原文来源：播客「硅基立场」Vol.32《对话元理智能张帆：去他 X 的 FDE》，主持骆轶航，2026-09-24 发布。 B 站：https://b23.tv/8FU0eyh ｜ 小宇宙：「硅基立场」Vol.32 逐字稿由本地 Whisper 转写（small/int8，213 段），经 glm-4-flash 加标点。2026-10-27 二次校对：参照公众号「曼比乌斯」同场书面版修正 400+ 处转写错误（张帆、智谱、Anthropic、BloombergGPT、Scaling Law、合伙人制、现实扭曲力场、李世石、探针等）。 2026-10-28 三次重排：全文逐章语义重排——重判说话人归属（开场互怼、追问与插话拆分归位，如"张帆跟大家打个招呼"实为骆轶航语）、修正残留乱码（knowledge work、Kimi K3、Dario Amodei、Opus 5、9块9、飞书打钱等）、同人段落按语义连贯合并（207 段→177 段）。"Fable" 经搜证为 Anthropic 旗舰模型 Fable 5（企业支出占比约 11%），存疑项清零。
对话元理智能张帆：去他 X 的 FDE（完整逐字稿·对话标注版）
1. 开场：老友重逢
⏱ 00:00 ｜ 骆轶航 × 张帆：从妙计旅行、大搜车 CTO 到智谱 AI COO，十年之后再对谈
骆轶航：今天的这期硅基立场视频播客，我请来了我的老朋友，元理智能的创始人CEO张帆。我说张帆是我的老朋友，一点也不为过，因为我真的认识他已经十多年了。从他在移动互联网时期创办妙计旅行，到他后来加入大搜车做CTO，当然也包括他最近最为人所熟知的经历，做智谱AI的COO，负责智谱AI的商业化落地。这几年以来，我是一直在看着他对于AI的思考和累积，在不断的变化和不断的增长。那么，今天的话题，我们也自然是从AI的商业化开启的。因为元理智能，就是在做企业的AI商业化相关的工作，我们自然会从一个最热门的话题FDE聊起。我本来想顺着FDE聊下去，我却没有想到张帆对于FDE这个概念和落地进行了非常系统的和根本性的批判，这个是我多少觉得有点意外的，也是让我觉得我们今天的聊天会更有价值的一个原因。我觉得张帆他指出了两个问题：第一个问题，AI的商业化对于企业来说，到底是以人和智能为中心，还是以企业为中心？这是第一。第二，通用的泛化的模型能力，与企业真正需要的AI能力，究竟有哪些本质的不同？我们所有今天的论辩、交锋、想象和漫谈，都是围绕着这两个话题展开的。我想，这也是今天我们这场对话最有价值和最干货的部分。这场对话有两个多小时，我们一会激动，一会沉思，一会交流，一会论辩，整个的过程起起伏伏，很精彩，希望让大家觉得我们今天的聊天能够对大家有所帮助。
骆轶航：真正地认识AI时代企业、模型和个体每一方的角色和存在的意义是什么，能够有所帮助。希望大家能够享受，enjoy。硅基立场是一个争取每次用一个小时左右，把一个AI领域的议题和一个最对的人聊透的AI播客节目。今天也请来了一个基本上不太会拖泥带水的人。
2. FDE = AI 外包
⏱ 02:14 ｜ 一个酷炫名字下的定制生意：能力沉淀在人，就永远无法规模化
骆轶航：来，老朋友，元理智能的创始人、CEO张帆。张帆，跟大家打个招呼。
张帆：硅基立场的各位听众们，大家好。很高兴来到轶航老师的硅基立场，还是很有压力。
骆轶航：你跟我还有压力？
张帆：咱俩同台也不知道多少次了，咱俩认识有10年了。但每次跟轶航老师聊我都得出冷汗，因为不知道会问出什么特别细腻的问题。不过我觉得，不可控也挺好。
骆轶航：这跟模型一样，这叫随机性。随机性、多样性，指令遵循比较差，但幻觉比较低，探索空间大。
张帆：对，我觉得我现在这个风格基本上就是GPT-6.0。真的，我最近发现Codex指令遵循是有问题的，但是不太离谱。
骆轶航：所以是人类的人肉AGI。我评价人，经常就会这么去评价。
张帆：我这个人基本上是Opus。
骆轶航：这个人就是Kimi K2，这确实是硅基立场的风格。
张帆：这个人是多次的模型。
骆轶航：对，多次模型，这太好了。好了，不开玩笑了——我们上次公开的聊天是什么时候，你还记得吗？
张帆：好像是一个行业大会，我觉得是在中关村附近。哦对，四年了。光记得是行业大会，不记得是谁的会了。
骆轶航：是我们自己的会。那会儿你还在智谱做COO，管销售，然后完了你就出来了。
张帆：也不光是销售，商业化的大盘子都管。你看啊，那会儿我记得是24年底，一提到商业化、AI的商业化，大家都会觉得：哦，好头疼。
3. 模型霸权 vs AI 主权
⏱ 04:20 ｜ Palantir 毛利之谜：AI 提效的短期红利，还是可复制的长久生意？
张帆：主要那会儿我们在讲智谱商业化，主要是把模型能力部署到企业里面去，25年之后智谱基本上就起飞了。你问智谱今天还想不想干这活？我相信唐老师——恕罪恕罪，唐老师肯定不想干。他现在天天在数token的增长、消耗的增长，爽到飞起，他不要太高兴。
骆轶航：是的。但是你现在出来了，其实还是在做类似的事情，而且现在这个事有了一个特别热门的新词，叫FDE。
张帆：对。那会儿讲FDE的时候，我就想说：你们何必远道去求经OpenAI和Anthropic？你们去问问智谱不就完了？智谱是最早做FDE的公司。你们非要去看人家OpenAI、Anthropic和Palantir是怎么做的——去问问智谱是怎么做的，问问开复老师是怎么做的。
骆轶航：但你现在已经出来了，元理现在本质上还是一个企业服务型的AI公司，还是在FDE的赛道上？
张帆：那倒不是。
骆轶航：所以你是不承认自己在FDE的赛道上？
张帆：我是不承认。
骆轶航：OK，那你现在在做什么？你再讲讲。
张帆：我觉得其实您刚才说的、轶航老师讲的很对。我在想，能不能不用FDE，还能让企业真正完成转化？所以我们用了两种不同的方式来解决这个问题。今天来讲，我自己是非常不认同FDE这个逻辑的，我觉得这是市场的一些噪音。你看FDE本质上包了一个非常酷炫的名字，但摊开来看，本质上还是一个企业服务的定制。这个事不新鲜——定制和外包嘛，只是今天好像高级了一点。
骆轶航：对，就是AI的外包，是不是就叫FDE？
张帆：所以这个事情最近很火，但我们自己把它摊开来看，你发现本质上还是一个定制的活。只要是定制的活，它就把能力沉淀在人，而不是沉淀在企业。只要沉淀在人，这件事就没办法规模化。
骆轶航：这里沉淀的人，你觉得是哪些人？是企业里边的人，还是那些大包小包跑到一个国企、住一个月的那些人？
张帆：我觉得是进去住一个月的那些人。我自己的理解是这样：今天大家之所以对FDE非常认可，背后本质有一个逻辑，就是大家会觉得Palantir的毛利率在持续攀升，这是大家的根源。但我仔细了解了这件事：这个攀升到底是长久的，还是短期的？理论上来讲，Palantir的毛利为什么今天会变好？本质上是因为以前我们给企业做服务要派一队人——售前工程师啊一堆，但今天AI的能力带来了一个巨大的价值，把这个能力放大了，所以有可能一个人就可以解决，原来可能要花100块，现在就花10块。但这个本质上是AI带来的价值，并不是组织自己带来的价值。所以我觉得Palantir很厉害的点，一方面是他的工程师很强，也经历过苦日子，招很多Founder这种level的人，人的能力很强。第二，他的客户很强，国防部啊，什么这都是非常大型的企业。在这两个背景之下，他用最强的人和最强的中台，让这些人快速先适配了AI，所以当别人还是100块的时候，他已经率先做到了10块，毛利就上来了。而且还有一点——
骆轶航：我插一句。很多人忽略了大家现在讲Palantir毛利增长的一个背景。我是知道的：Palantir是一个成立二十来年的老公司，是一个传统的企业信息化、数字化服务被AI升级的公司。它跟Stripe、Cloudflare一样，属于在AI时代重新焕发活力、活得还挺好的上一代公司。它的毛利增长是建立在这样一个转型的前提之上，而不是基于AI时代原生的毛利增长。所以我们要判断这个事情的逻辑成立与否，不应该看Palantir的毛利增长，而应该看OpenAI们再去做这个事时的毛利增长。不过回到Palantir，我觉得还有一个很大的问题：他如果把这些东西——
张帆：——只是通过工具做到了提效。他有最牛的人和最牛的客户，所以可以快速地做更高效的交付。但这件事你要知道：如果所有能力都攒在人身上，人会离职、会跳槽，能力就会扩散，你不可能长久拥有自己独特的壁垒，慢慢会让整个行业都有近似的壁垒，就回到一个卷的状态。而且特别碎片、小作坊的话一定会这样：如果每个人都说"我都能做FDE"，每个人就自己成立一个一人公司去做就好了——反正我一个人，也不用别人，够付工资；我到这儿把你包吃包住一个月，回来，明天再打个包再去，房租都省了。是的，所以本质上来讲，我觉得这个东西还是没办法长久的。而且这里边还有另外一点：Palantir自己的客户太独特了，又是锁定价格，又是高收入、解决复杂问题——抓拉登这种问题。这种东西能不能被复制？五角大楼不可能把Palantir的客户给到一个中不溜的FDE公司，甚至有没有可能给OpenAI和Google，都不好说。所以在这种情况下，这个毛利提升是暂时的、或者是特定环境下的。那我们大规模自己来做，从理性上来讲，如果这件事真的没有把这种能力变成一个可被规模化的底层能力，仅仅依赖一些特别牛的个体，这件事一定不会是一个长久的生意。
骆轶航：那些做FDE的公司，他们没有想到吗？比方说Palantir或者是OpenAI，这个事你觉得到底可以不可以实践？
张帆：对，以我的看法来讲，像Palantir他们本身是上市公司，有一些自己的诉求、自己的定义和行业的要求。但从我真正务实地看他们的东西来讲，我其实没有看到特别明确能够被产品化的。比如说他最先讲的，除了FDE之外还有另外一个，就是本体Ontology，对吧？这是他们讲的。
4. 模型做不了中间商
⏱ 10:11 ｜ 知识图谱是上一代逻辑；OpenAI 与咨询公司互相羡慕对方的饭碗
骆轶航：但是这个我也一直非常不理解：Ontology的本质是啥？是知识图谱。知识图谱是上一代的逻辑。因为原来的机器没有办法计算非结构化的数据，所以只能把非结构化的数据进行降维、损失掉信息，变成结构化的三元组，从而便于计算。但今天大家还在讲这个故事，我感觉这就不够AI Native。所以你觉得Palantir是一个特别不AI Native的FDE，对吗？
张帆：我去评价人家也不合适，但听起来，至少我还没有找到能说服我的那个点。
骆轶航：OK。但大多数人在讲的FDE，其实也是非常非常浅的——还是说，FDE这个事本身就不可能AI Native？
张帆：如果这件事真正AI Native，它为什么不是FDA？FDE的A——A就是Agent。能不能把FDE这件事本身Agent化？这个我觉得可能是更加AI Native的。
骆轶航：别人没有想吗？他们是不想，还是做不到？
张帆：两者兼备。第一种人是大多数：市面上浮躁的很多声音，其实大家是没有深度思考的，可能觉得FDE很好，我就来干，肯定占了一部分人。但另外一部分真正有深度思考的会发现，真正把FDE这件事变成FDA是非常难的，因为这里面混淆了很多人与人之间的交流和高度异构环境的问题。你看就拿咨询业来讲：首先人与人之间都有信任的问题——你要跟人家打交道，人家信任你，你得帮人家按照人家思路去解决问题，又保持专业度，同时把这些问题转化成能够被技术或AI解决的问题，这个链路极长。然后你要在解决的场景里构造数据去训练模型，又要搭你的Harness，训练你的智能体等等——这是一个极长和极其复杂的链路。所以想把它完全FDA化，在原有体系里是蛮难的。
骆轶航：这个原有体系，你指的是咨询公司服务客户的体系，还是企业自身的体系？
张帆：我觉得都一样。因为到今天为止，虽然大家都在用AI，但很多人的底层思路还是把AI当软件用。你看艾森哲，现在其实是OpenAI最重要的、最战略级的客户。
骆轶航：那你觉得这事其实也很扯淡，也很没戏？
张帆：我觉得分两块讲。艾森哲我们也是合作过很多，联合做过很多项目，我觉得还是很靠谱的一个公司：有很强的咨询能力和场景定义能力，还有很强的交付能力，这是原来合作的一些基础。但你刚才讲OpenAI在做FDE这件事，我其实有点看不懂。我唯一的解释是，大家都觉得对方的饭比较好吃：做FDE的想做API，做API的想做FDE，其实都……
骆轶航：不简单（笑）。山姆·奥特曼跟Dario彼此遥望着对方，有可能。你API卖得飞起，是收入非常重要的增长部分；那边觉得：你觉得我API卖得飞起？我没飞起，我还亏着呢。这个五角大楼要能给我钱——我不是就看人家Palantir毛利多高。所以你发现OpenAI跟Anthropic都没有去找咨询公司合作，都去找PE合作。
张帆：对，我觉得他们两个都太低估了真正落地的一些东西。因为PE会觉得"我有企业，我有场景"，OpenAI会说"我有AI，那咱俩一起搞，是不是就不要中间商赚差价了？"其实中间商有巨大的价值在里面，我觉得是低估了，所以它现在也没声音了，反正至少好久没有听到新的进展了。
骆轶航：关于这个方向，最近FDE在国内也热起来了。OpenAI的这些故事，现在好像又回到了它做knowledge work的问题。
张帆：对，回到国内就是Workbuddy、就是飞书这种形态。
骆轶航：飞书和豆包就是这个形态。但他们其实还在积极地去抢美国那些最好的公司的单子。然后你跟他讲的是咨询——锁住算力、锁住API：前者是几乎垄断性的资源，对吧；后者是一个或许有长尾效应的收入来源。而FDE的话，某种程度上哪怕它毛利变高，也意味着投入和产出要等比增高。就是咱干过服务行的人都知道这个事：咨询公司、律所、会计师事务所、公关公司，本质上都是智力服务型行业。
张帆：非常对，就一定是这样。其实我们一直也在观察这个问题：这种场景里边往往有一个规模不经济的逻辑——你管20个人跟你管2000个人，中间的中层和管理的损耗是极大的。当你的业务增长已经抵消不了规模上升带来的效率下降，你的天花板就到了。最典型的就是里边的人会离职、出来单干，因为他一旦恢复成小公司，管理效率一下就变高了，大家又恢复到一个正常的均衡态，所以这种东西很难变到极大。你看咨询公司类最大的一个特点——刚才以上的几类公司，其实基本都是合伙人制的。为什么是合伙人制？就是因为，说白了，你管不了我，什么中央集权——
骆轶航：咱都是军阀。
张帆：对，军阀制，其实也就是FDE。
骆轶航：最有可能的一个形态。其实你看，今天FDE在国内反而更热了。我前两天看到Kimi也在发一个公告，说在招募这些生态伙伴来做FDE，大概就这个感觉。我前两天还看到一个新闻，大家揣测说，可能越来越多的机构、公司也会跟上，把这事儿讲得大家一头雾水。从战略的身位上来讲：我要把一些重要场景跟大型企业锁住，在这种情况下才能保证他使用我的API。特别是当基础的模型能力在趋近的时候，谁能站住长久，就开始变得更加重要了。
张帆：但我觉得这里面有一个巨大的悖论，我觉得这代表了两种哲学——企业到底愿不愿意这样。这两种哲学在于：我们到底是以企业为重心，还是以智能为重心。今天站在AI的角度、站在基模公司的角度来讲，大家一定信奉的是AGI——只要我能找到最大的智能，包括像Anthropic，价格再贵你也会买。所以当时大家的逻辑就是：我要追求最大的智能，所以追捧AGI。但是站在企业的视角来讲，愿不愿意把所有的问题都绑定在（一家基模公司）上？比如说Kimi招来人帮他做FDE，是不是要绑定在Kimi上？
骆轶航：一会我讲这个事，你先讲。
张帆：如果不绑定在Kimi上，Kimi做这件事的意义大不大？如果绑定在Kimi上，那企业愿不愿意？我觉得这里边有一个巨大的gap。
骆轶航：我觉得这可能就是他们没看到的：他最后是以智能为中心，还是以企业为中心。这个事其实你把它再往回去缩一个点——我记得去年的时候，中国的开放权重模型已经开始有比较大的影响力和声量了，特别是在美国的开发者和创业者的群体里面。当时Dario Amodei接受采访的时候讲过一句话。反正你也知道他一贯的态度和那个尿性，但他那个话，他没有很丧心病狂地去批评中国。他讲的就是说：在我们争夺一些企业级的重要订单的时候，我看到的竞争对手就是OpenAI和Google，我没有看到任何一个中国公司。当时我心说，我是多新鲜啊，中国公司也没在你这儿建立销售队伍去卖，美国政府也不让买，也不让大企业卖。
5. 合成数据是「好东西」
⏱ 17:28 ｜ 从极不相信到极度信奉：一万条规则生成一百条数据，就不会过拟合
骆轶航：但今年情况发生了一些变化。比如我举什么例子呢？你看Harvey——Harvey是现在美国垂类的法律Agent，律所行业的，基本上就是最头部，估值100亿美元以上。
张帆：对，它现在整个Agent的底座，用的是开放权重的K3。当然K3金贵——大到那个程度，开放权重你本地部署，可能也得花几千万美金。
骆轶航：是的，但是人家还会花。
张帆：当然对，因为它估值十来个billion，它花得起这个钱。它给OpenAI也不见得便宜，只会更贵，所以是一样的。所以我的意思就是说，这个问题的一个本质是：第一，本地部署；第二，Kimi还得再收你license fee——哪怕你本地部署，你是一个成型的企业，它那个license fee收得也是不低的，我觉得这很好。如果是做FDE的话，Kimi再拉一些生态合作伙伴来做，我觉得这很好。这里边背后一个核心的意思是：你的模型是最高智能，或者你去PUA企业——智能即王道，多贵也得买。
骆轶航：如果你拿这个逻辑去PUA美国的企业，无论是Agent的企业还是开发者的话，人家凭什么买？要不要买？到底智能是最重要的，还是能本地部署以及恰到好处的聪明和好用是最重要的？
张帆：就这两个是相悖的吗？我觉得不一定，这要看从问题的本质来定义。我觉得这里面还有一个好玩的现象，我不知道轶航老师有没有注意：其实有两拨训练自由模型的热潮。第一拨是23年BloombergGPT出来的时候，引爆全球，大家都觉得一半金融数据一半通用数据，我要训个BloombergGPT就NB了，大家都来效仿。但很快GPT-4出来之后，在Benchmark上完胜，这个特训就没声了，今儿也没有人怎么提这件事了，大家似乎告一段落，没有下文，就不再继续进行训练模型的阶段了——那会儿后训练不够发达。但是今天你发现这事回来了，包括前一阵我看有新闻讲红杉的美国合伙人讲"not to our weights, not to our product"，意思是（谁也拿不走）我们的权重、我们的产品。包括刚才讲的Cursor又遇到了被OpenAI禁调API，所以自己要训练自己的Composer；再加上Harvey，今儿都是类似的逻辑。从原来大家失败了、放弃了，到今天又训起来了，这个现象也蛮有意思。这中间前面的一个变化，就是现在RL对于一个基座模型、对于一个小点的模型，重要性都越来越强了，对everything都非常强。所以我现在回头看，严重怀疑BloombergGPT那会儿也是一帮人一拍脑袋就进来了，连模型怎么训都没搞明白，可能也是一波跟风的——这波人也不知道什么是Pre-train、什么是Mid-train、什么是Post-train，觉得Pre-train比较高级：他能Pre-train，我也能Pre-train，我有一半数据我都得灌进去。当时的话，Pre-train其实还是有些炼丹和调参的做法在的，当时我们也做过很多跟Pre-train相关的。但你帮客户做了Pre-train之后，他没有后训练，他所有的对话能力都是没有的，而这套（后训练）你是不可能复制的，模型公司也不会给你这套数据，凭什么？所以理论上来讲，本身这条路就不通。而且今天模型的训练范围足够大，以至于数据足够多，没有什么东西在预训练上是预训练不出来的。
骆轶航：FDE，你到底不认同它什么？它最大的错的本质是什么？
张帆：除了刚才我们讲到的两个事——一个是它高度依赖人的能力，而且强人的能力会极容易外溢式地扩散；另外一个，就是这个东西没有沉淀给企业。对FDE，我其实是不认同的。主要是两个方面。第一个方面，站在FDE作为一家公司来讲，它不是一个好的商业模式，它依然还是一个外包公司，只是名称叫起来比较高级的外包公司，就是AI时代的SAP，太多特例在里头。所以今天也仅仅是Palantir在某些特殊情况下达到的效果，其他的并没有。第二个点我觉得更本质：从AI Native的视角来看，我不相信（靠）人——人是没办法的，我相信这件事要有更好的方法。我觉得今天市场上大家对于人的认知是非常混乱的。因为一方面来讲，大家觉得你看24年年底的时候，我记得当时所有人都在讲说……
骆轶航：数据不够了，Scaling Law失效，连伊利亚都站出来讲，说人类数据是化石燃料，用完就没有了。后来你发现，人类的数据，顶个屁。这两年大家全都用合成数据走下来了，所以后来你就发现，到后面就没有人提这个话题了。我自己给自己写了一个架空历史型的游戏，我把Pax Historia给fork了，然后用Codex再写的过程里面我发现：你喂给它的人类史料，只占这个游戏（内容）的10%不到，剩下的都是剧情生成的、架空了篡改的历史的新的合成史料，那个是驱动整个剧情往前走的非常重要的东西。
张帆：瞎说。
骆轶航：回头发布出来，大家玩一下。
张帆：所以我觉得逻辑上来讲，（对于靠人）我不太相信。但逻辑是在于：从0分到60分，人是非常高效的方法；从60到80分，人就开始变得困难了；80分以上，人就几乎无效了。这是我自己的判断。如果今天我们想把一个环境做得足够好，就必须找到一种通用的方法来构造数据。这里边有一个有意思的观点，我跟轶航老师探讨一下——就是刚才讲到合成数据这个事。我其实一直在避免自己变成一个老登思维，因为我以前也是做NLP的，做NLP的人（对合成数据）有很多天然的排异，所以我尽量让自己保持空杯，对吧？
骆轶航：你说了我就乐了。
张帆：不要嘲笑，还是很尊敬的，继续。站在我原来的逻辑里面，23年、24年的时候我是极其不相信合成数据这件事的。但我后来想通了这件事，现在成了极度信奉合成数据的铁杆粉丝。为什么？原来的逻辑是：如果我今天拿100条规则生成一万条数据去进行训练，理论上肯定过拟合overfitting了——我明明就100条规则，生成一万个，这不自己骗自己吗？肯定是没戏的。所以站在原来的角度，我认为一切的合成数据都是没效的。但后来我为什么想通了？我觉得我自己被以前的思维固化了：我为什么一定是规则要比数据少呢？如果是一万个规则生成100条数据，它不就不overfitting了吗？我们的潜台词会认为，生成一万个规则太难了——我有生成一万条规则的功夫，为什么不直接生成一万个答案呢？那不更简单吗？不是这个样子的。在没有大模型的时候，这个逻辑是成立的；有了大模型你会发现，大模型把人类的知识变成万亿级别的参数，而我们的一个prompt或者一个规则，它会均匀地散到这一万亿级别的参数上。而且你不制定规则，这些参数的分散和分布会导致一个错误的结果。
骆轶航：再回到我刚才说的例子——现实数据和合成数据。你会发现写架空历史游戏里实验起来最大的问题，就是现实材料和你的架空材料经常会串，主要是现实材料串架空材料。这个过程当中，你就是要通过不断地去设置规则，鼓励合成数据进一步地扩散、变更多条，然后用它强行去覆盖已经被合成数据改变的历史规则。
张帆：刚才说的这个里面，还有一部分属于知识类的、信息类的。我说的是在探索认知的领域里面，你会发现很多合成数据能够带来额外的泛化。因为本质上来讲，人就是一个合成体。原来我老想着：左脚踩右脚，它怎么能上天呢？现在你发现，人就是左脚踩右脚上的天——爱因斯坦学了牛顿，然后自己研究，造了相对论；下面一代人再叠加，他没有overfitting。本质上是因为他们在一个极大的（空间里），不是一两条规则的叠加，而是无数规则的叠加，产生了新的化学反应：互相争辩，互相求证，跟今天的多智能体一样。所以我现在是非常相信合成数据这件事的。回到FDE这个话题，为什么我不相信（靠人）：我觉得今天一个企业寻找到自己的最优模式，不应该是通过人来为知识建模，而是需要找到一种为学习建模的方法，让它自动在企业的业务场景里面学习，我觉得这才是第一性。我们就从一个抽象一点的维度来看这件事。我们原来在为一件事情建模的时候，有两种方法：一种方法叫做为知识建模——我去了（企业）之后，先去采访……
6. 人类知识无用？
⏱ 27:39 ｜ 0→60 分人最高效，60→80 变困难，80 以上人几乎无效
张帆：比如说我们公司就是销售为主的，那我就问你：销售到底啥逻辑？你大概什么样的客户，遇到这样的客户你该怎么卖？客户一般都会问哪些问题？最好给你搭一个脚本树，最好给你搭一堆Workflow，最好给你搭一堆知识库——这都是最传统的做法。这个东西我称之为"知识切片"：基于人已经对物理世界进行观测、总结出的经验变成规则。首先，这个规则已经僵化了。你为什么要去访谈人呢？他已经是被加工后的、二手剩下的东西了。放在这儿只有两个问题：第一个，它是被人二次加工、被"压缩"之后的结果，我可能问不同的人，得到的信息就是不一样的。但你发现，人在60分的层面上，大家的认知是一样的；60分以上各有各的绝招，可能都是高手，但方向不一样，你揉在一块，那部分就抵消了，共识就上到60了。它的天花板很低，这是第一个。第二个，这件事成本很高，你需要大量的人做标注、做训练、再反馈、再尝试。当然，今天很多FDE都没有这么深，连训练都到不了，只是写写Prompt、写写Skill，我觉得那太薄了。再往上还有一点，我觉得最关键最关键的是：这个东西是某一个瞬间的切片。我们的业务在变——任何一个企业，拿两年前的模式来应对今年，肯定是不work的。你的业务每时每刻在变：环境在变，产品在变，价格在变，商业模式在变，竞争环境在变，这些都会导致经营策略变化，而经营策略是每天每刻在变的，就像广告投放一样。但是今天FDE的逻辑变成了：了不起半年变一次，变一次这人就得过来搞一遍，我半年之后再来。对FDE公司来说那倒是个长久的生意——只不过企业受不了。
张帆：如果你要真做得很深，这个成本是极高的，而且你很难把旧的知识做叠加，所以整个这一些乱成一团糟。然后你就发现说：如果今天只是尝试性地给这个企业讲个故事——我给你找几个智能体，我给你做个会计，给你做个内部知识库，做个助手，做个合同审核——这些都是2023到2024的玩法，今天又被大家翻出来了。但凡这些，你还接入飞书、Kimi，我觉得就够了，那已经做得很好了。
骆轶航：对呀，接入飞书、Kimi就够了。飞书打钱。
张帆：所以从这个逻辑上来讲，确实意义不大，但今天很多FDE还都是在聊这个层面。如果真的要涉及到（深的），我们原来发现，在企业应用这个领域里面，做60分是个极容易的事，70比60难10倍，80比70难10倍，90比80难10倍，所以60分跟90分差1000倍。但你要知道，这里面的"斩杀线"在哪呢？可能在85：85以下你都是废柴，全都在85以上，一下变成一流了。所以理论上来讲，我们原来做很多深度的FDE，得上一两个高手——一线学校做这个研究的人混在里面；没有这种高手工作上个小半年，你是不可能做到八九十分的。说回到过去，比方在智谱，你要出去谈商务、跟很多企业谈这样的合作，你得带俩researcher：商务我可以自己谈，但干活得找他们干。可那俩researcher会告诉你，我的重心、我的核心办法是提高智能的上限，我怎么过来给你干这个？researcher有两类，会有一部分偏业务场景，但无所谓——本质上，就算便宜，能便宜到哪去？一队人起码100多万总是要的。所以在这种场景下，如果你没有这个级别的团队，其实很难做得很落地。今天大家有个误解，觉得FDE是个极容易做的事。我跟你说，今天做FDE的得是个全才：你得从研究开始，不是个科班、不是个985，做research没有在核心的地方做过模型训练、没摸过百张卡以上，然后你又在很多商业场景落过地——只是凭着一腔勇气，大学毕业生就说我做个FDE，太不靠谱了。说白了这就像咨询行业、就像律师：能把律所真正开起来的律师是什么样的？首先你得在某一个领域非常专精，打商法的、打刑事的；同时你还得知道律所的运营规则，知道整个系统怎么跟法院打交道，怎么规避风险。那FDE现在特别像什么？我就觉得特别像海淀看守所门口，盯着嫌疑人家属、拉活儿的那些人。
骆轶航：不是吧。
张帆：我就跟轶航老师（平时）聊天，太多这样的人了。我觉得很多人确实今天把这个事想得太简单，这就是模型给人带来的幻觉：他以为我能用什么Skill Creator造一个Skill，简单聊两句话，总共加起来没说过500字，给模型生成了一个智能体，就觉得这东西是我能做的。这在今天太常见了。一般做软件的，我见过很多想去做FDE的，你发现这人就没玩过模型，说我做过互联网、做过软件，经常还做这种企业的培训——不会是当年上门装龙虾的那波人，今天去做FDE了吧？也可能是卸龙虾的那波人吧？我觉得大家把这个事误名化了。我其实不觉得FDE没用，我只是站在两个角度：一个是站在生意的角度，FDE未见得是一个好生意——如果你不能找到一个年薪百万的工作，大概率你可能干不了FDE，简单粗暴地来看。挺得罪人的，反正跟轶航老师这一期都得罪完了，都记在硅基立场（头上），没意见。另外，真正做FDE的人是要很尖端的，但这个人如果只干FDE，有点屈才了——在这个时代应该干更有意义的事。低于这个能力门槛，你是干不了的。
骆轶航：另外，我就觉得就算是这种人加入到这个企业，其实他也未见得真正在企业的视角是合适的。因为企业的这种能力，难道不应该自己持续拥有吗？对吧，或者到底以谁为核心呢？
张帆：所以在这种情况下，我们换一个视角来说。
7. 通用智能的企业冗余
⏱ 34:06 ｜ 你买的智能大量浪费在用不到的空间：销售不需要同时是数学家
张帆：我们再想说FDE这件事，能不能AI Native地自动化：能不能为一个企业构建一套自己学习的环境，自己长出来自己的人？就是不要让我的人去仿你的人，最后我们交付了一个60到85分的东西，只能够全作废，不能把这个东西真的get things accomplished。我的人跟你的人聊完之后，我给你写SQL、给你搭系统、搭workflow、搭知识库，而且全是用我的prompt做的——它调用的是模型的智能，那不就接近模型的智能？那能不能有一套东西，说白了，就是让我的能力、甚至我的Agent去接触你的知识、数据信息和本体，让它自我学习成一套自己知道该怎么去部署的东西？
骆轶航：所以这就回到了一个根本的本源问题：到底今天基模会不会吞噬一切，企业到底有没有价值。这两个问题结合在一起，意思就是说：企业自身的核心能力会不会被基模的能力吞噬和覆盖，以及企业自身的AI化，到底要不要依靠单一的最强大智能的SOTA基模？
张帆：我觉得依靠SOTA也没关系。但本质上来讲，这件事（企业要）的价值是啥？我觉得很多企业，99%的企业，今天并没有想清楚，但是大干快上，就觉得啥都能干。你看我们观测了整个的历史周期，从23年开始，企业第一天要干什么？第一天就说我们要做这个prompt engineer，这是未来最重要的职业。
骆轶航：我就剩这一个职业了。这词一开始我也信：我听Prompt Engineering——这不就是我也能当engineer了吗？牛逼啊，我当时就这么想的。然后你看后面，大家又开始变成说：我要搭workflow，自己搭各种各样的workflow，我甚至连搭一套基建，还要搭知识库，自己搭；还有什么向量数据库，火了一阵——其实我一直没搞懂（业务）跟向量数据库有啥关系。
张帆：向量数据库（公司）都是上个时代的数据公司，现在都（改）叫自己向量数据库，现在又不火了，2023年火过一阵。再往后，大家就开始在里面发现什么、出现什么：GPTs——说以后再也没有App Store了，都是造GPTs；再往后，又发现说要DeepSeek大模型一体机，风潮对吧？买到了之后再想干啥用——那是固定资产，先买再说，那（对采购）才是个特别好的时机（笑）。再往后，各种大小作文（说）：Manus才是未来，所以我们每个人都要学智能体，各种各样的玩法。后面有MCP和Harness。再到后来又变成养龙虾——千虾大战、万虾大战；养完虾又养马，反正一大堆马没养起来，养了点马驹就停了，对吧？站到今天这个位置上再往回看：这些东西堆起来真有用吗？有什么价值？我总结了一下，接下来还要大干快上的人们，自己冷暖自知，跟他们说明白了。
骆轶航：不会出来讲的，不一定冷暖自知。他可能会觉得说："你看，我就说嘛，AI给人带来了很多幻觉。"人本来幻觉就比AI严重——他是在用AI，他是在租用智能，他把它当成是自己拥有的智能。还有什么，大家一开始说所有人都要用，用token比谁用的量大，号称有的人混一天用100亿、200亿。我跟你讲，我太知道该怎么消耗token了，消耗token不出活的办法太多，这门槛太低了：你会给它大量的、信息含混的、图像为主的文档，一下就消耗完了；然后让它总结——就跟当时讽刺麦肯锡的段子一样：用无人机、侦察机什么的侦测完了，"你这羊圈那边有20只羊，我要抱走一只羊，作为我的报酬。"——"先生，你讲的道理确实没有错，但你不用这么复杂的办法。另外，你抱的是只牧羊犬，不是羊。"就这都不用抱走了，就一个问题：请。你设置一个Goal，这个Goal的目标是解决NP问题，你就等着去吧，反正算10年，让它算吧——相当于图灵机不停机，它就一直跑，对吧？
张帆：你能把这个机器干崩。所以当时很多大厂在搞token（消耗大赛），简直是个悖论。你说这大厂里边没人劝老板吗？不知道这事不对吗？所以那个时候我就发现，大家对这件事——企业家从来没有想明白，到底什么是独特的。
骆轶航：但有没有可能，就是我们占一个特别刁钻的角度去考虑问题：面对一堆没想明白的传统企业家——以为自己想明白了、其实不明白的——上一代的互联网企业家和IT企业家，在他们不明白的情况下，他们的钱更好赚。所以你是想赚短期的钱，还是赚长期的钱？我觉得后面的钱更大，前面的钱更小，对吧？今天可以赚几个（快钱），但那个事，我觉得很多还是追求智能上限的人（在做）。
张帆：都不想干，Dirty work就不想干，我也不想干。但那个时代，当你的通用智能不够好的时候，你只能这么干。所以我就在想，说回来这个点：企业自己得搞明白，到底我的价值是什么。我们先回过来提个问题：基模到底会不会通吃一切？我自己认为这件事，你可能不能从表象上想，你也不要相信你比基模聪明。站在我的视角来讲，智能从底层来看，这个世界有两种智能：一种叫通用智能，一种叫垂直智能。通用智能的核心是泛化——智能的泛化，就是我什么都能干，这才是AGI嘛。General的G，AGI的G就是General嘛，所以我就叫泛化。但你要知道，泛化是有代价的。泛化，我们明显看到今天已经产生了一定的矛盾：一方面，它的size只能越来越大，数据只能越来越多。从最早的时候，130B已经算是很大了，到后边200、700，现在Kimi K3的2.8T，说是豆包要去做5T，说是GPT-6.0要10T等等。最近有一个我特别不理解的事：头部的玩家不都有共识了吗——大模型的关键不是"大"？我早年老说一句，我在公开场合也说：大模型的关键就是"大"。后来大家就乐了，一度（说）不是"大"；最近自打年中之后，大家又开始在"大"这个字上（较劲）了。这跟中二男生比谁撒（尿）得远有什么区别呢？这里边我自己判断：首先，做大是个确定性最强的事，但是有点不显本事——相对而言当然也是很有难度的。我只是从逻辑上讲，原来大家总是想，就跟原来做软件一样，总是说我们要聚焦；后来你发现聚焦不好卖，那就再加个功能吧，功能不行再加功能吧，还不行，我免费吧。卷到极致的时候，常规手段搞不定就得上别的了。所以我其实觉得，今天能坚持不把模型做大，这是有很强的定力、非常有前瞻性的。我觉得这点智谱做得是蛮好的，还在强烈地控制size——你做大（分数）肯定会好点，但没法用了。所以回到刚才这个话题：今天企业已经用不起了。Anthropic的投资人在说："Fable是最前沿的、还卖得最贵的，为啥只占11%的收入？"就是因为大家用不起，不是不想用。我要用一下Fable，一搞就随便执行几个命令，500美金没了，完全用不起。所以我就在想：这边是极强的智能、极高的成本，那另外一面是啥？我能不能少一点智能、少一点成本，但我又不想让它变得低质，怎么办？我能不能划定范围——就是泛化能不能有界限？今天我们有时候站在研究端，肯定AGI好嘛；但是站在消费端，我会觉得：我明明今天用模型是做一个销售，为啥这个销售同时得是个数学家，还得是个物理学家，还得是个诗人？我图啥？说白了就是压力山大。你让一个金牌物理特级教师还得是个top sales，就有点那啥了。所以今天等于你看起来买了智能，其实你有很多智能浪费在你可能用不到的隐性的空间里，对吧？也就是说，如果我们今天探索的问题是一个极其没边界的，用通用智能是非常完美的；但如果我们已经有了范围——我就是要做一个销售——我为什么不能在这一个范围内，用更小size的模型去训出更加优秀的SOTA指标？并且我的推理成本可能是十分之一，推理速度可能五倍快，甚至我的训练优化目标根本就不是Benchmark、不是做数学题，而是在于我的销售指标：我到底是销售额导向，还是利润率导向，还是复购导向？我来定就好了。所以我现在就特别痴迷于这个。
骆轶航：但这里边又特别有意思的一个事儿：你看你这个思路，Versus这个Fable的思路，或者说是这个Palantir的思路，不觉得特像是中国开源模型Versus美国闭源大模型的思路？
张帆：抛开这个点，我觉得是屁股坐在模型侧，还是屁股坐在企业侧——这是两种哲学。如果你站在模型侧：我就是要追求最极致的上限，而且我坚持未来模型的算力成本会进一步下降、性能一定会上升，最终我会解决成本问题，所以你不部署我的（模型）你就完蛋了——他们会这么去PUA你。我每两个月、三个月就会更新，你自己根本等不了。这是原来的逻辑：你自己做（模型）是不好的。但你发现有一个特点：早期的时候，我当时还在做MaaS平台，那个时候OpenAI也好、智谱也好，我们都会在上面做API的接口，让用户自己调；你发现现在大家都不干了，也不用干了。为什么？第一，大家实在调不好，调优了也没人用，还太贵了；而且今天的基模长得足够快——站在基模的角度，我一个模型的生命周期从一年或者半年变成一个月，我干嘛还给你调？我快速上新就完了。所以这是两种哲学。
骆轶航：现在的版本还是一月一更新吗？
张帆：对的。所以站在我的角度来讲，第一个就是刚才说的以智能为中心：你只要跟随我，我只要够聪明（就行）。另外一种是以场景为中心：我只追求这个范围内的最优，所有的基模都是我的辅助和我的助手，我怎么借助它们在我们的局部达到最优？最近有一个明显的概念，就是主权AI——最早是黄仁勋提出来的、针对国家的，其实现在被Palantir泛化到企业了。你看今天企业的逻辑，包括Anthropic停止给Cursor供货，这就是个企业主权问题，对吧，所以他只能自己干。所以未来这里边的各种合纵连横会很复杂。而且今天的模型迭代得太快了，你原来最优的模型可能三个月之后就已经默默无闻了。所以这个时候，企业不应该把自己绑在基模上，它要想到的是：我怎么独立来构造我的智能？那就叫做以企业为中心来定义这件事。从这个逻辑上来讲，我们是偏向后者的。这就是我说的两条路。
骆轶航：所以一条路是更极致、更便宜的基模，另一个是更加专属的垂域模型？
张帆：（你说的）垂域——其实叫垂域会有点误解：它不是垂直大模型，是企业的私有模型，叫企模。
骆轶航：那接下来要谈的，说白了，就是怎样让企业自己学习、自建企模。这有点接近企业级的RSI，也就是递归自我改进。
张帆：但我觉得还没到那一步。再往前面（走），这就是RSI，对，就是这个。
8. 建「船」而非灯塔
⏱ 46:25 ｜ 海平面每月上涨 100 米，灯塔建了就白建；中央解是「有道理的废话」
张帆：我觉得企业级的RSI，其实某种程度上更容易，这个我们等下讲。这里边还有一个中间点刚才没有聊到：到底企模存的是个啥玩意？就是企业的那个模，到底要的是啥——今天绝大多数企业根本就没有明白，到底什么是我的竞争力。很多人觉得：我用了飞书，我用了Workbuddy，这些东西我用好了，用了ChatGPT，我就是AI公司了吗？这就像移动互联网时代，我全公司都用上了，所有的App都装了，把我CRM也改成App了，我就是移动互联网公司吗？不一样，对吧？开发了App，你也不是移动互联网公司。就是这个逻辑：本质上刚才说的那些东西都很重要，但那些东西不会是你企业的竞争力，那是你企业的下限。没见过哪个企业牛，是因为我会议纪要记得快、周报写得清楚、合同审核清晰——肯定不是因为这个。飞书就管这叫"先进企业"，你就听我说的。对，我们也在用飞书的东西，我觉得飞书是非常好的，但是站在企业的角度来讲，它不会变成你最核心的竞争力。
张帆：所以我们就说回来，到底企业的本质是啥？这里边又有一个底层的逻辑：基模给我们的东西，大多数如果你不做任何加工，是没意义的，因为通用智能的价值趋近于零。但不是说基模没价值，是（通用）价值基模已经截走了。你如果提供的就是基模的价值，你的竞争对手人人都可以干，跟你没关系，对吧？你可以用飞书，我也可以用飞书；我可以用ChatGPT，你也可以用ChatGPT。我们的价值区别是啥？肯定是在此之上的。我记得很早的时候，我们在活动上讨论过一个话题，我自己早在23年就想了一个逻辑：基模是什么？基模是大海，很汪洋，大海很广阔、很晃动，对吧？但所有企业都想：我要看得更高，我要站得更稳。这有两种做法：一种做法是我搭一个灯塔，足够高，我爬上去。但这里有一个缺点：虽然你稳了、清晰了，但你要知道海平面每年上涨100米，现在是每个月涨100米，很快你就已经白干了。所以你看这两天好多讲的是什么：前两天刚发了一篇文章，说（模型升级后）你在Astra里边要重新设定自己的System Prompt、AGENTS.md以及你的Skill；包括原来Opus 5（上线）的时候，也号称要重做80%。这些是跟版本原生相关的——那东西不叫资产。意思就是：过两年再登塔，你建了500米，现在你得建1500米——
骆轶航：你们要不然（塔）也会被（水）追上来。因为海平面还在往上走。
张帆：对，过两年你还得拆了再建。没错。所以我当时提到的关键就是：你得造条船。你得跟基模解锚，它怎么长，你怎么长，你在船上面长。但你就得分得很清楚，这个界限是什么。所以这就回到了企业自己独特于基模的、自身的根本价值。只是这个之前很多企业没有讲清楚。我自己理解，这里边讲一个有趣的例子：基模，我们问任何一个问题，你都可以理解为它把我们的问题，加上基模本身的隐空间，投射到一个平面上。这个平面上会出现一个正态分布：正态分布的中央就是共识解，两边就是边缘解。由于模型的训练基本上是Loss最小化，它肯定偏向于中央解——随着你Temperature高低可能稍有波动，但核心是在中央。中央解还有一个很形象的名字，叫"很有道理的废话"，这件事没价值，对吧？所以真正的价值反而是在边缘解：无论你在做技术上、创业上还是产品上——包括轶航老师写文章，全是边缘解；我做游戏现在要的也是边缘解。对啊，要不然你——
骆轶航：对，玩个游戏，全都是国际公法——都按国际法、国际公约推进，那哪来的一战和二战？这种事就不存在了。后来我就特别烦：你发现用它玩原装（历史）游戏，玩的全是这个套路。
张帆：所以你发现，今天企业里面最有价值的、能沉淀的，就是它的边缘解，就是非共识。对，非共识。共识（的价值）已经趋向于零了：以前共识还有一点体力价值可以卖，现在共识的价格趋向于零，你没有机会了。说到这里我举个例子：比如我们做了一套产品，你今天丢给大模型，你说你看我这套产品设计好不好？大概率它给你回的都很平庸——你得用户体验好，你的功能得强大，用户得怎么怎么样，巴拉巴拉说一通，但你发现这东西没用。但你今天去问乔布斯，乔布斯可能说：it's a shit。对，it's a shit。Shit之后，他会说：你这个人文跟科技结合不够，不够极简。你再去问马斯克，他会说：你这东西不够low cost，成本不够十倍好，不够颠覆。
骆轶航：这在现实中实现不了。
张帆：对，这是马斯克（才）会说的话。从这个逻辑上来讲，这两个全部都是边缘解——正因为有边缘解，才会有特斯拉，才会有苹果。那我们怎么得到边缘解？如果我是乔布斯，或者我是马斯克，我做到边缘的唯一办法，就是要在模型的公共分布之上施加独特分布，来扭曲这个正态分布：让原来的边缘解变成今天的中央解，过去的中央解变成今天的边缘解。我要去扭曲它。所以这个扭曲力场是企业的唯一解——现实扭曲力场是企业的唯一解。因为你只有把它扭曲了，才能让基模得到一个公共解里没有的东西，这才是你唯一存在的价值。说完了：你吃的就是模型能力正态分布曲线两头的东西；中间那个东西，恰恰是千篇一律的、精致的蛋糕里特别厚的那一层——那就是体力活。大家都可以干体力活：我帮你查一下，ChatGPT帮你回答一下，就这个逻辑。所以只有在两端的边缘解才有意义，但现在大部分（企业）吃的，都是中间那层。
9. Workflow 是伪命题
⏱ 53:09 ｜ 知识的三种载体：规则→文字→脑神经，对应 Workflow→Harness/Skill→权重
张帆：比如合同审核，这就是中央解，解不解无所谓；会议纪要，中央解有用，但它不本质，不是你最重要的价值——吃的就是蛋糕底下那层特厚的面粉，哪一个企业没吃啊，差不多是那意思。所以这件事，企业家要想清楚：无论是个人还是公司，你唯一的价值，就是你有独立于基模之上的特殊分布，而这个分布叠加于基模，你能得到更好的结果。这就是那条船：我可以要一个智商120的乔布斯，要个智商200的乔布斯更好，但那还是乔布斯——智商200是基模的，我不去试图弥补智商这件事，就交给基模公司。所以我觉得这件事是所有企业家该做的事。说完了，就是亚里士多德和一个金牌物理老师，谁能够带出一个145分以上的学生？没错，这个例子也很好：亚里士多德连重力的基本原理都讲错了。所以回到今天，我们从企业视角来看，随便想一个企业的例子，这个事就更清晰了。今天所有的企业——原来我觉得在SaaS时代给了我们一个特别大的误导，叫做"企业最佳实践"。就是企业有没有最佳实践？如果一个行业你还靠着行业最佳实践干活，你这企业还有没有存在的价值？我能不能靠别人的最佳实践（成功）？不行。行业最佳实践都是后一半的人才看，前一半的人肯定是个体最佳实践。轶航老师能看别人的最佳实践吗？说你这个文章不能这么写，我给你推荐一下别人的最佳实践，你不得把他轰出去？
骆轶航：谁敢跟我这么说，哈哈哈哈。
张帆：对，所以本质是这个逻辑：每个企业是非常独一无二的。我举个例子，同样咱要开咖啡店，如果你是瑞幸和星巴克，这就是两种不同的哲学。星巴克的核心是什么？要第三空间，要做人与人的连接、场景舒适。瑞幸是啥？买完赶快走：我要足够高的密度、9块9；第二，你就买完赶紧走，但我效率高、便宜、马上送到家。但你会发现，我把他们两个看作两个独立的边缘节点——如果我今天要开店，我跟大模型讲：你告诉我应该开一个什么样的咖啡店？它大概率告诉你：咖啡得好喝，态度得好，速度得快，位置得好，空间要温馨舒适——要温馨舒适就多半亏。对，这看来肯定亏，就没有任何的价值判断在里面，这就是公共解。但瑞幸跟星巴克就会有完全自己的边缘解、自己的空间定义。他只要在这个过程中不断地前进循环，就可以构造出自己的企业RSI：他会有自己的选店和评估的模型，这些东西会源源不断地进入到他的模型里边。而这个东西基模永远没有——永远没有、没办法用，因为你不可能这个人又像星巴克又像瑞幸，这俩是相反的东西。所以我们的逻辑认为：今天企业的核心在于，你如何构造自己的那个场域，在那个场域内追求最优，而不是追求公共场域的最优；你如何用一种能力，把公共场域的最优结合我自己的认知，抽象到我的垂直场域。我把一个原来可能100平方公里都有效的东西，现在变成两平方米有效，这就是我的价值，而且我只做这两平方米。所以我觉得这就是我们今天认为企业该做的事：找到企业的核心锚点，构造自己的环境，在这个环境内构建RSI，找到自己的（最优）。不断迭代的话，这就解决了FDA的问题。其实还是套用一个术语：实际上就是RSI——但这个是你本身要去做的事。
骆轶航：但你这个RSI，做的是企业自己的？
张帆：对。说白了，就是给它一套工具和框架，让它自己去建造自己的（RSI）。你看，RSI今天很火，但大家都还没整出来。但我们去年、一年前就在这个逻辑上了，只是当时不叫RSI，我们叫商业强化学习——把强化学习用到商业上，本质上就是自我进化和迭代。我们很早就看到这个趋势，这个趋势是不可逆的，一定得这么发生，这也是从第一性的逻辑推演来的。所以它最终起的价值一定是在权重上的，而不是在Harness、也不是在Workflow上的。这一定是个渐进的逻辑。从第一性的逻辑来推：搭轮子是不是一个Harness？Harness不是一个具体的Agent，但那是一套你能够把Agent搭起来的（框架）。你看DeepSeek Harness是个很好玩的东西，它真的是Harness：你玩它就跟玩Minecraft一样，不断地插拔、系、搭。但这里边另外一个点就是：它好玩，但它（不）好用，它自己就没打算好用，对嘛。所以我很宽容——这只能本地部署，对吧，这也是反共识。现在我DeepSeek Harness就在我日常在用的一台ThinkPad上用，然后我把这机器关了，我连自己的Agent聊天都聊不了。所以你说我宽容——我不是因为它是DeepSeek才宽容。
骆轶航：就因为它就没打算让好用，我明白。
张帆：所以我觉得，好玩、好用是两件事。今天AI很多情况下是好玩，但你能把好玩用出价值的其实很少——你要把它真正变成一个可用的东西是很难的，它60分就出个Demo，对吧？Harness也是这个逻辑：我今天觉得Code还是非常好用的，像Codex也蛮好用的；但DeepSeek Harness，我觉得可以玩玩，我不觉得它是（主力应用）。这里边又进一步的逻辑就是：企业如果想构造自己的独特分布，这个独特分布应该怎么被承载？这也是一个很底层的思考。今天大家搞不清楚，就会觉得：这种东西到底是一个prompt来承载，还是我应该搭一个workflow承载？它长什么样？过去大家觉得好像prompt engineering做好、workflow做好，我有一套——
骆轶航：然后对吧，里边有些skill、有些东西，然后我可能就好了。那如果这个都不知道长什么样，你不描述出来，大家怎么买？
张帆：所以从底层逻辑上来讲，我觉得这不是个产品，这是个哲学。本质上，我们如果要叠加一个自己的独特分布，这就是一部分知识嘛。这里边就有两个问题：第一个，这知识怎么来？第二个，这知识怎么承载？这两个问题解决了，这事就通了。那怎么承载这件事，我们先讲：你发现所有人类的知识或者信息的承载，基本上有三种载体，而且这种载体内部是有层级的。第一种载体叫做规则：规则是一个维度足够低、大家好理解、好控制的方式，一般就是几十维的、几百维。比它高一点的是文字：大家用语言了，这个时候可能就变成几千维了，表达力就变得更多了。再往高的是什么呢？是脑神经，它就是万亿维了。所以人所有的知识基本都承载在这三个载体里。从企业的角度更直观一点，一开始规则是啥呢？比如咱有一个CRM，CRM里边管这个客户叫成交客户和未成交客户，这就是yes-or-no两维：很清楚，没有歧义，信息量很少，便于传播——你只要说这个没成交的就不能怎么样，成交的就怎么样。但比它再高一维，如果这不够，我就要在里边写大量的东西了："这个客户我们去拜访了，这个客户人还是很好，他对我们很感兴趣，我觉得大概率会买，他对我这个需要什么……"写一堆。这个时候他虽然还是个未成交客户，但多了几千维的文字，表达了很丰富的信息，理论上这堆东西里边的额外信息量变大了——但是这里面就存在歧义了：有的人看这个记录认为能买，有的人看认为不能买，这就开始有推理的空间了。第三层，到了刚才那个脑神经是啥？就是："哎呀，这客户，我就聊了，我说不出来，但我感觉他肯定能买。你看我聊的这哥们，我认识十年了"——说不定这边就有一个老妖精。对，这就是（知识）还在他的脑神经里面、还没有被压缩成语言、没有被降维表达的时候。所以理论上，这三种东西是啥？一个是Workflow，一个是Harness，一个是Weights，不就是这三玩意儿嘛。这个东西本身就是一组Weights，它在维度层面是一回事，是一个直觉去赌概率——它是不能变成文本的那部分。所以你这么解释，很多事就想通了。因为我现在一直在愁的一个事就是：你在企业内部搭建你自己的信息系统——
骆轶航：这里边最大的（难题）就是老妖精：我们公司老妖精不多，可能我一个就是老妖精。那些直觉和那些判断，怎么往下沉淀？这事特别的难。你这么一说，把它变成Weights——我哪敢保证我能干成，但你这话给了我一个思路。
张帆：对的，因为只有Weights才能承载，你只要把它写成规则就压缩了。
骆轶航：这事今天我这边最重要的一个take away，就是老妖精的经验。
张帆：是的，It's essentially the weight。对的，所以为什么那个红杉的人会讲："It's not your weights, it's not your product"，我觉得这个就非常对，因为只有这个的表达力是极致的。刚才讲规则——所以我们在去年包括前年、原来做MaaS的时候，我们就在做workflow的平台，是我力推在做workflow。但我做的时候，我知道这东西不是终局。这东西不是终局的原因，是因为它的表达力太受限了。
10. 组织「液态化」未来
⏱ 01:02:51 ｜ 从腐化逻辑到生长逻辑：软件是人的 Harness，未来的软件皆是日抛
张帆：它（Workflow）的好处就是什么？人可控，人看得见。越往前越像写代码、定程序，越到后面越像做人的教育、像教人，所以这个逻辑一定会发展到那一天，越到后面你就越难弄。所以大家一定从认知最简单的时候开始，就是workflow，最可控。我见过很多知名的企业家说太认可workflow了：我把公司变成几千条workflow。你发现这玩意没法泛化。真正的workflow是场景化的：每次见到一个特殊的场景，生成一个一次性的、日抛的Workflow——今天各种各样的那些场景下的东西，Artifacts什么的那些玩意，都是这个东西。所以在这个逻辑下，这就是承载的层级：我们今天推理下来，不管FDE也好、Anyway什么也好，如果你想把自己的独特分布沉淀下来，最笨、最可控的办法是沉淀在Workflow上；高级一点的，沉淀在Harness/Skill上面；再高级一点的，沉淀在Weights里面，就这么个结构。Weights，对我来说，这就回答了咱们开始聊的怎么存储的问题——怎么存储你不同维度的能力。这是你的价值，别的不是你的价值：越到上层，价值越低；只有Weights里，才是别人动不了你的东西。而这个Weights的很多东西，其实就是（正态分布）这两边的东西。Exactly，这两边的东西。所以回到你一开始的那个问题：我到底是应该追求足够聪明，还是应该追求足够便宜？我当时说，这两个事不冲突。如果我想追求在通用领域内足够聪明，那就是贵；但如果让他在我的垂直地盘里足够聪明，这件事就不一定贵了。你今天要找一个最聪明的人，那你肯定得找个顶级的，很贵。
骆轶航：那你说，我今天就要一个呢？一个最聪明的编辑，或者一个最聪明的你——不用找顶级的（人）。我们家孩子小——就是我没孩子，我就这么说——我们家孩子小升初要考钢琴，我肯定找这附近教得最好的钢琴老师就行了，一个月顶天了一万多块钱。我把郎朗请来，一节课多少钱？关键你请的还不是郎朗，你给他请的是一个又会弹又会做科学的。我请贝多芬过来教（琴），如果贝多芬活到今天，他不是来教琴的吧？贝多芬还得弹琴，他是只弹不教的不是？你找的是个又会弹琴又会做数学题、还有科学发明的人——你叫爱因斯坦来给你教小提琴，你这事何苦？不值得呀！有可能你家门口的一个老师，教琴能力比爱因斯坦强，你还便宜啊！
张帆：对的，所以就有（可能）专门教小提琴的老师，有老师教别的。你发现，人类社会的进化论并没有让人变成一个100斤的大脑，而是让我们每个人开始了分工，所以这也是一种哲学。你看看人类嘛：古希腊和欧洲的先贤，对我们来说每个人都是先知，无所不能，懂很多东西。所以PhD是怎么来的？Philosophy，爱智慧。现在所有的博士都叫PhD——你说你是PhD of physics，这俩词本来就矛盾：你都Physics了，怎么还PhD呢？结果人类社会越来越趋向于分工，到工业时代……四次工业革命到人工智能，人工智能可能是个反例，至少前三次是这个方向。
骆轶航：产业革命其实让人的分工越来越细：从蒸汽机革命到电力革命，再到信息技术革命，人的分工越来越细。人工智能，我真的不好说，我现在没有判断。但分工越来越细的结果，对应的是人的能力和人作为职业的（价值分化）。某种程度上，也是一种生物学上降低（生存）成本的方法：大脑太大了，进化太慢了，所以你看。
张帆：现在这几个逻辑都一样，你把这个逻辑看透了，就知道应该部署什么样的模型。其实今天就是MoE化的：每个人都是独立训练的，独立训练之后又从个体智能集合到群体智能，带来更大的加持。你说没有一个人能造一个火箭，但SpaceX一群人凑一块儿能造一个火箭，这就到群体智能了。整个社会不就是MoE吗？社会就是MoE化。早年那些（先贤）不都是通用的、预训练好的巨大模型嘛——（就像）苏格拉底，压力太大，进化太慢。知识的成长一旦到一定数量，大家发现脑子也不能变得更大、生命也不能变得过长，所以它就只能变成一个MoE。对，那些通才答题的时候就已经MoE化了，现在就更MoE化了，太MoE了。现在那个谁发的那个模型——DeepSeek那个2T还是多少——每次只激活80B，激活得极小，一度分散化了。我觉得这可能是趋势。但我盲猜，说实话训基模我也不是专家，不那么专业。但我觉得如果从逻辑上推理，未来的MoE一定是允许每个专家独立训练的，而且有可能变成一边训一边推，让真正的记忆可以进权重——训推一体。原来的训推一体不是这概念：过去一提训推一体，就是卖那台盒子（一体机），那盒子关键是（算力贵）。未来一提训推一体，可能就是训练方式变了：小范围的、基于每个MoE专家的训推，改变过去先预训再后训的方式。但这个事有点扯，咱们俩聊着玩——咱俩聊完之后，一堆别人在发论文了。很多训模型的人听了会说：咱俩有可能就是瞎聊。我们就瞎聊。因为我确实觉得，本质上你都是从物理世界收集信息，分开收集和整体收集，可能各有利弊，能不能到那一步我不知道。我纯粹是像科幻一样地想：如果未来人类社会作为一种方式，每个人从出生独立学习，继承别人的预训练，在这里边独立学习，学习完之后再变成集体，集体之后产生的数据沉淀下来再学习——有了脑机接口之后，我们不就是可以独立预训练，每个人自己预训练自己？是这个意思。所以这个事先不说。其实国内比较不重成本的DeepSeek和GLM，这个东西还是用得起的。Kimi那边搞太大了，效果是挺好，太费了，训一会儿、用一会儿就没了，我都用不太起来。他最大的问题，推理速度慢——速度慢是因为Size大，它没辙，没办法；而且它很耗卡，大概只有B300才能跑，所以它没法不缺卡，但这个东西会拖累它训练，对不对？他到底给不给推？要推你就不去练？反正就左右为难嘛。所以我觉得这个是有挑战的，这个路子也对也不对。所以这个逻辑讲完，我们就知道每个企业内部都应该有什么样的载体来获得自己的东西了。另外还有一个更本质的：企业到底怎么去获取这个知识？怎么找到我的独特分布对应的知识在哪？今天市场非常浮躁，很多信息都是错误的，但是被大规模传播。比如说蒸馏员工，这事靠谱不？我说句不好听的话，有多少员工值得你蒸馏啊？
骆轶航：这话也太难听了，得罪人太多了。
张帆：唐老师（都得罪了），我是360度得罪。这话我说出来也得罪你们："蒸馏蒸馏我吧！"——公司是这样的：你们有多少员工值得蒸馏啊？站在我的视角，这个事是极其不靠谱的，大家完全觉得蒸馏这件事很简单。我宁可（去）蒸馏大师。就是蒸馏员工这个事，我们之前研究过：第一，你看没有谁把巴菲特"蒸馏"了然后炒股赚了钱，也没有谁把乔布斯"蒸馏"了做出了一个好产品。大家都是说说，好像满大街都可以"蒸馏"，好像谁都弄一堆AI（分身）。咱都不说巴菲特和乔布斯了，就是现在OpenAI、Anthropic、Grok、DeepMind这些厂最好的研究员，你都"蒸馏"不了。你说他的训练方法，来，怎么"蒸馏"？我写个skill你就都知道了？不可能的。
骆轶航：就是大家的想法想当然，但是媒体上传得特别广。很多老板断定说能蒸馏：我要把人物蒸馏出来，我要把我自己蒸馏出来。然后谁讲我同时拿着10个AI一起干活，我把我所有的文章都喂给了Claude Code和Codex，我还写我的Writing Skill——结果我写出的文章照样是60分的，不大是那个意思。
张帆：你看，这个明显就是模型用得还不够深。我们原来做过实验：我让他模拟乔布斯，把乔布斯所有的讲稿什么都拿来，你让他来（回答），发现完全凌乱了。逻辑上为啥呢？因为他每次都要在以往的逻辑里找类似的、语义相关的片段，照着那说，而且每次都是从头重新全找一遍。找来之后，我现在问的这个问题跟那个时代完全不一样，参考上这个讲稿更不会讲了。所以比他更高一级的是啥？你要先对乔布斯历史上所有的东西做提炼，变成他的逻辑和理论风格，这样保持他的泛化。比如说：乔布斯是一个极其追求科技与人文平衡的人，极其在乎极简主义。你把这种东西做点描述，会发现变好——因为影响的不是原话本身，是他的思考逻辑。但有限。
骆轶航：因为这个事我已经干了。我让他总结我自己的风格，他总结得挺到位的——这个人爱反讽、爱反共识，等等，总结都是对的，但是（照这个风格）写出来还是不对。
张帆：你可以试试拿他（的数据）蒸进去，先训进去，可能会再好一点，但依然达不到。
骆轶航：就再post-train一下是吧？
张帆：对，post-train一下会更好，因为他的方法等于就散在万亿参数上了，不只是表面那几个（字）。原来放在prompt里，你给几个few-shot已经不少了；但训练时你可以给500个shots。前两天我们还看了一个论文，蛮有意思的，他做了个实验。咱们经常用智能体、用AI的时候，特别喜欢在前面加一下"你是一个什么什么"——那种写法是最差的，而且一般是越写越狠：你是个产品经理，你是一个资深产品经理，你是一个二十年经验的产品经理，甚至说你是一个两千年经验的产品经理——这真有用吗？带出的结果反而非常刻板、教条非常重。应该让他自己去理解：我给你东西，看它是什么——是一个文档，还是一份经验？是什么人去讲的？你得带着他去想，不能直接告诉他你是谁，这是效果最差的。对，用过的人都知道差，但还有人在教，文档都这么写，效果极差。你没用过，你都不知道自己效果差；知道了也不容易（改），门槛是挺高的。那篇论文里讲，他做了个实验：你让他先说"你是一个小学三年级的老师"，然后说一段话、做一个小学的什么东西，你发现他做的效果是变好的，很像那个小学老师；但他用同样的方法做了个数学家——"你是一个数学家"——发现解题的成功率下降了。这是为啥呢？一想就想明白了：他本质上学的是那个人的语言风格，而不是那个人的思考逻辑。思考逻辑是个隐空间，他看不见，所以他能学乔布斯的语言风格，但学不了乔布斯的思考逻辑，越底层越思考不了。而数学题是得看思考逻辑的：他还得假装数学家，还得再做题，反而把注意力稀释掉了，他就更差了。所以你这个感觉是很对的，大家用得很差。
张帆：回到你刚才（的问题）：所有企业家，企业内部的经验都没办法简单被蒸馏，现在市面上大部分（教）给你的办法都不行。那现在最好的办法、FDE的办法是啥？就是硬挖你说的老妖精，对吧？访谈，我有更好的技巧，问更合理的问题，跟他反复标注，标注完去做训练；训练完再来跟他修正，修正完之后我再改数据，再造、再训。十轮下来，你说这项目没个300万你能干吗？没法干。我要是老妖精，我个人一小时就要5000美元。（如果）你是给自己弄的，那可能就没辙了嘛。但这样效果真好嘛？这就乔布斯给你十篇发言稿，就真的能训出乔布斯吗？好点，但是不本质。所以这就回答了我们最开始的一个问题：如果我们不信机器，我们信啥？如果不信人，我们信啥？
骆轶航：这就回到你一开始讲的：企业本质上构造了一个空间。我能不能有一种方法，直接从这个空间里学习，不要人做中介？企业里边，我们说知识在哪——在人的脑子里面；实验数据里面有没有东西？飞书里面有没有东西？各种各样的汇集里面有没有东西？企业的物理世界里有没有东西？都有。这些地方也在产生信息。你不要给我任何逻辑，你闭嘴，我自己看、自己理解。
张帆：说的就是这个意思。在这个逻辑里边，不得不提到最经典的一个样本——机器学习的最佳范式，就是下棋。从最开始的深蓝，97年下赢了卡斯帕罗夫，靠着啥？专家系统，暴力计算。他下赢了之后，你发现到围棋这条路就走不动了。过了20年，AlphaGo出来了，2016年：不用规则了，因为人已经写不了规则了，用了3000万残局，让AI自己来训练，训练出个模型下赢了李世石。一年之后，AlphaGo Zero没有任何先验，自己跟自己下了三天，出来了。
张帆：下完了之后100比0完胜。更关键有个冷知识：训AlphaGo的时候他大概用了1000个TPU，但训AlphaGo Zero的时候只用了四块TPU——算力极大地缩小，虽然不能等量代换，但也是极大的缩小。就是说，你发现人的很多东西是噪音。所以这就代表了三种学习方法：一种是人观测、人总结，变规则，适用范围很窄；第二种是人观测、人记录，机器在里边总结，这就是训练型；第三种就是人只定义环境，人不在里边操作，让他自己训练自己来获得（知识）。
骆轶航：所以这个能力能不能迁移到企业？系统产生数据，再用数据训练自己，数据生成数据——这个叫合成数据。用合成数据训练模型，它就是自我的递归。
张帆：其实是这样的。但通用模型比较难，原因是所有的模型自己训练自己，最大的问题就是坍缩：不能自己吃自己，因为越长越大。所以它必须有外部信号，外部信号就跟物理连接。通用模型自己训自己的结果，就跟现在太阳不断的膨胀是一样的，到最后它就是白矮星化。很多论文都已经论证过：自己造数据自己训，无论怎么筛、怎么选，都是一样的。要么是多教师、或者有外部不同异构的模型给你信号，要么就是在里面自己加不同的前提。总之你得有外界信号进来，没有外界信号你就封闭了。但是最寂寞的逻辑是：要把全世界的知识都连上，你其实很难构造一个外界信号了，你的信号只能叠加，所以会缓解——我觉得这不够，不会有本质上的（改善）。但你发现，企业反而比它离RSI更近，是因为企业的环境小，它没有那么多，完全可以在一个更小的封闭环境里快速跑通RSI。举个例子，回到刚才星巴克和瑞幸的逻辑：星巴克就是我每次要选一个地方，打造一个环境开店，开店之后看用户呆的时长、消费的状况，这不就是你的闭环吗？不要人在这里纠结了，说开店得有三个条件——不用了，这些原始语料直接给模型，模型在这个里面再给反馈。如果能做到这一环，就所有企业里面原来每一次服务都是一次折旧，现在每一次都是一次训练——一个是贬值，一个是增值，两个逻辑彻底不一样。所以我更加相信我们试图跑通的是：帮企业找到自己特有的那个环境，从那个环境里抽象出他自己的知识，让这个知识叠加在权重和Harness整个体系的端到端，从而得到一个极致强化的独特分布。而这个独特分布又跟自己的环境变成正反馈闭环，形成了商业模式。正态分布中的两侧，把这两侧训练到一个可以自我训练化的模型——那两侧是慢慢长出来的，通过不断的训练长出来的，而那个正态分布变成了在某一个环境内的最优分布。比如刚才讲的钢琴老师和钢琴演奏家，它俩的分布不一样：对你原来来讲是所有老师、演奏家、学生的平均，现在咱们只要老师，所以我就得有个环境不断（教）学生怎么教得好。我的目标到底是什么？是续课，还是学生教得成功，还是能拿奖？这都是我自己定义的环境。
骆轶航：其实你没有发现，这个路数反而回到了DeepMind当时让AlphaGo下棋的那个阶段——专业的模型和专业的AI干专业的事儿。
张帆：它本质的很多东西其实还是神经网络。当然现在的训练方法，比如后训练的这些方法，变多了。有一点不一样：以前如果没有基模，你所有的这些事都要从头干，这个代价太高——我要训个老师，我得从造人开始干，太难了。但今天的逻辑是我们来自于垂直，回到了通用，再回归垂直。但这个时候，垂直生成的方法跟以前的做法不一样：说白了，你用了基模的基础能力——它的能力变成了API的能力，而不是你整个模型里的数据和各种各样的能力。借由基模，加上我们对环境的理解，叠加出一个虚拟世界，在这个虚拟世界里我可以无限采样，从而定义我的新的东西。就像刚才讲的，如果我们今天从发明小提琴开始教人来当老师、再来教你的孩子，这周期太远了。今天的逻辑是：既然知道这个世界上有小提琴家，但我不要小提琴家来教孩子——小提琴家能不能过来教我的老师？我的老师教完了之后，又通过跟学生的（教学）训练，学会了怎么跟学生交流，然后他就变成了一个可以被无限复制的老师，能教给更多的人。所以今天企业真正该建模的不是知识，而是学习，是为这个环路去建模。拿小提琴来说，我让孩子去上小提琴课，为的是考级，对吧？这课收了一堆学费，一学期八千，老师光在黑板板书：什么是小提琴、小提琴的历史来源、小提琴的音色——你肯定觉得老师扯淡吧？我不上了。或者这个老师更直接，觉得考级太LOW了，"我要把你培养成艺术家"——但你的目的不是当艺术家，所以这个逻辑就不对。所以回到我们的本源：每一个企业真正的价值是独特分布，而独特的分布来自于你自己原有的物理的生意，而这个生意其实就是你定义的棋盘。我们做的这件事——商业强化学习跟商业世界模型——本质上是希望把你这个棋盘，变成一个可以源源不断产生知识、萃取进你自己模型里面的（东西）。它解决了更便宜、更好用，但是更垂直、只在某个领域内，这就是企业最终的价值：由我自己的数据、外部的物理信号，这样的一个环境，自我进化出我的分布在两侧的know-how认知和能力，再用这个东西去驱动整个企业基础设施。
骆轶航：那你这个东西，你管它叫啥？如果现在对外去讲元理智能是个什么样的公司，用哪个词比较好？说我们是个FDA公司，大家肯定就会觉得我们是个FDA公司；或者我们是个RSI公司——你觉得你更接近哪个词？
张帆：我更希望讲，我们其实是一家垂直智能的公司：把通用智能转化为企业的垂直智能，并且把这个过程产品化。
骆轶航：那会不会有人觉得——或者投资人、分析师会问：垂直智能不就是端侧模型吗？多少人会认为这种就是端侧模型？
张帆：肯定会有很多人这么讲，我觉得会很多。但本质上，无论创业也好、做事情也好，反共识也不一定是坏事：你的解释成本会高，但这也会屏蔽掉（跟风者），不会变成一个红海、所有人都往里进。
骆轶航：你为什么不讲你自己是个RSI公司？
张帆：感觉有点追风。其实我们是最早讲这个的，只是当时没叫RSI——我们去年、一年前讲的故事就是商业强化学习：把PPO的逻辑如何搬进商业环境，为每一个企业家构造自己的商业的数字员工。
骆轶航：有没有VC跟你说，"PPO那都是上一个时代的事了"？有没有VC跟你这么讲？
张帆：我们最近也没见VC，（我们）专注（做事）。但我们现在确实在很多场景里跑通了一些很有意义的价值，就是我们的载体。刚才那些东西说的是逻辑，本质上你在企业里落的是啥？我们会把它落成企业最终的数字员工。数字员工这个词也叫烂了，我有时候也不太好叫，对吧：一会儿这个说是RPA——我刚才（说）一堆做RPA的人；一会儿阿里也说是数字员工——那些都不是（数字员工），都是工具。现在最新的数字员工是豆包助手，对吧？我想说的数字员工不是工具，而是能独立完成、跟人做对标效果、完成结果的东西。比如说，我们在一些客户里面帮他们做一些业务专家，或者帮他们在跟客户沟通的过程当中，尝试让AI来帮助他们提升整个内部的运营效率。
骆轶航：很多的部分其实都已经用AI去解决了，对吧？那些部分AI能拆开吗？
张帆：拆开的逻辑就两种：凡是在数字化层面的，其实AI都能解决；凡是在物理层面的，还需要人类；凡是软逻辑的、要有情感和信任的，要人类解决。所以我们的本质不是让AI替代人，而是让AI来放大人。拆到这个案例里边，它（AI）比如解决所有线上能够搞定的沟通的、跟进的流程。我们还有客户，比如帮他们做旅游规划——专家随便用，不要钱。
骆轶航：那不都是你干过的活吗？
张帆：对，但我觉得这就是最容易切入的。很多企业里面，人力成本足够低的时候，原来不通的商业模式可能都通了。这里边的AI不只是能跟你做健康管理，还能给你做旅游规划——我们还有各种各样的场景。今天AI快速达到一个接近于人的水平，帮助企业把闭环跑通，快速扩张，不断地把他的核心能力收回来。我觉得这件事在今天已经初步跑通——初步跑通、初步跑通，这是真正进入深水区。
骆轶航：它的问题在这。你总说为企业AI化，你根本说不清（什么算）。说AI Native就牛，对吧？但什么叫AI Native？
张帆：我觉得本质上抽成一个最简单、最务实的逻辑：企业本质上是创造价值的，我假设所有的价值创造来源于所有劳动力，所以最简单的逻辑就是——AI能不能直接替代劳动力？而且替代的不是劳动力当中那些走流程的，是带着泛化的：你刚才那种环境里面，客户问啥都有可能，你都得接得住，但里面还有很多红线，你不能在不能说的东西上再去跟人家说，所以这是一个完全综合的逻辑，并不简单。比如说，提前我总得先问你是谁：你不说你是轶航老师、你不承认，我是不可能说你的报告的情况的；如果我说了，我就违规了。这件事，你拿一个基模上面加一堆提示词，很难搂得住，所以它要融进去。然后这人可能还会说更极端的：我今天受伤了、今天不舒服、今天感冒了，我还能不能来？这些东西都得非常注意。这不能用一个脚本树，理论上今天不是一个知识库做对标，而是在于我能不能基于企业的软性文化，训到模型、训到Harness，综合这么一个端到端的体验，让他感觉就真的是企业的员工。这是另外一种对商业价值的理解：不是把这个过程标准化，而是让它能够符合每一个人的需要——反标准化。
骆轶航：把所有能够标准化的（都标准化）？
张帆：不是，我恰恰想做的是反标准化，坚决要反标准化。标准化本质是工业时代的产物。工业时代的本质是因为在农耕时代，人的脑力跟体力是对称的：我就8小时脑力、8小时体力，所以逻辑上我都是单兵干。那个时候整个的资产价值来自于谁有足够多的人口、土地和动物，对吧？这都是体力跟脑力的表象，这有生产力。但到了工业时代，第一个变革是啥？变成了劳动力的无限扩张——体力的无限扩张：只要有（机器），他就可以无限有体力，但你发现脑力是不足的，脑力还是8小时，体力无限扩张。脑力的第一次扩张？其实计算机产生也不算，计算机也是（优化）体力，或者说它只是一个脑力的工具，没有真正的脑力。计算机（优化）的体力在哪？就是把发电报的人和记电文的人的体力给优化了，所以计算机有点像人发明的锄头——体力有扩张，但并没有替代（人的）体力，跟蒸汽机和电是一样的。所以那个时候的典型就是：体力无限扩张，脑力不足，体力要为脑力做妥协。
骆轶航：所以我一直说，人工智能不是第四次工业革命——它是一个跟工业革命平行体的事情，我甚至觉得是反工业革命。因为标准化是工业革命最关键的点。工业革命创造了职业，对呀：一堆过去好好的手工业者——在田园式的、遥远的郊区乡村里的手工业者，做点瓷器、耕耕地，每天吃吃烤面包、喝喝啤酒，过得挺开心的——后来一帮人把地给圈走了，变成了工厂，你进来一天干16个小时、一个月28天，然后慢慢的职业越来越多，到现在分成这么多职业，越来越标准化。我觉得人工智能这个事，反而是反这个事的。那会儿人们不习惯工作，被迫要到厂里去工作；（后来）人们习惯了进大厂去工作——这个时候反过来怎么办？从理性上来讲，能看到延展：因为体力无限而脑力不足，所以体力要为脑力妥协，办法就叫标准化。生产端就是分工——每个人只干一件事，脑子不够用，你就干一件事，别的别干了，所以分工越来越细；消费端就是标准产品，最典型的就是福特的T型汽车，只有黑色——"我不要放那么多了（颜色），因为我想不过来，咱就先按标准来"，对吧？
张帆：但今天AI带来的变革，是脑力跟体力重归对称，都可以无限扩张。甚至还有可能，如果具身智能……不发展的话，会带来体力的短缺，这也有可能。所以这个结果我自己认为，造成了颗粒度革命：今天一切东西全部都液体化——界面液体化，组织液体化，一切东西都液体化，是因为脑力足够发达，这些东西可以无限生产了。
骆轶航：这件事其实我刚才就想问你了：组织液体化，我承认。组织液体化之后，给企业提供的自我进化的模型和能力，还重要，还是说就变得更重要？
张帆：第一，人是需要的。未来的公司不见得会变小，人的产能会变高，这是真的；会不会产生一些10万亿美金、21万人的超级公司，我觉得有可能。但人数依然还是要协作的，因为每个人只是放大了而已。这里边刚才说的那个"液体化"，我觉得蛮有意思的一个点：从组织上来讲，以前我们的组织基本上是——企业创造价值，是人叠加软件、然后协同这样的单元，足够协同产生了一个组织，产生了企业的价值。这里边有两个分工：人的软件的分工是啥？人是一个概率性的动物，虽然人是有幻觉的，但为什么要增加软件呢？逻辑是为了限制它的坏幻觉。软件其实上已经是规避人的（幻觉）了，换了一种方式。所以你如果这么看，你发现什么：人就是模型，软件就是Harness——软件是人的Harness。原来的逻辑在于，由于软件有成本，所以是人在适配软件；而今天的逻辑在于，软件没成本，所以是软件在适配人。我大胆假设，未来的SaaS最后回归到数据库：我看到的界面可以跟你看到的界面完全不一样，只要数据的结构是一样的，咱俩就能交流。你的面前是一个CRM、是个GUI界面，我的面前是个CLI，没问题。你不需要懂CLI——你看DeepSeek的Harness就出来了，对，DeepSeek Harness就是这么回事，本质就这个逻辑：人与AI的悲欢并不相通，但是我们能够在一起。但我觉得可能都不会还有Harness这个词了，所有的软件都可能变成日抛的——根据我每天不同的（任务），同时在看多个（界面）。
骆轶航：自动生成两个窗口。等等，我就想说，难道活不是这么干吗？现在这个事就在Artifacts里边——现在很多东西都是日抛式的，弄完就丢了、扔掉，用完就一次性的，我做了很多我现在用的东西。那会儿我再折腾生成方式的时候，我就是做这个东西——随时给我推（生成的）方式、房源。那会儿还没法日抛，越抛越贵；现在的成本比那件事便宜得多了，这件事自动就解决了。所以这就是两个时代。所以如果在这个情况下，我就发现组织的协作方式……
张帆：……就产生了很根本的变化。第一，人没有足够的分工了，大家会回归，都变成超级个体了，对吧？我这人今天啥都能干。所以刚才说部门这事，就不需要了。很像NVLink的显卡：每一个显卡在算东西，如果你中间拉根线，这俩算力太强、他俩连不通，只有NVLink连上，才能保证中间的光模块（带宽）跟得上，这东西才能连起来。你看，未来的模型训练越来越MoE化，每一个专家（独立）；但未来的人的需要可能会越来越通用化——这个人说白了，大家都应该去读MBA，没给大家长别的本事，就长了一个你应该怎么学、认识商业世界的本事，这个就是通用（化）。所以我觉得这个逻辑说回来，所谓组织的问题，有一个点：原来的企业里面，所有的组织全部都是固态的。怎么叫固态呢？组织里边有SOP，有SaaS，有人员的固定分配——这件事维系了太多人的利益，那是另外的问题。我们从底层逻辑上来说：固化的组织有一个什么坏处？就跟我们今天做了一个SaaS软件一样，什么时候是它最好的状态？是它开发完的那一刻是最好的状态，因为从此之后它就开始了熵增，开始了特例累积，开始了劣化，慢慢变得不适应环境了。但如果是模型，它是液态的：它什么时候最好？不是（刚生成的时候）——刚生成的时候是最不成熟的，它还没有开始学习呢。它从那个时候开始不断地跟外界学习。所以原来的组织叫做腐化逻辑，现在的组织叫做生长逻辑，这是截然不同的两种哲学。组织的腐化，从一个健康的组织变成一个腐化的组织，这个过程……
骆轶航：每一个人都经历过，每一个工作过、干过公司的人都经历过，它是必然的。跟你牛没有用，跟你牛牛没有用。
张帆：对，但后者这个事情（生长逻辑），这个世界上绝大部分人还没有见过。
骆轶航：当然没见过，我都没见过。
张帆：我们都在试图突破这个事。我是觉得，逻辑上理论成立，就一定会发生，所以我认为这件事会发生——但这只是推演，今天都还没做到。但我觉得未来来讲，所有的本质逻辑都是：我们要更加"液体化"，无论是组织、无论是软件、无论是业务，所有的都液体化；甚至企业内部的核心思想，都是通过跟环境的博弈的液体化，源源不断地产生。企业是一个生长逻辑，这（才是真的）百年企业——它真的是个百年企业，挺好玩的。我觉得这个变革很大，所以这里面还有意思。
骆轶航：我之所以要问这个问题，也是因为你给企业做自我学习、自建模型、自我生长的这样一个工具，它本身要回答的最关键的问题，就是企业未来是什么、企业该怎么生长，甚至是企业的形态本身要变成什么样子。如果一个企业里边有一千个人，每个人都是一个综合个体的话，那他们为什么不能变成一千个FDE呢？
张帆：其实就回归到管理学里面，像科斯（Coase）讲的：企业跟市场的分工——为什么会有企业，为什么不是市场？本质上来讲，市场是一个无形的手，而企业存在的逻辑是，你在某一个范围内能够做到有形的手的效率高于无形的手，而且你必须得让这些人联合在一起。所以我觉得今天这个逻辑依然存在：当大家的训练目标是一致的时候——就是多人收集的数据要共同训练的时候——这企业依然存在，只不过每个人能效会变得极高，会两端极端化。
骆轶航：其实今天AI已经从一个模型开始进入到一些商科的逻辑里边了，我觉得管理学是要被重启的。
张帆：我确实觉得——我见过很多企业家（教育）的场合，也参与过一些。我经常跟这些人讲：今天企业家的教育要被重新定义。原来的逻辑是大家都来学知识，今天知识已经变得过于廉价了，大家要学的就不是知识了，而是如何把这些知识迅速地运用到企业内部的权重上。
骆轶航：而这件事的方法可能跟以往totally不一样，而且企业的形态、企业的组织该怎么去管理也不一样。通用的成功经验、IBM的成功经验、松下幸之助的成功经验、郭台铭的成功经验，今天还有没有用？
张帆：长远看肯定会越来越弱。跟企业家开玩笑，我说：你今天在一个AI这种底层变革的时代，要知道这是个地壳变动，你还天天在那挖护城河，结果挖了很深，扭头一看，城没了，只剩护城河了——这有啥用呢？所以要从AI的势能来判断你产业未来变革的格局，提前做布局，尽早地找到自己的避风港，让自己形成一个螺旋上升的、企业内部的企业RSI，我觉得这才是最关键的。叫一个企业RSI工具，听听轶航老师的意见。
骆轶航：我们走走走，写在BP的第一页。
张帆：我怎么又开始瞎教人了，我就不敢干这个事情。
骆轶航：这个就是——写在BP的最后（笑）。我觉得这事是有意义的。你看，某种程度上，我们也是殊途同归，用另外一种方法在尝试。如果我们认为AI的知识来源于……
张帆：无数的探针跟物理世界连接，而这个探针最好的载体就是企业。所以我们用那种方法来帮助企业构建探针。你说最后对大一统的模型有没有帮助呢？我觉得没准也能有一点，不错，好，不错。
骆轶航：哎呀，今天就聊这么多。我说了我们是一档节目争取一个小时把这个事聊（透），没有信守这个承诺，但还是比那些三个小时以上的要节省大家的时间。今天没有聊八卦，没有聊任何不相关的问题，我们聊的问题有点过于演绎了——对对对，懂的人自然懂，消化得了的人自然能消化。谢谢张帆！
张帆：好，谢谢轶航老师，谢谢大家，谢谢大家，拜拜，拜拜，拜拜！