每个时代，都由一种“奇迹材料”塑造而成。钢铁铸就了镀金时代，半导体开启了数字时代。如今，人工智能以“无限智能”的形态降临。历史的经验告诉我们：谁掌握了时代的核心材料，谁就定义了整个时代。
左图：少年时期的安德鲁·卡内基与弟弟 右图：镀金时代的匹兹堡钢铁厂
19世纪50年代，安德鲁·卡内基还是个在匹兹堡泥泞街道上奔波的电报员。彼时，六成美国人以务农为生。两代人之后，卡内基与他的同行们重塑了现代世界——马车被铁路取代，烛光被电灯照亮，铁器被钢铁替代。
自此，人类的工作重心从工厂转向了办公室。如今的我，在旧金山经营一家软件公司，为数百万知识工作者打造工具。在这座科技之都，人人都在谈论通用人工智能（AGI），但全球二十亿白领中，绝大多数人尚未真切感受到它的影响。知识工作的未来将走向何方？当永不疲倦的智能体融入企业组织架构，又会掀起怎样的变革？
早期电影的拍摄手法酷似舞台剧，仅用一台摄像机固定拍摄舞台画面。
未来往往难以预测，因为它总是披着过去的外衣登场。早期的电话通话，风格简练得像电报；早期的电影，看起来就像舞台剧的录像。（这正是马歇尔·麦克卢汉所说的“透过后视镜驶向未来”。）
如今最主流的人工智能形态，酷似过去的谷歌搜索。正如麦克卢汉所言：“我们总是透过后视镜，驶向未来。”
如今，我们看到的人工智能聊天机器人，不过是模仿谷歌搜索框的产物。当下的我们，正深陷于每一次技术变革都会经历的尴尬过渡期。
我无法预知未来的全貌，但我喜欢借助历史隐喻，思考人工智能如何在不同维度发挥作用——从个人、组织，再到整个经济体。
变革的微光，首先出现在知识工作的“先行者”——程序员群体中。
我的联合创始人西蒙，曾是我们口中的“十倍效率程序员”，但如今他几乎不再亲手写代码。路过他的工位，你会看到他同时调度三四个人工智能编程智能体。这些智能体不只是打字更快，更具备独立思考的能力，这让西蒙一跃成为能创造三十到四十倍价值的工程师。他会在午餐前或睡前布置任务，让智能体在自己休息时持续工作。如今的他，已然成为一名“无限智能管理者”。
20世纪70年代《科学美国人》杂志上一篇关于移动效率的研究，启发了史蒂夫·乔布斯提出那个著名的比喻——“思想的自行车”。只不过，数十年来，我们一直在信息高速公路上奋力“骑行”。
20世纪80年代，史蒂夫·乔布斯将个人电脑比作“思想的自行车”。十年后，我们铺就了名为互联网的“信息高速公路”。但时至今日，绝大多数知识工作仍需依赖人力驱动——这就像骑着自行车在高速公路上前行。
有了人工智能智能体，像西蒙这样的人，已经从“骑自行车”升级为“开汽车”。
其他领域的知识工作者，何时才能迎来自己的“汽车时代”？要实现这一跨越，必须攻克两大难题。
为什么相比编程智能体，人工智能赋能通用知识工作的难度更大？因为知识工作的场景更碎片化，成果也更难验证。
第一大难题：场景碎片化。编程工作的工具与场景高度集中——集成开发环境（IDE）、代码仓库、终端，仅此而已。但通用知识工作的场景，却分散在数十种工具中。试想，一个人工智能智能体若要起草一份产品简报，需要调取的信息包括：Slack上的讨论记录、战略文档、数据看板里上季度的业绩指标，以及只存在于某个人脑海里的团队经验。如今，是人类在充当“粘合剂”的角色——靠复制粘贴、在浏览器标签页间来回切换，拼凑出完整的工作图景。在所有场景信息实现整合之前，智能体只能局限于狭窄的应用场景。
第二大难题：成果可验证性。代码有一个神奇的特质：你可以通过测试和报错来验证它的正确性。模型开发者正是利用这一点，通过强化学习等方式训练人工智能，提升其编程能力。但我们该如何验证一个项目是否管理得当？一份战略备忘录是否足够优秀？目前，我们尚未找到有效方法，来优化人工智能处理通用知识工作的能力。因此，人类仍需全程参与，监督、指导智能体，并为其示范何为高质量的成果。
1865年颁布的《红旗法案》规定，汽车在道路行驶时，必须有专人举着红旗走在车前开道（该法案于1896年被废除）。这正是一种“人类全程介入”的反面案例。