蒸汽、钢铁与无限心智

Notion CEO Ivan Zhao的博文《蒸汽、钢铁与无限心智》近期引发行业热议。他将AI比作重塑时代的“钢铁”,认为其核心价值不在于功能叠加,而在于从底层重构组织形态。目前我们仍处于将AI“新引擎”强行嫁接于“旧水车”的过渡阶段,但作为“无限心智”的结构性变革才刚刚拉开序幕。

蒸汽、钢铁与无限心智 (Steam, Steel, and Infinite Minds)

作者: Ivan Zhao (Notion Co-founder & CEO)

来源: Notion Blog

 

以下译文:

 

每个时代都由其奇迹材料塑造。钢铁铸就了镀金时代,半导体开启了数字时代。如今,人工智能如无限的智慧降临。如果历史能给我们什么启示,那就是:那些掌握材料的人,将定义这个时代。

Left: teenage Andrew Carnegie and his younger brother. Right: Pittsburgh steel factories during the Glided Age.

左图:少年时期的安德鲁.卡内基与他的弟弟。右图:镀金时代期间的匹兹堡钢铁厂。

19世纪50年代,安德鲁.卡内基曾作为一名电报童,在泥泞的匹兹堡街头奔走。当时,每十名美国人中就有六名是农民。短短两代人之间,卡内基及其同辈们便开创了现代世界。马匹让位于铁路,烛光被电力取代,铁器逐渐被钢铁所替代。

从那时起,工作重心从工厂转向了办公室。如今,我在旧金山经营一家软件公司,为数百万知识型工作者打造各类工具。在这个产业重镇,人人都在热议AGI,但二十亿办公族中的大多数人却尚未真正感受到它的影响。知识工作不久后会是什么样子?当组织架构吸纳了永不停歇的头脑时,又会发生什么?

Early movies often looked like stage plays, with one camera focused on the stage.

早期的电影往往看起来像舞台剧,只有一台摄像机对准舞台。

 

这种未来往往难以预测,因为它总是伪装成过去的样子。早期的电话通话简短得如同电报。早期的电影看起来就像拍摄的戏剧。(这正是马歇尔.麦克卢汉所说的"我们透过后视镜看着现在,我们倒退着走进未来")

The most popular form of AI today look like Google search of the past. To quote Marshall McLuhan: "we are always driving into the future via the rearview window."

当今最流行的AI形式,看起来就像过去的谷歌搜索。引用马歇尔.麦克卢汉的话说:" 我们透过后视镜看着现在,我们倒退着走进未来"

 

如今,我们将其视为模仿谷歌搜索框的人工智能聊天机器人。目前,我们正深陷每一个新技术变革都会经历的那段令人不适的过渡阶段。

我并不知道接下来会怎样。但我喜欢借助一些历史隐喻,来思考人工智能如何在不同规模上发挥作用从个人到组织,再到整个经济体。

 

从自行车到汽车:个人交通工具的演变

最初的一瞥可从知识工作的高级从业者--程序员-身上找到。我的联合创始人西蒙曾被我们称为"10倍程序员",但如今他很少亲自写代码了。如果你路过他的办公桌,会发现他正同时协调着三四个AI编码助手。这些助手不仅打字更快,还能思考,这使得他成为了一名3040倍的工程师。他会在午餐或睡前排队安排任务,让它们在他不在时自动运行。他已成为一个管理着无数头脑的管理者。

A 1970s Scientific American study on locomotion efficiency inspired Steve Jobs's famous 'bicycle for the mind' metaphor. Except we've been pedaling on the Information Superhighway for decades since.

20世纪70年代<<科学美国人>>的一项关于运动效率的研究,启发了史蒂夫.乔布斯著名的"为大脑打造的自行车"这一比喻。只不过,自那以后,我们已经在信息高速公路上骑行了几十年。

 

20世纪80年代,史蒂夫.乔布斯曾将个人电脑称为"思想的自行车"。十年后,我们铺设了如今被称为互联网的"信息高速公路"。然而,时至今日,大多数知识型工作仍依赖于人力。这就好比我们一直在高速公路上骑着自行车。

借助人工智能智能体,像西蒙这样的人已经从骑自行车进阶到了驾驶汽车。

其他类型的知识工作者何时能拥有汽车?必须解决两个问题。

 

Comparing with coding agent, why is it more difficult for AI to help with knowledge work? Because knowledge work is more fragmented and less verifiable.

与编码智能体相比,为什么人工智能更难助力知识工作?因为知识工作更加零散,且可验证性更低。

 

首先,是上下文碎片化。在编码领域,工具和上下文往往集中于同一处:集成开发环境(IDE)、代码仓库或终端。然而,一般性知识工作却分散在数十种不同的工具中。试想一下,一个AI智能体要撰写一份产品简报:它需要从Slack聊天记录、战略文档、上一季度的仪表板数据,以及仅存于某人脑海中的组织记忆中获取信息。如今,人类充当着粘合剂的角色,通过复制粘贴和在浏览器标签页间切换来将这些零散的信息拼接起来。在这些上下文尚未整合之前,智能体仍将局限于狭窄的应用场景。

 

第二个缺失的要素是可验证性。代码具有一种神奇的特性:你可以通过测试和试错来验证它。模型开发者正是利用这一点,训练人工智能以提升编码能力(例如,强化学习)。但要验证一个项目是否管理得当,或者一份战略备忘录是否靠谱,又该如何做呢?我们迄今尚未找到适用于一般知识工作的有效模型改进方法。因此,人类仍需参与其中,进行监督、指导,并示范何为"好"的标准。

The Red Flag Act of 1865 required a flag bearer to walk ahead of the vehicle while it drove down the street (repealed in 1896). An example of undesirable "human in the loop."

1865年的<<红旗法案>>规定,车辆在街上行驶时必须由一名持旗人走在车前(该法案于1896年被废除)。这正是一个不理想的"人工介入"实例。

 

今年,编程智能体教会了我们,"人机协同"并不总是可取的。这就好比让某人亲自检查工厂流水线上每一个螺栓,或者在汽车前方走动以清理道路(参见:1865年的<<红旗法案>>)。我们希望人类能够从一个更具杠杆效应的视角对这些环节进行监督,而非亲力亲为地置身其中。一旦上下文得到整合且工作可验证,数十亿劳动者将从踩踏板转向驾驶,再从驾驶转向自动驾驶。

 

组织:钢铁与蒸汽

公司是近期的发明。随着规模扩大,它们会逐渐退化并达到极限。

Organizational chart for the New York and Erie Railroad, 1855. The modern corporation and org chart evolved with the railroad companies, which were the first enterprises that needed to coordinate thousands of people across great distances.

1855年纽约与伊利铁路组织结构图。现代公司及其组织结构图正是随着铁路公司的演变而发展起来的-这些铁路公司是最早需要协调远距离上千名员工的企业。

 

几百年前,大多数公司不过是十几个员工的小作坊。如今,我们却拥有了拥有数十万员工的跨国企业。支撑沟通的基础设施(由会议和信息连接起来的人类大脑)正不堪重负,面临指数级增长的压力。我们试图通过层级结构、流程和文档来解决这一问题。但一直以来,我们都在用人类尺度的工具解决工业规模的问题,比如用木材建造摩天大楼。

两个历史隐喻展示了未来组织如何借助新型奇迹材料呈现出截然不同的面貌。

A wonder of steel: the Woolworth building was the tallest building in the world upon completion in NYC, 1913.

钢铁奇迹:伍尔沃斯大楼于1913年在纽约落成时,曾是世界上最高的建筑。

 

首先是钢铁。在钢铁出现之前,19世纪的建筑最多只能建六七层。铁虽然坚固,但易脆且沉重;楼层一多,结构便会因自身重量而坍塌。而钢铁彻底改变了这一切。它既坚固又具有可塑性。框架可以更轻,墙体可以更薄,于是建筑物一下子就能耸立数十层。新型建筑成为可能。

人工智能是组织的钢铁。它有望在工作流程中保持上下文连贯,并在需要时精准呈现决策,且毫无杂音干扰。人类沟通不再必须充当承重墙的角色。每周两小时的对齐会议,将变成只需五分钟的异步回顾。原本需经三级审批的高管决策,很快就能在几分钟内完成。企业能够真正实现规模化扩张,而无需再承受我们曾视为不可避免的效能下降。

A mill with a water wheel to power its operations. Water was powerful but unreliable and restricted mills to a few locations and seasonality.

一种利用水轮驱动运转的磨坊。水力强大但不可靠,这使得磨坊的选址受限于少数几个地点,并且受季节性影响。

 

第二个故事讲的是蒸汽机。在工业革命初期,早期的纺织厂都建在河流和溪流旁边,依靠水轮机驱动。当蒸汽机出现后,工厂主最初用蒸汽机替换了水轮机,其他一切则保持不变。生产率提升幅度不大。

真正的突破出现在工厂主们意识到他们完全可以彻底摆脱对水的依赖之时。他们将工厂建得更大,并且更靠近工人、港口以及原材料产地。此外,他们还围绕蒸汽机重新设计了工厂布局。(后来,当电力普及后,工厂主们进一步实现了去中心化,不再依赖中央动力轴,而是将小型发动机分散布置在工厂各处,为不同的机器提供动力。)生产效率由此实现飞跃式提升,第二次工业革命也真正拉开了帷幕。

This 1835 engraving by Thomas Allom depicts a textile factory in Lancashire, UK. It was powered by steam engines.

这幅由托马斯.阿洛姆于1835年绘制的版画描绘了英国兰开夏的一家纺织厂。该厂由蒸汽机驱动。

 

我们仍处于"更换水轮机"的阶段。人工智能聊天机器人被简单地嵌入现有工具中。我们尚未重新构想,当旧有制约消失、你的公司能够依靠无数个在你熟睡时仍在工作的智慧大脑运转时,组织会呈现出怎样的全新面貌。

在我们的公司Notion,我们一直在进行各种尝试。除了1000名员工之外,如今已有超过700名客服人员负责处理重复性工作。他们记录会议纪要、解答问题,以整合团队知识;他们受理IT请求,并登记客户反馈。他们帮助新员工了解并熟悉员工福利。他们每周撰写状态报告,省去了大家反复复制粘贴的麻烦。而这还只是迈出的第一步。真正的成效,只受限于我们的想象力和惯性。

 

经济:从佛罗伦萨到特大城市

钢铁与蒸汽不仅改变了建筑和工厂,也改变了城市。

Florence and Tokyo

直到几百年前,城市还保持着人类尺度。你只需四十分钟就能走完佛罗伦萨全城。生活的节奏由一个人能走多远、声音能传多远来决定。

随后,钢框架使摩天大楼成为可能。蒸汽机驱动的铁路将城市中心与腹地连接起来。电梯、地铁、高速公路紧随其后。城市规模和密度急剧膨胀。东京、重庆、达拉斯。

这些不仅仅是佛罗伦萨的放大版。它们是截然不同的生活方式。特大城市令人迷失方向、缺乏人情味,也更难导航。这种难以捉摸正是规模带来的代价。但与此同时,它们也提供了更多机遇、更多自由一一比人类尺度的文艺复兴时期城市所能承载的,有更多的人以更多样的方式做着更多的事情。

我认为知识经济即将经历同样的转型。

如今,知识型工作已占美国GDP的近一半。其中大部分仍以人类规模运作:由数十人组成的团队,以会议和电子邮件为节奏的工作流程,以及规模不超过数百人的组织。我们曾用石材和木材建造过佛罗伦萨。

 

当人工智能智能体大规模上线时,我们将打造"东京"-由数千个智能体与人类组成的组织。这些工作流将全天候不间断运行,跨越多个时区,无需等待任何人醒来。决策过程将恰到好处地融入人类的参与。

这种感觉会截然不同。起初,节奏会更快、杠杆更大,但也更容易让人迷失方向。每周例会、季度规划周期和年度回顾的节奏或许会变得不再合理。新的节奏逐渐浮现。我们失去了一些清晰度,却获得了更大的规模与速度。

 

水车之外

每一种奇迹材料都要求人们停止透过后视镜看世界,转而开始畅想全新的未来。卡内基凝视着钢铁,看到了城市天际线;兰开夏的棉纺厂主们凝视着蒸汽机,看到了工厂车间里再无河流流淌。

我们仍处于人工智能的水车阶段,只是简单地将聊天机器人塞进专为人类设计的工作流程中。我们该停止要求人工智能仅仅充当我们的副驾驶了。我们需要畅想一下,当人类组织被注入钢铁般的强大支撑时,知识工作会呈现出怎样的面貌;当繁杂琐事被交由永不疲倦的大脑去处理时,又会带来怎样的变革。钢铁。蒸汽。无限的智慧。下一个天际线就在那里,正等着我们去创造。

 

来源:https://www.notion.com/zh-cn/blog/steam-steel-and-infinite-minds-ai

News.

行业资讯