文 | 李智勇
就在 10 月 6 日的开发者大会上，OpenAI 描绘了一个清晰的未来：
AI 将通过智能体 （Agents） 无处不在，而 OpenAI 的平台本身，将越来越像一个操作系统。
当他们发布全新的 Apps SDK 时，一个两年前的我的行业演进判断得到了终极印证。
早在 2023 年，我便在 《AI 大模型没有商业模式？》 等文章中提出，大型语言模型 （LLM） 的本质是“ 一种新式的云端的操作系统”，并勾勒了其后续的产业演进脉络，参见：
AI 大模型没有商业模式？
AI 后续发展的七个阶段与造富机会
当时很是被喷了一顿。
这里我想做的就是通过一次复盘，揭示一种能够提前预判走向的分析方法。这种方法的核心，就是我曾在 《解玄：共相、道、基类与战略》 一文中探讨的：
在“ 实”（技术现实） 与“ 名”（抽象概念） 之间穿梭，进行独立的思考与推演。
解玄：共相、道、基类与战略
先强调下：说到底要回到自己的逻辑，回到技术现实，回到数据 （虽然有时候没有），所以还不是算卦。
最新的对未来的判断在下面这本书里面：
最初的判断 （2023 年）：
在 《AI 大模型没有商业模式？》 一文中，我明确反对将 LLM 简单类比为云服务或搜索引擎，因为这种类比“ 失之毫厘，谬以千里”。
● 它不是云服务： 云服务是成本中心，不改变数据价值本身。而 LLM 是“ 数据价值的放大器”，是利润中心，其放大倍数的差异“ 会导致生死的差异”。
● 它不是搜索引擎： 搜索的核心是信息集散，而 LLM 的核心是内容生成、逻辑推理乃至决策。将它局限于搜索，是“ 买椟还珠”。
我当时给出的核心判断是：
LLM 与 Windows 和安卓更像，它是一种新式的、云端的操作系统。
这个“AI 操作系统” 将颠覆过去的人机交互范式。在 《AI 后续发展的七个阶段与造富机会》 中我进一步解释了下：
“ 低智能、低信息量的前提下，最合适的吞-吐信息的方式一定是分类。菜单、按钮、网页导航等全是分类。整个图形用户界面交互的基础就是分类。高智能、全范围信息量的前提下，最合适的吞吐信息的方式会变成对话。智能体负责分类并折叠了它。”
这意味着，AI 正在成为继 PC、手机之后的第三个“ 通用计算平台”。
它将以“ 对话” 和“ 意图” 驱动，成为所有应用的统一入口，并最终像折叠卡片相机一样，将纯粹的数字工具归并为自身的一个功能。
两年来的事实什么样呢？
OpenAI 的发展路径，尤其是最新的开发者大会，为“ 操作系统” 这条演进路线提供了个新证据，至少在下面几个方面上：
1. 战略官宣迈向操作系统：这次可以看成是 OpenAI 战略意图的一次彻底摊牌。他们不再满足于提供模型 API 或者做一个简单应用，而是明确将自己定位为一个承载无数 AI 智能体的“ 操作系统”。这个新操作系统让 chatGPT 这类应用从一个被动的“ 应答者” 变成了一个可以主动感知、规划、执行任务的“ 行动者”。
2. 一个完整操作系统的架构浮现： 一个操作系统的生命力在于其应用生态和完整的架构。Apps SDK 后，操作系统的各个组件已经比较清楚 （虽然还就像 Win32 的初级阶段）。我们可以类比下：
a. 模型 (Model) 如同操作系统的 内核 (Kernel)，负责最底层的智能计算。
b. Apps SDK 扮演了 系统 API 的角色，为上层应用提供调用内核能力的标准接口。
c. GPTs 则像是 应用外壳 (App Shells)，是用户与系统交互的语义化界面。
d. MCP (模型控制协议) 等类似于 驱动层协议，确保硬件 （数据源、外部工具） 能被内核识别和调用。
e. ChatGPT 本身，就是这个 AI-OS 的集成体现。这时候要记得奥特曼和苹果的前设计师不停的在勾搭，原因就很清楚了。
f. 而 用户 (User) 在这个系统中，则史无前例地扮演了多进程任务调度者 的角色，通过自然语言同时启动和管理多个复杂的任务流 （Agents）。不是一个应用干一个事，而是一个应用干所有事。这明显是应用级别的 OS。
这个完整的架构标志着生态构建马上就进入深水区了，一个庞大的原生智能体生态呼之欲出。
最终当然不一定是 OpenAI 胜出，Google 这些玩家怎么可能开心，后面各种常见的竞争套路都会出来的。
3. 操作系统即下代通用计算平台 如果说之前的 ChatGPT 还只是一个超级 App，那么以 Apps SDK 为基础构建的未来，就是一个真正的“ 通用计算平台”。开发者构建的 Agents 可以操作浏览器、调用其他软件 API、管理文件，真正成为所有软件的上一层—— 那个总调度的中枢。这正是“ 通用计算平台” 的本质含义。
这种判断的根源何在？
在 《AI 后续发展的七个阶段与造富机会》 中我曾画图对比：
● 旧模式： CPU 提供算力，程序员提供智能。
● 新模式： GPU 提供算力，大模型提供智能。
当“ 智能” 的供给方发生根本性变化后，上层的应用形态、交互方式必然会被重塑。抓住“ 智能供给” 这个牛鼻子，就能推导出交互方式必然从“ 分类” 走向“ 对话”，应用架构必然从“ 孤岛” 走向“ 被操作系统统一调度”。
最初的判断 （2023 年）：
在 《AI 大模型没有商业模式？》 中，我给出了一个在当时看来颇为悲观的判断：AI 行业，尤其是希望构建平台或深入行业的公司，在 3-5 年内难有商业模式，甚至会“ 加大亏损”。
原因在于：
1. 商业要素未变： 客户议价能力、成本结构、竞争格局等核心商业要素并未因技术突破而改善。相反，算力、数据、人才成本和模型升级迭代的压力还在剧增。
2. 增长模式改变： AI 平台的构建不是互联网式的“ 大水漫灌”，而是“ 持续打深井”。它需要在一个领域做深做透，形成系统性产品 （我称之为“ 把 IBM 未完成的沃森事业干好”），这与追求“ 快” 的互联网打法背道而驰。
3. 垂直生态的必然性： 我断言，市场不会只有一个通用大模型。因为“OpenAI 的大模型再厉害也解决不了便利蜂的供货补货问题”。因此，“ 每个垂直的领域注定会有一个自己的大模型，而每一个大模型都是一套系统和生态。” 我将其比喻为一个个“ 章鱼”，模型是头，终端和数据源是触手。
两年来的事实也是基本呼应。
1. 亏损成为常态： 现实情况比预想的更为严峻。除了少数头部玩家，全球绝大多数 AI 创业公司仍在巨额亏损中挣扎，寻找着产品市场契合点 （PMF）。“ 百模大战” 的价格战，更是将成本压力推向了极致。
2. 从“ 模型” 到“ 解决方案”： 市场风向已然转变。单纯夸耀模型参数已无意义，投资人和客户都在问：“ 你的 AI 能为我解决什么具体问题？” 行业共识正在向“ 系统性产品” 和“ 垂直解决方案” 聚集。
3. 垂直模型的兴起： 法律、金融、医疗、教育等领域的专业模型和应用层出不穷。企业也逐渐意识到，通用模型只能解决 70% 的问题，剩下 30% 的核心场景，必须依靠与自身数据和工作流深度结合的垂直模型来完成。这正印证了“ 章鱼生态” 的判断。
在行业早期，信息往往是不充分的，下面就说说这时候的判断方法。但在展开之前还是想强调下，有数先要穷尽数的获取和判断，没有再用下面的方法。
那么，如何才能建立起前瞻性的判断力？
算命肯定不灵，还是需要一套思维框架，其核心在于“ 名” 与“ 实” 的相互观照与穿梭。
● “ 实”： 指的是事物的本来面貌，是技术最本质的现实。对应到 LLM，就是它基于 Transformer 架构、是一个“ 预测下一个词” 的概率模型、它有统计推理能力但会产生幻觉、它极度依赖算力和数据。但它具有通用性，所以和过去模式是并行的。
● “ 名”： 指的是我们用来描述和理解现实的抽象概念、范畴或“ 基类”。比如“ 工具”、“ 平台”、“ 搜索引擎”、“ 操作系统”。
许多分析之所以会产生偏差，要么是沉溺于“ 实” 的细节而缺乏洞见，要么是追逐于“ 名” 的空谈而脱离根基。真正有效的战略思考，是一场在“ 名” 与“ 实” 之间的穿梭：
第一步：始于“ 实”—— 回归技术本源。 首先要做的，是剥去所有媒体和资本赋予的光环，直面 LLM 的技术内核。这里很关键，必须回到技术的根本特征，否则就全是想象和想法。AI 的根本特征是什么呢？它改变计算模式，过去靠程序员堆积 if...else，现在则是任意输入都给你输出结果 any...then，并且这种改变具有通用性。（前面都写过的，感兴趣大家自己找就行）
然后就需要思考：一个超级强大的通用决策器，到底能用来做什么？
第二步：跃迁至“ 名”—— 寻找最恰当的抽象。 它最强大的能力是通用性，那它就能成为人与所有机器之间的通用接口。这时候就需要对应到一个概念，这里显然是操作系统，操作系统在过去完成通用计算的任务。它显然不是“ 工具箱里的一个工具”，也不是简单的“ 信息检索器” 等单一功能的产品。它通用，所以能调度万物、屏蔽底层复杂性、建立应用生态—— 这不就是操作系统么！
第三步：在“ 名” 的世界里推演。 一旦确定了“ 操作系统” 这个“ 名”（基类），我就可以调动所有关于操作系统的历史知识和商业规律进行推演。
操作系统的竞争史告诉我们：
● 胜利者最终靠的是生态，而非单一技术领先。
● 它需要漫长的投入和开发者培育周期。
● 它会产生巨大的网络效应和锁定效应。 由此，我自然能推导出关于商业模式、竞争壁垒和产业发展阶段的判断。
现在借助 AI 可以把过去事实的部分简化很多。
第四步：以“ 名” 驭“ 实”—— 回归现实进行验证。 最后，将这些在“ 名” 的世界里推演出的结论，映射回“ 实” 的世界，去观察现实世界的发展是否与之吻合。OpenAI 的每一步，尤其是 10 月 6 日开发者大会的蓝图，都在验证着“ 操作系统” 这条路径。从这个角度看，它后面要干什么也是可推测的，和微软的关系、Google 的关系等等都是可推测的。
这个过程，正如 《解玄》 中所说，是“ 从特殊到一般，一般到一般，从一般再到特殊” 的循环。
它要求思考者既要有工程师般的求实精神，又要有哲学家般的抽象能力。
所有能够经受住时间检验的前瞻性思考，其共同点并非是预测未来，而是在没谱的各种要素里面，找到实的点。分析的锚点需要定在技术的本源之上，并勇敢地进行抽象和推演。
这背后最原点上的支撑其实保持一份独立的判断力，要有自己的体系。自己体系不灵就看啥都有道理。
吴国盛老先生写过这样一段话：
亚里士多德在 《形而上学》 第一卷开篇谈到三类知识，他认为最基本的知识是经验知识，动物都有经验，但是经验不可传递，所以是知其然不知其所以然的知识。亚里士多德认为比经验更高的知识叫技艺或者技术，这一类知识就有点类似于中国人心目中的理论知识，比经验知识更加普遍化，它能够沟通、能够学习。
但是，亚里士多德说这两类知识都还不是真正的科学，他提出第三类叫科学的知识。这类知识什么意思？首先是超越功利。经验也好、技艺也好，统统都是有实际目的、有实际用途的，只有一类知识是没有功利目的、完全为着自身的目的而存在的，这就是科学。我们中国人的知识谱系里有经验知识、理论知识，在我们看来，一切知识首先来源于经验，然后对经验进行归纳、总结、提升、一般化，构造出理论，理论再反过来为实践服务，这是中国人一般的看法。
但是在我们的知识谱系里始终缺乏这第三个类别，就是科学。这是一种什么样类别的知识呢？亚里士多德说，被我们称为科学的这类知识，必须首先是为了自身的目的存在的，不是为了任何别的目的存在。所以希腊科学的第一个特点叫做“ 为自己的学术”，是为自己而存在的。
可以简化下：
这意味着啥呢？意味这如果把上述方法弄到极致，你很可能看到些完全没啥用也不该看的东西！
更多精彩内容，关注钛媒体微信号 （ID：taimeiti），或者下载钛媒体 App
