《Token经济》作者见面会

一个出版人的三个困惑 出版方致辞：技术变革的亲历感，和没有被回答的问题

开场没有直接讲书。致辞者先讲了自己的三段经历：九十年代在北京上大学，同学之间的联系靠写信，八毛钱邮票，一来一往半个月；到大四，寻呼机出现了，别在腰上，几年就被手机取代；研究生时手机普及，接打各六毛，还很贵；再往后打车从路边招手变成提前下单。

由此引出他的判断：人的一生大概会遇到一次伟大的技术变革，而他这一代赶上了两次——互联网，以及现在的人工智能。出版、内容生产、演员、材料写作、无人驾驶，都在被重新洗牌。

然后是三个他坦率承认还没想清楚的困惑：

• AI 时代的产品生产如何组织、如何分配？大量人被替代之后，AI 生产出来的产品和服务由谁消费，生产关系怎么重新切分？
• 知识生产与传播会变成什么形态？他曾问一位清华的研究者「五年或十年后出版业会是什么样」，对方回答：三个月以后我都预测不出来，你还让我预测十年以后？
• 哪些结论还只是叙事，哪些已经被实践检验？书里讲清楚了很多，但也有些判断仍需观察。

「三个月以后我都预测不出来，你还让我预测十年以后？」

—— 转述一位研究者对出版业未来的回答

我们为什么研究 Token 经济 白惠天：越变化的东西，越要找相对稳定的框架

这本书不是「定好了要写」，是碰撞出来的

起点是一次午餐会：同事分享了她用多个智能体做 Token 经济研究、产出一百多页 PDF 的过程。白惠天自己有经济学训练，读下来发现有些供需描述很有共鸣，有些和自己的训练对不上，于是两个人「又 battle 又讨论了很多轮」，一轮轮筛材料、识别重要问题，最后把思考收敛成七个问题，先发在公众号上，读者反馈「不够尽兴」，才有出版社找上门，长成一本书。

写作最大的犹豫：技术跑得太快，书会不会一出版就过期

行业里有句话叫「大模型一日，人间十年」。经济学讲稳态，而这个技术远没有收敛；纸书又有漫长的审校周期。她担心的是：写作时反复校验为真的事，等书出来时已经不成立了。

最后说服自己的是一条方法论——

越是变化的东西，越要寻找一些相对稳定的框架，来帮助我们理解这些变化着的事实。

白惠天

她给出的第一性原理是稀缺性：经济学研究的始终是资源如何配置——劳动力流向哪些岗位、企业如何组织生产、创造出的价值如何分配。组织方式变了（过去办企业必须招人，现在可以和 agent 协作），但目标函数最大化、供需关系、参与者在其中所处的位置，这些底层动因没有变。

Token 是一个切口，但不能只数 Token

Token 同时是两件事：大语言模型处理信息的最小单元，也是产品和服务计费的最小计量单位——计量单位变了，经济学会跟着变。但她强调不能停在「数个数」和「看绝对量」上：

你消耗的 Token 可能是类似的，但创造的价值是千差万别的。用类似的 Token 去改一封邮件，和发现合同里一个关键漏洞、规避几十万元损失，价值完全不同。

白惠天

往上走，Token 连着电力、能源、数据中心；往下走，它连着用户真实的需求。这是理解这个时代的一条完整链路。

核心判断一：智力即服务

过去智力的供给严格依赖人——要写代码、要法律服务，要么自己学，要么雇一个专业人士。现在打开电脑、打开手机就能调用。当智力能以低成本、近似无限的方​式供给，生产方式发生巨大变化，而这个变化会传导到经济体里的每一个从业者和每一个企业组织。

核心判断二：稀缺性变了，地理和资源要重新定价

她举了一个特别具体的例子——乌兰察布。这个城市过去以土豆闻名，如今成了 AI 算力版图上绕不开的落点：全年平均气温 4.3 摄氏度，离北京近、传输时延短，一年有十个月可以靠自然冷源给数据中心降温。高盛的报告写到它，领导人前段时间也专门到访。

AI 看起来是软件，但它骨子里是重工业。它 70% 以上的生产成本集中在芯片、电力、能源这些硬件部分。所以在这个框架下，不仅算法、算力、数据、人才重要，甚至连冷空气都可能成为一种新的生产力。

白惠天

核心判断三：需求侧的天花板是注意力和真实痛点

智力趋近无限供给，但人的注意力仍然有限；愿意持续付费的，必须是生活里真实有感的需求。她从写书转到视频号时撞上了这个墙：一句话里放三个术语或几个数字，就说不顺了；书里读者会看注释、抠名词，视频号里对方是在刷牙或通勤路上听。于是必须回答一个更苛刻的问题——他为什么要听我讲 Token 经济？

她引用推荐序里的一句话作为自己的答案：「把 Token 用足」——Token 像上一个时代的上机卡，给你一次机会坐到机器前，把脑子里的想法接触现实、拿到反馈。做个工具、发到开源网站上，才知道别人怎么评价，才知道自己的真实需求是什么，才可能找到同类。

不主张「大力出奇迹」，主张普惠的性价比

她也反思了自己曾经的默认设定：参数越大越好、模型越贵智能越高。但面向十几亿人的普惠产品，是否每个场景都需要大力出奇迹？她更看重性价比——让更多人真的能够触达这种「智力即服务」的便利。

我们用 Token 来计量智能，最终还要用人的生活、特别是效用的改善、福利的提升来衡量它的价值。我很希望有了 AI 以后，我们有能力快一点，同时也有条件慢一点。

白惠天

智力变便宜之后，价值创造靠什么 袁晓辉：没有白白得到的进步，只有花时间磨出来的判断力

「只要你学得够慢，就不用学了」是错的

她开场就否掉了一个流传很广的自我安慰：反正应用会自然涌现、差的会消失，慢一点也没关系。她的经验恰好相反——每一次进步都是花了更多时间跟 AI 磨出来的。

她举了自己前两天的例子：要讲 DeepSeek 开源的推理框架。头一天录的视频，回看发现说的都是错的，一知半解，于是决定不发；第二天再花两三个小时跟 AI 一点点问，才大致搞明白这个框架是什么、开源之后对产业意味着什么、一家刚完成大额融资的公司为什么要把最厉害的能力开源。

你跟 AI 一点点讨论的过程中，它非常清楚你的漏洞在哪、你的弱点在哪，它还会给你铺好台阶——你问的那个问题，往往正好是给你垫了一级，让你能上去。

袁晓辉

结论是：智力供给是免费的，但把智力变成自己的价值，需要人的判断力、品味和审美，而这些只能在投入时间和注意力时才磨得出来。

关于孩子：品味、判断力、自主性，以及必要的摩擦

她认为大人既看不清未来，也不可能替下一代做决定，他们面临的条件会更好。但三件事值得培养：品味、判断力、自主性——尤其自主性，家长包办不了。因此「大脑中的摩擦」是必要的：真正投入时间去做那些一开始并不想做的事，然后慢慢找到正反馈。

她讲了一个很有说服力的现场：在深圳一所学校做访谈直播，两位七年级学生手搓了番茄钟小程序，画面精美，小红书上有两三万赞。她问：现在有人给你付费吗？回答是还没有，还没变成产品。所以学校下一步要教的，是怎么把搓出来的东西变成真正满足需求的产品——后半段反而成了瓶颈。

创新不是创造本身

同样的逻辑出现在科研里。蛋白质结构预测在 AlphaFold 之前极其艰难，大量生物学家在做排列组合式的苦工；有了 AlphaFold，这一步变容易了。但它能不能真的找到靶向药物、治某种癌症？

创新不是创造本身，也不是发现一个科学成果本身，也不是 AI 在空间里看到了一些排列组合。它应该是把这些东西转换成现实需要的东西。后半段的中试、临床一期二期、来自客户的反馈，往往才是制约创新的关键。

袁晓辉

她补了另一个例子：DeepMind 的 AlphaEvolve 能自己编程、自己判断结果、自己迭代，但如果不用在现实里，它没有任何价值；用在其数据中心的规划建设中，每年节省约 0.7% 的能源——这带来了真实的改变。而后半截不是 AI 做的，是工程师要做判断。

就业会变差，但人不是没事做，是事情变多了

她直说接下来会看到就业形势很差，但不认为人因此没有机会：为身边的人提供情绪价值也好、效率价值也好，人依然能为彼此创造新价值。只是这个价值未必还是工业时代那种价值，能不能形成交易也要打问号——分配机制、制度保障需要政策制定者去想。

她离职后的体验是反例：能做的事太多了——做短视频、给企业做培训、手搓 AI 应用、辅导自己孩子学习。「千条万条路摆在面前，你要做的究竟是哪一件，AI 没办法替你决定。」她甚至觉得人类这个选择过程很像大模型：有前面的输入、有既往的历史、有各种可能性，然后你挑一条路走。

在企业的真实阻力：转型转不动

她近期给不少企业做培训和与高管沟通，看到的第一号问题是员工转型转不动。转型要付出时间和成本，本质是人力资本的再投入；而「跟 AI 协作」不是用两下就会的，它是一种 AI 素养、一种技能——

你要学会怎么去驾驭智能，因为它太强了。你不学怎么驾驭它，它就把你驾驭了。

袁晓辉

方法：让 agent 等你，不要你等 agent

她看到很多人（包括一段时间内的自己）用 AI 用到不想睡觉：一件事没做完就守在旁边等输出。她的转折点是意识到注意力和时间是自己最宝贵的资源，不是 AI 的：应该提前把活安排好，让它干，干完让它等，第二天早晨再验收，甚至让它自己验收、自己循环迭代。

随之而来的是能力形态的变化：有程序员一行代码都不写，把需求、边界条件、验收要素全交代清楚就走开；形式化证明这类原本只用于航空、核电等关键领域的方法，因为 Token 便宜了，正下沉到普通软件——「在一定程度上保证没有 bug」。那么人被解放出来后干什么？她说是做下一个决策，而下一个决策变得更贵、更重要。

人和 agent 是两个物种，人的比较优势是「可以担责」

她给了一个很利的对照：agent 有无限的耐心和持续能力；人是有情绪的、是会不在场的、是会筛选信息的、不会汇报所有信息——但是人可以担责、可以背锅。认清这个比较优势，人就应该往「能对结果负责」的位置走，无论是留在企业里，还是成为超级个体。

这种主体性的增强，可能是未来大家都会看到的：我可以为我的人生负责。

袁晓辉

稀缺性搬家了：需求在还没被定义的生活里 香帅：通用智力不稀缺了，你的专用智力还没有被创造出来

为什么还要坐在这里：现场的温度变稀缺了

她开场讲了两段渊源：聊起来才知道其中一位作者是她教书时的本科生，「突然有一种万物皆有来时路的感觉」；另一位是在视频号上认识的。由此引出一个判断——在一个新技术面前没有代际差别，大家站在同一条起跑线上，区别只在于你愿不愿意蹲下身子一起起跑，不管你是五十岁、四十岁、三十岁还是二十岁。

再往下推：当 AI 把一切颗粒度都磨平，人和人在现场的触碰、关系、温度，反而变得非常稀缺。这也是为什么内容都能在线上完成，人还要坐在线下。

通用智力不稀缺，专有智力才稀缺

她的核心论证是这样一条链：算力供给上来之后，通用的、平均水平的智力不再稀缺；但每个人走过的来时路、生命体验是独一无二的，所以真正的稀缺品是用通用智能去调用你的独一无二，创造出来的那个专有智能。

这个专有智能为什么稀缺？因为它还不存在在这个世界上，它在你的脑子里，它尚未被开发、尚未被创造出来。

香帅

她据此重新定义创造力：用你已有的世界观去调用智能，做出新的组合，创造出一个还没有存在在这个世界上的情绪、商品或服务——这一定有溢价。

4P 失效，4C 上场：需求到底在哪里

如果需求决定价值，那需求在哪里？她的批评很直接：商家还在交易完成的数据里找需求，而需求其实在那些已经开始、但还没有被准确理解和定义的生活里。她观察到人们为精神类、虚拟类、甚至「莫名其妙」的东西付费越来越多——生活方式已经变了，而需求的定义还停在旧坐标上。

于是她提出把经典 4P（产品、价格、渠道、促销）换掉：这些在中国这样充分竞争的市场里都已经不稀缺，厂家一定会卷。新的四个 C 是：

Token 一定会越来越便宜，但高级货永远卖得好

她给了一个极简的历史类比：智力原来紧紧依附在人身之上，现在被从人身上剥离下来，做成工业品。而工业化社会最重要的特征是——产品越来越高级，价格越来越便宜。她父亲是中国第一代用「大哥大」的人，八十年代末一块砖头三万块钱；今天三千块的手机，功能完全不可同日而语。

所以在 Token 的价格上卷是没有出路的，但结论不是「Token 不值钱」：

Token 一定会越来越便宜，但它会越来越高级，形态会越来越多。而这些新形态，都需要人的创造力，去把通用智能和你的想象结合起来。

香帅

她还把游戏作为例子：游戏的本质是一个想象中、但还没有被创造出来的世界观。下一步供给一定不稀缺，稀缺的是那些稀奇古怪、还在天上飞、却恰好吻合我们对未来生活想象的世界观。

至于最难的地方，她给了一个明确答案：最难的不是技术，是组织的变化——这一点在后面的圆桌里被反复展开。

一家企业真实的 AI 落地曲线 张文昭：个体变强，不等于组织变快

教育行业里已经发生的三件事

他给的是可核对的现场，不是愿景。给一批老师做完赋能培训之后：

• 备课从半天一天，变成小时级甚至几十分钟；
• 辅导老师开始真的做因材施教：过去一个老师面对大量学生，「因材施教」只能是口号，现在能跟踪每个学生的反馈、为每个学生做不同的教学方案；
• 小学生已经在用自然语言搓小程序：有的老师已经开了这门课，孩子用简单的大白话就能做出一个应用。

金融、法律、出行、快消、医疗，类似的案例在一个个落地。

但个体提效之后，组织真的变快了吗

这是他反复被企业高管问到的问题。员工说自己效率提高了很多、创造了收益；而组织那一侧看到的是——Token 成本在不停上涨。他给出的路径是：让员工把自己的业务和 AI 结合，从中识别哪些资产可以沉淀为组织资产、哪些流程可以用数字员工接进去，再通过迭代循环让组织真的发生变化。

以腾讯内部为例：数字员工已覆盖约 3.4 万员工、14 条岗位线，基本覆盖全部族群。第一步不是算账，而是让大家先用起来——腾讯内部一度是「用 Token 不限量、随便用」，先跑起来，不限制，等员工把工作做得更好、腾出更多时间，才谈得上沉淀组织资产。

从「用起来」到「算效率账」

他把这个曲线拆成四步：用得广 → 用得深 → 深度用户成倍消耗 → 账单跳变。进入第四个阶段，企业才开始做真正的工作：分析账单，看大多数人在跑什么任务、这些任务该用什么模型覆盖，再回头控制成本。

控制的手段是分层，而不是一刀切：文案类岗位不一定需要最贵的海外模型，国产模型甚至便宜模型（如 DeepSeek、混元）就能做；编程、决策等高价值场景再上更好的模型。这需要精细化，而不是简单限量。

Token 经济的终点依然是人。最后还是要靠人去放大，加上 AI 去放大它原来在企业里的价值。

张文昭

跳起来之后，人还剩什么 四位嘉宾的六轮对撞：注意力、不经济、连接、意义、组织

一、你的「眼前一亮」和它的代价

李刚给了一个非常诚实的状态：已经养成「遇事先问 AI」的习惯，连一顿饭都拍照问蛋白质和脂肪；它确实给过没想到的角度，有过「啊哈」时刻。但更多的是挫折——

• 它给的经常不是我想要的东西；
• 布置一个任务，半小时写出一大篇，一两个小时生成两三万字，而我需要一两天去消化；
• 睡觉时它也在干活，早晨睁眼东西已经摆在面前，压迫感很强；它写得越好，越觉得不安全；
• 另一头是失望：既然这么能干，为什么微信里打开的 Word 还是 HTML 格式、Excel 还是乱码？

香帅的转折点在今年大规模使用 Codex 之后——「这个家伙完全不一样了」。她一下开了二十多个新项目，每天处在亢奋里，觉得脑子里的小程序都能上线、世界都要是我的。然后撞上现实：每个行业都有壁垒，专业的 know how 是我不知道的。她把专业知识比作一口口井，本科、硕士、博士都在往井里钻；通用智能打穿了第一层紧闭，但离真正的 know how 还差得远。

她的结论是两句很有操作性的判断：用它补你的短板，用它磨你的长板；认知带宽就那么多，生命有限，所以要清楚自己最有兴趣、最擅长的是什么。

二、注意力才是新的稀缺资源

袁晓辉把「让 AI 等你」落成了时间管理方法：同时开三四个窗口、切来切去看有没有干完，会造成「注意力残余」——上一个任务还有二三成的注意力没关掉，人会格外累。她的做法是：

• 同时干的事不超过三件，最好聚焦一件；
• 把等待时间填进体力活：布置完去洗个澡、化个妆、喝杯水；
• 排时间时要预留「AI 响应你的时间」，按保护注意力的节奏来排，而不是只排任务优先级。

AI 能干活更快了，但我们的认知带宽其实还是有限的。

白惠天（主持）

三、HAAH：AI 降低了人机摩擦，但代替不了人与人的连接

香帅提出一个模型：过去人与人（HH）的语言摩擦度很高，产品经理和业务部门隔得很远；现在人可以通过自己的 AI（HAAH）把理解对齐，摩擦被大幅降低。但它不能代替 HH——所以她做产品仍然要找很好的产品经理，只是现在能搓一个 demo 让他更快理解。

李刚把这一点推得更硬：HH 未来会越来越贵。他说自己写完书有几百本压着不敢送人，因为送书等于说「请你花两小时读完」；而给人配一个 AI，等于说「我没时间分给你，请把时间分给它」——这是对对方价值的贬值。他还担心一代人从小与机器建立认知、习惯和语言表达，「我们看到机器的能力成百上千倍增长的时候，人的能力会慢慢下降，甚至被消磨掉」。

香帅不完全同意，她的类比是工具代际：母亲那代觉得学好数学必须会打算盘，而她从不会打算盘，也不妨碍她成为经济学家。她的教育策略很清晰地分了两块——学校作业不许用 AI，甚至不许用计算器，必须手磨；但只要是孩子自己脑子里的想法、主动想做的事，随便用 AI 去实现。因为前者是被动训练，后者是主动性驱动。「技术飞奔什么时候被逆过？没有被逆过。」

袁晓辉补了「AI 素养」这一层：大模型像照镜子，问题问得不好，它给你一个 70 分的平均结果；反复这样聊，孩子不会有任何提升。从 70 分到 90 分，得靠人贡献智慧——而这需要大人的注意力投入，也正因此，「有资源陪孩子」会变成一件奢侈的事。

四、「Token 不经济」：四个当时看到的裂缝

李刚复盘了那篇引发讨论的文章。他当时统计了几个现象：

• 轻量模型的 API 价格不降反升：本以为轻量模型打大众市场、价格应该往下走，统计下来主流厂商连同开源模型的百万 Token 输入/输出价格却在往上走（同等智能水平难以严格定义，因为每代能力跃升很大）；
• 大量 Token 是无效或重复输入：agent 之间交流、上下文重复调用，重度用户每天花的钱里有相当部分是浪费；
• 产业链利润集中在上游：英伟达、台积电拿走利润，中游的 hyperscaler 在不停投入，风险分布极不均匀；
• 下游没有找到赚钱的主场景：没有现金流，钱已经花出去，再加上循环融资，风险在聚集并可能外溢。

他补充：后来低价模型的价格确实在往下走，这是价格分层在完成；某家厂商最新一代产品价格极低，野心也明显——不再只把 OpenAI 当对手，也开始把开源市场当对手，并且正准备上市。但两点没解决：风险聚集，以及下游的主场景仍未找到。

袁晓辉给出技术侧的回应：缓存命中让输入价格差出约 50 倍（0.003 美元 vs 0.15 美元每百万 Token），同一份材料不会重复计算；DeepSeek 等开源推理框架在滑动注意力窗口、跨 GPU 调度、抹平峰谷上做了大量工程创新。她判断很多「不经济」是可以通过技术解决的——而且中国因芯片受限，反而被逼出更多工程手段，这些工程反过来对全世界有贡献。她给普通用户的态度是：可以更激进地用，因为价格还会降，只是顶尖用户和普通人会分层——真正需要高智能的商业公司愿意为每月几百美金的服务买单，大多数需求由便宜 Token 满足。

顺着这条线，讨论拐进了一个所有人都用得上的概念。香帅先说她把模型分成两类，用起来一直在换——一阵觉得某家好用，一阵换另一家；团队都要用的时候，成本受不了，于是开始试国产模型。她想通的那一刻是：这其实是管理学问题。公司里一定有很牛的管理层、有基层员工、有实习生，不可能同价，因为创造的价值不同，所以必然有层级结构；什么样的任务调用什么模型，本质就是「什么岗位配什么员工」。

这就是未来的管理学要解决的问题。它跟做 portfolio 是一回事：找资产、组合起来，风险最小化、收益最大化。这是 Token 经济还是不经济的关键。

香帅

主持人的一句补充把它翻译回了技术语言：这在产品领域叫「模型路由」。对话还延伸到一个更现实的管理账——智能预算管理：同样是完成一件事，是买 Token 合适，还是雇一个人合适？前沿科技企业做预算时已经在两者之间平衡。

香帅还加了一条约束条件：技术不能傲慢。每个行业的 know how 完全不同，服务业和制造业完全不一样，技术必须渗透进行业的 know how，行业的 know how 也必须拥抱技术，否则都是自说自话。

五、需求在哪里：从陪伴到「高人力资本服务」

主持人讲了一个自己的需求：父亲文采飞扬，动辄发千字长文；自己在开会或打球时只回「好的，知道了」，父亲就不高兴。他真正需要的，是一个 agent 在忙的时候先接住情绪、把对话窗口挪到自己有空的时候。

香帅完全同意，并顺势把它推成一个市场判断：她母亲写古诗，她要绞尽脑汁想怎么评论，现在让 agent 回；如果有一个每月九十九块的订阅，能让它每天陪母亲聊一两个小时的诗歌，她一定愿意付费。

人类的需求根本就没有被满足。高人力资本的服务行业，需求市场远远没有被打开。

香帅

她举了汽车的类比：一辆车十万美金的时候，可能只有一百个人买得起；降到一万美金，是一千万人买得起——市场扩大了十倍，但不止十倍：人的活动半径从几公里变成几百公里，于是长出了加油站、连锁餐饮、跨城旅游和酒店业。她还列出自己中年的真实清单：健康管理、养老、父母的私人养护、孩子的各科家教、财富管理——「这都是实在的需求，只是中产家庭 afford 不起」。供给一旦便宜，市场就会被打开。

袁晓辉给了反向信息：Anthropic 当天有新闻说他们不做 AI 陪伴，希望把时间留给人与人之间的连接。她自己也不喜欢社媒里那些一眼看去就分不清真假的 AI 回复——「你仔细分辨是能分辨出来的，但它消耗你的注意力」。她的选择是：注意力有限，还是跟喜欢的人在一起。

六、意义与组织：效率退到二线之后

李刚把问题拉到最底层：现代社会里，工作的意义几乎等于人生的意义——经济价值、个人成就感都挂在它上面。如果工作与就业发生结构性变化，人的意义会被解构：你怎么看待自己，你认为活着是为了什么？他还提到一本叫《毫无意义的工作》的书，以及自己对「AI 的认知能力跃迁了，我们没有跃迁」的担忧——如果只是把人的认知能力拿去和机器拼消耗，人会觉得自己思考和交流都不产生价值。

香帅用一个代际框架回应：八五年是个分界点，之前多少带物质价值观，之后越来越偏后物质价值观——意义感的权重在上升。她这一代前半生有明确目标：好中学、好大学、好去处、往上爬；而孩子那代从小什么都不缺，二年级就开始出现抑郁，「因为欲望太容易被满足」。所以每代人有每代人的痛苦，「谁也别羡慕谁」。

袁晓辉补了一个更冷的观察：从效率价值角度看，很多工作确实没什么意义——包括一些学术会议还停留在十年前的讨论；但它依然有意义，因为它在带学生、在给身边的人和公司做服务。「效率的事接下来要交给 AI，效率价值这套体系肯定要解构，人要退到二线。」她把结论落回过程：人生意义在于过程本身。

最后落到组织。主持人问：AI 都这么强了，还需要公司吗？

香帅用科斯的框架拆：公司是为了节约交易成本而存在的，管理学是因为组织变复杂才出现的——就像家里钱少时不需要财富管理，钱多了才需要。而这些年组织一直在扁平化、小规模化，本质是工具（平台、协作软件）在不断降低协作成本；当智能也可以被调用，摩擦更小、交易成本更低，就一路走向一人公司。她提出自己组织正在变成的样子：

我把这种结构叫神经网络状。组织未来强不强，不在于规模多大、层级多复杂，而在于你的智能中台有多强、被调用的能力有多强、前端小分队有多能打。甚至在所有权上，从「占有」转向「使用权」——一个组织的估值，取决于它在社会网络里被调用的可能性、可得性、易得性。平台为什么赚钱？因为它不断被所有人和机构调用。

香帅

袁晓辉接着解释转型为什么这么痛：一位学者提过「权力结构」——站在关键位置的人不愿意动。一把手往往最迫切，卡住的常是中层：他们离执行已经很远，担心 AI 是来替代自己的，阻挠的本质是恐惧。所以她给企业讲课时的一大价值是「洗脑」：告诉大家你也可以，没那么难，而且它依赖你的管理经验、你更懂人和老板的偏好，这些反而会成为价值增量。真正难的是当组织走向蜂群式协作、没有层级之后，靠什么驱动人——这时使命、愿景、价值观和文化会变成更关键的要素。

李刚在这里给了一个重要的反驳：蜂群式组织的隐含假设是「它已经知道自己要干嘛」——有预定目标、有大家都看得见的指挥棒；有了大模型，组织未必更容易找到这个目标。他还指出组织不只是经济装置：它提供互相保险（法人制度让失败不至于变成无限责任，跌倒了还能站起来）、承担需要大规模协作的目标（比如发射火箭，一人公司并不合适），也提供社会身份与认同。所以关键不是「有了 AI 一切就变了」，而是先把「AI 到底指什么」「什么变了、什么没变」定义清楚。

两个来自台下的问题

「我在用 AI 做硬件」

一位观众分享了自己的实践：因为想随时知道 agent 跑的状态，他手搓了一个小仪表盘，并把它做成了 3D 打印的实物，用 AI 把硬件驱动起来；上上周参加一场 AI 金融黑客松，为家办/金融服务的智能体拿了三等奖；二十多年没写过程序，今年七月开始靠 AI 又能做东西了。他总结这是一种「个体体验层面的证据」：为自己的一点情绪去手搓，并把它落到硬件上，而不是买现成的商品。

「AI 帮我做了我本来不知道的事」

另一位观众提了一个更尖锐的担忧：让 AI 把两三万字整理成两三千字，效率非常高，但在不熟悉的领域，AI 会不会替我做了很多我本来并不知道的事，最后产出的结果远远超出我能掌握的能力之上？

这个担忧恰好接住了全场的暗线：从白惠天说的「不能只数 Token」，到袁晓辉说的「后半段才是瓶颈」，再到李刚说的「AI 跃迁了，人没有跃迁」——效率的边界可以被 AI 拉长，判断的边界不行。