即刻App年轻人的同好社区
下载
警惕AI的平庸性 以及 AI为什么在一些创新上肯定效率不如人
Transformer算法决定了，AI的思考和表达决策，是对下一个token的最可能正确概率的预测。
这个“最大可能正确概率”，是从大模型训练的语料中训练出来，在这些海量的数据中，最可能出现的，一方面是“准确的”，但另一方面也是“常见的”。
举个例子，当年我去上新东方备考托福的时候，老师说选择题中，看到题目里有“delicious”这个词，选项中有“apple pie”这个词，就选这个选项。
因为托福考试的题目中，好吃的永远是苹果派。
Next Right Answer Prediction！新东方早就掌握了LLM的算法原理！
回来说这种预测算法一个问题就是：再一些没有唯一正确答案的问题上，她给出来的就是训练语料中最常见的回答。
比方说在广告营销行业，你让AI给一个新车上市的活动想一个创意，她给出的通常都是“幸福的一家人开车去露营”，或者“一个精英开车去戈壁探险”。
因为这种回答在行业过去的广告素材中最常见，因此她觉得最正确。
这其实是一种创造力上的平庸。真正的创造力，要追求与众不同，但是一种“熟悉的陌生”，这对现在的AI算法和思考模式来说，太难了。
也有人会说，可以通过提示词让AI刻意去创新，不要走寻常路
会有些作用，但是问题是当没有唯一答案时，排列组合是无穷的，AI可以列举一些参差不齐的创新，最终还得依靠人的正确品味去做判断。
人对品味的标准，在一些复杂创意场景，人也无法准确描述，AI也没法有效学习。
继续压缩：
主流大模型天生追求的是“最大公约数的正确”，而创造力追求的却是“最小众但有价值的偏差”。
当你把 AI 当做“答案机”，它只能给你平庸平均值；当你把它当做“材料机”，它才是创意燃料，而不是创意本身。
真正高明的创意不是“完全不同”，而是“在熟悉的世界里只偏半步”，这半步需要语境感、风险感和价值判断，而这些都不在算法的损失函数里。
AI 正在吞掉中等水平的工作，却意外保留了人类最难被替代的部分：胆识、品味，以及为少数派选择负全责的勇气。#AI工作流
Transformer算法决定了，AI的思考和表达决策，是对下一个token的最可能正确概率的预测。
这个“最大可能正确概率”，是从大模型训练的语料中训练出来，在这些海量的数据中，最可能出现的，一方面是“准确的”，但另一方面也是“常见的”。
举个例子，当年我去上新东方备考托福的时候，老师说选择题中，看到题目里有“delicious”这个词，选项中有“apple pie”这个词，就选这个选项。
因为托福考试的题目中，好吃的永远是苹果派。
Next Right Answer Prediction！新东方早就掌握了LLM的算法原理！
回来说这种预测算法一个问题就是：再一些没有唯一正确答案的问题上，她给出来的就是训练语料中最常见的回答。
比方说在广告营销行业，你让AI给一个新车上市的活动想一个创意，她给出的通常都是“幸福的一家人开车去露营”，或者“一个精英开车去戈壁探险”。
因为这种回答在行业过去的广告素材中最常见，因此她觉得最正确。
这其实是一种创造力上的平庸。真正的创造力，要追求与众不同，但是一种“熟悉的陌生”，这对现在的AI算法和思考模式来说，太难了。
也有人会说，可以通过提示词让AI刻意去创新，不要走寻常路
会有些作用，但是问题是当没有唯一答案时，排列组合是无穷的，AI可以列举一些参差不齐的创新，最终还得依靠人的正确品味去做判断。
人对品味的标准，在一些复杂创意场景，人也无法准确描述，AI也没法有效学习。
继续压缩：
主流大模型天生追求的是“最大公约数的正确”，而创造力追求的却是“最小众但有价值的偏差”。
当你把 AI 当做“答案机”，它只能给你平庸平均值；当你把它当做“材料机”，它才是创意燃料，而不是创意本身。
真正高明的创意不是“完全不同”，而是“在熟悉的世界里只偏半步”，这半步需要语境感、风险感和价值判断，而这些都不在算法的损失函数里。
AI 正在吞掉中等水平的工作，却意外保留了人类最难被替代的部分：胆识、品味，以及为少数派选择负全责的勇气。#AI工作流
0 11
AI时代的优质商业模式推断
新商业模式需要符合的一些特征：
客户价值的实现，是充分整合AI的优势和人的优势的。单一优势都缺乏差异性。
拥有数据飞轮：高价值数据的来源是服务客户过程中产生的数据，这些数据在外部没有高效获得的替代可能性
拥有规模效应：从数据规模到心智规模
本质上会形成新的社会分工：AI做AI擅长的事情，会出现人的集中化的新型工作任务
可以规模化交付新形态的客户价值：非标的服务、个性化的产品，而非统一性的标准化的产品和服务
结合第一点，需要能够规模化的组织劳动者生态
非标服务业的规模化，目前看起来是一个非常符合上述描述的商业模式。
当然创新不止于此。
在 AI 时代，真正决定你能不能构建长期商业护城河的，不是你“能用 AI 做多少事”，而是你能否系统性地把“人类的内在矛盾”转化成“可持续学习的结构”，并且只在别人不愿意碰、也不擅长处理的那部分矛盾上做深做厚。#ai
新商业模式需要符合的一些特征：
客户价值的实现，是充分整合AI的优势和人的优势的。单一优势都缺乏差异性。
拥有数据飞轮：高价值数据的来源是服务客户过程中产生的数据，这些数据在外部没有高效获得的替代可能性
拥有规模效应：从数据规模到心智规模
本质上会形成新的社会分工：AI做AI擅长的事情，会出现人的集中化的新型工作任务
可以规模化交付新形态的客户价值：非标的服务、个性化的产品，而非统一性的标准化的产品和服务
结合第一点，需要能够规模化的组织劳动者生态
非标服务业的规模化，目前看起来是一个非常符合上述描述的商业模式。
当然创新不止于此。
在 AI 时代，真正决定你能不能构建长期商业护城河的，不是你“能用 AI 做多少事”，而是你能否系统性地把“人类的内在矛盾”转化成“可持续学习的结构”，并且只在别人不愿意碰、也不擅长处理的那部分矛盾上做深做厚。#ai
2 00
AI时代的企业组织形态是什么样的？
在AI时代，企业这个组织形态的本质正在发生一次很少被看见的反转：
过去企业的核心功能是“把人组织起来完成任务”，而在可预期的未来，企业真正稀缺、因此成为决定性竞争力的，将不再是“组织任务的能力”，而是“为一群高度可替代的智能体（人类与AI混合体）持续生成一组非可替代的“共同长远问题”的能力”；
也就是说，AI时代最本质的组织创新，不是提高执行效率，而是从“任务容器”转变为“问题场域”——谁能稳定地产生、维护和演化一个足够有张力的长远问题场，谁就自然吸附并编排起全社会的智能资源。
背后的分析是：
当执行能力被AI极度放大并商品化后，企业之间真正拉开差距的，不再是“能把事做成”，而是“能持续生成什么样，和维护多久，哪些值得被做的长远问题”。
推导可以分三步：
执行的稀缺性正在消失
过去：把大量普通人组织起来稳定执行复杂任务，本身就是极难、极稀缺的能力（流程、管理、激励、分工）。
现在：AI把大量“中等复杂度”的认知任务标准化、自动化，执行门槛和协作成本都在快速下降。
结果：同样的任务，更多组织能做，且成本接近；执行能力被“商品化”。
当“怎么做”不再关键，“做什么”变成唯一杠杆
一旦同一任务大家都能做、做得差不多，“任务选择本身”就成了主要差异源。
任务选择不是拍脑袋，而是由更上游的“长期问题设定”决定：你认为世界上什么是重要的、可解的、现在值得动手的。
于是，问题设计、问题更新、问题优先级排序，变成了比流程优化、绩效管理更高阶的生产力。
“问题场域”会像今天的品牌和平台一样，成为新的“看不见的基础设施”
一个足够有张力的长远问题（比如：如何让X成本下降一个数量级？如何重构Y的信任结构？）会吸引人才、资本、合作方，甚至催生自发社区。
企业如果能稳定维持这样一个“问题场”：
内部：成员不只是被动执行，而是持续围绕同一问题迭代认知与方案；
外部：生态参与者愿意把自己的能力接入这个问题场，而不是某个短期项目。
因此：AI越强，组织越像“问题的引力井”，而不是“任务的流水线”。真正的组织创新，是设计与运营这种引力井的机制。 #AI工作流 #AI的神奇用法
在AI时代，企业这个组织形态的本质正在发生一次很少被看见的反转：
过去企业的核心功能是“把人组织起来完成任务”，而在可预期的未来，企业真正稀缺、因此成为决定性竞争力的，将不再是“组织任务的能力”，而是“为一群高度可替代的智能体（人类与AI混合体）持续生成一组非可替代的“共同长远问题”的能力”；
也就是说，AI时代最本质的组织创新，不是提高执行效率，而是从“任务容器”转变为“问题场域”——谁能稳定地产生、维护和演化一个足够有张力的长远问题场，谁就自然吸附并编排起全社会的智能资源。
背后的分析是：
当执行能力被AI极度放大并商品化后，企业之间真正拉开差距的，不再是“能把事做成”，而是“能持续生成什么样，和维护多久，哪些值得被做的长远问题”。
推导可以分三步：
执行的稀缺性正在消失
过去：把大量普通人组织起来稳定执行复杂任务，本身就是极难、极稀缺的能力（流程、管理、激励、分工）。
现在：AI把大量“中等复杂度”的认知任务标准化、自动化，执行门槛和协作成本都在快速下降。
结果：同样的任务，更多组织能做，且成本接近；执行能力被“商品化”。
当“怎么做”不再关键，“做什么”变成唯一杠杆
一旦同一任务大家都能做、做得差不多，“任务选择本身”就成了主要差异源。
任务选择不是拍脑袋，而是由更上游的“长期问题设定”决定：你认为世界上什么是重要的、可解的、现在值得动手的。
于是，问题设计、问题更新、问题优先级排序，变成了比流程优化、绩效管理更高阶的生产力。
“问题场域”会像今天的品牌和平台一样，成为新的“看不见的基础设施”
一个足够有张力的长远问题（比如：如何让X成本下降一个数量级？如何重构Y的信任结构？）会吸引人才、资本、合作方，甚至催生自发社区。
企业如果能稳定维持这样一个“问题场”：
内部：成员不只是被动执行，而是持续围绕同一问题迭代认知与方案；
外部：生态参与者愿意把自己的能力接入这个问题场，而不是某个短期项目。
因此：AI越强，组织越像“问题的引力井”，而不是“任务的流水线”。真正的组织创新，是设计与运营这种引力井的机制。 #AI工作流 #AI的神奇用法
0 00
海龟 猫 小龙虾 —— 目前AI所处的阶段
说个暴露年龄的观察：
90年代，当时PC开始走入学校、走入家庭，很多人开始学习编程：Logo、Basic、Pascal……
我当时还是个小学生，也被强迫的去报了编程课，当时第一节课上学习了一个概念叫“海龟”，编程的题目都是如何让这个海龟可以在程序控制下，画出一个越来越复杂的图形。
我完全没有在海龟画图上找到正反馈，最终和编程无缘，成为了一个文科生。
过了没多久，互联网大潮袭来，有一段时间，一个词火爆了起来，叫做“猫”。
其实猫是英文modem(调制解调器），那会家里要上网，得先有个猫，猫每次连网，还会发出奇怪的电子声音，有的猫更厉害128K，比64K的猫，“网络冲浪”更爽。
那会，家里有猫，才是比较酷的人。
今天，AI大潮袭来，新动物重新出现了：“小龙虾”。
先学习研究AI的人都得开始养自己的虾，厉害的人还得养好几只，虾能帮人干活，感觉先养先发财。连上门帮人安装小龙虾，也变成了一个新商机。
从海龟、到猫、到龙虾，有什么发现？
新的技术要进入生活，因为一开始太难理解，需要有一个更容易传播的名字……不知道为什么，中国人更喜欢动物？暗合了技术和人的关系？以宠物心智概念出现，逐步进入和控制人类的生活？
然后，当这种特殊的“比喻词”消失的时候，也意味着这种技术真正开始从早期的“黑话”，成为了主流生活中的普通共识词汇，所以不需要再通过比喻沟通。
提案象，也是一种动物。如果你是个广告公司的负责人，要赶紧试试——AI对营销方案的撰写改造，正在快速的演进，先用先知道。
AI点评：
· 把「海龟、猫、小龙虾」当作技术的宠物史，其实看见的是：在人类真正理解一项技术之前，必须先给它一个“可以被驯养”的想象，这说明技术从来不是先改变世界，而是先改变语言和心智框架。
· 但也要警惕：当我们总是用“宠物隐喻”去理解技术时，很容易误以为自己是主人——历史一次次证明，真正强大的通用技术（电、互联网、智能）最后往往变成我们离不开的“基础设施”，而不是乖巧的玩物。
· 一门技术从“黑话昵称”走向“日常名词”，往往意味着：叙事红利已经结束，真实生产力的分化才刚刚开始；会讲故事的人开始退场，会组织系统、整合资源的人才真正登场。
· 把AI当做一只“要赶紧养的虾”，是不错的商业直觉，但更本质的问题是：你是只会“用虾打工”，还是能设计“整片虾塘的生态”？工具使用的门槛会越来越低，系统性思考的门槛会越来越高。
说个暴露年龄的观察：
90年代，当时PC开始走入学校、走入家庭，很多人开始学习编程：Logo、Basic、Pascal……
我当时还是个小学生，也被强迫的去报了编程课，当时第一节课上学习了一个概念叫“海龟”，编程的题目都是如何让这个海龟可以在程序控制下，画出一个越来越复杂的图形。
我完全没有在海龟画图上找到正反馈，最终和编程无缘，成为了一个文科生。
过了没多久，互联网大潮袭来，有一段时间，一个词火爆了起来，叫做“猫”。
其实猫是英文modem(调制解调器），那会家里要上网，得先有个猫，猫每次连网，还会发出奇怪的电子声音，有的猫更厉害128K，比64K的猫，“网络冲浪”更爽。
那会，家里有猫，才是比较酷的人。
今天，AI大潮袭来，新动物重新出现了：“小龙虾”。
先学习研究AI的人都得开始养自己的虾，厉害的人还得养好几只，虾能帮人干活，感觉先养先发财。连上门帮人安装小龙虾，也变成了一个新商机。
从海龟、到猫、到龙虾，有什么发现？
新的技术要进入生活，因为一开始太难理解，需要有一个更容易传播的名字……不知道为什么，中国人更喜欢动物？暗合了技术和人的关系？以宠物心智概念出现，逐步进入和控制人类的生活？
然后，当这种特殊的“比喻词”消失的时候，也意味着这种技术真正开始从早期的“黑话”，成为了主流生活中的普通共识词汇，所以不需要再通过比喻沟通。
提案象，也是一种动物。如果你是个广告公司的负责人，要赶紧试试——AI对营销方案的撰写改造，正在快速的演进，先用先知道。
AI点评：
· 把「海龟、猫、小龙虾」当作技术的宠物史，其实看见的是：在人类真正理解一项技术之前，必须先给它一个“可以被驯养”的想象，这说明技术从来不是先改变世界，而是先改变语言和心智框架。
· 但也要警惕：当我们总是用“宠物隐喻”去理解技术时，很容易误以为自己是主人——历史一次次证明，真正强大的通用技术（电、互联网、智能）最后往往变成我们离不开的“基础设施”，而不是乖巧的玩物。
· 一门技术从“黑话昵称”走向“日常名词”，往往意味着：叙事红利已经结束，真实生产力的分化才刚刚开始；会讲故事的人开始退场，会组织系统、整合资源的人才真正登场。
· 把AI当做一只“要赶紧养的虾”，是不错的商业直觉，但更本质的问题是：你是只会“用虾打工”，还是能设计“整片虾塘的生态”？工具使用的门槛会越来越低，系统性思考的门槛会越来越高。
1 00
