李想谈 AI：价值藏在生产环境里

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，不需要花哨的动作，只需要基本的移动能力、抓取能力和与环境沟通的能力。

他认为，未来最早大规模商业化的机器人，本质上就是把运输和取拿合在一起的功能型机器人。

外形看着可能不够酷，就是一个长着手臂的 AGV，但它在工业、商业和家庭三种场景中都有真实需求。

李想也指出了当前机器人行业的一个结构性问题：做机器人的人大多没有在真实的工厂和商业环境里待过，所以他们去解决的问题往往不是真正的痛点。

"从来没有人问过我们到底需要什么"，他说，"他们想帮我去拧螺丝，但我完全不需要拧螺丝，拧螺丝已经是机器在干了。"

李想把人形机器人的发展也分成了三个阶段，用人类年龄来比喻：第一阶段达到 6 岁的物理世界泛化能力，但可以有专业特长；第二阶段达到 12 岁；第三阶段达到 18 岁，接近 AGI。

整个过程可能需要 15 到 20 年，但第一个阶段商业上就能成立，每年可以达到几十万台甚至上百万台 的规模。

七、AI 推理芯片：未来具身智能的终极壁垒

李想在对谈中反复强调一个判断：未来是一个推理的世界。

训练芯片的壁垒属于英伟达，但推理芯片的战场才刚刚开始。如果推理起不来，无论是端侧还是云端，人工智能就起不来。

模型可能是竞争力，但不一定是壁垒；推理芯片才可能是终极壁垒。

理想在端侧 AI 芯片上做了一个大胆的选择：放弃传统的 GPU 和 ASIC 架构，选择动态数据流架构。

他们认为 GPU 架构在端侧已经遇到了瓶颈，英伟达新一代芯片相比上一代提升并不明显。而动态数据流架构在数据搬运效率上有天然优势，AI 运算最核心的瓶颈恰恰是数据搬运，而非计算本身。

这个决定经过了严谨的论证。团队做了 140 万字的可行性资料，一个字一个字写上去的；还和顶级处理器专家（包括 Jim Keller 这样的业界传奇）讨论过，得到了认可。

理想的 CTO 在大学时就跟随全球最顶尖的动态数据流架构导师学习处理器和编译器设计，只是当时数据流还不是主流。

理想的第一颗自研芯片马赫 M100，单颗算力达到 1280 TOPS。但更值得关注的是下一代芯片的规划：李想透露目标是用四颗芯片跑一个 100 到 200B 的 FP4 模型。

他们甚至在考虑做一个类似 Mac Mini 或英伟达 GB10 Spark 的小型算力主机，花小几万块钱放在用户家里，为家庭场景提供本地推理能力。

只要有万兆网络，家里的机器人和其他设备都可以直接调用这个算力中心，不需要每个设备单独配算力。

这个思路的意义超越了汽车行业。李想实际上在描绘的是一个从端侧推理芯片到家庭算力中心，再到具身智能设备网络 的完整闭环。

八、AI 产品的五层需求架构：不要把所有东西都塞进一个大模型

李想在谈到 AI 产品设计时，给出了一个非常值得借鉴的架构思考。

他认为用户对 AI 有五种截然不同的需求，每种需求应该用最合适的技术方案来解决，一刀切地全用 agent 是效率极低的做法。

第一种是泛化任务，比如深度调研、帮你完成一个复杂工作，这是 agent 来做的，跟 Claude 和 OpenAI 的 agent 模式一样。

第二种是泛化信息获取，比如聊天、搜索、获取新闻，这应该用 chatbot 来解决，速度要快，不能动不动五分钟十分钟。

第三种是精确控制，比如查天气、调设备、找应用，这类需求对确定性要求极高。李想认为知识图谱是最合适的方案，稳定、可靠，一秒钟就出结果，token 消耗几乎可以忽略。

他举了一个反面例子：用 OpenClaw 的 agent 问一下上海天气，四五分钟过去了，消耗了好几万 token，完全是浪费。

第四种是信息记录。李想特别强调，是"记录"而非"记忆"。

他严厉批评了当前 AI 产品中的"记忆"功能，认为那只是营销话术，实际上就是把一堆乱七八糟的东西塞进上下文里，反而降低了效率。

他自己用 OpenClaw 的记忆功能用到"快被搞疯"，后来切换到了 Hermes agent，因为记忆管理稍微好一点。用户真正需要的是对话内容的记录和要点提取，用 RAG 技术就能解决。

第五种是个性化，只需要记住用户的一些关键参数即可，不用搞得很复杂。

这套架构的核心理念是：当你选择了泛化，就要放弃确定性，这两者在某种程度上是冲突的。

所以不同的需求应该分层处理，该用 agent 的用 agent，该用知识图谱的用知识图谱，该用 RAG 的用 RAG。今天很多 AI 产品的架构可能都得按这个思路重新设计。

九、按人体结构重新设计组织

2026 年初，理想做了一次被媒体广泛报道的组织架构调整。李想说，这个调整的灵感一部分来自他跟 AI 的深度对话。

他在用 Claude Code 的时候，花了大量时间问同一个问题：Anthropic 和 OpenAI 的组织结构到底是什么样的？

AI 一开始不愿说，李想就换个角度让它以"最顶尖的顾问"身份帮他做全行业分析。反复追问之后，他得到了一些关键洞察。

他发现了自己公司存在的一个严重问题：做 agent 的团队总想自己做模型，做模型的团队又总想去做 agent。

这就像低级动物手脚上长小脑，或者大脑上长小手脚。而 Anthropic 的做法非常清楚：做模型的和做 agent 的完全分离。

Claude Code 可以调用任何模型，但 agent 团队不碰模型；做模型的专注做预训练和后训练，也不去碰 agent。

理想最终按照"人体结构"重新设计了组织：基座模型团队是大脑，推理（Infer）团队是心脏，软件本体团队是手脚，硬件本体团队是身体，还有一个独立的评估团队。

这跟 Anthropic 等公司几乎一样，只是多了一个硬件本体团队。

调整过程出乎意料地快。周五讨论完，李想说了一句"ASAP(尽快行动)"，周一上午十点就向全公司公布了。

大部分团队听不懂，但基座模型和软件本体团队都秒懂。后来通过持续的培训和沟通，其他团队也逐渐理解了。

评估团队的组建也很有意思。李想发现做评估做得最好的竟然是校招生，因为他们没有旧时代功能评估的思维定式。

AI 时代评估的是能力，包括成本、完成率、时间消耗、TCO，这跟评判一个人很相似。而那些习惯用功能指标做评估的人反而绕不过这个弯。

十、AI 时代的人才画像与管理变革

李想对 AI 时代的人才有一些非常具体的观察。

他发现，token 消耗排名靠前的人有一个共同特征：脑子极为聪明，但嘴跟不上脑子。

在过去没有 AI 的时代，这些人是吃亏的。他们不擅长争取资源，不擅长"见人说人话"，长期遭遇负反馈导致越来越不爱说话。

但 AI 时代给了他们一个完美的表达通道，他们跟机器的对话毫无障碍，做出了惊人的成果。

基于这个观察，李想提出了一个重要建议：所有公司不要轻易裁人。

因为 AI 时代的人才标准跟上一个时代大概率是不一样的。如果按照旧标准裁人，很容易把最好的人裁掉。

在管理方式上，AI 也带来了深刻的变化。李想说，他现在的工作习惯是：先让 agent 帮他做分析，然后出多个方案并互相博弈打分，再优化方案，最后选择并执行。

当他习惯了这种方式后，团队协作也自然变成了类似的模式：大家出方案，在方案里选，还必须是可验证的方案。

这彻底改变了过去的"一言堂"问题。AI 出方案的时候天然带着反向意见，博弈自然就被带出来了。

甚至那些性格比较内向、不敢跟上级提不同意见的人，现在也可以拿着 AI 的分析结果去跟领导平等交流。

对于骨干人才出去创业的问题，李想的态度出人意料地开放。他自己是创业者，骨子里就鼓励创业。

目前出去创业的人基本都做了机器人方向，理想也投了大部分人的早期轮。他认为这些人反过来会给理想带来更广泛的认知和生态协同，比如他们需要理想的马赫芯片，需要理想的预训练模型，未来可以一起合作。

他甚至提出了一个更前瞻的组织理念：如果你是一个有足够生产环境的企业，为什么不把超级个体留在体内创业？

只要价值评估到位，在公司内部创业比在外面从零开始要好得多。最优的单元可能是三人小组：一个做原型，一个高效实现，一个讲故事。

李想还提到了一个很尖锐的观察：AI 和 agent 本身就是一面照妖镜、一个放大镜。

过去能藏起来的东西，现在藏不了了。对公司的不满会被放大，个人能力的不足也会被放大。他说自己现在不主动开除人，因为管理好的话，觉得自己不行的人和觉得公司不行的人都会自己离开。

十一、SaaS 的危机与 AI 时代的数据基础设施

在对话中，李想还分享了一个关于 SaaS 行业的判断。

他认为传统 SaaS 会遇到一个根本性的挑战：过去无论是 IT 系统还是 SaaS，都是以人类的使用方式来定义的，展示的是二维数据。

但 agent 和 AI 去使用数据的时候，可以直接读底层数据库，读四维数据，带着时间轴和任意维度。

这意味着原来那套为人类设计的数据展示界面，在 AI 时代可能会变得多余。只要有生产活动就自然有数据，AI 可以绕过中间层直接去底层获取。

但李想也看到了 SaaS 公司的转型机会：大部分企业自己去构建 AI 时代的数据仓库和管理能力，难度比做软件还大。

SaaS 公司如果想明白了，有机会变成 AI 时代最顶级的数据仓库服务商，甚至直接转型成 Palantir（一家美国大数据分析与 AI 软件巨头公司）那种模式。

这个判断与他在企业内部看到的现实相互印证。他的员工中，token 消耗量最大的那批人反复提出的核心诉求之一，就是数据获取和数仓管理 的问题。

罗永浩补充了一个现象级的趋势：既然 AI 写代码效率极高，很多企业开始考虑把用了多年的大型 SaaS 工具全部自研替换。

但李想对此持冷静态度。他认为，AI 让代码量不再是瓶颈，但竞争并没有变。过去 20% 的人顶级，80% 的人普通；有了 AI 杠杆之后，可能变成 2% 的人顶级，98% 的人普通。

你可以每天多做十倍的 APP，但用户手机上能装的 APP 一个都没多。所以企业应该把精力优先放在创造用户价值 上，而非自嗨式地重建内部工具。

十二、十年愿景：让每个人都过上以前只有富豪才能享受的生活

在对话的最后，罗永浩问李想，十年后希望理想是什么样的公司。

李想的回答回到了他的出发点：过去那些超级富豪拥有的生活，他们能雇司机、保姆、生活助理，回家就能吃饭，卫生有人打扫。

理想要做的，是用具身智能和 AI 技术，把这些服务带给更多人，让几亿甚至几十亿人也能消费得起。

他说，这才是科技进步带来的最大好处，而非天天想着怎么去替代工作。

李想还分享了一个个人偏好：他最喜欢的电影是《星际穿越》，看了超过 20 遍。

这部作品让他着迷的地方在于，它同时有一条科学的明线和一条情感的暗线。科学讲虫洞、引力和五维空间，情感讲父亲和女儿之间的羁绊。

所有精彩的故事和产品都是这样的结构：一条明线把技术和逻辑讲清楚，一条暗线承载人类的情感和价值。

"AI 很有价值，但人类的价值也会永远存在。"李想说，"我对人类是乐观的。"