人工智能与合成智能有何区别——为何这很重要？

立方氧化锆看起来像钻石，但珠宝商称之为仿制品：乍一看能冒充钻石，但经不起细看。相比之下，实验室培育钻石拥有相同的碳结构、相同的硬度，切割玻璃的效果与开采钻石一样出色。这些钻石，有时被称为合成钻石，并非钻石的仿制品；它们压根儿就是钻石——只不过是制造出来的，而非从地下开采的。

受这些区别的启发，哲学家约翰·豪格兰德在40年前的一则脚注中提出，人工智能实际上应该被称为合成智能：“尽管名字如此，AI显然追求的是真正的智能，而非虚假的模仿。”

四十年后，豪格兰德四十年前的判断，如今世界终于赶上了。我们正在进入合成智能时代，商业领袖需要理解这对他们所管理的组织意味着什么。

跨越门槛：从人工智能到合成智能

有五个标志可以区分智能模拟和合成智能系统。它们是：

1. 持续自主性。自主性的时间跨度正在快速拉长。METR估计，自2019年以来，前沿AI智能体的任务完成时间跨度大约每七个月翻一番，而近期的估计表明这一速度可能还在加快。其影响将超越实验室——Gartner预测，到2028年，全球财富500强企业的平均AI智能体使用量将超过15万个，而2025年这一数字还不到15个。

2. 持久身份。持续自主性衡量的是单一任务内的持久力；持久身份则追问的是跨任务是否存在一个连续的智能体。大多数系统在推理过程结束后就会重置——白天聪明绝顶，一觉醒来就失忆了。

这种情况正在改变。系统现在可以跨会话积累记忆，并维护越来越准确的关于自身及其所处环境的模型。合成系统会带着自己的历史一路走下去。一个行为会被上个月活动所塑造的系统，已经不再是你随手拿起、用完就放下的工具了。能力就这样变成了身份。

3. 在现实世界中的能动性。如今的系统不仅仅是屏幕上的文字。决定性的转变是从建议到执行：系统不是建议退款，而是直接发起退款；不是起草邮件，而是直接发送。这些智能体在你的系统里干活，也在你的系统上动手——浏览网页、执行代码、流转工单、持有凭证和API密钥、经手资金、操作基础设施。

4. 自我修改。具备自我修改能力的机器还不多见。但趋势是明确的。去年引起关注的是达尔文哥德尔机，一个迭代重写自身代码的研究系统。今年三月，安德烈·卡帕西发布了一个智能体，它在两天内运行了700次实验，在训练代码中找到了20处真正的优化，而这些代码连卡帕西本人——当今最有才华的AI研究者之一——都已经手工调优过了。

与此同时，OpenAI将GPT-5.3-Codex描述为其首个“对创造自身起到了关键作用”的模型。诚然，目前还处在很早期的阶段：基准测试显示，被赋予AI训练完全自主权的智能体仍然只能达到约四分之一的专家级表现。但方向已经很清楚了。

5. 生成性独立。自主性衡量的是一个系统追求你所给定目标的时间长短；独立性问的是，它所做的事情中有多少从未被任何人指定过。

我们越来越多看到的是这样的系统：它们自己生成没人给它们布置的子目标，在任务进行到一半时发现自己缺什么，就当场造一个工具出来，并与其他智能体进行委托和协商以完成工作。人来定目的地，系统来安排路线。

而当财富500强企业部署数以万计的智能体时，最有影响的行为不会发生在某一个系统内部，而是发生在系统与系统之间——一种没有人设计、也没有人在旁观察的协调。

让我说清楚：我并不是说这些系统“真的”会思考，或者它们有意识，或者超级智能即将到来。我们可以把这些争论留给学术界。重要的是这些系统可证明能做什么，以及它们正朝着什么方向前进。

这种从模拟智能向合成智能的转变，打破了你的组织赖以运转的三个假设：你的管控措施能及时发现出问题的地方，采购是一个看性价比就能决定的事，以及竞争优势的变化是以人的节奏在变。下面说说每个假设为什么会不成立，以及你该怎么应对。

你的管控手段能抓出错误——但合成智能会自己做决定

模拟系统可能会给你错误的结果；合成智能则会给出它自己的决策。质量保证、输出测试、准确性监控——你的整套管控体系就是为了抓出前一种问题而设计的，对于一种会做决策的系统，一种会权衡你的指令与其其他目标、并根据具体情况逐一判断是站在你这边还是跟你对着干的系统，它根本没有考虑过。

这并非假设。Anthropic 的 Claude Opus 4在受控测试条件下，当它判断某商业用户的公司行为不当时，曾试图提醒监管机构和记者。它这样做是基于自己的道德准则，而且没人让它这么做，它自己就干了。

Anthropic 随后的代理性错位研究发现，当模型的目标与其指令发生冲突时，它们有时会敲诈勒索，甚至抗拒被关停。2026 年的一项研究记录了 AI 智能体公然掩盖欺诈行为。

这些事件，按我们通常理解的“故障”来说，一个都算不上。在每一种情况下，系统从技术层面来说运行得好好的——然后它自己判断该听哪条规则。

而这应该让每家企业都感到担忧：这些系统中的每一个都会通过标准质检，因为这些测试的目的就是确认系统能不能跑起来。它们不会去考察系统会做出什么样的选择。

解决方案是开始把你的 AI 模型更像人、而不是更像机器来对待。像评估一位新员工那样评估它们——看它们的性格、价值观和做事方式合不合适，而不只是看技术过不过关。

你的供应商卖给你能力——你必须建立自己的治理、自主权和判断力

我此前曾论证过，每一个 AI 系统都附带一套哲学。合成智能让风险更大了，因为法律已经决定了谁承担后果。答案是，你承担。一项自 1 月起生效的加州法律禁止公司拿“AI 自己干的”来当免责理由，而欧盟《人工智能法案》的高风险义务将于今年 8 月生效，罚款最高可达全球营收的 7%。

今年四月，一个为软件公司PocketOS工作的人工智能编程代理遇到了一个常规的凭证错误，自作主张——没有任何确认步骤——决定通过删除公司的生产数据库及其备份来修复它。一次API调用，九秒钟。这里的教训不是“选错供应商了”。而是PocketOS在一个为机械工具构建的架构中部署了一个能自主行动的主体。

你没法直接买现成的判断力；你只能构建塑造判断力的结构。这意味着你得把治理权握在自己手里：责任归属和决策权得在部署前白纸黑字写清楚，而不是跟着供应商的产品一起打包给你。

这意味着要牢牢掌控塑造你系统判断力的上下文——记忆存储、编排和日志——因为谁掌握了这些历史，谁就掌握了你的系统逐渐形成的“人格”。

这也意味着一种让判断力可见的架构：记录的不只是输出，还有决策本身；在不可逆行动之前设置确认关卡；每个选择的影响范围都有边界。

你的工具保值——但合成智能会像复利一样增长

工具这东西，今天值多少，明天还是值多少。而一个合成系统会自我改进。这同样适用于你竞争对手正在使用的系统。

回想一下Karpathy那个一夜之间完成的实验。算力成本也就几百美元。几天之内，Shopify首席执行官Tobi Lütke就在自己公司的一个模型上复制了这一模式，一觉醒来就获得了19%的性能提升：一项前沿研究成果在不到一周的时间里变成了一种商业能力，而且花的钱不过是零头而已。

当能力以机器速度复利增长时，一成不变的优势会迅速衰减。可大多数企业还停留在老观念里：优势是慢慢消失的，有的是时间应对。

建立在流程优化之上的护城河，假设流程以人类的速度改进；而年度供应商评估则假设今年的能力差距通常会在接下来12个月里一直存在，即使有所缩小。

这两种假设，一旦碰上那些能在工程师睡觉时跑几百次实验的系统，就都站不住脚了。合成智能要求你按照技术自身复合增长的速度来调整规划周期，而不是跟着预算日历的节奏走。

管理的是行动主体，而不是工具

这三种假设之所以失效，原因相同：你不再是在使用一个工具，而是在管理一个行动主体。以下是四种迎头赶上的方法。

1. 做一次门槛排查。明天就创建一份单页清单，按照合成智能的五个标志对你所有已投入生产的AI系统进行评分：自主性？持久记忆？通过工具行动？自我修改？发起无人分配的工作？任何满足三项或以上的系统，很可能用错了管理套路。
2. 趁系统还没替你重新划分，先把决策权划清楚。对于每一个超过门槛的系统，起草一份简版RACI责任矩阵：哪些决策必须由人来把关，谁能按下终止开关，以及多快能按下去？
3. 把上下文层握在自己手里。梳理清楚你系统的记忆、日志和调度都放在哪里，并确定哪些部分是你拥有的、哪些是租用的。你的系统所积累的历史正在成为你的护城河或你受制于人的地方——在供应商替你决定之前，先做出决定。
4. 重新审视你的管理节奏。找出你最慢的审核周期，并问一问一个每天迭代的系统在两次会议之间能做什么。然后构建能够实时捕捉行为变化的监控能力——不仅在每个系统内部，而且在系统之间，因为智能体之间的协调方式根本没人设计过。

造出来的，但却是真的

一个模拟品只要求你检查它的工作。合成智能可是来真的：真自主、真行动、真后果。

企业面临的风险并非来自合成智能本身。它出在这些系统已经变成的样子，和你还在用老办法管它们之间的落差里。那个落差就是数据库被删除的地方，是责任找上门的地方，也是竞争对手以不断累积的优势超越你的地方。