對AI越狂熱的，可能越小瞧AI

人類總是容易對顛覆性通用技術產生不切實際的幻想。注意“顛覆性”“通用”，缺一不可。

在技術早期剛看到一點苗頭，就開始幻想這項技術最終形態帶來的改變，就好像一個人在大街上看到一位心動的異性，就開始幻想婚禮怎么辦、孩子起什么名字甚至兩個人葬在哪里，但實際很可能只是擦肩而過，連人家叫什么名字都不知道。

這被稱為“技術遠視”，能有一個專門名詞形容這種現象，可見不是新鮮事了。此前享受過類似遭遇的是計算機，當年圍繞計算機顛覆人類世界的討論數不勝數，只不過當年互聯網都還在雛形階段，人類信息流通的速度非常慢，沒有掀起今天圍繞AI的大眾討論浪潮，當時的大眾也很少有人會擔憂計算機替代自己。

經濟學家保羅·戴維1990年發表論文《發電機與計算機：現代生產率悖論的歷史視角》，該論文在經濟學和技術史領域引用率極高，是理解“索洛悖論”的經典文獻，而“索洛悖論”是諾貝爾經濟學獎得主羅伯特·索洛在 1987 年提出的一個經濟現象，指雖然計算機和信息技術到處都在使用，但在生產率統計數據上卻看不到明顯的提升，原話是“計算機時代的蹤影無處不在，唯獨在生產率統計中看不出來”。

目前AI討論的非常火熱，各相關政府、公司累計投入號稱達到數萬億美元，帶動幾十萬億美元的相關市值，全球都在熱烈討論AGI到底什么時候到來，擔憂AI對人的替代。這跟20世紀70年代到90年代初，美國及其他發達國家在信息技術上投入大量資金的情況很相似。

但目前各方普遍認為AI對人類生產效率、產值的帶動作用遠低于此前預測。比如Anthropic發布的2026年經濟指數報告，回應了外界對AI能帶來多大經濟增長的狂熱期待，結論是從此前期待的每年額外增長1.8個百分點，銳減到0.6個百分點以下。

在報告中，Anthropic也分析了為什么會出現如此巨大的落差。

原因在于此前對AI效率提升的假設太過理想化了，默認AI永遠正確，只需要考慮AI完成任務的速度，比如人閱讀一篇文章需要10分鐘，AI需要10秒鐘，那就認為AI可以把效率提高60倍，就得出了可以帶動勞動生產率每年額外增加1.8個百分點的結論。

但Anthropic認為AI會犯錯，AI節省的時間甚至可能少于糾正AI錯誤消耗的時間；現實工作包含很多工作環節，限制整體效率提升的不是效率最高的環節，而是最低的環節。由此得出新結論：AI確實能大大提高速度，但成功率低且容易被瓶頸任務環節卡住。

雪上加霜的是，根據美國研究機構METR此前研究預測，AI處理的任務越長，成功率越低。

Anthropic用自身真實使用數據證實了這一預測，還發現當前AI并不善于自動完成任務，依據是直接通過應用程序編程接口（API）訪問并使用AI的用戶，AI處理時長超過3.5小時，成功率會降到50%以下，而使用Claude進行多輪對話的普通AI用戶，成功率下降到50%的任務處理時間大幅延長到19小時。

出現如此懸殊差異的關鍵在于，API用戶要求AI一次性輸出結果，導致任務過于復雜超過了AI的能力邊界，就會導致錯誤大增；反而普通的AI用戶，把自己的需求拆解開了，一步步的交給AI完成，如果AI出錯、跑偏了，人可以及時調整，而當前AI更擅長在人類指導下，處理一連串的簡單小任務。

但務必注意，50%的錯誤率也就是編程、內容制作之類對成功率要求不高的領域還能接受，如果是工業生產，99.9%的成功率都很難接受。

由這個研究出發，小鎮認為當前Agent的應用方向偏了。

很多人期待用Agent替代工作流，幻想一次性給出一個最終成果，這對AI的要求太高了，也會導致錯誤率大增。

AI的分析過程是黑箱，無法像傳統方法那樣復盤、糾錯，也無非給出始終如一的確定性結果。比如給AI一堆合同文本，要求進行分析，最終AI給出了結論，但根本不知道AI分析過程有沒有漏掉哪些條款。

所以，至少針對目前技術路線的AI工具，更佳的工作方式是把一項工作拆成盡可能多的小任務，把每一個小任務完成標準化作業，中間鏈接的環節交給人來處理，這已經可以實現大幅提效，關鍵是確保準確。企業使用AI，跟個體用AI編程和制作內容大不一樣，必須做到準確、可追溯、能審計。

這就很像一百多年前泰勒的科學管理，他把工廠流水線的工人動作拆解成一個個標準化的步驟，每個工人只需要重復執行最簡單的操作，就可以大幅提高生產效率，當然從每一個工人角度，勞動變得碎片化了。

參考這一案例，當前Agent使用，也需要有人來配合，不是AI替代人，而是AI令很多人的工作內容發生變化。就像一百多年前的工廠流水線工人一樣，工作變得更加碎片化，而少數轉變為管理AI的管理者或者借助AI的決策者。

這份報告還有很多有趣的內容，就不一一贅述了。

回到開頭的論文。這篇論文作者將20世紀80年代的計算機與19世紀末的電力普及進行了對比，1881年紐約和倫敦建成了發電站，但直到20世紀20年代，美國制造業的生產效率才出現爆發式增長，關鍵原因是真正基于電力重塑了工廠生產模式。

早期工廠只是簡單用電動機替代了蒸汽機，但仍然沿用傳統工廠布局，標志代表是中央傳動軸，又被稱為“天軸”，甚至長達幾百米，中間通過無數軸承支撐，每轉一圈都會在摩擦、打滑中帶來巨大的能量浪費，從蒸汽機輸出動力到最終機床做工，能量有效利用率不到50%；當時的機器也只能圍繞天軸布局，所以生產一個產品，需要進行反復搬運。

自電動機誕生以來，企業主們進行了很多嘗試，一開始簡單用電動機代替蒸汽機，但還是連接天軸，用皮帶傳輸動力，這被稱為“組驅動”。

后來拆掉了天軸，每臺機器裝上獨立的發電機，瞬間把能量消耗降低到之前的三成左右，不僅節約了大量資金，還解放了工廠布局，機器可以按照生產工序排布而不是圍繞天軸對齊，這被稱為“單機驅動”。

最終福特在前人基礎上，于1913年搞出來第一條基于電氣化的流水線，隨著第一個吃螃蟹的人大發其財，新生產模式迅速推廣，在20世紀20年代席卷美國，推動美國制造業在1900年到1930年的三十年里，單位能耗下降30%，單位產量翻倍。

工廠也變得更加整齊、空曠，這才是真正的第二次工業革命。

所以，工業革命雖然以蒸汽機、電動機等關鍵動力機器的發明作為標志，但真正實現革命的效果，要等生產方式根據新機器的特點重塑才算開始。

同為顛覆性通用技術，電力從發電機發明到改變世界，用了40多年；計算機改變世界大概用了20年；而被認為第三次工業革命的互聯網，改變世界用了大概10年。

看起來變革速度越來越快，所以有些人會認為AI的顛覆會比計算機、互聯網更快，認為可能是5年左右。如果以2023年GPT破圈算起，那或許是2028年前后，如馬斯克、黃仁勛、奧特曼等對AI的激進期待，就來自這一點。

但互聯網乃至計算機，配得上第三次工業革命嗎？真能夠跟第一、第二次工業革命相提并論嗎？

小鎮持懷疑態度。

小鎮個人更主張：第三次工業革命正在進行時，計算機、互聯網只是這次革命的前奏，最終達到高潮從而像前兩次那樣重塑世界，要等到AI全面普及才算數。

因為人類工業革命的本質是能量的躍遷，是直接改造物理世界，是人類能量利用層級的大幅提升。

無論計算機、互聯網還是當前的AI仍然停留在信息領域，充其量是信息的躍遷，主要降低交易和溝通的成本，對現實物理世界的改造非常有限。尤其是互聯網，曾經行業巨頭信誓旦旦的說“所有的行業都值得用互聯網重做一遍”，結果如何呢？

現在全球包括世界500強在內，稍微大點的組織，就找不到真正實現信息化和數字化的，歷史越悠久的組織，信息化、數字化的滲透度就越差，當然還有眾多中小微企業，更談不上信息化和數字化。

充其量只是把原本留存在紙上的信息，挑容易統計的放在了電腦里、網絡上，組織結構并沒有圍繞計算機和互聯網進行徹底的重塑。就像現在的工廠，無論黑燈工廠還是燈塔工廠，仍然是1913年流水線的變種。

現在把AI吹上天的，也并沒有基于AI真正搞出來一套原生的組織結構或系統體系，僅僅是把AI嫁接到現存的體系中。有一些新興小公司號稱已經實現AI原生，比如用AI實現了兩級扁平化、用AI代替人去進行管理等等，這都是形式而非本質，沿用的還是老一套的管理理論，當然只是做到這一步，已經可以提高效率了。

但只有當AI真正完成徹底突破，出現了根本的范式轉變，并且能夠基于AI去重新設計、制造、優化真實的物理世界，這才算能跟前兩次工業革命等量齊觀。

最核心的還是要基于AI帶動人類能量利用和物理世界改造能力的躍遷，而現在的AI仍然只是適用于個體使用，還不具備企業化應用的能力，最關鍵的就是穩定性、可追溯、可審計、可復查等等基礎能力，有過相關實際工作經驗的應該會有同感。

現在的問題是人類世界分工太細了，很多人尤其網絡聲量過大的辦公室白領、內容創作者以及互聯網和金融從業者，嚴重缺乏對現實和生產復雜性的敬畏，對AI能力存在大量不切實際的幻想。

那么如何實現能量利用和物理世界改造能力的躍遷呢？

坦誠的說，目前人類仍然在探索中，對標電氣化，當前AI大概相當于19世紀80到90年代，既直接用電動機替代蒸汽機的初始階段。

小鎮也只能基于自己的想象簡單談談。

關鍵在于要借助AI完成數據深層使用和數智化，借助對大量超出人類能力邊界的數據掌控，帶動能量層級的躍遷。

比如用AI去馴服可控核聚變，目前可控核聚變最大難題是等離子體極度不穩定，人類手工或自動化調控根本跟不上，但AI很有可能實現，而且AI還可以帶動超導材料等新型材料的突破，大幅壓縮研發周期。比如2024年普林斯頓團隊用AI提前300毫秒預測了核聚變等離子不穩定態。

還有數字孿生。過去人類要想驗證或改造世界，需要大量試錯，但現在有了數字孿生，甚至可以進一步實現實時的數字孿生，能夠對一套系統可能出現什么問題進行預判，爭取更多干預時間。

比如中國正在加速推進的“數字孿生水利體系”，還有英偉達旗下圖形與仿真平臺Omniverse，已經可以用于開發工業數字孿生、機器人仿真和3D協作應用，能夠讓AI在虛擬電網模擬無數次雷擊或設備老化故障，進而反推物理世界應該如何實現最有調度，從而大幅降低能量損耗。

華為與多家鋼鐵集團聯合研發的鋼鐵大模型，也實現了從靠經驗煉鋼到靠數據煉鋼的升級，不僅大大降低每噸鐵水的生產成本，還提高了冶煉品質。

在建筑和工程領域，生成式工程設計應用越來越多，2024年西門子推出首款工業工程設計生成式AI產品，也在改變人類工程設計流程。

人類世界誕生了海量數據，人類真正保存并應用的數據占比極低，這就導致人類對復雜的真實世界的理解也是有限的。

工業領域過于復雜，咱們就用個人生活舉例，如果一個人特別喜歡記錄自己的生活和感受，比如用攝像機、錄音筆大量記錄了海量素材，在過去這些素材基本是形式上存在，根本無法有效利用，因為一個人很難浪費大量時間去從海量基礎數據中尋找有價值的東西。

但AI時代就不一樣了，把這些基礎數據扔給AI，之后就可以利用起來了。更簡單的就如小鎮，用“文件傳輸助手”累計記錄了1.7萬多條靈感，大多數靈感記錄后僅在形式上存在，小鎮自己都想不起來，更難以把跨越幾年的不同靈感之間形成關聯，但有了AI那就簡單多了。

所以今年個人知識庫特別流行，只要搭建好成熟的個人知識庫，AI分身就順理成章了。

上述只是數據的深層應用，這還只是AI重塑人類世界的上半場，下半場就要實現物理世界直接給AI反饋，要建立以AI為核心的“感知－決策－執行”的閉環，這才是數智化。

從目前人工和自動化模式以秒甚至分鐘為單位，躍升到以毫秒為單位的動態調整，這會空前提高能量的利用層級和效率。

而要實現這一點，需要突破關鍵的物理接口，要打通現實世界同AI的虛擬世界，更重要的是要基于AI重塑整套社會運行和生產工作流程體系，這是非常漫長的過程。

- 5 -

小鎮最近一直在給AI狂熱潑冷水，強調AI現在沒這么強，不要幻想所謂的AGI很快到來。有不少朋友留言認為小鎮過時了、誤人子弟、看不清AI帶來的巨大變革。

小鎮其實想對這些朋友說：越是認為AI改變會很快到來的人，很可能越小瞧AI。

因為新技術發揮效用需要過程和反應時間，與新技術不相配的現行制度和運行方式習慣也需要時間去改變和適應，要修改流程、商業模式、就業結構、教育認知等等，更關鍵的是引導調整人的習慣，人的習慣是很難改變的，達到工業革命級別的根本顛覆，基本要以20年為單位，大概是一代人。

只有那些技術層級沒那么高，只是改變某個或某幾個環節領域的技術，比如互聯網和移動互聯網，人類世界接受的速度才會很快。

互聯網根本不配跟AI相提并論，不過是為王前驅，能夠與AI在同一量級的技術，應該是電力和電氣化，計算機都差了半個身位。

但電力和電氣化，從1878年電動機發明、1881年首個發電站建成乃至1913年基于電力重塑生產布局，已經過去了一個多世紀，但人類至今仍然沒有真正建立一個基于電力和電氣化的原生文明。

目前中國是全世界最有可能進入電力原生文明階段的國家，這會帶來巨大的能力躍升和發展機遇，這也是小鎮認為理解“十五五”期間乃至未來更長時間中國政策路線的關鍵切入點之一。

AI是未來，當前AI炒作是泡沫，這一點毋庸置疑。就像孫正義今年接受采訪時從金融和資本市場角度談道：AI至少比當年的互聯網泡沫猛10倍，甚至可能大50倍，根本不是一個量級；互聯網泡沫崩盤后，整個產業直接成長為超級巨無霸，AI現在其實才剛剛開場而已。

AI泡沫破裂是必然的，破裂之后可能會出現一段消沉期，似乎全社會對AI的關注下降了，甚至曾經對AI狂熱的人變得特別失望，走上了否定AI的極端面，就像“速勝論本質是投降論”一樣。

從現實數據來看，泡沫破裂后包括生產效率、GPD、技術應用等等都停滯了。

但這才是AI爆發的開始，因為在悄無聲息中，正在進行系統重構，由一小批真正理解AI和現實世界的人開始，推動少數組織完成結構重塑或新生，由慢到快的滾雪球式改造世界。

對個體來說，除非確實需要AI解決實際的生活、工作問題，能夠直接帶來收益，否則不必把時間浪費在很快就會被迭代掉的過渡性工具上，更不要沉迷工具的使用。

工具一定會越來越簡單，幾周甚至幾天就能學會的工具使用，算什么護城河呢？該不會覺得自己是超級天才，自己3天學會的，其他人花三年都搞不明白吧？真要這么厲害，那倒要問問，AI工具普及之前，自己成就如何呢？

真正有價值的是用AI重塑自己的認知，乃至調整自己的工作生活流程，進而改變周邊組織運行，只會用工具算啥呢？就像大猩猩也會用傻瓜式相機拍照，厲害的不是會按快門的大猩猩。

其他文章推薦

（中篇）

（上篇）

歡迎分享，讓更多人發現“大樹鄉談”