楼天城：AI 是脱缰野马，Harness 是关键能力
楼天城（小马智行 CTO，业内称楼教主）在 2026 年 4 月 27 日量子位的专访中提出，AI 已经像脱缰野马，驾驭（harness）能力会成为这个时代最关键的能力之一。同一周 Karpathy 在 Sequoia AI Ascent 上的访谈给出相同方向的判断：人类工程师从写代码转向调度 Agent，10x 工程师只是常态，真正的 Agentic 工程师能做到 100x。两位顶级工程师从不同领域（自动驾驶、通用编程）得出同一结论。
What it is
Harness 在原义里是马鞍、缰绳。楼天城用它来描述人对越来越自主的 AI 系统的驾驭关系：人不再是 AI 的训练老师，而是设计 AI 自我演进闭环的工程师。Karpathy 在同一时期把这种工作命名为 Agentic Engineering——通过 spec、上下文窗口、工具权限和验证回路来组织一群强但易错的 Agent 完成专业软件。
Why it matters
当 AI 在某个领域明显超过人类（楼天城说自动驾驶安全已超过人类，Karpathy 说他记不清上次纠正模型代码是什么时候），人类的判断价值开始反向衰减：人喂给 AI 的数据可能把坏习惯带回去，人对模型输出的修正可能引入退步。楼天城甚至给出更激进的版本——人类驾驶数据对世界模型的价值不只是趋近于零，可能是负的。在这种情形下，控制权必须交出去，但控制权交出去后，怎么交、交到哪里、留住哪一段 就成了核心工程问题。Harness 就是这个问题的总称。
Key points
AI 主导，人调度
楼天城：PonyWorld 2.0 的核心是 AI 教 AI——AI 自我诊断哪里不够好，自动生成定向数据采集任务，研发、测试、运营围绕模型的精度需求转。人从「驾校教练」变成「数据采集员」。Karpathy 给出对应的一句话：「现在的问题变成：哪一段文字应该复制给你的 Agent？这就是新的编程范式。」开发主导权正在向 AI 转移，但人必须负责 spec、顶层结构、质量约束。
意图层取代语言层
楼天城反对当前主流的 VLA（视觉-语言-动作）路径，认为语言是 4D 物理时空的过度降维投影。他在 PonyWorld 2.0 中引入 intention（意图）语义层——比语言更接近驾驶本质的中间层，与动作联合训练，可以无限生成虚拟意图组合做特训。Karpathy 同样判断「未来 VLA 中的 L 不会是 human language，更可能是新 token」。两人都在说：人类语言不会是人 - AI 接口的最终形态。
Scaling Law 的局限
楼天城：在自动驾驶里，单纯加数据已被证明帮助有限，幻觉无法靠堆数据消除。需要的是训练范式与模型结构的改变。Karpathy 给的判断更锋利：能力跃迁的根源不是更多数据，而是模型「开始会用工具、有 skills、有 harness 和 engineer 能力」。
从模仿学习到自我演进
楼天城列出 AI 能力发展的四阶段：弱于人 → 接近人 → 超过人 → 超过后继续自我进化。每一阶段需要的方法论根本不同。当 AI 超过人时，模仿学习失效，必须由 AI 主导改进，因为「人已经判断不了了」。这与 Karpathy 描述的「锯齿状智能（jagged intelligence）」互补：模型在训练覆盖的能力回路里像专家，回路外像孩子。能力曲线不平滑，依赖实验室的数据决策。
Harness 不是行业现象，是时代主线
楼天城把这套从自动驾驶里炼出的能力，明确表达为可外推到其他领域：「这套能力完全有机会影响到别的部分，甚至不一定局限在物理 AI。」Karpathy 在 Agentic Engineering 中讲的也是同一件事：把模型组织进流程、跑测试、互相检查、留有回滚，让效率被放大几十倍以上。
Evidence across sources
| Source | Key Claim | Relevance |
|---|---|---|
| 楼天城 量子位访谈 | Harness 是这个时代最关键的能力之一；AI 教 AI 是当 AI 超过人之后唯一可行的进化路径；意图层会取代语言层 | 把 harness 从工程概念上升到时代主线；以自动驾驶 10 年实践提供具体证据 |
| Karpathy Sequoia 访谈 | Software 3.0 把 prompt/context/工具调用变成新编程；Vibe Coding 抬高下限，Agentic Engineering 保住上限；10x 不是终点 | 在通用软件领域给出与楼天城同方向的判断；spec 责任不能外包 |
Open questions
- 楼天城说人在某些场景下「连 AI 是不是幻觉都判断不了」。这种状态下 harness 的标准从哪里来？答案是评价标准（什么叫「好」）的对齐，而非行为对齐。但「什么叫好」的标准本身在变。
- Karpathy 强调 spec 不能外包，但楼天城说「整个公司其他策略，比如商业化、宣传，未来也可由 AI 主导」。Spec 的不可外包性是普遍真理，还是当前阶段的限制？
- 当 AI 自主生成数据采集任务、自主诊断模型缺陷时，组织里依然存在「真正会驯马」的人才，那这些人才的能力图谱是什么？是 spec 写作 + 评估能力 + 系统设计？还是更接近「研究员 + 产品经理 + 运营」的复合体？
Prompts for witness
- 我这一周里有哪些时刻是我「驾驭」了 AI（设计了让 AI 自我改进的闭环），而不只是「使用」了 AI（把它当工具用）？分别花了多少时间？
- 我自己工作中的 spec 能力有没有跟上模型的进化速度？写一份让 Agent 能直接执行的 spec，与三个月前比有没有变得更精准？
- 假设我现在的领域里 AI 已经明显超过我，我会怎么重新定义自己的贡献？参考楼天城给的「意图层 + 数据采集 + 评估」三件事在我的领域的对应物。
- 楼天城说真正壁垒是「整个发展过程本身」。我的工作里有哪些 know-how 只能靠走过完整阶段才能拥有？
Related
- harness-engineering/overview
- harness-engineering/what-is-agent-harness
- harness-engineering/walkinglabs-learn-harness-engineering
- harness-engineering/yoyo-harness-engineering-practice
- claude-code/karpathy-nopriors-qa
- harness-engineering/model-spikiness
- harness-engineering/continual-learning
- product-trends/vibe-coding-market-dynamics