回复@雪夜闭门读金属:一边使用AI提升效率，一边积累经验当专家/-20250303113607

彭博社：人工智能将颠覆企业组织方式的基本假设

经济体系长期以来建立在这样的观念之上：专业知识稀缺且昂贵。而人工智能即将让这种专业知识变得丰富且几乎免费。

在人类大部分历史中，要雇佣十几位拥有博士学位的专家，往往需要庞大的预算和长达数月的准备时间。如今，只需在聊天机器人中输入几个关键词，就能瞬间获得这些“大脑”的智慧。

当智能的成本变得更低、速度变得更快，支撑我们社会制度的基本假设——“人类洞察力稀缺且昂贵”——将不复存在。当我们可以随时调用十几个专家的见解，公司组织结构会如何变化？我们的创新方式会如何演进？我们每个人又该如何对待学习与决策？摆在个人与企业面前的问题是：当智能本身随处可得且几乎不需成本时，你将如何行动？

智慧“降价”的历史进程

历史上，我们曾不止一次见证知识成本大幅下降、传播途径急速扩张的过程。15世纪中叶印刷机的出现，就极大降低了书面资料的传播成本。在此之前，文本往往由僧侣等专业人士手工誊写，既费钱又费时。

当这道瓶颈被打破后，欧洲迎来了深刻的社会变革：新教改革在宗教层面引发了巨大冲击；识字率迅速上升（为普及初等教育奠定了基础）；科学研究借助印刷出版物蓬勃发展。荷兰和英国等商业导向的国家因此获益匪浅，荷兰进入“黄金时代”，而英国则在随后的数个世纪继续在全球舞台上扮演重要角色。

随着时间的推移，大众识字与公共教育普及，让社会总体智慧得以提升，这也为工业化打下了基础。工厂岗位日益专业化，更复杂的劳动分工推动了经济增长。18世纪末，男性识字率较高的国家率先实现工业化；到了19世纪末，技术最发达的经济体也往往是识字率最高的国家。人们掌握新的技能，催生出更多专业岗位，从而形成延续至今的良性循环。

互联网的出现更是把这一趋势推向新高度。童年时，如果我想研究一个新话题，需要带着笔记去图书馆搜索书目，光是这一步就能耗掉大半天。那时，获取知识既昂贵又不易。

而今，人工智能接过了这条持续千年的“降低智慧成本”的接力棒，为我们的经济与思维方式开启了全新的篇章。

我与 ChatGPT 的“顿悟时刻”

我在 2022 年 12 月第一次使用 ChatGPT 时，就感到这是一个里程碑的产品。起初，我只是用它做些“数字把戏”，比如让 AI “用 Eminem 的风格改写《独立宣言》”（它写出的改编词大概是“Yo, 我们要大声说出来，这里的人绝不会被打倒”，诸如此类）。

事后回想，这就像让一位蓝带厨师为你烤芝士三明治，实在太过大材小用。直到 2023 年 1 月的某个下午，我和 12 岁的女儿花了几小时，借助 ChatGPT 一起设计了一款全新的桌面游戏，才真正意识到这类工具的力量。

当时，我先告诉 AI 我们喜欢哪些桌游、不喜欢哪些，并请它分析其中的共性。它发现，我们喜欢能够“铺设路径”“管理资源”“收集卡牌”“制定战略”且“胜负悬念较大”的游戏机制，同时不喜欢某些常见于《Risk》或《大富翁》的模式。

我要求它在这些元素的基础上构思一些不那么显而易见、但又重要的游戏创意，并希望有一定历史背景。ChatGPT 便想出了一个名为 “Elemental Discoveries” 的游戏：玩家扮演 18~19 世纪的化学研究者，通过收集和交易资源来进行实验、获得分数，并可相互干扰破坏。

然后，我让它进一步细化资源、玩法、游戏机制以及适合玩家扮演的角色。它提出了“炼金术师”“破坏者”“商人”“科学家”等定位，还为他们匹配了历史上的化学家形象，例如拉瓦锡、约瑟夫-路易·盖-吕萨克、玛丽·居里、卡尔·威廉·舍勒等。

借助当时还比较“初级”的 ChatGPT，我们仅用两三小时就制作出了一款虽然粗糙但还算可玩的桌游。最后，我不得不停下来，一方面是时间不够，另一方面我也已经精疲力竭。那次经历让我亲身体会到，AI “合作者”可以将原本需要数周的研发流程，压缩到短短几小时。想想如果把它用于产品开发、市场分析，甚至企业战略，会带来多么巨大的潜力？

在这个过程中，我看到的 ChatGPT 并不仅仅是在复读或堆砌事实；它的表现展现出类比和概念性思维能力，能够联结点子与现实参考，真正地在需求下输出具有创造力的解决方案。

从“随机鹦鹉”到“深度思考者”

一万亿这个数量级已经很惊人了。支撑 ChatGPT 的大型语言模型动辄拥有数十亿、数千亿甚至上万亿个参数，其复杂程度令人咋舌。

我们至今也不完全明白这些模型为什么、又是如何发挥作用。当它们在过去七年屡屡取得突破时，有些理论学者坚持认为它们做不出真正的新东西——2021 年，一些研究者甚至提出 “随机鹦鹉”（stochastic parrots） 这一带有贬义的说法。因为大型语言模型基本是根据训练数据的统计规律来预测文本，仿佛鹦鹉随机重复话语。

然而，对于那些持续体验并赞叹这些工具的人而言，很难相信它们只是在复读。尤其是在过去半年里，这种观点显得更加站不住脚。

最初的大型语言模型，更像是“凭直觉发言”，既缺少“反省”能力，也无所谓“自我意识”。用诺贝尔经济学奖得主丹尼尔·卡尼曼的话来说，人类大多时候依靠系统 1（直觉性、快速反应）的思维，但真正需要深入思考时，我们会切换到系统 2（缓慢、谨慎且更不易出错）。前期版本的 ChatGPT 及其竞品多数只具备类似于系统 1 的表现，没有系统 2 的推理流程。

这种状况在 2024 年 9 月时开始改变，OpenAI 发布了一个名为 o1 的推理模型，它可以对多步的复杂逻辑问题进行分解、验证中间结论（必要时还能回溯修正），从而更好地得出最后结果。相较于传统的大型语言模型仅能依赖记忆或表层模式匹配，新的推理模型逐步具备了拆解问题、审慎推敲的能力。有些测试显示，这种推理模型在专门领域的测验中已能与博士级专家相媲美，甚至更胜一筹。

自 o1 发布后，短短六个月里，AI 又取得了惊人的进展。目前最火热的话题是如何将这些推理模型变成 “自主研究助手”。它们的表现真是令人惊艳。

最近，我让一个研究机器人为我进行一项分析，主题是“对 F1 赛车、科切拉音乐节、迪士尼乐园、拉斯维加斯赌场、医院、大型动物园等大型活动或运营项目进行综合环境影响评估”。AI 花了 73 分钟，查阅了 29 个独立来源，并给出了详细的结果表格和 1,916 字的文字说明。虽然质量仍有提升空间，大约相当于让一位研究生花几天写出的报告水准，但它却为我节省了数日的时间。

仅在 18 个月前，我的 AI 系统只能为我解决一些半小时以内的小任务；而现在，它已经足以应对更复杂、更耗时的研究工作。

认知“生产线”的出现

我们一直在见证与“知识使用”和“认知劳动”相关的一连串演变。从最初寺庙和学者垄断智慧，到印刷术让知识变得可传播，再到互联网让信息本身变得触手可得，问题也逐步转向了“如何理解信息”。现在，那些我们曾认为稀缺且复杂的任务，也变得近在咫尺、且成本低廉。

不过，当我与大企业管理层沟通时，发现他们大多只在一些琐碎领域使用 AI，比如客服自动化来节约成本。Salesforce 的首席执行官曾在去年 12 月表示，他们每周 36,000 条客户支持咨询中，有 86% 是由 AI 回答的；瑞典金融科技公司 Klarna 则声称其三分之二的客服对话由 AI 处理，单是这一措施就为公司带来了 4,000 万美元的利润。然而，纯粹通过客服削减 10% 成本并不足以让企业获得质的飞跃，还没有哪家伟大企业仅凭降低成本而取得成功。