i-Weekends
✍️寫在前面
在後人工智慧時代，做事的底層邏輯變了，本質讓位於序列，規則讓位於模式，過程讓位於直覺，雕塑讓位於園藝，解釋讓位於預測，你的認知必須做出根本改變。文章來自編譯。
全文共3173字
閱讀時間約4min
一個擁有思考機器的世界需要新的思維方式。
西方人預設的思維方式是科學、理性。你上次在會議上聽到有人談論假設或理論是什麼時候？上次坐下來解決問題時，你提醒自己要用第一性原理思考是什麼時候？你上次在工作或個人生活中嘗試做實驗是什麼時候？
甚至我們用來理解商業的框架也是科學：如果沒有物理學的啟發，哈佛商學院教授邁克爾·波特不太可能找到或發現支配商業的五“力”；克萊·克里斯坦森的待辦事項框架相當於創業理念的原子理論。
我們把科學和理性主義浪漫化了，因為這兩個太成功了。自啟蒙運動以來，當伽利略、牛頓、笛卡爾和哥白尼開始用這種方式思考時，我們就利用理性主義來創造現代性。所以我們才有了火箭與疫苗，所以才有了電腦與智慧手機。
但新技術需要新的思維方式。隨著人工智慧時代的到來，我們與特斯拉以及 OpenAI 前工程師 Andrej Karpathy 所謂的軟體 1.0——由人類編寫的指令組成的軟體受益於科學、理性的思維方式的軟體——正漸行漸遠。
我們正步入軟體 2.0，描述想要實現的目標，並訓練模型來實現。訓練工作不是由人類為計算機編寫指令，而是透過搜尋可能的程式空間，直到找到一個可行的程式。在軟體 2.0 裡，科學問題（與正式理論和規則有關）變成了工程問題，也就是與實現結果有關。
這種從科學到工程的轉變將對我們解決問題的方式以及我們理解世界的方式產生巨大影響。以下是一些我對這種轉變將如何發揮作用的初步看法。
01 本質 vs 序列
在前人工智慧世界，不管是開發軟體還是建設團隊，不管是撰寫書籍還是營銷計劃，你都需要將問題抽絲剝繭到基本要素（本質），然後再從這個根本出發。在開發軟體時，你需要定義核心使用者是誰，要解決的問題是什麼；在撰寫書籍時，你需要有論點和大綱。
在後人工智慧時代，我們不再關心本質，我們更關心序列：也就是導致某件事發生的一系列事件。語言模型在預測字串的下一個單詞時就是這樣做的；自動駕駛汽車在根據影片、景深與 GPS 資料序列預測下一步要開往何處時也會這樣做。
為了更好理解這一點，我們可以想象一下在前人工智慧時代的 SaaS 企業裡如何預防客戶流失的問題。你得明確即將流失的客戶的定義規則是什麼，比如已經有幾個月未登入或信用卡即將過期的客戶。這就是尋找本質的過程。
但在後人工智慧時代，你不需要明確定義即將流失客戶的特徵或應對方案。
你只需要識別出導致流失的序列。對於每一位流失的客戶，你可以將其最近 100 天的使用者資料輸入給分類器模型；對沒有流失的客戶也如此操作。最終，你將得到一個模型，這個模型能夠在無數種變化中識別出誰最有可能流失，不需要任何規則。這就是尋找序列的意義。
02 規則 vs 模式
思考本質與序列的另一種方式，尤其是在牽涉到智力與創造性任務時，是從尋找規則轉向尋找模式。
在前人工智慧時代，你需要定義遊戲規則——從第一性原理基本出發去思考，然後應用到具體情況中。在後人工智慧時代，你需要構建和使用能夠識別底層模式的模型——而這些模式是沒法簡化為簡單規則的。
就拿軟體開發來說吧。在前人工智慧時代，你得定義清楚希望使用者完成哪些任務，以及希望系統如何執行，這樣才可以將那些定義編碼成程式設計師編寫的，計算機可讀的規則。
可是到了後人工智慧時代，你要找例子，而不是定義規則。你不用明確說明使用者能用你的應用做什麼和不能做什麼。你可以建立一個包含有你最喜歡的 UI 元素的情緒板，或者一個關於你希望應用如何執行的高階（不那麼具體的）清單——人工智慧會識別你輸入的模式，然後轉化為規則集。
或者假設你在管理一支創意團隊。在前人工智慧時代，為了創造一致性，你得將工作簡化為原則和系統，好讓作者和設計師能夠一致地捕捉到你的品牌聲音與風格。
在後人工智慧時代，你未必要用這種方式減少工作量。相反，你可以找到代表自己品味與聲音的範例，然後丟給模型，模型可以在不遵循規則的情況下重現所發現的模式。
這種技術為創意團隊的每一位成員提供了一種可以複製你品味的工具。隨著提供的例子不斷豐富，它還可以捕捉到以前沒法用語言表達的東西。
在這個世界，訓練模式匹配器的好例子就是通行的貨幣，不再需要明確要遵循什麼規則。
03 過程 vs直覺
當你要找的是序列而不是本質時，其實就是為了建立直覺而不是流程。
在前人工智慧時代，為了開發應用，你的將想法簡化為過程——也就是一套規則，你的軟體會按照這些規則執行，去實現你設定的目標。有時候不難；比方說，像 Salesforce 這樣的客戶關係經理自然可以簡化為規則。
在後人工智慧時代，你可以給那些沒法歸結成規則的任務開發應用。比方說，光學字元識別 (OCR)，這項技術可讓計算機識別影像裡面的文字。人類級別的 OCR 是沒法歸結成一組規則的，但現在在 ChatGPT 等應用常見的深度學習方法可讓你建立具備某種識別字符“直覺”的軟體。
這個世界有很多地方都需要這種直覺思維過程，但在以前軟體這是沒法實現的。想象一下風投家評估創業公司的pitch或醫生評估患者的情形。他們或許能用語言表達自己的思維過程，但這些語言背後隱藏著某種難以言喻的東西。
在後人工智慧時代，情況就不同了。直覺是可轉移和可用的。它不會停留在任何人的頭腦中，也不需要將其簡化為過程。
04 雕塑 vs 園藝
如果說創造性工作的原材料是序列與直覺，而不是規則、本質和過程的話，那麼你的工作方式也將大不相同。它看起來更像是做園藝，而不是雕塑。
在前人工智慧時代，創意工作跟雕塑比較類似。不管是程式設計還是寫作，你都得將一塊大理石一點一點地塑造成你腦海中的形狀。你就像是在一點一點地雕刻出腦海中的作品，每一次擊打都由你獨立完成。
在後人工智慧時代，創造性工作跟園藝有點類似。園丁的工作不是從泥土中雕出葉片，而是創造合適的陽光、土壤和水的條件，讓植物能夠自然生長。例如，用 AI 程式碼編輯器（如 Cursor）編寫程式碼的過程更像是為工作創造條件——透過向模型提供你想要構建的提示，而不是逐行手動編寫程式碼。
05 解釋 vs 預測
尋找規則和本質，執著於過程和雕刻，最終都是在尋找解釋。解釋是西方的聖盃——也是我們在科學、商業和生活中尋找的東西。想想我們傾向於問任何成功人士的問題：“你能解釋一下你是如何走到今天的嗎？你的秘訣是什麼？”
我們追求規則和本質，執著於流程和雕塑，最終目的是為了尋求解釋。解釋在西方世界是至高無上的追求——不管是科學、商業還是生活，我們都在尋求解釋。比如我們經常問成功人士：“你能解釋一下你是怎麼做到的嗎？有什麼秘訣？”
我們也經常會問成功企業：“我們該如何解釋他們的增長？如何解釋他們的大批忠實使用者？”我們追求的是解釋，因為能夠解釋意味著能夠控制。
但眾所周知，解釋起來很難。聰明商人不讀《像扎克伯格一樣思考：Facebook 不可思議的天才 CEO 馬克·扎克伯格的五個商業秘密》（順便說一句，這不是胡謅）的原因是，我們知道這本書不大可能寫得出馬克·扎克伯格成功的真正原因。扎克伯格也許能解釋其中的一些原因，但哪怕是他自己，也可能會說，他已經形成了一種指導決策的潛在直覺，而這種直覺是沒法完全解釋清楚的。
在後人工智慧時代，我們會優先考慮預測而不是解釋，尤其是在複雜領域。扎克伯格的智慧可能沒法歸結為規則，但如果給予合適的序列來訓練直覺，那這種智慧就可以被封裝進模型裡。科學領域也開始出現這種情況。2024 年諾貝爾物理學獎和化學獎得主都是開發出了更好預測架構的計算機科學家，而不是提出了更好解釋的物理學家。
對預測的追求取代瞭解釋的追求，將科學問題轉化為工程問題。問題不再是“它是什麼？”而是“我如何構建一個能預測它的系統？”
從科學到工程的轉變將成為本世紀推動進步的最大動力。這將帶領我們超越啟蒙時代的理性主義，進入一種全新的世界觀——並對我們自身形成全新的理解。
譯者：boxi
本文轉載自神譯局編譯文章，不代表IDG資本立場。
這些文章也好看