——安筱鹏：AI时代，我们必须重新理解智能、软件、组织与人的边界

题记

2026年7月12日，北京大学国家发展研究院“承泽论坛”第55期暨AI科创论坛在承泽园举办。

中国信息化百人会执委、清华大学产业互联网研究院顾问、《智能化生存》作者安筱鹏发表主旨演讲。

面对AI以“天”为周期的应用迭代、以“月”为周期的大模型进化，他提出一个值得所有企业家、科研工作者和管理者思考的问题：

技术变化如此之快，究竟有没有一些不会快速变化的底层规律？

与其追逐每天不断涌起的“浪花”，不如抬头看一看更深处的“洋流”。

从算法、算力、数据，到大模型、智能体、Skill，再到软件、组织和人的工作方式，AI正在掀起一场远超互联网革命的系统性变革。

这可能不是一次简单的技术升级，而是一场对整个社会运行方式的重新定义。

一、AI时代最大的变化：技术迭代已经从“年”进入“天”

今天的AI，正在以一种过去难以想象的速度自我进化。

AI原生应用的迭代周期已经开始按“天”计算，大模型的迭代周期也从过去的半年、一年，缩短到以“月”为单位。

今年春节期间，一个开发者仅用约一小时完成的开源项目OpenClaw（俗称“小龙虾”）上线GitHub后，在极短时间内迅速获得全球关注。

它所释放出来的信号非常清晰：

AI正在把软件创新的时间尺度压缩到一个过去无法想象的水平。

更具代表性的，是Anthropic。

这家公司成立于2021年，2024年收入约4亿美元，2025年迅速增长至90亿美元。截至2026年6月，其年度经常性收入已经突破600亿美元。

无论具体估值最终如何，这种增长速度本身已经足以说明问题：

AI正在重新定义什么叫“高速增长”。

但另一面也同样值得关注。

当AI原生企业快速崛起时，传统软件巨头却面临越来越大的转型压力。

于是，一个问题摆在所有软件从业者面前：

AI究竟是在帮助软件升级，还是正在重新定义软件？

这也是《智能化生存：AI时代的100个断言》试图回答的问题。

二、AI最大的价值，不是替代人，而是重新定义人的能力边界

安筱鹏分享了一个非常有意思的亲身经历。

八年前，他曾出版《重构：数字化转型的逻辑》。

此后两次尝试修订，却始终没有完成。

原因很简单：

技术变化太快了。

但今年春节，他深度体验了一批超级智能体产品之后，突然发现：

过去需要数月甚至数年才能完成的知识工作，如今正在被智能体重新拆解。

他最终用了18天完成《智能化生存》。

这件事最值得关注的，并不是“18天写完一本书”，而是AI带来的能力变化。

过去一个人能够完成100分的工作，AI可能帮助他做到95分。

但真正重要的是：

过去一个人完全不会做的事情，借助AI，现在可能从0分迅速提升到70分、80分。

这意味着AI的意义已经超越“提效”。

它开始成为一种能力放大器。

过去，一个人的能力边界取决于知识、经验、技能和时间。

未来，一个人的能力边界越来越取决于：

你能否有效调用AI。

这将直接改变知识工作者的生产方式。

三、AI为什么如此强大？答案藏在“涌现”两个字里

理解AI，首先要理解它究竟是如何诞生的。

人工智能并不是一条简单的技术线性进化路线。

它更像一片生态系统：

算法、数据、算力彼此碰撞、彼此强化、共同进化。

因此，AI创新最重要的关键词之一，是：

涌现。

从1956年达特茅斯会议，到神经网络的兴衰，再到GPU、ImageNet、Transformer、GPT系列模型，AI的发展史不断证明一个规律：

没有哪一项技术能够独自抵达智能。

真正的突破，总是发生在不同技术要素的交叉路口。

2012年ImageNet大赛成为一个重要转折点。

辛顿团队使用神经网络方案取得突破，不仅让神经网络重新获得关注，也让全球产业重新认识到GPU在AI训练中的巨大价值。

随后，算力、算法、数据和模型形成了一个不断强化的闭环：

模型越强，对算力要求越高；

算力越强，可以训练更大的模型；

模型越大，对数据提出更高要求；

数据越丰富，又进一步推动模型进化。

最终形成：

数据—模型—算力共同进化的飞轮。

所以，AI历史给我们的一个重要启示是：

旧范式的“死刑判决”，往往恰恰是新范式的“出生证明”。

四、AI正在从“五类模型”走向统一的通用智能

今天我们看到的各种AI模型，看起来五花八门。

但从能力演进来看，可以大致分成五类。

第一类，语言大模型。

它最初更像“文科生”，在语言、知识和表达方面优势突出。

第二类，推理大模型。

它开始突破数学、逻辑和复杂推理能力，更像AI时代的“理科生”。

第三类，多模态模型。

可以处理文字、图片、声音、视频，实现跨模态理解和创作，更像“艺术生”。

第四类，物理模型。

面向自动驾驶、人形机器人等具身智能，让AI从数字世界走向物理世界，更像“体育生”。

第五类，科研大模型。

面向科学研究和知识发现，未来可能成为推动基础科学突破的重要工具。

真正值得关注的是：

这些模型正在加速融合。

语言与推理开始融合；

语言、推理与多模态开始融合；

未来，感知、推理、行动、学习也将进一步融合。

最终，五条路线可能汇聚到一个方向：

通用智能。

而推动这一进程的核心形态之一，就是智能体。

五、AI革命为什么可能超过互联网革命？

这是理解未来十年的关键问题。

互联网解决的核心问题是什么？

答案是：

连接与匹配。

搜索引擎帮助人找到信息；

电商平台帮助消费者找到商品；

出行平台帮助乘客找到车辆。

互联网本质上解决的是：

让人发现信息、连接资源。

而AI大模型正在解决另一个问题：

理解问题、生成答案、完成任务。

因此，两者的底层逻辑并不完全相同。

互联网时代最重要的商业模式是平台经济。

AI时代，则可能更加接近一种全新的“智能服务经济”。

更重要的是，AI带来了三场深层革命。

第一场：人机交互革命

过去，人必须学习机器语言、编程语言，才能使用复杂的软件。

今天，只需要自然语言。

人的语言开始成为调用机器能力的新接口。

第二场：认知协作革命

过去机器主要执行人的指令。

现在机器开始理解、推理、规划和执行。

人和机器之间的关系正在从：

“人使用工具”

变成：

“人与智能体共同完成任务”。

第三场：计算范式革命

过去几十年，计算体系主要围绕CPU展开。

今天，AI推动计算体系向GPU、AI加速器和新型计算架构迁移。

这意味着改变的不只是芯片。

还包括：

存储、网络、操作系统、软件架构、开发模式乃至商业模式。

因此，AI不是给原有数字世界增加一个新功能。

它更像是：

重新更换数字世界的底层操作系统。

六、真正的“超音速海啸”：AI正在重新定义高增长

如果说互联网革命是一场浪潮，那么今天的AI更像一场高速推进的海啸。

为什么？

因为AI商业化速度正在大幅缩短。

过去互联网、移动互联网、云计算经历了较长时间才完成大规模商业化。

而AI原生企业正在以更快速度完成：

技术突破—产品形成—用户增长—商业化。

更重要的是，AI红利正在从程序员迅速扩散到整个白领群体。

过去，AI最先改变的是软件工程师。

如今，超级智能体正在把这种能力扩展到：

销售、财务、法律、人力、咨询、设计、科研、运营、行政等大量知识工作领域。

一个最直观的变化是：

过去只有程序员能够写软件。

现在，一个没有编程背景的人，也可以通过自然语言与智能体协作完成软件开发。

这意味着：

软件开发正在从“专业技能”，逐渐变成一种普遍能力。

AI正在降低知识生产的门槛。

七、未来的软件，不只是APP，而是Skill

如果一定要从这轮AI革命中记住一个关键词，安筱鹏特别强调：

Skill。

Skill可以理解为：

把一个人的经验、方法、流程和专业能力，封装成AI可以调用的能力模块。

例如：

一个税务专家有20年的经验。

过去，这些经验只能存在于专家的大脑里。

现在，可以将他的知识、方法、流程和判断标准沉淀为一个Skill，让AI能够调用。

所以可以这样理解：

基础模型像CPU，智能体像操作系统，Skill则像应用软件。

这意味着软件的形态正在发生一次新的变化。

过去：

人的经验 → 软件代码 → 机器执行。

未来：

人的经验 → Skill → AI调用 → 自动执行。

Skill的意义远不止软件开发。

它正在重新定义线上线下商业服务。

过去，企业做互联网化，核心是：

让人发现你。

未来，企业做AI化，核心则变成：

让AI发现你、理解你、调用你。

这将产生一个全新的商业入口：

AI原生服务。

八、从APP到Skill：企业必须开始思考“AI可调用”

过去企业把服务做成网站、APP、小程序。

未来还需要进一步完成一次适配：

让自己的服务变成AI能够理解和调用的能力。

这意味着：

产品要AI化；

服务要Skill化；

接口要MCP化；

流程要Agent化。

未来消费者甚至可能不再主动打开几十个APP。

他只需要告诉自己的智能体：

“帮我订一家餐厅。”

“帮我规划一次旅行。”

“帮我比较三款汽车。”

“帮我处理这份报销。”

智能体会自动调用背后的服务。

因此，未来企业竞争的一个新问题将是：

你的产品能不能被AI找到？

你的服务能不能被AI调用？

你的能力能不能被AI复用？

这可能成为继“互联网化”“移动互联网化”之后，企业必须面对的新一轮基础设施升级。

九、Token：智能时代的新“原子”

数字化时代，人们用“比特”丈量信息。

智能化时代，人们开始用“Token”丈量智能。

过去：

电话按照时间收费；

互联网按照流量收费；

今天：

AI按照Token计费。

Token看起来只是一个技术概念，但它背后代表了一种更深层的变化：

现实世界正在被进一步转化为AI能够理解、处理和生成的数字单元。

文本可以Token化；

图片可以Token化；

声音可以Token化；

视频可以Token化；

甚至蛋白质、分子和数据库信息，也可以进入类似的表示体系。

所以可以把Token理解为：

智能世界的“通用原子”。

如果说数字化的核心是“比特化”，那么智能化的核心之一，就是：

Token化。

十、数字化不是智能化，智能化也不是数字化的简单延长

这是企业数字化转型必须重新思考的问题。

数字化的逻辑是：

把现实世界转化成数据，再通过规则进行计算。

它更适合解决确定性问题。

因此，数字化系统天然倾向于：

规则、流程、标准、穷举。

但现实世界是开放的。

它充满了：

不确定性；

例外；

突发情况；

复杂场景；

未知问题。

这就是为什么很多传统数字化系统会陷入：

穷举规则—遇到例外—继续增加规则—再次遇到例外。

智能化的核心变化，则是：

不再要求人把所有规则提前写出来，而是让机器从数据和案例中学习规律。

自动驾驶就是一个典型案例。

过去的自动驾驶大量依赖规则：

遇到红灯怎么办；

遇到行人怎么办；

遇到障碍怎么办。

规则越写越多。

而新的智能驾驶范式越来越强调：

让系统从海量驾驶数据中学习驾驶规律。

这意味着：

从“人告诉机器怎么做”，

转向：

“机器通过学习理解应该怎么做”。

因此，有一个非常值得记住的判断：

规则能穷尽的世界，不需要智能；需要智能的世界，规则永远穷尽不了。

十一、AI真正的终局：从工具革命走向“革命的工具”

AI落地最终会体现为两个维度：

产品力。

生产力。

从产品侧看，未来可能出现“三个一切”。

一切智能硬件被AI驱动

手机、电脑等传统智能设备将被重新定义；

眼镜、玩具等传统非智能设备将获得新的智能；

录音卡、可穿戴设备等新形态也将不断出现。

一切软件被AI重构

未来软件可能不再是一个个孤立的APP。

功能将逐渐：

原子化、CLI化、MCP化。

各种能力模块被智能体统一调度。

最终形成：

超级智能体作为入口，背后连接无数能力模块。

一切数据被AI激活

过去大量数据只是“存在那里”。

未来AI将让数据真正参与：

知识生成；

决策；

预测；

执行；

持续学习。

因此：

沉睡的数据是负债，流动的数据才是资产。

十二、企业AI转型的关键：三个平台、两个飞轮

AI真正进入产业深水区，不能只购买一个大模型。

企业需要搭建三个基础平台。

第一，企业数据知识资产化平台。

负责数据采集、清洗、处理、Token化和知识沉淀。

第二，企业专属模型管理平台。

企业未必需要自己训练基础大模型，但必须具备模型选择、评估、部署和优化能力。

第三，企业智能体开发运营平台。

让智能体能够开发、测试、上线、运营和持续迭代。

在此基础上，还需要建立两个飞轮。

模型训练数据飞轮

模型运行产生数据；

数据反哺训练；

模型越来越精准。

智能体运营数据飞轮

智能体完成任务；

产生新的上下文；

沉淀新的Skill；

能力不断增强。

最终形成：

数据越多 → 模型越强 → 产品越好 → 用户越多 → 数据更多。

这才是AI时代真正的竞争壁垒。

所以：

AI应用最终的赢家，未必是使用最强模型的人，而可能是最懂得构建“数据—产品—用户”飞轮的人。

十三、AI最深刻的变化，可能不是技术，而是组织

如果说前面的变化主要发生在技术和产品层面，那么接下来更大的变化将发生在组织层面。

AI正在改变企业赖以运行的一系列基本假设。

过去，我们假设：

环境相对确定；

专业分工越细越好；

人的认知能力有限；

组织的基本单元是“人”。

AI时代，这些假设都开始松动。

第一，从应对确定性，转向适应随机性。

第二，从极度专业分工，转向人机协同。

第三，从人的有限理性，转向“人+AI”的扩展理性。

第四，从人与人协作，转向人与智能体、智能体与智能体协作。

这意味着：

组织本身正在经历一场“转基因工程”。

十四、未来最有效率的组织，可能是“没有协作”的组织

这是AI对组织带来的一个非常具有冲击力的判断。

如果人与人的协作效率是1，

人与智能体的协作效率可能达到10；

而当智能体能够直接与上下游智能体进行自动协作时，

效率可能达到100。

因此，一个非常值得关注的趋势是：

最高效的协作，可能是没有协作。

过去，一个任务需要：

员工A → 部门B → 部门C → 管理者D → 财务E。

未来可能变成：

智能体A → 智能体B → 智能体C → 自动完成。

人在其中更多承担：

目标定义；

价值判断；

关键决策；

异常处理。

组织的基本协作单元，也因此可能从“岗位”逐渐转向：

任务+智能体。

十五、AI时代，企业真正需要重新定义的三件事

第一件事：

重新定义人才。

未来人才竞争不只是学历和经验竞争，更是：

人才密度+AI使用能力+问题定义能力。

第二件事：

重新定义组织。

岗位边界将越来越模糊。

前端、后端、测试、运营、设计等传统边界，都可能被重新组合。

第三件事：

重新定义管理。

过去管理的核心，是把确定的事情做得更好。

未来管理的核心，可能越来越变成：

在不确定性中快速试错、快速反馈、快速迭代。

十六、真正决定未来的，不是站在今天看明天，而是站在未来看今天

面对AI，最大的风险可能并不是技术不够先进。

而是：

认知仍然停留在过去。

很多传统企业面对新技术时，总喜欢问：

“它能不能帮助我把现在的业务做得更好？”

但真正重要的问题应该是：

“如果未来已经发生，我今天的业务还成立吗？”

这也是《创新者的窘境》反复揭示的规律：

企业最容易被自己的成功困住。

过去的客户；

过去的产品；

过去的组织；

过去的商业模式；

过去的优势。

都可能成为面对下一轮技术革命时的认知负担。

因此，面对AI时代，企业需要完成一次真正的“认知换挡”：

不是站在今天看未来，而是站在未来重新审视今天。

十七、写在最后：AI真正改变的，是“人如何成为人”

AI革命表面上改变的是软件、芯片、数据和生产工具。

但更深层的变化，是：

它正在重新定义人的能力边界。

过去，一个人的能力取决于：

知识；

经验；

技能；

时间。

未来，一个人的能力还取决于：

能否定义问题、调用智能、组织Skill、驾驭智能体。

从这个意义上说，AI不是简单的“机器替代人”。

它更像是一面镜子：

让我们重新看见自己的知识、经验和能力，并把这些能力转化成机器可以理解、调用和复制的形式。

从蒸汽机时代把人的控制经验转化为机械装置；

到工业3.0时代把人的生产经验写进PLC；

再到互联网时代把人的信息连接写进软件；

今天，AI正在进一步把人的知识、经验和方法论转化成：

模型、Skill和智能体。

这其实是一条贯穿几百年技术革命的主线：

人类文明的每一次技术跃迁，本质上都在把人的能力，以更高效的方式压缩、转化、复制和放大。

所以，真正值得我们追问的，不是：

“AI会不会替代我？”

而是：

“在AI时代，我有哪些能力可以被重新定义、重新组织、重新放大？”

技术的浪花每天都在变化。

但洋流的方向，可能已经越来越清晰：

软件正在智能化，数据正在资产化，服务正在Skill化，组织正在智能体化，个人正在超级个体化。

而这一切，才刚刚开始。

观潮智库认为，真正属于AI时代的竞争，不再只是模型参数、芯片数量和资本规模的竞争，更是认知、数据、场景、组织与人机协作能力的竞争。

未来几年，最大的赢家未必是最早拥抱AI的人，而是那些真正理解AI底层规律，并能够把AI转化为组织能力、产业能力和创新能力的人。

浪潮已经来了。

现在真正重要的，是看清洋流。

参考来源：
本文根据中国信息化百人会执委、清华大学产业互联网研究院顾问、《智能化生存：AI时代的100个断言》作者安筱鹏在北京大学国家发展研究院“承泽论坛”第55期暨AI科创论坛上的主旨演讲整理，并结合演讲内容进行编辑加工。

公众号 | 观潮智库观潮智库：汇聚智慧，洞察未来

在当今多元发展、信息爆炸的时代，无论是举办一场高规格活动，还是策划一档深度媒体节目，优质的专家资源都是成功的关键。