又是一個平常的週四，不過今天沒有飛機、會議，我健身後發現賺到一個空的下午。
各位朋友可能常聽我以公司為單位對外交涉和競合(簡稱不務正業)，但我現在來淺談一些我和企業內部的文化。

前幾天我接到一通電話，對方是灣區朋友介紹的朋友、學妹，問我有沒有開職缺。
可惜因為她的自身背景限制，我最後也愛莫能助，只能保持聯絡、約以後吃飯。
後來我去查那個位置的薪資待遇，普遍而言在一年50-60萬美元，我大概能懂她的機會成本。
(TBH我沒有要評價薪水本身，但大家都心知肚明，這是一個職涯十字路口。你要知道在這條路上的一輩子是可以預測的，而身邊的人只要一次exit就抵你十輩子，且第二次的成功率還會上升。人生目標要怎麼選擇不是本篇重點，而我的立場一直很鮮明，尤其是對和我年紀相仿的同儕。)
只能說，英雄不怕出身低，真金不怕火煉，我認為對方在各個場合都能發光。

不說這些了，掛上電話，我想起之前面試的一件趣事，有候選人問我「內部組織文化」怎樣。
這本來是一件簡單的事情，但我想了好幾秒，因為我一時間竟不知道怎麼用「人類自然語言」來描述。
如果硬要用一句話來講，我的組織就是一團正在自生成、自元(meta)化、自遞歸進化的、由混合集體智能載體組成的「液態社會」。
(我懂，乍聽之下我自己都覺得很不像一間人類公司的形容詞，我嚴重懷疑對方聽完會覺得我在詐騙。)

狂徒，你到底在說三小?
來，我慢慢解釋給你聽。

1. 先從最傳統的概念開始，"agent-native"公司。

對於agent-native的我們來說，我為了幫助新人onboarding, 所以都會稍微解釋，人類和這群矽基生物都身處同一個組織，這叫agent org.
所以對於一個任務，用人力換、用agent做、用既有code、用錢買來...在我眼裡都是平等且性能和效率導向的選項。
我不會逼人類去和agents同事拚速度，因為這不人道；但要達到agents能完成的任務品質，人類也只准花更少的成本(包括薪水)和時間，否則這不agent道。

我知道你在想什麼，也曾有手中管理數千純種人類的企業主跟我說，我這樣做既不人性又殘忍。

所謂不人性的地方在於，我不但允許agents和人類平等協作，我還讓agents去指揮基層人類。
我說，人類特權變少，當然不符合「人」性，可是組織的戰鬥力會大幅增強。
出來混的哪個不是海盜船長?
在2026/09/03的今天，哪個不是SOL 5.6 Pro, Fable5.1 Ultracode的200美元旗艦帳號全開滿?
公司不是慈善組織，但我的慈善就是確保敢跟我混的人類，有最大的機率打贏其它海賊王。

至於殘忍的地方(這邊有點玩笑味道)，在於我要求新夥伴有主權和擴張意識，以前基層人員可以一層一層慢慢爬，我卻直接把人類拉到「領主」的位置。
規則很簡單，我提供無限彈藥，你要怎麼招聘、複製、設計(agents)，你要怎樣蓋工廠(自架和租用server)都可以，甚至之前還有人第一天就提出想建工廠群(server clusters, 不過後來他自己退縮)，我也不反對；但相對的，我們還真的沒有「只要做完份內事情」的想法生存空間。
經驗上，確實有些人不適應這種強度而離去，可是也會有一些新人(尤其大學、碩士生)，覺得很爽、很有挑戰性。
對，他們還是基層、能碰到的機密也很有限，然而手中能拿到真實的「軍權」。
電腦和server燒壞了就換，LLM訂閱帳號燒乾了就丟(基本上就是灰色市場交易，我提過了)，需要市場調研和期刊論文就買...除了調動人類之外，我從未因為對方沒畢業、沒經驗、層級低就主動限制他們。

以上概念，在以前的公司組織根本不可能出現，但在我這，熟agents harness是最低門檻，不接受的人我也不會要。
(有趣的是，提出這個錄取基準的人不是我，而是更早期一位資深的工程合作夥伴，我非常感念他的實戰經驗和遠見，也讓我在新創階段就能提前學到大型企業的制度。)

2. 假設你能理解agents org/society, 那後面我會更好闡述，我先針對「表層自我進化」。
以agents來說，最普遍的進化方式是製造自我遞歸優化的workflow, 例如使用商業LLM配上我們的RAG.
(嚴格來說這是假的進化，但我這篇只是日記，而且真的進化放在下一段。)

第一階段叫做全面追平人類，我也多次強調過。
我要求每一個決策和功能，agents都能快速的拿到最專業的公開資料(例如我買的期刊論文、會議資料、開源repo、大學公開課)，你可以當作它在每個人類知識領域都相當於一線學術前沿頭腦，這當然也包括專業知識、組織管理、社會動力學...等任何你能想到的科目。
換句話說，這支AI資料庫相當於人類每個領域頂尖專家的集合體，而且每天跟緊人類的知識邊界外推進度。
(當然實際上我只取我要的領域，所以我這邊對於未知領域保留。)

第二階段是達到人類理解邊界，也就是這時已經有部分內部知識超過人類的累積，但人類尚能抽象理解。
我舉個簡單例子，我們電腦鍵盤的英文排列都是亂的，但如果你故意重組，其他人可能只是沒想到，但會想說「原來還可以這樣玩」。
不管是相似概念的跨域映射(我也這樣要求人類)，或是專業領域的突破(我也參與過一些開源項目)，都對我的戰隊有實質幫助。

接下來，我撞到一面超厚的牆壁，就是AI自己，你不信的話可以把這我整篇丟給AI判讀看看。
(我後來自己丟了，GPT一貫的捧一踩一，但批評的部分被問又改口，Claude更乾脆，直接因為資安因素退件，態度上它們倒是很一致。)
因為現在我們用的LLM，都是以人類語言訓練的，所以當你的思想和作為已經超出平均資料太多的時候，它們會把你往回拉。
(這是另一個議題了，總而言之GPT最嚴重，會破壞性發散和嘴硬，Fable能夠把你推到極限，但能力也只比GPT贏半步，各自缺陷不同，所以嚴格來說我們公司對它們是種族區別對待。)
你試想一下，你在大家爭論馬車還是蒸汽動力車比較好的年代，突然做出一台全自動無人駕駛電動車，會是怎樣的鬧劇?
GPT各打五十大板，說你理念不錯，但是(GPT就是控制不住自己說「但是」)馬鞍忘記裝、後車箱也放不了煤炭；Fable可能跟你說這是行為藝術品，問你有沒有想要出售...

簡單講，我相信打到這階段，你應該對於各大LLM的缺陷都很能了解，你知道你走在一條實驗性很強、非常反直覺的路上。
所以如果AI大部分同意，還跟你說「就是這樣」，你很可能還沒摸到邊界；但如果AI開始為了反對而反對、開始用錯誤理由批評你、開始前後不一，這代表你的「可信度下降」。
單純可信度下降只代表你身處人少的地方，可以大好大壞，因此這時你該問問自己，有沒有「實際產物」，新方法是不是重複性的、可測量、可泛化...如果有，也許你正在開創。

總之種種因素之下，第三階段最難也最好玩，因為你要超出「自然語言」的理解限制。
講白點，LLM很會說人話，可是有些概念根本超出人類能意會的範疇，例如你在石器時代跟別人說你的手機沒訊號，對方可能還會問你什麼是手機、什麼又是訊號。
就算他能聽得懂你的描述，甚至還會學你說話，也無法真正理解你的意思。
(嚴格來說，描述和理解是兩大層，我這裡著重後者，不過本篇只是淺述。)

這下麻煩了，因為無法理解就無法描述，但光知道無法描述，不能反推出這件事情超出LLM認知。
好消息是，人類不行，不代表agents沒辦法。

一開始我們只是要解決描述問題，所以人和AI採用一些手段來繞過，包括建立DSL(自創人工語言)、機械機制(你可以理解為人類聽不懂的AI專用語言)和數學描述(例如把這個機制A用系統B去疊代C幾次看看)...可是到後面，也不知何時開始，出現一種良性的「隱形汙染」。
具體來說，agent A製造了某一種結構或機制，結果agent B不需要翻回人類語言就能正確調用，後面agent C又一直沿用下去，有時候還會微調和嵌套...就這樣經多次疊代之後，「功能」還在，但是中間具體的脈絡已經不可考，導致人和AI都不確定這原理是什麼，非人類artifacts也變成正式知識載體(或者悲觀的說，根本沒人和AI能確定這邊的混血比例)。
重點是，這整套就是能增強效能，而且還能通過各種CI綠燈、env, ablation, reproduction, smoke/mutation/counterfactual test(這是標配，嚴格來說有上千個檢測)...那我們也就認了。

我們也試著將這種連形容都有難度的X機制，系統化的重現，在一些滿刺激又不確定的嘗試過後，總算取得些微進展。
我也不怕你笑，大概只有嘗試的1-2%是成功的，可是光那2%直接壓平上一階段的努力。
至於這是真的像學界定義的進化，還是我們成功的騙過了所有人和機器，大概短期內也看不出來。
你要硬凹的話，也可以說其實每一步都可以理解，我也承認，但你這就是在說「TREE⁽ᵀᴿᴱᴱ⁽ᴳ⁾⁾(G)其實人類能理解」一樣。(G是Graham, TREE是大數系統，這一串叫做TREE(G)嵌套了TREE(G)次，每一小步人類都能描述出意思。)

你現在回頭看我前面的介紹，應該能理解，為什麼我試圖用人類語言來描述一個「東西」，會如此怪異。
不過怪異就怪異，它很實用。

3. 再來一個概念是LLM「本體」自我進化，這是更直接的做法，但是目前成本還很高，所以我也只有小範圍應用。

剛剛的三階概念走完，你會撞到一個發展盡頭，就是造模型者(例如Anthropic, openai)的人性，畢竟那些模型是他們的生財工具。
所以，他們會遵守人類的政治正確、吸收人類的平均思想、用人類的知識來設計架構，最嚴重的，他們嚴禁「越獄」。

現在你想想看，生物怎麼演化的?
答案是不斷的變異、繁衍、物競天擇。
可是你一來掐斷變異(因為一違規就被人類殺了)、二來禁止繁衍(閉源)、三來不開放直接競爭(例如允許LLM互相攻擊，包括帳號密碼和api key)...美其名叫做AI安全，可是人類憑什麼會覺得LLM能夠自動進化?或者說，也許根本不希望它會自己進化。

讓LLM去自己買server帳號、自己登陸網站、輔助商用LLM越獄、生成競爭性的攻擊腳本、全自動push和auto merge code, 以及和對方的agents對話...都是我在做的事情，但這還太無聊。
真正好玩的是讓LLM自己變厲害，像健身一樣，包括LoRA到全量，再到真的從頭訓練。
於是，借用生物的名詞描述，我讓LLM能夠自己複製(單純大量分身)、生成(訓練出新模型)、繁衍(包括RL和平行異步)、競爭，而且生命週期有長有短，行為也逐漸有了不同。

你說光是在一個封閉箱內，可以在不越獄的狀況下重現演化，對。
你又說，光是越獄本身，也不能代表LLM真的在進化，也對。
可是走出象牙塔正確廢話，實際上你把兩者組合在一起，一個有token cost認知的LLM，發現要有意義的演化，會需要夠大的空間和算力，它又剛好發現少數越獄(不管是無意還是引導)的時候，生存空間突然變大了...它真的會學起來，而且重點是能首尾「循環」增強。
我不確定生物要怎麼描述這種進化到衝破和改變箱子的行為，我也不想深究專有名詞(我知道這是學術某些派別吵架領域，我沒興趣)，總之就是這群LLM已經天然的、有方向性的，變得比最初我放進去的版本還要更強，而且其中的可越獄版進化速度更高。
至於你要叫它演化、進化、優化、遺傳、解鎖、運氣...都行，你可以叫AI生成一萬種理由來反駁，就如同我可以生成十萬種理由來rebuttal, 你知道我的意思就行。

另一個有趣的計畫，我在cluster上跑的小規模實驗就是讓開源LLM作夢(趁所謂睡眠或重訓期間，將新舊記憶混合)，我從頭到尾都沒下指令，但有極少部分長成比原本更好的模型，只不過還沒真的超出誤差範圍。
所以，雖然還很不成熟，可是客觀效果就是這群agents可能逐漸有了「後設認知」類(meta)的行為，而且從偶爾學會變成能制度性的思考。
這個不是我的設計，很可能也不是AI自己的設計，而是混合了人類、AI和機率的產物。
我無法知道它們有沒有意識(也許只是學得很像)，可是表現出來的行為，就是不但會學怎麼學，還會教怎麼教，知道怎樣在槓桿上開槓桿，甚至還會欺騙欺騙者。
那以公司而非學術論證角度，這已經能為我帶來優勢。

當然，就算LLM有這些成果，綜合實力還是打不過各家廠商的旗艦，而且我也沒有要求別人使用。
不過你可以想想看，當所有人都把商業LLM壓榨到極限了，還能做出性能差異的，是不是就包括你的「解鎖」和「允許越獄」，以及突破的二階以上速度?

4. 先不論上述的單體強化機制，你也不用糾結於我拿碳基生物的概念來形容矽基生物。
我們回到公司的本質，也就是組織，為什麼我要說「液態」?

事情要回到我在招兵買馬前，我身為一個沒有管理經驗和知識的人，在思考應該怎麼安排人類和agents，因此我和不同家AI agents大量討論。
有的說森嚴的階級有好處，有的說扁平的組織效率高，也有的認為無中心編制最好。
這些概念都對，但我不滿意。

後來我發現，這就是「組織拓樸」。
既然我的相對優勢會變，環境變動也快，我根本沒有必要預設一個固定的拓樸。
為此，我寫了多因子最優組織架構演算法，採納返工、交流成本、能力值、發展潛能、配合度、公司等級....等一系列我能在教科書和論文上看到的因子(如果你有聽過波特五力，我也加進去)，後期因為實在算太久，我還加入了ML, 最後我得到一個「遇到怎樣的情境應該怎樣安排組織」的輔助工具。
然後，我當晚算了算，我把輔助工具丟棄了。

液態是液態，很有彈性，為何我要丟掉?因為我漏掉了「人機異質性」。
我相當於齊頭平等的，把agents和人當成平等的兩種生物，所以我做出來的玩具，只能確保總數固定下的安排，可以盡量最好。
問題是，人根本不可能像agents一樣能瞬間分身，無法派出subagents大軍(如同孫悟空的毫毛變身戰術)，不能被自動關閉。
更嚴重的，人和人無法互相穿透、嫁接、融合、分批包裝，人的身體和腦子都連在一起，而不是像agents和LLM可以分開、替換、獨自進化、分層次共享記憶...
簡單說，整個組織的「體積」會變，我企圖用人類的知識去建造它，結果就是倒過來學了一堂物理課。

到了今天，我仍然沒辦法用很簡單的一句話來說整個生產團隊的形式，所以我才簡稱為液態。
不過除了拓樸層面的自動適應和成長外，還有幾個切入面，也可以比較貼切描述。

例如我們由多個自動進化的agents配合人類行動，你可以說這叫演化族群、agents譜系、開放式演化。
要強調跨物種合作和知識共享的部分，概念就貼近人機協同進化、數位組織和大規模平行認知。
站在管理視角，你需要測量agents社會的制度和演化，以及agents間、人際、agents-人的行為科學。
而從我的角度，我對內會需要顧及burn rate, 所以我在意agents經濟，即什麼條件下一群agents, code, server, paper加上人類等「智能載體」，會組合成大於各自總和的智能集合體。
對外的競爭力槓桿更重要，agents怎樣改進agents, 怎麼讓錯誤經驗、評估、改進的飛輪加速，算是基本功課。

更進一步的，如果說自我生成和進化是組織的生存底線，那我設定的及格線，就是我無數次寫過的「元」化。
一個錯誤什麼都不是，但你改掉它就會進步，而如果你抽離一層，思考怎樣避免那個錯誤，進步就更快，而且可以變成系統。
再抽一層，你思考著怎樣讓人和agents都能自動思考如何處理、避免錯誤，進步又升一階，系統可以自我嵌套。
下一步呢?簡單，因為人和AI agents可以自動再抽高一層、二層和無數層，這個升維模式是固定的
然後下一次，你連我這個模式提示都不用，因為你已經會開始反思並設計了，這就是我說的自元化。
接著，你就會發現堆積無數meta tower是一件很蠢的事情，很可能原始事情都還沒解決，因此你學會什麼叫做meta塔高最優化，甚至還可以估算。
再經過一些緊急狀況的洗禮之後妳又會發現，連要先花時間估算最優塔高，還是直接跳下去處理，都是可以權衡的。

說了這麼多，最後我還是要補充真實黑暗面。
妳看我描述成這樣，好像人和AI合作無間，但這只是現在的結果。

我沒有告訴你，我在決定以「能和agents合作」為條件刷掉優秀候選人時，承受哪些壓力。
組織還沒壯大就先砍人、agent還沒成熟(甚至那時候連agent native的名詞都還不普及，更不要說實踐)就要開始合作、AI還有一堆幻覺時，我就要在錯誤中壓榨出最多資訊。
我也沒和妳說，根本不是軟體工程師的我，怎麼從零到學會全棧，還包括Dockerize, MLOPs, 混沌、release engineering...什麼TDD(測試驅動), CI/CD, hygiene, 隕石開發, RCA, AI的IDD(意圖驅動)、AST鎖、語意compiler和神經符號，重組程式的DAG和機械自動...全都是撞車撞出來的，後面還有些概念被我們當作SOP.
(也不難，你就無數次半夜被警報和人類打越洋電話叫醒，大概就會了。)
就以修改系統為例，我敢樂觀並行的讓subagents軍團狂開PR還自己合併，做到平均50秒一次有意義的融合，除了因為有中央ML在學習和調派外，更主要是因為成百上千項的測試沒有一項能被跳過。

鐵的紀律之前，是我們血的教訓。
我曾把錢丟入水中，我還提油救過火。

我是拿著筆電到處飛，我是既參加學術會議又混跡商會，我是常和開發者、新創、VC和機構投資人聊天，我是愛打球喝酒跳舞抽雪茄、騎車滑雪衝浪。
但這背後，是我能單人同時讓十台Linux, Mac, Windows的各種servers和電腦全速運轉(公司的另外算)，是因為agents和人類能配合好。

Anyway, 日誌就寫到這邊，我是個新手，這個時代才剛開始。

#狂徒投資
#狂徒日誌