鲍勇剑：拜师机器智能——建立智能体组织的四种策略

文 丨鲍勇剑（加拿大莱桥大学迪隆商学院终身教授，复旦大学管理学院EMBA项目特聘教授）

2025年国际数学奥林匹克竞赛有两位特别的金牌得主：谷歌 DeepMind 的Gemini Deep Think和 OpenAI 的实验型大语言模型。它们用自然语言生成的解答被 IMO 官方认可并确认其“金牌级”表现。2018年，GPT-1的模型参数是1.17亿；2023年，GPT-4的模型已达1.7兆亿的参数。随着资本投入增加，支持机器智能的算力、算法、算据（可以运算处理的数据）正以几何级数上升。相比之下，人脑活动会调动860亿神经元和100兆亿突触，每个突触约等同于一个参数。一次复杂思考，人脑只要用20瓦；GPT则需要千百倍的能量处理一条问询。人们可以从不同角度比较生物智能和机器智能（Machine Intelligence）的优劣。有人认为，超级人工智能会无限接近但永远不会超越人类的生物智能。1903年，怀特兄弟模仿鸟的飞行原理，发明了第一架飞行器，这架飞行器有上百个部件；今天，波音747有六百万个部件。飞机能否变得像鸟一样？我们可以争论这样的问题，但是对企业而言，更有意义的问题是，飞行意味着什么？怎样才能飞得更远、更高？

企业对现阶段机器智能发展的合理认识包括四点。第一，人工智能可以模拟人脑的所有功能活动。第二，认识论是关于知识是什么、如何获得、怎样确认的学说。从这个角度看，除了已知的全部知识，机器智能掌握的知识还在以几何级数在提高。第三，机器智能已经呈现出不同于生物智能的新属性。受生理条件限制，人类难以反向模仿机器智能的新属性，但组织可以容纳机器智能，推动人机协同。第四，人机协同要求的战略选择不是让机器适应人，而是拜师机器智能，拥抱机器智能，建立智能体组织。根据上下文语境，本文会交替使用生物智能和人类思维能力、人工智能和机器智能两组概念。

自2010年起，人类进入了以数字化和人工智能为代表的第四次工业革命。这一次自动化不仅能实现虚拟控制（cybernetic）和物理世界的融合，还能实现智能体AI与社会各个部分的联结。这个过程中，机器智能在大力推动生产力发展的同时，也改变着社会生产关系。构建融合生物智能和非生物智能的智能体组织，正逐渐成为企业的战略任务。



本文首先介绍机器智能在认知、感知、推理和行动等方面的新属性，然后提出建立智能体组织的四步策略。本文并非探讨人工智能发展的文献综述，而是从普及机器智能与管理知识的角度总结新属性。

机器智能非常机智

机器智能从模仿人类的大脑思维活动，特别是脑神经网络活动开始，目前已经“青出于蓝而胜于蓝”，并且有了许多人类无法比拟的新属性。许多常见的格言警语都反映了人类生物智能的局限性，如“学会抓大放小，避免面面俱到”“做事自始至终”“难改既成事实”“谋定而后动”等。当前机器智能具备大模型、神经网络学习、多模态、即时推理和行动的能力，几乎可以突破生物智能的局限性。机器智能可以做到抓大不放小，能够面面俱到；可以同步处理开头结尾，并让事实一直处于优化的过程中，边谋划边行动。机器智能已经非常机智了。从组织管理角度看，机器智能表现出三种显著的能力：理解分工、认知协同、循环（改善）行动。

首先，机器智能可以分门别类地处理图像、文字、音频、视频、地理空间坐标、三维、时间顺序、感应、生物遗传基因、二进制等12种不同形式和内容的数据信息。人类也可以处理大部分类型的数据，但只能一次处理一种，并且“带宽”有限。所以，人类认知存在许多偏见，如最近发生的事、有显著特征的信息会更具影响力。相比之下，机器智能同步处理各类数据的“理解分工”能力非常强大，它能分辨噪声，平衡偏见影响，综合多种多样的信息来源，然后根据战略目标分配决策因素的权重。

其次，机器智能可以把分门别类处理过的数据再融会贯通起来，实现“认知协同”。按照设定目标，机器智能已经能够做到多模态、多智能体的动态沟通和整合。人脑当然也有认知协同能力，我们的感知、意识和认知必须协同，然后才有行动，日常生活中的穿衣吃饭都涉及一系列协同行为。但是，人类的认知协同与机器智能协同有两个重要区别。其一，个人认知协同水平有高低之分，机器智能采集了最优样本来学习模仿且快速进化。例如，RPA（Robotic Process Automation,机器人流程自动化）融汇了行业和组织顶级专家的技能和经验。其二，人与人之间的集体认知协同远比个人自我认知协同复杂和困难。例如，现代组织按照工作任务复杂程度和变化程度来分配可拆解或不可拆解的、连续或并行的任务，不同任务形式都对认知协同能力有要求。除了工作任务设计以外，现代组织还需要用组织结构、组织文化、团队正念等方法提高员工之间的认知协同水平。即便如此，人类认知协同的表现也极其不稳定，需要领导者来补差、增强，但也往往不尽如人意。机器智能能分解任务背后的信息需求和交换特征，进而通过各种工具和技术推进整合。通过混合使用各种工具和技术，机器智能可以实现组织成员之间难以达到的认知协同高度。

最后，机器智能已经发展出循环（改善）行动能力（以下简称“循环行动”）。人类组织一般只能想好了做，做错了学，学会了再做。这种认知与行动的阶段性特征可以缩短，但始终存在。所以人会后悔，因为既成事实和后果不能变更，只能等到下一次行动去弥补。机器智能的深度学习技术可以实现边想边做，边做边想，即时学习，同步纠错，循环改善。例如，ReAct（Reason + Act）技术能够让大模型执行“思考—计划—行动—观察—反思”的循环改善回路。

1956年，布鲁姆（Benjamin Bloom）提出认知领域分类法，将认知能力划分为六个等级，从低到高依次为知识（记忆学习）、领会（理解学习）、应用（实践学习）、分析（相关性学习）、综合（创造学习）、评价（批判学习）。传统大学教育按照这个阶段顺序培养学生，为人类智能搭建进步阶梯。现代企业员工的认知能力也有类似的等级特征。机器智能通过理解分工、认知协同和循环行动可以同时具备高度优化的各个级别的认知能力，并且以指数级进化。这是组织需要拜师机器智能的重要原因。拜师机器智能不是为了反向学习，因为人类反向模仿机器智能的生理限制很多。拜师机器智能是为了充分理解其进化中的属性，进而将其嫁接至组织现有体系，形成新的组织基因，最终建立有意义的智能体组织。为深度了解“理解分工、认知协同、循环（改善）行动”对组织管理的影响，下文将分析机器智能的9个技术特征。

机器智能的9R特征

机器智能从基础模型、技术路线、解题方法和应用方案四个层次形成了动态发展的知识体系。例如，大语言模型、转换技术、迁移学习、小数据建模即代表着一种有等级层次、依次对应、目标/情境/问题匹配的知识体系。随着世界大模型、量子计算、神经网络符号智能（Neurosymbolic AI）和克服灾难性遗忘继续学习技术的出现，机器智能的知识体系还会升级换代。不过，其体系特征已经比较稳定。为帮助管理者了解机器智能与管理相关的属性，本文选择9个技术要点串联机器智能的知识体系。这9个技术要点的英文都以R开头，以方便管理者记忆和传播（见图1）。

机器智能是指机器或计算机系统在感知、理解、推理、学习、决策以及解决问题等方面表现出的智慧和能力。在执行动态战略目标过程中，机器智能可以与环境互动，适应环境并利用环境资源，其过程呈现出9个显著特征。

多模识别（Recognition）多模识别是从原始数据中识别模式、对象或信号的过程，是机器智能的感知系统（如计算机视觉、语音识别和手势检测）。常用技术包括卷积神经网络（CNN）、循环神经网络（RNN）和注意力机制，这些技术使AI能够处理图像、声音或文本，正确标注或解释它们。机器智能在识别阶段就能处理既广泛又细致的数据，其“理解分工”水平远远高于人类，这启发管理者重新定义劳动分工的内容和边界。

表征学习（Representation）表征或表示指的是信息、知识和概念在人工智能系统内部的编码方式，主要有符号表示（基于逻辑的结构）和分布式表示（神经网络中的密集向量）。常用技术包括嵌入表示、知识图谱和自动编码器。目前，机器智能已有多种捕捉关键信息特征同时减少无关噪声的方法。这些方法源于专家经验的输入，结合机器自主学习持续优化，在处理速度提升、参数量适配和反馈机制完善上展现出日新月异的发展态势。表征学习与其他功能反复协同，在一些专业领域，如生物和化学，机器智能对复杂信息的洞见和呈现能力已经超过人类。

ReAct（推理 + 行动）ReAct是一种提示策略，AI模型交替执行推理（逐步思考）和行动（调用工具或API等），这使大语言模型在与外部系统交互时能够保持逻辑连贯。常用技术包括链式推理、工具使用集成以及记忆模块。机器智能在思考和行动同步协同方面的能力启发组织重新思考战略规划和执行之间的循环反馈。供应链伙伴之间的合作形式也会因此发生改变，如希音（SHEIN）模式，合作伙伴要适应小批量、实验营销和快速物流之间的不断协同。

RAG（检索增强生成）RAG从外部知识库中检索相关文档或数据来增强AI的回答，结合信息检索技术（向量搜索、BM25）和生成模型（Transformer），提高了答案的准确性、真实性和时效性。RAG提醒管理者重新想象企业内部和外部资源之间的关系。公司边界是新制度经济学的核心问题，而RAG的逻辑是跨边界调动外部资源。机器智能倒逼管理者思考利用内外资源的合约方式和治理结构。

强化学习（Reinforcement）强化学习指的是AI通过与环境的反复试错交互来学习，从而最大化长期回报。关键方法包括Q学习、策略梯度和演员-评论家算法，常用于机器人、游戏和决策系统。怎样把强化学习嫁接到组织内部流程中，这是管理者的新课题，目前尚无成熟方案。

迭代优化/精炼（Refinement）优化/精炼是通过迭代反馈来改进AI输出的过程，可能包括微调模型、改进提示或进行后处理。常用技术包括基于梯度的优化、提示工程以及人类参与的审查。当前的迭代优化主要发生在技术层面。企业需要把战略目标、企业价值观、政策规范、风险控制和企业文化等组织软性因素植入迭代优化过程中，这样才能支持机器智能和生物智能之间的价值观协同。

反思机制（Reflection）反思是一种元认知过程，AI会评估自己的推理或输出，以识别错误并改进未来的表现。常用技术包括自一致性检查、错误分析和迭代推理循环。反思机制是机器智能向认识论阶段发展的一个标志。机器智能已经不局限于方法论层次的优化，如数据清洗，迁移学习等，开始强调多种学习方式并举。例如，通过概率权重方法筛选参数，是学对，要点在因果关系的大概率分布；通过主动识别错误方法反思基本模式的弱点，是学错，要点在关注发生偏差的小概率事件规律。同时，反思机制还包括自主学习和自动学习，要点在总结复杂互动过程中涌现的新属性。过去，反思能力被认为是人类认知的强项，难以替代。现在，机器智能不是替代人类反思，而是提供更强大的替补功能。

鲁棒稳健（Robustness）鲁棒性是指AI系统在多种条件下（包括噪声、对抗攻击或数据不完整）保持可靠运行的能力。常用技术包括对抗训练、数据增强、正则化（Regularization）和防御性蒸馏。鲁棒技术既对冲人类决策的偏见，也平衡机器智能存在的缺点和风险。受制于有限理性，人类只能选择适度满意原则（satisfying principle），而机器智能可以通过提高系统稳健性持续优化。

反思记忆（Reflexion）（自我）反思记忆是一种特殊的人工智能技术，AI会利用之前推理步骤的反馈动态调整未来的推理策略，常用于大语言模型代理的自适应规划中。常用技术包括强化学习、自我反思和基于记忆的自我改进的规划。这些技术改造了记忆功能，支持不需要额外训练的自我纠错和自主代理活动。反思记忆被认为会向机器智能的自我意识演化。在机器能否有意识的争论中，以辛顿（Geoffrey Hinton）为代表的科学家认为机器智能可以有涌现出的自我意识，它可能会拆毁人类思维与机器智能之间的最后一堵墙；持保守观点的一派则认为人类思维有社会性，只有人类才能产生价值观和社会规范。不过，现在已经有人工智能的社会模型。“智能体社会”（AgentSociety）有1万个成员，开放智能体模拟（Oasis, Open Agent Social Interaction Simulation）有超过100万成员，通过大量智能体之间循环往复的互动，它们已经可以生成虚拟社会的社会规范和价值观。

机器智能9R特征不是对人工智能技术的文献概括，而是旨在启发管理者形成向机器智能学习的动机。机器智能已经全面掌握了人类的思维方法，它还能瞬间、即时、同步、跨界、循环反馈和反思，多模态、亿万参数、自动、自主、迭代、强化学习和持续学习。至此，企业的战略问题不再是让机器适应人，而是拜机器智能为师！

对于人机协同，一个较普遍的建议是，先用机器智能解决企业的痛点问题，从降本增效做起。这是被动学习的策略，其隐性后果是强化既有的以人类生物智能为中心的组织能力，延长零打碎敲式的变革。被动学习顺应人性特点，容易启动。然而，在了解机器智能可以带来的颠覆式冲击后，企业还要有主动学习的策略。拜师机器智能即主动学习的策略：主动顺应技术和社会趋势，暂时搁置人的优越感，重新想象一切战略问题；主动对标建立智能体组织。

建立智能体组织的四种策略

如果一家留学中介公司遇到下面四种情境及管理挑战，应该选择怎样的人工智能技术来应对？

情境1留学申请涉及许多环节，有各种文件要求。在填写学校申请表时，一般需要提供成绩单、简历、自我介绍、推荐信；有些学校提供助学金，需要家庭财产证明；外国留学生一般还需要提供经济担保。到了申请签证环节，不同国家还有各种文件要求。流程各个节点的任务都很重要。例如，语言考试有报名截止日期，考试成绩需要及时送达申请的大学。总之，留学申请具有任务多、时间敏感度高、文件格式和标准比较复杂等特点。

情境2留学中介公司向学生推荐学校时，可能会受多种因素影响。例如，不同国家和地区的教育环境、学校的市场定位与办学传统，以及学生来源背景变化、同一时期申请学生的数量与背景等，都会影响申请成功的概率，这都会成为中介推荐学校时的重要考量。个人要想掌握这些参数和变化几乎不可能，因此申请过程具有盲目性。中介机构基于历史数据和经验，能够因人而异地实现学生和学校的匹配，其服务价值正在于此。

情境3越来越多的人把留学当作一种人生历练，而不只是为了拿学位。学校的排名很重要，留学生活的丰富多彩程度也是申请人会考虑的因素。由于申请人的个人偏好和能力特长不同，怎样提供内容丰富并定制化的学业安排是中介公司面临的新挑战，同时也为公司创造差异化价值带来机遇。

情境4随着地缘政治变化，出国留学的风险也在增加。政府政策变化会带来政策风险。例如，美国政府调整政策可能会使哈佛的外国留学生面临签证问题，留学生可能需要转学到加拿大的多伦多大学等院校完成学业。地缘冲突可能带来人身安全风险。例如，在中东地缘冲突频繁地区求学的学生可能会面临需要紧急撤离的情况。另外，如留学目的地暴发或蔓延流行疾病，外国学生也会面临留守或回国的选择困境。在部分突发场景下（如政策变动、风险预警等），家长和学生不仅需要及时的信息告知，还需要具体的行动建议，他们希望事先授权中介机构代为采取针对性行动，避免拖延和无知导致的灾难性后果。

针对上述情境，人工智能都有适配的方法。情境1是典型的RPA应用场景，情境2可以使用预测性人工智能，情境3可采用生成式人工智能，情境4则用得上方兴未艾的智能体AI（Agentic AI）。图2显示了四种策略侧重的价值，下文将逐一介绍四种策略选择的要点，并阐述企业应如何循序渐进地采纳这四种策略。

机器智能在理解分工、认知协同和循环行动三个维度具有巨大优势，当这三个维度在智能体AI阶段汇合时，传统组织要么被替代，要么选择融合，建立智能体组织。在新组织形态下，人类员工将致力于两种“元创”活动：一种是创造实体社会新理念的形而上学（Metaphysics）， 另一种是创造虚拟社会新理念的形而上学（Meta-matrix）。扎克伯格把“脸书”改名为“Meta”，正是出于类似考虑。

RPA是基于规则的自动化技术，用于执行重复性、结构化任务，以提升效率和流程标准化为核心，几乎不涉及认知型工作。严格地说，RPA缺乏学习与推理能力，只能算人工智能的前序，但其对建立智能体组织有不可替代的作用。实施RPA的组织必须从整理数据开始，但并不是所有的数据都能成为算据，即可以计算处理的数据。例如，没有相关性标签、混杂计算单位、缺乏标准格式或者前后不一致的数据即无法成为算据。RPA会促使企业使用标准化数据格式，组织成员也会逐渐建立对数据价值的认识，从而夯实智能体组织的基础。另外，组织会梳理工作流程，邀请内外部专家对业务进行流程改造，以求提高效率、降低错误率、减少运营成本。在前述虚构案例中，中介公司可以用RPA来解决第一种情境下的管理问题。

预测性人工智能（Predictive AI）利用统计模型与机器学习模型，基于历史数据预测未来结果。人工智能9R属性提到的许多技术手段都能够辅助实现前瞻性洞察，支持决策选择。前述虚构案例的第二种情境中，解决学校选择问题便比较适合采用预测型人工智能。预测型人工智能已经比较成熟了，模型中的偏见现象也得到了足够的重视。在稳定环境中，其准确率比较高，但当环境波动大、数据新奇度高时，可靠性会受到影响。同时，预测型人工智能是基于历史数据来预测未来，因此对重复出现的现象有较高预测性，但很难提出新颖的建议。

从RPA到预测性人工智能，企业拥抱人工智能的程度上了一个新台阶。企业已经熟悉数据策略，了解多模态数据价值，并开始利用不同的基础模型理解多维度复杂现象。过去，当组织成员遭遇多维度复杂现象时，受制于有限理性，只能用习惯的简化规则去理解，并接受“满意即止”的决策行动。现在，如9R特征所呈现的，人工智能可以用各种技术手段实现理解分工，继而实现认知协同。

生成式人工智能（Generative AI）通过深度学习数据中的形态，创造出丰富的新主意、新形式和新内容。它利用大语言模型、扩散模型等技术，基于学习模式生成全新内容（文本、图像、代码、设计等），具有知识整合、创意生成、快速原型设计的能力。在前述虚构案例的第三个情境中，生成式人工智能可以提出新颖的、丰富的、个性化的留学选择。目前，生成式人工智能的局限是可能出现虚构内容（hallucination），缺乏更加多元化的原创数据。这一局限可以通过9R分析及最近开发的方法突破，例如，人工合成的数据已经出现，利用人工干涉（human-in-loop）可以减少虚构问题。

怎样利用生成式人工智能创造新客户、新市场、新服务价值？对此，许多企业还缺乏想象力。到了这个阶段，人工智能技术与组织新思维之间要相互砥砺、激荡。如果仅仅囿于解决当下业务的痛点，生成式人工智能不会促进企业走向智能体组织。一个解放思维的方法是收集各行各业新颖的转型案例，思考其他企业是怎样重新想象任务流程和价值兴奋点的。例如。泉州一家外贸鞋厂用AI分析历史上昙花一现的鞋类设计，并生成最奇特的拖鞋，等卖上一波行情后就转移。这是以事件管理思维拥抱机器智能的全新商业模式。

智能体AI能够感知环境、制定决策并执行任务，以最小化人工干预实现目标，其过程中常结合多种工具、API及推理链。作为主动协作伙伴，智能体AI能够管理工作流并自主发起行动。在端到端任务执行中，智能体AI显示出强适应性和自我改进能力。目前，智能体AI还有较大局限性。一方面，在伦理风险管控和安全防护机制建设上，亟需建立全球共识和治理规范；另一方面，运营能耗非常高。Meta（脸书）在美国路易斯安那州建设的数据中心耗电量可达该州的15%，相当于一个小州的总耗电量。更重要的是，企业还在摸索全面融通智能体的商业模式。在上述虚构案例中，第四个情境需要应用智能体AI。这家留学中介公司需要重新想象客户的安全需求和可能的业务。应用智能体AI，公司可以在危机萌芽状态主动发起预警通知、防护准备、撤离行动等。

一些行业内的领先企业已经开始建设智能体组织。摩根大通银行开始为14万员工配备自研的智能体助手（LOXM）。全球客服软件巨头赛富时（Salesforce）的“智能力量”（Agentforce）能处理66%的客户网上问询，还能自动回复84%客户提问；赛富时还用智能体AI改造内部2000个工作任务岗位。对这些领先企业而言，建立智能体组织是变革必选题。

上述四种策略互不矛盾。例如，企业可以从RPA开始，然后根据业务性质部署预测性和生成式人工智能，这都可以为向智能体组织转型做好能力准备。融合四种策略，分阶段执行，是向机器智能学习的较好方法。

收窄的未来：有意义的智能体组织

什么时候会出现超级智能？人类会不会被人工智能超越？完全由人工智能自动执行的生产活动会首先出现在哪些行业？每年，五家研究机构（ESPAI,FHI, CSER, Metaculus, GJP）会向千余名AI专家发放问卷，邀请他们更新对AI发展趋势的预测。尽管各家报告的侧重点不同，但被调研的专家都有一个共同特点：低估了人工智能发展的速度。人类对于几何级数变化现象仍然存在想象力局限。未来正在收窄，趋势越来越强烈。

雷库兹韦尔（Ray Kurzweil）在 2005 年出版了《奇点临近：当人类超越生物学》（The Singularity Is Near: When Humans Transcend Biology）。他认为，人工智能正以指数级速度发展，并将到达一个关键点——技术奇点。那时，机器智能将超越人类智能。他将奇点视为进化的下一阶段——人类突破生物极限，成为生物与非生物智能的混合体。另一位研究者尼克波斯特罗姆（Nick Bostrom）在《超级智能》中谨慎提醒混合智能对人类的风险。他们对机器智能隐含的社会风险有不同看法，但表达了越来越强烈的共识：超级智能正逐渐出现在技术发展的地平线上。

生物与非生物智能混合的智能体组织已成为趋势，顺应这一趋势最好的路径，是聚焦人类更擅长且更愿意从事的创造性活动，例如创造丰富的精神世界，为智能体组织赋予无穷的意义和想象力

（文章首发于《清华管理评论》。作者授权界面新闻转载。文章仅代表作者观点。）