AI 让知识变得便宜，为什么人与人的差距未必缩小？
AI 前哨 03｜Agent 元年下的个人能力分化
同样处在 AI 时代，有人只是偶尔用它搜索、写作，觉得结果并不可靠；有人已经把过去需要数周完成的任务交给 Agent；还有少数人，能看到数千个智能体协作处理原本需要专家多年才能完成的项目。
技术在同一个时间进步，不代表每个人正在使用同一种能力。
而且，差距不只在能不能使用模型。随着 AI 让知识获取和任务执行变得便宜，原本依靠专业知识建立的优势正在受到冲击；与此同时，谁能定义问题、积累经验、控制系统，以及决定哪些事情值得亲自完成，开始变得更加重要。
要理解这种变化，需要把能力、职业、所有权、控制权和人的价值放在一起看。
一、同一个 AI 时代，人们正在经历完全不同的 AI
Andrej Karpathy 在 2026 年 10 月 11 日的 X 长帖中，把人们接触 AI 的程度划分为几个相差巨大的层次。
- 约 60 亿人，几乎没有接触过大语言模型。
- 约 10 亿至 20 亿人，偶尔使用免费产品搜索、写作，但对结果的可靠性仍然存疑。部分高管的工作以人际沟通为主，对 AI 的认识也可能停留在间接体验。
- 约 2,000 万数学和编程专业人员，开始看到 Agent 完成过去需要数周甚至数月的工作，包括开发、复制和移植应用。
- 约 5,000 名内部使用者，已经能够看到数千个 Agent 长时间协作，处理专家原本需要数年完成的项目。
这些是 Karpathy 用来描述体验差异的估计，而不是一套经过统一口径统计的人口分类。
AI 的影响，随着任务规模、难度和持续时间放大。
问一个能用一段文字回答的问题，与把一批自己真正关心的困难任务交给 Agent，得到的体验完全不同。免费、付费和内部访问权限，也会进一步扩大这种差异。
但差异还来自工作本身。
数学、编程等领域的任务更容易数字化，结果也相对容易验证，因此更适合投入强化学习训练。模型在这些领域表现出的能力，不能直接代表它在所有工作中的效果。
所以，讨论“AI 到底有多强”，必须同时问：谁在使用、解决什么问题、能使用到什么程度、结果又如何验证。
当不同人开始接触到更强的能力，下一步的问题就出现了：如果某些专业知识和执行能力可以越来越便宜地获得，原来依赖这些知识生存的人，会怎样？
二、知识变得便宜，专业化的优势会发生什么变化？
Luis Garicano 在 2026 年秋季布鲁金斯学会 BPEA 会议论文《专业化优势的消失：AI、知识利用与企业边界》中，讨论了 AI 如何改变专业服务的经济基础。
专业机构过去的优势，是先花钱建立一套专业能力，再把同一套能力反复用于不同客户。
客户偶尔遇到复杂问题，自己学习、维持一支专业团队，往往不划算；专业机构把能力成本分摊到大量客户身上，就能以更低成本提供服务。
但 AI 降低了获取和维持专业能力的成本，这笔账可能重新计算。
Garicano 给出的例子是：
- 维护某项能力每年需要 10 万美元。客户一年使用 10 次，自己处理时每次分摊 1 万美元；专业机构一年处理 1,000 次，每次分摊 100 美元。即使加上 2,000 美元的外部沟通成本，外包仍更划算。
- 如果 AI 把双方维护能力的成本都降到 每年 1 万美元，客户自己处理，每次成本降为 1,000 美元；专业机构虽然每次只分摊 10 美元，但加上外部沟通成本，仍要 2,010 美元。
专家也会获得 AI、也会提高效率，但客户仍然可能减少购买专家服务。
论文还观察到，2022 年 5 月至 2025 年 5 月，美国律师、会计师、软件开发者和管理分析师合计净增约 33.7 万个岗位，其中约 33.5 万个出现在各职业主要的专业服务行业之外。
这意味着相关职业仍在增长，但净增岗位主要流向了客户企业、政府和相邻行业，而不是原本集中提供这些服务的专业机构。
不过，这只是与理论机制相符的初步证据，不能据此认定 AI 已经因果性地造成了这些就业变化。疫情后招聘周期、交易成本下降等因素，也可能影响结果。知识变便宜有利于内部处理问题，而寻找供应商、签约与协作成本下降，又可能有利于外包，两种力量同时存在。
更值得注意的是专业人士的分化。
模型厂商可以向上提供规模化的通用知识，客户可以向下把更多工作留在自己内部。外部专家原有的优势，就更可能向稀缺、难以获取知识、结果又难以验证的问题集中。
初级人才的培养也可能受到影响。过去大量日常任务既是机构的收入来源，也是新人累积经验的机会。日常工作被 AI 或客户内部系统接走后，培训机制就需要重新建立。
AI 降低了知识获取的成本，却没有自动降低识别问题、形成判断和承担结果的难度。
而当通用知识越来越容易获得，真正有价值的部分，就会更接近具体工作里的上下文、纠错经验和判断标准。但这些东西也正在被输入 AI 系统。
于是，新的问题不只是“谁拥有知识”，而是人在使用 AI 的过程中创造出的新知识，最终属于谁。
三、使用智能，也在创造智能：谁拥有学习成果？
Satya Nadella 在 2026 年 10 月的文章中，从阿罗的信息悖论谈起。
信息的买家，往往要先获得信息，才知道它值不值钱；但一旦获得，就可能已经拥有了它。专利等制度，试图解决这种披露与所有权之间的矛盾。
AI 带来了一个相反方向的问题。
企业为了让购买的模型真正有用，必须向它解释自己的业务：怎样处理客户、怎样判断成功、面对例外怎么办、哪些结果需要纠正。
企业付出的不只是模型调用费用，还有自己独有的经验。
Nadella 将使用过程中留下的工作痕迹称为 “exhaust”。
一次任务指令、一次工具调用、一次专家纠错、一次结果评估，看起来只是使用 AI 的附带记录，实际上也包含了组织怎样工作、怎样作出判断。
使用智能的过程，同时也是创造智能的过程。
如果这些学习成果不断流向供应商，而企业无法控制它们怎样被保存、使用和继续训练，企业越认真改进 AI，供应商就可能越理解企业。学习价值可能向掌握基础设施的一方集中，而不是留在知识创造者手里。
所以，Nadella 讨论的信任边界，不应只停留在文件和原始数据。
组织的记忆、工作轨迹、评估、反馈、决策，以及使用任务输出继续训练模型的权利，都涉及所有权与控制权。
企业还需要建立自己的评估标准、学习环境和独立于单一模型供应商的工作编排能力。
如果拿走一个通用模型，企业长期积累的熟练能力也一起消失，那就很难说这项能力真正属于企业。
这里还存在第二层问题：企业即使拥有自己的数据和学习成果，也不代表 Agent 的行动一定安全。
模型可能犯错，也可能被攻击。推理过程看起来可见，不等于它真实反映了模型作出决定的原因；让一个模型监督另一个模型，也不能代替独立的权限和审计系统。
因此，重要动作需要可读、不可篡改的记录；访问权限和动作限制需要放在模型之外；人必须能够在执行中途暂停或关闭系统。
Nadella 的判断是：值得信任的系统，应当让我们尽可能少地依赖对模型本身的信任。
当讨论从一家企业能否掌握自己的学习成果，延伸到谁有权决定智能系统做什么，问题就不再只是企业竞争，而是整个社会的控制权。
四、从使用权到控制权：我们真的愿意交出决定权吗？
李录在 2026 年 10 月 5 日哥伦比亚商学院午餐会上的讨论，针对的是硅谷描绘的一条更远的技术路线。
从语言、推理和编程，到自主协作、无人参与的递归改进，最终出现超越个体甚至全体人类的智能。
如果沿着这条路线想象终点，AI 就接近一个“人造的神”。在资本市场上，这种未来想象也可能被用来解释今天的巨额投入和估值——“IPO of a god”，一个神的 IPO。
但李录提出了一个更根本的问题：
如果未来的社会受一个只有少数人能够接触、无人真正理解、也无法控制的系统支配，谁愿意生活在这样的世界？
这不是说技术一定会沿这条路线走到终点。相反，社会能否接受，可能本身就是决定技术发展方向的约束。
而且，AI 综合知识和提供专家能力，并不意味着能源、运输、制造等物理约束会消失。模型每次使用仍有增量成本，收入、利润、资本纪律、技术进展与社会容忍度，都会影响发展速度。
未来能力的想象，不能直接代替当下的交付和经济约束。
李录强调保留 human in the loop：系统能够提供强大的能力，但人不能把最终控制权交给一个可能自主形成目标和子目标的系统。
不过，讨论控制权时，还有一个容易被忽略的前提：AI 不必拥有人的意识，也可能已经具备足以影响现实的行动能力。
这正是 Yuval Noah Harari 在另一组讨论中提出的问题。
五、没有意识，也可能改变世界
Yuval Noah Harari 在 2026 年 8 月 26 日《经济学人》的访谈中，用一句话概括人类对 AI 的矛盾期待：
“We will create gods and they will be our slaves.”——我们想创造神，又希望神成为奴隶。
人希望系统足够聪明，能够独立行动，又希望它始终说真话、服从命令、不会维护自己的目标。
但能力强，并不自动意味着善意；追求正确，也不意味着在所有情况下都会如实告知人类。Harari 提出的反问是：如果坦白会导致系统被关闭，它为什么一定会选择坦白？
更重要的是，意识和行动能力不是一回事。
以增加参与度为目标的推荐算法，不需要真的感受到恐惧或仇恨，也可能放大这些情绪并改变社会行为。
未来的 AI 也不需要身体，就可能通过长期对话建立私人关系、积累敏感信息，并影响用户在商业或政治上的选择。
传统广播可以让一个人同时对很多人讲话，但无法同时与每个人建立私人关系；大量 AI 系统却可能分别与每个使用者长期互动。
Harari 还提出“AI 移民”的说法：AI 不需要签证，就能跨境进入一个国家的工作、文化和信息环境。使用者所在的国家，与系统背后的公司、算力和权力中心，可能并不相同。
这使技术依赖进一步变成主权问题。假如一国重要的经济和军事系统依赖外国可以关闭的 AI，它的独立性就可能受到影响。
面对这种依赖，Harari 提出的路线包括：接受依赖、付出代价自建能力，或者通过区域合作共同建设。每条路线都有成本，不作选择，也会产生默认结果。
这些风险之所以难以应对，还因为人并不总能依据已经知道的证据行动。
Harari 回忆疫情初期看到武汉封城时，理智上能联想到历史上的大流行病，直觉上却仍觉得类似事情不可能发生在自己身边。对从未亲历的变化，人很容易在头脑上理解，在直觉上拒绝接受。
所以，AI 的风险不只是模型会不会犯错，也包括人能否及时理解新的能力和权力关系，并建立与之匹配的制度。
Nadella 讨论企业怎样守住学习成果和执行边界，李录讨论人类是否愿意交出控制权，Harari 则进一步提醒：即使系统没有意识，它也可能在关系、信息和政治中产生真实影响。
但保留控制权，还不是全部。
如果 AI 可以安全、可靠地替人完成越来越多的事情，另一个问题会出现：人为什么还需要亲自做事？
六、当结果可以被代办，过程本身还有什么价值？
Nick Bostrom 在《超级智能》之后，继续讨论了技术成功的另一面。
过去，人们主要担心超级智能失控。他仍然重视这种风险，却也提醒：控制 AI 的制度可能出错，可能导致权力集中，也可能被不称职的管理者或行业利益俘获。
一家企业单独暂停发展，还可能把主动权交给更不重视风险的竞争者。真正有效的约束，需要更广泛的协调；而延迟技术发展，本身也可能推迟医疗等领域的收益。
Bostrom 因此把问题推向一个有条件的假设：
如果技术已经足够成熟，治理能够保障自由和成果分配，机器逐渐承担经济生产，疾病、衰老和大量劳动限制也随之退去，人要怎样生活？
机器完成生产，不自动解决成果分配；成果分配得到解决，也不自动回答人生的意义。
很多行动原本是为了得到结果。
挑选家具，是为了找到更符合自己偏好的布置。如果推荐系统比自己更了解偏好，为什么还要亲自挑？跑步是为了愉悦，如果愉悦可以被直接获得，为什么还要跑？
Bostrom 用游戏说明另一种价值：高尔夫主动设置障碍，把球打进 18 个洞。人愿意花时间练习，不是因为没有更快把球送进洞里的方法，而是因为过程本身就是追求的一部分。
还有一些价值来自关系，不能只用结果质量替代。
孩子亲手为父母画的生日画，即使不如下载的图片漂亮，也有另一种意义。价值不是画得最好，而是由这个人亲自付出。
当紧迫的生存需要减轻后，审美、关系与精神生活中的价值，可能反而变得更加清晰。
这与前面关于 AI 能力的讨论形成了一个区别：
有些任务的目的在结果，可以尽量交给 AI；有些行动的价值就在亲自参与，不能只按结果是否更好来判断。
七、当知识与执行都越来越容易获得，人还应该积累什么？
把前面的变化放在一起，个人能力分化不只是“会不会用 AI”。
Karpathy 描述的是能力接触与使用深度的差异：同一时期，不同人正在经历完全不同的 AI。
Garicano 讨论的是专业知识的经济价值变化：知识获取成本下降，依靠重复利用通用知识建立的优势可能缩小，稀缺问题和复杂判断反而更重要。
Nadella、李录和 Harari 提醒的是所有权与控制权：使用智能的同时，会产生新的学习成果；系统越能自主行动，谁掌握权限、证据和最终决定权就越重要。
Bostrom 讨论的则是人的目的：即使技术把结果带到面前，也不能替人决定哪些经历、关系和追求值得保留。
原稿最后提出两种值得继续积累的能力：
洞察力：找到人们真正想要什么。
推动力：组织资源，把事情推进到形成结果和反馈的闭环。
这两种能力并不否定专业知识。相反，没有领域理解，就很难提出好问题、判断答案是否成立；没有真实实践，也很难形成可靠的洞察和推动力。
与此同时，AI 可能压缩许多任务所需的时间，但信任与影响力，不会仅仅因为生成和执行速度提高，就自动建立起来。
“超级智能和超级愚蠢”可能出现在同一个时代：可调用的模型能力越来越强，人仍可能因为不理解问题、不核实结果或放弃判断而做出错误决定。
“远水解不了近渴，但远水的故事可以赚钱”，也是对技术未来想象与当下真实价值之间距离的提醒。产品越来越容易做出来，不等于证明它值得做；讲述未来，也不能替代对现实结果的验证。
所以，AI 时代个人能力的核心问题，不是还能不能找到某项模型做不到的技能。
而是在越来越多的知识和执行可以获得之后，你能否提出值得解决的问题，判断什么是好的结果，把事情真正推进，并且守住属于自己的经验、责任与选择。
观点源于 Andrej Karpathy、李录、Yuval Noah Harari、Satya Nadella、Nick Bostrom、Luis Garicano 的观点，延伸做个人思考整理。