最新消息“聚财阁真的可以开挂吗”玩家必备神器

　　“管理学不会消失，但它将第一次真正建立在智能（Intelligence）的地基之上，而非生物学（Biology）的废墟之上。”

　　“当管理退出，认知升起。”“当新物种遇到旧容器，KPI崩塌了！”这是盛大集团、天桥脑科学研究院创始人陈天桥最新发表的观点。

　　日前，陈天桥在媒体上发表了一篇题为《管理学的黄昏与智能的黎明——重写企业的生物学基因》的文章。他富有创见性地提出：未来的企业，不再是由人领导智能，而是由智能扩展人。

　　陈天桥同时指出：“管理学不会消失，但它将第一次真正建立在智能（Intelligence）的地基之上，而非生物学（Biology）的废墟之上。”

　　第一财经记者了解到，陈天桥最近对于人工智能有很多新的思考，他还在酝酿更多具有哲学思辨的论述。

　　认知“新物种”

　　在最新的文章中，陈天桥表示，随着具备高级认知能力的AI智能体（Agent）的出现，传统管理学所依存的人类生物学基础（大脑的局限性）将被颠覆，企业需要从根本上重塑其组织基因，从“人类中心”的管理范式，转向“AI原生”（AI-Native）的认知范式。

　　在他看来，传统管理学是一套为弥补人类认知缺陷（如有限记忆、有限带宽、动机衰减）而建立的“纠偏系统”。当执行工作的主体从人类变为拥有永恒记忆、全息认知、内生进化能力的AI智能体时，这套系统的基础便“崩塌”了。未来的变革不是用AI优化管理，而是让“管理”本身退出，让位于一种基于智能体认知特性的全新组织形态——“AI原生”企业。

　　文章认为，传统管理学是一套为弥补人类认知缺陷（如有限记忆、有限带宽、动机衰减）而建立的“纠偏系统”。当执行工作的主体从人类变为拥有永恒记忆、全息认知、内生进化能力的AI智能体时，这套系统的基础便崩塌了。未来的变革不是用AI优化管理，而是让“管理”本身退出，让位于一种基于智能体认知特性的全新组织形态——AI-Native企业。

　　“当执行依赖人类时，企业是一个为适配大脑缺陷而构建的制度容器。”陈天桥表示。在他看来，AI Agent的介入，将在“认知解剖学”层面上对现有的企业管理进行颠覆。

　　他从“认知解剖学”角度对比了人类员工与智能体，指出了三大不同之处：记忆的连续性（永恒记忆 vs． 瞬时易碎）；认知的全息性（全量对齐 vs． 层级过滤）；进化的内生性（奖励模型驱动 vs． 多巴胺驱动）。通过这些比较，智能体的优势凸显——它们具有“连续记忆、全息认知、内生进化”的能力。“这不是更强的员工，而是基于不同物理法则运转的新物种。”陈天桥表示。

　　传统体系正在崩塌

　　当新物种遇到旧容器，KPI崩塌了！“我们要KPI，原本是因为人类容易迷路。但对于时刻锁定目标函数的智能体而言，死板的KPI指标反而限制了它在无限解空间中寻找更优路径的可能性。”陈天桥称，“这就好比你给自动驾驶汽车画死了一条轨道，却期待它能躲避突发的障碍。”

　　另一方面，传统的流程与监督体系也在崩塌，从“纠偏”变为了“冗余”。陈天桥对此解释称，这是由于传统的监督机制本是盯着人别犯错，但在智能体内部，理解即执行，感知即行动，监督不再基于对执行过程的怀疑，而是基于对目标定义的再校准。

　　最后，陈天桥提出了企业的终极形态——“AI原生”的定义。“AI原生企业呼唤一种全新的操作系统，一种不再致力于资源规划，而是致力于认知演化的全新神经系统。”他表示。

　　根据陈天桥对“AI原生”企业的定义，涵盖了五方面：架构即智能——企业架构的设计目标，从“管控风险”转变为“最大化数据吞吐与智能涌现”；增长即复利——企业的估值逻辑不再取决于人员（headcount）的规模，而取决于认知结构复利的速度；记忆即演化——企业必须拥有一个可读写、可进化的长期记忆中枢（Long-term Memory），所有的决策逻辑、交互历史与隐性知识，都被实时向量化，沉淀为组织的“潜意识”；执行即训练——所有部门本质上都是“模型训练部门”，每一次业务交互，都是对企业内部“世界模型”的一次贝叶斯更新；人即意义——人类从“燃料”的角色中退出，升维为“意图策展人”与“认知架构师”。

　　陈天桥发表关于管理学的文章，正值人工智能深刻改变企业运营方式的当下。12月1日，咨询公司埃森哲宣布，将通过与OpenAI的合作，为其数万名IT专业人员配备ChatGPT Enterprise软件应用，同时加快各岗位员工的人工智能技能提升。

　　近期，人工智能对企业组织架构的影响也引发全球关注。根据管理咨询公司Management Consulted的研究观点，人工智能减少了对通才分析师的需求，企业借助人工智能就能处理大量基础数据，对于人才的需求正转向“更多处于职业生涯中期、具有专业知识的”员工。

　　咨询公司Alvarez&Marsal则提出企业的架构转向“盒式模型”——一些企业高级员工和初级员工的数量正在更加接近，因为这种模型更依赖经验丰富的专业人士，而不是大量的初级分析师，人工智能将提升分析能力并减少对初级员工的需求。