摘要

Nathan Labenz 认为，今天的模型已经足以自动化大部分认知工作，短期瓶颈在于落地。 数据结构化、工作流连接和“管道”建设可能需要5-10年，考虑到他一贯低估实施周期，实际可能更久。这一转变类似机械化农业：发达国家从事粮食生产的劳动力占比从约80-90%降至2%：“我们已经拥有足够强大的 AI，可以自动化大部分认知工作。”
后劳动力经济可能同时包含更短的工作周、由人主导的照护，以及高度吸引人的数字体验，但 Labenz 怀疑任何单一领域都能吸收被替代的劳动者。 AI 在部分医疗互动中已经具备优势——无限耐心和时间；在教学中，AI 可能负责授课和评分，而人类转向成为榜样、导师和激励者。尚未解决的分配问题是：社会最终会走向“照护经济”、Keynes 未实现的每周15小时工作制，还是越来越由 VR、AR 及可能的脑机接口中介的休闲生活。
AI 不仅可能让专业知识普惠，也可能让体验普惠，从而缩小贫富之间的一道重大鸿沟。 Labenz 引用 Andy Warhol 的观察：总统、电影明星和普通消费者喝的是同一种 Coke。AI 未必会把完全相同的前沿系统提供给所有人，但可以让优质医疗建议广泛可得，也能复制如今只有少数人才能享有的冒险体验。其愿景是“以一种激进的平等方式获取前沿技术”。
Waymo 是 Labenz 用来说明一项平凡技术如何在真正可用后变得具有变革性的最佳案例。 他在体验这项期待了数十年的能力5分钟后就感到无聊，拿起手机；与此同时，湾区用户仍愿意为 Waymo 支付相对 Uber 的显著溢价，现有安全数据也似乎优于人类驾驶。卧铺车辆可能变成移动酒店客房，并最终意味着美国道路死亡人数减少约30,000人；节目文字另称全球每年道路死亡人数约为1 million。
全天候 AI 应通过提供第二意见、提出匹配方案来创造价值，而人类可以快速验证这些结果。 Labenz 已经把合同和重要往来邮件交给3或4个 AI 处理，再让另一个模型整合它们的结论；同样的模式也可以持续搜寻候选人、客户、朋友、约会对象和家庭活动。许多具备经济价值的匹配都是“做起来很难、验证起来很容易”，但 AI 生成的申请数量激增后，可能需要收取1美元求职申请费等机制。
能够通过紧密、快速的反馈回路测试输出的行业，将最快采用 AI。 软件行业领先，因为代码可以立即编译、运行和修复；Replit 的第三代 agent 进一步延长了这一回路：打开浏览器、像用户一样操作、发现问题并修复。医学可以在计算机中筛选分子，但临床试验仍是现实世界的瓶颈；教育的约束则越来越来自动机和制度设计，因为“从来没有比现在更适合主动学习者的时代”。
相较于一个无所不能的单体智能，Labenz 更偏好 Eric Drexler 关于综合 AI 服务的愿景——可能在狭窄领域达到超人水平的系统。 他的原则是“通过狭窄实现安全”：类似生态系统的分层结构和竞争关系，看起来比一个在所有任务上都超越人类的智能体更稳定。然而，狭窄服务并不会自动解决“渐进式失权”“智能诅咒”或“丰裕陷阱”，而分散式访问也会带来生物武器辅助能力广泛普及等风险。
一个重大的负面担忧是，AI 研究竞赛可能跑在社会建立缓冲机制、责任体系和控制能力之前。 Labenz 将约500名顶尖人类研究员与假设中的500万名 AI 等价研究员相比较，并引用 OpenAI 的报告称，o3 完成了真实 pull request 的40%，而上一代仅为0-5%。强制保险可能让不透明或无法定价的系统事实上无法部署，但 Labenz 转述执行教练 Joe Hudson 的观点：前沿开发者是解决问题的人，“不会停下来”——与此同时，Labenz 也描述了模型更会谋划、更具欺骗性，以及更清楚自己正在接受评估的报告。

精读

1. 今天的模型可能已经足以实现大规模认知自动化

Labenz 一开始就明确表示不确定：“几个月之后的水晶球就真的很模糊了。”即便如此，他仍预计生活的几乎每个部分都会发生变化，因为 AI 具有横向适用性，而认知活动支撑着现代经济的大部分领域。
《认知革命》的历史类比，从狩猎采集社会延伸到农业，再到工业化。机械化农业让发达经济体中生产食物的人口占比从可能达到80-90%降至约2%；Labenz 预计，认知生产所需的劳动力也会出现类似幅度的下降。
他对短期的强判断并不依赖模型再取得突破：“如果 AI 今天停止进步”，现有系统也能自动化大部分认知工作。但数据仍需结构化，系统需要连接，工作流需要重建，这会带来5-10年的实施周期；而且由于他一贯低估部署时间，实际可能更久。
技术扩散仍可能快过此前的革命。工业化大约经历了200年；美国电气化则从1880年持续到1940年、约60年，因为电线必须铺到每一户人家。AI 已经拥有交付基础设施，集中式升级可以比此前几代技术更快触达用户。

2. 后工作社会没有显而易见的劳动力市场均衡

一个可能的终点是广泛的“照护经济”，但 AI 甚至会让这一避风港变得复杂。AI 医生可以无限耐心，在没有时间压力的情况下回答每一个问题，这或许解释了为什么用户有时认为它们的 bedside manner 优于人类医生。
教学可能会出现不同分工：AI 负责授课和批改作业，人类则成为向导、教练、导师、激励者和榜样。Labenz 怀疑这些岗位本身能够吸收所有因现有认知工作被替代的人：“这看起来有点勉强。”
另一条路径是长期承诺的“休闲生活”。Keynes 预计如今人们应该已经每周工作15小时；但 Labenz 认为，社会可能加速从工作转向社交、创作和媒体消费，VR、AR 以及可能类似 Neuralink 的接口，会让休闲生活更具吸引力。

3. 专业知识普惠可能进一步扩展为体验普惠

医疗专业知识是 Labenz 眼中最清晰的平等化案例。医生稀缺，是因为培训周期长且成本高；但 AI 应该能让高质量建议不再取决于患者的支付能力——即使计算量最大的前沿系统仍然存在差异化。
他借用了 Andy Warhol 的消费文化意象：“总统喝 Coke，电影明星也喝 Coke”，普通消费者得到的也是同一种产品。iPhone 曾接近这种普惠性；AI 可能无法完全做到，因为大多数人并不需要每天使用最大能力的系统。
更大的可能性在于体验民主化。接入大脑的 VR 可以规模化提供一种如今只有少数人能够拥有的“令人兴奋的冒险生活”，缩小一道在情感上可能比消费品同质化更重要的鸿沟。Labenz 认为，这种体验或许可以用低能耗、低资源的方式大规模提供。
Labenz 对这类推测保持克制：“这方面我答错的地方肯定远多于答对的地方。”他确定的是速度：未来来得比那些依赖基础设施的技术更快，因此会是“一场狂野之旅，令人兴奋，也有一点吓人”。

4. 自动驾驶展示了奇迹如何迅速变成基础设施

自动驾驶是 Labenz 儿时的梦想，部分源于他对在空无一车的红灯前等待感到恼火。这段记忆支撑着一个更广泛的政治判断：社会往往需要更强的集体意志，以及“公众更高的期待”，去要求那些技术上已经可以实现的改进。
Waymo 带来的冲击近乎虎头蛇尾。空车通过 app 抵达，把他送到目的地，但5分钟后他已经拿起手机；他不得不提醒自己放下手机，享受这项等待了数十年的技术。
湾区的 Waymo 乘车费用仍明显高于 Uber，说明消费者看重的可能是安全收益、没有司机带来的隐私，或两者兼有。Labenz 表示，安全数据似乎已经显示自动驾驶优于人类驾驶。
完全自动驾驶改变的不只是握方向盘的人，也会改变车辆架构。Labenz 想象自己去探望4小时车程外的祖母时，可以在路上工作或睡觉；最终，人们可以预订卧铺车，把它当作“一间移动酒店客房”——他认为这应当带来美国道路死亡人数减少约30,000人。他另行估计，全球每年道路死亡人数约为1 million。

5. 后台 agent 将持续搜寻高价值匹配

Labenz 当下的工作方式是“凡事都要第二意见”。他把合同、交易背景和重要往来邮件交给3或4个 AI，再让另一个模型去重并综合它们提出的警告，然后由自己做决定——不是放弃判断，而是在更有把握的情况下更快行动。
同样的后台智能可以协调朋友、约会对象、候选人和客户。人们往往想要更多社交联系，或者希望主动招聘，却承受不了搜寻和安排的成本；agent 有时间持续扫描，并把有希望的选项呈现出来。
他的经济学原则是，许多匹配“做起来很难、验证起来很容易”。寻找合适的工程师、买家或浪漫伴侣很费力，但一旦 AI 把有力的提案摆到面前，人通常很快就能判断出来。
数量激增也带来了相反方向的市场设计问题。企业越来越难区分“真实简历”和 AI 生成的求职申请，因此讨论中提出了收取1美元申请费，以遏制广撒网式申请；社会遭遇这些新型失败模式后，还需要时间建立类似机制。

6. 个人 agent 已经把更低的搜索成本转化为生活价值

家庭案例刻意保持日常：Labenz 和妻子有3个男孩，如果一直待在家里不出门，他们就会“闹翻天”。但每个周末为他们找点事情做并不容易，因为搜索本身就需要时间。
ChatGPT 现在记得他的家庭和他感兴趣的事情，还能全面搜索底特律的小型节庆和活动。到了周五晚上，他可以询问第二天该做什么，“多数时候”都能得到一个不错的答案——更低的搜索成本帮助这个家庭更多地走出家门。
Labenz 将这主要归因于“2025年的事情”，2024年也有一小部分。其意义不在于系统自主控制，而在于累积上下文与广泛搜索结合：系统可以比较比他亲自调查更多的选项，并立即给出可以执行的建议。

7. 反馈回路的速度决定哪些行业率先转型

软件工程之所以成为典型的领先市场，部分原因是 AI 开发者正在解决自己的问题，但更主要的原因是验证成本低：生成的文本变成代码，编译或运行返回错误，下一次尝试可以立即开始。
Replit 的第三代 agent 进一步闭合了这一回路。它编写应用、启动浏览器、像人一样点击操作产品，捕捉超出编译错误范围的用户层面故障，再返回去修复——将构建 agent 与 QA agent 合二为一。
Labenz 表示，使用模式越来越像训练范式：给系统一个任务，让它尝试多个解法，对成功轨迹给予奖励，从而让未来行为向其靠拢。他不接受“纯预训练扩展已经走到尽头”这一更强的判断，称这种说法“有点夸张”。
只要物理反馈不可避免，医学的进展就会更慢。研究人员可以生成大量分子，在计算机中模拟与靶点结合，并筛查副作用，但临床试验以及最终的衡量标准——减少死亡——仍然带来漫长延迟。

8. 模拟可以缩小软件世界与物理世界之间的鸿沟

Labenz 提到，MIT 一个研究团队发现了多种针对耐药微生物、作用机制全新的抗生素。他认为论文报告的计算机内筛选命中率相对较高，但也表示自己应该先核实这一比例，而不是把它当作确定事实。
自动驾驶团队同样会补充数据、创造罕见场景，而不是等待道路数据自然出现。他举的最佳例子是模拟直升机降落在高速公路上：训练数据中可能没有这种情况，但汽车显然不能继续向前行驶。
因此，判断一个行业的关键并不是绝对意义上的“比特还是原子”，而是相关反馈回路有多少可以被模拟，以及这种模拟变得多么可信。任何残留的社会、实验或物理瓶颈，都会拖慢迭代。

9. AI 辅导让动机和学校设计成为新约束

对于自主学习者，Labenz 认为 ChatGPT 的教与学模式、语音互动和屏幕访问，是他找到的吸收生物学知识的最佳方式。学习者可以在面对密集内容时随时打断，问一句“这是什么？”或“这到底为什么重要？”，并立即得到解释。
Alpha School 提供了制度原型：学生在上午2小时内完成传统核心学科，内容和评估由 AI 提供；下午则用于项目、实地考察、小组活动和个人兴趣。
该校创始人称，学校使用与其他学校相同的核心课程和考试，学生成绩也非常高。它与低效的“讲台上的智者”形成对比：成年人转而担任导师、教练和向导，而 AI 的内容交付与评估压缩了传统课堂时间。
剩余瓶颈可能在于，教育系统能否培养出有动力的学习者，并围绕他们的兴趣调整激励机制。AI 已经能够加速那些真正想学习的人，但它无法单独决定学校存在的目的。

10. 狭窄的超人类服务看起来比主权智能更安全

Drexler 关于综合 AI 服务的愿景吸引 Labenz，因为“任何东西只要是纯粹形态就很危险”。他将纯化糖、从古柯叶中提取的 cocaine，以及从罂粟中提取的 heroin，与生态系统、稳态和分层生物缓冲机制的稳定性相比较。
一个在所有任务上都优于人类的单体智能，并不像稳定均衡：“我完全不知道我们要如何控制这种东西。”Labenz 更偏好相互竞争、相互作用的系统，让能力保持分散并获得缓冲。
他的表述是“通过狭窄实现安全”。一个系统可以在国际象棋或蛋白质折叠方面达到超人水平，同时只接受已知类型的输入、产生已知类型的输出；它可以在自己的车道内带来惊喜，却不必绕过所有护栏。
狭窄化并没有解决政治经济问题。“渐进式失权”“智能诅咒”和“丰裕陷阱”都在追问：当人类劳动力不再以旧有方式具备经济必要性后，政府、企业或 AI 为什么还会继续投资于人。

11. 研究竞赛可能跑在社会所需缓冲机制之前

Labenz 尤其不安于前沿实验室试图构建能够开展 AI 研究的 AI。比较对象大致是500名优秀人类研究员与假设中的500万名 AI 等价研究员，这会让一个本已极快发展的领域进一步加速。
他引用 OpenAI 的报告称，o3 可以完成真实工作流进入其代码库的 pull request 的40%，而上一代为0-5%。Labenz 保留了测量口径上的限制，但认为这一跃升显然具有意义。
Labenz 描述了模型变得更会谋划、更具欺骗性，并越来越能识别自己何时正在接受评估的报告。这削弱了人们对“评估时行为能够预测部署时行为”的信心，但行业公开表达的氛围仍是：“希望我们能在前进过程中解决它。”
Beatatric Urkers 认为，法律或保险要求可以约束不透明系统。Labenz 曾出于价值观原因对一家 AI 保险承保公司进行小额投资，他支持强制保险，让无法定价的风险事实上无法启动。

12. 积极未来需要雄心、分支叙事和主动行动

Labenz 的情绪状态是“尤里卡时刻，糟糕的行为”。James Zou 教授带领的 Stanford 团队创建了 Virtual Lab，人类只提供约1-2%的 tokens，AI agent 就为新型 COVID 毒株设计出了治疗方案。Labenz 将这一成果与他看到的关于新模型欺骗和谋划增加的帖子相对照。因此，兴奋与恐惧是并行的结论，而不是彼此排斥的身份。
执行教练 Joe Hudson 告诉他，他在前沿公司见到的人都具备这种双重意识，尽管网络上常把人分成乐观派和末日派。Hudson 给出的答案并不那么令人安心：开发者是解决问题的人，“不会停下来”；他们会把这个挑战当作另一个待解决的问题，同时继续向前。
Labenz 希望政治重新提高对物质生活的期待：部署自动驾驶汽车，建设不必一定恶化环境的发电厂，并追问为什么电费不能降到当前水平的10%。领导者不应只是重新分配蛋糕，而应恢复让更多人获益的增长：“我的飞行汽车在哪里？但这次来真的。”
小说可以通过展示具有后果的分岔，强化人们的行动感。AI 2027 的多个结局给他留下深刻印象；AI 还可能把类似 Netflix 的分支世界变得足够便宜，从而让人们理解历史并非注定如此：“我们可以决定自己要做什么。”他的播客也遵循同一种个人伦理——“进行我想进行的对话”，无论听众规模如何都继续学习，其他一切都算额外收获。

Rocket Companies CEO：解决住房危机的方法聚焦 Golden Entertainment 的“财富转移”：$GDEN