FDE 企业 AI 落地与交付 · 需求、方案与交付 · 2026-05-24

李想谈 AI:价值藏在生产环境里

AI的真正价值在于生产环境,没有它,AI只能停留在“玩一玩”的层面。李想与罗永浩的深度对话,揭示了AI在企业落地与个人应用间的巨大鸿沟。

核心内容:

  1. AI价值与生产环境的深度绑定
  2. “一人公司”理想与现实的差距
  3. AI时代专业人士价值的重新评估

两人围绕 AI 在企业中的真实落地、具身智能的产业路径、AI 推理芯片的战略逻辑,以及 AI 时代的人才观和管理变革展开了两个多小时的交流。以下是对这场对话中关于AI 和具身智能核心观点 的系统梳理。

一、AI 的真正价值,藏在生产环境里

李想过去大半年做得最多的事情,是学 AI 和推广 AI。他自己形容自己像一个"病毒",先自己深度使用,再一个个给身边的同事装上 Claude Code 和 OpenAI 的工具。

他发现,AI 这个东西,你不能只听别人讲,你得自己真正去用。而且每个人用出来的效果完全不同。

他在公司内部看到了一个很明显的分化:token 消耗量排名靠前的员工,都在用 AI 重构自己的业务流程。

这些人一天消耗上亿 token,把原来不顺畅的业务链条拿 Agent 和 Coding 重新搭建了一遍。李想问他们累不累,得到的回答是"感觉像在玩经营类游戏",因为整个过程已经实现了自我闭环。

但普通个人用户就完全不同了。没有真实的任务和生产环境,agent 就只能停留在"玩一玩"的层面,很快就觉得没意思了。

罗永浩也有类似感受:他把 AI 的现状比作 486 时代的 PC,性能已经很强大,能做的事情也很多,但对普通人来说到处都难用,结果就变成了极客圈子的自嗨。

李想对此给出了一个很根本的判断:这一波 AI 的最大特征,是它同时具备生产力和劳动力属性。而生产力和劳动力天然依赖于生产环境。

有生产环境的人干得热火朝天,没有生产环境的人只能干着急。这也是为什么 Coding 领域的订阅已经达到四百多亿美金,而普通消费者对 AI 的感知仍然有限。

二、"一人公司"是个美丽的误解

AI 时代刚兴起时,很多人都在讲"个人公司"的概念:一个人配上 AI,就能干一家公司的活。李想说,他一开始也信。

但亲自验证了一段时间后,他发现这个逻辑根本不成立。

他观察到,那些在 B 站和小红书上分享"一人公司"经验的博主,最开始都信心满满,说以后一个人就够了。

但做了一段时间后,他们每天更新的内容就变成了"OpenClaw 又更新了""又解决了一个 bug",实际的生产环境始终没有建立起来。

原因很简单:建立一个稳定的、可以持续运转的生产环境太难了。AI 是附着于真实生产环境 之上的,它并没有凭空创造出什么东西。

罗永浩团队做过一个实验:用 AI 尝试复制一个 70 万行代码的成熟软件,一个人做了一个多礼拜就调教到可用。

效率确实恐怖,但这恰恰说明的是"三五个人、十几个人做一个大型公司"的可能性,而非"一个人包打天下"。

三、AI 时代,专业人士的价值不降反升

关于"AI 替代专业工作"的说法,李想认为这是他使用 AI 之后"觉得最胡扯的事情"。

他的逻辑很直接:一个普通人用 AI 做出来的代码可用性差到极致,根本不可能大规模部署。专业人士和普通人的差距,在 AI 的放大镜下反而扩大了。

过去专业人士比普通人强两三倍,现在可能是十倍甚至百倍。

他举了一个很生动的例子:今天大家都能用 seedance 生成视频,但专业设计师做出来的东西跟普通人做出来的差距一目了然。

甚至出现了一个新的"过滤器":以前你不讨厌一个人,但现在他拿 AI 做了一堆粗糙的东西发给你,你反而开始讨厌他了。

李想在公司内部也观察到了类似的现象。他的战略团队里,一个负责人带着几个校招生,在研究 Anthropic 的工作方式时,发现这家公司不做传统的 PRD 文档,直接做可验证的 demo。

于是这几个人干脆也这样做,直接用 agent 把内部的协同需求、数据打通需求、工作衡量需求都做成了可运行的 demo,甚至把 Cowork 完整复制了一遍,全程没有工程师介入。

李想强调说:如果按照"战略研究的人不需要了"这个逻辑裁掉这些人,公司就把最顶级的人才送走了。

专业的人用好 AI,能进入到一个全新的高度,这个高度是非专业人士无法企及的。

四、AI 在企业落地的三道硬坎

李想说,那些 token 消耗量最大的员工,在实践中提出了三个最严重的问题。

第一个问题是协同。今天所有的 AI 工具都是满足个人的,在工作协同上非常差。

怎么让 AI 跟现有的软件进行协同,怎么打通跨部门的业务链条,这是最大的挑战。一个局部效率再高,如果整条链路上其他环节跟不上,产出的整体价值仍然有限。

第二个问题是数据获取。传统的 SaaS 或 IT 系统是给人看的二维数据,但 AI 可以直接读四维数据,带着时间轴和任意维度。

既然如此,就没必要再用传统方式去读数据了,最好的方式是直接进数据库。但数据仓库该怎么管理、怎么跟 AI 对接,变成了一个全新的课题。

第三个问题是价值衡量。在新的工作方式下,一个人的工作产出怎么被合理评估?这直接关系到组织激励的底层逻辑。

这三个问题看似是"使用层面"的,但李想认为它们实际上指向了企业在 AI 时代需要重新构建的基础设施。

五、具身智能的完整版图:上半场与下半场

关于具身智能这个概念,李想给了一个特别通俗的解释:物理世界里所有的机器,给了它模型、大脑和眼睛之后,它来工作。

或者用变形金刚来理解:车的形态是机器人,人的形态也是机器人,飞机的形态同样是机器人。所有的机器在未来被赋予了传感器、模型和处理器,它就是具身智能。

从产业视角看,李想给出了一个非常清晰的判断:自动驾驶是具身智能的上半场,人形机器人是具身智能的下半场。

而且两者之间的连接关系非常清楚,这也是为什么机器人公司要从自动驾驶公司挖人。

自动驾驶在技术栈上经历了三次跃迁,每一次都直接对应着 AI 模型能力的代际升级。

第一个阶段是辅助驾驶,大约从 2017 年到 2022 年,视觉用的是 CNN 的 2D 模型,主要靠人工写规则算法,配合几十 TOPS 的算力。这个阶段已经成长为一个几千亿的产业。

第二个阶段是L3 自动驾驶,从 2022 年开始。技术栈发生了重大变化:视觉变成了 Transformer 架构的 2D ViT,模型从规则驱动转向模仿学习,控制方式变成端到端。

李想认为,只要模型规模达到 4B 到 7B,配合 2000 TOPS 左右的算力,L3 就能实现,预计 2027 到 2028 年头部企业就能做到。

第三个阶段是L4 无人驾驶,大约从 2028 年开始。这一步的核心挑战其实就是具身智能领域最大的技术难关:视觉必须从 2D ViT 升级到 3D ViT,必须有面向物理世界的稳定预训练模型(类似当年 GPT-3.5 对语言领域的意义),后训练也要从模仿学习进化到理解学习,算力需要接近万 TOPS。

李想认为,这个阶段从模仿学习到理解学习的跨越,是自动驾驶和整个具身智能领域共同面临的硬坎。

六、人形机器人的第一个大规模商业场景

关于人形机器人的商业落地,李想提出了一个与主流叙事完全不同的观点:最大的商业机会不在工厂流水线上拧螺丝,不在做咖啡,也不在分拣。

这些工作要么已经高度自动化了,要么根本不需要人形机器人来做。

真正的需求藏在最不起眼的地方:搬运和上料。

李想拿自家工厂举例,一万多人的工厂里,有三千多人的工作就是给机器上料,把零配件放到 AGV(自动导引搬运车)上。商业环境里也一样,楼里的自动咖啡机唯一需要人的环节就是上料加牛奶。

这些工作不需要微米级精度,不需…

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/Openclaw/2026052445192.html