文章核心观点 - 人类数据可能正在成为人工智能继续突破的限制，要想真正实现超级智能，或许必须摆脱对人类数据的依赖 [1] - 把语言作为主要推理方式，可能从一开始就不是正确的范式 [1] - 超级智能不应只是掌握海量知识的模型，而应是能够持续学习、不断发现新知识的系统 [1] - Ineffable Intelligence 实验室正在探索一条与当下主流大模型路线截然不同的方向，即摆脱对人类知识、语言和认知方式的依赖 [1] 公司创始人与背景 - 大卫·席尔瓦曾长期在谷歌 DeepMind 从事强化学习研究，是 AlphaGo 等突破性项目背后的重要研究者之一 [3] - 拉瑟·埃斯佩霍尔特同样深耕强化学习，尤其关注如何借助大规模计算系统让这类学习方法在更复杂、更庞大的环境中运行 [3] - 两位创始人的共同点是更关心机器能否通过自己的行动和经验发现人类尚未发现的知识 [4] - AlphaGo 展示了强化学习的惊人潜力，机器不仅可学习人类棋谱，还可通过自我对弈不断提升棋力 [4] - AlphaZero 更进一步，在不依赖人类棋谱的情况下通过自我对弈掌握了围棋、国际象棋等棋类游戏 [4] - 棋盘终究是规则明确、边界有限的世界，现实世界远比棋盘复杂，科学研究、工程设计、物理系统等没有现成标准答案 [4] - 如果人工智能要从解决人类已定义好的问题走向发现人类尚未意识到的问题，需要的可能不再只是更大的模型和更多的数据，而是一种能够持续产生新知识的学习机制 [4] 核心系统：超级学习者与试炼环境 - 公司正在构建的核心系统被称为“超级学习者”，目标不是把人类积累的知识尽可能完整地装进一个模型，而是让人工智能从相对无知的状态出发，通过与环境互动、尝试不同策略、从成功和失败中积累经验，逐步建立对世界的理解并持续发现新规律 [5] - 公司还提出了“试炼环境”的概念，可理解为一系列供人工智能反复接受挑战的模拟世界，系统需要在其中完成任务、应对复杂情境、检验自己的判断，并在一次次试错中提升能力 [5] - 环境不只是训练机器的工具，也将成为检验它究竟学会了什么、还能发现什么的关键 [5] - 这条路线与当下大语言模型竞赛形成鲜明对照，主流路径在不断扩大模型规模、增加训练数据并提升模型处理语言和知识的能力，而公司试图追问的是另一个更基础的问题：与其让机器越来越擅长复述人类已经知道的世界，为什么不让它自己去发现世界 [6] - 这并不意味着语言模型或人类数据毫无价值，也不意味着只要采用强化学习就必然能够诞生超级智能，真正的挑战在于如何让机器在开放、复杂甚至没有明确答案的环境中持续学习 [6] - 如果这条路最终走通，带来的就不只是一次模型能力的升级，而可能是人工智能发展方式的一次转变：从主要学习人类已经积累的知识，走向通过自身经验持续创造新知识 [6] 创立新研究实验室的动机 - 大卫·席尔瓦在 DeepMind 度过了一段非常美好的时光，但他对 AI 如何超越今天的发展水平、最终走向超级智能有着非常坚定的信念 [11] - 他所相信的这条道路并不需要把基于 LLM 的产品作为一个中间阶段 [11] - 他认为这条路线的信念如此强烈，以至于不应仅仅成为某个专注于 LLM 产品的组织内部一个小小的研究方向，它值得拥有一家顶尖的 AI 实验室全力投入 [11] - 当今世界已有数万甚至数十万名非常优秀的研究人员都在采用几乎相同的方法，不断加码 LLM 路线，包括 pre-training、post-training、coding 及其他相关工作 [11] - 他意识到还有另一盏路灯下的区域目前几乎没有人去探索，如果把精力投入到那里，更有可能对整个领域产生巨大的影响 [12] - 一旦这条路线成功，它将改变整个 AI 领域，因此最终选择创办一家独立的公司 [12] 公司命名与理念 - Ineffable 这个名字源于这样一种想法：知识可能是极其不可思议的，未来超级智能所发现的知识可能令人难以置信、超乎想象，甚至深刻到根本无法用人类语言表达 [14] - 公司不打算依赖以人类语言为基础的方法，而是要构建能够自行探索、发现事物的系统，这样的系统有可能发现极其深奥、难以置信的知识，最终达到一种无法言喻的境界 [14] - 公司认为这条路线肯定能奏效，如果真正坚定地坚持从经验中学习，那么这种方法理应能成功 [15] 超级学习者的定义与愿景 - 超级学习者指的是一种具有惊人学习能力的系统，不仅在学习的深度上拥有极强的能力，在学习的广度上也是如此 [19] - 在深度上，它应该能够从完全一无所知的状态出发，一路探索，最终发现远远超出人类现有认知的事物 [19] - 人类最初的大脑里就像只有一团灰色的、混沌不清的东西，却通过某种方式逐渐发现了今天人类所掌握的一切，这是一个集体探索和发现的过程，涉及语言、技术、科学、数学及其他所有领域 [20] - 人类学到的一切都是自己探索发现的，并不是有人从天而降给出一份蓝图，也不是有人直接交给一个包含万亿个元素的数据集，而迄今为止 AI 还没有真正实现这一点 [20] - 要实现超级智能，关键就在于构建一种系统：它能够不断学习、不断探索，并且永无止境地发现新知识 [21] - 在广度上，希望这个系统能够在广泛的领域中进行惊人的探索和发现，能够被放入任何一种经验环境中，无论是模拟世界、数字世界还是物理世界，都可以不断学习、持续进步 [21] - 如果真正实现了这一目标，最终诞生的超级智能将会像魔法一样令人惊叹，将拥有非凡的能力，能够创造出许多令人赞叹的成果 [21] 与主流 LLM 路线的区别 - 主流范式是将大 LLM 与强化学习结合起来，目前这类系统似乎已经能够解决一些问题并在某些领域取得科学发现 [24] - 公司所说的超级学者首先是一种能够完全自主地进行探索和发现的系统，至少从目前这些方法来看，要取得突破仍然需要大量 human-in-the-loop 的参与，还没有真正实现完全自主 [24] - 这种系统还应该能够应用于真实世界中具有实体形态的场景，让 Agent 通过自身的物理体验来学习，而距离实现这一点还差得非常非常远 [24] - 甚至无法确定 LLM 和以语言为基础的方法究竟是不是获取这类知识的正确途径，用语言来思考这些问题可能本身就不是正确的范式 [24] - 目前 LLM 使用的大量人类数据反而可能成了限制系统发展的负担 [24] 实现超级智能的三步走 - 公司目标是建立一套最先进的强化学习技术栈，让系统能够以极大的规模运行，高效地吸收数据，并以最佳方式进行学习，使系统能够持续学习、不断进步 [26] - 公司还在构建能够让超级学者充分探索和发现各种知识的环境，也就是模拟环境，称为 Crucibles（试炼环境），它们是专门设计的环境，Agent 可以在其中做出惊人的发现，并展现、学习各种智能能力 [26] - 整体工作包括几个方面：一是构建超级学者开展相关研究，让它的能力达到惊人的水平并超越强化学习目前的 state of the art；二是进行相应的工程开发和基础研究；三是创建试炼幻境，并将超级学者放入其中，观察令人惊叹的行为和能力如何涌现 [27] - 公司主要依靠设定研究里程碑来推进，这些里程碑与人类自身的探索历程有一定的相似之处，希望 Agent 能够重新发现人类在探索知识过程中所经历的重大突破 [27] Agent 训练方法 - 公司开展强化学习的方式与领域许多其他研究者的做法有所不同，不会通过一连串的小提示一步步引导 Agent 去完成某个特定的学习目标 [29] - 很多人在使用 RL 训练 LLM 时会先设定一系列问题，告诉 Agent 应该先学习这个问题再学习那个问题，通过一步步铺设路径实际上是在牵着 Agent 的鼻子走，把它引向某个预先设定的结果 [29] - 公司会给 Agent 一些简单的目标，然后让它自己去探索，看看能不能发现一些让人感到惊喜甚至叹为观止的东西 [29] - 原则上 Agent 有能力发现各种各样的事物，而公司未必能够提前知道它最终会发现什么 [29] - 公司不会刻意设计一个 reward function 去精确描述科学、技术或语言究竟是什么，希望 Agent 能够自己发现这些东西 [33] - 如果连从事 AI 研究的人都无法解决这个问题，那么就永远无法创造出能够发现全新知识领域的 Agent，更不用说那些目前甚至还不知道其存在可能性的知识领域 [33] - 未来可能存在着许多广阔的知识领域，而现在连它们是否存在都不知道，应该让 Agent 处于一种开放、自由的探索过程中，让它们自己去摸索、理解和发现事物 [34] 试炼环境的构建 - 公司正在构建 Crucibles，这些环境具有催生大量涌现复杂性的能力 [36] - 公司并不是人为地设计出一大堆谜题再让 Agent 逐一解决，相反希望这些环境本身就蕴含着极其丰富的涌现复杂性 [36] - 复杂性可以来自不同的方面，例如可以来自物理引擎：当数百万个物体在一个复杂的物理引擎中相互作用时，就会产生丰富的复杂行为 [36] - 也可以让数百万个 Agent 同时在环境中互动，这样环境的复杂性就会大幅提升，因为每个 Agent 都需要面对其他所有 Agent 所带来的复杂性 [36] - 通过这些方式可以构建出比过去常用的标准模拟器复杂得多的世界，如果能够正确地构建这些环境，就能创造出让 Agent 自主探索和发现的空间 [37] - Agent 有可能在其中发现各种各样的东西，从技术、科学、数学到语言及其他所有领域，就像人类一样，探索的范围可以涵盖整个光谱，从运动控制、协作等基础能力一直到更高级、更复杂的智能行为 [37] - 以围棋为例，它的表示方式非常简单，本质上就是一个 19×19 的网格，模拟过程也极其简单，但依然能看到复杂行为的涌现 [37] - 如果要想实现百分之百真实的物理模拟，计算成本会非常高，因此公司希望构建一系列不同的 Crucibles：其中一些比较简单，可以快速运行，方便反复试验和迭代，但同时又足以产生非常复杂的行为 [37] - 公司选择在 Crucible 中纳入哪些基本要素，会在很大程度上决定最终涌现出什么样的学习能力 [38] - 公司的最终目标是构建能够立足于真实世界的系统，而这些环境只是通往这一目标的垫脚石 [39] 多 Agent 互动与复杂性涌现 - 围棋如果是一款只有一个 Agent 的游戏，恐怕会无聊到极点，只需要不断地在网格上放置棋子直到整个棋盘被填满，根本不存在任何策略可言 [40] - 一旦在环境中加入第二个 Agent，涌现的复杂性就出现了，因为一个 Agent 必须推理和预测另一个 Agent 可能采取的所有行为，环境的复杂程度便会骤然提升 [40] - 围棋的学习曲线似乎是无穷无尽的，可以在这款游戏中持续学习，不断发现新的东西，似乎永远没有尽头 [40] - 极其简单的环境规则也能催生出层层叠叠、仿佛永无止境的复杂性 [40] 对人类语言的看法 - 如果有人觉得人类语言就是推理能力发展的终点，或者认为人类语言是推理的最佳方式，那么这种看法未免有些天真 [43] - 必然存在远比人类语言更加复杂、更加先进的推理方式，例如可能会出现一些能够并行化、内容丰富且结构复杂的推理方法，比如基于神经网络的推理或其他类似的方式 [43] - 以人类语言作为推理的起点本身就存在一些问题，因为这种做法会将人类对 Agent 应该如何思考的各种偏见一并带入系统 [43] - 如果回到 500 年前、1000 年前甚至 2000 年前，只能使用那个时代的人类语言，那么 Agent 可能会认为地球是平的，或者认为疾病是由所谓的四体液失衡引起的 [43] - 系统还可能继承各种各样奇怪的观念，而这些观念会很难被消除，因为它们已经深深嵌入当时人类的语言体系和思维方式之中 [43] - 超越人类语言所带来的限制是一个非常重要的目标 [43] 从 AlphaGo 到 AlphaZero 的经验 - 从 AlphaGo 到 AlphaZero 的发展历程最能说明摆脱人类先验知识会带来什么结果 [45] - 大卫·席尔瓦当时对去除人类先验知识很可能会带来更好的结果这个判断大约是五五开，并没有十足的把握，当结果真正出现时感到非常兴奋 [45] - 公司在 Ineffable 所押注的方向就是放弃当今几乎所有人都在依赖的资源，也就是人类数据以及整个互联网所积累的知识 [46] - 其他团队都在利用这些数据构建自己的系统，而公司决定不再依赖它，这是一个非常重要的选择 [46] - 这意味着短期内要作出一些牺牲，可能会放弃一定程度的性能，以换取某种潜力更大的东西 [46] - 构建超级学者意味着创造一种在学习深度和广度上都具有无限潜力的系统 [46] - 从学习深度来看，需要构建一种能够发现远超人类现有知识的系统，如果过度依赖人类数据，就会更难发现那些真正能够推动实现这一目标的算法 [47] - 从学习广度来看，也需要一些算法能够被放入各种不同的环境中自主探索和发现知识，而这些环境可能根本不适合使用人类语言或现有的人类数据来描述 [47] - 有许多不同类型的传感器所采集的信息可能根本无法用人类语言数据甚至一般意义上的人类数据来充分表达 [47] - 只有放下对人类数据的依赖，才有机会发现能够远远超越现有能力的东西 [47] - 当时花了大约两年时间来构建 AlphaGo，这个过程在某种程度上与今天的 LLM 路线很相似：逐层搭建系统，每一步都需要人工设计和调整，加入大量人类数据，再通过 human-in-the-loop 的方式不断改进 [47] - 当真正做出 AlphaZero 时，公司放弃了人类数据，转而专注于设计一种能够自主发现知识的算法 [48] - 一旦找到正确的方法，AlphaZero 只花了几个小时就超越了此前花费两年、依靠人类参与才取得的成果 [48] - 在国际象棋领域，AlphaZero 只用了四个小时就击败了当时最强的 AI，也就是有史以来最优秀的国际象棋 AI [48] - 在围棋领域，大概只用了几天时间就取得了令人难以置信的进步 [48] - 如果想让系统超越现有竞争者、发现全新的东西并实现持续不断的自主学习，就必须放下对人类数据的依赖 [48] - 如今许多 LLM 公司实际上仍在构建一种半自主、依赖 human-in-the-loop 的学习算法，成千上万的人参与其中，不断推动系统学习和进步 [48] - 在真正退后一步找到一种能够让系统自主学习、自主发现的机制之前，不认为能够实现真正的超级学者，也无法释放之前讨论过的全部潜力 [48] 避免人类先验渗入的方法 - 公司在设计环境、奖励函数等内容时显然会带入一些人类偏见 [51] - 公司不希望把方向限定为基于某种特定的基础架构来构建机器，真正想做的是：如果提出一个机器能够发挥作用的问题，那么看看它最终会创造出什么样的机器、什么样的计算系统 [51] - 公司并不是把这件事当成一种教条，并不信奉某种宗教认为任何地方都不能存在人类先验，这其实是一种务实的立场 [51] - 只要还没有放弃依赖那些承载着人类知识的、规模达万亿级的数据集，就不可能取得这个领域理应取得的进展 [51] - 在实践中会引入一定程度的先验知识，会采用适用于许多不同世界的先验，而不是引入非常强的先验去精确编码对某个特定问题或某个特定世界所掌握的全部知识 [51] - 采用一些较弱、与具体环境无关的先验是完全合理的 [51] - 对于那些极其强大的先验以及规模达万亿级的数据集，公司正努力避免依赖它们，因为从务实的角度看，认为这样做会带来更好的结果 [52] 对超级学习者实现时机的判断 - 大卫·席尔瓦坚信这种方法在某个时刻一定能够实现，事实上这是目前唯一拥有实际存在性证明的方向 [54] - 人类的大脑就是一个例子：它证明了某种极其通用的智能确实存在，这种智能能够在具身世界中运作，并且能够发现如何完成各种各样不同的任务 [54] - 这件事最终会成功还是失败，取决于能否把握正确的时机 [54] - 创办一家初创公司就希望自己进入市场的时机恰到好处，既不能太早也不能太晚 [55] - 如果太晚，别人早就做出来了，那就没什么特别的了，因为已经有一千个人做过同样的事情 [55] - 如果太早，可能一直在敲门却始终无法进入，也许是这个领域还没有发展到足够成熟的阶段，也许是可用的计算资源还不足以取得成功 [55] - 在计算机围棋方面，大卫·席尔瓦大概提前十年做出了预测，准确预测到了具体年份 [55] - 星际争霸也是如此，打过一个赌，也做出了预测，结果同样预测准确 [55] - 也曾预测国际数学奥林匹克竞赛什么时候会被攻克 [55] - 大卫·席尔瓦有很强的直觉，认为现在就是超级学习者有望取得突破的正确时机 [57] - 技术已经取得了巨大的进步：能够利用大型语言模型编程方法或者自动化研究方法来加速研究 [57] - 对规模扩展规律的理解不断加深，技术本身以及整个技术体系也变得越来越成熟 [57] - 许多条件都已经逐渐到位，让人觉得现在是合适的时机 [57] 计算资源 - 计算资源是一个非常重要的驱动力，甚至可以说是极其巨大的驱动力 [59] - 公司目前处于一个很好的位置，因为已经成功获得了大量计算资源 [59] - 这让他们有机会尝试一些复杂程度远超以往的方法，可能比过去那些尝试让智能体自主发现强化学习策略的方法复杂好几个数量级 [59] - 如果拿开放人工智能公司早期的躲藏与追逐实验来比较，那是一个很早期的案例，展示了智能体如何发现一些基本的工具使用方式 [59] - 公司现在完全有可能运行一些使用量达到其十万倍的计算资源的实验 [59] - 考虑到如今计算资源的可用性，人们却没有重新深入探索这些方法，这很令人惊讶 [59] - 公司很幸运能够获得一个规模如此庞大的计算集群 [60] - 这是一个非常出色的计算集群 [61] - 公司现在有了真正可以用来验证这些想法的资源，而世界上真正开展类似工作的团队并不多 [61] - 公司现在可以用一种过去在深度思维公司时无法做到的方式来真正测试这些想法 [61] 模拟的潜力与局限 - 气象网是一个很好的例子，这是公司在谷歌大脑阿姆斯特丹办公室与谷歌研究部门合作开发的天气预报模型 [64] - 当时使用机器学习来预测短期天气，而它的表现明显优于基于物理原理的模拟方法，因为物理模拟随着时间推移会不断累积误差 [64] - 物理模拟并不完美，可以构建许多相对简单的环境，在其中观察一些行为如何涌现，例如技术如何发展等，而这些环境并不需要精确模拟真实世界的物理规律 [64] - 如今一个规模很小的团队究竟能构建出多么复杂的模拟系统和相关工具，这一点很有意思 [64] - 模拟肯定存在某种上限，但是否真的存在一个明确的上限也让人好奇 [64] - 量子物理之类的东西可能就是其中的限制因素 [64] - 即便存在某种上限，依然可以在不模拟真实物理规律的情况下做出非常有意思的事情 [64] - 真正应该问的问题是：能否在

文章核心观点 - 英伟达CEO黄仁勋与微软CEO Satya Nadella同台回顾双方数十年合作历程，从Windows、GeForce显卡到CUDA，再到为OpenAI训练大模型提供算力，两家公司的技术合作一路延伸至AI时代 [2] - 双方分享对下一代AI PC的构想：让本地算力与云端模型协同工作，同时从操作系统底层解决Agent的安全与权限问题 [2] - 当AI不再只是电脑里的一个应用，而是能替人使用电脑的助手，PC将变成什么，是两家科技巨头正在尝试回答的新问题 [3] - 黄仁勋表示英伟达是因为Windows才创立的，如果没有Windows，英伟达根本不会诞生 [2][5] - 混合智能将成为PC的常态，未来不会再去区分本地运行还是云端运行 [18] 英伟达与微软的合作历程 - 1992年底，Windows 3.1刚推出，英伟达联合创始人探讨给PC加入3D图形能力，让它既能玩游戏又能成为工作站进行工程设计 [5] - 1995年Windows 95重新定义了一切，让GPU连接到PC成为可能，彻底革新GPU生态的是DirectX [6] - Direct3D API让应用程序能够调用并释放GPU的能力，到了DirectX 8时代，双方共同发明了世界上第一款可编程GPU，即可编程着色器 [6] - 在此基础上几次迭代演化，最终诞生了如今大家熟知的CUDA [6] - 发展路径为：没有Windows就不会有GeForce，没有GeForce CUDA就不会诞生，没有CUDA研究人员就找不到一台能够运行深度学习的计算机 [7] - Satya Nadella表示，最早的记忆之一便是双方在探讨云端加速计算或高性能计算（HPC）能做到多大规模，在Azure达成的第一笔合作就是思考如何将HPC做得更大 [10] - Satya Nadella是第一个在云数据中心内部署InfiniBand的人，这直接促成了为OpenAI提供超级计算机来训练GPT模型 [10] - 如果没有为了HPC去做那些探索，没有构建基于InfiniBand的超级计算机，而Sam Altman恰好过来说需要算力，后来的一切都不会发生 [10] - 黄仁勋表示Windows已经陪伴其走过了34年，接下来的34年它还会继续陪着 [29] Agent安全隔离与操作系统底层机制 - 微软展示的MXC（Microsoft Execution Containers）像是操作系统层面为Agent提供的全新核心原语 [13] - 这一切始于在桌面端直接运行的代码Agent，对安全隔离原语的需求最为迫切的是本地宿主环境，即对文件系统的访问和执行动作的权限 [13] - 由于代码首先在本地桌面端运行，即使模型来自云端，也必须确保桌面端成为Agent执行任务最安全的环境，这就是MXC的由来 [14] - OpenShell能与MXC原生集成 [14] - 安全防护必须深入到各个层级，从微虚拟机（microVM）、完整虚拟机到具体的会话层，最期待的是Windows会话级的隔离机制 [14] - 安全隔离是基础，同时还需要端到端的全方位可观测性（Observability），Agent必须具备独立身份，方便系统进行追踪、观测其全部行为轨迹，并基于策略实施治理 [14] - 追踪Token消耗及其发生位置的能力同样不可忽视，阻碍技术广泛落地的最大障碍往往是缺乏对全流程完备性的考量 [15] - 已在云平台、客户端以及IT运维、安全运维和财务运维之间实现了整合，全面支持所有相关技术 [15] - MXC将彻底重塑Agent的构建与部署模式，没有这一层安全基础设施，大规模落地根本无从谈起 [16] 混合智能与PC新形态 - 混合智能（Hybrid Intelligence）模式下，可以选择不同的模型，有的在本地运行，有的在云端运行，还能在两者之间来回切换 [17] - Satya Nadella回忆上世纪80年代末读研究生时，在学校用的是连接到VAX主机的VT100终端，家里还有一台PC，直到Windows 95以及Mosaic浏览器的出现，才真正将本地与网络融合为一个天衣无缝的整体体验 [17] - 用户并不关心算力究竟来自本地还是云端，只希望在无缝的工作流中随时调用计算能力 [17] - Daniel演示的内容：在本地ComfyUI中拉取模型、生成素材，导入Blender进行强化，接着转到Photoshop，用本地模型进一步增强效果，再回到ComfyUI，最后通过Astra和Unreal Engine将整个流程迁移到云端 [18] - 从今往后，不会再去区分本地运行还是云端运行，混合智能将成为无处不在的常态体验 [18] - 整个计算的"有效交互面积"（Surface Area）极大，实质上将整个技术行业几十年积累的顶尖软件工程全数调动了起来，共同服务于这一个应用场景 [18] - 过去需要耗费几天的工作流程，现在短短几个小时就能完成，代表着个人在创造力与野心上的真正加速 [18] - 出于对数据安全、隐私和控制权的要求，用户通常希望工具调用尽可能发生在本地数据附近 [19] - Agent未来很可能会成为文件系统最大的使用者，需要在异构环境中处理分散的数据，比如从下载项、云端同步文件、邮件中提取信息并汇入文件系统容器，再驱动模型进行深度处理 [19] - 全新的计算形态是：我使用计算机，我的Agent也使用计算机，这些Agent同样需要这些基本功能 [19] - Agent将成为比人类更优秀的工具使用者，普通人往往只掌握任意一款专业软件10%到15%的功能，但Agent却知道每一个功能 [20] - 当这些强大的专业设计工具在Surface Laptop Ultra这样的设备上深度加速原生运行时，Agent就能完全掌控这些能力 [20] RTX Spark芯片与硬件突破 - 参与这个项目的工程师数量惊人，超过了4000个工程年（engineering years），这是一项真正重构PC的宏大工程 [22] - 有史以来第一次，将游戏PC、笔记本、工作站以及云端超级计算机所具备的顶尖计算能力，彻底统一并封装进一颗超级芯片（Superchip）中 [22] - 这颗芯片将两颗巨型芯片融合封装在一起，提供高达1 Petaflop的算力 [23] - 当年开启现代AI革命的第一代DGX-1超级计算机，整机算力也就是1 Petaflop，重达500磅、售价25万美元；而如今同样的算力被完整封装在了一台轻薄的笔记本电脑中 [23] - 这是全球唯一一台能够原生运行完整DirectX、Direct3D、各版本OpenGL、并无缝跑通所有CUDA应用程序与Unreal Engine的PC [23] - 四年前讨论的正是未来将出现全新一代的"AI软件开发者"，他们要么开发AI应用，要么在AI辅助下编写软件，这要求底层的计算平台必须从根本上重构，全面原生支持CUDA [23] - 这是一场彻底的重新设计，目前已经对超过1200款应用进行了测试，其中包括全球最复杂、对性能要求最高的一批应用，完成了全面的功能测试、性能测试和兼容性测试，并针对这些应用进行了优化 [23] - 这套系统的生态支持、将要引入的软件、中间件和算法，都将是一个持续推进的过程，不会有终点 [24] - 参与这项工作的不仅有英伟达和微软两家公司的工程师，还有来自世界各地的众多企业 [24] - PC一直是人类打造的工具，如今它依然是人们手中的工具，但与此同时，它还将成为私人助理，帮助使用这些工具、完成各种任务 [24] Agent商业与法律权责 - 当前行业对个人Agent的商业与法律权责的讨论非常激烈，比如当Agent代替人进行购买或决策时，责任由谁承担，服务提供方该如何识别和响应非人类用户的请求 [25] - 建立信任首先要解决基础问题：这些Agent是否处于受控环境中，它们是否拥有独立的身份标识，Agent的操作审计记录能否与用户自身的操作记录区分开来 [25] - Pavan团队的核心工作之一，就是确保代表用户工作的Agent具有与人类用户清晰解耦的独立凭证 [25] - 只有建立了身份与边界，用户才能明确自己向Agent授予了何种级别的权限与委托，Agent的自主性越强，就越需要建立足够的信任 [25] - 对于消费市场而言，最终还需要通过保险和风险定价机制来解决相关问题 [26] - 从技术角度来看，实现OAuth这样的授权机制并不困难，现有协议也已经相当成熟，应该在技术层面将它们落地 [26] - 真正需要解决的是：当Agent代表我采取行动时，这种代理行为应该如何定价，市场又该如何评估和定价由此产生的责任风险 [26] - MXC是其中一个重要的基础组成部分，与微软共同推进的OpenShell以及相关工作，核心关注点就是信任、隔离、可观测性和监控 [26] - 当Agent代表我们执行任务时，首先要遵循的原则就是只授予它完成任务所必需的最低权限，Agent需要拥有自己的凭据，其行为也必须接受监控，并且能在可信的机制下运行 [26] - OpenClaw刚出现时，大家还在终端里折腾，需要自己动手搭建网关，如今它已经成为Windows中深度集成的一部分，还能够利用Token加速能力运行 [27] 行业活动与会议信息 - 2026奇点智能技术大会邀请一线研究者与工程技术专家，围绕强化学习、持续学习、AI制造AI、自进化Agent、模型数据飞轮等关键方向展开分享 [30] - 11月20–21日在北京万达文华酒店举办，专题还附赠一份《RSI递归自我改进/自进化前沿研究资料包》，汇总OpenAI、Anthropic、Google、智谱、DeepSeek、Kimi、阿里等最新论文、官方报告与研究资料 [31] - 从OpenAI、Anthropic、Google到智谱、DeepSeek、月之暗面、阿里等海内外头部大模型玩家同步发布自家的RSI研究进展，自进化已不再是论文展望，而是实力的正面交锋 [35] - 大会嘉宾包括Łukasz Kaiser（OpenAI资深研究科学家、Transformer联合发明人）、李建忠（奇点智能研究院院长、CSDN高级副总裁）、张俊林（新浪微博首席科学家及AI研发部负责人）、南京大学人工智能学院副院长教授、小米AI平台部语言模型推理负责人、李宇轩（面壁智能技术合伙人、智能进化首席科学家）、郑耀威（PenguinHarness、LlamaFactory作者）、董汉德（腾讯WorkBuddy模型研发负责人）等 [37][38]

文章核心观点 - 文章以“柔性软件（Elastic Software）”为切入点，探讨Agent参与软件演进之后，软件形态、研发流程与工程体系正在发生的变化 [1] - 柔性软件不是“发布即定型”的传统软件，也不是AI临时生成的“用完即弃”的脚本，而是在两者之间找到一个动态平衡点 [4] - 柔性软件把系统内部不同性质的能力区分开来，把高确定性、强约束的部分固化在稳定核心中，把高频变化、强个性化适配的部分放到运行时再绑定 [8] - 柔性软件的核心逻辑是：把确定的交给工程，把变化的交给Agent [21] - 奇点智能研究院从基础设施、知识工程、流程工具、组织人才、安全治理五大维度，构建AI原生软件研发成熟度模型，帮助企业理解并规划AI时代的软件研发演进路径 [1] Agent Harness的演进线 - Nous Research开发的Hermes Agent定位为会“自我进化”的智能体，完成复杂任务后自动创建新的Skill，Skill在使用过程中还能持续自我改进 [2] - Hermes能把“自生长”出来的Skills以标准化格式发布，一个用户在某个场景下沉淀下来的能力，理论上可以被另一个用户复用 [2] - 开源社区方面，DeepSeek Harness（dsh）的架构哲学是“一切皆插件”：工具、技能乃至界面都以插件形式存在，插件内核Cordis保证装卸可逆、副作用自动清理 [3] - 闭源产品方面，Anthropic十月初给Claude Code推出Mods，Mod是改变Claude Code外观和行为的插件，可以拦截工具调用、重写提示词，也可以在终端里绘制窗格、按钮、输入框，直接重绘Claude Code自己的界面 [3] - 从Hermes的Skill层自迭代，到DSH和Claude Code把核心功能与UI也纳入运行时的自迭代范围，这条演进线指向一种新的软件形态 [4] 软件形态的变化 - 过去几十年，软件的基本特点是：软件在发布之前完成主要设计和实现，用户通过预先定义好的界面使用它，通过预先定义好的方式扩展它 [7] - Agent的崛起让这个共识出现了裂痕，软件不再只是被人类使用的成品，也越来越多地成为被Agent理解、调用、修改、拼装和临时生成的材料 [7] - 软件的能力绑定时机不再只有“发布前绑定”这一种方式，而是沿着一条光谱分化出了三种形态 [7] - 光谱左端是传统软件：关键能力在发布前完成定义与实现，强调的是确定性、可预期、可审计，金融交易系统、数据库内核、系统软件等对正确性有极致要求的系统仍然依赖这种形态 [8] - 光谱右端是即时软件：由Agent按需生成，用完即弃，临时数据处理脚本、一次性分析页面、探索性原型，这类软件的生命周期往往从几分钟到几天不等 [8] - 柔性软件为光谱中间地带而生，绝大部分真实的业务系统既不像传统软件那样完全锁定，也不像即时软件那样完全放弃长期结构 [8] - 传统软件像一栋固定户型的水泥建筑，即时软件像临时搭的帐篷，而柔性软件像一栋框架结构加固但内部隔墙可变的建筑：承重墙不能动，但房间怎么隔、家具怎么摆，可以搬进来之后再决定 [9] - 即使生成成本趋近于零，稳定部分的“固化”依然比“每次重新生成”更经济，原因在于软件中那些高度确定、反复使用的部分，每重新生成一次，就多了一次理解、验证和集成的开销 [9] - 柔性软件把性能、成本和灵活性放在一起来权衡，稳定核心做好、持续复用，获取工程上的规模经济 [9] 柔性软件的特点 - 传统软件的扩展性建立在“设计者预判”之上：架构师在软件设计阶段预见到可能的扩展方向，在这些方向上预留钩子和接口，用户通过填写配置项或编写插件来定制行为 [10] - 当变化方向和速度超出预判范围，预设的接口就成了限制，实际工程中常见的应对策略是不断增加配置项，最后系统被挖的“千疮百孔”，出现所谓的“配置/扩展爆炸” [10] - 柔性软件不再依赖人的先见之明来预设扩展点，而是让Agent在运行时理解源码和设计意图，然后在清晰的边界内进行定制 [11] - 第一，软件对Agent修改是开放的，源码对Agent是可见的，Agent理解软件的内部结构之后，可以在更深的层面进行定制 [11] - 第二，交付物不再只是可运行程序，柔性软件的交付物是一个分层的能力包：核心部分（二进制或API）加上面向Agent的扩展机制（Skills、规则、模板、知识资源、评估样本），甚至包括部分源码 [12] - 交付对象从“一个成品软件”变成了“一个可以在运行时被继续塑形的能力基座” [12] - 第三，Agent的角色从外部工具升级为运行时能力的一部分，在柔性软件中，Agent不仅参与研发，还直接介入软件的使用阶段，承担扩展、定制、编排和适配职责 [12] 传统软件的柔性化路径 - 柔性软件为传统软件在AI时代的演进画出了一条渐进路线：从“能被用”到“能生长”，从功能固化的工具走向持续演进的领域Agent [13] - 第一步：让软件能被Agent使用，在现有系统之上增加一层面向Agent的可操作接口 [14] - 实践中两种最常见的做法是MCP封装或CLI化，MCP提供了一种标准化的方式，让Agent能够发现、理解和调用软件的能力 [14] - CLI化则更轻量：将核心功能封装为符合标准命令行规范的工具，Agent可以自行探索子命令、按需组合，完成复杂任务 [15] - 配套这些接口的，还需要为Agent准备Skills：用Agent能理解的语言描述软件的领域概念、典型使用场景、边界约束和最佳实践 [15] - 第二步：让软件能被Agent扩展和定制，需要做出一个关键的设计决策：把系统中哪些部分对Agent的修改进行开放，哪些保持封闭 [16] - 交易一致性、核心数据模型、权限与合规边界、关键算法这些属于“稳定核心”，一般继续以严肃的工程标准保障，Agent不能随意修改 [16] - 表达层、报表、用户偏好适配、流程编排、长尾自动化等属于变化部分，可以交给Agent在运行时动态定制 [16] - 将“变化外壳”部分以源码形式发布，并配套设计“如何扩展和定制”的Skills，Agent加载这些Skills之后，结合对源码的理解，就能按照最终用户的需求进行定制 [16] - 第三步：内置推理引擎和Agent Runtime，成为领域Agent，软件内部嵌入一个轻量推理引擎和Agent Runtime，把AI能力从“外部调用”变成“原生能力” [17] - 当一个企业资源规划（ERP）系统内置了推理能力，它不再只是一个被用户操作的软件，而是一个能理解业务上下文、主动建议优化方案、根据使用模式持续调整行为边界的“领域Agent” [17] - DeepSeek Harness已经展示了“Agent既是智能体又是软件平台”的双重属性 [17] - 随着端侧推理引擎越来越成熟，内置小型模型做特定领域推理的成本正在快速下降 [17] 对软件工程的影响 - 软件设计从“空间规划”扩展到了“时间规划”，架构师还回答一个新问题：每一项能力应该在什么时候被绑定 [19] - “绑定时机决策”正在成为架构设计的核心判断力之一，哪些必须在发布前固定，哪些应该延迟到运行时，哪些只在特定任务发生时才临时生成 [19] - 交付管理延伸到运行时，当交付物不再是单一的可运行程序，而是一个分层的能力组合（二进制+部分源码+Skills+规则+模板+知识资源），版本管理、验收标准、安全审计的复杂度都大幅上升 [19] - 柔性软件的验收还必须验证Agent在动态扩展场景下的行为边界和可控性 [19] - 质量保障需要双层模型，稳定核心沿用传统的确定性工程方法：单元测试、集成测试、回归测试、性能测试、灰度发布 [20] - 在扩展层，需要引入新的治理手段：AgentOps（通过可观测性、追踪、评估和护栏让Agent的行为符合预期）成为质量保障的必要组成部分 [20] - 复用和分发方式正在变化，柔性软件天然倾向于源码级别的分发和复用，因为Agent需要读源码才能理解软件的结构和意图 [20] - 当代码的生产成本因为AI而急剧下降时，源码的商业价值也在相对降低，开源不再只是一种理想主义的选择，而可能成为吸引Agent生态和用户社区的有效策略 [20] - 真正的竞争壁垒，会转移到领域知识中的Know-Why和Know-How、私有化的领域数据和工程化的Agent驾驭能力上 [20] 柔性的力量 - 传统软件工业花了几十年时间，建立起了一套围绕确定性运转的工程体系：需求分析、架构设计、开发测试、发布运维 [21] - 这套体系需要面对一个它从未认真考虑过的变量：软件在使用阶段仍然可以被Agent使用、塑造和改变 [21] - 柔性软件给出了一个务实的回应：把确定的交给工程，把变化的交给Agent [21] - 也许几年后回看，即时软件的数量会是最多的，但对软件工程这门学科产生最深刻影响的，恐怕会是柔性软件 [21] - 柔性软件并不把自己绑在“传统”或“颠覆”的任何一边，而是在看似对立的诉求之间，搭出了一条可以双向通行的路 [21] 相关白皮书与大会 - 《AI原生软件研发成熟度模型AISMM 2026》白皮书围绕基础设施、知识工程、流程工具、组织人才、安全治理五大维度，构建AI原生软件研发成熟度模型，帮助技术Leader判断企业当前AI原生研发阶段，识别关键短板，规划下一阶段演进路径 [31] - 白皮书有稳定的框架和原则，也有可扩展的技术实践和行业案例，会跟着技术演进和行业发展一起往前走，持续迭代和扩展 [22] - 2026奇点智能技术大会设置了“AI原生软件研发：从Harness到Loop”专题，邀请腾讯CodeBuddy & WorkBuddy、小红书AI Coding、百度Comate、滴滴AI Coding平台等一线团队，分享从Coding Agent到Harness Engineering的最新实践 [6] - 11月20—21日，2026奇点智能技术大会将在北京万达文华酒店举行，报名参会即可领取《AI原生软件研发成熟度模型AISMM 2026》实体白皮书 [6] - 大会将围绕AI原生软件研发、Agent、AI Infra、世界模型、Physical AI等方向，汇聚一线技术专家，共同讨论从工具提效到组织级AI研发能力建设的演进路径 [31] - 本文作者王博也将亮相2026奇点智能技术大会，带来主题演讲《企业AI原生软件研发转型：实践探索与AISMM演进解读》 [22]