夜雨聆风人类在面对革命性技术时，最容易犯的错误是什么？
不是低估技术的威力，而是用旧时代的旧逻辑，去套用新时代的新生产力。
这种由于习惯、思维惯性和既得利益导致的认知滞后，在技术演进史上被称为“路径依赖”（Path Dependency）。
在最近硅谷创业孵化器 Y Combinator（YC）的一场内部访谈中，YC 合伙人、Optimizely 创始人 Pete Koomen 提出了一个概念——“无马马车”（Horseless Carriages）陷阱。他指出，今天市面上绝大多数的主流 AI 产品，从根本上都陷入了当年“无马马车”的设计盲区中。
“无马马车”不仅揭示了技术初期的尴尬与笨拙，更是指出了我们当前在 AI 应用层开发上的最大盲区。如果我们的认知还停留在旧范式里，哪怕把大模型（LLM）的参数量再翻十倍、百倍，我们也只是在造一辆“跑得更快的马车”，而不是真正的汽车。
一、 “无马马车”的历史隐喻与 AI 的认知滞后
19 世纪末，当世界上第一批由内燃机驱动的交通工具出现在大街上时，它们并不叫“汽车”（Automobile），而是被称为“无马的马车”（Horseless Carriages）。
这不仅是一个称呼问题，更直接决定了当时的设计逻辑：早期的汽车设计师由于无法摆脱数百年来的“马车依赖”，竟然在新发明的燃油车上保留了插马鞭的插槽；更有甚者，为了不让路上的巨型动物和路人受惊，甚至有人把车头雕刻成一匹生动的木头马。
当时的人们理解“汽车”的极限，只是“一辆不需要马去拉、但依然在固有框架内运行的马车”。他们根本无法想象，汽车的本质是内燃机和轮轴系统的结合，它不需要迎合马的逻辑。而真正属于汽车的时代，是要等到几十年后，随着公路网络的重构、城市规划的洗牌、交通法规的建立以及流水线装配工艺（福特主义）诞生，才真正降临。
把这个历史切片投射到今天的 AI 浪潮中，你会发现历史正在重演。
Pete Koomen 认为，今天绝大多数科技巨头推出的 AI 功能，本质上都是在制造现代版的“无马马车”。
想一想日常使用的软件：
- Gmail 里的 AI 自动写信： 在一个高度确定性的、由静态表格和输入框组成的传统邮件客户端里，塞进一个微小的“帮我润色”或“自动生成”按钮。
- 主流 SaaS 的 AI 侧边栏（Sidebar）： 无论是 Notion、Salesforce 还是各大代码编辑器，最常见的做法就是拉出一个聊天框（Chat Window），让你在里面敲入 Prompt，然后它把生成的结果复制粘贴到你的主体界面中。
这些产品的底层架构依然是 Web 2.0 时代甚至更早的“确定性软件（Deterministic Code）”。开发者写好了几十万行死代码，规定了每一个按钮的位置、每一个数据库的字段、每一个页面跳转的路由。而 AI，这个拥有无限动态生成潜力的灵魂，被严密地锁在了一个特定功能或侧边栏的“小黑屋”里。
这就像是把一台 V12 的超跑发动机，硬生生装在了一辆木质马车上。你只能用它来做一些边角料的“辅助工作（Copilot）”，因为马车的木质车轴和车轮，根本承受不住内燃机的狂暴扭矩。
真正的 AI 原生（AI-Native）产品，不应该是在旧软件里加一个 AI 按钮，而是用 AI 去包裹、重构那些确定性的工具。
二、 确定性软件的枷锁与 JIT（即时软件）时代的到来
要理解为什么“马车架构”限制了 AI，我们需要从计算机科学的底层逻辑来看。
在过去的半个世纪里，软件开发的底层哲学是：把世界抽象成确定性的逻辑与规则。 工程师的工作是预测用户的所有可能行为，然后用代码写死对应的响应（如果用户点击 A，则显示 B；如果数据库返回空，则报错 C）。这种软件是冰冷、僵硬且静态的。
但大模型（LLM）的本质是什么？大模型是一种基于概率的输出机制（Probabilistic System），它不擅长做精密、死板的流程控制，但它极其擅长理解人类复杂的意图、模糊的上下文以及动态地组合信息。
当你在传统软件里加一个 AI 聊天框时，实际上是在用最僵硬的容器去装最流动的液体。
在 YC 内部，合伙人 Gary 提到他曾经在 Web 2.0 时代为 YC 写了超过 50 万行的 Ruby on Rails 代码。这套极其复杂的系统管理着 YC 所有的面试、投资、财务、创始人校友网络。过去每当有新的业务需求出现，比如“希望让财务团队能够自动审计某个投资轮次的定价变化”，工程师就需要耗费数周时间去修改这 50 万行代码中的相关部分，测试、上线。
而在 AI 原生的系统架构里，这种僵硬的模式被彻底颠覆了。YC 内部正在步入一个被称为 JIT 软件（Just-in-Time Software，即时软件/动态软件） 的新时代。
什么是 JIT 软件？ 简单来说，未来的软件不应该由人类程序员提前写好所有的功能界面，而是由 AI Agent（Agent）根据用户当下的“脑电波（即时意图）”，动态地、即时地为你生成一个临时软件。
在 JIT 架构下，系统的核心代码变得极其精简（可能只有几千行用于安全、权限和基础连接的 Markdown 和 TypeScript 描述）。
- 当用户对系统说：“帮我找出过去投资过航天相关公司的所有投资人，并对比他们的出资速度。”
- 系统里没有这个现成的页面，也没有这个固定的功能按钮。
- AI Agent会实时根据这句话的上下文，现场生成一段专属的代码，现场查询底层的数据库，甚至现场渲染出一个包含图表、对比表格的临时交互前端页面提供给用户。
- 当用户关闭这个页面时，这个软件就完成了它的使命，随之销毁。
控制权变了。在“无马马车”时代，开发者是上帝，用户只能在既定的轨道上行驶；在“JIT 软件”时代，大模型成为了媒介，它根据用户的自然语言意图，动态地调度各种原子工具（API、数据库、渲染引擎），真正实现了“界面服务于意图，而不是意图迁就界面”。
三、 系统论视角：杰文斯悖论与“组织大脑”的无机进化
当我们打破了“无马马车”的路径依赖，将 AI 彻底释放到系统的核心层，组织的效率会发生什么变化？
这里需要科普一个经典的经济学和系统论概念：杰文斯悖论（Jevons Paradox）。
19 世纪英国经济学家里奥纳德·杰文斯发现，当蒸汽机技术的改进使得消耗一吨煤的效率大幅提高时，全英国的煤炭消耗量不仅没有减少，反而呈指数级上升。因为效率的提高导致煤炭的使用成本大幅下降，从而催生了无数原本无法想象的新应用场景（如铁路、轮船、大型工厂）。
在 AI 驱动的信息系统里，杰文斯悖论同样适用。当提问和调取数据的成本降低到几乎为零时，员工向系统提问的数量、复杂度和深度，会发生质的飞跃。
YC 内部Agent基础设施的演进完美地证明了这一点：
过去，如果 YC 的合伙人想了解一个复杂的业务问题，比如“某个特定行业的创业公司在过去三年里的存活率与他们创始人的背景是否有统计学关联”，他需要向技术团队提交一个提议。工程师需要花几个小时、甚至几天去写复杂的 SQL 语句、做数据清洗、用 BI 工具拉出报表。
因为提问的成本（摩擦力）太高，合伙人一年可能只会提两三次这样的问题。组织的大多数决策，依然依赖于个人的拍脑门、直觉或经验。
但 YC 的工程师直接编写了一套安全的工具，给内部的 AI Agent开放了对主数据库（PostgreSQL）的只读 SQL 查询权限，以及对所有系统模型文件的读取权限。
这意味着，任何一个不懂编程的普通员工，现在都可以用大白话，直接向 AI 询问极其复杂的多表联查问题。AI 会在零点几秒内自己写出 SQL，去数据库里把答案捞出来，并附带上严密的逻辑推导。
当“向组织提问”的摩擦力消失后，杰文斯悖论爆发了：合伙人、财务人员、甚至刚入职的新人，每天都在疯狂地向系统提问。那些以前因为怕麻烦工程师而“算了不查了”的隐藏洞察，全部被挖掘了出来。
更科幻的是，这种模式让组织拥有了“自组织进化”的能力，进入了所谓的“梦境循环（Dream Cycle）”。
在传统公司，AI 只是个人电脑上的一个独立 Tab 标签页，你用完了，这段对话就死在了你的历史记录里，公司毫无感知。
而 YC 搭建了一个共享工具注册表（Tool Registry）。他们的通用Agent系统做了一个名为“夜间梦境循环”的机制：每天晚上，当全人类员工下班睡觉后，AI 会自动读取、分析白天全公司所有人与Agent产生的所有对话日志和产出物。
- AI 会在这个复盘过程中寻找：“今天白天，有哪些合伙人的提问是系统没有答好的？”
- “他们在哪里的沟通遇到了卡顿？”
- “为了解决这个问题，是不是缺少了某项关键的上下文或原子技能？”
分析完毕后，AI 会在夜间利用元提示词优化（Meta-prompting）机制，自动修改、优化、迭代相关的提示词库，甚至自动生成并丰富系统的技能库。
以 YC 最核心的业务技能——“写两句话的公司简介（Two-Sentence Pitch）”为例：
把复杂的商业计划浓缩成极度精炼、吸引人的两句话，是硅谷投资人最顶尖的底层内功。以前，这完全依赖于合伙人的经验，属于无法用传统代码量化的非结构化知识。
最初，合伙人 Tom 只是为 AI 写了一个基础的 Pitch 提示词，效果差强人意（属于典型的马车时代 AI 应用）。但随后，团队将 YC 春季办公会上，资深合伙人现场辅导创始人、不断帮其改写简介的真实会议录音、转录文本、改写前后的对比数据，源源不断地作为上下文喂给这个Agent。
AI 在夜间的“梦境复盘”中不断吸收这些顶级投资人的认知逻辑和反馈模式。几个月后，这个“简介生成Agent”输出的商业简介质量，已经超越了大部分人类合伙人个人的水平。
这就是脱离了路径依赖后的组织样貌：组织的能力不再取决于个别明星员工的头脑，而是沉淀为数千个类似“写简介”的原子 AI 技能。这些技能通过真实的业务反馈喂养，在机器的底层进行着无机进化，最终拼图成一个无缝连接、不断自我复利的“组织超级大脑”。
四、 文化的激进重构：默认公开与数字主权的分水岭
在科技历史上，任何一次底层的范式转移，最终触发的都不仅仅是技术框架的改变，更是组织文化、社会关系和权力结构的激进重构。
“无马马车”之所以能大行其道，本质上是因为它对传统组织的管理者来说是“安全的、可控的”。在传统的“命令与控制（Command and Control）”型企业架构里，高层掌握着信息的生杀大权，给员工配一个只能润色文案、不能触碰核心数据的 Copilot 侧边栏，既满足了“赶上 AI 时髦”的虚荣心，又不会破坏固有的科层制和信息壁垒。
但如果你想让 AI 成为核心构建层，造就一个共享的“组织大脑”，你就必须接受 YC 提出的、看似非常激进的反直觉文化：高信任与默认公开。
为了防止大模型输出虚假信息（幻觉）或者由于权限过大导致数据泄露，传统公司的第一反应通常是建立严苛的“禁令”或层层审批的控制链。
但 YC 采取了一种完全不同的社会学治理方式：默认公开。
在 YC 内部，任何员工与任何 AI Agent之间的任何一段对话、每一次调试、每一项产出，默认都会以卡片的形式，实时、透明地共享到一个全员可见的 Slack 频道中。
这种“鱼缸式”的绝对透明，带来了三个正面连锁反应：
- 1.社会化制约（Social Constraint）： 员工在拥有直接查询数据库的高权限的同时，因为知道全公司（包括创始人）都能看到自己的每一次指令，会自然而然地产生强烈的专业耻辱感和自我约束，从而绝不滥用权限、不调取无关隐私。这用低成本的文化透明，替代了高成本的行政审批。
- 2.社会化学习（Social Learning）： 以前，如何调教大模型（Prompt Engineering）是极其孤立的个人暗默知识。现在，通过围观 Slack 频道，一个刚入职的新人能实时看到资深合伙人是如何用极其精妙的提问一步步榨干 AI 的，也能看到别人踩过的坑。整个组织的认知水位被迅速、大面积地拉平。
- 3.消除职场羞耻： 新人在融入新环境时，往往因为害怕显得无知而不敢向资深前辈提问。而在 YC 的高信任系统里，新人可以向模拟了资深合伙人（如 Pete 或 Gary）思维模式的 AI 疯狂提出各种“愚蠢”的底层问题，并在公开的洪流中快速校准自己的认知，缩短了试错期。
然而，更深层次的博弈，发生在整个 AI 产业的宏观层面。在访谈的最后，嘉宾们提出了一个论点：在未来的 18 到 24 个月内，AI 产业将迎来一个决定人类数字主权命运的分水岭。
这里有两条完全相反的演进路线：
- 黑丸路线（类似《1984》的中心化垄断）： 科技巨头们牢牢把持着算力和最顶尖的闭源模型。他们出于商业利益，极力维护“无马马车”的路线——把 AI 严密地打包在他们设计好的、隐藏了底层 Prompt 的 SaaS 按钮后面。你不允许连接自己的主数据库，不允许修改基础提示词，更拿不到模型的参数（Weights）。在这种架构下，AI 变成了大公司统治、收割和固化阶层的工具，人类整体被压制在“API 线（API Line）”之下，退化为机械的流水线操作工。
- 白丸路线（去中心化的“家酿计算机俱乐部”时代）： 重演当年苹果电脑在乔布斯和沃兹尼亚克的车库里诞生的历史。推动开源参数模型（Open-weight models）、开源Agent基础设施（如 MCP 协议、OpenClaw、Hermes、GBrain 等）。这条路线主张：把计算的控制权、Prompt 的定义权和私有仓库（Repo）的所有权，完整地交还给每一个独立的个体和团队。
正如计算技术从大型机（Mainframe）到个人电脑（PC）、再到让每个人拥有发布平台的互联网（Internet）的发展史一样，科技进步的最终目的，永远是把人从枯燥的杂活中解放出来，让普通人也拥有超级个体的力量。
五、 结语：拒绝做新时代的马车夫
“无马马车”的隐喻是一面镜子，照出了我们在面对巨变时的懦弱与因循守旧。
当大模型拉开了即时软件（JIT Software）和动态组织大脑的帷幕，真正的弄潮儿已经在着手拆掉传统软件的四堵墙。他们允许 AI 实时感知世界的上下文，允许 AI 动态生成逻辑，允许组织在共享的透明洪流中完成无机进化。
在这场长跑中，那些固守路径依赖、只把 AI 当作副驾驶的“马车组织”，注定会被那些敢于将 AI 作为底层构建块的“原生企业”远远抛在身后。
科技的发展从不等人，摆脱路径依赖的第一步，就是从闭合你眼前的那个“AI 侧边栏”开始，重新思考：如果从零开始，没有任何历史包袱，纯粹由意图驱动的数字化世界，究竟应该长成什么样？
联系我们
关注 “AI钻研坊”微信公众号
获取更多资讯
~欢迎点赞转发
