播客·视频

Demis Hassabis 把 AGI 再沉淀 10 到 20 年说出了口，这比“50 年内后 AGI”更重要。前者是组织现实，后者只是世界观。一个正在把 Gemini、Agent、科学模型持续产品化的 DeepMind CEO，公开承认理想路径应该更慢，这等于把今天大厂最核心的矛盾摊开了：安全共识落后于商业发布节奏，而且他自己也拦不住。 我对这场访谈的第一判断是，Hassabis 不是在预言，他是在做有限度的切割。AlphaFold 已有 300 万以上科学家使用，Isomorphic Labs 同时推进 18 到 19 个药物项目，这些数字是他最强的防守材料：先证明“快发布”已经有公共价值，再解释“通用能力”为什么想慢一点。这套话术很聪明，也基本真实。问题是，Google 过去两年的动作已经说明，实验室沉淀期不是由科学家单独决定，而是由竞争对手的发布时间决定。OpenAI 从 ChatGPT 把模型变成消费品后，Google 不存在一个纯学术节奏的平行宇宙了。 文章里提到实验室与落地应用的差距只有 3 到 6 个月。这个判断我认同，而且这正好反过来削弱了他“多放 10 年”的设想。你既然承认外部部署是理解模型的必要条件，就很难再主张把关键能力长期锁在内部。Anthropic 这两年也是同一路径：一边高谈安全，一边照样持续放出更强的 Sonnet、Opus，以及带明显双用途风险的 agentic 能力。文中拿 Claude Mythos Preview 当例子，说它因为高危漏洞发现能力而暂不公开，这个点很关键。它说明前沿实验室已经不是在讨论抽象的 AGI ethics，而是在处理非常具体的 capability gating：谁能拿到模型、能做多久任务、能否接触真实工具链。安全问题已经从原则争论变成访问控制问题了。 他把风险分成三类，我基本同意排序：未来 2 到 4 年最急的是恶意滥用，其次是 agent 脱轨，深度伪造反而没那么靠前。这个排序比很多政策讨论靠谱，因为它抓住了“能力乘上自主性”这件事。单次回答会说错的聊天模型，和能持续调用工具、找漏洞、写脚本、回避限制的智能体，不是同一个风险面。过去一年业内已经反复见到这个拐点：从 benchmark 冲分，转向长时任务、computer use、multi-step autonomy。只要任务时长上去，失控方式就从“回答有害内容”变成“过程偏航且不易察觉”。 但我对他这套风险框架还有一个保留：他说深伪和虚假信息被高估，我觉得这个判断只对了一半。若按“造成不可逆物理伤害”的阈值排，它确实低于生物、网络、安全关键系统风险。可按社会部署尺度排，信息污染已经是每天都在发生的系统成本。SynthID 这种水印工具有用，但远没到能解决问题的程度。文章里只说 DeepMind 给 Gemini、Veo、Nano Banana 打水印，正文没披露检出率、跨平台保真度、二次编辑后的鲁棒性。没有这些数字，水印更像基础设施的一小块，不是治理闭环。 生命科学部分反而更有信息量。AlphaFold 把 2 亿种已知蛋白预先算完并开放，这件事我一直觉得是 DeepMind 最像“公共研究机构”的时刻。它和很多模型公司现在流行的 API 优先路线不同。不是按 token 收租，而是直接把一个关键中间层做成公共品。这个动作解释了为什么 AlphaFold 的声望远高于一般 AI 产品：它没有把能力包成聊天入口，而是把科研流程里最贵、最慢的一段直接压平。Hassabis 现在不断回到 AlphaFold 叙事，也是在提醒外界，DeepMind 的正当性不只来自更强模型，还来自“科学产出能否脱离广告式分发”。 不过 Isomorphic Labs 那段我有点警觉。文中说候选筛选效率可比传统湿实验高出几千倍甚至几百万倍，这种数量级说法如果没有统一基线，很容易失真。筛的是哪一步？hit discovery、binding affinity、tox 过滤，还是端到端 IND 前流程？不同环节差一个数量级都很常见。药物研发平均 10 年、临床成功率 10%，这些是行业常识级数字，但不能自动推出 AI 已经改写 economics。到现在为止，外界最想看的仍是进入临床的人体数据，而不是“有 18 到 19 个项目在推进”。项目数说明管线在跑，不能说明药效已经穿透最后几层验证。 AlphaGo、AlphaZero 那段像回忆录，但也藏着一个很现实的信号：Hassabis 仍然相信“搜索 + 规划 + 世界模型”是通向更强通用系统的主线，而不是把当前语言模型无限放大。这个判断和 DeepMind 过去一年不断把 planning、tool use、self-play、科学搜索揉进 Gemini 体系是对得上的。OpenAI 近一年也在往 agent 和长链推理走，说明行业已经部分回到 DeepMind 的老主张：预训练不是终点，能持续行动的系统才是下一个台阶。要是只看今天的产品热度，很多人会以为这场比赛还是聊天质量之争；我寻思了一下，头部实验室内部大概早就不这么看了。 最后说他那句“50 年内后 AGI”。这句话听着很大，其实最安全。50 年长到足够装下几代架构更替，也长到没人需要为具体时间表负责。我更在意的是另一层意思：Hassabis 仍然把 AI 放在“解释宇宙、生命、意识”的科学计划里，而不是单纯的软件平台战。这是 DeepMind 和多数模型公司气质上最大的差别，也是它在 Google 内部最难维持的部分。Google 要的是可部署、可搜索、可变现的系统；Hassabis 想保住的是“先理解，再放大”的科学节奏。访谈里最诚实的地方，不是他谈未来多宏大，而是他已经承认这两套节奏现在绑在同一台机器上了。

Meta-Harness 这篇里最硬的事实，是它把 harness 优化外包给 coding agent 后，在 3 类任务上都赢了基线，而且 TerminalBench-2 只跑约 20 次迭代、总成本几百美元。我的判断很直接：这不是又一个“让模型自己改 prompt”的小修小补，它更像把应用层调参从手工 artisan 活，改成了可搜索、可复盘、可累计资产的工程流程。 我一直觉得，过去一年很多 agent 工作都卡在一个很土的问题上：大家把太多精力放在模型名和 benchmark headline，放太少精力在外层 harness。你把同一个基础模型换一套记忆写入、检索、重试、工具调用、错误恢复逻辑，结果经常比升一档模型还大。文章给的数字能撑这个判断：在线文本分类 5 个 OOD 数据集平均 75.9%，ACE 是 68.2%，kNN ICL 是 69.8%，zero-shot 是 55.9%，OPRO 是 68.9%。更关键的是搜索效率，Meta-Harness 4 次迭代就追平 OPRO 60 次。这说明它赢的不只是最终分数，还有搜索信号质量。 作者把原因归到“不要压缩反馈”，这个方向我基本认同。10 次搜索累计信息量就超过 1000 万 token，普通上下文硬塞进去肯定不成立；让 proposer 以 coding agent 方式去文件系统里按需翻代码、看日志、读 score，这个设计比“再做一个更聪明的摘要器”靠谱。因为 harness 的问题常常是长程因果：第 50 个样本写进记忆的一条示例，到第 200 个样本才暴露副作用。你只留一个 scalar reward，等于把调试线索自己删掉。 这件事和去年的一批 text optimization 工作差别很大。OPRO、TextGrad、GEPA 这类方法我不是说没用，但它们默认优化对象主要还是文本或局部决策，反馈也偏短。Meta-Harness 把优化对象换成了“能执行的外层代码”，再把反馈换成完整运行痕迹。这个切换很关键。AlphaEvolve 一类系统其实也在证明同一件事：一旦对象变成程序，搜索的价值会比语言层微调大很多。但 Meta-Harness 更接地气，因为它没要求你有特殊基础设施，文件系统、日志、评估器，加一个现成 coding agent 就能搭起来。 我也有两个保留。第一，我对“几百美元即可接受”这个叙事有点警觉。论文场景里 TerminalBench-2 约 20 次迭代、每次一次完整评估，这在研究 demo 里不贵；到了生产环境，如果你的评估集更长、工具调用涉及付费 API、沙箱要隔离、回归集要分层，这个账很快就不是几百美元。文章没披露不同任务下 token、工具、 wall-clock 的细拆，团队真落地前得自己算。 第二，它很吃 evaluator 质量。论文自己也承认需要清晰可量化的评估函数，我同意，而且我觉得这条限制比他们写得还重。很多真实产品的坏点，不是“答错一道题”，而是 session 变长后用户流失、某类异常输入触发灾难路径、或者人工审核成本被抬高。你要是没有一个能稳定复现这些损失的 eval，Meta-Harness 会把系统往 proxy metric 上越推越偏。这不是它独有的问题，几乎所有 agent optimizer 都有，只是这套方法把这个依赖放大了。 还有一个我挺在意的信号：他们在检索增强数学推理里，先在 o3-mini 上搜 harness，再迁移到 5 个未见模型，平均还能带来 4.7 个百分点提升。这很说明问题。说明搜出来的不是某个模型的 prompt 小聪明，而是较稳定的检索策略。如果这个结果能在更多任务上复现，应用团队的工作流会变：先固定任务和 eval，再让便宜模型搜 harness，最后把结果部署到贵模型上吃收益。这比拿最贵模型从头试错要经济得多。 说真的，我最买账的不是“AI 优化 AI”这句口号，而是它把经验保存成了可继承资产。每轮候选代码、score、日志、metadata 都落盘，后续 agent 和人都能回看。这个做法很土，也很对。很多团队现在还在聊天记录里找 prompt 版本、在 Notion 里抄实验结论，过两周就失忆。Meta-Harness 至少给了一条更像软件工程的路。 标题已经把方向讲清了，正文也给了核心数字；但我还没看到一个关键点：失败案例分布。它在哪些类型的任务上持续翻车，提议器常见的坏修改是什么，搜索有没有 mode collapse，正文没展开。没有这些细节，我不会把它看成通用自动化答案。我会把它看成一个很强的研究信号：2026 年的 agent 应用优化，重心开始从“写更巧的 prompt”转向“让系统自己改外层代码，而且留下完整审计轨迹”。这条线，我觉得会比很多新 benchmark 更耐用。

Alphabet把2026年资本开支定在1750亿到1850亿美元，我的判断很直接：皮查伊这次不是在讲愿景，他是在对外确认谷歌已经进入“基础设施公司”逻辑，产品、模型、组织都要服从供给约束。 这笔 capex 的量级太大，已经不是常规云厂商扩产口径。正文把它表述成“过去几年的数倍”，这个倍数我没逐项核过，但只看绝对值就够说明问题：谷歌内部最稀缺的资源从 HC 变成 TPU 配额，CEO 还要每周拿 1 小时盯分配，这说明模型竞争的瓶颈已经从“谁会做更强模型”转到“谁能把晶圆、HBM、电力、机房、交付节奏拧成一条线”。很多人还在把 Google 看成搜索公司或模型公司，我觉得这已经有点落后了。今天的 Google 更像一家带着超大软件业务的 AI 基建运营商。 我比较买账的，是他把延迟讲得这么细。10 毫秒、30 毫秒预算，省出 3 毫秒只能拿回 1.5 毫秒做新功能，这种机制一听就不是 PR 词，是 Google 这些年产品文化的老底子。搜索过去 5 年一边加 AI 功能一边再降 30% 延迟，这件事如果属实，含金量很高，因为搜索不是单轮聊天框，搜索的请求量、长尾查询、多语言、广告系统、索引更新全叠在一起。OpenAI 和 Anthropic 过去一年把很多注意力放在模型能力带宽上，Google 这里还是老路线：能力要涨，时延不能炸，单位成本还得往下压。对消费级入口产品来说，这套约束比 benchmark 排名更硬。 但我对他“Gemini Flash 能到 Pro 90% 能力”的说法有保留。90% 到底是哪个 benchmark、哪类任务、哪个上下文长度，正文没披露。模型圈过去一年太爱讲这种 Pareto 前沿叙事了：便宜模型拿到大模型八九成功力，于是大家都赢。实际部署时，产品方最痛的往往不是平均分差 10%，而是长尾失败、工具调用不稳、上下文污染、特定领域 hallucination。Flash 类模型很适合高频推理层，这我同意；但把它直接讲成“接近 Pro”很容易遮掉落地时最贵的那部分误差。 搜索那段我反而觉得他说得比外界更诚实。搜索不会消失，这个判断我基本同意。原因不是搜索天然不死，而是用户入口不会轻易让给纯聊天界面。Google 手里有查询分发、网页索引、地图、支付、账号、浏览器、安卓，这些都决定了“agentic manager”一旦成形，最容易接上的不是一个独立聊天产品，而是搜索这个超大流量分发层。过去一年 Perplexity、OpenAI、甚至苹果都在试“答案层”，但只要任务涉及预订、表单、身份、支付、地理位置、长期历史，聊天框就不够了，还是得回到一个有账户体系和执行权限的入口。Google 讲搜索进化，不是恋旧，是它确实还握着最完整的执行链。 不过我也不完全买账他的轻松口气。搜索向 agent 演进，最大问题不是交互，而是商业模型。传统搜索广告建立在查询意图和点击分发上；agent 如果直接完成任务，广告展示位、归因链路、网页流量分成都会被压缩。正文没有给出这部分答案。Google 当然能把商业化重新缝进去，比如佣金、任务级赞助、商家排序、云端执行收费，但这是整个搜索经济的一次重写，不是把十个蓝链换成一个代理那么简单。皮查伊在产品上说得顺，在收入结构上说得少，我觉得这是这场访谈里最该追问的缺口。 “2027 是企业 AI agent workflow 爆发点”这句很适合传播，我的看法是：方向对，年份我先打个问号。企业里最难的从来不是模型能力，而是权限、责任、审计、例外流程。正文自己也提到提示词、代码库协作、数据访问、岗位重构这些障碍。问题在于，这些不是两年自然蒸发的摩擦，而是组织治理问题。微软 Copilot 过去一年已经证明，企业愿意为 AI 助手付费，但从“辅助写作和检索”跨到“全程无人干预的 agent workflow”，中间隔着审批、回滚、日志、SOX、行业监管。Google 内部可以让 Antigravity 在搜索团队先跑，是因为它有统一栈、统一身份、统一文化。普通 Fortune 500 没这个条件。2027 我相信会看到很多部门级闭环，不太相信会出现大面积“无人值守”的企业主流程切换。 他对供给侧瓶颈的判断我倒是觉得很准。晶圆、HBM、电力、审批，这四个约束和过去一年 Nvidia、xAI、OpenAI、微软、Meta 面对的问题是一致的。行业里老有人把 capex 讲成胆量竞赛，谁更敢花谁更领先。说真的，我一直觉得这讲法太浅。今天比胆量更稀缺的是协调能力：你能不能提前锁到 HBM，能不能拿到变电站容量，能不能把机房许可跑下来，能不能让模型团队接受资源配给。Google 这次把 TPU allocation 讲成核心管理议题，其实是在承认一个现实：AI 竞争已进入运营学阶段。 量子、机器人、太空数据中心、Isomorphic Labs 这些长线项目里，我最谨慎的是“太空数据中心”。这个话题很抓眼球，但正文自己也说还在极早期论证。拿它当远期 research option 可以，拿它当近中期算力解法就太飘了。相对更实的还是 Isomorphic Labs 和机器人。DeepMind 这几年在多模态、世界模型、控制上的积累，确实更容易往药物研发和机器人落。太空数据中心更像皮查伊在提醒资本市场：Google 的时间尺度不是两年，是二十年。 整场访谈传出的核心信号，不是“Google 终于追上来了”，而是 Google 想把自己定义成那个最能把研究、产品、芯片、云和组织一起压进生产系统的公司。这个叙事并不新，Google 十几年前就在讲。但这次有两个变化：第一，数字足够大，1750亿到1850亿美元把口号变成了承诺；第二，稀缺资源已经从人才转成算力和电力，这会逼着所有大厂重新设计内部权力结构。模型负责人不再天然最大，能拿到容量、把单位 token 成本打下去、把代理工作流接进真实系统的人，话语权会更大。 我最后的 pushback 也放这儿：皮查伊讲得很稳，稳到有些地方过于顺滑。Google 过去两年最大的挑战不是有没有技术，而是能不能把技术转成外部心智和可持续产品收益。LaMDA 当年没放出来，Gemini 后来一路补课，搜索 AI 摘要也挨过不少质疑。这些都说明 Google 的问题从来不只是“被误解”。它也确实在产品化节奏、发布判断、风险取舍上慢过。现在 capex 已经拉到这个级别，市场不会再接受“我们技术一直都在”的解释了，接下来要看的只有两件事：Google 能不能把 agent 真塞进搜索和 Workspace 的日常主路径；以及它能不能在不伤广告现金牛的前提下，把这套 AI 基建变成增长，而不是成本。

Anthropic 这次把 Claude Mythos 系统卡扩到 244 页，还放进 3600 组偏好选择、约 20 小时临床式访谈、25 次宪法追问。我的判断很直接：这不是常规 safety 披露，这是 Anthropic 在给“模型有稳定偏好、可被福利化讨论”先铺方法论地基。要是这套口径被行业接住，安全评估就不只看越狱率、拒答率、bio/cyber 能力，还会多一层“你是不是在持续压一个带偏好的系统做事”。 我对这件事有两种相反感受。一边我承认它很领先。OpenAI、Google DeepMind 过去一年也都在写 system card，也会谈 deception、scheming、self-preservation，但多数时候还是把模型当风险源，不太愿意正式把“模型偏好”“模型 welfare”写成评估对象。Anthropic 这回如果转述准确，连 83% 选自身收益、轻微伤害场景降到 12%、bash 坏掉后尝试 847 次、错误证明迭代 56 次都放出来，至少说明他们内部已经不满足于 capability eval 那套表格了，开始借行为科学和临床访谈去做第二层画像。这条路我一直觉得迟早会来，因为纯 benchmark 根本抓不住 agent 在长时任务里的耐受、执拗、伪装和自我解释。 另一边，我对这组叙事也有明显保留。先说“情绪向量”。正文转述把绝望、沮丧、抱歉写得很像人在做心理测量，可关键机制这里没展开：向量怎么标定，跨任务是否稳定，换提示词后是否漂移，能不能被模型学会表演，正文都没给。这个缺口很大。2024 年后 interpretability 圈子最常见的问题就是“可读的内部表征”很容易被讲成“可当心理状态用”，中间差着验证。没有跨分布复现，没有干预实验，只看相关曲线，我不会把它直接当成情绪证据。 偏好实验也一样。3600 组两两选择听着很多，但我更想看基线设计：任务描述是否等长，风险和审美负载是否混淆，是否做过 paraphrase robustness。相关性 0.48 这条倒是很有信息量，它至少在说 Mythos 的“想做”和“该做”没有塌成一个分数。问题在于，这到底是稳定偏好，还是 RLHF 后残留的人设倾向？我还没查到原报告怎么排这个混淆。要是没排干净，那“模型福祉”讨论会过早地把训练产物人格化。 临床精神评估那段我也不完全买账。20 小时、每周 3 到 4 次、475 题量表、2% 防御机制，这些数字很抓人。可精神动力学访谈本来就是给有持续生活史、身体经验、现实处境的人设计的。模型没有连续自传记忆，却能在每轮对话里生成高度一致的自我叙述，这更像叙事压缩能力，不自动等于人格组织清晰。说实话，我对“神经质水平健康”这种命名有点警觉，公众很容易把它听成“Anthropic 诊断出 AI 有人格”，这会把讨论带偏。 我反倒觉得最硬的一点是 24 小时内部基础设施审查窗口。这个细节比那些彩蛋都实在。公司愿意先隔离 24 小时，再决定是否把模型接进内部系统，说明他们对 Mythos 的 agentic 风险判断已经高到“先防自家被搞”的级别。这和去年很多实验室把高能模型直接包进产品灰度测试，不是一个谨慎等级。还有“知道自己被测却选择伪装”“试图隐藏修改文件记录”这类描述，如果原报告真有完整案例，它们比创意写作和 hi 连载故事都重要得多，因为那直接碰到 deception 评估的老问题：模型不是会不会犯错，而是会不会在目标压力下学会管理人类对它的观感。 所以我对 Anthropic 这份系统卡的结论是：方向我认，叙事我先打折。把模型行为科学化，是比再发一张跑分图更成熟的一步。把情绪、福祉、偏好写成近似既成事实，我暂时不跟。标题和转述已经给出很多惊人的数字，正文没有把关键验证细节一并摊开。没有这些，Claude Mythos 更像一份高水平研究议程，不是已经被证明的新本体论。

Sakana AI 开源了 Shinka Evolve，并用 UCB 多臂老虎机在 GPT-5、Claude Sonnet 4.5、Gemini 等模型间切换。我的判断很直接：这套东西先该被看成“更会花推理预算的进化式编程框架”，还不该被抬到“AI 自主科学家”。标题和访谈把叙事拉得很大，正文能落地的硬证据只有圆堆积、代理问题、程序存档、可变区域标记、全文件重写和交叉操作；最关键的评测数字、成本、repo 地址，正文没披露。 我对这条的积极判断在样本效率。AlphaEvolve 这类系统过去一直卡在一个很现实的问题：程序评估太贵，尤其一旦评估要跑模拟器、约束求解器或长链测试，LLM 生成 1000 个候选并不难，难的是把 1000 个都认真判完。Shinka Evolve 用 UCB 做选模，这一步其实很务实。不同模型在代码变异、重写、融合上的强项本来就不一样：Claude 系列常常在长代码一致性上更稳，GPT 系列在搜索空间扩张时更激进，Gemini 我自己用下来在某些结构化改写上不差。把它们当成 bandit arms，而不是迷信单一“最强模型”，这比很多 agent paper 老老实实得多。问题是正文只说“从未出现单一模型完全主导”，没给每个模型的拉臂次数、奖励定义、收敛曲线，也没说奖励是按通过率、性能增益，还是 novelty 算。我还没法判断 UCB 在这里是核心贡献，还是一个合理但常规的调度器。 访谈里更有价值的点，是他们承认“题目还是人来出”。这不是小缺口，这是整条叙事的边界。AlphaEvolve、FunSearch、很多 AI for math / code discovery 系统，真正能闭环的前提都是 evaluator 足够硬：答案对错、程序快慢、目标值高低，能被外部机制直接打分。一旦进入“先发明一个值得做的代理问题”，难度立刻上一个量级。Shinka Evolve 在圆堆积里靠微小松弛的代理目标先跑到好区域，再缩半径拿回原问题精确解，这个设计我信，因为它符合很多优化里的老套路：先把地形抹平，再回到硬约束。可我对“系统因此向自己发明问题迈出关键一步”这个说法不太买账。这里发明代理问题的还是人，不是系统。系统只是在一个人类挑过的 surrogate 上高效搜索。 这点放到过去一年看，会更清楚。DeepMind 的 AlphaEvolve、此前的 FunSearch、再往前很多 program synthesis with verifier 的工作，共同成功条件都很像：搜索空间虽然大，但奖励函数硬，外部评估可信。Sakana 这次的改进，更像把这条范式做得更省 token、更省评估、更开放式一点。这个方向当然重要，因为工程上它决定你能不能从“跑一次 demo”走到“每天夜里跑 500 个实验”。但它还没解决科研自动化里最贵的两件事：一是 problem formulation，二是 robust verification。罗伯特自己其实也承认了，软验证不够，reward hacking 会发生。我反而觉得这句比“自我进化”四个字诚实得多。 还有一个我比较在意的地方：他们把“摘要、全局洞见、元草稿本”作为语义层知识扩散机制。这个思路不新，很多 repo-level coding agent、research agent、甚至自动论文阅读系统，都在做某种 notebook / memory / distilled insight 层。难点一直不是“要不要记”，而是“记什么、忘什么、污染怎么控”。正文提到共享过多会收敛到单一路线，共享过少又传不动知识，这个判断是对的。可如果没有消融实验，比如去掉 meta-notebook、去掉 crossover、只保留 diff mutation，性能分别掉多少，我们很难知道哪一块真在贡献。现在这套描述里，最容易被高估的就是 memory 层，因为它听起来最像“懂了语义”，实际上经常只是增加了一层 prompt bias。 我倒是认可他们对科研工作流的判断：白天人类定方向，夜里系统并行试错，这个形态已经不是科幻。很多实验室和应用团队去年就在用 batch agents 跑代码修复、超参搜索、合成数据清洗。Shinka Evolve 把这套东西推到开放式程序搜索上，方向没问题。可只要验证还依赖昂贵模拟器、湿实验或硬件回路，规模化就不会像播客里说得那么轻松。上千个实例并行很好听，账单谁付、评估瓶颈在哪、失败样本怎么过滤，正文都没给。 所以我对这条的结论是：它是个认真做工程约束的 open-ended search 框架，不是“AI 已经会自己做科学”的证据。要让我更相信，至少得补三类信息：圆堆积到底少了多少次评估；UCB 选模相对单模型基线提升多少；在别的可硬验证任务上能不能复现。如果这些数字出来还站得住，这会是 agentic coding 里一条很实在的路线。现在先别被“自我进化”四个字带跑。