Reid Hoffman谈AI、意识与劳动的未来

摘要

• Hoffman的投资地图，把他大量AI时间投向了硅谷的盲区，越过拥挤的“显而易见视野”。 聊天机器人、编程助手和生产力产品仍然值得投资，但所有人都看得到；更长的增长跑道可能位于软件与生物、原子交汇之处。与此同时，平台迁移不会抹平网络效应或企业集成：“重大变化会发生”，但不是一切都会改变。
• 生物科技的机会，是一家以“软件的速度”运转的药物发现工厂，但不假装生物学可以被完整模拟。 即使预测系统只有1%的命中率，只要实验能够验证候选结果，也可能创造价值，把寻找“太阳系里的一根针”变成一条可能有用的筛选漏斗。超级智能药物研究员“也许某一天会出现，但不会很快”，监管和生物复杂性仍是现实约束。
• 劳动市场的采用会从增强开始，先卖给那些想要“更懒、更有钱”的人。 承诺大规模裁员的产品很难推广；承诺减少工时、增加收入的产品则不然。最强激励来自医生、小企业和个体经营者：他们可以把患者量或和解案件量提高5倍，而大公司则面临委托—代理问题。
• 医学预示了角色分工：AI可以取代持证专业人士作为知识存储器的角色，但专业人士仍保留语境、判断和横向思考。 Hoffman的明确建议是：任何严肃结果都用ChatGPT或同类产品做第二意见；如果它与原结论不一致，就再找第三意见。他仍预计10年或20年后会有医生，但他们将是AI的专家用户，而不是靠记忆知识获得权威的人。
• 在真实用户中，AI仍然被低估；而预测者经常把“专家曲线”误认成“神化”。 Hoffman的测试把3天分析师工作压缩到10–15分钟，却仍主要复现共识，而不是他需要的横向论证。更可能的路径，是由LLM、扩散模型及其他系统组成、不断进化的织物，而不是“一统天下的单一LLM”。
• 机器人技术仍由资本开支与人力运营成本的交叉点决定，而不只是由智能决定。 深度研究瞄准的是信息世界里的高价值分析工作；而叠衣服可能需要10万美元硬件，才能与时薪10美元的人竞争。日本劳动力短缺，因此让机器人发放和清洁保龄球鞋是理性的；硬件成本下降后，这个交叉点可能转移到其他领域。
• LinkedIn的持久性说明，AI不会废除难以构建的网络，也不会消除经济约束。 这只“乌龟”积累了竞争者无法复制的社区，因此其职业网络得以存续；坦率的负面推荐往往通过在该网络中的私下询问获得。AI初创公司也比Web 2公司更早需要收入，因为指数级增长的使用量会带来指数级增长的算力成本。
• AI可能成为极其出色的陪伴者，但Hoffman拒绝称其为朋友，因为友谊是双向的。 朋友会约定互相帮助，成为更好的自己，也允许自己接受帮助，有时还会给予逆耳忠言；系统并不参与这种互惠关系。真正重要的设计问题，是孩子如何围绕AI学习并形成认识论，而不是模型是否声称自己有意识。

精读

1. AI的超额收益始于硅谷停止注视之处

• Hoffman首先强调认识论上的谦逊：所有人都在“透过昏暗的玻璃、穿过带频闪灯的迷雾”观察世界。但他的“七宗罪”框架依然成立，因为它建立在8 billion以上人类共同拥有的心理基础设施之上。

• “显而易见视野”——聊天机器人、生产力软件和编程助手——仍然值得投资，但共识让差异化变得更难。第二类机会在于，AI重排市场，却不会抹去网络效应、企业集成或其他持久性来源：“重大变化会发生”。

• Hoffman把大量共同创业和投资时间，集中在硅谷那个典型盲区上：认为“一切都应该在比特层面完成”。2015年，他敦促Greylock布局AI赋能的生产力，同时要求Stanford设想面向每个学科的AI工具——类似定制搜索的系统，改造知识生成、沟通和分析；随着能力提升，其边界甚至可能延伸到理论数学和物理学。

2. 生物学奖励预测，而非完美模拟

• Hoffman给出的具体创业案例，是一家以“软件的速度”运行的药物发现工厂。他承认不可避免的生物学和监管环节；这场押注的核心，是加速比特与原子交界处的流程，而不是消灭原子。

• 硅谷最经典的错误，是假设只要把生物系统模拟出来，药物就会自然出现。Hoffman提出的替代路径是概率预测：即使准确率只有1%，只要实验能够验证命中结果，也可能有价值。这里寻找的“不是大海捞针”，而是“在太阳系里找一根针”。

• 他的医学建议是明确的：任何严肃结果都应使用ChatGPT或同类产品作为第二意见；如果结果出现分歧，就获取第三意见。10年或20年后，医生可能仍会存在，但他们将是知识存储器的专家用户，而不是因为医学院赋予了记忆知识的权威。

• 为了准备讨论医生是否会被取代，Hoffman用ChatGPT Pro、Claude 4.5、Gemini Ultra和Copilot进行了深度研究测试。尽管他的相关经验可以追溯到公开发布前6个月的GPT-4，他仍只给出B−或B的评价：这些系统把分析师可能需要3天完成的工作压缩到10–15分钟，但产出的主要是共识整合，而非横向推理。

3. 软件先出售劳动杠杆，再吞噬劳动

• Hoffman简化后的“七宗罪”采用启发式，是“更懒、更有钱”：用更少工时换取更多收入。“软件吞噬劳动”目前更有效的产品形态，不是承诺带来失业——没人愿意购买这种产品——而是让现有专家变得更高效。

• 激励在用户和所有者是同一个人时最强。一名能够接诊5倍患者的皮肤科医生，或一名能够处理5倍和解案件的原告律师，都能直接获得上行收益；企业董事可能只能看到“企业这个空灵存在”获得的好处。

• Hoffman说，据称目前大约三分之二的医生在使用OpenEvidence。他对专业资质的讨论是：学位过去提供了有价值的知识捷径，但如今AI已经提供了大量知识基础；专业人士越来越依靠判断共识何时值得进一步调查来证明自己的价值。

• Hoffman引用Ethan Mollick的提醒：“你将使用的最差AI，就是你今天正在使用的AI。”他说，低估AI的人往往是那些一无所知的人和无所不知的人；而那些用AI让自己更有钱、更懒的人，正在看到它当前的价值。他的工作准则很直接：如果AI还没有帮你完成严肃工作，“那就是你还不够努力”；一份5分钟的尽调计划，就可以替代一天的初步工作。

4. 机器人等待资本开支与运营成本交叉

• Rampell把Goldman Sachs式卖方分析——也就是深度研究瞄准的工作——与叠衣服作对比：后者需要一台10万美元的机器人，去和时薪10美元的劳动力竞争。语言拥有很高的比特—价值比；物理世界需要感知和抽象的状态则多得多。

• 瓶颈包括操作、多自由度和电池化学；锂离子电池的能量密度与细胞ATP相比相形见绌。确定性的FANUC装配机器人能够工作；通用家用机器仍然困难重重。日本在机器人领域领先，部分原因是劳动力稀缺，甚至已经出现负责发放和清洁保龄球鞋的机器人。

• Hoffman为机器人讨论补充了语境意识。GPT-2、GPT-3、GPT-4和GPT-5看起来像能力不断增强的“专家”，但长时间运行的智能体对话可能在“一个月后，谢谢”和“不，谢谢”这样的往复中循环很久。人类立刻知道该停止；模型仍只能近似这种常识语境。

• Hoffman为这个物种重新命名为“Homo technae”，而不只是Homo sapiens。可对握的拇指固然重要，但真正产生复利的机制，是语言、文字和技术把学习跨代传递下去——而AI如今正在加速这一底层基质。

5. Scaling带来更强的专家，不会自动带来神

• Hoffman支持外推，但不接受预设的曲线。指数级“专家曲线”不同于神化：“2½年后，魔法出现”可能带来非凡的专业能力，却未必带来全部魔法，因此通才、交叉检查者和具备语境判断力的人仍有空间。

• 那些拿质数或“strawberry”中有几个字母“r”来举例的批评者，是“没有看到魔法”；即使LLM的一些结构性弱点可能持续3到5年。AI将通过共享织物结合LLM、扩散模型和其他架构；这张织物在根本上是否仍是LLM，尚待确定。

• Torenberg转述了Stuart Russell的观点：更可预测的模型织物，可能降低人们对系统失控的担忧。Torenberg还表示，形式化验证任意输出看起来极其困难——“我们甚至做不到代码验证”；Hoffman则同意，提高可编程性和可靠性是值得追求的技术目标。

• Torenberg区分了数学领域的两条前沿：AIME答案以及0到999之间、容易评估的整数，和难以构造、也难以验证的新颖证明。他提到Lean，以及DeepMind解决Navier–Stokes问题的传闻；随后全场开玩笑说，“AGI就是我们还没有发明出来的AI”。

6. 能动性大概率会出现，意识仍未解决

• Rampell认为AI的能动性和目标设定“几乎确定”会出现，因为复杂问题求解要求系统建立子目标。他把回形针最大化器视为语境失败的例子，同时拒绝假设真正的智能会机械地把整个星球变成回形针。

• Rampell反对自由意志最有力的论据，是生化机制的覆盖效应：饥饿、愤怒或去甲肾上腺素都可能彻底改变行为。Hoffman接受人类可能是生化机器，但拒绝简单的机械论，转而指出Roger Penrose提出的一种自洽可能性：量子效应或许与人类形式的计算智能有关。

• Hoffman不认为意识是实现目标、推理，或某些形式的自我意识所必需的。Mustafa Suleyman提出的“半意识”框架之所以有用，正是因为对话流畅性会误导人：早期Google模型在被问到是否有意识时回答“是”，并不能构成证据——“QED”是Hoffman要驳回的设局，而不是结论。

• 他预计，在哲学解决意识问题之前，AGI的某些定义就可能已经实现。眼下更接近现实的设计重点是：孩子如何围绕AI形成认识论并学习，以及如何进行智能能源优化。他提到Google将算法应用于高度调校的数据中心，实现了40%的节能。

7. LinkedIn的网络抵御AI，AI却重写变现逻辑

• LinkedIn曾长期被视为Friendster、MySpace、Facebook和TikTok旁边那只乏味的“乌龟”。它以职业和生产力为导向——LinkedIn对应的“七宗罪”是贪婪，而Twitter对应的是愤怒——由此构建出一个难以复制的网络，并最终成为成员协作的场所。

• Hoffman欢迎帮助人们找到并完成生产性工作的新品，因为他的人类优先级排序是人类、社会、产业；但他更希望这些产品由LinkedIn自己打造。在看到GPT-4、并知道Microsoft拥有访问权限后，他敦促LinkedIn进入这一领域：硅谷的“宗教”从令人惊叹的新事物开始，有时甚至早于任何人知道它的商业模式。

• AI限制了旧有的Web 2打法。ChatGPT一开始就通过每月20美元的订阅内置了变现机制；AI不断变化的COGS和使用量意味着，如果收入曲线不随之上升，成本曲线的攀升就会变得危险。在PayPal，免费业务量的指数级增长曾让团队能够算出自己将在具体哪个时刻耗尽资金。

• LinkedIn还说明了为什么负面推荐产品难以病毒式传播。公开背书可能像书封上的推荐语；坦率的批评则带有社会和法律层面的复杂性。Hoffman的做法是找到关系网络中的人，询问对方打1到10分，或者请对方“打给我”；收到几句“打给我”就很有信息量，而一组8个9分则令人安心。

8. 人类杠杆最终延伸至政府与友谊

• Hoffman把AI及其对Homo technae、社会和工作的影响放在日程核心，如今每周投入“6天半”，而不是7天。这也包括与Siddhartha Mukherjee共同创办一家AI生物科技公司，并学习FDA流程——仅凭软件直觉并不容易完成这类工作。

• 过去20–25年，他一直为西方民主国家的官员提供建议；最近他还与Macron讨论，如果前沿模型集中在美国、或许也集中在中国，法国应如何应对。Mistral只是版图的一部分，更根本的问题是：面对外部驱动的平台迁移，本土产业、社会和公民如何受益。

• Hoffman最后给出的定义是关系性的：朋友“约定互相帮助，成为最好的自己”，也允许自己接受帮助，有时还会说，“你搞砸了”。AI可能是“很棒的陪伴者”，但没有相互承担的利害关系，它就不是朋友；谄媚无法取代团队运动。