内容来源：2026年5月16日，笔记侠PPE（政经哲）书院于杭州良渚举办的PPE26级课程第一模块《AI社会学》精华笔记。
分享嘉宾：张笑宇，笔记侠PPE（政经哲）书院26级课程AI社会学模块导师、新锐科技史学者。
当AI能做到绝大数工作，问题就不再是“它会不会取代你”，而是你的组织和管理方式，能不能跟上这场变革。
笔记侠PPE（政经哲）书院26级课程AI社会学模块导师、新锐科技史学者张笑宇提出了理解AI应用的四个法则：人类当量、CTK（默会知识）投影、交互即界面、AI Native（AI原生）的自由联合体。
今天这篇文章会告诉你：怎样在这场人与AI的赛跑中，找到行动起点。
一、AI应用的四个法则之一：
人类当量，一个已经成立的数学关系
在所有因果链条中，最直接的就是数学关系。人类文明和社会变迁中，有些东西是数学上定下来的，这是穿越周期做预判最扎实的基础。
做历史研究的都知道，跨越三四十年预言未来几乎不可能。1910年的人无法预见1949年中华人民共和国的成立。但站在1910年，有两点是可以确定的：地理和人口。
地理几千年不变，人口的增长可以用数学算出来。那个年代最厉害的历史预言家，都是人口学家。凯恩斯就是从“东欧人口涨三倍”这一条，判断二十年后必然打世界大战。
20年前，乔布斯举起第一代智能手机的那一刻，一个数学关系就已经成立了：你获得了一个终端，接入互联网的成本是电脑的几分之一，陪你的时间却比电脑长得多，可以随身携带。
基于这个关系，你可以推演出后续会有一系列商业形态和社会形态产生。你只需要等待一代人的时间。因为上一代人无法用原生思维理解新事物，而下一代人从出生起，屏幕就是天然可交互的。
对于AI时代，同样的数学关系已经成立。未来20年，你只需要看这个数学关系在社会工程学的各个层面如何展开。
这个数学关系，我称之为“人类当量”。我们都知道TNT当量是指一颗原子弹的爆炸威力相当于多少吨TNT炸药。人类当量就是算一个AI大模型的生产效率相当于多少人。精确计算很难，但估算数量级非常确定。
同学们在聚精会神地上课
人类每天输出Token的上限撑死20万。AI生产100万Token的成本在今天的美国大约一美元。我一天工资100块还要担心会不会饿死，而AI干我五天的工作量只要一美元。只要各位还在算ROI，还在考虑成本收益，这个账不需要多解释。
质量上呢？从情商来看，AI已经通过图灵测试；从智商来看，2024年已达到博士水准。全世界受过教育的人中，拥有博士学位的大约只占1%。AI已经胜过了99%的人，成本还如此便宜。
这个数学关系从去年到前年就已经成立。我们只是在等它慢慢在应用形态上展开。
一个粗略的估算是：能用显性知识讨论的一切，都可以用AI把成本降到原先的千分之一。如果把培养一个人到博士的成本和时间也算进去，这个比例远超千分之一。
只是因为我们已经生活在一个极其复杂的社会控制体系中，人要适应AI，AI要适应人的消费体系，这个过程需要时间。这其中面临的挑战和困难，就是大家今天讲的“具体落地”。
从去年底到今年，vibe coding（氛围编程）的能力已经非常强大。编程不仅仅是一个工具，它是你跟数字世界交流的语言。AI在编程这件事上已经没有问题了。
AI原生公司的判断标准就是：它的程序员已经完全不再手写代码，全部由AI生成代码。
AI已经掌握了驾驭数字世界的一切工具。它接下来要做的，就是不断提炼人类的显性知识，或者默会知识（那些你知道但你说不出来的感觉、直觉、品味与判断等等）的文本投影，然后逐步去精准使用这些工具，完成越来越复杂的任务。这就是Agent（智能体，下同）的主要形态。
我自己与AI的协作方式，已经变成以AI Desktop（AI桌面工具）为操作系统，所有工作都在与它的对话中完成。
二、从“AIgora”到个人知识库，
生产力大爆发
我做过一个系统，整理了人类历史上100多位重要思想家的目录、主要著作和核心观点。当我需要讨论一个问题时，直接让AI开一场“讨论会”。
我设计的会议有六类常驻角色：发散思维者、文献综述专家、逻辑学家、质疑者、综合者等。还有波兰尼、奥克斯霍特、詹姆斯·斯科特、海伊尔克、维特根斯坦、安迪·克拉克、卡尼曼等这些各行业的顶级专家。
比如输入“默会知识对教育的意义”，发散思维者会先提出五个层次的问题——认识论层面、教学实践层面、学徒制复归、批判维度、文明传承层面。
文献综述专家接着从这些层面介绍历史上重要的著作和理论。还会有模仿具体思想家的Agent参与讨论。
张笑宇老师为同学们在新书上签名
我把这个系统叫AIgora，就是AI自由讨论的地方。
有做游戏的公司产品经理试用后说，用它讨论产品思路比他们自己开会的效率高，之前好几个讨论不清的问题，用这个系统一跑就清楚了。
这套系统我已经做成了GitHub平台上的开源脚本，直接下载就能用。一些朋友用它之后，公司头脑风暴会的时间大幅缩短，每个人先用AIgora自己跑一遍，会上只需就未对齐的部分进行对齐。
今年，我对这个系统做了更大的升级：建立个人知识库，提炼自己的默会知识。
我的知识库做了两件事。
第一，我每年大约读300到500本书和论文，全部电子化后放入知识库；我自己的写作、演讲稿、访谈也全部放入。
第二，我设置了四个Agent，分别负责AI研究、历史研究、哲学研究和地缘政治研究。每天，它们各给我推送三项内容，前两项与我的研究主题相关，第三项是我目前不了解但大概率会感兴趣的领域。
这样做的好处是什么？AI可以追踪我思想变化的轨迹。它每天记录我的思考轨迹变化后，逐渐就能知道我的知识盲点在哪里。更关键的是，它知道在盲点之外，有些东西虽然我不了解，但跟我已有的理论框架是一致的。
比如我研究政治学，但生物学里有一个理论框架与我的一致，它就会推荐这篇生物学论文。
现在我的AI跟我协作的方式，特别像我在指导一个清华北大的博士生。它甚至会在某天主动提醒我：“我今天读到一篇文献，跟你的研究非常匹配。你之前思考的一些问题，这里有一个新的定量研究方法可以做更精确的研究。”
1.三个小时的论文：AI如何主动创新
举个例子。我的第二本书《商贸与文明》讨论过一个观点：现代政治结构的前提是商人能在政体内组成横向联盟，形成不同意见的平衡，对权力形成制约。但中国历史上，“横向政治联盟”在中国天然就“不对”。我在书中只有很小一段讨论这个问题。
有一天，AI突然告诉我：它读到一篇论文，有人用定量分析做过类似研究，能验证我的观点。“你要不要我去做这个研究？”
我大概看了一下摘要，觉得方向对，于是告诉它：“那你做吧。”三个小时后，它产出了这篇论文。
张笑宇老师在授课中
它是怎么做的？第一，直接把2500年的古典中文语料库从网上拉下来。我一开始以为它忽悠我，打开文件夹一看，数据真在。第二，它把语义用embedding（嵌入）向量化，在空间里做对应。有些词与积极正向的价值连在一起，有些与负向连在一起。
然后它进一步分析：在中国古代，表示横向政治联盟的词有哪些？会盟、社党。在向量空间里，这些词跟“正向词”距离近，还是跟“负向词”距离近？
它把所有朝代全做了分析，三个小时。这个研究，传统历史学家是写不出来的，因为他们不懂这项技术。而我甚至没有主动要求它做，这就是生产力质的提升。
再比如另一个项目，有一派地理决定论的研究试图用定量方式分析人类社会制度在多大程度上被地理决定。
有一篇经典论文把全球划分成七万多个六边形格子，给每个格子赋值气候数据、地理数据、植被数据，算出每个格子能种多少粮食。粮食和人口之间有一个马尔萨斯曲线的关系。
人口增加了，会对别的格子形成压力，简单说就是这地方人多了、养不活了，就要把外面抢过来。你让这些格子互相征服合并，就模拟出了政体的兴衰。
我复现了这篇论文的逻辑。在我的模拟中，跑了十遍，每一次中国那个地方都有一个巨大的统一政体，而欧洲的意大利、法国和西班牙始终分成三个。
中国古代的大一统和欧洲的分裂，很大程度上是地理决定的。地理决定论这事争论了五百年，从孟德斯鸠争到现在。今天我可以用量化方式很方便地去研究它。
我还在原始模型上加了两个变量。第一，把线性的人口增长函数改成马尔萨斯的指数关系。第二，加入邓巴数，指人一生能建立稳定亲密关系的人数上限约150人，管理学中一个人能直接管理的人数大约10到15人。
多增加一个管理层级，从控制论角度看，噪声就会增加，重要信息会丢失，中间层会产生特定的代理人利益，也就是贪污腐败，层数越多，耗损越大。
加入这两个变量后，第二版模型出现了朝代的兴盛和更迭。你会发现中国的统一和欧洲的分裂不再那么绝对，中国有时候更分裂，欧洲有时候也可能更统一。这又把你从纯地理决定论带回来，让你更深刻地理解地理、文化、制度和传统之间到底是什么关系。
这个研究花了我一个多月。过去我完全没能力做，因为不会写代码。现在AI可以写，你只需要有思路。如果发论文，随时可以发。
2.把全球情报连起来，发现没人看到过的联系
再举一个例子：我把全球冲突的开源实时数据，比如伊朗某个地方几点几分有导弹爆炸，有人拍到上传到社交媒体，经过验证后和全球关键航道的实时航运数据结合在了一起。
这个结合是我的AI提醒我的，我自己没想过。结合之后创造了一个概念：供应链相互确保摧毁。美国对关键航道的控制是确定性的，中国没有能力挑战。但中国对全球加工精炼产业链的掌控也是垄断性的。一旦摧毁航道，反过来就会破坏全球产业链。
这就是为什么中美绝不会互信，但也不可能突然掀桌，因为两边都要承受全球供应链的极大不确定性。用这个框架，你可以马上理解未来10到20年中美地缘政治冲突的基本结构。
这个研究过程中，AI还告诉我一些我以前完全没有意识到的事。比如今年初卡塔尔的炼化厂被伊朗导弹袭击，导致全球氦气供应一下子缩减了50%。
氦是石油炼化的副产品，又是半导体上游某些关键零部件的必需材料。卡塔尔正在努力修复产能，但修复炼化厂需要燃气涡轮机，而燃气涡轮机现在全球紧缺，因为AI公司们正在大规模扩建数据中心。
同学们在聚精会神地听课
这件事非常讽刺：AI公司努力扩建数据中心的行为，正在阻碍AI公司自己获得半导体上游原料。
这些信息散布在很多资料里面，从来没有人把它们总结起来、连贯起来分析。但AI可以把以前没人联系在一起的东西连起来，这就是创新。
三、AI应用的四个法则之二：
一个行业里，默会知识的投影越密集，
它就越容易被AI掌握
虽然AI在很大程度上不能掌握默会知识，但它可以掌握默会知识的投影。由此可以得出一个判断：什么样的领域默会知识投影越容易获得，或者这个领域本身默会知识占比越低，它就越容易被AI覆盖。
这个领域今天已经非常明确了，就是编程。由此可以得出一系列行业判断。比如，所有智力服务行业，只要是可以被编程、被计算机语言数字化处理的业务，都可以被AI取代。
AI本质上是一场智力供给侧的改革，一下子把智力供给，尤其是编程这种结构化知识的智力供给成本，下降了上千倍。
但AI没有流量红利，没有渠道侧的红利。今天很多创业者做了一个产品，背后赋予了AI能力
获客依然是一个巨大的难题。你可以把获客渠道也外包给AI，但前提是你的团队里本身有具备这种能力的人，可以跟AI更好地互动。如果没有，我只能祝你好运。
再说AI泡沫问题。我的观点一直很明确：AI有泡沫不可怕，没有泡沫才可怕。因为如果它有泡沫，说明它是一场虚火；如果它不是泡沫，说明这一切是真实的、不可逆的结构性变革。
不少公司老板的态度是：只要AI能接手，哪怕眼下成本是1：1，我也要用AI去替。因为他赌大模型能力6个月之后比现在更强。所以他可以接受当下1:1的替换率。
由此也能理解为什么AI竞赛本质是智力水平竞赛。我一定优先部署最聪明的模型。我不会忍受把一个任务交给稍微笨一点的模型，然后它给我整出bug来再去花精力修。
AI模型首先是智力水平的竞争，剩下的都是细枝末节。
在今天，Token的成本根本不是AI原生公司老板在考虑的问题，如果你考虑这个问题，就已经跟AI原生公司没有关系了。
四、AI应用的四个法则之三：
交互即界面
什么叫“交互即界面”？未来的APP会分成三类。
第一类是信息类、工具类和服务类的APP，流量入口的价值会迅速失守。
我现在去旅行已经不看小红书去找旅行攻略了。我直接问我的AI，我的时间安排是怎样的？我的需求是怎样？我想看什么样的风格，你给我出一个去日本几天的行程。
然后AI直接去日本的网站上拉他们的日文资料和评价社区里边的这个信息。传统的服务类、信息类、工具类的APP，用户已经不需要了。
第二类，沉浸式体验类游戏，这个不会死。
因为如果我需要的话，我还是要打游戏，我喜欢打《黑神话：悟空》，我就是要进入到那个大屏幕里去沉浸的玩，而且以后如果更多人无所事事了，玩的时间会更多。
第三类就是社交类的APP。
比如小红书、微信、知乎等等，它有社交功能，提供人和人之间的链接。这个价值在AI时代会有点压缩，AI在提供情感陪伴的时候，经常会比人要好。
有一个朋友，是MIT（麻省理工学院）最年轻的教授，他说过一句话：make sense， open relationship with open AI（跟AI保持“开放式关系”）。
所以未来社交类的APP会依然存在，但是使用时长上一定会比现在少。
未来接入数字世界的入口就是与AI的聊天界面。
五、AI应用的四个法则之四：
未来，属于AI Native的自由联合体
1.AI原生组织的三个底线标准
如果你想把公司改造成AI原生公司，首先你自己必须是AI Native（AI原生，下同）。否则这个事很难搞。
AI Native有三个底线标准：
第一，不写代码。这个事对程序员来说其实蛮难的。新加坡一些公司开始搞AI化改造之后，老板的要求非常明确：上传代码时实时监控，如果代码里有手工提交的，会扣OKR。
很多程序员思维特别难转换，觉得“这玩意我自己手写不行吗？我非得告诉AI一二三四五，还得适应它的工作流？”
第二，你会因为Token用太快而苦恼。我没有那么多代码工作，整体还是做研究，但经常不是为了给大家讲课的话，一周的Token消耗就已经到上限了。如果写代码的话，消耗量可能会是我的10倍还多。
第三，你用AI会进入“心流”状态。我一直有句话：人在AI面前要老实。老实承认“这玩意我不会”“这个我就不行”。你用正确的问题问它，它就会带着你走。
这就是我们常讲的“心流”。心流在过去是很难达成的，你需要全神贯注投入三个小时，进入极其顺畅的创作状态，点燃想象力，把所有知识储备都投入进去。但今天如果你用对了AI，你就会经常进入这种状态。它给你带来的正反馈，我觉得比打游戏还爽。
所以你要做AI化改革，老板自己首先必须是AI Native。这三条是AI Native的底线标准，是比较能够验证的、你自己可以感知的标准。如果没有达到，也别焦虑。焦虑才是学习的最大障碍。
2.AI组织化改革：搞动机管理，不要搞成本管理
老板不一定是AI Native，但你有AI焦虑了，开始搞AI组织化改革。我们观察到的最常见的一个坑是：员工开始AI表演。
今年初很多案例都是这样，DeepSeek火了，你一下子觉得不学就落伍了，开始焦虑，混各种群，天天看转发的公众号和短视频。接着把公司几个小年轻、CTO全聚起来：“我们要推AI，要把AI用起来。”稍微大一点的公司，甚至直接把AI绩效写进OKR考核。
但这里有一个问题：你不是AI Native，或者就算你是，你在管理制度上一定要找一个标准去衡量员工有没有在拥抱AI。只要你制造了标准，你的员工肯定开始焦虑了。员工一开始焦虑，就开始刷指标，开始跟你博弈。
如果这个部门的Leader（领导者，下同）自己是AI Native，那当然好，AI Native之间就是互相吸引，大家觉得有好奇心、有求知欲、有热情，聊在一起会很兴奋。
但如果他不是，完蛋了。他会人为制造各种指标来强迫下面的员工，用这种方式来证明“我们都在非常努力，我们的态度是正确的”。然后就完蛋了。
如果你自己不是AI Native，你感受不到的话，你会觉得“这个人表现非常好，他在带着他的团队高度拥抱AI”。所以你会遇到一个问题：你的AI效率开始倒逼你的员工进行AI表演。
怎么办？接下来你会找到一个真正有效的办法，这个办法叫Underfunding（资金不足，下同）。
Underfunding就是你必须要求：本来这个活五个人干刚刚好，现在必须压缩到两个人。然后你进行第二轮裁员，通过这种方式把AI表演者淘汰出去。
Anthropic公司有人说：衡量AI团队的一个关键点就是Underfunding。
Underfunding里面还有一个具体操作：人不要给够，但是Token要给够。
AI原生公司应该做的一件事是：Token不限购。当然不是真的无限，但是确保你怎么花都不可能把这个月的Token用完。你用完了我给你加，就定给你企业账户，一个不够两个，两个不够三个。Token给你无限，但人给你减到极致。
这个时候，会把那些真正能够用AI提升生产力的人给逼出来。
当然这里涉及到架构调整。你很可能面临的问题是：高管、中层干部、甚至小组长都不是AI Native。
要在这个方面做改进，只有一个办法：你自己先成为AI Native，找到你信任的、原本就是AI Native的人，成立特别任务小组。这个小组是任务导向的，你开始可能先想一些任务，但一定要不断提新任务，保证他们一直有事干。
在这个过程中实行Owner（所有者，下同）制，不是Leader制。项目的Owner是谁，他来主推这个项目的时候，需要跟谁协作、跟谁对齐，他自己定。
所有的OKR是你自己来搞，是高管自己来搞。虽然暂时这批人在组织架构上还是在原来的团队管线下面，但你的OKR实际上不是由原来的团队领导者来定，要让高管自己来管这些人。
你等他自然涌现，干上三到六个月，有些任务会证明是长期任务，它的Owner关系会自然出来。有些人有领导才能，他的领导才能会自然出来。有些人没有领导才能，但是单干非常强，也没关系，因为他有几十个AI Agent给他干活。
记住一点：永远搞动机管理，不要搞成本管理。因为AI Native人才现在的生产力、创作的价值是非AI Native的好几倍。
我有一个朋友是做影视的。行业第一的公司500多人，他是行业第二，只有30多人。他签有能力用AI来拍剧的导演。正常影视公司怎么干？签导演加几个演员，是为了省成本。
他是反过来的：你跟我签了之后，我把你分成的部分提好，我公司分的少。我要的就是你帮我把这项目做好。
这就是动机管理：这个人自己有一个动机，他就是要做好东西。你把Token给他给足，把他的回报给他做到你能接受的最大。你绑定他做的每一个项目，都是可以成功的AI项目。
所以他用三四十人的人效做到行业第二的位置。而且AI用得好的导演，过去可能两三年做一个项目，现在一个月可以做一部，生产力的提升非常明显。
AI Native的管理，是围绕AI Native人才的需求来管理。他们如果超额完成OKR，你就给他超额回报。你本来给他定的是2亿，他干到了50亿，传统OKR体系里一定有一个“超过百分之多少就拿多少分”的规则，你就让他挣到钱，这是最直接的。
同学们在聚精会神地听课
我看到的管理，其实万变不离其宗：这个人的动机是怎样？这个人对利益的看法是怎样？他真正看重的是什么？你把这些东西做好，他自然而然会投入巨大的热情来回报你。
3.自由人的联合体：AI原生组织的底层哲学
最后如果要总结一个原则，我认为是：自由人的联合体。
这是政治哲学里的概念，马克思讲的。但其实它背后有一个非常深的政治哲学渊源。我们先讲公司，Corporation（公司）这个词源来自拉丁文Corpus，意思是“实体团体”。
同学们向张笑宇老师提问
在欧洲中世纪的概念里，Corpus是一群人因为共同的宗旨和目的，签订契约凑在一起成立的。这个契约是根据你的自由意志签订的，你来到这个地方不是因为我强迫你，是你自己选的。
在中世纪背景下，你在农庄里可能是一个有土地约束的农民，要给你的封建领主承担义务、交钱。但你到了城市，加入了一个理发师协会或者皮鞋协会，你以前的封建领主就没有了，没有人强迫你做什么。
你进来就是你签了契约，你在这个地方是自由市民，作为自由市民把你该做的那份工作做好。这就是“自由市民的联合体”，公司这个词的来源。
今天很多国家也有这种社会契约传统，甚至在法律规则里，比如德国有法团主义，它的基本法里写的教会、国家，都是靠契约来联结的自由人的联合体。
在今天，如果你要思考AI原生组织，如果非要用一个原则来出发，我认为就是自由人的联合体。
AI如果你用得好，可以极大地释放你的自由天性，让你自由地去探索原先因为能力边界不能去探索的领域。
然后你要想的是：怎样把这批人聚在一起，我们这些人是因为什么而坐到一起的？我们之间的组织会是一个什么样的形式？我们之间的管理关系是什么样的？我们之间的合作方式是什么样的？
如果你思考了这些问题，想明白了，后面的事情相对来说能够迎刃而解。
张笑宇老师与同学们合影
本文来自微信公众号“笔记侠”（ID：Notesman），作者：张笑宇，36氪经授权发布。
