AI 进步很快,为什么改变仍然很难?

Sam Altman 在一次访谈里承认，自己明知 AI 可以处理邮件、管理待办、完成重复工作，回到电脑前却仍会一封封翻邮件，在应用之间复制粘贴，从待办事项里挑一件没那么难受的事先做。

他甚至怀疑，自己是不是暗地里喜欢这样工作。否则，明明知道有更好的办法，为什么还要重复过去二十年的习惯？

一个站在 AI 前沿的人，也没能轻易改变自己的工作方式。技术已经走了很远，人却未必同步跟上。

我们每天讨论模型又变强了多少，但另一个问题同样值得问：能力出现以后，究竟还要经过什么，才能变成生活里的改变？

其中一部分原因，当然是习惯。

回复消息、清空收件箱、在待办列表上打钩，会给人具体的反馈：我今天做了不少事。如果这些动作交给 AI，自己只负责提出要求、判断结果，熟悉的忙碌感就会减少，我们需要重新学习怎样确认自己的贡献。

但不能把所有迟疑都归结为习惯。

熟悉的流程即使慢一些，也有可预测性。我知道事情做到哪里，出了错该找谁，补救大概要多久。交给 AI 后，解释背景、检查结果、处理例外，同样需要时间。

如果省下二十分钟，却要花十五分钟核对，还得担心遗漏，那么继续沿用旧方法，也可能是合理选择。

Sam 后来把相当一部分责任归到了产品上。他认为，技术部件已经出现，但怎样把它们组织成顺畅的新体验，仍有大量工作要做。

这个判断很重要。新工具需要让人清楚：什么时候值得交给它，交出去以后会发生什么，出了问题如何接回来。

这些问题没有解决以前，劝人拥抱未来，并不能消除使用时的犹豫。

访谈开头，Sam 谈到 Shopify 的 Tobi。他欣赏对方亲自写软件、试模型、重新设计工作流程，还会给出具体的产品反馈。

亲手做事的价值很朴素：它让人碰到真实的问题。

听汇报时，看到的往往是整理过的成果。自己动手，才会发现演示里几秒完成的动作，前面可能需要半小时准备；一个看似流畅的过程，遇到特殊情况就要反复补救。也可能发现，某个一直被认为很麻烦的环节，现在确实已经能用简单方式完成。

这样的经验，让判断有了依据。哪些变化值得立即采用，哪些还需要等待，不能只靠别人描述。

我理解的“跟上 AI”，首先就包含这种能力：拿一件具体的事，观察它到底能帮到哪里，也看清它在哪些地方仍需要人。

Sam 对未来产品的期待，也沿着这个方向展开。他希望 AI 能读到自己没时间读的内部讨论、用户反馈和研究资料，在需要做决定时，把相关信息带过来。

这个想法吸引我的地方，在于上下文。

假设我要判断一个项目是否应该继续投入。通用助手可以列出成本、收益、风险等维度；了解具体情况的助手，还可能提醒我：需求已连续三个月没有增长，主要使用团队正在调整方向，两名核心成员下个月就要转去支持另一个项目。

后面这些信息，会直接影响决定。

不过，资料多也会带来新问题：消息可能过期，讨论可能从未形成决定，文档可能与实际情况冲突。助手需要帮助我们分清这些差别。

能读很多东西以后，还要能说明：为什么这条信息值得相信，为什么它与眼前的决定有关。

工具提供的能力越多，我们越需要知道，怎样判断它是否真的有效。

访谈里关于研究管理的故事，回答了这个问题的一部分。

Sam 回忆，OpenAI 创业初期，十来个人聚在 Greg Brockman 的公寓里，兴奋地准备开始一件大事。然后问题来了：现在具体做什么？

他们有一个宏大的目标：做出通用人工智能。但目标并没有自动告诉大家，第二天应该研究什么，怎样判断研究有没有进展。

一个宏大的方向，可以把人聚在一起，却不足以安排日常工作。

Sam 长期受到创业方法影响：尽早发布，接触用户，根据反馈改进。然而早期研究没有可以马上交给客户的产品，从成立到推出第一个产品，中间隔了多年。

没有客户反馈，又不能无限等待，就需要其他检验进展的办法。他们尝试排行榜，让研究员看到不同方案的表现；尝试对外演示，让成果接受外部观察；也逐渐积累起判断研究方向是否有效的经验。

这里最值得带走的，是对反馈的坚持。

长期目标可以很远，近期进展必须有可检验的证据。

做产品，要知道用户是否真的愿意用；做研究，要知道设想能否经受实验；改进工作流程，要知道节省的时间是否超过新增的沟通和检查成本。

没有这些证据，人很容易把投入当成进展。开了很多会，生成了很多内容，做了很多尝试，当然都很辛苦，但事情有没有往前走，仍需要单独回答。

这也解释了访谈里另一组看似矛盾的观点。

Sam 一方面欣赏愿意押注非共识方向的人，另一方面又强调集中资源，放弃其他好想法。

这两种选择，需要放在不同阶段理解：探索时，要给不同假设机会；当某个方向开始得到扎实证据，就要调整投入。

他讲到，ChatGPT 发布不久，虽然增长很快，团队里仍有人担心这种使用只是短暂的新鲜感，因而考虑其他方向。按照他的回忆，Peter Thiel 提醒他：那个可以输入任何问题的文本框，本身已经展现了价值，值得继续深入。

建议很简单，却不容易执行。

一个团队总能找到更多值得做的事。难处在于，人才、时间、注意力都有上限。证明一个项目有价值还不够，还要比较：在现有条件下，它是否值得优先获得投入？

这也解释了他为什么强调从成功中学习。失败能提醒我们避开问题，成功则可能展示一套实际运转过的方法。

当然，成功的解释也需要检查：究竟是方法有效，还是时机特别好？换个环境，它还成立吗？保留这些问题，才不至于把一个人的经历直接当成适用于所有人的公式。

访谈继续往下，话题从公司转向社会。

如果 AI 能让很多东西更便宜、让很多工作更容易，人为什么仍会不安？

Sam 提到了一点，我很认同：人对未来的期待，包含自主权。

更低的生活成本、更好的服务当然有价值，但人仍会关心：自己的努力能不能影响结果？重要决定由谁来做？不接受某种安排时，有没有其他选择？

因此，一个人可以经常使用 AI，同时担心 AI 带来的社会变化。这两种态度完全可以同时存在。

人会在意未来能得到什么，也会在意自己在那个未来里还能决定什么。

这也应该成为评价技术公司的标准。表达对人的尊重之后，还要看产品和制度如何安排：用户能否带走资料，能否更换服务，能否理解和质疑影响自己的决定。

同样，Sam 提倡通过实际使用、事故记录和复盘来改进安全，这很有价值，但也有边界。一个可以撤销的小错误，与一个会伤害他人、难以补救的错误，需要不同程度的事前检查。

学习需要反馈，反馈也有代价。哪些代价可以接受，由谁承担，都需要认真讨论。

这场访谈呈现了 Sam 理解世界的一套方式：亲自接触技术，用反馈修正判断，给有价值的方向更多投入，同时希望技术扩大人的能力。

这些想法值得思考，其中的判断也值得继续检验。尤其当工具开始替我们处理越来越多的事情，方便与自主之间的关系，就会从抽象讨论变成日常选择。

访谈结尾，有个很小的故事。

Sam 说，孩子出生以后，他会在哄孩子睡觉时，讲讲自己这一天遇到的困难、担心和决定。后来，他开始给孩子写信。

他发现，面对孩子，有些解释不容易含糊过去。某件事做得不好，自己知道，也会希望下周做得更好。

我很喜欢这个细节。

我们每天接触很多消息，处理很多任务，很容易用“事情太多”“变化太快”解释一整天。可当你试着把这一天讲给一个在乎的人听，就需要重新整理：我到底做了什么？为什么做？下一次想换一种做法吗？

如果 AI 能帮我们省下一些处理事务的时间，也许可以把其中一点，留给这样的回望。

关上电脑以后，今天做过的事，依然需要我们自己去理解和承担。

本文根据所提供的 Sam Altman 访谈转录整理，结合作者解读，非逐字翻译。