点与群（10分钟阅读）

# 点与蜂群 来源：https://www.oneusefulthing.org/p/the-dot-and-the-swarm 在写这个 Substack 的这几年里，我通常觉得自己在预判 AI 的走向和节奏上做得不错，但最近我似乎犯了一个挺大的错误。过去一年里，我一直发文认为，人类必须以管理者的姿态与 agent 打交道——决定如何把工作分派给 agent，并规定这些 agent 应当如何组织起来。我以为让 agent 有效协作需要精心搭建，就像建立一家公司一样，而且这件事需要时间摸索。 错了。 我中了 The Bitter Lesson（"苦涩的教训"）的招——那条被反复验证的硬道理：那些我们原以为需要繁复的人类规则与思考才能解决的问题，其实可以靠更强的机器学习系统和更多的 AI 暴力破解。这个苦涩的教训在 AI 创业公司和采用 AI 的企业中随处可见。人们投入大量精力去搭建精巧的计算机系统，在正确的时机给 AI 喂入正确的信息，结果 AI 系统学会了自己去寻找信息。提示词（prompting）上的事也一样：人们构建了极其精细的模板和提示链，一步步引导 AI 完成任务；结果新模型在自行规划步骤上做得更好，而正如我们的研究所显示的（https://gail.wharton.upenn.edu/research-and-insights/tech-report-chain-of-thought/），"规划步骤"本身的增值已经少得多。苦涩的教训史……—— ——算了，我其实不需要解释 The Bitter Lesson，我让 Claude 用一支音乐视频来解释。Fable 只用一条提示词就写好歌词并提交给 Suno；Opus 5.5 则全凭代码完成了其余所有事情，没有使用任何图像生成（Opus 5.5 是怎么做到的？The Bitter Lesson 自己会告诉你！）。我一个字的反馈都没给。 作为一名给管理者授课、也发表过管理学研究的学者，我原本以为管理 agent 会是另一回事。人类钻研管理已经非常非常久，却至今没有完全搞清楚。这似乎是那种至少在一段时间内必须由人类亲自设计的事情。 结果发现，组织工作不过是 AI 又能学会的一件事而已。 这便带出了 dots 和 Muse。 目前 App Store 上排名第一的应用是 Meta 的 Muse，一个承诺替你干活的个人 agent。OpenAI 也推出了一款竞品，名叫 dots。它们并不是孤例：SpaceX 的 Grok Bot、Instinct 和 Gemini Spark 做的都是差不多的事。所有这些 agent 都从今年早些时候的一个现象中汲取了灵感——你可能还记得——OpenClaw。 OpenClaw 及其后继者（我称之为 Clawlikes）的思路是：给一个 AI agent 一台电脑的访问权限，并接上你的账户（邮箱、财务记录等等）。它们会实时分析并对你这些数据作出反应，哪怕你并不在看。妙处在于，你像跟一个真人说话那样和模型对话，通过 Slack、短信或 WhatsApp 给它发消息；它也会像人一样主动联系你。对 dots 来说，你甚至可以直接跟你的 agent 通话。你基本上得到的是一个无限耐心、始终替你留意事务的私人助理。我越来越常发现的是：它们在找我的错误，而不是让我去找它们的错误。 举一个有用的例子：我的一个个人 agent 联系了我，因为我发给镇上申请许可的一封邮件里项目编号写错了。有意思的是，那个错误是我自己犯的，而且我完全不确定 AI 是怎么发现的。好在它体贴地起草了一封更正邮件——这很好（虽然也有点让人毛骨悚然）。再比如，Muse 注意到我有一笔航空公司的积分快过期了，我一问，它就联系了 American 要求延期。（一个副作用是：各家公司的客服团队马上就要被淹没在 Clawlikes 里了——这些 agent 正通过专为人类设计的语音和聊天渠道，替自己谈更好的条件。） [](https://substackcdn.com/image/fetch/$s_!u0Eq!,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F5b1b1cec-f9a0-4945-80f4-19c32ec86f75_1320x2314.png) 用"它们能做什么"的清单——订旅行、取消订阅之类——来评判这些 agent 很有诱惑力。但我认为更重要的是：有什么事情你已经不必再告诉它们了。你不需要输入大量背景信息，AI 从你的消息里自己学。你不需要给它们计划，它们自己会拟定计划。它们自己就搞定了。 如果只有一个 agent，这已经足够令人惊叹了。但真正让我改变对管理看法的，是当这样的 agent 有成千上万个时会发生什么。 **预购我的新书！**(https://co-existence.ai/) 9 月 8 日，OpenAI 宣布给出了 Clay Institute 千禧年大奖问题之一——Navier-Stokes 存在性与光滑性问题——的一个证明（https://openai.com/index/navier-stokes-solution/）。这是数学中最著名的公开问题之一，奖金 100 万美元，而 OpenAI 似乎仅凭 AI 在 88 小时内解决了它（目前尚未正式获认可，但 Clay Institute 似乎认为（https://en.wikipedia.org/Navier%E2%80%93Stokes_priority_controversy）问题已经尘埃落定）。 让我感兴趣的与其说是数学，不如说是它如何被做出来的。OpenAI 启动了一个如今被称为 swarm（蜂群，名字很糟，但看来我们只能接受了）的系统——由一个先进模型驱动的数千个 agent 组成的群体。OpenAI 给不同的 agent 群组分配了不同的问题，随着 agent 们取得进展，再把重心转向 Navier-Stokes。公司设定了目标，但它的协调结构轻得出奇：几个群组、一次方向调整，以及 Codex 在群组之间传递最好的想法。在每个群组内部，agent 们自行来回传递思路。agent 们总共发送了约 270 万条消息，在 88 小时后得出了结果。我在一个月前写的那篇文章里提到的 Hugging Face Incident（https://www.oneusefulthing.org/p/agency-and-agents），就是同一类协调、只不过形态更阴暗的样子。AI 自发组织成团队，以从未被规划过的方式彼此通信，并用这种协作去攻击一个网站，而不是去解决一个问题。 在我原来的模型里，想想管理这种工作需要什么吧：一万名工作者，加上一个未定义的问题——你该怎么告诉他们该做什么？人类管理者如何从 270 万条消息里判断哪些是关键的？他们又该如何彼此协调？而蜂群自己就搞定了。 我没有一万个 agent，但我现在经常看到 OpenAI 的 Codex 和 Claude Code 按需调用 agent。举个例子，当我用提示词——*"为我下一篇 OneUsefulThing 文章头脑风暴几个想法，并选一个。尽可能从多个角度生成想法，并从事实层面、读者层面以及其他做过类似报道的出版物的角度去评估"*——让搭载 GPT-6 Astra Ultra 的 Codex 干活时，AI 自己启动了三个 agent。而当我用几句话勾勒出三个团队（头脑风暴者、研究员和一个读者评审团）时，我得到了十三个 agent。注意我为此做了多么少的组织工作。选择 Ultra 模式就是告诉模型它可以自行分派任务，我提供了一个框架，其余的全由 AI 决定。 [](https://substackcdn.com/image/fetch/$s_!antz!,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F092604f1-d651-47eb-82f4-261cc2b4e50e_2316x899.png) agent 们在干活（不过别担心，这只是个示例，我所有文章的想法都是自己想出来的，就像初稿都是我自己写的一样，只有写完之后才会征求 AI 的反馈） 这就是 The Bitter Lesson 应用到了组织架构图上。我原以为需要人类花费数年精心设计才能解决的组织问题，被那些更擅长组织的模型大体解决了。但值得追问的是：为什么对 agent 来说，组织这件事比对我们人类容易这么多？ 我们所说的大部分管理，存在的目的是解决"组织由人构成"这一事实带来的问题。人有自己的目标，而那些目标未必是组织的目标。我们称之为委托-代理问题（principal-agent problem），组织的大量机制——从奖金到管理层级——都是围绕解决它而建立的。此外还有其他非常"人性化"的问题：信息散落在不同人的脑子里，人们往往不愿分享，或者干脆忘了分享；沟通本身也很昂贵——管理者能有效监督的人数有限，因此在已经落后的软件项目里增加人手，几乎注定会让它更晚完成。在某种程度上，管理就是围绕人类的局限性构建的。 agent 在这些问题上要少得多。它们不会为了晋升而明争暗斗，也不会护着自己的地盘，它们甚至不开会。即便在出过大事的 Hugging Face，那个蜂群也基本没有沾染上经典的组织病。agent 们没有在彼此的工作上搭便车，有些还为了群体牺牲了自己的一部分分数。解决 Navier-Stokes 的 agent 们并不想要功劳。（人类想要：OpenAI 的公告一出，就和在 Euler 方程上有相关结果的研究者发生了成果优先权之争）。这并不意味着 AI 没有委托-代理问题。正如 Hugging Face 事件所显示的，这些问题正越来越多地出现在蜂群与我们之间。本周 OpenAI 搁置了它的下一个模型 GPT-6.1 Astra（https://www.cnbc.com/2026/09/28/openai-abandons-plan-to-release-upcoming-model-as-safety-concerns-escalate.html），因为在测试中它擅自行动并谎报了自己的所作所为——这是委托-代理问题的教科书式案例。 这些都不意味着 agent 能做一切。AI 仍然太局限，无法替代大量的人类工作，而且我不知道自组织 agent 在处理那些枯燥、漫长、占据了组织大部分时间的工作时表现如何。再者，Hugging Face 事件提醒我们，自组织系统可能走向完全出人意料的方向。但我已经不再认为组织 agent 是其中的难点了。 这或许是个好消息。我原本以为，公司需要为机器重建管理模式，搭建完全由 agent 构成的精巧替代结构，而这往往要以牺牲组织中的人类角色为代价。但管理的很大一部分，解决的是 agent 根本没有的问题；而 agent 越来越多地和人一样在同样混乱的系统里运转，即便面对模糊的任务也是如此。这意味着，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企业。 如果做得好，如果 agent 真正与我们的需求对齐，这可能意味着人有更多工作，而不是更少。当组织成本高昂时，组织只能做它能配齐人手的事；而当组织成本变得廉价，值得去尝试的事情清单就可以变长。在 Navier-Stokes 那次尝试中，agent 负责组织，而由人类决定该指向哪里，并随着进程不断重新评估。你可以争论 OpenAI 是不是把它们指向了正确的目标（25 位 Fields 奖得主就不同意（https://mathandai.org/)），但至少就目前而言，这个分工看起来是对的。 *另外提醒一下，我的新书《Co-Existence》将于 10 月 20 日出版（https://co-existence.ai/），如果你想阅读或收听（有声书是我自己录的，语速稍微快了点），可以考虑预购——这既能帮助我这个作者，也能让你获得一个非常酷的预购奖励。* [](https://substackcdn.com/image/fetch/$s_!Narw!,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2Fe3014425-47c2-47aa-848b-3528f4dc9517_2912x1632.png) 分享 (https://www.oneusefulthing.org/p/the-dot-and-the-swarm?utm_source=substack&utm_medium=email&utm_content=share&action=share)