数字财富论：智能时代的基本经济规则

共潮生结束后的第二天，我嗓子还有点哑，就和惠璇又开了一场直播。

前一晚讲“换轨”，这个词可能说中了很多人的心事：知道一些事情正在改变，知道自己也该动一动，却不知道该往哪里走。

这个问题，也是我和惠璇一直在想的。十年前，我们一起研究平台经济，就有一个困惑：为什么平台创造了那么多财富？为什么很多参与其中的人，却仍然觉得自己被挤压？

后来，我们把目光从平台、数据，逐渐转向今天的智能。问题也跟着往前走：当一部分原本长在人身上、需要多年学习和实践才能获得的能力，开始可以被训练、复制和调用，企业会怎么变，人的工作会怎么变，财富的创造和分配又会怎么变？

一路研究下来，我们始终有一个心愿：希望对自己身处的时代，提供一种解释。

《数字财富论》这本书目前还没有写完，但研究逐渐有了一条清楚的线索：新财富如何产生，能力如何积累，稀缺性向哪里迁移，生产怎样组织，供给如何找到需求，资本市场又怎样为这些变化定价。

我们也觉得，写这本书的过程，本身就应该不断接受反馈、修正认识。所以，我和惠璇想先开两个号：视频号“香帅数字财富论”和公众号“香帅数字资本论”。一边研究、一边写，也一边把新的发现和还没想清楚的问题拿出来，和大家讨论。大家在工作和生活里遇到的真实问题，也会帮助我们把这本书写得更扎实。

我们先从一个最切身的问题讲起：所有人都在讨论AI，它到底会怎样进入每个人的生活？

智能工业化：智能第一次可以规模化复制

1.为什么大家都在讨论AI，它会怎么进入每个人的生活？

我觉得，大家现在的迷茫就在这里：新闻天天有AI，变化好像很大，但落到自己身上，还不知道意味着什么。

我自己的体感也很强。我们团队这半年，工作方式变了很多。我原本还在想，会不会只是我自己太激进了，天天研究AI，看什么都觉得跟AI有关？

后来去了小旭音乐，我发现，做音乐的人也在经历这件事。

他们公司在北京朝阳区，是一个特别二次元的地方。创始人卢小旭是成都人，爱音乐。做音乐能挣钱不容易，但他们做了差不多二十年，幸运的是赶上了游戏行业的发展。从网游到手游，《天龙八部》《王者荣耀》这些游戏的音乐制作里，都有他们参与的作品。

他们一直在做音乐，但承载音乐的东西在变。以前是游戏，现在又碰到了AI。

我今年在网上关注过一个账号，叫林海声。一个胡子拉碴的老男人，嗓音特别好听，结果去了才知道，这就是小旭公司的AI音乐账号。他们还有一批不同风格的账号，按他们的介绍，有的已经开始接广告、做品牌合作了。

他们还跟我讲，这一轮变化，不只是歌做得好了，今年2月Seedance 2.0发布之后，视频生成也跟上来了。人物的动作、表情、镜头，开始能配合起来。一个AI歌手，既能唱，也能有剧本、有表演。

也就是说，原来要几个专业团队配合的事情，现在可以在一套新的工作流程里一体化完成。

电影从十九世纪末发展到今天，一百多年，人类把讲故事做成了一门巨大的工业。仅看中国的影视行业，产值就有1万亿。演员、导演、编剧，后面还有摄影、灯光、化妆、道具，给剧组送盒饭的、拉设备的，一整条链上有多少人。

我那天还想到《摩登时代》。卓别林在电影里演一个被工业流水线折腾的人。今天，新的生产方式开始进入影视，连拍出这种故事的行业，自己也要面对工作怎么重新分配的问题了。

这些工具为什么会带来这么大的变化？因为它们把过去需要专业人士多年学习、反复练习才能掌握的一部分能力，变成了可以直接调用的东西。写剧本、画分镜、做配乐，越来越多的人可以参与进来。

这就是我们说的“智能工业化”：一部分原本依赖个人智力和经验的能力，开始可以被系统训练、复制和反复调用。

这个词听起来很大。我自己真正理解它，还是从一件特别小的事情开始的：我居然能做音乐了。

我从小脑子里就有旋律，但不识五线谱，也不会乐器。你让我重新学作曲、学编曲，要花多少时间？我一路读到金融学博士，做了教授，不可能再拿出那么多年，把另一套专业训练走一遍。所以，这个想法就一直搁置在那里。

国庆节假期的时候，我开始玩Suno。大概花了二十多分钟摸工具，又试了几版，前后一个小时左右，就开始做出能听的东西了。后来越做越起劲，R&B、蓝调、放克，各种风格都试。团队小伙伴们都急了，说老师怎么过了一个国庆，就变成音乐创作者了？

其实，我还是不识五线谱，也没有突然学会作曲、编曲。我有的，还是脑子里那些旋律，还有对一首歌的感觉：这里应该轻一点，那里应该有一点蓝调的味道。但现在，我可以调用AI的音乐生成能力，把这些想法做出来，如果觉得不对就再改。

以前，想法和作品之间，隔着一整套我没有掌握的专业能力。现在，其中一部分能力可以被调用，我的想法终于有机会变成一首能听到的歌。

这会是一场比肩工业革命的生产力大爆发。

很多人一直有想法、有需求，只是被专业能力的门槛挡住了。现在，门槛开始降低，过去搁置的想法，就有机会变成现实。

• 比如教育。以前看不懂一道题，就等老师有时间讲。现在，有可能利用AI，先得到一轮针对自己问题的解释和练习。

• 比如做小生意。过去请不起设计师、不会做宣传材料，现在可以先把自己的想法做成一个方案，再找专业的人修改、落地。

• 还有我妈妈。我的《金融学讲义》那么厚，说心里话，我妈妈都看不下去。我就试着把里面的内容做成一个能问答的工具。她想知道央行为什么加息，就直接问，不必先把整本书读完。当然，自己读书还是比让AI帮忙要好得多。但这个方向很有意思：过去放在一本厚书里、需要你花很长时间去接近的知识，现在可以围着你的一个具体问题，来到你面前。我觉得这就是一种普惠。

2.我们真的需要那么多AI生产力吗？

前面我们讲到生产力大爆发，有人问，现在文章已经看不完，视频也刷不完了。AI再生产一百万篇文章，一百万个短剧，对普通人有什么意义？

现在讲AI，一讲就是写文章、做短剧。这方面的供给，如果暂时不谈质量，那么数量的供给的确已经很充裕了。但是，AI最大的应用场景应该不是文章和短剧，我们还有很多没有满足的需求，等待AI帮忙。

我希望儿子能得到适合他的教育；希望有人持续帮我管理健康，知道我最近睡得怎么样、运动够不够；我父母年纪大了，我希望他们有更细致的医疗和日常看护。我还需要健身教练，甚至想有个懂我口味、又懂营养的厨师。这些需求一直都有。问题是，要请这么多专业人士为一个家庭服务，得花多少钱？

所以，我期待AI带来的一个重要变化，是那些过去只有少数人负担得起的专业服务，能够以更低的成本，进入更多普通人的生活。

比如，现在已经有一些AI法律援助、AI家庭医生的创业机会，还有一些用途，我们今天可能根本想不到。

这也不奇怪。一项基础技术刚出来的时候，发明它的人，也未必能把未来所有用途都想清楚。

回到工业革命的历史，铝的故事就很有意思。

今天我们喝完饮料，一个铝罐随手就扔了，很难想象铝曾经是一种昂贵的金属，一度比黄金还贵。

1886年，美国的霍尔发明了电解炼铝的方法。随着工艺改进，铝的价格迅速下降：从1888年每磅4.86美元，降到1893年的78美分，几年间降了八成多。

但把铝便宜地生产出来，只是第一步。接下来，铝能用来干什么？电解铝的发明者霍尔也想象不到，一开始只是用来制作和推销铝制茶壶。

后来各行各业才不断拆解铝的“玩法”——1903年，莱特兄弟的飞机发动机就采用了铝制曲轴箱，以减轻重量。再往后，铝粉还成为航天飞机固体助推器的燃料成分之一。当然，飞机和火箭还需要许多其他技术共同进步。但这个过程很有启发：炼铝的方法发明出来以后，使用铝的方法，还需要整个社会继续发明。

今天也是一样：智能越来越容易获得了，但怎么把它用好，要靠各行各业继续探索。

大模型公司不可能替所有人想明白。养猪的人知道猪场最头疼什么，开酒店的人知道酒店的钱浪费在哪里，照顾老人的人知道哪些事情最耗精力。

技术进步的历史一直如此：基础技术进步，让其他行业的一些创新变得可行；其他行业开发出新用途，又会扩大市场，提出新的要求，推动基础技术继续进步。

未来也应该如此：智能更好、更便宜 → 更多行业开发新应用 → 新应用扩大市场、提出新要求 → 推动智能继续进步。

我给大家讲一个特别有意思的应用：让AI陪骗子聊天。澳大利亚有一家叫Apate的公司。它的创始人曾经故意拖住一个骗子44分钟，但后来发现：骗子浪费了44分钟，自己也搭进去了44分钟。

那这件事能不能交给机器？他们就开发了一批AI角色，模拟不同的身份、口音和说话方式，跟骗子周旋。有的听起来不太懂，有的反复问问题，让对方继续讲。更有意思的是，聊天过程中，还能收集诈骗使用的银行账户、加密钱包、电话号码和其他线索。这些信息可以提供给银行、电信公司等机构，帮助识别和处置诈骗。

过去，找一个人专门陪骗子聊，成本很高。现在，AI让这件事可以更大规模地开展，聊天过程中还能产生有用的反诈情报。同样是“AI会聊天”，放在不同的场景里，就可能变成完全不同的服务。

还有一个例子，我觉得可以叫作：给厨房的垃圾桶配一个会计。一家叫Winnow的公司，用摄像头和电子秤记录厨房丢掉了什么、丢掉多少，再把这些信息整理成报告。

厨房每天都知道自己扔了东西，但还是很难说清，到底是早餐面包准备多了，还是水果切多了？是客人不爱吃，还是临近收餐时补得太多？

根据Winnow公布的案例，马德里四季酒店使用这套系统后，团队每天查看浪费情况，再调整工作：自助餐快结束时减少补餐份量，调整早餐面包和水果的备餐量，把适合利用的蔬菜边角料拿来熬汤。项目开展六个月后，食物浪费减少了30%。

这个例子好就好在，AI没有凭空发明一个需求。酒店一直想少浪费，只是过去要把每一笔浪费算清楚，太麻烦了。现在，记录和分析的成本降低了，厨师就能据此调整采购和备餐。最后省下来的是真金白银。

所以，各个行业都可以问自己：哪件事，我们已经头疼很多年了，只是一直没有一个成本合适的解决办法？

回到开头的问题：文章、内容、短剧，真的供给过剩吗？其实，我觉得也未必，其实应该改变的是供给方式（这里可能是一个创业机会）——

我最近就有一个很具体的感受。这两年给好朋友送礼物，我越来越不知道送什么。大家似乎也不缺什么东西。

国庆节的时候，我试着给朋友写歌。我了解他们的经历，也知道我们之间发生过什么，就把这些写进歌词里，再借助AI做成歌。我还知道他们喜欢什么风格，可以继续调整。收到歌以后，他们都很感动。

这件事让我想到：以后朋友、家人、孩子过生日，我能不能送他一张私人专辑？里面是他的故事、我们共同的回忆，再做成一张唱片，配一个小音箱。

以前，请人专门作词、作曲、编曲、录制，普通人很难承担。现在，其中一些制作环节的门槛降低了，这件事才变得容易尝试。一百万首陌生人的歌，你可能没有兴趣；但一首写着你和朋友共同经历的歌，你可能愿意听很多遍。

AI生产一百万篇文章、一百万个短剧，如果只是增加一些没人需要的内容，意义确实有限。

我们真正期待的是：它能不能让孩子得到更适合的辅导，让父母得到更细致的照顾，让一个小商家少一些浪费，也让一个普通人实现过去负担不起的想法。

智能工业化的意义，在于让一部分原本昂贵、稀缺的专业能力，变得可以被更多人使用。至于这些能力能创造什么，我们还需要回到自己最熟悉的行业，先问自己三个问题——

第一，什么需求一直都有，但过去只有少数人负担得起？

第二，我们所在的行业什么环节一直缺人，因为离不开少数的老师傅、专业人士？

第三，这里面哪些能力，现在可以借助AI复制和调用，把成本降下来？

我的预测是——这三个问题交汇的地方，就是新一轮生产力革命最先长出生意的地方。

反馈复利：智能在反馈中积累

3.同行都能用AI，企业之间为什么还会拉开差距？

前面讲，智能越来越容易获得。但又有一个问题：DeepSeek、豆包、千问，同行都能用，企业之间为什么还会拉开差距？

比如昨天讲到的安克创新，今年上半年，归母净利润增长了约46%；同样做跨境生意的另一家公司，股东应占利润却下降了约62%。工具大家都能买到，经营结果还是很不一样。

先说一句，不能把这两个数字直接算到AI头上。产品、渠道、成本都有影响，但这个问题特别重要：买到同一个模型，不等于拥有同一种能力。

昨天共潮生讲了安克的例子，我关注它，是因为它很早就在做一件事：把用户的声音留下来，再拿回去改产品。他们叫VOC，就是用户反馈。

阳萌以前分享过，他们当时每年发近一百款新品，全球近五百位销售伙伴，还有分销商，每天问各种产品问题。以前靠人一个个答，还要跨语言沟通。后来，把产品资料接进飞书，接进AI助手，能用十种语言回答，还能告诉你答案出自哪里。产品经理也能直接问：用户最不满意的几个问题是什么？把具体反馈找出来。

但我觉得，最有意思的是：AI答错以后，他们怎么办？他们让业务专家去查，是资料里没有，还是资料没找对，或者AI理解错了。改完以后，把正确答案写回知识库。这样，下一位同事再问，就有机会少走一遍弯路。

你看，同样是回答了一个问题，有的人答完就结束了，有的人把这次解决问题的经验，变成了后面大家都能用的东西。

这就引出了我们的第二条原则：反馈复利。什么意思？做一件事，得到真实反馈，把有效的改进留下来，再用到下一次行动里。一轮一轮下来，过去积累的经验，就可能让后面的事情做得更好。

就像工业革命以前也有商品，裁缝做衣服、木匠做家具，工业化改变的是生产的方式和规模。

今天，经验积累也在发生类似的变化：越来越多的反馈可以由系统自动采集、批量处理，经过验证以后，再大规模地用于下一轮生产。

驾驶就是一个很直观的例子。一个司机开了二十年车，经验丰富，但他一天能开多少小时，能遇到多少情况？今天在一个复杂路口学会了怎么处理，其他司机不会因此自动学会。辅助驾驶系统提供了另一种可能：许多车辆同时在不同道路上运行，系统记录问题，团队借助这些反馈改进模型、完成测试，再把有效的改进部署到更多车辆上。

许多车辆的经历，可以进入同一个学习系统；一次有效的改进，又可以被许多车辆使用。经验积累的规模和速度，就这样被打开了。它不再每一步都依靠人去讲、去学、去传。

为什么叫“复利”？因为能力提高以后，企业可能承接更多任务，获得更多有用反馈，又进一步提高能力：更强的能力 → 更多有效行动 → 更多有用反馈 → 更强的能力。

关键不是存了多少数据，而是反馈有没有经过验证、写回系统，真正改善下一次行动。

所以，智能工业化和反馈复利是一体两面：前者让能力可以规模化供给，后者让能力在大规模使用中持续积累。

同样都在用AI，有的企业每天只是完成更多任务，有的企业还能把今天的经历变成明天的能力。时间一长，差距就从这里拉开。

稀缺性迁移：

4.当学历和岗位开始贬值，什么正在变得稀缺？

前面讲，智能越来越容易获得，而且还能在使用中不断积累。听到这里，很多人会更焦虑：那人的价值在哪里？

惠璇就碰到过。有学生不来上课，她问为什么逃课？学生说，老师，你讲的东西，我把教材喂给AI不就行了吗？这句话挺扎心。但它确实逼着我们重新问：如果教材里的知识越来越容易获得，老师还能给学生什么？

这就要回到经济学的第一性原理：稀缺性。

微观经济学的基本分析框架，是约束条件下的最优化：消费者在收入、时间等约束下追求效用最大化；企业在技术、资源和市场条件的约束下追求利润最大化。

技术进步通过降低成本、提高效率或创造新的生产方式，突破原有的限制，让过去做不到或做不起的事情变得可行。 但一个限制被突破，并不意味着稀缺性消失了。随着生产和消费规模扩大，其他原本不突出的限制，可能逐渐成为新的瓶颈。

因此，技术进步不仅提高生产效率，也会改变不同资源的重要性。那些需要与新技术配合、供给却难以同步增加的资源和能力，可能变得更加稀缺，也更有价值。

这就是我们讲的第三条原则：稀缺性迁移。

AI能够降低信息处理、内容生成和部分专业任务的成本，但事情要真正做好，还需要很多互补条件：有价值的创意、可靠的数据、对结果的判断、与客户的信任，以及把承诺变成现实的履约能力。

我拿自己的小绿书举个例子。以前大家订阅公众号，很重要的一个原因是获取知识、获取信息。现在，一篇写得通顺、结构完整的文章，生成起来太容易了。

但我发现，有时候自己五到十分钟写出来的东西，大家反而特别喜欢。句子不完整，很跳跃，突然插一句，逻辑也没有完全收好。但读者会觉得：这里有一个活人，她刚刚看见了一件事，正在想。

当然，不是写得破破烂烂就值钱。有价值的是那个突然闪现的灵感，某个独特的观察，那段独特的经历。

AI可以帮我把句子修顺，但我要是把那些跳跃全修掉，有时候我的“活人感”也被修掉了。

回到开头的教师的例子，其实也是一样。知识越来越容易获得，但学生真正掌握知识，仍然需要很多条件。

AI可以解释一个概念、生成一道习题，但学生究竟卡在哪里？他有什么兴趣和长处，适合怎样的学习方式？更重要的是，怎样激发他的好奇心和主动性，让他愿意提问、独立思考，而不只是等待一个现成答案？

当知识讲解越来越容易获得，教师的价值就可能更多地转向：识别学生的特点，激发学习的能动性，设计适合他的学习过程，帮助他把知识变成自己的能力。

这其实对教师提出了更高的要求：不仅要懂所教的知识，还要理解眼前这个具体的人，并根据他的反应不断调整教学。

对于劳动者个人来说，技能的稀缺性在转移。那企业会怎么变化？

我讲一个朋友的经历，感觉特别能说明问题。他做跨境资金相关的业务，事情很复杂，要协调银行、客户和各种合作方。有些客户别人拿不下来，他能拿下来，但他自己也不容易把经验讲清楚。

他下面有“八大金刚”，八个人比较理解他，先听懂他的判断，再把任务传下去。一家公司几百人，不可能人人都天天跟老板磨，所以就形成了这么一层一层的“金字塔”结构。

今年，他拿着录音设备，花了几个月，把典型客户的情况、员工处理业务的过程陆续记录下来，积累了一百多个客户案例，再借助AI整理：碰到什么情况，该问什么问题，以前怎么处理，为什么这么处理。

原来很多事情必须先找到老板，再由那八个人往下解释。现在，其中一些常规问题，员工可以先通过系统获得指导，复杂情况再交给人判断。

那八个人怎么办？他没有简单地说，你们没用了。他把其中更多精力转到了直接做业务、处理客户问题上。按他的说法，后来能承接的客户多了，公司还增加了人手。

这个故事最打动我的地方，是公司的瓶颈换了。以前最缺的是：老板的经验怎么传下去，让别人也能照着做。后来一部分经验更容易调用了，接下来缺的是：谁去见客户，谁处理例外，谁把事情落实。所以，原来负责传话、解释的人，开始更多地走到业务前面。岗位和工作内容在重新排列。

5.公司用AI一定会导致裁员吗？

这也引出了我们另一个问题，公司用AI一定会导致裁员吗？

有的时候，我觉得公司是把AI当做了裁员的借口。最近，我们看到很多裁员的案例，根源是订单减少了，经营业绩下滑了，企业本来就有压缩成本的压力。这个时候，AI可能加快了人员调整。

但是，如果公司看到增长机会的时候，即使用上AI，它的本能反应是干更多事情，而不是裁员。

我们团队就是这样。我当然要用AI，但我今年想得更多的是招人。因为脑子里有太多想法，过去做不了的事情，现在觉得可以试试了。我一个碳基生命，时间、精力都是有限的，还是需要合适的人一起做。

AI提高了效率，省下来的能力，既可以用来减少投入，也可以用来扩大业务。企业往哪个方向走，要看有没有订单、有没有增长机会。

阳狮集团就提供了一个挺有意思的例子。

它是做广告、传媒和营销的。你想，写文案、做图片、剪视频，哪一样不是AI正在改变的工作？按“AI来了，人就不需要了”这个逻辑，这种公司应该首当其冲。

但它的业务还在增长。2025年，阳狮全年收入增长了5.6%；到2026年第三季度，仍然增长了5%。人呢？2024年底是108,179人，2025年底是114,079人，一年增加了5,900人。

那它的业务为什么还能增长？一个重要原因是，客户要做的事情也在增加。

以前做一套广告，投出去。现在，客户希望针对不同人群、不同渠道，制作不同内容，还要不断测试、调整。过去做这么多版本，成本太高；制作成本降下来以后，一部分原来做不起的需求，就变成了订单。

按阳狮在2025年第三季度的披露，个性化内容需求增加，推动它的AI制作平台实现了两位数增长。它还在帮助客户把数据、媒体投放、电商和达人营销连接起来，并搭建AI智能体系统。这些都是它披露的业务增长来源。

今年4月，阳狮还宣布成为微软的全球媒介代理商，同时扩大双方在AI营销上的合作。这个细节很有意思：微软自己就有很强的AI能力，但它仍然需要营销服务，但它仍然需要阳狮理解消费者、制定媒介策略、协调全球投放，并根据实际效果持续优化的能力。

因此，如果要给政府提政策建议的话，我会说，第一重要的事情是要给总需求托底，而不是刺激人工智能技术进步（这更应该是市场的事情，企业的事情）。

意图经营：需求要被重新定义

6.如果顾客开始让AI替自己买东西，我们该怎么赢得订单？

前面讲了，AI让企业能做更多事情。但东西做出来以后，还有一个问题：到底卖给谁？消费者怎么找到你？我们最近就发现，自己的消费习惯开始变了。

去美国的时候，人生地不熟，找餐厅，第一天问司机，推荐的地方吃下来感觉一般。后来几天试着问Grok，推荐的餐厅反而都挺合我们口味。当然，这是我们几次出行的体验，但它确实改变了一个习惯：有需求的时候，我开始先问AI了。

惠璇还讲了一件特别好玩的事。她儿子三岁半，刚上幼儿园，有一天指着一个东西问，妈妈，这个英语怎么说？她一时没想起来，儿子下一句就是：妈妈，你去问一下豆包。你想，10年之后，这一代孩子长大以后，买东西的第一步，会不会就是先跟AI说一声？

过去，想买裙子，先打开购物平台；想订酒店，先打开旅行平台。我们先进入一个地方，再从它给的选项里挑。以后，一部分需求可能从一句话开始：“下周去海岛，帮我找条白裙子，别太透，预算五百元，出发前能送到。”

AI先理解你要做什么，再帮你找。它可能调用一个平台，也可能比较几个渠道。消费者寻找商品的起点，可能从“打开哪个平台”，变成“表达一个意图”。

这就要求企业重新理解需求。

搜索、点赞、评论、购买，过去的平台已经会用这些行为推测我们的偏好。但行为只能提供线索。买了儿童玩具，可能是自己家里需要，也可能是送人；点过一次赞，也不代表以后永远喜欢。

AI带来的一个新可能，是把这些零散线索和持续对话联系起来，通过追问和反馈，逐渐弄清楚：这个人此时此刻，到底想完成什么事情？

这就是我们讲的意图经营：企业经营的对象，要从已经发生的交易，向前走到正在形成的需求。

不只看他买了什么，还要理解：他为什么找这个东西？为什么看了半天还没买？究竟是哪一个细节，让他不放心？

拿买裙子来说。比如，我说：“海岛度假穿，白色，别太透。”

商家如果只写“仙气飘飘，度假必备”，其实没有回答她的问题。我真正关心的可能是：什么面料？有没有内衬？逆光拍照会不会透？海风一吹，会不会不方便？尺码怎么选？下周出发，能不能按时收到？

一句很简单的要求，背后可能是一整套使用情境。

所以，商家不能只想，我是不是要把商品页面改得更方便AI读取。信息确实要准确，面料、尺码、库存、配送、退换规则，都要能被查询和核对。但更前面还有一步：你到底有没有理解这个需求，你的产品是不是真的适合？

从商店到淘宝，再到内容平台，入口一直在变。以后入口还可能变化。但对商家来说，有一件事越来越重要：你的商品，要经得起围绕真实需求的追问。

这也就接到了我们一直在讲的4C：微场景、小共识、强共创、强复利。

微场景，就是把需求放回具体生活里。同样是白裙子，海岛度假、上班、赴宴，需要的就不一样。不能只用“二十五到三十五岁女性”这么粗的标签理解她。

小共识，就是找到一群有共同困扰、共同判断标准的人。有些人最在意显瘦，有些人最在意舒适，还有些人就想不费心搭配。你先把其中一群人的需要理解透，不必一开始就讨好所有人。

强共创，就是让用户参与把需求说清楚、把产品做出来。给她看样衣，问哪里不舒服；让她试穿，听听为什么不愿意买。有些需要，坐在那里问是问不出来的，要在实际使用中才会显露。

强复利，就是这次学到的东西，下一次还能用。不能每次收到“太透了”的评价，都只处理一次退货。你要知道是哪种面料、哪种光线、什么使用情境出了问题，再去调整产品、说明和推荐，并检验调整有没有效果。

这就又回到了反馈复利。我们做研究，其实也一样。没有人会一开始就说，我需要一套关于智能社会的经济学理论。他可能只是问：我这个岗位怎么办？公司用了AI，为什么还是没挣到钱？我们得从这些具体问题里，理解大家真正需要什么。

所以，意图经营不是“更精准地推销”。它要求企业更早地参与需求的理解，把那些零散的、尚未说清楚的需要，逐渐连接到合适的产品和服务。

以后消费者可能先问AI，但企业最终还是要回答那个最基本的问题：你究竟理解了他什么，又替他解决了什么？

叙事投资：如何给智能定价？

前面我们讲，智能可以被规模化调用，可以在反馈中积累，还可能打开新的业务。那么，回到金融的问题：拥有这些能力的企业，到底值多少钱？

这一波，AI相关股票上蹿下跳，市场一会儿相信它会改变一切，一会儿又担心投入收不回来。

所以很多人会问：我们是在给一场真正的生产力革命定价，还是又一次为过于乐观的未来付钱？会不会重演互联网泡沫？

这两件事，其实可能同时发生。技术可以深刻改变世界，但投资者仍然可能买得太贵。

那怎么判断这个价格高低？我们还是要回到金融学里最基本的工具：DCF，现金流折现。说白了，就是把企业未来能产生的现金流，考虑时间和风险，折算成今天的价值。我们可以拿它当一个“定价抓手”：智能进入企业以后，到底改变了什么？

你给一家企业估值，总得想清楚：它靠什么挣钱？增长需要多少投入？优势能维持多久？又可能被什么打断？

第一个，是未来现金流的增长路径更难预测。

智能技术还在发展初期，未来能做什么、能进入多少行业，我们其实还看不清。今天只能做一件事的能力，明天可能打开一大片业务。增长可能出现跃升，也可能在技术竞争中突然放缓。

Anthropic最近的估值讨论就很有意思。据路透社报道，它向潜在投资者介绍，第三季度收入环比增长约45%，达到168亿美元。但因为增速比上一季度放缓，部分投资者开始讨论约1.5万亿美元的IPO估值，低于此前约2万亿美元的预期。

你想，增长45%，已经很快了，为什么还有人觉得不够？

因为原来的价格里，可能已经放进了更快、更持久的增长。现在增速变了，后面几年还能长到多大，就得重新算。我们很容易拿眼前的增长往后推，但推得越远，对增速和持续时间的判断就越敏感。 眼前只是一个季度的数据变了，后面许多年的预期都可能跟着改。

还有第二个问题，“估值期权化”：估值中，尚未兑现的增长机会，可能占据更大的分量。什么意思？就是市场不仅在给已经形成的业务定价，也在给企业未来可能打开的机会定价。

我们去硅谷的时候，有个人跟我聊Anthropic。他说，你不能只看它今天卖什么，还得看它聚集了什么样的人。这里可能有全世界最聪明、最有野心的一批人。这些人凑在一起，未来会做出什么东西、打开多大的市场，你今天其实很难想象。我一时间也难以反驳他的观点。

但有一点很清楚：如果今天的估值，很大一部分由尚未兑现的业务支撑，那么市场对成功概率、兑现时间稍微换一个判断，价格就可能动得很大。

第三个变化，就是折旧率——这些智能能力，到底能值钱多久？

我们看机器设备，可以参考使用年限、磨损、维修和残值，通常会假定一个平滑的折旧曲线。

智能能力就有一个很有意思的地方：模型和软件不会因为多用几次，就像零件一样磨损。如果反馈机制有效，它还可能越用越好。

但你自己变好了，不代表你就更值钱。同行可能进步得更快，也可能用更低的价格提供同样的能力。昨天客户还愿意花钱买的东西，明天别家免费提供了，你的能力还在，溢价却没有了。

所以，智能能力的价值变化，未必是一条平滑向下的线。它可能持续积累，也可能因为一次技术跃迁，突然大幅贬值。

这三个变化，最后改变的都是我们怎样理解未来现金流。增长路径，决定未来可能做多大；增长机会，决定还有哪些业务可能出现；能力的贬值与替代，决定这些收益能够维持多久。

也因此，市场会更依赖一套关于未来的叙事：智能会打开什么市场，怎样创造收入、留下利润，又可能被什么技术替代。

我们会在11月27日的直播中，进一步讨论叙事投资的方法论。

这场直播，也是我们新账号的一个开场。我和惠璇一起做了视频号“香帅数字财富论”和公众号“香帅数字资本论”，想和大家持续讨论：智能社会正在怎样形成，我们又该怎样理解它。

今天讲的六条原则，看起来是六个话题，其实是一条线。

智能工业化，讲的是财富怎么创造。 原来昂贵、难以获得的能力，可以被规模化调用，新的产品和服务才有可能出现。

反馈复利，讲的是能力怎么积累。 今天做完一件事，除了留下收入，还能不能留下经验，让明天做得更好？

稀缺性迁移，讲的是价值怎么分配。 一些能力便宜了，新的瓶颈在哪里？谁掌握这些稀缺的能力，谁就更有机会留下利润。

能力调用杠杆，讲的是生产怎么组织。 几个人怎样调动过去需要多个部门、甚至多家公司才能提供的能力，完成更大的任务？这一条今天没有充分展开，我们留到后面的直播和文章里继续聊。

意图经营，讲的是供给怎么找到需求。 能做出来，还得理解人们在什么情境下，真正想解决什么问题。

最后是叙事投资，讲的是资本市场怎样为这些变化定价。

你想，生产能力变了，积累方式变了，利润分配、组织方式、需求连接都变了，企业未来的现金流、增长空间和风险，怎么可能不变？作为金融学者，我们就得继续往下追：这些变化，最后会怎样进入资产价格？

从财富的创造、积累和分配，到生产的组织、需求的连接，最后走向资本市场的定价——这就是我们想和大家一起建立的经济学框架。

而且，这六条原则也需要在现实里不断检验。我们特别希望大家把自己工作中、企业里遇到的问题带过来。有些案例可能帮助我们理解这套框架，也有些会提醒我们：这里还没想清楚，那里需要修改。

我希望香帅团队首先是一个研究团队。除了璇璇、靖靖，也希望有更多愿意做研究、愿意理解现实的人参与进来。一套理论要长出来，不能只靠几个人坐在屋子里想，它需要不断碰到真实的问题，接受真实的反馈。

一个社会转轨的时候，一定会有焦虑和迷茫。过去花了很多年学会的本领，还值不值钱？下一步往哪里走？这些问题，我们自己也在经历。

我们不能保证给出所有答案，但希望认真做一点研究，在大家看不清的时候，多照亮一点眼前的路。

回看这场直播

如果你也在想，AI会怎样改变自己的工作和生活，欢迎回看我和惠璇的这场直播。也欢迎把你的问题带来，我们一起在真实的案例里，继续理解这个正在变化的时代。

打开直播回放 →