別急著買工具,企業AI落地的第一步是造一個能跑通的樣板間
王書元說,AI不像數據庫這類舊技術升級——每個人對AI都有自己的理解,靠集思廣益很難推進,企業應該先在一個部門做出能閉環的樣板,再靠示範效應說服全公司跟進。
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
缸中之腦沒有手腳
王書元說看到GPT-4的第一反應是:人類頭腦思想的問題,本質上已經被解決了——他當時是AI research背景的apply scientist,立刻覺得自己過去的研究沒必要再做下去。但這個新誕生的智能只是「缸中之腦」:沒有手沒有腳,只能在聊天框裡給答案,連把生成的代碼粘貼回編輯器都要用戶手動完成。FDE要做的,就是給這個「腦子」裝上手腳、記憶和場景匹配能力,讓它從聊天工具變成能在企業生產系統裡跑起來的agent。
— 王書元問題反饋不用出公司
王書元說Google Cloud FDE的優勢不在「模型更強」,而在debug鏈路更短:FDE在客戶現場發現的能力邊界問題,能直接反饋給公司內部的產品團隊或模型質量團隊,等更新上線後再回客戶現場驗證一遍——這是公司內部溝通。獨立或第三方FDE團隊如果自己解決不了問題,要找的其實是另一家公司,跨組織溝通效率完全不是一個量級。第三方的好處是能在多個模型廠商之間保持中立、幫客戶貨比三家,但這是利弊互換,不代表能力更強。
— 王書元FDE賣的是樣板間
王書元用裝修打比方:一套房子不用造樣板間,自己裝修或找團隊做完就行;但要裝修一整個小區,一定先造一個樣板間——樣板間可以沒有馬桶、沒有抹布,但一定要有水電,意思是demo不需要功能齊全,但數據管線必須在真實場景裡打通、形成閉環。他的暴論是:企業推AI不能靠集思廣益,因為不像以前的數據庫技術只有一個部門懂,今天每個人對AI都有自己的理解,眾口難調;正確做法是先把一個部門的樣板做到足夠漂亮、能跑通,再靠示範效應說服其他部門跟進。
— 王書元先融化的是研發和PM邊界
王書元觀察到,在Agent時代之前,他帶的AI研發團隊和PM團隊之間的界限最先變模糊——研發開始自己跟LLM對話去寫項目申請書、證明算法價值,這其實是PM的活;PM則直接拿著寫好的研發文檔問LLM要方向,這其實是研發的活。他給這個現象起名「FDE BP」(business partner):隨著vibe coding普及,純技術能力的邊界正在變得次要,真正重要的是能不能從客戶的業務問題反推需要什麼樣的agent工作流,這也讓團隊重新討論招聘時該不該保留白板寫代碼的環節。
— 王書元別站主航道,價值在漣漪
王書元講了一個真實案例:客戶想把帶像素級文字的廣告圖整張從一種語言翻譯成另一種語言,他當場反對,理由是這正踩在模型的主航道正中央——果然兩三週後Google發布了nano banana,如果當時真做了,整套定製系統就全廢了。他的結論是FDE要像站在船頭兩側找漣漪,而不是站在船的正前方:主航道上的需求模型廠商自己很快會解決,FDE真正該找的是側面、後方那些模型還顧不上、但客戶真實需要的縫隙。
— 王書元機制買不來信任
王書元說機制沒法直接建立信任——機制只能幫你排除最後那一丁點懷疑。他舉Manus選擇合作方的例子:當時各家雲廠商和模型公司都在被接觸,最後是因為Google的FDE同事足夠積極主動地解決了許多具體問題,信任才慢慢攢起來,後面才談得上早期模型checkpoint的access這些機制。他也直言,目前判斷agent還取代不了FDE,人和人面對面建立信任這件事,現在還沒有被自動化。
— 王書元下一波浪潮在知識工作者
王書元的暴論是,第一波AI浪潮已經在編程界兌現,下一波會在知識工作者這塊爆發——雖然有人說知識工作者消耗的token比編程少,但把一個人進公司以來開過的每個會、每份文檔全部餵給AI,token消耗量其實不小。他用Gemini Agent處理manager工作時有了第二次ChatGPT moment:不再需要告訴AI該參考哪份文檔、哪次會議,只要說清楚要做什麼,AI會自己跑很長時間把上下文收進來。他把這個過程稱為知識工作者的「自我蒸餾」,並說企業AI落地難,很多時候不是AI不行,而是企業本身沒做數字化轉型。
— 王書元兩個月網站,Agent一次跑完
王書元對比了親身經歷:用上一代工作流(需求文檔、架構設計文檔、進度文檔三份對齊,每次改動留痕)給太太做職業教練個人網站,涉及數據庫和前後端部署,前前後後花了兩個月業餘時間;Manus出來後他把同樣需求重新跑一遍,不再需要維護這三份文檔、不再需要每次留痕,直接端到端跑出一個基本可用的頁面。他認為agent進化分層:第一輪看答案質量,第二輪看任務完成度,下一輪要看的是能不能貼合人腦處理信息的頻率——他有時只想要一句話反饋,agent卻給出要花五分鐘認真讀的長文,這種錯位還沒被解決。
— 王書元原話 · 已逐字校驗
我們是會把FDE定義為幫助客戶 從AI的概念走向實際生產系統落地的加速器
我們把FDE定義為:幫助客戶從AI的概念,走向實際生產系統落地的加速器。
王書元1:02
那我現在覺得說以後我們就會得到無數個剛中之腦 這剛中之腦本身的價格是非常便宜的 但是它雖然沒有手沒有腳 在當時不能做其他任何的事情
我覺得以後我們會得到無數個缸中之腦,這個缸中之腦本身的造價非常便宜,但它沒有手沒有腳,當時不能做其他任何事情。
王書元4:04
可以用一個非常簡單的比喻來說明 FDE就是打造樣板間的 打造樣板間跟傳統的裝修有什麼不一樣 大家可以想一想
可以用一個非常簡單的比喻來說明,FDE就是打造樣板間的,打造樣板間跟傳統的裝修有什麼不一樣,大家可以想一想。
王書元15:07
我講一個我的暴論 可以 非常簡單 一定選前者 後者是走不通的 或者換句話說 就是一定要先打造樣板間
我講一個我的暴論:一定選前者,後者是走不通的。換句話說,就是一定要先打造樣板間。
王書元20:12
PM就覺得說 這個東西已經這樣了 我就可以去找公眾團隊了 然後我們發現說 我們研發和PM之間在幹 同樣一件事情 特別的神奇
PM會覺得,這件事已經做完了,我就可以去找產品團隊了。然後我們發現,研發和PM之間在幹同樣一件事,特別神奇。
王書元30:21
但是就在這個事情過後 可能沒有兩三週的時間 nano banana就出來了 這個事情就是說 需求還存在 還有很多edge case 但是說如果我們當時去做的話 那整套系統都不需要了
但就在那之後,大概沒過兩三週,nano banana就發布了。需求還在,還有很多edge case,但如果我們當時真做了那套定製方案,整套系統現在都不需要了。
王書元38:24
機制不能幫助你建立信任 對 機制只能幫助你排除說最最後的那一丁點懷疑
機制沒法幫你建立信任,機制只能幫你排除最後那一丁點懷疑。
王書元43:27
然後給我非常靠譜的建議 嗯 我覺得他的核心就是說 一個知識工作者 他是可以自我蒸餾的
然後給我非常靠譜的建議。我覺得核心是,一個知識工作者是可以自我蒸餾的。
王書元48:32
數字與實體
| nano banana發布與需求出現的間隔 | 兩三週 | 38:24 |
| 傳統模式下manager可帶團隊規模 | 50人 | 45:27 |
| 用舊工作流做個人網站的耗時 | 約兩個月(業餘時間) | 52:54 |
術語
- FDEFDE
- Forward Deployed Engineer,派駐客戶現場把AI能力落地為生產系統的工程師
- brain in a vat缸中之腦
- 哲學比喻,指有智能卻沒有手腳、無法與外部世界交互的大腦
- FDE BPFDE BP
- 王書元自創詞,指FDE要像business partner一樣從客戶業務問題反推技術方案
- nano bananaNano Banana
- Google發布的圖像生成/編輯模型
- self-distillation自我蒸餾
- 王書元用來形容知識工作者把自己積累的文檔、會議記錄餵給AI的過程
收聽指南
想把AI真正落到企業生產系統裡的創業者、技術負責人,以及正在搭建FDE或交付團隊的人。
對AI工具演變史熟悉的聽眾,可跳過開頭講vibe coding歷史的鋪墊。