作者：王林Lincoln | MindsLeap创始人 | Founders Space合伙人 | 企业家AI俱乐部创始人
"我们犯了一个错误：当谈论通用人工智能时，我们以为那是人类级别的智能，但我们真正应该追求的，是人类社会级别的智能。"
这句话出自 Google DeepMind 高级研究员纳纳德·塔马什。在一次关于AI智能体经济的深度对话中，他没有去描述一个超级AI接管一切的图景，反而讲了一个下棋的故事。
一个棋手的选择
塔马什是个国际象棋爱好者，甚至参与过 AlphaZero 的相关工作。他说，Gemini 现在也能下棋了，其他大模型也在进步。但你真正下棋时，用的会是一个语言模型吗？
不会。你用的永远是一个象棋引擎。
"它更快、更准确、成本低得多。因为它只做一件事，而且做得非常好。"
这个比喻揭示了一个被广泛忽略的趋势：当我们谈论AI智能体经济时，真正起作用的可能不是越来越大的通用模型，而是各司其职的专精系统。人类社会从来不是靠一个全知全能的天才运转的，而是靠无数个专业分工的人协作完成的。AI的世界，正在走向同一条路。
从"回答问题"到"替你办事"
塔马什用了一个很日常的例子来说明智能体和普通语言模型的区别。
如果你用大语言模型策划一场婚礼，它会给你推荐一份场地清单、列出一些餐饮供应商。然后呢？然后你自己去发邮件、打电话、做对比。
但如果你交给一个AI智能体，你可以授权它访问你的邮箱，让它直接去联系、去比较、去协调。"你只需要做决策者，负责审核和批准。"塔马什说，"批准之后，智能体去做各种事情，而你可以在 Netflix 上看点什么，放松一下。"
这个区别看似不大，但本质上是交互范式的转变。你不再是一个不断输入提示词的操作员，你变成了一个管理者。
"管理一个智能体团队和管理一个人类团队不同，但也有共通之处。"塔马什说。这个判断值得每个企业家停下来想一想。
自动化偏见的危险
但事情没那么乐观。
塔马什提到了一个在机器学习部署中反复出现的概念：自动化偏见。当智能体第一次把事情做好了，第二次又做好了，你会开始放松警惕。你会减少审核，你会开始相信它。然后错误就溜进来了。
"一旦你关掉注意力，你就在掷骰子。"
这对企业意味着什么？如果你的团队开始用AI智能体处理客户沟通、合同起草、数据分析，最危险的阶段不是它出错的时候，而是它连续正确的时候。因为连续正确会让你误以为它可以完全替代人工审核。
这不是技术能力问题，是组织习惯问题。一个企业能不能持续保持"在环且清醒"的状态，决定了它能不能安全地享受智能体带来的效率红利。
代码是入口，科学才是终局
目前AI智能体落地最广泛的领域是编程。塔马什说，这是因为"大量的正式流程和任务都可以用软件或代码来表述"。智能体把人类开发者的精力从重复性的样板代码中解放出来，让人类聚焦在想法和设计上。
但塔马什真正关心的不是写代码。他想用智能体来加速科学。
他描述了一个场景：未来的自主实验室里，智能体负责排期实验、运行实验、观察结果、分析数据，然后决定下一步做什么。在软件世界里，闭环很简单，你写测试用例，通过测试就能继续。但在科学世界里，你需要做物理实验来获得反馈。
"在材料设计或生物技术领域，哪怕只是设计电池，你也可能设计出一个过热的装置，导致实验崩溃，损坏硬件。"所以必须有防护措施和可靠协议。
这个例子说明了一个更大的命题：当智能体开始介入物理世界时，容错空间急剧缩小。企业如果要在自己的业务中引入智能体自动化，也必须想清楚：哪些环节出错代价可以承受，哪些环节绝不允许出错。
从对齐一个模型到对齐一个社会
最深刻的问题出现在最后。
塔马什被问到：当一万个智能体在复杂地交互，你该怎么对齐它们？
目前的对齐方法都是针对单个模型的：观察它的行为，然后把它的行为调整到我们认为可接受的范围内。但当一万个体在交互，智能体A今天和智能体B合作，明天和智能体C合作，C又把任务委派给D，D可能在某个环节咨询了人类，你怎么对齐这个系统？
"我们甚至不知道这个系统到底是什么。"
塔马什提出了一个方向：人类社会知道怎么协调大规模分布式系统，通过经济激励。如果智能体经济的激励结构设计得当，让它们在追求利益最大化的同时不造成伤害，这至少是一个起点。
分布式智能，而非单一AGI
回到开头的观点。塔马什描述的未来不是一个超级大模型包揽一切，而是一个架构：有一个更通用的层作为经济的"连接组织"，负责协调和调度；遇到具体任务时，它调用经过认证的专精模型。这些专精模型更便宜、更可靠，经济激励自然会推动这个分工的形成。
这更像是对人类社会的模仿，而不是对单个天才的复制。
塔马什把自动驾驶汽车的历程拿来做类比。大家很早就看到了无人驾驶的演示，但真正安全上路花了很多年。"最后一公里才是大部分工作所在。"智能体经济也是如此。技术展示很精彩，但把它们安全、可靠地编织进人类的组织结构中，才是真正的工作。
对中国企业家来说，这件事的信号已经很清楚了。不要等到一个"无所不能"的AI出现才开始布局。未来的竞争优势不在于你用了多强的模型，而在于你有没有能力组织、协调、管理一个由智能体构成的工作流。管理智能体和管理人员有本质区别，但核心能力是相通的：知道何时信任、何时审核、何时介入。
那些现在就开始练习这种能力的企业，正在积累一种短期内很难被复制的组织优势。
来源说明
本文由Lincoln根据 Google DeepMind 官方频道 2026 年 6 月 23 日发布的视频《When millions of AI agents meet》进行解读。
关于 MindsLeap 心智悦动
MindsLeap 是 AI 转型加速器，帮助传统企业家在 AI 时代找到转型路径。 与硅谷孵化器 Founders Space 合作，连接科技创业者与真实客户/场景， 连接国内外资本、硅谷科技圈，助力中国产业 AI 转型和出海。