每天挑选一期硅谷AI科技值得关注的播客，让你与前沿同频。如果你现在没空可以收藏进 ，在通勤、走路或做家务时一篇篇轻松听完
"我认为，赚钱的机会在高质量数据和应用里。"
"我不反对自动化，也不认为有可能阻止自动化。"
"很多难以言传的经验都在员工手里。你得去现场，亲自和他们聊。"
等了三周，好不容易等到电工上门，对方看到新设备却说，自己没见过，处理不了。MIT经济学家、2024年诺贝尔经济学奖得主Daron Acemoglu，在Silicon Valley Girl的访谈里举了这样一个例子。面对这种日常麻烦，他想到的是：为什么不做些工具，帮助电工应付陌生设备？
这与我们常听到的AI故事有些不同。讨论往往从模型又变强了多少，转向多少岗位可以省掉；Acemoglu更关心，护士、电工、客服和研究人员，能不能借助AI获得更好的信息，处理以前做不好的事情。
这也关系到AI的商业机会究竟在哪里。他看好高质量数据和应用，却提醒做产品的人，不能只坐在电脑前等一个更强的模型。许多决定应用能否管用的经验，就在每天干这些活的人手里。
写代码进步快，不代表所有工作都容易自动化
Acemoglu承认，AI在编程上的进展很快。但他认为，把这种进展直接推广到所有岗位，会低估现实工作的复杂程度。代码有规则，有些结果能够通过运行和测试来检查；使用这些工具的人，也往往熟悉技术，能够判断哪里出了问题。
客服则有另一种难度。同一个问题，不同客户会用不同的话来问；需求会变，特殊情况很多，还需要理解对方当时的处境。他自己的感受是，打客服电话遇上AI，有时反而意味着还要多等十分钟，才能找到真正能帮忙的人。
"里面有社会交往的因素。你向客服提出的许多要求会随时间变化，也因人而异。不同的人会用不同的语言问同一个问题，还有很多灰色地带和特殊情况，所以事情会复杂得多。"
他没有据此断言AI永远做不了客服。相反，他认为，投入足够的资源和数据，AI在许多方面都可能继续进步。眼下需要回答的是，改进要多久，以及企业怎样把它用起来：让人监督、让人与AI共同工作，还是重新设计一种配合方式？
这些安排会影响最后省下多少成本、提高多少生产率，也会影响员工还剩下什么工作。模型能做一道测试题，和一家公司能否把一项业务交给它，之间仍然隔着不少事情。
现有模型，已经有很多值得做的用途
Acemoglu把目光放在了护士、电工和做质量检查的人身上。许多用来支持他们工作的应用，还是他希望技术公司去填补的空缺。
他举护士为例，设想用更好的信息支持和质量控制工具，让护士更深入地参与照护，同时调整相应的人员培训。电工面对陌生设备、工厂做质量检查，也都在他希望技术公司投入的应用方向里。
"现有模型已经很有能力，可以作为开发应用的基础。有这么多事情，利用现在的基础设施就完全有可能做到。"
他把这类方向称为“支持劳动者的AI”：工具让员工获得原来缺少的信息，做得更准，或者承担以前难以处理的事情。这里的商业价值，来自工作本身得到改善。
当主持人把传统行业的机会叫作“无聊生意”时，他马上说，自己不会用“无聊”这个词。对每天遇到这些问题的人，以及等待问题被解决的客户来说，这些改变并不乏味。
Acemoglu设想用更好的信息与质量控制工具，帮助护士参与照护工作。
少雇几个人，和让所有人做得更好，要分别算账
Acemoglu专门澄清，他支持自动化，也不认为应该阻止自动化。没人想回到用后背搬重物的年代。他反对的是，企业把使用新技术的全部目标都设成减少人手，却没有创造新的工作和服务。
为了说明另一种算法，他做了一个简化比较：一家有一百名员工的公司，可以自动化其中5%的岗位，把这部分岗位的成本减半；也可以用工具让员工整体的生产率提高5%。在这个比较里，他更看好后一种选择。
"如果你能让员工更有创造力，更善于解决问题，更善于做新的事情，这样的企业会成功。"
这个比较的重点，是把全体员工能做出的增量也放进决策。一个懂客户、懂设备、懂流程的人，拿到更好的工具后，可以处理什么新问题？这部分价值，不能只从工资支出里看出来。
他也提醒，原本以为很容易的自动化，落地时可能并不省事。有些公司因压力而匆忙推进，后来发现仍然需要保留人员，另外还多了一套需要整合的AI系统。节省成本当然值得考虑，但还得把改流程、接系统和处理失败的投入算进去。
他比较两种AI投入：减少一部分岗位成本，或提高员工整体的生产率。
从模型到现场，还缺大量工程工作
把模型接进工作流程，需要企业和技术公司共同投入。Acemoglu认为，硅谷给基础模型投入了很多资源，对应用以及怎样把应用嵌入企业的关注还不够。他同时承认，自己不在OpenAI或Anthropic内部，并不知道这些团队实时学到了什么，因此这是他从外部作出的判断。
他提到，自己接触过的一些中国制造企业，包括富士康、比亚迪等，正在把机器人和AI接入生产过程。他观察到，这个过程推进很慢，需要的工程师常常比企业起初预计的更多。
一个模型能回答问题之后，还需要有人理解设备、理清流程，把工具接进每天的工作，再持续调整。熟悉行业的工程师和业务人员，就要参与这些工作。
他与企业管理者聊起“让员工更有生产力的AI”时，常得到积极回应。但他也坦言，自己无法确认这些回应最终会不会变成采购和使用，因为不少工具还没有被开发出来。
做应用的人，得先去找懂这份工作的人
Acemoglu更看好高质量数据和应用的赚钱机会。他担心，基础模型会遇到发展和推广的限制，也会面对越来越好的开源模型。相比之下，他认为，一个有创意、满足特定需求的应用，可能更难被简单复制。
他建议，有业务数据的企业继续积累和改善数据，也应当给创造这些数据的员工回报。这既是公平问题，在他看来，也是一项好的商业决策。
主持人接着提醒，员工本来就是数据的来源：他们与客户打交道，在产品和业务里工作了多年。Acemoglu又补充，这些人掌握的不只有记录，还有许多难以写进说明书的经验。
"如果你要开发应用，很多难以言传的经验都在员工手里。你不能只坐在办公室的电脑前，拿到一个很强的AI，就指望做出应用。你需要去现场，亲自动手，和员工交流。"
熟悉业务的人，知道该问谁、什么情况需要多核对一次、哪一步最容易出错。这些日积月累的判断，也可能是做好AI应用所缺的知识。要说清工具应该怎么做、流程应该怎么改，就需要把这些经验带进讨论，让真正做这份工作的人参与。
会用AI之外，还要保住自己的判断
Acemoglu自己也用AI做背景研究，请它批评自己的文章和想法。他鼓励学生和研究助理建立AI工具体系，却不希望学生把写作直接交出去。对英语非母语的学生，他更赞成先自己写，再用AI检查句子是否通顺、语法是否有问题。
他喜欢拿笔在纸上计算、推导，因为自己做一遍，包括犯错和改错，仍然能学到东西。他担心的是，学生把太多步骤交给AI，慢慢失去了练习思考的机会。
"我认为，我们比以往更需要人的创造力。没有扎实基础的创造力，是自相矛盾的。"
当被问到应该学什么时，他提到数学、物理、经济学和工程，也强调适应变化的能力。同一份职业里的工作内容，可能随着技术和环境而改变。会用AI很有必要，但能看懂问题、检查结果、想出下一步怎么做，仍然需要自己的专业底子。
他可以想象，人们借助AI少工作一些、仍然很有生产力；也担心，很多人最后没有有意义的工作。两种未来都可能出现。怎样开发工具、怎样组织工作，以及员工能否参与这些决定，会影响我们更接近哪一种。
写在最后
如果你想把AI用进工作，可以先从自己最熟悉的一件难事开始：哪一步最费时间，缺什么信息，什么错误需要靠经验发现？把问题讲明白，再找工具试着解决。你多年积累的业务经验，正是判断一个AI应用是否管用的依据，也值得被带进产品讨论。
内容来源："Nobel Economist: Where He Sees the Real Money in AI"丨Silicon Valley Girl（嘉宾：Daron Acemoglu）
原视频：https://www.youtube.com/watch?v=0lsasYuzhL4
