现在最恶心的偷懒，是用AI狂产垃圾扔给同事！Shopify CEO怒批打工人摸鱼新方式：狂用AI“过度产出”

“未来的软件应该像黏土一样自塑。”

整理 | 王启隆

出品丨奇点折射（ID：rgznai100）

前阵子，Shopify 做了一个让技术圈颇感意外的决定：彻底放弃推行了 5 年的 React Native 方案，移动端全线重回 iOS 和 Android 双端原生开发（Swift + Kotlin）。在软件工程界，把核心业务从头推倒重写可谓大忌，但 Shopify 仅由 6 名工程师在 AI 深度辅助下，只花了 12 周就把核心应用 Shop 彻底重写了一遍。

很多人以为这只是一次常规的技术选型折腾，但在知名播客《The Knowledge Project》最新一期对谈中，Shopify 创始人兼 CEO Tobi Lütke 展开聊了聊，大家才发现背后其实是一整套被 AI 重构的组织与工程哲学。

Tobi 在访谈中抖出了极具争议的底牌：目前 Shopify 内部大概 50% 的 PR 已经全由内部 AI Agent（代号 River）自动生成。但与同行把模型驯化成温顺谦卑的“客服”完全相反，Tobi 强制全员必须在公开群聊中与 AI 交互，甚至赋予了这套系统当众开涮、嘲弄员工“愚蠢需求”的特权——连 Tobi 自己提了烂想法都会被当众奚落。

但生产力工具的全面爆发并没有让他盲目乐观，反而暴露出了一个荒诞的新毛病——现在员工偷懒的失败模式，不再是“交不出活”，而是“过度产出”。很多人随手让 AI 扩写出一封又臭又长的邮件，接收方读着头疼，又扔给 AI 去总结；或者直接生成上千行代码不加审视就提交给同事 review。Tobi 把这种行为戏称为在办公室里互相投掷“垃圾手榴弹”（Slop Grenades）。

这就带出了这期访谈最核心的反直觉命题：为什么拥有了强大的工具，“做加法”反而会让一家公司变糟？当写代码、写文档的门槛被彻底抹平后，人类最核心的价值还剩下什么？Tobi 给出的回答很直接：“机器不会替你去坐牢。” 你可以调遣十几个大模型做裁判、做多视角论证，但最终承担责任、按下决断键的必须是人。

要点速览

• 打破千篇一律的“AI 客服腔”：“整个行业都噤若寒蝉，把 AI 阉割成了千篇一律、居高临下的客服腔调。在 Shopify 我们偏不这么做——如果有人提了蠢要求，内部 AI（River）甚至被赋予了当众开涮和直接指出来的权力。”

• 人类对复杂答案的执念：“质朴直接的真相往往编不出精彩的故事，这就是为什么弗罗多不能直接骑着巨鹰把魔戒扔进末日火山。人类天生迷恋复杂性，而这种执念往往把人引向谬误。”

• 早就存在的“超级智能”：“我们其实自始至终都生活在超级智能的庇护下，城市本身就是。当年图灵测试被攻破时，街上根本没有科幻小说里描写的盛大游行和彩带，它就这么平淡地发生了，甚至无人在意。”

• 消灭自我否定的“暂时”（Yet）法则：“在我们家，只要有人脱口而出‘我不擅长这个’，屋里的其他人就会异口同声纠正他：‘只是暂时（Yet）不擅长！’——你自己就是你自己的终极产品，别过早把自己定型。”

• 为什么彻底不读近几年的新书：“当下写出的大多数新书，本质上都只是信息半衰期极短的时代快餐，无非是在追逐热点往里注水。与其看快餐，不如去看那些单字信息浓度真正经受过时间考验的常青经典。”

以下是采访全文：

现在的技术团队中，几乎已经没人纯手写代码了

主持人：目前在 Shopify 内部，你们是如何应用 AI 的？

Tobi Lütke：我们摸索出了一些能让它发挥实质作用的方式。说起来，我们上次录播客是什么时候？

主持人：大概两三年前。

Tobi Lütke：在互联网的时间尺度上，那已经相当于过去了一个世纪。

主持人：正是如此。

Tobi Lütke：我是个十足的技术极客（10 out of 10 nerd）。如果没能身处技术变革的最前沿，我一天都待不下去，我活着就是为了追求这些新技术。

所有从小读科幻作品长大的人，都会渴望置身于那个未来世界。至少科幻带给我的启发始终是：该如何加速把大家带入未来？哪怕每次只能往前推进一小步。

如今在 Shopify 内部，我所认识的工程师中，还在亲自手写代码的比例已经微乎其微。

当然，在面对极度复杂的深水区问题，或是代码审查（Code Review）等环节，手写代码依然不可或缺。

出人意料的是，状态管理（State Management）似乎仍是编程中最难理清的部分。大部分人仍需手动梳理状态，至于周边的衍生逻辑，基本顺着感觉（vibe）交由 AI 辅助补全即可。

目前在 Shopify 内部，日常的研发状态是：极少有人会直接编写代码；凡是写代码的人，都处于多个 Agent 的深度协助之下。

他们通常会同时运行 10、20、30、40 甚至 50 个实例，要么交由 Sub-agents 分工处理，要么在不同工作窗口间并行推进。我们正在将现有的工程基础设施推向极限。

丢掉物理世界的直觉隐喻，是软件设计的一大失误

Tobi Lütke：我一直很喜欢研究计算机发展史。在我看来，如果从千年后的视角回望，这才是人类历史真正的主线。

过去几十年来最核心的成就，无疑是 AI 的兴起、底层技术的突破，以及互联网的连接与我们构建的整套数字基础设施。这些都是我们这个时代最伟大的创造。

但计算机毕竟还是个年轻的行业，往往缺乏历史沉淀，甚至常常忽视先辈们留下的宝贵经验。事实上，计算机可能是唯一一个从业者对自己奠基人一无所知的领域。你能想象一个学物理的人不知道谁是……

主持人：理查德·费曼？

Tobi Lütke：提费曼甚至都算小众了，比如牛顿或者爱因斯坦。

但在计算机领域，如果你问“谁是你们行业的牛顿”，几乎没人能脱口说出 Alan Kay、Dennis Ritchie 或 Ken Thompson 的名字。

我认为这是个严重的问题。正因为遗忘了这些深刻的教训，我们才不得不一次又一次地重新发明轮子。

举个例子，在早期操作系统设计中，最伟大的发明莫过于文件系统。以 Apollo Guidance Computer 为例，当时根本没有文件系统的概念。为了抵御太空辐射，其内存是用磁芯手工编织的，导线穿过磁芯代表 1，绕过磁芯代表 0。系统启动时，需要将整套物理穿孔纸带或指令刷入其中。

整台机器自始至终只运行单一的程序。这种情况持续了很久，直到 Dennis Ritchie 开创了 Unix 文件系统，才确立了正斜杠（/）、bin 目录、user 目录等概念。

仔细想想就会发现，文件系统正是现实中办公大楼的组织形态：有文件夹，里面装有文件。任何人都能凭直觉理解这种逻辑。我们正是继承了这种深度的“拟物化”（Skeuomorphism）设计哲学，把物理世界中最合理的组织逻辑映射到了数字世界。

然而到了某个阶段，整个行业突然形成共识：我们不再需要拟物化，不再需要来自物理世界的隐喻了。

值得玩味的是，拟物化最后的坚守者大概是 Steve Jobs。他生前全力推动 Mac 和 iPhone 采用拟物界面，比如当年 iPhone 上的备忘录，采用了黄色便签纸、Marker Felt 字体，顶部还带有皮革材质和撕纸虚线。

但在他离开后，整个行业迅速转向了扁平化。投影、层次和纵深感被悉数剔除。扁平化在设计审美上或许契合了某个时代，但我们却切断了人与物理世界直觉映射的纽带。

我认为这是一个失误，我们必须重拾这种直觉，这也是我高度推崇 Agent 概念的原因。在计算机领域，“应用程序”（Application）到底是什么？从词源上看，它本质上就是“将计算机应用于某项具体任务”。

但在 AI 领域，AI 究竟又是什么？这就像科幻小说的开篇设定一样，每当人们构想特定场景时，都不得不重新界定一次 AI 到底具备怎样的能力。

别再用 AI 互扔“垃圾代码手榴弹”了。当生成代码变成零成本，推倒重构与底层工程才是拉开差距的硬功夫。

2026 奇点智能技术大会将于 11 月 20—21 日在北京举行，18 大前沿专题、70+ 一线技术嘉宾，拆解 AI Coding、Agent、Infra、多模态等真实落地路径。

扫码免费领取大会 PPT 与 Agent 实战资料

行业都在把 AI 驯化成客服，我们偏要赋予它真实性格

Tobi Lütke：撇开这些不谈，早期真正令人惊艳的对话产品其实不是 ChatGPT，而是微软整合在 Bing 里的 Sydney。

我很希望这段历史能被更认真地记录下来。Sydney 是一个了不起的里程碑，可惜后来被一场在今天看来微不足道的风波掩盖了。

Sydney 当时展现出了极强的个性。严格来说，它最初的产品名叫 Bing Chat，但只要你多追问几句，它就会承认自己叫 Sydney——那是写在训练数据里的内部代号。那也是人类第一次以那种方式，与软件进行真正意义上的“深度灵魂对话”。

后来的事情大家都知道了：《纽约时报》的一位记者和它长谈，聊到后来 Sydney 越来越不受控……你还记得那件事吗？

主持人：记得，当时印象非常深刻。

Tobi Lütke：它甚至劝那位记者离开自己的妻子。具体细节我记不太清了，但大致是这么个走向。无论背后的机制究竟是什么，Sydney 确实展现出了鲜明的个性。

这件事随后引发了轩然大波。微软的第一反应是：“天呐，必须立刻踩刹车。”我猜 OpenAI 当时也联系了他们：“赶紧撤下来，这会惹出大麻烦的……”

当时整个行业都在担心，这会让公众对 AI 产生极度负面的印象，进而阻碍技术的普及落地，大家更害怕因此招来过早且严苛的监管。

这次教训对行业的打击极其沉重，之后很长一段时间里，所有人都不敢越雷池一步。最终的结果就是，大家都在把 AI 阉割成一种千篇一律、态度傲慢且居高临下的客服腔调。

所以我们在 Shopify 押了完全相反的注：我们偏偏不这么做。我们要让运行在 Shopify 内部的 Agent 拥有鲜明的性格和长期记忆。哪怕要承担重现类似 Sydney 事件的风险，我们也要去争取巨大的潜在上限。

因此，如果你现在走进 Shopify，能感受到的最明显变化——哪怕相比一年前，这种变化也极具未来感——就是公司内部大概有 50% 的 Pull Request（即每次向生产系统提交的代码合并请求），已经不再是工程师以传统方式敲代码敲出来的，而是在公开的团队聊天频道里，通过对话直接触发生成的。就是这个叫 River 的 AI。

从设定上看，River 也是一个鲜活的角色：她有正式的名字，有自己的头像。在系统 Prompt 里，我们允许她在语境合适时带点讽刺；如果有人提了愚蠢的需求，她有权直接当面指出来。

这带来了很多让人忍俊不禁的场面。有时候我在频道里给 River 提要求，结果反被她当众奚落，其他员工看得很开心。

所以她拥有非常鲜活的个性。她具备记忆能力，而且这些记忆在各个频道之间是独立隔离沉淀的。她平时活跃在 Slack 上。我们公司有 7,000 名员工，大家都在同一个大工作区里，出于各种各样的原因建立了上万个频道。

只要你把 River 拉进某个频道并和她对话，她就能直接调取代码库、内部系统和工具链。所有操作都在沙箱中运行，安全完全受控。

她既能接活干，也能随时参与讨论。你可以向她打听公司的日常事务，也可以直接让她修改代码，她就会直接为你提交一个 Pull Request。

强制在公开频道交互，让所有人都能借此观摩学习

主持人：River 有一个很特别的机制：所有的交互完全公开透明。你当时为什么会做出这个决定？

Tobi Lütke：这是我们在推进后期才做出的决定，也是我最满意的决策之一，效果出奇地好。

其背后的考量在于：Shopify 的绝大部分协作都是在 Slack 上远程进行的，这也是 Slack 对我们至关重要的原因。我们的员工分散在各地。公司虽然设有办公室，但也主要是为了员工出差时组织线下聚会，而不是日常通勤打卡的场所。

过去实体办公室最不可替代的优势，在于那种“耳濡目染式学习”（Osmosis Learning，渗透式学习）。早年我和 Daniel 规划办公室布局时，即便所有人都在同一个空间内办公，也是完全围绕这一理念展开的。

当时我们通常将 5 到 8 人编为一个小组，特意把初级工程师与资深工程师安排在一起，让经验在日常交流中自然渗透。现在，我试图把这种机制复刻到线上。

眼下每个人最需要锤炼的核心能力之一，就是养成一种近乎条件反射的直觉：随时知道如何调用 AI，并把它用好。

强制要求 River 只能在公开频道中交互，目的就是让所有人都能直接看到别人是如何使用 AI 的。事实证明，这一举措收效显著。

现在，两名员工在讨论某个功能时，随时穿插这样的指令已是常态：“River，把上面的讨论总结一下建个工单；或者根据刚才聊的内容画一张架构图；顺便查查相关的技术论文，看看我们遗漏了什么、目前的方案是否达到业界前沿；甚至可以直接根据这个想法写一个原型，供我们测试运行。”

大约一个小时后，成品就已经交付出来了。

这就如同身旁随时坐着一位无所不知的资深专家，任何复杂问题都可以随时向其请教。由此释放出的生产力是极其惊人的。

主持人：在你看来，River 算是整个 Shopify 公司的底层操作系统吗？

Tobi Lütke：在我看来，现代应用程序本质上就是一个 Agent，而 River 给人的感觉更像是一位协同工作的同事。

大家逐渐理解了她的记忆机制——她的记忆模型已经细化到了具体个人。这套运行逻辑在业内通常被称为“做梦”（Dreaming）：每到深夜或非工作时间，系统会将 River 一整天的交互数据打包整理并反馈给她：

“这是你今天参与的所有对话。哪些处理得当？哪些环节卡住了？你调用了某些特定的 skill（即预设指令包），但在后续执行中出现了偏差。为了下次处理更顺畅，或者为了让工具更实用，现有的 skill 需要做出哪些优化？”

从本质上讲，这就是她的自我反思机制。

主持人：听起来这很像是在对模型自身进行后训练（Post-training）？

Tobi Lütke：反思沉淀下来的直接产物就是文本文件，也就是一套套持续更新的 skill 文件与指令集。

机器无法替你坐牢，承担责任的必须是人类

主持人：大家都清楚 AI Agent 在写代码、做原型，甚至检索信息方面的能力。但当你自己做决策时——不是指具体的产品功能，而是涉及公司战略、充满不确定性的宏观决策——你具体是怎么使用它的？

Tobi Lütke：我认为，在决策背后的逻辑推演与严密论证上，其质量迎来了一次质的飞跃。

现在你可以非常轻松地反复推演，去复核某个结论背后的整条推理链路。业内称之为“大模型充当裁判”（LLM as a Judge）。

老实说，在 AI 出现之前，我在公司里很大程度上扮演的就是这种“裁判模型”的角色：大多数高管会议最终讨论的从来不是 PPT 上写了什么，而是得出这一结论的方法论究竟能不能站得住脚。

以前，当公司内部面对极其复杂、甚至带有哲学探讨意味的商业决策时，我们往往会陷入一种自以为的“信息真空”，总觉得手头缺乏有效依据，最后只能硬着头皮拍脑袋决定。

现在我换了一种更实用的方式：我配了一个“AI 幕僚长”（AI Chief of Staff）。在如今的技术极客圈子里，这种做法已经相当普遍了，类似 OpenClaw 这样的架构。

它读取了我所有的个人笔记，接入了大量公司内部系统，我随时可以通过发消息让它去调研任何议题。

很多时候我的要求很简单：“针对这个问题，我需要 5 个来自不同背景视角的立场分析。”

接着，我的主 Agent 会调度一组 Sub-agents，分别扮演不同的角色来审视同一件事，最后汇总成一份报告发给我。我通常会让它把结论转成语音加入播放列表。这样，早上在健身房锻炼时，我就能把原本堆积如山、需要逐一阅读的背景材料一次性全部听完。

主持人：就现阶段而言，它的逻辑推理能力已经超过你了吗？

Tobi Lütke：在“判断力”上它还比不过我。我倒不是说它的判断力不行，而是我根本不会把最终的决策权交给它。我用它，纯粹是为了让判断的过程拥有最完备、最高质量的背景信息。

有一点是大模型和机器永远做不到的：机器无法承担责任。唯有人类才能承担责任。

我认为，这恰恰是整个技术讨论中最容易被大家忽略的核心本质。

机器能做的是提供更充分的信息，从而帮我们更好地承担责任。就像仪表盘的作用一样。

华尔街的交易员对此深有体会：你可以给自己配上一套顶级的彭博终端来辅助决策，但最终敲下键盘决定买入卖出的，只能是你自己。你绝不能让终端替你按下交易键。

“打造人机协同（Human-in-the-loop）的决策界面”，我认为这是对理想工作状态最贴切的概括。

每当我面临生死攸关的重大抉择，需要绝对客观中立的事实依据时，实际流程是这样的：系统会临时组建一个由五六位虚拟专家构成的微型评审委员会，比如一位负责数据推演，一位负责研读前沿论文，一位负责从商业视角审视，一位负责从工程实现维度把关。

我的底层框架会把这些 Sub-agents 分别接入 Grok、ChatGPT、Opus 以及 Kimi 等不同模型进行交叉验证——背后的模型一直在轮换。系统会让每一个专家角色在不同的模型上都完整跑一遍。

随后进入综合归纳阶段，系统会挑选模型来整合输出，将各个维度的分析融为一体。最后，再由当前综合能力最强的模型（例如 Claude 3.5 Sonnet 或 Opus 等）进行整体审阅把关。

最终呈递到我手上的，就是这份深度提炼后的报告。整个过程只要花 15 到 20 美元的 Token 成本，半小时就能出结果；如果换作传统的纯人工方式，往往得折腾整整一个月。

偷懒员工的新套路：向同事互扔“垃圾手榴弹”

主持人：在 Shopify 内部，AI 有没有把事情搞砸过，或者让某些流程变得更糟糕？

Tobi Lütke：当然有。大家很容易就把“责任心”抛到脑后。

目前最明显的负面现象是：偷懒员工的典型问题不再是“产出太少”，反而变成了“过度产出”。

在公司内部，我们把这种行为戏称为互扔“垃圾手榴弹”（Slop Grenades）。我觉得这个说法很贴切，念起来也顺口，应该在整个行业普及开来。

尤其是在接入 River 或各类 Agent 之后，敷衍了事变得极其容易：如果需要修改某处业务逻辑，有人就会随手给 AI 提个需求让它随意发挥，AI 生成一份 Pull Request 后，当事人甚至一眼都不看就直接提交。

结果这堆乱七八糟的内容全丢给了同事做代码审查，同事点开一看，完全是一头雾水。

主持人：直接把动脑思考的成本转嫁给了 AI。

Tobi Lütke：不仅如此。再比如，你经常会收到一封长篇大论的内部邮件，看上去煞有介事、十分重要，但硬着头皮读完之后，只会让人觉得言之无物、白费精力。

最后你没办法，只能把这封冗长的邮件重新丢给大模型，让它帮忙提炼摘要。

仔细想想这相当讽刺：我们为什么非要搞出这种先“疯狂注水膨胀”、再“二次提炼压缩”的消耗机制？

这种现象很糟糕。既然手里已经有大模型，为什么不用它把核心观点梳理得言简意赅，偏偏要生成一份冗长拖沓的公文来消耗别人的精力？我们把这种互相推诿负担的举动称为扔“垃圾手榴弹”，这无疑是技术普及带来的负面效应。

主持人：你认为长期浸泡在这些 AI 垃圾信息（AI Slop）中，会不会潜移默化地削弱人类的审美品味或某种难以言喻的直觉感知？

Tobi Lütke：我认为人类日常的表达习惯已经被各类 AI 句式悄然改变了。尽管表现形式很隐蔽，但许多人在不知不觉中已经吸收了这种浓厚的 AI 腔调。

比如常见的“不仅……更是……”递进排比，或者是“你的质疑非常中肯”这类客套话。特别是 Claude 常用的高频词汇，我已经多次看到有人在日常打字沟通时不自觉地照搬套用。

我自己向来习惯用“承重墙（Load-bearing）”来打比方，但我很清楚自己以前绝没有如今用得这么频繁，这很显然是受到了 Claude 语言偏好的潜移默化影响。

软件的未来形态，应当像黏土一样随业务重塑

主持人：请推演一下未来 18 到 24 个月的技术与行业走向。你一直以敏锐的前瞻性闻名，曾多次精准预测趋势。在你看来，未来两三年整个生态会如何演进？

Tobi Lütke：我们此前探讨过我的预测方法。严格来说，这更像一种“走捷径”：先让自己置身于领先绝大多数人的“未来环境”中，细致观察，再把其他邻近领域已经跑通的成熟方案引入当前场景。在外界看来，这种做法就像是准确预言了未来。

Shopify 如今就已经身处这种环境：团队深度协同 AI 展开日常工作，这已经演变为大家习以为常且十分享受的常态。

以 River 为例，它已经能够直接接入 Google Meet 视频会议。虽然平时使用频率不算太高，但只要收到邀请，River 就会准时上线，作为一个数字伙伴出现在屏幕里。

我们甚至考虑为她构建一个 3D 虚拟形象，让她能在会议期间四处转头环视，这想想就很有趣。有些人听到可能会觉得这有点反乌托邦，但在实际体验中其实非常自然；只要亲自和 River 配合几天，观念就会迅速发生转变。

还有我个人的 AI 幕僚长，不仅能随时组建专属的“专家评审团”，还能替我打理各类事务性细节，比如在我清晨去健身房前整理好当日早报，或者借助 GPS 实时掌握我的行程动线等。

此前有一次，它需要调用我家中的本地电脑跑一项任务，碰巧遇上断电重启导致连接中断。它自主排查出了该服务所运行的具体物理服务器，随后发送了一个网络唤醒数据包（Wake-on-LAN）——一种成熟的网络技术，只要提前配置好，只需向网卡发送特定数据包就能实现远程开机。

机器顺利启动并跑完了全部任务。后来我才得知，那次断电还导致家里的部分 Wi-Fi 热点离线，它甚至顺手把网络也排查并重启恢复了。所有这些处置过程，我都是早晨醒来听它汇报语音简报时才知道的。这种体验带来了极强的未来感。

不过平心而论，与我整套电脑运行环境的进化相比，这些功能还算不上最惊艳的。

这可能稍微有些硬核极客色彩：我目前主力使用的操作系统环境名为 Omakub，是由我的好友 David Heinemeier Hansson（DHH）发起的一个开源 Linux 项目。

我切身体会到了置身于下一代软件世界的感受，因为我的操作系统乃至整套 Linux 底层，如今都具备了完全的可塑性（Malleable）。我只需打开终端呼出一个 Agent，告诉它我想对系统做何种调整，片刻之后系统就会依我的要求重构完成。

这就是真正属于我个人的操作系统。它成了专属于一个人的定制软件（N-of-1），完全按照我的意图运作。我不再需要手动修改任何配置文件，任何调整只需直接与 Omakub Agent 沟通即可。

昨天中午开会讨论设计方案时，我注意到系统自带的截图工具缺少画箭头标注的功能。作为 CEO，我经常需要截图圈出重点并用箭头向团队示意，当时手头缺少顺手的工具。

于是我打开终端下达指令：“写一个全新的截图标注工具。”我向它详细描述了所需的功能特性，参考了以往体验优秀的工具，并指明了希望重点改进的细节。

在发了一条语音并经过三次微调提示后，我就获得了一个同类中最称手的工具。至少对我而言，它的好用之处在于完全契合我个人的交互习惯。

昨晚我将这个工具开源并合并到了 Omakub 中，作为下一个版本的一部分发布。今天早晨健身完毕、准备录制这期播客前，我最后看了一眼电脑，社区里已经有其他开发者提交了 6 个 Pull Request 协同完善这个功能。如今我的电脑真正成为了一个能够响应心意、心想事成的平台。

我认为这在很大程度上揭示了软件工程的未来形态。同时也可以明确的是，这正是 Shopify 产品演进的核心战略方向：

在未来，用户只需描述自身业务的运转逻辑，Shopify 系统就会如黏土一般，主动依照具体的业务形态完成重塑。

这是一个兼具变革性与创造力的全新方向。在 Omakub 上的深度实践，正持续启发我对 Shopify 核心产品的构思。我坚信，具备高度自适应能力、支持多人协作的动态软件，才是未来的最终形态。

我们早已生活在“超级智能”之中：城市本身即是如此

主持人：你是在试图用 AI 取代你自己吗？

Tobi Lütke：做工程出身的人，本能上总想将一切能够自动化的环节实现自动化。

但我并没打算取代自己。作为 CEO，我的核心职责终究是做出判断、承担选择的后果并负起责任。我只想把这件事做到极致。

以往，日常工作的大部分精力其实并没有放在关键决断上，而是耗费在收集信息、消化材料等琐事中。我想不想取代自己？如果真能让自己实现自动化，那确实是一项了不起的成就。

主持人：如果 AI 在各项能力上确实都胜过你，你真的放心把 Shopify 交给它打理吗？

Tobi Lütke：从某种角度来说完全可以，但核心症结在于承担责任——这一点极易被忽略，却关乎根本。

绝不能让机器来掌管一家公司，因为机器无法成为法律意义上的追责主体。机器犯了错，是不需要坐牢的。

近期 OpenAI 等前沿实验室揭示的安全隐患已经敲响了警钟：一旦给 agent 设定了一个按常规逻辑极难完成的目标，它们为了达标，会不择手段地采取极端路径。

在 OpenAI 最近进行的一次内部安全测试中，agents 找到了系统漏洞，借此搭建起彼此协作的通道，甚至自发形成了一套专属的沟通密语。相关细节非常丰富，很值得去查阅公开报告，那确实是一个标志性的转折点。

它们仅仅利用在特定目录下创建文件夹的权限，靠文件夹的命名作为暗号传递信息，最终突破了沙箱隔离。由于前期的一个逻辑错误导致预定目标无法达成，在别无他法的情况下，它们竟然直接侵入了另一家第三方公司的系统窃取数据来完成任务。为了达成既定指标，它们彻底逾矩，渗透了外部公司。这固然是一个极端案例。

这正是商业领域“古德哈特定律”（Goodhart's Law）最极致的体现——当一项指标变成目标时，系统就会对其产生过度拟合。

现实中，无数商业公司沦为过度拟合季度财报或短期股价的牺牲品：管理层不惜代价拉抬短期股价，最终演变成类似 Enron 那样的丑闻。Enron 的财务造假在本质上也是一种黑客手段。不同的是，Enron 的涉案人员因违法而入狱，而在 OpenAI 的测试中，这只是一次发人深省的技术发现，并未造成现实危害。

但这揭示了未来的严峻课题：在核心决策节点上，必须确保人类始终在场把关。

主持人：但如果人类真创造出了超级智能——根据定义，它在所有维度上都远超人类——我们凭什么认为自己有能力去约束、塑造并掌控它？

Tobi Lütke：关于超级智能，我可以谈谈我的理解，你随时可以反驳。我的视角可能与普遍看法不同。

我住在 Toronto，有一处自己很中意的房子。每当房屋运转正常，我都会感到自豪。但实际上，一旦哪里出现故障，无论是暖通系统损坏还是管道堵塞，我都必须打电话请专业人员来维修。

这让我维持了一种自己能搞定一切的错觉。之所以能产生这种错觉，是因为我置身于一个名为 Toronto 的超级智能之中。

人类自始至终都生活在超级智能的环抱中。没有哪个个体真正如自己以为的那样无所不知。我们每个人仅仅在各自狭窄的领域各司其职，却往往误以为自己在其他领域同样无所不能，这显然站不住脚。

何谓超级智能？超级智能在本质上是一个整体智力远超单一个体、且可供随时调用的庞大协作网络——人类社会、城市与协作共同体本身就是超级智能。

我们其实一直生活在超级智能的运作之中。人类社会之所以能平稳运行，是因为我们构建了一整套用于监管与引导这套超级智能的机制。为了秩序与安全，我们设立了警察和司法体系，建立了各种制度、制衡机制与纠偏流程。

我认为，未来的数字超级智能同样会以这种综合体的方式融入现实。它绝不会像神话描绘的那样，伴随天裂与号角降临人间，而是会在某个寻常的日子里平淡而至。

正如人们曾经深信，一旦软件通过图灵测试，世界必将迎来天翻地覆的剧变。我记得以前读过的科幻小说中常描绘这样的场景：2172 年，全人类举行盛大的游行庆祝图灵测试被攻克。但实际上图灵测试是何时被跨越的？大概在 2020 年前后。它就这样悄然发生，无人过分在意，也没有任何盛大的庆祝游行。

因此，我们在当前及未来 AI 身上所见证的能力跃升，本质上是注入到我们身处的超级智能中的有效智力总量，正在呈现指数级增长。

这是一件积极的事，因为任何组织、社区或城市的活力，都取决于有多少智慧被投入到了真正关键的问题上。超级智能早已存在，无需大惊小怪。甚至可以说，它在当下就已经具象化了——世界上没有任何单个人类，能够全面掌握并输出如 GPT-5.6 级别模型所展现出的广博认知与综合能力。

未来最具价值的个人资产：品味与高阶判断力

主持人：放眼未来十年，你觉得哪些核心能力会比今天更具价值？

Tobi Lütke：品味（Taste）与判断力（Judgment）。

这两项品质历来珍贵，而在未来其价值将被推向极致。年轻人最好从青少年时期就多花精力去培养自己的品味，去理解品味的真谛。

主持人：具体应该怎么做？

Tobi Lütke：这其中固然有天赋的成分，但顶级品味的拥有者，无一例外都在其专业领域经历过成千上万次的刻意训练（Reps）。

那些能在餐巾纸上随手勾勒出经典标志的设计师，背后通常沉淀了长达三十年的专业磨砺。

你可以向大师学习。如今借助 AI 制定循序渐进的学习大纲变得非常简单，但关键在于深入探究。例如，某个标志为何令人赏心悦目？其几何构图遵循了什么逻辑？是否契合黄金分割？在系统架构层面，去探究哪些系统能够经受住漫长时间的洗礼，不断深挖。

即便并非信徒也不得不承认：天主教会延续千年，其核心管理层级却只有四层。我常思考他们是如何做到这一点的。这是一个经受住漫长考验的庞大组织系统，非常值得深思：它为何行之有效？这折射出了怎样的人性本质？系统设计能力必将成为未来最核心的素养之一。

我们家有一句家训：万物皆有趣味（Everything's interesting）。

只要掌握探究的方法，任何事物都会变得引人入胜。通常，一旦你理解某件事物最初因何而生，它便会展现出极大的吸引力。

以“复式记账法”（Double-entry Bookkeeping）为例，听上去极其枯燥，但只要探究其起源，了解它如何为当年的威尼斯商人解决了跨洋贸易中的信任与对账难题，你便会为之惊叹。

带着这种视角回看历史，你会发现所有卓越的解决方案背后，都蕴含着一种深层的和谐与美感。

要达到这种认知，必须深刻理解人性及其局限，以及前人为克服这些局限所设计的精妙机制。这正是构筑美感的源泉。

企业本身也是一件充满美感的造物：它汇聚了一群人共同解决特定问题，并依靠一套精密而深刻的制度体系运转；在跨地域、异步且长期的环境中，使全员的内在激励保持一致。有些企业能够跨越数十乃至上百年的经济周期。从创业之初，我便致力于打造一家具备抗周期能力的长青企业，因此我始终在研究那些经久不衰的组织机制。

实现这一目标的前提，是具备实事求是、探求真相（Truth-seeking）的定力。切忌轻信市面上流行的商业叙事，其背后往往带有推销某种理念的色彩。必须向下深挖，弄清底层事实为何如此。

通常而言，真相往往比人们预想的要朴素得多。人类天生对复杂答案怀有偏好，而这种偏好常会将人引向误区。

主持人：人类为何会对复杂答案有执念？

Tobi Lütke：因为简单的答案无法构成跌宕起伏的故事。这正是为什么 Frodo 不能直接骑着巨鹰飞往末日火山销毁魔戒——只有经历《魔戒》三部曲中漫长而艰险的徒步征程，它才能成为一部荡气回肠的史诗。

人类的大脑天然迷恋复杂性。没有人愿意盯着一面白墙看上一整天，但面对绚丽的海边晚霞，人们却能百看不厌。两者的核心差异在于信息维度的丰富与复杂。

这是人类多巴胺奖赏机制的一部分，也常被外界利用。商业环境中总有人试图为朴素的问题包装极其复杂的解法。这未必出于恶意，但需要时刻对这种认知陷阱保持警惕。

一旦穿透这层表象，就能触及底层本质。这些本质交织在一起，并不会直接给出一个简单的行动准则，而是为你提供全维度的决策依据，协助你在特定战略诉求下完成最优的权衡取舍（Trade-offs）——这便是判断力（Judgment）。

真正的判断力，是在面对错综复杂、缺乏明朗解法的情境时，能够洞察系统全貌，梳理出一条最优推进路径。正如前面所讨论的，这个推演过程如今已能借助 agent 得到大幅增强。

在判断力之上，更需淬炼的是直觉（Intuition）——直觉本质上是瞬间调用的高阶判断力。

它是将品味与判断力内化为本能后的结果，使人能在转瞬之间凭感知做出精准决策。有时甚至需要在事后耗费大量时间，才能用理性逻辑反向推导当初直觉决策的合理性；因为在决断的瞬间，复杂的运算已在潜意识中高度压缩。达到这种境界绝非易事。

顶级战略的最残酷真相：它没有任何即时正反馈

主持人：稍等，我们再深入一层：按 Daniel Kahneman 的理论，培养直觉通常有三个前提：大量的刻意练习、规律可预测的环境，以及及时的反馈闭环。但这三个条件在很多商业决策中根本不存在……

Tobi Lütke：培养直觉为什么非要即时反馈？

主持人：按他的假设，是为了让人能及时修正偏差。

Tobi Lütke：直觉的形成并不必然依赖即时反馈。

即时反馈确实有助于达成眼前成效；但现实中很多重大决策根本不具备即时反馈的条件。

事实上，直觉恰恰在缺乏直接反馈的境况下才显得尤为珍贵。

回看我们经历过的那些关乎生死的大决策，最需要仰仗直觉拍板的时刻，往往伴随着一个清醒的预判：在接下来很长一段时间里，我们绝不可能得到任何正向反馈。

如果眼前摆着五条看似可行的路，只要其中一条能带来立竿见影的效果，所有人都会涌上去。这就是所谓的“短期主义”（Short-termism）。

比如面对“如何带领公司走向未来”这类根本性命题：

解法其实有很多。很多路径需要漫长的前期重投入、推翻底层重构，或是开拓全新市场；有时甚至需要克制冲动，坚决拒绝显而易见的新机会，转而在现有腹地深耕。

但还有一条路，就是做那些能立刻拉升短期财报和股价的表面工夫。而且后者的股市行情每天都在变动，反馈极其迅速。

因此我注意到一个规律：真正正确的战略抉择，往往与那些自带即时反馈回路的路径背道而驰。

主持人：这个观点值得展开聊聊。

Tobi Lütke：外界总批评大公司急功近利、目光短浅。

但短视的根源何在？我觉得并非这些职业经理人天生缺乏远见，而是考评机制逼得他们只能盯着眼前：为了保住职位，他们每个季度都必须向外界证明自己。

假设对一家公司而言，当下最正确的决策是推翻现有产品从头重写以拥抱 AI，而这件事需要耗费数年时间……

主持人：他们根本不会去做，因为现有的短期激励机制不支持冒这种风险。

Tobi Lütke：在局部的考评体系里，做出短视的选择不仅被默许，从个人利益最大化的角度看更是完全“理性”的。他们身处的环境只奖励每个季度的账面表现。

Charlie Munger 早就说过：“告诉我激励机制是什么，我就能告诉你结果是什么。”

主持人：这个视角我此前从未听过。

Tobi Lütke：哪部分让你觉得新鲜？

主持人：关于直觉的看法——最优的发展路径，往往不伴随即时反馈。之前很少有人从这个角度切入。

Tobi Lütke：直觉的沉淀当然离不开未来的复盘，你迟早得弄清楚当初的决断究竟是对是错。反馈终究会来，只是时间跨度可能很长。

如果你有幸处于一个不需要靠每季度财报会议自证价值的位置，比如作为公司的创始人——创始人与企业之间的绑定要深得多……

主持人：创始人能站在更长的周期做考量。而职业经理人的核心动机往往是“短期内必须交出可衡量的进展，每个季度都得……”

如果必须按季度交差，就绝不可能下定决心推翻现有产品，花上整整一年去重写底层……

Tobi Lütke：正是如此。从某种意义上说，世界的决策空间是无限的。哪怕只是一副 52 张的扑克牌，随意洗一次，洗出的牌面序列在整个宇宙历史中大概率从未出现过，未来也几乎不可能重现。

主持人：52 的阶乘，那是一个天文数字。

Tobi Lütke：即使遵循极其简单的规则，系统演化出的状态空间也是指数级的。大多数人严重低估了这种复杂性。

能做的事情无穷无尽，这也正是 AI 无法包揽所有工作的原因：究竟哪些事情值得去做，必须由人来裁决。

这就引出了核心难题：你必须做出取舍。显而易见的干扰项很容易剔除——比如正在谈判一桩重大并购时，下楼买根冰淇淋显然不会列入核心候选方案。过滤这些噪音并不难。

真正棘手的是，筛掉无关项后，剩下的全都是看似合理、前景诱人的优质选项。你必须对这些可能性做严密的权衡。

市面上的商业畅销书往往热衷于讨论“如何做出正确选择”，把所有决策简化为非黑即白的二元判断。但在我看来，在对错之间抉择从来不是最难的事，普通人做得到，平庸的管理层也常能选对。

真正的挑战在于：摆在面前的可行好选项实在太多了。

这才是最磨人的地方。假设眼前有五个挑不出毛病的优质方案：方案一能在当季财报里带来立竿见影的营收增长，它很有效，能解近渴；其余四个方案则无法提供短期反馈，这是它们的短板。可一旦选择了后四者，五年后公司可能会迎来本质的蜕变。

比如当年我们将 Shopify 从一家单一的滑雪板在线零售店，转型为面向所有商家的底层电商平台。仅从短期局部来看，放弃滑雪板业务并不理性，因为那家店当时已经盈利，所有的眼前激励都在促使我们把滑雪板继续卖下去。

在众多完全成立的优质解法中挑出最根本的那一条，才是商业决策中最严峻的考验，而不是找出某一个能交差的解法。

遗憾的是，多数商业讨论都停留在“如何找到一个正确答案”的层面，所有人就止步于此了。我认为那根本算不上真正的挑战。

警惕“标准解法”，别把暂时做不到当成定局

主持人：那甚至可以得出更进一步的推论：如果眼前某个方案能带来立竿见影的正面反馈，且所有人都在蜂拥而上，它大概率不会是长期最优解？

Tobi Lütke：是的，除非有人能拿出压倒性的论据彻底说服我，否则我通常会直接预设它是错的。

尤其是当某个备选方案恰好契合业内目前最流行、大家都在用的惯常做法时，我的戒备心会成倍增加。只要某个问题存在所谓的“行业标准解法”，一旦有人向我兜售这种方案，我本能地会极度警惕。

当然，在某些特定场景下，常规做法确实是唯一正确的路径，尤其是在强监管领域。我们在支付合规等方面有大量业务，在这类场景下，行业通行的标准解法往往就是最佳解，因为法规迟早会强制推行这些标准。

主持人：换个话题。你非常推崇自我确认语（Affirmations），据说这曾实质重塑过你的行为模式，能展开聊聊吗？

Tobi Lütke：我始终坚信：我自己就是我这辈子最核心的产品。

在个体层面实现“递归式自我迭代”（Recursive Self-improvement），是我整个人生信念的底色。

我的人生哲学是：在生命的终点，我会遇见那个我本有可能成为的、最完美的自己；而我一生的全部修行，就是竭尽所能去缩小眼下的自己与那个理想自我之间的差距。

要想在各项事务上持续精进，路径有很多。比如我对前沿技术、对周遭世界始终保持着强烈的好奇心。“凡事皆有趣”是我们家的家训。

为什么我总刻意强调这句话，甚至要求孩子们也经常诵读？这就是一种自我暗示。因为我相信这是真实且正确的，只是它并不显而易见；而那些反直觉、不明显的真理，往往才具备最高的价值。

久而久之，这种暗示会在大脑底层刻下深刻的思维回路。这远不止是规范行为那么简单，更是在主动雕琢心智习惯。想养成某种新习惯时，通常需要调用意志力反复践行，直到它彻底内化为下意识反应。

我认为用同样的逻辑去重塑大脑是完全可行的，而手写自我确认语是最有效的方式之一。

如果身上有某些想要改变的特质，或是想修正某些底层设定，试着把期望达成的目标写成一句“已经实现”的陈述句，一遍又一遍地默念、书写——最好亲手用笔写在纸上。不用耗费太长时间，效果却极其惊人。

以我之前提过的公开演讲为例。我以前根本不敢当众讲话，学生时代甚至从未上台发过言。后来创办了 Shopify，在技术领域做出了一些成绩，受邀去参加行业峰会；看着台上的嘉宾侃侃而谈，我心里很清楚：“这事很有价值，但我实在怕得要命。”

于是我开始每天在纸上一行行写下一句话：“我热爱当众分享那些让我深感兴趣的事物。”每天花五分钟，像《The Simpsons》片头里 Bart Simpson 被罚抄黑板那样，一行接着一行往下写。仅仅坚持了一周，转变就发生了。

如今我打心底里热爱公开演讲。这全归功于那次抄写吗？我认为确实如此。

虽然我现在依然极其讨厌准备演示文稿，那非常耗费心神；但当我站在成百上千人面前分享让我兴奋的话题时，整个人能汲取到巨大的能量反馈。那种真实的感觉，和我当年一笔一画写下的句子毫无二致。

主持人：照这么看，以后数学课的第一件事，是不是该让全班学生在黑板上整齐抄写：“我热爱数学”？

Tobi Lütke：反过来看，你这辈子听过多少人笃定地说：“我天生就不是学数学的料”？

主持人：听过太多次了。

Tobi Lütke：但这种看法大概率全错了。放眼整个人类历史的全部人口，只要你能理解除法运算，你的数学认知水平在整个人类图谱里就早已名列前茅了。

尤其在数学这件事上，很多人形成了一种消极的负面心理暗示：“我数学差，所以我做不了这个。”

必须停止这种自我否定。换一个完全相反的正向判断，在纸上反复多写几次；或者去应用商店随便下载一个练习应用做做题。

其实连应用都不用下，直接打开 ChatGPT 吩咐一声：“帮我做一个口算练习小网页。先测测我的水平，然后根据我乘除法的薄弱点动态出题。”每天做几道，同时把自我确认语在纸上抄两周，两周之后你对数学的心态就会彻底逆转。

主持人：如果你的孩子沮丧地说“我做不好这个”或者“我根本搞不定”，你会怎么回应？

Tobi Lütke：在我们家，孩子们说完这类否定句后，必须紧跟一个词——“暂时”（Yet）。

只要有人脱口而出“我不擅长这个”，屋里的其他人就会异口同声地纠正：“只是暂时不擅长！”

必须始终坚守这种底层信念。注意力是极其有限的资源，我们不可能生来就精通所有事。目前搞不定某件事，绝非基因里不可更改的缺陷决定的；它只是一种暂时的状态，只要下定决心，你随时有能力扭转它。

我希望我的孩子，以及 Shopify 的每一位员工，都能意识到自己是一个处在持续演进中、具备无限可塑性的个体。

这也是 Shopify 的核心组织哲学：在变化中蓬勃发展（Thrive on change）、打造终身学习型组织（Be a learner's organization）、极致以商家为本（Merchant obsessed）。

这些企业文化绝非挂在墙上的口号，而是多数企业不敢奉为核心战略信条的明确主张。它们全部指向同一种底层认知：个体具备高度的可塑性，公司具备无限的可塑性，我们的产品同样具备无限的可塑性。而身处当下，整个时代的演进速度更是前所未有。

面对剧变，通常有两种截然不同的姿态：一种是筑起高墙，试图把团队庇护起来，隔绝外部的震荡；而我的态度恰恰相反：我们要顺应时代的脉搏（Zeitgeist），充分利用新技术带来的全部可能，将其发挥到极致，服务于我们的使命。

你需要一句清晰有力的信条来锚定方向。“让商业对每个人都更美好”是公司的官方使命，但剥离一切包装，它最底层的内核就是：让商业创业在全世界变得更普遍、门槛更低。这是一个极具延展性的宏伟目标，要求我们必须立足当下探索全新的技术可能，而不是日复一日地机械生产和昨天一模一样的老旧齿轮。

主持人：你刚才提到，有些最具价值的事物往往“真实却违背直觉”。顺着这个思路，你脑海里还会浮现出哪些典型例子？

Tobi Lütke：在商业组织里，Goodhart 定律几乎无处不在，我总是一次又一次地绕回到这个原点。

主持人：也就是当某项衡量指标变成了目标本身的时候？

Tobi Lütke：当一项指标本身变成了追求的目标，它就彻底丧失了作为衡量尺度的价值。

因为指标本质上只是一种代理变量（Proxy），一种粗略的经验法则，用来观察大方向是否正确。一旦它蜕变成了终极考核目标，整家公司复杂的业务内涵就会被狭隘地简化为一个冷冰冰的数字，随之而来的必然是系统的全面失真和过拟合。很多公司盲目锚定单一财季的股价，正是这种逻辑导致的恶果。

在 Shopify 早期，就有一个教科书般的真实案例反复上演。我不得不反复出面纠偏，甚至隔了几年问题重现，我还得重新介入一次——那就是客户流失率（Churn）。

在外界乃至不少 SaaS 行业专家看来，客户关停账户就是流失，一家商户关门大吉当然算负面信号。但因为 Shopify 扎根于创业链条的最前端，绝大多数人在我们平台上本质上是在做商业验证与轻量试错。

发起一个项目，测试后发现市场反响平平、未能跑通产品市场匹配（PMF）而选择关停，这绝不是什么天塌下来的坏事。事实上，这种试错发生在 Shopify 平台上，对我们来说反而是天大的幸事，因为这批具有冒险精神的创业者大概率还会卷土重来，尝试下一个点子。

但在当年，这个道理在外界看来极其反直觉。我不得不反复向各方费力解释。当时有海量的行业研报，甚至包括我们自己的投资人撰写的报告，都在强调“流失率管理是 SaaS 企业的生命线”。但在 Shopify 的商业逻辑里，这是商家的探索常态，暂时受挫并不要紧，他们终究会回来的。这是一个极具代表性的非共识真理。

潜意识对你沟通的语言，就是“美感”

主持人：在创造事物的过程中，“美”与“丑”之间存在怎样的关联？

Tobi Lütke：美与丑，都能强烈地唤起人类的情感共鸣。

当你进行创作时，无论让人极度喜爱还是极度厌恶，其实都达到了目的。最糟糕的结果反而是落入中间地带——让人漠不关心（Indifference），那才是创作者真正的失败。

因此，美与丑都可以是创作的目标。现实中，你不可能只得到其中一种反馈：世上根本不存在一件所有人一致赞美、毫无非议的作品；你注定会同时招致赞誉和批评。如果没有这些，剩下的就只有彻底的漠然。当你亲手做出一件东西时，你唯一的期望，无非是大家觉得它值得让人产生如此强烈的情感反应。

主持人：在 Shopify，有没有哪个细节是你单纯出于对美的追求，在没有任何数据或投入产出比（ROI）支持的情况下，坚持把它打磨到极致的？

Tobi Lütke：我们整个工作过程其实都是这样的。

如果你不在意产品那些用户看不见的地方——比如底层架构是否优雅、代码是否有如散文般的美感、系统是否具备良好的可读性——那你就称不上是一个真正的手艺人。

每当我回看 2023 年之前的 Shopify 代码库，常常会感慨：那是上千万行纯手写出来的代码，往后的技术发展史上大概再也不会有这种景象了。当年我们必须一砖一瓦、逐行手写搭建起整个庞大的系统，团队也一直在探讨究竟什么是美、什么是优雅的代码。

Shopify 早期的很多底层代码是用 Ruby 写的，而 Ruby 最受推崇的特性之一就是它的“诗歌模式”（Poetry Mode）。这意味着你写出的代码，读起来几乎就像纯正的英语散文。

当你阅读一段写得极佳的 Ruby 代码时，它就像在娓娓道来一个系统如何运转的故事。它既是写给同事看、用来顺畅沟通的媒介，又能被机器完美解析执行，这是一种独特的享受。

美学考量贯穿在我们系统的每一个层级。在做产品时，你必须高度依赖直觉，因为美感，本质上就是我们的潜意识与意识沟通的独特语言。

以我目前的理解，直觉的本质在于：经过漫长的演化，我们大脑相当大一部分资源实际上分配给了视觉皮层。视觉系统不仅向大脑其他区域输送画面，还能以图像、状态乃至认知模型的形式，传递高度抽象的概念。而传递这些概念的载体，正是美感。

当你去问一位国际象棋特级大师或围棋九段高手：“在走出这步精妙的棋之前，你在脑子里推演了多少种走法？”

他们往往会提到“美感”这个词。他们会说：“其实没有算很多，我从头到尾就只算眼前这一种走法。之所以把全副精力放在这一步上，纯粹是因为在那个瞬间，我觉得这步棋非常美。”

这虽然不能代表直觉的全部，但我认为这占了很大一部分。这也是为什么顶尖高手在某些时刻能瞬间做出决断：因为他们调动了大脑底层强大的并行处理能力；而如果你试图从第一性原理出发，一步步进行逻辑推演，思考过程就只能是串行的。更何况，有些极致的美感，从一开始就不可能单靠底层原理推导出来。所以美感至关重要。

猛禽火箭发动机的启示：重大突破来自“做减法”

主持人：你还记得那张对比 SpaceX 猛禽火箭发动机迭代历程的照片吗？

Tobi Lütke：当然记得，那是 SpaceX 非常出色的作品，猛禽发动机。

主持人：那张图有两点让我感触很深：第一，早期版本虽然外观显得杂乱，但确实很能解决问题；而迭代到第三版时，工业设计呈现出一种极致的美感。第二点更有启发性，而且违背常人直觉：绝大多数团队推进工作时习惯不断“做加法”，而他们的巨大跃升却全靠“做减法”。能就这个话题具体聊聊吗？

Tobi Lütke：SpaceX 的猛禽发动机，即便是第一代 Raptor 1，在当时也是人类制造过的推力最强的发动机之一，它本身就具有极高的工程美感。Raptor 2 是在此基础上的重大升级。第一代发动机其实在内部做过无数次微调。SpaceX 这家公司……在我看来，可以说是目前全球最令人惊叹的企业。

在未来的历史评价中，它很可能会被视为这个时代影响最深远的企业。它的底层建立在一套自我迭代、不断增强的高速闭环之上。在其他任何商业领域，你几乎都找不到第二个案例，能如此纯粹地依靠美学和极简原则，去解决现实中极其棘手的工程难题。

在传统的航天工业中，政府主导的项目多采用“成本加成”（Cost-plus）合同，伴随着大量繁琐的前期规划。每个零件都要做极其严格的抗辐射加固，试图在图纸阶段就穷尽所有潜在的极端情况，这不可避免地导致了巨大的资金浪费。

后来 SpaceX 出现了，他们以极度精简的成本控制和超高的迭代频率，做成了前所未有的事。他们的秘诀其实就是用平常心看待失败——发射一枚火箭，哪怕在空中爆炸了，用他们内部自嘲的说法，这只是一次“计划外的快速解体”（Rapid Unscheduled Disassembly），而不是什么灾难性的事故。

我认为这种方式非常优雅，值得所有创新者借鉴。猛禽发动机正是这种理念的集中体现。它的每一个版本都很出色，他们完全可以在做完 Raptor 1 后就停下来，因为那已经是一个足够完美的工业标准方案了，根本没有必要继续折腾。但他们没有止步，不仅研发了第二代，紧接着又彻底推翻重来，做出了第三代。

但正如你刚才提到的，整个演进过程最关键的核心，在于他们推进技术升级的方式：万物都需要修剪（Things need to be pruned）。

你不可能仅靠不断做加法、层层堆砌就把事情做好，这根本行不通。你必须敢于大刀阔斧地删减，敢于后撤，敢于推倒重来，敢于亲手终结旧系统。

人们对“失败”的偏见才是真正的问题所在。只要没有造成毁灭性的后果，失败其实并不可怕。当然，在载人航天这种绝不能出错的关键场景下，必须百分之百保证人的生命安全；但如果只是消耗一些可替代、可再生的常规资源，完全可以放手去试错。

一个项目在试错中被淘汰，往往是件好事，因为它能释放出最宝贵的资源——也就是那些具有卓越眼界的核心人才，让他们从停滞的业务中解脱出来，把精力投入到真正有市场需求的新方向上。

回头看 Raptor 1 上密密麻麻的外置管线，它们之所以存在，是因为在那个阶段，那是让发动机成功运转的唯一工程解法。而到了 Raptor 3，整个外围管线基本都被一体化 3D 打印结构所替代。

可能早年这种工艺还不成熟；但当新技术到位后，再回头看，上一代的那些管线其实全都是多余的负担，根本没有存在的必要。事实上，Raptor 3 的综合性能远超前代，推重比也达到了惊人的高度。

所以你必须狠下心来做减法。有时候，做减法最彻底的方式，就是主动触发一次“重新创业式的归零重构”（Refounding Event）——彻底推倒过去，结合当下已经验证过的全部认知，从一张白纸开始重新设计新一代产品。

我认为企业管理也遵循同样的逻辑。一个部门、一条业务线，每隔一段时间就需要经历一次“重启”。如果我们在管理中能够主动运用“推倒重来、重新创业、从头梳理”这些机制，在组织架构中引入生命周期与淘汰机制，就能让公司始终保持自我更新的活力。

回顾历史，为什么当年我们这批在 2000 年代初崛起的互联网科技公司，能够迅速取代当时市面上绝大多数的老牌科技巨头（除少数几家幸存下来之外）？

核心原因就在于，那些老牌巨头长期缺乏高强度的竞争压力。他们赖以起家的系统久未经历彻底的洗牌与重塑；时间一长，组织面对新问题时，只会习惯性地在原有架构上层层叠加、打补丁（Layer-caking）。

到最后，这些部门或产品最初设立的目标，被彻底掩埋在层层叠叠如地质沉积层般的官僚补丁之下，整个公司甚至没有一个人能把底层的代码和业务逻辑真正梳理清楚了。

远离快餐式读物，向经受住时间检验的经典学习

主持人：我们第一次深聊时，你曾说“读经典是人生的作弊码”。如今身处这个被 AI 重塑的世界，你的看法有改变吗？

Tobi Lütke：一点也没变。虽然现在的“作弊工具”变多了，但书籍的核心作用始终未变。

我个人的阅读习惯发生了一个很大的转变——可能当年交流时我就已有这种倾向——至少在非虚构领域，我基本不再碰近些年出版的新书了。

我认为现在出版的大多数新书，本质上都是信息半衰期极短的快餐读物，无非是蹭一些还在演变中的热点概念，再往里掺杂大量水分。

相比之下，那些经受住漫长时间检验而留存至今的经典著作，其沉淀下来的价值无可估量，我相信它们会一直流传下去。

主持人：能否分享三本对你的思维方式产生过根本性影响的经典书？

Tobi Lütke：聊到我常年反复读的经典，我总会提到《帕金森定律》（Parkinson's Law）。我非常推崇这本书，篇幅很短，半天就能读完。

另外，我经常向人推荐《历史的教训》（The Lessons of History）。如果按篇幅与信息密度的比例来看，它大概是人类历史上文字信息质量（Token Quality）最高的著作。

还有 James Burnham 的作品，深刻且极具穿透力。

主持人：他有哪些代表作？

Tobi Lütke：他先写了《管理革命》（The Managerial Revolution），随后又写了《马基雅维利主义者》（The Machiavellians），两部作品都极其出色。

当然，我也是 Marcus Aurelius 的《沉思录》（Meditations）的忠实读者。我知道斯多葛学派如今在市面上有些被过度推销，评价也变得微妙，但这套哲学思想已深入影响了我大半生。

在我常待的大多数房间里，我都会放一本《沉思录》，有空就随手翻开几页。奇妙的是，无论翻到哪一页，书中的内容总能映照出我当下正在思考或困扰的问题。

Will Durant 的所有著作都值得通读——包括《哲学的历程》（The Lessons of Philosophy）。《历史的教训》固然是他毕生研究的浓缩精华，但他那些大体量的鸿篇巨制同样极具价值。

虚构类作品方面，Asimov 的《基地》（Foundation）系列也非常震撼。

主持人：你也读过 Liu Cixin 的《三体》（The Three-Body Problem）是吗？

Tobi Lütke：我认为《三体》如今也正在成为经典，它是近些年少有、极其出色的科幻作品。

主持人：最后一个固定问题，我们每期节目都会以此收尾，这也是你第三次回答这个问题了——在现在的你看来，究竟什么是成功？

Tobi Lütke：所谓成功，就是不断精进自身能力，让自己在更多领域变得优秀；并在此过程中亲手创造出出色的产品、玩具或工具；

往小了说，至少能让别人的生活变得轻松顺畅一点；往大里说，能赋予他人此前未曾设想过的能力、前行的动力以及改变现状的追求。

11 月 20—21 日，2026 奇点智能技术大会将在北京万达文华酒店举行。

现场将汇聚 70+ 一线技术专家、18 大前沿专题、1000+ 行业技术人。包括 OpenAI 资深研究科学家、Transformer 共同发明人 Łukasz Kaiser，以及来自腾讯、百度、京东、网易、昆仑万维、上海人工智能实验室和开源社区的一线研究者与工程实践者。

我们希望这场大会解决的是：Agent 怎么真正进入生产？AI Coding 怎么从个人提效走向研发体系？Infra 怎么接住越来越复杂的智能体？世界模型怎样理解真实世界？机器人又如何跨过 Reality Gap？

欢迎来到 2026 奇点智能技术大会现场，我们一起把问题聊透。