Kimi总裁张予彤北大实录：我们想要有抽象能力和偏执的人｜甲子光年

Kimi人才观：Build Your Own Job（创造属于你的岗位）。

作者｜王博

5月12日晚，北京大学光华管理学院2号楼102报告厅，比预想中更早进入了“满员”状态。

因为月之暗面Kimi总裁张予彤将在这里进行一场主题分享，并和北京大学光华管理学院院长、北京大学博雅特聘教授田轩进行一场对话。

可以容纳两三百人的报告厅，在活动开始前20分钟坐满，后来，过道和楼梯上也坐满了人。

活动现场

没能挤进报告厅的人，被分流到旁边几个教室，通过直播观看这场分享和对话。

分会场

热度并不难理解。

张予彤并不频繁出现在公开场合，也很少接受媒体采访。此前，她本人因与投资人朱啸虎之间的争议而被推到风口浪尖，而在过去一段时间，Kimi因为模型进展、开源策略、商业化想象力等因素也持续处在AI行业的聚光灯下。

相比产品发布和行业传闻，外界更少有机会直接听到这家公司核心管理者如何理解AI、组织和人才。

张予彤这次分享的主题是《AI时代的边界探索与人才机遇》。从形式上看，这更像是一场面向学生的招聘分享。她讲了月之暗面对智能的基本判断：智能正在从一种由人类提供的认知能力，变成一种可以被能源大规模转化出来的商品；她也介绍了Kimi K2.6、Agent Swarms（智能体集群），以及MuonClip、Kimi Linear、注意力残差等Kimi的开源项目，她解释了AI编程能力如何成为生产力提升的起点，并在演讲最后抛出了一个观点：Build Your Own Job（创造属于你的岗位）。

在她看来，AI时代的人才标准正在变化：相比专业能力，通用能力更重要；相比按部就班的串行执行，并行工作与工程化思维更重要；相比追随共识带来的安全感，能够提出原创判断的审美更重要。

这也对应了她现场PPT上的三组关键词：Generalization＞Specialization，Parallelism＞Sequence，Taste＞Consensus。

张予彤谈Build Your Own Job

在一个很多问题尚未被定义、工作流程尚未成熟的AI原生组织里，什么样的人才是真正稀缺的？

在与田轩的对话中，张予彤谈到，Kimi偏好“有抽象能力”和“有些偏执”“会疯狂做事”的人。

相比简短的主题分享，这场主题为《AI时代的商业创新与人才战略——面向未来的展望》的对话信息量更大。「甲子光年」发现，双方的对话更像是一次对月之暗面内部组织方式和张予彤个人判断的“侧面打开”：AI能帮助我们创造什么新的工作？如何驾驭AI？AI会不会替代企业家？AI原生企业的特质？Kimi内部管理方式？职级职位如何划分？

这些回答未必都是系统化的行业论断，但提供了一个难得的观察窗口：月之暗面这样一家约300人的AI原生公司，如何在技术快速迭代、组织边界模糊、岗位定义不断变化的环境中，重新理解人、工作与管理。

以下为北京大学光华管理学院院长、北京大学博雅特聘教授田轩与月之暗面Kimi总裁张予彤的对话实录，经「甲子光年」整理编辑，在不改变原意的基础上略有删改。

田轩（图左）与张予彤（图右）

田轩：欢迎予彤到北大光华管理学院交流，Kimi确实是一家发展非常快的AI公司。我刚才和予彤交流，发现世界很小。我们都是北京人，上的中学也离得很近。

张予彤：田院长的学校好一些。

田轩：予彤高中是北京八中的，而我是北师大附属实验中学的，中间也就隔了几百米，她考到了清华，我考到了北大。我现在感觉时代变化太快，现在AI已经替代了一些重复、标准、执行的工作。所以第一个问题想请予彤告诉我们：AI能帮我们创造什么新的工作？

张予彤：每一次生产力提升，其实都是让我们从原有工作走向新的工作。就像农业革命之后，很多人不用再种地了，他们进入城市，城市里出现了服务业等新的工作类型。

先看我们企业自身的话，已经出现了很多新工作。比如我们公司有同学给模型训练创造合成数据，他们每个人都自称是“模型的爸妈”，因为他们觉得自己在喂养一个持续生长的智能。

再比如模型评估师。他们需要评估模型生产的内容、答案，或者一系列行动和结果是不是好的。所谓“好”，背后仍然是人类价值观。他们是在不断把人类价值观和模型结果做对齐、做评估。这只是我们这样一个很小的企业能看到的新职业。

对更广泛的人群来说，很多人可能会成为超级个体，也就是今天说的“一人公司”。工作本身是做我们热爱的事情，让它产生更高生产力和更高经济价值。很多事情未来可能由一个人全栈完成，不再依赖一个很大的团队。AI改变的是生产的组织方式，也会让更多人更勇敢地追求自己想做的事情。所以一定会出现很多新工作。

田轩：AI会创造很多新工作。我们作为商学院、作为教育者，最关心也一直在思考的是：我们怎么培养学生、设计课程，跟上AI时代？你能从企业方、用工方的角度，给我们一些建议吗？如何满足AI时代雇主的要求？

张予彤：我觉得现在大学里的同学真的非常幸福。相比我们当时上学，需要花很多时间查资料、查论文、完成复杂项目，今天大家的学习能力和研究能力都被AI大大增强了。

大家要更多地用AI，真正成为AI的深度用户，成为Power User，能够感知每个模型的区别、每一代模型的区别，知道它的能力边界在哪里，知道什么事情它今天还不能做，什么事情它今天已经可能比我们做得更好，以及哪些事情需要你和模型一起共创。

接下来会进入一个Agent-Human Collaboration（智能体与人协作）阶段。我现在已经很难想象，自己的哪项工作不能用AI。就像我们今天已经无法想象没有电脑如何工作、没有手机如何工作、没有常用软件如何工作。工具是在延伸我们的能力，它不是简单的相互替代关系。工具会替代它可以替代的那一部分。

我们的工作中可替代的部分很多，比如重复执行、大量信息处理、计算、编程，还有一部分设计执行。这些部分工作被替代，不代表整个工作被替代。相反，它会让我们有更多时间去做更重要的工作。

也有人提到，现在真正的瓶颈在于验证AI产生的结果。比如产生几百万行代码，对AI来说可能很容易；但对人类来说，消化、理解这些代码，判断不同代码之间的逻辑关系有没有问题，反而是更大的工作量。所以今天我们仍在重新定义自己的工作，也在重新定义如何评估和验证AI的工作质量。这些都会成为重要能力。

田轩：所以你的建议是，我们这样的商学院在课程设计和培养体系里，要让学生知道怎么运用AI、怎么驾驭AI，对吧？

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。现在也很流行讲Harness，本质也是这种驾驭的感觉。不管是工程和模型的关系，还是人和Agent的关系，未来都会是相互协作。

我们要用更开放的心态去探索。AI已经发生了，我相信长期来看它一定对我们有益。短期大家会有各种担心，比如安全性、性能问题等，这些都存在，但长期它一定是好的。

另外，一定要亲自上手。越多动手，越会形成新的认知。很多理解不是只靠听别人的观点或观察形成的，而是在一次次动手过程中形成的。

田轩：我再换一个角度。假如我是一个刚进北大的本科一年级学生，我知道未来时代跟父辈完全不同。以前把题做好、考试考好，有好的GPA，出国或者找工作，好像就没问题。但现在AI带来很多变化，我未来要在北大待四年，应该做什么，才能更好面对AI带来的挑战和未来的不确定性？

张予彤：可以从大一就来我们这里实习，开个玩笑。

我觉得大学期间，个人收获很多来自和同学的相处。学校提供了一个非常好的环境，最宝贵的可能是一些能持续一生的关系。所以第一点，还是要多和人交流，和人建立深度连接。这个不会变。

第二点是，在做任何事情时，都可以想一下：如果今天是 AI 来做，它会怎么做？除了人与人的共情，未来可能还会有人和Agent的共情。

从模型视角看问题，会很不一样。比如从人的视角看，今天已经有很好的基础设施：聊天、开会、支付、验证身份、授权数据，都很成熟。但如果从模型角度看，它可能会觉得这些不一定是它需要的东西。今天很多基础设施是为人构建的，还没有完全为Agent构建。

所以，怎样更好地做人和Agent的分工，怎样从这个视角重新思考事情应该怎么做，我觉得会有很大收获。

田轩：今天现场有本科生，也有很多MBA、EMBA同学，他们很多已经是企业管理者。在AI时代，他们需要做什么、能做什么，才能成为不被AI替代的管理者？

张予彤：我觉得AI替代在座的各位成功企业家是一件很难的事情。

田轩：不用客气，我觉得好像也不是那么难。

张予彤：我有一个非常实用的tip：给公司里的每个人增加token预算。让每个人实现token自由，能够充分探索如何把AI用起来。

如果组织里大家总是从“AI会不会替代我的工作”这个角度出发，形成某种对抗和阻力，其实不利于任何事情的发展。但如果每个人都有足够的token预算，就可以真正思考怎么把AI用到自己的工作里，比如哪些是用于扩张，哪些是用于增强生产能力。

以前程序员群体里有一个说法叫“十倍程序员”，意思是一个非常强的程序员生产效率可以一当十。今天AI的代码生成能力，可能让更多人有机会成为“十倍程序员”。但在编程过程中，架构能力、思考能力，以及不断验证、纠错的能力，今天AI还做得不够好。

当企业给大家充足的token预算，大家也会开始思考自己的工作会发生什么变化。这会变成一种更自发、向上的推动。

田轩：我看到Kimi有一个“穿越计划”（Kimi的一项新的顶尖人才校招计划）。你们招人时不看学历、不看专业，这和我们的传统认知有很大差异。我们那时候高考都要选热门专业，你们现在不看专业、不看学历，那你们到底看什么？

张予彤：我觉得人很难被标签化。学校和专业是一种标签。今天在座的很多都是北大非常优秀的学生，但每个人的特质、热情、喜欢做的事情、不喜欢做的事情，都有很大区别。

我们强调Build Your Own Job，并不是说我已经想好了一个工作，然后去找什么样的人来做。当然也有这种场景，但很多时候，我们会看这个人的特质最适合做什么。

第一，我们会看一些抽象能力。比如这个人能不能提出真正好的、原创的、创新的想法。这种创新能力很难被评估，但在交流过程中，我们会看他最近关注什么话题，看他对每个问题有没有比较本质的思考，会不会提出新的想法，而且这个新的想法是不是好的想法。提出好的想法其实很难，即使在我们公司里，大家每年能提出的好想法也是有限的。

第二，我们会看有些偏执、会疯狂做事的人。因为光有好的想法还不够，AI引入了非常多不确定性，比如要做出一个产品，往往需要很长的不确定、大量实验和迭代过程。

在这个过程中，一个人需要疯狂地想各种办法解决问题，也需要很强的resilience（韧性）。在探索和研究过程中，可能人会感到frustrate（挫败）。你有一个很好的想法，会不会为它尝试1000次？绝大部分人可能尝试10次就觉得这件事不能做。很多时候这可能是对的，但也有极少数人会更相信自己的想法，并且在尝试中形成新的认知。

现在有很多设计是在制造中完成的，而不是制造之前就已经想好。只有在所有技术都确定的情况下，生产过程才会先设计后制造。但现在生产过程引入了非常多不确定性。所以除了能提出好想法，还要有能够疯狂实验和探索的人。

这两类人在我们的业务中都产生了非常大的贡献。

田轩：我追问一下，你怎么识别这两类人？

张予彤：第一个还是从交流中看。他平时看什么信息，最近在想什么问题。比如我会问：你最近关注什么AI产品？最近行业里哪一个变化最超出你的意料？这些问题可以看到一个人的注意力放在哪里，他在思考什么问题。如果他告诉你的东西，你觉得“这是2025年的认知了”，那可能说明他吸收的信息量没有那么大，兴趣也不在这里。所以，我们会看他有没有更原创性的想法。

第二，执行层面我觉得更好验证。我们也有AI面试系统，在这些题里，大家需要不断尝试。我们会看他怎么迭代，是不是有不同的迭代思路，迭代了多少次，以及什么时间还在迭代。这里面有很多信号，也可以通过一些自动化系统去做筛选。

田轩：还有一个关于企业的问题。现在有一个新概念叫“AI原生企业”，月之暗面其实就是“AI原生企业”，它的特质是什么？如果我是一个传统企业，怎么向AI原生企业靠近？

张予彤：这个问题很有意思。我现在看到，阻力往往不是认知。在中国，我见到非常多企业家，他们都很努力，也有非常多关于怎么使用AI、怎么拥抱AI的想法。其实很多企业的一号位都非常关注AI，也有很大动力把AI应用到企业各个方向。

我关注到的阻力，更多来自组织。很多事情已经定义了边界、合作方式，以及在合作中如何进行激励。

“AI原生企业”最大的好处是，它是一个新的企业，可以按照新的生产模式重新定义组织结构。比如我们公司里大家是没有title的。

田轩：没有title？你不是总裁么？

张予彤：（笑）我觉得我也可以改一改。其实，我们所有人的title都可以统一叫staff。

田轩：那你们怎么区分谁向谁汇报，链条是什么样子？

张予彤：我们的组织层级非常扁平。比如也有直接和我一起工作的实习生。我们公司一共300人，任何人到组织内另一个人，基本就是一层、两层关系。人数相对少，组织也相对扁平，大家之间的边界没有定义得非常清楚。

比如做预训练的同学也可以做后训练，做算法的同学也可以做数据，做营销的同学也可能转到模型评估。我们会发现，人的底层智能能力是相似、相通的，大家可以触类旁通，而不是被一个标签定义为“你就是做预训练的”。人的能力其实可以解决很多问题。

我觉得这是“AI原生组织”的特征。很多能力正在被AI赋能。比如编程，原来可能是3000万人的特权。今天，随着AI编程能力越来越强，这个边界会不断扩展。我相信未来每个人都会拥有编程能力，而这是一件以前从来没有发生过的事情。

现场还有一些观众进行了提问，以下为月之暗面Kimi总裁张予彤的回答，经「甲子光年」整理编辑，在不改变原意的基础上略有删改。

谈国产算力适配

张予彤：我们当时开源K2.6模型的时候，其实已经适配了华为昇腾芯片。过去两年，我们在训练上做了非常大的投入，很多算力都和模型研发相关。但从今年开始，我们发现，当模型能力到达一个智能临界点之后，会有非常多的需求被开启，所以推理算力的需求也在爆发。所以我觉得接下来算力的增长，在训练侧、推理侧都会有。华为肯定是做得非常优秀的一家企业。

谈有效且负责地使用AI

张予彤：其实可以想象一下，当人遇到一个无法辨别的信息时会怎么办。比如你看到一个信息，无法判断它是真是假，你可能会去搜索，看看它到底是不是真的；也可能会找一些你认为更可信的信息源；或者你会去问你觉得非常专业的朋友，甚至问多个朋友，看他们的判断是否一致。

这些方法，其实都可以赋能给AI。不管是通过Skill，还是通过一些Agentic loop的方式，让AI去复现这些过程。所以我觉得，可以把你能想到的验证方法交给AI：给它更多工具，给它更多Skill，让它更有能力交付你想要的结果。

谈学生如何实现“token自由”

张予彤：第一个是预算问题。其实你看Kimi的API也好，token定价也好，我们都考虑到了这个问题。因为现在是一个要让更多人更多使用AI的时间点，所以我们也很欢迎大家大量使用。我们每个月也会给很多用户提供一些免费的token额度。

第二，我觉得很多事情，只要你真的想学习，一定会找到很多方法。最好是有一个好的学习环境，有一些共同对某些话题感兴趣的同学或者小伙伴。大家平时可以更多交流经验，也可以一起完成一个更复杂的项目。在企业里面，我们也会给实习生很多token，也会给大家提供更好的学习环境。

第三，我觉得我们看重的不只是对AI的使用和熟悉，更重要的是AI原生的思考。比如，你能不能站在人的角度去共情，理解模型接下来会需要什么；也能不能站在模型的角度去想，怎样更好地和人协作。包括把人类已经探索出来的工作流、专业领域知识沉淀下来，这些也都是很好的事情。

谈AI时代年轻人的能力培养

张予彤：第一，可以多修一些你觉得“没什么用”的课。我觉得未来，知识的广泛程度很重要。你也可以为一件自己非常热爱的事情投入很多时间，把不同知识领域串联起来，甚至做迁移学习。我觉得这会涌现出一些新的智能。所以大家可以按照自己的兴趣选课。如果未来想去创业公司工作，我们其实不会看GPA。所以不用因为某门课太难就不敢选，更多要考虑的是，你是不是有兴趣去探索它。

第二，管理能力也很重要。这也是光华非常强的能力培养方向，未来的管理不只是管理人，也要管理Agent。管理Agent和管理人结合起来，会对管理提出很多新的问题。

谈AI模型被滥用和安全问题

张予彤：在模型发展的早期，大家可能更关注它的能力。但当能力提升到一定程度之后，就会出现如何更安全使用的问题。

我们每一代模型，当预研进入到一定阶段之后，也会邀请一些核心的上下游合作伙伴，以及少数非常核心、专业的用户，来共同帮我们测试模型。我们会看它在哪些能力上有缺陷，或者是否存在问题。

因为开发这么大的模型，是一个非常复杂的工程。有时候你会发现，上一版模型在某个问题上能力很好，但下一版模型突然这个能力就下降了。所以在迭代过程中，一方面我们会有很多看板和监控；另一方面，在预研最后阶段，我们也会引入更多伙伴做测试。

未来在使用过程中，仍然需要更多安全设计，更强的驾驭能力，但我觉得这和开源并不冲突。

我们和Anthropic最大的区别之一，是它的模型是闭源的，而我们的模型还是希望走开源路线。因为如果你认为模型有风险，那么它掌握在少数人手里，风险可能会更大。

谈中美AI模型差距

张予彤：我们在努力，这个问题确实是大家非常关注的。不过我觉得可以从另一个角度看。我一直觉得，智能不是同质化的，而是异质化的。

有些模型在编程领域能力非常强，有些在写作上非常强，有些可能在情商方面能力很强。所以模型会形成不同发展方向。就像我们在不同生产力任务中，也会使用不同工具。

今天在全世界范围内，能够做先进大模型开发的公司其实已经很少了，但它的下游应用领域又非常多。所以这不只是通用水平的追赶问题，而是模型如何更适合不同场景，以及如何做出差异化能力的问题。

我希望我们无论在开源，还是在这些能力方向上，都可以做到世界领先。我们在规模化过程中，不仅考虑规模化，也考虑如何有效率地规模化。

谈数字员工

张予彤：我觉得现在每个人其实都在打造自己的数字伙伴或者数字员工。比如我们公司有300人，但如果问我们公司里的Agent有多少，我都不知道是多少。我觉得这肯定是未来工作方式的一个趋势。我们也一定会在这个方向上提供更好的能力，更标准化的产品，以及更开放的产品。这个产品应该能够让大家去定制自己的能力。

谈行业共识和决策逻辑

张予彤：我觉得这个问题可能和每家公司、每个业务的特征有关。我很难直接定义什么是行业共识。

但对于我们在做什么、不做什么，我觉得是相对清晰的。比如Kimi这样的产品，我们会更加专注于生产力方向，专注于长程、复杂、高经济价值的任务。这里面也有很多我们没有做的事情，但这不代表它们不应该做，只是每个企业都会有自己的选择。比如我们没有做娱乐类产品，也没有做生活类产品。这些产品当然也有价值，但作为一个企业，很难有那么多资源去做所有事情。

至于怎么做正确决策，这个很难保证。我觉得有一些思考和决策机制可能会有帮助。

第一，一定程度的信息过滤很有帮助。今天的数字世界不缺信息，甚至是信息大爆炸，有各种各样的声音。你如何依据自己的业务和选择，去做信息过滤和筛选，这会帮助你做更好的决策。

第二，还是要在一线。我觉得这个很重要。很多时候，想法和落地之间有非常大的鸿沟。这也是为什么我们的组织架构非常扁平。因为所有一线工作，你都能沉浸在那个环境里，这对做出更正确的决策会有很大帮助。

我们的创始人在技术和研究领域有非常全球化、领先的技术视野，所以他的技术决策质量也非常高。

我觉得只能通过一些方法去优化，让自己更大概率做正确决策。

（封面图来源：《月之暗面》专辑封面，维基百科；文中配图来源：「甲子光年」拍摄）