Alexandr Wang: “This is a Once-in-a-Civilization Opportunity”

Meta AI 负责人 Alexander Wang 透露：他们用 Muse Spark 1.1 这种模型，已经能让一群 AI 代理完成 100 人工程师团队的工作，且成本比 OpenAI Opus 便宜 8 倍。

当智能变便宜，稀缺的是你想把世界推向哪里

Alexandr Wang 是 Scale AI 创始人，19 岁创业，后来进入 Meta 参与搭建前沿 AI 实验室。他这次回到 YC 面对年轻创业者，讲的不是“下一个模型会强多少”，而是一套更底层的判断：模型即使从今天起不再进步，世界把现有能力用进工作、企业和公共系统，也够折腾几十年。于是创业者的优势不再只是会写代码，而是能否先看见一个别人还没相信的未来，再把它拆成可运行的反馈回路。

这期回答了 7 个问题：

1. 为什么最早做 AI 的机会，往往来自一个当下没人当回事的缺口？
2. 模型能力已经够强时，创业公司的真正机会在哪里？
3. 个人超级智能应当替人做主，还是扩大人的行动能力？
4. 前沿实验室为什么不能沿用互联网产品团队的组织方式？
5. 当智能和执行力大量供给后，创始人最不可外包的能力是什么？
6. 不再亲手写代码后，年轻人为什么仍要训练系统思维？
7. 怎样把“很多 Agent 在跑”变成真实进展，而不是更快地制造忙碌？

Wang 回忆自己在 MIT 训练早期模型时，完成一件事需要三样东西：云端算力、训练代码和数据集。前两样都能在线上直接取得，唯独数据没有一条可靠的获取路径。这就是 Scale AI 的起点。它不是从“AI 是热门赛道，所以卖数据”倒推出来的，而是从一个亲手训练模型的人每天会撞上的摩擦出发。更早之前，他和联合创始人尝试过做医疗 AI Agent；方向未必错，却因时机不对被 YC 的 Jared Friedman 叫停，才退回去重新找问题。

Scale 起步后的几年，数据仍被不少投资人视为不性感、未必持久的生意；即使公司收入增长不错，融资时也反复被质疑。Wang 的反应不是找更多市场报告证明自己，而是把判断建立在自己知道的事实之上：训练模型的人缺数据，而且这个缺口不像云服务或代码工具那样能一键补上。"you need to develop conviction in a set of beliefs that nobody else agrees with."（你需要对一组别人并不同意的信念形成确信。）

这意味着，所谓第一性原理不是把一句流行词挂在融资材料上，而是先拿到一条足够具体的观察，再判断它会不会沿着技术曲线放大。别人都认同的机会，通常已经在价格里；真正难的是，当用户、投资人和身边人都没有同样参照系时，仍能解释自己为什么不跟着人群走。边界也很清楚：逆共识不等于逞强。医疗 Agent 被及时放弃，说明“未来会存在”不等于“今天这家公司该做”；内部判断要靠现实摩擦不断校正，而不是把固执误当信念。

主持人问现在创业是否比十年前容易，Wang 把焦点从“模型进步速度”转到扩散。十年前，小团队面对成熟公司更像 David 对 Goliath：钱少、人少，只能找到一个极窄的切口。今天，Agent 可以承担研究、编程、运营和执行中的一段工作，小团队若真的把它们编进流程，反而像被机械外骨骼放大的 Goliath。他甚至说，即便模型从现在开始原地不动，经济和组织仍会因为现有能力而经历几十年的改变。

"the bottleneck is diffusing that through the rest of the world"（瓶颈在于把这些能力扩散到世界的其他部分。） 这句话把机会从模型排行榜挪到了采用现场。企业不知道哪些任务能交给 Agent，不知道该给它什么上下文，也不知道何时该由人接管；政府、医院和普通团队还有安全、责任、流程和采购上的旧结构。它们不会因为模型发布会结束而自动改变。

这意味着，下一批大公司未必靠“训练出更强模型”获胜，也可能靠把已经存在的能力做成可被信任的工作方式：把复杂的设置压缩成一套默认流程，把失败位置看得见，把人需要确认的点留出来。对创业者而言，问题不该只问“Agent 能做什么”，而该问“哪个行业已经有足够清晰、却还靠人手搬运的闭环”。边界在于，AI 让小团队更有火力，不会自动给它客户、数据权限或合规资格。外骨骼能放大行动，不能替你选择战场。

谈到 Meta 对超级智能的设想时，Wang 没有描述一个替所有人安排生活的中央系统。他用的是 personal superintelligence：每个人都有贴合自身目标和上下文的智能助手。它认识你的任务、工具和约束，但核心目标是 agency expansion，也就是扩大一个人实际能发起和完成的行动。"How do we help people accomplish things that they couldn't have ever dreamed of before?"（我们怎样帮助人完成过去甚至想都想不到能完成的事？）

他把这个图景延伸到商业生态。现在 Meta 平台上约有 2 亿家企业；他的预期不是让少数巨头收走更多工作，而是让更多个人和小团队有能力经营业务，数字可能走向数十亿。届时，个人 Agent、企业 Agent 和服务 Agent 会协作，不同人保留不同目标与判断，而不是把一切交给一个全知系统。这里的重点不是“每个人都有聊天机器人”，而是每个人都能拥有原先只属于大组织的执行能力。

这意味着，产品设计的重心会从回答质量，转向用户是否真正获得了新的控制力：他能否理解 Agent 做了什么，能否更改目标，能否把中间成果带到下一步，并在重要处收回决定权。一个助手若只让人更依赖它，未必扩大了行动能力。边界也在这里：上下文越深，权限越大，错误的后果也越大。所谓个人化不能变成黑箱代办；要让用户获得能力，产品就得同时让用户保有知情、审阅和拒绝的权利。

Wang 进入 Meta 后，面对的不是给既有产品加一个 AI 功能，而是重新搭一个前沿实验室。他说团队先做了 zero-based build：从零审视实验室需要怎样运作，再保留可用的基础。九个月后推出第一个模型、两个月后继续更新，速度很快；但他认为真正的核心不是某一轮发布，而是人才密度。"talent density is something that compounds naturally"（人才密度是一种会自然复利的东西。）

理由很朴素：最强的人更愿意与最强的人一起做难题，于是好的人才会吸引更多好的人才。但这不是普通互联网产品团队的线性扩招。前沿 AI 工作更接近科学研究，要持续试验什么能做、能力边界在哪里、怎样扩展；同时算力、模型能力、使用量都在很陡的指数曲线上变化。一个实验室若每次变化都靠层层审批和固定季度计划，很快就会被自己的组织结构拖住。

这意味着，组织目标不应只是把一批聪明人塞进同一个楼层，而是形成一个能随着技术曲线一起生长的“有机体”：研究能提出问题，工程能把实验变成系统，产品能让外部真实使用反过来校正优先级。人才密度只是起点，关键是信息和实验能否高速流动。边界同样不能忽略：强调速度不等于取消纪律。模型越前沿，生物安全、网络安全和能力评估越不能在最后补票；科学探索必须和风险控制并列设计，而不是先冲出去再收拾残局。

Wang 对未来十年的判断很激进：回头看，人们会觉得当时反复争论模型究竟两年还是五年后跨过某条线，多少有点短视。十年前，最好的模型还只是在 YouTube 视频里识别猫；现在，人们已经在用它们做复杂任务。他认为趋势会继续，届时人类历史上长期稀缺的两样东西——智能，以及为一个目标实际调动资源的能力——都会更便宜。"intelligence became abundant and that agency became abundant"（智能变得充足，行动能力也变得充足。）

过去，几群聪明人围绕同一目标协作，是公司和国家能推进大事的瓶颈。未来，Agent 会让实现路径快十倍甚至百倍，但它不会替人回答：五到十年后，世界应当多出什么、少掉什么？Wang 把这叫作 vision and ambition。愿景不是一句“用 AI 改变行业”的口号，而是对未来状态有具体图像；野心则是愿意穿过混乱、反对和长期不确定性，把图像变成一连串取舍。

这意味着，AI 把“能不能做”变得更容易后，创始人的筛选题会变成“为什么要做这个、为什么是这个顺序、谁来承担副作用”。医疗、科学、新业务都可能因此打开，但安全和治理不会自动长出来。边界是，愿景不能成为忽视现实约束的通行证。越是能迅速放大行动，越需要清楚写下受益者是谁、风险落在谁身上、哪些后果不可接受。没有这些，野心只会变成更快的盲目。

现场有人问，既然 CS 专业人数下降、Agent 越来越会写代码，年轻人是否应该少做“shape rotator”——理解技术结构的人，多做“wordcel”——只处理文字的人。Wang 的答案是不该二选一。他承认抽象层已经变了：创业早期，人得自己写代码；现在，人更多是在编排 Agent；再往后，问题可能变成怎样让一百万、甚至一万亿个 Agent 协同。可是每次抽象层上移，系统思维都没有消失，只是对象从函数和服务变成了任务、权限、状态、评估与协作关系。"systems thinking is never going to go out of style."（系统思维永远不会过时。）

这也解释了为什么只会给出漂亮指令远远不够。一个 Agent 失败时，问题可能是上下文缺失、工具权限不够、目标有歧义、反馈信号错误，或多个子任务在相互覆盖。你不必自己实现每一行代码，却要能把过程拆开，看懂输入、输出、依赖和失败路径。否则模型写得越多，团队越难知道哪里出错。

这意味着，学习重点会从记住某门语言的语法，部分转向构造和诊断系统：怎样定义目标，怎样设定边界，怎样观察中间状态，怎样让失败可恢复。文字表达仍重要，因为目标先得被说清；但不理解结构的人会把 Agent 当黑箱许愿池。边界不是说每个人都必须成为底层工程师，而是无论做产品、研究还是运营，都要拥有足够的技术判断，知道什么时候系统给出的答案可信，什么时候该停下来追问。

Wang 给出的近端机会很具体：不是再造一个会聊天的工具，而是为连续反馈回路设计 Agent 系统。公司本来就是很多反馈回路叠在一起：获得客户、让客户更满意、客户多付费、公司再招更多人改进产品。每一段里都有更小的循环。若能把某个循环的目标定义好、给 Agent 足够数据和工具，并让结果可以衡量，Agent 群体就能持续试、看结果、再调整。"if you can develop the right agentic loop and you have the right eval or the right metric for the agents to optimize"（如果你做对了 Agent 循环，并给了它们正确的评估或优化指标。）

他提到 Meta 内部已有案例：当循环和评估指标正确，一群 Agent 完成的工作可以轻松超过一支百人工程团队。实现方式却并不神秘，主持人把它概括成 Markdown 文件、cron job、数据和目标；Wang 认可这种“挖到底之后很朴素”的描述。真正昂贵的不是把 Agent 开到一百个，而是把目标写成不会被钻空子的指标，给它足够可靠的反馈，并确认它优化的是结果而非表面动作。

这意味着，Agent 产品的护城河可能藏在 eval——用一组明确标准评测输出是否有效——以及反馈数据里，而不在提示词数量。若指标只看代码提交、工单关闭或 token 消耗，系统会把这些动作刷到很好看，却不一定让客户更满意。边界正是 Goodhart 定律式的风险：一旦某个数字成了唯一目标，它就容易失去代表性。所以每个自动化闭环都要有人工抽查、反向指标和可停止机制；能跑得快的系统，更需要证明自己没有跑偏。

第 2 条“模型的瓶颈在扩散”和第 7 条“Agent 的分水岭在反馈回路”，合在一起其实给出了同一个答案：AI 的下一阶段不是展示能力，而是把能力嵌进一个能被现实结果校验的系统。模型已经能做很多事，问题是企业如何设目标、给权限、留审阅、看结果，再根据结果继续调整。没有这套闭环，所谓 Agent 只会把原来的流程跑得更快，也把原来的错误放得更大。

而第 1 条的逆共识、第 5 条的愿景和第 6 条的系统思维，说的是创始人不能外包的部分。AI 可以帮助你搜资料、写原型、协调子任务；它不能替你发现某个真实摩擦，也不能替你决定要把更便宜的智能用来改善什么。对正在做产品的人，最有用的起点不是先问“我该上多少个 Agent”，而是选一个已存在的工作回路：输入是什么、成功是什么、谁能判断成功、失败会伤到谁。把这四件事说清，再让 AI 接手其中可测、可回退的一段，才会从热闹的演示走向真正能改变结果的系统。