基于哔哩哔哩上张小珺对曾鸣的访谈视频，以下是对 AI 产业未来发展的深度总结与洞察：
一、AI 产业刚刚进入 Agent 应用阶段
判断 1：AI 可能带来一次超过工业革命的生产力变革
此次访谈并未将 AI 视为移动互联网后的简单产品升级。互联网改变了信息流动，而 AI 开始处理语言、知识与智能工作，根本性地改变了“谁能完成任务”及“任务如何完成”。若 AI 能力按当前趋势发展，其对工业时代制度的冲击将超越互联网，现有产品、组织形态及经验可能失效。这是面向未来的产业推演。
判断 2:AI 产业将经历基础设施、应用爆发和原生应用三个阶段
第一阶段是技术成为可调用的基础设施；第二阶段是创业者利用能力寻找新任务与新产品的爆发期；第三阶段则是适合新世界的原生应用成为主流。第二阶段不可跳过，正如今日头条、推荐算法与短视频的演进所示，新技术需经大量产品试错，才能匹配合适的内容形态与用户需求。
判断 3:2026 年是第一阶段完成、第二阶段开场的标志性节点
2026 年被视为分界点，依据是智能具备标准化使用条件，Token 成为智能计量单位。OpenClaw 等 Agent 产品展示了 AI 从回答问题向独立完成任务的跨越，但尚未真正进入大众市场。目前甚至尚未出现降低门槛的“浏览器级”产品，雅虎、谷歌式的平台仍需在探索中诞生。
判断 4：大模型最终会成为 AI 云基础设施
大模型公司的长期定位更接近"AI 云”。随着企业依赖度增加，供给需稳定、成本需可控，且用户不能被单一供应商锁定。巨额投入决定了市场难以容纳大量同质玩家，大模型市场将走向寡头竞争并受强监管。客户评价标准将从能力突破转向稳定性、价格及调用体验。
判断 5：通用大模型创业窗口已经关闭
此处指沿现有路线创建面向社会的公共基础智能公司的窗口已关闭。领先企业已积累模型、算力与组织能力，并将 AI 用于研发本身，形成智能复利。Anthropic 与 OpenAI 处于领先地位。但底层创新未止，New Lab 等探索的新路线及应用场景新问题，仍可能孕育新公司。
判断 6：技术价值不会自动变成企业利润
技术创造社会价值不等于企业提供同等利润。相似供给出现后，价格竞争将挤压利润空间。技术领先、尝鲜用户及短期收入增长不能证明长期价值。创业者需评估产品可替代性及市场扩容潜力，价值留存于基础设施还是应用端，直接影响企业获利能力。
判断 7：今天的模型领跑者未必是 AI 原生时代的最终赢家
基础设施阶段依赖原创研究，应用阶段则需理解用户与新交互方式。第一阶段的优势难自然迁移至下一阶段。历史案例如雅虎、AOL、黑莓表明，首波企业虽获巨大价值，却可能在产业进阶后失去中心位置。今日排名非终局。
判断 8：基础设施过剩可能降低应用创业成本
只要智能不够强、不稳定或成本过高，基础设施投入就会持续。建设具有周期性，可能出现供给过剩。这虽给投资者带来压力，却让应用创业者以更低成本获取更强、更稳定的基础智能。基础设施投资回报与应用生态受益是两套不同逻辑。
判断 9:New Lab 同时在探索新技术和新组织
部分研究者认为现有技术路线存在上限，另一些团队则探索将大模型用于 AI for Science 等新领域。这些团队既探索模型路线，也测试新型协作模式。在技术路线未收敛时，市场为潜在回报投入资源，让偏离主流的方向有机会成为未来的新共识。
大模型成为基础设施后，核心问题转变为：已调用的智能究竟应替用户完成什么任务。
二、产品加 AI 是必要条件，完整任务才是分水岭
判断 10:Agent 的本质是独立完成任务
区分聊天机器人与 Agent 的标准在于能否脱离人的逐步指挥，围绕目标独立完成任务。互联网让人分享信息，Agent 与 Skill 让人分享能力。研究与设计方法可被封装，编程与运营能力可由智能系统组合。用户关注点正从“哪里找信息”转向“谁帮我把事做成”。
判断 11：真正的机会是完整、复杂且高价值的任务
模型能力不足时，应用靠补丁和工作流弥补缺口；模型升级后，此类产品易被覆盖。仅解决单一步骤的工具即便有收入，也易触达上限。真正的机会在于帮助企业获得增长等完整任务，而非仅生成素材或执行投放。只有任务足够重要，企业才有空间积累上下文与反馈，形成专有技术。
产品加 AI 已成必要条件，但真正的分水岭在于能否替用户完成一个完整且高价值的任务。
判断标准包括：用户最终获得了什么、失败后由谁担责、系统能否从真实反馈中持续进化。仅有一次漂亮的生成结果，尚不足以让用户托付工作。
判断 12：应用要进入今天能落地、未来能长大的场景
教育、健康、企业增长与组织大脑是值得探索的大方向。场景选择需满足两个条件：当下有真实需求和付费理由，且能力提升后有扩展空间。创业者可从小入口切入，但该入口必须通向更复杂的任务，避免因模型升级而失去存在价值。
判断 13：应用低迷不代表机会结束
上一批简单应用被模型快速覆盖，新的复杂场景尚未跑通，导致缺乏成功样本，此阶段被视为反共识探索期。OpenClaw 让极客看到潜力，但部署门槛阻碍了其进入大众市场，它更像方向演练而非成熟产品。创业者不能坐等模型变强，任务边界、用户信任与真实反馈只能在实践中积累。
判断 14：短期 ARR 不能证明长期空间
新技术总能吸引尝鲜用户，收入只是起点。将月收入年化并外推增速，容易忽略市场上限和模型替代风险。判断重点应在于用户体验变化、产品自然传播能力及两年后的增长空间。ARR 是经营结果之一，不能替代对产品空间的判断。
判断 15:Agent 公司仍然需要自己的技术积累
应用企业无需重复训练通用基础模型，但不能沦为模型接口的简单包装。上下文管理、长期记忆、交互方式及特定任务中的学习机制均有创新空间。是否训练模型取决于任务本身。若产品价值仅来自弥补基础模型短板，模型升级后价值将难以保留。
判断 16：数据飞轮会升级为智能复利
Agent 调用基础智能完成任务，在真实工作中获取反馈，进而改善算法与流程，积累新数据，形成智能复利。此循环要求 Agent 参与执行，若仅生成建议而由人完成工作，则难获完整反馈。能力从一个场景延伸至其他场景，承担更复杂任务，方能扩大优势，形成“黑洞效应”，加深竞争壁垒。
判断 17：下一代入口要解决标准与信任
随着 Agent 数量增加，用户需判断哪个系统能完成任务、是否可接触数据和资金，且收费与失败处理需有清晰规则。选择 Agent 的成本远高于打开网页。新入口将连接开发者与用户，先建立标准与评价机制，再提供推荐。平台建设者通常需先做出成功的 Agent，理解任务运行逻辑，才能逐步形成生态与事实标准。预计未来两年可能出现类似浏览器的关键机会，三至五年内可见更清晰的 Agent 入口。
判断 18:Agent OS 属于更远的原生应用阶段
Agent 入口帮助用户挑选能力，Agent OS 则进一步接管任务调度，用户仅表达结果，系统自行拆解任务并组合 Agent。这种形态需要成熟的 Agent 供给、可靠的调用方式及复杂的协作需求。在生态尚未形成时，提前搭建宏大的 OS 难以解决真实问题。终局方向可指导今日积累，但不能代替眼前的产品实践。
三、AI 转型最终会进入组织，而不只停留在工具
正在推进的“五人项目”提供了一个观察视角：产品和研发分工依然存在，但每个人负责范围更大，沟通链显著缩短。
判断 19：未来组织会从岗位中心转向任务中心
传统公司先设岗位再定职责，任务分配至固定位置。AI 原生组织则先明确需解决的问题，再调用合适的人与 Agent 共同完成。权力关系随之变化，职位高低不再保证最适合解决问题，判断权流向掌握关键信息与能力的人。分工仍在，但协作依据从行政级别转向任务需求。
判断 20：给旧流程增加 AI 只是阶段性方案
在原流程中加入生成与总结功能可提高局部效率，但不会自动改变任务拆解方式。传统企业的 AI 转型不能从采购工具开始，而应先重新拆解任务和组织协作。企业需确定哪些环节由人判断，哪些交由 AI 执行，责任边界也需随之调整。若无此重构，工具越多，旧流程可能越复杂。
判断 21：一人公司只是过渡形态
一人公司非组织终局。AI 虽能让一人完成过去多人的工作，但个人时间与能力仍有边界，复杂任务仍需分工合作。未来更常见的形态可能是少数能力完整的人组成互补团队，借助 Agent 承担更大范围任务。“五人项目组”证明了小团队能力边界的扩大，而非所有事情都应由一人完成。
判断 22：贡献和交付会比头衔更重要
岗位层级弱化后，晋升不再是唯一激励方式。强调个人的主观能动性，即主动寻找问题、认领任务并对结果负责。任务分配与完成情况将使个人贡献更加透明。市场调用的是能力，团队需要的是交付，行政头衔难以替代这两者。职责扩大带来自由，问题也不能再等待上级拆解下发。
判断 23：共享上下文会替代一部分过程控制
自主决策的前提是知晓共同目标、现有限制及团队决策逻辑，即“用上下文代替控制”。AI 也需接入相同信息，理解任务与长期目标的关系。这可能让 OKR 以新方式落地，系统持续观察任务偏离并向团队提醒。AI 可帮助保存同步上下文，但目标本身的价值仍需组织判断。
判断 24:CEO 要从控制者转向服务者
当组织依赖高主动性人才，管理者难再靠职权维持合作。CEO 需吸引适合当前任务的人才，并提供充分信息与创造空间。AI 承担部分执行工作后，管理者价值更多体现在清除障碍和维持目标，过程审批应减少。但这不代表取消管理要求，重要任务的目标、权限及结果标准需更清晰，只是不再依赖时刻监控。
判断 25：组织和战略必须一起变化
过去常见方法是先定战略再调组织。AI 时代决策频率更高，新战略生成方式难在旧组织中运行。组织需让人和 AI 持续处理问题，在共享信息中形成新判断；战略则决定下一步所需能力及组织调整方向。两者变为相互推动的循环。
判断 26：应用时代会重新放大产品经理的价值
基础设施阶段依赖科学家突破，应用阶段则需判断服务何种用户、解决何问题及投入何种技术。AI 产品经理正从需求文档生产者，转向问题定义者、方案判断者和结果验收者。PRD 和原型可更快生成，节省的时间应用于判断任务价值及验收交付结果，尤其在模型不稳定时需建立匹配的验收标准。
判断 27：走向卓越需要使命和互补团队
优秀可依靠正反馈推进，卓越往往需在外界不认可时坚持反共识方向。这种坚持不能只靠个人证明欲，创始人需将事情置于自我之前，并愿意听取不同判断。一人看方向，一人做执行，互补比塑造全能领导者更现实。使命不能仅是口号，需在融资与增长变化时帮助团队取舍，不被外部评价改写。
四、不确定性越强，战略越不能只靠年度规划
面对 AI，许多公司第一反应是“少谈战略，多做执行”。访谈观点相反：环境越不确定，企业越需持续作出战略选择，因为错误方向留给团队的纠正时间正在变短。
判断 28：不确定性越强，战略判断越重要
在平稳行业，企业可依过去预测未来并拆解年度计划。但 AI 领域模型能力可能突然跃迁，新产品快速改变预期，原有业务数月内即受冲击。研究商业史旨在提炼演化规律，帮助创业者定位自身阶段，而非机械对应过去赢家。企业需持续判断并随时准备修正方向，一次选择不能成为未来几年的固定答案。
判断 29：战略要用中期路径连接愿景与行动
战略方法可概括为“看十年、想三年、干一年”，其中“想三年”最易被忽略。长期愿景回答去向，当下行动回答做什么，中期路径则是连接两者的桥梁。无中期路径，愿景易成口号，年度计划易退化为旧业务的线性延长。中期思考要求团队看见接下来两三步，明确验证内容与里程碑。短期、中期与长期间的冲突正是战略取舍的价值所在。
判断 30：探索期先提高试错效率，方向收敛后再追求规模
战略方法取决于企业发展阶段。在战略探索期，方向未定，一号位需带领团队尝试不同可能，降低试错成本，从反馈中形成共识。此阶段最危险的做法是用强大执行力将未经验证的方向做大。方向收敛后，重点才转向建立可持续的业务模式与规模化。外部环境根本变化时，成熟企业也需重回探索状态。路线图应记录当前最值得验证的假设，随证据更新，而非一成不变的承诺。
判断 31：反共识不保证成功，稀缺的是辨别信号和持续纠偏
成功企业常做反共识选择，但反对共识不自动带来成功。大量大胆方向最终未走通，仅研究幸存者易将结果倒推为方法。辨别信号需扩大对真实世界的感知与深度思考。接触范围太窄，判断易停留局部最优。等趋势变热，后来者往往只见结果而不见前两步的认知积累。创始人需相信方向，同时保留推翻它的权力，当新证据与原判断冲突时，事实优先。AI 时代的战略不能是一份写完即执行的年度文件，而应成为持续验证并纠偏的机制。
五、机器人会打开物理世界，旧巨头没有安全区
前述 Agent 主要在数字世界完成任务，机器人则将变化带入物理世界，竞争焦点从模型能力推向数据获取与规模制造。
判断 32：机器人仍在早期探索，两条路线都可能成立
机器人产业类比 ChatGPT 前的大模型阶段，落地方式与路线远未收敛，主要限制是缺少大规模现成数据。一条路线先做通用大脑，追求跨场景泛化；另一条路线先进入具体场景，在实际工作中获取数据以提升模型能力。通用路线需证明大场景下的泛化能力，场景路线需证明可走出狭窄需求。如同南坡北坡登山，出发时无法断定谁先到顶。
判断 33：产业突破取决于可负担的规模化量产
演示只是起点，机器人距大规模产品尚有长路。关键节点来自稳定交付与成本下降，类比福特 T 型车与流水线。谁能实打实卖出一万台机器人，谁就完成了值得重视的突破。市场需求分化后，单一标准产品还将面临新竞争。
判断 34：机器人是 AI 进入物理世界的接口
机器人意义类比电器，电进入家庭工厂后未只产生一种设备，智能进入物理世界也可能长出多个大品类。家务、陪伴及工业场景将产生不同形态产品。未来也存在许多规模不大的硬件。这对创业者提出比技术更现实的问题：产品有用仅证明需求存在，市场容量与技术壁垒需足以支撑公司长期发展。
判断 35:All in AI 只是巨头留在牌桌上的必要条件
AI 面前无绝对安全的巨头。大公司投入模型、人才与算力仅获参赛资格，无法保证继续领先。旧组织亦形成阻力，改造十万人大公司与让十人团队按新方式长大难度迥异。成熟公司资源是优势，但旧流程与既有利益也会限制转向速度。旧产品增加 AI 功能视为过渡方案，新入口需企业重新理解用户如何完成任务，已有用户规模无法自动替代这层认知。
判断 36：基础设施优势不会自动变成下一代消费入口
模型与云能力、消费级入口属两种竞争。微软拥有云计算积累与 OpenAI 早期投资，谷歌有芯片与模型能力，这些助其参与基础设施竞争，但不能直接决定谁拥有下一代用户入口。字节具备模型能力与组织资源，成为重要 AI 云公司机会很大，但过往产品成功不保证其自然成为新时代消费入口。豆包仍被归入第一代聊天式 AI 产品，因其尚未达到 Agent 独立完成任务的要求。
判断 37:Agent 会改变社交和交易的关系结构
腾讯拥有人际关系网络，阿里拥有人货连接，这两种优势均可能受 Agent 挑战。当 Agent 代替用户寻找服务并执行任务，平台连接的行动主体将发生变化。旧平台积累的关系仍有价值，但入口形成方式与价值流向可能被重新定义。社交和交易都不在 AI 变化之外。
判断 38：中国 AI 竞争更容易走向同质化
中美将形成不完全相同的 AI 生态。美国先行公司拥有较长独立探索期，易形成独特技术路线与组织特点。中国许多团队在看到相似海外原型后同时跟进，又在相近人才市场竞争，结果往往是大量公司集中涌入同一方向，产业格局需更长时间收敛。半年或一年的先发不仅是时间优势，更早进入真实问题才能形成不同的产品认知与实践积累。追上公开能力仅拿入场券，对用户任务的理解才可能拉开差距。
六、当智能可以调用，人的价值会回到创造
AI 进入产品与组织后，问题落至每个人身上：过去由学历、经验和岗位形成的优势能否延续，人又该将时间花在哪里。
判断 39：人的价值会更多转向原创能力和复杂问题定义
AI 时代被概括为创造力时代。当知识与基础智能可从外部调用，结构化处理的工作将越来越多交给 AI，人需在现成答案之外建立新价值。写作绘画只是创造力一部分，原创地定义复杂问题、看见未出现的需求同样属于创造。情感陪伴与人际新互动也可能产生未被满足的价值。经验作用亦改变，可整理成知识的经验一旦被模型吸收，资深从业者难凭年限保持优势，年轻人可更快进入陌生领域，经验丰富者则需持续更新认知。这与 AI 产品经理的变化直接相连，文档生成可交 AI，但决定解决何问题、交付何结果仍需人承担。
判断 40：教育要从知识灌输转向兴趣和创造力
现有教育体系主要围绕知识传递建立，兴趣与潜能开发长期处次要位置。当知识获取方式改变，原培养目标受冲击。矛盾已现：年轻人感受到旧路径变化，家长却难让孩子离开熟悉评价体系。即使知教育需变，仍缺经过验证的新方法。教育被视为接下来冲突最集中的系统之一，社会需投入更多资源寻找可行方法。
判断 41：社会消化 AI 转型至少需要一代人
社会适应 AI 革命约需一代人，二十年只是起步。这描述的是代际更替尺度，非精确时间表。真正适应新世界的人，可能从小便将 AI 视为环境一部分。办公室与虚拟空间关系随之变化，人也会通过可穿戴设备与智能保持更持续协作。这些推演限定在当前可讨论的 AGI 范围内，对于超级人工智能的最终发展，访谈明确表示尚无共识。
判断 42:AI 可以扩大自由，人仍要重新安排自己的节奏
访谈对 AI 总体持乐观态度，认为技术会增加人能做的事，更多智能解决方案让人精力投入更有趣、更能带来成长的活动。但未断言新文明一定让每个人更幸福，哲学意义上的快乐难被技术进步直接证明。另一矛盾已现：AI 处理任务太快，人为跟上反而更易疲惫。速度非越快越好，人需保留适当隔离，找到生物个体可承受的节奏，再建立与 AI 的新平衡。