文 | 李智勇
就在 10 月 6 日的开发者大会上，OpenAI 描绘了一个清晰的未来：
AI 将通过智能体（Agents）无处不在，而 OpenAI 的平台本身，将越来越像一个操作系统。
当他们发布全新的 Apps SDK 时，一个两年前的我的行业演进判断得到了终极印证。
早在 2023 年，我便在《AI 大模型没有商业模式？》等文章中提出，大型语言模型（LLM）的本质是 " 一种新式的云端的操作系统 "，并勾勒了其后续的产业演进脉络，参见：
当时很是被喷了一顿。
这里我想做的就是通过一次复盘，揭示一种能够提前预判走向的分析方法。这种方法的核心，就是我曾在《解玄：共相、道、基类与战略》一文中探讨的：
在 " 实 "（技术现实）与 " 名 "（抽象概念）之间穿梭，进行独立的思考与推演。
先强调下：说到底要回到自己的逻辑，回到技术现实，回到数据（虽然有时候没有），所以还不是算卦。
最新的对未来的判断在下面这本书里面：
最初的判断（2023 年）：
在《AI 大模型没有商业模式？》一文中，我明确反对将 LLM 简单类比为云服务或搜索引擎，因为这种类比 " 失之毫厘，谬以千里 "。
● 它不是云服务： 云服务是成本中心，不改变数据价值本身。而 LLM 是 " 数据价值的放大器 "，是利润中心，其放大倍数的差异 " 会导致生死的差异 "。
● 它不是搜索引擎： 搜索的核心是信息集散，而 LLM 的核心是内容生成、逻辑推理乃至决策。将它局限于搜索，是 " 买椟还珠 "。
我当时给出的核心判断是：
LLM 与 Windows 和安卓更像，它是一种新式的、云端的操作系统。
这个 "AI 操作系统 " 将颠覆过去的人机交互范式。在《AI 后续发展的七个阶段与造富机会》中我进一步解释了下：
" 低智能、低信息量的前提下，最合适的吞 - 吐信息的方式一定是分类。菜单、按钮、网页导航等全是分类。整个图形用户界面交互的基础就是分类。高智能、全范围信息量的前提下，最合适的吞吐信息的方式会变成对话。智能体负责分类并折叠了它。"
这意味着，AI 正在成为继 PC、手机之后的第三个 " 通用计算平台 "。
它将以 " 对话 " 和 " 意图 " 驱动，成为所有应用的统一入口，并最终像折叠卡片相机一样，将纯粹的数字工具归并为自身的一个功能。
两年来的事实什么样呢？
OpenAI 的发展路径，尤其是最新的开发者大会，为 " 操作系统 " 这条演进路线提供了个新证据，至少在下面几个方面上：
1. 战略官宣迈向操作系统：这次可以看成是 OpenAI 战略意图的一次彻底摊牌。他们不再满足于提供模型 API 或者做一个简单应用，而是明确将自己定位为一个承载无数 AI 智能体的 " 操作系统 "。这个新操作系统让 chatGPT 这类应用从一个被动的 " 应答者 " 变成了一个可以主动感知、规划、执行任务的 " 行动者 "。
2. 一个完整操作系统的架构浮现： 一个操作系统的生命力在于其应用生态和完整的架构。Apps SDK 后，操作系统的各个组件已经比较清楚（虽然还就像 Win32 的初级阶段）。我们可以类比下：
a. 模型 ( Model ) 如同操作系统的 内核 ( Kernel ) ，负责最底层的智能计算。
b. Apps SDK 扮演了 系统 API 的角色，为上层应用提供调用内核能力的标准接口。
c. GPTs 则像是 应用外壳 ( App Shells ) ，是用户与系统交互的语义化界面。
d. MCP ( 模型控制协议 ) 等类似于 驱动层协议，确保硬件（数据源、外部工具）能被内核识别和调用。
e. ChatGPT 本身，就是这个 AI-OS 的集成体现。这时候要记得奥特曼和苹果的前设计师不停的在勾搭，原因就很清楚了。
f. 而 用户 ( User ) 在这个系统中，则史无前例地扮演了多进程任务调度者 的角色，通过自然语言同时启动和管理多个复杂的任务流（Agents）。不是一个应用干一个事，而是一个应用干所有事。这明显是应用级别的 OS。
这个完整的架构标志着生态构建马上就进入深水区了，一个庞大的原生智能体生态呼之欲出。
最终当然不一定是 OpenAI 胜出，Google 这些玩家怎么可能开心，后面各种常见的竞争套路都会出来的。
3. 操作系统即下代通用计算平台 如果说之前的 ChatGPT 还只是一个超级 App，那么以 Apps SDK 为基础构建的未来，就是一个真正的 " 通用计算平台 "。开发者构建的 Agents 可以操作浏览器、调用其他软件 API、管理文件，真正成为所有软件的上一层——那个总调度的中枢。这正是 " 通用计算平台 " 的本质含义。
在《AI 后续发展的七个阶段与造富机会》中我曾画图对比：
● 旧模式： CPU 提供算力，程序员提供智能。
● 新模式： GPU 提供算力，大模型提供智能。
当 " 智能 " 的供给方发生根本性变化后，上层的应用形态、交互方式必然会被重塑。抓住 " 智能供给 " 这个牛鼻子，就能推导出交互方式必然从 " 分类 " 走向 " 对话 "，应用架构必然从 " 孤岛 " 走向 " 被操作系统统一调度 "。
在《AI 大模型没有商业模式？》中，我给出了一个在当时看来颇为悲观的判断：AI 行业，尤其是希望构建平台或深入行业的公司，在 3-5 年内难有商业模式，甚至会 " 加大亏损 "。
原因在于：
1. 商业要素未变： 客户议价能力、成本结构、竞争格局等核心商业要素并未因技术突破而改善。相反，算力、数据、人才成本和模型升级迭代的压力还在剧增。
2. 增长模式改变： AI 平台的构建不是互联网式的 " 大水漫灌 "，而是 " 持续打深井 "。它需要在一个领域做深做透，形成系统性产品（我称之为 " 把 IBM 未完成的沃森事业干好 "），这与追求 " 快 " 的互联网打法背道而驰。
3. 垂直生态的必然性： 我断言，市场不会只有一个通用大模型。因为 "OpenAI 的大模型再厉害也解决不了便利蜂的供货补货问题 "。因此，" 每个垂直的领域注定会有一个自己的大模型，而每一个大模型都是一套系统和生态。" 我将其比喻为一个个 " 章鱼 "，模型是头，终端和数据源是触手。
两年来的事实也是基本呼应。
1. 亏损成为常态： 现实情况比预想的更为严峻。除了少数头部玩家，全球绝大多数 AI 创业公司仍在巨额亏损中挣扎，寻找着产品市场契合点（PMF）。" 百模大战 " 的价格战，更是将成本压力推向了极致。
2. 从 " 模型 " 到 " 解决方案 "： 市场风向已然转变。单纯夸耀模型参数已无意义，投资人和客户都在问：" 你的 AI 能为我解决什么具体问题？" 行业共识正在向 " 系统性产品 " 和 " 垂直解决方案 " 聚集。
3. 垂直模型的兴起： 法律、金融、医疗、教育等领域的专业模型和应用层出不穷。企业也逐渐意识到，通用模型只能解决 70% 的问题，剩下 30% 的核心场景，必须依靠与自身数据和工作流深度结合的垂直模型来完成。这正印证了 " 章鱼生态 " 的判断。
在行业早期，信息往往是不充分的，下面就说说这时候的判断方法。但在展开之前还是想强调下，有数先要穷尽数的获取和判断，没有再用下面的方法。
那么，如何才能建立起前瞻性的判断力？
算命肯定不灵，还是需要一套思维框架，其核心在于 " 名 " 与 " 实 " 的相互观照与穿梭。
● " 实 "： 指的是事物的本来面貌，是技术最本质的现实。对应到 LLM，就是它基于 Transformer 架构、是一个 " 预测下一个词 " 的概率模型、它有统计推理能力但会产生幻觉、它极度依赖算力和数据。但它具有通用性，所以和过去模式是并行的。
● " 名 "： 指的是我们用来描述和理解现实的抽象概念、范畴或 " 基类 "。比如 " 工具 "、" 平台 "、" 搜索引擎 "、" 操作系统 "。
许多分析之所以会产生偏差，要么是沉溺于 " 实 " 的细节而缺乏洞见，要么是追逐于 " 名 " 的空谈而脱离根基。真正有效的战略思考，是一场在 " 名 " 与 " 实 " 之间的穿梭：
第一步：始于 " 实 " ——回归技术本源。 首先要做的，是剥去所有媒体和资本赋予的光环，直面 LLM 的技术内核。这里很关键，必须回到技术的根本特征，否则就全是想象和想法。AI 的根本特征是什么呢？它改变计算模式，过去靠程序员堆积 if...else，现在则是任意输入都给你输出结果any...then，并且这种改变具有通用性。（前面都写过的，感兴趣大家自己找就行）
然后就需要思考：一个超级强大的通用决策器，到底能用来做什么？
第二步：跃迁至 " 名 " ——寻找最恰当的抽象。 它最强大的能力是通用性，那它就能成为人与所有机器之间的通用接口。这时候就需要对应到一个概念，这里显然是操作系统，操作系统在过去完成通用计算的任务。它显然不是 " 工具箱里的一个工具 "，也不是简单的 " 信息检索器 " 等单一功能的产品。它通用，所以能调度万物、屏蔽底层复杂性、建立应用生态——这不就是操作系统么！
第三步：在 " 名 " 的世界里推演。 一旦确定了 " 操作系统 " 这个 " 名 "（基类），我就可以调动所有关于操作系统的历史知识和商业规律进行推演。
操作系统的竞争史告诉我们：
● 胜利者最终靠的是生态，而非单一技术领先。
● 它需要漫长的投入和开发者培育周期。
● 它会产生巨大的网络效应和锁定效应。 由此，我自然能推导出关于商业模式、竞争壁垒和产业发展阶段的判断。
现在借助 AI 可以把过去事实的部分简化很多。
第四步：以 " 名 " 驭 " 实 " ——回归现实进行验证。 最后，将这些在 " 名 " 的世界里推演出的结论，映射回 " 实 " 的世界，去观察现实世界的发展是否与之吻合。OpenAI 的每一步，尤其是 10 月 6 日开发者大会的蓝图，都在验证着 " 操作系统 " 这条路径。从这个角度看，它后面要干什么也是可推测的，和微软的关系、Google 的关系等等都是可推测的。
这个过程，正如《解玄》中所说，是 " 从特殊到一般，一般到一般，从一般再到特殊 " 的循环。
它要求思考者既要有工程师般的求实精神，又要有哲学家般的抽象能力。
这背后最原点上的支撑其实保持一份独立的判断力，要有自己的体系。自己体系不灵就看啥都有道理。
吴国盛老先生写过这样一段话：
亚里士多德在《形而上学》第一卷开篇谈到三类知识，他认为最基本的知识是经验知识，动物都有经验，但是经验不可传递，所以是知其然不知其所以然的知识。亚里士多德认为比经验更高的知识叫技艺或者技术，这一类知识就有点类似于中国人心目中的理论知识，比经验知识更加普遍化，它能够沟通、能够学习。
但是，亚里士多德说这两类知识都还不是真正的科学，他提出第三类叫科学的知识。这类知识什么意思？首先是超越功利。经验也好、技艺也好，统统都是有实际目的、有实际用途的，只有一类知识是没有功利目的、完全为着自身的目的而存在的，这就是科学。我们中国人的知识谱系里有经验知识、理论知识，在我们看来，一切知识首先来源于经验，然后对经验进行归纳、总结、提升、一般化，构造出理论，理论再反过来为实践服务，这是中国人一般的看法。
但是在我们的知识谱系里始终缺乏这第三个类别，就是科学。这是一种什么样类别的知识呢？亚里士多德说，被我们称为科学的这类知识，必须首先是为了自身的目的存在的，不是为了任何别的目的存在。所以希腊科学的第一个特点叫做 " 为自己的学术 "，是为自己而存在的。
可以简化下：
