基于 Mallaby 中欧分享的延伸思考
最近这波 OpenClaw 热潮，让我想起一个老问题：技术的真正价值，到底在哪一刻才算兑现？
Mallaby 在中欧的分享里，有一句话我反复咀嚼：AI 真正厉害的地方，不是”更会说”，而是”更会解题”。这句话看起来简单，但背后藏着一个很深的判断——我们现在正处于一个从”对话时代”向”执行时代”过渡的临界点，而这个过渡，远比大多数人想象的要复杂。
我想从原文的三个点出发，往深处走一走。
路线依赖的另一面：不只是”迟疑”，更是”认知的自我封闭”
Mallaby 对 DeepMind 的观察很精准：过去太成功了，反而更容易相信自己原本那条路。AlphaGo、AlphaFold 的辉煌，让 DeepMind 对强化学习和复杂推理路径有一种近乎本能的信任。
但我想把这个观察再往前推一步。
路线依赖的本质，不只是”惯性”，而是一种认知的自我封闭机制。当一个组织在某条路上取得了足够大的成功，它不只是”更相信这条路”，它还会开始用这条路的逻辑来定义”什么是好问题”、”什么是真正的智能”、”什么样的进展才算进展”。
这才是最危险的地方。
DeepMind 在 Transformer 架构崛起的早期，并非没有看到信号。问题在于，它的评价体系——那套从博弈论、强化学习、复杂系统里生长出来的智识框架——让它对”大规模语言预训练”这件事天然地持保留态度。不是因为笨，而是因为太聪明了，聪明到用自己的框架把新信号过滤掉了。
这个现象在科学史上反复出现。量子力学刚出现时，最难被说服的往往不是普通物理学家，而是那些在经典力学上建树最深的大师。爱因斯坦终其一生都无法接受量子力学的概率诠释，不是因为他不理解，而是因为他的整个物理直觉都是在决定论的土壤里长出来的。
所以，当我们今天看 AI 公司的竞争，不能只问”谁的技术更强”，还得问一个更难回答的问题：这家公司的认知框架，是否还能容纳下一个范式转移？
OpenAI 的优势，某种程度上恰恰来自它相对”浅”的技术积累——它没有太多需要捍卫的智识遗产，所以在 Transformer 这条路上走得更彻底、更快。这不是讽刺，而是一个关于组织认知灵活性的真实观察。
Agent 的真正门槛：不是能力，而是信任
OpenClaw 这波热潮，让”Agent”这个词第一次真正进入了大众视野。但我觉得，大多数讨论都停在了错误的层面上。
人们在讨论：Agent 能不能完成任务？能不能写代码、搜资料、发邮件？
这些问题当然重要，但它们不是 Agent 时代真正的核心问题。
真正的核心问题是：你愿意把多大的权限，交给一个你不完全理解其决策过程的系统？
这是一个信任问题，不是能力问题。
想想我们日常生活里的类比。你愿意让一个刚认识的人帮你拿快递，但你不会让他帮你管银行账户。不是因为他能力不够，而是因为信任还没建立到那个层级。Agent 面临的，是完全相同的问题——只不过”信任”这件事，在人与人之间有几千年的社会机制来支撑（合同、声誉、法律责任），而在人与 AI Agent 之间，这套机制几乎是空白的。
工信部对 OpenClaw 的安全提醒，触碰到了这个问题的表层：默认配置、不清晰的信任边界、缺失的权限控制。但更深的问题还没有被充分讨论：
当 Agent 开始持续运行、自主决策、跨系统调用资源，谁来为它的错误负责？这个问题的另一面是Agent 的身份困局——当底座模型可以随时更换，Agent 的”人格”和决策风格也会随之漂移。
这不是一个技术问题，而是一个制度设计问题。
传统软件出了 bug，责任链是清晰的：开发者写了有问题的代码，用户触发了它，损失可以追溯。但 Agent 的决策是涌现的——它在运行时根据上下文动态生成行为，没有人能在事前完整预测它会做什么。这让传统的”产品责任”框架几乎失效。
更麻烦的是，Agent 的错误往往不是”崩溃”，而是”做了一件看起来合理但实际上有害的事”。这种错误更难被发现，也更难被追责。
所以，原文说”治理不是拖后腿的刹车，它必须得越来越像一套新的传动系统”——这句话我完全认同，但我想补充一点：这套传动系统，不只是技术层面的权限控制，更需要在法律责任、审计机制、用户知情权这些维度上同步建设。
Agent 时代真正的竞争壁垒，不会只是”谁的 Agent 更聪明”，而是”谁先建立起让用户真正敢用的信任体系”。
拖拉机效应：技术扩散的速度，从来不只取决于技术本身
Mallaby 在回答律师行业问题时，提到了一个很有意思的例子：1910 年发明的拖拉机，直到 1960 年才被大多数美国农民采用。一项通用技术，花了整整 50 年才完成社会整合。
他的意思是：AI 不会像拖拉机那样慢，但也不会一蹴而就。
我想在这个基础上，做一个更细致的拆解。
技术扩散的速度，从来不只取决于技术本身，而是取决于技术与现有社会系统的摩擦系数。
拖拉机为什么花了 50 年？不是因为农民不知道它好用，而是因为：农场的土地结构需要重新规划、农业信贷体系需要适配新的资产形态、农民需要学习新的操作技能、农村的维修服务网络需要从零建立……每一个环节都是摩擦，每一个摩擦都需要时间消化。
AI 在不同行业的扩散速度，会因为摩擦系数的不同而产生巨大差异。
摩擦系数低的地方：软件开发、内容创作、数据分析。尤其是当AI 助手从软件变成随身设备之后，这些领域的效率提升还会进一步加速。这些领域的从业者本身就是数字原住民，工作流程已经高度数字化，AI 工具可以直接嵌入现有工作流，几乎没有基础设施层面的障碍。这些地方的变化，已经在发生，而且会很快。内容这条线尤其明显——很多人以为接上模型就够了，但真正决定能不能持续产出的，往往是 acquisition、framing 和 publishing 这条链有没有接稳。这个具体展开，我在《为什么很多人用了 AI 还是写不出持续内容？》里写得更细。
摩擦系数中等的地方：法律、医疗、教育。这些行业有大量的知识密集型工作，AI 在能力层面已经可以处理相当一部分，但行业的监管框架、职业资质体系、客户信任结构，都是巨大的摩擦源。Mallaby 说律所会从 80 人缩减到 16 人，这个判断方向是对的，但时间线可能比他预期的更长——不是因为 AI 不够强，而是因为法律服务的信任机制太复杂，客户不只是在买”正确答案”，他们在买”有人为这个答案负责”。
摩擦系数高的地方：制造业、医疗手术、基础设施运维。这些领域的 AI 落地，需要解决物理世界的接口问题、安全认证问题、以及极高的容错要求。这里的变化会更慢，但一旦突破，影响会更深远。
原文提到，中国 AI 的真正机会可能在制造业、医疗、物流、能源这些产业领域。我完全同意这个判断，但想补充一个视角：这些领域的机会之所以大，恰恰是因为摩擦系数高——高摩擦意味着高壁垒，意味着一旦有人真正解决了这些摩擦，就很难被复制。
相比之下，摩擦系数低的领域，竞争会更激烈，护城河会更浅。
“一人公司”的幻觉与现实
这波 OpenClaw 热潮里，”一人公司”是一个被反复提及的概念。一个人，借助 AI Agent，可以完成过去需要一个团队才能完成的工作。
这个判断在技术层面是成立的。但我觉得，它在商业层面被过度浪漫化了。
“一人公司”的核心假设是：工作的瓶颈在于执行力，而不在于判断力。
如果你的业务主要是执行——写代码、做设计、处理文档、管理流程——那么 AI 确实可以大幅放大一个人的产出。关键是选对适合你场景的工具。这是真实的。
但大多数有价值的商业活动，瓶颈不在执行，而在判断：判断市场在哪里、判断客户真正需要什么、判断什么时候该坚持什么时候该转向、判断如何在不确定性中分配资源。这些判断，AI 目前还做不好，而且短期内不会做好——不是因为模型不够强，而是因为这些判断需要的不只是信息处理能力，还需要在真实世界中承担后果的能力。
所以，”一人公司”更准确的描述应该是：一个有判断力的人，借助 AI，可以完成过去需要一个执行团队才能完成的工作。
这个描述里，”有判断力的人”才是核心变量。AI 放大的是执行力，不是判断力。
这意味着，AI 时代真正稀缺的，不是会用工具的人，而是有清晰判断力、能定义问题、能在不确定性中做决策的人。这种人，在 AI 时代的价值会更高，不是更低。
真正的问题，从来不是”AI 会不会”
原文的结尾有一句话，我觉得是整篇文章最重要的一句：
真正的问题，从来不只是”AI 会不会改变世界”，而是：谁能把它带进世界，又不把世界搞坏。
这句话背后，是一个关于速度与稳健性之间张力的深刻判断。
技术的历史告诉我们，每一次重大的技术革命，都会经历一个”野蛮生长期”——在这个阶段，创新的速度远超制度的适应速度，大量的价值被创造，同时大量的风险被积累。然后，某个临界点之后，监管、标准、社会规范开始追上来，行业进入一个相对稳定的成熟期。
我们现在，大概率处于 AI 野蛮生长期的早中段。
在这个阶段，最重要的能力，不是跑得最快，而是在跑得足够快的同时，保持对风险的清醒认知。
Hassabis 的故事之所以值得讲，不只是因为他聪明，也不只是因为他有使命感，而是因为他同时做到了两件看起来矛盾的事：他是最积极推动 AI 的人之一，同时也是对 AI 风险保持最高度警惕的人之一。
这种张力，不是软弱，而是成熟。
真正能穿越这个时代的人和组织，大概都需要学会在这种张力里生存。
写于 2026 年 3 月，基于 Sebastian Mallaby 中欧国际工商学院分享的延伸思考
