文 | 李智勇
关于 AI 的很多理解现在基本是一团乱麻。有人说模式识别不是智能原生，就有人说模式识别是典型的 AI 算法，为什么不是智能原生。类似的还有关于无人公司，一人公司等等。
这里面比较别致的一个点则是 AI 思维，和互联网思维很不一样，现在反倒是没什么人说了。
那驾驭 AI 是不是需要一种新的思维方式，如果需要怎么去定义它？
AI 的应用层次
我们总是可以像用更高级的 Word 那样去用各种大模型，这种情形下 AI 是一种更好的工具，在这个时候真的不用什么 AI 思维，经常用就好了。
但 AI 显然不止是一种工具，多智能体系统可以把完整的业务封装到自己的体系里面来。这时候 AI 就不再是单纯的工具，而成为价值创造的主体。
当然在工具这主体这两者之间还有不同的层次，大致是：
智能优先
在《无人公司》里面排第一的、要遵循的新原则是智能优先。
注意不是老板、现状等等优先，而是智能优先。
这其实和 AI 成为价值创造主体是一个意思，也是 AI 真正能发挥效用的前提。
有的人可能会问，那如果做不到智能优先怎么办？
那就把 AI 当工具用好了，不要让它当主体。否则即使短期跑起来多智能体系统，也有一定效果，它也会逐渐死去。
因为 AI 工具的使用成本很低（应该比学 Office 还容易些），所以 AI 真正要产生效用，难点不在使用工具，而在于基于 AI 的基础特性来封装业务。
AI 思维
AI 思维，是当我们将智能优先（AI First）原则应用于生产和服务的组织过程中，所必然采用的一种全新问题解决方法论。
它不是指让个人学会写代码或使用 AI 工具，而是指在战略和执行层面，用一种内生于计算和模拟的模式来思考和行动。其核心要义可以概括为三点：虚拟先行、规模化试错、以及算力对冲。
1. 虚拟先行（Virtual-First Simulation）：在行动前预演一切
传统商业模式遵循 " 规划 - 执行 - 反馈 "（PDCA）的线性流程，每一步都发生在物理世界，试错成本极高。而 AI 思维的第一原则是 " 虚拟先行 "，即在投入真实资源之前，先在数字世界中创建一个与真实环境高度对应的 " 世界模型 "（World Model），并在其中进行大规模的模拟。
这个世界模型，正如近期学术界热议的，是真实世界环境的算法代理 。它可收窄到只和自己的业务相关，核心目标也不是为了生成逼真的视频供人娱乐，而是为了模拟真实世界中所有可行动的可能性，以支持有目的的推理和行动 " 。
这种能力，在心理学中被称为 " 假设性思维 "（Hypothetical Thinking），在实践中就是我们常说的 " 思想实验 "（thought experiments）。
AI 让这种垂直领域的思想实验成本变的极其低廉。
无论是 AlphaGo 通过自我对弈探索出人类未曾想过的棋路 ，还是自动驾驶系统预测街道上所有车辆和行人的未来轨迹 ，其本质都是在成本极低的虚拟世界中，对无数种 " 可能性 " 进行推演，从而找到最优解。
这正是 AI 思维赋予我们的第一个超能力：在行动之前，看见未来。
参见：AlphaFold 之后的新突破：OpenAI 投资、AI 药物研发从「靠运气」变成「靠算力」
2. 规模化试错（Rapid, Scalable Trial and Error）：用并行计算探索最优路径
人类的试错是串行的、昂贵的、且受限于个人精力与经验。而 AI 可以在世界模型中，以接近零的边际成本，进行百万次、千万次乃至亿万次的并行试错。
一个营销团队可能需要一周时间来设计和评估三种广告方案。而一个 AI Agent 可以在一小时内，生成一千种文案和图片的组合，在虚拟的用户群体中测试点击率和转化率，并根据反馈实时迭代，最终筛选出最优的几个方案投入真实市场。
这种规模化、自动化的试错循环，将创新的速度提升了数个量级。这相当于是改变了时间轴。
这种能力的基础，正是虚拟先行能够生成无数条 " 假设性轨迹 "（hypothetical trajectories），让智能体在其中通过强化学习或模仿学习等方式，充分利用所有 " 想象中的经验 "（imagined experience）。
特别需要一提的，如果试错成本足够低，本来就是在数字空间，那也可以越过虚拟先行。
3. 算力对冲（Computational Hedging）：用计算成本置换物理成本
" 虚拟先行 " 和 " 规模化试错 " 的经济学基础，是 " 算力对冲 "。这意味着我们可以用相对廉价的计算资源（CPU/GPU 时间、电力），去对冲和替代那些极其昂贵的物理世界资源（如时间、原材料、人力资本、市场机会成本）。
在过去，验证一款新药需要长达数年的临床试验和数十亿美元的投入。
如今，AI 可以在分子级别的世界模型中，模拟药物与蛋白质的相互作用，提前筛选掉大量无效或有毒的候选方案，将物理试验的范围缩小到几个最有可能成功的选项上。在这里，数百万美元的算力成本，对冲的是数亿美元的研发失败风险。
同理，一家公司在决定是否进入一个新市场时，不再需要花费数月进行昂贵的市场调研，而是可以在一个模拟了该市场消费者行为、竞争格局和社会文化的世界模型中，运营一个 " 虚拟分公司 "，观察其数个季度的虚拟财报，再做出最终决策。
如果上述几点一定要找个统一的例子的话，那可以回顾下移动互联网时代做 App 的故事：
你可以精打细磨，选一个方向做一个 App；
也可以像某个公司直接就是 App 阵列，那个数好留那个。
显然的后者的关键不在于思路，而在于试错成本和成功率。而 AI 思维无疑可以让后者的普适性极大提升，不再局限于做 App。
无人公司：AI 思维的终极组织载体
当上述三种 AI 思维方式被系统性地应用到一个商业组织中，其最终形态必然会演化为 " 无人公司 "。
" 无人公司 " 并非指物理空间里空无一人，而是指其核心价值创造链条由 AI 智能体（AI Agent）而非人类员工来主导。人类的角色，从亲力亲为的执行者，转变为目标的设计者、规则的制定者和价值的赋予者。
在这种组织中，AI 思维不再是 " 锦上添花 " 的工具，而是其赖以生存的 " 操作系统 "。
其技术内核，可以借用最新论文：PAN（Physical, Agentic, and Nested）的通用世界模型架构所描绘的蓝图 。
物理的（Physical）：无人公司需要模拟真实世界的物理动态 。例如，一个无人电商公司，其世界模型需要理解一个包裹从仓库到用户手中的完整物流过程。
智能体的（Agentic）：公司的核心是自主行动的智能体。无人公司必须支持多智能体行为的模拟，例如一个负责营销的 Agent 和一个负责客服的 Agent 如何协同工作 。其未来的发展方向正是从单智能体扩展到对整个商业或社会集体行为的模拟 。
嵌套的（Nested）：无人公司的世界模型是分层和嵌套的。它既能在高层次用类似 LLM 的结构进行战略规划和概念推理，也能在低层次用扩散模型等处理精细的物理或感官细节 。
当然如前所述，物理的和智能体的未必不重叠，但不管怎么样，总的来看，这注定是一套依赖倒置的系统：以虚驭实。
举个最简单的例子，一个典型的无人公司工作流如下：
人类创始人设定一个商业目标（如 " 本季度将某款产品的 ROAS 提升至 2"）。这个目标被输入到公司的 " 大脑 "。接着，多个 AI Agent（市场分析 Agent、广告创意 Agent、预算分配 Agent 等）在这个模型沙盒中，进行大量模拟投放实验。它们会 " 预计算并缓存各种可能的世界状态、在这些状态下的可行行动及其模拟结果 " 。（不一定要模拟，也可以少量真实环境操作）
最终，系统会选择一个预期回报最高的行动方案，并自动在真实世界的广告平台（如 Google Ads）上执行。
从理论到现实：AI 思维塑造的商业新浪潮
尽管普遍的、完全成熟的 " 无人公司 " 仍是未来愿景，但 AI 思维的原则已经渗透到当下的商业热点中，并展现出巨大的威力。
工业与制造业：数字孪生与虚拟工厂
英伟达的 Omniverse 平台就是一个典型的例证。汽车制造商在建立一条新的生产线之前，会先在 Omniverse 中创建一个 1:1 的数字孪生工厂。工程师们可以在这个虚拟工厂中，模拟机器臂的每一个动作、测试生产线的节拍、优化物流路径，甚至模拟工人的操作安全。这正是 " 虚拟先行 " 和 " 算力对冲 " 思想的完美体现，用虚拟的调试替代了昂贵的物理安装和返工。
内容与营销：AIGC 与自动化增长
传统的营销模式正在被颠覆。如今，一个 " 一人团队 " 可以利用 GPT 生成营销文案，用 Midjourney 和 Sora 生成广告图片和视频，再通过自动化工具进行全渠道分发和 A/B 测试。这背后就是 AI 思维在驱动：用极低的成本进行大规模的内容创意生成和效果测试，这在过去是需要一个庞大团队才能完成的工作。虽然当前专注视频生成的世界模型（如 Sora）还不支持交互式推理 ，但它们已经展现了 AI 在创意生成方面的巨大潜力。
科学与研发：AI 驱动的假设与验证
科学研究的本质就是 " 提出假设 - 进行实验 - 验证结论 " 的循环。AI 正在以前所未有的方式加速这个循环。例如，论文中提到的 AlphaGeometry2 已经能够解决奥林匹克级别的几何难题 ，这本质上是在一个纯粹的数学世界模型中进行高效的 " 思想实验 "。而像 ReasonerAgent 这样的系统，则可以在网络上自动进行文献调研和信息整合，辅助人类研究员更快地形成和验证假设 。上面提到的 Chai 2 也是其中很好的例子。
未来属于掌握 " 模拟 - 行动 " 飞轮的企业
我们正在从一个 " 经验驱动 " 的商业世界，迈向一个 " 模拟驱动 " 的商业世界。
企业的核心竞争力，不再仅仅是拥有多少资本、多少人才，或积累了多少过去的成功经验。未来的核心竞争力将取决于：你的世界模型对真实世界的模拟保真度有多高？你的 " 模拟 - 行动 " 飞轮转得有多快？
掌握了 AI 思维，就意味着掌握了用最低成本 " 预见未来 " 并 " 选择未来 " 的能力。以此为基础构建的 " 无人公司 "，将具备传统组织无法比拟的敏捷性、效率和扩展性。它们能够更灵活地适应市场的风云变幻，更精准地捕捉用户的潜在需求，最终在竞争中获得结构性的优势。
我们最终的目标是构建具备 " 人类智能所特有的适应性、韧性和自主性 " 的 AI 系统。这条道路漫长但充满机遇，而那些率先拥抱 AI 思维、并开始构建属于自己的 " 世界模型 " 和 " 无人公司 " 原型的企业与个人，无疑将成为定义下一个商业时代的先行者。
当然，真动手前，需要首先缩减业务的切口，然后再去确定究竟需要多少层级的模拟。
可以先观察学习，不要着急，比如可以先读《无人公司》...
