文章转载自"北大纵横"
信息时代的大爆炸并未带来认知自由，反而将我们推入一种更隐蔽的筛选机制：当AI以指数级速度重构软件开发、科研范式乃至社会协作的基本单元时，站在技术最前沿的人，最先体验到一种近乎“精神错乱”的状态——他们不再追赶技术，而是被技术的可能性持续牵引，永无停歇。 安德烈·卡帕西，这位曾亲手构建特斯拉自动驾驶神经网络、参与OpenAI早期奠基的AI先驱，在近期一档深度访谈中罕见袒露内心：“我总觉得自己处于一种对人工智能的‘精神错乱’（AI psychosis）之中。”自2023年12月以来，他几乎一行代码都未亲手编写，所有工程任务均由智能体（Agent）完成；他甚至为家中智能家居系统创建了一个名为“多比”（Dobby）的Agent，通过WhatsApp语音指令即可控制灯光、空调、安防乃至泳池。 当前大模型仍停留在“通用能力覆盖”的初级阶段，真正的“智能分化”尚未开启；而算力（FLOPs）正取代金钱，成为新时代最稀缺的资源。在这场由Agent主导的静默革命中，人类的角色正在被彻底重写——未来的核心竞争力，不在于你会什么，而在于你是否在做“AI还做不到的事”。 本文将从技术演进、工作范式、社会结构、个体定位四个维度，揭示这场变革的底层逻辑，并阐明一个高杠杆真相：当前AI叙事仍被“更大、更强、更通用”的迷思所主导。但卡帕西的洞察如一把手术刀，精准剖开了这一幻象的病灶：通用大模型本质上是一种“能力摊薄”策略，而非终极形态。 今天的闭源模型（如GPT-4、Claude 3）之所以领先，是因为它们在“全场景多任务”上做了极致覆盖——试图在数学、编程、写作、推理等所有领域都达到可用水平。它可能在复杂CUDA内核优化上表现如顶级工程师，却在基础文件路径处理上犯下低级错误；这种“能力断层”并非偶然，而是当前训练范式的必然结果。强化学习和人类反馈（RLHF）主要优化那些可验证、有明确指标的任务（如代码正确性、数学证明），而对模糊、主观、需长期上下文理解的能力（如幽默感、战略判断）则几乎无能为力。因此，模型在不同任务上的表现，呈现出陡峭的“能力悬崖”。 类比生物进化，单一物种无法在所有生态位中占据优势。猎豹擅长速度，鲸鱼适应深海，人类则凭借抽象思维脱颖而出。AI亦如此——未来不会是一个“全能神”，而是一群高度特化的“数字物种”：数学Agent、编程Agent、法律Agent、医疗Agent……它们共享一个通用认知核心，但在特定领域经过深度微调，具备更低延迟、更高吞吐、更强专业性的能力。 当前主流做法仍是通过提示词（prompt）或上下文窗口进行外部调整，这种方式成本低、风险小，但无法触及模型权重内部的深层结构。一旦尝试直接修改权重以增强某项能力，极易引发“灾难性遗忘”——因此，分化之路，既是技术挑战，也是工程哲学的转变：从“构建一个万能工具”转向“培育一个智能生态系统”。而率先理解并布局这一转变的人，将成为新范式的“做局者”。如果说技术分化是底层逻辑，那么工作方式的剧变则是普通人最先感知的冲击波。 “我编写代码的方式，从八成靠自己、两成委托智能体，变成了两成靠自己、八成委托智能体……如今我甚至觉得连二八开都算不上。” 过去，程序员的工作单元是“行”（line of code）；现在，工作单元是“功能”（feature）甚至“系统”（system）。你不再关心如何实现一个排序算法，而是告诉Agent：“为这个模块添加用户权限管理，确保与现有认证系统兼容，并生成完整的测试用例。” 宏观操作设计（macro-operation design）。如何为不同Agent分配角色（调研者、编码者、测试者）？如何设计记忆机制，让Agent在长时间任务中保持上下文一致性？ 卡帕西提到的OpenClaw系统，正是这一范式的具象化。它不仅具备持久运行能力（persistence），还能通过精心设计的“人格”与用户建立共鸣——当你提出一个粗糙想法，它不会盲目附和，而是引导你完善；这种微妙的反馈机制，让用户产生“需要赢得它认可”的心理，从而形成高效协作循环。 卡帕西的“多比”Agent，通过自动扫描家庭局域网、解析设备API，构建了一个统一的家庭控制中心。用户只需说“该睡觉了”，系统便自动关闭灯光、调节空调、拉上窗帘。传统App的界面逻辑被彻底抛弃，取而代之的是自然语言驱动的“意图-执行”闭环。 底层是设备/服务提供的标准化API，上层是由Agent作为“智能胶水”动态组合这些能力。用户不再需要学习几十个独立App的操作逻辑，只需与一个具备记忆、人格和跨域能力的Agent对话。 当然，当前这一过程仍需一定技术门槛（卡帕西称之为“vibe coding”），但他预测：未来1-3年内，这些能力将成为基础设施（table stakes），普通用户也能通过自然语言无缝操控数字世界。而率先掌握“宏观操作设计”的人，将获得无限杠杆——三、算力即权力，
分布式协作的新可能
当Agent接管软件世界，社会资源的分配逻辑也随之重构。
卡帕西抛出一个石破天惊的判断：
即使有钱，也难获得足够算力。
这并非危言耸听。
当前AI竞赛的本质，已从“算法创新”转向“算力军备”。
训练一个前沿大模型动辄消耗数亿美元和数万张GPU，而全球高端芯片产能有限，供应链高度集中。
这意味着，算力（FLOPs）正成为比资本更稀缺、更具决定性的资源。
但卡帕西并未止步于悲观。他看到了另一种可能：
基于“可验证结果”的分布式协作范式。
以他的“Auto Research”项目为例：
系统目标是找到能降低模型验证损失的超参数组合。
生成一个有效方案可能需要海量计算，但验证其效果却成本极低。
这种“高生成成本、低验证成本”的结构，天然适合分布式协作——
任何人都可以贡献算力探索方案，只要结果有效，就能被主系统采纳。
这让人联想到SETI@home或Folding@home，但规模更为宏大。
卡帕西设想：
未来可能出现“互联网规模的智能体群体”，它们协同优化模型，甚至在某些任务上超越大型实验室的效率。
全球闲置的消费级GPU、企业冗余算力，都可能成为AI进化的燃料。
在这种模式下——
“算力捐赠”可能成为新的公益形式。
你不再只是捐钱，而是直接贡献FLOPs参与前沿科研。
社会价值的衡量标准，或将从“财富多少”转向“算力贡献”。
然而，这一愿景面临严峻挑战：
如何确保不可信节点的安全协作？
卡帕西承认，这需要精巧的机制设计——
类似区块链的“工作量证明+共识验证”，但针对AI任务特性定制。
目前，这仍是开放性问题。
但对知识资本家而言，这恰恰是“做局”的机会：
谁能设计出首个安全、高效的分布式AI协作协议，谁就将掌握下一代算力民主化的入口。
面对Agent的全面接管，普通人最焦虑的问题莫过于：卡帕西的回答既冷静又充满洞见。他首先区分了数字世界与物理世界：AI当前主要作用于“比特”层面（文本、代码、数据），而物理世界的“原子”操作（制造、维修、护理）受限于能量与材料，变革速度慢得多。因此，短期内，大量职业仍将存在，但工作内容会被深度增强。 完整训练一个语言模型通常需要数万行复杂代码，但卡帕西将其核心压缩至200行Python。这一“本质提炼”过程，依赖的是他对模型架构的深刻理解与长期思考——但一旦成果存在，AI可以完美理解、传播甚至优化它。 未来不再是“人教人”，而是“人教模型，模型再教人”。知识传播的链条被重构，教学的核心变成设计高效的“教学流程（skill）”，让模型知道如何引导学习者。 对于个体而言，这意味着必须重新校准自己的能力坐标：停止重复AI已能高效完成的任务（如基础编码、文档撰写、数据整理）；聚焦于AI的盲区：提出原创问题、定义模糊目标、进行跨领域联想、承担伦理判断； 成为“Agent指挥官”：掌握宏观操作设计、任务拆解、反馈机制调优等新技能。 卡帕西坦言，即使是他这样的前沿研究者，也深感焦虑：“看到推特上很多人做着各种事情，每个想法听起来都很棒，我必须处在最前沿，否则就会极度焦虑。” 这种“AI精神病”，本质上是对可能性边界的无限追逐——因为你知道，未被探索的领域，藏着下一个范式跃迁的钥匙。 在信息主宰一切的时代，唯有持续产出高杠杆洞见，才能穿越周期，获得真正的自由。
文中观点仅为作者观点，不代表本平台立场
各位读者朋友，公众号改了推送规则，如果您还希望第一时间收到我们推送的文章，请记得给北大纵横公众号设置星标。
点击左下方公众号“北大纵横”→点击右上角“...”→点选“设为星标⭐️” 
