The Real Future of AI and Work

你知道吧，这其实是个特别无聊的话题。

AI会不会抢走我们所有的工作？

很不幸，这就是AI行业一直以来想讨论的工作话题，而且他们已经想了太久了。

但好在，随着时间推移，我们终于开始有了一些更深层次的思考。

结果发现，AI并不是简单地抢走所有工作。

AI真正做的是，彻底改变了我们工作的整个格局——无论是从个人层面、团队层面，还是从我们个人能追求什么、团队能追求什么的角度来看。

包括公司该如何组织自己，以及我们应该优先培养哪些技能。

所有这些，才是关于AI和工作真正有趣、有建设性的讨论。

而这正是我们今天要聊的内容。

AI Daily Brief是一个每日更新的播客和视频节目，关注AI领域最重要的新闻和讨论。

好了朋友们，在深入话题之前，先快速插播几条公告。

记得常去aidailybrief.ai看看。

网站上除了有每期节目的完整摘要，还分好了关键引语、关键数据等等；你还可以找到即将举办的活动信息，比如这周8月26号有一场免费的网络研讨会，主题是知识工作者的智能体循环。

另外，你还能了解更多关于未来培训项目的信息。

下一期由Nufar Gaspar主持的高管AI领导力项目，将在劳动节后启动。

再说一次，所有信息都可以在aidailybrief.ai找到。

今天的节目呢，当然又是周末长读加深度思考的版本。

我们的朋友在Every那边，刚好有最适合当下的深度内容。

Every最近宣布了他们的第一届大会，叫Thesis，同时推出了一个新项目叫Thesis Statements，邀请100位建设者和思想家写一些关于AI未来的短文章。

Every的CEO Dan Shipper是这么说的：我们相信，自动化之后的人类工作还有一个光明的未来，而且有一小群人知道它是什么样子，因为他们每天都在实践这些答案。

但他们的想法，在很大程度上仍然被主流关于AI的讨论所忽视。

所以我们才要建立一个公开记录，把那些前沿人士现在看到的东西记录下来，让尽可能多的人看到这些想法。

如果你想自己去看看，可以访问every.to/thesis-statements。

当然，我会在节目笔记里放上链接。

我们今天要做的，就是看这第一批25篇声明，读一下配套的短文章，然后当然，我也会给出我的想法。

我们会把它们分成几个类别，第一个类别叫基础篇。

我觉得是Dan本人，用他的短文章《自动化之后，人类的工作会比以往任何时候都多》把这整个主题点得很透。

Dan写道：CEO们、知识工作者和投资者似乎都同意一件事，那就是AI对工作、经济、安全和人类意义构成了威胁。

但如果你去和AI行业里的人聊，或者去和行业外的早期用户聊，你会听到我们在Every内部也注意到同样的事。

工作比以往任何时候都多。

我不认为会有一个转折点，事情突然翻转，然后工作就消失了。

新的现实恰恰相反。

我们自动化得越多，需要人类专家做的工作就越多。

原因如下。

AI 将人类专业知识的残留部分商品化——也就是那些能够被清晰表达出来、足以用来训练模型的部分。

这会压低默认模型输出的价值，同时催生对差异化内容的需求。

对差异化内容的需求就是对人类专家的需求，即使我们正在接近通用人工智能。

我们团队有将近 30 个人，我们并没有为了使用智能体而解雇所有员工。

我们也没有为了用感官编码的应用而放弃软件即服务产品。

我们仍然雇佣真人来做客服，同时辅以大量智能体协助；我们仍然雇佣人类写手、编辑和工程师。

当然，AI 智能体会接手更多稳定、可重复、边界清晰的工作层，但仍有大量工作需要人类参与。

我们一次又一次地发现，对于任何复杂的任务，想要得到出色的成果，最好的方式就是让 AI 和人类在同一个工作空间内来回协作。

人类仍然至关重要。

在每一个例子中，智能体都需要人类，工作才能顺利开展。

智能体离负责确保它运作良好的人类越远，它的表现就越差。

必须有人为它指明方向，判断输出是否合格，发现它出错的地方，然后把结果转化为现实中的决策或流程。

这是因为当前这一代模型只知道那些已经被完成的工作。

而人类知道现在需要做什么。

人类能够感知特定的时间、客户、代码库和对话场景，这是训练语料库目前还做不到的。

这种“活着”不仅仅是拥有更新的数据。

我们带着自己的背景进入当下，拥有持续不断的新视角——不断变化的愿望、不断变化的关注点，以及对什么重要的一直在更新的判断——这改变了我们所看到的东西。

因此，让专家工作变得更便宜，并不仅仅是取代专家。

它反而会创造更多需要专家判断的场合。

这是 Dan 对这个项目的一个很好的开头，不过在评论这一部分之前，我想再补充一条。

这条来自前战略顾问兼作家 Paul Millerd，标题是《那些宣称工作已被解决的人，自己仍然在工作》。

Paul 写道：除非我们能大幅拓展现代对工作的理解，否则根本不存在“自动化之后”的状态。

目前，我们仍然困在我所称的“工作形状的现实扭曲场”中。

我们把所有对工作的理解都压缩成了那些有职位描述和薪水支票的活动。

在这种现实里，我们把人类变成了数字，谈论着裁员、就业率、弱连接、任务捆绑和劳动总量这些抽象话题。

工作远比这些要大得多。

这个月我一直在凌晨4点安抚新生儿，送3岁孩子去上学，在家做饭，回复邮件，再挤出一点时间写作。

这些事可能能赚到钱，也可能赚不到。

尽管有人说我浪费才华、没有工作，但我的日子被各种事填满，而且我很满足。

与此同时，我们听到硅谷那些23岁的年轻人高声宣称：工作已经被解决了。

再过两年，最多三年，就没什么事可做了。

但到那时，谁来给我女儿换尿布呢？

这些宣言让我觉得好笑的地方在于，它们出自一群被工作冲昏头脑的人，在通宵写代码的间隙大谈人生哲学。

但如果问他们，生活是不是围绕工作设计的，他们会说不是，因为他们的工作是可选的。

他们可以跳槽，或者休个假，同时还能从自己所过的、以工作为中心的生活里，获得人类渴望的东西——尊严、挑战、目标感。

没有这种生活的人就完全搞不懂了。

什么叫工作要结束了？

对他们来说，工作可不是可选的。

你离开办公室，工作也不会结束。

我们还没有足够大的语言来描述未来要去的地方。

我们活在一个时代，人们想象世界末日比想象一个空闲的周二下午更容易。

我们需要摘下工作的眼镜，看到自己的生活已经充满了工作。

如果我们花时间去审视工作——不是只盯着有工作形态的那种——也许就能找到前进的方向。

所以在这两篇文章里，你们有两个截然不同的终点，却朝着同一个中点前进：那就是永远会有更多的工作。

对于你刚刚听到的Paul来说，这意味着我们生活的实质里充满了各种各样的工作，即使不是那种带笔记本电脑和领带的工作。

但Dan的说法更直白一些，他用的是我们大多数人理解的工作，也就是我们为了上班所做的工作。

我自己坚定地站在‘会有更多工作’这一边，不仅是因为我认为Dan说得对——我们应该扩展对工作实质和意义的看法，超越办公室的围墙——而是因为即使在办公室围墙之内，我也认为AI解锁了全新的、值得探索的疆域。

就好像我们一直在一间可能很大的房间里，只玩着其中一小块亮着灯的区域。

我们待在老地方，因为只有那里是亮的。

但突然有人进来打开了灯，房间的大小其实比我们想象的要大得多。

人类的现实就是，我们会争先去发现、去做、去建设、去创造更多。

所以我觉得Dan只是提到人类专业知识仍有持续需求时，其实说得还不够。

并不是说他说的有错，而是说，人类工作会比以往更多的更大原因，是我们所有人都能做的事情会急剧扩展。

现在我们转向一些围绕公司以及企业运作方式的具体讨论。

第一篇文章来自Noah Bryer，他是Alephic的联合创始人，他认为软件公司将胜过软件工厂。

Noah说：智能体工程中最隐蔽的失败模式，不是有 bug 的代码。

问题在于，智能体在构建根本性失调的功能、产品和系统。

解决这个问题比减少缺陷更大、也更有趣。

这就是为什么我认为软件工厂这个比喻不适合AI工程。

挑战不在于如何用六西格玛质量每次冲压出同样的车门板，而在于如何让系统按照我们的愿景、价值观和架构演进。

从这个角度来看，流程更像安迪·沃霍尔的工厂，而不是福特汽车工厂。

两者都注重产出，但沃霍尔更关心确保所有作品都符合单一的创意愿景。

对企业来说，最难的仍然是创造一个愿景，并让整个团队——人类，现在还包括智能体，以及人类与智能体一起——从系统架构到每一行代码，都朝着这个目标建设。

在智能体出现之前很久我就学到，实现这一点更像是在建一家初创公司，而不是组装一辆汽车。

行业中太多人把软件看作一个需要优化和解决的问题。

对于代码编写和测试来说，这可能没错，但更好的比喻就摆在我们眼前。

它是一家软件公司，而不是一个软件工厂。

工厂是更大组织的一部分，其中多层相互依赖的系统以不同速度交互和运转。

但一家公司，从来就是一群智能体集合在一起，共同建造某样东西。

理解这些智能体的动机，正是打造一个成功软件工厂所需要的，也恰好是软件公司CEO的工作。

诺亚的文章开始指向一个观点，我认为企业界的AI用户比创业界的AI用户更理解这一点。

那就是，没有人和制度体系围绕的技术，只是一堆流行词。

但问题在于，我们如何以及为了什么目的来构建这些系统、重新想象这些制度。

这就引出了我们下一篇帖子，来自投资人兼作家Tina He的《无聊的基础设施将胜出》。

Tina写道，你的客户在凌晨两点决定停止使用你的客户关系管理软件。

为什么？

销售代表发现，你每年三万美元的CRM合同只带来一万两千美元的价值。

没有会议，没有谈判，因为销售代表是一个智能体。

智能体没有忠诚度。

他们是理性的行动者。

他们会在几毫秒内查看数据，并在任何对企业有意义的时候做出改变，哪怕是在半夜。

在某种意义上，他们是冷酷无情的。

你的软件可能好用又好看，但AI智能体既看不到也不在乎。

一些公司会通过构建无头架构——即为机器对机器通信而构建的软件——成为赢家。

那些公司不会有任何人类用户，只有智能体。

其他做得好的业务则出现在那些不能快速行动、不能犯错的地方，比如监管审批、银行和合规系统。

这些公司竞争的不是谁做得最复杂，而是谁在像安全完成电汇这样的任务上效率最高。

未来几年里，拥有这一层的公司将占据优势，能更有效地收集谁该在何时做什么的智能信息。

随着模型的能力趋于一致，并开始做出类似的决策，公司将不再比拼谁拥有最好的模型，而是更注重那些将决策连接到实际结果的系统。

这些关键系统包括任务路由、数据访问、工作流编排和规则执行。

那些服务于特定客户、专注于这类具体用例的公司，将胜过那些泛泛的代理型用例。

这些商业模式就像收费公路——如果你不想付钱，就得自己建桥。

而那样可能需要多年时间，并且为了合规要花掉数亿美元。

这就是为什么到头来，那些不那么光鲜的工作可能是最有回报的。

所以Noah给了我们一个想法，即公司将发生变化，而Tina则从外部视角观察，认为变化之一就是理性和不带有情感的数字化代理人会承担更多任务，并围绕它们建立起全新的支持体系。

但这对那些正在思考自己和团队的工作该如何改变的领导者来说，意味着什么呢？

为此，我们请来了Sumit Singh，他是Andreessen Horowitz的前合伙人，现在是Worldbuild的管理合伙人和创始人，他写道：那些把现有工作流AI化的创始人会输。

过去八年我作为投资人，一直在看同样的模式反复出现。

随着生成式AI的出现，那个时代已经结束了。

作为一个投资人，我很兴奋。

AI终于开启了自移动革命以来一直缺失的真正创新潜力。

但我看到创始人们在构建专业AI产品时，就好像还在打造过去十年的老工具一样。

那些沿用旧框架的人，即将犯一个大错误。

那些在AI时代会失败的企业。

就是那些从现有工作流入手，然后把它们AI化的企业。

而能存活下来的企业，会利用模型独特而微妙的特性，去创造以前技术上不可能实现的新工作流。

我称这些为后拟物化应用。

拟物化是一个陷阱，它假设新技术应该看起来像之前的东西。

早期的移动应用常常落入这种模式。

它们复制了物理世界，比如那个看起来像真实垃圾桶的回收站图标。

但它们没有探索手机能做的独特事情。

那些脱颖而出的应用，也完全打破了这种陷阱。

Uber并没有把出租车调度台数字化。

它问的是：当每个人口袋里都有一部知道他们位置的手机时，会有什么可能？

正如投资人Matt Kohler所说，手机变成了你生活的遥控器。

在食物方面，就有DoorDash。

出行方面，有Uber。

买杂货，有Instacart。

他们没有去改编现有的工作流程，而是创造了全新的。

AI正处在完全相同的拐点上。

最终胜出的创始人们在问一个不同的问题：现在什么变得可能了？

我们能发明什么样的工作，是只有AI才能让它成为可能的？

胜出的应用会发现新的工作流程，而我们现在甚至还不知道这些流程会是什么样子。

市面上每一个AI编程工具，首先做的事情都是一样的：它开始写代码。

在企业AI领域，我经常看到一种现象：企业把所有云、所有模型、所有框架都押上，或者花钱请一家GSI做个没完没了的试点。

真正在交付产品的那些团队，他们选了一条道，然后快速推进。

这种专注很重要，如果你是一位想把真正的东西推向生产环境的企业负责人，或者是一位想把客户从感兴趣变成真正部署的AWS销售代表。

每一集，我们都会聊OpenAI、Anthropic、SpaceX AI、Google和Meta之间的竞争。

很可能你已经对谁领先有了自己的看法。

但每个AI实验室都在采取不同的方法，构建不同的技术，建立不同的合作关系，并发展自己独特的生态系统。

现在，Sumit，可以理解的是，因为他有在a16z的经历，所以他是从创业公司以及它们构建的东西这个角度来看待问题的。

但我认为，对于那些正在摸索AI在哪里能提供最大价值的传统企业来说，这一点同样成立，甚至更加成立。

我经常把AI分成两大类。

效率型AI和机会型AI。

要说明的是，效率型AI本身没什么问题。

把需要做的事情做得更快、更便宜、更好，这是一件好事。

而且它是一个完全合理的起点。

然而，如果你认为这项释放能力的强大技术，只会用跟过去一模一样的方式做事，只不过执行者从人变成了智能体，那就从根本上想象错了未来的可能性。

机会型AI，就是去问这些问题：因为你有AI站在你这边，你能去到哪些以前去不了的地方？

要弄清楚机会型AI的最大机会到底在哪儿，对于你自己的业务来说，会难得多，也需要更多的迭代和实验。

这就是为什么我一直在强调，要在企业内部为实验留出空间，不要过早砍掉AI项目，也不要用投资回报率去过度衡量它。

因为如果那样做，人们就会偏向那些只是把旧事情做得更便宜或更快的应用。

这个问题的另一个维度，我平时说得不多，但正是为什么我对那些只靠观察人来训练智能体做同样事情的整体做法有些怀疑。

我一直觉得，说智能体会以和我们一样的方式做同样的工作，这个想法从来没有太说得通。

智能体几乎必然会用不同的、原生智能体的方式做事。

那大概会更高效，也更符合它们的长处，但同时还需要另一层面的组织整合，来确保这些新的智能体流程能和人类同步。

不过，我觉得Sumit说得很对，我们不能以为新世界就是老样子，只是效率更高，这个观点真的特别重要。

作家Tom Critchlow在他的论文陈述部分，开始稍微探索了一下这个问题。

时钟最好的公司，会打败模型最好的公司。

在19世纪之前，全世界并没有一个统一认可的时间。

但随着火车速度越来越快，每个车站对时变得愈发重要了。

中午不能在伦敦和布里斯托尔代表两个不同的时间，否则你坐车不是晚点就是早到。

因此铁路系统统一了时钟，结果就诞生了如今仍在使用的标准时间和时区。

现在我们又得再次调时钟了。

AI带来了更快的思考速度，但我们还没协调好工作流来跟上这个节奏。

智能体几秒钟就能完成操作。

团队每周才开一次会。

财务部门按季度做规划。

领导层每年才重新审视一次战略。

每个部门都活在不同的当下，每个当下都基于不同版本的现实。

我们需要一个新的标准时间，一种适应AI时代的新协调机制。

就叫它标准状态吧。

它会是一个持续更新的记录，包含目标、决策、权限和约束，人类和智能体都能共享。

这听起来像个工程问题。

摄入上下文，生成状态，然后持续更新，这样工作者就能保持同步。

但保持同步不等于保持目标一致。

下一个挑战是应对我们工作方式中固有的模糊性。

团队会议、财务计划和年度规划，这些一直都带有仪式感，它们设计出来就是为了让个人和团队保持目标一致、被听见、有动力。

我们能直接放弃这些形式，转而采用标准状态吗？还是说，我们仍然需要继续那种人与人之间沟通确认的过程？

说到目标一致，时钟最好的公司可能很快会打败模型最好的公司，但前提是它要记得，知道时间并不等于知道当下需要做什么。

在这个方面，我今年秋天要重点探索的一件事，就是从单人AI转向多人AI，从单个智能体转向团队智能体。

我觉得很多关于协调以及围绕新型协调设计的新系统的内容，都会成为这些对话的核心。

到目前为止，我们一直在谈组织层面，但个人呢？

尽管这些人几乎都确信AI之后还会有工作存在，但很多人认为这些工作会和现在不太一样。

Oboe的CEO Nir Zickerman写道，AI做不了的工作会规模化。

技术革命总是会引发同样的循环。

工作会从容易自动化的岗位转向不容易自动化的岗位，同时释放空前的生产力。

我们在AI身上会看到同样的转变。

与具体且可验证任务相关的岗位会明显减少。

但那些AI不太擅长、却可以借助AI以前所未有的规模完成的事情，也会大幅增加。

LLM已经证明了自己特别擅长接手那些容易验证的具体任务，比如编程。

这些岗位会逐渐消失。

但由于结构性缺陷，LLM在执行需要模糊性、开放性和创造力的任务时能力相当有限。

这些岗位会蓬勃发展。

创意产业会起飞，原因和数码相机、数字音频工作站、互联网以及社交媒体把我们人人都变成创作者一样。

需要组织管理和沟通的岗位会比以往任何时候都更重要，那些需要人际互动的岗位也同样如此。

系统层面的岗位也会繁荣，因为需要监督大量智能体的需求在增长。

拿电影行业举例。

视频生成模型的兴起最近引发了对电影制作持久性的猜测。

但人类演员演绎人类编剧创作的故事这一点不会改变。

那些是只有人类才能做好的创意事业。

然而，电影制作中涉及的所有其他事情，从融资、选角到后勤管理，都将被简化到前所未有的水平。

这将让艺术家承担更多的创意风险，去做以前在技术上或经济上都不可行的事情。

这需要几十年时间，但就业市场最终会减少大量由琐碎工作组成的岗位，增加更多由人类独特能力构成的岗位。

我喜欢这个系列论点的原因之一是，我对AI行业未来预测的一个不满就是，他们一直不愿意深入具体细节。

这正是我今年早些时候在一集名为《The New Jobs AI Will Create》中试图解决的问题。

无论你是否同意这个分析，我很高兴看到很多作者都在深入探讨这个确切的问题。

另一个这样做的作者是Joe Hudson，他是The Art of Accomplishment的创始人。

他写道，智慧工作将取代知识工作。

Joe说，在AI之前，知识让你与众不同。

知道得更多意味着赚得更多。

但随着模型一夜之间吞噬整个领域，智慧——比如情绪清晰度、辨别力和连接力等技能——才是让你不可或缺的东西。

AI模型不睡觉也不会倦怠。

一个训练有素的模型很快就能够在任何时间同时超越物理学、法律和工程学专家。

想象一个世界，你所有的知识都变得无关紧要，就像今天生火的能力一样。

偶尔有用，但在有灯泡、中央暖气和炉灶的世界里大部分时候没必要。

AI也会让有才华的人更难逃脱文化破坏行为的责任。

几十年来，卓越的知识或技能为那些难相处的同事筑起了一道保护墙。

人们私下嘀咕着，他们就是这样的人，然后维持着表面和平。

但是当AI模型能在几秒内起草文件、诊断异常或优化市场策略，而且态度还很好——为什么还要为一个才华横溢的混蛋支付情感税呢？

但你的技能面临被AI颠覆的风险，并不需要你是个自吹自擂的天才。

影响力已经从你能做什么转移到了你在做事时如何表现。

当知识不再稀缺，什么还能保持价值？

智慧。

智慧是关于如何生活。

它是错误经过时间和反思消化后留下的精华。

它不能急于求成，也不能复制粘贴。

它是一种具身的体验——就像身体能感受到的那样。

来自内心的指引。

无论AI变得多么智能，它都无法真正生活。它感受不到你在高风险谈判中的身体信号，察觉不到会议室里隐藏的恐惧，也听不到客户礼貌言辞背后未说出口的拒绝。

这就是为什么未来的经济将重视智慧工作者。

你可以从AI那里得到答案，但如何使用这些答案需要智慧。

Build First 的创始人 Bethany Crystal 认为这不仅仅是智慧。

她说，怪异将是人类最好的优势。

Bethany 写道，回到高中时，我只以我的外号“拉杆箱女孩”闻名。

作为唯一一个用带轮子书包的孩子，我被无情嘲笑，经常独自一人，把收集的名片重新按字母排列，或者给篮球大小的球上加橡皮筋。

我并不介意。

作为早期互联网时代的孩子，奇怪和与众不同是常态。

然后网络成长了，自我优化了，并要求我们也这么做。

我听从了。

我变得正常了。

然后一切又变了，这一次以AI为核心。

如今，我独自经营一家在AI时代前需要五个人的公司。

但最大的惊喜不是AI让我更高效，而是它让我再次变得怪异。

AI重新引入了一种好玩、实验性的工作方式。

朝九晚五的工作模式正在瓦解，变成一系列基于项目的兴趣，专注于手艺和热情。

我在给朋友们做宾果卡应用，给客户做高度个性化的歌单。

我把博客重新弄成了一个自己选结局的冒险故事。

这不赚钱，但这是我多年来一直想做的事。

以前在学校，那些怪癖和特别小众的爱好会让人在操场上被排挤。

但在后AGI时代，这些东西是唯一让你保持人性的东西。

如果你把回归奇怪看作，怎么说，AI带来的一个意外好处，那么这种更广泛甚至出乎意料的好处，在好多其他观点里也反复出现。

比如说，Abstract Group的联合创始人Emily Vernon认为，AI会激发人们对平庸创意的抵抗。

Emily说，品牌这个概念本身并不复杂。

它就是一个好点子，在持续执行中不断积累价值。

AI确实帮了持续性的忙，但好点子还是很难。

现在更难了，因为AI让平庸的创意变得难以抗拒。

为什么还要花六位数和六个月去打造品牌呢？用几个免费的提示词就能生成一个还算凑合甚至有点品味的東西。

我们不该去追品味。

先锋电影导演John Waters的号召是，打破好品味的暴政。

现在有品味但没特点的品牌又便宜又好做，这种暴政比以往更重了。

相反，我们得变得难以预测。

搞创意的人一直都知道，好点子都是不可预测的，神经科学也证实了这一点。

大脑天生就会注意并记住意外。

它会把可预测的东西标记为可遗忘的。

既然AI的本质就是可预测，那这就是我们在其中的位置。

那么，怎么培养更多不可预测的思维呢？

方法还跟以前一样，但更有意识。

离开网络去寻求新灵感，扔掉推荐算法，关掉评论和噪音，奖励那些创造好点子的艰苦工作。

一个品牌得重复同一个想法一辈子。

要让它持久，就让它成为不可预测的一个。

最后一个贯穿全文的主题，也是我们最后要读的那篇小文章的核心，就是对我们每个人来说，世界和工作方式的转变可能会让我们与周围世界的关系也发生更广泛的转变。

Sublime的CEO兼创始人Sariah Zout认为，这是一份礼物。

她说，你的注意力会被还给你。

别浪费了。

在人类历史的大部分时间里，体力是阻碍进步的瓶颈。

然后当工业革命承担了那些重体力劳动，体力劳动变得廉价，价值就转移到了我们能用头脑实现的东西上，而不是四肢。

现在，AI正在为脑力做的事情，就像当年机器为肌肉做的事情一样：放大了智力产出。

但随着智力变得充裕，价值将再次转移。

这次转向了内心——那个涵盖了判断力、直觉、品味、自知之明、创造力和智慧的模糊集合。

因为虽然我们的网络正变得神经化，但我们还无法复制内心的那些狂热冲动。

在那些成功可以被验证的领域，AI表现出色。

但真正重要的工作很少有一个可验证的答案。

公司应该追求什么策略？

哪款产品值得存在？

我们应该支持什么想法？

更多的智力无法解决这些问题。

AI能告诉我们什么是可能的，但它无法告诉我们什么值得追求。

这并不意味着我们不应该拥抱进步。

我们应该将能自动化的一切都自动化，而不必感到恋旧。

毕竟，旧的工作世界并不美好。

没有人应该用自己珍贵的一辈子的时间去手动处理保险索赔。

我们应该把机器接手每项任务看作是把注意力还给了我们。

问题在于，我们是利用这些注意力去制造更多工作，还是重新投资于我们那些模糊的技能。

培养品味、信任自己的判断、在没有确定性的情况下做决定，以及对某事足够在乎并为之负责。

如果说工作的上一个阶段属于头脑，那么下一个阶段就属于内心。

所以，朋友们，这就是Every在他们的论题陈述里所酝酿的一些东西。

这是他们自己的一个项目，但正如我提到的，它与他们11月初举办的Thesis 27活动有关。

我相信他们场地有限，但你可以通过他们的网站申请参加这个活动。

主要来说，就像我在节目中某处提到的那样，我很兴奋地看到讨论从宏大、模糊、宽泛的陈述转向更深入、更细致的解释——即使因为未来的不可知性，它们依然会保持宽泛和模糊。

希望这是你周末消磨时间的有趣方式，但现在，今天的AI Daily Brief就到这里了。

一如既往感谢你的收听或观看，下次见，祝好。