老师有没有告诉你，AI开始指挥AI干活，问题不是它们够不够聪明

啪——老师把笔丢在桌上。

今天有学生跑进来说：老师，新闻上讲，AI 已经能指挥 AI 干活了，是不是说明它快要变成人了？

我说，先别急着高兴。你先回答我一个问题——你班上小组作业，组长把任务分给组员，最后交上来的东西一定比一个人做得好吗？

他想了想，说，不一定，有时候更糟，因为一个错传下去，全组都错。

我把笔拿起来，在纸上点了一下：恭喜你，你已经明白了这条新闻里最重要的一件事。

老师有没有告诉你，让一个 AI 去指挥别的 AI，从来不是「让它们变聪明」的问题，而是「错误怎么传」的问题。这个区别，决定了你听到这类新闻时该兴奋还是该警惕。

一、先看懂这条流水线

市面上所谓让 AI 指挥 AI，做法其实很朴素：把一件大任务拆成几小步，每一步交给一个专门练过的 AI，前面那个负责分活、验收、往下传。

举个例子。假设你要做一份行业分析报告。第一个 AI 负责去搜集资料，第二个负责把资料整理成结论，第三个负责把结论写成一篇能读的文章，第四个负责检查有没有硬伤。第一个就是那个「组长」。

这个结构在工程上有个名字叫流水线。它并不新鲜，汽车厂一百年前就这么干。它的好处很明显：每一步都可以单独做得很好，整体速度也快。

但它有一个和工厂一模一样的软肋：中间某一环出了偏差，后面每一环都会把它当成事实，继续加工。

二、九成乘九成乘九成

我们来算一个很简单的账，这是整篇文章最该记住的一段。

假设你的流水线有三步，每一步的准确率都是九成。也就是说，每十次里有九次这一步是对的，一次是错的。你觉得三步走完，整体对的概率是多少？

很多人直觉是「九成左右」。实际是 0.9 乘 0.9 乘 0.9，大约七成三。

也就是说，每一环都挺靠谱，串起来整体会掉到七成出头。 如果换成五步呢？只剩五成九。十步呢？三成五。

这个算法在工厂里叫串联可靠性，在工程上早就是常识。但放到 AI 上，它有个更难受的地方：工厂里每一步的错，是尺寸差了几毫米，肉眼能看出来、卡尺能量出来。AI 每一步的错，是一段读起来非常通顺、非常有道理、但前提已经偏了的话。后面那一环不会怀疑，因为它看起来毫无破绽。

这就是为什么，一个单独的大模型胡说八道，你还有机会看出来；一条 AI 流水线集体胡说八道，反而特别难看出来——因为每一环都「言之成理」，整篇东西结构完整、语气笃定、逻辑自洽，只是从第一环开始就建在流沙上。

三、一个真实世界里很像的例子

现实里最像这件事的，不是 AI，是医院。

一个化验单出了一个不太准的数字，医生据此开了药；药师照着处方配了药；护士照着医嘱执行。每一个环节的专业水准都很高，每一个环节的检查也都做了，但没有人回头去问那句最重要的话：那个最初的数字，准吗？

这类事故在医疗领域有个说法，叫上游误差传递。医院后来得到的教训，不是「让每个环节更认真」，而是加了一个制度：关键结果要复检，并且要能追溯到源头。

这就是关键所在。让 AI 互相协作时，真正决定成败的不是每一环多聪明，而是有没有人敢往回退一步。

四、大多数流水线缺的那颗螺丝

现在你去看那些让 AI 指挥 AI 的产品，可以问三个问题，一句话就能筛掉一大半。

第一，中间环节能不能说「我不确定」？ 很多系统的设计是「每一环必须交出东西」，于是当它其实不确定时，它也会硬写一段最像答案的话交出去。这比交白卷危险得多。

第二，后面那一环有没有资格质疑前面那一环？ 如果设计成「前面给的资料就是输入」，那它只是加工的机器，没有纠错能力。真正可靠的系统，会让后一环回头打一个分、发现不对就退回重做。

第三，人站在哪儿？ 是人只在最后看一眼结果，还是在关键的岔路口被请进来。前者叫验收，后者叫把关。这两件事的差别，就是那个化验数字有没有机会被复检。

五、换个角度看这条新闻

现在回到开头那条新闻：AI 开始指挥 AI 干活。

它意味着什么？意味着这类系统开始能做更多的、链条更长的事了。 以前 AI 只能回答一个问题，现在它能接手一整个流程。这是实实在在的进步，因为很多真实工作本来就是流程，不是问答。

但同一个变化也意味着：它出错的方式，从「答错一题」变成了「整套流程走偏」。 出错的规模，跟它能干的事的规模一样，被放大了。

这不是说别用。这是说，链条越长，越要在中间留几个能回头的地方。

小测验：

第一题，最大的风险来自哪里？不是某个 AI 不够聪明，而是小错被下一环当成前提继续推。

第二题，每环九成、三步串联，整体大约七成三。

第三题，最有效的做法是什么？让它们互相检查、允许中途退回。这一条比换更贵的模型管用得多——因为换模型只能把每一环从九成提到九成二，但加了回退机制，是把串联变成了带反馈的环。

回到那支笔

那个学生听完，说了一句挺准的话：所以 AI 指挥 AI，最重要的不是它们能不能干，是有没有人敢说「等一下，前面那个不对」。

我把笔递给他，说，你把这个道理记牢，将来不管你做产品、管团队、还是自己带项目，都会用得上。

他拿着笔走了。窗外的光有点斜，照在桌面上那个笔痕上。我忽然觉得，所谓人工智能协同，说到底不是技术问题，是一个特别古老的问题：一群人（或者一群机器）一起干活时，谁来负责回头。

啪——我把桌上那支笔又丢了一次，这回是笑着丢的。