我不认为大脑中一定存在一个中央的“我”，先完整获取信息、作出决定，然后命令身体行动。更可能存在大量并行、局部甚至相互竞争的过程，最终形成行为；随后认知系统又把行为、记忆和当前状态重新组织成一个与既有自我模型相容的解释
我越来越倾向于把人理解成一个持续变化、嵌入现实世界的认知系统。智能、自我和人格，是这个系统中需要分别解释的结构。沿着这个方向看，许多关于 AI 的争论，会落到更具体的问题上：能力由什么产生，行动如何获得反馈，谁来承担后果。
自我可以真实存在，而不需要一个中央控制者
我们习惯把决策想象成：一个中央的“我”收集信息、作出判断，再命令身体行动。我对此持怀疑态度。更可能的情形是，大量并行、局部甚至相互竞争的过程共同形成行为，认知系统随后把行为、记忆和当前状态整理成与既有自我模型相容的解释。
因此，一个人能清楚解释“我为什么这样做”，并不意味着他准确掌握了行为产生的内部原因。解释也可能承担另一种功能：把行动、结果和原有认知重新组织起来，降低冲突，维持一致性。
但这不等于自我是假的。身体、记忆、情绪、目标和社会关系，需要被压缩成“我的过去”“我的价值观”“我的责任”，才能支持长期行动。自我可能就是这样一种具有因果作用的高层模型。
“被构造出来”与“真实存在”并不矛盾。软件、公司和国家都不是基本粒子，却能改变现实。自我也可能具有类似性质。休谟、帕菲特的还原主义，以及丹尼特的叙事自我、梅青格的自我模型，为这种理解提供了不同路径。
底层机制不同，不能直接判定智能的边界
我不赞成仅凭机器与人脑的实现方式不同，就预设机器无法拥有某些高级智能。
把大语言模型描述成“预测下一个 Token”，是在描述一个计算层次。仅凭这一点否定它的智能，就像用神经元的电化学活动解释思考后，再据此否定人的智能。机制解释与功能判断，需要分开。
功能主义和多重实现的思路更有解释力：同一种高层能力，可能由不同的底层机制实现。模型已经表现出的语言理解、抽象、推理、规划和程序设计能力，值得按实际功能研究。
对解释能力也应该采用一致的标准。人会事后解释行为，模型也会解释输出。更值得追问的是，这些解释能否进入后续记忆与状态更新，并改变未来行为。一个流畅的理由，本身不足以回答这些问题。
人的优势，还包括持续生活在世界中
如果 AI 的认知能力继续发展，人机分工就很难长期建立在“人总有某种能力更强”的假设上。
我认为，人的一个更深层优势是已经具备完整的主体性。这里的 Personhood 不只是个性或法律身份，而是身体、持续感知、长期记忆、目标、社会关系、价值、权利与责任共同形成的结构。
人从生命开始就是世界的一部分。感知推动认知，认知形成行动，行动改变环境，而我们明天还要继续生活在这个被自己改变的环境里。后果具有连续性。
身体的自我维持、痛苦与快乐、欲望和社会关系，也在持续产生目标。当前 Agent 与世界的许多联系，则需要人为搭建。这是两者之间巨大的结构差异，也解释了为什么单看一次任务的回答质量，远不足以比较完整的人与 Agent。
智能的边界，延伸到了工具和环境
我更愿意把智能看作整个认知系统的属性。人的实际能力来自大脑、身体、语言、工具、他人、制度与环境的共同作用。
Coding Agent 也是如此。它的能力来自模型与代码仓库、文件系统、Git、Shell、编译器、测试和运行框架组成的系统。Git 保存历史并支持恢复，Shell 提供行动能力，编译器和测试提供反馈，仓库划定工作范围。
这意味着，Agent 能力不能直接等同于模型能力。记忆、工具、环境和反馈的质量，都会改变它能完成什么。
编程场景的特殊之处在于，软件工程已经积累了一个相对可观察、可操作、可验证、可恢复的工作环境。Coding Agent 的成功，有一部分应归功于这套基础设施。克拉克的扩展心智与情境认知，为理解这种系统能力提供了视角。
Workflow 应该定义工作边界，并容纳现场判断
沿着布鲁克斯和萨奇曼的思路，我认为，没有必要把整个世界完整复制进智能体的中央模型。能从环境中可靠重新获取的信息，可以留在环境里；行动则依靠持续的观察、更新、决策与反馈。
这仍然需要表征和计划，但计划应该接受现场修正。真实工作存在信息缺失、意外和条件变化，设计者很难提前穷举正确路径。
因此，我会修正对 Workflow 的理解。固定步骤适合路径稳定的任务；面对复杂工作，更关键的是建设一个 AI 可以工作的局部环境：它能看到什么、调用什么、哪些动作被允许、结果怎样验证、何时需要人介入、错误如何恢复。
自治范围可以围绕四个条件判断：可观察性、反馈质量、可验证性和可恢复性。这些条件越充分，越可以把流程选择交给 Agent；条件越薄弱，越需要收紧行动范围。
企业 AI 的难点，是建设并维护工作环境
Coding Agent 的经验不能直接平移到所有企业领域。代码仓库有明确状态、历史记录和测试机制，企业现实却分散在业务系统、文档、会议、人脑、隐性规则和社会关系中。
让 Agent 可靠工作，需要把其中相关的部分转化成它能观察、理解、操作和验证的环境。这项工作本身就很昂贵。
更麻烦的是，业务会变化，规则会调整，例外不断出现。建好接口和知识库，只是开始；持续保持它们与现实一致，还需要支付长期维护成本。这可能是企业 AI 落地中，比单次模型能力更深的一层瓶颈。
人的价值也应放在这里理解。人持续处在现场，能够发现异常，判断哪些信息重要，补充隐性组织背景，决定什么值得做，并承担行动后果。AI 可以更多承担搜索、压缩、推理、模拟和重复执行。
我更倾向于让这种协作以人的现实联系为基础。前沿部署工程师（FDE）的价值，也可以理解为缩短模型与业务现场之间的信息和行动距离。
Agent 的下一步，是学会补齐自己的工作条件
目前通常由人建设环境，再让 Agent 在其中工作。更关键的突破可能是：Agent 能否识别自己缺少什么，并主动建立获取信息、采取行动和验证结果的条件。
这包括寻找信息源、建立观察渠道、创建工具、设计实验、获得反馈、构建验证机制，并保存已经获得的能力。它需要逐步减少对人预先搭好完整环境的依赖。
我会把这个发展方向粗略分成三个阶段：模型本身具备能力，模型在具体环境中形成有效行动，以及 Agent 能够主动改造环境、补齐工作条件。
如果第三阶段长期无法成熟，编程就可能继续保持特殊性。大量复杂业务仍会依赖局部工作环境、流程约束和人的持续参与。
功能解释仍然没有回答全部意识问题
这些判断并不足以证明人和当前大语言模型已经相同。身体、自我维持、内生目标、连续学习、社会嵌入和行动后果，仍是重要差异。
我尤其保留四个问题。解释了认知功能，是否就解释了疼痛和颜色的第一人称体验？分散的过程为什么会形成同一个主体的统一经验？身体与长期生存压力，对某些认知和意识是否不可缺少？如果 Agent 具有持续记忆、稳定身份、资源、目标、关系和行动后果，又该如何理解它的人格地位？
对这些问题，目前都不宜提前给出答案。我愿意保留的研究立场是：分别讨论智能、自我、行动主体性、意识和人格，考察它们依赖什么结构。底层实现不同，本身不足以证明人类具有机器原则上无法获得的形而上学特殊性。