智能的第二个本质，我认为是递归。
递归是一种「分而治之」的思想：一个复杂问题被拆解成更小的、相同类型的问题，直到它们可以被直接解决（即「基本情况」）。
例如，计算斐波那契数列的第 99 个数，就是依赖于第 98 个和第 97 个数，直至追溯到初始的 F0 和 F1。
若 Agent 要实现真正的智能，它也应具备递归架构。例如，一个接收「赚 500 万」这样宏大任务的 Agent，会逐步将其分解为具体的子任务：分析商业机会、搭建网站、制作视频、集成支付、社交媒体推广等。每个子任务最终都能追溯到可执行的「原子 Agent」。
这种递归架构的关键在于实现自我繁衍。就像人类文明的传承依赖于一代代人的探索与知识积累，Agent 亦应如此。更重要的是，Agent 必须具备修改自身源代码的能力。
这与当前 Agent 仅仅调整计划不同，它意味着 Agent 能够像修改自身基因一样，根本性地改变自身运行逻辑。
我相信，如果一个 Agent 能够：
-
持续执行并优化其计划。
-
在遇到无法解决的问题时，自主修改其核心源代码。
-
最终通过这种机制形成知识库，甚至能够反向修改大型模型本身。
那么，这将是通向通用人工智能（AGI）至关重要的一步。
这并非科幻。以前我特别不喜欢讨论什么超级智能之类的东西，而是我在与大模型的深入探讨后，我突然觉得这完全是有可能实现的。
另外，真正的 AI 源代码可能极其简洁，核心代码也许不超过百行，但其中蕴含着多层递归，使其能在不同环境中探索、学习反馈并自我迭代。
我曾有过信仰崩塌。2023 年我有了 AI 信仰，但做了一段时间，主要是因为没有资金支持，觉得烧不起，所以就放弃了。去年，别人跟我讲 AI，我都不想听。
但最近我重新找到了对 AI 的信仰，甚至信仰了 AGI，信仰了超级智能。这是一个难以想象的转变。我希望我对这份信仰能够这次持续更久一点。
个性化环境与上下文的重要性那么，除了大模型之外，最重要的是什么？最重要的是你要有个性化的环境和 Context（上下文）。
以我的创业为例，我之前做了一个智能硬件，结果小米把价格拉到我们十分之一。我做大模型，结果所有大厂都进来了。你每次获得这种反馈之后，就让你放弃这种东西，或者你就不停地调整你的 Plan。
如果在美国，我做了一个大模型，我可能就被 Google 收购了，赚了很多钱。或者我做了一个硬件，我可能被苹果收购了，赚了很多钱。所以这种反馈一定会造就你这个人的行为是完全不一样的。同样一个创业者，同样的智商，在中国和美国不一样的创业环境下，得到的反馈不一样。最后你的行为，你的思考模式就会完全不一样。这就是我想说的，什么是个性化的环境，个性化的上下文。