最近的龙虾实在太火了!大街小巷,贩夫走卒都在讨论如何养一只。似乎OpenClaw可以解决一切问题。这是一种AI焦虑带来的误解。比如说,有人想让龙虾帮他们自动炒股。如果你的策略战胜不了市场,那龙虾只会让你输的更多。
不要忘记:对你来说,OpenClaw永远只是一种工具。当人人都有这个工具时,你战胜对手的唯一的机会在于差异化:用AI工具全力发展自己的特长,努力让自己成为某个领域里头部的1%。这对于大多数人来说,是龙虾唯一的,最大的用处。
如果你能利用龙虾发挥出你OPC(或者你所在的,已经岗位OPC化的公司)的优势,后面你要考虑的一个重要战略问题就是:战略协同!
下面是一篇旧文的重写。我们的龙虾不仅要具备EvoMap那种进化能力,更要具有战略协同的能力,这样才可能出现规模化的智能涌现和协作。
拿到4.8亿美元融资的初创公司 Humans& 提出了一个尖锐的问题:
如果 AI 只能让你一个人更高效,它真的能改变世界吗?
这个问题直指当前 AI 发展的一个关键盲点:
我们是否在追求更聪明的单个AI助手,而忽略了更重要的协作?
一、为什么 OpenClaw们不够用?
OpenClaw 的能力令人印象深刻:它可以在你的本地机器上7*24小时运行,帮你整理邮件、自动化重复任务、集成聊天工具等任何工作。但这也是它的根本局限:本质上它是单用户专家。
想象一个典型场景:你的创业团队正在讨论新产品的 Logo 设计。
- 设计师有 3 个方案
- 产品经理有用户调研数据
- 市场部有品牌定位考量
- CEO 有最终决策权
OpenClaw 可以帮一个人更快地生成方案。但涉及多人的优先级协调、长期决策追踪、团队目标一致时,它就束手无策了。
灵魂拷问:怎么让这些OPC们联合起来?
社会的大规模分布式协作才是世界不停进步的基础。这不是技术问题,而是架构问题。真实世界的工作,90% 发生在人与人之间,而非人与机器之间。这正是 Humans& 想要解决的核心问题。
二、从聊天机器人到协作中枢神经系统
Humans& 的创始团队堪称全明星,他们是来自 Anthropic、Meta、OpenAI、xAI 和 Google DeepMind 的顶级研究员。
他们拒绝做更好的AI,而选择了一个更艰巨的挑战:重塑人类协作的 AI 基础设施。他们的核心观察是:
AI 的第二次浪潮,不是OPC,而是OPC的分布式协同。
Humans& 认为,协作型 AI将逐渐成为主流,企业正从 AI 个人辅助转向大规模的 AI 代理协调。 全能 AI 助手短期内虽主导市场,提供即时实用性,但团队工具需要解决关键的隐私与复杂性挑战。 最终,二者的融合才是未来。Humans& 的目标是提供工具以重建整个人类+AI 的协作层:
现有的协作工具(Slack、Google Docs、Notion)是为人类协作设计的,而 Humans& 要为人类+AI 协作设计全新的架构。
三、斯坦福研究的惊人发现
关键问题:为什么不让 AI 自己协作?为什么还需要人类?
斯坦福和卡内基梅隆大学的一项研究给出了答案:
在复杂决策任务中,混合 AI 团队(人类 + AI)的表现,比完全自治的 AI 系统高出 68.7%。
首先要澄清,在自组织的环境下,多AI agents 的吵架与协同肯定好于单一 agent。冲突的意义在于产生创新。MIT 的研究提供了一个有趣的视角:
通过对抗性辩论和多代理讨论,AI 系统的创造力显著提升。
这被称为 Spark Effect(火花效应):当不同的观点碰撞、迭代批判时,会产生单一 AI 无法达到的创新解。
其次,纯 AI 协同系统也可以产生涌现现象。其速度比人类快 88%。
但在复杂和分布式的环境下,多 AI agents 有概率出现一个非必然的致命缺陷:羊群效应和确认偏差,即下面三个问题:
数据偏差放大:如果训练数据有偏差,多个 AI 会强化而非纠正这个偏差
同质化思维:相似的模型架构会产生回声室效应,缺乏真正的多样性
主流观点强化:AI 倾向于一致答案,而非创造性冲突
更为关键的是,它们可能偏离人类的伦理和价值选择。这解释了为什么人类在 AI 协作中依然不可或缺:
人类的反事实思考(Counterfactual Thinking),即基于多样性价值选择产生的质疑主流观点的能力,是 AI 目前无法复制的。
AI agents 之间的协同必须依赖人类价值的引导,否则可能陷入无意义的争论。只有人类才有资格判断哪些冲突是有价值的。
四、分布式协作的三项基础设施
如果你觉得 Humans& 的愿景太遥远,这里有三个技术趋势,说明它比你想象的更接近现实:
1. 多代理强化学习(MARL)已现雏形
OpenAI 的 CLAUDE Cowork、Google 的 Gemini for Workspace,已经开始探索多个 AI 代理协同。技术上,多代理协作的核心问题:如何让不同目标、不同信息的 AI 达成共识,已有突破性进展。
2. 长周期规划能力正在成熟
传统的 RL(强化学习)适合短期任务,但长周期 RL(处理数周、数月的项目)曾是瓶颈。最新研究显示,通过分层规划和记忆增强,AI 已经可以管理更长周期的任务。
3. 分布式基础设施标准化
区块链、P2P 网络、联邦学习等技术,为多个 AI 在不同设备上安全协作提供了底层支持。这意味着:
技术已不再是瓶颈,真正的挑战是设计,即如何设计让 AI 和人类互补的协作模式。
五、在工作中拥抱协作式 AI
不必等待 Humans& 的产品发布。今天,你就可以开始实践人 + AI 分布式协作:
1. 把龙虾当作团队成员
- 给龙虾分配智能体角色(研究员、批评家、总结者)
- 让不同 AI 代理讨论你的问题,人类做最终判断
- 建立会议机制:每周让 AI 总结团队决策、提醒未解决问题
2. 设计对抗性流程
- 让一个 AI 生成方案,另一个 AI 找漏洞
- 用红队测试思维,让 AI 挑战你的假设
- 记录 AI 之间的辩论过程,而非只看最终答案
3. 保留人类的否决权
- 人类负责价值判断:这个方向值得追求吗?
- 人类负责创新仲裁:哪些 AI 冲突是真正有价值的?
- 人类负责伦理边界:什么情况下 AI 的建议应该被拒绝?
最关键的是:让不同的人类精英带着他们的龙虾一起工作,形成协同,创造价值。
结语:
OpenClaw 们很有价值,就像个人电脑没有因为云计算而消失。但 AI 的下一个战场,已经从让一个人更聪明,转向让一个团队更聪明。
这不仅是技术问题,更是对社会和工作本身的重新思考。
未来的工作,不是人类 vs AI的替代关系,而是人类 + AI的共生关系。
关键不在于AI 能做什么,而在于AI 和人类如何互补。
你准备好迎接这个新范式了吗?
斯坦福研究数据:EDRM发布的《The new Stanford Carnegie study: hybrid AI teams beat fully autonomous agents by 68.7%》(2025-11)
红包分享
钱包管理

