最近一個叫ChatGPT的人工智慧非常火，按照研發公司OpenAI的說法，該工具可以學習和理解人類的語言，並根據上下文和聊天者互動。
這看起來就是一個陪伴社恐患者度過漫漫長夜的小棉襖。
但等人們真正開始把玩起這個「小棉襖」時，卻發現事情並不簡單。
這貨能做的事情也太多了。
這個程序表面上是來陪你聊天的，實際上寫文案、寫論文、寫代碼、做表格、甚至直接回答你的各種問題......只要是文字相關的工作，它都能做。
當開始有人用這個工具在面試的考場裡大殺四方時，一個簡單而又焦慮的邏輯浮現在了每個打工人的腦海中：
有了這玩意，還要我幹嘛？
—飯碗危機—
人工智慧是近年來迅速崛起的技術，現在市面上其實已經存在大量應對不同工作的人工智慧工具，而ChatGPT的功能以處理文字內容為主，所以它給普通人帶來的衝擊感非常直觀。
在這樣的背景下，人們對於人工智慧就產生了兩種比較常見的看法：
- 一種看法認為人工智慧確實很可怕，未來將徹底替代人類，擠占掉人類所有的生存空間。
- 另一種看法則認為人工智慧只是看起來厲害，但其實只是一個沒有靈魂的搬磚機器，很難真正做好屬於人類的工作。
哪種看法對呢？
其實都有點道理，但也都不太準確。
要想替代人類，人工智慧需要產生自我意識，做到自行推導邏輯、自己思考和解決問題。學者們一般把這種水平的人工智慧稱之為「強人工智慧」。
不過這個「強人工智慧」的定義雖然被描述得有板有眼，但這樣的技術還只存在於科幻小說中。
我們現在能夠看到的所有人工智慧，不管是爆紅的ChatGPT，還是當年那個「終結人類圍棋史」的阿爾法狗，都還屬於「弱人工智慧」的水平。
這個水平的人工智慧沒有自主意識，只是一個高效的工具，和取代人類不沾邊。
那麼工具變得更高效是好事嗎？
當然是好事。
工具的進步不僅不會摧毀人類的飯碗，反而還會催生出更多的就業崗位。事實上每一次生產工具的革新都會創造出一大批人們之前無法想像的新職業。
比如說機器的普及創造了大量的工程師崗位，電腦的普及則創造了大量的白領崗位。
如果生產工具永遠不進步，那麼我們現在都還在地里種地，這個世界也不可能承載起幾十億個就業機會。
看到這裡可能很多人就放心了，覺得人工智慧並不會威脅到自己的飯碗。
很遺憾，放心早了。
雖然在宏觀層面，生產工具的升級確實會把就業市場的蛋糕做得更大，但在微觀層面上，具體到你的那個飯碗還保不保得住就不好說了。
歷史上工具的升級從來都會伴隨著大量的失業，「大量新職業的產生」和「大量老員工的下崗」，這兩種場景是同時出現的。
這是因為新的工具就意味著新的工作模式，但人的適應能力有限，不是所有人都能支付得起新工作的學習成本。
這就好像我打了幾十年鐵突然有一天要我去操作工具機、寫了幾十年板書突然有一天要我去做PPT。
對不起，臣妾實在做不到。
所以歷史的洪流浩浩蕩蕩，你既可能是洪流的一份子，也可能是被拍到岸上的小浪花，焦慮是正常的。
有焦慮，就有自我安慰。比如說前面提到的第二種看法，就是一種典型的自我安慰：
「人工智慧只是一個沒有靈魂的搬磚機器，很難真正做好屬於人類的工作。」
這個看法認為機器只能把簡單重複的工作干好，那種需要我們進行主觀判斷或者發揮想像力的工作終究無法被替代。
在這個觀點裡，人性成了我們戰勝人工智慧的法寶。
我們是人，有感情，有創意，有愛，有....
那麼這些人性方面的特點真的能讓我們取得對人工智慧的優勢嗎？
要回答這個問題，就得先搞清楚人工智慧的工作原理。
—「靈魂」？—
人工智慧程序和傳統電腦程式一樣，都能幫你完成各種工作。但傳統程序需要你直接告訴它一步一步該怎麼做，這個過程稱之為編程。
編程對於大多數人來說門檻太高。實際上普通人不要說學習編程了，平時學個軟體使用都費勁，所以普通人和電腦的交流是存在著比較大的障礙的。
而人工智慧打破了這個障礙，它不用你告訴它具體怎麼做，它可以自己去學，同時也能用人類的語言與你溝通。
所以人工智慧使用起來非常簡單，你只需要直接告訴它你想要什麼，它就能把事辦了。
那麼人工智慧是怎麼做到這一點的呢？
靠學習大量的數據。
具體做法是這樣的：
比如說你要讓人工智慧學會認出「狗」的圖片，那麼你就給它輸入大量標記為「狗」的狗的照片，以及大量標記為「非狗」的其他物體的照片，它就會自己從中總結出「狗」的特徵。
在這個過程中自然是給的數據越多，它的學藝就越精。
那麼到底要餵多少數據才能讓他有能力辦成點事呢？
這裡有個例子，之前戰勝柯潔的圍棋人工智慧阿爾法狗，他在幾個月的時間裡學習了15萬盤職業選手的棋譜，裡面包含了大約3000萬個的盤面，然後還自己和自己對弈了3000萬盤棋。
通過這些天量的數據積累，阿爾法狗可以評估出人類對手在不同盤面下落子選擇的概率，同時也可以評估出各個落子選點的勝率。
然後阿爾法狗每次落子就選勝率最大的那一點，最終就靠著這個簡單粗暴的邏輯打敗了人類棋手。
可以這麼說，現在的人工智慧就是大公司通過天量數據砸出來的一個工具，這個工具厲害就厲害在它可以短時間內把人類在某個領域的所有經驗全部塞到自己腦子裡。
而人工智慧之所以能在近幾年發展特別快，主要也是得益於大數據的發展。大數據技術使得人工智慧的「養料」數量出現了指數級的跨越，於是它終於能學出點名堂來了。
所以你要說「靈魂」，那人工智慧確實沒有，這傢伙幹活靠的就是「簡單的邏輯+大量的數據」，俗稱大力出奇蹟。
那麼是不是可以說我們人類相對人工智慧確實有優勢，咱可以靠自己的「靈魂」保住飯碗呢？
呵呵，想得美。
其實人工智慧有沒有靈魂並不重要，重要的是咱先捫心自問一下：自己現在乾的這個工作到底需不需要「靈魂」。
人工智慧的工作邏輯是很簡單，但我們手頭的這份工作，它的邏輯就不簡單嗎？
事實上人們從事的大多數工作本來就是由大量可重複的簡單邏輯構成的。
就比如說開車吧，這個工作看起來很需要司機的隨機應變，似乎很難被簡單的複製。但如果我們把整個操作過程掰開來看，就會發現它其實是由無數個「如果碰到XX情況就做出XX動作」的重複步驟組成的。
於是我們現在就看到了大量的自動駕駛人工智慧。
現在不要說開車了，就算是繪畫、寫文案、編代碼這種在人們傳統認知里非常依靠「靈感」的工作，人工智慧都能幹，因為這些工作同樣也充斥著大量可重複的行為邏輯。
大家都是沒有靈魂的複製粘貼大師，誰也別笑誰。
當然了， 畢竟是「沒有靈魂」，所以人工智慧的工作還達不到大師的水平。
但是經過足夠的學習和訓練後，達到普通工作者的水平還是可以的，反正市場裡大多數人的需求和鑑賞水平也有限，大不大師的根本分辨不出來。
人工智慧繪畫作品：
而這也意味著普通工作者的飯碗會受到直接衝擊。
具體怎麼個衝擊法呢？
我們可以拿一個一般情況下不太容易和人工智慧聯繫起來的職業作為例子：醫生。
人體的毛病多複雜啊，難道機器人還能代替醫生看病不成？
還真能。
醫生對疾病進行診斷的原理就是根據患者的症狀和檢驗報告（包括影像報告），結合自己儲備的理論知識、病例資料以及臨床經驗，把病因和患者的症狀以及檢驗報告做一個匹配。
在這個過程中，醫生可以被認為是各種信息的分類器。
所以我們可以看到，這個工作的邏輯其實是很簡單的。但你理解這個邏輯後也不可能馬上成為醫生，因為你沒有經過系統的學習和訓練，不掌握必要的理論知識和大量的病例經驗。
培訓出一個合格的醫生至少需要5-6年，而要成為專家，那可能就需要幾十年的努力成長了。所以醫生對於普通人來說是一個學習成本很高的職業，在社會上是比較稀缺的。
不過這些學習成本對於人工智慧來說就不是個事了。
在大數據的支持下，研發人員可以在短時間內直接給人工智慧塞進去大量的病例數據。
2019年的時候，廣州醫科大學及加州大學聖地亞哥分校在Nature Medicine在線發表了一篇題為《應用人工智慧評估和準確診斷兒科疾病》的研究論文。
在這個研究里，他們設計了一個可以從電子病例記錄（EHR）中提取臨床相關信息，並對患者進行診斷的AI框架。
這個人工智慧通過學習來自56.7萬名兒童患者的136萬份高質量電子文本病歷，學會了多種兒童常見疾病的診斷。
在實踐中它的診斷準確度達到了經驗豐富的兒科醫生的水平。
現在類似的人工智慧診斷工具已經越來越多，只不過因為現行法規對該技術還有諸多限制，所以我們接觸得還比較少。
當然，這並不是說我們不需要醫生了，醫生仍然是不可或缺的人才。但如果人工智慧診斷真的能夠成熟起來並實現普及，那麼醫療機構對醫生的需求數量確實會減少。
通過這個例子我們可以這麼來總結人工智慧對打工人的衝擊：
人工智慧衝擊一個行業，並不是要把這個行業里的所有從業者都消滅掉，但確實會幹掉相當一部分的基層從業者。
受到人工智慧衝擊的行業會逐漸形成少數精英控制大量人工智慧的工作模式。
所以對於普通打工人尤其是白領群體而言，人工智慧就真的是一把達摩克里斯之劍了。
怎麼辦呢？
—戰略抉擇—
應對衝擊的關鍵，在於搞清楚一個問題：和你競爭的是什麼？
如果你認為和你競爭的是人工智慧，那麼你的策略無非就是兩個：躲避或超越。
- 所謂「躲避」，就是跑到那些人工智慧威脅不到的領域躲起來。
- 所謂「超越」，就是抓住人類相對機器的優勢，在某些方面做到比人工智慧更優秀。
這兩個努力方向行不行呢？
不是說不行，只是會比較困難。
「躲避」的問題是人工智慧的發展方向充滿了不確定性，我們站在現在這個時間點，並不知道未來哪個領域會被它首先攻破，所以很難去找到一個安全的地方躲起來。
其實躲避人工智慧的最佳去處是體制內。因為體制內的工作有市場以外的力量背書，不需要充分考慮效率。就算你的效率已經明顯低於市場主流水平，飯碗仍然大概率是穩的。
而「超越人工智慧」的關鍵是首先找到「人類相對機器的優勢」。
但這也是個玄學，因為人類對自身的認知其實很有限，我們並不是很確定我們哪些方面一定比機器強。
比如說我們覺得自己有「靈魂」有「靈感」，但說不定在人工智慧眼裡，我們的這個所謂的「靈魂」或者「靈感」，只不過是算力低下帶來的迷茫感而已。
也就是說現在我們眼裡的那些「護城河」，對於人工智慧來說可能只是一層窗戶紙。
所以選擇跟人工智慧直接競爭基本等同於撞大運。
運氣好，你選擇的行業人工智慧確實啃不下來，那麼你可以繼續穩坐釣魚台；
運氣不好，你從行業精英到捲鋪蓋走人也就是一個晚上的事。
難道我們這些凡人真的只能束手就擒了嗎？
那倒不是，要應對這個挑戰，我們首先需要做的是換個思路。
不管人工智慧再怎麼厲害，大家也不要忘了，它本質上是一個工具。
你為什麼要去和工具競爭呢？
「工具取代人」這樣的事情其實並不存在，現實中真正存在的是：
「會利用新工具的人取代不會利用新工具的人」
馬車夫並非被汽車取代，而是被汽車司機取代。所以在戰略層面上我們要明白一個道理：你真正的競爭對手永遠是人。
你需要努力的方向不是變得比人工智慧更厲害，而是比其他人更擅長利用人工智慧。
我估計未來有可能出現一個「人工智慧管理大師」這樣的角色。這個人通過管理和協調不同人工智慧之間的協作，搭建出一個「人工智慧閉環」，實現從人工智慧到人工智慧的工作模式。
比如說用「編劇人工智慧」搭配「繪圖人工智慧」再搭配「配音人工智慧」以及「影視製作人工智慧」，實現影視作品的全自動生產。
工具的革新雖然會導致人與人之間的生產力出現代差，但同時也會對各個行業進行徹底的洗牌，把大多數人拉到同一個起跑線重新出發。
重新出發後能否脫穎而出，並不取決於之前的積累，而是取決於學習速度的快慢。
所以威脅和機會是並存的。對於個人來說，在心態上首先面臨的挑戰就是如何對待沉沒成本。
在你從事了半輩子的行業突然要面臨洗牌的時候，你是緊抱長期積累的經驗和資源不放，還是果斷從零開始學習全新的工作模式？這確實是一個艱難的選擇。
當然現在我們還不用太緊張，人工智慧距離真正大範圍的應用還有很長的距離，當前ChatGPT的火爆更多的還是因為資本炒作。
現在市面上的各種人工智慧確實能做一些事，也震動到了一些行業，但相對於整個社會而言，它們的影響範圍還是比較小的。不過隨著數據的積累和計算機算力的增強，再過幾年是個什麼情況就不好說了。
所以在行業洗牌的大潮來臨之前，個人最好能提前做一些準備，至少先主動接觸接觸這些工具。
比如說我認識一個攝影師朋友，平時我們都稱呼他為「丁老師」（微博：丁力deanlee）。他就是那種典型的行業精英，前段時間谷愛凌的凱迪拉克廣告就是他拍的。
然後我發現他最近正事不干，居然學習起了AI繪圖。
於是我就比較好奇地問他：「這個AI繪圖對你的工作有啥用？」他很乾脆的回答我說：
「沒用。」
但這哥們很快話鋒一轉，「先學著看看唄。」
你們看這個心態就很好，在未來還比較迷茫的時候，自己先主動出擊去嘗試，而不是躺在原地什麼也不做。
畢竟藝術細胞拉滿，畫起來還是挺有感覺的：
—結 語—
我們的世界現在正以「天」為單位發生著各種更新和變化，這是一個處在劇變中的時代，人工智慧的崛起不過是這個浪潮中的一朵浪花。
而作為普通人，我們也有必要根據環境的變化來調整自己的策略。
在大環境比較穩定的時候，人們一般會專注於取得更大的成就。而在大環境劇烈變化的時候，我們的核心目標就只有一個了：儘可能的留在牌桌上。
也就是以「活下去」為第一目標。
那麼問題來了，怎樣在劇變的環境中提升自己的生存概率呢？
在自然界中有一種特殊的進化方式，叫「特化」。即為了適應獨特的生存環境而形成的局部器官過於發達的特異適應。
特化後的生物會對某一種環境高度適應，並憑藉這個優勢成為該環境下的佼佼者，享受到馬太效應的紅利（即贏家通吃）。
這就類似於我們努力成長為某個行業里的行業精英，在正常情況下這是最靠譜的發展模式。
但這種發展模式只適用於穩定的環境，因為在穩定的環境下，大多數行業和成熟的公司都沒有覆滅的風險，你努力去做到行業標杆總沒錯。
然而「特化」也是有代價的，它的代價是縮小了生物的適應範圍，一旦環境出現巨大變化，特化後的生物往往會因為無法適應新環境而走向滅絕。
這就好比你把所有的精力投入到一個領域，固然可以成為該領域的標杆，但同時也意味著你沒有富餘的精力去培養其他能力。
一旦你所專注的領域遭遇重新洗牌，你就將無處可去。
所以在這個世界充滿不確定性的時候，我們要避免「特化」，要儘可能的豐富一下自己的技能包，這樣萬一主業出現地震，還可以左右逢源。
這樣的策略可能會導致你不夠優秀，但至少能幫助你留在牌桌上。
而只要留在牌桌上的時間夠長，就總會有機會出現。
全文完