彭博社：人工智慧AI将如何颠覆企业的组织方式？

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。

随著时间的推移，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，需要带著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拆解问题、审慎推敲的能力。有些测试显示，这种推理模型在专门领域的测验中已能与博士级专家相媲美，甚至更胜一筹。

自 o1 释出后，短短六个月里，AI 又取得了惊人的进展。目前最火热的话题是如何将这些推理模型变成 「自主研究助手」。它们的表现真是令人惊艳。

最近，我让一个研究机器人为我进行一项分析，主题是 「对 F1 赛车、科切拉音乐节、迪士尼乐园、拉斯维加斯赌场、医院、大型动物园等大型活动或运营专案进行综合环境影响评估」。AI 花了 73 分钟，查阅了 29 个独立来源，并给出了详细的结果表格和 1,916 字的文字说明。虽然品质仍有提升空间，大约相当于让一位研究生花几天写出的报告水准，但它却为我节省了数日的时间。

仅在 18 个月前，我的 AI 系统只能为我解决一些半小时以内的小任务；而现在，它已经足以应对更复杂、更耗时的研究工作。

认知 「生产线」 的出现

我们一直在见证与 「知识使用」 和 「认知劳动」 相关的一连串演变。从最初寺庙和学者垄断智慧，到印刷术让知识变得可传播，再到网际网路让资讯本身变得触手可得，问题也逐步转向了 「如何理解资讯」。现在，那些我们曾认为稀缺且复杂的任务，也变得近在咫尺、且成本低廉。

不过，当我与大企业管理层沟通时，发现他们大多只在一些琐碎领域使用 AI，比如客服自动化来节约成本。Salesforce 的执行长曾在去年 12 月表示，他们每周 36,000 条客户支援咨询中，有 86% 是由 AI 回答的；瑞典金融科技公司 Klarna 则声称其三分之二的客服对话由 AI 处理，单是这一措施就为公司带来了 4,000 万美元的利润。然而，纯粹通过客服削减 10% 成本并不足以让企业获得质的飞跃，还没有哪家伟大企业仅凭降低成本而取得成功。

因此，大多数企业先从相对低端的任务著手，用 AI 处理每小时 50 美元的工作（如客服聊天），虽然有用，但远非转型。可事实上，AI 同样胜任每小时 「价值」 高达 5,000 美元的任务 —— 比如研发、战略规划或者专业咨询。为什么目前只有少数公司把 AI 投入到这些关键环节？

一个原因在于人们很难想像，「必须依靠资深管理者或顶尖专家」 才能完成的工作，居然可以（或者部分可以）由机器来承担。正因为卓越人才稀缺，那些高价值任务才显得格外珍贵。我们的组织结构便是在 「真正的高智商人才供给有限」 这一认知下设计的。

以制药行业为例，一款重磅新药往往能左右企业成败。瓶颈在于把药物推进到昂贵且耗时的审批流程中 —— 通常需要 10~15 年的时间和超过 10 亿美元的投入，而且往往几千个候选分子里只有一个最终上市。与此同时，一家大型制药公司里，市场人员的数量可能比顶尖研发人员多好几千倍，因为真正的资深研究专家极为稀缺。

现阶段，大多数企业领导人仍处在 「尝试接受 AI」 而非 「真正相信 AI」 的阶段。他们习惯于认为有些问题太难或太昂贵，能躲就躲。可随著 AI 的出现，约束不再是 「我们是否能想出解决办法」，而更是 「我们能多快把好想法落地验证」。

这一切都将带来深远影响。当每个企业都能随时呼叫数位 「博士级 AI 专家」 时，创新速度自然会大幅加快。就像亨利・福特的汽车流水线让生产过程能迅速迭代、改进一样，AI 可以让思想和解决方案得到持续打磨更新，公司也能更快试错、更快学习、迅速转向。

当然，如果企业并没有能力落实那些由 AI 「智囊团」 提出的想法，那么再高明的点子也无济于事。能否顺畅地执行与整合，才是真正拉开差距的关键。

我与 AI 共处的日常

过去 18 个月，我逐渐建立起一个 「AI 生态系统」 为我工作服务。比如，在 2024 年 6 月某天，我一天里呼叫这些 AI 系统 38 次，累计互动字数达到 7.9 万字，用于研究。

到 2025 年 1 月，我已经不再去统计交流字数了。但在没有对方（真人）反对的情况下，我几乎每次会议都会带一个 AI 做会议记录。日常研究中，我也经常使用好几个不同的 AI 工具。就在写这篇文章的一周内，我向各种大型语言模型发出了至少 144 次查询 —— 这还不包括录音转写（26 次）和程式码助理工具的使用。我现在用新一代 AI 工具的次数，比用 Google 搜寻还要多。

令人意外的是，虽然我处理的工作量增加、速度更快，但我在电脑萤幕前耗费的时间却比前几年更少了，这对我来说是个非常开心的收获。

当智慧的成本几近于零时，真正的瓶颈已不再是 「如何获取大脑」，而是 「我们如何善加利用」。那些能提出好问题、客观评估答案并果断行动的个人和组织，将成为大赢家。他们也需要思考：手里的时间多了，该拿它来做什么？