無人公司的6種現實形態

當我們在談論“無人公司”時，我們真正討論的從來不是“有沒有工人”，而是“有沒有人類管理者參與關鍵決策”。

一個系統只要把裁量權交給算法，它就進入了無人公司的范疇。剩下的當然是程度的問題。

近來陳天橋先生發了一篇激情澎湃的文章，隨后馬浩老師做了響應，我一直想寫點什么，最后想想就別在觀點上添亂了，還是回歸到我《無人公司》的本行，收集下案例吧。

以下六個案例，按照 AI 介入決策的深度，從交通、金融、礦業、制造到媒體，展示了真實世界里“AI 作為決策者”正在如何落地。

還十分不普及，效果也不能算是顯著，但確實已經開始。

注1：后續的數據通過AI大模型做的整理，我也基于引用做了些校正，但沒法保證百分百準確，大家把它們看成“示意圖”，真用的時候單獨確認信息源回更合適。本文主要想展示的是這些有所差異的形態。

注2：不是說就這6種形態，這六種是略有代表性的。這個模式的普適性取決于AGI的程度和特定領域的投入產出比。

1. Waymo Robotaxi

Waymo 是目前全球規模最大、數據最透明的全無人 Robotaxi 運營商。

截止當下 (2025.12) 最新數據

● 里程碑數據：

○ 當前全無人里程：已突破 1 億英里（2025 年 6 月官方公布數據為 9,600 萬英里，年底正式破億）。

○ 安全研究基準：著名的 瑞士再保險（Swiss Re） 安全報告是基于其 2,530 萬英里 的早期核心數據得出的結論。

● 安全結論（基于 Swiss Re 2025 報告）：

○ 財產損失索賠減少 88%；

○ 人身傷害索賠減少 92%（對比人類司機）。

● 出行規模：商業運營車隊規模約 2,500 輛，每周提供超過 25 萬次 付費出行服務。

AI 承擔的決策權：

● 復雜博弈行為：自主處理無保護左轉、擁堵并線、以及舊金山/鳳凰城極端天氣下的讓行判斷。

● 車隊調度：基于“城市熱力圖”預測需求，在大型賽事（如 Super Bowl）結束前，提前調度空車至熱點區域。

● 駕駛風格：2025 年系統迭代了更具“果斷性”的并線策略，大幅減少了因“過于謹慎”導致的后車擁堵。

AI 已經不是“代替雙手”，而是在替代駕駛中的大腦與判斷力。這個例子背后的含義是你要真有錢，自動駕駛這個復雜度的事是可以按無人公司模式搞定的。

2. AI 直接承受盈虧：nof1.ai 的 Alpha Arena

Alpha Arena 是 2025 年最具象征意義的金融實驗（Season 1 已于 11 月完賽）：不是“AI 給建議”，而是 AI 直接做決策并承擔盈虧。

截止當下 (2025.12) 最新數據

● 參賽陣容：GPT-5 (OpenAI), Claude 4.5 Sonnet, Qwen 3 Max (阿里), DeepSeek V3, Gemini 2.5 Pro, Grok 4。

● 資金規模：每個模型管理 10,000 美元真金白銀，在 Hyperliquid 去中心化交易所交易加密貨幣永續合約。

● 實盤結果（第一賽季）：“東風壓倒西風”

○ 冠軍：Qwen 3 Max 錄得 +22.3% 的正收益（表現出極強的紀律性）。

○ 亞軍：DeepSeek V3 錄得 +4.89% 收益。

○ 墊底：GPT-5 虧損嚴重，回撤達 -62.66%（表現為“猶豫不決的學者”，在震蕩市中頻繁止損）。

AI 承擔的決策權：

● 端到端交易：從讀取行情到下單全自動執行，人類僅提供初始資金。

● 風險管理：模型需自行判斷波動率并執行止損（GPT-5 的失敗主因即為在波動市場中缺乏決斷力）。

這是第一次公開驗證：通用大模型（LLM）的“智商”不等于“財商”。邏輯推理能力最強的模型，在真實博弈中可能是個糟糕的交易員。

這個例子的真實含義是，要是沒整太明白，撒手給AI很容易賠錢或者倒閉。和這個類似的前面還有Vend呢！

（我專門看了一眼，大多的還在賠）

3. 物理世界中的超級自治系統：力拓皮爾巴拉無人礦山

力拓（Rio Tinto）在澳大利亞皮爾巴拉運營著現實世界最成熟的“物理世界操作系統”。

截止當下 (2025.12) 最新數據

● AutoHaul 鐵路：全球首個完全自動化重載鐵路網，運營里程約 1,700 公里。

● 運載能力：約 220 臺無人機車，單列火車長達 2.4 公里，單次運載 2.8 萬噸 鐵礦石。

● Gudai-Darri 礦區：作為 2025 年的數字化標桿，該礦區實現了從鉆探到運輸的全鏈路無人化。

AI 承擔的決策權：

● 礦山大腦：根據地質 3D 模型決定鉆孔位置、爆破參數及挖掘順序。

● 路徑規劃：在數十平方公里的礦區內，實時協同數百臺卡車與火車，確保零沖突、零等待。

● 安全與能耗權衡：系統在“產量最大化”與“油耗/磨損最小化”之間進行每秒級別的實時最優解計算。

這里的 AI 執行的不是一個單點決策，而是一整套分布式、跨數百臺巨型設備的調度治理能力。

這個例子的含義是：如果把邊界收一收，有可能少花點錢也能干更復雜的事。礦山這個花的錢可比Robotaxi少多了，但麻煩的程度其實并不少，只是邊界更清楚。

4. 精密制造的“質檢裁判”：小米 SU7 超級工廠

在北京亦莊，小米汽車智能工廠重塑了“質量決策權”的歸屬。

截止當下 (2025.12) 最新數據

● 自動化率：關鍵工藝（車身連接、涂裝、總裝關鍵環節）實現 100% 自動化。

● 生產效率：滿產狀態下，平均每 76 秒 下線一輛新車。

● 產能現狀：二期工廠已進入試運行階段，推動年產能向 30 萬輛+ 邁進。

AI 承擔的決策權：

● 零部件生死裁定：X-Eye 智能質檢系統 對一體化壓鑄件進行多模態掃描（視覺+X光+聲學），直接給出“通過 / 返修 / 報廢”的最終指令。

○ 變化點：過去這需要資深質檢員簽字確認，現在完全由算法“一票否決”。

● 產線節拍優化：根據訂單配置（顏色、輪轂、內飾）的復雜組合，實時調整物流排序，消除換線等待時間。

與其說這里是“無人制造”，不如說是“AI 擁有了產品質量的終審權”。這個的意義是如果造車能搞，理論上很多工廠都能搞，因為造電飯鍋等肯定比造車簡單些。就是劃算不劃算的問題了。

缺的是AGI讓所有的都容易搞，容易維護，那才能劃算。

5. 電商的神經網絡：亞馬遜的智能倉儲

亞馬遜的倉儲體系是全球最典型的“算法領導，人類協作”樣本。

截止當下 (2025.12) 最新數據

● 機器人里程碑：2025 年 6 月，亞馬遜宣布其全球機器人部署總量正式突破 100 萬臺。

● Sequoia 系統：新一代集裝箱化存儲系統已在多個 FC（運營中心）落地：

○ 庫存識別與入庫速度提升 75%；

○ 訂單處理時間縮短 25%。

AI 承擔的決策權：

● 貨位分配：決定每一個 SKU 應該放在哪個倉庫、哪一排貨架、哪一個格子（基于預測銷量）。

● 預測性發貨：在用戶點擊購買前，算法已將商品提前調撥至距離用戶最近的配送站。

● 機器人集群協同：一個 AI 基礎模型統一優化數十萬臺機器人的路徑，防止死鎖并最大化吞吐量。

這是全球最典型的“AI 做工頭”的組織形態：人類不再控制機器，而是在配合一個 AI 調度的生產體系。

業務復雜度的話，很多體系恐怕不如物流，物流都開干了的話，別的其實也能干。

可以對照下劉強東先生關于無人公司的發言。

6. 沒有編輯部的媒體：AI 內容農場 2.0

到 2025 年底，AI 內容農場已成為全球互聯網的“背景噪音”。

截止當下 (2025.12) 最新數據

● 站點規模：NewsGuard 追蹤中心數據顯示，已識別超過 2,100 個 基本由 AI 自動生成的新聞/資訊站點。

● 商業模式：覆蓋 16 種以上語言，主要通過程序化廣告獲利，單月訪問量頭部站點可達數百萬。

AI 承擔的決策權：

● 議程設置：由 NLP 模型掃描全網趨勢，決定“這一小時寫什么”、“追哪個熱點”。

● 標題黨優化：根據歷史點擊率（CTR）數據，自動生成并迭代最具誘惑力的標題。

● 全自動生產：無需人類編輯部，系統每天自動生成并發布數千篇圖文內容。

這是媒體史上第一次，編輯權不歸記者、不歸總編，而歸內容模型的優化函數。

這個重點凸顯的是量級，一旦突破，那有的就不是一個兩個。

無人公司的本質是“決策權的重新分配”

在這六個案例中，AI 影響的不是簡單的“崗位”，而是“裁量權”：

● Waymo / 力拓：掌握駕駛與運輸的即時判斷權

● 小米工廠：掌握質量與節拍的裁定權

● 亞馬遜：掌握資源與庫存的分配權

● nof1.ai：掌握風險與資金的調度權

● AI 內容農場：掌握信息的議程設置權

人類不再掌控“每一次決策”，而是開始轉向：

定義目標，設定規則，提供例外處理，構建安全邊界等等，說到底是撒手后的事。

參見：

當裁量權從人類遷移到算法，組織的本質也隨之改變：

公司不再是一群人的集合，而成為一套自治的智能決策系統。

這顯然還只是黎明前的曙光，上面這些系統也就只能算剛剛開始嘗試，離真正好使，我估計還有距離，但它真的開始了。

這時候你要再加入倆變量來思考，結果近乎確定的：

AI大模型的能力持續上揚，比如Gemini3和年初的模型恐怕不是一個東西。并且越來越便宜！！

這時候在這種系統的邊界里面尋找人的角色是沒意義的，關鍵的是在它外面構建出新的角色體系。

所以上面6個形態，突破口雖然不一樣，但其實進化方向和終點是大致相似的。

不管喜歡還是不喜歡，這種變化只要AI還在發展，那就大概率確定發生。

進群加入AI碰撞局等聯系：shuixiu2024