AI 与工作的未来：智能在哪里，机会就在哪里

摘要

Working Intelligence 播客主持人 Jordan Hirsch 与 Palantir 首席架构师 Akshay 对谈，主题是 AI 与劳动力的未来。Akshay 在 Palantir 工作约 13 年，见证并推动着公司一贯的理念：从第一天起（为反恐分析员与前线士兵服务），Palantir 的使命就是「增强与赋能决策者」，如今横跨 50 多个行业垂直领域。在生成式 AI 时代，他的核心主张是：AI 远不只是「劳动力来源」，而是一条从增强到全自动化的光谱——它正在推开人类在专业场景中可能性的前沿，让「工作与影响之饼」越做越大。

他批评流行的聊天机器人范式是「精灵式的、一时兴起的按钮」：问一句、得一个答案，交互转瞬即逝。真正的做法是让 AI 与人类在同一个「决策平面」上协同——这正是本体论（Ontology）系统的意义：把供应商、交互、入站邮件、ERP 编排全部建模，从「分诊」这一步开始让 AI 帮忙，再像平滑地转动旋钮一样逐步扩大其权限。一位日本客户用「弟子」（intern）一词来形容：AI 像刚入职的实习生，能力很强但对你的情境一无所知——问题在于如何把它嵌入情境、以安全的方式逐步授权。

Akshay 提出两个常见的起点瓶颈：「情境瓶颈」——信息太多，操作员只能有损地理解；「容量瓶颈」——一天内根本处理不完待办。PG&E 的案例展示了解放的效果：电网运营人员借助 AIP 与 Foundry 处理断电决策，过去几年显著减少了野火及其前兆事件。他最后指出公共讨论中缺失的关键：「智能在哪里」——模型里的智能只是一部分，大部分智能困在正在工作的人身上，而把这部分知识编码（不是取代他们，而是给他们杠杆）才是未被开采的冰山。

正文

一、从第一天起：增强决策者而非取代他们

Akshay 在 Palantir 工作约 13 年，他认为当下「变化的速度与在核心领域产生影响的速度，从未像现在这么高」。他强调，从 Palantir 第一天起（在条件朴素得多的环境中），公司做的事情就是「增强与赋能决策者」——当时是少数决策者：反恐分析员与战场上的士兵，一组非常具体的任务。这种精神延续到今天：公司在 50 多个垂直领域工作，从造飞机、航班运营到电网控制、盟国防务协作，但思考的核心始终是「真正赋能做决策的人、影响那些任务」意味着什么。

生成式 AI 语境下真正有趣的问题是：AI 最大能成为什么？它能成为劳动力来源吗？它能否跨越从增强到全自动化的光谱？Akshay 的看法是：AI 确实在推开「人类在大多数专业化场景中能做什么」的前沿。关于「AI 将取代部分劳动、让一些事不再需要人来驱动」的讨论是真实的，但他看到的是「人类能借助这些工具与模型、以不同形态与功能创造的工作与影响之饼」在显著扩大。

Jordan 提炼出一个关键观点：要从 AI 中获得最大价值，恰恰必须有人类参与——没有人类参与的 AI，加上没有被 AI 赋能的专家，是「两个世界的最坏结果」：既没有赋能人类，也没有赋能 AI。如何从技术角度落实这一点？Akshay 指出，那些自认「非技术」的人（护士排班员、技师——其实各有各的技术）会直觉地理解一个事实：现代生成式 AI 是在互联网等大型公共语料库上训练出来的，所以它的知识有趣、推理能力令人印象深刻，但在大多数情况下相当「通用」。要让它在你具体的临床护理运营中有用，它必须像任何员工一样理解：你的决策流程是怎样的、你为什么选择用这组信息而不是那组、你一天的行动是怎么流转的。所以直觉上，你需要某种「系统或缰绳」来把 AI 提升到可用的水平。

一位日本客户用了一个词：deshi，即「弟子/实习生」。实习生可能非常能干，但刚加入时对你的情境一无所知——问题是如何把他们嵌入情境、并逐步、安全地授予更多可允许的工作范围。而一个好实习生也会提升你的水平：它是头脑风暴伙伴，是给你新鲜创意的人——这正是 AI 作为「最大伙伴」可以成为的样子。

二、决策的「化学计量」：数据、逻辑与行动的共同平面

AI 有一个「通用但令人印象深刻」的推理核心，问题是它如何与你所处的决策世界连接。Akshay 提出「决策过程的化学计量」：做决策时，有用以思考如何行动的信息、有你会考察的可能行动集合、还有你实际拉动的行动（无论精细编排还是翻转某个比特）。也就是：数据、某种逻辑或推理、以及行动。人类在很多情境中几乎是自动地在做这件事。因此必须把 AI 系统（或模型、智能体，无论你怎么封装）与「人类今天正在使用的同一套决策模型」连接起来——同样的数据、同样的逻辑、同样的行动。当人类做出隐式选择、使用未被编码在任何地方的部落知识时，系统必须能够从中学习、转化为 AI 可用的东西——但这必然是一个「与人类操作员并肩运行」的过程。

这正是传统聊天机器人范式的局限：它本质上是「精灵」——你问一个问题，它像一个「我运气不错」按钮给你一个答案；交互是短暂的、转瞬即逝的：我问、它答，答案可能好也可能坏，我可能少用一点，但我还有一堆活要干。而真正「外科手术式」的做法是：我们双方都在一个共同的决策平面上运作——这就是本体论系统：我把供应商、交互、入站邮件、ERP 系统的编排都建模进去。先找一个具体的步骤让 AI 帮忙：比如分诊（triage）——理解如何梳理所有这些入站信息、决定先处理什么。然后像平滑地转动旋钮一样，逐步说「也许它可以帮我做下一步」——从过去做过的方案中选择（既往解决方案、处理这些问题的既往策略）。「先增强我，再谈完全自动化。」这种路径依赖的方式通常会产生两个效果：把人类解放出来去做更有趣、更有雄心的工作；让 AI 成为一个更高级的工具集，帮人们完成那些过去非常手工、繁琐的事。

Jordan 补充了历史视角：计算机革命曾被比作乔布斯的「头脑的自行车」，但接下来 30 年实际发生的是——人们被数据、成堆的电子表格与邮件淹没，行政负担几乎超过了人脑独自承受的极限，医生护士被文书压垮、工厂车间亦然。AI 在某种意义上正是把人解放出来，让他们专注于更高阶的人类创造力。

三、两大瓶颈：情境瓶颈与容量瓶颈

Akshay 观察到，无论在网络规划、野火响应、军事行动还是护士排班中，引入 AI 都有两个共同的起点瓶颈。第一个是「情境瓶颈」（context bottleneck）：作为处理供应链入站支持问题的人类操作员，现在与问题相关的数据太多了——机器手册、既往问题与支持解决策略、关于某个供应商或客户的信息、跨物流网络的互联信息。操作员通常能理解如何驾驭其中一部分信息，但那是「有损的」：你只能接受自己无法全部利用。AI 的令人兴奋之处在于，当它被正确嵌入与锚定时，能在流程的正确时点把正确的信息带给你。第二个是「容量瓶颈」（capacity bottleneck）：有时你就是无法处理完每天必须处理的所有问题——要在下班前排完这么多班次、处理完这么多积压问题，而手动走完每个工作流会时间不够或与优先级冲突。AI 能否帮你处理更多？「头脑的自行车」让人想到的是给人们更多应对问题的杠杆——Akshay 更喜欢的类比是「钢铁侠战衣」。

这引出一个相关的恐惧：AI 会降低技能下限、把专业知识商品化——「如果我把自己脑子里的东西放进系统，我会不会变得可被取代？」Akshay 认为很容易论证增强恰恰相反：它抬高了技能上限。过去 30 年全球劳动力市场是「向最低公分母竞速」，AI 可能带来相反的结果——最有专长的工人反而最受珍视。这里的「专长」不一定是白领意义上的：真正知道「一个系统该拧几下扳手」的人，可能全世界只有三个人会做。问题在于：我们是否即将翻转「最低公分母」的范式？

四、PG&E 与技能天花板的抬升

Akshay 承认，关于技术取代劳动的担忧可以追溯到工业革命甚至更早；信息处理范式里，二战后控制论的公理（无论诺伯特·维纳还是万尼瓦尔·布什）是「任何可以被编码的东西，最终都可能被自动化」——如果工作只存在于比特空间、信息空间，逻辑上它迟早能被足够复杂的机器自动化。我们确实在低端看到这一点——讽刺的是，人人都在学编程，而恰恰是那些符号化表征的工作最先被砍掉。但世界上有大量工作存在于现实情境之中、并没有被如此显式地编码。「劳动热寂」的想象假设了一个真空：没有竞争压力、没有人类正在对抗的前沿。问问企业里任何一个人：「这位员工的职责就是每天筛这些琐碎问题吗？」答案显然是「不，她有能力做远不止这些，但她不得不」。AI 真正做的是放大人类潜力，让你能处理高阶事务——当底层那批「不总是苦差事、但确实不需要此人专长」的工作被蚕食掉之后。

随之而来的是一道组织分岔：有的组织把这视为激动人心的机会——回去和员工一起重新发明造船、重新发明建筑或变压器制造；有的则想「天哪，现在我得思考这些、重新想象人们的角色了」——在 Akshay 看来，后者是注定处于竞争劣势的「确凿信号」。

最佳例证是 PG&E：他们有双重使命——以最优费率向北加州供电，同时必须应对野火问题与大量安全关切。难点在于何时对电网部分区域断电——他们称之为 PSPS（公共安全断电）事件：因为存在火花、风险因素甚至风险因素的前兆，你可能要主动切断部分电网、或处理负荷尖峰，从而随时间降低风险画像；但你不能没完没了地断电，因为人们需要用电。看过电网运营人员工作的人都会惊叹：他们几乎是网络的延伸——对电网、情境、影响负荷与客户的因素的理解，简直像在与硬件软件系统进行某种「神秘的耳语」。借助 AIP 与 Foundry，他们把更多信息带进断电提案的评估、更智能地聚类这些活动——过去几年显著减少了野火及其前兆事件的发生。「其中很大一部分，就是解放这些工人的天才。」

五、被忽视的冰山：人类工作中的隐性智能

关于人类创造力的前沿，Akshay 相信「人类前沿」——我们不应该有想象力的失败。某些行业内部确实可能出现工作与劳动的净转移，但会有一个正和的制衡力量并最终超过它：企业家与创业者能够用更小规模的团队、以高得多的生产率创建全新公司——而且会有更多这样的公司，因为你不再需要一大群做无差别工作的人。建立下一代电力供应商或下一代物流公司的门槛一直很高：一部分是工作的复杂性（合情合理），另一部分纯粹是「要跨过所有核心职能的大量苦差事才能到达起跑线」。因此可能出现行业的复兴、创造性破坏：那些回避变革的既有巨头，可能被更精干的小团队挑战——用被滥用的话说，是「民主化」那些在组织与竞争层面长期抗拒变化的行业。

被问及公共讨论中缺失什么，Akshay 的回答直指要害：「缺失的是——智能在哪里。」模型本身确实有大量智能，但大部分智能在「正在进行的工作职能与人类工作者」身上。问题是这些信息通常没有被捕获。他开玩笑说，AI 听起来很科幻、很控制论，但当下的人类工作几乎是「心灵感应式的」：看生产线上或船厂里真正投入工作的人，你会惊讶于他们随时在运用多少具体、结构化的情境知识。把这些人头脑中的知识编码出来——不是为了取代他们，而是给他们更多杠杆——才是真正未被开采的冰山。模型的通用知识之外，微调与构建领域专属模型（Shyam 所说的「模型动物园」——每个都针对具体用例）应该源于这些实际做工作的人的生活现实——这在很大程度上是一项未被开采的资产。「所有人都在等智慧从天而降，给自己更多知识杠杆——其实你环顾四周，大部分智慧可能就困在那里。」找到这些地方、解锁它们，就是未来的机会所在。