前几天看了前字节工程师郭宇的演讲分享。

他在东京单向街书店讲了一件事，让我失眠了半宿。

郭宇说，现在每天晚上睡觉前，都让cc在他那台电脑上跑一整夜。跑了 1000 个循环，就花了六个多小时。AI 自动设计了一家东京装置艺术公司的完整方案——财务计划、网站、3D 产品模型、推广邮件这一系列动作——然后自动发送给了东京对应的各个画廊和公共空间。

一个人 + AI = 过去一个团队的完整工作量。

他说这话的时候语气平静，但我后背发凉。不是因为恐惧，而是因为——我觉得他错了。

不是错在结论，是错在前提。

他的逻辑链

郭宇的整个论证很完整，可以从他的经历里找到论据来源。

2014 年他加入字节跳动的时候，公司只有 200 名工程师。2015 年在冲绳一间居酒屋里，他的亲耳听到张楠和张一鸣讨论 4G 资费下降，所以决定做视频。后来有了火山小视频、抖音。

他在大厂有切身体会：80% 的时间消耗在沟通协调、会议汇报、流程内耗这些琐碎上。 团队的规模越大，管理成本也呈现指数级上升，个人创造力反而被层层吞噬殆尽。

所以他选择了一条完全相反的路。

一个人，一台 5090，一个 AI 账号。

他说一人公司是没有薪资、房租、管理成本，盈利门槛低，抗风险能力强。所有收益直接归个人，付出与回报完全挂钩。他依据个人公司优势不做重资产、强运营、需规模化扩张的业务，聚焦细分赛道，做自己一个人就能闭环的事。

听起来无懈可击。

但问题出在：他为了省掉消耗性沟通，把建构性沟通也砍了。

沟通成本有两种，他混为一谈了

我同样也在大厂待过，所以我同样清晰的知道郭宇说的"80% 时间在沟通"是怎样的痛苦。

写周报、对齐会、跨部门扯皮、拉群协调、逐级汇报——无可否认这些确实是内耗。它们消耗你的时间，却不增加你的认知。一个人干确实比一群人扯皮高效很多。

但沟通成本里还有另一类。

你被同事问住答不上来发怔的那个瞬间。你跟观点完全不同的人争论，被迫重新审视自己的瞬间。你旁观一场你不认同的决策真伪，也在不得不思考"他们为什么会这么想"的一个个瞬间。

这些也是沟通，但它们是建构性的。

它们很低效，有时甚至让人难受。但它们在做一件重要的事：把你从自己的思维定势里拽出来，让你看到这个世界的不同切面。

一个人 + AI 的问题也在这里。

AI 从来不会反驳你。你让它写计划，它就写计划；你让它做产品，它就做产品。它再强，也是在你的认知框架内帮你跑腿。它不会创造新的视角，它只是把你已有的视角放大到极致。

郭宇的电脑跑了一夜，产出了一整套公司方案，但这套方案里所有的判断——什么值得做、什么方向对、什么风格合适——全部都来自郭宇一个人脑子里的那套东西。

没有第二个头在说：“喂，等一下，你到底想过没有，东京的画廊可能不吃这一套呢？”

这不是 AI 的问题，这是一人公司的结构性缺陷。

单头放大 vs 多头合并

我过去写过一篇文章，用 Transformer 里的多头注意力机制来类比认知方式。

我解释一下它的工作方式是这样的：给定同一段输入，不是只用一个注意力头去处理，而是同时启动 8 个甚至更多头。每个头关注不同的方向位置和语义空间——分别关注语法、语义、上下文等不同内容。最后把所有头的输出拼接在一起，形成比单个头丰富得多的表示，就如拉链咬合。

其中最关键的步骤不是"每一个头单独到底有多强"，而是最后那步拼接。

八个头的输出合并、线性变换之后，产生的信息量远大于任何一个头的输出。这才是多头注意力的真正威力——多样性不是噪声，是丰富性的来源。

一人公司的本质，就是只保留了一个头。郭宇用 AI 把这个头的能力放大了一百倍，但它本质上还是一个头在输出。没有拼接这一步。

你也许会说：郭宇也读书、也看外界信息啊。

读书不是拼接。读书是单向的输入。真正能产生拼接效果的，是那些你无法预判、控制、不愿意面对的来自其他活人的真实反馈——被质疑、挑战、被逼着重新审视自己的所有前提。

这些反馈是低效、消耗带宽、经常让人烦躁的。但它们是拼接的唯一来源。

一人公司 = 是一种精妙的逃避

写了这么多，我觉得郭宇的一人公司本质上不是在追求高效，而是在逃避。

逃避的并不是工作本身，而是人际关系中那些不可控的部分。

每次跟人协作，你就要处理对方的情绪、盲区、工作节奏。这些成本不可否认确实很高，但它们是"和另一个有独立思考能力的人协作"的入场费，而且这份入场费不可感知和估量的。

你付了这笔入场费，换来的也不仅仅是把事做完，还有你一个人永远得不到的东西：别人看问题的角度、你不知道的信息、你想都没想过的某一种忽视的可能性。

郭宇的选择是：因为这笔入场费太贵了，所以我不付了。

其实这是一种选择。但不要把它包装成"未来的方向"。

一人公司可以在人群中存活——结构上独立，但网络里接入。不拿工资、不打卡、不参加周会，但保持与外部视角的连接拼合。这也是更难的方向：既保留单兵作战的灵活性，又不失去多头输入的收益。

郭宇选了最容易的那条路。只不过这条路上铺满了 AI，看起来光鲜亮丽。

真正的困境：信号越多，挤占带宽越多

到这里你可能要问了：那你说的"结构上独立、网络里接入"，现实中做得到吗？

我的答案是：尽力，因为的确难以实现。

这是因为存在一个结构性的矛盾：

你要获得判断力，就必须留在人群里吸收真实信号。但留在人群里这件事本身就在消耗你，每个外部视角都在挤占你的注意力头，你需要花费带宽去判断它有没有价值。而且麻烦的是：你要判断一个信号值不值得过滤，你本身已经消耗了带宽去做出这个判断。

这是我认为的收敛循环：

要有判断力 → 必须吸收人群信号
吸收信号 → 消耗带宽
带宽被消耗 → 判断力下降
判断力下降 → 更难高效滤波

这也告诉我们没有完美的解法。只能无限逼近。

我的解法：把滤波从大脑里移到系统里

这是我个人目前找到的、觉得最有效的方法，我也在实行这个方案，也是我开始写知乎长文的目的。

思路是不做做实时判断——而是信号来了先不管它值不值钱，先存下来。把"是否值得滤"这件事和"滤波本身"分两次做。

比如我建了一个知识库，设了一条自动指令：遇到任何值得看的内容，直接 save。不判断归哪类、不放标签、不写摘要，就是单纯把它保存下来。

那什么时候做滤波呢？需要用到的时候再滤。

写文章之前，查询一下相关主题，系统把相关的笔记都翻出来。面试之前，查询一下类似题型，之前积累的素材就会自动浮现。这时候你也不用"创造"内容，你只是在已经缓存过的信号里做选择。

区别在哪？

保持和查询之间有一个时间差。这个时间差就是你的带宽恢复窗口。存的时候不消耗判断力，找的时候只消耗一次判断力，找到的结果却可以被反复使用——一次滤波带来永久缓存。

我的知识库六个部、一套路由系统、一个向量数据库。听起来像在搭基础设施，但是本质上就是一个字：等。不等同信号质量再处理，而是把滤波这件事从"实时必须"变成"异步可选"，把行为提前化。

郭宇跑了一千个循环，每一个循环都是即时的、线性的、一次性的。而我的笔记存了一千条，每一条都是可以被反复检索的净信号。

这不存在效率的差距，是结构性的差距。

方向不是目的，拉链的交合才是

郭宇在演讲里提到一个判断：知识不再稀缺，判断力才是。

我认为这是他说得最对的一句话。

但他对"怎么获得判断力"的答案——一个人关起门来用 AI 放大自己——可能恰恰会削弱判断力的体现。因为判断力不是从放大中来的，是从激烈的冲突中来的。只有你的判断被别人的判断撞击过的次数，才能决定了它的韧性质量。

我有好几条线在同时跑，每一条单独看都是半吊子——我花在每条线上的时间都不多，质量也不算顶尖。

但它们的交汇处，产出远比单条线深耕高得多。

一条线 60 分没关系，两条线交合一次，产出就是 100 分的两倍。

所以我觉得，方向不是目的，交合才是。知识库对我来说不是存储工具，是降维降低交合摩擦的装置。

写到这里，我又想起郭宇那台跑了一整夜的电脑。

每次一千个循环结束，AI 也帮他设计好了公司全套方案，自动发给了东京的画廊。他早上醒来只需要看一眼结果，做一个判断，决定做还是不做。

很高效。而且非常高效。

但我也在思考一个问题：如果那天晚上 AI 设计出来的方案里，有一个他完全没想到的方向、一种他完全不认可的风格、一条他绝对不会去选的路径——他会停下来仔细看看吗？

按照他描述的工作流程，他不会。因为他在写 Skill 文档的时候就已经明确的框定了方向，AI 只是在这个框里跑最优解的工具。

这不是他的错。一个人被自己的思维框架包围，是看不到这个框架的边界的。你需要另一个人才看得到。

而这恰恰是我想说的：

AI 的确可以帮你翻越一万座山，但它不会告诉你，你有没有选错了山脉。

以上纯个人主观，希望能给同样在思考"一个人和 AI 到底是什么关系"的朋友一些线索。