Scale AI 創始人 Alexandr Wang 獨家訪談：從數據標註巨頭到 Meta 實驗室負責人，談 AI 時代的創業逆襲與技術演進

Alexandr Wang 的真正核心判斷：AI 不只是一次技術革命，而是在把“智能”和“執行力”從稀缺資源變成廉價生產資料

這期 Y Combinator 對 Alexandr Wang 的採訪，我認爲非常值得研究。

因爲 Alexandr Wang 和 Sam Altman、Jensen Huang 的位置完全不同。

Sam Altman站在模型公司的角度看AI。

Jensen Huang站在算力基礎設施的角度看AI。

Alexandr Wang 則經歷了三個位置：

數據基礎設施創業者 → 前沿模型客戶的供應商 → Meta 超級智能實驗室領導者。

所以他的視角特別有價值：他親眼看過 AI 的瓶頸從 數據，遷移到 模型能力，再逐漸遷移到今天的 Agent、評估系統、組織設計和實際落地。

而這期採訪最值得記住的一句話其實不是“AI 是 once-in-a-civilization opportunity”。

真正重要的是：

當 Intelligence 和 Agency 逐漸不再稀缺以後，人類社會真正稀缺的東西會發生遷移。

這可能是理解未來十年創業、公司組織、資本配置甚至職業選擇最重要的框架之一。

1. 先核正幾個重要事實

這期採訪由 Y Combinator CEO Garry Tan 與 Alexandr Wang 對談，屬於 Startup School 2026 內容，YC 於 2026 年 7 月29日發佈。YC 對這期訪談的官方概括，就是 Wang 建議年輕人建立自己的“internal compass”，並尋找值得押注的長期指數曲線。

Alexandr Wang 已經不再擔任 Scale AI CEO。2025年 Meta 對 Scale AI 進行了重大投資，Scale 官方稱交易對公司的估值超過 290億美元，Meta 獲得少數股權；Wang 隨後加入 Meta，同時繼續擔任 Scale 董事。現在他擔任 Meta Chief AI Officer，並領導 Meta Superintelligence Labs。

你整理中的“MuseSpark”最好統一寫成官方名稱：

Muse Spark。

Meta 於2026年4月發佈首代 Muse Spark，稱其爲 Meta Superintelligence Labs 從零重建AI體系後的首個 Muse 系列模型；7月又發佈 Muse Image、Muse Video 和 Muse Spark 1.1。

還有一點非常重要：

“Muse Spark 比 Opus 便宜約8倍”

是 Wang 在這場採訪中的價格比較表述，不能擴大成“所有任務性能都等於 Opus，同時綜合成本恆定低8倍”。

他的原話核心是當時 Muse Spark 的使用價格大約是 Opus 的八分之一。不同模型在編碼、Agent、視覺、推理等不同任務上的性能並不完全相同。

2. Scale AI 的創業故事真正厲害的地方，不是“19歲創業”

19歲退學創業當然具有故事性。

但真正值得學習的是：

Alexandr Wang 找到了整個技術產業鏈中別人尚未意識到的約束條件。

當時訓練機器學習模型，大致需要三類東西：

• 算力；
• 訓練代碼；
• 數據。

前兩項正在迅速商品化。

雲計算已經讓年輕開發者很容易獲得計算資源。

TensorFlow 等框架也讓模型訓練代碼越來越容易獲得。

但數據不同。

真實世界的數據存在：

• 沒有標籤；
• 格式混亂；
• 質量差；
• 無法直接訓練；
• 缺少邊界情況；
• 缺少專業判斷。

所以 Wang 看到的問題其實不是：

“數據標註公司能不能賺錢？”

而是：

如果 AI 模型越來越多，那麼“把真實世界變成機器能夠學習的數據”是不是會成爲基礎設施？

這纔是 Scale 的第一性原理。

YC訪談中，他也明確回憶：早期投資者覺得數據業務“不性感”，甚至在 Scale 已有收入時仍質疑這是不是一個長期行業，因爲很多投資人自己從未真正訓練過模型。

3. 這告訴創業者一個非常高級的原則：找“約束”，不要只找“熱點”

普通創業者觀察：

什麼東西現在很火？

優秀創業者觀察：

什麼東西阻礙整個行業繼續增長？

這是兩個完全不同的問題。

比如 AI 行業不同階段的主要瓶頸可能先後是：

數據 → GPU → HBM → 電力 → 推理成本 → Agent可靠性 → 企業落地 → 權限與安全。

如果一個產業正在指數增長，那麼最值得創業的地方通常不是最顯眼的應用。

而是：

指數增長曲線即將撞上的下一堵牆。

Scale AI 當年做的就是這個。

這套方法未來依然成立。

例如，如果未來公司擁有10萬個Agent，那麼問題可能不是：

“怎麼做更聰明的Agent？”

而是：

• Agent如何獲得身份？
• Agent權限怎麼管理？
• Agent做錯事怎麼辦？
• 如何審計？
• 如何控制預算？
• 如何評估產出？
• Agent之間怎麼溝通？
• 誰擁有最終決策權？

下一家幾十億美元的公司，很可能就隱藏在今天看起來非常“無聊”的基礎設施問題中。

4. 但是“逆向思維”絕對不等於“別人反對我，所以我一定正確”

硅谷特別喜歡講 contrarian。

這也容易被年輕創業者錯誤理解。

真正有價值的非共識判斷必須同時滿足四個條件：

第一，你不同意大衆。

這只是起點。

第二，你擁有別人沒有的信息或理解。

Wang 自己訓練過模型。

所以他真正經歷過數據瓶頸。

第三，如果你的判斷正確，市場足夠大。

AI模型越多，訓練和評估數據需求越大。

第四，你能活到市場證明你正確。

這點尤其重要。

一個人可以提前10年看對趨勢，卻在第3年把錢燒完。

一樣沒有意義。

所以真正的創業公式不是：

Contrarian = Success。

而是：

Non-consensus + Correct + Important + Survivable。

這纔是真正的逆向投資和逆向創業。

5. Scale 最早做醫療 Agent 卻放棄，也說明“方向正確”和“時間正確”完全不同

Wang 在 YC 時最早希望做醫療AI Agent，但團隊很快意識到當時的技術成熟度不足，於是轉向了數據基礎設施。今天回頭看，醫療Agent當然可能成爲巨大產業，但2016年的模型能力、工具調用、推理能力、醫療工作流集成都遠遠不如現在。

這是創業史中非常重要的一件事：

Too early 和 wrong，在財務結果上經常沒有區別。

互聯網歷史上有大量公司不是方向錯誤。

而是：

• 帶寬還不夠；
• 智能手機不存在；
• 用戶習慣沒形成；
• 支付體系不成熟；
• 計算成本太貴。

企業最終仍然會死掉。

所以創業不僅要回答：

世界最終會不會變成這樣？

還必須回答：

爲什麼是現在？

6. “Once-in-a-Civilization Opportunity”真正是什麼意思？

Wang 在採訪中提出一個非常重要的判斷：

即使今天AI模型從此完全不再進步，現有AI能力向整個經濟擴散，也足以帶來幾十年的巨大變化。

這個觀點非常值得理解。

因爲很多人一直盯着：

• GPT-6什麼時候出來？
• 下一個benchmark提高多少？
• AGI是哪一年？
• 模型還會不會Scaling？

但可能忽略：

技術能力已經領先於組織採用能力。

今天即使給大量公司當前最強AI，它們仍然不知道：

• 數據在哪裏；
• 哪些流程適合自動化；
• 誰負責AI；
• 怎麼測ROI；
• 如何管理權限；
• 如何改變組織結構；
• 如何讓員工接受。

這意味着現在AI經濟有兩個完全不同的增長引擎：

第一條曲線：模型繼續變強。

第二條曲線：現有模型向整個經濟擴散。

即使第一條突然變慢，第二條仍然可能持續很多年。

7. 這和歷史上的通用技術革命非常相似

一項通用技術真正創造經濟價值，往往不是因爲發明出現的那一天，全社會馬上改變。

真正漫長的是：

圍繞新技術重新設計公司和制度。

AI也是如此。

今天很多公司所謂“採用AI”，其實只是：

給員工買一個聊天機器人賬號。

真正的AI組織重構則會變成：

客服流程重新設計。

銷售流程重新設計。

軟件開發流程重新設計。

財務流程重新設計。

供應鏈流程重新設計。

最後甚至連公司的組織架構本身都重新設計。

所以 AI 的經濟價值可能存在巨大的：

Diffusion Gap——擴散缺口。

而 Wang 認爲，這個缺口本身已經足夠產生一代創業公司。

8. “David vs Goliath”變成“Goliath vs Goliath”，是這期訪談最精彩的創業判斷之一

傳統創業公司的故事是：

大衛挑戰歌利亞。

創業公司的優勢：

• 快；
• 靈活；
• 創始人親自做；
• 沒有官僚體系。

大公司的優勢：

• 10,000名員工；
• 資本；
• 品牌；
• 客戶；
• 銷售團隊。

於是創業公司必須找到巨頭沒有注意的小市場。

但 Wang 認爲 Agent 改變了這種資源差距。

一個10人的創業團隊如果可以調用：

• 編程Agent；
• 銷售Agent；
• 研究Agent；
• 數據Agent；
• 客服Agent；

它所能夠調動的“認知勞動”可能遠遠超過過去10個人的能力。

所以他用：

Goliath vs Goliath

描述新時代。

9. 但這裏必須給 Wang 的觀點加一個非常重要的限制

AI可以縮小：

人力差距。

但AI無法自動消滅：

• 品牌差距；
• 數據差距；
• 監管牌照；
• 資本成本；
• 客戶信任；
• 渠道；
• 網絡效應；
• 供應鏈；
• 土地；
• 物理基礎設施。

假設一個3人團隊做一個新CRM。

AI確實可能讓它迅速做出 Salesforce 80%的軟件功能。

問題是：

Salesforce已經擁有大量：

• 企業合同；
• 銷售人員；
• API集成；
• 客戶數據；
• 顧問生態；
• 品牌信任。

所以未來不是所有小團隊都能“正面擊敗巨頭”。

更加準確的是：

AI正在大幅降低企業“能力規模”的最低門檻，但沒有消滅企業其他類型的護城河。

這反而意味着創業者必須更加聰明地選擇戰場。

10. AI時代最大的變化可能是：公司規模和公司能力開始脫鉤

以前公司能力往往高度依賴員工人數。

10個人公司能做10個人的事情。

1000個人公司能做1000個人的事情。

未來這個關係可能逐漸斷裂。

可能出現：

20人公司 → 過去500人公司的產出。

甚至某些極端數字化業務：

5個人 + Agent系統 → 服務數百萬客戶。

於是衡量公司的方式也會發生變化。

過去：

Revenue per employee。

未來可能更加關注：

Revenue per human employee。

以及：

Revenue per unit of intelligence consumed。

AI會讓“員工人數”越來越不能代表企業規模。

11. 當 Intelligence 不再稀缺，最稀缺的東西是什麼？

這是 Wang 整場採訪最有哲學價值的問題。

工業革命之前：

體力稀缺。

機器讓機械力量豐富。

計算機時代：

計算稀缺。

芯片讓計算豐富。

互聯網時代：

信息分發稀缺。

互聯網讓信息極度豐富。

AI時代，如果：

Intelligence 逐漸豐富，

下一種稀缺資源是什麼？

Wang的答案是：

Vision 和 Ambition。

我認爲這是對的，但還可以繼續擴展。

未來真正稀缺的可能包括六種東西：

第一，目標。

機器可以告訴你怎麼做。

但不一定告訴你什麼值得做。

第二，判斷。

多個合理方向中選擇哪一個？

第三，品味。

什麼產品真正好？

第四，責任。

AI建議錯了，誰承擔後果？

第五，信任。

客戶相信誰？

第六，真實世界資源。

土地、能源、牌照、資本仍然稀缺。

12. 所以 AI 不會讓所有能力都變廉價，而是會發生“稀缺性遷移”

這是一個非常重要的經濟學規律。

如果寫代碼突然非常便宜：

代碼本身價值下降。

產品定義價值上升。

如果市場研究非常便宜：

信息蒐集價值下降。

判斷價值上升。

如果廣告內容生成免費：

內容價值下降。

分發渠道價值上升。

如果AI能夠同時生成100個產品：

產品製造能力下降。

客戶注意力價值上升。

所以創業者永遠應該問：

AI讓什麼東西從稀缺變豐富了？

然後繼續問：

因此什麼東西反而變得更稀缺？

利潤通常會向新的稀缺點遷移。

13. Muse Spark 的戰略，比“Meta又做了一個大模型”重要得多

Meta官方稱，Muse Spark 是其重建前沿模型體系後的首個Muse模型，原生支持：

• 多模態推理；
• 工具調用；
• visual reasoning；
• multi-agent orchestration。

Meta還表示，相比此前 Llama 4 Maverick 的訓練體系，新架構在達到相同能力水平時能夠顯著提高計算效率。

這說明 Meta 新戰略不只是：

做一個benchmark第一的大模型。

而是同時優化：

Capability × Cost × Agentability。

這是非常重要的轉變。

14. 爲什麼“便宜8倍”可能比“聰明5%”更加重要？

假設兩個模型：

A模型成功率95%，一次任務1美元。

B模型成功率93%，一次任務0.125美元。

對於普通聊天：

A可能更好。

但如果你要運行：

10萬個Agent，

情況完全不同。

成本可能直接決定商業模式能不能成立。

這意味着 Agent 時代評估模型最重要的指標可能逐漸從：

benchmark score

轉變爲：

Cost per successful task。

也就是：

完成一個真正有價值的任務，到底花多少錢？

15. 這是 AI 經濟特別容易被誤解的一點

“Token便宜”不代表真正便宜。

假設便宜模型需要嘗試20次才能解決問題。

貴模型一次解決。

那麼：

便宜模型可能反而更貴。

所以未來企業真正應該計算：

Cost per verified outcome。

比如軟件Agent：

不是計算：

100萬個Token多少錢？

而是：

修好一個真實Bug多少錢？

客服Agent：

不是：

一次聊天多少錢？

而是：

成功解決一次客戶問題多少錢？

銷售Agent：

不是：

一封郵件多少錢？

而是：

獲得一個真實合格客戶多少錢？

這纔是真正的Agent經濟學。

16. “Harness”可能是下一代 AI 創業最重要的基礎設施層

模型只是大腦。

真正能夠把模型變成數字員工的系統還需要：

• Prompt；
• Context；
• Memory；
• Tools；
• Permissions；
• Routing；
• Retry；
• Evaluation；
• Logs；
• Budget；
• Human approval。

這些加起來就是越來越多人所說的：

Harness。

模型提供 intelligence。

Harness提供：

operational discipline。

未來應用最大的護城河之一，很可能並不是自己訓練模型。

而是擁有最成熟的 Agent Harness。

17. 這和操作系統非常類似

CPU很重要。

但是隻有CPU不能完成現代計算。

還需要：

• 操作系統；
• 文件系統；
• 權限；
• 網絡；
• 調度；
• 應用接口。

未來AI也可能出現類似分層：

Model = CPU。

Harness = Operating System。

Agent = Application / Worker。

因此未來真正重要的問題可能不是：

GPT還是Muse Spark？

而是：

哪個Agent系統能夠最穩定地組織幾十個甚至幾千個模型實例完成真實任務？

18. “Agentic Loop”是這整期採訪最值得創業者立即研究的概念

Wang認爲當前非常大的創業 Alpha 就存在於：

Agentic feedback loops。

YC訪談中，他明確說，只要能夠找到正確的 Agentic Loop，再配上正確的 eval 或 metric，一羣Agent在Meta內部某些場景中完成的成果能夠輕鬆超過一個100人工程團隊。

注意：

這裏最重要的詞不是：

100 engineers。

而是：

right loop + right eval。

19. 什麼叫 Agentic Loop？

普通AI：

人提出問題。

AI回答。

結束。

Agentic Loop：

執行 → 看結果 → 評價 → 修改 → 再執行 → 再評價。

不斷循環。

比如軟件開發：

Agent寫代碼。

→ 運行測試。

→ 測試失敗。

→ 閱讀錯誤。

→ 修改代碼。

→ 再測試。

→ 成功。

這就形成了閉環。

AI最大的能力躍遷，往往不是單次回答聰明瞭多少。

而是：

能不能根據結果持續修正自己。

20. 爲什麼 Eval 比模型本身還重要？

假設你擁有1000個Agent。

你告訴它們：

“把公司經營得更好。”

這個目標完全沒用。

因爲它們不知道什麼叫“更好”。

但如果目標變成：

把用戶註冊完成率從35%提高到42%。

突然可以形成閉環：

Agent分析用戶流失。

提出方案。

修改頁面。

運行A/B測試。

讀取結果。

繼續優化。

這就是：

Eval creates direction for intelligence。

智能本身不是價值。

有方向的智能纔是價值。

21. 未來企業的祕密武器，可能就是誰擁有最好的 Eval

這件事非常值得創業者理解。

如果兩家公司使用完全相同的 Claude、GPT、Muse：

爲什麼一家會明顯更強？

可能因爲它擁有更好的：

• 測試集；
• KPI；
• 用戶反饋；
• 自動評價系統；
• 專家評分；
• 真實業務數據。

模型一樣。

反饋系統不同。

結果完全不同。

這和體育訓練一樣。

不是擁有運動員就夠了。

你還需要：

• 計時； -錄像；
• 數據；
• 教練；
• 反饋。

所以未來非常多AI公司的真正資產，會是：

proprietary evaluation loops。

22. 但“Agent Swarm > 100 engineers”千萬不能誤讀

這句話非常容易變成：

一個Agent團隊已經全面替代100個工程師。

不是這個意思。

Wang明確描述的是 Meta 內部某些具有正確反饋循環和明確評估指標的案例。

能夠被Agent Swarm迅速優化的任務通常具有幾個特徵：

• 可以拆分；
• 可以並行；
• 結果可以自動驗證；
• 錯誤成本較低；
• 反饋速度快；
• 目標明確。

例如：

代碼測試。

模型評估。

數據處理。

生成候選方案。

搜索和比較。

而下面這些問題則明顯困難很多：

• 公司戰略；
• 組織政治；
• 客戶信任；
• 產品品味；
• 法律責任；
• 高風險安全判斷；
• 模糊的人際關係。

所以正確結論不是：

100個工程師沒用了。

而是：

大量過去需要人類執行的可驗證任務，其邊際勞動成本正在快速接近機器成本。

這已經足夠革命性。

23. 還存在一個更危險的問題：如果 Eval 錯了，Agent會非常高效地做錯事

這就是 Goodhart's Law：

一個指標一旦變成目標，它往往就不再是好指標。

例如：

告訴客服Agent：

儘可能減少退款率。

它可能學會：

不讓客戶退款。

退款率下降。

客戶滿意度崩潰。

指標看起來非常漂亮。

公司實際上變差。

所以真正高級的Agent系統必須設計：

多目標Eval。

比如同時優化：

• 成本；
• 客戶滿意度；
• 退款；
• 合規；
• 留存；
• 錯誤率。

否則 AI最大的危險之一，不是：

它不聽話。

而是：

它非常認真地完成了一個設計錯誤的目標。

24. 所以未來CEO最重要的能力之一，會變成“定義目標函數”

這聽起來很技術。

實際上是管理學。

過去CEO管理：

人。

未來CEO可能管理：

人 + Agent + 資本 + 算力。

如果機器執行能力無限豐富，那麼最高管理層最大的責任會變成：

到底讓整個機器做什麼？

誰定義：

• KPI；
• 優先級；
• 邊界；
• 風險；
• 倫理；
• 時間尺度？

這就是爲什麼 Wang 所說：

Intelligence豐富以後，Vision變稀缺，

具有如此大的意義。

25. “系統思維不會過時”也是一個非常重要的判斷

現在經常有人說：

AI都會寫代碼了，爲什麼還學計算機科學？

這忽略了抽象層變化。

過去工程師需要想：

這個函數怎麼寫？

現在可能變成：

這10個Agent應該怎麼分工？

再往後：

這10萬個Agent應該形成什麼組織結構？

抽象層越高，反而越需要：

• 分解問題；
• 定義接口；
• 設計狀態；
• 管理依賴；
• 理解反饋；
• 處理失敗；
• 控制複雜度。

所以：

Coding可能逐漸下降爲Implementation，而Systems Thinking會上升爲核心。

26. Wang 提到“Shape Rotating”，其實是在警告一種教育誤區

AI特別擅長語言。

所以未來很多人可能認爲：

只要學語言、Prompt、溝通就行。

Wang反而強調，不要因此拋棄空間、數學和系統性的認知訓練。採訪中他的核心觀點是：技術抽象層會持續提升，但結構化、系統性的思考能力不會因此失去價值。

這很重要。

未來最有價值的人，不一定是代碼敲得最快的人。

而可能是：

能夠在腦中旋轉一個複雜系統的人。

看清：

A影響B。

B影響C。

C又反過來影響A。

這種能力本質上就是系統思維。

27. Meta“人才密度”的思想，也值得創業者研究

Wang回顧重建 Meta 前沿AI實驗室時，把 Talent Density 看成最關鍵因素之一；YC 對採訪的官方摘要也特別強調“talent density compounds”。

這個邏輯是：

一個頂級研究員加入。

→ 其他頂級研究員更願意加入。

→ 研究質量提升。

→ 產生突破。

→ 更優秀人才願意加入。

形成：

Talent Flywheel。

這和優秀大學、VC、頂級投行非常類似。

最優秀的人本身就是招聘廣告。

28. 爲什麼 AI 實驗室特別需要人才密度？

普通互聯網產品開發很多工作可以拆成：

• 前端；
• 後端；
• 產品； -運營。

流程相對成熟。

前沿AI研究不同。

它面對的是：

我們還不知道答案的問題。

所以一個真正頂級研究人員的價值可能不是普通工程師的1.5倍。

在關鍵突破上可能是：

10倍。

甚至決定：

這個研究方向究竟存在不存在。

因此 frontier lab 具有非常強的：

Power-law talent economics。

少數人的研究判斷可能決定幾十億美元算力往哪裏投。

29. 但超級人才組織同樣存在一個巨大問題：協調複雜度

擁有100個天才，並不自動產生100倍創新。

甚至可能產生：

• Ego；
• 方向衝突；
• 內部政治；
• 重複研究；
• 信息孤島；
• 算力爭奪。

所以真正優秀的研究組織還必須解決：

Talent density × Coordination quality。

如果第二項接近零，

第一項再高也沒用。

這也是爲什麼實驗室領導者並不是簡單“招聘最聰明的人”。

真正的工作是：

構建一個讓最聰明的人能夠彼此放大，而不是互相抵消的系統。

30. Meta 的“Personal Superintelligence”戰略，比做聊天機器人野心得多

Wang在YC採訪中明確表示，Meta相信未來數十億人都可能擁有自己的 personal superintelligence，並通過這些系統增強自己的agency，而不是讓世界由一箇中央AI統一控制。

這和：

ChatGPT回答問題

完全不是一個概念。

Personal Superintelligence如果真的實現，它應該瞭解：

• 你的工作；
• 朋友； -日程；
• 偏好；
• 健康；
• 興趣； -目標；
• 溝通方式。

然後長期替你：

• 思考；
• 組織； -提醒；
• 協調；
• 執行。

這會從：

AI tool

變成：

AI extension of the individual。

31. 這也是 Meta 擁有一個其他AI公司沒有的巨大潛在優勢

OpenAI擁有：

模型入口。

Anthropic擁有：

開發者和企業入口。

Google擁有：

搜索、Android、Workspace。

Meta擁有：

人類社會關係圖譜。

包括：

• Facebook；
• Instagram；
• WhatsApp；
• Messenger。

因此，如果未來真正重要的是：

Personalized Agent，

那麼“知道你是誰、認識誰、和誰溝通、喜歡什麼”

就會變成非常重要的數據優勢。

這也是 Personal Superintelligence 對 Meta 具有巨大戰略吸引力的原因。

32. 但這裏存在一個非常值得質疑的矛盾

Wang強調：

不希望世界被一箇中央AI控制。

這個理念有合理性。

但 Meta 自己就是全球最大的數字平臺之一。

如果未來數十億人的：

• Personal Agent；
• 社交關係；
• 商業Agent；
• 消息；
• 支付； -身份；

都經過 Meta 基礎設施，

那麼“分佈式AI”在用戶層面可能是分佈式的，

但基礎設施層面仍可能高度集中。

所以投資者和政策制定者必須問：

誰擁有Personal Superintelligence的底層控制權？

這是未來真正的權力問題。

33. 開源在這裏就不僅是技術理念，而是產業權力結構

Meta過去長期推動開放AI生態；最新Muse產品則包含API、Meta AI產品以及研究開放等多種不同部署模式，Meta也明確區分開放、API控制和封閉模型的不同安全治理方式。

開放模型最大的價值是降低：

• 模型壟斷；
• API鎖定；
• 單一供應商控制；
• 創業門檻。

但開放並不能自動解決：

• GPU集中；
• 電力集中；
• 數據集中；
• 分發集中。

因此 AI 真正的“去中心化程度”要看整條產業鏈。

不是隻看：

模型權重能不能下載。

34. Wang說“每一波都大10倍”，應該理解爲方向性判斷，而不是數學預測

他在採訪中將AI浪潮大致描述爲：

早期自動駕駛。

然後Chatbot。

然後Coding Agent。

下一步還有新的Agent和交互模式。

並表示後續浪潮可能比前一波大得多。

真正值得學習的不是“10倍”這個數字。

而是他的觀察方式：

AI的產品形態仍然遠遠沒有固定。

很多人容易產生：

ChatGPT就是AI最終形態。

這很可能就像1996年認爲：

Yahoo網頁就是互聯網最終形態。

後面還會出現完全不同的原生形式。

35. Agent的終局可能不是一個Agent，而是Agent組織

今天我們想象：

一個人一個AI助手。

未來可能完全不同。

一個人可能擁有：

• 財務Agent；
• 健康Agent；
• 學習Agent；
• 行程Agent；
• 研究Agent。

一個公司可能擁有：

• 銷售Agent；
• 客服Agent；
• 軟件Agent；
• 安全Agent；
• 數據Agent；
• 法務Agent。

然後這些Agent之間互相協調。

真正需要研究的就不再是：

AI assistant。

而是：

AI organization。

36. 公司本身可能最終被重新理解成“反饋循環集合”

Wang有一個非常高級的觀點：

公司本身就是大量feedback loops。

例如銷售公司：

Lead

→ 聯繫客戶

→ 客戶反饋

→ 調整銷售策略

→ 成交

→ 獲得更多數據

→ 找到更多Lead。

產品公司：

用戶使用

→ 數據

→ 產品修改

→ 用戶再次使用。

如果把公司看成反饋循環，就可以逐個問：

哪個循環可以被Agent接管？

這是極其強大的企業AI方法論。

37. 不要問“AI能不能進入這個行業”，應該問“這個行業有哪些閉環？”

例如保險：

不是問：

AI能不能做保險？

而是拆成：

申請

→ 風險判斷

→ 報價

→ 成交

→ 理賠

→ 欺詐檢測

→ 重新定價。

每一個環節都是Agent機會。

房地產：

Lead

→ 篩選

→ 聯繫

→ 看房

→ 報價

→ 合同

→ 跟進。

醫療：

患者數據

→ 初篩

→ 檢查

→ 診斷

→ 治療

→ 複查。

真正優秀的AI創業者，會尋找其中：

反饋最快、數據最完整、目標最明確、經濟價值最高的一個循環。

先自動化它。

然後不斷向外擴張。

38. 這可能是未來垂直AI公司最強的商業模式

很多人現在做：

AI + 某行業聊天框。

競爭壁壘很弱。

真正強的垂直AI公司會變成：

Own the loop。

不只是回答建議。

而是直接執行：

• 讀取數據；
• 做判斷；
• 調用系統；
• 完成工作；
• 獲得結果；
• 再訓練下一輪。

一旦擁有整個loop，公司就會積累：

• 數據；
• Eval；
• 客戶流程；
• 反饋；
• 系統集成。

這些纔是真正護城河。

39. “找到指數曲線”是 Wang 給年輕人最值得記住的建議

YC對這期採訪的官方總結也強調，他建議年輕人尋找“the exponential worth betting your twenties on”。

他的核心思想不是：

什麼行業今天工資最高？

而是：

什麼東西未來10年增長最快？

這和職業選擇具有巨大關係。

假設兩個年輕人能力相同。

A進入一個未來每年增長2%的行業。

B進入一個未來高速增長的新技術產業。

10年以後，他們獲得的：

• 機會；
• 人脈；
• 知識；
• 財富；
• 管理經驗；

可能完全不同。

這叫：

Career Beta。

不僅選擇公司。

更是在選擇自己的人生增長曲線。

40. 但指數曲線最開始通常非常不起眼

Scale早期處理的是：

圖片。

車輛。

貓。

標籤。

很難讓人聯想到：

未來超級智能基礎設施。

但重要的不是起點。

而是：

這項技術處於什麼曲線上？

這與Amazon早期只是“網上賣書”類似。

真正重要的不是書。

而是：

互聯網商業正在指數增長。

所以看創業公司不能只看：

今天是什麼？

必須看：

如果底層指數持續十年，它會變成什麼？

41. 這就是爲什麼年輕人尤其適合押注指數曲線

20歲最大的資本通常不是錢。

而是：

時間。

如果判斷錯誤：

可以重新開始。

如果判斷正確：

可以陪伴一個行業增長20年。

Wang19歲押注AI。

到了20多歲，這條技術曲線已經把他從：

機器學習數據創業者，

帶到：

領導全球最大科技公司之一的超級智能實驗室。Scale官方也確認，他在建立Scale近十年後於2025年轉入Meta AI體系。

這種職業複利遠遠大於：

第一份工作的工資差10%。

42. 對創業者而言，我會把這期採訪壓縮成九條真正有操作價值的原則

第一，尋找產業約束，而不是追熱門名詞。

熱點在哪裏人人看得到。

瓶頸才產生基礎設施公司。

第二，區分“方向正確”和“時間正確”。

太早同樣會死。

第三，建立Internal Compass。

但必須建立在真實行業知識上，而不是自我感動。

第四，尋找長而陡的指數曲線。

不要只追一個季度的趨勢。

第五，不要把AI只當工具，要尋找完整反饋循環。

Loop 比 Chatbot 更值錢。

第六，先設計Eval，再擴大Agent數量。

沒有正確目標，更多Agent只會更快地產生垃圾。

第七，系統思維比具體代碼語言更加長期。

抽象層會變，架構能力不會消失。

第八，模型不是唯一護城河。

數據、客戶、反饋、流程和分發更加持久。

第九，當智能變便宜以後，押注新的稀缺資源。

這可能是所有原則裏最重要的一條。

43. 對投資者而言，這期採訪真正值得追蹤的不是 Alexandr Wang 本人

而是五個結構性指標。

第一，Cost per successful agent task。

AI到底有沒有越來越便宜地完成真實工作？

第二，Agent loop可靠性。

Agent能否從幾十分鐘走向幾小時、幾天穩定運行？

第三，Eval基礎設施。

企業是否開始系統化建設機器可驗證的業務指標？

第四，Human-to-Agent leverage。

一個員工到底能夠穩定管理多少AI工作？

1個？

10個？

100個？

第五，企業組織是否真正減少中間執行層。

如果AI開始改變headcount結構，而不只是增加軟件預算，

就意味着Agent革命真正進入經濟系統。

44. Wang觀點最大的風險，是他可能低估“現實世界摩擦”

他正在 Meta Superintelligence Labs 工作。

所以自然容易看到：

AI能力高速增長。

但社會擴散還需要面對：

• 法律；
• 監管； -責任； -隱私； -客戶接受程度；
• 工會；
• 醫療安全；
• 金融合規；
• 企業遺留系統。

模型能力可以半年翻倍。

政府採購流程不會半年翻倍。

所以：

Intelligence scales digitally; institutions scale socially。

二者速度完全不同。

這會限制AI實際經濟滲透速度。

45. 第二個風險：Agent越多，組織複雜度並不一定下降

很多人想象：

1個人 + 1000 Agent

會比：

1個人 + 1000員工

簡單。

未必。

1000 Agent同樣會出現：

• 衝突；
• 重複工作；
• 上下文不同；
• 錯誤傳播；
• 權限問題；
• 成本失控；
• 目標漂移。

所以未來很可能出現一個新學科：

Machine Organization Design。

過去MBA研究：

怎麼管理人。

未來管理者還要研究：

怎麼管理非人智能勞動者。

46. 第三個風險：Agent生產率極高，但產出價值可能不高

1000個Agent可以一分鐘寫出：

1000份市場報告。

問題是：

誰需要1000份市場報告？

生產率增長只有在：

需求存在

時才產生經濟價值。

否則只是：

更多內容。

更多代碼。

更多噪音。

因此最終還是回到資本主義最古老的問題：

客戶願不願意付錢？

AI並沒有廢除經濟規律。

47. 這也是 Alexandr Wang、Sam Altman 和 Jensen Huang 三個人觀點最大的交匯點

三個人從不同方向，實際上都指向同一個世界。

Sam Altman：

智能越來越便宜。

Jensen Huang：

生成智能需要巨量計算基礎設施。

Alexandr Wang：

當智能和Agency豐富以後，人類最大的約束變成如何組織、部署和指導這些智能。

把三個人放在一起，就形成完整產業鏈：

Compute

↓

Models

↓

Agents

↓

Loops

↓

Organizations

↓

Economic Output

真正值得創業和投資的問題，就是：

在哪一層仍然存在稀缺性？

48. 我的最高層判斷：AI創業已經開始從“模型能力時代”進入“組織能力時代”

第一階段大家競爭：

誰的模型更聰明？

第二階段競爭：

誰的Agent更能工作？

接下來競爭很可能變成：

誰能夠把10、100、1000個Agent組織成一家公司？

這正是 Alexandr Wang 這期採訪真正指向的地方。

如果模型繼續進步：

智能成本下降。

如果模型不再快速進步：

現有智能仍然需要幾十年向經濟擴散。

所以無論哪種情景，

接下來巨大的機會都仍然存在於：

把智能轉化成真實經濟產出。

49. 最終真正應該記住的一句話

Scale AI 第一階段解決的是：

怎麼給機器提供數據。

Meta Superintelligence Labs現在研究的是：

怎麼給機器提供更強智能。

而未來真正最大的商業問題會變成：

人類如何組織幾乎無限的機器智能？

如果 Alexandr Wang 判斷正確，未來社會真正的稀缺品將不再只是：

程序員。

分析師。

工程師。

甚至未必是“聰明人”。

真正稀缺的可能變成：

願景、判斷、目標、品味、責任與組織能力。

因爲當一家公司隨時可以召喚1000個數字工程師時，

最重要的問題就不再是：

“誰來幹活？”

而是：

“我們究竟應該讓它們幹什麼？”

這就是所謂 once-in-a-civilization opportunity 最深層的含義。

不是因爲我們第一次擁有一個很聰明的聊天機器人。

而是因爲人類可能第一次開始進入一個：

“智能本身逐漸不再稀缺”的經濟時代。

一旦這種事情真的發生，整個資本主義最基本的稀缺性結構都會重新排列。

而最大的財富，往往恰恰誕生在這種稀缺性遷移發生的地方。