今天分享两篇来自 Geoffrey Woo 的博客文章，他早年从斯坦福的计算机专业本科毕业然后走上了移动互联网创业，再到社交营销技术和消费品创业，现在的工作融合了娱乐业，体育与高科技风险投资。是一个有趣的跨领域 「样本」。
Geoffrey Woo 是 Anti Fund 的联合创始人兼管理合伙人，这个风险投资基金是他于 2021 年与拳击手& 大网红 Jake Paul 共同创立，专注于投资 AI、机器人技术、先进软件和高增长消费品牌等领域 。他的博客上写到，他对人类身心表现、系统架构和组织设计有深入研究，致力于在 AI 主导的未来中探索人类的独特价值。
这篇文章他的核心观点是在 AI 智能体 （AI Agent ) 将会越来越普及的时代，创造自己项目的人和组织领袖，必须培养独特的判断力与品味。而这又来自于敢于做不同的事情 （未必是全新的事情）， 并且偏执地努力做到最好，这样才能获取属于人类的超出算法的直觉优势。
我推荐这篇文章，因为我也从一些从头利用 AI 思考与构建自己组织的人身上获得了启发，比如 「以人类价值为核心」 的人工智能交易与投资公司，以及依托 AI 驱动的生命科学创业公司和 「自动化科学研究」 机构，以人类想象力搭配人工智能系统的独立电影与游戏工作室等等。
这些前沿的系统设计理念，不仅能启发企业运营，对个人的学习与工作方式也非常有帮助 （比如我最近在阅读 CAA 创始人迈克尔·奥维茨的书，我发现除了他自己是最强的超级 「代理人」，也是培养 「人类多智能体」 协同工作的总工程师，这既是科学也是艺术）。
希望今天的文章对你有启发。
如何在 AI 代理主导的世界里做一个人类 CEO
解决问题的艺术，在于如何聪明地将复杂的问题拆解成更简单的部分 （The art of problem solving is about intelligently breaking down complex problems into simpler ones）。我还记得在斯坦福读研究生算法课时，读到 Jeffrey Dean 的经典论文 《MapReduce》，那是个完美的例子。
MapReduce 的思路很简单：把一个庞大的任务切成更小的块，分别并行处理，最后再把结果合并起来 （MapReduces takes a large task， chops it into smaller pieces， processes them in parallel， and combines the results）。听起来简单，但正是这个概念，让 Google 有能力处理互联网级别的海量数据。
今天，我在商业世界中看到了类似的机会——借助 AI 代理来做类似 MapReduce 在数据领域做的事。也就是说，把一项复杂的业务挑战，拆解成更小、更专业化的任务，交由不同的 AI 并行处理，最后再整合成一个完整的结果 （break down business challenges into smaller， specialized tasks， parallelize their execution， then synthesize a final result）。这是计算机领域已经验证有效的模式，而这个类比将会重塑未来企业的运作方式。
那么，现实问题来了：作为一个人类，你要如何做好准备，去应对这种全新的竞争范式 （how you， as a human， should prepare to compete in this new paradigm？）
MapReduce 基础解析
MapReduce 基于两个核心操作：「map」（映射）和 「reduce」（归约）。你从一个大型数据集开始，比如说，过去 24 小时内所有网页搜索的日志。与其让一个系统一次性处理所有数据，不如先将它切成多个小块 （map）（Instead of having one system process this all at once， you split it into chunks (map)）。每一小块可以被并行处理，通常分配到多台机器上。处理完之后，再把所有部分结果收集起来，合并成一个完整的输出 （reduce）（you gather all the partial answers and merge them into a single output）。
这种方法解决了两个大难题：性能和可扩展性 （performance and scalability）。通过分布任务，大大减少了处理时间 （By distributing the workload， you dramatically cut down on processing time）；通过任务模块化，当数据量增长时，也更容易添加新的计算节点，实现横向扩展 （By modularizing tasks， you make it easier to add new nodes and scale horizontally as your data grows）。最终的结果就是一个更灵活、更能容错的系统 （a more flexible， fault-tolerant system）。
范阳注：这样的 「系统建设」 前沿思想，已经发生在一些组织架构上，目标是让我们的工作更容易 「包容」 新的技术进化，也更具有韧性和可迭代性。
把 MapReduce 思想应用于你的公司组织架构
现在，你的公司可能还是按照技术职能或者业务线来划分组织架构。但未来的组织模型可能是一个一体化的超级 AI 来负责一切 （your business is structured as some org chart based on technical function or business line. A future org chart model may be a monolithic AI tasked with everything.）。
不过，从美学直觉上来说，这种 「神一样的 AI 模型 「统领一切并不对劲。更合理的想法是：由多个可以并行工作的、容错性强的、专精不同任务的 AI 代理 （agents）组成一个有智能调度能力的系统。相比起一个无所不能的超级 AI（a God AI），后者才是更贴近现实的心智模型。
想象一下未来的场景：你能够随时调动这样一组 AI 代理团队。此时，MapReduce 的概念就变得非常有参考意义——只不过这次我们不是在切分数据集，而是在切分一个商业难题，把它拆解成一个个可串联的任务流程，每个任务交给最擅长这类问题的 AI 模型来处理 （instead of splitting a dataset， we』re splitting a business problem into separate chained workflows that leverages the unique strengths of individual AI models）。这种做法和设计思路，在最前沿的从业者中已经比较常见了。
但接下来真正重要、还没有被充分讨论的一步是：你该如何将你的公司组织架构重新设计，使它能够映射到一个由 AI 代理构成的系统？同时，你又该如何成为这样一个系统中的优秀 「乐队指挥」（build your company org chart to map to AI agents and how to be a good orchestrator of such an organization）？
如何用 AI 代理重构公司，以及如何成为一个有价值的人类
MapReduce 论文为大数据时代提出了一个关键洞察：把一件复杂的事情拆分成多个简单的子任务并行处理，然后合并结果 （do a bunch of simple things in parallel， then bring it all together）。今天，我们正站在一个类似的架构转变 （a similar architecture shift）的门槛上。不同的是，这次转变不是发生在计算机系统上，而是发生在你的组织架构上。
范阳注：高级智能总会体现在新组织 organization/新生命体 organism 的产生。
你需要重新设计你公司的架构，使其能够适配一个由自主智能代理组成的世界 （You need to design your company architecture to map to a world of autonomous intelligent agents）。今天，你的 「代理人」 是人类；明天，其中一部分将是 AI；再往后，所有的代理都将是 AI。
在这个新范式中，最关键的能力是整体的 「合并函数」（merge functions）——也就是说，你如何裁决那些来自不同 AI 代理的、彼此矛盾的优先级和目标函数？其中大多数判断其实是可以被自动化的，因为 「合并」 本身在技术上是已被理解的过程。
然而，最有价值的判断不是逻辑线性的，而是与品味有关的非线性选择。因此，作为一个人类，你最重要的任务就是发展你的品味 （taste）。
范阳注：这里我和人工智能一起撰写了一个类比更好的解释：
想象一下你在厨房里做一顿大餐：你有不同的厨师 （AI 代理），每个人负责一道菜。有的人擅长切菜，有的人擅长炒菜，还有人专门做甜点。这些厨师各自有自己的食谱和节奏 （它们的 「目标」 和 「优先级」），但最后你还得把所有菜一起装盘送上桌成为一次完美的 「夜宴」——这就是 「合并」 的过程。
在这个新模式下，最重要的能力，就是扮演好 「厨房调度员」（merge functions）的角色，像是 「导演」 和 「交响乐团的指挥」：你要决定哪道菜先上、哪道菜后上，怎么让每个厨师的努力最终形成一桌丰富且和谐的美味。
好消息是，凡是有 「固定规则」 的部分，例如 「汤要最后才裹浇头」「配菜要先切好后烹饪」，这些都能让厨房里自动化——比如设定定时器、程序化地分配食材，机器都可以照着流程走。这相当于把大多数 「合并」 决策交给系统，让它自动处理。
但最关键的那一眼到那一口 （尤其端上桌以后对于食客来说），是 「根据口感和氛围做微调」 的部分。比如你突然觉得这道菜味道不够，需要多放点神秘香料；或者这盘甜点太腻，要换成清新的水果降低甜度。这些 「非线性的决定」 就像大厨对整体色香味的把控，它不是写在食谱里、让机器自动就能做好的，而是要你用 「品味」 来判断，甚至就是即兴的艺术。否则，再精细和精密的控制流程也会呈现一顿平庸的饭局，甚至扫兴的体验。
绝大多数人都以为自己有品味，但其实没有 （Most people think they have taste， but they do not）。你的 「品味」 不过是你最喜欢的播客主持人或社交平台 shitposter（喷子）的话的拼贴和衍生。你所谓的 「品味」，在整个人类知识的语料库面前几乎微不足道。更别说现在聪明人还在持续生成你根本处理不过来的合成数据。
要想发展出真正有用的品味，你必须掌握别人没有的独特专有数据或洞察 （To develop useful taste， you will have to have access to unique proprietary data or insights that no one else has）。这意味着你得去做别人没做过的事，赢得别人还没想到的艰难认知。你必须不断积累这些洞见和经验，才能相对于一个通用 AI CEO 获得竞争优势。（This means you』ll have to do stuff no one else has done and win hard-earned insights that no one else has thought about to develop actual taste， and you』ll have to stack a lot of these insights and lessons to get an edge over a general AI CEO）。
也许，现在你最重要的目标就是：优化你的人生，以发展这种稀有的 「品味」。否则，就会有另一个人类把你彻底自动化掉。
范阳注：来自史蒂夫乔布斯对如何发展出真正的 「品味」 的思考：
Steve Jobs：我觉得我的审美品味并没有比很多人高明多少。区别仅在于，我固执地坚持把产品做到我们认知范围内的极致。这才是唯一的差异。
Michael Moritz：我觉得你常常太谦虚了。
Steve Jobs：其实审美是在犯错中精进的。我有幸犯过很多错。但真正的关键在于：做一件东西时，把它做到极致并不需要更多精力——也很少需要更多资金。只需要多花一点时间，其实多不了多少。更需要的是追求极致的意愿，是坚持到底的执着。
原文链接：https://www.geoffreywoo.com/how-to-be-a-human-ceo-in-a-world-of-ai-agents/
本文来自微信公众号：范阳，作者：范阳
