情商是人類地盤？錯！本質都是智力問題，那人類還剩什麼？｜【佳達說書】

你是不是也覺得AI時代 只要把怎麼下指引力 怎麼問問題練好 你就安全了呢? 如果我告訴你 光是這樣想 可能纔是最危險的事情喔 接下來我要跟你說的這兩本書的觀點 可能會顛覆你的想像 2010年倫敦有一家小公司 寫了一份商業計畫書 上面有一個預測 在2030左右 人類水準的通用人工智慧會誕生 白話來說 就是這個AI 它並不只會下棋、聊天 而是幾乎所有人類腦力工作 當年有八成的投資人聽完 當場就翻白眼轉身走人 但16年後的今天 那家公司的創辦人 竟然拿了諾貝爾獎 那份被翻白眼的預測 現在回頭看 甚至都還有點保守了呢 而且它不是哪天會發生的事 是正在發生的事 連我們最信任專業判斷的醫療領域 都已經被AI超車了 微軟拿了300多個 真實的疑難答證去測試 AI的診斷準確率竟然高達85% 而人類醫師團隊 大概只有20% 當聰明變得像自來水一樣便宜 你身上還剩下什麼 是AI拿不走的呢? 我是李佳達 密涅瓦大學決策科學的碩士 我每個月會幫你拆解兩本 關於思考和AI的書 如果你喜歡這類的內容 歡迎訂閱我的頻道 今天要介紹的兩本書 都在回答同一個問題 超級智慧來了 人到底怎麼辦? 第一本是The Infinity Machine 無線機器 作者是Sebastian Malabi 他是英國最頂尖的財經記者之一 他花了超過30個小時 貼身採訪一個人 Dennis Hospice 開頭那份商業計畫書的作者 也是後來的諾貝爾獎得主 第二本是人比AI兇 作者是萬維剛 他出身物理學博士 也是中文世界最有影響力的科學作家之一 萬維剛最厲害的本事 就是把最新、最硬的研究 講成連小孩都能聽得懂的話 Malabi寫的是造AI的人 萬維剛寫的是 用AI的人 但讀到最後你會發現一件更妙的事 那一群造出超級智慧的人 他們每一次重大的突破 靠的都不是砸更多的錢 砸更多的算力 而是一次一次 微小卻精準的判斷 這恰好就是萬維剛在第二本書裡 想告訴你的核心武器 你的 這個我們留到結尾講 我讀無線機器這本書的感覺是 它根本就不是科技書 更像是一部小說 如果你想看懂AI接下來往哪裡走 最快的方法不是追新聞 而是認識推著AI走的那群人 主角哈薩比斯 也是DeepMind的創辦人 DeepMind是Google旗下的AI實驗室 做出過兩個非常有名的東西 我相信你一定都聽過 第一個AlphaGo 它是第一個打敗世界頂尖圍棋冠軍的AI 第二個AlphaFold 它是可以預測蛋白質形狀的AI 蛋白質是生命的基本零件 這個問題在科學界卡了超過50年 但AlphaFold一出來就把它解了 所以哈薩比斯因此拿下了 2024年的諾貝爾化學獎 在無線機器這本書開場有一幕 讓我看了的時候起了雞皮疙瘩 深度學習之父Jeffrey Hinton 他教會了機器如何學習 結果自己後來跳出來警告說 AI真的很危險 他在有一次演講完之後 被觀眾問說 既然AI這麼危險 你們這些人為什麼要繼續研究AI呢? Hinton的回答是 因為AI帶給我們的未來 太甜蜜了 這句話跟70年前 造出原子彈的奧本海默 說的話幾乎一模一樣 當你看到了技術上如此甜美的東西 你就會去做啊 之後我們再來爭論該怎麼辦就好了 這句話代表很多人心裡會有一個隱藏的假設 AI發展得這麼快 總有一天會踩煞車 等法規、等倫理、等社會準備好 但這本書用480頁告訴你 不會 丁麥的共同創辦人 曾經這樣形容哈薩比斯 這個人沒有50%的模式 甚至沒有99%的模式 對他只有100% 哈薩比斯自己的說法更嚇人 他說 我怎麼知道自己盡了全力呢? 唯一的方法 就是把自己推到極限的邊緣 就像跑馬拉松 你必須在終點線倒下 更關鍵的是 AI的發展與變化 即便你想踩煞車 也煞不住 這本書裡還寫了一段內幕 哈薩比斯曾經邀請馬斯克 加入丁麥的安全委員會 還分享給他他們的研究路線圖 經過幾個月之後 馬斯克拿著他在會議上聽到的東西 跟Sam Altman 聯手創立了OpenAI 這個名義上的安全顧問 竟然一轉身 就變成丁麥最大的競爭對手 從此這場競賽 再也沒有單一的玩家 可以直接喊停 這也表達了一個概念 現在AI時代 任何等AI穩定下來 我再學的計畫 可能都是一種錯誤的假設 這本書裡藏了一個 來自矽谷的傳奇創投家 Tom Perkins 丁麥的每一次重大突破 都在用這個原則 在投入任何大錢之前 先設法讓你自己快速失敗 從整個計畫裡 最困難 最不確定的那一塊 開始驗證 而不是從你最有把握的開始 AlphaGo 就是這樣做出來的 圍棋的可能棋局 比宇宙當中的原子還要多 你硬算是算不完的 所以勝負的關鍵 而直覺這件事 到底有沒有可能被AI複製呢? 當時沒有人知道 丁麥的做法 不是先去募一大筆錢 或建一個多大的團隊 而是先用一個小型的神經網路 再加上15萬盤職業的棋譜 他只為了驗證一件事 AI有沒有機會去預測 職業棋士的下一手 結果他們發現 命中率超過一半 直覺到底能不能被AI複製 這個最大的不確定性已經排除了 他們才開始全面的投入 Alpha 4的故事更精彩 因為它示範了這個原則的另外一面 當證據告訴你 你的方向錯了 你要敢止損 而且馬上轉向 Alpha 4負責人 John Jumper的判斷依據 是一套非常漂亮的洞察 他說 圍棋就像魔術方塊 有明確的贏 但蛋白質不是 你拿一個結構給我 沒有人能夠直接說 這一定是對的 因此 Alpha 4的團隊 前後大轉向 至少四次 從強化學習 轉到深度學習 從一種網路架構 換到另一種 最後 拿到了諾貝爾獎 我們多數人做新專案的方法 都是先做簡單有把握的部分 把最可怕的不確定性 留到最後 再投入八個月之後才發現 整件事根本不成立 下一次 你要啟動任何新計畫 都可以先花十分鐘 回答一個問題 這個計畫裡 哪一個假設 如果是錯的 整件事就不成立了 如果你能找到它 然後想辦法在一到兩週內 用最小的成本去驗證它 一定可以讓你 少走很多彎路 而且現在有AI 驗證成本比人類歷史上 像是市場訪談的問卷 AI可以直接幫你設計 產品的原型 AI都可以直接幫你做 競品分析 AI一個下午就跑完了 先驗證那些最致命的假設 你其他的努力 纔不會變成沉沒成本 我在一對一資訊裡面 幾乎每一週 都在幫學員找出那個 最關鍵的核心假設 講一個真實案例 我有一位學員是珠寶業的老闆 他想要用業餘的時間 來做軟體的副業 他來找我的時候 他的計畫已經很宏大了 他在YouTube上面看到 國外的創業家做的AI CEO 可以用語音跟AI的執行長對話 然後他就會自己去指揮底下的 什麼AI財務長 AI行銷長 幫他分工做事 他希望能夠把這套 多AI的協作團隊搭起來 再讓他幫自己選創業題目 AI幫他選的題目是 寵物業的預約服務系統 幫寵物旅館接電話 確認預約 提前一天提醒 聽起來很合理對不對 市場確實有痛點 技術也很簡單 但如果我們用剛剛 先驗證最不確定的事 這個原則一照 問題就現形了 寵物預約是實體服務 狗是活的耶 如果系統出錯 某個預約沒進去 客人帶著狗站在店門口 這個客訴 不是改一行程式就能解決的喔 是要有人放下手邊的事 去道歉 去補償 去救火 為什麼市面上的大平臺 明明做的都是很簡單的服務 卻可以一直不斷的規模化 因為他們把你看不到的大錢 全部都砸在這些客服上了 這纔是致命的假設 不是你能不能做出軟體 至於那個很炫的多AI團隊 我跟他說了我自己實戰的心得 大部分的工作 根本就不需要多個AI協作 而且 AI分身越多 你的風險越大 因為每個AI都可能出錯 而且你會發現 你派出去的這些AI分身 品質常常還是比你直接下去做 差了一大截 同一場諮詢 我跟大家分享了另外一個學員的案例 這個學員是做廣告跑馬燈的 他想加一個AI功能 讓檳榔攤的老闆娘 用講的 就能換跑馬燈的字 你看喔 同樣是AI加實體 為什麼他就行 因為客戶服務 本來就是他的主業 他本來就在賣跑馬燈 他可以跟這些老闆娘接觸 通電話 第一時間就能提供處理 同一個AI功能 放在不同的人身上 致命假設完全不一樣 這就是這個原則真正的用法 他不是叫你很悲觀 而是叫你把驗證的順序倒過來 先把最不能確定的 先確認下來 後面的問題 就可以迎刃而解了 程式說 作者跟哈薩比斯相處了三十幾個小時 這本書難免抱著一些主觀捧他的視角 你會看到的是比較像是一種 英雄式的哈薩比斯 但正因為他的敘事 更偏人物偏故事 反而是AI新手最好的入口 你不需要懂任何技術 就能夠看懂這場AI競賽裡面的人性 你又看到AI的大新聞 你不會問說 哇 天啊 又要變了嗎 你會問說 欸 這部棋 是誰下的 為了什麼而下 你會從AI的資訊焦慮 變成看得懂其中的棋局 第二本 人比AI兇 這本書我讀了兩遍 有一種相見恨晚的感覺 它是市面上 極少數 不販賣焦慮 也不販賣雞湯的AI書 它直接用數據承認 AI在大多數的智力活動上面 已經比你強了 但如果現在聰明不值錢了 什麼才值錢呢 哈佛大學找了601個人 跟GPT-4比賽一種叫做 認知重評的心理技術 也就是遇到壞事 你會怎麼換個角度想 結果 GPT-4贏過了85%的人 研究者甚至額外付錢讓人類 欸 你們認真一點好不好 人類還是輸了 紐約時報 有個很受歡迎的倫理學家專欄 專門回答讀者關於道德的難題 研究者讓AI去回答這些相同的問題 再請第三方評論 評審不知道哪份答案是人寫的 哪份答案是AI寫的 結果在贊同度 道德性 細緻度 全面性 可信度 五個面向 AI全部勝出 萬維剛的評論很冷酷 我們以為情商 常識 道德判斷 是人類的地盤 但事實證明 這些本質上都是智力問題 而智力 恰好就是AI的主場 那你一定會好奇 那人類的價值還剩什麼呢? 答案其實藏在另一個 程式設計的研究裡 這個實驗找了很多 三到五年經驗的工程師 去使用Copilot 也就是AI寫程式的工具 發現開發的速度快了55.8% 但真正的重點 不是AI幫他們寫了更多的程式碼 而是這些工程師 把原本寫程式碼30%的時間 轉移到了 架構設計和程式碼的審查上 AI接管了執行 萬維鋼給了這整個過程 下了一個標題 叫做 當你跟AI一起工作的時候 你的工作價值 不在於你做了什麼 而是如何讓AI 在每個環節 都保有你個人風格的判斷 美國電視史上收視紀錄的保持者 《歡樂單身派對》的製作人 傑瑞史菲德 當年有人建議他說 你可以請世界上 最大的管理顧問公司麥肯錫 把你製作喜劇的流程 變成SOP 這樣可以提高效率 他拒絕了 他說 這個節目之所以成功 是因為每一個字 每一刀剪輯 每一個選角 都是我自己的判斷 書裡引了法國哲學家 德里達一句很深的話 一個決斷 如果沒有經歷過 無可決斷的折磨 這就是一個 程式化的展開而已 你越依賴AI的輸出 而不介入你的判斷 你的工作 就會越來越 容易被AI取代 反過來 你在每個環節 做出的微小判斷 像你想事情 這裡換個角度 那裡調整個優先順序 這些纔是 所以從今天開始 每次用AI完成任務之後 花五分鐘 問自己三件事 第一 這個結果裡面 有哪些部分 不太像我平常會做的選擇 第二 如果完全讓我自己做 我會在哪些環節 跟AI做不同的決定 第三 我可以把我的判斷 告訴AI 讓他重新產出一個 更像我風格的版本 這三個問題 就是在練你的微決策 做得越多 你的輸出 跟別人的差距 就越大 很多人選AI的方式 是到處去搜集提示詞的模板 前外用這個 左分析用那個 萬惟剛說 你完全搞錯方向了 他說 你要打磨AI 但你更需要的是 打磨自己 他的做法是 先讓AI做一個一般性的任務 然後不直接採用他的答案 而是從AI的回覆裡面 找一個你特別有感的點 針對這個點 繼續追問下去 經過幾輪之後 你得到的就會是 全世界只有你能產出的結果 模板會讓每個人輸出都一樣 但追問才能讓每個人的輸出 獨一無二 在這之上 萬惟剛描述了用了AI的三個層級 像一座階梯 第一層 駕馭AI 讓AI做重複性 低決策密度的任務 你站在更高的位置 幫他定義目標 掌握審美 把關品質 書中的原話是 你是把AI納入你的工作流 而不是把你的工作交給AI 第二層 是統帥AI 讓AI深度的瞭解你 萬惟剛自己的做法是 直接在Chad GP的設定檔裡面 介紹自己 他會開啟記憶功能 讓模型從所有對話當中發現規律 甚至讓AI主動描述說 你覺得我是什麼樣的人 請AI給他建議 甚至讓AI開他自己玩笑 當你跟AI互動越多 AI就越懂你 產出就會越貼合你的需求 第三層 是要讓AI更像你 這也是他認為的終極目標 你的競爭優勢 不是會用AI 而是讓AI在你手上 就能產出跟在別人手上 完全不同的結果 聽到這你可能會問說 書明人比AI兇 那到底兇在哪 他用金融學的名詞 來區分兩種人 第一個叫做Beta 代表著你就跟著大家 賺一樣多的錢 跟著大盤漲跌的平均收益 第二個叫做Alpha 代表你想要創造超越一般人 超越一般市場大盤的收益 比如說同樣都在經營自媒體 Beta的人 每天都在焦慮著追新工具 新模板 結果內容越做越像別人 越做越焦慮 但是Alpha的人呢 他反而只用最基本的功能 但因為他問題問得夠深 夠貼近自己的專業 做出來的東西 誰也模仿不了 還越做越有動力 而且這裡有一個我覺得 全書最擦心的一段 Alpha跟Beta 這兩種人花的時間跟精力 其實差不多 但Alpha這樣的人 持續會處於領先的位置 因為他的大腦會分泌多巴胺 讓他充滿動力 而Beta的人 永遠在追趕 他的大腦會分泌皮脂醇 也就是壓力荷爾蒙 會讓你永遠充滿焦慮跟疲憊 同樣的投入 卻是完全不同的身心狀態 你的學習策略 所以面對AI 你想感受到的是興奮 還是焦慮呢? 下一次用AI的時候 試試看三輪追問法 第一輪 把你工作當中真實遇到的問題 直接丟給AI 不用想太多 第二輪 從他的回覆裡 挑出最讓你 欸? 的一個點 不是最正確的 是最出乎意料的 然後針對這個點 繼續追問下去 第三輪 把你的專業經驗加進去 你跟他說 在我的產業裡面 欸 情況其實是這樣的 看AI會怎麼調整 三輪之後 我相信 你的產出 已經會跟任何模板 所生成的 完全不一樣 其實為決策 還有一個大多數人 都沒想到的用法 我自己在整理這個 說書節目的資料的時候 一開始我以為 我把我對於書的心得 丟給AI參考就好了 後來才發現 AI真正需要看的 不是我的結論 而是 為什麼我選這句話 為什麼我捨棄這個案例的過程 我有一個學員 是出版社的編輯主管 他希望可以用AI 來減輕校對的負擔 抓錯字 順語氣 挑中國用語 還有去比對 作者到底有沒有確實改稿 有沒有不小心 改到不該改的地方 他自己試過 把這些需求丟給AI AI回他一堆程式碼 他完全看不懂 然後就卡住了 諮詢的時候我問他說 欸 所以你們每天工作 會留下什麼文件嗎 想了想之後說 欸我們有一份 編輯的體力 也就是編輯守則 我說不對 你最有價值的地方 不在那裡 你們是用Google文件改稿 對不對 那這樣每一本書 從原稿到成品 中間都有修改的紀錄 那纔是金礦啊 多數人訓練AI的方式 就是把最後的成品 然後說 欸以後就要做個風格改 這樣永遠訓練不出來的 因為你只給他結果 他只能用猜的 猜你們標準到底在哪裡 他看不到你們是 從什麼改成什麼 或是為什麼這樣改 真正有價值的訓練 是給他看你修改的過程 你發現了嗎 這就是我們剛剛提到 萬維剛說的 微決策 這個編輯的修改軌跡 就是他微決策的完整紀錄 所以我給他的做法就是 挑十本以前校對過的書 拿五本裡面的 改稿前後對照 給AI當作訓練素材 然後把第六本書的原稿丟給他 看AI能不能抓出 你們當年抓到的東西 如果有漏掉 不要直接告訴他答案 先問他說 這裡有三個你沒抓到喔 分析一下 為什麼你沒抓到 然後讓他自己說出他的盲點 再用第七本、第八本繼續測 等他跟你們人工校對的重合度 到八成或九成 那這個技能就可以上線 開始可以替你團隊省人力囉 這整個迴圈 就是前面講的三層階梯 AI幫你們做第一輪校對 是駕馭 讓AI從你的修改軌跡當中 學會你們的標準 是統帥 最後 那個能抓出 你們會抓的問題的校對技能 就是讓AI更像你 而這一切的前提是 你過去所做的每一個微決策 都有被留下來 所以我常跟資深的工作者說 你現在最該做的事 是回頭 把你這過去二十年來的工作紀錄 整理成是AI看懂的素材 這纔是你執壓裡面 AI拿不走 還能反過來 讓AI為你放大的東西 但也要說實話 第一 人比AI兇 這本書的成書非常快 很多案例 新到數據都還在變動 你五年後回看這本書 可能有些預測會被打臉 第二 這本書 它的答案比較偏 強者邏輯 因為希望你主動 要當Alpha 那對那些被AI海嘯第一波衝擊到 沒有像他這樣餘裕轉身的人 其實這一鐵藥是苦的 那你要自己權衡囉 書裡引用 強化學習奠基者 薩頓的一個說法 他說 白話來講 學習 是吸收別人已經整理好的東西 搜尋 是自己動手去試 去找出辦法 所以讀完這本書 你最該做的改變就是 關掉你收藏夾裡面 那50個收集來的提示詞模板 把你工作裡面最卡的一件事 丟給AI 開始追問 去上課 給你的是跟別人一樣的技能 那是Beta 帶著你自己的問題去磨 磨出來的 才會變成Alpha 當我們把這兩本書放在一起看 你會發現一個藏得很深的呼應 無線機器表面上是一部 講述AI如何崛起的歷史 但如果你仔細看每一個轉折點 你會發現 AlphaGo的突破 來自於他們先驗證 直覺可不可以複製 Alpha4的諾貝爾獎 來自於他們四次快速的轉向 阿薩比斯回顧 DeepMind創辦的本身 就來自於一個12歲棋手 在輸棋之後的頓悟 他看著滿場的天才 把腦力耗在棋盤上 我們是不是在浪費我們的心智啊 超級智慧不是機器算出來的 是一連串人類的微決策 堆出來的 無線機器這480頁寫的 其實就是萬維鋼那句話的證據 人比AI兇 而萬維鋼補上了另一半 AI可以無限複製無限重來 所以AI的每一次輸出 老實說都不珍貴 那真正有價值的是什麼呢 是你有限的時間 你出手一次就要負責任 所以我們的每一個判斷 才更有重量 如果這兩本書 只能讓你帶走一個概念 我選的就是 微決策 因為這個概念 把我會不會被取代這個焦慮 翻譯成一個 你今天就能回答的問題 在這件事情上面 我有沒有在乎到 願意你自己親自來把關 有 那你就不可取代 沒有 那這件事本來就該交給AI啊 萬維鋼在書裡面有一句話 可以總結這兩本書 決策 就是把可能性 變成真實性的過程 而這就是人 最該做的事情 AI時代的競爭力 並不是學更多的工具 而是去升級你做判斷的方式 如果你最近也常常覺得 AI變得這麼強 我是不是很快就會被取代了呢 幾乎每個來找我諮詢的人 一開始都在問同一個問題 如果你想知道 怎麼把職業思考習慣 結合AI實際的應用 我每週有開一堂免費的體驗課 目前已經有像 Google資深的工程師 中醫師 知名跨國集團的高階主管 都在使用AI的微決策上 得到很大的改善 報名連結在資訊欄 歡迎大家來體驗 我們下一本書見囉