技能层：为何人工智能的真正价值可能不在你所想的地方

我十三岁时，靠割草和铲车道攒了 99 美元，买了一个 Macromedia Flash 的许可证——一种用来为网站开发动画图形的新软件。我记得那个盒子到的那天我有多兴奋。我把它拆开，安装好，然后就坐在那里盯着一块空白画布，完全不知道下一步该做什么。

那款软件仅仅是个开始。

我妈妈每天早上开车带我从家到华盛顿特区一个小时的路程，连续一周让我在酒店宴会厅里坐着，向真正懂行的讲师学习。但到那周结束时，我得到的比那 99 美元的软件应用更有价值——我学会了如何使用它。不久之后，我开始按每小时 125 美元收费为网站制作 Flash 动画，作为青少年一年就赚了好几千美元。应用只是起点，技能让我创造出真正的价值。

多年以后，同样的模式再次重演。移动端到来时，我也支付了 99 美元购买 Apple 开发者许可证以访问 Xcode。故事如出一辙——软件应用本身存在，但真正的工作是学会用它来构建。我的团队和我花时间培养那些技能，并把它们变成了数百万美元。Macromedia Flash 最终被并入 Adobe 后消失。Xcode 则成为 Apple 崛起为历史上最有价值公司之一的基础性组成部分。

但我不断回到的结论是：价值从来不在软件应用本身。价值始终在于技能。

无人提及的1000倍差距

软件所创造的所有价值都是复合体——应用程序与拥有从中提取价值技能的人相结合。用 Excel 建立财务模型的投资银行家。用 VS Code 发布软件的开发者。用 Google Docs 创作内容的作家。

该应用的许可证可能每年要150美元。提供操作该应用技能的人，每年要花费150,000美元。

工具成本与使用该工具技能成本之间存在1000倍的差距。经济学家会把这看作一种典型的委托—代理成本——即工具理论上能产出什么，与在计入操作者所需的高技能人工成本后实际上能产出什么之间的差距。几十年来，我们把这种差距视为经营的代价，因为别无他法。技能必须存在于人之中。

我们数千年来一直在试图改变这一点。我们把技能编纂进书籍、课堂、学徒制、在线课程、视频，甚至洞穴壁画。这些使我们作为一个物种得以发展，得以跨代积累知识。但我们总是碰到同样的天花板：技能最终必须由另一个人重新学习并重新具身化。传承总是有损的、缓慢的、昂贵的。

技能被困在人类之中

有一件事鲜有人足够重视：我们付钱买的不仅是技能，而是与拥有这些技能的人一并带来的所有东西。

我在创办 Grubhub 时亲眼见过这一点。早期，餐厅会把菜单以 PDF 的形式传真或通过电子邮件发给我们。我们需要那些信息——每一件商品、每一个价格、每一个可选项——被提取并加载到数据库里，以便顾客能够下单。所以我们建立了一个流程：扫描 PDF，把它们发给我们在印度的团队，让人在表格里手动录入菜单上的每一个 SKU，然后把表格导入我们的系统。这个方法行得通，也能扩展。但它代价巨大且缓慢，因为把 PDF 里的信息读出来并填入数据库的唯一可用载体就是人。

而每一个人都带来了其他一切——管理成本、沟通滞后、质量差异、培训时间、人员流动。我们不仅仅是为技能而雇人，我们雇的是完整的个体，并围绕支持他们建立了完整的运营结构，因为那是获得所需能力的唯一途径。

这就是我们在有组织劳动整个历史中一直陷入的陷阱。知识的最终承载者始终是人。因此我们不得不获取、培训、管理、留住并支持这些人，才能获得他们所掌握的技能。技能从来不是可移植的。它总是嵌入在某个人之中，因此总是与伴随一个人的一切捆绑在一起。

人工智能打破了这种捆绑。首次，技能可以独立存在。

为何“将服务视为软件”的观点有误

当前风险投资界流行的框架是“将服务视为软件”——也就是认为人工智能最终会像 SaaS 自动化后台工作流程那样，自动化庞大的服务业。这是一个引人注目的叙事，但我认为它在一个关键方面过于抽象。

“服务”是一个极其宽泛的术语。给你剪草的人是提供服务。帮你构建投资方案的人也是提供服务。但这两者完全不同。它们需要截然不同的技能、不同的工具、不同层次的判断，并创造完全不同类型的价值。把它们统统归在“服务”这一标签下，掩盖的东西往往和揭示的差不多多。

人工智能实际在原子化的并不是服务——而是技能。具体的、独立的、可部署的技能。

想想把 PDF 转换成电子表格这样简单的事——这正是我们在 Grubhub 所解决的问题，成本不菲。工具在两端都存在。Adobe 提供了 PDF，Microsoft 提供了电子表格。但要把它们衔接起来，就需要一个既懂两端又能在它们之间翻译并在另一端交付目标的人来操作。同样的逻辑也适用于割草。割草机和修草机是工具。但正确操作它们——知道如何修边、如何重叠行、如何处理坡地——就是技能。只有在将技能应用于工具时，目标——一个整洁的院子——才会实现。

这才是人工智能正在释放的真正价值单位：不是广泛的服务，而是被原子化并嵌入到 AI 平台中的单个技能，经过处理后带来一个实现了的目标。关键是，这并非要整体替代工作。大多数工作是一组任务的套装——有些是依赖工具的任务，有些是人际交往的任务，有些是不会消失的社会与关系性任务。被自动化的是用于依赖工具任务的技能、专业组件，即过去需要多年训练或另一大洲团队才能完成的那部分。工作剩下的部分——人的部分——在很大程度上仍然存在。

技能即被压缩的经验

要理解技能层为何如此有价值，先弄清技能究竟是什么有所帮助。

人类的许多经验本质上都是一种数据压缩的练习。我们用一生去把海量信息压缩成越来越小的形式。我们把一生的经验浓缩成一本教科书。我们把教科书浓缩成一门课程。我们把课程浓缩成一个框架。我们把框架浓缩成一个原则。而在每一步，我们都在努力将尽可能多的信号打包进足够紧凑、能传递给他人的东西里。

技能就是这一过程的具体体现。当某人具备财务建模的技能时，他们实际上拥有的是数千小时压缩而成的经验——识别出的模式、犯过并改正的错误、随着时间培养出的判断力——所有这些都被浓缩成一种他们现在可以快速且可靠地运用的能力。我们用证书来包裹这种压缩：学位、认证、头衔。但这些只是指向底层事物的信号，底层的实质是一种高度压缩的经验数据集。

人工智能训练的核心在本质上与此相同——只不过是在人类无法比拟的规模和精确度下进行。强化学习、微调、RLHF——这些都是将海量数据压缩成可部署能力的机制。也就是将其转化为技能。模型本身非凡卓越，但模型只是基础设施。它们所编码的技能才是产品。

OpenClaw 教给我的关于技能层的启示

过去几周我一直在用 OpenClaw 开发——一个位于你的 AI 模型之上的 AI 协同层，负责协调它们的作用与时机。它最近被 OpenAI 收购，我认为一旦你理解了 OpenClaw 的价值所在，这笔收购就非常合理。特别感谢 Peter Steinberger 和团队所做的工作。

以下是我在直接使用它时的体会：单独看这个代理本身，会发现它出乎意料地不主动。归根结底，OpenClaw 代理本质上就是一个对着 AI 反复运行的永久性定时任务——一个不停循环地问“你有什么要我做的吗？”的过程。没有合适的输入，答案往往始终是否定的。

让代理真正有用的是你赋予它的技能。当你为 OpenClaw 代理配备管理日历的技能时——这不仅仅是 API 访问，还包括对“优化”含义的判断、权衡冲突优先级的能力、对上下文和偏好的理解——突然之间，这个循环就有了可操作的内容。代理实际上能够做事了。

这是我将“技能层”论文具体化并在实时中使之可观测的成果。基础设施已经存在。应用已经存在。编排层也已存在。但决定这一切是否创造价值的，是是否已将正确的技能编码并可供使用。那就是杠杆所在。那就是差异化会复利增长的地方。

这对估值意味着什么

当你考虑到人工智能公司的估值时，这一重新定义就变得极其重要——委婉地说，这些估值确实让人侧目。

典型的批评大致是这样的：一家估值 5 亿美元的 A 轮公司怎么可能产生风险投资级别的回报？如果你以软件应用的整体可用市场（TAM）来衡量，这些数字看起来很疯狂。但如果你不再以软件 TAM 为衡量标准，而是以被取代的实际技能来衡量，情形就完全不同了。

“协调和安排会议这项技能的市值是多少？”

“财务分析这一技能的可寻址市场有多大？”

你谈论的已经不再是数百亿美元，而是数万亿美元——因为你是在以当前在全球经济中执行这些技能的人力资本为定价基准。这样一算，那些在 A 轮看似不合理的进入估值，到退出时就能说得通了。

正如汽油最终被证明是洛克菲勒煤油生产过程的极其有价值的副产品一样，我相信技能将被证明是强化学习和模型训练过程的有价值副产品。模型正在被构建，基础设施正在被资助。但真正从另一端产出的——可具体部署、可产品化的技能——才是持久价值将会累积的地方。

那就是我关注的方向。那就是我投入的地方。