AI不会取代创新

作者：Sabrina Albert (Wu) & Vivek Ramaswami

在过去几个月里，一种新的叙事风潮已逐渐占据主导。这一始于硅谷的观点，已迅速扩散到关于未来工作主流讨论中。

前沿 AI 实验室多年来一直在发布越来越强大的模型。这些系统能够推理、编写代码、开展研究并自动化复杂的工作流程。但来自 Anthropic 和 OpenAI 的最新一代推理模型，以及围绕 OpenClaw 的热议（Jensen 甚至声称它是 “可能有史以来最重要的软件发布”），让进展的节奏显得不同。曾被认为还要多年才会出现的能力，现在看起来更接近人类水平的智能。

该领域的领军人物开始公开谈论那些以前只在私下讨论的问题。Anthropic CEO Dario Amodei 警告称，AI 可能会取代大量知识型工作 。头条新闻预测， 软件工程以及初级法律和金融岗位将在未来十年内消失。像 Amazon 和 区块这样的公司已经以“AI 提效”为由裁员。仅在一月的前两个月，就有超过 33,000 起科技行业裁员被报道。

这就提出了一个令人不安的问题：如果少数几家公司控制着最强大的模型，它们是否也会控制建立在其上的工作流程？整类职业会消失吗？新公司还有出头之日吗？

这是一个引人入胜的叙事，也难怪会让人对未来感到焦虑。但历史表明情况并非如此。我们的观点很简单：人工智能将重塑工作，但不会抹杀机会，大型实验室也不会独占一切。跨越式技术往往会扩大创新的空间，人工智能很可能也会如此。让我们深入探讨！

阶跃式技术扩大了机会

快速技术进步的时期常令人感到不稳定。15世纪印刷术出现时，许多人担心知识骤然普及会带来后果。然而随着书籍变得更便宜、更易获得，识字率激增，全新的产业也随之出现——从出版到新闻业再到现代教育。

这种模式在其他行业也反复出现。在制造业，亨利·福特于1913年引入的流水线极大地提高了生产率，并促成了一个由整车厂、供应商和基础设施组成的完整生态系统。在农业方面，20世纪中叶的绿色革命通过在化肥、灌溉、作物遗传改良和机械化方面的进步，改变了粮食生产。在美国，农业从业人口的比例从1900年左右的约40%下降到如今不足2%，而粮食产量却大幅增长。

每一次变革最初似乎都会取代劳动，常常威胁到人们所知道的惟一工作。但随着时间推移，它扩展了生产力，释放了新能力，并创造了全新的产业。AI 似乎正遵循类似的轨迹。

初创公司如何在前沿模型时代出现并取胜

随着前沿模型持续改进，智能本身将变得更加强大且更广泛可及。但这并不意味着少数几家 AI 实验室会囊括所有价值。基础性技术很少以那种方式运作。当一种新能力变得充足时，围绕它的创新会随之扩展。前沿模型很可能会成为智能的基础设施层，但这种智能在现实世界中的应用仍远未开发。

整个行业如教育、金融服务和医疗保健在人工智能的渗透方面仍然远未达到，应用才刚刚开始起步。数十亿人仍无法获得高质量的知识、服务和工具，而智能技术本可以显著改善这些状况。像 Anthropic 和 OpenAI 这样的公司可能会构建引擎，但它们无法打造由这些引擎驱动的所有产品，而且仍然专注于在模型层面展开竞争（见下文，即便仅在模型层面，OpenAI、Anthropic、Grok 和 Google 之间的竞争也异常激烈）。

初创公司的机会在于将这种原始智能转化为能够解决实际问题的系统、工作流程和体验。

将智能转化为系统：

模型是非凡的推理引擎，但它们本质上仍是通用工具。将这种原始能力转化为解决真实问题的可靠系统需要架构设计。越来越多的人将这称为代理胸背带 。

胸背带是围绕模型构建使其可用的系统。它将任务路由到合适的模型，协调工具和子代理，检索上下文，并强制执行安全规则和评估循环。换言之，它把原始的模型能力转化为针对特定任务的可重复成果。

设计这些系统绝非易事。开发者必须决定何时将任务路由到不同模型、何时将工作拆分为并行的子代理，以及何时依赖确定性逻辑而非模型推理。子代理在各自的上下文中执行被委派的任务，这样父代理就不必承担每一步的完整轨迹。仅仅通过自然语言将所有事情交给模型，往往难以产生可靠的结果。

同样重要的是，这些系统必须验证自身的工作。强人工智能应用越来越依赖评估循环、重试和结构化检查，以确保在向用户展示之前输出是正确的。

最优秀的 AI 产品将模型与结构化系统结合。确定性的代码处理必须精确的部分。模型处理推理和模糊性。明确划定那道边界正迅速成为构建 AI 应用的核心制作工艺。

在模型持续改进的世界中构建：

此刻的另一个显著特征是模型进步的速度。模型变得更强大、更便宜、更快速。今天看似突破的能力可能在一年内成为基本功能。这带来了一个根本性挑战：在模型迅速提升的情况下，如何构建仍能保持价值的产品？

在大多数情况下，答案并不是在智能本身上竞争，而是围绕它去构建。拥有随时间复利的工作流、集成、评估体系和数据。任何单一模型不太可能在每项任务上都表现最好。不同模型将在不同能力上表现出色——无论是推理、内容生成、结构化输出、数学、图像还是视频。初创公司的机会在于设计能够利用多模型的系统，将任务路由到最擅长处理该任务的模型，并持续保持对模型的中立性。

深入理解顾客需求与品味：

在 AI 时代，最大的错误之一是认为更强大的模型自动意味着更好的产品。实际上，原始能力与真实世界有用性之间的差距仍然很大。

许多用户仍在挣扎于我们可以称之为空白画布问题 。打开大多数现有 AI 工具，你会看到一个闪烁的光标或一个写着“我今天能帮你什么？”的聊天框，但很少有关于下一步该做什么的指引。优秀的产品通过内嵌有立场的工作流和产品品味来解决这一问题。

品味体现在周到的用户体验、精心挑选的默认设置和引导式体验上，这些都能减少用户的认知负担。正如品牌和设计在消费市场上能区分产品一样，品味越来越能区分 AI 软件。这也解释了为什么白色 T 恤在材质、做工完全相同的情况下，可以有 5 美元、50 美元和 150 美元三种售价。消费者的品味极为重要，在人类行为未发生根本变化之前，这一点将持续存在。

为顾客完成最后一公里：

即便模型变得更强大，最难的部分也很少是智能本身——而是最后一公里。把原始模型能力转化为在现实世界中可靠运行的产品，需要与混乱的系统、边缘情形和实际工作流进行深度整合。

集成必须可用，输出必须可靠，系统在真实世界条件下必须行为可预测。这些问题需要专注和不断迭代。初创公司在这方面常常更具优势。专注于为特定客户群解决单一问题的公司，能够比试图面向所有人的通用平台走得更深。

大型人工智能平台可能会成为广泛分发智能的引擎。但专注于特定领域并在关键难点上做到位的专业公司将继续涌现。

改变消费者行为：

即便技术可行，采纳也并非板上钉钉。人类是复杂的存在，行为改变往往比技术本身的改进花费更长时间。

上周，Vivek 写到 Betty Crocker 最初销售只需加水的蛋糕混合粉 。该产品失败的原因是消费者为提供如此简单的食物而感到内疚。公司最终将配方改为需加入一枚鸡蛋，让人们有参与感。销量随之起飞。如今，AI 产品面临着类似的挑战。许多用户仍在摸索如何将这些工具融入日常工作和决策中。成功的公司不仅会打造强大的技术，还会设计出帮助人们建立信任、推动采纳并最终改变工作方式的产品，同时在过程中对用户进行教育。

未来的样子是什么

历史表明，人工智能的未来更可能呈现为生态系统，而非垄断。前沿实验室将构建智能基础设施，但数以千计的公司会涌现出来，将这些智能转化为解决实际问题的产品、工作流程和系统。

对于愿意深入理解客户、构建周密系统并在特定工作流程上坚持不懈的创始人和初创公司来说，眼前的机会可能比以往任何时候都更大。因此，也会创造出新的职位——尽管我们可能还不知道它们将以何种形式出现。竞赛才刚刚开始！