你能幻想現在去找作業，人家現已不滿足于考你一道算法題了，而是要你在面試現場，8 小時從零肝出他們自家的產品——相似 Devin、Windsurf、Cursor 這樣的 AI 東西。還得順手把數據庫接上、依靠修完、測驗跑通。

更夸大的是，這樣的公司真的存在——正是那個聲稱要重塑軟件工程未來的 Cognition。它的 CEO Scott Wu 在播客里親口說，這便是 Cognition 的面試流程：給你 6 到 8 個小時，看你能不能做出一個端到端的署理，一個歸于你自己的“Devin”。

此前，Scott Wu 在收買 Windsurf 時曾直言：Cognition 的文明便是高強度、超長工時、毫不掩飾的 996。“咱們不信什么作業日子平衡——打造軟件工程的未來是咱們全部人都深深介意的使命。在這兒咱們每周要在辦公室干 6 天，工時超越 80 小時。”

比較之下，實在的陰間或許不是入職后的 996，而是還沒進門就要先完結“8 小時寫一個 Devin”的創業模仿。996 是長時刻透支，而這個面試更像是瞬間壓榨，把“造一家公司”硬生生當成了入職考題。

更挖苦的是，Cognition 的團隊自身也不是一般打工人。在開端的 35 名成員里，有 21 位曾經是公司的創始人。Scott Wu 以為，死記硬背常識點、了解語法細節這些都不再重要，實在重要的才干是高層次決議計劃、對技能的深化了解、對產品的直覺判別，以及極強的自我驅動和責任心。換句話說，他們爽性把“創業者規范”寫進了招聘流程。

咱們翻譯了這期播客的完好內容，帶你看看這家 AI 企業的張狂邏輯。

一些亮點如下：

• 我最高的學歷嚴厲來說是初中結業證，沒有實在完結高中，也沒有讀完大學。
• 在前期，直覺敏銳、勇于自我推理就十分有優勢。但一旦范疇老練，終究的答案往往便是數學。
• 咱們之所以要樹立各種流程，原本便是由于人類也會犯錯。這便是為什么咱們 CI 流程和各種查看。
• 即便把今日的模型才干徹底凍住，不再有新的模型或研討打破，產品層面仍然有十年的前進空間。
• 咱們的原則是：有必要讓咱們“自愿挑選”參加這種（加班）文明。

硅谷“數學幫”中的初中文憑 AI 創業者

John Collison：能講講你的生長閱歷，以及你在數學上的故事嗎？我覺得咱們現在都知道你是“數學比賽大神”。 

Scott Wu： 是的，我在巴吞魯日長大。我爸爸媽媽都是化工工程師，他們為了讀研討生從中國移民過來。后來他們找作業時，就做空氣排放答應相關的作業。路易斯安那州有許多石油和天然氣工業，所以他們終究留在那里。

我從小就喜愛數學。我有一個哥哥 Neal，咱們一向十分挨近，他比我大五歲。Neal 在中學時就開端參加數學比賽，大約是六年級的時分，而我那時才上一年級。作為弟弟，我就會去看他在做什么，試著學一些相同的數學。這便是我開端接觸數學的方法。

后來我發現自己真的很喜愛數學比賽。我二年級時就開端參加了。我記住有一次在當地的大學參加比賽，那個比賽是為中學生和高中生開的。我作為二年級小學生參加了七年級組其他比賽，這是針對初中生和高中生的比賽，也是我榜首次參賽。其時僅僅單純喜愛數學，成果頒獎時，三等獎、二等獎、一等獎都沒叫到我。我記住自己十分傷心。

John Collison：這便是你的“超級反派來歷故事”啊。 

Scott Wu： 沒錯，根本便是這樣開端的。后來我很盡力練習，到了三年級時參加代數一的組別，成果那一年得了冠軍。之后我就一向參加各種數學比賽。到了高中終究一年，我參加了 IOI 國際信息學奧林匹克比賽。我參加了三次 IOI，并且都拿了金牌。

John Collison：那你后來上了哪所校園？ 

Scott Wu： 其實我中心休學了一年。我提早一年就脫離了高中。我學習不太好。

John Collison：這聽起來很驚奇，你不是很拿手上學？ 

Scott Wu： 嗯，我并不是不拿手學習，而是“不拿手把學業完結”。我最高的學歷嚴厲來說是初中結業證，沒有實在完結高中，也沒有讀完大學。

所以我提早一年脫離高中，去灣區待了一年，在一家叫 Addepar 的公司做軟件工程師。那是 2014 年，現已很久曾經了。其時的閱歷對我來說很特別。

之后我決議仍是去試試大學，所以去了哈佛，讀了兩年后就退學了。

John Collison：你是怎樣參加 Addepar 的？他們接納一個高中輟學生，顯著很有遠見。 

Scott Wu： 其時其實挺有意思的，咱們有四個高中生同一天入職。我、Alexandr Wang（Scale 的創始人，現在 Meta），咱們是同一天開端的。還有 Eugene Chen（現在在做 Phoenix DEX），以及 Sreenath Are（最近是 Sandbar 的 CEO）。

John Collison：這也太“團體小圈子”了吧，你和 Alex 一同在那里？ 

Scott Wu： 對啊。我和 Alex 早就知道了，最早在中學時知道的。他來自新墨西哥，我來自路易斯安那，咱們在一次叫 MATHCOUNTS 的全國數學比賽上遇見的。后來咱們一向堅持聯系，那時仍是用 Google Hangouts 談天。

實踐證明，咱們這一代許多人終究都走上了相似的路途。我覺得有一種創業感染效應。Alex 應該算是咱們這群人里最早一個，他讓我榜首次仔細考慮創業。但也不僅僅是他。像 Johnny Ho（Perplexity 聯合創始人）、Demi Guo（興辦了 Pika）、Jesse Zhang（興辦了 Decagon），咱們這一群人許多都是在同一年參加這些數學和編程比賽的，咱們相互都知道。

John Collison：之前有人評論過一個問題：年青創業者都去哪兒了？曩昔總有人二十出面就做出打破性公司。比方 Michael Dell 19 歲興辦戴爾，23 歲上市；Mark Zuckerberg 在 Facebook 興起時也還很年青。后來如同有一段時刻沒有那么多年青創始人。但現在又涌現出許多，你才 28 歲就做 Cognition。那么，年青人擔任作業搶先公司的創始人，自身是否便是工業生機的一個方針？ 就像 PC 時代的起飛對應著年青的 Michael Dell，交際網絡起飛對應著年青的 Mark Zuckerberg，現在 AI 編碼東西的迸發，也伴跟著一批年青創始人。 

Scott Wu： 首要謝謝你還把我算“年青”。但我覺得比較 18、19 歲現已算晚了。

我對這個問題也有一些主意。我的觀念是：現在做創始人整體上變得更難了。 這大約是最中心的原因。曩昔那些年青創始人之所以能做得很好，是由于歸根結底，“榜首性原理考慮”往往比閱歷更有優勢。許多創業實質上便是去做一些史無前例的事，然后自己得出定論。

但現在不相同了。現在有許多人，既具有榜首性原理考慮的才干，又有豐厚的閱歷。整個創業空間變得愈加“老練”。所以做創始人的確更難了，能實在從大學一結業就直接成功創業的人更少了。

John Collison：當然，說“曾經創業簡略”也不準確。Facebook 其時面臨許多比賽，戴爾也不是僅有的 PC 廠商，他們都肯定談不上輕松。不過你說得沒錯，現在的大公司對生態的感知和銜接都很敏銳。比方 Satya（納德拉）或 Mark Zuckerberg，他們對 AI 的全部開展都十分重視，不斷投入精力。因而，或許不會再有那種“巨大的時機就靜靜躺在地上、等著被人撿走”的狀況。 

Scott Wu： 所以，更準確的說法或許是：不是更難，而是整個作業愈加老練，堆集了更多閱歷和“玩法手冊”。比方“股權該怎樣規劃”“融資該怎樣談”“初始團隊怎樣招”——這些問題，現在許多閱歷都能學習。

而在曩昔，這些簡直沒有現成答案，全賴創始人自己敏銳和勇敢的判別。現在則能夠從前人閱歷里羅致更多。所以，這或許是為什么年青創始人相對削減的原因之一。

我還有一個理論，能夠叫做“Moneyball 化”。我平常有個喜好是打撲克。許多人以為撲克僅僅命運和直覺，但實踐上比人們幻想的更數學化。

你能從頂尖玩家的演化中看到這一點。八九十時代的作業高手，并不是比賽較小，而是他們成功的要害技能是極強的直覺。他們當然了解一些數學概念，但更多是在“體系一”（直覺思想）的層面快速感知，并且對游戲有很好的感覺，知道該怎樣調整自己的打法。

而現在，滿是數學怪才。當一個范疇逐步老練時，就會產生這種改變。

在前期、不老練的階段，人們乃至不知道該問哪些問題，也不知道該用什么參照系考慮。在這種狀況下，直覺敏銳、勇于自我推理就十分有優勢。但一旦范疇老練，終究的答案往往便是數學。

就像國際象棋相同。19 世紀的時分還有所謂“浪漫派”風格，憑直覺下棋。但今日棋力引擎現已能算出“41 步必勝”。棋局也就演化成“找到最優解，并看你離它多近”。

另一個比方是任天堂的《任天堂明星大亂斗：近戰》，我曾經也打過比賽。開端 6-8 年，選手都是靈敏、有創造力的玩家。后來全變成了數學化的打法，靠準確核算而不是創意。即時戰略（RTS）游戲也有相似趨勢。

這種改變當然也有美感，僅僅說跟著范疇老練，終究都會走向數學化。而創業或許也在閱歷這樣的進程。

Cognition 的 AI 軟件工程師 Devin 

John Collison：什么是 Cognition？它做什么？ 

Scott Wu： 咱們正在構建 AI 軟件工程師。曩昔一年半咱們一向在開發 Devin，最近還收買了 Windsurf。Devin 是 Windsurf 中的智能署理，也是 IDE 中的一部分。但從更高層面來說，咱們的方針是構建軟件工程的未來。

John Collison：會不會讓人困惑？公司叫 Cognition，產品叫 Devin，又有點擬人化，現在還加上 Windsurf，如同有第三個姓名。 

Scott Wu： 咱們也在評論這個問題。或許做一些整合會更好。

John Collison：好的。許多人對 GitHub Copilot 或 IDE 輔佐編程的范式很了解，比方在 IDE 里寫代碼時，它幫你自動補全，或許你輸入一些指令，它幫你寫。這和 Cognition-Devin 的范式不同。 

Scott Wu： 沒錯。用 Devin，你是在 Slack 頻道里和它對話，比方“幫我做個 X 或 Y”，就像和搭檔說話相同。

John Collison：所以你既能夠從 Slack、Linear、Jira 調用它，也能夠從 IDE 里用它，但并紛歧定要在 IDE 里。 

Scott Wu： 對，徹底正確。之前的范式，比方 GitHub Copilot，算是 IDE 方法里最早、最聞名的代表。我會把它描繪為：當你在鍵盤前寫代碼時，它讓你寫得更快，供給一些東西和快捷方法。

而 Devin 徹底是另一種范式，我稱之為異步體會：你把使命交給一個智能署理，它去履行。所以 Devin 更像是在使命單或項目層面作業。你在 GitHub 里有個 issue，然后你 @Devin，它就開端干活。

John Collison：Devin 現在在哪些使命上表現最好？ 

Scott Wu： 咱們喜愛稱 Devin 現在是一名“初級工程師”。它在某些方面比全部人都強，比方百科常識、查找實踐。但它在某些作業上也會做出很糟糕的決議。整體均勻來看，用“初級工程師”來描述是比較準確的。

咱們看到咱們最常用 Devin 的場景是：

修 bug；

做一些簡略的功用懇求和小修小補；

或許履行團隊里咱們現已決議要做的某個使命，你只需求“@Devin，幫我搞定這個”。

其他一類很常見的，是那些重復且單調的使命，比方搬遷、現代化改造、重構、版別晉級。全球軟件工程師花在這些作業上的時刻，往往比實在“創造性構建”要多得多。比方修正 Kubernetes 布置、做依靠辦理、寫測驗和文檔等等。

John Collison：你能同享一些事務方針嗎？ 

Scott Wu：Devin 現已布置在全球不計其數家公司里，從高盛、花旗這樣的大銀行，到兩三個人的小型創業公司。

咱們衡量的首要方針是兼并的 pull request 占比。在成功的團隊里，Devin 一般會完結 30% 到 40% 的兼并懇求。

John Collison：不過現在 IDE 東西（比方 GitHub Copilot、Cu國產精品久久視頻rsor、Claude Code）也不是徹底同步，你輸入提示后，它們也會去履行。你說的同步與異步的區別，是暫時的嗎？未來會交融嗎？ 

Scott Wu： 我以為這兩種體會在接下來一段時刻會共存。實在有意思的是怎樣找到它們之間的同享體會。咱們最近收買 Windsurf 也是在考慮這點，很快會發布一些相關的新功用。

John Collison：你知道“實質復雜性（essential complexity）”和“偶爾復雜性（accidental complexity）”的概念嗎？ 

Scott Wu： 是的。作為軟件工程師的實質，其實便是在代碼的語境下處理問題。工程師要告知核算機該做什么，一同不斷做各種決議計劃：大到整體架構的挑選； 小到某個余額小于零時，是報錯仍是懇求彌補。 這些邏輯性的決議計劃便是所謂的“實質復雜性”。

而“偶爾復雜性”是全部其他作業：規劃化時的支撐性作業，或許每個類都有必要有的一些規范化特性。這些東西咱們都知道有必要有，但不觸及實在的決議計劃。

在 AI 編碼呈現之前，軟件工程的首要部分便是做決議計劃，但人們 80%-90% 的時刻卻花在了重復完結、例行作業上。未來的混合體會是：需求人類決議計劃的部分堅持同步； 樸實履行的部分交給 AI 異步完結。

一個項目一般會在同步和異步之間替換。同步體會更像 IDE，直接看代碼、逐行修正；異步體會更像智能署理，接納使命后獨立完結。要害是讓工程師在高影響力的決議計劃點上互動，而不是被繁瑣的履行細節拖住。

John Collison：那在企業里呢？比方數據庫搬遷，終究一步刪去舊表是很嚇人的，咱們憂慮 AI 錯覺。怎樣讓企業放心腸給 Devin 滿足的權限？ 

Scott Wu： 咱們十分明確地主張用戶，不要給 Devin 敞開過于廣泛的數據庫拜訪權限。這便是一種做法。到現在為止，我沒聽說過呈現過嚴峻問題，但顯著，最好仍是不要冒這個危險。

坦白說，我的觀念是：咱們之所以要樹立各種流程，原本便是由于人類也會犯錯。 這便是為什么咱們有 pull request、代碼查看，有 CI 流程和各種查看。Devin 其實能很天然地融入這些流程。

一般咱們和 Devin 的作業方法是：比方做大規劃代碼搬遷，會把使命拆分隔。或許有 5 萬個文件要從某個 Angular 版別晉級到另一個版別。Devin 就會逐一去改，并且為每個改動提交 PR。接著你只需求去查看代碼，承認修正正確。

這樣做背面仍是有人類把關。這就照應了你之前說的“偶爾復雜度”問題：搬遷實在耗時的并不是那一步“刪去舊表”，而是全部周邊瑣碎的環節。

在實踐中，咱們發現，特別是在企業級的搬遷場景里，當用戶內部去丈量時，一般能看到 8 到 15 倍的功率提高。由于正如你說的，工程師只需求查看代碼，而不是親身寫下每一行，或逐一查看每個引證。

John Collison：許多組織都想知道 AI 編碼東西的生產力影響。現在工程師都想用，但從 PR 數量這些方針看，不是很顯著。你或許會說，假如代碼質量下降了，那后續保護成本會添加；或許其他什么狀況。所以現在簡直全部人都在尋覓一種“鐵證般的生產力數據”，能一錘定音地闡明 AI 的影響力。估量許多 CTO 也在找這種數據，好向 CFO 證明開支是合理的。那你怎樣看？AI 東西的生產力提高終究大嗎？能實在量化嗎？ 

Scott Wu： 當然能。我以為，跟著作業逐步從 IDE 輔佐過渡到智能署理，這個問題的答案會越來越明晰。

老實說，我覺得 IDE 帶來的生產力提高其實常常被輕視。原因就在于，它很難被準確量化。比方咱們看自己團隊的數據，均勻下來，每個工程師在一周里會運用 Tab 自動補全 238 次。直覺上，這肯定是有價值的，也的確會讓人更快。但要說它究竟讓你快了多少，就很難準確衡量。

比較之下，智能署理（Agent）要明晰得多。由于署理是直接幫你把整個使命完結。比方一個 Jira 使命，或許一次大規劃搬遷。一般狀況下，你對這些使命需求多少工程師工時是稀有的。而當署理能端到端完結這些作業時，提高是清楚明了的：比方曩昔需求人力做的搬遷，現在只需求你花五分鐘查看 PR，全部就完結了。

所以，跟著時刻推移，這種生產力的提高會變得越來越顯著。

John Collison：有人以為，編碼東西僅僅一個過渡階段，很快就會被 GPT-6 或 GPT-7 這樣的更強模型代替。你顯著不是這么以為的吧？怎樣防止被大模型實驗室“碾壓”？ 

Scott Wu： 當然。我覺得那些實驗室自身便是十分了不得的企業。但在我了解里，這種觀念其實是一種“虛無主義的核算機運用論”。意思是：咱們在實踐國際里從事的各種常識作業，實質上都要憑借核算機。AI 會越來越拿手運用核算機，直到某一天，什么都不剩余，只剩余 AI 自己操作你的電腦，把你的作業全都做掉。這，大約便是這種論調的中心。

我能了解其間的道理，這種觀念很難被徹底辯駁。但在實踐中咱們看到的狀況是，實踐國際中存在許多的上下文常識和作業細節。比方前面說的 Angular 搬遷。并不是說這些事做欠好，實踐上模型會越來越拿手。但要讓模型真的變得更好，要害仍是得有適宜的數據。

假如它從沒見過 Angular，從沒做過 Angular 搬遷，那么它的才干便是有上限的。再比方調試 Datadog 過錯。實踐中的軟件工程十分紊亂，充滿了各種意外狀況。其實大多數學科都如此，不管是法令仍是醫學。

所以盡管通用智能會越來越強，但要讓它實在適用于某個特定場景，還需求許多作業。既要在才干層面針對具體用例表現得滿足好，也要在產品體會層面實在把它交給給客戶，落地到實踐中。

John Collison：換句話說，這不是一個“通用智能”使命，而是一個“特定智能”使命。比方在 Stripe 的代碼庫里作業，當然需求一些通用智能，但更需求上下文和與現有作業流的結合。所以你以為這是一個需求繼續專精的范疇？ 

Scott Wu： 或答應以這樣了解：這個虛無主義的觀念其實指向“超級智能”。某種程度上，咱們的確正在向“短程超級智能”跨進。經過 RL（強化學習）不斷優化，模型逐步迫臨一種“柏拉圖式抱負”——能夠在任何基準測驗（benchmark）上到達滿分。

不管基準是什么，哪怕是未解的數學難題，咱們終究期望能把它輸入數據集，讓模型到達 100%。并且說實話，這個開展比許多人預期的快得多。比方 IMO 金牌、某些尖端基準分數現已呈現了令人驚奇的打破。

但即便如此，我不以為咱們終究會得到一個樸實的 ASI（人工超級智能），然后完結人類常識作業。更或許的狀況是：問題變成“接下來基準測驗是什么？”

界說 benchmark 自身便是國際的紊亂實踐。比方在軟件工程里，你每天接觸哪些東西？怎樣運用？怎樣樹立長時刻的代碼庫表征？怎樣判別一個功用是否成功上線？這些都需求環境和規范的規劃。

John Collison：那 Devin 有沒有適宜的 benchmark？仍是說它的營收自身便是基準？ 

Scott Wu： 咱們內部其實有許多 benchmark。最首要的一個叫“初級開發 benchmark”，或許很快就得晉級為“高檔開發 benchmark”了。它涵蓋了各種實在的初級開發使命。

舉例來說，使命或許是“修正一個 Grafana dashboard 并拉取成果”。難點不在算法，而在于實踐復雜性：比方服務器運轉的包版別不對，需求讀懂報錯信息，換成正確依靠，再從頭跑，終究驗證成果是否正確。這類使命盡或許挨近實在工程師日常的作業。

至于最新模型，Claude 4.1 和 GPT-5 在這個基準上的表現，現已超越此前全部模型。

找差異化，活下去 

John Collison：那從工業視點看，未來 5 到 10 年 AI 工業鏈的各層（數據中心、實驗室、運用層）會是什么格式？哪些環節更比賽？哪些更安穩？會不會變成寡頭格式？ 

Scott Wu： 每次我說這個，咱們總是笑，但我真的以為：全部層都會開展得很好。

首要，會有許多的 AI。各層的價格現在都相對廉價。我曩昔 6 到 12 個月一向在說這點，現在咱們的確看到各層的價格都有顯著上漲。但從微觀來看，榜首點便是：AI 會極大規劃存在。

曩昔 10 年，B2B SaaS 首要做的是許多增量改善。往前看 30 年，大的浪潮其實只需幾個：

90 時代到 2000 年頭的互聯網；

2000 時代末到 2010 時代初的智能手機和云核算； 這些都是曩昔幾十年最重要的改變。

但這 10 年里，許多新產品更多是在特定筆直范疇或某個作業流環節做小幅優化。而 AI 的不同在于，它直接作用于全部常識作業，乃至或許擴展到物理勞作（取決于機器人開展）。

所以榜首點：未來會有許多的 AI。第二點是價值的堆集。我的觀念是，價值會沉積在每一個存在顯著差異化的層里。舉個比方：NVIDIA 和臺積電（TSMC）。只需兩邊相互依靠，就算有沖突，它們仍然會繼續做得很好。這種邏輯相同存在于技能倉庫的各層。不同層面要處理的問題徹底不同，差異化十分顯著。

John Collison：所以你以為這會防止過度縱向整合？ 

Scott Wu： 對。硬件層是一個邏輯，大模型練習又是另一套邏輯：需求頂尖研討員、盡或許多的 GPU 和對應的文明氛圍。而運用層的 DNA 則徹底不同。咱們當然也觸及研討，但咱們專心的僅僅一個問題：怎樣把“未來的軟件工程”實在做出來。

許多公司談“AI 寫代碼”，是抽象地談。但咱們考慮的是 軟件工程整體——包含其間的紊亂、產品接口、交給方法、運用方法，以及一堆細節才干。

每一層都有各自的 DNA，各自最拿手的事。

John Collison：在 Stripe，咱們一向在考慮怎樣構建 AI 的經濟根底設施，以及它需求具有什么條件。你能夠讓一個署理（agent）代表某個人舉動，而你只需求在運用里下達指令或進行操作。而署理的東西運用才干之一，便是能夠代表你去實踐國際里進行商業買賣。所以咱們正在為此建立根底設施。 

咱們注意到，AI 的經濟方法簡直都是根據運用量計費的，不管是按 token 仍是其他單位。因而咱們正在構建根據運用量的計費體系。而咱們在 Stripe 上看到的 AI 計費體系，和傳統 SaaS 十分不同。經典 SaaS 的方法是按座位（seat）計費，而 AI 簡直全部是按運用量耗費。乃至你能夠幻想署理之間會相互進行商業買賣，徹底沒有人類參加。這些狀況也在影響咱們的產品路線圖。那么，你覺得 AI 的經濟根底設施應該長什么樣？咱們需求特別注意什么？ 

Scott Wu： 是的，按座位到按用量的改變肯定是中心。并且在兩個層面都說得通：

從一個視點看，按座位不再合理，由于 AI 自身就相當于“座位”，它們也在做許多勞作。

從另一個視點看，按運用量收費也更天然，由于終究都是 GPU 花銷，即模型推理耗費了多少算力。

這很有道理。另一個清楚明了的大改變是：會構成一個完好的 署理經濟（agent economy）。

今日來看，它還更像是一個議論中的概念，而非實踐。但改變十分快，很快咱們就能看到署理在實在環境中履行使命。

Cognition 的團隊與招聘：當場寫署理！

John Collison：那 Devin 的存在，會怎樣影響你們自己招聘工程師？ 

Scott Wu： 從咱們的視點來看，咱們一向喜愛堅持中心工程團隊精干并且精英化。

John Collison：大約多少人？ 

Scott Wu： 直到幾周前，咱們整個團隊大約 35 人，掩蓋全部崗位。簡直每個人其實都有工程師布景。風趣的是，咱們所謂的“中心工程”團隊其時只需 19 人。

在收買 Windsurf 之后，團隊規劃的確大了不少，但中心工程團隊自身并沒有顯著擴張，從 19 人添加到了 30 到 35 人的規劃。

John Collison：所以你們有意堅持工程團隊的小規劃。那這些工程師和 20 年前創業公司里的工程師有何不同？ 

Scott Wu： 其實不同很大。今日許多履行和完結類的作業 Devin 都能完結，所以人類工程師不需求再去做這些。咱們更重視的是，他們能否在高層次上做出決議計劃，了解技能概念，并具有很強的產品直覺。

舉個比方，咱們的整個面試進程，其間許多都是讓提名人構建自己的 Devin，八個小時后，看看他們能做到什么程度。

John Collison：是要構建他們自己的 Devin 版別，仍是運用 Devin 來做一些東西？ 

Scott Wu： 是要他們構建自己的版別，歸于他們自己的署理，完好的端到端署理，不論是 6 小時仍是 8 小時。

咱們發現——并且我以為這也是軟件工程未來的遍及趨勢——死記硬背各種常識點、了解各種細節、或許特別通曉某種言語的語法，這些才干的重要性會逐步下降。

實在更重要的是：

• 能在高層次上做決議計劃；
• 對技能概念有深化了解；
• 對產品有敏銳的直覺，知道該構建什么、該怎樣推動；
• 具有很強的自我驅動和責任心。

風趣的是，咱們團隊里許多人曾經是創業者。在開端的 35 人中，有 21 人創過業。

John Collison：哇，這份額很高。 

Scott Wu： 是的，這算是咱們團隊的一個特色。

John Collison：你們什么時分會雇傭終究一個工程師？ 

Scott Wu： 這是個好問題。我想先做個區別：在未來兩三四年左右，會呈現一個臨界點——咱們將不再把“代碼”作為首要界面。

那時，軟件工國產精品久久視頻程師的作業不再重視代碼，而是輔導電腦該做什么。你看著自己的產品，對電腦說：“咱們需求新建一個頁面；這部分數據要這樣保存；索引要依照 X、Y、Z 來做，由于查詢需求是這樣的。”許多都是架構層面的決議計劃，而不是直接看代碼。至少在大多數狀況下是這樣。

到那時，作業的性質會產生巨大改變。但風趣的是，軟件工程師的數量或許會更多，而不是更少。由于即便界面不再是代碼，中心的軟件技能仍然重要。

許多人問我：“我的孩子正在上高中 / 剛上大學，還應該學核算機科學嗎？”我的答復一向是“肯定應該”。實踐上，我一向覺得大學核算機科學的缺陷恰恰是過于偏理論：它教你核算機科學的概念，卻很少教你實踐語法，比方怎樣搭一個 React 運用。未來咱們或許會走向這樣的狀況：編程的實質便是了解核算機模型，學會怎樣用它來做決議計劃和處理問題。這反而讓軟件工程師更多。

咱們常常說到杰文斯悖論（Jevons Paradox）和 AI 的聯系。我以為它在軟件范疇表現得最顯著。由于咱們永久都寫不完新的軟件。

盡管全國際現已有這么多軟件工程師，但咱們都知道，還有許多糟糕的產品。比方登錄銀行體系、零售收銀臺的結賬流程，或醫療渠道，界面仍舊老舊、漏洞百出、體會糟糕。換句話說，咱們還沒把該寫的軟件都寫完。

John Collison：令人震驚的是 UI 這么多年簡直沒變。咱們今日仍然在瀏覽器里、Slack 里給 Devin 發提示，就像在 1980 時代玩 Zork 那樣輸入指令。什么時分咱們才干看到實在的 AI UI？ 

Scott Wu： 我整體的觀念是，每一波新技能都會閱歷這樣的階段。移動互聯網便是比方：開端的手機運用看起來就像是網頁搬到小屏幕上，但跟著時刻推移，才開展出豐厚的接觸交互和杰出的 UX 科學。

我覺得咱們現在正處在相似的階段。曩昔幾年首要是用 AI 代替現有流程；而現在開端呈現一些生成式的交互流。最簡略的比方便是，許多產品底部加了一個談天框，用戶不必點菜單，直接在里邊問就能找到功用。這僅僅最根底的一種方法，未來會有更多立異。

John Collison：我想到的另一個類比是：晶體管和芯片發明后，咱們很快意識到“全部都需求嵌入核算機”。轎車、洗碗機都裝上了小電腦。相似地，未來全部信息在被消費前，都會經過一次 transformer 模型的處理。 

Scott Wu：AI 和曩昔幾波技能浪潮有一個一同的不同。不管是個人電腦、互聯網仍是手機，它們都有兩個一同特征：

硬件門檻：有必要先把調制解調器、電腦、手機分發出去，讓咱們先能上網、能用設備。

網絡效應：互聯網要比及你的朋友、飯館、信息都在網上時，才實在好用。

但 AI 沒有這兩個問題。它是純軟件，只需技能對某個人有用，它就能在“單人方法”下當即供給巨大的價值。所以你會看到，只需 AI 產品能跑起來，就能馬上對全部人有用。

這也是為什么簡直每隔幾周，就會有人宣告他們是“從 100 萬到 1 億用戶增加最快的公司”。由于 AI 的擴展性太快了——一旦成功，就能馬上惠及全部人。

不過，也因而現在產品端呈現了滯后。我以為，即便把今日的模型才干徹底凍住，不再有新的模型或研討打破，產品層面仍然有十年的前進空間。

曩昔，產品開展和技能分發是同步推動的；但 AI 則不同。它的才干忽然一會兒就擺在那里，咱們才在短短兩年（乃至假如算上最近的 agent 才干，其實不到一年）的時刻里團體考慮：咱們應該怎樣規劃正確的用戶體會？

所以說，產品立異會花更多時刻，咱們還在消化。

John Collison：你的 AGI 時刻表是怎樣的？ 

Scott Wu： 我以為咱們現已有 AGI 了。

這聽起來像惡作劇。2017 年假如你問“咱們有 AGI 嗎？”，答案肯定是沒有。現在假如你問這個問題，咱們的榜首反應是：“先界說一下什么是 AGI。” 所以開端各種不置可否的答復。

但從某種意義上說，這也沒錯。究竟 Devin 能幫你點 DoorDash，這聽起來也像 AGI。盡管這帶點戲弄，但我的實在主意是：人們常說的那種“快速奇點”和“超級智能”，我猜在近期不會產生。由于正如咱們之前評論的，還有許多實踐國際的問題需求處理：究竟要處理什么問題？怎樣界說“成功”？

換句話說，這不是一個二進制問題。咱們會不斷推出更多改善，這些體系會越來越強，但至少在未來幾年，不會呈現某種忽然的斷點式躍遷。

收買 Windsurf：只用了三天，包含不歇息的周末 

John Collison：咱們有必要聊聊 Windsurf，這個收買看起來產生得太快了。說說全進程吧。 

Scott Wu： 咱們在同一時刻看到新聞，說 Google 要收買 Windsurf（盡管嚴厲意義上并不是直接納買）。那是周五，咱們跟咱們相同，當天才聽到音訊，前一晚只聽到了一些傳言。

當天下午咱們就在評論：“咱們要不要做點什么？” 在 AI 作業，忽然冒出一些張狂的新聞并不稀有，但這次特別和咱們的范疇直接相關，所以咱們仔細考慮了這個主意。

咱們當晚就自動聯系了 Windsurf 的新辦理團隊——Jeff、Graham 和 Kevin，并在晚上見了面。聊下來咱們很快得出一個定論：假如要做這件事，那 最遲有必要在周一早上完結。由于客戶們現已在慌了，團隊成員也在想，“我究竟還有沒有作業？” 整個局勢就像一塊正在消融的冰塊。

假如比及周四而不是周一，客戶或許就會撤銷合同，職工也會去其他公司面試。所以咱們決議，已然要做，那就整個周末不眠不休地推動。

那周六咱們根本上達成了開端的握手協議，接下來便是法令和合同的細節要處理。周日晚上咱們簡直是徹夜未眠。

John Collison：周六晚上你們也熬夜了嗎？ 

Scott Wu： 周六只睡了幾個小時。其實 Jeff、Graham 和 Kevin 前幾天現已閱歷了很困難的時刻，他們來商洽時原本就現已嚴峻缺覺。咱們原本達觀地以為周日晚就能簽好文件，然后能夠把精力放在錄制視頻、安慰團隊、對外宣告這些作業上。但終究仍是到周一上午 9 點才簽下，由于咱們和律師們一晚上都在處理各種細節。

終究，咱們是在 Windsurf 的作業室錄的視頻。咱們其時說，不管怎樣，先把視頻錄了。

John Collison：你知道收買其實紛歧定要配視頻吧？ 

Scott Wu： 哈哈，當然，但有個視頻總之是功德。簽完文件之后，咱們馬上就在整體團隊面前宣告了音訊，并很快公開了這件事。那真是讓人振奮的時刻，我其實很享用這種瞬間。

John Collison：所以，你們是周五看到新聞，周一就簽署并宣告買賣。這意味著你們簡直是馬上就決議要買下 Windsurf 的剩余部分？ 

Scott Wu： 對，周五晚上咱們就聊透了。站在咱們的視點，這兒面有幾個特別好的點：

首要，咱們十分了解這個范疇，所以對產品和客戶沒必要再做過多盡調。其次，經過了解咱們發現，Windsurf 的中心研討和產品工程團隊的確去了谷歌，但其他功用團隊簡直完好無缺地保留下來，包含企業工程、根底設施、交給工程、商場拓寬、營銷、財政、運營等等。

而對 Cognition 來說，咱們的中心研討和產品工程團隊算是做得不錯，但在其他功用上的建造有些滯后。所以這剛好構成了一種天然的互補。比方他們服務的客戶里有摩根大通，而咱們有高盛……許多當地都能天然對接。

從一開端咱們就覺得這兒面有很有意思的協同價值，剩余的便是把細節敲定。

John Collison：所以你們收買的不僅是有范疇閱歷的人才，還有一套和 Devin 相鄰但不徹底重合的產品。這意味著你們能加速商場拓寬，也能擴大產品線，對嗎？ 

Scott Wu： 沒錯。并且產品層面上其實也有一些很天然的互補。咱們一向在考慮：異步產品（比方 Devin）和同步產品應該怎樣結合？ 咱們曾想過要不要自己去做一些同步場景，但沒計劃獨自做一個 IDE，由于商場里已有幾家玩家。但經過這次收買，咱們發現其實有許多天然的符合點。

比方，咱們在收買完結后的幾天就發布了 Wave 11，里邊就包含了一些增強功用：

能在 IDE 里直接拜訪 DeepWiki；

能在 IDE 中調用 Devin 的代碼表明進行查找；

能在 IDE 中直接拉起署理。

這些都讓人感覺十分天然。

John Collison：那么六個月后，用戶會是買 Devin 時順帶取得 Windsurf，仍是別離購買？ 

Scott Wu： 現在還有待確認。咱們肯定會堅持兩個產品的哲學各自獨立：我以為同步和異步東西都會長時刻存在。但咱們會讓它們之間的整合更順利、體會更好。這樣一來，從客戶的視點看會簡略許多。

當然，假如有人只想用其間一個，咱們也會堅持挑選的靈敏性。

John Collison：在 AI 范疇，有一個頗風趣的現象，便是呈現了不少“49% 授權”式的買賣，來躲避收買或許被監管阻撓的危險。公司會購買某項常識產權的運用答應，一同保證他們需求的人才也能隨公司一同留下。 你覺得這種方法會在 AI 作業繼續下去嗎？ 

Scott Wu： 這是一個挺特別的時刻節點現象。我當然不敢說自己是這方面的專家，但我覺得挺有意思的是，每次都會冒出一些新的“把戲”。不管是法令結構、債款組織仍是合同條款，總會多一層新玩法。你會看到，之前是這樣，現在又變成那樣……這套元游戲自身還在不斷演化。

我以為在 AI 工業的頂層，的確存在必定程度的兩極分化。由于這些作業的確是跟著資源規劃而擴展的，越到后邊“游戲”就越大。對大多數公司來說，問題便是：你是覺得自己能單打獨斗做到那里，仍是要與其他公司協作，一同走下去？

John Collison：所以你的意思是，不管是傳統的并購，仍是這種新式的“授權式并購”，都或許越來越多？ 

Scott Wu： 對。我乃至有一個“小熱觀念”：當然，AI 范疇也會有不少中等規劃的成功事例，但比較之前的工業浪潮，這一波更傾向于“要么成為超大規劃玩家，要么就出局”。所以有些公司會挑選背注一擲沖擊超大規劃，另一些則會挑選和他人協作。

John Collison：Windsurf 團隊參加之后，Cognition 的文明原本就很激烈。比方你們周末也作業，就像這次收買要約。 

Scott Wu： 是的。咱們很清楚，這種文明并不合適全部人。大部分人參加后都很振奮，但也有一小部分挑選承受補償脫離。咱們的原則是：有必要讓咱們“自愿挑選”參加這種文明，由于說實話，這并不是合適全部人的。

John Collison：你期望他們挑選參加的究竟是什么？ 

Scott Wu： 是挑選參加這種高強度的文明，以及咱們正在尋求的雄心壯志的方針。

從營收體量來看，或許有人會稱咱們是中期乃至后期公司，但從咱們的視點看，咱們仍然處于前期階段。由于未來還有太多要去構建、要去完結的東西。已然是前期階段，團隊成員就有必要樂意面臨不確認性，樂意每周承受全新的應戰，并樂意支付更多時刻和盡力來保持這種文明。這是咱們堅持的一個中心點。

當然，不管怎樣，咱們都會保證每個人都得到妥善的照料。

John Collison：你每天都在運營你有史以來最大的公司，就像我在 Stripe 相同。你是怎樣快速學習怎樣當 CEO 的？ 

Scott Wu： 我還有許多要學的。曩昔咱們對某些功用投入缺乏，現在正在補課。我不太信任所謂的作業教練，但我從同輩和朋友那里學到許多。他們在做相似的作業，能夠十分坦白地溝通困難。

比方 RAMP 的 Eric 和 Karim，還有我曾經的合伙人 Vlad（Lunchclub 創始人），以及許多數學比賽圈的朋友們。我能夠直接跟他們說：“這件事徹底搞砸了，我不知道怎樣辦，你們有相似閱歷嗎？” 這種對話幫了我許多。

John Collison：終究一個問題：你的信息獲取方法是怎樣的？ 

Scott Wu： 我覺得 Twitter 仍然是科技新聞的最佳來歷。盡管現在算法里視頻許多，越來越像 TikTok，但我根本不看視頻，最多看幾秒。所以假如做視頻內容，要能在前三秒、無聲的狀況下傳達中心信息。

AI 對我的信息獲取的影響，其實也首要便是 Twitter 算法。

John Collison：那你有沒有用 Devin 來幫你做信息收拾？ 

Scott Wu： 還沒有，但這是個好主意。比方讓 Devin 每天跑一個 GitHub Action，生成晨報，就像總統的每日簡報相同。這塊還有許多優化空間。

參閱鏈接：

https://www.youtube.com/watch?v=MmKkNmnoEvw

本文來自微信大眾號 “AI前哨”（ID：ai-front），作者：Tina，36氪經授權發布。