從 1970 年代開始，隨著個人電腦和互聯網的興起，我們進入知識經濟時代，你所掌握的知識和你運用這些知識的能力是創造經濟價值的關鍵。如今大語言模型讓知識不再稀缺，社會將從知識經濟向分配經濟轉變，人們的角色從知識的直接”操作者“變成”管理者“。

本期分享Every 這篇內容，文章詳細地討論了這個轉變的邏輯和理由，并且提出了分配經濟下的員工需要具有哪些能力，還有這種轉變會帶來的影響。

時間的流逝，并不像我們通常認為的那樣，是一個直線型的過程。它像細膩的絲綢一樣，擁有波紋和褶皺。時間能夠回環往復，如果我們細心觀察，就能在現在發現未來的影子。

（這就是大家常常誤解的關于有遠見者的特點：他們不是簡單地預測未來，而是學會從時間的層層褶皺中發現未來，就像披上一件流動的斗篷一樣。）

舉個例子：

匯總曾是人們必須掌握的一項重要技能，但在此之前它往往是隱形的，混雜在所謂的“智能”——那些只有人類才能完成的任務中。但現在，人們可以利用 ChatGPT 來完成匯總工作，我已經將這項任務從我的技能列表中剝離出去，交給了人工智能。

現在，我的智能角色已經轉變，從親自完成匯總工作變為指導或編輯匯總工作。

正如 Every 的 Evan Armstrong 幾個月前所討論的，“人工智能是一種對基礎思維的抽象層”。這里所說的基礎思維，主要是指匯總信息。

如果今天就開始用這種方式使用 ChatGPT，那么將匯總任務交給人工智能在未來變得普遍的可能性很大。

這樣的變化可能會對經濟產生深遠的影響。

這正是所謂的在現實中預見未來，以及時間并非單純順序前進的概念。

通過對使用 ChatGPT 的經歷進行推測，我們可以預見未來幾年我們的工作生活將會發生哪些變化。

01.知識經濟的終結

我們正處于一個知識經濟時代，其中你所掌握的知識和你運用這些知識的能力，是創造經濟價值的關鍵。

從 1970 年代開始，個人電腦和互聯網的興起，推動了這一經濟模式的快速發展。

但是，當“及時掌握和運用正確知識”的這項技能變成計算機能夠更快速甚至和我們一樣好地完成的事情時，情況將如何改變？

我們將從實際操作者轉變為管理者，從直接完成工作轉向學習如何分配資源——決定哪些工作應當被完成，評判工作的質量，以及在必要時進行修改。

這標志著我們將從一個知識經濟轉向一個分配經濟。

在這個新經濟中，你的價值不再取決于你掌握多少知識，而是取決于你如何有效分配和管理資源以完成工作。

目前，已經有一類人每天都在進行這種工作：那就是管理者。但在美國，管理者只占勞動力的大約 12%，約 100 萬人。他們需要具備評估人才、在不進行微觀管理的情況下進行管理、以及估算項目時間長度等技能。而個體貢獻者——那些在經濟中完成實際工作的人——目前還不需要這些技能。

但在這個新的分配經濟中，他們將需要這些技能。

即便是初級員工也將被期望使用 AI，這將迫使他們承擔起管理者的角色——成為模型管理者。

與其管理人類，他們將負責分配任務給 AI 模型并確保工作順利完成。他們將需要許多今天的人類管理者所具備的技能，盡管這些技能可能會有所調整。

02.從知識的操作者到協調者

以下是當今管理者所需的一些關鍵特質，這些特質在即將到來的分配經濟中，對于未來的個體貢獻者——即模型管理者——同樣至關重要。

清晰連貫的愿景

現代管理者需要有一個清晰且連貫的工作愿景。他們需要制定一個既明確又具體、簡潔且目標明晰的愿景。

對于模型管理者而言，擁有這種能力同樣重要。

愿景表達得越清晰，使用模型實現愿景的可能性就越大。隨著指令變得更加具體和簡潔，完成的工作質量也會提升。

雖然語言模型本身可能不需要明確的目的，但模型管理者可能需要為了自己的利益和投入工作而確定一個明確的目的。

表達一個簡潔、具體且連貫的愿景是一項挑戰。

這是一項需要多年工作經驗才能掌握的技能，很大程度上取決于對想法和語言的敏銳洞察。

幸運的是，語言模型也能在這方面為人類提供幫助。

明確的品味

優秀的管理者知道他們想要什么，并且能夠清楚地表達出來。而最差的管理者則是那些只能說“這不對”，但當被問及“為什么？”時卻無法明確問題所在的人。

模型管理者也會面臨同樣的挑戰。他們的品味定義得越明確，語言模型就能更好地幫助他們創造出連貫的成果。

幸運的是，語言模型非常擅長于幫助人類明確和完善他們的品味。

因此，這種技能在未來可能會變得更加普遍。

如果你有明確的品味和清晰連貫的愿景，接下來你需要做的是能夠評估誰（或哪種工具）能夠有效執行這一愿景。

評估人才的能力

每位管理者都明白，招聘對于成功至關重要。如果是員工在完成工作，那么工作的成果質量將直接反映他們的技能和能力。

能夠準確評估員工的技能，并將任務分配給合適的人，是優秀管理者的重要標志。

未來的模型管理者也需要掌握這些技能。

他們需要了解哪些 AI 模型適用于哪些任務。他們還需要能夠迅速評估新模型是否足夠好，即使是他們之前未曾使用過的模型。

他們需要知道如何將復雜的任務拆分給適合各個部分的不同模型，以確保產出的整體工作質量最高。

評估模型將成為一項獨立的技能。

但有理由認為，評估模型比評估人類更為簡單，至少是因為模型更容易進行測試。

模型隨時可用，通常成本低廉，它們不會感到厭倦或抱怨，并且能夠即時返回結果。

因此，未來的模型管理者在學習這些技能方面將具有優勢，因為今天的管理技能受限于提供一個團隊給某人管理的相對高昂成本。

一旦他們組織好了完成工作所需的資源，他們將面臨下一個挑戰：確保工作質量。

知道何時深入細節

優秀的管理者知道何時以及如何深入工作的細節。沒有經驗的管理者通常會犯兩種錯誤：一是過度微管理，幾乎替員工完成所有工作，這種方式無法擴展；二是過度放權，導致任務執行不佳或與組織目標不符。

好的管理者知道何時深入細節，何時讓團隊自主行動。他們懂得提出正確的問題，知道何時進行檢查，何時放手。

他們明白，只因為某件事不是按照他們的方式完成的，并不意味著它就沒做好。

這些問題不是知識經濟中的個體貢獻者需要處理的。

但它們正是分配經濟中的模型管理者將面臨的挑戰。

知道何時以及如何深入細節是可以學習的技能——幸運的是，語言模型將被設計為在關鍵時刻智能地進行監督和檢查。

因此，這些并非完全取決于模型管理者自己去完成。

最大的問題是：這一切轉變是否是好事？

03.分配經濟對人類有益嗎？

從知識經濟向分配經濟的過渡不會一夜之間發生。

當我們談論“模型管理”時，至少在一段時間內，這更像是在替換微技能——比如把會議內容總結成電子郵件——而不是徹底替換整個任務的開始到結束。

即使擁有替換整個任務的能力，許多經濟領域也需要很長時間才能跟上，有些甚至可能永遠都跟不上。

筆者最近在布魯克林的 Cobble Hill 定制了一條褲子。當自己拿出信用卡付款時，收銀臺后面的女士指著墻上貼著的紙質標志說：“不接受信用卡?！蔽艺J為，語言模型的采用可能也會呈現類似的速度：盡管許多地方可以使用它們來提高或替代人力工作，但出于各種原因，如慣性、監管、風險或品牌考慮，它們卻未被采用。

我認為這是件好事。

變化的劑量決定了其影響。

鑒于經濟體系龐大而復雜，我相信我們將有時間適應這些變化。

人類思維向機器思維的緩慢轉移并不是什么新鮮事。生成式 AI 模型只是這一長期過程的一部分。

經濟學家 Tyler Cowen 在他 2013 年的著作《平均已結束》中討論了由智能機器驅動的經濟分層。他認為，一小部分能夠與計算機合作的高技能工作者將獲得巨大回報，而經濟的其他部分可能會落后：

“如果你和你的技能能夠補充計算機，你的工資和勞動市場前景可能會很樂觀。如果你的技能與計算機不相輔相成，你可能需要調整這種不匹配。越來越多的人開始傾向于這種分化的一邊或另一邊。這就是為什么‘平均’已經結束?！?/p>

當時，他所指的并非生成式 AI 模型，而是指的 iPhones 和互聯網。但生成式 AI 模型延續了同樣的趨勢。

在日常生活中更擅長使用語言模型的人，在經濟中將擁有顯著優勢。懂得如何有效分配智能將帶來巨大回報。

如今，管理是一項僅少數人掌握的技能，因為培訓管理者成本高昂：你需要給他們一個人類團隊來實踐。

但 AI 足夠廉價，未來每個人都將有機會成為管理者——這將大大增加每個人的創造潛力。

我們的社會整體有責任確保，在擁有了這些令人驚嘆的新工具后，我們應帶領經濟的其他部分一同前行。

參考材料

https://every.to/chain-of-thought/the-knowledge-economy-is-over-welcome-to-the-allocation-economy/