从代码到改变物理世界
现代人工智能已经能熟练编写代码、分析文档并自动化日常事务。但真正雄心勃勃的下一步，是教会模型作用于现实物体，而不仅仅是数字系统。这正是21岁工程师康斯坦丁·马伦琴科眼中的未来。他的论点很简单：人类应该能够像编码代理编辑程序代码一样自然地“编辑”物质。
非典型职业生涯：从游戏到AI基础设施
康斯坦丁的经历不同于专业院校毕业生的标准路径。他离开了乌克兰，有意没有上大学，八岁时就开始编程。十二岁时他完成了成人课程，十四岁获得第一份工作，十五岁创立了一家移动游戏公司。公司运营了四年，有营收也有员工——对青少年来说，这是一堂极其高强度的管理速成课。
下一阶段是加入AI初创公司Echelon，康斯坦丁成为首批工程师之一。他参与构建企业AI管道的核心，并负责企业客户的上线引导。团队最终扩展到十二人，并签下多个企业合同。但重要的不是数字，而是康斯坦丁从这段经历中得出的结论：真实系统不会以完美、现成的格式呈现。它们的结构需要去发现，而不是直接拿来用。
游戏背景也塑造了他的世界观。即使在看似一切可控的移动游戏中，用户行为也无法提前预测。人们的行为总是出人意料，这让人对预测保持谨慎。如果连数字产品都不可预测，物理世界就更不用说了。
为什么“窄”模型不够用
许多机器人和自动化项目走的是训练高度专业化模型的路子：一个用于特定的机械臂，一个用于某台机床，还有一个用于零件分拣。康斯坦丁认为这种方法有局限。物理世界并不“窄”，它多变、复杂，不断带来新情况。
大型模型可能成为灵活的替代方案。它们在窄任务上可预测性较差，但擅长泛化、将知识从一个领域迁移到另一个领域，并适应上下文。而编码代理则提示了如何构建交互：代理不只是给出答案，而是规划变更、执行变更、验证结果，必要时还会回滚。
改变物理环境的系统也应如此运作。理念是让AI帮助人类规划操作、选择参数、测试假设并监控过程——而人类始终是最终决策者。
真实数据不容马虎
企业AI管道的工作还揭示了另一件事：“脏”数据和不确定性是常态，而非例外。企业很少提供整齐标注的数据集。更常见的是零散的记录、不同的格式、人为因素和不完整的说明。工程师不应等待理想条件，而要能从混乱中提取结构。
在软件中，错误通常可以用下一次提交来修复。在物理世界中则完全不同：材料、资源、机器和环境的变化可能是直接的、不可逆的。因此构建这类系统必须格外谨慎。最好从小步骤开始，在仿真中验证假设，然后再迁移到真实物体上。
AI越强大，人类判断越重要
康斯坦丁谈到的主要悖论，是随着AI工具增强，人的角色问题。乍看之下，模型越聪明，专家参与就越少。实际上恰恰相反：AI能力越强，选择正确任务并判断它是否值得解决就越关键。
在移动游戏中，推出一项不受受众欢迎的功能很容易，而且很快会得到负面反馈。在真实系统中，错误决策的代价要高得多。因此，这位年轻工程师设想的未来不仅关乎加速开发，还关乎更精准、更负责任的变更管理。AI可以成为伙伴而非独裁者：它负责规划、调优、测试和监控，但人类保留最终决定权。
也许很快，编写提示词将不再像向聊天机器人提问，而更像绘制未来变更的蓝图。关键在于，在这些工具大规模进入生产、能源和城市环境之前，尽早培养谨慎的文化。物理世界太重要了，不能允许模型在它上面通过试错来学习。
