知识经济已经结束， 欢迎来到分配经济！

在人工智能时代，每个创造者都成为了管理者。

时间并不像你想象的那么线性。它有波纹和褶皱，就像光滑的丝绸一样。它会自我翻倍，如果你知道往哪里看，你就能捕捉到当下闪烁的未来。

（这是人们不理解的关于未来派者的事情：他们不需要预测未来。他们学会从时间的褶皱中抓取未来，并像披风一样将其围绕在身上。）

我最近似乎捕捉到了未来的一小部分，我想告诉你。

上周我写了关于ChatGPT如何改变了我对智能的看法以及我看待世界的方式。我开始将ChatGPT视为人类知识的总结者，一旦我建立了这种联系，我就开始在处处看到总结：在我写的代码中（对StackOverflow上的内容的总结），我发送的电子邮件中（会议的总结），以及我写的文章中（我读过的书的总结）。

总结曾经是我需要拥有的一项技能，而且是非常有价值的技能。但在此之前，它大多是不可见的，被捆绑在我称之为“智能”的一组模糊的任务中——只有我和其他人类才能做的事情。但现在我可以使用ChatGPT来进行总结，我已经将这项任务从我的技能集中剔除，并交给了AI。现在，我的智能已经学会了指导或编辑总结，而不是自己做总结。

正如Every的Evan Armstrong几个月前所说，“AI是低级思维的抽象层。”那种低级思维，很大程度上，就是总结。

如果我今天就这样使用ChatGPT，那么这种行为（将总结任务交给AI）很可能在未来变得普遍。这可能对经济产生重大影响。

这就是我所说的在现在捕捉未来以及时间的非线性。如果我们推断我与ChatGPT的经验，我们可以预见未来几年我们的工作生活可能会是什么样子。

知识经济的终结

我们生活在一个知识经济中。你所知道的东西以及你在任何特定情况下利用这些知识的能力，是为你创造经济价值的来源。这主要是由个人计算机和互联网的出现推动的，始于1970年代并持续到今天。

但是，当那个非常的技能（知道并在正确的时间使用正确的知识）变成计算机可以做得更快，有时甚至和我们一样好的时候，会发生什么呢？

我们将从制造者变为管理者，从做工作变为学习如何分配资源——选择哪些工作要做，决定工作是否足够好，以及在不够好时对其进行编辑。

这意味着从知识经济过渡到分配经济。你不会因为你知道多少而被评判，而是基于你如何分配和管理资源以完成工作的能力。

已经有一类人每天都在从事这种工作：管理者。但在美国，只有大约100万管理者，约占劳动力的12%。他们需要知道如何评估人才，如何在不微管理的情况下管理，以及估计一个项目需要多长时间。经济中的其他人（做实际工作的个体贡献者）今天不需要那种技能。

但在这个新的经济中，分配经济中，他们将需要这些技能。即使是初级员工也将被期望使用AI，这将迫使他们扮演管理者的角色——模型管理者。他们不是管理人类，而是将工作分配给AI模型并确保工作得到良好完成。他们将需要与今天的人类管理者相同的许多技能（尽管形式略有不同）。

从创造者到管理者

以下是今天的管理者需要的一些品质，明天的个体贡献者（模型管理者）作为分配经济的一部分也将需要这些品质。

一个连贯的愿景

今天的管理者需要有一个他们想要完成的工作的连贯愿景。管理人类的管理者需要制定一个清晰、具体、简洁且根植于明确目的的愿景。模型管理者也需要这种能力。

你的愿景表达得越好，模型执行得就越可能符合预期。随着提示变得更具体和简洁，完成的工作将会改善。语言模型本身可能不需要一个清晰的目的，但模型管理者很可能需要为了自己的利益和参与工作而确定一个清晰的目的。

表达一个简洁、具体和连贯的愿景是困难的。这是一项需要多年工作经验才能获得的技能。其中很多归结为对思想和语言的品味培养。幸运的是，语言模型可以在这方面提供帮助。

清晰的品味

最好的管理者知道他们想要什么以及如何谈论它。最糟糕的管理者是那些说“这不对”，但当被问及“为什么？”时，不能表达问题的人。

模型管理者将面临同样的问题。他们的品味定义得越好，语言模型就越能为他们创造出连贯的东西。幸运的是，语言模型非常擅长帮助人类表达和完善他们的品味。所以，这是一个可能在未来变得更广泛分布的技能。

如果你有清晰的品味和一个连贯的愿景，接下来你需要做的就是能够评估谁（或什么）能够执行它。

评估人才的能力

每位管理者都知道，招聘至关重要。如果员工在执行工作，那么输出的质量将直接反映他们的技能和能力。能够充分评估员工的技能并将任务委派给能够完成这些任务的人，是成为一名优秀管理者的重要部分。

未来的模型管理者也需要学习同样的技能。他们需要知道哪些人工智能模型适用于哪些任务。他们需要能够快速评估以前从未使用过的新模型，以确定它们是否足够好。他们需要知道如何将复杂任务分解给适合各个工作部分的不同模型，以产生最高质量的工作成果。

模型的评估将是一项本身的技能。但有理由相信，评估模型比评估人类要容易，至少是因为前者更容易测试。模型无论白天还是夜晚都可以访问，通常成本低廉，它们从不感到厌烦或抱怨，并且能够即时返回结果。因此，未来的模型管理者在学习这些技能时将具有优势，因为当今的管理技能受限于为某人提供一个团队的相对高昂的费用。

一旦他们组建了完成工作所需的资源，他们将面临下一个挑战：确保工作质量。

知道何时深入细节

最好的管理者知道何时以及如何深入细节。没有经验的管理者会犯两种错误之一。有些人会过度管理任务，以至于他们代替员工完成工作，这是不可扩展的。其他人则过度委派任务，以至于这些任务执行得不好，或者完成的方式与组织的目标不一致。

好的管理者知道何时深入细节，何时让他们的下属接过球跑。他们知道要问哪些问题，何时检查，何时让事情顺其自然。他们明白，仅仅因为某件事情不是按照他们的方式完成的，并不意味着它就没有做好。

这些不是知识经济中的个体贡献者需要处理的问题。但它们正是分配经济中的模型管理者将面临的确切类型的问题。

知道何时以及如何深入细节是一项可以学习的技能——幸运的是，语言模型将被构建为在需要监督的关键时期智能地进行检查。因此，这不完全取决于模型管理者去做这件事。

大问题是：这一切对人类有好处吗？

分配经济对人类有好处吗？

从知识经济过渡到分配经济不太可能一夜之间发生。当我们谈论进行“模型管理”时，这将看起来像是替换微技能（比如将会议内容总结成电子邮件）而不是立即替换整个任务。即使有替换任务的能力，经济的许多部分可能需要很长时间才能赶上，如果有的话。

我最近在布鲁克林的Cobble Hill定做了裤子。当我拿出信用卡付款时，柜台后面的女士指着墙上贴着的纸质标志说：“不接受信用卡。”我认为我们会发现语言模型的采用速度类似：将有许多地方可以使用它们来增强或替代人力劳动，但实际上并没有使用。这将出于许多不同的原因：惯性、监管、风险或品牌。

我认为这是一件好事。在变革中，剂量决定毒性。经济体大而复杂，我认为我们将有时间适应这些变化。而人类思维向机器思维的缓慢转移并不是什么新鲜事。生成式AI模型是一个长期过程的一部分。

经济学家泰勒·科恩在他2013年的书《平均已结束》中写到了由智能机器驱动的经济分层。他认为，有一小部分能够与计算机协同工作的高技能工人将获得巨大的回报——而经济的其他部分可能会落后：

“如果你和你的技能能够补充计算机，你的工资和劳动市场前景可能会很乐观。如果你的技能不能补充计算机，你可能需要解决这种不匹配。越来越多的人开始倒向分界线的一边或另一边。这就是为什么平均已经结束。”

当时，他并没有写关于生成式AI模型。他当时讨论的是iPhone和互联网。但生成式AI模型延续了同样的趋势。

那些更擅长在日常生活中使用语言模型的人将在经济中占据显著优势。了解如何分配智能将带来巨大的回报。

如今，管理是一种只有少数人知道的技能，因为训练管理者的成本很高：你需要给他们一个人类团队来练习。但AI足够便宜，以至于明天，每个人都将有机会成为经理——这将显著增加每个人的创造潜力。

这将取决于我们整个社会，确保我们利用手头上令人难以置信的新工具，带动经济的其他部分一起前进。