00:18我们一聊到AI抢饭碗这个话题，脑子里第一个冒出来的画面是不是就是工厂流水线上的机器人，或者是银行柜台后面那些重复性特别高的工作？感觉AI就是来替代那些简单重复的体力劳动或者初级脑力劳动的。00:34嗯，这确实是绝大多数人的第一反应，但最近有一个业内大佬的观点，可以说是彻底把这个认知给颠覆了。这个人是open AI的OE模型联合创造者，也是思维链这个概念的提出者，叫Jason way.00:48他在斯坦福的一个演讲里直截了当的说，我们都想错了。00:52哦，都想错了，那他觉得AI到底会先干掉谁他？00:56提出了一个核心观点，叫验证者法则。简单来说，就是AI解决一个任务的速度跟这个任务有多容易验证成正比。也就是说，决定你饭碗稳不稳的，根本不是你的工作简不简单，而是AI学习你这个工作的成本高。01:11不高，容易验证。01:13这个说法有点意思，但听起来跟我们的直觉有点拧巴。我们总觉得越是需要专业技能、越复杂的工作肯定越难被替代啊。按照这个验证者法则，难不成一些我们觉得挺高级的工作反而比一些看起来很基础的工作更危险？01:30没错，这恰恰就是这个法则最颠覆认知的地方。我给你举个原文里的例子，你就彻底明白了。假设我们要训练一个AI，场景A是做客服，场景B是做战略咨询。01:40呃，一个听起来基础。01:43一个听起来很高。01:44大上对，要训练一个AI客服，可能需要10万条对话数据，那怎么判断AI回复的好不好呢？这个太容易了，随便找个大学生看一眼就知道。假设给一条一块钱的标注费，10万块钱就能搞定这个验证工作。AI可以基于这些反馈，一天练习1万次，可能一个月就毕一业了，比人类新手成长快。02:05得多，我明白了，反馈快，成本低，所以AI学的飞快，正式。02:11但战略咨询就不一样了，同样假设需要10万个咨询案例来训练AI。首先，谁能判断一个战略咨询报告的好坏？02:20你必须得找顶级的咨询师来看，他们看一个案例可能就要好几个小时，而且收费极高。更要命的是，一个战略到底对不对，它的效果可能要三五年之后才能显现出来。02:32这个验证周期也太长了。02:34成本也太高了，对呀。02:36可能一个案例的验证成本就高达上百万，而且耗时这么长，AI根本没法在这种模式下快速学习和迭代。所以你看客服工作虽然看起来简单，但因为它容易验证，AI就能飞速进化，而战略咨询虽然复杂，但因为它难以验证，AI短期内还真拿它。02:52没办法，这么一说，就豁然开朗了。所以，决定AI能不能取代你的，不是工作的技术含量，而是验证你工作成果的成本和速度这个验证者法则。03:03确实给我们提供了一个全新的视角。是的。03:06而且为了让这个法则更具体，Jason way还给出了3个非常直观的问题来帮我们每个人给自己的工作做个体检哦，快。03:14说说，我也想测测我的工作危险指数有多高好。03:17第一个问题是，你的工作能完全在电脑上完成吗？第二个问题，网上有海量的关于你这个工作的县城事例吗？03:27然后是第三个，也是最关键的问题，一个外行人能不能快速判断你工作成果？03:32的好坏，这3个问题确实还挺扎心的，我感觉像我们做内容的，好像3条都沾点边啊哈。03:40哈，这3个问题确实是层层递进，直指AI学习的核心，尤其是第三个，外行人能不能判断好坏，这背后其实就是我们刚刚聊的验证成本问题，他揭示了一个很残酷的真相，你的工作成果如果人人都能当裁判，那AI的教练就太便宜了，他的训练成本会指数级下降。确实。04:01那我们能不能再举个具体的例子，比如说建筑设计师这个工作，第一条能在电脑上完成肯定是符合的，第二条网上有大量示例，各种建筑图纸也很多，那是不是就意味着他们很危险？这就是。04:15第三个问题的威力所在了，建筑设计师虽然满足了前两条，但第三条容易验证，完全不符合一栋建筑设计的好不好。它的安全性、舒适度、耐久性，甚至包。04:27包廓，它和周围环境的融合度，这些东西你怎么快速验证？你得把它盖出来，人住进去，经历风吹日晒好几年，才能真正知道这个设计是是好是坏，这个验证周期和成本简直是天文数字。04:42哦，原来是卡在了验证这一环，所以建筑师暂时是安全的，那反过来像程序员这个行业，为什么这两年大家总说危机感特别强？04:51程序员就是个完美的反面案例了。首先，工作完全在电脑上完成，其次，数据量极大，Get top上有几千万个开源代码库，简直是AI取之不尽的教科书。最关键的是第三点，代码的验证太容易了，一段代码能不能跑起来，功能对不对，一测试就知道了，反馈是及时的。所以你看像getth up copa这样的工具才会发展的那么快，现在已经能替代大量初级程序员的基础工作了，我明白。05:16了，不过话说回来，像理发师这种工作，因为他需要动手，不满足第一个数字化的条件，所以现在很安全，但未来呢？随着机器人技术越来越发达。05:27会不会有一天，一个机械臂也能把理发这个活儿给干了？05:32你提的这个问题非常好，它触及到了这个框架的时效性。确实，随着机器人技术的发展，物理世界的壁垒也在被慢慢侵蚀，但至少在短期到中期内，精细的、非结构化的物理操作依然是AI和机器人的巨大挑战。所以托尼老师们的饭碗在相当长一段时间里还是相当铁的。05:52这么看来，这三个问题确实像一把尺子，能量出我们和AI之间的安全距离。但更让我惊讶的是，好像连我们一直认为最安全的创意工作也在这把尺子的测量范围。06:04之内，是的，这可以说是Jason v整个分享里最劲爆的观点了，他彻底打破了我们对创意和高薪的传统迷信，愿。06:12闻其详，我们总觉得AI能替代重复劳动，但创意是人类的专属领地，怎么现在连创意工作也不安全？06:19了，还是那个核心逻辑，可验证性，比如插画师，这绝对是创意工作吧，但一幅插画画的好不好看，风格对不对，是不是？06:27聘演极之，你不需要等3年5年，甚至不需要是专业人士，普通人一看就能给出喜欢或不喜欢的反馈。确实是这样，这种极低的验证成本就给AI提供了完美的训练场。所以你看major一出来，整个插画行业都地震了，大量依赖基础绘画技能的插画师发现自己的工作被严重挤压。文案策划也是同理，一个广告文案有没有吸引力，标题够不够抓人眼球，也是能被快速判断。06:54的太残酷了，也就是说，我的工作有没有创意不重要，重要的是我的创意成果能不能被大众快速评判，那高薪工作呢？07:03难道高薪也不是护身符？07:04吗？完全不是。原文里举了个例子，一个年薪40万的前端开发工程师和一个年薪15万的电工，你觉得谁更危险？07:13按照过去的逻辑，肯定是电工啊，但按照验证者法则，我猜是那个前端工程师。07:19完全正确，因为前端工程师写的代码效果好不好，在浏览器里一刷新就知道了，验证成本极低，而电工需要到现场进行物理操作，AI根本够不着。这就引出了JC位的另一个形象比喻，叫智能的锯齿状边缘。07:34锯齿状边缘。07:35对，他认为AI的能力发展不是一条平滑向上的曲线，而是像锯齿一样凹凸不平。在那些容易验证的任务上，AI的能力会像悬崖一样陡峭的超越人类，比如写代码、画图。但在那些难以验证的任务上，I可能长期都像个憨憨，毫无进展，比如做战略决策。07:54理发这个比喻太形象了，也就是说，未来社会不是AI全面碾压人类，而是一个人机各有所长的高度。08:03分化的世界，有些领域AI强的离谱，有些领域人类的价值无可替代。08:08就是这个意思，这也让我们必须重新思考教育和人才培养的方向。我们不能再简单的追求那些看起来高级但易验证的技能，反而要关注那些AI能力版图里的洼地。08:20听你这么一说，感觉之前的焦虑被清晰的逻辑替代了。既然我们看清了AI的刀锋会砍向哪里，那接下来最重要的问题就是我们该怎么办？Jason位有没有给我们开出什么？08:31药方当然有，他给出了3条非常具体的救命稻草，或者说是未来的生存指南，太好。08:38了，赶紧说说。08:39第一条策略叫往难以验证的方向卷。08:42如果你现在的工作很容易被验证，那就努力往这个领域更复杂、验证周期更长的方向去发展。比如说，比如你原来是做基础客服的，你可以努力成为危机公关专家，一个危机公关处理的好不好，它的长期效果验证起来就复杂多了。你原来是写基础代码的，就努力成为系统架构师，一个系统架构设计的好不好，需要整个系统长期稳定运行才能证明，本质上就是主动增加自己工作的验证。09:11成本，嗯，提升自己的稀缺性，那第二条策略呢，第二条。09:15拥抱物理世界，这个很好理解，就是进入那些需要动手操作，需要和物理实体打交道的行业，比如从数字设计师可以考虑转向手工艺人，从纯线上的知识付费可以转向线下的体验式教育，只要你的工作离不开物理空间，短期内就是安全的。09:34明白了，这是利用AI在物理世界的短板，那最后一条呢，我猜是最关键的。09:39对，最后也是最核心的一条策略是学会用AI。09:42而不是被AI用，这是一种思维模式的转变。最聪明的人会把AI当成一个极其强大的副驾驶或者实习生。怎么理解？就是把那些容易验证的基础部分、重复性工作都扔给AI去做。比如，程序员让AI去写基础的模块代码，自己专注于整体的架构设计和难题，公关设计师让AI生成几十个初步的视觉方案，自己来做最终的创意把控和精修，咨询师让AI去做海量的数据分析和报告生成，自己专注于提出洞察和战略。10:13判断，这听起来确实很理想，但现实中很多公司会不会觉得，既然AI能做基础部分，那我就直接用AI取代初级岗位，不是更省成本吗？个人怎么才能争取到与AI协作的机会而不是被淘汰呢？这是个。10:27非常现实的问题，我认为关键在于个人要主动向上走。当AI能够处理80%的基础工作时，你的价值就不再是完成这80%，而是在于你能否驾驭AI去完成剩下那20%最关键、最难以验证的工作。10:43这需要你不断学习，提升自己的战略眼光、审美判断和复杂问题解决能力。最终企业会发现，一个能驾驭AI的顶级专家所创造的价值远远大于用AI替代10个初级员工，人机协作才是价值最大化。10:58的模式，听你这么一说，感觉整个逻辑链条都闭合了。今天聊下来，感觉最大的收获就是过去我们判断职业安全性的那些老标准，可能真的都过时了。11:09没错，总结一下，今天我们讨论的核心就是AI取代工作的标准已经从过去的复杂性转向了可验证性，验证成本越低的领域，AI的进步速度就越。11:19恐怖，而且AI的发展也不是全面碾压，而是锯齿状的，在不同领域的能力极度不均衡，这就给了我们寻找自身价值定位的空间。是的，所以。11:30我们最终的应对策略，无论是向难以验证的方向发展，还是拥抱物理世界，或是成为驾驭AI的人。11:37本质上都是在做同一件事，将我们自身的价值锚定在AI的能力洼地里，去做那些机器难以高效学习和复制的。11:46工作Jason位的这个验证者法则真的像是给我们所有打工人敲响了一记警钟。它不止是一个关于技术趋势的预测，更像是一面镜子，照出了我们过去对价值和技能认知的盲区。在AI这股洪流面前，我们真正的安全感可能不再来源于你的学历有多高，薪水有多丰厚，或者你的工作听起来多有创意。12:10嗯，真正的安全感来自于我们对自己核心价值的深刻理解，并且有能力有意识的把这种价值安放在AI难以触及的。12:19领域，这已经不仅仅是一场技能的升级赛了，更像是一场关于人类心智、韧性和适应能力的终级考验。我们到底能不能超越工具本身的逻辑，去重新定义什么才是真正不可替代的属于人的智慧和贡献。这或许是AI时代留给我们。12:37是每个人最深刻的哲学命题。

Ask this episode

“What did the council decide on item 42?” — answered with the speaker and the moment.

Transcript

Related