從進(jìn)化論看算法演進(jìn)史：當(dāng)大模型幫助算法「繁衍」，一種新范式的誕生

陶哲軒解題，

用的是算法自進(jìn)化智能體。

兩周前，華裔數(shù)學(xué)家陶哲軒在 AI 的輔助下，與多名數(shù)學(xué)家一起，解答了塵封 50 多年的世界級(jí)數(shù)學(xué)難題 Erdos 。

國(guó)內(nèi)鮮少關(guān)注到，陶哲軒所運(yùn)用的 AI 工具，是谷歌在今年 5 月推出的 Google AlphaEvolve —— 一種基于大語(yǔ)言模型（LLM）的進(jìn)化算法編碼智能體（Evolutionary Coding Agent）。

AlphaEvolve 背后，是大模型讓算法實(shí)現(xiàn)自進(jìn)化的一種新范式。

而在中國(guó)，同樣前沿的研究也正在百度進(jìn)行——可商用的自我演化超級(jí)智能體，百度伐謀，也正在各行業(yè)落地。

本期內(nèi)容圍繞一個(gè)新趨勢(shì)的學(xué)習(xí)：算法進(jìn)化智能體。

嘉賓安南畢業(yè)于清華自動(dòng)化專業(yè)，他將為我們梳理算法的演進(jìn)史，以及在當(dāng)下的大模型時(shí)代，算法的自演進(jìn)機(jī)制將會(huì)如何改造社會(huì)的生產(chǎn)力和生產(chǎn)關(guān)系。

本期嘉賓：李安南 （百度伐謀產(chǎn)品負(fù)責(zé)人）

（?原版訪談的播客版，可前往小宇宙等平臺(tái)搜索同名賬號(hào)《衛(wèi)詩(shī)婕_漫談Light the Star》）

（以下是播客對(duì)話全文，經(jīng)整理編輯后發(fā)布，全文共 9914 字。）

衛(wèi)詩(shī)婕：幫我們通俗地理解一下，什么是算法？

李安南：算法本質(zhì)上可以理解為一種數(shù)學(xué)的形態(tài)，它的承載形式是一段代碼。比如說(shuō)最簡(jiǎn)單的算法是一個(gè)加法器，我輸入 1 和 2，它給我輸出一個(gè) 3 。

之前有一部電影叫《模仿游戲》，圖靈機(jī)時(shí)代最基礎(chǔ)的邏輯就是這樣。六七十年代會(huì)有一些更復(fù)雜的算法出來(lái)，比如排序算法——給它一大堆數(shù)字，怎么讓它（按某種順序）排排坐。當(dāng)然算法會(huì)分好壞——比較差的算法可能要算 100 次，而一個(gè)好的算法可能只需要 5 次或者更短。

七八十年代，大家發(fā)現(xiàn)一些新的、基于概率、偏搜索式的的算法。

等到 90 年代，機(jī)器學(xué)習(xí)出來(lái)了，偏 model （模型）的數(shù)據(jù)驅(qū)動(dòng)。最早可能 SVM 支持向量機(jī)，后面就是神經(jīng)網(wǎng)絡(luò)再到深度學(xué)習(xí)，規(guī)模大到一定程度以后，就有了大模型和最近的 Agent。

衛(wèi)詩(shī)婕：什么叫機(jī)器學(xué)習(xí)驅(qū)動(dòng)下的算法？

李安南：機(jī)器學(xué)習(xí)的邏輯更像是數(shù)據(jù)驅(qū)動(dòng)的。比如說(shuō) 1 + 1 到底等于幾我不知道，但是我有一大堆樣本，我從 1, 000 條示例里面能學(xué)會(huì) 1 + 1 = 2 。它不在乎中間的機(jī)理，就是純靠數(shù)據(jù)學(xué)習(xí)到里面的特征。

衛(wèi)詩(shī)婕：從機(jī)器學(xué)習(xí)到深度學(xué)習(xí)的算法，有什么樣的變化？

李安南：更像是神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)越來(lái)越深，以前可能只有兩層或者三層，能描述一些簡(jiǎn)單的現(xiàn)象。等規(guī)模到達(dá)七十幾層的規(guī)模，就能更好地描述人臉關(guān)鍵點(diǎn)識(shí)別、情感分類這樣更復(fù)雜的邏輯。人臉識(shí)別就是一種算法。

衛(wèi)詩(shī)婕：2025 年 5 月份， Google 發(fā)布了一個(gè)叫 Google AlphaEvolve 的算法編碼智能體，它是一種基于大語(yǔ)言模型的進(jìn)化算法智能體。講講你對(duì) AlphaEvolve 的觀察？這是不是開(kāi)啟了一個(gè)新范式？

李安南：如果大模型的能力已經(jīng)提升到一定水平了，那（讓大模型寫一段算法這個(gè)任務(wù)）是不是就可以視為一個(gè)算法。比如說(shuō)輸入的是需求，希望你幫我優(yōu)化一段人臉關(guān)鍵點(diǎn)識(shí)別算法，輸出就是算法本身。這個(gè)事情也是有跡可循的，因?yàn)檫@種可明確評(píng)估的問(wèn)題大概率都會(huì)被 AI 解決。

其實(shí) AlphaEvolve 前身是谷歌 Deepmind 團(tuán)隊(duì)有個(gè)叫 Funsearch （的研究）。之前在大模型能力不那么強(qiáng)的時(shí)候，（用大模型）優(yōu)化的是一個(gè)具體的、小的算法，確實(shí)也取得了一定的效果。同期也有一些實(shí)驗(yàn)室，包括香港城市大學(xué) EoH ，核心邏輯也是一樣。但是隨著大模型的算法 coding 能力提升之后，這件事就更大有可為了。

百度內(nèi)部也是一樣：我們?nèi)ツ?2月就在做內(nèi)部的探索，當(dāng)時(shí)因?yàn)榇竽Ｐ?coding 的能力沒(méi)那么強(qiáng)，我們發(fā)現(xiàn)通過(guò)自動(dòng)迭代的形式能把一個(gè) prompt 修復(fù)寫得更好。今年大模型 coding 的能力有顯著提升了之后，讓它（Agent 智能體）自動(dòng)改一個(gè)算法，這件事非常呼之欲出。

衛(wèi)詩(shī)婕：網(wǎng)上的一些資料說(shuō)，Google 推了 AlphaEvolve 之后，先是把自己當(dāng)小白鼠，在自己內(nèi)部龐大的業(yè)務(wù)當(dāng)中很多地方都有應(yīng)用，但我看國(guó)內(nèi)對(duì)于這件事情的關(guān)注很少。

李安南：對(duì)。谷歌內(nèi)部在用，它的 paper 也對(duì)外披露了。但感覺(jué)它更核心的還是在科研上，會(huì)和陶哲軒這樣的數(shù)學(xué)家去合作，發(fā)現(xiàn)一些新的理論，這部分聲量還是挺大的。只不過(guò)大家沒(méi)有關(guān)注到陶哲軒用的其實(shí)是谷歌 AlphaEvolve 。

衛(wèi)詩(shī)婕：這很有意思，用大模型去跟最頂尖的數(shù)學(xué)科研合作的過(guò)程，有一點(diǎn)從 AGI 到 ASI 的意思。目前， AGI 的一種理解是——大模型 AI 的智能可以是全人類智能的總和。但如果有一天，我們用大模型的能力探索出了人類現(xiàn)在還沒(méi)有探索出的研究成果，就到達(dá) ASI 了，是這樣嗎？

李安南：沒(méi)錯(cuò)，這個(gè)事其實(shí)非常 promising 。尤其是陶哲軒給的邏輯，很多時(shí)候倒不見(jiàn)得一定是人想不到，但就是沒(méi)有那么多的人。有了這樣一個(gè)工具以后，其實(shí)是能把陶哲軒的能力放大很多倍的。

百度伐謀相較于谷歌，更關(guān)注的是產(chǎn)業(yè)界，因?yàn)楫a(chǎn)業(yè)界有一些更高難的調(diào)度類、預(yù)測(cè)類、機(jī)器學(xué)習(xí)類的問(wèn)題，這些問(wèn)題特別適合讓伐謀以及這樣的 AI 智能體在算力 scaling up 的形式下把它給解掉。

衛(wèi)詩(shī)婕：百度是被 AlphaEvolve 啟發(fā)了才做這件事嗎？

李安南：大的方向應(yīng)該還是一個(gè)趨勢(shì)，去年 12 月份已經(jīng)在做一些類似探索了，只是當(dāng)時(shí) coding 能力不那么大。

衛(wèi)詩(shī)婕：之前我的節(jié)目也做過(guò)一期關(guān)于 coding 能力演進(jìn)的討論（播客第42期）。嘉賓提出在 Claude sonnet 3.7 之后， 大模型的 coding 能力實(shí)現(xiàn)了質(zhì)的突破。你認(rèn)為算法進(jìn)化智能體，這件事的轉(zhuǎn)折點(diǎn)是什么？為什么這件事今年能做了？

李安南：這個(gè)還挺有意思的。一般大家提到 coding 都會(huì)提到 claude ，實(shí)際上在偏 research 或者算法的場(chǎng)景下，Gemini 才是最好的模型。一個(gè)算法工程師的畫像和一個(gè)開(kāi)發(fā)工程師是有一定區(qū)別的。算法工程師可能更看重的是聰明勁，年輕的、有更好學(xué)歷背景的。很多的 idea、 insights 能轉(zhuǎn)化為好的算法。開(kāi)發(fā)工程師更吃經(jīng)歷，真的應(yīng)對(duì)過(guò)復(fù)雜的系統(tǒng)。算法工程師是偏后端的一個(gè)具體的小模塊，開(kāi)發(fā)工程師是后端加前端，并不是所有的軟件一定得有算法，但是一般來(lái)說(shuō)我們會(huì)認(rèn)為更高價(jià)值的，比如說(shuō)廣告系統(tǒng)、搜索系統(tǒng)，里面最核心的其實(shí)是策略算法。

衛(wèi)詩(shī)婕：你剛才的意思是，對(duì)于算法工程來(lái)說(shuō)， Gemini 是更好用的；從開(kāi)發(fā)工程來(lái)說(shuō)， Claude 是更好用的？

李安南：對(duì)，我再舉一個(gè)例子，比如說(shuō)大家一直會(huì)提 cursor 好用。工程特別復(fù)雜，上下文巨長(zhǎng)，它可以看到很多前后的關(guān)系，這樣改動(dòng)的時(shí)候不至于說(shuō)改 a 的時(shí)候 b 就壞了，這可能是工程上一個(gè)非常重要的能力，算法上不一定需要這樣的能力。

衛(wèi)詩(shī)婕：所以 Gemini 2.5 Pro 是「算法進(jìn)化Agent」的轉(zhuǎn)折點(diǎn)？

李安南：可以這樣理解，它 3 月份發(fā)實(shí)驗(yàn)版的時(shí)候，我們當(dāng)時(shí)就測(cè)了，發(fā)現(xiàn)確實(shí)有挺大的提升的。

衛(wèi)詩(shī)婕：所以伐謀的工作中會(huì)用到 Gemini 嗎？

李安南：對(duì)，如果是一些驗(yàn)證類的，外部開(kāi)源類的工作確實(shí)是基于 Gemini 。如果是客戶類有自己安全和隱私類的，（衛(wèi)詩(shī)婕：那就只能用中國(guó)模型），對(duì)，有一定差距，但是過(guò)了一個(gè) bar（界限），也都能用。

衛(wèi)詩(shī)婕：必須要用中國(guó)模型的話，你們現(xiàn)在用的是多家的模型，還是只用百度自己的模型？

李安南：不同模型它的 idea 、思路方向不一樣。所以大部分時(shí)候還是混用為主，比如 DeepSeek R1，加上百度文心大模型，也包括一些開(kāi)源好的，比如千問(wèn)還有其他的。這也挺有意思的，就算一模一樣的 PROMT，一模一樣的代碼給到它（不同模型），生成的新東西也是不一樣。

衛(wèi)詩(shī)婕： AI 每家（模型）也有自己的人格，AI 格。

李安南：在算法上，就是算法格（笑）。

衛(wèi)詩(shī)婕：今年百度世界大會(huì)我發(fā)現(xiàn)個(gè)小細(xì)節(jié)， Robin （李彥宏）今年是一個(gè)串場(chǎng)的角色，但「伐謀」的發(fā)布是他親自講的，而且好像很有熱情。他原話是說(shuō)，「今天我自己在講伐謀這個(gè)產(chǎn)品，是因?yàn)槲矣X(jué)得它重要，而且我也很有激情想把它表達(dá)出來(lái)，讓大家也能夠知道這是一個(gè)什么產(chǎn)品，什么技術(shù)」。為什么他會(huì)對(duì)這個(gè)產(chǎn)品這么重視？

李安南：首先特別感謝 Robin 的支持。因?yàn)檫@個(gè)場(chǎng)景選的特別好。我們?nèi)ツ曜隽四敲炊嗟膱?chǎng)景，在 to b 大部分還是聊天角色扮演，或者 K12 數(shù)學(xué)解題，或者電商的一些質(zhì)檢。這些環(huán)節(jié)雖然重要，但是價(jià)值有多大？「伐謀」現(xiàn)在選的場(chǎng)景是一個(gè)算法問(wèn)題，它（的場(chǎng)景）就是 b 端千行百業(yè)的客戶，最關(guān)鍵的一些決策類或者預(yù)測(cè)類的問(wèn)題，如果有 1% 或者 5% 的提升，對(duì)這家企業(yè)來(lái)說(shuō)就是產(chǎn)值的飛躍，或者說(shuō)生產(chǎn)力的變化，它的價(jià)值非常明確。

我們也可以這樣理解，一般一個(gè)算法工程師還是比較貴的，也是因?yàn)檫@個(gè)算法工程師能夠?yàn)槠髽I(yè)創(chuàng)造出對(duì)等的價(jià)值。所以從這個(gè)角度來(lái)講，能夠把 AI 用在這樣一些高價(jià)值場(chǎng)景，是能夠有更大的邏輯和價(jià)值的體現(xiàn)，這可能也是 Robin 想親自把這件事講清楚的原因。

衛(wèi)詩(shī)婕：但凡算法要應(yīng)用的場(chǎng)景一定是最核心的、業(yè)務(wù)價(jià)值最大的場(chǎng)景？

李安南：一般是這樣，要不然也不值得把它抽象成一個(gè)數(shù)學(xué)問(wèn)題。

衛(wèi)詩(shī)婕：這件事的市場(chǎng)空間有多大？

李安南：比如說(shuō)制造業(yè)。中國(guó)制造業(yè)特別發(fā)達(dá)，里面有特別多的中大型民營(yíng)經(jīng)濟(jì)，市場(chǎng)非常的卷。如果產(chǎn)值能朝上提 5% 或者 20% 的話，客戶整體的市場(chǎng)競(jìng)爭(zhēng)地位就有非常大的提升。

衛(wèi)詩(shī)婕：去年我和華為云聊，有一個(gè)點(diǎn)印象很深。工業(yè)領(lǐng)域有了前所未有的 AI 焦慮，都怕這一輪技術(shù)浪潮沒(méi)有趕上，會(huì)在競(jìng)爭(zhēng)當(dāng)中處于劣勢(shì)。所以大家對(duì)于這一輪 AI 的擁抱是前所未有的積極。不知道你們的觀察是不是這樣？

李安南：最近這大半年還是有一點(diǎn)變化。2023年的時(shí)候，大家肯定有焦慮。到了今年初，覺(jué)得 Deepseek 多快好省，趕緊接上 Deepseek 模型。之后客戶的痛苦反而是（不知道）怎么把這些東西用起來(lái)。

每次伐謀跟客戶做交流的時(shí)候，客戶都很高興能把 DeepSeek 模型資產(chǎn)真正地用起來(lái)，而且是用在一個(gè)非常好、非常有價(jià)值的場(chǎng)景。明年如果產(chǎn)業(yè)不斷進(jìn)步，可能又會(huì)迎來(lái)一次信心的高潮。

衛(wèi)詩(shī)婕：要讓大模型得以應(yīng)用，必須要滿足算力、算法、數(shù)據(jù)三者的條件。在工業(yè)場(chǎng)景里面，這三者都具備嗎？

李安南：數(shù)據(jù)（層面）大部分大型企業(yè)在上一個(gè)時(shí)代基本上都完成數(shù)字化了。大模型生成代碼是非常耗算力的，但是我把算法拉到本地之后，基于它本地的數(shù)據(jù)評(píng)測(cè)算法是效果好還是效果不好，然后把這個(gè)最終的結(jié)果再上傳到云上。

這樣的本地評(píng)估方案會(huì)更經(jīng)濟(jì)。數(shù)據(jù)不用出域保護(hù)了數(shù)據(jù)隱私，也不需要準(zhǔn)備那么多算力芯片，大模型及上面的框架也可以布在云上，既享受云上的效果和效率，同時(shí)又滿足數(shù)據(jù)不出域的要求。

衛(wèi)詩(shī)婕：我在今年年尾觀察到了一股趨勢(shì)，擁有云業(yè)務(wù)的廠商都開(kāi)始走向企業(yè)，一起共建企業(yè)級(jí)的 Agent ，釋放企業(yè)生產(chǎn)力。你作為業(yè)內(nèi)的從業(yè)者，怎么看各家云生態(tài)在和企業(yè)共建企業(yè)級(jí) Agent 這件事情，各家的風(fēng)格、能力，生態(tài)上的差異是什么樣？

李安南：從伐謀這件事，為企業(yè)客戶做算法優(yōu)化這件事來(lái)講，更關(guān)注大型央國(guó)企重要場(chǎng)景、中型制造業(yè)的巨頭，或者說(shuō)垂直小霸王這樣一些企業(yè)。一些友商，比如字節(jié)我理解它更像是一個(gè)公有云的邏輯，（追求業(yè)務(wù)）能更好地夯實(shí)自己的模型、平臺(tái)。垂的地方可能相對(duì)會(huì)少一點(diǎn)。華為相對(duì)來(lái)說(shuō)走的還是快一點(diǎn)，畢竟這個(gè)賽道是之前他們非常重視的。但（華為云的）核心邏輯還是靠人的算法工程師完成。

阿里比較有意思，他們也是分兩塊。一塊是技術(shù)探索，他們出了一些相關(guān)的 paper ，核心還是早期探索的東西，一塊是開(kāi)源生態(tài)。

但是會(huì)發(fā)現(xiàn)，一些創(chuàng)業(yè)企業(yè)開(kāi)始起來(lái)了。國(guó)內(nèi)，包括一些研究機(jī)構(gòu)，也包括海外有一些 YC 孵化的新創(chuàng)業(yè)企業(yè)，正在嘗試用 AI 的方式來(lái)幫助企業(yè)解決一個(gè)算法問(wèn)題，機(jī)器學(xué)習(xí)類的問(wèn)題，海外還是走得更快。

衛(wèi)詩(shī)婕：「伐謀」是一種算法自我演化機(jī)制的技術(shù)，解釋一下這個(gè)算法自我演化機(jī)制到底是什么？

李安南：我盡量通俗一點(diǎn)。雖然最近好多 Agent 都管自己叫「自我迭代」或者「自我演進(jìn)」的 Agent 了。但在我們看來(lái)，演化或者說(shuō)進(jìn)化這個(gè)概念應(yīng)該是個(gè)群體概念，不是一個(gè)單 Agent 試了 10 次，有一些經(jīng)驗(yàn)了，第 11 次能做得更好，這個(gè)只能叫經(jīng)驗(yàn)積累，不能叫自我演化；我們想講的是，把這個(gè)算法 Agent 放在了一個(gè)進(jìn)化的環(huán)境里面，里面有不同的進(jìn)化策略——智能體它可以自適應(yīng)地去不同場(chǎng)景下，找到自動(dòng)優(yōu)化它自己的策略。

之前大部分自我迭代的智能體，類似于一家創(chuàng)業(yè)企業(yè)不斷試錯(cuò)，這還是一個(gè)單體的概念。但伐謀或者 AlphaEvolve 這一類的邏輯更類似于 VC 的邏輯——現(xiàn)在不在乎具體每一個(gè) Agent 的死活了。只要我的大盤概率是對(duì)的，

有一個(gè) Agent 實(shí)現(xiàn)了 100 倍的回報(bào)，那整體系統(tǒng)就是 work 的。更接近于概率邏輯。

衛(wèi)詩(shī)婕：你說(shuō)用進(jìn)化論的思路，來(lái)做 AI Agent 的演化機(jī)制的生態(tài)，怎么理解？

李安南：我們可以參考達(dá)爾文進(jìn)化論，有 5 個(gè)島嶼，每個(gè)島嶼上有 10 個(gè)個(gè)體，個(gè)體之間可以繁衍。表現(xiàn)好的有更多的資格跟別人繁衍，表現(xiàn)不好的慢慢的就死掉了。經(jīng)過(guò) 10 代， 100 代， 1, 000 代之后就優(yōu)勝劣汰。這些島嶼上存活的就是在各個(gè)島嶼上最優(yōu)秀的個(gè)體。如果我們?cè)趰u嶼之間再做一些交叉，那我們可能慢慢的會(huì)實(shí)現(xiàn)一個(gè)全局最優(yōu)的概念。

類比到算法 Agent 之間，可以用大模型，讓算法和算法之間「繁衍」，生成新的算法；大量新算法之間，優(yōu)勝劣汰，誰(shuí)活下來(lái)不重要，只要最后有一個(gè)好的算法跑出來(lái)就行——我們實(shí)際上觀察的，比如說(shuō) 1000 多輪演化里，可能 80% 還是在爆 bug ，但只要有 10% 是在不斷提升的，就 work 了 。

衛(wèi)詩(shī)婕：你之前講過(guò)一句話，千行百業(yè)的算法工程師工作其實(shí)是比較類似的，為什么？

李安南：因?yàn)榛旧隙伎梢猿橄蟪伤膫€(gè)步驟。第一個(gè)步驟選一個(gè) baseline（基礎(chǔ)算法）。第二步我們會(huì)針對(duì)一個(gè)新的情況，思考新的可能性，或者看一看其他的實(shí)現(xiàn)。第三步是怎么基于剛剛提到這些 idea ，再加上一個(gè)基礎(chǔ)算法，形成一個(gè)新的算法。

第四步是做測(cè)評(píng)，跑一下 test case 驗(yàn)證集，看看效果分好不好。不好的 case 做一下 case review，看一下哪不好。這個(gè)時(shí)候再回到第一步，基于這套算法再改一次。這四個(gè)步驟都可以做 Agent 化的改造。對(duì)人來(lái)說(shuō)，更關(guān)鍵的是把定義問(wèn)題、評(píng)估寫清楚，不斷找新算法的過(guò)程就交給 AI。

衛(wèi)詩(shī)婕：做一個(gè)簡(jiǎn)單的比喻，從 a 點(diǎn)到 b 點(diǎn)，需要找一條最優(yōu)解的路徑。如果已經(jīng)現(xiàn)有一條路徑，算法的優(yōu)化就是探索另外一條能夠更高效到達(dá) b的路徑 。大模型的 scaling up 就是可以同時(shí)計(jì)算好多條從 a 到 b 的路徑，最后告訴你哪一條路徑的概率是更大的。但你還是要通過(guò)人為的評(píng)估來(lái)確定他它算出來(lái)的這條新路徑是不是更高效的。本質(zhì)上還是給算法工程師們提效的環(huán)境和產(chǎn)物。

李安南：你可以理解為它是一個(gè)提效率和提效果二者并存。

衛(wèi)詩(shī)婕：這個(gè)產(chǎn)品為什么取名叫伐謀？

李安南：孫子兵法里講，上兵伐謀，「謀」本質(zhì)上就是一個(gè)策略。「伐」就是攻克。解決一些更通用的策略問(wèn)題，來(lái)實(shí)現(xiàn)更多的價(jià)值。

衛(wèi)詩(shī)婕：我梳理了一下，大模型來(lái)了之后，產(chǎn)業(yè)里解決垂直場(chǎng)景問(wèn)題所用的方式經(jīng)歷了一個(gè)演變。最早大模型開(kāi)放 API 接口之后，垂類的場(chǎng)景可以接入某一個(gè)大模型做 SFT 微調(diào)。但是解決問(wèn)題的能力不具有泛化性，放到 b 行業(yè)這件事情就不 work 了。你們現(xiàn)在做的事情，是希望把各個(gè)行業(yè)所需要用到的抽象算法能力，在大模型的能力加持之后，做整體的、通用算法能力的提升？建一個(gè)算法 agent 生態(tài)，讓它能夠自我演化？

李安南：對(duì)的，微調(diào)當(dāng)時(shí)是有價(jià)值的，但是很難真正把千行百業(yè)真的全部服務(wù)一遍，過(guò)程非常慢，尤其還有數(shù)據(jù)的問(wèn)題。所以我們想通過(guò)更通用的形式服務(wù)好這樣千行百業(yè)的場(chǎng)景，尤其是各個(gè)領(lǐng)域的垂直小霸王（企業(yè)）。

衛(wèi)詩(shī)婕：但是過(guò)往大家都會(huì)認(rèn)為 To b 行業(yè)的落地是非常難做的。

李安南：主要還是因?yàn)楝F(xiàn)在還是一個(gè)非常早期的市場(chǎng)，我們大部分接觸到的客戶都會(huì)存疑。 AI 還能干這么難的事？但是我們?cè)囋嚨某杀鞠鄬?duì)是比較低的，因?yàn)樗惴▎?wèn)題一般來(lái)說(shuō)都是一個(gè)抽象小片段，做實(shí)驗(yàn)相對(duì)簡(jiǎn)單。我們就花短的時(shí)間把一個(gè)基礎(chǔ)場(chǎng)景的算法做出來(lái)了，這個(gè)時(shí)候客戶非常驚喜。

相對(duì)來(lái)說(shuō)，這么做還有一個(gè)特點(diǎn)，不怕幻覺(jué)。目標(biāo)如果是非常明確的，在評(píng)估以上效果就是非常好，審核人和 AI 是一模一樣的方式。

還有很重要的一點(diǎn)是算法的持續(xù)優(yōu)化。以前算法工程師是項(xiàng)目制的，一旦上線后，再有效果不好的情況，不太可能讓那些專家再來(lái)診斷一次。但是如果交給 AI 來(lái)干的話，第二次出現(xiàn)情況的時(shí)候，只要讓 AI 重新啟動(dòng)一次就好了，所以不只是一個(gè)提效的邏輯，更像是生產(chǎn)力或者生產(chǎn)關(guān)系的變化。

衛(wèi)詩(shī)婕：讓這些 Agent 跑起來(lái)，下面需不需要一個(gè)新的 Infra 結(jié)構(gòu)承托生態(tài)？

李安南：沒(méi)錯(cuò)。它其實(shí)核心還是 Agent Infra 的邏輯。如果只是一個(gè)單 Agent ，大模型的 Infra 已經(jīng)足夠它用了。但是伐謀這套體系，是一個(gè)更復(fù)雜的系統(tǒng)，未來(lái)要更大規(guī)模用在真正的、嚴(yán)肅的生產(chǎn)行業(yè)。

第一部分是我們之前講到的，如何引導(dǎo) Agent 解決一個(gè)難題，而不是容易陷入到局部最優(yōu)，這里面有不少關(guān)鍵的策略算子。

第二部分是基礎(chǔ)設(shè)施的邏輯。 API 調(diào)用這件事，如果只是單純的一步一步的串行調(diào)用，互相等待的時(shí)間就太長(zhǎng)了。如果能做一個(gè)更好的分布式調(diào)度，同時(shí)并行的做，把這兩個(gè)步驟拆分開(kāi)，能把 GPU 資源和 CPU 資源更極致的進(jìn)行好的利用。在更大規(guī)模、更產(chǎn)業(yè)級(jí)的 agent 調(diào)用上 Agent Infra ，其實(shí)是非常大的體現(xiàn)。

衛(wèi)詩(shī)婕：要做一個(gè) Agent Infra ，從底層能力來(lái)看，它需要哪些元素的構(gòu)成？

李安南：怎么更好地做尋優(yōu)的策略算子，有點(diǎn)像挖石油工地指揮的那個(gè)人。算子就是一段核心代碼。

衛(wèi)詩(shī)婕：造 Agent 生態(tài)是只能在一個(gè)大公司做，還是一個(gè)創(chuàng)業(yè)公司也能做？

李安南：應(yīng)該是一個(gè)大公司的小團(tuán)隊(duì)。大公司是因?yàn)檫@個(gè)事情本質(zhì)上是需要千行百業(yè)、非常多的垂直場(chǎng)景一起去完成的。如果只是一個(gè)小團(tuán)隊(duì)，單獨(dú)提供一個(gè)標(biāo)品，顯然轉(zhuǎn)不起來(lái)。一定是需要有生態(tài)的。第二塊是 Agent Infra 的邏輯。它需要夯實(shí)底層的技術(shù)能力。

那為什么是小團(tuán)隊(duì)呢？因?yàn)檫@個(gè)事情還非常的早期，有很多模式的探索要進(jìn)行。比如說(shuō)我們最近希望跟客戶做一個(gè) RAAS 的邏輯——就是我給你提供最終的結(jié)果，比如算法優(yōu)化提升了 5% ，用在線上節(jié)省了 500 萬(wàn)。那我能不能 Result as a Service ，按效果付費(fèi)。這個(gè)在中國(guó)相對(duì)比較新。

衛(wèi)詩(shī)婕：這可能會(huì)是 AI 時(shí)代的趨勢(shì)，但有一個(gè)比較難辦的問(wèn)題在于，很多時(shí)候，很難界定新增價(jià)值中有多少是來(lái)自于算法優(yōu)化所帶來(lái)的。

李安南：是的，所以說(shuō)還需要探索，PMF 有很多可以探索的空間。

衛(wèi)詩(shī)婕：今年 Robin 提到 AI 應(yīng)用是最后一層價(jià)值，他希望百度能夠用 AI 的基礎(chǔ)能力，幫助各行各業(yè)實(shí)現(xiàn)價(jià)值釋放，幫助千行百業(yè)內(nèi)化 AI 。怎么「幫助千行百業(yè)內(nèi)化 AI 」？

李安南：我們提兩個(gè)詞：智能原生，和持續(xù)價(jià)值創(chuàng)造。

過(guò)去在工作場(chǎng)景中，當(dāng)人去做調(diào)度場(chǎng)景的時(shí)候，是有很多人為的一些先驗(yàn)假設(shè)和限制的。如果讓伐謀（算法智能體）來(lái)做這件事的話，就得把人為限制破除掉——讓 AI 做全局搜索，真正地實(shí)現(xiàn)智能原生，以前人腦負(fù)載不了的決策問(wèn)題能夠開(kāi)放給 AI 做。

第二塊是持續(xù)優(yōu)化，當(dāng)一個(gè)這樣的場(chǎng)景做完之后，以前算法工程師大概率很難長(zhǎng)期在項(xiàng)目上持續(xù)的找 Delta 算法（更優(yōu)的算法）。一個(gè)算法通用性越好，就代表著垂直的效果不見(jiàn)得那么好。但它垂直效果越好，它的通用性一般都沒(méi)那么好。像我之前說(shuō)的，人類算法工程師很難在項(xiàng)目結(jié)束后，持續(xù)盯著一個(gè)算法做優(yōu)化，但是伐謀可以。

對(duì)伐謀來(lái)說(shuō)，它其實(shí)是可以持續(xù)的（做優(yōu)化）。新的數(shù)據(jù)流進(jìn)來(lái)之后，它會(huì)不斷的再找不同的工況下最優(yōu)的算法。

基于這兩件事，把 AI 內(nèi)化到企業(yè)整體的業(yè)務(wù)價(jià)值里面之后，價(jià)值能有更大的飛躍。

衛(wèi)詩(shī)婕：伐謀的用戶界面和使用方式是什么樣的？

李安南：一般分三步。第一步提交任務(wù)，第二步是任務(wù)過(guò)程中的監(jiān)控，第三步就是最后的審計(jì)。

它本質(zhì)上是一個(gè)外部端，但是我們發(fā)現(xiàn)不同的場(chǎng)景使用習(xí)慣是不一樣的——所以在第一個(gè)階段提交任務(wù)，我們會(huì)支持各種各樣的需求，核心邏輯就是不同的人群、不同的思路，能更快的把任務(wù)提上來(lái)。

一旦用戶提交到伐謀集群了之后，這個(gè)東西更像是一個(gè)新的科研范式，它大概率不是一個(gè)chatbot ——在我們中間監(jiān)控的階段，更像是樹的概念，有很多的枝葉，每個(gè)枝葉又不斷的朝下做細(xì)分，（人類可以）看每一個(gè)節(jié)點(diǎn)。有些節(jié)點(diǎn)有 bug ，分很低，長(zhǎng)期就淘汰了。有些節(jié)點(diǎn)特別的活躍，很聰明，可能會(huì)變亮，甚至有更多朝后繁衍的機(jī)會(huì)。我們可以點(diǎn)擊每一個(gè)節(jié)點(diǎn)看具體發(fā)生了什么事，這個(gè)代碼到底長(zhǎng)什么樣？它的一些關(guān)鍵特征是什么？它是跟誰(shuí)演化出來(lái)的？

第三個(gè)階段是伐謀已經(jīng)給出了一個(gè)最優(yōu)算法，系統(tǒng)要告訴用戶，這個(gè)過(guò)程到底好在哪？為什么比最開(kāi)始我們給出的初始算法效果好？怎么一步一步迭代過(guò)來(lái)的？

第一階段可能是對(duì)話式的提交任務(wù)，把業(yè)務(wù)需求說(shuō)清楚。第二階段就是伐謀接到這些輸入之后，更像是一個(gè)智能體自我進(jìn)化的概念，人類在監(jiān)控。第三階段就是人類反過(guò)來(lái)看，這個(gè)東西為什么有道理。

衛(wèi)詩(shī)婕：感覺(jué)像用戶撒出一顆種子，但是大模型可以把這一顆種子變成千百顆種子，放在不同的土地上培育，人類可以系統(tǒng)地監(jiān)控所有的種子成長(zhǎng)得如何，再去優(yōu)勝劣汰的匹配。這樣聽(tīng)下來(lái)，伐謀這類產(chǎn)品不像是過(guò)去人所定義的產(chǎn)品，更像是把 Agent 自我演進(jìn)的技術(shù)種到產(chǎn)業(yè)里，每個(gè)產(chǎn)業(yè)會(huì)生長(zhǎng)出最符合自己的產(chǎn)品。

李安南：沒(méi)錯(cuò)，三個(gè)核心產(chǎn)品特點(diǎn)，一個(gè)是通用性，一個(gè)是產(chǎn)業(yè)級(jí)，一個(gè)是可持續(xù)性。

衛(wèi)詩(shī)婕：伐謀這個(gè)產(chǎn)品在優(yōu)先級(jí)上，最重要的衡量指標(biāo)是什么？

李安南：規(guī)模和生態(tài)。我們更希望能跟生態(tài)伙伴一起，把整體的市場(chǎng)教育或者千行百業(yè)的標(biāo)桿、案例給做出來(lái)，真的能誕生一些能基于伐謀的新 AI 研發(fā)范式，這是我們最關(guān)注的重點(diǎn)。

衛(wèi)詩(shī)婕：今年我采訪了 Plaud 的創(chuàng)始人。這家公司內(nèi)部覺(jué)得，大模型是神，有著超越人的能力。把這么一個(gè)擁有全知全能、超越個(gè)體能力的「神」，放進(jìn)組織內(nèi)部的時(shí)候，會(huì)爆發(fā)很大的威力，也可能制造新的麻煩；你們現(xiàn)在正在把「神」放到千行百業(yè)里，會(huì)發(fā)生什么？

李安南：前者確實(shí)很多。比如金融風(fēng)控場(chǎng)景，我們也會(huì)發(fā)現(xiàn)它寫出了一些特征提取器，那些因子挖掘的東西。確實(shí)是之前算法工程師沒(méi)太想到的，給人以啟發(fā)。這可能就是神的一面。

另外一塊是麻煩，長(zhǎng)期來(lái)看還挺像科幻電影的，尤其是一些決策類的任務(wù)。比如我們?nèi)绻娴陌鸭t綠燈調(diào)度交給 AI 大模型來(lái)干的話，還是有點(diǎn)風(fēng)險(xiǎn)。所以在實(shí)際過(guò)程中，肯定得有非常嚴(yán)格的審計(jì)要求。寫完評(píng)估器必須保證效果好，之后人再看看是否合理，是否和自己寫的基本一致、可解釋，才會(huì)再去做線上的測(cè)試。

很多時(shí)候會(huì)發(fā)現(xiàn)，人的價(jià)值還是非常明確的。所以我們才一直講，還是需要有個(gè)人把這個(gè)問(wèn)題定義清楚以及審計(jì)監(jiān)控。

衛(wèi)詩(shī)婕：有一句話叫，「有多少人工就有多少智能」。至少在當(dāng)下階段，仍然是有非常需要人工定義的部分，需要人做把控者。

李安南：對(duì)，我覺(jué)得這個(gè)事是好事。人做最開(kāi)始的定義，給指控、指令和最后的審計(jì)，已經(jīng)是一個(gè)非常好的 AI 落地的模式了。如果真的把事都交給 AI 來(lái)干，很多科幻電影里面可怕的事情可能更容易出現(xiàn)吧。

衛(wèi)詩(shī)婕：當(dāng)我們講 AI 可能會(huì)重塑生產(chǎn)力和生產(chǎn)關(guān)系的時(shí)候，在你們的產(chǎn)品的應(yīng)用故事中如何體現(xiàn)？

李安南：比人做得好，這可能是一個(gè)邏輯。另外一個(gè)邏輯更關(guān)鍵，是生產(chǎn)關(guān)系。算法工程師的工作發(fā)生了一些變化，以前的大部分工作是在寫代碼、去測(cè)試、去探索。現(xiàn)在會(huì)把這個(gè)東西交給 AI 來(lái)干，以前一個(gè)人只能做一個(gè)場(chǎng)景，以后可能 1 個(gè)人帶著AI做 10 個(gè)甚至更多的場(chǎng)景。

如果說(shuō)是生產(chǎn)關(guān)系發(fā)生了變化， AI 能應(yīng)對(duì) 100 個(gè)場(chǎng)景，甚至把這 100 個(gè)場(chǎng)景打通一個(gè)更大的、更全局、更難的問(wèn)題，再加上持續(xù)的做優(yōu)化，這個(gè)事其實(shí)是一個(gè)巨大的邏輯，但對(duì)組織能力還是有一定挑戰(zhàn)的。因?yàn)橐郧笆莾蓚€(gè)人做配合，一個(gè)懂業(yè)務(wù)，一個(gè)懂 AI 。變化了之后，大概率是一個(gè)懂業(yè)務(wù)，再稍微懂一點(diǎn)算法的人，更好的跟 AI 配合起來(lái)。

衛(wèi)詩(shī)婕：怎么理解，對(duì)組織的巨大挑戰(zhàn)？

李安南：這里面也會(huì)分兩部分。第一部分是怎么做到 AI 原生——既然要讓 Agent 去找全局最優(yōu)，就必須把之前人為的約定俗成去掉。我們?nèi)绻娴氖窍雽?shí)現(xiàn)智能原生，實(shí)現(xiàn)更好價(jià)值提升的話，可能是必須要做的事。

衛(wèi)詩(shī)婕：生物的角度來(lái)講，改變肌肉記憶是很難的。

李安南：對(duì)，但是真的是改變之后才能更好地實(shí)現(xiàn)全局最優(yōu)。

衛(wèi)詩(shī)婕：當(dāng)我們?cè)谡劊绾巫?AI 從一個(gè)移植器官變成一個(gè)組織內(nèi)生的原生部分時(shí)，就要打破肌肉記憶，這可能是比技術(shù)落地更難的進(jìn)程。所以在組織進(jìn)化的過(guò)程中，什么樣畫像的人是特別被需要的？

李安南：首先，我們?cè)诰€上看到了有很多學(xué)生在拿伐謀去做一些自己領(lǐng)域的嘗試。可能天然地想著，他這個(gè)算法問(wèn)題就是應(yīng)該用 AI 來(lái)解決，非常 promising ——這類能擁抱技術(shù)的年輕一代，是很有希望的。

第二，企業(yè)里面有一些比較年輕的工程師還是很積極的，也是非常值得培養(yǎng)。本質(zhì)上還得是一個(gè)懂業(yè)務(wù)的同學(xué)，但是有更好的主動(dòng)性，更容易擁抱新技術(shù)。這個(gè)跟行業(yè)的大共識(shí)是一致的。大家更重要的是審核上的把控，追求一些更難的任務(wù)。

衛(wèi)詩(shī)婕：之前提到過(guò)的效率先鋒的角色怎么理解？

李安南：這是一個(gè)新角色，我們最近理解的，能主動(dòng)發(fā)現(xiàn)和打破業(yè)務(wù)環(huán)節(jié)里面之前人為設(shè)置、基于經(jīng)驗(yàn)的軟約束，這樣的人會(huì)是比較關(guān)鍵的。如果我們?nèi)ジ嬖V一個(gè)客戶，這堵墻應(yīng)該打掉，大概率客戶不見(jiàn)得能很好地理解。但是如果企業(yè)內(nèi)部有這樣一個(gè)人，ta 關(guān)注哪的墻能夠被打掉，這是我們很希望看到的。

剛剛我們提到， Palantir （一家美國(guó)大數(shù)據(jù)分析公司）就有這種模式，有點(diǎn)像 FDE，前端工程師的畫像。ta 不只是會(huì)用 AI 工具，甚至更像是一個(gè)創(chuàng)業(yè)者。他可能看到了實(shí)際的業(yè)務(wù)運(yùn)轉(zhuǎn)，發(fā)現(xiàn)了有哪一些墻是有可能去打掉的，會(huì)去思考什么樣的組織架構(gòu)和形式是更適合 AI 發(fā)揮作用、釋放價(jià)值的。這個(gè)事可能是對(duì)客戶、老板非常重要的。

衛(wèi)詩(shī)婕：那未來(lái)很多企業(yè)可能都面臨著組建內(nèi)閣制，得開(kāi)始思考怎么改革自己，可能會(huì)有保守派，激進(jìn)派。

李安南：是，所以很精彩了。當(dāng)然這是很長(zhǎng)周期的事。

（本期內(nèi)容由曹伊筠整理制作。）

《漫談 Light the Star》第 59 期訪談（《獨(dú)家對(duì)話影翎：跨國(guó)大疆的護(hù)城河背后》）的視頻版，已經(jīng)在全網(wǎng)上線。歡迎關(guān)注我們全平臺(tái)的賬號(hào)「衛(wèi)詩(shī)婕 漫談light the star」～）

沒(méi)錯(cuò)，我們的名字發(fā)生了小小改動(dòng)，但是對(duì)內(nèi)容品質(zhì)的追求不變。

新的一年，我們一起描繪、定義、推動(dòng)一個(gè)更美好的世界。