隨著AI技術快速的變化，近期我開始有一個感覺，「生成式 AI 真正改變的，並不只是工作效率，而是整個知識工作的價值結構。」
生成式 AI 出現後，我開始發現一件事情：【思考，正在快速變成一種廉價的基礎設施】。
過去需要數小時完成的資料統整，現在幾分鐘就能生成；過去需要多年訓練的結構化能力，如今任何人都能透過 Prompt 快速取得。AI 正在把大量原本稀缺的思考能力，變成一種可以大規模複製的商品。
當然，這樣的趨勢並不代表人類不再重要，而是說明：【競爭的位置，正在移動】。
過去，一個人是否具備研究能力、整理能力、寫作能力、分析能力，需要長時間訓練。但現在，一個剛接觸某領域的人，只要善用 AI，也能快速產出一份看起來相當完整的分析報告。
這意味著，未來市場上將充滿大量「水準以上」的內容。但問題也正在這裡，如果一個人的價值，只剩下整理資訊與生成內容，那麼 AI 遲早會比他更快、更便宜。
而 Alpha 則不同。Alpha 指的是「超越市場平均的額外價值」。它來自於更深的洞察、更前瞻的判斷，或者市場尚未看見的非共識觀點。
如果 Beta 代表的是：「大家都能做到的事」；那麼 Alpha 代表的就是：「只有少數人能看見的事」。
我認為，AI 正在快速降低取得 Beta 的門檻。但真正稀缺的 Alpha，反而開始從「思考能力」轉移到「理解能力」。
AI 天生傾向共識。
而真正的 Alpha，
往往來自非共識。
真正能創造超額價值的機會，通常不是那些已經被歷史驗證的答案，而是那些市場還沒有完全理解的變化。黑天鵝、產業轉折、地緣政治重組、技術典範轉移，這些事情的共同點，都是它們一開始並不符合主流敘事。
AI 可以幫助我更快閱讀世界，但它無法替我決定：
這句話幾乎點出了 AI 時代所有知識工作的本質轉變。因為所謂的 Thinking，本質上是資訊加工。它包含搜尋、整理、歸納、邏輯推導、結構化表達。這些事情高度規則化，也正是 AI 最擅長的部分。
但 Understanding 完全不同。理解不是把資訊串起來，而是理解資訊背後的意義。是你能不能看見：
因此，我開始意識到，未來真正重要的能力將是「如何定義問題」。
回答問題，就像是參與「填空」遊戲的人，在既有框架中尋找答案。但是，定義問題、找出隱藏規則的人，他們決定了：
過去，我們比的是誰更會思考。未來，我們競爭的將是：誰更能理解世界。
AI 會持續拉平思考能力的差距，讓大量知識與分析變得廉價而普及。但也正因如此，那些真正能看見本質、理解人性、定義問題、辨識訊號的人，反而會變得更加稀缺。
過去二十年，知識工作者販售的，本質上都是自己的思考能力。但 AI 第一次讓「思考」本身，開始失去稀缺性。
生成式 AI 出現後，我開始發現一件事情：【思考，正在快速變成一種廉價的基礎設施】。
過去需要數小時完成的資料統整，現在幾分鐘就能生成；過去需要多年訓練的結構化能力，如今任何人都能透過 Prompt 快速取得。AI 正在把大量原本稀缺的思考能力，變成一種可以大規模複製的商品。
當然，這樣的趨勢並不代表人類不再重要，而是說明：【競爭的位置，正在移動】。
AI 拉平的，不只是效率，而是「思考力差距」
AI 拉平的，不只是效率，而是「思考力差距」。這可能是被很多人低估了一件事，AI 不只是提升效率，而是在縮小人與人之間的思考能力落差。
過去，一個人是否具備研究能力、整理能力、寫作能力、分析能力，需要長時間訓練。但現在，一個剛接觸某領域的人，只要善用 AI，也能快速產出一份看起來相當完整的分析報告。
這意味著，未來市場上將充滿大量「水準以上」的內容。但問題也正在這裡，如果一個人的價值，只剩下整理資訊與生成內容，那麼 AI 遲早會比他更快、更便宜。
這很像資本市場中的 Beta 與 Alpha。所謂的 Beta，可以理解成「市場平均能力」。當整體市場一起上漲時，大部分投資人都會跟著受益。這種來自系統性的報酬，不一定代表你特別厲害，而是你只是站在整體市場的浪潮之上。
而 Alpha 則不同。Alpha 指的是「超越市場平均的額外價值」。它來自於更深的洞察、更前瞻的判斷，或者市場尚未看見的非共識觀點。
如果 Beta 代表的是：「大家都能做到的事」；那麼 Alpha 代表的就是：「只有少數人能看見的事」。
我認為，AI 正在快速降低取得 Beta 的門檻。但真正稀缺的 Alpha，反而開始從「思考能力」轉移到「理解能力」。
AI 擅長的是「共識答案」，但 Alpha 來自非共識理解
從生成式AI的訓練過程和其核心運作機制來看，AI 的本質是從過去資料找「最合理」、「最可能」、「最符合統計機率」的答案。這也是為什麼 AI 在標準化知識工作上如此驚人。AI 天生傾向共識。
而真正的 Alpha，
往往來自非共識。
真正能創造超額價值的機會，通常不是那些已經被歷史驗證的答案，而是那些市場還沒有完全理解的變化。黑天鵝、產業轉折、地緣政治重組、技術典範轉移，這些事情的共同點，都是它們一開始並不符合主流敘事。
AI 可以幫助我更快閱讀世界，但它無法替我決定：
- 哪一個訊號真正重要？
- 哪一個異常值得被放大？
- 哪一個問題才是應該被研究的問題？
思考可以外包，但 Understanding 無法外包
很多人以為自己在使用 AI，其實只是把自己變成 AI 的延伸。
我覺得近期 Andrej Karpathy 受訪時提到「You can outsource your thinking but you cannot outsource your understanding.」這一句話很棒，你可以外包 Thinking，但不能外包 Understanding。
這句話幾乎點出了 AI 時代所有知識工作的本質轉變。因為所謂的 Thinking，本質上是資訊加工。它包含搜尋、整理、歸納、邏輯推導、結構化表達。這些事情高度規則化，也正是 AI 最擅長的部分。
但 Understanding 完全不同。理解不是把資訊串起來，而是理解資訊背後的意義。是你能不能看見：
- 一個現象背後的人性動機
- 一個產業趨勢背後的權力結構
- 一組數據背後真正的因果關係
- 一場市場波動背後尚未被說出口的焦慮
未來最重要的能力，將是「定義問題」
現在越來越少把自己當成「填空的人」。因為 AI 已經非常擅長填空。它能幫我找資料、寫摘要、做分析、生成簡報、建立框架。很多過去需要大量工時完成的工作，如今幾乎可以被 Agent 自動化。因此，我開始意識到，未來真正重要的能力將是「如何定義問題」。
回答問題，就像是參與「填空」遊戲的人，在既有框架中尋找答案。但是，定義問題、找出隱藏規則的人，他們決定了：
- 哪些問題值得被討論
- 哪些變數真正重要
- 哪些方向值得投入資源
- 哪些風險其實還沒被市場看見
AI 時代，人類真正的價值，開始回到「理解」
我並不認為 AI 會讓知識工作者消失。但我知識，它會重新定義什麼才是真正有價值的知識工作。過去，我們比的是誰更會思考。未來，我們競爭的將是：誰更能理解世界。
AI 會持續拉平思考能力的差距，讓大量知識與分析變得廉價而普及。但也正因如此，那些真正能看見本質、理解人性、定義問題、辨識訊號的人，反而會變得更加稀缺。
AI 可以替人類完成思考，但只有真正理解世界的人，才能創造出市場的 Alpha。
留言
張貼留言