导言
AI越来越强，我们怎样才能把它用得更好？宾夕法尼亚大学沃顿商学院管理学副教授、沃顿生成式AI实验室联席主任伊桑·莫利克（Ethan Mollick）长期研究AI对工作、创业和教育的影响，曾入选《时代》杂志“最具影响力的人工智能人物”名单。在《尚未充分利用的AI能力》（The Overhang）一文中，他提醒我们：现有大模型所能实现的能力，已经远超大多数人当下对它的实际运用。
为了摸清AI的能力，莫利克让它改编游戏、制作影片，发现它已经能完成一些原本需要多人协作、耗时数周才能落地的任务。不过，从选择任务、发现问题到决定哪些成果值得保留，人的判断始终不可或缺。他由此提出四项人类优势：深度知识、广度知识、品味和能动性。我们对某件事的了解、积累的见识、自己的喜好，以及动手尝试的意愿，都能帮助我们更好地与AI合作。
国庆假期里，不妨和AI一起做件感兴趣的小事：把一个故事变成画面，或把搁置已久的点子做出个雏形。希望这篇文章能为你带来一点灵感，也带来一些动手尝试的乐趣。
尚未充分利用的 AI 能力
The Overhang
Ethan Mollick
01
AI 已经能做什么
AI仍在以指数级速度发展。我尽量每隔两周左右在Substack上发一篇文章，但有时连这样的更新频率也显得跟不上。上一篇文章发布后不过几周，AI似乎就破解了数学界最著名的难题之一，引发不少争议。与此同时，人们也在广泛讨论AI带来的风险以及该如何应对，争议同样不少。
在我看来，这些不断累积的担忧，都指向同一个问题：AI发展得太快，而人类的制度与工作流程很难跟上它的脚步。关于这点，我自己在写文章时也深有体会。
人们有这些担忧是有道理的。关注未来的AI固然重要，但如果只把目光放在未来，就容易忽略一个事实：眼下的AI已经具备惊人的能力。新的GPT-6 Astra和Fable 5.1已经足以给许多经济领域带来变革性影响。只要引导得当、使用得法，它们就能稳定地完成相当于人类数周的工作量。
举两个有趣的例子。我让GPT-6 Astra把1977年的文字冒险游戏《Zork》改造成一款可以游玩的3D动作冒险游戏1。原作没有画面，每个地点都只用一段文字描述。因此，那栋白房子是什么样、名为“grue”的怪物长什么模样，以及如何把“与巨魔战斗”变成一段动作场面，都需要AI自己构想。
我还让Fable 5.1尝试以3D形式重建意大利作家翁贝托·埃科（Umberto Eco）的私人藏书室2。埃科在米兰的住所里收藏了数万册图书。AI找不到房屋平面图，便转而参考十几段视频、基金会为各个书架拍摄的照片，以及两份藏书目录。它逐帧辨认书脊上的文字，推断房间布局，再将识别出的约5000本书放入总计约2.7万个书位中。它还为每本书标注“确定”“推测”或“未知”，并把镜头未拍到的书架隐在雾中。
无论是改编《Zork》、重建埃科的藏书室，还是我最近交给AI的许多实际任务，如果由研究人员、程序员和设计师来做，都可能需要数周。而现在，AI已经做到了。
我想说的是，当人们还在争论未来的AI能做什么时，眼下的AI已经有哪些本领，我们却未必清楚，更谈不上充分利用。比如，看到GPT-6 Astra用Blender制作3D动画时，我才知道，原来它连这款功能强大的3D建模软件也会用。
我把即将出版的新书 Co-Existence（暂译《共存》）交给AI，请它从AI的视角为这本书制作一支预告片。我没有给出明确的制作指令，它却自行使用Blender搭建了完整的3D动画场景，还写出一份带有笑点和意外情节的脚本。这可不是件容易的事。第一个笑话被我否决了，第二个倒是相当不错。随后，它又想办法生成配音、音乐和音效，45分钟后便把成片交给了我。成片的气氛比我想要的更阴郁点，不过那毕竟是AI自己的选择。
为了看看它还能做到什么程度，我又输入一条提示词：“不错，但我真正想要的是一支根据 Co-Existence 制作的动作电影预告片。放手去做吧，时长不要超过30秒。”它再次写出脚本，并在Blender中制作了3D原型。我提出希望画面更有电影感后，它便以Blender动画为分镜，通过我的浏览器操作视频生成器，再将生成的镜头剪辑成最终预告片。整个过程中，我只给过少量创意反馈，没有参与任何制作决策，甚至没完全搞清楚它具体是怎么做的（成片可在原文中查看）。
这些作品当然有不少看得出的缺陷。但它们也表明，AI已经展现出某种判断力和创造力，而就在不久前，人们还认为这些是人类独有的能力。完成所有这些项目，消耗的也只是我付费ChatGPT账户中一小部分可用的token额度。
这些演示很有趣，也让人有些不安：AI越来越擅长做那些过去只有人类能做的事。不过，这些项目并不是AI自行发起的。AI做什么，是由我决定的；也正因为我了解《Zork》、埃科和自己的书，才能发现AI哪里做得不对，并在第一版不合意时要求它重做。
模型已经能做的事，与绝大多数人目前用它做的事之间，存在巨大的“能力落差”（capability overhang）。许多能力已经存在，却仍未得到充分利用；而这种落差也意味着机会。许多人还没有把自身的优势带入与AI的合作；那些这样做的人，往往能从AI那里获得更多。
因此，即使AI的能力不断提升，我们仍需要关注自身有哪些特质，能够帮助我们更好地与AI合作。在我看来，如果只是在产出上与AI较量，人很难赢；更值得做的是发挥自身优势，与AI一起完成双方单独都做不到的事。我在新书中提出了四项尤其重要的个人优势：深度知识、广度知识、品味和能动性。它们能帮助我们找到适合自己的AI使用方式，让自身的想法和能力得到更充分的发挥。
02
四项人类优势
前两项优势都来自你所掌握的知识。
1. 深度知识
首先是深度知识。当你对一个领域了解得足够深入，就会逐渐形成专业直觉，从而又快又准地作出判断。经验丰富的会计师扫一眼电子表格，就能察觉哪里不对；高尔夫教练看一次挥杆，就能立刻指出问题所在。同样，我只用了几秒钟，就看出第一版预告片的气氛比书中呈现的更阴郁。
深度知识是专业人士的优势，也是我们真正看清AI“锯齿状前沿”（Jagged Frontier）的唯一途径。所谓“锯齿状前沿”，是指AI在不同任务上的能力边界参差不齐：有些复杂任务它能完成，有些看似简单的任务却可能做不好。只有熟悉某个领域的人，才能看出AI在这个领域里通常擅长什么、又容易在哪里出错。
深度知识还能帮助我们适应工作方式的变化：当AI开始承担具体任务，懂行的人更容易从亲自完成工作，转向指导和管理工作。Anthropic近期的研究3也表明，专业知识会影响AI交出的成果。专家不仅能从AI那里获得质量更高的成果，还能让它完成更多工作。
图1：专业程度越高，Claude每轮对话完成的工作越多。 图中显示，随着用户专业程度提高，Claude每轮采取的行动次数和输出词数均呈上升趋势。两项趋势在统计上均显著（p < 0.001）；回归分析在控制工作模式、任务价值、月份、职业和模型系列等因素后发现，专业程度每提高一级，行动次数平均增加约9%，输出词数平均增加约13%。
2. 广度知识
仅有深度知识还不够，你也需要广度知识。大语言模型的训练数据涵盖了人类创造的大量内容，因此AI对设计思维、贝叶斯推理、丰田生产方式、罗杰斯心理疗法和马克思主义文学批评等都有所了解。但如果你不知道该问些什么，AI通常不会主动把这些知识运用到你的任务中。
网页设计就是一个例子。请AI制作网页时，你可能会发现它有个很烦人的习惯：总爱在主标题上方再加一行小字。设计领域把这类文字称为“眉题”（eyebrow）。如果你不熟悉设计，或许会觉得哪里不对，却不知道该怎样准确地告诉AI：“不要再加眉题了。”
同样，正因为我了解一些影视制作方法，才知道先用Blender动画呈现分镜，再借助视频生成器制作影片，是一种合理的制作流程。AI并没有偏离任务。知道该用什么术语，向AI提出修改要求也就容易多了。如果想要积累广度知识，就得广泛阅读和学习，接触不同领域、不同形式和不同思想传统的内容。这件事本身就很有价值——人文通识教育又回来了！——到了AI时代，价值就更大了。
3. 品味
现在，让我们回头看看前面展示的那些作品。你可能对其中某个作品特别感兴趣，也可能一个都不喜欢；或许还会发现某个值得进一步展开的主题或想法。当你作出这些判断时，就已经在运用AI时代的第三项人类优势：品味。
在AI出现之前，创造一件作品并不容易，也很费时间。写一份初稿需要几个小时；提出20个产品概念，可能要一个团队忙上一周；完成一篇学术论文，甚至可能耗费数年。当时的难点是产出足够多的内容。如今，制作内容变得又快又便宜，真正稀缺的是你凭借自己的品味，从大量结果中作出选择的能力。
以前面两支预告片为例，我否决了第一个笑话，保留了第二个，又要求制作一个更有电影感的版本。这几乎就是我对预告片作出的全部决策，而每一步都取决于我的品味。
有些人的品味契合大众喜好，有些人的品味独具个人特色，还有些人对新鲜事物格外敏锐。没错，生成式AI产出的大多是“AI垃圾内容”（slop）：大量彼此相似的作品不断涌现。但品味能帮助我们摆脱这种平庸。要用AI创造出真正出色的作品，就得知道哪些结果值得保留，哪些应该舍弃，哪些可以作为原料，进一步做出AI独自无法创作的东西。
4. 能动性
最后一项人类优势是能动性（agency）。它或许最重要，也最难说清楚：这个概念本身不容易界定，关于它的含义也一直存在争论。
在AI语境中，我认为能动性就是愿意亲自探索AI的能力边界。即使在你熟悉的领域，AI的“锯齿状前沿”也远未被摸清：哪些事它能做，哪些事它还做不好，并没有现成的答案。你可以等别人告诉你“AI现在已经能做这件事了”，也可以自己动手，发现它的新能力。
这也是我经常做一些稀奇古怪的AI实验的原因之一，比如尝试让AI玩游戏。这些实验让我更了解AI究竟能做什么。
03
这意味着什么
眼下，人们对AI的焦虑大多集中在未来的模型，以及我们能否控制它们。政府和AI实验室讨论如何把控AI发展的节奏、降低相关风险，是合理的。但放慢脚步，并不会让AI已经具备的能力消失。即使所有实验室从明天起停止训练新模型，GPT-6 Astra和Fable 5.1也已经足以改变经济中许多领域的运行方式。现有模型能做什么，与大多数人目前用它们做什么，两者之间仍有巨大的能力落差。
因此，无论AI能力前沿以什么速度向前推进，变化都会到来。变化不会一夜之间席卷所有领域，也不会在各领域以同样的速度推进，但它不可避免。不过，变化会以什么方式发生，并非早已注定。
对整个社会来说，我们越来越需要探索并分享新的AI与人类协作模式，让AI成为人类工作的助力，而不只是取代人手。对个人来说，同样重要的是借助AI提升自己的能力，而不只是把任务交给它。
我不认为我们能划出一条清晰的界线，断言AI永远无法跨越。不过，我们今天就可以从深度知识、广度知识、品味和能动性这四项优势入手，试着找到适合自己的方式，与AI一起把事情做得更好。
