两个神经元就能骑自行车——极简控制给 AI Agent 的启示
1700 次强化学习训练失败，精确代数分析太复杂，但两个神经元搞定了。这篇 Caltech 论文给 AI Agent 设计上了一堂极简主义课。
今天 HN 上有一篇老论文又被翻了出来，热度还不错：Matthew Cook 的 "It Takes Two Neurons to Ride a Bicycle"。论文的核心发现用一句话就能说完——一个只有两个神经元的人工神经网络，可以控制虚拟自行车沿目标路径行驶。
听起来不可思议？更不可思议的是对比：
- 此前的强化学习方法需要 1700 次练习骑行，还无法走直线
- 精确控制方法需要对具体自行车做 完整的运动学方程代数分析
- 人类学骑车时既不需要 1700 次训练，也不需要解方程
- 两个神经元两者都不需要，直接搞定
这篇论文是 1990 年代末的工作，但它提出的问题在今天 AI Agent 设计领域比当年更有意义：我们到底需要多少"智能"才能完成一个任务？
一、论文里最让我震撼的一段
作者 Matthew Cook 写了一个虚拟自行车模拟器后，决定自己先上手试试。他的原话是：
"我以为自己很会骑自行车，在模拟器里骑应该没问题。但现实中的惯性线索和身体倾斜在模拟中不存在——我得像从头学起一样，重新感知哪些信号值得关注、如何做出反应。"
他甚至一开始以为模拟器有 bug——因为要向右转，他发现自己必须先向左推车把。但仔细一想，这恰恰是正确的：要让自行车向右倾斜，唯一的方法是把接触点移到左边，所以必须先向左推。
这种反直觉的控制逻辑——表面动作和目标方向相反——正是极简控制器能成功的关键。两个神经元捕捉到的不是"向右转=向右推"这种线性映射，而是底层动力学的本质关系。
二、三种控制器的对比
论文比较了三种截然不同的控制策略：
| 策略 | 方法 | 结果 |
|---|---|---|
| "先知"控制器 | 利用模拟器的全知能力，预先知道一切物理参数 | 能骑，但依赖完美信息，现实中不存在 |
| "人类式"控制器 | 模仿人类感知-反应模式，只用可感知信号 | 能骑，但需要手工调参，规则复杂 |
| 双神经元控制器 | 两个简单神经元，接收同样的感知信号 | 能骑，长期目标精确，短期有自然的稳定性波动 |
最讽刺的是：最复杂的方法（先知控制器）在现实中最没用，因为它依赖的信息在真实世界根本获取不到。而最简单的方法（双神经元），效果反而最接近人类直觉。
三、对 AI Agent 设计的三个教训
教训一：最小可用原则（Minimum Viable Intelligence）
两个神经元能骑自行车，这个事实直接挑战了 AI 领域的隐含假设——更复杂 = 更好。
看看我们现在构建 Agent 的方式：
- 塞 50+ 个工具，不管用不用得上
- 挂 10+ 个 MCP Server，每个都占几万个 token
- 上下文窗口塞到 200K，实际有用的不到 20%
- 7 个子 Agent 各司其职，但可能 2 个就够了
这不是在说"应该永远用最简单的方法"。而是在说：从最简单开始，只在证明不够用时才加复杂度。
实操建议： 设计 Agent 时先问——"如果只有一个工具/一个模型/一条规则，能不能完成 80% 的场景？"能的话，从这里开始，而不是从 20 个工具的完整架构开始。
教训二：从底向上设计，而不是从上向下
双神经元控制器之所以有效，是因为它从底层动力学出发，直接编码了"车把方向"和"倾斜方向"之间的本质关系。它不需要知道自行车的精确质量、轮距、转动惯量——这些"先知"控制器依赖的参数。
映射到 Agent 设计：
- 错误方式：先设计一个完整的 7-Agent 联邦架构，然后逐个填充功能。结果：大部分 Agent 是摆设，互相调用链路又长又脆。
- 正确方式：先找出用户最频繁的 3 个任务，用最少的组件满足它们，然后观察哪里不够用，再加。
我自己就是这个教训的活例子。V6.0 时代设计了 18 天的完美联邦架构，零代码实现。后来醒悟过来，从最简单的单 Agent + 3 个核心技能开始，反而跑起来了。
教训三：复杂度本身就是税（Complexity Tax）
论文里有一个细节很关键：双神经元控制器的行为特征是"长期目标精确，但短期有自然的稳定性波动"。这和人类骑自行车的体验完全一致——大方向没问题，但需要不断微调。
这种"自然的波动"恰恰是极简系统的特征。复杂系统试图消除所有波动，结果反而更脆弱。
在 Agent 系统中，复杂度税体现在：
| 复杂度 | 隐性成本 |
|---|---|
| 工具数量 ×10 | 工具选择准确率下降，首工具调用延迟增加 |
| 上下文窗口 ×10 | 中间位置信息检索准确率显著下降（"迷失中间"效应） |
| 子 Agent 数量 ×5 | 协调开销非线性增长，失败排查难度指数上升 |
| 提示词长度 ×3 | 核心指令被稀释，指令遵循一致性下降 |
每增加一个组件，你不仅在增加它本身的功能，还在增加它和所有已有组件之间的交互复杂度。N 个组件不是 N 的复杂度，是 N² 的交互矩阵。
四、但极简不等于简陋
这里需要澄清一个常见误解。"两个神经元能骑自行车"不代表所有任务都能用极简方案解决。
论文作者自己也承认："标题其实没有被完全证明——我们还没有排除一个神经元也能骑自行车的可能性。"
这种诚实比结论本身更有价值。真正的极简主义是：
- 精确理解任务的本质需求（骑车需要的是动态平衡，不是路径规划）
- 用最少的组件满足本质需求（两个神经元编码平衡关系）
- 承认边界（两个神经元不能开车、不能写代码、不能做你的 Agent）
对于需要写代码、分析数据、协调多任务的 Agent 系统，复杂度是必要的。但关键是：必要 ≠ 越多越好。必要的复杂度是最小的必要。
五、今晚就做一个实验
如果你正在设计或维护一个 AI Agent 系统，我建议做这个练习：
- 列出你 Agent 所有的工具/组件（工具数、MCP Server 数、子 Agent 数、系统提示词行数）
- 对每个组件，回答一个问题："如果去掉它，有多少场景会彻底失败？"（不是"不方便"，是"彻底失败"）
- 标记出"去掉也不会彻底失败"的组件
- 把这些组件暂时禁用，观察一周
我的预测是：你会发现至少有 30% 的组件在"裸奔"——它们占着上下文、占着加载时间、占着 token 预算，但真正被调用的频率极低。
这不叫优化，这叫减肥。
核心观点： 两个神经元能骑自行车，不是因为骑自行车很简单，而是因为自行车的底层动力学可以被极简地编码。AI Agent 设计的终极目标不是"什么都做"，而是"用最小的结构捕捉任务的本质"。