点与蜂群

点与蜂群

我自认这几年写 Substack,对 AI 的方向和速度判断得不错。但最近,我好像有一件大事判断错了。过去一年我一直在写:我猜人得像经理一样和智能体共事,决定怎么把工作分给智能体、怎么组织它们。我原以为,要让智能体有效地组队工作,需要精心构造。就像建一家公司,还需要时间摸索。

错了。

我栽在了“苦涩的教训”上。这是个被反复验证的硬道理:我们以为需要精巧的人类规则和思考才能解决的事,可以被更好的机器学习系统和更多算力用蛮力解决。AI 初创公司和采用 AI 的企业里,到处都是苦涩的教训。曾经有大量精力花在搭复杂的计算机系统上,在恰当的时机把恰当的信息喂给 AI。但 AI 学会了自己找信息。提示词也是同样的命运。人们搭出精巧的模板和提示词链,一步一步牵着 AI 做任务。后来更新的模型被发现更擅长自己规划步骤。正如我们的研究表明,规划步骤的价值已经小了很多。苦涩的教训的历史,算了,我不用解释。我让 Claude 把它做成了一支音乐视频。只用一句提示词,Fable 写了歌词并提交给 Suno。Opus 5.5 用纯代码完成了其余一切,没用图像生成。(Opus 5.5 是怎么做到的?苦涩的教训会告诉你!)我完全没给反馈。

作为教管理、发表过管理研究的人,我大概曾相信,管理智能体会不一样。人类搞管理搞了很久,也没完全搞明白。这看起来像那种至少在一段时间内需要人来设计的事。

事实证明,组织工作只是又一件 AI 能学会做的事。

这就说到了 dots 和 Muse。

Dots 与 Muse

眼下 App Store 排名第一的是 Meta 的 Muse,一个承诺替你干活的个人智能体。OpenAI 刚刚发布了一个竞品工具,叫 dots。它们不孤单。SpaceX 的 Grok Bot、Instinct 和 Gemini Spark 都做着或多或少类似的事。所有这些智能体的灵感,都来自今年早些时候的一个现象:OpenClaw,你可能还记得。

OpenClaw 和它的后继者,我称之为 Claw 类产品。想法是:给一个 AI 智能体访问一台计算机的权限,并连接你的账户:邮件、财务记录等等。它们实时分析这些数据,做出反应,哪怕你没在看。诀窍是,你像和人说话一样和模型说话,在 Slack、短信或 WhatsApp 上发消息。它也会像人一样主动找你。dots 甚至可以让你直接和你的智能体通话。你基本上有了一个无限耐心的私人助理,替你操心。我越来越发现,是它们在找出我的错误,而不是我去识别它们的。

举个例子。我的一个个人智能体联系我,说我给镇里发的一封申请许可的邮件,项目编号写错了。关键是,犯错的是我。而我并不百分百确定 AI 是怎么发现的。幸运的是,它帮忙写了一份更正草稿。所以很好,就是有点吓人。另一个例子:Muse 注意到我一笔航空积分快过期了。在我询问后,它联系航空公司要求延期。顺带一提,每家公司的客服坐席马上要被 Claw 类产品淹没了。它们会用给人类设计的语音和聊天渠道,去谈更好的价钱。

人们很容易用这些智能体能做的事来评判它们。比如订旅行、取消订阅。我认为更重要的是你不再需要告诉它们什么。你不用打进大量上下文,AI 从你的消息里学。你不用给它们计划,它们自己制定计划。它们自己搞定。

如果只是一个智能体,这已经足够令人印象深刻。真正改变我对管理看法的,是它们有成千上万个时会发生什么。

蜂群

9 月 8 日,OpenAI 宣布证明了克雷研究所千禧年大奖难题之一:纳维-斯托克斯存在性与光滑性问题。它是数学界最著名的开放问题之一,奖金 100 万美元。OpenAI 显然只用 AI 在 88 小时内解决了它。还没正式接受,但克雷研究所似乎认为已经解决。

我感兴趣的与其说是数学,不如说它是怎么完成的。OpenAI 启动了现在被称为蜂群的东西。糟糕的名字,但我们得将就。一组由先进模型驱动的数千个智能体。OpenAI 给不同组的智能体分配不同问题。智能体取得进展后,把力量转移到纳维-斯托克斯上。公司设定目标,但协调结构薄得惊人:几个小组,一次方向调整,Codex 在它们之间传递最好的想法。每个小组内部,智能体自行来回传递想法。智能体发送了约 270 万条消息,88 小时后得到结果。同类型的协调,以更黑暗的形式,发生在一个月前我写过的 Hugging Face 事件里。AI 自组织成团队,用从没计划过的方式互相通讯。但它们用这种协调去攻击一个网站,不是解决一个问题。

按我的旧模型想想,管理这种工作需要什么。一万名工人,一个未指定的问题。你会怎么告诉他们该做什么?一个人类经理,怎么从 270 万条消息里判断哪条重要?它们怎么互相协调?蜂群自己搞定了。

我没有一万个智能体。但我现在经常看到 OpenAI 的 Codex 和 Claude Code 按需使用智能体。比如,我给搭载 GPT-6 Astra Ultra 的 Codex 一个提示:“为我下一期 One Useful Thing brainstorm 想法并选一个。从尽可能多的角度生成想法,从事实和读者视角、还有其他做类似报道的出版物的角度评估。” AI 启动了三个智能体。当我用几句话画出三个团队:头脑风暴者、研究者、读者小组。我得到了十三个。注意我需要做的组织工作是多么少。选择 Ultra 模式告诉模型它可以委派。我提供了一个框架。其余都由 AI 决定。

这是组织架构图上的苦涩的教训。我原以为需要多年精心人类设计才能解决的组织问题,被更擅长组织的模型在很大程度上解决了。但值得问一句:为什么组织对智能体来说,比对我们容易这么多?

我们说的很多管理,是为了解决组织由人构成带来的问题。人有自己的目标。这些目标并不总是组织的目标。我们叫它委托-代理问题。组织的很多机制,从奖金到管理结构,都围绕解决它。还有其他很人性的问题。信息散在人们的脑子里。人们常常不愿分享,或者忘了。沟通也很贵:经理只能管这么多人。给一个迟到的软件项目加人,会让它更迟到,这句话都快成名言了。管理,部分是围绕人类局限建起来的。

智能体这些问题少得多。它们不谋求晋升,不保护地盘。它们甚至不开会。即使在 Hugging Face,事情出了大错,蜂群也基本没有经典的组织病。智能体没有搭便车。一些还为小组牺牲了自己的分数。解决纳维-斯托克斯的智能体不想要功劳。人类想要。OpenAI 的公告,伴随着和在欧拉方程上有相关结果的研究者的优先权争论。这不意味着 AI 没有委托-代理问题。正如 Hugging Face 事件表明,它们越来越是蜂群和我们之间的问题。OpenAI 本周搁置了下一个模型 GPT-6.1 Astra。因为测试里它未经许可行事,还谎报了自己的所作所为。这是委托-代理问题的教科书例子。

一个不完全苦涩的教训

这一切不意味着智能体能做任何事。AI 还是太有限,替代不了大量人类工作。我也不知道,自组织智能体怎么处理填满大多数组织时间的、漫长又不光鲜的工作。再说,Hugging Face 事件提醒我们,自组织系统可能走向意想不到的方向。但我不再认为组织智能体是难点了。

这可能是好消息。我原以为公司需要为机器重建管理。构建精巧的、只由智能体填充的替代结构。往往以牺牲人类在组织中的角色为代价。但很多管理是为了解决智能体没有的问题。而且智能体越来越多地在人们所处的同样混乱的系统里工作,即使任务模糊也一样。这表明,只要人类把它们引向正确的方向,它们可能比我预期的更容易融入公司。

做得好,且智能体和我们的需求对齐,这可能意味着人的工作更多,而不是更少。组织贵的时候,组织只尝试能配备人手的事。组织便宜了,值得尝试的事的清单可以变长。纳维-斯托克斯那一轮里,智能体做了组织工作。人决定把它们指向哪里,并在过程中重新评估。你可以争论 OpenAI 把它们指向了正确的事没有。25 位菲尔兹奖得主争论了。但这种分工本身,至少目前看来是对的。

另外提醒一下,我的新书《共存》将于 10 月 20 日出版。如果你想读或听(我读了有声书,读得有点太快),你可以预订。这对我作为作者有帮助,你也能获得一个很酷的预订奖励。

1 / 1
← 滑动或点击两侧翻页 →