非常感谢各位媒体朋友，之前也跟大家分享了不少我们在做的工作，在今天，我们把对于产业的思考，把“一号位工程”的实践落地成为了一号位AI产品。
在过去一年里我见了几百位CEO，他们每次在大会上茶歇的时候都会把我拉到旁边说，我们做了AI，你帮我们点评一下。CEO们会说，自己的企业做了好多Agent，公司CIO做了很多工作，用哪个模型更好，滔滔不绝地讲了很多，我就问他们你做了这么多工作对你的财报有什么影响？结果就是一阵尴尬的沉默。
今天我们就是告诉大家，我们用什么产品帮助这些CEO打破沉默，让AI不只是做一个软件工具，而且成为企业AI转型的核心技术。所以今天我们会发布四个产品，万策是平台式的产品，是企业决策中枢。另外还有三个旗舰式的产品，老板AI、销冠AI、投资官AI等，以后还会有更多面向业务一号位的产品。
有人认为，整个大模型发展进入了瓶颈期，但是现在很清晰地可以看到，这个观点是错误的。我们可以看到这张图，上面是闭源，下面是开源，上面是美国模型为主，下面是中国模型为主，中美的模型都在不断的进步，而且进步的速度不但没有变慢，反而更快了。根据 METR 对前沿 AI agent 的长期任务评测，两年前，最强模型能以约 50% 成功率完成的任务，通常只相当于人类专家几分钟的工作；到 2026 年，最新模型已经达到十几个小时量级。即便考虑测量不确定性，这也是接近百倍的提升。
另一个同样关键的维度是成本。在过去两年间，大模型的推理成本下降了175倍。三年前价格高昂的模型，与今天性能相近的平替模型相比，成本降幅达到175倍。
能够接管的任务时间成长了一百倍，成本降低了175倍。这是什么概念？如果两年前你买一台特斯拉要45万，今天你买同样的那一台特斯拉，可能只要两千多块钱。或者你可以买一个45万的特斯拉，但是它可以飞起来了，所以这就是AI进步的速度，让人非常振奋的一件事情。
其中，AI编程是大家讨论最多、也是增长最快的领域。在ChatGPT刚推出、GPT-4发布时，AI的编程能力与人类相比仍有较大差距。但在过去短短两年多时间里，AI已经超越了人类编程水平。我们也可以看到，在很多公司里AI编程的比例在不断提升，以零一万物为例，所有代码中90%由AI生成，只有约10%由人类编写。这一比例还在持续提升。
程序员必须学会驾驭AI，否则会面临很多挑战。更重要的是，AI具备了编程能力，这意味着它不再只是一个回答问题的工具，而成为一个能够调用系统、执行任务、推进流程，甚至参与决策的工具。编程的本质就是执行我们想要完成的各种工作。日常工作做我们要做一件事情，比如说要订一个行程，或者是帮公司解决一个问题，最后解决的方法是什么呢？无非是你自己或你的同事、下属，使用不同的工具，点击相关按钮，浏览信息，然后做出决策。当AI可以编程了，它就可以自己启动应用，点击按钮，可以跟软件沟通，从而把事情办妥。
当然，程序员不只是敲代码，程序员需要有把问题拆解和计划的能力，程序员可以Debug，碰到了问题可以回溯，重新思考，一直到解决问题为止，程序员的价值体现在思考、决策和执行过程。今天AI的编程能力超过大部分人类的时候，最重要的改变不是用它取代程序员，而是可以帮人类干活，而且这个“活”是没有上限的。
“如果我们今天生产某种农产品，全球需求是有上限的，因为人的食量终究有限，但是人对代码和编程的需求永无止境。我们已经不再需要买一些通用软件，而是针对公司的每一个问题，做一个特殊的表格，解决一个难题，重构公司的供应链，这每一件事情其实都是编程。过去，由于程序员成本高昂，个性化编程难以实现。而今天，我们可以根据每个人的需求进行定制化编程，这对整个经济格局带来的变革将是巨大的。
今天我们特别想讲的是，Coding能力提升，意味着AI可以参与和决策重大事务，这意味AI不再只是一个全公司每个人可以按席位使用的产品，而是可以给公司最高层来做决策的产品，这也是我们今天发布会想强调的重点。
一个Agent，用着大模型，调用着工具，有着记忆，还有知识库，这是非常强大的事情，这是不是意味着人就不需要了呢？当然不是，因为需要人去指挥这些AI，来决定要关注、思考和去做什么问题；AI给出了一个结果，是人来决定它够不够好；是人来决定这些AI怎么组织起来一起工作，所以人的决策非常重要。这么多决策者里面，最重要的就是公司职位高、管理人数多、影响公司业务走向和财报结果的一号位们。
今天，我们的目标就是赋能这些“一号位”，让他们能够充分运用好AI智能体。
讲了这么多，大家会想，开复老师，刚才你说的那个“沉默”解决了吗？为什么有些CEO直到今天都还是拿不出改变财报结果的AI呢？这我觉得有三个重要的原因。
第一个原因，AI不了解公司业务。当前的模型和通用Agent已经非常聪明，但就好像你把清华第一名请进自己的公司，他刚入职时，对公司的贡献几乎为零。因为他完全不了解公司的数据存放在哪里、工作流程是什么、如何才能把事情做好。他可能需要三到六个月才能进入状态。这说明，天才员工要想成为专业可靠的人才，必须能够接触到公司的数据，并知道哪些数据是关键的。如果笼统地把全公司数据丢给他，是毫无意义的。
用AI也是同样的道理。你把二、三十个文件丢给Gemini和DeepSeek，它们能完成得很好，这是因为我们已经人为选择了“重要的文档”，相当于帮助AI预先筛选好了数据。但如果把整个公司的数据直接丢给它，是行不通的。AI需要知道如何运用数据、了解公司的组织架构、掌握公司各类系统的使用方法，还需要理解公司的审批流程和安全边界。这是一项巨大的挑战。
如何才能避免一位新来的天才员工，一上来就帮公司花了很多钱，却花错了地方？这就需要我们对天才员工进行培训。大模型和Agent也是如此，需要经过培训才能发挥作用。如果把一个未经训练的Agent模型直接部署到生产环境中，得到的结果一定会令人失望。
DeepSeek-R1刚出来的时候，大家觉得很好，很多公司公司也买了。
我问这些CEO：“你买了吗？”
“买了。”
“用了吗？”
“用了一阵。”
“用来做什么？”
“员工自己用。”
“员工最常拿AI做什么？”
“算命。”
所以它并没有真正来解决问题，这不是员工的错，也不是DeepSeek的错，而是说并没有一套系统能够让公司了解公司是怎么工作的，这是第一个痛点，也是为什么会有开场时我谈到的“尴尬的沉默”的原因。
第二个原因，大部分的公司还是把AI当做一套软件。“我们怎么装SAP的，怎么装用友、金蝶的，我们就怎么装AI。”很多老板认为，要从不同的软件提供商里挑最好的软件，所以挑模型变成了一个采购任务。做Agent时，CIO首先想到的是各个部门需要什么Agent，应该先用在客服、销售还是法务。有些应用当然需要，但常常是相对边缘化的应用，产生的价值可能是节流，可以少一些人力成本，这对公司当然有价值。但是这样做没有深入业务的核心流程，没有把公司的财报作为最主要的目标，做出来的就可能是漂亮的盆景，长不出一座森林。要长出森林就要看到公司真实的价值链和最关键的位置，以ROI为目标来做事情。
第三个原因，做这个决策的人存在错位。既然是要改变公司的财报，以ROI为根本，就不再是CIO的工作，而一定是CEO一号位的工作。所以零一万物一直强调一号位工程。
在与客户共同磨练的过程中， 我们的一号位工程得以深化，并可以从跟上千位一号位的合作中，提炼出泛化需求。待会儿姚璨会做更深入的介绍。三款“一号位决策 AI”产品：老板 AI、销冠 AI、投资官 AI，分别面向经营一号位、销售一号位和投资一号位，覆盖企业财报改善中最关键的三类决策场景：经营质量提升、收入增长确定性和资本质量管理。万策则是企业AI决策中枢。
零一万物要构建的，不只是一个 AI 工具，而是一套真正服务企业一号位的 AI 决策中枢。
这套产品并非开箱即用。企业地图需要花时间来建设，企业GPS需要花时间调整，企业操作系统相对标准，但是每个企业会有不同的需求，所以我们依然需要我们的FDE工程师深入客户一线。但有了一号位AI，我们的FDE工程师需要花的精力就会下降非常多。
Palantir 有一套 AI platform，也有本体Ontology和操作系统。Palantir 作为行业的领航者，我们会向他们有所学习。但是呢，我们也会青出于蓝，我们的 Ontology 是一个 2.0 的方案，待会姚璨会做更多的介绍。
当AI决策中枢建立之后，公司的决策流程将形成完整闭环。经由这套系统做出的每一项决策，都会获得相应的反馈——哪些建议有效、哪些效果不佳、最终采纳了哪些方案、后续又发现了哪些新问题。系统会基于这些信息不断优化自身的输出，让答案的质量持续提升。这样一个闭环机制，将使系统越用越好、越用越精准。
正如我之前所说，未来企业的竞争力和护城河，不会仅仅来自于采用了哪一家的Agent产品。真正的关键在于是否能够形成闭环，持续精益求精、不断进步，实现数据的闭环流转，推动决策质量稳步提升，最终转化为更好的财务表现。
所以，如果有两家公司，一家是今年就开始用万策，一家是两年后才使用，虽然万策产品是一样的，但是提早使用的公司，万策会进化得更久，帮助他们做出更好的决策，看到更多的事实，规避掉更多的风险。两年以后，已经用了两年的公司，相比刚用万策的公司，就会有明显的竞争优势和更深厚的护城河。
这套决策中枢我概括为四块关键拼图：大脑、地图、导航系统和操作系统。这四块拼图共同构成企业 AI 决策中枢的底层架构。
这其中，大脑指大模型，负责语义理解、业务知识支撑、推理和判断；地图指企业本体 Ontology，用语义定义企业业务世界，写清客户、合同、审批节点、业务对象及其关系，让 AI 真正读懂一家公司的业务逻辑；导航系统指动态上下文，负责追踪交易状态、审批推进、事件变化和实时业务状态，回答“现在实际怎样”；操作系统则负责把判断转化为安全、可控、可审计的行动，包括任务调度、智能体协同、系统接入、沙盒验证、权限继承和动作留痕。
首先，我想重点谈谈本体（Ontology）这一概念。假设我们是一家建筑公司，如果把所有数据，比如财报、合同等，一股脑丢进系统，就像把砖块、水泥等各种材料全部搬到工地上。材料虽然齐全，但彼此之间无法串联，终究建不起房子。而当我们引入了本体Ontology之后，系统就能理解这些数据的含义，知道在什么场景下该调用什么数据，面对特定问题时能够判断哪些数据相关、哪些无关，哪些数据甚至已经是错误或过时的。本体正是决策中枢的核心优势所在，也是我们今天推出万策产品时最为关键的核心功能。
其次，多智能体的价值不仅在于能够相互协作，更在于可以共同进行头脑风暴、脑力激荡。通过将多个异构的、能力各异的智能体整合在一起，能够实现“1+1+1+1+1......大于10”的协同效应。人类社会其实也是如此。以我们创办创新工场的经验为例，一个团队必须同时拥有懂估值、懂竞争格局、懂市场、懂技术等各方面的人才，才能做出更全面、更准确的综合判断。
有人认为，一个大模型就已经足够强大，似乎一个模型就能够完成。但事实上，大模型存在一定先入为主的倾向，它会以终为始，在基于某个方向做出决策后，倾向于固执地沿着这个方向走下去，试图证明自己是正确的，而不是退后一步、更诚实地综合各方意见，做出更优的判断。
在人的世界里，设置投委会、董事会和内阁等机构，本意就是互补共创。要能产生1+1+1+1.....大于10的作用，需要了解彼此的观点，要不然就会变成鸡同鸭讲。但听懂彼此其实并不容易，董事会懂风控的人只会懂风控，不熟悉业务。每个人他有他的专长、特色和才华，但是数据不一样，数据是可以联通起来的。
第二点，人与人之间要更坦诚更透明才能达到更好的结果。第二点，人与人之间唯有更加坦诚、更加透明，才能取得更好的成果。在进行头脑风暴时，如果有人不敢表达意见，或者受到各种人情关系的牵绊，比如觉得“上次你支持了我，这次我就该支持你”，那么弱点便由此而生。
大家都看过雷伊·达里奥（Ray Dalio）的《原则》这本书，他曾说，在公司里面应该一切非常透明。但是我问过达里奥，你这样是不是反人性的？桥水基金有非常好的业绩回报，但是大家不知道的是，桥水基金因为“激进透明”文化，员工流动率很高。很多人受不了要把所有心里话都拿出来讲。
但是AI不会这样。人类会觉得不好意思指出老板的错误，但AI不会。如果使用“老板AI”这款产品，老板在开会之前就能意识到自己的不足，并在会前主动做出调整。因此，我们的产品既顾及了人性，融入了人类的优点，又能以反人性的方式推动公开透明的讨论。
最后，很多人在想未来公司该长什么样。很多人看过 Jack Dorsey文章，里面提倡的大公司里面需要有DRI，这个角色特别重要，但是他要能成功有几个前提：第一，DRI它需要充分地甚至绝对地被授权，这件事他一个人说了算，他不但有管AI的能力，还有协调部门的能力，这样的人才是需要公司挖掘的，不是每个人都可以做的。他们走了公司可能就瘫痪了。所以我们基于一号位工程，先让这个企业的CEO、首席投资官等关键一号位先用产品。
今天我们发布产品只是第一步，之后我们还会帮助公司选出DRI、赋能DRI。不过，我们建议传统公司不宜变革过快，而应循序渐进：先从混合模式做起，最终过渡到DRI模式。不是每个OPC都要去OPC创业中心，在每个公司都应该提供足够的空间，让这些OPC成为DRI，给他们更多的token、更多的资源和决策权，帮助他们达成目标、获得更好的发展。这样的过程需要两三年，对于传统的更大体量的公司，甚至是五年的过程。今天只是把第一步讲清楚了，只摸到了大象腿。
《AI未来已来》我的新书，为了让大家一睹为快，今天参会每一位记者朋友都能拿到这一份这本书的初稿，我们刚刚做完最终编辑。这本书不仅讲述趋势和技术，更能帮助大家看清地图、找到路径、掌握落地方法。它能让包括CEO在内的整个公司理解，在AI的影响下，组织和人该如何实现真正的AI转型——这正是《AI未来已来》一书所描绘的内容。
希望大家多提宝贵意见。我今天就讲到这里，谢谢
--------
司马说：根据零一万物发布的信息，该系统已经在公司内部部署完成，公司实现了5倍订单额增长，商机转化率提升2倍。目前这个产品已获亚洲制造巨头等数个战略级国际客户。
如果这样的系统能推广开去，则大模型在企业中就不再是个玩具，不是替代编程、替代客服的单一效率工具，而是能真正获得企业增长的效率工具，但愿零一万物能取得成功。
