经济体系长久以来依赖一个核心观念：专业知识既稀缺又昂贵。然而，人工智能（AI）的兴起正在颠覆这一传统认知，让专业知识变得唾手可得且成本低廉。在人类历史的漫长岁月里，若想召集十几位博士级专家，往往需要巨额预算和数月筹备。如今，只需在聊天机器人中输入几个关键词，这些“智慧大脑”的洞见便能瞬间呈现。
当智能的成本骤降、获取速度激增时，我们社会制度赖以生存的基础假设——“人类洞察力稀缺且珍贵”——将被彻底动摇。当随时调用十余位专家的见解成为常态，企业的组织架构会发生怎样的转变？创新的方式又将如何演进？我们每个人在面对学习和决策时，又该如何调整姿态？对于个人和企业而言，一个迫在眉睫的问题浮现：当智能变得无处不在且近乎免费时，你将如何应对这一变革？
智慧“降价”的历史脉络
纵观历史，知识成本的下降与传播渠道的拓宽曾多次重塑人类社会。15世纪中叶，印刷机的诞生极大降低了书面信息的传播门槛。在此之前，文本多由僧侣等专业人士手工抄写，耗时耗财，效率低下。
这一技术的突破引发了深远的社会变革：新教改革在宗教领域掀起波澜；识字率的快速提升为普及初等教育铺平了道路；科学研究借助印刷出版物迎来了蓬勃发展。荷兰和英国等商业驱动的国家从中受益匪浅，荷兰步入“黄金时代”，英国则在随后几个世纪持续在全球舞台上占据重要地位。
随着时间推移，大众识字能力和公共教育的普及显著提升了社会的整体智慧水平，为工业化奠定了坚实基础。工厂中的岗位逐渐专业化，更复杂的劳动分工推动了经济的腾飞。18世纪末，男性识字率较高的国家率先迈入工业化；到了19世纪末，技术最先进的经济体往往也是识字率最高的国家。人们通过掌握新技能催生出更多专业岗位，形成了延续至今的正向循环。
互联网的出现将这一趋势推向巅峰。小时候，若我想深入研究一个新话题，必须带上笔记本前往图书馆翻阅书目，这一过程往往耗费大半天。那时，获取知识既昂贵又费力。
如今，人工智能接过了这根传承千年的“降低智慧成本”的接力棒，为我们的经济体系和思维模式开启了崭新篇章。
我与ChatGPT的“顿悟时刻”
2022年12月，我初次体验ChatGPT时，便直觉这是一个划时代的产品。起初，我只是拿它玩些“数字杂耍”，例如让AI“用Eminem的风格重写《独立宣言》”（它给出的改编词大致是“Yo，我们要大声喊出来，这儿的人绝不会倒下”之类）。
事后反思，这就好比请一位米其林大厨为你烤块奶酪三明治，实在是暴殄天物。直到2023年1月某个下午，我与12岁的女儿花了几小时，利用ChatGPT共同设计了一款全新桌游，我才真正领悟到这类工具的惊人潜力。
当时，我先向AI说明我们喜欢的桌游类型和不喜欢的元素，请它分析其中规律。它发现，我们偏好“铺设路径”“管理资源”“收集卡牌”“制定战略”且“胜负悬念十足”的游戏机制，同时排斥《Risk》或《大富翁》中常见的某些模式。
我要求它基于这些元素，构思一些不太显而易见却至关重要的创意，并融入历史背景。ChatGPT随即提出了一个名为“Elemental Discoveries”的游戏：玩家化身18至19世纪的化学研究者，通过收集和交易资源进行实验得分，还能相互干扰、破坏对手进度。
接着，我请它进一步细化资源种类、玩法规则、游戏机制及适合的角色设定。它设计出“炼金术师”“破坏者”“商人”“科学家”等角色定位，并为它们匹配了历史上著名的化学家形象，如拉瓦锡、约瑟夫-路易·盖-吕萨克、玛丽·居里和卡尔·威廉·舍勒等人。
借助当时仍属“初级”的ChatGPT，我们仅用两三小时便打造出一款虽略显粗糙但可玩性尚佳的桌游。最终，我不得不停下来，一方面因时间有限，另一方面也因精力耗尽。这次经历让我深刻体会到，AI作为“协作伙伴”，能将原本需耗费数周的研发过程压缩至短短几小时。若将这种能力应用于产品开发、市场分析乃至企业战略，其潜力将何等惊人？
通过这一过程，我发现ChatGPT并非单纯复述或堆砌信息；它展现出类比与概念性思维能力，能将创意与现实参考巧妙连接，真正根据需求输出富有创造力的解决方案。
从“随机鹦鹉”到“深度思考者”
支撑ChatGPT的大型语言模型拥有数十亿、千亿甚至万亿级参数，其复杂程度令人叹为观止。即便是专家，也尚未完全破解这些模型为何、如何运转的奥秘。过去七年间，当它们接连突破技术瓶颈时，一些理论学者坚称它们无法创造真正的新事物。2021年，甚至有研究者提出“随机鹦鹉”（stochastic parrots）的贬义标签，认为这些模型不过是基于训练数据的统计规律预测文本，宛如鹦鹉般随机复述。
然而，对于持续使用并惊叹于这些工具的人来说，很难认同它们仅是“复读机”。尤其在过去半年，这种质疑显得愈发站不住脚。
早期的大型语言模型更像是“凭直觉发声”，缺乏反思能力和自我意识。用诺贝尔经济学奖得主丹尼尔·卡尼曼的理论解释，人类通常依赖系统1（直觉性、快速反应）的思维，但在需要深入思考时会切换至系统2（缓慢、谨慎且更准确）。早期的ChatGPT及其竞品多表现出类似系统1的能力，却缺乏系统2的推理深度。
这一局面在2024年9月迎来转折。OpenAI推出了名为o1的推理模型，它能将复杂的多步逻辑问题拆解，验证中间结论（必要时甚至回溯修正），从而得出更可靠的结果。与传统模型依赖记忆或表层模式匹配不同，新一代推理模型逐步具备了拆解问题、审慎推敲的能力。测试显示，在某些专业领域测验中，这种模型已能媲美甚至超越博士级专家。
自o1发布后的短短六个月，AI技术再度突飞猛进。如今的热门话题是如何将这些推理模型转化为“自主研究助手”，其表现令人叹为观止。
最近，我让一个研究机器人分析“F1赛车、科切拉音乐节、迪士尼乐园、拉斯维加斯赌场、医院及大型动物园等大型活动或项目的综合环境影响”。AI仅用73分钟，查阅29个独立来源，交付了详细的结果表格和1916字的文字说明。虽质量仍可精进，约相当于研究生数日的研究报告水平，但它为我节省了数天时间。
仅18个月前，我的AI系统仅能处理半小时内的小任务；而如今，它已足以胜任更复杂、更耗时的研究工作。
认知“生产线”的诞生
我们正处于一场与“知识使用”和“认知劳动”相关的历史性演变之中。从寺庙与学者垄断智慧，到印刷术让知识传播普及，再到互联网使信息触手可及，问题逐渐转向“如何理解信息”。如今，那些曾被视为稀缺且复杂的任务，也变得近在咫尺且成本低廉。
然而，与大企业高管交流时，我发现他们多将AI用于琐碎领域，如通过客服自动化节约成本。Salesforce首席执行官曾于去年12月透露，其每周3.6万条客户咨询中，86%由AI处理；瑞典金融科技公司Klarna则表示，三分之二的客服对话由AI完成，仅此一项便为公司带来4000万美元利润。但单纯削减10%的客服成本，远不足以推动企业实现质的飞跃——历史上，从未有哪家伟大企业仅靠降低成本而成就不凡。
因此，许多企业先从低端任务入手，用AI处理每小时50美元的工作（如客服聊天）。这虽实用，却远非转型之道。实际上，AI同样能胜任每小时“价值”高达5000美元的任务，如研发、战略规划或专业咨询。为何仅少数公司将AI应用于这些关键领域？
原因之一在于，人们难以想象那些“必须依赖资深管理者或顶尖专家”的工作，竟能（或部分能）交由机器完成。正因卓越人才稀缺，高价值任务才显得弥足珍贵。我们的组织架构正是基于“高智商人才供给有限”这一认知构建的。
以制药行业为例，一款重磅新药的成败往往决定企业命运。研发瓶颈在于将药物推进昂贵且耗时的审批流程——通常需10至15年、超10亿美元投入，且数千候选分子中仅一个可能上市。同时，一家大型药企的市场人员数量可能比顶尖研发人员多出数千倍，因为真正的资深研究专家极其稀缺。
目前，大多数企业领导仍处于“尝试接受AI”而非“真正信赖AI”的阶段。他们习惯认为某些问题过于复杂或成本高昂，能避则避。但AI的出现让约束从“能否找到解决方案”转为“能多快落地验证好想法”。
这将带来深远影响。当每家企业都能随时调用“博士级AI专家”时，创新速度将大幅提升。恰如亨利·福特的汽车流水线加速了生产迭代，AI能让思想与解决方案持续精炼，企业也能更快试错、学习并调整方向。
当然，若企业无法落实AI“智囊团”提出的创意，再高明的点子也无意义。执行与整合的能力，才是决定胜负的关键。
我与AI共处的日常
过去18个月，我逐渐构建了一个“AI生态系统”为我服务。例如，2024年6月某天，我一天内调用AI系统38次，交互字数累计达7.9万字，用于研究。
到2025年1月，我已不再统计交流字数。但只要无人反对，我几乎每次会议都带AI记录。日常研究中，我也常使用多个AI工具。就在撰写此文的一周内，我向各类大型语言模型发出至少144次查询——这还不包括录音转写（26次）和代码助手的使用。如今，我使用新一代AI工具的频率已超过谷歌搜索。
令人意外的是，尽管工作量增加、效率提升，我在屏幕前的时间却比前几年更少，这让我颇感欣慰。
当智慧的成本趋近于零，真正的瓶颈不再是“如何获取大脑”，而是“我们如何善用智慧”。那些能提出好问题、客观评估答案并果断行动的个人与组织，将成为赢家。他们还需思考：时间多了，该用它做些什么？
