“很多時候很多員工，尤其是基層員工，他們雖然很堅強，會默默地接受任務，但他們可能不知道自己的工作強度會被拉扯到什麼程度。特別是在跨部門溝通時，很容易出現任務重疊的情況，導致員工不堪重負。你必須在員工“崩潰”之前，檢視每個人的週報，確保每個人的工作量是合理的。如果我們不加以關注，組織在底層就會出現問題，那些不利於創新和創造的因素就會滋生。”
——春雨醫生CEO、混沌學園三期校友 王語霄
組織里，AI落地的最大阻力來自哪？如何消除阻力？
AI落地的擔子誰來挑？
AI人才怎麼找？
現在有即插即用的AI工具&方案嗎？
AI經常犯錯怎麼辦？
在4月5日的混沌創新大課上，一念星球聯合創始人/CTO張凱寓、春雨醫生CEO王語霄以及洪泰基金董事總經理潘楊，三位老師圍繞“AI時代下的創業生存”這一主題，深入探討AI技術如何為企業帶來機遇，以及創業者在AI浪潮中如何做出明智的選擇。
以下為圓桌對談環節的精華筆記，僅為課程內容的十分之一，更多精彩內容請到混沌APP觀看。
嘉賓老師：
張凱寓 一念星球聯合創始人/CTO、混沌創商院校友
王語霄 春雨醫生CEO、混沌學園三期校友
潘楊 洪泰基金董事總經理、混沌·AI創新領教
現在有即插即用的AI工具&方案嗎？
潘楊：各位同學好，感謝大家參與今天的創業者圓桌探索流，我們的今天主題聚焦於AI時代下的創業生存。我發現在這一大背景下，AI領域存在諸多尚未達成共識的觀點。接下來我想就這些內容，與兩位老師展開討論。
首先，我們進入第一個問題：是否有一種AI工具或攻略，能讓大家拿到手就能直接使用，迅速上手呢？
張凱寓：我們要客觀地承認，當前AI技術的成熟度還遠遠不夠。我們距離實現通用人工智慧（AGI）的那一天，還有很長的路要走。然而，這並不意味著AI技術毫無價值，現有的AI技術已經能夠為企業帶來諸多益處。在SaaS時代，以及軟體時代，我們總是試圖尋找一套通用的解決方案，去適配每一個企業。如今我們已經步入AI時代，每個企業都各具特色，為什麼還要硬套別人的解決方案呢？
當然，未來可能會有一些行業或產業推出一些通用性較強的產品和解決方案，但這並不意味著它們適用於所有企業。在AI時代，若想讓企業真正成為AI原生公司，我們需要找到那雙最適合自己的“鞋子”，才能真正走得舒適。
王語霄：我覺得當下肯定不存在這種即插即用的標準化方案，但這並不意味著未來沒有可能。五年後、十年後，情況或許會大不相同。正是因為現在沒有，才有了市場的創業機會，才有了我們“賣鏟子”的可能性。
一念星球聯合創始人&CTO、混沌創商院校友 張凱寓
在專業領域，AI經常犯錯怎麼辦？
潘楊：我們在使用大模型時，可能都有這樣的感受：在不熟悉的領域，模型似乎表現不錯，能給出一套套看似合理的方案；但在我們熟悉的領域，模型的回答卻常常不盡如人意。比如，我上次做了一個關於資本市場的戰略分析的作業，模型的第一句話就寫錯了，說目前中國的資金結構60%來自傳統金融機構。我指出這是錯誤的，因為即使是政府資金，也不屬於傳統金融機構，模型重新搜尋後承認了錯誤。兩位覺得這種情況背後是什麼原因和機制？企業使用大模型時，該如何解決這個問題？
王語霄：我覺得大模型的輸出（output）與輸入（input）密切相關。您為它提供的知識背景和語料庫決定了它的輸出質量。我們不能期望大模型全知全能，它本身處於不斷學習和成長的過程中，出現錯誤是難免的。關鍵在於，當它出錯時，我們能否為其提供正確的知識庫，或者引導它找到解決問題的正確思路，去搜索對應的資訊。這樣，它的輸出才會逐漸改善，這是第一點。
第二點，我個人認為大模型確實存在“幻覺”現象。我們最初使用大模型時，曾遇到一件令人哭笑不得的事：我們詢問公司客服電話號碼，它竟然報出了一串數字，但我們公司從未使用過這個號碼。後來我查證發現，它完全是虛擬了一個號碼，這確實令人擔憂。這說明大模型需要我們對輸入和輸出進行最佳化和調優。但當下，我們更應該關注的是如何用好它。
春雨醫生CEO、混沌學園三期校友 王語霄
潘楊：我對此深有體會。當有一個可以呼叫的知識庫作為基礎時，再向大模型提問，它的回答會好很多。比如我在做一個案例時，無論我怎麼與大模型交流，它給出的都是些正確的廢話。後來我使用了一款金融領域常用的資料分析系統，包含了所有上市公司的資料庫，我呼叫了一組資料，用這些資料去提問，結果非常驚豔。
張凱寓：大模型在熟悉領域好用，而在不熟悉領域不好用，這種情況其實非常正常。我想從兩個方面為大家拆解一下原因。
首先，從專業知識的角度來看，大模型所掌握的專業知識是由其訓練語料決定的。大模型的訓練語料具有非常龐大的廣度，但在具體到我們專業領域時，其深度則明顯不足。因此，當你是外行時，會覺得大模型的輸出非常驚豔，因為你沒有能力洞察其背後的錯誤以及邏輯漏洞。就好比一個人如果從未寫過詩，大模型輸出一首打油詩，它可能會覺得非常棒。但如果你是一位詩人，你就能從語言學和詩歌鑑賞的角度，發現其中的不足。
然而，當它回答的內容恰好在你熟悉的領域時，你就能一眼看出大模型輸出的問題。由於大模型是基於生成式原理，底層依賴海量引數的機率計算，因此“機率幻覺”現象是必然存在的。它可能會一本正經地胡說八道。所以，在資訊收集和事實問答方面，尤其是在專業領域，我們不推薦大家單純依賴大模型。至少要結合聯網能力。
此外，還有一些小技巧可以避免幻覺。例如，我發現很多使用者在使用DeepSeek時，會無腦開啟其推理模型R1，但R1主要用於處理複雜任務，如程式碼推理等。如果不涉及這些任務，開啟R1反而會增加幻覺率。相反，關閉R1，開啟V3，幻覺率會顯著降低。我曾做過多次測試，發現開啟R1時，100條資料中有100條都可能出現幻覺。因此，大家一定要注意幻覺率。
其次，是即時性問題。在專業領域，如果你是專家，你對知識的掌握是即時更新的。但大模型作為預訓練模型，它只掌握其訓練時所使用的語料知識。由於這種知識的時間差，大模型的輸出可能會顯得不夠準確。
回到大家關心的一個問題，關於中小企業如何快速做好資料沉澱。中小企業想要快速做好資料沉澱，這件事並沒有那麼複雜。我們需要區分自己的領域是否屬於專業領域或前沿領域。如果大模型在這些領域缺乏良好的結構化語料，那麼中小企業可以將自己已有的資料進行彙總、統計和結構化處理，通常就足夠了。
我為大家提供五個維度來評價資料的質量：準確性、完整性、即時性、一致性和可用性。比如，“一致性”是什麼意思呢？就是你提供的資料中，不能一條知識說往東走，另一條知識卻說往西走。如果這樣的語料投給大模型，其實是在給它製造困擾。而且，用這樣的知識庫構建自己的AI應用，效果也一定不好，大模型也會感到迷茫。至於準確性、完整性這些概念，相信大家都能比較好地理解。還有即時性，這其實是一個重要的補充手段。大模型本身已經掌握了很多知識，我們提供給它的知識庫，更像是開卷考試中的參考資料，用於輔助其更好地發揮作用。以上大概就談這麼多。
點選下圖觀看完整課程
AI落地的阻力來自哪？
潘楊：凱寓老師剛才的分享也間接回答了另一個問題，即關於高價值資料的定義。大家都說在企業中，誰掌握了高價值資料，誰就掌握了AI的價值。但凱寓老師對這個問題的回答是，對於高價值資料的定義，因不同的企業以及不同的發展階段而異。企業不需要過度追求資料的貪大求全以及極致的資料治理，這一點非常重要。
另外，我們還談到AI在企業的落地問題。剛才語霄老師分享了很多一線實戰中的心得，AI落地絕非一蹴而就的事情，可能會比較困難。特別是企業的一號位，可能有這樣的認知：我有很大的權力去推動這件事。但在實際落地時，往往會碰到一些阻力。兩位老師這種阻力一般會來自哪裡呢？（這個問題此前混沌的兩位授課老師、Manus 的兩位核心成員探討過，有興趣可點選檢視原文）
王語霄：組織的阻力是可以預見的。但一定要有一個強有力的個人，率先站出來，成為點燃這個火星的人。如果AI落地過程中不能與業務場景和既有的KPI深度融合，底層的工作人員就會感到迷茫，甚至會產生“給我加活”的牴觸心理。如果基於他們現有的KPI和業務困惑，為他們提供AI解決方案，他們的邏輯就會理順。而且，在AI落地過程中，一定要有示範效應，即一定要有一個團隊取得戰果。
很多時候，戰功是可以起到激勵作用的。小夥伴們選擇與我們並肩工作，某種程度上，大家都是為了掙錢，這是基本的生存需求。然而，在這個基礎之上，還有一個非常重要的、但可能常被忽視的因素：大家選擇與我們共同奮鬥，並非僅僅因為公司的工作環境舒適、福利優厚，而是因為在這裡能夠取得成功、成事，這才是最根本的原因。所以，在這個過程中出現一些陣痛、牴觸，甚至不一樣的聲音，都是非常正常且可以理解的。但如果大家能夠認同這件事是一個正確的趨勢，是時代發展的方向，我們身處的賽道是正確的，那麼大家其實都會願意繼續跟隨並走下去，這一點至關重要。簡言之，員工們並非僅因使用AI寫程式碼而得到獎勵就會滿足，他們其實並不膚淺。他們內心有自己的判斷標準，會思考這件事是否真正有價值。
另外，在大模型的訓練過程中，我們越來越發現，大模型的訓練與人的培養有著異曲同工之妙。就像如何教導一名員工，如何將一個新手培養成熟練工，如何把一個普通業務骨幹培養成管理者，包括如何培養他們的領導力、如何形成解決問題的邏輯思維，這些過程其實與訓練大模型有許多相似之處。在這個過程中，員工在訓練大模型的同時，也在訓練和提升自己。也就是說，在人與機器的互動過程中，人也在教育自己。在具體的業務場景下，公司也在完成一次AI時代的組織蛻變。
張凱寓：我自己不僅是做技術出身，我也是一名連續創業者。記得2022年11月30日，那一天OpenAI釋出了ChatGPT。2023年上半年，我堅定地帶領團隊開始內部孵化專案，到現在為止，我全身心投入到AI領域，與100多家企業夥伴有深有淺的交流合作，我有一個非常深刻的體會：AI落地的最大阻力其實並不在技術本身，而在於人心的不確定。
為什麼這麼說呢？無論是大企業還是小企業，都有以下問題：許多員工擔心被AI取代，因為他們曾經引以為傲的技術，是花費數十年時間、靠大量經驗積累才打磨出來的。而在AI面前，這些技術突然顯得不再那麼重要，員工的內心會怎樣想？
第二點是關於企業內部的既得利益集團。AI本質上是一場底層生產力和生產關係的變革。當提到要擁抱AI時，它必然會改變企業所有人現有的利益分配方式，從而破壞某些人或組織的利益格局，既得利益集團本身就會成為阻力的一部分。實際上，我觀察到最大的阻力往往並不來源於基層，也不來源於頂層。因為老闆通常有意願推動變革，而最大的阻力往往來源於中層。
因此，我認為，首要任務是消除人心的不確定性，這樣才能打破AI落地的阻力。技術層面的問題，按部就班地都有解決方案。關鍵在於，AI本質上不是為了取代人，而是為了更好地輔助人。AI只會取代那些拒絕接受AI的人。那麼，在這個過程中，如何讓一線、中臺、後臺的員工都能積極參與很重要。
我有兩個具體的建議。一是在企業中，AI落地必須是一把手工程。如果老闆採取甩手掌櫃的態度，這件事成功的機率極低。二是在老闆確定了主心骨的情況下，從實際操作層面來看，要重視正反饋。即從小處著手，讓整個團隊看到AI確實對我們有幫助。我們生而為人，不應只是為了每天重複那些可以被取代的、低價值的重複勞動。我們可以把這部分時間騰出來，讓AI承擔那些繁瑣的工作，而我們則專注於成為更好的自己。這樣難道不好嗎？從這個角度，我也呼應剛才老師們提到的AI領導力。
在過去，工作場景中，人與人之間的關係更為重要。一線員工只需被領導認可，並與同事相處融洽即可。在管理中，我們注重向上管理、同級管理和向下管理。但在AI時代，每個人都需要學會管理AI“員工”，管理這種基於AI的生產力。因此，構建AI時代的領導力也是老闆們需要務實考慮的問題。
誰來點燃AI企業落地這件事？
潘楊：人心本質上反映的是人性。真正的高手都在於對人性的洞察。人性本身並無好壞之分。我們之所以要拆解阻力，是因為阻力是有分層的。就像剛才語霄老師提到的，第一種阻力可能源於誤解——我不知道它有什麼用，不知道如何操作，不知道能否成功。而凱寓老師提到的是第二種——恐懼：我會不會被取代？因為這些工作原本是我做的，現在卻被AI取代，我會失去自己的位置。
第三種是擔憂。我們此前積累了眾多技術，這些技術是否會瞬間失效？這種擔憂不僅來自創業企業的中層員工，甚至老闆也深受其擾。老闆深知時代的重要性，但內心仍憂心忡忡：商業模式是否會遭到顛覆？公司是否還會存在價值？
然而，我們必須認識到，在時代洪流中，組織若不自我顛覆，就會被他人顛覆，這是不以個人意志為轉移的。以鏈家和貝殼為例，貝殼起源於鏈家，貝殼將所有資源開放成平臺，而鏈家依賴獨家房源，現在貝殼的規模已經遠超鏈家，鏈家成為了“子公司”。一號位創始人必須深刻認識到這一點。
其次，在企業落地應用時，我們要分析員工的阻礙是源於擔憂、誤解、恐懼，還是能力不足或無法實現，針對不同情況採取相應措施加以化解。另外，還有“成長”這一需求與個人成長息息相關。在馬斯洛需求層次理論中，個人成長和成就的需求處於較高層級。許多老闆可能認為員工懶惰、不願學習、抗拒變化是害怕被取代，但如果換一個維度思考，其實每個人都有成長的渴望，只要幫助他們成長，組織依然可以實現迭代。
下一個問題，誰來負責引入AI，並把它落地？剛剛講了一個關鍵詞叫做“誰來點燃這個事情”，可能是一號位，也可能是一個技術負責人……以及點燃之後怎麼辦？誰來負責監控管理？
洪泰基金董事總經理、混沌·AI創新領教 潘楊
張凱寓：我覺得他不應該是一個人，而是一個AI尖兵小分隊，我們自己也是如此踐行的。（建議）小分隊的構成包括：上層管理者、中層管理者、一線聽得見炮火的聲音的人，以及AI本身，最好再加入一位客戶。
讓這些人共同講述、共同決策，拋掉身份之別，每個人基於自己的站位，真正看到了什麼？
一線聽得見炮火的聲音的人，其實最懂客戶、最懂市場。很多時候，脫離一線業務的老闆，對於很多觀點的理解可能已經出現偏差，但他又有整個的戰略思維，需要把控戰略方向。中層有中層的優勢，客戶則是需求側視角。所以，非常推薦大家在開會時再加入自己的AI小夥伴，讓它也參與會議，組成這樣一個最小集合的AI尖兵小分隊，讓它去破解難題。
潘楊：所以，這是一個團隊而非單一角色所能勝任的，是以老闆牽頭的小團隊。那麼，它會是一種什麼樣的組織形式呢？
王語霄：我認為，這是每一個處於AI轉型中的企業的一號位都必須思考的問題。然而，這個問題往往會在一號位做出戰略決策後，進入執行層時才凸顯出來。以我們自身為例，當時我們組建了一個名為“諾曼底小組”的專案組。這個小組的核心人物，我們稱之為“AI時代的業務架構師”，他既具備市場和業務背景，又掌握一定的技術知識。小組成員還包括技術、資料以及場景相關的小夥伴，由於我們企業比較特殊，還加入了醫學方面的小夥伴。
在“諾曼底小組”成立之初，我（創新一號位）必須親自參加每一次會議，並且持續較長時間。我們要和小組成員一起深入探討對AI的看法、戰略方向以及我們能做什麼、可做什麼，清晰地繪製出這三張“意願圖”。
其實，這個過程也是一個學習和磨合的過程。隨著討論的深入，大家會逐漸變得清晰。在小組的每次會議中，你會感受到團隊從最初的沉默寡言，到逐漸開啟心扉，甚至會有一些負面情緒湧現。我特別開心的是，小夥伴們在討論中能夠真誠地表達內心的焦慮、茫然和恐懼。當這些負面情緒在團隊討論中出現時，正是大家真正開始投入這個專案、擁抱創新的起點。如果大家只是表面上冠冕堂皇、一板一眼地討論，而沒有真正開啟心扉，那麼團隊就無法真正凝聚起來。
另外，“諾曼底小組”是一個臨時性小組，因此，一號位需要管理得更細緻。你需要將每個人的KPI、部門任務以及時間安排，與“諾曼底小組”的任務進行合理的區隔。不能讓員工覺得，因為參與這個小組，他們要自己解決很多額外的問題。
很多時候很多員工，尤其是基層員工，他們雖然很堅強，會默默地接受任務，但他們可能不知道自己的工作強度會被拉扯到什麼程度。特別是在跨部門溝通時，很容易出現任務重疊的情況，導致員工不堪重負。你必須在員工“崩潰”之前，檢視每個人的週報，確保每個人的工作量是合理的。如果我們不加以關注，組織在底層就會出現問題，那些不利於創新和創造的因素就會滋生。
所以，組織的保障工作至關重要，包括對員工工時的關注、KPI的合理安排，以及確保專案小組的戰略方向與企業整體戰略保持一致。在最開始的這段時間，工作是最艱難的。但隨著時間的推移，你會發現，當組織進入正迴圈後，它會給你帶來強大的力量。一開始可能是老闆一個人著急，因為大家都不行，充滿茫然和焦慮。但度過這段艱難時期後，你會看到組織逐漸湧現出一些小的創意、靈感和能量，公司也會煥發出新的活力。這是一個必然的過程，大家需要保持耐心，因為這是一個長達10到20年的創業征程。
點選下圖觀看完整課程
AI人才怎麼找？
潘楊：在企業中，人才來源應該是怎樣的，才能更好地落地？
張凱寓：大企業和中小企業的做法有所不同。大企業當然有足夠的資金，能夠吸引這些高AI含量的人才，這是最好的選擇。但對於中小企業來說，情況有所不同。從中小企業的角度來看，包括我們自己在做的，我更傾向於尋找一些年輕、嶄新的、像一張白紙一樣的夥伴。
人工智慧已經有幾十年的歷史了，但當前很多人混淆了概念。我們所說的AI是生成式AI，而很多企業聲稱自己積累了十年甚至二十年的AI經驗，但其實大多是判別式AI。真正精通生成式AI的人才，大多是年輕人和在應用領域剛剛嶄露頭角的人。從商業角度出發，他們能真正幫助我們做事，而不是搞學術科研。從這個角度來說，大家可以尋找一些在能力原型上符合AI時代人才特徵的人。
在過去，無論我們是否願意承認，理工科學生在跨入職場時，確實有一定的就業優勢。但在AI時代，我認為很多文科生的能量會得到極大釋放。比如，AI時代，程式設計師真的能做好提示詞和智慧體嗎？一些程式設計師可以，這說明這些程式設計師除了邏輯思維外，也具備人文洞察力。那麼，文科生在AI時代做不了程式設計嗎？肯定可以。那些具有很好的結構化表達能力的人，比如編劇，他們能勝任編劇崗位，也能成為優秀的提示詞工程師。因此，我的建議和結論是，對於中小企業，可以少引入一些專家，甚至不引入專家，而是尋找一些真正深度使用AI、有自己理解且有實操經驗的年輕人，讓他們像鯰魚一樣快速加入團隊。在我的實踐中，這種方式見效非常快。
王語霄：我非常認同張老師的觀點。引入“鯰魚”確實是打破組織沉悶、快速改變局面的有效方式。我自己還有一個心得是，對於中小企業而言，我們往往沒有足夠的成本去招聘大量高密度的知識型人才。我們的做法是立足於自身現有的團隊，建立一個開放型的學習組織，讓組織能夠與外部進行連線。
比如，如果在行業中有一些企業與我們沒有很強的競爭關係，但在AI應用方面有相似之處，我們就可以與這些企業完全開放地進行內部交流和學習。只要我們建立起學習和交流的習慣，團隊成員就會對其他企業的做法產生好奇心。我們公司有很多老員工，他們已經在公司工作了十年。儘管他們沒有在其他企業工作過，但他們也很好奇其他同行在做什麼。如果我們有一個外腦機制或外掛機制，不斷引入新鮮事物來刺激他們，他們就會自我思考和迭代。
除了引入“鯰魚”，我們還可以採用“請進來、走出去”的配套學習機制，幫助我們在AI時代更快地找到適合自己的發展道路。
最關鍵的是找到適合自己的路，並且要依靠自己的人。他們最瞭解公司當前的業務和核心知識（know-how），他們只需要去理解並擁抱AI。我們的責任就是建立好這一套外腦機制和內生機制。
此外，我們還要真正做好人才梯隊建設。很多人在創業初期，完全沒有這個概念，但等到實際運營中才發現，沒有足夠的中高層領導，就像打仗時發現將領太少。例如，在我們的諾曼底專案中，我們也特別注意了年齡梯隊的建設，讓非常基層但非常年輕的員工也參與到與CEO和中層領導者的小組中共同學習。他們就是我們的潛力部隊。
“AI難民”怎麼辦？
潘楊：最後一個問題，關於“AI原住民”。有原住民就會有移民，有移民還會有難民，即AI原住民、AI移民、AI難民。這種提法現在比較常見，它表示企業在人工智慧浪潮中所處的地位和應對策略。很多企業覺得自己是AI難民，不知道該怎麼辦。如果給一個最實用的建議，你們會給出什麼建議呢？
張凱寓：我們先來定義一下什麼是“AI難民”，什麼是“AI原住民”，好嗎？很遺憾，在座的各位，包括我，都不是AI原住民。那麼，什麼是“原住民”呢？我打個比方來讓大家理解。大家想一想，有寶寶的家庭裡，孩子在兩歲三歲的時候，你會教他們如何使用智慧手機、iPad嗎？根本不用教，他們自己就會，甚至學得比你還快，攔都攔不住。然而，再看看我們當前社會的一些銀髮一族，也就是老年人。即使你給他們買一部最新的智慧手機，他們也很難學會如何使用智慧手機上的社交軟體來聯絡家人，如何打一輛網約車，以及如何在電商平臺如拼多多、淘寶上購物。難道你能說一個活了80歲的老年人的認知智力不如一個兩歲的孩子嗎？當然不是，只是因為他們不是這個數字時代的“原住民”。
那麼，AI時代的難民具有什麼樣的特徵呢？我想了想，主要有兩個特徵。第一個是當前遇到了職業上的能力危機；第二個是不知道該怎麼辦，找不到學習的路徑。
如果讓我給一個務實的建議，我想說，與其擔心在AI浪潮中被淹沒，不如務實一些，開始行動。你可以先嚐試駕馭浪潮上的一朵小浪花，然後逐步改變，一定能夠跟上時代的步伐。
實際上，在AI時代，AI賦予了我們成為任何人的可能。我是一個做程式設計師出身的人，當我看到AI能夠在30秒內寫出我兩天都寫不出來的程式碼時，我的內心五味雜陳。但反過來想，過去有很多事情是我這輩子一直想做卻沒機會做的，比如我很愛好設計，但從小沒有學過美術。但現在藉助AI，我卻能做出非常驚豔的設計作品。我的內心突然就“和解”了。
所以，我建議大家不要想太多，而是去做。我給大家分享一個AI時代的“1萬小時定律”。我們都知道1萬小時定律，它說的是如果你想成為某個行業的翹楚專家，大機率需要在該領域深耕1萬個小時。但在AI時代，我發現很多事情可以用100個小時來掌握學習和運用AI的正確方法論，然後讓AI幫你撬動剩下的9900小時。所以，不要觀望、不要猶豫、不要焦慮，最重要的是開始行動。從那些免費的AI大模型、通用大模型產品開始用起。
王語霄：我今天第一次聽到這三個詞，但它們確實勾起了我對往事的回憶。2014 年前，我剛加入中國航天時，參與的第一個專案就是嫦娥一號，也就是中國的探月衛星。然而，直到我加入那一刻，我才瞭解到國家的規劃遠不止於此，我們真正的計劃叫作“螢火一號計劃”，它其實是一個火星探測計劃。那時，我就在想，如果我們到了火星，我們算地球的移民嗎？如果有一天地球發生像恐龍大滅絕一樣的災難性事件，我們是不是就變成了地球的難民？而我們這些在火星上的人，又會過著怎樣的生活呢？
那時我二十多歲，心中更多的是恐懼，我並不想去火星。但如今回頭來看，經過十幾年人生的起起伏伏，包括創業的歷練，我越來越覺得，我們每個人心中或許都有一個故鄉，而我們一生的流浪、探險與漂泊，最終讓我們眷戀的，依然是那個回不去的故鄉。
AI 大模型或許能回答我們許多關於“怎麼辦”“為什麼”“是什麼”等問題，提供各種答案和資訊，但它永遠無法回答一個問題：我，這個人到底想要什麼，想過怎樣的人生？最終，無論你是原住民、移民還是難民，我們都需要問自己這樣一個問題：吾心安處是何處？吾心安處是故鄉。
點選下圖觀看完整課程
現場同學提問
同學A：“提示詞被認為是AI應用的門檻，普通人如何快速提升編寫優質提示詞的技巧？有沒有速成方法？”
張凱寓：首先，編寫提示詞這件事本身不應該追求速成。正如我剛才提到的，提示詞本質上就是我們與AI對話的方式。我們每個人都會說話，所以每個人也都能寫提示詞。但與人對話不同，AI沒有情商，也不會根據關係親疏來理解你的意圖。對於AI，你的表達力決定了AI的生產力。你把意思表達得越清晰，AI給出的回答質量就越高。這也解釋了為什麼同樣的大模型，在不同人手中會給出截然不同的回答。
當然，我理解大家想要速成的心情。這裡有一個小技巧：既然我們經常讓通用大模型完成文字寫作任務，而編寫提示詞本身也是一種文字寫作任務，那麼我們就可以利用AI來幫助我們最佳化和編寫更好的提示詞。甚至，你可以寫一個提示詞來讓AI幫你生成更好的提示詞。我自己也經常使用類似的工具和方法。但從長期來看，如果把提示詞水平的滿分設定為100分，現在大家可能在20分到30分的水平，有一些公開的優質提示詞模板可以讓你的水平一下子提升到70分甚至80分。但要從70分、80分再往上提升，就需要回歸到人類語言表達力的本質問題。
有些人能夠用幾個字就把意思表達得非常清楚，字字珠璣，毫無廢話，這體現了很強的表達力。而有些人可能說了一大堆話，卻始終沒有抓住重點。我們在編寫提示詞時，包括我和圈子裡很多優秀的小夥伴，都有一個共識：我們往往會經歷從寫短到寫長，再到寫短的過程。一開始寫短是因為不知道要寫什麼，中間寫長是因為終於明確了要寫什麼，最後寫短是因為意識到之前寫的很多內容其實是廢話，其實沒必要對AI說那麼多。
所以，我的兩條建議是：如果想速成，可以找一些方法讓AI幫你寫提示詞，網際網路上有很多公開的資料，如果有興趣，我也可以給大家分享一些。但真正有效的捷徑是什麼？以我多年的學習感受來看，學習這件事最好的捷徑就是一開始就別想走捷徑。我的經驗告訴我，每一次偷的懶和試圖走的捷徑，將來總有一天會成倍地還回來。表達能力就像說話一樣，需要日積月累的訓練，需要刻意練習。
王語霄：我非常認同張老師剛才提到的“只走窄門”或“做正確的事情”，確實，很多事情並沒有捷徑可走。但在編寫提示詞這件事上，我有一些心得想和大家分享。
編寫AI的提問或提示詞時，大家不要過於評判自己，不要給自己太多負面的評價。比如，覺得“我寫得不好，別人寫得好，我就比別人差”。其實，編寫提示詞是一個漸進式的過程。你的第一個問題可能不夠精準，但這沒關係，因為現在的token呼叫成本越來越低，大家可以在這個過程中不斷學習、適應每個模型對提示詞的要求，以獲得更好的輸出結果。
如果你的第一個問題沒有得到理想的回答，不要氣餒。你可以思考一下，是否可以讓模型搜尋相關的知識庫，或者給它提供一些背景資訊。同時，明確告訴模型“我是誰”“我要做什麼”“我在什麼場景下需要做出什麼樣的決定”，將自己設想成一個角色，並與模型進行角色同步，給它足夠的前提條件。這樣，你得到的結果一定會比之前更好。
大家應該都瞭解，大模型可以回答很多關於“是什麼”“怎麼辦”的問題，但它唯一無法回答的問題是“你要什麼”。有時候，答案不滿意，可能是因為你並不清楚自己真正想要什麼。所以，你要放下內心的恐懼、擔憂，以及那些不願意說出口的想法，把真正的問題丟擲來。
最後，我想說的是，在模型的使用過程中，它會變得越來越智慧。大家不要對提示詞這件事過於糾結，我相信大模型一定會不斷進化，提問的過程也會變得越來越簡單。
我再分享一個小技巧，這是我自己的使用經驗。有時候，我會把自己在會議上的講話，或者與團隊溝通交流的內容，比如晉升談話或績效談話等錄音轉成文字記錄下來，然後拋給大模型。我讓大模型來評價我在這些對話中是否出現了負面情緒，或者是否在表達時沒有真正看到對方，而是在心中預設了一個立場去評價對方。我很難把這件事交給某個助理或員工去做，但我每天晚上都會抽出時間來看一下大模型的反饋。它會告訴我，我的問題和提問方式似乎帶有某種預判。在這個溝透過程中，大模型就像一面鏡子，讓我能夠自我反思。因為我希望員工得到的是一個足夠平等和尊重的對話，但我自己可能並沒有做到。
潘楊：所以，一方面是沉浸式地使用AI，另一方面是用它來進行自我覺察。回到之前提到的問題，不要把AI僅僅當作工具，而要把它當作我們自身的基因，企業的基因。當年錯過移動網際網路的企業，花了十年時間去追趕。現在，AI的視窗期已經開啟，有一波巨大的紅利擺在面前，如果企業不抓住這個機會，就無法享受這個時代的紅利。所以，也歡迎大家加入混沌·AI創新院，還可以參加25到26號善友教授的大課，讓我們共同找到行業的紅利和我們自己的AI基因。
現場同學
同學B：剛才提到降本增效，不知道兩位老師能否介紹一些實用的工具，這樣員工在使用後能夠實實在在地看到降本增效的效果。否則，如果只是按照您說的，給員工介紹AI，員工可能會覺得這是在給他們增加工作量，而他們的收益並沒有提升。其次，我想問一下張老師，AI能否抓取一些特別動態的資料，比如外匯市場的資料。因為貿易戰之後，外匯市場非常複雜，涉及各國之間的經濟關係。有進出口業務的企業在外匯方面非常難受。如果AI能夠抓取這些資料，並在第二天早晨為管理層或外匯團隊提供一個解決方案，幫助企業鎖定風險，這將非常有價值。
王語霄：第一個問題，很多崗位都有很大的提升空間。如果你們有內容和品牌團隊，或者市場團隊，他們可能需要做一些內容生產的工作。在大模型時代，我們的實踐表明，寫作的工作量大幅下降，效率大幅提升。這個時代可能不再需要大量的寫手，而是需要更多編輯。一個人可以完成過去5到6個人的工作量，無論是在科普文章、個人管理賬號（如小紅書、自媒體影片號等）的輸出鏈上，原來可能需要一個5到6人的團隊，現在可能只需要1.5個人就能完成，這本身就是巨大的提效。
張凱寓：首先澄清一下問題的前提，可能有一點小誤解。這不是AI直接抓取，而是透過傳統的技術手段（如網路爬蟲或技術指令碼）來抓取資料，然後由AI完成資料的清洗、分析和識別。我們可以使用RPA（機器人流程自動化）工具，比如國內常用的影刀，或者自己編寫指令碼，負責抓取資料，而AI則負責後續的處理，這可以節省大量的工作量。但最大的難點在於，你要抓取的站點或資料來源是否有防護機制，比如驗證碼，或者是否需要付費登入。整個過程中，RPA工具能否編寫一套自動化的流程來突破這些限制。
目前，大模型本身也在大量抓取全球各大網站的資料，這個過程實際上打破了過去搜索引擎時代形成的三足鼎立的局面：使用者需要好的內容，內容生產者生產好的內容，搜尋引擎幫助使用者和內容生產者建立連線，讓內容生產者獲得流量和利潤，同時讓使用者找到所需的資料。全球使用者已經養成了不為搜尋引擎付費的習慣。然而，當前的AI搜尋引擎雖然很多是免費的，但其成本其實是過去搜索引擎的十倍。這使得內容生產者失去了動力。這件事不僅僅是技術問題，還涉及到整個商業模式的洗牌。
回到剛才的問題，關鍵在於資料來源本身是否可以透過技術手段突破限制，比如跳過驗證機制。目前，全球資料存在很多孤島，如果資料能夠完全互通互融（不考慮私有化問題），AI將大放異彩。但在當前階段，你提到的問題的核心不是AI，而是RPA。
ps：
我講大課已經10年，如果說過去我是在迭代，那麼今年我可能會重構，因為時代變了，AI的黎明呼嘯而來。“第一批iPhone的使用者，最早在移動網際網路創業成功”。沒有人願意錯過AI，混沌已經All in。今年大課，我想站在AI世界的基座上去講述，這三年，我們親身探索關於AI的一切，AI和創新將開啟一個什麼樣的文明。我想邀請地球上最硬核、最新銳、最有夢想的創造者們，一起來走入混沌，走出混沌。在時代混沌的轉折期，你的一個想法，可能就是未來文明的火種。——李善友 混沌創辦人