本文来自微信公众号：险峰创，作者：险峰，对话嘉宾：王龙（矩阵起源CEO），原文标题：《多元宇宙与时间管理局：和矩阵起源CEO王龙聊AI落地的另一种可能》，头图来自：AI生成
访谈开始时，受访人正赶往机场的路上。
作为一家横跨中美的 AI 数据公司创始人，王龙每年要在太平洋之间飞上好几趟，前硅谷&国内云厂商高管经历，也让他对两边 AI 圈子的最新进展如数家珍。
于是，见缝插针的一个小时里，我们聊了聊几个当下最火的话题：小龙虾、AI焦虑和SaaS末日论。
当10万亿只小龙虾开始协作，AI 是否会诞生自己的多元宇宙与时间管理局？
一、为什么美国没出现小龙虾热？
险峰：为什么美国没有出现OpenClaw小龙虾热？是不是因为国人的AI焦虑更重一点？
王龙：美国不是没有小龙虾热，而是没有国内这么热，不会夸张到连家庭主妇和退休老人都在讨论养龙虾。
究其原因，我觉得主要是两边文化差异和技术生态的不同。
美国的技术社区更集中，对技术理解更有延续性。硅谷文化里，对专业人员和技术大牛是非常尊重，甚至狂热崇拜的，但这种崇拜一般限制在自己的领域内，非技术人员不会关心和参与太多技术的讨论。
AI工具的发展其实是一个循序渐进、不断迭代的过程，其实早在2024-2025年，支撑小龙虾的关键技术就已经出现并快速发展，比如工具调用tool use / function calling，任务规划反思planning / reflection，记忆持久化memory persistence、长任务long horizon等，OpenClaw的真正价值是把这些AI能力组合在一起，以消息网关gateway的形式和人们日常工作生活的入口（telegram、whatsapp）集成起来，大幅降低了在桌面使用AI的门槛。
所以当它去年11月出现后没多久，美国主流技术圈（也包括我们）就注意到了，觉得挺好用、也很有启发，但小龙虾在美国并没有流行到技术圈外。
但国内情况完全不同，我讲尖锐一点，国内缺少原创AI技术意见领袖，很多技术创新都是通过自媒体追随海外热炒起来。大多数自媒体以流量为核心目标的，技术深度不足，只能听别人讲，人云亦云，放大情绪制造话题，一方面这样确实很容易破圈，另一方面也容易造成很多潜在的安全问题。这种全民热潮给了很多人错觉，以为这项技术是从天而降，一夜之间就冒出来，这导致两边的体感是完全不一样的。
无论如何，不管国内国外，AI焦虑确实也反映了一种社会思潮：K型复苏是一种全球现象，今天硅谷也在普遍降薪裁员，人们的实际体感普遍是往下走的，普通人看不到其他出路，需要一个东西来寄托希望，AI毫无疑问扮演了这个角色。
站在资本角度，中美两国都在 AI 基建上投入了大量资金，这些钱最终都要有所回报；此时如果出现一个 AI 应用，拉低了使用门槛，让普通人也能参与，还能带来无尽的资本想象空间，自然会有一群人带着FOMO情绪冲进去。
小龙虾的出现，完美契合了这两种思潮，找到了最大公约数。
从底层技术角度讲，我并不认为小龙虾有多么伟大的技术创新，可能当前也不会给普通老百姓带来什么实际的价值 —— 在技术圈眼里，我们很清楚它的能力边界在哪里。
不过从商业模式角度，小龙虾确实创造了更多可能性。它降低了普通人参与技术的门槛，进一步的实现技术平权化，文科生也能进入开源项目排行榜就是个证明。从历史经验来看，很多意想不到的模式创新，也是跨行业做出来的，让我们拭目以待。
所以对于小龙虾过热的问题，我持中性态度，从现实来看，它确实存在很多问题，但从社会角度，还是值得鼓励探索的。
险峰：很多人也调侃，小龙虾本质上是一个大号的木马软件，区别在于前者是你主动安装的，你认为未来它的安全性该如何解决？
王龙：现阶段没什么好办法，给的权限太少，小龙虾就干不了什么事，但给的权限太多，风险又很高。
所以有个很有意思的现象，就是豆包手机基本没人用，但小龙虾却火出了圈。我认为主要原因是电脑不是现在最核心的隐私数据载体，相对没那么敏感，但如果要把手机权限让渡给AI，大部分人本能上都是不敢的（当然，小龙虾基于后台CLI/API的默认操作电脑方式也容易让人低估其安全隐患。）
所以本质上，第一批小龙虾用户是承担了各种数据安全方面的风险，去换取工作效率的提升。就我个人而言，判断小龙虾是否安全，需要懂基本技术原理的人根据场景做不同的取舍。
很明确的是，小龙虾确实可以承担大量的离线任务，比如你睡觉或者不方便操作电脑的时候，可以让它去做一些长链条的工作，那么哪些工作是需要大量长时离线操作，且在电脑端更方便完成呢？
一个是多来源内容（自媒体或者情报）的复杂分析、处理和整理，另一个是AI编程，都能明显看到小龙虾的价值。
这两个场景，要么是对准确度要求不那么高，要么是有非常高效的、AI能够集成的评测和验证机制，比如编译、运行、测试等都有明确的成功/失败信号以及准确的日志。
但对于大部分移动端场景 —— 比如让小龙虾帮你打车，这种实时性的简单任务，点几下手机就能完成，完全没必要使用小龙虾。至于整理邮件文件夹，单体Agent也是可以的。
险峰：有个比喻很有意思，小龙虾很像早期的魔兽编辑器，普通人也能用它做出一个简单的小游戏，获得不错的成就感，但如果你把作品发到游戏社区，马上会被各路大神秒杀，等到澄海3C和dota出现后，个人开发就变得没有意义了。
很多社会实验也都指向了同一结果 —— 虽然我们都标榜个性，但每个人的行为其实挺趋同的，从这个角度来说，未来AI工具是否也被标准化、模块化？
王龙：小龙虾提供了 AI 应用在桌面落地的一种可能。上世纪90年代，第一批桌面应用比如Office和游戏带动了PC和Windows的普及。而小龙虾也有可能会成为 AI 时代的 Office和游戏，只要装机你就需要它 — 当然未来的小龙虾会不会是另一种模样也很难说。
至于标准化问题，我持相对谨慎的态度。以我在AI行业十多年的经验来看，AI 的核心优势之一就是能提供更好的个性化服务，死板僵化的追求标准化是费力不讨好、逆时代的。我们需要用另一种思路和AI相处，这也是这么多年来我们在探索和实践的产品理念。
谷歌大脑创始人 Jeff Dean 最近有一篇访谈（《概率性执行的 Agent 时代，Infra 必须重塑》），我认为他讲的特别好 ——整个AI行业其实都还没准备好。
过去50年，整个数字世界都是构建在“确定性”基础上的，比如你买一台GPU，它的算力是多少，在买的那一刻就已经确定了，所有性能参数都是可量化的；软件也一样，Oracle（甲骨文公司）的最大卖点就是能提供稳定运行的服务器，你的数据只要存在他的数据库里，就（假定或者预期）永远不会出问题。
换言之，我们一直希望通过各种冗余设计、容错机制，构建一套坚不可摧、100%可靠的系统，这是过去所有IT架构的追求，也非常符合人类对操控感的本能需求。
但 AI 时代一切都不一样了，Transformer 架构本质是个概率模型，输出结果是从统计学、概率学延伸出来的，这决定了 AI 一定是不确定的、有概率的。
当然，你也可以说这是幻觉，但本质上，这不是一种技术缺陷，而是 AI 的核心特性，如果我们还按照“确定性”为目标，那它可能永远都不会可靠。
今年爆发的一些智能体产品，比如“小龙虾”，还是集中在C端产品上。原因很简单，C端的风险是由个人承担的，就像抽卡、玩游戏，是在为情绪价值买单。作为个体，我们是愿意去承受AI的不确定性的，但企业不一样，最有价值的核心流程是无法承担这种不确定性的。而且即使能接受，单步任务准确率在长链条任务中的乘积效应，也会导致指数级的token消耗增长。
所以，今天摆在企业AI从业者面前的问题是，怎样用“不确定性”去构建一套新的IT构架，如果还在用过去的思维，去思考未来的软件是什么样子，很有可能注定是失败的。
这方面我和 Jeff 的观点是一致的（当然他表达的比我好）—— 事实上，这也是过去两年来我一直在思考和工作的重点。
二、多元宇宙和时间管理局：当10万个小龙虾开始协作
险峰：非常丝滑聊到了咱们的产品，矩阵起源（MatrixOrigin）的核心技术叫做“AI 原生超融合数据底座”，能不能用一句话介绍一下？
王龙：一般有两套话术，对非技术人员我会说，我们是为未来的万亿级智能体准备的数据底座，支持AI应用开发的全新范式；对技术人员我会说，我们是一个AI原生的多模态数据智能平台MatrixOne Intelligence，把存储、计算和AI能力集成在一个系统中，同时支持结构化、半结构化、非结构化数据管理，以及HTAP、流、向量和时序型的工作负载。
险峰：我也问了几个 AI，让它们给咱们的产品做个类比，得到以下几个答案，你觉得谁哪个更贴切？
1、中央厨房（统一洗菜、切菜、加工最后送到AI大厨手里）
2、瑞士军刀（一把军刀搞定所有场景）
3、变形金刚（一辆车随时变轿车、货车、巴士、跑车、装甲车）
4、智能收纳柜（统一调度、智能分配）
5、共享快递站（公有云、分布云、边缘节点灵活调配）
王龙：我觉得都对，只是在不同场景从不同角度来看这件事而已。如果用传统应用的场景，对比其他数据库的角度，我常常说我们想做数据库领域的iPhone。
但对于今天AI时代的智能体开发场景而言，我自己最喜欢的一个比喻是“多元宇宙”的管理平台。
回到Jeff Dean的文章，如何确保概率性执行的 Agent智能体能够提供满意的决策？一种解法，多次尝试通过博弈或者投票找出最优答案。另一种解法，确保每次任务可追踪可分支可恢复可重试，这样可以确保没有灾难性后果的情况下，逐步逼近完美答案。
现在Agent智能体的能力和表现，很大程度是基础模型加Context决定的。Systems of record (SoR)、知识库/记忆、提示词、也许还有思维链，这些构成了智能体的核心Context。 也就是说，天生能一站式管理和使用Context的MatrixOne Intellience，如果具备支持两种解法的能力，就会成为智能体开发的AI原生底座，这也许就是Jeff Dean所说的全新IT架构。
那么，我们能不能针对一个请求，用一万个AI，每个 AI 问一万次，最后从所有答案里挑出最好的，或者让这一万个 AI 投票，选出最优答案？ 最终保留MOI上产生最优答案的那个Context（数据），而放弃其他的Context。
或者，我们能不能针对一个请求，使用一万个AI依次执行任务，每一次都Snapshot当前的状态，然后用第一种方法找到下一步的最优答案？ 如果结果不满意就rollback回滚重试，直到满意merge为止。
传统系统显然是无法（至少从成本和耗时上）支持这种需求的，所以新的时代需要有一套新的系统，能低成本高性能低延时的把所有结果对应的Context都记录下来，最终从里面选出一个最好的，这是我们构建AI原生的MOI平台的核心理念。
险峰：听上去有点像奇异博士？能看到 14，000，605 种结局，最后从里面选了唯一能赢的可能性。
王龙：是的，如果我们把每一个智能体及其每一次执行的结果都想象成一个宇宙，每执行一次，就是一个新宇宙。而MOI上的Context管理，就是去选择一个最满足当前需要的宇宙。每一次branch，就会产生一个新时间线。而每一次merge，都是为了主时间线上的世界更好。
举个例子，我们有个客户，某国产芯片大厂，员工有两万人，这两万人每天要生成各种各样复杂的文档（比如通图纸、表格以及各种PDF），企业提出的需求是，用 AI 识别整理这些文档，自动生成新文档后，再分发给下游环节。
但问题是，在不同的场景下，大家对这份文档的理解是不同的，即便同一个场景里，不同用户（比如设计部、生产部或人力资源部）对这份文档的需求也不一样；理论上，AI 应该根据不同需求，个性化生成每个人的专属结果，这才是它的价值所在。
但公司有两万人，不可能每入职一个新员工，AI 就从 0 开始，为这个人把所有文档全处理一遍，成本太高了，所以我们的做法是，在整条处理链路中做分支，像多元宇宙一样，每个新用户进来，我们会根据他的具体情况和使用场景，决定要不要做分支，以及从哪个节点开始分支。
如果这个新分支能用，我们就会保留它；如果和其他某个分支差不多，我们就会合并；如果有人觉得这个分支没用，直接删掉就行，我们把这叫做 Git for data，Git for memory 或者 Git for state。
再往前推一步，想象下未来的企业，假设有1000个员工，每个人会有100个 AI 智能体助手，或者100个小龙虾，那么一定会产生大量的智能体之间的交互执行，这种情况下“多元宇宙”又会多好几个数量级。
你看今天这些智能体社区，AI 彼此间 99%都是废话，是对人类世界没用的内容，用一家公司来做比喻，相当于所有的 AI 员工都是放养状态，没有人进行管理，存在大量浪费。如果让智能体的所有行为、所有操作，都能被记录、被审计、被回滚，那么这个智能体社区就能按我们需要的方式进化。
险峰：所以你们提供了一个 AI 员工的管理工具，无论最后哪个 AI 胜出，都能帮用户解决数据相关的问题？
王龙：是的。我们没办法直接评测出哪个 AI 是最好的，或者哪个结果是对的，这需要用户提供能够验证的评测标准。我们能做到的是，在 AI 创造一万种可能性时，成本最低、速度最快，且所有的可能性都能被准确的控制。
如果你看过漫威美剧《洛基》，我们希望扮演的角色就是里面的“时间管理局”（Time Variance Authority）。
它的职责是监控时间线(timeline)，发现时间分支(branchtimeline)，修复时间异常(variance)，删除不该存在的时间分支。
For All Time. Always (为了所有时间，永远如此)
三、AGI，哪些共识在收敛？
险峰：但你们这种平台性产品都是大厂最重视的领域，一旦你们成功，大厂会不会抵制或者copy你们？
王龙：一旦你的业务侵犯到大厂的边界，他们肯定会针对你，要么收购，要么自己抄一个，这是必然的。
在我们这个领域的大厂Snowflake和DataBricks ，都收购了一堆创业公司，主要就是干两件事，一是补齐各自数据存算能力上的短板，能覆盖更多场景。二是增加更多的支持AI训练、推理和智能体的能力，在面对未来场景时不会落后。
所以很多创业者会找一个大厂不在意、不愿意投入的细分领域寻求突破，因为大厂的OKR要求高，机会成本大，不太会进入太小的领域。
但我们从一开始走的就是另一条路，我们要比大厂更能忍受寂寞，更能承担风险，要能提前布局长期坚持，用时间换取未来发展的空间。
如果几年以后，我们假设的万亿智能体真的出现了，大厂可以来抄，可以来追赶，但我们已经在这条路上思考和反复打磨了六七年。在实际场景中积累的丰富经验，积累下来的知识、模型、产品甚至智能体，都会成为我们的竞争壁垒。
险峰：如何看待现在硅谷的AI恐慌论？未来 AI 会完全取代 SaaS 吗？
王龙：我觉得要看类型，纯工具型没粘性的 SaaS 基本上都会死，比如修图，直接把图丢给AI就好，再比如一些基于公开数据的情报系统，只要有钱和算力，企业自己就能搭一个，也不需要 SaaS。
但拥有客户和用户数据的 SaaS 一定会长期存在 —— 因为这些数据，本质上是多元宇宙里那个被选定的宇宙，它记录了这个物理世界的信息，它是数字世界和物理世界的接口，这个接口会永远存在，它的价值不会消失。
如果你培养一个AI，跟物理世界完全没关系，那你培养它干什么？只能用来打游戏。
险峰：今年大家在 AI 领域达成了哪些共识，有哪些认知上的变化？
王龙：今年在AI领域，一个明显的变化是，关于AGI“能不能实现”的争论减少了很多。
去年七八月，大家还在热烈讨论AGI是否可能出现，现在一个重要的转变是大家逐渐意识到 AGI 的定义本身可能很难被统一，不确定性本身是长期存在的。行业开始从试图“达成一致”，转向接受分歧、接受多路径并存。
与此同时，各个厂商都在提出自己的理解和标准。不同的技术路径、能力边界和应用场景，都会导致对 AGI 产生不同的理解。某种程度上，这已经不只是一个技术问题，而更像是一个哲学问题。
不过，随着小龙虾这样的关键进展出现，行业整体对 AGI “可以实现”这件事变得更加乐观。在很多场景下，分歧不再是“能不能”，而是“还需要多久”——有人认为是5年，有人认为是10年，也有人认为是20年，但大的方向已经相对明确。
在这个共识之上，大家也逐渐形成了对未来企业形态的判断。越来越多的人认为，企业中会出现大量“智能体员工”，它们不再只是工具，而是会成为组织的一部分，承担具体工作职责，成为企业运转中不可或缺的组成。
当然，从技术层面来看，仍然存在关键的不确定性。比如，大模型所依赖的Transformer架构，是否是通向AGI的终极路径，这个问题目前很难回答。因为它已经不只是工程问题，而是牵涉到更底层的认知——例如人类大脑是如何工作的、智能的本质是什么、机器是否必须模仿人类才能实现智能？这些问题至今仍没有清晰的答案。
四、“以后所有的投资人都是天使投资人”
险峰：矩阵起源所在的AI Infra领域，对未来的方向有共识了吗？
王龙：我觉得 Jeff 那句话很重要——我们其实还根本没准备好。
至少在Data相关的AI Infra领域我们还有两个大的问题没有回答。一是未来AI原生的企业，成千上万的人与AI的共同工作模式是什么样的？ 二是支持这些智能体的AI Infra，会不会和过去有巨大的不同？
矩阵起源有自己对未来的假设和坚定的信仰，那就是未来一定会有万亿Agent协同工作，我们的产品一直围绕这样的未来来做设计和技术创新。
现在智能体的数量其实还非常少，一个普通用户，日常可能也就用一两个AI工具，所以当前我们的核心价值还没有最大化体现出来。但如果未来AI原生企业真的如同假设的那样成为现实，成千上万的智能体开始彼此沟通、协作，形成一个复杂系统的时候，就会成为我们的最大机会。
这个时代什么时候会到来，说实话我也不确定。无人驾驶在2014年就已经被提出，但到今天最好也就到L4级别。AI的发展也类似，现在企业内的智能体大致还处在L2左右。
但我们愿意耐住寂寞，也愿意承受风险，等待那个场景的到来 —— 创业本来就不能等到路径完全清晰再入场。
险峰：你对 AI Infra 的投资人有什么建议？
王龙：这里我可以说一个相对激进的判断：未来企业融资，可能很多情况下只会停留在天使轮。换句话说，所有投资人都会变成“天使投资人”。因为AI会极大地加速商业循环——一个或者几个天才带着一群AI，就有可能以之前十倍百倍的速度计划和发展。
在这种情况下，拿完第一笔钱之后，很多公司不再需要多轮融资，甚至不再愿意融资，就可以直接走向上市，最近流行的OPC（一个人公司）概念就是由此而来。另一方面，我也不认为人人都可以做OPC，创业的风险并没有因为迭代加速就降低，创业成功率也不会因为有 AI 加持就提升。
但是从这个角度看，那些不愿承担风险投资人，未来可能会越来越难获得机会。AI发展的速度太快了，当你觉得一个项目“已经很靠谱没什么风险”的时候，很可能已经轮不到你参与了。风险投资中的“风险”的含义，与以往大不相同。
在一个不确定的时代，提前构建不确定性的基础设施，就是确定性的机会。之前“投不确定性、投非共识、投创始团队”的天使投资习惯，可能会逐渐成为新的所有一级市场投资共识。
本文来自微信公众号：险峰创，作者：险峰，对话嘉宾：王龙