对话精准学杨仁斌：“对创新公司而言，AI Native 不是选择，是生死。”

AI 时代最稀缺的能力，不是把事情做得更快，而是做正确的事情。

文丨祝颖丽

“对绝大多数企业而言，AI 效率红利就足够了，但对创新公司来说，哪怕代码 90% 是 AI 写的，也不是 AI Native”“线上企业，如果还在严重依赖文档和群聊协同，公司大概率不是 AI Native”……智能精准学创始人杨仁斌在 7 个多小时的访谈里，提出了大量像这样的反常识判断。

杨仁斌早期参与过阿里云 “飞天” 项目，后主导手机淘宝 “猜你喜欢” 的产品落地——这是阿里较早将 AI 技术大规模应用于消费产品的尝试之一。此后，他创办智能精准学，推出 AI Agent 形态的 “寒雪老师”，继续探索 AI 在具体场景中的产品化路径。

2024 年，阿里向智能精准学战略投资近 2 亿元，这是当时它在 AI 垂直应用领域最大的手笔之一。

精准学的产品 “寒雪老师” 是一个定价近七千元的AI家教，但这个此前没有任何知名度的新产品，2025 年上线 4 个月就在抖音卖出近亿元，年底单月过亿，一年增长十倍。

但 “如何在红海里做爆品” 并不是我们这次访谈的关键，对创业公司来说，更重要的命题是，能依靠什么持续复制这个增长结果。换句话说，对一家 AI 教育企业来说，一个人、一家公司，以及今天的孩子，如何在 AI 时代保持竞争力？以下是我们这次对话的主要内容。

AI Native 组织，才是创新型公司的活路

晚点：你们的产品去年双十一卖了 1 个亿，回头复盘你觉得算是已经验证了 PMF 吗？还有哪些东西没有被验证？

杨仁斌：如果跟我们对未来的判断 “每个学生都有一个自己专属的 AI 家教” 相比，这相当于马拉松只跑了 1000 米，一切皆有变数。

但一个全新的品类，在大品牌竞争最激烈的赛场上，这个体量本身验证了用户需求和产品匹配，给了我们莫大的信心。

我们深深地感受到，这是一个你把产品做多好，增长就多快的市场。不过，相比一年后寒雪可能的样子，现在的产品在我心目中不够好，所以，我今年最重要的工作还是产品和组织的创新。

晚点：对 AI 应用来说，PMF 其实本身挺难找的，一旦被验证，大公司就会很快追上来。从竞争的维度看，作为一个创业公司，你觉得你们现在有建立什么壁垒吗？

杨仁斌：AI 技术难以构建壁垒。哪怕 Kimi 这些天登榜，我相信他们也不会说自己有壁垒。

互联网是 “网”，“网络效应” 是壁垒；人工智能是 “能”，“能力” 只是竞争力，不是壁垒，进可攻，退不可守。时代都已经把它们的特征写到名字里了。

比起结果，为什么你能做到、能持续做到、背后有什么可复制的能力支撑这个结果，才是真正重要的。

过去一年多，我们努力把公司做成 AI Native 组织，就是为了应对这个现实的问题：

未来，人跟人、公司跟公司之间的竞争将更加激烈。当创新公司面对大品牌数倍甚至数十倍的资源投入、快速模仿和品牌压制时，如何活下来？

今年 5 月份，几个传统教育品牌纷纷上线 AI 家教，意味着我们的创新被行业认可，从非共识到成为共识，但也意味着，他们带着 10 倍压强的 “大力” 来 “出奇迹” 了。

所以，AI Native 对几乎所有创新公司而言，不是选择，是生死。

但，对于绝大多数处于成熟阶段的企业而言，并不意味着一定要升级成为 AI Native 组织，AI 效率红利就足够了，脱胎换骨是很痛苦的。

晚点：你们的理解里，所谓 “AI Native 组织”，什么样的组织能复制你们之前的增长？

杨仁斌：我认为，洞察力大爆炸会带来增长的大爆炸，增长是靠全链路的洞察力驱动的。这是 AI 时代特殊的时代机会！极具洞察力的人有 10 倍精力参与全链路瓶颈突破，是历史上不曾有过的增长范式。

我观察到，过去的创新企业，往往依靠创始人或少数核心人物，在某一个关键环节实现巨大的创新突破。以汽车行业为例，福特的流水线、丰田的精益制造，每一个创新都获得过巨大的成功。

真正的瓶颈是一个人的精力有限，很难同时深入产品、技术、制造、营销和用户增长全链路。在过去，最接近这种全链路突破的代表案例之一，是埃隆·马斯克。这种多点开花的创新，就具备碾压整个行业所有竞争对手的巨大优势。

有洞察力的人没他有精力，有精力的人没他有洞察力，所以很少有人做到他这个程度。

虽然洞察力仍旧稀缺，但 AI 可以把真正最有洞察力的人的精力、信息处理能力和执行边界放大不止十倍，让同一个业务的多个环节都出现由洞察力带来的效率跃迁。

可以预见，未来会有越来越多有非凡洞察力的创业者，能够同时经营更复杂的业务，并在更多环节亲自参与问题定义、方案设计和创新突破，甚至同时经营多家创业公司。

在错误的方向上效率越高，死得越快

晚点：所以你是觉得 “洞察力” 才是 AI Native 组织的核心？现在大家用所谓 “AI Native”，感觉最常讲的其实主要是降本增效。

杨仁斌：毫无疑问，在错误的方向上效率越高，就死得越快。

对我们这种创新创业公司而言，当方向错误，或者竞争对手拥有远高于你的资源时，局部效率提升无法决定最终胜负。

所以我们认为：AI 时代最稀缺的能力，不是把事情做得更快，而是判断到底应该做什么、先做什么、怎么做和做到什么程度才是 “正确的事”。

一旦创新方向被验证，大公司可以投入更多的人、预算、渠道和品牌资源进行复制。特别是，如果一个商业文明不认为抄袭是可耻的，大力出奇迹就是最具性价比的竞争模式。

所以，创新公司不能依靠 “我们做同一件事比大厂更快一点” 长期取胜，而且永远不要假设你自己比竞争对手聪明。

晚点：那创业公司应该怎么做？

杨仁斌：挑战超级难但正确的事，反直觉，但对我们是唯一活路。

今年我听到非常震撼的一句话是米哈游刘伟说的，我当时就懵了。他跟我说：你有没想过，AI 时代可能只有 “一人公司” 和 “千人公司” 两种，只有非常难的事，才配得上公司有 “千人”，不然凭什么那些最厉害的人要跟你干，而不去做 “一人公司”？

的确，在中国，有巨大市场又不够复杂的业务，大概率都属于大厂，创业者不要存在任何侥幸心理。

创业公司必须选择非常难的事，选择复杂链路、每个环节都需要创新、每突破一点都很难的事，也就是从产品研发、产品设计、生产交付，到品牌营销、用户增长和销售转化，每一个环节都充满不确定性的难事。

这种业务的价值在于：每一个环节都存在通过洞察力大幅度创新的空间。

相较于 “大力出奇迹”，单点创新已经很难拉出足够大的竞争优势，只有全链路多点创新才有机会活下去。全链路加起来，有 3-5 倍的综合优势时可能让创新公司活下来；超过五倍的综合优势，才有可能支撑闪电式扩张和爆发性增长。

好在，AI 时代提供了这种可能性，全链路洞察力大爆炸和效率革命共同拉近了跟大厂的差距。

高效组织的第一性原理：解决最高认知到一线事实的双向衰减

晚点：讲讲你们的 AI Native 组织是怎么做到 “全链路洞察力大爆炸” 的。

杨仁斌：这一点，我可能跟大多数人视角不一致。但红利往往来源于非共识。

最近大家当段子讲的就是：每个人都说效率提升 5 倍，为啥公司业务没提升？

我还是那句话：跟做正确的事相比，效率不值一提。

过去大家在讲 “让听得见炮火的士兵做决策”，我认为这是错的，是两害相权。

AI Native 组织真正要解决的，是如何让将军的 AI 参谋长跟士兵一起在前线，听着炮火做决策。

说人话，也就是：为什么一线执行的小伙伴对要解决的问题的理解，以及最终做出来的决策，总是跟我不一样？等我冲到一线去一看，经历相同的事，为什么大家捕捉到的关键是不同的，得出来的结论也是大相径庭的？

这才是 AI Native 组织真正要解决的核心问题：让企业内部的每一个一线执行环节，都能够调用代表公司最高认知和决策能力的判断方法，从而在每一个环节做出同样高质量的决策。

这里我需要说明一下：一个组织在一个领域的最高认知，并不默认等于创始人或 CEO 的认知，而是团队领域专家共识沉淀下来、可以用于指导该领域决策的最高认知。

晚点：为什么以前高质量决策和认知下不到一线？AI 改变的到底是什么？

杨仁斌：传统组织主要受制于三个相互关联的问题：

第一，最高认知与最强决策能力往下传递时层层衰减。到了业务一线，一线人员已经很难基于与最高决策层一致的判断方法做决策，培养这种能力的周期很长。

第二，一线执行现场的信息往上传递时不断失真。过去依赖层层汇报，每一层都会用自己的认知压缩和解释原始信息。

第三，最高决策层自身存在精力、决策力和带宽瓶颈，不可能持续进入所有一线现场。

这不仅制约一家公司从战略到执行的质量，也是公司难以做大、难以跨领域经营，以及在复杂竞争中持续取胜的重要原因。

幸运的是，这个历史上无解的问题，终于在 AI 时代有机会被解决。

因此，思考 AI Native 组织时，可能正确的问题是：如果你拥有一个超级员工，他拥有快速学习企业认知 + 长期记忆 + 强推理能力，能调用各种工具执行，有近乎无限的精力和低成本、大规模赋能能力，你只用他降本增效是不是大材小用了？

当这种全新的 “超级硅基员工” 进入企业之后，组织应该如何围绕它重新设计协作模式，才能实现全链路洞察力突破？

这也是我们用第一性原理理解 AI Native 组织的出发点：当新的生产力要素有结构性变化以后，组织设计的起点必须随之改变。

晚点：具体怎么做的？

杨仁斌：这个也要讲吗？好吧，那就展开说说。

从今年春节的时候开始，我每天有十几个小时沉迷 Vibe Coding 不可自拔，核心就是在做这件事。我那会儿已经十几年没写过代码了，AI 让我又行了，哈哈。

如果说 “寒雪老师” 是团队作品，组织大脑最初是我的个人作品。

我一开始做得很复杂，连前端的 AI 工具都自己做了，但很快就放弃了这个做法。

今天任何一个 AI 工具，国内国外，在 Chat 和 Code 上，无一例外在基础上下文工程和 Harness 上做的都一定比我们接 API 要强，这是别人的看家本领。

所以，我们只需专注于构建 “大脑” 的上下文工程，并让它被这些 AI 实时按需调用。真正最关键的技术就是如何构建决策模型的索引体系，确保基于 AI 工具传来的上下文，能精准匹配到相关的认知节点、决策模型与业务事实并重组上下文，这个才是核心。

绝大部分工作场景中，给 AI 构建上下文工程，比模型本身更能明显提升智能水平。

我们实践下来需要三步。

一、把最高决策层的判断方法建模并装进 AI。

最高决策层需要把自己在产品、技术、营销、销售等领域进行高质量决策的方法沉淀为可调用的决策模型。

我们把这个 AI 称为 AI 参谋长，也是组织大脑。整个组织如何协同，要从过去围绕中层干部、围绕人与人协同的模式，切换为围绕 AI 参谋长来设计。

我发现这一点就难住了很多人，而且我发现，最初的认知积累大概率都得来自于 CEO。我幸运的是，过去亲自干过很多岗位，也有一个习惯：做过的再小的事也会进行复盘总结，并把它方法论化、文字化。这些东西成为了最初注入给 AI 参谋长的决策方法论，导入的时候，AI 统计了一下，超过 30 万字。

因为有了这些注入作初始化，其他人在此基础上再来挖掘自己的潜意识，把它意识化，就快得多了。而其他人的经验和认知再次注入到 AI 参谋长的时候，反过来又迭代了我很多新认知。

听起来有点类似大家说的 skills，但有本质不同。越通用的 skills 越是保下限的，真正的上限都是不通用的。我其实反对公司里面大家下载别人的 skills，“外挂” 永远不如 “内化”，参谋长是帮助你内化能力的，不是替代你做决策或者提供 SOP 的。

二、通过上下文工程，把 AI 参谋长注入每个业务第一现场。

决策模型建立之后，还要通过上下文工程，把相关的历史信息、业务事实、约束条件和判断标准，注入每个员工以及与其协作的 AI Agent。

这样，即使是一线员工在处理现场问题，也能够调用整个组织的认知体系和决策模型。

这不是企业知识库。知识库解决的是 “公司知道什么”，组织大脑要解决的是：面对一个具体问题，公司应该如何判断和决策。

从方案的早期构思阶段，到方案的 review，再到执行过程中的日志分析，100% 的链路都需要它参与，它才是真正的权力中枢。

三、让一线真实问题推动最高认知持续迭代。

很难想象，在没有 AI 的情况下，CEO 和最高决策层能有精力同时身处这么多一线执行现场。

AI 参谋长不只是把最高认知向下传递。

它还要保存一线使用决策模型时出现的真实问题、异常、分歧和结果，并把这些原始信息返回最高决策层，推动决策模型继续更新。

过去企业发展壮大的过程中，最大的问题就是高层、决策层脱离一线，没有办法用真实的用户反馈来优化迭代产品，使自己的决策是在错误的信息下，用着正确的决策模型去做的。

晚点：这套做法有一个问题是，如果源头判断本身就是错的，错误也会被更快地放大。你会担心这点吗？

杨仁斌：所有假设自己代表着公司最高认知的 CEO 都会最终葬送公司，Stay foolish 才不是真 foolish。

CEO 和核心团队的很多判断，最初以直觉和手感存在。

企业大脑要做的，是把这些 “潜意识的判断” 意识化：还原决策过程、找出背后的判断变量、明确价值取舍、 将决策模型与具体业务场景建立索引……

这样，组织调用的不再只是过去的结论，而是产生结论的方法。

所以组织大脑不是一个替 CEO 做决定的 “CEO Agent”，而是一个 “参谋长 Agent”。企业的关键决策，本质上经常涉及价值观、风险和长期目标之间的取舍。这些决策不能交给 AI 自动完成，最终责任仍然属于 CEO 和核心团队。

同时，AI 参谋长也会把一线员工的真实问题、异常、分歧和结果等一并返回，方便决策层基于这些信息去迭代自己的认知。所以这是一个闭环， 比过去能更快修正认知的错误。

AI 提高的是决策质量，但不是替代 CEO 做决策。

当公司不再只是由岗位、部门和流程组成的静态结构，而是像一个 Agent 一样运行的时候，公司才能因此获得持续学习的能力。

晚点：很多公司对组织做 AI 化的改造，一般第一步是先提高 AI Coding 率，你们现在情况怎么样？

杨仁斌：说到 AI Coding，说个很残酷的话：

即使一个人 90% 的代码由 AI Coding 生成，他也不是 AI Native。

不管你把 AI Coding 用得多好，每个人用了多少 AI 工具在提效，还是产品经理一杆子连代码都写了，这些都只是形式上的。表面上，大家都使用各种 AI 工具，但两个团队的底层逻辑有可能完全相反。

要完成真正的 AI Coding，依赖于组织重新思考一个问题：一项工作到底是谁在完成，是人还是 AI ？例如，我们有一个硬性规定：

• 我们不允许工程师亲自修改代码，代码必须 100% 由 AI 完成，人只允许给 AI 做反馈。
• 工程师需要从以前的 “写代码”，转变为能够诊断 AI 写代码出错、出 bug 的原因。
• 一旦人直接接管执行，真正的问题——AI 缺少什么上下文——就会被掩盖。工程师的价值是作为 AI Coding Agent 的上下文工程师，写代码不再是他们的责任。

我们认为，一个真正 AI Native 的团队，必须坚持 100% 代码由 AI 完成，人只能给 AI 反馈，不允许直接干预代码。

如果讲得更深刻一点：

AI Coding 不是软件工程方法的一次效率升级，而是软件生产的底层约束、生产要素发生了结构化变化。

过去的软件工程方法，大多是在适配这些限制：人记不住完整上下文，所以依赖文档；写代码和返工成本高，所以强调敏捷与迭代；跨技能训练周期长，所以按产品、开发、测试、架构分工。

AI Coding 突破这些限制之后，整个软件和互联网时代所形成的软件开发流程、软件工程方法论，甚至相关教材都要改写。

本质是，AI 会彻底取代传统程序员写代码这个分工，要成为 AI Native 团队，AI Coding 只有 0% 和 100%，没有中间状态。

晚点：如果不看员工用了多少 AI 工具、节省了多少时间，你会通过哪些组织现象，判断一家公司是不是真正的 AI Native？

杨仁斌：一个粗糙的观察是，严重依赖主流办公协同软件的组织，大概率不是 AI Native。对于绝大多数公司而言，这些软件仍然非常适用，也仍拥有足够大的基本盘。但 AI Native 组织作为一个创新创业的小群体，追求的是洞察力大爆炸，就不一定适用了。

因为这些协同软件核心功能都是围绕人跟人的网状协同，而 AI Native 组织必须围绕不是 “人” 的人为中枢来协同。

一个是网状，一个有中枢，有本质不同。

“文档” 应该首先被抛弃。文档，天然存在作者的偏见、认知盲区和严重的信息损耗。当文档不能反映当前事实时，它就是负资产。AI Native 组织真正需要保存的是原始讨论、判断过程、分歧和反例、失败尝试、修改记录和最终决策依据，文档只是临时视图，用完即丢。

“群聊” 不应再承载业务讨论的价值。我们反对真正的业务讨论发生在群中，但鼓励使用群聊联络感情、同步轻量信息。甚至我们不鼓励大家开会。真正有价值的业务深度讨论，应在已有上下文的 AI 对话中进行多人接龙式讨论。即使是线下面对面的沟通，语音也必须转成文字并进入 AI 的上下文。否则这次沟通没有成为组织可以持续调用的认知资产。

流程和权限会被重新设计。固定流程是建立在岗位稳定、任务可预先拆解的前提上的，但创新业务中的问题、边界和分工会持续变化。未来的协作会先共同构建完整上下文，再根据当前问题动态分工。

权限也不再只由固定职级决定，而要根据当前任务、所需信息、工具调用范围和责任边界动态开放。

从战略制定到 bug 修复，所有环节都只有在被 AI 全面掌握之后，它才有可能利用最高决策层的认知，帮助每一个一线员工共同做出更好的决策。

总之，当钉钉把自己打散，飞书被 Agent 接入，我认为都是特别有价值的，都是在思考当 AI Native 组织的权力中枢不再是人的时候，办公协同软件的用户也不仅仅是 “人”。

Context is Everything

晚点：组织改造后，你作为 CEO 的工作发生了什么变化吗？

杨仁斌：我的日程表基本上是空的，方便我随时攻坚我认为重要的事。除了从外部交流取经之外，我们尽量减少内部会议，对内部了解与思考我更依赖 AI 参谋长，因为它有一线执行现场的全量一手信息。

让公司运转在 AI 参谋长这个企业大脑上，最重要的工作就是组织大家为它构建上下文工程。我对业务各环节的洞察也都来自于跟 AI 参谋长的协作。

我有很大一部分时间是在观察与诊断团队在一线决策中产生决策分歧的原因。从而思考我需要给他们的 AI 参谋长构建什么样的上下文。

当带有企业最高认知的智能可以大规模复制后，真正稀缺的就不再只是模型能力，而是上下文。Context is everything，也是 anything。

晚点：但这也意味着，AI 会看到员工几乎完整的工作过程。换个角度，它是不是一种更彻底的数字监控？员工凭什么相信，公司不会用这些上下文反过来追责他们？

杨仁斌：没有 “开放性” 的组织文化，就没有真实上下文。

让大家愿意共享 AI 对话是反人性的。因为它违背人的自我保护本能。人更愿意展示成熟结论，而不是暴露无知、犹豫、误判和反复；传统组织又习惯奖励结果、重视汇报、追求可控感，进一步强化了这种行为。

所以，AI Native 组织必须建立在开放文化之上：每个人都要有小的 ego，不害怕暴露问题，并形成一个共同判断——掩盖问题才是可耻的，暴露问题是为了让问题更早被解决。

但开放性不能只是单方面要求员工透明。组织不能把真实过程变成事后追责材料，否则员工很快就会开始表演，只把正确答案放进系统里。

真正应该追究的，不是一个人有没有犯错，而是他有没有掩盖问题、有没有从错误中更新判断、有没有让下一轮成功的概率提高。

在我们内部，我们经常讲一句土话：过程比结果更重要。这句话不是说结果不重要，也不是说努力过就可以被原谅。创新型工作存在很大不确定性，单次成功可能有运气，单次失败也不一定证明方向错误。追求过程中每一个决策的质量，把过程做对，拉长周期看，结果不会太差。

这就是我说为什么不是所有的组织都适合升级为 AI Native 组织，强行升级会不自洽，当决策建立在经过粉饰的非真实上下文上，会死得更惨。

晚点：除了开放的文化，还有什么是必要的吗？

杨仁斌：我们在内部有一个这样的文化氛围。叫 “讲透 Why，给够爱（AI）。”

“讲透 Why”：任何一个决策，Leader 都要向一线员工讲清楚为什么做、依据是什么。讲不清楚，就没有资格要求别人执行。

这是我们【成文】的规矩。因为你做 Leader 必须要有这个能力，不然的话别人为什么服你呢？

所谓 “给够爱”，就是发自内心地关心下属的成长。你愿意不厌其烦地解释、检查他是否真正理解，他才能感受到信任，而不是只感受到压力。

“给够 AI”：到了 AI 时代，我们又把 “爱” 延伸成了 “AI”：既要给够关爱，也要给够 AI 上下文。给下属最重要的不是报销 token 费，而是给他的 AI 注入代表最高认知的决策模型。

所以，AI Native 组织里的 Leader 不能只要求下属交出过程，也不能只站在最后审判结果。他还必须持续校准目标和 Why，允许合理的灰度探索；当一线暴露新的事实时，也要承认最高认知可能需要被修正。

因此，不是所有公司都能够升级成 AI Native 组织。它不只要求部署一套 AI 系统，还要求员工放下对错误的遮掩，要求组织放下对完美汇报的迷恋，也要求管理者放下一部分对确定性和控制感的执念。

工具可以买，系统可以开发，但这种文化只能在真实实践中一点点建立。

让组织中每一个人都在 AI 时代有竞争力

晚点：回到一开始，为什么你能做这样的 “组织改革”？

杨仁斌：AI 刚出现的时候，我首先想怎么把自己变成一个在 AI 时代仍然能够持续成长、保持竞争力的人。

我假设自己一无所有，刚从大学毕业，应该怎么参与社会的竞争？

我觉得是始终保持归零心态，尽可能放下过去积累的经验和已经形成的判断，从零开始学习 AI、理解 AI，每天第一时间尝试各种新的工具和产品，那段时间，有一种觉得睡觉都是浪费时间的感觉。

在这个过程中，我们逐渐形成了一个对人才的重要判断：

AI 时代，一个人最核心的能力之一，不是掌握了多少个 AI 工具，而是元认知能力。

所谓元认知能力，就是一个人能够观察自己的学习和思考过程，把自己的学习方法建模，并能复盘和持续迭代。

这种能力在 AI 时代尤其重要。因为 AI 技术和工具一直在变化，今天熟练使用某个产品，并不能保证明天仍然有竞争力。真正不会快速过时的，是一个人能不能持续更新自己的学习方法，快速理解新工具，并找到与新一代 AI 协作的方式。

现在，我们团队里的很多人已经能够借助 AI 快速进入陌生领域、理解复杂问题、验证自己的判断，并完成过去需要更长时间甚至多人协作才能完成的工作。

更重要的是，他们面对 AI 时，不再只是担心自己会不会被替代。他们逐渐建立起一种更稳定的信心：即使技术继续变化，我也知道应该怎样学习、怎样调整自己、怎样借助 AI 继续成长。

晚点：怎么构建 “元认知能力”？

杨仁斌：我也是自己建模与理解，所谓 “元认知” 它下面有几层支撑：

最底层是动机，好奇心是最好的内在动机；其次是开放性，决定你会不会过滤信息，如果你更依赖内在评价，就不会太在意外界怎么看你，开放性就越好。

再往上，是信息处理能力，包括分类、结构化，再通过建模，把这些变成可调用的认知，而不仅仅是经验。更高一层，是你能在真实场景中调用这些认知，再跨领域迁移，就形成了洞察力和创新能力。

晚点：对你们来说，投入这么多建立一个所谓 “AI Native 组织”，除了在激烈的竞争中活下去，还有什么别的考量吗？

杨仁斌：我们把公司变成 AI Native 组织，本质上是把我们自己和公司里的每一个人，都提前放进未来人与 AI 的竞争和协作环境中。

我们逼着自己 100% 的工作都必须与 AI 协同完成，也是在极限探索：AI 的边界在哪里？哪些事情仍然必须由人来判断、创造和表达？这些暂时无法被替代的部分，对应什么能力？未来又会不会再次被 AI 替代？

然后，我们再把这些正在形成的新理解放进寒雪老师，让她和我们一起持续进步，把最新的技术和学习方式带给孩子。

所以，AI Native 组织不仅是我们的工作方式，也是我们理解 AI 时代个人如何学习、如何保持竞争力的实践场。

说点不那么 “教育焦虑” 的话

晚点：家长今天花钱，在乎的还是短期内的成绩提升，你讲 “元认知” 和未来能力，会不会和真实的付费动机相矛盾？

杨仁斌：应试教育本质是标准答案的求解效率，AI 时代核心是定义和求解非标准答案的能力。听起来是 180 度大转弯。现在几乎每一个家长都在思考：今天孩子到底应该学什么，才能应对未来？

越是身处 AI 一线工作，我们越清楚：未来真正稀缺的，不再是记住多少知识、做过多少题。凡是能通过反复做题培养出来的能力，AI 一定比人更强。单纯依靠应试训练形成的 “做题家” 能力，未来的竞争力几乎为零。

但另一方面，升学考试并没有改变，它仍然是孩子眼下必须遵守的规则。旧规则没有退出，新的能力要求已经出现。

我们更希望通过寒雪老师，让孩子在解决每天真实学习问题的过程中，逐渐学会观察自己是怎么思考的、自己到底哪里没有理解、怎样把问题表达清楚、怎样根据寒雪的反馈调整自己的判断，以及怎样借助 AI 更快地学会新的东西。

寒雪一方面要帮助孩子更高效地完成作业、应对考试和掌握知识；另一方面，也要让孩子逐渐形成一种不会随着工具变化而过时的能力——理解自己如何学习、持续复盘、迭代自己的学习方法，并与 AI 一起不断进化。

只有持续回答 “人与 AI 的边界” 这些问题，我们才可能看清，今天的教育除了帮助孩子应对眼前的考试，还应该为未来培养什么？

说一句让大家不用那么焦虑的话：如果你的孩子拥有了借助 AI 进行 “创新” 的能力，你永远不用担心在 AI 的时代 ta 会失业。所谓创新，就是总能提出新想法、新思路、新解法，这是 AI 时代最稀缺的能力。一言以蔽之，拥有定义和解决没有标准答案问题的能力。

因为创新对一个企业的业务而言永远是增量，多你一个人，业务一定是增长的，为什么不要你呢？反之，如果你不具备创新能力，就只能跟 AI 去比效率，就很有可能被降本增效优化掉。

晚点：但如果竞争和选拔不会消失，K12 知识也仍然重要，未来 AI 时代的教育哪些会变，哪些不会变？

杨仁斌：未来，掌握知识本身不再是目的，通过学习知识而锻炼学习能力和元认知能力才是目标。现在 K12 的学科知识，被历史证明是非常好的思维锻炼和学习能力培养的手段。

虽然我们不知道未来还会要求人具备哪些能力，但就当前的实践来看，有一项能力已经越来越重要——精准表达——这是 AI 时代的关键基础能力，是掌控 AI 以及创新能力的基础。

它包括能够理解自己要解决的问题，并把自己的想法、感受和真实需要准确地表达给 AI。进而，是能提出好问题——能透过现象看本质的好问题。

晚点：你之前提到过 2024 年你们自研端到端语音模型，但通用技术其实很快就会追上，当时这段投入算不算走了弯路？

杨仁斌：某种意义上讲，所谓的弯路上的投入，才真正地代表着你相信什么、坚持什么。

既然让学生 “开口” 精准表达是未来最重要的能力之一，我们从第一天起就决定把寒雪做成一个全语音交互的产品，这在 2024 年是非常难的。

那时候，全世界还没有能满足寒雪响应时间要求和识别率的商业化语音技术，我们预训练了端到端的语音模型；通用大模型不够懂教学，我们又投入几百位教研专家，用积累了八年的知识图谱标注数据；为了实现 “一人千面” 的精准回应，我们做了 Harness。

K12 教培和学习机行业有 “原罪”

晚点：传统教培依靠稀缺名师、班型和辅导时间分层收费；AI 第一次让专家能力可以低成本复制。当教育供给不再那么稀缺，教培原来的商业基础会发生什么？

杨仁斌：我一直认为：传统教育培训行业是有 “原罪” 的。

传统教培的商业模式，建立在稀缺老师资源上。教培，特别是培优，长期扮演的是应试竞争中的外挂和军火商。这不是说老师为学生提供教学服务有原罪，也不是哪一家公司，而是当 “教培” 成为了一种大规模的商业模式的时候，它天然有原罪。

学习机继承了这个 “原罪”，这就有些不应该了。当然，学习机过去有它技术局限性的必然，不是哪一家企业的问题。

经济学中，商品按稀缺性定价本无可厚非，但偏偏教育资源最需要公平，过去优秀老师又是最为稀缺的资源之一。一个家庭能够花更多的钱，就可以购买更好的老师、更小的班型、更长的辅导时间和更个性化的服务；另一些家庭买不起，就只能接受更有限的教育资源。

只有少数人能够获得的教育资源，才能成为少数人的竞争优势。

但进入 AI 时代，这个底层逻辑正在改变：AI 真正的技术突破之一，就是线上将专家服务普惠化。

晚点：很多家长看到 “寒雪老师”，第一反应仍是学习机。但你们多次强调，你们卖的并不是硬件而是 AI 老师，这两个生意本质上有什么不一样？

杨仁斌：学习机行业有一个很奇怪的现象。既然核心功能不太依赖于硬件，靠软件升级就足够了，为什么各大品牌每年新机发布越来越频繁？它的定价和产品分层仍然是教培行业思想的遗留：很多功能的边际成本为零，明明可以让所有用户用，却仍然要通过型号、功能和换代，人为制造出三六九等。

所以，学习机看起来是新技术产品，但底层延续的仍然是教培的旧逻辑：

通过人为制造资源差和能力差，向不同支付能力的家庭出售不同等级的教育竞争工具。

AI 本来可以让最好的教育能力低成本复制，但旧学习机逻辑又把它重新做成分层资源：做高中低配、切割功能、频繁换代，把原本能够普惠的技术，重新包装成少数家庭才能负担得起的应试竞争工具。

而且一个最简单的常识是：教培公司推出学习机，但培训班才是它们几乎全部利润来源，你相信它会努力每周免费升级你的 AI 家教，直到你再也不用报它的培训班吗？

他们不断地把最踩中痛点的软件功能限定在最新款的机器上，迫使你不断地花更多钱去以旧换新。他们承诺的免费升级，是原有功能的小修小补。

不信的话，你就下单之前去问客服，你说：我已经买了旧款的旗舰机器，但想要你最新款上面的功能，你能给我免费升级吗？

我们其实一开始也陷入到这个误区了，计划推出不同能力的 “寒雪”，但我们很快否定了这个想法。

晚点：精准学从一开始做的就是给老师 “一对一” 辅助的系统，感觉是一直在这个大方向上。所以一对一的 “AI 老师”，真正改变的是什么？

杨仁斌：提供了一个人人负担得起、越来越懂你的一对一私教老师。

我前面提到，元认知能力中最好的动力源就是好奇心。我一直相信，孩子天然都有好奇心。好奇心是元认知能力中最佳的内在动机。然而，好奇心是在一次又一次 “为什么” 没有被回应时冲淡的。

在过去的教育体系中，师生比太低，老师没有办法及时回应每个学生的 “为什么”，于是只能给他们标准答案。

即使成年人，很少有人习惯问：这个答案为什么是这样？我这么思考有没有哪个地方想偏差了？AI 真正的价值在于，你提出不一样的东西，不一样的见解，然后 AI 会帮你一对一去回应与完善。

所以我们一直坚定地认为，AI 家教不能只是听懂孩子、回答孩子，而必须让孩子的每一次有效表达，真实影响接下来的教学，孩子的每一个挑战和质疑，都能获得尊重和清晰的解释。

晚点：你批判传统教培按支付能力分配稀缺资源，但你们产品定价本身似乎也在筛选家庭。谈教育普惠，会不会自相矛盾？

杨仁斌：我们不按支付能力区分教育服务的质量，AI 让一种更强的商业模式成为可能：不再依靠少数家庭支付极高价格，而是让更多家庭获得同样都是当下最好的个性化服务，再通过规模、技术效率和长期关系实现可持续经营。

如果对比包含一堆视频和题库的学习机，那寒雪的定价就是贵价那一档，但如果看成是从小学到高中每一天都一对一辅导学生的 AI 老师，那就非常便宜。过去大家把我们归为抖音平台上高端学习机销售额第一，就是把我们看成学习机，其实我们不是，但是因为抖音上没有 “AI 家教” 这个品类，我们是第一个。

我们为老用户持续升级寒雪的能力，努力让寒雪老师尽可能提供一个孩子成长过程中所需的全部教育相关服务，而不仅仅是学业学习，且平均下来每天只需要几块钱。

晚点：你们现在的这个组织形态和在做的产品、业务，是一开始就有意设计匹配的吗？还是一个逐渐演变的过程？

杨仁斌：我们最初把公司变成 AI Native 组织，是为了让一家创新公司能够在资源不占优势的情况下活下去，继续创新。

我们不敢说自己已经看清未来，能做的是每天继续走在变化发生的地方，每天让寒雪更接近我们心目中的那个老师，再把当前已经被验证的重要能力和新的学习方式，尽可能早地带给孩子。

学生当前学业压力就是大的，没有时间再额外学习所谓 AI 课程了，用 AI 学习校内知识本身同时也是学习 AI 的过程，这才是合理的。

对我们来说，这不是两个目标。真正面向未来的教育，应该让孩子用新的技术和学习方式，更高效地解决今天的问题，并在这个过程中，一点点长出面对未来的能力。

晚点：最后一个问题。创业这些年，你觉得自己最大的变化是什么？

杨仁斌：我很难说有哪一次突变，可能因为每天都在改变。

我们公司有一句土话叫 “要学会找规律、找不同”，身边的人天天听我叨叨这个。找规律，就是指建模，找不同，是指观察同一件事情别人为什么和你做得不一样，再把这种差异吸收进来。每天进步一点，自己通常感受不到变化；隔一段时间回头看，才会发现已经走了很远。

人的一生是一段持续精进的过程。

题图来源：精准学创始人 &CEO 杨仁斌