Alexandr Wang：AI是千载难逢的时代机遇

过去几年，关于 AI 的讨论经常围绕几个问题打转：模型什么时候达到 AGI，能力增长会不会撞墙，超级智能究竟还要两年、五年，还是更久。

这些问题当然重要，但对创业者来说，未必最有用。

Scale AI 创始人、如今负责 Meta 超级智能实验室的 Alexandr Wang，在 Y Combinator Startup School 2026 的访谈中，给出了他的判断：哪怕从今天开始，模型能力一点也不再进步，现有技术向经济和社会扩散，也足以带来几十年的变化。

换句话说，AI 当前最大的瓶颈已经不只是模型能力，而是如何把能力变成产品、组织和真实世界的结果。

这就是他所说的“一次文明级机遇”。

一个不性感的需求，后来成了 AI 的基础设施

Alexandr 生长在新墨西哥州洛斯阿拉莫斯，一个因原子弹项目而闻名的地方。他参加数学和计算机竞赛，17 岁到 19 岁之间先到硅谷的 Quora 工作，又进入 MIT，19 岁创办 Scale AI。

这段经历里最值得注意的，是他如何找到问题。

他在 MIT 训练早期机器学习模型时发现，训练一个模型需要三样东西：算力、代码和数据。云计算账户可以在线开通，训练代码也越来越容易获得，唯独训练数据没有一个方便、稳定的供给方式。

这就是 Scale AI 最初抓住的缺口。

今天，“数据决定模型质量”已经接近行业常识。但在 Scale AI 创业后的很多年，数据一直是一个“不性感”的生意。公司收入和增长不错，投资人依然怀疑它是不是一门长期、可持续的生意。因为许多判断这家公司的人，自己从来没有真正训练过模型，因此没有切身感受过数据瓶颈。

结果后来，那些曾经看不上数据生意的人，开始写文章论证数据是 AI 最重要的机会之一。

这段历史告诉创业者：真正重要的机会，在形成共识之前，往往看上去乏味、局促，甚至不够像一个“大市场”。如果一个机会已经登上所有商业媒体的头版，人人都能说出同一套理由，它通常也已经挤满了竞争者。

Alexandr 把这种能力称为建立自己的“内部罗盘”：你必须比共识更早地形成一组关于未来的判断，并且能在外界长期不认同的情况下继续做下去。

当年 Scale AI 进入 YC 时，最初的想法是做一个帮助人们获得医疗服务的 AI。这个产品今天看可能有机会，甚至可能正当其时，但当时的技术和市场时机不对。团队做了一两个月，YC 合伙人 Jared Friedman 直接告诉他们，这件事可能走不通。他们接受反馈，回到原点，重新寻找机会，才转向训练数据。

所以，所谓坚定，不是死守第一个点子。真正该坚定的是对底层趋势的理解；产品、路径和时间点都可以调整。

模型不再进步，也够整个社会忙几十年

很多人仍在等待下一代模型，仿佛只有模型再聪明一个数量级，AI 创业才真正开始。

Alexandr 则认为，今天已经存在的模型能力还远没有被社会吸收。企业的流程没有完成重构，政府和公共机构没有充分适应，安全体系也没有跟上。大量行业甚至还停留在给旧软件加一个聊天框的阶段。

技术能力和生产率之间，从来不是按下开关就能瞬间转换。中间需要产品设计、工作流改造、组织调整、评估体系、合规制度和用户习惯。每一层都可能会产生新公司。

十年前的创业公司面对大企业，有点像大卫对歌利亚：资源少、品牌弱、渠道有限，只能找到一个足够狭窄的切口，用速度和聪明活下来。

现在，Agent 给小团队增加了新的杠杆。一个从成立第一天就围绕 AI 设计的公司，可以让 Agent 参与研究、编程、运营、销售和客户支持。它不再只是一个拿着弹弓的大卫，而可能是被 AI 放大的另一个歌利亚。反过来，大公司虽然拥有数据、客户和资本，却常常被既有流程和组织边界拖后腿。

这不是说小公司一定会获胜。关键在于“从头用 AI 设计”，而不是给原有岗位发几个模型账号。前者会重新思考任务如何拆解、结果如何评估、人和 Agent 如何交接；后者大多只是把局部环节做快一点。

当智能变得丰富，稀缺的是愿景和野心

Alexandr 对未来十年的一个核心判断是：智能会变得丰富，行动能力也会变得丰富。

过去，人类社会推进一件复杂的事情，往往需要把一群聪明人组织起来，围绕共同目标长期协作。创办一家公司如此，进行科学研究如此，建设国家也如此。人才、沟通和组织能力长期构成了进步的瓶颈。

Agent 正在降低这部分成本。一个人可以调用的“数字同事”会越来越多，它们能持续执行任务，读取上下文，互相协作，并根据结果修改下一轮行动。

如果这个趋势继续，未来最稀缺的资源就不再只是智力。更难的问题会变成：你究竟想让世界发生什么变化？你能不能把这个变化描述清楚？你是否愿意穿过漫长而混乱的执行过程，把它做出来？

这也是为什么 AI 并不会让系统性思考失去价值。

过去的工程师直接写代码，后来管理由许多人组成的组织。现在，抽象层继续上移：先是安排单个 Agent，再是编排一组 Agent，未来可能是管理成千上万个 Agent 构成的系统。代码的具体写法会变化，但如何分解问题、设置边界、设计反馈、发现异常，仍然需要严谨的思考。

所谓“AI 会写代码，所以没必要学计算机”，遗漏的正是这一点。旧技能的表现形式会变，底层的系统能力不会消失。只会表达而缺少结构化判断，很难管理复杂的 Agent 系统；只会实现而不知道该把系统带向哪里，也会越来越容易被廉价智能替代。

技术能力之外，人还需要历史感和价值判断。未来十年，人类社会的变化可能超过过去百年。我们需要的不只是更有效率的系统，也需要关于这些系统应该服务谁、权力如何分配、风险如何控制的清晰主张。

创业机会在于，找到可度量的 Agent 闭环

访谈中最值得创业者关注的，是 Alexandr 对 Agent 机会的具体描述。

他认为，今天仍有巨大空间去设计“Agent 闭环”：让系统围绕一个明确结果持续运行，投入比现在多一千倍甚至一百万倍的 token，通过反馈不断改进结果。

一家公司的本质，本来就是许多反馈回路的组合。公司找到客户，努力让客户更满意；满意度提高，客户增加支出；收入增加，公司可以招更多人、改进产品，再获取更多客户。大循环里还包含获客、交付、定价、客服和研发等许多小循环。

过去，这些循环的每条边主要由人来操作。Agent 的机会，是接管其中可以观察、可以评价、可以反复优化的部分。

这里真正困难的通常不是调用模型，而是定义指标。你要先回答：系统怎样才算做得更好？反馈从哪里来？短期指标会不会破坏长期目标？哪些错误可以自动恢复，哪些错误必须交给人？

Meta 内部已经出现这样的案例：一旦建立正确的 Agent 循环，并为它提供合适的评估指标，一群 Agent 可以轻松完成过去上百名工程师团队才能完成的工作。

这个例子指向的方法非常清楚：Agent 的价值不只在一次回答，而在带着反馈连续工作。

落到工程层面，东西反而很朴素。技能说明、Markdown 文件、定时任务、目标定义，再加上足够的数据和清晰的评估。没有神秘配方，也不是写一句宏大的提示词就能获得一家初创公司。

那些真正能产生价值的系统往往看起来很普通：它们只是在一个重要流程里稳定运行，能够看见结果，能够发现偏差，也能够开始下一轮。

为什么模型必须足够便宜

如果未来的软件依靠大规模 Agent 闭环工作，模型价格就不只是开发者省多少钱的问题，而会决定哪些产品能够存在。

一次问答的成本即使不高，放进一个运行数小时、调用多个工具、反复检查和修正的工作流，消耗也会迅速放大。更复杂的多 Agent 系统还会让调用量继续上升。如果模型昂贵到必须被严格限额，很多新产品在被发明之前就已经失去经济可行性。

因此，Alexandr 强调 Meta 不希望模型只供最富有的公司和开发者使用。他把 AI 过去几轮应用概括为不断放大的浪潮：自动驾驶之后是聊天机器人，聊天机器人之后是编程 Agent，每一轮的影响范围都可能比上一轮大一个数量级。

所以，最重要的 AI 产品很可能还没有出现。

便宜的模型、开放的接口和可替换的工具链，会让更多人有机会试错。降低一次实验的成本，才可能换来应用层的大量探索。

个人超级智能，不是一个替你做主的中央大脑

在 Meta 的设想中，超级智能不是一个控制所有人的中央系统，而是数十亿个适应个人情境、理解个人目标的智能助手。它的作用是扩展人的行动能力，让普通人完成过去无法想象的事情。

Meta 的平台上已经有约两亿家企业和商家，Alexandr 期待 AI 工具把创业和经营的门槛继续降低，最终出现数量更大的商业主体。个人 Agent 与商业 Agent 彼此协作，形成一个去中心化的生态。

但个人上下文意味着更敏感的数据，持续行动意味着更高的权限，Agent 之间的大规模协作也会带来安全、欺诈和责任认定的新难题。Alexandr 同样承认，建设者不仅要创造机会，还要帮助企业和政府适应技术，并处理生物安全、网络安全等风险。

技术扩展了行动能力，也同时扩展了犯错和作恶的能力。“让每个人拥有超级智能”不能只靠模型能力实现，还取决于权限设计、身份体系、审计机制和公共规则。这部分建设也会成为长期而具体的产业机会。

给年轻人的建议：把时间押在最长的指数曲线上

对谈最后，主持人问 Alexandr，如果能给 18 岁的自己发一封电报，他会写什么。

第一件事，仍然是建立自己的内部罗盘。年轻时经验少，很容易被市场情绪、权威意见和同龄人的选择扰乱。真正重要的不是对每件事都发表观点，而是对少数底层趋势形成经过验证的判断，并愿意承担判断暂时不被理解的代价。

第二件事，是寻找世界上“最陡、持续时间最长的指数曲线”，然后把宝贵的几年投入进去。过去，这条曲线可能是摩尔定律；今天，就是 AI 的进步。

指数曲线的起点往往并不起眼。Scale AI 创业时，AI 行业还在 YouTube 视频里识别猫，很难向外行解释为什么这是当时最重要的技术方向。

十年后回看，答案已经不同。

当然，“找到指数曲线”不是去追逐每一个热门名词。它要求亲手使用技术，理解能力边界，观察成本变化，并从真实摩擦里找机会。Alexandr 当年发现数据问题，不是因为读到一份趋势报告，而是因为他自己训练模型时，被数据获取卡住了。

今天也是一样。最可靠的机会，往往藏在你真正使用 AI 之后反复遇到的障碍里：模型已经会做一件事，但还无法稳定完成；一次演示有效，却进不了生产环境；答案看似聪明，却没有评价和追责机制；单个 Agent 能工作，多个 Agent 却无法协同。

这些问题背后，都可能会长出下一代基础设施公司。

AI 是否会在两年后达到某个严格定义的 AGI，没人能在今天给出可信答案。但对一个准备创业或重新设计职业路径的人来说，有一件事已经足够明确：我们并不缺可以使用的智能，缺的是把智能放进现实闭环的人。

模型会继续变化，工具会不断更名，今天流行的产品也可能很快消失。真正值得建立的，是自己的判断、系统思维和对现实问题的长期兴趣。

机会已经出现。现在的问题不是要不要相信 AI，而是你究竟准备让它替世界改变哪一小块。

参考来源： Alexandr Wang: “This is a Once-in-a-Civilization Opportunity”