持有剩余索取权，也无法承接资源配置失败、组织失灵与战略误判的完整责任链条；它至多充当参谋、工具与生成器，到不了最终产权主体的位置。用四环节的语言说，本节谈的正是背书担责那一行——它是 AI 的行冲击唯一触不到的环节，因为这一行要求持有剩余索取权，而 AI 无从持有。
这正是企业边界移动的新逻辑。可外包的，是低后果、可标准化、可形式化复核的生成环节；不可外包的，是责任、背书与现实摩擦的处理。过去企业边界在很大程度上由信息处理与监督成本决定；AI 时代，企业边界将越来越由后果归属、契约的可执行性与制度嵌入的程度决定。
既然讨论价格理论，就必须讨论价值捕获。
先确定一点：概率大模型走向基础设施，是结构性的，而非或然的。任何一个固定成本极高、边际成本趋近于零、接口可标准化、进入又可竞争的环节，都必然承受持续的价格压力——这由成本结构本身决定，与具体行业无关。道路、电网、自来水、TCP/IP 协议、标准化物流，无不服从这条规律。在这个意义上，“概率大模型是基础设施”是一条普遍命题，并非一种猜测。
但接下来要防一个跳步：基础设施不等于低租金。被普遍压低的，是商品化的压力，而非最终的结局。最有力的反例就在芯片业：台积电是所有人的代工厂，是再纯粹不过的基础设施，却攫取了产业链上惊人的剩余；ASML作为EUV光刻机的唯一供应商，同样如此。原因只有一个——它们所处的前沿不可竞争：天文数字的资本门槛，叠加难以转移的工艺积累，构成了真实的护城河，商品化的压力撞上去便被挡了回来。可见，当前沿不可复制时，基础设施与高租金完全可以并存。
这是定位，无关褒贬。概率大模型可能像电力一样重要，却未必像电力公司一样把价值留在自己手中——“重要”与“赚钱”从来是两件事。
因此，概率大模型这一层会不会真的让出租金，并不取决于它是不是基础设施（它就是），而取决于一个经验问题：前沿能力的差距，究竟会随开源追赶而收窄，走向电网式的商品化；还是会因资本与数据的壁垒而维持，走向台积电式的护城河。眼下两股力量同时存在——开源权重模型不断逼近闭源前沿，指向商品化；前沿训练的资本投入持续抬升，指向壁垒。
本文真正押注的，是这个经验问题本身，而非那条结构性规律：规律告诉我们压力一定存在，而判断在于压力终将取胜。本文的判断是，未来五到十年，前沿差距会被追赶到不足以支撑模型层的垄断租金，价值链上的剩余因此向下游迁移——流向验证、背书、监管接口与责任承担环节。倘若事实恰恰相反，某一两家公司凭借不可追赶的前沿，把从生成到验证、从应用到监管的剩余纵向吃下（这正是台积电式的结局），那么本文的框架就会被推翻。说得更明确些：本文押注的是智能的基础设施化与租金的下游迁移，而不是赢家通吃的纵向一体化。
那么价值会流向哪里？它会流向验证链上的关键节点，流向背书权，流向监管接口与责任链条，流向不可移植的地方性知识与制度细节。一个通用大模型可以生成法律文本，但真正稀缺的是能在具体法域、具体行业、具体责任结构中为合同背书的法律服务；它可以生成医疗建议，但真正稀缺的是医生、医院、临床路径、监管许可与责任体系；它可以提出药物候选，但真正稀缺的是临床验证、试验组织、审批能力与长期风险承担。AI 时代的租金，不会平均地落在生成或验证之上，而会流向那些占据着不可形式化验证关键节点的环节：谁掌握背书权，谁绑定监管与责任，谁拥有地方性的制度知识，谁就更可能捕获价值，市场分工的产权也因此被重新估值。
思想市场是这一变化表现得最清楚的场景之一。
过去，学者的一个重要比较优势是提出解释。构建一个新模型，命名一个新概念，组织一套机制，连接几条文献，本身就是高成本的工作；一个好的解释框架，往往需要多年的阅读、思考、写作与对现实材料的反复咀嚼。AI 降低了这部分成本：它可以快速生成大量解释，连接多个领域，给出机制猜想，组织文献，提出研究设计，从而显著提高思想市场的流动性。许多过去沉睡在长文、旧书与边缘文献中的概念，可能被重新发现、重新调用、重新组合。
这未必是坏事。概率大模型并非思想市场的敌人，而是它的流动性提供者：它降低了知识匹配的摩擦，提高了概念流通的速度，使读者与思想之间的距离变短。一个从前需要偶然阅读才能遇见的概念，如今可能在一次查询中被打捞出来；一个原本散落于不同学科的问题，如今可能在一次生成中被放上同一张桌子。
但流动性提高之后，价格发现也会更加残酷。解释、概念、叙事与可能性都会变多，思想市场会出现某种解释通胀：许多框架听起来都合理，许多机制看起来都顺滑，许多叙事都裹着漂亮的语言外壳。此时真正有价值的，是判断解释能否穿过现实世界，而不再是单纯提出解释。
因果识别因此不会过时，反而会变得更重要。断点回归、双重差分、工具变量、随机控制实验、自然实验与机制检验，这些方法不只是技术工具，更是 AI 时代知识生产函数中的质检机制，负责对机器批量生成的概率假说进行筛选、校准、去噪与证伪。AI 可以模拟相关性的影子，却不能凭空创造外生变异；它可以建议一个研究设计，却替代不了研究者对制度细节、数据生成过程、样本边界与反事实结构的理解；它可以生成一个故事，却替代不了现实世界对故事的审判。未来真正有价值的学者，既不是拒绝 AI 的人，也不是只让 AI 生成解释的人，而是能够把 AI 生成的解释带回现实摩擦中进行因果检验的人。
这里还牵涉一个产权问题。AI 对概念的调用常常是去出处化的：一个概念被打捞、压缩、重组、嵌入回答，读者获得了工具，却未必知道它来自何处。短期看，这提高了传播效率；长期看，如果概念的生产者无法获得声誉回报、产权承认与可检验的贡献记录，深层概念生产的激励就可能被削弱。思想市场不只是表达的市场，也是激励的市场：只有当好的概念能够获得归属，好的判断能够积累信用，好的研究能够形成声誉，思想生产才会持续。AI 提高思想流动性之后，必须重建概念产权、声誉收益与可检验贡献之间的匹配机制，否则我们可能拥有越来越多流畅的解释，却失去生产深层解释的激励。
AI 能够压缩的，是比特世界中的搜索、重组与表达；它不能压缩的，是原子世界中的身体、制度、责任与时间。用四环节的语言说，这一节谈的主要是执行环节，以及背书所依赖的时间。
医药研发是最清楚的例子。计算模型可以在临床试验之前筛选数亿种分子结构，缩小候选空间，提高研发效率，这是巨大的进步。但一种药物是否安全有效，最终仍要进入人体，要经历代谢，要观察副作用，要通过伦理审查与监管审批。三期临床之所以昂贵而缓慢，不是因为人类不够聪明，而是因为身体有自己的时钟，风险有自己的责任链，制度有自己的审查过程。AI 可以改变研发函数的前端，却取消不了现实验证的后端。
组织世界同样如此。AI 可以生成管理方案，预测绩效，优化流程，设计激励，但组织并不是一张流程图，而是一群真实的人在真实约束下形成的承诺、信任、权威、声誉与合作秩序。管理的难处，在于让人相信它、接受它、执行它，并在遇到异常时继续合作，而不止于把最优方案写出来。信任无法被一次生成出来——它要通过时间积累，通过承诺的兑现，通过多次互动沉淀；AI 可以降低信息处理成本，却生成不出组织内部的信任。
思想世界也不例外。一个概念可以被 AI 更快地发现、调用与传播，却不能自动获得学术信用。信用来自长期一致的判断与同行批评，来自经验支持与反复检验，来自一个人或一个共同体在时间中的声誉沉淀。凡是瓶颈落在比特一侧的，AI 都能大幅压缩；凡是瓶颈落在原子一侧的，AI 只能改变前端，取消不了后端。
说这些，是出于对世界约束的尊重，而非对 AI 能力的轻视。恰恰因为概率大模型如此强大，我们才更需要看清它无法压缩的部分；否则便会把生成的繁荣误认作现实的完成，把解释的流畅误认作验证的通过，把可能性的扩张误认作世界已被改变。价格理论的好处，正在于不断把我们拉回约束：技术进步不会让稀缺消失，只会让稀缺转移。
AI 时代的市场分工，正在经历一次深刻的重新定价。
被贬值的，是低信息含量的整理、搬运、格式转换与常规综合，以及那些低后果、可标准化、可形式化验证的生成环节。被重新定价的，是深层概念的命名、地方性的微观数据、干净的因果识别、对现实制度的理解、组织中的背书能力，以及愿意承担判断后果的责任能力。这是一个市场分工重组的故事，而非机器替代人的简单故事。
回到那张矩阵。AI 是一场行冲击，它压低了生成那一行在所有任务上的成本，却触不到验证的内核、执行与背书。它的主要后果，是重排了每一种任务内部四个环节的相对价格，而非把某些任务整列删除。把任务压成单独一行、按列发问“哪些工作会被取代”，看到的是列的消失；把任务拆成四行、按行追踪冲击，看到的是更主要的现象——在每一种任务里，资源与租金都从生成流向下游。
概率大模型是开放不确定性世界中的基础智能形态，并非低级智能；结构化智能是闭合任务中的低方差工具，并非前者的替代者。二者的关系，是在同一条生产链上完成生成—验证接力，而非谁消灭谁。AI 可以压缩比特世界中的搜索、重组与表达，却压缩不了原子世界中的身体、制度、责任与时间。市场体系的瓶颈，正在从生成不足转向验证不足，更准确地说，转向那种不可形式化、需要问责的验证不足；未来的价值捕获，也将从单纯的生成能力，转向验证能力、背书权、责任链条与制度节点。
这背后仍然是价格理论的逻辑：技术改变成本结构，成本结构改变分工，分工改变组织边界，组织边界改变产权与价值捕获。AI 并没有取消经济学，它只是让经济学的老问题以新的形式重新出现——什么变便宜了，什么变贵了？什么可以外包，什么必须内部化？谁承担后果，谁拥有剩余控制权？
很多人以为 AI 时代最重要的问题是机器会不会思考。也许这并不是最重要的问题。更重要的是：当机器能够生成无数可能性之后，人类社会将如何验证这些可能性，如何为它们定价，如何分配责任，如何重建产权与激励。概率大模型的价值，在于在开放不确定性中组织可能性，而非消灭不确定性；结构化智能的价值，在闭合任务中降低错误率与执行成本；而人类与组织的价值，将越来越集中于那些不能被完全形式化、不能被轻易外包、必须承担后果的环节。
AI 时代既不是思想的终结，也不是商业组织的简单自动化，而是市场分工的一次重新定价。
