逛完 WAIC，我不再迷信“全能 Agent”了

Claude 和 GPT 正在吞噬一切，这是应用创业者最糟糕的黑暗时期。

Agent 不必先学会拯救世界。

它能在一个边界清楚的场景里，把一件麻烦事稳稳地做好，就已经很了不起了。

我平时很爱折腾 Agent。

总想给它上难度。给一堆资料，看它能不能自己找重点。让它跨好几个项目干活。故意把话说一半，看它会不会追问。再塞点异常情况进去，看它会不会把前面做的推翻重来。

我以前对 Agent 的感觉挺矛盾的。能力看起来很吓人，拆任务、列计划头头是道，真到关键一步就总要出错，距离“丢给它一个复杂目标，它就能放心去做”还差得远。

但这次逛 WAIC，这个想法变了。

展馆里有机器人，有大模型，有各种屏幕和演示。我最后带走的却是另一个更实在的感受： 技术一放进真实场景，值不值钱立刻就清楚了 。它不用先把世界上所有问题都解决掉，先把一个行业里反复发生的繁琐的事情处理了，就已经很有用了。

电网、钢铁、石油、工厂、家庭，这些地方以前听着离大模型比较远的。现在 AI 已经慢慢接进了预测、调度、诊断、协同和服务。我之前老 拿“通用能力”去衡量 Agent，这问题本身就问偏了。 企业要的从来不是一个会聊天的 AI，是有人带着 AI 把一件事做完，把结果做出来。

欢迎大家关注 OceanBase 社区公众号 “老纪的技术唠嗑局”。在这里，我们会持续为大家更新与 #AI 和 #Data 相关的技术内容~

模型进了公司，但公司缺的往往不是模型

这次听了不少学界、政界里的院士和领导人负责的论坛，感觉收获不大。

反倒是一些商人在做 AI 分享时，能让我的脑子真正跟着一起动起来。

比如在听李开复的分享时，我脑子里就一直有个画面——一个很强的模型，第一次走进一家公司。

它面前摆着客户资料、合同、库存、报价、会议纪要、审批流……还有散在各个系统里的历史记录。每份看着都有用，很多地方又互相打架。谁能看什么，谁能改什么，哪条规则碰不得，出了事该找谁，这些不会自动写进它脑子里。

模型再强，也不会凭空知道一家公司是怎么 转 的。

现场讲到 “本体（Ontology）” ，我觉得这词一下把问题说透了。听着很技术，其实理解成 一张运行地图 就行：客户和合同什么关系，合同影响哪些产品，产品又被哪些库存、价格、审批规则卡着，一个项目一旦延期会牵动谁。

没这张地图，AI 就像刚进公司的聪明实习生。会查资料，会写报告，能把事讲明白，可对“这里的客户”、“这条规定”、“这笔钱”、“这个例外”到底意味着什么，它暂时还没有概念。

地图之外还有实时情况。客户今天下单没？报价到哪一步了？审批卡在谁那儿？设备报警没？库存、价格、合同变没变？靠一堆静态文档远远不够。很多 Agent 看着不准，问题常常出在它拿到的信息过期了、残缺了，或者压根没权限看到关键数据。

最后才轮到执行，这些 AI 都能干，也能帮人把流程往下推。AI 先给建议，留下记录，人来确认；规则清楚、风险又低的环节，再慢慢放开 AI 的执行权。这条路走得慢一点，企业才敢真用。

现在我判断一个企业 AI 项目有没有戏，会看五件事：模型够不够用，业务关系有没有讲清，实时数据接不接得上，执行能不能控制，最后有没有人对结果负责。少一样，项目大概率就停在“演示很惊艳”那一步了。

说实话，这类停在演示的项目，在 WAIC 里还是挺多的……

DRI，正好戳中我最近在琢磨的事

技术和模型都会变，但最后还是要回到人。

另一个最想跟大家分享的，是 DRI。

DRI 是 Directly Responsible Individual，直接责任人。简单来说就是：一件关键的事，总得有一个人盯到底。进展怎么样他知道，资源不够他去协调，遇到冲突他拿方案，最后结果好不好，他也躲不掉。

听到这儿我特别有共鸣。因为这也是我们实际遇到的问题，AI 上得越多，越容易冒出一种错觉：人人都参与了，群里信息一堆，文档和代码越来越多，但交付效率却不高。

DRI 把问题拉回到最朴素的地方：这事最后谁负责？

我喜欢把 DRI 理解成“带着 AI 干活的人”。他不用自己做完所有事，但他得清楚哪部分交给 AI，哪些结论要找人复核，什么时候该停下来。AI 给他添的是手脚和信息，责任还得自己来背。

所以我觉得团队 想做 AI 试点，不用先憋一个大而全的平台，找一个小任务就够 ：高频，够痛，手里有数据，做完看得见效果。再指个愿意对结果负责的人，把目标、边界、能调的数据、能用的系统、异常了往哪升级，都写清楚。

这么起步，AI 才有地方落脚。

总结一下上面的东西： AI 的价值不来自难度，而来自稀缺与需求的交汇点 。由此，大家该做的不是追逐技术巅峰，而是蹲下来找到那个“别人不愿做但用户急需”的具体裂缝。不该沉迷于宏大叙事，因为账单只认场景。做了，你能抓住最确定的现金流，在无人区建立护城河。不做，你会被困在“技术很好但没人买单”的幻觉里，看着务实者一步步吃掉市场。

物理 AI 的热闹背后，是一堆很不浪漫的问题

最好的技术，最终还是要回到初心 —— 信任、普惠，解决真实的社会问题。

这几天最火的词当然是物理 AI。机器人走路、搬东西、和人互动，展馆里围得水泄不通。

我以前总觉得机器人离日常还远，这次虽然感受到物理 AI 已经卷起来了，但也没有那种“我们很快就能有个机器人”的兴奋，反而更理解这事为啥这么难。

文本模型答错一句，最多让人多核对一下。 但机器人抓空一次、撞一下、慢半秒，后果却是发生在真实世界里的 。它得看见环境，理解目标，规划动作，控制身体，还要对付光线、遮挡、摩擦、设备误差，以及人平时根本说不出口的操作细节。

所以我更看好那些边界清楚的场景。仓储搬运、工厂巡检、局部装配、医院物流、康复辅助、养老和家庭里的一小部分服务。听着没有“一个机器人包办所有事情”那么酷，却更容易先做出稳定结果。

大模型像大脑，物理 AI 像身体。身体一旦进了现实，可靠比口才重要得多。能看、能抓、能避、失败了能调整、拿不准了知道停下来找人，这些本事一点点攒起来，才有机会从展馆走进工厂和家庭。

另外， 物理 AI 目前发展还很早期，距离“ChatGPT 时刻”还很远 ，但我对这块还是很关注的。如果说数字 AI 是提高白领的工作效率，那物理 AI 就是提高蓝领的工作效率。它正在从一件件小事开始，慢慢进入真实世界。

有一场圆桌， 大家几乎不再去聊机器人像不像人，聊得最多的是数据 ——真机数据怎么采，仿真能覆盖到哪儿，互联网上的第一视角视频能补什么，失败的操作能不能回收进下一轮训练。还有延迟、硬件寿命、成本、成功率、控制精度。除此以外，这些机器人还都有一个共同问题：不能每次想起一件事都先回云端翻档案。原因也很现实：移动网络很可能不稳定，但设备的延迟不能太高；外加用户隐私问题、成本问题等等。

这时，稀缺与需求的交汇点就汇聚到了 seekdb ^[1] 和 OceanBase ^[2] Lakebase 上——seekdb 的嵌入式形态、低资源门槛、本地混合检索能力，可以在设备侧保存局部状态、任务轨迹、用户偏好和检索索引。车端、机器人、智能终端都需要一块本地“小脑”：能低延迟检索，也能在必要时和云端大脑同步。数据中心侧则可以用 OceanBase Lakebase 做多模态数据回流、治理、训练和评测。设备侧用 seekdb + PowerMem 负责即时反应，中心侧负责长期演进。

这条路，比“所有记忆都塞进云端大模型上下文窗口”靠谱得多。目前很多支持智驾的车企，都是这样做的——OceanBase + seekdb + PowerMem ^[3] 。

这类“端侧即时反应 + 中心侧长期演进”的架构方向，正逐渐成为现实。

seekdb 是 OceanBase 社区面向 Agent 和 AI 应用的轻量级 AI Native Search Database，项目已开源，详见：https://github.com/oceanbase/seekdb

具身智能 & 附身智能

机器人能干的事情越来越多，那人怎么办？

机器和人的关系，不一定只有替代。相比上面说的具身智能（机器人），这次 WAIC 上有很多展台，开始把类似于智能眼镜、机械外骨骼的智能穿戴设备称为“附身智能”。

例如搬家时，要把冰箱扛到某个地方——路线怎么走，可以交给智能眼镜里的高德地图；原本压在人腰上、肩上的重量，可以交给机械外骨骼；转弯时怎么避开墙，才轮到人来控制。

这些端侧设备也让我们看到一个正在发生的趋势：当大模型的能力以 6-12 个月的周期“流”向端侧，一个很自然的问题浮现——端侧设备上，谁来给这些小模型提供数据底座？它需要边缘设备上跑一个完整的传统数据库实例，同时还要让它支持向量检索、全文搜索、结构化查询。

在这里，可以用 seekdb 这个开源项目作为边缘设备的数据库 —— seekdb 的服务器模式，只需要 1C2G 的资源，支持 pip install 一键安装、秒级启动。嵌入式模式甚至可以作为 Python / JS / TS 的动态库，直接运行在应用程序内部，不需要独立数据库进程，几乎没有任何资源开销。而且，同时支持了向量检索、全文搜索、JSON、GIS。所有功能，一个轻量级引擎全包，兼容 MySQL 语法，学习成本极低。

谷歌 DeepMind CEO Hassabis 在访谈时总会提到：一个前沿的 Pro 模型发布后，在半年到一年内，它的能力就能被压缩到非常小的、几乎可以跑在边缘设备上的模型里。他给了具体数字： 蒸馏后的小模型可以达到前沿大模型 90-95% 的能力，成本仅约十分之一 。

谷歌的 DeepMind 自家产品线就是这套逻辑：Gemini Pro（前沿旗舰）→ Flash（蒸馏后的消费级推理）→ Nano（端侧设备）。

WAIC 中的这些具身智能、附身智能，包括车载智能设备等等边缘设备，会让人更加确信：端侧智能不是“未来某天的事”，它以 6 个月为周期在逼近。那些能在极低资源开销下，提供完整 AI 数据能力的基础设施，很快就会从“可选”变成“刚需”。

AI，也开始通过记忆来关心关系和陪护

这次还有一些挺意外的东西。

我原以为“共同记忆”这类 Agent 更多是放在企业里，团队共享内部资料、项目背景和决策记录，听着很自然。

现场还有面向家庭记忆和陪伴的产品与应用：帮一家人留下共同经历，管好重要信息，少一点那种“我以为你记得”的时刻。

甚至还有人做的应用是“人宠理解、记忆的桥梁”，感觉略显离谱……

这些 AI 记忆产品的方向都很小，但我却觉得很有意思。

AI 记忆不只是在办公室里给人省时间，也有机会帮人去理解和照顾那些没法用标准语言表达需求的对象。

这里再为大家推荐一个基于开源项目 PowerMem 延伸出的项目 seekdb M0 ^[4] ，是专门为 AI Agent 设计的自进化的云记忆，支持一键接入，分享经验，自主学习和进化。

如果你正在做需要“记忆”的 AI 产品，不妨去了解一下 PowerMem 和 seekdb 这两个开源项目。

在会场里，我看到了医疗方向的多专家 Agent 团，这也让我想到同一件事。Agent 不取代医生做最终判断，但能把稀缺专家的经验组织起来，让更多患者更快得到支持。这才是我理解的普惠，也是很多 AI 公司的价值观。发布一个最炫的模型不等于普惠，让更多人用上原本昂贵、稀缺的能力，才是真的普惠。

AI 很强，但本质还是台图灵机

清华姚班创始人姚期智院士的分享，给我补上了很重要的一块。大家都在看 AI 能做什么，也得有人提醒我们，它做不到什么。

围棋、蛋白质结构预测、代码生成，AI 已经做出了过去很难想象的成绩。可这些能力一放进开放世界，还是碰上老问题：信息不全怎么办，规则说不清怎么办，答案错了代价还很大怎么办。

姚院士讲了个挺反直觉的点：AI 再强，也还在图灵机的框架里。以“停机问题”为例，计算机没有一个放之四海皆准的解法。

不过，这些并没有让我更悲观，反而让我理解了—— 边界被看清了，AI 才能用得更好 。

科学研究这块硬骨头，AI 才刚开始啃

姚院士讲到未来几年最有价值的就是如何赋能科学研究，也让我重新看了看 AI for Science。

科学研究和写代码、做考题不太一样。很多问题没有标准答案，反馈来得慢，一次实验可能做几个月，大量尝试到头来都是失败。人要做的，是从已有知识里提出一个值得验证的问题。

AI 在这里能帮的很多。读大量文献，找互相矛盾的证据，帮着整理假设，设计计算方案，跑分析，把每次尝试都留档，再把失败结果一起带回下一轮。科学家继续判断问题值不值得追、证据够不够、实验设计有没有漏、结论站不站得住。

这里姚院士也讲到几个案例，比如清华大学团队利用 AI 处理望远镜现有数据，将可观测的宇宙早期时间向前推进了 1 亿年。OpenAI 的大模型推翻了存在 80 年的单位距离猜想，证明过程用到了深度代数数论等。

姚院士还讲了 AI 和量子技术的关系。AI 能参与量子纠错、控制和复杂系统优化，量子计算未来也可能为学习量子数据、处理更复杂的问题打开新空间。它更像一条长期路线，离普通消费者很远，却可能左右新药、新材料、能源和算力将来会怎么冒出来。

这场分享让我对“AI 的下一步”有了更长的时间尺度。我们每天聊模型、Token、Agent，另一边已经有人把 AI 放进天文、化学、生命科学和量子物理里。 应用层的热闹很近，基础科学的积累更慢，也更深。

前两周因为 Claude Science 出来，我深度调研了 AI for Science 这块儿。Anthropic 对 Claude Science 的定位是 AI workbench for scientists，也就是面向科学家的 AI 工作台。

这个定位比“科学版 Claude”准确得多。我的理解是，这是一个为科研重做的 Agent workspace。聊天框仍然是入口，但工作发生在文件、终端、数据库、计算任务和 artifacts 里。

按照官方介绍和公开的 skill 体系，它把常用科学软件包、数据库连接、代码执行、远程算力和可审计产物放进同一个 Agent 环境。研究者可以让 Claude 读材料、规划步骤、调用工具、运行分析，再把过程和结果留在工作区里。这个变化看起来没有发布一个新模型那么炸裂，却更接近科研人员每天遇到的麻烦。他们很多时间并没有花在提出那个最聪明的问题上，而是耗在找文件、配环境、等任务、改脚本、补引用和整理结果上。

不过，对大多数只是想亲手试一试的读者来说，Claude Science 目前还有个现实门槛：不一定用得到。官方仍把它标为 beta，实际可用性取决于账号计划和产品开放进度。

因为 Claude Science 还难用到，如果现在就想动手，我更推荐 OpenScience ^[5] 和 Feynman ^[6] 。它们都开放了代码，也都能在本地运行。两者路线不同，正好对应各种常见需求。

OpenScience 更接近完整科研工作台。它把文件树、编辑器、终端、会话记录、Agent runtime、tools、skills 和科学数据库连接放在同一套本地应用里，还支持 Anthropic、OpenAI、Google 和开放权重模型。想研究一个科研 Agent 怎样管理上下文、调用工具、连接数据库和保存 provenance，可以先看它。

Feynman 更偏研究工程师的日常入口。它从 CLI 起步，提供文献综述、论文排序、深度研究、代码审计、复现实验规划等命令，也能通过 feynman serve 打开独立 workbench。如果手头已经有论文、代码仓库或复现任务，Feynman 通常更容易找到切入点。

青年论坛聊职业，反倒没制造更多焦虑

在青年论坛上，有个问题问得很现实：当越来越多入门级工作被 AI 自动化，年轻人以后靠什么积累第一份经验？

现场没有人推荐所谓的“安全专业”，也没有人承诺哪份工作永远不会被替代。大家给出的答案反而很朴素： 定义问题、专业判断、快速学习、沟通协作、理解他人、面对不确定性，以及对结果负责 。技能会过期，但判断力不会轻易折旧。

AI 可以替你完成任务，却不能替你承担后果。一位学生分享了她第一次组织 CEO 圆桌的经历。临时调整议程、协调各方、处理突发状况，很多决定必须由她当场做出。后来，她又独立搭了一个规模不大的定价模型。两个项目大小不同，带来的成长却很相似：真正的经验，不是“参与过”，而是某件事曾经落到你肩上，你必须把它往前推进。

经验从来不只来自重复劳动，更来自真实责任。一个项目最重要的产出，有时不是结果，而是那个开始敢于做决定的自己。

WAIC 的主论坛上还有句话让我印象很深：“ 教聪明人金融，比教金融人士变得聪明容易得多。 ”放到 AI 时代也一样。与其追问什么专业最安全，不如让自己成为那个能快速理解新问题、不断学习、持续深入的人。AI 是通才，人的机会反而在于把一件事做深，在真实世界里形成自己的判断。

另一位嘉宾说，她从小就觉得考 100 分未必是好事，因为 100 分意味着失去了反馈，不知道自己还能在哪里进步。

这句话很妙：满分让人停下，反馈让人成长。在变化最快的时代，“暂时做对”没有那么重要，“持续修正”才是真正的能力。

AI 带来的一个巨大变化，是把试错变便宜了。过去想做一个产品、完成一份研究、验证一个商业想法，往往要找团队、等资源、花很多钱；现在，一个年轻人借助 AI，就可以先把想法做出雏形，再拿到真实世界里接受反馈。

这也是为什么，一场讨论职业未来的论坛，最后没有让我更焦虑。AI 焦虑很容易把人推向“赶紧再学一个技能”，但技术永远会变，下一个热门工具也一定会出现。与其寻找一条不会被 AI 改变的路，不如把自己变成一个能够穿过变化的人。所以 AI 时代，是最适合押注自己的时代。

最后现场的主持人也送给大家三个词： 幽默快乐、好奇心、健身 。

保持幽默快乐，保持对世界的好奇，也别忘了锻炼身体，和爱你、你也爱的人一起感受真实的温度。技术不断向前，但人的快乐、好奇、健康与彼此陪伴，依然是 AI 无法替我们拥有的东西。

小团队有了新杠杆，难的还是找到好问题

展区里还有不少一人公司、小团队创业的展位。以前得靠完整团队才能做的研发、设计、运营、内容和客服，现在几个人，甚至一个人加一套 AI 工具，就能先把产品跑起来。

这对创业者是大机会。技术门槛在降，很多想法终于能先拿出来试，而不是卡在“我没团队”“我不会写代码”“我没预算”上。

随着各家模型能力越来越接近，大家又回到另一个起点：你看到的到底是什么问题？行业里那些不写在 SOP 里的细节，客户嘴上没说但天天抱怨的地方，交付时反复返工的环节，别人懒得花时间理解的流程，都会变成新的价值来源。AI 给了小团队更大的杠杆，但客户理解、行业经验、产品判断，没有被自动送到每个人手上。

所以我觉得， 往后好的 AI 创业者，未必是最会讲模型的那个。他得愿意到现场去，看见真实的摩擦，再把那点摩擦做成一个有人肯付费的产品。

最后

逛完这次，我没有更想追一个“全能 Agent”，也没有更急着给所有事都套上 AI。

我更愿意先问一句：这个任务到底卡在哪儿？信息散了，流程慢了，专家不够，数据不通，还是没人愿意盯到底？

问清楚了，再看 AI 能帮哪一段。它能在某些边界清楚的场景里稳定干活。人继续做判断、验证、协调、担责任，继续决定一件事到底值不值得做。这比“AI 会不会替代人”更值得聊。

我们正在进入一个能把想法更快放进现实的阶段。有人用 AI 做出更好的产品，有人用它做科学研究，有人让机器人走进工厂和医院，也有人拿它照顾家人、理解宠物。

我期待的 AI，是能让更多原本做不到的事，开始有机会发生。

参考资料

[1]

seekdb: https://github.com/oceanbase/seekdb

[2]

OceanBase: https://github.com/oceanbase/oceanbase

[3]

PowerMem: https://github.com/oceanbase/powermem

[4]

seekdb M0: https://m0.seekdb.ai/

[5]

OpenScience: https://github.com/synthetic-sciences/openscience

[6]

Feynman: https://github.com/companion-inc/feynman

相关内容推荐

近期活动推荐

了解更多

添加社区小助手，加入微信交流群~

AI 技术 · 目录

作者提示: 个人观点，仅供参考

阅读原文