来源：市场资讯

来源：田轩的田字格

5 月 12 日晚，我与 Kimi 总裁张予彤在北京大学光华管理学院进行了一场关于 "AI 时代的边界探索与人才机遇 " 的对话。

当下，AI 技术正以不可逆转之势渗透到各行各业，从日常办公的智能辅助到产业领域的深度变革，从基础服务的效率提升到前沿创新的突破，技术迭代的速度远超预期。与此同时，AI 应用的边界模糊、伦理争议、数据安全等问题也逐渐凸显，而人才市场更是面临着 "AI 替代 " 与 " 新型人才缺口 " 并存的矛盾，这也是作为商科教育者的我们主动邀约张予彤总裁进行这场深入对话的初衷。

在对话开始之前，我与予彤总进行了小范围交流。除了简单寒暄外（很意外的是，我们同在北京长大，且各自上的中学相距直线距离只有几百米），我们更多聚焦行业内备受关注的 AI 幻觉现象，展开了讨论——从 AI 幻觉的常见表现、技术层面的产生根源，到实际应用中如何通过技术优化、数据规范来降低幻觉概率，再到企业与个人面对 AI 幻觉时应秉持的审慎态度与应对逻辑。既探讨了当前技术发展阶段难以避免的局限，也对未来 AI 幻觉的破解路径表达了共同的期待。

当然，我们也重点围绕北京大学光华管理学院与 Kimi 的合作发展事宜，进行了深入探讨，谈及双方如何依托各自优势，在 AI 人才培养、前沿技术研发、产业实践落地等方面搭建深度合作桥梁，如何通过产学研深度融合，将学术研究的严谨性与企业技术的创新性相结合，助力 AI 技术规范发展、培育适配时代需求的新型人才，交流了各自的思路与想法，也为后续这场正式对话奠定了坚实的基础。

聊完之后我自己感触很深，也梳理了不少 " 知识点 "，今天就把这些内容分享给大家。其实这段时间，后台也有很多朋友问我，AI 浪潮下该如何把握机遇、规避边界风险，这场对话恰好能回应大家的疑问，也希望能带来一些启发。

普通人如何应对 AI 职业焦虑？

问：生成式人工智能的发展被广泛认为是第四次技术革命。技术革命似乎总是这样：旧的工作被替代，新的工作不断出现。AI 已经替代了大量重复性、标准化的工作，但以我们现在的认知，其实很难想象未来它还会创造出什么全新的工种。我的第一个问题是，我的学生们该怎么准备，才能更好地拥抱这种变化？

张予彤：核心是生产力的跃迁，每次生产力大幅提升，人都会从旧工作转向新工作。农业革命时期，农民离开土地进入城市，催生了服务业等全新行业，AI 时代也是同样的规律。

从我们企业内部就能明显看到新职业诞生，现在有不少人专门负责大模型训练、打造核心高质量数据，大家戏称自己是模型的 " 爸妈 "，本质是持续 " 喂养 " 不断生长迭代的人工智能。

放眼全社会，未来会涌现大量超级个体，也就是 " 一人公司 "。如今依托 AI，一个人就能全栈式完成全链路工作，不再依赖庞大团队。这不仅是生产方式的变革，更让更多人有机会挣脱束缚，去做自己真正热爱、有价值的事。AI 不是单纯替代岗位，而是在重塑生产形态、创造全新就业机会。

如何更好满足 AI 时代

雇主的需求？

问：我一直认为学生是我们商学院出厂的 " 产品 "，企业才是我们的 " 用户 "。按照这个逻辑，我们该如何调整培养方式，让学生更好地满足 AI 时代雇主的需求？

张予彤：我觉得要成为 AI 的 " 深度用户 "（"power user"）。还要能感知每一代模型的能力边界：哪些事它还做不了，哪些已经比人做得更好，哪些需要人与模型共创。接下来会进入一个 "agent-human collaboration" 的时期，我已经无法想象工作中不用 AI 了。就像当年我们无法想象没有手机、电脑一样，这些工具本质上是在延伸人的能力，而非替代。被替代的只是工作中可替代的部分，比如重复执行、信息处理、计算编程、部分设计执行。

但现在真正的瓶颈，是评估和验证 AI 产出的质量。AI 可以轻松生成几百万行代码，但人类要消化、理解、检查逻辑关系，反而是更大的工作量。

" 用开放的心态去探索 AI"。

问：所以你的建议是，我们的课程设计要让学生学会 " 运用 " 和 " 驾驭 "AI？

张予彤：是的。我觉得 " 驾驭 " 这个词很好，因为它是一种合作关系。硅谷常说 "harness"，就是这种驾驭感。无论是工程与模型，还是人与 agent，未来都是协作关系。短期确实有安全、性能等方面的顾虑，但长期看，AI 对我们一定是有益的。关键是要开放心态，亲自上手，不要停留在观点和观察层面——很多深刻的认知，是在动手中形成的。

" 除了与人共情，还要与 agent 共情 "。

AI 时代的本科四年，

应该如何正确度过？

问：换个角度。如果我是刚入学的大一新生，我知道这个时代和我父辈完全不同。过去把题做好、GPA 刷高，毕业出国或找工作都不成问题，这一辈子就稳了。但现在 AI 带来这么多变化，过去的路径不复存在了。纳闷，本科这四年该怎么过，才能更好地面对 AI 带来的挑战和不确定性？

张予彤：第一，珍惜校园人际资源，建立人与人的深度链接。大学期间最大的收获之一，是和同学相处交流、思维碰撞沉淀的人脉与认知，人与人的共情、深度沟通是 AI 永远无法替代的，也是终身受用的财富。甚至可以从大一就争取进入 AI 企业实习，提前接轨行业。

第二，养成 AI 视角思考的习惯。做任何事都多思考：如果让 AI 来做，它会用什么逻辑、什么方式？除了人与人的共情，还要培养人与 AI 智能体的共情。

目前聊天、开会、支付、身份验证、数据授权等基础设施都是为人类设计，并未适配 AI 智能体。用模型视角重新思考人和 AI 的分工、重构做事逻辑，往往能产生意想不到的突破，提前建立人机协作的差异化优势。

AI 时代，管理者要怎么做，

才能不被替代？

问：今天台下除了本科生，还有不少 MBA、EMBA 的学生，他们本身就是企业管理者。AI 时代，管理者要怎么做，才能不被替代？

张予彤：AI 很难真正替代企业家和核心管理者。给所有管理者一个可落地的实用建议：给公司每位员工增加 token 预算，实现 token 自由，让全员可以无限制充分探索 AI 应用场景。

很多企业 AI 转型失败，根源是员工心存抵触，担心 AI 替代自身工作。而充足的 token 能让员工把 AI 当成提升产能、减少重复劳动的工具，而非竞争对手。如今 AI 已经能造就 "10 倍程序员 "，借助 AI 普通员工都能成为 "10 倍员工 "，实现产能十倍级提升。

AI 可以替代执行、计算、基础设计，但战略判断、架构思维、全局思考、逻辑纠错、组织统筹这些核心能力，仍由人类管理者掌控。全员活用 AI 后，管理者能从繁琐基础工作中脱身，聚焦核心决策，形成人机协同的良性循环。

大模型公司招人，主要看什么？

问：我提前做了一些功课，了解到你们有个 "Kimi 穿越计划 "，招人时似乎不看学历、不看专业。我的问题是：不看学历、不看专业，那你们看什么呢？

张予彤：学历、专业都只是标签，而人的特质、天赋、热情、长板是无法被标签化的。招聘不是按岗位找人补缺，而是根据人的特质匹配适合的方向，核心只看两类稀缺能力：

一是具备原创思考与创新能力，能提出真正好想法：看候选人是否关注行业前沿话题、对问题有本质深度思考、能否跳出固有认知提出颠覆性新想法。AI 只能基于现有规律输出内容，无法诞生原创性、突破性思考，这类能力极为稀缺，公司每年能诞生的优质原创想法也非常有限。

二是拥有偏执钻研的韧劲，敢于持续试错疯狂实验：AI 行业和科研充满不确定性，优质产品和技术迭代，需要漫长且大量的实验试错。很多人有好想法，但尝试十次失败就放弃；而优秀人才愿意为一个好想法坚持尝试上千次，在反复迭代中沉淀认知、摸索最优解。解决复杂问题需要极强的抗压能力和韧性，这是我们非常看重的特质。

问：怎么把这两类人识别出来呢？人确实不能 " 标签化 "，但 " 标签 " 可以帮助我们快速筛选，这在经济学里叫 " 信号理论 "。而且研究发现，很多超级创业者是偏执的，甚至孤僻冷漠的，但反过来，偏执的人不一定能成为创新者。

张予彤：更多还是靠深度交流。看他平时关注什么信息、想什么问题、关注什么 AI 产品，或者行业里哪些变化是超乎意料的。在这些回答中，你能看到一个人的注意力放在哪儿。如果他说出来的还是 "2025 年的旧认知 " ——我们有时开玩笑说 "AI 一天，人间一年 " ——那他吸收的信息量可能没那么大，兴趣也不在此。至于 " 执行 " 层面，相对更容易验证。我们会通过 AI 测试系统看候选人是怎么迭代的、有没有不同的迭代思路、能迭代多少次。

怎么才能判断是真的

"AI 原生企业 "？

问：我们很多学生本身就是企业家，或者未来会进入企业工作。现在有个概念叫 "AI 原生企业 "，比如 Kimi。这类企业的特质是什么？传统企业如果想向 "AI 原生 " 靠近或转型，最大的障碍是什么？企业家该怎么做？

张予彤：首先企业要明确自身定位，界定好做什么、不做什么。比如 Kimi 专注生产力和复杂任务赛道，不涉足生活、娱乐类产品，聚焦核心方向深耕。

中国很多企业家拥抱 AI 的意愿和行动力都很强，但传统企业转型最大的障碍不是认知，而是固化的组织架构、岗位边界、协作模式与激励机制。传统企业岗位划分死板、层级分明、流程固化，员工各司其职边界清晰，无法适配 AI 快速迭代、跨领域融合的特性。而 AI 原生企业最大优势是从零起步，按全新生产模式搭建组织，核心特质有两点：

一是极致扁平化、去职级化内部没有各类头衔，比如，我们公司内部是没有 title 的。

问：你们公司内部没有 title？你不是总裁吗？

张予彤：这只是为了对外沟通。我们内部统一的 title 就是 "staff"。整个组织层级非常扁平，公司一共 300 人左右，员工彼此之间没有很清晰的边界。

这也是我要说的第二点：岗位无严格边界、能力可跨界融通：做预训练的员工可参与后训练，算法人员可深耕数据，营销人员可转型模型评估。AI 正在赋能人的底层能力，打破传统职业壁垒，一个人可以跨领域解决多重问题。

未来编程、数据分析等曾经的小众能力，会成为所有人的通用基础能力。传统企业转型核心，就是打破固化层级与岗位边界，走向扁平灵活、无边界的组织形态，适配人机协同的全新生产模式。

现场 Q&A

Q1：学生使用 AI 易出现 AI 幻觉、数据失真，如何合规、负责任、高效使用 AI？

张予彤：AI 幻觉是大模型固有属性，无法彻底消除，只能通过方法规避优化。使用 AI 要坚守底线：人驾驭 AI，不做 AI 的附庸。AI 可用来搜集数据、整理文献、润色文案、修正语法，但核心逻辑搭建、独立思考、观点创新、深度探究必须由人类完成。

规避幻觉的核心是建立人类校验逻辑：采用多方交叉验证、依托权威信源、多轮迭代提问、落地实操校验的方式，用人类判断标准审核 AI 输出，就能大幅降低出错概率，实现合规高效使用。

我的补充：使用 AI 要坚守底线：人驾驭 AI，不做 AI 的附庸。AI 可用来搜集数据、整理文献、润色文案、修正语法，但核心逻辑搭建、独立思考、观点创新、深度探究必须由人类完成。

Q2：在校生无收入、算力 Token 有限，企业招聘更看重硬实力还是 AI 探索热情？

张予彤：我们会为学生提供免费 Token 额度，降低学习入门门槛。招聘中相比现成的硬实力，更看重 AI 原生思维和主动探索热情。比起熟练使用工具，我们更欣赏愿意思考人机协作逻辑、串联跨领域知识做创新实践的年轻人。建议在校生组建学习小组，抱团探索 AI 落地场景、完成实战项目，实践沉淀的思维和经验远胜过纸面成绩。

Q3：立足 " 十五五 " 规划，未来 3-5 年最稀缺的 AI 人才是什么？年轻人该如何深耕？

张予彤：未来最稀缺的不是纯 AI 技术人才，而是 AI+ 垂直行业的复合型融合人才。目前懂技术不懂商业、懂行业不懂 AI 逻辑的人才缺口极大，兼具 AI 底层思维与金融、管理、产业专业能力的人会供不应求。

给年轻人两个落地建议：一是跳出功利选课思维，多学习多元跨领域课程，知识跨界融合才能催生创新；二是升级管理能力，未来不仅要会团队管理，更要懂人机协同管理、AI 智能体管理。

Q4：国内大模型厂商追赶海外头部品牌，该走同质化追赶还是差异化突破路线？

张予彤：智能本身是异质化而非同质化，大模型行业没有统一标准，不同模型各有能力侧重。国内厂商无需盲目对标海外，核心出路是差异化深耕：依托本土场景优势，优化落地效率，打磨垂直领域专属能力，通过底层技术创新提升规模化应用性价比，在细分赛道做到全球领先，行业未来会走向多元差异化发展。

Q5：数字员工、企业 AI 数字化转型是热点，这个赛道未来发展趋势是什么？

张予彤：人人拥有数字伙伴、企业全员配备 AI 数字员工是必然趋势。未来团队会形成 " 人类员工 +AI 智能体 " 的组合模式，人机配比持续优化，产能不断跃升。后续行业会推出标准化、可定制化 AI 工具，个人和企业都能低成本定制适配自身场景的数字员工，全面落地智能化、数字化转型。

Q6：AI 行业机遇多、资源有限，创业公司该如何避开行业误区，做出正确决策？

张予彤：第一，拒绝盲从行业热点，主动过滤信息噪音，明确自身核心赛道，聚焦高价值、长周期的生产力场景，舍弃非核心娱乐、轻量化赛道，保持战略专注。第二，决策扎根业务一线，脱离一线的决策必然存在偏差，极致扁平化组织的价值，就是让核心团队贴近用户需求、感知技术痛点。第三，依托前沿技术视野，持续迭代决策机制，没有绝对完美的决策，但深耕主业、扎根一线、过滤跟风内卷，能大幅提升决策准确率。

结语：

AI 从来不是颠覆者，而是赋能者。它淘汰的不是固定岗位，而是固守旧思维、拒绝变革的人；带来的不是职业危机，而是个人、组织、行业全方位升级的新机遇。AI 时代的终极竞争力，从来不是比 AI 更能干，而是比别人更会用 AI、更懂创新、更敢突破。