人负责信息，AI 负责计算

引言

过去一段时间，我有一种很强的迷茫感。

但凡体验了最近半年 Codex/Claude Code 的狂暴进步的人，大概都很容易有这种迷茫感：如果代码可以这样写，研究可以这么做，那么人的价值到底在哪里？

一开始，我也很容易把答案落在一些熟悉的位置上，比如人负责提出 idea，人负责判断方向，人负责最终拍板。这些说法都对，但还不够精确。因为 Agent 变强之后，“提出 idea”和“判断方向”本身也会被部分自动化。真正的问题不是人还保留哪一个传统环节，而是：在人和 Agent 共同构成的新系统里，人最不可替代的作用是什么？

我思考了一段时间后，越来越觉得答案还是在 context。说“人要提供 context”听起来像是老生常谈，但我自己却是越想越觉得深刻。这里的重点是人能不能把 AI 拿不到的东西带进来：现实背景、真实需求、个人偏好、具体约束，以及最后用来判断结果好坏的标准。

信息和计算

很多时候我们说 AI 很聪明，能够写代码、推公式、做计划、跑实验，好像它在不断创造新的东西。但如果更仔细地看，AI 做的很多事情其实是计算。它把已经给定的信息展开，把隐含的后果推出来，把一堆约束组合起来，最后得到一个人类需要花很多时间得出来的结果。

这当然非常有价值。只是这个价值不应该被误解成“它凭空得到了新的信息”。

可以把 AI 的输出粗略写成一个公式：

AI 的输出 = f(模型/Agent自己的知识，搜索得到的信息，人类输入的 context)

AI输出取决于它能接触到的信息。模型参数和agent程序里有什么，搜索能搜到什么，人类输入了什么，它就在这些条件下继续计算。

如果没有额外的信息输入，AI 的输出就只可能是在这些已有信息条件下的大概率输出。它可以把这个输出写得很顺，推得很细，但从信息来源上看，它仍然没有越出那个边界。

我觉得这个区分会直接影响我们怎么理解人的价值。AI 越强，人越不应该把自己放在计算的位置上。人真正应该做的，是尽可能去收集 AI 拿不到的信息，然后用合适的方法把这些信息讲给 AI。

围棋规则的例子

举一个极端一点的例子。

假设我把围棋规则完整地告诉你：棋盘多大，黑白怎么落子，什么叫气，什么叫提子，什么叫劫，终局怎么计分。然后你从这些规则出发，推导出了某个局面下的最优下法。

这个推导过程可能极其复杂。它可能需要搜索巨大的博弈树，需要比较无数变化，需要判断每一步之后的胜率。对人类来说，这几乎不可能手工完成；对强 AI 来说，这正是它擅长的事情。

但是，从信息的角度看，最优下法并不是凭空多出来的。只要规则、初始局面和“最优”的定义已经给定，答案就已经被这些信息决定了。你后面做的事情，是把这个答案算出来。

换句话说，这个过程中没有引入新的信息。它引入的是计算。

这也是为什么 AI 特别适合替代我们做计算。它可以把推导搞得非常细致，把分支展开到我们没有耐心也没有能力展开的程度，把边界情况一个个查出来，把隐藏的矛盾暴露出来。它可以在一个给定的信息世界里走得很远。

但它走得再远，仍然是在那个信息世界内部。

不要和 AI 比计算

如果这个判断是对的，那么人的工作方式就应该发生变化。

过去很多人的价值来自计算。你会写代码，会算账，会推公式，会整理材料。这些事情当然还重要，但它们正在变得越来越适合交给 AI。

不是因为这些事情低级，而是因为它们本质上是在给定信息上做展开。只要目标、约束、评价标准和背景足够清楚，AI 就可以替我们把后面的链条算得很长。

所以人类反而不要把主要精力放在计算的活上。我们不应该把自己训练成一个比 AI 慢很多的执行器。

更好的分工是：人提供信息，AI 负责计算。

这里的信息不是泛泛而谈的资料，而是 AI 不容易自己拿到的东西：你真实经历过的事情，你和别人聊天时听到的细节，你对某个领域的手感，你知道哪些约束在现实里不能碰，你见过哪些方案看起来合理但其实会失败，你所在环境里真正稀缺的资源是什么。

这些东西常常不在公开网页里，也不在论文和文档里。即使存在，也未必以 AI 能直接理解和使用的形式存在。

找问题本质是context压缩

这样看，“找问题”本身就变得很重要。这里说的“问题”，是指一个well-defined的任务：题目是什么，解需要满足哪些约束，应该用什么标准去 evaluation 结果。

一个人每天会接触大量信息：读到的东西，听到的话，做实验时看到的异常，和别人讨论时出现的停顿，自己脑子里一闪而过的怀疑。绝大多数信息都不可能原样交给 AI。

我不可能把我每天看到的、听到的、想到的所有东西都塞进 context 里。即使可以塞进去，也不一定有用。长 context 不是自动有价值的，它可能只是把混乱转移给模型。

所以我必须做一件事：把我拥有的信息压缩成一些我觉得有价值的题目。

这个压缩一定是有损的。一个问题不可能保留全部背景。它会丢掉大量细节，但它应该反映我对事情的理解：哪里有矛盾，哪里有机会，哪里有不确定性，哪个方向值得算下去。

这个问题本身不是最终答案。它更像是一个接口。它把我的信息压缩到 AI 可以开始计算的程度。

我们的实践：Evolutionary Ensemble of Agents (EvE)

这也是我们做 EvE 时很核心的一个动机。

EvE 做的事情，可以理解成把现有的、已经很强的 coding agent 包进一个去中心化的 evolutionary ensemble 里。它同时演化两个种群：一个是 repository 里的 solver 种群，也就是具体的代码、算法、证明草稿或者其他功能组件；另一个是 agent 种群，也就是 agent 使用的 guidance 和 skills。前者负责产生更好的解，后者负责让产生解的方式本身持续自我改进。

具体来说，运行 EvE 时，你需要给它三类东西。

第一，一个可工作的环境。它可以是一个 GitHub repository，也可以是一个本地文件夹；里面可以是代码库，也可以是一个数学问题。

第二，允许修改的解空间。比如哪些文件或者文件夹里是可以被 agent 继续推进的代码或者证明草稿。

第三，评价每个解的 scoring steps。它可以是 shell scripts，可以是 agent judge prompts，也可以是二者的组合。

这些东西给清楚之后，EvE 就可以开始搜索强解。适合它的问题通常有一个共同点：结果可以被测试或者判断。比如设计一个算法，改进一段代码，或者解决一个数学问题。人定义环境、边界和评价方式；系统负责在这个空间里大量尝试、比较、继承和演化。这件事和这里讲的“人负责信息，AI 负责计算”是很一致的。人不需要为每个任务手写一套 workflow，也不需要一开始就设计好所有 task-specific skills。人要提供的是那些真正定义问题的信息。

人负责信息，AI 负责计算

我把未来的工作方式理解成这样一句话：人负责信息，AI 负责计算。

收集信息需要进入真实世界。你要做实验，要和人聊天，要观察系统怎么失败，要理解一个组织的惯性，要知道哪些需求只是嘴上说说，哪些痛点真的会让人改变行为。很多关键信息都藏在局部经验里，藏在具体场景里，藏在没有写下来的判断里。

表达信息也很难。你不能把全部经验原封不动倒给 AI，只能选择一种压缩方式。你要决定什么是核心，什么是噪声，什么应该变成约束，什么应该变成评价标准，什么应该变成一个可以继续计算的问题。

AI 让计算变便宜之后，信息的价值反而会上升。因为一旦信息被表达对了，后面的计算可以被迅速放大；但如果信息本身错了、缺了、压缩歪了，AI 只会非常高效地沿着错误方向展开。

结语

信息和计算是两回事。

AI 的进步让计算变得越来越便宜。它可以替我们把推导做深，把细节补全，把可能性展开，把实现跑起来。人不应该再把自己的主要价值放在这些计算劳动上。

人的价值会越来越集中在另一边：去真实世界里拿到 AI 拿不到的信息，再把这些信息压缩成 AI 能使用的问题、约束、例子和评价标准。

找问题尤其重要，它是把一个人长期接触到的信息做一次压缩。压缩得好，AI 就能沿着它算出很多东西；压缩得差，再强的计算也只是把错误放大。