內容來源：2026年5月16日，筆記俠PPE（政經哲）書院于杭州良渚舉辦的PPE26級課程第一模塊《AI社會學》精華筆記。

分享嘉賓：張笑宇，筆記俠PPE（政經哲）書院26級課程AI社會學模塊導師、新銳科技史學者。

責編| 賈寧排版| 拾零

第 9634篇深度好文：9112字 | 22 分鐘閱讀

商業趨勢

筆記君說：

當AI能做到絕大數工作，問題就不再是“它會不會取代你”，而是你的組織和管理方式，能不能跟上這場變革。

筆記俠PPE（政經哲）書院26級課程AI社會學模塊導師、新銳科技史學者張笑宇提出了理解AI應用的四個法則：人類當量、CTK（默會知識）投影、交互即界面、AI Native（AI原生）的自由聯合體。

今天這篇文章會告訴你：怎樣在這場人與AI的賽跑中，找到行動起點。

一、AI應用的四個法則之一：

人類當量，一個已經成立的數學關系

在所有因果鏈條中，最直接的就是數學關系。人類文明和社會變遷中，有些東西是數學上定下來的，這是穿越周期做預判最扎實的基礎。

做歷史研究的都知道，跨越三四十年預言未來幾乎不可能。1910年的人無法預見1949年中華人民共和國的成立。但站在1910年，有兩點是可以確定的：地理和人口。

地理幾千年不變，人口的增長可以用數學算出來。那個年代最厲害的歷史預言家，都是人口學家。凱恩斯就是從“東歐人口漲三倍”這一條，判斷二十年后必然打世界大戰。

20年前，喬布斯舉起第一代智能手機的那一刻，一個數學關系就已經成立了：你獲得了一個終端，接入互聯網的成本是電腦的幾分之一，陪你的時間卻比電腦長得多，可以隨身攜帶。

基于這個關系，你可以推演出后續會有一系列商業形態和社會形態產生。你只需要等待一代人的時間。因為上一代人無法用原生思維理解新事物，而下一代人從出生起，屏幕就是天然可交互的。

對于AI時代，同樣的數學關系已經成立。未來20年，你只需要看這個數學關系在社會工程學的各個層面如何展開。

這個數學關系，我稱之為“人類當量”。我們都知道TNT當量是指一顆原子彈的爆炸威力相當于多少噸TNT炸藥。人類當量就是算一個AI大模型的生產效率相當于多少人。精確計算很難，但估算數量級非常確定。

同學們在聚精會神地上課

人類每天輸出Token的上限撐死20萬。AI生產100萬Token的成本在今天的美國大約一美元。我一天工資100塊還要擔心會不會餓死，而AI干我五天的工作量只要一美元。只要各位還在算ROI，還在考慮成本收益，這個賬不需要多解釋。

質量上呢？從情商來看，AI已經通過圖靈測試；從智商來看，2024年已達到博士水準。全世界受過教育的人中，擁有博士學位的大約只占1%。AI已經勝過了99%的人，成本還如此便宜。

這個數學關系從去年到前年就已經成立。我們只是在等它慢慢在應用形態上展開。

一個粗略的估算是：能用顯性知識討論的一切，都可以用AI把成本降到原先的千分之一。如果把培養一個人到博士的成本和時間也算進去，這個比例遠超千分之一。

只是因為我們已經生活在一個極其復雜的社會控制體系中，人要適應AI，AI要適應人的消費體系，這個過程需要時間。這其中面臨的挑戰和困難，就是大家今天講的“具體落地”。

從去年底到今年，vibe coding（氛圍編程）的能力已經非常強大。編程不僅僅是一個工具，它是你跟數字世界交流的語言。AI在編程這件事上已經沒有問題了。

AI原生公司的判斷標準就是：它的程序員已經完全不再手寫代碼，全部由AI生成代碼。

AI已經掌握了駕馭數字世界的一切工具。它接下來要做的，就是不斷提煉人類的顯性知識，或者默會知識（那些你知道但你說不出來的感覺、直覺、品味與判斷等等）的文本投影，然后逐步去精準使用這些工具，完成越來越復雜的任務。這就是Agent（智能體，下同）的主要形態。

我自己與AI的協作方式，已經變成以AI Desktop（AI桌面工具）為操作系統，所有工作都在與它的對話中完成。

二、從“AIgora”到個人知識庫，

生產力大爆發

我做過一個系統，整理了人類歷史上100多位重要思想家的目錄、主要著作和核心觀點。當我需要討論一個問題時，直接讓AI開一場“討論會”。

我設計的會議有六類常駐角色：發散思維者、文獻綜述專家、邏輯學家、質疑者、綜合者等。還有波蘭尼、奧克斯霍特、詹姆斯·斯科特、海伊爾克、維特根斯坦、安迪·克拉克、卡尼曼等這些各行業的頂級專家。

比如輸入“默會知識對教育的意義”，發散思維者會先提出五個層次的問題——認識論層面、教學實踐層面、學徒制復歸、批判維度、文明傳承層面。

文獻綜述專家接著從這些層面介紹歷史上重要的著作和理論。還會有模仿具體思想家的Agent參與討論。

張笑宇老師為同學們在新書上簽名

我把這個系統叫AIgora，就是AI自由討論的地方。

有做游戲的公司產品經理試用后說，用它討論產品思路比他們自己開會的效率高，之前好幾個討論不清的問題，用這個系統一跑就清楚了。

這套系統我已經做成了GitHub平臺上的開源腳本，直接下載就能用。一些朋友用它之后，公司頭腦風暴會的時間大幅縮短，每個人先用AIgora自己跑一遍，會上只需就未對齊的部分進行對齊。

今年，我對這個系統做了更大的升級：建立個人知識庫，提煉自己的默會知識。

我的知識庫做了兩件事。

第一，我每年大約讀300到500本書和論文，全部電子化后放入知識庫；我自己的寫作、演講稿、訪談也全部放入。

第二，我設置了四個Agent，分別負責AI研究、歷史研究、哲學研究和地緣政治研究。每天，它們各給我推送三項內容，前兩項與我的研究主題相關，第三項是我目前不了解但大概率會感興趣的領域。

這樣做的好處是什么？AI可以追蹤我思想變化的軌跡。它每天記錄我的思考軌跡變化后，逐漸就能知道我的知識盲點在哪里。更關鍵的是，它知道在盲點之外，有些東西雖然我不了解，但跟我已有的理論框架是一致的。

比如我研究政治學，但生物學里有一個理論框架與我的一致，它就會推薦這篇生物學論文。

現在我的AI跟我協作的方式，特別像我在指導一個清華北大的博士生。它甚至會在某天主動提醒我：“我今天讀到一篇文獻，跟你的研究非常匹配。你之前思考的一些問題，這里有一個新的定量研究方法可以做更精確的研究。”

1.三個小時的論文：AI如何主動創新

舉個例子。我的第二本書《商貿與文明》討論過一個觀點：現代政治結構的前提是商人能在政體內組成橫向聯盟，形成不同意見的平衡，對權力形成制約。但中國歷史上，“橫向政治聯盟”在中國天然就“不對”。我在書中只有很小一段討論這個問題。

有一天，AI突然告訴我：它讀到一篇論文，有人用定量分析做過類似研究，能驗證我的觀點。“你要不要我去做這個研究？”

我大概看了一下摘要，覺得方向對，于是告訴它：“那你做吧。”三個小時后，它產出了這篇論文。

張笑宇老師在授課中

它是怎么做的？第一，直接把2500年的古典中文語料庫從網上拉下來。我一開始以為它忽悠我，打開文件夾一看，數據真在。第二，它把語義用embedding（嵌入）向量化，在空間里做對應。有些詞與積極正向的價值連在一起，有些與負向連在一起。

然后它進一步分析：在中國古代，表示橫向政治聯盟的詞有哪些？會盟、社黨。在向量空間里，這些詞跟“正向詞”距離近，還是跟“負向詞”距離近？

它把所有朝代全做了分析，三個小時。這個研究，傳統歷史學家是寫不出來的，因為他們不懂這項技術。而我甚至沒有主動要求它做，這就是生產力質的提升。

再比如另一個項目，有一派地理決定論的研究試圖用定量方式分析人類社會制度在多大程度上被地理決定。

有一篇經典論文把全球劃分成七萬多個六邊形格子，給每個格子賦值氣候數據、地理數據、植被數據，算出每個格子能種多少糧食。糧食和人口之間有一個馬爾薩斯曲線的關系。

人口增加了，會對別的格子形成壓力，簡單說就是這地方人多了、養不活了，就要把外面搶過來。你讓這些格子互相征服合并，就模擬出了政體的興衰。

我復現了這篇論文的邏輯。在我的模擬中，跑了十遍，每一次中國那個地方都有一個巨大的統一政體，而歐洲的意大利、法國和西班牙始終分成三個。

中國古代的大一統和歐洲的分裂，很大程度上是地理決定的。地理決定論這事爭論了五百年，從孟德斯鳩爭到現在。今天我可以用量化方式很方便地去研究它。

我還在原始模型上加了兩個變量。第一，把線性的人口增長函數改成馬爾薩斯的指數關系。第二，加入鄧巴數，指人一生能建立穩定親密關系的人數上限約150人，管理學中一個人能直接管理的人數大約10到15人。

多增加一個管理層級，從控制論角度看，噪聲就會增加，重要信息會丟失，中間層會產生特定的代理人利益，也就是貪污腐敗，層數越多，耗損越大。

加入這兩個變量后，第二版模型出現了朝代的興盛和更迭。你會發現中國的統一和歐洲的分裂不再那么絕對，中國有時候更分裂，歐洲有時候也可能更統一。這又把你從純地理決定論帶回來，讓你更深刻地理解地理、文化、制度和傳統之間到底是什么關系。

這個研究花了我一個多月。過去我完全沒能力做，因為不會寫代碼。現在AI可以寫，你只需要有思路。如果發論文，隨時可以發。

2.把全球情報連起來，發現沒人看到過的聯系

再舉一個例子：我把全球沖突的開源實時數據，比如伊朗某個地方幾點幾分有導彈爆炸，有人拍到上傳到社交媒體，經過驗證后和全球關鍵航道的實時航運數據結合在了一起。

這個結合是我的AI提醒我的，我自己沒想過。結合之后創造了一個概念：供應鏈相互確保摧毀。美國對關鍵航道的控制是確定性的，中國沒有能力挑戰。但中國對全球加工精煉產業鏈的掌控也是壟斷性的。一旦摧毀航道，反過來就會破壞全球產業鏈。

這就是為什么中美絕不會互信，但也不可能突然掀桌，因為兩邊都要承受全球供應鏈的極大不確定性。用這個框架，你可以馬上理解未來10到20年中美地緣政治沖突的基本結構。

這個研究過程中，AI還告訴我一些我以前完全沒有意識到的事。比如今年初卡塔爾的煉化廠被伊朗導彈襲擊，導致全球氦氣供應一下子縮減了50%。

氦是石油煉化的副產品，又是半導體上游某些關鍵零部件的必需材料。卡塔爾正在努力修復產能，但修復煉化廠需要燃氣渦輪機，而燃氣渦輪機現在全球緊缺，因為AI公司們正在大規模擴建數據中心。

同學們在聚精會神地聽課

這件事非常諷刺：AI公司努力擴建數據中心的行為，正在阻礙AI公司自己獲得半導體上游原料。

這些信息散布在很多資料里面，從來沒有人把它們總結起來、連貫起來分析。但AI可以把以前沒人聯系在一起的東西連起來，這就是創新。

三、AI應用的四個法則之二：

一個行業里，默會知識的投影越密集，

它就越容易被AI掌握

雖然AI在很大程度上不能掌握默會知識，但它可以掌握默會知識的投影。由此可以得出一個判斷：什么樣的領域默會知識投影越容易獲得，或者這個領域本身默會知識占比越低，它就越容易被AI覆蓋。

這個領域今天已經非常明確了，就是編程。由此可以得出一系列行業判斷。比如，所有智力服務行業，只要是可以被編程、被計算機語言數字化處理的業務，都可以被AI取代。

AI本質上是一場智力供給側的改革，一下子把智力供給，尤其是編程這種結構化知識的智力供給成本，下降了上千倍。

但AI沒有流量紅利，沒有渠道側的紅利。今天很多創業者做了一個產品，背后賦予了AI能力

獲客依然是一個巨大的難題。你可以把獲客渠道也外包給AI，但前提是你的團隊里本身有具備這種能力的人，可以跟AI更好地互動。如果沒有，我只能祝你好運。

再說AI泡沫問題。我的觀點一直很明確：AI有泡沫不可怕，沒有泡沫才可怕。因為如果它有泡沫，說明它是一場虛火；如果它不是泡沫，說明這一切是真實的、不可逆的結構性變革。

不少公司老板的態度是：只要AI能接手，哪怕眼下成本是1：1，我也要用AI去替。因為他賭大模型能力6個月之后比現在更強。所以他可以接受當下1:1的替換率。

由此也能理解為什么AI競賽本質是智力水平競賽。我一定優先部署最聰明的模型。我不會忍受把一個任務交給稍微笨一點的模型，然后它給我整出bug來再去花精力修。

AI模型首先是智力水平的競爭，剩下的都是細枝末節。

在今天，Token的成本根本不是AI原生公司老板在考慮的問題，如果你考慮這個問題，就已經跟AI原生公司沒有關系了。

四、AI應用的四個法則之三：

交互即界面

什么叫“交互即界面”？未來的APP會分成三類。

第一類是信息類、工具類和服務類的APP，流量入口的價值會迅速失守。

我現在去旅行已經不看小紅書去找旅行攻略了。我直接問我的AI，我的時間安排是怎樣的？我的需求是怎樣？我想看什么樣的風格，你給我出一個去日本幾天的行程。

然后AI直接去日本的網站上拉他們的日文資料和評價社區里邊的這個信息。傳統的服務類、信息類、工具類的APP，用戶已經不需要了。

第二類，沉浸式體驗類游戲，這個不會死。

因為如果我需要的話，我還是要打游戲，我喜歡打《黑神話：悟空》，我就是要進入到那個大屏幕里去沉浸的玩，而且以后如果更多人無所事事了，玩的時間會更多。

第三類就是社交類的APP。

比如小紅書、微信、知乎等等，它有社交功能，提供人和人之間的鏈接。這個價值在AI時代會有點壓縮，AI在提供情感陪伴的時候，經常會比人要好。

有一個朋友，是MIT（麻省理工學院）最年輕的教授，他說過一句話：make sense， open relationship with open AI（跟AI保持“開放式關系”）。

所以未來社交類的APP會依然存在，但是使用時長上一定會比現在少。

未來接入數字世界的入口就是與AI的聊天界面。

五、AI應用的四個法則之四：

未來，屬于AI Native的自由聯合體

1.AI原生組織的三個底線標準

如果你想把公司改造成AI原生公司，首先你自己必須是AI Native（AI原生，下同）。否則這個事很難搞。

AI Native有三個底線標準：

第一，不寫代碼。這個事對程序員來說其實蠻難的。新加坡一些公司開始搞AI化改造之后，老板的要求非常明確：上傳代碼時實時監控，如果代碼里有手工提交的，會扣OKR。

很多程序員思維特別難轉換，覺得“這玩意我自己手寫不行嗎？我非得告訴AI一二三四五，還得適應它的工作流？”

第二，你會因為Token用太快而苦惱。我沒有那么多代碼工作，整體還是做研究，但經常不是為了給大家講課的話，一周的Token消耗就已經到上限了。如果寫代碼的話，消耗量可能會是我的10倍還多。

第三，你用AI會進入“心流”狀態。我一直有句話：人在AI面前要老實。老實承認“這玩意我不會”“這個我就不行”。你用正確的問題問它，它就會帶著你走。

這就是我們常講的“心流”。心流在過去是很難達成的，你需要全神貫注投入三個小時，進入極其順暢的創作狀態，點燃想象力，把所有知識儲備都投入進去。但今天如果你用對了AI，你就會經常進入這種狀態。它給你帶來的正反饋，我覺得比打游戲還爽。

所以你要做AI化改革，老板自己首先必須是AI Native。這三條是AI Native的底線標準，是比較能夠驗證的、你自己可以感知的標準。如果沒有達到，也別焦慮。焦慮才是學習的最大障礙。

2.AI組織化改革：搞動機管理，不要搞成本管理

老板不一定是AI Native，但你有AI焦慮了，開始搞AI組織化改革。我們觀察到的最常見的一個坑是：員工開始AI表演。

今年初很多案例都是這樣，DeepSeek火了，你一下子覺得不學就落伍了，開始焦慮，混各種群，天天看轉發的公眾號和短視頻。接著把公司幾個小年輕、CTO全聚起來：“我們要推AI，要把AI用起來。”稍微大一點的公司，甚至直接把AI績效寫進OKR考核。

但這里有一個問題：你不是AI Native，或者就算你是，你在管理制度上一定要找一個標準去衡量員工有沒有在擁抱AI。只要你制造了標準，你的員工肯定開始焦慮了。員工一開始焦慮，就開始刷指標，開始跟你博弈。

如果這個部門的Leader（領導者，下同）自己是AI Native，那當然好，AI Native之間就是互相吸引，大家覺得有好奇心、有求知欲、有熱情，聊在一起會很興奮。

但如果他不是，完蛋了。他會人為制造各種指標來強迫下面的員工，用這種方式來證明“我們都在非常努力，我們的態度是正確的”。然后就完蛋了。

如果你自己不是AI Native，你感受不到的話，你會覺得“這個人表現非常好，他在帶著他的團隊高度擁抱AI”。所以你會遇到一個問題：你的AI效率開始倒逼你的員工進行AI表演。

怎么辦？接下來你會找到一個真正有效的辦法，這個辦法叫Underfunding（資金不足，下同）。

Underfunding就是你必須要求：本來這個活五個人干剛剛好，現在必須壓縮到兩個人。然后你進行第二輪裁員，通過這種方式把AI表演者淘汰出去。

Anthropic公司有人說：衡量AI團隊的一個關鍵點就是Underfunding。

Underfunding里面還有一個具體操作：人不要給夠，但是Token要給夠。

AI原生公司應該做的一件事是：Token不限購。當然不是真的無限，但是確保你怎么花都不可能把這個月的Token用完。你用完了我給你加，就定給你企業賬戶，一個不夠兩個，兩個不夠三個。Token給你無限，但人給你減到極致。

這個時候，會把那些真正能夠用AI提升生產力的人給逼出來。

當然這里涉及到架構調整。你很可能面臨的問題是：高管、中層干部、甚至小組長都不是AI Native。

要在這個方面做改進，只有一個辦法：你自己先成為AI Native，找到你信任的、原本就是AI Native的人，成立特別任務小組。這個小組是任務導向的，你開始可能先想一些任務，但一定要不斷提新任務，保證他們一直有事干。

在這個過程中實行Owner（所有者，下同）制，不是Leader制。項目的Owner是誰，他來主推這個項目的時候，需要跟誰協作、跟誰對齊，他自己定。

所有的OKR是你自己來搞，是高管自己來搞。雖然暫時這批人在組織架構上還是在原來的團隊管線下面，但你的OKR實際上不是由原來的團隊領導者來定，要讓高管自己來管這些人。

你等他自然涌現，干上三到六個月，有些任務會證明是長期任務，它的Owner關系會自然出來。有些人有領導才能，他的領導才能會自然出來。有些人沒有領導才能，但是單干非常強，也沒關系，因為他有幾十個AI Agent給他干活。

記住一點：永遠搞動機管理，不要搞成本管理。因為AI Native人才現在的生產力、創作的價值是非AI Native的好幾倍。

我有一個朋友是做影視的。行業第一的公司500多人，他是行業第二，只有30多人。他簽有能力用AI來拍劇的導演。正常影視公司怎么干？簽導演加幾個演員，是為了省成本。

他是反過來的：你跟我簽了之后，我把你分成的部分提好，我公司分的少。我要的就是你幫我把這項目做好。

這就是動機管理：這個人自己有一個動機，他就是要做好東西。你把Token給他給足，把他的回報給他做到你能接受的最大。你綁定他做的每一個項目，都是可以成功的AI項目。

所以他用三四十人的人效做到行業第二的位置。而且AI用得好的導演，過去可能兩三年做一個項目，現在一個月可以做一部，生產力的提升非常明顯。

AI Native的管理，是圍繞AI Native人才的需求來管理。他們如果超額完成OKR，你就給他超額回報。你本來給他定的是2億，他干到了50億，傳統OKR體系里一定有一個“超過百分之多少就拿多少分”的規則，你就讓他掙到錢，這是最直接的。

同學們在聚精會神地聽課

我看到的管理，其實萬變不離其宗：這個人的動機是怎樣？這個人對利益的看法是怎樣？他真正看重的是什么？你把這些東西做好，他自然而然會投入巨大的熱情來回報你。

3.自由人的聯合體：AI原生組織的底層哲學

最后如果要總結一個原則，我認為是：自由人的聯合體。

這是政治哲學里的概念，馬克思講的。但其實它背后有一個非常深的政治哲學淵源。我們先講公司，Corporation（公司）這個詞源來自拉丁文Corpus，意思是“實體團體”。

同學們向張笑宇老師提問

在歐洲中世紀的概念里，Corpus是一群人因為共同的宗旨和目的，簽訂契約湊在一起成立的。這個契約是根據你的自由意志簽訂的，你來到這個地方不是因為我強迫你，是你自己選的。

在中世紀背景下，你在農莊里可能是一個有土地約束的農民，要給你的封建領主承擔義務、交錢。但你到了城市，加入了一個理發師協會或者皮鞋協會，你以前的封建領主就沒有了，沒有人強迫你做什么。

你進來就是你簽了契約，你在這個地方是自由市民，作為自由市民把你該做的那份工作做好。這就是“自由市民的聯合體”，公司這個詞的來源。

今天很多國家也有這種社會契約傳統，甚至在法律規則里，比如德國有法團主義，它的基本法里寫的教會、國家，都是靠契約來聯結的自由人的聯合體。

在今天，如果你要思考AI原生組織，如果非要用一個原則來出發，我認為就是自由人的聯合體。

AI如果你用得好，可以極大地釋放你的自由天性，讓你自由地去探索原先因為能力邊界不能去探索的領域。

然后你要想的是：怎樣把這批人聚在一起，我們這些人是因為什么而坐到一起的？我們之間的組織會是一個什么樣的形式？我們之間的管理關系是什么樣的？我們之間的合作方式是什么樣的？

如果你思考了這些問題，想明白了，后面的事情相對來說能夠迎刃而解。

張笑宇老師與同學們合影

結語

AI生產智能的成本，已經降到了人類的千分之一，這是個躲不開的時代趨勢。

今天我們深嵌于一個新的時代，科技、經濟、哲學、政治都在經歷持續變革和深刻重塑的復雜社會與商業環境之中。而真正困住絕大多數人的核心挑戰，恰恰是：我們的認知框架、組織形態和行動邏輯，還停留在“前全球化時代”“前AI時代”。

面向新全球化時代、AI新時代，筆記俠PPE（Philosophy哲學、Politics政治學、Economic經濟學，三學科交叉培養體系）課程，正是為理解這樣的復雜系統而生。

在這里，你能理解以AI為核心的科技經濟和智能商業，更能理解AI作為一種文明力量的哲學本質；你能看懂新格局下的國際貿易與經濟政策，更能看懂其背后國際政治與全球治理模式的深層博弈；你能洞察商業的規律，更能洞察文明進程與人性的永恒法則。

這，正是第五代企業家應有的一套完整的“認知操作系統”。駕馭技術、洞察世界、扎根中國、修煉心力，在應對時代重重挑戰中尋找屬于你的決策底牌。

穿越變革的舊世界，找到時代的新大陸，從【PPE：未來3年和AI時代的決策底牌】開始。

*文章為作者獨立觀點，不代表筆記俠立場。

好文閱讀推薦：

分享、點贊、在看，3連3連！