曾鸣最新判断：这，就是下一个10年的复利

大家好，这里是州友出海。专业赋能中国企业全球化发展，聚焦海外市场拓展与国际化人才培养。点击下方关注我，每天分享最新出海玩法和出海热点资讯。企业出海方案咨询加v:Lisa20250309

回头看工业时代和互联网时代，会发现它们有一个共同特点：系统一旦建立起来，最重要的任务就是不断提高运行效率。

工业时代如此，工厂、流程、层级、规模化供应链，都是为了让既定的结构运转得更顺。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，仍然建立在一套相对稳定的结构之上。

而从AI时代开始，出现了不同。

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

这种变化几乎同时发生在四个层面：

技术，从执行既定功能，走向持续生成能力；

商业，从匹配既有供需，走向动态生成供需；

组织，从稳定执行，走向持续形成新认知；

战略，从预先规划路径，变成在行动中不断生成路径。

它们都指向同一个趋势：世界正在从围绕既定结构运行，转向靠持续生成来创造新的价值。而推动这一切的，是曾鸣提出的一个核心概念：智能复利。

在他看来，AI真正改变的不是效率，而是价值创造和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，可能都需要重新思考。

AI时代，价值从何而来、优势如何形成、以及飞轮如何被启动？

曾鸣从三个层面来解释：

1.智能复利：AI时代新的价值创造机制

每个时代都有一个定义性的经济规律：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。

它的逻辑是这样的：在某些条件下，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变化。

这是一个根本性的变化。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迟缓。增长能够带来规模，却不会直接提升能力。

AI系统则不同，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，而是能力演化的一部分。

最典型的例子是特斯拉的自动驾驶。传统汽车卖出去之后，车辆的能力基本固定，驾驶经验属于驾驶者，而不会沉淀到汽车本身。

而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，不只是在完成任务，还是在训练系统。

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：为什么领先者会越来越领先？

不过，曾鸣也特别指出，智能复利并不等于竞争优势。系统持续变强，不一定等于企业能拉开差距。

在标准化、可复制的简单任务上，各家系统往往是“同时进化”。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，也很难复制。

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，曾鸣把这种现象称为黑洞效应。

这个比喻的关键不是黑洞不断扩张，而是引力不断增强。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，其力量便愈发强大，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：飞轮为什么转不起来？

如果智能复利这么强，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：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。

这会带来两个结果：第一，任务规模无法扩大，因为每个任务都需要人盯；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。“行动-结果-反馈”这条链路被切断了，系统很难持续学习。

因此，真正重要的不是AI能不能完成任务，而是能不能直接对结果负责。

曾鸣把这个临界点称为“60分奇点”，它不是一个技术上的分数，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，其上限是我们看不见的。

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产生转变，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？

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，会有多个智能体存在。

2.从最低网络规模门槛到最低智能门槛

互联网时代的竞争重要的是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。

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”。

曾鸣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。

例如，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，组织却没跟上？

曾鸣认为，问题不在AI，而在组织。现代公司制度，本就是工业时代为了高效执行设计的。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：

第一，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。

第二，他们擅长使用各种AI工具。

第三，他们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。