干货挺多的。😁

2025—40

本身文章中，印象比较深的就是李宁教授的文章，其中生成式 Ai 对于个体优势如何转化成组织效率，颇有启发：设想一下：当一位员工发现通过 AI 工具能将 10 小时的工作压缩至 1 小时，他会主动向领导分享这一发现吗？在传统的管理思维下，员工可能担心分享后会被分配更多工作，从而选择保持沉默。这种顾虑直接反映了企业对待 AI 的态度：是将其视为单纯的效率工具，还是视为释放员工创造力的新引擎？从个人提效到组织提效，这一过程不仅仅是效率的累积，更是业务流程和工作方式的重新定义。企业需要通过逐步构建 AI 文化，形成从个人创新到团队合作、再到全公司推广的机制。这种机制的核心在于两点：首先是对 AI 文化的认同，推动员工积极参与 AI 工具的使用与创新；其次是确保 AI 的应用能够在组织内形成可复制、可扩展的经验，使其从 “个别创新” 转变为 “集体实践”。

目标函数（也称为奖励函数）是 AI 模型试图实现的目标或输出。换句话说就是，我们要向模型提出正确的问题。确定 “你希望模型做什么？” 是任何机器学习系统中最困难的部分之一。以象棋或围棋等游戏为例。这些游戏有清晰且可衡量的目标，比如分数或一套决定胜者的规则，而且迭代成本低，让 AI 能快速学习。但在现实世界中，目标通常是复杂且无序的，我们没有一个简单的度量标准来衡量进展。如果没有明确且可衡量的目标，定义 “好” 的标准就会变得困难。目标越模糊，模型的表现就越差。

这个月读得比较慢，但是比较仔细！

在被问及如何在不确定条件下做出决策时，行为经济学家和认知心理学家先驱丹尼尔・卡尼曼（Daniel Kahneman）建议将决策分解成更小的部分，从而 “延迟” 对问题的直觉反应。切片就是这样的一种艺术。对于习惯于从 “容易达成的目标” 入手，以保证快速、低成本收益的管理者来说，这样似乎有违直觉。但大多数计划的早期阶段都存在许多不可预测的领域，如果没有先对项目中最模糊的部分进行切片就贸然推进，往往会导致后期出现代价高昂的变更。

平常没事情可以多读一读，开拓下视野。

这里给我的启示还是蛮多的，尤其是人工智能方面，当今世界上人工智能最重要的场景应用是生成化场景的运用，这个运用已经在供应链上开始，并且重塑了企业核心竞争力，原因在于技术开始平权，当技术平权的时候，企业的核心竞争力不在于资源的多寡，而是在于业务场景的深度理解和创新应用的能力。而根据历史过往，技术的应用带来变革，但变革的根本在于组织如何适应技术的变革。回顾历史，电力革命是一个经典的例子。19 世纪末，电力取代蒸汽机后，工厂的生产效率并未立即提升。真正的生产力跃升发生在 20-30 年后，当企业完成了从集中式动力向分布式动力的转变：工厂布局从围绕单一动力源的垂直结构，转向了更灵活的水平布局；生产方式从批量生产转向流水线作业。这一历史经验表明，技术创新必须与组织变革相结合才能释放其全部潜力。也就是说从 “工具的革命” 到 “革命的工具” 至少还需要 20 年的时间，但是这是一个靠近的过程，在这个沿途会不断抛弃这些拒绝使用人工智能的人员。第二，战略的本质其实是选择，而选择是企业基于对内外部环境的认知与假设而做出的，当危机来临时，外部经营环境的突变首先挑战的是企业是否需要坚守既定的战略，对企业来说，在动荡的环境中保持战略定力是极其困难的，当环境发生变化时，战略的调整是必然的选择，然而，频繁的战略调整又会削弱战略的韧性以及企业的长期竞争优势。在穿越周期的过程中，企业常常陷入以赛亚・伯林所描述的战略悖论：到底是做一只刺猬，固执地坚持战略的一致性？还是做一只狐狸，灵活地保持战略的敏捷性？这需要两者合二为一，并且保证足够的高韧性。

乐观主义者相信未来会一片光明，但他们往往安于现状、不思进取，只是耐心地等待一个光明的明天。充满希望的人则相信，未来或许会更好，但他们也明白，在充满不确定性的环境下，行动才是关键。换句话说，希望并非只是憧憬美好的未来，更重要的是付诸行动。它包含意志力（渴望实现目标的决心）和行动力（制定清晰的行动方案）。因为有希望的人会为他们想要的未来制定计划并努力付诸实践，他们比乐观主义者更高效。一项研究表明，法学院学生的成绩与希望的程度密切相关，而与乐观程度无关。另一项针对财富 100 强企业高管的研究也发现，即使在智力水平相当的情况下，那些更具希望的高管在工作中表现也更出色，并能够提出更具创造性的解决方案。