从说到做到，到算到拿到 LLM及AIGC时代的变与不变

纷繁复杂，眼花缭乱，目不暇接，这几个词用来形容今天的AI智能的发展，实不为过。ChatGPT的横空出世，SORA的雄风再现，一众创业者、大厂、自媒体明星的争奇斗艳，让我们看到了变化，也看到了威胁。

我们的机会在哪里，我们的未来在哪里，有没有一个角度可以俯视后AI时代这个世界，找到商业世界的核心规律，看清那些变化伴随的不变，表象背后的本质，演化下面的低层逻辑,让我们可以正确地描述、解读、预测和正确的影响，这是一个很有挑战的事，但也是很有价值的一件事。适逢年初，我们斗胆尝试从服务运营的角度做一下解读。

不变之一：商业是要和给的一对游戏

存在的就是合理的，存在的也是合利的，理解这个世界，理解我们每个人每天做的事，我们从技术的合理性角度理解，更需要从商业的合利性角度理解。

在我看来，商业是人类发明的古老而长期的协作方式，合理性和合利性一起驱动了商业的发展，商业本质是要和给的两个游戏：第一个游戏是客户要商家给；第二个游戏是老板要员工给，这是恒古不变的。

无论是企业的一员，还是大小的老板，我们每天都在从事要和给的这两个游戏，形式工具有所不同，本质是相通的，相信未来依然是在这个游戏中，这是不变的。

要么我们在尝试理解客户要什么，决定企业或组织应该给什么，要么就是接受一个已经理解客户要什么的老板的指令，根据他的要，来交付自己的结果，这都是为商业组织创造价值的方式。

两个游戏都玩好了，生意就好了，需求满足了，交易达成了，协同实现了，1+1>4了，交易双方得利，多出来的相互认知实现了，也就是正和的游戏实现了。在这里，要其实就是需求，给其实就是供给。

老板不易，是因为要投入资源和机会成本，承担失败的风险，对客户要什么理解错了，或者向员工要错了，后果就是赔钱甚至破产，当然也承担了成功的荣光，如果理解对了，要对了，特别是持续地要对了，老板就赚钱，就是企业家，都是成功商业人士，甚至是企业家。

不难理解，两个游戏中的第一个游戏，更为关键和具有挑战，是两个游戏长期成功的前提，第一个要的存在并理解准确，才有第二个游戏腾挪和优化的机会。

第一个游戏挑战非常大，因为客户的需求是模糊的、变化的、分散的、隐藏的甚至是情绪化的，微观上，你不知道客户到底要电钻还是要窟窿，要奶粉还是牛奶，乔布斯说的，在没有汽车之前，你问客户的需求，他们需要一匹更快的马。宏观上，你也不知道一个小区的孩子们的需求，是不是值得建一个小的奶站。

第二个游戏，虽是商家内部的逻辑，也是非常具有挑战的，其挑战在于动态地持续地满足不同客户的需求本来就是一件不容易的事，何况还需要在竞争的状态下给出更让客户满意的结果。客户喜好分萝卜白菜，客户能力有青铜王者，这将是个多项全能的比拼，规模、品质、服务、成本等都可能成为比拼的领域。因为客户的永远是既要又要还要的典型代表，但是商家的资源、优势、经验都永远是有限的。

有人说两个游戏都是无限的游戏，这是因为商业要存续要发展，从事商业的人要依赖商业来生活发展，这让两场游戏增加了时间上的延续性，当下和未来，短期和长期，战略和战术，在长期游戏中都有了新的变化和新的挑战，没有什么会一成不变，着眼长期的玩家或许会有更大的机会，从业者乐在其中，商家建功立业，找到自己的位置和社会价值，找到自己的方法，找到了自己节奏，商业变得虽变幻莫测但又精彩纷呈。

不变之二：要和给的运营角度体现为两最模型

有人说，优质思考的终点是模型，优质模型的终点是一个公式，深以为然，如果从运营的角度，用一个模型来描述要和给的两个游戏，那这个模型会是什么？

如果把商业是要和给两个游戏做进一步的思考，抽象出最关键的因素，表达出其影响的逻辑，再翻译一下，两场游戏的难点和课题，是不是也能抽象为一个模型，从而指导具体操作层面，我们来尝试一下，这个模型就是两最模型。既商业就是在争取两个命题的最优解，一个是供需错配的最小化，一个是四格面积最大化。

供需错配的最小化，除了正确解认知需求，还包括了主动的调整供给，从而符合经济性，让商业上有理论上成功的可能。这是在一些组织已经明确了要进入的市场和较为清晰商业模式下，要做的工作。我们的市场调研分析，竞争的分析，客户的洞察、客户画像都在做这些事。

让供给在时间、空间、信息、能力、信任、情绪、人格方面这么多可能GAP的现状下都跟需求对接起来，实现交易，这是一件不容易的事情，我们商业中做的选址、选品，产品设计，市场推广都是在做这件事，除了我们供需两侧，我们发现供需间也十分的关键和重要。

四格面积最大化，其实是要求我们兼顾围观的客户需求已经宏观的业务运营，在多快好省的四个维度中中寻找定位，进而寻找自己的最大的面积，获得最大的市场优势。

客户需要的是窟窿，不是电钻，既客户最终需要的是服务，不是产品，所以约定制个性化，客户越满意，但是生意需要规模化经营，规模越大，越有盈利的机会，基本会追逐规模化。这是一对矛盾，在追求这两个方向的时候，运营的层面的矛盾会在品质和成本上体现，要么成本失守，要么品质失守。任何一个要素的失守，终将累计其他要素，都是一场失败。这样的案例屡见不鲜。

深究一步，之所以失败率很高，其实是所有的协同和定制化，都在依赖人，人是最宝贵的资源，但有时候又是最难管理和依赖的资源。我们经常会陷入顾此失彼的无奈中：减少定制，品质就好保证，这就像标准化的快餐，一旦我们的火锅的方式提供服务，不依赖厨师，连锁的成功率就大幅度提升，但是我们只要选择了传统的中餐，厨师的管理和复制这件事就变得十分的困难，如果我们不得不选择类似预制菜的方式，服务化个性化就完全谈不上了。

在两最模型中，人最早是问题的解决者，随着商业的发展和进一步达成客户满意的努力中，我们发现人往往又成为问题的本身。

什么变了1：这一次，机器可以给了

有不变就有变化，要和给的工作，之前都是人在要，人在给；但是人工智能的时代，特别是LLM时代，AI可以给了，这是最大的变化，越老越多的任务可以交给机器做了。

比如，以前我们需要保安坐在监控室内，看着各个摄像头传来的视频，判断视频内是否有人有危险的举止，时是否有人没有戴安全帽，是否有易燃易爆的产品在走廊，是否有人非法穿越等，现在摄像头还是那些摄像头，但是我们不需要保安了，人工智能可以帮助我们判断出来以上异常的情况是否出现。

这些都是辨别式AI的发展的结果。生成式AI的出现，让机器给的能力又大幅度地提升了。

我们可以让机器帮助我们写诗，作画，生成我们希望的视频，机器帮助我们做总结归纳做客服，帮我做质量检测，还有了我们的不曾想过的逻辑判断推理归纳的能力，各种考试、证书，都能高分通过。生成式AI时代，机器给的能力大幅度提升，很多人惊呼，白领的工作正在被替代。

不过纵观人类发展的的历史，都是人的能力逐渐被解放替代的过程，是对人体力的解决和时间释放的过程。

人工智能时代之前，工业革命对人的替代，只是在局部给的能力上的提升，更多是对人作为体的层次的能力的替代，脑的能力，还是需要人来操作。

人工智能大模型的时代，脑层次人的能力逐渐有机会被替代，大模型利用人力历史上所有的公开的知识进行训练，机器掌握了所有的公共知识掌握，甚至出现了涌现，这时候就有了更好的智力上“给”的能力，这一能力以ChatGPT出现为标志，到现在Sora的出现得到验证。

这时候，我们说而最模型中，供需错配最小化和四格面积最大化的问题，有了新的解决方式，忠实、客观、不带情绪、不会懈怠，现在又聪明无两的机器，借助越来越多的数据，帮我们实现既要又要还要还要的问题，在一大堆约束条件下，还能实时、准确、规模化地找到短期和长期最优解，而这种能力，不仅可复制，还能迭代成长，确保了服务的定制化和规模化。

我们互联网的搜索、推荐系统，就是这样的千人千面的个性化服务规模化解决方案的案例，而这也只是开始。

长此以往，人就会被替代了吗？我们的答案是不会，因为商业是要和给的游戏，即使给的能力被机器替代，但是要的能力是人最关键的能力，要的能力，不是机器所具备的，这就像大模型只有在恰当的提示词调用下才能发挥出应有的潜力，而提示词，正是一种要的能力。

其实大模型的使用的好坏，一直跟要的能力相关，写Prompt提示词是要，RAG的技术还是要，各种finetuning的技术，也都是要的技术，基础模型得好，但是要得好，机器才能给的好。

这跟人类一贯在商业活动中的一样，老板调用一个律师、财务、市场人员能力的过程，就是不断使用提示词的过程，这些专业人才是个小的领域模型，有给的潜力，但取决于老板要水平，给不出结果，往往不是交付者的问题，而是目标设定者和分解的问题，是要的问题，要多了要少了要早了要完了，要偏了要窄了都是常见的问题。

可以看出，我们把人的能力分为体、脑、心、灵四个层次，我们正处在体和脑能力被机器替代的过程中，AGI的完成，标志者人的脑的能力完全可以被机器替代，我们的技术已经学会了让机器能够学会历史上所有公开的知识和经验，给的能力，被极度放大和泛华。

但是要的能力还没有，要的能力来自于心和灵，心是情绪、能力的来源，灵是愿景和价值观的来源。

唐僧对于西天取经的关键，其实是心和灵层次的能力，是要的能力，悟空、八戒、沙僧的能力，是脑和体层次的能力，去哪里、做什么、为什么要做的价值，大于怎么做的价值。

未来的人，要的能力会更为重要，因为给的能力的机器化，已经或即将成为现实，与要的能力相关的是我们的心和灵层次的能力，这四个层次分别对应了体力、脑力、心力和愿力，心力和愿力将更为重要，体力和脑力，将被LLM的能力所替代。

马斯克之所以被人仰慕，其实就是其愿力和心力的结果，是要的能力的结果，甚至到了有现实扭曲立场的程度，更多的人、资本会因为相信而因此产生自愿的协同，而这种协同又用令人惊叹的成功实现了未来更大协同的可能。

这个跟我们商业环境中的逻辑一致，人是最重要的因素，客户至上，能体会到客户潜在的需求变得十分关键，把体会到的客户新需求变为内部的目标和分解的子目标非常的重要，而背后的发心和发愿更为重要。

人不会被替代，人只会被技术解放，我们需要有更高层次能力的人，需要在心和灵层次的人来推动这个世界的进步和发展，发现并满足人们更多的未被满足的需求，实现更高层次更有价值的要。

什么变了2：智能化让数字化有了范式转移的可能性

进一步追溯原点，就回到一个老命题，那就是数字化，在这个框架中，如何理解我们已经做了多年的数字化的工作？人工智能把数字化又推向到怎样的了一个新的高度。

答案很简单，我们电脑化，信息化，到今天的人工智能，大模型时代，非常清晰地一个方向是机器可以给了，而这种模式的结果，其实是给商业运营带来的系统的变化。

用机器进行交付可能性大大提升后，一个新的范式机会就出现了。商业其实是一种协作模式，以人为媒介是一种协作，以数据计算为媒介是另外一种范式的协作。

这种范式的差异不仅体现在成本、规模、质量、服务的逻辑的彻底不同，更体现在取信机制、协同机制以及迭代机制上，以人为媒介的机制，主要信任机制建立在人上面，说到做到就是最关键的，而协同，也是以人为媒介的协同，时空、语言，文化、专业都会成为协同的障碍，迭代也是以人为媒介的迭代，最多我们以人的记录为媒介，做持续改进，这也是ISO等管理认证的做法。

人工智能高度发展后，我们取信的机制成为数据，IOT和各类的辨别式AI设备，让物流世界的发生的一切实时、全量、准确、低成本的数字化，数据不会作假，没有情绪，不会疲劳，不会携带，一直保持客观，就数字论数字，这种信任的机制是坚实相互印证而无可质疑的。

协同的机制也在发生变化，我们以互联网为媒介进行，我们可以借助人工智能以及各种软件，跨越时空、语言、文化、专业进行协同，大语言模型将这种协同大幅度提升了一步伐。

迭代的机制更是到了大模型时代数字化的优势，互联网思维上的快速迭代在这个时代被发挥到极致，数据、规则加上我们算法，正在让我们的迭代的优势发挥到极致。让我们在物理世界以会议和文字记录的方式进行迭代的模式相形见绌。

以上的三种机制变化，又来自于我们的五项能力，这些能力，就是看见的能力、被看见的呢能力、预见的能力、实时的能力和闭环的能力，这些能力来自于我们的数字化的技术。

到今天，我们可以说，数字化不仅仅是给马车装上仪表盘，而是要把马车变为汽车或飞机。不仅仅是数字世界出现后，天生带来的数字化成本结构的变化，更有有协同、取信、迭代优势的出现，这是范式转移的体现。大模型到今天的指数型发展和迭代，正在体现取信、协同和迭代的范式优势。

 

什么变了3：范式转移的背后是算到拿到

驱动这一切背后的变化因素是什么？我的回答时算到拿到的机制。

存在的就是合理的，世界是普遍联系的。存在的合理性其实是背后的规律，这个规律的被发现，其实背后一个数学的公式的表达的发现，这个规律的被应用，就是这个公式的高质量的求解。

鄂维南教授说，任何一个领域成熟的标志，就是这个领域的问题可以被一个共识表达，这个领域的问题能被解决，就是这个公式能被实时、低成本、准确地求解。因为问题复杂，出现了维数灾难，所以导致了求解的难题。深度学习正在提供了一种新的可能。

世界是普遍联系的，我们面对的任何一个具体的问题，其实就是有一个有多个变量的函数，我们寻找的解决方案，就是这个多变量函数以及解。

超市里面的灯光可能会跟销售额有关，餐厅背景音乐也可能会影响消费者的节奏，我们看到的商业结果，往往有非常多的影响因素，这些因素如都能被找到，被优化，我们的商业结果就会有系统性地提升，只是我们之前做不到这一切。比如我们公司的如何做供应链的优化，但是不能实时准确求解，问题就难以解决。

人工智能、深度学习的时代，我们有新的求解问题的方法，那就是源自个计算方法的创新，我们通过数据、算法和算力，来近似模拟这个规律，找到目标函数，继而实现了实时、低成本、快速的对一个可能是复杂的函数的求解，甚至我们不一定需要知道这个复杂的公式究竟应该长什么样子，我们就能找到其背后的近似规律，利用好这个规律。

这个算的核心，就是算力、算法和数据，算力的代表就是并行计算的GPU，算法的代表就是transformer，数据正在规模化、丰富化，这时候算法和算力的相向而行，相互借力，相互成就，造成了今天的人工智能乃至大模型以及生成式AI的奇迹。

算到拿到，是我们可以不依赖或最低程度的对人依赖，而更加确定性的实现我们希望实现的结果，或者在一个复杂的环境局面下，找到最优解，这让我们我们到了算到拿到的时代，算的创新将永不停歇，算的创新将把我们带到更高的层次。

我们需要预测需求，我们需要做供应链管理，我们需要千人千面，算的创新，正在帮助我们解决这些问题。算到拿到和说到做到的差异，就是是否对人的因素的依赖。到今天，我们在越来越多领域和场景，可以算到拿到。

我们可以用计算的方式，寻找可能最佳的电池正负极材料，我们可能用计算的方式，寻找到最佳的靶向药的成分，我们可能用计算的方式，在及大规模和变化的供应链中，实时找到最佳的方案，依然达成对客户的承诺。

值得注意的是，算的能力是一个给的能力，给的能力将会进一步发展，而算什么，为什么而算，算出来如何应用，变的更为重要，这些是要的能力，是未来人们最关键的能力。

新年做什么：做新商业文明的见证者和创造者

技术正在推动世界有了变化的可能，存在的就是合理的，商业正在推进世界实现了真正的变化，因为存在的，就是合利的。

技术是推动商业协同的背后原因，数字化技术，尤其是人工智能的技术，是未来世界变化的巨大的合理性的存在，一个并行与物理世界和意识世界的数字世界的出现，正在带动下一次技术革命的浪潮，我们正在目睹见证这一切的发生。

商业是人类协同的实现方式，新的商业模式和商业价值，尤其是新的商业生态的行成，正在影响、改变甚至在局部瓦解旧的商业生态中的商业模式，更具效率、成本、质量、规模优势的商业，特别是根植于技术的取信、协作、迭代优势的范式转移，正在让商业生态有了新的可能。

在这个过程中，不变的是人类协同和商业规律，需求和供给的矛盾，变得是表现形式以及解决这一矛盾的方式。

回顾三年前对三个边界的一些判断，因为范式的优势，这一趋势愈发清晰：

能在数字世界做得，就尽量在数字世界完成，因为数字世界有了大模型和AIGC，有了新的给的能力；

能够服务化的方式交付的业务，就尽量多的用服务的方式来交付，原因客户需要的是服务不是产品，服务的逻辑是生态的逻辑，商家现在有机会用服务的方式解决客户的问题。

硬件讲继续平台化，软件将定义一切，因为部署、交付、迭代、运维的优势，这些年云厂商的发展，以及衍生出来的各种新的硬件服务，正在显现这一趋势。

回到企业的角度，我们要做的事情还是，

重新思考环境边界，这一次我们的环境不仅有字节、抖音拼多多，还有了OPENAI，文心、质谱、百川等新生物种；

重新思考客商边界，我们的客户可能在变化，他们出现的地方也在变化，他们不仅会在微博抱怨，小红书种草，知乎上问问题，可能还会有他们的AIagent，我们如何重新定义客商边界，需要认真思考，

我们向内看，人机界面如何重新的规划和确定，越来越多的工作，甚至是很专业的工作，可以通过提大模型来完成，那些工作，如何用大模型，用那家的基模，如何做好领域或企业的知识来要好，这是我们思考的问题。

因为有不变的部分，所以我们不用过分担心，因为有变的部分，我们应该保持谨慎、开放和学习的态度，确保在变化中依然成长并能发挥价值；而不变的部分将让我们作为人的价值有更大的提升，这应该是未来商业文明的新的机会。

 

作者任建斌,行业专家。

本文刊载于《客户世界》文集2023第四辑•数据与智能。

转载请注明来源：从说到做到，到算到拿到 LLM及AIGC时代的变与不变

本文链接地址：https://www.ccmw.net/article/189481.html