AI时代，老板们的“免死金牌”失效了：从硅谷大佬到周鸿祎，为何他们都在疯狂亲手写代码？

导语：千亿身家的老板们，为何纷纷亲自和AI结对编程？深入一线、亲手试错，正在成为AI时代最稀缺的判断课。

当千亿CEO深夜与AI结对编程

凌晨两点，某市值千亿公司的CEO没有在看报表，而是对着屏幕，和AI Agent一起疯狂敲代码，连夜跑完上百轮实验。这不是科幻场景，而是Shopify创始人Tobi Lütke与Y Combinator CEO Garry Tan正在经历的日常。

硅谷没有“养闲人”的文化，但这一次，连最顶级的管理者都把自己卷进了代码一线。Garry Tan白天管理团队，晚上用自己开源的Gstack（一套虚拟团队系统，将Claude Code配置成CEO、工程经理、QA、设计师等角色），在60天内产出超60万行生产代码，日均1-2万行。他自己也因此兴奋到每天只睡4小时。而Tobi Lütke则亲自用AI Coding Agent，反复实验自己20年前写的Liquid模板引擎，最终将解析渲染速度提升53%，内存占用降低61%。

一个清晰的信号正在浮现：这些本该坐在决策层的管理者，正在亲自跑实验、开源工具、优化生产代码、搭建Agent团队，直接参与AI的实际使用。而在国内，360集团创始人周鸿祎，也走上了同一条路。

AI的“不可预测性”，必须用双手去感知

过去，管理者理解技术的方式是线性的：通过信息传递形成认知，再依据汇报做出判断，无需亲自参与研发。但AI进入真实开发与生产流程后，这种模式开始失效。在与耶鲁创新学者交流时，周鸿祎坦言：如果缺乏深度参与，很难在关键节点上做出有效判断。因此，他选择持续亲自参与智能体开发、流程调试与Skill调整——其核心目的并非炫技，而是获取最贴近真实使用环境的一线体感。

周鸿祎曾在媒体访谈中透露，自己原本不相信AI能写复杂软件，直到今年亲手与AI合作完成一个复杂的软件智能体后，才彻底改变看法。在协作中，他观察到AI鲜明的两面性：聪明的时候，它是“合作过水平最高的程序员”，理解力极强，能快速输出数千行代码；但它也会犯错，不按常理出牌，甚至莫名删改代码。例如，在一次开发中，原本交付的1200多行代码，最终核对时只剩下约600行。他的第一反应是：“是不是智能体又把代码改掉了？”正是这些反复试错，让他意识到，很多问题在普通用户那里会被进一步放大。

这种认知反过来影响了产品形态。普通用户面对AI，难题不只是“会不会用”，更是“装不装得上”“能不能稳定运行”“敢不敢长期使用”。围绕这些真实痛点，360推出了“安全龙虾”方案，试图降低部署和使用的门槛。这些经历让周鸿祎再次确认：AI作为生产力新物种，其系统边界和协作成本，必须通过亲身使用和踩坑来建立真实判断。

一门持续高强度的“长期体感课”

外界看到的是周鸿祎“突然下场”，但实际上，这条实践路径他已探索了很长一段时间。早在2024年11月，他就开始尝试将AI带入实际生产场景：出演AI主题短剧《重燃人生》，用AI工具参与内容制作，并通过直播演示纳米搜索。但真正的转折，发生在深度参与AI开发之后。

“春节期间，我基本上是不眠不休，不吃不喝，每天所有精力都用来跟AI一起苦战。”他这样对媒体描述。从此，他回到了一个更接近产品一线的位置——在听得见炮火的地方躬身躬行。他不仅亲自“养龙虾”（指构建智能体），还在龙虾安全媒体交流会上系统探讨安全风险、配置门槛和未来方向，甚至推动360推出OpenClaw一键安装版，让普通人也能轻松上手。

这种投入并非体验式尝试，而是持续高强度参与。他经常一整天十几个小时对着电脑，不断给模型下指令，让它写代码、改程序、构建智能体、调整Skill，再一遍遍调试流程。系统里相当一部分智能体和Skill，并非团队直接交付的结果，而是他一点点改出来的。例如，在运行多智能体系统时，Token消耗是一个抽象概念，但通过亲手运行，他才建立起具体感知。

“纳米漫剧流水线”是一个典型案例。它标志着多智能体进入真实生产场景，驱动了一个垂类内容行业的完整流程。周鸿祎深度参与构建与调试，前后“手搓”近百个智能体，对话超5000次，总计消耗约12亿Token。他发现，一个能稳定运行的智能体，单次执行往往需要消耗上千万Token，整套系统更是在两三百个版本的反复迭代中才逐步成型。这意味着，很多关键能力并不是最初设计出来的，而是在不断试错中被“跑出来”的：逻辑要反复调整，流程要一遍遍重构，Skill结构也在使用中被不断修改。

这种工程级别的参与，开始沉淀为具体成果。目前，纳米漫剧流水线已进入规模化使用阶段，并与国内头部影视、短剧公司及AI短剧创作者展开合作。在这一过程中，周鸿祎感受到，自己面对的不是一个可以被简单调用的工具，而是一整套复杂的协作系统——从任务拆解、模型调用，到流程衔接与结果验证，每个环节都可能出现偏差，都需要人为持续介入。这种体验在硅谷开发者社区有一个形象的说法：“保姆式体验（Babysitter Experience）”。开发者需要花大量时间与AI反复交互，纠正错误、补充上下文、修复问题。即使Garry Tan每天生成上万行代码，也专门搭建了复杂的工作流框架Gstack，用来约束AI的输出，避免系统失控。

AI时代，判断力才是最贵的资产

当全民“养虾”成为浪潮，焦虑也随之而来：要不要参与？该怎么参与？很多人困惑的是，面对一项快速变化的新技术，很难仅凭外部信息建立清晰判断。这正是AI对行业造成的核心冲击：面对同一套先进的工作流技术系统，无论企业老板还是基层员工，如果不亲自动手、不亲身入局，都可能面临被技术淘汰的风险。在这场洗牌面前，没有特权，也不存在所谓的“角色豁免”。

破解这种“错失恐惧（FOMO）”感，唯一的解法就是亲自下场。当真正开始使用智能体，参与到具体任务中，才会逐渐理解它在工作中的作用方式，以及像Token消耗这样的关键成本如何在实际运行中体现。这种一手体验的重要性，还在于AI的演进速度——从模型到Agent，再到更复杂的协作系统，每一轮变化都在重构工作方式。拒绝使用AI的人，可能真的会被时代淘汰。

以前人们“遇事不决问模型”，现在Agent逐渐进入生产流程，人与AI的关系正在发生变化。智能体就像人的“手和脚”，负责调用工具，而人转向目标设定、过程约束和结果评估。在这种结构下，决定效率上限的，是人对系统的理解和调度能力。理解了这一层，就能懂得周鸿祎动手实践背后的深意：作为企业管理者，他需要对AI的效率、成本与边界形成稳定判断；而作为普通人，他在多Agent协同、流程调试中遇到的问题，本质上也是所有使用者都会面对的问题——只是规模不同。

从这个意义上说，周鸿祎最近修的并不是一次个人层面的“补课”，而是一门AI时代稀缺的“判断课”。在这场技术变革中，真实体感永远比二手经验更值钱。而这门课真正稀缺的地方在于：它不仅属于企业家，也属于每一个需要在变化中做选择的人。