本文来自微信公众号： 观潮体系 ，作者：观潮
——从防范彼此超过，到把事做成
“所有AI都听话之后”系列第六篇
一
想象一个夜里。老人醒来，想从床边站起来。床边的机器人伸出扶手，帮她稳住身体。她不需要机器人替她过日子；她需要的是还能在熟悉的家里，自己起身、走动，决定今天要做什么。
人们谈AI，常从模型能力开场：它会不会思考，能不能超过人，带来繁荣，还是灾难。可对这位老人来说，问题更近，也更硬：我还能不能自己生活？伸手够不到时，有没有谁搭把手？年纪大了，是否就一定要被当成一个只能被照顾的人？
老年人对机器人的期待，并不是“越像人越好”。研究发现，老人对递取物品、身体协助等任务相对容易接受；涉及个人照料和亲密生活时，接受程度则会下降。日本推动护理技术，也把提高照护质量、减轻照护者负担、支持老年人自立列为目标。愿望摆在那里，政策也摆在那里；真正的变化，要等机器进入生活之后才会发生：它怎样接上老人的需要，又会把老人具体放到什么位置？
二
列车调试现场，技师面对的不是一张AI竞争排行榜，而是一台出了故障的真实设备。他要找出问题，查阅项目资料，再决定怎么处理。熟手知道资料在哪里；新手可能只差一个入口，却要等老师傅有空。
一项现场研究让19名列车调试技师完成173项故障排查任务。使用AI助手后，技师的任务表现有所改善，经验较少者受益尤其明显。助手根据项目资料提供多语言检索和故障排查支持；技师则侧重观察设备状况、判断故障、决定下一步。
这里，AI接上的只是故障排查中的资料检索。它让一部分知识更快来到新手手边，却没有替技师看设备、担责任。项目资料虽然一直存在，未必每个人都能及时用上；接入AI之后，新手眼前的行动范围扩大了。
但使用助手时做得更好，和人的能力因此长出来，是两回事。这项研究显示，AI能改变技师当下的表现；技师是否因此积累了可以独立带走的经验，还要继续观察。Al给到的是可能性；而接合的位置和方式，才是能力能否落在手上的关键。
三
知识来到手边，结果未必相同。
肯尼亚一项持续约五个月的随机试验，让640名小企业经营者参与。一组通过WhatsApp使用GPT-4经营助手，另一组获得传统商业指南。整体上，研究没有发现AI让经营表现显著提高。特别之处是：使用AI助手的这个组里，原有经营表现较弱的企业反而受到负面影响；表现较好的那部分则呈现出可能获益的迹象。
小店经营者面对的是客流、进货、资金、顾客习惯和当地竞争。AI可以建议降价，却不知道附近顾客是不是只在乎价格；可以建议增加广告，却不能替店主承担钱花出去之后的后果。研究者分析经营者和AI的对话，以及经营者对经营变化的描述后发现，表现较好的经营者较常采用贴合自身处境的建议；表现较弱者更常采取降价、增加广告等一般性做法。
列车调试中，AI接上的是较明确的资料检索；小店经营中，AI给出的建议要面对许多彼此牵连、又未必写进资料的现实条件。接合的位置不同，人的处境不同，结果也就不同。能力越强，这个差别越不是误差，而是命运分叉。
跨境零售的一组现场实验也显示，AI进入工作流程，不会自动带来同一种效果。研究者在一家大型平台的七种经营流程中测试AI，销售结果从没有明显变化到显著增长不等，最高提升16.3%。AI有时参与顾客服务，有时协助制作经营内容或优化广告；它对原有流程补上了什么缺漏，就会影响与之相关的结果。
模型能力是接合的一端，人的处境与工作方式是另一端。AI接在哪个环节，原来的工作已经有什么，人的经验和判断还发挥什么作用，这些条件相互耦合，共同形成了实际结果。换句话说，模型不负责安排后果；组织才负责。
四
老人身边的机器人，也不只改变老人一个人的生活。它进入养老机构以后，机构怎样安排照护人员，怎样培训和维护设备，怎样保留人际照护，都会影响技术带来的结果。
日本养老机构的一项设施面板研究发现，采用护理机器人的机构，同时出现了就业和员工留任增加的情况；机器人承担的特定任务增加后，护理人员的精力也更多转向需要“人情味”的照护工作。研究还发现，机器人采用与部分照护质量和生产率指标改善相伴。不过，这是一项机构层面的观察研究，不能据此断言机器人造成了就业增加或照护质量改善。它提出了一个必须追问的问题：机器人进入照护机构后，劳动被怎样重新安排？
问题从“机器人能不能扶住一个人”，延伸到了“整个机构怎样安排这次扶持”。谁负责检查设备？机器失灵时谁来接手？老人能不能拒绝机器协助？省下来的时间给了照护人员，还是被机构改成更高的工作要求？这些安排不写在机器外壳上，却会影响老人得到什么照护，也会改变照护者的工作和关系。机器扶住的是身体；制度决定这次扶持把人放在哪里。
五
一个技师用AI找到了资料，一位店主试着调整了经营方法，一家养老机构重新安排了照护任务。这些变化发生在具体的人和机构里。要让一次帮助继续发挥作用，还得有人把经验留下来：技师把排查方法交给下一班同事，店主把试出来的进货办法记进账本，照护团队安排培训和设备维护。
科学研究中，有些知识已经有了公共的存放和检验方式。AlphaFold的蛋白质结构预测被放进开放数据库，供研究者获取和使用；欧洲中期天气预报中心把AI预报系统投入业务运行，与传统物理模型并行。AI的输出由此进入公共知识和专业工作流程，供人们继续研究、比较和检验。
小店和照护团队没有大型数据库和气象机构的条件，但同样要解决几个实际问题：有效的办法能不能留下，出现错误能不能修正，后来的人能不能接着用。模型可以给出答案，却不会自动替人安排培训、记录经验、建立信任。答案会过期，经验要入账；信任不会自动生成。
技术要进入工作，也需要相应的技能、数据、基础设施和管理能力。OECD对七国集团及巴西企业的调查显示：企业采用AI时会遇到方方面面的障碍；不少管理者难以判断AI能解决哪些实际问题，以及它会怎样改变整个组织。AI能不能接进生活，不只取决于模型够不够强，也取决于机构有没有条件把它接住。接不住的能力，只能是想想而已。
六
于是，一个人得到的帮助，开始连到更大的安排：哪些机构有能力接入AI，谁掌握运行它的平台和数据，谁设定工作指标，谁享有新增的收益，谁承担错误和成本。
AI可以让技师更快找到资料，也可能让工人面对更紧的速度要求；可以帮助老人多保留一些独立生活，也可能被机构用来削减照护人手。同一项能力进入不同任务和制度，人的位置便可能朝不同方向变化：有些事情更做得成了，有些判断交给了系统，有些责任仍留在人身上，有些关系则需要重新安排。
这就是为什么我们不能只看模型在排行榜上有多靠前，也不能只看AI进入了多少行业。还要看它接在人的哪一段行动上，组织怎样接过这次合作，增加的能力、时间和资源最后落在谁手里。排行竞赛问谁更高，生活问谁被接住。
回到那个夜里起身的老人。她盼的不是又一场人工智能的胜利。她盼的是年纪大了，仍能在熟悉的家里生活；伸手够不到时，有谁能帮一把；需要人的时候，身边仍然有人。
最强智能用向哪里，答案不在排行榜里。
它在一次次具体的接合界面里：机器接住了什么，组织怎样把它用下去，人的生活因此变宽了多少。
