Deep Dive
Shownotes Transcript
欢迎大家收听科技慢慢拍从上上周就是 3 月 5 号开始有一款产品开始在网上火爆就是 ManasManas 本身它代表的是一种 AI agent 的一种应用它最早其实是在一些网络上的 KYL 就是一些网红的一些宣传一些科技资媒体然后就开始扩散而且很多的主要是在一些英文的媒体上
也就是说海外开始先火爆了起来然后国内的很多媒体像科技机构包括一些证券公司分析员也在跟进这场媒体匡换
估计有了上次大家这个 deep seek 的经验之后呢大家都不想说这次手太慢啊而且当天发布以后他的这个邀请码就被炒到了上万块钱后来呢不知道怎么回事还有人在此基础上进行发一些虚拟货币啊因此也导致 minus x 账号也被封了哈
所以很多我们可以看到证券公司的文章也好自媒体来讲什么又是国运来袭又是 deep seek 第二等等的风潮就突然被炒到的非常热不过还没有到一天时间舆论的风向就开始有点转向了因为在国内就很多人就说这款产品并不是那么好而且效果也不太行而且处理比较卡顿然后它更多的像一个套客的应用
所以并且看起来它也不是太难实现所以很快就有人把它去解构了很快在 Github 上就看到了有 5 个类似的复刻的开源项目其中比较好的是一个叫 WL 和一个叫 Open Minus 的项目一看这个就是快速复制的据说 Open Minus 是 300 后用了 MetaGPT 花了 3 个小时就复刻出来了
之后还有人测试发了文章所以这样的话 Manus 就变得非常模糊好像就一场闹剧到底说 Manus 效果怎么样到底代表是不是一种新的科技产品或者是不是未来的一种趋势因为本身 Manus 它实现的是一种 AI Agent 一种自动化的一个能力因为我也没有邀请码所以今天节目我们也不想去专门的
评价这款产品因为之前很多人就说 2025 年会成为 AI agent 的元年之前呢 Anthropic 也发过 MCP 的协议这样的话这个 MCP 是能够集成很多这个 tool 这种 server 端然后能实现 AI agent 的这个能力也就在上周 OpenAI 也发布了一套全新的 agent 的工具能够比较好的去集成这些外部的一些能力
所以我们可以看到大量的 AI 的应用的爆发大家就逐步的目光除了大模型之外那就转向了对于 agent 这样的一个应用其实像之前像 Code、DeFi 这类的类似 AI agent 的 workflow 的这种平台再加上大模型的基础能力其实大家就已经看到说 agent 可能会有一个比较大的一个突出
然后再加上去年年底到年初这种推理类模型就是像 Chad B-01-03 比如说 Dixie R-1 像这样的强大推理模型大家可以看到说那我们是不是有机会重新去实现像最早在 24 年年初那种 auto GPT 的能力就是那种完全自动化的这个能力那是不是我们人类的这种自动化理想就能够很快实现了呢
其实这背后原因是我们其实人类对于自动化的这种潜移默化或者我们这种狂热的这种追捧而且从历史上来看其实人类对自动化就持有某种执念我想一大部分原因是由于人类的懒惰希望最好什么自己都不用做我就提个要求都让机器来实现我们如果真正的去看人类对所有目前我们已经发生的自动化的需求还真不是这么一个懒惰的问题
其实说白了这个社会还轮不到让你或者允许你来懒惰自动化的需求更多是企业对于经济利益的追求自工业革命以后其实企业对于经济利益和效率和利润的追求越来越高即使一块就是要利用自动化的能力来提高我们生产运行的一个效率
不管什么原因不管是人们的懒惰也好或者是企业对于追求收益也好人们对于自动化这件事情确实是特别的热衷我们今天节目就来分析一下对于自动化这件事情是不是有人类想象的那么美好它背后是不是也隐藏着一些不容易被破解的一些悖论的问题
那在本期节目中呢我们就通过刨丁解牛市的方式来仔细的分析和讨论一下到底有没有这样一个美好的事情会在未来发生
我们可能会主要回答一个四个方面的问题第一就是我们可能先回顾一下历史看看今天的 AI 自动化和过去自动化应该有什么相同应该有什么不同以及我们该做好什么样的准备第二为什么像 Manas 这种通用的全自动的 AI agent 的形态可能并不是我们理想的形态或者也不见得要成为一个未来的趋势
那第三呢我们讲即使说未来人工智能达到一个很高的水平自动化的能力非常高可能这种全自动化的流程也很难脱离开人类这背后的原因到底是什么那第四呢既然是说我们人类和自动化的流程是分不开的那么如何更加的
完成和谐的人与 AI 的这种协作自动化协作那应该是一种什么样的形态那我们姑且呢把以上的问题一些讨论叫做 AI agent 的自动化的悖论那我们先从自动化的历史开始讲起其实在公元前三千五百年前让机器替人干活这件事情就已经存在于人类的意识中
那个时候呢很多的哲学家工程师和数学家都想要造出一种能够模仿人类自动运行的模拟机械因为那个时候的自动机器还大家指的还是自动机器或自动设备和我们今天谈到的结合了像计算机啊 AI 啊这些能力还是截然不同的哈
最早的希腊人对于自动化的概念就情有独钟希腊神话中也提到了利用自动机器服务于神和人的某种方式据说火神赫菲斯托斯就创造过一个叫金谱就是金色的金谱人的谱听起来有点像一种机器人管家
后来亚历斯多德也设想过一个世界就在这个世界中机器人都演变成了一种能够改变世界的实际劳动力的资源其实亚历斯多德的想法跟我们今天很多人的构思还是一样的公元前 420 年希腊工程师开发了由空气蒸汽压缩和液压驱动的最简单的自动设备
这些设备最早的创造都是为了一些宗教的仪式所使用的能够比如说类似自动执行打开大门或者进行一些物品装饰这样的一些基本的自动化的功能真正能够把自动化带给全世界的机会还是来自于工业革命自动化的发展就来自于首先是制造业的一些分工生产
早在 18 世纪亚当斯密在国富论中就已经观察到了分工对于工业生产效率提高的重要性他把效率的提升归结为三个点第一是熟练使用程度的增加一个工人能够在同一个工序里面能够反复的提高他的熟练的能力这样的话就能提高产量
第二如果没有分工从一道工序转到另外一个工序可能会导致很多的一些时间的损失而分工恰好可以避免这样的中间损失第三由于对工序的了解和熟练程度的增加一些对应的效率提升的一些机械或者工具就可以被发明出来对于单一功能的这种产量就会有提高
所以我们现在社会里面所谈到的所谓产业链其实就来自于这种分工更细化更专业化的这种理论
从原料到成品的整个生产效率都伴随着整个分工的这种效率来提升所以亚当斯密最后用分工理论模拟了当时的扣针的制造的过程就是说他把整个扣针的过程分成 18 个专门的工序所以亚当斯密一举奠定了整个分工的这种研究的范式当然在他那个时代由于整个工业水平没有达到太高所以他更多的这种理论性的研究
而真正带来结果是要进入到 19 世纪末了当时蒸汽机已经给工业带来了大的发展美国人弗雷德里克·泰勒就提出了一套科学的管理理论
现在也被称为叫做泰勒制这也是西方管理学理论的一个开创性的理论它详细的记录了每一个工作步骤以及工作步骤所需要的时间以便设计出最有效的一种工作方法并且根据每块的工作制定一定的所谓的工作标准划分一个标准的工作流程我们通常叫 SOP 我们将人的动作和时间以最经济或者最高效的方式来组合起来达到最高的生产量
但这和自动化有什么关系呢其实大家可以想想只要有了标准工序之后自动化就成为了可能而对于泰勒理论最好的实践主要就来自于福特汽车
福特汽车就是在这种汽车制造产业更加明确的应用了泰勒的这种分析方法变得整个的制造过程更加的细分化以及专业化或者标准化所以在 20 世纪初福特就利用流水线的这种新的工艺彻底改变了原来的生产模式将单个车辆的装备时间从 12 个小时减少到了一个半小时福特通过多年来对整个装配线以及流水线的改造
这样的话大量的减少了制造汽车所需要的资金时间和人力成本当时 Model T 的汽车从 850 美元以下降到 300 美元以下所以福特汽车也成为历史上第一个大众可以负担得起的这样的一个优质车辆最终福特其实用 24 秒就可以制造一辆 Model T
在 1927 年的时候全球的 Model T 的产量达到了 1500 万辆是整个全球销量的一半
伴随着福特的成功,他这种流水线的制造方法也就迅速的传开这种方法不仅适用于其他的制造厂商而且推广到了其他的领域比如像留声机、吸尘器、冰箱等等的各种样的制造品所以流水线也成为美国那个时代特有的一种生产方式当然我们知道在后来这种生产线的方式在日本更加的被推到了一个新的高度
但是我们看到就是早期的流水线的过程中每个工序其实仍然是以人为主的由于制造业的整个高度的分工化专业化和标准化那么整个生产制造的自动化的进程就演变飞了不同的阶段比如说首先是在某一个环节先产生了自动化就是某一个工序我们有了单机自动化
然后呢伴随着一个产品一条流水线就成成了单线的生产的自动化而到今天呢整个变成了我们讲的或者叫黑灯工厂或者叫无人工厂就变成了整个工厂的一个自动化在完成整个的生产化的标准流程后呢便逐步的我们可以看到很多一些单调重复的动作呢就使用了自动化的机械来替代比如这种上下料的自动化呀装配的自动化呢
而将某一个程序完成自动化之后,便可以把整个线装起来,那就是刚才我们谈到的单线的自动化如果把工厂里面整个的进料,入仓,存储,产线,生产,检测,出货全部流程协调起来,就刚才我们谈到了第三类,就是工厂的自动化工业的自动化带来的主要就是标准化的这种方式降低了产品生产的编辑成本
以及在人机结合以后我们也看到人力的资本效率相当于也得到了提高最终让资本家变得更加有利润当然另一方面就是我们的产品也越来越标准化所以我们经常把这一类产品叫做工业化的产品就像我们现在全世界都在使用同样型号的 iPhone 手机一样其实是一个道理
我们上述讲的其实很多都是面向制造业的这样生产环境的自动化因为我们当时所谓的自动化都主要是面向的这种蓝领工人但是我们发现其实随着新型化产业的诞生随着服务行业的产生从 1950 年代起美国的这种白领工人的比例其实就超过了蓝领工人
那目前呢其实白领的这个工作人员已经达到了总就业人数的 80%那其实我们回看中国在过去 20 年间随着整个高等教育的普及我们其实社会中产生了大量的就是只需要坐在办公室里面操作电脑为主的这样工作的一些白领的我们这个办公人员啊
由于人类信息化的时间远远晚于制造也至少少了七八十年对比来看我们信息化给人类带来的流程自动化的水平也低于现在工业上生产这种所谓的流水化的水平就说白了今天我们看似这种白领坐在办公室里每天用电脑的这些人整体的企业的运营的效率
其实还是低于工业化的这样的一个生产效率的而且我们的很多管理模式我们这种分工或者协作的方式其实仍然是在模仿着大工业时代的这样的一个企业的一个场景所以我们可以简单对比一下就是说我们今天讲到的信息化领域的或者我们讲数字领域的这种自动化这种水平也就是说其实我们类似谈到类似 AI agent 或者这种全流动自动化
这样的一个能力和我们工业的这种自动化的一个对比其实它有很多东西
都是类似的因为它都要基于流程中的一些分工化专业化或者标准化的问题你比如说首先说分工由于企业的这种办公室没有像制造业那种需要大量的生产的问题所以一直以来企业中只在一些高阶上对专业进行了一个分工比如说我们企业里边一般会有定岗定则定编的这样的一个要求所以就分成了大概齐的类似的一些专业的
这种职位比如财务里我们有会计有出纳对吧人力资源里面有招聘的有讲师公共链里面有采购的有管库存的但是呢其实绝对没有像工厂里面工人那样的更加细分的专业细分工啊比如我们在一道工业你就是前工你就只干这一件事情你是焊工就只做焊接这件事情但是我们在白令里面相对这个分工就没有那么细没有那么细呢就会导致说你在自动化的时候呢那就会出现
不是那么的标准化就没有一个通融的手段来去做啊这个背后当然是因为我们在办公室里处理的工作没有像工厂里面这样的一个啊大的一个批量哈
另外就是标准化 对于流程的整个标准化虽然企业我们做了一些所谓的规范标准 操作手册但那种基本还是依靠来人去执行的它本身是缺乏一些有效的监控手段或者控制的一些机制说白了就是说我的员工 这种白领员工我没有按照这个做其实后台也很难知道因为我们不能去派一个主管天天盯着这个人是怎么干活吧
那更多的是其实是主要方式现在主要是依赖于我们一些用的信息系统的一些中框台的控制或者一个监控的数据来去看这种程度所以很难去衡量业务人员操作系统这种标准化的一个程度那如果我们有一些系统当然我们在设置了很多特别细致的标准化其实反而会带来业务人员的一个抱怨
因为这种标准化必然会带来我们在业务处理上的一些灵活度的降低那随着员工对于整个信息系统的这种熟练程度的不断的提高我们可以看到一些的这种模式或者流程也逐步的被变成了更加细致的一个标准化的操作流程
所以我可以看到对于企业今天的一些管理者更加强化了内部的运营的这种流程化标准化规范化这三项的基础能力也不断在提升在提升过程中必然也是诞生了很多这些白领员工所需要操作的工具或者系统比如说简单的工具就是我们的比如说台式机电脑里面有这种 office 这种办公软件的工具或者 OA 的系统
那我们还有一些专业类的系统那这个就是我们白领员工日常所要处理的内容那对于一些更大规模的比如说我们今天可以看到企业里面有一些所谓的集中的运营中心你比如说我们的财务的共享中心或者是采购的共享中心或者是 IT 的共享中心因为它有点类似于像企业这种比较规模化的一个生产的这种效果所以在这种的
部门里边或者单元里边更容许实现流程化和这种我们讲的不同工序的一个自动化的一个串接所以我们可以看到今天企业里边也诞生了一些所谓自动化的流程软件比如传统的我们叫做 workflow 叫工作流软件那后来又产生了 RPA 的机器人就是机器人流程自动化的这种系统
但是类比于整个生产自动化的发展立场我们今天看到的在这种白领的这种办公室的自动化里面仍然属于比较像工业早期的那种单机自动化或者很简单的那种单线自动化的水平远远没有达到这种可以工厂完全自动化的一个水平其实不管是要自动化也好或者是企业主为
便于管理企业也好那今天的企业都大多走向了更加标准规范的这样的一个分工其实背后越标准越规范分工越专业就代表了其实我们今天这些流程或者新系统的自动化才有可能去往前推进但至少这是以前的故事
我们在过去整个资本主义工业化的过程中大家听到的就是这样一个完整故事也就是说不管是工业化的这种工厂还是企业办公的这种白领大家都脱离不开刚才我们讲到的同一个叙事的逻辑但是我们今天有了人工智能是不是这样的局面看起来是不是要会被扭转是不是我们以后
就不再需要专业化或者是规范化标准化的这样的问题因为 AI 能够可以帮我们消除或者弥合其中各种各样的不标准不规范的一个问题我们可以一会再来回答这个问题因为刚才我们说的都是企业的对于个人化来讲个人的自动化
个人的自动化我想主要诉求就是主要就来自于懒惰了其实包括我们身体上的懒惰包括头脑上的懒惰就是身体懒得动脑子懒得想那这是我们人类的一个固有的特征那在今天的市场上我们可以看到各种各样的个人生活或者娱乐设备上的自动化的软件和机器比如说类似像有智能音箱智能手表扫地机器人还有那些类似营养追踪的 APP
或者给孩子们讲故事的玩具机神其实类似这些软件都隐含着都在帮我们做一些自动化处理的事情甚至我们讲像比如像抖音或者小红书这种推荐算法甚至都让我没有意识到自动化以为是我们在自己主动搜索其实背后系统帮我们做了很多自动化的一个事情
所以我们大家过去常说自动化的工具人是控制者比如说我们使用 Excel 的红来加速工作我们人仍然是要理解这些数据的我们使用机械币来生产汽车我们人类还是控制着核心技术的而如今的自动化的工具中很多时候我们人其实变成了一种被动的消费者
我们说白了就变成了自动化的一个工具由 AI 来自动推送内容我们来被动接受信息然后我们以为我们理解的可能我们在自主生活层面或者是我们在白领的这种办公层面我们以为我们还在控制信息其实已经现在我们沦为了整个一些自动化流程的一些
中间的环节或者我们讲是一种类似被使用的一种资源被自动化人变成了被自动化使用的一种资源所以我们今天可以看到很多事情其实类似像人工智能生成了很多的文章或者短视频我们有时候不去思考的话我们就直接转发也不再思考它背后的一些真实性和逻辑性所以我们可以看到今天的自动化就
很容易来替我们来做决定处理任务但是一个现实问题是说当我们不需要自己思考或者决定或探索时我们真的会过得更好吗或者这样的自动化真的会让生活变得有趣吗或者是我们减少了我们手工作室的机会以及探索的过程会不会某些程度讲失去我们生活的乐趣呢
所以这样的话我们就产生了一系列的疑问但是今天行业专家可能会这样告诉你我们不管是企业的字的话还是个人的字的话我们都在减少着低价值的重复了劳动让我们有时间更多的专注于自己有意义的事情
但是这句话听起来很有道理但事实上我觉得有些情况可能恰恰相反你减少的是工作或学习中的知识探索过程所谓的低价值的重复劳动而转过去的是什么你在床上去刷短视频难道这是专家中更有意义的事情吗企业中我们上了很多的自动化的软件和工具可是看今天看起来也没有说哪个企业说我们工作做完了我们就可以提早下班反而大家可能变得会更忙了
这个盲呢某些程度讲也是被绑在一种自动化的机器上去运作了但在社会层面的 AI 和自动化正在接管着越来越多的任务我们人也没有因此而变得更加自由而陷入了新的恐慌会担心它来夺走我们的工作
那到底是自动化出了问题还是我们人类自己出了问题还是我们和自动化之间有什么问题呢今天呢我想说类似大家对于 minus 这样的 AI agent 的应用的一个热情或者热议其实我们可以看到我们今天已经陷入到自动化的一种深渊或者我们需要一个澄清或者讨论的一个时间节点了
我们这时候要回过来回顿刚才的问题就是说我们过去所有的工业化的革命不管是这种工厂还是我们今天的其他的各种各行各业大家都是建立在这种分工协作的基础上的有了 AI 是不是这种模式就要被打破我们的人类的发展还能不能整个自洽下去刚才我们讨论过其实
我们虽然是有了工业革命但我们今天可能看似经历了计算机互联网的革命但是我们如果回看我们今天的企业的经营的方式我们的理念我们的分工职责组织结构设计甚至到我们的学校教育社会管理其实大体上形态和模式肯定是没有改变的
我们有了计算机互联网只是把原来的一些线上线下搬到了线上那蓝领变成了白领那效率和速度在不断的这个提升啊
所以企业和社会发展的核心目标仍然是在提升效率降低成本来获得更大的收益的增长所以今天的企业仍然是在通过专业化的分工来减少这种所谓任务处理的这种成本提高熟练程度来实现这种规模化的生产
采用这种科层制或者我们叫专业部门设置这种处理结构其实背后就是专业化模块化来分工来实现这种复杂系统的一种协作来避免单一环节的这样的一个失误导致了可能产生的一些问题从而实现整个资源分配和效率的最大化
既然是企业需要这样的能力我们的社会我们学校就按照这种方式来去培养人才所以我们才有了所谓的分专业分学科这种的培养的一个方式我们在高中的时候就要选择文理科在大学的时候你要选择你的专业那就是把一张张的白纸训练成专业的人才或者我们讲能够为企业所服务的专业的劳动力
如果这个还不够的话还要加上社会上各种的资格认证职业考试最终归了归堆我们说白了都是一种通过专业化或标准化的一种筛选方式从而达到在企业在选择劳动力的时候尽量能够降低一些社会成本
就是说如果你是说大家没有这种专业培训考试或者教育机构认证那企业选择劳动力就变得很麻烦所以有了这样的认证之后那相当于企业这种信任成本就不会处理太高来确保尽量专业化的服务的可靠性当然你可以说人类的认知和个体能力都是有限的但个体的整个的学习能力记忆力精力也是有限的
谁都不可能什么都会也不可能要精通所有的领域所以我们就必须在特定的领域去学习比如说后来又产生了什么一万小时学习定律这种我们讲社会和家庭都在教导我们成为作为一个专业的人才
其实最后本质这些专业性的人才都是为企业或社会要带来更高的运转效率的背后的逻辑就是这样分工之后就有了这种协作和标准化因此就诞生了刚才我们谈到的一系列的自动化的系统和工具这些工具和系统反过来又更加促进了专业化标准化的分工
但我想的人工智能到了今天的情况就发生了不同所以当我们去讨论人类的专业化的时候我们的 AI 专家在讨论什么讨论的其实并不是所谓狭义的人工智能今天大家讨论都叫 AGIAGI 的 G 其实就是
通用的意思大家其实是没有在追求专业的人工智能而是在追求的通用的人工智能希望 AI 具备这样通用的能力跨领域的融合能力能够看起来站在比人类更智慧更高更全面的视角来去解决问题来适应不同的任务从全局来提供解决方案所以我们可以讲在今天的分叉路口我们人类仍然在追求着专业化和标准化和规范化而 AGI
就在追寻着通用化我们可以说在今天的自动化的分叉路口人类向左而 AGI 向右所以节目到此我们好像已经看到两个悖论第一个是说我们貌似我们利用一些自动化工具是在为每个人服务在降低每个人的劳动时间但事实上我们整体来说却主要的目的都是为了企业或社会的效率在服务并不存在
为某个人其实服务的这样的一个状态另外我们可以看到传统的自动化是建立在专业的分工的基础上甚至我们整个社会从教育到企业的管理社会都是建立在分工和协作的基础上而如今的 AGI 却在寻求着通用的能力突破专业分工这貌似是我们的第二个自动化的悖论
如果我们认可我们现在行业就是 AI 行业的一个主流叙事的逻辑说 AGI 会很快就在几年内就会实现那么像 AI Agent 这种自动化的应用就可以帮助我们来完成目标然后自主的去使用工具比如说像 minus 上下翻飞的浏览着网页布置皮卷的收集着资料进行推论分配任务而我们人类只要提出目标和要求然后两手一摊沙发一靠就等着拿结果就行了
情况是不是这样的如果真的到了那个时候首先刚才就要谈到我们的整个社会根基都有可能会产生动摇因为那取悦还需要再去分部门和分领域或者是用这种科技层次的层级机构吗这看起来其实情况也在发生一些专业壁垒在突破一些很小的很少人数的公司或者我们身上一人公司都在逐步的产生
但如果企业不需要这样的专业化的要求那么我们今天还存在了大学的这种分专业我们这种培训机构分专业这种专业资格认证还需要考虑吗 AGI 如果能够做各种各样不同的事情企业和个人就不再需要极端的专业化了我们也许就真的能回到更广泛的这种所谓的创造力上当然创造力我们需要打引号了到底是人类什么是人类的创造力
AGI 可能让人类从我们所谓今天的过度的专业化中解放出来让人又重新回到所谓的这种全彩或者我们讲叫五彩这样的一个状态至少我们不会被困在一个单一的所谓的被预制好的这种一个盒子里面就这种单一的职业或专业里面我们应该去转向那种更加有意义的我们叫构建意义者或者哪怕我们叫终极享乐者也好
这样的一个行为的一个状态那至于是什么是意义构建者我们以后可能找机会再细聊啊那今天之所以我想还没有出现这样的情况呢一是呢这次 AI 的爆发主要对我们今天的可能互联网世界或者这种信息化的世界可能影响会大一些自动化的能力要求啊
但是对于物理世界就是我们真实的工厂这种我们生活的这种状态可能这种自动化的能力还不是很强就我们讲的巨神智能的这样的能力还很弱所以我们可以看到它可能只是对计算机或者互联网的世界的自动化的影响会比较多那另一方面它现在的能力确实也就是个七八十分的水平还不能让它去放心做更复杂的事情
而我们真正希望去做的这种事情可能我们希望的人类的顶级专家都是在 90 分以上而真实世界是说我们确实也会让 70 或者 80 分的人去干活甚至可能干活人 60 分的人都有所以我们经常讲的世界是一个草台班但至少我们从人类内心中我们希望这个活要能干好的话至少得是 90 分以上的人
所以我们今天看到 AI agent 的这种自动化的应用主要就是有两个最大的特点就是说他能够把这些类似七八十分的人能够不同专业的人能够组织起来干活而专业的事情其实还是依赖于以前已经存在的由于分工而存在的一些专业化的工具来去完成而 agent 的主要解决的是协作问题这里面就包括理解你的意图安排计划任务中间的一些沟通协调
这样看来其实 AI agent 类的自动化应用仍然是我们讲它是建立在原有的人类的分工的基础上因为刚才我们讲了它所使用的那些工具它的这种协作方式还是基于人类原有的分工协作的方式上
来去完成的所以他并没有突破原来社会的运行的这种机制只是再次提高了他的运转效率我想这是他背后今天仍然可行的原因也尽量去回答我们所谓的人类向左 AGI 向右的这个问题啊
第二是我们人类长期以来在已经形成的标准化运动中虽然效率很高但是也会意味着一定的所谓的同质化刚才我们讲了大家都用标准化的产品工业生产的产品那么同质化就会导致企业没有办法进行所谓差异化的竞争
那没有这种差异化的竞争就无法给企业带来超额的利润因为大家都在做一些看起来相似的东西其实所谓的竞争性差异这就是迈克尔伯特的一个基础理论哈
而今天我们想人工智能 AgentAI 的一些自动化能够部分的可以帮助去解决一些个性化的问题当你需要一个个性化的处理的时候你可以交给 Agent 虽然它是基于已有的一些标准化的一些能力但是它能够可能创造出一些个性化的一些内容展出
所以通过这两种方式其实基本上是我们用 AI Agent 构建出一种机器或者个人原有的一种专业化标准化的能力的分工基础上这种基础上再加上 AI 的大模型的这样的一个能力从而实现了一种我们叫做 AI Agent 的自动化的这种更高的协作的这种处理网络
那可以给我们带来一些个性化的服务或者产品从而呢我们可以讲也构造了一种更高效的一种新的生产的一种结构或者能力来有机会重新去重构企业的一些成本曲线或者效率曲线刚才呢我们更多谈到的是企业端那对于个人的自动化呢
这个问题可能我觉得需要分解一下如果你做的是一些个人编程或者内容创作或者一些知识获取我觉得可能类似还是企业的这种自动化应用的这种情况只不过这个时候你可能把自己就当成这家公司了但如果另一类你是为家庭或家庭成员服务
那么也可以看作是类似企业的这种应用因为它还是说基于你们家庭成员有不同的专业的分工而你用自动化更多的是解决这种分工效率的提升就这两种都是类似的那只有一种比如说你是用于个人消费或者娱乐的这种自动化当然你也可以使用这种方式类似去订餐比如像 AI Agent 帮你打开某个什么订餐的 App 选择菜品付款下单
其实貌似上面这个过程是自动化的但是可能实际意义并没有那么大这背后的原因是什么其实我们就要回答一个问题到底我们是去选择这种全自动化的处理流程还是需要那种人和 AI 相结合的我们所谓的半自动化的处理流程也许你会不加思索的说当然是全自动了这样效率太高人也最省事就像我们刚才说的我们只要提出个目标需求就直接等着拿结果就好了
我们在遥远的 AGI 的未来不好说但我们在今天的 agent 我想一定不是这样的如果是全自动的话那我们不得不问出以下的问题我们真正的个性化的需求真的能够被人工智能所完全的自动化处理吗而且他在处理过程中他真的能理解我的目标吗那我的目标在处理过程中就不需要被优化和调整吗他就一直能要干下去
那中间的过程不需要人工介入向人类来确认中间的处理结果吗它如果中间出了异常会怎么办那如果中间的过程不符合我们的用户要求它怎么去调整它的处理呢所以这些疑问呢都来自于我们所看到的今天的所谓一些厂商谈到的这种全自动化的美好的场景那结合我之前多年做自动化的这样的一个亲身的经历我最近也看了一篇论文哈
也更加确认了我的想法就这种全自动的流程处理其实是不靠谱的不管他用 AI 或者是不用 AI 这篇论文就是 Ironies of Automation 就是叫做自动化的反访它是由认知心理学家丽莎娜·贝恩布里奇在 1983 年的一篇自动化的期刊上发表的一篇
经典的论文它被引用过 1800 多次它也被认为是自动化原来过有问题一些开创性的论述而这篇论文的主要的观点就是说在任何自动化的系统不管未来达到什么高的水平最终都会变成人和机器来共同协作的一种系统
也就是不存在那种独立运行的完全不依赖于人的全自动化系统哪怕你中间不断的提高自动化的水平人的因素在流程自动化过程中也始终是至关重要的我也把这本书的链接放在 show notes 里面感兴趣的朋友也可以进行一个阅读接下来我们就来谈谈人类和自动化的关系
那为什么人类必须和自动化的流程或者我们讲自动化的工具系统或者自动化的 AI 相依存而不存在这种理想化的全自动化处理那我也结合论文的一些内容总结了一下四个方面的原因当然我们不能去苛责 AI 或者自动化的问题我们问题可能还是出现在我们人类自己身上第一是我们自己不能够
非常清晰的提出清晰的目标或者清晰的问题我们不具备这样的能力而我们能够之所以去提出目标也是在处理过程中去不断教验或者修正或者细化我们的目标或者问题的这样的一个能力
第二是自动化可能会导致人类机能的退化这种机能退化又限制了更高水平的自动化这是在论文里边谈到的内容第三我们无法去很好的解决如果这种全自化流程中可能出现的某种哪怕是极特殊的这样的异常的行为
第四我们自己无法在这种全自动化流程中承担起相应的责任我想这四点原因就是我们要去讲明为什么我们人类必须要和自动化相依存而不存在理想中的那种全自动化流程我们看第一个问题就是为什么我们人类无法提出清晰的目标
因为我们人类的思维其实是模糊的因为我们人类很多情况下大家都是在依靠着直觉或者经验甚至情感来去做决策和表达目标而在这些内在体验的往往是难以用一种明确或者精准的语言或者某种形式传达给我们的自动化系统的
所以我们可能对某个目标有一个直观的感觉或期望但我们把这个目标转换到一些具体结构化的一些文字的指令或者语言的指令的时候就会出现很多的模糊不清或者多一性的一个情况而我们自己有时候就不太这么觉得因为我们人类在
大脑在处理这种比较高阶的模糊化的这种目标的时候我们会用我们自己的一些信息来补全一些之前通过直觉经验或者社会共识的一些所谓的逻辑空白因为这些内容我们以为我们接受目标的对方是理解的但实际上有时候是不太能理解的
所以当我们去把我们的要求或者目标提供给自动化系统或者我们讲的叫 AI agent 的时候其实我们本身就很难说清楚人类的语言本身也是有局限性的因为我们的自然语言是一种高度灵活且富有一定的所谓的语言的表现力的但这种灵活性恰恰很多的时候它也是缺乏一定的所谓的精准性和严谨性的因为我们讲思想和语言之间转换其实是有信息损失的
人类无法把这种特别复杂的这种背景的知识和一些隐含或者隐晦的假设和约束完全转化成这种目标提交给 AR agent
这就是为什么我们传统的人机交互要不就是通过我们像编写程序这种形式化的语言来去交互或者是像以前我们要通过表单或者是就是一个下拉选项或者一个对号或者插这种选框来去确定你的选择而不是直接的用语言表达因为很多时候语言其实是模棱两可的第一点就是我们语言的问题第二点其实我们人类的很多提出的目标和问题本身
即使一个问题也存在着多层次性或者冲突性因为我们人类的目标往往具备多种层次和多种维度甚至在某一个目标内部也存在着可能的一些矛盾和冲突比如说我们当一个人说我们追求职业成功的时候或者是我们同时要去是不是要考虑家庭幸福而这两个目标在某些情况下可能会出现矛盾
当我们试图给 AI 下达这样的指令时如果我们没法去很清晰的去衡量追求职业成功和家庭幸福两个之间的一个到底是一个什么样的一个平衡关系那就很容易导致 AI 在对这个目标的理解就会产生一些不明确或者优先级层面的混乱
另外 AI 与人类的认知模型可能本身也是存在差异的虽然我们在人工智能行业中经常讲人类对齐但是你要考虑说你用的大模型到底是和哪个人对齐的它有和你对齐吗对不对和它对齐的人类是和你一样的标准吗例如我们一些不可所谓通识化的一些价值判断比如说我们有些人认为效用最大化最好有些人就认为机会平等最好
它本身超出了一些所谓线性的因果推理范畴我们再解决说一个比如说城市这种交通化的问题如果你用 AI 它去单纯的追求效率对待化是不是可能会导致商业区域的一些生态的失衡
以及甚至一些伦理价值的冲伏当我们面对电车难题的时候这样的道德困境到底是选择乘客安全还是行人安全还是财产损失还是效率最大化每个人可能都有不同的选择我想人工智能对此问题可能也会有它的理解所以你把一些目标设定的时候背后难道不隐含着这些所谓一些认知模型或者道德约束的一些权衡吗
你其实也许会说其实这些问题我们在人类和人类自己在协作过程中也会出现比如说领导给下属安排工作中其实也有类似的情况你的下属不能理解你的工作做的过程中会跑偏确实你说的非常对但是我们其实人类是怎么做的我们人类需要在后续的整个的通过汇报或者协作的过程中在这个过程中不断的去修正目标和处理过程所以我们看到如果领导给
下属安排工作那么下属就应该首先是复述自己的对这个问题的理解然后来去和他的上级领导再去确认然后在各种接下来的工作的过程中产生了中间结果或者是关键节点需要再和分配任务的领导再来去确认我到底做的有没有偏差其实这是一个我们正常人类在写作过程中如何去分解目标
的一个处理过程而在这个过程中绝对不存在下属完全是自动化的就直接去完成了你的目标所以这也是我们去反向去论证为什么不见得会有这种所谓的真正的全自动化当然我们阴暗点说人类还含着自身的一些所谓贪婪多余或者权力欲望
一些人我们一些身边或者亲近的人可能都不见得能相信也和我们有时候去分配给别人一些事情的时候我们总担心说他是不是能处理好或者是会不会给我捅出什么娄子或者给我们挖什么坑或者说我们自认为每个人都自己觉得非常的聪明或者有见识说我分配任务的这个人他没有我聪明没有我有见识他能达到我想要的要求吗
所以我们就说要去监督他的工作其实我们人和人相处尚且如此其实我们在今天我们又怎么能够完全的放心把这些工作交给 AI 去处理呢如果都让 AI 处理了怎么能体现我们人的一些对于价值和权力的掌控的欲望呢这些可能是更深层次的心理的问题也许你会说其实人类历史上很多事情都交给机器做了我们人类好像也没有那么担忧
但是我们所有之前的要求大家要想到那些时候我们基本是要求机器是 100%的准确和正确所以我们才有了像工业生产中的什么 6 个 SIGMA 我们的缺陷率要控制在非常低所以这是我们放心交给机器做的完整的一个前提
而且我们这个过程是经过反复的验证的我们才人类经过多少年才完全的敢交给机器化去做但是我们过去的自动化的这样的流程和处理刚才我们在节目一开始也谈到和今天我们追求这种 AGI 的特性恰恰是不太一样的我们那个时候都是按照固定的规则去运转的而且运行结果基本是可以预期的可以稳定的
而且我们刚才讲到了大多数场景还是人类的这种类似操作工具来一步步的确认来完成的这样一个任务但是今天的人工智能就天然就和原来的自动化机器就不一样它更符合人的特性它不是 100%的准确不能保持成一致性的产出更像是个不透明的黑盒这个过程中我们就无法像原来把自动化交给任务交给自动化机器一样去交给 AI 自动化去处理
也就是说我们必须有人去监控像类似 AI 这种自动化的流程或者系统能否正常的运转而且一旦它出错必须就有人迅速的接管和处理所以刚才我们回答的就是第一类问题就是我们人类很难提出这种清晰的目标和问题接下来我们就要看一下对于第二类问题就是我们如何去解决这种出错或者去接管的问题
那么在自动化系统的面前我们人类的一些技能比如说一些认知能力或动手能力如果完整的交给自动化之后长时间不用就会逐步的退换也就是一般来讲当高水平的专业技能通过频繁或者持续学习可能之前是获得了但是当自动化接管了大部分工作之后我们所谓的人只能处于一个监控的状态
一旦出现了紧急情况需要人工介入的时候但是我们发现我们自己却因为长期而没有去实践而没有去操作这种能力就出现了一种退化换句话说当自动化的水平越高那么需要人工处理的这种突发状况会越少但是这种越少当它出现的时候这个问题就会变得越复杂越难处解决这就意味着自动化越好反而对人工操作的要求会就越高
因为他们需要处理更难更罕见的这种异常的事件不仅就需要动手能力同样的需要一些认知的能力就对这个问题的一个判断以及它的解决的方式人类的这种知识或技能其实是需要经过长期的练习和反复的迭代这种频繁的反馈来保持这种所谓的敏锐性的当我们的系统去逐步实现的自动化的时候我们发现人类的这样的能力就是在退化
而直到我们下一代的操作员甚至都不具备这样的一个能力当我们今天看到很多的背后系统在自动处理的时候我们其实我们的这个业务人员或者操作员其实对于这个系统到底用什么样的逻辑或者处理其实他根本就不清楚的啊
大家可能对我这种经验我们去打一个客服电话那个客服基本上都不知道背后系统中发生了什么因为他们都要求要 IT 再去查背后的系统可能才知道中间到底犯了什么样的错误所以这个问题就是这样的就是说如果人类没有经过培训当我们出现这些棘手的问题的时候那人类由于这种技能没有持续的提升那就会变得没有办法解决
也许这个时候你会说 AI 能力不是比人强吗那为什么不能当出现异常的极端的情况下我们交给 AI 去做决策因为 AI 能够比人类更快的做出决策考虑更多的因素然后并且用更精准的一些判断标准我们干脆说出了问题的时候我们也仍然交给 AI 那就变成了一个 AI 自动运行然后 AI 自动修复
这样的一个比较理想的一个循环过程中但其实大家没有发现这样会出现什么问题如果一个自动化的一个系统在自我的整个的纠错或者自我的调整过程中那是不是它会掩盖一些所谓潜在的问题呢那一旦自动化的这种流程达到了一个完整的极限那这类被掩盖的问题是不是就难以暴露如果我们真的发现的时候是不是就已经为时已晚难以挽回了呢
所以如果你真的希望把人作为一个自动化系统的完全的后备的手段也就是我们完全用监控而不去干预的这样的一个方式我们就需要保证我们自动化的运行节奏要跟人类的处理的这种节奏要所谓的相符
比如说我们今天讲再先进的今天讲工业化的自动化工厂其实背后也是有人参与的而且人的这种工作节奏要和机器的这种工作节奏相匹配所以在流水线领域有一个重要的概念就是节拍什么是节拍我们就不解释了大家如果感兴趣可以去查一下要确保人类的节拍和流水线机器的节拍能够吻合在一起
如果必须让人类操作员去监控机器的这样的一个处理或者过程甚至是机器的这种决策过程那么必须它要在它的处理的能力必须在人类的可以理解或者跟踪的范围内就像我们今天让 AlphaGo 去下围棋如果它做出一步的这样的处理我们人类是无法同步跟踪和解释的也就是说我们无法去跟踪这套系统是不是
还在按着既定的方式去运作有没有超出一定的所谓的范畴所以当我们自动化系统如果真的能够自动处理的话其实我们人类是无法中间做出感应因为我们的这种思维或者判断完全跟不上奇迹的速度所以我们那时候最好的方式只能变成我们只能先停机就把它停下来完全停下来然后我们把它再去观察我们再去理解然后再去修整然后再来重新启动
其实就变成上我们机器要重启一样因为就是因为我们解决不了一个复杂的一个操作系统背后到底但是发生了什么问题所以我们只能把它关掉再重开而且我们今天可以看到并非所有的系统都能够完全的自动化的停止下来比如说我们当面对核电厂或者我们在空中运行的飞机的时候当我们发生问题的时候我们能做关机的动作吗
其实是不能的所以我们很多人类我们在通过训练的反应速度其实完全是达不到这种自动化系统的一个要求的所以我们如果想确保这一点我们其实可能没办法去构造一种完全由机器自主运行自主决策自主修复的这样的全自动化的系统
这也反向回答了为什么不会有全自动化系统的出现这就要回答我们第四个问题就是人类无法在自动化流程中承担这样的一个主要的责任当我们抛开以上的效率或者以外的因素就算它都能实现我们的消费者或者公众能够接受这套完全自动化的 AI 系统吗
我们能够真的在发生问题的时候能把从中间的过错都归结给这套自动化系统或者给 AI 吗人类而完全摆脱这种责任或道德的约束吗其实我想是不可能的
因为我们在人与 AI 的合作过程中就存在着种种的隐患到底是人来调度 AI 还是 AI 来调度人如果 AI 来去调度人那么 AI 要为操作员列出所有的行动步骤而你又不得不完全相信计算机给出的这样的一个工作的任务的分配
而且你作为人类一旦陷入到 AI 给你分配这样的任务或者六成自动化的处理环节中你必然会有所谓的自动执行的时间的压力而且我们大多数人类在处理问题的时候其实我们并不擅长在时间压力非常大的情况下来解决这些问题也有科学数据调研当我们在有时间压力的时候我们人类的这种能力的表现能力会表现得非常的差
因此我们总体来讲其实自动化并不能够解决或者我们讲全自动化并不能解决一系列我们人类今天遇到的问题相反我们要去妥善解决自动化带来的这些新问题
可能未来的 AI 可能会带来更加先进或者比传统的自动化更多更复杂的任务处理但是它也会带来相应的自动化流程的问题这个过程中必须要结合人的协同工作来去完成的所以我们讲的不能够轻易的理想化的认为未来我们就可以用 AI agent 或者 AGI 也好来替代我们所有的自动化的流程
所以通过以上的分析我们就得到了这样的一个能力自动化的能力即使再强也必须由人类来去配合无法达到人们理想中那种无需人参与的自动化的水平
这我们谈的是所谓的全自动化和半自动化的问题但事实上还有一个到底我们让自动化做通用领域还是专业领域的问题如果你希望 AI 能够去帮助你做通用领域的自动化你其实要对通用领域的各项的任务的约束目标要非常的清楚
但本身我们知道一个通用领域它所涉及的方方面面非常多它很难在刚才我们讲的目标或者背景知识上和人类的用户去对齐所以我们就讲说
今天我们能够看到的自动化其实在通用领域解决的问题的效果都不是很好而我们今天能够比较好的自动化处理的一些流程基本上还是对于一些行业领域或者专业知识我们当我们内置很多这种知识的一些 insight 或者背景之后可能还能达到相对一定好的一个成果比如类似像这种 Cursor 编程啊或者 Deep Research 或者 Storm 写一些这种研究报告啊
但相反我们把这两个问题合并在一起就是今天 minus 类似实现了一种所谓通用的全部的这种自动化的一种 AI agent 的方式所以我们从今天看来其实这个不见得是一个好的一个思路或者一个方式去来解决这样的问题不管是今天还是可能未来
之所以我们今天看起来 minus 这种 AI agent 还能做一些事情比如说我们能开发一个小游戏或者开发个网站或者查找个资料因为我们可能看到的都是一些更加小的一些领域的一些任务而且我们又没有把这些任务真正的赋予实际工作中如果我们回到类似我们在这种 B 端或者企业端更复杂的任务的时候这种所谓通用的全自动化就会变得非常的无能为力了
企业端的自动化是这样的如果个人消费级领域的自动化场景其实我们碰到的事情或者问题可能不太复杂确实 AI 是能做的但是对于个人消费级领域它又另外一个问题又来了就是它充满了一定的所谓的主观性或者自己的这种感性或者随机性的一个认知总之这个任务它是非常个性化的所以这个过程中相当于 AI 的这种全自动或者通用自动化又相对处理的不是很好
所以这样的话我们不管是 B 段的应用还是 C 段的应用可能用这种通用的全自动化流程其实都是有问题的所以这就是得到我们今天的另外的一个悖论就是今天我们所谓追求的这种 AI agent 的这种全自动化的通用领域的自动化可能并不应该是成为我们未来的主要的发展方向
既然在高级的 AI 自动化我们人类也无法完全走开必须和他们协作我们最后一个问题就可能要回答一下到底我们人类要和 AI 自动化如何去协作呢最后一部分我们就来聊聊人机协作如果从更专业的一点的角度讲英文叫做 Human in the loop 就是把 Human 这个人类放在自动化处理的 loop 中
理想的方式其实要通过一些步骤的验证然后反馈修正来去处理问题有能力让自动化的流程返回到某个节点让不管是 AI 或者自动化系统重新来做然后人类介入给出判断或者答案所以这个过程恰恰和 Mannus 这种一干到底的方法是相反的
最近我也看到了一种和这种思想比较相近的 AI 产品就是 Flowways
Flowbeats 其实是一种画布性的一种方式它建立了这种虚实的一个关系它利用一种画布这种分解的一个平台像在白板上画画一样能够创建与 AI 很多的这种互动的分支节点然后每个节点是可以要求自动化你当然你可以让它自动化完全处理下去当然他们可以回到过去的一个节点这样形成一个
思维的网络当然它也能结合一些本地的知识库能够处理多任务以及调用不同的 AI 大模型这就是类似一个这个 FlowWiz 的一个能力那 FlowWiz 的其中就有一个叫做 Oracle 这种先知的一个功能那这个功能过程中其实就是一种人类参与到 AI 的处理和过程中就是 Human in the loop 的一个
作为一个主导者实时的参与到和 AI 的整个的协作过程中当这个 AI 帮助生成了一套整个的类似的一个任务分解之后他首先会去和用户去确认然后他才能够去开始工作那在这个处理过程中呢人类还可以随时去调整他的处理的步骤和任务的顺序以及对结果表示满意或者不满意或者退回到某一个执行的步骤中
所以我们可以看到这样的话呢 AI 就和人在这张交互的画布上进行不断的一个协作其实这样看起来呢 Agent 更像是一个合一和人类能够去协作的一个比较友善或者高效的一个物种所以它也是看起来可能和我们谈到的一个 Human in the loop 的这种 AI 协作的方式理念更相似的一种方式哈
如果大家想体验这款产品我把链接也放在这个 show notes 里面大家有兴趣的可以去玩一玩
如果关于 Human in the loop 的这种方式如何体现的 AI Agent 我想有多种方式当然它和我们传统讲的 Copilot 的模式就是副驾驶的模式还是有区别的因为我们讲 Copilot 的这种处理模式还是以人类为主驾驶而在适当的方式去使用 AI 的这种副驾驶的功能但是 Human in the loop 更多的是说 AI 的这种自动化能力它会先去做一个处理而人更像是一个决策者和一个管理者来去做判断的一种方式
那我们今天看到的这种 Human Interloop 的方式就包括比如人类的监督 AI 在做出决策前或者决策后人类需要进行审查或者修订或者修正虽然可能这样的效率会更低一点但是它是确保了后续处理的步骤的一个更加的准确性或者一个方向的准确性另外就是人类增强那 AI 作为一种
辅助他提供一些建议但是他先不出去处理有时候有人类做出一个决策后他才开始执行就说白了 AI 是先给方案人类同意后他再去执行当然这中的难点是说人类可能中间过程还要去学习和了解 AI 的产出这个方案可能要花点时间
所以第三种情况就是人类与 AI 的整个团队的一些合作的问题当一些任务被分解下去交给不同的 AI 不同的人去处理的时候 AI 可能就会在中间过程中去分配一些活这个活分配完了之后不管是 AI 还是中间参与的人就好像是一个大的团队而在团队过程中还是可能会在过程中给人带来一些所谓的麻烦
到底是给 AI 的活多点还是给人类的活多点给人类的这多点太累太麻烦时间太长而给 AI 多了大家不放心看到我们谈到了但是它是一种模式就像一种团队的一种协作方式
最后还有一种叫做人类介入者就是 AI 可以去独立运行我们也不去做实时的干预但是我们可以随时的介入我们想在哪里停就在哪里停或者我们在关键的一些很多决策点我们去直接的去干预到 AI 的处理过程中
但这种方式也有它的难点就是说如果 AI 处理那么快我们人类是不是能够及时介入进去能不能被打断可能也是一个问题当然我们谈到的这几种情况不管是人类监督人类增强还是人类 AI 团队协作还是人类直接介入
都有自己的优势也有它的缺点但我相信呢上面谈到的每个问题呢并不是不能被解决的我们相信就是说未来随着大模型的能力的提升那会有更多更好的 AI Agent 的一些呃
产品的一个出现所以我们可能能够看到一些更好的把实际的处理效果效率以及人机交互的模式以及用户体验我们它能在几个方面来找一个平衡而不是说大家一味的去追求所谓的通用领域的所谓的全自动化
好今天我们节目的主要内容基本就讲完了我们最后再重新整理总结一下我们的主要内容和观点首先我们回顾历史我们看到传统的自动化它属于工业革命的一个副产品它其实都是基于专业化的分工而后诞生的而今天的 AI 的自动化有可能去打破这个局面如果真的实现它可能会颠覆整个的社会的形态
而今天我们大家能够看到类似 AI Agent 这种自动化的形态它仍然还是结合了现有的组织模式以及劳动力形态以及以前的一些现有的一些 IT 工具或新型化的工具它只是比传统自动化多了两个核心的能力就是它能够组织 AI 去干活了另外它可以更好地提供一些个性化或者非标准化的一些服务
尽管它依附于旧的整个的管理模式或者价值体系但它依然是对我们非常有价值的但反过来讲的这种价值也不能够被无限的放大所以我们讨论了说像 Manus 这种通用的全自动化的 AI
我们认为并不是一个好的处理方向而更加专业化领域的流程自动化以及人与人相协作相协同处理的这种自动化才会更有意义我们就接着讲了如何即使在
高级的自动化流程中可能我们仍然无法避免人类的参与这其中原因就包括我们人类提不出更清晰的目标以及人类的技能退化以及我们无法去更好的监控 AI 自动化的处理以及我们没法去承担责任等等的一个原因就是说我们很难去出现那种所谓的全流程自动化不需要人参与那种自动化最后我们就讲了人类如果去介入自动化的处理那应该
是一种什么样的形态我们可能在过程中能够做几件事情总之呢今天我们在讨论过程中大家也看到了充满了各样的各种各样的自动化的悖论啊比如说当我们人类其实貌似啊都是在为每个人利用自动化降低啊成本提高效率的时候其实我们其实是为了企业和社会啊
再来高效率的服务另外我们今天看起来是在追求通用自动化能力但是让我们今天所有能力都是建立在专业化分工的能力之上而通用能力需要打破这种所谓的专业化分工的
还有就是我们最喜欢讨论的就是我们人类希望做个甩手整规我们希望能够有不需要我们参与的自动化但是恰恰相反我们从道理上分析我们自动化流程又不允许我们人类来脱离它的处理过程而且短期的看到的 AI agent 的这种发展的方向和我们可能 AGI 长远的一些愿景可能有些也是相悖的
所以我们可以看到我们虽然人类去追求这种通用领域全流程的自动化但是这种追求我们可能总是很难得到我们真实的想要的这样的一个结果
这正好符合了像比如像写了鼠疫的或者西西弗神话的法国作家加密尔他所提出的这种所谓叫荒诞哲学的一种观点他就认为人的这种追求和现实世界的冷漠本质之间总是存在着无法弥合的鸿沟这就是所谓的荒谬悖论人类总是渴望找到类似生命的意义但世界本身却又没有给予任何固定的意义
所以这种荒诞感使得人们所追求的东西似乎好像永远无法真正得到但这个背后不意味着说我们去追求是没有意义的而反过来讲更需要我们在人生的过程中去找到自己的意义那好我们也希望我们每一名的听众都能找到自己生活的意义好我们今天的节目就到这里如果你有什么想法请给我们留言也希望你能够点赞转发和评论那我们下期节目再见
昨夜的潮汐 今晨已褪去歸來的雲 叫賣著 鋼琴裡的風雨交談裡舉行著婚禮我路過感到甜蜜讓我想到我和你天真的孩子 偷聽了戀人的情話
秀紅的臉像路人手中捧著的鮮花熟悉的城市已經變了模樣不變的是因為沒有你在身旁我知道所有的傷痛都會過去
也明白有些遗憾會永遠留在心裡但那海風再起 流落在那礁石我終於對著大海放聲喊出名字