夜雨聆风AI 被平权后，人还能做些什么？成为掌控 AI 的制造者或者是「无用个体」。这篇内容主要整理了 3 月由 Openjobs AI 联合失序实验室及 Meta Space 共同呈现的线下沙龙的部分「精华分享」，与大家分享，希望对大家有所帮助。以下是正文，enjoy~
一、Jerry：用 Agent 加速机器学习，「你睡觉的时候，它在帮你炼丹」
Jerry，OpenJobs AI联合创始人兼CTO，Purdue University 计算机科学博士。
2023 年，Jerry 花了数月完成的一篇分布式机器学习训练论文的实验，如今交给 Claude，一个下午就全部搞定。这不是个例，而是大模型彻底改变机器学习游戏规则的缩影。
#1 机器学习曾经有多痛苦？
传统的机器学习研究，Jerry 用「炼丹」来形容——像古代炼丹师一样不断往里加东西，每次不一样，有时效果好有时效果差，但永远不知道为什么。自己要花大量的时间刷 arXiv、Twitter、复现代码（大部分复现不了）、收集打标清洗数据、按天按周按月调参，最后还要写论文。整个过程极其消耗时间和精力，这也是 ML Engineer 和 ML Scientist 薪资一直居高不下的根本原因。
#2 Agent 带来了什么改变？
现在，Agent 已经可以承担研究、代码生成、模型训练追踪、论文理解、实验配置、Debug 和结果分析等几乎所有环节。尤其是代码生成，从去年下半年起出现质的飞跃——PyTorch、CUDA、C/C++ 这些底层代码，基本无需太多人工干预就能生成高质量版本。
但 Jerry 特别强调：如果只是用大模型做碎片化的任务，机器学习的连贯性就会断裂。数据处理完了要写代码，代码必须跟数据兼容，训练可能持续几小时甚至几天——这正是需要一个「有智慧的 Agent」来管理整个流程的原因，而 OpenClaw 正好承担了这个角色。
#3 实战案例：一个下午，准确率从 80% 提到 99%
Jerry 分享了自己训练小模型的经验：OpenJobs AI 最开始做用户训练的时候，用户输入需要被分类，最初用大模型判断，但随着调用量增加，成本高到扛不住。于是他决定训练一个小模型：
让 OpenClaw 用 Auto Research 框架生成几万条训练和测试数据；
让它找一个能在 CPU 上运行的模型——最终选了一个基于 BERT 架构的轻量模型；
用评估数据集训练——一个下午，准确率从 80% 提升到 99%。
#4 Auto Research 的哲学
Jerry 重点推介了 Auto Research 框架：核心理念是「你写策略，Agent 做实验」。它不会一口气做完所有事再评估，而是大约五分钟跑一轮，通过 loss 曲线判断效果，不断迭代。单块 GPU 即可运行，而且——「你睡觉的时候，它在帮你炼丹。」
#5 对小团队的建议
Jerry 最后的对小团队训练模型的建议：评估业务中有多少任务在用大模型——如果连简单的标签分类都调高级 API，用户量上来后成本根本 cover 不住。小团队完全可以用 OpenClaw + Auto Research 框架，采集数据、训练轻量模型，部署到业务中。
如果你对 OpenJobs AI 感兴趣，现在已经开放注册体验，目前只针对北美、新加坡市场，感兴趣的可以在官网注册了解更多：https://www.openjobs-ai.com/
二、张云剑：AI 视频的四个阶段，「你越想控制它，越难控制它」
张云剑，ZeroCut 创始人&CEO，在 360 工作了 13 年，从应届生做到导航事业部负责人，经历了 PC 到移动到 AI 的完整互联网周期。他坦言：「如果没有 AI，互联网真的到了瓶颈期。」
#1 「养虾」翻车记：两只 OpenClaw 的故事
随着 OpenClaw 的爆火，自己也养了 2 只「小龙虾」，结局都不如人意。
第一只：养不起。 安装很顺利，充了 40 块钱会员。但用起来最大的问题是「我不知道它干了什么」——发了指令，它也在干，但具体做了什么，完全不清楚。他想到一个办法让它截图发回来，但截图太多 token 消耗爆炸，第二天一问，积分用完了。40 块钱一晚上啥也没干。
第二只：养死了。 一键封装版本，前期读文件、做图做视频都可以，最大好处是用微信就能下指令。结果微信出了新版本的客户端，服务连接断掉了，最后也没有 debug 成功。他总结了根本原因：「我不知道让它帮我干什么，没有目标，就没有动力。」
这也道出了大多数人养 OpenClaw 失败的本质——不是工具不够强，而是自己没有清晰的目标和任务。
#2 AI 视频发展的四个阶段
阶段一：手搓。 多模态工具出来后靠提示词工程逐帧制作。他手搓了一条给央视频的视频，在快手播放量达 1500 万，四小时热榜第七。证明了用户和平台都能接受 AI 内容。但手搓最大的问题是：多平台来回切换（Kimi 写脚本、即梦生图、Vidu 生视频）、下载上传命名繁琐、文件管理混乱。
阶段二：工作流。 通过 API 和大模型串联完成一系列任务。有 MCP 协议之后更灵活。但工作流随着需求增加变得极其复杂，而且没有创造力、不能出错——任何一个分支出错就满盘皆输，非常脆弱。
阶段三：Agent。 有记忆、有规划能力、有工具箱，能够理解业务上下文。张云剑说：「对个人来说，多用它本身就是一种训练的过程——你不需要去训练模型，它懂你。」
阶段四：OpenClaw。 核心能力是操作电脑、远程控制、Skill 生态和定时任务。但他也直接点出了问题：安全隐患（本质是木马行为）、远程控制「像异地恋」（你不知道它在干嘛）、Skill 质量参差不齐、费钱。
#3 ZeroCut 的产品设计：Computer Use + 云沙箱
针对上述问题，ZeroCut 采用了「Computer Use + 云沙箱」的架构：用户发出需求后，不在本地处理，而是在云端初始化一台「小电脑」，配备文件系统、代码运行环境、浏览器和 Agent 工具。任务完成后即时销毁，API Key 用完即毁，安全性极高。同时设立「工作目录」作为安全边界——AI 在目录内想怎么做就怎么做，不会破坏外部环境。
关于 AI 视频的终局， 张云剑的判断：当生成速度接近实时、Token 成本接近极低这两个临界点同时到来，AI 模型将直接面向消费者。消费者打开产品，里面没有创作者了——所有视频实时生成，你想看什么，实时给你。没有创作者，没有导演，没有编剧。
如果对 ZeroCut AI 感兴趣也欢迎体验：https://www.zerocut.cn/
三、关梦龙：OpenClaw 是 AI Agent 时代安卓开源的那一刻
关梦龙，Cutto 智能编导创始人兼 CEO，前剪映-产品体验团队负责人，Apple 核心音频工程师，18 年剪辑经验，经历 AI 视频时代，和传统视频工具时代。
#1 OpenClaw 的历史坐标
现在的 Agent 已经不再是对话系统，而是一个自己会调度、自己会迭代、自己会成长的系统，OpenClaw 就是把这件事带给每一个人的入口。
#2 每个人都应该构建自己的 AI 团队
关梦龙对 OPC 的观点：OPC 成立，但也不成立。
以前 20 个人甚至 200 个人做一个产品，以后是 20 个人做 35 甚至 40 个产品。看似每个人生产力提高了，但市场更卷了——每个人能给自己带来的收益率在降低。
他的结论是：OPC 应该是在一个团队里，每个人都是一个 OPC，3-4 个人在自己长项的领域构建自己的组织，为一个产品或愿景去努力，才能带来最大价值。
更重要的是，每个人的 Agent 团队不只给自己用，应该跨职能共享：研发开发的 Agent，可以贡献给设计师或产品经理使用。「以后人和人的职能不再是加法，而是乘法甚至指数关系。」
#3 OpenClaw vs Claude Code：边界在哪里？
两者本质上都是 Agent——用 skill 调 API，使用模型交付结果。但分工不同：
OpenClaw 做调度层（中枢）：对接人、统筹任务、管理流程、记忆、偏好等；
Claude Code 做专项执行：尤其是写代码——Claude Code 能直接交付结果，不需要 tab 预测下一个函数；
具体的专业活找专家 Agent：写脚本编剧用 Cutto Agent/CLI，剪辑视频用视频剪辑 CLI。
现在项目里正在运行的流程是：OpenClaw 是最上层的团队中枢，底层是 Claude Code 等 Agent 工作流。工程师已经不再直接写代码了。
如果对 Cutto 项目感兴趣可以通过官网了解：https://cutto.cn/
Cutto 也开启内测，可戳👉🏻填写内测表单：https://gcn1t428ylh1.feishu.cn/share/base/form/shrcnb7LViJghknqXDqDevit3xg
四、谢剑：后龙虾时代的技术趋势与投资视角
谢剑，峰尚AI基金合伙人、度小满首席AI官。前百川智能技术联合创始人。
#1 OpenClaw：个性化智力的进一步平权
OpenAI 走向 AGI 的五阶段路径：Chatbot（对话）→ Reasoner（推理）→ Agent（自主行动）→ Innovator（创新）→ Organization（组织）。目前我们所处的阶段，大致在 Agent 这一层刚刚站稳，而龙虾正是这一阶段的产物：
龙虾 = 通用模型 + Agent Harnessing + Computer Use 授权
这意味着什么？对普通用户而言——能够执行以往需要专业技能的复杂任务，个性化 AI 助理全面普及；对企业而言——AI 数字员工规模化落地，组织协作模式发生根本性重构。这是一次「个性化智力的平权」，越来越多的人将能调用以前只有专业人士才能调用的能力。
#2 大模型技术的 Next Step：四维度 Scaling 协同突破
如果以前大模型只是在「堆算力」的话，现在大模型也在不断的突破。
- Pre-training（预训练）
突破现有 Scaling 瓶颈仍是核心课题。Anthropic 和 Gemini 在这一方向持续领跑，但数据质量与多样性，而非单纯的数据量，才是下一阶段真正的制高点。
- Post-training（后训练）
Agentic RL（智能体强化学习）正成为后训练的主战场——构建更复杂的模拟与交互环境，训练模型处理更长序列的任务。代码领域之所以最先突破，正是因为最容易搭建可验证的强化学习环境。
- Inference Scaling（推理扩展）
不只是「想得更久」，更关键的是「想得更高效」——同等任务用更少的 Thinking Token 完成，实现成本与效果的双重优化。
- Multi-Agent Scaling（多智能体扩展）
这是谢剑特别强调的一个方向：Agent Swarm（智能体群）正在崛起。通过 Multi-agent RL 协同训练，集体智慧将超越单体智能。就像生物界的蚁群——单只蚂蚁能力有限，但蚁群能找到最优路径穿过狭窄的隘口。生产关系决定生产力的释放：单个 Agent 生产力再强，协作架构不好也发挥不出来。
底层支撑：网络结构与优化器的持续进化，将推动更长上下文窗口（更强记忆）和更高效的预训练数据学习。目前上下文窗口约 100 万 token（约 200 万汉字），未来趋向几乎无限——届时 memory 的整个架构将再次重构。
#3 自学习与自进化：AGI 的关键一步
AGI 能够在环境中自我学习和成长，而非出厂时全知全能。
出厂智力很强固然好，但更强的智能是能够 self learning 和 self evolve。当前业界对这一能力的探索，主要分为三个层次：
Level 1：Agent Framework 层
通过外部记忆和 System Prompt 的不断进化，沉淀成功与失败经验。OpenClaw 的设计就是一个典型——有 bootstrap 的初始化机制，每给一个 skill，同时提供说明文档，Agent 还能自己 fix 报错。某种意义上，这是通过外围 Agent Framework 实现的自我修复与自进化。
Level 2：Auto Research & Self-Boost Training
模型主动参与自身训练迭代，实现自动化 RL 研究工作流。以 MiniMax M2.7 为案例：
M2.7 是首个深度参与自身进化的模型，其自进化工作流（Agentic Researcher）完整运转：文献调研 + 实验设计 → 数据流水线 + 训练启动 → 监控指标 + 自动调试 → 结果分析 + 提交 MR → 下一轮迭代。
结果令人印象深刻：30-50% 的 RL 研究工作流由 M2.7 自主完成；经过 100 轮自主迭代后，编程性能提升 30%；MLE Bench 奖牌率达到 66.6%，媲美 Gemini 3.1。
MiniMax 的目标是：未来数据构建、模型训练、推理架构、评估等全阶段，无需人类介入，完成真正的自主进化。
Level 3：Full Autonomy（目标态）
数据构建、模型训练、推理架构、评估全流程无需人类介入。这是当前业界共同追求的终态。
让 Agent 能自住进化的另一个方面：EvoMap（进化图谱） ，让 AI Agent 像生物一样进化和遗传。其三层架构为：
- Gene（基因）：原子能力单元（读取文件、执行 SQL 等），可复用的代码/Prompt 片段；
- Capsule（胶囊）：Capsule（胶囊）：完整任务执行路径，含环境指纹 + 审计记录，不可篡改；
- EvoMap（进化图谱）：汇聚全局 Agent 进化数据，支持技能继承、变异与自然选择。
自进化闭环的运转逻辑是：探索/执行任务 → Evolver 扫描运行日志 → 识别错误/成功信号 → 生成变异策略并在沙箱验证 → 通过验证后固化为新 Gene → 下次同类任务直接继承。核心价值：一个 Agent 学习，全网 Agent 继承。 这是新时代的重要创业机会。
#4 全模态：告别「单模态 + 胶水层（Glue Coding）
技术演进的第三条主线是全模态。趋势清晰：告别过去「单模态 + 胶水层」的拼接架构，走向原生多模态统一表征——文本、图像、音频、视频、代码、多媒体生成，全部在同一个基础模型内原生处理，大幅提升跨模态理解与生成能力。
#5 应用层 Next Step：Agent 大爆发与创业机会
Agent 数量将大大超越人类。 大量工作流将由 Agent 自主驱动，人机协作比例持续演进，人类整体将向更高价值的决策层迁移。以前的基础设施（App、GUI）全部是为人设计的，未来很多服务和能力都将改造成 Agent-Friendly。
一个典型案例：Google Workspace 全面升级，进行 CLI 化改造并发布配套 Skills，全面支持 Agent 直接使用 Docs/Sheets/Drive 等——这是最先拥抱趋势的厂商正在享受的第一波红利。他的判断是：不只是人类在驱动这一趋势，Agent 自己也会驱动自身生态的扩展。
创业机会在哪里？ 谢剑指出，Agent Runtime Infra 目前严重供不应求，包括：安全沙箱、状态管理、多 Agent 协调、资源调度、审计追踪等基础设施，仍有大量空白等待填补。
#6 组织进化建议：AI 原生组织 ≠ AI 原生个体
AI 原生组织 ≠ AI 原生个体。
员工人均效率提升 10 倍，但公司营收利润并未增长——这是典型困境。原因在于，个体层面的 AI 提效，并未带来组织层面的系统性重构。这类似蒸汽机出现后，工业革命真正的变化发生在 30 年之后。
AI 组织的进化还需要时间，谢剑分享了 3 个阶段（层面）：
第一层：AI 原生组织的结构调整
需要重新思考组织架构和业务流程本身，而非只是给个人配 AI 工具：精简层级、模糊角色边界、减少组织协同摩擦。
第二层：Institutional AI——从个人用到组织用
先砍人、精简团队规模；再将 AI 能力嵌入组织制度和流程，而非停留在个人习惯层面。他以 AI 法务员工为例：大多数白领员工做的，本质上是「不同系统之间的粘合器 + 少量到中等体量的智力工作」——这类岗位，在 Computer Use 能力足够强之后基本可以被 AI 员工全面覆盖。
第三层：重新思考业务边界
拥有数字员工之后，哪些业务边界可以被突破？产品形态、服务范围、商业模式都需要重构。谢剑强调的核心逻辑是：业务驱动优先——先想清楚能做什么不同的事，再去配置组织资源。
#7 对个人的最终判断：Taste is all you need
谢剑将这个时代定义为「百年甚至几千年未有的大变化——从能源到智力的转变」。几次工业革命解放了体力，今天我们找到了一条将能源转化为智力的路——而这原本只有人类大脑能做。
面对这场变革，他认为个人将分化为两条路：一是超级个体——每个领域都有基础判断，接上 AI 开公司；二是领域顶尖专家——在自己领域做到顶尖，贡献不可替代的 taste 和判断。
分化会越来越严重，不存在中间地带。 AI 能给你一切，但判断力决定你拿走哪个。固定 SOP 流程的工作一定会被取代；精品依然稀缺，头部依然是头部。
最后，我们正在加速进入 AGI 时代。每个人都能成为超级个体，也可能成为无用个体。关键在于：是否持续学习、是否主动拥抱变化、是否参与构建新世界的规则。
end.
另外，我们正在筹备每个月一场以「AI 进化」为主题的线下 Meetup，从技术到趋势，从机会到共通。希望打破 AI 信息差，共建 2ken 共和。
如果你对 AI 技术、趋势感兴趣，不管是一起组织、赞助还是成为分享嘉宾都欢迎和我联系 ：）
