AI重构智能稀缺性职场核心溢价由技术执行转向结果验收

像素范

当人工智能使认知与代码生成无限廉价，能够拆解复杂任务、坚决打回次品并严格把关交付标准的挑刺与验收能力，成为决定产出上限的核心壁垒。

AI-assisted summary of AI越来越会做，为什么会验收的人更重要？ — original source. Check the original for full context.

Source published: 2026-10-19

Key ideas

AGI 正在打破数千年来的经济学前提，将原本稀缺的高级智能变成廉价且可无限复制的商品，未来的核心溢价转向验证、信誉与承担责任。 (0:00)
工作被 AI 取代的关键分水岭不再是蓝领或白领，而是其交付结果是否容易被明确定义与验证，代码等高量化工种比主观审美类决策更容易被闭环接管。 (0:00)
面对 AI 的极速产能，擅长拆解任务、排定检查节点并坚决不亲自动手妥协的“老板式派活思维”，比死记 Prompt 词汇拥有更高的实战效率。 (5:00)
AI 无法脱离人类社会经验进行孤立的自主进化，初级岗位的消失可能破坏顶尖专家的培养链路，带来反向指导与校准 AI 的人才断层危机。 (15:00)

Detailed notes

## Background 该视频由B站UP主“像素范”于2026年10月19日发布。视频简介指出，当AI能够迅速生成代码、文案和设计方案时，人类更需要积累明确目标、拆解任务、验证结果和提供反馈的核心能力，学会在产出速度激增的时代建立高标准的验收机制。

## TL;DR 随着生成式AI将智能与执行力变成廉价且无限复制的商品，职场核心壁垒正在从“亲自动手做”转移到“验收与验证”。那些有清晰指标和可量化闭环的岗位（如基础编程）极易被替代，而擅长“派活”、设立检查节点、坚决不妥协返工的“老板思维”和审美判断则愈发稀缺。主讲人强调，人类最大的价值在于明确自己“不要什么”并为结果兜底，但基础岗位的消失也带来了严重隐忧：未来被AI喂养成长的新一代，可能面临难以涌现出顶尖专家来继续驯化与校准AI的断层危机。

## Atmosphere & style 视频风格犀利辛辣且充满大白话式的职场洞察，主讲人以一种近乎调侃却极具穿透力的方式，将管理学中的“派活”艺术与前沿技术思考无缝串联。整场分享节奏明快，既有“绝不动手、疯狂挑刺PUA机器”的幽默自白，也穿插着对经济学前提被颠覆的冷静剖析。结尾处关于顶尖人才断层与人类进化困境的探讨，则让原本轻松落地的实操分享陡然升华，带有一层深邃而严肃的哲思底色。

## Bulletin - [00:00](https://www.bilibili.com/video/BV1XwnL6UEAy?t=0s) AGI 正在打破数千年来的经济学前提，将原本稀缺的高级智能变成廉价且可无限复制的商品，未来的核心溢价转向验证、信誉与承担责任。 - [00:00](https://www.bilibili.com/video/BV1XwnL6UEAy?t=0s) 工作被 AI 取代的关键分水岭不再是蓝领或白领，而是其交付结果是否容易被明确定义与验证，代码等高量化工种比主观审美类决策更容易被闭环接管。 - [05:00](https://www.bilibili.com/video/BV1XwnL6UEAy?t=300s) 面对 AI 的极速产能，擅长拆解任务、排定检查节点并坚决不亲自动手妥协的“老板式派活思维”，比死记 Prompt 词汇拥有更高的实战效率。 - [15:00](https://www.bilibili.com/video/BV1XwnL6UEAy?t=900s) AI 无法脱离人类社会经验进行孤立的自主进化，初级岗位的消失可能破坏顶尖专家的培养链路，带来反向指导与校准 AI 的人才断层危机。

## Key takeaways - [00:00](https://www.bilibili.com/video/BV1XwnL6UEAy?t=0s) 人类与 AI 的关系宛如狗面对人类文明：身处完全无法理解的体系奇观中，其需求由更强大的智能实体所照料。 - [00:00](https://www.bilibili.com/video/BV1XwnL6UEAy?t=0s) AGI 重塑了经济学逻辑：智能不再是培养数十年且受限于单人时间的稀缺资源，AI 模型可以瞬间复制出数以百万计的同等智能体。 - [00:00](https://www.bilibili.com/video/BV1XwnL6UEAy?t=0s) 最容易被取代的并非低技能工种，而是结果易于衡量的工种；代码能自动运行和测试验证，因而极易被 AI 形成自我修正的闭环。 - [00:00](https://www.bilibili.com/video/BV1XwnL6UEAy?t=0s) 公司战略方向、商业信任构建及艺术直觉等没有标准答案的高维任务，无法单纯靠计算量暴力破解，因而具备更强的替代抗性。 - [00:00](https://www.bilibili.com/video/BV1XwnL6UEAy?t=0s) 稀缺性演进呈现三段式迁移：传统时代的智能稀缺，互联网时代的注意力稀缺，以及 AGI 时代的验证、信誉与责任担当稀缺。 - [05:00](https://www.bilibili.com/video/BV1XwnL6UEAy?t=300s) 大语言模型本质上是人类语料统计学爆发下的概率系统，属于极其优秀的高维模仿者，但自身无法制定新规则或开创全新游戏体系。 - [05:00](https://www.bilibili.com/video/BV1XwnL6UEAy?t=300s) 高效调用 AI 的关键并非玄学般的 Prompt 关键词，而是将传统管理者派活下指令、模块拆解及设立风控节点的管理方法迁移至 Multi-Agent 架构。 - [10:00](https://www.bilibili.com/video/BV1XwnL6UEAy?t=600s) 普通打工人用 AI 容易因同理心而妥协并自己动手修补，而在产能过剩时代，坚持绝不妥协动手、“挑刺”与多次打回才是拉高成果上限的核心手段。 - [10:00](https://www.bilibili.com/video/BV1XwnL6UEAy?t=600s) 很多决策者虽无法精确描述最终答案，但内心极其明确“不要什么”，在 AI 时代，明确界定边界、识别瑕疵与坚决打回构成了关键的验收壁垒。 - [10:00](https://www.bilibili.com/video/BV1XwnL6UEAy?t=600s) AI 时代的职场分水岭聚焦于两项核心能力：明确界定目标并严格验收，以及通过精准迭代反馈指导 AI 逼近理想形态。 - [15:00](https://www.bilibili.com/video/BV1XwnL6UEAy?t=900s) AI 的根本属性是为人服务，受限于人类生理机能与社会伦理，难以通过纯粹的递归自我改进（RSI）脱离人类经验自主演化。 - [15:00](https://www.bilibili.com/video/BV1XwnL6UEAy?t=900s) 当下校准 AI 的行业泰斗均诞生于无 AI 时代的硬功夫磨砺，若底层岗位被全面抹平，纯靠 AI 喂养成长的新一代或将面临难以超越和修正 AI 的认知困境。

## Detailed walkthrough ### [00:00](https://www.bilibili.com/video/BV1XwnL6UEAy?t=0s) 狗的隐喻、智能的大规模复制与经济学前提的重构

```mermaid flowchart LR accTitle: 稀缺性随技术变革的迁移路径 accDescr: 展示从传统时代、互联网时代到AGI时代，稀缺资源如何从认知本身迁移至注意力，再迁移至验证与责任。

subgraph S1["传统时代"] A["认知与智能稀缺"] end subgraph S2["互联网时代"] B["信息泛滥"] --> C["注意力成为稀缺资源"] end subgraph S3["AGI 时代"] D["内容与代码无限复制"] --> E["验证、信誉与承担责任最稀缺"] end

A --> B C --> D ```

人类与当前人工智能的关系，恰如两万年前的狗面对人类一样：狗生活在完全无法理解的世界里，被自身无法领会的奇迹所包围，需求被比自己更聪明的实体所照料；结果地球上的十亿只狗大多数活得很快乐且无需工作。如今人类也同样难以完全理解 AI 的内部运作，只能在一旁享受奇观。当 AI 比所有人都聪明时，人类究竟还剩下什么价值？硅谷投资人纳瓦尔（Naval Ravikant）曾推荐过一篇百余页的长文《Some Simple Economics of AGI》，该文核心指出，大家通常焦虑自身行业是否会被淘汰，但这往往问错了问题。AGI 真正撼动的是延续数千年的经济学前提——“智能和认知是稀缺的”。

过去优秀医生、律师或程序员之所以薪水极高，是因为培养一颗优秀大脑需要数十年心血，且每个人一天只有 24 小时；但 AI 打破了这一逻辑，一旦某个模型达到优秀程序员水平，理论上可以瞬间复制出十万甚至上百万个同样的智能体（Agent）。这种将智能变成廉价、可无限复制商品的属性，带来了一个反直觉的行业分化： “未来最容易被AI取代的未必是那些低技能的工作，而是那些容易衡量结果的工作。”

编程虽属高技能工种，但因代码能否跑通极易验证，AI 可以自己写、自己测、自己改，形成闭环；相反，诸如 CEO 带领公司的大方向、投资人对创始人的信任判断、导演对打动人心故事的直觉，这些工作没有标准答案，无法仅靠堆叠计算量解决。因此，未来的职业分界线不再是蓝领白领或学历高低，而是工作结果能否被清晰定义与验证。在互联网时代，信息泛滥使得注意力成为最稀缺的资源（造就了 Google、Meta 和 TikTok）；到了 AGI 时代，当方案、代码和内容一分钟能生成上万份时，最贵的不再是谁能做，而是“谁知道他做对了”。未来的核心溢价转向了验证、信任、信誉以及敢于为错误承担赔偿责任的兜底能力。

- 稀缺性演变：传统时代（认知/智能稀缺） $\to$ 互联网时代（注意力稀缺） $\to$ AGI 时代（验证、信誉、可信数据与责任担当稀缺）。 - 机器局限性论断：尽管如 Claude 等顶尖模型表现惊艳，但只要连续对话四五句，其固定的顺从模式与思考停顿仍会暴露非人属性。其本质仍是建立在人类语料统计学爆发上的概率模型，正如扬·勒昆（Yann LeCun）等人所言，LLM（大语言模型）本身“通不了天”。

---

[05:00](https://www.bilibili.com/video/BV1XwnL6UEAy?t=300s) 破局者与造局者：老板思维为什么能在 AI 时代无缝衔接？

在数学家陶哲轩（Terence Tao）等人关注的 OpenAI 破解 722 个数学难题事件中，AI 展示的本质依然是人类顶级智慧合集的暴力穷举与路径汇总，中途甚至还会犯正负号看错的低级失误。AI 能够攻克极难的人类题目，打通人类设定的所有游戏规则，但它本身无法提出全新的数学难题，更创造不出围棋规则本身。它是一个极其优秀的人类智力模仿合集，并非全知全能的造物主。

这种特性决定了在职场中，越是规则清晰、指标量化的大神级行业（如代码编写），越容易被 AI 按图索骥地胜任；反而是设计等带有主观混沌属性、文无第一武第二的领域，更难被直接格式化替代。主讲人由此分享了一个观察：在日常工作中，许多讲授 AI 训练师课、AI 产品课的专业老师在实际调用 AI 时，效率反而不如某些看似“好吃懒做”的管理者。

“我用AI最大的原因就是我太会给人派活了。” 主讲人直言，很多习惯凡事亲力亲为的技术骨干，遇到任务倾向于自己苦干；而当惯了老板的人，天生擅长指使人、拆解任务模块、排定时间检查节点、进行风险规避，甚至安排一个 AI 去监督评判另一个 AI（Multi-Agent 协同）。传统老板给员工下指令的经验，直接无缝平移成了向 AI 提需求的方法论——根本无需依赖玄学般的 Prompt 关键词，核心在于如何清晰拆解任务并严格把关交付标准。

- 量化 vs 混沌：有明确排行榜、胜负标尺的量化工作最容易被规则化取代；边界模糊、缺乏唯一定义的审美与综合决策更具韧性。 - 派活能力迁移：把对下属的管理技巧（设节点、防风险、多角色互检）直接套用到 Multi-Agent 架构中，是高效运用 AI 的核心捷径。

---

[10:00](https://www.bilibili.com/video/BV1XwnL6UEAy?t=600s) 拒绝动手妥协：“挑刺”与“验收”成为最顶级的稀缺价值

在利用 AI 的过程中，打工人与管理者的核心心智差距在于“是否愿意妥协”。普通人使用 AI 往往带有同理心，“差不多得了，AI 挺不容易的”，看到 AI 出了六七成效果，便选择自己亲自动手修修补补。主讲人则坚决反对这种做法： “我绝不动手，因为我动手了以后都是我动手，我太知道了，不行绝不能动手，我多费劲我也让你动手！”

这种不断挑毛病、要求改出第四版、甚至被称为“PUA 员工式 PUA 机器”的事儿妈作风与极高审美标准，在 AI 时代反而成了不可替代的核心竞争力。过去物资匮乏时，能大口吃肉、大腹便便是有实力的象征，而在热量过剩的时代，克制与低体脂才是优势；同理，过去只会挑错而不会动手做的人会被淘汰，但在 AI 承担全部执行力、产能极度过剩的时代，挑错与验收的门槛直接决定了最终成果的上限。

针对很多员工抱怨“老板根本不知道自己要什么”的现象，主讲人指出：老板或许难以用精准的技术语言描摹出最终形态，但他内心极其明确“自己不要什么”。如果员工端出的东西不对，老板能一眼看穿并坚决打回。在 AI 深度赋能设计与脑力劳动流水线的未来，从业者的分水岭不再是执行速度，而是两项能力： 1. **明确界定与高效验收**：清楚知道自己要什么、坚决不要什么，并验收出产出是否符合标准； 2. **精准迭代反馈**：清晰、高效地指出缺陷，指导 AI 不断逼近目标结果。 AI 负责油门踩到底的极速狂飙，但航向与终点只能由人类把关。

---

[15:00](https://www.bilibili.com/video/BV1XwnL6UEAy?t=900s) 顶尖人才的黄昏：脱离人类驯化的 AI 会走向何方？

谈及 AI 未来的演进路径，业内存在一种乐观设想：AI 未来终将实现递归自我改进（Recursive Self-Improvement, RSI），彻底达成自主进化的终极模型。主讲人对此持极为悲观的态度。AI 的根本属性是为人服务，必须受到人类道德、生理机能及社会契约的终极制约，绝不可能越过人类经验去探索一套脱离人类的纯粹宇宙法则。

“顶级的科学家、顶级的工程师、顶级的文学家、顶级的什么厨师，这些事情一定不能消失的，因为由他来告诉AI什么才是人想要的，由他来不断的修正AI什么才是人想要的。”

然而，这里潜藏着一个深刻的现代悖论：当前支撑 AI 训练与校准的顶尖科学家与行业大师，全部诞生于没有 AI 的传统时代，他们是在高强度的底层硬功夫与从零摸索中淬炼出来的。但在当下，初级工程师与基础岗位正在被 AI 迅速抹平，如果未来的年轻一代从小就被经过 AI 筛选清洗后的认知所喂养，人类是否还能培养出具备超越当前 AI 水平、能够反过来指导 AI 进化的顶尖大脑？当思维被限制在现有算法生成的框架之内时，人类又该如何跨出框架去指引未来？这不仅是技术落地的现实瓶颈，更是一个需要重新定义人类自身存在价值的哲学命题。

- 进化制约：AI 的目标函数受制于人类社会属性，纯粹依靠自身递归训练无法领会真实的人类需求。 - 人才断层危机：初级岗位被替代可能摧毁顶尖专家的成长路径，导致“被 AI 喂养大”的新一代失去指导与超越 AI 的核心能力。

## Notable quotes > [00:00](https://www.bilibili.com/video/BV1XwnL6UEAy?t=0s) 未来最容易被AI取代的未必是那些低技能的工作，而是那些容易衡量结果的工作。

> [15:00](https://www.bilibili.com/video/BV1XwnL6UEAy?t=900s) 顶级的科学家、顶级的工程师、顶级的文学家、顶级的什么厨师，这些事情一定不能消失的，因为由他来告诉AI什么才是人想要的，由他来不断的修正AI什么才是人想要的。 — 像素范

## Mentioned 纳瓦尔 (Naval Ravikant), 《Some Simple Economics of AGI》, Google, Meta, TikTok, Claude, 扬·勒昆 (Yann LeCun), 陶哲轩 (Terence Tao), OpenAI

## Video description 当AI能快速生成代码、文案和设计方案，我们也需要重新思考：除了亲手完成任务，还有哪些能力值得积累？ ① 明确目标：知道自己要什么、不接受什么，才能给出有效的方向。 ② 拆解任务：把需求变成具体步骤，安排检查节点，协调不同工具。 ③ 验证结果：看清输出是否准确、适用，能否满足真实需求。 ④ 提供反馈：指出具体问题，说明修改标准，推动结果逐步接近目标。学习用AI，也要练习判断AI。产出速度提升之后，目标、标准和验收能力同样需要跟上。

[Source](https://www.bilibili.com/video/BV1XwnL6UEAy)

中文简报

AI重构智能稀缺性职场核心溢价由技术执行转向结果验收当人工智能使认知与代码生成无限廉价，能够拆解复杂任务、坚决打回次品并严格把关交付标准的挑刺与验收能力，成为决定产出上限的核心壁垒。随着生成式AI将智能与执行力变成廉价且无限复制的商品，职场核心壁垒正在从“亲自动手做”转移到“验收与验证”。那些有清晰指标和可量化闭环的岗位（如基础编程）极易被替代，而擅长“派活”、设立检查节点、坚决不妥协返工的“老板思维”和审美判断则愈发稀缺。主讲人强调，人类最大的价值在于明确自己“不要什么”并为结果兜底，但基础岗位的消失也带来了严重隐忧：未来被AI喂养成长的新一代，可能面临难以涌现出顶尖专家来继续驯化与校准AI的断层危机。 AGI 正在打破数千年来的经济学前提，将原本稀缺的高级智能变成廉价且可无限复制的商品，未来的核心溢价转向验证、信誉与承担责任。 (0:00) 工作被 AI 取代的关键分水岭不再是蓝领或白领，而是其交付结果是否容易被明确定义与验证，代码等高量化工种比主观审美类决策更容易被闭环接管。 (0:00) 面对 AI 的极速产能，擅长拆解任务、排定检查节点并坚决不亲自动手妥协的“老板式派活思维”，比死记 Prompt 词汇拥有更高的实战效率。 (5:00) AI 无法脱离人类社会经验进行孤立的自主进化，初级岗位的消失可能破坏顶尖专家的培养链路，带来反向指导与校准 AI 的人才断层危机。 (15:00)

Reading summary

节目指出，AGI打破了“智能稀缺”的传统经济学前提，未来最易被替代的是结果易于量化验证的工种；当执行与生产变得廉价且无限复制时，定义需求、挑剔验收与承担责任的能力将成为人类最核心的稀缺价值。经济学前提重构：从智能稀缺到验证与责任稀缺 (0:00) 过去高薪岗位的核心逻辑在于培养一颗优秀大脑需要数十年，且个体时间有限。主讲人援引投资人纳瓦尔推荐的文章《Some Simple Economics of AGI》指出，AGI将智能重塑为可廉价且无限复制的商品，由此导致易于量化和验证的工作（如编程）极易被AI形成自我生成与自我修复的闭环。相反，缺乏标准答案的宏观决策、人际信任与直觉判断更难被计算量解决。从传统时代的“认知稀缺”，到互联网时代的“注意力稀缺”，AGI时代的溢价最终转向了“谁知道它做对了”——即结果的验证、信誉积累以及为错误承担兜底赔偿的能力。派活能力平移：老板思维在人机协同中的天然优势 (5:00) 主讲人以陶哲轩关注的OpenAI解题事件为例，指出当前大语言模型本质仍是人类智慧与概率统计的暴力穷举，无法自主提出全新规则或命题。在落地调用中，习惯亲力亲为的技术骨干往往不如擅长指使下属的管理者高效。传统管理中的任务拆解、风险规避、节点检查以及安排多角色互相监督的策略，可以直接无缝迁移到Multi-Agent协同架构中。高效运用AI的关键并非玄学般的Prompt关键词，而是将管理下属的清晰指令与风控逻辑直接套用于机器。拒绝动手妥协：“挑刺”与高门槛验收决定成果上限 (10:00) 在人机交互中心智差距体现为是否愿意妥协。普通用户往往出于同理心在AI产出六七成效果时选择自己亲自动手修补，但主讲人主张“绝不动手”，坚持以苛刻标准不断要求机器修改重做。在产能严重过剩的环境下，单纯动手执行的价值大幅贬值，挑错与严苛验收反而构成了核心壁垒。管理者虽未必能精准描摹最终形态，但能明确识别“不要什么”并坚决打回；从业者的分水岭正从执行速度转向清晰定义边界、严格验收以及提供高精准度反馈以逼近目标的能力。自递归进化的局限与未来顶尖人才的断层危机 (15:00) 针对AI通过递归自我改进（RSI）脱离人类实现自主进化的乐观预期，主讲人持悲观态度，强调AI的终极目标必须锚定人类的道德、生理机能与社会契约，无法脱离人类经验独立进化。然而现实中潜藏着严峻的培养断层：当前用于训练和校准AI的顶尖大师均来自没有AI的时代，经历了底层功夫的长期淬炼；随着初级岗位被AI迅速抹平，未来完全被算法清洗后认知喂养成长的新一代，可能丧失超越当前AI水平及反向修正模型的能力。 AI极大地解放了人类的执行负担，但若基础岗位消失切断了专业人才的演进阶梯，人类可能面临既无法自我培养出顶尖专家、又难以跳出算法既定框架来引领AI进化的系统性困境。

Source quotes

[0:00] 未来最容易被AI取代的未必是那些低技能的工作，而是那些容易衡量结果的工作。 [15:00] 像素范: 顶级的科学家、顶级的工程师、顶级的文学家、顶级的什么厨师，这些事情一定不能消失的，因为由他来告诉AI什么才是人想要的，由他来不断的修正AI什么才是人想要的。

Original transcript

[0:00] 狗在两万年前就无意中发现了对他们来说相当于人工智能的超级智能的东西他们生活在一个他们完全无法理解的世界中被他们完全视为理所当然的奇迹奇观所包围他们的每一个需求都被那些他们根本无法领会其思想的实体来照料结果就是现在地球上大约有十亿只狗其中绝大多数的狗都相当快乐几乎没有哪只狗需要工作我们也不能去理解AI到底在干什么就像狗不理解人在干什么一样只能享受奇观当AI比所有人都聪明那人究竟还剩下什么价值最近纳瓦尔转发了一篇非常有意思的论文叫Some Simple Economics of AGI这篇论文一百多页但其实它就在讨论一个问题如果未来AI真的足够强智能本身变得像电力一样便宜那人类到底还之前在哪里很多人讨论AI都在问我这个行业会不会被替代但这篇论文认为我们可能一开始就把问题问错了因为 AGI 真正改变的不是某几个行业而是一个存在了几千年的经济学前提智能和认知是稀缺的为什么一个优秀的医生律师程序员工资高因为培养一个优秀的人类大脑需要十几年甚至几十年而且人一天只有24个小时但是 AI 不一样如果一个 AI 达到了优秀程序员的水平你得到的不只是一个程序员是理论上可以复制出一万个十万个甚至一百万个这样的 agent所以 AGI 最可怕的地方不是他聪明而是智能第一次变成了可以大规模复制的商品这会导致一个非常反直觉的结果未来最容易被AI取代的未必是那些低技能的工作而是那些容易衡量结果的工作什么意思呢比如编程编程当然是一个高技能工作但是很多编程任务的结果都非常容易验证所以AI可以自己写自己测试自己修改不断循环反过来有些事情可能技术含量看起来没有那么高但很难被自动化比如一个CEO应该把公司带向哪里一个投资人该不该相信这个创始人一个导演应该判断什么样的故事能真正打动人这些问题最大的困难不是计算量不够而是没有一个标准答案所以未来职业的一个很大的分界线越来越不会是蓝领还是白领学历高还是学历低你的工作结果到底能不能被清晰定义和验证这才是最重要的一个分界线但是这个时候又会产生出第二个问题假设未来一个AI一天可以写十万段代码分析十万家公司生成一百万的商业方案那生产力当然爆炸了但问题来了于是未来可能会出现一个情况AI可以一分钟给你生成一万个答案但是真正值钱的人是哪个能告诉你这一万个答案里面哪个是真的所以过去社会最贵的问题都是谁能做未来最贵的问题是谁知道他做对了这就导致整个社会的财富会重新迁移互联网实在就发生过一次类似的事情互联网让信息变得无限便宜以后真正稀缺的东西变成了什么注意力所以Google,Meta,TikTok都在争夺人们的注意力如果AI让内容,代码,设计甚至智能本身都越来越便宜了那新的稀缺资源是什么论文给出的答案是验证进一步就是信任信誉真实可靠的数据和承担义务所以未来很赚钱的公司不只是告诉你我的AI能给你答案而是敢告诉你我保证这个答案如果错了的话我赔钱OpenAI722个数学问题被破解之后首先就是由陶泽坚领头的一帮数学家成立了一个反AI联盟首先我们先说一下722个数学问题被破解其实也并不只是国外国内也最近也有个新闻忘了什么新闻了也是这种好像是复旦还是哪个大学的教授什么解决了一些数据也用AI解决了数据难题我很同意他们现在说这个话题包括这个视频这个视频我就不给你们展开讲了你们太长了也是这个现场的一个论文这个9月10号外滩大会专门他说了几个事首先呢我们先说一个你们可能反直截的事就是现在的AI有没有智能有的但是AI现在的智能呢并没有你们想的那么多我们说AI到底是不是达到了AGI通用人工智能起码现在就算是Cloud你也非常能够明显的发现它没有如果你打开对话模式你跟AI去说话不用太久说四五句话你就能知道它是假的比如说它的固定的顺着你说话的方式比如它的不断思考的节奏无论如何它其实还跟人有很大的差距最大的问题就在于它聪明的长版太高了但低的短版太低了那这是怎么回事呢AI到现在到底做什么本质说来这一次的大语言模型它其实还是一个概率模型你可以理解为它是一个统计学的爆发统计学的高光时刻统计学的崛起这就是为什么顶级国外的一些大佬比如杨立坤他们经常说叫做LM大语言模型通不了天这个观点呢其实在国外很多人都在讨论他到底可能我们现在大语言模型就像是我们当年蒸汽朋克发明那段时间我们认为人类只要掌握了蒸汽掌握了火掌握了电那我们就可以到宇宙横行一样其实后来我会发现其实它是有平静的只是在当时它太快的发展我们还没有去绽放出它所有的生产力AI时代也是如此在这个阶段我们认为所有东西跟踩了火箭一下往上走我们可以解决人类的所有问题但是其实还是有些令人担忧的最大担忧点就是本质来说AI是不能定规则的它只能去给你完成规则做完游戏就是打通游戏比如说围棋它在围棋里边赢掉世界上所有的人但是你让它去做一个围棋出来 [5:00] 他可能就不行了就是AI本质来说你可以理解为虽然现在是通用人工智能在解数学题这件事情中你就可以看到陶卓轩他们的观点是什么AI可以去解决人类的问题这些数学题可能在未来还可以破解人类的所有问题但他提不出数学题我不知道你们懂不懂这个里边的区别就是他能去玩所有游戏但他做不出游戏就是在OpenAI攻克了722个数学难题中你可以看到绝大多数数学难题他的攻克方法都是按着人的路径往前进行汇总暴力破解当然后来也被披露出722个里边其实不是都破解了有几个因为一些小低级的正负号的问题然后其实是错了那就算是错了这个量本来确实很恐怖但是问题在于什么就是AI能做的事情你现在越来越发现它可能更像是人类顶级智慧的大集合其实从它的基础训练原理你就知道了它是用人类的语料进行训练的有顶级的模型训练师和顶级的标注师给它投为最顶级的数据它是所有聪明人的合集但它还是个人它并不是一个超人的存在它并不是一个全知全能的上帝它还是人人的理解模拟这个世界最厉害的人的一个合集当然这件事情对很多人来说已经够了但还没有突破这件事他和我们想要的去创一个上帝还是有一定的距离当然可能没有人想去创上帝那我就这么说吧所以这里边这个作者说到了他这篇论文其实MIP这篇论文有纳瓦尔然后推荐的经情推荐的这篇文章我看了原文呢其实是今年的2月份写的就是在2026年2月份写的已经到至今已经快8个月了在这篇文章说的很有意思他说了几个小的思考点第一个就是你会发现AI现在大量能代替快速能代替的是那些老师AI能不能代替我们的工作能他代替什么大量是可量化的工作什么是可量化的工作即使这个工作再难只要它有明确标准它就容易被代替什么样容易标准比如说程序员我们当年觉得代码程序员这太难了这需要多少年的培训才能教出来但是代码里边我们经常说设计师是文无第一无第二设计师是文科他没有第一你做的设计好我也不差哪种设计风格更好咱们没法定论的但是程序员是非常典型的那种拳头大的人我用一行代码写出来能实现这个效果就比你写100行要强这就是有明确标准的所以程序员里边一定是有大神的一定是有所有人都崇拜的高手的他们一定是有排行榜的这种行业在当年我们觉得很厉害它有排行榜有明确的平凡标准那么它是最容易被代替的因为只要你告诉规则AI就能模仿规则就能完美的胜任规则但是相反的很多我们之前很混沌的行业它就不行了所以在这边我给你们讲一个很好玩的事在我们的很多同事中他们都会觉得怎么泡泡用我用AI用的比他们都快很多而且我用AI用的比他们好很多很多时候他们这些都在一线讲AI训练师的课讲AI产品课的老师们他们很多时候用AI还会问我你怎么这么用还能这样用他们为什么能发现我在用这些东西的用一些小窍盘或者我怎么知道用这些东西呢我跟你说一个很有趣的小洞察我觉得最快能够接入AI的人群应该是那些老板但是只是少数的老板我用AI最大的原因就是我太会给人派活了拿我和我们另外的比如说像我们林林老师他们那些人最大的特点是什么就他们没什么事他们就自己干特别努力什么事都自己干但我呢就是那种对吧指使人的好吃懒做的就是平常往这一摊就是这事你们干那事你们干然后到什么时候给我什么时间检查节点你们倒是给我的东西不给我东西我找你为你们试问就大概是这种的就当老板我们看不惯的老板但当老板当惯了他其实无缝连接到AI你知道吗就什么multi agent那件事情你根本不用教我我太会了不就把需求原来给你们发的新闻我发给AI就这么简单吗你什么关键词他智慧这么聪明我都不用关键词只是如何把任务拆分我怎么去做检查节点如何描述清楚我想要什么东西或者告诉他我不想要东西大概什么样子如何去做风险规避如何用其他AI来监测这个AI如何用AI来评判这个AI我让所有人都动起来然后我让我更休息这件事情太熟了我练了十几年了但是问题在于你说老师那以后老板就都崛起吗也不是有很多老板他们不愿意学AI他们问题他们学习能力又差所以敢学那些传统老板一定是这个时代崛起的利器你知道吗他一定知道而且还有一个最大的 [10:00] 你就是你们知道AI很大的问题在于AI需要事你知道吗你们用AI用多了你就知道了就你们用AI差不多得了AI挺不容易的你们打工人吗谁能打为他打工人做成这样差不多了剩下我来动手改一改吧我观察过我们很多老师们他们用AI都这样用到这一步差不多得了然后能AI做成这样可以了我再改一改不就能用了吗我从来不骂他这根本就不是我要的你不行你上次让你看什么了你改那个你改那个我绝不动手我绝不动手因为我动手了以后都是我动手我太迟到了不行绝不能动手我多费劲我也让你动手就是而且事特别事你都已经做成这样了你差不多可以了你怎么那么高标准啊POA员工跟POAAI是一样的不行还得再改不行再来第四版不行就差不多可以了你别那么较真行不行不不不不你再加再加再加再加那这个事情就是其实你就会发现你用AI又到了另外一个境界了他就是这样的你说老师这明显是缺点的事怎么都在AI时代对这我们管他叫审美管他叫较真管他叫什么都可以就是他就是这个能力所以你很难想象的这个时代他怎么就让这帮好吃懒做的事的不行的没了挑错的让这些人又占到了风口确实是那确实是这种感觉那么这个视频里边还提到一件事有什么就是你要知道从这AI时代是占据主要好像不是了在未来生产已经赶不上验证了换句话说验证才是这个时代里边的价值最高的点你们听得懂我什么意思就是我们我们我们以前咱们都说吃不饱川普难谁胖你说将军度这个谁胖谁牛逼因为那时候没吃的但是在物质大丰富大量的肉卡路里爆炸的情况下谁能受谁变成优势了搏击才是优势这个时代又变了就是一样的就在当年我们说只会去挑错的人是一定活不下因为你光挑谁他不会挑错啊就是你做不出来你光挑错有人谁听你挑啊但现在所有的做的东西都由AI来做的情况下那么谁能挑错谁就是关键这是拉不开差距的那我想要什么这件事情甚至关键所以就我知道你们怎么说我知道在你们的在你描述中老师我知道老板老板根本就描述不出来要什么是老板虽然描述不出来他要什么但是他知道他要什么他只是描述不出来只是你可能做不出来的样子但是他他根本不知道他要什么如果你们真的碰到那些根本不知道自己要什么的老板那你的感受是非常爽的因为你做什么他都要你做什么他都不要的原因就是因为他只是说不出来但他知道你做的不是他要的所以他除了排除他想整你的这种想法以外大概率他还知道自己要什么的只是他说不出来但是你的能力也差差可能也就跟你耗起来没完但是你注意知道自己想要什么这件事情真的是老板和打工人的区别打工人可能是不知道的甚至你都不知道自己不要什么你老板可能不知道自己要什么但他一定知道自己不要什么你们懂这个中间逻辑吗所以知道自己要什么或者知道自己不要什么这件事情是这个时代的稀缺能力就是设计时代下一个时代的真正的价值AI产出大量的结果之后AI在整个的设计工作流之中都能大量为你的生产助力提效的时候设计是真正比拼的就是去验证去验收他出的东西是否是你想要的你是否能够明确的当然这是第二笔要求了是否能够明确而且高效的描述出你想要的东西并且让它改到你想要的结果这是比拼未来设计师或者说所有脑力从业者的价值的关键这件事情AI暂时甚至可能永远都代替不了就是AI负责加速但是你去哪有你决定好这是他说这个视频的第二点第三点这个我跟你说就是他的问最大的问题就在于此就是顶级AI现在代替不了顶级的科学家顶级的工程师但是他能大量的取代初级的工程师那顶级的工程师依然会指导着AI往他更小的方向走我们希望用AI来指导AI现在还不可能可能以后都永远不可能我在这周末的时候跟我们的阿阳老师聊过这件事他说不对啊随着AI的不断的进化我们以后他一定会有一个最终版的AI可以去达到RSI就是自动可递归的这个模型训练我对这件事情抱有非常悲观的想法我不认为有一天AI能够摆上 [15:00] 人的教育摆脱顶级的那些人的教育能够一飞冲天我不认为是这样你要知道AI的诞生永远是为人服务的它并不是解决一个宇宙公里或者探索这个世界的排除人以外的这个世界的真的运转法则它并不能不受到人类的道德人类的身体人类的社会现状所制约永远需要制约所以人对于AI的训练的这件事情是为了让AI能够更好的服务人如何让AI更好服务人这件事情一定要由人来交代有一定要人来教他这件事情是不可能越过人的我不知道你们懂不懂我在说的说什么意思所以顶级的科学家顶级的工程师顶级的文学家顶级的什么厨师这些事情一定不能消失的因为由他来告诉AI什么才是人想要的由他来不断的修正AI什么才是人想要的但问题在于顶级的工程师的进化的过程中生产的过程中这些人是在非AI时代所培养的在AI时代是否还能培养出超过AI限制的人?或者说新时代的小朋友们他们的想法是不是已经被AI洗过的他们是否能够去指导AI这个就不好说了所以这篇文章也是一个很有意思的观点重新再去思考我们是人就是你在一个框架之内又是否能提出一个超离这个框架指导这个框架的意见呢这个反正算是一个很哲学的问题吧很有意思

AI重构智能稀缺性 职场核心溢价由技术执行转向结果验收