還把“歷史數據”當護城河？靠牛頓的筆記算不出相對論

2016年，圍棋天才李世石惜敗AlphaGo，但他使出“神之一手”，被譽為人類智慧最后的榮光。僅僅一年后，AlphaGo Zero以100:0的絕對碾壓，將曾戰勝李世石的“前輩”徹底擊潰。更令人震驚的是，它達到這個水平只用了3天，沒學習任何一盤人類棋譜。

這背后揭示了一個殘酷的真相：“人類引以為傲的千年經驗，在真正的智能進化面前，可能非但不是資產，反而成了認知的枷鎖。”元理智能創始人張帆一語道破。張帆，前智譜AI COO，親歷百模大戰，曾主導數十億大模型項目落地。如今再創業，目標是解決AI時代最難、也最關鍵的命題：如何將智能轉化為核心生產力？

今天，智能仍在一路狂飆。你剛學會的應用，下個月可能就過時了；你剛掌握的工具，下一波迭代又來了。還有什么能抓住的嗎？張帆老師提供了一個思路，那就是掌握“大模型思維”。它不是又一個時髦詞匯，而是一種全新的認知范式：

別人還在優化現有知識，它已直指事物本質規律；

別人還在追求確定性，它已精通概率與不確定性的藝術；

別人還在囤積數據，它已懂得真正的價值在于智能的轉化與釋放。

“工業時代的贏家是‘控制者’，”張帆說，“而今天的贏家，是那些掌握大模型思維、懂得概率管理的人。”你企業的核心競爭力，不再是你擁有多少數據，而在于你能消耗多少智能、轉化多少智能。這將是未來十年最殘酷也最公平的競爭。

上周六，張帆老師在混沌APP的深度大課《大模型時代的第一性原理：智能涌現的底層邏輯與商業范式重塑》中，從三場人機對弈出發，剖析智能進化的底層邏輯，最終聚焦于每個企業與個人最迫切的課題：如何重塑思維，抓住未來。

本文為課程內容精編，僅占全部內容十分之一，完整版在混沌APP。

人機對弈，智能進化

回顧過去兩三年，技能迭代速度極為迅速，也因此引發了各類焦慮情緒。我認為在高速變化的時代，更為重要的是找到其中不變的核心要素，那就是大模型思維。什么是大模型思維？我們可以在智能領域找一個合適的研究樣本。機器誕生以來，人類就一直在探索如何讓機器與人進行對弈，我們將以此為人機博弈最小樣本，梳理智能發展的簡要歷程。

第一個階段，“深藍”擊敗卡斯帕羅夫

1997年的人機對弈，“深藍”最終擊敗卡斯帕羅夫，是機器首次在高級博弈領域戰勝人類世界冠軍。卡斯帕羅夫當時也難以接受機器能夠擊敗自己的事實，甚至懷疑機器背后有人在操控。

“深藍”背后的核心原理，是符號主義的巔峰應用，其本質邏輯是“規則+窮舉”。具體而言，就是將人類棋手的歷史經驗總結為一系列下棋博弈的規則，再讓計算機以每秒2億次的速度進行推演。這一過程中也融入了剪枝邏輯，確保計算機無需嘗試所有棋局，以高效方式完成博弈。

“深藍”擊敗人類冠軍的消息令人震驚，當時大家普遍認為，圍棋很快也會被機器攻克。然而，從國際象棋被攻克到圍棋被攻克，機器用了20年時間。核心原因在于“維度的詛咒”。圍棋與國際象棋屬于完全不同維度的搜索空間。圍棋棋盤為19x19規格，其搜索空間約達到10的170次方。在這20年間，即便計算機性能提升1萬倍，面對圍棋極為龐大的搜索空間，也只是杯水車薪，無法從根本上解決問題。

第二個階段，“神奇的37手”和“神奇的78手”

進入第二個階段，人機博弈的核心邏輯從“暴力計算”轉向“數據暴力”。彼時的機器采用了神經網絡技術，不再依賴傳統的規則邏輯，而是模擬人類的直覺，通過神經網絡，將歷史上所有人類圍棋棋局作為訓練數據，讓機器形成降維表達，以類似人類直覺的方式作出判斷。

正是基于這一邏輯，2016年，機器擊敗了當時的圍棋世界冠軍李世石。李世石的心態從對弈前的輕蔑，逐漸轉變為對弈后的絕望，因為他意識到，自己已無法戰勝眼前的機器對手。

這一局精彩的對弈，出現了兩個極具標志性的節點：“神奇的37手”和“神奇的78手”。

在37手時，AI走出了一步超出人類預期的棋。當時的直播解說甚至懷疑，是擺棋人員出現了失誤，認為這一步不符合圍棋邏輯，甚至可能是程序漏洞。這步棋在短期局面中造成一定損失，但隨著棋局的推進，AI最終贏得了這一局。事后復盤發現，AI放棄了局部最優解，轉而追求全局勝率的最大化。 這一現象讓人類感到震驚：機器首次在遵循人類規則的基礎上，突破了人類規則的局限，走出了人類認知邊界之外的棋法。

78手同樣具有重要意義。在78手這一節點，李世石下出了一個完全超出機器預判范圍的位置，導致其無法進行有效推理。機器在這一步之后出現明顯混亂，并在隨后數十步內持續處于失序狀態。因此，這一手被不少人稱為“人類最后的榮光”。

這一現象背后的邏輯，與AlphaGo的核心架構密切相關。AlphaGo基于蒙特卡洛樹搜索框架。其中最具價值的部分，是基于人類三千萬局棋譜訓練得到的兩個核心網絡：一個是策略網絡，一個是價值網絡。

策略網絡的作用，是在當前盤面下篩選出少數具有潛在價值的落子點。通過數據驅動的方式進行大規模剪枝，大幅縮窄搜索空間。在鎖定少數高價值點位后，再由蒙特卡洛樹搜索進行深度推演。每一步落子后，價值網絡會對當前局勢進行評估，判斷己方獲勝概率是上升還是下降。

李世石78手為何能夠奏效？因為其策略網絡本質上建立在人類經驗之上，它會對各個點位的概率進行評估，判斷人類在不同位置的落子可能性。而李世石下出的，是一個在模型評估中概率極低、幾乎不在常規考慮范圍內的落子，完全超出了策略網絡預設的搜索范圍，從而直接打亂了機器的整體決策節奏。

從“深藍”到AlphaGo，關鍵變化在于：前者站在人類顯性規則的肩膀上，由人類將經驗提煉為固定規則；后者則將顯性規則轉化為基于海量棋譜的直覺式判斷，并以此戰勝人類。盡管最終AlphaGo以4比1戰勝李世石，在這一階段，人類仍具備與機器博弈，甚至局部突破的能力。

第三個階段，AlphaGo Zero

2017年，更具顛覆性的形態出現：AlphaGo Zero。其核心邏輯是完全不再依賴人類知識，僅通過自我對弈完成學習。自我對局、自我總結，從零基礎開始，完全依靠自我博弈完成智能進化。

一個通過自我博弈進行訓練的模型，僅用三天時間，便以100:0的絕對優勢擊敗了曾戰勝李世石的AlphaGo Lee；在后續幾天的訓練中，戰斗力持續攀升，直至第40天，該模型的戰斗力基本超越了所有現有模型。人類積累上千年的圍棋經驗，在模型的自我博弈訓練面前，被徹底超越。

從算力消耗來看，AlphaGo Lee的訓練需要由1200個CPU與176個GPU組成的龐大算力集群。而采用自我博弈模式的AlphaGo Zero，僅需4個TPU即可完成訓練。兩者的算力消耗不在同一維度。這一現象表明，人類積累的經驗不僅未對模型訓練起到正向推動作用，反而可能成為一種負擔，限制了模型的發展空間。

數據層面的差異同樣顯著：AlphaGo Lee的訓練依賴3000萬份人類圍棋棋譜。而Alpha Go Zero的訓練未使用任何一份棋譜、任何一點人類圍棋經驗。

結合ELO評分來看，人類棋手的最高峰值約為3800分，AlphaGo Lee的評分約為4000分。但在AlphaGo Zero面前，人類智慧的優勢似乎完全消失，其ELO評分直接突破5000分。這也印證了柯潔的觀點：在AlphaGo Zero這類模型面前，人類幾乎不可能再取得圍棋對戰的勝利。

這一現象背后的核心邏輯是：人類長期被自身積累的經驗束縛，陷入了局部最優解的困境。而AI模型無需依賴人類經驗，僅通過“自我對戰—結果反饋—經驗總結”的閉環模式，在三天內完成了490萬盤圍棋對戰的學習，積累了遠超人類的圍棋知識。

AI時代最核心的思維方向

總結來說，圍棋博弈的對戰歷史，正是人類對智能與知識認知不斷迭代的過程：最初，我們把人類智慧視為至高無上；后來，我們基于人類規則研究，卻發現知識本身存在偏差與局限；于是轉向依靠海量人類數據訓練模型，從“計算暴力”走向“數據暴力”，但仍未跳出人類認知框架；最終，我們意識到，人類數據并非必需，AI可以完全脫離人類經驗，實現自我迭代與突破。這一過程，本質是對人類數據價值的不斷反思與重估。

什么是AI時代最核心的思維方向？

如何學習AI思維？

文章僅為課程1/10，請前往APP看課

智能的本質

當下AI的核心邏輯，是探尋事物本質規律，而非僅僅優化人類現有知識。人類數據自帶偏見，在不同階段，它可能是資產，也可能是噪音，甚至是認知枷鎖。由此，我們必須重新思考三個關鍵問題：如何定義智能、如何定義知識、如何有效沉淀。這正是AI時代最核心的思維方向。

知識的本質即“有損壓縮”。

目前學界較為共識的結論是，全宇宙的原子總數約為10的80次方。若宇宙是可計算系統，其求解空間之大，人類永遠無法窮盡。在龐大的搜索空間中，剔除無價值的冗余信息，剔除所有無意義的噪點，僅保留少量極具價值的核心內容——“遺忘”，這就是知識的核心邏輯。

知識并非對世界的簡單復制，而是對世界抽象后的高維投影，“做減法”才是知識的本質所在。這也印證了“全知即無知”的觀點：當我們擁有所有可能的答案時，反而無法獲得真正有價值的答案。信息的價值不在于數量的多少，而在于其有序性。

“壓縮機理解”正是解決這一問題的關鍵。當我們對同一事物進行大規模采樣，便會獲得大量的觀測數據。這些觀測數據本身并非知識，只是對終極真理的采樣結果。源于對這些采樣數據的“壓縮機理解”，將大量分散的觀測結果歸納為一套簡潔的規則，且這套規則能夠預判未來的采樣結果，此時，這些規則便成了知識。

用一個簡單案例理解知識的形成：盛滿水的杯子倒置，水必然灑出，重復多次結果始終一致。通過反復觀察采樣，會歸納出結論——盛水的杯子倒置會灑水，這便是知識。知識具備穩定可驗證性，通過壓縮后的規律，我們能預判不同顏色、不同樣式水杯倒置的結果，這就是知識在大腦中的泛化。我們不必記住每一次倒水的細節，只需抽象出通用規則，就能在未知場景中做出預判。

知識的價值不在于驗證觀測對象的絕對真實性，而在于通過對信息的歸納，形成可預測的有序規律。例如，我們無需實際觸摸開水，便能通過已有的知識預判“觸摸開水會被燙傷”這一結果。這種無需直接采樣便能實現的預判，正是知識的核心功能。

頓悟：損失值下降與泛化突變

接下來我們探討：觀測到的信息如何轉化為知識？從數學與人類認知的角度來看，這一過程可概括為“頓悟”。比如學騎自行車，初學者可能多次摔倒，積累了大量嘗試經驗，卻始終無法掌握平衡；直到某一時刻，突然突破瓶頸，掌握了騎行技巧。這種“豁然開朗”的瞬間便是頓悟。

我們可以通過“損失值（loss）”來理解這一過程：損失值本質上是對觀測樣本預測準確性的量化評估。在未提煉出規律之前，我們的認知往往處于“死記硬背”的階段，本質上是對觀測樣本的機械記錄，而非知識的形成。

隨著觀測樣本的不斷積累、泛化范圍的持續擴大，當積累達到一定閾值時，便會出現“頓悟”——比如在多次計算各類乘法后，突然領悟到“九九乘法表”的規律。這一規律能將上千個乘法樣本壓縮為一套簡潔的規則，不僅能解釋已有的所有樣本，還能精準預測第1001個乃至更多未知的乘法結果。與機械記憶上千個樣本相比，九九乘法表的存儲規模極小，而泛化能力卻極大提升。

頓悟，本質上就是損失值的快速下降——當規律被提煉出來的瞬間，原本無法預測的場景變得可預測，原本零散的觀測樣本被整合為有序的知識。這也正是知識的本質：通過對觀測采樣的壓縮與規律提煉，實現對未知場景的精準預判。而在人工智能領域，這一突變體現為損失值（loss）的急劇下降；在人類學習過程中，則表現為突然掌握認知規律、理解事物本質的狀態。

所有知識的頓悟本質上都會帶來泛化能力的提升——頓悟前僅能解決已知的舊問題，頓悟后則能夠解決未知的新問題。

智能的不可能三角

隨之而來的問題是：知識的壓縮是否存在衡量標準？如何衡量其優劣？這就需要建立一套針對智能的衡量標準，而智能的衡量存在一個“不可能三角”。

智能的不可能三角包含三個核心維度：其一為壓縮率，即把龐大的知識體量壓縮至多大范圍；其二為損耗率，即知識壓縮后能否還原，以及還原后的結果與原始信息的預測準確度；其三為算力損耗，包括知識壓縮過程與解壓（應用）過程中的算力消耗。

類比將4K高清照片壓縮至720P的過程。在傳統的解壓方式中，通常采用插值法，這種方式雖能擴大圖像尺寸，但會導致圖像模糊，即損耗率升高。

人類的大腦（當前大模型的模式也類似）“解壓”的方式則不同：若給予人類一張低分辨率照片，人類大腦的“腦補”過程并非簡單的插值，而是將自身對物理世界的經驗認知映射到圖像中。還原后的圖像分辨率優于傳統插值方式，但還原過程中補充的細節可能存在偏差，不過這種偏差并不影響整體認知——這正是損耗的本質：知識壓縮過程中，必然會丟棄部分信息，即“遺忘”，我們通過遺忘被判定為“噪聲”的信息，實現知識的壓縮。這種“遺忘”并非錯誤，而是高維信息向低維信息轉化過程中必然的維度簡化；而后續的“腦補”（即大模型的生成或人類的聯想），本質上就是對壓縮后信息的還原，這一過程所產生的偏差，即我們所說的“幻覺”。

簡單來說，將低分辨率的信息通過主觀補全轉化為高分辨率信息時，其中會產生原本不存在的信息，這些被創造出來的信息即為幻覺。由此可見，只要存在知識，就必然伴隨幻覺，這是知識的本質屬性。而這種信息補全過程中產生的差值，同時也會催生新的創造力，這是我們在知識壓縮過程中必須承擔的代價。

此處需要明確的是，知識沒有絕對真理。我們所有的知識都基于采樣，而采樣又基于特定的投影平面。因此，所有知識都存在邊界。人類的認知邊界，在認知發展的過程中不斷向外擴展。我們需要回歸知識的底層第一性：不存在絕對正確的知識，只存在明確的認知范圍、范圍內的投影面，以及投影面內的相對真理。智能既壓縮，生成既理解。只有當我們能夠生成信息時，才能真正實現對知識的理解。

如何實現知識的有效傳遞知識的載體演變

知識載體主要分為三類，分別是規則、語言以及腦神經（即直覺）。

規則的設計目的是便于衡量與傳播，因此必然具備極高的壓縮比，同時也存在明顯的知識損耗。比規則維度更高的知識載體是語言。語言的維度遠高于規則。語言的高表達力使其具備了泛化與推理能力。比語言維度更高的知識載體，是高維本體，即人類的腦神經。當這些知識被轉化為語言時，必然會產生損耗。

知識的傳播過程，本質上是從腦神經，映射到語言，再映射到規則的過程。但腦神經載體的最大局限是無法直接傳播。

人工智能的兩個流派，分別是符號主義與連接主義。符號主義的核心是學習規則體系，而連接主義則是模擬人類腦神經的工作機制。

連接主義不再依賴人工定義規則，而是構建高維特征空間。這便是機器學習的本質。連接主義中一項關鍵技術是Embedding（向量化）。這首次將離散的文本詞匯映射為連續的可計算向量。語言的語義首次具備了可計算性。語言的核心在于Transformer架構。能夠將離散的語言映射到更高維度的向量空間，把整句話表示為一個矩陣。語言處理從規則推導轉變為數學計算。

Scaling Law的核心邏輯是：既然我們采用的是連接主義思路，那么模型規模越大，就像人腦神經網絡一樣，其存儲容量和表達能力會呈指數級提升。每增加一個參數，表達空間至少會成倍擴展。我們不再需要像過去那樣，精心設計更完善、更精巧的規則，只需要提供足夠大的模型空間和足夠多的數據樣本，讓模型自主擬合出底層規律，使損失函數降到最低，實現最優的信息壓縮。

語言為什么是AGI的開端？

我們前面已經提道:語言的本質，是人類認知的操作系統。語言是人類腦神經活動的一個降維鏡像。它把大腦中極其復雜、難以直接描述的神經活動，轉化為一種可記錄、可沉淀、可表達、可計算、可推理的符號體系。

可以說，語言處在一個中間位置：規則是高度人工的，人腦是高度自然的，而語言正是人工與自然的交匯點。它既是思維的投影，也是交流的工具；更進一步，語言是思維的腳手架。

正如哲學家所言：語言的邊界，就是我思考的邊界。通過語言，腦神經活動轉化為文字、進行描述，傳遞給他人。由此，知識開始具備可積累、可沉淀、可推理的特性，能夠模擬大腦的思考過程。這就是語言的本質。掌握語言，本質上就是掌握了推理能力。這正是語言模型與以往模型最核心的區別。

語言模型帶來的另一個關鍵突破，是顯空間與隱空間的區分。我們的大腦可以理解為一個高維隱空間。而語言，就是這個高維隱空間對應的顯空間。人類所有的交互、討論、溝通、學習，本質上都是：將個人大腦的隱空間坍縮為顯空間，再通過語言把顯空間傳遞給他人，對方再將其升維重構為自身的隱空間。語言真正實現了兩個高維認知空間的映射與交流。

綜上，今天大語言模型能夠成為AGI開端，本質源于語言本身的特性：它是大腦的映射，具備思考能力，更具備推理能力。大語言模型對世界的建模，本質上包含三個環節：

第一環：預訓練——為知識建模。把人類世界的全部知識，極致壓縮到基座模型中。

第二環：為生產力建模——模型的“解壓”。我們把知識“壓縮”進模型，目的是“解壓”與預測——用壓縮后的知識，去預測物理世界的演化，最終轉化為現實生產力。

第三環：為學習建模——在觀測視角中尋找最優。

因此，預訓練模型的本質可以總結為：預測即生成，生成即理解。

機器無法直接高效觀測物理世界，于是以人類為媒介：人類數千年與世界交互、觀察、沉淀，形成書籍、文字與知識體系。我們的工作，就是把這些人類知識極致壓縮，在向量空間中訓練，使其具備遷移與泛化能力。大模型的核心邏輯，就是預測下一個詞。基于前文不斷預測后續token，最小化預測誤差，當這個過程被放大到極致，就涌現出了智能。

基座模型最本質的邏輯是什么？

大語言模型成為AGI開端的根本原因？

文章內容僅為課程1/10，請前往APP看課

CEO、高管一定要有大模型思維

我們從圍棋盤上的勝負，一路追問至語言與智能的本質。現在，帶上這套全新的“大模型思維”，回到商業的戰場。你會發現它不僅僅是技術原理，更是一套即將重塑所有競爭規則的商業底層操作系統。

從確定化管理到“概率管理”

我們反復強調AI思維的本質與第一性原理，核心就是要明確：AI的核心是不確定性，不確定性孕育智能，因此AI思維本質上是概率導向的。

必須清晰地認識到，確定性已不復存在，不能再用程序思維去解決當下的問題。在傳統模式中，我們編寫代碼追求絕對確定性，絕對確定性必然導致缺乏泛化能力。缺乏泛化能力就無法產生智能，這是一條無法突破的局限路徑。

打個比方，傳統企業思維模式如同精密的機械鐘表，每一步運行都有強烈的業務邏輯聯動，一旦設計成型，運行軌跡便固定不變。企業運營的所有環節都遵循百分之百可執行的標準（SOP）。當前，這種確定性邏輯不再適用了，它脫離了AI思維的核心內涵。這也解釋了為何當概率思維融入確定性的SOP體系時，組織會天然產生排異反應。

每一位企業家的思考鏈路，都必須從機械確定論轉變為概率論：通過調整參數、優化概率來實現預期結果，既要保證一定的確定性，又要保留創造力。

工業時代的贏家是“控制狂”；AI時代的贏家是“概率管理大師”。拿提示詞（prompt）舉例：若將提示詞的定義得過于細致、流程設計過長，甚至通過填表式的方式限定輸出結果，用確定性流程去控制概率，輸出結果必然難以達到預期。因為過度細分的限制，割裂了其泛化能力，使其只能機械執行既定指令，無法發揮智能的價值。

概率管理的核心邏輯是，通過調整方向、引導趨勢、聚焦核心，真正實現概率導向的智能應用，既能保證創造力的發揮，也能收獲超出預期的成果。

智力通縮與杰文斯悖論

另一個需要重點關注的商業邏輯，是智力通縮與杰文斯悖論。許多人擔憂AI模型成本過高，大規模使用會導致虧損，但事實上，token的綜合成本較行業初期已下降近萬倍。

過去，專家智力如同奢侈品，企業會盡量減少使用。當下，智力已如同電力一般，Token成本的下降速度遠超傳統摩爾定律，這是不可逆轉的趨勢。很多人過度關注模型降價，但模型降價是模型公司的核心任務，對于企業家而言，更應關注模型的性價比——若能跑通一個應用場景，實現性能的提升，便無需擔憂成本問題，因為token價格會持續下降，每半年至一年就會有顯著變化，屆時企業的增長飛輪便會自然運轉。

企業的核心競爭力，在于消耗智能、轉化智能的能力。誰能率先將智力轉化為高價值的用戶體驗，誰就能成為行業贏家。當前不應過度關注成本，而應聚焦于智能的上限與價值的上限。

核心資產：場景＞數據

除此之外，商業領域的另一重大思維轉變，在于資產定義的重構。傳統認知中，數據被視為核心資產，許多企業宣稱自身擁有大量數據，并認為將這些數據用于模型訓練就能形成自身優勢。但客觀而言，當前市場上99%的企業數據都屬于無效數據。

很多企業擔憂數據上傳后被竊取——事實上，很多數據只是業務流程中的日志記錄，一旦業務流程發生變化，這些數據便失去了存在意義。若將數據視為資產，首先要明確這些數據是否能轉化為生產力；若不能，其所謂的“資產價值”便無從談起。

當前，真正具備價值的數據僅存在于少數場景，例如抖音的推薦算法、百度的搜索體系等。絕大多數對數據安全過度敏感的企業，其數據本身往往無法被有效利用。利用牛頓的實驗筆記和數據，能得出愛因斯坦的理論結論嗎？在相對論時代，過度留存“牛頓”的實驗數據，并無實際價值。

與其擔憂數據被竊取，不如加快數據的應用。企業不應有數據囤積癖，不應將歷史數據視為不可突破的護城河。我們沒法用馬車的數據訓練出特斯拉一樣，傳統數據的清洗成本、存儲成本，甚至會成為企業發展的阻礙，堪稱“反向潤滑油”，固化企業思維、阻礙企業創新。

數據的定義正在快速迭代，唯有應用場景是相對穩定的核心。只要定義出具體的應用場景（如同圍棋的棋盤）和價值評判標準（如同圍棋的勝負規則，即獎勵模型），數據便可以源源不斷地產生。

總之，在應用初期，無需過度考慮數據安全，核心在于誰能率先跑通場景、啟動增長飛輪，待企業發展到一定規模、數據產生實際價值后，再考慮數據安全防護，才是合理的發展路徑。誰能掌握新數據的生產場景，誰能在初期啟動增長飛輪，誰就能定義行業的未來。

后記：

我的觀點未必完全正確，但核心目的是為大家植入一種新的思維提示，引導大家建立對AI思維的認知與感知。如果我們僅學習提示詞寫法、工作流用法、某個軟件的操作技巧，這些內容每六個月就可能有90%失效。既然我們處于混沌學習的場景中，就應采用混沌的核心方法——摒棄歸納法，堅持演繹法，深入理解底層邏輯，將這種思維能力內化于心。希望每一位參與者都能從中獲得啟發，實現自身對未來知識判斷、知識加工方式的一點點轉變。當前，我們正處于一個“電燈取代蠟燭”的時代，從“蠟燭思維”轉變為“電燈思維”，是必修課。

從管理層來看，CEO如何轉變？

為什么組織不應該是機械體，應該是生物體？

文章內容僅為課程1/10，請前往APP看課