深度研究与知识价值

本文信息来源：stratechery

“你何时感知到了通用人工智能？”

这个问题在人工智能圈内流传已久，却难以回答，原因有二。首先，何为 AGI（通用人工智能）？其次，”感知”这个概念如同对淫秽的界定——正如最高法院大法官波特·斯图尔特在雅各贝利诉俄亥俄州案中的名言：”我看到它时自然明白”。

我在人工智能的非均衡降临一文中曾给出 AGI 的定义：

o3 和推理时扩展所指向的是另一回事：能够真正被赋予任务并可靠完成的人工智能。延伸来看，这更像一个独立工作者而非助手——是弹药，而非步枪瞄准镜。这个比喻或许有些奇特，但它源自基思·拉博伊斯在斯坦福大学的演讲 ……我对通用人工智能（AGI）的定义是它可以成为弹药，即能够被赋予任务并以足够可靠的完成率执行（而我对人工超级智能（ASI）的定义则是具备自主提出任务的能力）。

这个问题的”感受”部分是较新的发现：OpenAI 的深度研究给人的感觉就像是通用人工智能；我刚刚以每月 200 美元的低得惊人的价格获得了一名新员工。

深度研究子弹

OpenAI 在 2 月 2 日的博客文章中宣布了深度研究：

今天我们推出 ChatGPT 深度研究功能，这是一项能在互联网上为复杂任务执行多步骤研究的新型智能代理能力。它能以数十分钟完成人类需要数小时才能完成的工作。

深度研究是 OpenAI 推出的新一代自主工作代理——您只需给出指令，ChatGPT 就能查找、分析并整合数百个网络资源，生成达到研究分析师水准的综合性报告。该功能由即将发布的 OpenAI o3 模型驱动，该版本专门针对网络浏览和数据分析进行了优化，通过逻辑推理能力在互联网上搜索、解读和分析海量文本、图像及 PDF 文档，并能根据获取的信息动态调整研究方向。

知识整合能力是创造新知识的前提。正因如此，深度研究标志着我们在开发通用人工智能（AGI）的宏伟目标上迈出了重要一步——我们始终期待 AGI 能够产出具有创新性的科研成果。

说实话，如今要跟上 OpenAI 对 AGI 的定义实属不易——CEO 萨姆·奥尔特曼昨天刚将其定义为”一个能在多领域以人类水平处理日益复杂问题的系统”。而按照我更朴素的界定，深度研究恰恰处于这段引文的中间位置：它以具有经济价值的方式整合研究成果，但并不创造新知识。

我已在上周二的 Stratechery 更新中发布了两则深度研究案例。虽然建议阅读全文，但简要概括如下：

你可以阅读更新后的输出内容 ，但以下是我的评估：

考虑到提示信息的匮乏，第一个回答还算不错——它更像是一个总结，不过确实包含了一些有见地的观点。第二个回答则明显更令人印象深刻。这个问题更依赖于我过去的文章内容，回答中巧妙融入了我先前提出的观点。老实说，我并没有从中获得新知识，但我认为初次接触该主题的人会有所收获。或者换个说法，如果我要找研究助理，我会考虑聘用第二个回答的作者。

换言之，深度研究并非精准的步枪枪管，但至少对于这个问题而言，它算得上是一发不错的弹药。

深度研究示例

不过，这些弹药对我而言价值有限；我在早上 8 点录制 《Dithering》播客前阅读了苹果财报电话会议记录 ，当即提炼出三个观点——这就是持续十二年思考并报道苹果公司的特权。正如前文所述，第二份深度研究报告之所以有趣，完全是因为我先提出观点，而深度研究验证了这些观点 ；但就（我个人极其偏颇的主观判断！）验证质量而言，远未达到 Stratechery 更新的标准。

次日我发现了更具价值的应用场景。每次进行 Stratechery 访谈前，我会花数小时研究受访者的职业背景、所在公司等信息；这次我的访谈对象是 ServiceNow 董事长兼 CEO 比尔·麦克德莫特，我对这家公司有所了解但并不深入。于是我向深度研究寻求帮助：

I am going to conduct an interview with Bill McDermott, the CEO of ServiceNow, and I need to do research about both McDermott and ServiceNow to prepare my questions.

First, I want to know more about McDermott and his background. Ideally there are some good profiles of him I can read. I know he used to work at SAP and I would like to know what is relevant about his experience there. Also, how and why did he take the ServiceNow job?

Then, what is the background of ServiceNow? How did it get started? What was its initial product-market fit, and how has it expanded over time? What kind of companies use ServiceNow?

What is the ServiceNow business model? What is its go-to-market strategy?

McDermott wants to talk about ServiceNow's opportunities in AI. What are those opportunities, and how are they meaningfully unique, or different from simple automation?

What do users think of ServiceNow? Is it very ugly and hard to use? Why is it very sticky? What attracts companies to it?

What competitors does ServiceNow have? Can it be a platform for other companies? Or is there an opportunity to disrupt ServiceNow?

What other questions do you have that would be useful for me to ask?

You can use previous Stratechery Interviews as a resource to understand the kinds of questions I typically ask.

我发现这些成果极为实用，尽管问题本身相当平庸；在进行专访前，我确实花时间研读了财报等补充材料并准备了个人问题。简而言之，它为我节省了大量时间并提供了切入点，单凭这点就远超我的月度订阅费价值。

在研究一位朋友复杂的医疗问题时，我遇到了另一个令人信服的案例；出于显而易见的原因，我不会分享具体的提问内容和结果。但需要说明的是，这位朋友已为此问题困扰一年多，先后咨询过多位医生并尝试了多种治疗方案。深度研究功能在十分钟内就识别出一个潜在问题，而我的朋友上周才从专科医生那里获知这一情况；虽然尚不能确定这是否就是他寻求的答案，但值得注意的是，深度研究可能仅用十分钟就完成了我的朋友花费数月时间、辗转多位专业医师才取得的进展。

然而最耐人寻味的恰恰是最后一个案例，因为在这个问题上深度研究出现了最严重的失误。我针对另一位朋友所在的行业生成了分析报告，要求列出主要参与者、供应链分析、客户细分等信息。这无疑是我提交过的最全面细致的提问。果然，深度研究反馈了一份详尽完整的报告，回答了我所有问题。

这个结论完全错误，但错得令人意外。要理解问题的本质，最好回顾唐纳德·拉姆斯菲尔德那段名言：

世上有已知的已知，即我们知道自己明白的事物；也有已知的未知，即我们知道自己不了解的事物；但还存在未知的未知——那些我们不知道自己不知道的事物。

我所生成报告的问题在于——再次声明，我不会分享具体结果，但这次原因并不显而易见——它完全遗漏了该行业中的一个重要实体。这个实体并非知名品牌，却是供应链中的关键参与者。其重要性足以让任何未将其纳入的行业报告，往好里说都算是不完整的。

这实际上对应了拉姆斯菲尔德未曾提及的第四类认知：”已知的未知”。任何阅读深度研究公司这份报告的人，都会产生掌握知识的错觉，却不知道自己认知中存在的盲区。

知识的价值

互联网时代最惨痛的教训之一，是出版商们意识到新闻没有经济价值。我指的不是社会价值，而是商业价值：当某件事成为人尽皆知的要闻时，它反而无法变现——这意味着发布行为在经济学意义上具有破坏性。正如我在 《出版商与往昔的追逐》 中所写：

太多报纸行业的拥护者完全未能理解这一点：事实上，报纸过去能盈利并非因其提供社会价值，而是由于它们对地方印刷广告形成了准垄断控制；社会价值只是附带红利。因此，当查弗恩抱怨”当今互联网分发系统扭曲了优质报道产生的经济价值流向”时，他实际上将社会价值与经济价值混为一谈——后者本就不存在，也从未存在过。

这种对历史的误解导致了对现状的错误诊断：谷歌和脸书的盈利并非源于窃取报纸的新闻报道 ，而是夺走了它们的广告业务 。更关键的是，这两大平台的实用性如此强大，即便所有报纸内容奇迹般消失—— 欧洲曾尝试过这种做法 ——唯一的变化只会是这些报纸因流量流失而遭受更严重的收入下滑。

这正是该解决方案如此不合时宜的原因：报纸已失去广告垄断地位，在内容整合方面永远无法与互联网抗衡，而新闻对社会依然有价值，但同样基于这些原因，它在经济上却毫无价值（触达大量人群与价值提取呈反比关系，且事实——无论真假——都能免费传播）。

或许说”历来如此”有些极端；实际上很难在模拟时代（以摩擦与稀缺为特征）与互联网时代的透明与丰裕之间划出直接连线。从技术层面看，我们这些还记得报亭时代的人购买晨报，或许是因为当地轻工业公司拥有印刷机、配送卡车和广告销售团队，但我们也曾真心认为自己只是想知道发生了什么。如今我们免费满足了这个需求，很可能还是通过社交媒体（无论好坏）； 有时我真希望自己知道得少些 ！

然而，深度研究揭示的是还有多少未知等待发掘。我在互联网上阅读了大量内容，但远未达到无所不读的程度。更棘手的是，随着低质内容（无论人工还是 AI 生成）的激增，筛选有价值阅读材料的难度与日俱增。这也正是深度研究值得指出的一个悖论：最热门话题的搜索结果往往最糟糕，正因为这些主题最容易受到低质内容的污染。话题越冷门精准，深度研究反而越容易找到真正优质的论文与文章：

然而这张图表仅呈现了一半真相，正如我朋友所在行业的案例所示：

深度研究（Deep Research）极有可能成为有史以来最高效的搜索引擎，尤其是随着其不断进化；它将挖掘出与特定主题相关的所有现存信息，并以贴切的方式呈现。换言之，这宣告了”隐晦即安全”时代的终结。过去我们经历了从付费获取新闻到新闻主动推送的转变；如今我们将从耗费数小时研究课题，转变为一声令下就能获得专题报告。

当然，前提是这些关键信息必须存在于互联网上。这正是我不愿分享触发此番洞见的深度研究报告的原因：我恰好对所述行业（需澄清这与科技无关）有所了解——因为我有朋友从事该领域——此刻我突然意识到，未来经济价值中有多少是蕴藏于非公开信息中的。本例中的相关实体是私营企业，因此既没有股市备案文件，也缺乏公开报告，甚至连网页都几乎不存在！人工智能在此完全束手无策。

科技领域还有另一个例子能充分体现保密的价值。亚马逊在 2006 年推出 AWS 的首项基础服务 S3，同年晚些时候又发布 EC2，很快彻底改变了初创企业和风投行业 。但当时外界并不清楚 AWS 对亚马逊自身的改造程度——该公司逐步将 Amazon.com 迁移至 AWS 架构，这成为 2012 年前 AWS 财务数据归入 Amazon.com 报表、之后又与信用卡业务及（当时规模尚小的）广告收入一同列入”其他”类目的充分理由。

直到 2015 年才迎来重大信息披露。当年 1 月亚马逊宣布将 AWS 作为独立业务部门进行财务披露。根据路透社当时的报道 ：

在多年对投资者保持高冷姿态后，亚马逊公司终于开始向华尔街示好。这家美国最大在线零售商在周四的第四季度财报电话会议上异常坦诚，宣布将首次单独披露其快速增长云计算部门亚马逊网络服务(AWS)的业绩数据

亚马逊在第四季度财报中分享的额外信息，以及其对提升运营效率的强调，都表明公司管理层开始展现出倾听投资者意见的新意愿。”本季度亚马逊展示了实力，证明当我们聚焦利润时能取得怎样的成绩，”Key Private Bank 高级股票分析师罗伯·普拉扎表示，”如果他们能实现 15%-20%左右的收入增长，并在此基础上创造利润，股价必将作出反应。”这种转变可能不会一蹴而就。当被问及本季度是否标志着亚马逊与华尔街关系的永久性转变时，普拉扎笑道：”我不会仅凭这点就追涨这只股票。”

不过，这一转变对投资者来说是个好兆头。他们一直呼吁亚马逊披露其增长最快、很可能也是利润最丰厚的业务部门——有分析师称该部门占总销售额的4%——的更多细节。

事实上，AWS（亚马逊云服务）占总销售额近 7%，其盈利能力远超所有人预期。这一披露引发股价大幅飙升，以至于我将其称为 AWS 的首次公开募股 ：

上月底，科技行业规模最大、最重要的 IPO 之一以 256 亿美元的估值完成。这超过了谷歌上市时的 246 亿美元估值，更远超亚马逊首日收盘时的 4.38 亿美元市值。不过不必为后者惋惜：我所说的”IPO”正是亚马逊网络服务，而它恰好仍由 20 年前上市的那家电商公司全资持有。

我显然是在开玩笑；AWS 并没有真正进行 IPO，只是在亚马逊的财务报表中新增了一个项目，终于将这家公司九年前开创的云计算服务单独列示。然而，这个项目几乎肯定是推动亚马逊市值在一夜之间从 4 月 23 日的 1820 亿美元飙升至 4 月 24 日的 2070 亿美元的主要原因。AWS 不仅是在一个增长市场中表现强劲、经济效益惊人的业务，它最终可能还是实现亚马逊自身潜力的关键。

不过，这 256 亿美元市值增长也伴随着代价：微软和谷歌都因此加倍押注各自的云业务，尽管 AWS 仍是市场领导者，但它面临着激烈的竞争。这对消费者和客户来说是好事，但也提醒我们，已知的未知因素自有其价值。

数据浮现

我并不会断言亚马逊披露 AWS 财务数据是错误的决定。实际上，一旦 AWS 收入占公司整体业务的 10%（目前为 15%，这个比例看似不高，但别忘了亚马逊的总收入包含自营电商销售额），SEC 规定就要求必须披露。更重要的是，公布 AWS 财务数据让投资者重拾对公司信心，使管理层能继续在 AWS 和电商业务上大规模投入资本支出，推动亚马逊向物流公司转型 。这里的关键在于指出：商业机密具有巨大价值。

值得玩味的是，这对”深度研究”等 AI 工具意味着什么。对冲基金早就深谙专有数据的价值，他们购买从卫星图像到交通观测员等各种数据以获取市场优势。随着”隐蔽即安全”时代的终结，我推测这类工作的价值将更加凸显——当 AI 能在瞬间完成海量财务文件分析时，人类想通过研读无穷尽的报表来获取超额收益将变得愈发困难。

然而，这些对冲基金报告的问题在于它们本身是专有信息，但并非完全保密。毕竟，将这些研究成果变现的途径是通过公开市场交易，也就是说这些报告会影响价格走势。价格是面向所有人公开的信号，其重要性将与日俱增。

由此延伸，这正是像深度研究这样的人工智能成为预测市场最有力论据的原因。预测市场去年秋天在美国总统大选期间曾大放异彩，当时它们对特朗普胜选的预测远比民调乐观 。但随着人工智能的发展，预测市场的潜力——事实上是必要性——只会不断增强。人工智能掌握所有公开信息的能力，将加剧信息保密的动机；而万物皆可预测的市场机制，则通过价格信号为知识传播提供了利润驱动力。

预测市场与加密货币产生关联也很有趣，后者是另一项将在 AI 主导的世界中大放异彩的技术；无限内容生成提升了数字稀缺性与验证的价值，正如无限透明化放大了保密的价值。AI 很可能成为串联这一切的关键：唯有结合可验证的信息与可理解的价格波动，才能从逐渐淹没互联网的信息洪流中提炼出有意义的内容。

这正是 AI 的另一面现实，也是其无法回避的原因。正如互联网的透明性和出版自由已退化为真实性存疑的信息洪流，既需要付出更艰巨的努力来解析，又为打造独立品牌（比如本站）创造了不可否认的繁荣机遇——AI 既会成为信息生态进一步污染的推手，同时也将是唯一的破局之道。

深度研究的影响

这些影响大多属于（并不遥远的）未来；就目前而言，深度研究仍是科技领域最划算的投资之一。没错，每月200美元价格不菲，而且深度研究受限于互联网信息质量，高度依赖提示词的精妙程度。至少在我熟悉的领域，我尚未发现它迸发出特别的创造力火花，但与此同时，大量工作本就无关创意，却依然不可或缺。就个人体验而言，我的工作效率显著提升，况且坦白说，我本来也没打算雇佣研究员。

但这恰恰从两个层面揭示了潜在危机。首先，我之所以从未聘请研究员，是因为我认为信息搜寻与筛选过程蕴含巨大价值——在抵达终点的途中获得的认知弥足珍贵；而按需生成的报告是否会扼杀这种意外发现的惊喜？再者，以苹果财报为例，那些没有十二年持续研读经验的人，或是缺乏三十年科技领域思考积累的新生代分析师，他们又将失去什么？

当然，还有就业问题：许多其他机构在各个领域都雇佣研究人员，而这些薪资将越来越难以合理化。我在理智上早已明白人工智能会取代大量知识型工作；但切身体会又是另一回事。

与此同时，这也正是保密价值值得被强调的原因。保密本身就是一种摩擦形式，是对宝贵知识刻意制造的稀缺性。它揭示了在人工智能主导的未来中什么才具有价值：现实世界和人类主导的产业经济价值会提升，但推动原创研究与发现的工具和基础设施，以及为其定价的机制同样会增值。人工智能的力量（至少按当前发展轨迹）源于知晓一切；而许多人的应对之策（或许注定失败）将是筑起高墙、设立收费站和交易市场，以保护并收割人类探索的成果。