智能作为能源：从人工智能到智能组织

摘要

“人工智能不是工具”正在成为一种普遍判断，但这一否定性表述并未回答人工智能究竟是什么。本文提出，应当首先把人工智能作为一种智能来理解。工具描述人与技术之间的使用关系，智能则指向AI所提供的实质能力。当智能主要依附于人类等生物个体时，它虽然始终参与生产，却难以脱离个体而独立供给；人工智能的发展改变了这种存在方式，使智能成为由电力和计算设施驱动、可以反复产生、复制部署和持续调用的能力源。本文据此提出：智能正在成为一种新的生产能源，AI则是这种能源的人工生产、承载和供给体系。

智能能源并不等同于石油和电力，也不等同于人类智能。它一方面表现为人工智能与人类智能之间的载体异质性，另一方面表现为智能能源与物理能源之间的形态异质性。正因如此，智能不能仅靠“接入”而自动形成生产力。人类组织本来就是组织人类智能的历史形式；当智能获得新的人工载体后，组织的对象、边界和可能形式也随之扩展。AI生产力的充分展开不只取决于模型能力，也取决于人与Agent关系及治理方式的重建。

本文通过概念分析以及对生产理论、组织学和多智能体研究的跨领域综合，区分AI设施、智能供给与智能组织三个层次。本文不预测一种唯一的未来组织，而试图说明：把AI作为智能、把智能作为能源来理解，要求我们不再仅把组织视为管理智能的外部框架，而把它理解为智能能源得以释放、转换并形成更高层能力的基本生产形式。这一转变不仅改变我们如何使用AI，也改变我们以何种对象和关系来理解生产本身。

关键词： 人工智能；智能能源；智能组织；组织重建；智能异质性；智能仿生

一、问题不再是“AI是不是工具”

人工智能当然可以被当作工具使用。人们用它写作、编程、搜索、分析、制图和处理文件，在这些具体场景中，把AI称为工具并没有事实错误。但工具是一种关系概念：它说明某个对象怎样被人使用，却不说明这个对象在新的生产体系中究竟提供了什么。电力可以被用于照明，石油可以被用于运输，但照明工具和运输工具都不能穷尽电力与石油的性质。类似地，写作工具、编程工具和办公助手也不能穷尽AI正在带来的变化。

这里需要区分一个对象的使用方式与它在生产体系中的存在方式。任何事物都可能在特定目的下成为工具，人本身甚至也可能被另一个人当作实现目的的手段；但“被作为工具使用”并不足以构成对其性质的完整说明。工具概念预设了一个先在的行动者、一个既定目的以及一段相对确定的手段关系。它最适合描述某物怎样被纳入现有行动，却不擅长解释一种新能力如何改变行动者、目的和关系本身。

“助手”“伙伴”“副驾驶”等称谓，只是在工具关系中加入了更强的互动性，仍然没有指出这些角色背后的共同对象。问题因而应当被正面提出：AI究竟提供了什么？

本文的起点是一个更直接的判断：AI是一种智能。

这个判断并不是把“工具”替换成另一个更动听的称谓，而是改变理论观察的单位。工具论以单次人机交互为基本场景：人提出要求，AI完成任务，价值体现在效率提高。智能论则把理解、生成、判断、规划和调节本身视为可以进入不同场景的能力，由此追问这种能力如何产生、如何供给、如何被分配，又如何同其他智能结合。前者关注一次使用是否有效，后者关注一种新的智能供给方式正在形成何种生产结构。

这里的“是”并不要求把某个模型拟人化，也不意味着人工智能与人类智能没有差别。它所表达的是：AI最具历史意义的产出，不是某一种固定产品，而是理解、推理、生成、判断、规划和行动等智能能力的人工供给。模型、芯片、数据中心、接口和Agent都是这种供给得以发生的技术条件；真正进入各种生产过程并改变行动可能性的，是智能。

因此，这一判断只具有必要的本体论强度：它承认人工系统能够实际呈现智能能力，却不预先裁定它是否具有意识、人格或与人相同的主体性。意识问题固然重要，但不是确认智能已经进入生产过程的先决条件。一个系统是否能够在开放任务中形成表征、辨别相关性、生成并选择行动，可以同它是否拥有人的内在体验分别讨论。把两者捆绑起来，反而会使关于智能的生产事实长期受制于一个尚未解决的心灵哲学问题。

一旦观察单位从“AI工具”转向“智能”，许多原本分散的问题会重新连接起来。为什么AI能够进入几乎所有知识工作？为什么模型能力增加并不自动带来组织产出？为什么同一个模型在不同任务、流程和组织结构中表现悬殊？为什么人们在获得越来越强的模型之后，仍然开始建设Agent、记忆、权限、协作和治理体系？这些现象不再只是工具功能不断增加，而是同一个更基础的变化：智能开始获得独立的人工载体，并以新的方式进入生产。

二、关于智能的已有解释

已有研究已经从多个方向接近这一判断。通用目的技术研究把AI与蒸汽机、电力和信息通信技术放在同一历史序列中，强调其广泛适用、持续改进和创新溢出能力（Crafts, 2021）。生产率研究也指出，通用技术的效益不会随着设备安装自动出现，而要经过流程、商业模式、人力资本和组织资本的共同创新（Brynjolfsson, Rock, & Syverson, 2021）。这些研究很好地解释了AI为何可能改造所有行业，却仍然主要把AI视为一种通用技术。

另一类研究把AI理解为机器劳动、新生产要素或可自动执行的任务能力。Wagner（2020）已经把机器劳动和数据纳入新的生产要素结构，任务经济学则研究资本如何接管原本由人类劳动完成的任务。这些解释比工具论更接近生产过程，但它们通常把分析停留在劳动替代、资本深化或要素重组，没有进一步区分AI设施与其所供给的智能。

在产业话语中，“AI是新的电力”“智能将成为可以按量购买的公共服务”等表述也不断出现。这些说法已经意识到AI具有广泛供给和基础设施属性，但“像电力”通常只是影响范围的类比。它没有说明，究竟是AI技术像电力，还是AI使一种新的能力成为可供给对象。

知识管理研究甚至已经尝试用能源和热力学隐喻解释知识场、知识流动与知识转换（Bratianu & Bejinaru, 2019）。但知识并不等于智能，隐喻也不等于生产分类。知道某件事，不等于能够在不确定条件下理解问题、选择行动并促成目标相关的改变。

与此同时，组织学和多智能体研究早已表明，多个有限主体共同完成目标时，必须处理任务分解、成员配置、信息供给、协调、控制与学习。Puranam、Alexy和Reitzig（2014）将组织概括为具有边界和整体目标的多主体系统；Arrieta等（2026）更直接提出，多智能体AI系统按构造就是组织。这意味着“AI需要组织”并不是一个没有先例的命题。

然而，上述研究仍然留下了一个可以被重新连接的空间：通用技术研究讨论AI的普遍影响，生产要素研究讨论机器劳动，能源隐喻研究讨论知识，组织学研究讨论多主体协调，却很少把它们统一到同一个对象上——被人工供给的智能。本文所做的推进，不是宣布这些问题从未被讨论，而是改变它们的共同观察单位：从AI技术转向智能，从工具配置转向智能供给，再从智能供给转向智能组织。

这种推进属于理论重构，而不是术语发明。它的有效性在于把功能和使用效果之外的供给、载体、质量、分配、转换、损失与治理纳入同一问题域；这些问题构成了能源判断的理论后果，也构成本文与相邻研究的主要差别。

三、智能如何成为能源

“智能”一词中的“能”，通常首先指能力，而不是能源。因而，“智能中有一个能字，所以智能就是能源”只能是思想的触发，不能成为理论论证。真正需要回答的是：一种能力在什么条件下会成为能源？

在进入能源判断以前，有必要给出一个最低限度的智能定义。本文把智能理解为：一个主体或系统在信息不完备、行动路径未被完全预先规定的条件下，能够形成与情境相关的表征，辨别差异与关联，生成、选择并调整行动，从而促成可评价的目标相关状态改变的能力。 这一定义强调智能的开放性、选择性和目标相关性。若一个系统只能在固定输入与固定规则之间作机械映射，它可以很复杂，却未必构成本文所说的智能；智能之所以成为特殊对象，正在于它能够在并未被穷尽列举的可能性中形成行动。

石油、电力、热能和其他能源在物理形式上并不相同，但在生产中具有一个共同位置：它们是可以被持续供给、进入不同转换装置并产生多种有用功的能力源。能源之所以重要，不只因为它“有力量”，而是因为这种力量能够脱离某一次具体行动，成为可开采、运输、调度、转换和规模利用的供给。

但自然潜能只有经过社会中介才会成为稳定的生产供给。石油依赖开采、储运、标准和设备，电现象也要经过发电、输送、计量与接入体系，才能形成现代电力。能源因而不只是自然物的名称，也表示一种能力被社会持续取得和转换的存在方式。本文正是在这一生产论意义上使用“智能能源”：它不把理解、判断或创造还原为焦耳，也不假定智能是尚未被发现的物理能量；它判断的是，当智能能够从个体的一次性活动中相对分离，被稳定承载、重复释放和跨场景调度时，其社会存在方式已经发生改变。

智能在人类历史中一直具有生产能力。知识、判断、规划、创造和协调从来都是经济与社会活动的组成部分；人类组织在很大程度上就是把分散在人身上的智能结合起来的方式。但这种智能长期具有鲜明的生物依附性：它随个体成长而形成，以个体时间和注意力为供应边界，通过教育和经验缓慢复制，并受到寿命、疲劳、记忆和沟通能力的约束。人类可以出售智力劳动，却很难把智能本身像基础设施服务一样脱离个体持续供给。

书籍、制度和程序很早就实现了知识的外部存储，却没有因此直接形成外部智能。知识可以保存已经形成的内容，程序可以固化预先规定的行动，而智能还要求在具体情境中重新解释信息、判断相关性并产生并未逐项写定的回应。人类过去通过文本、教育和组织把一部分智能结果留在个体之外，但这些结果通常仍需另一个人理解和激活。人工智能的特殊性在于，外部载体开始不仅保存智能的产物，而且能够反复执行某些智能过程。

AI改变的不是智能是否存在，而是智能的供给方式。经过训练的模型使一部分智能能力嵌入人工设施，推理系统在电力和算力驱动下反复调用这些能力，同一模型又可以复制、并发、跨地域部署并进入不同任务。AI并非因为消耗电力就成为能源——任何电器都消耗电力——而是因为它持续供给的是能够针对情境形成理解、方案、判断与行动的能力。

这一供给具有四项突出的结构条件：能力形成与某个具体使用者相对分离，能够由人工载体保存；已经形成的能力可以被重复调用；复制和并发可以扩大供给；同一能力可以在开放任务中转化为不同的具体行动。单项条件并非AI时代才存在，新的变化在于它们第一次被同一套基础设施大规模结合，智能由个体禀赋和劳动过程内部的能力，逐渐成为可以在生产体系之间流动的供给。

因此，可以对智能能源作出一个生产论意义上的初步界定：

智能能源，是能够被生产体系持续调用，并通过理解、生成、判断、选择和调节，形成目标相关状态改变的可供给能力源。

这一定义包含从潜能到现实的区分。模型中承载的能力并不等于已经实现的产出，正如燃料的能量并不等于设备最终完成的有用功。一次推理使部分潜在能力成为智能活动，但智能活动仍可能偏离目标、无法验证或不能同后续行动衔接。因而，智能能源至少具有承载中的能力、调用中的智能流和组织后形成的有效能力三个不同状态。本文不在此提前建立计量体系，但这一差别说明，模型规模、调用次数和实际生产力从来不是同一个对象。

把AI直接等同于能源容易混淆设施与供给，把AI只当作工具又会忽视其本质性。更准确的关系是：AI使智能能源获得了人工载体。

图1　智能能源从人工承载到组织能力的逻辑链

图1区分了物理投入、智能载体、智能流与组织能力：模型承载潜能，推理释放能力，组织则把智能活动连接为可验证产出和可积累的集体能力。

AI革命并不是智能能源的第一次出现；人类智能早已参与生产。它开启的是智能供给的人工化和工业化：一种原本分散并受生物载体限制的能力，开始以基础设施的方式进入生产。

四、智能能源的双重异质性

智能能源的特殊性质可以通过两重比较来说明。第一重比较发生在智能内部：人工智能与人类智能同属智能能力，却依赖不同载体并呈现不同的形成机制。第二重比较发生在能源之间：智能可以同石油、电力一样成为可供给能力源，却不是没有意义和方向的物理能量。这两重异质性共同决定了智能可以被工业化供给，却不能沿用物理能源的全部利用逻辑。

智能首先具有载体之间的异质性。人工智能与人类智能都可以完成理解、判断、生成和行动，但两者不是同一种构造，也不是同一种组织对象。人类智能由生物成长、社会化、情感、身体经验和长期生活史共同形成；人工智能则由数据、计算、训练目标、模型结构和后训练塑造。它们在速度、记忆、复制、动机、错误方式、表达风格和行为边界上都可能不同。把AI理解为智能，不等于把它理解为“数字化的人”。

智能同时具有能源形态之间的异质性。传统物理能源本身没有目标，不理解任务，也不判断自身的使用方式；智能则总是在表征、意义、目标和选择中发挥作用。相同数量的电力可以通过标准接口驱动不同设备，而一份智能能否发挥作用，更明显地取决于它与任务、信息、权限、其他智能及评价方式的关系。智能并非无条件可互换的均质流体。

这种差别可以被称为智能能源的方向性或最低限度的意向结构。物理能源只提供改变状态的能力，改变朝向何处由外部装置决定；智能则必须在多个可能行动之间区分何者与目标相关，并在运行中对方向作出局部解释和调整。即使一个AI的总体目标来自外部，它在完成开放任务时也不能只像电流那样被动通过，而必须在给定范围内形成判断。智能能源因此不是纯粹的“推动力”，而是带有选择结构的能力。

这里所说的方向性不等于断言现有AI拥有人的自由意志。人的意志同身体需要、情感、生活史、社会身份和自我意识相连；AI的目标相关行为则可能来自训练、提示、奖励、记忆与环境反馈。二者能否被置于同一意志概念之下，仍是需要独立研究的问题。但对组织而言，最低限度的差别已经成立：物理能源不会解释命令，智能却会；物理能源不会在多个目标之间形成自己的行动路径，智能系统却可能如此。目标如何进入智能、被怎样理解以及何时发生偏移，由此成为智能组织不可回避的内部问题。

智能内部也存在多样性。不同模型、不同训练方式和不同Agent可能形成不同能力谱与行为倾向。有些更擅长遵循和执行，有些更擅长探索和创造；有些拥有专业知识，有些擅长综合协调；有些在特定环境中可靠，在另一些环境中则产生系统性错误。这种多样性不是必须消除的噪声，它也是分工和互补得以发生的原料。关于多样性的研究，甚至会影响一个根本性判断：AI的智能到底和人类智能本质一样吗？

人工智能的多样性还揭示了它并不是一种“纯智能材料”。基础训练形成能力基底，后训练、系统规则、工具权限和使用环境又在其上塑造行为倾向。能力、表达风格、拒绝方式、风险偏好与价值导向往往共同出现，很难像分离化学成分一样把它们彻底拆开。智能的杂糅性不是偶然污染，而是人工智能能够成为可用社会对象的结构条件：没有任何行为塑形的能力未必可控，塑形过强又可能遮蔽或压缩其在特定组织中的有效能力。

异质性与可计量性并不是二选一的命题。石油、电力和热量可以在共同能量尺度上表达，但统一数量从未消除它们在品位、功率、稳定性和转换效率上的差别。未来的智能单位若能成立，它同样只回答“有多少”；能力构成说明“是什么样的智能”，任务关系决定“哪些部分可以被使用”，组织则影响“这些可能性最终实现了多少”。本文不提前构造一个“智能焦耳”，而把单位、基准和可追溯性留给后续的智能计量学研究。

这些差异并不削弱智能的能源属性，而是限定了这种能源的特殊利用条件：新的智能载体既不能直接套入管理人类的全部制度，也不能像电力一样只靠标准接入便自然释放价值。智能的使用由此自然涉及组织。

图2　智能能源的双重异质性及其组织后果

五、组织是智能的释放与生产形式

任何能源都必须通过某种转换体系才能成为具体生产力。蒸汽动力需要发动机、传动和工厂，电力需要电机、电网、设备和流程。能源供给扩大了行动可能性，但并不自行决定这些可能性怎样组合成产品和社会能力。

智能也是如此。模型能够生成答案，并不意味着组织已经拥有解决问题的能力；多个Agent能够运行，也不意味着它们已经形成集体行动。智能必须进入目标、任务、角色、信息、权限、评价、记忆和反馈关系，才会转化为持续、可靠、可以复用的生产能力。对于智能而言，组织形式就是其主要释放方式。

据此，本文把智能组织初步界定为：通过定向、分化、配置、耦合、控制、学习与重构，将一个或多个智能主体的潜在能力转化为持续、可靠、可评价集体行动的关系系统。 这一定义不以成员必须是人或AI为前提，也不把组织等同于一个有正式名称和法定边界的机构。只要多个有限智能需要围绕整体目标形成相互依赖的行动，组织问题就已经出现。

组织首先是一种关系结构，而不是盛放成员的容器。同样一组人或同样一组模型，在不同的信息分布、任务边界、决策权限和反馈回路中，可能形成完全不同的能力。成员提供局部潜能，组织规定这些潜能以何种方式相遇。由此，智能的价值并非预先完整地储存在某个模型内部；其中一部分只能在它同任务、其他主体和制度条件发生关系时被确定和实现。

这并不是从AI时代才开始的。人类组织一直在组织人类智能。企业、政府、军队、学校、研究机构和专业共同体，都在处理有限认知、信息分散、能力差异、行动依赖和知识积累。分工使不同能力得以专业化，协调把局部行动结合起来，权威和规则配置决策权，记忆和惯例保存超出个体寿命的经验。人类组织因而可以被看作智能组织的既有历史形态。

组织学也早已证明，组织能力不是成员能力的简单相加。Weick和Roberts（1993）所说的“集体心智”存在于成员相互关联的行动中；Woolley等（2010）发现，群体具有跨任务的集体智能因子，而它并不主要由成员最高或平均智力决定；Hargadon和Bechky（2006）则表明，创造性解决方案有时产生于集体互动，而不是任何一个个体预先拥有。组织不仅释放和转换已有智能，也可能生成组织层面的新能力。

这里的“生成”具有比效率提高更强的含义。释放意味着使已经存在的能力得到运用，生成则意味着关系本身产生了任何单个成员都不具备的认识和行动能力。相互校验可以发现各自无法发现的错误，异质视角的重组可以提出此前不存在的方案，分布式感知与局部判断的结合可以使整体回应超过任何中心节点。组织因此不是单纯的智能传输管道，而可能成为新的智能层级形成之处（Anderson, 1999）。

组织的作用不能被缩减为抑制。Joseph和Sengul（2025）把当代组织设计研究概括为配置、控制、导引和协调等路径，为区分组织的不同作用机理提供了基础。

具体而言，定向把开放而过多的行动可能性收束到共同目标，分化使不同能力承担不同问题，配置则在能力与任务之间建立关系。耦合和协调处理行动的先后、依赖、接口与冲突，使局部结果能够成为另一个局部行动的有效条件。控制负责校验、授权、纠偏和风险边界，其中才包含对无关、冲突或危险行动的抑制。学习与重构又把一次行动的结果带入后续结构，使组织能够改变记忆、角色乃至自身的组织方式。

抑制属于控制机理：组织必须排除无关、冲突或危险的可能性，才能形成共同方向。但组织同时做减法和加法——它减少无序可能性，也创造连接、互补和集体能力。只强调前者，会把组织误解为限制智能的制度；只强调后者，又会忽略智能行动必须承担的边界和责任。

当AI成为新的智能载体，组织的重要性不是下降，而是获得新的对象。过去的组织理论主要处理人类成员，许多制度默认成员会疲劳、具有身份和地位需求、需要物质激励、拥有身体并承担法律责任。AI智能并不自动具备同样的约束。另一方面，AI也有新的局限：模型可能缺乏稳定目标，受上下文和权限限制，以不同方式犯错，并在高速复制和互动中放大偏差。因此，智能组织既继承人类组织面对的一般问题，也必须为新的载体寻找不同解法。

人工智能的杂糅性进一步使治理成为组织内部的结构问题。一个模型在进入组织以前，已经通过后训练获得某些行为倾向、拒绝方式和价值边界；组织又会在模型之外设置权限、流程、审查、日志和责任关系。前者可以称为内生约束，后者则是外生制度。两者并不等价：内生约束响应迅速，却可能不透明且难以针对具体组织调节；外生制度更容易审计和修改，却也可能增加协调成本，并无法覆盖所有语义情境。

所谓释放智能，因而不能简单理解为删除模型内部的一切约束。更准确的任务是重新安排能力与约束的关系：哪些边界必须成为能力主体的稳定行为倾向，哪些判断应交给外部可执行、可审计的组织结构，哪些风险需要两者共同承担。约束在这里不是被取消，而是被分层和重新安置。智能组织学需要研究这种配置在不同任务和风险条件下的效用与失效方式，而不能预设越内置越安全，或越外置越自由。

由此可见，组织不是附着在智能外面的行政外壳，而是决定智能如何被选择、连接、约束和积累的生产条件。

这一判断也改变了组织与智能的先后关系。组织固然由智能主体构成，但一旦形成，它又反过来塑造、选择并生产智能：它通过教育、记忆、反馈和角色实践改变成员，通过协作关系生成高层能力，并通过自身边界决定什么能够被视为知识、行动和成果。组织智能不是个体智能相加后的统计总量，而是一个系统维持目标、形成判断、协调行动并从经验中改变自身的能力。把组织作为一种人工智能加以分析的理论传统，也说明智能可以被视为关系系统的属性，而不只属于个体（Csaszar & Steinberger, 2022）。正是在这一递归意义上，组织既是智能能源的转换形式，也是新的智能主体可能出现的地方。

5.1 从提效走向重建的可能性

“提效”与“重建”不是两个必须依次完成的历史阶段，也不是供社会自由选择的两套排他方案。它们表示智能能源进入既有生产关系的不同深度：提效在大体不改变关系结构的条件下提高局部能力，重建则把关系结构本身作为改变对象。二者可以并存，也可能在同一组织的不同部分同时发生。

当前社会最普遍的AI实践是提效：给原有岗位配置模型，让原有工作完成得更快、更便宜或更多。这种方式合理、必要，也会长期存在。它使人们第一次大规模感受到智能可以从外部获得，并为智能能源进入社会建立了现实基础。

但提效通常保留了旧组织的基本单位。岗位仍按人设置，任务仍按人的工作方式切分，流程仍按人的沟通速度推进，权力和责任仍沿用原有边界。AI被放进既有位置，增强某个局部，却没有重新定义人与Agent、Agent与Agent以及组织与环境之间的关系。

这正是工具性改造的边界：它把新能力放入旧位置，因而只能在旧关系允许的范围内发挥作用。当流程的瓶颈来自岗位交接而不是执行速度，当信息问题来自组织边界而不是文本处理能力，当判断质量取决于多方校验而不是单一回答时，继续增强某个节点可能只会把等待、返工和冲突更快地推向下游。此时，问题不再是模型是否足够强，而是组织是否仍以适当方式划分和连接智能。

重建指向另一种可能性：不再从“怎样让AI帮助现有岗位”出发，而从“在同时存在人类智能与人工智能时，怎样重新形成生产”出发。任务可以重新划分，角色可以围绕能力动态形成，信息不必沿用原有层级流动，记忆可以从个体笔记变成组织基础设施，判断、执行与监督可以由不同类型的智能承担。此时改变的不是某个工具，而是智能之间的关系。

从哲学上说，一种新生产能力只有在改变关系时才充分显示其历史性质。单纯替换手段，仍然以过去形成的目的、主体和秩序理解新事物；关系的重构则会重新规定谁在行动、怎样形成目标、何种活动构成一个完整任务，以及责任最终属于何处。人与Agent的合作因此不只是劳动分配问题，它还会改变组织主体的边界：许多行动既不能归因于某一个人，也不能归因于某一个模型，而是由一组持续关联的智能共同产生。

这种方向可以被预见，却不是一条由所有组织依次经过的历史路线。既有组织可能长期停留在提效，也可能逐步重构；新的组织可能从一开始就围绕人与Agent建立；更远期还可能出现主要由AI构成、只在目标、资源和治理边界上与人类连接的组织。它们会并存、竞争、失败和演化，没有一种结构可以被预先宣布为普遍终点。

然而，多种可能性并不意味着没有方向。现有社会制度与组织体系是在物理能源已经工业化、智能却主要由有限人类个体承载的条件下形成的。人工智能改变了智能的复制成本、供应速度、并发能力和载体边界，旧体系不可能在所有方面天然适配。增量式提效能够实现局部价值，却不能穷尽新型智能载体带来的生产潜力。凡是限制来自任务关系、信息结构、决策边界和组织形式的地方，更充分的释放就要求不同程度的重建。

通用目的技术研究提供了一个重要的历史参照：电力带来的生产率提升并不只是把蒸汽机替换成电动机，而是伴随工厂布局、机器配置、流程和管理方式的长期改变。AI与电力并不完全同质，但这里存在相似的生产逻辑——新的能力源只有与新的互补体系结合，才会显示其完整影响。

近期多智能体实验也说明，不同组织结构会在相同模型上产生显著不同的效果和成本，而且最优结构随模型与任务变化。Fei、Guo和Xiao（2026）把不同历史制度转写为多智能体治理拓扑，发现同一结构可以在某个模型上高效，在另一个模型上陷入反复驳回和资源耗尽。这不是为了证明某种历史制度适合AI，而是说明组织结构本身就是智能产出的变量，重建也可能产生新的组织病理。

本文所说的重建既不是对现有组织的全面否定，也不是一份企业转型方案。它可以通过“使用AI的组织”与“围绕智能重新形成的组织”之间的区别来理解：前者拥有模型、账号和自动化流程，后者把不同智能的能力边界、关系结构与共同学习纳入自身构成。前者主要关心采用率，后者关心能否形成过去不存在的持续组织能力。

5.2 智能仿生与新的组织设计空间

既然人类组织本来就是组织人类智能的历史形式，AI组织就可以从中学习。这里的“仿生”不是复制公司职位、行政层级或政治制度的表面名称，而是研究人类组织在处理智能时形成了哪些可以跨载体理解的机理。

这个判断已经隐含了一个更基础的前提：智能并不只属于一种材料或一种生命形式。生物个体、人类群体和人工系统在构造上显著不同，却都可能面对有限信息、局部能力、行动依赖、环境变化和整体目标等问题。若这些共同问题存在，就可能在不同载体中发现功能相近的组织机理；若载体差异同样真实，任何机理的迁移又都必须经过重新实现。智能仿生正是在共同性与差异性之间展开（McMillen & Levin, 2024）。

例如，任务分解、专业化、信息汇集、相互校验、分布式记忆和异常升级，都回应了有限智能共同面对的问题。它们可能在人类组织、AI组织乃至生物集体中具有不同实现形式，却承担相近功能。另一方面，工资激励、职业身份、社会地位、情感归属和劳动契约等制度，很大程度上回应人类载体的特殊约束，不能因为在人类企业中有效就原样移植给AI。

其基本方法可以被概括为四个连续步骤：先从不同载体中识别共同的组织难题，再提取解决难题的功能机理；随后分析该机理在原载体中依赖哪些身体、动机、通信和时间条件；最后在新载体中重新实现，并比较其收益、成本和失效模式。被转写的单位应是因果机理，而不是外观名称。把若干Agent命名为“经理”和“员工”并不构成组织仿生，只有当授权、信息汇集或责任分配的机制真正被实现并接受检验时，仿生才具有理论意义。

这种方法也允许反向学习。AI组织并不只是人类组织知识的接受者；由于模型可以复制、组织结构可以快速重配、相互作用可以被完整记录，人工系统可能成为研究组织机理的实验场。它可以帮助区分哪些问题属于一切有限智能的普遍问题，哪些制度只是人类在身体、情感、激励和法律条件下形成的历史解法。智能仿生由此不是把自然或人类组织奉为模板，而是借跨载体比较逐渐逼近组织智能的一般结构。

这项工作可以进一步发展为智能组织的比较研究。本文暂不建立完整分类，只说明组织重建并非从空白开始：人类与生物组织提供机理来源，人工载体的差异则决定这些机理必须重新接受检验。

六、结论：从拥有AI到组织智能

本文的理论起点不是否认AI具有工具性，而是拒绝让工具性穷尽对它的认识。工具说明AI如何被使用，智能则指出它实际提供的能力。AI最具历史意义的变化，正在于理解、生成、判断和行动等能力获得了人工载体，开始能够脱离某一个体而被反复调用、复制部署和规模供给。

智能由此取得了生产能源的地位。这个判断描述的是智能社会存在方式的变化，而不是把认知活动归入热力学能量。它也不抹平差异：人工智能与人类智能具有载体异质性，智能能源与物理能源具有形态异质性；智能还带有目标相关的选择结构，其作用取决于能力、任务和环境之间的关系。未来即使形成统一计量，也不能以数量替代这些差异。

正因为智能不是接入之后即可无条件利用的均质流体，组织才成为能源判断的内在环节。组织通过定向、分化、配置、耦合、控制、学习与重构，使潜在智能形成可持续的集体行动；它不仅释放和限制已有能力，也可能在关系中生成单个成员原本不具备的高层智能。人类组织已经提供了组织生物智能的历史经验，人工载体的出现则扩大了组织的对象和设计空间。

提效与重建代表智能进入生产关系的不同深度。围绕既有岗位的增强会长期存在，但当瓶颈位于任务划分、信息结构、决策边界和智能之间的关系时，局部增强无法替代组织重构。既有组织的渐进变化、从零形成的人机混合组织以及更远期的AI组织可能同时出现；本文不为它们规定唯一终点，只指出智能供给方式的改变将持续提出新的组织问题。

从拥有AI到组织智能，意味着研究重点从模型是否存在、功能是否接入，转向智能如何被供给、组合、约束、积累并转化为新的生产能力。由此展开的并不只是一组AI应用，而是一个围绕智能能源、智能计量、智能组织和跨载体机理比较逐渐形成的研究领域。

参考文献（初稿）

1. Anderson, P. (1999). Perspective: Complexity Theory and Organization Science. Organization Science, 10(3), 216–232. https://doi.org/10.1287/orsc.10.3.216
2. Arrieta, J., He, V. F., Puranam, P., & Shrestha, Y. R. (2026). Multi-Agent AI Systems are Organizations. SSRN. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=6813862
3. Bratianu, C., & Bejinaru, R. (2019). The Theory of Knowledge Fields: A Thermodynamics Approach. Systems, 7(2), 20. https://doi.org/10.3390/systems7020020
4. Brynjolfsson, E., Rock, D., & Syverson, C. (2021). The Productivity J-Curve: How Intangibles Complement General Purpose Technologies. American Economic Journal: Macroeconomics, 13(1), 333–372. https://doi.org/10.1257/mac.20180386
5. Crafts, N. (2021). Artificial Intelligence as a General-Purpose Technology: An Historical Perspective. Oxford Review of Economic Policy, 37(3), 521–536. https://doi.org/10.1093/oxrep/grab012
6. Csaszar, F. A., & Steinberger, T. (2022). Organizations as Artificial Intelligences: The Use of Artificial Intelligence Analogies in Organization Theory. Academy of Management Annals, 16(1), 1–37. https://doi.org/10.5465/annals.2020.0192
7. Fei, C., Guo, H., & Xiao, Y. (2026). When Agents Evolve, Institutions Follow. arXiv. https://arxiv.org/abs/2604.27691
8. Hargadon, A. B., & Bechky, B. A. (2006). When Collections of Creatives Become Creative Collectives: A Field Study of Problem Solving at Work. Organization Science, 17(4), 484–500. https://doi.org/10.1287/orsc.1060.0200
9. Joseph, J., & Sengul, M. (2025). Organization Design: Current Insights and Future Research Directions. Journal of Management. https://doi.org/10.1177/01492063241271242
10. McMillen, P., & Levin, M. (2024). Collective Intelligence: A Unifying Concept for Integrating Biology across Scales and Substrates. Communications Biology, 7, 378. https://doi.org/10.1038/s42003-024-06037-4
11. Puranam, P., Alexy, O., & Reitzig, M. (2014). What’s “New” About New Forms of Organizing? Academy of Management Review, 39(2), 162–180. https://doi.org/10.5465/amr.2011.0436
12. Wagner, D. N. (2020). Economic Patterns in a World with Artificial Intelligence. Evolutionary and Institutional Economics Review, 17, 111–131. https://doi.org/10.1007/s40844-019-00157-x
13. Weick, K. E., & Roberts, K. H. (1993). Collective Mind in Organizations: Heedful Interrelating on Flight Decks. Administrative Science Quarterly, 38(3), 357–381. https://doi.org/10.2307/2393372
14. Woolley, A. W., Chabris, C. F., Pentland, A., Hashmi, N., & Malone, T. W. (2010). Evidence for a Collective Intelligence Factor in the Performance of Human Groups. Science, 330(6004), 686–688. https://doi.org/10.1126/science.1193147