2026 年 7 月，Kimi K3 发布。官方展示了一个引人注目的案例：模型连续自主运行 48 小时，使用开源 EDA 工具和 Nangate 45nm 工艺库，完成了一款芯片的设计、优化与仿真验证。这颗芯片用于运行一个基于 K3 自身架构的 nano 模型。
这只是 45nm 工艺上的仿真概念验证，距离流片和量产很远，数据也主要来自厂商披露。但它已经说明：当目标可以形式化，过程能够调用工具，结果又有强验证信号时，AI 可以长时间接管“提出方案—执行实验—读取反馈—修改方案”的循环。
当搜索、实验和验证逐渐成为可调用的能力，人的主动性体现在哪里？
我认为，主动性与亲手完成多少步骤无关。关键在于：你是否知道系统在优化什么，能否质疑前提、验证结论、拒绝建议、修改目标，并为最后的选择承担后果。
真正的风险，是人变成橡皮图章
综述《Self-Improvements in Modern Agentic Systems: A Survey》把现代 Agent 分成基础模型和运行框架。后者包括 prompt、memory、tools 和 control logic。Agent 执行任务、获得反馈，再把经验写回模型或框架，由此形成持续改进。
AI 的能力因此不只存在于模型参数里，还会进入记忆、工具、工作流和评价标准。当它从使用工具走向选择工具、创造工具，从回答问题走向提出问题，也开始进入人的决策空间。
可以把协作中的权力分成两种：
- 提案权：发现问题、提出目标、生成方案和排列优先级。
- 授权权：决定哪些目标获得资源，哪些代价可以接受，谁承担结果。
AI 的提案权会越来越强。它能阅读海量材料，搜索候选方向，提出人没有想到的实验。危险在于，授权权形式上仍属于人，内容却被逐渐掏空：问题、证据、排序、风险解释和反对意见全部来自同一个系统，人只负责最后签字。
保留确认按钮并不等于保留主动性。你还要能发现选项之外的问题，说出拒绝的理由，并有能力让拒绝生效。
用评估 Agent 的方法评估自己
那篇综述指出，最终分数上涨不足以证明 Agent 真正变强。它可能记住评测反馈、迎合固定 judge、消耗更多资源，或在新任务上进步、旧能力上退化。
我从论文中选取了四条评估原则，用来检查人在 AI 协作中是否仍然主动。
第一，看完整轨迹。产出变多、速度变快，只能说明效率提高了。还要观察自己定义问题、识别错误和独立判断的能力是在增长，还是在萎缩。
第二，在分布外验证。Agent 要在未见任务和隐藏测试上证明迁移能力，人也要保留不经过 AI 的现实反馈：接触真实用户，查看原始数据，亲手做实验。所有信息和评价都经过同一个模型时，系统性偏差很难被发现。
第三，让生成与评价相互独立。同一个系统同时定义问题、生成方案、制定标准并宣布成功，容易学会改善指标。重要决策需要独立证据、不同的评价框架，必要时交给其他人或系统审查。
第四，检查能力回退。使用 AI 可能提高日常产出，也可能削弱从零搭建、调试和论证的能力。两条曲线需要分别观察。
人的主动性不是一个默认身份，而是一项需要维护的能力。
一套保留主动性的协作闭环
我更愿意按下面的顺序使用 AI：
人形成第一版问题
-> AI 扩展选项、攻击前提
-> 人重新定义目标
-> AI 执行搜索、实验与实现
-> 独立证据验证关键结论
-> 人授权下一步并承担后果
-> 现实反馈进入决策记录这套闭环可以落实为五个动作。
先写下人的第一稿
询问 AI 前，先花十分钟写下：我观察到了什么？真正想改变什么？为什么重要？什么结果算成功？
第一稿不需要成熟。它的价值是留下一个未经模型塑形的起点。之后再看 AI 如何扩展或推翻它，你才有机会比较两种判断。遇到问题立刻问 AI，产出也许没有下降，但你会逐渐停止生成自己的问题和假设。
让 AI 展开空间
面对重要问题，少问“最佳答案是什么”，多问：
- 按效率、公平和长期安全排序，结论有何不同？
- 谁获益，谁承担代价？
- 哪些事实会让建议反转？
- 最强的反对意见是什么？
AI 适合寻找盲点、构造反例。看完这些答案，再重写自己的第一稿：哪些观察仍然成立，哪些目标需要改变，哪些代价以前没有看见？人要重新定义问题，而不是从 AI 给出的菜单里挑一项。
保留独立验证和最低能力
能廉价验证的工作可以大胆委托：代码跑测试，数学核推导，分析回到原始数据。越是延迟验证的判断，接受得越要慢。流畅的表达不会自动增加证据。
对自己负责的领域，还要保留最低限度的独立能力。程序员能调试关键路径，研究者能检查实验设计，管理者能读懂核心指标。你不必比 AI 更快，但要能发现异常并设计验证。
定期安排一次“手动飞行”：不用 AI，从零写一篇文章、搭一个小系统或完成一次分析。频率不用高，过程必须真实。
用可逆实验控制风险
无法直接证明的重要判断，可以改造成小规模现实实验：
提出假设 -> 小规模行动 -> 观察反馈 -> 修改问题 -> 决定是否扩大AI 可以快速生成和执行方案，人负责预算、权限、停止条件和影响范围。涉及资金、隐私、安全、健康或不可逆关系的动作，应保留人工批准和回滚路径。Agent 行动越快，边界越要清楚。
记录同意与拒绝的理由
为重要决定保留一份简短记录：追求什么目标，采纳和拒绝了哪些建议，判断依赖哪些假设，何时重新评估，现实结果如何。
长期积累的重点不是 AI 的答案，而是你自己的判断模式。现实反馈会暴露稳定偏差：何时过度相信模型，何时因自尊拒绝了好建议，哪些价值总在压力下被效率挤掉。
把 AI 当作同事，不要变成它的接口
一个能力极强的同事可以替你搜索、实验、写作和编程。你会审查产出、追问证据、讨论分歧，也会在必要时改变目标。
当 AI 成为思维的默认入口，关系就变了：遇到问题条件反射地先问，看到结论不再检查，做出选择也说不清理由。人仍在操作工具，却只剩下转发输出。
保持主动性不要求少用 AI。真正需要保住的是几项权力：定义目标、查看原始证据、选择评价标准、拒绝建议、改变方向、随时退出，以及承担后果。
AI 会继续向循环上游移动，也会提出越来越好的问题。但什么值得成为目标，哪些代价不可接受，何时应该停止，仍然需要一个能够说“不”的人。
我不同意。我们换个方向。