刘民：“人靠经验赢一次，系统靠复利赢每一次。”

本文是”发明家叙事”系列第五篇。前四篇我们讨论了基础设施（《判断的电力化》）、总量（《智力的总功率》）、职业（《FDE 深度研究》）、行业样本（《从 4 英寸到 100 万亿》）。这一篇，我们把两个相隔三千公里的行业样本并排放在一起——一片美国农田，和一家卖中国蔬菜的线上超市——回答企业家和 FDE 最关心的那个问题：我的行业，机会到底在哪里？

摘要

一周之内，我看了两个相隔三千公里、行业八竿子打不着的样本。

一个在农田里：美国农机巨头约翰迪尔的 See & Spray 精准除草系统——36 台相机在每小时 16 公里的作业速度下毫秒级分辨庄稼与杂草，只在杂草上喷药，精度 4 英寸见方。2025 年跑过 500 万英亩农田，一年省下约 3100 万加仑除草剂。上一篇《从 4 英寸到 100 万亿》拆的就是它。

一个在生鲜仓库里：罗振宇 10 月 24 日的《调研时间》采访了 Weee!（美国最大亚裔线上超市）创始人刘民（Larry Liu）——年交易额 10 亿美元、估值 41 亿美金的公司，用一套”否决闭环”把 AI 嵌进了采购、选品、新品审批的核心流程：AI 提案，人否决，否决的理由必须写进系统——人否决 AI 一次，AI 学一条规则。采购成本降 5-10%，五年才能培养出来的采购经验从此留在公司、人走带不走。

这两个样本放在一起看，会得出一个让大多数企业家意外的结论：AI 落地的胜负手，不在行业的新旧，不在体量的大小，甚至不在技术的强弱——在于你的生意里，有没有”判断落进动作”的那个闭环。只要有，任何行业都有出其不意的机会；农田能做到的，生鲜柜也能做到；生鲜柜能做到的，你的行业大概率也能。

本文先把 Weee! 这个样本拆透，再把它和迪尔并排做交叉验证，提炼出”任何行业都有机会”的三个条件和一张检验清单——最后说明为什么这件事对 FDE 意味着一个教科书级的交付范本。

一、先认识这位创始人：工程师卖菜

要把这个案例讲清楚，得先讲清楚做这件事的人。

刘民，武汉人，上海交大电子工程毕业，第一份工作是 Intel 工程师，后来去 UC Davis 读了 MBA，在 Brocade 做财务，再出来创业做电商套利——每一步都是工程师思维：先算账，再动手。2015 年他从微信团购起家，2017 年转做生鲜配送，做到今天：Weee! 年交易额 10 亿美元（2024 年破十亿），估值 41 亿美金（软银愿景二期领投），500 万注册用户，8 大仓，湾区日均七八千单，30 万个 SKU，40 多个州，950 名员工，距离盈利约一年。

这些数字里最值得盯的是两个。

一个是 30 万个 SKU。对比一下：美国典型线下超市一两万个 SKU 就到头了。30 万意味着它卖的东西从山东大白菜到墨西哥辣椒到韩国刀削面，碎到没有任何一家线下店能备齐——这是它商业模式的地基，后面会用到。

另一个是 950 名员工撑起 10 亿美金交易额。人效是同行的数倍。为什么能做到？这就是本次采访真正值得听的部分——不是刘民用了什么模型，而是他用一套制度，把 AI 变成了组织的原生组件。

二、核心洞察：执行系统旁边，长出决策系统

刘民在采访里说了一句我认为可以进教科书的话：

“在 AI 以前，大部分公司的系统都是执行系统。它知道你花了多少钱，但不知道为什么。”

采购下单是执行系统，ERP 记账是执行系统，仓储调度也是执行系统。它们记录”发生了什么”，但不参与”怎么决定”。而一家公司真正值钱的环节——为什么选这家供应商、为什么上这个新品、为什么这个价格——全部发生在人的脑袋里，系统碰不到。

刘民的做法不是把旧系统拆了重造，而是：旧执行系统一套不动，在每一个执行系统旁边，长出一个决策系统。并且这个决策系统每天变得更聪明。

拆开看，这个决策系统的第一块基石，是全量读取。

采购场景：一天读完十几张报价单

湾区有一个采购员，管 100 个 SKU 的蔬菜，对接十几个供应商。这些供应商每天发来几百种报价——问题是格式五花八门，有的发 PDF，有的发图片，有的直接在微信里甩一句话。老办法是采购员每天花两三个小时人肉对表，然后凭经验下单。

AI 进来之后的流程变成：全量读取所有报价单→自动匹配到 SKU→综合价格、历史质量、履约率给出采购建议。结果是采购成本降了 5-10%。

刘民对这件事有一句总结，我认为是整个采访里最锋利的一句：

“即使一开始错了，只要匹配对一次，我就再也不会错了。”

人靠经验赢一次，系统靠复利赢每一次。一个成熟的蔬菜采购员，行业惯例要培养五年——五年攒下的经验，全在他自己脑子里，跳槽就带走。而系统只要对一次，第二次开始就永远对——因为它不遗忘、不疲劳、不情绪化。各位企业家可以想一想：你的公司里，有多少个”五年培养期”的岗位，本质上是因为经验只存在人的脑子里？

否决闭环：这个案例的灵魂

但真正让 Weee! 区别于”用 AI 省人力”的公司，是下一个设计——我认为这是整个案例的灵魂，值得单独一节。

AI 给出采购建议之后，采购员可以否决。但制度规定：否决必须留下理由，写进系统。“这批货量不够””临近过期””我刚打电话问过，品相不好”——不管什么理由，必须结构化地记录下来。

然后，关键的一步：否决的理由，成为系统的学习材料。下次 AI 再给建议时，它已经知道这批货要避开这家供应商的这个时段；再下次，它开始预判采购员的顾虑。人否决 AI 一次，AI 学一条规则。

这个设计的精妙之处在于，它同时解决了三个传统难题：

我在《FDE 深度研究》里写过一句话：”判断力可以外置，责任不能外置。”当时那还只是一个原则性表述。看到 Weee! 的否决闭环，我意识到它就是这个原则的精确工程实现：AI 拿到的是提案权（判断力的外置），人保留的是否决权和责任（写进制度，不是写在口号里）。

再看一层。否决理由的持续积累，是什么？就是我们这个系列反复讲的东西——判据库。纳德拉两周前刚说”五年后企业核心资产是专有评测基准”，迪尔用百万级图像库提前八年做了农田版，而 Weee! 的否决闭环给判据库装上了一条生产线：每天的业务流自动生产判据，否决一次，生产一条。它不是一次性建库，是让判据像利息一样复利增长。

权限的阶梯：否决权不是终点

配套的设计还有一个权限阶梯。解读这个案例的几篇分析文章把它总结为四阶段：影子模式（AI 只在旁边看，不给建议）→ 建议模式（给提案，人决定）→ 有限执行（低风险动作直接执行，高风险留给人）→ 自主模式（成熟场景完全自主）。每升一级，都要拿证据换——而每降一级，也是随时可以的。

这个阶梯和我们系列里反复用的”阈值升级到人”是同一个思想：AI 的自主权不是给的，是挣的；不是永久的，是可撤销的。

三、三层架构：从部门大脑到每个人的助手

刘民的架构不止采购一个场景。完整的图是三层：

第一层，部门级决策大脑。十几个部门各配一个，3 个月全部上线。注意一个细节：蔬菜和冷冻食品是两套不同的决策大脑——因为判据完全不同，蔬菜看新鲜度和到货时间，冷冻看温度链和周转率。不是一个大模型包打天下，是一个场景一套判据。

第二层，个人 AI 助手。每个员工一个。刘民自己的助手每天扫业务指标，发现异常自动分析归因，早上推给他。他给自己助手定的训练原则是：“不要老是同意我的观点。”——这句话我专门讲一下。

各位还记得我们系列第一篇《AI 能医心吗》吗？那篇讨论过：永远同意你的”神”不是神，是多巴胺泵；真正有价值的声音，开口第一句是反问而不是附和。刘民这句话，就是那个原则的商用版——他在给 CEO 自己养一个”谏臣”。这和 MIT 研究警告的”谄媚型 AI 妄想螺旋”是正面作战：多数用户无意识地把自己的 AI 训成应声虫，而清醒的管理者反过来，把”敢不同意”写进训练原则。

还有个细节：他的个人知识库用 Obsidian 存本地硬盘。原话是：”我的知识不存 Claude 云端，存我自己硬盘上。”这呼应纳德拉访谈里的”反向信息悖论”——你和大模型的每一次交互痕迹，都在无偿给模型厂商喂强化学习养料。刘民的直觉判断和微软 CEO 的战略判断完全一致：知识资产的主权，要留在自己手里。

第三层，助手之间的网络。部门大脑之间、个人助手之间开始发生 A2A（agent 对 agent）交互——我的助手和你的助手直接对话对齐信息，人的会议就省下来了。结果是组织数据：层级从 5 层压到 3 层，刘民砍掉自己三分之二的会议，核心决策五六个人完成，人力总量减了约三分之一。

罗振宇在节目最后有一个总结，我认为值得原样引用：

“人对 AI 的想象只有两种：一种是工具——替你干活；一种是巨无霸——你喂养它。刘民展示了第三种：一个你驯养的、不断和你互动的分身。未来社会最基本的单元，也许既不是公司也不是个人，而是一个大活人加上他的智能体。“

他还补了一句更狠的：”工具能力的增加从来不会引发社会变革——引发社会变革的，永远是合作方式的变化。”

这句话是我们系列第四篇《智力摆脱头骨》的核心论点：智力脱离头骨之后，三个范式会变——竞争的范式、能力的范式、资产的范式。而资产范式的最高形态，就是组织本身被重写。Weee! 把 950 人组织的层级压掉 40%、会议砍掉 2/3，就是在重写合作方式。

四、出其不意的样本：一家”泰国店”

讲到这，案例还只是”降本增效”的高级版。真正让”出其不意”四个字成立的，是下一个故事——这是我最喜欢的一段。

全美国有 30 万泰国人。这个规模，线下商业永远服务不了：开一家泰国食品超市，备货几千个 SKU，30 万人口分摊，账永远算不平。所以一百年来，他们只能在通用超市里买那几样被简化的”亚洲酱料”。

Weee! 做了一件线下商业逻辑里不存在的事：开一家线上”泰国店”。选品逻辑不是猜，是看数据——搜索框里搜了什么、但没有搜到结果的那些词。“最诚实的需求表达，是没搜出结果的搜索框。”（这是刘民的方法论原话。）把搜索无结果的词聚合起来，就是泰国社区真实的、碎到没人理的需求清单。AI 把选品的边际成本打下去之后，从前算不过账的需求，第一次能做了。首月用户翻倍。

刘民由此得出一个反直觉的商业洞察：”这个族裔人口越少，越需要 Weee。“需求太碎，不是没需求——是没人能伺候得起。现在伺候得起了。

这个故事值得每个企业家盯着看三分钟，因为它揭示了一层大多数人还没看透的东西：

AI 革命的”出其不意”，不在”把现有的活干得更好”，而在”让从前算不过账的生意变成算得过账”。除草剂减半是前者——迪尔式的优化；泰国店是后者——一种全新的物种。前者改变成本曲线，后者创造新的需求大陆。而两者的技术底座是同一件事：判断的边际成本被打到接近零。

想想你自己的行业：有没有一类客户、一批需求，一直都在，但因为”太碎、太小、太散”从来没人做？如果有——那不是没有市场，那是你的 AI 时代还没开始。

五、双样本并读：农田与生鲜柜的交叉验证

现在把两个样本并排放上桌。

八竿子打不着的两个行业，对照下来每一个格子都严丝合缝。这不是巧合——这是同一个公式在两个行业的投影。公式可以写成：

行业知识（判据） × 每天的决策流 × 判断可落进动作 = AI 原生的生意

迪尔的行业知识是八年攒的百万级图像；Weee 的行业知识是十年攒的干净数据和否决理由。两家都有每天海量的决策流（一秒识别 20 次杂草；一天几百种报价）。两家的判断都直接驱动物理动作（喷嘴开合；采购单生成）。三个乘数全齐，出其不意的结果就是必然——只不过外人看着意外。

再注意两个样本的共同点，这两条对企业家最有用：

第一，做成的都是行业老手，不是技术新贵。迪尔 2017 年收购 Blue River 时只花 3.05 亿美元买了个 60 人小团队，真正让它成的是迪尔自己的机械、工程和全球分销网络——农业版最后一公里。刘民是交大电子工程出身的电商老兵，Weee 的数据地基是自建系统攒了十年。算法可以买，判据买不来；模型可以是商品，行业知识永远不是。

第二，巨头反而做不了。为什么是 950 人的 Weee 做成，不是亚马逊？刘民自己和亚马逊前电商 CEO（现在是 Weee 顾问）讨论过这个问题，答案有三条：大公司上百万人、层级太厚，高层碰不到一线；数据散落在各个第三方系统里，又脏又碎；决策链路太长。Weee 自建系统、数据干净、决策链路短。他俩得出的共同结论是：“未来每个行业的颠覆者，都会在这一两年产生——只要你手里有干净的数据、每天都在做决策，你就能用 AI 重构业务。”

这句话请允许我加粗再说一遍，因为它是对”我这样的传统企业还有没有机会”最直接的回答：未来每个行业的颠覆者，都会在这一两年产生——只要你手里有干净的数据、每天都在做决策。

六、”任何行业都有机会”的三个条件

两个样本交叉验证之后，可以把”机会检验”收敛成三个条件。企业家拿自己公司对一遍，三分钟出结论：

条件一：你的业务里有”每天重复的判断”吗？ 不是战略判断——是操作层的判断：这个订单接不接、这批货收不收、这条工单派给谁、这个客户报什么价。频率越高越好，因为频率就是判据库的复利速度。迪尔一秒判断 20 次，Weee 一天几百个采购决策。高频判断场景，就是你的农田。

条件二：这些判断能直接驱动一个动作吗？ 判断必须”落进动作”才产生经济价值——喷嘴开合、采购单提交、工单分派。如果判断的产出只是”一份报告给领导看”，那 AI 只能做辅助，做不了原生。找出你业务里”判断→动作”间隔最短的那个环节，那是最佳切入点。

条件三：你的数据干净吗？ 干净不是量大——是真实、完整、格式统一、和业务动作直接挂钩。Weee 十年自建系统的回报就在这里：当亚马逊还在从几十个第三方系统里捞脏数据时，Weee 的数据天然可训练。数据基建欠的账，是接下来两年最贵的账。

三个条件全齐——恭喜，你坐在一座金矿上，缺的只是开采的人。只有一个半——也有机会，先把判断最密的那一个场景做透。一个都没有——那真的要先补数据地基，这本身就是 FDE 的第一单生意。

还有一个反向检验，来自刘民的原话，我认为应该被裱起来挂在每个转型项目组的墙上：

“把 AI 拿掉，业务还能转吗？能转，说明 AI 只是外挂工具，不是原生组件。”

拿掉 See & Spray，迪尔的拖拉机照样跑——但会回到全田喷药、多烧一倍的除草剂。拿掉决策系统，Weee 直接停摆——没有人能一天读完十几张报价单。这就是”工具”和”原生”的分界线。各位检查自己公司的 AI 项目时，就问这一个问题。

七、FDE 视角：一份教科书级的交付范本

写到这，本文的前半段是写给企业家的。最后两节，写给 FDE 同行——因为这个案例对我们的职业，几乎每一个细节都有直接的示范意义。

第一，它示范了”切入场景”的选择标准。Weee 没有从”AI 战略”开始，没有先做组织诊断做了半年，而是从”采购员读报价单”这个又小又疼又高频的场景切入，三个月上线十几个部门大脑。这就是《FDE 深度研究》里说的”第一个场景的选择决定整个项目的命运”的活体演示：高频、可验证、判断密集、动作可驱动——四条全中的场景就是你的第一个交付目标。

第二，它示范了”人的接受度”的工程化解法。还记得摩根士丹利那个数据吗——技术六周，信任四个月。Weee 的否决闭环把这个难题拆成了制度问题：人不怕 AI 代替自己，怕的是失去否决权；那就把否决权写进流程，并且让行使否决权的行为本身产生组织价值（理由入库）。反对者变成了训练者。这是我在所有案例里见过最优雅的变革管理——不是说服，是设计。

第三，它给”判据库”提供了标准的生产线。以后 FDE 给企业建判据库，不用再从零起步：把业务流里的”人否决机器”的瞬间全部结构化记录下来，判据就自动生长。库的质量取决于否决理由的记录质量——这也直接呼应我们上一篇《FDE 的段位制》的思路：评估一个 FDE 的段位，看他手里判据库的”密度”，不如看他给客户装的判据”生产线”的转速。

第四，它验证了”交付结果 + 体现发明”两个标准。刘民这个案例本身就是两个标准的双重满足：交付结果——采购成本降 5-10%、层级压掉 40%、泰国店用户翻倍，每一项都能进财报；体现发明——否决闭环是一种可复制的组织设计，是一套新的”人机合作方式”，这才是会被写进商学院案例的部分。给客户交付结果，给行业沉淀发明——一个项目两者兼得，才叫真的做成了。

第五，它给 FDE 划出了市场地图。“未来每个行业的颠覆者都会在这一两年产生”——这句话的另一面是：未来一两年，每个行业都需要至少一支”把判断落进动作”的交付力量。巨头做不了（数据脏、层级厚），模型公司顾不上（他们在塔尖竞争），企业自己做不动（没有第二次经验）——这三条夹出来的空档，就是 FDE 的全部市场。农田有了，生鲜柜有了，剩下的每一个行业都还空着。

八、给企业家的行动清单

收尾之前，把全文压缩成一页可以贴墙的行动清单：

今天就可以做的三件事：

1. 找出你的”报价单场景”。
   你的业务里，哪个人每天在人肉处理格式混乱的信息流、然后凭经验拍板？那就是你的第一战场。不用开研讨会，去现场看一天。
2. 查你的搜索框。
   客户搜了什么、但什么都没搜到——把这个词表拉出来，那是你还没开张的”泰国店”。
3. 审你的数据地基。
   核心业务数据在自建系统还是散在第三方？和业务动作是直接挂钩还是隔了一层报表？这是判断你 AI 原生起点的体检表。

第一个项目要守住的四条：

1. 场景要高频可验证——三个月内能拿出可复核的结果，别从”战略级”场景开始；
2. 判断要落进动作——说不出 AI 的判断驱动了哪个物理动作、谁的钱包哪一行在变，就还没落地；
3. 否决权要写进制度——并且否决理由必须结构化入系统，这一条是判据库的生产线，丢了它项目就退化成普通的降本工具；
4. 权限要按阶梯放——影子→建议→有限执行→自主，每升一级用证据换，随时可降级。

一条时间感的判断：Weee 的顾问（亚马逊前电商 CEO）说颠覆者在这一两年内产生；曲晓音（前苹果、OpenAI 产品负责人）说 agent 原生组织”过去三四个月才刚刚变得可用”。两个信号指向同一个窗口：现在进场是早期，两年后进场是跟随，五年后进场是被迫。

九、结语：出其不意的，从来不是技术

最后回到本文的题目。

罗振宇把刘民的故事讲给几百万终身学习者听，讲成了”驯养一个分身”的人文叙事。这篇写给企业家和 FDE 的文章，把它翻译回了作业本：否决闭环、判据生产线、权限阶梯、泰国店公式。两种讲法都对——他讲的是这件事意味着什么，我讲的是这件事怎么做出来。

但有一个判断，我们俩的讲法会完全一致。

回头看这两个样本——农田里省下 3100 万加仑除草剂的机器，和生鲜仓库里越用越聪明的采购系统——真正出其不意的从来不是技术。相机十年前就有了，大模型三年前就有了，报价单比它们都古老。出其不意的是有人把判断和动作焊在了一起，然后让每一次人的否决都变成系统的养分。

这就是为什么我说任何行业都有机会。技术是公共的， playbook 是公开的——本文已经把它写到了可以照抄的程度。剩下的变量只有一个：你的行业里，那个既懂业务、又肯把判断落进动作的人，出现了没有。

企业家们，那个人要么是你自己，要么是你请进来的 FDE。无论哪种，从你的”报价单场景”开始。

三千万加仑除草剂和一个泰国店，都是这么开始的。

BIBS 波士顿国际商学院 商界精英  World Speakers Series 论坛 纽约专场 10/30少量门票预订www.GHYTV.com /register here:

专访著名歌唱家、中国流行音乐开创者程琳 & 美国著名女高音歌唱家 Christine Maxwell / 专访著名音乐人 霍尊  www GHYTV.com

Video link
https://youtu.be/b3KUmhvM9mU

康定情歌 季子兮 (Morgan Dowd ) 13 Years old 吕坤艺术学校 小金人国际电影节 www GHYTV.com/Video link

https://youtu.be/4HIFKOeNJa4 /美裔著名歌唱家 Christine Maxwell 我心依旧 九儿 / 程琳 赛马 风雨兼程 2026 金秋之夜音乐会 www GHYTV.com/Video link

https://youtu.be/2-sCGzcruOI /Take me home country road 美裔著名歌唱家 Christine Maxwell /Daniel Berryman 2026 金秋之夜音乐会 www.GHYTV.com/Video link

https://youtu.be/qSwYa2pQdjw /著名歌手&音乐人 霍尊 北京一夜 茉莉花 2026 金秋之夜音乐会  www GHYTV.com/Video link

https://youtu.be/AEK-Rmy-2aE /知名童星秦马翔（Martin Qin 暂别离 越唱越强 康宝莱 www GHYTV.com/Video link

著名小提琴演奏家 吕思清 梁祝 四重奏 曼哈顿爱乐乐团和新泽西爱乐合唱团（New Jersey Philharmonic Chorus）

https://youtu.be/ruhUnFfiQrQ 收藏家与科学家的对话： 怎样让我爱上了元青花

著名古董收藏家、鉴赏家 叶凌宇 ( Jeff Ye) 教授8/11 Jeff Collection 华尔街直播间

世界杰出华人女性、好莱坞家庭电影、电视奖代里主席裔锦声博士.

世界收藏家联盟主席 国际著名收藏家 叶凌宇 ( Jeff Ye) 博士 P5 华尔街直播间 Jeff Collection  www GHYTV com

世界收藏家联盟主席 国际著名收藏家 叶凌宇 ( Jeff Ye) 博士 华尔街直播间 Jeff Collection www GHYTV com

文献与致谢

1. 罗振宇《调研时间》2026-10-24：《我和我的 AI 并肩战斗——十亿美金生鲜平台 Weee! 创始人访谈》
2. Weee!（GrubMarket Holdings）公司披露及 SCMP 创始人访谈：交易额、估值、经营数据
3. 解读分析：《每一个执行系统都该配一颗大脑》《原生 AI 企业如何设计——Weee! 的决策系统实验》《AI 越能干，人越要会说不》：四层系统与七条设计原则框架
4. 本系列第七篇《从 4 英寸到 100 万亿》：约翰迪尔 See & Spray 样本、五必要条件
5. 本系列第五篇《FDE 深度研究》：判据库、验收指标、”判断力可以外置，责任不能外置”
6. Satya Nadella 20VC 访谈（2026-10-26）：”专有评测基准”与”反向信息悖论”
7. 本系列第一篇《AI 能医心吗》：不迎合的权威才有价值
8. 本系列第六篇《智力摆脱头骨》：合作方式的变化与组织资产范式
9. MIT Media Lab 相关研究：谄媚型 AI 与”妄想螺旋”风险
10. 曲晓音（前苹果/Solana Wiggle 创始人）：agent 原生组织可用性时间窗的判断