用 Fable 5 生成的《百年孤独》里的布恩迪亚家族的族谱，只出现了一处小的错误（不是战死，而是死于枪下），结果令人震惊。

相比之下 ChatGPT 生成的图片版尽管豪华，但错误十出。

上海和深圳的朋友们，行动起来吧！

大模型基建的生态位已经非常明确，而应用层会如何发展，现在还处于探索阶段。现在整体偏向如何打造成功的垂直场景 agent，更进一步就是将 agent 升级为 AI Worker/Teammate/Coworker。

围绕 AI Growth Worker，做个小调研，你理解的它应该是什么样的：

它每天会做哪些工作？
它应该具备哪些能力？
它和今天大家理解的 AI Agent 最大的区别是什么？

周末跑步 10km，真叫一个闷热，本以为昨晚下雨今天会凉快点，看来还得下。

边跑步边听文艺复兴科技公司的创始人 Jim Simons 的传记《征服市场的人》，主要是因为这几天听了 acquired 上关于文艺复兴的播客，原来量化投资的鼻祖是这家公司。

这家投资公司从 2000 万美元起步，30 年滚动投资，直接干到了 1000 亿美元。它不公开募资，完全是一个由数学家、物理学家等人组合的精英团队，对外极度保密。在 1988－2018 这段时间，税后年化收益率 39％，完全超越了巴菲特的 19％。最近先后了解了价值投资、指数投资、成长投资、量化投资几个流派，以前都只是知道个名词概念，原来背后都有一些传奇的人和传奇的公司故事。

女儿对经济学和金融的知识比较感兴趣，我一般看了相关的内容，都会抽象一个小学生版的故事讲给她：

有个叫 Jim 的数学家，做一些密码学的研究，经常挖掘一些数字背后的规律，后来觉得这些规律研究可以用于外汇和股票分析。

于是招募了不少数学家、物理学家构建一些 AI 模型来对股票进行预测，寻找其中的挣钱机会，哪怕是 1 分钱，只要交易频繁，就可以挣不少钱。从 2000 万美元起步，三十年干到了 1000 亿美元，比巴菲特还厉害。巴菲特是筛选最好的公司长期押注，Jim 是不管公司好坏只用 AI 挖掘这里面的挣钱机会。

后来浙大也有个学生毕业后复制了类似模式，在中国股票市场进行量化交易，挣了 200 亿人民币。在进行量化的过程，积累了 AI 相关的技术和服务器硬件。然后他们又用这些资源创建了一家 AI 公司叫 DeepSeek。。

这个时候女儿就开始震惊了，因为她知道 DeepSeek。

这几天看到一个词叫“高认知穷人”，我不太喜欢这个叫法，但它确实描述了一种社会现象：受教育的人越来越多，获取信息越来越便捷，带来的结果是预训练好的人脑模型，无法充分释放价值。我更喜欢另一个词叫“认知盈余”，虽然在描述同一种现象，但要正向的多。

随着高级大模型 token 越来越贵，我在考虑的一个点是如何将大量没有充分释放的高认知人脑 token 调度起来。现在市场上有两种形态，一种是像人工标注、人工客服这样的岗位，属于非高阶认知 token 的调用，另一种是专家网络服务，通过访谈专家，获取某些专业认知判断，一般是以人工撮合的方式来实现的。

有没有可能构建一套协议网络，能够在 AI 完成某些复杂任务时，自主决定要调用模型 token 还是人脑 token，这样是一套可靠的系统。就像滴滴、Airbnb 建立连接。虽然还不知道最终产品形态会是啥，但一定会有这类成功的产品出现。

Sensors AI 1.0 正式发布，从数据驱动到 AI Growth Team。欢迎预约体验！

AI 革命，最直接的影响是软件革命，过去单靠堆功能的壁垒显然已经被打破了，但给客户创造价值的本质不会改变。

就拿神策来说，我们能够给客户创造的价值有两层：

一层是 Data Infra，帮客户搭建更好的数据根基，这个需求在 AI 时代会变得更大，在公司刚成立的前几年，我的一个很大的困扰是帮客户搭建的高质量的数据根基，并没有被充分的利用上，只是退化成了一套指标体系，但在 AI 时代，这些数据根基终于有了用武之地，那就是给 Agent 调用。最近我们在推进客户使用我们的 Sensors AI 平台时，不少客户开始反向推动数据根基的进一步优化。

另一层是通过 Agent 把活搞定。过去的软件功能是给人用的，由人操作功能，在 AI 时代，不得不面对的一个问题是低水平的智力调用要被 AI 取代，这和早期计算机代替人工计算没有本质区别。如果要把活搞定，就必须把 AI 嵌入到工作流中，这会导致工作流重构。神策过去其实是很难帮客户搭建好增长工作流的，因为这其中牵涉到太多创造性决策，用户洞察、人群筛选、营销策略等。但现在 AI 确实可以干很多，所以重构增长工作流，就是 Sensors AI 的新价值创造。

对于这两层价值，我认为对大部分软件公司都是成立的。现在有不少 AI Native 的 To B 创业公司发展很快，但我认为依旧要回到基本的商业逻辑，否则只能说还没真正的实现 PMF。

十一年前，神策刚成立时，最核心的数据认知就是数据源很重要，我把神策当时的愿景确定为花十年时间重构中国互联网的数据根基。

那个时候我对数据价值的认识是数据驱动业务决策只能发挥数据 20%的价值，而 80%的价值在于产品智能，也就是数据重要的是成为产品的一部分，比如用于推荐和精准广告等，我就是给机器使用。

以当时的认知，是万万想不到 LLM 这种原子弹级的技术存在的，实现让智力即插即用。智力即插即用，随之而来对数据的要求也不一样。过去神策是在帮助客户搭建更好的 CDP（CustomerDataPlatform），面向未来，神策要帮客户搭建更好的 CWM （Customer World Model）。

对于 CWM 如何打造，才刚刚开始，因为上层 Agent 如何更好的完成任务也刚刚开始，我相信两者是相辅相成的。在这次大会上，我也会分享我对 CWM 的理解。

每次范式革命，都会引入新的角色，在 SaaS 范式下，出现了 Customer Success Manager 这一岗位，其职责是帮助客户用好软件产品，因为如果客户用不好，就没有续约，商业模式就不成立。

在 Agent 范式下，最近比较热的是 Forward Deployment Engineer 这一岗位，虽然它的初始设置来源于 Palantir 为了真正解决客户场景问题，反向驱动产品迭代。但在 Agent 本身不足够智能且客户对如何构建 Agent 来落地业务场景不熟悉的大背景下，FDE 这一岗位恰恰匹配了市场需求。

在这次发布会，神策也会介绍在 AI Growth 场景下，我们所定义的一个新角色：Growth Agent Builder，期待和大家一起探讨。

现在行业已经基本形成共识：

AI 的关键不是 Chat，而是 Agent 把工作搞定。

但真正难的地方在于：

一个具体的增长工作，怎么被拆成 Agent 能持续完成的工作流？

比如：

从用户分群、机会识别，
到策略生成、触达执行，
再到效果复盘、下一轮优化。

这里面哪些环节能自动化？
哪些环节必须有人设定目标和边界？
企业现有的数据、系统和组织，又怎么接进去？

这次神策 AI 重点想聊的，不是“Agent 很重要”，
而是：

AI Growth Workflow 到底怎么落地。

6 月 26 日周五下午两点，北京。欢迎来现场交流。