我们仍处在 AI 发展的指数曲线上。我大概每两周发一篇 Substack，但随着节奏加快，有时候连这个频率都嫌太慢。上一篇发出后的几周里，AI 攻克了一道著名数学难题（伴随着争议），关于 AI 风险和对策的讨论也甚嚣尘上（同样伴随着争议）。我觉得，这些担忧，以及越来越多其他的忧虑，归根结底都指向我跟自己发文频率较劲的同一个问题：我们人类那套系统和流程，跟上 AI 发展速度实在太慢了。

我不觉得担心这些的人错了。但我也认为，只盯着未来的 AI（这当然重要），会让我们忽略一个事实：AI 此刻已经非常强大。事实上，新出的 GPT-6 Astra 和 Fable 5.1，已经足以对经济的大片领域产生变革性影响——只要引导得当、用对方法，它们能稳定地完成相当于人类数周的工作量。

举几个好玩的例子：我让 GPT-6 Astra 把 1977 年的文字冒险游戏《Zork》改成了一款可玩的 3D 动作冒险游戏。Zork 没有画面，每个地点都只是一段文字描述，所以 AI 得自己决定白房子长什么样、黑暗里会吃掉你的 grue 长什么样，以及怎么把”和巨魔打架”拍成一段动作戏。我还让 Fable 5.1 把意大利作家翁贝托·艾柯的图书馆3D 重建出来。艾柯在米兰的公寓里藏了数万册书，AI 找不到平面图，就改用十几段视频、基金会拍的每一排书架的照片和两份馆藏目录来干活：它逐帧辨认书脊、推测房间布局，把能认出的约 5000 本书安放在 27000 个书架格位里，每本书标上”确定 / 猜测 / 未知”，镜头够不到的书架则用雾气补上。这类任务，加上 Zork 游戏和我最近让 AI 干的很多现实工作，本来需要研究员、程序员、设计师花几周才能做完。但现在，AI 就做出来了。

我的核心观点是：在大家热议未来模型会做什么的时候，现有模型的能力几乎还没被真正用起来，甚至还没被真正理解。比如，直到 AI 真的做到了，我才知道 GPT-6 Astra 会操作 Blender（那可是相当专业的 3D 建模软件）。

我给了它一本我的新书《Co-Existence》的文稿，让它以 AI 的视角为书写一支预告片。没有我明确的指令，它自己打开 Blender，搭出了一整套动画 3D 场景（这活儿可不简单），还写了带笑点和反转的脚本（它加的第一个笑话被我否了，第二个相当不错）。然后它自己琢磨出怎么生成配音、音乐和音效，45 分钟后交出一部成片。成品比我想要的阴森一点，但那是 AI 的决定，不是我的。

为了看看它还能走多远，我说：“不错，但我真想要一支基于《Co-Existence》的动作片预告。放开玩，别超过 30 秒。“它又写了脚本、在 Blender 里做了 3D 原型。我要求更电影感之后，它把 Blender 动画当分镜脚本，通过我的浏览器操作了一个视频生成器，把生成的镜头剪成了最终预告片。我只给了些微小的创意反馈，从没碰过任何制作决策，甚至没完全搞懂它是怎么干完的。

这些尝试里能挑出不少毛病。但它们也是 AI 在行使某种判断力和创造力的例证——不久前，这还被认为是人类独有的特质。而且这些全都只用了我付费 ChatGPT 账号一小部分的 token 额度。我觉得这些演示很好玩，但也有点吓人：AI 正在变得擅长那些曾经纯属人类的事。不过，这些项目没有一个是自己发生的：是我选的题；我对 Zork、艾柯和我自己的书都足够了解，才看得出 AI 哪里错了、哪里值得要第二版。所谓能力悬置（capability overhang），就是模型能做到的和几乎所有人实际让它做的之间的巨大落差——而这正是机会所在，因为多数人没把自己的优势带进和 AI 的合作里，带进去的人能从 AI 那里得到多得多。

这就是为什么我觉得，我们得聚焦于那些即使 AI 能力继续提升也依然有用的个人特质。别想着跟 AI 比拼产出，那是必输的局。相反，要把自己的人类优势当作与 AI 协作的地基，去做那些你和 AI 单独都做不到的事。在我的书里，我列了四项特别关键的个人优势，想把 AI 用出独特价值、越用越强，就得靠它们：深知识、宽知识、品味和能动性。

四项优势

前两项优势来自”你知道什么”。深知识是把一个领域或主题吃透之后长出的专业直觉，能又快又准地做判断：资深会计扫一眼报表就知道哪里不对，高尔夫教练看一眼挥杆就明白错在哪。我也是靠它，几秒钟就看出第一版预告片比书本身阴森。深知识是专家的地盘，也是真正理解”锯齿前沿”（Jagged Frontier）形状的唯一方式——因为只有专家才摸得清，在自己的领域里 AI 哪里行、哪里不行。它还能帮你适应变化：深知识让人更容易从”干活的人”切换成”管活的人”。而 Anthropic 最近的研究也表明，专业知识还会影响 AI 回给你的东西的质量：专家不仅能从 AI 那里得到更好的产出，还能得到更多产出。

但光有深知识不够，你还想要宽知识。大语言模型的训练数据是人类浩瀚产出的一大片横截面：设计思维、贝叶斯推理、丰田生产方式、罗杰斯心理治疗、马克思主义文艺批评，AI 多少都学了一点。但除非你知道该问，否则 AI 很少会主动掏出这些范式。

宽知识就派上用场了。举个例子：你让 AI 做网页，它有自己的偏好，包括一个很烦人的毛病——总在你的大标题上面再加个小标题。如果你不懂设计，可能根本意识不到，得让 AI 别再”加眉毛”。我也是靠宽知识，才知道把 Blender 动画当分镜喂给视频生成器是拍片子的正经路子，而不是 AI 在跑偏。只要你知道正确的术语，提修改就很容易。想获得宽知识，就得跨领域、跨体裁、跨传统地广泛阅读和学习。这本身就有价值（文科的回归！），在 AI 时代更是双倍价值。

回到前面那些视频和项目……你可能对其中某个有本能的反应，或者全都不喜欢，也可能发现了想多看两眼的主题或想法。你在做这件事的时候，用的正是 AI 时代第三项人类差异化优势：品味。在 AI 之前，做东西又难又慢：写篇草稿要几小时，搞二十个产品概念要一个团队一周，写篇学术论文可能要几年。瓶颈永远是”做得不够多”。现在做东西又快又便宜，稀缺资源变成了你用自己的品味从一堆东西里做选择的能力。还是拿预告片说：我否了第一个笑话、留了第二个，要求了更电影感的版本——这是我对预告片做的仅有的几个决定，全凭品味。

有人品味大众，有人品味独特，有人品味追新。没错，生成式 AI 大多产出的是 slop（一堆彼此雷同的平庸之作）。但 slop 可以被品味打败。用 AI 做出好东西，意味着知道哪些 AI 产出该留、哪些该扔、哪些可以当原材料，做出 AI 自己永远想不出来的东西。

最后一项人类优势能动性，可能是最重要的，也最难聊，因为它很难定义、争议也多。但在 AI 的语境里，我觉得它是一种意愿：当所有人都对 AI 能干什么同样困惑时，你愿意去试探可能性的边界。你所在领域的锯齿前沿还没被测绘过，能动性就是去当探险家。区别在于：你是等别人告诉你”AI 现在能干这个了”，还是自己动手试出来。我做那么多古怪的 AI 实验——比如让 AI 玩游戏——部分原因就是，它让我学到很多关于 AI 到底能干什么的东西。

眼下关于 AI 的焦虑，大多指向未来的模型，指向我们能不能管住它们。政府和 AI 实验室争论怎么给发展速度踩刹车、管住风险，这很合理。但踩刹车并不能抹掉已经存在的东西。就算所有实验室明天就停训新模型，也改变不了一个事实：GPT-6 Astra 和 Fable 5.1 已经足以改变经济大片领域的运作方式。模型今天能做到的和多数人实际让它做的之间的能力悬置，巨大无比。

所以，变革一定会来，不管前沿以什么速度推进。它不会一夜之间发生，会很不均匀，但不可避免。可”变革不可避免”，不等于”变革的样子不可避免”。作为社会，我们越来越需要发展和分享那种增强、而非仅仅替代人类劳动的人机协作模式；作为个人，我们同样需要用增强、而非仅仅替代自己的方式去用 AI。我不觉得存在 AI 永远跨不过去的明确界线（见上文）。但这四项优势，是今天就可以开始的地方。