当软件开始“消失”：Anthropic领投对话中国AI，揭秘2026年企业生存的唯一指标 | 达沃斯2026论坛

|未经许可不得转载星标本号获取最新顶级认知|

Web3天空之城|城主

最近火热的达沃斯2026年会中，各路大佬纷纷登场, 而其中很有意思的一场, 是Anthropic领头方光速的创始合伙人拉维·马特雷，月之暗面KIMI总裁张予彤以及Reflection AI 联合创始人等的一场圆桌论坛.

核心嘉宾：

• • 拉维·马特雷 (Ravi Mhatre, Lightspeed 创始合伙人)

• • 张予彤 (Moonshot AI 总裁)

• • 皮普尔·辛哈 (Bipul Sinha, Rubrik CEO)

• • 理查德·索克 (Richard Socher, You.com CEO)

• • 雅尼斯·安特诺格鲁 (Ioannis Antonoglou, Reflection AI 联合创始人)

这是一场关于企业生存法则的深入辩论。 传统的“老牌巨头”正面临着前所未有的挑战：如何不被那些诞生于人工智能时代的初创公司所取代？如何界定什么是真正的“人工智能优先”企业，并揭示软件、管理范式以及信任机制在未来数年内将经历的颠覆性重构。

这一场对话的核心不仅在于定义什么是“AI优先”，更在于揭示了衡量商业价值的标尺已经彻底改变。 AI不再是辅助工具，而是对软件形态、组织架构和信任机制的彻底重构。

核心观点

• • AI优先的实质 ：并非简单的搜索或聊天，而是实现端到端的业务工作流程自动化。

• • 软件的无形化 ：人工智能正在“吞噬”软件，未来用户将通过自然语言而非复杂的图形界面（GUI）与工具交互。

• • 信任与合规 ：这是传统企业采纳AI的最大障碍，需通过可追溯性、基准测试和“LLM监控LLM”的技术手段解决。

• • 管理范式转移 ：员工需要从“独立执行者”转变为“智能代理管理者”，具备授权与监督的能力。

1. 重新定义标准：端到端自动化
红帽CEO 皮普尔·辛哈 在会上严厉指出了当前企业的误区：将AI等同于“高级搜索”或“聊天界面”。他提出了硬性标准：

• • 真·AI公司的定义： 必须拥有完全由AI完成的 端到端业务工作流程 ，而不仅仅是人机对话。

• • 行动建议： 企业应逐条审查业务线，找出3-5个原本由人工或SaaS完成的流程，并要求实现结果的直接交付。

2. 第一性原理：无限智能假设

光速创投合伙人 拉维·马特雷 提出了一个思维实验： “如果智能是无限获取且成本趋近于零的，你会如何构建业务？”
他指出，AI原生公司（如Anthropic）的优势在于不受旧组织束缚。随着推理成本（Cost per Token）下降100-1000倍，企业不应思考“如何用AI改进软件”，而应思考“如何用智能直接达成结果”。

在过去的认知中，企业引入一个聊天机器人或搜索增强工具往往被视为数字化转型的成功。然而，专家们在对话中达成了一项共识：这远远不够。红帽公司的联合创始人皮普尔·辛哈指出，判断一家公司是否真正具备人工智能基因，关键在于业务链条的完整性。“如果你说你是一家人工智能公司，你必须明确是否拥有完全由人工智能完成的端到端业务工作流程，而不仅仅是使用一个对话界面。”

这意味着，人工智能不再是员工手中的“记事本”，而是能够独立交付成果的执行单元。光速创投的拉维·马特雷则从更激进的角度提出了衡量标准。他认为，真正的“人工智能优先”企业应该从第一性原理出发，思考一个根本性命题：“如果我们能获得无限的智能，我们会构建什么？这种思维不应受到现有组织结构和陈旧工作流程的束缚。”

这种转型不仅是技术性的，更是运营杠杆的巨大释放。月之暗面总裁张予彤分享了一个引人深思的观察：在当下的初创生态中，出现了一批人数极少、估值极高的公司。“有些公司的人员不到十个，但在运营层面却有数百个智能体在协助处理事务。人工智能为所有企业提供了极高的运营杠杆。”

主持人引用的A.T. Kearney定义（50%任务提升20%效率）仅是入门标准。结合皮普尔和拉维的观点，企业正经历以下阶段：

• • 工具化阶段： 局部插件集成（效率提升）。

• • 原生化阶段： 业务逻辑重构（模式变革）。
  行业数据显示，只有当AI不再是“副驾驶（Copilot）”而是“自动驾驶（Autopilot）”时，边际成本的指数级下降才会体现在财报上。

1. 智能的规模化效应
拉维·马特雷 强调，资本正在流向那些能利用“无限智能”产生质变的公司。他举例提到了一款“四元代码（Quad code）/氛围编码”类产品（编者注：此处可能指代具体的AI编程工具），在推出仅8个月内就实现了15亿美元的年收入，拥有1500万开发者用户。这证明了智能本身即产品。

2. 开源与闭源的博弈
雅尼斯·安特诺格鲁 代表开源力量发声。他认为，AI优先不仅是技术问题，更是信任问题。开源模型提供了企业急需的“白盒化”能力，使企业能结合自身数据进行深度定制，这是建立长期信任的关键。

尽管嘉宾在现场未列举具体估值表，但市场数据显示，资本对AI基础设施的定价已脱离传统SaaS逻辑：

• • Anthropic (Lightspeed领投)： 估值区间跃升至183亿-350亿美元，其增长动力来自模型能力的“缩放定律”（Scaling Laws）。

• • Reflection AI： 作为开源挑战者，其80亿美元的估值反映了市场对“技术主权”的渴求——企业希望拥有自己的模型，而非仅仅租赁API。

• • 结论： 投资人不再为“应用脚手架”（套壳APP）买单，而是重注那些能将智能转化为直接生产力的底层架构。

1. 极高的人机杠杆
张予彤 (Moonshot AI) 分享了一个极具洞察力的观察：

• • 现状： 许多AI原生初创公司全职员工不足10人。

• • 变革： 这些小团队在运营层面却有数百个智能体（Agents）在协助处理事务。

• • 结论： AI为企业提供了前所未有的运营杠杆，改变了传统的“规模=人头数”的公式。

2. 全员管理者化
理查德·索克 (You.com) 指出了转型的痛点：

• • 智能体数量 > 员工数量： 这在他的公司已成现实。

• • 人的瓶颈： 大多数员工习惯做“执行者”，缺乏“授权”心态。未来的挑战在于培训员工成为“智能体管理者”，学会定义输入和验收输出，而非亲自干活。

传统的“数字化转型”往往被简化为引入聊天机器人，但这在专家眼中已过时。真正的变革在于运营杠杆（Operational Leverage）的极限释放。

• • 重新定义“AI优先”： 红帽公司（Rubrik）联合创始人皮普尔·辛哈（Bipul Sinha）提出了硬性标准： “如果你说你是一家人工智能公司，你必须明确是否拥有完全由人工智能完成的端到端业务工作流程，而不仅仅是使用一个对话界面。”

• • 极致的人机比率： 张予彤揭示了一个震撼的行业现状： “有些公司的人员不到十个，但在运营层面却有数百个智能体（Agents）在协助处理事务。”

  这解释了为何像Reflection AI（由同台嘉宾Ioannis联合创立）这样的公司能获得高达80亿美元的估值。资本市场不再为传统的SaaS收入倍数买单，而是为极高的人均产出买单。企业的核心竞争力从“扩招团队的能力”转变为人机比——即用最少的人，编排最庞大的智能体网络。

• • 光速创投的“第一性原理”： 拉维·马特雷（Ravi Mhatre）激进地指出，真正的AI优先企业必须思考： “如果我们能获得无限的智能（Unlimited Intelligence），我们会构建什么？” 这种思维要求企业彻底抛弃现有的组织结构束缚，假设智能成本趋近于零，从而重构商业模式。

当智能体（Agents）的数量超过员工人数时，企业的管理逻辑将发生翻天覆地的变化。优网联合创始人理查德·索克指出，目前大多数基层员工尚未做好心理准备，因为他们习惯于做一名“独立贡献者”。“未来的挑战在于人的方面。我们中的每个人都将不得不成为管理者，无论你是管理人类，还是管理你的人工智能代理。”

这种“管理与授权”的心态并非与生俱来，需要企业进行系统的培训和认证。在这种新型的组织架构中，“人在回路中”将成为核心准则。 雅尼斯·安特诺格鲁强调，人工智能的存在是为了最大限度地利用人力资源，将人类劳动投入到最具创造性和必要的地方。

未来的企业管理将进入一个“多智能体编排”的阶段。在这个阶段，管理者的职责是定义“好”的标准，并编排这些智能体去协同工作。正如张予彤所预测的，未来的人工智能将拥有长达一周甚至更久的独立执行期。“我们设定目标并讨论任务，然后团队和智能体会自主工作，一周后再见面查看结果。” 这种长效代理能力，将彻底改变职场的时间维度和协作效率。

基于张予彤的观察，可以有一个人机配比（HAR）公式：

行业案例佐证了这一趋势：麦肯锡（McKinsey）等咨询巨头已部署数万个智能体。未来的组织将呈现“倒金字塔”结构——极少数人类核心决策者，指挥庞大的智能体军团。这要求HR部门重新定义岗位描述：核心技能不再是“熟练使用Excel”，而是“熟练编排Agent工作流”。

软件的“无形化”与交互革命

1. 关于GUI的消亡


拉维·马特雷 和张予彤达成了高度共识：软件正在变得“无形”。

• • 张予彤观点： 用户不再需要点击按钮或记忆公式。未来的交互是基于 自然语言的意图表达 。AI将作为中介，直接调用软件功能或编写个性化工具来交付结果。

• • 拉维观点： 智能本身将成为软件。随着能力提升，人们通过“氛围/直觉”来表达需求，AI生成代码并执行，传统软件界面将成为多余的中间层。

如果说过去几十年是图形用户界面（GUI）的时代，那么未来将是软件“隐身”的时代。对话揭示了一个大胆的预言：软件正在被人工智能吞噬。张予彤认为，人类未来将不再需要记住复杂的公式或点击数百个按钮来操作办公软件。“软件将变得无形。只要人们能够描述他们的意图，人工智能就能帮助他们获取现有软件的所有功能，甚至直接编写出个性化的工具。”

• • “无形化”预言： 张予彤认为，人类未来将不再需要记住复杂的公式或点击数百个按钮。 “软件将变得无形。只要人们能够描述他们的意图，人工智能就能帮助他们获取现有软件的所有功能，甚至直接编写出个性化的工具。”

现有的SaaS巨头（如Salesforce, Workday）如果不能转型为被AI调用的后端API，其复杂的界面价值将归零。

• • 拉维·马特雷的“氛围编码”（Vibe Coding）： 随着推理成本下降100-1000倍，智能成为一种持续流动的力量。拉维指出，即使不懂代码的人，凭直觉（Vibe）就能让AI生成生产级代码。 “智能将成为人们表达自动化任务意图的新型‘语言’，传统意义上的软件应用场景将大面积消失。”

在这种范式下，用户体验的重心将从“如何使用工具”转移到“如何表达意图”。虽然像一些社交媒体平台这样高度依赖网络效应和美学设计的应用短期内难以被完全取代，但在企业环境中，“氛围编码”和自动化执行将成为主流，手动处理复杂权限和报表的时代即将终结。

中国视角：用户驱动的“自下而上”变革

1. “自带AI上班” (BYO-AI)

在采用AI的态度上，对话展现了中美两种截然不同的路径，同时也指出了共同的瓶颈。

• • “BYO-AI” (Bring Your Own AI)： 与美国企业受困于自上而下的合规审查不同，张予彤观察到中国市场呈现出 自下而上 的野蛮生长——员工甚至愿意 自掏腰包 将高效的AI工具带入职场。这是一种更务实、更具侵略性的采用方式。 这揭示了中国市场与美国截然不同的擦用路径

• • 关于 信任机制： 建立信任的关键在于 可追溯性（Traceability） 。AI不能是黑盒，必须展示引用来源和推理步骤，让用户看到“思考过程”，这是Moonshot产品的核心设计哲学。

• • 美国企业的合规恐惧： 皮普尔·辛哈指出，美国企业的首席风险官（CRO）往往因为担心“幻觉”和安全漏洞叫停项目。

• • 资本视角的解法： 拉维·马特雷（作为Anthropic的投资人）强调， 信任是传统企业（Incumbents）唯一的入场券 。如果没有内嵌的安全性，大企业无法与无包袱的初创公司竞争。

• • 技术治理技术： 专家们达成共识，解法在于用 大模型监督大模型 。

• • • 皮普尔建议： 训练专门的判断模型，让神经驱动规则，而非依赖僵硬的合规文档。

作为行业背景，中国AI的竞争力还植根于其工程化土壤：

• • 工程效率： 业界数据显示，像Kimi这样的中国模型团队，擅长以更低的算力成本实现极高的长文本处理性能。这种“为应用而优化”的工程思维，是中国企业在算力受限背景下的突围之道。

• • 基础设施优势： 中国庞大的电力基础设施（2025年新增发电容量巨大，且可再生能源占比高）为未来大规模AI推理中心提供了能源保障。

• • 场景练兵： 相比美国，中国在C端应用（如电商、社交）和物理世界自动化（如Robotaxi）上的激进尝试，为AI提供了更丰富的反馈闭环。

1. 以AI治理AI
针对合规难题，皮普尔·辛哈 提出了技术解法：

• • 神经驱动规则： 不要试图用僵硬的文档去约束AI。企业应训练一个 判断模型 ，将业务规则内化为模型的判断力，用一个模型去审计另一个模型的输出。

2. 递归自我改进
理查德·索克 描绘了终极愿景：

• • 自动化研究员： 过去需要数百人调整的知识系统，现在是神经网络。未来，构建模型的过程本身也将自动化。

• • 长效代理： 张予彤 补充道，AI将具备像人类一样的“长代理期”。管理者周一布置任务，AI独立工作一周，周五交付。

对于拥有庞大资产的老牌企业而言，拥抱人工智能的最大阻碍并非技术实力，而是对安全和合规的深层恐惧。皮普尔·辛哈观察到，许多企业在试点阶段非常顺利，但一旦进入生产环节，首席风险官和首席安全官就会因为担心“幻觉”和安全漏洞而叫停。

为了解决这一痛点，技术专家们提出了一套“以技术治理技术”的方案。皮普尔建议，企业不应依赖固定的规则集，而应训练专门的判断模型。“你可以用一个大语言模型来判断另一个大语言模型的工作表现，让神经驱动规则，从而在不牺牲灵活性的前提下提高合规信心。”

圆桌嘉宾的预测指向了AI发展的奇点——递归式自我改进（RSI）。

• • 当“大模型监控大模型”解决了信任问题，且“AI构建AI”解决了能力迭代问题时，企业的迭代速度将不再受限于人类的学习曲线。2026年的企业竞争，本质上是 谁能更快建立起这套自我进化系统 的竞争。

在对话的尾声，专家们做出了前瞻。其中最具震撼力的观点是：人工智能将从“人类手动构建”转向“自我递归改进”。理查德·索克回顾了历史，指出曾经需要八百人手动构建的系统，现在已被单一的神经网络取代。

“目前构建模型的系统依然是手动完成的，需要专家耗费数月去调试直觉。但这部分工作本身也将实现自动化，产生递归式的自我改进。” 这意味着，未来的模型将不再依赖于人类工程师的缓慢迭代，而是通过持续学习和环境交互，实现核心知识的自主更新。

从长效智能体的普及到强化学习在企业流程中的深度融合，这场对话描绘了一个即将到来的未来：在这个未来里，人工智能不再是一个选项，而是一切业务的操作系统。 对于所有企业而言，转型的窗口期正在迅速关闭，唯有那些敢于从第一性原理出发、重塑信任机制并拥抱“智能体编排”的组织，才能在人工智能吞噬软件的浪潮中幸存。

AI发展的下一个跃迁点将是决定企业生死的关键。

• • “长效代理期”（Long Agency）： 张予彤分享了工作流时间维度的质变。目前的Agent只能执行几秒钟的任务，但未来将是： “周一设定目标，团队和智能体自主工作，周五验收结果。” 这种长达一周的独立执行能力，将彻底改变企业的运转节奏。

• • 理查德·索克的“递归自我改进”： 历史上需要800人团队维护的系统（如IBM Watson），现在已被神经网络取代。未来， 构建AI的过程本身也将自动化 。

• • • 核心观点： “目前构建模型的系统依然是手动完成的，但这部分工作将实现自动化。” 这意味着AI将能够自我迭代，创造出比人类工程师设计得更优秀的版本。

这场圆桌会议划定了一条清晰的分野：

• • 老牌企业 正在努力建立 AI审计AI 的机制，试图在合规的笼子里养大AI这只猛兽，以避免被淘汰。

• • AI原生企业 则在追求极致的 人机比 和 长效代理 ，利用无限智能的杠杆，在软件无形化的浪潮中重塑商业世界。

结合嘉宾们的发言, 以下行动路线呼之欲出：

1. 1. 重构指标： 停止关注AI工具的使用率，开始关注 端到端流程的自动化率 和 人机配比（HAR） 。

2. 2. 重塑员工： 将员工从“操作员”培训为 智能体审计员 。

3. 3. 技术治理： 建立 模型监督模型 的合规闭环，而非依赖人工审核。

4. 4. 思维转换： 采纳 无限智能 假设，重新设计那些因为“人太贵”而从未存在过的业务模式。

正如拉维·马特雷所言，那些敢于在没有既有软件概念下重新想象业务的公司，将是这场范式转移的最终赢家。

附:天空之城全文整理 什么是真正的“人工智能优先”企业？

主持人: 大家好，无论是来到达沃斯的现场嘉宾，还是在线上加入我们的朋友们。我是阿克西斯（Axios）的首席技术记者伊娜弗里德（Inafried），今天我们来谈论一个我们这些天都在讨论的话题，那就是人工智能（AI）。尤其是在达沃斯，关于企业如何最好地利用人工智能、企业在哪里遇到瓶颈，一直是舞台上以及穿梭巴士上大家交谈的焦点。

我们都在努力弄清楚这一点，所以我非常高兴能和一群非常尊贵的专家一起讨论。在本次会议中，我们将深入探讨另一种紧张关系，即大型企业、力求适应人工智能的现有企业，与应运而生、从一开始就以人工智能为先导的新公司之间的区别。那么，老牌企业能否转变为人工智能优先型企业呢？

因此，我很高兴能与这个精彩的专家小组会面。我先抛出一些数据：2024年，私营部门在人工智能方面的投资超过了2500亿美元。我们仍然需要——这些人一直在开出更多的支票、兑现更多的支票——但只有百分之一的大型企业认为自己在人工智能方面真正成熟了。为了让大家达成共识，我将抛出一个别人给我的定义：如果一个企业超过一半的劳动力任务实现了至少20%的性能提升，我们就可以认为该企业是人工智能优先型企业。

我认为在我们的讨论中，我们可能需要使用一些不同的指标，但我先提出这个定义。我想指出，世界经济论坛的人工智能全球联盟与科尔尼公司（A.T. Kearney）启动了一个新的工作流程，专门研究这一问题，涵盖了50多家创新领导者。我确信你们可以在网上找到更多关于这方面的信息。

所以我我要介绍一下小组成员，但这不一定就是他们的座位顺序。 我们有Moonshot AI的总裁张予彤。我们有Reflection AI的联合创始人兼总裁雅尼斯·安特诺格鲁（Ioannis Antonoglou）。拉维·马特雷（Ravi Mhatre），他是光速创投（Lightspeed Venture Partners）的创始人和合伙人，皮普尔·辛哈（Bipul Sinha）是红帽（Rubrik）的联合创始人和首席执行官，以及理查德·索克（Richard Socher），优网（You.com）的联合创始人和首席执行官。所以我们有一个很棒的团队，我再次感谢我们拥有如此多不同的观点。

我想问在座的各位，我提出了一个关于什么是“人工智能优先”型公司的定义，但你们都在现实世界中看到了这一点。你们能否谈谈那些你们认为属于“人工智能优先”但并非在ChatGPT出现之后诞生的公司？有哪些公司，因为它们实现转型的方式，仍然符合“人工智能优先”的定义？

皮普尔·辛哈: 我可以先说。在我们看来，如果你说你是一家人工智能公司，你必须真正明确，你是否拥有完全由人工智能完成的端到端业务工作流程，而不是仅仅进行信息搜索或使用ChatGPT界面？

因此，我们在细则中正在做的是逐条业务线进行，要求每个人确定三到五个通过人工或SaaS应用与人工相结合的方式完成的工作流程，并询问我们是否可以定义端到端的AI驱动成果。所以我的定义是，如果你在所有业务线中都实现了三到五个由人工智能驱动的工作流程，那么你就是一个名副其实的AI驱动型公司。

主持人: 还有其他人想提出一个不同的定义或观点吗？理查德？

理查德·索克: 我认为你必须考虑两方面。技术方面，你有多少智能体等等，但也要考虑人的方面。你的员工中有多少人真正获得了认证并了解相关知识？

比如我们在U.com发现的一件事是，当我们只是说，给你，用它来创建你自己的智能体时，你可以委托你所有的工作。人们会说，但我真的不知道如何委托工作。大多数独立贡献者都不是管理者。然后采用率会非常低，直到我们说，好了，我们有一个培训计划和一个认证计划，然后当人们真的必须去做的时候，你才会看到这些老牌组织真的开始采纳并拥抱它，因为我们中的每个人都将不得不成为管理者，无论他们是管理人员还是管理他们的人工智能代理，但这种管理和授权的心态对大多数人来说并不是自然而然形成的。

想象力与组织束缚

主持人: 还有拉维，你看到了大量的公司。你是否看到任何不是在过去一两年内成立的公司，你会说它们真正抓住了人工智能，以至于你可以称它们为人工智能优先的公司？

拉维·马特雷: 我会说，有趣的是，世界经济论坛的定义是对整个组织能力集中的某种百分比改进的平均效应，我认为现实情况是，这可能没有释放人工智能的全部潜力。

而且我认为，我们再次在原生于人工智能的公司中看到了这一点，比如我们密切合作的Anthropic公司，如果你看看他们利用人工智能做一些变革性事情的能力，我认为那些奉行“人工智能优先”的公司的想象力思维是，他们从“如果我们能获得无限的智能，我们会构建什么”开始思考，而且他们显然没有受到组织结构和现有工作流程的束缚。

我会说，对于那些必须努力真正实现“人工智能优先”的传统公司来说，挑战在于他们大多关注的是“我们如何利用现有的技术做什么？”而且他们也在平衡一个事实，那就是他们的组织有其自身的工作方式。我认为真正能取得突破的只是少数几家。

今天，我们并没有完全不受限制地获取智能，但人工智能仍在不断改进。有些人确实期望人工智能的能力将继续呈指数级改进。因此，传统公司也需要以同样的方式思考，更具变革性。如果我能无限地获取智能，我会如何以一种我今天没有既有概念的方式来经营我的业务呢？

诀窍在于，如果你应用了那个框架，它的表面区域会非常不均匀。在编码方面，你真的，使用仅在八个月前推出的四元代码（quad code），它已经是年收入15亿美元的产品，而且拥有近1500万开发人员。但你会遇到一些问题，在这些问题中，人工智能确实可以完成绝大部分工作，并准备好交付生产级别的代码，这在24个月前是闻所未闻的。

所以你可能会在那里取得真正的成功，但你可能不会让人工智能去做你业务中其他高度管制的方面的工作，比如尝试创建财务报表。但关键是，那些真正培养出这种思维模式的公司——我认为这来自于那些有远见的管理层、首席执行官或创始人驱动业务的公司——对一个组织来说，进行这种改变是非常困难的，你会得到参差不齐的结果。但我认为现在正在进行这种思维转变的公司，将是在人工智能原生世界中真正有机会生存和发展的公司。

中国视角与高运营杠杆

主持人: 听起来不错。而且予彤，要求你代表一个国家，特别是像中国这样一个大国，这是非常不公平的。但请帮助我们理解，在中国，这些自人工智能模型问世以来诞生的初创公司，与一些老牌公司、一些科技巨头之间，相互作用是如何发展的。你看到了什么？

张予彤: 我认为对于组织而言，一种方法就像拉维所说的那样，是自上而下的，管理层需要具备人工智能原生思维。但我们看到的另一个有趣的视角是“携带你自己的AI去工作”。

所以我们实际上有一个面向消费者的应用程序，在全球拥有数以千万计的用户。我们实际上观察到，我们对用户进行了研究和访谈。很多人在工作中使用人工智能，并且他们愿意自掏腰包付费。所以我想意味着人工智能可以真正提高我们今天所做的许多工作的生产力。我认为那将非常有趣。

但从组织层面来看，我认为有几件事情可能很有趣。我想其中之一是人与智能体（Agent）的比例。现在的公司，所有的初创公司都非常非常小。我们有大约300人，但我们正在构建模型，构建应用程序。我们看到有些公司，如果他们纯粹只是构建人工智能应用程序，他们的人员不到10个，但他们在运营层面有数百个智能体（agents）帮助他们处理很多事情。所以我认为现在人工智能为所有公司提供了非常高的运营杠杆。

竞争的新维度：从资产到合规

主持人: 我的确认为，这是我在达沃斯开始听到并将贯穿全年的讨论之一，那就是竞争不再是你和你的现有竞争对手——如果你是一个现有的初创公司或现有公司——而是你对抗一个从零开始、没有任何工作流程、没有任何遗留流程的公司，后者会说“我能做到这一点”。

当然，既得利益者（现有公司）也不是带着毫无资产的状态来应对的，我不认为是这样，但是……你能谈谈吗？无论谁想先说都可以，但我很好奇……显然，任何超过一个人的公司都有人与人之间的工作流程。你如何将此转化为一种资产？你如何在组织内部使用人工智能，同时仍然认识到必须由人类来吸收这种变化？我很好奇，是否有人能举出自己公司的例子，说明你们是如何利用人工智能的，同时认识到这一事实的。我不认为这里任何一家公司的智能体数量多于员工，或者至少不是员工数量少于智能体。

皮普尔·辛哈: 类似人工智能采用的难点在于，我们听说了“将你自己的AI带到工作场所”的做法，但尤其是在美国公司，合规性和治理实际上限制了你可以向你想带到工作中的AI输入多少数据。因此，我们所做的就是创建了一个合规性基础设施，说明这是一组允许引入的数据集和一组经过认证的模型进行交互。

然后在此基础上，我们实际上正在应用于编码、法律、营销、客户支持。因此，每个职能都在该类别内运行。我们在客户群中看到的总体最大困难是，他们进行了大量的试点项目并且喜欢这些试点项目的结果，但要从试点转向生产，他们最大的担忧是合规风险。然后首席风险官、首席安全官会介入并询问：我如何确保这些代理在它们的护栏之内？它们是否在产生幻觉？它们是否被国家行为者威胁所侵入？

主持人: 而且我认为，这正是那些可能因遗留系统而步伐放缓但已经了解这些情况的老牌公司，与那些通过快速编码做出了惊人演示 but 突然想进入一个必须满足合规性的行业的单人初创公司之间产生张力的地方。那么反面就是，对于那些由人工智能原生驱动的公司来说，它们可能只有八个人，但却有800个代理，却必须遵守一套规则和法律，这些公司面临着哪些挑战。

理查德·索克: 我们的代理数量绝对比你公司（you.com）内部的人还要多。我认为，对于那些希望拥抱人工智能的公司来说，最大的挑战之一是他们通常还没有形成基准测试或评估集的思维定势。我认为这是一个巨大的鸿沟。

如果你的公司能够确定什么是输入，以及你将什么归类为正确的输出，并创建了一个集合，而不仅仅是，“我试过了，我试了这三件事它奏效了，或者我试了这四件事它没奏效，所以我不想要用那个工具”。你必须把它变成一个有原则的、更具科学性的流程。如果你有那个基准测试，我们喜欢与那些公司合作，因为那时我们就能赢，因为我们拥有最好的模型、答案、准确性，还有引用等等。但是，那里绝大多数的公司还没有考虑过如何对他们的人工智能模型和代理进行基准测试和创建科学的评估方法。

重塑工作流：第一性原理与信任

主持人: 珍妮丝，就你而言，你显然是一家人工智能原生公司，因为你是为了这项使命而诞生、为这项使命而存在的，但同时也存在了足够长的时间，我猜想也有一些人在其中参与其中。谈谈您如何看待您自己公司以及您的客户群，即这将是拥有大量员工的传统公司与那些白手起家的初创公司相结合的局面。

雅尼斯·安特诺格鲁: 也许我先从头开始说起，回到我们之前关于在我看来什么是“人工智能优先”的对话。而“人工智能优先”的理念就是审视你现有的工作流程以及你已经完成的事情，然后从第一性原理出发重新思考它们，要知道人工智能是存在的，并且会变得越来越好。

当然，新的工作流程中会有“人在回路中”（human in the loop），不会仅仅是人工智能。你需要非常谨慎地设计和构建系统，这样你就能最大限度地利用你的员工，并确保人力劳动实际上被用在了必要和最高效的地方。所以，至少在接下来的几年内，在可预见的未来，我没有看到人类完全退出这个领域的世界。我认为这将是人类和人工智能紧密合作的结合，以提高生产力并确保一切就位。

所以，不，现在从传统行业的角度来看，我认为他们对他们需要解决的问题以及他们需要解决的挑战，尤其是在合规性、客户和行业方面，拥有大量的专业知识，但他们并不完全理解人工智能。这就是为什么与拥有深度人工智能理解以及人工智能能力的像人工智能公司这样的其他公司合作非常重要。以便能够产生这种协同效应，也就是将行业经验和人工智能经验结合起来，共同合作，以重新思考和重新设计工作流程，使其适应人工智能时代。

主持人: 拉维（Ravi），你显然在投资公司。我很好奇，从一个初创公司首席执行官那里，你会如何看待他们对人工智能的依赖程度与对人员的依赖程度之间的比例？你希望听到什么？

拉维·马特雷: 如果我能回到一件事，我真的很想知道雅努斯（Janus）的看法，但人们提到了这一点，那就是今天，大型企业的商业领袖，他们并不是人工智能优先的公司。他们确实如此，即使他们试图想象获取无限智能可以为他们的业务带来怎样的变革，但这种对信任和安全的需要，已经演变成一种合规性思维模式，这实际上减缓了人工智能在他们业务中的采用和使用。

我们需要的实际上，我相信，是一套技术和一个允许人工智能安全可信的思维模式。因为信任，如果人工智能中嵌入了基于信任的技术，那么我认为这些更传统的企业和商业领袖就可以采取积极参与的态度，他们会说，当我的规模扩大时，我知道安全性会内在其中。因此，我就可以快速行动，而不是考虑当我引入这项新技术时，我该如何放慢速度或我为什么应该更保守？

我只是好奇，我认为，你暗示了目前是评估以及传统企业的商业领袖，他们在公司内部没有能力或专业知识来制定复杂的评估。因此，我们认为，至少在以民主为基础的人工智能社会中，采用的关键加速器之一，必须是将基于信任的技术在模型内部或与模型并行的位置进行产品化。我只是，约尼斯实际上正在构建前沿级别的开源推理模型。这些公司总部位于美国，但您如何看待基于信任的技术，当这些系统扩散到世界和商业中时，这将允许它们以一种良性的方式被使用？

雅尼斯·安特诺格鲁: 这确实是一个很好的问题，因为我认为这是人工智能采用中的一个主要障碍，比如，你如何建立信任，以及你如何确保你所认为的人工智能正在做的事情，就是它实际正在做的事情。实际上，这归结为拥有更好的技术。

就像2022年ChatGPT刚出现时，我认为当时所有的错误信息泛滥，每个人都对他们在ChatGPT上看到的任何内容持非常怀疑的态度，他们会去核实一下，而且在大多数情况下，它实际上是错误的。但是，现在，在大多数情况下，当你只是在ChatGPT上阅读一些内容时，你会相信它。你会觉得，它可能是对的，因为你实际上已经核实了好几次了。

随着时间的推移，它实际上赢得了你的信任。你一次又一次地看到了它的正确性。随着时间的推移，你实际上与人工智能建立起了这种信任。我认为人工智能不是一个短期内就能解决的问题，而是我们在不久的将来会在不同方面吸引大量关注的东西。然后我们会像这样，开始与像人工智能系统这样的事物发展信任关系。我们就会像这样，开始信任它们。或者即使在计算机刚出现的时候，人们也不信任它们，但现在每个人都相信计算机就像会做你告诉它们要做的事情一样。

技术基础设施与可追溯性

主持人: 所以我只是想问你，在中国，情况是否有所不同？或者对于企业使用人工智能而言，这是一种相当相似的信任观念和对信任的需求吗？

张予彤: 我认为信任实际上可以通过技术来促成，而信任也是用户的感知。当我们第一次推出这个应用程序时，我们连接了搜索工具，而且，我们展示了所有的引文、所有的参考资料，就是人工智能从网络、从文件获取信息的具体句子。这种互动层面实际上有助于人们对技术产生更多的信任感。

而且，我认为，某种程度上的可追溯性是另一个因素。以前人工智能就像一个黑匣子，它们给你一个复杂计算得出的数字，你不知道这个数字是从哪里来的。但现在通过所有的推理步骤，我们可以看到人工智能如何使用工具、收集信息，最终综合出答案的整个轨迹。

所以我觉得这绝对非常重要。人工智能不能只是提供直接的答案，它必须把所有的思考过程、所有的工具、所有的数据来源都拆解开来。所以我想在那方面需要构建大量的基础设施，让人们觉得，好的，他们可以信任这项技术，不仅是执行，还包括很多关于如何运营业务的决策。或者，他们真的可以让大型语言模型（LRM）来决定很多事情。如果人们能够定义“好”的标准是什么，汇集所有专家的意见，作为评估标准，然后我们就可以真正构建一个由大型语言模型（LOM）驱动的可扩展决策系统。

主持人: 人们，我很好奇，像你，以及其他人可能对此有何想法，在其他人发言后请随时加入，但是，你正在建立一家企业，以帮助其他公司，为这个人工智能世界进行构建。我今天很好奇，而且我预想这会发生变化，你们在多大程度上考虑帮助大型成熟企业，以及你们有多少想法转向，我如何确保我能成为那一代几家初创公司的好伙伴？今天的精力集中在哪里，你对后者考虑了多少？

皮普尔·辛哈: 对于更大的公司而言，我们正在讨论的问题是信任，这也是我们关注的重点。我们正在帮助他们采用一种生成式工作流程。我们理解的是，许多这些组织都有文档，其中说明了哪些是允许做的，哪些是不允许做的。但他们很难将这些转化为一套能让您的智能体和模型执行的规则，因为它们是概率系统，而这些规则是固定的。

因此，我们正在与客户合作的是，我们能否采用这套规则，训练一个模型，使其成为您智能体工作的判断模型？这样您就可以用另一个基于您自己规则集的LLM来判断一个LLM，这与您刚才描述的类似。因此，您不必创建规则。让神经驱动规则。这样LLM就可以判断LLM，然后您对这些结果的准确性更有信心。

所以，这些是我们的客户希望发展的方向。他们不想从事将他们的业务规则转化为阻止代理的业务。他们希望赋能代理，但他们希望以一种让他们拥有更高信心的方式来赋能代理。在幻觉率、第三方网络攻击和攻击面方面更大。所以这些就是我们正在解决的问题。

人工智能吞噬软件：未来的无形化趋势

主持人: 所以听起来你仍然将你的业务视为帮助大公司采用人工智能。我很好奇，也许理查德，你对这需要如何随着时间的推移而转变，以便初创公司也在思考，我如何帮助这些新一代公司？因为我猜想，当我们一两年后坐在这里时，这个小组中的某个人将运营一家估值达到十亿美元或更高的公司，尽管如今这似乎不算什么。那是一家种子前初创公司。但是，只有少数几个人拥有的、具有相当可观估值的公司，他们将是你们的一些客户。理查德，你对此有何看法？

理查德·索克: 总的来说，当然，每个人都喜欢规模，大客户可以带来规模，但大客户的采购流程也长得多，而对于一家小型初创公司来说，处理这些事情很困难。所以这是一种权衡。你拥有的初创公司越小，你的发展速度就越快。然后你可以希望其中一些初创公司能够真正实现规模化并持续增长。

然后说到信任，这对我们来说确实非常重要。事实上，在 2022 年，我们申请了专利，并交付了搜索引擎与大型语言模型（LM）的首次连接，这样你实际上就有了引用。我认为引用现在显然已经无处不在了，它们是随着时间的推移建立信任的一种方式。这又回到了授权能力，做好授权的一部分是知道何时信任，何时需要“信任但要验证”，然后随着时间的推移来建立这种能力。

主持人: 但总的来说，我的直觉是，20 年后最大的公司将是那些现在起步并且是人工智能原生的公司。Yutong，你一开始提到，你们的一些客户实际上是个人，他们引入你的聊天机器人来帮助他们更好地完成工作，无论他们的雇主是否是人工智能优先型。你如何看待当今聊天机器人的客户是谁，以及未来客户的构成？

张予彤: 是的。所以我认为一个非常重要的变化是，我没有看到软件会消失，但我认为软件将变得无形。所以我想现在的情况是，如果我们想创建一个Word文档，或者我们需要记住所有用于Excel的公式，或者，创建一个非常漂亮、易于展示的PowerPoint幻灯片，人们直接使用图形用户界面（GUI），点击数百个按钮，记住所有的公式。

但我认为在未来，人类肯定将只使用自然语言，通过智能代理来获取所有工具和所有软件的所有能力。我认为人工智能可以帮助我们使用、访问所有软件。我认为这就是它将如何改变许多公司的工作方式。人们可以利用人工智能作为一种超能力来帮助他们的工作。

主持人: 有人本周说，我很抱歉，我在盗用别人的智慧，但最近有一个著名的说法，即软件正在吞噬世界，而人工智能正在吞噬软件。这是你的看法吗？

张予彤: 我只是认为这更像是用户界面和用户体验的转变，因为我们依赖于大量的点击和按键对于先前的交互，但我认为未来的交互将更加自然，只要人们能够描述他们的意图，他们就知道如何使用人工智能，然后人工智能可以帮助他们获取现有软件提供的所有功能，如果没有现有的软件，人工智能可以利用其编码能力来编写个性化的工具或软件来帮助交付最终结果。我认为这绝对是不同之处所在。

拉维·马特雷: 我百分之百同意你的看法，汤。这部分与一个事实相关，即人们没有意识到人工智能或智能能力的提升确实是呈指数级曲线的。在去年，平均而言，推理的每令牌成本平均下降了100倍。在许多用例中，下降了1000倍。因此，当这种情况发生时，仅仅是智能就能够基本上使软件变得可消耗。

即它可以像在四海岸案例中那样，以鲁棒性的方式进行“氛围编码”（vibe-coded），并且它大部分时间都是生产就绪的。仅仅是，有人可以想象任何你想通过软件自动化的任务，并利用智能来实现它。如果我们正处于这样一个指数曲线上，即智能在给定成本和参数下可以展现出多大的能力，我认为你将看到软件变得无形，而智能将成为人们表达他们希望后台自动化完成任务的新型“语言”，它将是一种持续的流动。

主持人: 如果我们把这作为假设，有人想挑战我们正朝着这个方向发展的假设吗？

理查德·索克: 我的直觉是，将会有一些软件，你真的希望它做得非常好，而且它是一个非常常见的用例，比如Instagram或类似的东西，你可以自己搭建一个Instagram，但你没有其背后的网络支持，你没有用户贡献他们的内容和相关东西。但我同意，比如，尤其是在企业环境中，如果你巧妙地做到这一点，并且拥有所有复杂的权限设置和报告等等，如果你能实现自动化，然后在其上进行创新，那将会非常强大。

拉维·马特雷: 我认为这将扩展应用场景，扩展到那些原本软件不会被构建、并且存在更多手动流程和工作流的地方。那很可能会消失。而且，再说一次，由于这种变化的速度是……我认为智能能力的指数级提升，将令人们感到惊讶。但我同意你的看法，在用户数量非常多、因此设计的美观度和完成度以及某些鲁棒性方面需要仔细考量的应用场景中，这在更长一段时间内，或许最终在极限情况下，也可以被自动化。这将是利用人工智能来增强工作流程的工程人员，但也需要进行一些设计工作。

智能体编排与递归自我改进

主持人: 如果我们把这视为我们前进的方向，那么从实现方式上我们遗漏了什么？例如，我认为我们低估了人工智能的一点是，人类适应它的速度会有多快。如果我们假设起点是我们将处于一个企业将创建这些只需完成必要工作而无需创建另一款软件的层级的世界，我们可能遗漏了什么？在我们全速前进之前，我们还必须关注什么？我们要做什么，还有哪些工作需要完成？

皮普尔·辛哈: 在我看来，智能体编排是一个将非常重要的领域。因为如果你想想我们在过去15到20年里为实现数字化转型而构建的所有企业自动化软件，这个新的智能体编排层将利用这些软件。只是人类将不会参与这个过程。随着时间的推移，它会越来越深入，使工作流引擎彻底变得毫无用处。

所以最终你将拥有数据结构，然后你将拥有智能体编排。因此，尚未被充分理解或尚未受到关注的是这个智能体编排层，它接收你的输入，即你想要完成什么，然后如何创建和编排这些智能体？在我看来，如果你快进10年、15年，你将拥有数据、一个智能体编排器，它可以为你创建你需要的任何类型的工作流，无论你是想接受客户的业务订单，还是想为你的客户或潜在客户运行营销活动，或者你想支持你的客户。它将为你动态生成该工作流，运行该工作流，创建结果，给你最终结果，并告诉你发生了什么。但这一个过程是一个编排过程。

理查德·索克: 我会说可能有两件事。一是，现在，人工智能正在越来越多地从最初为人类构建的基础设施中转移出来，而现在人工智能开始越来越多地使用它。我们已经看到了这一点，比如图形处理器（GPU），最初是供人们玩游戏使用的，而我们正在训练它们。现在我们正在构建专为人工智能设计的全新硬件。我们认为这是您向上堆栈移动的过程。就像以前许多人工智能模型使用谷歌作为其搜索引擎或搜索结果页面（SERP）API等一样。现在它们实际上正在转型，我们正在构建一个实际的搜索引擎，专门用于大型语言模型（LM），供它们进行搜索并总结所有内容。

我认为我们大大忽略和没有考虑的另一件事是下一层次可能是什么。我从历史上可以想象的方式是，想象一下IBM的“沃森”团队刚刚赢得《危险边缘》（Jeopardy）时的情景。每个人都在互相击掌庆祝，你会说，辛苦了负责地理问题的团队，辛苦了负责音乐问题和名人问题等的团队。但顺便说一句，你们800人将成为一个单一的神经网络，因为我们现在可以学习所有这些知识，并用一个学习到的系统取代一个手动系统。

目前，构建模型的系统实际上是手动完成的。那些非常聪明的人，有时你需要花5000万美元请他们，他们正在手动构建关于如何在新模型创建时奏效的直觉，然后合并一个新模型需要数月时间，接着你就得到了GPD 5.3或类似的东西。这部分本身也可以实现自动化，那将是一种递归的自我改进。这些模型会自行变得更好。

主持人: 完全正确。珍妮丝，你认为哪些事情因为我们目前不是AI原生而尚不是问题，但当我们成为AI原生时，会成为问题或挑战？

雅尼斯·安特诺格鲁: 实际上，我只是想回到智能体注册（agent-registration）这个问题上。我认为这不只是一个智能体注册的问题，而更多是多智能体（multi-agent）的问题。当你有一个系统，其中既有人类也有许多智能体彼此互动时，以及这些系统的动态特性是什么。这不是一个被充分理解的系统。我们对此几乎没有任何科学依据。我们不知道如何优化这些模型，使其在多智能体系统中运行得更好。这方面有一些初步的研究，但还不够成熟。我认为，随着像代理（agent）和拥有许多代理相互作用的系统的激增，这将成为一个更紧迫的问题。

明年的常识：长效代理与强化学习

主持人: 那么最后一个问题，对你们每个人来说，有什么是今天听起来有点激进，但你们认为到今年年底就会显而易见的？到明年达沃斯会议时，这听起来像是今天很棒的预测，但你认为到我们明年再次会面时，它将成为常识性的智慧。

张予彤: 人工智能将创造出最好的人工智能，而不是人类。我认为这是一个非常长的代理期。我认为在拥有一个可用、可扩展的人工智能系统之前，人工智能需要拥有像人类一样非常长的代理期。比如，我正和我的团队一起工作。我们每周都有一次会议，我们设定目标，讨论大概的任务，然后他们就自己独立去自主工作，然后我们可以下周再见面看看结果。所以我认为非常长的代理期可能会实现。

拉维·马特雷: 还有其他想法吗？我想我们将首先看到的是关于，智能能力的前沿，即某种更持续学习的能力。它可能不完美，但模型能够根据它们与环境的交互方式进行调整，然后对其核心知识进行某种更新。

皮普尔·辛哈: 对于企业而言，强化学习目前没有被正确理解。许多企业的挑战在于没有通用的员工。每个人都为企业执行特定的任务，这就是为该企业定义的业务流程。尚未被充分理解的是，强化学习将如何获取企业的特定工作流程并进行强化学习，以使通用模型适用于企业，而我们将在明年看到这是重大进展。今天有点理论化，但这将加速人工智能在企业中的采用。

雅尼斯·安特诺格鲁: 我想我同意你的观点，真正的长效代理（或长期能动性）将成为常态。

主持人: 我希望明年我们有机会讨论所有这些内容。我相信那将是变革巨大的一年。非常感谢亚尼斯、比波尔、理查德、予彤和拉维，进行了一次精彩的讨论。