DeepSeek Super Agent 很热闹，但我认为 AI 已经进入瓶颈期
最近写了几篇博客，都是在回忆二十多年前的互联网往事。
倒不是我不关心当下。恰恰相反，这两年我花了大量时间研究和使用 AI，从最初的聊天问答，到现在用它写代码、开发产品、处理复杂任务，几乎每天都在和 AI 打交道。
只是最近，我对 AI 的发展产生了一些不同的看法。
10 月 31 日，DeepSeek Harness 团队发表了《Super-agent 设计探索：迈向更自主的 Agent 系统》，同时开源了一个研究原型。消息出来后，网上很热闹，不少人认为 AI 又迎来了一次突破。
但我看完介绍后的第一反应是：这似乎没有什么特别新鲜的东西。
当然，这不代表它没有价值。从 DeepSeek 的角度来看，发布这个原型完全合理。
只是这件事让我更加确信了一个判断：当前的 AI 模型可能已经进入阶段性的瓶颈期，而围绕 AI 的资本泡沫，也开始出现破裂的迹象。
一个指挥官，带着一群 AI 干活
DeepSeek 这次提出的 Super Agent，主要想解决一个实际问题：AI 可以同时干很多活，但人已经忙不过来了。
比如开发一款软件，我们可以让不同的 AI 分别写代码、检查问题、执行测试。但实际使用时，你得不停地切换会话，检查谁做完了、谁遇到了问题、谁需要新的指令。
AI 没有闲着，人却累得够呛。
DeepSeek 的办法，是安排一个负责接收消息、分配任务的 Router，再由多个 Worker 分别执行。它还设计了事件监听、任务记录等机制，尽量减少人需要操心的事情。
这是一项有实际意义的工程探索，但基本思路并不新。
我自己就在 Codex 中尝试过类似的方法。
我建立了一个专门的“需求指挥官”会话。它不直接执行任务，只负责理解需求、安排工作、检查结果。具体开发和测试则交给其他会话。
开始的时候，效果确实不错。
但随着项目推进，问题很快出现了。
指挥官需要记住大量信息，执行会话也一样。对话越来越长，上下文不断压缩，AI 有时会忘记之前的要求，甚至把不同任务的信息混在一起。
更麻烦的是，如果指挥官最初就理解错了需求，后面所有执行任务的 Agent 都可能跟着犯错。
这就像一个指挥官看错了地图，手下执行得再认真，也可能全部跑错方向。
后来我一直在想，能不能把那些容易遗忘的内容从会话中拿出来？
我曾经让 AI 按照同一套规范编写 55 份需求文档。即使反复强调要求，它还是会在后面的文档中遗漏某些规则。
但换个角度想，现实中的公司也不会让负责人每天开会，把所有规章制度重新念一遍。
负责人需要安排的是今天做什么、有什么特殊要求、怎样判断工作完成。
至于文档格式、操作规范、检查标准，这些内容本来就应该写下来，需要的时候再查。
Agent 也是一样。
现在常见的做法，是把可以反复使用的工作规范和操作步骤整理成 Skill。系统先让 AI 知道有哪些 Skill，遇到相应任务时才读取具体内容。
这种方法叫 Progressive Disclosure，中文通常翻译为“渐进式披露”。
比如 AI 要写需求文档，就读取需求文档规范；需要设计权限时，再读取权限方面的要求。没必要每次都把所有文件塞进上下文。
对于必须严格遵守的规则，还可以直接编写检查程序，而不是仅仅依靠 AI 记住一段文字。
但即使这样，AI 仍然可能漏读规则，或者读了却没有正确执行。长时间运行之后，上下文中的重要信息也可能丢失。
所以我现在更倾向于让长期任务定期保存关键结论和当前状态，必要时重新建立会话，而不是不断保留所有中间讨论。
就像会议纪要，真正重要的是最后决定了什么、还有什么没有解决、下一步准备做什么，而不是记住每个人说过的每一句话。
这些方法能够让 AI 更可靠地完成复杂任务，也确实可能让整个系统做到单个会话做不到的事情。
但它们并没有直接改变底层模型的能力。
需要说明的是，我还没有实际运行 DeepSeek 这次开源的原型，所以无法评价它的真实效果。它的设计也不只有多 Agent 分工，其中还有不少值得研究的工程细节。
只是对于已经长期使用 Agent 的人来说，这些思路谈不上颠覆性的创新。
为什么 DeepSeek 要发布它？
我觉得这件事从 DeepSeek 的角度看，很容易理解。
如今不少 AI 厂商既开发模型，也开发自己的应用。
如果一个厂商既掌握模型，又掌握用户使用 AI 的主要入口，就能够围绕自己的模型不断优化应用。
久而久之，用户可能越来越依赖少数几个产品，而底层模型的选择权也会受到这些产品厂商的影响。
DeepSeek 的情况有些不同。
虽然它也有自己的聊天应用，但向开发者提供模型服务、开放部分模型和相关软件，同样是它的重要方向。
我喜欢用“卖水”来比喻这类模型提供者。
如果你主要靠卖水赚钱，自然希望越来越多的人需要喝水，也希望更多人能开店卖水，而不是让少数几家店控制所有顾客。
那么，公开一种 Agent 的设计，让其他开发者也能制作类似的应用，就有了合理的解释。
应用越普及，对底层模型服务的需求就可能越大。
当然，这只是我对 DeepSeek 动机的推测，并不代表它公开宣布的经营计划。
但从整件事来看，我觉得还有一个值得关注的现象：
如今 AI 产品的新花样越来越多，但模型本身带给我的惊喜，却没有过去那么频繁了。
AI 模型真的遇到瓶颈了吗？
回想 ChatGPT 刚出现时的情景，从能够进行自然语言对话，到编写代码、理解图片，再到复杂推理，AI 带来的变化非常明显。
那时候，几乎每隔一段时间，就会出现一种令人惊讶的新能力。
但最近，我越来越少有这样的感觉。
新模型仍然在发布，能力也确实在提高。只是对于我日常使用的很多任务，升级前后的差别已经不像过去那么明显。
反而是各种 Agent 产品越来越热闹。
有人让 AI 操作电脑，有人让它同时执行多个任务，有人让它持续监听消息。大家都在努力让 AI 更方便、更容易使用。
当然，个人感受不能代替客观测试。
斯坦福大学发布的《2026 AI Index》显示，前沿模型在一些高难度测试中的成绩仍然显著提高。客观地说，AI 的能力并没有停止进步。
但我真正关心的，不是模型还能不能提高几分，而是另一个问题：
为了获得下一次重大的能力突破，我们究竟需要付出多大的代价？
过去几年，大语言模型的发展很大程度上受益于 Scaling Laws，也就是规模定律。
简单来说，在一定条件下，增加训练数据、模型规模和计算资源，通常能够改善模型表现。
这也是为什么 AI 公司不断投入巨额资金购买芯片、建设数据中心、训练更大的模型。
但算力不是无限的。
芯片、电力、数据中心都需要时间和资金。更重要的是，投入更多算力，并不意味着模型在实际工作中的能力就会按相同比例增长。
这里还有一个看起来矛盾的现象。
随着技术进步，使用同等水平 AI 能力的成本正在迅速下降。几年前非常昂贵的模型能力，现在可能花很少的钱就能获得。
但这不代表继续开发最前沿模型也会同样便宜。
让已有能力变便宜，和让模型获得以前没有的能力，是两回事。
而且，训练方法、数据质量和模型结构，同样会影响结果。现在的推理模型还可以通过增加思考时间来提高部分任务的表现，但这又会增加实际使用时的计算成本。
所以，我所说的瓶颈，并不是 AI 已经无法继续变聪明。
我怀疑的是，在当前主要依靠扩大计算规模的技术路线下，下一次重大突破正变得越来越昂贵，也越来越难以预测。
如果没有更多有效算力，或者训练方法上的显著创新，想再次看到早期 ChatGPT 那样令人震惊的能力变化，恐怕没有那么容易。
华尔街开始怀疑这场 AI 豪赌
最近 AI 相关股票的大幅下跌，让我更加关注这个问题。
2026 年 10 月，标普 500 信息技术板块下跌了 6.8%，创下自 2025 年 3 月以来最大的单月跌幅。
英伟达下跌约 10%，而一些依靠融资建设数据中心、出租算力的公司，跌得更加厉害。CoreWeave 下跌约 37%，Nebius 下跌约 35%。
当然，并不是所有 AI 股票都在跌。股价下跌也可能受到财报、利率和整体市场情绪的影响。
但我觉得，市场的态度正在发生变化。
过去，投资者愿意为 AI 的未来支付很高的价格。他们相信只要不断增加算力，模型就会继续进步，而巨大的商业回报迟早会到来。
现在，越来越多的人开始问一个朴素的问题：
这些投入的钱，究竟什么时候能够赚回来？
这让我想起二十多年前的互联网泡沫。
当年互联网企业股价暴跌，并不意味着互联网技术失败了。恰恰相反，互联网后来深刻改变了我们的生活。
但这并不代表当时所有互联网公司的估值都是合理的。
AI 可能正在经历类似的过程。
我认为，AI 的价值是真实的，但市场对它未来商业回报的预期，可能已经过高。
股价下跌当然不能证明模型遇到了技术瓶颈。但如果模型继续进步需要越来越大的投入，而收入又跟不上，那么技术和资本就可能相互制约。
企业赚不到预期的钱，投资者就可能减少投入。融资变得困难，新的数据中心和计算资源建设就可能放缓。
而算力增长受到限制，又可能影响下一代模型的开发。
这并不是已经发生的必然结果，而是我认为值得警惕的一种可能。
如果说 AI 的技术瓶颈正在让突破变得昂贵，那么资本泡沫的破裂，就可能让维持这种昂贵的进步变得更加困难。
这也是为什么我认为，最近的市场下跌不只是一次普通的股价调整。它至少表明，投资者已经开始重新衡量 AI 的成本与收益。
WorkBuddy 为什么可能成功？
再看最近很热闹的腾讯 WorkBuddy。
根据易观分析的数据，2026 年 9 月，WorkBuddy 的桌面端月访问量达到 8534 万次。虽然这是访问次数，不是独立用户数量，但足以说明它已经吸引了大量关注。
我认为，它确实有可能成为一个成功的产品。
但原因未必是它在技术上比其他 Agent 先进多少。
对于已经习惯使用 Codex、Claude Code 等工具的人来说，让 AI 操作文件、执行任务、编写程序，早就不算新鲜事。
但对于过去主要把 AI 当成聊天工具的人来说，体验完全不同。
以前需要自己复制 AI 给出的答案，再打开各种软件完成工作。
现在只要说清楚需要什么，AI 就可能直接把文件整理好、把报表做出来。
这种变化，对于普通用户的意义可能远大于某个模型在测试中提高了几分。
所以，我并不怀疑 WorkBuddy 的使用价值。
我怀疑的是，这种价值究竟能够保持多久。
因为它的很多功能并不是独有的。其他厂商同样可以开发类似的产品，接入不同的模型，提供相近的操作体验。
当然，用户习惯、软件之间的连接、长期积累的数据，都可能成为一个产品的优势。
但如果大家最后提供的功能越来越接近，原来依靠功能差异获得的优势就会减弱。
免费和补贴能够吸引用户，却不能让模型调用的成本凭空消失。
当人人都能制作类似的 Agent 时，这类产品又要靠什么保持自己的价值？
这其实也是每一个普通人即将面对的问题。
当人人都会做，还有什么值钱？
过去，一个专业 CG 建模师能够获得不错的报酬，是因为他掌握了别人不具备的知识和技术，能够按照具体要求完成复杂的工作。
但如果 AI 能够以相同的质量完成这些事情，而且任何人都能轻松使用，那么原来依靠技术门槛获得的报酬，就可能下降。
写代码、处理图片、制作视频，都在经历类似的变化。
以前我们要花很长时间学习软件怎么操作，掌握各种技巧。现在很多操作可以直接用自然语言完成。
不过，会操作 Photoshop，并不意味着能够设计出好的作品。
会写代码，也不意味着能够开发出满足需求的产品。
真正困难的，往往是知道要做什么、为什么这样做，以及如何判断结果是否正确。
一种能力之所以值钱，除了有人需要，还因为它不容易被替代。
当这种能力越来越容易获得，原来的稀缺性也就会下降。
但我也不认为理解需求、判断结果这些能力会永远属于人类。AI 同样可能继续提高，甚至有一天比我们更擅长发现问题。
如果真到了那一天，人还能做什么？
我不知道答案。
但最近的一些学习经历，让我有了新的思考。
如果不知道问题，答案再多有什么用？
最近，我开始学习一些过去接触过、却没有真正理解的知识。
比如概率论、贝叶斯定理，以及大语言模型的底层原理。
我还想进一步了解人工神经网络与神经科学之间的关系。虽然人工神经网络并不等于人脑，但理解它们的联系和区别，或许能帮助我更好地认识 AI。
为什么要学这些？
不是因为我打算自己从头训练一个大模型，也不是因为 AI 无法解释这些概念。
恰恰相反，AI 可能比我讲得清楚得多。
但我越来越意识到一个问题：
如果我连概率和贝叶斯是什么都不知道，就很难进一步思考，大语言模型为什么能够根据上下文预测下一个词元，它怎样处理不确定性，又为什么会产生看似合理却错误的答案。
这些问题当然不能只靠概率论和贝叶斯定理就得到完整解释，但至少它们能让我接触到原来不知道的知识。
即使 AI 掌握了所有这些知识，如果我根本不知道它们的存在，就很可能想不到去问。
当然，AI 也可以主动告诉我应该学习什么。
但如果缺乏基本的认知，我甚至很难判断它的解释是否正确，哪些问题值得继续追问。
这就像一个从来没有接触过量化交易的人，可能根本想不到可以利用数学模型研究交易行为。只有知道这件事的存在，才可能进一步了解它是怎样工作的、有哪些限制，以及是否适合自己。
很多时候，限制我们的不是没有答案，而是根本不知道还有这样的问题。
我也不赞成简单断言 AI 没有创造力。
创造力与知识、经验、认知，以及发现事物之间的联系有关。AI 能否产生与人类相同意义上的创造力，还需要更多研究，但我不认为应该提前给它划定一个永远无法跨越的界限。
对于我自己来说，不断学习陌生领域，能够让我看到过去看不到的问题。
我不一定需要亲自完成所有工作，但至少应该知道自己正在面对什么。
回头看，从 DeepSeek 的 Super Agent，到 WorkBuddy，再到最近的股市变化，我越来越觉得，我们正在进入 AI 发展的另一个阶段。
模型仍会进步，但突破可能更加困难；应用会更加普遍，但原有的优势也可能越来越难保持。
这既是对 AI 厂商的考验，也是对每个人的考验。
至于未来人类还有什么能力不会被 AI 取代，我不敢下结论。
我只能继续学习，继续提问。
毕竟，如果连问题都不知道，那么 AI 拥有再多答案，对我又有什么意义？