当你和他人谈论人工智能的潜力时，几乎每个人都会提出同样的问题：害怕被取代。对于大多数人来说，这表现为一种可怕的确定性，即人工智能最终会淘汰掉人们的技能。而对那些真正从事人工智能工作的人来说，它通常表现为一种内疚感 -- 对创造出使他们的同伴失去工作的机器感到内疚，对想象中的未来只有他们被有偿雇用感到内疚。
最近几个月，随着生成式人工智能的投资和创新的爆炸性增长，这些不安的感觉更加强烈。机器学习中相对较新的创新，即扩散模型（diffusion models），使文本到图像的生成变得成熟。像 Midjourney 和 Stable Diffusion 这样的人工智能艺术应用浪潮已经引起了巨大的轰动，Stability AI 已经筹集了 1.01 亿美元。与此同时，使用人工智能生成书面内容的公司 Jasper 筹集了 1.25 亿美元。在一个大部分科技行业似乎都陷入低谷的时代，人工智能正在经历一个黄金时代。而这让很多人感到担忧。
直截了当地说，我们认为这种恐惧和内疚，可能大多是没有必要的。当然，没有人真的知道答案，但我们认为人工智能更有可能补充和增强人们的能力，而不是使人们陷入贫困或将他们排挤到福利名单上。这并不意味着我们是盲目的乐观主义者；我们意识到这种乐观的观点很难让人接受，即使我们的愿景实现了，也肯定会有一些人吃亏。我们迄今所看到的生成式人工智能的工作方式表明，它将在很大程度上像过去创新浪潮中提高生产率、节省劳动力的工具一样。
如果人工智能造成普通民众的大规模失业，这将是历史上第一次有技术做到这一点。工业机械、计算机控制的机床、软件应用和工业机器人都引起了关于人类被淘汰的恐慌，而这种情况从未发生；几乎所有想要工作的人都仍然工作着。正如 Noah 所写的，最近的一波证据显示，采用工业机器人和一般的自动化技术与公司和行业层面的就业增加有关。
当然，这并不是说它不可能发生 -- 有时技术会做出全新的、前所未有的事情，就像工业革命突然让人类第一次摆脱马尔萨斯式的贫困。但重要的是要意识到为什么过去的创新没有导致当时人们所担心的那种大规模淘汰。
原因是，这些技术没有完全取代人，而只是取代了他们所做的一些工作。如果像 Noah 的祖先一样，你在 17 世纪是一名金属工人，你的工作有很大一部分是使用手工工具将金属敲打成特定形状。两个世纪后，在机器工具出现后，金属工人将大部分时间用于指挥机器进行敲打工作。这是一种不同的工作，但你可以用机器敲打更多的金属。
经济学家早就意识到，重要的是不要在工作层面上看劳动力市场，而是在工作中的任务层面上看。在他们 2018 年的优秀著作《Prediction Machines》中，Ajay Agrawal、Joshua Gans 和 Avi Goldfarb 谈到了预测性人工智能的前景 -- 那种能自动完成谷歌搜索的人工智能。他们提出的可能性是，这种技术将只是让白领们更有效地完成他们的工作，类似于机器工具对蓝领们的作用。
Daron Acemoglu 和 Pascual Restrepo 有一个相关的数学模型（更技术性的版本），他们把工作分解成具体的任务。他们发现，像人工智能或机器人这样的新生产技术可以产生几种不同的效果。它们可以使工人在现有的任务中更具生产力。它们可以将人类劳动转移到不同的任务上。它们还可以为人们创造新的任务。工人是受到伤害还是得到帮助，取决于这些影响中哪一个占主导地位。
换句话说，正如 Noah 说的那样，“反乌托邦是机器人取代你一半的工作。乌托邦是机器人取代你一半的任务。”
其实，你不需要一个花哨的数学模型来理解比较优势的基本原则。想象一下，一个风险资本家（假设他叫 "Marc"）是一个几乎快到非人的打字员。但他还是会雇一个秘书为他起草信件，因为即使这个秘书的打字速度比他慢，Marc 也可以利用他的时间做一些起草信件以外的事情，产生更多价值。因此，他最终付钱给别人，让他们做一些他实际上更擅长的事情。
再从人工智能的角度来考虑这个问题。有些人认为，以前的创新浪潮没有使人类被淘汰的原因是，有些事情人类仍然比机器做得更好 -- 比如说写作。然而，人工智能是不同的，因为人工智能研究的圣杯是一种叫做 "通用智能" 的东西 -- 一种机器思维，它能像最好的人类一样完成所有的任务，甚至比人类更好。不过，正如我们在 Marc 和秘书的例子中看到的那样，你可以把每件事都做得更好，并不意味着你最终什么都做了！在任务而不是工作的层面上应用比较优势的理念，我们可以看到，总有一些事情是人类可以做的，即使人工智能会把这些事情做得更好。就像 Marc 一天中的时间有限一样，人工智能的资源也是有限的 -- 正 roon 说的，每次你使用任何最先进的人工智能应用程序时，你都在 "点燃一堆 GPU"。这些资源限制解释了为什么想要工作的人类会找到工作；人工智能企业将不断扩大，吞噬更多的物理资源，直到人类工人本身，以及他们为补充人工智能所做的工作，成为稀缺资源。
比较优势原则认为，未来工作的薪酬是高于还是低于今天的工作，在一定程度上取决于人工智能的技能集是与人类非常相似，还是互补和不同。如果人工智能只是以不同于人类的方式做事，那么这种互补性将使人类更有价值，并将提高工资。
虽然我们不能谈论未来的人工智能，但我们相信目前的生成式人工智能浪潮做的事情与人类非常不同。人工智能艺术往往以微妙的方式与人类制造的艺术不同 -- 它的小细节往往以一种复合的恐怖谷方式出现，而最终的结果是可能看起来很可怕。任何坐过特斯拉的人都知道，人工智能进行侧方停车的方式与人类不同。而对于所有关于大型语言模型通过各种形式的图灵测试的炒作，很明显，他们的技能组合与人类的不完全相同。
注：恐怖谷理论是一个假设的对象与人的相似程度与对该对象的情绪反应之间的关系。这个概念表明，与真实人类不完全相似的人形物体会在观察者中引起离奇或熟悉的不安和厌恶感。谷”表示人类观察者对复制品的亲和力下降，否则这种关系会随着复制品与人类的相似度而增加。——维基百科
由于这些差异，我们认为生成式人工智能所做的工作基本上将是 "自动完成一切"。
迄今为止，影响最深远的生成式人工智能应用是一个被恰当地称为 GitHub Copilot 的工具。最近，"大型语言模型" 或 "LLMs" 因其在一般知识和简单推理任务方面的广泛优势而备受关注。在训练时，它们研究从互联网上刮来的大量文本，并获得与源材料本身一样广泛的智能。通过对互联网上所有公开可用的计算机代码进行的 LLM 训练，Copilot 能够根据程序员已经写好的内容为其推荐下几行代码。
这从根本上改变了软件工程师的工作性质。以前，软件工程师必须记住、搜索或推断他们程序的所有低级功能，而现在他们可以*用普通语言*描述他们希望他们的程序片段做什么，如果它在语言模型的能力范围内，就可以从无到有地合成它！
正如上面的例子，工程师可以简单地要求一段代码来完成一个小任务，在很多情况下，成功地从机器智能调用它。这对学习一种新的编程语言或用有限的经验编写不熟悉的程序有很深远的影响。实际上，没有软件工程师会再单打独斗：从编写第一份计算机代码的学生到行业专家，每个人都会在他们的工具中内置一个知识超群但又特立独行的配对程序员。
在过去的几个月里，软件价值链的某一层已经被资本大大加强。工程师梦想着一个大项目 -- 他们在高层次上推理手头的商业任务，并将其分解成更小的子问题 -- 但最低层次的实施，记忆或学习数以千计的编程语言和框架及其语言的行为，已经变得更加容易。如果你有一个想法，比如 "我想把这个数据集变成一个散点图"，人工智能更有能力记住正确的方法来做到这个。它并不总是完全正确，但它几乎总是能做出足够好的第一次尝试，而人类可以去解决细微的推理错误，或根据自己的喜好进行修改。这就是互补性：人类擅长推理业务逻辑，但他们的大脑并不是为了记住巨大的实现细节环境。因此，Copilot 不仅会提高单个程序员的生产力，而且会普遍创造更多的程序员。
另一个最受欢迎的生成式 AI 应用是艺术应用 Midjourney。诞生于论坛文化的 Discord，Midjourney 采用文字描述，并将其转化为令人折服的数字艺术。首先，你输入一个提示，MJ 产生四个低分辨率图像样本的选择。然后，你选择你最喜欢的一个，MJ 就会去为它注入更多的资源，创造出一副高分辨率的数字艺术作品。这些模型的大规模连贯性和对构图的理解水平令人震惊。但如果你仔细观察，你会发现有几个细节会有偏差 --Midjourney 往往会把人物的手搞砸。他们可能有过多或过少的手指。窗格玻璃可能不对齐。此外，Midjourney 并不是在做 "Guernica"（毕加索的油画）的梦 -- 文本提示的叙事抽象有一个限度，之后它就会失去控制，开始胡言乱语。这就需要艺术家将创作动机、灵感提炼成机器可以理解的更简单的想法，并在此基础上进行迭代。目前，提示是一门不精确的科学，人类必须找到正确的方式将意图传达给人工智能 -- 而这个问题与委托给其他人类的困难并无二致！最后，艺术家必须修复人工智能可能搞砸的任何细节。
这只是两个例子，但它们似乎指出了新一批生成式 AI 应用如何运作的一般规律。生成式 AI 在知识工作的价值链的某些部分相当出色，但思维方式与人类相当不同。Anthropic 是一家专注于了解人工智能如何运作的公司，该公司发现，与人工智能或人类单独工作相比，人类与人工智能专家助手并肩工作，执行各种任务会产生更好的表现。
这种思路的一个可能的危险是，人工智能的迭代速度很快：每 12 个月都会带来技术上的进步，而这些进步在不久之前似乎还很陌生。这些模型的能力和它们的能力范围将扩大。虽然我们不能排除未来人工智能技术可能会主导人类所做的一切，让我们处于相对优势而不是绝对优势，但最新的生成式 AI 看起来更像是赋予人类超能力的东西。
在考虑技术和未来的工作时，每个人都想知道一件事，那就是他们在未来究竟会以什么为生。经济学家只是挥挥手说："哦，我们会找到一些事情让人们去做"，这是不够的。但是，尽管我们不能确定未来的工作会是什么样子，但我们可以想象，在 "一切自动完成" 的时代，今天的许多创造性工作会发生怎样的变化。
以专栏作家为例 -- 这个例子对 Noah 显然很重要。非小说写作的大部分任务涉及到想出新的方法来遣词造句，而不是弄清楚一个句子的内容应该是什么。基于人工智能的文字处理器将使写作的这一枯燥部分自动化 -- 你只需输入你想说的话，而人工智能将以一种使其听起来可理解、新鲜和不重复的方式来措辞。当然，人工智能可能会犯错，或者使用的措辞不太符合人类作家喜欢的风格，但这只是意味着人类作家会回去编辑人工智能写的东西。
事实上，Noah 想象，在某些时候，他的工作流程会是以下这样的：首先，他将思考他想说什么，然后打出一个要点清单。然后，AI 文字处理器将把这些要点变成一个句子或段落，以 Noah 的传统写作风格写成。然后，Noah 将回去编辑人工智能写的东西 -- 改变措辞，在适当的地方添加句子或短语或链接，等等。一个迭代的、合作的写作循环，其中人工智能合作者掌握的认知堆栈的不同部分与 Noah 本人不一样，与本文的合作写作方式并没什么两样。
许多艺术家可能会有一个类似的工作流程。假设你想画一幅太空冒险家在火星上骑着一只大兔子的画。你会写下（或说出）一个提示，然后 AI 会创造出一堆备选图片 -- 也许是适应你自己的艺术风格，或像 Frank Frazetta 这样的著名艺术家的风格。然后，你选择其中的一个备选方案，并开始工作。也许你会继续提示人工智能改变该图片或对其进行改编。当你最终有了接近你想要的东西时，你就会进去手动改变细节 -- 包括清理手、头发或其他被人工智能搞乱的小“边缘情况”。
工业设计也会以类似的方式发挥作用。看看你周围房间里的任何平凡、无聊的物体 -- 一盏灯，或一个电视柜，或一个咖啡壶。一些人类必须想出这样的设计。有了生成式 AI，设计师就不必再去翻阅一页又一页的例子来进行推敲。他们只需提供一个 prompt--"55 英寸的电视柜和两个柜子"-- 然后看到一个备选设计的菜单。他们会从这些设计中挑选一个，对其进行改进，并添加他们想要的任何其他修饰。
我们可以想象很多工作的流程将遵循类似的模式 -- 建筑、平面设计或室内设计。律师可能会用这种方式撰写法律摘要，而行政助理会用这种技术来起草备忘录和电子邮件。营销人员会有一个活动的想法，大量生成副本，并提供最后的润色。顾问们会根据一个简短的设想，用连贯的叙述产生整个 PPT，然后提供细节。金融分析师会要求提供一种金融模型，并有自动填充数据源的 Excel 模板。
所有这些愿景的共同点是我们称之为 "三明治" 的工作流程。这是一个三步走的过程。首先，人类有一个创造性的冲动，并给人工智能一个提示。然后人工智能生成一个选项菜单。接着人类选择一个选项，对其进行编辑，并添加他们喜欢的任何修饰。
这种三明治的工作流程与人们习惯的工作方式非常不同。人们很自然地担心，提示和编辑在本质上不如自己产生想法来得有创意和有趣，这将使工作更加死板和机械。也许这其中有些是不可避免的，就像手工制造让位于大规模生产一样。人工智能给社会带来的财富增加，应该让我们有更多的休闲时间来满足我们的创造性爱好。
但是，即使人们在工作中不那么具有工匠精神，也不意味着人类将不得不放弃个人创造力的实践；我们只是为了好玩而不是为了钱。CAD 软件和机器工具并没有剥夺木工或金属加工的乐趣 -- 它们只是意味着喜欢这些创造性追求的人不能把他们的爱好和他们的工作结合起来。但这只是资本主义 -- 我们生产的东西总是由市场决定的，而我们真正有表现力的手工创作总是在我们自己的时间里完成的，只有少数幸运的人能够将这两者结合起来。
不过，我们预测，最终很多人会改变他们对个人创造力的看法。就像一些现代雕塑家使用机器工具，一些现代艺术家使用 3D 渲染软件一样，我们认为未来的一些创作者将学会把生成式 AI 看作是另一种工具，即通过解放人类思考创造的不同方面来增强创造力的东西。
以上就是我们对生成式 AI 的近期前景的预测 -- 不是取代人类，而是赋予人类超能力。也就是“大脑的自行车”。对工人和公司来说，适应这些新的超能力将是一个漫长而艰难的试错过程，但正如机器工具、机器人和文字处理器的出现一样，我们认为最终的结果对大多数人类工人来说将比目前的情况更好。
2761286