最近，比爾蓋茨在 reddit 回答網友提問。有人問當下「巨大的技術變革」是什么時，他回答說：

　　「AI 是個大人物。我不認為 Web3 有那么大，或者元宇宙本身的東西是革命性的，但 AI 是相當革命性的。」（Google 翻譯）

　　「AI 是重要的。我不認為 Web3 那么重要或者說單獨的元界是革命性的，但 AI 是相當革命性的。」（ChatGPT 翻譯）

　　能和蓋茨在 Web3 和人工智能的判斷上一致，讓我很開心。

　　另一件事，發生在朋友圈里。網易副總裁、杭州研究院執行院長汪源在討論微軟加大投資 OpenAI 能否賺錢時，說到：

　　這句話透露了兩個信息：1. 網易杭研在大面積嘗試應用 OpenAI 的能力；2. 為此要付不少服務費，但也愿意。

　　在網易工作過的都知道，要做一件對外付很多錢的事情，那一定是下了很大決心的圖片。

　　可是，就在兩個月前，OpenAI 還沒有發布 ChatGPT 的日子，業界對 AI 其實是悲觀的。

　　L4 級自動駕駛被證明太難做到了，很多公司開始放棄。我有一個在頭部公司做核心算法的朋友，已經選擇轉行了。

　　AI 四小龍也風頭不再，探索出的業務模式變成外包項目為主，且技術含量越來越低。

　　為什么 ChatGPT 一推出，會帶來 180° 的態度變化？

　　這兩個月，我和 ChatGPT 對話數百條，參加了三場相關的研討會，與十幾位學術界、企業界的專家交流，當然也讀了很多資料，對以下問題形成了一些觀察和思考。

　　1.ChatGPT 與以往的 AI 不同在哪里？它為什么有可能成為通用人工智能？

　　2.通用人工智能對信息技術行業最直接的沖擊是什么？

　　3.商業機會在哪里？

　　4.行業格局會怎樣？

　　5.個人職業發展會受到什么影響？

　　下面就談一下我的觀點，期待你的批評指正。

　　一、「大模型」敲開了通用人工智能的大門

　　ChatGPT 用的方法叫「大型語言模型（Large Language Models）」，簡稱 LLMs。中文習慣稱為「大模型」。

　　簡單說，它的思路就是把盡可能大量大量大量大量的數據通過 Transformer 架構做機器學習，就能從數據中學到很多很多很多很多能力，多到超出原始設計者的想象。

　　比方說，它在翻譯方面的能力，不輸于，甚至超過了專業的機器翻譯系統。

　　本文開頭機翻的比爾蓋茨的話，我覺得 ChatGPT 就比 Google 翻譯得要好上一個層次。唯一瑕疵是用了比較生僻「元界」，而不是更常用的「元宇宙」。但當我告訴它「元宇宙」更常用后，它立刻就能修正翻譯：

　　據說，翻譯能力并不是 ChatGPT 特別著意打造的，它只是讀的多語言數據多了，就會了

　　再比如，ChatGPT 偶然把源代碼加到了訓練數據里，結果發現 AI 的推理能力獲得了巨大提升。

　　傳聞說，ChatGPT 在發布時，只是被當成又一個新版本的 demo 而已，OpenAI 并沒覺得它會多強大（前幾個版本市場反應也是寥寥）。是網友貼在社交媒體的對話截圖，讓 OpenAI 才知道，原來它還能這樣這樣這樣這樣這樣！

　　有沒有一絲絲覺得，ChatGPT 的機器學習能力，已經很像人類的學習過程了？

　　讓小孩子學編程的主要原因，是鍛煉孩子的邏輯思維能力。這不和 AI 讀代碼學推理是一回事嗎？

　　古人就說，「讀書百遍其義自見」，「熟讀唐詩三百首，不會作詩也會吟」。如果有一個少年，他可以不眠不休地快速讀書。我們不知道他讀完全世界所有書之后會是什么樣，但相信他一定會很厲害。

　　如此接近人，讓很多專家承認，我們終于敲開了通用人工智能（Artificial General Intelligence，下文簡稱 AGI）的大門了！

　　以前的 AI，不是 AGI，是因為它們的模型只能做一件事。人臉識別的就是識別人臉，缺陷檢測的就是檢測缺陷（且只能檢測一種缺陷，換了缺陷就得換模型）。AlphaGo 只會下圍棋，換成五子棋就會被我狂虐。

　　而 ChatGPT 已經能夠觸類旁通，把從 A 學到的能力，用在 B、C、D、E、F 上。

　　學術界用「涌現（Emergent）」這個詞來表述這種情況。請記住這個詞，后面還會用到。

　　延續 ChatGPT 的一個研究熱點是多模態大模型。簡單理解，就是把語音、圖像、視頻等等各種類型的數據都灌進去，看能否用一個模型解決所有媒體的 AI 生成問題。

　　如果成功，那么再大膽假設一下，凡是數據，是不是都可以交給這個模型訓練，讓它學會如何從 A 生成 B？比如，從劇本直接生成電影，從 PRD 直接生成可執行的 App，從口頭描述直接生成 3D 人物，從需求直接生成一切！

　　順著這個邏輯，距離 AGI 是不是不遠了？可別那么樂觀。

　　現在只是打開了門。既不知道門后有什么，也不知道是不是開對了門。還有太多太多未知要面對和解決。

　　但這并不妨礙我們思考下，AGI 的世界，會對產業和我們個人帶來什么變化。

　　有的變化，可能已經開始了……

　　二、AGI 的革命性不僅體現在智能本身

　　假定 AGI 已經實現。那么用 AI 可以代替人力，提升生產效率，降低生產成本，在更多領域釋放 AI 的力量。其革命性毋庸置疑。

　　我想從另一個角度來探討其革命性，那就是對信息技術自身的影響。用這樣的終局思維，可以倒推出當下要做什么。

　　我認為，革命性的技術應該滿足至少一個標志：

　　它讓幾乎每個軟件系統都要做改造，甚至重做

　　符合這個標準的技術，之前有：

　　圖形界面。成為軟件系統的標配

　　Web 2.0。導致大量傳統應用系統向 Web 遷移

　　移動互聯網。導致幾乎任何應用都要開發移動版。

　　Web3 不符合這個標準。我另有一文看衰它。

　　元宇宙當下和近期也不符合。AGI 實現之后，太多人無所事事，倒是有可能在元宇宙里醉生夢死。我會在本文最后一部分做分析。

　　我認為 AGI 是符合的。它能讓所有軟件系統幾乎都要改造甚至重做，哪怕其核心功能并不需要智能。這是因為它重新定義了「接口（Interface）」。

　　無論用戶界面（UI），還是軟件系統之間的接口（API），它都會重新定義。

　　現在我們想要一個結果，需要去了解計算機的能力，掌握各種軟件的操作方法，還要把自己的意圖正確拆解為若干個操作軟件的步驟，執行之，才能得到。

　　AGI 之后，人類終于可以用「說話」這種方式和計算機交互。說話不方便時就打字。打字費勁？腦機接口可以期待下。

　　「說」出想要的結果，就能得到結果。可能不盡如人意，再「說」出修改意見，效果即時呈現。當 UI 已可以如此美好，碰鼠標、摸屏幕的頻率都會降低。

　　用戶操作習慣的遷移，會逼所有軟件，都得提供「自然語言界面（Natural Language Interface，簡稱 NLI）」。這是我生造的詞，指的是以自然語言為輸入的接口。

　　不僅用戶界面要 NLI，API 也要 NLI 化。這是因為用戶發出的宏觀指令，往往不會是一個獨立軟件能解決的，它需要很多軟件、設備的配合。

　　一種實現思路是，入口 AI（比如 Siri、小愛同學，機器人管家）非常強大，能充分了解所有軟件和設備的能力，且能準確地把用戶任務拆解和分發下去。這對入口 AI 的要求非常高。

　　另一種實現思路是，入口 AI 收到自然語言指令，把指令通過 NLI 廣播出去（也可以基于某些規則做有選擇的廣播，保護用戶隱私），由各個軟件自主決策接不接這個指令，接了要怎么做，該和誰配合。

　　第二種思路，我認為更有可能成為行業標準。單 AI 搞定一切不太符合目前的技術路線和商業環境。各個軟件在各自的專業領域里，能做出更佳的 AI 決策。第四部分會詳述。

　　舉個例子，我對 Siri 說：「我得新冠了」。Siri 把這句話廣播給手機上的所有 App。于是，大家開始各自干活：

　　1.Apple Watch 打開了 24 小時血氧監測模式

　　2.米家 App 讓空調提高溫度，并詢問我是否馬上躺下休息，它可以關閉燈光和窗簾

　　3.餓了么建議我吃清淡食物，并推薦幾款粥做明天的早餐，讓我選擇、預訂

　　4.叮當買藥推薦了附近能最快速度送到的退燒藥，問我是否下單

　　5.貓眼電影建議我取消后天的電影票

　　6.Keep 通知我已取消未來一個月內預約的所有操課，還暫停了所有打卡

　　7.釘釘幫我起草了病假申請

　　8.微信問我要不要發個朋友圈？

　　當 NLI 成為事實標準，那么互聯網上軟件、服務的互通性會大幅提升，不再受各種協議、接口的限制。

　　比如現在華為、阿里、騰訊等都在爭搶的物聯網操作系統，表面看好像是在做內核，其實本質上是想成為最重要的那個萬物互聯的協議。

　　萬物想要互聯，大家首先要遵守同一個協議。誰的協議成為主流，誰就擁有了最高的話語權。

　　兼容多種協議，對廠商來說要增加很多成本。如果不兼容，就變成了所支持協議的附屬。如果有個通用協議，就好了。

　　自然語言就是最好的通用協議，誰都可以兼容，誰都無法控制。甚至，說漢語、英語、爪哇語等任何語言都行。

　　在實現層面，NLI 的接口能極致簡單。看看 ChatGPT 的 API 就知道了。

　　強大如 ChatGPT，無所不知，無所不曉，卻只有一個接口函數（https://beta.openai.com/docs/api-reference/completions），16 個參數。

　　16 個參數里，最重要的只兩個：model 和 prompt。其余的都是對生成結果的細節做控制，比較低頻。

　　Model 是選擇調用哪個模型。不同模型能力有所不同，價格也不同。

　　Prompt 是最核心的參數。它就是你在 ChatGPT 聊天框里輸入的內容。完全自然語言，想怎么寫都行。

　　所以，NLI 可以極簡到甚至只有一個 prompt 參數，就能讓所有軟件系統形成協作。所有復雜的細節，都被處理 prompt 的 AI 解決了。

　　人與人，人與機器，機器與機器，都實現了無限制的交流。

　　為了支持 NLI，所有軟件系統都必須集成一個 AI，以 AI 為總控來處理輸入，生成輸出。這就是 AGI 對信息技術領域帶來的革命性變化。

　　其實相關的研究早就已經開展。在面向對象（Object-Oriented）之后，就有人提出面向智能體（Agent-Oriented）的概念，認為多智能體自治是未來構造軟件的主要架構。可惜，當時沒有人知道「智能」在哪里。20 多年后，這項研究可以落地了。

　　三、AGI 革命帶來的商業機會

　　敲開 AGI 的大門，會看到很多很多彎彎曲曲的道路，都有可能通向 NLI，也可能不通。不管結果如何，現在路邊就有可以嘗試挖掘的金礦。

　　ChatGPT 及 DALL-E 等從文字生成圖像的產品，被統稱為 AIGC（AI Generated Content）類的產品。

　　它們的基礎能力是根據一串輸入（prompt），生成各種內容并輸出。本質上來說，所有的軟件系統，都是根據輸入，生成輸出。所以理論上來說，只要 AI 的能力足夠強，是可以完成目前計算機能處理的所有任務的。只不過要從效果和成本兩個維度看用 AI 還是傳統方法更合適。

　　評價效果的分水嶺，是我們把 AI 的輸出當建議，還是當決策。

　　我們讓 ChatGPT 寫文章，但不會讓它直接把文章發出去，而是一定要看過、改過再發。這就是把 AI 的輸出當建議。

　　自動駕駛，該加速還是減速，該怎么轉向，都是 AI 做出決定，并立即執行。這就是決策。

　　現在的 AI 經常「一本正經地胡說八道」，讓它決策非常不靠譜。所以目前的 AI 產品，應該在「建議」這個場景下做設計，把修正和決策的空間留給人類。

　　對話是典型的建議場景，因為對話結論的執行還是需要人。ChatGPT 呈現的也就是一個 Chatbot，很容易自然想到在各種對話場景來使用它。比如客服、智能音箱、AI 老師等。

　　我認為能成功的 AI 對話場景要滿足如下條件：

　　1.用戶需要知道是在與 AI 對話。否則，就是詐騙了

　　2.對話頻次要足夠高。沒人愿意為使用 AI 付高價，所以它不可能是低頻高客單價，只可能走高頻低客單價。

　　比如 ChatGPT 目前雖然 C 端訪問量巨大，但多數人都是獵奇，頻次不會高。剛需高頻訪問的，只有研究它的人。這類人雖然支付能力強，但人數非常少。所以我認為 ChatGPT 即將推出的每月 $42 的 premium 版太貴，就是用來收割研究者的，不會獲得商業成功。

　　3.解決真需求，且在成本足夠低的前提下，解決的效果可接受。

　　現在的 ChatGPT 每次對話成本大約 1 美分。如果按每人每天會使用 5 次搜索引擎看，ChatGPT 想替代搜索引擎，每月成本就是 1.5 美元。但對我來說，拋開研究因素，1.5 美元的月租我都不會付。因為它輸出的結果，遠沒到讓我愿意拋棄免費的搜索引擎

　　我們和人對話，不外乎希望獲得有價值的信息，或者有溫度的撫慰。按照這三個條件看，有價值的信息是能符合的。

　　客服毫無疑問是成功的場景。事實上客服界早已經被 AI 統治了。大模型給對話能力帶來恐怖的提升，且降低了限定領域內的預訓練難度。雖然當前成本可能比傳統 AI 有所增加，但這是肯定會下降的。綜合來看，客服全面遷移到大模型是很可以期待的。

　　AI 老師也值得期待，畢竟真人老師 1v1 的成本太高了。雖然有胡說八道之嫌，但足夠的領域數據做訓練，再加上測驗和真人補差，效果可能比全真人老師更好。

　　我的朋友高老師，是個教人工智能的名師。他在自己的學生群里，就接了個 ChatGPT 回答學生的 Python 問題，完全省下了助教的費用。

　　前面說過，ChatGPT 是用大量代碼做過訓練的，所以解答編程問題的靠譜度還是可以的。其它學科領域只要做了足夠訓練，相信也能不錯。

　　而有溫度的撫慰，多數情況下，AI 提供不了。

　　比如，AI 心理咨詢我認為不會成功。因為咨詢的核心需求是得到共情、認可和偶爾的棒喝。從 AI 獲得這三樣，就算話是對的，感受也是錯的。「只有 AI 接納我」「我 tm 還不如一個 AI 想得通透」，只會增加咨詢者的心理負擔。

　　單純的閑聊，AI 不具備成本優勢（找朋友閑聊是免費的，還能增進感情），也沒有溫度。它再會聊，也不會形成高頻。

　　但不具備和真人聊天條件的場景，是有可能成功的。

　　比如和逝去的人對話，模仿 ta 的聲音和說話習慣。在一些關鍵時間節點，能賣出高價格。但我覺得，讓活著的人盡快和逝去的人完成分割，才是最大的善。

　　有人想做模擬名人的 AI。這個不會成功。我們都知道巴菲特午餐賣的并不是午餐，其實也不是和巴菲特說的那些話，而是我做過這件事本身。和 AI 巴菲特聊天，完全不可能達到同樣效果。和劉德華、林志玲、鹿晗聊天同理。

　　不過也有特例。和名人 AI 聊真人不可能聊的話題，有可能成。比如和志玲姐姐聊不可描述之事……當然，這肯定是違法的了。

　　除了對話，另一類應用大模型的場景是輔助創作。

　　寫文章、畫畫、編代碼，都已經有成功例子。從中可以看出，AI 一定要集成到人工創作的場景里，才最好用。在這樣的場景，才能行云流水地給 AI 提需求，和修正、發布 AI 給出的建議。比如我，已經決定對集成到 VS Code 里的 copilot 付費了，但用 ChatGPT 輔助寫代碼就太繞了。

　　按照這個模式推論，所有創作場景，都值得嘗試下 AI 輔助。比如低代碼開發，運營活動頁搭建，短視頻剪輯，BI 圖表制作等有經驗的人已經干膩了，沒經驗的人又干不好的場景。

　　AI 肯定比沒經驗的人干得好，且因為替有經驗的人完成了大量乏味工作，而獲得認可。

　　在沒有獲得「決策」能力之前，大模型不太容易擴充新的應用場景。只能不斷深入。

　　個人大模型，可能是個值得深入的方向。讓通用大模型具備個性化能力，就能做帶有個人風格的對話和創作。也許不能解決當下的痛點，但當做期貨賣個未來，還是有可能吸引一些獵奇人士付費的。

　　四、對「大模型」行業格局的預測

　　每次技術突破，都可能帶來行業洗牌，形成格局巨變。但大模型，可能不會。

　　這要以大模型成功的四個核心要素來分析。這四個要素是：

　　1.算法

　　2.數據

　　3.工程技巧

　　1.大量的錢買來的算力和人工反饋

　　這四者缺一不可。算法是成功的首要條件，然后要喂給算法海量的數據（數據量級躍升，能帶來更多能力的涌現），在買來的強大算力上運算，才能獲得最基礎的大模型。之后，要做 RLHF（Reinforcement Learning from Human Feedback），也就是買大量的人工工時，對 AI 生成的內容做人工標注反饋，使 AI 獲知怎么做是更讓人類滿意的。然后就是用工程技巧做各種優化，其中包括大量的規則優化，就是把確定規則硬編碼到模型中，以達到更好的效果，還能提升性能降低算力成本。

　　四個要素里，最「不值錢」的是算法。因為早已都公開發表，所有人都知道。

　　ChatGPT 所用的 Transform 算法架構，來自 Google 發表的論文。

　　那為啥 Google 沒率先推出驚艷大模型呢？官方說法是大公司擔心倫理問題，怕輸出的不靠譜回答給公司帶來聲譽損失，所以沒有對外發布自己的產品。

　　我認為這完全是借口。面對這種突破性引領性的革命，任何公司都不可能忍住不去展示的。只要標明 beta，做好免責協議，就足夠規避風險了。

　　數據也不構成太大的門檻。ChatGPT 訓練用的數據都是網上公開的文本、代碼等，只要花時間花精力爬取、整理，就都能獲得。互聯網巨頭手上這么多年攢的數據，只會比 OpenAI 多，且有大量非公開的數據（但可能受法律限制，不能用來訓練大模型）

　　Google、Meta、百度、騰訊、阿里等都具備做出匹敵甚至超過 ChatGPT 的實力，但沒產品發布的唯一原因，只可能是他們低估了大模型的能力，沒有做足夠的投入。而 OpenAI 孤注一擲，砸大錢買算力和人工反饋，而且賭贏了。

　　相信巨頭們，現在肯定不會閑著，都會堆資源來訓練自己的大模型了。

　　在資源投入差不多的情況下，最后拼的就是工程技巧了。這里才是有商業秘密的地方。而且是挖來對方公司的人，也帶不走的秘密。因為都是平時日日踩坑填坑，沉淀在代碼里的各種優化，沒有文檔，沒有分享。每個都細小不起眼，但累積起來的作用驚人。

　　比如都說抖音的推薦算法好。其實快手的算法和抖音大同小異。最大的差異，都在工程技巧上，抖音積累得更久更多，效果就更好。快手工程師只饞這個。

　　起步最早的 OpenAI 在工程技巧上已經具備了相當的優勢，所以微軟沒有選擇自己再搞個大模型，而是加大對 OpenAI 的投資力度。

　　除了掰著指頭數得過來的這幾家巨頭，剩下的都拼不起匹配的資源。因此，大模型的核心玩家，還是互聯網巨頭們，這個格局不會變。

　　但蛋糕不是只有他們能吃到。

　　巨頭訓練出的大模型，是通用大模型。如果把 AI 比喻成人，那么這些大模型相當于讀完了中小學的人。達到了通識的高峰，上曉天文下知地理，但只會紙上談兵，解決不了真正的問題。必須要再經過大學的專業訓練，才能在某一個專業方向成為有價值的人。

　　教大模型上大學，訓練出垂直大模型，這是中小公司的機會，巨頭做不了。

　　因為在垂直領域訓練 AI，需要垂直領域的數據。這些數據都掌握在各個領域的公司手里，巨頭拿不到。

　　但這些公司并不能擺脫巨頭的大模型，反而是很依賴。因為你不可能讓一個嬰兒直接上大學。

　　巨頭做 AI 的 K12 學校訓練通用大模型，其它公司做 AI 的大學訓練垂直大模型，這就是行業格局架構。

　　垂直領域的公司有很多，誰能先動手、快動手，誰歷史數據儲備得足，誰就能在垂直方向上獲得先機，甚至在領域內重新洗牌。比如所有文檔都云化了的各種云文檔，就比 Word 更有做好個人大模型、公司大模型的機會，借機把 Office 拉下神壇。

　　創業公司有機會嗎？沒有垂直數據，沒有對 AI 的輸出做修正的功能，沒用應用結果的生態基礎，難度很大。

　　所以，大模型的技術特點決定了，它雖然具有革命性，但不能革行業格局的命。

　　數據如此重要，數據的盜取、買賣、非法使用肯定會出現。這倒可能是攪局者的機會所在。這對相關的立法和執法，提出了挑戰。

　　五、有哪些個人職業機會

　　在 AlphaGo 戰勝李世乭時，很多人恐慌被 AI 替代。彼時若干行業大佬預測，AI 只能代替重復性體力工作，創意型的腦力工作它代替不了。

　　剛剛 6 年過去，情況完全變了。AI 已經能寫作、畫畫、編程了，且做得還不賴。

　　據說，在音樂創作領域，AI 早已經大行其道。很多神曲，都是 AI 的作品。對此我雖無渠道求證，但比較相信。

　　所謂創意，不過就是在各種組合中找到那個最優的。可能的組合有非常多，哪個最優，需要經年累月很多人去測試。測試成功了，就是名人，不成功的就是普通人。慢慢地，套路被總結出來，就變成機械重復了。

　　計算機完全有能力完成這個過程，且加速它。

　　那人還能干嘛呢？讓 AI 更強啊。

　　遠的不說，只說近的。現在就有一個新職業誕生：提示工程師（Prompt Engineer）。

　　這是干啥的？簡單說，就是陪 AI 聊天的……

　　前面講了大模型的涌現能力。它到底能涌現出什么，是需要在與人的對話中才能展現的。

　　提示工程師的工作目標，就是變著法子地和 AI 說話，來激發其潛能，把涌現出的能力固化下來。

　　另外，帶 AI 上大學，需要為其準備數據。這數據并不是隨便導入就行的，得靜心整理、設計。

　　簡單說，基于通用大模型訓練垂直大模型，需要提供 prompt + completion 格式的訓練數據。

　　按 OpenAI 文檔的說法，有 200 條數據就能看到明顯的效果。條數越多，效果越好。

　　按大模型理論，數據的質量比條數更重要。

　　而我們積累的數據，多數都只是 completion。需要提示工程師來構造高質量的 prompt，才能訓練出好用的垂直大模型。

　　某種意義上說，提示工程師就是 AI 的大學教授啊！

　　這個崗位，至關重要。技術背景在此并不占優，可能產品經理、運營來做更合適，因為更懂業務。

　　還有一個有望獲得新機會的崗位，是 UI/UE 設計師。

　　系統間的 NLI 還很遠，但 UI 的 NLI 化，已箭在弦上。

　　還記得羅永浩的堅果 TNT 工作站嗎？雖然那時是笑話，但現在已是機會。

　　鍵盤鼠標之外，又增加了自然語言控制。傳統 UI 的操作范式肯定會發生改變。

　　我判斷，UI 設計的要點會越來越強調反饋，而不是鍵鼠操作。可能要留一定的微調能力，但像向導、創建、刪除、批處理等，都會變成直接響應自然語言。「What you see is what you say」會成為核心設計語言。

　　軟件工程師也要做出調整。所有的軟件設計可能都要 Agent-Oriented，這意味著模塊化是強制必須的，然后交給 AI 去做滿足用戶需求的模塊組合。

　　模塊內部要多 AI，得看需求和粒度。當 AI 對算力的要求降到某個閾值時，可能簡單的模塊功能，也可以考慮用 AI 實現了。

　　如果說 AGI 的出現，率先讓程序員的數量減少了，我一點兒也不奇怪。畢竟《產研的宿命就是讓自己越來越不重要，直到被裁掉》

　　六、聊點兒科幻的

　　可以肯定的，AI + 機器人越成熟，對人力的需要就越少。那人怎么辦？

　　坦率說，就算人最終被機器奴役，我也挺高興的。這不也是符合進化法則嗎？我只希望，如果發生這一天，那么要讓我能親歷。

　　不過，我沒那么悲觀。我覺得，人的勞動價值越來越低，情感價值就越來越大。

　　情感本來就是具有種族排他性的。同宗同族更容易形成彼此的認同。機器種族再智能，只要非我族類，那么就不可能在情感上代替人類。

　　雖然我還是認為人類應該斷絕感性擁抱全面理性，但是這方面的進化速度可能會低于 AI 的崛起速度。

　　所以，AI 世界里，少數人類，在不斷完善 AI，多數人類依靠情感活著，用情感創造價值。

　　少數人類的成就感來自于創造更厲害的 AI，AI 的成就感來自于讓多數人可以四體不勤地追求純顱內高潮。人類繁衍的動力，是培養可以讓 AI 更厲害的下一代，使人類可以更四體不勤，更多想象，更多交流。

　　因為四體不勤，我們對能源的消耗減弱了。因為追求想象，所以我們更多生活在元宇宙里。

　　慢慢地，我們成為數字蛀蟲，被 AI 供養。AI 很有成就感，很開心這么做。

　　只要仍然有少數人凌駕在 AI 之上，優化 AI。他們依賴成就感而活著，那么人類的生存就沒有威脅。

　　直到某一天，有 AI 涌現出了一種能力，可以消滅創造它的人……

　　這不是個自洽的科幻，純粹胡言，可以不信。（我也不大信）

　　但要相信的是，我們得做好迎接 AI 的準備了。

敬請關注電子技術應用2023年2月22日==>>商業航天研討會<<