Meta首席人工智能官Alexandr Wang：一羣代理完成的事可以輕易超過100名工程師
Meta首席人工智能官Alexandr Wang在Y Combinator Startup School 2026對Y Combinator總裁Garry Tan說，公司內部已有案例：只要代理環、評測和優化指標做對，一羣代理完成的事可以輕易超過100名工程師。
他講的不是模型更聰明。環裏面還有微反饋環，代理要能對着這些環持續運轉並自我優化。條件被他收成三樣：代理環要對，評測要對，指標要對。缺一個，同時打開的窗口就只是在一起猜。他還說，用連續反饋環把結果做出來，仍有極大空間去多花1000倍甚至100萬倍的token。
現場沒有公佈是哪幾個內部案子、用了多少代理、跑了多久、人工基線怎麼算。說法被他限定在“見過一些案例”，不是全公司工程編制已經被替換。報道把這套基礎設施寫成持久記憶放在markdown文件裏，調度用cron，也就是1970年代就在Unix上跑的定時任務。任務被拆成離散環，代理自己看輸出、糾偏、再跑，不靠一個包辦一切的模型。
Wang是Scale AI創始人。Meta在2025年以143億美元買入Scale約49%的股份，把他放進Meta超級智能實驗室並出任首席人工智能官。Scale原來的生意是給模型供數據和評測。他在YC把同一邏輯搬到代理：沒有可反覆跑的評測，人數和腦力都不會自動變成完成。
100名工程師輸給蜂羣的前提，被他放在完成定義上。人與人之間的交接如果不能寫成機器可以無限次執行的指標，加督導代理也補不上。技能說明、markdown、定時任務要對着足夠密的真實數據，而不是對着一次演示。指標沒寫清，蜂羣越大，猜測越吵。
買方是要按結果買代理工時的公司，賣方是仍按人頭和項目週期計價的工程團隊。這是內部案例驅動的編制預期，不是Meta已公佈裁員數字。錢從工程師月薪流向可循環的token和評測。受益的是能把完成定義寫成自動評分的團隊，承壓的是隻有口頭完成、不能被機器連夜重跑的崗位。
Garry Tan隨後把同一套做法收成一句：可以和代理一起寫markdown技能，再放上cron，覆蓋幾乎所有有用的知識工作。Wang沒有在這段對話裏給出那100人的成本和蜂羣的賬單。
來源：公開信息
ABAB AI 解讀
Alexandr Wang在19歲創辦Scale AI，賣的就是模型看不見的那一層：標註、評測和可重複的數據管線。Meta在2025年花143億美元買下約49%，把他放進超級智能實驗室。路徑沒有改。Scale把人類判斷收成訓練集，Meta這段把人類交接收成代理能自己打分的環。兩次都是先有指標，再談模型。
錢現在流向token和定時任務，不流向另一個督導模型。他在現場說，連續反饋環值得多花1000倍到100萬倍token。markdown存記憶，cron負責把環叫醒，評測決定這一輪算不算做完。這和Scale把標註員的產出收成可驗收數據是同一筆賬：沒有驗收，增加人手只增加分歧。Meta內部那100名工程師被拿來對比，比的是能不能連夜重跑，不是學歷。
這和工廠把質檢從老師傅目視改成量具抽檢同類。豐田的節拍不是靠更聰明的班長，靠每個工位有能停線的標準。軟件業還停在擴張段的代理編排：YC現場把方法講成文件和定時任務，Garry Tan隨後說知識工作也能這麼套。沒有公開任務名和賬單之前，它仍是案例，不是編制表。
本質是定價權轉移。工程團隊的報價靠人頭和週期，蜂羣的報價靠每一輪評測是否通過。機制是完成定義一旦能被機器無限次執行，人數就不再是產能。環、評測、指標缺一個，多開的窗口只是同時猜測，token花得越多，噪聲越貴。
ABAB News · 認知定律
人數打不過蜂羣，通常是完成定義沒寫清。
環不對，評測不對，指標不對，多開窗口只是更吵。
督導再聰明，也替不了一個能連夜重跑的標準。