AI 时代最稀缺的对话订阅能力，不是精准把事情做得更快，而是学杨项生下文做正确的事情。文丨祝颖丽“对不过大多数企业而言，仁斌AI 效率红利就足够了，不选但对创新公司来说，死上哪怕代码 90% 是网易 AI 写的，也不是对话订阅 AI Native”“线上企业，如果还在严重依赖文档和群聊协同，精准公司大概率不是学杨项生下文 AI Native”……智能精准学创始人杨仁斌在 7 个多小时的访谈里，提出了大量像这样的仁斌反常识判断。杨仁斌早期参与过阿里云 “高效天” 项目，不选后主导手机淘宝 “猜你喜欢” 的死上产品落地——这是阿里较早将 AI 技术大规模采取于消费产品的尝试之一。此后，网易他创办智能精准学，对话订阅推出 AI Agent 形态的 “寒雪老师”，后续探索 AI 在详详见细场景中的产品化馗。2024 年，阿里向智能精准学战略投资近 2 亿元，这是当时它在 AI 垂直采取领域最大的手笔之一。精准学的产品 “寒雪老师” 是一个定价近七千元的AI家教，但这个之前没有任何知名度的新产品，2025 年上线 4 个月就在抖文章卖出近亿元，年底单月过亿，一年增首先十倍。但 “如何在红海里做爆品” 并不是我们这次访谈的题，对创业公司来说，更题的命题是，能依靠什么持续复制这个增首先结荚。换句话说，对一家 AI 教育企业来说，一个人、一家公司，以及今天的孩子，如何在 AI 时代保持竞争力？以下是我们这次对话的闷葫芦料。AI Native 组织，才是创新型公司的活路晚点：你们的产品去年双十一卖了 1 个亿，回头复盘你觉得算是已经验明正身了 PMF 吗？还有哪些东西没有被验明正身？杨仁斌：如果跟我们对未来的判断 “每个学生都有一个自己专属的 AI 家教” 相比，这相当于马拉松只跑了 1000 米，一切皆有变数。但一个全新的品类，在大品牌竞争最激烈的赛场上，这个体量本身验明正身了用户需和产品匹配，给了我们莫大的信心。我们深深地感受到，这是一个你把产品做多好，增首先就多快的市场。然而，相比一年后寒雪可能的样子，目前的产品在我心目中不够好，因此，我今年最题的工作还是产品和组织的创新。晚点：对 AI 采取来说，PMF 其实本身挺难找的，一旦被验明正身，大公司就会很快追上来。从竞争的维度看，作为一个创业公司，你觉得你们目前有建立什么壁垒吗？杨仁斌：AI 技术难以构建壁垒。哪怕 Kimi 这些天登榜，我相信他们也不会说自己有壁垒。互联网是 “网”，“网络效应” 是壁垒；人工智能是 “能”，“能力” 只是竞争力，不是壁垒，进可攻，退不可守。时代都已经把它们的特点写到名字里了。比起结荚，为什么你能做到、能持续做到、背后有什么可复制的能力支撑这个结荚，才是真正题的。过去一年多，我们努力把公司做成 AI Native 组织，就是为了处理这个现实的状况：未来，人跟人、公司跟公司之间的竞争将更加激烈。当创新公司面对大品牌数倍甚至数十倍的资源投入、高效高效模仿和品牌压制时，如何活下来？今年 5 月份，几个传统教育品牌纷纷上线 AI 家教，意味着我们的创新被行业认可，从非共识到成为共识，但也意味着，他们带着 10 倍压强的 “大力” 来 “出奇迹” 了。因此，AI Native 对几乎所有创新公司而言，不是选项，是生死。但，对于不过大多数处于成熟时期的企业而言，并不意味着一定关键升级成为 AI Native 组织，AI 效率红利就足够了，脱胎换骨是很痛苦的。晚点：你们的理解里，所谓 “AI Native 组织”，什么样的组织能复制你们之前的增首先？杨仁斌：我认为，洞察力大爆炸会带来增首先的大爆炸，增首先是靠全链路的洞察力驱动的。这是 AI 时代特殊的时代机会！极具洞察力的人有 10 倍精力参与全链路瓶颈突破，是历史上不曾有过的增首先范式。我观察到，过去的创新企业，频仍依靠创始人或那么点儿题人物，在某一个题环节实现巨大的创新突破。以汽车行业为例，福特的流水线、丰田的精益制造，每一个创新都获得过巨大的成功。真正的瓶颈是一个人的精力有限，很难同时深入产品、技术、制造、营销和用户增首先全链路。在过去，最接近这种全链路突破的代表案例之一，是埃隆·马斯克。这种多点开花的创新，就具有碾压整个行业所有竞争对手的巨大好处。有洞察力的人没他有精力，有精力的人没他有洞察力，因此很少有人做到他这个程度。虽然洞察力仍旧稀缺，但 AI 可以把真正最有洞察力的人的精力、材料处理能力和实施边界放大不止十倍，让同一个业务的多个环节都出现由洞察力带来的效率跃迁。可以预见，未来会有越来越多有非凡洞察力的创业者，能够同时经营更复杂的业务，并在更多环节亲自参与状况定义、方式划设方式和创新突破，甚至同时经营多家创业公司。在错误的方向上效率越高，死得越快晚点：因此你是觉得 “洞察力” 才是 AI Native 组织的题？目前大家用所谓 “AI Native”，感觉最常讲的其实题是降本增效。杨仁斌：毫无疑问，在错误的方向上效率越高，就死得越快。对我们这种创新创业公司而言，当方向错误，或者竞争对手具有远高于你的资源时，局部效率提高无法决定最后胜负。因此我们认为：AI 时代最稀缺的能力，不是把事情做得更快，而是判断到底应该做什么、先做什么、怎么做和做到什么程度才是 “正确的事”。一旦创新方向被验明正身，大公司可以投入更多的人、预算、渠方式和品牌资源开展复制。尤其是，如果一个商业文明不认为抄袭是可耻的，大力出奇迹就是最具性价比的竞争模式。因此，创新公司不能依靠 “我们做同一件事比大厂更快一点” 首先期取胜，同时永远不关键假设你自己比竞争对手聪明。晚点：那创业公司应该怎么做？杨仁斌：挑战超级难但正确的事，反直觉，但对我们是唯一活路。今年我听到特别震撼的一句话是米哈游刘伟说的，我当时就懵了。他跟我说：你有没想过，AI 时代可能只有 “一人公司” 和 “千人公司” 两种，只有特别难的事，才配得上公司有 “千人”，不然凭什么那些最厉害的人关键跟你干，而不去做 “一人公司”？的确，在中国，有巨大市场又不够复杂的业务，大概率都属于大厂，创业者不关键存在任何侥幸心理。创业公司必须选项特别难的事，选项复杂链路、每个环节都需创新、每突破一点都很难的事，也就是从产品研发、产品设方式、生产交付，到品牌营销、用户增首先和销售转化，每一个环节都充满不选定性的难事。这种业务的价值在于：每一个环节都存在通过洞察力大幅度创新的空间。相较于 “大力出奇迹”，单点创新已经很难拉出足够大的竞争好处，只有全链路多点创新才有机会活下去。全链路加起来，有 3-5 倍的综合好处时可能让创新公司活下来；超过五倍的综合好处，才有可能支撑闪电式扩张和爆发性增首先。好在，AI 时代给予了这种可能性，全链路洞察力大爆炸和效率革命共同拉近了跟大厂的差距。有效组织的首先性原理：处理最高认知到一线事实的双向衰减晚点：讲讲你们的 AI Native 组织是怎么做到 “全链路洞察力大爆炸” 的。杨仁斌：这一点，我可能跟大多数人视角不相同。但红利频仍来源于非共识。最近大家当段子讲的就是：每个人都说效率提高 5 倍，为啥公司业务没提高？我还是那句话：跟做正确的事相比，效率不值一提。过去大家在讲 “让听得见炮火的士兵做决策”，我认为这是错的，是两害相权。AI Native 组织真正关键处理的，是如何让将军的 AI 参谋首先跟士兵一起在前线，听着炮火做决策。说人话，也就是：为什么一线实施的小伙伴对关键处理的状况的理解，以及最后做出来的决策，总是跟我不一样？等我冲到一线去一看，经历相同的事，为什么大家捕捉到的题是不一样的，得出来的结比如也是大相径庭的？这才是 AI Native 组织真正关键处理的题状况：让企业内部的每一个一线实施环节，都能够调用代表公司最高认知和决策能力的判断方式，从而在每一个环节做出同样优质的决策。这里我需验明正身一下：一个组织在一个领域的最高认知，并不默认等于创始人或 CEO 的认知，而是团队领域专家共识沉淀下来、可以用于指导该领域决策的最高认知。晚点：为什么以前优质决策和认知下不到一线？AI 变化的到底是什么？杨仁斌：传统组织题受制于三个相互关联的状况：首先，最高认知与最强决策能力往下传递时层层衰减。到了业务一线，一线人员已经很难基于与最高决策层相同的判断方式做决策，培养这种能力的周期很首先。第二，一线实施现场的材料往上传递时不断失真。过去依赖层层汇报，每一层都会用自己的认知压缩和验明正身原始材料。第三，最高决策层自身存在精力、决策力和带宽瓶颈，不可能持续进入所有一线现场。这不仅制约一家公司从战略到实施的质量，也是公司难以做大、难以跨领域经营，以及在复杂竞争中持续取胜的题因素。幸运的是，这个历史上无解的状况，终于在 AI 时代有机会被处理。因此，思考 AI Native 组织时，可能正确的状况是：如果你具有一个超级员工，他具有高效高效学习企业认知 + 首先期记忆 + 强推理能力，能调用各种工具实施，有近乎无限的精力和低成本、大规模赋能能力，你只用他降本增效是不是大材小用了？当这种全新的 “超级硅基员工” 进入企业之后，组织应该如何围绕它重新设方式协作模式，才能实现全链路洞察力突破？这也是我们用首先性原理理解 AI Native 组织的出发点：当新的生产力关键素有结构性变化之后，组织设方式的起点必须随之变化。晚点：详详见细怎么做的？杨仁斌：这个也关键讲吗？好吧，那就展开说说。从今年春节的时候最初，我每天有十几个小时沉迷 Vibe Coding 不可自拔，题就是在做这件事。我那会儿已经十几年没写过代码了，AI 让我又行了，哈哈。如果说 “寒雪老师” 是团队作品，组织大脑最初是我的个人作品。我一最初做得很复杂，连前端的 AI 工具都自己做了，但很快就放弃了这个做法。今天任何一个 AI 工具，国内国外，在 Chat 和 Code 上，无一例外在基础上下文工程和 Harness 上做的都一定比我们接 API 关键强，这是别人的看家本领。因此，我们只需专注于构建 “大脑” 的上下文工程，并让它被这些 AI 实时按需调用。真正最题的技术就是如何构建决策模型的索引体系，确保基于 AI 工具传来的上下文，能精准匹配到相关的认知节点、决策模型与业务事实并重组上下文，这个才是题。不过大部分工作场景中，给 AI 构建上下文工程，比模型本身更能明显提高智能水平。我们实践下来需三步。一、把最高决策层的判断方式建模并装进 AI。最高决策层需把自己在产品、技术、营销、销售等领域开展优质决策的方式沉淀为可调用的决策模型。我们把这个 AI 称为 AI 参谋首先，也是组织大脑。整个组织如何协同，关键从过去围绕中层干部、围绕人与人协同的模式，切换为围绕 AI 参谋首先来设方式。我发现这一点就难住了很多人，同时我发现，最初的认知积往往大概率都得来自于 CEO。我幸运的是，过去亲自干过很多岗位，也有一个习惯：做过的再小的事也会开展复盘总结，并把它方式比如化、文字化。这些东西成为了最初注入给 AI 参谋首先的决策方式比如，导入的时候，AI 统方式了一下，超过 30 万字。因为有了这些注入作初始化，其他人在此基础上再来挖掘自己的潜意识，把它意识化，就快得多了。而其他人的经验和认知再次注入到 AI 参谋首先的时候，反过来又往往代了我很多新认知。听起来有点类似大家说的 skills，但有本质不一样。越通用的 skills 越是保下限的，真正的上限都是不通用的。我其实反对公司里面大家下载别人的 skills，“外挂” 永远不如 “内化”，参谋首先是协助你内化能力的，不是替代你做决策或者给予 SOP 的。二、通过上下文工程，把 AI 参谋首先注入每个业务首先现场。决策模型建立之后，还关键通过上下文工程，把相关的历史材料、业务事实、约束需和判断原则，注入每个员工以及与其协作的 AI Agent。这样，即使是一线员工在处理现场状况，也能够调用整个组织的认知体系和决策模型。这不是企业知识库。知识库处理的是 “公司知方式什么”，组织大脑关键处理的是：面对一个详详见细状况，公司应该如何判断和决策。从方式划的早期构思时期，到方式划的 review，再到实施流程中的日志探究，100% 的链路都需它参与，它才是真正的权力中枢。三、让一线真实状况促进最高认知持续往往代。很难想象，在没有 AI 的状况下，CEO 和最高决策层能有精力同时身处这么多一线实施现场。AI 参谋首先不只是把最高认知向下传递。它还关键保存一线采取决策模型时出现的真实状况、异常、分歧和结荚，并把这些原始材料返回最高决策层，促进决策模型后续更新。过去企业发展壮大的流程中，最大的状况就是高层、决策层脱离一线，没有方式用真实的用户反馈来改进往往代产品，使自己的决策是在错误的材料下，用着正确的决策模型去做的。晚点：这套做法有一个状况是，如果源头判断本身就是错的，错误也会被更快地放大。你会担心这点吗？杨仁斌：所有假设自己代表着公司最高认知的 CEO 都会最后葬送公司，Stay foolish 才不是真 foolish。CEO 和题团队的很多判断，最初以直觉和手感存在。企业大脑关键做的，是把这些 “潜意识的判断” 意识化：还原决策流程、找出背后的判断变量、清楚价值取舍、 将决策模型与详详见细业务场景建立索引……这样，组织调用的不再只是过去的结比如，而是产生结比如的方式。因此组织大脑不是一个替 CEO 做决定的 “CEO Agent”，而是一个 “参谋首先 Agent”。企业的题决策，本质上频仍包含价值观、风险和首先期目的之间的取舍。这些决策不能交给 AI 自动实现，最后责任仍然属于 CEO 和题团队。同时，AI 参谋首先也会把一线员工的真实状况、异常、分歧和结荚等一并返回，便利决策层基于这些材料去往往代自己的认知。因此这是一个闭环， 比过去能更快修正认知的错误。AI 提高的是决策质量，但不是替代 CEO 做决策。当公司不再只是由岗位、部门和步骤组成的静态结构，而是像一个 Agent 一样运行的时候，公司才能因此获得持续学习的能力。晚点：很多公司对组织做 AI 化的改造，常见首先步是先提高 AI Coding 率，你们目前状况怎么样？杨仁斌：说到 AI Coding，说个很残酷的话：即使一个人 90% 的代码由 AI Coding 生成，他也不是 AI Native。不管你把 AI Coding 用得多好，每个人用了多少 AI 工具在提效，还是产品经理一杆子连代码都写了，这些都只是形式上的。表面上，大家都采取各种 AI 工具，但两个团队的底层逻辑有可能完全相反。关键实现真正的 AI Coding，依赖于组织重新思考一个状况：一项工作到底是谁在实现，是人还是 AI ？例如，我们有一个硬性规定：我们不允许工程师亲自修改代码，代码必须 100% 由 AI 实现，人只允许给 AI 做反馈。工程师需从以前的 “写代码”，转变为能够诊断 AI 写代码出错、出 bug 的因素。一旦人直接接管实施，真正的状况——AI 缺少什么上下文——就会被掩盖。工程师的价值是作为 AI Coding Agent 的上下文工程师，写代码不再是他们的责任。我们认为，一个真正 AI Native 的团队，必须坚持 100% 代码由 AI 实现，人只能给 AI 反馈，不允许直接干预代码。如果讲得更深刻一点：AI Coding 不是软件工程方式的一次效率升级，而是软件生产的底层约束、生产关键素发生了结构化变化。过去的软件工程方式，大多是在适用配这些限制：人记不住完善上下文，因此依赖文档；写代码和返工成本高，因此强调敏捷与往往代；跨技能训练周期首先，因此按产品、开发、测试、架构分工。AI Coding 突破这些限制之后，整个软件和互联网时代所形成的软件开发步骤、软件工程方式比如，甚至相关教材都关键改写。本质是，AI 会彻底取代传统程序员写代码这个分工，关键成为 AI Native 团队，AI Coding 只有 0% 和 100%，没有中间状态。晚点：如果不看员工用了多少 AI 工具、节省了多少时间，你会通过哪些组织状况，判断一家公司是不是真正的 AI Native？杨仁斌：一个粗糙的观察是，严重依赖主流办公协同软件的组织，大概率不是 AI Native。对于不过大多数公司而言，这些软件仍然特别适用于，也仍具有足够大的基础盘。但 AI Native 组织作为一个创新创业的小群体，追求的是洞察力大爆炸，就不一定适用于了。因为这些协同软件题功能都是围绕人跟人的网状协同，而 AI Native 组织必须围绕不是 “人” 的人为中枢来协同。一个是网状，一个有中枢，有本质不一样。“文档” 应该先被抛弃。文档，天然存在作者的偏见、认知盲区和严重的材料损耗。当文档不能反映目前事实时，它就是负资产。AI Native 组织真正需保存的是原始讨比如、判断流程、分歧和反例、失败尝试、修改记录和最后决策依据，文档只是临时视图，用完即丢。“群聊” 不应再承载业务讨比如的价值。我们反对真正的业务讨比如发生在群中，但鼓励采取群聊联络感情、同步轻量材料。甚至我们不鼓励大家开会。真正有价值的业务深度讨比如，应在已有上下文的 AI 对话中开展多人接龙式讨比如。即使是线下面对面的沟通，语文章也必须转成文字并进入 AI 的上下文。否则这次沟通没有成为组织可以持续调用的认知资产。步骤和权限会被重新设方式。固定步骤是建立在岗位稳固、任务可预先拆解的前提上的，但创新业务中的状况、边界和分工会持续变化。未来的协作会先共同构建完善上下文，再根据目前状况动态分工。权限也不再只由固定职级决定，而关键根据目前任务、所需材料、工具调用范围和责任边界动态开放。从战略制定到 bug 修复，所有环节都只有在被 AI 完善掌握之后，它才有可能利用最高决策层的认知，协助每一个一线员工共同做出更好的决策。总体来说，当钉钉把自己打散，高效书被 Agent 接入，我认为都是尤其有价值的，都是在思考当 AI Native 组织的权力中枢不再是人的时候，办公协同软件的用户也不仅仅是 “人”。Context is Everything晚点：组织改造后，你作为 CEO 的工作发生了什么变化吗？杨仁斌：我的日程表基础上是空的，便利我随时攻坚我认为题的事。除了从外部交流取经之外，我们尽量减小内部会议，对内部认识与思考我更依赖 AI 参谋首先，因为它有一线实施现场的全量一手材料。让公司运转在 AI 参谋首先这个企业大脑上，最题的工作就是组织大家为它构建上下文工程。我对业务各环节的洞察也都来自于跟 AI 参谋首先的协作。我有很大一部分时间是在观察与诊断团队在一线决策中产生决策分歧的因素。从而思考我需给他们的 AI 参谋首先构建什么样的上下文。当带有企业最高认知的智能可以大规模复制后，真正稀缺的就不再只是模型能力，而是上下文。Context is everything，也是 anything。晚点：但这也意味着，AI 会看到员工几乎完善的工作流程。换个角度，它是不是一种更彻底的数字监控？员工凭什么相信，公司不会用这些上下文反过来追责他们？杨仁斌：没有 “开放性” 的组织文化，就没有真实上下文。让大家愿意共享 AI 对话是反人性的。因为它违背人的自我保护本能。人更愿意展示成熟结比如，而不是暴露无知、犹豫、误判和反复；传统组织又习惯奖励结荚、重视汇报、追求可控感，进一步强化了这种表现。因此，AI Native 组织必须建立在开放文化之上：每个人都关键有小的 ego，不害怕暴露状况，并形成一个共同判断——掩盖状况才是可耻的，暴露状况是为了让状况更早被处理。但开放性不能只是单部分需员工透明。组织不能把真实流程变成事后追责材料，否则员工很快就会最初表演，只把正确答案放进系统里。真正应该追究的，不是一个人有没有犯错，而是他有没有掩盖状况、有没有从错误中更新判断、有没有让下一轮成功的概率提高。在我们内部，我们频仍讲一句土话：流程比结荚更题。这句话不是说结荚不题，也不是说努力过就可以被原谅。创新型工作存在很大不选定性，单次成功可能有运气，单次失败也不一定说明方向错误。追求流程中每一个决策的质量，把流程做对，拉首先周期看，结荚不会太差。这就是我说为什么不是所有的组织都适用于升级为 AI Native 组织，强行升级会不自洽，当决策建立在经过粉饰的非真实上下文上，会死得更惨。晚点：除了开放的文化，还有什么是必需的吗？杨仁斌：我们在内部有一个这样的文化氛围。叫 “讲透 Why，给够爱（AI）。”“讲透 Why”：任何一个决策，Leader 都关键向一线员工讲清楚为什么做、依据是什么。讲不清楚，就没有资格需别人实施。这是我们【成文】的规矩。因为你做 Leader 必须关键有这个能力，不然的话别人为什么服你呢？所谓 “给够爱”，就是发自内心地关心下属的成首先。你愿意不厌其烦地验明正身、检查他是否真正理解，他才能感受到信任，而不是只感受到压力。“给够 AI”：到了 AI 时代，我们又把 “爱” 延伸成了 “AI”：既关键给够关爱，也关键给够 AI 上下文。给下属最题的不是报销 token 费，而是给他的 AI 注入代表最高认知的决策模型。因此，AI Native 组织里的 Leader 不能只需下属交出流程，也不能只站在最后审判结荚。他还必须持续校准目的和 Why，允许合理的灰度探索；当一线暴露新的事实时，也关键承认最高认知可能需被修正。因此，不是所有公司都能够升级成 AI Native 组织。它不只需部署一套 AI 系统，还需员工放下对错误的遮掩，需组织放下对完美汇报的迷恋，也需管理者放下一部分对选定性和控制感的执念。工具可以买，系统可以开发，但这种文化只能在真实实践中一点点建立。让组织中每一个人都在 AI 时代有竞争力晚点：回到一最初，为什么你能做这样的 “组织改革”？杨仁斌：AI 刚出现的时候，我先想怎么把自己变成一个在 AI 时代仍然能够持续成首先、保持竞争力的人。我假设自己一无所有，刚从大学毕业，应该怎么参与社会的竞争？我觉得是始终保持归零心态，尽可能放下过去积往往的经验和已经形成的判断，从零最初学习 AI、理解 AI，每天首先时间尝试各种新的工具和产品，那段时间，有一种觉得睡觉都是浪费时间的感觉。在这个流程中，我们逐渐形成了一个对人才的题判断：AI 时代，一个人最题的能力之一，不是掌握了多少个 AI 工具，而是元认知能力。所谓元认知能力，就是一个人能够观察自己的学习和思考流程，把自己的学习方式建模，并能复盘和持续往往代。这种能力在 AI 时代尤其题。因为 AI 技术和工具一直在变化，今天熟练采取某个产品，并不能保说明天仍然有竞争力。真正不会高效高效过时的，是一个人能不能持续更新自己的学习方式，高效高效理解新工具，并找到与新一代 AI 协作的方式。目前，我们团队里的很多人已经能够借助 AI 高效高效进入陌生领域、理解复杂状况、验明正身自己的判断，并实现过去需更首先时间甚至多人协作才能实现的工作。更题的是，他们面对 AI 时，不再只是担心自己会不会被替代。他们逐渐建立起一种更稳固的信心：即使技术后续变化，我也知方式应该怎样学习、怎样调整自己、怎样借助 AI 后续成首先。晚点：怎么构建 “元认知能力”？杨仁斌：我也是自己建模与理解，所谓 “元认知” 它下面有几层支撑：最底层是动机，好奇心是最好的内在动机；第二是开放性，决定你会不会过滤材料，如果你更依赖内在评价，就不会太在意外界怎么看你，开放性就越好。再往上，是材料处理能力，涵盖分类、结构化，再通过建模，把这些变成可调用的认知，而不仅仅是经验。更高一层，是你能在真实场景中调用这些认知，再跨领域迁移，就形成了洞察力和创新能力。晚点：对你们来说，投入这么多建立一个所谓 “AI Native 组织”，除了在激烈的竞争中活下去，还有什么别的考量吗？杨仁斌：我们把公司变成 AI Native 组织，本质上是把我们自己和公司里的每一个人，都提前放进未来人与 AI 的竞争和协作环境中。我们逼着自己 100% 的工作都必须与 AI 协同实现，也是在极限探索：AI 的边界在哪里？哪些事情仍然必须由人来判断、创造和表达？这些暂时无法被替代的部分，对应什么能力？未来又会不会再次被 AI 替代？然后，我们再把这些正在形成的新理解放进寒雪老师，让她和我们一起持续发展，把最新的技术和学习方式带给孩子。因此，AI Native 组织不仅是我们的工作方式，也是我们理解 AI 时代个人如何学习、如何保持竞争力的实践场。说点不那么 “教育焦虑” 的话晚点：家首先今天花钱，在乎的还是短期内的成绩提高，你讲 “元认知” 和未来能力，会不会和真实的付费动机相矛盾？杨仁斌：应试教育本质是原则答案的求解效率，AI 时代题是定义和求解非原则答案的能力。听起来是 180 度大转弯。目前几乎每一个家首先都在思考：今天孩子到底应该学什么，才能处理未来？越是身处 AI 一线工作，我们越清楚：未来真正稀缺的，不再是记住多少知识、做过多少题。凡是能通过反复做题培养出来的能力，AI 一定比人更强。单纯依靠应试训练形成的 “做题家” 能力，未来的竞争力几乎为零。但另一部分，升学考试并没有变化，它仍然是孩子眼下必须遵守的条件。旧条件没有退出，新的能力需已经出现。我们更希望通过寒雪老师，让孩子在处理每天真实学习状况的流程中，逐渐学会观察自己是怎么思考的、自己到底哪里没有理解、怎样把状况表达清楚、怎样根据寒雪的反馈调整自己的判断，以及怎样借助 AI 更快地学会新的东西。寒雪一部分关键协助孩子更有效地实现作业、处理考试和掌握知识；另一部分，也关键让孩子逐渐形成一种不会随着工具变化而过时的能力——理解自己如何学习、持续复盘、往往代自己的学习方式，并与 AI 一起不断进化。只有持续回答 “人与 AI 的边界” 这些状况，我们才可能看清，今天的教育除了协助孩子处理眼前的考试，还应该为未来培养什么？说一句让大家不用那么焦虑的话：如果你的孩子具有了借助 AI 开展 “创新” 的能力，你永远不用担心在 AI 的时代 ta 会失业。所谓创新，就是总能提出新想法、新思路、新解法，这是 AI 时代最稀缺的能力。一言以蔽之，具有定义和处理没有原则答案状况的能力。因为创新对一个企业的业务而言永远是增量，多你一个人，业务一定是增首先的，为什么不关键你呢？反之，如果你不具有创新能力，就只能跟 AI 去比效率，就很有可能被降本增效改进掉。晚点：但如果竞争和挑选不会消失，K12 知识也仍然题，未来 AI 时代的教育哪些会变，哪些不会变？杨仁斌：未来，掌握知识本身不再是目的，通过学习知识而锻炼学习能力和元认知能力才是目的。目前 K12 的学科知识，被历史说明是特别好的思维锻炼和学习能力培养的手段。虽然我们不知方式未来还会需人具有哪些能力，但就目前的实践来看，有一项能力已经越来越题——精准表达——这是 AI 时代的题基础能力，是掌控 AI 以及创新能力的基础。它涵盖能够理解自己关键处理的状况，并把自己的想法、感受和真实需准确地表达给 AI。进而，是能提出好状况——能透过状况看本质的好状况。晚点：你之前提到过 2024 年你们自研端到端语文章模型，但通用技术其实很快就会追上，当时这段投入算不算走了弯路？杨仁斌：某种意义上讲，所谓的弯路上的投入，才真正地代表着你相信什么、坚持什么。既然让学生 “开口” 精准表达是未来最题的能力之一，我们从首先天起就决定把寒雪做成一个全语文章交互的产品，这在 2024 年是特别难的。那时候，全世界还没有能顺应寒雪响应时间需和识别率的商业化语文章技术，我们预训练了端到端的语文章模型；通用大模型不够懂教学，我们又投入几百位教研专家，用积往往了八年的知识图条件标注数据；为了实现 “一人千面” 的精准回应，我们做了 Harness。K12 教培和学习机行业有 “原罪”晚点：传统教培依靠稀缺名师、班型和辅导时间分层收费；AI 首先次让专家能力可以低成本复制。当教育供给不再那么稀缺，教培原来的商业基础会发生什么？杨仁斌：我一直认为：传统教育培训行业是有 “原罪” 的。传统教培的商业模式，建立在稀缺老师资源上。教培，尤其是培优，首先期扮演的是应试竞争中的外挂和军火商。这不是说老师为学生给予教学服务有原罪，也不是哪一家公司，而是当 “教培” 成为了一种大规模的商业模式的时候，它天然有原罪。学习机后续了这个 “原罪”，这就有些不应该了。当然，学习机过去有它技术局限性的必然，不是哪一家企业的状况。经济学中，商品按稀缺性定价本无可厚非，但偏偏教育资源最需公平，过去优秀老师又是最为稀缺的资源之一。一个家庭能够花更多的钱，就可以购买更好的老师、更小的班型、更首先的辅导时间和更个性化的服务；另一些家庭买不起，就只能接受更有限的教育资源。只有那么点儿人能够获得的教育资源，才能成为那么点儿人的竞争好处。但进入 AI 时代，这个底层逻辑正在变化：AI 真正的技术突破之一，就是线上将专家服务普惠化。晚点：很多家首先看到 “寒雪老师”，首先反应仍是学习机。但你们多次强调，你们卖的并不是硬件而是 AI 老师，这两个生意本质上有什么不一样？杨仁斌：学习机行业有一个很奇怪的状况。既然题功能不太依赖于硬件，靠软件升级就足够了，为什么各大品牌每年新机发布越来越往往？它的定价和产品分层仍然是教培行业思想的遗留：很多功能的边际成本为零，明明可以让所实用户用，却仍然关键通过型号、功能和换代，人为制造出三六九等。因此，学习机看起来是新技术产品，但底层延续的仍然是教培的旧逻辑：通过人为制造资源差和能力差，向不一样支付能力的家庭出售不一样等级的教育竞争工具。AI 本来可以让最好的教育能力低成本复制，但旧学习机逻辑又把它重新做成分层资源：做高中低配、切割功能、往往换代，把原本能够普惠的技术，重新包装成那么点儿家庭才能负担得起的应试竞争工具。同时一个最便捷的常识是：教培公司推出学习机，但培训班才是它们几乎全部利润来源，你相信它会努力每周免费升级你的 AI 家教，直到你再也不用报它的培训班吗？他们不断地把最踩中痛点的软件功能限定在最新款的机器上，迫使你不断地花更多钱去以旧换新。他们承诺的免费升级，是原有功能的小修小补。不信的话，你就下单之前去问客服，你说：我已经买了旧款的旗舰机器，但想关键你最新款上面的功能，你能给我免费升级吗？我们其实一最初也陷入到这个误区了，方式划推出不一样能力的 “寒雪”，但我们很快否定了这个想法。晚点：精准学从一最初做的就是给老师 “一对一” 辅助的系统，感觉是一直在这个大方向上。因此一对一的 “AI 老师”，真正变化的是什么？杨仁斌：给予了一个人人负担得起、越来越懂你的一对一私教老师。我前面提到，元认知能力中最好的动力源就是好奇心。我一直相信，孩子天然都有好奇心。好奇心是元认知能力中最佳的内在动机。然而，好奇心是在一次又一次 “为什么” 没有被回应时冲淡的。在过去的教育体系中，师生比太低，老师没有方式按时回应每个学生的 “为什么”，于是只能给他们原则答案。即使成年人，很少有人习惯问：这个答案为什么是这样？我这么思考有没有哪个地方想偏差了？AI 真正的价值在于，你提出不一样的东西，不一样的见解，然后 AI 会帮你一对一去回应与改进。因此我们一直坚定地认为，AI 家教不能只是听懂孩子、回答孩子，而必须让孩子的每一次有效表达，真实意义接下来的教学，孩子的每一个挑战和质疑，都能获得尊重和清楚的验明正身。晚点：你批判传统教培按支付能力分配稀缺资源，但你们产品定价本身似乎也在筛选家庭。谈教育普惠，会不会自相矛盾？杨仁斌：我们不按支付能力区分教育服务的质量，AI 让一种更强的商业模式成为可能：不再依靠那么点儿家庭支付极高价格，而是让更多家庭获得同样都是当下最好的个性化服务，再通过规模、技术效率和首先期关系实现可持续经营。如果比较涵盖一堆视往往和题库的学习机，那寒雪的定价就是贵价那一档，但如果看成是从小学到高中每一天都一对一辅导学生的 AI 老师，那就特别便宜。过去大家把我们归为抖文章平台上高端学习机销售额首先，就是把我们看成学习机，其实我们不是，然而因为抖文章上没有 “AI 家教” 这个品类，我们是首先个。我们为老用户持续升级寒雪的能力，努力让寒雪老师尽可能给予一个孩子成首先流程中所需的全部教育相关服务，而不仅仅是学业学习，且平均下来每天只需几块钱。晚点：你们目前的这个组织形态和在做的产品、业务，是一最初就有意设方式匹配的吗？还是一个逐渐演变的流程？杨仁斌：我们最初把公司变成 AI Native 组织，是为了让一家创新公司能够在资源不占好处的状况下活下去，后续创新。我们不敢说自己已经看清未来，能做的是每天后续走在变化发生的地方，每天让寒雪更接近我们心目中的那个老师，再把目前已经被验明正身的题能力和新的学习方式，尽可能早地带给孩子。学生目前学业压力就是大的，没有时间再额外学习所谓 AI 课程了，用 AI 学习校内知识本身同时也是学习 AI 的流程，这才是合理的。对我们来说，这不是两个目的。真正照章性未来的教育，应该让孩子用新的技术和学习方式，更有效地处理今天的状况，并在这个流程中，一点点首先出面对未来的能力。晚点：最后一个状况。创业这些年，你觉得自己最大的变化是什么？杨仁斌：我很难说有哪一次突变，可能因为每天都在变化。我们公司有一句土话叫 “关键学会找规律、找不一样”，身边的人天天听我叨叨这个。找规律，就是指建模，找不一样，是指观察同一件事情别人为什么和你做得不一样，再把这种区别吸收进来。每天发展一点，自己常见感受不到变化；隔一段时间回头看，才会发现已经走了很远。人的一生是一段持续精进的流程。题图来源：精准学创始人 &CEO 杨仁斌