曾鸣断言OpenAI难成原生赢家 预警科层制公司终将淘汰
张小珺Jùn｜商业访谈录
大模型在供给同质化下将沦为受监管的薄利公共云，而依托固定岗位的科层制公司将在动态任务协作与Agent超级入口崛起中走向消亡。
AI-assisted summary of 153. 和曾鸣聊产业史观：残酷的真相、会消亡的公司、优秀≠卓越、“OAI、Anth大概率不是原生时代大赢家” — original source. Check the original for full context.
Source published:
Key ideas
- 曾鸣提出通用技术产业化经历基础设施化、应用大爆发与原生应用三阶段，当前大模型正演化为低利润的公用事业 AI 云，OpenAI 与 Anthropic 大概率难以成为终局原生应用阶段的大赢家。 (10:00)
- 当前 AI 生态处于类似 1992 年建站狂热的无序熵增期，缺乏统一标准的“AI 浏览器”，未来 3 至 5 年的核心机遇在于定义 Agent 标准与抢占超级入口。 (15:00)
- 作为工业化产物的科层制与固定“岗位”将消亡，AI 原生组织将转向以“任务”为最小单元的动态神经网络，依托去中层化与 High Agency 驱动协同。 (68:08)
- 商业史上跨越技术周期的企业基本不存在，巨头旧入口加 AI 无法抵御重构，机器人赛道目前仍处于缺乏数据的“前 GPT 时刻”。 (122:48)
Detailed notes
## Background 本期内容由张小珺在其商业访谈播客《张小珺Jùn｜商业访谈录》中发布于小宇宙平台（发布时间为2026年9月3日）。节目邀请了曾任阿里巴巴集团总参谋长、深度参与长江与湖畔商学院创办的战略学者曾鸣教授，围绕AI新范式下的产业演进史、组织重构及历史周期的冷酷规律展开深度探讨。
## TL;DR 曾鸣基于通用技术的产业化三阶段框架，指出当前AI正处于第一阶段基础设施向第二阶段Agent应用爆发跨越的初级阶段，模型公司本质上将沦为寡头垄断且受强监管的AI云公用事业。他提出大模型供给的同质化将打破暴利预期，而Anthropic和OpenAI大概率不会成为未来原生应用时代的大赢家；真正的平台级机会在于解决混乱与信任的Agent超级入口。与此同时，工业革命催生的科层制公司与岗位体系将彻底走向消亡，取而代之的是以任务为核心、全员合伙人化的AI原生网络组织，唯有克制Ego、由真实使命驱动而非线性外推的团队才能在无情的周期洗牌中走向卓越。
## Atmosphere & style 整场对话沉稳从容却充满颠覆性的思想机锋，曾鸣以学者兼操盘手的超然视角，将互联网三十年沧桑与百年工业史信手拈来，对谈间毫无浮躁的术语堆叠，尽是冷静拆解商业幻觉的“残酷暴论”。张小珺的追问犀利且直击创投痛点，曾鸣则报以云淡风轻却直击本质的洞察——在冷酷判定“跨时代巨头基本没有能活下来”的宿命论背后，流露出的不是虚无绝望，反而是对年轻人破局与文明新物种破土的由衷豁达与乐观。
## Bulletin - `10:00` 曾鸣提出通用技术产业化经历基础设施化、应用大爆发与原生应用三阶段，当前大模型正演化为低利润的公用事业 AI 云，OpenAI 与 Anthropic 大概率难以成为终局原生应用阶段的大赢家。 - `15:00` 当前 AI 生态处于类似 1992 年建站狂热的无序熵增期，缺乏统一标准的“AI 浏览器”，未来 3 至 5 年的核心机遇在于定义 Agent 标准与抢占超级入口。 - `01:08:08` 作为工业化产物的科层制与固定“岗位”将消亡，AI 原生组织将转向以“任务”为最小单元的动态神经网络，依托去中层化与 High Agency 驱动协同。 - `02:02:48` 商业史上跨越技术周期的企业基本不存在，巨头旧入口加 AI 无法抵御重构，机器人赛道目前仍处于缺乏数据的“前 GPT 时刻”。
## Key takeaways - `05:00` 战略决策的卓越性源自反共识，单纯在行业共识赛道做到极致只能被称为优秀，唯有穿越周期被证明的反共识才能造就时代企业。 - `10:00` 通用技术产业化必然经历基础设施化、应用爆发与原生应用三阶段，第二阶段长达 8 至 10 年的试错沉淀绝无法跳过。 - `15:00` Token 成为标准化度量衡标志着 AI 基础设施第一阶段收官，模型公司本质上是未来的 AI 云，终局商业模式必然是寡头垄断加政府强监管。 - `25:00` 历史重演表明先驱未必能活到终局，如同 AOL 和雅虎在 PC 早期市值登顶但未能统治移动时代，同质化供给将剥夺大模型公司的超额暴利。 - `40:00` Agent 创业必须放弃轻量工具逻辑，预设底层智能够用，转而切入端到端解决复杂深度任务以形成长程规划壁垒。 - `47:18` 网络效应在 AI 时代升级为“黑洞效应”，依赖多元异构数据与智能飞轮自进化，以高维拓扑结构迅速吞噬复杂业务场景。 - `49:43` 新一代平台无法脱胎于旧平台，上一代平台做的是简单信息匹配，而 AI 时代需要构建能够承载能力与需求深度撮合的双边信用市场。 - `56:15` 工业史表明基础设施并不吞噬应用，如同爱迪生的通用电气最终依靠洗衣机、冰箱等杀手级终端繁荣，模型的商品化将成就场景定义者。 - `01:00:23` AI 原生公司无需自研通用模型，中间层应用必须避免轻薄封装被底层能力折叠，核心资产应沉淀于长流程编排与工具调度架构。 - `01:08:08` “公司”作为工业化产物将不可逆地衰亡，组织的底层运作细胞正从固化的“岗位”重构为动态分发的“任务”，科层制与中层干部将彻底失去合法性。 - `01:20:00` 组织变革先于战略制定，AI 原生组织呈现小型化与全员合伙人趋势，高度依赖具备 High Agency 的顶尖人才与动态神经网络协同。 - `01:31:10` 优秀依靠短期正反馈，而卓越依靠克服孤立与负反馈的利他使命感，创始人必须消融 Ego 才能避免陷入平庸的估值陷阱。 - `01:38:17` 战略管理由静态规划升级为“战略生成系统”，依靠“看十年、想三年、干一年”在愿景、里程碑与执行间建立动态张力。 - `01:56:50` 具身智能机器人目前大致处于 2020 年大模型的“前 GPT 时刻”，行业仍在探索走向规模化量产的一万台“T 型车时刻”。 - `02:02:48` 巨浪面前没有任何巨头是绝对安全的，历史跨周期依然卓越的企业基本为零，AI 对人际与人货关系的底层重塑将使旧巨头转型极其艰难。 - `02:18:01` 德鲁克坐标下 AI 开启了由知识革命迈向“创造力时代”的序幕，人类核心价值将转向无法被结构化的“无中生有”的原创能力。
## Detailed walkthrough ### `00:00` 战略研究者的宏观产业史观与访谈开篇
张小珺开篇介绍了本期嘉宾——企业战略专家曾鸣教授。曾鸣曾任阿里巴巴集团总参谋长，并参与创办了长江商学院与湖畔大学。作为完整经历过互联网周期的战略学者，曾鸣在此次对谈中分享了他对 AI 新时代与新范式的完整思考，并对照历史关键转折期给出了许多反共识的判断。
曾鸣在访谈开场即抛出了几个极具冲击力的论断：作为工业化时代的产物，科层制管理的公司制度必然会走向消亡，但未来会有更有趣的组织形式出现，毕竟当下许多人去公司上班并不开心；在底层经济规律面前，一旦存在同质化供给，任何企业都无法维持高额利润；在这轮 AI 浪潮中，巨头哪怕“All in AI”也面临极其艰难的跨周期挑战，人和人、人和货物的关系都会被底层重构，没有任何巨头是绝对安全的。曾鸣坦言：“人有生老病死，公司也有生老病死，没有比这更正常的……这样，新公司才有机会，年轻人才有梦想。”
谈及为何众多企业家都提及受到自己的深刻影响，曾鸣解释，首先是因为自己极其幸运，在互联网超高速发展时期加入阿里，亲历了实战。他拥有扎实的学术理论训练，能将实战经验与理论框架相互提炼、反哺，形成既能指导当下、又能复用给未来的战略方法论；其次，他长期追踪前沿产业趋势，既能跟创业者探讨方法论，又能一起推演下一步产业走向，这种双重结合在商学界十分稀缺。
`05:00` 阿里生死攸关的三大决策与“反共识”战略
回顾在阿里深度参与的前 15 年，曾鸣指出真正决定阿里生死存亡的战略决策只有三个：创立淘宝、创立支付宝、创立阿里云。这些决策不仅在提出时未被外界看好，在公司内部也遭遇了极大的阻力与激烈争论。
```mermaid flowchart TD accTitle: 阿里巴巴三大战略决策及其落地演化 accDescr: 展示阿里历史上淘宝、支付宝与阿里云三大战略决策，以及从顶层决策向二级战略与底层基础设施战术落地的延伸链路。
subgraph CoreDecisions["核心生死战略决策"] T["创立淘宝<br/>（颠覆eBay、内部巨大分歧）"] A["创立支付宝<br/>（建立信任机制）"] C["创立阿里云<br/>（争论激烈、押注计算未来）"] end
subgraph SubStrategies["二级战略决策与落地"] T --> T_Eco["淘宝平台化生态<br/>与 All in 无线"] C --> C_Arch["单场景 vs 多场景架构<br/>开源 vs 闭源路线选择"] C_Arch --> C_IOE["'去IOE' 战役<br/>（替换 IBM、Oracle、EMC）"] C_IOE --> C_Infra["自研数据库与存储集群<br/>计算瓶颈突破"] end ```
曾鸣披露，当年宣布做淘宝时，好几位高管都极力反对，核心逻辑是当时阿里的 B2B 核心主业尚未成熟，贸然去打 eBay 的核心地盘，风险过高。而在战略大方向确立后，真正决定成败的还有层层递进的二级战略与战术执行。例如做阿里云时，内部对“只服务单场景还是搭建多场景架构”、“优先服务淘宝还是搜索业务”、“走开源还是闭源路线”展开了激辩；底层基础设施变化后，自研数据库、存储也必须跟上，才有了后来轰轰烈烈的“去 IOE”（去掉 IBM 小型机、Oracle 数据库、EMC 存储设备）。
面对张小珺关于“决策当下如何判断战略好坏”的提问，曾鸣坦言当时谁也无法预知确切结果：“不知道啊，因为相信所以看见啊。所有好的、真正成为时代的企业，都是最后被证明了他那个反共识是成立的。”曾鸣强调，反共识并不必然通往成功，公众往往受到幸存者偏差（survival bias）的影响，但卓越的企业一定来自反共识，单纯在共识赛道里比所有人做得更好，“那就是优秀，卓越一定来自反共识”。对于当下的 AI 浪潮，曾鸣坦言前几年同样十分困惑，看不清哪些是转瞬即逝的浪花、哪些是未来的大潮，直到 2026 年上半年趋势性信号开始汇聚，他才在推演中理清了产业运行框架，并将其沉淀为新书《智能》。
`10:00` 通用技术的产业化三阶段论
基于对三次工业革命以及 PC、PC 互联网、移动互联网周期的系统研究，曾鸣提出了重大的通用技术（General Purpose Technology）颠覆性创新走向产业化时普遍经历的三个阶段：
| 演进阶段 | 阶段特征与核心标志 | 移动互联网历史对照 | AI 时代对应状态 | |:--- |:--- |:--- |:--- | | **第一阶段：基础设施化** | 技术逐步被社会理解、消化与接受，形成标准化度量衡，演变为社会通用基础设施。 | 黑莓垄断智能机市场（2010年黑莓在美市占率超40%，iPhone 仅约20%）。 | 大模型技术确立，Token 成为标准度量衡，模型沦为水电气般的 AI 云能力。 | | **第二阶段：应用大爆发** | 基于成熟的基础设施，大量新场景应用井喷式涌现，行业进入百花齐放的探索期。 | iPhone 4 与 App Store 诞生；墨迹天气等工具类轻应用 DAU 破亿。 | Agent（智能体）与各种技能（Skill）大规模封装爆发，行业处于严重“熵增”期。 | | **第三阶段：原生应用时代** | 应用爆发反馈底层需求，底层技术演进与新产品形态融合，诞生运行新世界的重构型国民应用。 | 今日头条探索推荐算法，最终结合宽带/短视频爆发孕育出抖音这一现象级产品。 | 尚未到来，需底层范式变革与新型 Agent 入口建立，至少还需 8 至 10 年沉淀。 |
针对为何原生应用无法直接跳过第二阶段而诞生，曾鸣解释道，基础设施建成后并不会停滞，但其未来的演进方向是盲目的，唯有通过第二阶段海量应用的试错与爆发，才能倒逼并指明技术路径。例如字节跳动早年做内涵段子和海量小产品，在只有文字内容成熟时跑通了今日头条与推荐算法，随后伴随算力与带宽升级，短视频形态与推荐算法结合，才最终诞生了抖音这样的现象级原生应用。因此，第二阶段绝非简单的“过渡”，而是长达 8 到 10 年极其精彩的蓄力期，跳过该阶段是完全不现实的。
`15:00` Token 的度量衡确立与 Agent“熵增”时代
曾鸣判断，2026 年标志着 AI 第一阶段的基本完成。其核心标志是整个产业界对“Token”这一概念形成了广泛共识——黄仁勋在英伟达 GTC 大会上直言英伟达的未来就是“Token Factory”（Token 工厂），山姆·奥特曼（Sam Altman）也表示 OpenAI 的核心业务就是卖 Token。
曾鸣分析，一项前沿技术只有拥有了标准化的度量衡（如一度电、一吨水、一个 GB 流量），才能被低成本、规模化地调用与商业化。现在用户与开发者清楚调用多少 Token 能干多少活、产生多少费用，意味着大模型已经成为社会基础设施，第一阶段正式步入成熟期。
```mermaid flowchart LR accTitle: 信息时代建站与智能时代建 Agent 的底层演进类比 accDescr: 将1992年互联网初期的建站与浏览器发展链路，同当下AI时代的智能体、技能封装与未来入口标准进行横向阶段对照。
subgraph WebEra["PC 互联网时代（信息分享）"] W1["1992年 建站浪潮<br/>（各方数字化、分享信息）"] --> W2["浏览器诞生<br/>（统一 HTML 标准、降低门槛）"] W2 --> W3["网站海量爆发<br/>（熵增状态，用户无所适从）"] W3 --> W4["雅虎建立目录<br/>（结构化商减、抢占入口）"] end
subgraph AIEra["AI 时代（能力分享）"] A1["2026年 养龙虾/Agent浪潮<br/>（各方封装 Skill、分享能力）"] --> A2["寻找'AI 浏览器'<br/>（统一 Agent 标准与简单调用）"] A2 --> A3["海量 Agent 涌现<br/>（当前阶段：面临严重熵增）"] A3 --> A4["未来'AI 雅虎'入口<br/>（建立信任与结构化商减）"] end ```
与此同时，2026 年春节前后由 OpenClaw（开源龙虾）引发的“养龙虾”狂欢，则拉开了第二阶段的序幕。曾鸣认为，智能体（Agent）就是 AI 时代的新应用，其本质是从“分享信息”升级到“分享能力”。他以 1992 年互联网早期的建站潮作对比： - 1992 年大家狂热于建网站，本质是通过数字化将海量知识和信息沉淀到网上并进行分享； - 当前大模型能够涌现，正是因为当年建站运动完成了信息的数字化； - 如今用户不再需要找信息，而是直接向 ChatGPT 索取答案。Agent 与伴随出现的 Skill，是将人类掌握的专业能力封装起来进行调用。
然而，曾鸣指出当前的产业发展阶段甚至比“雅虎时代”还要早，行业目前连“浏览器”都尚未出现。浏览器当年通过 HTML 统一了建站与交互标准，既把开发门槛降到极低，又让用户通过点击即可完成浏览，随后才引爆了海量网站。由于海量网站爆发带来了认知的混乱，雅虎才通过人工目录进行了“熵减”。今天的 Agent 生态正处于疯狂“熵增”的初级阶段，各种 Skill 层出不穷，却缺乏统一标准与极低门槛的调用载体，连普通用户日常频繁使用的两三个 Agent 都尚未成型。
`20:00` 寻找“AI 浏览器”与模型公司的本质（AI 云）
曾鸣认为，未来两三年最大的商业机会在于诞生一款类似“浏览器”的产品——它将统一 Agent 的标准，使用户能够极其简便地调用 Agent，进而引爆 Agent 生态。至于具体的产品交互形态，曾鸣认为这是无法预先推演的，需要创业者去创造。至于从雅虎走到 Google 还需要几年，曾鸣直言现在探讨“AI 时代的 Google”为时尚早，因为雅虎从 1995 年成立一直辉煌到 2000 年，而 Google 早期只是给雅虎提供算法支持的技术服务商（to B 服务商），“在这个意义上是雅虎孕育了 Google”。
谈及当前的核心变量——大模型，曾鸣给出了冷峻的定性： - 如果说数据是石油，大模型就是炼油厂； - 从基础设施接入的角度来看，模型公司极像当年盛极一时但如今已消亡的美国在线（AOL）——AOL 让所有人连上互联网，大模型则让所有人接入智能； - “说得直白一点，模型公司就是未来的 AI 云公司。”
曾鸣指出，目前大模型公司与传统云厂商之间的博弈非常复杂。云厂商认为自己投入巨大而收获过少，而以 OpenAI 为代表的模型公司则倾向于自建云服务、甚至自研芯片。未来这两个生态必将经历碰撞与重组，最终演化为几家相对稳定的 AI 云巨头。当被问及模型公司能否转型成为成功的应用公司时，曾鸣判断其概率并不高，因为 Coding 能力的突破只是基础模型智能推理的延伸，并非纯粹的独立应用场景。
`25:00` 历史泡沫的镜像与模型公司的寡头监管终局
针对 Anthropic、OpenAI 成立数年估值就逼近甚至达到数千亿至万亿美金的现象，曾鸣直言“每个时代的新年轻人都容易认为‘这次不一样’”。他梳理了一组详实的历史商业数据来说明这绝非孤例： - 雅虎于 1995 年成立，到 2000 年市值即达到 1200 亿美元，按当时标普与纳指 8% 的年化回报折算通胀，当年的 1000 亿美元体量完全相当于今天的 1 万亿美元； - 1988 年开始提供服务的 AOL，在 2000 年高点市值达 2200 亿美元（甚至超过雅虎），在收购时代华纳后合并市值超过 3000 亿美元； - Google 1998 年成立，2005 年市值达到 1000 亿美元；作为硬件厂家的康柏（Compaq）也是以极快速度突破千亿美元估值。
“ Anthropic、OpenAI，这个是了不起的技术上的突破跟商业上的成绩，但是这样的先例在历史上在类似的阶段都发生过，但是它不一定能活到最后……他大概率不是原生应用阶段的大玩家、大赢家。”曾鸣借用石油工业打比方：炼油厂只负责开采并提炼基础油品，但真正具有高附加值的是下游的化工企业；同样，汽车离不开石油，但历史上从未出现过由石油公司成功转型制造汽车的案例。
对于陆奇曾提出的“OpenAI 这类 AGI 公司未来规模会比现在的 Google 大 5 到 10 倍”的观点，曾鸣给出了鲜明的反共识论断：虽然未来一定会诞生 10 万亿美元市值的超级巨头，但大概率不是目前的领跑者。第一阶段与第二阶段对组织能力的要求完全不同——第一阶段拼的是原创技术的“可用性”，而第二阶段技术增速放缓成为通用调用件后，需要的是对普通用户的同理心、极强的产品原创力以及围绕上下文管理等应用级前沿技术的攻坚。
曾鸣进一步推演，公共基础设施行业在商业模式上最终只有一种形态成立：“寡头垄断加政府强监管”。 1. **强监管约束**：整个社会运转高度依赖智能供给，政府必然介入严格监管，杜绝随意涨价； 2. **多寡头制衡**：供给极度重要，社会不可能容忍单一垄断供应商； 3. **资本壁垒限制无序竞争**：基础设施投入极其高昂，不可能维持多玩家混战，最终必然演化为少数几家寡头瓜分市场。
`30:00` 组织力分化、智能复利与基础设施窗口关闭
在剖析大模型梯队竞争时，曾鸣指出，在寡头演进过程中掉队是必然的。尽管 xAI 与 Meta 拥有海量资源且有一把手高度重视，但依然在白热化竞逐中显露疲态。其核心差异在于 Anthropic 等领跑者更早跑通了“智能复利”（self-improving）机制： - Anthropic 从 2025 年下半年到 2026 年上半年，率先将大模型全面应用于其核心业务——用大模型辅助训练大模型； - 模型自身反哺研发流程，使其训练能力大幅提升，这也是行业上半年性能突飞猛进的底层技术根源； - 加上战略聚焦与扁平高效的组织优势，二者结合产生了巨大的黑洞效应（Black Hole Effect），开始将竞争对手甩在身后。
谈及中国的大模型格局，曾鸣认为国内公司在持续追赶中也会经历类似于世界杯“八进四、四进二”的残酷淘汰赛。例如各家在 2026 年底都在冲刺 3T（Tokens/能力量级）模型：阶跃星辰（StepFun）达到 2.8T，智谱处于领跑身位，月之暗面（Kimi）在 3T 上率先交卷且表现达标，MiniMax 与通义千问等也在快速迭代。如果跑不到 3T 基准线，模型厂商很快就会出局。最终中美两地都会留下两到三家具备黑洞效应的基础设施巨头。
曾鸣断言，作为基础设施的大模型创业窗口期已经彻底关闭，因为先行者的智能飞轮已经飞速运转，后入局者根本没有时间完成积累。这类模型公司未来会沦为“成熟但缺乏暴利”的公用事业模式：同质化确保了产品可被随时替换，有限的差异化仅供维持基本利润；一旦服务不稳定就会遭遇广泛投诉，顺畅运行时则被视作理所当然。
访谈第一部分最后，曾鸣描绘了 2026 年行业大会（如 WAIC 等）的现实快照：二层、三层的大展台全被传统大厂与现存大模型基础设施占据，真正做应用的团队只能蜷缩在地下一层的小角落。但曾鸣坚信，未来三年随着 Agent 数量的爆炸，整个产业的核心焦点必然转向解决普通用户的信任机制、隐私保护、标准统一与费用透明——谁能抢下这个 Agent 的超级入口，谁才能成为定义下个时代的大赢家。
`40:00` Agent 创业潮的冷热转变与任务复杂性
2024 年被称为 Agent 元年，但在曾鸣看来，早在 2023 年夏天的硅谷就已掀起了第一波 Agent 热潮。当时无论去哪一场 Demo Day，舞台上展示的十几家公司几乎全在做各种 Agent 应用，仅有少数在做底层基础设施。然而仅仅一年过去，那些第一波的应用大多陷入困境。究其根本，是因为去年的 Agent 项目承担的任务过于轻量和单一。曾鸣回忆道，当时看十个 Demo 里，大概有三到五个都在做广告相关的应用，有的仅负责生成一张营销素材，有的仅负责做点简单的广告投放。这种低门槛工具很难沉淀出长期价值。
当时只有极少数尝试做“增长（Growth）”的项目引起了曾鸣的重视，因为增长是一个极其复杂的系统性闭环。曾鸣指出，当大模型底层的智能水平不足时，创业者开发应用往往只是在给大模型搭“脚手架”；一旦基础模型自然迭代、能力发生溢出，这层脚手架瞬间就会被彻底淹没。今天的 Agent 创业必须彻底转换思路：创业者必须预设智能在未来是完全够用的，关键在于利用这种智能去干复杂、有深度的脏活苦活。正如曾鸣所总结的那样：“今天的核心是干活，然后是干一个复杂的活，越简单的活越容易被复杂的活给吞掉，因为它没有多少成长的空间。”
针对 2024 年备受关注的通用智能体产品形态（如 Manus），曾鸣肯定了其极其敏锐的市场感知力。Manus 准确抓住了代码生成（Coding）能力溢出的关键时间窗口，切中了一批专业消费者（prosumer）的生产力痛点。但放在当下，任何 Agent 想要真正站稳脚跟，必须寻找一个比现有场景大十倍以上的切入点。单纯帮用户写个 PPT、出一份研报的市场空间依然太狭窄。随着模型在长程规划（Long-horizon planning）能力上的跨越，创业者必须向前迈出一大步，去端到端地解决真正复杂的现实任务。
`43:08` 垂直赛道、组织大脑与“智能飞轮”升级
在讨论 Agent 是走向通用还是垂直赛道时，曾鸣认为这高度考验团队的商业天分与创造力。教育、医疗健康等是极其庞大的垂类，创业者需要在大赛道中找到切入极深且未来能长成参天大树的支点。而在通用领域，To B 与 To C 正在分化出完全不同的逻辑： - **To B 领域**：到 2024 年底，行业内将涌现出大量主打“组织大脑”、“组织操作系统”或“CEO Agent 团队”的智能体。To B 的核心是将企业运作机制抽象为可调度的 Agent 协同网络。 - **To C 领域**：C 端则正重新回到情感陪伴与具体现实问题解决的纵深方向上。
针对外界关于“大模型应用难以形成互联网时代数据飞轮”的悲观论调，曾鸣提出了范式升维的解释。他认为，移动互联网的数据飞轮在 AI 时代并没有失效，而是升级为了“智能飞轮”与“智能复利”。
```mermaid flowchart LR accTitle: Intelligent Compounding Flywheel accDescr: A continuous cycle showing how independent agent execution and real-world feedback drive algorithmic and intelligence compounding. subgraph S1["执行与交互"] A["Agent 独立执行复杂任务"] --> B["获取真实世界多维反馈"] end subgraph S2["沉淀与进化"] B --> C["上下文管理与记忆优化"] C --> D["垂直场景智能复利提升"] end D -->|"拓展至高阶复杂场景"| A ```
跑通智能飞轮的前提是 Agent 必须能够离开人类的贴身干预，独立在物理或数字世界中干活并接收反馈。在这个闭环中，涵盖上下文管理（Context Management）、长短期记忆、新型交互等广义算法创新。当智能在特定高频场景中不断自我沉淀，其展现出来的就不仅是静态的数据积累，而是深度的“智能复利”。谁能撞上那个最易规模化、最具备泛化能力的场景，谁就能在生态中吸纳最多的应用场景，产生极具破坏力的“黑洞效应”。
`47:18` 网络效应的终极形态：从互联到“黑洞效应”
谈及互联网商业基石——网络效应在 AI 时代的去向，曾鸣断言网络效应非但不会消亡，反而会像水和电一样演变成基础设施级的标配。然而，传统的简单网络连接正在发生跃迁： - **数据维度**：同质化数据的规模在达到临界点后，其边际效益是严格递减的；唯有多元化、高度差异化的异构数据，才能激发大模型产生全新的洞察与涌现能力。 - **协同结构**：曾鸣在《智能商业》一书中曾将数字经济概括为由“数据智能”与“网络协同”构成的双螺旋结构。AI 时代将这一结构推进到了“黑洞效应”阶段。
“黑洞效应某种意义上是 AI 时代的网络效应的升级版，”曾鸣阐释道，网络协同已经演变成为黑洞内部的高维拓扑结构，它不再是人与人、人与信息的单维连接，而是凭借深度的智能飞轮，以极快的速度吞噬并消化成千上万个现实业务场景。
这种体验层面的巨大突破，让曾鸣强烈联想到了互联网的黎明时刻。1993 年曾鸣在伊利诺伊大学厄巴纳-香槟分校（UIUC）念书，那里正是世界上第一款图形化 Web 浏览器 Mosaic 的诞生地。曾鸣回忆，自己可能是全世界最早接触浏览器的前一万人之一。当时整个校园陷入了彻夜不眠的狂热，所有人都在疯狂刷新有限的网页，进而迅速激发起“我要做一个网站传上去”的冲动，随后敏锐的创业者便捕捉到了商业化的路径。如今 Claude 等工具在极客与前沿群体中引发的震撼与自发传播，其底层逻辑与 1993 年浏览器的爆发如出一辙——凡是第二阶段真正优秀的原生产品，根本不需要买量投放，必定完全依靠自发口碑在极短时间内引爆市场。
`49:43` 双边市场与新旧平台的根本差异：从信息匹配到能力匹配
未来的 AI 时代依然会诞生万亿级平台，因为“入口即平台”。张小珺提出，上一代互联网平台的核心是解决信息不对称、提升信息流转效率，而在 AI 能够替代大量人类判断力的今天，平台的存在形态将发生质的改变。
曾鸣分析，即便 AI 大幅赋能，高阶的“判断力”在商业社会中依旧是极其稀缺的资源。在海量涌现的 Agent 开发者与海量终端用户之间，将不可避免地形成一个全新的双边市场： - 评估传统网页的好坏，用户的试错成本极低，关掉页面即可； - 运行一个拥有执行权限的 Agent，一旦发生逻辑偏航或决策失误，可能带来极大的现实损失。
因此，普通用户必然倾向于将这种严苛的甄别与判断权限，让渡给一个值得信赖的独立第三方平台，由其来对 Agent 的安全、能力与可靠性进行背书。这个双边市场自然蕴含着中等强度以上的网络效应。
对于“旧时代的互联网平台巨头能否自然演进为 AI 新平台”的疑问，曾鸣给出了极其确定的否定答案。曾鸣直言：“旧的平台做的是简单的信息匹配，新的平台要做的是能力跟需求的匹配，所以复杂度高了很多。”平台两端的交易实体和交互要素彻底变成了“新物种”。一个不是在 Agent 环境中原生孕育出来的老旧体系，根本无法准确理解、度量和调度 Agent 的底层能力，更无法为其提供最适宜的原生开发与编排环境。
`52:05` Agentic OS 的迷思与创业者的反共识阶段
针对 2024 年行业内被频繁热炒的“Agentic OS”（智能体操作系统），曾鸣认为当前没有任何人能给它下一个准确的定义。在他的三阶段理论框架中，真正的 Agentic OS 属于极其遥远的“第三阶段”产物： - 在理想的 Agentic OS 状态下，用户只需输入一个意图（Intent），系统便会直接调度全网成千上万个成熟的 Agent 在底层协作将复杂任务执行完毕，用户甚至根本感知不到单个 Agent 的存在； - 但这一构想的前提，是行业必须先经历“第二阶段”海量 Agent 应用的大爆发与高度成熟。
因此，当下围绕 Agentic OS 的许多落地尝试注定难以成立，但这并不妨碍人们以此为终局目标来反推当下的行动路径。至于未来最终摘得 Agentic OS 桂冠的，是模型巨头、算力霸主还是苹果这类软硬一体企业，曾鸣推断其极大概率会是一家“今天谁都不知道长什么样的全新物种”，因为唯有如此量级的跃迁才配得上颠覆性的产业价值。
谈到 2024 年 Agent 赛道从去年的资本热捧坠入当下的融资冰点，曾鸣指出，这恰恰是迈入了最具价值的“反共识阶段”。去年大家手握大模型这一新玩具，靠着简单的 AI Wrapper（模型套壳）和微弱的 ARR（年度经常性收入）指标像小孩子过家家一样自娱自乐；而今年随着基础大模型推理能力的跃迁，那些浮于表面的简单工具被大模型能力溢出一波冲垮，原本喧闹的初创生态骤然入冬。
当前全行业正处于老范式被击碎、新爆款尚未破土的“青黄不接”期。市场上尚未跑出一个能让大众明确看懂 Agent 惊人潜力和具体打法的标杆级 2C 应用。许多团队一拥而上去卷短剧出海、动漫生成，但由于门槛过低，短短半年便陷入恶性红海甚至被底层多模态模型的升级吞噬。曾鸣对在冰点中坚守的初创企业 CEO 表示，当前的冷清是技术走向严肃生产力应用的必经阵痛：“真有人想我能不能严肃的拿它干点重要的活，这才是应用阶段开始的真实的标志。”
`56:15` 模型会吞噬一切吗？从爱迪生、电网到通用电气的产业史启示
面对当前创投圈普遍蔓延的“基础大模型将不断扩张并吞噬所有垂直应用与工具”的悲观论调，曾鸣用详实的第二次工业革命史进行了有力反驳。所谓“模型吞噬一切”，建立在“所有人类任务都处于模型射程之内”的虚妄假设上；一旦技术范式在特定阶段达到“智能够用”的平台期，多元化、高度碎片化的业务场景就会催生出完全不同的技术工程需求，这是单一大模型绝对无法包揽的。
曾鸣梳理了电力产业的发展脉络： - **1892 年**：爱迪生发明耐用白炽灯泡，照亮了曼哈顿一平方公里的区域，电力技术初露峥嵘。 - **1910 年前后**：发电厂与区域高压电网技术实现突破，电网开始大面积覆盖美国主要城市，成为公共基础设施。 - **大应用的爆发周期极其漫长**：直到电网覆盖成型的 1910 年，家庭端才真正迎来了电灯之外的两大杀手级 2C 应用——洗衣机与电冰箱；第三个彻底改变人类生活方式的家用电器“空调”，更是直到 1925 年才被发明出来；而电视机直至 1930 年代才正式问世。
这一演进历程带来了深刻的企业战略启示： 爱迪生当年虽然发明了电灯，但他固执地认为核心商业价值在于制造“发电设备”，因而创立了通用电气（GE）。然而，爱迪生并未充分意识到输电网作为基础设施的独立价值，导致其助手出走创立了全美第一家输送电公司。更具戏剧性的是，通用电气后续长达六十年的真正辉煌，并非源于发电设备的垄断，而是源于其顺应时代浪潮，率先制造并规模化普及了电冰箱与洗衣机等 2C 杀手级硬件终端。
当电网彻底沦为幕后沉默的基础设施后，公众早已不再关心哪家电网公司在为自己供电，整个商业文明的繁荣被通用电气等应用型巨头全面接管。同理，当大模型将智能转化为即插即用的数字公用事业时，真正的千亿美元机会必将属于那些能够利用这种全新动力、重塑 2C 或 2B 复杂场景的终端产品定义者。
| 发展阶段 | 典型年份 | 核心技术与基础设施演进 | 杀手级终端应用突破 | |:--- |:--- |:--- |:--- | | **单点技术突破** | 1892 年 | 爱迪生发明耐用电灯泡，曼哈顿小范围供电 | 室内照明（电灯） | | **基础设施成型** | 约 1910 年 | 发电厂与城市高压电网初步普及，沦为底层公共设施 | **洗衣机**、**电冰箱**爆发 | | **深度应用延伸** | 1925–1930 年 | 区域电网全面互联，供电质量与稳定性大幅提升 | **空调**（1925）、**电视机**（1930） | | **信息管理萌芽** | 1910 年代起 | 现代工厂规模扩张，IBM 前身（C-T-R）成立处理早期数据 | 穿孔卡制表机等早期工业数据处理设备 |
`01:00:23` Agent 创业者与模型的边界：Cursor 与 Manus 的抉择
面对“应用做大后是否必须回过头去自研训练模型”的焦虑，曾鸣旗帜鲜明地给出了相反的建议：专注于智能体的 Agent 初创企业，绝不需要再去自训传统意义上的通用基础大模型。
曾鸣剖析了当下最具代表性的代码辅助工具 Cursor。在底层大模型编程能力尚且薄弱的时期，Cursor 凭借精妙的前端体验和交互工程，扮演了试探模型能力边界的先锋。然而，Cursor 这类产品并不符合曾鸣所定义的具备独立壁垒的原生智能体形态；一旦基础模型在后续版本中将代码生成与上下文理解能力大幅提升，这种轻薄的中间层很容易被直接“折叠（Fold into）”进模型内部，沦为底层模型演进的养料。
真正的原生 Agent 公司，其核心技术资产应沉淀于自身业务场景特有的长流程编排、意图拆解与外部工具调度等工程架构上。由于各大模型厂商之间存在极其激烈的同质化供给博弈，智能将迅速变成一种可被多方随时无缝替换的大宗商品（Commodity）。应用开发者大可依靠稳定的 API 接口随取随用，无需承受数额惊人的训练成本与算力锁死风险。即便像 Manus 这样处于中间生态位的企业面临技术攻坚，其探索的核心也是如何优化 Agent 自身的推理链路与工具集成边界，而非退回去重新造一个通用模型轮子。
针对眼下 2C Agent 的空窗期，曾鸣认为这完全符合创新扩散周期的客观规律。类似 OpenClaw 这一类探索性产品之所以热度迅速回落，一方面是因为其当前依然局限于极客与少数科技公司 CEO 等极小众群体；另一方面则是技术尚未达到平民化好用的临界点，甚至连最敢于尝鲜的企业家都被复杂的配置与不稳定的表现折磨得疲惫不堪。但这绝不意味着 2C Agent 是伪命题，相反，曾鸣表示对杀手级原生 2C 应用的破土而出抱有坚定的绝对乐观。
`01:04:12` New Labs 现象的成因与本质：对“公司”制度的不满
2024 年科技界的一个显著奇观，是中美两地同步涌现出一批主打世界模型（World Models）、AI for Science 等非共识方向的“New Labs”（新型实验室），如 Yann LeCun 派系的思想继承者等。曾鸣将这一现象归纳为三大动因的共振： 1. **范式天花板警惕**：部分顶尖科学家从数学与物理原理层面，深刻质疑基于 Next-token prediction 的现有大模型范式存在无法逾越的认知天花板，试图跳出 Scaling Law 边际递减的引力陷阱； 2. **底层探索窗口打开**：得益于基础模型的通用能力已经达标，使得针对特定前沿学科（如材料科学、分子生物学）的深层机理探索具备了可操作的底层工具支撑； 3. **组织反叛与进化**：这批最敏锐的顶级大脑在潜意识中表达了对传统“公司（Corporation）”形态的集体不满。
曾鸣断言，New Labs 绝非一个转瞬即逝的过渡期产物，而是某种革命性组织形态的早期胚胎。当张小珺追问“公司这种形式是否真的要被淘汰”时，曾鸣给出了肯定的回答：工业革命催生了流水线分工与现代科学管理，为了承载大规模机器生产，人类才在制度层面发明了“公司”这一人造物。如今，当工业时代赖以运转的规模经济与管理假设遭遇 AI 的根本性解构，公司的消亡便成了不可逆转的历史宿命。
人类社会在工业革命前只有工匠作坊而无现代公司，未来的协作载体也绝不会停留在公司形态上。曾鸣透露，自己在撰写《智能商业》等著作时，从头到尾都在极力克制并刻意避开“公司”一词，一律改用范围更宽广的“组织”来表述。因为在当下，定义这种全新生产关系的专有词汇甚至尚未在人类语言中诞生。
曾鸣进一步从哲学层面剖析了这场技术风暴对组织制度造成的剧烈冲击：“人类一直是很自豪自己是地球上唯一的智能动物，然后其典型标志是因为我们有语言会说话，那 AI 也能说话，AI 能理解人的所有的知识，AI 也具备了智能。”这种智能主体的扩容，注定将把二十世纪赖以维系的商业治理结构连根拔起。
`01:08:08` 科层制公司消亡：从“岗位”到“任务”的组织架构颠覆
在曾鸣看来，传统公司赖以建立的最底层细胞核是“岗位（Job Position）”。几百年来，企业的运作模式高度固化：为了支撑业务，HR 和管理层首先设计出一份工作描述（Job Description），在市场上招募对应的人，进而围绕岗位搭建起汇报线、职级体系（Hierarchy）、晋升阶梯以及薪酬考评标准。
然而，AI 原生组织的最小运行单元将彻底从“岗位”重构为“任务（Task）”。
```mermaid flowchart TD accTitle: Paradigm Shift of Organizational Unit accDescr: Structural contrast between traditional hierarchical organizations based on job positions and AI-native organizations driven by task distribution. subgraph Traditional["传统工业时代组织"] P1["岗位体系 (Job Position)"] --> H1["职级层级与科层汇报线"] H1 --> A1["自上而下行政命令分配"] end subgraph Native["AI 原生组织架构"] T1["高阶目标定义"] --> T2["动态原子任务拆解 (Task)"] T2 --> S1["硅基员工 (Agent) 自动化认领"] T2 --> S2["碳基员工 (Human) 主动接单交付"] end ```
这种底层单元的迁移将带来一系列连锁重塑： - **消灭工作流修补**：当前许多企业推行的“AI 嵌入现有工作流”，本质上仍旧是旧体系下的缝缝补补，因为现有工作流全是为了迁就人类的肉身极限与信息延迟而妥协设计的； - **全动态分布式协作**：真正的 AI 原生组织从创立第一天起，核心业务便由大模型或中枢系统自动进行目标拆解与任务分发。组织内无论是由代码构成的“硅基员工”（Agent）还是具备高主观能动性的“碳基员工”，完全平等地围绕任务池的流转展开协同； - **自下而上主动接单**：求职者未来不再应聘某个固定 Title，而是直接进入组织的协同网络去主动“认领任务”。只要你能独立交付出可靠的高水准结果，你的成果就能直接合入生产环境并即刻获得对应价值分配。
随着这种动态网络化协同的建立，工业时代引以为傲的“科层制（Bureaucracy）”以及传统意义上的“中层管理干部”将彻底失去存在的合法性。中层存在的历史原因，是为了在信息不对称的环境中维系指令传导和拍板权；而在全透明的 Agent 协作网络中，调动资源的权力完全取决于谁展现出的现场判断力与专业能力更强，而非谁的行政级别更高。
`01:11:58` 组织协同新机制：High Agency、去中层化与透明奖励
当行政命令线与职级晋升阶梯瓦解后，一个至关重要的问题随之浮现：未来的组织该依靠什么来维系对个体的激励机制？
曾鸣指出，硅谷近来最为崇尚的特质是“High Agency（高度主观能动性）”。在透明度极高的任务网络中，个体的内驱力与自我实现需求将彻底取代外在的 KPI 考核。每一个具备高能动性的人，核心诉求是认清自己的能力边界并寻找最具挑战性的落地场景，在与场景和 Agent 共同进化的过程中实现智力复利。
这种组织演变直接解释了当前硅谷前沿科技圈的一种独特文化：许多极具声望的受访专家不再拥有副总裁（VP）等光鲜亮丽的企业行政头衔，统一被称为“顶尖研究员（Top Researcher）”。与此同时，他们跳槽时的“转会费”却动辄飙升至数千万美元天价。曾鸣解释说，这是因为去中心化的开源与技术社区使得每一个个体的实际代码和算法贡献变得前所未有的扁平透明。一家核心机构内究竟是前 30 个人、前 300 个人还是前 1000 个人在真正推动突破，行业内部心知肚明。
曾鸣由衷感慨，科层制公司的衰亡完全不值得任何伤感：“公司会消亡，这没有什么可以遗憾的呀。将来有更好玩的，你说多少人现在去公司上班是开心的？那你将来可以有更开心的方法，那不就是技术进步给人类带来的价值吗？”
针对一度被热炒的“一人公司（Solopreneur）”概念，曾鸣给出了冷静的修正。一人公司绝非组织进化的终局形态，它只是一面镜子，折射出 AI 赋能下单兵作战能力的指数级跃升——原本需要几十人行政架构才能搞定的琐事，如今一人即可驱动。但人类个体的认知带宽永远存在物理极限，高阶的社会化大生产必定要求分工与协同。因此，未来组织不会演化为数十亿个孤立的一人公司，而是由大量被 AI 武装到牙齿的“六边形战士”，在全新机制下自组织结合成类似顶尖职业球队的高性能集结体。
传统企业若想在这场海啸中幸免于难，唯一的出路是痛下决心完成基因突变。“转型升级成为新物种，怎么转？不换脑袋就换人啊！”曾鸣直言，若创始团队无法在认知底层跨越从“AI+”到“AI 原生”的惊人鸿沟，一味凭借工业时代的管理惯性修修补补，最终在面对真正的 AI 原生组织竞争对手时，只会陷入彻头彻尾的绝望。
在对待 New Labs 当前动辄数十亿美元的天价估值泡沫问题上，曾鸣展现了坚定的战略豁达。他认为，科技史上的任何一次重大跃迁，早期的资本泡沫不仅不可避免，而且是不可或缺的润滑剂：“早期的泡沫肯定是好事，因为重赏之下才有勇夫嘛。”在缺乏上帝视角的真实商业世界里，市场机制唯一的办法就是开出令全人类天才心动的极高溢价，激励一代人去大范围试错，最终在废墟上催生出下一代文明的全新物种。
`01:20:00` 组织先于战略：AI原生时代的“神经网络”与决策挑战
曾鸣在此前出版的新书中将“组织”置于“战略”之前进行讨论。面对“理论上是否应该先定战略后定组织”的传统疑问，曾鸣强调，AI对于工业时代是一场范式革命，催生的是全新的商业物种。战略的制定方式与组织形态是“阴阳和合”、无法割裂的：原有的科层组织根本无法生成未来的新战略，只有演化出新的组织形态，才能诞生匹配新时代的战略，而战略决策本身又是新组织中最重要的决策。
驱动组织形态发生根本跃迁的核心动力，在于决策环境的变化——商业环境要求决策的频率越来越高、质量要求越来越苛刻。对于AI原生（AI Native）公司的CEO来说，能否搭建出真正的原生组织，关键在于自身对AI的理解深度与原生程度。走在最前沿的创业者，往往具备极强的动手能力，甚至会自己重新编写公司的底层运行体系。曾鸣提到，李志飞曾讲过把自己关在家里三天，就基本把公司内部的运行框架搭建了出来。很多技术能力强、对组织运行原型有深刻理解的创始人，都自己做了一套系统。
在曾鸣看来，如果CEO仅仅满足于现有办公协作工具的升级（如飞书等），觉得“够用”，这便构成了平庸与原生的分水岭。未来的原生组织，其本质就像是一个适应能力极强的“神经网络”： - **传统ERP与科层体系**：是一条固化的僵死道路，存在天然的结构性局限，无法对外在环境作出实时动态反应。 - **AI原生组织**：天然以任务为核心，工作流如同神经网络的实时连接，能够根据前沿竞争的残酷程度迅速调配资源。面对巨浪与前沿赛跑，“如果你是跟兔子比赛跑，你的速度要求，跟你去跟猎豹比赛跑，肯定是不一样的”。
```mermaid flowchart LR accTitle: 传统科层制与AI原生组织的运行逻辑对比 accDescr: 对比传统固化ERP流水线与AI驱动的动态任务流神经网络架构
subgraph Legacy["传统工业时代组织"] L1["固化科层制岗位"] --> L2["线性ERP审批流程"] L2 --> L3["迟缓静态响应"] end
subgraph Native["AI原生新型组织"] N1["动态任务流导向"] --> N2["实时连接的组织神经网络"] N2 --> N3["高频高质量决策涌现"] end ```
---
`01:25:00` 组织小型化、全员合伙人与技术人员的“商业认知之坎”
随着AI的杠杆作用被成倍放大，AI原生组织的形态将发生剧烈变化。曾鸣指出，在第二阶段，组织内部的人数会阶段性地显著变少。这是因为AI对人的综合素质要求极高，起初能够适应新协同方法的，是一小批极其积极主动、勇于尝鲜且学习能力超强的人。
针对不同角色的演进，曾鸣展开了深层剖析： 1. **研究员的价值与局限**：第一阶段大模型公司以科学家和研究员为主导，因为他们是与AI交互最深、最懂技术边界的人，市场也高效地给予了他们极高的定价。然而，技术人员面临着一个巨大的思维门槛，必须打破“我的技术天下第一，为何公司不值钱”的执念。曾鸣直言：“因为经济学基本规律，只要有同质化的供给，你就不可能获取高额利润，你就是一家不怎么值钱的公司。” 2. **产品经理的空前爆发**：当底层技术逐渐退为基础设施，产品经理将变得“无比重要”。在有限的时间内，把资源投入到服务何种客户、创造何种价值、选用何种技术上，全靠产品经理的判断与同理心。下一代以应用驱动的创业团队，创始人不再必须具备深厚的研究（Research）背景。 3. **全员合伙人制**：工业时代创造了公司制来替代手工作坊，但律师事务所、咨询公司、早期投行等“合伙人企业”始终平行存在。在AI原生团队中，联合创始人的数量明显增多，因为每个人都是不可替代的长板，常规事务皆由Agent接管。“未来整个企业会越来越像合伙人，全员都是合伙人的这种情况会越来越普遍；要不然我就不找你，找你其实就是因为你的贡献必不可少。”整个团队就像一支高度互补的精锐球队，人数少而精，通过数字分身去放大能力的覆盖范围。
---
`01:31:10` 优秀与卓越的鸿沟：自我的消融与使命的召唤
在讨论创业者的心性时，曾鸣明确提出“优秀”与“卓越”遵循着完全相反的生长路径，绝无法在事前被一眼识别： - **优秀**：是一个持续获得外界正反馈的向上成长过程，符合普通人追求认同的心理机制。 - **卓越**：则是事后认定的，它要求创业者在所有人都不认可、遭遇一次又一次残酷负反馈的至暗时刻中坚持下来，最终以巨大的成就证明自己是时代最早的先知。
曾鸣强调，卓越的先决条件是“克制Ego（自我）”，必须具备极高的利他精神与同理心： > “卓越我讲的最重要的一句话：卓越是事后认定的，是因为你克服了一次一次的负反馈，在所有人都不认可你的时候，你最后会以巨大的成功证明你是时代最早的那个先知。”
正如《从优秀到卓越》与《基业长青》中所总结的，真正卓越的领导者往往将成功归因于运气和他人。如果一个创始人Ego太大、急于证明自己多么聪明，就只能困在追逐短期正反馈的陷阱里，走一条“普遍性正确”的平庸道路，最终被真实世界打脸。曾鸣将公司分为四个层级： 1. **机会驱动的公司** 2. **战略驱动的公司** 3. **远见驱动的公司** 4. **使命驱动的公司**
使命必须是发自内心、自己真诚笃信的，而非粉饰在墙上的口号。曾鸣回忆，很多创业者来聊战略，他最常问的一句话是：“十年以后，你会对怎样的自己满意？”当对方回答“我要做一家100亿美金的公司”时，这往往是外部估值驱动的自我证明，容易被每一轮资本波动击碎；而最顶级的回答往往超越个体： - 马云当年创业前所讲的“让天下没有难做的生意”，是发自肺腑的使命； - 埃隆·马斯克坚定执着的“把人类送上火星”，同样是一件完全脱离渺小自我的宏大命题。
---
`01:38:17` 动态张力：“看十年、想三年、干一年”与战略生成系统
进入AI时代，市场淘汰赛以月甚至以周为周期计算，“做错一个重要决定你就出局了”。越是不确定的时代，越需要高维度的战略思考能力。过去传统工业时代流行把战略外包给麦肯锡、波士顿咨询（BCG）等咨询公司，是因为年均增长率只有5%~8%，行业缺乏变量，依靠线性外推即可做出十年规划。但今天，Anthropic可以在一年内实现数十倍的收入暴增，线性思维在AI时代彻底失效。
曾鸣重申了他的核心方法论——“看十年、想三年、干一年”： - **看十年**：确立Vision，摆脱线性的束缚，但由于未来过度不确定，仅看十年并不能指导当下第一步从何处下手。 - **干一年**：专注当下落地。 - **想三年（核心创造力所在）**：必须强迫自己看两到三步的里程碑（Milestone）。通过第一、第二、第三个里程碑的设计，在短期、中期与长期之间建立起一种动态的张力。
这种张力是做出取舍的关键。曾鸣举例，曾有应用层创业公司向他炫耀自身ARR（年度经常性收入）暴涨，曾鸣直接反问：“即使涨两年以后又怎么样呢？最后产业终局会咋样呢？你的ARR有没有一个天花板呢？那个天花板多快会来呢？”对方回去推算后如梦初醒，意识到当前靠ARR简单年化外推制造出的增长幻觉并不具备长期价值壁垒，客户一旦遭遇同质化竞争，定价权会立刻从“客户价值”跌落至残酷的“边际成本”。
```mermaid flowchart TD accTitle: 战略张力三角形 accDescr: 展现看十年远景、想三年里程碑与干一年执行之间的动态张力结构
V["看十年：愿景驱动 (Vision Driven)<br/>打破线性外推，确立终局方向"] M["想三年：核心创造力枢纽<br/>设定两到三个里程碑 (Milestones)"] E["干一年：聚焦执行落子<br/>解决当下行动与资源投入"]
V <-->|"长期与中期张力"| M M <-->|"中期与短期取舍"| E ```
在管理协同上，传统的KPI彻底失效，而OKR在过去之所以屡屡走样，是因为缺乏强大的底层组织大脑。在AI时代，基于全员大模型和任务流的神经网络能够追踪自然语言表达，实现组织目标、认知模式和上下文（Context）的深度对齐。
曾鸣由此提出了一个新概念——**战略生成系统**（Strategy Generation System）： > “以前叫战略规划，现在叫战略生成。我可以说创了这个词，因为这个词本来就反映AI时代大家都习惯了视频生成、文图生成……真正要做的是一套体系、一个环境，可以让战略洞察涌现出来，然后成为一个战略不断生成的系统。”
在这个系统里，“Context, not control”成为了核心文化。人与AI深度互联，共享超长上下文（Long context），AI负责处理全量海量信息，人类则凭借瞬间的直觉爆发创造力，从而让战略如同智能涌现一般自然产生。
---
`01:48:30` 反“老登”风潮与企业文化的演进
针对当下年轻人对所谓“老登”和科层体制的抗拒与逆反，曾鸣从产业机制给出了深刻的社会学与战略学解释： - **传统“尊老”的根基瓦解**：农耕与工业时代之所以尊老爱幼，是因为经验代表着生产力与行业规范，需要一代代言传身教； - **AI对经验价值的粉碎**：在AI时代，凡是能够转化为知识与规训的经验，瞬间就被大模型吸收殆尽。年轻人借助AI的超级杠杆，短时间内就能在专业领域媲美主任医生或资深行家。过去沉淀了二十年的传统经验大幅贬值，“年轻人当然就不尊重老年人了”。
正如姚顺宇所言：“谁愿意陪老登玩，牺牲自己的青春年华？”科层制中依靠控制、考核、繁琐且缺乏成长的知识重复劳动，已经严重违背了现代人对幸福感与创造力的追求。在AI原生组织中： - 愉悦和情绪价值不再是调剂，而是激发生产力的“必需品”； - CEO必须摒弃居高临下的“老板心态”，彻底转变为“服务型CEO”。任何PUA手段在新一代顶尖人才面前都将彻底失灵，优秀的人才只能依靠共同创造的使命感去“感召”。
---
`01:53:30` 战略阶段论：大模型的同质化困境与机器人的“前GPT时刻”
曾鸣指出，战略必须根据企业所处的演化阶段来制定，而非仅仅按照赛道切分： - **战略探索期（如当前的具身智能机器人公司）**：方向高度发散，核心诉求是**创新的效率**而非执行的效率。一号位必须带领团队低成本试错，放下个人预设，快速吸收外部经验，在现实与打脸中达成新共识。 - **战略收敛期/发展期（如当下的基础大模型公司）**：战略方向相对明确，核心诉求是**组织效率、执行效率与规模化**，推动业务跑出可闭环的运营模式。
| 战略发展阶段 | 典型赛道代表 | 核心战略目标 | 组织与执行重心 | |:--- |:--- |:--- |:--- | | **战略收敛期 / 发展期** | 大模型公司（OpenAI、Anthropic等） | 规模化复制、建立商业闭环、追求组织极速上量 | 追求组织效率与执行效率；依赖已被验证强壮的架构原型 | | **战略探索期** | 具身智能机器人、新型Agent网络 | 降低试错成本、在多条路径中试探、形成初步共识 | 追求创新效率；创始人放低Ego，根据现实反馈敏捷掉头 |
针对大模型领域的狂热与隐忧，曾鸣提到了行业内对同质化竞争的普遍恐慌。由于供给同质化，大模型长期享有垄断暴利的预期被打破，资本市场随之开始质疑高额CAPEX（资本支出）基建投资的合理性。曾鸣研判，大模型发展空间依然巨大，基础设施投资短期仍将持续，甚至可能在某个拐点出现周期的过剩，但这反而是应用层的福音——因为廉价、稳定且强大的智能调用门槛将被彻底打平。应用公司无需在场外过度焦虑，但也不能“狗一狗、等一等”，因为脱离战场就无法积累工程与场景认知，大浪来临时将无从承接。
至于处于极早期的机器人赛道，曾鸣认为其目前连“ChatGPT时刻”都尚未到来，大致相当于大模型在2020年左右的阶段，受到核心数据匮乏等物理现实的严重制约。 - **大脑泛化路径**：从机器人通用大脑切入，挑战在于泛化空间的未知性以及单点场景下的表现深度。 - **具体场景切入**：从垂直硬件与场景出发，通过具体业务闭环反哺模型，挑战在于单一场景规模有限，能否快速横向扩张存在巨大变数。
曾鸣将当下的机器人行业类比为1900年至1920年的汽车产业早期：群雄并起，存在几千家汽车公司同时摸索，彼此各执一词，究竟是南坡登顶还是北坡包抄，唯有依靠时间与市场的无情演化给出最终答案。
`02:00:00` 电气时代的类比：福特流水线与机器人的演进路径
谈及当下的机器人赛道，曾鸣教授回顾了汽车工业的演进史：早期美国许多工厂都宣称能手工敲出一台车，马达也是外购的；但真正的“原生应用”爆发点，是1913年福特汽车建成了世界上第一条由电驱动的流水线。现代制造业由此跨入新纪元，极高的生产效率才换来了大众消费得起的汽车。然而福特凭借标准化、只卖黑色的T型车夺得全美第一后，大众需求走向多元化，通用汽车随即推出七八种车型进行竞争。这表明任何战略都只在特定的历史阶段有效，绝非亘古不变。
当前的机器人行业，各家团队都能拼装出机器人，但谁能完成规模化量产仍是未知数。大家都在等待机器人的“T型车时刻”，谁能实打实卖出一万台机器人，就已经是了不起的成就。曾鸣指出，机器人更恰当的参照系不是单项产品，而是电出现后诞生的海量“电器”： - **场景多元**：电催生了冰箱、洗衣机等无数电器，大小与重要性难分伯仲；同理，未来也会出现多类不同场景的机器人，包括偏陪伴型或家务型的家用机器人，以及工业或户外作业机器人。 - **物理界面的泛在性**：机器人之所以被寄予厚望，是因为它是AI与物理世界交互的核心界面，恰如“所有东西都可以被电再重新干一遍”。 - **电与Token的对应**：大模型Token对应的是电，汽车是对外的杀手级场景，洗衣机、冰箱则是对内的家庭场景。
```mermaid flowchart TD accTitle: 电气时代与AI时代的演进对照 accDescr: 对比电力驱动流水线、产生丰富电器，与Token驱动大模型、产生丰富机器人形态的对应演化过程。
subgraph 电气化时代 E1["电作为基础设施"] --> E2["1913年福特电驱动流水线<br/>(T型车规模化量产)"] E2 --> E3["丰富电器形态出现<br/>(冰箱/洗衣机/多样车型)"] end
subgraph AI与具身智能时代 A1["Token作为基础设施"] --> A2["机器人的'T型车时刻'<br/>(突破1万台规模化量产)"] A2 --> A3["海量机器人形态落地<br/>(陪伴/家务/工业等物理界面)"] end ```
---
`02:02:48` 巨浪面前没有巨头是安全的：“基本没有”能跨越周期的企业
面对AI的颠覆式巨浪，大厂纷纷高喊“AI First”与“All-in AI”。张小珺提问：“在这波巨浪面前哪些巨头是安全的？”曾鸣干脆地回答：“我从来觉得在巨浪面前没有人是安全的。谁觉得安全，谁就是最不安全的。”他指出，All-in AI只是活下去的必要条件而非充分条件，能否成为下一个时代的领军者，取决于技术颠覆的程度和新创企业获取资源的能力。
在商业历史上，从一个时代成功过渡到下一个时代且依然卓越的企业极为罕见。张小珺追问跨时代依然卓越的企业在历史上“多不多、有没有”，曾鸣直言：“不是多不多的问题，是有没有的问题……基本没有。” - **IBM** 曾完成过一次历史性转身。 - **微软** 虽然错失移动互联网，但守住了搜索火苗、积累了云计算，加上PC时代Windows操作系统的垄断，让它在AI时代抢占了先机。但眼下微软的未来再次充满不确定性：其自身模型研发不够深入，虽然早期投资了OpenAI，但目前已经“买不起OpenAI”，模型层实际上已退居次席。 - **Google** 凭借TPU、大模型与技术积淀，作为AI云厂商活下来毫无悬念，但它能否再次做出下一代消费者级的超级入口应用，依然充满未知数。
面对这种企业宿命，张小珺感叹这是否令人绝望，曾鸣回应道：“这一点都不让人绝望啊，人有生老病死，公司也有生老病死，没有比这更正常的了。所以新公司才有机会，年轻人才有梦想，这多好的一件事情对吧？一直都垄断到今天，那不是世界太无趣了。”
---
`02:05:00` 现有产品加AI只是过渡：颠覆性革命与生产关系的重构
巨头无法直接保送下半场： - **字节跳动**：字节在大模型与多模态视频生成上已属世界一流，有极大概率成为出色的AI云公司，但超级杀手级应用充满不确定性。“豆包”并不具备智能体的核心特征——独立完成任务的行动力，它本质上更偏向第一代AI的聊天机器人，而非下一代原生产品。 - **调度上一代服务的入口终将被颠覆**：各大巨头都想把自己的旧入口（如移动端App）做成调度OS，但如果没能建立Agent的事实标准，调度的就只是旧时代的服务，而旧服务本身就会被新时代瓦解。 - **人际与人货关系的彻底重定义**：腾讯即便目前看似安全，其内部同样充满恐慌，因为人和人的社交关系、Agent在沟通中的角色都将被重塑；微信承接了移动互联网而非QQ纯粹的平移。阿里同样面临“人与货物关系被重构”的严峻挑战，并非现有产品加个AI或Agent就能解决。
曾鸣对比了移动互联网与AI的创新本质： - **移动互联网是1.5度创新**：既有颠覆性又有延续性，底层仍是互联网架构与网络效应。延续性让老巨头得以平稳过渡，颠覆性则成就了更原生的字节跳动与拼多多。 - **AI是彻底的生产力革命**：AI颠覆的不是互联网，而是工业革命以来的生产范式。互联网本质上是生产关系的革命，而AI是生产力的根本变革。由于延续性极弱，原有物种去适应新环境将极其艰难，指望下一个杀手级原生产品诞生于旧巨头内部，难度极高。
---
`02:10:00` 组织生成战略：硅谷双雄与大厂的组织困境
十万人的庞大企业转型为AI原生，与十人团队成长为千人AI原生企业，两者难度不可同日而语。此外，“你如果没有做出第一个真正成功的Agent，你大概率不理解Agent是怎么运行的，你就没有办法提供那个基础设施，成为不了那个事实上的标准，也就成为不了入口。”只有自己做出标杆性Agent，才能形成黑洞效应，吸引海量开发者与用户。
谈到具体公司的组织状态，曾鸣分享了一线观察： - **xAI 与埃隆·马斯克**：曾鸣透露，在硅谷的工程师聚会中，“xAI的那个人永远是最疲惫的那个人……他就是被消耗得过度了。”马斯克强高压、自上而下的第一性原理工程法在硬件领域行之有效，但在大模型上，研究员普遍认为马斯克并不真正懂模型。他既无法直接给出正确答案，又不给团队开放共创的空间，“没有通过组织去生成战略，都是他自己的意志”，组织紧绷至极便丧失了创新力。 - **Meta 与扎克伯格**：扎克伯格虽然年轻，但成名太早、消耗严重，内部调度庞大资源的包袱过重，且研究员同样认为扎克伯格不懂模型，使其难以拍板关键技术决策。 - **OpenAI 与 Anthropic**：OpenAI早期靠山姆·奥特曼（商业与CEO运作）与伊利亚·苏茨克维（技术驱动）的互补组合；Anthropic组织力极强，达里奥·阿莫代对使命与愿景（Mission & Vision）把握极准，展现出Vision-driven型团队的高爆发力。两者本质上都是AI时代的原生初创组织。 - **中国大模型格局**：国内大模型目前仍处于对美国原型的快速跟进阶段，由于缺乏两三年的独立孕育期，极易陷入同质化的“百团大战”。尽管如此，早期起步且认知深刻的创始人（如月之暗面杨植麟、MiniMax闫俊杰）作为原生代力量，依然跑在行业前列。 - **做模型的真实意图**：至于小红书等企业做大模型，并非要加入提供API的“基础设施工厂”竞争，而是为了下一代原生应用储备底层能力，防止技术断代。
---
`02:18:01` 德鲁克的历史坐标：AI时代的核心是“无中生有”的创造力
对于产业演进节奏，曾鸣拒绝做短期预测，但给出了中长期判断：未来5年左右，Agent的超级入口大概率会清晰浮现；而类似移动互联网时代抖音、拼多多这样的终局级原生应用，可能要到8到10年后的第三阶段才会成熟。整场AI革命的消化周期，将是“一代人，20年起步”，因为只有新一代的原住民才能真正驾驭它。
曾鸣借用彼得·德鲁克划分的工业时代三大阶段，推导AI时代的本质定位：
| 历史阶段 | 开启标志 / 核心驱动 | 核心机制与标志性产物 | |:--- |:--- |:--- | | **第一阶段：生产力革命** | 工业革命（流水线诞生） | 机械与流水线取代手工作坊，效率倍增 | | **第二阶段：管理革命** | 约100年前（泰勒科学管理） | 诞生商学院，为现代企业培养管理干部 | | **第三阶段：知识革命** | 20世纪70年代（软件产业崛起） | 软件将人类知识与最佳实践结构化沉淀 | | **第四阶段：创造力时代（AI）** | 大模型与通用智能普及 | 可被结构化的知识工作均由AI接管，人类转向**原创造力** |
曾鸣将AI时代定义为“创造力时代”。当一切结构化知识都能被机器以数据形式获取并处理后，人真正的价值在于“无中生有的能力”——即原创性定义复杂问题的能力。这种创造力不仅是写歌、画画，也包括满足人类情感陪伴、成长与幸福感等机器视作“无聊”却对人类至关重要的需求。
随之而来的社会制度重塑将不可逆转： - **商学院与传统组织的黄昏**：伴随科层制公司的衰亡，为公司培养螺丝钉的商学院已经显现颓势；以办公室为核心的物理场景正被虚拟世界（Metaverse方向）重构。 - **教育体制的根本性冲突**：传统的教育制度本质是“灌输知识”，压抑探索与潜能。年轻人已知旧教育培养出的技能在未来找不到工作，但全社会尚未摸索出系统化培养“无中生有创造力”的新机制，这将是未来最大的社会阵痛。
---
`02:22:48` 拥抱不确定性：从“做个快乐的研究员”到CEO的战略天花板
面向未来，人类与AI将走向深度协同。每个人未来可能随身佩戴摄像头、语音收发硬件及外骨骼，演变成“加强版的人”。在各种消费级硬件层出不穷的摸索期，曾鸣建议创业者彻底扭转心态：“原来我们倾向于降低不确定性，但是我觉得在这个阶段其实是要拥抱不确定性，不确定性就是最大的机会。”
被问及个人使命时，曾鸣坦言自己的定位是“做一个快乐的研究员”：与一线创业者交流最新思考，吸收深度思想对话，在信息洪流中保持生物人的生活节奏，而非被高效率的AI工具榨干。
```mermaid flowchart LR accTitle: 创始人战略驱动层级与天花板 accDescr: 展示从战略驱动到愿景驱动，再到使命驱动的创始人进化路径及对应的企业高度。
L1["执行/战略驱动<br/>(已属优秀，追求组织效率)"] --> L2["愿景驱动 Vision-driven<br/>(对未来形态有清晰图景)"] L2 --> L3["使命驱动 Mission-driven<br/>(通向卓越的唯一可能)"] ```
在节目的快问快答与终局讨论中，曾鸣分享了以下深度观点： - **最喜爱的地点与食物**：目前最喜欢的地点是上海；喜爱的食物是辣椒炒肉（“为了在硅基生命到来之前留下更多碳基文明的记忆”）。 - **当下的关键变数（But）**：基于当下认知，期待“出现一个足够好用的To C的Agent”。 - **人生之书**：管理学领域的《基业长青》系列、德鲁克的著作，以及大学本科时近乎抄录全书的弗里德曼关于市场运行机制的经典著作。 - **CEO与战略的本质**：具有战略能力的创始人极少。仅能做到战略驱动的已属优秀，“但不是卓越的；卓越的可能严格讲得是使命驱动的才有可能走向卓越。”或者如王兴与王慧文一般，形成战略思考与落地执行互补的黄金搭档。 - **字节跳动与张一鸣**：曾鸣评价张一鸣为“了不起的天才”，很早提出“公司即产品”，将字节打造成追求极致执行效率的“效率工厂”（与奈飞文化高度相似）。然而，当旧世界的战略执行达到效率极限后，组织的宿命就是迎接新时代的冲击：“要不就彻底转型，要不就被时代淘汰。对每个人都很公平。”
## Notable quotes > `02:02:48` 我从来觉得在巨浪面前没有人是安全的。谁觉得安全，谁就是最不安全的。 — 曾鸣
> `01:25:00` 因为经济学基本规律，只要有同质化的供给，你就不可能获取高额利润，你就是一家不怎么值钱的公司。 — 曾鸣
> `01:31:10` 卓越是事后认定的，是因为你克服了一次一次的负反馈，在所有人都不认可你的时候，你最后会以巨大的成功证明你是时代最早的那个先知。 — 曾鸣
> `49:43` 旧的平台做的是简单的信息匹配，新的平台要做的是能力跟需求的匹配，所以复杂度高了很多。 — 曾鸣
> `02:22:48` 原来我们倾向于降低不确定性，但是我觉得在这个阶段其实是要拥抱不确定性，不确定性就是最大的机会。 — 曾鸣
> `40:00` 今天的核心是干活，然后是干一个复杂的活，越简单的活越容易被复杂的活给吞掉，因为它没有多少成长的空间。 — 曾鸣
## Mentioned 曾鸣, 张小珺, 阿里巴巴, 淘宝, 支付宝, 阿里云, eBay, IBM, Oracle, EMC, 黄仁勋, 英伟达, Sam Altman, OpenAI, Anthropic, AOL, Yahoo, Google, Mosaic, Manus, Cursor, OpenClaw, 爱迪生, 通用电气, Yann LeCun, 阶跃星辰, 智谱, 月之暗面, MiniMax, 通义千问, 李志飞, 马云, Elon Musk, xAI, Meta, Mark Zuckerberg, Ilya Sutskever, Dario Amodei, 杨植麟, 闫俊杰, 小红书, 字节跳动, 张一鸣, 王兴, 王慧文, Peter Drucker, 豆包, 微信, 腾讯, 拼多多, 福特汽车, 通用汽车, 《智能》, 《智能商业》, 《从优秀到卓越》, 《基业长青》
## Video description 今天的嘉宾是战略学家曾鸣教授。曾教授曾经是阿里巴巴集团总参谋长，也参与过两所商学院创建（长江商学院和湖畔），但他更令人熟悉的身份是：一名对企业战略有许多深度思考的研究者。不少创业者和企业家都受到过他的启发。 作为观察过互联网完整周期的研究者，今天我们聊了聊他对AI新时代、新范式的完整思考，并和历史上关键转折时期做了对照——聊完让我有了更全局的视角。 对AI的产业发展，曾教授提出了许多非共识判断，甚至是一些“暴论”。 这里我先摘录15条： AI产业化会有三个阶段：1）第一个阶段，技术逐渐被社会接受，成为社会基础设施；2）第二个阶段，基于基础设施产生海量新应用，进入百花齐放的时代；3）第三个阶段，当这些海量应用出现，大家发现需要一些更底层的方法运行新的世界，我把它叫作“原生应用阶段”。 我只是研究商业世界的动力学规律，我能看到的理论框架告诉我：第一阶段的企业，很难活到第二阶段；第二阶段的企业，很难活到第三阶段。 对比互联网时代，我们现在刚刚走到浏览器阶段，甚至比Yahoo还要早。 模型公司怎么类比？它有点像另外一个已经消失了的公司——美国在线AOL，它是互联网基础接入服务商，让所有人都能够接到互联网上，这本身是个巨大的工程。今天，大模型则是让所有人都可以轻易接入智能的入口，它也是一个基础设施服务商。 直白一点说，模型公司就是未来的AI云公司。 公共基础设施的行业，只有一种商业模式是成立的，叫寡头垄断加政府强监管——我知道这个现实对很多现在创业的人很残酷。 Anthropic、OpenAI，大概率不是原生应用阶段的大玩家、大赢家。 因为经济学基本规律，只要有同质化的供给，你就不可能获取高额利润，你就是一家不怎么值钱的公司。 下个阶段就是看谁是Netscape、谁是Yahoo，谁把Agent的标准建立起来，谁抢住Agent的用户入口。未来三年是有可能开始出现Agent入口的。 新的平台大概率不诞生自旧的平台。因为旧平台做的是简单信息匹配，新平台要做的是能力跟需求的匹配，复杂度高了很多。 作为工业化革命的产物，科层制管理的公司制度会衰亡——就是说，“公司”会消亡。这没有什么可以遗憾的呀，将来有更好玩的——你说多少人现在去公司上班是开心的？ 我从来觉得在巨浪面前没有人是安全的。谁觉得安全，谁就是最不安全的。 CEO不能有老板心态。谁还认你啊？——现在说我都不陪老登玩了，我还陪你老板玩？ 张：这个时代的企业过渡到下一个时代的企业，还能做得非常好的，多不多？曾：不是多不多的问题，是有没有的问题。张：有没有？曾：基本没有。 这一点都不让人绝望啊，人有生老病死，公司也有生老病死，没有比这更正常的了。这样，新公司才有机会，年轻人才有梦想，这多好的一件事情啊！ 好了，更多内容还是收看我们的播客吧:) 接下来，就是我对曾教授的访谈。 OUTLINE: 00:03:08 来自商业规律的残酷真相 00:39:53 新平台不来自旧平台 01:06:15 “公司”要被淘汰 01:31:10 优秀≠卓越 01:38:17 战略生成系统 02:02:48 没有巨头是安全的 02:18:01 创造就是“无中生有” LINKS： 我们的播客在小宇宙、Apple Podcast、Spotify等全音频平台播出； 我们的视频播客在小宇宙、Bilibili、小红书、视频号、抖音等全视频平台播出； 如果你想服用文字版，请搜索我们工作室的公众号：语言即世界language is world。 DISCLAIMER: 本内容不作为投资建议。 CONTACT: xiaojunzhang@lisw.ai Jump into the new world-and explore with us!😉
[Source](https://www.xiaoyuzhoufm.com/episode/6a97f287f03e74ee6b03ea5b)