Cognition 创始人 Scott Wu：AI 是人类史上最大生产杠杆，不仅仅是改写软件行业，而是一场结构性转移

在生成式 AI 迅猛演进的时代浪潮中，Cognition AI 正成为硅谷最受瞩目的技术公司之一。而其背后，是一位横跨数学竞赛、工程实践与系统构建的 90 后创始人——Scott Wu。

这位前国际信息学奥林匹克冠军，不是那种典型的硅谷创业明星。Wu 的路径并不沿着传统硅谷路线图展开。他成长于美国南部巴吞鲁日的非科技腹地，父母是来自中国的化工工程师，教育资源稀缺。

他自小便在数理竞赛中脱颖而出，靠“被意外允许走进高阶课堂”的制度空隙，一步步打穿成长天花板。在哈佛短暂停留后，他选择退学，全情投入 AI 创业。

他主导的 Devin 系统，已在多个年预算上亿美元的技术团队中落地，将“构建能力”从人类工程师转移至 AI agent，带来 6～20 倍的效率提升。这不仅是一项产品突破，更是一次写作权与执行力的结构重分配。

在与 Joe Lonsdale 采访中，Wu 强调：“AI 的意义，不在于替代人类，而是释放人类专注于创造与判断的权利。”他的终极目标，是让每一个人都拥有自己的 AI 工程团队，从“执行力短缺”走向“全社会进入创造模式”。

从奥赛冠军到 AI 创业者

Scott Wu，曾是国际信息学奥林匹克竞赛（IOI）世界冠军，在数学、编程等竞赛领域屡获殊荣。今天，他是 Cognition 的 CEO，领导着一个由数理天才组成的团队，构建出被认为是“工程能力最强的 AI Agent 系统”之一。

Scott 的创业路径并非线性，更多是天赋、环境与动机持续叠加后的自然爆发。他出生在美国路易斯安那州的巴吞鲁日，这里并非数学或计算机科学的中心地带。他的父母在上世纪 80 年代从上海移民美国，都是化工工程师，服务于当地石油与天然气产业。他从小便对数学产生兴趣，很大程度受到哥哥影响，哥哥本身也活跃于数学与编程竞赛圈。

Scott 回忆，自己第一次参赛是在二年级，参加的是一个面向七年级学生的数学竞赛。“我还不到八岁，和一群比我大五岁的学生一起比赛，结果完全没拿奖。”他说这次“失败”让他深受打击，也成为日后反复训练与参赛的转折点。一年后，他在代数一级竞赛中获得第一名，此后便一直活跃于数学领域，并在四年级时开始学习编程，六年级正式参加信息学竞赛，从此在数理竞赛的路径上一去不返。

相比较今日湾区资源密集、亚裔聚集的教育环境，Scott 所处的成长背景更为朴素。他强调，自己能走到今天，靠的是“意外获得的教育机会”。巴吞鲁日当地的 Buchanan 小学与 McKinley 高中为他开辟了一个特殊路径——每天由老师带他步行去高中听高阶数学课。他认为今天某些地区对荣誉课程的限制，将剥夺很多孩子原本可能获得的能力增长窗口。他直言：“说到底，一切都始于数学和技术教育。”

高中毕业后，Scott 并未立刻进入大学，而是加入早年曾实习过的 Apptar 公司，在其计算架构团队工作一年半。“我当时已经确定将来想创业，虽然还不懂‘创业’具体意味着什么。”他说自己对“公司是怎么建成的”这件事极其着迷，希望通过实践理解现实运作方式。正是这段工作经历，帮他打下了理解企业结构与大型系统运作机制的基础。

工作间隙，他也曾调侃自己：“我小时候在高中上数学课时还对老师说，等我创办公司时请他来当软件工程师。”这种对目标的天然执着，最终让他在 Apptar 工作一年半后，选择进入哈佛大学深造。但他强调，进入大学更多是为了“认识一些有趣的人、让自己有个人成长”，而非单纯接受技术训练。

两年后，他从哈佛退学，创办了自己的第一家公司。一个完整的闭环就此形成：从竞赛少年、初代实习生，到工程团队骨干，再到创业者。他的路径高度浓缩了当代技术创始人的典型演化过程——天赋早熟、资源触达、技术动机，以及对现实世界“系统构建”的持续好奇。

这一阶段为 Cognition AI 的建立奠定了全部基础。在后续的几轮创业与产品构建中，他延续了对底层能力增长与复杂系统理解的追求。这段来自“非中心地带”的成长轨迹，也塑造了 Cognition 今日深度技术驱动、问题导向极强的产品文化。

在创办 Cognition AI 之前，Scott Wu 曾主导另一家较为低调的公司——Lunchclub。这家创立于生成式 AI 尚未普及前的社交初创企业，尝试以算法手段优化职业社交连接。Scott 回忆，产品最初通过收集用户兴趣、目标、通讯录与日历数据，智能判断他们“应该认识谁”，并促成面对面或远程会面。在他五年任期内，Lunchclub 总计撮合了超过百万次高质量社交配对。

尽管他自嘲“那时候不太知道 AI 能干什么”，但这段经历给予他宝贵的产品设计、组织建设与创业节奏感，为后续的 Cognition 打下了深厚基础。更重要的是，Lunchclub 让他更坚定了一点：构建系统，是他最自然的表达方式。

Cognition 的真正雏形，诞生于一次几乎没有商业目标的“朋友聚会”。Scott 与多位从小一起打数学和编程竞赛的老搭档再次走到一起。这些人中，有人曾是 Scale AI 的第一位工程师，有人是 Cursor 的首位工程师，几乎个个都来自顶尖 AI 公司，且多数有 MIT 或哈佛背景。团队起初没有明确要成立公司，而是把这段聚会当作一个“研究项目”——一种更松散、理想主义的原始合伙关系。

他们在 2023 年 11 月租下湾区一栋房子，开始为期两周的集中开发，随后转战纽约、继续以“黑客之家”形式进行“周期性聚会式实验”。每个月一聚、持续迭代，直到第二年初团队才正式注册公司，Cognition AI 由此成型。

这种看似“游戏化”的起步方式，在硅谷其实有其传统脉络。Scott 指出，从 Facebook 的早期工程师到 OpenAI、Anthropic、DeepMind 的核心人物，“几乎所有人都来自我们小时候参加的那些比赛。”这并非巧合。他认为，AI 是极少数“纯靠解决技术难题就能走出清晰商业路径”的行业之一，而这正是数理竞赛选手所擅长的方向。

以 Mark Zuckerberg 为例，Scott 提到他当年就是活跃在 TopCoder 平台的编程选手，团队核心成员 Adam D’Angelo 更是国际信息学竞赛的奖牌获得者。“这些人本身的训练背景就决定了他们对问题本质的高敏锐度。”而今天主导 AI 的一代人，也正是那群早年在数学和算法领域“摸爬滚打”的少年。

他强调，技术密集型的 AI 创业模式，天然契合解决复杂结构性问题的思维方式。在许多消费互联网公司中，产品路径需要反复验证用户反馈、依赖运营与分发渠道。但在 AI 行业，只要技术突破明确，商业机会便可自洽衍生。“只要你能解决一个真正复杂的问题，路径就会自动显现。” Scott 说。

在这个意义上，Cognition 并非从投资人路演或 PowerPoint 起步，而是起源于一群“始于中学竞赛”的技术极客，持续十多年未曾断线的合作与思维共振。他们构建的是技术范式的边界，不是一个具体的产品。这种极具内聚力的创始团队结构，成为 Cognition 后续发展速度的关键变量，也构成了其公司文化中最底层的精神基因。

Devin 背后的范式重构

在 Cognition AI 的愿景里，Devin 并不只是一个能补全代码的助手，而是一个可以“思考、调试和修正”的完整 agent 体系统。这种从底层架构出发的设计理念，来自 Scott Wu 多年数学与编程竞赛的训练。他将许多技术挑战比喻为动态环境下的“路径规划问题”——类似某些信息学奥赛题：你需要在不断变化的网络中，持续寻找最优路径，应对限制、反复求解，并保持高效。

这些问题的关键在于：无法套用模板，只能从第一性原理重新建模。Scott 强调，这与构建真正能自主完成工程任务的 AI 无异：不是回答问题，而是面对复杂系统、稀疏反馈与不确定结构时，具备拆解与执行的能力。

他说，训练 AI 理解代码，实际就是“教它思考”。从 bug 重现、日志分析、查阅文档，到结构性修改与 Pull Request 提交，整个过程正是人类程序员用以判断问题、解决问题的思维流程。“我们做的事，其实是让 AI 学会思考‘思考本身’。”

这种理念进一步延伸至对 AI 技术演进的划分：Scott 将当下生成式 AI 的发展视为两波浪潮——第一波是模仿学习，第二波是强化学习。他指出，强化学习的真正突破在于：只要环境明确定义、反馈结构足够健全，就能训练出在特定任务上表现优异的智能体。而如今，许多 AI benchmark（标准评测任务）其实就源自早年他们参与的编程与数学竞赛题目。这既是一种继承，也是一种技术闭环：他们正在用自己的语言构建 AI 的语言。

这也是 Devin 成为产品的关键出发点。Scott 将其定义为“团队中一位可以协作的工程师”，可自动理解代码库、调试系统、提交修改。目前该系统已在多个技术预算上亿美元的大型企业落地，其成效不仅是优化流程，而是在实际场景中实现了 6～20 倍的效率提升。

“比如原本需要人类写 6～20 小时的代码，Devin 可以独立完成，人类只需审阅并合并。”这类任务多半是重复性高、挑战性低但工程师不愿意做的部分。“AI 擅长结构化与重复，人类专注判断与创造。”他将这种模式视为真正的人机协作落地，也印证了早年 Licklider 所设想的“人与计算机共生系统”。

然而，Scott 并不回避 AI 潜在的替代性。他引入 Andrej Karpathy 所提出的“锯齿型智能”概念：AI 在某些维度表现远超人类，在另一些维度则极弱。而人类的智能更均衡。正是这种“不均衡”组合构成了现阶段人机协作的最优解。

他强调，即使未来 AI 可处理更多任务，“人类仍必须决定我们想构建什么。”在他看来，未来的软件开发将不再围绕语法与编程语言，而是围绕需求表达与抽象建构。用户将通过自然语言清晰描述所需系统：“我要加一个表格、一个页面、一个圆角按钮”，剩下的由 AI 实现。

但这并不意味着工程师将失业。“未来会形成新的抽象层级。”Scott 说，多数人可停留在自然语言层面，但真正理解底层结构与计算模型的人，依然将掌握系统判断权与架构主导权。

他指出，技术教育的真正意义不在于语法记忆，而是掌握“什么值得构建”的判断力。“有人问我他孩子还要不要学计算机科学，我说当然。你得知道这台计算机到底能干什么，不能干什么。”

从更宏观的角度看，Scott 将 AI 工程 agent 视为一种“倍增器”。全球目前有约 3000 万软件工程师，而在 1999 年，只有不到 100 万。他指出，过去 20 年每一轮开发门槛降低的技术浪潮（如 Python、React、云平台）都未减少工程师的需求，反而释放了更强的创造力。

他判断下一轮浪潮会带来类似的现象：一旦构建门槛降低到“人人皆可拥有自己的 AI 开发团队”，将释放出数十亿用户的产品构建能力。他对未来有一个清晰判断：“软件工程永远不会停，需求只会变形，不会消失。”

Scott 同时强调，这种变革不会摧毁全球技术外包型国家的能力，而是让它们升级。他相信未来工程师的价值不在于“打字速度”，而在于能否把握结构抽象、理解系统边界、做出理性权衡。真正有判断力的工程师将从重复劳动中脱身，转向架构决策的“塔尖岗位”。

Devin 在其中的角色，不只是工具，更是一种范式改变的体现。Scott 认为，它已经成为“系统性工程挑战”的解决方案，代表着软件产业生产方式的跃迁。

“这不是一个工具的问题，而是生产力结构的问题。”他说。

而这一切，才刚刚开始。

人类生产体系中的最高杠杆比

除了社交尚未迎来范式跃迁，AI 工具的用户扩散路径也正在发生反转。不同于过去从 C 端起飞、逐步渗透 B 端的互联网逻辑，如今 AI 工具在多个场景中呈现出企业端率先采用、消费端随后扩散的逆向传播模式。

在 AI 工程 agent 快速崛起的浪潮中，Scott Wu 给出了一项惊人的判断：过去三四年，AI 无需人类干预所能完成的工作量，大约每三个月就翻一倍。如果以此速度推算——一年增长 16 倍，三年增长 4000 倍，这是过去任何一轮软件生产力工具都未曾实现的爆发级跳跃。

这一趋势并未放缓。“从最早只能补全一行代码、协助执行几秒钟的操作，到现在可以构建完整功能、修复复杂 Bug、独立完成数小时工程任务，这是质变。”Scott 说。

当主持人半开玩笑地尝试计算这种增长的数量级时，Scott 也笑称“可能是千万的平方，不太确定是不是 10 的 15 次方”，但他坚信：AI 工程 agent 的能力演进，正在用指数级速度重塑开发效率边界。

这不仅是技术议题，更是组织命题。Scott 指出，很多大公司已在采用如 Devin 这样的 AI 系统，但同时也出现了招聘放缓、工程师岗位减少的现象。尤其在 2021 年之后更为明显。他认为这与短期宏观经济调整有关，但并不意味着构建需求减少。

“我从来没见过哪个工程团队说：完成这两个项目就不写软件了。”他说。这是因为大多数团队始终面临资源约束——“手里有一百个想做的功能，最后只能做四个。”不是缺乏需求，而是缺乏完成能力。

他进一步解释这种能力差异的本质：软件产品存在明显的“质量阶梯”。处于顶层的，是 YouTube、Instagram、TikTok 等成熟互联网产品——它们拥有亿级别的工程投入、万名工程师的协作与极高的交互流畅度。这种“塔尖体验”，几乎已成为全球用户对“软件理应如此”的认知范式。

而在梯度之下，是银行系统、医疗系统等业务复杂但体验落后的产品，其背后可能投入了千万小时开发时间。再往下，是仅有百万甚至十万小时投入的应用。“你去看看你当地学校的网站，”Scott 举例，“可能还停留在 2001 年的网页体验。”

他说，这并不是因为这些产品没人用，也不是因为功能需求不存在，而是因为人类工程资源不足，无法将它们推进到更高质量阶层。“真正的问题不是需求缺乏，而是我们无法构建。”

在他看来，AI 正好打破了这个能力瓶颈——将“能被构建”与“值得被构建”之间的鸿沟拉近。这种系统性效率跃升的核心，不是微调某个工作流程，而是重新定义开发工作量的单位：“一名人类工程师的小时价值，开始由 AI 的可 agent 能力所重构。”

这也回应了他此前提出的问题：AI 的进步，不是指在个体层面替代人类，而是在宏观系统层面重新配置“写作权”——即谁有能力在这个世界上创造软件。这项权力，正迅速从极少数精英工程团队，向所有拥有表达能力与抽象思维能力的人开放。

Scott 直言，这不仅是软件行业的一次演进，更是人类生产体系中“最高杠杆比”的一场结构性转移。“我们真正缺的，不是想法，而是执行能力。而 AI，正在重写‘执行’的定义。”

尽管 Cognition AI 当前专注于软件工程领域，但在 Scott Wu 看来，AI 工程 agent 的价值远不止于提升写代码的效率。它代表的是一种系统性构建能力的“交叉加速”——推动所有依赖软件的行业，去尝试原本难以执行、甚至无法想象的任务。

“并不是只有软件公司才雇软件工程师。”他指出。从建筑到制造，从物流到医疗，几乎每个行业都建立在软件的支撑之上。一旦构建软件的门槛显著下降，其产业连锁反应是指数级的。

在他看来，这是一个“扩散中”的逻辑——Devin 让开发变得简单、普适，这种能力并不会局限于写代码本身，而会逐步嵌入人类所有需要“工程化决策”的系统中。

在技术层面，这种趋势已经开始显现。Scott 分享了令他振奋的两个案例：Google 的模型在国际数学奥林匹克中斩获银牌，OpenAI 的模型则跻身全球竞技编程选手前 100 名。这些突破令他直呼“像是亲历了自己的 AlphaGo 时刻”。

这些成果释放出一个清晰信号：“智能”本身已不再是技术发展的瓶颈。问题不再是模型能不能学，而是它们能否真正解决“手头的任务”。尤其在软件工程中，这个命题格外重要。AI 必须掌握复杂 API 的使用方法、掌控错误排查的细节、理解系统间逻辑关系。它不只是在模拟写代码，而是在与代码结构建立真实交互。回报只能靠 OpenAI？硅谷 20 年美元基金创始人警告 VC 模型正濒临失效

文章来自于微信公众号“有新Newin”。