在AI时代，人怎么办

晨枫

经常有人慨叹，AI来了，人类要没饭吃了。

AI能够超过人类智慧，这是个哲学问题，就和“我们”的本质是什么一样，可以争论到地老天荒。

至今AI没有超过人类的智慧，AI超过的只是人类对知识的记忆和对技能的掌握。人和计算机拼记忆是毫无希望的，人与计算机控制的机械拼精细也是毫无希望的。但已有知识、已知技能好比一个个数据点，AI对这些数据点的掌握好比查表，自变量、因变量一对齐，结果就确定无疑。

但世界是复杂的，大量场景在自变量的数值点之间。比照查表的话，这就是在自变量、因变量的数据之间内插。对于人类来说，看上去AI就在提供“喂进去”的知识之外的全新东西，好像AI会“创造”了。其实不然，这只是对“喂进去”的数据的内插。

当然，一般的表格是二维的，三维已经很复杂了。理论上可以有更高维数的表格，这就不是“查表”那样可以直观比照了，但本质没变。这正是数学的威力：可以抽象，可以跳出具体的维数、数据量。确实，AI的大模型可以有的输入变量何止千百，“表格”的节点数是天文数字，所以需要那么变态的算力来训练、来“查表”。

AI的内插也不是中小学的线性内插，而是用神经元网络或者其他数学方法的“智能内插”。问题是，线性内插可以在输入数据范围确定后，确保输出数据范围不会离谱，但“智能内插”就不一定了。这也不是传统的内插，或许更应该说是样条函数。目的是用“简单、紧凑”的函数来复线浩瀚的数据集。否则干什么都需要直接到原始数据集里去内插，人人都需要袖珍超级计算中心才能运作AI了。

样条函数可以简单化地理解为用多项式拟合离散的数据点。多项式的阶数越高，可以精确拟合的数据点越多，其余数据点就只有近似了。AI模型不是多项式，而是高度复杂的神经元网络，但道理相似。AI模型训练就是通过调整模型参数，使得模型尽可能毕竟最多的数据点。问题是AI模型高度复杂后，模型特性也高度复杂，甚至不可预测。在数据点上精确拟合不等于在数据点之间保持正确的“大趋势”，所以需要很多办法来确保“不离谱”。

其实多项式也一样。一阶是线性的，二阶是二次曲线（圆、椭圆、抛物线等），三阶以上就复杂了，到了100阶就谁都数不清楚了。但AI大模型要比照的话，大概是亿万阶了。也就是说，曲线可以曲里拐弯，而且谁都没法“一眼就看出来”这里的曲里拐弯是本该有的，还是数学上“折腾”出来的。这带来模型可靠性的大问题。

AI大模型的结果是怎么出来的，如何确保可靠一直是大问题。现在大语言模型把推理过程列出来，有利于人类验证。但AI用于自动决策的时候，或者验证的人缺乏足够经验和知识的时候，如何验证，依然是大问题。

说一千道一万，AI可以代替人干很多事，但在可预见的将来，不可能代替人，而且只有在人类也只要费点心、用点力的地方才能代替人，在人类也抓瞎、真需要帮忙的地方，AI一样抓瞎，或者提供的解决方法谁都不知道是否靠谱。

这其实在现实生活中已经广泛存在了，即使没有AI的显性介入。

现在人们看病，医生立马开一大堆化验、检查，然后根据结果开方抓药，或者手术治疗。但谁都知道，大多数病例并非简单的看单下诊，绝大多数现实病例都是在“明确无误”的数据点之间，需要医生用经验、观察和研究（包括某种措施、刺激来发现更多的问题）来“内插”。真正的疑难病症可能远离任何已知的数据点，这就需要专家了。作为基层医生，最要紧的当然是解决一般病症，但同样重要的是知道什么时候超过了自己的能力范围，需要向上级医院和专家转诊。

在军队里也是一样，雷达、红外、信号等情报手段高度发达了，大部分军事作战都是根据情报制定作战计划。但战争之雾永远存在，当雾浓到一定程度的时候，就需要请求增援。同时，打仗也不是“看着雷达按导弹电钮”那么简单。雷达、导弹把具体细节层面上的问题解决了，眼观六路耳听八方没那么重要了，神枪手没那么重要了，但这些“没那么重要”的代价是人人都需要成为战术家，从雷达里判读出不显而易见的事情，指挥导弹打向最能决定战斗的敌人痛点。

在AI时代，AI可比基层医生和下级军官，但疑难杂症和战争之雾还是要人来解决。

一个显而易见的问题是：名医和战术家没有了那么多实践经验，哪来的“超人”经验和判断力？

这是高度训练和“专治疑难杂症”的结果。

就医生而言，中西方可能有所不同，但大路子应该相似：医科生最后分流为全科/保健医生、专科医生、高级专科医生。全科/保健医生好理解，专科医生指内科、普外、妇产、精神等“大路专科”，高级专科则是更加细分的心外、神外、青少年精神病等。培训时间逐级提高，但都是从医科生开始，在医科生时代也都轮转经过所有主要科室，所以不存在没进过手术室、没有接生过的医科生。但不是全科/保健医生一干十年后再专修专科，再干十年后再进修高级专科。

高级的专家在更长、更专业的培训中学习，毕业、执业后专注于本专业的疑难杂症，他们对于一般病症实际上技能是“退化”的。医学院里谁都学过人工呼吸，但高级专家要是不常年保持相关资质的话，可能真要用的时候，都不敢给人做人工呼吸。

回到AI时代人怎么办的问题，在AI时代，一般性的问题由各行各业的“专业AI”（连同机器人、自动化系统等执行机构）在一线解决了，但需要专家在上一层监控AI，AI也需要自动报告“我管不了啦”。而且问题各种各样，需要“专科医生”级的分门别类同步监控、优化。在更高层次，则有“高级专家”从更高层次监控、优化。

那专家和高级专家从哪里来呢？从长时间的专门培训中来。导师来自丰富经验，但这像裂变反应一样，一个导师带5个徒弟，其中一个接着带徒弟，其他散入工业实践中去，或者别的从业领域。

专家只需要很少人，其他人怎么办？这可能是大多数人真正关心的问题。

其他人不能“凉拌”，但还是要牢记：科技进步是为了更高效的产出，而不是更多的就业。在人工的时代，产出与就业是同步的。AI和自动化时代打破了这个同步，但又没有打破。AI使得很多事情“变容易”了，开辟了很多前所未有的新赛道。

比如说，汽车设计是很专业的活。设计师最初画出新车款式的草图，需要从几张概略的草图细化成精细的效果图，然后进一步细化到各种外观和内饰细节，比如门把手、方向盘、中控台、座椅和椅背等等，然后到机械选型和工程设计，最后具体到可以发到工厂车江的图纸。这中间有海量的工作。

但现在，很多具体的琐细工作可以用AI和某种自动化设计工具接替，从铅笔草图到照相级的效果图（还是各种角度）也可用AI完成，网上大量天马行空出来的“我的汽车设计”已经出现，与专业的工具链打通，从想象到落地的路径大大缩短。加上高度灵活、可定制的3D打印，可以自己设计汽车或许很快就不是梦了。

汽车只是一个方面，家具、家电、服装、玩具都是赛道，更加虚拟的游戏也是一样。

换句话说，AI将极大解放思想，但“你”的挑战不再是记性好、仔细，而是要想在别人前面。

把人与AI看做平面上的零和竞争是狭隘的，AI实际上开辟了立体和更多的维度，“你”需要跨入新的维度，驾驭AI，而不是被AI驾驭。

要做到，教育是基本的。在AI时代，读书的“用”不在于重复前人，而在于知道前人已经在哪里走过了。所谓“科技和知识已经发展到头”是糊涂和愚蠢的想法，只是看不到未知所以以为未知不存在。在这一点上，拉姆斯菲尔德的knowns and unknowns倒挺贴切：

as we know, there are known knowns; there are things we know we know. We also know there are known unknowns; that is to say we know there are some things we do not know. But there are also unknown unknowns—the ones we don't know we don't know.

knowns是有限的，unknowns是无限的。AI打开了新维度，利用起来，这才是AI时代的人应该怎么办。

喜欢就捧捧场

我们公社现在规定所有在总部工作的经理必须经过AI 相关培训

晨枫

喜欢就捧捧场 发表于 2025-12-6 11:14
我们公社现在规定所有在总部工作的经理必须经过AI 相关培训

这其实是个荒唐事。AI怎么培训？这就像20年前公司发一道命令，所有中管高管必须经过计算机培训。

这样大而无当、漫无目标的规定说明的不是重视，而是无知和推卸责任，可以看做一种尽责吧。

yanei

晨枫 发表于 2025-12-7 02:31
这其实是个荒唐事。AI怎么培训？这就像20年前公司发一道命令，所有中管高管必须经过计算机培训。

这样大 ...

这到不一定。老板们只需要知道有这么个东西，能做什么，找谁去做。下命令时不至于无的放矢就好。具体怎么操作不需要她们操心。

晨枫

yanei 发表于 2025-12-6 13:14
这到不一定。老板们只需要知道有这么个东西，能做什么，找谁去做。下命令时不至于无的放矢就好。具体怎么 ...

这正是荒唐之处！

对于怎么做一点不知道，正是老板瞎下命令的根源之一：他们不考虑可实现性。

just know enough to be dangerous是“MBA流派”的最大弊端。