科技界正在发生一些不寻常的事情。
构建全球最重要 AI 系统的人们，不再将 AI 描述为又一次软件升级。他们谈论的是 智能的极大丰富、自我改进的产品、消失的工作、面向所有人的 AI 助手、自主 Agent，以及 AGI 将在几年内而非几代内到来。
有趣的是，他们对接下来会发生什么并不完全认同。
Sam Altman 认为智能将变得丰富且成本大幅降低。Spenser Skates 相信智能将越来越多地存在于产品本身，从而催生一代 自我改进的产品。Dario Amodei 警告初级白领就业将受到严重冲击。Jensen Huang 认为 AI 将增强人类能力并创造全新的经济机遇。Satya Nadella 表示数十年的技术变革正被压缩到短短几年内。Demis Hassabis 相信我们已到达人类历史的关键时刻。
乍看之下，这些像是不同的预测。但我认为它们是同一个故事的不同篇章。
将它们放在一起，它们描绘了一幅关于未来可能景象的惊人清晰图景——以及我们应如何为之准备。
SAM ALTMAN：智能正变得极大丰富
OpenAI 越来越多地通过富足经济学视角来阐述 AI。其基本思想很简单：随着有用的智能变得能力更强且成本大幅降低，过去需要昂贵人类专业知识的活动突然变得在大规模上经济可行。
这个想法比它初看起来要宏大得多。
在人类历史的大部分时间里，有用的智能一直很昂贵，因为它存在于人脑之中。如果你需要专业知识，社会首先得花数年时间教育一个人，然后还要竞争这个人有限的时间。一位优秀的律师只能服务有限数量的客户，一个程序员只能编写有限数量的代码，一位科学家只能研究有限数量的假设。
AI 改变了这些经济学原理，因为机器智能可以被复制、扩展并持续可用。
想象一下，智能逐渐变得像电力一样。我们不会雇佣电力，也不会与它开会。我们只是在需要时，按需获取所需的数量。
一个五人初创公司可能拥有曾经需要跨国公司才具备的分析和技术能力。一个小企业可能拥有自己的研究员、程序员、设计师和策略师。科学家可以研究那些过去因需要数千小时人力成本而不值得探索的问题。
我们建立了一个围绕智能稀缺性的经济体系。AI 可能将智能转变为基础设施。
而当某样东西从稀缺走向富足时，经济价值通常会转移到其他地方。
SPENSER SKATES：产品将开始自我改进
接着，Amplitude 联合创始人兼 CEO Spenser Skates 将这一论点向前推进了一步。
当所有这些丰富的智能不仅仅停留在聊天机器人中等待我们提问时，会发生什么？当我们把它 嵌入产品本身 时呢？
Skates 一直在谈论一个 自我改进的产品 的未来：这些产品能够持续理解它们被如何使用，发现问题和机遇，尝试改进，从结果中学习，并将这些经验反馈到下一步的构建中。
这个说法值得更多关注。
几十年来，软件开发一直通过一个相对缓慢的人工循环来运作。公司构建产品，客户使用它，数据积累，分析师研究发生了什么，产品经理决定应该改变什么，设计师创建替代方案，工程师构建它们，最终另一个版本到达客户手中。
然后这个过程再次开始。
每一个阶段都依赖于人类来启动下一个阶段。AI 开始压缩整个循环。
首先，产品构建得更快。 AI 编码工具极大地减少了创建软件和修改现有产品所需的时间。
然后，产品进行观察。 AI Agent 可以持续观察客户的实际行为，而不是等待有人手动检查仪表盘。
接着，它进行理解。 这些 Agent 可以识别摩擦点、异常行为、转化问题以及人类可能从未想到要去调查的机遇。
然后，它进行实验。 新的体验可以被创建和测试，其速度是传统产品团队无法实际达到的。
接着，它进行学习。 行为数据揭示了某个改变是否真正改善了转化率、参与度、留存率或其他重要指标。
最后，它进行改进。 系统学到的东西直接反馈到下一步应该构建什么。
今天，人类仍然控制着这些转换中的大部分。但想象一下，当这个循环变得越来越自主时会发生什么。
一个产品注意到，某一特定客户群体反复在引导流程中放弃。一个 AI Agent 调查他们的行为，识别出可能的摩擦源，并提出几种替代方案。实验测试这些替代方案，行为数据揭示哪一个有效，而这个经验直接反馈到下一次改进中。
这个产品不再仅仅是人们使用的软件。它变成了学习如何成为更好软件的软件。
这改变了竞争格局。
AI 编码正迅速让每个人都能更容易地构建产品。如果每个公司都能更快地交付产品，仅仅生产更多功能就变得不那么有优势了。优势从 你构建的速度 转移到了 你学习的速度。
这里有一个重要的区别。AI 可以生成软件，但创造某样东西和知道人类是否真的想要它，是完全不同的问题。
前者需要智能。后者需要理解人类行为。
这或许就是为什么下一代伟大产品不会仅仅在内部包含 AI。它们将拥有一个连接智能与真实人类行为的持续反馈循环。
最好的产品可能不会赢。
学习最快的产品可能会赢。
DARIO AMODEI：职业阶梯的第一级会怎样？
Anthropic CEO Dario Amodei 看到了能力日益增强的智能所带来的一个更令人不安的后果。
他曾警告，AI 可能在短短几年内冲击大量初级白领就业。无论最终的具体数字是多少，他警告背后的结构性问题值得认真关注。
职业阶梯的第一级会怎样？
公司雇佣初级分析师，部分原因是需要有人研究竞争对手、操作电子表格和准备演示文稿。律师事务所雇佣年轻律师来审查海量材料。软件公司给初级开发人员相对简单的编码任务。
但这些工作履行着两个功能。它们为公司产出工作，同时也在培养 有经验的人。
分析师最终会培养出判断力，成为总监。审查文件的年轻律师最终会处理复杂的谈判。修复无聊 bug 的程序员会逐渐了解真实系统在出问题时的行为。
如果 AI 变得极其擅长初级工作，公司就有明显的经济动机去雇佣更少的初级员工。
这就产生了一个我们尚未解决的悖论：AI 可能会移除人们在学习做 AI 尚不能做的工作时，传统上用来学习的那部分工作。
我们可能在尚未弄清楚下一代如何到达梯子顶端的情况下，就自动化了梯子的底部。
JENSEN HUANG：每个人都获得超能力
NVIDIA CEO Jensen Huang 看到了等式的另一面。
他的预测简单而精彩：“每个人都会拥有一个 AI 助手。”
Huang 更广泛的论点是，AI 不会简单地替代人类劳动。它将放大个人所能取得的成就，随着智能和生产成本的下降，可能创造出全新的需求。
历史为这个论点提供了一些可信度。
电子表格并没有消灭会计师。计算机并没有消灭办公室职员。互联网摧毁了一些行业，同时创造了以前不可能存在的产业。
因此，AI 可能会消除大量的 工作，而不会消除同样数量的 工作岗位。
如果软件创建成本降低十倍，也许社会并不需要十分之一的开发者。也许人类决定构建五十倍于现在的软件。如果科学研究变得极其便宜，也许我们不需要更少的科学家；也许科学家会尝试数百万个以前经济上不可行的实验。
这意味着 Huang 和 Amodei 可能都是对的。一些行业可能会急剧萎缩，而全新的经济活动类别会爆炸式增长。
技术革命很少在破坏和创造之间做选择。它们通常两者兼有，但不一定同时发生在同一个人身上。
SATYA NADELLA：真正的问题可能是速度
Microsoft CEO Satya Nadella 用一句我觉得特别重要的话描述了当前的平台转变：
“三十年的变革被压缩到了三年！”
压缩 这个词可能比这场辩论中的其他任何东西都更重要。
人类以前也曾经历过巨大的技术变革。电力改变了工厂和家庭。汽车重新设计了城市。计算机改变了办公室。互联网重组了通信、商业和媒体。
但社会有时间去适应。人们在退休的同时，年轻一代在学习不同的技能。大学改变了课程，政府制定了法规，公司成立又倒闭，整个行业逐渐演变。
AI 可能会创造一个不同的问题，因为技术适应的速度可能快于 人类适应的速度。
想象一下，某人今天开始攻读一个四年制大学学位，而该专业的经济状况在毕业时可能已发生根本性变化。或者考虑一位 45 岁的专业人士，他花了二十年时间在某项任务上变得出类拔萃，而这项任务突然变得几乎可以即时且零成本地完成。
最大的危险可能不是技术变革本身。它可能是机器改进的速度与人类、公司和机构自我重塑的速度之间日益扩大的差距。
DEMIS HASSABIS：这可能变得比软件更重要
然后我们来到了 Google DeepMind CEO Demis Hassabis。
在 2026 年 8 月，Hassabis 将当前时期描述为 “人类历史的关键时刻” ，并表示，在毕生致力于 AGI 之后，他相信它现在“近在咫尺”。
这将讨论远远带到了工作场所生产力之外。
一旦 AI 能够实质性地帮助人类在数学、生物学、化学、材料科学、工程和医学方面取得进步，AI 就不再仅仅是另一个科技行业。它变成了一种 加速其他技术的技术。
AI 可以改进机器人技术，帮助发现药物，设计新材料，编写软件，辅助科学研究，并帮助工程师设计更好的计算机，而更好的计算机又可以运行更好的 AI。
这创造了一个反馈循环：更好的 AI 帮助人类构建更好的技术，更好的技术帮助人类构建更好的 AI，并且这个循环在加速。
这就是为什么将 AI 与智能手机相比可能会极大地低估正在发生的事情。智能手机改变了人类获取信息的方式。
先进的 AI 可以改变 人类发现新事物的速度。
他们可能都是对的
起初，这些领导者似乎在告诉我们不同的故事。然而，将他们的论点按顺序排列，它们开始显得惊人地兼容。
Altman 说智能变得丰富。 曾经昂贵的功能现在几乎对所有人都可用。
Skates 说产品本身开始学习和改进。 丰富的智能被嵌入到产品开发循环中，连接了构建、观察人类行为、实验、学习和改进。
Amodei 说丰富的智能颠覆了知识工作。 尤其脆弱的是那些传统职业生涯赖以建立的初级任务。
Huang 说 AI 极大地放大了个人能力。 更低的成本创造了新的需求、新的公司和全新的工作类别。
Nadella 说所有这一切都发生得异常迅速。 社会获得的调整时间远少于以往的技术革命。
Hassabis 说 AI 最终加速了发现本身。 智能开始帮助人类发明下一代技术。
这些不一定是六个相互竞争的预测。它们可能是同一场变革的六个层面。
追随稀缺性
如果这些人的说法即使只有部分正确，那么对于任何思考自己职业、公司或投资的人来说，都有一个非常实用的教训：
不要把你的价值建立在 AI 正在使其变得丰富的东西上。而要建立在对因 AI 丰富而变得稀缺的东西上。
注意力变得稀缺。 当内容变得实际上无限时，捕捉真正的人类注意力变得更加困难，因此也更有价值。
判断力变得稀缺。 当分析可以即时生成时，困难的问题不再是你能否获得分析。而是你是否知道哪个分析值得信赖。
方向变得稀缺。 当 AI 可以生成数百个想法和策略时，另一个想法不一定有用。知道哪个问题值得解决成为了优势。
原创思想变得稀缺。 当称职的文章、图像、软件和演示文稿几乎任何人都能制作时，拥有真正与众不同的见解变得更有价值。
信任变得稀缺。 机器将越来越有说服力地交流，而合成内容也更容易制造。因此，人类的可信度变得更有价值，而非更少。
品味变得稀缺。 AI 可以创造无限的可能性。但总得有人来决定哪一个才是真正好的。
而自我改进的产品创造了另一种可能至关重要的稀缺性：知道系统应该优化什么。
一台机器可以变得极其擅长实现一个目标。一个产品可以变得极其擅长改进一个指标。但这是正确的目标吗？这是正确的指标吗？
这不再主要是一个技术问题。
这是一个人类判断问题。
不要试图跑赢机器
几十年来，管理者告诉人类要执行哪些任务。未来，领导者可能会越来越多地为人类、Agent 和自我改进系统的组合定义目标。
那么，领导力就变得较少关乎监督执行，而更多关乎定义方向、约束、激励和意义。
我不会在未来十年里试图在某件机器正以指数级速度改进的事情上变得稍微好一点。我会学习如何引导它们，同时刻意加强那些恰恰因为智能本身变得丰富而更有价值的能力：判断力、好奇心、勇气、人际关系、领导力、责任感和品味。
AI 时代的赢家可能不是那些最了解 AI 的人。他们可能是那些理解 当智能本身不再稀缺时，该如何运用智能 的人。
几千年来，智能赋予了人类非凡的力量。现在我们正在构建可能让智能无处不在、随时可用的机器，而我们周围的产品也开始观察、学习和改进。
也许 AI 时代的决定性问题不是机器最终是否会像我们一样思考。
而是一个更令人不安的问题：
当仅仅拥有智能已不足以让我们变得特别时，人类应该成为什么？
