來源:騰訊科技
技術預測通常在兩個極端之間搖擺:要麼是模糊的宏大敘事,要麼是線性外推的短視。
但有一個人試圖用另一種方式逼近未來。
在成爲未來學家之前,拉斯·特維德(Lars Tvede)更爲人熟知的身份是歐洲資深對沖基金經理、連續創業者,以及《金融心理學》《逃不開的經濟週期》等經典商業著作的作者。過去三十多年裏,他一直在瑞士與全球二級市場之間尋找技術演進與資本週期的咬合點。到了今年,他寫了一本關於AI會如何改變我們生活的書《超級趨勢》。
這其中的跨界,來自於他自己對AI深入應用。
幾年前,特維德創辦了趨勢研究機構 Supertrends。他每天用Agent篩讀五千種科技刊物與專利庫,像繪製大腦「連接組」一樣,爲每一項前沿技術寫下發生的具體年份。
2027 年,AI 產出的 token 總量追平全人類話語總和;2028 年,通用人工智能(AGI)落地;2031 年,超級智能全面超越人類頂尖個體。
激進的判斷背後,當面對「Transformer 架構是否已觸及上限」或「大模型幻覺」等質疑,特維德抱持着一種技術演化論式的樂觀。
但真正讓特維德的思考區別於硅谷技術佈道者的,是他看待這場變革時的投資人視角。
在長達兩小時的對談中,他算了一筆非常具體的經濟賬。儘管外界擔憂數據中心重蹈「鐵路泡沫」的覆轍,但特維德在產業鏈調研中看到的是另一番景象。模型生產成本每年暴跌 80% 至 90%,token 價格卻因算力飢渴反漲三倍。
前沿模型公司雖然仍在虧損,但上游芯片與基礎設施的利潤足以覆蓋這些虧損的三到六倍,部分算力集群甚至能在一年內回本。
他將大衆對 AI 落地緩慢的質疑稱爲「當前狀態謬誤」,因爲人類總是習慣用今天的能力去評估兩年後才交付的基礎設施。
當這套指數級增長的算力最終把照明、代碼、醫療、法律乃至大部分物質商品推向「超級豐裕」,無比便宜時,特維德認爲,新增的價值必然湧向那些「AI 無法增產之物」。
稀缺的工業金屬、不可複製的核心地段、機械錶、真人現場音樂會,以及「作爲人本身」,將迎來長期的資產牛市。
即使機器在 2050 年接管了今天 95% 的工作,資金依然會流向那些無法被提高效率的領域。
相比於經濟賬,特維德對社會結構與人類心智的預判要冷峻得多。
他明確反對用「全民基本收入(UBI)」直接向失業者發錢,認爲那會剝奪人通過努力換取尊重的本能,最終導致《機器人總動員》式的文明退化,人躺在椅子上,失去早起和奮鬥的理由。
正如告別體力勞動後人類發明了健身房,在告別生存焦慮的「熱情經濟」裏,人類必須重新爲自己尋找挑戰、社群與早起奮鬥的理由。

以下爲沸騰之下與拉斯·特維德的對話:
01、如何繪製一張AI演進的時間表
問:你在書裏幾乎談到了未來生活的方方面面,而且對各項技術的發展及其社會影響,都列出了非常具體的年份。這條時間線是怎麼得出的?
拉斯·特維德:這些預測來自我們的公司 Supertrends。我們開發了一款應用程序,每天閱讀大約五千種經過篩選的科學和技術刊物,同時也會追蹤 X 等平台上的重要思想者,收集他們的預測,最終彙總形成一套共識預測。
當然,斷言某件事會在 2049 年發生,本質上是一種推測。但有依據的推測,總比含糊其辭地說「未來某個時候」更有用。給出具體年份還有一個重要作用:許多新技術往往依賴於此前已經出現的其他技術。我們目前正在製作一張技術網格圖,展示現有技術如何促成後續技術的發展,這有點像腦科學裏的「連接組」(Connectome)。
這就好比前陣子繪製果蠅大腦圖譜的研究。科學家在這項工作上投入了幾十年時間,把果蠅的大腦切成極薄的切片,拍下了海量照片。但直到有了 AI,研究人員才有辦法讀懂這些照片,重建出果蠅大腦的三維模型,再把它上傳到元宇宙中。
那個現實果蠅的大腦複製品在虛擬空間裏飛行,還能對模擬出的氣味作出反應,可以說是一次真正意義上的「大腦上傳」。
我之所以提到這個例子,是因爲如果我們能給全世界的科技創新建立起一套類似的「連接組」,原則上就可以順着技術脈絡繼續往下推演,看清未來的不同事物之間會怎樣相互連接。這個目標對 Supertrends 來說還比較遙遠,但我們已經在着手推進了。
問:那能不能先帶我們梳理一遍,AI 在不同發展階段分別會推動哪些主要變化?
拉斯·特維德:最簡單的劃分方式是三個階段:第一階段是聊天機器人(Chatbot),你問它才答,不啓動它就不做事;第二階段是智能體(Agent),它會在後台持續運行,自己採取行動,我們目前還處在這個階段的很早期;第三階段是具身 AI(Embodied AI),從自動駕駛汽車開始,隨後還會有人形機器人、自動駕駛無人機等形態。當然,這只是簡化的劃分。
我們也可以看模型到底有多聰明。從 2022 年開始,前沿生成式 AI 只用了短短几年,智力水平就從學齡前兒童、小學生,一路發展到大學生、博士,現在甚至開始超過博士了。在一些複雜問題的測試中,人類博士平均答對 79%,而前沿模型已經超過 90%。按標準智商測量,有些前沿模型已經達到了 180 到 200 之間。這說明,人類智能並不是智能的上限。
至於什麼時候算達到通用人工智能(AGI),部分取決於我們如何定義它。我個人的合理估計是 2028 年:到那時,它能做人類所能做的所有事情。再往後發展,超級智能
(Superintelligence)會在各個方面全面超過最優秀的人類,這也許會在 2031 年發生。
緊接着出現的,是我所說的「集體超級智能」。到那個階段,除了強大的集中式模型,還會有數以百萬、數十億計的分散式模型。你可能會問:從物理規律看,智能系統在空間上越緊湊,運行效率就越高,那爲什麼還要分散呢?因爲分散在各處的模型能夠在真實世界裏直接學習。
當我們跟 ChatGPT、Claude 或 DeepSeek 交談時,它其實是在檢索已經學到的東西,或者臨時上網查資料,某種意義上只是在做「案頭研究」。但如果它同時連接着一百萬個機器人,而這些機器人每天都在真實世界裏幹活,就相當於在源源不斷地做「實地研究」。把案頭研究和實地研究結合起來,情況就會大不相同。
在此之後,很可能會出現一場新的科學革命:科學推動科學,AI 創造 AI。我們已經在生物化學領域看到了一些變化,比如利用 AI 研究蛋白質怎樣摺疊、不同蛋白質結合會怎樣,以及哪些晶體能夠形成。AI 協助改進自身的跡象也已經有了,只是目前仍然依賴人類參與。再過幾年,它很可能會自己接手迭代工作。
我覺得技術奇點其實已經開始了;只是在奇點初期,技術能力會遠遠領先於人類的實際採用速度,人們還沒有意識到它已經走得有多遠。
02、AI沒有泡沫,只有短缺
問:現在的聊天機器人在很多領域確實已經達到、甚至超過了人類博士水平。今年不少企業也開始嘗試引入智能體,但實際效果並不完全符合預期。
拉斯·特維德:是的,這正是技術能力跑在實際應用前面的地方。Anthropic 今年春天發佈過一張職業雷達圖,圖上大片藍色區域表示在技術上已經可以替代的勞動,小得多的紅色區域則表示目前實際上已經替代的工作。未來這兩塊區域都會擴張。我覺得到 2050 年,藍色區域可能會覆蓋今天職業圖譜的 95%,而代表實際替代的紅色區域則會落在後面。
確實有研究指出,目前大部分企業的 AI 項目還沒產生明顯結果。我記得波士頓有一項研究給出的未見效比例是 95%,但一些 IT 從業者卻說,這個比例在常規 IT 項目裏其實很正常。況且,壞消息本來就更容易登上媒體。
與此同時,AI 編程領域正在發生劇烈的變化。高盛曾比較過數據錄入、技術支持服務檯和軟件編程這三個領域。按照那項研究,AI 編程的成本最低可以只有人類程序員的 5%,但在技術支持服務檯領域,使用 AI 的成本卻和僱傭人類幾乎一樣,AI 只稍微划算一點。
這非常反直覺:因爲服務檯人員也許培訓幾天就能上崗,而程序員卻往往擁有碩士、博士學位。
原因就在於具體任務的特性。服務檯需要高速的實時語音識別,有時還要識別客戶的情緒;相比之下,寫代碼消耗的 token 反而少得多。所以 AI 會一個領域接一個領域地逐步進入。有的工作會很快受到衝擊,其他領域則還沒到時候,不能把所有行業看成是同一步調。
現在行業裏有很多跡象表明,AI 的需求依然高於供給,而且需求增長得更快。我看到的情況是,今年市場上 token 的價格開始上漲,幾乎漲到了原來的三倍,而算力的生產成本仍在以每年 80% 到 90% 的幅度下降,這一漲一降之間形成了巨大的盈利空間。行業分析師也在說,市場需要更多產能,目前基本上是生產出來多少就能賣多少。
普通消費者市場又不一樣。我看到的數字是,普通消費者佔了使用人數的約 70%,貢獻的付費收入卻只有 5%。但消費者不付費,並不等於不重視。我們可以換個方式問:「如果下個月不能用任何 AI,需要補償你多少錢?」調查裏受訪者要求的平均補償金額,比付費用戶的平均實際付費還要高出 30%。因爲很多人原本是免費使用的,所以要求的補償很容易超過實際付費水平,但依然能看出人們在心理上非常看重它。
順便提一個很有意思的對比:AI 的普及速度比當年手機、互聯網起步時快了好幾倍。我研究發現,人類歷史上只有一種產品的全球普及速度跟它一樣快——那就是新冠疫苗。兩者從推出到達到一億用戶的速度是一樣的。要知道,打疫苗直接關係到生死、關係到能不能出門工作;而 GPT 最初的普及速度竟然能跟疫苗並駕齊驅,這非常耐人尋味。
我和一位合作者正在完成一份兩百頁的 AI 經濟學研究報告,很多內容因爲太專門而沒有放進這本書裏。深入研究以後,我更確信目前的 AI 產業是受供給限制的。當然,市場上有不滿意的用戶,也有失敗的實驗。但在日常業務裏,我親身參與了三個非常成功的項目。
第一個項目是 Supertrends。它每天自動閱讀五千種出版物,同時檢索專利數據庫,處理四十種語言的信息,一年生成十萬篇創新內容,還會自己做報告和圖表。所有這些工作都沒有人工在逐項操作,一臺 Mac 電腦就能維持運行。
第二個項目則需要人類團隊配合。在丹麥,有人想成立一家基於 AI 的綜合媒體公司,去與當地三大傳統媒體集團競爭。他們找來一位曾擔任頂尖媒體主編的資深經理,再聯合另一位經驗豐富的媒體人寫好商業計劃書,與我們 Supertrends 團隊討論怎麼實現。
他們的第一版計劃需要僱傭四十個人。要知道,同等規模的傳統媒體需要四百人,我們當時已經覺得四十人很精簡了。過了幾個月,團隊反饋說,研究越深入,越發現 AI 能做的事比預想的更多,而且就在調研期間 AI 模型本身也變得更強了,於是把編制降到了二十二人。現在這套系統已經測試運行了三個月,準備正式上線,團隊規模又進一步降到了十四人,目前人員已經招齊了。至於它能不能做得跟傳統大媒體一樣好?我會說,在大多數方面一樣好,而在有些方面甚至好得多,因爲它能生產更豐富的內容,並實現個性化服務。
第三個項目用在了我們的對沖基金業務上。我們每天都會收到大約一百份投行發來的 PDF 報告,光讀完一份就得喝掉好幾杯咖啡,靠人力根本不可能全讀完。但做宏觀投資,又必須知道市場上最聰明的人怎麼看。
爲此,我們正在開發一套智能系統,用來識別這些頂尖分析師的觀點共識。一旦共識指向某個新領域,它就會自動啓動自己的一個副本(子智能體),去尋找這個新領域裏最聰明的人;如果又發現細分領域,就再啓動一個副本繼續深挖。比如,系統會從「爲 AI 提供基礎條件的行業」出發,自動下探到芯片行業,再到高帶寬內存(HBM)領域,分別追蹤每一層級專家的預測和變化。
目前調試這套模型花了不少錢。但一旦系統運行起來,它就會自己持續學習,不用人工反覆交代任務。假如突然出現像 CRISPR 基因編輯那樣的新技術,系統就會主動捕捉到它,檢查是否有人在討論相關投資機會,再找到該領域的專家持續追蹤。
這三次親身經歷讓我覺得,我們遠遠沒有摸清 AI 究竟能做多少事。每次當我以爲自己理解了它,到了下個星期,又會發現它走得更遠了。
衡量 AI 進步的方法有很多,但每種指標都只是簡化。過去的摩爾定律是兩年翻一倍,而按某些綜合指標衡量,AI 的能力每兩年可以提高一百三十倍,因爲它匯合了許多原本就在呈指數級增長的技術。
有人把這一輪數據中心建設熱潮比作當年的鐵路熱潮,擔心出現過度投資。但數據中心有個獨特之處:硬件安裝好之後,還能靠軟件算法的改進繼續大幅提高效率。我看到的研究顯示,僅靠軟件改進帶來的提升空間就可以達到五百倍。當然,這不意味着芯片永遠不用換;新一代芯片的能效比在持續提升,舊芯片最終還是會因爲耗電相對過高而被淘汰。只是在目前供給高度緊張的情況下,現有芯片完全可以用上很長時間。
我覺得很多懷疑者都犯了「當前狀態謬誤」:他們只按照自己以爲的「AI 當前能力」,去判斷今天的投資值不值得。但從拍板投資到數據中心建成運行,需要十八到二十四個月的時間,屆時 AI 的能力早就又跨越了好幾個臺階。人類往往很難直觀地理解這樣的指數趨勢。
我也在研究這波浪潮裏「錢到底在哪裏」。我對中國市場了解得還不夠多,主要研究美國和西方。按現在的增長速度推算,我估計全球 AI 產業明年就可能接近傳統的汽車工業,並在 2028 年超過它。前沿大模型公司表面上雖然還在虧錢,但上游芯片行業賺取的利潤,可能是這些模型公司虧損總額的三到六倍。範圍之所以這麼寬,是因爲很難在財務上精確分出芯片公司的利潤裏究竟有多少來自 AI。
順着產業鏈看回本週期,我估計建設一座 AI 芯片工廠通常三到五年回本,高帶寬內存產線可能兩到四年;簽有供電合同的數據中心基礎設施大約六年;裝上算力服務器對外服務,可能只需三年。馬斯克甚至說他能一年回本。當然,他是馬斯克,一向喜歡這麼說。
拿他旗下的 Colossus 2 超算集群來說,外界不知道確切造價,也許在一百億到兩百億美元之間或更多;而我聽到的說法是,它在完成自家訓練後對外出租算力,年租金收入就可以達到五百億美元,同時還能保留一部分算力自用。所以他說一年回本,我覺得完全可信。這些環節之所以能賺大錢,核心原因就是當前的供給瓶頸。
但大規模投資最終會消除供給瓶頸。等到瓶頸消除之後,企業的利潤就必須來自真正的護城河與可持續的商業模式了。
我認爲它的關鍵變化在於更深入地扎進了企業應用層,專注於人們在實際工作中真正要做的任務,而且系統還記得你之前做過什麼。比如我把項目的任務材料都放在同一個文件夾裏,用過一段時間後,幾乎不用多解釋,它就知道我要什麼。到了這個階段我就不想換了,因爲它足夠了解我,已經替我做了很多基礎工作。這就是極強的用戶黏性。
總之,從商業投資角度看,如果滿分是十分,我對 AI 的看好程度就是十分。
03、AI技術現在的缺陷,也可以是未來的優勢
問:你非常樂觀,但也有一些 AI 科學家認爲,基於 Transformer 架構的技術路線可能還缺少關鍵的底層創新,未必能直接通向超級智能。此外還有物理層面的限制:增加 GPU 算力就要新建工廠,這需要時間。同時,現在的 AI 也缺少好的世界模型、長期記憶和持續學習能力,這些問題能不能解決,我們還不知道。
另外,你說 AI 會遞歸地改進自己,但也有研究認爲,目前的 AI 並不擅長開放性問題,尋找答案的探索範圍比較有限,並不能像人類科學家那樣思考。這些因素似乎都不支持它能如此快速地一路增長下去。你怎麼看?
拉斯·特維德:這類指出 AI 存在固有缺陷的研究,往往很快就會過時。過去三年裏已經發生了難以置信的技術進步;而且,有些今天被當作「弱點」的特徵,換個角度看反而可能是優勢。
就拿「幻覺」來說,人類其實也會產生幻覺:我們的視野裏天然有盲點,但大腦會自動想象那裏有什麼,把視覺空白補起來。踢足球時,有人把球傳過來,你不會在腦子裏先計算物理方程,而是瞬間調用以前見過的相似場景,憑直覺預判球會落在哪裏。
我認爲,「預測接下來會發生什麼」正是智能的一個核心標誌,而 AI 每天也在做這件事。這種預判與想象還能用來進行創造:即使從沒親身經歷過某個情境,我們仍然能想象接下來會發生什麼。人類的心智本質上是生成式的,AI 也是如此。當然,不能把想象與現實混淆,人類必須學會區分這兩者,AI 同樣也在學習如何做好區分。
在應用中,有些問題必須保證絕對準確,比如算術就應該直接交給計算器。但如果我是爲創業項目構思宣傳語,那就需要創造力。
正因爲技術進步的路徑非常多,我很難相信它會突然撞上某個不可逾越的自然極限。
還有人說,AI 只是在複述互聯網上由人類寫下的東西,所以不可能比人更聰明。但事實上,它正在通過自我博弈(Self-play)和系統動力學模型產生屬於自己的新信息。用不了太多年,它掌握的大部分信息可能都不再來自人類,而是由它自己發現的。這固然需要持續創新,但我看到創新正在迅速發生。
問:它確實在加速,但不是每個領域都這樣。軟件編程比較特殊,現有的訓練技術能讓它進步很快,但其他領域並沒有那麼容易。當「低垂的果實」被摘完以後,接下來可能要做艱難得多的工作。
拉斯·特維德:對,這就像動物最初先吃低處的樹葉,吃完了就必須進化成長頸鹿,才能吃到高處的葉子。區別在於,AI 這隻「長頸鹿」的脖子正在呈指數級增長。那些現在還夠不到的高處,我覺得以後完全能夠到。
信息技術、遺傳科學在歷史上也曾被認爲遇到過不可逾越的障礙,後來都被一個個解決了。以前解決問題的是人,以後將會在 AI 的強力輔助下、甚至由 AI 自己去解決。
你不妨對比一下今天和僅僅一年前的模型。有了推理模型之後,我們拿到一份結構清晰、覈查過數據、交叉比對過多個信息來源的報告,已經覺得是理所當然的事,而一年前還完全不是這樣。
上個星期,我直接對着 GPT 口述佈置了一項調研任務,中間還有幾次改口,接着把整理好的內容交給 Claude:讓它找出全球五十家優秀風投和三十家創業加速器,查清它們每個季度分別在投什麼,並按技術類別分析哪些賽道在上升、哪些在下降。
結果它只做了十八分鐘,就給出了一份質量極高的報告,還主動加上了一些我原本沒要求但非常有用的數據可視化圖表。假設高盛剛招來一位 MIT 或芝加哥大學商學院的頂尖畢業生,如果不用 AI,我估計同樣任務他至少要做整整一個星期。
不僅如此,AI 能夠獨立處理的連續任務時長也在迅速增長。我覺得再過不了多少年,它就可以不間斷地連續自主工作了。
我們可以想象這樣一個場景:馬斯克送一批智商高達 300 的機器人去火星,給它們配好核反應堆、太陽能電池板和起步工具,對它們說:「三十年後我回來,你們在火星上建一個文明。」三十年後人類回來時,建築、道路都已經建好了。它們遇到任何問題都會自己想辦法,連續工作三十年。這雖然是個想象,但我覺得我們離這種能力已經不遠了。
順着這個邏輯,我們還可以把軟件領域的「自然語言編程」延伸到現實的實體世界。未來我說想建一棟什麼風格的房子、需要哪些房間,AI 就會提供設計方案,直到我滿意爲止。然後我說:「請建起來吧,我去度假了。」它就會自己去找地、買地、申請建築許可,再調度機器人進場施工。
04、後AI時代是豐裕時代,但不該是UBI時代
問:你描繪的這些技術變化會帶來智能上的「超級豐裕」,但這並不一定直接意味着物質上的豐裕。比如人類獲取食物所需的「時間價格」,就沒有像照明那樣大幅縮短——我們養豬、種莊稼的效率相比過去可能只改善了幾倍,最多十倍。不同領域和物質受到的影響不同,要讓各個領域都真正達到超級豐裕,還需要多久?
拉斯·特維德:不同東西達到超級豐裕的速度確實不一樣。只有智能而沒有其他配套條件,生產不了多少實體東西。因此超級豐裕首先會從智能本身開始,接下來是服務的豐裕,再逐步擴展到其他實體物品的豐裕。像編程、會計、金融、媒體這些行業,雖然不會嚴格按某一個固定順序發展,速度也不同,但總體上我們正走向更廣泛的豐裕——這一進程其實從石器時代就在發生了。
兩百年前,幾乎所有東西都是稀缺的。衡量豐裕程度的一種好辦法就是你提到的「時間價格」:爲了得到一定數量的東西,人需要工作多久?最著名的例子是照明。過去人們要撿柴生火,燒完了就得再去找;現在上海的有些建築本身就像一盞盞巨大的燈。照明的時間價格,從石器時代到今天改善了整整五十萬倍。如果從人類掌握火算起,這也許花了一百五十萬年甚至更久;而我估計,AI 智能成本實現五十萬倍的改善,只需要六年。
我還預計,到 2027 年,AI 產生的 token 數量會與全人類說出的詞語總量一樣多;之後會超過人腦裏思考的詞語總量,再往後更會超越全人類的全部心智能力。一旦達到與人類持平的平衡點,也許再過一年就是全人類的五倍,兩年後達到二十五倍,很快就會把我們遠遠甩開。
至於你提到的食物問題,對投資者來說也很有啓發。事實上我認爲,今天人類生產的食物總量已經超過實際需要了:全球超重的人比體重不足的人多,肥胖的人比捱餓的人多。核心問題是分配不好,而不是產量不足。全球農業用地達到峰值後基本沒再增加,最近還有所下降,但與此同時全球人口翻倍,人均食物攝入量也增加了,說明我們確實能持續提高生產效率。
不過,想清楚「AI 不能增加什麼東西的供給」極其重要。
首先是「人類本身」——有些事即使機器人能做,我們還是更願意找真人。其次是工業金屬等礦產,目前還看不出 AI 或機器人怎樣大幅加快金屬礦產的生產。相反,如果 AI 推動經濟增長、讓人變得更富裕,全社會對實體材料的需求反而會增加。第三是最好的稀缺地段,比如海邊、湖邊、滑雪度假勝地和極具吸引力的市中心。所有這些不能靠 AI 大幅增加供給的東西,未來都很可能出現顯著的資產價格通脹。
幾乎所有經濟學家,包括我自己,都認爲 AI 在本質上會帶來「通縮」:許多產品變得更便宜甚至免費,使普通消費者物價水平(CPI)持平或下降。但各國央行通常希望通脹率維持在 2% 左右;一旦低於目標,央行就會通過低利率、量化寬鬆(QE)等手段向市場投放大量資金。
於是,技術進步在壓低消費品價格,貨幣投放卻在拼命抵消它。結果多發出來的錢就會流向消費者價格指數(CPI)統計範圍之外的稀缺資產,比如股票、核心房產、藝術品和收藏品。所以,未來有些 AI 時代的最大贏家,恰恰會是那些 AI 根本不能增加供給的東西,比如著名藝術家的畫作。我覺得未來的文化藝術領域會迎來牛市。
我在書裏把未來的世界分成三種經濟區域:第一種是像深圳、上海、硅谷這樣的「科技超級集群」;第二種是像歐洲部分地區那樣的「慢生活區域」,人們生活得很好,不想再拼命做那麼多事;第三種是沒有真正參與技術變革、也沒有從中受益的地區,不過我認爲第三類正在減少。機器會在底層創造一個龐大的「超級智能經濟」,同時也會在頂層爲人類騰出空間,創造出我所說的「熱情經濟」(Passion Economy):人們可以去追求自己真正感興趣的事。我不想誇大其詞說人人都能實現終極夢想、成爲畢加索,但我認爲工作重心會明顯向人們真正想做的事情轉移。
那麼,AI 會不會帶來危險?肯定會,幾乎所有好的技術都有陰暗面,就像互聯網有病毒、核能可以造核彈一樣。對我來說,AI 帶來的一個系統性危險是:它可能會讓人類變得徹底被動,不再做事、不再奮鬥。
人類其實是需要奮鬥的。奮鬥和磨難太多固然會壓垮我們,但完全沒有也會毀掉我們。這和身體活動很像:以前人們在生活中經常要活動身體,食物也沒經過這麼多現代加工;等到現代技術和豐富的加工食品來了以後,我們反而得專門花力氣去鍛鍊,才能保持健康。同理,當 AI 提供了海量財富、人們不再需要工作以後,人類社會就可能滑向動畫片《機器人總動員》(WALL-E)所描繪的那種狀態——人們整天躺在懸浮椅子上,什麼事都不用做。
那正是我對人類未來最深的恐怖想象。如果讓石器時代的原始人看見今天的健身房,他一定會問:「你們爲什麼花力氣搬這些鐵塊?平時撿柴、找漿果、打野豬還不夠累嗎?幹完活能休息就已經很好了。」然而今天我們卻必須依靠健身房來維持健康。同樣道理,面對未來,我們也必須認真思考:怎樣把生活中不再必需的「努力與奮鬥」重新補回來?
如果人類真的落入那種徹底躺平的狀態,不僅對個人是悲劇,對整個文化也是災難。世界上許多成功的文化,都尊重辛勤工作、鼓勵想象與努力,讓人看見自己通過奮鬥可以走到哪裏,而且這不只是指物質財富上。古羅馬帝國和中國古代王朝彼此往來很少,卻各自發展出了高度複雜的文明,我覺得這種推崇勤勉與進取的文化正是重要原因。一旦拿走人們每天早上起牀、向前走的動力,長期來看就會徹底損害文化根基。怎樣在享受 AI 好處的同時,不奪走人們努力生活的理由?這是全社會必須討論的核心議題。
正因如此,我覺得「全民基本收入」(UBI)是一個很大的社會風險。有人說,未來從機器那裏徵稅拿錢,平均分給大家,讓大家去河邊畫畫就好了。且不說機器和資本可以跨國轉移,怎麼收到錢本身就很難;我更擔心這種「無論做不做事都無條件發錢」的安排,最後會演變成一場社會災難。
其實完全可以有更穩妥的中間辦法,比如提供「普惠基本服務」(Universal Basic Services):提供免費的醫療、免費的教育,並在自動駕駛普及後提供一定程度的免費公共交通。決定讓某些基礎服務免費,同時保留人們做事的激勵動力,這與無條件發錢帶來的心理風險是完全不同的。
此外還有一條路,類似於美國近期討論的「特朗普帳戶」(兒童起步投資帳戶)。按我了解的安排,每個孩子出生時有一筆起始投資本金,慈善機構、親友可以追加,社會資金也能向低收入地區的孩子定向捐助。這樣一來,每個人都成了科技發展的「利益相關者」,直接擁有一部分機器的產權。
我不擔心這種全民持股式的安排。
問:可是,如果每個人從出生起都有一份股份,這同樣也是什麼都不用做就能拿到的財富。最後大家靠分紅生活,不還是可能變成《機器人總動員》裏那種躺平狀態嗎?你真正擔心的,是不是當生存的外部困難消失後,人會徹底失去行動和挑戰自我的願望?
拉斯·特維德:這個問題很好。單純持有股份確實不用幹活,但關鍵區別在於你與社會發展建立起了直接的「利益關係」。你會關注企業的股價,漲了高興,跌了不高興。人們面對科技與機器時,心態不再是對立的「他們對我們」,而會覺得是休慼與共的「我們在一起」。
至於你說的失去行動願望,這正是問題的核心。因爲隨之失去的還有人的「自尊」。除了物質保障外,有兩件事會讓人深深感到幸福:第一件是愛(我們稍後可以細聊);第二件,就是通過努力去完成一件在自己看來很難、非同尋常的事。它可以是體育、商業,也可以是社會交往。這件事剛好處於你的能力邊緣,你決定試試,最後真的做到了。那一刻你可能累壞了,但內心卻無比幸福,覺得生活充滿了意義。
這種挑戰自我的動力,是絕對不應該被拿走的。
05、想讓人不變廢,教育需要大變革
問:我之前採訪哲學家尼克·博斯特羅姆時,他也談到過類似的問題。他說未來也許需要建立一些專門的機構,幫助人們參與人爲設計的、有挑戰性的遊戲或課題。因爲當日常生活和生存活動都被 AI 接管過去、天然的挑戰消失之後,人類必須人爲創造出這些挑戰。
拉斯·特維德:確實如此。我們正在走向一個「學校所教的標準化技能,機器都比我們更擅長」的世界。這也是爲什麼我覺得,未來的教育應該把更多重心放在心理素質和思維心態(Mindset)的培養上。
我非常喜歡卡羅爾·德韋克(Carol Dweck)的《終身成長》(Mindset),它講透了成長型思維和固定型思維的區別。我也喜歡斯蒂芬·卡普曼提出的「戲劇三角形」。現實中有些人遇到任何事,總習慣把自己和他人套進「受害者」、「拯救者」和「加害者」的角色裏,怨天尤人,卻唯獨不願爲自己的人生負責,把注意力都消耗在無法改變的外部事物上。
所以,未來的教育應該更多地幫助學生成爲「更有自主效能的人」——或者用更自然的說法,幫助每個人「成爲更好的自己」。
當人與 AI 合作時,AI 扮演的角色很像軟件裏的「中間件」。人站在起點提出目標,比如想建一棟房子,處於中間層的 AI 去具體完成;接着人站在終點審視結果,判斷是不是自己想要的、需不需要調整,或者由此想到是不是可以乾脆建一整個村莊。
也就是說,人始終站在工作流程的「兩端」,而 AI 處在「中間」。
既然人站在起點,就必須擅長「提出問題」。可現在的傳統學校主要教什麼?老師提問、學生回答——學校花十幾年訓練學生的,恰恰是處於中間層的「答題工作」!當然,基礎知識依然要學,大腦裏必須儲備足夠的知識底座。但相對而言,未來的教育必須更重視訓練「提出好問題」的能力;看到 AI 交付的結果以後,人也要學會評價優劣,這本質上其實也是在提問。
無論是正規教育還是終身學習,都必須順應這一趨勢改變。訓練人類大腦有點像訓練大模型,早期形成的習慣一旦固定下來就很難改。如果學生時代一直只練記憶和答題、從不練提問,以後走入社會就很難扭轉。
在這方面,我覺得中國對使用 AI 的態度在一些層面上已經走得比較遠。據我了解,中國的一些教育安排是讓孩子從小學習使用 AI,也教年長的人與 AI 合作。但在丹麥,居然還有人在討論怎樣把 AI 趕出教育——因爲老師佈置作業,學生問完 GPT 直接把答案交上來,老師一眼就能看出來,覺得毫無意義。我理解老師的苦惱,但學生以後步入社會註定要和 AI 一起工作,學校真正應該教的是怎樣與 AI 配合把事情做好。
06
AI時代的人際關係
問:那我們回到剛才提到的「愛與人際關係」這個話題。我覺得多數人本能上都想過一種輕鬆、沒有挫折的生活。AI 伴侶非常禮貌,沒有自己的負面情緒,隨時都會溫柔地回應你;而現實中的真人卻有自己的事、自己的情緒,有時很難溝通,還可能離開你、愛上別人,或者對你作出負面評價。你覺得 AI 會怎樣影響人與人的真實關係?
拉斯·特維德:在 AI 之前,社交媒體其實就已經深刻改變了人際關係,而且我覺得可能主要是往壞的方向走。面對面的互動少了,數字互動多了,人類似乎弄丟了一些寶貴的東西。如今孤獨的人更多,生育的孩子更少,看起來都與數字媒體有關。我看過一些研究,說貧窮的非洲社區通了衛星電視以後,生育率就出現下降;西方生育率下滑,也與智能手機普及的時間高度重合。所以我完全同意你的擔憂,應該假定 AI 伴侶很可能會帶來類似的衝擊。
你剛才描述的那種無摩擦的 AI 陪伴,簡直就像食品工業裏的「超加工食品」:一口咬下去立刻就能滿足你,糖分迅速進入血液帶來快感,長期吃卻會導致營養不良。今天世界各地都能看到,情侶或朋友坐在同一張桌子上吃飯,卻各自低頭看手機。數字媒介的即時滿足感太強了,人與人之間最珍貴的真實接觸卻錯過了。
AI 讓非面對面的虛擬交流變得更有誘惑力,這裏面確實有很大的風險。
但硬幣也有另一面。對我個人而言,AI 是一種極好的自我教育工具,我每天向它請教自己不知道的東西,跟它深入對話,人也變得更有見識。而在宏觀層面上,未來「熱情經濟」和文化活動的發展,也會讓人們更有閒暇與餘裕去和他人相處。
未來人們的時間會以兩種方式同時增加:一是不用再爲了掙急需的餬口之資去做不喜歡的工作;二是生物醫學突破可能會帶來長得多的「健康壽命」。
傳統人生太短,只能專注一種,否則什麼都做不成;但如果有長達一百個能夠有效工作的健康年頭,每個夢想都可以分出二十年去深耕,人就更有可能感到自己在合適的位置上做着真正想做的事。
當人們有了更多時間發展興趣,互聯網又讓我們更容易找到同好——無論是喜歡貓、養狗、集郵、觀鳥還是 Python 編程,都能在網上找到夥伴。而在現實世界中,雖然線下社交更費錢、更費時間,但「俱樂部經濟」正在快速崛起。我研究過全球的俱樂部經濟,它的增長速度大約是世界整體經濟的兩倍。
在倫敦,商人如果是某傢俬人俱樂部的會員,經常會約朋友去俱樂部吃飯;我見過一位倫敦出版商,他所在的作家與出版商俱樂部裏全都是同行,大家都愛書,自然有聊不完的話。
我自己住在瑞士韋爾比耶(Verbier),一個滑雪度假勝地。剛搬來時鎮上沒有俱樂部,我參與創辦了一家,採用現有會員推薦新人的機制,保證大家比較投緣;發展到現在鎮上已經有好幾家了,還有朋友想做只面向創業者的俱樂部。當年體力勞動減少後,人類發明了現代體育和健身房;到了 AI 時代,人類也會找到一些新的補償辦法,讓現實社交生活重回健康狀態——線下俱樂部是一種,教育領域的「翻轉課堂」(先跟着 AI 學習,再到線下與其他孩子見面協作)也是如此。
問:倫敦雖然俱樂部多,但也以精英文化著稱,某些方面甚至顯得傲慢。我能想象瑞士、丹麥有很多平等的興趣社群,但倫敦爲什麼也能形成你說的這種健康社群?
拉斯·特維德:其實俱樂部不一定勢利,也不一定非要搞精英化;即使內部有「精英」標準,不同俱樂部採用的評價標尺也完全不同。比如「地獄天使」這樣的重機車俱樂部,和摩納哥的頂級遊艇俱樂部,在各自內部獲得同伴尊重的條件就截然不同。在一個地方受尊重的人,去另一個地方未必如此,他自己也未必想去。
有次我在瑞士加油站看見一大群「莫里斯·邁納」(Morris Minor)老爺車在聚會,車主們專門組成俱樂部,唯一共同熱愛的就是這種經典小車。這說明俱樂部可以圍繞任何具體事物建立。正如哲學家諾齊克在《無政府、國家與烏托邦》裏講的,人的心理和偏好不同,「一個人的天堂可能是另一個人的地獄」。把遊艇俱樂部的人送去摩托車俱樂部,他一定不高興,反過來也一樣。喬納森·海特在《正義之心》(The Righteous Mind)裏研究人類的基本道德直覺,也發現政治傾向的分歧與深層心理差異有關。
所以我認爲,好的社會應該允許每個人找到同好、一起實現夢想,同時也有權設定邊界,不讓搞破壞的人進入自己的社群——如果有人跑進我們的俱樂部打架,那就不是我們的烏托邦了。在多元社群裏,贏得尊重的標準根本不必只有一個:在莫里斯·邁納俱樂部裏,只要你能親手把老爺車修得漂漂亮亮,就會受到全場車友的尊重。
亞當·斯密在《道德情操論》裏談過,人天生希望得到他人的尊重。如果一個人只是繼承了很多錢、只管揮霍,別人或許會爲了錢靠近他,卻不會真正尊重他。
尊重那些真正做出成果、盡最大努力的人,社會才會不斷進步。這也是爲什麼我擔心單純給所有人發機器賺來的錢,會慢慢抽乾人們通過努力去贏得尊重的動力。
07、即使 AI 接管生產,人依然是最昂貴的
問:可是再過二十五年,推動整個社會增長的最重要引擎註定已經是 AI 了。到那時候,無論人們工作得多麼努力,全人類的經濟產出加起來可能都不到 AI 的 1%。
現在評價一個人有多重要,經常是看他創造多少產出、帶來多少利潤;當物質生產不再最重要以後,社會評價人的標準、乃至整個經濟的基礎都可能要改變。
所以,人類的價值標準與新工作,是不是必須跟現在有本質的不同?
拉斯·特維德:這是一個極其重要的宏觀經濟學話題。斯坦福大學的查德·瓊斯(Chad Jones)教授專門研究過,一項「通用目的技術」出現後會佔 GDP 多大比重。比如信息技術(IT)硬件,從二戰後佔比幾乎爲零,一路增長到互聯網熱潮時的歷史峰值(我記得大約是 2.8%),而到了今天反而回落到了約 2%。今天全世界的電腦硬件明明比以前多得多,爲什麼佔 GDP 的比重卻下降了?因爲硬件在變好、變多的同時,也變得越來越便宜了。
所以,我說「2050 年 AI 能做 95% 的工作」,指的是今天定義下的工作。想想工業革命初期的蒸汽機,最初主要用來給煤礦抽水——挖出煤驅動蒸汽機,再把煤礦裏的水抽出來,這還有點像今天被批評的「資金在 AI 產業鏈裏自我循環」。當年瓦特用「馬力」來比較機器和工作馬匹的能力。假設有人問瓦特機器有多大用,他可能會保守地說,可以替代煤礦裏 80% 的抽水馬匹;但如果走過來一個像馬斯克那樣的人,就會說:「不,它能替代整個社會的馬力,替代今天馬匹所做的 90% 或 95% 的事情!」最後,工業文明裏機器提供的總馬力,遠遠超過了當年地球上所有真馬的總和。
人類接下來也很可能面對同樣的情況:機器做的工作總量遠遠超過全人類,把經濟規模撐大到今天難以想象的地步。
但按照經濟學規律,長期來看,社會財富與金錢最終會流向那些「提供有限供給」的人。
而我們人類,總有辦法讓某些由人提供的價值保持有限和稀缺。
看看今天高收入的那批人:頂尖音樂家、職業運動員、F1 賽車手、足球明星,以及像泰勒·斯威夫特這樣的巨星。他們彼此激烈競爭,但因爲頂尖人類的供給是有限的,我們依然願意爲「最好的人類表現」付高價。按我對瓊斯研究的理解,未來人類在全球經濟蛋糕中分得的份額,其實不會下降太多。從蒸汽機到電力、計算機、互聯網,每次技術革命都有人預言「人類沒事可做了」,但我們每次都找到了新的事情去做,我認爲這次也會如此。
歸根結底,「作爲真實的人類」這件事本身,是不能被 AI 自動化的。就像風景絕佳的好地段、難以開採的稀有金屬一樣,人依然可能非常昂貴。當 AI 觸及的一切標準化商品都變得極其便宜甚至免費之後,人本身的獨特價值卻不一定跟着貶值;相反,我們掙到的錢反而能買到比今天多得多的東西。
比如在「慢生活區域」裏,人們可以從事與文化、藝術和生活方式相關的活動;就像今天在瑞士吃飯的錢早已不是問題一樣,未來請律師、會計師或獲取優質教育也會變得極其便宜,許多生存難題消失後,人就能去做真正想做的事。
不過我也承認,那些天生喜歡常規、重複性工作的人,在未來可能會很難適應,因爲這類工作確實會越來越難找。
問:你說人們可以轉向文化生活,但現在連音樂、文章都可以由 AI 來生成了。如果有一天 AI 的文章寫得比人更好、音樂做得更好聽,人爲什麼還要自己去做?而且你前面提到的機械錶和頂級演出,本質上都屬於奢侈品,正是因爲堅持手工製作或真人演繹才昂貴,這能代表普遍規律嗎?
拉斯·特維德:我覺得人類還是有充足的理由去創作和演繹。你看,過去這些年數字音樂變得越來越便宜,但真人歌手的現場演唱會門票卻越來越貴;手機可以免費看時間,純機械錶反而越賣越貴。
社會上的資金,最終總會流向那些「沒法靠技術提高效率」的領域,因爲很多時候,人類內心就是想要這些帶着人類溫度與真實體驗的東西。我在音樂廳聽到的現場音樂,純音質本身不一定比網上的數字錄音更好,但現場帶給我的整體臨場體驗卻好得多,也完全不同。所以哪怕門票很貴,我還是心甘情願付錢。
當然,整個社會的轉型過程絕不會容易,中間會有動盪,很多人必須改變自己正在做的事情。而在所有轉變中,我覺得社會最重要、也最艱難的改變就是教育。
現在有些科技創業者在建新大學,嘗試徹底改變教育。但傳統教育的慣性太強了,不僅體現在教學做法上,還體現在人們怎麼看待文憑。哪怕是我自己,聽說誰在頂尖名校讀書,也會下意識覺得他很聰明——這本身是好事,
但也意味着在對教育進行調整這件事上,我們很容易遠遠落後於時代真正需要的變化。
編輯/rice