AI应用的本质(十分抽象，有点关键）

　　在探讨人工智能（AI）的无限可能时，每个人的认知框架都扮演着关键角色。然而，若这些解读偏离了智能的本质特性，所得结论往往是不切实际的。对于真正致力于产品开发的团队而言，荒谬的结论无疑是致命的打击。

　　若将AI视为与人类并肩的智能体，那么在构思AI应用时，我们需回归价值创造的源头：

1. AI应承担何种职责？人类又应负责什么？
2. 在AI的职能范畴内，哪些是基础大模型的任务，哪些是AI应用的责任？

　　在未能明确这两个问题之前，贸然推进应用可能会步入歧途。若以探索迷宫来比喻产品开发过程，这两个问题的解答就等同于确定了迷宫的出口方向，只有大致的方向才能引导我们有效探索并创造价值。

　　要解答这些边界问题，我们需回归AI的技术本质。AI大模型在通用信息储备和智能方面注定会超越人类，因此其底层逻辑极为简单：

　　当AI大模型运作所需的数据无边界时，其应用便无需人类的介入。此时，AI大模型≈一切。

　　在这个大模型所能覆盖的数据范围内，只要为AI大模型配备搜索功能，所有过往的应用及相关人员的工作都将被整合进模型内部。因此，这是模型的领地，也是模型公司竞相争夺的焦点。没有底层模型能力，便无法入场。

　　那么，如何构建数据的边界呢？这依赖于数据所有权和动态知识扩展。例如，店铺信息专属于某企业，这就是数据所有权构建的数据边界。而企业的研发扩展了下一代大模型所需的知识，形成了新知识，进而扩展了数据边界。这两种数据的交织构成了组织或企业存在的意义。

　　如果没有独特的数据所有权或创新知识的能力，企业便如同AI大模型的一部分，没有存在的必要。例如，当AIGC能力达到一定程度时，外包软件公司便显得多余——它们没有自己的数据，也缺乏创新能力。

　　那么，这将引领我们走向怎样的未来呢？每个企业都将拥有一个由多部分组成的类似章鱼的系统。所有私有数据和知识都在这套系统内流通，同时人与系统也在不断地共创私有知识和数据。在全局上，多个这样的复合体不断碰撞并进行各种归一化。理论上，两个差异化主体会迅速归并，但地域等现实因素会减缓这一过程。它们的碰撞结果将是公共认知空间的持续增加。许多知识从私域流向公域，最终汇入AI大模型，提升了企业存续的基线。

　　因此，推论是：企业内部必须具备一种持续发展的力量，否则一旦沉没到AI大模型的公共基线以下，就会失去存在的价值。在这里，人、文化、价值创造的能力成为统一体。支撑这个统一体的是应用，而非AI大模型。

　　以Copilot为例的第一代应用产品中，人是某个角色的主体，而AI应用则扮演放大主体能力的角色。如招聘过程中考虑多少维度能提高招聘成功率由人决定。若按优秀、良好、及格等评定角色表现，起决定作用的仍是当事人本身。而第二代产品Agent则能覆盖单一角色并复刻优秀人类的表现。此时，最终的Performance由数据、AI、人的模型共同决定。人是推动AI效能的动力之一。至于第三代产品，尽管有人试图称之为MAS（Multi-Agent System），但本质上应被称为Autopilot。关键在于其能否自我改进和优化。当反馈和关系完全数字化并可实现联动时，通过数据维度的扩展等优化手段可提升角色的Performance至85分或90分。在此过程中历史数据成为自身的养料体现了类似AlphaZero的持续进化但在大模型基础上更加普遍化。此系统中人与AI的边界体现在价值设定及补充特定时期AI的不足上形式可能更像三明治除了System1（快思考）和System2（慢思考要与人打交道确定价值设定）外还有负责将需人补足部分导入整个系统的System3。基于大模型可根据新数据优化下一代应用产生类似智能飞轮的效果此时传统的排列组合型创新可能已不具价值需要发现创造之前未曾有过的要素并考虑几种极端情况：如公共空间覆盖所有私有空间则成为单一体此时没有企业整个人类共享一个基础设施；所有人都站在人类认识的边界上所有人都是创建者；又如私有空间仅由一人或一个企业拥有且不公开则为独门武功。最后总结数据的边界即是应用的边界作为应用若不能巩固和扩张自己的数据边界其存在价值将被AI大模型的进展削弱与此同时人在此过程中需设定价值取向并辅助拓展数据边界否则人也失去价值在一定程度上效率优先与智能优先是等价的。