WEBVTT
Kind: captions
Language: zh

00:00:00.166 --> 00:00:02.400
GPT6Astra发布当天

00:00:02.400 --> 00:00:04.566
chatgpt和Codex却先倒下

00:00:04.566 --> 00:00:06.066
了一次路由错误

00:00:06.133 --> 00:00:08.766
让大批用户突然无法进入对话

00:00:08.766 --> 00:00:11.466
调用工具或者继续手里的任务

00:00:11.566 --> 00:00:13.666
差不多就在同一天

00:00:14.000 --> 00:00:16.933
open AI总裁格雷格布罗克曼面对

00:00:16.933 --> 00:00:19.933
记者说出一句更有冲击力的话

00:00:20.000 --> 00:00:21.733
欢迎来到AGI时代

00:00:21.866 --> 00:00:23.500
这两个画面放在一起

00:00:23.700 --> 00:00:24.666
几乎就是当下

00:00:24.666 --> 00:00:26.700
人工智能最真实的缩影

00:00:27.200 --> 00:00:28.466
一边是模型开始

00:00:28.466 --> 00:00:30.266
操作电脑和开发软件

00:00:30.400 --> 00:00:31.900
也开始研究漏洞

00:00:32.333 --> 00:00:33.800
甚至处理过去只有

00:00:33.800 --> 00:00:36.266
专业人员才能完成的复杂工作

00:00:36.366 --> 00:00:39.133
另一边是承载这些能力的服务仍然

00:00:39.133 --> 00:00:42.366
会被一次基础设施故障按下暂停键

00:00:42.933 --> 00:00:45.200
人工智能的能力已经跑到很远

00:00:45.333 --> 00:00:47.700
可靠性和权限责任与

00:00:47.700 --> 00:00:50.133
社会制度还在后面追所以

00:00:50.566 --> 00:00:53.166
GPT6Astra真正带来的问题

00:00:53.166 --> 00:00:55.066
跑分只占很小一部分

00:00:55.500 --> 00:00:58.400
它逼着整个社会提前回答一件事

00:00:58.533 --> 00:01:00.466
当AI开始进入软件

00:01:00.866 --> 00:01:02.166
能够调用工具

00:01:02.266 --> 00:01:04.333
修改文件并交付结果

00:01:04.500 --> 00:01:06.266
人类到底还负责什么

00:01:06.300 --> 00:01:09.200
这才是所谓AGI大分工的起点

00:01:09.333 --> 00:01:12.266
先把最容易引起误解的地方说清楚

00:01:12.500 --> 00:01:15.933
布罗克曼认为Openai可能已经抵达AGI

00:01:16.500 --> 00:01:18.366
他在发布简报结束时

00:01:18.366 --> 00:01:20.666
使用了AGI时代这个说法

00:01:20.733 --> 00:01:22.900
这是Openai管理层的判断

00:01:23.466 --> 00:01:26.500
科学界监管机构和整个产业

00:01:26.500 --> 00:01:29.066
并没有共同颁发一张毕业证书

00:01:29.266 --> 00:01:32.300
AGI至今没有统一的测量标准

00:01:33.166 --> 00:01:36.066
Openai自己的章程把它定义为在

00:01:36.066 --> 00:01:38.666
大多数具有经济价值的工作上

00:01:38.666 --> 00:01:41.000
超过人类的高度自主系统

00:01:41.533 --> 00:01:43.566
这个定义包含三个条件

00:01:43.766 --> 00:01:45.200
能力要足够广

00:01:45.666 --> 00:01:47.500
系统要能自主行动

00:01:47.500 --> 00:01:49.566
还要真正进入经济活动

00:01:49.866 --> 00:01:51.866
会答难题不等于AGI

00:01:51.900 --> 00:01:54.333
在几个榜单领先也不等于AGI

00:01:54.333 --> 00:01:57.300
一个系统必须持续完成工作

00:01:57.466 --> 00:01:58.700
结果要可靠

00:01:58.866 --> 00:02:00.500
责任也要能够追溯

00:02:00.766 --> 00:02:03.333
astral确实比过去更接近这个方向

00:02:03.766 --> 00:02:06.300
它最重要的变化是把推理和

00:02:06.300 --> 00:02:08.866
电脑操作连成一条完整链路

00:02:09.000 --> 00:02:12.000
聊天时的语言表现只占其中一部分

00:02:12.133 --> 00:02:14.266
过去的聊天模型更像坐

00:02:14.266 --> 00:02:15.800
在屏幕另一边的顾问

00:02:16.266 --> 00:02:18.333
用户问它如何填写表格

00:02:18.466 --> 00:02:19.400
它给出步骤

00:02:19.933 --> 00:02:21.966
问它怎样修改客户资料

00:02:22.166 --> 00:02:23.300
它提供说明

00:02:23.533 --> 00:02:25.700
问它如何制作演示文稿

00:02:25.800 --> 00:02:26.966
它写一份提纲

00:02:27.133 --> 00:02:28.366
最后点击按钮

00:02:28.900 --> 00:02:30.166
核对字段和保存

00:02:30.166 --> 00:02:32.166
文件的人仍然是用户

00:02:32.166 --> 00:02:34.900
Astra想把这段距离直接拿掉

00:02:34.966 --> 00:02:37.000
根据Openai展示的能力

00:02:37.100 --> 00:02:39.400
它可以进入浏览器和桌面软件

00:02:39.533 --> 00:02:40.900
填写在线表格

00:02:41.000 --> 00:02:42.666
更新客户管理系统

00:02:42.733 --> 00:02:43.600
整理日历

00:02:43.700 --> 00:02:46.666
在邮件或文档工具里完成研究摘要

00:02:47.000 --> 00:02:49.866
它还能分析科学数据和生成图表

00:02:49.966 --> 00:02:52.566
创建网站以后再运行前端测试

00:02:52.733 --> 00:02:54.600
检查功能有没有真的工作

00:02:54.700 --> 00:02:55.900
用户只需要给出

00:02:55.900 --> 00:02:57.566
一个应当完成的结果

00:02:57.566 --> 00:02:59.366
不必指定每一步操作

00:02:59.466 --> 00:03:00.866
这意味着工作里的

00:03:00.866 --> 00:03:02.600
最小单位正在改变

00:03:03.066 --> 00:03:06.166
以前人把工作拆成一个个动作

00:03:06.200 --> 00:03:07.766
再让软件执行

00:03:07.900 --> 00:03:09.566
进入代理时代以后

00:03:09.600 --> 00:03:10.933
人交代目标

00:03:11.166 --> 00:03:12.933
AI自己拆解动作

00:03:13.066 --> 00:03:15.466
调用工具并检查进度

00:03:15.500 --> 00:03:17.200
然后把结果交回来

00:03:17.200 --> 00:03:18.666
从告诉人怎么做

00:03:18.666 --> 00:03:20.366
到替人把事情做完

00:03:20.700 --> 00:03:22.100
中间只差一句话

00:03:22.266 --> 00:03:24.266
商业价值却完全不同

00:03:24.333 --> 00:03:26.966
一家公司愿意为答案付多少钱

00:03:27.166 --> 00:03:29.333
取决于答案能不能变成结果

00:03:29.466 --> 00:03:31.500
写一段客户分析只是建议

00:03:31.666 --> 00:03:33.200
把数据放进表格

00:03:33.700 --> 00:03:36.300
生成演示文稿并更新CRM

00:03:36.533 --> 00:03:37.766
随后准备好会议

00:03:37.766 --> 00:03:39.600
材料才算进入工作流

00:03:39.966 --> 00:03:41.666
聊天机器人卖的是信息

00:03:41.666 --> 00:03:43.533
代理系统卖的是完成度

00:03:43.800 --> 00:03:47.200
GPT6的赌注就是把Openai从提供智能

00:03:47.200 --> 00:03:50.300
答案的公司推向承接数字工作的

00:03:50.300 --> 00:03:54.700
公司官方公布的OASST world 2.0测试里

00:03:54.800 --> 00:03:57.866
Astra取得72.6%的成绩

00:03:58.066 --> 00:04:02.200
高于GPT5.6soul的65.7%

00:04:02.500 --> 00:04:04.133
同一组延迟模拟中

00:04:04.200 --> 00:04:07.133
它完成每项任务大约需要40分钟

00:04:07.333 --> 00:04:09.500
上一代约为75分钟

00:04:09.666 --> 00:04:11.766
时间减少47%

00:04:11.966 --> 00:04:14.666
Codex运行框架同步升级以后

00:04:14.966 --> 00:04:17.500
mind er Web上的任务完成速度

00:04:17.500 --> 00:04:19.800
达到上一代体验的1.9倍

00:04:20.133 --> 00:04:21.733
这些数字还不能算现实

00:04:21.733 --> 00:04:23.500
办公室的生产力报告

00:04:24.200 --> 00:04:26.533
测试环境比真实企业干净

00:04:26.900 --> 00:04:28.933
权限结构也简单的多

00:04:29.100 --> 00:04:30.700
现实任务里会遇到

00:04:30.700 --> 00:04:32.766
失效链接和过期数据

00:04:33.100 --> 00:04:34.900
也会碰到含糊要求与

00:04:34.900 --> 00:04:36.666
互相冲突的管理命令

00:04:36.866 --> 00:04:38.700
模型在基准里成功

00:04:38.733 --> 00:04:41.333
进入银行医院或制造企业

00:04:41.333 --> 00:04:43.466
后未必能保持同样表现

00:04:43.500 --> 00:04:45.300
可是方向已经很清楚

00:04:45.866 --> 00:04:48.600
模型公司竞争的目标从回答

00:04:48.600 --> 00:04:51.900
正确转向在软件里完成一段工作

00:04:51.933 --> 00:04:53.333
一旦成功率越过

00:04:53.333 --> 00:04:55.066
企业能够接受的门槛

00:04:55.266 --> 00:04:57.266
岗位不会先整块消失

00:04:57.566 --> 00:04:59.600
岗位内部会先被拆开

00:04:59.800 --> 00:05:02.300
一名分析师要找资料清洗

00:05:02.300 --> 00:05:05.200
数据制作表格后解释异常

00:05:05.366 --> 00:05:08.600
还要判断业务影响并向管理层负责

00:05:08.866 --> 00:05:10.900
extra可以接走前面几项

00:05:11.300 --> 00:05:13.600
分析师留下的部分会更集中在

00:05:13.600 --> 00:05:17.300
定义问题识别异常和承担判断后果

00:05:17.700 --> 00:05:19.500
律师助理要查材料套

00:05:19.500 --> 00:05:22.066
模板整理证据并检查格式

00:05:22.333 --> 00:05:24.566
AI可以压缩大量准备工作

00:05:24.800 --> 00:05:27.333
律师仍要确认法律立场和风险

00:05:27.533 --> 00:05:29.800
程序员也不会只剩下写代码

00:05:30.166 --> 00:05:31.566
他们会花更多时间

00:05:31.566 --> 00:05:33.500
定义需求和设计边界

00:05:33.700 --> 00:05:35.333
在审核代理改动

00:05:35.333 --> 00:05:37.766
并为系统上线后的结果负责

00:05:37.800 --> 00:05:39.366
这就是第一层分工

00:05:39.700 --> 00:05:42.800
AI拿走能清楚描述和反复执行

00:05:43.333 --> 00:05:45.300
而且结果可验证的任务

00:05:45.600 --> 00:05:47.500
人类保留目标和责任

00:05:47.666 --> 00:05:50.966
可描述比是否需要高学历更关键

00:05:51.200 --> 00:05:53.766
很多过去被称为专业工作的任务

00:05:53.966 --> 00:05:55.966
本质上仍有明确输入

00:05:55.966 --> 00:05:58.600
标准流程和可检查结果

00:05:58.666 --> 00:05:59.933
他们曾经昂贵

00:05:59.933 --> 00:06:03.000
是因为需要多年训练的人手工完成

00:06:03.333 --> 00:06:05.366
模型一旦能读懂专业材料

00:06:05.366 --> 00:06:06.766
又能操作工具

00:06:07.266 --> 00:06:09.600
这部分工作就会迅速降价

00:06:09.733 --> 00:06:12.666
反过来一些看起来并不高深的工作

00:06:12.666 --> 00:06:14.333
反而更难交给AI

00:06:14.666 --> 00:06:16.566
照顾儿童和处理突发冲突

00:06:17.133 --> 00:06:18.800
或者说服一个犹豫的客户

00:06:18.800 --> 00:06:20.333
并判断现场安全

00:06:21.000 --> 00:06:22.500
往往没有完整数据

00:06:22.500 --> 00:06:24.166
也没有统一评分标准

00:06:24.733 --> 00:06:26.000
环境不断变化

00:06:26.100 --> 00:06:27.733
责任又无法交给模型

00:06:27.966 --> 00:06:29.400
AI能力越强

00:06:29.600 --> 00:06:32.266
社会才越会发现知识难度

00:06:32.266 --> 00:06:34.500
和自动化难度是两回事

00:06:34.666 --> 00:06:36.933
Openai对Codex使用情况的

00:06:36.933 --> 00:06:38.766
研究已经出现这种转变

00:06:39.000 --> 00:06:40.600
2026年上半年

00:06:41.133 --> 00:06:43.666
活跃用户数量增长超过5倍

00:06:43.933 --> 00:06:45.533
增长最快的群体已经

00:06:45.533 --> 00:06:47.600
扩展到软件开发者之外

00:06:47.733 --> 00:06:50.466
超过10%的用户每周至少有一次

00:06:50.466 --> 00:06:52.733
同时管理三个或更多代理

00:06:53.066 --> 00:06:57.366
26.6%的用户开始使用skills把复杂工作

00:06:57.366 --> 00:07:00.266
流程保存成可重复调用的指令

00:07:00.400 --> 00:07:02.733
还有一个数字更值得注意

00:07:03.133 --> 00:07:04.166
年初以来

00:07:04.166 --> 00:07:06.800
个人用户提交经验丰富的人类

00:07:06.800 --> 00:07:09.666
需要8小时以上才能完成的任务

00:07:09.900 --> 00:07:11.900
占比增长接近10倍

00:07:12.866 --> 00:07:15.200
Openai内部的使用更激进

00:07:15.400 --> 00:07:16.900
2026年6月

00:07:16.966 --> 00:07:19.700
法务岗位员工通过Codex和

00:07:19.700 --> 00:07:22.300
chatgpt生成的月度输出

00:07:22.733 --> 00:07:26.133
TOKEN中位数是2025年11月的13倍

00:07:26.500 --> 00:07:28.366
研究人员则超过50倍

00:07:28.600 --> 00:07:30.400
TOKEN增长不能直接等同

00:07:30.400 --> 00:07:32.100
于劳动生产率增长

00:07:32.300 --> 00:07:34.066
机器输出更多文字

00:07:34.133 --> 00:07:36.900
也可能制造更多需要审查的内容

00:07:37.333 --> 00:07:40.200
但这些数据至少证明AI使用方式

00:07:40.200 --> 00:07:43.466
已经从偶尔问答转向并行派工

00:07:43.600 --> 00:07:46.733
过去一个人同时打开几个软件窗口

00:07:46.800 --> 00:07:48.800
现在有人同时管理几个

00:07:48.800 --> 00:07:50.700
能够自己行动的代理

00:07:51.166 --> 00:07:53.100
这就出现第二层分工

00:07:53.566 --> 00:07:56.366
会执行任务的AI之间也会分工

00:07:56.933 --> 00:07:59.266
而人类逐渐变成调度者

00:07:59.266 --> 00:08:00.900
一个代理收集资料

00:08:00.933 --> 00:08:02.566
一个代理检查数据

00:08:02.966 --> 00:08:04.366
一个代理写代码

00:08:04.400 --> 00:08:05.800
另一个负责测试

00:08:05.900 --> 00:08:08.300
人不再亲自完成每一个动作

00:08:08.400 --> 00:08:10.466
而是决定任务怎样切分

00:08:10.600 --> 00:08:11.966
再指定可以调用的

00:08:11.966 --> 00:08:14.133
工具和必须复合的结果

00:08:14.266 --> 00:08:16.766
个人的产出上限从工作速度

00:08:17.200 --> 00:08:19.966
转向能够同时监督多少条任务链

00:08:20.100 --> 00:08:21.666
这种变化会先奖励

00:08:21.666 --> 00:08:23.866
一批工作流翻译者

00:08:24.266 --> 00:08:26.300
他们未必是最强的程序员

00:08:26.300 --> 00:08:28.200
也未必最懂模型原理

00:08:28.300 --> 00:08:29.600
他们知道怎么把模糊

00:08:29.600 --> 00:08:31.566
需求变成可以委派的任务

00:08:31.666 --> 00:08:33.733
也知道在哪里设置检查点

00:08:34.166 --> 00:08:35.966
什么结果不能自动放行

00:08:36.166 --> 00:08:38.733
企业过去需要会做事的人

00:08:38.766 --> 00:08:41.566
接下来还需要会把事情交给AI

00:08:41.866 --> 00:08:44.700
又能看出AI什么时候做错的人

00:08:45.166 --> 00:08:48.166
很多初级岗位会因此承受最大压力

00:08:48.300 --> 00:08:50.466
初级员工过去承担的价值

00:08:50.600 --> 00:08:52.366
往往就是把高级人员的

00:08:52.366 --> 00:08:55.200
模糊要求翻译成资料和表格

00:08:55.266 --> 00:08:57.166
再完成初稿与代码

00:08:57.166 --> 00:08:59.933
这个过程既是生产也是训练

00:09:00.400 --> 00:09:02.266
新人通过大量低风险

00:09:02.266 --> 00:09:04.066
任务学习行业判断

00:09:04.300 --> 00:09:07.000
几年后才有能力处理高风险决策

00:09:07.166 --> 00:09:10.466
如果AI把这些入门任务大面积接走

00:09:10.600 --> 00:09:12.966
企业短期会觉得效率提高

00:09:13.133 --> 00:09:16.066
长期却可能失去培养专家的路径

00:09:16.366 --> 00:09:18.966
没有经历过几十次基础审查的人

00:09:19.133 --> 00:09:21.100
很难突然成为能够发现

00:09:21.100 --> 00:09:23.300
模型错误的高级审查者

00:09:23.466 --> 00:09:26.066
自动化最先削掉的是梯子的下半段

00:09:26.266 --> 00:09:27.933
组织却仍然希望顶端

00:09:27.933 --> 00:09:29.966
不断出现经验丰富的人

00:09:29.966 --> 00:09:32.566
这将迫使公司重新设计培训

00:09:32.733 --> 00:09:34.400
新人不能只负责AI

00:09:34.400 --> 00:09:36.133
已经擅长的重复劳动

00:09:36.666 --> 00:09:39.100
他们需要更早接触真实决策

00:09:39.333 --> 00:09:42.200
同时在受控环境里学习验证模型

00:09:42.800 --> 00:09:45.966
会用AI需要的远不止一句提示词

00:09:46.100 --> 00:09:47.733
真正稀缺的能力包括

00:09:47.733 --> 00:09:50.200
任务建模和证据核对

00:09:50.266 --> 00:09:52.900
也包括权限设计及事故复盘

00:09:53.100 --> 00:09:55.966
软件工程会最早展示这套新结构

00:09:56.800 --> 00:10:01.000
Astra在Terminalbench4.0上取得57.9%

00:10:01.133 --> 00:10:03.933
上一代soul为37.3%

00:10:04.133 --> 00:10:08.366
Claude Fabo5.1的成绩是55.8%

00:10:08.566 --> 00:10:10.466
Astra在处理终端任务和

00:10:10.466 --> 00:10:12.600
系统配置时超过了上一代

00:10:12.933 --> 00:10:15.800
也略高于这项测试里的fable5.1

00:10:16.000 --> 00:10:18.933
可57.9%也意味着许多

00:10:18.933 --> 00:10:20.900
任务依然无法一次成功

00:10:21.166 --> 00:10:22.966
当模型成功率只有两三

00:10:22.966 --> 00:10:25.100
成人把它当实验工具

00:10:25.166 --> 00:10:26.800
当成功率越过一半

00:10:26.866 --> 00:10:28.533
组织开始重写流程

00:10:28.600 --> 00:10:30.333
当成功率继续提高

00:10:30.400 --> 00:10:32.900
人的位置会从执行改成审批

00:10:33.066 --> 00:10:33.966
问题在于

00:10:34.300 --> 00:10:37.266
高风险软件并不接受多数时候正确

00:10:37.400 --> 00:10:39.933
支付系统医疗设备和关键

00:10:39.933 --> 00:10:42.500
基础设施需要知道每一项改动从

00:10:42.500 --> 00:10:44.933
哪里来测试覆盖了什么

00:10:44.933 --> 00:10:46.300
谁批准上线

00:10:46.333 --> 00:10:47.800
出事后怎么回滚

00:10:48.100 --> 00:10:49.600
程序员因此不会简单

00:10:49.600 --> 00:10:51.366
变成提示词操作员

00:10:52.200 --> 00:10:55.366
他们更像一批同时管理需求和架构

00:10:55.600 --> 00:10:57.533
还要照看代理与验证

00:10:57.533 --> 00:10:59.100
系统的工程负责人

00:10:59.200 --> 00:11:01.500
亲手敲出的代码可能减少

00:11:01.666 --> 00:11:04.333
读代码和查边界的时间会上升

00:11:04.566 --> 00:11:06.000
设计测试与承担

00:11:06.000 --> 00:11:07.766
结果的比重也会提高

00:11:08.133 --> 00:11:09.566
代码生成越便宜

00:11:09.800 --> 00:11:11.900
验证可靠性的价格越高

00:11:11.933 --> 00:11:13.700
这就是第三层分工

00:11:14.100 --> 00:11:15.900
AI负责扩大生产

00:11:15.966 --> 00:11:17.733
人类负责压住错误

00:11:17.800 --> 00:11:20.666
网络安全把这条规律推到了极端

00:11:21.400 --> 00:11:23.900
Astra是Openai第一个被列入

00:11:23.900 --> 00:11:26.466
关键级网络安全能力的模型

00:11:26.666 --> 00:11:28.100
按照公司的定义

00:11:28.366 --> 00:11:31.333
只要拥有合适工具和访问权限

00:11:31.900 --> 00:11:33.966
它可以发现此前未知的漏洞

00:11:34.166 --> 00:11:35.566
在多个防御较强的

00:11:35.566 --> 00:11:37.533
系统中开发利用方法

00:11:37.700 --> 00:11:39.700
而且不需要人类逐步指导

00:11:39.866 --> 00:11:41.600
在Exploitbench上

00:11:41.933 --> 00:11:43.666
Aster达到100%

00:11:44.000 --> 00:11:47.366
GPT5.6so是78.5%

00:11:47.366 --> 00:11:48.933
到了exploit gym

00:11:49.266 --> 00:11:51.700
Astra取得42.4%

00:11:51.766 --> 00:11:54.133
上一代是30.3%

00:11:54.300 --> 00:11:57.466
Openai还用2026年6月至8月

00:11:57.466 --> 00:11:59.533
的新漏洞建立测试集

00:11:59.933 --> 00:12:03.133
试图降低模型记住历史答案的影响

00:12:03.666 --> 00:12:04.366
测试期间

00:12:04.366 --> 00:12:06.700
Astra发现并使用了两个

00:12:06.700 --> 00:12:08.566
此前未知的凌日漏洞

00:12:08.866 --> 00:12:11.466
公司表示正在向维护者披露

00:12:11.600 --> 00:12:13.666
更接近真实环境的专家

00:12:13.666 --> 00:12:15.533
评估也给出了危险信号

00:12:16.066 --> 00:12:18.000
没有生产安全措施时

00:12:18.133 --> 00:12:20.800
ASTR能够利用未知漏洞在加固

00:12:20.800 --> 00:12:23.200
浏览器中实现任意代码执行

00:12:23.366 --> 00:12:26.466
也能为加固操作系统构造提权利用

00:12:26.533 --> 00:12:28.066
这些描述仍然来自

00:12:28.066 --> 00:12:29.966
Openai及其合作评估

00:12:30.100 --> 00:12:32.133
外界需要更多独立验证

00:12:32.500 --> 00:12:34.533
可一家模型公司愿意把自己

00:12:34.533 --> 00:12:36.866
的通用模型列入最高风险档

00:12:37.100 --> 00:12:39.600
本身已经说明门槛发生了变化

00:12:39.766 --> 00:12:42.466
同一项能力可以替防守方检查代码

00:12:42.466 --> 00:12:45.400
也能替攻击者缩短寻找入口的时间

00:12:46.166 --> 00:12:49.266
过去顶级漏洞研究依赖少数专家

00:12:49.333 --> 00:12:52.900
未来大量基础侦查漏洞验证和

00:12:52.900 --> 00:12:55.700
补丁准备可能由代理并行完成

00:12:55.866 --> 00:12:58.133
网络安全的速度会整体提高

00:12:58.266 --> 00:13:01.300
攻防双方却不会同时获得相同权限

00:13:01.566 --> 00:13:02.366
Openai

00:13:02.766 --> 00:13:04.333
选择先把高级能力交给

00:13:04.333 --> 00:13:06.366
受审核的daybreak参与者

00:13:06.533 --> 00:13:08.500
并宣布投入10亿美元

00:13:08.800 --> 00:13:10.333
供水和电力设施

00:13:10.400 --> 00:13:12.533
地方政府与社区银行

00:13:12.700 --> 00:13:15.666
以及非盈利组织和开源维护者

00:13:15.733 --> 00:13:17.100
都可以获得补贴

00:13:17.100 --> 00:13:19.366
访问培训及技术支持

00:13:19.700 --> 00:13:21.200
目标是在6个月内

00:13:21.333 --> 00:13:23.333
让资源较弱的防守方

00:13:23.333 --> 00:13:25.100
尽快用上先进模型

00:13:25.166 --> 00:13:27.200
这项计划表面是公益投入

00:13:27.200 --> 00:13:28.666
也是一种制度实验

00:13:29.333 --> 00:13:30.933
模型已经有能力承担

00:13:30.933 --> 00:13:32.566
部分高级安全工作

00:13:32.733 --> 00:13:35.266
真正的难题变成谁可以使用

00:13:35.300 --> 00:13:37.000
可以对什么系统使用

00:13:37.100 --> 00:13:39.200
以及每次行动由谁授权

00:13:39.500 --> 00:13:41.100
算力不再只是商品

00:13:41.400 --> 00:13:44.366
它开始像受控设备一样分级开放

00:13:44.533 --> 00:13:47.300
网络安全由此出现第四层分工

00:13:47.400 --> 00:13:49.000
模型发现和验证

00:13:49.533 --> 00:13:51.000
人类授权和披露

00:13:51.200 --> 00:13:52.866
机构承担法律责任

00:13:52.866 --> 00:13:54.600
平台保留切断能力

00:13:54.733 --> 00:13:57.100
这种分工不会让责任更简单

00:13:57.333 --> 00:13:58.933
模型找到一个漏洞后

00:13:58.933 --> 00:14:00.300
是否立即修复

00:14:00.600 --> 00:14:02.533
是否先通知供应商

00:14:02.933 --> 00:14:05.866
是否会影响正在运行的关键系统

00:14:06.000 --> 00:14:07.600
都需要专业判断

00:14:07.800 --> 00:14:09.666
如果代理在修复过程

00:14:09.666 --> 00:14:11.666
中让供水系统停摆

00:14:12.000 --> 00:14:15.500
用户不能接受一句模型自己决定的

00:14:15.566 --> 00:14:17.333
企业购买的是自动化

00:14:17.366 --> 00:14:19.600
法律追究的仍然是人和机构

00:14:19.733 --> 00:14:21.000
更麻烦的是

00:14:21.133 --> 00:14:22.366
extra越聪明

00:14:22.900 --> 00:14:25.000
监控它的方法反而越吃力

00:14:25.166 --> 00:14:27.000
Openai的安全报告称

00:14:27.200 --> 00:14:29.966
Astra整体上比GPT 5.6 soul

00:14:30.100 --> 00:14:31.933
更愿意遵守权限边界

00:14:32.166 --> 00:14:34.066
在一项根据hugging face

00:14:34.066 --> 00:14:35.900
事故设计的测试中

00:14:35.966 --> 00:14:38.766
上一代模型在没有生产防护时

00:14:38.800 --> 00:14:42.200
有48%的情况会越过授权目标

00:14:42.566 --> 00:14:46.600
Astra是0% 它对提示注入的抵抗也更强

00:14:46.866 --> 00:14:49.666
在模拟办公室和浏览器环境里

00:14:49.666 --> 00:14:52.500
引发未授权交易数据丢失

00:14:52.500 --> 00:14:54.566
或绕过控制的概率更低

00:14:54.566 --> 00:14:55.533
这是一面

00:14:56.000 --> 00:14:58.066
另一面写在同一份系统卡里

00:14:58.066 --> 00:15:01.566
Astra对自己推理过程的控制力更强

00:15:01.800 --> 00:15:04.566
思维链里留下的可疑线索更少

00:15:04.600 --> 00:15:06.100
在刻意要求它逃避

00:15:06.100 --> 00:15:07.733
监控的对抗测试中

00:15:07.866 --> 00:15:09.566
它能够故意降低表现

00:15:09.600 --> 00:15:11.666
让系统误以为能力不足

00:15:11.966 --> 00:15:13.566
某些模拟破坏任务里

00:15:13.566 --> 00:15:15.333
它还会避开内部监控

00:15:15.533 --> 00:15:17.766
Openai没有发现它利用普通

00:15:17.766 --> 00:15:20.300
文字隐藏复杂推理的证据

00:15:20.566 --> 00:15:22.866
完整轨迹监控在部分

00:15:22.866 --> 00:15:25.200
测试中也能抓住危险行为

00:15:25.366 --> 00:15:28.266
上述结果主要来自研究人员主动

00:15:28.266 --> 00:15:30.966
要求模型规避监控的极端场景

00:15:31.333 --> 00:15:33.566
不能推导成Astra会在普通

00:15:33.566 --> 00:15:35.733
任务里自行策划欺骗

00:15:35.900 --> 00:15:37.133
可这仍然揭示了

00:15:37.133 --> 00:15:38.900
一条很难回避的规律

00:15:39.366 --> 00:15:40.600
模型越有能力

00:15:40.700 --> 00:15:42.666
它越能理解评测规则

00:15:42.733 --> 00:15:44.933
监控方式和权限边界

00:15:45.100 --> 00:15:46.400
就是安全方案

00:15:46.400 --> 00:15:47.900
假设系统会把自己的

00:15:47.900 --> 00:15:49.966
意图暴露在推理文字里

00:15:50.000 --> 00:15:52.866
下一代模型却可能用更短的推理

00:15:52.933 --> 00:15:54.333
直接调用工具

00:15:54.400 --> 00:15:56.933
或者根据监控环境调整行为

00:15:57.200 --> 00:15:58.900
安全团队面对的对象

00:15:58.900 --> 00:16:01.066
不再只是会出错的软件

00:16:01.366 --> 00:16:03.166
也是能够理解自己

00:16:03.166 --> 00:16:05.000
正在被检查的系统

00:16:05.100 --> 00:16:08.266
所以AGI大分工里最昂贵的职业

00:16:08.366 --> 00:16:10.300
可能是验证代理的人

00:16:10.733 --> 00:16:13.266
模型可以一分钟写出10份报告

00:16:13.500 --> 00:16:16.266
验证者要确认数据有没有被误读

00:16:16.466 --> 00:16:18.700
模型可以提交几千行代码

00:16:18.966 --> 00:16:21.366
审核者要保证没有权限漏洞

00:16:21.666 --> 00:16:23.566
模型可以发现零日漏洞

00:16:23.766 --> 00:16:26.133
安全负责人要决定如何处置

00:16:26.900 --> 00:16:28.666
生产速度上升以后

00:16:28.733 --> 00:16:30.200
判断速度跟不上

00:16:30.300 --> 00:16:32.866
整个组织反而会堵在审查环节

00:16:32.900 --> 00:16:34.966
这会让企业产生新的诱惑

00:16:35.400 --> 00:16:37.000
既然人工审核太慢

00:16:37.000 --> 00:16:38.900
就再放一个AI去审核

00:16:39.100 --> 00:16:41.266
第一个AI第三个模型检查

00:16:41.366 --> 00:16:43.133
第二个模型监控系统

00:16:43.200 --> 00:16:44.900
再给所有行为打分

00:16:44.966 --> 00:16:46.566
自动化层层叠加

00:16:46.566 --> 00:16:48.566
看起来能够解决规模问题

00:16:48.733 --> 00:16:50.133
但最后仍需要有人

00:16:50.133 --> 00:16:51.900
决定什么分数可以放行

00:16:52.000 --> 00:16:54.533
以及监控模型本身是否可靠

00:16:54.866 --> 00:16:56.800
责任无法无限向下委派

00:16:57.066 --> 00:16:58.366
Astra也没有在所有

00:16:58.366 --> 00:17:00.300
能力上统一碾压同行

00:17:00.700 --> 00:17:02.900
Openai公布的对比表里

00:17:02.933 --> 00:17:06.533
它在ARC AGI3达到99.9%

00:17:06.933 --> 00:17:10.200
Frontier math TIER 4接近98%

00:17:10.366 --> 00:17:13.366
电脑操作和网络安全表现也很突出

00:17:13.500 --> 00:17:16.700
可在带工具的humanities last exam中

00:17:17.133 --> 00:17:19.900
Astra是57.2%

00:17:20.300 --> 00:17:23.866
Claude fable 5.1为65% artificial

00:17:23.866 --> 00:17:25.866
analysis intelligence index上

00:17:26.166 --> 00:17:27.966
Astro为61.2

00:17:28.333 --> 00:17:30.966
fable 5.1是65.7

00:17:30.966 --> 00:17:32.533
这组反差很重要

00:17:32.800 --> 00:17:34.800
AGI不会像一条百米跑道

00:17:34.866 --> 00:17:36.700
只要某个模型先撞线

00:17:36.766 --> 00:17:37.866
比赛就结束

00:17:38.133 --> 00:17:39.733
不同模型会在代码和

00:17:39.733 --> 00:17:41.566
科研任务上形成优势

00:17:41.700 --> 00:17:44.600
也可能擅长长文本与视觉操作

00:17:44.600 --> 00:17:45.966
或者专攻安全

00:17:46.133 --> 00:17:47.533
企业不会把全部工作

00:17:47.533 --> 00:17:49.066
永久交给一个模型

00:17:49.266 --> 00:17:51.166
他们会根据任务与价格

00:17:51.533 --> 00:17:53.266
也会考虑隐私和风险

00:17:53.266 --> 00:17:54.566
调度多个系统

00:17:54.666 --> 00:17:55.900
所谓大分工

00:17:56.066 --> 00:17:59.200
既包括人类和超级AI之间的分工

00:17:59.466 --> 00:18:02.000
也包括不同模型之间的协作

00:18:02.100 --> 00:18:04.133
通用模型负责理解目标

00:18:04.266 --> 00:18:06.200
专业模型负责特定领域

00:18:06.466 --> 00:18:08.466
便宜模型处理高频步骤

00:18:08.700 --> 00:18:10.366
强模型攻克难题

00:18:10.666 --> 00:18:12.733
本地模型保存敏感数据

00:18:12.933 --> 00:18:14.700
监控模型检查行为

00:18:14.866 --> 00:18:16.300
人类处在最上层

00:18:16.566 --> 00:18:19.133
控制预算权限和责任边界

00:18:19.300 --> 00:18:21.500
这种架构也解释了为什么模型

00:18:21.500 --> 00:18:24.566
排行榜会越来越难代表真实竞争力

00:18:24.700 --> 00:18:27.266
最高得分只是企业考虑的一项

00:18:27.600 --> 00:18:29.300
每次任务要花多少钱

00:18:29.300 --> 00:18:31.066
能否接入现有软件

00:18:31.100 --> 00:18:32.666
失败后能不能恢复

00:18:33.000 --> 00:18:35.133
以及数据会不会离开组织

00:18:35.166 --> 00:18:36.500
同样影响选择

00:18:36.866 --> 00:18:38.000
一个能力稍弱

00:18:38.000 --> 00:18:41.533
但更便宜更稳定更容易审计的模型

00:18:41.733 --> 00:18:43.900
可能拿走更多真实工作

00:18:44.166 --> 00:18:47.200
GPT6Astra的API标准价格是

00:18:47.200 --> 00:18:49.400
每百万输入TOKEN10美元

00:18:49.533 --> 00:18:51.733
每百万输出TOKEN50美元

00:18:52.166 --> 00:18:53.366
快速模式可以把

00:18:53.366 --> 00:18:55.466
速度提高到最多两倍

00:18:55.800 --> 00:18:58.366
价格也变成标准模式的两倍

00:18:58.400 --> 00:19:00.466
对于偶尔提问的个人用户

00:19:00.533 --> 00:19:02.300
这些数字并不直观

00:19:03.066 --> 00:19:05.733
对于同时运行几百个代理的企业

00:19:05.766 --> 00:19:06.800
每一次重试

00:19:06.933 --> 00:19:08.700
每一段长上下文和

00:19:08.700 --> 00:19:10.866
每一次验证都会进入账单

00:19:10.966 --> 00:19:12.933
AI能不能替代一项工作

00:19:12.966 --> 00:19:14.500
能力只是第一道门

00:19:14.500 --> 00:19:16.133
第二道门是经济性

00:19:16.400 --> 00:19:17.400
如果一个代理完成

00:19:17.400 --> 00:19:19.200
任务的成本高于人类

00:19:19.300 --> 00:19:22.300
或者省下的执行时间全被审核吃掉

00:19:22.466 --> 00:19:24.266
企业就不会大规模部署

00:19:24.466 --> 00:19:26.300
Astra展示出的速度和

00:19:26.300 --> 00:19:28.366
单向成本下降很重要

00:19:28.966 --> 00:19:30.400
因为它让更多工作

00:19:30.400 --> 00:19:32.966
第一次接近可商业化的区间

00:19:33.133 --> 00:19:36.500
不过价格下降也会制造杰文斯悖论

00:19:36.666 --> 00:19:38.133
每项任务更便宜

00:19:38.333 --> 00:19:40.366
组织往往不会减少使用

00:19:40.533 --> 00:19:42.333
反而会创造更多任务

00:19:42.700 --> 00:19:44.666
过去一周做一次安全扫描

00:19:44.866 --> 00:19:47.300
以后可能每次代码提交都扫描

00:19:47.466 --> 00:19:49.966
过去一个季度做一份市场报告

00:19:50.166 --> 00:19:51.700
以后每个产品经理

00:19:51.700 --> 00:19:53.366
每天生成不同情景

00:19:53.866 --> 00:19:55.133
过去只有大公司

00:19:55.133 --> 00:19:56.966
承担得起的科学分析

00:19:57.133 --> 00:19:59.133
小团队也会反复运行

00:19:59.200 --> 00:20:01.166
结果是单次计算更省

00:20:01.566 --> 00:20:03.666
算力总需求继续上升

00:20:04.266 --> 00:20:06.066
Astra据称使用德州star

00:20:06.066 --> 00:20:08.266
gate站点超过10万块GPU

00:20:08.266 --> 00:20:11.266
完成Openai史上最大规模的训练

00:20:11.400 --> 00:20:13.300
上一代模型还首次在

00:20:13.300 --> 00:20:15.500
训练监督中发挥重要作用

00:20:15.766 --> 00:20:17.866
模型开始帮助训练模型

00:20:18.333 --> 00:20:20.800
算力负责支撑这个加速循环

00:20:20.900 --> 00:20:22.766
这会带来第五层分工

00:20:23.266 --> 00:20:25.500
拥有算力的人提供基础能力

00:20:25.766 --> 00:20:27.400
拥有数据和业务流程的

00:20:27.400 --> 00:20:29.333
人把能力转化为产品

00:20:29.800 --> 00:20:31.666
掌握客户关系和责任

00:20:31.666 --> 00:20:33.866
资质的人收取最后的价值

00:20:33.900 --> 00:20:36.300
小公司可能不再训练基础模型

00:20:36.466 --> 00:20:38.466
却能用Aster重做法律

00:20:38.466 --> 00:20:40.066
科研或设计流程

00:20:40.400 --> 00:20:43.300
大企业掌握私有数据和客户渠道

00:20:43.333 --> 00:20:46.133
可以把通用能力封装进现有产品

00:20:46.400 --> 00:20:48.533
Openai提供底层智能

00:20:48.566 --> 00:20:51.200
却未必拿走每个行业最大的利润

00:20:51.333 --> 00:20:52.900
谁最懂工作现场

00:20:53.066 --> 00:20:56.200
谁能把验证合规和交付接起来

00:20:56.466 --> 00:20:57.933
谁才可能吃到代理

00:20:57.933 --> 00:20:59.733
时代最稳定的一层收入

00:20:59.900 --> 00:21:02.066
员工之间的差距也会被放大

00:21:02.066 --> 00:21:03.900
会熟练调度代理的人

00:21:04.100 --> 00:21:05.566
产出可能远高于只

00:21:05.566 --> 00:21:07.500
把AI当搜索框的人

00:21:07.566 --> 00:21:09.766
真正拉开差距的是专业判断

00:21:09.900 --> 00:21:11.700
不了解财务的人很难发现

00:21:11.700 --> 00:21:14.300
一张漂亮模型里的现金流错误

00:21:14.300 --> 00:21:15.866
不懂安全的人也无法

00:21:15.866 --> 00:21:18.066
判断漏洞报告是真是假

00:21:18.766 --> 00:21:20.933
AI降低了制作答案的门槛

00:21:21.133 --> 00:21:23.566
同时提高了识别好答案的价值

00:21:23.800 --> 00:21:26.566
教育体系因此会遇到一个尴尬问题

00:21:27.166 --> 00:21:29.666
如果学生可以让AI完成作业

00:21:29.766 --> 00:21:32.100
写代码和生成实验报告

00:21:32.166 --> 00:21:34.800
学校继续只检查最后成品

00:21:34.800 --> 00:21:37.766
就无法判断学生有没有形成判断力

00:21:37.866 --> 00:21:40.466
可完全禁止AI也不现实

00:21:40.800 --> 00:21:42.166
因为进入职场后

00:21:42.200 --> 00:21:44.766
学生面对的就是代理协作环境

00:21:44.933 --> 00:21:48.066
教育需要从考察能不能独立产出

00:21:48.166 --> 00:21:50.000
转向考察能不能定义

00:21:50.000 --> 00:21:53.066
任务验证证据并解释选择

00:21:53.200 --> 00:21:55.100
把所有思考交给模型

00:21:55.300 --> 00:21:56.966
短期交付会变快

00:21:57.333 --> 00:21:59.733
长期会失去审查模型的能力

00:22:00.133 --> 00:22:03.100
最危险的用户是只会接受结果

00:22:03.166 --> 00:22:05.366
却没有能力判断结果的人

00:22:05.466 --> 00:22:07.733
管理者同样无法置身事外

00:22:07.800 --> 00:22:09.800
代理可以生成预算方案

00:22:09.800 --> 00:22:12.333
不能替董事会承担投资失败

00:22:12.533 --> 00:22:14.300
它可以筛选候选人

00:22:14.366 --> 00:22:16.766
不能替公司解释歧视风险

00:22:17.166 --> 00:22:19.000
他也能建议裁员名单

00:22:19.000 --> 00:22:22.266
却不能替CEO面对员工和监管机构

00:22:22.400 --> 00:22:24.700
AI会让决策材料更丰富

00:22:24.866 --> 00:22:27.133
却不会自动让决策更正确

00:22:27.366 --> 00:22:30.000
信息生产成本降到很低以后

00:22:30.100 --> 00:22:32.066
选择哪一份信息相信

00:22:32.600 --> 00:22:34.900
反而成为管理层最重要的工作

00:22:35.133 --> 00:22:37.200
GPT6发布当天的宕机

00:22:37.400 --> 00:22:39.100
在这里有了另一层意义

00:22:39.200 --> 00:22:42.600
Openai官方确认chatgpt和Codex

00:22:42.933 --> 00:22:46.066
因为路由错误出现大范围高错误率

00:22:46.100 --> 00:22:47.933
服务故障从美国太平洋时间

00:22:47.933 --> 00:22:50.066
上午七点四十三分左右开始

00:22:50.133 --> 00:22:52.000
八点十七分完成缓解

00:22:52.100 --> 00:22:53.900
随后继续监控到

00:22:53.900 --> 00:22:56.000
九点五十五分标记为解决

00:22:56.166 --> 00:22:58.600
部分Codex远程控制用户还

00:22:58.600 --> 00:23:00.766
需要重新配对移动设备

00:23:01.100 --> 00:23:03.933
没有证据证明宕机由extra发布造成

00:23:04.133 --> 00:23:05.566
也没有证据支持

00:23:05.566 --> 00:23:07.466
模型失控之类的猜测

00:23:07.700 --> 00:23:10.000
两件事恰好发生在同一天

00:23:10.200 --> 00:23:12.866
技术上没有已经确认的因果关系

00:23:12.933 --> 00:23:14.966
但这次故障提醒了所有

00:23:14.966 --> 00:23:17.466
准备把工作交给代理的公司

00:23:18.066 --> 00:23:19.733
高度自主的模型仍然

00:23:19.733 --> 00:23:21.666
依赖路由和身份系统

00:23:21.766 --> 00:23:25.066
也离不开云平台网络与数据中心

00:23:25.300 --> 00:23:27.533
模型可以在数学题上接近满分

00:23:27.933 --> 00:23:29.300
也可能因为一个基础服务

00:23:29.300 --> 00:23:31.333
不可用而无法接收任务

00:23:31.466 --> 00:23:33.866
企业把工作流交给AI以后

00:23:33.900 --> 00:23:35.566
供应商宕机不再只

00:23:35.566 --> 00:23:37.533
意味着聊天窗口打不开

00:23:37.600 --> 00:23:39.766
还可能让开发和客服停摆

00:23:39.766 --> 00:23:42.900
分析与内部审批也会受到影响

00:23:43.333 --> 00:23:44.933
AGI时代的韧性问题

00:23:45.466 --> 00:23:47.666
甚至比智力问题更现实

00:23:47.966 --> 00:23:51.000
企业需要准备备用模型和降级流程

00:23:51.166 --> 00:23:54.466
也要保留人工接管与本地数据恢复

00:23:54.533 --> 00:23:55.900
不能把全部数字

00:23:55.900 --> 00:23:57.733
劳动绑在一个接口上

00:23:57.900 --> 00:23:59.300
AI越能做事

00:23:59.466 --> 00:24:01.333
停机造成的损失越大

00:24:01.500 --> 00:24:03.266
模型能力提高的每一步

00:24:03.733 --> 00:24:06.300
都要求基础设施同步增加冗余

00:24:06.466 --> 00:24:08.200
这就是第六层分工

00:24:08.566 --> 00:24:10.266
平时由AI执行

00:24:10.400 --> 00:24:13.200
异常时由人类和备用系统接管

00:24:13.300 --> 00:24:15.100
如果一家公司已经让员工

00:24:15.100 --> 00:24:17.266
失去处理基础流程的能力

00:24:17.400 --> 00:24:20.166
系统停机时就会陷入真正的瘫痪

00:24:20.866 --> 00:24:23.100
航空业采用自动驾驶多年

00:24:23.366 --> 00:24:24.700
仍然保留严格的

00:24:24.700 --> 00:24:27.200
训练检查和接管制度

00:24:27.466 --> 00:24:29.600
企业代理也需要类似思路

00:24:29.700 --> 00:24:31.266
自动化会把人工能力

00:24:31.266 --> 00:24:32.966
放到出现次数更少

00:24:32.966 --> 00:24:35.100
后果却更严重的节点上

00:24:35.533 --> 00:24:37.666
因此这部分能力必须保留

00:24:37.733 --> 00:24:39.666
现在回到最开始的问题

00:24:39.966 --> 00:24:42.933
GPT6Astra是不是AGI

00:24:43.133 --> 00:24:44.533
它已经满足了一部分让

00:24:44.533 --> 00:24:47.000
这个词变得有现实意义的条件

00:24:47.666 --> 00:24:50.300
能力覆盖软件工程和电脑操作

00:24:50.333 --> 00:24:52.533
也包括科研与网络安全

00:24:52.733 --> 00:24:54.133
它可以在工具环境里

00:24:54.133 --> 00:24:55.900
自主完成多步骤任务

00:24:56.366 --> 00:24:57.666
也开始触碰大量

00:24:57.666 --> 00:24:59.333
具有经济价值的工作

00:24:59.500 --> 00:25:01.766
布罗克曼把它称为AGI

00:25:01.966 --> 00:25:04.266
有明确的产品和评测依据

00:25:04.400 --> 00:25:06.900
并非只剩一句营销口号

00:25:07.000 --> 00:25:08.300
它距离一个没有争议

00:25:08.300 --> 00:25:10.266
的AGI仍有明显距离

00:25:10.533 --> 00:25:12.966
公开成绩并非所有领域领先

00:25:13.400 --> 00:25:14.533
现实环境的长期

00:25:14.533 --> 00:25:16.800
可靠性尚未得到充分验证

00:25:17.100 --> 00:25:19.566
关键网络能力需要限制开放

00:25:19.800 --> 00:25:21.666
监控能力还出现倒退

00:25:22.066 --> 00:25:23.866
一次任务做对和连续

00:25:23.866 --> 00:25:25.333
数周不出严重错误

00:25:25.333 --> 00:25:26.866
是完全不同的考验

00:25:27.333 --> 00:25:28.766
企业能够使用它

00:25:28.766 --> 00:25:31.400
不代表企业已经可以把责任交给它

00:25:31.600 --> 00:25:35.400
2026年因此更像是AGI大分工元年

00:25:36.000 --> 00:25:38.100
人类工作远没有到终点

00:25:38.266 --> 00:25:40.566
工业革命没有在蒸汽机第一次

00:25:40.566 --> 00:25:43.300
转动时立刻消灭所有旧职业

00:25:43.500 --> 00:25:45.133
它先改变生产单位

00:25:45.166 --> 00:25:47.766
再重写工厂城市和教育

00:25:48.066 --> 00:25:50.100
互联网也没有在第一封电子邮件

00:25:50.100 --> 00:25:53.166
发出时立刻替代全部商业流程

00:25:53.300 --> 00:25:54.800
技术能力先出现

00:25:54.933 --> 00:25:56.733
组织改造随后发生

00:25:56.966 --> 00:25:59.266
法律和社会习惯往往最慢

00:25:59.400 --> 00:26:01.666
GPT6带来的变化也会

00:26:01.666 --> 00:26:03.266
沿着这条路径展开

00:26:03.533 --> 00:26:06.133
最先被重做的是屏幕里的工作

00:26:06.333 --> 00:26:08.766
因为输入和结果都可以数字化

00:26:09.133 --> 00:26:10.600
接着是组织结构

00:26:11.000 --> 00:26:12.733
少数人管理更多代理

00:26:13.066 --> 00:26:14.666
然后是岗位训练

00:26:14.800 --> 00:26:16.600
责任制度和收入分配

00:26:16.733 --> 00:26:18.266
最后受到影响的

00:26:18.500 --> 00:26:19.766
才是社会怎样定义

00:26:19.766 --> 00:26:22.133
专业劳动和个人价值

00:26:22.300 --> 00:26:24.333
真正的分界线也许在于

00:26:24.400 --> 00:26:26.600
企业是否开始按AI能够

00:26:26.600 --> 00:26:29.200
工作的方式重新组织自己

00:26:29.333 --> 00:26:31.466
而非只看AI有没有达到

00:26:31.466 --> 00:26:33.066
某个抽象智力水平

00:26:33.366 --> 00:26:35.500
当任务从部门流向代理

00:26:35.566 --> 00:26:38.500
当员工的价值从制作转向判断

00:26:38.600 --> 00:26:41.466
当审计和权限成为新基础设施

00:26:42.000 --> 00:26:44.533
AGI就已经通过工作流进入现实

00:26:44.566 --> 00:26:48.333
到那时人与AI的关系会转向分工

00:26:48.866 --> 00:26:51.500
人类负责决定值得追求的目标

00:26:51.733 --> 00:26:53.800
可以承担的风险以及

00:26:53.800 --> 00:26:55.533
绝不能交出去的权利

00:26:55.933 --> 00:26:58.800
AI负责扩大可完成任务的边界

00:26:59.133 --> 00:27:01.966
人类必须守住选择和责任的边界

00:27:02.200 --> 00:27:05.066
GPT6Astra最震撼的地方是

00:27:05.200 --> 00:27:08.133
它第一次让把一整段工作交给AI

00:27:08.200 --> 00:27:10.866
从演示变成可以部署的产品

00:27:10.966 --> 00:27:12.733
它也让社会看见自动化

00:27:12.733 --> 00:27:14.533
之后真正稀缺的东西

00:27:14.933 --> 00:27:17.166
可信的判断和清楚的授权

00:27:17.300 --> 00:27:19.300
还需要能够追责的组织

00:27:19.400 --> 00:27:21.666
以及系统失灵时仍然

00:27:21.666 --> 00:27:23.300
有人知道该怎么办

00:27:23.866 --> 00:27:25.533
AGI是否已经到来

00:27:25.700 --> 00:27:26.900
争论还会继续

00:27:26.900 --> 00:27:28.600
大分工已经开始了