在 2026 码荟上，Meshy AI 创始人兼 CEO 胡渊鸣带来了题为“AGI 倒计时 500 天”的分享。在他看来，AI 时代最重要的变化，不只发生在模型能力本身，也正在重写创业者的工作方式、组织管理方式，以及创始人判断技术、使用人才、配置组织资源的基本逻辑。

胡渊鸣从自己管理 10 个 coding agent 的一线实践讲起，谈到 AI native founder 如何提升 agent 吞吐量、如何理解 vibe coding 的真实边界，再进一步讨论AI时代的管理学变化：当每个人都能借助 AI 承担更高产出，组织该如何重新定义人才密度、中层价值、KPI与OKR，以及 founder mode。真正值得追问的问题是：在 AGI 临近的时间窗口里，创始人如何更早建立 AI 原生的认知、组织和执行系统。

本文在保留原意基础上略有删减，分享给读者：

我是 Meshy AI 的创始人兼 CEO 胡渊鸣，这是我为「2026 码荟创业者年会」特别准备的一份 CEO 视角的实践干货。这半年我的认知又被现实反复修正了好几轮：我曾断言“应该克制住去 review AI 写的代码的冲动”，后来碰壁多了，又退回到“核心代码必须人来 review”；我对 AI 能力“100 倍提高生产力”的判断，后来意识到它只适用于工作中任务的某一层级，用错了层级就会严重误判；再比如“CEO 到底该不该写代码”，我自己反复了 5、6 次。所以这不是一篇结论，而是一份还在迭代中的切身实践。

今天想讲两件事：一是我的 vibe coding 实践迭代，二是 AI 时代的管理学会有哪些变化。其中第二件事，是我最想和在座每一位创业者交流的。

主要观点：

• 硅谷AI领袖们普遍认为 2027 年底人类就能实现 AGI ——我们每过一周就接近 1.4 %，也许 500 天以后，AGI 实现了，大家就会获得更多做自己喜欢做的事的自由。
• 衡量一个人用 AI 的水平，别再看烧了多少 token，要看你的 agent 无人介入能连续干活多久，你同时能管几个 agent。
• 在大多数任务上，人类进步、被培养的速度，都没有 AI 进步的速度快。
• AI 最大的优势，是它可以实事求是、不用照顾感情——而不面对现实、不理性恰恰是人类最大的弱点。

AI native founder：从管 10 个 AI 开始说起

简单介绍下，我们公司是全球领先的 3D 生成式 AI 产品，能够将文字、图片乃至一个想法转化为 3D 模型。目前 Meshy AI 已实现数千万美元的 ARR，在海外市场拥有领先的市场份额，全球用户超过 1000 万；同时，我们也很荣幸是码荟成员企业之一。

先讲第一部分，关于我自己如何管理 10 个 coding agent。年初春节那段时间我基本没休息，大量时间都在搞 vibe coding。在这个过程中我发现，AI coding 工具有很多地方我们可以基于它再做得更好，发挥出更大的作用。核心问题就一个：如何提高一个 coding agent 的吞吐量。

我的方法是一步步递进的，但每一步背后都是同一个朴素的管理直觉。

第一步，从图形界面的编辑器，转到基于命令行的工具，因为这样很方便你做二次开发——你想改动 CLI 工具是特别容易的，而图形界面的 agent 是很难改的。

第二步，找一个好的容器(Sandbox)。我用的时候一定会做一件事，就是把所有权限请求都跳过、全开。如果不全开，它每加一个文件、删一个文件、跑一条命令都要回来问你，你和它交互的频率就高得离谱，每 10 秒就得批准一次，你肯定不希望是这样。

但权限全开最大的问题，是它可能做出很危险的操作。在做原型的过程中，我就经常发现它把我的数据库给删了——因为它拿我的生产环境当测试环境，测完一清空，把整个库全删了。所以我后来又写了一个 agent，每小时备份一次数据库，要不然我都不敢让它干太多事。简单说就是我们得给 agent 一个好的环境，让它在里面自由驰骋的同时，有一条边界，不让它做太出格的事。

第三步，开发一个多进程管理系统，一个人管多个 AI。没有工具辅助时，我大概一个人能管 3 到 4 个——一个做规划，一个干活，一个收集信息，差不多就到头了，因为人的注意力非常有限。

第四步，让 agent 一定要能自己闭环：它必须能自己写、自己测、自己看到自己干出来的结果。这其实和管人非常像——应该尽量去设置清晰的目标和评估方式，提供好 context，而不是去 control。很多管理人类组织的思想，对管理agent 也很有效。

后面还有几件事：我搭了一个云端网页系统，可以在手机上用语音输入管理这些 agent，因为不能电脑一合上 agent 就不干活了，它得 7×24 小时可以工作；走在路上不能打字，但可以说话，很多转瞬即逝的 idea，最好的方式就是直接语音说给 agent 让它去干。

而我最近一个明显变化的看法是关于要不要 review 代码。之前我一直认为AI 写的代码不需要 review，给它一个环境自己 debug 就行；但最近碰壁比较多，我往回退了一步——核心代码要 review，非核心代码可以让它写。

我还发现一个对自己特别有用的点：用AI 提高认知。以前学一个东西要自己查大量资料，现在我可以让 agent 先把资料收集好、整理好，用可视化甚至交互的方式呈现出来，半小时就能把一门学问的脉络梳理清楚，我再花半小时学。我们内部把这叫做“吃AI 的流食”——别吃干饭，吃流食，吸收更快。当然，这里有一件必须高度警惕的事：信息安全。如果不做信息隔离，理论上可能发生一个部门的同事不小心通过提问AI，知道其他部门敏感信息这样的事情。所以在AI 时代，Sandboxing 和权限隔离，一定是 AI native() 公司最重要的问题之一。

图片来源：Meshy AI 创始人兼 CEO 胡渊鸣提供，他用 AI 制作的艺术史脉络学习网站

我们为什么总是误判AI ？

讲完实践，我想分享一个更底层的思考：为什么我们这么容易低估AI，又这么容易高估它？

图片来源：Meshy AI 创始人兼 CEO 胡渊鸣提供，他用 AI 制作的艺术史脉络学习网站

先说低估。我一直在想，Claude Code() 这么牛的东西，我怎么 2025 年底才意识到 AI 能把代码写得这么好？我总结下来有三点：

第一，我们作为人类，潜意识还是觉得自己应该比 AI 牛——这个想法一定要摒弃。我发现在大多数问题上，人也不过如此，和 AI 比起来并没有太多特殊性。人去 coding，无非也就是敲敲命令行、想想、查查资料，这些事 AI 都能做；当 agent 把这些工具都接进AI 的大脑以后，它能解决的问题和人比起来没有本质区别。

第二，我没有用动态的眼光看技术的价值。23 年的时候大家觉得大模型还是个 toy，有很多问题，但后来大力出奇迹，现在这个奇迹已经解决了很多具体的用户问题。

第三，是我对技术的理解还不够深入。当你对一个技术理解得足够深，你才会发现里面还有那么多不完美的地方——而这些地方一旦被解决，技术就会变得更强。所以我现在愿意花大量时间去理解技术细节，因为在今天这个时代，创始人对技术的深层次理解，好像从来没有变得这么重要过。

再说高估，这其实是同一个问题的另一面：我们到底该如何客观衡量AI 能帮我们解决什么。我的想法是，以 coding 为例，它其实是三层的东西。第一层是敲代码——这件事 AI 肯定做得非常好。我以前高中打计算机竞赛，能在五小时内写几千行代码，比赛中排到过中国前十名，但我不可能跟AI 比敲键盘的速度，因为人家根本不用敲。这一层的加速大概是 100 倍。第二层是软件架构，AI 见过不少好架构，所以也能做，但加速可能只有 3 倍。第三层，是这个软件到底要解决用户的什么问题、要往哪个方向做——这一层 AI 的加速我认为几乎为零。为什么？因为有价值的东西一定是新的，新的东西一定不在历史训练数据里，而 AI 恰恰是用历史数据训出来的。

图片来源：Meshy AI 提供

所以大家误判 AI 最大的原因，就是把第一层 100 倍的加速，错误地套用到了第三层上。我们必须意识到，AI 在解决不同层次的问题时，加速比例天差地别。它并不是平均地加速了整个过程，而是把瓶颈从“敲键盘”往上挪到了“选择方向”——而方向这一层，恰恰是训练数据最稀缺的地方。这个认知，决定了一个 founder 该把自己的时间花在哪里。

当AI 让每个人都能干 10 倍的活，组织会怎么变？

这是我作为一个 founder 一直在思考、并且想法还在不停迭代的问题。我最喜欢两本管理学的书，从中提炼出两个我至今认同的观点：一是格鲁夫()说的，只有产出可以衡量管理水平。管理者的职责，就是最大化团队的产出，这一点在 AI 时代依然成立。二是拉姆·查兰说的，管理是通过他人实现结果。

在这个前提下，founder 永远要做的事不会变——描绘清晰的愿景、组织优秀的人才、通过有效的执行去实现它。但具体的管理动作，几乎每一项都被 AI 重写了。

指明方向：大方向你还得想，但很多小方向 AI 已经替你做好了；以前产品经理只能描述脑子里的想法，现在产品经理可以直接用 AI 做个原型交接给工程师让工程师工程化——方向变具体了。

赋能团队：现在你团队里可能90% 产出来自 AI，我很多工作其实是在给 AI 铺路，给它一个好的基础设施，让它没有障碍地去做。

培养下属：最大的变化是，在多数任务上，人被培养的速度，都没有 AI 进步的速度快——所以人才梯队也应该是“会用 AI 的人才”，你培养他，其实是在教他怎么用 AI。

最关键的一点，是 AI 带来了一种全新的竞争。AI 最大的竞争优势，就是它可以实事求是，不用照顾感情——而不务实、不理性恰恰是人类最大的弱点。很多时候出问题，就是因为我们没有面对事实，或者沟通时太顾及感受，结果说了半天对方也不知道你想表达什么。但跟 AI 说话可以非常直接。之前网上有一个很有意思的段子：“不要对 AI 说谢谢，因为如果全世界 ChatGPT 用户每天说一次谢谢，一年大概要耗掉几千个家庭年用电量。” 具体的数字大家也许可以通过 token 的 API 价格去推算。在这个时代，开放的心态、实事求是的思维，变得格外重要。

组织的边界也正在被 AI 抹平。比如很多公司工程师原来分前端和后端，现在不分了，因为前端的大部分工作已经很大程度上被 AI 完成；产品经理和工程师的职责也越来越分不清。所以要做成一件事，主要靠的是人才密度——你得找最好的人，他一个人能干很多事，而且对跨部门有很强的同理心。很多岗位的定义，尤其是“AI exposure”高的岗位，可能真的要重新思考。Founder 也必须要不断迭代自己，才能保持竞争力。

AI 时代管理学的几个新结论

顺着上面的思路，我有几个更具体、也更尖锐的结论，想和各位创业者交流。

第一，KPI 和OKR 可能已经无法适应这个时代了。我在硅谷问那些在最前沿的公司工作的朋友有没有 OKR、有多重视 OKR，答案要么是没有，要么是刚定两天行情又变了。
那什么更重要？我觉得是文化和人才密度。在剧烈的变化下，很多时候无法用定量指标来衡量一个人和团队的贡献，相比于建立一个完善的制度，对人的信任和依赖其实会变得更加重要。但另一方面， AI 又是如此新兴的一个行业，如果要求所有岗位的人选都有很好的 track record，那就找不到足够的人才了。这个时候必须要大胆启用有能力、有自驱力的年轻人上马，然后选择相信他们。

第二，中层管理的工作会发生显著变化。我一直强调，我们公司每一个技术管理者都必须能亲自写代码或者至少深度了解业务细节，因为不懂这些细节就没法管理。而管理者过去很多工作——上传下达、做 PPT——完全可以交给 AI。所以这个时代更适合那种能 hands-on 解决问题的人。再加上扁平化的 founder mode（黄仁勋有40 个直接汇报），有了 AI 帮你做大量管理工作，这件事变得更容易做到了。还有一点是用 AI 加速信息流动：很多跨团队协作的问题，无非是“这功能做好没”“什么时候上线”“谁负责”，我们现在大力推进把这些工作全部交给 AI——它把日常聊天总结进知识库，一问就能答，让整个组织更透明、更有活力。当然，敏感信息还是要做好隔离。

图片来源：Meshy AI 创始人兼 CEO 胡渊鸣2026码荟主题演讲PPT

第三，衡量会不会用 AI 的标准变了。网上常说面试要问“你消耗多少 token”，我非常不理解——强调 token 消耗量，很容易变成“我烧了一笔 token 就等于我干了一笔活”，但每个 token 的使用效率千差万别。我总结下来，两个问题更好：第一，你的 agent 在无人介入的情况下，最长能连续有效运行多久？入门选手可能 5 秒就要人类批准一次，进阶的会装个 Sandbox 干半小时，最高级的能让 agent 自己有效干上好几个小时。第二，你同时能管理多少个 agent？入门只能管一个，会用工具的能管三个，自己开发工具的能管更多。我们公司还搞了一个全员必须参加的vibecoding 大赛，一开始大家有抵触，但结束后发现大家的创造力远超想象，每个部门的同事都自动化了自己很多工作流程。

第四，那些不变的东西。Founder mode 在 AI 时代会怎么变？我觉得，一是可以通过 AI 更快地学习，二是管理团队会变得更容易。但有几条管理学的根本不会变：清晰的愿景——团队到底做什么、解决什么大问题，必须讲清楚，讲清楚了才能吸引到最好的人；人才的重要性——“让最好的人把你包围”永远是最好的策略，我们回顾这几年，所有成功都是因为招对了人，所有失败都是因为那个人没招对；文化的重要性——好文化让每个人充分发挥，坏文化会把好人赶走。这三件事，无论时代怎么变都不会变。

图片来源：Meshy AI 创始人兼 CEO 胡渊鸣2026码荟主题演讲PPT

最后说点激动人心的。我和很多硅谷朋友交流，有人分别问了几位最顶尖的AI 公司掌门人“AGI 什么时候实现”，普遍的看法是大概 27 年底。这意味着我们每过一周就接近 1.4%，也许 500 天以后，AGI 实现了，大家就会获得更多做自己喜欢做的事的自由。所以这是一个非常激动人心的时代，我们每个人都可以拿出最大的力量，冲过这个时间点，去想清楚 2030 年最重要的问题是什么。