Aaron Levie 与 Steven Sinofsky 谈 AI 工作者的未来

摘要

• AI 工作者的终局是自主后台执行，而不是更好的聊天界面。 Aaron Levie 用无需人工介入就能完成多少有用工作来衡量智能体性；Martin Casado 则提出更严格的测试：系统必须消化自身输出，并据此合理推进。由于长时间自治可能放大错误，实际架构可能是许多设有人类检查点的受限工作者——Steven Sinofsky 所说的“Linux 里的 ampersand”，只是从“真的很差的实习生”升级而来。
• 新架构更像围绕人协同的专业化智能体，而不是单体 AGI。 Erik Torenberg 将深度任务 expertise 与编排能力区分开来；Levie 表示，他还没见过一个高性能系统能完全脱离人类环节。对投资者而言，关注点因此从通用智能的宏大叙事转向工作流深度、编排能力，以及“经济账是否算得过来”。
• 带日期的 AGI 预测和“递归自我改进”，透露出的不确定性远多于其精确表述。 Sinofsky 预计，2027年目标最终会演变成一场围绕定义的争论——“一个行业的 OKR”——因为指数式进步是真实存在的，但10年后的结果仍不可预测。他的技术性质疑更直接：反馈回路可能收敛、发散或渐近，因此仅凭递归改进“几乎说明不了什么”。
• AI 当前更可靠地叠加专业能力，而不是取代专业能力。 企业获得了更好的模型，也形成了更成熟的验证文化；关键指标是复核所需时间与手工完成任务所需时间的对比。专业工程师接受“老虎机”，因为他们能识别好输出，仍然获得“10x生产力”；新手则可能在无法识别错误的情况下直接部署失败结果。
• 提示词正变得更长、更专业，因为人的意图不可能被简单推断掉。 Levie 表示，输出仍与输入高度相关，并发现“长达数页”的提示词优于含糊指令；Sinofsky 解释，形式语言的出现正是因为专家需要高效、精确地传递信息，而 Levie 认为术语是领域专家沟通的形式化方式。与 AGI 叙事相反的趋势是：“更多智能体，而不是更少”，去完成更多窄任务。
• AI 将通过暴露真正具有顺序依赖、以及仅因人力稀缺才被串行化的步骤，重做工作方式。 开发者可以按 GitHub pull request 管理智能体，律师可以监督20个案件智能体，活动负责人则可以并行启动场地、邀请函和宣传物料任务。组织层面的含义是，人类将成为智能体的管理者，工作流也会围绕工具重新搭建。
• 随着 AI 变得更垂直、更受数据约束、也更有经济选择性，应用机会将继续扩大。 讨论者预计，各部门和各行业都会出现垂直智能体，并认为模型提供商不可能在50个不同领域执行得过“50家创业公司”；后训练、强化学习、专有数据、权限和工作流所有权将成为护城河。Casado 的单位经济学筛选很关键：对许多应用而言，“20%的推理调用占80%的成本”，产品价值就在于挑出那些值得付出成本的领域专用调用。

精读

上游暂未提供，后续同步将继续补齐。