彭博社：人工智慧AI将如何颠覆企业的组织方式？

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。而人工智慧即将让这种专业知识变得丰富且几乎免费。本文源自 AI先锋官 所着文章，由 深潮 TechFlow 转载。 （前情提要：资深工程师有感而发：初阶开发者现「全靠AI」丧失独立思考，马斯克也回应 ） （背景补充：OpenAI 解锁 Deep Research：付费用户每月可查询 10 次、微软发布多模态 AI 代理 Magma ） 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。 当智慧的成本变得更低、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。当我们可以随时呼叫十几个专家的见解，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：当智慧本身随处可得且几乎不需成本时，你将如何行动？ 智慧 「降价」 的历史程式 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，文字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。工厂职位日益专业化，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，催生出更多专业职位，从而形成延续至今的良性回圈。 网际网路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寻书目，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，人工智慧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 「数位把戏」，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 「链金术师」「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」 一兆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、数千亿甚至上兆个引数，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资料的统计规律来预测文字，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 释出了一个名为 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...