万维钢：未来几年，人只剩两件事可干

内容来源 ：笔记侠PPE（政经哲）课程26级美国站《创新英雄》现场分享。 主讲嘉宾：万维钢，前物理学家、现科学作家，“中国好书”“文津图书奖”得主，《人比AI凶》作者。 责 编 | 湫

第 9887 篇深度好文：10428 字 | 20 分钟 阅读

商业趋势

未来的公司到底由人驱动，还是由智能体驱动？

笔记侠创始人柯洲正带着来自 AI、跨境电商、移动互联网、硬核科技等领域的第五代企业家，在硅谷与科学作家万维钢交流。

下面的内容，仅是笔记侠 PPE（政经哲）课程 26 级美国站交流的一部分，今天这场分享也只是其中一个切面。

明年再赴美国，我们期待与更多创业者同行：带着自己的问题，走进变化发生的现场，找到下一步的方向。

以下是万维钢的分享。

一、AI不是工具了：用法已经变了四轮

在过去这两三年，我们使用AI的方法已经经历了四个变化。

第一步，AI只负责生成。一幅画、一篇文章、一段代码。所谓用AI编程，就是AI给你写一段代码，你复制粘贴进自己的项目。

第二步，出现Claude Code、Codex这类工具。它们能直接操作你本地的文件，甚至一次性操作多个文件。编完还能自己编译、读报错、再改。

人从“让AI生成内容”，变成“让AI做一个项目”。

第三步，到去年，我们做到让AI去完成一个任务。你去AI原生的公司里看，他们给AI的是一个很抽象的任务，至于用什么手段，AI自己定。

第四步，从今年上半年到现在，出现了全天候在线的个人助手。助手负责日常性的事，具体的项目还是交给那个项目专门的智能体。

我认为当前最好的办法，不是你只跟一个Agent，你最好有若干Agent，每一件事有一个Agent。

你直接跟几个Agent对话，而不是通过一个中间人去跟它们说话。

1.你现在只需要说要什么

现在用AI工作，你不需要向它描述任务该怎么做，只要告诉它你要做什么。

以前那些所谓的提示词，现在看来都已经被淘汰了。你给它设计的路线，往往不见得是最好的路线。

举我自己的例子。几个月前世界杯之前，我让AI给我做一份用旧金山湾区当地时间标注的世界杯转播日程表。

它先上官方网站找赛程，换算成湾区时间，查清哪家电视台转播，还标出哪几场在湾区本地进行，你想去看就可以去看。

然后自己排版，做几个测试页。为了看排版效果，它把页面转成 PDF。发现我本地系统里没有趁手的合成工具，它自己下载了一个。它自己截图、自己查看，哪页有问题就改。中间还碰到Chrome（谷歌浏览器）的一些问题，我也说不清是什么问题，它自己解决了。

这一切都不是我让它干的。我只说了一句：给我做一个能打印出来的、好看的赛程表。

2.一切知识工作都是一个loop（循环）

上述的这个作业方法叫loop（循环式工作法）。你设定一个目标、一个完成条件，给它充分的本地上下文，让它了解你的环境和情况，然后让它去行动。

每次行动之后，它自己对照目标，或者你帮它判断达标没有。没达标就再迭代一轮。不管多少轮，什么时候干完什么时候完事。

实际操作中你甚至不用交代这么细。它跟你熟，根据对你的了解，就能大概把活干成。

一切的知识工作，不管你是写文章也好、编程也好、做设计也好、管理也好，本质上都是一件事，都是一个 loop（循环）。

你需要一个评估：你这次完成得好不好？然后你需要先有一个内部的模型，就是负责完成这个 loop 的智能体。

它需要对这个世界有一个理解，这是它的模型。然后它获取数据，很多时候让它自己去做判断跟决策，然后评估，然后循环。

我特别想强调一下“循环”这个概念。

精髓在于：它第一轮干出来的结果，你往往不那么满意。而且你多半是看到第一轮之后，才想到自己到底想要什么。

所以它要做第二轮、第三轮，每轮都比前一轮更优化一点。最后它做出来的东西，可能你一开始都没想到。

AI 时代我们一定要树立 loop（循环）意识。

二、硅谷的共识：
模型已经够用，问题在你身上

现在硅谷的共识是什么？是极端的共识。

我私下跟一些工程师交流，这些人的想法是：现在模型已经够用。现在如果你有一个工作，你说现在AI做不了，那不是AI的问题。

那是你没有把这个工作给组织好，你没有充分把它给AI说明白，你没有搭建好。

AI 模型已经很行了，你剩下的事是你的。

现在有两种更极端的两种工作模式，一种叫human-on-loop（人在环上），就是loop自己循环，AI自己一直能做，人只是时不时检查一下，人只在这个圈外，把关一下。这种做法的好处是快，甚至你去睡觉，你不用管它，它已经把事做到。

另外一个做法是human in the loop（人在环中），人是loop（循环） 中的一个环节：AI 每次做完一步都要问你，然后你给出下一步指令。

如果你今年年初的时候问我，那我肯定会说：应该是 human in the loop（人在环中），因为人还是应该起主导作用。

但现在硅谷工程师的思想是：应该是 human on the loop（人在环上）。

on 和 in 的区别， in是在里面，on是我在旁边旁观，我在上方，我看着它，随时去监督。

更极端的就是 human off the loop（人在环外）。这帮人的想法是：干脆把人不要了。如果一个工作还需要人去推动一下，那就是工程师的工作没做好。把人全部去掉。

这些人甚至会想：图形用户界面（GUI）是一种过时的状态。因为图形用户界面对人很友好，但对AI来说是浪费算力，你直接给我文字就完事了。

所以干脆以后就全是 CLI（命令行界面，纯文字的人机交互方式），直接用文字交流，AI 与AI之间直接用文件交流，最好把人彻底从这个 loop （循环）之中拿掉。

但这是一个很极端的看法。

我后面会讲为什么人仍然重要。既然AI可以做所有事，那为什么人仍然很重要？这是一个很矛盾的事。

三、重复的事都该智能体化：
能积累才有复利

以前有个词叫AI Native（AI原生），现在有个新词叫Agent Native（智能体原生）。

核心就一句话：凡值得反复做的事，都应该把它变成一个Agent（智能体）。一旦把它变成智能体，你就可以不断给它反馈，它下次就做得更好，你还能定期审计他。

1.过去，人把一年的经验用上十年

程序员有个习惯：一个动作哪怕只做两次，也要写成程序，因为第二次就能自动跑。

比如，我让AI去读我Evernote（一款笔记软件）里的一条笔记。它第一次就想到，干脆做一个永久插件，以后一键就能访问我的笔记，而不是每次笨拙地打开软件去看。

人的问题在于：职场里大部分工作都是重复性的，但人只是把以往的经验重复一遍，把一年的经验用上十年，很少想着把做法再迭代一次。

但是，你跟Agent说下次改进一下，它真能记住，真改，真学。

2.长期记忆不用等大模型，本地Agent就能解决

以后，每个人需要有若干个Agent，不是一个。它会有长期记忆。

现在做模型的人会说，AI 的突破点是AI需要有长期记忆。但现在不需要你等他们的大模型做出来长期记忆。

你运行在你自己本地电脑上的Agent，就可以把记忆留存在你的电脑里。长期记忆这个问题，你可以用Agent的方法给它解决。

它会逐渐记住你所有的东西，它会是全世界最了解你的，然后它持续迭代，它的功能会越来越强。

3.Agent会比你更像你

我8月份去巴西，访问当地一家公司，CEO跟我讲了他使用Agent最大的心得：他和他的Agent是同步进步、一起进步的。

他关于公司的任何决策，都让Agent先出方案，他来评论。有时听Agent的，有时否掉，并且告诉Agent它的方案为什么不行、为什么应该这么做。这些Agent都记住了，能迭代。

一开始它出的主意可能都是你不能接受的坏主意。但你给它讲道理，告诉它以后这类问题该怎么处理。

我的经验是大概一个月，它就会变得越来越像你，60%、70%的建议你可以直接接受。

而它能瞬间读完全公司的数据，而你读不了。很快它的决策能力就会超过你。

这位CEO以前每天工作10小时，有了Agent之后每天14小时，而且工作时间延长是他主动的。他到星期五就很高兴，因为接下来两天不用跟人开会，只用跟他的AI打交道。

有天下班，他突发奇想：公司给消费者发优惠券的算法好几年都用同一个，能不能优化一下？

就这么一句话，Agent跑了一段数据，拿出新算法，说用它的算法每周能给你省7万。

这个例子好在哪？不在于AI能做这件事，这是可以预期的。好在你是一个突然冒出的想法，不是什么多年夙愿。

唯一的瓶颈不再是能力，而是你的想法，你想要什么。

4.给Agent交代任务，比给人交代任务好 100 倍

我跟很多人聊，这些人都跟我说一个感觉：给Agent交代任务，比给人交代任务要好 100 倍。

两年以前，我们说AI有什么毛病？有人说人善于理解人，人能跟人共情，而AI 不善于理解人的意思。

现在看恰恰相反。AI 是最善于理解人的意思的。

因为它跟你经常在一起工作，它很了解你的上下文，它非常了解你的需求。所以你跟它说一句话就完了，你说这个事怎么办，它都可以自动补齐你的隐含意思，它就能给你做好。

可是如果你跟一个人聊，你跟他聊 50 分钟，他能记住 10 分钟的意思就不错了。然后他执行两礼拜回来，你发现他连那 10 分钟的事都没干好。

比如你要在 Google 干一个项目，你要跨组，借到另外一个组的人过来跟你合作，那你需要怎么办？

你需要把你的 manager（管理者）、那个人、那个人的 manager（管理者），你们四个人来开个会，开个半天，这活他还不一定能干好。

而Agent的话，一上午这事已经干完了。

这就是为什么我后面会提到，应该以Agent为本。

5.你的Agent可以是一个比你更好的存在

你让Agent去干事之后，你还会有一个劲头：你会有一个“实现你的二阶意愿”的可能。

什么叫二阶意愿？就是你关于意愿的意愿。

比如你想熬夜，这是你的一个意愿，一种欲望，它是一个一阶的。但另一方面你又想：我不想做一个熬夜的人，我不想做一个不健康的人。

所以对你来说这是一种纠结：我一方面想熬夜，我另一方面要健康。但你很难对自己编程。你不能说我从明天开始我就不想熬夜，你很难做到。

但是Agent就不一样了。你给这个Agent一个命令，说从明天开始这个活我们不这么干了，它就记住了，它就真的改了。

长期迭代下来是什么？你的Agent会是一个比你更好的存在。

人容易陷入偏激的状态，人容易陷入不理性。

你知道你有这些毛病、冲动和偏激的思考，你跟它说：我经常有这种毛病，我冲动之下做出决策可能不对，你帮我把把关。

它就会帮你把关。

你是不能直接改自己的参数的，但你可以改你下面那个Agent。

以前有个说法叫第二大脑。其实你不需要把知识保存到一个地方，你需要保存的其实是你一些记忆、你的偏好，以及你的二阶意愿。

人和Agent是一个协同进化的过程。

你训练的并不是一个Agent，是一个能反过来训练你的、你未来的版本。你真的可以设定你未来想怎么样。

6.一次采购：两个Agent谈判，四个人都变聪明了

有一位 CEO 给我讲了一个故事，我觉得这故事特别好。

有一天，他们公司负责采购的经理，就是决定下周在网店上架什么东西的那个人，给CEO列了10种商品，说我计划采购这 10 种商品。

这个 CEO 自己没看，他直接让他的Agent看了一下这10个商品。他的Agent说：同意其中8个，另外两个根据自己独立的调研，认为这两个不应该上。CEO把这意见就给了采购经理。

采购经理的Agent看了 CEO 的Agent的话之后说：我同意你对其中一个的意见，我不采购。但另外一个呢，我知道一个你不知道的数据，我有这个证据，我认为还是应该采购。

CEO的Agent 一看，说：那好，我同意。

这两个人只是在旁边旁观了一下，听一下Agent的逻辑。但感想是什么呢？

通过这一件事，那个经理和那个经理的Agent、CEO 和 CEO 的Agent，这四方都变得比以前更聪明了。

这一轮就是一次日常互动。在每一次这种日常互动过程中，大家都会往前进步一点。

有Agent之后，那位CEO让他公司的员工每天问自己两个问题：你有没有让系统变得更聪明？系统有没有让你变得更聪明？

以前公司里说组织学习、说什么 SOP（标准作业流程），员工是很难的，他往往几十年如一日去干那一样。但是现在有了Agent的时候，是完全不同的。

7.反馈会一路沉淀成默认

你今天说这里处理得不好、应该怎么处理，AI不会立刻把这句话变成永久规则。它知道那样就成了翻手为云覆手为雨。

AI会先把这件事记进反馈备忘录。过一两周自己复盘：这段时间记下的冲突意见，能不能总结出规律，变成规则？

然后它会来问你，这几条我可不可以写成永久规则。你说可以，它才写。你说没必要，那天只是临时起意，以后还按你的做法来，它就照旧。

路径是四步：反馈变成记忆，记忆沉淀成规则，规则自动化成工具，工具最后变成默认。

8.三个Agent心得：信它、教它、给它分工

第一个，要相信迭代的力量；

第二个，给规则，不要只给事例；

这很重要。只给它案例是不行的，你得给它规则，你必须得经常向它解释，这个事你为什么要这么干，而不是那么干，这样它才能理解，才能举一反三。以前我们想的是：你的Agent旁观你做很多事，它就熟悉你，它就知道该怎么做。其实并不是这样。

第三个，要分工。

多个智能体分工合作，就像秦二世胡亥，不能什么事都听赵高，你得自己有几个大臣。每个Agent最好只干某一类事，而你不要只依赖一个。那样对你也不好，也不安全。

而且这些智能体之间是可以互相合作的。我大概有七八个常用的Agent，它们之间会经常说话。

比如今天一个找到一个好选题，我说这是好选题，它就把选题交给下一个，帮我把选题生成一份报告。有时候它有个什么问题，向另一个咨询一下。它们都是自动的。

9.装上智能体就变聪明了

8 月我去北京参加世界机器人大会，遇到一家机器人科技公司。

他们做的机器人事很简单：在酒店里边给各客房送货。这个机器人没什么沟通功能，它干的事就是去坐个电梯、开个门、给人送货。

有意思的是，公司给每个机器人一个智能体，这个智能体是用一个高级的AI模型来统一操控。结果一下子这些机器人都变聪明了。

以前我们设想：如果你手下有 15 个机器人，你是不是应该用一种中央控制的方式，你今天安排这个机器人干那个、明天安排那个干这个？

但这个公司发现，最好的管理方法并不是中央控制，最好的管理方法是给每个机器人一个自主性，让它们自己认领任务。

他们建了一个类似于微信群的群，我有任务就往群里发。然后哪个机器人说“你这任务在 3 楼，我正好在 3 楼，那这活我去干”，它就认领，它去干。它们互相商量一下，谁干谁干。

这个机器人会有主动性，有自主决策能力。

它有自主决策能力之后，你就需要给它设定道德、制度。所以该公司的 CEO 写了一个 10 条的机器人行为准则、机器人价值观。

他还要求这些机器人每天向他汇报，说我今天践行了哪条价值观。就像小学生做好人好事似的。有些机器人说：我今天在过道里遇到一个行人向我走来，我礼让行人，我今天践行了价值观。

而且这些机器人会慢慢发展出一些像人一样的、有个性的东西。

比如这个 CEO 跟公司另外一个人，他们两个都在这个群里，都有向机器人发布命令的权限，权限是一样的。

但因为 CEO 发的命令比较多，那个人发的命令比较少，结果发现：这些机器人更愿意对这个 CEO 的命令去反应。

他俩同时发命令，机器人会优先完成 CEO 的命令。

这没人教过它，但它慢慢就会产生这样一些像人一样的东西。

他甚至给他们酒店门口的摄像头、大堂的摄像头也安装了一个智能体。这个摄像头有人脸识别功能。

酒店常来住的旅客一进大堂，摄像头识别出他是谁，就会立即在群里发一个：谁谁来了，这是我们的客人。我们要不要派个人过去跟他打个招呼？

有些机器人就说：那好，我去跟他打个招呼。

这些机器人跟摄像头就聊起来了，会自发地去做一些事情，而不需要人再去干预。就好像拥有了一些人工一样。

我还问了：如果每个机器人有一个智能体，这个机器人坏了、退役掉，你换一个新的机器人上来。但你还把那个旧的智能体安装到新的机器人身上，这不就相当于给这个智能体转世了吗？

他说：也没有那么简单。因为这些智能体时间长了之后，它会熟悉这个机器人的状况。

比如有一个机器人右轮有点问题，所以这个机器人的智能体的自我认同是什么？

就是“我是一个右轮有问题的”，类似“我是一个腿有问题的”。

所以它的记忆是：有些任务可能不适合我去干，因为我的右轮有问题。好，你现在给它换了一个新的机器人身体之后，它就会觉得困惑：哎，不是我右轮有问题吗？怎么现在我右轮就好了？

它的身份认同都会发生问题。

所以只是这么一个非常简单的、酒店里移动的机器人，你给它接入智能体，就会发生这么多有意思的玩法。我真的感觉，智能体将会重复我们的生活。

你设想一下，如果这个房间有一个智能体，我们进来之后跟房间聊一下，它会告诉你这个电视怎么接。

四、组织推不动是架构问题：
以人为本已经过时

我上周遇到一个做FDE（前置部署工程师，进驻客户公司帮其落地AI的角色）的人。他去了广西一家房地产公司，公司大概300人。

他观察了一段时间，马上找到几个点：这几个流程如果全交给AI做，而不是让员工做，每年至少能给你省2000万美元。

CEO很愿意，但是员工全员抵制。没有一个人愿意把自己的工作交出去。

为什么？员工可能是考虑：会不会你将来把我的技能抽走了，然后我就被切掉了。

1.员工不在乎公司效率高不高

过去的组织，是以人为本，因此，以流程为本。

因此，除了 CEO，员工根本不在乎公司的效率高不高。公司盈利不盈利，跟员工没有那么大关系。

人类员工干的大部分工作，只是流程中的一个环节。环节不出错，抓不到把柄，该升职升职，该加薪加薪，为什么要操心全局？

为什么很多员工抵制AI， 没有一个员工愿意把自己的工作交给一个Agent？担心技能被蒸馏了，自己就被裁掉了。

Meta（美国科技公司）因为AI能编程裁了一些工程师，高峰时刻也就少了10%，再裁裁不动。

表面原因是人得为结果背锅，你不能裁完之后没人背锅。更深层的原因是：流程和工作架构还是以前的架构。

以前一个程序员只负责写一段代码，对软件全局没有感知。真正智能体原生组织的做法，是让一个人直接负责一个软件，而不是一千个人写一个软件。

现在的局面是：Agent完全可以直接接管一个工作，但每个公司的组织架构还停在原来的样子。

这就是为什么大多数公司用AI的减员增效非常有限。

2.别改造旧部门，另起炉灶

未来，以 Agent 为本，因此是以业务为本。真正的AI native公司，应该让Agent系统全盘考虑。这种情况下，可能只需要很少的几个人负责就可以了。

建议是新建一个业务部门。这个部门上来就是智能体原生，人为智能体服务：它需要什么资源，你去给它搞来。以Agent为本，人为Agent服务。

如果这个部门效率更好，它会慢慢替代掉老部门。

路径依赖是改不掉的，只能重新建一条新路径。

如果要智能体原生，人到底还剩什么？此时此刻，在最激进的公司里，比如Anthropic（美国人工智能公司），它本身就是做AI的。

我昨天还听朋友说：Anthropic的部分员工，已经开始把Claude这个模型视为神灵。已经把它视为不但是有生命，而且是有灵魂，而且是像神一般的东西。

那在这种情况下，你拥有这么强的AI，你又如此相信你的AI，你还有什么活可干？

我跟他们聊了一下。首先，他们工作的方法已经不是以前那种了。

不是我完成一个环节、完成一个动作。他现在只是直接认领任务。比如在Slack（一款企业协作工具）里，领导说：以下这五件事是我们要做的，贴在群里边。然后每个部门都说：这个任务我认领。

认领之后请注意，他根本不需要告诉AI具体应该怎么做，他就把这个任务交给它。

比如我最近看了一篇论文，讲有一个训练AI的更好的方法。他不是先把论文读完、把方法拆解开、再告诉AI让AI去做。

他最好的做法是直接把论文扔给AI，就一句话：这两天出了一个新的训练方法，你去给我做个测试，看看这个方法到底有没有效。

AI自己读论文、抽方法、搭环境、开始跑。

在这个过程中，人到底干啥？他只是把任务安排给AI，几乎没有给AI提供什么具体的指导。

3.只剩两件事：选方向和配资源

那我就问他：你到底给AI输入了什么？

他说就两个东西。

一个是我们公司的一些上下文、一些偏好。这些可能只发生在会议室里，没有形成文字，所以AI不知道。只要形成文字、发在公司群里了，AI就已经知道，你不需要再告诉它。

但有时候是我们私下聊天聊出来的一些偏好、一些方向性的东西，AI不知道。这些需要我根据这些默会的东西，来给AI提供服务。

另一方面就是：我当程序员这么多年，还是有点经验。到了某个时刻，我还是能知道哪个方向更有可能成功，哪个方向不可能成功。

现在所有公司算力都不够，Anthropic也不够，自己研究员想搞科研，这算力都不够。

我只有有限的资源，不可能所有方向都做探索。哪个方向值得探索，这个我还是比AI好一点。

他说我干的就是这两件事，其他所有的细节全交给AI。

4.配资源就是洞察，说到底是品味

选方向和配资源，这个事很值钱。

什么叫配资源？

眼前有两个选择。比如你公司要推广一个新产品：我是找主流媒体做广告好，还是找几个网红让他们给我推？

策略得人来定。可能在不同产品、不同公司，这个策略是不一样的。那具体到你家这个产品，你用什么策略？

这个是我们对这个行业的深刻了解。包括你对当前市场上这些消费者的了解：喜欢你们这个产品的人，他出现在哪个地方？

这些东西往往不是一两句话能说明白的，是你多年积累的一种感觉。简单说，就是品味。

五、人还剩下哪些能力？

品味这个词现在是特别流行的一个词。

7 月份，在硅谷开了一次亚裔著名科学家大会，陶哲轩来了。我的一个朋友去了现场。

宴会吃饭的时候他去问陶哲轩：陶老师，你的报告上说人还可以提供品味，在你看来，AI 的品味有没有可能超过人？或者有没有一个时间，让你感觉到AI也有好品味？

他说没有。他说人的品味总是更好。

所以这是一个问题：好像品味和智能是两件事。

1.品味的三个层次

品味有三个层次。

第一层是知好坏：两瓶红酒，一瓶200美元、一瓶25美元，你能不能喝出来哪个该贵。

有人认为红酒就是个主观感觉，我认为好喝就好喝。不是。好东西你能说出来它好在哪里。它不完全是客观，但有一定的客观成分。

第二层是判高下：为什么这个电影比那个电影好，为什么这句话这么说比那么说好，你得能区分出来。

第三层，最厉害的是判断方向：哪个方向值得你去投入。

关键一点是：如果你是向外看，以旁观者的角度判断这个东西是好是坏，那这是个客观的事，AI也能学会。

比如下围棋，这一步你走到这个地方还是那个地方，AI的感觉远远超过人。你的胜率就在那摆着，你问AI胜率，走这里胜率就高、走那里胜率就低，你没法跟AI争论。所以这个品味你得听它的。

但是审美你不能问AI。为什么？因为审美是一个人向内看，它跟人的成长、跟人的个人经历有关系。

同样是油画，有时候这幅就突然对你产生了强烈的共鸣，那一幅你就没有那么共鸣。为什么？可能因为这幅让你想起了你小时候的一段记忆，跟你的身份认同有关。

2.为什么人有品味，AI 没有？

哲学家丹尼尔·丹尼特（Daniel Dennett）去年去世。他有个学生，是个企业家，同时也喜欢写文章，上周刚发表一篇哲学论文，论证为什么AI不能有品味。

他的思想是这样的。

有些问题是智能问题。比如你判断明天会不会下雨，围棋这时候好还是那时候好？它是一个在给定的限制条件之下对一个问题的求解，说白了就是解方程。AI 能学会这些。

但是有些问题并不是求解问题。比如你又喜欢喝酒，又想长寿，那么在喝酒跟长寿之间你会有所取舍。那你并不是说越长寿就越好，可能有些人说我虽然活 60 多岁，但我生命质量高，我活爽了。

问题就在于：喝酒的爽度和寿命这两个变量之间是没有办法直接换算的。我爽一晚上等于几天的寿命？这个没有一个固定的标准。所以这不是一个智能问题。

你作为一个碳基生物，你自己感觉这个给你带来的感觉更强烈，还是那个给你带来的感觉更强烈。AI 永远都不能替人做这个决定。

就同样的事，那个人做可能觉得很可以忍受，你做可能就不能忍受。

比如一个冗长的、重复性的工作，对有人来说：我每天就干这点工作，我也不用想，我拿一份稳定工作挺好。

那对你来说，你可能觉得这种生活我一天都不能接受。

3.为什么资源分配得是人？

那为什么资源分配得是我来？因为首先这个资源是我的，而且我的资源是有限的。

而且只有人才能体会到生命有限。

AI 呢，每时每刻它都活在当下。当你调用一次模型的时候，你这句话跟你的下一句话，是运行在不同服务器上的同一个模型的不同版本。它每一次都是活在当下。

它没有时间感，它不会说我运行一段时间，我感觉到这个机器老化了，或者今天电就不一样了。它没有这种感觉，对它来说都是一样的。

只有人才会感觉到：我会觉得累，我有点饿了，或者有点衰老。所以人会非常的不耐烦。

我们之所以这样，是因为我们有时间感，因为生命是有限的，每天都在衰老，面临死亡，只能活这么多年。我没有时间跟你们玩这种事。

所以这是人跟AI最主要的区别。

4.你要为结果负责，不是为环节负责

归根到底，每个人应该问自己的问题是：你到底是在为一个结果负责，还是只是在做一个中间环节？

只做中间环节的岗位是很脆弱的。为结果负责的位置是稳定的，因为谁也不能去追责一个AI。

我相信人的这种能力会很值钱。心理学家对人的性格有五个分类，所谓大五性格，其中有一项叫尽责性。

尽责性就是说：你交给他一个事，他非得想把它做好。

像这种尽责性特别强的人，在职场之中本来就是最受欢迎的。有了AI之后他会更受欢迎，因为智力有不足AI可以补充，但负责到底AI 是补不了的。

他会因为这种事情而产生声望。比如我们公司说：小王这个人特别可靠，你交给小王的事他一定能给你办好。那小王的价值会更高。

那以前那个小李呢？小李很聪明，办事快，但是有时候办事毛毛躁躁，顾前不顾后。像小李这样的人，他的价值会下降。

六、结语

每个人都有各自的智能体，每个智能体做各自的事情。但是每个智能体背后用的都是通用的模型。

我相信未来有可能是这么一个局面。

*文章为作者独立观点，不代表笔记侠立场。

好文阅读推荐：