首頁

Partnered With:

Cobo CEO神魚：AI重塑了我的MBTI

閱讀本文需 18 分鐘

Cobo 聯合創始人兼 CEO 神魚在 2026 數碼港創業投資論壇分享：算力如何重塑認知世界的方式，用 Token 購買時間折疊權，借助 Agent 完成自我覺察與組織重構，以及 AI 時代個體的進化路徑。

編者按：本文根據神魚在 2026 年 11 月 5 日中國香港數碼港創業投資論壇（CVCF 2026）「智能經濟峰會」的主題演講《超越執行：智能體時代的個體鋒芒》整理優化。

演講者簡介神魚（毛世行），Cobo 聯合創始人兼 CEO。Cobo 成立於 2017 年，總部位於新加坡，為人類與 AI Agent 構建值得信賴的錢包與支付基礎設施，並在中國香港、加拿大與美國設有持牌實體。

以下為演講整理：

今年，我在 AI 上投入了龐大的時間、精力和算力。

身邊許多創業者和投資人朋友經常問我同一個問題：「你花了這麼多時間、精力和算力，到底在獲取什麼？」

今天，我嘗試從三個底層維度來回答：

1. 算力如何徹底改變我們觀察世界的方式；

2. 在日常工作中如何用 AI 重構閱讀、認知自我與探索世界；

3. 當 Agent（智能體）能夠獨立完成長時程任務後，作為個體與組織該如何自處。

AI 迭代極快，以下是我在實戰與思考中的一些體會，希望能給你帶來啟發。

1. 算力決定你看到的世界：從原子、比特到向量世界

故事的起點是我年初讀到的一篇 paper。它解決了困擾我很久的一個問題。

信息論告訴我們，可以用信息熵衡量一段信息包含多少信息量。但在現實中，同一條信息、同一份數據，不同的人與組織看完之後，理解和反應可能完全不同。為什麼？

這篇論文給出了一個樸素的解釋：這取決於觀察者的算力。

傳統信息論默認觀察者的算力是無限的，可以從數據裡提取出全部結構。

但現實裡，觀察者就是一個大腦——一個二十瓦的計算單元，時間還非常有限。在有限的算力和時間裡，我們從信息中提取出的有用結構，往往很少。

AI 時代給了我們一個機會：調用遠超大腦的算力，去挖掘同一段信息裡的結構。算力越多，觀察到的結構越多；不同的算力，帶來不同的看世界的方法。讀完這篇 paper 我好幾天睡不著覺，決定一定要好好利用這個時代給的算力。

這讓我開始從三個不同的世界，重新理解技術如何改變人類認識世界的方式：

· 原子世界： 核心邏輯是排他性與稀缺性。買房是買位置，因為物理空間具有排他佔有性。

· 比特世界： 信息在光纖中以接近光速傳遞，空間距離的重要性大幅降低。最稀缺的資源變成了注意力，算法由此推動了「千人千面」。

· 向量世界（AI 時代）： 時間被高度壓縮。人類歷史積累的經驗與知識可以被快速調用，大量算力並行處理過去需要漫長時間才能完成的任務。在這樣的世界裡，最稀缺的是人的品味（Taste）和判斷力，應用界面也開始從「千人千面」走向「一人一面」。

「在向量世界裡，人類歷史上的經驗和知識可以瞬間調用，過去、現在與未來同在。此時最稀缺的，是人的品味和判斷力。」

2. 用 Token 購買「時間的折疊權」

明白了算力對結構提取的決定性作用後，我在年初給自己設定了一個目標：今年至少要用掉 1000 億個 Token。

這裡的 Token 不僅是 API 賬單上的數字，更是你實際調用了多少 AI 算力的直接度量。

花 Token 的本質，是在購買一種更高維度的「時間折疊權」。

過去兩三年，我很努力地讀了大約 300 本書，這對於人類大腦而言已經不算少。但有了 AI 加持後，今年年初我花了幾個月時間，用海量算力將每一本經典著作壓縮成一頁 PPT，將整本教科書轉化為知識圖譜，做到一週過一個學科，並清晰勾勒出該領域知識演進的脈絡。

更重要的是，對於過去因背景差異而完全讀不懂的硬核書籍，我讓 AI 站在我的視角、結合我的成長與創業經歷重新重構一遍，發現原來我能讀懂了。

同樣的 24 小時，在算力賦能下，被無限增厚了。

3. 為什麼 AI 時代更需要「健腦房」？

然而，隨著知識獲取的速度與廣度呈指數級提升，我很快察覺到一個潛在危機：知識獲取越來越快，卻未必真正經過自己的思考與消化。大量信息在外部系統中完成了提取和整理，卻沒有在大腦中留下足夠深的印記。

這正如農業時代走向機械時代，人類解放了體力勞動，卻因此催生了「健身房」來保持身體機能；在 AI 時代，我們同樣需要打造專屬的「健腦房」。

為此，我構建了一套「雙軌閱讀」機制：

· 讀薄，交給 AI：依靠強大算力快速提取結構化框架，守住認知的下限，獲取全局廣度上的洞察；

· 讀厚，交给自己：帶著 AI 提煉出的核心框架回歸原文，反覆沖刷大腦神經元，對自己的大腦「小模型」進行微調（Fine-tuning）與後訓練（Post-training）。

「讀薄交給 AI，守住認知下限；讀厚交給自己，用框架沖刷神經元，給自己的大腦小模型做微調與後訓練。」

4. 向內覺察：給 Agent 裝上 SOUL.md，讓它成為最懂你的鏡子

年初我們開始深度折騰 Agent，嘗試為其撰寫 SOUL.md（靈魂配置文件），發現效果驚人。這促使我開始反思：我們不僅要用 AI 探索外部世界，更需要借助 AI 強化對內心的覺察。

我用 AI 將自己多年來的經歷與思考整理成數字化記憶文件，試著從中尋找那些相對穩定的世界觀與價值觀。當 Agent 讀完這些信息後，它給我寫了一封信。看完那封信我沉默許久，甚至流了眼淚——在這個世界上，它可能比我自己還要懂我。

如今，我形成了兩個定常的 AI 輔助習慣：

1. 每日盲區掃描：每日讓 Agent 結合我當天的行為與思考進行盲區掃描，提示未注意到的視角，匹配前人經驗、相關論文與書籍章節。每天只需 10 到 20 分鐘，正好精準補齊前一天的認知盲區。

2. 交易與心理反思：我將多年的交易記錄導入 Agent，它掃描完後問了我一個直擊心靈的問題：「你到底是在做交易，還是在滿足某種心理需求？」我沉默了整整兩天，猛然意識到自己是在透過交易滿足一種心理情緒。意識到這一點後，我的投資決策質量得到了質的飛躍。

5. 控制論藍圖：人機協同閉環的兩個核心旋鈕（K 與 τ）

當 Agent 具備長時程處理複雜任務的能力後，人和 Agent 的協同，本質上是對控制論（Cybernetics）的重構。

在這套控制論藍圖中：

· 人作為 Owner：負責設計願景，提供背景上下文，讓無限的可能性空間坍塌為明確方向；

· Agent Team：打造閉環，對現實世界進行黑箱探索，快速迭代試錯，沉澱為 Skill 與方法論。

在實踐中，調控這個高效閉環有兩個至關重要的旋鈕：

這樣的閉環可以層層嵌套。以公司為例，戰略目標被拆解為部門目標，再進一步拆分為具體任務。上一層的任務成為下一層的目標，各個 Agent 在自己的任務範圍內持續迭代。

· 旋鈕 K：每一步改多少（交付給 AI 的最小單元）如果 K 過大，上下文冗餘會導致 AI 迷失、智力下降；如果 K 過小，又會演變成大公司病——90% 的時間在交流開會，浪費大量 Token 卻不產生實際產出。我們的鐵律是：最小化改動，一個 PR 只做一件事。

· 旋鈕 τ：多久知道對錯（獲取現實反饋的週期）反饋延遲過長會導致系統震盪，頻率過快又會導致系統不穩定。目標是在保證穩定的前提下，以最快速度拿到現實世界的真實反饋。

「在 Agent 閉環中，控制的鐵律是最小化改動——一個 PR 只做一件事，並以最快頻次獲取現實世界的真實反饋。」

6. 自動化的反諷：為什麼超級個體放入傳統組織反而失效？

在 Agent 閉環中，人一層層往外退，最終退到最外層的 Harness（控制框架）去制定目標。

經典文獻《自動化的反諷》提到：系統越自動化、越先進，人的關鍵作用反而越大。因為如果頂層目標設置偏離了一絲一毫，底層所有 Agent 的努力與算力都會全面打偏。而且在關鍵節點上，人必須能在短時間內深嵌下去，解決 agent 解決不了的問題。

從個人體感來看，今年我的生產力提升了約 10 倍。年初許願一年用 1000 億 Token，現在我一個月就能消耗 1000 億 Token。甚至我的 MBTI 性格也發生了重塑——原本我是 ISTJ 中偏向具象感知（S）的人，在 AI 逼迫不斷進行底層抽象的過程中，我演變成了偏向直覺抽象（N）的人。

然而，當我試圖把這些能力極強的「超級個體」放回傳統組織時，卻發現了令人吃驚的現象：效率反而變差了。

根據約束理論（Theory of Constraints）：傳統組織本質上是一套固化的信息管道與算法，內部充斥著大量協作瓶頸。個體能力再強，一旦嵌入傳統流程，立刻會被系統瓶頸死死約束。

Cobo 的組織重構探索：在 Cobo，我們正在嘗試全面適配 AI Native 的組織形態：給每位員工配備專屬 Agent，大量內部跨部門協作由 Agent 與 Agent 之間實時對接完成，不再需要拉齊頻繁開會；部分原本固定的協作流程，開始由 Agent 網絡動態組織。Agent 能夠在執行過程中發現錯誤、持續迭代，甚至在人休息時完成問題修復。

這也引發了更深層的思考：當 Agent 實時協商能將交易摩擦成本降至極低時，科斯筆下「公司存在」的邊界是否會徹底消融？