曾鸣预判未来十年复利增长趋势

过去几年，人工智能给大多数人留下的印象，可以用一句话概括为：效率提升的变革。编写代码速度更快，客服实现自动回复，内容也能批量生成。

然而，这些认知都只是表面现象。

曾鸣，这位在商业与科技领域深耕多年的战略思想家，在最新的思考与分享中，揭示了一个更为深刻的变化。他认为，商业、战略、组织这三个看似独立的领域，正在经历同一场底层逻辑的重构。

那么，AI时代与互联网时代相比，究竟存在哪些本质区别？当智能如同水电般成为随时可调用的基础设施，驱动未来发展的底层规律又是什么？

答案是：原有的范式正在失效。

真正的分水岭，不在于效率提升的幅度，而在于责任与能力的转移。如果一个AI系统仅仅负责执行指令，那它将永远无法在使用中变得更强，充其量只是一个高级的自动化工具。但一旦它能独立对结果承担责任，就会进入一个持续进化、自我强化的复利循环。

这篇文章正是基于曾鸣提出的第一性原理，系统梳理了AI时代在商业、战略、组织三个维度的根本性转变：商业层面，从“匹配商品”转向“实现意图”；战略层面，从预先规划路径，转向在行动与反馈中持续生成；组织层面，从高效执行的结构，转向认知共创的智能体网络。

希望这些思考能帮助您拨开迷雾，看清未来十年的发展方向。

一、世界正从“执行结构”迈向“持续生成”

回顾工业时代和互联网时代，会发现它们有一个共同特征：一旦系统建立起来，最核心的任务就是持续提升运行效率。

工业时代，工厂、流程、层级、规模化供应链，都是为了将既定的结构运转得更顺畅。互联网时代提升了连接效率，也增加了系统复杂度，但绝大多数商业系统，仍然建立在相对稳定的结构之上。

而进入AI时代，情况发生了根本性变化。

当智能成为一种可以随时调用的基础能力，系统就不再仅仅是执行既定规则，而是在运行过程中不断生成新的能力、新的关系、新的结构。

这种转变几乎同步发生在四个层面：

• 技术层面，从执行既定功能，转向持续生成新能力；
• 商业层面，从匹配既有供需，转向动态生成新供需；
• 组织层面，从稳定执行任务，转向持续形成新认知；
• 战略层面，从预先规划路径，变为在行动中不断生成新路径。

它们都指向同一个趋势：世界正在从围绕既定结构运行，转向依靠持续生成来创造全新价值。而推动这一切的核心动力，是曾鸣提出的一个关键概念——智能复利。

在他看来，AI真正改变的并非效率，而是价值创造与组织协作的底层方式。这是人类第一次开始创造智能本身。过去许多被默认成立的商业制度、组织理论和管理方法，或许都需要重新审视。

二、三个第一性原理

AI时代，价值从何而来？优势如何形成？飞轮又如何被启动？

曾鸣从三个层面给出了清晰的解答。

1. 智能复利：AI时代新型价值创造机制

每个时代都有其定义性的经济规律：工业时代是规模经济，互联网时代是网络效应。曾鸣认为，AI时代对应的则是智能复利。

它的逻辑链条是这样的：一个AI系统完成的任务越多，接触的场景就越丰富；场景越丰富，获得的反馈就越多；这些反馈重新进入模型优化，又进一步提升系统能力。也就是说，系统的使用过程，第一次同时成为系统的学习过程。这意味着，增长的含义也发生了根本变化。

这是一个本质性的转变。在传统经济里，大多数资产都遵循“使用带来损耗”的规律：机器会磨损，人会疲劳，组织会随规模扩大而变得迟缓。增长能够带来规模，却不会直接提升能力。

AI系统则完全不同，只要能够持续获得真实反馈，它就有机会在完成任务的过程中不断学习，越用越强。增长不再只是结果，更是能力演化的一部分。

最典型的例子是特斯拉的自动驾驶。传统汽车售出后，车辆能力基本固定，驾驶经验属于驾驶者，而不会沉淀到汽车本身。但特斯拉每一辆车在真实道路上的运行，都会持续产生反馈：复杂路况、极端天气、边界场景、驾驶决策……这些数据不断回流到系统，用于模型训练和策略优化。也就是说，每一次驾驶，不仅是在完成任务，更是在训练系统。

于是，一个新的增长链条形成了：执行任务→获得反馈→优化模型→能力增强→处理更复杂的任务→获得更高质量的反馈……

在过去，增长和能力是两件事；如今，增长开始推动能力持续演化。能力本身，第一次进入了复利循环。

2. 黑洞效应：为何领先者会越来越领先？

不过，曾鸣也特别指出，智能复利并不等同于竞争优势。系统持续变强，不一定意味着企业能拉开差距。

在标准化、可复制的简单任务上，各家系统往往是“同步进化”。多家自动驾驶公司几乎在同一时期进入真实道路学习，能力都在不断迭代，但用户很难感受到明显差异，竞争最终还是会回归到价格、渠道和补贴。

真正的分化，发生在复杂任务上。复杂任务的反馈不只是一次简单的对错判断，而是一连串连续、完整、带有因果关系的经验。系统经历过哪些场景、犯过哪些错误、如何在复杂情境中做出权衡，都会沉淀为能力的一部分。这些经验既买不到，也难以复制。

当能力差距开始影响任务分配，一个新的循环就出现了：能力更强的系统，会接到更多复杂、重要的任务；更复杂的任务，又会产生更高质量的反馈；这些反馈继续强化系统能力，进一步吸引更多高价值任务……竞争优势就这样被不断放大，曾鸣把这个现象称为黑洞效应。

这个比喻的关键，不是黑洞在不断地扩张，而是它的引力在不断增强。当能力积累到一定程度，高价值任务、优质数据、开发者资源，以及用户信任，都会向少数系统聚集。因此，AI时代真正的竞争，不只是企业之间的竞争，更是整个生态流向的竞争。

也正因为复杂任务的学习具有强路径依赖，即使后来者拥有同样的数据，也很难复制领先者经历过的完整学习过程。曾鸣用了一个更形象的比喻：当预训练和推理一体化的闭环运转起来，私有知识的价值将会越来越大。那个时候，AI就变成了一个巨大的知识黑洞，吸纳的知识愈多，力量便愈发强大，随后就会产生大爆炸。宛如一场宇宙大爆炸，谁膨胀得最快，谁就是太阳，谁膨胀得慢一点就变成了月亮，再小一点可能就变成了陨石。

因此，真正推动AI智能体发展的，正是这个不断吞噬知识的黑洞。

3. 60分奇点：飞轮为何转不起来？

如果智能复利听起来如此强大，为什么今天真正能够“越用越强”的AI系统仍然很少？

曾鸣把原因归结为一点：绝大多数AI系统都在执行任务，却没有真正对任务结果负责。

以AI客服为例。它可以回答订单查询、物流状态、退款规则等大量标准问题，但一旦遇到跨规则冲突、异常情况，或者用户情绪比较复杂，人工客服就需要介入，检查、纠正，甚至直接接管对话。看起来AI参与了整个过程，但真正对结果负责的还是人。

这会带来两个后果：第一，任务规模无法扩大，因为每个任务都需要人盯着；第二，AI拿到的不是完整的真实因果链，而是被人为筛选、修正之后的反馈。那条“行动-结果-反馈”的完整链路被切断了，系统很难持续学习。

因此，真正重要的不是AI能否完成任务，而是能否直接对结果负责。

曾鸣把这个临界点称为“60分奇点”。它不是技术上的一个分数，而是一个结构性的转折点：责任从人转移到AI，系统第一次能够建立完整的反馈闭环。

而现在大多数大公司使用AI的目的仅仅是降本增效，他们将AI视为一种工具。只要这个工具是为人类服务的，那么它提高效率的能力就受限于人类效率的上限。然而，当AI能够独立上岗时，它可以不间断地24小时学习，数据每完成一次闭环，AI就会进化一次。只有当AI智能体独立上岗后，它才开始进入学习的快速提升阶段，其上限是我们无法预见的。

跨过这道坎，增长的含义就会发生变化。过去，增长意味着更多用户、更多收入；而在智能复利系统里，增长还意味着更多真实反馈，以及持续提升系统能力的机会。于是，企业真正需要关注的问题也会随之转变。与其只看收入、市场份额和用户规模，不如关注三个更根本的问题：AI系统是否拥有真实的任务闭环？能否持续获得高质量反馈？这些反馈是否真的在推动能力不断进化？

三、AI时代的竞争战略：三个关键转变

从竞争战略的角度，曾鸣梳理了AI时代与互联网时代的三个根本性转变：

1. 从网络效应到黑洞效应

互联网处理的是海量信息，解决的核心问题是信息不对称，价值创造的源泉是网络效应。而AGI处理的是海量知识，解决的核心问题是决策效率和成本，核心价值在于创造新的供给。智能体上岗就是解决供给稀缺的问题，价值创造的源泉是黑洞效应，即如何高质量、高效率地消化、吸收、运用和创造知识。

但黑洞效应不会导致赢者通吃，未来竞争将达到相对均衡的状态，会有多个智能体共存。

2. 从最低网络规模门槛到最低智能门槛

互联网时代的竞争，关键在于争取第一时间达到最低网络规模门槛，这样网络效应就会被触发。在智能时代，我们追求的是尽快跨越最低智能门槛。从事AI智能体开发的人都明白，如果不能达到60分的标准，这个产品就无法投入使用。然而，一旦超过60分，达到90分可能只需要两周的时间，因此必须第一时间让AI上岗。

3. 从高频碾压低频到高智商碾压低智商

互联网时代是高频碾压低频，智能时代是高智商绝对碾压低智商，然后高维绝对碾压低维。人类最大的痛苦是什么？我们获得的知识始终是有限的，我们的学习能力也是有限的。但是，AI从第一天起就拥有了人类历史上积累的所有知识，并且可以在秒级内调用这些知识。因此，大家可以看到，这是一个维度上完全不同的竞争。

并且，未来的行业壁垒将被重新定义。今天我们认为安全的垂直行业的定义，都是基于过去的知识和经验建立起来的壁垒，而这些壁垒很可能被AI打破。未来的行业壁垒将根据AI的认知模式和效率差异来重新定义，而不是基于人类的认知模式和经验差别。

四、AI时代，三条最重要的变化

1. 商业变化：从“千人千面”到“一人千面”

把理论落回现实，我们先来看商业领域。曾鸣认为，商业最大的变化，就是企业开始从“匹配商品”走向“实现意图”。

他用一条清晰的脉络概括了商业文明的演进。工业时代是“千人一面”，供给有限，只能用标准化产品满足尽可能多的人。可口可乐、麦当劳都是如此，那个时代稀缺的不是理解用户，而是稳定、高效地供给。互联网时代进入“千人千面”，商品越来越丰富，商业竞争的重点从“如何生产”转向“如何匹配”。推荐系统不断优化，开始大规模“区分人”。

AI时代则进一步走向“一人千面”，商业关注的不再只是“你是谁”，而是“你真正想解决什么问题”。这两者有一个本质的区别：行为可以被捕捉，但意图往往是隐藏的。

举个例子，一个用户反复浏览儿童绘本，推荐系统能够判断出他对绘本感兴趣，却很难知道他到底想做什么——他可能是新手父亲想培养孩子阅读，可能是给朋友孩子买礼物，甚至可能是在研究市场准备进入这个行业。相同的行为背后，可能对应着完全不同的需求。

曾鸣认为，AI带来的根本变化，是商业系统第一次有机会通过持续、深入的互动，理解用户真正要解决的问题。由此，商业的起点开始发生迁移：从理解行为到理解意图；从匹配商品到帮助用户实现目标。沿着这条路径，需求不再是预先存在的，而是在互动中不断生成的；供给也不再来自固定库存，而是围绕新的需求实时组织。

当需求和供给都变成动态过程，真正决定商业效率的就不再是谁拥有更多资源，而是谁能够更高效地组织资源。商业竞争的焦点，也会从“匹配商品”逐渐转向“实现意图”。

2. 战略变化：从制定战略到生成战略

战略也在发生同样的变化。

越来越多企业发现，一套规划完整的战略，并不能保证未来依然有效。原因在于战略范式的历史跃迁：工业时代是“规划未来”，先看清，再行动；互联网时代是“适应变化”，在变化中调整；而AI时代，未来不再是一个等待被观察的对象，而是在行动与反馈中不断生成的过程。

美国在线教育平台Chegg是个教科书式的案例。它定位清晰、模式稳定、增长可预测，从传统战略视角看几乎完美。但生成式AI出现后，它在几个月内迅速失去吸引力。问题就在于Chegg的战略建立在这样一个前提上：学习支持的基本方式不会发生结构性变化。当这个前提被打破，再严密的战略体系也几乎一夜失效。

与之相对的是OpenAI和亚马逊AWS，它们并不是先规划好所有路径，而是在行动中不断修正方向，让战略随着反馈逐渐生成。

因此，曾鸣重新定义了AI时代的战略：战略不再通过行动被执行，而是在行动中被不断生成。在他看来，AI时代真正强大的企业，不在于拥有一个好战略，而在于拥有一个“能持续生成好战略”的系统。

3. 组织变化：从执行走向认知共创

为什么AI提升了个人能力，组织却没跟上？

曾鸣认为，问题不在AI，而在组织本身。现代公司制度，本就是工业时代为了高效执行而设计的。高层负责决策，中层负责协调，一线负责执行，岗位、层级和流程，本质上都是为了降低协作成本。但AI改变了这个前提。当信息整理、任务拆解、跨部门协调越来越多地交给AI，组织最重要的能力也开始从执行转向认知。重点不再是谁执行得更快，而是谁能持续形成新的理解。

曾鸣把AI带来的变化定义为继生产力革命、管理革命、知识革命之后的第四次革命——创造力革命：当知识本身可以被低成本调用，人的价值就从“知识的拥有者”变为“认知的创造者”。

而 AI时代组织竞争的核心，也将变成“组织智能”之间的竞争。

过去两年，曾鸣观察AI团队招聘时，发现对人才的要求基本一致：

• 元认知能力强。何为元认知能力强？即能抽象建模，洞察本质，进行第一性原理思考。AGI这一轮本质上是概率论的体现，依赖大数据统计来寻找规律和识别模式。而此时人类的独特价值在于反向操作，即能够从少量数据中抽象出模型。因此，具备抽象建模能力的人变得极为重要。
• 擅长使用各种AI工具。
• 能够不断学习和自我提升。

在这个意义上，看似微小的元认知差异，最终可能导致能力上的巨大差距。知识工作者正逐渐被创智人才所取代。

曾鸣将创智人才大致分为三类：

• 第一类，顶尖专家，他们能够在特定领域持续创造新知识，为AI提供新的支持，走在AI的前面。
• 第二类，擅长跨界链接和创新的人才，他们打破了人类原有的认知和知识结构，类似于达·芬奇时代，通感变得非常重要。我们需要跳出过去几十年教育中过于专业化、碎片化的问题，因为这种碎片化的知识掌握无法超过AI。
• 第三类，领导者，人是有情感的动物，需要领导来推动协同和决策。

结语：我们正在进入的，不只是新技术时代

在一个没人能准确预言未来的时代，理解变化背后的底层逻辑，或许本身就是参与未来的起点。

过去，创业者是在一个既有世界中寻找机会；今天，越来越多的人开始参与一个新世界本身的生成。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：曾鸣预判未来十年复利增长趋势要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题