文 丨鮑勇劍（加拿大萊橋大學迪隆商學院終身教授，復旦大學管理學院EMBA項目特聘教授）
2025年國際數學奧林匹克競賽有兩位特別的金牌得主：谷歌 DeepMind 的 Gemini Deep Think 和 OpenAI 的實驗型大語言模型。它們用自然語言生成的解答被 IMO 官方認可并確認其“金牌級”表現。2018年，GPT-1的模型參數是1.17億；2023年，GPT-4的模型已達1.7兆億的參數。隨著資本投入增加，支持機器智能的算力、算法、算據（可以運算處理的數據）正以幾何級數上升。相比之下，人腦活動會調動860億神經元和100兆億突觸，每個突觸約等同于一個參數。一次復雜思考，人腦只要用20瓦；GPT則需要千百倍的能量處理一條問詢。人們可以從不同角度比較生物智能和機器智能（Machine Intelligence）的優劣。有人認為，超級人工智能會無限接近但永遠不會超越人類的生物智能。1903年，懷特兄弟模仿鳥的飛行原理，發明了第一架飛行器，這架飛行器有上百個部件；今天，波音747有六百萬個部件。飛機能否變得像鳥一樣？我們可以爭論這樣的問題，但是對企業而言，更有意義的問題是，飛行意味著什么？怎樣才能飛得更遠、更高？
企業對現階段機器智能發展的合理認識包括四點。第一，人工智能可以模擬人腦的所有功能活動。第二，認識論是關于知識是什么、如何獲得、怎樣確認的學說。從這個角度看，除了已知的全部知識，機器智能掌握的知識還在以幾何級數在提高。第三，機器智能已經呈現出不同于生物智能的新屬性。受生理條件限制，人類難以反向模仿機器智能的新屬性，但組織可以容納機器智能，推動人機協同。第四，人機協同要求的戰略選擇不是讓機器適應人，而是拜師機器智能，擁抱機器智能，建立智能體組織。根據上下文語境，本文會交替使用生物智能和人類思維能力、人工智能和機器智能兩組概念。
自2010年起，人類進入了以數字化和人工智能為代表的第四次工業革命。這一次自動化不僅能實現虛擬控制（cybernetic）和物理世界的融合，還能實現智能體AI與社會各個部分的聯結。這個過程中，機器智能在大力推動生產力發展的同時，也改變著社會生產關系。構建融合生物智能和非生物智能的智能體組織，正逐漸成為企業的戰略任務。
本文首先介紹機器智能在認知、感知、推理和行動等方面的新屬性，然后提出建立智能體組織的四步策略。本文并非探討人工智能發展的文獻綜述，而是從普及機器智能與管理知識的角度總結新屬性。
機器智能非常機智
機器智能從模仿人類的大腦思維活動，特別是腦神經網絡活動開始，目前已經“青出于藍而勝于藍”，并且有了許多人類無法比擬的新屬性。許多常見的格言警語都反映了人類生物智能的局限性，如“學會抓大放小，避免面面俱到”“做事自始至終”“難改既成事實”“謀定而后動”等。當前機器智能具備大模型、神經網絡學習、多模態、即時推理和行動的能力，幾乎可以突破生物智能的局限性。機器智能可以做到抓大不放小，能夠面面俱到；可以同步處理開頭結尾，并讓事實一直處于優化的過程中，邊謀劃邊行動。機器智能已經非常機智了。從組織管理角度看，機器智能表現出三種顯著的能力：理解分工、認知協同、循環（改善）行動。
首先，機器智能可以分門別類地處理圖像、文字、音頻、視頻、地理空間坐標、三維、時間順序、感應、生物遺傳基因、二進制等12種不同形式和內容的數據信息。人類也可以處理大部分類型的數據，但只能一次處理一種，并且“帶寬”有限。所以，人類認知存在許多偏見，如最近發生的事、有顯著特征的信息會更具影響力。相比之下，機器智能同步處理各類數據的“理解分工”能力非常強大，它能分辨噪聲，平衡偏見影響，綜合多種多樣的信息來源，然后根據戰略目標分配決策因素的權重。
其次，機器智能可以把分門別類處理過的數據再融會貫通起來，實現“認知協同”。按照設定目標，機器智能已經能夠做到多模態、多智能體的動態溝通和整合。人腦當然也有認知協同能力，我們的感知、意識和認知必須協同，然后才有行動，日常生活中的穿衣吃飯都涉及一系列協同行為。但是，人類的認知協同與機器智能協同有兩個重要區別。其一，個人認知協同水平有高低之分，機器智能采集了最優樣本來學習模仿且快速進化。例如，RPA（Robotic Process Automation,機器人流程自動化）融匯了行業和組織頂級專家的技能和經驗。其二，人與人之間的集體認知協同遠比個人自我認知協同復雜和困難。例如，現代組織按照工作任務復雜程度和變化程度來分配可拆解或不可拆解的、連續或并行的任務，不同任務形式都對認知協同能力有要求。除了工作任務設計以外，現代組織還需要用組織結構、組織文化、團隊正念等方法提高員工之間的認知協同水平。即便如此，人類認知協同的表現也極其不穩定，需要領導者來補差、增強，但也往往不盡如人意。機器智能能分解任務背后的信息需求和交換特征，進而通過各種工具和技術推進整合。通過混合使用各種工具和技術，機器智能可以實現組織成員之間難以達到的認知協同高度。
最后，機器智能已經發展出循環（改善）行動能力（以下簡稱“循環行動”）。人類組織一般只能想好了做，做錯了學，學會了再做。這種認知與行動的階段性特征可以縮短，但始終存在。所以人會后悔，因為既成事實和后果不能變更，只能等到下一次行動去彌補。機器智能的深度學習技術可以實現邊想邊做，邊做邊想，即時學習，同步糾錯，循環改善。例如，ReAct （Reason + Act）技術能夠讓大模型執行“思考—計劃—行動—觀察—反思”的循環改善回路。
1956年，布魯姆（Benjamin Bloom）提出認知領域分類法，將認知能力劃分為六個等級，從低到高依次為知識（記憶學習）、領會（理解學習）、應用（實踐學習）、分析（相關性學習）、綜合（創造學習）、評價（批判學習）。傳統大學教育按照這個階段順序培養學生，為人類智能搭建進步階梯。現代企業員工的認知能力也有類似的等級特征。機器智能通過理解分工、認知協同和循環行動可以同時具備高度優化的各個級別的認知能力，并且以指數級進化。這是組織需要拜師機器智能的重要原因。拜師機器智能不是為了反向學習，因為人類反向模仿機器智能的生理限制很多。拜師機器智能是為了充分理解其進化中的屬性，進而將其嫁接至組織現有體系，形成新的組織基因，最終建立有意義的智能體組織。為深度了解“理解分工、認知協同、循環（改善）行動”對組織管理的影響，下文將分析機器智能的9個技術特征。
機器智能的9R特征
機器智能從基礎模型、技術路線、解題方法和應用方案四個層次形成了動態發展的知識體系。例如，大語言模型、轉換技術、遷移學習、小數據建模即代表著一種有等級層次、依次對應、目標/情境/問題匹配的知識體系。隨著世界大模型、量子計算、神經網絡符號智能（Neurosymbolic AI）和克服災難性遺忘繼續學習技術的出現，機器智能的知識體系還會升級換代。不過，其體系特征已經比較穩定。為幫助管理者了解機器智能與管理相關的屬性，本文選擇9個技術要點串聯機器智能的知識體系。這9個技術要點的英文都以R開頭，以方便管理者記憶和傳播（見圖1）。
機器智能是指機器或計算機系統在感知、理解、推理、學習、決策以及解決問題等方面表現出的智慧和能力。在執行動態戰略目標過程中，機器智能可以與環境互動，適應環境并利用環境資源，其過程呈現出9個顯著特征。
多模識別（Recognition） 多模識別是從原始數據中識別模式、對象或信號的過程，是機器智能的感知系統（如計算機視覺、語音識別和手勢檢測）。常用技術包括卷積神經網絡（CNN）、循環神經網絡（RNN）和注意力機制，這些技術使AI能夠處理圖像、聲音或文本，正確標注或解釋它們。機器智能在識別階段就能處理既廣泛又細致的數據，其“理解分工”水平遠遠高于人類，這啟發管理者重新定義勞動分工的內容和邊界。
表征學習（Representation） 表征或表示指的是信息、知識和概念在人工智能系統內部的編碼方式，主要有符號表示（基于邏輯的結構）和分布式表示（神經網絡中的密集向量）。常用技術包括嵌入表示、知識圖譜和自動編碼器。目前，機器智能已有多種捕捉關鍵信息特征同時減少無關噪聲的方法。這些方法源于專家經驗的輸入，結合機器自主學習持續優化，在處理速度提升、參數量適配和反饋機制完善上展現出日新月異的發展態勢。表征學習與其他功能反復協同，在一些專業領域，如生物和化學，機器智能對復雜信息的洞見和呈現能力已經超過人類。
ReAct（推理 + 行動） ReAct是一種提示策略，AI模型交替執行推理（逐步思考）和行動（調用工具或API等），這使大語言模型在與外部系統交互時能夠保持邏輯連貫。常用技術包括鏈式推理、工具使用集成以及記憶模塊。機器智能在思考和行動同步協同方面的能力啟發組織重新思考戰略規劃和執行之間的循環反饋。供應鏈伙伴之間的合作形式也會因此發生改變，如希音（SHEIN）模式，合作伙伴要適應小批量、實驗營銷和快速物流之間的不斷協同。
RAG（檢索增強生成） RAG從外部知識庫中檢索相關文檔或數據來增強AI的回答，結合信息檢索技術（向量搜索、BM25）和生成模型（Transformer），提高了答案的準確性、真實性和時效性。RAG提醒管理者重新想象企業內部和外部資源之間的關系。公司邊界是新制度經濟學的核心問題，而RAG的邏輯是跨邊界調動外部資源。機器智能倒逼管理者思考利用內外資源的合約方式和治理結構。
強化學習（Reinforcement） 強化學習指的是AI通過與環境的反復試錯交互來學習，從而最大化長期回報。關鍵方法包括Q學習、策略梯度和演員-評論家算法，常用于機器人、游戲和決策系統。怎樣把強化學習嫁接到組織內部流程中，這是管理者的新課題，目前尚無成熟方案。
迭代優化/精煉（Refinement） 優化/精煉是通過迭代反饋來改進AI輸出的過程，可能包括微調模型、改進提示或進行后處理。常用技術包括基于梯度的優化、提示工程以及人類參與的審查。當前的迭代優化主要發生在技術層面。企業需要把戰略目標、企業價值觀、政策規范、風險控制和企業文化等組織軟性因素植入迭代優化過程中，這樣才能支持機器智能和生物智能之間的價值觀協同。
反思機制（Reflection） 反思是一種元認知過程，AI會評估自己的推理或輸出，以識別錯誤并改進未來的表現。常用技術包括自一致性檢查、錯誤分析和迭代推理循環。反思機制是機器智能向認識論階段發展的一個標志。機器智能已經不局限于方法論層次的優化，如數據清洗，遷移學習等，開始強調多種學習方式并舉。例如，通過概率權重方法篩選參數，是學對，要點在因果關系的大概率分布；通過主動識別錯誤方法反思基本模式的弱點，是學錯，要點在關注發生偏差的小概率事件規律。同時，反思機制還包括自主學習和自動學習，要點在總結復雜互動過程中涌現的新屬性。過去，反思能力被認為是人類認知的強項，難以替代。現在，機器智能不是替代人類反思，而是提供更強大的替補功能。
魯棒穩健（Robustness） 魯棒性是指AI系統在多種條件下（包括噪聲、對抗攻擊或數據不完整）保持可靠運行的能力。常用技術包括對抗訓練、數據增強、正則化（Regularization）和防御性蒸餾。魯棒技術既對沖人類決策的偏見，也平衡機器智能存在的缺點和風險。受制于有限理性，人類只能選擇適度滿意原則（satisfying principle），而機器智能可以通過提高系統穩健性持續優化。
反思記憶（Reflexion） （自我）反思記憶是一種特殊的人工智能技術，AI會利用之前推理步驟的反饋動態調整未來的推理策略，常用于大語言模型代理的自適應規劃中。常用技術包括強化學習、自我反思和基于記憶的自我改進的規劃。這些技術改造了記憶功能，支持不需要額外訓練的自我糾錯和自主代理活動。反思記憶被認為會向機器智能的自我意識演化。在機器能否有意識的爭論中，以辛頓（Geoffrey Hinton）為代表的科學家認為機器智能可以有涌現出的自我意識，它可能會拆毀人類思維與機器智能之間的最后一堵墻；持保守觀點的一派則認為人類思維有社會性，只有人類才能產生價值觀和社會規范。不過，現在已經有人工智能的社會模型。“智能體社會”（AgentSociety）有1萬個成員，開放智能體模擬（Oasis, Open Agent Social Interaction Simulation）有超過100萬成員，通過大量智能體之間循環往復的互動，它們已經可以生成虛擬社會的社會規范和價值觀。
機器智能9R特征不是對人工智能技術的文獻概括，而是旨在啟發管理者形成向機器智能學習的動機。機器智能已經全面掌握了人類的思維方法，它還能瞬間、即時、同步、跨界、循環反饋和反思，多模態、億萬參數、自動、自主、迭代、強化學習和持續學習。至此，企業的戰略問題不再是讓機器適應人，而是拜機器智能為師！
對于人機協同，一個較普遍的建議是，先用機器智能解決企業的痛點問題，從降本增效做起。這是被動學習的策略，其隱性后果是強化既有的以人類生物智能為中心的組織能力，延長零打碎敲式的變革。被動學習順應人性特點，容易啟動。然而，在了解機器智能可以帶來的顛覆式沖擊后，企業還要有主動學習的策略。拜師機器智能即主動學習的策略：主動順應技術和社會趨勢，暫時擱置人的優越感，重新想象一切戰略問題；主動對標建立智能體組織。
建立智能體組織的四種策略
如果一家留學中介公司遇到下面四種情境及管理挑戰，應該選擇怎樣的人工智能技術來應對？
情境1 留學申請涉及許多環節，有各種文件要求。在填寫學校申請表時，一般需要提供成績單、簡歷、自我介紹、推薦信；有些學校提供助學金，需要家庭財產證明；外國留學生一般還需要提供經濟擔保。到了申請簽證環節，不同國家還有各種文件要求。流程各個節點的任務都很重要。例如，語言考試有報名截止日期，考試成績需要及時送達申請的大學。總之，留學申請具有任務多、時間敏感度高、文件格式和標準比較復雜等特點。
情境2 留學中介公司向學生推薦學校時，可能會受多種因素影響。例如，不同國家和地區的教育環境、學校的市場定位與辦學傳統，以及學生來源背景變化、同一時期申請學生的數量與背景等，都會影響申請成功的概率，這都會成為中介推薦學校時的重要考量。個人要想掌握這些參數和變化幾乎不可能，因此申請過程具有盲目性。中介機構基于歷史數據和經驗，能夠因人而異地實現學生和學校的匹配，其服務價值正在于此。
情境3 越來越多的人把留學當作一種人生歷練，而不只是為了拿學位。學校的排名很重要，留學生活的豐富多彩程度也是申請人會考慮的因素。由于申請人的個人偏好和能力特長不同，怎樣提供內容豐富并定制化的學業安排是中介公司面臨的新挑戰，同時也為公司創造差異化價值帶來機遇。
情境4 隨著地緣政治變化，出國留學的風險也在增加。政府政策變化會帶來政策風險。例如，美國政府調整政策可能會使哈佛的外國留學生面臨簽證問題，留學生可能需要轉學到加拿大的多倫多大學等院校完成學業。地緣沖突可能帶來人身安全風險。例如，在中東地緣沖突頻繁地區求學的學生可能會面臨需要緊急撤離的情況。另外，如留學目的地暴發或蔓延流行疾病，外國學生也會面臨留守或回國的選擇困境。在部分突發場景下（如政策變動、風險預警等），家長和學生不僅需要及時的信息告知，還需要具體的行動建議，他們希望事先授權中介機構代為采取針對性行動，避免拖延和無知導致的災難性后果。
針對上述情境，人工智能都有適配的方法。情境1是典型的RPA應用場景，情境2可以使用預測性人工智能，情境3可采用生成式人工智能，情境4則用得上方興未艾的智能體AI（Agentic AI）。圖2顯示了四種策略側重的價值，下文將逐一介紹四種策略選擇的要點，并闡述企業應如何循序漸進地采納這四種策略。
機器智能在理解分工、認知協同和循環行動三個維度具有巨大優勢，當這三個維度在智能體AI階段匯合時，傳統組織要么被替代，要么選擇融合，建立智能體組織。在新組織形態下，人類員工將致力于兩種“元創”活動：一種是創造實體社會新理念的形而上學（Metaphysics）， 另一種是創造虛擬社會新理念的形而上學（Meta-matrix）。扎克伯格把“臉書”改名為“Meta”，正是出于類似考慮。
RPA是基于規則的自動化技術，用于執行重復性、結構化任務，以提升效率和流程標準化為核心，幾乎不涉及認知型工作。嚴格地說，RPA缺乏學習與推理能力，只能算人工智能的前序，但其對建立智能體組織有不可替代的作用。實施RPA的組織必須從整理數據開始，但并不是所有的數據都能成為算據，即可以計算處理的數據。例如，沒有相關性標簽、混雜計算單位、缺乏標準格式或者前后不一致的數據即無法成為算據。RPA會促使企業使用標準化數據格式，組織成員也會逐漸建立對數據價值的認識，從而夯實智能體組織的基礎。另外，組織會梳理工作流程，邀請內外部專家對業務進行流程改造，以求提高效率、降低錯誤率、減少運營成本。在前述虛構案例中，中介公司可以用RPA來解決第一種情境下的管理問題。
預測性人工智能（Predictive AI）利用統計模型與機器學習模型，基于歷史數據預測未來結果。人工智能9R屬性提到的許多技術手段都能夠輔助實現前瞻性洞察，支持決策選擇。前述虛構案例的第二種情境中，解決學校選擇問題便比較適合采用預測型人工智能。預測型人工智能已經比較成熟了，模型中的偏見現象也得到了足夠的重視。在穩定環境中，其準確率比較高，但當環境波動大、數據新奇度高時，可靠性會受到影響。同時，預測型人工智能是基于歷史數據來預測未來，因此對重復出現的現象有較高預測性，但很難提出新穎的建議。
從RPA到預測性人工智能，企業擁抱人工智能的程度上了一個新臺階。企業已經熟悉數據策略，了解多模態數據價值，并開始利用不同的基礎模型理解多維度復雜現象。過去，當組織成員遭遇多維度復雜現象時，受制于有限理性，只能用習慣的簡化規則去理解，并接受“滿意即止”的決策行動。現在，如9R特征所呈現的，人工智能可以用各種技術手段實現理解分工，繼而實現認知協同。
生成式人工智能（Generative AI）通過深度學習數據中的形態，創造出豐富的新主意、新形式和新內容。它利用大語言模型、擴散模型等技術，基于學習模式生成全新內容（文本、圖像、代碼、設計等），具有知識整合、創意生成、快速原型設計的能力。在前述虛構案例的第三個情境中，生成式人工智能可以提出新穎的、豐富的、個性化的留學選擇。目前，生成式人工智能的局限是可能出現虛構內容（hallucination），缺乏更加多元化的原創數據。這一局限可以通過9R分析及最近開發的方法突破，例如，人工合成的數據已經出現，利用人工干涉（human-in-loop）可以減少虛構問題。
怎樣利用生成式人工智能創造新客戶、新市場、新服務價值？對此，許多企業還缺乏想象力。到了這個階段，人工智能技術與組織新思維之間要相互砥礪、激蕩。如果僅僅囿于解決當下業務的痛點，生成式人工智能不會促進企業走向智能體組織。一個解放思維的方法是收集各行各業新穎的轉型案例，思考其他企業是怎樣重新想象任務流程和價值興奮點的。例如。泉州一家外貿鞋廠用AI分析歷史上曇花一現的鞋類設計，并生成最奇特的拖鞋，等賣上一波行情后就轉移。這是以事件管理思維擁抱機器智能的全新商業模式。
智能體AI能夠感知環境、制定決策并執行任務，以最小化人工干預實現目標，其過程中常結合多種工具、API及推理鏈。作為主動協作伙伴，智能體AI能夠管理工作流并自主發起行動。在端到端任務執行中，智能體AI顯示出強適應性和自我改進能力。目前，智能體AI還有較大局限性。一方面，在倫理風險管控和安全防護機制建設上，亟需建立全球共識和治理規范；另一方面，運營能耗非常高。Meta（臉書）在美國路易斯安那州建設的數據中心耗電量可達該州的15%，相當于一個小州的總耗電量。更重要的是，企業還在摸索全面融通智能體的商業模式。在上述虛構案例中，第四個情境需要應用智能體AI。這家留學中介公司需要重新想象客戶的安全需求和可能的業務。應用智能體AI，公司可以在危機萌芽狀態主動發起預警通知、防護準備、撤離行動等。
一些行業內的領先企業已經開始建設智能體組織。摩根大通銀行開始為14萬員工配備自研的智能體助手（LOXM）。全球客服軟件巨頭賽富時（Salesforce）的“智能力量”（Agentforce）能處理66%的客戶網上問詢，還能自動回復84%客戶提問；賽富時還用智能體AI改造內部2000個工作任務崗位。對這些領先企業而言，建立智能體組織是變革必選題。
上述四種策略互不矛盾。例如，企業可以從RPA開始，然后根據業務性質部署預測性和生成式人工智能，這都可以為向智能體組織轉型做好能力準備。融合四種策略，分階段執行，是向機器智能學習的較好方法。
收窄的未來：有意義的智能體組織
什么時候會出現超級智能？人類會不會被人工智能超越？完全由人工智能自動執行的生產活動會首先出現在哪些行業？每年，五家研究機構（ESPAI,FHI, CSER, Metaculus, GJP）會向千余名AI專家發放問卷，邀請他們更新對AI發展趨勢的預測。盡管各家報告的側重點不同，但被調研的專家都有一個共同特點：低估了人工智能發展的速度。人類對于幾何級數變化現象仍然存在想象力局限。未來正在收窄，趨勢越來越強烈。
雷·庫茲韋爾（Ray Kurzweil）在 2005 年出版了《奇點臨近：當人類超越生物學》（The Singularity Is Near: When Humans Transcend Biology）。他認為，人工智能正以指數級速度發展，并將到達一個關鍵點——技術奇點。那時，機器智能將超越人類智能。他將奇點視為進化的下一階段——人類突破生物極限，成為生物與非生物智能的混合體。另一位研究者尼克·波斯特羅姆（Nick Bostrom）在《超級智能》中謹慎提醒混合智能對人類的風險。他們對機器智能隱含的社會風險有不同看法，但表達了越來越強烈的共識：超級智能正逐漸出現在技術發展的地平線上。
生物與非生物智能混合的智能體組織已成為趨勢，順應這一趨勢最好的路徑，是聚焦人類更擅長且更愿意從事的創造性活動，例如創造豐富的精神世界，為智能體組織賦予無窮的意義和想象力
（文章首發于《清華管理評論》。作者授權界面新聞轉載。文章僅代表作者觀點。）