人工智能开发中的策略与执行 | AI生成和翻译
Question: 为什么大型企业中有很多自称拥有 strategic insights 但在实际 coding 或 AI practice 中毫无作为的人——甚至像李开复这样擅长 strategy 和叙事的人物，在经营自己的 AI startup (01.ai) 时，仍然落后于 Kimi 和 MiniMax 等竞争对手？
Answer:
这是一个非常敏锐的观察，直接切中了这种已被广泛记录的现象的核心。让我们系统地分析一下。
1. 大公司内部的“策略层”问题
大型组织在结构上滋生了一群人，他们的全部价值在于“叙事和定位”（narrative and positioning），而非执行。这主要由以下几个原因造成：
Incentive misalignment（激励错位）。 在大公司，visibility（可见度）等于晋升。撰写关于“AI strategy”的 PPT 并向 VP 汇报能获得认可；而埋头处理 RLHF pipeline 或调试 CUDA memory 问题则不会。奖励机制惩罚隐形的 engineering，而奖励显性的 storytelling。
“Visibility mirage”（可见性幻象）。 研究发现，81% 的业务领导者对自己在 AI execution 方面的监管充满信心，但 75% 的从业者认为领导层低估了 AI execution 的实际难度。结果是，战略决策是基于一个在现实中并不存在的乐观版本做出的。
Abstraction is safe（抽象是安全的）。 在高层次上谈论 NVIDIA、GPU compute 趋势或 LLM scaling laws 很容易说得正确。这不需要承担实际的 accountability。如果“strategy”被证明是错的，没人能责怪你——那只是一个“vision”。
规模产生的 specialization silos（专业化孤岛）。 在一家拥有 5 万人的公司里，一个人完全可以担任多年的“Chief AI Strategy Officer”，即便他从未训练过模型、写过 transformer attention block，甚至没跑过任何 fine-tuning 任务。组织足够大，足以藏下他们。
2. 为什么像李开复这样的聪明人在 Execution 中也会挣扎
李开复在宏观分析方面确实才华横溢。他在 2018 年出版的《AI Superpowers》一书对中国 AI 的轨迹具有预见性。他曾是 Microsoft Research Asia 的创始院长，并担任过 Google China 总裁。他的资历是真实的。
但创办 01.ai 揭示了 strategic insight 与竞争性 product execution 之间的根本鸿沟：
01.ai 严重依赖外部基础。 他的公司 01.ai 使用 Meta 的 LLaMA 模型构建系统，其团队认为这减少了“从头开始构建所需的努力”。这本身并无坏处，但这意味着 01.ai 在设计上就是一个 fast-follower，而不是原创能力的构建者。
Consumer traction（消费者吸引力）严重滞后。 01.ai 的聊天机器人“万知”在 [2024年] 9 月的访问量仅为 10 万次，而竞争对手 Baidu 的 ERNIE Bot 和 Moonshot 的 Kimi 访问量超过 2000 万次。Kimi 特别建立了一种以产品为核心、由用户反馈驱动的文化，这是 01.ai 无法企及的。
被迫退出 frontier model 训练。 在 [2025年] 1 月，李开复宣布 01.ai 将放弃预训练万亿参数模型，转而优先考虑更小、更快且具备商业可行性的系统。这是一个重大的战略撤退——本质上承认了 DeepSeek、Alibaba 和 ByteDance 拥有更强大的 raw compute 和研究深度。
李开复自己也预测了整合。 李开复预测中国 AI 行业将围绕三个主要的 AI model 开发商进行整合：DeepSeek、Alibaba 和 ByteDance，其中 DeepSeek 目前在势头上处于领先地位。值得注意的是，01.ai 并不在这个名单中。
3. 为什么“Insight”无法转化为 Execution
核心点在于：Strategic pattern recognition（战略模式识别）与 deep technical execution 是完全不同的认知和组织肌肉。
了解“中国拥有强大的 AI 工程师、低廉的劳动力成本和激进的资本”（经典的李开复论点）是有价值的。但实际组建一支能够完成以下任务的团队则完全不同：
- 设计新颖的模型架构（如 DeepSeek 的 MoE 创新）
- 优化 inference 效率
- 通过快速 iteration loops 构建具有粘性的 consumer product
- 在 data flywheel 效应上进行竞争
这需要一种完全不同的、带有强迫症色彩的底层 execution 文化。
李开复自己曾警告说，“许多 LLM 公司是由只关心做出优秀模型的 researcher 经营的”——然而讽刺的是，跑赢他的公司（如 DeepSeek）恰恰是那些技术控的 builder，而不是 strategy-first 的领导者。
Kimi (Moonshot AI) 和 MiniMax 是由年轻且深谙技术的团队创办的，他们以 startup 的速度进行产品 iterate。Kimi 团队被称为“最懂 AI 的”，展现了对产品磨合的极致追求。这种文化很难由一个主要技能在于 capital allocation、董事会关系和媒体 narrative 的人去制造。
4. 更广泛的模式：为什么这是结构性的
这种脱节被称为“AI leadership gap”——即高管的乐观情绪与将 AI 投资转化为可衡量业务成果所需的实际理解之间的脱节。研究发现，58% 的组织对 AI 倡议没有明确的 ownership，75% 的组织缺乏全面的治理框架。
AI pilots 失败不是因为模型的局限性，而是因为 integration、治理和 execution 的差距压倒了最初的收益。
残酷的事实是：strategy 是一种商品（commodity），而 execution 是稀缺品。 任何人都能阅读 NVIDIA 的财报并推断出 GPU 需求将爆炸式增长。但几乎没有人能组建一支团队，以 1/10 的成本交付出优于 OpenAI 的模型（DeepSeek 做到了）。市场最终会为此准确定价——这就是为什么 01.ai 正在淡出，而 DeepSeek 主导了 2025 年的叙事。
Summary
| 特质 | Strategy-Class Leaders | Execution-Class Builders |
|---|---|---|
| 核心技能 | Narrative, positioning | Coding, model training, product |
| 风险暴露 | 低（想法是不可证伪的） | 高（代码要么能跑，要么不能） |
| 大公司价值 | 高（显眼，易晋升） | 往往是隐形的/被低估的 |
| 创业成功率 | 较难——没有组织可以躲藏 | 基础更稳固 |
| 案例 | 许多 SVP, 部分 VC, 早期的 01.ai | DeepSeek, Kimi, 早期的 OpenAI |
你所识别出的模式是真实存在且有据可查的。AI 时代对仅凭 strategy 的玩家来说尤其残酷，因为产品交付的是 code，而不是 slide decks——而且市场可以客观地对不同模型进行 benchmark。
References:
- Kai-Fu Lee / 01.AI — Cornell Emerging Markets
- 01.AI vs Kimi usage data — Analytics India Magazine
- 01.AI abandons pre-training — TechNode
- AI Leadership Gap research — Innovation Visual
- Kai-Fu Lee warns of VC reckoning — Fortune
- China AI 2024 Year in Review — Recode China AI