中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

今年開始，“數字游民”這一新鮮的職位引起了很多人的好奇。大家都期望過著在三四線城市或者鄉村，線上工作的自由生活，前幾年，這個詞匯還叫作“自媒體”、“斜杠青年”。而隨著數字人的興起，另一個新的“數字員工”，我們是不是可以暢想一下？

很多同學可能并未察覺，我們接的電話來電中相當的比例已經變成了數字人。

它們惟妙惟肖，如果不是經常聽的人在相對簡單的對話情境中根本聽不出來語音合成（TTS）的聲音和真人聲音的差異。這種數字員工的前奏自從2010年一來其實一直在響起，只不過不夠激烈和密集，始終局限在幾個有限的領域，比如外呼促銷、客服等。此前核心瓶頸是“智能不夠”，所以只能處理相對狹小領域里的單一任務。chatGPT等大模型則改變了這種底層約束。雖然成功的數字員工產品還沒出來，但這是注定發生的事實，就像互聯網只要開始普及，搜索就必然會出現一樣。

從這個角度看2023，是數字員工的元年。

一、數字員工洶涌而來

人工智能發展這些年商業上不成功，但各個技術點上實在有了很大進步，包括各類識別算法、語音合成算法等。而這些技術的組合正好為數字員工的誕生準備了充足的條件。

我們拿一個招聘的數字員工做例子，看下到底需要那些技術：

在最簡單的場景，她需要能夠圍繞著自己的招聘主題進行宣講，并能夠回答候選人關切的問題。說到這個大家會馬上想到現在的大模型。是的，基于現在的通用大模型能夠比較好的完成這一基礎工作。這打破了過去不同方向要分別定制，并且應對變化成本過高的約束。當前是招聘場景越簡單，比如工廠的工人，那這種數字員工越勝任，招聘對象越復雜，它越不靈。

再遞進一步，招聘的時候如果不是文字溝通，那還需要什么？

這就和過去做的智能音箱有點像，數字員工需要聽的清，說的出來。聽得清這事，在智能音箱等產品的推動下，即使是遠場也能達到95%以上的精度，而TTS更是已經進展到只要錄幾句就能模擬出你得聲音。完全沒有技術障礙，并且成本可控。

再逼真一些，還需要什么？

還需要你的數字員工在表情、手勢、體態上和真人一樣。這個在這幾年的努力下成本已經從幾十萬降到幾萬或者一萬。

在這個時間點，這種數字員工能力還是有限度的，不管是智能還是表達方式。

如果硬要分個級別，估計在工廠這類崗位表現會超過人類，在軟件工程師這類崗位上有可能打平，在招高管的時候就還不行。（大家可以回到招聘場景自己思考下這幾類崗位的智能邊界）

可這沒關系，絲毫不會影響數字員工洶涌而來的趨勢。

這就像一旦286出現，PC浪潮就會很快席卷而來，一旦窄帶出現互聯網就會蓬勃發展一樣。數據的連通性會增強，比如更知道招聘對象是誰；智能會增強，大模型肯定還會進階；技術會變的更便宜，比如一個數字員工的成本會進一步下降。所有關聯的技術，所有對應的產品在幾個迭代周期后，就會變得像微信一樣好用。（越到后面我們越會發現數字員工的落地根本不是技術問題，而是思想問題，大家可以考慮下企業做數字化九死一生的局面是因為技術么？）

二、商業閉環

如果要下個定義，數字員工和過去說的數字人的核心差別是什么？

數字人是一種簡單的人形表示，對應局部功能；數字員工要在指定區域完整解決場景問題。

過去的人工智能產品核心的問題就是只承擔局部功能，解決局部問題。

比如閘機、智慧電梯等，從人和場景的角度看，它們是一個個半拉子產品，只能干一個小點的功能。所以在各種場景下它們解決的是“更好”，但其實增加成本。這就好比帶了人臉的閘機和保安，智能助理和APP等都是這種情況。那怕在最簡單的場景下，它們價值創造也不完整。

經常會提到的價值創造，這個詞要和場景關聯，然后再對應到具體產品，不應該對應具體某個具體技術。價值創造是個整體性問題，從整體性視角很容易看到過往十年AI產品的各種問題，從技術角度則看不到。

過去就客服等寥寥幾個場景能實現一點全場景的價值創造，外呼都還不太行。

核心瓶頸就是上面說的智能供給不足。

為什么全場景創造價值很關鍵？

因為價值創造在場景上完整了，商業模式會非常簡單直接。否則對客戶和用戶就很雞肋，有了更好沒有也行，當然購買意愿就不強。

假如雇傭一個人15萬，雇傭一個數字員工1.5萬，如果從場景上看這兩者百分百等價，那從人效的角度看，所有的企業都會雇傭數字員工。

現在不雇傭只是因為產品不夠好，不夠完整。

如果能搞定，這個產業空間，比IDC等估計的要大的多。

并且一旦搞定，這注定會成為一種和互聯網一樣的巨大浪潮。人效有2倍差異的時候，沒人能忽略它。

從這個角度看，數字員工確實會打碎許多現有的飯碗。

現有的飯碗底層越是依賴于簡單的邏輯和概念組合，越是很快會被打碎。這點在之前OpenAI論文中有提，此處不展開。

需要補充的是我們過去因為人的智能不夠而分工，把干一個產品分解成產品經理，設計、架構師，程序員，測試等。那現在因為智能供給的充沛而回卷，其實合情合理。如果回到程序員的上古時代，這個行當早期很多產品還真是一個人干的。所以上面的所謂的消滅其實也是一種回滾。

三、人的位置在那兒？

在給出答案前，我們來看幾個例子。

一個是Linus。Linux早期是個什么運作模式呢？最開始就這哥們一個人干，結果干來干去，干不動了，他就開源。參與開源的人，每個人把自己的變更通過郵件發給他，他負責合并到正式版本的Linux。Linus對應這個產品的核心，但把工作量大的部分分出去了。后來這模式被Git等工具放大了，但本質上還是這邏輯。

假如AI大模型變厲害了，會發生什么？

這個社區會圍繞這個Linus這個核心回卷。比如兩千人的社區，最外圍的會先被大模型取代掉。然后一圈一圈往中心折疊。但即使到最后Linus這角色是不能取代的，因為Linus解決的不單是編程問題，大模型的工具屬性回答不了到底要成什么樣，應該為現在考慮多少，為將來考慮多少這類問題。

（這么個漲法，Linux內核社區也未必扛得住）

我們再看個例子，這個是羅永浩老師。論利潤所有創業的AI公司十年的時間賺的錢可能還不如羅老師創業失敗帶貨這幾年一個人賺的多。那為什么可以這樣？

我們可以講沒有抖音等平臺就沒有羅老師的甄嬛傳。

抖音就像一塊肥沃的地，羅老師在他上面發揮了自己的才華，種出了自己的糧食。

那抖音是什么呢？

抖音是一組算法的集合。雖然我們不管哪個算法叫人工智能，但推薦算法這些和AI底層是有很多共通之處的。所以羅老師的甄嬛傳是一個把人的才華嫁接到硅基智能之上，并取得巨大成功的案例。

據此回溯我們可以發現過去互聯網崛起的過程中，不單有羅老師的帶貨，還有各種其它主播，起點上還有網文作家，網紅店等的成功。

這是什么概念和人工智能又有什么關系呢？

AI算法會讓過去的平臺具有更強大的力量，借助于AI平臺，小團隊可以實現指定場景下的直接的價值創造。比如個性化的生產在過去是不太可能的，但當大量數字人崛起之后，理論上講不管是純虛的服務還是真正的生產，都可以做到每個人一個設計師，一條生產線。

我們的就業形式在因此而發生變化。

在互聯網興起前，很多時候我們想到就業就會想到工人、農民、干部等。

現在播主、網文作家、滴滴司機、外賣小哥、網紅店主每一個都是單獨的經濟單位。他們對某一個平臺形成單向依賴但橫向的分工配合被弱化很多。

在這種模式下沒有平臺就沒有就業。

有趣的是這也是一個循環。

在上古我們還和猩猩差不多的時候其實每個個體都是一個獨立的經濟單位，在農業文明的時候，被弱化了一點，但基本農民還是自給自足，就是對地球有依賴。

大工業時代就不是了，人和生產資料發生了巨大分離（馬克思思想的一個起點）。但現在在往回走，核心是平臺扮演了地球的角色。

差異是地球是不收錢的，但平臺和個體之前牽涉利益分割。“平臺”的模式是未來，但必須處理好這種利益分配。

從這個角度看，數字員工就不是飯碗的破壞者，而是創造者。他們站在了每個人腳下，讓每個人都可以形成自己的經濟閉環，讓每個人有機會發揮你自己屬于人的那部分特色。

如果沒有抖音，很多知名的主播現在會在干什么呢？

四、硅基和碳基的邊界

那些會由數字員工在平臺里面做，那些會由人在作為一個個分散個體，在平臺外面做呢？

回答這個問題要看清硅基智能和碳基智能的能力邊界。

在過去分工體系下創建的各種崗位核心依賴的正是記憶、對邏輯和概念的處置。

這部分實在不靈，人根本沒可能和數字員工進行比較。數字員工越發展，這種分工體系越會回卷。場景和產品應該還在，但它背后對應的人員會削減。

但數字員工站到每個人的腳下后，每個人都迎來一個獨立創造價值的機會，這部分會依賴于碳基智能的優勢，比如創造力、活性、共情價值等。碳的活性和硅的穩定性在這里要做結合。

最終結果可以用一個形象的指標來形容（汪丁丁老師朋友圈看到的）：

蘇聯老大帝國的SKU一共不過2萬種，京東一個平臺已經超過4000萬。如果是上面這種情形那SKU可能再翻100倍。之前總是SKU是數目小于人的數目，在未來則可能徹底反過來。一個SKU只服務于極少的人，甚至一個人，但還有利潤空間。因為基礎成本被縮減了。

這是一種新式的多點多維的經濟循環。

這種循環下，需求和供給是對等的，且是多樣化的。每個人即是生產者也是消費者，人們的全面物質文化需求可以更好的被滿足。

我們有時候可能會困惑？為什么生產力高度發展，我們每個人的物質文化需求也沒被滿足，但經濟卻出問題。核心可能就是循環的通路和循環的形式問題。這是我為什么在前一篇文章里說市場和凱恩斯主義的統一可能在于一個新的概念：科技道權的一個原因。

五、總結

假如一群螞蟻在一只大象的耳朵上生活，這螞蟻有智慧根據大象的習性基于大數據統計分析出了非常嚴密的公式，可以根據各種變動信號預測耳朵大象會怎么擺?，F在地球氣候變了，大象就一路往北。這樣一來固然可以修正模型，讓預測模型看著能解釋過去，但骨子里是不可能準了。因為原點出了根本變化。我們總是面對兩類問題，一類問題是連續性的，一類則是基礎要素變了?；A要素變的情形就導致原點類問題，而原點類問題需要褪去細節，回到原點。