AI定製外包的致命傷：能力沉澱在人身上，企業攢不下護城河
AI外包定製把能力沉澱在了人身上，人一走能力就散了；真正的護城河只能沉澱進企業自己的模型權重裡。
原視頻在 YouTube 上放不出來，用音頻聽：
核心論點 · 點時間戳可跳到原聲
FDE只是換了名字的外包
張帆認為FDE本質還是企業定製外包，只是換了個更酷的名字：能力沉澱在具體的人身上而不是企業身上，人一離職能力就隨之擴散，沒法規模化複製。他對Palantir毛利率飆升的解讀也不同於主流敘事——與其說是組織或商業模式的創新，不如說是AI能力把原來需要一隊人完成的活壓縮成一個人就能幹(原來花100塊現在花10塊),價值躍遷來自AI本身，而且這種領先還綁定著五角大樓級別的獨特客戶和頂尖工程師，很難被普通FDE公司複製。
— 張帆智能為王還是企業主權
張帆提出兩種對立的商業哲學：模型公司信奉AGI,相信只要智能足夠強，企業再貴也會買單；而企業真正糾結的是要不要把自己整個綁死在某一家模型廠商身上。他舉例Kimi拉生態夥伴做FDE——如果交付成果最終綁定在Kimi的模型上，企業未必願意接受，這是以智能為中心還是以企業為中心兩種立場之間，此前很少被正視的巨大鴻溝。
— 張帆合成數據為何不是造假
張帆曾堅決不信合成數據，理由是用100條規則生成1萬條數據必然是自欺欺人的過擬合。後來他想通了：問題不在規則比數據少，而是反過來——如果用1萬條規則去生成100條數據，就不會過擬合。大模型把人類知識變成了萬億級參數，恰好能把海量規則均勻地彌散進這個空間裡。他正在寫一款架空歷史遊戲作為例證：合成數據是推動劇情不斷演化、而不被真實史料拖垮的關鍵力量。
— 張帆FDE真實門檻是85分
張帆說企業應用裡做到60分極容易，但70比60難十倍，80比70、90比80又各難十倍，現實及格線卻常常卡在85分——85分以下幾乎等於0,過了85才算真正有用。能做到85分以上的FDE必須是全才：做過研究、碰過上百張卡的訓練，又在真實商業場景裡落過地，這種人年薪至少上百萬。靠一腔勇氣入場的應屆畢業生，他認為根本撐不起這件事。
— 張帆造船而非建燈塔
張帆用造船和建燈塔做比喻：基模能力就像不斷上漲的海平面，企業如果建一座固定的燈塔，早晚被淹沒，真正該做的是造一條跟著海平面一起漲的船。把任何問題丟給模型，答案都會落在正態分布的中央，也就是「很有道理的廢話」;真正值錢的是分布兩端的邊緣解——喬布斯和馬斯克的風格之所以稀缺，正是因為他們扭曲了這個公共分布。企業唯一能守住的護城河，就是疊加在基模之上、獨立於基模的那個特殊分布。
— 張帆Workflow只是日拋品
張帆把知識的承載方式分成三層：規則(幾十到幾百維)、文字(幾千維)、權重/神經(萬億維)。規則最可控但表達力最弱，越往上表達力越強卻越難控制。企業裡真正值錢的老師傅直覺沒法寫成規則或workflow,只能沉澱進權重——這也是他認同紅杉合夥人那句「not your weight, not your product」的原因。在他看來，workflow只是權宜之計，最終會變成一次生成、用完即棄的日拋品。
— 張帆AlphaGo Zero式企業進化
張帆用下棋類比企業該怎麼學習：深藍靠規則和暴力計算擊敗卡斯帕羅夫，AlphaGo靠3000萬份人類棋譜訓練模型擊敗李世石，而AlphaGo Zero完全不用人類棋譜、自己跟自己下三天棋，就以100比0橫掃AlphaGo,算力卻從上千塊GPU驟降到4塊TPU。他認為這說明人類經驗裡混雜了大量噪音，企業真正該做的不是靠人總結經驗去訓模型，而是定義好自己的環境和棋盤，讓系統在裡面自我對弈、自我進化。
— 張帆AI是反工業革命
張帆認為工業革命的本質是體力可以無限擴張、腦力跟不上，於是體力向腦力妥協，催生出標準化和精細分工——福特T型車只有黑色，就是這種妥協的產物。AI讓腦力也能無限擴張，體力腦力重新對稱，結果是組織、界面、業務全面液體化。更關鍵的是，SaaS軟件上線那一刻是它最好的狀態，此後只會隨著業務變化慢慢腐化；模型則相反，誕生時最差，此後不斷學習生長。企業的組織邏輯也該從腐化邏輯轉向生長邏輯。
— 張帆原話 · 已逐字校驗
只要是定製的活 它就把能力沉澱在人 而不是沉澱在企業 你只要沉澱在人 這件事就沒辦法規模化
只要是定製化的活，能力就會沉澱在具體的人身上，而不是沉澱在企業裡；一旦沉澱在人身上，這件事就沒法規模化。
張帆6:03
兩種哲學在於我們到底是以企業為中心 還是以智能為中心
這代表兩種哲學的分野：到底是以企業為中心，還是以智能為中心。
張帆16:09
我為什麼一定是規則要比數據少呢 如果我要是1萬個規則 生成100條數據 它不就不overfitting了嗎
我為什麼一定要假設規則比數據少呢？如果用一萬條規則去生成一百條數據，不就不會過擬合了嗎？
張帆25:16
所以60比90差1000倍 對吧 但是這1000倍來講 但是你要知道 這個裡面的斬殺線在哪呢 可能是在85 就是85以下都是廢材 全是零 85以上一下變成一了
所以60分和90分之間差1000倍的難度，但關鍵是斬殺線在哪裡——可能就在85分：85分以下都是廢材，全是零分；過了85分一下子就變成滿分。
張帆30:18
但是你發現這裡有一個缺點 雖然你穩了 你清晰了 但是你要知道海平面 每年上漲100米 現在是每個月漲100米
但你會發現這裡有個缺點：雖然你站穩了、看清楚了，但海平面每年要漲100米，現在甚至變成每個月漲100米。
張帆48:24
its not your weight its not your product 對 我覺得這個就非常對 就因為只有這個的表達力是極致
權重不是你的，產品也不是你的——我覺得這句話說得非常對，因為只有權重的表達力才是極致的。
張帆1:02:27
你發現他訓AlphaGo 的時候 他大概用了1000塊GPU 但是訓AlphaGo Zero的時候 用了4塊TPU 總之算力是極大的縮小
訓練AlphaGo的時候大概用了1000塊GPU,但訓練AlphaGo Zero的時候只用了4塊TPU,算力被極大地壓縮了。
張帆1:18:33
所以一個原來的是什麼 原來的組織叫做腐化邏輯 現在的組織叫做 生長邏輯
原來的組織遵循的是腐化邏輯，現在的組織應該遵循的是生長邏輯。
張帆1:37:43
數字與實體
| Harvey估值 | 100億美元以上 | 18:12 |
| Anthropic最前沿貴价模型收入佔比 | 11% | 41:22 |
| AlphaGo訓練算力 | 約1000塊GPU | 1:18:33 |
| AlphaGo Zero訓練算力 | 4塊TPU | 1:18:33 |
| 頂尖FDE研究員團隊年成本 | 一百多萬 | 30:18 |
術語
- FDE前線部署工程師
- 派駐客戶現場定製交付AI能力的工程師角色，源自Palantir的交付模式
- Ontology本體(知識圖譜)
- 把非結構化數據降維成結構化三元組的傳統知識建模方法
- RSI遞歸自我改進
- 系統通過自我學習和反饋不斷進化自身能力的機制
- MOE混合專家模型
- 模型由多個專家子網絡組成，每次推理只激活其中一部分
- Harness智能體腳手架
- 包裹模型、串聯工具調用與技能的運行框架
收聽指南
正在做企業AI商業化、思考FDE交付模式或AI產品護城河設計的創業者、投資人和技術負責人
36-39分鐘吐槽AI概念炒作史(養蝦養馬等),信息密度低，可跳