。從技術底層來說，目前所有的AI技術路線大概率無法通往真正的AGI，無需琢磨技術細節，從第一性原理出發就夠了。

無論是主流的大模型等數字AI，還是最近開始熱議的世界模型等物理AI，其訓練基于的都是人類語言世界，這是高度濃縮后有邊界的確定性世界。人為構建的語言世界，還不到真實物理世界信息的九牛一毛，而人類對物理世界的認知恐怕也不過相當于學前班小朋友的水平，什么時候人類完成大統一場模型，才能算上了小學。

當前AI模型訓練基于的數據基礎，也不過是人類已探索總信息量的九牛一毛。

最典型的就是沒有包含大量隱性知識。比如美國現在重返月球就非常艱難，就在于工程領域圖紙能提供的僅僅是極為有限的信息，實現登月的關鍵是大量極富經驗的組織者、技術人員、工程師，整條產業鏈每一個零部件、每一個環節，都凝聚大量沒有寫在紙面上的人類經驗和知識。

最近流行的“SKILLS”和之前的工作流，本質就是把部分隱性知識顯性化。比如小鎮之前談。

后來HR們就把自己感性判斷的一些經驗總結提煉出來，比如先確定所謂的“AI味”是人的基本能力，比如判斷力、好奇心、想象力、探索欲等等，再把一個人簡歷的相關內容或者求職者填寫的信息與基本能力進行關聯，不求完全準確的評估，大體差不多就行了。

除這些沒有包含在內的信息，物理世界還有很多與人相關的事情。比如人與物理世界交互的環境、法律道德、商業等等。

從目前研究AI的科研角度，可以不去管這些復雜的事情，但任何新技術，終究要離開實驗室進入真實應用，就必須實現工程化、變成成熟商品，再到形成規模，就必須思考的足夠廣足夠深，絕非搞研究只需要考慮一兩塊長板就行了。

當前理解把握進而應用AI，特別重要的是把握AI的能力邊界，要擺脫各種吹噓、炒作制造的認知障礙，尤其作為決策者更要警惕。目前一個普遍挑戰是，有太多人把AI當成了萬能藥，搞AI的敢吹，用AI的就敢信。

萬能藥神話不是剛出現的，1986年布魯克斯在《人月神話》一書中針對軟件工程早就提出了“軟件工程沒有銀彈”的觀點，這個銀彈就是萬能藥。

《人月神話》強調由于軟件系統的復雜性，使得沒有任何一項技術或方法可使軟件工程在10年內提高10倍。因為軟件工程的核心卡點從來不是程序員寫代碼速度太慢，而是更為復雜的需求、設計、接口、組織溝通、變更、測試等等環節。

目前被認為替代風險最大的程序員，實際工作只有大概15%是編程，其他是非編程性工作，是種種復雜問題帶來的挑戰。

AI只是消除偶然的復雜性，通過自動化代碼生成、配置管理、工具鏈集成等等，降低實際工作中的技術摩擦和重復勞動，也可以輔助進行局部的重構。

但無法消除本質層面的復雜性，也就是源于問題本身的固有難度，比如業務邏輯的沖突、物理規律的約束、人類之間的動態博弈以及到底誰負責誰兜底、不同方案如何抉擇等等復雜問題。這些本質的復雜，會帶來大量的溝通、延期和不確定性，還會帶來更多的風險。

面對無法消除的復雜性，盲目求快不是好事。

AI目前極大提高了編程等相應工作的效率，但問題在于，影響一件事、一個組織進程的關鍵，主要不取決于長板，而取決于短板。

隨著AI對長板的極大增強，導致長短板進一步失衡。

對程序員而言，這種失衡還是相對可控的，大不了初級程序員更難精進，研究AI編程的程序員被自己的“孩子”取代。而上升到一個組織比如企業，AI加速整個流程尤其決策流程，大概率會加速企業的失敗乃至死亡，而不是反過來。

就像產業投資，投資100個項目，可能只有兩三個項目能成功，但這兩三個就可以收回所有成本，還能大賺，玩的就是提高判斷力基礎上的概率游戲。企業經營也是類似的，企業決策者需要不斷做出決策，AI目前已經被一些公司用于輔助決策，可以非常高效率的輔助決策，主要是提供了強大的信息加工能力。

但是決策是越快越好嗎？并不盡然，因為一家企業決策者做出的決策，常態是錯誤的，只不過一個組織有一定的恢復能力和冗余空間，能夠承受一定錯誤，而成熟企業自帶管理流程，也會對這些錯誤進行一定的攔截，最差也可以在接到用戶負面反饋后立即停止。

然而AI時代到來，極大縮短了決策乃至決策落實的進程。比如有大廠，正在探索更高效的老板決策支持體系，簡單地說只要老板一句話，就自動搜集用戶需求、市場動態等信息，自動完成產品的開發和投放運營，整個過程需要人介入的環節越來越少。

誰敢保證，AI輔助做出的決策就一定是完美的，甚至都不敢保證比競爭對手的決策更優。

AI只是更快，但不是更完美，由于目前AI技術路線本質就是概率計算，所以其水平實質是整個人類社會的平均水平。

那么問題來了，假設一家公司一個周期能夠承受10個錯誤決策帶來的損失，那么AI加速了決策流程，一個周期可以做出的決策上升到20個、30個甚至更多，超過了承受能力的上限，就會導致不可逆的損失。

任何人的精力都是有限的，老板的決策力也是有限的，決策進程加速后，老板需要做出的決策就更多了，這會持續升高老板做出決策時的壓力，很可能導致后面做出的決策越來越粗糙、越來越缺乏思考，整個組織也更加疲于奔命。

雖然理論上都知道AI只是輔助，不能替代人的決斷，但實際運行中哪有這么理性。

當前AI相關產業從業者其實也清楚距離他們吹噓的水平還有非常遙遠的距離，典型就是具身智能機器人領域。

但在資本炒作狂潮下，投資人無法忍受至少幾年的深耕，要求現在就要兌現收益，于是具身智能領域普遍開始講故事，典型就是重點搞演示性質的測試demo，忽略大量實際的現實困難。甚至有的公司實質變成了一家動態捕捉優化公司，無非就是找人做出種種動作，以不同姿勢端起水杯，然后讓機器人模擬。

但一個人1萬次端起水杯，沒有任何一次是相同的，真實世界有太多因素影響一個人如何拿起水杯。

從展示或者說作秀角度，機器可以模擬，也允許出錯。比如讓機器人在流水線上擺放零部件，之前業內比較高的水平是成功率60%到70%，今年4月，全球首個具身智能3C精密制造產線進行了8小時產線直播，智元機器人在流水線上獨立完成精密上下料、人機協同等工作，8小時零重大異常、成功率達到99.5%。

但要注意，這個場景仍然是精心設計過的，實際上完全可以用非智能化的自動化機械臂取代，效率更高、準確率也更高。

而且，99.5%看起來非常準確了，實際遠遠不夠。

在大模型等數字AI領域，AI幻覺失真并不太當回事；最被關注的AI Coding也就是AI編程領域，根據2026年6月針對騰訊的報道，其大部分研發團隊的代碼，由AI生成或采納的比率已經超過90%，而在三年前還只是23%，這個進步速度驚人，以至于程序員繼“CTRL+C/V”工程師之后，有了“YES”工程師的新代稱。

但90%甚至99.5%的準確率，在工業領域是絕對無法接受的。因為流程環節很多，一個環節99.5%的成功率，累加10個環節成功率降到95.1%，20個環節降到90.5%，30個86%，如何能忍受？數字AI領域失誤不過是反復抽卡，工業領域失誤要付出真金白銀甚至是生命代價。

別說智能機器人了，就算是很成熟的機械臂，在工廠環境中也要嚴格限制人員靠近。

在工業生產領域，普遍能接受的成功率是4個9，也就是成功率99.99%，相比3個9，能將故障風險降低10倍，相比五個九實現的成本顯著更低，所以性價比最高。

不要看99.5%跟99.99%好像只差一點，但這一點就需要遠超此前所有工作的扎實工作。

就比如最簡單的讓AI識別各種紙張文件，然后輸入到系統，目前的所有AI大模型，別管國內還是國外，給一張幾萬個數據的表格，有誰敢兜底說能實現100%的精準識別？雖然對自動化工具來說，這反而很簡單。

可如果不能實現100%準確率，那么0%和99%準確率本質沒有區別，都需要讓人一個個人工檢查確認。

從生產角度，如果投入幾十萬甚至幾百萬搞得AI工具，無法完整替代一個工作人員，那這件事意義何在？為什么不繼續雇用一個人呢？

當然，如果疊加多個AI工具交叉驗證，可以把準確率進一步提高，但企業實際生產經營中，不可能無上限增加成本投入，必須關注投入產出比，也不可能為了某一個環節提供很高的投入預算。

還有一個非常直接的因素：如果按照常規雇用某個人從事一項工作，這個人出錯了，主要責任不是決策者的，最多就是招聘、培訓以及直接領導的責任；但如果下決斷投入幾十萬探索AI替代，然后AI出了問題，那就是決策責任，要有決策者承擔責任，性質就變了，這就是人無法被AI取代的認錯兜底功能。

既然有這么多不確定性，AI工具還遠遠無法進入真正提高社會生產力的toB業務領域，那為什么很多人說AI很厲害，比人強多了呢？而且自己使用AI也覺得很厲害，輕輕松松就寫出了很好的文章，AI普遍使用后，所謂的“萬字長文”“深入分析”大大增加，感覺寫的挺好啊。

這不是AI太強，而是大多數人的基礎能力不足。

AI實現的是全人類平均能力，但平均不是中位數，意味著在AI擅長的能力領域，必然超越多數人。比如最簡單的清晰描述自己面臨的問題，僅這一點就能難住多數人，在職場上最痛苦的就是碰到這種怎么說都說不明白的人。

這也是公務員考試特別看重基本的閱讀理解和表達能力的原因，只要能通過公務員初試，就具備了勝任工作的基本能力。小鎮很建議有條件的公司，可以把公務員考試成績納入錄用參考，不需要求職者進入公考面試，只要總分超過及格線，工作能力的問題就不大了。

還要注意一件事，除了AI從業者、投資者、科技巨頭等等，在網上炒作AI、制造焦慮最多的就是自媒體相關從業者，但無論這些自媒體創作者擁有多少受眾、在自己小圈子展現的多么無所不能，本質不過是個體戶，規模化的行業頭部也不過是小微企業，能雇用幾十人的都是非常厲害頂流了，放在常州鄉鎮，不過是大點的工廠。

自媒體領域從業者整體素質水平并不匹配影響力和人均創收。因為這個領域的生意太小，大平臺、大企業、大資本看不上，專業、精英人群愿意全職從事的也很罕見。

而小微企業最普遍的難點就是雇用高素質的員工，吸引來的就業者綜合素質水平遠低于大企業、大平臺，在組織管理上存在諸多基礎性的簡單難題，比如如何準確的表述、如何建立標準化的工作流程等等。

小鎮最近參加了多次頂部自媒體公司使用AI進行內容產品制作、輔助決策管理的分享，并沒有覺得AI有多么強大，而是覺得就算頂部自媒體公司也可能沒見過多少高水平的員工，才會覺得AI特別厲害，解決了管理上的大難題。

更別說，炒作AI強大，本就是制造焦慮、獲得營收的關鍵。這也無可厚非。

今晚是在車上躲雨時寫的，比較倉促，一會開車回家，好在有輔助駕駛，輕松多了。就先簡單說這些，后續慢慢聊。

其他文章推薦

（中篇）

（上篇）

歡迎分享，讓更多人發現“大樹鄉談”