- 日期:2026-10-15
- 来源:阅读原文 (抖音「猫不白...」,10分11秒;同源图文 阅读原文 )
- 讲者:猫不白(视频号「超级创新者」)|内容主体基于 达龙·阿西莫格鲁(Daron Acemoglu,2024诺奖经济学得主、MIT 教授)在 Silicon Valley Girl 的访谈
- 信源层级:二手(猫不白对一手访谈的提炼;一手 = Silicon Valley Girl 访谈原片,未定位到具体期数)
- 标签:AI与组织 / 隐性知识 / 教育与判断力
- 渠道:抖音
- 体裁:视频
- 一句话:企业最大的 AI 资产,可能就在那些准备被裁掉的员工脑子里——模型只是入场券,利润藏在对行业的理解里。
一、用 AI 裁员,是企业最贵的一次省钱
- 核心对比:100名员工的公司,两种选择——① 自动化 5% 岗位、成本降一半;② 让所有员工生产力提升 5%。阿西莫格鲁认为第二种回报更大。
- 裁掉几个岗位,省的是已有成本;让团队变强,销售能服务更多客户、工程师能解决更复杂问题、原来做不了的产品现在做得出。
- 降本有天花板,创造价值却可能打开新的增长空间。
- 金句:“省钱是在缩小过去的账单,增值是在创造未来的收入。”
- 警惕:把 AI 当裁员工具“看上去很聪明”,但福特、IBM、微软是靠少雇人改变世界的吗? 他们创造新技术、新产品、新市场。一家企业可以靠裁员改善利润,但不可能只靠裁员创造下一个伟大公司。
- 他不反对自动化,真正反对的是企业只用 AI 做自动化——如果 AI 只能让企业少雇人,它创造的价值可能远小于它真正能创造的价值。
二、整个 AI 行业可能搞错了赚钱方向
- 怪现象:过去几年模型能力爆炸式增长(写文/画图/编程/推理/连续完成任务的 Agent),但真实经济中的生产力没有以同样速度增长。
- 根因:模型“会做一件事”和“一家企业真正能用它做好这件事”中间隔着很远的距离——要重新设计流程、连接旧系统、处理例外、考虑“AI 做错了谁来负责”。
- 演示视频里 AI 只需要成功一次就足以让所有人兴奋;但一家企业需要的是每天几千次几万次的稳定运行。
- “能完成任务 ≠ 能交付结果;能做出 demo ≠ 能做成生意;AI 做对一次是能力,做对一万次才是产品。”
- 现有模型已足够支撑大量有价值的应用,甚至“有些事情用去年的模型就够了”。真正卡住的是应用——行业把太多资源投入“制造更聪明的 AI”,太少资源投入“让 AI 真正创造价值”。他甚至看不出基础模型公司未来如何赚到数万亿美元。
- 警惕:若开源模型越来越强、越来越多企业都能获得足够好的通用智能,基础模型本身的商业优势还能维持多久? 他质疑的不是基础模型的技术价值,而是技术价值能否被转化成同样巨大的商业利润。
- “今天 AI 行业最昂贵的资产,未必是未来最赚钱的资产。” 真正值得关注的是高质量数据 + 深入具体行业的应用。模型可复制、可追赶、会变便宜;一个行业几十年积累的业务经验、复杂流程、真实数据,不会因为新模型发布就自动出现在每个人手里。
三、最好的机会,在不起眼的行业
- 他点名的例子:护士、教师、电工——“听起来普通,没有炫酷概念,更不像硅谷每天讨论的超级智能”。
- 例:经验不足的电工遇到没见过的新设备,过去要查资料、请教同行、甚至告诉客户做不了;现在若有一个真正懂这行的 AI 工具帮他理解设备、查资料、分析故障,工作能力就大幅提升。
- “AI 没有替代这个电工,但这个电工可以完成以前做不了的工作。”
- 这些行业“没有那么多科技圈关注,但有真实的需求、长期存在的困境、有人愿意为结果付费”。
- 金句:“最好的 AI 创业机会,可能不在最热闹的赛道,而在那些问题已经存在几十年、却始终没有被解决好的地方。” 技术公司没有充分投入这些方向,本身就是 AI 经济价值释放缓慢的原因之一。
四、隐性知识:企业最大的 AI 资产,在员工脑子里
- 要 AI 真正理解一个行业,答案出乎意料:最有价值的行业知识可能根本不在互联网上,而在一线员工的脑子里。
- 隐性知识:做了十年的销售,客户刚说几句就能判断“是真要买还是只问价”;资深技师听设备运转声音就能察觉问题;资深客服知道什么时候严格执行流程、什么时候需要换一种处理方式。这些背后是成千上万次真实工作积累的经验——未必被完整记录(不在数据库、没形成手册),有些判断连当事人自己都很难解释清楚。
- 企业最大的 AI 资产,可能是那些还没有被数字化的员工经验。
- 最讽刺的局面:一些企业正在研究如何用 AI 替代最有经验的员工,却没意识到——这些员工掌握的知识,正是未来构建高价值 AI 系统最需要的资源。
- 他对创业者的提醒:不要以为坐在办公室里面对一个强大模型,就能凭空设计出有价值的行业应用。必须进入真实工作现场,和一线员工交流,理解他们怎么判断、怎么决策、怎么解决标准流程处理不了的问题。
- 从隐性知识到系统:把人的经验提取出来 → 隐性知识转成可执行规则 → 通过 AI 嵌入真实业务流程 → 运行中收集反馈、验证结果、修正系统 → 让原本只属于少数专家的能力,被更多人稳定使用。
- 金句:“今年很多人研究如何让 AI 复制人的工作,但真正值钱的,可能是把人的经验变成一套能够持续进化的系统。” “谁能把经验变成系统,谁就能把积累变成壁垒。” —— 模型可以买到,经验却需要积累;工具可以复制,真实的业务反馈却无法凭空制造。
五、可验证性,决定 AI 的进步速度
- 悖论:AI 已能参与编写复杂软件,却可能连一个普通客户的投诉都处理不好。
- 解释:编程有巨大优势——结果相对容易验证(能否运行、测试是否通过、有无明显错误),可给 AI 明确反馈 → 不断试错、持续提高。
- 客服不一样:客户说同一句话,背后可能是完全不同的诉求(有人要退款、有人要解释、有人只想被认真对待);很多客服问题没有唯一标准答案——按流程正确处理了问题,客户仍可能不满意。
- 规律:AI 的进步速度不仅取决于任务有多难,还取决于结果有多容易被验证。 这对创业者可能比选哪个大模型还重要——若你不知道一个任务“怎样才算完成得好”、不知道 AI 做错了什么、更没有持续反馈和纠错机制,模型再强也难变成稳定可靠的产品。
- “能演示只是起点,能验证才能优化,能持续交付结果,才有可能真正创造商业价值。” 未来 AI 应用的真正壁垒,不仅来自数据与行业知识,还来自一套能不断判断好坏、修正错误、积累经验的反馈系统。
- “AI 的真正瓶颈,正在从智能攻击,转向价值创造。”
六、教育:答案越来越便宜,判断能力越来越贵(最锋利的一段)
- 阿西莫格鲁坚持拿纸笔自己一步步做数学推导——明明知道 AI 算得更快。因为思考的过程本身,就是一种训练,尤其是犯错的时候:亲自推导→发现错误→重新理解问题,获得的不仅是一个答案,还有对问题本身更深的理解。
- “如果每次遇到难题都直接交给 AI,你可能得到正确答案,却失去了形成能力的过程。”
- 金句:“AI 让我们越来越容易得到答案,却可能让我们越来越缺少独立找到答案的能力。答案越来越便宜,判断答案的能力,却可能越来越贵。”
- 与计算器的区别(关键):计算器只接管了思考过程中很小的一部分;生成式 AI 已经可以参与完整的分析、写作甚至推理过程 → 我们很难再清楚地画出那条边界:哪些交给 AI、哪些思考必须自己完成。
- 对学生更严重:必须先具备一定的能力,才有办法判断 AI 做得对不对。 所以问“年轻人该学什么”,他的答案“非常传统甚至让人意外”——学数学、学物理、学经济学、学工程学,恰恰是 AI 越来越擅长的学科。
- 理由:没有扎实知识基础的创造力,是很难成立的;连一个领域最基本的概念和逻辑都没掌握,就很难提出真正有价值的问题,更不用说判断 AI 给的答案有没有意义。
- 金句:“AI 越强,人类越不能失去理解世界的基本能力。” 当知识和执行越来越容易获得,真正拉开人与人差距的,恰恰是理解问题、独立判断、创造新事物的能力。
七、最深担忧:人类正在慢慢放弃自己的意志
- 他质疑一种流行乐观的内在矛盾:如果超级智能真能比人类更好地完成几乎所有工作,那为什么一些人又确信未来人类仍拥有大量有意义的工作?
- 但他真正担心的,不是机器觉醒、不是超级智能反过来控制人类,而是一种已经可能发生的风险:
- 学生习惯了让 AI 替自己思考;
- 员工越来越难决定自己的工作方式;
- 企业越来越依赖少数科技公司提供的智能系统;
- 整个社会开始默认“这些科技公司选择的技术路线就是唯一正确的未来”。
- 他特别反对“技术必然论”:历史上的每一种通用技术(电力、计算机、今天的 AI)都存在不同的发展道路——可以主要用来替代劳动,也可以用来帮人掌握新能力、创造新岗位、开辟新市场。不同的选择,造就完全不同的未来。
- 金句:“AI 最现实的控制风险,可能不是机器拥有了自己的意志,而是人类慢慢放弃了自己的意志。技术可以替我们完成越来越多的任务,但人类不能把决定未来的权利,也一起外包。”
八、收束
- 整场访谈贯穿着同一个问题:我们正在获得越来越强大的智能,但我们是不是已经真正学会了如何用它创造价值?
- 理解行业真正需要什么、找到长期没被解决的问题、把一线经验转化成可执行能力、再把能力变成稳定可靠的产品——这些事依然需要大量人的判断、创造和参与。
- “模型可以越来越便宜,但真正理解行业的能力可能越来越值钱;执行可以越来越容易,但知道什么值得做、为什么做、以及怎样才能真正做好,会成为新的竞争壁垒。”
- “未来最有竞争力的企业,未必是裁员最多的企业;未来最有价值的 AI 公司,也未必是拥有最强模型的公司。真正的机会,可能属于那些能够把强大的 AI 变成真实价值系统的人。”
- 收尾一问:当所有人都在讨论“AI 还能替代多少人”时,或许更应该问——AI 究竟能帮助人类创造多少以前根本不可能创造的价值?因为下一代伟大的公司,很可能就诞生在这个问题的答案里。
读后判断
- 这篇几乎就是《个人AGI的到来·校长分享》的学术底稿,且与它前几天刚归档的两篇形成完整三角。 三条独立信源(Dan Shipper、Anthropic 不做 Personal AI、阿西莫格鲁),在同一周里撞到同一个结论:值钱的不是模型,是“经验/上下文/判断”;争的不是工具,是“谁持有决定权”。 台下讲这个三角,比单一引用有力得多。
- 它直接给了你分享里最缺的那句断言——几乎是原话:“答案越来越便宜,判断答案的能力越来越贵。”(我前一版给你写的收尾断言是“AI 卖给所有人的是聪明,真正能守住的是凭什么相信这个答案”——阿西莫格鲁这句更短更利,建议直接用它做标题级金句。)
- 它把“台阶”机制补成了学术论证:① 思考过程本身是训练(他坚持纸笔推导);② 生成式 AI 与计算器的本质区别——后者只接管一小部分,前者参与完整分析/写作/推理,导致“很难再画出那条边界”;③ 对学生更危险——没有能力就无法判断 AI 做得对不对。这三点比我们自己的说法更硬,可直接搬进 09→11 之间的“全场地基页”。
- 它给教育方向一个反直觉的背书:该学的恰恰是数学、物理、经济学、工程学——“AI 越来越擅长的学科”。“没有扎实知识基础的创造力很难成立。” 这正好回答了校长一定会问的那句:“既然 AI 都会了,还学这些干什么?”——因为不学,你连它做得对不对都判断不了。
- “隐性知识在员工脑子里”= 我们 Skill 沉淀方法论的外部印证。 “把经验变成系统,谁就能把积累变成壁垒”= 我们一直在做的(skill + memory + 数据飞轮)。“模型可以买到,经验却需要积累;工具可以复制,真实的业务反馈却无法凭空制造”——这句可以原样写进造物云的对外叙事。
- “人类慢慢放弃自己的意志”是比“AI 会不会失控”更值得讲的落点。 对校长和家长,这比任何技术恐慌都更贴身:学生让 AI 替自己思考、企业依赖少数公司的智能系统、社会默认某条技术路线是唯一正确的未来——技术可以替我们完成任务,但不能把“决定未来的权利”一起外包。
- 与 10-15 归档的前两篇同源重合点:Claude Tag/共享 agent(Dan Shipper)↔ 隐性知识在员工脑子里(阿西莫格鲁)↔ Anthropic 不做个人 agent(护城河在上下文)——三篇都在说同一件事:组织/个人的“经验上下文”才是新资产。一周内三撞,不是巧合,是本季的信号。
- ⚠️ 可核钩子:① 一手访谈(Silicon Valley Girl 原片)未定位,关键引语与数字(如“100人公司两种选择”)为猫不白转述,正式引用前须回一手核对;② 猫不白有通俗化改写(如“AI 建筑”应为“AI Agent”等转写噪声),引用具体措辞需比对原话;③ “看不出基础模型公司如何赚到数万亿”是访谈观点,非结论。