返回快讯

Meta首席人工智能官Alexandr Wang:一群代理完成的事可以轻易超过100名工程师

Meta首席人工智能官Alexandr Wang在Y Combinator Startup School 2026对Y Combinator总裁Garry Tan说,公司内部已有案例:只要代理环、评测和优化指标做对,一群代理完成的事可以轻易超过100名工程师。

他讲的不是模型更聪明。环里面还有微反馈环,代理要能对着这些环持续运转并自我优化。条件被他收成三样:代理环要对,评测要对,指标要对。缺一个,同时打开的窗口就只是在一起猜。他还说,用连续反馈环把结果做出来,仍有极大空间去多花1000倍甚至100万倍的token。

现场没有公布是哪几个内部案子、用了多少代理、跑了多久、人工基线怎么算。说法被他限定在“见过一些案例”,不是全公司工程编制已经被替换。报道把这套基础设施写成持久记忆放在markdown文件里,调度用cron,也就是1970年代就在Unix上跑的定时任务。任务被拆成离散环,代理自己看输出、纠偏、再跑,不靠一个包办一切的模型。

Wang是Scale AI创始人。Meta在2025年以143亿美元买入Scale约49%的股份,把他放进Meta超级智能实验室并出任首席人工智能官。Scale原来的生意是给模型供数据和评测。他在YC把同一逻辑搬到代理:没有可反复跑的评测,人数和脑力都不会自动变成完成。

100名工程师输给蜂群的前提,被他放在完成定义上。人与人之间的交接如果不能写成机器可以无限次执行的指标,加督导代理也补不上。技能说明、markdown、定时任务要对着足够密的真实数据,而不是对着一次演示。指标没写清,蜂群越大,猜测越吵。

买方是要按结果买代理工时的公司,卖方是仍按人头和项目周期计价的工程团队。这是内部案例驱动的编制预期,不是Meta已公布裁员数字。钱从工程师月薪流向可循环的token和评测。受益的是能把完成定义写成自动评分的团队,承压的是只有口头完成、不能被机器连夜重跑的岗位。

Garry Tan随后把同一套做法收成一句:可以和代理一起写markdown技能,再放上cron,覆盖几乎所有有用的知识工作。Wang没有在这段对话里给出那100人的成本和蜂群的账单。

来源:公开信息

ABAB AI 解读

Alexandr Wang在19岁创办Scale AI,卖的就是模型看不见的那一层:标注、评测和可重复的数据管线。Meta在2025年花143亿美元买下约49%,把他放进超级智能实验室。路径没有改。Scale把人类判断收成训练集,Meta这段把人类交接收成代理能自己打分的环。两次都是先有指标,再谈模型。

钱现在流向token和定时任务,不流向另一个督导模型。他在现场说,连续反馈环值得多花1000倍到100万倍token。markdown存记忆,cron负责把环叫醒,评测决定这一轮算不算做完。这和Scale把标注员的产出收成可验收数据是同一笔账:没有验收,增加人手只增加分歧。Meta内部那100名工程师被拿来对比,比的是能不能连夜重跑,不是学历。

这和工厂把质检从老师傅目视改成量具抽检同类。丰田的节拍不是靠更聪明的班长,靠每个工位有能停线的标准。软件业还停在扩张段的代理编排:YC现场把方法讲成文件和定时任务,Garry Tan随后说知识工作也能这么套。没有公开任务名和账单之前,它仍是案例,不是编制表。

本质是定价权转移。工程团队的报价靠人头和周期,蜂群的报价靠每一轮评测是否通过。机制是完成定义一旦能被机器无限次执行,人数就不再是产能。环、评测、指标缺一个,多开的窗口只是同时猜测,token花得越多,噪声越贵。

ABAB News · 认知定律

  1. 人数打不过蜂群,通常是完成定义没写清。

  2. 环不对,评测不对,指标不对,多开窗口只是更吵。

  3. 督导再聪明,也替不了一个能连夜重跑的标准。