Meta AI掌门人披露震撼内部数据：一队AI击败百名工程师，秘诀竟是Markdown与定时任务

一位19岁弃学创业、被Meta以143亿美元重金招揽的年轻人在台上抛出了一段让硅谷工程师震惊的回应：

“超级轻松 说实话，特别、特别简单”

他所描述的是已经发生的事实 Meta公司内部，一支由AI Agent组成的“蜂群”，在恰当的反馈回路与评价指标的支撑下，完成的任务量超越了一支约100人规模的工程师队伍。

说这话的是Alexandr Wang，现任Meta首席AI官兼Meta超级智能实验室（MSL）负责人。 背景是2026年7月末在旧金山举办的Y Combinator Startup School 2026，与他对谈的是YC掌门人Garry Tan。 一段三十二分钟的对话，随即被拆解为多条社交媒体短视频传播开来。

这是一家市值万亿美元的科技巨头中负责AI的最高主管，在公开场合，用第一人称复数表述：“我们在Meta内部已经见证了这类实例。”

随后他补充了一句：支撑这一切的技术栈，听起来无聊到让人想笑。

Garry Tan追问了机制层面的实施细节：是不是就靠markdown文档、cron定时调度，再让Agent对准足够多的数据去捕捉异常信号？

Wang的答复几乎像在朗读一份初级工程师的技术说明：

“先弄清楚评估标准是什么，说到底就是skills、markdown文件、cron任务。”

他还笑着补充，深度拆解下来，一切都平凡得出奇（mundane）。

▲ 投资人Karl Mehta转发的对谈片段，标题突出“markdown文件和cron任务”带来的反差感

令人难以平静的是，驾驭如此强大能力的方式竟如此朴素。 专有架构与高深论文均未现身 Skills（可复用的能力单元）、Markdown（人类可读的说明文档）、Cron（Unix生态中最古老的定时调度工具之一），这些在任何一位本科CS新生的工具箱里都能找到。

这种反差产生了独特的冲击：工具唾手可得，而思维方式才是真正的壁垒。

要掂量这句话的份量，你得先弄清说话者的分量。

Alexandr Wang，1997年出生，在新墨西哥州洛斯阿拉莫斯长大。 父母是洛斯阿拉莫斯国家实验室的物理学家。 少年时代横扫数学奥赛、物理竞赛、信息学赛，高中毕业直奔硅谷写程序，曾在Quora等公司任职，短暂就读MIT后选择辍学。

2016年，19岁的他创立了Scale AI。

这家公司将训练与评估AI所需的高质量数据及人类反馈，打包成可规模化交付的基础设施。 早期切入自动驾驶标注领域，随后拓展到大模型训练数据、模型评估、企业AI部署，在“数据不够性感”的年代，他押注的是一个预判：算力和代码可以随用随取，高质量数据却始终稀缺。

这个预判值多少？ 2025年6月，Meta向Scale AI投资约143亿美元，交易后Scale估值突破290亿美元。 作为交易的一部分，Wang加入Meta，并在月底由Mark Zuckerberg亲自任命为Meta超级智能实验室（MSL）首席AI官。

▲ 维基百科Meta Superintelligence Labs词条，显示2025年6月30日成立、Wang担任首席AI官

一个靠数据和评估起家的人，如今告诉你“Agent蜂群凭借恰当的eval和metric就能碾压百人团队”，他的整个职业生涯都在求解“怎样才算做好”这个问题。 这份判断恰恰源于他最擅长的领域

社交媒体上，一位名叫Suryansh Tiwari的博主精准地抓住了措辞中的关键：

“它超越（outperforms）了百人规模的工程团队。”

他的推演逻辑是：如果这一判断在今天哪怕仅在狭窄场景中成立，那么未来几年组织将更关注如何高效编排Agent。

这里先拆解一个关键概念 Wang所说的“agentic loop”（能动性闭环）已超越ChatGPT式的一问一答。 设想一个循环：目标 → Agent行动 → 观察结果 → 对照指标 → 调整策略 → 再次行动……持续运转，直至目标达成或确认失败。 而“swarm”意味着成群的Agent并行运作，各自承担子任务，像蜂群那样分工协作。

Wang把公司本身描述为一个“人类在每条边上运转的大规模反馈环”：获取客户、让客户满意、客户投入更多资金、再投入资源去获客和服务。 环中嵌套着众多微观反馈环 Agent可以执行环上的部分操作。

他认为当前被严重低估的机会，是构建能把用于某个结果的token消耗放大一千倍乃至一百万倍的系统，只要环和指标正确，用算力堆迭代可能比堆人头划算得多。

对谈中的另一段，来自Wang更宏观的判断：

“稀缺资源不会是智能或agency。我真的认为，稀缺的将是愿景（vision）和野心（ambition）。”

▲ Casper的姊妹帖，将Wang的表述解读为“当思考变得廉价，唯一昂贵的是知道该思考什么”

他指出，十年前最顶尖的AI模型还只能在YouTube视频里识别猫，如今我们已与“数字神”对话。 争论超级智能两年还是五年到来，在他看来“近乎浪费时间”，因为趋势已经锁定。 他判断，“把一群聪明人汇聚起来对准同一目标”这件事，即将挣脱人类进步的历史性瓶颈。

换种说法：过去把好想法落地，需要大量的组织与协调。 如今，AI正在压低执行成本 “你究竟想要什么”这个问题，也因此变得愈发关键。

大多数人正在为“一个必须变得更聪明”的世界做准备。 Wang描绘的图景中，聪明正逐步充裕，方向感依然稀缺。

社交媒体上的反应并非一边倒的狂欢。 事实上，最有价值的讨论恰恰来自质疑声。

▲ 一条回复指出：swarm容易搭建，eval更难；目标不可量化时，多Agent只会制造返工

一位评论者直指要害：百人工程团队在需求规格崩坏时仍保有判断力； Agent优化的是被测量之物，未必符合人的原始目标。 另一位限定了边界：Wang的描述应具体化为全数字环境中的有界软件任务，不能等同于跨学科、涉及物理测量和安全判断的替代。

最精辟的一条或许是：“Swarm不难，难的是eval和metric。 目标定义不够可量化时，多Agent只会放大返工。 打分做对了，三两个Agent就能赢大团队。”

这恰恰呼应了Wang自己设下的前提：Agent要取得这样的成绩，必须配备正确的agentic loop，以及恰当的评估体系或优化指标。 两个“正确”，构成了这段话的重心

▲ “应具体化为全数字环境中的有界软件任务，swarm可放大计算，但不能独立触及物理现实”

Wang的论断并非孤证 Anthropic在2025年6月公开的工程博客中，详细记录了自家多智能体研究系统的构建过程，一个规划型“领导Agent”创建并行的子Agent去检索和分析。 内部评估显示：以Claude Opus 4为主导、Sonnet 4为子Agent的系统，在内部研究评测上比单Agent的Opus 4高出90.2%。

▲ Anthropic工程博客首屏，定义了orchestrator-worker的多智能体架构

但Anthropic也坦承了失败模式：一次生成过多子Agent、无止境的搜索、工具描述含糊……而且多智能体消耗的token量比普通对话高出一个数量级，因此“只适合高价值任务”。

Zylos Research的行业综述则提供了一个冷静的数据：到2026年初，企业AI项目中采用多智能体架构的比例已从2024年的约23%飙升到约72%，但同时，协作成功率可能显著低于单打独斗，瓶颈在于Agent之间的“社会智能”：承诺、同步心智模型、有效通信。

技术飞速演进，“怎样让一群AI高效协作”也遭遇了与人类团队协作相似的困境。

Wang在对谈尾段谈到抽象层的迁移：从写代码，到编排Agent，再到组织百万、万亿量级的Agent协作，系统性、严格的思考不会过时，只是作用的对象变了。

回望他的整个人生轨迹，洛斯阿拉莫斯的物理学家家庭、少年竞赛选手、19岁创办数据公司、被万亿巨头以天价收编，你会发现一条一以贯之的线索：他始终在求解同一个问题：“怎样定义好”。

标注数据是定义好，设计eval是定义好，选择metric是定义好。 而如今他说，在Agent可以替你执行一切的时代，“你想要一个怎样的世界”本身，就是最终极的那个metric。

那句“愿景与野心将成为稀缺资源”可以从经济学角度理解：当执行成本持续下行，方向选择的价值随之攀升。

Markdown文件和cron任务，就摆在那里。 工具早已公开

秘密在于：你打算用它们指向哪里