你没法命令别人去闭环——所以别再费劲了

AI 原生机器人公司里的自上而下 vs 自下而上：为什么赢家设计一场游戏，而不是发号施令——附上具体的机制，细到智能合约，工程师明天就能搭出来。

这一幕你一定见过。

一位高管站起来，宣布新战略："Everyone here needs to innovate. Own it. Be entrepreneurial."（中译：这里的每个人都需要创新。要有主人翁精神，要有企业家精神。） 幻灯片上画着一枚火箭。所有人点点头，回到工位，创新程度和前一天一模一样——也就是说，继续等着被人告知该做什么。

与此同时，三英里外，一家规模更小的机器人公司里，一台 Titan 级机器人正肉眼可见地变得不那么笨拙——每一个夜晚都是如此——而且这不是上头指派的任务。一位现场技术员注意到，晨光下机械爪总是抓不稳透明杯子，她做了一次实验，修复方案现在正自动地、链上地，把收益打给她。

这就是整场博弈的缩影。自上而下，是命令大家去闭环。自下而上，是让闭环成为显而易见的最优解——然后功成身退。

过去这段时间，我一直在为第二种公司搭建运行时（一套 AI-native 的 Physical AI 操作系统）。让我先给你一个 15 岁小孩也能立刻听懂的心智模型，再把零件——包括 Solidity 代码——交到你工程师手上。

心智模型：两间厨房

想象同一条街上有两家餐厅。

厨房 A 是自上而下的。 主厨站在出菜口大声指挥。烤架堵单了？他迟早会发现，然后开吼。某个厨师想到了更快的备菜方法？得等主厨心情好的时候才敢提。除非经过这个超负荷运转的大脑，什么都不会改进。到了忙时，厨房 A 就是一个戴着高帽的瓶颈。

厨房 B 是自下而上的——一间开放式厨房。 每个厨师都能看到出单耗时看板。一旦烤架堵单，任何厨师都能指出来，并在一个班次、一个工位上试一次改动——范围有限、可以撤回。由传菜主管来核实出单耗时是否真的降下来了，而不是由做出改动的那个厨师自己说了算。而且小费公式就写在墙上：经核实的改进会自动获得报酬，若持续见效，报酬还会更高。厨房 B 的主厨从不亲自炒菜。 他负责搭建厨房、让冰箱保持低温、让刀保持锋利，并写下一套公平、不会被钻空子的小费公式。

厨房 A 的上限是一个天才的极限。厨房 B 的上限是所有人加起来的极限。

逐项拆解——好让你的工程师把厨房 B 建出来

一个无法对应到具体组件的比喻，只是种美好的感觉。下面是对应关系——CNO（首席 AI 原生官）就是主厨；其余一切都是系统。

看右边这一栏。这不是一种感觉，而是一种组织设计。而且，处于核心的这份合约，比听起来要小得多。

这份合约，用它真正生效的语言写就

这三条不可谈判的原则不是价值观海报——它们是require断言：

// maker != checker — enforced in code, not in a handbook
function attestClose(uint256 id, uint256 reward) external {
    require(isChecker[msg.sender], "not a referee");
    require(msg.sender != closes[id].maker, "maker != checker"); // the whole point
    // ...fund a vesting stream that re-verification extends (compounding)
}

// safety is a terminal gate, not a weighted term
function flagSafety(uint256 id) external onlyGuardian {
    // zero the UNRELEASED reward and halt — regardless of ROI
}

如果做这件事的人自己就能给自己的成果盖章通过，还能借此拿钱，他们就会给自己的作业打分——所以maker != checker是一行 Solidity 代码，不是入职培训手册里的一句话。而且你奖励的是复利式增长，而不是一锤子买卖：一个修复方案只要能持续降低人力负担，就能随着时间不断赚得更多。就是这个开关，让人们去追逐杠杆，而不是去追逐一个奖杯形状的奖金。

「聪明人在上面拍板，难道不是理所应当？」——机器人研究给出的答案

反直觉的地方来了，而这不是管理学观点——这是关于机器人的研究反复证明的事：多样性胜过单一的指挥智能。

• Open X-Embodiment / RT-X（2023）汇总了来自22 种机器人本体、21 家机构、527 项技能、超过 16 万个任务的数据，发现了跨机器人本体的正向迁移——模型变强，是因为输入足够多样，而不是因为某个实验室一手主导。一项真实世界的操作研究发现，进步幅度与环境和物体的多样性成正比，而不是靠把同一个演示反复堆叠出来的。
• RT-2（Google DeepMind，2023）靠吸收广泛、未经筛选的网络知识获得泛化能力——而不是靠一份精挑细选的课程表。
• π0.5（Physical Intelligence，2025）能走进它从未见过的家庭，靠的是异构联合训练——多个来源，混合而成。

换成组织架构的说法就是：一家把每一次改进都塞进顶层管理者一个人脑子里过一遍的公司，就像一个只从一个角度、用一个蓝色箱子训练出来的机器人——自信满满，直到某天出现一个棕色箱子，瞬间陷入存在主义危机。自下而上不是什么温情选项，它是唯一有参考文献撑腰的那个。

问题在于——这也是自上而下之所以能一直延续的全部原因——信任。自下而上要奏效，坏点子必须无法造成损害，好点子必须无法造假。而这恰恰是独立裁判和安全归零闸门能给你的保障：公司可以放心让所有人去实验，因为没有验证的东西不会上线，不安全的东西活不下来。去掉这两样，「赋能所有人」就会变成「所有人未经过滤的乐观情绪」——而这正是你养出一台跑得飞快、却也活脱脱是一份事故报告的机器人的方式。

顺序不能跳

你不是一上来就写 Solidity。你先从白板开始：把开放的问题挂上看板，让任何人都能认领一个缺口，用一个独立指标跑一次实验，再用人工赏金支付第一笔已验证的闭环，用真人先验证一遍，这套游戏既好玩又公平。然后再把跑通的支付算法编码进合约。永远不要在没有手动跑通之前，就把激励机制写进代码——合约唯一的使命，是把已经验证过的文化固定下来，让它无法被钻空子。

因为最后要说的，也是全篇论点的一句话总结：

一家自上而下的公司，聪明程度上限就是那个位居顶端的人状态最好的那一天。而一家自下而上的公司——有裁判、有安全闸门——会在所有人睡觉的时候，每晚都变得更聪明一点。搭第二种公司，你的机器人会自己变得不再笨手笨脚。搭第一种公司，你只会得到一台造价惊人、长着腿的烤面包机，外加一位站在出餐口坚持说「它马上就要变聪明了」的高管。

所以问题不是「我们要怎么让大家上心」，

而是：而是：我们是在发号施令，还是已经把小费公式写上了墙？

这套东西我是公开搭建的——一个 Physical-AI-native 的公司操作系统（角色设定、运行闭环的原则、链上激励的草案），以及底层的闭环工程框架 sos。如果你的团队也卡在自上而下和自下而上之间，欢迎在评论区告诉我卡在哪一步——每一条我都会看。

→ 阅读完整的激励机制说明 + Solidity 草案——仓库地址： github.com/wjlgatech/physical-ai-native

#PhysicalAI #Robotics #AInative #Web3 #Leadership #BuildInPublic

参考资料（全部真实，均可查证）

• Open X-Embodiment: Robotic Learning Datasets and RT-X Models ——Open X-Embodiment Collaboration，2023（22 种机器人形态 · 527 项技能 · 超过 16 万个任务）。
• RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control ——Google DeepMind，2023。
• π0.5: a Vision-Language-Action Model with Open-World Generalization ——Physical Intelligence，2025。
• Reflexion: Language Agents with Verbal Reinforcement Learning ——Shinn 等人，NeurIPS 2023（针对智能体的独立反馈闭环）。

以上数字均引自上述来源；文中的厨房与地面技工的例子为示意性描述。如果本文中某个论断无法追溯到这些来源，请将其当作观点，而非事实。

草稿——来自 github.com/wjlgatech/physical-ai-native · 分享版，适合手机阅读。发布按钮由你掌握。