我们见的嘉宾叫杨光宇。要知道，他原来在麻省理工的终身教职轨道上，但在2023年就辞职出来创业了，是一位计算神经科学家。

如果提起他做的项目，估计很多AI圈的专业人士都有印象，名字叫Project Sid，是把1000个由大模型驱动的智能体放进著名游戏《我的世界》里，

让它们在同一个世界里长期行动、协作，形成分工、群体和社会关系。他也被万维钢老师称为把智能体玩得出神入化的人。

我们的聊天一共四个人：我、罗老师、万老师和杨老师。和杨老师的访谈还没正式开始，刚见面寒暄的时候，他先讲了一个自己的反思。

效率上瘾之后的反思

他说，今年二三月份，正赶上OpenClaw，也就是咱们俗称的「小龙虾」，在国内最火的时候。

有一段时间，他为了同时指挥更多Agent，摆了三张桌子、九块屏幕，每块屏幕上又开着很多窗口。一个Agent跑完了，等着他下一个指令；另一个Agent卡住了，又来问他问题。

他不停地处理输入，越来越忙，也越来越兴奋。最后，却发现自己几乎没有时间停下来想：我到底为什么要做这些事？

他说，打游戏废寝忘食，多少还会觉得有点不好意思；但是用AI工作废寝忘食，人却会觉得自己特别努力，所以更容易上瘾。

这两个月缓下来以后，他重新想明白了一句听上去非常普通、非常鸡汤的话：

做正确的事，比做大量不那么正确的事要重要。

说实话，这句话从杨老师这样的领域内顶尖科学家嘴里说出来，分量不太一样。

因为他自己就把多智能体推到了很极端的规模，很少有人用得比他更深入了，但最后让他反思的，反而是这种非常基本的商业常识：我到底要用AI干什么？

后来，他的公司从炫技的游戏场景走向了更多真实的生产力场景，特别是进入一些对AI能力要求非常高的金融场景以后，这就让他有了更多的体感。

我们问他，现在硅谷顶尖的研究者最关注的问题是什么。杨老师介绍说，有很多人正在集中研究RSI，也就是「递归自我改进」。

简单来讲，就是让一个会写代码的智能体，继续去改进那个「会写代码的智能体」；最终让会训练模型的模型，参与训练下一代模型。

这件事在代码、数学这些容易验证的任务上已经很厉害了。代码跑得对不对、速度快不快，数学题证明得对不对，都有相对明确的反馈。

于是，可以同时派出几十个、上百个Agent，不断试错、筛选，再把更好的办法留下来。

杨老师也和我们分享了几个自己使用的场景，反正对于我这种AI重度使用者来说，也觉得受到了很大的启发。

但他花了更多时间讲它的限制。他说，自进化这个理念很先进，但是绝不等于万能。我觉得这段对于我们普通人来说，也是最值得思考的，我跟你分享一下。

八个环节快了，两个没有动

他打了一个木桶的比方。一件事从开始到真正给用户创造价值，中间可能有十个环节。AI把其中八个环节提速了一百倍，剩下两个没有变快，所以最后整件事也不会快一百倍。

更麻烦的是，人很容易沉迷于那八个突然变快的环节，因为那里每天都在产生成就感，就很容易忘记那两个还停留在原地的环节。

代码无限，用户反馈有限

他自己的体感是，写代码最快时，体感上能提高一百倍甚至一千倍，但真正落到产品上，提升可能只有百分之二十。

原因并不复杂：代码可以无限生成，用户的注意力和反馈却不能无限生成。

假设只有一百份高质量的用户反馈。你只做一个功能，这一个功能可以得到一百份反馈；你一天做出一百个功能，每个功能可能只分到一份反馈。Agent越勤快，产品反而越可能失去平衡。

你造出了更多东西，却越来越不知道哪个东西真正重要。

所以，他现在仍然会大量使用Agent，注意力却从数量和产出速度移到了外部反馈。他要让整条链路一起进化，最后盯住用户真正关注的价值。代码行数、功能数量，或者某个看上去很漂亮的AI指标，都可能把系统带偏。

其实你想想看，现在经常会看到一个人说，自己搭建了一套完整的全自动生产流程，一天能写200篇文章了。但真正的瓶颈不是写文章的数量，而是有多少人会去看这些文章。

如果生产了大量的自动化内容，却没有人看，那为什么要去干这件事情呢？怪费电、费算力的。

到了昨天下午，我们又和曲晓音聊了两个多小时。她从另一个方向，也就是组织的方向，把「自进化」推得很远。

如果是咱们AI圈的老用户，或者是产品经理，肯定对曲晓音一点儿也不陌生。从我最初认识她开始算，已经快十年了。

当年她还是Facebook的视频功能产品负责人，后来又连续创办过多家在圈子里小有名气的公司，非常能折腾，有的被收购，有的被OpenAI这种新晋巨头投资。

2025年，她曾公开宣布让AI CEO接替自己管理公司；今年又把这场实验继续推进，做成了名叫Tycoon的产品。

大部分同学应该还没有用过这个产品，我先给你介绍一下。首先要说明的是，她做的这个数字CEO当然不是法律意义上的公司负责人，它更像一套用AI管理多个AI员工的运营系统。

当然，这个产品在我看来，是晓音在这个时代做的一场组织实验。咱们同学没有必要马上找来用，因为很多理念太超前了，但是值得听听她在自己公司里实验的另一种组织结构。

AI管AI，人只在关键位置出现

她的说法很直接，一句话点明了这个系统的内核：AI管AI，需要人的时候再去找人。

例如过去做一个功能，前端、后端、设计、测试、产品和营销，可能要八个人来回开会。她现在想把它改成一条由Agent组成的生产线：默认每一环都由AI工作，实在遇到自己解决不了的问题，再去请教人。

业务线上只留下一个对最终结果负责的人。这个人未必精通每一个工种，但要知道目标是什么，哪里出了问题，以及什么时候应该找真正的专家。

在这套结构里，AI负责流水线上的工作，人负责设计、巡视和改进生产线。一个环节总出错，就增加一个负责评估的Agent；

某类内容的开头总是不好，就训练一个专门检查开头的Agent；产品数据、用户反馈和营销结果继续喂回系统，让下一轮做得更好。

我们通常理解的AI改造，是给每个员工配一个AI助手。曲晓音直接改了默认设置：AI自己工作，人只在关键位置出现。

她现在希望Agent在后台持续运行，人只看生产线有没有堵、方向有没有偏，不再守着一个个窗口，等AI完成再点下一步了。

整个组织进化的结果

结果是什么呢？她说自己的公司从去年的20多人，变成了现在的3个人，效率和产出却都提高了。

当然，我必须给咱们学习圈的老板同学提醒一下：看起来人数是少了，但我不觉得这是某个具体AI工具的能力，而是整套组织进化的结果。

另外，我反而觉得这三个人，其实比过去的30个人更难找到。至少抱着发个招聘启事、找个螺丝钉的想法，是肯定找不到这种人才的。

如果AI都这么强大了，咱们人最后还剩下什么？这是昨天两场访谈最后汇到一起的问题。

AI干清楚的事，人干模糊的事

曲晓音的答案是，能说清楚、有数据、有明确边界的事，AI往往比人处理得更全面。一个CEO能看完的客户反馈是有限的，AI可以把所有反馈、使用数据和竞争对手动态一起看完。

人要处理那些暂时说不清楚的事：目标该怎么定，什么结果算好，哪条路值得走，以及这件东西到底像不像我们。

她举了一个剪视频的例子。剪辑软件谁都能用，但她愿意给一个剪辑师付高价，是因为这个剪辑师知道科技圈的人在意什么，知道什么节奏适合她这个人。

有一些视频动效或者脚本，虽然是全网爆款，却会让她的个人品牌显得很廉价，那么就绝对不能用。她买的是这个真人的品味。

独特经历会变得更值钱

而杨老师从金融和科研讲到了同一件事。

他说，金融里真正值钱的判断，常常是你看到了别人没看到的东西，也就是反共识的能力；伟大的科学家除了会解题，还知道什么问题值得研究。

这种非共识和品味，来自一个人走过的路、见过的人、犯过的错。通用模型给了所有人相似的能力，独特经历反而会变得更值钱。

在下午的讨论里，我们把它往前又推了一步：一个人最有价值的「偏见」，经过长期验证，会变成他的特质；特质稳定下来，就会成为品牌。

未来人给AI员工指路，靠的可能正是这些无法从岗位说明书里复制出来的东西。

不用开赛车去买菜

当然，必须提醒一句：杨光宇和曲晓音做的，都是非常前沿、也非常极端的实验。他们的公司技术能力强，愿意投入大量Token，也能承受反复试错。

曲晓音自己也说，这么大的步子，她敢在自己公司里迈，面对客户却不敢让别人一下迈这么大。

所以，咱们看这些公司，有点像去看F1赛车。

看完比赛，我们不用开着赛车去买菜。但赛车最先验证出来的方向，会慢慢进入普通汽车。我们今天也不用回去裁掉一个部门，更不用明天就管理一万个Agent。

从这两场访谈里，我看到的方向是：AI的执行能力会越来越便宜，稀缺的东西会继续往上游走。

比如，选什么问题，什么结果算好，能不能听见真实反馈，以及你有没有自己的判断，这些事会越来越贵。

当1000个智能体可以24小时不停地工作，研究者还在尝试让智能体参与改进自己。但它们跑得越快，越需要有人回答：我们到底要去哪里？