AI会先颠覆哪些行业？答案藏在验证速度里

大家有没有发现，AI现在有点专挑难的先做。

越是数学、科研这种过去觉得最难被机器搞定的东西，最近反而越容易拿到大结果。

“难不难”显然已经不是判断AI能力的标准。那我们到底该怎么判断，一个行业会不会被AI迅速颠覆？

最近听卓克的播客，我觉得里面有个判断特别关键：答案不在难度，而在验证速度。

AGI到底实现了吗？

讨论哪些行业会被颠覆之前，先得回答一个问题：今天的AGI，到底走到哪一步了？

前段时间我听张钹院士讲AI。他说，人工智能一直是在无人区里探索，因为直到今天，我们连“智能”到底是什么，都没有一个明确定义。

所以今天讲AGI也是一样，定义不同，答案完全不同。

第一种定义，是AI的主动执行力超越人类。

它可以在缺乏训练数据的问题上自己往前推进，从环境反馈里持续学习，不需要人类重新训练，就能越来越聪明。

按这个标准，2年内依然很难实现。今天的大模型训练完成以后，能力基本就定型了。你可以把它用得越来越好，但它不会自己变成下一代模型。

第二种定义，是看AI在具体领域里的能力，能不能持续超过人类，甚至超过最顶尖的人类。如果按这个标准，我认为很多领域已经实现了。

有些领域，AI已经超过人类

先看自动驾驶。

我自己在硅谷开过FSD，现在它在真实道路上的表现已经非常成熟，重大事故出错率相比人类驾驶已经低了大约70%到80%。

前几天我和特斯拉内部的人聊到，RoboTaxi已经是公司最优先的项目之一。过去一年真正投放的还只有几十辆，接下来目标已经到了几千辆级别。因为规模一旦起来，真实道路数据也会跟着起来。车跑得越多，遇到的corner case越多，模型就能继续在真实运营里迭代。

Waymo和特斯拉走的是两条路线。Waymo用更多传感器，追求更高的技术冗余；特斯拉更接近纯视觉，同时把成本压得更低。所以自动驾驶这件事，我觉得已经越来越ready了。

再看科研。

最近Anthropic和OpenAI都开始让AI参与真正的数学研究。我印象很深的是一个黎曼猜想相关的例子：Claude用了两天时间，把zeta函数相关的一个关键指标推进了25%，而此前20年里，人类在这个方向上的推进大约只有1%。

另一边，OpenAI让大约1万个Agent并行去攻Navier–Stokes方程。这个困扰数学界接近一个世纪的千禧年难题，几天之后就得到了一套解答，而且还完成了验证。

AI拿到一个目标以后，可以一次铺开几百条路线，同时做海量测试。一个科学家如果一条条试，可能几年都过去了；AI一个下午就能把大量路径跑一遍。

它未必拥有顶级数学家的灵光一现，但它可以不疲倦地把搜索空间狠狠干一遍，只要其中一条路线成立，就继续往前推。

甚至谷歌元老级工程师Jeff Dean的判断是：AI科研效率可能达到传统科研的10万到100万倍。

这也是为什么AI for Science现在这么热。数学只是一个例子，蛋白质、材料、化学、药物研发都在往这个方向走。

第三个是编程。

三年前ChatGPT刚出来的时候，我给自己定过一个目标：不上网、不看书、不问工程师，只靠ChatGPT写一个贪吃蛇。我大学毕业以后几乎没写过程序，那次整整花了7天。

后来我又让Fable 5帮我写一个能联网对战的红色警戒。任务说完我就睡觉了，第二天早上起来，它已经做完，还自己跑了一百多项测试。

几年前，这种事情几乎不敢想。

包括最顶级的AI实验室，也很少有人手写代码了。

Anthropic内部，Claude已经主导了26%的AI研发任务，超过90%的任务进入人机协作状态，内部Agent平台常驻约3万个智能体。一个月里，这些Agent就能做出超过10亿次决策。

所以问题来了：为什么这些在人类看来很难的事情，反而这么早被AI突破？

最难的事反而最先被突破

答案不在“智力难度”，而在反馈速度。

编程为什么发展这么快？因为它可能是世界上最好验证的一类任务。

代码能不能编译，马上知道；有没有Bug，马上知道；测试过不过，也马上知道。AI写一版，运行，错了就改，改完继续跑，每一步都有明确反馈。

数学也类似。一旦证明过程可以被逐步检查，系统能够判断这一环有没有跳步、逻辑是否成立，AI就可以不断生成新路径、淘汰错误路径，再继续搜索。

过去我们觉得数学难，是因为它对人类智力要求极高；但对AI来说，只要评价系统足够清晰，它反而非常适合大规模试错。

一个东西对AI来说难不难，不取决于我们觉得它有多难，而取决于它能不能形成快速、可靠的验证闭环。

沿着这个标准往下看，很多行业的变化速度就很好理解了。芯片设计已经开始进入这个区间，因为大量方案可以通过计算和仿真快速评价。

再往下，反馈开始变慢。机器人每走一步、抓一次东西，都得真的进入物理世界。我们的机械臂现在让模型直接做抓取判断，20次能抓对19次，已经是过去很难做到的水平，但一次真实世界反馈，依然比电脑里跑一次代码贵得多、慢得多。

我以前见过乔布斯医疗团队里的一位华人成员。他跟我说，如果乔布斯晚5年，可能就有机会活下来。当时从测序、算药到真正把药做出来，往往要一个月；等这一轮结束，癌细胞可能已经又发生了变化。

到了管理、社会科学，问题甚至不只是反馈慢，而是什么叫“正确”，本身都很难定义。

所以AI颠覆行业的顺序，很可能和我们的直觉正好相反：

越容易被量化、被验证、被快速反馈的领域，越可能先被AI打穿；越依赖漫长现实反馈、越难定义结果好坏的领域，推进速度反而越慢。

新的生产工具，正在重做一切

讲这些不是要贩卖焦虑，因为我们面对的，是一场足以和蒸汽机诞生相比的生产力革命。

互联网更多是在重新组织连接和信息流动，AI改变的则是一个人、一家公司到底能完成多少工作，能把多少复杂任务直接交给机器。

所以真正的问题不是“哪个行业会不会被颠覆”，而是新的生产工具已经出现以后，我们的工作方式、组织方式和产品，是不是也该重新做一遍。

机会最终属于那些最早下场、最早实践、最早真正把AI用起来的人。