决策博弈的时代

想象一下：你让一个智能体"重构一下认证系统"。十分钟后，它修改了几十个文件，重写了认证逻辑，更新了测试，然后问你最后一个问题："你要更安全的版本，还是更快的版本？"

这就是新的瓶颈。不是敲键盘，不是构建，而是决策。

2026年伊始，自主AI智能体如雨后春笋，在人们的电脑上“活”了过来。OpenClaw的发布带来了数百万个"Clawds"，它们在MacMini、PC，甚至是树莓派等各种平台上运行，并迅速催生了一波变体：NanoClaw、PicoClaw和IronClaw。基座大模型——如Claude、GPT和Kimi—— 前所未有的更具自主能力，在模型内部就嵌入了Agent Swarm或协作Agent Team的能力。

这很大程度上是2025年AI发展的自然延续。在AI社区的集体努力下，2025年堪称AI智能体元年。随着Manus、Claude Code和OpenClaw等产品展示出高级自主能力——如游刃有余地穿梭各种数字环境、跨应用逻辑管理和自我纠错——执行从根本上变成了一种零边际成本的商品。

在这个新时代，轻易就可部署数千个"数字专家"，构建、编码或执行任务的能力不再是重要难点或竞争优势。很多人说AI会取代你的工作。他们错了。AI会接手你的任务，然后留给你一件更难的事：做决策。

"
AI正在将执行能力商品化。真正稀缺的，以及定义这个时代的，是人类决策的质量。

决策博弈

这场范式转变率先出现在软件开发领域整个行业正处于不可阻挡的变革轨迹上，古法手工编程正在成为历史。

这个转变仅仅用了三年。2023年，开发者们还在ChatGPT上复制粘贴代码；2024年中，他们就开始依赖Cursor的高效自动补全，进而迅速发展到接受Cursor Agent等智能体的批量修改；最终，随着Claude Code的到来，手动写码在软件开发中已然没有必要。由此，这个职业走向了真正的不归路。

这种加速暴露了计算机科学教育与开发者岗位新需求之间的严重脱节。多年来，旧玩法是学习手艺——掌握基础算法，练习LeetCode以及其他竞赛编程。如今，一个提示词就能高质量地实现大多数算法和数据结构。新的挑战，也就是新的玩法，是判断力：如何正确地引导AI生成可用的Ford-Fulkerson算法版本，来解决城市道路网络最大交通流量的问题。

虽然人人都能靠编程智能体更高效地编写软件，但资深开发者之所以能实现10倍到100倍的质量和速度提升，不仅仅是靠编码，更依靠卓越的设计决策、功能选择、架构和权衡。产品本身就是证据：Manus出自中国AI生态中经验丰富的工程师之手，Lovable由深谙用户真正需求的资深设计师创建，就连OpenClaw也是拥有深厚系统专业知识的资深开发者打造的。这些突破性的成功，来自于已经知道该构建什么的人——智能体只是让他们构建得更快。

这一趋势正在向其他领域蔓延。Shortcut AI（电子表格，已在Excel世界锦标赛上引发争议）、Claude Cowork（知识工作）、Manus（通用智能体）、Composer（浏览器自动化）等智能体正在进入各个领域。

这种转变将人类的努力从低层次的执行机械提升到了高层次的编排和决策艺术。在近期的纪录片《思考之弈》中，Demis Hassabis将追求AGI描述为一场思考的博弈。

而当AGI走进我们的日常生活，如何利用、编排和使用这台智能机器，则是一场决策的博弈。

追求AGI是思考的博弈。掌握和驯服AGI将是决策的博弈。

赢得决策博弈

过去几十年来，一些行业一直在培养决策能力，并由此催生出了决策科学。然而，高质量的决策训练历来只限于一些特权精英群体或特定职业，并未广泛普及。

以对冲基金和交易领域为例。行业传奇中满是做出重大盈利押注的传奇交易员的故事。这些人未必是技术最精湛的；数据收集和分析等工作通常由软件工程师和分析师来完成。然而，关键的市场决策是交易员做出来的，所以他们自然获得最大的利润份额。

这种排他性正在改变，决策能力仅属于交易员或领导者的时代正在终结。在未来几年，每个人都将拥有自己的"智能体"来执行任务，从而带来广泛的效率提升。人与人的差别便将在决策质量上体现出来。

"
没有方向感的效率，不过是高速运转的熵增。

什么造就了优秀的决策者？

有效决策的核心要素是：

直觉：在数据不明朗、后果重大时，从众多独立选项中选择最优路径的启发式能力。
品味：即使目标不断变化，也能定义什么是"卓越"成果的能力。
知识：做出明智决策所必需的深入、专业化的领域知识。

执着于寻找成为卓越决策者的"秘诀"是一个常见的陷阱。人们常将成功人士偶像化，认为他们拥有某些神秘的、与生俱来的品质。作为一名认知心理学者，我认为这种观念并不可取。虽然某些启发式方法难以言表，但良好判断力是完全可以训练的。

深度知识是真正的基石

一个重要但常被忽视的要素是知识的深度。高效的决策者，例如成功的交易员，首先会深入了解市场、其结构和参与者，然后形成洞见。由于拥有深厚的领域知识，即使面对新的、不完整的信息，他们也能做出合理的决策。

缺乏深度知识的领导者容易被下属忽悠，导致决策失误。Meta和Mark Zuckerberg在LLM方面，尤其是LLAMA 4的失败，便是个例子。相比之下，DeepMind的Demis Hassabis、Anthropic、早期的OpenAI，甚至Elon Musk的XAI的成功，很大一部分是因为领导和决策者对深度学习和带兵打仗有自己的深刻见解。如果你的目标是培养出色的"品味"和形成坚实的判断力，深度知识是不能忽视的基石。

获取深度知识比以往更容易

获取深度知识在历史上从未如此简单。它只需要专注、勤奋的学习获取深度知识从未像现在这样简单。你只需要专注、勤奋地学习，和不断地尝试。你得动用一切可用资源自学。关于人性或世界的知识，没有什么是隐藏的、神秘的、不可学习的。

当前这一代工具，尤其是大语言模型（LLM）和智能体，是最好的老师。它们知识渊博、耐心无限，还会不停地鼓励你，提供情感支持："你说得对，你太棒了"

因此，提升决策能力最有效的策略是有意识地营造学习环境和健全的反馈闭环：决策，观察结果，更新判断，学习新知识，然后再次决策。

共建更美好的社会

AI的进步应该惠及每一个人，改善所有人的生活，而不是局限于特权精英或硅谷的小圈子。利用AI的力量进行构建和创新，有着巨大的潜力。

为智能体创造更多环境，进一步降低执行成本

数字世界目前限制了AI智能体的潜力。现有基础设施是为刚性的程序化系统或人类交互而构建的，智能体这个消费信息并在数字世界中行动的新"物种"因而被束缚在了有限的空间中。虽然AI智能（"大脑"）在稳步快速进步，但发挥其全部潜力的环境仍然不够发达。时至今日，最流行的AI环境竟然还是人机对话。这就像是上世纪60年代的遗物，和Eliza这样的系统相比，在环境和界面上几乎没有什么创新。

因此，新软件开发的重心必须转向为这些智能体创造支持性环境。这将使它们能够为人类自动化更多任务，并继续降低执行成本。

提升决策质量的人机界面

随着AI智能体的效率指数级上升，人机交互界面面临着重要挑战。由于智能体生成内容的速度是人类消费和验证速度的百倍，而人类的消费速度提升极其缓慢，传统界面注定会失败。这种不平衡只会导致人类精疲力竭，迫使人们为AI服务，最终走向反乌托邦的结局。

因此，优秀的界面设计必须提供人类可供性（human affordance）。在这个新时代，首要的可供性就是让人类更轻松、更有效地做出决策。

这样的界面应该是什么样的？我认为它必须做好五件事：

只呈现关键决策 —— 自主解决琐碎的选择，只把真正重要的决定呈现给人类。
透明且可查核 —— 即使是非技术用户也能看到每个决策的清晰轨迹。
提供稳健的护栏 —— 自我纠正机制，在错误累积之前就将其拦截。
诚实地传达置信度 —— 让用户知道智能体什么时候是确定的，什么时候是在猜测。
支持应急思维 —— 能够在错误决策后回滚，或者在提交之前探索"如果"分支。

最重要的是，界面应该为优化决策而设计，而不是为优化任务执行而设计。随着智能体变得成熟可信，界面应当简化。复杂的细节只在调试时才出现，而不是充斥在日常使用中。

新时代的邀请

1959年，John McCarthy在他的论文"Programs with Common Sense"中设想了一个名为Advice Taker的系统。McCarthy, J. (1959). Programs with Common Sense. Proceedings of the Teddington Conference on the Mechanization of Thought Processes, pp. 75–91. 这篇论文被广泛认为是首次提出在计算机程序中使用逻辑进行知识表征。与详细的逐步编程不同，Advice Taker会接受陈述性事实和规则，将其作为初始知识，然后使用逻辑推演来确定必要的行动方案。它的功能是接受目标和相关信息，然后自主地推理中间步骤——就像人一样接收建议然后决定如何推进。

这个概念如今已成为现实。虽然不是McCarthy所描述的形式逻辑引擎，但Advice Taker的精神在现代系统中得以延续。这些技术接收你的意图、知识和判断，将其转化为行动，自行处理中间推理、执行和各种繁重的工作。

现在，焦点转向了我们。我们需要向机器提供优质的"建议"，向它们灌输其自身尚未拥有的品味、判断力和深度知识。这样，我们才能确保自己和后代不仅能更高效地工作、而且能更好地作为人来享受生活。

我邀请各位走进这场决策博弈，成为一名创造者、思考者和决策者。深入学习，审慎决策，让智能体成为你信念的倍增器。

你的决策，就是你的产品。