想象一下：某家市值千億公司的 CEO，深夜對著電腦屏幕，不是在批報表，而是在和 AI Agent 一起瘋狂敲代碼，連夜跑完上百輪實驗。
這就是Shopify的 Tobi Lütke，和 Y Combinator 的 Garry Tan 正在電腦前做的事。
硅谷不養閑人，CEO 狠起來連自己都卷。
YC 的 Garry Tan 這幾天一直沒閑著，他白天管團隊，晚上就用自己開源的 Gstack（把 Claude Code 配成 CEO、工程經理、QA、設計師等一整套虛擬團隊），花費 60 天時間寫出 60 萬+行生產代碼，日均寫 1-2 萬行，眼看 GitHub stars 蹭蹭上漲，Garry Tan 自己都興奮得每天只睡 4 小時。
另一位 Shopify 的老大 Tobi Lütke，親自用 AI Coding Agent，對著自己 20 年前寫的 Liquid 引擎反復實驗，把解析渲染速度提速到 53%，內存節省到 61%。
一個越來越清晰的變化是：這些原本處在決策層的企業管理者，正在親自跑實驗、開源工具、優化生產代碼、搭建 Agent 團隊，直接參與到這場 AI 的實際使用之中。
類似的動作，也開始在更多公司中出現。只是不少企業管理者對 AI 的接觸還停留在基礎問答層面，更多是寄希望于招募懂技術的團隊來解決問題。
但 AI 從來不是一個靜態工具，而是一種必須通過親手試錯、長期協作才能摸清真實邊界的系統。
也正是這種認知差，開始拉開分水嶺：有人還在“使用” AI，有人已經和 AI 一起“干活”。
在國內，360 集團創始人周鴻祎就是后者的典型代表。
01
AI 的不可預測，必須得親自試用和踩坑過去一段時間，管理者理解技術的方式是必要且穩定的：通過傳遞的信息獲取認知后，再依靠匯報形成判斷，而無需親自參與研發和執行。
在這種模式下，技術的功能、性能、進度，都可以被整理成報告，被壓縮進 PPT，再轉化為決策依據。
但當 AI 開始進入真實開發與生產流程，想要建立精準的技術判斷，僅僅依賴常規信息傳遞機制可能還不夠。
在與耶魯創新學者交流時，周鴻祎也進一步解釋，如果沒有深度參與 AI 的實際使用，很難在關鍵節點上做出有效判斷。
也正因如此，他選擇持續親自參與智能體開發、流程調試與 Skill 調整——其核心目的并非展示技術能力，而是獲取更接近真實使用環境的一線體感。
周鴻祎在一次媒體訪談中提到，自己原本并不相信 AI 真能寫復雜軟件，直到今年親自與 AI 合作寫出一個復雜的軟件智能體后，才改變了這一看法。
在真實的協作環境中，他觀察到 AI 明顯的兩面性：它聰明時，就是“合作過水平最高的程序員”，理解力強，能快速寫出幾千行代碼；但同時它也會犯錯，不按常理出牌，甚至誤刪代碼。
有次，在一項具體的開發過程中，周鴻祎也直觀感受到 AI “出錯”的一面：原本交付的 1200 多行代碼，在最終核對時只剩下約 600 行。他當時的第一反應是：“是不是智能體又把代碼改掉了？”
也正是在這些反復試錯中，他逐漸意識到，很多問題不僅存在于開發者側，在普通用戶那里會被進一步放大。
這種認知，隨后開始反過來影響產品形態。
普通用戶在接觸 AI 時，面臨的不只是“會不會用”的問題，更多卻是“裝不裝得上”“能不能穩定運行”“敢不敢長期使用”等具體而復雜的現實情況。
圍繞這些真實需求，團隊推出了“360 安全龍蝦”，試圖降低用戶在部署和使用過程中的門檻與不確定性。
這些真實的協作體驗讓周鴻祎再次確認了一個事實：“AI作為生產力新物種，它的系統邊界和協作成本，需要親自使用和踩坑來建立真實判斷。
02
當企業家徹底開始一場“長期體感課”外界看到的，是老周的“突然下場”；而實際上，周鴻祎的這條實踐路徑已經探索了有一段時間。
早在 2024 年 11 月，他就開始嘗試將 AI 帶入實際生產場景：出演 AI 主題短劇《重燃人生》，用 AI 工具參與內容制作，同時通過直播演示納米搜索，展示 AI 在信息獲取與處理上的能力。
但真正的轉折，發生在老周開始深度參與 AI 開發之后。
“春節期間，我基本上是不眠不休，不吃不喝，每天所有的精力都用來跟 AI 一起在苦戰。”周鴻祎曾對媒體表示。
也是從那之后，周鴻祎逐漸回到了一個更接近產品一線的位置，在聽得見炮火聲的地方，砥礪躬行。
他不僅親自“養龍蝦”，還在龍蝦安全媒體交流會上系統聊安全風險、配置門檻和未來方向，甚至推動 360推出 OpenClaw 一鍵安裝版，讓普通人也能輕松上手。
這種狀態并不是體驗式的嘗試，而是一種持續高強度的投入，周鴻祎在多個場合里提到，自己經常和 AI 一起編程。
有時一整天十幾個小時，老周都在對著電腦不斷給模型下指令，讓它寫代碼、改程序、構建智能體、調整 Skill，再一遍遍調試流程。系統里一部分智能體和 Skill，并不是團隊直接交付的結果，而是他一點點改出來的。
比如，當下很多人都在討論“龍蝦”運行時的 Token 消耗，但如果只是聽別人提起，很難對這種消耗建立具體感知。
“納米漫劇流水線”，更像是一個典型的階段性案例——它標志著多智能體開始真正進入具體生產場景，并驅動一個垂類內容行業的完整流程。
在這一過程中，周鴻祎深度參與智能體的構建與調試：前后“手搓”近百個智能體，對話超過 5000 次，總計消耗約 12 億 Token。
在完整跑通系統之后，他更切實感受到，一個能夠穩定運行的智能體，單次執行往往就需要消耗上千萬 Token，而整套系統，也是在兩三百個版本的反復迭代中才逐步成型。
這意味著，很多關鍵能力并不是一開始就設計完成的，而是在不斷試錯中被“跑出來”的：智能體邏輯需要反復調整，流程需要一遍遍重構，Skill 結構也在使用過程中不斷被修改。
這種工程級別的參與，并不只停留在過程本身，也開始沉淀為具體結果。
前邊提到的“納米漫劇流水線”，正是在這樣的反復試錯中逐步形成。它基于多智能體協同運行，覆蓋劇本、分鏡、生圖、配音與剪輯等環節，整套流程并非預設，而是在大量 Token 消耗和數百輪迭代中逐步跑通并穩定下來。
目前，這一流水線已經進入規模化使用階段，并與國內頭部影視、短劇公司和AI短劇創作者展開合作。
在這個過程中，周鴻祎發現，自己面對的不是一個可以被調用的 AI 工具，而是一整套復雜的協作系統——從任務拆解、模型調用，到流程銜接與結果驗證，每一個環節都可能出現偏差，也都需要人為持續介入。
這種體驗，在硅谷開發者社區中也有一個更形象的說法——“保姆式體驗（BabysitterExperience）”。
開發者需要花大量時間與 AI 反復交互，糾正錯誤、補充上下文、修復問題。表面上看，效率似乎提升了，但實際投入的時間并未減少：AI 生成代碼很快，但理解代碼、調試錯誤以及修復問題，往往會把節省下來的時間再次消耗掉。
即便是 Garry Tan，在每天生成上萬行代碼的同時，也不得不為此專門搭建一套復雜的工作流框架（Gstack），用來約束 AI 的輸出，避免系統在不知不覺中走向失控。
這些來自一線的真實體驗，正在改寫人們理解 AI 的方式。
03
AI 時代，判斷力是最貴的資產當全民養蝦成為浪潮，“焦慮”也伴隨而來：要不要參與？以及該怎么參與。
很多人困惑的是，面對一項快速變化的新技術，很難僅憑外部信息建立清晰判斷。
這也正是 AI 對行業造成的核心沖擊：面對同一套先進的工作流技術系統，無論企業老板還是基層員工，如果不親自動手、不親身入局，都將面臨被技術淘汰的風險。在這場洗牌面前，沒有任何人擁有特權，也不存在所謂的“角色豁免”。
破解這種“FOMO（錯失恐懼）”感，唯一的解法就是親自下場。當真正開始使用智能體，參與到具體任務中，才會逐漸理解它在工作中的作用方式，以及像 Token 消耗這樣的關鍵成本是如何在實際運行中體現出來的。
這種一手體驗的重要性，也在于 AI 的演進速度，從模型到 Agent，再到更復雜的協作系統，每一輪變化都在重構既有的工作方式。對于個體而言，很難長期置身事外。正如周鴻祎此前所說，拒絕使用AI的人可能會被時代淘汰。
以前是“遇事不決問模型”，現在 Agent 逐漸進入生產流程之后，人和 AI 的關系正在發生變化。智能體就像是人的“手和腳”，負責調用工具，而人轉向目標設定、過程約束和結果評估。在這種結構下，決定效率上限的，是人對系統的理解和調度能力。
理解了這一層，就能懂得周鴻祎動手實踐背后的深意。作為企業管理者，他需要對 AI 效率、成本與邊界形成穩定判斷，拋開管理者身份，作為普通人，他在多 Agent 協同、流程調試中遇到的問題，本質上也是所有使用者都會面對的問題——只是規模不同。
從這個意義上說，周鴻祎最近修的并不是一次個人層面的“補課”，更是一門 AI 時代稀缺的判斷課。在這場技術變革中，真實體感永遠比二手經驗更值錢。
