AI神器大合集

本文探讨了人工智能（AI）在教育和组织内部应用中的潜力与局限。文章首先对比了两种观点：一方认为 AI 因无法复制真实人际关系而难以激发学习动机；另一方则引用证据表明 AI 具备个性化和说服能力，可能有效激励学生。随后，文章深入分析了 AI 在复杂组织中的应用，提出了一个核心矛盾：虽然 AI 难以理解组织内部混乱、无序的“垃圾桶模型”流程，但它或许能通过直接针对“结果”进行强化学习，从而绕过理解“过程”的难题。最终结论倾向于认为，AI 的通用能力虽强，但其对特定组织知识的缺乏，限制了它完全替代人类经验的可能性。

AI 与教育：激励的挑战

Michael Strong 认为，AI 在教育领域的应用前景有限，核心在于它无法替代真实的人际互动。

• 人类进化的根基：我们天生就极度重视他人的尊重、关爱或忽视等社交信号。
• 学习的心态：有效的学习需要进入一种特定的“学习心态”，而这种心态通常由正确的社会规范和人际激励所驱动。
• AI 的局限：AI 只能提供一种“模拟”的人际关系，而非真实的情感连接。

我们进化了数百万年，才学会了珍视真实的人际关系。另一个人是尊重我们、爱我们，还是忽视我们，这些决定了一切。虽然 AI 可以提供一种人类关系的模拟品，但它永远不会是真实的东西。

如果 Strong 的观点正确，即 AI 无法有效激励学生，那么它在教育领域的应用最终可能会失败。

然而，Zvi Mowshowitz 提供了不同的证据：

• AI 的说服力：研究表明，经过专门训练的 AI 在政治说服方面表现出很强的能力。
• 个性化趋势：AI 作为个人导师和助教，能够记住用户的偏好和历史，提供高度个性化的服务（尽管这引发了隐私担忧）。
• 年轻人的看法：研究发现，许多年轻人已开始将 AI 伴侣视为“人”，这暗示 AI 具备激发学习动机的潜力。

AI 与组织：流程的困境

Ethan Mollick 指出，大型组织的运作方式远比表面看起来要混乱得多，这为 AI 的应用带来了巨大挑战。

组织研究中的一个经典理论被称为“垃圾桶模型”（Garbage Can Model）。该模型将组织视为混乱的“垃圾桶”，问题、解决方案和决策者被随意丢在一起，决策的发生往往是这些元素随机碰撞的结果，而非完全理性的过程。

这个模型揭示了组织内部的现实：

• 隐性知识：组织内部充满了不成文的规则、个人经验和未经记录的复杂流程。
• 自动化难题：传统的自动化依赖于清晰的规则和明确的流程，而这恰恰是“垃圾桶”式组织所缺乏的。

能否绕过流程，直击结果？

一个可能的解决方案是，让 AI 跳过理解复杂流程的步骤。这借鉴了 AI 领域的一个重要经验——“痛苦的教训”（The Bitter Lesson）。

数十年来，研究人员精心编码人类专业知识的努力，最终效果不如简单地投入更多算力。

这个教训在 AI 学习下棋的过程中体现得淋漓尽致：

• 传统方法：尝试向 AI 解释人类棋手的战略和战术洞察。
• 新方法：让 AI 分析数百万盘棋局的记录。通过关联棋盘布局和最终胜负，AI 自行推算出最佳下法。

Mollick 认为，AI 的“代理”（agent）功能正体现了这种转变。它不是通过学习“工作过程”来训练的，而是通过强化学习，直接针对“最终结果”进行训练。

这意味着，公司或许不再需要向 AI 解释其内部复杂的流程。

公司在优化流程、积累知识和建立运营护城河上花费的精力，可能没有他们想象的那么重要。如果 AI 代理可以仅凭结果进行训练，那么任何能够定义质量并提供足够案例的组织，无论是否理解自身流程，都可能取得相似的成果。

结论：通用能力与特定知识的博弈

最终，问题可以归结为 AI 的通用能力与组织内部的特定知识之间的较量。

• 通用人力资本：可以看作是 AI 具备的广泛能力。
• 特定人力资本：可以看作是“垃圾桶”组织内部积累的、独特的知识和经验。

AI 能否仅凭通用能力，绕过对特定知识的深入理解，直接解决企业问题？

作者的观点倾向于否定。个人经验表明，仅仅向 AI 输入大量个人内容是不够的。AI 的通用知识库中包含了大量其他学者的观点，这会稀释特定输入的价值。

你越是明确地提示 AI 采纳你的观点，而不是像一个普通的经济学家或学者那样行事，结果就越令人满意。这给我们的启示是，你不能指望 AI 仅凭海量数据就能克服特定知识的缺乏。这和学习下棋不一样。