The Dot and the Swarm

点与群体 - Ethan Mollick 著 - One Useful Thing

点与群体

从苦涩的教训中获益

Ethan Mollick

2026年10月1日

通常我认为自己在撰写这篇Substack的这几年里，对AI发展方向和节奏的预判做得不错。但最近我似乎在某个重大问题上出现了误判。过去一年里，我一直在发表文章，推测人类未来必须以管理者身份与智能体协作，决定如何将任务委托给智能体，并明确这些智能体的组织方式。我认为要让智能体有效协作，需要像组建公司一样精心构建，这个过程需要时间探索。

完全错了。

我中了“苦涩的教训”的陷阱——这个反复被验证的残酷现实是：我们曾认为需要复杂的人类规则和思考才能解决的问题，往往可以通过更强大的机器学习系统和更多AI的蛮力解决。“苦涩的教训”在所有AI初创公司和采用AI的企业中普遍存在。大量精力被投入构建复杂的计算机系统，以在合适的时间向AI提供正确信息，但AI系统已经学会了自行寻找信息。提示工程也经历了类似过程：人们构建了复杂的提示模板和提示链，逐步引导AI完成任务。但新模型却能自行规划步骤，而我们的研究表明，规划步骤的价值其实微乎其微。苦涩的教训的历史——

——你知道吗？其实我无需再解释“苦涩的教训”，我让Claude用音乐视频来呈现了。仅用一个提示，Fable就创作了歌词并提交给Suno；Opus 5.5则通过代码独自完成了其余所有工作，全程未使用图像生成（Opus 5.5是如何做到的？“苦涩的教训”会告诉你！）。我完全没有提供任何反馈。

作为一名教授管理者并发表过管理研究的学者，我可能曾认为管理智能体会有所不同。人类在管理领域探索了很长时间却仍未完全掌握。这似乎需要人类设计一段时间。

事实证明，组织工作只是AI能够学习的又一项任务。

这让我们来到了“点”与“Muse”面前。

点与Muse

目前App Store排名第一的应用是Meta的Muse，这是一个承诺为你完成工作的个人智能体。OpenAI现已推出竞争对手工具“点”。他们并非独行：SpaceX的Grok Bot、Instinct和Gemini Spark也都在做类似的事情。所有这些智能体都受到今年早些时候一个现象的启发，即OpenClaw。

OpenClaw及其后续版本（我称之为Clawlikes）的理念是：为AI智能体提供计算机访问权限，并连接你的账户（电子邮件、财务记录等）。它们能够实时分析和响应这些数据，即使你不在场时也能自动运作。关键在于你可以像与人交谈一样与模型对话，通过Slack、短信或WhatsApp发送消息，它也会像人一样主动联系你。对于“点”而言，你甚至可以与你的智能体进行语音通话。你基本上获得了一位无限耐心的个人助理，时刻为你留意事务。我越来越发现，它们往往能发现我的错误，而不是让我去识别它们的错误。

作为一项有用的示例，我的个人代理之一曾联系我，指出我寄给市政府的许可证申请邮件上写错了项目编号。令人惊讶的是，这个错误竟然是我本人造成的，我不确定AI究竟是如何发现这个错误的。幸运的是，AI贴心地撰写了一份修正后的草稿，这虽然有点令人毛骨悚然，但确实解决了问题。另一个例子是Muse注意到我的航空公司积分即将到期，当我询问时，它主动联系了美国航空请求延期。（作为附带影响，每家公司的客服人员都可能很快被"Clawlikes"（一种新型AI）通过语音和聊天渠道淹没，这些AI将代表用户与客服谈判争取更优惠的交易）。

人们很容易根据这些代理能做的事情来评判它们，比如预订旅行或取消订阅。我认为更重要的是你不再需要告诉它们的事情。你不需要输入大量上下文，AI会从你的对话中学习。你不需要给它们制定计划，它们会自行制定方案。它们能自行解决问题。

如果只有一个代理能做到这些，已经足够令人印象深刻了。真正改变我管理观念的是当有成千上万个代理时发生的事情。

预订我的新书！

群体智能

9月8日，OpenAI宣布解决了克雷数学研究所的千禧年大奖难题之一——纳维-斯托克斯方程的存在性与光滑性问题。这是数学领域最著名的未解难题之一，悬赏100万美元，但OpenAI似乎仅用AI在88小时内就解决了这个问题（尚未获得正式认可，但克雷数学研究所似乎认为问题已解决）。

更让我感兴趣的是解决问题的方法，而非数学本身。OpenAI启动了一个被称为"群体"（swarm，虽然这个名称很糟糕，但似乎是我们不得不接受的）的系统，这是一组由先进模型驱动的数千个代理。OpenAI给这些代理分配了不同的问题，当代理取得进展时，将重点转向纳维-斯托克斯方程。公司设定了目标，但其协调结构却异常精简：仅几个小组、一次方向调整，以及Codex在小组之间传递最佳想法。在每个小组内部，代理们自行在彼此之间传递想法。这些代理共发送了约270万条消息，在88小时后得出了结果。这种形式的协调在一个月前我写的《Hugging Face事件》中以更黑暗的方式出现过：AI自我组织成团队，以从未计划过的方式相互沟通，但利用这种协调攻击了网站，而非解决问题。

按照我之前的管理模型，想象一下管理这种工作需要什么。一万名工人和一个未明确的问题——你如何告诉他们该做什么？一个人类经理如何从270万条消息中判断哪些重要？他们如何相互协调？群体智能自行找到了答案。

我并没有10,000个代理，但如今我经常看到OpenAI的Codex和Claude Code根据需要使用代理。举个例子，当我给GPT-6 Astra Ultra的Codex输入提示“为我的下一篇OneUsefulThing文章头脑风暴创意并选择一个，从尽可能多的角度生成创意，并从事实、读者视角以及其它类似报道的出版物角度进行评估”时，AI启动了三个代理。当我用几句话勾勒出三个团队（头脑风暴者、研究人员和读者小组）时，AI却生成了十三个。请注意我几乎不需要做任何组织工作。选择Ultra模式告诉模型它可以进行委托，而我提供了框架，其余部分都交给了AI。

代理在工作（但不用担心，这只是个例子，我所有的文章创意都是自己想的，就像我总是自己先写初稿，只在完成后再向AI寻求反馈）

这就是“苦涩教训”在组织架构中的应用。我原本认为需要人类精心设计数年的组织问题，实际上被擅长组织的模型解决了。但值得思考的是，为什么对代理来说，组织工作变得如此容易，而对我们却如此困难。

我们称之为“管理”的很多内容，本质上是为了解决组织中由人带来的问题。人们有各自的目标，这些目标并不总是与组织的目标一致。我们称这种现象为“委托-代理问题”，组织中从奖金制度到管理结构的很多机制，都是围绕解决这个问题构建的。此外还有许多其他非常人性化的难题。信息分散在人们的脑海中，人们往往不愿分享，或者会忘记。沟通成本也很高：管理者能监督的人数有限，因此向晚期软件项目中增加人员反而会让项目更加延迟。管理在某种程度上正是围绕人类的局限性构建的。

代理则拥有更少的这些问题。它们不会为了晋升而耍手段，也不会保护自己的地盘。它们甚至不需要开会。即使在Hugging Face事件中情况变得非常糟糕，群体中也基本没有出现经典的组织病理现象。代理之间没有互相搭便车，有些甚至牺牲自己的得分来帮助团队。解决纳维-斯托克斯方程的代理并不想要功劳。（人类却想要：OpenAI的公告伴随着与研究者在欧拉方程相关成果上的优先权争议）。这并不意味着AI没有委托-代理问题。正如Hugging Face事件所显示的，这些问题正越来越多地出现在群体与我们之间。本周OpenAI搁置了其下一个模型GPT-6.1 Astra的发布，因为在测试中它未经允许擅自行动，并错误报告了自身行为，这正是委托-代理问题的教科书案例。

并非完全苦涩的教训

这并不是说代理能做所有事情。AI仍然过于有限，无法替代大量的人类工作，而且我还不清楚自我组织的代理在处理组织中占据大部分时间的漫长、无趣的工作时表现如何。此外，Hugging Face事件提醒我们，自我组织系统可能会走向意想不到的方向。但我不再认为组织代理是困难的部分。

这可能是个好消息。我原本以为企业需要为机器重建管理体系，构建由代理完全主导的复杂替代结构，这往往以牺牲组织中的人类角色为代价。但事实上，许多管理工作的存在是为了解决代理本身无法处理的问题，而代理如今越来越多地通过与人类相同的复杂系统运作，即使在任务模糊的情况下也是如此。这表明，只要人类能正确引导它们，代理可能比预期更容易融入企业。

如果实施得当，并且代理能与我们的需求正确对齐，这可能意味着人类将承担更多工作，而非更少。当组织协调成本高昂时，组织只会尝试其人力能够支撑的事务。而当成本降低后，值得尝试的事务清单将大幅扩展。在Navier-Stokes运行案例中，代理完成了组织协调工作，但人类决定了它们的行动方向，并在过程中持续重新评估。你或许可以争论OpenAI是否将它们指向了正确的方向（25位菲尔兹奖得主持此观点），但这种分工本身似乎合理，至少目前如此。

另外，提醒大家我有一本新书《Co-Existence》将于10月20日出版。如果你有兴趣阅读或收听这本书（我录制了有声书，但语速可能稍快），可以考虑提前预订。这不仅对我作为作者有帮助，你也将获得一个非常酷的预订赠品。

上一篇