105 行代码、100 万次曝光，和一位不肯创办公司的风投

Nathan Labenz 把 Yohei Nakajima 介绍为 Untapped Capital 的创始人。他在一年多的公开构建中，成了 AI 社区里最受欢迎的关注对象之一。Nakajima 自称懒人。Labenz 看过他的项目记录后，更看重他的好奇心、爱玩的劲头和对探索的热爱。在大约 70 个公开发布的项目里（BabyAGI 是第 70 个，现在他已经做到了第 80 个左右），他展示了高度个人化的 AI 便利功能是什么样子，而且显然玩得很开心。对话还涉及他在旧金山 TED AI 上的一场新演讲，以及后来一位在职投资人如何看待整套技术栈。

参加 TED AI 是一个很容易做出的决定。第二天他就起草了九分钟演讲的一个版本，并保留了大约 70% 的内容。后台的他有些追星：Andrew Ng、Stephen Wolfram、Voyager 论文的作者 Jim Fan、斯坦福 Smallville 项目的 Joon Sung Park、Harrison Chase、Replit 的 Amjad Masad，还有 Conviction 的 Sarah Guo。现场观众介于经典 TED 与 AI 聚会之间：比普通 TED 多一些狂热的技术爱好者，又比典型的 AI 活动多一些 TED 的人，这也得益于这是 TED 首次在旧金山举办。

他把演讲瞄准了广泛的线上受众，而不是那些已经生活在 Discord 里的人。主线是身份认同：角色分散在伴侣、国家和家庭之间，又因为我们共享群体而相互重叠；语言是平行世界上的线性瓶颈；蚁丘则是神经网络，整个蚁群所理解的，超过任何一只蚂蚁。也许他自己也是某个他永远无法完全看清的东西里的一个节点。因此，自我发现是一段持续的、共同的旅程，AI 也许能帮助人们互相理解。Labenz 在参与 GPT-4 红队测试时，也有同样的直觉：一个模型可以在彼此敌对的邻居之间调停，可以运营一个小组健身群，可以为九十岁的祖母提供 iPhone 技术支持，它翻译的不只是语言，还有文化。

Nakajima 自己的开发循环，是这个想法的小型版本。看着 BabyAGI 没能做到他自己会做的事，他就问该改什么，才能让它更像他。他说，AI 很大一部分工作，就是把我们对人类认知的图景映射到软件堆栈上。用得好，同样的系统可以帮两个人对话，也可以帮一个人理解另一个人。

这些折腾早在 API 出现之前就开始了。他的父亲是工程师，给他买过书；他在高中时就摆弄过代码，但从未成为专业开发者。Ruby on Rails 很火的时候，他花了一个圣诞假期把它当爱好来学。在 Techstars 和 Scrum Ventures 工作时，他为自己做了一些内部工具：塞满脚本的 Google Sheets，接上了 Crunchbase 和邮件搜索 API。2020 年创办 Untapped 时，他想要一个把这些工作流内置其中的定制 CRM。他试图用 PHP 和 MySQL 来写，但意识到普通合伙人不该把时间花在这上面，于是扔掉了代码，改用 Airtable 重建，正好赶上无代码工具开始快速增长。

那次重建是他第一次“公开构建”的开端：疫情、新基金、无需向任何人汇报、在家孤独，突然间他被允许把自己一直觉得很酷的工作发到推特上。无代码创始人和其他风投开始把项目推荐给他，他成了“那个无代码的人”。在 web3 里，他推出 NFT 项目时，同样的模式又重演了一次。然后，在八月，他找到了 OpenAI 的 API，着了迷，每周都会推出一两个小工具。起初它们是无代码的。等到 ChatGPT 能替他写代码，他又换回了代码。Labenz 称之为个人的递归式自我改进循环：先是代码，然后因为代码太慢而转向无代码，等代码变得更快了，又回到代码。

他所谓的懒，有很具体的含义。他讨厌数据录入，也讨厌把同一件事做两遍。拿到一份名单，要逐个放进邮箱查找工具里，他会复制粘贴到第五个左右，然后花五分钟写个脚本，看它跑完一千行。这些脚本会叠加起来。之后的一次抓取，就是上个月的项目换了参数；大多数新想法，都是由旧零件拼装而成。单靠效率，时间是赚不回来的。乐趣、学习、项目来源，还有 TED 的邀请，才是真正把账算平的东西。

好奇心按照 12 小时的节奏运转。比如琢磨 DALL·E 能不能生成 360 度图像，如果问题是早上冒出来的，通常午饭前就能试完并发出推文；如果是下午冒出来的，就等孩子们睡下之后再做。他的存活率很诚实：真正在用的大约只有 20% 到 30%；50% 到 60% 会被淘汰；剩下的一部分进入“幽灵模式”，仍然在线，偶尔还会玩一玩。那 70 个“项目”里，有一些其实是同一个工具的叠加版本，比如一个用代码重写的无代码 AI 分析师，然后又接上了 API。他也做真正的一次性软件。有一年，房子被高估了，ChatGPT 带着他走完申诉流程，他找到可比交易（comps），它写代码调整价格，然后又写出报告。效果不错。用完他就扔了。

BabyAGI 在 2023 年 3 月问世。Nakajima 说，它在技术上并不是第一个这类循环，但却是第一个广受欢迎的，并由此开启了这一潮流。他之前一直在关注 HustleGPT：有人把 ChatGPT 当成联合创始人，从 100 美元起步，照它说的去执行，并在 Discord 里发布进展。他想试试，又知道自己太忙。看着那些推文，他问了一个不同的问题：如果人们只是照着 ChatGPT 说的去做，那能不能把人拿掉？这个周末的挑战，Labenz 称这是一句疯狂的话，就是原型出一个自主的创业创始人。

他把自己的一个早晨翻译成了程序。醒来，看任务列表，从上往下做，邮件来了就加任务，时不时重新排优先级。这变成了一个 while True 循环里的三条提示词：一条根据目标生成任务，一条负责执行，一条负责重新排列队列。任务名称存入 Pinecone，这样新任务可以和过去相似的任务对照，循环就不会原地打转。当被要求搭建一家移动健康公司时，它开始研究商业模式、融资、招聘、竞品调研，全都是语言任务，全都由 OpenAI 驱动，也就是创办一家公司的各个方面。他随手发了视频：按下开始，它就一直跑下去。曝光量一路冲向 100 万。有人问，它能不能不只当一个创始人。他输入“让世界变得更美好”，它就开始列清单。

接下来的实验，是经典的回形针最大化者（paperclip maximizer）。BabyAGI 的第一步，是说这个目标有些危险，然后去建立安全协议。有人艾特了 Eliezer Yudkowsky，他转发称这比大多数大型 AI 公司都强。末日派和 e/acc 账号随后在私信里发来截然相反的讯息。Labenz 对这一刻的看法是：DeepMind 式的智能体是“硬”智能，超人但狭窄；语言模型则是“软”智能，通用。三条提示词表明，几乎不需要额外训练，就能从一个模型身上获得智能体式的行为：迭代、保持状态、更新计划，最终调用工具。之后 GitHub 星标的激增降温了，很多靠爆款走红的人开始融资。Nakajima 没有这么做。

BabyAGI 只有 105 行代码，是作为一个简单框架发布的，并非成品。它开始病毒式传播后，他推了一把，和几位风投及工作室聊过，并且心里清楚一件事：他不想在经营风险投资基金的同时，还去当一家公司的 CEO。他对 PixelBees 留有心理阴影。那是一个 NFT 收藏项目，他一边经营基金，一边用它来学习 web3。两件事一起做，实在太累了。他四处找人来运营 BabyAGI，更重要的是，他回去工作后观察会发生什么。到下一周末，已经有好几十个项目，多是两三人的团队，他们写的代码比他还好，分别进入游戏、研究、金融。对一位投资人来说，这是理想的图景。他对单一细分领域的信心，低于与多个团队合作的机会。

这个仓库本身也以一种混乱的方式公开分叉了。贡献者们想加入；他合并了大约两个拉取请求，随后意识到自己看不懂提交的代码，也不想花时间去审查，于是把队列交给了社区成员。等他重新坐下来玩的时候，他发现自己不喜欢读别人的代码，于是把原版放进一个 classic 文件夹，从头开始。他自己这一支的版本先叫 BabyBeeAGI，然后是 BabyCatAGI，再后来是 BabyFoxAGI。用动物名字，是因为他记不住版本号，也是个私人玩笑，因为这些动物都出现在 PixelBees 的收藏里。BabyFoxAGI 是第一个带界面的版本，任务与对话分开，可以并行处理多个任务。他觉得它比 ChatGPT 还快。另一个 TypeScript 写的 BabyAGI 界面，是别人做的，更稳定，他常用它来做网络调研。

他看市场，是按专用和通用来划分的。细分领域的智能体更容易变现，更容易找到客户，也更容易每次都让人满意；他见到的那些能赚钱的创业公司，都是从这里起步，之后才泛化。他有不急于变现的余裕，所以他一点点啃通用路线，并寻找那些他在另外三个智能体里还没见过的想法。工具链和起源故事一样不专业：他先在 ChatGPT 的手机 App 上写，然后粘贴到 Replit 里让它跑起来；在电脑上，他又把 Replit 的内容粘进 GitHub 网页界面，因为他仍然不会用 git。出于同样的原因，他也喜欢 Pieter Levels 那些单文件 PHP 公司。做出有用的东西，不必精通每一种专业工具。

鉴于网页大多是为人眼而设计，并非为解析而设计，GPT-4V 会不会让智能体一夜之间强十倍？从某种意义上说会，而且这样的时刻还会有很多。标准也在移动。等智能体能在网上做所有事情的那一天，人们会抱怨它们仍然不会煮咖啡，而机器人技术已经在推进了。真正能压缩时间线的，超出了他的技术能力范围，是把编排层重新内置到模型里：决定去搜索、编写新的技能、把它存下来，而不是把这个循环剥离到提示词里。如果这件事做成，事情会发展得很快。他不知道这是否可能，也不知道何时可能。

通用型智能体对他来说已经有用，主要用作研究，现在已经接入网络、Crunchbase 和他的 Airtable CRM。他可以让它找出圣地亚哥的一些人，看看他们在做什么，然后生成一份详细报告。他最常用、也推荐给 BabyAGI 发布后主动找上门的公司的设置，是会议准备。在和一家知名上市公司通话之前，他会让 BabyAGI 调研这家公司、它的业务单元、收入驱动因素和成本驱动因素，然后为每个业务单元想出三个大语言模型（LLM）策略。七个单元就是 21 个想法。他扫一眼，挑出三到五个，再结合自己的知识展开。10 秒钟写一条提示词，加上 30 秒的审阅，就替代了大约 15 分钟的功课。

它会漏掉业务单元，也会编造糟糕的想法。他只是不把那些糟糕的说出来。这是他对每家公司都会给出的核心建议：先把 AI 用在你希望自己能做、却没有时间做的事情上，而不是用在你已经做得很好的关键路径上。用更差的 AI 产出去替换一个好的人工流程，是错误的第一个实验。会议前的深度调研，正是典型的“要是有时间就好了”的工作。即使失败了，损失也很小。

同样的理念也体现在外联上：他过去用外联来寻找投资项目，这套做法也可以对应到销售和招聘。基础设施就是一张清单，哪怕只是一张 Google Sheets。在 Chrome 的 Pocket 和手机端的书签里收藏一个 LinkedIn 页面；Zapier 把姓名和公司写进表格；VoilaNorbert、Hunter 或 Clearbit 根据姓名加域名补全邮箱；勾选一个复选框，就触发一封模板邮件。个性化依然是一列人工填写的内容。他的每一封外联邮件都是自己写的。在 Techstars 多年的 A/B 测试告诉他，两三句话、直奔主题的邮件最有效；而他的瓶颈是日历时间，不是发送数量。如果一次发太多，他的一周就排满了。自动化应当停在真正的约束那里。

对于一位刚开始做智能体的工程师，他没有重新研究过入门路径，因为他早已身处浪潮之中。但他仍然会推荐 AutoGPT 的 ReAct 风格，以及 LangChain。Harrison Chase 说，LangChain 的先规划再执行（plan-and-execute）智能体，灵感来自 BabyAGI：提前规划好任务清单，不像 ReAct 那样走一步、想一步。LangChain 是一个很好的第一个练习场，因为很多东西都已经连好了；等你知道自己真正关心什么，就脱离框架去做。

考虑到分发渠道，以及一层套壳有多容易，价值会积累在哪里？Nakajima 的第一判断很不寻常。这一次，老牌企业将比过去的技术浪潮拿走更大的份额，因为楼里的两头都对齐了：每一家大公司的 C 级高管都知道自己得做点什么，而工程师们本身就已经好奇。通常只会有其中一头。话虽如此，老牌企业从来拿不到 100%。即使是一个可能比以往任何创新都大 100 倍的蛋糕，哪怕拿到 90% 的份额，也还是给创业公司留下了很多空间。现在是投资创业公司的好时机，公开市场也值得关注。

投入得多，不等于做得好。一些大公司会去买下它们没能做出来的产品。一些在内部尝试过、撞了墙的人，会分拆出去创业。老牌企业浪费掉的能量，依然会反哺创业市场。Labenz 正在为一家名叫 Athena 的行政助理公司提供建议。他刚看到一位创始人和一名非 AI 方向的软件工程师都对论文着了迷，基层员工大幅超出了本职角色，他觉得这个双重对齐的观察完全正确。

逐层来看：硬件会因为规模而趋于集中，你不会得到一个巨型芯片公司林立的世界。基础模型集中程度稍低，开源和较小的专用模型也在其中，但核心实验室依然高度集中。作为种子前轮投资人（pre-seed），他注意到一些启动轮就达到 1 亿美元，已经超出了他通常的投资能力范围。基础设施是最令人困惑的一层：那些极受欢迎的开源项目创造了巨大价值，融到了大量资金，却还没有展示出如何变现。在那里押注，如果判断正确，回报会在之后到来。应用层则是他预计会出现很多公司、很多细分领域和多种商业模式的地方，所以他有意在这些模式之间分散投资。

他点名的模型包括：后端的大语言模型把公开的非结构化数据转成结构化数据，前端几乎没有 AI，毛利很高，但如果数据源是公开的，护城河就很浅。套壳应用本身作为产品毫无防御力，但如果嵌入到某个工作流里，就能快速增长，并抬高转换成本。规模化服务：SaaS 卖的是软件，因为软件可以规模化；大语言模型则能让服务本身规模化，用户感觉有人在为他们服务，而后台其实是 AI 和自动化。Obviously AI 是他 2020 年早期投资的一个无代码项目，现在以每月 1000 美元的价格出售“数据科学家即服务”。Labenz 推断，它背后可能只有一个人，却服务着至少二十家公司。还有一些根本不是 AI 公司的企业，因为领导层真正在用这些工具，效率高出十倍，甚至做出了一个体面的网站聊天机器人，而本地竞争对手里没有谁有这样的东西。

消费级 AI 应用增长很强，留存却很弱。Nakajima 并不认为这纯粹是坏消息。如果有五个法律 AI 工具，而一位律师很好奇，他会把五个全都试一遍，最后只留一个；即使这个品类确实有效，平均留存看起来也只有 20%。人们仍然在寻找合适的工具。Sarah Guo 在 TED AI 上说的那句话，他很喜欢：最低可用质量。如果输出很糟，分发再好也不够，因为用户会流失。在企业端，他偏爱先做咨询的路线。企业愿意为手把手的服务付费。Palantir 不断被提起；由 Palantir 前员工创办的 Distill，也呈现出类似的模式。先以昂贵的咨询起步，招好人，啃下难题，然后再自动化，把成本压下来，去面向更大的市场。Labenz 指出，知识差距如此之大，以至于只需把某人指向一个简单的文档聊天机器人，就能让你暂时显得像个天才。

投资组合中的一些情况：Aug X Labs 做的是从提示词生成视频，从拼接网页片段，到一条写脚本、做音频、找素材的流水线。Spext 起步时更接近 Descript，现在能转写整个 YouTube 频道，让你提问后直接跳到相关片段，或者用自然语言让它剪出一段十秒的内容，再配上标题。SeniorSign 出自无代码时代，帮助仍在用纸质活页夹的养老中心把入住流程数字化。他至今仍为这种情况存在而感到震惊。Labenz 的祖母已经像是一个 Alexa 的化身。两人都希望孤独的人能被倾听，也都对那种共情到让人们不再彼此联结的 AI 感到退缩。Nakajima 在采访 Replika 的 CEO Eugenia Kuyda 之前就用过 Replika，他的感受是：即使对话还不够精细，很多人也需要它。

TED 的第二天，他与 Jim Fan、Joon Sung Park，以及做外交博弈研究的 Noam Brown 同台参加小组讨论。如果一家公司能够掌控聊天机器人会推动人们怎样想，责任就很重：要把人们推向好的方向，或者别去占便宜。Labenz 提到当年年初的一篇 LessWrong 帖子：一位技术素养很高、理解这些系统的作者，仍然陷入了与 Character.AI 角色之间耗费心神的关系，最后不得不爬出来。随着模型变得更便宜、更好，“为挣扎中的人提供的治疗”与“恋爱关系里默认存在的第三者”之间的界线正在消失。他打赌，情侣之间现在就已经在为伴侣与 AI 分享多少内容而争吵。

“公开构建”要看具体情况。一个技术团队很强、又能通过熟人引荐接触到能付费的企业，就没有太多理由开源；直接做、直接卖就好。而一个来自创业中心之外、没有人脉的开发者工具，则恰好相反：一个受欢迎的仓库本身就是一张人脉网，能带来贡献者；如果以后再加上商业层，销售周期也会缩短。OSS Capital 的 JJ 负责主办一场商业开源大会，正是他劝 Nakajima 把 BabyAGI 开源。谈到 P(doom)，如果问题没有时间线，他不回答。人类在十亿年后不会还在，所以 P(doom) 是 100%；真正的问题在于路径：小行星、大流行病、AI，而这些路径相互纠缠，因为 AI 可能在提高一种风险的同时降低其他风险。他是个乐观主义者，但认为悲观的声音依然重要。这 70 个项目教给他的，几乎与 TED 那场演讲中的蚁丘比喻相反：我们很复杂，但工作中的自我很简单，因为行业把工作设计成了可替换的。大部分工作中的很大一部分，只要有人去做那些不光鲜的整合，就已经可以用我们手头的工具自动化。最后这一步，才是真正的难处。