AI 透镜是腾讯研究院发起的 AI行业观察系列，用不同的透镜穿过噪声，关注技术、组织与商业现场的真实变化，也记录人和AI如何工作生活。通过邀请AI原生创业者、AI 转型负责人、AI 超级个体等一线行动者，分享他们想的问题、拆的过程、建的逻辑、交的学费，和在持续变化里守住的东西，给同样走在这条路上的人一些真实的参照。

这一期的调研嘉宾是中欧国际工商学院经济学教授、《置身事内》作者兰小欢。他长期研究发展经济学、政治经济学与公共财政，也在密集地把 AI 放进自己的阅读、研究、写作和教学现场。

本期从风险、责任、权力与可替代性出发，用经济学的眼光拆解 AI 时代的权力结构、商业模式和组织逻辑。我们聊了如何锚定AI的经济学分析框架？ AI 时代的利润到底卡在哪个位置？组织为什么因为风险而存续？超级个体是否会消灭传统公司？大模型公司的商业模式张力？Token 适不适合作为分析单元？初级岗位不断消失，新的工作机会会转向哪里？大学的价值是否会被 AI 改变？。

同时作为置身AI的实验者，兰小欢教授还在用 AI 做金融历史的社会模拟和个人知识体系的完整实验。从把AI作为研究助手来搭建个人知识库，到利用大模型做金融历史社会模拟，以及将AI融入阅读、健康、家庭的真实体验。我们还讨论了一个研究者怎样借助 AI 扩大好奇心，又怎样阻止无限信息淹没自己的判断。

完整内容，可以在小宇宙《AI透镜》和中欧国际工商学院《向上说》收听。

【金句洞察】

1. 如果只是从头到尾做完一件事，确实可能不再需要更多的人。很多组织不是为了信息和做事存在的，它们是为了兜底、扛风险而存在的。只要 AI 不能当被告，这些事就会存在。

2. 法人的一个重要作用，是隔离自然人的风险。就算一个人能够撬动 AI 的杠杆，生老病死和意外也是撬不动的。只要想往大做，就一定需要某种超越个人的东西；它是不是叫公司并不重要，但一定需要一个组织。

3. 理论能够给人逻辑上的启发，但往现实里套没有那么容易。过去的理论家没有见过今天这个时代。AI 时代很多事情拆开以后，都能和过去的案例对上一部分；问题是，很多不同的事情正在同时发生在同一个个体上。

4. Token 最大的麻烦，是你不知道什么是 Token。同样一件事，模型换一代、分词器换一次，消耗的 Token 数就可能变。模型厂商和云厂商既定义秤，也定义度量。

5. AI 会把一部分人的信息优势和权力抽走，但权力不会平均消失，它会往剩下的环节集中。信息被打平之后，权力依然在。

6. 互联网时代谁靠近用户谁挣钱。到现在呢？你离用户近的都亏钱。挣钱的都是卡位的。技术复杂不等于一定能挣钱，技术最后能不能带来利润，要看它所在的位置有没有替代品。

7. 如果 AGI 真的会来，它应该有一个特点：它会超出这些公司的控制。如果一个东西仍然可以被一家公司控制，我觉得它不能叫 AGI。真正的 AGI 更像一种全人类共享的公共品，不应该套在任何一个法人主体里面。

8. 一开始我也非常疯狂，因为过去很多不会做的事情，现在都能做。但如果把 AI 变成信息的投入品，信息就是无限的；如果 AI 最后还是给你生产信息，所有东西还得再过一遍你的脑子，那就没有什么意义。所以我后来把项目做得越来越精细，也开始不让它生产那么多信息

调研嘉宾：

兰小欢中欧国际工商学院经济学教授、百万畅销书《置身事内：中国政府与经济发展》作者、国家图书馆文津图书奖获得者

袁晓辉腾讯研究院高级顾问，新可能实验室发起人

余 一腾讯研究院高级研究员，AI 透镜系列主理人，多年风投和孵化经历

【调研速览】

当经济学家遇到一个所有旧理论都能沾边、却没有一个能完全套上的新时代，他的切入点是什么？

“在 AI 面前没权威。”

对谈临近结束时，兰小欢说，这是一个挺好的变化。过去讨论一个陌生领域，人们总想先找到专家；但在一个以小时为单位更新的技术浪潮里，谁是专家并不确定。对他而言，这意味着自己也要回到经验、问题和判断本身，一步步往前走。

可如果没有权威，靠什么理解这个时代？

兰小欢给出的不是另一套包打天下的理论。恰恰相反，他不断提醒自己不要急着把现实塞进旧概念里。讨论公司为什么存在，交易成本理论当然能提供启发；但“交易成本”可以把太多东西装进去，概念越能自洽，有时离具体世界越远。科斯没有见过今天的 AI 产业。过去的案例可以解释其中一部分，却很难自动解释股权、供应、收入分成和竞争同时叠加在一个主体上的新关系。

所以，他研究 AI 的方式和写《置身事内》时没有根本区别：先把底下的事情搞清楚。业务怎样做，合同怎样签，钱从哪里来、流到哪里，谁占据了不能替代的位置，最后一个字由谁来签，出了问题又由谁赔偿。知道的复杂性越多，结论往往越难下，因为任何一个理论旁边都可能站着一个反例。但即使最后只能解释现实的一部分，这一部分也必须和事实对得上。

这场对谈真正关心的，正是 AI 把信息和执行变得越来越便宜之后，那些仍然无法被轻易外包的东西：责任、风险、判断、验证，以及人与人之间真实发生的关系。

AI 可以完成任务

但它还不能承担后果

如果一个人带着一群 Agent，从头到尾完成一项任务，还需要公司吗？

兰小欢的回答有一个清楚的前提：只要不上规模，这种形态当然可以存在。一个人可以借助 AI 做过去许多人才能完成的事，服务也可以变得更定制、更贴近少数人的具体需求。但一旦要把事情推广出去，交给陌生客户，进入金融、法律或其他会产生真实后果的场景，问题就不再只是“能不能做完”，而变成了“出了事找谁”。

“很多组织不是为了信息跟做事存在的，它是为了兜底、扛风险而存在的。只要 AI 不能当被告，那这些事永远会存在。”

在兰小欢看来，造 Agent 的公司可以在一些场景中为产品负责。但“愿意负责”只是第一层。一个主体上了被告席之后，还必须有能力赔偿：要么现金流足够好，要么拥有足够资产，要么有人愿意为这项风险提供保险。一个人能够调用多少 Agent，与他能够承担多大损失，并不是同一件事。

这也是法人和组织没有那么容易消失的原因。法人的重要功能之一，就是把自然人的风险隔离开来。人会生病、会发生意外、会死亡；这些限制不是多调用几个 Agent 就能撬动的。只要社会还需要把大事交给一个能够超越个人意外而持续存在的主体，就会需要某种组织。它最后是否还叫“公司”，是不是有限合伙或另一种法律形式，并不是最重要的；重要的是，必须有一个超越单个自然人的责任载体。

因此，AI 时代的企业未必会沿着同一个方向变小。技术革命会引发组织变化，但变化不等于单向收缩。平台互联网曾带来一轮信息变化，最后仍然生长出大型平台企业；AI 也没有消灭规模效应，只是让规模换了一种形态。

规模不一定靠人数垒起来。大模型公司的护城河，可能来自巨额固定成本、算力中心和持续资本投入。固定成本越高，产量扩大后平均成本越低，能够烧得起这笔钱的公司就更有优势。未来的公司可能员工更少，却背着更重的系统、资本和责任。服务类业务可能继续走向定制化，一些产品和基础设施业务却仍然只有做大才能成立。

这让“一个 CEO 加一群 Agent”不再是公司消失的证明，而更像一个新的分界线：AI 显著扩大了个人能够完成的闭环，但并没有同步扩大个人承受无限风险的能力。

当信息优势消失

权力会搬到哪里

责任也是兰小欢理解“权力”的入口。

过去谈权力，人们常常把它和信息联系在一起：知道得更多的人拥有更大权力。AI 正在抽走许多人的信息优势，但兰小欢认为，信息被打平之后，权力并不会平均消失。它更像是在“搬家”，从已经被自动化的环节，集中到剩下的关键位置。

一家律所里，初级律师可能比合伙人更熟悉一宗案件的具体材料；但最后签字的是合伙人，律所出问题后需要拿资产赔偿、需要上被告席的也是合伙人。合伙人的位置并不只来自知道得更多，而来自他对结果承担责任。审计也是一样。AI 可以完成大量工作，却签不了审计师的名字。签字不能保证结果必然真实，它的社会作用是建立一条可以追索的责任路径。

从这个角度看，Token 并不是兰小欢最信任的分析尺度。

他不否认 Token 能够计费，也不否认企业可以用它管理模型成本。AI 有真实用户、真实收入，也确实在创造价值。问题在于，如果要把 Token 变成一种更稳定的经济学度量，买家首先要知道“量”究竟是什么。

因此，他更愿意从位置关系出发：谁能决定，谁要签字，谁承担失败，谁暂时无法被替代。

这一透镜也被他用来观察 AI 产业链。互联网时代，靠近用户通常意味着更强的获利能力；但AI时代的商业逻辑却被扭转了，AI 应用要向模型付费，模型要向云和算力付费，利润却更容易向英伟达、台积电、ASML 等暂时难以替代的环节集中。兰小欢把这种状态叫作“卡位”。

技术当然可以帮助一家公司卡住位置，但技术复杂不等于一定赚钱。电动车同样技术复杂，许多公司仍可能亏损；一个模型即使能力断代式领先，如果工业客户面对十倍、二十倍的成本差时仍有强烈动力转向更便宜的模型或开源方案，能力领先就未必能一比一转化为定价权。

这不是一条永久规律。兰小欢明确说，今天的卡点以后可能发生变化。真正值得保留的是分析方式：顺着付款链看利润最后流向哪里，再判断那个位置有没有替代品。利润并不天然属于技术最炫目或离用户最近的环节，而更可能属于当下最难绕开的那个位置。

旧概念都能解释一部分

但没有一个能解释全部

如果说 Token 太不稳定，交易成本又太宽泛，应该怎样理解头部公司之间正在出现的新关系？

兰小欢把注意力放到了合同上。以头部模型公司、云厂商和应用公司的合作为例，同一组主体可能同时是股东、供应商和客户：既有股权关系，也有云服务采购；既参与收入分成，又可能在产品层直接竞争。单独看，投资、长期采购、收入分成、上下游绑定都不是新鲜事。真正少见的是，它们同时叠加在同一组主体之间。

这种叠加让“投资”或“供应链”中的任何一个单一标签都显得不够。兰小欢并不急着为它发明一个新概念。他关心的是：这些公司为什么需要如此复杂地绑定？它们究竟想锁住什么？如果估值、现金流和基础设施采购互相支撑，一旦股价和资本市场掉头向下，这些安排是否还能够维持？

对谈没有为这些问题给出确定答案。兰小欢甚至反复说“我也在琢磨”，因为越深入业务，越容易看到旧理论覆盖不到的部分。理论可以带来逻辑启发，却不能替代事实。他研究中国债务和金融时，必须先弄清银行、信托、券商、保险和监管在现实中怎样运作；研究 AI 也是如此。他希望看到足够多的案例，理解主要技术与合同关系，再从中提炼判断。宏观问题如果没有微观事实承重，很容易变成“名词套名词”或“左脚踩右脚”。

AGI 也不能成为跳过现实分析的捷径。

兰小欢认为，如果真正的 AGI 到来，今天关于产业、组织和商业模式的很多讨论确实都要推倒重来。他用“鱼香肉丝”来比喻 AGI：现在很难给出一个所有人都接受的定义，但真正看到时，人们可能会知道它已经不同。

可分析现状不能把尚未到来的终点当成确定前提。通往 AGI 需要长期而巨大的资源投入，公司却必须先活过下个月，维持现金流和资本支持。资本故事一旦中断，一批参与者可能在抵达目标之前先倒下；但如果 AGI 最终真的超越任何单一公司的控制，今天的商业回报逻辑又未必还能成立。

兰小欢甚至提出了一个更强的个人判断：如果一个系统仍能被某家公司完整控制，它很难被称为 AGI；真正的 AGI 应该超越单一法人，更接近一种公共品。这不是经过验证的技术定义，而是他用来标记讨论边界的个人判断。AGI 可以作为条件，却不能代替对今天谁投资、谁提供算力、谁拥有客户、谁签字和谁担责的具体分析。

就业与教育：

入门岗位被替代，

验证岗位在扩张，大学不会消亡

当 AI 可以高速生产内容，工作并不会简单消失，它会先改变形状。

兰小欢观察到，一些初级岗位正在从“搜索和生产答案”转向“验证 AI 给出的答案”。编程受到的冲击更直接，因为代码可以通过测试自动验证；法律文书中的判例是否真实、审计材料能不能签字，则难以完全绕过人的核查。

律师使用 AI 编出不存在的案例，已经可能带来真实处罚。于是，过去主要负责搜索和查找的初级律师，开始承担更多验证工作。验证仍然是苦活，合伙人未必愿意亲自做，所以它不会完全消失；但验证一批 AI 产出需要的人，很可能少于从头生产这批内容需要的人。

科研面对的是同一种结构。

AI 让论文生产迅速变便宜。兰小欢用一个夸张的说法指出这种变化：一个下午可以生成二百篇论文，想写两千篇也可以。真正无法同步扩张的是出口——期刊编辑、同行评审和第一轮筛选。投稿量可以成倍增长，依赖专业共同体无偿劳动的审稿机制却不能同比增加。生产能力无限加码之后，publication 反而成为真正的卡点。

这也是兰小欢思考大学的方式。大学当然传授知识，但它还有一个经常被忽略的社会功能：批量验证。

画画、下棋、编程竞赛或机器人项目，可以通过现场成果迅速判断能力；医生、律师以及大量需要长时间观察的职业能力，却很难在几分钟内得到验证。雇主当然可以自己逐个判断，但面对每年数量庞大的求职者，这种成本几乎无法承受。

大学给出的不是“这个人一定优秀”的保证，而是一种“统计上好”的认证。它先把人筛进不同的池子，大幅降低雇主的验证成本。大学为文凭签字，却不为每位毕业生之后的表现承担法律责任，这又和律所、审计等需要对签字结果负责的机构不同。

AI 会迫使大学改变课程和培养方式，尤其当许多专业仍在训练即将被重构的初级岗位技能时。但如果要把旧体系整个拿掉，社会必须先回答：新的大规模验证机制是什么？如果改由某家模型公司根据一个人从小到大的数据打分，权力是否会过度集中？分数是不是真实的，又由谁制衡？

知识可以被平权，验证却不会自动消失。每当一个旧的认证体系被拆掉，新的责任、筛选与制衡机制就必须出现。

AI 为他写了很多书

但真正困难的是决定不说什么

除了产业与组织，兰小欢也把 AI 放进了自己的阅读、研究和写作现场。

他把研究分成两类。一类以发表为目标，要进入期刊、同行评审和学术共同体的生产体系；另一类只是为了满足好奇心。AI 对后一类研究的改变尤其彻底：过去不会做、也没有能力进入的领域，现在可以让 AI 带着自己进去。

以前想了解一个陌生学科，通常只能去找公认最好的书。但再好的书也不是为某一个人写的。一本书里真正对应个人知识缺口的内容，也许只有百分之十；麻烦在于，读之前并不知道是哪百分之十。

现在，兰小欢会先把自己的知识基础、兴趣和生活经验告诉 AI，再与它一起确定框架，让模型写一本只给自己看的书。他为自己生成过脑科学、生理学等主题的读物：不追求把一个学科从头讲到底，而是围绕自己的年龄、日常习惯、已有知识和真正关心的问题展开，用自己习惯的语言解释到刚好能理解的那一层。

他坚持把这种产物叫作“书”，而不只是对话记录。因为有些问题，人一开始根本不知道怎样提出。问一句、答一句，只能抵达已经知道应该问什么的地方；一本书的框架要负责打开未知部分，还要让一套想法贯穿不同层次。

轻量级学习可以保持探索性，重型研究则需要另一套标准。兰小欢为严肃项目设置了多道验证和交叉比对，其中至少有两套反驳：一套专门反驳观点，一套专门核查事实。切入点是什么、概念如何展开、每一层证据怎样组织，都需要本人深度参与。

他曾以非常严格的方式让 AI 帮自己写一部十六章的“AI 时代政治经济学”。内容从资本、电力、数据、硬件、开源与闭源一路展开到商业模式，再进入教育、劳动力市场、真假与审美、物理世界中的 AI，最后讨论监管、国家暴力、战争与中美竞争。不同模型分别承担理论切入、证据搜集、综合写作和事实审计。这个过程为他提供了高度密集的输入，但密集并不等于可以直接出版。

如果要对外表达，还要再过两道门：第一，自己是否真的有表达欲；第二，如果署上自己的名字，里面的每一句话能否经得起自己的检验。

这两道门把“给自己看的输入”和“给公众看的作品”分开了。为自己生成的书，只要读得开心、能够推动理解就有价值；转向一般读者之后，内容必须先在作者这里重新消化，还要做大量减法。

而减法恰恰是 AI 最难替代的部分。

兰小欢曾让模型把密集研究改成《置身事内》那样举重若轻的聊天体。技术上并不难，模型可以拆成对话，也可以模仿表达方式；难的是，它不知道应该舍弃哪九件事，只留下哪一件事。

“举重若轻”不是把十件事平均压缩，而是知道十件事之后，决定只讲其中一件。这个选择来自作者自己的经历，以及对整件事的理解。AI 可以把证据链铺得很完整，把方方面面想得很细，但当它自己决定删什么，留下来的味道常常不对。

因此，在兰小欢的工作流里，AI 是很好的研究助理，却还不是最后的作者。它扩大信息、补齐证据、展开反方；人要决定什么值得留下，什么可以不说，以及最终愿意把自己的名字放在哪些句子上。

AI 社会模拟：

模拟世界不能只模拟"事"

必须模拟人与人的关系

兰小欢用 AI 做过一个更激进的实验。

他把多年积累的上百万字金融材料放进一个模拟，设定一笔从 2012 年延续到 2026 年、不断在信托和基金等形态之间变化的城投债，又设置五六个处在银行、地方监管和中央监管等关键岗位的人物，希望 AI 把十余年的金融变化写成一部长篇小说。

第一版很失败。

一开始没有人物小传，五个人的言行前后混乱，像进入每个新场景都会被重新生成一次。兰小欢随后为每个人补上性格底色、成长经历和效用函数。有人因为少年经历而总想寻找制度漏洞，在不同岗位上持续进行监管套利；有人家境稳定、安全感强，长期留在相对稳健的位置。补完这些设定后，人物的行为终于能够前后一致。

但小说仍然没有真正活起来。

兰小欢后来意识到，问题不在材料不够，也不在人物没有性格，而在人物之间缺少关系。为了突出十几年间发生的金融事件，他让五个人之间只有业务互动。他们不断与债务、金钱、职位和监管发生关系，却没有真正与彼此发生关系。于是十几年过去，角色仍然只是性格稳定的纸片人。

这次失败给他的启发是：如果真想模拟一个世界，事件和效用函数都不够。一个人不会只在“人与事”的互动中变得丰富，他还要在“人与人”的关系中被改变。材料规模可以搭出背景，人物设定可以保证行为一致，却不能自动生成社会真实。

兰小欢也很清楚这项实验的边界。它不是一个经过验证的社会模型，更不是研究成果。AI 把银行、信托、券商、保险和不同层级监管的材料串成了一部现实中很少有人能够写出的金融政治剧，人物博弈的许多细节甚至只是模型编的。对他而言，这首先是一种消费，是一部只为自己生成的电影。

“满足好奇心的方式”和“生产研究成果的方式”必须分开。兰小欢把这次实验留在了满足好奇心的范围内：他从失败中理解了人物关系对模拟世界的重要性，却没有把生成结果称作研究成果。

信息可以无限生成

人必须主动决定停在哪里

兰小欢使用 AI 的另一个基础，是他过去多年留下的数据。

他没有写日记的习惯，却长期无纸化阅读，积累了大量电子书和读书笔记，也保存了运动、体检等个人数据。过去，这些材料只是零散记录；AI 到来之后，它们开始成为可以反复调用的个人上下文。

他的阅读方式也随之变化。看到一本分析类书籍，他不一定从第一页读到最后一页，而是先看目录，找到自己真正关心的点，再和 AI 讨论：作者怎样论证，主要证据是什么，有没有值得在课堂上使用的图表，哪些地方与自己过去的认识冲突。一次对话可能持续两个小时，内容的百分之九十已经超出原书，却始终围绕同一个主题。

聊完以后，他让 AI 把内容整理成 Markdown，放入按主题组织的个人 Wiki。以后设计课程、修改讲义或准备企业调研时，模型会先从过去的知识库中检索，再继续工作。过去的读书笔记不再只是存档，而变成下一次任务能够直接消费的材料。

兰小欢把这种积累类比为企业数字化：一家制造企业如果连基础业务都没有数字化，AI 很难真正进入生产；个人也一样。过去三五年的数据积累得越好，AI 到来之后越容易迅速产生复利。反过来，成百上千本没有电子化的纸书，即使单页 OCR 已经很方便，要整体纳入系统仍然是一项现实而笨重的工作。

但数据越多、模型能力越强，并不意味着人应该生产无限内容。

AI 刚进入他的生活时，首先带来的不是空闲，而是更忙。过去很多不会做的事，现在突然都能做了；过去不会启动的项目，现在都可以启动。他说，最初一个月自己“非常疯狂”，连续几个月的工作时长都比过去更长。

后来他发现，如果仍然把 AI 当作信息投入品，信息就会变成无限供给。模型可以一直生产，但所有内容如果最终还要通过自己的大脑，生产得越多，认知负担越重。AI 的意义不应该只是让更多信息重新排队等待一个人处理。

于是，他开始把项目做得更细，也主动要求 AI 少生产一些东西。

这不是停止使用 AI，而是改变结果的去向。有些产出直接进入生活，例如为孩子制作与她自身经历有关的绘本；有些进入教学，帮助他在课前了解学生的行业背景，找到能够与课程内容真实互动的人；有些进入企业调研，先生成问题框架，再把获得的一手材料带回来形成案例。还有大量探索只进入个人知识库，成为未来可能被调用的积累，不再要求立刻对外输出。

AI 降低了满足好奇心的成本，却没有取消人的注意力上限。真正稀缺的东西从“能不能获得信息”转向“是否值得让它进入自己的生活，以及应该让它停在哪里”。

回到对谈最后那句话：“在 AI 面前没权威。”但没有权威，不等于没有判断。AI 可以知道更多，可以迅速生成答案，可以模拟十几年历史，也可以为一个人写完一本只属于他的书。但它还不能替人上被告席，不能自动决定哪一件事值得从十件事中留下，也不能只靠上百万字材料生成真正的人际关系。

人之所以仍要置身事内，不是因为人掌握的信息一定比 AI 更多，而是因为现实最终仍然要求有人进入具体关系，理解业务怎样发生，辨认理论解释不了的反例，决定什么不说，并为最后留下的判断承担责任。