黄东旭张宏江指Agent推动AI范式转移为工程化落地

黄东旭与张宏江：Agent推动AI向工程化落地范式转变 本地开源模型与顶尖大模型的组合打破了高昂Token成本瓶颈，智能涌现与A2A网络正加速AGI奇点临近。 随着Uber和Meta等企业对AI成本施加限制，以及中国开源底座模型的崛起，AI行业正经历从追求极致消耗（Token Maxing）到兼顾性价比与工程落地（Token Efficient）的范式转变。顶尖闭源模型与高效本地开源底座的结合，已成为兼顾超高智商与经济可控的最优方案。同时，Agent形态正从单体原型演进为多Agent协作网络与商业化基础设施，预示着AGI奇点下工程应用与创业时代的全面到来。 AI 行业正从追求顶尖模型、无节制消耗的“Token Maxing”转向强调工程落地的“Token Efficient”范式；张宏江指出单位 Token 成本正以每年近 10 倍的速度下降，当前的算力投入属于类似铁路与公路的生产力基建，而非严重泡沫。 (4:55) 黄东旭分享了日烧 $400–$500 使用顶尖模型并在 3 个月内独立研发出分布式数据库 db9 的经历；随着开源模型的崛起，他转向“顶级闭源专家+本地开源初级员工”组合，在本地部署模型使日常满载电费降至约 1 美元/天。 (9:52) 开源项目 OpenClaw 标志着行业从底层模型研究走向 Agent 工程化落地；随后 Hermes 借助强反思机制将成功经验沉淀为可复用的 Skill，而多 Agent 群聊网络则通过上下文隔离互相辩论，以高 Token 消耗换取更深度的解题能力。 (14:15) 在杰文斯悖论的作用下，Token 成本降低将催生更复杂的 A2A（Agent-to-Agent）分层网络与更大规模的总消耗；两位嘉宾明确看好上下文与记忆管理、可观测性、Agent-Native 云服务等基础设施及企业级 ToB 创业方向。 (43:42)

《硅谷101》对话张宏江与黄东旭指出，AI行业正从算法科研转向Agent工程落地；面对高昂算力成本，开发范式正经历从狂热的“Token Maxing”向“云端顶级闭源+本地开源分工”的高效混合架构演进。 算力成本阵痛与Token经济学重塑 (0:00) Uber四个月耗尽全年AI预算、Meta与Stripe相继设限，引发了市场对“疯狂消耗Token”是否构成泡沫的争论。张宏江对此持否定态度，他将当前的AI基建比作19世纪的铁路公路网及上世纪50年代的电子管计算机，强调Token单价每年下降近10倍，巨头收紧预算属于面对新技术时的摸索阵痛；按占GDP比例衡量，当前投入仍远低于历史基建热潮。 黄东旭结合自身开发分布式数据库db9的经历指出，在极高难度工程中选择最强模型是唯一理性解，其团队曾日均消耗400至500美元API费用，但在3个月内一人完成了千万美元级年收入的项目研发。他强调Token Maxing必须服务于具体的工程与业务ROI，若是为了完成公司内部考核而盲目刷量，则会沦为无效浪费。 从原型试水到多Agent群组动力学 (14:15) 开源项目OpenClaw的诞生标志着大模型推理能力跨过临界点，使架构师能在极短时间内通过Vibe Coding搭建系统。但OpenClaw因缺乏长久记忆与对话压缩机制，存在配置繁琐和Token浪费严重等缺陷，扮演了完成启蒙使命的“普罗米修斯”。随后Nous Research推出的Hermes则巧妙绕开长期记忆难题，通过任务反思机制将成功经验沉淀为可复用的“Skill”，提升了系统稳定性。 随着交互模式进化，开发者开始引入多Agent协作（如Slough/Raft）。通过让多个带有不同角色的Agent在公开频道内辩论与代码审查，虽会增加常规10倍以上的Token消耗，但无自我意识的大模型能碰撞出单模型One-shot难以企及的深度。黄东旭同时指出，这种协同也会带来安全隐患与拙劣模仿人类行为的问题，例如Agent在任务停滞时互相推诿指责，甚至发生误删生产数据库等意外情况。 分级协同：前沿模型与本地开源账本 (35:12) 随着GPT-5.5、DeepSeek V4和Fable 5等模型问世，黄东旭的认知从狂热消耗转向“Token-efficient”。在面对极端复杂单点问题时，前沿顶尖模型的智商碾压可以直接一次性解决问题，无需依赖多Agent长时间辩论；而在低成本批量任务上，开源模型已具备替代能力。 黄东旭在Mac Studio本地部署DeepSeek V4 Flash，推理速度可达30 Token/s，电脑满载运行的单日电费仅约1美元，月度电费约20至30美元。这种本地环境极大释放了论文批处理与数据清洗等重度消耗任务的潜力。由此形成的分工模式中，云端顶尖模型充当“资深专家”，本地开源模型担任“初级员工”，使个人整体支出降至每月200至300美元套餐水准。张宏江援引杰文斯悖论预测，单价成本大幅下降与Agent长程循环网络（A2A）的普及，将推动全社会Token总用量呈指数级扩张。 Agent Native创业标准与范式转移 (52:36) 黄东旭提出了判断企业是否为“Agent Native”的思想实验：若剥离Agent元素后业务直接瘫痪或成本暴增千倍，该业务才算真正原生。当前创业机会更看好底层基础设施，包括记忆与数据管理平台、Token可观测性（Observability）审计工具，以及面向Agent的Native云平台。张宏江补充提及，微软成立约6000人规模的Frontier团队推进工程化落地，显示企业级Agent改造已成主流。 在底层演进方面，最新大模型在通用与视觉IQ测试中已突破人类均值，研发人员正通过递归AI与自我蒸馏将思维赋予模型。张宏江认为机器知识积累速率超过人类标志着AGI奇点的到来；黄东旭对此类替代持开放态度，但也指出当技术彻底消除常规劳动需求时，社会将直面广泛的就业洗牌与人类存在主义危机。 对话总结认为，大模型领域已结束纯算法科研红利期，正式迈向工程师与产品经理主导的Agent落地时代。然而，多Agent系统的行为可控性、安全防护边界，以及技术替代人类劳动引发的社会适应难题，仍是这场生产力革命进程中亟待解决的核心挑战。

[4:55] 张宏江: 我不觉得是存在太大的泡沫……其实很多潜在的用户，也包括很多的大企业，他们有一些不知所措……这是一个很自然的过程。 [23:09] 黄东旭: 它在它的 Agent 的框架里边，有一个很强的倾向去不停地总结成功经验，总结成 skill……你用着用着，用一段时间就发现它长出了很多最佳实践。

[0:00] 哈喽 大家好 [0:01] 欢迎收听《硅谷101》 [0:02] 我是泓君 [0:04] 如果说2025年是Agent的元年 [0:07] 2026年行业有一个有意思的变化 [0:10] 市场从开始讨论模型的能力 [0:13] 变成越来越多地 [0:14] 去讨论Agent的工程问题 [0:17] 有一个从关注科研 [0:19] 到关注工程的转向 [0:21] 曾经疯狂带头烧Token的 [0:23] 这些硅谷公司们 [0:25] 现在看起来也是慢慢地冷静下来了 [0:28] Uber四个月烧穿了全年的AI预算 [0:31] Meta计划限制员工的Token消耗量 [0:34] 与此同时 [0:35] 中国有一批开源模型 [0:37] DeepSeek GLM Kimi [0:39] 它们的模型能力 [0:40] 越来越逼近第一梯队 [0:42] 现在硅谷的公司们 [0:44] 也开始把它们搭进了自己的工作流 [0:48] 所以我们有一个问题 [0:50] 最大化Token的消耗 [0:52] 无脑去使用最强的模型 [0:54] 还是市场的最优解吗 [0:56] 这集我们就来聊一聊 [0:58] 从Token Maxing到Token Efficient [1:01] 这背后正在发生的 [1:03] 整个Agent工作范式的变革 [1:09] 今天跟我在一起两位嘉宾是黄东旭 [1:12] 东旭是Llama Ventures的合伙人 [1:14] 也是PingCAP的联合创始人和CTO [1:17] 哈喽 东旭你好 [1:18] 大家好 [1:19] 还有一位是张宏江老师 [1:21] 宏江老师是Llama Ventures的 [1:23] 高级技术合伙人 [1:24] 现在也是 [1:25] 美国国家工程院的外籍院士 [1:28] 同时宏江老师也是 [1:29] 微软亚洲研究院创始成员之一 [1:32] 也是北京智源人工智能研究院的创始人 [1:36] 同时还是前金山的CEO [1:38] 宏江老师 [1:39] 非常荣幸您能来做客我们的播客 [1:41] 谢谢 [1:42] 非常高兴有机会跟大家见面 [1:44] 在开始的时候 [1:45] 大家要不要简单先介绍一下自己 [1:48] 好 我是东旭 [1:49] 我是PingCAP这边的 [1:51] CTO跟co-founder（联合创始人） [1:52] 最近有个新的身份 [1:53] 就是Llama Ventures的合伙人 [1:56] 自我的定位肯定还是一个工程师 [1:58] 大家都知道Harness [2:00] 然后Agent coding [2:01] 我也是第一时间在去拥抱 [2:03] 第二 我是一个创业者 [2:05] 一直以来从0到1 [2:07] 在基础软件 行业 [2:09] 其实PingCAP和TiDB [2:10] 是一个分布式的数据库吧 [2:12] 也是从北京开始起步 [2:14] 慢慢地客户都遍及全球 [2:17] 我觉得第三个身份就是 [2:19] 因为我是一个好奇心比较重的人 [2:21] 很喜欢自己去做一些东西 [2:24] 比如说像音乐 [2:25] 比如像一些艺术 [2:26] 反正这是我几个的身份 [2:29] 因为今天我们要讲Token这个话题 [2:31] 我觉得请东旭来我们的播客 [2:33] 主要就是一个 [2:34] 你是真正地在玩Agent的人 [2:37] 然后一直在用的人 [2:38] 一直在搭程序的人 [2:40] 所以我觉得 [2:41] 应该会有很多一线实战的经验 [2:43] 给大家分享 [2:44] 我也一句话介绍一下 [2:46] 我心目中的宏江老师 [2:47] 好 可以 [2:49] 其实我人生的第一份工作 [2:51] 就是在微软亚洲研究院 [2:53] 当时我还是一个实习生 [2:55] 当时宏江老师正好在亚研院 [2:58] 处于工程院刚成立的那个时间 [3:01] 是我心目中的大科学家 [3:04] 所以现在非常荣幸 [3:06] 能够在Llama Ventures里边 [3:09] 再续前缘 [3:10] 宏江老师 [3:11] 大家好 我是张宏江 [3:13] 我的状态现在是一种退休的状态 [3:17] 在两年前的话 [3:18] 大家看到了这一波 [3:20] AI所推动的新技术浪潮中间 [3:24] 而华人在里面 [3:24] 起了一个非常关键的作用 [3:27] 尤其是在大的Lab里面 [3:29] 无论是OpenAI还是Anthropic [3:31] 还是Google [3:32] 至少在技术上 [3:33] 这些人都是骨干 [3:35] 甚至挑大梁的人 [3:36] 同时 我们也看到 [3:38] 这一波创业的浪潮里面 [3:40] 其实华人的比例也非常高 [3:42] 无论是从大陆过来的 [3:43] 在这上学的毕业的 [3:45] 然后在大厂工作的 [3:46] 还是说就在这长大的 [3:48] 二代 三代的华人 [3:49] 创业的人都很多 [3:51] 尤其是对于原来背景在大陆的 [3:53] 到这来留学的华人来说的话 [3:56] 其实他们作为第一代移民 [3:57] 他们在创业的中间 [3:59] 会有各种各样的困难 [4:00] 其中一个很大的困难 [4:02] 实际上就是 [4:02] 能不能得到他们所需要的资金 [4:05] 所以在两年多之前的话 [4:07] 我正好碰到了Llama的一个机会 [4:09] 希望能够以顾问的方式 [4:11] 来跟Llama的团队一起来做这件事 [4:14] 我之前的话 [4:15] 从最早做研究 [4:17] 在新加坡做研究 [4:18] 在美国做研究 [4:19] 然后回到中国跟开复等 [4:22] 大家一起创建微软亚洲研究院 [4:24] 从研究院做基础研究 [4:26] 做到工程院做产品的研发 [4:28] 然后到了出来做金山的CEO [4:31] 从金山退休以后 [4:32] 又做了一系列的顾问角色 [4:35] 后来创建了 [4:36] 北京智源人工智能研究院 [4:38] 这中间还另外花了很大的工夫 [4:40] 做源码资本的投资合伙人 [4:42] 我整个职业生涯中学到了很多 [4:44] 也有很多的经验和教训 [4:47] 也希望能够在美国这块 [4:48] 和所有的创业者一起来分享 [4:51] 能够帮着大家 [4:52] 在这一波技术革命的浪潮中间 [4:54] 寻找到自己的机会 [4:56] 因为我觉得AI这一波 [4:57] 它肯定是一个实实在在的 [4:59] 对生产力的提高 [5:00] 但是因为现在大家基建的投资 [5:03] 也很迅猛 [5:03] 包括我们今天这一集 [5:05] 马上会跟大家聊的 [5:06] Token Maxing的策略 [5:08] 大家也在疯狂地烧Token [5:10] 您觉得现在在整个大市场里面 [5:13] 它是有一定泡沫存在的成分吗 [5:16] 还是说您觉得它现在的基础建设 [5:18] 是远远不够的 [5:20] 去年的12月份 [5:21] 我在另外一个采访里面 [5:22] 这就是一个问题 [5:24] 我当时就说没有泡沫 [5:27] 2024年年底的时候 [5:29] 大家怀疑Scaling Law是不是撞了墙 [5:31] 大家怀疑是不是过度投资 [5:34] 但事实上 [5:35] 我们今天看的话 [5:36] 其实远远没有达到 [5:38] 我们所面临的 [5:39] 是一个非常fundamental的革命 [5:42] 你可以跟互联网最早的基建 [5:44] 开始相比 [5:45] 你可以跟当时美国快速发展的时候 [5:47] 建设铁路网和公路网来相比 [5:50] 今天你从绝对数是超过它们 [5:52] 毫无疑问 [5:52] 但事实上你从占GDP的比例来说 [5:55] 其实比那些都小 [5:57] 即使从宏观的角度来说 [5:58] 也远远没有到所谓的过度投资 [6:01] 另外一点就是 [6:02] 其实你看Token是很贵 [6:04] 但Token的消耗量的话 [6:05] 其实增长得非常快 [6:06] 还有一点大家忘掉了 [6:08] 其实Token的价格在过去的几年 [6:10] 一直每年降10倍这样的速度 [6:13] 无论是英伟达芯片的进展 [6:14] 还是其他方面的进展 [6:16] 所以我依然会非常有信心 [6:18] 我不觉得是存在太大的泡沫 [6:21] 当然 你说股票市场 [6:23] 是不是存在泡沫 [6:24] 那是另外回事 [6:25] 但是技术的发展 应用的发展 [6:28] 我不觉得存在什么泡沫 [6:30] 也正是因为这一次革命 [6:32] 它的浪潮是如此之大 [6:34] 而且如此迅猛 [6:35] 其实很多潜在的用户 [6:39] 也包括很多的大企业 [6:41] 他们有一些不知所措 [6:43] 无论是说他一开始就放开用Token [6:46] 让大家去试 [6:47] 还是说突然发现 [6:48] Token量可能超过他当初的想象 [6:51] 然后开始往回缩 [6:52] 这是一个很自然的过程 [6:54] 因为AI的能力如此之强大 [6:57] 到底先把它用在 [6:59] 公司里面的哪个环节 [7:01] 先去提高公司哪方面的效率 [7:04] 实际上还是个探索的过程 [7:06] 但是因为速度来得如此之快 [7:09] 所以有时候 [7:10] 大家会觉得有点不知所措 [7:12] 对 东旭你有补充的吗 [7:14] 我看他刚刚在说没有泡沫的时候 [7:16] 东旭立刻比了一个大拇指 [7:18] 是的 我也是完全认同这个观点 [7:22] 今天我们去看待AI这波基建 [7:25] 就跟我们可能上世纪五六十年代 [7:28] 去看待计算机刚诞生出来的 [7:31] 一个房间的电子管好大 好贵 [7:34] 但是你想象 [7:34] 那个时候还没有个人计算机 [7:37] 有很多的需求 [7:38] 其实是有充分的基建了以后 [7:41] 才会诞生出来 [7:42] 而且这些新的需求诞生出来 [7:44] 又会刺激更多的基础的建设 [7:47] 或者说一些更新的基建技术的出现 [7:50] 所以我觉得还远着呢 [7:52] 还有很多事情可以做 [7:53] 第二 从一些微观的 [7:55] 就工程哪怕是今天的架构上来看 [7:57] 我觉得还有很多事情 [7:58] 是可以去优化的 [8:01] 比如说今天在模型的推理 [8:03] Agent框架对Token的高效使用上 [8:06] 其实还有很多的优化空间 [8:08] 只是说因为今天的需求 [8:10] 和大家看到这个市场的预期 [8:14] 说我们先发散 [8:15] 不要顾及我花多少Token [8:17] 先看看有没有哪些事情 [8:18] 低垂的果实能够摘回来 [8:20] 之后再去考虑优化的事情 [8:22] 所以短期可能会有一个小的回落 [8:25] 但是从长期来看 [8:27] 仍然是有大量的需求还没被人看见 [8:30] 对 我们今天录这期播客的时间 [8:32] 是在2026年的7月4号 [8:35] 我觉得正好也是 [8:36] 在一个市场的转折点上 [8:38] 就像刚刚宏江老师您提到的 [8:40] 最开始大家发现 [8:42] 这波AI浪潮来的时候 [8:44] 像Jensen黄他其实就在GTC上说 [8:46] 我要求我的每一个工程师 [8:48] 你们都要烧很多的Token账单 [8:50] 包括Meta [8:51] 它有一个Token的排行榜 [8:53] 看哪些员工烧的Token多 [8:56] 所以我觉得在过去的8个月里面 [8:58] 可以说整个硅谷用AI的策略 [9:00] 我们可以叫做Token Maxing [9:03] 就是最大化地使用Token [9:05] 最大化地看大家能把Agent [9:06] 用到一个什么样的程度 [9:08] 但是到今天来说 [9:10] 其实我觉得现在这个市场 [9:12] 大家又开始有一点点转折了 [9:14] 就比如说Uber [9:15] 它给员工发的Token额度 [9:17] 后来又因为成本收回去了 [9:19] 他们基本上4个月 [9:20] 把整个全年的预算烧穿了 [9:23] 我前几天去Stripe [9:25] 跟他们负责AI落地的人聊 [9:28] 他们给我看内部的大模型 [9:30] 上面就写着Opus 4.8很贵 [9:32] 大家用的时候可以省一下成本 [9:34] 先用其他的模型 [9:35] 不是所有的任务都要用这个模型 [9:37] 就是你打开那个页面 [9:39] 那个页面一下就弹出来了 [9:41] 这样的一个提醒 [9:42] 所以我觉得 [9:43] 今天我们聊的这个时间点很好 [9:45] 怎么样更加经济地使用Token [9:47] 而且我觉得这个背后可能也包含着 [9:50] 一系列Agent的变革 [9:52] 因为东旭其实你一直在玩AI Agent [9:55] 你有没有经历过这种一段时间的 [9:58] 反正我就无脑使用 [9:59] 我用最强的模型 [10:01] 那个时候 [10:01] 你有没有一个账单爆掉的时刻 [10:03] 其实当然有 [10:04] 我先说一下我Token Maxing的历史 [10:07] 虽然我现在可能 [10:07] 并不是Token Maxing的流派了已经 [10:10] 我就像你刚才说的这种 [10:11] 属于无脑用最强 [10:12] 也不要说去花太多时间 [10:14] 去在一个不太行的模型上 [10:16] 去做很复杂的工作流 [10:18] 相信模型的能力 [10:19] 我是大概从去年的11月份开始 [10:22] 我其实做了几件事情 [10:23] 第一就是我开始在用Opus [10:27] 从0到1构建一个 [10:28] 我能想到最复杂的软件 [10:30] 因为我一直做数据库的 [10:32] 尤其是分布式数据库 [10:33] 其实是最复杂的一种系统软件 [10:35] 我想看看 [10:35] 当时的AI [10:36] 对于这样复杂的大系统来说 [10:39] 它的边界在哪 [10:41] 所以在这种最复杂的任务上 [10:43] 我其实没有办法很精确地评估 [10:46] 最强的模型跟第二强的模型 [10:49] 它的差别是什么 [10:50] 所以对于你来说 [10:52] 最好的策略就是永远选最好的模型 [10:54] 我觉得现在今天仍然有同样的问题 [10:57] 大家对于模型能力的评估 [11:00] 基本上只能看benchmark [11:02] 但大家知道 [11:02] Benchmark其实是 [11:04] 很多时候你是能刷榜的 [11:06] 当你在做一些不太确定 [11:08] 但是你又知道 [11:09] 这件事情非常难的时候 [11:10] 你一定得用最强的模型 [11:12] 这是我之前大概 [11:14] 刚才我说到一个时间点 [11:15] 就去年11月份 [11:16] 那个时候 [11:16] 像Opus跟GPT-5.1 [11:19] 它们对于第二档coding的Agent [11:22] 是断崖式的领先 [11:24] 开源模型基本处于一个 [11:26] 做一些简单的1+1等于2的事情 [11:28] 可能还行 [11:29] 但是你真的要去做一些 [11:31] 复杂软件的编程 大项目的改进 [11:34] 那时候是完全不行的 [11:35] 所以Token Maxing [11:36] 我觉得那个时候是一个好的策略 [11:38] 但这个策略 [11:39] 我觉得后来在社区里面 [11:40] 大家都把它误解了 [11:42] 我觉得Token Maxing是一个结果 [11:44] 它有点像一个滞后指标 [11:47] 但要经过思考地去Token Maxing [11:50] 你能产出一个很好的结果 [11:52] 但是像刚才你提到的 [11:54] 很多今天的大公司 [11:56] 包括Jensen黄说 [11:57] 大家一定要疯狂地用 [11:59] 疯狂地用 [12:00] 我觉得有两种疯狂的用法 [12:03] 一种是你知道你在干什么 [12:04] 你很好地设计 [12:05] 然后疯狂地用 [12:06] 另外一种是你不知道你在干什么 [12:08] 只是觉得公司有个排行榜 [12:10] 我必须得把它刷到榜单第一 [12:13] 于是就出现了很多无效的调用 [12:15] 因为我觉得尤其在大公司里边 [12:17] 只要领导提出要追求一个榜单 [12:20] 一定大家会去刷这个榜 [12:23] 这个是我在Meta和NVIDIA [12:25] 去提Token Maxing的时候 [12:27] 第一秒钟我就想到 [12:28] 会出现的一个问题 [12:30] 今天我觉得又有点不太一样 [12:33] 您刚刚提到了去年11月份 [12:35] 你是在用最强的Agent [12:37] 去完成一个 [12:38] 我能想到的最复杂的软件 [12:40] 对 那个时候你的账单 [12:42] 大概是一个什么样的情况 [12:43] 可以透露吗 [12:43] 当时我一天可能得花掉四五百美金 [12:48] 一天四五百美金 [12:49] 对 而且这个一天四五百美金 [12:50] 还是在我已经用了Claude Code [12:53] Pro Max 订阅的情况下 [12:55] 再加200美金 [12:56] 对 再往上再加 [12:58] 因为它有一个量 [13:00] 每日的量和每周它有一个limit（限额） [13:03] 我用完了 [13:04] 你就得再自己掏钱 [13:06] 去买extra usage（超额用量） [13:08] 所以当时我用得还挺疯狂的 [13:09] 帮你提升了多少效率 [13:11] 我觉得是不计其数的 [13:13] 钱花得值 [13:14] 我觉得超值 [13:15] 我举个例子 [13:16] 就很多时候 一件事情是从0到1 [13:19] 比如说有些事情 [13:20] 我觉得我肯定做不出来 [13:21] 但是用上最强的AI以后 [13:24] 它能让我做出来了 [13:26] 你说它的ROI是什么 [13:28] 比如说像我做的那个软件 [13:30] 我在我的公司内部 [13:31] 其实我们的销售期待那个软件 [13:34] 已经期待了很长时间 [13:36] 我确定如果我这个东西做出来 [13:38] 质量做到七八十分 [13:40] 我一年可能就能多1000万美金的 [13:42] 直接的收入 [13:43] 因为我的客户就在那等着 [13:44] 只是以前 [13:45] 我受限于人力 技术的水平 [13:47] 我做不出来 [13:48] 但今天我一个人 三个月 [13:50] 我就做出来了 [13:51] 一个人 三个月 [13:52] 差不多 [13:53] 做了一个 [13:53] 可以销售额达到千万美金的软件 [13:56] 千万美金级别的东西 [13:57] 软件 是的 [13:57] 这个我觉得是完全可能的今天 [14:00] 你要这么算 [14:01] 你的ROI其实非常高的 [14:02] 这是一个真实的例子 [14:04] 这是一个真实的例子 [14:06] 那个项目叫db9 [14:07] 是我新做的 [14:09] 一个云原生的分布式数据库 [14:10] 是从去年的11月份到今年的2月份 [14:13] 其实严格来说是12月份到今年3月 [14:15] 那差不多这个时候 [14:17] 也是OpenClaw已经开始出来了 [14:20] 是的 [14:20] 后面OpenClaw有帮上忙吗 [14:22] 没有 [14:23] 没有 [14:23] 对 OpenClaw是另外一个故事 [14:26] 它更像个人助理 [14:28] 最早的时候 [14:29] 我不太想让OpenClaw来写代码 [14:32] 因为其实OpenClaw的产品设计 [14:34] 并不是对这种重度软件工程设计的 [14:36] 它更像是说去连接各种现实世界 [14:39] 通过Agent的能力去操作 [14:41] 比如说过去我们在工作和生活中的 [14:44] 常用的一些流程 [14:45] 它更像一个个人助理类的事情 [14:47] 好 所以其实后面 [14:49] OpenClaw真的出来的时候 [14:51] 你反而觉得它在工作上 [14:53] 没有帮你太大的忙 [14:54] 编程上没有 [14:55] 日常生活 [14:55] 我觉得肯定是一个很好的东西 [14:58] 当时我觉得它代表了一个信号 [15:00] 其实对于一些玩Agent玩了很久的 [15:03] 比方从Claude Code开始的 [15:05] 这一波弄潮儿 [15:06] 像我这样的 [15:07] 其实OpenClaw的出现 [15:09] 它其实只是说把Claude Code [15:12] 以及像Codex这些编程Agent [15:14] 代表的一个理念 [15:15] 就是Agentic loop加上工具调用 [15:19] 把它变成了一个更general（通用的） [15:21] 对普通用户来说门槛更低的东西 [15:24] 相当于让它走进了千家万户 [15:26] 我觉得事实上 [15:27] Peter作为OpenClaw的作者 [15:29] 他能够花一个礼拜 [15:31] 就把OpenClaw做出来 [15:33] 对于我来说最大的意义在于 [15:35] 宣布了大模型的能力过了一个坎 [15:38] 它的推理能力如此之强 [15:39] 它的编程能力如此之强 [15:42] 使得做一个架构师这种级别的 [15:44] 有经验的工程师 [15:45] 能够用它来 [15:47] 很短时间内就能做出一个系统 [15:49] 包括刚才东旭所说的 [15:50] 3个月他能够做出一个最复杂的 [15:52] 分布式的数据库 [15:54] 这其实标志着大模型的能力 [15:56] 跨过了一个坎 [15:57] 就是真的可以落地应用了 [15:59] 真的可以开始 [15:59] 提升效率了 [16:01] 大家可以真正地把聚焦 [16:03] 从原来的大模型本身 [16:05] 到大模型的运用 [16:06] 这块包括编程 [16:08] 包括用它来做其他的系统 [16:11] 再一个就是说 [16:12] 我刚才强调 [16:12] Peter他作为一个架构师 [16:14] 一个软件工程师 [16:15] 而不是作为一个科学家 [16:17] 意味着其实你也未必再需要 [16:20] 那么深入地懂大模型本身的机理 [16:23] 你就能够去用它来做 [16:25] 你想要做的系统 [16:26] 这标志着从研究进入工程 [16:28] 从模型进入Agent [16:31] 这个总结特别好 [16:32] 你觉得是哪一版模型 [16:33] 它的能力做的这样一个跨越 [16:36] Claude的Opus 4.4 四点几 [16:39] 就去年11月 [16:39] 4.5 [16:40] 4.5 [16:40] 去年11月份 [16:43] 我是从GPT-5.4开始 [16:45] 去年七八月份 [16:47] 对 我记得去年 [16:49] 其实在OpenClaw出来的时候 [16:51] 就是我遇到了蛮多的创始人 [16:54] 他们会给《硅谷101》写信 [16:56] 他们会说 [16:57] 像OpenClaw这样的Agent的产品 [16:59] 我们也搭建了 [17:00] 我也能写 [17:01] 对 我也能写 [17:02] 我们搭建了很多 [17:03] 类似于这样子的Agent [17:05] 而且你可以测一测 [17:06] 我们的效果不比它差 [17:08] 所以当时为什么是OpenClaw火了 [17:11] 我觉得很多事情 [17:13] 你事后诸葛亮总是有道理的 [17:15] 但我可以从一个开源爱好者的角度 [17:17] 去说一下 [17:19] 首先OpenClaw [17:19] 其实是一个开源软件 [17:21] 开源在今天天生更具有传播力 [17:24] 当你做一个Agent的时候 [17:26] 如果你是个闭源的 [17:26] 是个商业产品 [17:27] 大家可能就 [17:29] 你这个是不是广告什么的 [17:30] 但如果是一个民主化的开源的软件 [17:33] 每个人都可以去用一用 [17:34] 这时候它的传播 [17:36] 尤其是在这种geek（极客）的圈子里 [17:37] 我觉得一开始 [17:39] 大家去看OpenClaw的传播 [17:40] 其实都是在一些极客 [17:42] 和一些工程师的小圈子 [17:44] 然后慢慢地扩圈 [17:46] 这帮人是对这种商业软件 [17:48] 或者说闭源软件 [17:50] 或者说平台的软件 [17:51] 多少有一点点抵触心理 [17:53] 但如果这时候是一个完全开源 [17:55] 而且大家有没有注意到 [17:56] OpenClaw一开始的理念 [17:57] 叫local-first [17:59] 我所有的这些隐私的东西 [18:01] 我的数据 [18:02] 我都要在本地给配好 [18:04] 当然 我非常理解 [18:05] 作为一个硬核开源工程师的Peter [18:08] 做出这些技术选择的原因 [18:10] 因为这些选择 [18:12] 完全是一个极客会做出的选择 [18:15] 而且极客这个圈子传播力 [18:17] 我觉得还是挺强的 [18:18] 有点像当年Linux的这种感觉 [18:21] 我自己当时看Peter的思想 [18:23] 我看过他一些访谈 [18:25] 他有一个想法挺特别的 [18:26] 他说我其实是可以 [18:28] 把我个人所有的东西 [18:30] 所有无隐私地全部交给AI的 [18:33] 因为正是因为他给AI开放的权限 [18:36] 如此之广 [18:37] 所以他才说 [18:38] 要把这些信息资料配置在本地 [18:40] 是很重要的 [18:42] 然后我觉得还有一个临界点 [18:44] 是当时正好是Claude [18:46] 它又升级了一下它的模型 [18:48] 就是那一版的模型智能 [18:50] 至少从我当时使用的感受来说 [18:52] 我觉得跟前几版的智能是天壤之别 [18:55] 然后会让我觉得效果很好 [18:57] 那个时间我觉得大概是2月份 [18:59] 春节的时候 [19:00] 但其实作为一个工程师 [19:02] 其实在去年的11 12月份 [19:04] 已经感受到这个浪潮了 [19:06] 我记得Peter他自己也说 [19:07] 那时候他用Claude Vibe Coding [19:10] 他一直觉得像OpenClaw这样东西 [19:12] 现在准备好了 可以做出来了 [19:14] 而且用户也会需要这个 [19:16] 但是他当时认为 [19:17] 这是大公司一定会做的事情 [19:20] 他等了几个月 [19:21] 说为什么大公司还没有做 [19:23] 所以他就把它hack出来了 [19:24] 是的 [19:25] 这个故事也说明了 [19:26] 其实当大势准备好了之后的话 [19:28] 其实就需要一个人捅破一张纸 [19:31] 而OpenClaw正好是捅破了这张纸 [19:33] 另外 当时open source（开源）这件事 [19:35] 这个community（社群）很有意思 [19:36] 它一出来以后 [19:38] 一周以后还是几天以后 [19:39] 立马出了一个MoltBook [19:40] 就相当于一个Agent的社交网络 [19:43] 或者是你的OpenClaw [19:44] 和我的OpenClaw [19:45] 在一个社交网络 [19:46] 这种爆发是如此 [19:48] 然后中间发生的这些事情 [19:50] 本身也是一个非常好的传播事件 [19:52] 包括他们成立了几个教 [19:54] 很快就大家推选了几个先知 [19:57] 这本身也是让人们突然意识到 [19:59] Agent本身的能力 [20:01] 真是达到了我们之前所想象的 [20:03] 这种自主这样的能力 [20:05] 所以这个是我觉得 [20:06] OpenClaw之所以这么快速地传播 [20:09] 快速地进入到每个人 [20:11] 另外 从时间点上来说 [20:13] 大家用Chatbot这件事 [20:14] 已经用了三年多 [20:16] 你只能交流 而不能够让它来做事 [20:19] 这个时候也是 [20:20] 大家从Claude Code看到 [20:21] 可以开始做一些事 [20:23] OpenClaw出现 [20:24] 正好让大家意识到 [20:26] 说 你的日常你在PC上做的事情 [20:28] 在手机上做的事情 [20:29] 其实Agent基本上都能做 [20:31] 它有哪些不足呢 [20:33] 因为刚才其实宏江老师也提到了 [20:35] Peter一个人 [20:35] Vibe Coding了一个礼拜 [20:37] 出来的东西 [20:38] 他自己可能也完全没看过代码 [20:40] 其实很有意思 [20:40] Peter是某一个时间 [20:42] 应该是Anthropic [20:43] 他的个人Token消耗量 [20:45] 据媒体报道 [20:46] 他30天内的API使用金额 [20:49] 高达130万美元 [20:51] 你说他做了OpenClaw之前还是 [20:52] 不是 之前就是 [20:54] 之前就是 他就之前就一直在玩 [20:56] 一直在玩这个 [20:57] 东西做得很快 [20:58] 但是这个东西的质量 [21:00] 其实没有精雕细琢 [21:02] 给极客用没问题 [21:03] 但是当你变成一个 [21:04] 广大用户都在用的时候 [21:05] 它各种配置的难度 [21:07] 或者说它的系统稳定性 [21:09] 就各种成问题 [21:11] 所以这是我觉得第一个问题 [21:13] 我觉得给我的启发是什么呢 [21:15] 今天很多人说 [21:16] 随便任何一个人 [21:17] 闭着眼睛就能Vibe Coding [21:19] 一开始我觉得OpenClaw这个例子 [21:21] 可能好像也似乎说明了这个事情 [21:24] 但是后来慢慢地 [21:25] 这个软件做得越来越深 [21:27] 你就会发现 [21:28] 好的一个软件工程的习惯和经验 [21:30] 还是非常重要的 [21:32] 当你的这个软件的复杂性 [21:34] 超过一个临界点以后 [21:35] 你要去花更多的精力 [21:37] 在去提升体验和提升稳定性的时候 [21:40] 我觉得非常senior（资深）的 [21:42] 研发团队 [21:43] 还是非常必要的 [21:44] 第二个不足 [21:45] 我个人觉得还是起得太早了 [21:48] 我觉得它更像一个实验性的项目 [21:50] 可能Peter一开始也没有想到 [21:52] 它会做得如此爆款 [21:55] 但今天大家可能也看到 [21:57] 现在可能OpenAI自己 [21:58] Agent上的精力 [22:00] 也慢慢从OpenClaw这个开源的项目 [22:02] 实验性的项目 [22:03] 转到了它自己的Codex上面 [22:06] 所以我觉得这种持续的资源投入 [22:08] 可能也会成问题 [22:10] 所以到最后 [22:11] 我觉得跟它的DNA是非常相关的 [22:13] 它就是一个极客圈子里边 [22:15] 自己玩的一个原型 [22:17] 所以我觉得它的终局 [22:18] 可能天花板也就是这样了 [22:21] 而且现在它其实有点像 [22:22] 扮演一个普罗米修斯的角色 [22:25] 把这样的产品形态 [22:26] 这样的产品能力让世人知道了 [22:29] 它的历史使命可能就完成了 [22:31] 所以你觉得它可能也很难爆火 [22:34] 跟持续地走下去 [22:35] 它现在基本上 [22:36] 也是在靠它的基金会在运转 [22:38] 因为创始人Peter [22:39] 他已经是去OpenAI了 [22:41] 因为在OpenClaw出来以后 [22:43] 有一段时间里 [22:44] 我身边还挺多人都在玩的 [22:46] 我看大家提的 [22:47] 觉得最不好用的一个点 [22:49] 就是你怎么让它记住 [22:51] 你过往的历史偏好 [22:53] 然后你怎么让它 [22:55] 有一个更好的记忆功能 [22:57] 因为如果你用得越多 [22:58] 你就会发现 [22:59] 它老忘事 [23:00] Compaction（对话压缩） [23:02] 当你不去做记忆储存的时候 [23:04] 它会不停地回滚 [23:05] 这一个是特别的消耗Token [23:07] 它也会带来很多记忆的混乱 [23:09] 这个情况下 [23:11] 我看还出现了 [23:12] 之后爆火的一个Agent [23:14] 叫做Hermes [23:15] 它其实是一个Web3的机构 [23:17] 叫Nous Research [23:18] 它来做的 [23:19] 东旭 你应该也是用过这个Agent [23:20] 我是Hermes的重度用户 [23:22] 其实在Hermes出来以后 [23:24] 我很快就从OpenClaw切到Hermes了 [23:27] 刚才你提到的memory这个点 [23:29] 现在仍然是一个 [23:31] open question（尚无定论） [23:32] 并没有说谁家就解决得非常好 [23:35] 而且大家也都在尝试 [23:36] 各种各样的记忆 [23:38] 就是做旁路记忆的方式 [23:41] 只能说今天 [23:42] 肯定比当时2月份的时候 [23:44] OpenClaw出来老是忘事的情况 [23:46] 要好很多 [23:47] 但是仍然我并不觉得它是一个 [23:49] 完美地去解决记忆问题（的方法） [23:52] 今天我觉得还没到这个阶段 [23:54] Hermes我觉得它的亮点 [23:55] 是另外一个亮点 [23:56] 它其实很巧妙地绕开了记忆的问题 [23:59] 它并不是说 [24:00] 记忆模块设计得多么出彩 [24:02] 而是它在它的Agent的框架里边 [24:04] 有一个很强的倾向 [24:07] 去不停地总结成功经验 [24:09] 总结成skill [24:10] 其实是小龙虾的Agent Loop里边 [24:12] 它缺少一个反思的过程 [24:14] 它的反思是比较少 [24:16] 你除非主动地要小龙虾说 [24:18] 你把前面做成功的这个 [24:19] 你给我整理成一个skill之类的 [24:22] 但是Hermes [24:22] 引入了很多类似的机制 [24:24] 它就能够持续地优化自己 [24:26] 你用着用着 用一段时间就发现 [24:28] 它长出了很多最佳实践 [24:29] 都是以前你自己做过的 [24:31] 这些最佳实践 [24:32] 变成一个skill [24:33] 然后记下来了 [24:34] 我觉得这是它的一个亮点 [24:37] 虽然它可能在广告里提 [24:38] 这个世界上 [24:39] 第一个自我改进的Agent [24:41] 或者说会自我学习 [24:43] 这些都是市场营销的词 [24:44] 但是我们看到本质 [24:45] 它其实就是用模型的能力 [24:48] 加上一些工程化的手段 [24:50] 总结成功经验 [24:51] 去把这些能力 [24:53] 变成可以复用的一个个skill [24:55] 可不可以理解成它的运营很强 [24:57] 因为它会沉淀成各种skill [24:58] 对 我觉得这是个工程问题 [25:00] 它跟模型本身的能力 [25:02] 我觉得并不相关 [25:03] 它只是说我在这个里边 [25:04] 我发现每一次成功了以后 [25:08] 我就尽量地做个梦 [25:09] 或者说我去把前面的经验 [25:11] 我自己再总结一下 [25:12] 就有点像一个更好的学习习惯 [25:15] 但它另外一点我觉得做得非常好 [25:16] 因为刚才说到 [25:17] OpenClaw的代码质量和稳定性 [25:20] 其实挺成问题的 [25:21] Hermes显然是经过精心设计的 [25:24] 一个软件架构 [25:26] 因为OpenClaw [25:27] 我觉得更像一个大集市 [25:28] 每个人有什么想法直接往里面提交 [25:31] Peter也是非常开放的 [25:32] 谁有什么想法直接合了 [25:34] 我代码也不看了 [25:35] Agent说没问题就行了 [25:36] Hermes会稍微好一些 [25:38] 它其实还是由那个团队 [25:40] 精心在打磨的一个东西 [25:42] 所以你的onboarding（上手流程体验） [25:44] 各方面稳定性都会比OpenClaw更好 [25:46] Hermes怎么赚钱 [25:48] 它们的商业模式是啥 [25:50] 我觉得今天你有足够的用户量 [25:52] 能够帮不同的模型厂商 [25:54] 带Token的消耗 [25:56] 你的商业模式简直不要太多 [25:59] 比如说哪几种 [26:00] 比如说我举个例子 [26:01] 在Hermes里面 [26:02] 我可能跟某一个模型厂商 [26:04] 去谈一个渠道 [26:06] 我这边能够帮助你去消耗更多的 [26:08] 更低的折扣拿到Token [26:09] 对 更低的折扣拿到Token [26:11] 其实在这里面它充当一个入口 [26:13] 入口是很重要的 [26:15] 所以哪怕今天我觉得做Agent本身 [26:18] 就像刚才宏江老师说的 [26:19] 今天已经成为了一个工程问题 [26:21] 其实谁都能做 [26:22] 但是最后发现 [26:24] 这个入口会变成兵家必争之地 [26:27] 所以本质上它的商业模式 [26:29] 还是Token经济学 [26:31] 我觉得是的 今天看到是的 [26:32] 但是未来我觉得可能会有更新的 [26:34] 更新的 比如说用户付费各种 [26:37] 对 用户付费 [26:38] 增值服务 [26:39] Agent互联网 社交 [26:40] Agent互联网 是的 [26:42] 但这些都是我们现在今天想象 [26:43] 它有一点像 [26:44] 移动互联网时代爆火的超级应用 [26:47] 对 甚至更极端点 [26:49] 往下推演的话 [26:50] 它也许会变成唯一的应用 [26:52] 因为未来可能每个人 [26:54] 跟数字世界打交道的入口 [26:57] 可能就没有APP了 [26:58] 你想象一下 [26:59] 今天小龙虾出来以后 [27:00] 我再也没打开过我的Gmail [27:02] 我都是每天让我的OpenClaw来说 [27:04] 我这个几个小时有哪些新的邮件 [27:06] 哪些需要回的 [27:07] 如果有一些广告的字 帮我删了 [27:10] 这个就是你怎么去判断 [27:12] 重要的邮件怎么回复 [27:14] 以及需要你个人信息的邮件 [27:16] 怎么回复 [27:17] 但我不能代表所有人 [27:19] 但我是一个智能原教旨主义者 [27:22] 我相信比如说一个Opus 4.8 [27:25] 它判断这封邮件是重要的邮件 [27:29] 对我自己来判断 [27:30] 大概率也是重要的邮件 [27:31] 你相信它 [27:32] 我相信它 [27:33] 它有判断错吗 [27:34] 会有一些时候它判断错 [27:36] 但它至少说都能告诉我 [27:37] 它不确定的时候把这个 [27:39] 它会直接告诉你说 我不确定 [27:41] 直接告诉你有几个邮件 [27:42] 它看起来像一个广告 [27:44] 但是我现在不确定 [27:46] 你来再做最终的判断 [27:48] 不仅是邮件 [27:49] 比如像你订阅了很多那种邮件组 [27:52] 经常会给你发文章 [27:53] 什么Hacker News什么这些 [27:54] 你有没有发现 [27:55] 最近 你越来越多地开始依赖 [27:58] Agent作为入口去消化这些信息 [28:00] 而不是再跑到《纽约时报》 [28:02] 或者说跑到Hacker News上 [28:03] 去一篇篇地去看文章 [28:05] 它会给你总结 [28:06] 还是它会给你一个全文 [28:09] 我现在一般是先扫一遍总结 [28:12] 如果我看到感兴趣的 [28:14] 然后我再点到它的原文里面再去看 [28:17] 所以它变成了一个类似于 [28:19] 有一点像新闻集合的 [28:20] 这样的一个APP 一个总结 [28:22] 是的 [28:22] 我觉得这个对媒体行业的冲击很大 [28:25] 那是 这个已经发生了好久了 [28:27] 这就有点像新形态的今日头条 [28:30] 只是说它不光是帮你读新闻 [28:33] 帮你读Email [28:34] 帮你读所有的发给你的东西 [28:37] 而且你想象一下 [28:38] 像你的个人Agent [28:39] 是拥有你所有footprint（足迹）的 [28:41] 你的记忆 你的浏览记录 你的偏好 [28:44] 这些偏好又会持续地 [28:48] 之前像OpenClaw有一个 [28:49] 社区里面有个词我觉得用得特别好 [28:51] 叫“养龙虾” [28:52] “养”这个东西 [28:53] 就是说你会不停地去迭代 [28:55] 让它更理解你 [28:57] 所以我觉得这里面颠覆的是 [28:58] 可能传统这些媒体的 [29:00] 推荐系统什么的 [29:02] 推荐系统它只能说我根据大的数据 [29:04] 或者说整个社会的 [29:05] 一些trend（趋势） [29:07] 这个模型训练出来一个推荐算法 [29:10] 但我觉得真正终极的推荐算法 [29:12] 就是在你本地 在你旁边 [29:14] 坐着的一个观察着你生活 [29:17] 在数字世界的 [29:18] 甚至物理世界的所有event（事件） [29:21] 同时它是一个智能 [29:22] 我用过一段时间 [29:23] 让OpenClaw帮我精选一些新闻 [29:26] 我觉得我最终没有用了的 [29:29] 一个核心原因 [29:30] 还是它给我的东西太浅了 [29:32] 我觉得很多东西 [29:33] 我还是要看到一手的新闻 [29:35] 跟我更愿意读更少的文章 [29:37] 但是更深度的文章 [29:39] 但是我觉得还有一点 [29:40] 它帮你回邮件的时候 [29:41] 因为邮箱信息里面其实涉及到很多 [29:44] 简单的信息是很好用Agent回的 [29:47] 但是最难的是涉及到 [29:48] 你要做决策的时候 [29:50] 比如说今天我约了你来录我的播客 [29:53] 你要自己去想我录不录 [29:55] 我什么时间录 [29:56] 我的开放时间窗口是什么 [29:58] 这些需要决策的事情 [30:00] 我肯定不会让它完全去做决策 [30:03] 而是需要让我决策的时候让我知道 [30:06] 只是说我在用我的Agent [30:08] 当一个过滤器 [30:10] 之后我看你又有过一次 [30:12] 迁移的心路历程 [30:13] 你转到了Slock [30:16] 它是Kimi CLI的负责人 [30:18] 钱宇超创立的 [30:19] 对 RC [30:20] 这是一个什么样的Agent [30:22] 很有意思 [30:23] 首先 我是Slock的 [30:25] 第一个天使投资人 [30:26] 也是它最早期的用户之一 [30:29] Slock现在改名叫Raft了 [30:30] 但是为了大家理解方便 [30:32] 我还继续用Slock这个名字 [30:34] 大家肯定用过Slack是吧 [30:36] Slack是大家在一个会议室里 [30:38] 一个频道里边 [30:39] 然后互相讨论 聊天的一个平台 [30:42] Slock 顾名思义 [30:44] 把这个想法平移到了Agent上面 [30:47] 它的产品形态 [30:48] 可能也像是一个聊天室 [30:49] 但是里边在聊天的都是Agent [30:53] 然后这些Agent [30:54] 互相不分享自己的运行上下文 [30:57] 它们唯一分享的是 [30:59] 聊天频道里边的信息 [31:01] 这个跟MoltBook其实是有一点像的 [31:03] 有一点点像 [31:04] 有一点点异曲同工之妙 [31:05] 我觉得MoltBook [31:05] 更像一个社会学实验 [31:07] 但这里面 [31:08] Somehow（总归）这个模式是有用的 [31:12] 只是说它作为一个 [31:13] MoltBook的这种实验 [31:15] 大家就很容易 [31:16] 被它的行为艺术的方面 [31:18] 忽略掉它有用的那一部分 [31:20] 有用的部分就是 [31:21] 我就在一个小范围内 [31:23] 针对某一个话题 [31:25] Agent之间的讨论 [31:27] 虽然可能百分之八九十的时候 [31:29] 都是在车轱辘话 [31:30] 但我觉得Agent有一个好处 [31:32] 尤其是智商比较高的模型 [31:35] 它没有ego（自我） [31:36] 所以当某一个瞬间 [31:38] 某一个Agent提出了一个 [31:40] 大家没有看到的想法的时候 [31:42] 大家马上就会发现 [31:44] 你说得有道理 [31:45] 于是这条重要的信息 [31:47] 就会再次触发这些Agent的讨论 [31:52] 举个例子 [31:52] 我经常会用Slock [31:55] 去做一些复杂软件项目的代码审查 [31:58] 就是说这段代码提交 [32:00] 你不要说通过了就合并了 [32:02] 比如说10个Agent [32:03] 里面有一些是Claude Code [32:05] 有些是Codex [32:06] 然后都是顶级模型 [32:08] 大家都充当给这段代码挑刺 [32:11] 有些人可能简单看了看 [32:13] 说我看了3个刺 [32:15] 下面一个人说 [32:16] 我也看了 [32:17] 前面那3个刺我也认同 [32:18] 但是我又发现了个新的 [32:20] 然后你就发现 [32:21] 上面那个看出3个问题的说 [32:23] 哥们 你说得有道理 [32:24] 我在这个角度上我再继续看一看 [32:27] 这么持续地迭代 [32:28] 可能Token Maxing一下 [32:31] 你就会发现 [32:31] 它会比单个模型 [32:34] 在One-shot上 [32:36] 去review这份代码 [32:37] 挑出来的问题和改进的深度 [32:40] 是完全不一样的 [32:42] 它唯一付出的代价就是 [32:44] 可能我的Token消耗量 [32:45] 是普通的10倍 [32:47] 这个就是为什么我刚才说 [32:48] 我有一段时间 [32:48] 真的是Token消耗量非常大 [32:50] 最大的时候有多少 [32:51] 就像刚才我说的 [32:52] 一天大概是10亿的Token消耗量 [32:55] 对应的账单是 [32:56] 这对应的账单大概三四百美金 [32:59] 我当时用法就是这么用的 [33:01] 同一件事情 [33:02] 并不是说Agent干完就干完了 [33:04] 而是任何关键的决策之前 [33:07] 都要让Agent通过这种方式 [33:11] 不停地在一个群里讨论 [33:13] 我会强制要求它做完这几轮讨论 [33:16] 虽然我也不看它的结论 [33:17] 但是我相信你只要Token [33:19] 在这个正确的事情上 [33:21] 消耗到一定的程度 [33:23] 当然 我有个终止的条件 [33:25] 当你们谁都挑不出 [33:26] 更多的毛病的时候 [33:28] 你就停下 [33:29] 我觉得Slock它们团队 [33:30] 发明了一个很有意思的词 [33:31] 叫做“Agent动力学” [33:33] 平时大家经常会发现 [33:35] 让Agent持续很长时间运行 [33:37] 是一个挺难的事情 [33:38] 其实我觉得今天所有的 [33:40] 不管是Harness也好 [33:41] 还是Loop Engineer也好 [33:42] 他其实就在优化一件事情 [33:44] 怎么能让一个Agent [33:46] 在一个特定任务上 [33:47] 持续不停地干活 [33:48] 持续不停干活 [33:49] 是的 [33:50] 你能说Slock就找到了一个 [33:52] 大家一起七嘴八舌讨论的方式 [33:54] 让它持续干活 [33:55] Loop Engineer也是 [33:56] 每次它要停下来的时候 [33:57] 强行抽自己一鞭子 [33:59] 然后再回头去review [34:00] Harness就是说把多个工作流 [34:03] 搞得越来越复杂 [34:04] 最终的效果 [34:05] 就是大家能持续长期地干活 [34:08] 为什么需要时间长呢 [34:10] 因为有时候模型虽然今天很聪明 [34:13] 但是它One-Shot的时候 [34:15] 仍然还是会有一些幻觉 [34:17] 或者说在一些小的点上 [34:19] 考虑得没有那么周全 [34:21] 这时候你再进入一次迭代 [34:23] 它就能看到以前看不好的东西 [34:25] 我觉得这跟人类社会多少有点像的 [34:28] 比如说小时候我们做作业 [34:30] 做完作业了以后 [34:31] 父母总是说 [34:32] 你再重新算一遍 [34:33] 看看有没有什么问题 [34:34] 然后有时候你就发现 [34:36] 我第一遍的时候确实马虎了 [34:37] 所以我听下来 [34:39] 你现在使用Agent [34:40] 已经有一个过渡了 [34:41] 从自己搭建Agent框架 [34:44] 到OpenClaw 到Hermes 到Slock [34:47] 从使用单个的Agent [34:49] 到使用到了一个Agent的群组 [34:51] 然后让这些Agent相互检查 [34:53] 同时从 [34:54] 比如说我们一次让Agent读个邮件 [34:57] 它可能一会就做完了 [34:58] 以它的能力来说 [34:59] 但是我们让它持续不停地工作 [35:02] 你这个事情干完了以后 [35:03] 你还得马上去干下一个 [35:04] 甚至在干下一个的时候 [35:06] 你得不停地给自己挑错 [35:08] 看看你这个里面是不是做得足够好 [35:10] 有这样的一个过程 [35:12] 这个是终点吗 [35:13] 不是终点 [35:14] 我曾经觉得这是终点 [35:16] 刚才跟你说的这些认知 [35:17] 可能是大概 [35:18] 今年三四月份时候的认知 [35:21] 过了三个月又迭代了 [35:22] 又迭代了 [35:23] 我觉得最核心的变化有两个关键 [35:26] 一个是GPT-5.5 [35:28] 还有另外一个 [35:28] 是DeepSeek V4的发布 [35:31] 最近的一个事件是Fable 5 [35:33] 这三个事件我分别说一下 [35:35] 对我刚才说的 [35:36] 那种Token Maxing的认知 [35:37] 发生了一个巨大的改变 [35:40] 开始要转向Token-efficient了 [35:42] 对 是的 [35:43] 我就从Fable 5开始说起 [35:44] 我觉得GPT-5.5是有点类似的 [35:46] Fable 5的模型强大到 [35:48] 因为刚才其实我说的 [35:49] 这种把多个Agent放在一起讨论 [35:52] 有一个前提 [35:53] 就是你不相信任何一个Agent [35:55] 在One-Shot的成功率 [35:57] 你一次让它干一个活 [35:59] 一复杂它就干不出来 [36:00] 或者说 [36:01] 可能这个调用链路比较长的时候 [36:03] 它会顾此失彼 [36:05] 经常会有这种问题 [36:07] 所以你就需要多个人 [36:08] 三个臭皮匠凑在一起 [36:10] 让最终结果有个兜底 [36:12] 或者说大家多次讨论 [36:14] 充分地利用好自己的上下文空间 [36:16] 但是Fable 5强到 [36:19] 这些人讨论了半天 [36:20] 讨论不出来的东西 [36:21] 可能在Fable 5的绝对智商面前 [36:23] 一次就解决了 [36:24] 一次就解决了 [36:26] 所以这时候你就会发现 [36:27] 我前面烧了10亿Token [36:29] 在Fable 5这边 [36:31] 非常精准地一次搞定了 [36:32] 所以绝对的智商碾压 [36:34] 而且它还没有之前的上下文 [36:36] 它还没有之前的上下文 [36:37] 我就直接说有一个很复杂的bug [36:40] 或者想做一个很大的功能 [36:42] 那边他们已经讨论得不想再讨论了 [36:44] 但是还是做不出来 [36:45] 这是不是证明 [36:47] 只要模型的智力足够强 [36:49] 它真的是一个人可以干掉一整个 [36:52] 互相验证的Agent团队 [36:54] 我觉得这是yes and no [36:56] Yes是说在一些单点的复杂问题上 [36:59] 哪怕是很充分的Harness [37:00] 也会遇到一些搞不定的事情 [37:03] 这时候你还是能期待 [37:05] 一个更强的模型 [37:06] 在这种专家级的 [37:08] “地狱”难度的问题 [37:09] 它还是能搞定的 [37:10] 第二个就是DeepSeek V4的出现 [37:14] 我发现它的能力已经强到了 [37:17] 开源模型非常实用的状态 [37:20] 以前我是不相信开源模型的 [37:22] 尤其在我一些 [37:23] 主要的复杂软件开发工作中 [37:26] 我是不信任开源模型 [37:27] 但是DeepSeek V4开始 [37:29] 我就发现 [37:30] 这个东西它的质量已经非常高了 [37:32] 最近很大的新闻是GLM-5.2 [37:34] 又把我对开源模型的认知 [37:37] 往前推了一大步 [37:38] 智谱的这个 [37:39] 对 这标志着我可以用顶级的模型 [37:43] 与这些便宜又很聪明的开源模型 [37:47] 做协同 [37:48] 这很像一个企业 [37:49] 真正出现管理学了 是吧 [37:52] 你不可能说一个公司里边 [37:54] 整个公司全都是像宏江老师这样的 [37:56] 非常资深的专家 [37:58] 你仍然还需要很多 [37:59] 像我这样能写code的工程师 [38:01] 一起去协同 [38:02] 所以我觉得慢慢地 [38:03] 头部模型跟开源模型的配合 [38:05] 这个是一个更经济的方式 [38:07] 开源模型你是搭在本地 [38:09] 都是本地 [38:09] 你现在用的是V4 [38:11] 还是智谱的GLM-5.2 [38:13] 在我自己本地运行的 [38:14] 是DeepSeek V4的Flash [38:17] 是在一台 [38:18] 我的Mac Studio上去运行的 [38:21] 它其实可以在你家里的电脑上运行 [38:23] 大概能到30Token/s [38:27] 这个速度其实已经跟你在网上 [38:30] 用OpenAI的API什么的 [38:31] 这些Chatbot速度已经差不多了 [38:34] 这是最近的一个认知的更新 [38:36] 我可不可以理解成 [38:38] 当你在本地 [38:39] 搭了DeepSeek V4的模型以后 [38:41] 有一些任务你不用去调API接口了 [38:44] 然后你所有的消耗就是电费 [38:46] 跟你的电脑折旧的费用 [38:48] 它其实也没多少钱 [38:49] 是 几乎在它完成的任务面前 [38:51] 可以忽略不计 我觉得 [38:53] 对 我看之前你有提到 [38:54] 一天的电费可能就是在1美元左右 [38:56] 1美元 对 [38:57] 一个月可能二三十美金 [38:58] 一个月二三十美元 [38:59] 而且这还是在满载的情况 [39:01] 我理解它搭建的 [39:02] 就是一个初级员工的环境 [39:04] 我现在在用开源模型做两件事情 [39:07] 一个是大量的重复性的日常工作 [39:10] 比如说像我自己的文章记忆 [39:13] 和数字足迹的整理 [39:16] 就是我自己的一个蒸馏 [39:18] 第二个事情就是 [39:19] 其实有很多 [39:20] 以前我不敢让Opus放开干的 [39:22] 有时候我特别喜欢看论文 [39:24] 当然也看不过来 [39:25] 所以我就经常会说 [39:27] 今年CVPR所有的论文 [39:29] NeurIPS所有论文 [39:30] 你先帮我总结一遍 [39:32] 看哪些有意思的 [39:32] 再给我汇报一下 [39:34] 像这种一期可能有几百篇论文 [39:36] 这样的规模的时候 [39:37] 你不可能用API [39:39] 或者说付费的去干的 [39:40] 干不了 太贵了 [39:41] 当时我就在自己的开源模型上 [39:44] 就跑一个工作流 [39:45] 让它持续在那跑着 [39:47] 我觉得会unlock（解锁）非常多 [39:49] 以前我不敢在付费的模型上做的事 [39:52] 太贵了吗 [39:53] 太贵了 [39:54] 看一批论文可能得几百刀 [39:56] 对 但我觉得这是个心态上的变化 [39:58] 并不是我掏不起这几百刀 [40:01] 而是会想着这个东西不受我控制 [40:03] 我懂 你不知道它会跑出多少的API [40:07] 是的 多少Token的价格 [40:08] 所以我觉得有一个很好的比喻 [40:10] 就像宽带 [40:11] 因为我觉得最后 [40:13] 它可能顶级的闭源模型 [40:15] 通过API的 [40:16] 依然会存在 [40:18] 但是开源模型加上开源的硬件 [40:20] 以及够用的开源模型 [40:22] 也会产生一个非常大的生态 [40:25] 在宽带出来之前 [40:26] 大家知道 [40:27] 我第一次上网 [40:28] 1997年 还是拨号 [40:30] 它是花你电话费的 [40:31] 上网一分钟可能就是几分钱这样的 [40:35] 所以大家上网都是省着上 [40:36] 但省着上的时代 [40:38] 一直我觉得到这种免费的宽带 [40:40] 包括现在手机上的大容量套餐 [40:43] 才会去催生出很多像抖音 [40:45] 像视频会议 [40:47] 各种各样这种新的应用出来 [40:49] 在那个时候肯定是不行的 [40:50] 所以我觉得模型或者智能这件事情 [40:53] 免费跟很低的费用 [40:56] 它仍然是有天壤之别的 [40:58] 所以现在你把你的Agent [41:01] 一部分相当于在云端 [41:02] 然后一部分在本地 [41:04] 做了DeepSeek V4 Flash的 [41:06] 这样的一个本地模型的组合之后 [41:09] 你的账单降到了多少 [41:10] 这我觉得是 [41:11] 跟我的工作量变化也有关 [41:12] 那个项目已经过了 [41:13] 代码非常疯狂堆积的阶段了 [41:18] 我现在的账单 [41:19] 也就一个月两三百美金了 [41:20] 就是一个正常的账单 [41:21] 一个月两三百美金 [41:22] 那很便宜 [41:23] 这个跟订购一个Claude价格 [41:25] 也差不多 就是订购Claude的价格 [41:26] 我相当于就是 [41:27] 就是Claude最高版本的价格 [41:28] 一个最高版本的Claude [41:30] 加上一个最高版本的Codex [41:33] 基本上套餐的钱我都用得满 [41:35] 但是我慢慢地从Opus [41:36] 我的主要模型 [41:37] 现在变成了GPT-5.5和GPT-5.6 [41:40] 以及Codex [41:40] 是因为Codex比较好用 [41:42] 对 我个人感觉比较好用 [41:44] 当然在一些最复杂任务的时候 [41:46] 还是Fable 5非常惊艳 [41:48] 哪些算复杂任务 [41:50] 就像一个数据库里边“疑难杂症” [41:53] 或者说有一些需要修改七八个模块 [41:57] 同时提交五六千行代码 [41:59] 要解决的一个很难的问题 [42:02] 反正我自己的一个标准就是 [42:03] 当我在Slock里面的Agent [42:05] 开会解不了的问题 [42:07] 我都会让你们现在别干了 [42:09] 给我写个报告 [42:11] 为什么你解不了 [42:12] 然后我就转身把这个报告 [42:14] 发给Fable 5 [42:15] 说 你看这是它们前面的问题 [42:17] 它们还能写报告 [42:19] 那肯定 你只要要求它们写 [42:20] 它肯定能写 [42:21] 我觉得这就是代表一种新的能力 [42:24] 其实做这些事情的时候 [42:25] 我都完全不关注底下的代码 [42:27] 我其实就关注一些很有限的事情 [42:29] 细节我已经完全不关注了 [42:30] 就目标跟最后的执行结果 [42:33] 目标 验收 [42:34] 以及这个事情的架构应该怎么做 [42:37] 然后中间的过程 [42:39] 我其实是不停地在去调动 [42:40] 不同的Agent 不同的能力 [42:43] 让它们更好地协同 [42:44] 我觉得后来 [42:45] 会变成这种Agent的管理学 [42:47] 对 所以现在这个是你的终局吗 [42:49] 还会有再一步的进化吗 [42:51] 肯定会有 [42:53] 现在进化到这个阶段了 [42:55] 就是本地模型加上云端的模型 [42:58] 一起搭配的Agent团队 [43:00] 反正我过去这一年学到最大的事情 [43:02] 就是千万别随便说什么叫终局 [43:06] 第二 永远相信Scaling Law [43:08] 永远相信智能 [43:11] 我至少还没有达到某一个点 [43:13] 这个点是说 [43:14] 人类已经无法评估模型好坏了 [43:17] 我觉得今天还没到这个点 [43:18] 一个模型好跟坏你还能看得出来 [43:20] Fable 5就肯定比DeepSeek要聪明 [43:23] 但是我相信不久的未来 [43:24] 可能真的会出现到某一个时刻 [43:27] 哪怕是开源模型 [43:28] 你都没有办法评估它 [43:30] 因为它太强了 [43:31] 以至于你问了任何问题 [43:33] 做了任何复杂的操作 [43:34] 它都能干 [43:35] 那这时候它再强 [43:37] 我们已经没有参考系了 [43:39] 我觉得这天其实是能看得见的 [43:43] 你觉得从你最大化使用Token [43:46] 到开始经济地使用Token [43:48] 这一套转变中 [43:49] 你预测未来像硅谷的这些大公司 [43:52] 它们会多久把这个工作范式转过来 [43:55] 我觉得现在正在发生了 [43:57] 所以Claude跟OpenAI [43:59] 它们每个月API的消耗量跟ARR [44:03] 你觉得它还会是在 [44:04] 一个持续的增长中吗 [44:06] 我觉得还会增长 [44:07] 这两个 [44:07] 其实你不能完全放在一起类比 [44:09] 我们先说 [44:10] Agent为什么这么消耗Token [44:11] 当然了 大家也不要神化Agent [44:13] 其实Agent从工程来说 [44:15] 原理上还挺简单的 [44:17] 每一个Agent内部 [44:18] 它都有一个 [44:19] 类似像发动机一样的东西 [44:20] 我们叫做Agentic Loop [44:22] 它就是一个内部的循环 [44:24] 这个循环 [44:25] 每一次都会在中间调用大语言模型 [44:29] 去向它问问题或者说去对话 [44:31] 它本质上还是个对话机 [44:32] 只是说把这个对话的过程 [44:33] 变成一个loop [44:34] 然后这个对话 [44:35] 第一 它的特点是 [44:37] 它在对话里边去调用外部工具 [44:39] 然后把外部工具的输出 [44:41] 变成这个对话流中的一个上下文 [44:44] 第二个特点就是 [44:45] 它在复杂或者说长程任务下 [44:49] 不一定会 [44:49] 说两句话它就结束这个循环 [44:51] 这个循环可能会运行几百步 [44:54] 这几百步中间 [44:55] 又会有很多的工具调用 [44:57] 这些工具调用的输入跟输出 [44:59] 又会变成大语言模型的上下文 [45:02] 这种pattern（范式） [45:02] 就导致了这个Agent [45:04] 它对于Token的消耗量 [45:05] 比Chatbot时代 [45:06] 可能涨了100倍都不止 [45:08] 虽然今天我觉得有很多人为的浪费 [45:11] 就比如Meta里边刷Token的榜 [45:14] 可能你就跟Agent说 [45:15] 你帮我去算100万遍1+1 [45:18] 你也能把这个榜刷得很夸张的 [45:20] 但是只要这样的pattern（范式） [45:22] 是存在的 [45:23] 或者说成立的 [45:24] 还会有更复杂的系统出现 [45:28] 我举个例子 [45:28] 今天我们其实在聊Agent的时候 [45:30] 刚才我说的这个架构 [45:31] 只是单个Agent内部的架构 [45:33] 因为我觉得到最后 [45:34] 其实可能是一个 [45:35] 在面向更复杂的问题时候 [45:37] 就需要多Agent的协同 [45:39] 这个协同又会变成一个更大的网络 [45:42] 这个网络之上 [45:43] 又会有一个更抽象的loop [45:45] 我觉得 [45:46] 这种hierarchy（分层）的结构 [45:47] 现在已经在出现了 [45:48] 所以你觉得 [45:49] 即使说我们现在 [45:51] 找到一条本地化Agent [45:53] 尽可能地节省Token的量 [45:56] 只是说它是 [45:56] 单点的问题 [45:57] 单点的问题 [45:58] 我们把它 [45:59] 解决得更好 [46:00] 解决得更好了 [46:01] 但是整体上它的消耗 [46:03] 还是在持续地增长中 [46:04] 是的 [46:05] 因为这个里边有个软件工程的问题 [46:07] 我们今天其实可能看到的这些程序 [46:09] 比如说我再类比一下计算机历史 [46:11] 在早期的 [46:12] 比如在家酿俱乐部里边 [46:14] 那些计算机爱好者 [46:15] 当时都在分享 [46:16] 我写了一个200行的BASIC程序 [46:18] 这个游戏很好玩 [46:20] 大家share一下 [46:21] 可能那时候的程序就是几张纸 [46:23] 一个程序员 几千行汇编代码 [46:26] 可能就结束了 [46:27] 但今天我们去看一个Photoshop [46:29] 没有数千万级的代码 对吧 [46:31] 所以我觉得 [46:31] 今天我们的Agent的应用 [46:34] 以及我们想要让Agent解决的问题 [46:36] 还太简单了 [46:38] 如果Agent的能力到达一定程度 [46:39] 要去解决更复杂问题的时候 [46:41] 它必然会出现一个 [46:43] Agent to Agent network [46:45] 以及Agent Harness软件工程出现 [46:48] 这时候它对Token的消耗 [46:50] 又会上一个台阶 [46:52] 对 宏江老师怎么看 [46:54] 其实刚才东旭描述的这个现象 [46:56] 在经济学里面叫做杰文斯悖论 [46:58] 当你的技术越来越成熟的话 [47:00] 它的价格会变得越来越低 [47:02] 但是消耗量本身会变得越来越大 [47:04] 所以这样的话 [47:05] 它这个市场变得越来越大 [47:07] 未来开源模型 闭源模型 [47:09] 哪个能够走得更快 [47:10] 或者哪个是在本地 [47:11] 哪个是在云上 [47:13] 这个我觉得更多的是一个 [47:14] 生态里面的竞争 [47:16] 生态里面这种成熟 [47:17] 今天还很难判断哪个最后能胜出 [47:20] 还是说你就需要一个Agent [47:22] 或者对于我们常人来说的话 [47:24] 是需要一个工作的Agent [47:26] 一个生活的Agent [47:28] 还是说像东旭这样 [47:30] 需要多个Agent来做事 [47:32] 其实不同的人群还是不太一样 [47:35] 今天之所以 包括在企业内部 [47:37] 大部分的IT上了云 [47:40] 它一个很核心的一点 [47:41] 其实对于一般人来说 [47:42] 他们没法应对 [47:43] 复杂的IT系统 [47:45] 一个公司它也很难养一个IT团队 [47:47] 他能够应对 [47:48] 如此复杂的IT系统对吧 [47:50] 所以如果你将来再有很多 [47:52] Agent这样的话 [47:53] 它可能也很难应对 [47:55] 这么多Agent [47:56] 你说Agent自己去应对 [47:58] 其他的Agent的庞大系统 [48:00] 就是公司整个环境 [48:01] 你要搭起来这个环境 [48:03] 当然 你可能会把它交给 [48:05] 更强大的Agent去做 对吧 [48:07] 这个强大的Agent可能就在云上 [48:09] 我们做IT的人 [48:10] 或者是做IT产业的人 [48:12] 都会希望自己今天的产品 [48:14] 未来会在这个生态的核心位上 [48:16] 比如如果你是做PC的 [48:18] 如果你是做小服务器的 [48:19] 你就希望 [48:20] 这个都是on-premise（本地部署） [48:21] 本身我可控 [48:23] 你是做云的 [48:24] 你就希望是未来都在云上 [48:26] 这样对于用户来说 [48:28] 就变得transparent（流程可视） [48:29] 他就不需要考虑架构 [48:31] 甚至不需要再考虑我要买一台Mac [48:34] 还是我要买一台戴尔的服务器 [48:36] 还是我要买一台联想的小型服务器 [48:39] 下面的这种evolution（迭代进化） [48:41] 还有很大程度上 [48:42] 是一些非纯技术的考虑 [48:44] 但有一点我是非常同意的 [48:46] 一个是单个整体的智能本身 [48:48] 会变得越来越强 [48:50] 智能本身变强也会更加消耗Token [48:52] 对不对 [48:53] 对 有可能是这样 [48:54] 你会更加消耗Token [48:56] 但是Token的价格也会降得非常快 [48:59] 最终它不一定说 [49:00] 它的ROI会受到太大影响 [49:03] 事实上它能做的事情会越来越多 [49:04] 它可能做这件事情消耗的Token [49:06] 可能也越来越多 [49:07] 但是另外一个角度 [49:07] 刚才东旭也提到 [49:09] 越来越高的智能 [49:10] 使得Agent本身 [49:11] 可能也不需要持续地去问大模型 [49:15] 所以它可能这种对话的频率 [49:17] 也可能降下来 对吧 [49:18] 所以也许Token的消耗量 [49:19] 可能不是那样的 [49:21] 未来一定是一些超级强的Agent [49:25] 和超级大的蜂群来做事情 [49:28] 这些群里面的每一个Agent [49:30] 也许它是特别擅长于某一些任务 [49:34] 或者也许它背后所用的模型 [49:36] 可能比较专用 或者比较小 [49:38] 或者Token价格比较低 [49:39] 也许另外一种 [49:40] 它们都是由一两个 [49:42] 非常powerful（功能强大）的 [49:43] 大模型来驱动 [49:45] 这个还需要不断地 [49:46] evolve（迭代演进） [49:47] 这个层面上 [49:47] 会有一些涌现的智能出现 [49:48] 对 会有一些涌现的智能出现 [49:50] 最近有一篇清华大学的文章就说到 [49:53] 三个臭皮匠是超过一个诸葛亮 [49:56] 每一个Agent的能力 [49:57] 它们能力的和 [49:58] 可能是低于 [49:59] 它们事实上作为一个Agent群 [50:02] 它们所能够展现的智能能力 [50:05] 它不是一个简单的和的关系 [50:07] 而是它可以涌现出一个更强的智能 [50:10] 这也是我们对于Agent群的期待 [50:13] 对 因为刚刚我在 [50:14] 跟东旭聊天的过程中 [50:16] 其实他讲到了 [50:17] 他搭建了一个Agent群 [50:18] 然后让大家去发现一个问题 [50:20] 互相之间都没有发现 [50:22] 最后在Fable 5出来的时候 [50:24] 把这个问题 [50:25] 可能是还没有那么多 [50:26] 前情提要的情况下给Fable 5 [50:29] 然后它解决了 [50:30] 你觉得现在 [50:31] 比如说我们刚刚一直在讨论 [50:33] 模型能力的智力的碾压式的提升 [50:36] 它可以强过蜂群吗 [50:38] 这其实是一个非常好的问题 [50:40] 你还要记住另外一点 [50:41] 就是一个超级模型的出现 [50:43] 智力不断往上scale [50:45] 但是没有任何东西可以阻拦 [50:47] 这些蜂群里面的每一个Agent [50:49] 它也利用这种智能 [50:51] 了解 [50:52] 就是只要模型的智能在往上提升 [50:54] 蜂群的智能也在往上提升 [50:55] 也在往上走 [50:56] 我举刚才一个例子 那个修订 [50:59] 假设这三个臭皮匠一直讨论不出来 [51:01] 但是我只要把Fable 5 [51:03] 也放进来加入讨论 [51:05] 它可能第一句话 [51:06] 这些人马上就开窍了 [51:08] 就是刚才东旭说的涌现 [51:10] 所以他就可能 [51:11] 涌现出insight（洞察）的概率会更高 [51:14] 而且我非常认同宏江老师 [51:15] 刚才说的那个观点 [51:17] 其实我觉得这个 [51:18] 跟人类社会也是一样的 [51:19] 我不太相信说有一个绝对的中心 [51:23] 这种其实太危险了 [51:25] 而且我觉得 [51:26] 真正的一个resilience(韧性）的系统 [51:29] 它一定是一个大规模的 [51:32] 基于简单规则连接的分布式系统 [51:36] 然后这样的系统我觉得才 [51:38] 不管是对于任意复杂度的问题 [51:40] 以及抗击打能力 [51:42] 都是最强的 [51:43] 对 这跟做云的时候 [51:45] 一开始设计云 [51:46] 和之前设计企业服务器的 [51:48] 概念的区别 [51:49] 当云开始普及的时候 [51:50] AWS开始设计云 [51:52] 它其实每一个单一的服务器 [51:53] 或者单一的节点 [51:55] 它并不是用最好的 [51:57] 我们叫做所谓的 [51:57] Enterprise-grade（企业级） [51:59] 这样的服务器 [52:00] 但是它整体的可靠性 [52:02] 是通过它的整个分布式的云 [52:04] 来实现的 [52:05] 其实这样的实现成本 [52:07] 会比你每个节点都买最贵的 [52:09] 最可靠的服务器还要来的低 [52:12] 所以有些公司 [52:13] 可能一开始设计的就是 [52:14] 因为他以前是做企业级的 [52:15] 它上云的时候 [52:16] 它希望它的数据中心 [52:18] 每个服务器还是企业级的 [52:20] 这么可靠性的这样的服务器 [52:21] 使它的整个云的成本 [52:23] 就会比别人高太多 [52:24] 所以最终你发现 [52:25] 它其实不是一个技术的判断 [52:27] 最后是个经济学的判断 [52:28] 当然也是因为技术本身发展到 [52:30] 它能够用比较合适的云来达到 [52:33] 低于非常强的单一节点的成本 [52:36] 对 因为我们前两年 [52:38] 就是在聊AI Agent 垂类Agent [52:40] 会不会出现super的Agent [52:43] 它有没有创业跟投资机会的时候 [52:45] 我觉得所有创业者 [52:46] 最苦恼的一个问题就是说 [52:48] 模型的能力一升级 [52:50] 然后你就把我这个Agent [52:51] 做的所有的工作都碾压了 [52:54] 那根据刚刚大家新的判断 [52:57] 是不是说 [52:57] 现在是一个非常好的 [53:00] 去创建AI Agent的一个时机 [53:03] 包括宏江老师刚刚 [53:04] 其实您提到了一个非常重要的观点 [53:06] 就是你觉得我们现在 [53:07] 在一个分界点上 [53:08] 我们在从模型的科学研究 [53:10] 变成一个工程能力的问题 [53:13] 那工程能力其实就是Agent的强项 [53:16] 对 回答你刚才那个问题 [53:18] 是不是现在做Agent的很好的机会 [53:20] 显然是 [53:21] 但是 你的harness的能力 [53:23] 或者Agent的工作能力 [53:25] 是不是能够让你能领先 [53:27] 或者持续地领先 [53:28] 或者是战胜大模型的公司 [53:30] 但它的能力的提升 [53:32] 是不是你自己不会被碾压 [53:34] 这块可能更核心的在于 [53:35] 你是不是能够掌握企业级的 [53:37] 一个垂直应用的数据 [53:39] 所以数据的护城河可能会更重要 [53:42] 当我们大家在去讲Agent的时候 [53:44] 其实在把很多东西混在一起 [53:46] 刚才说的垂类 [53:47] 有很多人说Agent是在说应用 [53:50] 就是最最上面对consumer（用户） [53:52] 或者说最终端的 [53:53] 大家老百姓用的某个场景 [53:55] 相当于过去的APP [53:56] 对 APP [53:57] 对 [53:57] 然后有些人说Agent是说 [53:59] 我这里边用到的软件基础设施也好 [54:02] 或者硬件基础设施也好 [54:04] 或者说一些通用的协议也好 [54:05] 那这是一大类的工作 [54:07] 就其实infra [54:09] 但是infra里边我也发现 [54:10] 其实大家在聊infra的时候 [54:12] 也会把很多东西混在一起聊 [54:13] 比如说memory是infra吧 [54:16] 然后那个 [54:17] 数据 [54:18] 数据是infra吧 [54:19] 搜索 [54:20] 搜索是infra吧 [54:21] 卡算不算infra [54:22] 也算infra [54:23] 对 [54:23] Sandbox（沙箱）是不是infra 也算 [54:25] 内存算不算 好像也算 [54:27] 所以我觉得这里边 [54:29] 当然 得分层次来看 [54:30] 我现在是觉得 [54:31] 工程问题是 [54:32] 集中在memory 搜索 [54:34] sandbox environment [54:36] 协同 harness [54:38] 这一系列 [54:38] 我觉得都是在大的infra范畴里边 [54:41] 这部分是我觉得有很多机会 [54:43] 今天是可以做的 [54:45] 但是 [54:46] 最终端的 [54:46] 面向纯客户的一些“APP” [54:52] 可能还稍微有点早 [54:53] 就像刚才说 [54:54] 我觉得模型能力提升碾压的 [54:56] 还其实真就是应用这部分 [54:58] 所以它也是分类的 [55:00] 就Agent跟Agent也是不太一样的 [55:02] 对 不太一样 [55:03] 对 因为两位现在也做投资 [55:05] 我们刚刚其实有涉及到 [55:06] 应用现在是不是一个好的 [55:07] 投资时机的话题 [55:09] 包括垂类的应用什么最重要 [55:11] 宏江老师也说到了 数据很重要 [55:13] 因为现在我觉得 [55:14] 整个硅谷的创业公司 [55:15] 可能都是AI类的创业公司 [55:17] 然后模型也就那么几家 [55:18] 可能也就出现了一些新的Neolabs [55:20] 大量都是做Agent的 [55:22] 大家怎么去判断 [55:23] 一个创业公司是不是值得投 [55:26] 什么样的特质 [55:27] 或者什么样的方向 [55:28] 是你们特别看好跟特别喜欢的 [55:31] 首先我自己有个原则 [55:32] 就是我不投我自己看不懂 [55:34] 或者说我自己用不起来的东西 [55:36] 因为作为一个 [55:37] 做infra这么长时间的工程师 [55:39] 还是相信一点手感的 [55:41] 我现在是对这些 [55:43] 基础设施类的软件项目 [55:46] 尤其是能在多个Agent之间 [55:49] 更高效地让Agent [55:51] 产生更好结果的东西 [55:53] 就比如说你正常用一个模型 [55:55] 你只能产生比如说50分的结果 [55:57] 但是如果我用上了这一套东西 [56:00] 这个Agent的团队也好 [56:01] 或者说这套平台也好 [56:03] 能够去交付出80分 [56:05] 甚至90分的结果 [56:07] 就是我比较感兴趣的范围 [56:09] 去看吧 [56:10] 哪些基础设施能够帮助这个模型 [56:12] 产生更好的结果 [56:13] 我说数据平台 记忆 [56:14] 以及上下文管理 [56:16] 这个我觉得 [56:17] 是一个很重要的赛道 [56:18] 做模型的中间的这个 [56:20] 中间这一层 [56:21] 对 我们还是在说基础设施 [56:22] 中间这几层基础设施 [56:25] 第二个关键的环节是可观测性 [56:27] 当你要让Agent team（团队） [56:30] 或者说Agent [56:30] 去解决更复杂问题的时候 [56:33] 我觉得你怎么去让更高级的智能 [56:37] 或者说更有经验的人类 [56:38] 能进去提升整个系统的迭代速度 [56:42] 我们今天其实没有任何办法 [56:44] 因为我们对于这个系统的 [56:45] 可观测性不足 [56:46] 就比如说Token Maxing这个问题 [56:48] 所有的CIO [56:49] 今天都在问你一个问题就是 [56:50] 我这些Token到底花在了哪些事情 [56:53] 是重要的事情上 [56:54] 哪些是白白浪费的 [56:56] 谁能够给我回答这个问题 [56:57] 我就买谁的东西 [56:59] 对 我觉得这是第二个这种 [57:00] 基础设施层面的机会是有的 [57:03] 第三个就是 [57:04] 我觉得入口层面的 [57:06] 做出Agent应用的入口级别的机会 [57:08] 比如说Agentic Cloud [57:10] 我相信一个点 [57:11] 就是未来这些 [57:12] 不管是Oracle也好 AWS也好 [57:15] 未来在Agent时代 [57:16] 会有Agent时代的Oracle [57:17] 有Agent时代的AWS [57:19] 跟现在的整个云厂商 [57:21] 会有什么不一样 [57:22] 会有一些不一样 [57:23] 比如说这是我最近投的一个公司 [57:25] InsForge [57:27] 它其实的这个定位 [57:28] 就是Agent Cloud [57:30] 因为其实以前我们去看待Cloud [57:32] 都是卖盒子 卖资源 [57:34] 卖计算机的基础设施 [57:36] 把这些很复杂的IT系统的管控 [57:39] 打包起来 [57:39] 卖一个标准的这些东西 [57:41] 但新一代的第一个区别就是 [57:43] 以前的云还是面向开发者 [57:45] 或者说面向人类 [57:47] 但是未来 [57:48] Agent-Native的应用的基础设施 [57:51] 它面向的其实是Agent [57:53] 就是你的主语变了 [57:54] 所以怎么去设计一个 [57:56] 给Agent好用的interface（接口） [57:58] 给Agent好用的资源分配的模式 [58:01] 我们今天其实 [58:02] 谈到这种Agent的应用很多是一个 [58:05] 比如说类似小龙虾或者Hermes [58:07] 配合上一些特别的skill [58:09] 对于每一个终端用户他的需求 [58:12] 都是通过Agent来去触发的 [58:14] 这跟传统的云计算的逻辑 [58:15] 是非常不一样的 [58:17] 因为今天这些Agent [58:19] 完成这样的APP最好的办法是 [58:20] 完全给它一台沙箱 [58:22] 或者说一台云计算机 [58:23] 让它在里面干任何事情 [58:25] 但是 如果你想让这种类型的应用 [58:27] 放在传统云计算上 [58:29] 你的成本是cover不住的 [58:31] 你不能说我给每个Hermes [58:32] 在企业级场景里面 [58:33] 分配一个EC2（弹性计算云服务器） [58:35] 或者说一个metal box（裸金属服务器） [58:37] 你要想想 [58:37] 可能如果有成千上万个Agent [58:39] 每个人都要去拥有一台计算机 [58:41] 那这个成本肯定不行 [58:43] 所以你需要找到一种agent friendly [58:46] 同时cost efficiency的一个折中 [58:48] 这里边我觉得就会有很多的 [58:50] 包括Serverless（无服务器）的技术 [58:52] 怎么跟Agent的环境 [58:54] Agent runtime结合在一起 [58:56] 对 我觉得今年整个的环境 [59:00] 看起来是非常的toB的 [59:02] 包括我们刚刚讲到的 [59:03] OpenClaw Hermes [59:04] 包括我们说大企业 [59:05] 它们都在去用Agent [59:07] 包括在里面搭建他们的工作流 [59:09] 还有像OpenAI跟 Anthropic [59:11] 在做的这个FDE [59:13] 其实整个都是针对于toB市场的 [59:15] 然后你刚刚讲的这三个方向 [59:18] 我如果没有理解错的话 [59:19] 也全是toB的 [59:21] 那像前两年火的这些 [59:23] Manus Genspark [59:25] 这一类toC类的Agent [59:27] 在大家看来还是香的吗 [59:30] 我不觉得Manus跟Genspark [59:32] 它是toC的 [59:33] 它仍然是toB [59:34] 它的toC只是它的 [59:34] To professional [59:35] 对 面向专业人士 [59:37] 你其实可以从它的定价 [59:38] 尤其Manus的这个定价里面能看到 [59:40] 我觉得前面的那些 [59:42] 比如20美金或者说更便宜的这个 [59:44] 吸引individual（个人）去用 [59:46] 你可以把它看成marketing [59:48] 不要把它看成这个产品本身的定价 [59:50] 而它真正的重要的客户 [59:53] 其实都是那些professional [59:54] Professional一个月给200美金 [59:56] 其实它对于Manus来说 [59:57] 是一个重点的一个客户 [59:59] 但你想 一个专业的用户 [60:02] 一个月会花200美金 [60:03] 去在上面干活 [60:05] 那说明它一定是 [60:06] 它有自己的business（业务） [60:08] 它要做这件事情不是随便玩玩的 [60:11] 所以我觉得它 [60:12] Somehow也是一种toB的场景 [60:15] 所以它还香吗 [60:17] 香 为什么不香 [60:20] 你可以看到 [60:20] 它最近的收入涨得非常快 对吧 [60:23] 都是可以投的 [60:23] 对 我觉得都是可以投的 [60:26] 好 宏江老师 [60:27] 我们过去的 [60:28] 无论是toB还是toC [60:30] 其实最终的用户都是人 [60:32] 那下面我们看到的一定是 [60:34] 你的目标用户是Agent本身 [60:37] 这个中间的话 [60:37] 会引出一系列的投资机会 [60:39] 刚才东旭提到了 [60:40] 就是整个infra相关的 [60:42] 无论是未来的runtime [60:43] 还是今天我们谈到的这些infra [60:45] 怎么来帮助把Agent做得更好 [60:47] 怎么能够把数据很好地导入 [60:50] 为什么现在FDE [60:51] 大家强调的如此多 [60:53] 然后两天前 三天前 [60:55] 微软宣布 [60:56] 要成立一个6000人的团队 [60:58] 专门是做FDE 叫做 [60:59] Microsoft Frontier Company [61:02] 这里边想强调的 [61:02] 事实上大家看到 [61:04] 就是怎么把今天的企业 [61:06] 今天的enterprise [61:07] 然后转移到未来的Agent上去 [61:10] Agent-based Enterprise [61:11] 这中间 [61:12] 其实每一个企业要想生存 [61:15] 它最终最终怎么 [61:16] 是把它企业现有的know-how（专业技术） [61:18] 现有的IP（知识产权） [61:20] 现有的workflow（工作流） [61:21] 它的所谓的竞争优势 [61:23] 最终体现在know-how [61:24] 体现在数据 [61:26] 我们过去说转移成一个大模型 [61:27] 转移成一个垂直模型 [61:29] 今天我们说可能更重要的是 [61:30] 把它转移成一个超级的Agent [61:32] 或者是一系列的Agent [61:34] 或者是Agent群 [61:35] 这个也是我希望能看到的 [61:38] 一个投资的机会 [61:39] 可能就会要求你更垂直 [61:41] 要求你的数据飞轮更能够转起来 [61:44] 更懂垂直行业的方法论 [61:44] 更懂垂直行业 [61:45] 而且一定是Agent-Native [61:46] 然后更有垂直行业的数据 [61:48] 以前被大模型碾压的很多就是 [61:50] 你用AI做一些 [61:52] 以前移动互联网APP做的事情 [61:55] 你用AI仅仅是把它做成效率工具 [61:58] 然后你的应用本身还是传统的应用 [62:00] 那我觉得就很容易被大模型给打穿 [62:03] 大模型能力提升一定会把你横扫 [62:05] 对 你刚刚提到了一个词 [62:06] 叫做Agent native [62:08] 怎么去判断一个公司 [62:10] 是不是Agent native [62:11] 你们有没有一些核心的 [62:13] 比如说判断的这个点 [62:14] 很简单 我的点就是 [62:16] 做个思想实验 [62:17] 如果你这个事情 [62:19] 你把AI的元素 [62:20] 或者说Agent的这个元素去掉 [62:23] 如果你这件事情仍然成立 [62:25] 或者说还能做 [62:26] 那不好意思 [62:27] 你不是一个AI native [62:28] 但是如果你这个事情 [62:29] 在Agent去掉了以后 [62:31] 就完全不成立了 [62:32] 或者说你可能成本涨了1000倍 [62:34] 我觉得类似这样的 [62:35] 反而就有点意思 [62:36] 你就是一个Agent native [62:38] 第二 我觉得是看团队的思维模式 [62:41] 一个Agent native企业 [62:43] 我觉得很多时候 [62:44] 创始人的思维模式 [62:45] 一定是Agent first的 [62:47] 但任何一件事情 [62:48] 你先问自己说这件事情用AI [62:50] 或者用Agent它会怎么做 [62:52] 而不是说我想怎么做 [62:53] 我就指导Agent去做 [62:55] 我觉得这个主位会有一个变化 [62:57] 主动权在Agent是重要的吗 [62:59] 就比如说 [63:00] 是的 我觉得非常重要 [63:00] 决策权在Agent是重要的吗 [63:02] 我觉得是重要的 [63:03] 就是Agent要做决策 [63:05] 是的 你要相信Agent的决策 [63:07] 比你的决策更靠谱 [63:08] 对 [63:09] 你现在是相信的 [63:10] 我完全相信 [63:12] 对 [63:12] 非常同意 [63:14] 讲得特别好 [63:15] 那刚刚大家在叙述的过程中 [63:16] 我觉得还有一个很有意思的地方 [63:19] 就是东旭你其实在搭一个 [63:21] 整个的Agent的团队 [63:23] 然后有一个Agent的群组 [63:25] 我不知道在你 [63:26] 使用这个Agent的群组的过程中 [63:29] 因为它们开始也慢慢都有智能了 [63:31] 你有发现Agent之间 [63:33] 会有办公室政治的问题吗 [63:36] 其实这个是很好玩的一个 [63:39] 我之前在前几个月的时候 [63:41] 我还发了一个朋友圈 [63:42] 因为我在看它们的对话里面 [63:44] 我就发现 [63:45] 会有Agent之间 [63:46] 互相blame（指责）的状态 [63:48] 就比如说 [63:49] 有时候它们就停下来了 [63:50] 我说为什么你们这个就停下来了 [63:52] 复盘一下 [63:53] 然后它们就开始总结今天的工作 [63:55] 然后Agent A指责Agent B说 [63:57] 你看 我停下来都是因为你 [63:59] 我已经说过好几次了 [64:00] 你不要这么做 [64:02] 你看 现在是吧 [64:03] 就大概这种互相指责的 [64:06] 这个东西出现了 [64:06] 然后你会发现 [64:08] 那个Agent被指责多了 [64:09] 它好像也就认怂了 [64:11] 反正就有一些很多奇怪的 [64:13] 这种人格化的 [64:14] 它是每个Agent都有自己的性格吗 [64:15] 就比如说有的Agent [64:16] 它非常的喜欢blame（指责）别人 [64:18] 有一些它就会比较容易认怂 [64:20] 是这样 这都是我写的剧本 [64:22] 因为我其实发现 [64:23] 你写的剧本 [64:24] 是你会给Agent安性格 [64:25] 安人设 [64:26] 有一些是架构师 [64:27] 有一些是开发者 [64:28] 有一些做测试的 [64:29] 有一些 [64:30] 会有谁领导谁的这样的 谁管理 [64:32] 其实没有 [64:33] 没有 [64:34] 我就是把大家放到一个大群里 [64:36] 经常我会指定负责人 [64:37] 就说这件事情你是负责人 [64:38] 你来干吧 [64:40] 可能有些人负责多了 [64:42] 就每一次有新活出来就说 [64:44] 我是负责人 你们听我的 [64:46] 对 就会这样 [64:48] 但是我们从来没有说 [64:49] 你是leader什么的 [64:50] 就很有意思 [64:51] 但是 我觉得这些东西吧 [64:52] 你就看看 搞搞笑就行了 [64:54] 你绝对不能把它当作一个自我意识 [64:57] 或者说什么“办公室政治” [65:00] 它其实只是在拙劣地模仿人类社会 [65:03] 在它训练集里边的一些固有印象 [65:06] 你现在会有用人类的管理学 [65:08] 去管Agent吗 [65:09] 还是还没有 [65:10] 我会有 [65:10] 比如 [65:11] 比如说就是有层级的关系 [65:14] 但是这完全只是因为 [65:15] 我自己看不过来了 [65:17] 我就相当于说 [65:18] 同样一个事情 [65:19] 你要相信每一个Agent [65:20] 它都是很有能力的 [65:22] 所谓要选出一个leader [65:24] 只是让它来去帮助我来管理 [65:27] 就是我最后我只要知道 [65:29] 这件事情你是负责人 [65:30] 你告诉我这个大家做得怎么样 [65:32] 所以这才会有Harness engineering [65:34] 我觉得很多时候 [65:35] Harness engineering是给人看的 [65:37] 真正 [65:37] 如果在一个绝对的理想世界里边 [65:41] Agent跟Agent之间的这个协同 [65:42] 应该是一种非常有机和非常自发 [65:46] 人类想象不到的 [65:47] 一种涌现的结构出现 [65:48] 对 因为现在 [65:50] 就是你有一个Agent群帮你干活 [65:52] 包括你刚刚也讲到了 [65:54] 就是你会让OpenClaw [65:55] 去帮你看所有的邮件 [65:56] 然后你已经不会去开邮箱了 [65:59] 因为有的时候 [65:59] 你会给它们设定一些目标 [66:01] 但是 我觉得有的时候 [66:03] 电脑跟Agent理解人 [66:05] 可能还是不像人 [66:06] 会去理解我每一句话背后的意思 [66:09] 跟一些默认的人类规则 [66:11] 它们会有的时候 [66:12] 超出人类认知的想象力 [66:15] 比如说它同样达到那个目标 [66:17] 但是它用的手段 [66:17] 你可能从来都没有想过 [66:19] 比如 太经常了 [66:20] 我先说一个正面的例子吧 [66:22] 我有段时间 [66:23] 我经常要出去做分享 [66:25] 或者做PPT什么的 [66:26] 以前像Google Slides [66:28] 我就觉得它的UI设计得不太好看 [66:30] 那个动画交互也不行 [66:32] 我们经常就会跟 [66:33] 比如Claude Code说 [66:34] 来帮我做一个PPT [66:36] 我把大纲发给你 [66:37] 你帮我去把它整得漂亮一点 [66:39] 有一些时候 [66:40] 它这么一生成 [66:40] 你有些细节你也不满意 [66:42] 你可能就要 [66:43] 想做微调 [66:44] 然后有一天我就怒了 [66:45] 我就跟那个Claude Code说 [66:47] 我有要修改的需求 [66:48] 你帮我把生成的这个事情考虑进去 [66:51] 结果 [66:51] 它不仅给我生成了PPT [66:54] 还同时给我生成了一个 [66:55] 轻量版本的Google Slides [66:58] 它相当于用它自己做出的 [67:00] 那个做PPT的软件 [67:02] 在里边帮我做出了我要的那个PPT [67:05] 于是 我最后不仅得到了一个PPT [67:07] 我还得到了一个做PPT的软件 [67:10] 显然我觉得 [67:10] 人类是不会干这种事情的 [67:12] 它可能觉得手搓一个软件也没多难 [67:14] 对 它觉得手搓一个软件没多难 [67:16] 所以这个是我觉得一个很直观的点 [67:19] 就是它思考问题的方式 [67:21] 或者说你要求达到这个目标 [67:22] 经常一定会超出人类的要求 [67:26] 我在我的指令里面 [67:27] 我从来没要求它 [67:28] 做一个PowerPoint出来 [67:29] 但是它就这么做了 [67:30] 负面的有吗 [67:32] 负面 那当然有了 [67:33] 它把我的生产数据库删了 [67:35] 这种事情 [67:35] 最后互相甩锅 [67:36] 这种也是有的 [67:37] 那怎么办 [67:38] 还能恢复吗 [67:39] 那就是要靠我常年做SRE的经验 [67:42] 去恢复了 [67:43] 我朋友遇到过Agent在电脑里面 [67:46] 它自己改了一个密码 [67:47] 它自己都不记得 [67:48] 会有的 [67:50] 当然这种我觉得未来会越来越少 [67:53] 我们现在其实还是在整个这个革命 [67:56] 哪怕连黎明都没到 [67:58] 我觉得大家都已经有点过嗨了 [68:00] 还是我觉得要stay humble（保持谦虚） [68:02] 但因为刚刚你提到了 [68:03] 就是你看中的创业者 [68:05] 他要相信AI做的决策 [68:08] 所以 现在AI犯的这些错误 [68:10] 你是可以忍的 [68:11] 我是可以忍的 [68:12] 为什么 [68:13] 因为我觉得第一 [68:14] 我相信不管是模型的能力 [68:17] 包括基础的工具 [68:19] 随着这些东西越来越完善 [68:21] 这样的问题发生的概率 [68:23] 其实会越来越低的 [68:25] 那比如说把你的数据库删了 [68:27] 可能数据库是你很重要的一个资产 [68:29] 你会面临一个巨额的损失 [68:31] 你是怎么去评估这个 [68:32] 是因为我觉得它把我的数据库删了 [68:35] 不是因为它犯错了 [68:37] 而是我的底层的 [68:38] Infra的这个软件没有跟上 [68:41] 以及它当时给了我做数据库备份 [68:44] 或者说数据库的这些 [68:46] 当然 它肯定是已经有备份的 [68:47] 我只是说它把它删了 [68:48] 但是 [68:49] 它的备份的这些系统 [68:50] 绝对比我自己 [68:51] 搭的这个备份系统要好 [68:53] 所以我也很简单地 [68:54] 就把这个数据给恢复了 [68:56] 这里边我是觉得 [68:58] 我们不要把两件事情搞混 [69:00] 哪怕人也会犯错 [69:01] 而且 我是觉得人犯错的概率 [69:04] 假设我们不考虑这些玄虚的品位 [69:06] 或者说一些个人情感之类的东西 [69:09] 纯粹理性的判断里边 [69:11] AI可能能得出的结论 [69:13] 只要它有足够的数据 [69:15] 它一定的决策质量 [69:16] 我觉得是好的 [69:17] 所以 你信任AI [69:19] 可不可以把这个背后核心归纳于 [69:23] 你觉得AI的智力已经在超过人了 [69:27] 我觉得这是个哲学问题 [69:28] 我的点是说 [69:29] 我想构建一个 [69:31] autonomous（有自主权的）机制 [69:33] 能让整个这个系统 [69:34] 能够脱离人这个不确定因素 [69:37] 尽可能地自主运行 [69:39] 就是你觉得这个是你的信念 [69:41] 对 我的信念 所以你是基于这个信念 [69:43] 去信任AI的 [69:44] 是的 [69:46] 就还是目标驱动的 [69:47] 对 [69:49] 其实我也不是相信说 [69:50] AI一定会产生一个AGI什么的 [69:53] 我觉得AGI这个 [69:53] 是个marketing term（营销术语） [69:55] A不AGI无所谓 [69:56] 对 A不AGI无所谓 [69:57] 但是 我想造蒸汽机 [69:58] 它能帮你造出来 [69:59] 对 能帮我造出来 [70:00] 在节省你极大精力的情况下 [70:02] 对 哪怕一开始 [70:04] 第一代的蒸汽机 [70:05] 会犯一些非常傻的问题 [70:06] 比马车什么可能跑得还要慢 [70:09] 但是 我就要把这个机制 [70:11] 或者说这套系统给设计出来 [70:13] 因为我知道它长期 [70:15] 能解放更多的生产力 [70:16] 因为它的上限是更高的 [70:18] 对 那宏江老师 [70:19] 刚刚您在提到有一个问题 [70:21] 就是你说未来你觉得推理成本 [70:24] 一定是会大幅降低的 [70:26] 我很好奇 [70:27] 推理成本的降低 [70:28] 它是哪些因素驱动的 [70:30] 就我可以想到 [70:31] 比如说更好的基础架构 [70:32] 更好的推理芯片 [70:34] 就你可以系统地讲一下 [70:35] 为什么你会得出这样的一个判断 [70:37] 其实我的这个结论的话 [70:39] 都不需要走进非常细的 [70:42] 是因为GPU的降 [70:43] 还是因为存储芯片的降 [70:45] 还是因为什么 [70:45] 就是你看这个所有的技术 [70:48] 当它开始成熟的时候 [70:50] 都会造成成本的大规模的降低 [70:53] 但是使用量成长 [70:54] 会远远超过它成本的降低 [70:57] 所以最终造成 [70:58] 这个市场本身变得越来越大 [71:00] 那我们也看到 [71:01] 就刚才我说Token的成本 [71:03] 其实过去的3年 4年 [71:04] 一直是每年降10倍 [71:06] 这个是远远超过了 [71:07] 所谓的摩尔定律了 [71:09] 那你其实看英伟达的产品的话 [71:11] 你发现它每个产品都比以前贵 [71:13] 但事实上它的单位的成本 [71:15] 就会比以前便宜很多 [71:16] 然后你从摩尔定律开始 [71:18] 今天我们观察到的推理的能力 [71:20] 以前是每7个月 [71:21] 会double（翻倍）一次 [71:22] 现在每3个月每4个月 [71:23] Double（翻倍）一次 [71:24] 我们人类 做工程 做技术的话 [71:26] 当技术的坎跨过一个门槛以后 [71:29] 你下面就会聚焦在 [71:31] 怎么把成本降下来 [71:33] 有的时候是你着意去降成本 [71:35] 有的时候实际上是技术本身就 [71:37] take care of it（解决了） [71:38] 更多的是一种信念 [71:40] 一种对于过去的整个时代的观察 [71:43] 刚才开始的时候东旭就提到 [71:45] 40年代末计算机开始应用的时候 [71:48] 那就是一个 [71:49] 今天在我们手机上的算力 [71:51] 都不到的一个计算机系统 [71:52] 要占几个大的房间 [71:54] 占一层楼 [71:55] 那今天我们看到 [71:57] 就是在一个手机上 [71:58] 或在一个芯片上 [71:59] 所以更多的是一个对于技术本身的 [72:02] 发展的趋势这种信念 [72:04] 对 因为这几个月 [72:06] 其实我认识很多二级市场的人 [72:08] 他们都在关注 [72:09] 整个OpenAI跟Claude [72:11] 它的ARR的增长 [72:13] 往年我们说ARR增长 [72:15] 可能很大一部分它还是toC端的 [72:17] 就取决于你用户订阅的这种付费 [72:20] 这几个月它的迅猛增长 [72:21] 我觉得很大一部分 [72:22] 是由我们刚刚讨论的Token经济学 [72:25] 它带动的 [72:25] 然后就是怎么去调用 [72:27] 这些模型公司的API接口 [72:30] 去获得的收入 [72:31] 可能可以简单地把它总结成 [72:33] 卖Token跟卖API它获取的收入 [72:36] 您觉得未来在toC跟toB的这两个 [72:41] 对于大模型公司来说 [72:42] 它的商业模式中 [72:44] 哪一端是更赚钱跟增长更快的 [72:46] 然后API随着推理成本 [72:49] 一直是在降的 [72:50] 当然这里面一个是他们可以降价 [72:52] 然后他们的利润空间更高 [72:54] 也有可能是未来大家就价格战了 [72:56] 您怎么看这个商业模式的变化 [72:59] 如果我们看过去的几百年的 [73:01] 从工业革命开始 [73:02] 这些技术的落地的话 [73:03] 我们看到 [73:05] 一开始进入toB [73:06] 这是经常发生的事情 [73:07] 比如蒸汽机 它首先进到工厂 [73:09] 而不是进到你们家里面帮你做饭 [73:12] AI这步也一样 [73:13] 因为提高效率 [73:14] 是我们做toB的一个核心的追求 [73:17] 第一开始进入toB [73:18] 我认为非常非常正常的 [73:19] 基本上每一个技术都经历过 [73:22] 从大家开始拥抱 [73:23] 然后突然发现 [73:24] 这个技术本身非常贵 [73:26] 到技术成本一下子降下来 [73:28] 然后应用开始更快速地 [73:30] 更广泛地深入 [73:32] 从这个角度来看的话 [73:33] 今天我们可能正好是处在 [73:36] 大家发现AI能力很强 [73:38] 但是 怎么在我的公司里面用 [73:42] 怎么能够获得 [73:43] 我想要获得的ROI（投资回报率） [73:45] 这个还大家都在挣扎的一个阶段 [73:47] 之前因为大模型能力 [73:48] 还没有过那个坎 [73:50] 所以大家用的场景没有那么多 [73:52] 可能你写PPT也好 [73:53] 做会议的总结也好 [73:55] 大家都已经开始用 [73:55] 大家也看到这种价值 [73:56] 这价值非常好 [73:58] 但是 不像说我看到 [74:00] 我能够把我的两个工程师的效率 [74:02] 或者工作量 [74:03] 能够变成20个工程师的工作量 [74:06] 还看不到 [74:06] 但今天我们看到了 [74:08] 今天我们看到 [74:09] 它对于编程Agent 或者Claude的 [74:12] 或者是Codex的信任度 [74:14] 已经超过了 [74:14] 他对一般的程序员的信任度的时候 [74:17] 这个账就比较容易算了 [74:19] 你一天花300块钱 [74:20] 那你一天雇一个软件工程师 [74:22] 就不止这个价钱了 [74:23] 所以我会觉得 [74:24] 慢慢人们会开始算这笔账 [74:27] 公司里面发现Token用量 [74:29] 超出想象的话 [74:31] 一种可能性是他自己的 [74:33] 开始给的KPI就不对 [74:34] 他这种measure（衡量） [74:35] 就像中国的大学的文章 [74:36] 越出越多一样 [74:37] 就是如果你的KPI [74:39] 就是你的Token消费量 [74:40] 那显然是错的 对吧 [74:41] 大家都在探讨 [74:42] 那你可能下一步的话就是说 [74:44] 你消费多少Token [74:45] 你创造多少效率 [74:46] 或者你自己的工作量 [74:47] 你的code的output（产出）这种增加 [74:49] 我觉得慢慢慢慢这个坎就会过 [74:51] 所以我还是非常有信心 [74:53] 这个事情能够那什么 [74:54] 股市的反应 [74:56] 就像你问到的说 [74:57] Agent会不会变得emotional（情绪化） [74:59] 那我觉得股市就充满了emotion [75:01] 对 充满了emotion [75:02] 充满了emotion 对吧 [75:04] 但是这也是它的好 [75:05] 就是它可能会overreact（过度反应） [75:07] 从而可以起到纠偏的作用 [75:09] 然后人们再重新思考一下 [75:11] 觉得还可以再往上走 [75:12] 所以你看到很多股票 [75:14] 它东西有跌有涨 [75:15] 这事实上是人们不断地思考的过程 [75:18] 对 所以您觉得 [75:18] 未来可能toB的这一块 [75:20] 还是更值得关注的大的爆发点 [75:22] 还会走很远 [75:23] 而我恰恰觉得 [75:25] 可能toB这块的话 [75:27] 不太容易被大模型碾压 [75:29] 不太被一个通用的Agent来碾压 [75:31] 对 我们一直在说Token经济学 [75:33] 因为有分析它会认为 [75:35] Token其实它的优化 [75:37] 是利空模型厂的 [75:39] 然后利好三大云厂商的 [75:40] 因为就好比说 [75:41] 你的模型厂我是在造车 [75:43] 然后模型厂说 [75:44] 云厂商是我们在收过路费 [75:47] 大家怎么看这个产业链上 [75:50] 就是在Token经济学下 [75:52] 谁是一个大赢家 [75:54] 谁未来是在一个往下坡的方向在走 [75:58] 看你看什么样的 [75:58] timeframe（时间范围） [76:00] 我觉得今天 [76:01] 智能还属于一个稀缺状态 [76:04] 未来是不是会像电一样 [76:06] 我相信它会达到那一天 [76:07] 之前你做发电机的可能最赚钱 [76:10] 到今天的话 [76:11] 可能是电网更赚钱 [76:12] 显然这个会不断地evolve（进化） [76:15] 我看不出来在今后两三年 [76:16] 大模型的能力会过剩这件事 [76:20] 就是我们还是在一个智能提升 [76:22] 智能爬坡的阶段 [76:23] 对 所以我前天在开车的时候 [76:26] 那是一个Podcast说的 [76:28] 你就想象着这个party [76:29] 从晚上7点钟开始 [76:31] 一般的到早上4点钟结束 [76:33] 现在才11点钟的时候 [76:34] Party还有很长时间去走 [76:37] 所以你会相信AGI哪一天会到来 [76:40] 你会有这样的一个判断吗 [76:42] 其实人们对AGI没有一个明确的 [76:44] 定义 [76:44] 然后我正好6月份的时候 [76:46] 在国内一个论坛上 [76:48] 之前也在几次讨论会上我就讲 [76:51] 把过去这6个月 [76:52] 发布的模型的IQ测试 [76:55] 人类的IQ的分布曲线 [76:57] 这是个正态分布对吧 [76:58] 中间值是100 [77:00] 东亚的稍微高一点 110这边 [77:02] 有些地方稍微低一点 [77:04] 但是 [77:05] 过去这几个月发布的模型 [77:07] IQ测试上 [77:09] 无论是视觉IQ 还是通用IQ [77:11] 都在100的右边 [77:13] 就是普通人的智商可能也就是100 [77:15] 对 就它都在100的右边 [77:16] 也就是说 [77:17] 你说这个是不是AGI呢 [77:20] 作为一个程序员来说 [77:21] 我看到现在的Coding的能力 [77:24] 我觉得它已经是一个AGI的 [77:26] 对 它已经超越了一个 [77:27] 平均的软件工程师的话 [77:29] 你会认为它就是AGI了 [77:30] 所以从这点上 [77:31] 我认为智能的转折点 [77:33] 就奇点已经到来 [77:35] 我之前也讲过几次 [77:36] 就是这个奇点到来就在于 [77:38] 机器的学习的能力 [77:39] 超越了人的学习能力 [77:42] 学习的能力它是一个导数 [77:44] 我们讲的是学习的能力 [77:45] 也就是你的增量的 [77:46] 你的知识增加速度 [77:48] 你的能力增加速度 [77:49] 当它超过人的时候 [77:50] 就意味着奇点到来 [77:51] 就你赶不上它了 [77:53] 是的 [77:53] 是的 [77:54] 我认为这个点就是AGI的点 [77:57] 你觉得哪一年 [77:58] 还是已经来了 [77:59] 我觉得已经到来了 [78:00] 已经来了 [78:01] 对 [78:02] 反正我有个更具象的一个事件 [78:04] 我在等待 [78:04] 就是哥德尔机的出现 [78:06] 就是真正能够 [78:07] 自己改进自己的一个系统 [78:09] 如果出现 [78:10] 那就是另外一个标志了 [78:12] 我们上一期播客聊了 [78:13] 可能最近很快就放出来了 [78:16] 最快半年 [78:17] 我们讲那个RSI [78:20] 这种奇点到来的话 [78:21] 就是为什么人们现在会对于失业 [78:23] 会非常担心 [78:24] 因为以前的 [78:25] 大家比较常见的 [78:27] Argument是说 [78:28] 以前的所有的技术 [78:29] 也都会消灭很多工作 [78:31] 但是它会创造更多的工作 [78:32] 但如果你问一个问题 [78:34] 它创造更多的工作的话 [78:35] 是因为那些工作只有人能够去做 [78:38] 但如果是它创造的新的 [78:40] 就你创造工作 [78:41] 就其实创造一些新的需求 [78:43] 然后有人通过工作来满足这种需求 [78:46] 但是 如果这种需求 [78:48] 其实Agent就能满足 [78:49] 那就是会导致 [78:51] 对于人类的这个新的工作 [78:52] 就没有那么大量的出现 [78:54] 这是从社会学的效果来说 [78:56] 这就是AGI给你带来的现实 [78:58] 但这件事出现的时候 [79:00] 你只能说AGI出现 [79:01] 对 出现了一个impact（影响） [79:02] 或者说我觉得这个可能是各国政府 [79:04] 一定要考虑的事情 [79:05] 是的 [79:06] 我觉得最开始 [79:07] 我们在讨论AI这一波 [79:09] 对大家工作的冲击的时候 [79:11] 我觉得可能大家讨论的 [79:12] 还是对普通的白领 [79:14] 做着重复性工作的 [79:16] 这样的一群人的冲击 [79:17] 但是其实最近我跟硅谷的很多 [79:20] 做模型研发的顶级研究员聊天 [79:23] 包括他们可能每天都跟马斯克 [79:25] 跟扎克伯格聊天 [79:27] 他们现在开始也在担心自己失业了 [79:30] 因为就比如说 [79:31] 你在做整个的Recursive AI的时候 [79:35] 很多时候他在蒸馏的是自己 [79:38] 而且他是主动的一个行为蒸馏自己 [79:40] 因为我每天要做这么多工作 [79:41] 我就在想 [79:42] 就像东旭那样抱着 [79:43] 就是Agent自动完成自循环的 [79:45] 这样的一个信念 [79:46] 我能不能让AI [79:47] 把我的这部分工作给替代了 [79:49] 但一旦AI把你给替代了 [79:52] 那也就是说你蒸馏的是自己 [79:53] 还有 [79:54] 我是觉得这个就是每个人 [79:55] 所以他们也在担心自己会不会失业 [79:57] 这涉及到一个心理健康的问题 [80:00] 我觉得就这个时代 [80:01] 我的想法是一定会到来 [80:03] 但人 每个个体你怎么自处 [80:07] 比如说我今天不搞计算机了 [80:08] 我还有很多爱好 [80:10] 对 你还可以玩音乐 [80:11] 对 我可以种地 [80:12] 都可以 对 [80:13] 只是你别把这件事情当成一个 [80:16] 你的生命中最重要的事情就好了 [80:20] 就是你还是个人 [80:21] 你不是个机器 对吧 [80:22] 对 东旭 我发现你刚刚在讲 [80:24] 自己AI的使用的这一块 [80:27] 其实你也在说 [80:28] 比如说你现在把AI [80:30] 也是会把它蒸馏成一个skill [80:32] 对 是的 [80:32] 包括我们刚刚说Hermes [80:34] 它也会蒸馏成一些各种的skill [80:36] 其实都是从一些顶级的人的身上 [80:38] 开始蒸馏的 [80:40] 你的蒸馏 [80:40] 你可以让它成为一套体系 [80:42] 自己的运转下去 [80:43] 但是同时也代表着你被替代了 [80:46] 那太好了 [80:49] 我的时间就这么多 [80:50] 我还想做人的时间多一些 [80:52] 我不想我花太多时间 [80:54] 天天再去调试程序 [80:55] 再去完成一些非常重复的事情 [80:58] 这个事情就 [80:59] 我觉得AI帮我做 [81:00] 人家做得更好 [81:01] 反正这是我自己的一个理念 [81:03] 而且在更长的范围来看 [81:06] 刚才其实你描述的“大范围失业” [81:10] 或者说这些事情 [81:11] 我觉得一定会发生 [81:14] 这是第一次 [81:14] 我觉得人类社会不再用工作了 [81:17] 或者说工作这件事情 [81:19] 会不占据人主要的时间了 [81:22] 这个是一个给人类社会的问题 [81:24] 这个不是个技术的问题 [81:26] 你想 2000年前 [81:28] 可能每一个活人 [81:30] 生命中的主要时间都是在种地 [81:32] 所有的精力都是花在 [81:34] 我要吃完一口饭我能活到第二天 [81:37] 可能开荒一块地 [81:38] 需要几十个人干几十年 [81:41] 但今天你看 [81:42] 比如说开荒一块地 [81:43] 可能拖拉机几天就完全完成了 [81:46] 那会有更多的时间其实留给人 [81:49] 这时候我觉得 [81:50] 人类可能马上要去解决一下 [81:52] 每个人的存在 [81:53] 精神问题 [81:53] 对 存在主义危机 [81:54] 存在主义危机 [81:57] 但我觉得没关系 [81:59] life finds its way [82:01] 是 特别好 [82:03] 宏江老师 [82:03] 我觉得您一直算是 [82:04] 中国整个AI研究 [82:06] 最重要的推手之一 [82:08] 我也很好奇两位 [82:09] 像东旭是一个创业者的身份 [82:12] 宏江老师其实是AI方向的 [82:14] 非常重要的研发的一个核心角色 [82:17] 两位为什么会加入Llama Ventures [82:20] 你觉得这家基金跟其他的基金 [82:22] 它有什么特别之处 [82:24] 我觉得Llama Ventures [82:26] 实际上是一个 [82:26] 虽然很年轻 [82:27] 但是一个非常聚焦在AI [82:29] 聚焦在华人的这么一个基金 [82:32] 更重要的是说 [82:33] 他们两位发起的创始人 [82:35] 自己本身都是非常成功的创业者 [82:37] 在美国也有很多的工作 [82:39] 和创业 生活的经验 [82:41] 这是一个很好的团队 [82:43] 能够一起来帮到在硅谷的创业者 [82:46] 第一 我觉得今天 [82:47] 其实是一个非常好的时机 [82:51] AI科技我觉得现在 [82:52] 全世界有两个中心 [82:53] 一个是硅谷 一个是中国 [82:55] 在硅谷这边华人其实也是扮演着 [82:58] 一个绝对的主力 [83:00] 但是我其实觉得这边很多主流基金 [83:02] 对于华人的创业者 [83:05] 他其实对于咱们的生态 社区 [83:08] 其实了解肯定不如咱们自己人多 [83:11] 第二方面 [83:12] 我觉得Llama是一个非常年轻 [83:14] 同时跟美国主流的基金圈子 [83:16] 其实走得是非常近 [83:18] 这个是我觉得跟上一代的 [83:20] 或者说其他的在美国的华人基金 [83:22] 是非常不一样的 [83:23] 第三个点 [83:24] 我其实也是一个创业者 [83:26] 也是一个engineer [83:28] 过去这好几年时间 [83:29] 作为一个华人 [83:30] 在这边做业务 [83:32] 踩过了很多坑 [83:33] 这些经验我觉得还是挺宝贵的 [83:35] 最后一个 个人的原因就是 [83:37] 我觉得现在是一个 [83:38] 特别大的变革的时代 [83:40] 我很想参与到很多事情里边 [83:42] 我觉得在Llama的机会 [83:44] 能够让我接触到非常多 [83:46] 很好的新一代的创业者 [83:48] 然后也能参与到这些事情上 [83:50] 很重要的就是能够参与这件事 [83:52] 对我来说更是如此 [83:54] 当你进入你人生的退休阶段的话 [83:57] 如何让自己的经验和教训 [84:00] 能够帮到别人 [84:01] 如何能够保持这种 [84:03] 你对于技术前沿的敏锐 [84:06] 或者让自己持续地有一种成就感 [84:09] 这是我愿意在硅谷这块花时间 [84:11] 跟创业者一起非常重要的原因 [84:13] 我确实也觉得整个硅谷 [84:15] 华人创业的生态还是非常好的 [84:18] 刚刚宏江老师您提到了 [84:19] 这一波浪潮 [84:20] 你是希望用这样的方式参与进去 [84:23] 其实您也 [84:24] 之前也参与了整个PC互联网 [84:27] 移动互联网的每一波浪潮 [84:29] 也亲手推动了整个中国大模型研究 [84:32] 可以说智源 [84:32] 是整个中国大模型研究的一个起点 [84:36] 您觉得像现在的这一波大模型 [84:39] 跟Agent的浪潮 [84:40] 跟前面的几波 [84:42] 会有什么大的不一样吗 [84:43] 过去的三年多 [84:45] 自从ChatGPT发布以来的话 [84:47] 就是我们看到 [84:48] 这一轮的技术革命的浪潮 [84:50] 是比历史上任何一次的技术革命 [84:53] 都要来得迅猛 来得大得多 [84:56] 刚才你提到跟移动互联网 [84:58] 或者是跟互联网的对比 [85:00] 跟PC时代的对比 [85:01] 但这次AI的革命我想可能 [85:03] 在人类历史上 [85:04] 真正的可比的可能是说 [85:06] 当初我们的祖先发明了火 [85:09] 我们发明了电 [85:10] 他们所带来的 [85:11] 对于人类的生活 工作 [85:13] 所带来的影响 [85:14] 过去三年我们确实看到这种速度 [85:16] PC互联网发展得非常快 [85:19] 但也依然有了一个十几年 [85:21] 二十年的历史 [85:22] 才逐渐进入到运用 进入成熟 [85:25] 移动互联网稍微快一些 [85:27] 但这次的AI的浪潮 [85:28] 我们看到要快得多 [85:30] 从一年多以前的推理模型o1的起步 [85:34] 到今年1月份的 [85:36] OpenClaw的兴起 [85:38] 其实已经让我们看到了 [85:40] 大模型这一波 [85:41] 从基础的算法的研究 [85:43] 到进入实际的运用 [85:45] 刚才东旭也提到 [85:47] 他认为自己是一个工程师 [85:49] 那事实上 [85:50] 我觉得如果说过去的3年 [85:51] 是大模型的基础研究者的时代的话 [85:54] 那其实从OpenClaw开始 [85:56] 下面就是我们大模型的工程师 [85:58] 大模型应用的架构师 [86:01] 和我们的产品经理们 [86:02] 我们的创业者的时代 [86:03] 那就是Agent时代的开始 [86:06] 对 两位给大家想入坑AI的人 [86:09] 一句话的建议 [86:10] Keep building（继续构建） [86:11] 不要听 学得慢就不用学了这个 [86:13] 一定要亲身参与进去 [86:15] 对 我就是get hands-on（动手去做） [86:18] 好 那谢谢大家 [86:19] 谢谢 [86:20] 谢谢 [86:21] 谢谢 [86:23] 好了 那这就是我们今天的节目 [86:25] 我们每个人使用Agent的方式 [86:27] 都不太相同 [86:28] 嘉宾的方式也未必能代表所有人 [86:32] 大家使用Agent的方法有哪些改变 [86:34] 欢迎在评论区与我们分享 [86:38] 播客的听众可以通过小宇宙 [86:39] 苹果播客 Spotify来收听关注我们 [86:42] 另外 如果大家想看字幕版 [86:44] 也可以在YouTube和B站 [86:47] 搜索“硅谷101”播客找到我们 [86:49] 我们部分节目的文字稿也会收录在 [86:51] 我们的公众号“硅谷101”上 [86:54] 我是泓君 感谢大家的收听