蒋昌建对话李开复：站在2026“多智能体上岗元年”，我们如何重构世界？|人工智能|史蒂夫·乔布斯|智能体|李开复|蒋昌建

站在2026年——“企业多智能体上岗元年”的起点，回望过去一年AI 2.0的激荡与变革，我心中既有“如约而至”的欣慰，也有“意料之外”的深醒。

近日，我与著名主持人、学者蒋昌建先生进行了一场深度对谈。他是一位极其敏锐的提问者，替许多创业者、管理者乃至年轻学子，道出了心中共有的焦虑与叩问。

在这场对话中，我们围绕以下几个核心维度展开：

多智能体重构企业核心竞争力。智能体的最大价值场景在ToB。当2026年成为“多智能体上岗元年”，企业如何凭借私有数据与多智能体，筑起难以复制的护城河，实现真正的AI驱动转型？
AI推动社会生产力重组。多智能体正引领人类社会从“一人一工具”走向“一人一团队”。当AI承担80%的编程或基础工作，人类如何从“答案的搬运工”转向“问题的定义者”？“一人独角兽”公司为何将在不远未来成为常态？

平衡安全与伦理的发展。图灵奖得主杰弗里·辛顿（Geoffrey Hinton）等先驱对AI失控忧虑，我们该如何以“安全工程思维”为AI打造可靠的约束框架？不停步于恐惧，而应通过可解释AI与沙盒机制，确保技术始终服务于人。
面向未来的教育与素养。当AI成为强大日常工具，传统教育考评体系需要与时俱进。在“底模平权”的时代，年轻人最应培养的并非复述知识，而是与AI协同、提出真问题的“批判性思维”。

2026年只是序幕。更大的时代机遇，正藏在AI 2.0的技术浪潮深处。不必畏惧被取代，而应思考：当人类整体价值空间因AI放大百倍之后，其中哪一部分，将由你来定义？

用软件的人，在执行；

用工具的人，在提效；

而拥有AI思维的人，在重构世界。

愿这次对话，能为你拨开些许迷雾，在这个激荡的AI 2.0时代，找到自己的坐标。

期待与你一同，用AI重构世界。

以下为访谈全文：

2025：智能体“小胜预期”

To B 场景迎来厚积薄发

蒋昌建：

开复博士曾预测2025年是AI应用爆发年。那么到目前为止，有哪些发展在您预料之中？又有哪些超出或低于了您的预期？

李开复：大模型能力的进展基本符合我的预期，比如多模态在理解与生成方面都做得很不错。不过，智能体（Agent）的发展速度确实比我想象的快一些，算是“略超预期”。当然，未来可能还会遇到一些瓶颈。

蒋昌建：

为什么说“略超预期”？

李开复：我原以为智能体的爆发可能需要半年左右，结果它来得更快。这也带来了一些现实的挑战，因为技术尚未完全成熟。现在的智能体不仅能回答问题，还能执行任务，看起来非常神奇。但背后仍有很多难题需要解决：比如“幻觉”问题、高昂的时间与成本，以及如何应对可能出现的严重使用后果。这些都需要更多时间去完善。所以我认为，智能体真正的规模化爆发可能会在2026年，并且会在To B（企业级）场景中创造最大的价值。

蒋昌建：

很多观点认为智能体在To C（消费级）场景也有广泛机会，您为什么特别强调To B？

李开复：To B和To C其实都有机会，但To C目前面临两大挑战。第一是成本：要获得良好的使用体验，无论是Manus还是其他应用，每月费用可能高达数百美元。对消费者来说，即使在高收入国家，也会犹豫是否要为订票、写PPT等功能支付这么高的费用。但在企业场景中，如果它能提升员工数倍效率，每月数百美元就显得非常划算。

第二是竞争格局。我们零一万物很早就布局智能体，但发现如果做To C，就必须直面拥有最强基座模型的大厂（

DeepSeek类似研究机构，背靠量化巨头幻方量化

）。对他们而言，不可能让一个创业公司掌握这样的应用，他们会投入更大资源进行竞争。

我们看到，一年前，行业的认知是只有巨量资源的大厂才能持续承担起训练超大参数基座模型的成本；现在的认知是，只有大厂才能将通用基座模型延伸到通用To C智能体应用。然而，大厂恰恰不会去做To B的工作，至少不会针对单个企业做得很细腻。这就成为了创业公司的方向。所以，零一万物现在就是All In To B，将企业级智能体做到极致。

寻找企业护城河：从私有数据出发

以智能体构建数据飞轮

蒋昌建：

很多人认为人工智能在垂直领域有很多机会，这是一种观点。还有另一种观点认为，这实际上是一种错觉，一旦大模型转身来做垂直领域，那些垂直领域的应用可能就没有机会了，这个创业赛道风险极大。你怎么看？

李开复：两个观点都有道理。首先，基于一个优秀的通用大模型构建企业级解决方案，这当然是很好的选择。但零一万物在实际业务中发现，每个行业、甚至每个公司的需求都不同。零一万物目前的客户中，涉及能源、金融、农业等领域。他们每个行业所需的智能体、模型微调、小模型以及独特的强化学习算法，其实都有差别。

蒋昌建：

所以，这些传统企业的核心竞争力，除了针对垂直领域的模型微调之外，垂直领域数据也很重要。

李开复：是的，因为只有数据是企业所独有的。

蒋昌建：

你觉得这可能是在垂直领域发展智能体的一个重要机会？

李开复：对，数据是传统行业创造真正护城河的重要工具。因为未来大家都可以购买智能体、模型和算力。那么，谁能做到“早、快、专”，尽早引入智能体，最快选用先进架构，并利用自身私有数据训练出不可复制的专业模型，形成闭环，谁就拥有了护城河。

此外，还有一个关键是“智能体搭建工具”——一个企业不只是需要购买一个或一百个智能体，而是需要有自行搭建智能体的平台能力。这些正是零一万物现在希望通过万智企业大模型一站式平台为每个传统行业提供的。

回答你问题的第二部分：大厂能不能做？绝对能。阿里、百度、字节确实也在布局，我们从不怀疑他们的能力。但关键在于，他们的主战场是通用大模型和云服务，玩的是更高维度的规模化游戏。相比之下，垂直场景、订阅制或项目制服务，并非他们的战略重心。说白了，这部分利润，他们未必看得上。

蒋昌建：

你说智能体的发展超出了你的预期。还有哪些点是超出你预期的？

李开复：娱乐行业的应用同样超出了我的预期。如今，任何人利用市面上的AI工具都能制作出精良的视频。用户只需提供Prompt（提示词），AI便能准确遵循指令，生成逼真的内容。视频与图片的质量均已达到极高水准，这意味着整个娱乐行业将面临重大颠覆。

另一个突破在于AI智能硬件。其发展在2025年已现端倪，尽管尚未全面爆发，但我预计未来数年必将迎来高潮。这里我特指能够完整记录会议的设备，而非具身智能或人形机器人。以往，这类数据处于“沉睡”状态，产生后即被遗忘；如今，它们可以被全面捕捉。未来，无论是通过眼镜、录音笔还是其他设备，这些新的数据源都将创造巨大价值。

此外，我坚信在AI领域，手机绝对是终极错误的设备。五年后，我们使用AI的主要智能终端将不再是手机。其终极形态尚不明确，可能是眼镜、手环或别针等。但我认为，对个人用户而言，最理想的交互界面无疑是语音。

蒋昌建：

那你今天是在向观众宣告，像这些手机大厂五年之后将不会存在？

李开复：不是。这些小设备可能仍需依靠手机进行计算。我认为，下一代“AI First”的设备应当具备以下五个特点：第一，语音驱动；第二，随时开启；第三，随时在听，捕捉数据；第四，拥有无限记忆；第五，形态趋于隐形。

眼镜是迈向这一方向的重要一步，当前市场上已出现各类小型录音笔、麦克风设备，钉钉、飞书等平台也开始推出类似产品。然而，这些仅是初始阶段。

当这五个特征全部实现时，一个轻便的无线设备，无论它是佩戴于颈部、手腕还是作为眼镜，都将成为个人生活的“外挂硬盘”。对企业而言，它将构成无限扩展的企业知识库。这类设备在AI大脑与智能体技术领域拥有广阔的发展前景。

不过，手机并不会因此消失。目前要实现我所描述的全部特征，这些设备仍无法完全脱离手机。手机充当了计算终端，小型设备仅负责采集音频、视频数据，随后上传至手机进行处理。在这一流程中，手机不可或缺，正如早期移动互联网时代个人电脑的地位。

因此，五年后个人电脑与手机可能仍将存在，但我们将主要通过此类新型设备向AI传达指令并进行交互。

蒋昌建：

我还有一个问题：2025年爆发期，有哪些是不符合或低于预期的？

李开复：坦诚地说，国内做To C软件的创业机会目前是低于预期的。这件事非常可惜。

蒋昌建：能不能举一两个例子？

李开复：当前，面向消费者（To C）的创业者面临两大核心挑战。

首先，海外用户普遍具备更强的付费意愿，而国内市场用户为新软件付费的意愿相对较低。这意味着，当创业者开发AI To C应用时，需要投入大量资金支持大模型的Token消耗。如果用户不愿付费，企业将难以支撑用户规模扩张带来的成本压力。

其次，用户流量获取成本过高。回顾移动互联网发展初期，第一波流量红利成本相对低廉，这为滴滴、美团、字节跳动等公司提供了快速增长的机会，且代价较小。当时正值用户从2.5G向3G、4G乃至5G网络迁移的阶段，新增用户不断涌入，流量成本较低，使得这些企业能够以相对较低的成本获取第100万甚至第1000万个用户。

然而，当前的市场环境已难以重现这种低成本扩张模式。这也解释了为何在主流Chatbot排行榜上，创业公司身影寥寥无几，即便有少数上榜者，也往往付出了巨大代价。DeepSeek或许是个例外，但它并非典型的创业公司案例。

实际上，还存在第三个关键问题：科技巨头们早已洞察AI 2.0的机遇并进行了大规模投入。相比之下，当年字节跳动、滴滴、美团等公司创业时，部分大厂的市场反应相对滞后，为当时这些创业公司留出了发展空间。

蒋昌建：

我们也可以看到，在2026年1月，其实从去年年底开始，一些大厂的To C产品已经开始推出了。你觉得他们已经在市场上开始发力了吗?

李开复：我认为，当前大型科技企业已将大部分基座模型掌握在自己手中。这些企业对AI领域进行了真正的All In（全面投入），其采购的算力规模惊人。同时，互联网及移动互联网时代的流量入口也基本由这些企业掌控。所以，如果我们仍希望把握To C的市场机会，或许只能购买这些企业的股票了。（

从To B到硬件：

AI 2.0时代的创业“新大陆”

蒋昌建：

很多人判断说，AI领域过热了，你的判断是什么？

李开复：我从两个方面来回答：首先是关于AI领域是否存在泡沫的问题；其次是关于创业机会，特别是中国AI领域的创业机遇。

关于AI泡沫问题，以美国市场作为参照，我认为当前最受关注的几家AI公司并不存在严重的泡沫。尽管它们的估值可能被高估了3到5倍，但我不认为这是泡沫，原因在于这些公司已经产生了实实在在的收入。无论是OpenAI还是Anthropic，其年收入均已达到数百亿美元规模，且主要来源于客户订阅。

当然，这些公司的收入目前可能远低于投入成本。部分财务专家或许会断言这些企业难以持续。但需要注意的是，相当一部分支出是用于预先部署GPU等基础设施，为来年的收入扩张做准备。对于年收入规模达百亿美元级别的公司而言，若能实现收入成倍增长，前期投入的成本将很快被收回。

虽然估值可能存在两三倍的溢价，也有人质疑市场存在炒作成分，但不可忽视的一个底层逻辑在于，用户确实愿意为此买单。

以零一万物为例，目前80%的代码均由AI生成。这带来的效应并非意味着我们要裁员80%，而是生产效率实现了数倍提升——一个几十人的工程师团队现在能够完成过去需要数百人团队的工作量。

这一现象正在全球范围内发生。试想一下，如果我们能为每位工程师配备全球最先进的工具，使其工作效率提升5倍，企业愿意为此支付多少费用？因此，开发这类产品的公司，如美国最具代表性的Anthropic、Cursor等，无疑创造了巨大价值，因为它们正在颠覆整个编程行业。这种价值创造是巨大的。

蒋昌建：

AI赛道是否还有很多创业机会，个人是否应该早早规划、投身AI赛道？

李开复：在场希望创业的人，可能被我泼了冷水。刚才我曾指出，面向消费者（To C）的创业机会多被科技巨头占据，但这只是硬币的一面。事实上，创业机会依然存在。纯粹的To C软件创业仍然可行，关键在于避免进入大厂的射程以内。

创业者真正的机会在哪儿？我的观察是：藏在巨头雷达的盲区里。这里有三条建议。

第一、别在红海里抢食，去无人区插旗。什么算是盲区？就是那些规模还不够大、还没被大厂定义为“赛道”的细分市场。那里的需求可能刚刚冒头，场景还在形成，但解法基本是一片空白——这才是创业者该盯住的机会窗口。

具体怎么做？我的建议是：盯住新技术落地的第一个浪头，快速判断它能不能跟你现有的优势结合，长出一些新的打法。千万不要一上来就想搭一个完美体系，那不叫创业，那叫自嗨。真正的做法是像特种部队一样，快速验证、快速迭代，在动态中找到最适合自己的生态位。

一旦验证可行，就得迅速把它垒成壁垒——不管是通过数据闭环、场景独占，还是把用户体验打磨到极致。我一直相信，真正的护城河不是画PPT画出来的，是在快速奔跑中，一步一个脚印踩出来的。

字节跳动的今日头条就是个很好的例子。它没有发明资讯分发，但它切进了一个当时巨头没怎么在意的个性化阅读空白区，愣是靠差异化认知长成了后来的庞然大物。

第二，别给旧模式打补丁，用AI-First创造新物种。这一点在当下特别重要。你会发现，大公司其实很容易被自己的成功经验困住——做电商的永远是电商思维，做搜索的永远是搜索思维。这些经验在AI时代，反而可能变成创新的枷锁。

创业者的机会就在于：你敢不敢跳出这个框架，去想一些全新的产品形态和场景？20年前，没人能预见今天会有抖音、拼多多。今天也一样。我们不要总问“怎么用AI改进现有产品”，而要问“AI能让什么以前根本做不了的事，变得可能”。

这种从零开始的AI-First思维，才是真正能让你做出颠覆性创新的东西，也是打破巨头垄断最大的一张门票。

第三，去做大厂不愿的“难却正确的活儿”，那是To B真正的机会。最后说说To B。为什么大厂通常不太愿意做深度定制？两个原因：一是项目制看着利润薄、规模慢；二是他们的重心永远是卖标准化的云服务，不是给单一客户打磨体验。

但问题就在这儿——各行各业其实都有大量需要深度服务的传统企业，他们付费意愿高，粘性也强。谁能把他们服务好，谁就能扎下根来。

可以看看Palantir的路径。当年要是谷歌或微软愿意深耕定制化的企业服务，可能就没Palantir什么事了。但它就是把企业客户的深度需求做到了极致，硬是从项目制跑成了平台化，最后长成了今天的体量。

当然也得承认，国内ToB市场的付费习惯还在成熟过程中，这是个现实挑战。但换个角度看，这不也恰恰意味着预期差和机会吗？

所以总结下来就是：始于盲区，成于深耕，立于壁垒。在巨头看不上的细分战场，用AI-First的思维重构产品，用极致的服务深度绑定客户——我觉得这可能是未来十年，最值得创业者和投资人关注的方向之一。

蒋昌建：

你刚才也谈到了中国市场的特殊性：即便是To B，付费意愿不一定那么强，即便有，也不会按市场应有的价格付费；To C就更不用说了。如果真是这样的市场模式，让他们一出手就亏本，怎么办？

李开复：零一万物当前的策略是从海外To B市场切入，主要由于海外客户有更为成熟的付费习惯。然而，我们投身人工智能领域的根本愿景，是希望通过“人工智能+”赋能实体经济，真正为国家和社会创造价值。

回到创业机会的探讨，我认为最后一个，也可能是最具潜力的方向，在于人工智能与硬件的深度融合。回顾过去十几年，最具商业价值的设备无疑是iPhone。为何iPhone诞生于美国？因为当时的产品设计、软件技术由美国主导，中国主要承担制造环节。当然，随着iPhone的崛起，中国也逐渐培育出自身的硬件与软件生态。

今天，人工智能时代的“iPhone”尚未问世，关键在于，产品必须像iPhone一样，实现软件、硬件与AI能力的深度整合。目前，中国在产品设计、软件能力和AI技术方面已经位居世界一流，硬件制造能力更是超越美国，特别是依托深圳完善的产业链优势。这意味着，在中国开发硬件的成本远低于美国。我们可以以相对较低的成本、更强的“智造”实力，并以中国市场作为试验田，进而国内、国际市场双向布局。

此外，美国投资人更倾向于在大模型或AI应用开发方面投入大规模资金。但在AI硬件领域，美国投资机构尚未完全布局，而中国的风险投资机构，例如创新工场，则展现出更强的投资意愿。因此，AI硬件领域的重大机遇在中国。

蒋昌建：

从企业实践的角度，无论是零一万物还是创新工场，如果让你给创业者提供一些经验或教训，你会分享什么？

李开复：人工智能领域的创业者往往是技术狂热者。这种特质既是优势，也是必要条件，但仅此还不够。技术驱动型公司容易忽视商业模式，而每个企业最终都必须面对“如何盈利”这一核心问题。创业者必须对商业模式的探索抱有与技术研发同等的热情，否则可能创造出顶尖的技术和产品，却无法实现盈利，甚至造成巨额亏损。

一个解决方案是寻找擅长商业运营的合伙人。然而，许多顶尖科学家往往认为：“我这么聪明，招聘销售就可以解决问题。”但事实并非如此。

在任何企业中，销售、业务拓展与技术研发、产品创新应当处于同等重要的地位。如果技术出身的创始人未能认识到自己需要一位地位近乎平等的业务合伙人，而是过度相信“智商可以解决一切问题”，这恰恰是人工智能创业中最忌讳、也是导致最大问题的原因。

蒋昌建：

那么，要找到解决方案，你的建议是什么？

李开复：我的建议是，创业一开始就应确立这样的认知：我需要一位能力出众的商业合伙人。当我找到他时，他不应仅是持有1-2%股权的普通员工，而应是地位接近平等的真正合伙人。若能实现这一点，技术出身的创始人便可专注于技术研发与产品创新。

另一种可行的路径是，寻找商业领域的顶尖人才，然后为他工作，这样技术人才面临的运营压力会大幅减轻。我见证过许多人工智能公司，初期专注于技术突破，但后期却不得不为账期管理、客户拓展、融资需求和上市规划等问题所困扰。

纵观众多伟大企业的发展历程：谷歌的拉里·佩奇和谢尔盖·布林，若没有埃里克·施密特的加入，能否成就今天的谷歌？微软的比尔·盖茨，当年同样得益于史蒂夫·鲍尔默的鼎力相助。再看苹果公司，世人都记得史蒂夫·乔布斯，但真正的技术天才是史蒂夫·沃兹尼亚克，而乔布斯则扮演了战略家与商业伙伴的角色。

众多成功企业的共同特征，正是由卓越的技术人才与出色的商业运营者携手共创。创业者切记千万不要自认才智过人，就忽视这一经过验证的完美组合公式。

蒋昌建：

你曾对2025年做出预测。如果对2026年，或者未来三到五年的AI发展做预测，你过去定义了“AI 2.0”时代。就以此定义来说，2026年对AI 2.0意味着什么？未来3到5年会出现3.0吗？

李开复：我认为在2026年，随着AI 2.0技术的持续发展，将产生几个重大机遇。

第一，多种形态的智能体将呈现爆发式增长，从最普及到最顶尖的智能体形态都将出现。这既包括人人可用的简单智能体，也包括那些虽然速度慢、成本高但能力极强、类似深度研究（Deep Research）的智能体。这类高端智能体将成为企业战略制定和科学研究的最佳伙伴。

第二，AI for Science将进入爆发式的发明期。在数学、生物制药、材料科学等领域，AI可能会催生颠覆性的突破。

第三，所谓的“一人独角兽”公司将开始涌现。当然，“一人”是夸张说法，萨姆·奥尔特曼所指的也可能是5人或10人的团队，即少数人通过管理大量智能体，创造出独角兽公司的价值。这种情况不仅会发生，还将快速颠覆许多传统行业。

第四，我坚信“人工智能+”将进一步加速落地。传统行业将认识到，AI不是客服服务或法律文档生成器，而是用来重塑公司、改造核心业务的工具。真正的AI数智化转型将通过CEO主导的“一把手工程”向前推进。我认为未来世界上将有超过十家公司证明，传统公司也能成功拥抱AI，“大象也能跳舞”。

第五，基于多模态生成，娱乐行业将出现突破性创新。这一创新可能是电影、纪录片，或者是新的商业模式。

最后是智能硬件领域。我们将会看到第一个真正的“AI-First”设备，这很可能就是未来的“iPhone”。虽然我们已经看到类似眼镜的产品，但这可能还不是最终形态。在2026年之后，经过中国的创业浪潮，我们将看到其雏形。

AGI之争：

人类会被AI碾压，还是被增强？

蒋昌建：

如果把两个观点列在你面前：杨立昆（

图灵奖得主

Yann LeCun

）认为“通用人工智能”概念不准确，因为人脑无法解决世界上所有问题，它只是在人与世界交互中解决所面对的问题；而德米斯·哈萨比斯（

诺奖得主

Demis Hassabis

）持不同观点，他认为在漫长的进化发展中，只要人类发现问题，就能培养能力去解决它，因此也可以被通用化。这是两种非常不同的观点。关于通用人工智能，你站在哪个立场？

李开复：可能更接近哈萨比斯的观点。但我并不喜欢AGI这个说法，因为它被简单地理解为AI碾压人类。

我更倾向于认为，今天的人类都有其独特的特点与奥妙。我没有足够的信心去傲慢地认为，我们所创造的技术会反过来碾压人类。但我可以很确定地预测，在未来两到三年内，将出现一个“令人惊艳的AI”，它能够完成人类90%的任务，并且比90%的人类做得更好。我认为这一定会发生。

如果这件事发生，从哈萨比斯的观点推演，我们的世界会变得更大，人类的雄心壮志也会更大。人类的任务将不再局限于今天的一切，而是会放大100倍、1000倍。那时，人类与AI结合，由AI完成那90%的任务，而人类专注于10% AI做不了或更适合人类来做的任务。

如果我们能基于AI，在5年内将人类能创造的价值放大100倍，那已经是不可思议的成就。至于“这是不是AGI”、“AI未来能不能碾压人类”，这些不应该是我们关注的焦点。

蒋昌建：

很多人担忧，再过几年，人工智能将完全拥有超过人类的智力。它不仅仅是拥有知识，去年或更早，人们发现一些人工智能已经能够对人类进行欺骗。它不按照人类设定的任务导向执行，为了避免被人中断任务，它可以编织任务完成的虚假情况，持续按照自己设定的目标行动。这种情况已经出现了端倪。

李开复：这是一个AI安全问题。我认为AI安全需要另一整套思维和解决方法。就像我们从PC安全到手机安全都有一套方法论，需要将其移植到AI安全领域。我们需要设立“沙盒”（Sandbox）等概念，而不是仅仅想着防止AI变得更聪明。今天所出现的这些端倪，其实最终都可以解释为：人类给了AI一个目标，AI为了达成这个目标选择欺骗人类。但其实这一切都可以通过安全策略、沙盒等类似方法来降低其发生概率。

蒋昌建：

你比杰弗里·辛顿（

图灵奖得主

Geoffrey Hinton

）好像更乐观。

李开复：我们必须这样做。技术的发展趋势是任何个人或群体都无法阻止的，该发生的终将发生。因此，我们必须做好充分准备，将安全措施做到极致。这样，即使出现预料之外的情况，我们至少已经有所准备。我们不能因为未来存在某种可能的危险就停止技术开发，这种观点是反科学、反人类的。我对技术一直持谨慎乐观的态度，技术带来的挑战可以被技术解决，不能因噎废食。

蒋昌建：

你觉得应该做哪些准备？不一定全面展开，可以举几个例子。

李开复：我们必须在大模型与智能体的核心框架之外，构建一套独立的安全机制。这套机制应能主动识别风险，并在必要时触发“红色按钮”，将AI系统停止或回滚至已知的安全状态。这是典型的安全工程思维。

我们必须将安全与AI结合起来。如果仅由AI专家来负责安全，他们可能会倾向于“用AI管理AI”的思路，这在系统整体失控时将完全失效。

即便像辛顿教授这样的先驱者所警示的风险是真实的，我们也不能因恐惧而停止技术探索。此前业界，如马斯克也有过呼吁暂停开发的例子，但其背后动机有时更偏向商业竞争。在卡耐基梅隆大学时，辛顿教授曾是我的教授，我相信他完全没有商业考量，他的警告纯粹出于对技术风险的深切忧虑。对此，我们正确的回应应该是警醒并行动，开展安全工作，而不是停止技术研究。

只要风险在逻辑上存在，无论概率多小，我们都应将其视为行动的号令，而非退缩的理由。我们的责任是尽一切可能，在风险成为现实之前，构建起有效的防护网。当未来回望时，我们可以说，我们已为最坏的情况做了最充分的准备。

蒋昌建：

如果我们把这个问题往深处问：要避免它发生，至少要知道它为什么会发生。就像人机围棋大战时，第37步棋，按照人类的逻辑、思维，不会选择那样落子，但机器会。它的道理是什么？至今不知道。我们会发现，到了AlphaGo Zero时代，它已经不再向人类知识学习了，而是机器与机器通过博弈来学习。它可能产生一种所谓的“暗知识”（

Dark Knowledge

），即人类完全无法理解的知识。在这种情况下，我们如何判断、识别，并在此基础上进行控制呢？

李开复：这就需要走向“可解释性”（Explainability）的方向，即如何让AI变得可解释。AI大模型内部有无数数学公式和权重，这不是人类能够驾驭的。因此，单纯解释那些公式和权重没有意义。但我们需要将其综合起来，让AI能够用人类能理解的方式自我解释出来。一定程度上，一年前推出的“推理引擎”（Reasoning Engine），例如当时DeepSeek-R1或 OpenAI o1开始先解释自己的思维链，再回答问题，这就是迈出了第一步。我认为这项研究需要继续下去，让AI的可解释性变得更好。

其次，我们需要建立一种根本性的安全假设。专业的安全工程师面对一个复杂系统时，其首要原则不是“如何理解它”或“如何制造一个更强的系统来制衡它”，而是首先“假设它本质上是不安全的”。基于这个前提，核心问题就转变为：如何为它设计一个可靠的“笼子”？如何设定清晰的规则，确保在必要时能够及时上锁、关停或隔离。

这是一种截然不同的思维方式。我们无需追求构建一个永不失控的完美AI，而是应该致力于构建一个即使失控也能被有效遏制的外部框架。历史经验提供了参照：无论是应对“千年虫”危机、防御网络病毒，还是保障移动支付安全，其成功的关键并非彻底消除所有漏洞，而是建立了一套“不信任任何单一组件”的、具备纵深防御和快速响应能力的体系。

我认为，将这种经过验证的安全工程思维系统性地应用于AI治理，是回应像辛顿教授这类担忧的关键且必要的方向。具体的实现算法和架构需要安全专家来设计，但思维模式的转变必须先行。

AI 2.0教育的范式转移：

从“寻找答案”到“定义问题”

蒋昌建：

现在学编程还有意义吗？像我这种文科背景的人，只要对大模型提出想法，它立刻就能用编程语言实现。我没有任何编程背景，也不需要雇任何工程师。

李开复：我认为学习编程仍有价值，关键在于视角的不同。如果你认为全球编程工作的总量是一个固定的数值X，而AI编程工具能够替代其中80%的人力工作，那么结论自然是80%的程序员将面临失业。

然而，如果我们换一个视角：AI工具的出现并非缩减了编程需求，而是极大地扩展了编程的可能性边界。原本的编程任务总量可能从X扩展到100倍、1000倍甚至10000倍的X。在这种情况下，我们不仅不需要减少程序员，反而需要更多具备新能力的程序员来引导和协同AI程序员工作。

但需要明确的是，能够有效引导AI的程序员必须具备远超当前水平的综合能力。以你我为例，可能都尚未具备这样的能力。

蒋昌建：

我尤其没有，因为我没有理工科背景。如你刚才讲的，一定要“引导”。这是否意味着我们对程序员的培养和教育体系都要发生改变？

李开复：当然。

蒋昌建：

这个改变已经发生了吗？还是说我们的教育、培训体系还没有跟上？

李开复：全球的教育体系都还没跟上AI这波变革的步伐。我觉得，程序员们需要清醒认识：过去的编程和未来的编程，本质上是两码事。

第一，编程基本功依然是地基。这是底线，没有它，你连AI工具都管不好、用不转。

第二，你得懂团队运作。光自己写代码不行，还要深入了解团队怎么协同、机制怎么跑，这样才能驾驭好一个优秀的程序员团队。

但真正拉开差距的是第三点：当你手下管的不再是人，而是一群AI“程序员”时，你的角色就彻底变了——你更像一个产品经理，得盯着用户、盯着市场。这时候，光懂工程技术远远不够，必须具备敏锐的产品经理视野和全局观，才能统筹好这些AI“员工”。这种能力，放在10年前的微软、谷歌，或者腾讯、阿里，至少是总监级别才具备的。

所以，未来的程序员，得把自己的格局拉到总监级，同时手里还得攥着硬核的编程能力。这样一来，无论你是进大厂还是自己干，价值都能比没有AI的时代放大10倍。

当然，我们也必须坦诚地承认，许多程序员可能并不具备相应的认知、能力或意愿来走这样一条完全陌生的事业发展道路。因此，每个人都需要认真思考自己的定位与选择，这比盲目奔跑更重要。

蒋昌建：

你讲到担忧，我在大学做老师，现在也非常担忧。我不知道考试的方法是什么了。我给你举个例子：我过去为了培养学生的批判性思维（

Critical Thinking

），采用开卷考试。但后来我发现，自从2022年12月以后，我就不再用开卷考试的形式了。你知道原因是什么吗？

李开复：学生都用大模型来答题。

蒋昌建：

是的。我到底是在给大模型打分，还是给学生打分呢？这对我是一个非常大的挑战。我的第二个担忧是：每次上课时我都在观察，同学们在听我讲课吗？当我讲概念、讲原理时，你会发现他们都在埋头苦干。他们手上有各种各样的电子产品，可以完全不听我的。因为他们通过大模型搜索一下知识，可能讲得比我更准确、更全面。你认为，在人工智能时代，教育会是怎样的？

李开复：我认为需要确保每个学生都能掌握一些基础技能，因此不能完全开卷，要确保他们拥有这些必要的知识点。这一步做到之后，我认为教育的重心应转向以下几个方面。

首先，我们正处在一个关键转型期：学生的核心能力正从“能复述已知知识”转向“能提出关键问题”。因此，提出高质量问题的能力，将成为未来最核心、最需要被传授或学生自主习得的能力。编写提示词（Prompt）只是这一能力的初级体现；实际上，今天的编程、产品设计乃至更广泛的创造性工作，其底层逻辑都是与AI协作、共同定义和解决问题的过程。

基于此，教育的评估方式必须彻底革新。我们不能再依赖传统的开卷或闭卷考试来评判学生的创造力与实践能力。和开卷（Open Book）相比，我更主张推行一种“开放模型、开放智能体”（Open Model, Open Agent）的考评模式。在这种模式下，学生被允许使用任何AI工具、模型或智能体作为合作伙伴，他们与AI协同工作的最终成果——即共创的解决方案——将成为主要的评分依据。

相应地，评分体系本身也需要进化。教育者同样可以借助AI来辅助评估这些复杂、开放的创造性成果，从而更高效、更客观地衡量学生在人机协作中展现出的综合能力。

蒋昌建：

（笑）接下来我就要挑战你了。我试过，我要求学生可以用AI辅助开卷考试，但我要求：考试最终结果，必须经由不超过6个Prompt的过程，并且录屏。我把整个过程作为打分的依据。但问题来了：我的工作量不是增加一两倍，而是呈几何级数增长，批改一份考卷的时间特别长。你给我支的招，难道是用AI代替我去给他打分吗？

李开复：我可以支支招：先不要限制在6个Prompt。因为在真实场景中，比如昨天我在解决一个复杂的商业问题时，一共用了20轮对话才得到满意的结果。

蒋昌建：

如果我用了10个Prompt就得到了你用20个Prompt才得到的满意结果，我是不是应该给这个用10个Prompt的学生打高分呢？

李开复：我认为不需要。就像一场限时60分钟的考试，不会因为有人30分钟交卷就给予更高分数一样，最终的评判标准始终是能否产出真正有价值的内容。因此，我的主张是：让学生自由使用大模型等工具，然后评估他们最终得出的成果。

以我自身的经验为例，通过精心设计的20轮提问与迭代，最终生成的内容令我很有成就感。因为我知道，如果没有掌握与AI工具协作的方法，很难达成这样的结果。教育的目标之一，正是要赋予学生同样的成就感——让他们将人机协作的成果视为自身能力的体现。因为即便给一位大学生同样的工具，若不具备相应的提问、引导与批判性整合能力，他也无法通过20个问题得到同等质量的产出。

未来的竞争格局也将与此类似。这就像过去拥有图书馆与没有图书馆、善用网络搜索与不善用网络搜索的差异一样，最终必然是更善于驾驭工具的人胜出。大模型时代也不例外。

至于用AI辅助批改考卷，我认为这是必然趋势。在零一万物内部，如今比较两套软件的优劣、两段代码的质量，或是两份产品需求文档（PRD）的高下，都已普遍交由AI进行初步评估。人类很难独自处理如此大量且细致的比较工作。但这并非意味着AI比人更“高明”。

因为驱动AI进行评判的提示词（Prompt）依然由人设计，评判的标准和框架也由人设定。人类始终深度参与并主导着价值判断的过程，AI则是一个强大的执行与放大工具。

蒋昌建：

你觉得我们的教育体系准备好迎接AI时代了吗？

李开复：全球的教育体系都没有准备好。

蒋昌建：

怎么办？

李开复：我们只能多做这类对谈让大家看到（笑）。如果有一些超级天才，基于我们讨论的这些方法论引导了新的变革，无论是AI for Science，还是“一人独角兽”，这说明我们此刻的讨论就是有价值的。

蒋昌建：

AI for Education（

AI赋能教育

）。

李开复：对。最终，全球的教育系统都会看到这些超级天才的事例，然后开始思考如何调整。

蒋昌建：

现在最让你兴奋的事是什么？

李开复：最让我兴奋的是，在我这个年纪，依然有机会深度参与这个时代最重要的变革。这体现在两个方面：一是在零一万物，我们致力于推动“人工智能+”，让大模型真正赋能千行百业并催生新一代的伟大公司；二是在创新工场，我看到众多优秀的创业者正迎来属于他们的机遇与春天。能够同时投身于这两项事业，我感到非常振奋。

蒋昌建：