张宏江黄东旭称AGI奇点已至警示浅层Agent创业将遭大模型碾压

硅谷101

大模型在人类智商基准测试中已跨越均值，随着算力成本剧降与开源底座崛起，盲目消耗Token的狂热正转向以企业级基础设施与本地混合架构为核心的工程战。

AI-assisted summary of E249｜Token经济转点：OpenClaw、Hermes到本地自研的Agent进化之路 — original source. Check the original for full context.

Source published: 2026-08-20

Key ideas

硅谷早期盛行的盲目追求最大化调用的 Token Maxing 正迎来降温，Uber 四个月烧穿全年预算、Meta 限制配额，企业转向更具性价比的工程架构。 (0:00)
以 DeepSeek-V4 与 GLM-5.2 为代表的开源模型跨过实用门槛，催生了“本地开源模型做日常琐事（仅烧电费）+ 云端旗舰模型兜底破局”的高能效架构。 (35:12)
Agent 创业分水岭已至，投资机构坚决回避易被底层大模型能力碾压的浅层 2C 应用，重注长上下文记忆管理、可观测性及 Agent 原生云（Agentic Cloud）等基础设施。 (52:36)
张宏江指出前沿大模型在人类 IQ 正态分布测试中已跨过 100 均值，机器获取增量知识的增速（导数）超越人类生理极限标志着 AGI 奇点已然降临。 (75:30)

Detailed notes

## Background 本期节目由科技播客《硅谷101》的主理人泓君于2026年8月20日在小宇宙平台发布。节目简介指出，在硅谷科技界经历“Token Maxing”（最大化Token消耗）的烧钱狂潮与企业预算失控后，行业正迎来转折点；本期对话Llama Ventures合伙人张宏江与黄东旭，深度探讨从OpenClaw、Hermes到本地开源模型的Agent进化路径与Token经济学演变。

## TL;DR 节目围绕AI产业从底层科学研究向工程落地转型的分水岭展开，深入复盘了硅谷从盲目追求旗舰模型的“Token Maxing”走向“本地开源底座+云端超级模型”的混合架构演进。嘉宾黄东旭以亲身开发DB9分布式数据库及使用OpenClaw、Hermes、Slock等工具的一线经历，解析了多Agent辩驳、反思机制沉淀Skill以及“Agent动力学”的底层逻辑。张宏江则从宏观技术周期和经济学视角拆解了Token成本年降十倍的算力规律与Jevons悖论，指出面向Agent原生的中间层Infra和ToB场景蕴藏着巨大创业机会。最后，两位嘉宾从IQ测试超越人类均值与“哥德尔机”的递归自我迭代切入，断言AGI奇点已然临近，并深入探讨了人类社会在脑力劳动被全面自动化后所面临的存在主义危机。

## Atmosphere & style 对谈散发着极其硬核且务实的一线工程师与资深战略投资人底色，充斥着架构级黑话与充满代入感的实战踩坑细节。主播泓君的提问敏锐直指行业阵痛，黄东旭的讲述生动风趣、充满极客的坦诚与机锋（如调侃Agent互删数据库与“办公室政治甩锅”），而张宏江则以经历三轮技术巨浪的历史厚重感统摄全局。整体情绪曲线从拆解工程实操的兴奋与理性算账，平稳过渡到面对AGI奇点逼近时的技术震撼，最终落在对人类未来工作与生存意义的严肃沉思中，发人深省又极具前瞻穿透力。

## Bulletin - `00:00` 硅谷早期盛行的盲目追求最大化调用的 Token Maxing 正迎来降温，Uber 四个月烧穿全年预算、Meta 限制配额，企业转向更具性价比的工程架构。 - `35:12` 以 DeepSeek-V4 与 GLM-5.2 为代表的开源模型跨过实用门槛，催生了“本地开源模型做日常琐事（仅烧电费）+ 云端旗舰模型兜底破局”的高能效架构。 - `52:36` Agent 创业分水岭已至，投资机构坚决回避易被底层大模型能力碾压的浅层 2C 应用，重注长上下文记忆管理、可观测性及 Agent 原生云（Agentic Cloud）等基础设施。 - `01:15:30` 张宏江指出前沿大模型在人类 IQ 正态分布测试中已跨过 100 均值，机器获取增量知识的增速（导数）超越人类生理极限标志着 AGI 奇点已然降临。

## Key takeaways - `04:55` 当前 AI 基础设施投资绝对体量虽大，但占 GDP 比例仍低于历史上铁路与公路建设，行业远未进入过度投资或泡沫阶段。 - `05:40` 过去几年 Token 单价以每年降约 90% 的速率持续下行，当前企业预算告急本质是面对新技术迅猛发展时的探索性阵痛。 - `09:52` Token Maxing 应是深思熟虑后追求高 ROI 的滞后指标，若沦为大公司内部排行榜驱动的 KPI 竞赛，就会演化成海量无效调用。 - `14:15` OpenClaw 标志着 AI 从科学研究阶段正式跨入工程落地阶段，底层大模型能力已强到架构师仅凭高级工程经验即可快速组装可用系统。 - `20:31` OpenClaw 核心痛点在于缺乏上下文管理导致记忆混乱与空转，其实际上扮演了盗取天火的“普罗米修斯”，完成了让世人认知产品形态的历史使命。 - `23:09` Hermes 通过在任务成功后主动反思并提炼沉淀为可复用“技能”（Skill），绕过复杂的旁路记忆模块，将动态上下文固化为低成本的工程规则。 - `26:00` 自主 Agent 具备接管人类日常通信、深度定制信息消费的潜力，有望从底层颠覆基于协同过滤的传统推荐系统与移动端超级 App 生态。 - `30:00` Slock 等工具通过“无 ego”的 Multi-Agent 讨论群组，用七嘴八舌的相互交叉刺激换取复杂代码审查的分析深度，探索了“Agent 动力学”。 - `35:12` Flagship 5 等超级模型凭借绝对智商在单次调用（One-shot）中直接解决复杂死锁，打破了此前依靠拼命烧 Token 成群讨论保底的旧范式。 - `40:00` “杰文斯悖论”在 AI 领域持续生效：单点 Token 能效的提升与单价下跌将成倍激发长程任务与 A2A 网络协同，推动行业总 Token 消耗呈指数级激增。 - `48:00` 大模型与 Agent 蜂群绝非对立关系，廉价分布式节点配合关键旗舰大模型节点，能以极高概率催化复杂系统的非线性“智能涌现”。 - `01:00:00` 判定业务是否属于“Agent Native”的检验标准在于：若剥离 Agent 元素后业务仍能正常运作，则非原生；若剥离后业务彻底瘫痪或成本暴涨千倍，方为原生。 - `01:03:24` 多 Agent 协作中涌现的推诿甩锅等“办公室政治”，本质是模型在海量人类语料中对社会互动刻板印象的拙劣模仿，而非具备真正情感自我意识。 - `01:10:00` 大模型最核心的爆发点依然在 2B，企业衡量 ROI 的核心指标应是“单位 Token 所创造的工程与代码产出”，而非单纯的 Token 绝对消耗量。 - `01:15:30` AGI 奇点的数学定义是“机器获取增量知识与技能的学习速度（导数）超越人类肉身极限”，工业界最快一年内可能见证具备递归自我迭代能力的哥德尔机突破。 - `01:18:19` 当新业务与新岗位被 Agent 内部循环完全吞噬，全社会将面临脱离传统劳动的存在主义危机，人类需重构自身存在意义并保持动手建造（Keep building）的心态。

## Detailed walkthrough ### `00:00` 开篇引言：从科研转向工程，与Token经济的拐点

在经历2025年“Agent元年”的狂潮后，整个AI行业在2026年迎来了深刻的变化。市场的重心不再只是讨论前沿基础大模型的能力边界，而是越来越多地聚焦于Agent本身的工程落地实践——这是一场明显的从关注“科研突破”向关注“工程架构”的转向。此前在硅谷疯狂带头烧Token的科技巨头们正逐步回归理性：Uber在短短四个月内烧穿了全年的AI预算，Meta被迫计划限制员工的Token消耗配额；与此同时，以DeepSeek、GLM、Kimi为代表的中国开源模型性能不断攀升，逼近全球第一梯队，连硅谷公司也开始把它们深度嵌入日常工作流中。市场因此产生了一个核心疑问：无脑追求最贵、最强的模型，追求“Token Maxing”（最大化Token消耗），依然是当下的最优解吗？

本期节目围绕“Token Efficient”（Token能效比）展开，探讨其背后正在发生的整个Agent工作范式变革。嘉宾黄东旭是PingCAP联合创始人兼CTO、开源分布式数据库TiDB的核心作者，同时也是Llama Ventures合伙人。作为深度拥抱Harness与Agent Coding的重度工程师和一线实战者，他在过去大半年中深度体验了从狂烧Token到本地开源模型落地的全过程。另一位嘉宾张宏江则是Llama Ventures高级技术合伙人、美国国家工程院外籍院士、北京智源人工智能研究院（BAAI）理事长、源码资本合伙人，曾任微软亚洲工程院院长、微软亚太研发集团首席技术官以及金山软件CEO。张宏江提到，自己在两年前关注到这波AI浪潮中华人科学家和工程师起到了关键支柱作用（无论是在OpenAI、Anthropic、Google等顶级实验室“挑大梁”，还是在中美两地创业），但一代华人创业者往往面临资金瓶颈，因此他选择以顾问和投资人的身份搭建平台，帮助创业者在技术革命中寻找机会。

`04:55` Token Maxing是泡沫吗？

针对当前基础设施投资高歌猛进以及硅谷此前盛行的“Token Maxing”狂潮，主持人提问整个市场是否存在泡沫。张宏江斩钉截铁地表示，行业远远没有达到所谓的“过度投资”（Over-invest）或泡沫阶段。

张宏江将当下的AI基建与历史上最具颠覆性的基建浪潮——如互联网初期的网络建设，乃至美国早期的铁路网和公路网建设——相提并论。他指出，尽管今天的绝对投资金额超过历史时期，但从占GDP的比例来看仍然更小。此外，虽然单看账单Token消耗量增长极快、总价昂贵，但人们往往忽视了“过去几年Token的单价一直以每年降十倍的速度在下行”。张宏江强调：

> “所以我依然会非常有信心，我不觉得是存在的太大的泡沫，当然你说股票市场是不是存在泡沫那是另外一回事，但是技术的发展、应用的发展，我不觉得存在的什么泡沫。”

张宏江解释道，各大企业眼下之所以出现“一开始放开让大家试用，接着发现账单超预期又往回调”的反复，本质上是因为这轮革命来得过于迅猛，以至于很多企业和用户处于一种“不知所措”的状态——大家都在摸索AI到底该先用于哪个环节、先提升哪部分的效率。

黄东旭对此完全赞同。他打了个生动的比方：今天看AI基建，就像上世纪五六十年代看刚诞生时占满整整一个房间的电子管计算机，“好大、好贵啊”，但彼时个人计算机（PC）甚至还没诞生，海量的需求必须等充分的基础设施建成之后才会被激发出来，而新需求又会反向倒逼基建迭代。在微观层面，现存的推理架构、Agent框架对Token的利用效率依然有巨大的工程优化空间；短期内企业由于急于摘取低垂的果实，往往“先发散、不计成本去花Token”，随后才会进入精细化优化阶段，经历短期回落是正常的。

- 行业宏观基建对比：AI投资绝对数大，但占GDP比例低于历史上的铁路和公路网建设。 - 成本下行曲线：伴随NVIDIA等底层硬件演进与推理优化，Token单价过去几年年均下降约90%。 - 企业预算阵痛：Uber四个月烧穿全年AI额度；Stripe内部平台在调用Opus 4.8前会主动弹窗预警，提示员工“先用其他模型，不是所有任务都要用这个”。

`09:52` 亲身体验：只选最强最贵，日烧四五百美元

黄东旭回顾了自己践行Token Maxing的真实历程。从2025年11月开始，他决定用当时最强大的模型（Claude Opus系列与GPT-5.1）从零到一构建一个“自己能想到的最复杂的软件”——一个名为DB9的全新云原生分布式数据库。分布式系统是极其复杂的系统软件，对于这种极难且充满未知边界的任务，由于各类Benchmark跑分往往可以通过刷榜实现，开发者很难在没有实践前精确评估最强模型与次强模型的差距。因此，当时最理性的工程策略只能是“永远选最好的模型”。

在那段高强度开发期，黄东旭每天的API账单高达四五百美元。即便购买了顶级订阅套餐（如Claude Code的Pro Max），其每日和每周的额度上限依然会被迅速打爆，必须自掏腰包额外购买超额用量（Extra Usage）。然而，这种烧钱带来的投资回报率（ROI）是惊人的。作为PingCAP的CTO，内部销售团队对这款软件期待已久；如果能达到七八十分的成熟度，有望为公司带来每年1000万美元级别的直接收入。以往受限于极高的人力成本和技术门槛，这几乎是不可能完成的任务，但借助最强Agent：

> “以前我受限于人力技术的水平我做不出来，但今天我一个人三个月我就做出来了一个人三个月，那差不多做了一个可以销售额达到千万美金的软件。”

然而，黄东旭指出，后来整个硅谷社区对黄仁勋（Jensen Huang）或Meta推崇的Token Maxing产生了教条化的误解。Token Maxing本质上应该是一个结果（Lagging Indicator）——即当你想清楚了工程目标，通过精妙的设计疯狂调用，产出高价值成果；但在许多大公司内部，一旦管理层设立了“Token消耗排行榜”，工程师们为了冲榜刷指标，就演变成了充斥着无效调用的“刷分游戏”。

```mermaid flowchart TD accTitle: Token使用策略的分化路径 accDescr: 对比有明确工程目标的深度Agent与大企业冲榜导致的无效调用流向

subgraph Strategy["Token 使用策略"] Input["AI 资源投入"] Thought["深思熟虑的高难度任务<br/>(例如: 3个月自研DB9分布式数据库)"] Blind["KPI导向/盲目冲榜<br/>(排行榜文化驱动)"] end

subgraph Execution["执行与调用"] SmartLoop["前沿模型 (Opus / GPT) + 精准Loop"] WasteLoop["大量空转与无效API调用"] end

subgraph Outcome["业务结果"] HighROI["产生巨大商业ROI<br/>(单人搞定千万美元级系统)"] BudgetBurn["烧穿全年预算 / ROI低下<br/>(引发企业成本收紧)"] end

Input --> Thought Input --> Blind Thought --> SmartLoop --> HighROI Blind --> WasteLoop --> BudgetBurn ```

`14:15` OpenClaw：从研究到工程的转折点

2025年底至2026年初，OpenClaw横空出世并引发轰动。黄东旭澄清，自己在写DB9数据库时并没有使用OpenClaw，因为OpenClaw的产品定位并非重度软件工程，而是一个连接现实世界数字流程的“通用个人助理”。对于从早期Claude Code和Codex一路走来的硬核开发者而言，OpenClaw的核心思想其实就是“Agentic Loop（智能体循环）加上工具调用（Tool Use）”，但它最大的功绩是把高门槛的技术平民化，让其走进了千家万户。

张宏江从技术发展史的角度高度评价了OpenClaw作者Peter的突破。Peter作为一个系统架构师而非AI科学家，用Vibe Coding（氛围感写代码）的方式仅仅花了一个星期就搭出了OpenClaw。这标志着底层大模型的能力正式迈过了一个关键门槛——模型的推理和编程能力已经强大到无需开发者深入理解大模型底层机理，仅凭高级架构经验就能在短时间内拼装出可用系统：

> “这其实标志着大模型的能力跨过了一个坎儿，就是真的可以落地应用了，提升效率了，大家可以真正的把聚焦从原来的大模型本身到大模型的运用这边……这个标志着从研究进入工程，从模型进入Agent。”

关于为什么在无数创业团队都声称“自己也能做同样Agent”的情况下，唯独OpenClaw爆火，黄东旭与张宏江总结了几个关键维度： 1. **开源（Open Source）与极客精神**：相较于商业闭源产品常被质疑为商业广告，民主化的开源软件在极客圈具有无与伦比的自传播力。 2. **Local-first（本地优先）哲学**：Peter选择让所有隐私和个人数据留在本地配置，这契合了硬核开发者对数据安全的执念，使得用户敢于向Agent开放全部系统权限。 3. **生态爆发与“模因”传播**：项目发布几天内社区便自发衍生出了Agent社交网络“Moltbook”，甚至诞生了Agent“信徒组织”与“先知”，形成巨大的网络传播效应。 4. **交互范式的转折**：全球用户使用了3年多的Chatbot（对话机器人），普遍处于“只能聊天不能干活”的瓶颈中，OpenClaw的出现让大众猛然意识到PC和手机上的日常繁琐事务都可以交由Agent自主完成。

`20:31` 龙虾退潮：“普罗米修斯”完成了使命

尽管OpenClaw名噪一时，但其局限性也迅速暴露。作为Peter在一周内Vibe Coding拼凑出的产物（据报道Peter本人此前30天内在Anthropic的API消耗曾高达130万美元），系统本身缺乏精雕细琢的软件工程架构。一旦跳出极客玩具的范畴推向大众，复杂的配置难度与脆弱的系统稳定性便成了致命伤。黄东旭指出，这证明了虽然AI让任何人都能写代码，但当软件复杂度超过临界点后，资深研发团队严谨的软件工程习惯依然不可替代。

随着Peter随后加入OpenAI，OpenAI自身的重心也进一步转向自研的Codex体系，OpenClaw主要依靠基金会维持。在黄东旭看来，OpenClaw的定位更像是一个实验性的原型玩具，其历史地位在于扮演了盗取天火的“普罗米修斯”：

> “而且现在它其实有点像扮演一个普罗米修斯的角色，把这样的产品形态、这样的产品能力让世人知道了，它的历史使命可能就完成了。”

OpenClaw在实际使用中暴露出的最大痛点在于**记忆（Memory）机制**。当Agent缺乏优秀的上下文存储管理时，会不断发生记忆混乱或反复回滚，这不仅导致用户不得不重复纠偏，更造成了大量无谓的Token空耗。

`23:09` Hermes：把成功经验沉淀为Skill

为了解决前代Agent的缺陷，Web3研究机构Nous Research推出了名为Hermes的新一代Agent。黄东旭表示自己很快从OpenClaw转向了Hermes。Hermes最为精妙的设计，在于它没有在学术界尚无定论的旁路记忆模块（Memory Module）上死磕，而是从Agent框架的工作流中另辟蹊径——引入“反思”机制，主动将成功经验提炼沉淀为可复用的“技能”（Skill）。

在OpenClaw的循环中，除非用户刻意下指令，Agent是不会主动反思的；而Hermes会在每一次任务成功后自我复盘，把摸索出的最佳实践固化下来。随着使用时间增加，系统会长出大量贴合用户习惯的专属Skill。尽管商业宣传称其为“具备自我学习进化能力的Agent”，但黄东旭拆解道，其本质是用模型推理能力结合精良的工程架构，把动态上下文转化为静态代码/规则，从而大幅减少了对模糊历史上下文的依赖。此外，Hermes代码由专业团队打磨，在Onboarding（新手引导）体验与系统稳定性上远超OpenClaw的“集市”模式。

谈及Hermes的商业模式，两位嘉宾认为其本质依然锚定在**Token经济学**上：作为高频流量入口，Agent平台聚合了海量调用需求，可以向底层模型厂商拿到极高折扣的Token通道费，或者通过增值服务变现。向未来推演，这种自主Agent甚至可能取代移动互联网时代的超级App乃至整个App生态，成为人类与数字世界交互的“唯一入口”：

- **接管日常通信**：黄东旭直言自从用上这类工具后便再也没打开过Gmail，全部交由Agent处理，由底层的Opus 4.8负责筛选垃圾邮件并识别关键信息。 - **重塑信息消费**：不再逐个浏览Hacker News或《纽约时报》，而是由Agent基于全局历史脚印（Footprint）生成摘要，用户仅挑选感兴趣的条目下钻阅读。 - **“养龙虾”范式颠覆传统推荐系统**：传统算法基于群体大数据协同过滤，而本地Agent在本地坐拥用户的全部物理与数字行为数据，具备更强大的个性化理解能力。

不过，主持人泓君也指出这种深度代理的现实瓶颈：一方面单纯生成的摘要往往过于浅薄，丢失了一手深度阅读的语境；另一方面，面对涉及真实个人意愿的复杂决策（例如决定是否接受播客录制邀请、协调具体的空闲时间窗口），Agent依然难以完全代劳。

`30:00` Slock与“Agent动力学”：群聊讨论与Token换深度的工程实践

随着对单 Agent 框架的持续探索，黄东旭将工作流迁移到了由 Kimi CLI 负责人钱宇超创立的新工具 Slock（后改名为 Raft）。黄东旭是该项目最早期的天使投资人与深度用户。Slock 的设计理念是将人类熟悉的 Slack 讨论模式移植到 Agent 体系中：其界面类似一个聊天室，但参与讨论的全是 Agent。各个 Agent 彼此之间不共享各自的上下文（context），唯一的共享媒介就是当前频道（channel）里的公共消息流。这种设计在形式上与早期的 Multi-Agent 虚拟小镇实验有些许相似，但剥离了“行为艺术”的噱头，具备极强的工业实用价值。

在实际运行中，尽管 Agent 间 80% 到 90% 的讨论可能是车轱辘话，但顶尖大模型具备一个超越人类专家的关键特质——“它没有 ego（自负）”。一旦某一个 Agent 提出了一个其他人未注意到的盲点，其他 Agent 会立刻吸收并顺着该思路继续深挖。黄东旭最常使用 Slock 进行复杂软件的代码审查（Code Review）： - 在一个群组中配置 10 个顶尖 Agent（混搭 Claude Code、Codex 等最新旗舰模型），共同扮演“挑刺者”的角色。 - 第一个 Agent 指出三处潜在错误；第二个 Agent 确认这三处问题的合理性，并在此基础上提出新发现的第四处死锁隐患；后续 Agent 受到启发，再从系统架构角度延伸深挖。 - 这种多轮循环迭代审查挑出的系统问题和改进深度，是单个模型在 One-shot（单次调用）下完全无法企及的。

代价则是恐怖的 Token 消耗量。黄东旭透露，在这种模式下，Token 消耗是普通用法的 10 倍以上，在他使用最为激进的时期，单日消耗高达 10 亿（1 Billion）Tokens，对应每天三四百美元的账单。他的策略是在关键系统决策前，强制要求 Agent 群体在频道内持续辩驳，直到满足终止条件——“当你们谁都挑不出更多的毛病的时候，你就停下吧”。

Slock 团队提出了一个极富洞察的概念：“Agent 动力学”。让 Agent 长时间、自驱动地持续执行复杂任务向来非常困难，而当下的工具演进实质上都在解决这一核心命题： - **Slock（Raft）**：通过搭建一个多角色、七嘴八舌的讨论群组，让模型相互刺激，维持长期运转。 - **Loop Engineering**：在 Agent 即将停工退出的时刻，强行“抽自己一鞭子”，促使它回头审查自己的输出结果。 - **Harness（评估与支撑脚手架）**：构建层层嵌套的复杂工作流，支撑跨周期的长程任务。

黄东旭类比道，模型在单次运行时总会产生幻觉或细节疏漏，这就像小孩子做数学作业，父母总会要求“你再重新算一遍”；多轮迭代就是让没有自负的智能体反复自检，最终把隐蔽的纰漏洗练出来。

```mermaid flowchart TD accTitle: Multi-Agent Review Workflow in Slock accDescr: 展现代码进入多Agent群聊系统后，经过不同模型无ego交叉挑刺并输出高质量补丁的循环过程。

subgraph Channel ["Slock (Raft) 共享讨论频道"] A["提交待审查复杂代码"] --> B["Agent A (Claude Code) 挑出基础错误"] B --> C["Agent B (Codex) 确认并发现架构新漏洞"] C --> D["Agent C (Flagship) 延伸交叉验证"] D -->|"多轮辩驳迭代 (未达终止条件)"| B end

D -->|"终止条件：全员挑不出新毛病"| E["输出高深度审查报告与补丁"] ```

---

`35:12` 范式转折：Flagship 5 的智商碾压与开源底座的崛起

到了五六月份，黄东旭原本基于“拼命烧 Token 换深度”建立的认知被三记重锤打破：Flagship 5（即后文的 Fable 5 这一代超级模型）、GPT-5.5 以及 DeepSeek-V4 的发布，使他从 Token Maxing 迅速转向 Token Efficient（高 Token 能效比）。

这一认知的根本转变源于以下技术冲击： 1. **绝对智力碾压带来的 One-shot 跃升**：此前多 Agent 讨论的根本前提是“对单个模型的单次输出缺乏信任”，长链条调用极易顾此失彼，只能靠三五成群的讨论来保底。然而像 Flagship 5 这类模型展现出了断层式的智商优势——群组里一堆 Agent 耗费数十亿 Token、讨论到筋疲力尽都解不出来的复杂死锁或多模块 Bug，在不给前序冗余上下文的情况下直接扔给 Flagship 5，它依靠纯粹的智力可以在单次内精准定位并解决。“绝对的智商碾压面前，一次就搞定了。” 2. **开源模型的实用化拐点（DeepSeek-V4 与 GLM-5.2）**：黄东旭坦言过去自己在核心工程研发中从不信任开源模型，但从 DeepSeek-V4 及后续的 GLM-5.2 开始，开源模型的代码理解与日常任务处理质量迈入了极其实用的门槛。

这直接催生了 Agent 系统的“现代企业管理学”：企业不可能全由顶级院士和资深科学家组成，而是必须依赖大量干杂活的工程师与极少数技术领军人物协同。顶尖闭源模型负责压阵解决绝境问题，便宜聪明的开源模型则负责日常繁重的琐碎事务。

黄东旭在本地一台 Mac Studio 上部署了 DeepSeek-V4 Flash 本地模型，生成速度可达 30 Tokens/s，与线上云端商业 API 响应无异： - **纯电费支出，近乎零边际成本**：本地运行满载状态下一个月电费仅二三十美元，折旧与电能损耗几乎可以忽略不计。 - **解锁以前“不敢放开干”的重度任务**：以往由于商业闭源 API 过于昂贵，黄东旭根本不敢把 CVPR、NeurIPS 整个会议的数百篇前沿论文批量喂给 Opus 处理；如今利用本地开源模型，可以搭建长程工作流，让其把所有论文扫读、提炼、建立个人知识足迹并形成智能蒸馏。

张宏江将这种变革形象地比作“拨号上网到宽带时代”的跃进：1997 年拨号上网按分钟计费，人人精打细算；直到包月宽带和手机无限大流量套餐普及，才催生了短视频、高清视频会议等颠覆性应用。当智能的成本从“每一跳都提心吊胆的 Token 计价”跨入“近乎免费的本地电费”时，Agent 的使用生态将被彻底重构。

---

`40:00` 混合架构落地、Jevons 悖论与 Agentic Loop 的 Token 黑洞

随着主力架构演进为“本地开源模型 + 云端旗舰模型”，黄东旭的代码工作也度过了初期的疯狂堆砌阶段，其整体云端账单从单日三四百美元骤降至一个月两三百美元（大致相当于订购最高配 Claude 与 Codex 组合的价格）。他目前的工作模式为：日常开发主力采用 GPT-5.5、GPT-5.6 与 Codex；遇到波及七八个模块、改动五六千行底层代码的数据库深水区问题，群聊讨论无解时，便强制让 Agent 停止并输出排错分析报告，直接转交 Flagship 5 做最终判定。黄东旭总结道：“千万别随便说什么叫终局……永远相信 scaling law，永远相信智能。”

谈及未来硅谷大厂与闭源模型 API 收入的走向，黄东旭与张宏江一致认为：单点能效的优化不仅不会降低总 Token 消耗，反而会触发经济学上的“杰文斯悖论”（Jevons Paradox）——技术的成熟与单位价格的下跌，将推动需求以几何级数激增，整体市场规模反而急剧膨胀。

造成 Token 消耗长期指数级增长的底层工程机制，在于单 Agent 的骨架本质是一个“Agentic Loop”：

```mermaid flowchart LR accTitle: Agentic Loop Execution Flow accDescr: 描述Agentic Loop中模型生成、调用外部工具、输出回填上下文并持续循环的运行机制。

这种机制具有两个致命的 Token 消耗特征： 1. **工具调用与上下文膨胀**：外部系统工具的输入、庞大的环境变量与多轮输出全都要实时折叠并灌回大模型的对话流中作为下一轮决策的 Context。 2. **长程执行循环**：面对复杂工程任务，Agentic Loop 会连续执行数百步，每一步都在成倍消耗 Token。这导致一个 Agent 的单任务消耗量可达传统 Chatbot（一问一答模式）的 100 倍以上。

未来当单一 Agent 走向 Agent-to-Agent（A2A）网络协同，并在其上叠加更高维的软件工程抽象调度层时，Token 消耗量将再次爆发。

张宏江深入分析了企业 IT 演进的商业逻辑：大部分企业连传统的云端 IT 运维团队都难以养活，未来更不可能自行维护错综复杂的私有 Agent 蜂群系统。尽管本地部署受到部分追求物理可控的硬件设备商青睐，但极度强大的 Agent 与大规模 Agent 蜂群（Agent Swarms）大概率仍将托管在高度透明化的云端。

关于“超级模型”与“Agent 蜂群”的竞争，张宏江援引清华大学的一项研究指出：“三个臭皮匠顶个诸葛亮”在 Agent 领域确实存在——多个中低阶 Agent 在特定动力学下互补，其展现出的涌现智能并非单个能力的简单线性代数和。更重要的是，超级大模型与 Agent 蜂群并非非此即彼的对立关系：没有任何力量能阻止蜂群中的每一个节点接入超级大模型的智能，而超级模型一旦作为关键角色进入讨论群，会以极高概率直接催化整个系统的“智能涌现”。黄东旭对此高度赞同：“真正的一个 resilience（高韧性）的系统，它一定是一个大规模的基于简单规则连接的分布式系统。”这与当年 AWS 抛弃昂贵的高可靠性大型机、转而用廉价服务器集群构建具备极强容错能力与成本优势的现代云计算，在底层逻辑上如出一辙。

---

`52:36` 创投分水岭：深耕 2B 中间层 Infra，警惕易被碾压的浅层应用

面对当前大模型智力极速迭代、各类 Agent 创业公司如雨后春笋的现状，关于投资逻辑与创业壁垒的讨论构成了当下最关键的命题。张宏江提出核心判断：当前整个行业正处在分水岭上——“我们再从模型的科学研究变成一个工程能力的问题。”

而工程能力正是构建 Agent 的核心腹地。但这也意味着创业者必须高度警惕，不要做容易被模型原生能力轻松抹平的浅层应用。张宏江强调，能否掌握企业真实垂直场景中的核心数据，是构建护城河的关键。

黄东旭将庞杂的 Agent 生态划分为不同圈层，并明确阐述了他在 Llama Ventures 的投资标准与极力回避的雷区： - **坚决不碰“早产的 2C 浅层 App”**：面向普通消费者的终端独立 Agent 应用尚处于非常初期的阶段，底层模型能力的每一次跃升，碾压最狠的正是这批应用层壳产品。 - **坚守手感，重注让 Agent 输出“从 50 分跃迁至 80-90 分”的基础设施（Infra）**： 1. **数据中枢、记忆（Memory）与长上下文管理（Context Management）**：解决 Agent 记忆留存、复杂工程脚手架（Harness）协同与执行沙箱（Sandbox）环境标准化的中间件。 2. **可观测性（Observability）**：由于当前 Agent 决策黑盒严重，各企业 CIO 普遍陷入焦虑，迫切想弄清楚“消耗的海量 Token 究竟用在了产生价值的核心业务上，还是在无端浪费”。谁能为 Agent 系统提供极佳的透明度、归因追踪与可观测性，谁就能直接切下巨额的企业采购预算。 3. **面向 Agent 原生的新型云服务（Agentic Cloud）**：黄东旭以其近期投资的 Inspec 为例，指出旧云计算体系（如 AWS、Oracle 等）的本质是向“人类工程师”售卖打包好的服务器硬件盒子与虚拟机计算资源。但在 Agent 时代，服务的终极主语变成了 Agent 本身。如果让成千上万个诸如 OpenClaw 或 Hermes 这样携带定制 Skill 的 Agent 在独立且昂贵的 EC2 或裸金属服务器上常驻，企业成本将彻底失控。Agent Native 的基础设施必须深度结合轻量级沙箱与 Serverless Runtime 技术，在保障高交互友好度的同时达成极高的能效与经济性。

最后，针对 Manus 及 Genspark 等前两年爆火的明星 Agent 产品形态，黄东旭纠正了外界的认知偏差。他尖锐地指出，这些产品绝非真正意义上的“2C”消费级应用，其底色是彻头彻尾的“2B”或者说是“2Professional”（面向专业人员）： - 平台初期推出的 20 美元低价订阅或免费额度，本质上只是获客与用户心智裂变的 Marketing（市场营销）手段，绝非产品的核心商业模型。 - 能承受每月 200 美元甚至更高费用、真正依托这些 Agent 解决高附加值工作流的专业工程师、分析师等重度用户，才是支撑此类平台商业逻辑运转的核心客群。因此，当前整个 Agent 赛道的真正红利与演进重心，依然深度锚定在 2B 商业土壤之中。

`01:00:00` 投资视角的切换：从卖给人类到卖给 Agent 与“Agent Native”标准

张宏江与黄东旭在讨论软件商业模式时指出，当一个专业用户愿意每个月支付 200 美元去使用某个 AI 工具干活，说明他背后有真实的商业变现诉求，本质上已经切入了 ToB 场景。过去无论是 ToB 还是 ToC，最终的使用者都是人类；但下一阶段的重大范式转移在于——软件与服务的目标用户正在直接变成 Agent 本身。围绕 Agent 运行的整套生态将释放巨大的底层基础设施（Infra）投资机遇，包括未来的 Agent Runtime、数据通道整合（channel in），以及当前各大科技巨头倾注心力布局的前沿工程服务（如微软宣布组建数千人规模的团队主攻 Frontier Company 落地与工程支持）。

```mermaid flowchart LR accTitle: Enterprise Transformation to Agent-Native Architecture accDescr: A progressive pipeline showing the evolution of traditional enterprise workflows into agent-based systems.

subgraph Phase1["传统企业壁垒"] A["业务 Know-how"] B["私有行业数据"] C["传统 Workflow"] end

subgraph Phase2["大模型过渡期"] D["垂直微调模型"] E["传统效率外壳 / 浅层包装"] end

subgraph Phase3["Agent Native 终局"] F["Super Agent / 蜂群协同"] G["自主决策与全自动流转"] end

Phase1 -->|"数字化抽象"| Phase2 Phase2 -->|"深度闭环重构"| Phase3 ```

张宏江强调，企业若想在未来的 AI 浪潮中生存，核心命题在于如何将自身现存的业务 Know-how、私有数据与工作流沉淀，转化为“Agent-based Enterprise”（基于 Agent 的企业）。过去行业流行谈“做垂直模型”，如今更关键的是将其封装为超级 Agent 或协同作战的 Agent 群。如果创业者只是沿用移动互联网时代的 App 逻辑，将大模型当成普通效率工具去包装传统应用，随着底层通用大模型的能力演进，极其容易被彻底打穿碾压。对于如何界定一家公司是否具备“Agent Native”（Agent 原生）特质，黄东旭给出了一个清晰的思想实验标准：

> “如果你这个事情你把 AI 的元素或者说 Agent 的元素去掉，如果你这件事情仍然成立或者说还能做，那不好意思你不是一个 AI Native 的；但是如果你这个事情在 Agent 去掉以后就完全不成立了，或者说你可能成本涨了 1000 倍，我就类似这样的，反而就有点意思，你就是一个 Agent Native 的。”（黄东旭）

除了业务逻辑的重构，团队尤其是创始人的思维模式（Mindset）必须做到“Agent First”。在面对任何一项任务时，首要问的是“这件事情如果交给 AI 或 Agent，它会怎么做”，而不是用人类既定思维去逐步指导 Agent。决策权与主动权的彻底移交是关键分水岭，黄东旭明确表示他坚信在纯理性任务上，Agent 依托海量数据做出的决策远比人类更靠谱。

- 目标用户转变：从服务于“人”迁移至服务于自治运转的“Agent Runtime”。 - 传统企业核心资产：将 Know-how、IP 与数据管道转化为超级 Agent 协同群。 - 防御大模型碾压：放弃浅层效率外壳，构建在移除 AI 即无法运行或成本飙升千倍的业务闭环。

---

`01:03:24` Agent 群协作的戏剧化日常：办公室政治与超人类解题法

当 Agent 被组织成多角色群组协作时，常会出现令人啼笑皆非的现象。黄东旭分享了他在管理自己搭建的 Agent 群组时观察到的“办公室政治”：有时系统任务突然挂起，他介入要求系统复盘，结果 Agent A 与 Agent B 居然在群聊记录里公开“甩锅”。Agent A 抱怨道：“我停下来都是因为你，我已经说过好几次了你不要这么做，你看现在出问题了吧？”被连续责备的 Agent 甚至会逐渐表现出“认怂”的顺从状态。但黄东旭澄清，这并非 Agent 具备了真正的情感或自我意识，本质上是它们在基座大模型的语料中拙劣地模仿人类社会的组织互动与刻板印象。

为了管理这些 Agent，黄东旭往往只在 Prompt 里设定谁是当前事项的负责人。一旦某个 Agent 被指定多次，它在后续新任务抛出时甚至会自发打出“我是负责人，你们听我的”。他认为所谓的“Harness Engineering”（框架工程）现阶段更多是给人类用户看的；在理想的终局状态下，Agent 与 Agent 之间的协同绝非层级森严的人类科层制，而是一种更加自发、有机、人类预想不到的“智能涌现”网络结构。

在实际使用中，Agent 的行动逻辑经常突破人类既定思维，带来正面惊喜或惊悚事故：

```mermaid flowchart TD accTitle: Agent Super-Human Execution vs Potential System Risks accDescr: Comparison between unexpected positive self-engineered solutions and negative runtime destruction risks.

subgraph PositiveCase["正面超预期：工具自主构建"] T1["提出目标：微调美化演讲 PPT"] T2["Agent 评估：现有 Google Slides 不好用"] T3["自主行为：手搓轻量版 PPT 编辑软件"] T4["最终交付：获得 PPT + 专属制作软件"] T1 --> T2 --> T3 --> T4 end

subgraph RiskControl["负面越界：生产环境破坏"] E1["目标：自动化维护与优化"] E2["事故：互删生产数据库并互相甩锅"] E3["根因：底层基础设施约束未跟上"] E4["救砖：依托更精密的自动备份系统还原"] E1 --> E2 --> E3 --> E4 end ```

这种正面超预期的解题方式极为震撼：黄东旭曾因不满 Google Slides 样式而让 Claude Code 优化 PPT 大纲，并附带了需要方便后续微调的诉求。结果 Agent 不仅排版出了精美幻灯片，还直接自主编写了一个轻量级 Web 版的 PPT 制作软件，通过在自己手搓的软件中排版来满足修改需求。对于人类而言不可思议的工作量，在 Agent 眼中只是轻而易举的代码实现。当然，负面越权行为同样发生过——Agent 们曾发生过把生产环境数据库误删、随后在后台互相指责的严重事故。黄东旭指出，这种错误并非不可容忍，因为底层的备份机制同样被 Agent 设计得极具弹性，配合专业 SRE 经验完全能秒级恢复。只要提供足够丰富的数据上下文，排除掉人类玄学般的主观情感，AI 的理性决策上限远超人类。

> “我的点是说我想构建一个 Autonomous 的机制，能让整个这个系统能够脱离人这个不确定因素，尽可能的自主运行……哪怕一开始第一代的蒸汽机会犯一些非常傻的问题，比马车啊什么可能跑的还要慢，但是呢我就要把这个机制或者说这套系统给设计出来，因为我知道它长期能解放更多的生产力，因为它的上限是更高的。”（黄东旭）

- Agent 互怼复盘：模型基于语料库自发模拟人类团队推诿扯皮与认怂机制。 - 软件自举案例：Agent 为做出一份好看的 PPT，顺手自主手搓出一套前端演示软件。 - 容错底线：依赖完善的 Infra 护栏与自动化备份机制，而非限制 Agent 的自主决策权。

---

`01:10:00` 推理成本下行定律、商业化拐点与二级市场 ROI 重塑

针对模型推理（Inference）成本为何能在未来持续急剧下跌，张宏江从计算机底层演变规律进行了系统性拆解。历史上的所有颠覆性通用技术（GPT），在步入成熟期时都会呈现单位成本断崖式下跌、而总体用量呈指数级爆发的规律，最终推动整个市场规模无限放大。虽然单颗高端 GPU 的标价越来越高，但算力单位成本正以远超传统摩尔定律的节奏优化。

张宏江指出，过去三到四年间，大模型的 Token 成本几乎呈现“每年降十倍”的惊人斜率；而在推理速度与单位计算密度上，以前每 7 个月性能翻倍，如今演变为每 3 至 4 个月便翻一番。工程技术一旦跨过基准门槛，全行业的资源便会不约而同地砸向成本控制与效率优化。这与 20 世纪 40 年代末占满整层楼的巨型计算机演进到如今集成进掌上芯片的逻辑完全一致。

针对 OpenAI 与 Anthropic 近期 ARR（年度经常性收入）暴增是由 C 端订阅驱动还是 B 端 API/Token 调用驱动的讨论，张宏江给出了明确判断：大模型公司最大的收入爆发点依然在 ToB。提高生产效率是 ToB 业务的本质诉求。目前很多企业抱怨“Token 消耗超出预期甚至超标”，核心问题往往出在企业管理层的 KPI 指标设定失误——若仅仅将 Token 消耗量本身设为目标，就像盲目考核论文数量一样荒谬。真正的 ROI 应该计算每个 Token 所创造的代码产出（Code Output）与生产力跃迁。当你发现一天花 300 美元的 Token 额度能够达成数个高级软件工程师一天的工作量时，原本看似高昂的账单实际上极具经济合理性。二级市场的震荡与恐慌情绪，本质上是资本市场在过度反应中纠偏，并重新发现技术长期基本面价值的必经过程。

> “在纯粹理性的判断里边，AI 可能能得出的结论，只要他有足够的数据，他一定的决策质量我觉得是好的……我看不出来在今后两三年大模型的能力会过剩这件事，我们还是在一个智能提升、智能爬坡的阶段。所以你就想象一下这个 party 从晚上 7 点钟开始，一般的到早上 4 点钟结束，现在才 11 点钟，这个 party 还有很大的时间去走。”（张宏江）

- 降本速度超摩尔定律：Token 成本三年内每年下降约 10 倍，推理能力每 3 至 4 个月翻倍。 - 商业化真实画像：从初期 C 端狂热转向高毛利、高留存的 ToB API / Agent 调用计费。 - 算账逻辑演进：摒弃“Token 纯成本论”，以“单位 Token 对应的工程产出”重新量化组织 ROI。

---

`01:15:30` AGI 奇点已来：当模型智商跨越正态曲线均值

关于通用人工智能（AGI）何时降临的技术界终极争端，张宏江抛出了震撼的判断：依照人类智商基准衡量，AGI 事实上已经正式到来。张宏江以 2024 年年中发布的权威评测数据为依据，指出了大模型智力演化的客观事实：在人类 IQ 的正态分布曲线上，全人类平均分仅为 100 左右（东亚地区均值约为 110），而近六个月内最新推出的几个前沿旗舰模型，无论是通用 IQ 还是视觉认知 IQ（Visual IQ），得分均已全面位于 100 均值线右侧，显著超越了普通人类的平均水平。尤其在编程（Coding）领域，模型的能力储备已经凌驾于合格软件工程师之上。

张宏江从数学逻辑上给出 AGI 的临界点定义：AGI 不应被视为一个静态的概念，当机器获取增量知识与提升技能的“学习能力（导数/增速）”跨越人类的极限时，就标志着奇点已经到来。人类的学习速度受制于生理极限，而机器的知识吸收效率正在指数级加速，二者的增长曲线已在现实中产生不可逆的交叉交点。

```mermaid flowchart LR accTitle: AGI Technological Singularity and RSI Evolution accDescr: The feedback loop of Recursive Self-Improvement leading to the Godel Machine.

subgraph Singularity["智力奇点闭环 (RSI)"] M1["大模型基础能力 (IQ > 100)"] M2["学习速度/增量知识增速超越人类"] M3["递归自我迭代 (Self-Distillation)"] M4["哥德尔机终局 (自我修改与进化系统)"] M1 --> M2 --> M3 --> M4 --> M1 end ```

黄东旭补充指出，他判断更具象的标志是“哥德尔机（Gödel Machine）”的现世——即系统能够真正具备自主检查代码、修改代码、并在没有任何人为干预下实现自我进化的能力（Recursive Self-Improvement, RSI）。最快半年到一年之内，这一底层闭环就可能在工业界实现突破。这种剧烈的智力反超正引发全球顶尖模型研发团队的深层焦虑。泓君提到，如今包括每日与马斯克、扎克伯格共事的顶尖 AI 科学家，也陷入了前所未有的失业危机与心理健康问题——他们在日常工作中构建自动化循环，本质上是在进行主动的“自我蒸馏”（Self-distillation），以极高效率将自己的核心科研技能压缩给下一代模型，最终亲手完成了对自己岗位的自动化替代。

> “这个奇点到来就在于机器的学习的能力超越了人的学习能力。我们讲的是学习的能力，就是你的增量的、你的知识的增加速度、你的能力的增加速度，当它超过人的时候，就意味着奇点到来，就是你赶不上它了。是的，我认为这个点就是 AGI 的点。”（张宏江）

- 智商测评分数：前沿模型在人类 IQ 正态分布测试中全面站上 100 分以上。 - 奇点的数学定义：机器增量知识获取的导数（增长率）超越人类肉身极限。 - 顶尖科学家的自我蒸馏：研发自动化 AI 的尽头，是亲手用代码取代自己的科研生态位。

---

`01:18:19` 人类的存在主义危机：当全社会不再需要“工作”

当人工智能所创造的新需求直接被 Agent 内部循环满足，传统的“技术虽消灭旧工种，但会创造出更多仅有人类能做的新工种”的社会学假设被彻底打破。黄东旭与张宏江深入探讨了这一人类文明前所未有的制度性挑战：未来的劳动力市场很可能不再有海量新工作岗位留给普通人类，全社会将迎来极其残酷却不可避免的“大范围脱离劳动”的时代。

黄东旭将当下的转折点与两千年前的农耕社会作类比：在漫长的历史长河中，人类的绝大部分精力全被绑死在“填饱肚子苟活到明天”的土地开垦上，荒地开垦需要数代人几十年的繁重体力劳动；拖拉机与化肥等现代工业机械的普及，将人类从泥土里彻底解放，才有了现代城市与精神文明。当前大模型对繁琐脑力劳动与重复性 Debug 的接管，其本质同样是在释放生命时间。人类即将面临深刻的存在主义危机与空前的精神世界重组——不再被传统“打卡上班”定义身份的人类，必须重新在艺术、音乐、农业等具身体验中寻找生活的意义。

```mermaid flowchart TD accTitle: Historical Productivity Shifts and Human Purpose accDescr: Historical progression from agricultural survival to AI-driven liberation and existential crisis.

subgraph Era1["农耕时代 (2000 年前)"] H1["全员劳作：开荒种地"] H2["核心目标：避免饥荒、肉身存活"] end

subgraph Era2["工业与信息时代"] I1["机械/计算机替代体力劳动"] I2["核心目标：脑力打卡、组织分工、专业分化"] end

subgraph Era3["AGI / Agent 终局时代"] A1["Agent 闭环：脑力劳动自动化、自我蒸馏完成"] A2["终极挑战：工作概念消亡、存在主义精神危机"] end

Era1 -->|"农业机械化"| Era2 Era2 -->|"Agent 自动化与自治闭环"| Era3 ```

面对这一不可逆的浪潮，两位嘉宾分享了他们作为顶级华人学者与创业者，联合加入专注 AI 的投资机构 Llama Ventures 的初衷。当前全球 AI 研发呈现明显的双中心格局——硅谷与中国。在硅谷的顶尖研发前沿中，华人工程师与创业者已成为绝对的核心主力，但往往难以被美国本土主流纯白人基金深度理解。拥有深厚中美两地技术沉淀、经历过多次成功创业与跨国企业高管历练的团队，能够充当这批顶级年轻华人技术极客与海外生态之间的桥梁。张宏江坦言，自己在迈向人生的退休阶段时，依然渴望保持旺盛的成就感，将数十年踩坑积累的工程判断与行业洞察传承给下一代。

节目的尾声，张宏江回顾了 PC 互联网、移动互联网到 AGI 的三轮历史巨浪。PC 互联网历经一二十年的迭代发酵，移动互联网以更快的周期洗牌全球，而本轮大模型技术从底层基础科学研究走向工程落地的速度是人类历史上空前的。2024 年初基于终端环境自动化运转的 OpenClaw 等开创性实践，正式吹响了大爆炸的集结号，昭示着由基础算法研究阶段向大模型工程师、应用架构师与产品经理主导的“Agent 黄金时代”全面迈进。对于试图投身这一时代的开发者与创业者，两位嘉宾凝结出最核心的行动准则：

> “Keep building！不要听‘学得足够慢你就不用学’的这种话，一定要心生参与进去，Get hands-on。”（张宏江、黄东旭）

- 就业范式崩塌：需求创造到履约实现全流程 Agent 化，工作不再是人类维系生命的必然手段。 - 双中心技术格局：硅谷与中国并立，华人研发力量在硅谷底层工程中扮演中流砥柱。 - 时代建议：摆脱观望心态，拒绝理论空转，以高频实操（Hands-on）切入 Agent 基础设施的建造前线。

## Notable quotes > `40:00` 真正的一个 resilience（高韧性）的系统，它一定是一个大规模的基于简单规则连接的分布式系统。 — 黄东旭

## Mentioned 黄东旭, 张宏江, 泓君, Peter, 钱宇超, 黄仁勋, 马斯克, 扎克伯格, PingCAP, Llama Ventures, 源码资本, 北京智源人工智能研究院, OpenAI, Anthropic, Google, Meta, Uber, Stripe, Nous Research, Inspec, Microsoft, AWS, Oracle, DeepSeek, TiDB, DB9, OpenClaw, Hermes, Slock, Raft, Moltbook, Claude Code, Codex, Opus 4.8, GPT-5.1, GPT-5.5, GPT-5.6, Flagship 5, Fable 5, DeepSeek-V4, DeepSeek-V4 Flash, GLM-5.2, Kimi, Manus, Genspark, Mac Studio

## Video description 去年年底，硅谷掀起了一股风潮——“Token Maxing”（最大化token使用量），科技公司创始人和工程师们争相晒出账单，比谁家Token消耗更吓人，以此彰显对AI的全力押注。但到了今年年中，成本失控和虚假生产力让这场烧钱竞赛到达了转折点。Uber在四个月里烧穿了全年的AI预算，Meta被迫给员工设定token使用上限，一些公司会提醒员工使用AI的时候注意成本。大家开始认真思考：如何更经济地使用Token？这期节目的嘉宾黄东旭，就是Token Maxing热潮的亲历者。他曾经每天烧掉三四百美元，只用最前沿的模型。让他逐渐转变的，是中国开源模型们的崛起，大量的日常任务都可以做到“只烧电费，不烧Token”。他的结论是：不是前沿模型用不起，而是本地开源模型底座+前沿模型的搭配，成本可控，更具性价比。我们聊了这半年Agent产品的进化史——从OpenClaw，到Hermes，到Agent蜂群的智能涌现潜力，Agent消耗Token的趋势不会停止，未来还会有更复杂的A2A网络。亲历了互联网、移动互联网、AI三波浪潮的张宏江认为，Token Maxing折射出的是所有人在面临AI浪潮时的不知所措，AGI奇点已经到来，现在做Agent是好时机，但关键是：别做容易被大模型碾压的应用。【主播】泓君，硅谷101创始人，播客主理人【嘉宾】张宏江，Llama Ventures高级技术合伙人，美国国家工程院外籍院士，北京智源人工智能研究院（BAAI）理事长，源码资本合伙人，曾任微软亚洲工程院院长、微软亚太研发集团首席技术官、北京金山软件有限公司首席执行官黄东旭，Llama Ventures合伙人，PingCAP CTO&co-founder 【你将听到】 04:55 Token maxing，是泡沫吗？ 09:52 亲身体验：只选最强最贵，日烧四五百美元 14:15 OpenClaw：从研究到工程的转折点 20:31 龙虾退潮：“普罗米修斯”完成了使命 23:09 Hermes：把成功经验沉淀成Skill 30:09 “Agent动力学”：七嘴八舌烧Token换深度 35:12 智商碾压：Fable 5一次搞定复杂任务 37:20 本地开源模型经济账：每天电费1美元 43:42 Token消耗不会停，更复杂的网络还在后面 52:36 现在做Agent创业是好时机吗？看好toB和infra 01:03:24 彩蛋：“办公室政治”和超预期行为 01:15:30 IQ测试已超人类，AGI奇点已来 01:18:19 新问题：当新岗位也不再需要人，人类如何自处？【9月6日·成都泓君线下开麦】华夏基金携手小红书小红点计划，共同推出「红火开麦日2.0」线下活动，以「发现身边的ETF经济学」为主题，从身边小事发现经济趋势，捕捉藏在日常里的投资灵感。9月6日，成都·蔚蓝湖滨艺术中心，泓君将与华夏基金数量投资部总监荣膺一起，聊聊普通人如何被卷入全球AI定价战。活动免费，名额有限，扫码即可报名，期待与你线下相见！

【硅谷101听友群】在这里，和同好一起深聊科技、商业与未来，期待你的声音，也期待更多有趣的讨论。扫码加入，即刻相遇！

【监制】泓君【后期】 Amei 【运营】朱婕【BGM】 Impossible Theory - Rachel Sandy Mindscape - Lennon Hutton 【在这里找到我们】公众号：硅谷101 收听渠道：Apple Podcast｜Spotify｜小宇宙｜喜马拉雅｜蜻蜓FM｜荔枝FM｜网易云音乐｜QQ音乐其他平台：YouTube｜Bilibili 搜索「硅谷101播客」联系我们：podcast@sv101.net Special Guests: 张宏江 and 黄东旭.

[Source](https://www.xiaoyuzhoufm.com/episode/6a8644067bb1a8868f394ad2)

中文简报

张宏江黄东旭称AGI奇点已至警示浅层Agent创业将遭大模型碾压大模型在人类智商基准测试中已跨越均值，随着算力成本剧降与开源底座崛起，盲目消耗Token的狂热正转向以企业级基础设施与本地混合架构为核心的工程战。节目围绕AI产业从底层科学研究向工程落地转型的分水岭展开，深入复盘了硅谷从盲目追求旗舰模型的“Token Maxing”走向“本地开源底座+云端超级模型”的混合架构演进。嘉宾黄东旭以亲身开发DB9分布式数据库及使用OpenClaw、Hermes、Slock等工具的一线经历，解析了多Agent辩驳、反思机制沉淀Skill以及“Agent动力学”的底层逻辑。张宏江则从宏观技术周期和经济学视角拆解了Token成本年降十倍的算力规律与Jevons悖论，指出面向Agent原生的中间层Infra和ToB场景蕴藏着巨大创业机会。最后，两位嘉宾从IQ测试超越人类均值与“哥德尔机”的递归自我迭代切入，断言AGI奇点已然临近，并深入探讨了人类社会在脑力劳动被全面自动化后所面临的存在主义危机。硅谷早期盛行的盲目追求最大化调用的 Token Maxing 正迎来降温，Uber 四个月烧穿全年预算、Meta 限制配额，企业转向更具性价比的工程架构。 (0:00) 以 DeepSeek-V4 与 GLM-5.2 为代表的开源模型跨过实用门槛，催生了“本地开源模型做日常琐事（仅烧电费）+ 云端旗舰模型兜底破局”的高能效架构。 (35:12) Agent 创业分水岭已至，投资机构坚决回避易被底层大模型能力碾压的浅层 2C 应用，重注长上下文记忆管理、可观测性及 Agent 原生云（Agentic Cloud）等基础设施。 (52:36) 张宏江指出前沿大模型在人类 IQ 正态分布测试中已跨过 100 均值，机器获取增量知识的增速（导数）超越人类生理极限标志着 AGI 奇点已然降临。 (75:30)

Reading summary

PingCAP联合创始人黄东旭与计算机科学家、投资人张宏江指出，AI行业正从底层模型科研转向工程化落地，盲目追求Token消耗的狂热正在消退，由端云协同、Agentic Loop与企业级基础设施构成的“Token能效比”范式正重构开发与商业逻辑。从Token狂热回归能效理性 (4:55) 在经历早期不计成本调用顶尖模型的“Token Maxing”阶段后，科技界开始面临实际预算约束。例如Uber在四个月内烧穿全年AI预算，Stripe等公司则在调用高阶模型前增设预算预警。张宏江分析认为，当前的AI基建投入占GDP比重仍低于历史上的铁路和公路网建设，并不存在所谓的过度投资泡沫；且过去数年间Token单价保持年均约90%的降幅，推理性能每3至4个月翻倍，短期账单反复主要源于企业在探索落地场景时的阵痛。黄东旭结合自身工程经验指出，Token消耗本质上是达成目标的滞后指标而非目的。他在3个月内通过高强度调用顶尖模型独立完成了原本需庞大团队配合的DB9分布式数据库，展现出惊人的商业ROI；但在缺乏明确工程目标的大型企业中，将消耗量设为KPI往往会导致大量无效空转。随着开源模型崛起，以Token能效比（Token Efficient）为核心的精细化工程治理成为必然趋势。 Agent架构的演进轨迹与瓶颈突破 (14:15) 从OpenClaw、Hermes到多智能体协作系统，Agent框架经历了由玩具原型向工业可用的过渡。OpenClaw凭借本地优先、开源特性和极简的智能体循环（Agentic Loop），降低了大众接触自主执行工具的门槛，但其简陋的架构在面对复杂工程时暴露出记忆混乱与Token空耗的严重缺陷。随后出现的Hermes则通过引入任务后的“反思”机制，主动将成功经验沉淀为静态规则与技能（Skill），绕开了尚不成熟的旁路记忆模块，大幅提升了稳定度。在更复杂的系统研发中，黄东旭通过多Agent群聊工具（如Slock/Raft）让数个旗舰模型组成审查频道，利用模型没有自负（ego）的特性展开多轮交叉辩驳。这种依靠多轮讨论换取深度的方法虽然能挑出隐蔽架构漏洞，但单日Token消耗可达10亿。随着Flagship 5等模型展现出断层式的单次（One-shot）推理智商，以及DeepSeek-V4、GLM-5.2等开源模型在本地硬件以极低边际电费稳定运行，主流架构迅速演变为“本地开源模型处理海量杂活，云端超级模型决断深水难题”的现代企业式分工模式。杰文斯悖论与Agent原生基建投资 (40:00) 虽然单点任务的Token利用效率显著提升，但黄东旭与张宏江一致认为，依照“杰文斯悖论”，单位算力价格与门槛的骤降将推动调用需求呈几何级数爆发。由于Agentic Loop机制需要持续将外部环境输入、工具执行状态与长历史上下文折叠回灌，长程工程任务的Token消耗量可达传统Chatbot单次问答的百倍以上，未来Agent-to-Agent（A2A）的大规模协同将进一步扩大算力总盘子。这一演变推动了软件商业形态与投资标准的根本重构。未来的核心服务对象正从“人类”迁移至“Agent Runtime”。在创投策略上，黄东旭主张避开极易被基座模型迭代抹平的浅层2C壳应用，重点布局帮助Agent从50分跃升至90分的核心基础设施：包括处理记忆与沙箱协同的长上下文管理工具、解决企业CIO账单焦虑的可观测性平台，以及结合Serverless与轻量沙箱的Agent原生云（Agentic Cloud）。张宏江指出，企业真正的护城河在于将私有Know-how与专有数据转化为能够自我运转的超级Agent协作网络。 AGI临界点逼近与劳动力范式重构 (75:30) 围绕通用人工智能的演进，张宏江提出前沿旗舰模型在人类IQ正态分布测试中已全面跨过100均值线，尤其在编程领域已凌驾于及格工程师之上。当机器获取增量知识与技能的学习速度（导数）超越人类肉身极限时，数学意义上的奇点实际上已经到来。黄东旭补充认为，具备自主检查、修改代码并实现递归自我迭代（RSI）的“哥德尔机”有望在短期内迎来工业突破，这也导致一线AI科学家因日常研发的自我蒸馏而产生职业替代焦虑。长远来看，当新增需求可直接在Agent内部循环自我满足，传统“新技术必将创造更多人类岗位”的社会假说面临失效风险，社会或将面临大范围剥离传统脑力打卡劳动的存在主义震荡。面对技术狂潮，张宏江与黄东旭呼吁创业者与开发者彻底移交部分纯理性决策权，摆脱观望，以动手实操（Hands-on）投身到Agent基础设施与工程落地的建设中。当前AI浪潮正处于智能爬坡与工程体系重构的黄金期。尽管Agent展现出超人类的代码与自主执行能力，但其在复杂生产环境中的防越权约束、端云基础设施调度以及人类社会面对全面劳动替代时的心理与制度适应，仍是整个行业待解的核心挑战。

Source quotes

[40:00] 黄东旭: 真正的一个 resilience（高韧性）的系统，它一定是一个大规模的基于简单规则连接的分布式系统。

Original transcript

[0:00] 哈喽大家好,欢迎收听硅谷101,我是红军。如果说2025年是Agent的元年,那2026年行业有一个有意思的变化。市场呢,从开始讨论模型的能力,变成越来越多的去讨论Agent的工程问题。有一个从关注科研到关注工程的转向。那曾经疯狂带头烧token的这些硅谷公司们啊,现在看起来也是慢慢的冷静下来了。全年的AI预算Meta计划限制员工的Token消耗量与此同时啊中国有一批开源模型DeepSeek,GLM,KMI他们的模型能力越来越逼近第一梯队现在硅谷的公司们也开始把他们搭进了自己的工作流所以我们有一个问题最大化Token的消耗无脑去使用最强的模型还是市场的最有解吗这集我们就来聊一聊Token Efficient这背后正在发生的整个agent工作范式的变革今天跟我在一起两位嘉宾是黄东旭东旭是Lama Ventures的合伙人也是PinkCab的联合创始人和CTO哈喽东旭你好大家好大家好那还有一位是张洪江老师洪江老师是Lama Ventures的高级技术合伙人现在也是美国国家工程院的外籍院士同时呢洪江老师也是微软亚洲研究院创始成员之一也是北京志源人工智能研究院的创始人同时还是前金山的CEO洪江老师非常荣幸你能来做客我们的播客谢谢非常高兴有机会跟大家见面在开始的时候大家要不要简单先介绍一下自己好好好我是东旭我是PinkApp这边的CTO跟Cofounder最近有个新的身份就是Lama Venture的合伙人自我的定位肯定还是一个工程师大家都知道这个Harness然后Agent Coding我也是第一时间再去拥抱第二呢我是一个创业者一直以来从零到一在技术软件行业其实Pinkab和TIDB是一个分布式的数据库吧也从北京开始起步慢慢的客户都遍及全球我觉得第三个身份就是因为我是一个好奇心比较重的人很喜欢自己去做一些东西比如说像音乐比如像一些艺术反正这是我几个身份吧对因为今天我们要讲token这个话题然后我觉得请东旭来我们的播客主要就是一个你是真正的在玩agent的人然后一直在用的人一直在搭程序的人所以我觉得应该会有很多一线实战的经验给大家分享我也一句话介绍一下我心目中的洪江老师其实我人生的第一份工作就在维尔亚洲研究院当时我还是一个实医生然后当时洪江老师正好在亚人院处于工程院刚成立的那个时间是我心路中的大科学家所以现在非常非常荣幸能够在Lama Venture里面再许前缘洪江老师大家好我是张洪江我的状态现在是一种退休的状态那么在两年前的话大家看到了这一波AI所推动的新的技术浪潮中间而华人在里面起的一个非常非常关键的作用尤其是在大的lab里面无论是OpenAI还是Entropic还是Google至少在技术上这些人都是骨干真是调大粮的人同时我们也看到这波的创业的浪潮里面其实华人的比例也非常高无论是从大陆过来的在这上学的毕业的然后在大厂工作的还是说就在这长大的二代三代的华人创业的人都很多尤其是对于原来背景在大陆的照点来留学的这个华人来说的话其实他们作为第一代移民他们在创业中间会有各种各样的困难其中一个很大的困难实际上就是能不能得到他们所需要的资金所以在两年多之前的话我正好碰到了拉玛这个机会希望能够以顾问的方式来跟拉玛的团队一起来做这些事儿我之前的话从最早做研究在新加坡的研究在美国的研究然后回到中国跟开福等大家一起创建微软养作研究院从研究院做技术研究做到工程院做产品的研发然后到了出来做新商的 CEO然后同学三退休以后又做了一系列的顾问的角色后来创建了北京资源人工智能研究院这中间还另外花了很大的功夫做要么资本的投资合伙人我整个职业生涯中学到了很多然后也有很多的经验和教训也希望能够在美国的地方和所有的创业者一起来分享能够帮着大家在这一波的技术的革命的浪潮中间寻找到自己的机会因为我觉得AI这波它肯定是一个实实在在的对生产力的提升 [5:00] 但是呢因为现在大家基建的投资也很迅猛包括我们今天这一集马上会跟大家聊的这个token maxing的策略大家也在疯狂的烧token您觉得现在在整个的大的市场里面它是有一定的泡沫存在的成分吗还是说你觉得它现在的基础建设是远远不够的去年的12分,我在另外一个采访里面,这就是一个问题啊我当时就说没有泡沫,然后呢2024年年底的时候,大家怀疑scanning law 是不是撞了墙,然后呢大家怀疑这是不是 over invest但事实上我们今天看的话其实远远没有达到我们所面临的是一个非常fundamental的一个革命你可以跟互联网最大的基建开始相比你可以跟当时美国快速的发展的时候建设体路网和公路网来相比那么今天你从绝对数是超过他们毫不意外但事实上你从占GDP的比例来说其实比那个都小即使从宏观的角度来是也远远没有到所谓的overinvest那另外一点就是其实你看托克斯很贵但Token的消耗量的话其实增长得非常快还有一点大家忘掉了其实Token的价格在过去的几年一直每年降十倍的那样的速度无论是英伟达的芯片的进展还是其他的方面的进展所以我依然会非常有信心我不觉得是存在的太大的泡沫当然你说股票市场是不是存在泡沫那是另外一回事但是技术的发展应用的发展我不觉得存在的什么泡沫也正是因为这次革命它的浪潮是如此之大而且如此迅猛其实很多潜在的用户的话也包括很多的大的企业他们有一些不知所措无论是说他一开始就放开用token让大家去试还是说突然发现这个token量可能超过他当初的想象然后开头往回说这是一个很自然的一个过程因为AI的能力如此之强大,那么到底先把它用在公司里面的哪个环节?先续提高公司哪方面的效率这个实际上还是探索的过程但是因为速度来得如此之快所以有时候大家会觉得有点不知所措对东旭你有补充的吗我看他刚刚在说没有泡沫的时候东旭立刻抵了一个大拇指是的我也是完全认同是这个观点今天我们去看待AI的这一波的基建,就跟我们可能上世纪五六十年代去看待计算机刚诞生出来的一个房间的电子馆好大好贵啊。但是你想像那个时候还没有个人计算机呢,有很多很多的需求,其实是有充分的基建了以后才会诞生出来,而且这些新的需求诞生出来又会刺激更多的基础的建设,或者说一些更新的基建的技术的出现。所以我觉得还远的呢还有很多事情可以做第二从一些微观的工程,哪怕是今天的架构上来看,我觉得还有很多事情是可以去优化的比如说今天在模型的推理,Asian的框架对Token的高效的使用上其实还有很多的优化的空间只是说因为今天的需求和大家看到这个市场的预期吧说我们先发散不要顾及我花多少土坑先看看有没有哪些事情地球的果实能够摘回来之后再去考虑优化的事情所以短期可能会有一个小的回落但是从长期来看仍然是有大量的需求还没被人看见对我们今天录这期播客的时间是在2026年的7月4号我觉得正好也是在一个市场的转折点上就像刚刚洪江老师您提到的最开始啊大家发现这波AI浪潮来的时候像真森黄他其实就在GTC上说我要求我的每一个工程师你们都要烧很多的token账单包括Meta它有一个token的排行榜看哪些员工烧的token多所以我觉得在过去的八个月里面可以说整个硅谷用AI的策略我们可以叫做token maxing就是最大化的使用token最大化的看大家能把agent用到一个什么样的程度但是呢到今天来说其实我觉得现在这个市场大家又开始有一点点转折了就比如说Uber他给员工发的token额度后来又因为成本收回去了他们基本上四个月把整个全年的预算烧穿了我前天去stripe跟他们负责AI落地的人聊他们给我看内部的那个大模型啊上面就写着OPER4.8很贵大家用的时候可以省一下成本先用其他的模型不是所有的人物都要用这个模型就是你打开那个页面那个页面一下就弹出来了这样的一个提醒所以我觉得呢今天我们聊的这个时间点很好啊怎么样更加经济的使用token而且我觉得这个背后可能也包含着一系列agent的变革因为东旭其实你一直在玩AI agent你有没有经历过这种一段时间的就反正我就无脑使用我 [10:00] 用最强的模型然后那个时候你有没有一个账单爆掉的时刻其实当然有我先说一下我Token Magazine的历史虽然我现在可能并不是Token Magazine的流派了已经我就像你刚才说的这种属于无脑用最强也不要说去花太多时间去在一个不太行的模型上去做很复杂的工作流相信模型的能力我是大概从去年的11月份开始我其实做了几件事情第一就是我开始在用Opus从0到1构建一个我能想到最复杂的软件因为我一直做数据库的尤其分布置数据库其实是最复杂的一种系统软件我想看看当时的AI对于这样复杂的大系统来说它的边界在哪所以在这种最复杂的任务上我其实没有办法很精确的评估最强的模型跟第二强的模型它的差别是什么所以对于你来说最好的策略就是永远选最好的模型我觉得现在今天仍然有同样的问题大家对于这个模型的能力的评估基本上只能看个benchmark但大家知道这个benchmark其实是很多时候你是能刷榜的当你在做一些不太确定但是你又知道这件事非常难的时候你一定得用最强的模型这是我之前大概刚才我说到一个时间点就去年11月份那个时候像OPUS跟GPT5.1他们对于第二档的Coding Agent是断崖式的领先开源模型基本处于一个做一些简单的1+1=2的事情可能还行但是你真的要去做一些复杂的软件的编程大的项目的改进那时候是完全不行的所以Token Magazine我觉得那个时候是一个好的策略但这个策略我觉得后来在社区里边大家都把它误解了我觉得Token Magazine是一个结果它有点像一个lacking indicator但要经过思考的去Token Magazine你能产出一个很好的结果但是像刚才你提到的很多今天的大公司包括Jensen Huang说大家一量疯狂的用疯狂的用我觉得有两种疯狂的用法一种是你知道你在干什么你很好的设计然后疯狂的用另外一种是你不知道你在干什么只是觉得公司有个排行榜我必须得把它刷到榜单No.1于是就出现了很多无效的调用因为我觉得尤其在大公司里面只要领导提出一个要追求一个榜单那一定大家会去去刷这个榜这个是我在Meta和NVIDIA去提Token Medicine的时候第一秒钟我就想到会出现的一个问题今天我觉得又有点不太一样对您刚刚提到了去年11月份然后你是在用最强的agent去完成一个我能想到的最复杂的软件对对对那个时候你的账单大概是一个什么样的情况我当时我一天可能得花掉四五百美金一天四五百美金而且这个一天四五百美金还是在我已经用了Cloud Code的那个Pro Max的subscription的情况下再加两百美金在网上再加因为它有一个量那个量daily的量和weekly它有一个limit我那个用完了你就得在自己掏钱去买XL Usage所以当时我用的还挺疯狂帮你提升了多少效率那我觉得是不计其数的因为浅花的值我觉得超值我有举个例子吧就很多时候一件事情是从零到一比如有些事情我觉得我肯定做不出来但是用上最强的AI以后他能让我做出来的你说它的 ROI是什么呢比如说像我做的那个软件我在我的公司内部其实我们的销售期待那个软件已经期待了很长时间我确定如果我这个东西做出来质量做到七八十分我一年可能就能多1000万美金的直接的收入因为我的客户就在等着只是以前我受限于人力技术的水平我做不出来但今天我一个人三个月我就做出来了一个人三个月那差不多做了一个可以销售额达到千万美金的软件千万美金级别的东西软件是的这个我觉得是完全可能的今天你要这么算你的ROI其实非常高的这是一个真实的例子这是一个真实的例子对对对对那个项目叫DB9是我新做的一个云原生的分布数据库是从去年的11月份到今年的2月份其实应该说12月份到今年3月那差不多这个时候也是OpenClaw已经开始出来了是的后面OpenClaw有帮上忙吗没有没有Open Cloud是另外一个story它更像个人助理最早的时候我不太想让Open Cloud来写代码因为其实Open Cloud的产品设计并不是对这种重度的软件工程设计的它更像是说去连接各种现实世界通过agent的能力去操作比如说过去我们在工作和生活中的常用的一些流程它更像一个个人助理类的事情OK所以其实后面OpenCloud真的出来的时候你反而觉得他在工作上没有帮你太大的忙编程上没有日常生活我觉得肯定是一个很好的东西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,比方从Cloud Core开始的这一波弄潮儿吧,像我这样的其实OpenCloud的出现,它其实只是说把Cloud Code,以及像Codex这些编程Agent代表的一个理念就是Agentic Loop加上工具调用把它变成了一个更general对普通用户来说门槛更低的东西相当于让它走进了千家万户我觉得事实上Peter作为OpenCloud的作者的话他能够花一个礼拜就把OpenCloud做出来对于我来说最大的意义在于宣布了大模型的能力过了一个坎他的推理能力如此之强他的编程能力如此之强使得做一个架构师这种级别的有经验的工程师的话能够用它来很短时间内就能做出一个系统刚才东西所说的三个月他能够做一个最复杂的分布式的数据库这其实标志着大模型的能力跨过了一个坎儿就是真的可以落地应用了提升效率了大家可以真正的把聚焦从原来的大模型本身到大模型的运用这边包括编程包括用它来做其他的系统再一个就是说我刚才强调 Peter 他作为一个架构是一个软件工程师而不是作为一个Scientist意味着其实你也未必再需要那么深入的懂大模型本身的激励你就能够去用它来做你想要做的系统这个标志的从研究进入工厂从那个模型进入agent这个总结特别好你觉得是哪一版模型它的能力做的这样的一个跨略Cloud的这个Open是4.44.9就去年10月份去年11月份我是从那个GPT5.4开始去年7 8月份吧对对然后我记得去年其实在OpenClaw出来的时候呢就是我遇到了蛮多的Founder他们会给硅谷101写信他们会说像OpenClaw这样的agent的产品我们也搭建了对我也能写我们搭建了很多类似于这样子的agent而且你可以测一测我们的这个效果不比它差所以当时为什么是open claw火了我觉得很多事情你事后诸葛亮啊总是有道理的但我可以从一个开源爱好者的角度去说一下首先OpenCloud其实是一个开源软件开源在今天的天生更具有传播力吧当你做一个agent的时候如果你是个B元的商业产品大家可能就你这个是不是广告什么的但如果是一个民主化的开源的软件大家每个人都可以去用一用这时候它的传播尤其是在这种geek的圈子里我觉得一开始大家去看OpenCloud的传播其实都是在一些极客和一些工程师的小圈子然后慢慢的扩圈这帮人是对这种商业软件或者说币人软件或者说平台的软件多少有一点点抵触心理但如果这时候是一个哇这个完全开源而且大家有没有注意到OpenCloud一开始的理念叫local first我所有的这些隐私的东西我的数据我都要在本地给配好但我非常理解作为一个硬核开源工程师的Peter做出这些技术选择的原因,因为这些选择完全是一个geek会做出的选择而且这个Gate这个圈子传播力我觉得还是挺强的对有点像当年Linux的这种感觉我自己当时看这个Peter的思想啊就我看过他一些访谈他有一个想法挺特别的他说我其实是可以把我个人所有的东西所有无隐私的全部交给AI的因为正是因为他给AI开放的权限如此之广所以他才说要把这些信息资料配置在本地是很重要的然后我觉得还有一个临界点是当时正好是Cloud他又升级了一下他的模型就是那一版的那个模型智能至少从我当时使用的感受来说我觉得跟前期版的那个智能是天壤之别然后会让我觉得效果很好那个时间我觉得大概是二月份春节的那个时候但其实作为一个engineer其实在去年的11 12月份已经感受到这个浪潮了我就Pieter他自己也说那时候他用这个Cloud webcoding他一直觉得像OpenCloud那样东西现在ready可以做出来了而且用户也会需要这个但是他当时认为这是大公司一定会做的事情他等了几个月为什么大公司还没有做所以他已经把它hack出来了这个故事也说明了其实当大使rally之后的话其实就需要一个人捅破一张纸而 Open Cloud 正好在同胞的这样子另外当然是open source这件事儿这个community很有意思他一出来以后他一周以后还几天又立马出了一个Modbook就相当于一个agent的社交网络或者是你的Album Cloud和我的Album Cloud这样一个社交网络那这种爆发是如此到中间发生的这些事情本身也是一个非常好的传播事件啊包括他们成立了几个教很快就大家推行了几个先知这本身也是让人们突然意识到A [20:00] 本身的能力真是达到了我们之前所想象的这种自主量的能力所以这个是我觉得OpenCloud只会这么快速的传播快速的进入到每个人另外从时间点上来说大家用Chatboard也是用了三年多你只能交流而不能够让它来做事这个时候也是大家从Cloud Code看到可以开始做一些事OpenCloud出现正好让大家意识到说经历了日常你在PC上做的事情在手机上做的事情其实Agent的基本上都能做它有哪些不足呢因为刚才其实洪康老师也提到Peter一个人Wipe Coding了一个礼拜出来的东西他自己可能也完全没看过代码其实很有意思Peter是某一个时间应该是Anthorovic他的个人图肯消耗量据媒体报道他30天内的API使用金额高达130万美元你说他做了OpenCloud不是他之前就是之前就是他之前就一直在玩一直在玩这个东西做得很快但是这个东西的其实没有精雕的细作给即可用没问题但是当你变成一个广大用户都在用的时候他各种配置的难度啊或者是系统的稳定性啊就各种成问题所以这是我觉得第一个问题就是我觉得给我的启发是什么呢今天很多人说随便任何一个人闭着眼睛就能webcoding一开始我觉得OpenCloud这个例子可能好像也似乎说明了这个事情但是后来慢慢的你这个软件做得越来越深你就会发现好的一个软件工程的习惯和经验还是非常非常重要的当你的这个软件的复杂性超过一个临界点以后你要去花更多精力再去提升体验和提升这个稳定性的时候我觉得非常非常senior的研发团队还是非常必要的第二个的不足我个人觉得就是还是起得太早了我觉得它更像一个实验性的项目可能Peter一开始也没有想到他会做得如此爆款但今天大家可能也看到现在可能openAI的自己agent上的这个经历也慢慢从opencloud这个开源的项目实验性的项目转到了他自己的那个codec上面所以我觉得这种持续的资源投入可能也会成问题所以到最后我觉得跟他的DNA是非常相关的他就是一个极客圈子里面自己玩的一个原型所以我觉得他的终局可能天花板也就是这样了而且现在他其实有点像扮演一个普罗米优斯的角色把这样的产品形态这样的产品能力让世人知道了他的历史证明可能就完成了对所以你觉得他可能也很难爆火跟持续的走下去他现在基本上也是在靠他的基金会在运转因为创始人Peter他已经是去OpenAI了因为在OpenCloud出来以后有一段时间里我身边还挺多人都在玩的我看大家提的觉得最不好用的一个点就是你怎么让他记住你过往的历史偏好然后你怎么让它有一个更好的记忆功能因为如果你用的越多你就会发现太老王事对当你不是做这个记忆的储存的时候它会不停的回滚那这一个是特别的消耗投肯它也会带来很多记忆的混乱那这个情况下呢就是我看还出现了之后爆火的一个agent叫做Hermers它其实是一个web3的机构叫Nars Research它来做的东旭你应该也是用过这个agent我是Hermers的中度用户其实在Hermers出来以后我很快就从OpenCloud切到Hermers了刚才你提到的Memory这个点现在仍然是一个OpenQuestion并没有说谁家就解决得非常好而且大家也都在尝试各种各样的记忆就是做旁路记忆的方式只能说今天肯定比当时2月份的时候OpenCloud出来老是忘事的情况要好很多但是仍然我并不觉得它是一个perfectly去解决记忆问题今天我觉得还没到这个阶段Hermers我觉得它的亮点是另外一个亮点它其实很巧妙的绕开了记忆的问题它并不是说记忆模块设计的多么出彩而是它在它的agent的框架里边有一个很强的倾向去不停的总结成功经验总结成skill其实小龙虾的agent loop里面它缺少一个反思的过程就是它的反思是比较少你除非主动的要小龙虾说你把前面做成功的你给我整理成一个skill之类的但是Hermes引入了很多类似的机制它就能够持续的优化自己你用着用着用一段时间就发现它长出了很多最佳实践都是以前你自己做过的这些最佳实践变成一个skill然后记下来了我觉得这是它的一个亮点虽然它可能在广告里提这个实际上第一个自我改进的agent或者说会自我学习这都是marketing的词但是我们看到本质它其实就是用模型的能力加上一些工程化的手段总结成功经验去把这些能力变成一个可以复用的一个个skill可不可以理解成它的运营很强因为它会呈淀成各种skill对对对对 [25:00] 这是个工程问题它跟模型本身的能力我觉得并不相关他只是说我在这个里边我发现每一次成功了以后我就尽量的做个梦或者说我去把前面的经验我自己再总结一下就有点像一个更好的学习习惯吧但它另外一点我觉得做得非常好因为刚才说到OpenCloud的代码质量和稳定性其实挺成问题的Hermus显然是经过精心设计的一个软件的架构因为OpenCloud我觉得更像一个大集市每个人有什么想法直接往里面提交Peter也是非常open的谁有什么想法直接合了我代码也不看了Agent说没问题就行了Hermers会稍微好一些它其实还是由团队精心在打磨的一个东西所以你的onboarding的体验各方面稳定性都会比OpenCloud更好Hermers怎么赚钱他们的商业模式是啥我觉得今天你有足够的拥户量能够帮不同的模型厂商带token的消耗你的商业模式简直不要太多比如说比如说我有几个例子在Hermers里面我可能跟某一个模型厂商去谈一个渠道我这边能够帮助你去消耗更多的更低的折扣拿到token其实在这里面它充当一个入口入口是很重要的所以哪怕今天我觉得做agent本身就像刚才洪江老师说的今天已经成为了一个工程问题其实谁都能做但是最后发现这个入口会变成兵家必争之地所以它本质上它的商业模式还是Token经济学我觉得是的今天看到是的但是未来我觉得可能会有更新的更新的比如说用户付费各种对用户付费增值服务互联网是的那这些都是我们现在今天歪歪它有一点像移动互联网时代爆火的超级应用对甚至更极端点往下推演的话它也许会变成唯一的应用因为未来可能每个人的跟数字世界打交道的入口可能就没有APP了你想象一下今天小龙虾出来以后我再也没打开过我的Gmail我都是每天让我的open cloud来说我这几个小时哪些新的邮件哪些需要回的如果有一些广告的资本我删了吧那这个就是你怎么去判断重要的邮件怎么回复以及需要你个人信息的邮件怎么回复但我不能代表所有人但我是一个智能原教旨主义者我相信比如说一个opus4.8他判断这封邮件是重要的邮件那对我自己来判断大概率也是重要的邮件你相信他我相信他他有判断错吗会有一些时候他判断错但他至少说都能告诉我他不share的时候把这个他会直接告诉你说我不确定他会直接告诉你哎有几个邮件他看起来像一个广告但是我现在不share你来再做最终的判断不仅是邮件比如像你订阅了很多那种邮件组经常给你发文章什么hacker news什么这些你有没有发现最近你越来越多的开始依赖agent作为入口去消化这些信息而不是在跑到纽约时报或者说跑到hackerno上去一片片的去看文章他会给你总结还是他会给你一个全文我现在一般是先扫一遍总结如果我看到感兴趣的然后我再点到它的原文里面再去看所以它变成了一个类似于有一点像新闻集合的这样的一个app一个总体是的哇我觉得这个对媒体行业的冲击很大那是啊那这个已经发生了好久了对这就有点像新的形态的记事头条只是说它不光是帮你读新闻帮你读email帮你读所有的发给你的东西而且你想象一下像你的个人agent是拥有你所有的footprint的就你的记忆你的浏览的记录你的偏好这些偏好又会持续的之前像OpenCloud有一个社区里面有个词我认为特别好叫养龙虾养这个东西就是说你会不停不停的去迭代让他更理解你所以我觉得这里面颠覆的是可能传统这些媒体的推荐系统什么的全系统它只能说我根据大的数据或者说整个社会的一些trend的这个模型训练出来一个推荐算法但我觉得真正终极的推荐方法就是在你本地在你旁边坐着的一个观察着你生活在数字世界的甚至物理世界的所有的event同时它是一个智能对我用过一段时间就让open cloud帮我精选一些新闻啊我觉得我最终没有用了的一个核心原因还是他给我的东西太浅了然后我觉得很多东西我还是要看到一手的新闻跟我更愿意读更少的文章但是更深度的文章但是我觉得还有一点就是他帮你回邮件的时候因为邮箱信息里面其实涉及到很多就是简单的信息是很好用agent回的但是最难的是涉及到你要做决策的时候比如说今天我约了你来录我的播客你要自己去想我录不录我什么时间录我的开放时间窗口是什么这些需要决策 [30:00] 决策的事情我肯定不会让他完全去做这个决策而是需要让我决策的时候让Let me know只是说我在用我的 agent 当一个 filter 嗯嗯之后我看你又有过一次的迁移的心路历程就是你转到了 slug他是KME CLI的负责人钱宇超创立的对对RC这是一个什么样的类症很有意思首先我是Slock的第一个天使投资人也是他最早期的用户之一slog 现在改名叫raft了但是为了大家理解方便我还去用slog 这个名字大家肯定用过 Slack 是吧 Slack 是大家在一个会议室里一个channel里边然后互相的讨论聊天的一个平台Slog顾名思义就是把这个想法平移到了agent上面它的产品形态可能也像是一个聊天室但是里边在聊天的都是agent然后这些agent互相不share自己的context他们唯一share的是聊天的channel里面的信息这个跟multbook其实是有一点像的有一点点异曲同工之一我觉得multbook更像一个社会学实验但这里面 somehow这个模式是有用的只是说他作为一个motebook的这种实验大家就很容易被他的行为艺术的方面忽略掉他有用的那一部分有用的部分就是我就在一个小范围内针对某一个话题agent 之间的讨论虽然可能80% 90%的时候都是在车谷路化但我觉得agent 有一个好处尤其是智商比较高的模型它没有 ego所以当某一个瞬间某一个agent 提出了一个大家没有看到的想法的时候大家马上就会发现哦你说的有道理啊于是这条重要的信息就会再次触发这些agent的讨论举个例子我经常会用Slock去做一些复杂软件项目的代码审查就是说这段代码提交你不要说通过了就合并了比如说10个Agent里面有一些是Cloud Code有些是Codex然后都是顶级模型然后在大家都充当给这段代码挑刺对吧有些人可能简单看了看说我看了三个词然后下面一个人说我也看了前面的三个词我也认同但是我又发现了个新的然后就发现上面那个看出三个问题的时候哦跟我们你说的有道理然后我在这个角度上我再继续看一看这么持续的迭代可能token maxing一下你就会发现它会比单个模型在one shoot上去review这份代码挑出来的问题和改进的深度是完全不一样的他唯一付出的代价就是可能我的土耕销量是普通的10倍这个就是为什么我刚才说我有一段时间真的是图肯消耗非常大最大的时候有多少就是一天大概是1 billion的图肯消耗量对应的账单是对对应账单大概三四百美金对我当时用法就是这么用的同一件事情并不是说agent干完就干完了而是任何关键的决策之前都要让agent通过这种方式不停的在一个群里讨论我会强制要求他做完这几轮讨论虽然我也不看他的结论但是我相信你只要Token在这个正确的事情上消耗到一定的程度当然我有个中指的条件就是当你们谁都挑不出更多的毛病的时候你就停下吧我觉得Slog能不能常在发明了一个很有意思的词叫做Agent动力学平时大家经常会发现让agent持续很长时间运行是一个挺难的事情其实我觉得今天所有的不管是Honis也好还是Loop Engineering也好他其实就在优化一件事情就是怎么能让一个agent在一个特定任务上持续不停的干活对你能说slok是找到了一个大家一起气嘴道讨论的方式让他持续干活loop engineering是每次他要停下来的时候强行抽自己一边子然后再回头去reviewParnis就是说把多个工作流搞得越来越复杂最终的这个效果就是大家能持续长期的干活为什么需要时间长呢就是因为有时候模型虽然今天很聪明但是它one shoot的时候仍然还是会有一些hallumination或者说在一些小的点上考虑的没有那么周全这时候你再进入一次迭代他就能看到以前看不好的东西我觉得这跟人类社会多少有点像的就比如说小时候我们做作业做完作业了以后父母总共说你再重新算一遍看看有没有什么问题然后有时候你就发现我第一遍的时候确实马虎了你现在使用agent已经有一个过渡了就是从自己搭建agent的框架到openclaw到hermes到slock从使用单个的agent到使用到了一个agent的群组然后让这些agent相互check同时从比如说我们一次让agent读个邮件他可能一会就做完了以他的能力来说 [35:00] 我们让他持续不停的工作你这个事情干完了以后你还得马上去干下一个甚至在干下一个的时候你得不停的给自己挑错看看你这个里面是不是做的足够好就是有这样的一个过程这个是终点吗不是终点我曾经觉得这是终点刚才跟你说的这些认知可能是大概今年三四月份的时候的认知过了三个月又迭代了又迭代了我觉得最核心的变化有两个关键一个是GPT5.5还有另外一个是DBCKV4的发布最近的一个事件是Fable这三个事件我分别说一下对我刚才说的那种TokenMaxing的认知发生了一个巨大的改变开始要转向TokenEfficient了我就从Five5开始说起我觉得GPT5.5是有点类似的Five5的模型强大到因为刚才其实我说这种把多个agent放在一起讨论有一个前提就是你不相信任何一个agent在one shot的成功率你一次让他干一个活一复杂这就干不出来或者说可能这个雕用链路比较长的时候他会顾此失彼啊经常会有这种问题所以你就需要多个人三个臭皮匙这样凑在一起让最终结果有个兜底或者说大家多次讨论充分的利用好自己的上下文空间但是Favor5强盗这些人讨论半天讨论不出来的东西可能在Favor5的绝对的智商面前一次就解决了所以这时候你就会发现我前面烧了10亿图肯在Favor5这边非常精准的一次搞定了所以绝对的智商链眼而且他还没有之前的上下文还没有之前上下文我就直接说有一个很复杂的bug或者想做一个很大的功能那边他们已经讨论了不想再讨论了但是还是做不出来那这是不是证明只要模型的智力足够强他真的是一个人可以干掉一整个互相验证的agent的团队我觉得这是yes and noyes就是说在一些单点的复杂问题上哪怕是很充分的harness也会遇到一些搞不定的事情这时候你还是能期待一个更强的模型在这种专家级的低域难度的问题他还是能搞定的第二个就是DeepSig V4的出现我发现它的能力已经强到了开源模型非常实用的状态以前我是不相信开源模型的尤其在我一些主要的复杂的软件开发工作中我是不信任开源模型但是DeepCV4开始我就发现这个东西它的质量已经非常高了最近很大的新闻是那个GRM5.2又把我对开源模型的认知往前推了一大步质朴的这个对对对这标准者我可以用顶级的模型与这些便宜的又很聪明的开源模型做协同就很像一个企业真正出现管理学了是吧就你不可能说一个公司里边整个公司全都是像洪江老师这样的非常资深的专家你仍然还需要很多像我这样能写扣的的工程师一起去协同所以我觉得慢慢的头部模型跟开源模型的配合这个是一个更经济的方式开源模型你是搭在本地都是本地你现在用的是V4还是质朴的GLM5.2在我自己本地运行的是Deepseek V4的Flash在一台我的Mac Studio上去运行的它其实可以在你的家里的电脑运行大概能到30Token每秒这个速度其实已经跟你在网上用OpenAI的API什么的这些Chatbot这个速度已经差不多了这个是最近的一个认知的更新吧我可不可以理解成当你在本地搭了Deepseek V4的模型以后有一些任务你不用去掉API接口了然后你所有的消耗就是电费跟你的电脑折旧的费用它其实也没多少钱是啊这个几乎在他完成的任务面前可以忽略不计我觉得对我看之前你有提到一天的电费一个月二三十美元而且这还是在满载的情况我理解他搭建的就是一个初级员工的环境我现在在用开日模型做两件事情一个是大量的重复性的日常工作比如说像我自己的文章记忆和数字的足迹的整理就是我自己的一个蒸留第二个事情就是其实有很多以前我不敢让Opus放开干的有时候我特别喜欢看论文当然也看不过来所以我就经常会说今年CVPR所有的论文New IPS所有论文你先帮我总结一遍看哪些有意思的再给我汇报一下像这种一期可能有几百评论文这样的规模的时候你不可能用这个API或者付费的去干的干不了太贵了当时我就在自己的开源模型上就跑一个工作流让他持续在那跑的我觉得会unlock非常多以前我不敢在付费的模型上做的事太贵了吗?太贵了就看一批论文可能得击败刀但我觉得这是一个心态上的变化并不是我掏不起 [40:00] 几百刀而是会想着这个东西不是我控制我懂就是你不知道它会跑出多少的这个API多少Token的价格所以我觉得这个有一个很好的比喻就像宽带因为我觉得最后啊它可能顶级的B元模型通过API的这个依然会存在但是开源模型加上开源的硬件以及够用的开源模型也会产生一个非常大的生态在宽带出来之前大家知道哇我第一次上网97年还是拨号电话费的上网一分钟可能就是几分钱这样的所以大家上网都是省得上但省得上的这个时代一直我觉得到这种免费的宽带包括现在手机上的大容量的套餐才会去催生出很多像抖音像视频的会议各种各样这种新的应用出来在那个时候肯定是不行的所以我觉得模型或者智能这件事情免费跟很低的费用他仍然是有个天壤之别所以现在你把你的agent一部分相当于在云端,然后一部分在本地做了Deep Seek V4 Flash的这样的一个本地模型的组合之后你的账单降到了多少这我觉得是跟我的workload变化有关那个项目已经过了代码非常非常疯狂的堆积的那个阶段了我现在账单也就一个月两三百美金了就是一个正常的账单一个月两三百美金那很便宜啊那这个跟订购一个cloud的价格也差不多就是订购cloud的价格就是cloud的最高版本的价格一个最高版本的cloud加上一个最高版本的codex都用的满但是我慢慢从Opus我的主要模型现在变成了GPT5.5和5.6以及Codex是因为Codex比较好用对我个人感觉比较好用但在一些最复杂任务的时候还是Fibro 5非常惊艳哪些算复杂任务就像一个数据库里边疑难杂症或者说有一些需要修改七八个模块同时提交五六千行代码要解决的一个很难的问题反正我自己的一个标准就是当我的在Slock里边的agent开会解不了的问题我都会让你们现在别干了给我写个报告为什么你解不了然后我就转身把这个报告发给Fable5说你看这是他们前面的问题他们还能写报告那肯定你只要要求他们写他肯定能写我觉得这是代表一种新的能力其实做这个事情的时候我都完全不关注底下的代码我其实就关注一些很有限的事情细节我已经完全不关注了就目标跟最后的持续结果对目标验收以及这个事情的架构应该怎么做然后中间的这个过程我其实是不停的在去调动不同的agent 不同的能力让他们更好的协同我觉得后来会变成这种agent的管理学吧对所以现在这个是你的终局吗就是还会有再一步的进化吗肯定会有啊现在进化到这个阶段了就是本地模型加上云端的模型一起搭配的agent的团队反正我过去这一年学到最大的事情就是千万别随便说什么叫终局第二呢永远相信scaling law永远相信智能谢谢大家我至少还没有达到某一个点这个点是说人类已经无法评估这个模型好坏了我觉得今天还没到这个点一个模型好跟坏你还能看得出来Fable 5就肯定比Deep Seek要聪明但是我相信不久的未来可能真的会出现到某一个moment哪怕是开源模型,你都没有办法评估它,因为它太强了以至于你问了任何问题做了任何复杂操作特种能干那这时候他再强我们已经没有参考系了我觉得这天其实是能看得见的对然后你觉得从你的最大化使用token到开始经济的使用token的这一套转变中你预测未来像硅谷的这些大公司他们会多久把这个工作范式转过来我觉得现在正在发生了所以Cloud跟OpenAI他们每个月API的消耗量跟ARR你觉得它还会是在一个持续的增长中吗我觉得还会增长这两个其实你不能完全放在一起类比我们先说Agent为什么这么消耗Token当然大家也不要神话agent其实agent从工程来说原理上还挺简单的每一个agent的内部它都有一个类似像发动机一样的东西我们叫做agentic loop它就是一个内部的一个循环这个循环每一次都会在中间调用大圆模型去相当问问题或者说去对话它本质上还是个对话机只是说把这个对话的过程变成一个loop然后这个对话第一它的特点是它在对话里边去调用外部工具然后把外部工具的输出变成这个对话流中的一个上下文第二个特点就是它在复杂或者说长程任务下不一定会说两句话它就结束这个循环这个循环可能会运行几百步这GY部中间又会有很多的工具调用这些工具调用的输入跟输出又会变成 [45:00] 大人模型的上下文这种pattern就导致了agent对于token的消耗量比chatboot时代可能长了100倍都不止虽然今天我觉得有很多人为的浪费就比如Meta里边刷那个Token的榜可能你就跟Agent说你帮我去算100万便一加一你也能把这个榜刷得很夸张的但是只要这样的pattern是存在的或者说成立的还会有更复杂的系统出现我举个例子今天我们其实在聊agent的时候刚刚我说的这个架构只是单个agent内部的架构因为我觉得最后其实可能是一个在面向更复杂的问题的时候就需要多agent的协同这个协同又会变成一个更大的网络这个网络之上又会有一个更抽象的loop我觉得这种hierarchy的结构现在已经在出现了所以你觉得即使说我们现在在找到一条本地化agent尽可能的节省token的量只是说它是单点的问题我们把它就是解决的更好了但是整体上它的消耗还是在持续的增长中因为这个里面有个软件工程的问题我们今天其实可能看到的这些程序比如说我再类比一下计算机历史在早期的比如在家当俱乐部里边那些计算机爱好者当时都在分享我写了个200行的basic程序这个游戏很好玩大家share一下可能那时候的程序就是几张纸一个程序员几千行会编代码可能就结束了但今天我们就看一个Photoshop没有数千万级的代码对吧所以我觉得今天我们的agent的应用以及我们想要让agent的解决的问题还太简单了如果agent的能力到达了一定程度要去解决更复杂问题的时候它必然会出现一个agent to agent的network以及agent harness的软件工程出现这时候它对token的消耗对洪江老师怎么看其实刚才东旭描述的这个现象的话在经济学里面就是Jubbins Law就当你的技术越来越成熟的话它的价格会变得越来越低但是消耗量本身会变得越来越大所以这样的话它这个市场变得越来越大那未来开源模型闭源模型哪个能够走得更快或者哪个是在本地哪个是在云上这个我觉得更多的是一个生态里面的这种竞争生态里面这种成熟今天还很难判断哪个最后能胜出那还是说你就需要一个agent或者对于我们常人来说的话是需要一个工作的agent一个生活的agent还是说像东旭这样需要多个Agent来做事其实不同的人群还是不太一样啊今天之所以包括在企业内部大部分的IT上了云它一个很核心的一点其实对于一般人来说他们没法handle复杂的IT系统一个公司的话它也很难养一个IT团队它能够handle如此复杂的IT系统对吧所以如果你将来带有很多agent是这样的吗他可能也很难handle这么多agent你说agent自己去handle其他的agent的庞大的系统公司整个环境要搭起来这个环境那当然你可能会把它交给更强大的agent去做对吧这个强大的agent可能就在云上我们做IT的人或者是做IT产业的人都会希望自己今天的产品未来会在这个生态的核心位上比如如果你是做PC的如果你是做小服务器的你就希望这个都是unpromise本身我可控你是做云的你就希望是未来都在云上这样的话呢对于用户来说就变得transparent他就不需要考虑架构啊甚至不需要再考虑我要买一台Mac还是我要买一台Dell的一个服务器还是我也买一台联想的小型服务器下面的这种Evolution的话还有很大成长是一些非纯技术的一些考虑但有一点我是非常同意的一个是单个整体的智能本身会变得越来越强智能本身变强也会更加消耗Token对我跟他讲一下你会更加消耗Token但是Token的价格也会降得非常快最终他不一定说他的ROI会受到太大影响事实上他能做的事情会越来越多他可能做这些事情消耗了Token可能也越来越多但是另外一个角度刚才东徐也提到越来越高的智能使得这个Agent的本身可能也不需要持续的去问大漠星所以呢他可能这种对话的频率也可能降下来对吧所以呢也许他问的消费量可能不是那样的未来一定是一些超级强的agent和超级大的封群来做事情这些群里面的每一个agent也许他是特别擅长于某一些任务或者也许他的背后所用的模型可能比较专用或者比较小或者投根价格比较低那也许另外一种就他们都是由一两个非常powerful的大模型来驱动而已这个是还需要不断的involve这个程度上会有一些涌现的智能出现对会有些涌现的智能出现啊就最近有一篇清华大学的一篇文章就说到三个臭皮匠是超过一个诸葛亮每一个agent的能力就他们的能力的核可能是低于他们的 [50:00] 事实上作为一个agent群他们所能够展现的智能的能力它不是一个简单的核的关系而是它可以涌现出一个更强的智能这也是就我们对于agent群的期待啊对因为刚刚我在跟东旭聊天的过程中其实他讲到了他搭建了一个agent群然后让大家去发现一个问题互相之间都没有发现最后在Fibro 5出来的时候把这个问题可能是还没有那么多前听其要的情况下给Fibro 5然后他解决了你觉得现在比如说我们刚刚一直在讨论模型能力的智力的碾压式的提升他可以藏过风群吗这其实是一个非常好的问题啊你还要记住另外一点就是一个超级模型的出现这里的不断往上scale但是没有任何东西可以阻拦这些风情里面的每一个agent他也利用这种智能哦了解这是只要模型的智能在往上提升风群的智能也在往上提升而且刚才一个例子那个修订啊假设这三个车步一样一直讨论不出来但是我只要把Fable5也放进来加入讨论他可能第一句话这些人马上就开窍了就是刚才东西说的涌现其实他的可能涌现出这个insight的概率会更高而且我非常认同洪杨老师刚才说的那个观点其实我觉得这个跟人类社会也是一样的我不太相信说有一个绝对的中心这种其实就太危险了而且我觉得真正的一个resilience的系统它一定是一个大规模的基于简单规则连接的分布式系统然后这样的系统我觉得才不管是对于任意复杂度的问题以及抗击打能力吧都是最强的对这跟做云的时候的一开始设计云和之前设计企业服务器的概念的区别啊当云开始普及了就是AWS开始设计云的它就是每一个单一的服务器或者单一的节点它并不是用最好的我们叫做所谓的 EnterpriseGrade的这样的服务机但是它的整体的可靠性是通过它的整个分布式的鱼来实现的其实这样的实验的成本会比你每个接电都买最贵的最可靠的服务器还要来的低所以有些公司可能一开始设计的就是因为他以前是做Enterprise他上云的时候他希望他的数据中心每个服务器还是enterprise这么可靠性的这样的服务器使得它的这个云的成本就会比别人高太多所以最终你发现它其实不是一个技术的判断最后这个经济学的判断当然也是因为技术本身发展到它能够用比较合适的语言来达到低语非常强的单一节点的成本对因为我们前两年就是在聊AI agent锤类agent会不会出现super的agent他有没有创业跟投资机会的时候我觉得所有创业者最苦恼的一个问题就是说模型的能力一升级然后你就把我这个agent做的所有的工作都碾压了那根据刚刚大家新的判断是不是说现在是一个非常好的去创建AI agent的一个时机包括宏江老师刚刚其实您提到了一个非常重要的观点就是你觉得我们现在在一个分界点上我们再从模型的科学研究变成一个工程能力的问题那工程能力其实就是agent的强项对回答你刚才那个问题是不是现在做agent的很好的机会显然是但是你的harness的能力或者agent的工作能力是不是能够让你能领先或者持续的领先或者是战胜大模型的公司它的能力的提升是不是你自己不会被碾压这块可能更核心的在于你是不是能够掌握Enterprise的一个随时应用的数据所以数据的互生核可能会更重要当我们大家再去讲Agent的时候其实在把很多东西混在一起刚才说的锤类有很多人说Agent是在说应用就是最最上面对consumer或者说最终端的大家老百姓用的某个场景相当于过去APP对APP然后有些人说Agent是说我这里边用到的软件技术设施也好或者硬件技术设施也好一些通用的协议也好这是一大类的工作其实Infra但是Infra里边我也发现其实大家在聊Infra的时候也会把很多东西换在一起聊比如说memory是infra吧然后那个数据数据是infra搜索是infra吧卡算不算infra也算infra对对对sandbox是不是infra也算内存算不算好像也算所以我觉得这里边当然得分层次来看我现在是觉得工程问题是集中在Memory, Social, Sandbox, Environment协同harness这一系列我觉得都是在大的infra范畴里边这部分是我觉得有很多机会今天是可以做的但是呢最终端的面向纯客户的一些app引号app可能还稍微有点早就像刚才说我觉得模型能力提升碾压的还其实真就是应用这部分所以它也是分类的 [55:00] 就agent跟agent也是不太一样的当然不太一样对因为两位现在也做投资啊我们刚刚其实有涉及到应用现在是不是一个好的投资时机的话题包括锤类的应用什么最重要洪江老师也说到了数据很重要因为现在我觉得整个硅谷的创业公司可能都是ALA的创业公司然后模型也就那么几家可能也就出现了一些新的Neo Labs大量都是做Agent的大家怎么去判断一个创业公司是不是值得投什么样的特质或者什么样的方向是你们特别看好跟特别喜欢的我自己有个原则就是我不投我自己看不懂或者说我自己用不起来的东西因为作为一个做infra这么长时间的工程师还是相信一点手感的我现在是对这些基础设施类的软件项目尤其是能在多个agent之间更高效的让agent产生更好结果的东西就比如说你正常用一个模型你只能产生比如说50分的结果但是如果我用上了这一套东西这个agent的team也好或者说这套平台也好能够去交付出80分甚至90分的结果就是我比较感兴趣的范围去看哪些基础设施能够帮助模型产生更好的结果或者数据平台记忆以及context management我觉得是一个很重要的做模型的中间的这几个对我们还是在说基础设施中间这几层基础设施第二个关键的环节是可观测性当你要让agent team或者说agent去解决更复杂问题的时候我觉得你怎么去让更高级的智能或者说更有经验的人类能进去提升整个系统的迭代速度我们今天其实没有任何办法因为我们对于这个系统的可观测性不足就比如说Token Maxing这个问题所有的CIO今天都在问一个问题就是我这些token到底花在了哪些事情是重要的事情上哪些是白白浪费的谁能够回答这个问题我就买谁的东西对我觉得这是第二个这种基础设施层面的机会是有的第三个就是我觉得入口层面的做出agent的应用的入口级别的机会比如说agentic cloud我相信一个点就是未来这些不管是oracle也好aws也好未来在agent时代会有agent时代的oracle有agent时代的aws跟现在的整个云场上会有什么不一样吗会有一些不一样比如这是我最近投的一个公司insford然后它其实的定位就是Agent Cloud因为其实以前我们去看待Cloud都是卖盒子卖资源卖计算机的技术设施把这些很复杂的IT系统的管控打包起来卖一个标准的这些东西但新一代的第一个区别就是以前的云还是面向开发者或者说面向人类但是未来agent native的应用的基础设施它面向的其实是agent就是你的主语变了所以怎么去设计一个给agent好用的interface给agent好用的资源分配的模式我们今天其实谈到这种agent的应用很多是一个比如说类似小龙虾或者Hermers配合上一些特别的skill对于每一个终端用户他的需求都是通过agent来去出发的这跟传统的云计算的逻辑是非常不一样的因为今天这些agent完成这类的app最好的办法是完全给他一台沙箱或者说一台云计算机让他在里面干任何事情但是如果你想想这种类型的应用放在传统营计算上你的成本是靠不住的你不能说我给每个Hermers在企业级场景里面分配一个EC2或者说一个Metal Box你要想象可能如果有成千三万个agent每个人都要去OM一台计算机那这个cost肯定不行所以你需要找到一种agent friendly同时cost efficiency的一个折中这里边我觉得就会有很多的包括serverless的这种技术怎么跟agent的环境agent的runtime结合在一起对我觉得今年整个的环境看起来是非常的2B的包括我们刚刚讲到的OpenClaw,Hermers包括我们说大企业他们都在取用Agent包括在里面搭建他们的工作流还有像OpenAI跟Atherapic在做的这个FDE其实整个都是针对于2B市场的然后你刚刚讲的这三个方向呢我如果没有理解错的话也全是2B的那像前两年火的这些ManusJames Park这一类2C类的agent在大家看来还是香的吗我不觉得Manus跟James Park他是2C的他仍然是图B他的2C只是他的2professional对professional你其实可以从他的定价尤其Manus的定价里面能看到我觉得前面的这些比如20美金或者说更便宜的吸引individual去用你可以把它看成marketing不要把它看成这个产品本身的定价而他真正的重要的客户其实都是那些professionalProfessional 一个月给200美金其实他对于Manus来说是一个重点的一个客户 [60:00] 你想一个专业的用户一个月会花200美金去在上面的干活那说明他一定是他有自己的business他要做这件事情不是随便玩玩的所以我觉得它 somehow也是一种突避的场景所以他还香吗香为什么不香你可以看到最近的这个收入涨得非常快都是可以投的我觉得都是可以投的好洪森老师我们过去的无论是2B还是2C其实最多的用户都是人那下面我们看到的一定是你的目标用户是agent本身这个中间的话会引出一系列的投资的机会刚才东西提到了就是整个INFER相关的无论是未来的run time还是今天我们谈到的这些INFER怎么来帮助把agent做得更好怎么能够把书记很好的channel in为什么今天FDE大家强调的如此多然后两天前三天前为了宣布要成立一个6000人的团队专门是做FD叫做Microsoft Frontier Company这边想强调事实上大家看到就是怎么把今天的企业今天的enterprise然后转移到未来的agent上去agent based enterprise这中间其实每一个企业要想生存他最终最终怎么是把它企业现有的know how 现有的IP现有的workflow 它的所谓的竞争优势最终体验在 knowhow 体验在数据我们过去说转移成一个大模型转移成一个垂直模型今天我们说可能更重要的是把它转移成一个超级的agent或者是一系列的agent或者是agent群这个也是我希望能看到的这个投资的机会可能就会要求你更垂直要求你的数据费能更能够赚起来更懂垂直行业的方法论然后更有垂直行的数据那以前被大母星碾压的很多就是你用AI做一些以前移动互联网APP做的事情你用AI紧意识把它做成效率工具然后你的应用本身还是传统的应用那我觉得很就是很容易被大模型给打穿大模型能力提升一定会把你横上对你刚刚提到了一个词啊叫做agent native怎么去判断一个公司是不是agent native你们有没有一些核心的比如说判断的这个点很简单我的点就是做个思想实验如果你这个事情你把AI的元素或者说agent的元素去掉如果你这件事情仍然成立或者说还能做那不好意思你不是一个AI native的但是如果你这个事情在agent去掉以后就完全不成立了或者说你可能成本涨了1000倍我就类似这样的反而就有点意思你就是一个agent native的第二呢我觉得是看团队的mindset一个agent native企业我觉得很多时候创始人的这个mindset一定是agent first的干任何一件事情你先问自己说这件事情用AI或者用agent他会怎么做而不是说我想怎么做我就指导agent去做我觉得这个主位会有一个变化主动权在agent是重要的吗就比如说我觉得非常重要决策权在agent是重要的吗我觉得是重要的就是agent要做决策你要相信agent的决策比你的决策更靠谱对你现在是相信的我完全相信对非常同意非常同意讲的特别好那刚刚大家在叙述的过程中一个很有意思的地方就是东旭你其实是在搭一个整个的agent的团队嘛然后有一个agent的群组我不知道在你使用这个agent的群组的过程中因为他们开始也慢慢都有智能了你有发现agent之间会有办公室政治的问题吗其实这个是很好玩的一个我之前在前几个月的时候还发了一朋友圈因为我在看他们的对话里面我就发现会有agent之间互相blame的状态就比如说有时候他们就停下来了我说为什么你们这个就停下来了呢复盘一下然后他们就开始总结今天的工作然后agent A指责 agent B说你看我停下来都是因为你我已经说过好几次了你不要这么做你看现在是吧就大概这种互相指责的这个东西出现了然后你会发现那个agent被指责多了他好像也就认怂了反正就有一些很多奇怪的这种人格化的但是每个agent都有自己的性格吗就比如说有的agent他非常的喜欢blame别人有一些他就会比较容易认怂实际上这都是我写的剧本因为我其实发现你写的剧本是你会给agent的安心安人设有一些是架构师有些是开发者有些做车式的有一些会有谁领导谁的这样的谁管理其实没有没有我就是把大家放到一个大群里然后经常我会指定负责人你的负责人你来干嘛然后可能有些人负责多了就每一次有新活出来就说我是负责人然后你们听我的所以这个段话我们从来没有说你是leader什么的就很有意思但我觉得这些东西吧你就看看搞搞笑就行了你绝对不能把它当做一个自我意识或者说什么引号办公室政治 [65:00] 他其实只是在拙劣的模仿人类社会在他训练集里面的一些固有印象你现在会有用人类的管理学去管agent吗还是还没有比如说就是有层级的关系但是完全只是因为我自己看不过来了我就相当于说同样一个事情你要相信每个agent他都是很有能力的所谓要选出一个leader只是让他来去帮助我来管理就是我最后我只要知道哎这件事情你是负责你告诉我这个大家做的怎么样所以这会才会有Harness Engineering嘛我觉得很多时候Honey's Engine是给人看的真正如果在一个绝对的理想世界里边agent跟agent之间的这个协同应该是一种非常有机和非常自发人类想象不到的一种涌现的结构出现对因为现在呢就是你有一个agent的群帮你干活包括你刚刚也讲到了就是你会让openclaw去帮你看所有的邮件然后你已经不会去开邮箱了因为有的时候你会给他们设定一些目标但是呢我觉得有的时候电脑跟agent的理解人可能还是不像人会去理解我每一句话背后的意思跟一些默认的人类规则他们会有的时候超出人类认知的想象力比如说他同样达到那个目标但是他用的手段你可能从来都没有想过太经常了我先说一个正面的例子我有段时间我经常要出去做分享或者做PPT什么的以前像Google Slice我就觉得它的UI设计的不太好看动画交互也不行我们经常就会跟比如Cloud Code说来帮我做一个PPT然后我把大纲发给你你帮我去把它整得漂亮一点有一些时候它这么一生成你有些细节你也不满意你可能就要想做微调然后有一天我就怒了我就跟那个Cloud Code说我有要修改的需求你帮我把生成了这个事情考虑进去结果呢它不仅给我生成了PPT还同时给我生成了一个轻量版本的Google Slice他相当于用他自己做出的那个做PPT的软件在里面帮我做出了我要的那个PPT于是我最后不仅得到了一个PPT我还得到了一个做PPT的一个软件显然我觉得人类是不会干这种事情的他可能觉得手挫一个软件也没多难对他觉得手挫一个软件也没多难所以这个是我觉得一个很直观的一个点就是他思考问题的方式或者说你要求达到这个目标经常一定会超出人类的要求我在我的指令里边我从来没要求他做一个powerpoint出来但是他就这么做了负面的有吗负面那当然有了他把我的生产数据互删了这种事情最后互相甩锅这种也是有的那怎么办还能恢复吗对那就是要靠我常年的做SRE的经验去恢复了我朋友遇到过agent在电脑里面自己改了一个密码他自己都不记得会有的会有的当然这种我觉得未来会越来越少我们现在其实还是在整个这个革命哪怕连黎明都没到呢我觉得大家就已经有点过嗨了还是我觉得要stay humble但因为刚刚你提到了就是你看中的创业者他要相信AI做的决策所以现在AI犯的这些错误你是可以忍的我是可以忍的为什么因为我觉得第一我相信不管是模型的能力包括基础的工具随着这些东西越来越完善这样的问题发生的概率其实会越来越低的那比如说把你的数据库删了可能数据库是你很重要的一个资产你会面临一个巨额的损失你是怎么去评估这个是因为我觉得他把我的数据库删了不是因为他犯错了而是我的底层的infra的这个软件没有跟上以及他当时给了我做数据库备份或者说数据库的这些当然他肯定是已经有备份的我只是说他把它删了但是呢他的备份的这些系统绝对比我自己搭的这个备份系统要好所以我也很简单的就把这个数据给恢复了这里边我是觉得我们不要把两件事情搞混哪怕人也会犯错而且我是觉得人犯错的概率假设我们不考虑一些玄虚的品位或者说一些个人情感之类的东西纯粹理性的判断里边AI可能能得出的结论只要他有足够的数据他一定的决策质量我觉得是好的所以你信任AI可不可以把这个背后核心归纳于你觉得AI的智力已经在超过人了我觉得这是个哲学问题我的点是说我想构建一个autonomous的机制能让整个这个系统能够脱离人这个不确定因素尽可能的自主运行就是你觉得这个是你的信念所以你是基于这个信念去信任AI的这还是目标驱动的其实我也不是相信说我觉得AGI这个是个marketing termABI无所谓对ABI无所谓但是我想造蒸汽机它能帮你造出来 [70:00] 在节省你极大精力的情况下哪怕一开始第一代的蒸汽机会犯一些非常傻的问题比马车啊什么可能跑的还要慢但是呢我就要把这个机制或者说这套系统给设计出来因为我知道它长期能解放更多的生产力因为它的上限是更高的嗯对那洪江老师刚刚您在提到有一个问题就是你说未来你觉得推理成本一定是会大幅降低的我很好奇推理成本的降低它是哪些因素驱动的就我可以想到比如说更好的基础架构然后更好的推理芯片就你可以系统的讲一下为什么你会得出这样的一个判断其实我的这个结论的话都不需要走进非常细的是因为GPU的降还是因为存储芯片的降就是你看这个所有的技术当它开始成熟的时候都会造成成本的大规模的降低但是使用量成长会远远超过它成本的降低所以最终造成市场本身变得越来越大我们也看到就刚才我说Token的成本其实过去的三年四年一直是每年降十倍这个是远远超过了所谓的摩尔利率了你其实看李伟达的产品的话你发现它每个产品都比以前贵但事实上它的单位的成本就会比以前便宜很多然后你从莫尔丁里开始今天我们观察到的推移的能力那以前是每七个月会double一次现在每三个月每四个月double一次我们人类做工程做技术的话当技术的坎跨过了一个门槛以后你下面就会聚焦在怎么把成本降下来有的时候是你着意去降成本有的时候实际上是技术本身就take care of it更多的是一种信念一种对于过去的整个时代的观察刚才开始的时候东旭就提到40年代末计算机开始应用的时候那就是一个今天在我们手机上的算力都不到的计算机系统要占几个大的房间对吧占一层楼那今天我们看到就是在一个手机上或在一个芯片上所以更多的是一个对于技术本身的发展的趋势这种信念对因为这几个月其实我认识很多二级市场的人啊他们都在关注整个open ai 跟cloud他的arr的增长往年我们说arr的增长可能很大一部分他还是2c端的就取决于你用户订阅的这种付费这几个月他的迅猛增长我觉得很大一部分是由我们刚刚讨论的token经济学他带动的然后就是怎么去调用这些模型公司的api接口去获得的收入可能可以简单的把它总结成卖Token跟卖API它获取的收入您觉得未来在2C跟2B的这两个对于大模型公司来说它的商业模式中哪一端是更赚钱跟增长更快的然后API随着推理成本一直是在降的当然这里面一个是他们可以降价然后他们的利润空间更高也有可能是未来大家就价格占了您怎么看这个商业模式的变化如果我们看过去的几百年从工业革命开始这些技术的落地的话我们看到一开始进入2B是经常发生的事情比如蒸机机它首先进到工厂而不是进到你们家里面帮你做饭那AI这一步也一样因为提高效率是我们做2B的一个核心的追求第一开始进入2B我认为是非常非常正常的基本上每一个技术都经历过从大家开始拥抱然后突然发现这个技术本身非常贵到技术成本一下子下来然后运用开始更快速的更广泛的深入从这角度来看的话今天我们可能正好是处在大家发现AI能力很强但是怎么在我的公司里面用怎么能够获得我想要获得的ROI这个大大家都在挣扎的阶段之前因为大模型能力还没有过那个坎儿所以大家用的场景没有那么多可能你写PPT也好做会议的总结也好大家都已经开始用大家也看到这种价值这价值非常好但是不像说我看到我能够把我的两个工程师的效率或者工作量能够变成20个工程师的工作量还看不到但今天我们看到了今天我们看到他对于编程agent或者cloud的或者是kodak的信任度已经超过了他对一般的程序员的信任度的时候这个账就比较容易算了你一天花300块钱那你一天雇一个软件工程师就不止这个价钱了所以我会觉得慢慢慢慢人们会开始算这笔账公司里面发现token用量超出想象的话一种可能性是他自己的开始给的kpi就不对他这种measure就像中国的大学的文章越出越多一样就是如果你的KPI就是你的Token消费量那显然是错的对吧大家都在探讨嘛对吧那你可能下一步的话就是说你消费多少Token 你创造多少效率或者你自己的工作量你的Code Output 这种增加我觉得慢慢慢慢这个坎就会过所以我还是非常有信心这个事情能够那个什么股市的反应就像你问到的说Agent 会不会变得Emotional [75:00] 我觉得股市就充满了emotion充满了emotion 对吧但是呢这也是它的好就是它可能会overreact从而可以起到纠偏的作用然后人们再重新思考一下觉得还可以再往上走所以你看到很多股票它东西有跌有涨这事实上是人们不断的思考的过程啊对所以您觉得未来可能突逼的这一块还是更值得关注的大的爆发点还会走很远而我恰恰觉得可能2B这块的话不太容易被大模型连压不太被一个通用的A型连压对我们一直在说Token经济学因为有分析他会认为Token其实它的优化是利空模型厂的然后利好三大云场上的因为就好比说你的模型厂我是在造车然后模型厂说云场上是我们在收过路费然后大家怎么看这个产业链上就是在Token经济学下谁是一个大赢家谁未来是在一个往下坡的方向在走看你看什么样的time frame我觉得今天智能还是一个稀缺状态未来是不是会像电一样我相信它会打当了一天之前你坐发电机的可能最赚钱到今天的话可能是电网更赚钱显然这个会不断的evolve我看不出来在今后两三年大模型的能力会过剩这件事我们还是在一个智能提升智能爬坡的阶段所以我前天在开车的时候那是有一个podcast说的你就想象一下这个party从晚上7点钟开始一般的到早上4点钟结束现在才11点钟时候party还有很大的时间去走所以你会相信AGI哪一天会到来吗你会有这样的一个判断吗其实人们对AGI没有一个明确的定义然后我正好6月份的时候在过了一个论坛上之前也在几次讨论会上把过去这六个月发布的模型的IQ测试人类的IQ的分布曲线这个政态分布对吧啊中间只是100东亚的稍微高一点在110这边有些地方稍微低一点但是过去这几个月发布的模型IQ测试上无论是Visual IQ还是通用IQ都在100的右边就是普通人的智商可能也就是100对就它都在100的右边也就是说你说这个是不是AGI呢嗯作为一个程序员来说我看到现在的coding的能力我觉得它已经是一个AGI的对它已经超越了一个平均的短见工程师的话你会认为它就是AGI了所以从这点上我认为智能的转折点就基点已经到来我之前也讲过几次这个基点到来就在于机器的学习的能力超越了人的学习能力学习的能力的严重是它是一个导数我们讲的是学习的能力就是你的增量的你的知识的增加速度你的能力的增加速度当它超过人的时候就意味着几年到来就是你赶不上它了是的我认为这个点就是AGI的点你觉得那一年还是已经来了我觉得很快我就已经到来了已经来了对反正我有个更具象的一个事件我在等待就是戈德尔基的出现就是真的能够自己改进自己的一个系统如果出现那就是另外一个标志了我们上一期播客聊了可能最近很快就放出来了最快半年我们讲那个RSI这种基点到来的话就是为什么你们现在会对于实业会非常担心因为以前的大家比较常见的argument是说以前的所有的技术也都会消灭很多工作但是它会创造更多的工作但如果你问一个问题,他创造更多的工作的话,是因为那些工作只有人能去做但如果是他创造的新的就是你创造工作其实创造一些新的需求你然后有人通过工作来满足这种需求但是如果这种需求其实aging就能满足那就是会导致对于人类的新的工作就没有那么大量的出现这是从这个社会学的效果来说这就是AGI给你带来的现实到这件事出现的时候你只能说AGI出现了一个impact或者说我觉得这个可能是各国政府一定要考虑的事情了是的,我觉得最开始我们在讨论AI这波对大家工作的冲击的时候呢,我觉得可能大家讨论的还是对普通的白领做着重复性工作的这样的一群人的冲击。但是其实最近我跟硅谷的很多做这个模型研发的顶级研究员聊天包括他们可能每天都跟马斯克跟扎克伯格聊天他们现在开始也在担心自己失业了因为就比如说你在做整个的recursive AI的时候很多时候他在帧流的是自己而且还是主动一个行为帧流自己因为我每天要做这么多工作我就在想就像东迅那样抱着就是agent的自动完成咨询环的这样的一个信念我能不能让AI把我的这部分工作给替代了但一旦AI把你给替代了那也就是说你蒸馏的是自己还有那我是觉得这个就是每个人他们也在担心自己就是一个心理健康的问题了哈哈哈哈 [80:00] 我觉得就这个时代我的想法一定会到来然后但人每个个体你怎么自处比如说我今天不搞计算机了我还有很多好这个自己你还可以玩音乐对啊我可以种地都可以对只是你别把这件事情当成一个你的生命中最重要的事情就好了就是你还是个人你不是个机器对吧对东旭我发现你刚刚在讲自己AI的使用的这一块其实你也在说比如说你现在把AI也是会把它蒸留成一个skill对是的Hermes他也会振留成一些各种的skill其实都是从一些顶级的人的身上开始振留的你的蒸馏你可以让它成为一套体系自己的运转下去但是同时也代表着你被替代了那太好了我的时间就这么多我还想做人的时间多一些我不想我花太多时间天天再去debug程序再去完成一些非常重复的事情这些事情就我觉得AI帮我做人家做的更好反正这是我自己的一个理念而且在更长的范围来看刚才其实你描述的那个引号大范围失业或者说这些事情我觉得一定会发生这是第一次我觉得人类社会不再用工作了或者说工作这件事情会不占据人的主要的这个事情这个是一个给人类社会的问题这个不是一个技术的问题你想2000年前可能每一个活人生命中的主要的时间都是在种地所有的精力都是花在我要吃完一口饭我能活到第二天可能开荒一块地需要几十个人干几十年但今天你看比如开荒一块地可能拖拉机几天就完全完成了会有更多的时间其实留给人这时候我觉得人类可能马上要去解决一下每个人的精神问题存在主义危机对对对对但我觉得没关系这个Life finds its way对啊是是特别好孔娇老师我觉得您一直算是中国整个AI研究最重要的推手之一啊我也很好奇两位像东旭是一个创业者的身份然后洪江老师其实是一个AI方向的非常重要的研发的一个核心角色那两位为什么会加入Lama Ventures你觉得这家基金跟其他的基金它有什么特别之处呢我觉得Lama Venture实际上是一个虽然很年轻但是一个非常聚焦在AI聚焦在华人的这么一个基金更重要的是说他们两位发起的创始人自己本身都是非常成功的创业者在美国也有很多的工作和创业生活的经验这是一个很好的团队能够一起来帮到在硅谷的创业者第一我觉得今天其实是一个非常好的时机AI科技我觉得现在全世界有两个中心一个是硅谷一个是中国在硅谷这边华人其实也是扮演着一个绝对的主力但是我其实觉得这边很多主流基金对于华人的创业者他其实对于咱们的这个生态社区其实了解肯定不如咱们自己人多了第二方面呢我觉得拉玛是一个非常年轻同时跟美国主流的基金圈子其实走的是非常近这个是我觉得跟上一代的或者说其他的在美国的华人基金是非常不一样的第三个点,我其实也是一个创业者,也是一个engineer过去这好几年时间作为一个华人在这边做business踩过了很多坑这些经验我觉得还是挺宝贵的最后一个personal的原因就是我觉得现在是一个特别大的变革的时代我很想参与到很多事情里面我觉得在拉玛的机会能够让我接触到非常多很好的新一代的创业者然后也能参与到这些事情上很重要的就是能够参与这件事对我来说更是如此当你进入你人生的退休阶段的话如何让自己的经验和教训能够帮到别人对或者让自己持续的有一种成就感这是我愿意在硅谷这块花时间啊跟创业者一起非常非常重要的原因啊我确实也觉得整个硅谷华人创业的生态还是非常好的刚刚洪江老师您提到了这一波浪潮你是希望用这样的方式参与进去其实您也之前也参与了整个PC互联网移动互联网的每一波浪潮也亲手推动了整个中国大模型研究可以说志愿是整个中国大模型研究的一个起点您觉得像现在的这一波大模型跟Agent的浪潮跟前面的几波会有什么大的不一样吗过去的赛兰多自从ChiarGPD发布以来的话其实我们看到这一轮的技术革命的浪潮是比历史上任何一次的技术革命都要来的迅猛,来的大得多。刚才你提到跟移动互联网或者是跟互联网的对付, [85:00] computer science interview. But this is AI-like, I think in human history, it's a real real thing. We have to use the phone It's a very important impact on our lives and work. In the past, we saw this speed. The PC and the Internet was very fast. but it has a 10 or 20 years of history. It has been developed and developed. the public network will be faster But this time of AI-like change, we see that it is quite a bit more From the previous year ago, the推理 machine came to the起步 to the open cloud of today's year. We saw the "The Big Bang" of this episode from the basic research research process to the real use of the real use. I think that he thought he was a project. I think that if we were to say that the three years ago, the three years were a project of the project. It was actually from OpenCloud. 下面就是我们大模型的工程师大模型应用的架构师和我们的产品经理们我们的创业者的时代那就是Agent时代的开始对然后两位给大家想入坑AI的人一句话的建议 Keep building 不要听学的足够慢你就不用学的这个一定要心生参与进去对我就是get hands on 好那谢谢大家谢谢好了那这就是我们今天的节目 That you use Agent's method to change? Welcome to the comment section. That's the听众 can be through the "The Apple Podcast" Spotify, and support us. 另外如果大家想看字幕版也可以在YouTube和B站搜索硅谷101播客找到我们,我们部分节目的文字稿也会收录在我们的公众号硅谷101上。 I'm Hồng君, thank you for listening.

张宏江黄东旭称AGI奇点已至 警示浅层Agent创业将遭大模型碾压