AI 如何用“世界模型”把组织从人类协调升级成智能体
把你的实际观察贴出来,我们一起把这个组织智能体框架迭代成更普适的生产力范式。罗马军团用“8→80→480→5000”的嵌套结构解决“千里之外、通信有限”的协调难题——每层指挥官的“有效管理跨度”被严格限制在 3-8 人。Block 的模型把智能放在系统中,人被推到“边缘”(edge)——那里才是模型无法触达的直觉、文化、伦理、高风险决策的真实战场。普鲁士在耶拿战役后发明总参谋部,把“天才依赖”变成
你在一家快速扩张的创业公司里,每天都在开对齐会、写周报、等上级审批。信息从一线爬到高层再落下来,速度像蜗牛。AI 工具确实让每个人写代码、做分析的速度翻倍,可组织整体决策依然卡在层层中层“路由器”上。
表面上看是“管理效率问题”,但当你把 Jack Dorsey 在 X 上这篇长文完整拆开后,才发现行业共识正在被系统性颠覆:过去 2000 年,层级是唯一能解决大规模协调的信息路由协议;今天 AI 第一次提供了替代方案——把组织本身变成一个持续更新的“世界模型”。
我起初以为 AI 只是生产力工具,能让现有层级跑得更快。后来反复对照罗马军团、普鲁士总参谋部、铁路时代组织图、曼哈顿计划到 Spotify Squad 的全部演进史,才发现 Block 真正下的注:不是用 AI 优化旧结构,而是用 AI 彻底替换层级所承担的信息路由、决策预计算和对齐职能。这不是渐进式改进,而是组织设计的范式级跃迁。
2000 年层级演进的底层逻辑:信息路由的物理极限
罗马军团用“8→80→480→5000”的嵌套结构解决“千里之外、通信有限”的协调难题——每层指挥官的“有效管理跨度”被严格限制在 3-8 人。
普鲁士在耶拿战役后发明总参谋部,把“天才依赖”变成“系统能力”,创造了最早的中层管理。
美国铁路把军事层级商业化,McCallum 绘制了世界第一张组织图。
Taylor 的科学管理进一步把任务拆成可测量单元,功能金字塔成型。
二战曼哈顿计划第一次尝试跨职能协作,却依赖 Oppenheimer 这样的天才人物。
战后 McKinsey 推动矩阵制,试图平衡职能与事业部,却带来新官僚主义。
Spotify Squad、Zappos Holacracy、Valve 平层实验都试图打破层级,最终规模化后仍回归传统——因为没有技术能真正替代人类作为信息路由器。
Block 的反直觉答案:把公司建成“智能体”(mini-AGI)
Block 不再给每个人配 Copilot,而是问:如果 AI 能持续维护整个公司的“世界模型”,层级还有什么存在必要?
他们定义了四个核心构建块:
- 能力(Capabilities):原子级金融原语(支付、借贷、发卡、银行、BNPL、薪酬等),无独立 UI,只有可靠性和合规目标。
- 世界模型(World Model):双侧模型——公司世界模型(实时跟踪正在构建什么、被阻塞什么、资源分配)+ 客户世界模型(基于真实交易信号的 per-customer/per-merchant 金融现实)。
- 智能层(Intelligence Layer):在特定时刻、特定客户上组合能力,主动交付解决方案(现金流紧张时自动组成短期贷款并推送)。
- 接口(Interfaces):Square、Cash App 等交付表面,价值不在界面,而在模型与智能。
当智能层无法组合出解决方案时,失败信号直接变成未来路线图——客户现实取代了产品经理的假设。
新组织结构:边缘化人类,中心化智能
传统层级把智能分散在人和中层里,由层级负责路由。
Block 的模型把智能放在系统中,人被推到“边缘”(edge)——那里才是模型无法触达的直觉、文化、伦理、高风险决策的真实战场。
角色被极简到三种:
- Individual Contributors (ICs):深耕能力、模型、智能层、接口的专家,世界模型提供上下文,无需等待指令。
- Directly Responsible Individuals (DRI):临时拥有特定跨领域问题或客户结果的全权负责人,可直接拉取资源。
- Player-Coaches:既做具体工作又培养人,取代传统中层的信息路由角色。
没有永久中层。世界模型负责对齐,DRI 负责战略,Player-Coach 负责匠艺与人。
下面是用 Mermaid 绘制的传统层级 vs Block 智能体结构对比(可直接复制到 Markdown 编辑器查看):
传统层级 vs Block 智能体组织决策矩阵
| 维度 | 传统层级组织 | Block 智能体组织 | 关键权衡与边界条件 |
|---|---|---|---|
| 协调机制 | 人类中层路由信息 | AI 世界模型 + 智能层 | 人为对齐 vs 系统实时更新 |
| 信息流速度 | 层级越多越慢 | 边缘直接获取完整上下文 | 规模化瓶颈 vs compounding 优势 |
| 角色设计 | 经理负责汇报与对齐 | IC/DRI/Player-Coach(无永久中层) | 管理税 vs 边缘执行力 |
| 路线图来源 | 产品经理假设 | 客户现实失败信号 | 主观猜测 vs 真实信号驱动 |
| 竞争优势 | 效率优化 | 理解深度 compounding | 成本下降 vs 智能壁垒 |
| 适用阶段 | 稳定规模化 | AI 原生、高信号业务 | 传统企业 vs 金融/交易密集型 |
在生产环境落地“从层级到智能体”前必须先做的三件事
- 先把所有工作产物(决策、代码、讨论、进度)全部结构化记录,为公司世界模型提供原料;
- 识别你公司最深、每天都在 compounding 的“理解”(Block 是经济图谱),把它变成世界模型的种子;
- 把核心流程先拆成“能力 + 智能层组合”试点,验证 DRI + Player-Coach 模式能否真正去掉中层路由。
当组织真正从层级升级成智能体之后
Block 这篇长文把 2000 年的组织史摊开后,给出了最锋利的结论:如果你的公司没有真正难被理解、且每天都在加深的独特认知,AI 就只是成本优化工具,最终会被更聪明的系统吸收。
反之,AI 不会“增强”你的公司——它会揭示你的公司究竟是什么。
速度从来是创业成功的最强预测因子。今天,AI 第一次让“速度”不再受制于人类层级的物理极限。
你的公司正在构建怎样的“世界模型”?
欢迎在评论区分享:你在阅读这篇 Block 宣言后,最受冲击的是哪一部分?你的团队目前卡在信息路由还是决策对齐?把你的实际观察贴出来,我们一起把这个组织智能体框架迭代成更普适的生产力范式。
我是紫微AI,在做一个「人格操作系统(ZPF)」。后面会持续分享AI Agent和系统实验。感兴趣可以关注,我们下期见。
更多推荐

所有评论(0)