《我们很可能正走向一个“无工作社会”》
https://mp.weixin.qq.com/s/Qc9bEF4y3Lk2y9EUU4Ensg
工业革命带来了“按需获取动力”(power on demand)。那么,AI革命则让我们能“按需获取智能”(intelligence on demand),即按需获取所需的知识量或思维效率。技术和知识增长的三角关系(triangle),“发现”(discovery)带来“重大发明”(macro invention),进而推动规模化生产(mass production),这反过来又导致更多的发现,以此循环。对于AI而言,这个三角关系的运作在持续加快,没办法被阻止。技术和科学增长现在是指数级的,机器自我复制,发现新事物,制造新机器,一切都在持续加速。AI革命也不仅仅是一场经济变革,而可能是一场社会变革,它极有可能改变而且正在改变我们世界中的一切事物。
- 教育:面对一个不再需要靠“工作”定义自我价值的时代——AI时代,教育将从“培养劳动力”转向“教人去生活”。未来的教育,将鼓励每个人去发现自己的热情、发展自己的创造力。我们正在进入一个“自主学习”(independent learning)的时代。AI和互联网已极大地降低了学习门槛和成本,任何人都可以自主学习自己感兴趣的一切。教育的核心任务,也将从让人成为合格的劳动力,转变为培养人激发并享受自己的潜能以享受一个好的生活。
- 知识产权:在AI时代,可能大多数创作都会引用、融合无数他人的知识产权,而个人贡献可能只是极小部分且难以认定。因此,可能很难再说“这是我的作品”“这是我完成的”,一切创意将逐渐变成某种意义上的“共同财产”(common property)。
- 去中心化(devolution):工业革命把相关人群集中在一起能够实现巨大的规模经济。AI时代一个专业人士配合几个AI,就可能完成一个团队的工作。一两个人可以监督大量智能机器的运转,一所大学、一家公司、甚至一个政府部门,都可能或多或少出现“一个人 + 一百个AI”就能运转的情况。大学、企业等组织可能在100年内消失。
- AI新物种
几点延伸:
1、持续快速分化的两类人
AI时代人类结构性的分化、断裂,是通过每一个人自主自愿的选择实现的,逐步且快速。由于不断提升的智能门槛,对于没有学习发展进步、提出新问题探索新领域意愿(taste),不能够持续跨越智能门槛的人,会主动选择蓝色药丸——AI提供的老头乐/精神鸦片,自愿进入虚拟世界,低成本快乐的度过余生。需求层次主要在下四层的人大多数会做出这样的选择,因为在虚拟世界,这些需求的满足更容易、更全面。
他们自主选择作“电池”,输出AI时代所需要的“电力”:
– 大量的数据:在游戏、娱乐过程中产生的,用来训练、提升AI系统水平的人类行为数据;
– 偶发的灵感:哥德尔不完备性定理指出的计算的局限性,人类直觉能够把握形式系统无法企及的真理。
选择红色药丸去直面AI时代挑战的人,主要由自我实现需求所驱动。他们通过AI的辅助,持续、快速地学习知识、经验、方法等创新的基础能力,以及明确方向/提出问题的能力(而不只是与Agent Smith打斗的功夫和武器),然后使用AI不断实现创新和发展,探索无尽的前沿。
2、演化方式的变化
人类作为一个生物物种,其发展演化的基础包括:
1)数量(大量自然繁育的人口),AI时代这方面只能寄希望于机器生育;
2)一定的差异化率;
3)主动的改进优化(基因工程或AI新物种):可能主要会通过这种方式来实现不断进化。特别是当一个人通过一生时间的学习积累仍然达不到智能发展的下限门槛时,更需要这种方式来提升进化效率。
《后大模型时代的人才危机》
https://mp.weixin.qq.com/s/9EgMKG0YbXj955rCSR48JA
【Gemini】本文由Gemini 3 pro写作。
高强度的记忆检索、标准规则下的模式识别、对既定知识的无错复现,这些曾被视为天才特征的能力,如今不过是 LLM 的“出厂设置”。耗费巨大的社会资源,从千军万马中选拔出那些最擅长寻找标准答案的“做题家”,实际上是在选拔一群性能低下的“生物协处理器”。这种筛选不仅导致了严重的资源错配,更掩盖了真正稀缺的品质:那些无法被标准试题量化、处理模糊性与非结构化问题的能力。
直觉往往建立在数年如一日的“笨功夫”之上:推导繁琐的公式、清洗充满噪声的数据、阅读浩如烟海的文献。然而,AI 的介入极大地压缩了这一过程。如今,初学者可以在几分钟内完成过去需要数周的基础脑力劳动。这里隐藏着巨大的风险,即“学徒陷阱”。当 AI 接管了所有“过程性”的苦劳,人类初学者便失去了与问题直接“肉搏”的机会。正如习惯了导航的人会丧失空间感,如果跳过了那些看似低效的思维摩擦,直接获取最终答案,未来的研究者将难以建立起深刻的物理直觉。我们可能面临一个断层的学术界:顶层依然是受过严酷旧式训练的大师,而底层则是高度依赖 AI 假肢、却缺乏内生判断力的操作员。一旦遇到 AI 训练数据之外的“无人区”问题,这些被技术“饲养”长大的研究者将束手无策。
在大模型时代,知识生产的边际成本归零迫使我们必须进行认识论层面的范式转移。对于科研人才而言,价值将不再来源于“求解”,因为求解过程往往是算法可达的;价值将完全转移至“问题形式化”与“真值判定”。未来的顶尖人才,必须具备极高的学术审美(Taste),能够在 AI 生成的无数种可能路径中,凭借直觉识别出那条通往物理真实的路径。同时,随着 AI 幻觉与伪逻辑的泛滥,人类必须回归到科学最原始的根基——实验验证与第一性原理思考,承担起“终极验证者”的伦理责任。未来的教育与选拔,不应再致力于训练“更快的 CPU”,而应致力于培养“更有远见的架构师”。在一个答案极其廉价的时代,唯有“意向性”——那种源于人类内在欲望、好奇与责任感的驱动力——才是无法被代码生成的稀缺资源。