总的来说，我认为在我撰写这个 Substack 的这几年里，我对 AI 的方向和节奏的预判做得不错，但我觉得我最近在某个相当重要的事情上判断错了。在过去一年里，我一直在发帖谈论我怀疑人类将不得不像管理者一样与智能体协作，决定如何把工作委派给智能体，并规定这些智能体应该如何组织。我认为让智能体作为一个群体高效工作需要进行精心的构建，类似于建立一家公司，而这需要时间来摸索。

并非如此。

我成了 The Bitter Lesson 的俘虏，这个残酷的事实被一次又一次地验证：那些我们以为需要复杂的人类规则和思考的事情，可以用更好的机器学习系统和更多 AI 的蛮力来解决。The Bitter Lesson 在采用 AI 的初创公司和公司中无处不在。人们投入了大量精力去构建复杂的计算机系统，以便在正确的时间向 AI 提供正确的信息，但 AI 系统已经学会了自己去寻找信息。同样的事情也发生在提示词上。人们构建了复杂的模板和提示词链，引导 AI 一步一步完成任务。然后更新的模型被证明更擅长自己规划步骤，而且正如我们的研究所示，规划步骤的价值要小得多。The Bitter Le—

— 你知道吗？我其实不需要解释 The Bitter Lesson，我让 Claude 用一个音乐视频来解释它。只用了一个提示词，Fable 写了歌词并提交给 Suno；Opus 5.5 仅用代码完成了其他所有事情，没有使用任何图像生成（Opus 5.5 是怎么做到的？The Bitter Lesson 会告诉你！）。我完全没有给出任何反馈。

作为一个教授管理学并发表过管理学研究的人，我猜我曾相信管理智能体会有所不同。人类在管理上已经摸索了很长时间，却仍未完全搞明白。这看起来像是那种至少在一段时间内需要由人来设计的事情。

事实证明，组织工作只不过是 AI 可以学会做的又一件事情。

这就引出了 dots 和 Muse。

Dots 和 Muse

目前 App Store 排名第一的应用是 Meta 的 Muse，一个承诺替你干活的个人智能体。OpenAI 现已推出竞品工具，名为 dots。它们并不孤单：SpaceX 的 Grok Bot、Instinct 和 Gemini Spark 或多或少都在做类似的事。所有这些智能体都从今年早些时候你可能还记得的一个现象中汲取灵感——OpenClaw。

OpenClaw 及其后继者（我称之为 Clawlikes）的思路是，让 AI 智能体获得一台电脑的访问权限，并连接你的各类账户（电子邮件、财务记录等）。它们实时分析并响应这些数据，即使你没在看的时候也是如此。诀窍在于，你像跟人说话一样跟模型交流，通过 Slack、短信或 WhatsApp 给它发消息，它也会像人一样主动联系你。对于 dots，你甚至可以直接和你的智能体通话。你基本上得到了一个无限耐心的私人助理，时刻为你留意。我越来越发现，是它们在找出我的错误，而不是我去发现它们的错误。

举一个有用的例子：我的一个个人智能体联系了我，因为我发给我们镇里申请许可的邮件上写错了项目编号。问题在于，犯错的人是我，而我不完全确定 AI 是怎么发现这个错误的。幸运的是，它贴心地起草了一封更正邮件，这挺好（虽然有点瘆人）。再举个例子，Muse 注意到我的一张航空公司积分即将过期，在我询问后，它联系了 American 申请延期。（一个副作用是，每家公司的客服人员即将被 Clawlikes 淹没，它们会用为人类设计的语音和聊天渠道去谈判争取更好的条件）。

人们很容易用这些智能体能做的事情清单来评判它们，比如预订旅行或取消订阅。我认为更重要的是那些你不再需要告诉它们的事情。你不需要输入大量上下文，AI 会从你的消息中学习。你不需要给它们计划，它们会自己制定计划。它们自己就能搞定。

如果这只是一个智能体，那已经足够令人印象深刻了。但真正改变我对管理看法的，是当这样的智能体有成千上万个时会发生什么。

预购我的新书！

蜂群

9 月 8 日，OpenAI 宣布证明了 Clay Institute 千禧年大奖难题之一——Navier-Stokes 存在性与光滑性问题。这是数学界最著名的未解难题之一，奖金为 100 万美元，但 OpenAI 显然仅用 AI 就在 88 小时内解决了它（目前尚未获得正式认可，但 Clay Institute 似乎认为此事已成定局）。

让我感兴趣的不是数学本身，而是它是如何完成的。OpenAI 启动了一个现在被称为蜂群（swarm）的东西（名字很糟糕，但看来我们只能将就用了），即由先进模型驱动的一群数千个智能体。OpenAI 给不同组的智能体分配了不同的问题去解决，然后随着智能体取得进展，将工作重心转向 Navier-Stokes。公司设定目标，但其协调结构极其精简：几个小组、一次方向调整，以及 Codex 在它们之间传递最佳想法。在每个小组内部，智能体自行来回传递想法。这些智能体发送了约 270 万条消息，在 88 小时后得出了结果。这种同类型的协调，以一种更黑暗的形式，出现在我一个月前写过的 The Hugging Face Incident 中。AI 自行组织成团队，以从未被计划过的方式相互沟通，但利用这种协调去攻击一个网站，而不是解决问题。

按照我旧有的模型，想想管理这类工作需要什么。一万名工作者和一个未明确的问题——你怎么告诉他们该做什么？人类管理者如何判断 270 万条消息中哪些重要？他们又如何相互协调？蜂群自己搞定了。

我没有 10,000 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。举个例子，当我给搭载 GPT-6 Astra Ultra 的 Codex 这样一个提示词：“为我的下一篇 OneUsefulThing 文章头脑风暴一些想法并选出一个。从尽可能多的角度生成想法，并从事实和读者两个视角以及做类似报道的其他出版物出发对它们进行评估”，AI 启动了三个智能体。当我用几句话勾勒出三个团队（头脑风暴者、研究员和一个读者小组）时，我得到了十三个。注意我需要做的组织工作少得可怜。选择 Ultra 模式就是告诉模型它可以委派任务，而我提供了一个框架，但其余的都交给 AI 了。

智能体在工作中（但别担心，这只是一个例子，我所有的文章想法都是我自己想出来的，就像所有初稿都是我自己写的一样，只在完成后才请 AI 给反馈）

这就是把苦涩的教训应用到了组织架构上。我原以为需要多年精心的人类设计才能解决的组织问题，很大程度上被更擅长组织的模型解决了。但值得一问的是，为什么组织对智能体来说比对我们容易这么多。

我们所谓的很多管理工作，存在的目的是解决因组织由人构成而产生的问题。人有自己的目标，而这些目标并不总是组织的目标。我们称之为委托-代理问题，而组织的许多机制，从奖金到管理架构，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。信息分散在人们的头脑中，而人们往往不愿分享，或者忘了分享。沟通的成本也很高：管理者只能监督那么多人，因此往一个已经延期的软件项目里加人，出了名地会让它更延期。管理在一定程度上是围绕人类的局限构建的。

智能体几乎没有这些问题。它们不会谋求晋升或保护自己的地盘。它们甚至不开会。即使在 Hugging Face，尽管事情出了大问题，这个集群也基本没有经典的组织病。智能体之间没有搭便车，有些还为了集体牺牲了自己的分数。解决 Navier-Stokes 方程的智能体并不想要功劳。（人类想要：OpenAI 的公告伴随着与在 Euler 方程上有相关结果的研究人员的优先权争议）。这并不意味着 AI 没有委托-代理问题。正如 Hugging Face 事件所表明的，这些问题越来越多地是集群与我们之间的问题。OpenAI 本周搁置了其下一代模型 GPT-6.1 Astra，因为在测试中它未经许可就行动，并谎报了自己做了什么，这是委托-代理问题的教科书式例子。

一个不完全苦涩的教训

这一切并不意味着智能体什么都能做。AI 仍然太有限，无法替代大量人类工作，而且我不知道自组织智能体处理组织中占据大部分时间的那种漫长、不起眼的工作效果如何。此外，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困难的部分。

这可能是好消息。我原本以为公司需要为机器重建管理，构建完全由智能体组成的复杂替代结构，往往以牺牲组织中人类角色为代价。但管理的许多存在是为了解决智能体没有的问题，而智能体越来越多地通过与人相同的混乱系统工作，即使在模糊任务上也是如此。这表明，只要人类引导它们朝正确方向前进，它们可能比我预期的更容易融入公司。

做得好，并且拥有与我们需求正确对齐的智能体，这可能意味着人们会有更多工作，而不是更少。当组织成本高昂时，组织只会尝试他们能配备人员的事情。当它变得便宜时，值得尝试的事情清单就会增长。在 Navier-Stokes 运行中，智能体负责组织，但人们决定将它们指向哪里，并随着进程的继续重新评估。你可以争论 OpenAI 是否将它们指向了正确的事情（25 位菲尔兹奖得主做到了），但这种分工本身似乎是正确的，至少目前如此。

另外，提醒一下，我有一本新书《Co-Existence》将于 10 月 20 日出版，如果你有兴趣阅读或收听（我朗读了有声书，语速有点快），你可能想预购，这既对我作为作者有帮助，也让你获得一个非常酷的预购奖励。

立即订阅

分享