小扎做了“认知韭菜”——数十亿买Manus王庆法
过去一年，Agentic AI几乎成了所有大模型应用的默认叙事，自动写代码、自动做研究、自动操作软硬件。
昨晚Meta官宣数十亿美元收购Manus以扩展其AI Agent能力，年末将这波Agent热潮推到了新高度。
但笔者呼吁大家冷静，一是小扎的技术落地判断力，已经在元宇宙时期得到了印证；二是实事求是看Agent，演示往往令人震撼，真正落地时却一地鸡毛。
不要让Agent成为下一个元宇宙。并不是因为工程细节没打磨好，也不是模型还不够大，这是一个结构性问题。
UIUC、斯坦福、普林斯顿、哈佛、伯克利等华人学者最近的论文《Adaptation of Agentic AI》【文献1】首次在机制层面，给出了一个非常清晰的解释框架：
大多数所谓智能体Agent系统，根本没有真正的适应闭环。
一、Demo总是成功
因为Demo场景刻意消除了适应的必要性。典型Agent Demo具备几个共同特征：
任务分布与训练/调参高度一致，工具接口稳定、低噪声、近乎确定，Prompt被精心设计输入几乎不偏航，人类在旁边随时软纠错。
在这种环境里，系统只需要做一件事：生成一次性看起来合理的多步计划。
论文启发我们的一个关键洞见是：
这些Agent Demo验证的是静态策略生成能力，而不是智能体能力。直白说，Demo成功并不需要系统具备任何真正的学习或适应能力。
二、落地一地鸡毛
论文将Agent的适应拆成两个正交维度：
谁在被优化？Agent本身 vs 工具；反馈信号来自哪里？执行结果 vs 输出质量，得到四类适应机制（A1 / A2 / T1 / T2）。
图1：智能体人工智能的适应性概览。智能体：作为协同推理模块的基础模型；工具：独立于智能体模型的可调用组件，例如API接口、机器学习模型、子智能体或记忆模块。我们将这些适应性调整分为两类：智能体适应性（A1 & A2）：针对智能体模型的适配优化；工具适应性（T1 & T2）：为智能体适配工具的调整。
图3：四种适应性范式示意图（A1、A2、T1与T2）。在所有子图中，红色高亮字母表示在适应性调整过程中直接优化的组件。红色箭头指示适应性训练信号的来源。黑色虚线用于区分监督微调（SFT）与强化学习（RL）两种训练场景。
现实中失败的系统，往往四种适应都没有。
1.没有从真实执行中学习，缺失 A1
现实世界的工具是噪声系统：API会失败，数据会过期，环境状态不可完全观测，但大量Agent系统从不利用执行结果反向修正自身策略。
结果是Agent会持续生成语义上合理、物理上不可执行的行动序列。在Demo里看不出来，一上线就是灾难。
2.没有长期质量反馈，缺失 A2
真实任务的成功信号通常是延迟的、模糊的、和非局部的。很多系统只在最终输出层面做一次性评估，中间偏航无法被识别，更无法被纠正。
于是系统呈现出一种典型症状，看起来一直在认真思考，但结果越来越偏。
3.工具被错误地假设为固定且可靠，缺失 T1 / T2
论文一个非常重要但常被忽视的观点是：Agent与工具之间也存在能力错配问题。现实中常见的失败模式包括：
Agent规划能力大于工具真实能力，Agent对工具行为的内在模型是错的，新任务出现，但工具能力从未更新。
没有工具适应的系统，本质上是在用一个静态的外部世界支撑动态推理。
三、真Agent幻觉
这篇论文实际上点破了一个行业级的误解：看起来像Agent不等于具备Agent能力。
很多系统只是LLM +工具调用模板，再加一些prompt控制逻辑。它们不具备任何持续适应机制，却被包装成自主智能体。
在论文框架下，这类系统既不属于A1，也不属于A2，工具层面同样没有T1/T2，注定只能在Demo中成立。
四、越复杂崩得越快
论文隐含了一个非常物理的结论：Agent行为复杂度的提升，对适应机制的需求是非线性增长的。
多步规划必须有A1，长时任务必须有A2，多工具协作必须有T2，开放环境必须持续适应。
现实中的很多环境已经跨过了复杂度临界点，而Agent系统却仍然停留在静态策略生成的架构阶段。崩溃不是偶然，而是必然。
Demo之所以成功，是因为环境在适应系统。实际落地一地鸡毛，是因为Agent并不真的会适应环境。
五、小扎做了认知韭菜
如果Meta收购Manus逻辑建立在Agent Demo等于可扩展Agent能力之上，这笔交易大概率是在为演示幻觉付费。
也就是说，买的是叙事，不是Agent系统能力和适应性。
Manus这类公司在资本层面特别值钱。笔者认为是它们踩中了三个当下最容易被误判的信号：
1.看起来像AGI的行为外观：多步规划，自主调用工具，复杂任务链路，流畅的语言自我解释。
而这些全都是静态策略生成可以伪装出来的东西。这些行为并不必需任何A1/A2/T1/T2级别的适应机制。
2.Demo在去适应化环境中极其稳定：工具可靠，输入受控，任务分布窄，人类隐性纠错。
在这种环境里，任何强一点的LLM + workflow都会显得像智能体。资本往往把这种稳定性误读为系统已经具备自主能力。
3.Agent正好击中大厂的战略焦虑：对Meta而言尤其明显，基础模型层面被OpenAI/Google压制；
应用层缺乏爆点，急需一个下一代计算范式的叙事，Agent是最便宜、最快速、最不需要底层突破的宏大叙事。
真正的问题是，Manus解决了哪一类适应？用论文的A1/A2/T1/T2 框架冷静评估，可以发现：
Agent本身不通过真实执行反馈更新，弱或无A1；没有跨任务生命周期的质量修正机制，弱A2；工具能力基本冻结，无T1；工具适应更多是workflow，而非学习，伪T2。
这意味着，系统的智能外观高度依赖环境假设，一旦环境漂移，能力会断崖式退化，Palantir也有漂移问题。Demo强，不等于可部署，不等于可扩展。
六、不畏浮云遮望眼
虽然对Meta来说，这数十亿美金可能换来叙事、人才、时间窗口，未必亏。但对技术判断来说，如果Meta管理层相信这是Agent能力突破，那就是被认知收割。
真正韭菜的点在于,把语言模型的策略生成能力,误当成具备自我修正的智能体系统。
Manus之类的Agent公司，卖的不是智能，而是在不需要适应的环境中，看起来像智能。
而《Adaptation of Agentic AI》这篇论文，恰恰说明了：一旦进入真实世界，缺乏适应闭环的系统，规模越大，崩得越快。
Agentic AI 泥沙俱下，但群众的眼睛是雪亮的，不畏浮云遮望眼，因为他们掌握了强大的认知武器。
■ 这位90后华人把公司卖给Meta：20亿落袋？（组图）
■ Manus被Meta数十亿美元收购的背后（图）
