八个尺度都有密度，而且扩散有方向——水从高处往低处流。
五章。这一卷是全书的升维处。
在此之前，你可能会以为“智能密度”是一个企业内部的诊断工具——填十行表，得一个数，看一个形状。 这一卷要说的是另一件事：它是一个跨层级的构念。 它在一个判断上成立，在一个行业上也成立， 在一个人身上成立，在一片街区上也成立。而这些尺度之间，有方向。
我得先说清楚这件事是从哪儿来的，因为它不是我坐在办公室里推出来的。
最大的启发来自 DeepSeek。
它刚做出来的时候，我并不看好。一家原本做量化的公司，怎么可能比得过那些巨头？我当时的判断很直接：这事需要的资源量级，不是一家量化公司能碰的。
后来 DeepSeek 火了。我去看梁文锋的演讲，想弄明白我到底错在哪儿。
演讲里有一段讲他们为什么不去布局多模态、世界模型、机器人。他给出的一个关键判断是：世界模型短期内还谈不上智能，真正的突破是编程能力，它已经变成了新的基础设施。
我看到这句话的时候愣了一下。
因为在当时，所有人都在讲“全模态”、“通用智能”、“具身智能”。谁的路线图上都写着要把所有模态都做了。而这里有一个人，明确地说：不去。 而且他给的理由不是资源不够，是那些地方现在还没有智能。
那一刻我意识到，他手里有一把我没有的尺子。他在给不同的方向称密度，然后只往密度最高的地方投。
我回去想了很久，最后把它归结成一句物理：
水从高处往低处流。智能也一样——它一定是从高密度流向低密度。 所以要找到“密度最高”的那件事去做。
这句话有一个立刻可用的推论：今天密度最高的是语言，其次是编程语言。
为什么是语言？因为人类几千年把绝大部分判断都编码进了语言。为什么编程语言排第二？因为它是语言里唯一当场可验证的那一支——代码跑不跑、测试过不过，几秒钟就知道。
而在语言之外，还有一些场景本身知识密度高——金融、法律、医疗。这三个行业为什么总是最早被讨论？不是因为它们钱多，是因为它们的判断被高度编码过：法条、诊疗指南、风控规则。
我自己还有一个更土的体会，它比上面那些论证都直接：
两个聪明人凑到一起，他们交流的信息量，远比和别人交流要大。
这句话听起来是句常识。但如果你把它当成一个结构来看，它说的是另一回事：智能不是均匀分布的，它有浓度。而浓度会自己聚集——高的地方越来越高。
这一条是我做了这么多年产业化才悟出来的：人工智能跟过去的工业化很不一样。
蒸汽机不挑行业。你把蒸汽机装到纺织厂、面粉厂、矿井里，它的价值差别不大——都是把力气变大。电也不挑。电装到任何一个车间，效率的提升都是同一个方向的。
而 AI 挑。 它在有些地方立刻见效，在有些地方投三年也不动。
这个差别不是“成熟度不同”，不是“再等等就好了”。它是结构性的。而结构性的差别，必须有一个结构性的解释。
那个解释就是密度。
我把它排开，一共八个尺度。但这八个不是一条直线，是三族：
第一族 · 纵向嵌套。 小的装在大的里面。这一族有工具，可以填、可以算。
| 尺度 | 密度是什么 | 已有的东西 |
|---|---|---|
| 判断点 | 这一个决定交出去了几档 | L1—L5 |
| 场景 | 一组判断点的加权比例 | 密度公式、形状判定 |
| 组织 | 全公司的分布形态 | 分层才是成功标志，不是均值提高 |
第二族 · 组织自身的两个属性。 它们不装在谁里面，是同一个组织的两个侧面。
| 尺度 | 密度是什么 | 关键判断 |
|---|---|---|
| 规模 | 企业体量决定了它能不能转身 | 企业中年危机 |
| 人才 | 一个人让渡了多少判断 | “你烧过多少 token，烧在了哪” |
第三族 · 组织所处的场。 它们不在组织内部，但决定组织的上限。
| 尺度 | 密度是什么 | 关键判断 |
|---|---|---|
| 行业 | 这个行业的判断可不可验证 | 物理侧 / 认知侧 |
| 区域 | 一个地方的智能浓度 | 全杭州就那么几块 |
| 地理 | 为什么要往密度高的地方靠 | 判断的校准不能远程传输 |
我要停下来说明一件事，因为它关系到这套东西到底是一个工具还是一个理论。
如果密度只在“一个企业内部的判断点”这一个尺度上成立，那它是一把尺子。一个诊断工具。很好用，但仅此而已。
而跨层级是理论的标志。
交易成本从一笔个人契约，一路解释到一个国家的制度安排——科斯的学生们用它解释了纵向一体化、解释了产权、解释了法律制度。五力从一个产业，一路解释到一条价值链。
一个构念如果只在一个尺度上成立，它是一个指标。如果在多个尺度上都成立、而且能解释这些尺度之间的关系，它才是一个理论。
后半句是关键。八个尺度各自成立还不够，得说清它们之间怎么互相约束——比如行业密度决定了组织密度的上限，区域密度决定了人才密度的可得性。这一卷剩下的四章就是干这件事。
我也要提前说明这一卷的软处，不放到卷末：八个尺度里只有前三个有工具、有过真实填写。 后五个是观察与推论。它们可以被讨论、可以被反驳，但目前不能被测量。
既然层层都有密度，扩散有没有顺序？
上一章说智能从高密度流向低密度。这一章要回答：行业的密度高低，由什么决定？
这件事我没有取巧的办法。我这人头比较硬，十几个行业都亲手试过一遍。
试的过程很不体面。有些行业进去半年，做出来的东西客户礼貌地收下了，然后就搁在那儿。有些行业进去三个月，客户自己开始加需求。一开始我以为是我们做得好不好的问题，后来发现不是——同样的团队、同样的方法，在不同行业里的结果是系统性不同的。
试完之后，我画出了一张图。
横轴：从耐用到消耗。 纵轴：从重工到轻工。
一个行业落在这张图的哪个位置，直接决定 AI 在它身上的价值落点：
越偏重工的，价值更多在安全、生产、工艺这一侧——我们叫“物理侧”。 越偏市场和消费者的，价值更多在需求、创意、品牌这一侧——我们叫“认知侧”。 中间像家电、3C 这些，是交汇带。
而合作到最后会发现一件事：真正 AI 化跑得最快的，其实就是服装、家居、日用品这几类。
第一次得出这个结论的时候我有点意外。因为按常理，制造业里越是高技术含量的行业，应该越先用上 AI。芯片、汽车、装备——这些行业的工程师密度远高于服装厂。
但事实是反的。而反着的事实需要解释。
解释在卷三第 10 章那个“L 上限”里，它是同一件事的另一种说法。
一个判断的 L 上限，由验证时点决定。对错很快知道、而且能归因，上限就高；永远不知道对错、或者归不了因，上限就是 L2。
把一个行业里所有判断的上限加总，就是这个行业的密度天花板。
现在看服装：这一季的款式好不好卖？上架两周就知道。 而且能归因——同一批投放、同一个渠道，卖得动就是款式对。
再看家居、日用品：一样。快周转、快反馈、能归因。
再看重工装备：这套工艺参数改得对不对？可能要等一个生产周期，甚至等客户用两年才知道。而且归因极难——出了问题是工艺的事、材料的事，还是操作的事？
所以不是服装厂比装备厂聪明，是服装厂的判断天然可验证。
这一条也解释了物理侧和认知侧的分野。物理侧的判断（安全、生产、工艺）后果重、验证慢、归因难——它们的上限低，但一旦推上去价值极大。认知侧的判断（需求、创意、品牌）后果轻、验证快、归因容易——上限高，所以先动。
用它还可以解释一批别的现象：
为什么 Coding 类模型今年成了新的基础设施？ 因为代码的数据量，加上它的处理方式，正好是 AI 最擅长啃的那块软柿子——跑不跑、过不过，当场就知道。验证时点几乎是零。
为什么互联网与金融先行？ 不是因为他们更聪明，也不是因为他们钱多。是因为他们的判断天然可验证——点击了没有、转化了没有、违约了没有，都有明确的、可归因的反馈。
为什么制造业慢？ 因为很多判断的反馈周期以月计，而且归因困难。这批货放行之后客户三个月后投诉，是这一批的问题还是运输的问题？
低密度行业听到这里，第一反应通常是松一口气：那我还有时间。
对，你有时间。但这件事是双刃的，而第二刃很少有人说：
你有时间，但入场时人才与供应商的价格，由高密度行业定。
因为人才市场和供应商市场是一个市场。当互联网和金融把能做这件事的人的价格抬到某个位置，制造业三年后想入场，付的就是那个价。你省下的三年时间，要用高出来的价格买回来。
这一条对战略有直接含义：“等等看”不是零成本的等待。它是一个有价格的选择。 而这个价格今天看不见，三年后才结账。
顺着行业这一级再往下一层，还有一件事值得讲：即便都在 AI 化，不同产业该把劲往哪儿使，是不一样的。
| 产业 | 形式追随什么 | AI 的劲往哪使 |
|---|---|---|
| 工业品 | 功能 | 判断的准确性 |
| 快消品 | 商业 | 判断的速度与频次 |
| 时尚品 | 情感 | 判断的多样性 |
| 文创品 | 文化 | 判断的独特性 |
这张表还很粗，我把它放进来是因为它指向一个重要的东西：
密度不是一个可以横向比较的绝对量。
一家工业品公司的 0.4 和一家快消品公司的 0.4，背后是完全不同的东西——前者可能是把几个高后果的工艺判断推上去了，后者可能是把大量高频判断自动化了。同一个数，不同的成就。
这也是为什么全书拒绝做跨企业排名。不是数据不够，是可比性本身不成立。
行业之外，还有什么决定一家公司能不能转身？
这一章从我自己一件尴尬事讲起。
我们做这套东西的初衷，是想服务中小企业——尤其是像义乌那样的老板娘。我当时的想法很朴素：大企业有钱有人，我们帮不上什么；中小企业最缺方法，我们的东西最该给他们用。
可我真去了义乌小商品市场，是要被怼的。
她们会说：“你们这些书生气的，还干不过豆包呢。豆包我都不用交钱，凭什么给你们交几百块？”
我们既得不到尊重，也得不到钱。
这句话我记了很久。因为它不是不讲理——它其实非常讲理。她要解决的问题，豆包免费就解决了；她不需要的那部分，我讲得再好也是多余的。
后来我反复想这个事：为什么反而是世界 500 强，给了我们钱、也给了我们尊重？
按常理不该这样。大企业流程长、决策慢、部门墙厚，是所有咨询和产品的老大难。
想通之后我发现，这里头藏着“智能”的秘密：
就像人跟人一样——500 强的战略意识虽然慢，但它一步一步在认真做。
这句话里“认真做”是关键。它不是态度问题，是结构问题。
一家 500 强要上一件事，它会走完整套动作：定题（这件事到底解决什么问题）、供料（我们的数据在哪、谁维护）、验收（谁签字、按什么标准）、担责（出了事谁负责）。这套动作走得慢，但它走完了三道工序加担责。
而一个小老板娘上 AI，是打开豆包问一句。快，但没有任何一道工序在里面。所以她得到的是一个动作的效率提升，不是一个判断的让渡。她的密度天花板，就是她这套工作方式的天花板。
这不是说她做错了。对她的生意，那可能就是最优解。这正是公理⑤那句话：密度不是越高越好，是越接近自己的上限越好。
也是从这儿，我意识到一个我认为很要紧的判断：
那些从几千万做到几个亿的企业，上不上、下不下——真到 AI 转型的时候，反而可能没有 500 强这头大象转身快。
我把它叫做企业中年危机。
为什么会这样？我认为是两头的好处它都不占：
它没有小企业的轻。 小老板娘不需要转型——她的判断本来就在自己脑子里，想用就用，不需要说服任何人，不需要沉淀给任何人。转身成本接近零。
它也没有大企业的重。 500 强有制度化的能力：有专门的团队、有立项流程、有数据治理的历史欠账但也有治理的机制、有能签字担责的层级。它慢，但它有走完流程的肌肉。
而几千万到几个亿的企业，正好卡在中间：规模已经大到必须靠制度协作，但制度还没有建起来。
具体表现是这样的：老板一个人的判断已经覆盖不了全部业务（所以他不像小老板娘那样想用就用），但公司又没有沉淀判断的机制（所以他也不像 500 强那样能把判断交给系统）。他的判断记忆全在自己脑子里，而他已经忙到没时间往外倒。
这种企业的 AI 转型往往长成这样：老板本人用得很好，越用越觉得该推广；推下去之后员工用成了写文案的工具；老板发现没效果，得出结论“我们公司的人不行”。
而真实的原因是：公司缺的不是会用 AI 的人，是把老板脑子里的判断倒出来的机制。
我在很多场合被问“我们这个规模该怎么办”。我现在的回答是：
企业的认知危机、惯性危机，说到底，都是战略和组织的问题。
不是技术问题，也不是人才问题。
而且这一条正好接回卷一第 3 章李约瑟那一节——技术不改变世界，制度决定转化。规模密度这一级说的其实是同一件事的一个具体版本：一家企业能承接多少智能，取决于它有没有承接智能的制度。 太小的不需要制度，够大的已经有制度，中间那一档最难。
所以中等规模企业的第一步，可能不是选场景，而是先建一件极小的制度：把判断记下来。 卷六第 21 章那句“开会先录下来”，对这一档企业的价值最大——因为它是最便宜的制度，而它们最缺制度。
制度之外，人呢？人也有密度吗？
有。而且人才这一级是八个尺度里最能立刻用上的一级。
我们招人现在会问一个问题：你烧过多少 token？
判断一个人智能程度的一个简单指标，就是他调用了多少 token。
这个问题听起来粗暴，但它很准。如果一个人一天连一亿 token 都没烧过，说明他还没有把自己的一部分工作让渡给人工智能。而让渡过和没让渡过，是两种不同的工作方式——不是熟练度的差别，是工作方式的差别。
差别在哪儿？没让渡过的人，AI 是他的一个工具，他做完自己那部分再去用它；让渡过的人，AI 是他工作流的一部分，他一开始就在设计“哪一段交出去、怎么验收”。后者会自然而然地问出三道工序的问题，因为不问就跑不动。
所以招应届生其实很简单，两问：
先问你烧过多少。 这一问筛掉还没开始的人。 再问你烧在了哪、做了什么。 这一问区分“用 AI 做动作”和“用 AI 做判断”。
第二问比第一问重要得多。一个人可以烧掉很多 token 去生成一堆没人看的文案——那是动作。而另一个人可能烧得少，但每一次都在做一个有后果的判断，并且自己验收。后者的密度高得多。
这里我想给个具体的追问，因为“烧在了哪”太容易被应付过去。我会问：你有没有哪一次，把 AI 给的全部方案都否掉了？为什么？
这一问和卷三第 9 章那个 L3 陷阱的反问是同一句。它在组织上用来识破橡皮图章，在个人上用来识别一个人有没有真正在验收。
然后是这一级最要紧的一个判断：
老专家 + AI，价值百倍千倍于菜鸟 + AI。
为什么？回到三道工序。
老专家同时握着定题和验收两头。 他知道什么算好——这是定题；他也验得出对不对——这是验收。而这两头恰恰是买不来、只能养的。
菜鸟握着的是工具熟练度。 他可能提示词写得更溜、工具链更新、快捷键更熟。但他缺的正好是定题和验收，也就是三道工序里最贵的两道。
三道工序是相乘的。菜鸟的乘式大概是 0.3（定题）× 0.8（供料）× 0.2（验收）= 0.048；老专家哪怕工具用得笨一点，0.8 × 0.5 × 0.8 = 0.32。差了将近七倍，而且这个差距不会因为菜鸟工具用得更熟而缩小——他补的是那个 0.8，而卡他的是 0.3 和 0.2。
这也解释了一个我反复看到的现象：企业里 AI 用得最好的，往往不是最年轻的那批人，而是四十岁上下、业务很熟、同时愿意上手的那一批。他们的定题和验收本来就在，只要补上工具，乘积立刻起来。
这条判断有一个不太舒服的推论，我认为必须写出来。
过去有很多岗位是让新手一步步学的。 律所的实习生做检索，设计公司的新人画图，咨询公司的分析师做数据整理。这些活儿的价值不在产出——那些产出本来就不太值钱——价值在于做的过程中，人把定题和验收的手感练出来了。
而现在很多人已经意识到“我自己就能干完，为什么还要招人”。
入门的台阶被拆掉了。
这不是一个可以靠个人努力解决的问题。一个新人再努力，也没有办法在没有真实判断可做的岗位上练出判断。他会变成一个 AI 操作很熟练、但定题和验收都是空的人——乘式里那两个 0.3 和 0.2 永远补不上。
而它的另一面，是一个很旧的东西回来了：师徒制。
专家把知识教给徒弟，成了唯一能补上这个台阶的办法。因为定题和验收这两样，没有办法从文档里学——它们是判断，而判断只能在有人纠正的情况下练出来。
这一条我推进任何公司都会讲，而且我发现一件事：老板不会先问文凭。 他会问“这个人上手能不能干”。而“能不能干”，本质上问的就是定题和验收。
最后是这一级最反直觉的一条。它需要下一章的地理密度才能讲透，我先把结论放这儿：
招一个高密度的人进低密度团队，他的密度会被拉低，不是团队被拉高。
理由下一章讲。
人之外，地方也有密度吗？
两三年前，我把公司搬到了玉泉校区旁边。
为什么搬？因为我当时觉得，杭州智能密度最高的地方其实就那么几块：
要么在阿里旁边（未来科技城那一带），要么在紫金港旁边，要么在玉泉旁边，要么在滨江那一片。
在这几个地方，大家张口闭口讨论的基本都是人工智能。
搬过去之后我最直接的体会是：一栋楼里就有不少 AI 方向的博士，氛围很不一样。
这个“氛围”具体是什么？不是听讲座、不是参加活动——那些东西在哪儿都能通过网络参加。是电梯里、食堂里、抽烟的地方，你会听到别人正在争论一件你恰好也在想的事。而且争论的双方都懂，所以争得很具体。
杭州是全国 AI 人才密度相对高的城市，而它内部又不均匀——集中在上面那几块。你所处的场域不一样，你能接收到的信息量就不一样。所以你就得往密度最高的地方靠。
这件事在远程办公普及的今天听起来是反的。信息可以远程传，会可以远程开，代码可以远程提。凭什么还要挤到某几个街区去？
我的解释是这样：
可远程传输的是信息，不能远程传输的是判断的校准。
信息可以发给你。一篇论文、一个链接、一份文档——这些东西的传输成本已经是零。
但“这个方案好不好”、“这个方向对不对”、“这件事值不值得做”——这种校准是在无数次短暂、非正式、当场的交换里完成的。 一次十五秒的对话，你说了一半，对方摇了摇头，你立刻知道自己哪里不对。这件事没有办法安排到日历上，因为它一旦被安排就变成了会议，而会议是有立场的。
校准需要密度。 它需要在很短的时间里、很低的成本下、很高的频次上发生。
现在可以回答上一章末尾那个结论了：
招一个高密度的人进低密度团队，他的密度会被拉低，不是团队被拉高。
因为他的密度一部分不属于他，属于他所处的场域。
一个在高密度场域里的人，他每天在被校准。他的判断之所以准，一部分是因为他昨天刚被人反驳过。把他挪到一个低密度团队，场域没跟过来——他还是那个人，但校准停了。
半年之后你会发现他和团队里其他人差不多了。不是他退化了，是他失去了那个每天在纠正他的环境。
这一条对招聘决策有直接含义：
引进一个人不足以改变一个团队的密度，除非同时改变那个团队的信息场。
所以真正有效的做法有两类。一类是改场——把团队放到高密度的地方去，或者把高密度的交流引进来（不是请人来讲一次，是让人反复来、有来有回）。另一类是成对引进——一个人进低密度团队会被同化，两三个人互相校准就能撑住一段时间。
这两条我都没有做过对照实验，它们目前是推论。但“一个人挪进去会被同化”这件事，我见过不止一次。
地理是八个尺度里最边缘的一级，也是最容易被当成鸡汤的一级（“要和优秀的人在一起”）。我把它写进来，是因为它有一个不鸡汤的含义：
它说明密度不完全是一个内生变量。
前七级里，密度多少还是“自己能决定的”——判断点怎么交办、场景怎么选、组织怎么排、人怎么招。而地理这一级说的是：你的密度上限，一部分由你在哪儿决定，而这件事你多半改不了。
这是一个让人不舒服的结论，但它有用。因为它意味着：如果你在一个低密度的地方，你的战略不该是“追赶”，而该是“选一条对密度依赖最低的路”。
那条路是什么样的？回到第 13 章的行业密度：选验证时点短的判断，选能自己闭环的判断，选不需要外部校准就能知道对错的判断。因为这些判断，密度不足也做得动。
这是全书最需要后续工作的一卷。我要说得直白些。
八个尺度里只有前三级（判断点、场景、组织）有工具、有过真实填写。 后五级——规模、人才、行业、区域、地理——目前只是观察与推论，没有量表。
这意味着：这一卷的判断可以被讨论、可以被反驳，但不能被测量。“杭州密度最高的就那么几块”是我的观察，不是数据。“你烧过多少 token”是一个有效的筛问，但它不是一个刻度——它没有分档、没有阈值、没有校准过。
我考虑过为后五级各造一个粗量表，最后决定不造。理由是：造一个没有验证过的量表，正好违反卷七第八条局限。 与其给一把假尺子，不如老实说这里还只有方向。
“扩散从高密度向低密度”这条命题目前只有例证，没有反例扫描。 我举了 Coding、互联网、金融、服装家居，但我没有系统地去找不符合这条规律的行业。一条只举正例的命题，说服力是有限的。
我把反驳条件写在这里，方便别人来推翻：如果出现一个行业，它的判断验证时点很长、归因很难，但 AI 渗透率显著高于验证时点短的行业，那这条命题就该修正。
第 13 章那张二维图是经验归纳，不是分类学。 横轴（耐用↔消耗）和纵轴（重工↔轻工）这两个维度是我试完十几个行业之后画出来的，它们好用，但我没有论证过这两个维度是充分的——可能还有第三个维度，也可能这两个维度部分重叠。
企业中年危机目前只有机制解释，没有数据。 “几千万到几个亿”这个区间是我的观察，不是统计出来的分界。真要立住，需要按规模分组去看转型成功率，而这个数据我没有。
“招一个高密度的人进低密度团队会被同化”是推论加零散观察。 它的反面（成对引进能撑住）我只是推出来的，没有见过足够多的例子。
最后一条最要紧，因为它关系到这一卷的性质：
八个尺度之间的关系，我只说清了其中几对。 行业密度约束组织密度的上限（清楚），区域密度约束人才密度的可得性（清楚），规模密度约束制度化能力（清楚）。但其余的组合我没有处理——比如人才密度和场景选择是什么关系？规模密度和行业密度会不会互相抵消（一家小公司在高密度行业，和一家大公司在低密度行业，谁的上限高）？
跨层级是理论的标志，而这个标志的完整版是“能解释层级之间的关系”。这一卷做到了一半。