马丁·卡萨多："AI是首个接管人类思考的抽象层"

他举的例子是软件构建工具Makefile。使用Makefile时，只需定义最终产出应该是什么样子，剩下的过程交给系统自行处理——他说，这正是现在使用AI的体验。但两者有一个关键差异：以往的抽象层无论往上叠加多少层，底层发生的事情始终能够以确定性的方式被追溯。而向AI提出问题、等待答案的过程则不同，计算需要多长时间、答案是通过什么路径得出的，都无法被清晰描绘出来。卡萨多在与a16z的访谈中说："只要用合适的措辞向模型祈祷，最终总能得到一个有用的答案。"

半个世纪堆叠起来的层，这次为何不同

卡萨多说，自己整段职业生涯都是在把计算堆栈一层层往上搭：编程语言叠在汇编语言之上，操作系统叠在硬件之上，云计算叠在服务器之上。但所有这些层有一个共同点——无论往上叠加多少层，最终都能以确定性的方式反向映射回底层系统。在他看来，互联网或搜索引擎也没有真正超出人类定义问题这一角色。而他反复强调的重点是，眼下AI身上发生的事，跟这条脉络截然不同。

项目	传统计算抽象层	AI抽象层（卡萨多的判断）
人类交出的内容	计算、网络、存储	推理与逻辑本身
结果可预测性	可以确定性地映射到底层	知道最终状态，但到达路径不明
计算时间	大体可以估算	难以设定边界
类比	上层能精确映射到下层	就像Makefile，只需定义目标，其余交给系统处理

相似的问题，不同的角度

"AI是否真的在思考"这个问题，并不是只有卡萨多在问。我们此前报道过的数学家们的判断，指向的也是相似的方向。菲尔兹奖得主蒂莫西·高尔斯（Timothy Gowers）和数学家彼得·萨尔纳克（Peter Sarnak）认为，LLM擅长组合已有方法、探索多条路径，却缺乏在庞大搜索空间中挑出有效路径的直觉。谷歌DeepMind的Tom Zahavy在论文《LLM无法跳跃》中也得出了相似的结论。卡萨多所说的"像祈祷一样把思考交出去"，和数学家们所说的"无法产生新想法的计算器"，说到底是同一种现象，只是从不同的位置被观察到而已。

编辑视角

卡萨多这番话真正有意思的地方，不是"AI不一样"这个结论本身，而是他得出这个结论的方式。他本来想把AI说成是计算堆栈上顺理成章的下一层，可说到一半，自己就转向了"这次真的不一样"的立场。以往的层——无论是编程语言还是云计算——即便往上叠加，也能反向追溯出计算的时间和路径；而一旦把工作交给LLM，这种可追溯性本身就断掉了。这不是风险投资人惯用的说辞，而是只有亲手设计过系统的人才能说出的观察。

这件事值得在实务层面细细琢磨的地方也很明确。现在不少团队把工作交给AI智能体，心里期待着某种结果，但要控制得到这个结果所需的计算时间或中间路径，目前还没有靠得住的办法。把一个批处理任务交给智能体，是5分钟就能完工，还是要花上50分钟，中间会不会跑偏到不相关的路径上，这些都很难预测。企业在把智能体型AI接入业务流程时，不能只看结果的质量，更该先定好自己能容忍多大程度的路径不确定性。越是格式固定、重复性强的工作，这种风险就越小；越是需要判断力的工作，风险就越大。

预计未来几周内，这场争论还会继续发酵。随着智能体自主制定计划并执行的案例越来越多，认同卡萨多这一判断的人——即结果可预测、过程却无法预测——也会随之增多。