“你要成为一个不能被蒸馏成Skill的人”——PingCAP副总裁刘松

“AI一天，人间一年。”

这句话在过去两个月里，变得越来越真实。

两个月前，我们计划围绕Notion创始人Ivan Zhao那篇《蒸汽、钢铁与无限心智》的博客，与PingCAP副总裁刘松展开一次对谈。然而，当这场对话真正发生时，AI世界已经又向前狂奔了一大截。

大模型辅助编程越过了临界点，Agent开始以“数字员工”的形态进入白领工作桌面，Skill成为新的组织能力单元，人机协作的范式正在被重新改写。

这也让原本关于一篇blog的讨论，延展成了一场对AI时代根本命题的追问：

当智力获取成本无限降低，人如何避免沦为“无用阶层”？

当Agent能自主且持续地完成任务，组织形态会发生什么变化？

当软件开发、知识工作甚至科学发现都被不断加速，我们应该守住护城河，还是奔向新大陆？

录制开始前，刘松注意到墙上三幅爵士主题的画。他说，爵士乐源自法语中的交谈，不是刻板的乐谱演奏，而是乐手之间的彼此回应、随机推进和现场创作，每一次演奏都像是在重新作曲。某种意义上，这这恰如其分地描绘了人类与AI未来的协作形态。

这场对话从Coding临界点聊到Agent协作，从“无用阶层”的焦虑聊到藏传佛教的“智悲双运”。刘松给出了他对AI的三重价值判断：绝对生产力的爆发、理解世界的新钥匙，以及人机长期协作的范式。

这场漫谈最后落脚于一个温暖的期许：AI会让人类拥有更长久的健康与更自由的精神，这或许就是技术进步赋予我们最笃定、也最能抚慰人心的事。

【以下为本次访谈的精选内容。】

高飞：欢迎大家收看本期《原点Talk》。这次聊天源于Notion创始人Ivan Zhao那篇《蒸汽、钢铁与无限心智》的博客，时隔两个多月再聊这个话题，你还记得它当时为什么让你印象深刻吗？

刘松：那篇文章最重要的地方，是把“智能”提升到了几百年来最重要的革命级事件的高度。过去500年里，人类发明了很多工具，但第一次出现大模型这样的工具，甚至现在的智能体已经超越了工具范畴。那篇文章里提到，Notion一千多人的公司里已经有七百多个智能体。而现在在我们这样的公司里，每个研发人员都有5到10个智能体。每个Agent都有自己的角色和任务。

我认为，过去三个月是自2022 年底大模型问世以来最重要的一个临界点。

第一，Coding超过了临界点。像Claude Code这类工具，已经在很多场景里表现出超过高阶工程师的编程能力。

第二，编程能力开始向所有白领工作泛化，并以Skill的形态进入协作场景。最近大家也在开玩笑，说“把人蒸馏成一个Skill留下来”。

第三，龙虾的问世，它是一个自主Agent的及格线。它们不只是回答问题，而是能够持续干活、调用工具、完成任务。人和 Agent 之间开始在同一个协作空间里共同工作。人更多是在提出愿望、明确要求、验收结果，中间大量执行过程交给Agent完成，这种效率提升是以前一到两个数量级。

高飞：你刚才说你们现在每个人指挥5到10个智能体，那在PingCAP内部，这种协作已经到什么程度了？

刘松：我们CTO黄东旭过去三个月闭关，一个人指挥多个Agent，做了一个新的AI Agent数据库。这种基础架构软件，原来可能需要一百人年的工作量，他自己只用了两三个月。这个极限推演证明在特定领域里，百倍效率提升是可能发生的。

这也让我们重新理解传统软件的复杂性。比如Salesforce这样公认最复杂的软件，真正难的不是最上面的流程和界面，而是底层的数据结构和数据处理。我们意识到，如果底层的数据库是新一代的，你反向去做一个CRM，可能一个月就够了。当然，接口集成、验证、交付仍然需要大量工作，但单纯编程这件事的效率上限，已经被大幅抬高了。

高飞：这种在软件业大获成功的模式，能不能简单外推到其他行业？

刘松：不能简单外推。软件行业有几个特殊条件：第一，知识和代码长期开放，模型已经学到了大量经验；第二，软件行业的供给链条很多时候是自给自足的；第三，是它可验证。你写一段代码，可以测试、可以跑结果，反馈闭环非常快。

但如果把同样的方式推演到医疗，问题马上就来了：有些私有数据你拿不到，有些专家经验没有被文字化，验证周期又很长，而且不能拿真人随便测试。金融、制造、医疗、政府，包括能源行业，都是容错率极低的行业。很多时候不是“不成功也没关系”，而是不能出现明显失败和瑕疵。因为一旦出错，就可能带来灾难性后果或巨大财产损失。

所以不能因为软件行业出现巨大生产力提升，就说每个行业马上都会被颠覆。不同领域的边界条件是不一样的。很多垂直行业里还有大量私有数据、隐含经验，以及没有被治理好的数据。这些过去看起来像问题的东西，在AI时代反而会构成一种意想不到的护城河。它们可能让某些行业还有5到10年的缓冲期。

高飞：感觉AI的影响其实是一条线，从代码，到软件再到用软件的人，一层层向上延伸。

刘松：可以这么理解：先是Coding，然后是Software，再然后是Worker。代码构成软件，所以AI先影响编程。软件承载白领工作，所以它会继续影响应用软件。而大量知识工作者每天使用电脑工作，当Agent进入桌面之后，它实际上就开始影响“用电脑的人”。

不过知识工作者也要拆开看。比如教师、律师、医生这类横向知识工作者，他们的知识有很大一部分是全世界通用的，比较容易被模型学习。但某些工业领域里的老专家、老中医，或者高度依赖隐性经验的人，他们的知识未必能被语言完全表达，也未必能被写成一个Skill。所以未来一个很重要的问题是：你能不能成为一个不能被蒸馏成Skill的人？

高飞：说到护城河，金融系统里的COBOL语言过去曾被视为一种壁垒，但为什么似乎一夜之间就被Anthropic瓦解了？

刘松：COBOL的壁垒之所以会消失，是因为基模的智力已经远超大多数人类。过去COBOL是护城河，因为懂它的人少。但AI不在乎这个知识是“朝阳行业”还是“夕阳行业”。只要它能获得与COBOL相关的上下游数据，很快就会比任何一个个人更懂COBOL。

大模型本质上是一个“解构者”。它能把很多原来的黑箱白箱化。一旦某个系统的壁垒依赖的是可被学习的语料和知识，而这些东西又能被AI获取，那么这个壁垒就会迅速坍塌。真正的壁垒，变成了AI触及不到的数据、知识和经验。

高飞：如果概括一下，你认为AI对人的核心价值是什么？

刘松：我觉得有三点。第一是绝对生产力，AI带来的生产力提升，每提高一个数量级，人类整体获得的财富就会大幅增加。当然，剩下是公平分配问题，这是另一个更复杂的问题。

第二是理解世界。这是哈萨比斯一直强调的逻辑。过去人类知识是分学科、分领域的孤岛。一个胸外科医生可能不碰内科，一个材料学家未必懂医学。AI的优势恰恰在于跨领域的关联能力。比如你给它一组症状，它可以同时筛查很多可能性，把概率分布摆出来。人类专家往往受限于自己的经验和专业边界，而AI可以在更大的知识空间里做关联。

第三是人机长期协作。这是一个新的协作范式，人和Agent之间会形成一种“锯齿咬合”的互补关系。人类在定义问题、提出目标、跳出现有框架这件事上仍然有价值；机器在执行、并行处理、跨知识域关联上会更强。这种咬合状态，可能会持续很多年。

高飞：你提到AI像一面巨大的镜子，让我们得以反过来审视人类自己。为什么会有这种感觉？

刘松：因为它让我们能够反过来校验：人类哪些东西值得，哪些东西不值得。比如语言。我们人类交谈的吞吐率很低，一分钟可能也就几百个字。语言是一种被极度压缩的一维信息，它把我们脑子里高维、复杂的东西压缩成一句话，再由另一个人在自己的脑子里重新还原。这个过程天然会有偏差，效率也很低。而AI已经习惯于并行、多模态和大规模数据处理。它照出了我们认知和协作方式的巨大局限。

我觉得最终AI会帮助我们认清整个世界的起源。单靠人的心智，很难做到这一点。今天的大模型作为神经网络的极致推演，已经具备了与人类大脑对等，甚至在很多方面超越人类大脑的能力。只要人类文明中那些可以语言化、数据化的成果被模型吸收，它就会拥有远超单个人类的知识结构。从这个意义上说，它会比任何一个人都更理解“万物”。所以哈萨比斯才会说，下一个爱因斯坦可能不远了，而且很可能是批量出现的。

高飞：所以从第一性原理上来说，AI能观察现象、处理数据，也具备推理能力，还可以通过测试或人类辅助完成验证。这样看来，AI做出科学发现似乎是必然的？

刘松：对，尤其是在那些可以语言化和数据化的领域里。科学发现无非是观察、推理、验证。AI在这三步上都具备很强的能力。它能处理的数据量远超人类个体，也能在跨学科知识中寻找关联。

当然，大语言模型也有边界。它对真实物理世界的理解，还没有达到对语言世界的理解程度。世界模型、具身智能这些方向，还需要继续发展。但在人类已经形成文献、数据和语言表达的知识范围内，AI的能力已经非常强。它有可能比人类更早发现某些规律，甚至推动基础科学进入新阶段。

高飞：尤瓦尔·赫拉利提出过“无用阶层”的概念。很多人担心AI会让大量人变成无用阶层，你怎么看这个问题？

刘松：这个担心我完全认同，而且现在没有完美解法。但我想从第一性原理往回推。当纺织还主要依赖人工时，整个服装产业的规模可能只是今天的万分之一。生产力的提升，确实会创造更大的市场，也会在长期里提升整体生活水平。

我们也可以反问一句：过去几十年里，大多数“牛马”的幸福感到底有多少？如果未来AI加上具身智能，能够把大多数人从重复性、异化的劳动中解放出来，人类整体获得的物质财富和精神空间都会增加。

但“无用阶层”的焦虑确实存在。它本质上不只是技术问题，而是生产关系和分配公平性的问题。藏传佛教里有一个词，叫“智悲双运”。智慧和慈悲要同时推动，才能达到真正的祥和。

今天的人工智能更像是在极致追求“智”，用智力和效率解决一切问题。如果“智”和资本效率结合，却没有“悲”的部分，就会带来失业、焦虑和不公平。所以社会在追求技术效率的同时，“慈悲”这一课早晚要补上。包括如何给人更多公平，如何让AI创造新的工作机会，如何让更多劳动者获得更多token，而不是简单地用token替代labor。

高飞：对公司和个人而言，AI时代应该如何构建护城河？

刘松：护城河大体有两种。一种是资源垄断型，这个东西只有我懂，或者只有我有。比如某些行业的牌照、私有数据、特殊资源，以及没有被充分数字化的隐性经验。另一种是技术垄断型。它不是因为别人完全没有，而是因为你做得足够好，好到用户离不开。比如英伟达的CUDA，它的价值在于能显著提高效率。

在AI时代，水平类SaaS公司，尤其是只做UI、报表和工作流的公司，护城河会变得很薄。但如果你在垂直领域里拥有私有数据、专有行业模型、长期经验和用户信任，这个护城河仍然存在。尤其是一些非语言模型相关的领域，比如材料、分子、扩散模型等。在世界模型还没有完全成熟之前，这些垂类模型仍然有自己的空间。

高飞：那这会不会也改变创业公司的形态？

刘松：会，而且变化会很大。第一，非技术背景的人，创业空间会大幅增加。过去移动互联网时代的创业者，大多多少有一些技术背景。但未来文科生也会有更多空间。第二，小团队相对于大公司的竞争力会上升。过去很多事情需要大团队完成，现在一个非常小的团队，甚至一个人，都可能借助Agent完成很多工作。

第三，拥有特殊专长、独特品位和特定组合能力的公司，会有更大的生存空间。但这里也有一个现实：供给会大量增加，需求不会同比例增加。人类的时间、注意力、消费能力都是有限的。最终被消费、被记住、被市场选择的，仍然会集中在少数精品上。

所以，品位会变得越来越稀缺。品位其实也是一种模型参数，只不过它存在于人的脑子里，来自一个人过去十年、二十年的经历、审美、训练和判断。

高飞：所以品位最后也可能在数学层面被解释，只是这个公式会非常复杂，可能需要万亿参数才能描述。

刘松：没错，现在很多情况下，模型的品位已经超过大多数人了，因为它已经学到了人类历史上大量优秀作品和优秀判断。但品位不只是平均意义上的“好”。它还和时代、场景、人群、阶层、媒介都有关系。一个东西在精英审美里未必成立，但在大众市场里可能非常有效。

高飞：回顾大模型这几年的发展，从Prompt Engineer到Context Engineer，再到现在大家说的Harness Engineer，你怎么看这三个阶段？

刘松：提示工程（Prompt Engineer），是大模型初期问答时代的产物，解决的是如何精准提要求。那时候模型主要是在“回答问题”。

上下文工程（Context Engineer），在去年年中最盛，因为那时候Agent开始出现，你要给模型喂足够的背景数据，让它能够“干活”。

而Harness Engineer的前提是，模型的脑力和Agent的自主能力已经过了临界点，它能够持续干活了。Harness本质上是一套管控体系。它解决的是：如何让Agent在整个流程里持续、正确、安全地工作。包括工具链调用是否合法，权限是否合适，测试验证是否完整，过程是否可控，结果是否跑偏。今天的Agent已经相当于一个入职半年的硕士生了。

高飞：如果让你预测未来6个月，你觉得会发生什么？

刘松：我做一个相对狭义的预测：在软件、互联网和金融这三个行业里，Agent的数量很可能会超过人类员工数量。这不是说人不重要，而是说很多任务会被拆给Agent，一个人可能同时管理多个Agent，组织里的工作单元会发生变化。当然，AI继续发展的瓶颈也会很快显现出来，比如电力、算力、数据中心这些底层资源。AI看上去是数字世界的问题，但最终一定会回到物理世界的资源约束。

高飞：对于普通人来说，面对这场浪潮，有哪些选择？

刘松：可以粗略分成三种路径。第一种是“桃花源”。你找到一个足够安全的地方，AI进不来，你也不出去。在某些行业里，这样的岛确实存在。第二种是旧世界。你还在原来的体系里，用过去的眼光看变化，被动随波逐流。第三种是新大陆。你主动预测自己熟悉的领域里，AI会把“冰球”打向哪里，然后提前去那里。我更建议大家奔向新大陆。因为AI打破了很多智力垄断，带来了更多可能性。抱怨它、期待它停下来，都是不现实的。你只能迎接它、拥抱它，然后找到自己的位置。

高飞：最后，你觉得AI最终会把人类带向哪里？

刘松：在我们可以预见的未来里，AI在医疗和健康领域的进步，可能是对所有人最确定、最正面的加分项。也许未来困扰我们的很多慢性病都能得到抑制，大家可以在更健康的状态下活到120岁。机器人也可能参与养老，让人类拥有更多独立的精神世界，去探索自己真正想做的事情。从这个意义上说，AI最确定的福祉，可能首先体现在健康上。

高飞：我觉得这个结论大家是有共识的。无论是辛顿、哈萨比斯、奥特曼，还是中国所有AI从业者，对这一点应该都没有太大疑虑：我们希望更健康。那就用这句话收尾吧：AI for good health。感谢刘松老师做客《原点Talk》，我们下期再见。