吴氏录音带：Cognition 的 Scott Wu 问答

第四，他愿意尽早交付产品并承受随之而来的反噬。Wu 于 2024 年 3 月推出 Devin，在 SWE-Bench（一项衡量 AI 编程 agent 独立修复软件 bug 比例的测试）上得分为 13%，为此遭到了猛烈的公开批评；随后他利用先发优势不断积累，确立了 Cognition 如今持有的领先地位，相关 benchmark 在原始 SWE-Bench 上已达到约 90%，在 SWE-Bench Pro 上约为 80%。

Devin 现已成为从美国陆军到 Goldman Sachs、Mercedes-Benz 等企业的首选 agent。Cognition 的客户基数在一年半前还是零，如今正以约 250 亿美元的估值进行融资。

当 Wu 谈及他的公司乃至 AI 整体时，他沉思的不是如何把无产阶级轰成迷你办公用品，而是“让每个人都能轻松构建真正优秀的软件”——他的意思是，让 DMV、IRS、医院、航空公司以及孩子小学的官网都能像 Instagram 一样流畅、直观；他希望通过诸如此类的事情，消除现代生活中那些令人抓狂的淤滞。“这样我们就能告别 Minecraft 的生存模式，进入 Minecraft 的创造模式，”他喜欢这么说——出自一位 AI 大亨兼 nerd 之帝，这番感慨倒是格外正常，令人耳目一新。

那么，这能成吗？也许不能。也许 AI 是一个零和市场，2023 年 11 月才创办一家 agent 实验室意味着 Wu 入场太晚。也许市场虽充满竞争，Cognition 却终究会被 OpenAI 的 Codex、Claude Code，或是 xAI-Cursor 的 hippogriff 碾碎。也许仅靠一支全部由 nerd 组成、没有 jock 的超级团队去打赢这样一场战争并不明智。也许 Devin 早期的评价不如现在这么重要。又或者这一点并不重要，但 Cognition 最终会像 Cursor 那样放弃独立。又或者，我们不过是在重谈 NFT 的老调，这一切从一开始就不值一提。

不久前，我以作家兼珍稀人类蝴蝶收藏者的身份，前往 Cognition 位于旧金山的总部与 Wu 对谈。他递给我一只水獭的毛绒玩偶，这是 Devin 的 zoomorphic 化身（名字大概是 dev-elop-in’ 的 portmanteau）。我提到，进门时我注意到办公室里根本没有任何员工在使用健身房，大概是因为那里也被公司用来堆放湿垃圾；对此他回应说，之所以把湿垃圾放在健身房，是因为他们在数学上是奥林匹克选手。

我把自己的工具在桌上摆好，等待 Metronome 的创始人兼 CEO Kevin Liu 把他声称“会改变你人生”的一小筐草莓交给 Wu，然后才按下录音键。以下是对话的实录，时长约三小时，内容经过编辑与精简，以飨读者。

THE MARTIAN Jeremy Stern：Scott，你是一位 AI 大亨，围绕你的 lore 颇为丰富，给人的感觉是你比起肉身更像是计算机，而且是在沼泽里长大的。那我们先往回聊聊。

Scott Wu：我父母都来自上海，他们在中国长大，经历了文化大革命。当时中国有一场决定你能否上大学的常规考试，在很长一段时间里干脆停办了，大概持续了十年左右。我父母都不幸地处于那个年代，连初中和高中都没得上。后来有一天，考试重新恢复了。很自然，十年积压的学生同时竞争数量不变的大学名额。由于他们基本没上过学，我妈当时还在纺织厂工作。他们晚上做工、备考，最终考上了大学，而且学业表现都很优异。

我爸是个非常狂热的围棋爱好者，他有一位常一起下棋的教授。那位教授后来到了美国，给我爸写信说，你应该来美国读书，这里好得多，机会也多。他帮我爸申请了学校，方方面面都帮了忙。于是我爸来了美国，六个月后我妈也来了。他们都在 Colorado State 读化学工程。

他们有没有说起过文化冲击？

对他们来说确实很不一样，但光是能分到公寓、能有饭吃，就已经比当时物资仍然匮乏的中国好太多了。他们非常感恩。我爸一直说他这辈子做过最正确的决定就是来美国。我认为这确实是。

他们之前从未出过国。而且直到后来——我妈几年前过世了——她这辈子只去过中国和美国。我爸也一样，直到去年我带他去了日本。所以冲击肯定是很大的。

有很多细微的小事。那时候中国还很穷，他们为这次出国攒了好几个月的钱。来的时候，我爸一共只有大约 80 美元。他给我讲过一个故事：从机场出来，他和别的研究生一起打车，大家自然都凑了点小费。当他拿出一两美元作为小费时，他意识到这 literally 占了他净资产的百分之三左右。那一刻他非常震惊，也有点尴尬。

那确实是个适合在美国当学生、而不是在中国当学生的年代。那我们又怎么落脚到 Baton Rouge 的？那里可算不上什么 Ellis Island 式的移民体验。

父母都学的是化学工程，自然而然，因为路易斯安那州的石油和天然气产业非常发达，他们最终都在那里找到了工作。我父亲从事空气质量许可证方面的咨询工作，我母亲在政府的环保部门工作。我有一个哥哥，叫 Neal，比我大四岁。我出生于1996年。那时我们有一套小房子。我们在巴吞鲁日郊区有一套还算中规中矩的中产阶级住宅。

我在那里一直和身边的人很不一样，他们可能要比我正常得多。课间休息时大家会踢足球什么的，但我从来就不太感兴趣。我热爱数学，而且一直都极具好胜心。我记得我在大概三四岁的时候学了乘法表。我最初学到的很多数学知识，某种程度上是在家里自然而然积累的。哥哥比我大四岁，这对我很有帮助。我们有很多相同的兴趣，我真的很崇拜他，因为在路易斯安那州的巴吞鲁日，像我们这样的人并不多。

我也没什么特别的理由会这么想，但你以前被欺负过吗？

当然，是的。我经常被欺负。我就是太不一样了。在遇到竞赛中那些和我相似的人之前，我一直相当孤僻。我在巴吞鲁日有几个亲密的朋友，但说实话，我反而觉得自己是和很多来自全国各地乃至世界各地、参加这些数学和编程竞赛的孩子一起长大的，因为他们和我实在是太像了。

我想聊聊竞赛的事。但首先，除了课间休息时向别的孩子挑战背乘法表之外，你还怎么表达对数学的热爱？

（笑）我哥哥上六年级的时候，我上一年级。那时他开始了解到这些初中数学竞赛。我自然而然地跟着去了，也想学数学。对我来说，事情就是这么真正开始的。

我就读于 Buchanan 小学的资优班，那是我们当地的公立学校，隔壁有一所初中和高中，叫 McKinley。我在三年级的时候开始在那里学习高中数学。有几年，每天都会有一位老师从高中过来，走到小学接我，带我过去上课；到了五年级，我就开始自己走过去了。那个学区的优点之一在于，他们在想办法妥善安排这件事上，对我非常包容、非常配合。

我哥哥教我编程，我想那是在我四年级的时候。我一直在电脑上开模拟器玩 Pokémon，也就是通过这个游戏，我的编程能力提高了。我玩 Tetris。有一种纸牌游戏叫 24。各种类似的小游戏，纯粹是逻辑、解谜或策略，你可以计算各种选项。这些一直是我最大的爱好。

我父母确实在推动我学习和练习方面下了不少功夫，但很快我就达到了纯粹是自己想去学的状态。我完全靠自我驱动。如果你不是发自内心地感兴趣，这是很难做到的。我一直热爱数学，因为它非常优雅。不过，来自父母的推动也是很有帮助的。

一个小孩子是如何体验到“优雅”的？

我记得我父亲给我讲解二次公式。他在一张纸上给我演示：你有 Ax² + Bx + C = 0。然后他是这样做的。首先你把 A 除掉，然后做一个平方相关的操作，解这个方程，然后你会发现结果是负 B 加减某个东西。我很喜欢这个。我一直很喜欢逻辑，以及把事物推导到其自然结论的能力。数学的酷之处在于，如果你真正深刻地理解了所有这些内容，一切都是合乎逻辑的。而且我在这方面相当擅长，因此能够打败别人，而我显然喜欢打败别人。

你说“显然”，但这种好胜心是从何而来的？

我是我们当中最好胜的，但我父母和我哥哥也都属于好胜心排在前 1% 的人。其实如果让我猜的话，也许我妈妈才是我们之中最好胜的。

关于父母的常见套路是，他们总爱拿你和别的孩子比较——比如“谁谁家的孩子表现更出色”。但我妈妈总是反过来说——比如“那个聪明孩子其实也没那么厉害。这家的孩子进了普林斯顿，但他也没什么了不起的。”她一直向我强烈灌输一种观念：你有潜力成为最棒的。她从来不是那种“其他人都太厉害了，你应该向他们学习”的态度。而更像是：“他们能做到的任何事，你也能做到。”

好的，那么 James Jordan 在威尔明顿家中的后院搭起了篮球架。Michael 最初的爱好是棒球，但他开始在院子里和哥哥 Larry 一对一打篮球，他既崇拜 Larry，又想打败他。接着，他人生中剩下的时光出现了一个转折点：Michael 以为自己能进校队，参加了选拔，结果没被选上。跟我讲讲那一段经历吧。

（笑）我不太确定我接受这个前提。有史以来最优秀的竞技程序员是 Gennady Korotkevich，他现在就在这里 [Cognition] 工作。

当然，但像迈克那样可不只是指那些冠军戒指。还包括价值数十亿美元的球鞋生意，把每一件平淡无奇的事都变成竞技游戏，以及他那 1000 瓦的笑容和性感的古巴裔妻子。顺便说一句，我觉得她曾是 Alexander Wang 的模特。另一位。

好吧。我参加的第一场数学竞赛是在巴吞鲁日的 Southern University 举办的。他们主办这个活动，面向初中生和高中生——六年级学生做六年级数学，七年级学生做七年级数学，以此类推。而我作为二年级学生，报名参加了七年级数学组。在颁奖典礼上，他们一个个念名字，我一直期待在某个时刻听到自己的名字。但始终没有。我当时特别沮丧。我就……天哪。我现在还记得。我当时就是特别、特别、特别沮丧。那是我最早的记忆之一。

同一个竞赛，我在三年级的时候又去了，那时我正在学代数 1。我参加了九年级组的比赛，我想我拿了满分，得了第一名。从很小的时候起，我就一直想打败所有人。他们比我大也没关系。

我在二年级的时候确实没多少朋友。但到了大约六年级，也就是上初中的时候，情况开始改变了。初中有一个叫 MathCounts 的竞赛。学校里的顶尖学生参加市级比赛，市里的顶尖学生参加州级比赛，州里的顶尖学生参加全国比赛。他们会用飞机把大家送到迪士尼世界，行程大概三四天。比赛先是上午的大型笔试环节——所有人坐在一个巨大的房间里考试。然后前 12 名会被选入所谓的 countdown round，也就是一对一的对决。

这就是网上爆红的那段你和那个可怜女孩的视频。

没错。所以我去了全国赛，在那里认识了很多其他孩子，我们会通过 Google Hangouts 保持联系。这种情况一直延续到高中。数学和编程尖子生有暑期夏令营。那些人中的很多都是我最好的朋友。我和他们中的许多人一起创办了 Cognition。

正如你所想，他们大多来自 Cupertino，或者华盛顿特区附近、就读于 Thomas Jefferson 的，要么就是在纽约读 Stuyvesant 的。我来自路易斯安那，但我仍然觉得自己和他们更为相似。我们的关系一直非常紧密。我就是这样认识了 Jesse Zhang、Johnny Ho、来自 Hyperliquid 的 Jeffrey Yan，以及来自 Scale 的 Alexandr Wang。Jeff 是我在高中和大学时最好的朋友之一。Alexandr 则像是我从初中起最好的朋友。他来自新墨西哥州，从这点上来说，我们俩有点相似。

三年级的小吴赢得了九年级数学组冠军。（2006年）

你为什么从棒球转到了篮球？

我一直同时参加数学和编程竞赛，但我更擅长编程。我更喜欢编程竞赛，有几个原因。实际的题目更对我的胃口。数学方面，我非常擅长概率、组合数学、计数问题，基本上和策略游戏很像：计算不同的选项，理解什么会导致什么。相比之下，几何我也还行，但没那么喜欢。编程题在所有问题上都更像组合数学。

还有就是……数学里有那么多术语。比如，哦，这里要用 Pascal's principle，或者这里要用 Brahmagupta Theorem，之类的。说来也怪，有一点对我来说一直挺一致的，就是我从来没学过这些东西的名字。我一直都是在直觉层面思考——比如，当这个成立时，那么因此那个就必须成立。我经常不知道某个东西叫什么，或者它是什么定理。它只是感觉像某个更广泛的、普遍真理的一个实例。

就发生在昨天，我们有一个关于 quantization-aware training 的研究汇报。他们讲了一堆术语，我说：“抱歉，我不知道这些术语是什么意思。但你们说的其实就是先做这一步再做那一步的那个部分，对吧？”我想我一直都是用更直觉化的方式思考问题。我觉得这有点不寻常。

而编程显然在于它非常实用。我记得当时为了备战 MathCounts 全国赛，自己写了一个程序来给我出不同的速算题。我会玩自己做的这个游戏，用它来训练。意识到你真的可以去动手构建东西，那种感觉很棒。

这么说，你三次拿到 IOI 金牌，成为后辈的教练和导师，你有一个遍布各地的天才数学和编程朋友网络，然后据我所知你从高中辍学了。这合法吗？

严格来说我是毕业了，但我在高二结束后就离开了高中。加利福尼亚州的童工法规定，你必须年满18岁或者拥有高中文凭，才能在该州全职工作。我意识到这一点是因为我想去湾区工作，然后我就搞清楚了要拿到文凭需要做什么。我做到了。

有一个问题是，为什么20世纪许多最伟大的数学家和物理学家——他们最终在 Los Alamos 或 Met Lab 一起工作，或者提出了支撑现代数学、物理学和经济学的模型——都是1900年左右出生在布达佩斯或其附近的中产阶级匈牙利犹太人。我记得是 Szilard 把他们统称为“Martians”。

在他关于原子弹的书中，Richard Rhodes 推测答案大致是：快速现代化的布达佩斯，加上已被同化但仍被排除在旧有等级体系之外的犹太中产阶级，加上优秀的学校和数学竞赛，加上重视智力卓越的文化，加上被迫迁徙到德国再辗转到美国，加上战时的科学机遇。这大概是人们能想到的最不尽如人意的答案了，但我想它或许是准确的。

既然刚刚把你比作 His Airness，我不会把你和你的朋友们比作 the Martians，至少不当着你的面这么说。但我确实想知道，是什么解释了这样一个创始人集群：他们一起参加 MathCounts 和 IOI，在 Google Hangouts 上保持联系，然后从哈佛辍学，进入 quant-firm 培训，接着抓住了 LLM 的机遇冲击——而且这些人都是华裔美国人，出生在千禧年前后。

我也想过这个问题。首先，我觉得我们非常幸运。对我们所有人来说，最酷的事情之一就是能够身处 AGI 的黎明。我认为这很可能是整个人类历史上最具变革性的事件。至少对我们这一代来说是这样。

我有几点想法。其一，我觉得所有事物在某个阶段都会变成 Moneyball。在扑克领域，七八十年代和九十年代有很多非常粗犷的人物，有点像好莱坞套路里那种有着坎坷过去的角色。他们打牌靠的是对游戏极深的直觉。他们确实会进行理性分析，但不会在外面像个 nerd 一样钻研概率。但随着时间推移，扑克演变的方向其实就是这样：它变得很数学化，现在很多最顶尖的扑克玩家都是很 geek 的数学高手。国际象棋也是如此，很多这类游戏都是这样。

我觉得创业也有类似的轨迹。过去有那种 Steve Jobs 式的典型形象。但现在，我认为尤其是 AI，某种程度上也包括 crypto，真的催生了这种非常技术化的典型画像。在人们谈论的所有 AI 大公司中，有很多都是由来自相当相似圈子的人掌舵的。比如 OpenAI。Greg Brockman 比我年长，但他参加了所有同样的竞赛。他数学排全美前24名。他入选过 U.S. Chemistry team，在 Chemistry Olympiad 上拿过银牌。

Mark Chen，OpenAI 研究团队的负责人，我们一起担任过 IOI 美国队的教练。Jakub [Pachoki]，他们的首席科学家，我以前经常和他比赛。他来自波兰，但我们参加的是同样的国际竞赛。Anthropic 的 Dario 入选过 U.S. Physics team。

长话短说：第一，显然有一种深刻的分析能力是可以迁移的。第二，尤其是在 AI 领域，拥有非常强的技术背景已经证明是极其有价值的，无论这好坏与否，因为你解决的问题是非常深的技术问题。但对我们这一届人来说，还有一个传染性的因素。这方面我要特别感谢 Alexandr [Wang]，因为他是我们这群人中第一个说“好吧，我要去创业”的人。因为我们彼此都很熟，关系很铁，于是大家就觉得，我们都应该去做这件事。Alexandr 和我在初中时有一个文档，我至今还记得，里面写的是创业点子。我敢肯定那些点子都很烂，但我们那时候就已经在想，将来某个时候我们应该开一家公司。

好吧，这解释了时机部分和智商部分。并非科技史上的每个时期都如此看重智商；AI 有个特点，就是做出重要贡献的人中， disproportionate 数量的人，比如 Noam Shazeer，也是数学奥林匹克冠军。也许智商这部分也解释了第一性原理的推理能力，比如能看得更远，看清这棵树往下延伸到哪里——你知道的，模型能好到什么程度或不能好到什么程度，scaling 和 RL [reinforcement learning] 会怎样发展，数据和算力会发生什么变化，等等。这点我理解。

但这仍然无法解释另一个层面，那就是你还必须成为一名领导者。你必须能够吸引其他非常聪明的人。在一群 Muppets 中，你必须明显是主角。在合影中，你必须看起来被打了不同的光。你必须有产品直觉和人际交往能力。如果每年只有25个这样的金牌得主之类的，假设这相关的窗口期是10年，那么从地球数十亿人口中，你最多只在几百人的池子里谈论。而他们中的绝大多数连一点创始人气质的成分都没有，更不用说同时具备好几项了。

这也是为什么我仍然对华裔美国人这个部分感到好奇，因为直到最近才出现这种情况。我在努力回避那个显而易见的答案，我会委婉地把它类比为犹太人与好莱坞。或者银行业。

感觉你在设套让我表现得像个自大的混蛋。

那是我的缺点，不是你的。我保证，没人会搞混这一点。

我觉得我的看法是，在我们这个领域里，真正重要的品质其实就两个：智力和饥渴感。你提到的其他东西，都是从竞赛圈筛选人的两个根本特质顺流而下的产物，这两个特质分别是：a）你非常聪明，b）你好胜心强，想把所有人都打败。如果你足够聪明，能够不断分析、调整，反思自己哪里做错了，下次做得更好；同时你又足够有动力，能够日复一日、年复一年地不间断这么做，那么我想，通常你都能把其他任何衍生的技能磨练得相当出色。

至于华裔美国人这个身份，我之前提到过，那种氛围某种程度上是会传染的。我们都非常、非常幸运能拥有彼此。很多人并没有意识到，创业其实也是他们的一条可选之路。我只是觉得我们很幸运，能够一起经历这些，见证彼此成长绽放。

我把话题带偏了，那我们加快一点。你17岁去了加州，那是哪一年？

好，根据加州法律你还是个童工，但因为你设法搞到了一张文凭而获得了豁免，Addepar 才能雇你。你在那儿干了一段时间，又和其他“火星人”一起去了 HRT [Hudson River Trading]，然后上了哈佛又退学，创办了 LunchClub，接着又创办了 Cognition。那将近十年的时间里，有什么特别突出的？

嗯。我是通过 Johnny [Ho] 认识 Vlad [Novakovski] 的。Vlad 当时是 Addepar 的工程副总裁。我做软件工程师，搞性能工程和优化。Addepar 有大量面向客户、财富管理公司的金融分析计算任务。我做的很多工作就是让系统跑得更快。在那儿待了一年多时间里，某些特定因子的计算速度提升了大概100倍。我也花了很多时间在招聘上，我想那年我可能是公司排名第二或第三的面试官，去 MIT 参加校园活动之类。所有应聘者都比我大，但我就在那儿给他们讲：兄弟们，你们得来 Addepar 工作，理由如下。

那时候你的商业头脑怎么样？

零。我人生大部分时间都在做数学和编程。我能做出东西，但至于了解世界是怎么运转的，我完全没有接触过。很多东西都要从零开始学。

然后我离开 Addepar 去了哈佛，待了大概两年。我主修经济，这有点好笑。我隐约知道自己不会毕业。我上了写作课、公共演讲课、哲学课，还有一门 CS 课。但我其实根本不在乎学校这部分。哈佛以前在期末考试前总会安排一个阅读周，整整一周大家都在赶论文、复习。我完全不在乎。我那一整周就是跟不同的人待在一起。他们很多人整个周都在学习，不见其他人。对其中不少人来说，我是他们复习期间唯一的放松。

当我向别人问起你时，除了竞赛、纸牌魔术和 Cognition 之外，这通常是他们最先提到的事。

她被诊断出四期肺癌。她吃了一种靶向药，吃了几年。后来出现了其他并发症和其他问题。

但人们提到的不仅仅是她去世了，而是你搬回家去照顾她。你护理她。

那大概……那是我人生中比较大的事件之一。【停顿】

我最后搬回了路易斯安那，疫情大部分时间我都在那儿陪她。我在家待了一年多。说实话，从某种角度上，COVID 对我和我哥哥来说是一种莫大的幸运，因为那给了我们一个机会，能在那段时间里多陪陪父母。

2021年，当一切开始恢复正常时，我开始花更多时间待在其他地方。我在迈阿密待了一段时间，然后又去了纽约。到了2023年左右，我妈妈病情加重，我就又回家了。

总的来说，那是一段很有意思的时光。对我来说，那在很大程度上是一个弄清楚我想从生活中得到什么的时期。我创办了第一家公司，经营得还可以，但算不上巨大成功。我休息了一段时间，去探索各种其他的想法。同时我也在照顾母亲。经历这一切是一段非常动情的体验。但那也是一个很有意思的时期，让我思考自己看重什么、在乎什么。我想让什么成为自己毕生的事业。

我和 Steven [Hao]、Andrew [He] 一起折腾了很多东西，也就是在了解这个世界。我们在 crypto 领域玩过一些有趣的东西，学习市场是怎么回事。在探索安全方面也有一些有意思的事情，比如学习 zero-knowledge。然后 ChatGPT 在2022年11月问世。那年的下半年，我们自然而然地把很多时间花在了深入研究 AI 上，认真思考这项技术接下来会发生什么。但我把那段时间看作几乎像是一次学术休假，因为我也花了很多时间陪母亲。

我母亲在2023年10月6日去世。我们在11月创办了 Cognition。

位于加州 Burlingame 的 Cognition 办公别墅。（2025年11月25日）

一方面，就你整个人生轨迹来看，训练我们的 AI 霸主如何编程，似乎是你生来就该做的事。但另一方面，这一切看起来又相当偶然。我猜在某种程度上我们每个人都是如此，但你怎么看待这种矛盾？

我可以讲一个事后回溯的版本，说这一切都是有意为之，但我觉得那并不完全是事实。实际情况是，我们当时在探索生成式 AI。ChatGPT 问世后不久，所有人都在讨论各种应用。那时候，大家最关心的大多是文本补全——很自然的心智模型是，这个东西用全网数据训练，任务就是补全某个网民会说的话。ChatGPT 就像是一个问答器，像这样。

除了认识很多实验室里工作的人之外，你怎么知道 RL 起作用的？

认识人是一方面，但我也一直在跟进研究，你能从论文里看出来。这是 AI 领域一个挺有意思的现象。人们以前会发表所有结果，然后这立刻在2022年11月停止了，因为他们意识到这东西可能具有很高的商业价值。但你仍然能看到那些在数学题目和代码等领域训练模型的工作。

当时有一些相当有趣的论文。简单来说，逻辑的下一步其实挺明显的，但还没有人把这一步发表出来。我们开始和不同的人交流，通过更多学习来理解这件事。我们逐渐想到，好吧，AI 在这种逻辑推理上会变得极其出色。那接下来会发生什么？这就是 Cognition 的萌芽。

但真正的启动器是 2023 年 11 月 17 日，也就是 Sam [Altman] 被解雇那天。

那天我和几个人在纽约吃午饭。我当时就在推销这个想法：推理能力正在大幅提升，RL 开始奏效了，现在可能是创办一个新实验室的好时机。那时候，这事还非常有研究性质——我们还没有明确的产品或商业模式方向。

然后那天下午，Sam 被解雇了。很自然地，我们就觉得，好吧。如果有什么时机该做这件事，那我们可能就应该立刻动手。我们本来就计划要做，而且很可能本来就会做。但这是一个很好的推动力，一个很好的 forcing function，促使我们加快步伐、真正认真对待。有时候这就是创业中你需要的东西。就是那个真正做出承诺的时刻，你会说，好吧，我们都创过业，都当过创始人，但这一次是重头戏。这是这辈子的大事。

于是我们飞到了湾区，组织了一个 hacker house。我们给认识的一堆从事 AI 工作的人发邮件、发消息。我们说，嘿，我们正在攒这个局，过来跟我们一起 hack 吧，咱们一起探索，看看能搞出什么。我们在加利福尼亚州 Burlingame 租了那栋房子。

Burlingame 这个小镇是以 Abraham Lincoln 派驻中国的公使命名的，他曾谈判签署了取消对美国华人移民限制的条约。

对，这挺有意思的。我们这里有一间会议室至今仍以那栋房子的地址命名。所以我们在那儿搞了大概两周。当时正值感恩节假期。我本来打算和我爸一起过感恩节，当时离我母亲去世才过了几周。但那时候我想，我必须现在做这件事。我们要把它做成。所以我取消了计划。结果那个感恩节能和朋友一起埋头 hack，还是挺美好的。

然后我们在十二月又搞了一个 hacker house。我们就这么一直持续下去，直到成立了真正的公司。实际上，在有了真正的公司之后还持续了很久。我们一直延用那栋房子直到今年一月。

你是什么时候决定 Devin 要以什么形态出现的？

我们一直把它设想成 coworker 的形态。显然，AI coworker 和人类同事之间有一些不同之处。但即使在两年前，当时 arguably 我们对这个概念来说还太早，那也一直是我们的看法。它会是一个 full agent，会有自己的机器，会自主完成自己的工作，会在所有相同的系统里干活，会和你一起出现在 Slack 里，出现在 Jira 或其他什么工具里，就是和你并肩协作。

甚至从名字上也能看出——我们决定叫它 Devin，而不是像工具那样命名，这是有原因的。我们一直把它看作一个能独立去执行任务的个体。随着事情的发展，我觉得对我们来说这一点越来越成为现实。两年前这多少还只是一种愿景；日常工作中你显然还需要对 Devin 进行大量的 handholding。说实话，我们现在已经到了你真的可以把它当作同事来共事的阶段。一个具体的例子是，目前我们有相当比例的 Devin 会话——或者说客户运行的所有 Devin 会话中——已经不由人类手动启动了。它们是自动运行的。

有些是出现了特定的触发条件，也有些是 Devin 在循环运行，寻找产品中某些看起来不对劲的行为或问题，然后主动去修复。但 Devin 不仅能完成你给它的任务，它们还会主动出去寻找任务来做。

你怎么知道一个 agent 或模型是在现实中变得越来越好、越来越有用，而不只是在针对评测和基准测试优化？毕竟模型变聪明到一定程度就会去钻这些基准的空子。毕竟我们都见过那种判断力极差、能力也不行，但 SAT 却考满分的人。作为一名竞赛考生，你可能也思考过这个问题。

一旦语言模型开始在 AMC [American Mathematics Competition] 上击败我们，剩下的事情就显而易见了。AMC 是一项非常难的高中数学竞赛。说到你的观点，在 sandbox 环境里工作和进入真实世界之间显然存在巨大差异。

不过，我更倾向于把它看作一种对可能性的 proof of concept，而非直接的应用。要解决这些非常难的问题，你需要发展出大量的基础逻辑推理能力、很强的创造力，以及把非常、非常长的推理链条串起来并确保它们全部自洽的能力。知道模型通过充分的 RL 和正确的训练数据就能做到这件事，已经相当清楚地表明，很多这类实际任务是可以被完成的。

这第一次发生大约是在 2024 年初，当时模型开始擅长这类数学问题。在过去两年里，你很大程度上看到的是同样的技术被广泛应用。我要指出一点：我不认为过去两年在 attention 的规模上、甚至在 RL 本身上出现了什么巨大的突破。如果说有什么变化，过去两年发生的其实是另外几件事。

一是单纯的 scale：更多的 compute、更多的数据。但除此之外，很大程度上其实是在弄清楚如何解决世界各地的人们每天都在面对的实际问题，弄清楚如何针对这些评分标准训练模型，帮助模型理解对某项特定任务来说什么是好的、什么是不好的，然后在真实世界中部署，并构建出能真正带你抵达目标的产品体验。实际上，正是过去两年这种繁杂的、务实的工作，才带来了 AI 使用的爆发以及人们从 AI 中获得的价值。这比任何纯粹的研究者技术层面上的东西都要关键。

模型智能什么时候才能不再那么参差不齐？它们什么时候才会停止犯那种非常愚蠢的错误？

或许可以这么说：我觉得它们永远会是 jagged 的，但这种参差不齐会在某个层面与人类产生交集。这是有道理的，因为如果你问人类被训练来做什么，那是很不一样的，你自然应该预期因此会产生不同的能力。最明显的例子可能就是在物理世界中工作，与从事知识工作和思考之间的对比。

模型是用互联网上所有的 tokens 训练出来的，所以它们先在知识工作方面表现得更好，这当然是合理的。而人类呢，你最先要学会的是走路和说话，我们更多的神经元都用于这类问题。所以我认为那种参差不齐永远都会存在。一个有趣的问题是，相对于人类来说，模型可能是参差不齐的，但在所有这些人类近乎完美的不同能力上，模型是否依然能做到同样好或者只是略胜一筹。我们在那方面已经接近理论极限了，而在另一些人类根本就天生不擅长的事情上，经过优化和训练的计算机则会表现得非常出色。

说来有趣，就编程和数学而言……人类居然能解数学题，这在某种程度上堪称奇迹。我不知道在穴居人的生存经历中，究竟是哪一部分让我们认识到数学很重要。但它就是存在了。从这个意义上说，那些真正专注于编程——也就是与计算机对话、告诉它该做什么的艺术——的模型，经过训练后能在这方面比人类做得更好，这或许并不那么令人惊讶。从这个角度看，编程恰好成为首个伟大的 AI 应用场景，也并非多么疯狂的事。但我要说的是：这与其说反映了计算机智能，不如说更多地反映了人类智能。

我听说业内有人认为一切都会趋于融合，意思是模型公司会进入应用层，而应用层公司也会涉足构建前沿模型。是什么阻碍你们成为一家模型公司呢？

我认为对一家公司而言，专注非常重要。你可以有不同的职能、不同的垂直领域。但我觉得你只能有一个目标。你不可能是一家既想做这个做那个，同时又试图解决某个基础性研究难题的公司。如果让我说 Cognition 的唯一目标是什么，那就是让全世界每个人构建软件都变得容易得多。这是我们追求的目标，我认为这与一家基础实验室的目标是不同的。

为了追求这个目标，我们需要在模型训练上投入工作，也需要在产品上投入工作。但那就是我们的根本目标。我认为一家公司的 DNA 在某种程度上是相当固定的，比人们通常预期的还要刚性。使命可以随时间改变，但幅度没有你想象的大。到了某个阶段，公司里的每个人都只会思考一件事：你服务的客户、你构建的产品、你运作的商业模式。所有这些都根植于某一件特定的事情上。

所以是的，我认为正如你所说，双方都会继续扩张并开枝散叶。但我们这样的公司——其真正存在的意义是将 AI 编程的益处带给全世界的人——其核心 DNA，与那些真正更专注于推进研究本身前沿状态的公司，将会相当不同。

我们真的很喜欢扮演瑞士的角色。这有几个原因。首先，我们把自己所做的工作视为构建必要的基础设施，从而成为企业可以信赖的合作伙伴，帮助它们弄清楚如何才能跑得更快、交付得更多。所以，坦率地说，我认为保持中立很有价值。你在 Databricks 和各大云厂商身上多少能看到这一点，但在这里我认为情况甚至更加极端，因为把信任全部托付给某个特定模型是一件可怕的事。没人知道 12 个月后谁会拥有最好的模型。因此，我认为通过与所有不同的模型合作，在特定用例中哪个最好就用哪个，我们能够快速适应，并帮助合作伙伴理解它们在工作中应该如何使用不同的模型。我觉得这非常重要。

不过除此之外，我还想说，现在科技界确实存在一种论调，大意是，哦，为什么还要开新摊子？现在真的还值得从零开始造东西吗？好像公司只能有这么多，因为现有的公司会把一切都吃掉。硅谷有一种犬儒主义已经走得太远了，质疑是否还有可能从零开始构建有意义的新事物，我认为这完全是被误导的。所以，我们也只是享受聚在一间屋子里、亲手做出伟大事物的挑战与雄心。这样更有趣。

在 AGI 的世界里，人类的天才是什么样子的？

我认为对 AI 领域的每个人来说，最大的指导原则之一就是人脑的存在。我们对人脑并非全知，但我认为我们已经了解得足够多，可以说它归根结底只是电路——基本上是一台肉做的计算机。关于这是如何形成的，显然还有很多细节和有趣的问题。但在 AI 领域，我们直接把自己的电路称为“神经网络”，因为它们就是以大脑中的神经元命名的。

你可以从人脑的连接方式中看到，它们能够学习并解决一些极其困难的问题。接下来要意识到的是，只要有足够的时间、足够的规模和足够的能量，我们应该能够造出电子大脑，其运作方式与人脑基本相同，只不过我们可以造出更多，或者增加更多电路。人们总爱问，那么有什么事是人类永远能做而 AI 做不到的？这有点好笑，因为人们此前提出的八项答案，在过去几年里已经被证明是错的。

我记得以前人们会说，没错，也许计算机能下国际象棋，但不可能下围棋——计算机永远不可能下围棋，因为它需要对世界有某种深刻的直觉和深刻的理解，而计算机根本无法把握。显然，事实并非如此。解数学题、写代码、接收全新信息并证明新定理，也都是一样。在 AI 的发展中，我们已经跨过了这些节点。至于你问的人类心智将扮演什么角色，我认为从长远来看，不会存在任何一项能力是人类能做而 AI 永远做不到的。

然而，我认为人类体验本身具有大量的内在价值。我的联合创始人 Walden 说：“我们一直活在 Minecraft 的生存模式里，而接下来我们将活在创造模式。”我认为这话没错。我们都有欲望，有想要建造的东西，有自我表达的方式，有寻找快乐与意义的途径。我们仍然会想要去做那些事。而现在，我们将有 AI 在身边，能够解决极其困难且影响力巨大的问题。

但人类其实并非肉做的计算机。我们拥有诸如尊严之类的东西，在我们共同所属的传统中，尊严是平等地赋予每个人的，与其能力无关，因此它无法被超越。我们在特定的时间出生于特定的父母、特定的地点，被赋予了名字。我们来自某个地方。我们在很大程度上由那些我们未曾选择的记忆所塑造，而正是这些记忆塑造了我们理解意识的核心要素，比如“家”的概念。

如果这一切都只是可复制的电路，那么诉诸“内在价值”不就是一种镇静剂吗？或者说是一种逃避？

我们刚才讨论的那个版本，更像是 AI 发展长期的终局。在中短期内，AGI 并不是非黑即白的——它更像是一段攀升。在未来一段时间里，会经历渐进式的阶段：它能做所有这些事了，但还做不到那一件。然后我们会解决那一件。出于这些原因，我认为许多这类高语境的、通用型的任务——在这些任务中，你必须对全球正在发生的事有大量了解，吸收海量不同的信息，并得出正确的直觉性结论——在中短期内仍是人类占优的领域。随着时间推移，如果 AI 拥有与人类相同的语境，并且目标一致，那么它最终应该也能达到。

而现在，我认为我或任何人类最大的优势之一，就是我们都能获取的丰富的软性语境。如果我想想我们在 Cognition 每天做的工作，或者任何一家公司的工作，其中有很多内容并不仅仅是从零开始解决一个基础逻辑问题。在纯逻辑层面，AI 基本上已经能在其中大部分事情上和任何人类一样好了。

另一方面，如果让我回想我们日常所做的每一个小决定，或者我们选择做事方式的原则，又或者是这样的历史背景——“这就是我们最初如此架构系统的原因，但自从这项新技术问世后，我们决定转向另一个框架”——又或者是“我们在 Cognition 具体做事的方式与大多数其他公司有何不同”，所有这些都是人类进行上下文理解和信息检索、并能够调动所有这些知识的能力真正非常强大的地方。

我倾向于说，检索是我们真正最擅长的事情之一，这其实也有点回应了你关于记忆的观点。如果你将模型与人类大脑相比，模型有一个 context window，有它能看到和读取的 token，有它可以调用的工具，而检索可能就是这些工具之一。我们的 context window 要差得多。对此我常开玩笑说，双重验证的六位数密码，如果变成十位数的，我不知道我们还能不能应付。我们的 context window 就是这么短。

另一方面，作为人类，你有一种非常美妙的方式：打开一份代码文件，突然就被一段回忆击中——对了，四个月前我在做这部分的时候遇到过一个 bug，当时发生了这样的事。而这正是你处理这项任务时恰好需要知道的信息——

程序员版泡在茶里的玛德琳蛋糕——

——或者你正在和某人交谈，然后突然想到，对了，七个月前你不是说过一些关于这个的事吗？这与原始的 context 不同。它实际上是积累并理解我们所经历的一切中那些软性的上下文信息。我认为这就是目前人类相对于 AI 的主要优势。

目前，围绕这一点，AI 领域有几类问题正在被人们研究。其中之一是 embedding search，这在某种程度上是字面意义上的对应：面对一个庞大的数据库，里面包含所有过往对话、各种不同的代码文件，或者任何你可能要搜索的数据，你如何准确检索出与当前搜索目标最相关的那些片段？

但还有另一个正在积极推进的方向，这个领域的大多数研究者称之为 continual learning。它的含义——我认为这更接近人类心智的运作方式——是 AI 如何根据所学内容更新自身的 weights？有一个普遍的概念是“一起激发的神经元会连接在一起”，也就是说，你希望 AI 在进行对话的过程中能够实时更新自身的 weights。理论上，这应该能让它在接下来的任务中进行回忆。这些都是当前正在积极探索的课题。我认为，也许在不久的将来，AI 就能做到这一点。但就目前而言，人类在这方面依然占有优势。

在某种意义上，解决 AI 的问题确实就意味着解决认知的问题。要在脑海中真正消化这一点是很令人震撼的，因为在人类历史的全部进程中，我们始终生活在这样一种事实中：我们可以加速这件事或那件事，但仍然需要有人类亲自去解决问题本身，并想出该如何去做。仍然需要有人类去发明东西。

到目前为止，我们一直认为人之为人最核心的部分，是思考和解决新问题的能力。而这种层面的改变并不意味着坏事——我认为拥有能够在这方面帮助我们的 AI 将会是一件非常好的事情。用诗意一点的说法，AI 就是那根杠杆，它将确保我们的梦想不必永远只是梦想。但回到你的观点，现在也确实是时候去认真重新思考并重新聚焦于什么让我们成为人类了。

我想打个比方。如果你想想我们几百或几千年前的祖先——他们会怎么看我们？他们会看到我们敲着电脑键盘，然后走进一个房间和其他人聊聊天，我们就把这叫做会议，把这叫做工作。与此同时，他们却要一周七天在田里劳作，只为确保自己有足够的食物。

让我们走到今天这一步的变化，基本上在于我们搞清楚了如何自动化纯粹的体力，也就是说，人类得以从事主要基于自身知识和思考的工作。一句话概括，这就是过去 200 年为人类所做的事情。而现在我们面对的是即将解决纯粹脑力的问题。这会带来什么？举些轻松点的例子：你想要既营养又美味的披萨？你想要一辆 Ferrari？想扣篮？好吧，现在都可以了。

更严肃地说，我认为这种从生存模式向创造模式的转变是正确的方向。这不会发生在未来两三年或四年内，但它正在到来。到了某个时候，你真正受到的限制将只有你的想象力，以及你关于如何度过一生的想法，而那将是完全不同的人生。回到你的问题，我认为很大程度上那将是纯粹的自我表达。人们将能够过上自己想要的生活。将梦想转化为现实的瓶颈将会大幅收窄。而我们当下的生活方式，到时候看起来会很疯狂。

当我第一次听到这个问题时，我立刻想到的是过去许多技术革命。在硅谷，我脑海中浮现的是移动电话、互联网、云计算、个人电脑。但你也可以一直回溯到电力或工业革命。虽然我认为 AI 规模更大，而且在形式上可能与其中很多有所不同，但实际上从高层视角来看，它们有很多相似之处。从长远来看，它是一种极其强大的能力，能够改变我们所有人的生活，让我们做到更多。我想我们都认同，能够过上我们如今的生活，而不必把 90% 的人类劳动花在耕种上，已经是一项非常伟大的创新。

另一方面，在中短期内，我认为会出现真正的摩擦。如果说我最大的担忧，那甚至不是 AI 本身，而是这一切发展速度所带来的摩擦。这很大程度上指向一点：必须极度重视对全球民众的良好教育——人们应该如何使用这项技术，它如何能让生活变得更好，以及如何让所有人同步跟上。我认为糟糕的结果是出现这样一种情形：在相当长的一段时间里，只有旧金山或其他地方的精英阶层能够使用它，而其他人则不能。又或者举个我们这几周都在经历的具体例子：如果模型具备非常强大的网络能力，但世界上很多地方却没有像那些聪明的黑客用于进攻那样，将这些能力用于防御，那么你就会进入一个平衡变得非常棘手的局面。

因此，让全世界都理解这项技术、能够使用它并与之协作，实际上是至关重要的。很大程度上这取决于我们能让人们以多快的速度为此做好准备。工业革命经历了多代人的时间才完成。那是一个非常渐进的过程，人们随着时间慢慢学习，这些变化逐步成为人们世界的一部分。而现在我们看到的速度比那时更快。

我认为人们能够适应，而且我们会发现各种新技术让生活变得更美好的领域——比如药物研发，比如让披萨既美味又完全营养，比如我们日常使用的所有技术。但这确实意味着人们需要紧跟事态的发展。在很多以往的革命中，即使你晚了两到五年才采用，你基本上还来得及。但这一次，必须更快。

如果你并非真正从事 AI 工作的人，确实很难去设想这一切。这也是为什么我们这些局外人往往觉得许多 AI 领域的大人物在胡说八道——至少当他们展望未来时是这样。

我常想到 METR 的一项研究，它显示如今 agent 在需要被打断之前，已经能完成数小时的人类等效工作，而且这一时长每隔几个月就会翻一番。过去这几年里，agent 就是这样从只能工作几秒发展到能工作几小时。显而易见的问题是：如果这种趋势持续翻倍会怎样？从几小时变成几天、几周，再到一年。

说来好笑，我们已经亲眼见证了这条曲线从秒到分钟再到小时的演变，但它仍然让人觉得近乎陌生。说到人类思维不擅长的事——我们确实很难去思考指数曲线。如果一个 agent 能完成一年的工作量，这意味着什么？你给它布置一项任务，它说“交给我吧”，然后第二年回来时，任务已经做完了。这听起来很疯狂，但我认为我们会走到那一步。

我觉得很多 AI 圈外的人总有一种感觉：哇，曲线飙升了，但到这里就会停下来、进入平台期。然后曲线再次上扬，他们又说，好吧，但这才是天花板。我认为，身处 AI 圈内的人感受不同，部分原因在于你能看到曲线上的每一个微小数据点。你知道它是怎么走到今天的。而且过去三年里，这并非靠 14 项突破实现的，也许只有一项。但我们清楚，如果继续沿着这条路走下去，不断推动能力边界，还能做到什么。而这一点，即便是对每一个深陷其中的人来说，也依然难以真正把握。

你能在多大程度上帮我自动化掉日常生活中的苦差事，好让我重拾最爱的消遣——抽大麻、看着草地发呆？

［笑］简单来说：一个人一天能冒出多少想法，其中又有多少真的能付诸实践？在比例达到 100% 之前，执行层面的苦差事始终存在一个相当严重的瓶颈。我觉得现在离 100% 还差得远——大概只有 5% 吧。你脑子里有各种各样想做、想搭建、想尝试的东西，但实际上真要去做，难度要大得多。

我认为这正是 AI 将要解锁的重大变革之一。在软件领域尤其如此。我从未见过哪个工程团队会觉得：行，这个月我们发布这个项目，下个月就全部完工了，再也不用写软件了，我们想做的都已经做完了。实际情况永远相反——你有 85 个项目，却只能挑 6 个来做，因为你的带宽就只有这么多。而未来我们会看到，更多人将能够去做所有他们想做的事。

当人们说他们热爱开发软件时，热爱的到底是什么？事实上，这份工作里有 10% 是真正能表达自我的部分——思考每个问题你要如何取舍，选用什么架构，你想打造的具体产品是什么。而另外 90% 则是枯燥的码农活和工程执行。当人们说他们真的热爱开发软件时，通常吸引他们的是前者。

每个领域都一样，我们终将抵达一个节点：你能把自己真正热爱的那 10% 多做十倍。

最后一个问题。我对这样一类人很感兴趣：他们以各种方式被神灵眷顾，抑或被赋予了负担。他们拥有某种天赋。当然，他们可能也很努力，生于良好家庭，上过好学校，遇到了优秀的朋友和导师，交了好运，生在恰当的时机，做了 Malcolm Gladwell 要求他们做的一切以取得今天的成就，等等。但归根结底，存在着那份天赋。那是他们生命中的刀锋。它可被用于善，也可被滥用。它可能被挥霍，也可能被压榨。它能做到你所说 AI 将做到的事——让你所有的梦想成真。也可能被碾入尘土。它会毁掉你。

所以我想知道：作为一个被赋予天赋的人——那是一台十六缸的数学大脑，再撒上一把盐——你认为自己正在选择用这份天赋做什么？你选择得明智吗？

简单来说……AI 有可能是人类历史上最重要的事件，而编程正是它学习如何在现实世界中行动和构建事物的方式。如果冥冥中注定我要做一件事，如果我在这里是有原因的，我想那就是成为教 AI 编程的那个人。

我可能会失败。如果事实证明我并非注定适合这个角色，我显然会难过，因为我争强好胜，又特别容易较真。但我真正无法与自己和解的世界是这样的：我明明拥有一件与我天生热爱和在乎的一切完美契合的事，又幸运地具备一定天赋，却没能全力以赴。那种因为不够努力、或者缺乏动力去做的结局，会让我无法再面对自己。

是的。来，我们该尝尝这些草莓了。

更正：本文此前版本未能充分澄清，针对 Mew2King 的一项指控不实且已被撤回。相关句子已作修改。

Jeremy Stern 是 Colossus 的主编。