编者按：在大模型能力持续外溢、AI agent 从概念走向产品化的背景下，行业讨论正在从「模型到底有多强」转向「AI 如何真正接管复杂工作」。但当代码生成、自动修复 bug、长期自主执行任务逐渐成为现实，一个更关键的问题开始浮现：AI 的下一阶段竞争，究竟是模型能力之争，还是组织、产品与基础设施之争？

本文来自 Jeremy Stern 对 Cognition 创始人兼 CEO Scott Wu 的长篇专访。Scott Wu 是国际信息学奥林匹克竞赛金牌得主，也是 AI 编程智能体 Devin 背后最核心的创业者之一。Cognition 以 Devin 切入软件工程自动化，试图将 AI 从「辅助工具」推向「自主同事」。

在这场对谈中，Scott Wu 并不是简单讲述一个天才少年创办 AI 独角兽的故事，而是将 AI agent 的崛起拆解为一组更底层的结构性问题：模型能力如何转化为真实生产力，技术天才如何变成创业组织，软件工程为何成为 AI 改造现实世界的第一入口，以及当认知本身被自动化，人类的价值应如何重新定位。

第一，是技术范式从「补全」转向「代理」。过去，生成式 AI 的主流想象仍停留在文本补全、问答和代码辅助上，AI 更像一个响应式工具。但在 Wu 看来，真正的变化在于 agent 形态的出现：它不是等待用户逐字提示，而是像同事一样接收任务、理解代码库、调试、测试，并提交可审查的结果。这意味着，AI 产品的核心不再只是模型调用，而是能否嵌入真实工作流，持续完成高上下文任务。

第二，是软件工程从「人力密集型劳动」转向「可被规模化的认知流程」。过去，写代码依赖工程师的时间、经验和团队带宽，一个团队永远有做不完的项目，只能在有限资源中取舍。Devin 所代表的方向，是让 AI 承担大量执行层工作，把工程师从重复性编码、调试和维护中释放出来。这并不意味着软件创造消失，而是软件生产的瓶颈从「谁来写」转向「谁来定义问题、设计架构和判断取舍」。

第三，是 AI 创业者画像的变化。过去，科技公司常被理解为乔布斯式产品直觉、商业叙事和组织魅力的结合；而在 AI 与 crypto 等高度技术化领域，新的创始人群体越来越多来自数学、编程竞赛和量化训练体系。他们的优势不只是智力，而是长期竞赛环境筛选出的分析能力、好胜心和自我迭代机制。这意味着，AI 时代的创业竞争，正在更深地绑定技术判断、研究理解和产品落地能力。

第四，是 AI 风险从抽象末日叙事转向现实适应摩擦。Wu 对 AI 的担忧，并不主要来自技术本身，而来自技术扩散速度过快所带来的不均衡：少数精英率先获得能力，而普通组织、教育体系和安全防御机制尚未跟上。尤其在网络安全、软件基础设施和企业生产系统中，如果进攻能力先于防御能力扩散，社会将面临更复杂的失衡。

第五，是人类价值从「解决问题的能力」转向「提出目标与表达自我」。如果 AI 最终能够承担越来越多原始脑力劳动，那么人类不再只以计算能力、逻辑推理或执行效率定义自身。Wu 的回答带有强烈技术乐观主义：AI 将把人类从「生存模式」推向「创造模式」。但这也提出了更深的问题：当认知被复制、执行被自动化，人类真正不可替代的部分，可能不再是能力本身，而是记忆、语境、欲望、尊严，以及我们选择如何使用能力。

如果将这场对谈压缩为一个判断，那就是：Devin 的意义不只是一个 AI 编程产品，而是 AI agent 进入真实生产系统的一次早期试验。在这个意义上，本文讨论的对象，已经不只是 Scott Wu 或 Cognition，而是 AI 行业从模型崇拜走向工作流重构、从能力展示走向生产力基础设施的结构性转折。

以下为原文内容（为便于阅读理解，原内容有所整编）：

引言

有一种关于数学天才的经典叙事，曾经长期吸引着大众想象。

那还是一个美国人仍相信自己能赢得战争、校园里的书呆子会被塞进储物柜的年代。技术权力的公共面孔，仍属于 WASP（白人盎格鲁-撒克逊新教徒）、老派精英网络和运动明星。

这类故事通常有一套熟悉的四幕结构。

第一幕：一个新的证明或定理横空出世，天才凭借爆炸性的才华颠覆整个领域，也因此冒犯了那些既有权威——学院大佬、获奖名流，以及所有被他动摇地位的人。

第二幕：他开始为自己正名。论文、讲座、公开露面，以及一批忠诚学生和追随者，构成了一场漫长的申辩运动。过程处处受阻，但最终仍迫使制度机构不情愿地承认他的价值。与此同时，政府机构和外国情报人员也开始对他产生兴趣，并试图加以利用。

第三幕：严重失眠、偏执和精神失衡的症状变得无法忽视。离婚、营养不良、自伤、精神病院，或是沦为校园里的怪诞人物——穿着浴袍随机闯入研讨课，在黑板上写下令人不安的符号与句子。

第四幕：不可逆转的精神崩塌、药物镇静，或死亡。随后，神话开始生成：疯狂被解释为天才必须支付的代价，他的故事进入本科课堂和中产阶级的文化经典谱系，成为文学奖项、传记写作和奥斯卡热门影片反复消费的素材。

我们至今仍然喜欢讲这样的故事。《奥本海默》和《后翼弃兵》的成功，乔纳森·罗森与本哈明·拉巴图特近年的写作，都是例证。但这些故事几乎都必须回到 20 世纪，这并非偶然。

进入 21 世纪的前四分之一，美国顶级极客的命运已经发生反转。

今天，与年轻「书呆子天才」身处同一领域的人，不再把他视为个人威胁，而更可能将他视为一笔符合幂律回报的风险投资，或一次九位数规模的人才收购。国内外政府，尤其是情报机构，也不再只是潜在的监视者，而可能成为他的客户、合作方，甚至业务线。被拒绝的，反而成了常春藤名校。

他也不再需要以偏执和隐居来完成天才叙事。过去那种与家庭、社会和现实彻底断裂的形象，正在被另一种生活方式取代：高度社交化的关系网络，东方冥想、迷幻体验、有效利他主义式饮食伦理，以及被优化过的睡眠管理。他不必赤脚游荡在校园草坪上，低声念叨毁灭性的妄想。他只需要走上电视节目，告诉安德森·库珀，自己正在建造的技术也许会摧毁大量工作岗位，甚至改变人类命运——而无论如何，这都能创造股东价值。

更重要的变化或许在于，老一代书呆子天才对于「真理」的狂热正在消失。那种狂热里，曾同时包含两件事：希望被理解，以及愿意为不被理解而被放逐。

如今，名望、财富和权力不再需要等到死后才被承认。它们可以通过估值、IPO、关键基础设施控制权、国家元首的游说、对人和系统的调度能力实时显现。它们也会在 X 的时间线上被每日重新涂抹、放大和合理化：一群被技术崇拜驯化的拥趸，把书呆子天才真实的聪明才智，以及公开展开的人格缺陷，一并包装进史蒂夫·乔布斯式的创业神话中，并坚称这不过是一次「创始人模式」的短暂发作。

这也是为什么，「受人爱戴的 AI 巨头」本质上是一个鸡尾酒会式的矛盾修辞，就像「加拿大反派」或「德国喜剧演员」一样。

没有人真正享受这种局面。即便是那些不用担心白领工作被取代、不必理解数据中心如何消耗水资源、内心也没有强烈技术仇恨的人，也很难对此感到轻松。

因为美国人在文化深处仍然是中产阶级。他们本能地相信，书呆子天才的合理归宿，不是在戛纳与媒体名流同席，也不是站在比国家更强的位置上。他应该服务于国家安全，或者探索星辰；之后，也许进入一家像 Costco 这样「真正的公司」工作；最后退休到一间恒温、安静、带小窗的大学小屋里，思考如何建造一个「温和奇点」或「世界大脑」——并提醒人们，如果这个系统落到别人手里，就可能「杀死所有人」。

持有这种直觉的人，如今可能正在超市里帮你装袋，也可能正邀请你参加他们的播客。正如你早就知道的那样，他们最终也会进入这场技术叙事。但如果你仍希望他们继续纳税、继续服从制度安排，甚至继续在必要时为国家而战，那么你想建造的「神」，也必须被放进某种他们能够理解、能够接受的盒子里。

个人经历

这就说到了 Scott Wu。

Cognition 的创始人兼 CEO Scott Wu，如今掌管着一家 AI 编程智能体公司。这家公司被视为 AI 应用层最受关注的新玩家之一，也是近年增长最快的科技创业公司之一。但至少到目前为止，Wu 更广为人知的身份，仍然是竞技数学与编程圈里那个令人过目难忘的「迈克尔·乔丹」式人物。

他成长于路易斯安那州巴吞鲁日，一个并不典型的美国技术天才成长地，却在数学与编程的高压训练场中早早成名。他是国际信息学奥林匹克竞赛（IOI）史上最出色的美国金牌得主之一，也是极少数同时在队友、教练和竞赛纪录上都留下标记的人。他喜欢向别人发起扑克和国际象棋挑战，也会用扑克牌表演数学戏法。换句话说，他是那种近乎教科书式的书呆子天才。

Wu 第一次在同类人群中声名鹊起，是在 2003 年。那时他还是一名二年级学生，却报名参加了一场中学生数学竞赛。一个 7 岁孩子进入七年级组，他本以为颁奖典礼上会念到自己的名字，结果没有。20 年后，他回忆起这段经历时，仍像乔丹谈起职业生涯中的每一次轻慢一样，一切都被记在心里。

第二年，他以三年级学生身份参加九年级组比赛，并拿下第一名。17 岁离开高中之前，他已经在 MathCounts 这项全美最重要的中学生数学竞赛中获得全国第一，并拿下自己三枚 IOI 金牌中的第一枚。当时他的队友包括 Alexandr Wang、Johnny Ho 和 Jesse Zhang——后来，他们分别成为 Scale AI、Perplexity 和 Decagon 的创始人。

尤金·维格纳曾有一个著名说法：狄拉克、西拉德、泰勒，甚至爱因斯坦，都愿意承认冯·诺依曼是他们之中最聪明的人。类似地，Wu 当年的 IOI 队友们——在最后一次共同夺金后的十年里，这些人创办的公司合计估值已达到约 800 亿美元——似乎也以相近的方式看待他。

Cognition 联合创始人、同样是 IOI 金牌得主的 Walden Yan 曾说：「Scott 和我之间的差距，就像我和那些连参赛资格都没拿到的人之间的差距。」

围绕 Wu，几乎每个人都有一个关于「天才」的故事。

Cognition 第三位联合创始人、前 IOI 队友 Steven Hao 曾给 Wu 出过一道普特南数学竞赛候选题，挑战他在两小时内用纸笔解出。结果 Wu 一边大声思考，一边甚至没有碰笔，只用了 90 秒就给出了解法。

另一次，Wu 向自己最大的投资人 Peter Thiel 和 Napoleon Ta 发起国际象棋与扑克挑战，试图用牌桌和棋盘为公司争取更好的投资条款。还有关于 IOI 圈层的情感传闻：那个几乎所有人都爱慕的女孩，本来差点与中国队的核心选手在一起，后来却选择了 Wu。原文对此下了一个颇具挑衅意味的玩笑：「认输吧，中国队。」

还有一次，Founders Fund 举办了一场《任天堂明星大乱斗 Melee》的局域网派对。特邀嘉宾是 Mango，「五神」之首，也是史上最伟大的《Melee》玩家之一。Wu 从来不是这个游戏的神级玩家，但他出现在那场派对上，并击败了 Mango。靠的不是职业级训练，而是更快的反应速度，以及类似扑克诈唬般的假动作判断。

重点在于，如果换一个时代，一个来自密西西比河东岸、白手起家、脾气不小、精通多项技能、热衷竞争并偶尔渴望一场「血战」的程序员和国际智力竞赛冠军，到了 29 岁，或许已经走到了传统书呆子天才叙事的第二幕与第三幕之间：一边被体制承认，一边开始被自己的才华、偏执和孤独反噬。

如果他是另一种人，他也许已经登上《60 分钟》，警告公众说，如果政府不对新兴竞争者施加近乎禁止性的监管成本，或者如果他没有赢下某场关键诉讼，他的公司就会在美国社会结构上撕开一道无法修补的裂口。

但现实中的 Wu，并没有选择这种戏剧化路径。他几乎是在无声无息地打造 Cognition。

Cognition 的旗舰产品 Devin，是一个自主型 AI 软件工程师：它运行在自己的机器上，可以接收编程任务，理解既有代码库，测试并调试自己的工作，最后提交 pull request 供人类审查。

如果这听起来无聊到近乎乏味——某种意义上也确实如此——那么 Cognition 同时成为商业史上增长最快的公司之一，就更值得注意。Devin 的使用量每八周翻一番，并在服务推出后的前 18 个月里达到 4.45 亿美元的收入运行率。背后原因大致有四个。

第一，Wu 比大多数人更早判断出，AI 行业将向智能体形态收敛。未来的 AI 不再只是自动补全工具，而是会 24 小时在后台运行，像同事一样接手被分派出去的任务。

第二，他看到，GPT-4 时代的模型能力已经足以支撑这类智能体的早期构建。彼时行业共识仍认为，真正可用的 AI agent 还需要好几年。

第三，当外界仍然怀疑 AI agent 是否存在产品市场契合时，Wu 认为这根本不是问题。理由很简单：这个世界每年已经在「肉身计算机」——也就是人类软件工程师——身上花费数万亿美元。

第四，他愿意足够早地发布产品，并承受随之而来的反弹。2024 年 3 月，Wu 推出 Devin。当时它在 SWE-Bench 上的成绩只有 13%。SWE-Bench 是一个针对 AI 编程智能体的测试，用来衡量模型能够独立修复多少比例的软件 bug。这个成绩引发了大量公开批评，但 Wu 利用这段领先时间持续迭代，最终让 Cognition 建立起今天的先发优势。

如今，相关基准测试成绩已经在原版 SWE-Bench 上接近 90%，在 SWE-Bench Pro 上接近 80%。Devin 也已成为美国陆军、高盛、梅赛德斯-奔驰等机构客户选用的 AI 编程智能体。一年半前，Cognition 的客户数量还是零；如今，这家公司正在以约 250 亿美元估值融资。

当 Wu 谈论 Cognition，以及更广义的 AI 时，他并不热衷于描绘末日式图景，也不沉迷于关于技术统治的宏大叙事。他更常谈的是，如何「让每个人都能更轻松地构建真正好用的软件」。

他所指的，是让车管所、国税局、医院、航空公司，以及你孩子小学的网站，都能像 Instagram 一样顺滑、直观地运行。他希望 AI 能消除现代生活中那些令人抓狂的低效、阻滞和系统性摩擦。

正如他喜欢说的那样：「这样我们就可以不再活在《我的世界》的生存模式里，而是开始活在创造模式里。」对于一位 AI 巨头、一个「书呆子皇帝」来说，这几乎是一种令人意外的正常愿望。

那么，Cognition 会成功吗？

也许不会。也许 AI 本质上就是一个零和市场，而到了 2023 年 11 月才创办一家智能体实验室，对 Wu 来说已经太晚。也许这确实是一个充分竞争的市场，但 Cognition 仍可能被 OpenAI 的 Codex、Claude Code，或者 xAI 与 Cursor 组合出的某种混合体碾压。也许，用一支全由书呆子组成、几乎没有「运动员型」人物的超级团队去赢下这场战争，本身就不是一个明智选择。

也许，Devin 早期评价并不如今天，这一点会长期影响市场判断。也许这并不重要，但 Cognition 最终仍会像 Cursor 一样，在更大的模型公司或平台公司面前放弃独立性。又或者，我们其实只是再一次在谈论 NFT 式的泡沫叙事，而这一切从一开始就没有那么重要。

作为一名作家，以及某种「稀有人类蝴蝶」的收藏者，我最近去了 Cognition 位于旧金山的总部，与 Wu 进行了一次长谈。见面时，他递给我一个水獭毛绒玩偶——那是 Devin 的动物化形象，名字来自「dev-elop-in』」的某种文字游戏。

我随口提到，进门时注意到公司健身房里没有任何员工在使用器械，或许是因为那里同时也是公司存放湿垃圾的地方。Wu 回答说，他们把湿垃圾放在健身房，是因为他们是数学奥林匹克选手。

我把采访工具摆到桌上，等 Metronome 创始人兼 CEO Kevin Liu 给 Wu 送完一盒草莓——他说这些草莓「会改变你的人生」——然后按下录音键。

以下是这场对话的文字记录。对话大约持续了三个小时，内容经过编辑和压缩，以便阅读。

访谈原文

火星人：华裔天才少年

Jeremy Stern（主持人）：Scott，你现在是一位 AI 大亨，同时围绕你已经形成了一套相当丰富的个人传说：你似乎更像计算机，而不是血肉之躯；而且，你是在一片沼泽地里长大的。所以我们先往回看。

Scott Wu：我的父母都来自上海，他们是在中国长大的。那时候有很长一段时间，中国正常的高考制度并不存在。大概持续了 10 年。我的父母正好赶上了这个时期，不仅没有上大学，连初中和高中也基本没有正常读完。

后来，考试重新开放。自然出现的情况是：十年积压下来的学生，都在竞争同样数量的大学名额。而且因为他们其实并没有接受过完整教育，我妈妈当时还在一家纺织厂工作。他们白天上班，晚上复习备考，最后考上了大学。他们读书时成绩都非常好。

我爸爸非常喜欢下围棋，他有一位经常一起下棋的教授。那位教授后来去了美国，给我爸爸写信，说你应该来美国读书，这里好得多，机会也多得多。他帮我爸爸申请学校和相关手续。于是我爸爸先来了美国，六个月后，我妈妈也来了。他们后来都在科罗拉多州立大学学习化学工程。

Jeremy Stern：他们有没有谈起过当时的文化冲击？

Scott Wu：对他们来说当然很不一样。但至少在住房和食物方面，美国已经好太多了——那些东西在当时的中国仍然相当稀缺。他们对此非常感激。我爸爸一直说，他这辈子做过的最好决定就是来美国。我觉得这是真的。

他们此前从来没有离开过中国。甚至后来也是如此——我妈妈几年前去世了，她一生只去过中国和美国。我爸爸也一样，直到去年我带他去了日本。所以，那当然是非常大的文化冲击。

还有很多小事。当时中国很穷，他们为了来美国攒了好几个月的钱。我爸爸刚到美国时，身上一共大概只有 80 美元。他给我讲过一个故事：他和其他研究生一起从机场打车，大家自然都凑了一点钱给小费。当他拿出一两美元作为小费时，他突然意识到，那差不多就是自己全部身家的 3%。那一刻对他来说非常震撼，也有点尴尬。

Jeremy Stern：那是哪一年？

Scott Wu：1989 年。

Jeremy Stern：所以，那确实是一个很特殊的时间点：在美国当学生，而不是留在中国。那你们后来怎么去了巴吞鲁日？那里也不太像传统意义上的「埃利斯岛移民经历」。

Scott Wu：他们都学化学工程。很自然地，因为路易斯安那有大量石油和天然气产业，所以他们后来都在那里找到了工作。我爸爸做空气质量许可方面的咨询，我妈妈在政府的环境质量部门工作。

我有一个哥哥 Neal，比我大四岁。我出生于 1996 年。到那时，我们已经有了一栋小房子，在巴吞鲁日郊区过着还算典型的中产生活。

我从小就明显和周围的人不太一样。他们大概都比我正常得多。课间大家会踢足球之类的，但我从来不太感兴趣。我喜欢数学，而且一直极其好胜。我记得自己大概三四岁时就开始学乘法表。最早的很多数学知识，其实都是在家里自然学到的。

这也得益于我哥哥比我大四岁。我们有很多共同兴趣，我非常崇拜他，因为在路易斯安那州巴吞鲁日，像我们这样的人并不多。

Jeremy Stern：没有什么特别理由让我这么想，但你小时候被霸凌过吗？

Scott Wu：当然，有。我经常被霸凌。我就是很不一样。在我开始通过竞赛遇到和自己相似的人之前，我基本上是一个相当孤独的人。我在巴吞鲁日有几个亲近的朋友，但说实话，某种程度上，我更觉得自己是和来自全美、乃至全世界的那些数学和编程竞赛选手一起长大的。因为他们远比身边的人更像我。

Jeremy Stern：我想稍后再谈竞赛。但先说说，在课间挑战其他孩子背乘法表之外，你是怎么表达自己对数学的热爱的？

Scott Wu：（笑）我哥哥六年级的时候，我上一年级。那时候他开始接触中学数学竞赛。我自然就跟着去，也想做数学。事情就是这样真正开始的。

我当时在 Buchanan Elementary，我们当地公立小学的天才项目里。旁边有一所初高中，叫 McKinley。我从三年级开始去那里上高中数学课。有几年时间，每天都会有一位老师到小学来接我，带我去 McKinley。到了五年级，我就开始自己走过去。当地学校系统有一点非常好：他们非常愿意配合我，想办法让这件事能够运转起来。

我哥哥大概在我四年级时教我编程。我经常在电脑模拟器上玩《宝可梦》，这也让我进一步学习编程。我还玩《俄罗斯方块》。还有一种叫 24 点的纸牌游戏。各种类似的小游戏，本质上都是逻辑、谜题或策略，你可以在里面计算不同选项。这些一直都是我最大的爱好。

我的父母确实在相当程度上推动我学习和练习，但很快，我就进入了一个完全自己想做的阶段。我是完全自驱的。如果你不是深深感兴趣，很难做到这一点。我一直热爱数学，因为它非常优雅。当然，父母的推动也很有帮助。

Jeremy Stern：一个小孩子是如何感受到「优雅」的？

Scott Wu：我记得我爸爸给我解释一元二次方程公式。他在一张纸上写下：Ax² + Bx + C = 0。然后告诉我，应该这样处理：先把 A 除出去，再配方，解这个方程，最后得到负 B 加减什么东西。我非常喜欢这个过程。

我一直很喜欢逻辑，也喜欢把事情一步步推导到它自然的结论。数学最酷的一点在于，如果你真正深入理解这些东西，它们在逻辑上都会讲得通。当然，我擅长数学，因此可以打败别人，这也没什么坏处。而我显然很喜欢打败别人。

Jeremy Stern：你说「显然」，但这种好胜心从哪里来？

Scott Wu：我现在仍然是我们家最强的，但我的父母和哥哥基本上也都是竞争心处在 99 百分位的人。也许我妈妈才是我们之中竞争心最强的那个，如果让我猜的话。

关于父母有一种刻板印象：他们总是拿你和别人家的孩子比较，比如，「某某家的孩子做得更好」。但我妈妈总是反过来说。比如，「那个聪明孩子其实也没那么厉害。那个人的孩子进了普林斯顿，但他其实并不让人印象深刻。」

她一直非常强烈地向我灌输一种观念：你有潜力成为最好的。她从来不是说，「其他人都太厉害了，你应该向他们学习。」她更像是在说：「他们能做到的事，你也都能做到。」

书呆子的奥林匹克竞赛

Jeremy Stern：好，我们继续这个迈克尔·乔丹的类比。James Jordan 在威尔明顿家里的后院搭好了篮球架。Michael 最早喜欢的是棒球，但后来开始和哥哥 Larry 在院子里一对一打篮球。他崇拜 Larry，同时也想打败他。接着就是改变他余生的那个关键时刻：Michael 原本以为自己能进校队，结果试训后落选。讲讲你人生里类似的那一段吧。

Scott Wu：（笑）我不确定我接受这个前提。有史以来最强的竞技程序员是 Gennady Korotkevich，他现在就在 Cognition 工作。

Jeremy Stern：当然，但「像乔丹」并不只是冠军戒指。还包括数十亿美元规模的球鞋生意，把每一件无聊小事都变成竞争游戏的能力，那种 1000 瓦亮度的笑容，以及一位迷人的古巴裔妻子。顺便说一句，我觉得她好像还当过 Alexander Wang 的模特。当然，是另一个 Alexander Wang。

Scott Wu：好吧。我参加的第一次数学竞赛，是在巴吞鲁日的南方大学。那是一场面向初中生和高中生的比赛——六年级学生参加六年级数学组，七年级学生参加七年级数学组，以此类推。我当时读二年级，但报名参加了七年级数学组。

颁奖典礼上，他们开始念获奖者的名字。我一直以为，某个时候会听到自己的名字。结果没有。我当时非常不服。真的，非常、非常不服。我到现在还记得这件事。那是我最早的记忆之一。

同一场比赛，我三年级时又回去了。那时我已经在学 Algebra 1，也就是代数一。我参加了九年级组，记得自己好像拿了满分，并且得了第一名。从很小的时候起，我就一直想打败所有人。对手比我年纪大，并不重要。

Jeremy Stern：正如我们前面已经确认过的，你小时候确实被霸凌过。

cott Wu：我二年级时确实没有多少朋友。但大概到了六年级，也就是初中阶段，情况开始发生变化。初中有一个叫 MathCounts 的竞赛。学校里最优秀的孩子会参加城市赛，城市赛优胜者进入州赛，州赛优胜者再进入全国赛。主办方会把所有人飞到迪士尼世界，整个行程持续三四天。

比赛一开始，是上午的大型笔试环节。所有人坐在一个巨大的房间里考试。之后，排名前 12 的选手会进入所谓的倒计时轮，也就是一对一对决。

Jeremy Stern：就是那个你和那个可怜女孩的爆热视频。

cott Wu：对。所以我去了全国赛，在那里认识了很多其他孩子。之后，我们会通过 Google Hangouts 保持联系。到了高中，这种联系还在继续。顶尖数学和编程学生还会参加各种夏令营。那些人后来成了我最亲近的朋友中的很大一部分。我就是和其中很多人一起创办了 Cognition。

他们大多数人，你可以想象，要么来自库比蒂诺，要么来自华盛顿特区周边、就读于 Thomas Jefferson，要么来自纽约的 Stuyvesant。我来自路易斯安那，但我仍然觉得自己和他们更相似。我们一直关系非常紧密。

我就是这样认识了 Jesse Zhang、Johnny Ho、Hyperliquid 的 Jeffrey Yan，还有 Scale 的 Alexandr Wang。Jeff 是我高中和大学时期最好的朋友之一。Alexandr 则像是我初中时最好的朋友。他来自新墨西哥州，从这个意义上说，我们有点相似。

Jeremy Stern：为什么你后来从「棒球」转向了「篮球」？

Scott Wu：我一直同时参加数学和编程竞赛，但我在编程上更强。我更喜欢编程竞赛，有几个原因。

首先，编程题本身更合我的兴趣。在数学里，我非常擅长概率、组合数学和计数问题。这些其实和策略游戏很像：你要计算不同选项，理解什么会导向什么。相比之下，几何这类题目我也能做，但没有那么喜欢。而编程里的很多问题，本质上都更接近组合数学。

还有一点是，数学里有很多术语。比如这里要用帕斯卡原理，那里要用婆罗摩笈多定理，或者别的什么定理。很有意思的是，对我来说，一个一直很稳定的特点是：我从来不太记这些名字。

我一直是在更直觉的层面理解它们。比如，当这个条件成立时，结果就必然会是那样。我经常不知道某个东西叫什么，也不知道它对应哪条定理。对我来说，它只是某个更广泛、更普遍真理的一个具体情形。

这件事昨天还发生过一次。我们当时在听一个关于量化感知训练的研究汇报。他们讲了很多术语，我就说：「不好意思，我不知道这些术语是什么意思。但你们说的其实就是先做这个、再做那个的部分，对吧？」我想，我一直都是以更直觉化的方式理解事情。这确实有点不寻常。

而编程还有一个很明显的特点：它非常实用。我记得自己为 MathCounts 全国赛训练时，曾经给自己写过一个程序，让它不断给我出不同的心算题。我会玩自己做的游戏，并用它来训练。意识到自己真的可以动手造出东西，这件事让我非常满足。

Jeremy Stern：所以，你三次在 IOI 拿到金牌，后来又成为年轻选手的教练和导师，也拥有了一个由数学和编程天才组成的分布式朋友圈。然后据我了解，你从高中退学了。这合法的吗？

Scott Wu：严格来说，我毕业了，只是高三结束后就离开了高中。加州的童工法规定，在年满 18 岁之前，或者拿到高中毕业证之前，不能在加州全职工作。我当时想去湾区工作，所以基本上弄清楚了自己必须做什么才能拿到毕业证。然后我就照做了。

新布达佩斯：新一代 AI 创始人群体

Jeremy Stern：有一个问题一直存在：为什么 20 世纪许多最伟大的数学家和物理学家——那些后来一起在洛斯阿拉莫斯或冶金实验室工作，或者提出现代数学、物理和经济学基础模型的人——几乎都是 1900 年前后出生在布达佩斯及其周边的匈牙利中产犹太人？我记得，是西拉德把他们统称为「火星人」。

Richard Rhodes 在那本关于原子弹的书里猜测，答案大概是一组因素的叠加：快速现代化的布达佩斯、已经同化但仍被旧有身份体系排斥在外的犹太资产阶级、优秀的学校和数学竞赛、重视智识卓越的文化、被迫迁徙到德国再到美国，以及战时科学机会。这个解释几乎无聊到难以想象，但我猜它可能是准确的。

我刚刚才把你类比为「飞人乔丹」，所以不打算再把你和你的朋友们类比成「火星人」——至少不会当着你的面这么说。但我确实很好奇，应该如何解释这样一个创始人群体：你们一起参加 MathCounts 和 IOI，用 Google Hangouts 保持联系，后来从哈佛退学，进入量化公司训练体系，又抓住 LLM 带来的机会冲击；而且，你们大多是华裔美国人，出生在千禧年前后。

Scott Wu：我也经常想这个问题。首先，我觉得我们非常幸运。对我们所有人来说，最酷的一件事，就是能够站在 AGI 黎明的时刻。我认为，这也许真的是人类历史上最具变革性的事件。至少，它一定是我们这一代人所经历的最重要事件。

我有几个想法。

其中一个是，所有事情发展到某个阶段，基本上都会变成《点球成金》。比如扑克。上世纪 70、80、90 年代，扑克圈里有很多非常原始的人物，带着一种好莱坞式的「问题人生」气质。他们玩牌时依靠的是对游戏非常深层的直觉。当然，他们也会分析，但不会像书呆子那样系统研究概率。

可随着时间推移，扑克最终演化出来的东西，其实就是数学。里面有大量数学，而今天很多最顶尖的扑克玩家，本质上都是数学书呆子。国际象棋也是如此，很多类似的游戏也是如此。

我有点觉得，创业也经历了类似的弧线。过去有一种 Steve Jobs 式的人物画像。但现在，尤其是在 AI 领域，在某种程度上也包括 crypto，创业者画像已经明显转向了高度技术化。

人们现在谈论的那些 AI 大公司，很多都是由来自相似社群的人在经营。OpenAI 就是一个例子。比如 Greg Brockman，他比我年长一些，但参加过所有和我们一样的竞赛。他曾是美国数学前 24 名，也进过美国化学队，在化学奥林匹克竞赛中拿过银牌。OpenAI 研究团队负责人 Mark Chen，我和他一起执教过美国 IOI 队。Jakub Pachocki，也就是 OpenAI 的首席科学家，我以前经常和他比赛。他来自波兰，但我们参加的是同一批国际竞赛。Anthropic 的 Dario Amodei，则曾是美国物理队成员。

长话短说，第一，这里显然存在一种可以迁移的深层分析能力。第二，尤其是在 AI 领域，无论好坏，非常强的技术背景已经被证明极其有价值，因为你要解决的问题本身就是高度技术性的。

但对我们这一代人来说，还有一种「感染性」的因素。关于这一点，我非常认可 Alexandr Wang 的作用。因为他确实是我们这群人里第一个说「好，我要去创办一家公司」的人。由于我们关系非常紧密，也彼此了解，所以那种感觉很像：我们都应该去做这件事。

我和 Alexandr 初中时还一起写过一个创业点子文档，我现在都还记得。那些点子肯定都很糟糕，但我们那时已经在想，某个时候，我们应该创办一家公司。

Jeremy Stern：好，所以这解释了时机，也解释了智商。科技史上并不是每一个阶段都如此「智商崇拜」；但 AI 确实有某种特征，使得那些在 AI 领域做出重要进展的人，比如 Noam Shazeer，相当一部分同时也是数学奥赛冠军。

也许智商这部分，也解释了第一性原理推理能力。比如能够沿着一棵决策树看得更远：模型到底会变得多好，或者不会变得多好；规模化和强化学习会如何发挥作用；数据和算力会发生什么变化，等等。这一点我能理解。

但它仍然没有解释另一部分：你还必须是一个领导者。你必须能够吸引其他非常聪明的人。在一整个舞台的布偶中，你必须明显是那个主角布偶。在合影里，你必须看起来像是被另一束光照亮。你还需要产品直觉和人际能力。

如果每年大概有 25 个这样的金牌选手，而我们假设真正相关的时间窗口是 10 年，那么在地球几十亿人里，这最多也只是一个几百人的池子。可其中绝大多数人，连一点创始人气质都没有，更不用说同时具备好几种能力。

所以我仍然很好奇华裔美国人这一点。因为直到非常近的时期，这都不是事实。我正在努力避开那个显而易见的答案——我会含蓄地把它类比为犹太人与好莱坞，或者银行业。

Scott Wu：你这样好像是在诱导我显得像个自鸣得意的混蛋。

Jeremy Stern：那是我的问题，不是你的。我保证没人会混淆这一点。

Scott Wu：我想，我对这个问题的看法是，在我们这些领域里，真正重要的两种品质是智力和饥饿感。

你刚才提到的其他东西，都是从这两个基础特质往下流出来的。而竞赛社群筛选出来的，正是这两点：第一，你非常聪明；第二，你很不服气，想把所有人都打倒。

如果你足够聪明，能够不断分析、调整，思考自己哪里做错了，并在下一次做得更好；同时，你又有足够强的动力，可以日复一日、不停地这样做，持续好几年。我觉得通常来说，你就可以在其他这些下游能力上变得相当出色。

至于华裔美国人这一点，有一部分就是我前面提到的那种感染性。我们真的非常、非常幸运，能够拥有彼此。很多人其实没有意识到，创业也是一个他们可以选择的选项。我只是觉得，我们很幸运，能够一起经历这个过程，并看着彼此开花结果。

荒野岁月：试错的十年

Jeremy Stern：我把话题带偏了。我们稍微加快一点。你 17 岁去了加州，那是哪一年？

Scott Wu：2014 年。

Jeremy Stern：好，所以按照加州法律，你当时仍然算是「童工」，只是你设法拿到了高中毕业证，符合豁免条件，因此 Addepar 才能雇你。你在那里工作了一段时间，之后又和其他「火星人」一起去了 HRT（Hudson River Trading），然后进入哈佛，又退学，创办 LunchClub，最后创办 Cognition。那将近十年里，最让你印象深刻的是什么？

Scott Wu：对。我是通过 Johnny Ho 认识 Vlad Novakovski 的。Vlad 当时是 Addepar 的工程副总裁。我在 Addepar 做软件工程师，主要负责性能工程和优化。

Addepar 有大量金融分析功能，需要为客户和财富管理公司计算各种数据。我做的很多工作，就是让这些计算跑得更快。在我在那里一年多的时间里，有些具体指标的运行速度提升了大约 100 倍。

我也花了很多时间参与招聘。那一年，我可能是公司里排名第二或第三的面试官，经常去 MIT 参加校园活动。所有应聘者都比我年纪大，但我就是站在那里跟他们解释：各位，你们真的应该来 Addepar 工作，原因是这些。

Jeremy Stern：那时候你的商业敏感度怎么样？

Scott Wu：为零。

我人生中太多时间都花在数学和编程上了。我能做东西，但说到理解这个世界如何运转，我几乎没有任何经验。一切都是从零开始学。

后来我离开 Addepar，去了哈佛，大概待了两年。我学的是经济学专业，这件事现在想起来挺好笑的。我其实多少知道自己不会毕业。我上过写作课、公共演讲课、哲学课，还有一门计算机课。但我并不真的在意学校本身那套东西。

哈佛期末考试前总会有一个 reading week，就是一周时间，大家用来赶论文、复习备考。而我完全不在乎。那一整周，我就是和不同的人见面、聊天、一起玩。很多人整周都在学习，几乎不见别人。对他们中的不少人来说，我就是他们那一周唯一一次从学习中抽身出来的休息。

后来我退学，搬到旧金山，和 Vlad 一起创办 LunchClub。那是 2017 年夏天。我们完成了 pre-seed 轮融资，当时在 SPC（South Park Commons）孵化器的第一届项目里办公。

最初的想法叫 Elliot Technologies，是一个用来安排日程、判断你应该和谁叙旧或建立联系的应用。后来，我们做了很多渐进式转向。它不再只是个人叙旧，而是更偏职业社交；也不再只是安排日程，而是帮助你判断应该认识哪些新的人。事情就是这样逐渐变成了 LunchClub。

那是一段很有意思的经历。我们一起经营这家公司大概五年，促成了数百万场会面，团队最多招到大约 30 个人。确实有一小群人非常喜欢 LunchClub，他们享受不断见人、不断建立新连接的过程。

后来发生了很多事。首先当然是 COVID——对于一个促成线下见面的产品来说，这本身就很特殊。再后来，到某个阶段，增长和商业化也变得越来越困难。与此同时，我妈妈从 2020 年开始病得很重。我在 2022 年 6 月离开了 LunchClub。

Jeremy Stern：她是什么时候去世的？

Scott Wu：2023 年 10 月。

Jeremy Stern：当我向别人打听你时，除了竞赛、纸牌戏法和 Cognition，这通常是他们第一个提到的事情。

Scott Wu：她被诊断出四期肺癌。她有一种靶向药，吃了几年。后来又出现了其他并发症和问题。

Jeremy Stern：但人们提到的，不只是她去世了，而是你搬回家照顾她。你亲自护理她。

Scott Wu：那可能是……那是我人生中非常重大的事件之一。（停顿）抱歉。

（停顿）后来我搬回了路易斯安那。在 COVID 大部分时间里，我都在那里陪她。我在家待了一年多。从这个意义上说，COVID 对我和我哥哥来说，反而是一种很大的恩赐。因为它给了我们一个机会，可以在那段时间真正陪伴父母。

2021 年，外部世界开始重新开放后，我开始更多待在其他地方。我在迈阿密住过一段时间，后来又去了纽约。到了 2023 年前后，当我妈妈的病情明显恶化时，我又回到了家里。

整体来看，那是一段很特殊的时期。对我来说，其中很大一部分，是在弄清楚自己究竟想从人生中得到什么。我已经做过第一家公司，结果还可以，但并不是一次巨大的成功。我休息了一段时间，探索各种其他想法。与此同时，我也在照顾我的母亲。

整个过程在情感上非常强烈。但那也是一段适合思考的时间：我重视什么，我在乎什么，我希望自己的人生工作是什么。

Jeremy Stern：你当时探索过哪些想法？

Scott Wu：我和 Steven Hao、Andrew He 折腾过很多东西，也借此了解这个世界。Crypto 里有一些有趣的方向，我们通过它学习市场。安全领域也有一些值得探索的问题，比如零知识证明。

然后，ChatGPT 在 2022 年 11 月发布了。到那一年下半年，我们自然把很多时间花在更深入地研究 AI 上，认真思考这项技术接下来会发生什么。

但我几乎把那段时间看作一次休假，因为我也花了很多时间陪母亲。我妈妈在 2023 年 10 月 6 日去世。一个月后，我们创办了 Cognition。

Cognition：Devin 如何从黑客屋里长成 AI 软件工程师

Jeremy Stern：一方面，考虑到你整个人生轨迹，训练我们的 AI 霸主学会编程，好像就是你来到这个世界上注定要做的事。另一方面，这一切似乎又充满偶然性。我想从某种程度上说，我们每个人都是如此。但你是怎么理解这两者之间的关系的？

Scott Wu：我当然可以讲一个事后回看的版本，把整个故事说成一切都是有意为之。但我不觉得那完全是真相。

真实发生的是，我们当时正在探索生成式 AI。ChatGPT 发布后不久，所有人都在讨论各种应用。那时，大多数人关心的还是文本补全。很自然的思维模型是：这个东西是在整个互联网上训练出来的，所以它应该能够补全某个互联网上的人会说的话。ChatGPT 也就是一个问答系统，就像现在这样。

Jeremy Stern：你好大的胆子。

Scott Wu：但很自然地，从一开始，我们极其感兴趣的方向之一就是编程，因为我们都是程序员。而教 AI 写代码，可能是你能尝试做的最酷的事情。

到了 2023 年底，有一个时间点，人们开始真正看到强化学习正在发挥作用。我把那看作生成式 AI 第二个时代的开始。ChatGPT 是第一个时代，但它相对更基础。

Jeremy Stern：除了你认识很多实验室里的人之外，你怎么知道强化学习正在起作用？

Scott Wu：确实有这个原因，但我也一直在跟进相关研究，而且你可以从论文里看出来。

这是 AI 领域一个很有意思的现象。过去，大家会发表几乎所有研究成果。但到了 2022 年 11 月，当人们意识到这项技术可能具有很高的商业价值后，这种情况几乎立刻停止了。不过，你仍然可以看到一些围绕数学题、代码等任务训练模型的工作。

当时有一些很有意思的论文。简单来说，下一步在逻辑上其实相当明显，只是那一步并没有被公开发表。于是，我们开始和一些人交流，进一步理解这件事。后来，我们逐渐形成了一个判断：AI 会在这类逻辑推理任务上变得极其强大。那么，接下来会发生什么？

这就是 Cognition 的种子。

但真正的启动点，是 2023 年 11 月 17 日，也就是 Sam Altman 被 OpenAI 董事会解雇的那一天。

Jeremy Stern：为什么那件事会带来不同？

Scott Wu：那天，我正在纽约和几个人吃午饭。我当时在讲这样一个想法：推理能力正在明显增强，强化学习开始奏效，现在可能是创办一家新实验室的合适时机。

那时，这个想法还非常偏研究。我们还没有明确判断产品会是什么，商业模式会是什么。然后那天下午，Sam 被解雇了。我们很自然地想：好吧，如果真有什么时间点适合做这件事，那大概就是现在。

其实，我们本来已经计划要做，而且大概率也会做。但这件事成了一个很好的推动力，一个外部触发，让我们必须加快速度，也真正认真对待它。有时候，创业就是需要这样的时刻：一个让你真正投入进去的瞬间，让你说，好，我们以前都创过公司，也都当过创始人，但这一次不一样。这一次是大的。这一次是要用一生去做的。

所以，我们飞去了湾区，组织了一个黑客屋。我们给一批认识的、正在做 AI 的人发邮件、发消息。我们说，嘿，我们正在把这件事搭起来，过来和我们一起 hack 吧，一起探索，看看最后能做出什么。

那个房子在加州伯林盖姆。

Jeremy Stern：伯林盖姆这个小镇，是以 Abraham Lincoln 派往中国的大使命名的。他曾谈判达成一项条约，取消了对中国移民赴美的限制。

Scott Wu：对，这很有意思。我们现在这里还有一间会议室，就是用当时那栋房子的地址命名的。

我们在那里待了大约两周。那段时间正好是感恩节假期。我本来要和爸爸一起过感恩节，那时离我妈妈去世才过去几周。但我当时觉得，我现在必须做这件事。我们要把它做出来。所以我取消了原来的计划。

结果，那个感恩节能和朋友们一起写代码、一起折腾，反而成了一件挺好的事。

后来，我们在 12 月又办了一次黑客屋。之后就这样一直推进，直到它真正变成一家公司。事实上，不只是到公司成立为止，而是远远超过了那个时间点。我们一直维持着那栋房子的运转，直到今年 1 月。

Jeremy Stern：你们是在什么时候决定 Devin 最终会采取什么形态的？

Scott Wu：我们一直都是以「同事」这个形态来思考它的。

当然，AI 同事和人类同事之间会有很多不同。但即便在两年前——那时可以说我们对这个概念还太早——这也一直是我们的判断。它应该是一个完整的智能体，有自己的机器，可以自己完成工作，可以在相同的系统里运行，会和你一起出现在 Slack 里，也会和你一起出现在 Jira 或其他工具里，然后像同事一样和你协作。

甚至连名字也是如此。我们决定叫它 Devin，而不是给它取一个工具式的名字，是有原因的。我们一直把它看作一个可以自己去做事的独立存在。

随着时间推移，这一点对我们来说越来越真实。两年前，它更多还是一种愿景。日常使用中，你显然还需要对 Devin 做很多手把手的引导。但老实说，我们现在已经到了一个阶段：你真的可以把它当作同事来协作。

一个具体例子是，到目前为止，无论是在我们内部，还是客户运行的 Devin 会话中，已经有相当一部分不再由人类主动启动，而是自动运行。

有些 Devin 会话由特定触发条件启动；有些则是 Devin 以循环方式运行，持续寻找某些行为，或者发现产品里看起来不对劲的地方，然后自己去修复。也就是说，Devin 不仅能完成你交给它的任务，它实际上还会主动寻找自己应该做的任务。

Jeremy Stern：你怎么判断一个智能体或模型，是真的在现实中变得更好、更有用，而不是只是针对评测和基准测试被优化了？毕竟，当模型足够聪明后，基准测试会被刷满，模型也会学会「钻」测试的空子。我们都见过那种判断力极差、能力也不怎么样，但 SAT 考得很高的人。作为一个竞赛型考试选手，你大概想过这个问题。

Scott Wu：一旦语言模型开始在 AMC（美国数学竞赛）上击败我们，后面的事情其实就比较明显了。AMC 是一个非常难的高中数学竞赛。

正如你说的，沙盒环境中的表现，和真正进入现实世界工作之间，显然存在巨大差别。不过，我不会把它看作一种直接应用，而更像是一个关于「什么是可能的」的证明。

为了完成其中一些非常困难的问题，你需要发展出大量基础逻辑推理能力、创造力，以及把非常长的推理链条串联起来，并确保每一步都能对齐的能力。知道模型在足够的强化学习和正确训练数据下能够做到这些，就已经相当清楚地说明，很多现实中的实用任务也是可以完成的。

这件事最早大概发生在 2024 年初，当时模型开始在这类数学题上表现得很好。过去两年里，你基本上看到的是同一套技术被广泛应用。

我想特别指出一点：我并不认为过去两年里，在注意力规模，甚至强化学习本身上，有什么巨大的突破。事实上，过去两年真正发生的变化，主要是另外几类。

一个当然是规模：更多算力，更多数据。但除此之外，很多工作其实是在搞清楚如何处理世界各地的人每天都在面对的实际问题；如何按照这些评价标准来训练模型；如何让模型理解，在某个具体任务中什么是好的、什么是不好的；然后再把它部署到现实世界中，并构建真正能把用户带到那里的产品体验。

过去两年真正推动 AI 使用爆发、让人们从 AI 中获得价值的，实际上是这些混乱、具体、实践性的工作。它的重要性超过了纯研究技术层面的任何单点突破。

Jeremy Stern：模型智能什么时候才会不再参差不齐？它们什么时候才会停止犯那些特别愚蠢的错误？

Scott Wu：也许可以这么说：我认为它们永远都会是参差不齐的，但会到达某个层级，使这种参差不齐开始与人类能力发生交叉。

这很合理。因为如果你问，一个人类是被训练来做什么的，那和模型非常不同。因此，自然也应该预期二者会呈现不同的能力分布。最明显的例子，可能就是在物理世界中工作，和从事知识工作、进行抽象思考之间的差异。

模型是在互联网上所有 token 上训练出来的，所以它们当然会先在知识工作上表现更好。而人类最先必须学会的，是走路和说话。我们更多的神经元也投入到了这类问题上。所以我认为，这种参差不齐会一直存在。

这里有一个有趣的问题：模型相对于人类来说也许仍然是参差不齐的，但在那些人类已经接近完美的能力上，模型是否也能做到同样好，甚至略微更好？在这些方面，我们已经接近理论上限。而在另一些事情上，人类本来就不是为其而生的，但经过优化和训练的计算机会表现得非常好。

有意思的是，在编程和数学上，从某种意义上说，人类居然能做数学题，本身就是一件很奇妙的事。我不知道穴居人的生存经验中，到底是哪一部分教会了我们做数学很重要。但这种能力确实存在。

从这个意义上看，专注于编程的模型能够训练到比人类做得更好，也许并不奇怪。毕竟，编程本质上就是和计算机对话，告诉它该做什么。从这个角度看，编程恰好成为第一个伟大的 AI 使用场景，并没有那么疯狂。但我的重点是：这件事几乎更多说明了人类智能，而不是计算机智能。

Jeremy Stern：我听到很多行业里的人说，一切都会走向融合：模型公司进入应用层，应用层公司开始构建前沿模型。那是什么阻止你们变成一家模型公司？

Scott Wu：我认为，对一家公司来说，专注非常重要。

你可以有不同职能、不同垂直方向。但我认为，你只能有一个目标。你不能一边试图做这个、做那个，同时又试图解决某个基础研究问题。

如果你问 Cognition 的唯一目标是什么，我会说，是让世界各地每个人都能更轻松地构建软件。这是我们追求的目标，而我认为这和基础模型实验室的目标不同。

为了实现这个目标，模型训练上确实有工作要做，产品上也有工作要做。但这才是我们的根本目标。

我认为，一家公司的 DNA 在某种程度上相当刚性，比人们通常想象得更刚性。使命可以随时间变化，但变化幅度不会像你想象得那么大。到了某个阶段，公司里的每个人都会围绕同一件事思考：你服务的客户、你构建的产品、你运行的商业模式。所有这些，都扎根在某个特定的核心目标上。

所以，是的，我认为正如你所说，双方都会继续移动、继续向外延展。但像我们这样的公司，核心 DNA 是把 AI 编程的好处带给世界各地的人。这和一家真正更专注于推动研究前沿本身的公司，会非常不同。

Jeremy Stern：你们会走 Cursor 那条路线吗？

Scott Wu：我们真的很喜欢做「瑞士」。这里有几个原因。首先，我们认为自己正在构建一种必要的基础设施，让公司可以信任我们，把我们当作合作伙伴，一起弄清楚如何跑得更快、交付更多东西。所以老实说，保持中立有很大价值。

你在 Databricks 和各大云厂商的关系中，某种程度上已经看到过这一点。但在这里，我认为情况甚至更极端。因为把我们的信任绑定给某一个特定模型，会是一件很可怕的事。没人知道 12 个月后谁会拥有最好的模型。

因此，通过与所有不同模型合作，在不同模型最适合特定用例时使用它们，我们可以快速适应变化，也可以帮助合作伙伴理解他们应该如何在工作中使用不同模型。这一点非常重要。

除此之外，我还想指出，现