經濟體系長期以來建立在這樣的觀念之上：專業知識稀缺且昂貴。而人工智慧即將讓這種專業知識變得豐富且幾乎免費。本文源自 AI先鋒官 所著文章，由 深潮 TechFlow 轉載。
（前情提要：資深工程師有感而發：初階開發者現「全靠AI」喪失獨立思考，馬斯克也回應 ）
（背景補充：OpenAI 解鎖 Deep Research：付費用戶每月可查詢 10 次、微軟發布多模態 AI 代理 Magma ）
在人類大部分歷史中，要僱傭十幾位擁有博士學位的專家，往往需要龐大的預算和長達數月的準備時間。如今，只需在聊天機器人中輸入幾個關鍵詞，就能瞬間獲得這些 「大腦」 的智慧。
當智慧的成本變得更低、速度變得更快，支撐我們社會制度的基本假設 ——「人類洞察力稀缺且昂貴」—— 將不復存在。當我們可以隨時呼叫十幾個專家的見解，公司組織結構會如何變化？我們的創新方式會如何演進？我們每個人又該如何對待學習與決策？擺在個人與企業面前的問題是：當智慧本身隨處可得且幾乎不需成本時，你將如何行動？
智慧 「降價」 的歷史程式
歷史上，我們曾不止一次見證知識成本大幅下降、傳播途徑急速擴張的過程。15 世紀中葉印刷機的出現，就極大降低了書面資料的傳播成本。在此之前，文字往往由僧侶等專業人士手工謄寫，既費錢又費時。
當這道瓶頸被打破後，歐洲迎來了深刻的社會變革：新教改革在宗教層面引發了巨大沖擊；識字率迅速上升（為普及初等教育奠定了基礎）；科學研究藉助印刷出版物蓬勃發展。荷蘭和英國等商業導向的國家因此獲益匪淺，荷蘭進入 「黃金時代」，而英國則在隨後的數個世紀繼續在全球舞臺上扮演重要角色。
隨著時間的推移，大眾識字與公共教育普及，讓社會總體智慧得以提升，這也為工業化打下了基礎。工廠職位日益專業化，更復雜的勞動分工推動了經濟增長。18 世紀末，男性識字率較高的國家率先實現工業化；到了 19 世紀末，技術最發達的經濟體也往往是識字率最高的國家。人們掌握新的技能，催生出更多專業職位，從而形成延續至今的良性迴圈。
網際網路的出現更是把這一趨勢推向新高度。童年時，如果我想研究一個新話題，需要帶著筆記去圖書館搜尋書目，光是這一步就能耗掉大半天。那時，獲取知識既昂貴又不易。
而今，人工智慧接過了這條持續千年的 「降低智慧成本」 的接力棒，為我們的經濟與思維方式開啟了全新的篇章。
我與 ChatGPT 的 「頓悟時刻」
我在 2022 年 12 月第一次使用 ChatGPT 時，就感到這是一個里程碑的產品。起初，我只是用它做些 「數位把戲」，比如讓 AI 「用 Eminem 的風格改寫《獨立宣言》」（它寫出的改編詞大概是 「Yo, 我們要大聲說出來，這裡的人絕不會被打倒」，諸如此類）。
事後回想，這就像讓一位藍帶廚師為你烤芝士三明治，實在太過大材小用。直到 2023 年 1 月的某個下午，我和 12 歲的女兒花了幾小時，藉助 ChatGPT 一起設計了一款全新的桌面遊戲，才真正意識到這類工具的力量。
當時，我先告訴 AI 我們喜歡哪些桌遊、不喜歡哪些，並請它分析其中的共性。它發現，我們喜歡能夠 「鋪設路徑」「管理資源」「收集卡牌」「制定戰略」 且 「勝負懸念較大」 的遊戲機制，同時不喜歡某些常見於《Risk》或《大富翁》的模式。
我要求它在這些元素的基礎上構思一些不那麼顯而易見、但又重要的遊戲創意，並希望有一定歷史背景。ChatGPT 便想出了一個名為 「Elemental Discoveries」 的遊戲：玩家扮演 18~19 世紀的化學研究者，通過收集和交易資源來進行實驗、獲得分數，並可相互干擾破壞。
然後，我讓它進一步細化資源、玩法、遊戲機制以及適合玩家扮演的角色。它提出了 「鏈金術師」「破壞者」「商人」「科學家」 等定位，還為他們匹配了歷史上的化學家形象，例如拉瓦錫、約瑟夫 – 路易・蓋 – 呂薩克、瑪麗・居里、卡爾・威廉・舍勒等。
藉助當時還比較 「初級」 的 ChatGPT，我們僅用兩三小時就製作出了一款雖然粗糙但還算可玩的桌遊。最後，我不得不停下來，一方面是時間不夠，另一方面我也已經精疲力竭。那次經歷讓我親身體會到，AI 「合作者」 可以將原本需要數週的研發流程，壓縮到短短几小時。想想如果把它用於產品開發、市場分析，甚至企業戰略，會帶來多麼巨大的潛力？
在這個過程中，我看到的 ChatGPT 並不僅僅是在復讀或堆砌事實；它的表現展現出類比和概念性思維能力，能夠聯結點子與現實參考，真正地在需求下輸出具有創造力的解決方案。
從 「隨機鸚鵡」 到 「深度思考者」
一兆這個數量級已經很驚人了。支撐 ChatGPT 的大型語言模型動輒擁有數十億、數千億甚至上兆個引數，其複雜程度令人咋舌。
我們至今也不完全明白這些模型為什麼、又是如何發揮作用。當它們在過去七年屢屢取得突破時，有些理論學者堅持認為它們做不出真正的新東西 ——2021 年，一些研究者甚至提出 「隨機鸚鵡」（stochastic parrots） 這一帶有貶義的說法。因為大型語言模型基本是根據訓練資料的統計規律來預測文字，彷彿鸚鵡隨機重複話語。
然而，對於那些持續體驗並讚歎這些工具的人而言，很難相信它們只是在復讀。尤其是在過去半年裡，這種觀點顯得更加站不住腳。
最初的大型語言模型，更像是 「憑直覺發言」，既缺少 「反省」 能力，也無所謂 「自我意識」。用諾貝爾經濟學獎得主丹尼爾・卡尼曼的話來說，人類大多時候依靠系統 1（直覺性、快速反應）的思維，但真正需要深入思考時，我們會切換到系統 2（緩慢、謹慎且更不易出錯）。前期版本的 ChatGPT 及其競品多數只具備類似於系統 1 的表現，沒有系統 2 的推理流程。
這種狀況在 2024 年 9 月時開始改變，OpenAI 釋出了一個名為 o1 的推理模型，它可以對多步的複雜邏輯問題進行分解、驗證中間結論（必要時還能回溯修正），從而更好地得出最後結果。相較於傳統的大型語言模型僅能依賴記憶或表層模式匹配，新的推理模型逐步具備了拆解問題、審慎推敲的能力。有些測試顯示，這種推理模型在專門領域的測驗中已能與博士級專家相媲美，甚至更勝一籌。
自 o1 釋出後，短短六個月裡，AI 又取得了驚人的進展。目前最火熱的話題是如何將這些推理模型變成 「自主研究助手」。它們的表現真是令人驚豔。
最近，我讓一個研究機器人為我進行一項分析，主題是 「對 F1 賽車、科切拉音樂節、迪士尼樂園、拉斯維加斯賭場、醫院、大型動物園等大型活動或運營專案進行綜合環境影響評估」。AI 花了 73 分鐘，查閱了 29 個獨立來源，並給出了詳細的結果表格和 1,916 字的文字說明。雖然品質仍有提升空間，大約相當於讓一位研究生花幾天寫出的報告水準，但它卻為我節省了數日的時間。
僅在 18 個月前，我的 AI 系統只能為我解決一些半小時以內的小任務；而現在，它已經足以應對更復雜、更耗時的研究工作。
認知 「生產線」 的出現
我們一直在見證與 「知識使用」 和 「認知勞動」 相關的一連串演變。從最初寺廟和學者壟斷智慧，到印刷術讓知識變得可傳播，再到網際網路讓資訊本身變得觸手可得，問題也逐步轉向了 「如何理解資訊」。現在，那些我們曾認為稀缺且複雜的任務，也變得近在咫尺、且成本低廉。
不過，當我與大企業管理層溝通時，發現他們大多隻在一些瑣碎領域使用 AI，比如客服自動化來節約成本。Salesforce 的執行長曾在去年 12 月表示，他們每週 36,000 條客戶支援諮詢中，有 86% 是由 AI 回答的；瑞典金融科技公司 Klarna 則聲稱其三分之二的客服對話由 AI 處理，單是這一措施就為公司帶來了 4,000 萬美元的利潤。然而，純粹通過客服削減 10% 成本並不足以讓企業獲得質的飛躍，還沒有哪家偉大企業僅憑降低成本而取得成功。
因此，大多數企業先從相對低端的任務著手，用 AI 處理每小時 50 美元的工作（如客服聊天），雖然有用，但遠非轉型。可事實上，AI 同樣勝任每小時 「價值」 高達 5,000 美元的任務 —— 比如研發、戰略規劃或者專業諮詢。為什麼目前只有少數公司把 AI 投入到這些關鍵環節？
一個原因在於人們很難想像，「必須依靠資深管理者或頂尖專家」 才能完成的工作，居然可以（或者部分可以）由機器來承擔。正因為卓越人才稀缺，那些高價值任務才顯得格外珍貴。我們的組織結構便是在 「真正的高智商人才供給有限」 這一認知下設計的。
以製藥行業為例，一款重磅新葯往往能左右企業成敗。瓶頸在於把藥物推進到昂貴且耗時的審批流程中 —— 通常需要 10~15 年的時間和超過 10 億美元的投入，而且往往幾千個候選分子裡只有一個最終上市。與此同時，一家大型製藥公司裡，市場人員的數量可能比頂尖研發人員多好幾千倍，因為真正的資深研究專家極為稀缺。
現階段，大多數企業領導人仍處在 「嘗試接受 AI」 而非 「真正相信 AI」 的階段。他們習慣於認為有些問題太難或太昂貴，能躲就躲。可隨著 AI 的出現，約束不再是 「我們是否能想出解決辦法」，而更是 「我們能多快把好想法落地驗證」。
這一切都將帶來深遠影響。當每個企業都能隨時呼叫數位 「博士級 AI 專家」 時，創新速度自然會大幅加快。就像亨利・福特的汽車流水線讓生產過程能迅速迭代、改進一樣，AI 可以讓思想和解決方案得到持續打磨更新，公司也能更快試錯、更快學習、迅速轉向。
當然，如果企業並沒有能力落實那些由 AI 「智囊團」 提出的想法，那麼再高明的點子也無濟於事。能否順暢地執行與整合，才是真正拉開差距的關鍵。
我與 AI 共處的日常
過去 18 個月，我逐漸建立起一個 「AI 生態系統」 為我工作服務。比如，在 2024 年 6 月某天，我一天裡呼叫這些 AI 系統 38 次，累計互動字數達到 7.9 萬字，用於研究。
到 2025 年 1 月，我已經不再去統計交流字數了。但在沒有對方（真人）反對的情況下，我幾乎每次會議都會帶一個 AI 做會議記錄。日常研究中，我也經常使用好幾個不同的 AI 工具。就在寫這篇文章的一週內，我向各種大型語言模型發出了至少 144 次查詢 —— 這還不包括錄音轉寫（26 次）和程式碼助理工具的使用。我現在用新一代 AI 工具的次數，比用 Google 搜尋還要多。
令人意外的是，雖然我處理的工作量增加、速度更快，但我在電腦螢幕前耗費的時間卻比前幾年更少了，這對我來說是個非常開心的收穫。
當智慧的成本幾近於零時，真正的瓶頸已不再是 「如何獲取大腦」，而是 「我們如何善加利用」。那些能提出好問題、客觀評估答案並果斷行動的個人和組織，將成為大贏家。他們也需要思考：手裡的時間多了，該拿它來做什麼？
📍相關報導📍
如何在 BNB Chain 上尋找 AI Agent 的「本家王牌」？
