穿透技术狂热，追问机器如何重写文明的底层代码。本期是《沸腾之下》系列第07期
文｜博阳
编辑｜徐青阳
技术预测通常在两个极端之间摇摆：要么是模糊的宏大叙事，要么是线性外推的短视。
但有一个人试图用另一种方式逼近未来。
在成为未来学家之前，拉斯·特维德（拉斯·特维德 Tvede）更为人熟知的身份是欧洲资深对冲基金经理、连续创业者，以及《金融心理学》《逃不开的经济周期》等经典商业著作的作者。过去三十多年里，他一直在瑞士与全球二级市场之间寻找技术演进与资本周期的咬合点。到了今年，他写了一本关于AI会如何改变我们生活的书《超级趋势》。
这其中的跨界，来自于他自己对AI深入应用。
几年前，特维德创办了趋势研究机构 Supertrends。他每天用Agent筛读五千种科技刊物与专利库，像绘制大脑“连接组”一样，为每一项前沿技术写下发生的具体年份。
2027 年，AI 产出的 token 总量追平全人类话语总和；2028 年，通用人工智能（AGI）落地；2031 年，超级智能全面超越人类顶尖个体。
激进的判断背后，当面对“Transformer 架构是否已触及上限”或“大模型幻觉”等质疑，特维德抱持着一种技术演化论式的乐观。
但真正让特维德的思考区别于硅谷技术布道者的，是他看待这场变革时的投资人视角。
在长达两小时的对谈中，他算了一笔非常具体的经济账。尽管外界担忧数据中心重蹈“铁路泡沫”的覆辙，但特维德在产业链调研中看到的是另一番景象。模型生产成本每年暴跌 80% 至 90%，token 价格却因算力饥渴反涨三倍。
前沿模型公司虽然仍在亏损，但上游芯片与基础设施的利润足以覆盖这些亏损的三到六倍，部分算力集群甚至能在一年内回本。
他将大众对 AI 落地缓慢的质疑称为“当前状态谬误”，因为人类总是习惯用今天的能力去评估两年后才交付的基础设施。
当这套指数级增长的算力最终把照明、代码、医疗、法律乃至大部分物质商品推向“超级丰裕”，无比便宜时，特维德认为，新增的价值必然涌向那些“AI 无法增产之物”。
稀缺的工业金属、不可复制的核心地段、机械表、真人现场音乐会，以及“作为人本身”，将迎来长期的资产牛市。
即使机器在 2050 年接管了今天 95% 的工作，资金依然会流向那些无法被提高效率的领域。
相比于经济账，特维德对社会结构与人类心智的预判要冷峻得多。
他明确反对用“全民基本收入（UBI）”直接向失业者发钱，认为那会剥夺人通过努力换取尊重的本能，最终导致《机器人总动员》式的文明退化，人躺在椅子上，失去早起和奋斗的理由。
正如告别体力劳动后人类发明了健身房，在告别生存焦虑的“热情经济”里，人类必须重新为自己寻找挑战、社群与早起奋斗的理由。
以下为沸腾之下与拉斯·特维德的对话：
01 如何绘制一张AI演进的时间表
沸腾之下：你在书里几乎谈到了未来生活的方方面面，而且对各项技术的发展及其社会影响，都列出了非常具体的年份。这条时间线是怎么得出的？
拉斯·特维德：这些预测来自我们的公司 Supertrends。我们开发了一款应用程序，每天阅读大约五千种经过筛选的科学和技术刊物，同时也会追踪 X 等平台上的重要思想者，收集他们的预测，最终汇总形成一套共识预测。
当然，断言某件事会在 2049 年发生，本质上是一种推测。但有依据的推测，总比含糊其辞地说“未来某个时候”更有用。给出具体年份还有一个重要作用：许多新技术往往依赖于此前已经出现的其他技术。我们目前正在制作一张技术网格图，展示现有技术如何促成后续技术的发展，这有点像脑科学里的“连接组”（Connectome）。
这就好比前阵子绘制果蝇大脑图谱的研究。科学家在这项工作上投入了几十年时间，把果蝇的大脑切成极薄的切片，拍下了海量照片。但直到有了 AI，研究人员才有办法读懂这些照片，重建出果蝇大脑的三维模型，再把它上传到元宇宙中。
那个现实果蝇的大脑复制品在虚拟空间里飞行，还能对模拟出的气味作出反应，可以说是一次真正意义上的“大脑上传”。
我之所以提到这个例子，是因为如果我们能给全世界的科技创新建立起一套类似的“连接组”，原则上就可以顺着技术脉络继续往下推演，看清未来的不同事物之间会怎样相互连接。这个目标对 Supertrends 来说还比较遥远，但我们已经在着手推进了。
沸腾之下：那能不能先带我们梳理一遍，AI 在不同发展阶段分别会推动哪些主要变化？
拉斯·特维德：最简单的划分方式是三个阶段：第一阶段是聊天机器人（Chatbot），你问它才答，不启动它就不做事；第二阶段是智能体（Agent），它会在后台持续运行，自己采取行动，我们目前还处在这个阶段的很早期；第三阶段是具身 AI（Embodied AI），从自动驾驶汽车开始，随后还会有人形机器人、自动驾驶无人机等形态。当然，这只是简化的划分。
我们也可以看模型到底有多聪明。从 2022 年开始，前沿生成式 AI 只用了短短几年，智力水平就从学龄前儿童、小学生，一路发展到大学生、博士，现在甚至开始超过博士了。在一些复杂问题的测试中，人类博士平均答对 79%，而前沿模型已经超过 90%。按标准智商测量，有些前沿模型已经达到了 180 到 200 之间。这说明，人类智能并不是智能的上限。
至于什么时候算达到通用人工智能（AGI），部分取决于我们如何定义它。我个人的合理估计是 2028 年：到那时，它能做人类所能做的所有事情。再往后发展，超级智能
（Superintelligence）会在各个方面全面超过最优秀的人类，这也许会在 2031 年发生。
紧接着出现的，是我所说的“集体超级智能”。到那个阶段，除了强大的集中式模型，还会有数以百万、数十亿计的分散式模型。你可能会问：从物理规律看，智能系统在空间上越紧凑，运行效率就越高，那为什么还要分散呢？因为分散在各处的模型能够在真实世界里直接学习。
当我们跟 ChatGPT、Claude 或 DeepSeek 交谈时，它其实是在检索已经学到的东西，或者临时上网查资料，某种意义上只是在做“案头研究”。但如果它同时连接着一百万个机器人，而这些机器人每天都在真实世界里干活，就相当于在源源不断地做“实地研究”。把案头研究和实地研究结合起来，情况就会大不相同。
在此之后，很可能会出现一场新的科学革命：科学推动科学，AI 创造 AI。我们已经在生物化学领域看到了一些变化，比如利用 AI 研究蛋白质怎样折叠、不同蛋白质结合会怎样，以及哪些晶体能够形成。AI 协助改进自身的迹象也已经有了，只是目前仍然依赖人类参与。再过几年，它很可能会自己接手迭代工作。
我觉得技术奇点其实已经开始了；只是在奇点初期，技术能力会远远领先于人类的实际采用速度，人们还没有意识到它已经走得有多远。
02 AI没有泡沫，只有短缺
沸腾之下：现在的聊天机器人在很多领域确实已经达到、甚至超过了人类博士水平。今年不少企业也开始尝试引入智能体，但实际效果并不完全符合预期。
拉斯·特维德：是的，这正是技术能力跑在实际应用前面的地方。Anthropic 今年春天发布过一张职业雷达图，图上大片蓝色区域表示在技术上已经可以替代的劳动，小得多的红色区域则表示目前实际上已经替代的工作。未来这两块区域都会扩张。我觉得到 2050 年，蓝色区域可能会覆盖今天职业图谱的 95%，而代表实际替代的红色区域则会落在后面。
确实有研究指出，目前大部分企业的 AI 项目还没产生明显结果。我记得波士顿有一项研究给出的未见效比例是 95%，但一些 IT 从业者却说，这个比例在常规 IT 项目里其实很正常。况且，坏消息本来就更容易登上媒体。
与此同时，AI 编程领域正在发生剧烈的变化。高盛曾比较过数据录入、技术支持服务台和软件编程这三个领域。按照那项研究，AI 编程的成本最低可以只有人类程序员的 5%，但在技术支持服务台领域，使用 AI 的成本却和雇佣人类几乎一样，AI 只稍微划算一点。
这非常反直觉：因为服务台人员也许培训几天就能上岗，而程序员却往往拥有硕士、博士学位。
原因就在于具体任务的特性。服务台需要高速的实时语音识别，有时还要识别客户的情绪；相比之下，写代码消耗的 token 反而少得多。所以 AI 会一个领域接一个领域地逐步进入。有的工作会很快受到冲击，其他领域则还没到时候，不能把所有行业看成是同一步调。
现在行业里有很多迹象表明，AI 的需求依然高于供给，而且需求增长得更快。我看到的情况是，今年市场上 token 的价格开始上涨，几乎涨到了原来的三倍，而算力的生产成本仍在以每年 80% 到 90% 的幅度下降，这一涨一降之间形成了巨大的盈利空间。行业分析师也在说，市场需要更多产能，目前基本上是生产出来多少就能卖多少。
普通消费者市场又不一样。我看到的数字是，普通消费者占了使用人数的约 70%，贡献的付费收入却只有 5%。但消费者不付费，并不等于不重视。我们可以换个方式问：“如果下个月不能用任何 AI，需要补偿你多少钱？”调查里受访者要求的平均补偿金额，比付费用户的平均实际付费还要高出 30%。因为很多人原本是免费使用的，所以要求的补偿很容易超过实际付费水平，但依然能看出人们在心理上非常看重它。
顺便提一个很有意思的对比：AI 的普及速度比当年手机、互联网起步时快了好几倍。我研究发现，人类历史上只有一种产品的全球普及速度跟它一样快——那就是新冠疫苗。两者从推出到达到一亿用户的速度是一样的。要知道，打疫苗直接关系到生死、关系到能不能出门工作；而 GPT 最初的普及速度竟然能跟疫苗并驾齐驱，这非常耐人寻味。
我和一位合作者正在完成一份两百页的 AI 经济学研究报告，很多内容因为太专门而没有放进这本书里。深入研究以后，我更确信目前的 AI 产业是受供给限制的。当然，市场上有不满意的用户，也有失败的实验。但在日常业务里，我亲身参与了三个非常成功的项目。
第一个项目是 Supertrends。它每天自动阅读五千种出版物，同时检索专利数据库，处理四十种语言的信息，一年生成十万篇创新内容，还会自己做报告和图表。所有这些工作都没有人工在逐项操作，一台 Mac 电脑就能维持运行。
第二个项目则需要人类团队配合。在丹麦，有人想成立一家基于 AI 的综合媒体公司，去与当地三大传统媒体集团竞争。他们找来一位曾担任顶尖媒体主编的资深经理，再联合另一位经验丰富的媒体人写好商业计划书，与我们 Supertrends 团队讨论怎么实现。
他们的第一版计划需要雇佣四十个人。要知道，同等规模的传统媒体需要四百人，我们当时已经觉得四十人很精简了。过了几个月，团队反馈说，研究越深入，越发现 AI 能做的事比预想的更多，而且就在调研期间 AI 模型本身也变得更强了，于是把编制降到了二十二人。现在这套系统已经测试运行了三个月，准备正式上线，团队规模又进一步降到了十四人，目前人员已经招齐了。至于它能不能做得跟传统大媒体一样好？我会说，在大多数方面一样好，而在有些方面甚至好得多，因为它能生产更丰富的内容，并实现个性化服务。
第三个项目用在了我们的对冲基金业务上。我们每天都会收到大约一百份投行发来的 PDF 报告，光读完一份就得喝掉好几杯咖啡，靠人力根本不可能全读完。但做宏观投资，又必须知道市场上最聪明的人怎么看。
为此，我们正在开发一套智能系统，用来识别这些顶尖分析师的观点共识。一旦共识指向某个新领域，它就会自动启动自己的一个副本（子智能体），去寻找这个新领域里最聪明的人；如果又发现细分领域，就再启动一个副本继续深挖。比如，系统会从“为 AI 提供基础条件的行业”出发，自动下探到芯片行业，再到高带宽内存（HBM）领域，分别追踪每一层级专家的预测和变化。
目前调试这套模型花了不少钱。但一旦系统运行起来，它就会自己持续学习，不用人工反复交代任务。假如突然出现像 CRISPR 基因编辑那样的新技术，系统就会主动捕捉到它，检查是否有人在讨论相关投资机会，再找到该领域的专家持续追踪。
这三次亲身经历让我觉得，我们远远没有摸清 AI 究竟能做多少事。每次当我以为自己理解了它，到了下个星期，又会发现它走得更远了。
衡量 AI 进步的方法有很多，但每种指标都只是简化。过去的摩尔定律是两年翻一倍，而按某些综合指标衡量，AI 的能力每两年可以提高一百三十倍，因为它汇合了许多原本就在呈指数级增长的技术。
有人把这一轮数据中心建设热潮比作当年的铁路热潮，担心出现过度投资。但数据中心有个独特之处：硬件安装好之后，还能靠软件算法的改进继续大幅提高效率。我看到的研究显示，仅靠软件改进带来的提升空间就可以达到五百倍。当然，这不意味着芯片永远不用换；新一代芯片的能效比在持续提升，旧芯片最终还是会因为耗电相对过高而被淘汰。只是在目前供给高度紧张的情况下，现有芯片完全可以用上很长时间。
我觉得很多怀疑者都犯了“当前状态谬误”：他们只按照自己以为的“AI 当前能力”，去判断今天的投资值不值得。但从拍板投资到数据中心建成运行，需要十八到二十四个月的时间，届时 AI 的能力早就又跨越了好几个台阶。人类往往很难直观地理解这样的指数趋势。
我也在研究这波浪潮里“钱到底在哪里”。我对中国市场了解得还不够多，主要研究美国和西方。按现在的增长速度推算，我估计全球 AI 产业明年就可能接近传统的汽车工业，并在 2028 年超过它。前沿大模型公司表面上虽然还在亏钱，但上游芯片行业赚取的利润，可能是这些模型公司亏损总额的三到六倍。范围之所以这么宽，是因为很难在财务上精确分出芯片公司的利润里究竟有多少来自 AI。
顺着产业链看回本周期，我估计建设一座 AI 芯片工厂通常三到五年回本，高带宽内存产线可能两到四年；签有供电合同的数据中心基础设施大约六年；装上算力服务器对外服务，可能只需三年。马斯克甚至说他能一年回本。当然，他是马斯克，一向喜欢这么说。
拿他旗下的 Colossus 2 超算集群来说，外界不知道确切造价，也许在一百亿到两百亿美元之间或更多；而我听到的说法是，它在完成自家训练后对外出租算力，年租金收入就可以达到五百亿美元，同时还能保留一部分算力自用。所以他说一年回本，我觉得完全可信。这些环节之所以能赚大钱，核心原因就是当前的供给瓶颈。
但大规模投资最终会消除供给瓶颈。等到瓶颈消除之后，企业的利润就必须来自真正的护城河与可持续的商业模式了。
我认为它的关键变化在于更深入地扎进了企业应用层，专注于人们在实际工作中真正要做的任务，而且系统还记得你之前做过什么。比如我把项目的任务材料都放在同一个文件夹里，用过一段时间后，几乎不用多解释，它就知道我要什么。到了这个阶段我就不想换了，因为它足够了解我，已经替我做了很多基础工作。这就是极强的用户黏性。
总之，从商业投资角度看，如果满分是十分，我对 AI 的看好程度就是十分。
03 AI技术现在的缺陷，也可以是未来的优势
沸腾之下：你非常乐观，但也有一些 AI 科学家认为，基于 Transformer 架构的技术路线可能还缺少关键的底层创新，未必能直接通向超级智能。此外还有物理层面的限制：增加 GPU 算力就要新建工厂，这需要时间。同时，现在的 AI 也缺少好的世界模型、长期记忆和持续学习能力，这些问题能不能解决，我们还不知道。
另外，你说 AI 会递归地改进自己，但也有研究认为，目前的 AI 并不擅长开放性问题，寻找答案的探索范围比较有限，并不能像人类科学家那样思考。这些因素似乎都不支持它能如此快速地一路增长下去。你怎么看？
拉斯·特维德：这类指出 AI 存在固有缺陷的研究，往往很快就会过时。过去三年里已经发生了难以置信的技术进步；而且，有些今天被当作“弱点”的特征，换个角度看反而可能是优势。
就拿“幻觉”来说，人类其实也会产生幻觉：我们的视野里天然有盲点，但大脑会自动想象那里有什么，把视觉空白补起来。踢足球时，有人把球传过来，你不会在脑子里先计算物理方程，而是瞬间调用以前见过的相似场景，凭直觉预判球会落在哪里。
我认为，“预测接下来会发生什么”正是智能的一个核心标志，而 AI 每天也在做这件事。这种预判与想象还能用来进行创造：即使从没亲身经历过某个情境，我们仍然能想象接下来会发生什么。人类的心智本质上是生成式的，AI 也是如此。当然，不能把想象与现实混淆，人类必须学会区分这两者，AI 同样也在学习如何做好区分。
在应用中，有些问题必须保证绝对准确，比如算术就应该直接交给计算器。但如果我是为创业项目构思宣传语，那就需要创造力。
正因为技术进步的路径非常多，我很难相信它会突然撞上某个不可逾越的自然极限。
还有人说，AI 只是在复述互联网上由人类写下的东西，所以不可能比人更聪明。但事实上，它正在通过自我博弈（Self-play）和系统动力学模型产生属于自己的新信息。用不了太多年，它掌握的大部分信息可能都不再来自人类，而是由它自己发现的。这固然需要持续创新，但我看到创新正在迅速发生。
沸腾之下：它确实在加速，但不是每个领域都这样。软件编程比较特殊，现有的训练技术能让它进步很快，但其他领域并没有那么容易。当“低垂的果实”被摘完以后，接下来可能要做艰难得多的工作。
拉斯·特维德：对，这就像动物最初先吃低处的树叶，吃完了就必须进化成长颈鹿，才能吃到高处的叶子。区别在于，AI 这只“长颈鹿”的脖子正在呈指数级增长。那些现在还够不到的高处，我觉得以后完全能够到。
信息技术、遗传科学在历史上也曾被认为遇到过不可逾越的障碍，后来都被一个个解决了。以前解决问题的是人，以后将会在 AI 的强力辅助下、甚至由 AI 自己去解决。
你不妨对比一下今天和仅仅一年前的模型。有了推理模型之后，我们拿到一份结构清晰、核查过数据、交叉比对过多个信息来源的报告，已经觉得是理所当然的事，而一年前还完全不是这样。
上个星期，我直接对着 GPT 口述布置了一项调研任务，中间还有几次改口，接着把整理好的内容交给 Claude：让它找出全球五十家优秀风投和三十家创业加速器，查清它们每个季度分别在投什么，并按技术类别分析哪些赛道在上升、哪些在下降。
结果它只做了十八分钟，就给出了一份质量极高的报告，还主动加上了一些我原本没要求但非常有用的数据可视化图表。假设高盛刚招来一位 MIT 或芝加哥大学商学院的顶尖毕业生，如果不用 AI，我估计同样任务他至少要做整整一个星期。
不仅如此，AI 能够独立处理的连续任务时长也在迅速增长。我觉得再过不了多少年，它就可以不间断地连续自主工作了。
我们可以想象这样一个场景：马斯克送一批智商高达 300 的机器人去火星，给它们配好核反应堆、太阳能电池板和起步工具，对它们说：“三十年后我回来，你们在火星上建一个文明。”三十年后人类回来时，建筑、道路都已经建好了。它们遇到任何问题都会自己想办法，连续工作三十年。这虽然是个想象，但我觉得我们离这种能力已经不远了。
顺着这个逻辑，我们还可以把软件领域的“自然语言编程”延伸到现实的实体世界。未来我说想建一栋什么风格的房子、需要哪些房间，AI 就会提供设计方案，直到我满意为止。然后我说：“请建起来吧，我去度假了。”它就会自己去找地、买地、申请建筑许可，再调度机器人进场施工。
04 后AI时代是丰裕时代，但不该是UBI时代
沸腾之下：你描绘的这些技术变化会带来智能上的“超级丰裕”，但这并不一定直接意味着物质上的丰裕。比如人类获取食物所需的“时间价格”，就没有像照明那样大幅缩短——我们养猪、种庄稼的效率相比过去可能只改善了几倍，最多十倍。不同领域和物质受到的影响不同，要让各个领域都真正达到超级丰裕，还需要多久？
拉斯·特维德：不同东西达到超级丰裕的速度确实不一样。只有智能而没有其他配套条件，生产不了多少实体东西。因此超级丰裕首先会从智能本身开始，接下来是服务的丰裕，再逐步扩展到其他实体物品的丰裕。像编程、会计、金融、媒体这些行业，虽然不会严格按某一个固定顺序发展，速度也不同，但总体上我们正走向更广泛的丰裕——这一进程其实从石器时代就在发生了。
两百年前，几乎所有东西都是稀缺的。衡量丰裕程度的一种好办法就是你提到的“时间价格”：为了得到一定数量的东西，人需要工作多久？最著名的例子是照明。过去人们要捡柴生火，烧完了就得再去找；现在上海的有些建筑本身就像一盏盏巨大的灯。照明的时间价格，从石器时代到今天改善了整整五十万倍。如果从人类掌握火算起，这也许花了一百五十万年甚至更久；而我估计，AI 智能成本实现五十万倍的改善，只需要六年。
我还预计，到 2027 年，AI 产生的 token 数量会与全人类说出的词语总量一样多；之后会超过人脑里思考的词语总量，再往后更会超越全人类的全部心智能力。一旦达到与人类持平的平衡点，也许再过一年就是全人类的五倍，两年后达到二十五倍，很快就会把我们远远甩开。
至于你提到的食物问题，对投资者来说也很有启发。事实上我认为，今天人类生产的食物总量已经超过实际需要了：全球超重的人比体重不足的人多，肥胖的人比挨饿的人多。核心问题是分配不好，而不是产量不足。全球农业用地达到峰值后基本没再增加，最近还有所下降，但与此同时全球人口翻倍，人均食物摄入量也增加了，说明我们确实能持续提高生产效率。
不过，想清楚“AI 不能增加什么东西的供给”极其重要。
首先是“人类本身”——有些事即使机器人能做，我们还是更愿意找真人。其次是工业金属等矿产，目前还看不出 AI 或机器人怎样大幅加快金属矿产的生产。相反，如果 AI 推动经济增长、让人变得更富裕，全社会对实体材料的需求反而会增加。第三是最好的稀缺地段，比如海边、湖边、滑雪度假胜地和极具吸引力的市中心。所有这些不能靠 AI 大幅增加供给的东西，未来都很可能出现显著的资产价格通胀。
几乎所有经济学家，包括我自己，都认为 AI 在本质上会带来“通缩”：许多产品变得更便宜甚至免费，使普通消费者物价水平（CPI）持平或下降。但各国央行通常希望通胀率维持在 2% 左右；一旦低于目标，央行就会通过低利率、量化宽松（QE）等手段向市场投放大量资金。
于是，技术进步在压低消费品价格，货币投放却在拼命抵消它。结果多发出来的钱就会流向消费者价格指数（CPI）统计范围之外的稀缺资产，比如股票、核心房产、艺术品和收藏品。所以，未来有些 AI 时代的最大赢家，恰恰会是那些 AI 根本不能增加供给的东西，比如著名艺术家的画作。我觉得未来的文化艺术领域会迎来牛市。
我在书里把未来的世界分成三种经济区域：第一种是像深圳、上海、硅谷这样的“科技超级集群”；第二种是像欧洲部分地区那样的“慢生活区域”，人们生活得很好，不想再拼命做那么多事；第三种是没有真正参与技术变革、也没有从中受益的地区，不过我认为第三类正在减少。机器会在底层创造一个庞大的“超级智能经济”，同时也会在顶层为人类腾出空间，创造出我所说的“热情经济”（Passion Economy）：人们可以去追求自己真正感兴趣的事。我不想夸大其词说人人都能实现终极梦想、成为毕加索，但我认为工作重心会明显向人们真正想做的事情转移。
那么，AI 会不会带来危险？肯定会，几乎所有好的技术都有阴暗面，就像互联网有病毒、核能可以造核弹一样。对我来说，AI 带来的一个系统性危险是：它可能会让人类变得彻底被动，不再做事、不再奋斗。
人类其实是需要奋斗的。奋斗和磨难太多固然会压垮我们，但完全没有也会毁掉我们。这和身体活动很像：以前人们在生活中经常要活动身体，食物也没经过这么多现代加工；等到现代技术和丰富的加工食品来了以后，我们反而得专门花力气去锻炼，才能保持健康。同理，当 AI 提供了海量财富、人们不再需要工作以后，人类社会就可能滑向动画片《机器人总动员》（WALL-E）所描绘的那种状态——人们整天躺在悬浮椅子上，什么事都不用做。
那正是我对人类未来最深的恐怖想象。如果让石器时代的原始人看见今天的健身房，他一定会问：“你们为什么花力气搬这些铁块？平时捡柴、找浆果、打野猪还不够累吗？干完活能休息就已经很好了。”然而今天我们却必须依靠健身房来维持健康。同样道理，面对未来，我们也必须认真思考：怎样把生活中不再必需的“努力与奋斗”重新补回来？
如果人类真的落入那种彻底躺平的状态，不仅对个人是悲剧，对整个文化也是灾难。世界上许多成功的文化，都尊重辛勤工作、鼓励想象与努力，让人看见自己通过奋斗可以走到哪里，而且这不只是指物质财富上。古罗马帝国和中国古代王朝彼此往来很少，却各自发展出了高度复杂的文明，我觉得这种推崇勤勉与进取的文化正是重要原因。一旦拿走人们每天早上起床、向前走的动力，长期来看就会彻底损害文化根基。怎样在享受 AI 好处的同时，不夺走人们努力生活的理由？这是全社会必须讨论的核心议题。
正因如此，我觉得“全民基本收入”（UBI）是一个很大的社会风险。有人说，未来从机器那里征税拿钱，平均分给大家，让大家去河边画画就好了。且不说机器和资本可以跨国转移，怎么收到钱本身就很难；我更担心这种“无论做不做事都无条件发钱”的安排，最后会演变成一场社会灾难。
其实完全可以有更稳妥的中间办法，比如提供“普惠基本服务”（Universal Basic Services）：提供免费的医疗、免费的教育，并在自动驾驶普及后提供一定程度的免费公共交通。决定让某些基础服务免费，同时保留人们做事的激励动力，这与无条件发钱带来的心理风险是完全不同的。
此外还有一条路，类似于美国近期讨论的“特朗普账户”（儿童起步投资账户）。按我了解的安排，每个孩子出生时有一笔起始投资本金，慈善机构、亲友可以追加，社会资金也能向低收入地区的孩子定向捐助。这样一来，每个人都成了科技发展的“利益相关者”，直接拥有一部分机器的产权。
我不担心这种全民持股式的安排。
沸腾之下：可是，如果每个人从出生起都有一份股份，这同样也是什么都不用做就能拿到的财富。最后大家靠分红生活，不还是可能变成《机器人总动员》里那种躺平状态吗？你真正担心的，是不是当生存的外部困难消失后，人会彻底失去行动和挑战自我的愿望？
拉斯·特维德：这个问题很好。单纯持有股份确实不用干活，但关键区别在于你与社会发展建立起了直接的“利益关系”。你会关注企业的股价，涨了高兴，跌了不高兴。人们面对科技与机器时，心态不再是对立的“他们对我们”，而会觉得是休戚与共的“我们在一起”。
至于你说的失去行动愿望，这正是问题的核心。因为随之失去的还有人的“自尊”。除了物质保障外，有两件事会让人深深感到幸福：第一件是爱（我们稍后可以细聊）；第二件，就是通过努力去完成一件在自己看来很难、非同寻常的事。它可以是体育、商业，也可以是社会交往。这件事刚好处于你的能力边缘，你决定试试，最后真的做到了。那一刻你可能累坏了，但内心却无比幸福，觉得生活充满了意义。
这种挑战自我的动力，是绝对不应该被拿走的。
05 想让人不变废，教育需要大变革
沸腾之下：我之前采访哲学家尼克·博斯特罗姆时，他也谈到过类似的问题。他说未来也许需要建立一些专门的机构，帮助人们参与人为设计的、有挑战性的游戏或课题。因为当日常生活和生存活动都被 AI 接管过去、天然的挑战消失之后，人类必须人为创造出这些挑战。
拉斯·特维德：确实如此。我们正在走向一个“学校所教的标准化技能，机器都比我们更擅长”的世界。这也是为什么我觉得，未来的教育应该把更多重心放在心理素质和思维心态（Mindset）的培养上。
我非常喜欢卡罗尔·德韦克（Carol Dweck）的《终身成长》（Mindset），它讲透了成长型思维和固定型思维的区别。我也喜欢斯蒂芬·卡普曼提出的“戏剧三角形”。现实中有些人遇到任何事，总习惯把自己和他人套进“受害者”、“拯救者”和“加害者”的角色里，怨天尤人，却唯独不愿为自己的人生负责，把注意力都消耗在无法改变的外部事物上。
所以，未来的教育应该更多地帮助学生成为“更有自主效能的人”——或者用更自然的说法，帮助每个人“成为更好的自己”。
当人与 AI 合作时，AI 扮演的角色很像软件里的“中间件”。人站在起点提出目标，比如想建一栋房子，处于中间层的 AI 去具体完成；接着人站在终点审视结果，判断是不是自己想要的、需不需要调整，或者由此想到是不是可以干脆建一整个村庄。
也就是说，人始终站在工作流程的“两端”，而 AI 处在“中间”。
既然人站在起点，就必须擅长“提出问题”。可现在的传统学校主要教什么？老师提问、学生回答——学校花十几年训练学生的，恰恰是处于中间层的“答题工作”！当然，基础知识依然要学，大脑里必须储备足够的知识底座。但相对而言，未来的教育必须更重视训练“提出好问题”的能力；看到 AI 交付的结果以后，人也要学会评价优劣，这本质上其实也是在提问。
无论是正规教育还是终身学习，都必须顺应这一趋势改变。训练人类大脑有点像训练大模型，早期形成的习惯一旦固定下来就很难改。如果学生时代一直只练记忆和答题、从不练提问，以后走入社会就很难扭转。
在这方面，我觉得中国对使用 AI 的态度在一些层面上已经走得比较远。据我了解，中国的一些教育安排是让孩子从小学习使用 AI，也教年长的人与 AI 合作。但在丹麦，居然还有人在讨论怎样把 AI 赶出教育——因为老师布置作业，学生问完 GPT 直接把答案交上来，老师一眼就能看出来，觉得毫无意义。我理解老师的苦恼，但学生以后步入社会注定要和 AI 一起工作，学校真正应该教的是怎样与 AI 配合把事情做好。
06 AI时代的人际关系
沸腾之下：那我们回到刚才提到的“爱与人际关系”这个话题。我觉得多数人本能上都想过一种轻松、没有挫折的生活。AI 伴侣非常礼貌，没有自己的负面情绪，随时都会温柔地回应你；而现实中的真人却有自己的事、自己的情绪，有时很难沟通，还可能离开你、爱上别人，或者对你作出负面评价。你觉得 AI 会怎样影响人与人的真实关系？
拉斯·特维德：在 AI 之前，社交媒体其实就已经深刻改变了人际关系，而且我觉得可能主要是往坏的方向走。面对面的互动少了，数字互动多了，人类似乎弄丢了一些宝贵的东西。如今孤独的人更多，生育的孩子更少，看起来都与数字媒体有关。我看过一些研究，说贫穷的非洲社区通了卫星电视以后，生育率就出现下降；西方生育率下滑，也与智能手机普及的时间高度重合。所以我完全同意你的担忧，应该假定 AI 伴侣很可能会带来类似的冲击。
你刚才描述的那种无摩擦的 AI 陪伴，简直就像食品工业里的“超加工食品”：一口咬下去立刻就能满足你，糖分迅速进入血液带来快感，长期吃却会导致营养不良。今天世界各地都能看到，情侣或朋友坐在同一张桌子上吃饭，却各自低头看手机。数字媒介的即时满足感太强了，人与人之间最珍贵的真实接触却错过了。
AI 让非面对面的虚拟交流变得更有诱惑力，这里面确实有很大的风险。
但硬币也有另一面。对我个人而言，AI 是一种极好的自我教育工具，我每天向它请教自己不知道的东西，跟它深入对话，人也变得更有见识。而在宏观层面上，未来“热情经济”和文化活动的发展，也会让人们更有闲暇与余裕去和他人相处。
未来人们的时间会以两种方式同时增加：一是不用再为了挣急需的糊口之资去做不喜欢的工作；二是生物医学突破可能会带来长得多的“健康寿命”。
传统人生太短，只能专注一种，否则什么都做不成；但如果有长达一百个能够有效工作的健康年头，每个梦想都可以分出二十年去深耕，人就更有可能感到自己在合适的位置上做着真正想做的事。
当人们有了更多时间发展兴趣，互联网又让我们更容易找到同好——无论是喜欢猫、养狗、集邮、观鸟还是 Python 编程，都能在网上找到伙伴。而在现实世界中，虽然线下社交更费钱、更费时间，但“俱乐部经济”正在快速崛起。我研究过全球的俱乐部经济，它的增长速度大约是世界整体经济的两倍。
在伦敦，商人如果是某家私人俱乐部的会员，经常会约朋友去俱乐部吃饭；我见过一位伦敦出版商，他所在的作家与出版商俱乐部里全都是同行，大家都爱书，自然有聊不完的话。
我自己住在瑞士韦尔比耶（Verbier），一个滑雪度假胜地。刚搬来时镇上没有俱乐部，我参与创办了一家，采用现有会员推荐新人的机制，保证大家比较投缘；发展到现在镇上已经有好几家了，还有朋友想做只面向创业者的俱乐部。当年体力劳动减少后，人类发明了现代体育和健身房；到了 AI 时代，人类也会找到一些新的补偿办法，让现实社交生活重回健康状态——线下俱乐部是一种，教育领域的“翻转课堂”（先跟着 AI 学习，再到线下与其他孩子见面协作）也是如此。
沸腾之下：伦敦虽然俱乐部多，但也以精英文化著称，某些方面甚至显得傲慢。我能想象瑞士、丹麦有很多平等的兴趣社群，但伦敦为什么也能形成你说的这种健康社群？
拉斯·特维德：其实俱乐部不一定势利，也不一定非要搞精英化；即使内部有“精英”标准，不同俱乐部采用的评价标尺也完全不同。比如“地狱天使”这样的重机车俱乐部，和摩纳哥的顶级游艇俱乐部，在各自内部获得同伴尊重的条件就截然不同。在一个地方受尊重的人，去另一个地方未必如此，他自己也未必想去。
有次我在瑞士加油站看见一大群“莫里斯·迈纳”（Morris Minor）老爷车在聚会，车主们专门组成俱乐部，唯一共同热爱的就是这种经典小车。这说明俱乐部可以围绕任何具体事物建立。正如哲学家诺齐克在《无政府、国家与乌托邦》里讲的，人的心理和偏好不同，“一个人的天堂可能是另一个人的地狱”。把游艇俱乐部的人送去摩托车俱乐部，他一定不高兴，反过来也一样。乔纳森·海特在《正义之心》（The Righteous Mind）里研究人类的基本道德直觉，也发现政治倾向的分歧与深层心理差异有关。
所以我认为，好的社会应该允许每个人找到同好、一起实现梦想，同时也有权设定边界，不让搞破坏的人进入自己的社群——如果有人跑进我们的俱乐部打架，那就不是我们的乌托邦了。在多元社群里，赢得尊重的标准根本不必只有一个：在莫里斯·迈纳俱乐部里，只要你能亲手把老爷车修得漂漂亮亮，就会受到全场车友的尊重。
亚当·斯密在《道德情操论》里谈过，人天生希望得到他人的尊重。如果一个人只是继承了很多钱、只管挥霍，别人或许会为了钱靠近他，却不会真正尊重他。
尊重那些真正做出成果、尽最大努力的人，社会才会不断进步。这也是为什么我担心单纯给所有人发机器赚来的钱，会慢慢抽干人们通过努力去赢得尊重的动力。
07. 即使 AI 接管生产，人依然是最昂贵的
沸腾之下：可是再过二十五年，推动整个社会增长的最重要引擎注定已经是 AI 了。到那时候，无论人们工作得多么努力，全人类的经济产出加起来可能都不到 AI 的 1%。
现在评价一个人有多重要，经常是看他创造多少产出、带来多少利润；当物质生产不再最重要以后，社会评价人的标准、乃至整个经济的基础都可能要改变。
所以，人类的价值标准与新工作，是不是必须跟现在有本质的不同？
拉斯·特维德：这是一个极其重要的宏观经济学话题。斯坦福大学的查德·琼斯（Chad Jones）教授专门研究过，一项“通用目的技术”出现后会占 GDP 多大比重。比如信息技术（IT）硬件，从二战后占比几乎为零，一路增长到互联网热潮时的历史峰值（我记得大约是 2.8%），而到了今天反而回落到了约 2%。今天全世界的电脑硬件明明比以前多得多，为什么占 GDP 的比重却下降了？因为硬件在变好、变多的同时，也变得越来越便宜了。
所以，我说“2050 年 AI 能做 95% 的工作”，指的是今天定义下的工作。想想工业革命初期的蒸汽机，最初主要用来给煤矿抽水——挖出煤驱动蒸汽机，再把煤矿里的水抽出来，这还有点像今天被批评的“资金在 AI 产业链里自我循环”。当年瓦特用“马力”来比较机器和工作马匹的能力。假设有人问瓦特机器有多大用，他可能会保守地说，可以替代煤矿里 80% 的抽水马匹；但如果走过来一个像马斯克那样的人，就会说：“不，它能替代整个社会的马力，替代今天马匹所做的 90% 或 95% 的事情！”最后，工业文明里机器提供的总马力，远远超过了当年地球上所有真马的总和。
人类接下来也很可能面对同样的情况：机器做的工作总量远远超过全人类，把经济规模撑大到今天难以想象的地步。
但按照经济学规律，长期来看，社会财富与金钱最终会流向那些“提供有限供给”的人。
而我们人类，总有办法让某些由人提供的价值保持有限和稀缺。
看看今天高收入的那批人：顶尖音乐家、职业运动员、F1 赛车手、足球明星，以及像泰勒·斯威夫特这样的巨星。他们彼此激烈竞争，但因为顶尖人类的供给是有限的，我们依然愿意为“最好的人类表现”付高价。按我对琼斯研究的理解，未来人类在全球经济蛋糕中分得的份额，其实不会下降太多。从蒸汽机到电力、计算机、互联网，每次技术革命都有人预言“人类没事可做了”，但我们每次都找到了新的事情去做，我认为这次也会如此。
归根结底，“作为真实的人类”这件事本身，是不能被 AI 自动化的。就像风景绝佳的好地段、难以开采的稀有金属一样，人依然可能非常昂贵。当 AI 触及的一切标准化商品都变得极其便宜甚至免费之后，人本身的独特价值却不一定跟着贬值；相反，我们挣到的钱反而能买到比今天多得多的东西。
比如在“慢生活区域”里，人们可以从事与文化、艺术和生活方式相关的活动；就像今天在瑞士吃饭的钱早已不是问题一样，未来请律师、会计师或获取优质教育也会变得极其便宜，许多生存难题消失后，人就能去做真正想做的事。
不过我也承认，那些天生喜欢常规、重复性工作的人，在未来可能会很难适应，因为这类工作确实会越来越难找。
沸腾之下：你说人们可以转向文化生活，但现在连音乐、文章都可以由 AI 来生成了。如果有一天 AI 的文章写得比人更好、音乐做得更好听，人为什么还要自己去做？而且你前面提到的机械表和顶级演出，本质上都属于奢侈品，正是因为坚持手工制作或真人演绎才昂贵，这能代表普遍规律吗？
拉斯·特维德：我觉得人类还是有充足的理由去创作和演绎。你看，过去这些年数字音乐变得越来越便宜，但真人歌手的现场演唱会门票却越来越贵；手机可以免费看时间，纯机械表反而越卖越贵。
社会上的资金，最终总会流向那些“没法靠技术提高效率”的领域，因为很多时候，人类内心就是想要这些带着人类温度与真实体验的东西。我在音乐厅听到的现场音乐，纯音质本身不一定比网上的数字录音更好，但现场带给我的整体临场体验却好得多，也完全不同。所以哪怕门票很贵，我还是心甘情愿付钱。
当然，整个社会的转型过程绝不会容易，中间会有动荡，很多人必须改变自己正在做的事情。而在所有转变中，我觉得社会最重要、也最艰难的改变就是教育。
现在有些科技创业者在建新大学，尝试彻底改变教育。但传统教育的惯性太强了，不仅体现在教学做法上，还体现在人们怎么看待文凭。哪怕是我自己，听说谁在顶尖名校读书，也会下意识觉得他很聪明——这本身是好事，
但也意味着在对教育进行调整这件事上，我们很容易远远落后于时代真正需要的变化。
