七成邮件是推销信：前谷歌首席工程师 Matt Welsh 拆解 AI 智能体的第一波机会

Matt Welsh 的邮箱里，大约七成邮件是想向他卖东西的：猎头服务、咨询公司、新开的银行账户。他是 Fixie.ai 的创始人兼 CEO，摸索出的最省事对策，是花一分钟写封礼貌的拒绝信。因为一旦不理会，对方的自动化跟进流程会连发五封、十封、二十封，一直骚扰下去。

麻烦在于，一封邮件读完之前，你没法判断它属不属于这一类。Welsh 雇了一位人类行政助理帮他读邮件、分类、回复，他自己承认，这是个「非常费人力的过程」，也恰恰是 AI 该接管的过程。

这段话出自 2023 年 4 月 25 日 Nathan Labenz 的播客 Cognitive Revolution。Welsh 的履历在硅谷算稀有品种：哈佛计算机系教授，谷歌十年资深首席工程师，待过 Chrome 团队，之后去了苹果，再出来创业。Fixie.ai 做的事一句话能说清：让人用自然语言造出能连数据、调 API、自己干活的 AI 智能体（agent）。平台当时刚开放开发者预览，聊天界面里可以像在 Slack 里 @ 同事一样 @ 一个智能体，每个智能体各管一摊活。2023 年 4 月，公司宣布了 1700 万美元种子轮，Nathan 调侃这个金额有点 2021 年融资热的味道。

那一周，科技圈的注意力刚被 ChatGPT 砸醒，「智能体」开始刷屏，而 Welsh 已经在这个方向上干了一年多。Nathan 在开场白里押了个注：智能体会成为未来几年 AI 影响世界的主要方式之一，年底就能看到肉眼可见的进展。这期节目聊的，就是智能体能干什么、卡在哪、会长成什么样。

时机：比 ChatGPT 早一年下注

被问起最近两个月的体感，Welsh 只有一个词：bananas，疯了。他把大模型比作一件刚降落的外星科技：

把 ChatGPT 这样的东西，当成刚刚降落在我们后院的外星科技。所有人都在拆开它，研究到底能拿它做什么。

他自己的起点是一篇论文。2022 年 1 月，谷歌发布 LaMDA 论文，展示了一件事：给语言模型合适的提示，教会它调用外部工具去取数据，就能驱动一套完整的流程。当时研究这个方向的论文寥寥无几，Welsh 认定这是条路，开始基于 GPT-3 搭建 Fixie 的前身。那个时间点，围绕 GPT-3 建公司的还屈指可数，Jasper 算一个，开源社区里 LangChain 刚开始攒演示。

真正的转折点是 ChatGPT。Welsh 的判断很直接：从 GPT-3 到 GPT-3.5，模型有进步，但真正改变一切的是「普及」。同一个能力，从 OpenAI 开发者网站里那个笨拙的 playground，搬进了一个消费级对话框。

你用 GPT-3 的 playground 其实能做出 ChatGPT 的大部分事情，只是远没有那么优雅、那么好用。

他拿互联网史打比方：超文本的概念在 web 之前就有，叫 Gopher，概念一样，体验糟糕，所以没人用。ChatGPT 之于 GPT-3，就是 web 之于 Gopher。能力早就摆在那，谁把用户体验调顺了，谁引爆市场。至于融资，Welsh 说 ChatGPT「把水搅浑了」，投资人的注意力全被引到这个领域，Fixie 恰好提前一年站在了正确的位置上。

一张二维图，定位所有 AI 产品

Nathan 先抛出自己的框架：AI 的用法分两种，副驾驶（copilot）模式和委派（delegation）模式。前者是你自己在开车，AI 坐旁边帮你起草、答问题、做点小分析，随叫随到；后者是你把整件事切下来扔给 AI，连管路怎么接都归它管。他还有个更狠的说法：今天人和 AI 之间的大量信息搬运，搜索、筛选、登录、翻网站、读文档、调 API，全靠我们充当「人肉管道」，只要这层管道还在，流程自动化就快不起来。

Welsh 把这个框架升级成二维坐标。第一根轴：AI 是和人并肩干活，还是「发射后不管」，接到任务就自主执行。第二根轴：AI 处理的对象，一边是理解和生成自然语言，另一边是自动化流程。

拿坐标系去看产品，位置一目了然。Jasper 在「自然语言 + 副驾驶」象限：你给它产品描述，它吐出营销文案，语言进，语言出。Fixie 要去的是对角线另一头：「自主 + 流程自动化」。Welsh 有个说法很传神，语言模型相当于一台用英语编程的计算机，它能做的符号操作远不止处理人写的话，还包括 JSON 对象、电子表格内容、XML 文档这些结构化的东西。Nathan 当场评价，这是节目迄今最好的问答之一。

他还补了一根可能的第三轴：智能体的寿命。一次搜索问答用完即弃，而有些实验里，AI 已经能记住一整天的生活、形成自己的反思记忆。从金鱼到终身伴侣，这根轴后面还会反复出现。

第一波场景：从七成推销邮件说起

失业问题绕不开，Welsh 没有回避：大多数情况下 AI 自动化不会让人失业，但有些工种确实会消失。他给的类比很形象：老照片里，一屋子会计趴在账本上，摇着机械计算器算一整天，那些活今天一张电子表格就干完了。

具体到行政助理这个行当，Nathan 有切身利益。他在给一家叫 Athena 的公司做顾问，这家公司在菲律宾雇了约一千名行政助理，一对一服务高管客户，内部管邮件代拟叫「预起草」（pre-drafting），为此建了一整套培训。Nathan 给自己定的任务是：帮 Athena 成为全世界最会用 AI 工具的 EA 公司，用他的话说，「请替我把我的工作干了」。

Welsh 自己也在用一家叫 Double 的公司提供的行政助理。他觉得 AI 能立刻帮上忙的地方有两块。一块是文字：邮件回复、日程请求、群发通知，对非英语母语的助理尤其费劲，AI 的提升空间巨大。另一块是流程：开头那七成推销邮件，分类、归档、礼貌回复，今天全靠人读人判。他的结论是，模型能力已经够了，缺的是「附肢」：AI 缺少伸进你各个系统里的接口，没法顺手读邮箱、写日历、调 API。

Nathan 补了一个用户视角的坑。他当过 Athena 的客户，例行日程委派得很顺，邮件代拟始终差点意思：内容挑不出错，换成他自己的措辞总觉得隔了一层。这道「最后一公里的语感」，人和 AI 都得想办法过。

安全与记忆：智能体的两颗雷

Nathan 亲自去 Fixie 平台试了玩，带回来一条有意思的用户反馈：他愿意把日历授权给官方的日历智能体，但看到黑客松里别人做的 Gmail 助手，死活不肯授权。信任是逐个智能体、逐项权限算的，每个用户心里都在记这笔账。

Welsh 坦承，现在的开发者预览就是「放开了让大家玩」，企业客户绝不会容忍来路不明的智能体接进内网，大多数企业会选择自建集成，数据流到哪、怎么处理，全部自己掌握。但信任决策本身不新鲜：Zoom、Google 日历、Slack 里挂的各种集成，大家早就在做同样的判断。

真正的新问题是数据流向。Welsh 举了个例子：造一个智能体，吞下公司整个 Notion 内网，什么机密都在里面，然后随便问它问题。这一问背后是一整条链路：查询先路由到某个语言模型，哪个模型、谁有权访问？再进向量数据库取相关片段，谁在运营、数据存哪、怎么删掉？对话历史又存在哪？每一环今天都可能是第三方：OpenAI 或 Anthropic 的模型，Pinecone 的向量库，整条软件供应链都得算进合规账本。

企业要的解法很传统：把足够好的模型放进自家防火墙。Welsh 承认这是当下最大的缺口，好消息是开源模型正在涌来，就在录制那一周，RedPajama 和 Stability AI 各放出一个新项目。

除了传统的数据泄露，还有新威胁。提示注入攻击：网页 HTML 里藏一句人眼看不见的指令，就能操纵读到它的智能体，就像早年藏进网页骗搜索引擎的花招。Nathan 的评价是，互联网在这类事情上从未被打败过，有人找到漏洞就一定有人利用。

Welsh 的应对分两层。第一层，当下就有大量价值可挖，哪怕对模型的绝对安全性信心不足，因为很多场景天然有人把关：邮件草稿发出去前，人总要读一遍，模型再怎么捣乱也就那样，这是一道天然的减速带。第二层，想把模型嵌得更深，就得在模型外面套软件的笼子。他举了前苹果工程师 Shreya Rajpal 的开源项目 Guardrails：给模型写一份规格说明，比如天气智能体的任何回复必须跟天气有关，报出的温度得在合理范围内，模型每次输出都对照检查。Welsh 承认这挡不住所有攻击，但方向对了。他更进一步的想法是专门训练小型验证模型，唯一的任务是给其他模型的输出打分，不需要一个会写儿童故事的通用大模型来做质检。Nathan 立刻联想到 Eric Drexler 的「综合 AI 服务」、Stability AI 的 Emad Mostaque 讲过的「百万小模型」，还有 Constitutional AI，甚至猜测 GPT-4 可能已经在内部用类似的语义校验。

记忆是另一颗雷。Fixie 目前的设计叫 session：用户和若干智能体之间一份只追加的对话记录。节目里有个例子：先让智能体画一张饼图，展示某个 GitHub 仓库提交数前十的贡献者，它会去调 GitHub 取数、再调另一个智能体画图；接着你只说一句「改成柱状图」，它就能接住，因为上下文都在 session 里。但 session 目前基本是一次性的，Welsh 说做成「永久 session」技术上不难，AutoGPT 和 BabyAGI 玩的就是用历史记录指导下一步行动。企业用例倒未必需要永久历史，客服场景先赢下一通电话，就已经赢了。

真正的坑是隐私。他打了个比方：你在 CNN 上手滑点了一双鞋的广告，接下来三周满网都是鞋。永久记忆最怕被无关信息污染，一条错误记忆能把整个智能体带偏。解法是语义分群：工作场景一套记忆，生活场景另一套。他自己的土办法是两个 Chrome 配置文件，一个工作一个私人，井水不犯河水。Fixie 平台上目前只有显式记忆：智能体主动把某条信息存起来以后用，而且必须按终端用户隔离，客服智能体绝不能在处理 A 的工单时说出 B 的订单。

终局形态：耳塞、端侧和苹果的远见

Nathan 问了个大问题：六个月后、两年后，一个人坐在电脑前干活会是什么样？Welsh 提到两个刚冒头的产品：Ember，嵌在桌面环境里的自然语言智能体；MultiOn，嵌在浏览器里。这类东西一旦不等你按快捷键提问，而是主动看着屏幕上发生的一切，性质就变了。Welsh 举着自己那台 MacBook Air 说，整个 Fixie 公司就装在这台机器里：邮件、Zoom 会议、文档、代码，全在。没有理由不让一个 AI 智能体掌握你整个工作生活的全部状态，顺带大部分私人生活。到那一步，Siri 那种「提醒我周三开会」就太初级了，机器应该自己知道你有什么事要处理。

他认为要凑齐三样东西：一是顺畅统一的用户体验，ChatGPT 已经证明过一次；二是个人数据的集散中心，浏览器、日历、邮箱、短信、Twitter 今天全散在各个地方，AI 要帮忙就得拿到和你同级的访问权；三是透明和控制，用户随时能看到、能撤销授权。

说到数据，Welsh 讲了段亲历。他待过 Chrome 团队，Chrome 默认记录你访问的每个网站、点过的每个链接，大多数人根本不知道这回事，因为一个藏在角落里的历史标签页进不了日常视线。他随后抛出更激进的判断：理想形态是数据只留在你自己的设备上，计算也发生在设备上。他在苹果工作过一段时间，苹果正是这个路线：不靠挖个人数据赚钱，重金投入芯片让端侧算力撑得起推理，代价是广告定向会变差，但他认为世界最终会走到这一步。Nathan 接话，配合芯片上的重注，苹果这套路线可能显得极具先见之明。

Nathan 还提了一个自己都承认半成品的想法：「自带嵌入向量」（bring your own embeddings），应用拿到的只是语义索引，原始数据永远不出你的设备。Welsh 觉得有趣，说这跟联邦学习有点像；今天嵌入向量其实能被相当好地逆向，但也有研究在做单向变换，保住近邻检索能力的同时堵死还原的路。不过他不信世界会等这套东西成熟：web 早期连 HTTPS 都没有，明文跑了很多年，SSL 出来后各家网站的采用还磨蹭了许久。新技术总是在安全和隐私就绪之前起飞，人们会心甘情愿把敏感数据交给未来的谷歌和 Facebook，换取眼前的价值。

至于交互形态，Welsh 押的是电影《她》（Her）：一只耳塞，随口说话，AI 在耳边低语，需要看的东西显示在手机上。眼镜他试过，在谷歌时他是少数在真实世界使用 Google Glass 的内部测试者，那东西没火，很大程度上因为脸上挂个摄像头社交上不可接受。耳塞藏在耳朵里不引人注目，而手机已经备齐屏幕、触控、语音和扬声器。文档和大屏场景仍需要文字界面，但走出桌面之后，耳塞加手机就是那个终极形态。

希望、恐惧，和明天就能做的事

节目结尾，Nathan 问了他最大的希望和恐惧。希望这边，Welsh 说得动情：

今天想充分利用计算机，你得属于一个会写代码的精英祭司阶层。把 AI 交到地球上每个人手里，会带来第二次信息革命。

恐惧这边，他想的是自己的孩子。写一篇好文章、写一段聪明的程序，这些旧的学习和评价方式会失效，那学校还考什么，谁拿 A 谁拿 C？他补了一句相当清醒的话：这些评价体系衡量的本来就未必是真正的智力，只是一些碰巧被看重的属性，AI 一来，规则得全部重写。他给自己的态度是「谨慎的乐观」。

这期节目录制于 2023 年 4 月，此后智能体确实成了行业主线，安全、记忆、端侧推理也全变成了显学，Welsh 当时的判断大多应验。对普通读者，有几件事明天就能做：

• 拿「副驾驶还是委派 × 自然语言还是流程」这张二维图扫一遍日常工作，标出你充当人肉管道的环节：读分类转发、抄录搬运、格式转换，这些是智能体的第一批目标。
• 选自动化场景时，优先挑有天然人工检查点的：草稿先过你的眼再发出去，模型出错的空间就被锁死了。
• 用任何 AI 应用前问三个问题：查询发到了谁的模型、向量库存了什么存在哪、对话历史能不能删。答不上来的，慎重授权。
• 工作和生活拆成两个浏览器配置文件，这条土办法今天就能防住未来的记忆串味。
• 盯住开源模型的进展，私有化部署的选项越多，企业把智能体放进防火墙的路就越宽。

至于那七成推销邮件，按 Welsh 的判断，让 AI 替你分类、归档、礼貌回复的那天，不会太远。