人类才是瓶颈：大概率，我们会把 AI 套用到老工作流之中解决老问题，就好像英国人发明了坦克拿来做固定碉堡一样。但实际上，真正把新工具价值发挥出来，需要我们清空老的思维框架，以 AI 创造的新能力为中心，来重新设计流程和商业，才能挖出真实的新机会。

人才密度，是换工作的风向标：徐文浩在 Twitter 上观察到，Google 的牛人们在一个一个奔向 OpenAI。如果你不知道什么行业是未来，就去观察聪明人周末在研究什么；如果你不知道哪家公司更有未来，就看看身边真正干活的牛人们正在奔向哪家公司。

LLM 是最伟大的皮条客：LLM 最强大的能力就是把信息从 X 形式翻译成 Y 形式，这点大家都知道。但往往被忽略的是，除了我们人类沟通需要翻译来中介之外，世界上成百上千万个系统之间，其实也需要翻译。LLM 如果能有效做中介拉皮条，让这些相互隔绝的系统沟通起来，协作起来，本身就是一个巴别塔的价值。

创新来自于对异端的容忍：其实研究 OpenAI 为什么能一骑绝尘没意义，因为很可能只是他们赌对了路的幸存者偏差。真正强大的，是那个容忍异端、鼓励创新的土壤。在这个土壤之上，无数的创新迸发，相互跟进学习，才会有下一个伟大的涌现。

我经常拿流水线给别人举例子，讲以后我们要设计人和机器配合的知识工作流。

但今天看了一篇老文章，忽然有了一些更极端的视角。

这篇文章讲的是传统管理决策的”有限理性“和”满意即可“原则，可能会在人工智能时代变成”极限理性“和”最优化决策“。本身这些概念有点掉书袋，略过不表。但文章背后的思想其实很震撼——我们现在很多世界观和方法论……其实都基于我们已有的能力、资源和约束。当实际能力10X 变化时，大概率我们一下子脑子还转不过来，仍然会用传统的方式来使用新的能力和资源。

就好像，有些老人曾经经历过饥荒年代，所以现在特别节俭，哪怕住在大别墅里也总是忍不住想出门捡破烂回家放着才安心。我们在脑力稀缺（其实就是现在）的时代，不管是对自己，还是对下属，很容易自然而然形成一些节约脑力的偏好。基于这些隐性偏好，我们做的设计，很可能未必能释放 AI 真正的能力。

我们看过分节俭的父辈，总是能一眼看出来他们思维模式和现实可能性之间鸿沟，但看自己很难看出来。

举个例子，70 后、80 后中很多人会用电脑，如果读一本书想写个读书笔记，可能会在电脑里开一个 Word 文档（或者印象笔记里生成一条笔记）来记录。这一条读书笔记可能有个名字叫”读《XXX》的笔记“，而内容可能会包括我们看这本书获得的 2 个启发，觉得有意思的 3 个段子，一段感人的故事，和看完之后觉得自己应该养成的 1 个习惯。你是不是觉得我上面这个描述没什么问题？

你有没有想过为什么这些不同类的信息应该放在“一个文档”里呢？为什么这个文档有”标题“？为什么这个文档有”分页”？我们明明是在用数字工具，为什么脑子里的隐喻还是“纸张”和“文档”呢？为什么还受到了模拟世界莫名其妙的约束呢？

最近在和好几个传统公司一起探讨如何拥抱 AI，每次都用上面这个 Word 写文章的例子，让大家放飞思路一些。当我们进入到 AI 世界。如果我们整体结构不变，只是把自己原有工作拆解成任务，然后让 AI 来帮助我们提效完成部分工作，这个设计里面就会因隐含包含很多我们对于工作”应该怎样“的假设，而这个假设已经过时了。就好像英国人最先发明坦克，但却无法正确理解坦克的真正价值，只是把它们当做方便移动的碉堡。

只是把新工具嵌入到老工作流，大概率会有用，但也很可能不能物尽其用。应该反过来，从新工具角度出发，思考以它为中心，可能应用在哪些场景能最具威力，然后考虑如何给其支持和配合。

在二月份的短短两天里，就在推上看到两位Google Brain的研发人员宣告加入了OpenAI。几乎是在同一时间段，原先Telsa的人工智能总监Andrej Karpathy也宣布了自己决定回到OpenAI。也另有消息说，在ChatGPT上线之后的几个月里，从Google挖走了两位数的硬核AI研发人员。ChatGPT极其震撼的效果，对于优秀的研发人员也是非常有吸引力，可谓是最好的招聘广告了。

有朋友问我OpenAI这么堂而皇之地公开大规模从Google挖人，没有竞业么？没错，事实上，OpenAI和Google所在的加州，是不允许竞业协议的。某种程度上来说，这也是硅谷有着最繁荣的创新的土壤。你只要遵守保密协议，只是使用自己学会的专业技能，在加州完全可以跳到直接竞争对手去。或者觉得公司效率低下，也可以跑出去在同领域自己创业。

人才的流向一直是观察公司兴衰的风向标之一，字节跳动崛起的时候，伴随着大量百度的人员流失去了字节。拼多多飞速发展的时候，也少不了大量优秀的阿里的工程师加入。

很多年轻的在各种互联网公司的朋友，时常会问我，是否应该换工作。

事实上，是否该换工作最好的风向标就在你的身边，当你发现周围你觉得最优秀的同事都在离开了，那你也应该考虑换个地方。而如果不断看到你觉得比现有团队更优秀的人源源不断地加入，那么就安心呆在现在的公司吧。

人才密度高的公司，即使事情没有做成，所花费的时间也会让你不虚此行。当然，你要学会分辨什么是优秀人才，不是顶着漂亮的头衔和看着出彩的简历就是优秀人才，特别是已经远离一线的管理者。要去找那些还在一些投入时间具体做事情的人，他们当中最好的人去了哪里，哪里就会起飞。

接下来，相信国内也有大公司和创业公司会来搞大模型。谁会成功？看那些最优秀的一线干活的人去哪里就知道了。

4. LLM 是最伟大的皮条客

又是从《产品沉思录》看到一篇很有启发的文章，作者认为 LLM 是个伟大的皮条客：p

比如种红薯，当然创造价值。但如果种红薯的人和想吃红薯的人连不上线、说不上话、卖不通东西，整个经济效率就很低。而当供需双方都能连上，能聊上，金流物流通顺，经济就蓬勃。而促进供需双方连接、沟通和交易，有时被戏称为拉皮条：）

为什么说 LLM 是伟大的皮条客呢？因为它是最高效率的万能翻译，它最强大的功能就是把一个信息从 X 形式转化为 Y 形式。

而当今世界，除了人与人之间沟通需要翻译，其实机器与机器之间同样需要翻译。每一个程序，都有自己的输入输出接口，这些接口都是明确定义的——相当于每个人、每个公司都有自己一种语言文字，得按照它规定方式说话它才能听懂。这当然就极大限制了系统间沟通。

而 LLM 最擅长的，就是翻译。如果 A 系统输出的是 A 格式，但 B 系统需要的输入是 B 形态，原本就需要程序员介入，学习调整。但现在就可以在中间引入 LLM 作为翻译，把 A 系统的输出翻译成 B 系统能够接受处理的输入。

请了个万能翻译做中介拉皮条之后，我们拥有的 100 万个相互说话都费劲的系统，就可以更简单地相互配合、协作起来。哪怕光看这个角度，LLM 也有巨大的价值。

泡沫和遗产：如何看待 ChatGPT 发布 API 后的AI领域

前一阵读了Dallas Innovation对于儿时偶像约翰卡马克的访谈，然后同一天下午又见了多年未见的大神级老友。感慨之下就得到了这个标题：“创新来自于对于异端的容忍”。

卡马克的访谈很有意思，讲述了他从Oculus离开决定独立去搞AGI的心路历程

• 他找了一周闭关，学习了基本的机器学习的资料，觉得了解了基本原理

• OpenAI 希望他加入，并且给了他40篇论文，告诉他看完了就明白了这个领域90%的进展

• 看完了觉得的确AGI有希望了，于是转头搞AGI去了

• 但是没有加入OpenAI，也没有融一大笔钱搞大模型，而是融了2000万美元，自己一个人搞AGI去了

• 融2000万美元的原因是虽然自己掏得起，但是融资了才会为了为别人负责认真做

• 不融更多钱跟风搞大模型的原因，是觉得大家都用相同的思路会陷入“群体思维”

• 从第一性原来来说，我们的基因里只有1GB数据，分到大脑的话是40MB数据，所以我们应该可以用更少的数据来提供AGI

卡马克去年还和Stackoverflow的创始人打了个赌 认为在2030年之前，就会有L5级别的全自动驾驶在一个美国的主要城市开通

我觉得其中特别让人佩服的一点，就是没有去跟风搞大模型，而是觉得可以探索一点不同的方向。下午和老友聊起，觉得还是整个社会对于“异端”更加容忍，所以才能有真正的创新。

事实上，过去10年的深度学习，每一次新的大的突破都是不同的人搞出来的：

深度学习的坚持来自Lecun和Hinton，但是你看Lecun最近在推上的发言没少被喷，很多人都觉得作为Meta的研究的领军人物他的发言都是在酸OpenAI。

· 2016年的ResNet的进展来自何恺明。

· 先把强化学习的效果搞出来的则是DeepMind的AlphaGo以及一系列应用。

· Transformer的作者都是Google的。

· 但是用Transformer做出了GPT的OpenAI的又是另一拨人，其中熟悉科学家Ilya又是Hinton的博士生。

· Hinton自己最近的研究重点似乎又是Forward-Forward的神经网络架构，想进一步从“仿人脑”的架构上去找突破点。

很多人问，为什么OpenAI能搞出大模型，不是别人。我觉得这个问题就错了，OpenAI搞出来大模型本质上是美国创新能力涌现的结果。

有很多拨不同的人在尝试不同的方向，这一次可能是Google搞出来了，大家跟进学习，再去基于这个基础上尝试不同的方向。甚至还有很多人在研究一个自己相信，但是主流圈没有充足认可的方向。最终，这一次是OpenAI出来了，下一次，可能就是其他人。