从进化论看算法演进史：当大模型帮助算法「繁衍」，一种新范式的诞生

陶哲轩解题，

用的是算法自进化智能体。

两周前，华裔数学家陶哲轩在 AI 的辅助下，与多名数学家一起，解答了尘封 50 多年的世界级数学难题 Erdos 。

国内鲜少关注到，陶哲轩所运用的 AI 工具，是谷歌在今年 5 月推出的 Google AlphaEvolve —— 一种基于大语言模型（LLM）的进化算法编码智能体（Evolutionary Coding Agent）。

AlphaEvolve 背后，是大模型让算法实现自进化的一种新范式。

而在中国，同样前沿的研究也正在百度进行——可商用的自我演化超级智能体，百度伐谋，也正在各行业落地。

本期内容围绕一个新趋势的学习：算法进化智能体。

嘉宾安南毕业于清华自动化专业，他将为我们梳理算法的演进史，以及在当下的大模型时代，算法的自演进机制将会如何改造社会的生产力和生产关系。

本期嘉宾：李安南 （百度伐谋产品负责人）

（️原版访谈的播客版，可前往小宇宙等平台搜索同名账号《卫诗婕_漫谈Light the Star》）

（以下是播客对话全文，经整理编辑后发布，全文共 9914 字。）

卫诗婕：帮我们通俗地理解一下，什么是算法？

李安南：算法本质上可以理解为一种数学的形态，它的承载形式是一段代码。比如说最简单的算法是一个加法器，我输入 1 和 2，它给我输出一个 3 。

之前有一部电影叫《模仿游戏》，图灵机时代最基础的逻辑就是这样。六七十年代会有一些更复杂的算法出来，比如排序算法——给它一大堆数字，怎么让它（按某种顺序）排排坐。当然算法会分好坏——比较差的算法可能要算 100 次，而一个好的算法可能只需要 5 次或者更短。

七八十年代，大家发现一些新的、基于概率、偏搜索式的的算法。

等到 90 年代，机器学习出来了，偏 model （模型）的数据驱动。最早可能 SVM 支持向量机，后面就是神经网络再到深度学习，规模大到一定程度以后，就有了大模型和最近的 Agent。

卫诗婕：什么叫机器学习驱动下的算法？

李安南：机器学习的逻辑更像是数据驱动的。比如说 1 + 1 到底等于几我不知道，但是我有一大堆样本，我从 1, 000 条示例里面能学会 1 + 1 = 2 。它不在乎中间的机理，就是纯靠数据学习到里面的特征。

卫诗婕：从机器学习到深度学习的算法，有什么样的变化？

李安南：更像是神经网络结构越来越深，以前可能只有两层或者三层，能描述一些简单的现象。等规模到达七十几层的规模，就能更好地描述人脸关键点识别、情感分类这样更复杂的逻辑。人脸识别就是一种算法。

卫诗婕：2025 年 5 月份， Google 发布了一个叫 Google AlphaEvolve 的算法编码智能体，它是一种基于大语言模型的进化算法智能体。讲讲你对 AlphaEvolve 的观察？这是不是开启了一个新范式？

李安南：如果大模型的能力已经提升到一定水平了，那（让大模型写一段算法这个任务）是不是就可以视为一个算法。比如说输入的是需求，希望你帮我优化一段人脸关键点识别算法，输出就是算法本身。这个事情也是有迹可循的，因为这种可明确评估的问题大概率都会被 AI 解决。

其实 AlphaEvolve 前身是谷歌 Deepmind 团队有个叫 Funsearch （的研究）。之前在大模型能力不那么强的时候，（用大模型）优化的是一个具体的、小的算法，确实也取得了一定的效果。同期也有一些实验室，包括香港城市大学 EoH ，核心逻辑也是一样。但是随着大模型的算法 coding 能力提升之后，这件事就更大有可为了。

百度内部也是一样：我们去年12月就在做内部的探索，当时因为大模型 coding 的能力没那么强，我们发现通过自动迭代的形式能把一个 prompt 修复写得更好。今年大模型 coding 的能力有显著提升了之后，让它（Agent 智能体）自动改一个算法，这件事非常呼之欲出。

卫诗婕：网上的一些资料说，Google 推了 AlphaEvolve 之后，先是把自己当小白鼠，在自己内部庞大的业务当中很多地方都有应用，但我看国内对于这件事情的关注很少。

李安南：对。谷歌内部在用，它的 paper 也对外披露了。但感觉它更核心的还是在科研上，会和陶哲轩这样的数学家去合作，发现一些新的理论，这部分声量还是挺大的。只不过大家没有关注到陶哲轩用的其实是谷歌 AlphaEvolve 。

卫诗婕：这很有意思，用大模型去跟最顶尖的数学科研合作的过程，有一点从 AGI 到 ASI 的意思。目前， AGI 的一种理解是——大模型 AI 的智能可以是全人类智能的总和。但如果有一天，我们用大模型的能力探索出了人类现在还没有探索出的研究成果，就到达 ASI 了，是这样吗？

李安南：没错，这个事其实非常 promising 。尤其是陶哲轩给的逻辑，很多时候倒不见得一定是人想不到，但就是没有那么多的人。有了这样一个工具以后，其实是能把陶哲轩的能力放大很多倍的。

百度伐谋相较于谷歌，更关注的是产业界，因为产业界有一些更高难的调度类、预测类、机器学习类的问题，这些问题特别适合让伐谋以及这样的 AI 智能体在算力 scaling up 的形式下把它给解掉。

卫诗婕：百度是被 AlphaEvolve 启发了才做这件事吗？

李安南：大的方向应该还是一个趋势，去年 12 月份已经在做一些类似探索了，只是当时 coding 能力不那么大。

卫诗婕：之前我的节目也做过一期关于 coding 能力演进的讨论（播客第42期）。嘉宾提出在 Claude sonnet 3.7 之后， 大模型的 coding 能力实现了质的突破。你认为算法进化智能体，这件事的转折点是什么？为什么这件事今年能做了？

李安南：这个还挺有意思的。一般大家提到 coding 都会提到 claude ，实际上在偏 research 或者算法的场景下，Gemini 才是最好的模型。一个算法工程师的画像和一个开发工程师是有一定区别的。算法工程师可能更看重的是聪明劲，年轻的、有更好学历背景的。很多的 idea、 insights 能转化为好的算法。开发工程师更吃经历，真的应对过复杂的系统。算法工程师是偏后端的一个具体的小模块，开发工程师是后端加前端，并不是所有的软件一定得有算法，但是一般来说我们会认为更高价值的，比如说广告系统、搜索系统，里面最核心的其实是策略算法。

卫诗婕：你刚才的意思是，对于算法工程来说， Gemini 是更好用的；从开发工程来说， Claude 是更好用的？

李安南：对，我再举一个例子，比如说大家一直会提 cursor 好用。工程特别复杂，上下文巨长，它可以看到很多前后的关系，这样改动的时候不至于说改 a 的时候 b 就坏了，这可能是工程上一个非常重要的能力，算法上不一定需要这样的能力。

卫诗婕：所以 Gemini 2.5 Pro 是「算法进化Agent」的转折点？

李安南：可以这样理解，它 3 月份发实验版的时候，我们当时就测了，发现确实有挺大的提升的。

卫诗婕：所以伐谋的工作中会用到 Gemini 吗？

李安南：对，如果是一些验证类的，外部开源类的工作确实是基于 Gemini 。如果是客户类有自己安全和隐私类的，（卫诗婕：那就只能用中国模型），对，有一定差距，但是过了一个 bar（界限），也都能用。

卫诗婕：必须要用中国模型的话，你们现在用的是多家的模型，还是只用百度自己的模型？

李安南：不同模型它的 idea 、思路方向不一样。所以大部分时候还是混用为主，比如 DeepSeek R1，加上百度文心大模型，也包括一些开源好的，比如千问还有其他的。这也挺有意思的，就算一模一样的 PROMT，一模一样的代码给到它（不同模型），生成的新东西也是不一样。

卫诗婕： 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）。

卫诗婕：今年百度世界大会我发现个小细节， Robin （李彦宏）今年是一个串场的角色，但「伐谋」的发布是他亲自讲的，而且好像很有热情。他原话是说，「今天我自己在讲伐谋这个产品，是因为我觉得它重要，而且我也很有激情想把它表达出来，让大家也能够知道这是一个什么产品，什么技术」。为什么他会对这个产品这么重视？

李安南：首先特别感谢 Robin 的支持。因为这个场景选的特别好。我们去年做了那么多的场景，在 to b 大部分还是聊天角色扮演，或者 K12 数学解题，或者电商的一些质检。这些环节虽然重要，但是价值有多大？「伐谋」现在选的场景是一个算法问题，它（的场景）就是 b 端千行百业的客户，最关键的一些决策类或者预测类的问题，如果有 1% 或者 5% 的提升，对这家企业来说就是产值的飞跃，或者说生产力的变化，它的价值非常明确。

我们也可以这样理解，一般一个算法工程师还是比较贵的，也是因为这个算法工程师能够为企业创造出对等的价值。所以从这个角度来讲，能够把 AI 用在这样一些高价值场景，是能够有更大的逻辑和价值的体现，这可能也是 Robin 想亲自把这件事讲清楚的原因。

卫诗婕：但凡算法要应用的场景一定是最核心的、业务价值最大的场景？

李安南：一般是这样，要不然也不值得把它抽象成一个数学问题。

卫诗婕：这件事的市场空间有多大？

李安南：比如说制造业。中国制造业特别发达，里面有特别多的中大型民营经济，市场非常的卷。如果产值能朝上提 5% 或者 20% 的话，客户整体的市场竞争地位就有非常大的提升。

卫诗婕：去年我和华为云聊，有一个点印象很深。工业领域有了前所未有的 AI 焦虑，都怕这一轮技术浪潮没有赶上，会在竞争当中处于劣势。所以大家对于这一轮 AI 的拥抱是前所未有的积极。不知道你们的观察是不是这样？

李安南：最近这大半年还是有一点变化。2023年的时候，大家肯定有焦虑。到了今年初，觉得 Deepseek 多快好省，赶紧接上 Deepseek 模型。之后客户的痛苦反而是（不知道）怎么把这些东西用起来。

每次伐谋跟客户做交流的时候，客户都很高兴能把 DeepSeek 模型资产真正地用起来，而且是用在一个非常好、非常有价值的场景。明年如果产业不断进步，可能又会迎来一次信心的高潮。

卫诗婕：要让大模型得以应用，必须要满足算力、算法、数据三者的条件。在工业场景里面，这三者都具备吗？

李安南：数据（层面）大部分大型企业在上一个时代基本上都完成数字化了。大模型生成代码是非常耗算力的，但是我把算法拉到本地之后，基于它本地的数据评测算法是效果好还是效果不好，然后把这个最终的结果再上传到云上。

这样的本地评估方案会更经济。数据不用出域保护了数据隐私，也不需要准备那么多算力芯片，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，同时又满足数据不出域的要求。

卫诗婕：我在今年年尾观察到了一股趋势，拥有云业务的厂商都开始走向企业，一起共建企业级的 Agent ，释放企业生产力。你作为业内的从业者，怎么看各家云生态在和企业共建企业级 Agent 这件事情，各家的风格、能力，生态上的差异是什么样？

李安南：从伐谋这件事，为企业客户做算法优化这件事来讲，更关注大型央国企重要场景、中型制造业的巨头，或者说垂直小霸王这样一些企业。一些友商，比如字节我理解它更像是一个公有云的逻辑，（追求业务）能更好地夯实自己的模型、平台。垂的地方可能相对会少一点。华为相对来说走的还是快一点，毕竟这个赛道是之前他们非常重视的。但（华为云的）核心逻辑还是靠人的算法工程师完成。

阿里比较有意思，他们也是分两块。一块是技术探索，他们出了一些相关的 paper ，核心还是早期探索的东西，一块是开源生态。

但是会发现，一些创业企业开始起来了。国内，包括一些研究机构，也包括海外有一些 YC 孵化的新创业企业，正在尝试用 AI 的方式来帮助企业解决一个算法问题，机器学习类的问题，海外还是走得更快。

卫诗婕：「伐谋」是一种算法自我演化机制的技术，解释一下这个算法自我演化机制到底是什么？

李安南：我尽量通俗一点。虽然最近好多 Agent 都管自己叫「自我迭代」或者「自我演进」的 Agent 了。但在我们看来，演化或者说进化这个概念应该是个群体概念，不是一个单 Agent 试了 10 次，有一些经验了，第 11 次能做得更好，这个只能叫经验积累，不能叫自我演化；我们想讲的是，把这个算法 Agent 放在了一个进化的环境里面，里面有不同的进化策略——智能体它可以自适应地去不同场景下，找到自动优化它自己的策略。

之前大部分自我迭代的智能体，类似于一家创业企业不断试错，这还是一个单体的概念。但伐谋或者 AlphaEvolve 这一类的逻辑更类似于 VC 的逻辑——现在不在乎具体每一个 Agent 的死活了。只要我的大盘概率是对的，

有一个 Agent 实现了 100 倍的回报，那整体系统就是 work 的。更接近于概率逻辑。

卫诗婕：你说用进化论的思路，来做 AI Agent 的演化机制的生态，怎么理解？

李安南：我们可以参考达尔文进化论，有 5 个岛屿，每个岛屿上有 10 个个体，个体之间可以繁衍。表现好的有更多的资格跟别人繁衍，表现不好的慢慢的就死掉了。经过 10 代， 100 代， 1, 000 代之后就优胜劣汰。这些岛屿上存活的就是在各个岛屿上最优秀的个体。如果我们在岛屿之间再做一些交叉，那我们可能慢慢的会实现一个全局最优的概念。

类比到算法 Agent 之间，可以用大模型，让算法和算法之间「繁衍」，生成新的算法；大量新算法之间，优胜劣汰，谁活下来不重要，只要最后有一个好的算法跑出来就行——我们实际上观察的，比如说 1000 多轮演化里，可能 80% 还是在爆 bug ，但只要有 10% 是在不断提升的，就 work 了 。

卫诗婕：你之前讲过一句话，千行百业的算法工程师工作其实是比较类似的，为什么？

李安南：因为基本上都可以抽象成四个步骤。第一个步骤选一个 baseline（基础算法）。第二步我们会针对一个新的情况，思考新的可能性，或者看一看其他的实现。第三步是怎么基于刚刚提到这些 idea ，再加上一个基础算法，形成一个新的算法。

第四步是做测评，跑一下 test case 验证集，看看效果分好不好。不好的 case 做一下 case review，看一下哪不好。这个时候再回到第一步，基于这套算法再改一次。这四个步骤都可以做 Agent 化的改造。对人来说，更关键的是把定义问题、评估写清楚，不断找新算法的过程就交给 AI。

卫诗婕：做一个简单的比喻，从 a 点到 b 点，需要找一条最优解的路径。如果已经现有一条路径，算法的优化就是探索另外一条能够更高效到达 b的路径 。大模型的 scaling up 就是可以同时计算好多条从 a 到 b 的路径，最后告诉你哪一条路径的概率是更大的。但你还是要通过人为的评估来确定他它算出来的这条新路径是不是更高效的。本质上还是给算法工程师们提效的环境和产物。

李安南：你可以理解为它是一个提效率和提效果二者并存。

卫诗婕：这个产品为什么取名叫伐谋？

李安南：孙子兵法里讲，上兵伐谋，「谋」本质上就是一个策略。「伐」就是攻克。解决一些更通用的策略问题，来实现更多的价值。

卫诗婕：我梳理了一下，大模型来了之后，产业里解决垂直场景问题所用的方式经历了一个演变。最早大模型开放 API 接口之后，垂类的场景可以接入某一个大模型做 SFT 微调。但是解决问题的能力不具有泛化性，放到 b 行业这件事情就不 work 了。你们现在做的事情，是希望把各个行业所需要用到的抽象算法能力，在大模型的能力加持之后，做整体的、通用算法能力的提升？建一个算法 agent 生态，让它能够自我演化？

李安南：对的，微调当时是有价值的，但是很难真正把千行百业真的全部服务一遍，过程非常慢，尤其还有数据的问题。所以我们想通过更通用的形式服务好这样千行百业的场景，尤其是各个领域的垂直小霸王（企业）。

卫诗婕：但是过往大家都会认为 To b 行业的落地是非常难做的。

李安南：主要还是因为现在还是一个非常早期的市场，我们大部分接触到的客户都会存疑。 AI 还能干这么难的事？但是我们试试的成本相对是比较低的，因为算法问题一般来说都是一个抽象小片段，做实验相对简单。我们就花短的时间把一个基础场景的算法做出来了，这个时候客户非常惊喜。

相对来说，这么做还有一个特点，不怕幻觉。目标如果是非常明确的，在评估以上效果就是非常好，审核人和 AI 是一模一样的方式。

还有很重要的一点是算法的持续优化。以前算法工程师是项目制的，一旦上线后，再有效果不好的情况，不太可能让那些专家再来诊断一次。但是如果交给 AI 来干的话，第二次出现情况的时候，只要让 AI 重新启动一次就好了，所以不只是一个提效的逻辑，更像是生产力或者生产关系的变化。

卫诗婕：让这些 Agent 跑起来，下面需不需要一个新的 Infra 结构承托生态？

李安南：没错。它其实核心还是 Agent Infra 的逻辑。如果只是一个单 Agent ，大模型的 Infra 已经足够它用了。但是伐谋这套体系，是一个更复杂的系统，未来要更大规模用在真正的、严肃的生产行业。

第一部分是我们之前讲到的，如何引导 Agent 解决一个难题，而不是容易陷入到局部最优，这里面有不少关键的策略算子。

第二部分是基础设施的逻辑。 API 调用这件事，如果只是单纯的一步一步的串行调用，互相等待的时间就太长了。如果能做一个更好的分布式调度，同时并行的做，把这两个步骤拆分开，能把 GPU 资源和 CPU 资源更极致的进行好的利用。在更大规模、更产业级的 agent 调用上 Agent Infra ，其实是非常大的体现。

卫诗婕：要做一个 Agent Infra ，从底层能力来看，它需要哪些元素的构成？

李安南：怎么更好地做寻优的策略算子，有点像挖石油工地指挥的那个人。算子就是一段核心代码。

卫诗婕：造 Agent 生态是只能在一个大公司做，还是一个创业公司也能做？

李安南：应该是一个大公司的小团队。大公司是因为这个事情本质上是需要千行百业、非常多的垂直场景一起去完成的。如果只是一个小团队，单独提供一个标品，显然转不起来。一定是需要有生态的。第二块是 Agent Infra 的逻辑。它需要夯实底层的技术能力。

那为什么是小团队呢？因为这个事情还非常的早期，有很多模式的探索要进行。比如说我们最近希望跟客户做一个 RAAS 的逻辑——就是我给你提供最终的结果，比如算法优化提升了 5% ，用在线上节省了 500 万。那我能不能 Result as a Service ，按效果付费。这个在中国相对比较新。

卫诗婕：这可能会是 AI 时代的趋势，但有一个比较难办的问题在于，很多时候，很难界定新增价值中有多少是来自于算法优化所带来的。

李安南：是的，所以说还需要探索，PMF 有很多可以探索的空间。

卫诗婕：今年 Robin 提到 AI 应用是最后一层价值，他希望百度能够用 AI 的基础能力，帮助各行各业实现价值释放，帮助千行百业内化 AI 。怎么「帮助千行百业内化 AI 」？

李安南：我们提两个词：智能原生，和持续价值创造。

过去在工作场景中，当人去做调度场景的时候，是有很多人为的一些先验假设和限制的。如果让伐谋（算法智能体）来做这件事的话，就得把人为限制破除掉——让 AI 做全局搜索，真正地实现智能原生，以前人脑负载不了的决策问题能够开放给 AI 做。

第二块是持续优化，当一个这样的场景做完之后，以前算法工程师大概率很难长期在项目上持续的找 Delta 算法（更优的算法）。一个算法通用性越好，就代表着垂直的效果不见得那么好。但它垂直效果越好，它的通用性一般都没那么好。像我之前说的，人类算法工程师很难在项目结束后，持续盯着一个算法做优化，但是伐谋可以。

对伐谋来说，它其实是可以持续的（做优化）。新的数据流进来之后，它会不断的再找不同的工况下最优的算法。

基于这两件事，把 AI 内化到企业整体的业务价值里面之后，价值能有更大的飞跃。

卫诗婕：伐谋的用户界面和使用方式是什么样的？

李安南：一般分三步。第一步提交任务，第二步是任务过程中的监控，第三步就是最后的审计。

它本质上是一个外部端，但是我们发现不同的场景使用习惯是不一样的——所以在第一个阶段提交任务，我们会支持各种各样的需求，核心逻辑就是不同的人群、不同的思路，能更快的把任务提上来。

一旦用户提交到伐谋集群了之后，这个东西更像是一个新的科研范式，它大概率不是一个chatbot ——在我们中间监控的阶段，更像是树的概念，有很多的枝叶，每个枝叶又不断的朝下做细分，（人类可以）看每一个节点。有些节点有 bug ，分很低，长期就淘汰了。有些节点特别的活跃，很聪明，可能会变亮，甚至有更多朝后繁衍的机会。我们可以点击每一个节点看具体发生了什么事，这个代码到底长什么样？它的一些关键特征是什么？它是跟谁演化出来的？

第三个阶段是伐谋已经给出了一个最优算法，系统要告诉用户，这个过程到底好在哪？为什么比最开始我们给出的初始算法效果好？怎么一步一步迭代过来的？

第一阶段可能是对话式的提交任务，把业务需求说清楚。第二阶段就是伐谋接到这些输入之后，更像是一个智能体自我进化的概念，人类在监控。第三阶段就是人类反过来看，这个东西为什么有道理。

卫诗婕：感觉像用户撒出一颗种子，但是大模型可以把这一颗种子变成千百颗种子，放在不同的土地上培育，人类可以系统地监控所有的种子成长得如何，再去优胜劣汰的匹配。这样听下来，伐谋这类产品不像是过去人所定义的产品，更像是把 Agent 自我演进的技术种到产业里，每个产业会生长出最符合自己的产品。

李安南：没错，三个核心产品特点，一个是通用性，一个是产业级，一个是可持续性。

卫诗婕：伐谋这个产品在优先级上，最重要的衡量指标是什么？

李安南：规模和生态。我们更希望能跟生态伙伴一起，把整体的市场教育或者千行百业的标杆、案例给做出来，真的能诞生一些能基于伐谋的新 AI 研发范式，这是我们最关注的重点。

卫诗婕：今年我采访了 Plaud 的创始人。这家公司内部觉得，大模型是神，有着超越人的能力。把这么一个拥有全知全能、超越个体能力的「神」，放进组织内部的时候，会爆发很大的威力，也可能制造新的麻烦；你们现在正在把「神」放到千行百业里，会发生什么？

李安南：前者确实很多。比如金融风控场景，我们也会发现它写出了一些特征提取器，那些因子挖掘的东西。确实是之前算法工程师没太想到的，给人以启发。这可能就是神的一面。

另外一块是麻烦，长期来看还挺像科幻电影的，尤其是一些决策类的任务。比如我们如果真的把红绿灯调度交给 AI 大模型来干的话，还是有点风险。所以在实际过程中，肯定得有非常严格的审计要求。写完评估器必须保证效果好，之后人再看看是否合理，是否和自己写的基本一致、可解释，才会再去做线上的测试。

很多时候会发现，人的价值还是非常明确的。所以我们才一直讲，还是需要有个人把这个问题定义清楚以及审计监控。

卫诗婕：有一句话叫，「有多少人工就有多少智能」。至少在当下阶段，仍然是有非常需要人工定义的部分，需要人做把控者。

李安南：对，我觉得这个事是好事。人做最开始的定义，给指控、指令和最后的审计，已经是一个非常好的 AI 落地的模式了。如果真的把事都交给 AI 来干，很多科幻电影里面可怕的事情可能更容易出现吧。

卫诗婕：当我们讲 AI 可能会重塑生产力和生产关系的时候，在你们的产品的应用故事中如何体现？

李安南：比人做得好，这可能是一个逻辑。另外一个逻辑更关键，是生产关系。算法工程师的工作发生了一些变化，以前的大部分工作是在写代码、去测试、去探索。现在会把这个东西交给 AI 来干，以前一个人只能做一个场景，以后可能 1 个人带着AI做 10 个甚至更多的场景。

如果说是生产关系发生了变化， AI 能应对 100 个场景，甚至把这 100 个场景打通一个更大的、更全局、更难的问题，再加上持续的做优化，这个事其实是一个巨大的逻辑，但对组织能力还是有一定挑战的。因为以前是两个人做配合，一个懂业务，一个懂 AI 。变化了之后，大概率是一个懂业务，再稍微懂一点算法的人，更好的跟 AI 配合起来。

卫诗婕：怎么理解，对组织的巨大挑战？

李安南：这里面也会分两部分。第一部分是怎么做到 AI 原生——既然要让 Agent 去找全局最优，就必须把之前人为的约定俗成去掉。我们如果真的是想实现智能原生，实现更好价值提升的话，可能是必须要做的事。

卫诗婕：生物的角度来讲，改变肌肉记忆是很难的。

李安南：对，但是真的是改变之后才能更好地实现全局最优。

卫诗婕：当我们在谈，如何让 AI 从一个移植器官变成一个组织内生的原生部分时，就要打破肌肉记忆，这可能是比技术落地更难的进程。所以在组织进化的过程中，什么样画像的人是特别被需要的？

李安南：首先，我们在线上看到了有很多学生在拿伐谋去做一些自己领域的尝试。可能天然地想着，他这个算法问题就是应该用 AI 来解决，非常 promising ——这类能拥抱技术的年轻一代，是很有希望的。

第二，企业里面有一些比较年轻的工程师还是很积极的，也是非常值得培养。本质上还得是一个懂业务的同学，但是有更好的主动性，更容易拥抱新技术。这个跟行业的大共识是一致的。大家更重要的是审核上的把控，追求一些更难的任务。

卫诗婕：之前提到过的效率先锋的角色怎么理解？

李安南：这是一个新角色，我们最近理解的，能主动发现和打破业务环节里面之前人为设置、基于经验的软约束，这样的人会是比较关键的。如果我们去告诉一个客户，这堵墙应该打掉，大概率客户不见得能很好地理解。但是如果企业内部有这样一个人，ta 关注哪的墙能够被打掉，这是我们很希望看到的。

刚刚我们提到， Palantir （一家美国大数据分析公司）就有这种模式，有点像 FDE，前端工程师的画像。ta 不只是会用 AI 工具，甚至更像是一个创业者。他可能看到了实际的业务运转，发现了有哪一些墙是有可能去打掉的，会去思考什么样的组织架构和形式是更适合 AI 发挥作用、释放价值的。这个事可能是对客户、老板非常重要的。

卫诗婕：那未来很多企业可能都面临着组建内阁制，得开始思考怎么改革自己，可能会有保守派，激进派。

李安南：是，所以很精彩了。当然这是很长周期的事。

（本期内容由曹伊筠整理制作。）

《漫谈 Light the Star》第 59 期访谈（《独家对话影翎：跨国大疆的护城河背后》）的视频版，已经在全网上线。欢迎关注我们全平台的账号「卫诗婕 漫谈light the star」～）

没错，我们的名字发生了小小改动，但是对内容品质的追求不变。

新的一年，我们一起描绘、定义、推动一个更美好的世界。