内容来源：笔记侠PPE（政经哲）课程26级美国站《创新英雄》现场分享。 主讲嘉宾：万维钢，前物理学家、现科学作家，“中国好书”“文津图书奖”得主，《人比AI凶》作者。
责编 | 湫
第 9887 篇深度好文：10428 字 | 20 分钟阅读
商业趋势
未来的公司到底由人驱动，还是由智能体驱动？
笔记侠创始人柯洲正带着来自 AI、跨境电商、移动互联网、硬核科技等领域的第五代企业家，在硅谷与科学作家万维钢交流。
下面的内容，仅是笔记侠 PPE（政经哲）课程 26 级美国站交流的一部分，今天这场分享也只是其中一个切面。
明年再赴美国，我们期待与更多创业者同行：带着自己的问题，走进变化发生的现场，找到下一步的方向。
以下是万维钢的分享。
一、AI不是工具了：用法已经变了四轮
在过去这两三年，我们使用AI的方法已经经历了四个变化。
第一步，AI只负责生成。一幅画、一篇文章、一段代码。所谓用AI编程，就是AI给你写一段代码，你复制粘贴进自己的项目。
第二步，出现Claude Code、Codex这类工具。它们能直接操作你本地的文件，甚至一次性操作多个文件。编完还能自己编译、读报错、再改。
人从“让AI生成内容”，变成“让AI做一个项目”。
第三步，到去年，我们做到让AI去完成一个任务。你去AI原生的公司里看，他们给AI的是一个很抽象的任务，至于用什么手段，AI自己定。
第四步，从今年上半年到现在，出现了全天候在线的个人助手。助手负责日常性的事，具体的项目还是交给那个项目专门的智能体。
我认为当前最好的办法，不是你只跟一个Agent，你最好有若干Agent，每一件事有一个Agent。
你直接跟几个Agent对话，而不是通过一个中间人去跟它们说话。
1.你现在只需要说要什么
现在用AI工作，你不需要向它描述任务该怎么做，只要告诉它你要做什么。
以前那些所谓的提示词，现在看来都已经被淘汰了。你给它设计的路线，往往不见得是最好的路线。
举我自己的例子。几个月前世界杯之前，我让AI给我做一份用旧金山湾区当地时间标注的世界杯转播日程表。
它先上官方网站找赛程，换算成湾区时间，查清哪家电视台转播，还标出哪几场在湾区本地进行，你想去看就可以去看。
然后自己排版，做几个测试页。为了看排版效果，它把页面转成 PDF。发现我本地系统里没有趁手的合成工具，它自己下载了一个。它自己截图、自己查看，哪页有问题就改。中间还碰到Chrome（谷歌浏览器）的一些问题，我也说不清是什么问题，它自己解决了。
这一切都不是我让它干的。我只说了一句：给我做一个能打印出来的、好看的赛程表。
2.一切知识工作都是一个loop（循环）
上述的这个作业方法叫loop（循环式工作法）。你设定一个目标、一个完成条件，给它充分的本地上下文，让它了解你的环境和情况，然后让它去行动。
每次行动之后，它自己对照目标，或者你帮它判断达标没有。没达标就再迭代一轮。不管多少轮，什么时候干完什么时候完事。
实际操作中你甚至不用交代这么细。它跟你熟，根据对你的了解，就能大概把活干成。
一切的知识工作，不管你是写文章也好、编程也好、做设计也好、管理也好，本质上都是一件事，都是一个 loop（循环）。
你需要一个评估：你这次完成得好不好？然后你需要先有一个内部的模型，就是负责完成这个 loop 的智能体。
它需要对这个世界有一个理解，这是它的模型。然后它获取数据，很多时候让它自己去做判断跟决策，然后评估，然后循环。
我特别想强调一下“循环”这个概念。
精髓在于：它第一轮干出来的结果，你往往不那么满意。而且你多半是看到第一轮之后，才想到自己到底想要什么。
所以它要做第二轮、第三轮，每轮都比前一轮更优化一点。最后它做出来的东西，可能你一开始都没想到。
AI 时代我们一定要树立 loop（循环）意识。
二、硅谷的共识：
模型已经够用，问题在你身上
现在硅谷的共识是什么？是极端的共识。
我私下跟一些工程师交流，这些人的想法是：现在模型已经够用。现在如果你有一个工作，你说现在AI做不了，那不是AI的问题。
那是你没有把这个工作给组织好，你没有充分把它给AI说明白，你没有搭建好。
AI 模型已经很行了，你剩下的事是你的。
现在有两种更极端的两种工作模式，一种叫human-on-loop（人在环上），就是loop自己循环，AI自己一直能做，人只是时不时检查一下，人只在这个圈外，把关一下。这种做法的好处是快，甚至你去睡觉，你不用管它，它已经把事做到。
另外一个做法是human in the loop（人在环中），人是loop（循环） 中的一个环节：AI 每次做完一步都要问你，然后你给出下一步指令。
如果你今年年初的时候问我，那我肯定会说：应该是 human in the loop（人在环中），因为人还是应该起主导作用。
但现在硅谷工程师的思想是：应该是 human on the loop（人在环上）。
on 和 in 的区别， in是在里面，on是我在旁边旁观，我在上方，我看着它，随时去监督。
更极端的就是 human off the loop（人在环外）。这帮人的想法是：干脆把人不要了。如果一个工作还需要人去推动一下，那就是工程师的工作没做好。把人全部去掉。
这些人甚至会想：图形用户界面（GUI）是一种过时的状态。因为图形用户界面对人很友好，但对AI来说是浪费算力，你直接给我文字就完事了。
所以干脆以后就全是 CLI（命令行界面，纯文字的人机交互方式），直接用文字交流，AI 与AI之间直接用文件交流，最好把人彻底从这个 loop （循环）之中拿掉。
但这是一个很极端的看法。
我后面会讲为什么人仍然重要。既然AI可以做所有事，那为什么人仍然很重要？这是一个很矛盾的事。
三、重复的事都该智能体化：
能积累才有复利
以前有个词叫AI Native（AI原生），现在有个新词叫Agent Native（智能体原生）。
核心就一句话：凡值得反复做的事，都应该把它变成一个Agent（智能体）。一旦把它变成智能体，你就可以不断给它反馈，它下次就做得更好，你还能定期审计他。
1.过去，人把一年的经验用上十年
程序员有个习惯：一个动作哪怕只做两次，也要写成程序，因为第二次就能自动跑。
比如，我让AI去读我Evernote（一款笔记软件）里的一条笔记。它第一次就想到，干脆做一个永久插件，以后一键就能访问我的笔记，而不是每次笨拙地打开软件去看。
人的问题在于：职场里大部分工作都是重复性的，但人只是把以往的经验重复一遍，把一年的经验用上十年，很少想着把做法再迭代一次。
但是，你跟Agent说下次改进一下，它真能记住，真改，真学。
2.长期记忆不用等大模型，本地Agent就能解决
以后，每个人需要有若干个Agent，不是一个。它会有长期记忆。
现在做模型的人会说，AI 的突破点是AI需要有长期记忆。但现在不需要你等他们的大模型做出来长期记忆。
你运行在你自己本地电脑上的Agent，就可以把记忆留存在你的电脑里。长期记忆这个问题，你可以用Agent的方法给它解决。
它会逐渐记住你所有的东西，它会是全世界最了解你的，然后它持续迭代，它的功能会越来越强。
3.Agent会比你更像你
我8月份去巴西，访问当地一家公司，CEO跟我讲了他使用Agent最大的心得：他和他的Agent是同步进步、一起进步的。
他关于公司的任何决策，都让Agent先出方案，他来评论。有时听Agent的，有时否掉，并且告诉Agent它的方案为什么不行、为什么应该这么做。这些Agent都记住了，能迭代。
一开始它出的主意可能都是你不能接受的坏主意。但你给它讲道理，告诉它以后这类问题该怎么处理。
我的经验是大概一个月，它就会变得越来越像你，60%、70%的建议你可以直接接受。
而它能瞬间读完全公司的数据，而你读不了。很快它的决策能力就会超过你。
这位CEO以前每天工作10小时，有了Agent之后每天14小时，而且工作时间延长是他主动的。他到星期五就很高兴，因为接下来两天不用跟人开会，只用跟他的AI打交道。
有天下班，他突发奇想：公司给消费者发优惠券的算法好几年都用同一个，能不能优化一下？
就这么一句话，Agent跑了一段数据，拿出新算法，说用它的算法每周能给你省7万。
这个例子好在哪？不在于AI能做这件事，这是可以预期的。好在你是一个突然冒出的想法，不是什么多年夙愿。
唯一的瓶颈不再是能力，而是你的想法，你想要什么。
4.给Agent交代任务，比给人交代任务好 100 倍
我跟很多人聊，这些人都跟我说一个感觉：给Agent交代任务，比给人交代任务要好 100 倍。
两年以前，我们说AI有什么毛病？有人说人善于理解人，人能跟人共情，而AI 不善于理解人的意思。
现在看恰恰相反。AI 是最善于理解人的意思的。
因为它跟你经常在一起工作，它很了解你的上下文，它非常了解你的需求。所以你跟它说一句话就完了，你说这个事怎么办，它都可以自动补齐你的隐含意思，它就能给你做好。
可是如果你跟一个人聊，你跟他聊 50 分钟，他能记住 10 分钟的意思就不错了。然后他执行两礼拜回来，你发现他连那 10 分钟的事都没干好。
比如你要在 Google 干一个项目，你要跨组，借到另外一个组的人过来跟你合作，那你需要怎么办？
你需要把你的 manager（管理者）、那个人、那个人的 manager（管理者），你们四个人来开个会，开个半天，这活他还不一定能干好。
而Agent的话，一上午这事已经干完了。
这就是为什么我后面会提到，应该以Agent为本。
5.你的Agent可以是一个比你更好的存在
你让Agent去干事之后，你还会有一个劲头：你会有一个“实现你的二阶意愿”的可能。
什么叫二阶意愿？就是你关于意愿的意愿。
比如你想熬夜，这是你的一个意愿，一种欲望，它是一个一阶的。但另一方面你又想：我不想做一个熬夜的人，我不想做一个不健康的人。
所以对你来说这是一种纠结：我一方面想熬夜，我另一方面要健康。但你很难对自己编程。你不能说我从明天开始我就不想熬夜，你很难做到。
但是Agent就不一样了。你给这个Agent一个命令，说从明天开始这个活我们不这么干了，它就记住了，它就真的改了。
长期迭代下来是什么？你的Agent会是一个比你更好的存在。
人容易陷入偏激的状态，人容易陷入不理性。
你知道你有这些毛病、冲动和偏激的思考，你跟它说：我经常有这种毛病，我冲动之下做出决策可能不对，你帮我把把关。
它就会帮你把关。
你是不能直接改自己的参数的，但你可以改你下面那个Agent。
以前有个说法叫第二大脑。其实你不需要把知识保存到一个地方，你需要保存的其实是你一些记忆、你的偏好，以及你的二阶意愿。
人和Agent是一个协同进化的过程。
你训练的并不是一个Agent，是一个能反过来训练你的、你未来的版本。你真的可以设定你未来想怎么样。
6.一次采购：两个Agent谈判，四个人都变聪明了
有一位 CEO 给我讲了一个故事，我觉得这故事特别好。
有一天，他们公司负责采购的经理，就是决定下周在网店上架什么东西的那个人，给CEO列了10种商品，说我计划采购这 10 种商品。
这个 CEO 自己没看，他直接让他的Agent看了一下这10个商品。他的Agent说：同意其中8个，另外两个根据自己独立的调研，认为这两个不应该上。CEO把这意见就给了采购经理。
采购经理的Agent看了 CEO 的Agent的话之后说：我同意你对其中一个的意见，我不采购。但另外一个呢，我知道一个你不知道的数据，我有这个证据，我认为还是应该采购。
CEO的Agent 一看，说：那好，我同意。
这两个人只是在旁边旁观了一下，听一下Agent的逻辑。但感想是什么呢？
通过这一件事，那个经理和那个经理的Agent、CEO 和 CEO 的Agent，这四方都变得比以前更聪明了。
这一轮就是一次日常互动。在每一次这种日常互动过程中，大家都会往前进步一点。
有Agent之后，那位CEO让他公司的员工每天问自己两个问题：你有没有让系统变得更聪明？系统有没有让你变得更聪明？
以前公司里说组织学习、说什么 SOP（标准作业流程），员工是很难的，他往往几十年如一日去干那一样。但是现在有了Agent的时候，是完全不同的。
7.反馈会一路沉淀成默认
你今天说这里处理得不好、应该怎么处理，AI不会立刻把这句话变成永久规则。它知道那样就成了翻手为云覆手为雨。
AI会先把这件事记进反馈备忘录。过一两周自己复盘：这段时间记下的冲突意见，能不能总结出规律，变成规则？
然后它会来问你，这几条我可不可以写成永久规则。你说可以，它才写。你说没必要，那天只是临时起意，以后还按你的做法来，它就照旧。
路径是四步：反馈变成记忆，记忆沉淀成规则，规则自动化成工具，工具最后变成默认。
8.三个Agent心得：信它、教它、给它分工
第一个，要相信迭代的力量；
第二个，给规则，不要只给事例；
这很重要。只给它案例是不行的，你得给它规则，你必须得经常向它解释，这个事你为什么要这么干，而不是那么干，这样它才能理解，才能举一反三。以前我们想的是：你的Agent旁观你做很多事，它就熟悉你，它就知道该怎么做。其实并不是这样。
第三个，要分工。
多个智能体分工合作，就像秦二世胡亥，不能什么事都听赵高，你得自己有几个大臣。每个Agent最好只干某一类事，而你不要只依赖一个。那样对你也不好，也不安全。
而且这些智能体之间是可以互相合作的。我大概有七八个常用的Agent，它们之间会经常说话。
比如今天一个找到一个好选题，我说这是好选题，它就把选题交给下一个，帮我把选题生成一份报告。有时候它有个什么问题，向另一个咨询一下。它们都是自动的。
9.装上智能体就变聪明了
8 月我去北京参加世界机器人大会，遇到一家机器人科技公司。
他们做的机器人事很简单：在酒店里边给各客房送货。这个机器人没什么沟通功能，它干的事就是去坐个电梯、开个门、给人送货。
有意思的是，公司给每个机器人一个智能体，这个智能体是用一个高级的AI模型来统一操控。结果一下子这些机器人都变聪明了。
以前我们设想：如果你手下有 15 个机器人，你是不是应该用一种中央控制的方式，你今天安排这个机器人干那个、明天安排那个干这个？
但这个公司发现，最好的管理方法并不是中央控制，最好的管理方法是给每个机器人一个自主性，让它们自己认领任务。
他们建了一个类似于微信群的群，我有任务就往群里发。然后哪个机器人说“你这任务在 3 楼，我正好在 3 楼，那这活我去干”，它就认领，它去干。它们互相商量一下，谁干谁干。
这个机器人会有主动性，有自主决策能力。
它有自主决策能力之后，你就需要给它设定道德、制度。所以该公司的 CEO 写了一个 10 条的机器人行为准则、机器人价值观。
他还要求这些机器人每天向他汇报，说我今天践行了哪条价值观。就像小学生做好人好事似的。有些机器人说：我今天在过道里遇到一个行人向我走来，我礼让行人，我今天践行了价值观。
而且这些机器人会慢慢发展出一些像人一样的、有个性的东西。
比如这个 CEO 跟公司另外一个人，他们两个都在这个群里，都有向机器人发布命令的权限，权限是一样的。
但因为 CEO 发的命令比较多，那个人发的命令比较少，结果发现：这些机器人更愿意对这个 CEO 的命令去反应。
他俩同时发命令，机器人会优先完成 CEO 的命令。
这没人教过它，但它慢慢就会产生这样一些像人一样的东西。
他甚至给他们酒店门口的摄像头、大堂的摄像头也安装了一个智能体。这个摄像头有人脸识别功能。
酒店常来住的旅客一进大堂，摄像头识别出他是谁，就会立即在群里发一个：谁谁来了，这是我们的客人。我们要不要派个人过去跟他打个招呼？
有些机器人就说：那好，我去跟他打个招呼。
这些机器人跟摄像头就聊起来了，会自发地去做一些事情，而不需要人再去干预。就好像拥有了一些人工一样。
原文：http://weixin.sogou.com/weixin?type=2&query=%E7%AC%94%E8%AE%B0%E4%BE%A0+%E4%B8%87%E7%BB%B4%E9%92%A2%EF%BC%9A%E6%9C%AA%E6%9D%A5%E5%87%A0%E5%B9%B4%EF%BC%8C%E4%BA%BA%E5%8F%AA%E5%89%A9%E4%B8%A4%E4%BB%B6%E4%BA%8B%E5%8F%AF%E5%B9%B2
