無論我們是否喜歡，AI都將揭開所有人和所有國家的底牌。——亞歷克斯·卡普在2026年1月剛剛舉行的達沃斯世界經濟論壇年會上，全球最接觸的巨量資料分析與人工智慧平台公司Palantir（中文常譯作“帕蘭蒂爾”）首席執行長亞歷克斯·卡普（Alex Karp）與全球最大的資產管理巨頭貝萊德CEO 勞倫斯·芬克（Larry Fink）進行了一場深度對話。在對話的最開始，勞倫斯·芬克以一種近乎於“舊時代守望者”的姿態，向坐在對面的亞歷克斯·卡普（Alex Karp）表達了敬意。芬克給出了一組足以令任何金融精英汗顏的資料：在他執掌貝萊德的漫長歲月中，年化復合回報率為21%，這已是傳統金融世界的巔峰；而自Palantir上市以來，卡普為投資者帶來的復合回報率卻高達驚人的73%。這52個百分點的差距，絕非僅僅是兩家公司財務報表的優劣對比，而是一份關於全球權力天平位移的證明，隱藏著AI從“增長潛力”向“實際行動能力”轉化的分水嶺。世界已進入地緣博弈的深水區。過去那種靠溫和的數位化轉型、買幾個SaaS軟體就宣稱進入“智能時代”的假象，正在迅速破滅。Palantir的成功就是最好的證明。正如亞歷克斯·卡普在其新書《科技共和國》中所說：若非先進的人工智慧的崛起已經對全球秩序構成顛覆性的威脅，我們或許還會在渾渾噩噩中繼續蹉跎歲月，持久地迴避這些更為根本的問題。作為一個社會與文明，我們現在已經到了必須就“我們是誰”以及“我們希望成為什麼樣子”做出決策的關鍵時刻。01. “PPT企業”的終結：戰場上的真實性測試賴瑞·芬克：再度蒞臨此地，深感榮幸。在達沃斯舉行的世界經濟論壇上，我很榮幸向諸位介紹亞歷克斯·卡普。請允許我先從我們之間一段更為個人的話題談起——雖然我為我在貝萊德集團所創下的成就感到自豪，但自我擔任首席執行長以來，總回報率的復合年化增長僅為21%。而自Alex帶領帕蘭提爾（Palantir）公司上市以來，其復合回報率高達73%。祝賀你，ALex。更重要的是，我們正身處一場深刻的技術變革之中。我相信在座諸位對此皆有耳聞、有目共睹、身有所感。所有人都在追問：人工智慧究竟能為個人帶來什麼？如何將其轉化為增長動力？它如何惠及勞動者？又將如何影響各國發展與國家安全？我們正在探討的這項技術，有提升產能、推動產業現代化、拓展機遇的潛力，並將徹底重塑我們的工作模式、工作場所以及協作方式。關鍵在於：各國政府是否已為這場社會實質性轉型做好了準備？我們必須確保這項技術在部署過程中，能夠真正賦能於人、賦能於機構，從而建構更具韌性的全球經濟。很少有領袖能真正立足於科技、國家安全與實體經濟的交匯處——我自認並非其中一員。但亞歷克斯·卡普正是站在這個交匯點上的典範。作為帕蘭提爾公司的聯合創始人兼首席執行長，Alex長期與國防部門、政府機構及私營組織密切合作，致力於探索人工智慧在諸多關鍵領域的應用，其意義至關重要。我必須坦言，過去一年與Alex的多次交談使我深受啟發。因此，我十分期待接下來的對話。那麼，請允許我由此切入：主權國家往往是先進技術的早期採用者，這一點在美國的實踐中尤為顯著。但從您的視角出發，人工智慧正如何支援國防與安全領域的決策過程？亞力克斯·卡普：首先，非常高興來到這裡。聽了您的介紹，我可能就該直接下台了——感覺接下來很難超越啊。您還想多聊聊投資回報率嗎？我這邊沒問題。的確，我認為討論這個問題時需要考慮到一個背景：無論是美國還是歐洲，歷史上工業發展與軍事技術始終緊密相連。雖然這是個概括性的說法，但多數情況下確實如此——你為軍方開發的產品往往具有雙重用途，最終提升了國民的生活水平。然而由於諸多原因，我在此不詳細展開講述了，至少到目前的技術發展模式並非如此。儘管現在湧現了許多國防科技初創企業和先驅，但過去的情況是：你創造的產品必須在最嚴酷的條件下運行，其性能要顯著優於其他所有同類，以至於能在戰場上帶來壓倒性優勢——尤其是與本國作戰方式結合時。這裡可以引用一位著名的德國社會主義歷史學家的觀點：德國曾面臨的問題是戰爭機器過於精良，以致他們認為所有事情“直接在戰場上決出對錯即可”。這顯然導致了許多脫節和實際問題。而中美兩國在這方面相當成功。我成年後大部分時間生活在歐洲，雖然堅定支援歐洲，但客觀地說，歐洲的發展並不十分順利。我們所打造的技術本為應對惡劣環境而生——那種惡劣、道德界限模糊的環境。那麼，如何調整道德準則以適應我們的作戰方式呢？在西方社會，這同樣是一個重要方向。道德準則的確立本就艱難，技術應用環境又充滿挑戰——尤其在軟體領域，你往往無法直接接入網路，作戰時面臨諸多限制條件，即便知道這並非最優的作戰方式，而且每個國家都有專門的戰鬥方式。但是積極的一面是你同時也在建構具有普適價值、能為普通民眾所用的技術方案。這也正是人工智慧的獨特之處——它真正引人入勝的特質就在於此。但如果你從一種慣常思維出發——我認為直到最近，所有廣義上的西方對手們還普遍認為，在基於軟體的國防建設上的投資，不過是美國人搞的一種瘋狂行銷把戲：創始人造富燒錢，公司倒閉，創始人跑到巴哈馬海灘逍遙，股東賺了錢就撤，最終留下一地雞毛。你如何為主權政府建構系統，對他們而言本身也是他們學習的一個過程，關於如何採用這些技術。這不僅僅是技術問題，因為如果是建造坦克，從英國到法國再到德國，不斷最佳化坦克技術，其部署方式一目瞭然。但是你如何部署一個系統呢？我們當下的整個國防體系與軍備採購機制，仍停留在為廣袤戰場大規模兵團作戰輸送兵力的模式，但問題在於，這種戰爭可能再也不會出現。下一階段戰爭的勝負，將取決於軟體，其核心價值在於調度戰場上的零件。如果無法在戰場上看到這些組成部分，又怎能確認它是否有效果、能發揮多大作用、是否遠優於我們原有的系統、能否讓我們做到過去無法做到的事？軟體人工智慧有很多價值，其中還存在一個隱性特點——很多人總是想當然地認為其價值在於“從你本來所處的地方跨越到你希望去的地方“。但在世界上大多數主權國家中，我們處理各種形式被廣泛定義為“in it”的事情。實際上技術企業的嚴謹性有很大漏洞，就像我有閱讀障礙一樣，它也有閱讀障礙，企業裡有許多部門僅存在於PPT簡報中，一旦投入實戰，你就會發現它們根本不存在。不管你在那個國家，當你在戰場上時就會發現這一點。這也是烏克蘭的優勢之一，他們基本是白手起家，能夠“從零開始”建構能夠應對現實載荷的真實架構，不必在投入實戰後才重新認識到自己原有的體系行不通。不管你信不信我是反對幹涉的，我不是新保守主義者。但美國的巨大優勢之一在於，無論是好是壞，我們在戰場上有豐富的經驗，這樣你就可以看到什麼是有效的什麼是無效的。目前西方許多傳統巨頭正處於一種“由於擁有太多而變得脆弱”的窘境。帕蘭提爾在戰場上做過的最重要的事情之一就是能補齊一半的事實，而有的企業甚至不起作用，只是在實驗室裡播放演示ppt。賴瑞·芬克：不起作用的原因是因為機器還是人類？亞力克斯·卡普：戰場上的環境是複雜多變的，比如以烏克蘭戰場為例，把無人機從a點移動到b點有多難？實際上，首先，你需要知道你想把無人機部署到那裡。這將需要同步你所有的資料。你需要在做到這一點的同時，不將這些資料傳輸給你的對手，這意味著你必須知道經手這份資料的每一個人。你還必須對資料進行最終處理以掩蓋其真實意圖。那它不去那裡呢？你會希望把無人機放在你的資產表上嗎？在烏克蘭可能只有2個人知道，一個是將軍一個是你的線人。你不能告訴別人那是你的資產。你要避免別人發現誰是你的線人。當戰爭開始後，過去我不知道為什麼俄羅斯人被低估了，在資料層面來看他們可能是世界第一。可能有些東西他們一開始沒有，他們可以在戰爭過程中拼湊出來，然後開始干擾電子裝置訊號。所以這要求你的企業必須同步發展，因為現在不是從a到b的問題了，而是如何穿過非常擁擠的環境的問題。當你在收集資料的時候並沒有可以連結的地方。在烏克蘭每次進入一個戰區之前，每件事情都是動態挑戰，並且事先沒有被預測到。當然肯定有人喜歡我們的工作，有些人討厭，歡迎所有的意見交流。烏克蘭人其實是一個小團隊，他們的士兵非常勇敢，非常有技術性，他們也有很厲害的技術人員，能力在我們之上，有自己產品的專有使用方式。在以色列，他們善用情報手段，而多數人則傾向於軍隊對軍隊的直接對抗。但在美國，你只有其他國家所沒有的巨大力量，但這個力量必須得到整合。所以企業軟體在戰場上的雙重作用是，一是確保所有底層的東西都能正常工作，二是將等級提高到世界頂尖水準。02. AI升級：從戰場到社會民生賴瑞·芬克：有非常多的技術源自國防領域，無論是網際網路還是GPS。你如何看待這項技術從國防和軍事領域轉化到公司、企業乃至社會？亞力克斯·卡普：這樣一個本質上純粹原始、不加修飾的環境意味著，你實際上能夠瞭解什麼是真正可行的客觀事實，而不受企業主觀認知的侷限。總的來說，這種認知具有高度普適性，幾乎可以一對一地轉化應用。而企業運行是不一樣的。並非所有企業都願意隨時間推移變得跟其他企業同質化。比如你拿出A、B、C三家企業，它們處於同一市場，其技術基礎設施正試圖將它們塑造成相似的企業。它們擁有相同的組織架構圖，大致相同的流程，但資料和基礎設施卻各不相同。在戰場上我們學到的是，同質化並不具備特別價值，真正有價值的事情是企業能做到其他企業做不到的事情，這才應該是每個人的目標，也正是每個軍事情報機構追求的目標。在進入商業領域時，如何擁有別人沒有的效率和知識是很重要的。比如在戰場上，最重要的問題之一就是你如何獲取資料資訊並進行處理，然後把資料放入系統框架內將其進行真正的行動運行。企業到底在做什麼？其實歸根結底就是資料、資訊，如何把普遍共享的知識轉化為你們的獨家優勢。帕蘭提爾目前也為眾多醫院提供支援，這些醫院普遍面臨收治流程問題，醫護人力短缺，且在低利潤環境中運作。通過最佳化收治流程並接入企業系統，現在處理這些事務的速度比以往提升了10到15倍，不是通過讓醫生干更多的活，而是通過演算法最佳化了資源分配的“承重能力”，拯救了更多生命。在處理生命相關資料時，因為你在用本體論處理資料，你有一個結構化的框架。儘管人們可能不願相信，但這實際上增強了公民自由。因為現在你可以明確指出：簡單來說，某人的處理流程是基於經濟考量，還是基於其背景因素？這類問題原本是無從查證的。這其實在公民自由方面帶來了巨大改進，但人們通常不相信我們會在乎這個——然而事實恰恰相反，我們確實在乎。要知道，展現即關懷。比如我們能夠細緻地展示：某人為何進入系統、為何被接收、為何被拒絕，而且我們可以用對企業本身有商業意義的方式來實現這一點，同時這還能帶來安全與效率的提升，並且還縮減了開支。如果用更精簡的財務視角來說明：過去，想要實現我們如今在公開市場透明環境下所能達成的效果，企業往往需要先私有化，再剝離成本結構，很可能再轉手出售。而現在，你可以直接最佳化成本架構，讓一線工作者——而非臃腫的中層——發揮更關鍵作用，進而徹底改變他們面向市場的方式。AI在這裡不再是冰冷的算力堆砌，它通過建立公開的、真實的、可審計的流程，實現了效率、利潤與社會價值的某種奇蹟般的重疊。03. AI泡沫？太多企業沉迷於“買現成模型”賴瑞·芬克：那麼，阻礙人工智慧應用普及的根本障礙是什麼？僅僅是遺留系統和歷史問題嗎？我們該如何加速其應用，以造福人類？亞力克斯·卡普：目前AI的應用速度已經超過了我們自身的能力。所有人都在談論AI，所有人都在購買算力。而如果有些企業只是直接購買現成的大型語言模型，試圖用它來完成任何實際任務，那都是行不通的——大語言模型現在更像是一種通用商品，而且精度遠遠不夠。比如，你無法用它進行核保，任何受監管的業務它都無法勝任。說到普及，現在的問題在於，很多人嘗試了一些根本不可能成功的方法。比如，買一個大語言模型，把它往自己的技術堆疊上一放，然後納悶為什麼沒效果。尤其是在美國，你會看到人們開始嘗試像我們（帕蘭提爾）那樣，或許通過手工建構本體論的方式來解決問題。因為只有當你建立起一個軟體層，用一種企業能夠理解的語言來協調和管理這些大語言模型時，AI才能真正創造價值。現在有很多討論，比如我們是否身處AI泡沫中。泡沫是什麼？我認為，如果說有什麼問題的話，我們現在是處於一個滯後階段。市面上有很多AI產品，其中一部分確實有效。就像回到戰場那個例子：全世界幾乎所有人都曾認為這行不通，但現在它確實行得通了。所以，現在的問題不再是“它是否有效”，而是“我們如何讓它為我的國家（或公司）所用”。這正是各個公司正在經歷的：“噢，那家公司成功了，我的怎麼不行？你到底做了什麼？”舉個例子，就以我們帕蘭提爾來說，我們幾乎沒有銷售人員。實際上，我每次去看，銷售團隊規模似乎都在縮小。規模變小，並不是我們想節省單位經濟效益，而是因為在當前AI領域的低信任度環境下，大多數企業已經被各種無法落地的AI願景搞得筋疲力竭。如果你交付了真正有效的東西，為什麼還需要銷售人員呢？產品自己會說話。你只需要說：“嘿，別來找我們談。”這在商業和政府領域都是如此。目前我們很難擴張，主要是因為我們需要去培訓購買方的人員，而我們的資源是有限的。在政府層面，每個國家顯然都有類似“安全許可”的制度。那麼，為了將我們的軟體——比如建構像“項目專家”這樣的系統——整合到你的架構中，你將需要一位同時擁有最高等級安全許可和技術背景的人員。而遺憾的是，大多數技術人員並不會去獲取最高等級的安全許可，所以這類人才非常稀缺。這種資源極為珍貴。接著，他們還需要接受培訓，這個過程可能需要相當長的時間。此外，和任何事情一樣，你必須真正相信這件事，認為它至關重要。要知道，並非所有人都符合這些條件。賴瑞·芬克：那到底需要培訓多少人，如果在企業層面，是否必須從CEO開始自上而下推行？具體是如何運作的？如果以保險核保為例。亞力克斯·卡普：以保險核保為例吧。最理想的情況是——CEO最好具備數學思維。即便他可能對產品一無所知，但通過資料，他也能理解產品的運作邏輯。在這種情況下，初期我們可能需要培訓五、六個人。開始時，所有工作都由我們完成，然後我們會儘可能地將知識和能力轉移給他們。我們也在努力尋找能與我們共同完成這項工作的合作夥伴。總之，你需要的團隊規模不大，但我們目前的人手依然不足。賴瑞·芬克：您之前反覆提到AI如何能加強經濟基礎，我們也在美國看到了這一點。AI能以多快的速度改變企業增長軌跡？因為您之前提到過它如何能改善經濟以及人們的福祉。亞力克斯·卡普：對於企業而言，這裡涉及到很多方面，其中有個“速度”問題。就我們合作的許多公司來看，在我們介入的領域，我們通常能削減高達百分之八十的成本，並顯著提升你們的營收。但這實際上取決於具體的應用場景和我們要解決的問題。然後就是速度函數的變化：在五年前，完成這樣的改造可能需要一年時間；但現在，它可能只需要一周。04. 當AI撕掉精英學位的遮羞布賴瑞·芬克：我想接著追問這個問題——我確定這也是今天一些人心中所想的：從整體上看，人工智慧是會創造就業，還是會摧毀就業？亞力克斯·卡普：確實，我認為當前西方輿論中存在一個令人遺憾的論調，就是它（AI）將摧毀人類的工作——就像你知道的，如果你去了名校，學了哲學（以我自己為例）。那麼希望你還有些其他技能，因為僅有“精英學校的哲學學位”或通識性的精英教育背景將很難在市場上找到工作。但職業技術人員卻越來越不可替代，比如我們在為一家電池公司製造電池，在美國做這項工作的人，其工作內容與日本工程師大致相同，而他們只上過高中。現在他們變得非常有價值，甚至幾乎是不可替代的，因為我們可以讓他們迅速轉型，勝任與之前不同的工作。這類崗位的價值將會越來越高。而那些擁有高IQ、來自耶魯等名校只具備“泛化知識”而無“特定技能”的人受到的衝擊最大。如果一個國家能夠通過技術挖掘出本土公民中的這些“離群天才”，將他們培養成駕馭AI系統的“高階技工”，那麼這個國家對大規模低端移民的需求將會大幅下降。我確實認為，這些趨勢讓人很難理解美國為何還需要大規模移民——除非你擁有非常特殊的專業技能。賴瑞·芬克：關於歐美白領工作的基礎，歷來是通過大學教育建立的。我剛剛聽您說，我們將需要更多接受職業教育的男性和女性，您是否也在暗示，我們未來可能需要的白領崗位會減少？亞力克斯·卡普：我認為，我們需要做的確實是減少對傳統白領的依賴，但關鍵在於，我們需要用不同的方式來測試和發現人的潛能。你知道嗎，有很多人在做X工作，但他們本應去做Y工作。就像我們系統的一位管理者——在美國陸軍中管理我們Maven“專家”系統的，是一位前警官，他只上過社區大學，而他現在正在全球範圍內執行非常高端的、非常複雜的目標定位任務。這個人實際上是無法替代的。我認為，過去我們測試潛能的方式，可能無法完全發掘出他這種不可替代的才能。如果他沒上過大學，他還會像現在這樣有才華嗎？會的。而且我認為，甚至在帕蘭提爾內部，如果你觀察我整天在做什麼，我就是到處走動，去發現誰有那種“異於常人的特質”，然後我把他們放到適合發揮這種特質的事情上，並努力讓他們專注於此，而不是分散到他們自認為擅長的其他五件事上。傳統的大學學歷正在加速貶值，而具備實際技能的技工、職業技術人員，通過AI的加持，正在變得“不可替代”。無論我走到世界那個角落，過去十八年來，大家都曾覺得我們像個商業笑話，而現在很多商界人士都想來聽取我的建議。你知道嗎？在帕蘭提爾內部，唯一不想聽我給出商業建議的，恰恰是帕蘭提爾的工程師們。他們總是說：“嘿，亞歷克斯，我有個想法，能讓公司變得更好……”那些點子通常都類似於“我們應該開成麥當勞那樣”，或者“你是某類人，你應該停止公開講話”之類的。當然，關於公開講話這點，有時候他們可能說得對，我承認。05. AI像是一場國家級“滲透測試”賴瑞·芬克：最後一個問題：AI的應用曲線在美國和其他發達經濟體中將會如何發展？發展中經濟體又該如何參與其中？我昨天讀到一份研究報告，指出AI的應用目前高度集中於高教育水平的社會或公司，並且已經出現了巨大的分化，這很大程度上取決於教育資源的應用方式。那麼，AI是否會在全球增長格局中造成更嚴重的不平衡？亞力克斯·卡普：首先，最明顯的不平衡是：似乎只有美國和中國真正掌握了如何讓這項技術發揮作用。方式不同，但都成功了，而且是大規模的成功。這種領先並非僅僅體現在算力或資料量上，更體現在這兩個國家對AI與真實權力和生產力結合的深刻理解。我認為，AI發展速度很可能會遠遠超出大多數人的想像——就像貼現率一樣，我認為從長遠看，人們對於它能達成什麼、將如何影響我們社會的方方面面，其預估是嚴重不足的。尤其是在軍事領域。我傾向於做一個現實主義者。我認為，國與國之間巨大的發展差異，將使人們所期待的那種平等對話變得困難。可能還會有一個第三梯隊，比如俄羅斯，這個在許多西方人眼中已處於衰落邊緣的國家，但是俄羅斯在電子對抗和數學應用領域的韌性非常強，他們擁有在極端壓力下“拼湊”解決方案的數學天賦，這一點使得他們在現代戰場的某些維度上依然保持著極高的競爭力。AI將以一種不可逆轉的方式，強行揭示出每一個個體、每一個微觀社區、每一個國家的真實市場價值。看待AI不公平性的一種方式是：它就像一次“壓力測試”，或者說是一種“承重測試”。能夠承受這種壓力的社會、組織和公司將獲得巨大的優勢。問題在於，如果一直在假裝承受壓力，實際卻不能，那麼整個體系就會崩潰。無論我們是否喜歡，AI都將揭開所有人和所有國家的底牌。 (藍血研究)

前幾天，一段馬斯克的採訪視訊在教育圈炸了。有人問他："你覺得孩子還該上大學嗎？"馬斯克的回答讓所有家長慌了神："如果你想去大學交朋友，那挺好。但如果是為了找工作、學知識？算了吧。因為AI和機器人就像一場超音速海嘯，你在大學學的那些技能，未來根本用不上。"你聽清楚了嗎？世界首富、特斯拉創始人，公開說大學技能正在被淘汰。更扎心的是，連他自己的兩個兒子都承認：他們在大學學的東西，很可能未來都沒用。但他們還是想去上大學，就是為了交點朋友。看到這裡，很多家長肯定在想：那我們拚命雞娃十幾年，到底圖什麼？對此，定居矽谷多年、在清華、香港科技大學都長期任教過，深耕創新人才培養的教育專家陸向謙教授，最近做了一個震撼性決定："我的孫子輩，我不建議他們上大學了。除非他們自己為了交朋友而去。"這句話，擊中了當下中國教育最大的焦慮：當AI正在以超音速重塑世界，我們還要讓孩子走那條"12年苦讀→名校文憑→體面工作"的老路嗎？| 黃崢的遺憾：為應試教育浪費的那些年陸向謙教授分享了一個讓所有家長深思的案例。拼多多創始人黃崢，曾經痛心地說過一句話："當時為了做好學生，浪費了好些時間。"你聽到了嗎？一個把公司做到兆市值的企業家，回頭看自己的求學經歷，用的詞是"浪費"。陸教授一針見血地指出："黃崢確實做得不錯，但他創業的時候，在美國讀完研究生、又在Google工作幾年，都30多歲了。如果不需要應付高考那一套，我估計他可能像馬斯克那樣成功——20歲之前就創業，創出世界級公司。"看懂了嗎？這不是說黃崢不優秀，而是說：應試教育那套體系，正在吞噬孩子最寶貴的創造力窗口期。再看一組更震撼的資料：全球市值超過1兆美元的公司，基本全是科技公司，絕大部分是在美國矽谷。這些公司的創始人呢？比爾·蓋茲：20歲從哈佛輟學創辦微軟祖克柏：20歲輟學全職營運Facebook馬斯克：史丹佛讀了2天就退學，24歲創業山姆奧特曼：在史丹佛讀了2年就輟學創業你發現了嗎？這些改變世界的人，都沒有按部就班走完那條"好好上學→拿文憑→找工作"的路。久而久之，陸教授才明白過來：不是大學不重要，而是大學的培養模式，已經跟不上這個時代的速度了。| AI海嘯下，大學在教什麼？馬斯克用了一個詞形容AI的到來："supersonic tsunami"——超音速海嘯。什麼意思？意思是你還沒反應過來，它已經把你淹沒了。看看最近發生的事：第一波衝擊：ChatGPT出來這幾年，已經能寫程式碼、做設計、寫文案、分析資料。以前大學四年學的那些"核心技能"，AI幾秒鐘就能完成。第二波衝擊：今年美國大廠裁員，被裁最多的是誰？剛畢業1-3年的大學生。為什麼？因為他們做的那些初級工作，AI能做得更快更好。第三波衝擊：矽谷很多公司開始明確表態：我們要的不是名校文憑，而是"你能用AI解決什麼問題"。陸向謙教授觀察到一個更可怕的現象："我跟馬斯克和Altman(OpenAI創始人)有同樣的感覺——大學正在培養一批'會被AI第一批淘汰'的人。"為什麼？因為大學教的，恰恰是AI最擅長的：記憶知識？AI的知識庫秒殺所有教授解題能力？AI做題速度是人類的1萬倍標準答案？AI最擅長給標准答案但大學不教的，恰恰是AI做不了的：提出好問題的能力跨學科整合資源的能力把想法變成現實的行動力Something special——你的獨特性這就是差距。| 給家長和孩子的3個建議看到這裡，很多家長肯定在想：那我到底該怎麼辦？結合陸向謙教授30多年的矽谷觀察和馬斯克的實踐，我給你3個可能改變孩子一生的建議：第一：別再迷信"好好讀書就有好工作"這套了陸教授說得特別直白："學歷在貶值，能力在升值。未來不是文憑決定收入，而是'你能創造什麼價值'決定收入。"什麼意思？意思是與其讓孩子從小到大做題、背書、考試，不如讓他從小學會"和電腦、人工智能說話"。具體怎麼做？不是讓孩子學程式語言，而是培養"項目制思維"——想做一個遊戲？想做一個小機器人？好，咱們試試怎麼實現。從小激發孩子的興趣，引導他參與真實項目、科技名企的比賽、開源社區、甚至嘗試去做個產品上線測試。教育的本質不是填滿一桶水，而是點燃一把火。家長和老師的責任，是要從小引導和點燃孩子心底的那團火。記住：未來最值錢的能力，不是"會做題"，而是"會做事"。第二：大學可以上，但別指望它教你"找工作的技能"馬斯克說得很實在：你想去大學交朋友、體驗不同文化、拓展視野？挺好，去吧。但千萬別覺得：上了好大學=有了好工作。你看看矽谷那些成功的人：他們在大學幹什麼？祖克柏在宿舍寫Facebook、比爾·蓋茲在實驗室折騰程式碼、馬斯克在史丹佛待了2天就跑去創業了。他們把大學當"資源平台"用，而不是當"鍍金工廠"。這才是聰明的上大學方式。第三：30歲前財務自由，不是夢，是目標陸向謙教授有個震撼觀點："我培養的學生，目標都是30歲前實現財務自由。如果他能從小練好三項童子功（英語、數字語言、發現自己的天賦在那），能從小用好AI做真項目，怎麼不能30歲以前得到財務自由？"實際上，中國孩子的問題，不是不夠聰明，而是被應試教育耽誤了最好的時間窗口。所以，如果你的孩子現在還小，請認真考慮：是讓他繼續在題海裡掙扎，還是現在就開始培養真正的創造力和行動力?馬斯克的那句話，其實是給所有家長的一個警鐘："AI和機器人是一場超音速海嘯。"海嘯來了，你是繼續在沙灘上堆城堡，還是趕緊教孩子學會衝浪？陸向謙教授的決定已經很明確："我的孫子輩，不建議上大學。"這不是反對教育，而是反對那種“把孩子培養成標准化螺絲釘”的教育。未來需要的，不是會做標準答案的人，而是能用好AI、能提出好問題、能整合資源、能把想法變成現實的人。而你，準備好讓孩子成為這樣的人了嗎？記住：學歷會貶值，但能力永遠升值。這才是給孩子最好的禮物。 (陸向謙)

11 月 25 日，麥肯錫全球研究院（MGI）發佈了一份60 頁的新報告——《Agents, robots, and us: Skill partnerships in the age of AI》。（AI技能夥伴）這份報告關注的不是“AI 會不會讓人失業”這種老話題，而是一個更本質的問題：在 AI 主導的新一輪生產力躍遷中，工作是如何被重新拆解、組合與分工的？人、AI 智能體（agents）和機器人，將如何形成新的“技能夥伴關係”？一、報告主要研究目標從問題上看，它圍繞三件事展開：1.AI 能做多少原本由人完成的工作？以“技術可行的自動化潛力”為基準，評估今天的 AI/機器人，理論上能接手多少美國現有工作時長（答案是：57% 的工時可以被自動化，但這不是裁員預測，而是任務結構重排）。2.在人–機協作下，那些技能會被“放大”，那些會被“擠壓”？報告通過一個新的 Skill Change Index（技能變化指數），測算未來 5 年裡不同技能被自動化影響的程度，識別出：會被衝擊最大的：數字技能、資訊處理類技能變化最小的：照護、服務、陪伴等“助人類技能”組織需要怎樣重設計工作流，才能真正把 AI 的價值“兌現”為生產率和經濟價值？核心結論之一是：到 2030 年，如果企業圍繞「人–智能體–機器人協作」重構工作流，而不僅是零散做工具替換，美國有望額外釋放 約 2.9 兆美元的經濟價值。二、報告的研究方法和樣本：這份報告的“底層資料”和“分析方法”都比較硬核，可以簡單理解為三層：任務與職業層面：結合美國勞工統計局、O*NET 等資料庫，對約 800 種職業進行“任務拆解”，判斷每一類任務被 AI/機器人自動化的技術可行性。技能層面：基於 Lightcast 的招聘巨量資料，分析 1,100 萬條招聘資訊，提取出約 6,800 個技能項，看不同職業真實在招什麼技能、那些技能正在變“熱”、那些開始降溫。時間演化 + 場景建模：在“中位情景”的假設下，測算到 2030 年的自動化採用節奏，並通過 Skill Change Index衡量各類技能在 5 年內的“結構性位移”，再疊加對典型場景的工作流重構分析。報告也明確說明：這些都是對“工作內容”和“技能結構”的預測，而不是對就業總量的絕對判斷——歷史經驗告訴我們，技術每一輪都會擠掉一部分崗位，但也會在別處創造新的工作。注意：樣本主要基於美國勞動力市場，是否完全適用中國及全球市場需謹慎參考。三、報告給出的幾個關鍵結論：未來的工作形態 = 人 + Agents + 機器人今天的技術理論上可以自動化超過 一半的工作時間，但更大的變化不是“崗位消失”，而是工作被拆分、重組，越來越多崗位變成人機協作的混合體。70% 以上的人類技能會繼續被需要，但使用場景會遷移大部分今天企業在招聘的技能，其實同時存在於“可自動化工作”和“不可自動化工作”裡——意味著技能不會突然過時，而是從“自己做”變成“借助 AI 做得更多、更好”。Skill Change Index：誰被 AI 衝擊最大？受影響最大的：會計、編碼等高度專業、又高度可自動化的技能變化最小的：談判、教練、關懷等強依賴人際互動的技能AI 流利度（AI fluency）正在成為“第一新基礎技能”過去兩年，招聘啟事裡對 “AI 流利度”（使用與管理 AI 工具能力）的需求，增長了近 7 倍，是所有技能裡漲得最快的。到 2030 年，2.9 兆美元的價值取決於一件事：你是“裝 AI”，還是“重做工作流”簡單把 AI 當外掛，價值有限；只有圍繞 AI 重設流程、角色、指標與文化，才可能真正吃到這波紅利。四、完整整報告分為60頁（可後台私信發PDF/PPT），核心是四個章節，包括：第一章：Workforce of the future：未來勞動力的基本形態——人、智能體、機器人如何分工協作？第二章：How AI changes skills：技能結構如何重排？Skill Change Index 告訴我們什麼？第三章：Reimagining workflows：不再是“自動化幾個任務”，而是“圍繞 AI 重畫整條工作流”。第四章：Leadership challenges：領導者如何重新定義角色、重塑組織，並在安全、責任、信任之間取得平衡？五、今天這篇，是第一期：聚焦「未來勞動力」這一章未來勞動力將是「人 × Agents × 機器人」的協作夥伴關係AI 正在重新定義工作的邊界，並開啟新的生產力潛能。未來的工作模式，將被重構為由人類、AI 智能體（agents）和機器人共同組成的協作體系。1.1 AI 讓 Agents 與機器人更加自主、更具能力在過去的一個世紀裡，機器基本都是按照規則運作的：機器人執行固定的物理動作，例如裝配零件；軟體自動化處理可預測的文書和分析任務。這兩類機器都遵循預設程序，只能按照指令行事，難以超越規則。而如今 AI 的崛起，正在改變這一點，並顯著拓寬自動化能做到的事情。AI 讓 agents 與機器人具備了新的能力：可以從海量資料中學習可以模擬推理可以響應更廣泛的輸入（包括自然語言）可以根據情境變化自動調整，而非只執行預設流程因此，agents 與機器人能夠分別承擔 認知性任務與 物理性任務，且能力持續提升。1.2 AI 能影響所有類型的工作麥肯錫將工作分為兩類：物理性工作（需要機器人自動化）非物理性工作（需要 agents 自動化）雖然並非所有自動化都需要嚴格意義上的“AI 智能體”或“機器人”，但報告使用這兩個術語來概括所有能夠自動化工作的技術形態。在美國，非物理性工作佔總工作時長的三分之二。在這三分之二中：約三分之一依賴社會與情緒技能——目前仍主要超出 AI 能力範圍其餘部分包括推理、資訊處理等任務——這類任務更適合自動化這些更“可自動化”的活動：佔美國總工資的 約 40%分佈在教育、醫療、商業、法律等多類崗位中（對應報告 Exhibit 1 的結論）1.3 AI 驅動的自動化將重塑工作，但“人”仍然不可或缺以當前的技術能力來看，AI 智能體（agents）理論上能夠承擔 佔美國工作時長 44%的任務，而機器人能夠承擔 13%（見 Exhibit 2）。要讓自動化進一步擴展，還需要突破一系列目前尚未被機器匹配的人類能力：對 agents 來說：必須能理解意圖、情緒等更細膩的人類線索；對機器人來說：必須掌握更高精度的精細動作控制，例如抓取易碎物品、或在手術中操控精密器械。換句話說，自動化能替代的部分會繼續擴大，但人類的判斷力、情緒理解力、精細動作能力，仍然是技術難以跨越的關鍵分界線。佔當前工作時長一半以上的任務在技術上都有可能被自動化，主要由 AI 智能體（agents）完成。但這並不意味著“一半的工作崗位會消失”。真正發生的是：具體任務被自動化，人類的工作內容會被重新組合，而不是被整體替代。此外，那些高度依賴 社會與情緒技能的工作，即便在“全面採用 AI 的極端場景下”，仍然難以被技術替代。原因在於，這類工作需要即時的人類洞察，例如：老師需要讀懂學生的表情反應銷售需要感受到客戶何時開始失去興趣人類還能提供：監督質量控制以及“客戶、學生、病患更願意與之互動”的人類存在感1.4 隨著技術進步，仍需人類參與的工作也在變化隨著技術的發展，屬於人類的工作也在不斷演化：有些角色會縮小有些會擴張或改變重點也會出現全新的崗位放射科就是一個典型案例。儘管 AI 在醫學影像領域的能力顯著提升，但 2017–2024 年間，放射科醫師就業仍以每年約 3% 的速度增長，並預計繼續增長。原因是：AI 提升了放射科的效率和精準性，讓醫生能專注於複雜判斷和患者關懷。例如：梅奧診所（Mayo Clinic）自 2016 年以來將放射科團隊擴充了 50% 以上同時部署了 數百個 AI 模型用於影像分析輔助1.5  AI 正在催生新型工作與角色——七大典型角色AI 不是只會“減少舊崗位”，它也在創造新崗位：軟體工程師正在開發、訓練、最佳化智能體設計師與內容創作者使用生成式 AI 生產新內容即：AI 既重塑舊職能，也在催生全新的技能需求。不同職業中“人、智能體（agents）與機器人”的組合形式，呈現出七種不同的典型模式。一個經濟體的整體就業水平和職業構成都取決於行業如何演進。而在具體職業內部，工作的配置方式也因對物理能力、認知能力以及社會與情緒能力的依賴程度不同而呈現顯著差異。為了理解這種差異，麥肯錫分析了約 800 個職業，並根據其物理與非物理任務的可自動化潛力進行分類。由此形成了七種原型，用以展示在人、智能體和機器人之間可能出現的協同方式。自動化潛力最低的職業被歸類為以人為中心（people-centric）；而那些包含大量可自動化任務的職業，則被劃為以智能體或機器人為中心（agent-centric 或 robot-centric）。此外，還有一些在三者之間比例更為均衡的角色，被歸入“混合型”原型，它們在工作中同時包含大量由人、智能體或機器人承擔的內容（見 Exhibit 3）。這一框架適用於各類勞動力市場，幫助領導者判斷那些崗位將率先受 AI 影響、勞動力轉型將如何發生，以及那些角色會演化為“人與智能體與機器人協作”的新型工作模式。對個人來說，它也提供了理解自身崗位未來變化的清晰視角。在職業軸的一端，是 以人為中心的職業（如醫療、建築、維修），佔美國崗位約三分之一，平均薪酬 71,000 美元。這些崗位中近一半的工時涉及當前技術無法複製的身體活動，因此難以自動化。在另一端，是 高度可自動化的職業，約佔 40% 的就業，平均薪酬 70,000 美元，主要屬於法律、行政等“智能體中心型”崗位，包含大量可由 AI 處理的認知任務。部分任務未來可能完全自動化，但仍需要人類監督和驗證。其中一部分是 機器人中心型崗位（如司機、裝置操作員），平均薪酬 42,000 美元，理論上幾乎可完全自動化，但現實成本與風險讓人類短期內仍難以完全退出。規模更小的 智能體–機器人混合崗位佔約 2%，主要在自動化製造、物流等場景，由 AI 軟體指揮物理系統。在兩個極端之間，是佔勞動力三分之一的 混合型崗位。這些崗位在人、AI 智能體和機器人之間的分工不同，但共同特點是：人類仍然不可或缺，只是角色將從“親自執行”轉向“指導與協調機器”。混合型崗位包括：人–智能體崗位（教師、工程師、金融專家），平均薪酬 74,000 美元，佔比 20%；人–機器人崗位（維修、建築），81% 為體力任務，平均薪酬 54,000 美元，佔比不足 1%；人–智能體–機器人崗位（交通、農業、餐飲），平均薪酬 60,000 美元，佔比 5%。總體而言，這些結論描述的是“技術上可能的未來”，而實際落地速度將因行業、成本與流程調整而顯著不同。但可以確定的是：人與智慧型手機器的協作，將在未來的所有工作場景中不斷深化。 (AI組織進化論)

【新智元導讀】Google最新發佈的Gemini Robotics 1.5系列模型，讓機器人真正學會了「思考」，還能跨不同具身形態學習技能。這意味著，未來的機器人將成為和人類協作、主動完成複雜任務的智能夥伴。Google又給機器人「換大腦」了！剛剛，DeepMind發佈了針對機器人和具身智能的Gemini Robotics 1.5系列家族模型，專為機器人和具身智能打造的新一代「大腦」。Gemini Robotics 1.5系列包括Gemini Robotics 1.5和Gemini Robotics-ER 1.5。Gemini Robotics 1.5，最先進的視覺-語言-行動模型，能將視覺資訊和指令轉化為機器人的運動指令以執行任務。Gemini Robotics-ER 1.5，最強大的視覺-語言模型，能夠對物理世界進行推理，直接呼叫數字工具，並建立詳細的多步驟計畫來完成任務。它們結合在一起，就建構出一個強大的智能體框架。在下面這個1分40秒的視訊，Google的研究科學家讓兩個機器人完成了兩個不同任務。第一個任務是垃圾分類。請Aloha根據舊金山的垃圾分類標準，把物品分到堆肥（綠桶）、回收（藍桶）和垃圾（黑桶）裡。Aloha通過查閱規則並觀察物品，完成了分類任務。第二個任務是打包行李。請Apollo幫忙打包去倫敦旅行的行李，並放入針織帽。Apollo還主動查詢天氣，提醒倫敦多天會下雨，並貼心地把雨傘也放進包裡。整體看下來，在最新系列模型的加持下，現在機器人已經越來越有科幻電影裡的那味了！為實體任務開啟智能體體驗想像一下，一個機器人不僅能看懂你家客廳的雜物，還能規劃、思考並親手收拾乾淨。Gemini Robotics 1.5正是朝這個目標邁出的關鍵一步。它讓機器人具備「思考後行動」的能力，能在複雜環境中像人類一樣理解、推理並完成多步驟任務。這一突破，有望打開通用機器人的新時代。Gemini Robotics-ER 1.5擅長在物理環境中進行規劃與邏輯決策，擁有頂尖的空間理解能力，支援自然語言互動，可評估任務成功率與進度，並能直接呼叫Google搜尋等工具獲取資訊或使用任何第三方使用者自訂功能。隨後，Gemini Robotics-ER 1.5會為Gemini Robotics 1.5提供每一步的自然語言指令，後者則運用其視覺與語言理解能力直接執行具體動作。Gemini Robotics 1.5還能協助機器人反思自身行為，以更好地解決語義複雜的任務，甚至能用自然語言解釋其思考過程——這讓它的決策更加透明。這兩款模型均基於核心Gemini模型家族建構，並通過不同資料集進行微調以專精於各自職能。當它們協同工作時，可顯著提升機器人對長周期任務和多樣化環境的泛化能力。先理解「環境」再「行動」Gemini Robotics-ER 1.5是首個為具身推理最佳化的思維模型。它在學術和內部基準測試中均實現了最先進的性能表現。下面展示了Gemini Robotics-ER 1.5的部分能力，包括物體檢測與狀態估計、分割掩碼、指向識別、軌跡預測以及任務進度評估與成功檢測。三「思」而後「行」傳統上，視覺-語言-動作模型直接將指令或語言規劃轉化為機器人的運動。但Gemini Robotics 1.5不僅能翻譯指令或規劃，如今還能在行動前進行思考。這意味著它能以自然語言生成內部推理與分析序列，從而執行需要多步驟或更深層語義理解的任務。在下面這段3分40秒的視訊，Google的科學家展示了機器人如何去完成更複雜的任務。比如第一段將不同顏色的水果分類放到對應的盤子裡。機器人需要能感知環境、分析顏色並逐步完成動作。第二段Apollo被要求幫助分類洗衣物和打包物品。它能自主思考並在執行中展現出鏈式任務規劃與反應能力，例如調整籃子來更好地撿起衣物，或對臨時變化作出即時反應。跨越不同形態的具身機器人學習機器人形態各異、大小不一，具備不同的感知能力和自由度，這使得將從一個機器人學到的動作遷移到另一個機器人變得困難。Gemini Robotics 1.5展現出卓越的跨具身學習能力。它能將從一個機器人學到的動作遷移到另一個機器人，無需針對每種新形態專門調整模型。這一突破加速了新行為的學習處理程序，助力機器人變得更智能、更實用。在下面這段2分鐘的視訊裡，Google科學家展示了不同「物種」機器人之間如何泛化學習。在Gemini Robotics 1.5中，一個模型可以跨多個機器人使用。比如Aloha在衣櫃場景中已有經驗，而Apollo從未見過，卻能通過遷移學習完成開門、拿衣服等全新動作。這展示了「跨具身學習」的潛力。未來，不同場景中的機器人（如物流、零售）可互相學習，從而大大加快通用機器人研發的處理程序。 (新智元)

一、高技能移民的規模與增長趨勢定義與規模：高技能移民指來美接受高等教育後留美工作，或在境外獲得學位後移民美國的群體。2023 年美國約有 820 萬高技能移民，佔勞動力人口的 5%，較 2015 年的 340 萬增長 141%。其中，持有博士學位的高技能移民佔全美博士群體的 18%，碩士學位佔 12%。簽證與教育管道：2024 年 H-1B 簽證獲批近 40 萬份，其中 65% 為續簽申請，簽證有效期通常為 3 年，可延長至 6 年或更長。國際學生佔美國高等教育入學率的 6% 以上，2024 年高校國際學生人數較 2009 年增長超 50%。移民數量增長趨勢：H-1B簽證批准數與國際學生入學率教育背景佔比：高技能移民的學位分佈二、就業分佈與收入貢獻行業集中度：儘管僅佔勞動力 5%，高技能移民在半導體設計（25%）、電腦系統設計（20%）、科學研究（18%）等高科技行業佔比突出。亞馬遜、Google等科技巨頭 2024 年 H-1B 獲批數超 2.7 萬份。收入溢價：以學生身份來美並留美的高技能移民年均收入比本土大學畢業生高 1.5 萬美元，在網路搜尋門戶等行業，高技能移民中位數收入比本土同行高 5 萬美元。20 個高技能移民佔比最高的行業中，移民收入平均比本土員工高 2 萬美元。行業分佈佔比：高技能移民在關鍵行業的就業佔比收入對比：不同背景群體的收入中位數行業收入差異：高技能移民與本土員工收入對比三、創新驅動與經濟活力科技與專利貢獻：高技能移民佔 STEM 勞動力的 13%，主導了 30% 的美國關鍵行業專利（涉及經濟競爭力與國家安全領域），獲得 29% 的美國諾貝爾獎。每 1% 的大學畢業生移民比例提升，人均專利數增加 9-18%。創業與企業價值：過去 30 年，20% 的風投支援初創公司由高技能移民創立，移民發明家產生的專利為上市公司和私營企業創造了 25% 的總經濟價值。移民佔比每增加 1%，企業數量增長率提高 1.6%。創新指標佔比：高技能移民的創新貢獻指標行業分佈與 GDP 增長：高技能移民集中行業的 GDP 增長四、財政影響與赤字緩解個體與整體效應：每位高技能移民在 10 年內可使聯邦赤字減少 7.8 萬美元，STEM 領域移民減少 12 萬美元。整體來看，高技能移民群體每年為美國減少 500-800 億美元赤字，相當於 GDP 的 0.2-0.3%。學術研究佐證：賓夕法尼亞大學模型顯示，將 10% 低技能移民取代為高技能移民，10 年後 primary deficit 減少 653 億美元，STEM 領域替換可減少 1526 億美元。財政影響研究彙總：學術研究中的財政效應估計五、對本土勞動力的溢出效應勞動力市場影響：研究結論存在分歧，部分顯示高技能移民提升低技能工人工資 0.5-1.3%（長期），但博士群體供給增加 10% 會使競爭崗位工資下降 3%。H-1B 簽證獲批增加 1 個，企業其他崗位可能減少 1.5 個。創新外部性：移民發明家去世會導致合作者專利產出下降 17%，移民對本土創新的外部性貢獻佔總創新的 36%。每 1% 的移民大學畢業生比例提升，本土人均專利數增加 15%。溢出效應研究彙總：高技能移民對本土工人的影響六、核心結論與政策啟示高技能移民通過創新驅動、財政貢獻與產業升級，成為美國經濟的重要支撐。儘管對本土勞動力市場的影響存在爭議，但其在專利、初創企業和生產力提升方面的正向效應顯著。政策層面，最佳化高技能移民簽證流程（如 STEM 領域綠卡配額調整），可能進一步釋放經濟增長潛力。 (資訊量有點大)

Hahow for Business助企業升級轉型。圖/業者提供 2024年隨著全球供應鏈重組、產業缺工問題頻傳，企業人才永續發展成為台灣企業重要發展策略。全台最大線上學習平台 Hahow 好學校旗下的 Hahow for Business 提供「人才培訓解決方案」，協助企業主更精準的完成人才培育，課程種類涵蓋線上、實體和混成式，提供全方位企業人才培訓解決方案，不受地域限制，相較傳統培訓也更便利。 隨著人才永續發展趨勢及跨領域人才需求增加影響，員工的職場技能、領導力培訓都成為企業在轉型過程中的重要任務，因而帶動 Hahow for Business 連續三年營收成倍數成長，客戶續約率達九成，累計企業採用家數突破250間，包含國泰集團、新光人壽、台灣大哥大、英業達、研華科技、LVMH、珍煮丹、麥當勞、信義房屋，從服務業到製造業、從金融業到科技業，近25萬員工使用 Hahow for Business進行培訓，台灣前10大上市公司已有8成企業採用。 Hahow企業端事業群總監高玉璁。圖/業者提供

當前人形機器人還面臨兩大難點，一是機器人目前的“軟”件端，適合機器人的通用大模型和垂直專業模型，還在攻堅階段；此外，靈巧手目前在技術和成本上都有需要攻克的難點。 現在人形機器人的成本還沒有達到客戶的要求，此外量產還涉及到供應鏈的問題。現階段，人形機器人主要是在科研平台搭建各類應用，包括對硬體的開放，離我們所說的軟體開發應用，還有相當一段距離。 當“具身智能”成為2024世界機器人大會眾人熱議的焦點時，北京航空航天大學機器人研究所名譽所長王田苗提出了不一樣的視角。他認為這次展會，展示的大部分是垂直領域的具身技能。現階段，對於具身智慧型手機器人或人形機器人，業界基本停留在對通用領域的探索上。 具身智能（Embodied Intelligence）強調機器人通過綜合感知、推理和自主決策，實現多工處理和複雜環境中的人機互動，具備廣泛的認知能力；而具身技能（Embodied Skills）更聚焦於特定場景下的專業化能力，旨在高效完成特定任務，應用更垂直、商業化更容易。業內認為，具身智能側重“廣而全”的智能化，具身技能則注重“專而精”的能力。