这可能是世界人工智能大会最精彩的应用演讲， 关于中小企业如何应用AI

^{FDE × SELF-EVOLVING ORG}

本文内容来自清华大学新闻学院、人工智能学院双聘教授沈阳教授，于7月20日在2026世界人工智能大会AI for SME——人工智能赋能中小企业高质量发展论坛的专题演讲，主题是从智能体到自进化组织：FDE如何重构中小企业。沈阳教授是一位跨学科研究者，先后担任计算机、信息管理、新闻传播、人工智能等专业教授，目前主要研究AI for AI、自进化AI、FDE、AI框架等。

各位领导、各位企业家、各位朋友：

大家好！非常高兴今天有机会与大家交流。

我今天分享的核心问题是：当人工智能从个人工具进入企业组织以后，我们究竟应该如何使用它？它为什么不只是一次工具升级，而可能引发企业组织方式、知识结构和生产关系的系统性变化？

一个人使用AI，与一个组织使用AI，完全是两个不同的问题。

顺便说一句，今天演讲所使用的PPT，包括其中的大部分内容，都是由AI自动生成的。从今年1月1日起，我们团队就不再提倡人工制作幻灯片，能够让AI完成的，尽量交给AI。

我们发现，如果一份PPT没有严格的客户交付标准，只是用于个人演讲，AI可以将制作效率提高几十倍；但如果它需要正式交付给客户，涉及固定格式、品牌规范、数据准确性和多轮审核，效率提升就没有那么夸张。

这个差异背后，隐藏着一条非常重要的规律：

一、个人使用AI，追求能力放大；组织使用AI，首先需要建立规则

过去几年，我大约与AI进行了五万次对话，使用AI创作了十四万幅画、一万首音乐和一千首诗歌。我们的团队上个月还制作了大约一百部AI短剧，每部六十集。

这些工作虽然也需要团队协作，但在很大程度上仍然属于个人能力的延伸。一个人使用AI，只要自己觉得结果好，就可以继续往下走；但是，当AI进入企业，事情立刻变得复杂。

企业使用AI，需要面对流程、权限、质量、责任、审计、数据安全和客户交付等一系列问题。个人可以接受“差不多”，企业却必须回答：

谁来使用AI？

AI可以访问哪些数据？

哪些结果可以直接执行？

哪些结果必须经过审核？

如果AI犯错，由谁承担责任？

一次成功的方法如何变成整个组织的能力？

因此，我给中小企业的第一个建议是：不要零散地使用AI，而要建立一套企业级AI战略与应用规则。

当一个企业形成了共同的目标、统一的规则和清晰的边界，AI的使用效率才会真正提高。否则，员工虽然都在使用 AI，组织却不一定获得了真正的生产力。

二、企业使用AI，正在经历五个阶段

回顾过去几年的实践，企业使用AI大致经历了五个阶段。

第一个阶段是提示词工程。

这是最初级的阶段，也就是人与AI聊天，通过提问获得答案。提示词当然重要，但它只能解决一次性的交互问题，无法承载复杂的企业知识。

第二个阶段是上下文工程。

我现在接受记者采访，往往不再完全依靠现场口述，而是先把自己过去的论文、演讲和核心观点整理成一份上万字的背景材料，再把采访问题交给AI。AI学习这些上下文以后，生成的回答有时比我现场即兴回答得更加完整。

企业也是一样。AI并不了解一家企业的历史、产品、客户、规则和隐性经验。如果没有上下文，再强的模型也只能给出通用答案。

所以，企业应用AI的关键，不只是学会提问，而是不断积累高质量上下文。企业的制度、案例、流程、产品资料和客户经验，都应该逐步转化为AI能够理解和调用的知识结构。

第三个阶段是驾驭工程，也就是

Harness Engineering。

驾驭工程解决三个问题：告诉AI做什么、怎样做，以及绝对不能做什么。

我们现在让AI执行一项复杂任务之前，通常会先为它准备一份上千字的驾驭文档，明确目标、步骤、工具、边界、评价标准和异常处理方式。驾驭文档本身也可以由AI辅助生成。

提示词是在“问AI”，上下文是在“教AI”，而驾驭工程是在“组织AI干活”。

第四个阶段是循环工程，也就是Loop Engineering。

当AI不再只是回答一次问题，而是可以持续执行“规划—行动—观察—检查—修正”的循环时，它就从聊天工具变成了能够连续工作的智能体。

在循环工程中，人可以选择在环，也可以选择只在关键节点介入。经过一段时间的实践，我越来越关心的不是AI中间每一步究竟怎么做，而是它最终能不能交付一个可验证的好结果。

这使我们提出了一个概念：

不可解释但可以验证的创新。

未来很多AI成果，人类未必能够完全理解它的生成过程，但只要能够建立可靠的验证机制，就仍然可以安全地使用。这将成为人工智能时代非常重要的创新范式。

第五个阶段是图工程，也就是

Graph Engineering。

一个人使用循环工程，往往是一条线；当企业中很多人、很多智能体都在运行循环，这些循环就会相互连接，形成一张由任务、数据、权限、技能和验证器组成的网络。

从Loop走向Graph，意味着企业不再只是拥有一些孤立的智能体，而是开始形成一套新的组织操作系统。

三、模型能力正在过剩，组织吸收能力却严重不足

今天的大模型越来越强，普通用户已经很难直接感受到每一次版本升级带来的能力差异。很多时候，只有通过专业评测才能看出模型之间的细微变化。

从某种意义上说，通用智能对于普通任务已经开始出现局部过剩；但与此同时，企业吸收智能的能力却远远不足。

当前真正稀缺的，不只是更聪明的模型，而是企业将模型能力转化为实际生产力的能力。

老板往往希望立即应用AI、立即获得回报，但组织内部可能存在不同程度的阻力。

中层管理者的传统价值之一，是掌握信息、传递信息和协调信息。当AI能够直接连接决策者、员工和业务系统时，一部分依赖信息不对称形成的管理价值会被削弱。因此，中层不一定天然欢迎AI。

基层员工同样可能产生焦虑。他们担心使用AI以后，工作量不仅没有减少，反而需要承担更多任务。

事实上，人类历史上很多效率工具并没有缩短劳动时间。手机和互联网提高了沟通效率，却也延长了人们在线的时间。AI越来越强，并不必然意味着人类越来越轻松。如果缺乏制度设计，它甚至可能让工作节奏变得更快、任务密度变得更高。

所以，企业的AI转型不能只谈效率，还必须同时讨论责任、收益分配、岗位变化和劳动强度。

四、FDE的本质，是解决智能从模型到组织的“最后一公里”

大模型拥有大量潜在能力，但潜在能力并不等于现实生产力。

我们可以将企业中的智能能力分为三个层次：

第一层是“潜在有”。模型理论上能够完成某项任务。

第二层是“实际有”。模型的能力真正进入企业流程，产生稳定结果。

第三层是“可遗传有”。一次成功的做法被固化为组织技能，可以被复制、调用和持续改进。

FDE要解决的，就是如何把模型的“潜在有”变成企业的“实际有”，再把一次性的“实际有”沉淀为可以复制和进化的“可遗传有”。

这里所说的FDE，可以理解为前沿部署工程。它不是简单地给企业安装一个聊天机器人，而是让AI工程师深入企业业务现场，把模型能力嵌入具体岗位、工作流程和信息系统。

从我们的实践来看，企业级FDE至少具有三个特点。

第一，重度数据应用。

普通智能体往往只需要少量材料就可以工作，本质上属于轻数据应用。但FDE进入一家企业以后，需要处理大量业务数据、历史文档、行业知识、客户资料和组织规则。数据质量直接决定AI能力的上限。

第二，技能网络化。

企业中的任务不是孤立存在的。一个业务结果往往需要多个技能连续协作。因此，FDE不是创建单一技能，而是把多个技能连接成可调度、可验证的技能网络。

第三，精准格式输出。

企业交付物通常具有严格格式。PPT、Word、Excel、报告、合同、标书和业务表单都有固定模板。内容正确但格式不合格，在企业场景中仍然属于交付失败。

因此，FDE的工作量并不小。它涉及数据治理、知识解构、岗位分析、技能封装、权限控制、流程改造和验证机制建设。

五、FDE应当从每个岗位最重复的四件事开始

我们进入一家企业以后，通常会把每个岗位的工作提炼为四项最主要、最重复的任务。

为什么优先做重复任务？

因为重复频率越高，自动化以后产生的累计收益越大；任务越稳定，AI也越容易学习和验证。

完成岗位拆解以后，我们会把成功的执行方法蒸馏成一个Skill，也就是可以重复调用的组织技能。Skill在运行过程中又会产生新的知识，新的知识再继续被整理、验证和蒸馏。

这样就形成了一个双向进化过程：

人把经验教给AI，AI把经验转化为可复制的技能；AI在执行中产生新知识，人再对新知识进行判断和修正。

最终，企业积累的不只是文档和数据，而是一套可以持续生长的技能资产。

六、企业不能容忍幻觉，必须建立四层验证体系

在个人场景中，AI偶尔犯错可能只是带来不便；但在保险、医疗、金融、法律和工业等企业场景中，一个错误可能造成严重损失。

因此，企业应用AI不能只依赖模型本身，而要建立完整的验证体系。

我们把验证分为四个层次。

第一层是AI验证。

AI生成代码后，可以运行测试、检查逻辑、寻找漏洞并继续修改。编程之所以成为当前自进化速度最快的领域，正是因为代码天然具有较强的机器验证条件。

第二层是人的验证。

一篇文章是否有洞察，一份方案是否符合客户需求，一个设计是否具有审美价值，很多时候仍然需要人来判断。

第三层是社会验证。

例如，AI生成视频并发布到内容平台以后，可以根据点击率、完播率、转发率和用户反馈进行调整。这是由社会行为数据构成的长链路验证。

第四层是真实世界验证。

工业生产、药物研发、机器人行动和商业经营最终都需要接受物理世界与真实市场的检验。这一层成本最高、周期最长，同时也是最可靠的验证。

AI能力的上限，不只取决于生成能力，更取决于验证能力。

未来企业间的竞争，很可能不是“谁拥有更大的模型”，而是“谁拥有更短、更快、更可靠的验证闭环”。

七、自进化不仅是技能进化，也包括目标和方法的进化

企业AI的初级形态，是让AI学习企业知识；更进一步，是让AI理解企业目标并持续改进技能。

但真正的自进化还要再向前一步：目标本身可以被反思，方法本身也可以被优化。

传统自动化是在固定目标下重复执行；自进化系统则会不断追问：

当前目标是否仍然正确？

衡量目标的指标是否合理？

有没有更好的实现路径？

现有技能是否应该被拆分、合并或淘汰？

新的知识能否迁移到其他业务？

因此，自进化组织不是简单地让AI自动工作，而是让企业形成“执行—验证—学习—沉淀—再执行”的持续进化机制。

八、FDE实施应当遵循递减式增效路线

企业的AI改造不可能一次完成。我们建议把FDE实施划分为多个周期：

第一个周期争取提效20%；

第二个周期再提效10%；

第三个周期再提效5%；

第四个周期再提效2.5%。

按照基准工作量计算，四个周期累计可以实现37.5%的效率提升。我们在实际项目中曾经观察到约42%的效率提升，但面向企业制定目标时，应当保守一些。

这一递减规律说明，最初的效率提升主要来自消除大量低价值重复劳动；越往后，剩余任务越复杂，自动化成本越高。

所以，企业不应一开始就追求所有岗位、所有流程的全面智能化，而应优先找到高频、稳定、可验证、数据基础较好的任务。

九、如果模型越趋于收敛，外部框架就越重要

我们最近重点研究的另一个方向，是AI框架。

大模型可以被理解为大脑，框架则相当于它的记忆、工具、四肢、工作流程和外部反馈系统。单靠一个封闭的大脑，很难实现持续进化。它需要调用工具、连接数据、执行任务、接受反馈，并根据结果调整自己。

模型能力快速提高时，大家关注的是模型；当不同模型之间的能力逐渐接近以后，决定实际效果的将越来越多地转向框架。

同一个模型，放在不同的上下文、工具链、验证器和驾驭框架中，可能表现出完全不同的能力。

因此，未来企业真正需要建设的，不只是模型能力，而是一套能够持续驾驭模型、连接业务并进行自我改进的外部系统。

十、我们已经看到自进化AI的早期成果

今年5月，我们尝试让AI自动优化算法。

最初，我们选择了每台计算机都会使用的压缩算法作为实验对象。AI连续运行七天七夜，自主寻找新的算法组合，最终得到一个性能非常突出的结果。

我们把软件交给国际专家测试。第一次测试时，对方将其排在第四位，原因是测试设备较旧，无法运行大规模数据集。我们随后重新调整软件并再次提交。经过正式测试，我们的算法最终在压缩算法的BWT类别中排名第一。

这件事的意义不只在于获得了一个排名，更在于它证明了：AI已经可以在明确目标和可靠验证器的支持下，长时间进行自主实验、搜索和优化。

我们还在尝试自动实验、自动撰写专利申请、自动生成长篇图书、自动制作投标文件、自动传播和自动生成企业服务内容。

过去需要数天完成的两百页投标文件，现在半天左右就可以形成初稿；只要早晨提出一个清晰想法，AI就能够在当天生成专利申请文件；一位博士后通过一句话启动任务，一个小时生成了一部二十万字的书稿。

这些成果当然仍然需要人工审核，但它们正在改变知识生产的成本结构。

十一、未来每台设备都可能拥有一颗自适应的AI种子

我们正在设想：能不能在每一台计算机、每一部手机中放入一颗自适应的AI种子？

它一方面学习个人的习惯和知识，另一方面学习企业的规则与流程；它既可以调用网络上的大模型，又可以将高频能力蒸馏到本地模型中。

随着使用时间增加，这颗AI种子越来越了解用户，也越来越了解组织。核心机密数据保存在本地，通用能力则由云端模型提供。

未来真正属于企业的AI，不一定是一个从头训练的大模型，而可能是一套不断学习企业、不断蒸馏能力、不断进化技能的本地智能系统。

十二、使用智能体必须警惕串联损耗

智能体并不是连接得越多越好。

假设一个智能体完成任务的准确率是95%，当多个智能体串联工作时，误差可能逐层累积。如果八个智能体形成一条长链，最终整体可靠性可能只剩六成左右。

我们把这一现象称为“串联损耗规律”。

因此，智能体系统必须控制链路长度，设置中间验证节点，并尽可能让关键任务并行执行、交叉验证。Graph Engineering的核心不是把更多智能体连接起来，而是设计一张更短、更稳、更可验证的协作网络。

企业衡量AI应用，也不能只看消耗了多少Token。Token消耗只是投入，不是产出。

真正重要的是：

这些Token有没有缩短交付时间？

有没有降低错误率？

有没有提升收入和客户满意度？

有没有形成可以复用的技能？

有没有让企业下一次做得更快、更好？

企业需要追求的不是更大的Token消耗，而是更高质量的“正向Token流”——每一单位智能投入，都能够产生可测量、可验证、可积累的组织价值。

结语：未来的企业，要么成为自进化组织，要么被自进化组织重新定义

未来，每一位企业经营者都应该成为AI原生企业家。

所谓AI原生，不是会使用几个工具，也不是要求员工安装几个应用，而是企业负责人亲自理解AI、使用AI，并重新设计企业的工作方式。

个人使用AI，带来的是个人能力放大；一群人分别使用AI，带来的可能只是局部效率提升；只有当知识、流程、技能、权限和验证机制被连接起来，AI才会真正推动组织进化。

企业使用AI的终点，不是拥有更多智能体，而是成为一个自进化组织：

知识能够不断沉淀，

技能能够持续遗传，

流程能够自动运行，

结果能够可靠验证，

目标和方法能够不断迭代。

从提示词到上下文，从驾驭工程到循环工程，从循环工程到图工程，再从图工程进入 FDE，人工智能正在由个人工具演变为企业的组织内核。

未来企业之间最深层的竞争，不再只是人才、资本和规模的竞争，而是谁能够更快地把外部智能转化为内部能力，谁能够建立更短的验证闭环，谁能够让整个组织在运行中持续学习和自我进化。

要么进化为自进化组织，要么被自进化组织重新定义。

ZeeLin 自进化 AI 工作框架测试版已更新至0.1.3版本

支持Windows和MacOS双平台。无论你是独立开发者、产品经理、内容创作者、

企事业单位人员，还是团队管理者，都可以在ZeeLin中找到适合自己的AI工作方式。