2026年世界人工智能大会（WAIC）在上海落下帷幕，AI产业正从模型竞赛转向应用深耕。当行业目光从参数规模转移到业务价值，一个关键问题浮出水面：AI如何真正融入企业血脉，而非停留在演示阶段？曾鸣教授在WAIC现场接受专访时指出，未来的竞争不再是技术能力的简单比拼，而是能否构建“智能复利”——让AI在真实业务中持续学习、自我增强。这场变革的核心，正是将AI从辅助工具升级为驱动增长的智能工具，重塑组织形态与商业逻辑。
AI底层变革：从效率工具到智能工具
曾鸣教授将AI的影响力与工业革命相提并论，认为这是一场“底层技术变革”。过去几年，企业主要将AI视为效率工具——自动化报表、优化客服、加速设计。但曾鸣强调，真正的变革在于AI正在成为智能工具，它不再是等待指令的被动执行者，而是能够主动理解任务、独立决策并承担结果的智能主体。
这种转变意味着企业必须重新审视自身业务：是否存在一个环节可以被AI“真正接管”？例如，传统电商推荐系统依赖标签和历史行为，本质上仍是“千人千面”的标签匹配。而AI驱动的智能工具能够通过持续对话和深度理解，实现“一人千面”——动态捕捉用户在不同场景下的真实需求。这种能力在AI画图等创意生成领域已初见成效，但企业更需要将类似逻辑嵌入核心业务流。
曾鸣指出，AI之所以能成为底层变革，是因为它改变了价值创造的方式。工业革命通过机械替代体力，AI则通过智能替代脑力，且这种替代具有自我增强特性。当AI进入业务流程，每一次交互都在积累数据、优化模型，形成正向循环。这正是“智能复利”的雏形，也是企业必须尽快拥抱智能工具的根本原因。
短期回报困惑：AI创业公司的融资与价值验证
尽管AI热潮持续，但许多企业反馈“投资回报不明显”。曾鸣教授认为这是正常现象——AI应用仍处于早期探索阶段，尤其是对于AI创业公司来说，它们既需要向投资人展示技术潜力，又必须证明实际业务价值。这种双重压力使得AI融资市场出现分化：资本更倾向于那些已建立反馈闭环的项目，而非单纯炫技的Demo。
曾鸣观察到，企业最大的困惑在于“如何衡量AI带来的价值”。员工效率提升容易被量化，但组织层面的系统变革却难以短期计算。他建议企业在初期选择一个相对简单的业务进行试点，例如供应链预测、智能客服或抠图工具等自动化流程。关键在于：这个环节必须能形成完整的“任务输入-执行-反馈”闭环，让AI有机会独立完成任务并承担责任。
对于AI创业公司而言，融资的困难往往源于“60分基点”尚未突破——即AI无法独立上岗，仍需人工兜底。投资者越来越看重“可复用的智能复利”，而非单个场景的优化。因此，企业需要设计清晰的验证路径：先证明AI能搞定80%的常规任务，再逐步提升到99%的可靠性。这一过程需要大量实践积累，但正是AI工具导航类平台出现的价值所在——它们帮助创业者快速找到合适的工具和案例，降低试错成本。
智能复利：让AI在真实业务中持续学习
“智能复利”是曾鸣教授新书的核心概念，指系统在真实使用中不断学习、自我增强。这并不是玄学，而是一种可操作的机制。他举例说明：当AI被部署到客户服务流程中，它不仅能处理常见问题，还能从每一次失败的对话中学习，优化回答策略。这种能力随着时间推移呈指数级增长——前提是反馈闭环必须完整。
曾鸣认为，最具复利潜力的业务场景具备两个特征：第一，任务具有高频重复性，且结果可量化；第二，AI能够端到端完成任务，无需人工断点。例如，在文生图领域，AI可以直接根据用户描述生成图片，用户反馈（点赞、修改、重绘）构成闭环，模型因此不断精进。而在企业营销场景中，AI可以自动生成个性化广告文案，根据点击率数据实时调整策略，形成“创作-投放-优化”的飞轮。
相反，一些看似热闹的场景难以积累复利。比如纯咨询类AI，如果每次回答后没有用户满意度反馈，或需要人工复核才能输出，那么AI的学习就中断了。曾鸣强调，企业必须警惕“伪闭环”——那些需要人类频繁介入的流程，只会让AI停留在“辅助角色”，无法形成真正的智能工具。
从千人千面到一人千面：AI驱动的个性化革命
曾鸣教授在2010年提出“千人千面”，基于标签和行为的推荐系统曾引领电商革命。但如今，AI正在将“千人千面”升级为“一人千面”——每个人在不同时间、不同场景下都有独特需求，AI有能力动态理解并实时响应。
这一转变的核心是AI的“持续互动能力”。传统推荐系统依赖用户过去的行为数据，本质上是“猜你喜欢”；而AI可以通过对话、上下文理解甚至情感分析，主动探索用户当前的真实意图。例如，一个用户周末可能想找户外活动，工作日则需要高效办公工具——AI能根据时间、位置、历史偏好综合判断，提供截然不同的服务。这种能力在AI诗词生成、艺术签名等创意工具中体现得尤为明显：用户输入几个关键词，AI就能生成符合其心境的作品，且每次互动都让模型更懂用户的审美偏好。
对企业而言，这种个性化革命意味着营销、产品和服务模式的根本重构。曾鸣指出，企业需要放弃“粗放式用户画像”，转而构建“动态用户模型”。AI可以实时追踪用户的行为轨迹、情绪变化和需求迁移，甚至预测其未来需求。例如，一家在线教育平台可以用AI为每个学员定制学习路径，根据答题正确率、专注时长和情绪反馈调整难度和内容——这不仅是效率提升，更是价值创造的新维度。
60分基点：AI独立上岗的临界点
曾鸣教授提出“60分基点”概念——当AI的能力达到可以独立上岗的水平（即60分），智能复利的飞轮才开始加速运转。从60分提升到100分甚至500分，往往比从0分到60分更容易。但如何突破60分，是企业面临的最大挑战。
他建议企业从三个维度验证AI是否达到“独立上岗”标准：第一，端到端任务完成能力——AI能否独立处理从接收任务到交付结果的全流程，不依赖人工兜底？第二，结果责任承担——如果AI犯错，它能否自动修正并学习，而非需要人类介入？第三，反馈闭环的完整性——任务结果是否能量化反馈回模型，形成持续优化动力？
例如，在AI网名生成工具中，用户输入偏好（如“文艺风”“古风”），AI直接输出多个候选，用户选择或修改后反馈系统。这个闭环非常简单，但已经实现了“独立上岗”。而企业级应用，如智能客服，可能需要更复杂的机制：AI不仅要回答，还要在遇到无法处理的问题时主动转接人工，并记录转接原因以便后续学习。
曾鸣强调，大多数AI创业公司在初期都卡在“60分”之前。它们可能拥有强大的模型，但缺乏与真实业务场景的深度耦合。解决路径是：先选择一个“最小可行闭环”，让AI在低频但关键的任务中证明自己，然后逐步扩展。这与大模型训练的思维不同——训练追求通用能力，而业务落地追求特定场景的可靠性。企业需要组建专门的“AI业务流程团队”，由业务专家和AI工程师共同设计反馈机制，确保每一步都产生学习价值。
企业实践路径：从试点到原生业务
对于希望系统化拥抱AI的企业，曾鸣教授给出了清晰的路径图：第一阶段，选择非核心但高频的环节试点，建立信心；第二阶段，将AI嵌入核心业务流，重构工作方式；第三阶段，走向AI原生业务——即业务本身基于AI设计，而非在传统流程上叠加AI。
他特别提醒，企业不应盲目追求“最炫的技术”。例如，与其花费巨资训练自有大模型，不如先用AI工具箱中的成熟方案解决具体问题。关键是要让AI“真正进入工作流”——这意味着组织架构、绩效评估和决策流程都需要配套调整。例如，如果AI能独立完成某类报告，那么相关岗位的职责就应从“撰写”转向“审核与策略优化”。
曾鸣观察到，领先企业已开始设立“AI业务负责人”岗位，直接向CEO汇报，负责协调技术、业务和数据部门。这种组织变革是智能复利的保障——因为只有打破部门墙，才能构建完整的反馈闭环。同时，企业需要关注AI融资趋势：资本正在从“技术驱动”转向“场景驱动”，那些能清晰展示“60分基点”突破路径的项目更容易获得青睐。
最后，曾鸣教授总结道，AI时代的企业竞争，本质上是“智能复利”速度的竞争。谁能更快让AI独立上岗，更快形成自我增强的价值循环，谁就能在下一轮增长中占据先机。而这一切的起点，是认识到AI不再只是工具，而是业务本身。